DAFTAR ISI

BAB II........................................................................................................................................ 1
2.1 Pendahuluan ................................................................................................................ 1
2.2 Tahapan Systematic Literature Review (SLR)............................................................ 1
2.2.1 Pertanyaan Penelitian ........................................................................................... 2
2.2.2 Strategi Pencarian ................................................................................................ 3
2.3 Publikasi Jurnal yang Menggunakan Teknik yang Berbeda dalam Segmentasi citra
RGB 4
2.4 Publikasi pencarian jurnal ........................................................................................... 5
2.5 Dataset yang digunakan untuk Segmentasi Citra ........................................................ 6
2.6 Metode Segmentasi Citra ............................................................................................ 6
2.6.1 Graph Clustering .................................................................................................. 6
2.6.2 Artificial Bee Colony Optimazition ..................................................................... 6
2.6.3 Cohen-Daubechies-Feauveau .............................................................................. 7
2.6.4 K-Mean Clustering............................................................................................... 7
2.6.5 Fast Mean Shift Clustering .................................................................................. 7
2.6.6 Maximum Entropy ............................................................................................... 7
2.6.7 Multiple Neural Network ..................................................................................... 8
2.6.8 Iterative Tranductive Learning ............................................................................ 8
2.6.9 Segmenting Simple Objects Using RGB-D ..................................................... 8
2.6.10 Subset Based Deep Learning for RGB-D Object Recognition ............................ 8
2.6.11 Segmentation of RGB-D indoor scenes by stacking random forests and
conditional random fields .................................................................................................. 9
2.6.12 Contextual object category recognition for RGB-D scene labeling .................... 9
2.7 Simpulan...................................................................................................................... 9
2.7.1. Teknik Segmentasi RGB.......................................................................................... 9
2.7.2 Teknik mempercepat komputasi ............................................................................. 10
DAFTAR PUSTAKA .............................................................................................................. 13
 BAB II
TINJAUAN PUSTAKA

2.1 Pendahuluan
Aplikasi berbasis pengolahan citra dan computer vision banyak menerapkan segmentasi
citra sebagai proses inti untuk mengklasifikasikan objek. Sebagai contoh deteksi plat
motor, pemilihan apel yang siap panen, pencocokan sidik jari, dan sebagainya. teknik
segmentasi citra didasarkan pada dua properti dasar nilai aras keabuan:
ketidaksinambungan dan kesamaan antar piksel. Pada bentuk yang pertama, pemisahan
citra didasarkan pada perubahan mendadak pada aras keabuan. Contoh yang menggunakan
pendekatan seperti itu adalah detektor garis dan detektor tepi pada citra. Cara kedua
didasarkan pada kesamaan antarpiksel dalam suatu area (Acharya dan Ray, 2005).
Termasuk dalam cara kedua ini yaitu:
(1) pengambangan berdasarkan histogram;
(2) pertumbuhan area;
(3) pemisahan dan penggabungan area;
(4) pengelompokan atau pengklasifikasian;
(5) pendekatan teori graf;
(6) pendekatan yang dipandu pengetahuan atau berbasis aturan.
Berdasarkan penelitian yang dilaksanakan Rangayyan (2005) dalam buku Kadir dan
Susanto (2013: 337) teknik yang digunakan dalam segmentasi dibagi menjadi empat
kategori berikut :
(1) teknik pengambangan;
(2) metode berbasis batas;
(3) metode berbasis area;
(4) metode hibrid yang mengombinasikan kriteria batas dan area.
Teknik segmentasi di atas umum dipakai untuk aplikasi pengolahan citra yang tujuannya
menyeleksi bagian citra yang ingin dianalisis atau membedakan objek dengan latar
belakangnya.

2.2 Tahapan Systematic Literature Review (SLR)

Systematic literature review atau sering disingkat SLR atau dalam bahasa indonesia
disebut tinjauan pustaka sistematis adalah metode literature review yang

1
 mengidentifikasi, menilai, dan menginterpretasi seluruh temuan-temuan pada suatu topik
penelitian, untuk menjawab pertanyaan penelitian (research question) yang telah
ditetapkan sebelumnya (Kitchenham & Charters, 2007).
Terdapat tiga tahapan dalam pembuatan SLR: Perencanaan, Pelaksanaan dan Pelaporan.
Tahap perencanaan merupakan tahapan untuk merumuskan masalah, kemudian tahap
pelaksanaan adalah identifikasi literature yang sudah ditemukan, membandingkan
algoritma, dan menemukan informasi pada informasi berdasarkan rumusan masalah.
Kemudian tahap terakhir adalah membuat laporan hasil SLR. Berikut adalah blok diagram
dalam penulisan SLR di penelitian ini.

Perencanaan
Identitfikasi kebutuhan Rumusan Masalah

Pelaksanaan
Identifikasi
Ulas Metode / Menampilkan
Literatur Ekstraksi Data
Algoritma dalam Grafik
terkait

Pelaporan
Membuat Laporan Membuat Kesimpulan

Gambar 2.1 Diagram Alur SLR

2.2.1 Pertanyaan Penelitian

Pertanyaan Penelitian ini menggunakan format PICOC, yaitu Population,
Intervention, Comparison, Outcomes, dan Context. Format PICOC akan memudahkan
peneliti untuk menganalisa literature yang digunakan.
Tabel 2.1 Ringkasan PICOC
Population Segmentasi pada Citra RGB
Intervention Metode Segmentasi pada Citra RGB
Comparison Membandingkan metode segmentasi yang
digunakan pada citra RGB

2
 Outcomes Informasi mengenai teknik segmentasi
pada Citra RGB
Context Studi contoh kasus dan metode yang
digunakan untuk Segmentasi citra RGB

Tabel 2.3 Pertanyaan Penelitian (RQ)

ID Pertanyaan Penelitian
RQ1 Pendekatan apa saja yang digunakan
untuk segmentasi citra RGB?
RQ2 Bagaimana tahapan proses
segmentasi citra RGB?
RQ3 Berapa lama proses komputasi
(Performansi) dari segmentasi citra
RGB dengan metode tersebut?
RQ4 Dataset seperti apa yang digunakan
peneliti sebelumnya
Motivasi
Mengindetifikasi metode apa yang paling
banyak digunakan untuk segmentasi citra
RGB
Mengindentifikasi metode yang paling
berpengaruh untuk kesuksesan
pengenalan/klusterisasi/klasifikasi objek
Mengindentifikasi metode yang paling
cepat komputasi segmentasi citra RGB
nya
Menjelaskan dataset yang digunakan
peneliti

2.2.2 Strategi Pencarian

Salah satu tahapan pencarian literature yang relevan pada penelitian ini, adalah
mencari jurnal pada situs yang menyediakan literature yang berkualitas. Berikut
adalah situs website yang dikunjungi:
IEEE eXplore (ieeexplore.ieee.org)
ScienceDirect (sciencedirect.com)
Springer (springerlink.com)
Pencarian lebih efektif jika melakukan tahapan sebagai berikut:
1. Indentifikasi istilah pencarian dari PICOC, terutama dari populasi dan
intervensi
2. Identifikasi istilah pencarian dari pertanyaan penelitian
3. Indentifikasi istilah pencarian dalam judul, abstrak dan kata kunci yang
relevan.
4. Indentifikasi sinonim, ejaan alternatif dan antonim dari istilah

3
 pencarian
5. Penentuan kata kunci yang menyeluruh menggunakan identifikasi
istilah pencarian Bolean AND dan OR
kata kunci yang digunakan untuk pencarian adalah:
Segmentation AND RGB image AND Object Recognition

2.3 Publikasi Jurnal yang Menggunakan Teknik yang Berbeda dalam Segmentasi citra
RGB
Dalam tinjauan pustaka ini didapatkan 12 studi utama yang membahas mengenai
segmentasi citra. Gambar 2.1 menunjukan banyaknya jumlah publikasi papar per tahun
mulai tahun 2011 sampai tahun 2017. Hal ini menunjukan semakin banyak peneliti
yang melakukan penelitian tentang segmentasi citra RGB/berwarna dengan beraneka
ragam bidang keilmuan.

Tahun publikasi
5

3 3
3

2 2
2

1 1 1
1
2011 2012 2013 2014 2015 2016 2017

Tahun

Gambar 2.2 Tahun Publikasi Jurnal yang di review

4
 Jumlah Publikasi

Object Tracking

Machine Vision

Computer Vision

Agriculture

Bioinformatic

0 1 2 3 4 5

Jumlah Publikasi

Gambar 2.3 Jumlah Publikasi Penelitian yang Digunakan Pada Tinjauan Pustaka

2.4 Publikasi pencarian jurnal

Jumlah Publikasi Pencarian Jurnal

8

0
Springer ScienceDirect IEEE

Jumlah

Gambar 2.4 Jumlah Publikasi Pencarian Jurnal

5
2.5 Dataset yang digunakan untuk Segmentasi Citra

DATASET

PRIVATE
38%

PUBLIC
62%

Gambar 2.5 Jumlah dataset dalam literatur

2.6 Metode Segmentasi Citra

2.6.1 Graph Clustering
Calatroni (2017) membuat prototipe untuk mengukur skala objek yang sudah dideteksi
dengan menggunakan dataset yang mana dalam citra tersebut ada dua buah objek:
penggaris dan melanoma. Penelitian yang dilakukan oleh Calatroni (2017)
menggunakan teknik graph clustering untuk melakukan segmentasi citra, Calatroni
membuat framework untuk graph clustering menggunakan algoritma Ginzburg-
Landau, framework yang dibuat digunakan untuk melakukan klasifikasi piksel yang
pada dimensi citra yang kompleks.
2.6.2 Artificial Bee Colony Optimazition
Tag (2015) Paper yang dibuat oleh ini menampilkan algoritma yang dimodifikasi untuk
segmentasi citra berwarna. Segmentasi citra mempunyai masalah pada multi-objek
pada suatu citra. Algoritma yang dibuat adalah bee colony untuk mengoptimalkan
multi-objek (IBMO) yang dikombinasikan dengan seeded region growing (SRG).
Ekstraksi fitur pada penelitian ini melalui tiga tahapan: color spaced model, gabor filter,
dan kesamaan area. Khusus area homogeny menggunakan seeded region growing.

6
2.6.3 Cohen-Daubechies-Feauveau
Salah satu penelitian yang menggunakan algoritma cohen-daubechies-feauveau adalah
Khalid (2016), penelitian ini fokus pada segmentasi citra lesi kulit. Citra sebelum
pemrosesan menampilkan sebuah citra dermoscopic, ciri lesi tersebut ada rambut,
lingkaran hitam, dan kulit (background). Khalid (2016) membuat metode untuk
perbaikan citra (image enhancement) agar citra lebih mudah dikomputasi algoritma
selanjutnya, tahap selanjutnya adalah hair detection tujuan dari algoritma tersebut
adalah, menghapus bagian rambut yang terdapat citra, Kemudian tahap akhir
menggunakan metode segmentasi CohenDaubechiesFeauveau biorthogonal wavelet
salah satu jenis dari metode wavelet transform.
2.6.4 K-Mean Clustering
Pham (2014) membuat penelitian mengenai machine vision dengan dataset citra buah-
buahan. Tahapan segmentasi pada penelitian ini dibagi menjadi dua: splitting dan
Merging. Untuk tahap splitting peneliti menggunakan algoritma K-Mean untuk
membagi area pada tampilan citra buah, kemudian merging menggunakan bantuan
algoritma graph, untuk menyatukan beberapa area yang mempunyai kedekatan nilai
antar pikselnya. Tujuan dari merging untuk menghindari bagian yang kurang pentig
(bitnik kecil pada buah).
2.6.5 Fast Mean Shift Clustering
Geming Wu (2015) membuat metode segmentasi citra untuk mengurangi biaya
komputasi. Segmentasi citra RGB yang mempunyai multi-objek terkadang memiliki
komputasi yang lama untuk proses segmentasinya. Dataset yang dipilih adalah citra
histologi (jaringan tubuh dalam mikroskopis). Peneliti melakukan preprocessing pada
citra dengan mengubah RGB menjadi format CIE L*a*b untuk range warna, tujuannya
adalah membuat proses segmentasi fast mean menjadi lebih cepat tanpa mengurangi
kualitas ekstraksi fiturnya
2.6.6 Maximum Entropy
Yutan Wang (2017) membuat penelitian mengenai machine recognition, yaitu
pengenalan objek otomatis dengan kamera. Dataset penelitian diambil dari citra buah
lingwu dari ningxia. Tujuannya adalah memperbaiki kualitas dan komputasi dari
penelitian sebelumnya, menyeleksi buah lingwu yang siap panen. Tahap preprocessing
citra ini menggunakan citra hue, untuk memudahkan membedakan objek dan
background.

7
2.6.7 Multiple Neural Network
Nodari (2011) membuat penelitian mengenai computer vision dengan menggunak
website komersial. Tujuannya memudahkan pencarian user berdasarkan kesamaan
visual seperti warna dan teksture. Dataset dari penelitian ini merupakan citra berbagai
model baju, dengan kriteria warna dan tekstur. Untuk metodenya menggunakan
segmentasi Multi-Networks for Object Detection (MNOD), ada tiga jaringan yang
digunakan, per jaringan merepresentasikan hasil ekstraksi fiturnya.
2.6.8 Iterative Tranductive Learning
Rheman (2014) mengusulkan segmentasi citra dan pendekatan matting otomatis
dengan RGB-D berdasarkan Iterative transductive learning. Algorima ini menggunakan
dua kunci utama yaitu : hard segmentation untuk menghasilkan trimap dan Iterative
transductive learning berdasarkan matting gambar. Langkah pertama yaitu hard
segmentation dirumuskan sebagai estimasi Maximum A Posterior Problem,dimana
secara iterative penulis melakukan pernbaikan pada nilai depth, dan menggunakan bi-
layer classification guna menghasilkan hasil yang lebih optimal. Penulis mengusulkan
metode tranductive learning algorithm dimana secara iterasi menyesuaikan bobot
antara fungsi object dan batasannya.
2.6.9 Segmenting Simple Objects Using RGB-D
Shrivastava (2012) mendefinisikan Simple object sebagai sebuah objek tertutup, seperti
kaleng, botol dan sebagainya. Benda seperti kursi tidak di kategorikan dalam simple
object. Dalam penelitian ini, peneliti menggunakan Public RGB-D dataset. Dalam
penelitian ini digunakan fixation segmentation framework guna menentukan titik di
dalam simple object. Dalam metode yang ditawarkan, penulis menggabungkan titik
titik didalam simple object yang telah di ketahui dengan pixel batas tepi objek.

2.6.10 Subset Based Deep Learning for RGB-D Object Recognition

Pada penelitian Jing Bai (2015), data mentah (raw) akan di pisah pisah kan sesuai
dengan bentuk dan warnanya. Dengan data yang mendekati lingkaran, mendekati
persegi, dan benda diantara lingkaran dan persegi. Setelah di bagi kedalam subset,
selanjutnya dilakukan ekstraksi fitur. Ekstraksi fitur dilakukan dengan dua cara,yaitu
RGB-subset-SAE, dan Depth-Subset-SAE. RGB-Subset-SAE akan melakukan
ekstraksi fitur dari gambar gambar berwana RGB, sedangkan Depth Subset SAE
akan melakukan ekstraksi fitur dari kedalaman gambar. Setelah itu, dilakukan kembali
ekstraksi fitur menggunakan RNN untuk masing masing RGB dan Dept. Hasil ekstraksi

8
 fitur digabungkan. Setelah semua feature digabungkan, kemudan dilakukan klasifikasi
menggunakan softmax untuk menghasilkan hasil akhir recognition.

2.6.11 Segmentation of RGB-D indoor scenes by stacking random forests and

conditional random fields
Pada penelitian ini, peneliti melakukan percobaan dengan menggunakan 2 dataset, yaitu
NYU-v2 dan SUNRGBD. Pada kedua dataset dilakukan percobaan dengan
menggunakan Random forest menggunakan Random offset features yang
dikombinasikan dengan Conditional random field yang bekerja pada Simple Linear
iterative clustering.

2.6.12 Contextual object category recognition for RGB-D scene labeling

Dalam paper ini Ali (2014) mengusulkan metode guna memperbaiki pelabelan dengan
RGB-D. Penulis melakukan tiga langkah utama. Pertama penulis menunjukan
kombinasi baru antara depth dan color features untuk mengenali objek yang berbeda
secara terpisah. Kemudian penulis menggunakan context model untuk mendeteksi
objek yang lain di tempat yang sama guna mengoptimalkan pelabelan. Terakhir penulis
menggunakan social media mining guna menggembangkan context model.

2.7 Simpulan
2.7.1. Teknik Segmentasi RGB
Teknik segmentasi citra berwarna / RGB lebih memberikan informasi daripada segmentasi
dengan cara biner atau grayscale. Permasalahan yang umum adalah segmentasi citra
berwarna sulit dilakukan pada citra berwarna / RGB dan membutuhkan komputasi lama.
Namun seiring berkembangnya teknologi ada beberapa literature yang berhasil melakukan
segmentasi citra secara real-time. Tahapan segmentasi citra berwarna secara umum
meliputi, preprocessing, image enhancement, post processing (segmentasi belum diolah),
segmentasi akhir.

9
 Prepocessing

Image Enchancement

Ekstrasi Fitur
Warna
Teksture
Ukuran

Post Processing

Merging area [Segmented image]

Gambar 2.6 Teknik Segmentasi citra warna

2.7.2 Teknik mempercepat komputasi

Beberapa dari paper yang sudah direview, menampilkan waktu komputasi yang rendah.
Setelah dicermati pada metodenya, ada tahapan yang sangat membantu untuk proses
segmentasi, yaitu image enhancement, tahapan ini kualitas citra diperbaiki, misal
pengurangan noise, menghilangkan objek penghalang, dan mengubah range color/ color
spaced. Kebanyakan dari paper mengubah range RGB menjadi CIELAB dan CIELCH.
Warna CIE L*a*b merupakan range warna yang disesuaikan dengan warna yang dilihat
manusia.
L* = koordinat derajat terang (Lightness)
a* - koordinat merah/hijau dengan +a* mengindikasikan merah dan - a*
mengindikasikan hijau
b* - koordinat kuning/biru dengan +b* mengindikasikan kuning dan -b*
mengindikasikan biru

10
sedangkan

L * C * ruang h warna mirip dengan L * a * b *, tetapi menggambarkan warna berbeda

menggunakan silinder koordinat bukan koordinat persegi panjang. Dalam ruang warna
ini, L * menunjukkan ringan, C * mewakili kroma, dan h adalah sudut rona.

11
12
 DAFTAR PUSTAKA

A. K. Mishra, A. 2012. Segmenting simple objects using RGB-D. IEEE International

Conference on Robotics and Automation. Saint Paul, MN, 2012, pp. 4406-4413.

Bei He et al.2014. Iterative transductive learning for automatic image segmentation and
matting with RGB-D data. Journal of Visual Communication and Image Representation,
Volume 25, Issue 5, Pages 1031-1043.

Calatroni, Luca et al. 2017. Graph Clustering, Variational Image Segmentation Methods and
Hough Transform Scale Detection for Object Measurement in Images. J Math Imaging Vis
(2017) 57:269291.

Gallo, I et al. 2011. Object Segmentation Using Multiple Neural Networks for Commercial
Offers Visual Search. EANN/AIAI 2011, Part I, IFIP AICT 363, pp. 209218, 2011.

Haider Ali et al.2014. Contextual object category recognition for RGB-D scene labeling,
Robotics and Autonomous Systems. Volume 62, Issue 2, February 2014, Pages 241-256.

Jing Bai et al. 2015, Subset based deep learning for RGB-D object recognition.
Neurocomputing. Volume 165 Pages 280-292.

Jing Liu et al. 2017. Object proposal on RGB-D images via elastic edge boxes.
Neurocomputing. Volume 236 Pages 134-146.

Kadir, A. & Susanto, A. 2013. Teori dan Aplikasi Pengolahan Citra. Yogyakarta: Andi.

Khalid, Shehzad. 2016. Segmentation of skin lesion using CohenDaubechiesFeauveau

biorthogonal wavelet. SpringerPlus (2016) 5:1603.

Mikkel Thgersen et al.2016. Segmentation of RGB-D indoor scenes by stacking random

forests and conditional random fields. Pattern Recognition Letters. Volume 80, 1 September
2016, Pages 208-215.

Pham, Van Huy, Byung Ryong Lee. 2015. An image segmentation approach for fruit defect
detection using k-means clustering and graph-based algorithm. Computer Science (2015)
2:2533.

Sag, Tahir, Mehmet Cunkas. 2015. Color image segmentation based on multiobjective artificial
bee colony optimization. Soft Computing. Pp 1568-4946.

Wang et al, 2017. Research of segmentation method on color image of Lingwu long jujubes
based on the maximum entropy. Wanget al. EURASIP Journal on Image and Video Processing
(2017) 2017:34.

Wu et al, 2015. Histological image segmentation using fast mean shift clustering method.
BioMedical Engineering. (2015) 14:24.

13