PRAKTIKUM II

EKSTRAKSI CIRI

LAPORAN PRAKTIKUM TEKNIK KLASIFIKASI

DAN PENGENALAN POLA

Disusun Oleh:

Rayuh Dhilah Hanggara

1501022088

LABORATORIUM KOMPUTER DAN INFORMATIKA

PROGRAM STUDI TEKNIK ELEKTRO
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS AHMAD DAHLAN
2017
 PRAKTIKUM II

EKSTRAKSI CIRI

A. TUJUAN PRAKTIKUM
1. Mahasiswa mampu memproses ekstraksi ciri
2. Memahami tekstur citra
3. Memahami proses ekstraksi ciri
1. Membuat pola citra

B. DASAR TEORI

Tekstur merupakan karakteristik intrinsik dari suatu citra yang terkait

dengan tingkat kekasaran (roughness), granularitas (granulation), dan keteraturan
(regularity) susunan struktural piksel. Aspek tekstural dari sebuah citra dapat
dimanfaatkan sebagai dasar dari segmentasi, klasifikasi, maupun interpretasi citra.
Tekstur dapat didefinisikan sebagai fungsi dari variasi spasial intensitas piksel (nilai
keabuan) dalam citra. Berdasarkan strukturnya, tekstur dapat diklasifikasikan
dalam dua golongan : makrostruktur dan mikrostruktur.
Tekstur makrostruktur memiliki perulangan pola lokal secara periodik pada
suatu daerah citra, biasanya terdapat pada pola-pola buatan manusia dan cenderung
mudah untuk direpresentasikan secara matematis. Contoh tekstur makrostruktur
sebagaimana pada Gambar 1, berikut:

Gambar 1. Citra tekstur mikrostuktur

 Pada tekstur mikrostruktur, pola-pola lokal dan perulangan tidak terjadi
begitu jelas, sehingga tidak mudah untuk memberikan definisi tekstur yang
komprehensif. Gambar 2 berikut ini menunjukkan contoh tekstur mikrostruktur.

Gambar 2. Citra tekstur mikrostuktur

Ekstraksi ciri orde pertama

Ekstraksi ciri orde pertama merupakan metode pengambilan ciri yang didasarkan
pada karakteristik histogram citra. Histogram menunjukkan probabilitas
kemunculan nilai derajat keabuan piksel pada suatu citra. Dari nilai-nilai pada
histogram yang dihasilkan, dapat dihitung beberapa parameter ciri orde pertama,
antara lain adalah mean, skewness, variance, kurtosis, dan entropy.
a. Mean ()
Menunjukkan ukuran dispersi dari suatu citra

dimana fn merupakan suatu nilai intensitas keabuan, sementara p(fn) menunjukkan

nilai histogramnya (probabilitas kemunculan intensitas tersebut pada citra).
b. Variance (2)
Menunjukkan variasi elemen pada histogram dari suatu citra

c. Skewness (3)
Menunjukkan tingkat kemencengan relatif kurva histogram dari suatu citra
 d. Kurtosis (4)
Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra

e. Entropy (H)
Menunjukkan ukuran ketidakaturan bentuk dari suatu citra

C. ALAT DA BAHAN
1. Komputer
2. Matlab 2008b

D. HASIL DAN PEMBAHASAN

1. Pembuatan fungsi forde1.m
Dibuat fungsi forde1.m yang digunakan untuk menghitung ciri orde
satu dari sebuah citra:

Gambar 4.1.1 Program forde1.m

Baris perintah pertama adalah inisialisasi untuk fungsi yang dibuat,
dengan diuliskan variable input dan output, serta nama dari fungsi tersebut.
Baris perintah kedua merupakan baris perintah yang disediakan oleh
 pustaka MATLAB untuk mengambil histogram dari citra yang ada. Pada
baris perintah berikutnya dituliskan perintah untuk rata-rata nilai dari
histogram citra yang diperoleh. Selanjutnya dipersiapkan variable ukuran
matriks bagi hasil perhitungan berikutnya. Kemudian dari baris ke enam
hingga sepuluh merupakan proses perhitungan pencarian nilai orde 1 dari
hasil histogram yang ada.

2. Pembuatan daabase citra

Disediakan database citra tekstur makro struktur dan mikro struktur
masing-masing sejumlah 8 citra.

(a)

(b)

Gambar 4.2.1 Database citra (a) makro dan (b) mikro struktur

3. Citra diubah ke skala keabuan (grayscale)

Diubah citra berwarna dari database menjadi format derajat keabuan

dengan menggunakan fungsi rgb2gray.
 Gambar 4.3.1 Program konversi citra warna ke keabuan

Baris pertama menyatakan perintah untuk membaca citra dengan

fungsi imread. Karena citra yang diambil bukan dari pustaka MATLAB
maka dituliskan path atau alamat secara runut hingga file itu berada.
Selanjutnya pada baris kedua adalah proses konversi dari citra warna ke
skala keabuan menggunakan fungsi rgb2gray.

4. Penentuan ciri citra

Ditentukan ciri dari citra dengan menggunakan fungsi forde1.m
dengan menambahkan listing program menjadi seperti pada gambar di
bawah. Dicatat hasil dari perhitungannya ke dalam tabel 4.4.1 dan tabel
4.4.2.

Gambar 4.4.1 Program penentuan ciri citra makro dengan fungsi forde1
Bagian yang ditambahkan pada program yatu di baris terakhir atau
baris ketiga dengan memanggil fungsi forde1 kemudian diberikan hasil dari
variabel output m dan v.

Gambar 4.4.2 Program penentuan ciri citra mikro dengan fungsi forde1
Begitu pula untuk kasus citra mikro struktur dengan hanya
mengalihkan alamat dari citra ke database citra mikro struktur. Output yang
diberikan kepada variable m dan v langsung dimunculkan tanpa
memperlihatkan hasil citra yang sudah dikonversi ke dalam skala keabuan.
 Tabel 4.4.1 Hasil operasi dari fungsi forde1.m citra makro
No Image m v
1 1.jpg 112.7714 2.7546e+003
2 2.jpg 149.0866 2.7003e+003
3 3.jpg 105.1175 3.2810e+003
4 4.jpg 130.7504 1.7652e+003
5 5.jpg 105.8063 596.7907
6 6.jpg 118.2934 693.3264
7 7.jpg 122.9247 933.4508
8 8.jpg 109.8963 929.5360

Tabel 4.4.2 Hasil operasi dari fungsi forde1.m citra mikro

No Image m v
1 1.jpg 169.8648 79.4474
2 2.jpg 162.8141 275.5512
3 3.jpg 129.8665 406.7058
4 4.jpg 147.6199 678.8914
5 5.jpg 116.9147 305.0201
6 6.jpg 156.2771 806.0305
7 7.jpg 143.9155 154.0634
8 8.jpg 153.3522 298.5977

5. Seleksi Ciri
Dilakukan seleksi ciri yaitu dengan memanfaatkan nilai mean dan
variance, digambarkan grafik mean vs variance. Seperti yang dipaparkan
pada sub bab sebelumnya bahwa nilai yang digunakan sebagai media seleksi
ciri disini yaitu nilai dari variable m untuk mean dan v untuk variance.

mean () VS variance (2) citra makro

160
140
120
100
mean ()

80
60
40
20
0
2.75E+03 2.70E+03 3.28E+03 1.77E+03 596.7907 693.3264 933.4508 929.536
variance (2)

Gambar 4.5.1 Grafik mean() VS variance(2) citra makro

 mean () VS variance (2) citra mikro
180
160
140
120
mean ()

100
80
60
40
20
0
79.4474 275.5512 406.7058 678.8914 305.0201 806.0305 154.0634 298.5977
variance (2)

Gambar 4.5.2 Grafik mean() VS variance(2) citra mikro

6. Penjelasan
Melalui grafik yang diperoleh dengan melihat nilai mean dan juga
variance secara langsung dari hasil penarikan garis dapat dipahami bahwa
nilai makro terhadap nilai mikro atas nilai mean memiliki rentang nilai yang
sama namun tetap memiliki selisih. Sedangkan dengan melihat variansi atau
variasi disini dapat kita cermati bahwa nilai yang didapatkan pada citra
makro cenderung kecil dan berbanding terbalik bagi citra mikro yang
cenderung memiliki nilai yang besar. Artinya selama titik temu antara nilai
mean dan variasi diantara keduanya memiliki koordinat yang berbeda maka
dengan metode ini dapat dilakukan ekstraksi ciri terhadap suatu objek citra
untuk membedakan antara makro dan mikro struktur.
E. TUGAS

Digunakan beberapa baris dari fungsi warna2abu.m yang telah

dibuat pada praktikum 1 maka diulangi langkah percobaan 3-6.

Gambar 5.1 Program warna2abu.m

Program di atas merupakan program yang ditulis dari praktikum 1
yang akan dimanfaatkan bagian dari programnya mulai dari baris program
kedelapan hingga kesebelas. Sehingga didapatkan listing program sebagai
berikut.

Gambar 5.2 Program ekstraksi ciri citra makro yang dimodifikasi

Gambar 5.3 Program ekstraksi ciri citra mikro yang dimodifikasi

 Tanpa mengubah variable outputnya maka dilakukan proses yang
sama dalam melakukan percobaannya untuk seleksi ciri pada citra makro
struktur maupun mikro struktur. Didapatkan nilai variabel mean(m) dan
variance(v) seperti pada tabel 5.1 dan tabel 5.2.

Tabel 5.1 Hasil operasi dari modifikasi fungsi forde1.m citra makro
No Image m v
1 1.jpg 75.9591 266.9328
2 2.jpg 80.6727 150.8720
3 3.jpg 71.1607 490.9752
4 4.jpg 83.0579 32.4971
5 5.jpg 81.9396 88.2500
6 6.jpg 83.9541 24.2228
7 7.jpg 82.9997 63.8202
8 8.jpg 79.2152 167.6329

Tabel 5.2 Hasil operasi dari modifikasi fungsi forde1.m citra mikro
No Image m v
1 1.jpg 85 0
2 2.jpg 84.9936 0.1696
3 3.jpg 84.7381 3.8039
4 4.jpg 84.6410 10.4067
5 5.jpg 84.7137 4.8158
6 6.jpg 84.4953 12.6779
7 7.jpg 84.9852 0.3111
8 8.jpg 84.9962 0.0602

mean () VS variance (2) citra makro

85

80
mean ()

75

70

65

60
266.9328 150.872 490.9752 32.4971 88.25 24.2228 63.8202 167.6329
variance (2)

Gambar 5.1 Grafik mean() VS variance(2) citra makro

 mean () VS variance (2) citra mikro
85.1
85
84.9
84.8
mean ()

84.7
84.6
84.5
84.4
84.3
84.2
0 0.1696 3.8039 10.4067 4.8158 12.6779 0.3111 0.0602
variance (2)

Gambar 5.2 Grafik mean() VS variance(2) citra mikro

F. KESIMPULAN
1. Tahapan ekstraksi ciri terlebih dahulu diarahkan untuk menyederhanakan
citra warna, salah satunya yaitu ke citra skala keabuan;
2. Ekstraksi ciri memanfaatkan persebaran dari nilai-nilai elemen citra atau
sederhana dikenal sebagai histogram citra;
3. Diantara beberapa rumusan, terdapat dua rumus untuk memahami suatu
pola dari citra yaitu dengan mean() dan variance(2);
4. Citra dengan makro struktur akan memiliki nilai variasi yang cenderung
kecil sedangkan citra dengan mikro struktur akan cenderung bernilai besar
bergantung dari rumusan konversi skala keabuanya.

G. REFERENSI

Fadlil, A. (2016) Petunjuk Praktikum Teknik Klasifikasi & Pengenalan Pola,

Yogyakarta: Universitas Ahmad Dahlan.