SEGMENTASI CITRA LANDSAT UNTUK MONITORING

KUALITAS PERMUKAAN DARATAN MENGGUNAKAN

SISTEM CBIR (CONTENT BASED IMAGE RETRIEVAL)

Proposal TESIS

Diajukan sebagai salah satu syarat memperoleh gelar

Magister Teknik Informatika

Pada Program Studi Magister Teknik Informatika

Disusun Oleh :

Dwi Handoko ( 1721211008 )

PROGRAM PASCASARJANA

MAGISTERTEKNIK INFORMATIKA

INSTITUT INFORMATIKA DAN BISNIS DARMAJAYA

2019
 BAB I
PENDAHULUAN

1.1 Latar Belakang Masalah

Suatu wilayah akan mengalami perkembangan yang akan membawa
perubahan penampakan secara fisik. Perkembangan fisik tersebut merupakan
perkembangan lahan yang dipengaruhi oleh faktor alam maupun manusia.
Wilayah yang berkembang memerlukan adanya perencanaan untuk mengarahkan
peruntukan lahan secara tepat. Dibutuhkan suatu metode yang akurat dan efektif
untuk memperoleh informasi tutupan lahan.
Penutup permukaan daratan atau land covers merupakan karakteristik fisik
dari permukaan daratan. Land covers dapat berupa hutan, tumbuhan atau
pepohonan, perairan termasuk danau dan sungai, gedung, dan objek-objek yang
lain. Permukaan daratan dapat berubah dari waktu ke waktu oleh adanya
perubahan iklim, perubahan jalur sungai, dan aktifitas manusia. Hanya saja perlu
dicatat bahwa sebagian besar perubahan permukaan daratan disebabkan oleh
kegiatan / aktifitas manusia Kegiatan manusia yang biasanya dapat merubah
permukaan daratan adalah kegiatan pertanian, pemukiman, penambangan, dan
rekreasi. Briassoulis menyatakan bahwa perubahan dalam penggunaan tanah atau
daratan dapat diklasifikasikan dalam beberapa tingkatan, dalam waktu yang
berbeda, karakteristik lingkungan, dan dinamika manusia pada daerah tertentu.
Perubahan baik peningkatan maupun penurunan atau bahkan kerusakan
permukaan tanah dapat dideteksi dengan cara konvesnsional maupun dengan
memanfaatkan citra satelit seperti aerial photography, remote sensing, dan citra
Landsat imaginary (Belongie, S., and J. Malik., 2002).
Aerial photography atau juga dikenal dengan foto udara telah banyak
digunakan dan diakui serta banyak digunakan untuk analisa informasi spatial
dengan tujuan pemetaan situasi atau keadaan permukaan bumi secara umum dan
khususnya permukaan daratan. Foto udara dapat juga digunakan untuk pembuatan
peta-peta topografi, model penentuan altitude atau ketinggian suatu tempat, dan
aplikasi spatial lainya. Foto udara juga sering digunakan untuk mendeteksi

1
perubahan (muncul dan atau hilangnya) objek - objek atau vegetasi yang ada
dipermukaan bumi, hanya saja foto udara atau aerial photography cukup mahal
jika diperlukan dengan frekuensi tinggi.
Dengan adanya penelitian ini diharapkan dapat memetakan daerah - daerah
yang telah mengalami kerusakaan dan atau perubahan. Penelitian ini juga
dimaksudkan untuk membangun suatu sistem aplikasi perangkat lunak untuk
mendeteksi terjadinya perubahan kualitas permukaan daratan secara cepat, akurat
dan otomatis.
Berdasarkan uraian diatas maka penulis tertarik untuk memilih judul
“Segmentasi Citra Landsat Untuk Monitoring Kualitas Permukaan Daratan
Menggunakan Sistem CBIR (Content Based Image Retrieval)”.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan diatas, maka penulis
merumuskan masalah yang akan diteliti yaitu “Bagaimana cara melihat
kemungkinan perubahan permukaan menggunakan sistem CBIR (Content Based
Image Retrieval)?”

1.3 Batasan Masalah

Batasan masalah bertujuan untuk mempermudah pekerjaan dan menghindari

kegiatan diluar sasaran yang telah ditentukan dan dikehendaki. Penulis membatasi
penelitian ini antara lain :

1. Mengimplementasikan Metode Segmentasi Citra Landsat untuk Monitoring

Kualitas Permukaan Daratan ini hanya menggunakan Sistem CBIR (Content
Based Image Retrieval)”.
2. Dalam waktu, Objek yang diambil untuk segmentasi citra hanya 5 tahun lalu
yaitu pada tahun 2014 sampai dengan sekarang 2019.

3. Daratan yang diambil hanya daerah wilayah Pringsewu - Lampung.

2
4. Citra yang digunakan menggunakan format JPEG.

1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah :

1. Mengetahui perubahan atau penurunan kualitas daratan atau permukaan tanah

di daerah tertentu dengan menggunakan citra satelit Landsat dan Aerial
photography.
2. Dengan membangun database citra foto udara (Landsat dan Aerial
photography), maka penelitian ini disamping untuk deteksi juga ditujukan
untuk menentukan dan mengetahui kapan suatu perubahan daratan terjadi,
membangun suatu model atau pattern perubahan yang terjadi pada kurun
waktu tertentu, dan akhirnya bagaimana keadaan baru akan terjadi dikemudian
hari pada suatu daratan berdasarkan pattern tersebut.
3. Mencari citra dataset sesuai dengan citra inputan atau query sehingga bisa
dengan mudah diketahui bahwa perubahan permukaan daratan seperti ini
terjadi pada tahun berapa.

1.5 Manfaat Penelitian

1.5.1 Manfaat Khusus

1. Mengamalkan ilmu yang sudah penulis pelajari dan peroleh di IIB

Darmajaya Bandar Lampung.
2. Memenuhi salah satu persyaratan untuk mendapatkan gelar Magister
Komputer pada jurusan Magister Teknik Informatika IIB Darmajaya
Bandar Lampung.
1.5.2 Manfaat Umum
1. Sebagai bentuk pengamalan pengabdian terhadap masyarakat.
2. Membantu memberikan informasi tentang perubahan daratan kepada
masyarakat jika sewaktu-waktu dibutuhkan.

BAB II

3
 TINJAUAN PUSTAKA

2.1 Penelitian Terdahulu

Dalam peneltian terdahulu diharapkan peneliti dapat membedakan

penelitian yang akan dilakukan dengan penelitian yang sudah pernah dilakukan
oleh peneliti sebelumnya serta didapatkan kaitanya antara penelitian terdahulu
dengan penelitian yang akan dilakukan.
Berikut perbandingan penelitian terdahulu yang telah dilakukan :
1. Penelitian dengan judul Analisis dan Implementasi Contet Based Image
Retrieval Menggunakan Metode ORB, yang telah diteliti oleh Muhammad
Mirza, Tjokorda Agung Budi W., Siti Sa’adah, pada tahun 2015. Pada
penelitian ini disimpulkan bahwa semakin rendah threshold maka semakin
banyak pula keypoint yang bisa diperoleh pada metode oFAST, banyaknya
jumlah keypoint pada setiap citra sebagai fitur sangat mempengaruhi akurasi
ARP, Metode ORB invariant terhadap citra noise Gaussian dengan akurasi
yang cukup baik, namun tidak terlalu baik dengan citra resize, dan Citra
query rotated memiliki size yang berbeda dengan citra original, sehingga
memungkinkan mendapatkan keypoint lebih banyak daripada citra original.
2. Penelitian dengan Judul Content Based Image Retrieval Batik Tradisional
Yogyakarta Menggunakan Ekstrasi Ciri Berdasarkan Tekstur Filter Gabor
Wavelets 2D, yang telah diteliti oleh Alfonsus Stefan Arwanda, dan Nazori
Agani, pada tahun 2013. Pada penelitian ini disimpulkan bahwa Program ini
dapat berfungsi untuk mencari data citra berdasarkan citra masukkan yang
diberikan oleh pengguna, yang kemudian akan ditampilkan lima belas citra
yang memiliki jarak kemiripan yang hampir mendekati dan diurutkan
berdasarkan jarak kemiripan yang terkecil hingga terbesar, tingkat kesesuaian
terhadap data citra yang terambil dipengaruhi oleh pemahaman yang dimiliki
oleh pengguna terhadap citra masukkan yang ingin dicari tersebut, dan
Kesesuaian terhadap hasil proses pencarian yang dilakukan oleh program ini
bergantung pada banyaknya koleksi yang dimiliki oleh sistem.

4
3. Penelitian dengan judul Content Based Image Retrieval Citra Sidik Jari
Menggunakan Metode Wavelet Daubechies Dan Diagram NOHIS-Tree, yang
telah diteliti oleh Agung Satrio Buwono, pada tahun 2014. Pada penelitian ini
disimpulkan bahwa performa Wavelet Daubechies sebagai metode ekstraksi
fitur pada aplikasi Content Based Image Retrieval citra sidik jari terbagi
menjadi 4 hasil denganmasing-masing memiliki akurasi yang berbeda-beda,
performa CBIR dengan menggunakan metode NOHIS-Tree mempunyai
efisiensi waktu pencarian lebih cepat daripada metode brute force, sedangkan
CBIR dengan menggunakan metode brute force membutuhkan waktu lebih
lama.
4. Penelitian dengan judul Content-Based Image Retrieval Menggunakan
Metode Block Truncation Algorithm dan Grid Partitioning, yang telah diteliti
oleh Duman Care Khrisne, dan Mohamad David Yusanto, pada tahun 2015.
Pada penelitian ini disimpulkan bahwa penggunaan metode Grid Partitioning
(GP) dalam proses optimalisasi hasil temu kembali gambar nilai presisi
berhasil bertambah, dan nilai recall menjadi lebih kecil dibandingkan dengan
penelitian sebelumnya. Terjadi hubungan tarik-ulur (trade-off) antara presisi
dengan recall, dengan kondisi nilai presisi yang tinggi dan nilai recall yang
rendah. Sehingga dapat diartikan aplikasi dapat mengembalikan gambar dan
hampir semuanya relevan, tetapi sejumlah besar gambar relevan lain
terabaikan.
5. Penelitian dengan Judul Content Based Image Retrieval Menggunakan
Moment Invariant, Tekstur Dan Backpropagation, yang telah diteliti oleh Ni
G.A.P Harry Saptarini, dan Rocky Yefrenes Dillak, pada tahun 2012. Pada
penelitian ini disimpulkan bahwa Metode yang dikembangkan mampu
melakukan query terhadap image dalam database citra dengan precision
sebesar 75%, fitur – fitur bentuk dan tekstur merupakan fitur yang sangat baik
dalam mengenali suatu image pada sistem, penelitian lanjutan dapat
dilakukan untuk mereduksi jumlah ciri yang digunakan pada fase pelatihan
sehingga dapat mempersingkat waktu komputasi CBIR.
6. Penelitian dengan Judul Implementasi Content Based Image Retrieval (CBIR)
Pada Citra Batik Besurek Yang Tidak Utuh Menggunakan Metode Speeded

5
 Up Robust Features (Surf) dan Fast Library Approximated Nearest Neighbor
(Flann), yang telah diteliti oleh Rezki Oksaputri, Ernawati, dan Desi
Andreswari, pada tahun 2018. Pada penelitian ini disimpulkan bahwa Metode
Speeded Up Robust Features (SURF) dan Fast Library Approximated
Nearest Neighbor (FLANN) dapat mengenali citra yang tidak utuh yang
ditutupi 10% hingga 90%. Nilai recall terbesar dimiliki motif burung kuau
dan raflesia yaitu sebesar 88,89% dan nilai precision terbesar dimiliki oleh
motif kaligrafi dan raflesia yaitu 78.82%.
7. Penelitian dengan Judul Purwarupa Sistem Content Based Image Retrieval
untuk Pencarian Produk Sepatu, yang telah diteliti oleh Baldri, Septia Rani,
dan Izzati Muhimmah, pada tahun 2018. Pada penelitian ini disimpulkan
bahwa sistem yang dibangun sudah dapat memberikan hasil pencarian dengan
menampilkan citra-citra yang relevan. Untuk ke depannya, data citra yang
digunakan sebagai basis data perlu ditambah lagi jumlahnya. Selain itu juga
perlu dieksplorasi pengaruh metode ektraksi fitur yang berbeda terhadap
tingkat presisi sistem.
8. Penelitian dengan Judul Content Based Image Retrieval (CBIR) Berdasarkan
Fitur Low Level : Literature Review, yang telah diteliti oleh Rahmad Hidayat,
Agus Harjoko, dan Anny Kartika Sari, pada tahun 2012. Pada penelitian ini
disimpulkan bahwa kedepan proses tinjauan terhadap makalah CBIR dapat
dilakukan dengan menggunakan klasifikasi yang lebih detail, seperti
klasifikasi berdasarkan fitur-fitur low level pada gambar secara lokal.
Ekstraksi fitur lokal pada gambar dilakukan berdasarkan objek yang terdapat
dalam gambar yang telah melalui proses segmentasi.

2.2 Segmentasi Citra

Segmentasi citra merupakan sebuah langkah awal pada klasifikasi citra

dengan metode berbasis objek. Segmentasi citra digunakan untuk
mengelompokkan piksel yang memiliki kesamaan struktur, dengan tujuan untuk

6
membuat setiap struktur individual menjadi region atau wilayah individual
(Syahbana, 2013). Salah satu perangkat lunak yang menyediakan proses
segmentasi adalah eCognition yang memiliki beberapa algoritma segmentasi
seperti chessboard, quad tree, multiresolusion, dan spectral difference.
Segmentasi multi resolusi merupakan salah satu jenis segmentasi yang paling
sering digunakan.

2.3 Segmentasi Citra Landsat

Program Landsat adalah sebuah program paling lama untuk mendapatkan

citra Bumi dari luar angkasa. Satelit Landsat pertama diluncurkan pada tahun
1972; yang paling akhir Landsat 7, diluncurkan tanggal 15 April 1999. Instrumen
satelit - satelit Landsat telah menghasilkan jutaan citra. Program Landsat terus
berlanjut dengan diluncurkannya Landsat 8 pada tanggal 13 Februari 2013.
Landsat 8 memiliki 11 saluran dengan panjang gelombang tertentu. Satelit
Landsat dirancang untuk keperluan berbagai bidang seperti kehutanan, pertanian,
geologi, perencanaan penggunaan lahan, dan lain - lain. Citra Landsat memiliki
resolusi spasial 30 x 30 m dan salah satu kelebihannya adalah jadwal berkala
akuisisi setiap tempat di bumi setiap 16 hari, data arsip jangka panjang, dan relatif
kaya dengan informasi spektral.

2.4 Segmentasi Berbasis Warna

Kebanyakan algoritma yang selama ini dikerjakan untuk mendeteksi

vegetasi adalah berdasarkan segmentasi berbasis warna, dalam hal ini warna di
kuatisasikan (quantized) lebih dahulu. Menurut (Irianto, Y. Suhendro., 2008),
kuatisasi adalah proses pengurangan warna dalam setiap band l-nya menjadi
berjumlah 17 dari aslinya yang berjumlah 255. Pixel dengan chanle Merah (red)
mempunyai intensitas antara 0 sampai dengan 15 yang diwakili oleh satu nilai,
intesitas 15 – 30 untuk yang lain, intesitas 30 - 45 untuk yang lain lagi, dan

7
seterusnya. Setelah itu, region atau pixel diberi label ke semua pixel yang saling
berhubungan (satu terhubungan atau terkait dengan pixel sebelahnya melalui 8
pixel yang terhubung) yang mempunyai nilai kuantisasi yang sama. Region atau
daerah yang mempunyai kurang dari 100 pixel ditandai dan dibuang, semua
region diproses dengan operasi morfologi.

2.5 Monitoring

Monitoring didefinisikan sebagai siklus kegiatan yang mencakup

pengumpulan, peninjauan ulang, pelaporan, dan tindakan atas informasi suatu
proses yang sedang diimplementasikan (Mercy, 2005). Umumnya, monitoring
digunakan dalam checking antara kinerja dan target yang telah ditentukan.
Monitoring ditinjau dari hubungan terhadap manajemen kinerja adalah proses
terintegrasi untuk memastikan bahwa proses berjalan sesuai rencana (on the
track). Monitoring dapat memberikan informasi keberlangsungan proses untuk
menetapkan langkah menuju ke arah perbaikan yang berkesinambungan. Pada
pelaksanaannya, monitoring dilakukan ketika suatu proses sedang berlangsung.
Level kajian sistem monitoring mengacu pada kegiatan per kegiatan dalam suatu
bagian (Wrihatnolo, 2008), misalnya kegiatan pemesanan barang pada supplier
oleh bagian purchasing. Indikator yang menjadi acuan monitoring adalah output
per proses / per kegiatan.

Umumnya, pelaku monitoring merupakan pihak - pihak yang

berkepentingan dalam proses, baik pelaku proses (self monitoring) maupun atasan
/ supervisor pekerja. Berbagai macam alat bantu yang digunakan dalam
pelaksanaan sistem monitoring, baik observasi / interview secara langsung,
dokumentasi maupun aplikasi visual (Chong, 2005).

Pada dasarnya, monitoring memiliki dua fungsi dasar yang berhubungan,

yaitu compliance monitoring dan performance monitoring (Mercy, 2005).
Compliance monitoring berfungsi untuk memastikan proses sesuai dengan

8
harapan / rencana. Sedangkan, performance monitoring berfungsi untuk
mengetahui perkembangan organisasi dalam pencapaian target yang diharapkan.

Umumnya, output monitoring berupa progress report proses. Output

tersebut diukur secara deskriptif maupun non-deskriptif. Output monitoring
bertujuan untuk mengetahui kesesuaian proses telah berjalan. Output monitoring
berguna pada perbaikan mekanisme proses / kegiatan di mana monitoring
dilakukan.

2.6 Deteksi Perubahan Daratan

Menurut Chen, H., Y. Xu, H. Shum, S-C. Zhu, and N. Zheng, (2001) setiap
jengkal tanah di permukaan bumi adalah unik dan dicirikan oleh vegetasi yang
menutupinya. Land use dan land cover secara nyata belum dapat digunakan untuk
membedakan karaketeristik dari permukaan bumi. Apa yang dapat kita jumpai
pada permukaan daratan atau tanah dapat berupa tanaman pertanian,
perkembangan kota, penebangan kayu, dan penambangan. Sedangkan land cover
dapat berupa hutan, tanah gambut, padang rumput, jalan, dan daerah perkotaan.
Istilah land cover pada awalnya diartikan sebagai suatu vegetasi seperti hutan,
rerumputan hanya saja kemudian arti tersebut meluas yang meliputi bangunan -
bangunan, keanekaragaman hayati, dan perairan (Delac, K., Mislav Grgic, and
Sonja Grgic, 2009). Sementara itu (El-Bakry, H., M., and Qiangfu Zhao, 2005)
mengemukan empat aspek penting dalam monitoring sumber daya alam, sebagai
berikut: deteksi perubahan-perubahan yang sedang terjadi, identifikasi sifat
perubahan yang terjadi, pengukuran luas daerah yang berubah, dan evaluasi model
perubahan yang terjadi.

Beberapa teknik telah dikerjakan oleh para ahli untuk mendeteksi perubahan
- perubahan tersebut, sebagai contohnya (Elisa Back, Danielle Ropar, and Peter
Mitchell, 2007), dan (Freeman, W.T., E. Pasztor and O. Carmichael. Learning
low-level vision, 2000) meringkas sebelas algorithm dalam deteksi perubahan,
seperti: Mono-temporal change delineation, Delta or post classification

9
comparisons, multidimensional temporal feature space analysis, composite
analysis, image differencing, multitemporal linear data transformation, change
vector analysis, image regression, multitemporal biomass index, background
subtraction, dan image rationing. Sementara itu metoda atau teknik matching
citra digital berdasarkan fitur local invariant telah diaplikasikan yang berkaitan
dengan permasalahan - permasalahan dibidang computer vision seperti image
retrieval, object recognition, video data mining, dan image based localization.

2.7 Klasifkasi Objek

Analisa citra digital pada dasarnya terdiri dari segmentasi (image

segmentation), klasifikasi, dan interpretasi. Pada awalnya pekerjaan segmentasi
dan klasifikasi dilakukan dengan metoda statistik dan pendekatan fuzzy logic.
Metoda statistik digunakan dengan teori kemungkinan yang dapat digunakan
dengan cara yang sederhana dan konsisten. Klasifikasi yang akan digunakan
dalam penlitian ini adalah berdasarkan pendekatan object-oriented. Pendekatan
atau teknik klasifikasi object-oriented tidak sama dengan klasifikasi berbasis pixel
dan statistik, klasifikasi ini diharapkan dapat menjelaskan hubungan dari sematik
diantara objek - objek nya tadi bumi dengan objek - objek yang ada dalam aerial
photography dan atau citra Landsat. (Byung-Joo Oh., 2005) pernah menyatakan
bahwa relasi atau kaitan ini dapat meningkatkan keakuratan hasil dari klasifikasi
objek - objek yang ada dipermukaan dataran. Objek yang mempunyai banyak
informasi di - ekstrak dengan menggunakan algoritma segmentasi multi -
resolution.

Banyak algoritma segmentasi yang menggunakan parameter - parameter

tertentu, segmentasi multi - resolusi juga memerlukan parameter - paramater
seperti skala, warna, bentuk, kepadatan, dan kehalusan. Ukuran dan bentuk dari
citra suatu objek dapat dipengaruhi oleh nilai parameter yang berbeda, perlu juga
diketahui bahwa untuk menemukan ukuran dan bentuk objek yang sesuai untuk
klasifikasi membutuhkan banyak waktu dan sangat subjektif. Oleh karena itu

10
dalam penelitian yang akan dilakukan kali ini, objek yang terdapat dalam suatu
citra diekstrak dengan menggunakan nilai default parameter tanpa memperhatikan
ukuran dan bentuk. Kemudian berdasarkan objek yang penting dalam suatu citra,
suatu awal proses dan deskripsi statitistik kemuadian dihitung. Contoh klasifikasi
lain, adalah klasifikasi yang dikontrol dikerjakan dengan menggunkan algoritma
backpropagation neural network, kemudian klasifikasi yang tidak dikontrol
dikerjakan dengan algoritma Kohonen’s self-organizing feature map (SOFM),
(Castelli, V., and L. D. Bergman (Eds.) 2006).

2.8 Sistem Content Based Image Retrieval (CBIR)

Content Based Image Retrieval (CBIR) adalah proses pemanggilan citra dari
database atau tempat penyimpanan citra digital lainnya sesuai dengan konten citra
tersebut (Chaudari,2012). Dalam CBIR fitur citra dibagi menjadi tiga fitur yaitu
warna, tekstur dan bentuk. Fitur warna adalah fitur yang umum digunakan dalam
CBIR karena pencarian informasi pada citra berbasis fitur warna lebih mudah
dilakukan.

Menurut Hastuti, et al. (2009) penelitian tentang CBIR berdasarkan primitif

fitur sudah banyak dilakukan diantaranya Swain dan Ballard pada tahun 1991
menggunakan teknik pencocokan titik potong histogram, kemudian Stricker dan
Orengo pada tahun 1995 mengembangkan teknik sebelumnya menjadi histogram
kumulatif dari warna, kemudian Stricker dan Dimai pada tahun 1996
menggabungkan titik potong histogram dengan beberapa elemen spasial,
kemudian Carson pada tahun1997 menggunakan teknik pemisahan fitur citra
query berdasarkan warna.

Tahap awal dalam sistem pemanggilan citra berdasarkan konten adalah

melakukan proses ekstraksi dan deskripsi pada citra dalam database sehingga
menghasilkan vektor fitur. Vektor fitur citra dalam database akan membentuk fitur
database. Setelah itu dilakukan proses ekstraksi dan deskripsi pada citra query
yang di-input-kan oleh pengguna. Hasil proses ekstraksi akan membentuk vektor

11
fitur. Kemudian dilakukan Similarity Comparison, yaitu mengukur jarak
kesamaan antara vektor fitur citra query dengan vektor fitur citra dalam database.
Jarak kesamaan vektor fitur antara citra query dengan citra dalam database akan
diurutkan. Citra dengan jarak kesamaan vektor fitur tertinggi akan di tampilkan
sebagai output (Long,et al. 2003). Diagram sistem pemanggilan citra berdasarkan
konten dapat dilihat pada Gambar 2.1.

Gambar 2.1 Diagram Sistem Content Based Image Retrieval

(Sumber: Long, et al. 2003)

Proses paling penting pada sistem CBIR adalah ekstraksi fitur, karena hasil
dari proses ini akan diketahui perbedaan pada setiap citra berdasarkan fiturnya
seperti fitur tekstur, bentuk dan warna. Suatu citra memiliki fitur yang berbeda
antara citra satu dengan lainnya tergantung pada karakteristik yang menonjol pada
citra tersebut. Sebagai contoh dalam dunia nyata, bunga mawar dan bunga melati
dapat dibedakan melalui perbedaan warnanya, kertas dan kain dapat dibedakan
dari teksturnya, kemudian gambar segitiga dan persegi dapat dibedakan melalui
bentuknya.

Menurut Syarif (2014), masing-masing fitur dari citra tersebut didapatkan

melalui proses ekstraksi fitur yang tidak mudah, karena satu citra dapat

12
mempunyai multiple feature. Proses ekstraksi fitur yang baik dan benar dapat
menentukan keberhasilan dalam membangun suatu aplikasi citra digital.

2.9 Citra Digital

Citra digital dapat didefenisikan sebagai fungsi dua variabel f(x,y) dimana x
dan y adalah koordinat spasial dan nilai f(x,y) yang merupakan intensitas citra
pada koordinat tersebut. Teknologi dasar untuk menciptakan dan menampilkan
warna pada citra digital berdasarkan pada penelitian terdahulu bahwa sebuah
warna merupakan kombinasi dari tiga warna dasar, yaitu merah, hijau, dan biru
(Red, Green, Blue -RGB). Sistem kordinat pada sebuah citra digital dapat dilihat
pada Gambar 2.6.

Gambar 2.2 Sistem Koordinat Citra Digital

Citra digital memiliki beberapa format yang memiliki karakteristik

tersendiri. Format pada citra digital ini umumnya berdasarkan tipe dan cara
kompresi yang digunakan pada citra digital tersebut. Hanya saja dalam penelitian
ini format file citra yang digunakan adah format file citra JPEG (.jpg).

2.9.1 Format File Citra JPEG

13
 JPEG atau Joint Photographic Experts Group adalah format citra yang
banyak digunakan untuk meyimpan citra-citra dengan ukuran lebih kecil. JPEG
mampu menampilkan warna dengan kedalaman 24-bit true color, mengkompresi
citra dengan sifat lossy dan umumnya digunakan untuk menyimpan citra-citra
hasil foto. Jika ingin menampilkan citra dengan detail rumit dan bergradasi file
citra dengan format ini dapat digunakan. File citra JPEG dapat menghasilkan citra
yang hampir seperti aslinya. File citra JPEG dapat menghasilkan warna sampai
dengan 16 juta warna. Ukuran file citra JPEG pada umumnya lebih besar dari GIF.

2.10 Pecision Recall

Menurut Kurniawan (2010), Recall adalah perbandingan jumlah dokumen

relevan yang terambil sesuai dengan query yang diberikan dengan total kumpulan
dokumen yang relevan dengan query. Precision adalah perbandingan jumlah
dokumen yang relevan terhadap query dengan jumlah dokumen yang terambil dari
hasil pencarian. Precision dapat diartikan sebagai ketepatan atau kecocokan
(antara permintaan informasi dengan jawaban terhadap permintaan itu).
Sedangkan istilah recall dibidang sistem temu kembali informasi (information
retrival) berkaitan dengan kemampuan menemukan kembali informasi yang sudah
tersimpan (Pendit 2008).

Sedangkan Precision dapat diartikan sebagai kepersisan atau kecocokan

(antara permintaan informasi dengan jawaban terhadap permintaan itu). Jika
seseorang mencari informasi di sebuah sistem, dan sistem menawarkan beberapa
dokumen, maka kepersisan ini sebenarnya juga adalah relevansi. Artinya,
seberapa persis atau cocok dokumen tersebut untuk keperluan pencari informasi,
bergantung pada seberapa relevan dokumen tersebut bagi si pencari.

2.11 Unified Modeling Language (UML)

14
 UML (Unified Modeling Language) adalah sebuah bahasa berdasarkan
grafik/gambar untuk memvisualisasi dan pendokumentasian dari sebuah sistem
pengembangan software berbasis OO (Object-Oriented). UML memberikan
standar penulisan sistem blue print, meliputi konsep bisnis proses, penulisan kelas
- kelas dalam bahasa program yang spesifik, skema database, dan komponen –
komponen yang diperlukan dalam sistem software. UML terdiri atas beberapa
diagram, yaitu :

Menurut A. S. Rosa, dkk dalam bukunya yang berjudul Modul

Pembelajaran Rekayasa Perangkat Lunak (Terstruktur dan Berorientasi Objek),
menjelaskan bahwa Unified Modelling Language (UML) merupakan bahasa visual
untuk pemodelan dan komunikasi dan mengenai sebuah sistem dengan
menggunakan diagram dan teks-teks pendukung. UML muncul karena adanya
kebutuhan pemodelan visual untuk menspesifikasikan, menggambarkan,
membangun, dan dokumentasi dari sistem perangkat lunak.”

Awal sejarah dari UML dimulai pada tahun 1994 ketika Booch, Runbaugh

dan Jacobson mempelopori organisasi yang bertujuan untuk menyatukan

metodologi-metodologi berorientasi objek, organisasi tersebut dinamakan Object

Modelling Group (OMG). Kemudian pada tahun 1996, Object Management

Group (OMG) mengajukan proposal adanya standarisasi pemodelan berorientasi

objek dan pada bulan September 1997 UML diakomodasi oleh OMG sehingga

sampai saat ini UML telah memberikan kontribusinya yang cukup besar di dalam

metodologi berorientasi dan hal-hal yang terkait di dalamnya. UML lebih cocok

untuk penulisan piranti lunak dalam bahasa-bahasa berorientasi objek seperti C++,

Java, C# atau VB.NET. Walaupun demikian, UML tetap dapat digunakan untuk

modeling aplikasi prosedural.

15
 Pada UML 2.3 terdiri dari 13 macam diagram yang dikelompkkkan dalam 3

kategori, Pembagian kategori dan macam-macam diagram tersebut dapat dilihat

pada gambar di bawah ini :

UML 2.3 Diagram

Structure Diagrams Behaviour Diagrams Intraction Diagrams

Class Diagram Use Case Diagram Sequence Diagram

Object Diagram Communication

Activity Diagram Diagram

Component Diagram
Timing Diagram
State Machine
Diagram
Composite Structure
Diagram Interaction Overview
Diagram

Package Diagram

Gambar 2.3 Diagram UML (Unified Modeling Language)

Sumber : A. S. Rosa, dkk (2011)

2.11.1 Diagram Use Case

Diagram Use Case menggambarkan aktifitas yang dilakukan sistem dari

sudut pandang pengamatan luar (yang menjadi persoalan itu apa yang dilakukan
bukan bagaimana melakukannya). Kegunaan diagram Use Case :

1. Menjelaskan fasilitas yang ada (requirements)

16
 Use Case baru selalu menghasilkan fasilitas baru ketika sistem di analisa, dan
design menjadi lebih jelas.
2. Komunikas dengan klien
Penggunaan simbol diagram Use Case membuat pengembang lebih mudah
berkomunikasi dengan klien - kliennya.
3. Membuat test dari kasus-kasus secara umum
Kumpulan dari kejadian - kejadian untuk Use Case bisa dilakukan test kasus
layak untuk kejadian-kejadian tersebut.

2.11.2 Diagram Class

Diagram Class memberikan pandangan luas dari suatu sistem dengan
menunjukan kelas - kelas dan hubungan mereka. Diagram Class bersifat statis,
yaitu menggambarkan hubungan apa yang terjadi, bukan apa yang terjadi jika
mereka berhubungan. Diagram Class mempunyai 3 macam relationalships
(hubungan), yaitu :
1. Association
Suatu hubungan antara bagian dari dua kelas. Terjadi association antara dua
kelas jika salah satu bagian dari kelas mengetahui yang lain melakukan suatu
kegiatan. Di dalam diagram, sebuah association adalah penghubung yang
menghubungkan dua kelas.
2. Aggregation
Suatu association dimana salah satu kelasnya merupakan bagian dari suatu
kumpulan. Aggregation memiliki titik pusat yang mencakup keseluruhan
bagian. Sebagai contoh : OrderDetail merupakan kumpulan dari Order.
3. Generalization
Suatu hubungan turunan dengan mengasumsikan satu kelas merupakan suatu
superClass (kelas super) dari kelas yang lain. Generalization memiliki
tingkatan yang berpusat pada superClass. Contoh : Payment adalah superClass
dari Cash, Check, dan Credit.

2.11.3 Package dan Object

Pengelompokan kelas - kelas berupa package (paket-paket) berfungsi

untuk mengatur pengorganisasian diagram Class yang kompleks. Package adalah
kumpulan elemen-elemen logika UML.

17
2.11.4 Diagram Sequence

Diagram sequence merupakan salah satu diagram Interaction yang

menjelaskan bagaimana suatu operasi itu dilakukan. Obyek-obyek yang berkaitan
dengan proses berjalannya operasi diurutkan dari kiri ke kanan berdasarkan waktu
terjadinya dalam pesan yang terurut.

2.11.5 Diagram Collaboration

Diagram Collaboration juga merupakan diagram interaction. Diagram

membawa informasi yang sama dengan diagram Sequence, tetapi lebih fokus
pada kegiatan obyek dari waktu pesan itu dikirimkan.

2.11.6 Diagram StateChart

Behaviors dan state dimiliki oleh obyek. Keadaan dari suatu obyek
bergantung pada kegiatan dan keadaan yang berlaku pada saat itu. Diagram ini
menunjukan kemungkinan dari keadaan obyek dan proses yang menyebabkan
perubahan pada keadaannya.

2.11.7 Diagram Activity

Diagram Activity berfokus pada aktifitas yang terjadi yang terkait dalam
suatu proses tunggal. Diagram ini menunjukkan bagaimana aktifitas-aktifitas
tersebut bergantung satu sama lain.

2.11.8 Diagram Component dan Deployment

Component adalah sebuah code module (kode-kode module). Yang

merupakan fisik sebenarnya dari diagram Class. Diagram Deployment
menerangkan bahwa konfigurasi fisik software dan hardware.

18
 BAB III

METODOLOGI PENELITIAN

Metode penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur

yang digunakan untuk menyusun penelitian ini. Ada beberapa tahap yang
dilakukan yaitu sebagai berikut:

19
3.1 Tempat dan Waktu Penelitian
1. Tempat
Objek penelitian adalah Citra foto udara dengan jumlah tidak kurang dari
100 buah yang terdiri dari citra Landsat dan citra aerialphoto. Untuk
menyerdehanakan algoritma dan mengurangi kompleksitas proses segmentasi
dan deteksi, maka dilakukan langkah pre- processing yang mengubah formata
erialphotography dan Landsat menjadi citra dengan format JPEG. Alasan
penelitian akan dikerjakan dengan menggunakan citra JPEG adalah karena
pertimbangan standard, storage, dan kesederhanaan proses.

2. Waktu
Dalam melaksanakan tahapan penelitian, peneliti merencakan waktu
penelitian dari bulan maret 2019 sampai juli 2019.

3.2 Alat dan Bahan Penelitian

3.2.1 Alat Penelitian

Penelitian ini menggunakan perangkat keras (hardware) dan perangkat lunak

(software) sebagai berikut:

1. Perangkat Keras (Hardware)

 Laptop Samsung RV511
 Processor : Intel® CORE ™ i3
 CPU M380 @2.53 GHz (4 CPUs) ~ 2,5 GHz
 RAM : 3072 MB
 Kapasitas Hardisk 500 GB

2. Perangkat Lunak (Software)

 Sistem Operasi Windows 7

 Aplikasi Matlab R2014
 Aplikasi Google Earth

3. Data

20
 Data yang digunakan dalam penelitian ini adalah data citra satelit yang
didapatkan dari aplikasi Google Earth pada citra Kabupaten Pringsewu, Lampung.

3.2.2 Bahan Penelitian

Bahan penelitian yang digunakan oleh penulis adalah data citra satelit yang
didapatkan dari aplikasi Google Earth Pro pada citra Kabupaten Pringsewu
Lampung - Indonesia.

3.3 Teknik Pengambilan Data

Didalam penelitian ini peneliti menggunakan beberapa metode yang akan
digunakan untuk melakukan penelitian yang berkaitan dengan pengumpulan data.
Berikut adalah beberapa metode yang digunakan;

1. Studi Lapangan (Field Research)

Studi lapangan merupakan metode pengumpulan data untuk memperoleh data
dan informasi dengan mencari dan mengambil data dari aplikasi Google Earth
Pro.

2. Tinjauan Pustaka (Research Library)

Tinjauan pustaka dilakukan dengan cara membaca, mengutip dan membuat
catatan yang bersumber pada bahan - bahan pustaka yang mendukung dan
berkaitan dengan penelitian dalam hal ini mengenai sistem Content Based
Image Retrieval (CBIR).

3.4 Penentuan / Identifikasi Individu Vegetasi

Content Based Image Retrieval (CBIR) (Wanvy Arifha Saputra, Agus Zainal
Arifin., 2017) adalah aplikasi yang digunakan untuk pengambilan query image
dari sebuah arsip gambar yang besar. Dengan semakin bertambahnya koleksi
multimedia, perkembangan alat untuk melakukan pencarian informasi semakin
dibutuhkan. Pada zaman sekarang ini, telah banyak terdapat mesin pencari gambar

21
yang menggunakan teks, hanya saja mesin pencari gambar yang menggunakan
intensitas dan warna dari gambar masih sulit ditemukan. Fitur dari gambar digital
seperti fitur bentuk, warna, dan tekstur dapat digunakan sebagai kunci indeks
untuk melakukan pencarian dan pengambilan gambar dari suatu database yang
besar. Dalam penelitian yang telah dilakukan diharapkan hanya terdapat
perbedaan halus dalam pengambilan gambar yang dilakukan oleh pengguna
dengan menggunakan teks dan gambar. Mengingat bahwa pengambilan gambar
dengan menggunakan teks dapat berhasil mengambil dokumen tanpa memahami
isi, biasanya tidak mudah bagi pengguna untuk memberikan gambaran tentang apa
yang sedang dicari dengan menggunakan teks (Chaudari, R., & Patil, A. M.,
2012).

Contoh penerapan CBIR dalam kehidupan sehari-hari adalah pada bidang

medis. Penggunaan CBIR dalam bidang medis pada umumnya diimplementasikan
dengan menggabungkan database pusat dengan arsitektur sistem distribusi yang
cocok untuk database gambar besar seperti dalam pengarsipan gambar dan sistem
komunikasi (Lehmann, T. M., Et Al., 2004). Dalam penerapan CBIR untuk fitur
warna dan bentuk digunakan metode Color retrieval untuk pencarian gambar
berdasarkan fitur warnanya yang dilakukan berdasarkan nilai hue dan untuk fitur
bentuk dari warnanya digunakan metode Shape retrieval yang dilakukan
berdasarkan nilai grayscale suatu gambar dan dengan menggunakan teknik
clustering k-means.

CBIR (Content Based Image Retrieval) adalah sebuah metode pencarian

citra dengan melakukan perbandingan antara citra query dengan citra yang ada di
database berdasarkan informasi yang ada pada citra tersebut (Query by Example).
Metode CBIR yang sering digunakan adalah pencarian berdasarkan kemiripan
warna, bentuk, dan tekstur. CBIR juga dapat diartikan sebagai teknik untuk
mencari gambar yang berhubungan dan mempunyai karakteristik dari suatu
kumpulan gambar.

22
 Query Image
Image Collection

Feature Feature
Extraction Extraction

Query Similarity
Image Feature Matching Feature Database

Retrieved
Images

Gambar 3.1 Diagram Arsitektur CBIR (Content Based Image Retrieval)

Sistem CBIR secara umum dibangun dengan melihat karakteristik dari suatu
gambar atau dengan kata lain dengan melihat ciri dari gambar tersebut. Ciri
merupakan suatu tanda yang khas, yang membedakan antara satu gambar dengan
gambar yang lain. Pada dasarnya suatu gambar memiliki ciri - ciri dasar yaitu:
Warna, Bentuk, Tekstur.

23
 Gambaran umum CBIR adalah sebagai berikut:

 User terlebih dahulu memasukkan formasi query yang berupa gambar

 Kemudian query tersebut di ekstraksi

 Sehingga menghasilkan vektor ciri (ciri khusus suatu gambar), begitu pula
data-data gambar yang tersimpan dalam database akan mengalami struktur
yang sama seperti formasi query sehingga ditemukan vektor ciri

 Kemudian akan dibandingkan satu sama lain untuk mencari kesamaannya

 Setelah proses pembandingan tersebut, maka akan terpilih beberapa gambar

yang memiliki nilai-nilai vektor yang sama atau hampir sama

 Kemudian dilakukan indexing dan retrieval data yang telah terpilih tadi

 Sehingga ditemukan urutan gambar yang (dalam database) yang memiliki

kesamaan dengan formasi gambar (sesuai keinginan user).

Flowchart CBIR (Content Based Image Retrieval) yang diusulkan dalam

penelitian ini adalah sebagai berikut :

24
 Gambar 3.2 Flowchart CBIR (Content Based Image Retrieval)

Sistem CBIR pada penelitian ini menggunakan beberapa tahapan proses

yaitu, citra RGB, RGB to Grayscale, Median Filter, Image Adjusment, Feature
Ekstraction, Similarity Measure. Kata star menandakan citra pertama masuk pada
sistem.

3.4.1 Citra RGB

Citra RGB disebut juga citra truecolor. Citra RGB merupakan citra digital
yang mengandung matriks data berukuran m x n x 3 yang merepresentasikan
warna merah, hijau, dan biru untuk setiap pikselnya. Setiap warna dasar diberi
rentang nilai. Untuk monitor komputer, nilai rentang paling kecil 0 dan paling
besar 255. Pemilihan skala 256 ini didasarkan pada cara mengungkap 8 digit

25
bilangan biner yang digunakan oleh komputer. Sehingga total warna yang dapat
diperoleh adalah lebih dari 16 juta warna. Warna dari tiap pixel ditentukan oleh
kombinasi dari intensitas merah, hijau, dan biru. Kelebihan format .JPEG antara
lain adalah :

a. Format JPEG juga mampu memberikan warna dengan kedalaman 24 Bits atau
setara dengan 16 juta warna

b. Format JPEG mampu mengkompres objek dengan tingkat kualitas sesuai

dengan pilihan yang disediakan.

c. Format JPEG berukuran relatif lebih kecil dibandingkan dengan format file
lainnya.

d. Hampir semua kamera digital menggunakan format JPEG

3.4.2 RGB to Grayscale

Segmentasi Region Growing proses pertama yang dilakukan adalah

mekonversi citra RGB ke dalam citra grayscale . Pada proses ini, pertama-tama,
citra inputan (citra RGB) akan dikonversi ke dalam citra gray, citra gray sendiri
merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pixelnya,
dengan kata lain nilai bagian RED=GREEN=BLUE. Image .JPG yang digunakan
sebagai inputan adalah image yang mempunyai warna RGB, sehingga harus
dirubah menjadi citra abu-abu atau disebut juga citra grayscale. Untuk mjengubah
citra berwarna yang mempunyai nilai matrik masing-masing r, g dan b menjadi
citra grayscale dengan nilai s, maka konversi dapat dilakukan dengan mengambil
rata-rata dari nilai r, g dan b.
Gambar 3.3 Citra Satelit RGB (Kecamatan Adiluwih)

26
 Gambar 3.4 Citra Satelit Setelah di Grayscale (Kecamatan
Adiluwih)

3.4.3 Image Enhancement

Peningkatan mutu citra dilakukan untuk mengoreksi citra dari segala

gangguan yang terjadi pada saat pencapturan image. Peningkatan mutu citra
dilakukan sampai dengan citra siap dianalisis. Proses yang dilakukan pertama
adalah konversi. Dalam penelitian ini konversi yang dilakukan adalah RGB to
Grayscale. Proses yang kedua adalah filterisasi. Filterisasi digunakan untuk
menghilangkan derau yang terkandung dalam citra. Filterisasi dilakukan dengan
filter median, yaitu filter untuk menghilangkan derau salt-and-pepper. Proses
yang ketiga adalah pengaturan intensitas citra (adjustment) untuk meningkatkan
kecerahan dari semua citra yang akan diolah. Pengaturan intensitas citra dengan
Image Adjustment.

27
Gambar 3.5 Citra Satelit Setelah di Berikan Median Filter
(Kecamatan Adiluwih) `

28
 Gambar 3.6 Citra satelit setelah di berikan Peningkatan Pada
Kontrast (Kecamatan Adiluwih)

3.4.4 Feature Ekstraction

Pada tahap ini, gambar akan melalui proses ekstraksi dengan pendekatan
ekstraksi tunggal atau ganda. Ekstraksi fitur tunggal yang digunakan adalah HSV
dan GLCM. Ekstraksi fitur kombinasi adalah kombinasi ekstraksi fitur HSV +
GLCM.

3.4.5 Similarity Measure

Pada tahap ini, gambar akan melalui proses pengukuran tingkat kesamaan
gambar. Proses ini bertujuan untuk mendapatkan nilai gambar yang mirip dengan
gambar uji.

Kata finish menandakan bahwa citra telah seesai di proses.

3.5 Perhitungan Pecision Recall

29
 Rumus penilaian precision yang digunakan dalam penelitian ini adalah :

Jumlah Dokumen Relevan yang Terambil

Precision(P)= x 100
Jumlah Dokumen terambil dalam Pencarian

Sedangkan nilai relatif recall dihitung dengan rumus :

Jumlah Dokumen Relevan yang Terambil

Recall(R)= x 100
Jumlah Dokumen Relevandalam Database

Rumuskan matriks terkenal sebagai ukuran recall-precision menurut

Lancaster (1991) dalam Pendit (2008:258):

Tabel 3.1 Matriks Recall and precision Lancaster

Dokumen Relevan Tidak Relevan Total

Ditemukan a (hist) b (noise) a+b
Tidak Ditemukan c (misses) d (rejected) c+d
Total a+b c+d a+b+c+d

Berdasarkan tabel tersebut, rumus recall – precision pun menjadi:

Recall = [a / (a+c)] x 100

Precision = [a/ (a+b)] x 100

Lewat rumus ini dapat dibayangkan sistem harus meningkatkan nilai recall
dengan memperbesar nilai a (hits) di rumus di atas. Nilai a yang besar dapat
terjadi jika jumlah dokumen yang diberikan oleh sebuah sistem dalam sebuah
pencarian juga besar. Semakin besar jumlah dokumen yang diberikan, maka
semakin besar kemungkinan nilai a. Tetapi pada saat yang sama, muncul
kemungkinan bahwa nilai b (jumlah dokumen yang relevan) juga semakin besar.
Ini artinya, nilai pricision-nya semakin kecil, dalam berbagai penelitian
ditemukan kenyataan bahwa nilai recall dan precison ini cenderung berlawanan
alias berbanding terbalik. Jika recall tinggi, besar kemungkinannya precision
rendah. (Pendit 2008).

30
 Dari rumus diatas dapat disimpulkan bahwa penelitian ini memiliki nilai
84,6153%, yang diperoleh dari perhitugan :

21
¿ x 100
25

¿ 84,0

3.6 Perancangan Antar Muka (Interface)

Perancangan antar muka merupakan penggambaran tampilan sebuah sistem

yang akan digunakan secara langsung oleh pengguna. Perancangan antar muka dari
Segmentasi Citra Landsat Untuk Monitoring Kualitas Permukaan Daratan
Menggunakan Sistem CBIR (Content Based Image Retrieval) adalah sebagai
berikut:

Gambar 3.7 Perancangan Tampilan Menu Utama

31
Ada beberapa tujuan mengapa perancangan antarmuka (interface) ini dibuat,
diantaranya adalah:

1. Menyesuaikan antarmuka dengan tugas.

2. Antarmuka pengguna menjadi efisien.
3. Memberikan arus balik / jawaban yang jelas kepada pengguna.
4. Memberikan informasi dan pengetahuan kepada pengguna.

32
 BAB IV

PEMBAHASAN

4.1 Pengolahan Data

Sebelum melakukan proses prediksi terhadap citra Satelit, terlebih dahulu

dilakukan pengumpulan data. Data yang akan diolah dalam pembahasan ini adalah
data Citra satelit yang diperoleh dari aplikasi google earth dimana pada aplikasi
google earth terdapat fasilitas citra histori yang memungkinkan kita untuk melihat
data citra satelit pada tempat yang sama namun dengan tahun yang berbeda.
Berikut adalah contoh data citra satelit yang diperoleh dari hasil citra satelit pada
aplikasi google earth:

Gambar 4.1 Citra Satelit Yang Diperoleh Dari Aplikasi Google Earth

(Kecamatan Pringsewu)

Pada gambar diatas adalah citra pada lokasi kabupaten pringsewu yang
diambil dari ketinggian 800m dan ini adalah citra pada tahun 2019 dimana citra
tampak jernih dan tidak tertutup awan sedangkan terdapat juga citra dengan

33
kualitas yang kurang baik pada seperti pada gambar di bawah ini yang merupakan
citra kabupaten pringsewu pada tahun 2016.

Gam
bar 4.2 Citra Satelit Yang Tertutup Awan

4.2 Segmentasi Citra Landsat Menggunakan Content Based Image

Retrieval (CBIR)

Citra permukaan daratan akan di segmentasi menggunakan metode Content

Based Image Retrieval (CBIR), sehingga diperoleh hasil segmentasi seperti tabel
berikut :

Tabel 4.1 Tabel Segmentasi Content Based Image Retrieval (CBIR)

No Citra Keterangan
1 Adiluwih 2015
(Tidak Sesuai)

34
2 Adiluwih 2017
(Sesuai)

3 Adiluwih 2018
(Sesuai)

4 Ambarawa 2014
(Sesuai)

5 Ambarawa 2015
(Tidak Sesuai)

6 Ambarawa 2016
(Sesuai)

35
7 Ambarawa 2018
(Sesuai)

8 Ambarawa 2019
(Sesuai)

9 Banyumas 2014
(Sesuai)

10 Gadingrejo 2014
(Sesuai Sesuai)

11 Gadingrejo 2016
(Sesuai)

12 Gadingrejo 2017
(Sesuai)

36
13 Gadingrejo 2018
(Sesuai)

14 Gadingrejo 2019
(Sesuai)

15 Pardasuka 2016
(Tidak Sesuai)

16 Pringsewu 2014
(Sesuai)

17 Pringsewu 2015
(Tidak Sesuai)

18 Pringsewu 2016
(Sesuai)

37
19 Pringsewu 2017
(Sesuai)

20 Pringsewu 2018
(Sesuai)

21 Pringsewu 2019
(Sesuai)

22 Sukoharjo 2014
(Sesuai)

23 Sukoharjo 2015
(Sesuai)

24 Sukoharjo 2016
(Sesuai)

38
 25 Sukoharjo 2018
(Tidak Sesuai)

Berikut adalah interface dalam program CBIR :

Gambar 4.3 Interface Program CBIR

Dalam tampilan utama pada program, terdapat beberapa menu, yaitu Query
by sample, num of image returned, operations, dan returned image.

1. Query By Sample

Dalam menu Query By Sample ini terdapat 2 perintah, yaitu :

a. Bowse For Image

Bowse For Image berfungsi untuk mencari citra yang akan kita proses

39
 menggunakan metode Content Based Image Retrieval (CBIR).

b. Similarity Matrix

Dalam menu Similarity Matrix ini terdapat 2 pilihan, yaitu L1 dan L2.

Gambar 4.4 Menu Query By Sample

2. Num of Image Returned

Ada 3 perintah dalam menu ini, yaitu :

a. Num of Image Returned, yaitu untuk mengetahui jumlah citra yang akan di
query sesuai dengan dataset.

b. Query, berfungsi untuk mencari citra.

Gambar 4.5 Menu Num of Image Returned

3. Operations

Dalam menu Operstions ini terdapat 3 pilihan perintah, yaitu :

a. Select image directory for processing, yaitu pemilihan folder yang akan
digunakan untuk penyimpanan citra untuk dataset.

b. Load Dataset, yaitu untuk mencari dan memilih dataset yang akan

40
 digunakan untuk proses Content Based Image Retrieval (CBIR).

c. Creat Database Of Image Features, berfungsi untuk membuat dataset.

Gambar 4.6 Menu Operations

4. Returned Image, berfungsi untuk menampilkan hasil dari segmentasi citra,

hasilnya bisa dilihat seperti yang ditampilkan pada tabel 4.1.

Gambar 4.7 Menu Returned Image

41
 BAB V

KESIMPULAN DAN SARAN

Pada bab ini dijelaskan mengenai kesimpulan yang didapat dari

pengerjaan tesis ini, beserta saran-saran yang perlu diperhatikan untuk
pengembangan selanjutnya.

5.1 Kesimpulan

Berdasarkan penelitian yang dilakukan , dapat diperoleh

kesimpulan bahwa :

1. Metode Content Based Image Retrieval (CBIR) dapat digunakan untuk

mendeteksi perubahan permukaan daratan dan terlihat perbedaan permukaan
daratan dari 5 tahun yang lalu (tahun 2014) sampai dengan tahun sekarang
(tahun 2019).

42
2. Metode Content Based Image Retrieval (CBIR) dapat digunakan untuk
memprediksi perubahan permukaan daratan dalam waktu 2 tahun kedepan
(dari 2019 sampai dengan 2021).

3. Data yang dicari dapat ditemukan dengan baik menggunakan Query Content
Based Image Retrieval (CBIR).

4. Tingkat akurasi dari segmentasi citra landsat menggunakan metode Content

Based Image Retrieval (CBIR) ini dinili baik karena menghasilkan nilai
sebesar 84,6153%.

5.2 Saran

Peneliti memiliki keterbatasan dalam melakukan penelitian ini sehingga

peneliti memiliki saran untuk penelitian selanjutnya. Adapun saran yang
disampaikan kepada penulis adalah:

1. Penelitian ini diharapkan dapat dijadikan sebagai salah satu referensi bagi
peneliti yang akan membahas tentang perubahan permukaan daratan.

2. Dalam penelitian ini hanya membahas perubahan daratan menggunakan

metode CBIR, sehingga dapat dikembangkan lagi oleh peneliti selanjutnya
dengan metode-metode yang lainnya guna mendapatkan hasil yang lebih baik.

43
 DAFTAR PUSTAKA

Belongie, S., and J. Malik. Shape Matching and and Object Recognition Using
Shape Contexts. 2002. IEEE Transaction on Pattern Analysis and Machine
Intelligent, Vol.24, No.24. pp. 509-522

byung-Joo Oh. 2005. Face Recognition using Radial Basis Function Network
based onLDA. World Academy of Science, Engineering and Technology 7
,pp.255-259

Chen, H., Y. Xu, H. Shum, S-C. Zhu, and N. Zheng. 2001.Example-based facial
sketch generation with non-parametric sampling. In Proc. of ICCV.

Delac, K., Mislav Grgic, and Sonja Grgic. 2009. Face recognition in
JPEG and JPEG2000 compressed domain Source Image and Vision
Computing ,Volume 27 , No.8, Pp: 1108-1120 : 2009 ISSN:0262-8856

44
El-Bakry, H., M., and Qiangfu Zhao.2005. Fast Object/Face Detection Using
Neural Networks and Fast Fourier Transform. International Journal of Signal
Processing, Vol.1, No..4, pp. 182-188

Elisa Back, Danielle Ropar, and Peter Mitchell.2007. Do the Eyes Have It?
Inferring Mental States From Animated Faces in Autism. Journal of Child
Development, March/April 2007, Volume 78, Number 2, Pages 397 – 411

Gregory Shakhnarovich dan Baback Moghaddam.2004. Face Recognition in

Subspaces.Handbook of Face Recognition. Springer-Verlag, 2004.

Irianto, Y. Suhendro. 2008. Image Retrieval In The Compressed Domain:

Integration of low level features, image keywords and descriptions, segmentation
techniques and image ontology for image retrieval in the compressed domain,
Ph.D Thesis, School of Informatics, University of Bradford, United Kingdom.

Marcialis, G., L., and F. Roli, Fusion of appearance-based face recognition

algorithms,Pattern Analysis & Applications, V.7. No. 2, Springer-Verlag London
(2004) 151-163

Muhammad Mirza, Tjokorda Agung Budi W, Siti Sa’adah. 2015. Analisis dan
Implementasi Contet Based Image Retrieval Menggunakan Metode ORB. e-
Proceeding of Engineering : Vol.2, No.1 April 2015. ISSN : 2355-9365

Alfonsus Stefan Arwanda, Nazori Agani. 2013. Content Based Image Retrieval
Batik Tradisional Yogyakarta Menggunakan Ekstrasi Ciri Berdasarkan Tekstur
Filter Gabor Wavelets 2D. Jurnal TICOM Vol.1 No.3 Mei. ISSN 2302 ‐ 3252

Agung Satrio Buwono. 2014. Content Based Image Retrieval Citra Sidik Jari
Menggunakan Metode Wavelet Daubechies Dan Diagram NOHIS-Tree. Jurusan
Teknik Informatika Fakultas Sains Dan Teknologi Universitas Islam Negeri
(UIN) Maulana Malik Ibrahim Malang

Duman Care Khrisne, Mohamad David Yusanto. 2015. Content-Based Image

45
Retrieval Menggunakan Metode Block Truncation Algorithm dan Grid
Partitioning. Jurnal S@CIES Volume 5, Nomor 2, April 2015

Ni G.A.P Harry Saptarini, Rocky Yefrenes Dillak. 2012. Content Based Image
Retrieval Menggunakan Moment Invariant, Tekstur Dan Backpropagation.
Seminar Nasional Informatika 2012 (semnasIF 2012). UPN ”Veteran”
Yogyakarta, 30 Juni 2012. ISSN: 1979-2328

Rezki Oksaputri, Ernawati, Desi Andreswari. 2018. Implementasi Content Based

Image Retrieval (Cbir) Pada Citra Batik Besurek Yang Tidak Utuh Menggunakan
Metode Speeded Up Robust Features (Surf) Dan Fast Library Approximated
Nearest Neighbor (Flann). Jurnal Pseudocode, Volume V Nomor 2, September
2018. ISSN 2355-5920

Baldri, Septia Rani, Izzati Muhimmah. 2018. Purwarupa Sistem Content Based
Image Retrieval untuk Pencarian Produk Sepatu. Jurusan Informatika Fakultas
Teknologi Industri Universitas Islam Indonesia Yogyakarta

Rahmad Hidayat, Agus Harjoko, Anny Kartika Sari. 2012. Content Based Image
Retrieval (Cbir) Berdasarkan Fitur Low Level : Literature Review. Seminar
Nasional Teknologi Informasi dan Komunikasi 2012 (SENTIKA 2012)

46
47