JUDUL
B. LATAR BELAKANG
Hal ini dapat dilihat dengan banyaknya bidang dalam kehidupan manusia yang
memanfaatkan kemajuan digital ini sebagai salah satu peluang dalam mencapai
meningkat.
pengelolaan data berbentuk citra menjadi hal tidak bisa diremehkan begitu saja.
Jumlah data yang bertambah setiap harinya menyebabkan masalah dalam proses
pencarian melalui teks untuk me-retrieve citra, dimana citra yang berada dalam
database diberi anotasi terlebih dahulu. Hal ini menyebabkan kendala pada
penemuan kembali citra karena pemberian anotasi teks pada citra lebih bersifat
subyektif, terkadang anotasinya tidak akurat, tidak lengkap, dan juga memakan
banyak waktu dalam proses pemberian anotasi pada database citra yang
berukuran besar. Untuk mengatasi masalah tersebut maka muncul suatu metode
1
untuk mendukung query visual. Secara prinsip, cara kerja CBIR berbeda dengan
membandingkan citra query dan citra dalam database dengan cara mengekstrak
Untuk dapat menemukan kembali citra berbasis konten dalam hal ini konten
tekstur, citra yang berada dalam database dan citra yang akan menjadi citra query
harus melalui proses ekstraksi fitur untuk mendapatkan nilai vektor fiturnya. Fitur
visual dari citra dapat diekstraksi dengan berbagai metode. Salah satu metode
yang bisa digunakan untuk analisis tekstur adalah metode ekstraksi ciri statistik
orde pertama, yang merupakan metode pengambilan ciri yang didasarkan pada
penyebaran nilai-nilai intensitas pixel dari suatu citra. Dari sebuah histogram,
dapat diketahui frekuensi kemunculan nilai derajat keabuan pada citra, tingkat
Penelitian sebelumnya yang terkait dengan sistem temu balik citra berdasarkan
tekstur pernah dilakukan oleh Suciati (2014) dengan judul penelitian “Ekstraksi
Fitur Berbasis Wavelet Pada Sistem Temu Kembali Citra Tekstur”. Penelitian ini
akan mengimplementasikan suatu sistem temu balik citra dengan ekstraksi fitur
entropi dan smoothness dari citra. Selanjutnya kemiripan antara kedua citra
2
C. RUMUSAN MASALAH
tergantung pemberi anotasinya, tidak lengkap dan juga memakan banyak waktu
D. BATASAN MASALAH
2. Fungsi hitung kemiripan antara citra query dan citra database dihitung
3. Data citra yang digunakan dalam penelitian ini adalah citra kain.
Tujuan dari penelitian ini adalah untuk membuat sebuah sistem temu balik
sistem ini dapat menerima query berupa citra dan menghitung kemiripan
berdasarkan konten visual citra, sehingga kelemahan yang ada pada penemuan
F. TINJAUAN PUSTAKA
3
penelitian ini, proses ekstraksi fitur warna dilakukan berbasis histogram.
Hasil percobaan pada program yang dibuat menunjukan bahwa citra yang
memiliki kemiripan distribusi warna masuk dalam ranking atas dan citra
yang sama persis masuk di ranking satu dengan selisih jarak sama dengan
nol.
temu kembali citra cukup efektif, terbukti dengan didapatkan nilai rata-rata
persepsi kemiripan total dari tiga responden yaitu sebesar 66.35% baik
untuk citra query berformat .jpg maupun citra query berformat .bmp.
ekstraksi ciri tekstur menggunakan metode ekstraksi ciri statik orde dua
penelitian ini adalah pada temu kembali citra berbasis tekstur, tidak
dengan citra query. Selain itu, ukuran dan jumlah citra sangat berpengaruh
penelitian “Ekstraksi fitur berbasis wavelet pada sistem temu kembali citra
4
tekstur”, memberikan sebuah hasil penelitian bahwa tidak ada kaitan
sistem temu kembali citra, dan kombinasi antara vektor fitur berbasis
kemiripan tekstur kulit mentimun antara yang matang dengan yang belum
mentimun matang dari segi ciri tekstur kulit buah. Dari hasil uji coba
pengolahan citra ini sebesar 75%. Dan dari lima parameter ekstraksi ciri
(𝜎2) adalah parameter yang paling berpengaruh dalam penentuan ciri citra
5
untuk analisis citra berdasarkan tekstur adalah dengan menggunakan
Canberra.
6
Tabel 1 Perbandingan terhadap penelitian sebelumnya (lanjutan)
7
2. Pengertian Aplikasi
suatu objek atau beberapa objek (Kadir, 2013). Citra juga dapat
koordinat (x,y) disebut intensitas atau level keabuan (gray level) dari
daerah yang cukup besar sehingga secara alami, sifat-sifat tadi dapat
pola tertentu yang terbentuk dari susunan piksel-piksel dalam citra digital.
8
Syarat pertama berarti setiap tekstur harus mempunyai elemen
terdiri dari sebuah piksel. Syarat kedua mempunyai arti harus ada
memiliki kelemahan yaitu jika koleksi citra memiliki jumlah yang sangat
besar, maka menjadi tidak efisien karena proses dilakukan secara manual
(Kadir, 2013).
9
Prapemrosesan
Citra Masukan
dan Segmentasi
Database
Database
Citra
Ekstraksi Fitur
Perhitungan
Jarak Fitur
Pengurutan
Jarak
Pemilihan n
Citra Hasil
Selanjutnya, ketika suatu citra dijadikan sebagai bahan query, fitur akan
setiap nilai intensitas yang muncul di seluruh piksel citra (Kadir, 2013).
10
Pengertian lain dari histogram citra adalah grafik yang menggambarkan
penyebaran nilai-nilai intensitas pixel dari suatu citra atau bagian tertentu
L−1
m=∑ i . p(i) … … … .… … … … … … ….. … … … .. … … … … … . … … …(1)
i=0
keabuan tertinggi.
L−1
σ= √∑
i=0
(i−m)2 p ( i ) … … … … … … … … … … … …. … … … . … … … …(2)
kekontrasan.
11
L−1
3
skewness=∑ ( i−m ) p ( i ) … … … … … … … … … … … … … … … … …(3)
i=1
L−1
Energi= ∑ ¿¿
i=1
Citra yang seragam dengan satu nilai aras keabuan akan memiliki
nilai energi yang maksimum, yaitu 1. Citra dengan sedikit aras keabuan
akan memiliki energi yang lebih tinggi daripada yang memiliki banyak
L−1
Entropi=−∑ p(i) . log 2 ( p(i)) … … … … … … … … … … … … … … … …(5)
i =1
12
Properti kehalusan atau smoothness biasa disertakan untuk
1
R=1− … … … … … … … … … … … … … … … … … … … … … … … …(6)
1+ σ 2
1 1 1 1 1 1 1 1 1 1
0 0 0 0 0 0 0 0 0 0
2 3 1 2 3 1 1 3 3 3
4 4 4 4 4 5 5 5 5 5
1 1 1 1 1 1 1 1 1 1
0 0 0 0 0 0 0 0 0 0
2 3 1 1 1 1 1 1 4 4
5 1 1 1 1 1 1 1 1 3
7 0 1 1 1 1 1 7 7 0
2 3 1 1 1 1 1 1 5 6
13
0 22
1 48
2 4
3 8
4 7
5 7
6 1
7 3
Histogram
60
F
50
r
e 40
k 30
u
20
e
10
n
s 0
i 0 1 2 3 4 5 6 7
14
6 1 0.01
7 3 0.03
m=¿
m=¿ 1.7
15
i p(i) M (i-m)3 (i-m)3 * p(i)
0 0.22 1.7 -4.913 -1.08086
1 0.48 1.7 -0.343 -0.16464
2 0.04 1.7 0.027 0.00108
3 0.08 1.7 2.197 0.17576
4 0.07 1.7 12.167 0.85169
5 0.07 1.7 35.937 2.51559
6 0.01 1.7 79.507 0.79507
7 0.03 1.7 148.877 4.46631
SKEWNESS 7.56
I p(i) p(i)2
0 0.22 0.0484
1 0.48 0.2304
2 0.04 0.0016
3 0.08 0.0064
4 0.07 0.0049
5 0.07 0.0049
6 0.01 0.0001
7 0.03 0.0009
ENERGI 0.2976
16
1
R=1− =0.03506198
1+ 0.036336
vektor fitur. Tingkat kesamaan dinyatakan dengan suatu skor atau ranking.
N
|v 1 ( k )−v 2 ( k )|
j ( v 1 , v 2 ) =∑ … … … … … … … … … … … … … … …(7)¿
k=1 ¿ v 1 ( k )+ v 2 (k )∨¿
Dalam hal ini, v1 dan v2 adalah dua vektor yang jaraknya akan
berupa:
Jarak =
¿ 4−2∨ ¿ ¿
¿ 4+2∨¿+¿ 3−3∨ ¿ ¿¿
¿ 3+3∨¿+¿ 6−7∨ ¿ ¿¿
2 0 1
¿ 6+7∨¿= + + =0,4103 ¿
6 6 13
17
G. METODOLOGI PENELITIAN
penelitian agar hasil yang dicapai tidak menyimpang dari tujuan yang telah
ditetapkan sebelumnya.
1. Pengumpulan data
citra, metode perhitungan jarak antar dua citra dalam hal ini perhitungan
Software Development Life Cycle (SDLC). SDLC atau yang sering disebut
18
pendekatan alur hidup perangkat lunak secara sekuensial atau terurut
Sistem/
Rekayasa
Informasi
1. Analisis
menggunakan histogram.
19
bentuk citra, dan menampilkan kembali citra dari dalam
menjadi dua proses yaitu proses penyimpanan citra dan proses temu
kembali citra.
1. Penyimpanan citra
citra.
20
b. Citra query dikonversikan menjadi citra grayscale.
citra query. Dalam proses ini akan dihitung nilai dari fitur
jarak Canberra.
3. Desain
4. Pengkodean
Hasil dari tahap ini adalah program komputer sesuai dengan desain
21
yang telah dibuat pada tahap desain. Bahasa pemrograman yang
menggunakan Matlab.
5. Pengujian
Hasil yang diharapkan dari penelitian ini adalah sistem temu balik citra
dapat menampilkan kembali citra yang mempunyai kemiripan dengan citra query.
22
I. JADWAL PELAKSANAAN
I II III IV V VI
Perencanaan:
Studi literatur
Analisis
Desain sistem
Pengkodean
Pengujian
DAFTAR PUSTAKA
23
Aziz, F., 2013, Sistem Temu Kembali Citra Kain Berbasis Tekstur Dan Warna,
Tugas Akhir, Unpublished, Universitas Islam Negeri Sultan Syarif
Kasim Riau Pekanbaru.
Darma, P., 2010, “Pengolahan Citra Digital”, Yogyakarta, ANDI.
Hermawati, F. A., 2013 “Pengolahan Citra Digital Konsep Dan Teori”,
Yogyakarta, Andi
Kadir, A., 2013, “Dasar Pengolahan Citra Dengan Delphi”, Yogyakarta, ANDI.
Karmilasari, Agus Sumarna, “Temu Kenali Citra Berbasis Konten Warna”,
Seminar Nasional Aplikasi Teknologi Informasi (SNATI), 2011.
Mukti, A.S., Sarwoko, E.A., Noranita, B.,”Sistem Temu Kembali Citra Berbasis
Warna Menggunakan Transformasi Wavelet Haar Dan Histogram
Warna”, Journal Of Informatics And Technology Vol 2, No 3, Tahun
2013, Universitas Diponegoro.
Overbeek, M.V., Kaesmetan, Y.R., “Ekstraksi Teksur Benih Jagung Lokal Pulau
Timor Dengan Gray Level Co-Occurrence Matrix (GLCM)”,
Prosiding SEMMAU 2015, Stikom Uyelindo Kupang.
Permadi, Y., Murinto, “Aplikasi Pengolahan Citra Untuk Identifikasi
Kematangan Mentimun Berdasarkan Tekstur Kulit Buah
Menggunakan Metode Ekstraksi Ciri Statistik”, Jurnal Informatika
2015, Universitas Ahmad Dahlan.
Prasetyo, E.,2011,”Pengolahan Citra Digital Dan Aplikasinya Menggunakan
Matlab”, Yogyakarta, Andi.
Rosa, Shalahiddin, M., 2015, ”Rekayasa Perangkat Lunak Terstuktur Dan
Berorientasi Objek”, Bandung, Informatika
Suciati, N.,”Ekstraksi Fitur Berbasis Wavelet Pada Sistem Temu Kembali Citra
Tekstur”, 2014, Institut Teknologi Sepuluh Nopember.
24