TEMU KEMBALI CITRA DENGAN WEIGHTED STANDARD DEVIATION (WSD) DESCRIPTOR
YUYUN SARIMA ULFA HARAHAP
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2007
TEMU KEMBALI CITRA DENGAN WEIGHTED STANDARD DEVIATION (WSD) DESCRIPTOR
YUYUN SARIMA ULFA HARAHAP
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2007
ABSTRAK
YUYUN SARIMA ULFA HARAHAP. Temu Kembali Citra dengan Weighted Standard Deviation (WSD) Descriptor. Dibimbing oleh JULIO ADISANTOSO dan FIRMAN ARDIANSYAH. Berbagai metode dikembangkan untuk menghasilkan suatu sistem temu kembali citra yang efektif dan efisien. Salah satu metode yang populer adalah dengan menggunakan wavelet untuk mengekstrak citra. Dalam penelitian ini, Haar wavelet digunakan untuk mengekstrak citra menjadi suatu feature vector. Sebelum diekstrak, citra dengan ruang warna RGB terlebih dahulu dikonversi ke dalam bentuk ruang warna YCrCb. Hasil dari pengekstraksian berupa vektor berdimensi 33. Evaluasi hasil temu kembali menggunakan rataan precision untuk tiap tingkat recall. Digunakan sepuluh buah input kueri citra untuk pengujian sistem. Pada perhitungan nilai recall-precision, nilai ambang batas yang diambil adalah 75, 150, dan 225. Pada nilai ambang 75, citra relevan yang terambil berkisar 50% dari seluruh citra relevan dalam basis data. Pada nilai ambang 150, citra relevan yang terambil berkisar 68% dari seluruh citra relevan dalam basis data. Di lain pihak, citra relevan yang terambil berkisar 85% pada nilai ambang batas 225. Kata Kunci: image retrieval, wavelet, Haar wavelet, texture, color.
RIWAYAT HIDUP Penulis dilahirkan di Kuala Simpang pada tanggal 30 Oktober 1982 dari ayah M. Rahim Harahap dan ibu Ratna Dewi Siregar. Penulis merupakan putri ke tiga dari empat bersaudara. Tahun 2000 penulis lulus dari SMU Negeri 1 Padang Sidempuan dan pada tahun yang sama lulus seleksi masuk IPB melalui jalur Seleksi Penerimaan Mahasiswa Baru IPB. Penulis memilih Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Pada tahun 2004 Penulis menjalankan Praktik Lapangan (PL) di Pusat Konservasi Tumbuhan Kebun Raya Bogor selama kurang lebih dua bulan. Pada tahun berikutnya penulis beberapa kali menjadi asisten pada workshop Pengembangan Web Programming yang diadakan Departemen dalam Negeri.
PRAKATA Alhamdulillahirabbil ‘alamin, puji syukur penulis panjatkan kepada Allah Subhanahu wa ta’ala atas segala curahan rahmat dan karunia-Nya, sehingga skripsi dengan judul Temu Kembali Citra dengan Weighted Standard Deviation (WSD) Descriptor dapat diselesaikan. Shalawat serta salam juga penulis sampaikan kepada junjungan kita Nabi Muhammad Shallalahu ‘alaihi wasallam beserta seluruh sahabat dan umatnya hingga akhir zaman. Penulis mengucapkan terima kasih kepada Bapak Ir. Julio Adisantoso, M.Kom. dan Bapak Firman Ardiansyah, S.Kom., M.Si. selaku pembimbing I dan pembimbing II yang telah banyak memberi saran, masukan dan ide-ide kepada penulis serta kebersamaannya yang tidak bisa terlupakan. Penulis juga mengucapkan terima kasih kepada Ibu Dr. Ir. Sri Nurdiati, M.Sc. selaku penguji yang telah memberi saran dan masukan. Selanjutnya, penulis ingin mengucapkan terima kasih kepada: 1 Emak dengan kesabaran, keikhlasan dan pengorbanannya 2 Mas Widhy yang senantiasa mendorong untuk menyelesaikan skripsi dengan menemani penulis hingga larut malam. 3 Abang, kakak, serta adik tercinta yang selalu memberikan semangat dan kasih sayang kepada penulis. 4 Dini, TB, Yudi, Restu, Adit sebagai teman seperjuangan yang terus menyemangati dan memberikan dorongan hingga skripsi ini selesai. 5 Mushtofa, Gofo, Arief, TB yang telah bersedia meluangkan waktunya untuk membantu penulis mengerjakan skripsi ini. 6 Ilkomerz 37 atas persahabatan yang indah dan tidak pernah putus. 7 Aling dan Pak Agus yang telah menyediakan tempat menginap untuk penulis selama penulis mengerjakan skripsi. 8 Penghuni kosan C-22 yang ramah dan baik. 9 Departemen Ilmu Komputer, dosen dan staf yang telah banyak membantu penulis pada masa perkuliahan dan penelitian. 10 Semua pihak yang tidak bisa disebutkan satu persatu yang telah membantu penulis dalam menyelesaikan skripsi ini. Penulis menyadari bahwa masih banyak kekurangan dalam penelitian ini. Oleh karena itu, kritik dan saran sangat penulis harapkan untuk perbaikan di masa mendatang. Penulis berharap hasil dari penelitian ini dapat bermanfaat dan dapat menjadi acuan bagi penelitian berikutnya.
Bogor, Agustus 2007
Yuyun Sarima Ulfa Harahap
DAFTAR ISI Halaman DAFTAR ISI ....................................................................................................................................... v DAFTAR TABEL .............................................................................................................................. vi DAFTAR GAMBAR.......................................................................................................................... vi DAFTAR LAMPIRAN....................................................................................................................... vi PENDAHULUAN ............................................................................................................................... 1 Latar Belakang ............................................................................................................................ 1 Ruang Lingkup dan Batasan........................................................................................................ 1 Tujuan Penelitian......................................................................................................................... 1 TINJAUAN PUSTAKA ...................................................................................................................... 1 Representasi Citra Digital ........................................................................................................... 1 Ruang Warna............................................................................................................................... 2 Weigthed Standard Deviation (WSD) Descriptor......................................................................... Wavelet ........................................................................................................................................ 2 Haar Wavelet............................................................................................................................... 3 Tranformasi Wavelet ................................................................................................................... 3 Transformasi Satu-Dimensi Haar Wavelet.................................................................................. 3 Transformasi Dua-Dimensi Haar Wavelet .................................................................................. 4 Jarak Euclidean ........................................................................................................................... 4 Efektifitas Temu Kembali ........................................................................................................... 4 METODE PENELITIAN .................................................................................................................... 4 Proses Temu Kembali Citra......................................................................................................... 4 Pengolahan Citra Digital ............................................................................................................. 5 Pencocokan Citra (Image Matching)........................................................................................... 6 Spesifikasi Perangkat Keras dan Lunak ...................................................................................... 6 HASIL DAN PEMBAHASAN............................................................................................................ 7 Ekstraksi Feature Vector............................................................................................................. 7 Temu Kembali Citra.................................................................................................................... 7 Recall-Precision .......................................................................................................................... 8 KESIMPULAN DAN SARAN.......................................................................................................... 10 Kesimpulan................................................................................................................................ 10 Saran.......................................................................................................................................... 10 DAFTAR PUSTAKA ........................................................................................................................ 10
DAFTAR TABEL Halaman 1 Contoh hasil ekstraksi pada kelompok citra pertama ..................................................................... 7 2 Nilai recall-precision pada nilai ambang batas 75, 150, dan 225 ............................................... 10
DAFTAR GAMBAR Halaman 1 2 3 4 5 6 7 8 9 10 11 12 13
Representasi citra berukuran mxn. ................................................................................................. 1 Wave dan Wavelet .......................................................................................................................... 2 Haar scaling function dan Haar wavelet dekomposisi dari V1 ...................................................... 3 Wavelet tree dua dimensi pada dua tingkat pemfilteran................................................................. 3 Dekomposisi standar wavelet suatu citra........................................................................................ 4 Dekomposisi nonstandar wavelet suatu citra ................................................................................. 4 Alur sistem temu kembali citra.. .................................................................................................... 4 Tahapan perubahan citra dari ruang warna RGB menjadi YcrCb pada citra 72.BMP. .................. 6 Contoh hasil temu kembali terhadap citra kueri 1.BMP ................................................................ 8 Contoh hasil temu kembali terhadap citra kueri 41.BMP .............................................................. 8 Grafik recall-precision pada nilai ambang batas 75....................................................................... 9 Grafik recall-precision pada nilai ambang batas 150..................................................................... 9 Grafik recall-precision pada nilai ambang batas 225..................................................................... 9
DAFTAR LAMPIRAN Halaman 1 2 3 4 5 6
Citra yang digunakan dalam basis data ........................................................................................ 12 Citra yang menjadi kueri .............................................................................................................. 14 Jarak antara feature vector kueri citra dengan feature vector citra dalam basis data ................... 15 Hasil temu kembali pada nilai ambang batas 75 .......................................................................... 17 Hasil temu kembali pada nilai ambang batas150 ......................................................................... 18 Hasil temu kembali pada nilai ambang batas 225 ........................................................................ 19
1
PENDAHULUAN Latar Belakang Saat ini pencitraan telah menjadi bagian yang tak terpisahkan dari manusia. Berbagai bidang ilmu membutuhkan citra sebagai referensi ataupun data untuk menganalisa. Misalnya, dalam dunia kedokteran informasi citra hasil Xray dibutuhkan untuk analisa penyakit, atau dalam dunia meteorologi para pakarnya menggunakan informasi citra satelit untuk menganalisa cuaca. Tentu saja, citra-citra yang diperoleh saat ini lebih banyak disimpan dalam suatu basis data dengan format digital untuk digunakan lagi di waktu mendatang. Pencarian citra dalam basis data inilah yang kemudian menjadi isu bagi para peneliti di lingkungan informasi teknologi, bagaimana agar informasi yang dicari dalam basis data dapat dicari dengan cepat dan hasil yang akurat. Dulu, sistem yang banyak digunakan untuk pencarian citra adalah dengan berbasis teks. Pada pencarian citra berbasis teks ini, input citra dan penggambaran citra dalam basis data berbentuk teks. Sehingga proses pendataan citra dalam basis data akan memakan waktu yang lama. Selain itu untuk penggambaran kandungan suatu citra oleh setiap individu berbeda. Hal ini mengakibatkan sulit untuk mengidentifikasi suatu citra dalam basis data. Kendala-kendala ini mendorong untuk ditemukannya suatu metode baru yang lebih efektif dan efisien dalam pencarian citra. Kemudian, sistem temu kembali citra berbasis kandungan (Content Based Image Retrieval) mulai menarik perhatian. Dengan sistem temu kembali citra berbasis kandungan, properti citra seperti warna (color), tekstur (texture), dan bentuk (shape) digunakan untuk pencarian citra dalam basis data. Untuk mempermudah pencarian, properti-properti citra ini diekstrak ke dalam fitur pada level rendah (low-level feature). Untuk mengekstraksi citra, berbagai metode dikembangkan agar sistem temu kembali yang dibuat efektif dan efisien. Pada penelitian ini digunakan Haar wavelet untuk mengekstrak tekstur dan warna citra sehingga didapatkan feature vector-nya. Feature vector ini kemudian akan disimpan dalam basis data untuk digunakan dalam proses pencarian. Penggunaan wavelet dalam penelitian ini karena wavelet mampu menangkap properti-properti citra sekaligus, sehingga diharapkan waktu yang dihabiskan dalam satu kali proses pencarian relatif tidak memakan waktu yang lama. Di lain pihak, wavelet yang digunakan dalam penelitian ini
adalah Haar wavelet karena wavelet ini paling sederhana dan mudah diimplementasikan. Ruang Lingkup dan Batasan Wavelet yang digunakan pada penelitian ini adalah Haar wavelet, dengan menggunakan dekomposisi standar sampai pada level tiga. Weighted Standard Deviation (WSD) Descriptor mengolah kandungan citra hanya pada tekstur dan warna. Tujuan Penelitian Tujuan dilakukan penelitian ini untuk mengukur kinerja algoritma Weighted Standard Deviation (WSD) Descriptor dari segi keakuratan yang dihasilkan dalam proses pencarian citra dalam basis data. Algoritma WSD Descriptor menggunakan Haar wavelet untuk mendapatkan feature vector.
TINJAUAN PUSTAKA Representasi Citra Digital Citra digital adalah sebuah fungsi intensitas cahaya f(x, y) dengan x dan y menunjukkan koordinat spasial dan nilai f pada setiap titik (x,y) menunjukkan kecerahan citra pada titik tersebut (Gonzales & Woods 2002). Citra digital dapat ditampilkan dalam bentuk matriks berukuran mxn dengan m menunjukkan banyaknya sel dalam baris dan n menunjukkan banyaknya sel dalam kolom (Gambar 1). Tiap sel matrik atau disebut picture element (disingkat pixel) menyimpan nilai intensitas warna dari koordinat spasial tersebut. Jadi citra digital dapat dinyatakan dalam matrik MxN sel. f(x1,y1) ......... f(xm,y1)
. . .
. . .
x
. . .
f(x1,yn) ......... f(xm,yn) y Gambar 1 Representasi citra berukuran mxn. Representasi citra digital ada dua jenis yaitu citra skala-keabuan (grayscale) dengan format 8bit dan citra berwarna dengan format 24-bit. Untuk citra dengan modus skala 8-bit, setiap titik direpresentasikan dengan fungsi f(x,y) yang mempunyai 256 intensitas kecerahan (28 = 256). Nilai ini berkisar antar 0 hingga 255 dengan nilai 0 menunjukkan intensitas paling gelap (hitam)
2
dan nilai 255 menyatakan intensitas paling terang (putih). Ruang Warna Ruang warna, atau disebut juga model warna, berguna memberikan spesifikasi warna dalam bentuk standar yang dapat diterima secara umum. Ruang warna merupakan spesifikasi dari koordinat 3-D yang satu bagian di dalamnya memiliki satu nilai tunggal untuk mewakili tiap warna (Gonzales & Woods 2002). Ruang warna yang banyak digunakan antara lain RGB dan YcrCb. Ruang warna RGB (red, green, blue) menggunakan sistem koordinat kartesian yang membentuk suatu kubus. Untuk membuat suatu warna digunakan kontribusi dari tiga sumbu utama tersebut. Diagonal utama dalam kubus menunjukkan tingkat keabuan. Ruang warna YCrCb pada umumnya digunakan untuk video digital. Pada format ruang warna ini, tingkat keabu-abuan disimpan dalam Y. Cr merujuk kepada perbedaan antara komponen warna merah dengan suatu nilai referensi. Di lain pihak Cb merujuk kepada perbedaan antara komponen warna biru dengan suatu nilai referensi. Weigthed Standard Deviation (WSD) Descriptor WSD adalah suatu teknik untuk mengesktrak citra menjadi suatu deskriptor. Dengan WSD, dua buah informasi basis citra, yaitu tekstur dan warna, dapat ditransformasi sekaligus. Tujuan dari proses ekstraksi adalah untuk menemukan korelasi antar piksel, atau memadatkan sebanyak mungkin informasi ke dalam sejumlah kecil koefisien hasil ekstraksi. Dengan WSD Descriptor memungkinkan sebagian besar informasi citra termuat dalam sedikit koefisien, sehingga proses-proses selanjutnya yang berkenaan dengan citra dapat lebih cepat. Proses ekstraksi citra dengan WSD Descriptor menggunakan transformasi wavelet. Transformasi wavelet sebagai alat untuk menganalisis sinyal mempunyai keuntungan dalam hal ortogonalitas dan kemampuan yang tajam untuk mendekomposisi sinyal-sinyal multiresolusi, seperti citra. Jika f adalah suatu suatu vektor, maka WSD Descriptor didefinisikan sebagai berikut. 1
1
1
LH HL HH LH HL HH f = {σ 1 , σ 1 , σ 1 , 2 σ 2 , 2 σ 2 , 2 σ 2 ,...,
1 1 1 1 σ LLH , L −1 σ LHL , L −1 σ LHH , L −1 σ A , µ a } 2 L −1 2 2 2
Dengan σiMM adalah standar deviasi pada citra detil MM (yaitu HL, LH, dan HH) pada dekomposisi level ke-i. σA adalah standar deviasi pada citra aproksimasi, dan µA adalah rataan pada citra aproksimasi. Standar deviasi pada setiap citra detil memberikan suatu perkiraan detil jumlah dalam setiap detil citra. Rataan pada citra aproksimasi memberikan intensitas informasi tentang citra. Untuk suatu dekomposisi level-L, panjang vektor adalah 3L+2. Wavelet Wavelet adalah suatu teknik matematika yang bermanfaat untuk analisis numerik dan manipulasi dari 1 atau 2 dimensi sinyal. Transformasinya beroperasi seperti suatu mikroskop untuk menguji detail partisi sinyal ke dalam komponen frekuensi yang berbeda, lalu memetakan ke koefisien yang memiliki energi yang berbeda (Jones et al. 1999). Jadi inti dari analisis wavalet adalah bagaimana mendekomposisi signal f ke dalam basis fungsi ψi di mana i merupakan tingkat dekomposisi. Hal ini dapat dirumuskan dalam bentuk yang sederhana :
f = ∑ aiψ i i
(1)
Dengan kata lain, wavelet merupakan suatu cara bagaimana mendapatkan representasi yang efisien dari signal f dalam bentuk koefisien a i, sehingga perlu menentukan fungsi ψi yang cocok dengan data yang ingin direpresentasikan (Roose 1999).
Wavelet db10 Gambar 2 Wave dan Wavelet. Sine Wave
Wavelet berbeda dengan wave, wave merupakan fungsi osilasi dari ruang atau waktu contohnya wave sinus. Wave mempunyai amplitudo tetap dengan interval -∞ ≤ t ≤ ∞. Di lain pihak wavelet disebut juga “wave kecil” yang memiliki energi berhingga dan terlokalisasi di sekitar sebuah titik, di mana fungsinya mempunyai nilai rata-rata sama dengan 0. ∫ψ (t )dt = 0 (Burrus et al. 1998). Contoh seperti terlihat pada Gambar 2.
3
Haar Wavelet Misalkan setiap satu dimensi citra dengan 2j merupakan satu elemen atau vektor dalam Vj. Maka, karena vektor merupakan satu unit interval, maka setiap vektor dalam Vj merupakan bagian dari Vj+1. Dengan demikian Vj dapat didefinisikan sebagai berikut. 0
1
yaitu low-pass dan high-pass. Low-pass digunakan pada low-frequency berupa koefisien scaling, sedangkan high-pass pada highfrequency berupa koefisien wavelet (detail coefficent). Tranformasi wavelet melakukan proses splitting pada low-frequency atau aproksimasi seperti pada Gambar 4.
2
V ⊂ V ⊂ V ⊂ ....
Maka, untuk setiap ruang vektor Vj, fungsi basis atau scaling function didefinisikan sebagai berikut. ϕ (x ) = ϕ (2 x − i), i = 0,…,2j-1 j
S ( 0,0 )
j
A1 (1,0)
i
LH (1,1)
HL1 (1,2)
HH1 (1,3)
dimana 1 0
ϕ ( x) =
0 < x <1 selainnya
AA2 (2,0)
Sedangkan pada Haar wavelet didefinisikan sebagai berikut. j
j
ψ ( x) = ψ (2 x − i), i
function
i = 0,…,2j-1
dimana
1 ψ (x) = − 1 0
0 < x < 0,5 0,5 < x < 1 selainnya
Dengan demikian, waveform dapat dibentuk dari Haar wavelet pada skala j, di mana Vj direntangkan seperti pada Gambar 3. j=1
j=0 V0 ϕ(t-k)
V1 ϕ(2t-k)
W0 ψ(t - k)
LH2 (2,1)
HL2 (2,2)
HH2 (2,3)
Gambar 4 Wavelet tree dua dimensi pada dua tingkat pemfilteran.
Transformasi wavelet melakukan dekomposisi dan membentuk tree seperti Gambar 4 untuk merepresentasi sample S. Representasi sample S seperti yang dicetak tebal yaitu sample S = AA2 + LH2 + HL2 + HH2 + LH1 + HL1+ HH1. Transformasi wavelet dapat dilakukan pada matriks berdimensi satu dan berdimensi dua. Transformasi Satu-Dimensi Haar Wavelet Haar wavelet merupakan basis wavelet yang paling sederhana, sangat mudah untuk dimengerti dan diimplementasikan. Untuk melihat bagaimana cara kerja Haar wavelet, berikut adalah sebuah contoh sederhana. Misalkan diberikan sebuah satu dimensi citra dengan resolusi 8 pixel, dengan nilai sebagai berikut.
[2, 2, 0, 2, 3, 5, 4, 4]
V1 = V0 ⊕ W0
Gambar 3
Haar scaling function dan Haar wavelet dekomposisi dari V1.
Transformasi Wavelet Tranformasi wavelet adalah suatu proses dekomposisi dalam pemfilteran. Pada pengolahan sinyal digital, pemfilteran dari sejumlah bilangan (input sinyal) dapat dicapai dengan menggulung barisan bilangan tersebut dengan himpunan bilangan lain, yang disebut koefisien filter (Burrus et al. 1998). Koefisien filter merupakan nilai dari wavelet yang digunakan. Proses pemfilteran dibagi dua,
Dimulai dengan merata-ratakan setiap pixelnya, diperoleh sebuah sekuen yang baru yaitu [2, 1, 4, 4]. Namun, karena proses perataan, maka ada informasi yang hilang. Untuk memulihkan nilai yang asli (original), dilakukan penyimpanan terhadap koefisien detilnya (detail coefficients), yang menampung informasi yang hilang. Koefisien detil yang pertama adalah 0, diperoleh dengan mengurangkan 2 – 2 = 0. Selanjutnya, 0 – 1 = -1, 3 – 4 = -1, dan terakhir, 4 – 4 = 0. Proses ini dilakukan secara rekursif, sampai resolusi citra tinggal satu pixel. Di bawah
4
ini, tabel proses perataan dan pengurangan terhadap citra satu dimensi di atas. Resolusi 8 4 2 1
Perataan [2, 2, 0, 2,3,5,4,4] [2, 1, 4, 4] [1.5, 4] [2.75]
Koefisien Detil ----[0, -1, -1, 0] [0.5, 0] [-1.25]
Untuk satu dimensi basis Haar, transformasi wavelet dari 8-pixel citra di atas adalah [2.75, -1.25, 0.5, 0, 0, -1, -1, 0]. Transformasi Dua-Dimensi Haar Wavelet Terdapat dua cara dalam menggunakan wavelets untuk menransformasikan nilai-nilai pixel dalam sebuah citra. Cara pertama disebut dekomposisi standar (standard-decomposition). Untuk menentukan dekomposisi standar dari suatu citra, hal yang pertama dilakukan adalah menransformasikan seluruh nilai pixel setiap baris pada satu buah matriks citra. Tentu saja transformasi yang digunakan adalah transformasi Satu-Dimensi Haar wavelet karena dalam satu baris matriks diasumsikan adalah matriks satu dimensi. Kemudian transformasi 1D Haar wavelet dilakukan terhadap seluruh nilai pixel setiap kolom matriks citra. Gambar 5 mengilustrasikan dekomposisi standar wavelet.
Gambar 6 Dekomposisi nonstandar wavelet suatu citra. Jarak Euclidean Misalkan D(I, J) adalah jarak kesamaan antara kueri citra I dengan citra dalam basis data J; dan fi(I) adalah jumlah pixel, maka jarak Euclidian didefinisikan sebagai:
(2) Efektifitas Temu Kembali Untuk mengevaluasi kinerja suatu sistem temu kembali, digunakan ukuran Recall dan Precision.
Recall menyatakan proporsi citra yang relevan dalam basis data yang terambil sebagai respon dari suatu kueri. Recall =
Jumlah citra relevan yang terambil Jumlah citra relevan dalam basisdata
(3)
Precision menyatakan proporsi dari citra yang terambil yang relevan terhadap kueri. Precision =
Gambar 5 Dekomposisi standar wavelet suatu citra. Cara yang kedua adalah dekomposisi nonstandar (nonstandard decomposition). Pada cara kedua ini, transformasi satu dimensi Haar wavelet dilakukan secara bergantian dalam setiap dimensi. Proses ini secara rekursif terus dilakukan sampai pada level terendah dicapai.
Jumlah citra relevan yang terambil Jumlah seluruh citra yang terambil
(4)
METODE PENELITIAN Proses Temu Kembali Citra Gambar 3 menunjukkan bagaimana alur temu kembali citra dibuat. Dalam alur terdapat dua buah masukan, yakni input data dan input kueri. Input data merupakan proses ekstraksi citra menjadi feature vector dari sejumlah citra yang akan disimpan dalam basis data.
5
Di lain pihak, input kueri merupakan suatu proses di mana pengguna memasukkan kueri dengan memberikan sebuah contoh citra yang kemudian akan dibandingkan di dalam sistem (search by example). Citra yang dimasukkan ke dalam sistem sebagai kueri dapat dilihat pada Lampiran 2. Garis putus-putus pada Gambar 3 menunjukkan data yang masuk akan diekstrak dengan algoritma WSD Descriptor kemudian disimpan dalam basis data. Sedangkan garis tegas menunjukkan proses yang tidak masuk ke dalam basis data. Input Kueri
Ekstraksi feature vector dengan menggunakan algoritma Weighted Standard Deviation Descriptor (WSD) Image Matching
Visualisasi
Ranking
Hitung Kesamaaan
Basis data Citra
Feature Vector
Translasi citra abu-abu ke dalam level-L dekomposisi wavelet diskret. Dalam hal ini digunakan Haar wavelet.
2
Pada setiap level ke-i (i=1, 2, ..., L) terdapat tiga buah citra detil (HL, LH, dan HH). Terdapat sebuah citra aproksimasi tambahan pada level ke-L. Hitung standar deviasi untuk seluruh citra. Hitung juga rataan citra aproksimasi.
3
Weighted standard deviation feature vector didefinisikan sebagai berikut. 1 2
1 2
1 2 1 , L −1 σ A , µ a } 2
f = {σ 1LH , σ 1HL , σ 1HH , σ 2LH , σ 2HL , σ 2HH ,...,
Interface Input Data
1
Citra
Gambar 3 Alur sistem temu kembali citra Proses image matching merupakan proses untuk menemukembalikan citra dalam basis data yang diharapkan relevan dengan kueri citra. Pada tahapan ini dilakukan penghitungan jarak kesamaan antara dua buah feature vector. Setelah didapatkan jarak antara dua buah feature vector, dilakukan pe-ranking-an terhadap hasil penghitungan jarak. Jarak yang terpendek merupakan citra basis data yang paling relevan dengan kueri citra. Ekstraksi Citra dengan Weighted Standard Deviation (WSD) Descriptor Langkah-langkah pengekstraksian weighted standard deviation feature vector dari suatu citra abu-abu adalah sebagai berikut.
1 1 1 σ LLH , L −1 σ LHL , L −1 σ LHH 2 L −1 2 2
Dengan σiMM adalah standar deviasi pada citra detil MM (yaitu HL, LH, dan HH) pada dekomposisi level ke-i. σA adalah standar deviasi pada citra aproksimasi, dan µA adalah rataan pada citra aproksimasi. Pengolahan Citra Digital Citra digital yang ada dalam koleksi berjumlah seratus. Citra terdiri dari sepuluh kelompok besar yang setiap kelompok diambil dari adegan film Babel, film Kabul Express, Mr. Bean’s Holiday dan beberapa diambil dari Internet. Koleksi citra digital yang diperoleh seluruhnya disimpan dalam format BMP dengan ukuran antara 128 x 128 piksel sampai dengan 256 x 256 piksel. Citra digital ini akan diubah menjadi bentuk vektor dengan menggunakan algoritma WSD Descriptor, kemudian disimpan dalam basis data. Kelompok citra pertama, kedua, dan ketiga merupakan sekuens dari adegan film Babel. Kelompok pertama adalah kelompok sepuluh buah citra di mana seorang wanita yang sedang berbicara dengan latar belakang sebuah hutan stepa. Warna hijau mendominasi latar. Kelompok kedua adalah sepuluh buah citra sekuens di mana citra menunjukkan adegan seorang pria yang disorot close up sedang berjalan di tengah gurun pasir saat senja. Warna kuning keemasan mendominasi kelompok citra ini. Kelompok ketiga adalah enam buah citra yang menggambarkan seorang anak sedang menembak. Empat adalah sekuens dari satu adegan, sedangkan dua lainnya sekuens dari adegan yang lain. Pengambilan citra dari dua adegan yang berbeda dalam satu kelompok karena. meski dari adegan yang berbeda kelompok citra ini menunjukkan warna adegan
6
yang sama dan penunjukan latar yang sama yaitu suasana gurun pada siang hari. Kelompok citra yang keempat adalah kelompok bunga Lily Putih yang diambil dari Internet. Dalam kelompok ini citra berjumlah empat belas. Beberapa citra mengalami perlakuan rotasi dan penskalaan dengan menggunakan perangkat lunak Adobe Photoshop CS 2. Yang kelima merupakan kelompok sepuluh buah bunga Aster yang masing-masing citra adalah hasil dari perlakuan adjusting color dengan menggunakan perangkat lunak Adobe Photoshop CS2. Beberapa channel warna seperti magenta, yellow, green, dan dark ditambahkan dan dikurangi pada citra original. Penambahan dan pengurangan channel warna dilakukan sampai diperoleh sepuluh citra dengan variasi warna yang berbeda. Kelompok keenam dan ketujuh merupakan clipart shape yang diambil dari perangkat lunak. Kelompok keenam terdiri dari sepuluh citra yang diambil dari kumpulan bentuk pada perangkat lunak Corel Draw 11. Kelompok ketujuh terdiri dari sepuluh buah citra shape yang diambil dari perangkat lunak Corel Draw X3. Hanya ada dua buah warna yang terdapat dalam kedua kelompok citra ini, yaitu hitam dan putih. Pengambilan citra clipart ini untuk mengetahui sejauh mana sistem dapat menangkap tekstur dari suatu citra. Kelompok kedelapan merupakan sepuluh buah citra yang diambil dari sekuens film Mr.Bean’s Holiday. Adegan yang diambil merupakan adegan pembuka pada film Mr. Bean’s Holiday. Objek yang diambil adalah logo perusahaan yang memproduksi film Mr. Bean’s Holiday. Dari sepuluh citra, terlihat perubahan warna dan bentuk objek citra. Perubahan warna yang terjadi pada objek utama citra dari warna keemasan menjadi warna biru. Perubahan bentuk juga terjadi pada objek utama citra, dari bentuk elips polos menjadi elips dengan garis yang melingkar. Kelompok citra yang kesembilan adalah sepuluh buah citra helikopter yang diambil dari salah satu adegan film Kabul Express. Adegan ini menggambarkan runtutan adegan helikopter yang mendarat di sebuah gurun pada siang hari. Dengan demikian, warna biru cerah mendominasi sepuluh buah citra pada kelompok ini. Kelompok yang terakhir adalah kelompok sepuluh buah citra dari salah satu adegan Mr. Bean’s Holiday. Warna kuning yang mendominasi pada kelompok citra ini merupakan warna dari kebun bunga yang menjadi latar adegan film.
Kesleruhan citra yang digunakan dalam basis data dapat dilihat pada Lampiran 1. Pencocokan Citra (Image Matching) Setelah citra diekstraksi, kemudian hasil ekstraksi disimpan dalam basis data. Pada saat input dimasukkan ke dalam sistem, maka dilakukan penghitungan jarak antara feature vector citra yang dikuerikan dengan feature vector citra yang berada dalam basis data. Penghitungan jarak antara dua buah citra menggunakan jarak euclidean yang dirumuskan seperti pada persamaan (1). Setelah jarak dua buah citra didapat, maka jarak antara kueri citra dengan citra dalam basis data diurutkan dari yang terkecil hingga yang terbesar. Semakin kecil jarak antara dua buah citra, maka semakin besar kerelevansiannya. Spesifikasi Perangkat Keras dan Lunak Sistem ini dikembangkan dan diimplementasikan dengan menggunakan perangkat keras dan perangkat lunak sebagai berikut :
1
2
Perangkat Keras : •
Prosesor Intel Pentium 3 GHz
•
Memori 512 MB
•
Hard disk kapasitas 100 GB
Perangkat Lunak : •
Ms. Windows operasi.
•
Matlab 6.5.0 untuk pemrograman
•
Adobe Photoshop memanipulasi citra
•
Cyberlink Power DVD 6 untuk pengambilan sekuens citra (capturing) pada film.
XP
sebagai sistem
CS
2
untuk
Matlab digunakan sebagai lingkungan pemrograman untuk penelitian ini karena Matlab dilengkapi fungsi-fungsi yang dibutuhkan untuk mengimplementasikan metode pada penelitian ini. Fungsi-fungsi Matlab yang penting dalam penelitian ini antara lain: •
Fungsi wavedec, digunakan mendekomposisi citra.
•
Fungsi imread, digunakan untuk membaca file citra input berformat BMP yang akan didekomposisi.
•
Fungsi imshow dipakai untuk menampilkan citra hasil temu kembali.
•
Fungsi-fungsi yang berkaitan dengan pembacaan dan penulisan file data hasil
untuk
7
dekomposisi citra, seperti fopen, fclose, dan fread.
fwrite,
•
Fungsi sort, digunakan untuk mengurutkan jarak antara kueri citra dengan citra dalam basis data.
HASIL DAN PEMBAHASAN Ekstraksi Feature Vector Feature vector yang dibangkitkan dari setiap citra akan menjadi informasi inti dalam proses temu kembali citra, karena feature vector mengandung informasi warna dan tekstur sebuah citra. Pengisolasian informasi warna dan tekstur ini dengan memetakan citra dari ruang warna RGB ke dalam ruang warna YCrCb. Matriks Y menyimpan komponen skala abu-abu, yang berarti menyimpan informasi tekstur, sedangkan Cr dan Cb menyimpan informasi warna.
Citra original 72.BMP
Y
Citra yang telah diformat ke dalam YCrCb
Cr
Cb
Gambar 8 Tahapan perubahan citra dari ruang warna RGB menjadi YcrCb pada citra 72.BMP. Pengekstraksian feature vector dari masingmasing matriks Y, Cr, dan Cb menggunakan dekomposisi Haar Wavelet level ke-3. Panjang tiap feature vector yang dihasilkan adalah sebelas. Dengan demikian, feature vector untuk sebuah citra merupakan vektor berdimensi 33 yang terbentuk melalui penggabungan feature vector dari Y, Cr, dan Cb. Jadi sekarang sebuah feature vector menyediakan informasi warna dan tekstur sekaligus dengan sebelas elemen pertama dari vektor adalah informasi tekstur, dan sisanya adalah informasi warna. Sebagai contoh, pada Tabel 1 terlihat hasil ekstraksi lima buah citra pada kelompok citra pertama. Pada Tabel 1, terlihat kedekatan hasil ekstraksi feature vector lima buah citra dari kelompok pertama. Sebelas baris pertama merupakan hasil ekstraksi wavelet dari Y, sebelas baris kedua dan sebelas baris ketiga adalah hasil ekstraksi wavelet dari Cr dan Cb.
Tabel 1 Contoh hasil ekstraksi pada kelompok citra pertama 1.BMP
2.BMP
3.BMP
4.BMP
5.BMP
18.802
19.584
18.947
18.775
19.054
12.75
13.138
13.681
12.649
12.932
4.6434
4.0042
4.1355
4.5278
4.5201
30.328
32.433
32.018
31.178
31.422
17.267
19.207
18.013
17.322
17.087
5.7061
5.4413
5.4027
5.5767
5.2621
41.492
42.242
41.281
41.427
41.282
11.505
11.125
10.929
10.36
10.678
3.9211
3.3021
3.3759
3.3589
3.3202
318.34
306.21
300.29
309.9
306.89
1164.1
1178
1188.2
1189.4
1187
1.9803
1.8203
1.8346
1.7808
1.7368
0.798
0.83011
0.85638
0.82793
0.80988
0.21863
0.15665
0.1105
0.13644
0.15428
3.443
3.3913
3.2155
3.2277
3.2633
2.5663
2.5586
2.3567
2.3116
2.2364
1.0396
1.028
0.99035
0.9834
0.99467
25.831
25.512
25.976
25.951
25.938
1.5888
1.4041
1.4286
1.3361
1.3914
0.6029
0.5407
0.54852
0.51332
0.52839
38.569
40.361
39.792
39.774
39.888
915.78
921.08
921.78
919.3
919.33
1.8922
1.798
1.8103
1.8175
1.7073
0.5481
0.56047
0.63064
0.5963
0.56184
0.11214
0.10305
0.065835
0.093753
0.099141
3.0376
2.8248
2.9144
2.9932
2.9799
3.3036
3.0561
3.1229
3.0158
3.1871
1.3268
1.2371
1.2642
1.2137
1.1369
26.829
27.271
26.796
26.722
26.664
2.4988
2.1784
2.2854
2.4571
2.3844
0.88688
0.82757
0.91274
0.73928
0.76598
81.741
79.843
81.746
82.526
82.328
1023.5
1027.9
1025.6
1023.7
1022.4
Temu Kembali Citra Input kueri diambil secara acak dari dalam basis data untuk menguji sistem temu kembali. Sepuluh buah kueri terpilih untuk pengujian proses temu kembali. Output temu kembali citra yang berhasil ditemukembalikan dibatasi oleh nilai ambang batas pada ukuran jarak kesamaan. Nilai ambang batas yang diambil adalah 75, 150, 225. Pengambilan nilai ambang batas di bawah 75 akan terlalu sedikit citra relevan yang terambil oleh sistem. Beberapa hanya menemukembalikan citra kueri itu sendiri. Sedangkan apabila nilai ambang batas di atas 225, akan terlalu banyak citra tidak relevan yang terambil oleh sistem. Perubahan jumlah citra yang terambil pada setiap nilai ambang batas dapat dilihat pada
8
Gambar 9 dan Gambar 10. Pada Gambar 9 merupakan contoh hasil temu kembali terhadap kueri citra 1.BMP pada nilai ambang batas 75, 150, dan 225. Pada Gambar 10 merupakan hasil temu kembali terhadap kueri citra 41.BMP. Dari kedua gambar tersebut dapat dilihat dengan semakin kecilnya nilai ambang batas, maka semakin sedikit jumlah citra yang terambil. Hal ini dikarenakan perhitungan jarak kesamaan, di mana semakin kecil jarak antara citra kueri dengan citra dalam basis data, maka semakin besar nilai relevansinya. Maka, ketika suatu citra dimasukkan ke dalam sistem sebagai kueri, paling tidak sistem akan menemukembalikan citra itu sendiri, karena hasil perhitungan jarak antara citra kueri dan citra dalam basis data adalah nol.
1 .bm p
7 .bm p
8 .bm p
2 .bm p
1 0.b m p
6 .bm p
5 .bm p
4 .bm p
9 .bm p
3 .bm p
(a) Hasil temu kembali terhadap 1.BMP pada nilai ambang batas 75
1 .bm p
7 .bm p
8 .bm p
2 .bm p
1 0.b m p
6 .bm p
5 .bm p
4 .bm p
9 .bm p
3 .bm p
(b) Hasil temu kembali terhadap 1.BMP pada nilai ambang batas 150
1.b m p
7 .bm p
8.bm p
2 .bm p
10 .bm p
6.b m p
5 .bm p
4.bm p
9 .bm p
3.b m p
30 .bm p
2 3.b m p
19 .bmp
2 4.bm p
18 .bm p
21 .bm p
1 4.b m p
15 .bmp
1 7.bm p
(c) Hasil temu kembali terhadap 1.BMP pada nilai ambang batas 225 Gambar 9 Contoh hasil temu kembali terhadap citra kueri 1.BMP.
41.bmp
42.bmp
(a) Hasil temu kembali terhadap kueri citra 41.BMP pada nilai ambang batas 75
41.bmp
42.bmp
43.bmp
44.bmp
(b) Hasil temu kembali terhadap kueri citra 41.BMP pada nilai ambang batas 150
41.bmp
42.bmp
43.bmp
44.bmp
46.bmp
47.bmp
48.bmp
49.bmp
45.bmp
© Hasil temu kembali terhadap kueri citra 41.BMP pada nilai ambang batas 225 Gambar 10 Contoh hasil temu kembali terhadap citra kueri 41.BMP. Pada Gambar 9 hasil temu kembali terhadap citra kueri pada nilai ambang batas 75 dan 150 sama, namun saat nilai ambang batas sama dengan 225, banyak hasil temu kembali yang tidak relevan. Di lain pihak, pada Gambar 10, terlihat hasil temu kembali terhadap citra kueri 41.BMP. Pada nilai ambang batas 75, hanya ada dua buah citra hasil temu kembali. Pada nilai ambang batas 150, ditemukembalikan empat buah citra yang relevan, dan pada nilai ambang batas 225 ditemukembalikan Sembilan buah citra yang relevan. Untuk lebih lengkapnya, hasil temu kembali untuk masing-masing nilai ambang batas dapat dilihat pada Lampiran 4, Lampiran 5, dan Lampiran 6. Recall-Precision Diagram recall-precision memberikan gambaran umum terhadap keefektifan temu kembali citra. Nilai recall yang digunakan adalah 10% sampai dengan 100%. Nilai ini menunjukkan jumlah bagian citra dari seluruh citra terambil untuk perhitungan nilai precision. aMisalkan untuk nilai recall 30% berarti jumlah citra yang digunakan untuk perhitungan nilai precision adalah 30% dari seluruh citra yang terambil. Nilai precision untuk nilai 30% adalah perbandingan banyaknya citra relevan yang terambil dari seluruh citra dengan jumlah tersebut.
9
Sepuluh buah kueri digunakan untuk pencarian citra dalam sistem temu kembali. Satu kelompok citra menggunakan satu buah kueri citra yang dipilih secara acak dari kelompoknya. Citra yang relevan ditentukan secara manual dengan memperhatikan kemiripan antar citra yang terdapat dalam koleksi. Setelah masing-masing nilai recall-precision untuk masing-masing kueri citra didapatkan, maka ditarik satu garis rata-rata dari nilai recallprecision pada masing-masing kueri citra. Ratarata nilai recall-precision memenuhi persamaan sebagai berikut. Nq
P (r ) = ∑ i =1
Pi (r ) Nq
(5)
Di mana P (r ) adalah precision rataan pada recall level ke-r. Nq adalah jumlah kueri yang digunakan. Sedangkan Pi(r) adalah precision pada recall level ke-r pada kueri ke-i. Dari Tabel 2 terlihat nilai recall-precision pada masing-masing nilai ambang batas 75, 150, dan 225. Nilai precision meningkat seiring kenaikan nilai ambang batas. Pada nilai ambang batas 225, citra yang relevan dalam basis data banyak yang ditemukembalikan oleh sistem, sehingga menaikkan nilai precision.
ambang batas ini, citra relevan yang berhasil ditemukembalikan hanya sekitar 50% dari keseluruhan citra yang relevan dalam basisdata. Pada Gambar 12, dimana nilai ambang batas yang diambil adalah 150, penurunan tajam nilai precision terjadi pada nilai recall sama dengan 50%. Pada nilai ambang batas ini, citra relevan yang dapat ditemukembalikan berkisar 68% dari seluruh citra relevan dalam basis data. Di lain pihak, pada Gambar 13 di mana nilai ambang batas yang diambil adalah 225, penurunan grafik yang signifikan tidak terjadi. Hal ini dikarenakan pada nilai ambang batas ini, banyak citra relevan yang ditemukembalikan. Citra relevan yang ditemukembalikan berkisar 85% dari seluruh citra relevan dalam basis data.
Gambar 11 Grafik recall-precision pada nilai ambang batas 75.
Tabel 2 Nilai recall-precision pada nilai ambang batas 75, 150, dan 225 (dalam %).
Recall
Ambangbatas =75
Precision Ambangbatas =150
Ambangbatas =225
10
100
100
100
20
90
90
100
30
70
87,78
98,18
40
55,71
83,21
84,17
50
40
67,14
78,33
60
40
66,67
78,18
70
40
56
77,78
80
30
40
77,5
90
30
40
77,14
100
19,091
39,09
65,76
Gambaran kenaikan efektifitas temu kembali secara umum dapat dilihat pada Gambar 12, Gambar 13, dan Gambar 14. Pada Gambar 13, terlihat penurunan tajam nilai precision di titik recall sama dengan 30%. Pada titik recall sama dengan 30%, nilai precsion mencapai 70%. Terjadi penurunan sekitar 20% dari titik recall sebelumnya. Sedangkan pada titik lainnya penurunan hanya terjadi sekitar 10%. Pada nilai
Gambar 12 Grafik recall-precision pada nilai ambang batas 150.
Gambar 13 Grafik recall-precision pada nilai ambang batas 225.
10
KESIMPULAN DAN SARAN Kesimpulan Pada penelitian ini disajikan sebuah sistem pengindeksan wavelet yang terintegrasi. Dalam proses ekstraksi, Haar wavelet digunakan untuk mengekstrak feature vector yang berdimensi 33 dari seluruh koleksi citra dalam basis data. Dengan wavelet, fitur warna dan tekstur dapat diekstraksi sekaligus dengan cara yang lebih sederhana. Hasil pencarian terbaik adalah kueri citranya sendiri karena jaraknya adalah nol. Pada nilai ambang batas 75, penurunan tajam nilai recall-precision terjadi pada titik recall sama dengan 30%. Pada nilai ambang batas ini, citra relevan yang terambil sekitar 50% dari keseluruhan citra yang relevan dalam basisdata. Pada nilai ambang batas 150, citra relevan yang dapat ditemukembalikan berkisar 68% dari seluruh citra relevan dalam basis data. Di lain pihak, pada nilai ambang batas 225, citra relevan yang ditemukembalikan berkisar 85% dari seluruh citra relevan dalam basis data. Saran Pengembangan pada sistem temu kembali berbasis wavelet ini dapat dilakukan dengan menggunakan relevance feedback. Setelah melakukan proses pencarian tahap pertama, pengguna mengidentifikasi sebuah citra yang paling relevan sebagai kueri baru. Kemudian sistem secara otomatis mereformula kueri berdasarkan penilaian pengguna. Selain itu sistem ini perlu diuji kembali dengan data yang lebih besar. Tidak hanya dilakukan terhadap citra dengan format BMP tapi juga dengan format lain seperti JPG. Juga penting untuk menentukan metode penghitungan jarak kesamaan anatara dua buah citra untuk memberikan hasil temu kembali yang terbaik. Pengembangan metode juga dapat dilakukan dengan menambahkan beberapa fitur basis seperti bentuk (shape).
DAFTAR PUSTAKA Bhagavathy S, Chhabra K. Wavelet Based Image Retrieval. http://www. vision. ece. ucsb. edu/~sitaram/pdf/ece278a.pdf [9 Mei 2006]. Burrus C S, Ramesh A G, Hai T G. 1998. Introduction to Wavelets and Wavelets Tranforms A Primer. Prentice-Hall, Inc.
Fuhui L. 2001. Fundamentals of Content_based Image Retrieval. http://www.research.microsoft.com/asia [10 Januari 2007] Gonzales R C, Woods R E 2002. Digital Image Processing. Addison - Wesley Publishing. Reading, Massachussetts. Jones C L, Lonergan G T, Mainwairing D E. 1999. Wavelet packet Computation of the Hurst Exponent. Swinburne University of Technology, Australia. Roose D, Butheel A. 1999. Wavelet: Software and applications. Department of Computer Science, K.U.Leuven.
LAMPIRAN
12
Lampiran 1 Citra yang digunakan dalam basis data
1.BMP
2.BMP
3.BMP
4.BMP
5.BMP
6.BMP
7.BMP
8.BMP
9.BMP
10.BMP
11.BMP
12.BMP
13.BMP
14.BMP
15.BMP
16.BMP
17.BMP
18.BMP
19.BMP
20.BMP
21.BMP
22.BMP
23.BMP
24.BMP
25.BMP
26.BMP
27.BMP
28.BMP
29.BMP
30.BMP
31.BMP
32.BMP
33.BMP
34.BMP
35.BMP
36.BMP
37.BMP
38.BMP
39.BMP
40.BMP
13
Lampiran 1 Lanjutan
41.BMP
42.BMP
43.BMP
44.BMP
45.BMP
46.BMP
47.BMP
48.BMP
49.BMP
50.BMP
51.BMP
52.BMP
53.BMP
54.BMP
55.BMP
56.BMP
57.BMP
58.BMP
59.BMP
60.BMP
61.BMP
62.BMP
63.BMP
64.BMP
65.BMP
66.BMP
67.BMP
68.BMP
69.BMP
70.BMP
71.BMP
72.BMP
73.BMP
74.BMP
75.BMP
76.BMP
77.BMP
78.BMP
79.BMP
80.BMP
81.BMP
82.BMP
83.BMP
84.BMP
85.BMP
14
Lampiran 1 Lanjutan
86.BMP
87.BMP
88.BMP
89.BMP
90.BMP
91.BMP
92.BMP
93.BMP
94.BMP
95.BMP
96.BMP
97.BMP
98.BMP
99.BMP
100.BMP
Lampiran 2 Citra yang menjadi kueri
1.BMP
11.BMP
21.BMP
31.BMP
41.BMP
51.BMP
61.BMP
81.BMP
71.BMP
91.BMP
15
Lampiran 3 Jarak antara feature vector kueri citra dengan feature vector citra dalam basis data CITRA dalam BASIS DATA
1.bmp
11.bmp
21.bmp
31.bmp
41.bmp
51.bmp
61.bmp
71.bmp
81.bmp
91.bmp
1.bmp
0
240.17
219.13
502.18
589.14
678.72
507.64
1034.5
744.85
407.05
2.bmp
20.129
257.26
237.32
517.52
599.47
687.06
519.37
1045.4
759.23
417.49
3.bmp
30.879
268.99
249.18
528.66
604.89
695.74
526.27
1054.4
769.95
425.78
4.bmp
27.016
266.48
244.76
527.74
603.81
697.24
517.85
1057.5
770.18
423.45
5.bmp
26.012
265.33
244.45
526.21
602.26
696.26
520.41
1054.6
768.26
423.42
6.bmp
24.173
247.65
231.45
506.31
591.57
676.35
530.26
1028
746.01
411.9
7.bmp
86.966
241.72
221.13
502.29
589.15
675.49
508.97
1033.8
744.75
408.75
8.bmp
14.494
250.97
231.39
511.76
593.69
683.03
520.1
1039.1
753.33
413.27
9.bmp
29.069
268.03
246.29
528.7
604.74
695.9
518.63
1058
771.08
424.14
10.bmp
23.522
260.78
238.42
521.52
600.44
691.62
510.75
1053.8
764.56
420.5
11.bmp
240.17
0
63.4
282.22
493.83
552.97
463.34
846.42
528.04
327.68
12.bmp
259.09
24.433
80.153
260.26
479.03
548.67
469.11
826.44
506.28
340.24
13.bmp
227.54
28.305
46.648
296.75
497.04
571.31
439.28
870.18
545.47
335.34
14.bmp
219.68
50.934
40.567
311.29
501.06
585.5
419.58
890.95
561.71
340.61
15.bmp
220.31
39.497
42.054
307.15
503.93
575.84
431.83
881.88
556.13
333.6
16.bmp
236.41
74.183
63.659
282.98
490.18
554.23
462.36
847.74
529.43
332.57
17.bmp
223.06
29.598
42.088
305.68
505.89
565.77
443.9
874.98
553.28
322.31
18.bmp
216.72
38.137
45.748
317.62
510.67
563.88
455.91
879.42
563.67
309.91
19.bmp
211.33
39.405
52.328
319.95
518.29
560.87
462.2
877.94
564.56
307.69
20.bmp
231.18
32.913
80.859
296.4
508.02
544.43
491.45
842.53
536.5
312.86
21.bmp
219.13
63.4
0
323.74
513.34
567.24
421.87
900.19
573.59
315.09
22.bmp
256.64
45.881
45.171
281.76
499.49
543.05
437.13
858.39
530.1
316.88
23.bmp
190.83
87.182
39.257
356.32
531.55
594.06
414.49
931.51
606.29
317.6
24.bmp
212.92
68.095
13
330.36
522.01
562.38
426.56
903.4
579.02
308.39
25.bmp
275.74
294.62
240.03
508.1
602.35
736.82
250.6
1119.2
760.55
445.91
26.bmp
270.04
300.1
245.4
517.88
607.53
742.27
258.73
1127.7
770.9
448.44
27.bmp
375.17
156.12
178.35
163.15
448.33
538.28
432.77
777.9
421.95
413
28.bmp
553.11
329.86
355.55
116.88
485.31
522.52
518.93
672.29
285.84
524.74
29.bmp
502.18
282.22
323.74
0
440.25
516.42
565.76
623.39
266.22
509.02
30.bmp
179.94
159.99
138.89
374.95
497.65
642.95
379.11
960.93
629.7
422.96
31.bmp
502.18
282.22
323.74
0
440.25
516.42
565.76
623.39
266.22
509.02
32.bmp
547.7
322.84
343.91
147.66
470.94
550.46
490.5
710.27
333.92
513.67
33.bmp
297.85
252.1
206.96
423.48
540.59
672.68
243.28
1038.6
679.62
441.88
34.bmp
297.85
252.1
206.96
423.48
540.59
672.68
243.28
1038.6
679.62
441.88
35.bmp
547.7
322.84
343.91
147.66
470.94
550.46
490.5
710.27
333.92
513.67
36.bmp
547.7
322.84
343.91
147.66
470.94
550.46
490.5
710.27
333.92
513.67
37.bmp
375.17
156.12
178.35
163.15
448.33
538.28
432.77
777.9
421.95
413
38.bmp
375.17
156.12
178.35
163.15
448.33
538.28
432.77
777.9
421.95
413
39.bmp
553.11
329.86
355.55
116.88
485.31
522.52
518.93
672.29
285.84
524.74
CITRA YANG DIKUERIKAN
16
Lampiran 3. Lanjutan 40.bmp
547.7
322.84
343.91
147.66
470.94
550.46
490.5
710.27
333.92
513.67
41.bmp
589.14
493.83
513.34
440.25
0
805.66
654.4
845.13
582.26
778.49
42.bmp
570.41
470.25
490.08
420.21
33172
778.14
644.93
832.46
568.02
749.8
43.bmp
526.46
405.77
428.69
352.97
109.16
708.82
617.45
787.63
513.16
678.33
44.bmp
527.48
400.39
424.61
345.02
136.07
687
628.36
771.35
502.84
662.74
45.bmp
510.25
377.67
402.05
328.09
161.92
665.8
617.31
766
493.41
635.65
46.bmp
472.17
337.21
359.02
309.29
185.7
653.6
575.79
784.58
495.48
599.32
47.bmp
454.75
322.88
342.15
312.1
192.8
662.97
552.72
805.19
508.11
589.06
48.bmp
438.46
302.39
322.24
297.52
207.03
659.19
537.38
804.47
500.75
574.35
49.bmp
432.59
298.22
318.17
297.69
207.07
670.38
531.15
809.28
502.73
576.29
50.bmp
407.89
263.58
286.69
278.48
245.92
655.53
527.33
798.99
491
542.35
51.bmp
678.72
552.97
567.24
516.42
805.66
0
845.01
728.97
580.34
498.9
52.bmp
490.49
527.87
517.6
659.77
827.18
439.41
754.03
1047
838.01
493.84
53.bmp
296.7
426.56
408.69
644.24
777.76
576.08
685.1
1093
860.26
415.54
54.bmp
546.61
506.45
503
601.04
856.26
265.81
799.41
923.08
740.14
379.78
55.bmp
411.29
350.46
366.76
439.47
687.28
300.65
721.23
795.7
598.55
354.37
56.bmp
544.38
416.48
445.76
395.77
701.2
208.5
789.19
648.54
486.1
424.08
57.bmp
465.47
513
501.26
661.54
834.45
449.46
750.14
1055.4
844.95
462.71
58.bmp
490.37
453.51
460.79
500.69
667.16
315.78
734.12
849.47
651.9
514.89
59.bmp
614.15
554.24
559.07
594.66
817.89
186.92
849.09
859.18
707.55
489.77
60.bmp
617.52
568.5
568.07
639.01
923.18
254.98
844.98
925.03
756.47
433.9
61.bmp
507.64
463.34
421.87
565.76
654.4
845.01
0
1183.2
790.42
623.62
62.bmp
481.13
531.7
482.74
700.64
739.86
939.25
202.79
1321.3
943.47
669.39
63.bmp
529.23
477.86
436.39
570.99
662.8
850.85
43775
1186.7
792.24
633.89
64.bmp
494.92
504.87
457.43
647.78
706.25
902.82
120.14
1269.7
884.11
650.43
65.bmp
535.03
436.02
404.07
484.32
611.5
789.45
120.65
1090.9
692.85
607.82
66.bmp
446.31
495.01
446.71
665.47
710.45
908.65
191.21
1285.5
910.11
641.03
67.bmp
469.78
440.63
397.34
560.23
644.95
836.21
54136
1181
792.93
605.35
68.bmp
430.64
423.8
379.37
564.3
640.76
834.1
98.95
1186
803.77
592.4
69.bmp
463.35
462.76
416.66
602.24
670.79
865.48
97.97
1224
839.72
619.47
70.bmp
457.08
493.93
445.58
657.05
706.9
903.92
171.97
1278.3
900.11
640.46
71.bmp
1034.5
846.42
900.19
623.39
845.13
728.97
1183.2
0
410.87
956.92
72.bmp
1012.6
819.89
872.73
592.92
820.91
702.46
1151.3
41.214
378.11
929.77
73.bmp
1000.5
805.26
857.64
575.87
808.04
690.28
1133.1
62.698
359.38
915.56
74.bmp
989.14
791.83
843.84
559.49
796.44
681.98
1115.3
81.517
340.17
904.16
75.bmp
981.63
783.05
834.86
548.72
789.02
677.76
1103.5
93.797
327.27
897.18
76.bmp
979.24
780.8
832.81
545.64
787.6
681.22
1100.2
95.552
322.65
897.39
77.bmp
990.84
796.36
849.45
563.96
802.07
703.67
1120
74.157
342.69
916.27
78.bmp
998.95
808.25
861.78
577.78
804.42
716.5
1135.2
60.874
359.79
932.45
79.bmp
1029.2
846.44
900.45
625.33
825.17
738.05
1186.5
49.306
419.78
967.65
80.bmp
1055.4
877.18
932.04
661.71
861.4
763.97
1223.8
69.442
458.77
994.38
17
Lampiran 3. Lanjutan 81.bmp
744.85
528.04
573.59
266.22
582.26
580.34
790.42
410.87
0
696.3
82.bmp
808.85
610.03
661.93
373.6
650.19
605.18
926.39
272
164.69
761.98
83.bmp
645.11
433.64
480.46
181.52
525.26
546.05
719.82
474.68
111.57
623.42
84.bmp
693.13
475.27
519.51
212.39
547.51
564.13
733.59
463.12
59.56
655.08
85.bmp
572.99
360.51
405.27
114.47
485.46
538.62
638.94
555.04
181.54
572.07
86.bmp
825.58
603.65
646.16
337.57
635.78
621.35
838.38
397.82
90336
757.15
87.bmp
751.92
533.59
578.09
269.8
586.01
584.22
789.28
416.33
21907
700.3
88.bmp
692.91
468.64
497.59
225.86
545.86
605.18
621.37
611.55
207.72
647.91
89.bmp
733.81
520.95
568.3
264.03
578.57
573.38
799.15
396.94
37231
690.28
90.bmp
515.15
313.46
326.07
201.84
481.13
610.03
415.92
781.48
379.36
537.49
91.bmp
407.05
327.68
315.09
509.02
778.49
498.9
623.62
956.92
696.3
0
92.bmp
407.53
328.76
315.94
509.59
780.04
495.99
623.35
957.5
696.74
53.961
93.bmp
405.5
327.99
315.65
509.24
781
494.32
624.95
956.1
696.17
10.553
94.bmp
407.65
326.37
316.37
503.38
779.2
486.17
631.32
944.74
687.76
19.603
95.bmp
409.16
314.3
308.29
480.66
762.82
465.38
632.83
917.07
661.88
42.702
96.bmp
409.4
302.54
296.36
462.73
747.62
457.11
618.29
906.26
644.86
54.601
97.bmp
408.32
357.74
336.96
556.45
814.22
542.9
614.51
1018.4
750.88
63.675
98.bmp
409.22
294.15
292.61
446.42
734.7
443.89
627.85
881.81
625.21
76.673
99.bmp
409.11
281.72
279.93
429.14
719.51
445.84
610.22
874.97
610.11
88.406
100.bmp
407.57
327.99
315.23
508.47
779.21
495.74
622.54
956.69
695.62
53.167
Lampiran 4 Hasil temu kembali pada nilai ambang batas 75.
1 .bm p
7 .bm p
8 .bm p
2 .bm p
1 0.b m p
6 .bm p
5 .bm p
4 .bm p
9 .bm p
3 .bm p
(a) Hasil temu kembali citra kueri 1.BMP
11.bmp
16.bmp
12.bmp
13.bmp
17.bmp
20.bmp
18.bmp
19.bmp
15.bmp
22.bmp
21.bmp
24.bmp
23.bmp
14.bmp
15.bmp
17.bmp
22.bmp
18.bmp
13.bmp
19.bmp
11.bmp
16.bmp
(c) Hasil temu kembali citra kueri 21.BMP
29.bmp
31.bmp
(d) Hasil temu kembali citra kueri 31.BMP 14.bmp
21.bmp
24.bmp
(b) Hasil temu kembali citra kueri 11.BMP
18
Lampiarn 4. Lanjutan
41.bmp
71.bmp
72.bmp
80.bmp
77.bmp
79.bmp
78.bmp
73.bmp
42.bmp
(e) Hasil temu kembali citra kueri 41.BMP
(h) Hasil temu kembali citra kueri 71.BMP
51.BMP
(f) Hasil temu kembali citra kueri 51.BMP
81.bmp
87.bmp
89.bmp
84.bmp
(i) Hasil temu kembali citra kueri 81.BMP
61.bmp
63.bmp
67.bmp
(g) Hasil temu kembali citra kueri 61.BMP
91.bmp
100.bmp
92.bmp
95.bmp
96.bmp
97.bmp
93.bmp
94.bmp
(j) Hasil temu kembali citra kueri 91.BMP
Lampiran 5 Hasil temu kembali pada nilai ambang batas 150.
1 .bm p
6 .bm p
7 .bm p
5 .bm p
8 .bm p
4 .bm p
2 .bm p
9 .bm p
1 0.b m p
21.bmp
24.bmp
23.bmp
14.bmp
15.bmp
17.bmp
22.bmp
18.bmp
13.bmp
19.bmp
11.bmp
16.bmp
12.bmp
20.bmp
30.bmp
3 .bm p
(a) Hasil temu kembali citra kueri 1.BMP
(c) Hasil temu kembali citra kueri 21.BMP 11.bmp
16.bmp
12.bmp
13.bmp
17.bmp
20.bmp
18.bmp
19.bmp
15.bmp
22.bmp
14.bmp
21.bmp
24.bmp
29.bmp
31.bmp
85.bmp
28.bmp
32.bmp
35.bmp
36.bmp
40.bmp
39.bmp
23.bmp
(b) Hasil temu kembali citra kueri 11.BMP (d) Hasil temu kembali citra kueri 31.BMP
19
Lampiran 5. Lanjutan
76.BMP
41.bmp
42.bmp
43.bmp
44.bmp
80.BMP
(e) Hasil temu kembali citra kueri 41.BMP
(h) Hasil temu kembali citra kueri 71.BMP
51.BMP
81.bmp
87.bmp
89.bmp
84.bmp
86.bmp
(f) Hasil temu kembali citra kueri 51.BMP 83.bmp
(i) Hasil temu kembali citra kueri 81.BMP 61.bmp
63.bmp
64.bmp
65.bmp
67.bmp
69.bmp
68.bmp
94.BMP
(g) Hasil temu kembali citra kueri 61.BMP 99.BMP
(j) Hasil temu kembali citra kueri 91.BMP
Lampiran 6 Hasil temu kembali pada nilai ambang batas 225.
1.b m p
6.b m p
7 .bm p
5 .bm p
8.bm p
4.bm p
2 .bm p
9 .bm p
30 .bm p
2 3.b m p
19 .bmp
2 4.bm p
21 .bm p
1 4.b m p
15 .bmp
1 7.bm p
10 .bm p
16.bmp
12.bmp
13.bmp
24.bmp
23.bmp
14.bmp
15.bmp
17.bmp
22.bmp
18.bmp
13.bmp
19.bmp
11.bmp
16.bmp
12.bmp
20.bmp
30.bmp
27.bmp
37.bmp
38.bmp
33.bmp
34.bmp
1.bmp
7.bmp
3.b m p
18 .bm p
(a) Hasil temu kembali citra kueri 1.BMP
11.bmp
21.bmp
17.bmp
(c) Hasil temu kembali citra kueri 21.BMP 20.bmp
18.bmp
19.bmp
15.bmp
22.bmp
14.bmp
21.bmp
24.bmp
23.bmp
27.bmp
37.bmp
38.bmp
30.bmp
(b) Hasil temu kembali citra kueri 11.BMP
20
68.BMP
29.bmp
31.bmp
85.bmp
28.bmp
39.bmp
32.bmp
35.bmp
36.bmp
40.bmp
27.bmp
37.bmp
38.bmp
83.bmp
90.bmp
84.bmp
62.BMP
(g) Hasil temu kembali citra kueri 61.BMP
(d) Hasil temu kembali citra kueri 31.BMP
76.BMP
80.BMP
(h) Hasil temu kembali citra kueri 71.BMP 45.BMP
(e) Hasil temu kembali citra kueri 41.BMP
81.bmp
87.bmp
89.bmp
84.bmp
83.bmp
82.bmp
85.bmp
88.bmp
86.bmp
(i) Hasil temu kembali citra kueri 81.BMP 51.bmp
59.bmp
56.bmp
(f) Hasil temu kembali citra kueri 51.BMP 94.BMP
99.BMP
(j) Hasil temu kembali citra kueri 91.BMP
