KLASIFIKASI CITRA MENGGUNAKAN METODE MINOR COMPONENT ANALYSIS PADA SISTEM TEMU KEMBALI CITRA VERA YUNITA

Transkripsi

1 KLASIFIKASI CITRA MENGGUNAKAN METODE MINOR COMPONENT ANALYSIS PADA SISTEM TEMU KEMBALI CITRA VERA YUNITA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2009

2 KLASIFIKASI CITRA MENGGUNAKAN METODE MINOR COMPONENT ANALYSIS PADA SISTEM TEMU KEMBALI CITRA VERA YUNITA 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 BOGOR 2009

3 ABSTRACT VERA YUNITA. The Application of Minor Component Analysis to Image Classification in CBIR Systems. Under supervision of YENI HERDIYENI. In content-based image retrieval (CBIR) system, retrieving process is done by comparing a query image to all images from image database. This process is not effective because spends much times besides the retrieved images are not always match with the query image particularly for large databases. To solve this problem, image classification is proposed. In this research, minor component analysis (MCA) is used for images classification. For each image, a feature vector describing color, shape and texture. MCA vector will be formed as a representative pattern for each images class. In classification process, image database divided for image training and testing. Train data used to build classification model while test data used for test the accuracy of classification model. From this research it can be concluded that usage of MCA can improve the accuracy about 33.20%. This improvement shows that MCA can be applied in CBIR system, especially for large images database. Keywords: Content-based Image Retrieval, Minor Component Analysis, Principal Component Analysis.

4 Judul Nama NIM : Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra : Vera Yunita : G Menyetujui: Pembimbing Yeni Herdiyeni, S.Si., M.Kom. NIP Mengetahui: Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor Dr. Drh. Hasim, DEA NIP Tanggal Lulus:

5 RIWAYAT HIDUP Penulis dilahirkan di Batusangkar, Sumatera Barat pada tanggal 27 Juni 1987 sebagai anak kedua dari tiga bersaudara pasangan Bapak Makmur dan Ibu Hasnah. Pada tahun 2005, penulis lulus dari SMA Negeri 1 Batusangkar dan pada tahun yang sama penulis diterima menjadi mahasiswa Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI). Pada tahun 2006, berdasarkan hasil seleksi Mayor Minor, penulis diterima di Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam IPB (FMIPA IPB) yang merupakan departemen pilihan pertama penulis. Selain itu, untuk melengkapi kompetensi, penulis memilih minor Statistika Sosial Ekonomi pada Departemen Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam IPB (FMIPA IPB). Selama menjadi mahasiswa di Institut Pertanian Bogor, penulis aktif pada organisasi Dewan Perwakilan Mahasiswa FMIPA IPB periode 2006/2007 sebagai staf Komisi Eksternal dan periode 2007/2008 sebagai staf Komisi Internal. Pada tahun 2008 penulis melaksanakan kegiatan Praktik Kerja Lapangan di SEAMEO BIOTROP pada unit BrMC. Pada tahun 2007, penulis mendapatkan beasiswa Bantuan Belajar Mahasiswa (BBM) dari DIKTI dan pada tahun penulis memperoleh beasiswa dari Bank Indonesia. Penulis terpilih menjadi finalis Data Mining Contest pada ajang Pagelaran Mahasiswa Nasional Bidang Teknologi Informasi dan Komunikasi (gemastik) 2008 di IT Telkom Bandung.

6 PRAKATA Alhamdulillahi Rabbil alamin, puji dan syukur yang sedalam-dalamnya penulis panjatkan kepada Allah Subhanahu wa Ta ala atas limpahan rahmat dan hidayah-nya sehingga tugas akhir yang berjudul Klasifikasi Citra Menggunakan Metode Minor Component Analysis (MCA) pada Sistem Temu Kembali Citra dapat diselesaikan. Penelitian ini dilaksanakan mulai Oktober 2008 sampai dengan Juli 2009, bertempat di Departemen Ilmu Komputer. Penulis juga menyampaikan ucapan terima kasih kepada: 1. Kedua orang tua, Amak dan Abak, Uni Ipit serta Yuli yang selalu memberikan doa serta dukungan untuk penulis, 2. Ibu Yeni Herdiyeni, S.Si.,M.Kom. selaku dosen pembimbing yang telah memberikan arahan dan bimbingan serta kesabarannya kepada penulis dalam menyelesaikan skripsi ini, 3. Indra Nugraha, Ferry Pratama, Fitria Yuningsih, Ramadhani, Dimas Perdana dan M. Abi Rafdi sebagai teman-teman satu bimbingan yang selalu memberikan masukan, saran dan semangat kepada penulis, 4. Anak-anak CI, Idaliana, Indra Juniawan, Annisa dan Siti yang selalu menjadi teman diskusi, 5. Venerate Zone, Yuni Arti, Sri Danuriati, Karina Gusriani, Zissalwa Hafsari, Ninon NF dan semua anak-anak kost Harmony atas dukungan dan semangat yang telah diberikan, 6. Roy, Mega, Resti, Mba Dian, Mba Mercy, Mba Heni, Mba Ratih, Mba Rita dan teman-teman kost La Sapiensa yang selalu menemani dan memberikan semangat kepada penulis untuk menyelesaikan skripsi ini. Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga skripsi ini dapat memberikan manfaat bagi siapapun yang membaca. Bogor, Agustus 2009 Vera Yunita

7 DAFTAR ISI Halaman DAFTAR TABEL... v DAFTAR GAMBAR... v DAFTAR LAMPIRAN... v PENDAHULUAN... 1 Latar belakang... 1 Tujuan... 1 Ruang Lingkup... 1 TINJAUAN PUSTAKA... 1 Content Based Image Retrieval... 1 Principal Component Analysis... 1 Minor Component Analysis... 2 Proyeksi Vektor... 3 METODE PENELITIAN... 3 Data Citra... 3 Pembentukan Classifier Menggunakan MCA... 3 Penentuan Kelas Target Citra Kueri... 3 Hasil Klasifikasi... 4 Evaluasi Hasil Klasifikasi... 4 Lingkup Pengembangan... 4 HASIL DAN PEMBAHASAN... 4 Praproses Citra... 4 Ekstraksi Fitur... 4 Pembentukan Classifier Menggunakan MCA... 5 Pembentukan Matriks Korelasi... 5 Pembentukan Vektor MCA... 5 Penentuan Kelas Target Citra Kueri... 5 Hasil Klasifikasi... 5 Evaluasi Hasil Klasifikasi... 5 KESIMPULAN DAN SARAN... 8 Kesimpulan... 8 Saran... 8 DAFTAR PUSTAKA... 9 iv

8 DAFTAR TABEL Halaman 1 Hasil Pengujian Klasifikasi dengan Menggunakan MCA Hasil Pengujian Klasifikasi dengan Menggunakan PCA... 7 DAFTAR GAMBAR Halaman 1 Arsitektur Sistem CBIR Model Proyeksi Antara Dua Vektor Metode Penelitian Proses Pembentukan Vektor MCA Hasil Temu Kembali untuk Klasifikasi yang Benar Hasil Temu Kembali untuk Klasifikasi yang Salah Hasil Pengujian Klasifikasi dengan Menggunakan MCA Hasil Pengujian Klasifikasi dengan Menggunakan PCA Perbandingan Akurasi PCA dan MCA pada Pengujian Klasifikasi... 8 DAFTAR LAMPIRAN Halaman 1 Contoh Citra yang Digunakan Sebagai Training pada Setiap Kelas Contoh Citra yang Digunakan Sebagai Testing pada Setiap Kelas Antarmuka Sistem v

9 Latar Belakang PENDAHULUAN Sistem temu kembali citra berdasar pada informasi citra atau yang lebih dikenal dengan content-based image retrieval (CBIR) tidak selalu memberikan hasil yang memuaskan. Hal ini disebabkan karena dalam proses pencarian, kueri citra harus dibandingkan dengan semua citra yang terdapat dalam basis data citra. Cara pencarian seperti ini tentunya membutuhkan waktu terutama pada basis data citra yang sangat besar. Permasalahan ini dapat diatasi dengan cara mengklasifikasikan citra yang terdapat pada basis data sehingga sebuah citra kueri hanya akan dibandingkan dengan kelaskelas citra, bukan dengan semua citra yang terdapat dalam basis data citra. Terdapat beberapa metode yang dapat digunakan untuk klasifikasi citra di antaranya adalah support vector machines (SVM), fuzzy logic, k-nearest neighbor (KNN) dan minor component analysis (MCA). Untuk teknik klasifikasi citra menggunakan MCA sebelumnya telah diteliti oleh Jancovic et al. (2006). Dalam penelitian tersebut, Jancovic et al. menerapkan teknik klasifikasi dalam sistem CBIR dengan tujuan untuk meningkatkan keakuratan hasil temu kembali citra dan mempercepat proses pencarian terhadap suatu kueri. Hasil penelitian tersebut akan diterapkan pada basis data citra yang berukuran sangat besar. Pada penelitian ini, klasifikasi citra dilakukan dengan menggunakan metode yang sama dengan penelitian Jancovic et al. (2006) yaitu minor component analysis (MCA). Metode ini dipilih karena dari penelitian tersebut diketahui bahwa MCA dapat mempertahankan informasi yang fokus terhadap objek citra melalui proses learning. Sedangkan principal component analysis (PCA) lebih fokus terhadap informasi citra secara global yang tentu saja melibatkan background citra. Pada proses temu kembali, citra kueri hanya akan dibandingkan dengan pola representatif dari setiap kelas citra, sehingga proses pencarian akan lebih cepat dan hasil temu kembali yang diperoleh akan lebih akurat (Jancovic et al. 2006). Tujuan Penelitian Tujuan dari penelitian ini adalah untuk menerapkan metode minor component analysis (MCA) dalam klasifikasi citra digital pada sistem temu kembali citra. Ruang Lingkup Pada penelitian ini, fitur citra yang digunakan adalah warna, bentuk dan tekstur. Data citra yang digunakan dibatasi dengan hanya menggunakan sepuluh kelas citra, yaitu: kelas matahari terbenam, sapi, gajah, pohon, burung, mobil, singa, sepeda motor, helikopter dan beruang. TINJAUAN PUSTAKA Content Based Image Retrieval Content based image retrieval (CBIR) merupakan salah satu sistem dalam temu kembali citra yang didasarkan pada informasi yang dimiliki oleh citra. Informasi yang terdapat pada citra dapat bersifat semantik atau berupa informasi visual. Temu kembali citra berdasarkan informasi semantik dilakukan dengan memberikan kata kunci yang diketikan secara manual pada setiap citra. Di lain pihak, temu kembali citra berdasarkan informasi visual menggunakan teknik pengolahan warna, bentuk dan tekstur citra (Chung 2007). Pada proses temu kembali dengan CBIR, citra akan ditemukembalikan berdasarkan kemiripan fitur antara kueri dan basis data citra. Skema umum dari proses CBIR dapat dilihat pada Gambar 1. Image Query Image Feature Extraction Feature Extraction Database Compare Image retrieval Gambar 1 Arsitektur sistem CBIR (Mueen et al. 2007). Principal Component Analysis Principal component analysis (PCA) merupakan suatu metode untuk mendapatkan informasi dari suatu data dengan mereduksi dimensi dari data tersebut. Reduksi dimensi yang dilakukan pada suatu data tidak akan menyebabkan hilangnya informasi dari data tersebut (Smith 2002). Komponen utama atau yang disebut dengan principal component (PC) direpresentasikan oleh sebuah vektor yang merupakan vektor eigen yang bersesuaian dengan nilai eigen terbesar dari suatu data. Misalnya, diketahui matriks input: 1

10 Untuk memperoleh vektor PCA, maka langkah pertama yang dilakukan adalah mengurangi setiap elemen pada matriks A dengan nilai rataan dari matriks tersebut sehingga dihasilkan matriks B. Setelah itu, hitung matriks peragam (Ω) dengan cara mengalikan matriks B dengan B T. Dari matriks Ω yang berukuran n n, sebuah vektor tak nol v di R n disebut vektor eigen dari Ω jika terdapat skalar sedemikian hingga: Ωv = λv. λ disebut nilai eigen dan v adalah vektor eigen dari Ω yang bersesuaian dengan λ dimana v 0 (Leon 1998). Prosedur yang dapat dilakukan untuk menghitung nilai eigen dari sebuah matriks adalah sebagai berikut: 1. Menentukan persamaan karakteristik det ((Ω - λi) = Membentuk matriks Ω dengan elemen diagonal utamanya dikurangi λ. 3. Menguraikan persamaan karakteristik ke dalam persamaan sukubanyak karakteristik: λⁿ + c n-1 λ n-1 +c n-2 λ n c 1 λ+ c 0 = 0 4. Menyelesaikan persamaan yang diperoleh pada langkah di atas. Nilai-nilai eigen merupakan penyelesaian persamaan tersebut. Dari setiap nilai eigen yang diperoleh dapat dihasilkan satu vektor eigen. Semua vektor eigen yang diperoleh pada perhitungan tersebut merupakan vektor komponen utama atau yang dikenal dengan principal component. Minor Component Analysis Minor component analysis (MCA) atau yang disebut juga dengan minor subspace analysis (MSA) merupakan suatu metode statistika yang digunakan untuk menentukan ragam terkecil pada suatu data. Namun, menurut Luo et al. (1997) yang dimaksud dengan komponen minor adalah vektor eigen yang bersesuaian dengan nilai eigen terkecil dari sebuah matriks input (matriks korelasi). Pada pemrosesan MCA, vektor bobot dimodifikasi menggunakan metode learning rule agar menghasilkan sebuah vektor eigen yang bersifat konvergen (memusat) terhadap sebaran data (Moller & Konies 2003). Menurut Jankovic (2005), algoritme MCA mengekstrak N komponen minor dari vektor K-dimensi melalui proses acak stationer N < K. Target dari MCA adalah mengekstrak komponen minor dari data input dengan mengupdate vektor bobot secara adaptif. Misalkan matriks korelasi merupakan matriks dari input. Karena matriks R merupakan sebuah matriks persegi, maka dari matriks ini dapat dihitung sejumlah nilai eigen (λ). Banyaknya nilai eigen yang dihasilkan akan sama dengan jumlah dimensi (baris atau kolom) dari matriks R. Nilai eigen yang dihasilkan akan beragam yaitu, λ 1 > λ 2 > > λ n 0 dan vektor eigen v 1, v 2,, v n dapat dibentuk dari setiap nilai eigen tersebut, sehingga :. Proses perhitungan yang digunakan untuk memperoleh komponen minor (MCA) berbeda dengan komponen utama (PCA). Perhitungan MCA dilakukan dengan menggunakan algoritme learning dengan iterasi t yang sangat besar sehingga menghasilkan sebuah vektor bobot yang nilainya konvergen. Proses pembentukan algoritme MCA menurut Luo et al. (1997) adalah: 1 Misal merupakan sebuah vektor input, adalah vektor output dengan sebuah persamaan : (t = 0, 1, 2,, N) dengan Є R n (t = 0, 1, 2,, N) merupakan vektor bobot. 2 Algoritme untuk menghitung MCA dari sebuah vektor input adalah: dengan Є untuk j = 1, 2, 3,.., N. 3 Rumus di atas dapat ditulis dalam bentuk matriks dan disubtitusi dengan, sehingga menjadi: 4 Nilai disubtitusi dengan sehingga: Jika matriks korelasi - wt(t) w(t) Rwt, maka 2

11 Dengan demikian, algoritme yang diperkenalkan oleh Luo et al. (1997) untuk menghitung MCA secara deterministik adalah: w(t+1) = w(t) η [Rw(t)w T (t)w(t) w(t)w T (t)rw(t)] dengan η > 0 merupakan koefisien learning rate. Algoritme tersebut menghasilkan vektor w yang konvergen dengan iterasi t yang sangat besar. Proyeksi Vektor Proyeksi vektor digunakan untuk menemukan titik koordinat terdekat antara suatu vektor terhadap vektor lain (Leon 1998). Misal vektor a diproyeksikan terhadap vektor b seperti yang ditunjukkan pada Gambar 2. Indexing Basis Data Citra Ekstraksi Ciri Pembentukan classifier menggunakan MCA Retrieval Citra Kueri Ekstraksi Ciri Penentuan kelas target Kueri Hasil Klasifikasi Kueri Evaluasi Klasifikasi Gambar 2 Model proyeksi antara dua vektor. Hasil proyeksi dari vektor a terhadap vektor b yang terdapat pada Gambar 2 adalah sebuah vektor c, dengan: Gambar 3 Metode Penelitian. Ekstraksi Fitur Ekstraksi fitur dilakukan untuk memperoleh informasi fitur warna, bentuk dan tekstur. Proses ekstraksi ini dilakukan dengan menggunakan hasil penelitian Pebuardi (2008). Pembentukan Classifier Menggunakan MCA METODE PENELITIAN Tahapan yang dilalui dalam proses klasifikasi citra menggunakan metode MCA ini ada lima tahap, yaitu: (1) ekstraksi fitur, (2) pembentukan classifier menggunakan MCA, (3) penentuan kelas target citra kueri, (4) hasil klasifikasi, (5) evaluasi hasil klasifikasi. Tahapan tersebut dapat dilihat pada Gambar 3. Data Citra Data citra yang digunakan dalam penelitian ini adalah data citra California Institute of Technology (Caltech). Data tersebut diperoleh dari situs Citra yang digunakan sebagai data training berjumlah 250 citra yang dibagi ke dalam sepuluh kelas, sehingga masing-masing kelas memiliki 25 citra. Setiap kelas citra memiliki objek yang sama sedangkan background, pencahayaan dan posisi objek bervariasi. Sepuluh kelas citra yang digunakan dalam basis data citra adalah kelas matahari terbenam, sapi, gajah, pohon, burung, mobil, singa, sepeda motor, helikopter dan beruang. Fitur suatu kelas dapat direpresentasikan dengan sebuah vektor MCA. Untuk mendapatkan vektor MCA, terlebih dahulu harus dihitung vektor fitur dari setiap citra yang terdapat pada basis data citra. Fitur yang diekstrak dari setiap citra adalah warna, bentuk dan tekstur, sehingga setiap citra pada basis data citra memiliki tiga vektor fitur. Dari ketiga vektor fitur ini akan dibentuk satu vektor fitur yang telah mencakup fitur warna, bentuk dan tekstur. Untuk setiap kelas citra akan dibentuk sebuah vektor MCA yang merupakan representasi fitur dari masing-masing kelas. Proses perhitungan untuk menghasilkan vektor MCA adalah menggunakan algoritme deterministik yang diperkenalkan oleh Luo et al. (1997) dengan matriks korelasi fitur sebagai inputnya. Penentuan Kelas Target Citra Kueri Sebuah citra kueri akan dihitung vektor fiturnya, yaitu vektor fitur untuk warna, bentuk dan tekstur. Dari ketiga vektor fitur tersebut 3

12 akan dibentuk satu vektor fitur yang merupakan kombinasi dari ketiga fitur tersebut. Vektor fitur inilah yang akan diproyeksikan pada setiap vektor MCA dari masing-masing kelas untuk menentukan kelas dari citra kueri. Proyeksi dihitung dengan menggunakan rumus proyeksi vektor, yaitu: dengan c adalah vektor hasil proyeksi, a merupakan vektor fitur kueri dan b adalah vektor MCA dari setiap kelas. Kelas target dari citra kueri akan ditentukan dengan melihat panjang vektor hasil proyeksi kueri terhadap vektor MCA pada setiap kelas. Sebuah citra kueri diklasifikasikan ke dalam suatu kelas apabila panjang vektor hasil proyeksinya pada MCA kelas tersebut lebih kecil dari pada kelas lainnya. Hasil Klasifikasi Citra kueri yang digunakan pada proses temu kembali dapat berasal dari data training maupun data testing. Apabila sebuah citra kueri telah diklasifikasikan ke dalam suatu kelas, maka semua citra yang terdapat pada kelas tersebut akan menjadi citra hasil temu kembali. Hasil klasifikasi yang benar akan memberikan citra hasil temu kembali yang sangat relevan terhadap kueri yang diberikan. Evaluasi Hasil Klasifikasi Tahap evaluasi dilakukan untuk menilai kinerja sistem dalam menentukan benar atau tidaknya hasil klasifikasi dari citra kueri. Evaluasi dihitung menggunakan rumus: Nilai akurasi dihitung untuk mengetahui seberapa besar peluang kueri untuk diklasifikasikan dengan benar dari hasil pengujian citra pada setiap kelas (Mueen et al. 2007). Lingkup Pengembangan Spesifikasi perangkat keras dan perangkat lunak yang digunakan dalam penelitian ini adalah: a Perangkat keras yang digunakan adalah komputer dengan spesifikasi memori DDR2 2GB dan Harddisk 80GB. b Perangkat lunak yang digunakan adalah MATLAB dan sistem operasi Windows XP Professional SP 2. HASIL DAN PEMBAHASAN Praproses Citra Data citra yang digunakan dibagi menjadi dua bagian yaitu 250 citra digunakan sebagai data training dan 250 citra untuk data testing. Sebelum data training dan data testing diekstraksi, terlebih dahulu dilakukan pembersihan data seperti cropping pada citra yang memiliki frame agar tidak menghasilkan informasi yang salah pada saat ekstraksi fitur terutama pada fitur bentuk. Ekstraksi Fitur Proses ekstraksi fitur dilakukan untuk mendapatkan informasi warna, bentuk dan tekstur dari setiap citra, baik citra yang terdapat pada basis data citra maupun citra kueri yang berasal dari luar basis data citra. Proses ekstraksi fitur pada basis data citra citra dilakukan secara terpisah pada setiap kelas. Hal ini dilakukan untuk mempermudah proses pembentukan vektor MCA dari setiap kelas. a. Ekstraksi Fitur Warna Ekstraksi warna dilakukan terhadap semua citra pada setiap kelas secara terpisah. Proses ekstraksi warna pada setiap kelas akan menghasilkan matriks berukuran Nilai 162 merupakan fitur warna dan 25 merupakan banyaknya citra per kelas yang diekstraksi. Dengan demikian, untuk hasil ekstraksi warna pada basis data citra diperoleh sepuluh matriks berukuran b. Ekstraksi Fitur Bentuk Proses ekstraksi fitur bentuk dilakukan secara terpisah tehadap setiap kelas citra, dan menghasilkan matriks berukuran. Nilai 72 menunjukkan informasi bentuk dan nilai 25 merupakan banyaknya citra pada setiap kelas. Dengan demikian, untuk hasil ekstraksi bentuk pada basis data citra akan menghasilkan sepuluh matriks berukuran. c. Ekstraksi Fitur Tekstur Ekstraksi tekstur dilakukan terhadap semua citra secara terpisah berdasarkan kelas masingmasing. Ekstraksi tekstur untuk suatu kelas menghasilkan matriks berukuran. Angka tujuh menunjukkan informasi tekstur. Angka 25 menunjukkan banyaknya citra yang terdapat pada suatu kelas. 4

13 Vektor fitur yang akan digunakan untuk membentuk vektor MCA merupakan kombinasi dari fitur warna, bentuk dan tekstur. Untuk fitur warna digunakan 162 komponen, fitur bentuk 72 komponen dan fitur tekstur 7 komponen. Kombinasi ini menghasilkan vektor fitur berukuran untuk setiap citra, sehingga untuk setiap kelas terdapat matriks fitur yang berukuran Pembentukan Classifier Menggunakan MCA a. Pembentukan Matriks Korelasi Matriks korelasi dihitung dengan menggunakan rumus:, dengan X adalah matriks hasil ekstraksi fitur yang berukuran sehingga dihasilkan matriks korelasi berukuran b. Pembentukan Vektor MCA Vektor MCA merupakan vektor eigen yang bersesuaian dengan nilai eigen terkecil yang diperoleh dari matriks korelasi. Algoritme yang digunakan untuk mengekstrak vektor MCA dari sebuah matriks korelasi adalah: w(t+1) = w(t) η [Rw(t)w T (t)w(t) w(t)w T (t)rw(t)] dengan R adalah matriks korelasi, w merupakan vektor bobot dan η merupakan laju pembelajaran (learning rate). Proses pembentukan vektor MCA dapat dilihat pada Gambar 4. Matriks Korelasi R Inisialisasi nilai η dan w(0) Algoritme MCA diproses hingga iterasi ke-t yang sangat besar. Iterasi berhenti apabila selisih antara w(t+1) dan w(t) sangat kecil atau mendekati nol. Untuk inisialisasi awal, setiap elemen dari vektor bobot w(0) yang berukuran 241 1, diisi dengan nilai 0.1. Pemberian nilai w(0) ini disamakan untuk pemrosesan vektor MCA bagi semua kelas citra. Di sisi lain, untuk nilai η digunakan nilai Semakin kecil nilai η yang digunakan, maka iterasi algoritme akan semakin lama. Hasil dari algoritme MCA di atas adalah sebuah vektor tak nol yang disebut dengan vektor MCA. Penentuan Kelas Target Citra Kueri Citra kueri yang akan digunakan dapat berasal dari basis data citra maupun dari luar basis data citra. Sebuah citra kueri diklasifikasikan ke dalam sebuah kelas apabila panjang vektor hasil proyeksi fiturnya pada vektor MCA kelas tersebut lebih kecil daripada kelas lainnya. Hasil Klasifikasi Apabila sebuah citra kueri diklasifikasikan ke dalam suatu kelas, maka semua citra yang berada dalam kelas tersebut akan dijadikan sebagai citra hasil temu kembali. Oleh karena itu, apabila sebuah citra kueri diklasifikasikan dengan benar, maka semua citra hasil temu kembali merupakan citra yang relevan dengan kueri dan sebaliknya apabila citra kueri diklasifikasikan ke dalam kelas yang salah, maka semua citra hasil temu kembali tidak akan relevan dengan kueri tersebut. Hasil temu kembali untuk citra kueri yang diklasifikasikan dengan benar sesuai dengan kelasnya dapat dilihat pada Gambar 5, sedangkan untuk citra kueri yang diklasifikasikan ke dalam kelas yang salah dapat dilihat pada Gambar 6. Evaluasi Hasil Klasifikasi Algoritme MCA Apakah w(t+1)-w(t) = 0? Ya w(t+1) adalah vektor MCA Tidak Gambar 4 Proses pembentukan vektor MCA. Evaluasi hasil klasifikasi dilakukan dengan menghitung akurasi pada setiap kelas. Akurasi merupakan banyaknya citra yang diklasifikasikan dengan benar pada setiap kelas dibagi dengan jumlah citra uji pada kelas tersebut. Proses pengujian dibagi menjadi dua, yaitu pengujian menggunakan classifier MCA dan classifier PCA. Tujuannya adalah untuk membandingkan akurasi yang diperoleh dari hasil klasifikasi menggunakan PCA dan MCA. Dari hasil yang diperoleh dapat diketahui apakah terbukti bahwa MCA lebih baik daripada PCA dalam mengklasifikasikan citra. 5

14 Citra Kueri Citra51 Citra52 Citra53 Citra54 Citra56 Citra59 Citra61 Citra55 Citra57 Citra58 Citra60 Citra62 Citra63 Citra64 Citra65 Citra66 Citra67 Citra68 Citra69 Citra70 Citra71 Citra72 Citra73 Citra74 Citra75 Gambar 5 Hasil temu kembali untuk klasifikasi yang benar. Citra Kueri Citra201 Citra202 Citra203 Citra204 Citra205 Citra206 Citra207 Citra208 Citra209 Citra210 Citra211 Citra212 Citra213 Citra214 Citra215 Citra216 Citra217 Citra218 Citra219 Citra220 Citra221 Citra222 Citra223 Citra224 Citra225 Gambar 6 Hasil temu kembali untuk klasifikasi yang salah. 6

15 Evaluasi klasifikasi menggunakan MCA Hasil yang diperoleh dari pengujian data testing menggunakan MCA dapat dilihat pada Tabel 1. Tabel 1 Hasil pengujian klasifikasi dengan menggunakan MCA Kelas Hasil klasifikasi Akurasi Benar Salah (%) Matahari terbenam % Sapi % Gajah % Pohon % Burung % Mobil % Singa % Sepeda Motor % Helikopter % Beruang % Persentase akurasi yang terdapat pada Tabel 1 divisualisasikan ke dalam grafik yang ditampilkan pada Gambar 7. akurasi (%) Gambar 7 Hasil pengujian klasifikasi dengan menggunakan MCA. Hasil pengujian yang ditampilkan pada Gambar 7 menunjukkan bahwa akurasi tertinggi dimiliki oleh kelas mobil yaitu sebesar 64%, sedangkan akurasi terkecil dimiliki oleh kelas sapi dan singa yaitu sebesar 8%. Rataan akurasi yang diperoleh pada pengujian data testing untuk seluruh kelas adalah 33.20%. Nilai ini diperoleh dari: kelas citra Hasil akurasi yang diperoleh sangat dipengaruhi oleh hasil ekstraksi fitur yang dilakukan pada tahap praproses. Oleh karena itu, kesalahan hasil klasifikasi dapat disebabkan karena citra yang diuji memiliki warna, bentuk atau tekstur yang mirip dengan kelas yang lain. Misalnya untuk citra kueri beruang berwarna coklat dengan berlatar salju dan air laut yang berwarna biru, maka citra beruang tersebut bisa saja diklasifikasikan ke dalam kelas helikopter yang kebanyakan citranya berlatar langit yang berwarna biru dan putih. Selain itu, citra yang terdapat pada setiap kelas memiliki fitur warna, bentuk dan tekstur yang beragam sehingga sangat mempengaruhi akurasi klasifikasi. Evaluasi klasifikasi menggunakan PCA Hasil yang diperoleh pada pengujian data testing menggunakan PCA dapat dilihat pada Tabel 2. Tabel 2 Hasil pengujian klasifikasi dengan menggunakan PCA Kelas Hasil klasifikasi Akurasi Benar Salah (%) Matahari terbenam % Sapi % Gajah Pohon % Burung % Mobil Singa % Sepeda Motor % Helikopter % Beruang % Persentase akurasi yang terdapat pada Tabel 2 divisualisasikan pada grafik yang ditunjukkan pada Gambar 8. 7

16 akurasi (%) % akurasi kelas citra Gambar 8 Hasil pengujian klasifikasi dengan menggunakan PCA. Pengujian yang dilakukan dengan menggunakan PCA memberikan hasil yang tidak begitu baik. Kelas gajah dan mobil hanya memiliki akurasi sebesar 0%. Akurasi tertinggi diperoleh oleh kelas sepeda motor yaitu sebesar 32%. Akurasi rataan untuk hasil pengujian ini adalah 10%. Nilai ini diperoleh dari perhitungan: Nilai rata-rata akurasi yang diperoleh dari hasil pengujian menggunakan PCA yaitu sebesar 10% lebih kecil dibandingkan dengan hasil pengujian menggunakan MCA yaitu sebesar 33.2%. Perbandingan hasil akurasi antara MCA dan PCA dalam pengujian klasifikasi ditunjukkan pada Gambar 9. Dari grafik yang ditunjukkan Gambar 9 terlihat bahwa penggunaan MCA sebagai classifier memberikan hasil akurasi yang lebih besar daripada PCA. Oleh karena itu, penggunaan MCA dalam proses klasifikasi pada sistem temu kembali citra tentunya dapat meningkatkan hasil temu kembali. Gambar 9 Perbandingan akurasi PCA dan MCA pada pengujian klasifikasi. MCA, PCA. Kesimpulan KESIMPULAN DAN SARAN Penelitian ini telah berhasil menerapkan metode minor component analysis (MCA) pada proses klasifikasi citra dalam sistem temu kembali citra. Secara umum, penggunaan MCA sebagai classifier dapat meningkatkan nilai akurasi. Nilai rata-rata akurasi yang diperoleh pada pengujian klasifikasi menggunakan MCA lebih tinggi dari pada PCA. Dengan menerapkan proses klasifikasi pada sistem temu kembali citra, diperoleh hasil temu kembali yang sangat akurat apabila sebuah citra kueri diklasifikasikan dengan benar. Selain itu, proses pencarian menjadi lebih efisien karena citra kueri hanya dibandingkan dengan sepuluh vektor MCA yang merupakan representasi fitur dari setiap kelas. Saran kelas citra Hasil akurasi yang diperoleh pada pengujian klasifikasi sangat dipengaruhi oleh kualitas ekstraksi fitur. Oleh karena itu, untuk penelitian selanjutnya perlu diterapkan metode lain yang lebih baik pada ekstraksi fitur agar akurasi yang dihasilkan lebih besar. Selain itu, penggunaan citra yang lebih banyak pada proses training perlu diujikan untuk mengetahui apakah terjadi peningkatan akurasi atau tidak. 8

17 DAFTAR PUSTAKA Chung, KP Intelligence Content Based Image Retrieval Framework Based on Semi- Automated Learning and Historic Profile [tesis]. Australia: Murdoch University; Jancovic, M & Reljin, B A New Minor Component Analysis Method Based on Douglas-Kung-Amari Minor Subspace Analysis Method. IEEE Signal Processing Letters. Vol Jankovic, M et al Minor Component Analysis (MCA) Applied to Image Classification in CBIR Systems. IEEE Transactions on Neural Network. Volume Leon, SJ Aljabar Linear dan Aplikasinya. Erlangga: Jakarta. Luo FL, Unbehauen R, Cichocki A A Minor Component Analysis Algorithm. Vol. 10,No. 2, p , Moller, R & Konies, A Couple principal Component Analysis. IEEE Transactions on Neural Network. Volume Mueen A, Sapiyan M, Zainuddin R Multilevel Feature Extraction and X-ray Image Classification. Journal of Applied Science 7(8) Pebuardi R Pengukuran Kemiripan Citra Berbasis Warna, Bentuk dan Tekstur Menggunakan Bayesian Network [skripsi]. Bogor : Departemen Ilmu Komputer, Institut Pertanian Bogor. Smith, LI A Tutorial on Principal Component Analysis

18 LAMPIRAN

19 Lampiran 1 Contoh citra yang digunakan sebagai training pada setiap kelas 1 Kelas Matahari terbenam Citra 3 Citra 8 Citra 10 Citra 13 Citra 15 Citra 17 Citra 20 Citra 22 Citra 24 Citra 25 2 Kelas Sapi Citra 26 Citra 28 Citra 30 Citra 32 Citra 34 Citra 36 Citra 38 Citra 40 Citra 42 Citra 44 3 Kelas Gajah Citra 52 Citra 54 Citra 55 Citra 57 Citra 60 Citra 62 Citra 64 Citra 66 Citra 68 Citra 74 11

20 Lampiran 1 Lanjutan 4 Kelas Pohon Citra 77 Citra 79 Citra 81 Citra 83 Citra 85 Citra 88 Citra 89 Citra 91 Citra 99 Citra Kelas Burung Citra 104 Citra 106 Citra 108 Citra 109 Citra 111 Citra 113 Citra 115 Citra 119 Citra 121 Citra Kelas Mobil Citra 127 Citra 129 Citra 131 Citra 134 Citra 136 Citra 138 Citra 139 Citra 143 Citra 145 Citra

21 Lampiran 1 Lanjutan 7 Kelas Singa Citra 152 Citra 153 Citra 154 Citra 155 Citra 156 Citra 158 Citra 159 Citra 161 Citra 163 Citra Kelas Sepeda Motor Citra 176 Citra 179 Citra 181 Citra 184 Citra 187 Citra 193 Citra 195 Citra 197 Citra 199 Citra Kelas Helikopter Citra 201 Citra 203 Citra 205 Citra 207 Citra 209 Citra 214 Citra 216 Citra 217 Citra 220 Citra

22 Lampiran 1 Lanjutan 10 Kelas Beruang Citra 228 Citra 229 Citra 230 Citra 231 Citra 234 Citra 235 Citra 237 Citra 239 Citra 243 Citra

23 Lampiran 2 Contoh citra yang digunakan sebagai citra testing 1 Kelas matahari terbenam 2 Kelas sapi 3 Kelas gajah 4 Kelas pohon 5 Kelas burung 6 Kelas mobil 15

24 Lampiran 2 Lanjutan 7 Kelas singa 8 Kelas sepeda motor 9 Kelas helikopter 10 Kelas beruang 16

25 Lampiran 3 Antarmuka Sistem a. Antarmuka untuk memuat dan menampilkan citra kueri. b. Antarmuka untuk hasil temu kembali. 17