ANALISIS DATA ClTRA BUAH - BUAHAN

Transkripsi

1 I ANALISIS DATA ClTRA BUAH - BUAHAN DENGAN ALGORITMA FAGIN DAN THRESHOLD OLEH : ABDUL HARIS RANGKUTI SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR 2007

2 ANALISIS DATA ClTRA BUAH - BUAHAN DENGAN ALGORITMA FAGIN DAN THRESHOLD ABDUL HARlS RANGKUTI Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Komputer pada Program Studi llmu Komputer PROGRAM STUD1 ILMU KOMPUTER SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2007

3 SURAT PERNYATAAN Saya menyatakan dengan sebenar-benarnya bahwa segala pernyataan dalam tesis saya yang berjudul : Analisis Data Citra Buah - Buahan dengan Algoritma Fagin dan Threshold merupakan gagasan atau hasil penelitian saya sendiri, dengan arahan Komisi Pembimbing, kecuali yang dengan jelas ditunjukkan rujukannya. Tesis ini belum pernah diajukan untuk memperoleh gelar atau capaian akademik lainnya pada program sejenis di perguruan tinggi lain. Semua data dan inforrnasi yang digunakan telah dinyatakan secara jelas dan dapat diperiksa kebenarannya. Bogor, Agustus 2007 Yang Membuat Pemyataan A. HARIS RANGKUTI

4 ABSTRACT A. HARIS RANGKUTI. Citra Data Fruits Analysis Using Fagin dan Threshold Algorithm. Supervised By MARIMIN and KUDANG BORO SEMINAR. There are different ways of obtaining and accessing information in a multimedia database than information in a traditional database. For example, in a multimedia database, it is possible to query the top 10 images that are similar to a fixed image which respect to color and shape can contain pictures with various coloring patterns and shape. This research examines the performance of two popular algorithms in this case Fagin and Threshold algorithm, for searching two dimensional images with respect to color and shape applied on fruits. After trying more than 320 times, the result of optimal value for searching fruits image using Fagin algorithm is 92% and 94% using with Threshold algorithm. With the results more than 90% in the optimal value, actually this research can be continued and become one of recommendation for searching image in data basis. This research can be used as the bases for image retrieval. Key Words : Multimedia database, Traditional database, Fagin algorithm, Threshold algorithm, Coloring pattern, Image retrieval.

5 A. HAMS RANGKUTI,. Analisis Data Citra Buah - Buahan Dengan Algoritma Fagin dan Threshold. Di bawah bimbingan MARIMIN dan KUDANG BORO SEMINAR. Perkembangan teknologi informasi, khususnya temu kembali terhadap data atau informasi, tidak hanya dalam bentuk data teks saja, tetapi dapat juga dalam bentuk audio (suara, musik dan bunyi), video, gambar atau citra. Untuk melakukan pengolahan data multimedia yang terstruktur dan terorganisasi yang diperlukan untuk database multimedia, dimana konsep penyimpanan jenis data menjadi letak perbedaan yang mendasar dengan database tradisional. Penelitian ini bertujuan untuk (1) melakukan analisa citra buah untuk menentukan pengukuran kemiripan berdasarkan bentuk dan warna dengan menggunakan algoritma fagin dan threshold, (2) untuk mengetahui algoritrna yang lebih baik diantara fagin dan threshold, dalam menghasilkan nilai presisi yang optimal terhadap citra buah, (3) mengembangkan prototipe sistem temu-kembali data citra buah yang dibangun dengan menggunakan algoritma fagin dan threshold. Pencarian dan pemanggilan jenis data yang ada didalam database multimedia, memerlukan proses kueri yang berbeda dengan database tradisional, termasuk menggunakan konsep dan metode pemrograman yang berbeda. Penelitian ini, difokuskan pada kueri citra berdasarkan bentuk dan warna yang dimiliki citra tersebut. Pemanggilan data citra berdasarkan warna citra menggunakan konsep histrogram, dan berdasarkan bentuk citra menggunakan konsep citra biner. Untuk mendapatkan kemiripan citra buah dengan data yang sudah tersimpan dibasis data digunakan konsep euclid. Analisa citra buah - buahan ini, digunakan 2 (dua) algoritma penelusuran yaitu algoritma Fagin dan algoritma Threshold. Proses algoritma untuk pengukuran kemiripan citra berdasarkan warna dan bentuk didasarkan konsep kueri fuzzy. Untuk menghasilkan nilai presisi yang optimal dari proses algoritma, fungsi yang digunakan adalah fungsi sigmoid. Fungsi ini berfungsi untuk menentukan peringkat yang diberikan oleh sistem berdasarkan citra kueri sebagai tolak ukurnya.

6 Judul Tesis Nama N RP : ANALISIS DATA ClTRA BUAH - BUAHAN DENGAN ALGORITMA FAGIN DAN THRESHOLD : A. Haris Rangkuti : G Program Studi : llmu Komputer Menyetujui, Komisi Pem bim bing Prof. Dr. Ir. Marimin, MSc Ketua Prof. Dr. Ir. Kudang Boro Seminar. MSc Anggota / Mengetahui Ketua Program Studi kolah Pascasarjana Tanggal Ujian : 24 Agustus 2007 Tanggal lulus : 0 5 SEP 2007

7 O Hak cipta milik Institut Pertanian Bogor, tahun 2007 Hak cipta dilindungi Undang - undang I. Dilarang mengutip sebahagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah. b. Pengutipan tidak merugikan kepentingan yang wajar IPB. 2. Dilarang mengumumkan dan memperbanyak sebahagian atau seluruh karya tulis dalam bentuk apapun tanpa izin IPB.

8 KATA PENGANTAR Alhamdulillahirabbil 'alamin, Penulis panjatkan puji dan syukur ke hadirat Allah SWT yang telah memberikan rahmat, hidayah, serta karunianya sehingga Penulis dapat menyelesaikan tesis yang berjudul Analisis Data Citra Buah-Buahan Dengan Algoritma Fagin dan Threshold Penulis mengucapkan terima kasih kepada Bapak Prof. Dr. Ir. Marimin, M.Sc dan Bapak Prof. Dr. Ir. Kudang Boro Seminar, M.Sc selaku pembimbing 1 dan 2 yang telah begitu sabar dan teliti dalam memberikan banyak masukan dan saran kepada Penulis dalam penyusunan tesis ini, sehingga dapat diselesaikan dengan baik. Selanjutnya Penulis ingin mengucapkan terima kasih kepada: 1. Ayah, H. M Hasbi Rangkuti dan Ibu, Hj Dasnita yang selama ini selalu mendukung dan berdoa demi kelancaran masa studi Penulis 2. Istri tercinta Rinawati dan anak kamil, Harri Rahman Rangkuti dan Indra Fata Rahman Rangkuti yang selalu sabar menemani penulis. 3. Seluruh staf tempat penulis bekerja Agus Iskandar SKom, Toni, Anto, Suherman. 4. Ir. Adi Sucipto Aji Msi beserta keluarga yang telah banyak membantu untuk menyelesaikan tesis ini. Semoga Allah SWT selalu memberikan keberkahan. 5. Semua teman - teman di Pasca Sarjana Departemen Komputer seperti Jeff, Rani, Mahyus, Irwan, Asid, Cahyo, Ria, Hanifa, Rojali, Jayanta, Titin, Hari, Wawan dan semua teman angkatan 111 Fakultas MIPA. 6. Pejabat dan Staf di lingkungan Departemen Ilmu Komputer beserta dosen yang telah banyak membantu Penulis dalam penyusunan tesis ini. Kepada semua pihak yang telah membantu Penulis dalam penyusunan tesis ini yang tidak bisa disebutkan satu per satu. Semoga Allah SWT yang membalas semua kebaikannya. Semoga penelitian ini dapat memberikan manfaat, Amien. Bogor, Agustus 2007 A. HARIS RANGKUTI

9 DAFTAR IS1 KATA PENGANTAR DAFTAR IS1 DAFTAR GAMBAR DAFTAR TABEL DAFTAR LAMPIRAN I. PENDAHULUAN 1.1 Latar Belakang Tujuan dan Manfaat Ruang Lingkup... viii ix xii xiv xv I1. TINJAUAN PUSTAKA 2.1 Multimedia Database Komputasi Lunak Sistem Fuzzy 2.4 Himpunan Klasik Operator Dasar Himpunan Fuzzy Pengolahan Citra Pengenalan Citra buah-buahan Pendekatan Kueri Fuzzy Fungsi Aggregasi Kueri dasar Gabungan perintah Boolean dengan Kueri dasar Algoritma untuk evaluasi Query Proses kueri untuk K tertinggi pada Optimasi presisi Algoritma Fagin (FA Algorithm) Algoritma Thresold Fuzzy Database (Query) Pengenalan Warna Pendekatan kuery dengan warna buah Pendekatan Query dengan bentuk Sistem Inferensi Fuzzy...

10 Fungsi Sigmoid Pengukuran Kedekatan Citra Citra Biner Segmentasi Warna Segmentasi Bentuk I11. METODOLOGI PENELITIAN 3.1 Kerangka Pemikiran Tahap Persiapan Algoritma Pendukung Analisa Data Citra Buah Pengembangan Modul Prototipe Pengukuran Kinerja.. Sistem Dukungan Alat untuk Penelitian Waktu dan Tempat Penelitian IV. PERANCANGAN DAN IMPLEMENTASI SISTEM 4.1 Arsitektur Algoritma Fagin dan Threshold pada Citra Buah Perancangan untuk Analisa Proses Citra Buah Proses Awal Segmentasi Warna Segmentasi Bentuk Kepekatan Warna Ketepatan Bentuk Nilai Agregasi Dekomposisi Sistem Sub Menu Segmentasi Kuery Citra Antarmuka Pengguna Antarmuka Keseluruhan Sistem Antarmuka Inputan Citra Antarmuka Keluaran Algoritma Fagin dan Thresold...

11 V. EVALUASI SISTEM Proses Evaluasi Karakteristik Dokumen Input Segrnentasi Penentuan Parameter Proses Kepekatan Penentuan Kurva Pusat dan Pemulus Perhitungan Nilai Presisi Optimal dengan Algoritma Fagin Perhitungan Nilai Presisi Optimal Algoritma Threshold Hasil Presisi Yang Optimal Effisiensi Sistem Kompleksitas Sistem Analisa Kinerja Algoritma Fagin dan Threshold Aplikas dibidang Informasi lainnya VI. KESIMPULAN DAN SARAN 6.1 Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN 113

12 DAFTAR GAMBAR 1.1 Perbedaan antara Database Traditional dan Database dengan data Fuzzy Model warna RGB clan HSV Objek warna citra buah Kerangka Pemikiran Penelitian Gambar Buah - buahan dengan spesifikasi teknis tertentu Bagan alir proses tahap persiapan Tata laksana Pengolahan Database Citra Buah Gambar Buah Semangka memiliki warna dan bentuk berbeda Analisa citra buah dengan Konsep Fuzzy Kueri Metode Pengembangan Sistem Menggunakan Prototipe Tahapan Penyusunan Setelah Prototipe Arsitektur Pencarian Citra Buah dengan Algoritrna Fagin dan Threshold Diagram konteks Analisa Citra Buah Diagram Nol Analisa Citra buah dengan Algoritma Fagin dan Threshold Diagram flow Praproses untuk Citra buah Komplemen Citra BW HitungAreaAl,A2,A3, A CitraBW Flip Horizontal CitraBW Flip Vertikal Partisi Citra BW Partisi Citra BW Horizontal Partisi Citra B W Vertikal Dekomposisi Sistem Analisa citra buah dengan Algoritma fagin dan Threshold Menu utarna Sistem secara keseluruhan Antar Muka Setup Sistem Antarmuka masukan citra buah untuk proses algoritma fagin xii

13 . 18 Antarmuka keluaran dengan masukan Citra buah Ape1 dengan Algoritma Fagin Antarmuka Keluaran dengan Citra buah Alpukat dengan... Algoritma Fagin Antarmuka Keluaran dengan Citra buah Ape1 dengan Algoritma Thresold Antarmuka Keluaran dengan Citra buah Jambu dengan Algoritma. Thresold Hasil Proses Segmentasi Warna Perbandingan Query Citra dengan Citra di dalam Basis Data berdasarkan warna buah Perbandingan Query Citra dengan Citra di dalam Basis Data berdasarkan bentuk buah Grafik Nilai Presisi warna Citra Buah dengan Algoritma Fagin Grafik Nilai Presisi bentuk Citra Buah dengan Algoritma Fagin Grafik Nilai Presisi bentuk Citra Buah dengan Algoritma Threshold Grafik Nilai Presisi warna Citra Buah dengan Algoritma Threshold

14 DAFTAR TABEL 1.1 Operator dasar himpunan fuzzy Tabel karyawan Pengumpulan data citra buah Daftar buah - buahan Ketentuan Fungsi Aggregasi Kumpulan Warna Referensi Hasil Pengolahan Citra Biner dalam membentuk partisi Rata - rata nilai Presisi Warna Citra Denga Algoritma fagin Rata - rata nilai Presisi Bentuk Citra Buah Dengan Algoritma Fagin Rata - rata nilai Presisi Warna Citra Buah Dengan Algoritma Tljreshold hta - rata nilai Presisi Bentuk Citra Bwh Dengan Algoritma Threshold Efisiensi Sistem Temu kembali Citra Perbandingan Kinerja Algoritma Fagin dan Threshold...

15 1. Tahap Pembentukan Sistem Pakar Citra Keluaran dengan menggunakan metode Algoritma Fagin Citra Keluaran dengan menggunakan metode Algoritma Threshold Hasil Proses Segrnentasi

16 I. PENDAHULUAN 1.1 Latar Belakang Beberapa tahun belakangan ini, telah terjadi perkembangan yang sangat cepat pada industri komputer. Perkembangan terjadi karena dukungan yang diberikan baik pada perangkat keras atau perangkat lunak untuk pengunaan data multimedia. Dukungan dari perangkat keras dapat terlihat melalui kemampuannya yang menyediakan fasilitas untuk dapat mengakses data suara, data film, data grafik dan data citra. Untuk perangkat lunak tersedia beberapa utiliti dan aplikasi, yang mampu melakukan pernrosesan data tidak hanya data text, tetapi juga kepada beberapa data lainnya seperti data citra, suara, grafik dan termasuk data film. Diharapkan dalam satu proses atau waktu, sistem dapat menampilkan beberapa data secara bersamaan. Dalam pencarian data yang sudah tersimpan di dalam database, dapat dilakukan dengan proses kueri. Untuk database tradisional, proses kueri dilakukan dengan mengirim satu atau lebih set nilai yang diikuti dengan proses boolean untuk diletakkan di antara nilai tersebut (Fagin 1998). Untuk pencarian data citra pada database multimedia, proses kueri dapat dilakukan berdasarkan kondisi dari citra tersebut. Kondisi dari citra dapat diwakili dengan warna, tekstur dan bentuk dari citra tersebut. Hampir sama dengan database tradisional, maka pada saat proses kueri terhadap citra tertentu dengan berdasarkan kondisi di antara dua citra, maka dapat dilakukan proses boolean (Lotem 1999). Selain itu beberapa perbedaan yang sangat mendasar lainnya adalah, dalam melakukan akses terhadap

17 database multimedia sangat memungkinkan untuk melakukan kueri data citra, berdasarkan dengan persamaan (similar to) dari data citra yang sudah tersimpan. Sedangkan dalam database tradisional ha1 tersebut sangat sulit untuk dilakukan. Tidak seperti dalam situasi yang ada pada database relasional, di mana tejadi gabungan dari perintah boolean secara lebih jelas dan mudah. Berbeda untuk pemanggilan data citra secara langsung dalam database multimedia, tidaklah jelas dan mudah perintahnya, walaupun untuk pemanggilan pada kondisi yang sederhana. Untuk itu, agar perintah (command) pemanggilan citra dapat diterima secara mudah, salah satunya adalah dengan pendekatan peringkat pada saat proses kueri fuzzy. Dengan proses kueri fuzzy, maka setiap objek akan diberikan nilai peringkat yang disesuaikan dengan proses kuerinya. Sebagai contoh : jika citra yang dicari adalah warna merah, maka untuk setiap citra yang mempunyai warna merah tua, merah darah, merah muda, orange atau merah lainnya akan diberikan peringkat, yang sesuai dengan perintah kueri. Untuk memudahkan visualisasi peringkat, maka nilai peringkat yang mendekati dengan citra akan ditarnpilkan secara benuutan. Citra akan ditampilkan mulai dari peringkat tertinggi atau yang menyerupai dengan citra kueri, hingga peringkat yang terendah. Untuk proses menampilkan citra yang sesuai dengan peringkat tersebut, maka algoritrna yang digunakan adalah algoritrna fagin dan threshold. Sebagai contoh pencarian citra yang mempunyai warna hijau dan bentuk oval. Untuk proses ini dengan kondisi seperti di atas akan menjadi masalah tersendiri. Karena dengan menggunakan kueri traditional, proses ini tidak dapat

18 diselesaikan dengan benar. Namun proses ini dapat diselesaikan dengan proses kueri fuzzy. Dalam melakukan pencarian kueri fizzy terdapat beberapa algoritma yang mendukung untuk melakukan proses tersebut. Di antaranya adalah algoritma yang sangat mendukung proses ini adalah algoritma fagin dan algoritma threshold (Fagin 1999). Pada dasarnya terdapat beberapa algoritma yang mendukung proses kueri fuzzy dalam melakukan proses pencarian citra. Narnun dalam penelitian ini difokuskan kepada penggunaan algoritma fagin dan threshold untuk penelusuran citra buah - buahan. Fokus penelitian ini adalah proses pencarian suatu objek yang tersimpan di database dengan menggunakan citra sebagai kunci pencarian. Dalam melakukan pemanggilan data citra yang tersimpan pada basis data, penelitian difokuskan kepada bentuk dan warna yang dimiliki oleh citra dari produk buah - buahan. Untuk dalam melakukan penelitian tentang analisa citra buah buahan dengan menggunakan algoritma fagin dan threshold. Dalam menjalankan algoritma, citra buah yang dikurnpulkan akan disimpan ke dalam basis data. Dalam mencari citra buah berdasarkan warna dan bentuk dari citra, maka dimasukkan beberapa citra buah yang berbeda bentuk dan warna kedalam database kueri. Proses ini dimaksudkan agar, untuk menjalankan algoritma, cukup menampilkan l(satu) buah citra buah yang diambil dari data kueri, setelah itu algoritma akan mencari citra buah kedalam basis data. Jika citra buah yang sesuai dengan citra kueri, maka akan muncul pertama kali citra dengan peringkat yang mendekati angka 1,

19 kemudia disusul dengan citra kedua dengan peringkat di bawah dari citra di atasnya, dan dilanjutkan dengan citra berikutnya. Penelitian ini dilakukan untuk pengembangkan konsep softcomputing didalam melakukan pengolahan data citra, dengan menggunakan metode peringkat atau kueri fuzzy. Dalam menggunakan metode ini, setiap citra yang ada didalam database akan dibuatkan peringkat berdasarkan citra kueri. Untuk melakukan proses analisa terhadap citra buah - buahan yang sudah diberikan peringkat, maka digunakan algoritrna Fagin dan Threshold. Dengan melalui penggunaan algrotima, akan dihasilkan sekumpulan citra buah yang sesuai dengan kriteria yang berdasarkan warna dan bentuk dari citra buah, dan kemiripan dari citra kueri. Pada dasarnya terdapat beberapa alasan, untuk menggunakan Algoritma Fagin dan Threshold dalam melakukan analisa data citra buah, diantaranya : J Algoritma ini sudah banyak dikembangkan dalam melakukan analisa terhadap data multimedia. Salah satu perusahaan yang mengembangkannya adalah Perusahaan IBM Coorporation. J Kemampuan untuk melakukan analisa data citra secara cepat dan tepat, berdasarkan kondisi yang sudah ditetapkan dan menghasilkan nilai presisi yang sangat optimal.

20 1.2 Tujuan dan Manfaat Penelitian ini bertujuan untuk (1) melakukan analisa citra buah untuk menentukan pengukuran kemiripan berdasarkan bentuk dan warna dengan menggunakan algoritma fagin dan threshold, (2) untuk mengetahui algoritma yang lebih baik di antara fagin dan threshold, dalam menghasilkan nilai presisi yang optimal terhadap citra buah, (3) mengembangkan prototipe sistem temukembali data citra buah yang dibangun dengan menggunakan algoritma fagin dan threshold. Manfaat yang diharapkan dari penelitian ini adalah (1) menjadi dasar perancangan sistem temu kembali citra berbasis kaidah fuzzy dengan menggunakan algoritma fagin dan threshold dan (2) sebagai salah satu metode untuk aplikasi dalam bidang pertanian misalnya perpustakaan dijital, penentuan bibit tanaman dan klasifikasi tanaman. 1.3 Ruang Lingkup Ruang lingkup penelitian ini adalah sebagai berikut : J Obyek penelitian adalah citra buah dalam format citra JPG. J Segmentasi citra dilakukan pada warna dan bentuk J Menggunakan Algoritma Fagin dan threshold. & Untuk analisa warna citra buah digunakan metode histogram 4 Untuk Analisa bentuk citra buah digunakan metode citra binary J Model warna yang digunakan RGB 4 Tidak memperhatikan noise citra.

21 11. TINJAUAN PUSTAKA Multimedia Database Pada dasamya tidak ada definisi yang pasti mengenai multimedia, tetapi para ahli menjabarkan bahwa multimedia dapat dimaksudkan dengan pengunaan tipe data yang berubah - ubah dan berasal dari sumber yang berbeda - beda. Data tersebut dapat berupa data numerik, string, karakter,citra, film dan suara. Secara urnum database multimedia dapat membantu user untuk dapat mengerti dalam membuat format yang tepat pada objek, termasuk untuk pengaturan jumlah data yang besar. Hubungan komplek yang renggang (spatial) dan sementara, memberikan range yang luas pada data multimedia, untuk dapat melakukan proses kueri pada database multimedia, yang berbeda dari database tradisional (Fagin 1 996). Banyak usulan dari para tenaga ahli dan peneliti bahwa teknologi objek oriented sebagai tool yang menjanjikan untuk berhubungan dengan data multimedia (Chen 2004). Untuk itu hampir semua database multimedia baik secara langsung atau tidak langsung menggunakan teknologi objek oriented untuk melakukan semua proses dan akses pada data yang berbeda. Untuk dapat melakukan akses dan proses terhadap database multimedia membutuhkan suatu konsep atau cara, agar dapat berjalan dengan baik dan benar. Salah satu konsep yang menjadi perhatian untuk melakukan penelitian, dengan konsep fuzzy data (Deng 2001). Untuk itu maka secara umum gambaran perbedaan antara database

22 tradisional dan database multimedia dengan konsep fuzzy data, dapat dilihat pada gambar 1.1. Kueri fuzzy Warna='red'and Database tradisional Database multimedia Gambar I. 1 Perbedaan antara Database Tradisional dan Database dengan Data Fuzzy (Deng Y, 2001) Gambar 1. I menjelaskan tentang perbedaan antara database tradisional dengan database multimedia dengan menggunakan fuzzy data. Pada database multimedia terdapat beberapa jenis data yang dapat diolah dan diakses, diantaranya adalah data citra dimana dapat dipanggil dan diakses dengan berdasarkan kepada beberapa kriteria, diantaranya adalah warna dan bentuk. Untuk proses pemanggilan terhadap beberapa jenis data yang berbeda, dapat

23 menggunakan kueri processor dengan menggunakan metode fuzzy kueri. Dari hasil proses fuzzy kueri dihaslkan beberapa data citra yang sesuai dengan kreteria yang sudah ditetapkan. Secara umum dalam melakukan proses kueri pada data multimedia menjadi kemampuan utama pada sistem manajemen database. Proses ini dilakukan dalam rangka mencari atau memanggil satu atau beberapa jenis data yang sudah tersimpan pada database. Walaupun dalam proses kueri ini mempunyai perintab yang lebih spesifik dan rumit dalam menggunakan, namun satu satu fimgsi dasar dari sistem database manajemen adalah agar dapat memproses pernyataan user atau kueri. Hal ini dapat dicapai dengan mendefinisikan bahasa kueri sebagai bagian dari sistem database manajemen (Bohm 1994). 2.2 Komputasi Lunak Komputasi lunak merupakan suatu model pendekatan untuk melakukan komputasi dengan meniru aka1 manusia dan memiliki kemampuan penalaran dan dapat melakukan pembelajaran pada lingkungan yang penuh dengan ketidakpastian dan ketidaktepatan (Zadeh 1965). Sistem model ini diperkenalkan oleh Lotfi A Zadeh pada tahun Walaupun pada awalnya proses komputasi lunak sudah mulai diperkenalkan sejak tahun 1965, namun dengan konsep yang terkenal adalah sistem fuzzy. Pada dasarnya komputasi lunak bertujuan untuk mengeksploitasi adanya toleransi terhadap ketidakpastian dan ketidaktepatan dan menghasilkan kebenaran yang bersifat partial. Sehingga semuanya dapat

24 diselesaikan secara mudah, benar dan biaya penyelesaian yang murah, dengan menggunakan pendekatm dalam melakukan penalaran untuk memecahkm masalah. Pada dasarnya terdapat beberapa komponen utama dari pembentukan Komputasi Lunak diantaranya : sistem fuzzy, jaringan syaraf tiruan (neural network), agoritma evolusioner (algoritma genetik) dan penalaran dengan probabilitas. Keempat komponen di atas merupakan pesaing satu sama lain, namun kesemuanya saling melengkapi dengan bidang kajian yang bervariasi. 2.3 Sistem Fuzzy Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamik, Sistem ini mempunyai kemampuan untuk mengembangkan sistem cerdas dalam lingkungan yang tidak pasti dan tidak tepat. Sistem ini menduga suatu fungsi dengan logika fuzzy, di mana logika ini merupakan bagian dari logika boolean (Marimin 2005). Logika fuzzy pada dasarnya digunakan untuk menangani konsep derajat kebenaran yang berkisar antara benar dan salah. Secara umum kemampuan sistem logika fuzzy mengakomodasi : O Toleransi terhadap data - data yang tidak tepat dan sangat fleksibel. +$ Pemodelan fimgsi non linear yang sangat komplek. e3 Dapat membangun dan mengaplikasikan suatu keahlian, tanpa hams melalui proses pelatihan

25 2.4 Himpunan Klasik (crisp) Secara umum, bahwa teori himpunan fuzzy merupakan perluasan dari teori himpunan klasik. Pada teori himpunan klasik, untuk elemen Z hanya memiliki 2 kemungkinan keanggotaan yaitu menjadi anggota Z atau tidak menjadi anggota Z (Chen 2004). Jika untuk menunjukkan seberapa besar tingkat keanggotaan suatu elemen (x) dalam satu himpunan (Y), maka derajat keanggotaan, dapat dinotasikan dengan p, (x) Operator Dasar Himpunan Fuzzy Ada 3 operator dasar pada logika fuzzy (Tabel 2.1) yaitu : 1) Operator AND : Operator ini berhubungan dengan operasi interseksi pada himpunan. Hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antara elemen pada himpunan yang bersangkutan. Rumus operator AND p,,, = min(p,[xi,p,[y] ; disebut dengan conjuction rule. Di mana x = nilai elemen dari anggota fuzzy A, dan y = nilai elemen dari anggota fuzzy B. Operator OR : Operator ini berhubungan dengan operasi komplemen pada himpunan. Hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antara elemen pada himpunan yang bersangkutan. Rumus operator OR p,,, = maxb,[x],p,[y] ) ; Disebut dengan Disjunction Rule. Di mana x = nilai elemen dari anggota fuzzy A, dan y = nilai elemen dari anggota fuzzy B.

26 3) Operator Not : Operator ini berhubungan dengan operasi komplemen. Hasil operasi dengan operator Not, diperoleh dengan mengurangkan nilai keanggotaan dari himpunan yang bersangkutan dengan nilai 1. p- A(x)= 1 -,u A [XI : Disebut dengan Negotion Rule. Di mana x = nilai elemen dari anggota fuzzy A. Tabel 2.1 Operator dasar himpunan fuzzy A B rnin!a.b) A 0 m malt{a.b] A 1 -A 0 O a la]o l 1 1 'Ti I1I AND OR NOT 2.6 Pengolahan Citra Perkembangan teknologi informasi yang sedemikian pesatnya, menyebabkan terjadinya keanekaragamana dalam penyajian data dan Informasi. Diantaranya bahwa bentuk penyajian tidak hanya dalam bentuk teks, tetapi juga dapat berupa gambar, audio dan video. Citra atau istilah lain adalah gambar sebagai salah satu komponen multimedia yang memegang peranan dalam penyampaian informasi dalam bentuk visual (Gonzales 2002). Walaupun pada dasarnya citra, kaya akan informasi, namun seringkali citra mengalami beberapa permasalahan. Diantara beberapa permasalahan itu diantaranya : a. Adanya cacat atau derau atau noise.

27 b. Kualitas yang tidak memadai. c. Sulitnya dikenali dengan asupan citra yang lain. d. Warnanya kurang tajam, kabur dan terlalu kontras. Selain itu dalam pengolahan citra, perlu dilakukan operasi terhadp citra asli menjadi citra baru. Operasi yang dilakukan pada citra dikategorikan sebagai berikut : titik, yaitu operasi yang menghasilkan output di mana setiap piksel hanya dipengaruhi oleh piksel pada posisi yang sama dari citra asli. lokal, yaitu operasi yang menghasilkan output di mana pikselnya dipengaruhi oleh piksel-piksel tetangga pada citra asli. global, yaitu operasi yang menghasilkan output di mana pikselnya dipengaruhi oleh semua piksel yag ada dalam citra asli. Dalam perkembangan pengetahuan teknologi iunformasi untuk mengatasi masalah yang disebut di atas, maka dapat dibedakan menjadi 3 (tiga) kelompok, diantaranya : 1. Komputer Grafik, bertujuan untuk menghasilkan citra dalam bentuk grafik, lebih tepat disebut dengan grafik picture. 2. Pengolahan Citra, bertujuan memperbaiki kualitas citra agar mudah diinterprestasi oleh manusia atau mesin (komputer). Dengan demikian yang menjadi Input adalah citra, dan output juga menjadi citra. Namun citra output memiliki kualitas yang lebih baik.

28 3. Pengenalan Pola (pattern recognation), mengelompokkan data numerik dan citra secara otomatis oleh komputer. Tujuannya adalah untuk mengenali objek didalam citra. Secara umum otak manusia sangat mudah untuk belajar membuat klasifikasi objek - objek disekeliling. Sehingga marnpu membedakan antara objek yang satu dengan objek yang lain. Kemampuan otak manusia ini yang ditiru oleh sistem komputer agar dapat menerima masukkan sebuat citra objek yang akan diidentifikasi, kemudian memprosesnya dan diharapkan akan menghasilkan keluaran berupa deskripsi objek didalam citra. Pengenalan Citra Buah - buahan Penelitian pengenalan pola yang dilakukan mengunakan proses kueri fuzzy. Dalam proses ini sudah ada beberapa kasus yang dikerjakan oleh beberapa peneliti, baik dengan mengunakan algoritma fagin, threshold dan algoritrna lainnya. Dalam penelitian ini difokuskan pada proses kueri fuzzy dengan analisa data citra buah buahan, dengan menggunakan algoritma fagin dan threshold. Selain itu penelitian ini memfokuskan pada karakteristik yang dirniliki oleh citra buah - buahan. Terdapat beberapa karakteristik utama citra, diantaranya adalah sebagai berikut (Gonzales 2002) : 1. Ukuran pada setiap data Item adalah sangat besar (wama citra membutuhkan beberapa megabyte). 2. Dalam pemanggilan data dibutuhkan isi dan persamaan dari citra di samping dapat memanggil dengan text. 3. Tanggapan dalam terhadap proses kueri seharusnya cepat

29 4. Perubahan sangat jarang dilakukan citra yang sudah disimpan pada database. 5. User dan interface kueri harus divisualklan selengkap mungkin (contohnya user diizinkan untuk memilih warna, teksture, dm bentuk dalam bentuk graphic) dan juga memungkinkan hubungan visual yang timbal balik, melalui petunjuk pengguna. Karakteristik ini menjelaskan bahwa, untuk banyak aplikasi dapat dihitung dan disimpan ciri - ciri citra. Namun dalam penelitan ini dibatasi hanya pada database citra, dengan 2 tipe data yaitu : citra (scene) dan objek. Scene adalah warna pada citra dan objek adalah bagian dari scene (Munir 2004). Dalarn kasus memanggil kembali data citra buah yang sudah tersimpan pada database, maka pada saat pemanggilan dapat dilakukan berdasarkan citra warna dan objek bagian dari scene. 2.8 Pendekatan Kueri Fuzzy Pada awalnya dalam proses kueri di dalam database traditional, cukup dengan melakukan proses terhadap satu karakter string, di mana karakter itu sesuai dengan data yang disimpan pada database, setelah itu dilakukan proses kueri, maka muncullah data - data hasil proses kueri. Dengan muncul data hasil proses kueri bersifat sangat homogenius (seragam). Dengan perkembangan teknologi diharapkan proses kueri database tidak hanya mampu berhubungan dengan karakter string tetapi juga dengan berbagai variasi data multimedia

30 seperti citra, video dan audio. Satu perbedaan yang mendasar bahwa data multimedia mempunyai atribut yang menjadi turunan dari fuzzy. Sebagai contoh bahwa kita tidak dapat mengatakan bahwa citra yang diberikan mempunyai warna biru atau tidak biru. Namun disana terdapat tingkatan dari biru, seperti range diantara 0 (yang tidak biru) dan 1 (yang semuanya biru). 2.9 Fungsi Aggregasi Pendekatan yang berhubungan dengan data fuzzy adalah untuk melakukan pengunaan fungsi aggregasi. Fungsi aggregasi ini yang memberikan nilai berdasarkan kondisi yang diinput oleh user berdasarkan tingkatan antara 0 hingga 1. Jika parameter xl, x2,..., x, maka setiap parameter mempunyai nilai berinterval antara 0 hingga 1. Salah satu fungsi aggregasi yang sering digunakan adalah min. Berdasarkan peraturan standar pada fuzzy logic, jika objek R mempunyai peringkat XI di bawah attribute Al dan peringkat x2 di bawah attribute A2, maka kemudian tingkatan di bawah conjuction fuzzy Al A A2 adalah min(xl,x2). Fungsi aggregasi yang lain yang sering digunakan adalah average dan max Kueri Dasar Pada sistem multimedia, kueri dasar hanya bertanya untuk objek dengan satu ekspresi saja. Sebagai contoh untuk mencari citra yang benvarna merah. Untuk itu maka seperti pada perintah pada kueri dasar di mana warna = "merah", meskipun secara aktual sistem ini dapat diekspresikan untuk mencari sebuah warna dari roda warna, atau memilih suatu citra i ( i = yang sebagian besar adalah

31 merah) dan meminta citra yang lain yang memiliki warna mendekati yang dimiliki oleh citra i. Karena untuk mendapatkan beberapa citra yang dibutuhkan, harus dengan mengunakan proses kueri, maka hasilnya seharusnya objek yang akan muncul mulai dari paling merah, objek yang paling merah ke dua, objek yang paling merah ketiga dan seterusnya hingga yang ke sepuluh atau lebih. Dengan demikian maka semua objek akan ditarnpilkan yang mempunyai warna yang mendekati merah. Pada dasarnya sistem multimedia sudah mempunyai beberapa algoritma yang canggih dalam membandingkan warna, di mana algoritma itu menghitung kedekatan warna antra 2 (dm) citra. Untuk menghitung kedekatan warna antara 2 (dua) citra tidak memerlukan perhitungan yang rurnit, karena pada dasarnya setiap objek mempunyai beberapa elemen warna histogram. Untuk itu maka jarak warna diantara 2 (dua) objek, dapat diarnbil berdasarkan jarak diantara histogram yang didefinisikan sebagai berikut (Fagin 1998):,/(x - YY * A(x - Y) Penjelasan : T= menyatakan proses transpose dan A adalah matrix (x,y) mengambarkan persamaan antara warna x dan warna y. Untuk masalah warna disana terdapat, sejumlah cara untuk mendefinisikan kedekatan antara bentuk.

32 Gabungan Perintah Boolean dengan Kueri Dasar Pada dasarnya hasil dari proses fuzzy kueri pada database multimedia adalah list pendek dari objek yang dicari. Sebagai contoh : proses kueri untuk objek warna merah, kemudian hasilnya adalah objek pertama yang merah, objek kedua yang lebih merah, objek ketiga yang paling merah dan seterusnya. Kemudian bagaimana jika proses kueri multimedia digabung dengan traditional database atau dengan perintah boolean yang diletakkan diantara perintah kueri multimedia. Sebagai Contoh sebagai berikut : (buah="apple") A (warna = "hijau"), maka hasilnya dari proses kueri ini, buah ape1 yang memiliki warna kulit luar adalah hijau, hijau tua, hijau muda, dan seterusnya. Pada setiap kueri dasar, sebuah nilai ditugaskan pada setiap objek. Nilai pada objek tersebut mewakili dari keberadaan objek tersebut. Untuk yang nilainya 1 (satu) mewakili proses kueri dengan perbandingan yang sempurna, sedangkan nilai 0 (nol) mewakili proses kueri yang salah atau perbandingan yang salah Algoritma untuk Evaluasi Kueri Dalarn mendapat informasi utama pada sistem database managemen adalah efisiennya untuk proses fuzzy kueri. Pada bagian ini dibahas 2 (dua) algoritma ymg &an m~fqkukqn evaluasi kueri dan akan memperlihatkan bahwa..-...,.., asumsi terhadap sebuah algoritma yang dapat memberikan efisien yang optimal sebagai faktor yang utama. Proses kueri yang dapat dilakukan pada objek, dimana memiliki beberapa kondisi, diantara objek dilakukan perintah boolean. Untuk perintah boolean ini dapat bersifat conjuction rule dengan perintah AND

33 dan disjuction rule dengan perintah OR. Contoh (buah = "apel") A (warna = "hijau"). Bagian pertama buah = "apel" adalah kueri pada database tradisional dan bagian kedua warna = "hijau" akan dialamatkan pada sub sistem. Kerena itu 2 subsitem yang berbeda akan dilibatkan dalam menjawab proses kueri. Terdapat dalil yang berkenaan dengan proses kueri di mana dengan dalil tersebut dapat membuat algortima menjadi 3 (tiga) phase yaitu : akses secara berurutan, akses secara random, proses perhitungan Dalam menjawab dalil proses kueri, maka dilakukan penelitim citra dengan menggunakan algoritma Fagin dan Threshold. Pada dasarnya 2 (dm) algoritma ini dikemukan oleh 2 (dua) peneliti yang berbeda, namun saling melengkapi dalam menjawab proses kueri yang berbasis citra (multimedia). Algoritma Fagin (FA Algorithm) Salah satu algoritma yang banyak dibahas untuk mengakses database multimedia salah satunya adalah Algoritma Fagin. Chaudhuri dan Gravano (2000) mempertimbangkan cara untuk menirukan algoritma fagin dengan mengunakan "Kondisi Penyaringan " misalnya untuk nilai warna sekurang - kurangnya adalah 0,2. Dengan ini maka algoritma Fagin akan bekerja sebagai berikut : 1. Lakukan pengurutan secara paralel untuk semua data citra yang sejenis di mana yang ada didalam himpunan urutan m dengan kondisi a, kemudian dilanjutkan pengurutan juga didalam himpunan urutan n dengan kondisi b.

34 2. Untuk setiap objek yang sudah terlihat, lakukan akses secara acak sesuai yang dibutuhkan untuk dapat menemukan data objek yang sejenis yang ada pada himpunan m dengan kondisi a, dengan himpunan n dengan kondisi b. 3. Lakukan perhitungan fungsi aggregasi, untuk mendapatkan hasil peringkat pada setiap citra yang ada didalam basis data. Algoritma fagin sangat mendukung untuk mendapatkan nilai yang teratas untuk kemiripan pada data sejenis dengan menggunakan fimgsi aggregasi. Sekaligus juga dapat menghasilkan nilai probabilitas presisi yang optimal dalam kasus citra yang buruk atau jelek Algoritma Threshold Pada dasarnya algoritma Fagin sudah cukup optimal pada situasi di mana menunjukkan performa yang kurang baik. Sebagai contoh bahwa tidak ada jaminan bahwa fungsi aggregasi tidak tetap. Karena pada beberapa kasus yang sudah jelas bahwa terlihat untuk fungsi aggregasi adalah konstan. Untuk itu deskripsi algoritma Threshold adalah sebagai berikut : 1. Kerjakan akses pengurutan secara paralel untuk setiap list m pada data urut LI. Sebagai objek R dilihat di bawah akses urutan pada beberapa list, kerjakan urutan secara random untuk list yang lain untuk mendapatkan peringkat xl pada objek R dalam setiap list L1. Kemudian hitung peringkat f(r)=t(x1,x2,..xm) pada objek R. Jika peringkat k ini adalah salah satu dari nilai tertinggi yang sudah dilihat, kemudian ingat objek R dan pada peringkat t(r).

35 2. Untuk setiap list L1, tentukan xl menjadi tingkatan pada objek terakhir yang dilihat pada proses akses pengurutan. Definisikan nilai threshold z menjadi t(r)'t(x1,x~,..xm). sekurang kurangnya pada objek k yang sudah dilihat di mana peringkat adalah sekurang - kurangnya sama dengan z (nilai ambang) kemudian keluar dari sistem. 3. Tentukan Y menjadi satu set yang berisi objek k yang dilihat pada peringkat yang tertinggi, outputnya adalah himpunan peringkat ((R,t(R))IR Y). Algoritma threshold adalah benar untuk setiap fimgsi t aggregasi yang monotone. Fuzzy Database (Kueri) Dalam proses pengolahan database, perhatikan proses kueri di bawah ini : Select nama, alamat,golongan From karyawan Where (gaj i > ) Dengan perintah kueri di atas, maka proses ini untuk menampilkan data nama, alamat, dan golongan pada tabel karyawan, dengan syarat gaji yang diterima lebih dari Namun dalam keseharian diperlukan data yang bersifat tidak pasti (fuzzy). Sebagai contoh untuk menampilkan pegawai yang muda dan dewasa. Dengan menampilkan data pegawai yang masih muda dan dewasa, maka kueri yang digunakan adalah kueri fuzzy. Pada database kueri fuzzy terdapat 2 model yang digunakan yaitu (Sri 2004) :

36 1. Kueri fuzzy Model Tahani 2. Kueri fuzzy Model Umano Pada model tahani masih mengunakan relasi standar, hanya model ini mengunakan teori himpunan fuzzy untuk mendapatkan infomasi pada kuerinya. Contoh jika ingin mengkategorikan usia karyawan dalam himpunan muda, dewasa, dan tua. Fungsi Keanggotaan : Umur (tahun) I 1; x I35 atau x 250

37 Dengan drajat keanggotaan yang sudah disebutkan di atas, maka dapat diuraikan kedalam tabel karyawan sebagai berikut (Tabel 2.1) : Tabel 2.1 Tabel karyawan Drajat Keanggotaan ([x]) No. Nama Umur Muda Dewasa TUA 1 TOR UDIN , AND1 37 0, HASAN 35 0s 0 0 Catatan : x = Objek yang diarnati Dengan melihat fiungsi keanggotaan di atas, bahwa nilai Fuzzy terletak diantara angka 1 dan 0, jika nilai mendekati angka 1 maka nilai tersebut menuju ke besar, sedangkan jika mendekati ke angka 0 menuju ke kecil. Contoh Andi termasuk kedalam kategori muda dengan nilai 0,3 dibandingkan dengan kategori dewasa yang hanya mempunyai nilai 0,2. Pada Model Umano, data - data yang bersifat ragu - ragu diekspresikan dengan mengunakan distribusi posibilitas. Distribusi posibilitas merupakan nilai atribut dari suatu model relasi.contoh : Anton Umur 54 tahun nama anak (ani,ari)p. Dengan contoh di atas dapat dijelaskan bahwa Anton dengan urnur 54 tahun, dengan nama anak anton diekspresikan dengan

38 distribusi posibilitas yang diberikan {0,8/ani; O,5/ari). Nilai posibilitas ani lebih besar dibandingkan dengan nilai posibilitas ari 0, Pengenalan Warna Secara urnum warna pokok itu dibagi menjadi 3 warna yaitu warna merah (red), hijau (green) dan biru (blue). Warna lain diperoleh dengan mencampurkan 3 (ketiga) warna tersebut dengan perbandingan tertentu. Besar perbandingan tersebut akan disesuaikan dengan kebutuhan dari warna yang dihasilkan, termasuk juga besaran campuran dari ketiga warna tersebut (Munir 20042). Percampuran warna warna pokok C1, C2 dan C3 dengan prosentase tertentu : C = aci + bc2 + cc3 Penjelasan : C1 =Merah C2 = Hijau C3 = Biru a,b,c = Besaran nilai yang diberikan pada setiap warna Dengan demikian jika menghasilkan satu buah warna, maka merupakan penggabungan dari 3 (ketiga) warna dan setiap warna RGB dikalikan besaran yang ditambahkan pada setiap warna. Selain itu Secara umum gambaran dari model warna RGB merupakan kombinasi dari ketiga lapisan warna sehingga menghasilkan satu warna yang besifat komposit. (Stone 2003).

39 Gambar 2.2 : Model Warna RGB clan HSV (Stone 2003) Pada gambar 3 (a) menunjukkan koordinat awal (0,0,0) adalah warna hitam dan koordinat (1,1,1) adalah warna Putih. Sedangkan untuk warna abu - abu berada disepanjang garis antara koordinat (0,0,0) sampai dengan (1,1,1). Untuk warna magenta merupakan pencampuran antara warna merah dan Biru, warna kuning antara warna merah dan hijau. Selain warna RGB, warna juga dapat dimodelkan berdasarkan atributenya. Untuk setiap warna akan mempunyai 3 attribute yaitu : Intensity (I), Hue (H) dan Saturation (S). Intensity : Mempunyai kisaran nilainya antara warna gelap (hitam) dan terang (putih).hue menyatakan warna sebenarnya sekaligus juga untuk membedakan dengan warna - warna lainnya. Saturation : Mengindetifikasikan seberapa banyak warna putih yang diberikan pada setiap warna. Selain itu masing - masing warna pokok menunjukkan persentase relatif diantara warna pokok lainnya, ini disebut dengan Kromatisitas. Hal ini dapat didefinisikan

40 RGB kedalam bentuk variable X, Y, Z. Untuk itu gambaran kromatisitas adalah sebagai berikut (Jain A K 2004) :.Y Dengan demikian maka total nilai seluruh kromatisitas adalah X = Y = Z = 1 atau X+Y+Z = 1 atau Z = 1-X-Y Pendekatan Kueri pada warna buah Pada dasarnya terdapat beberapa cara untuk dapat melakukan pengenalan objek warna. Salah satmya adalah, dilakukannya perbedaan terhadap huenya. Ini dilakukan dengan cara memberikan nilai ambang pada rentang nilai huenya yang melingkupi objek. Warna adalah bagian atau objek yang paling sering ada jika digunakan pada proses kueri didalam data multimedia dan sistem temu kembali. Citra yang mempunyai kemiripan akan dipanggil atau temu kembali pada database citra. Dengan demikian citra yang mempunyai prosentase warna yang mendekati dengan prosentase warna yang dipanggil akan ditarnpilkan. Dalam proses temu kembali terhadap warna dari buah - buahan yang menjadi objek penelitian, tetap menggunakan perbandingan antara l(satu) buah dengan warna tertentu, akan mencari objek buah dengan warna tertentu yang sudah dimasukkan kedalam database. Semua ketentuan ini dapat dilihat pada contoh warna buah pada Gambar 2.3.

41 Semua ketentuan ini dapat dilihat pada contoh warna buah pada Gambar 2.3. Gambar 2.3 : Objek warna citra buah Pada gambar 2.3 terlihat buah mangga dan starawberi, di mana untuk buah mangga didominasi dengan warna hijau, sedangkan untuk buah strawberi didominasi dengan warna merah darah. Dengan satu warna yang dimiliki terhadap setiap citra buah, dapat menjadi pedoman dalam melakukan penelitian atau kajian yang sedang dilakukan terhadap citra buah Pendekatan Kueri dengan Bentuk Bentuk merupakan bagian yang penting untuk mengidentifikasikan objek pada Clitra. Selain itu juga dapat digunakan untuk sistem temu kembali. Kekuatan bentuk pada pencarian citra dimulai sejak mulai dibentuk hingga menjadi informasi dan berbeda dari warna. Banyak pendekatan yang dilakukan dalam melakukan proses kueri pada bentuk seperti pendekatan yang cukup terkenal dengan metode canny edge detection (deteksi tepi model Canny) (Chaudhuri 1996). Untuk identifikasi tepi disimpan kedalam sebuah histogram untuk sebuah

42 citra. Pada dasarnya terdapat 2 cara berbeda dalam melakukan temu kembali terhadap bentuk. Metode pertarna adalah kueri dengan contoh (query by example) di mana sebuah objek contoh disediakan dan objek yang mempunyai persamaan struktur dalam bentuk akan muncul. Metode kedua untuk temu kembali pada bentuk adalah kueri dengan sket visual (query by visual). Objek dapat dispesifikasi dengan penggabungan pada geometrik primitive. (Seperti bentuk bulat, segiempat dan segitiga) dan Objek yang mendekati dengan sketsa ini akan dipanggil. Pada dasarnya teknik perbandingan yang diperoleh dengan histogram adalah untuk menentukan persamaan diantara 2 (dua) histogram, ini dapat dilakukan pada kueri dengan warna dan bentuk. Salah satu metode adalah matrik diskrit di mana jarak nilai antara 2 histogram ke-i dan ke-j mewakili informasi pada 2 objek dapat didefinisikan sebagai berikut : d(i,j) = jarak Minkowski antara data ke-i dan data kej, x = obyek data, p = banyaknya atribut data, dan q adalah bilangan bulat positif. Matrik di atas disebut dengan Matrik Jarak Minkowski dan Ini dibutuhkan untuk menginputkan data yang sama ukurannya. Matrik pengukurun kemiripan lainnya yang banyak digunakan, termasuk digunakan pada penelitian ini adalah jarak euclid. Pada dasarnya jarak euclid sama seperti jarak minkowsi, jarak euclid merupakan kasus khusus dari jarak minkowsi.

43 d(i,j) = jarak euclid antara data ke-i dan data ke-j, x = obyek data 2.19 Sistem Inferensi Fuzzy Sistem Inferensi Fuzzy (Fuzzy Inference System (FIS) merupaan kerangka perhitungan yang didasarkan pada himpunan Fuzzy, di mana setiap aturan fuzzy berbentuk kondisi Selection yaitu IF- THEN. Secara urnurn Sistem Inferensi Fuzzy berbasis kaidah fuzzy yang merupakan komposisi dari pengetahuan dan informasi dari seorang pakar dalam bentuk -kaidah kaidah fuzzy. Terdapat 2 (dua) basis pengetahuan fuzzy yang terdiri dari 2 (dua) komponen yaitu : 4 Sebuah basis data yang mengandung peubah fuzzy dan fungsi keanggotaan 4 Basis kaidah terdiri dari himpunan kaidah fuzzy dengan operator fuzzy. Pada dasarnya Sistem inferensi fuzzy menerima masukkan himpunan crisp, di mana yang akan dikirim ke basis pengetahuan yang berisi n aturan fuzzy dalam bentuk IF-THEN. Untuk nilai fuzzy akan dicari pada setiap aturan, dan akan dilakukan aggregasi jika mempunyai lebih dari satu aturan, sekaligus akan dilakukan defuzzyfikasi untuk mendapatkan keluaran dari sistem crisp. Sistem Inferensi fuzzy yang digunakan dalam penelitian analisa data buah - buah dengan algoritma Fagin dan Threshold adalah metode Mamdani. Metode Mamdani sering dikenal dengan metode Max-Min. Menurut Mamdani untuk mendapatkan output diperlukan 4 tahapan diantaranya : 1. Pembentukan himpunan Fuzzy, dengan metode mamdani baik variabel Input maupun ouput menjadi satu atau lebih himpunan fuzzy.

44 2. Aplikasi fungsi implikasi : Fungsi yang digunakan adalaj Min 3. komposisi Aturan : Ada 3 metode yang digunakan dalam melakukan Inferensi sistem Fuzzy yaitu : Max, Additive dan probabilistik (Or). Untuk nilai max solusi himpunan fuzzy diperoleh dengan cara menggambil nilai maksimum aturan dan menggunakan operator OR untuk dapat mengaplikasikan ke Output, termasuk menggunakannya untuk memodifikasi daerah fuzzy. Secara umum dapat dituliskan sebagai berikut : Ppr [xi] = max( ppf [xi], pkf [xi I) Dengan ketentuan sebagai berikut : ppf [xi] = NIlai Keanggotaan solusi Fuzzy pw [xi] = Nilai Keanggotaan Konsekuen Fuzzy Xi = Elemen didalam keanggotaan Untuk metode additive (sum), metode ini solusi himpunan fuzzy diperoleh dengan cara melakukan seluruh penjumlahan terhadap semua output daerah fuzzy. Secara umum dapat digambarkan seabgai berikut : Ppf[xil = min( 19~~~rxil+ Pkf[~iI) Dengan ketentuan sebagai berikut : ppf [xi] = NIlai Keanggotaan solusi Fuzzy pw [xi] = Nilai Keanggotaan Konsekuen Fuzzy Xi = Elemen didalam keanggotaan

45 4. Penegasan (Defuzzy) adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan - aturan fuzzy. Sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Untuk itu perhitungan nilai fuzzy implikasi pada metode marndani adalah sebagai berikut : pbw nbb = min{ pbw,pbb } dm /I bw upbb=max@bw,~bb) Di mana dengan ketentuan : &, = nilai fuzzy ciri warna pbb = nilai fuzzy ciri bentuk Dengan penelitian yang difokuskan kepada Algoritma Fagin dan Threshold dalarn melakukan analisa data buah - buahan, maka rurnus difokuskan kepada bentuk sebagai berikut : p,, n bb = min{ p,,,pb,) di mana dengan ketentuan bahwa : jib,, = Proses Seleksi data Warna pb, = Proses Seleksi data Bentuk Hasil dari proses seleksi akan dilakukan proses fuzzy untuk menentukan nilai yang tepat, untuk sebagai output yang dihasilkan dari hasil Analisa.

46 Fungsi Sigmoid Pada dasar fungsi sigmoid yang digunakan pada penelitian ini, untuk melakukan perhitungan peringkat berbasis fuzzy. Fungsi sigmoid yang digunakan mempunyai fungsi keanggotaan dalam bentuk kurva s penyusutan, atau dalam nilai penurunan dari 1 ke 0 berbentuk kurva s. Pada dasarnya fbngsi sigmoid dibagi menjadi 2 bagian yaitu : 1. Fungsi Sigmoid Biner. Fungsi ini memiliki nilai range antara 0 sampai 1. Sehingga dengan demikian ouput yang dihasilkan memiliki interval 0 sampai 1. Fungsi ini dinunuskan sebagai berikut (Kusuma 1996) : 2. Fungsi Sigmodi Bipolar. Fungsi memiliki nilai range antara nilai 1 sampai -1 Fungsi ini memiliki rumus sebagai berikut : 1 -e-" Y=f(x)=g dengan ketentuan fl (X) f' (x) = ;[I + f (x)] (1 - f (x)] Fungsi di atas menyerupai fbngsi hyperbolik tangent. Kedua memiliki range nilai antara - 1 sampai 1. Dalam melaksanakan penelitian terhadap citra buah - buahan dengan algoritma fagin dan threshold, digunakan fimgsi sigmoid Biner, di mana mempunyai nilai antara 0 sampai dengan 1. Fungsi sigmoid biner ini berfimgsi untuk memberikan peringkat terhadap citra yang sudah ditemukan kemiripannya berdasarkan citra kueri.

47 2.18 Pengukuran Kedekatan Citra Dalam melakukan pengukuran akan kedekatan citra, dapat dilakukan berdasarkan fimgsi jarak antara dua ciri citra. Jarak digunakan untuk mengukur ke(tidak)miripan antara dua obyek data. Kemiripan merupakan salah satu landasan dari proses pencarian sebuah citra. Di mana dalam penelitian ini citranya adalah citra buah - buahan. Dengan ketentuan bahwa sudah disiapkan data buah - buahan kedalam bentuka Database. Pada dasarnya terdapat banyak cara untuk menghitung jarak, namun pada tesis ini hanya akan dibahas tiga jarak yang paling banyak digunakan. Dan diantara ketiga jarak tersebut, yang paling populer adalah jarak Euclid (Gonzales 2002). a. Jarak Minkowski Didefinisikan sebagai : Di mana : dfi,j) = jarak Minkowski antara data ke-i dan data ke-j, x = obyek data, p = banyaknya atribut data, dan q = adalah bilangan bulat positif. b. Jarak Manhattan Jarak Manhattan merupakan kasus khusus (q=l)dari Jarak Minkowski. d(i, j) = lx,, - x J 1 + xi, - xj lx, - x, I I I,

48 2.19 Citra Biner Citra biner adalah citra yang mempunyai dua nilai derajat keabuan yaitu Hitam dan Putih. Pixel - pixel objek bernilai 1 dan pixel - pixel latar belakang bernilai 0. Pada waktu menampilkan gambar, 0 akan mempunyai warna putih dan 1 mempunyai warna hitam. Dengan demikian maka untuk objek mempunyai warna hitam dan latar belakang mempunyai warna putih. Terdapat beberapa keuntungan dari penggunaan citra biner yaitu: 1. Kebutuhan memori kecil karena nilai derajat keabuan hanya membutuhkan representasi 1 bit. 2. Waktu pemerosesan lebih cepat dibandingkan dengan citra hitam putih, karena banyak operasi citra biner dilakukan dengan operasi logika (AND, OR, NOT). Pada dasarnya dalam penelitian thesis yang penulis lasanakan terutarna dalam proses pencarian data buah - buahan (retrieve data). Untuk Citra buah - buahan telah terjadi proses konversi terhadap objek - objek. Konversi tersebut dirubah kedalam citra hitam putih. Di mana untuk citra objek diberikan warna hitam sedangkan untuk warna latar belakang menggunakan warna putih. Setelah terjadi perubahan maka dilakukan proses konversi dari Citra hitam putih menjadi citra biner. Ini dilakukan karena beberapa alasan yaitu (Munir 2004): 1. Untuk dapat mengidentifikasi keberadaan objek, di mana direpresentasikan sebagai daerah (region) didalam citra. Di mana pixel - pixel objek dinyatakan dengan nilai 1 sedangkan yang lainnya dengan nilai 0.

49 2. Untuk menampilkan citra pada piranti keluaran yang hanya mempunyai resolusi intensitas satu bit. 3. Dapat menkonversi citra yang telah ditingkatkan kualitasnya tepinya ke penggambaran garis - garis tepi(edge enhancement). Dalam penelitan ini Citra biner menjadi proses yang dilaksanakan dalarn rangka mendeteksi citra - citra buah yang akan dicari dengan mengunakan algoritma fagin dan threshold Segmentasi Warna Secara umum warna merupakan suatu ciri yang dominan jika dibedakan secara visual. Apalagi dalam penelitian terhadap buah - buahan, ini dapat merupakan suatu ciri yang dominan terhadap buah - buahan. Untuk buah Ape1 dan tomat, mempunyai ciri warna dominan merah. Untuk buah alpukat, kedodong, mangga mempunyai warna dominan biru, dan buah belimbing mempunyai warna dominan kuning. Dalam penelitian ini segmentasi citra warna ini dilakukan dengan mengelompokkan tiap piksel citra kedalam bin warna referensi sebanyak 30 warna. Metode penentuan ciri citra warna dilakukan dengan mencari jarak euclid minimum antara warna piksel dengan warna referensi, yaitu : d, = min[(d,, - d,)f - Di mana : d, = citra warna d,= citra warna referensi d, = Jarak Euclid

50 Segmentasi Bentuk Seperti juga dengan citra warna, maka untuk citra bentuk merupakan juga salah satu ciri yang digunakan dalam sistem temu kembali. Dalarn penentuan dan pencarian citra bentuk yang sudah tersimpan database, dengan mengunakan inputan dari buah yang sudah disiapkan oleh penulis mengunakan teknik citra biner. Di mana antara objek buah dan warna latar belakang mempunyai ketentuan masing - masing. Di mana untuk objek buah akan mempunyai warna hitam, sedangkan untuk warna latar belakang dari objek mempunyai warna putih. Pada dasarnya citra buah yang ada didatabase dan inputan akan dibagi menjadi 9 (sembilan) bagian yang sama besar. Di mana untuk setiap bagian akan dicari indek yang terdekat pada data yang ada didalarn database.

51 Ill. METODOLOGI PENELlTlAN 3.1 Kerangka Pemikiran Dalam pelaksanaan penilitan ini dilakukan 4 tahap utama yang terdiri dari: persiapan (pengurnpulan dan pengolahan data citra buah), algoritma pendukung, studi pustaka, penentuan temu kembali dan pembuatan prototipe sistem (Gambar 3.1). Dengan konsep ini digunakan 2 model akses : pertama model akses secara berurut (sekuensial) dan model akses yang kedua dengan akses acak. Jika diasumsikan bahwa sekuential akses diwakilkan dengan variable s dan akses acak diwakilkan dengan variable r maka untuk menghasilkan proses database multimedia yang optimal adalah s + r. Dengan melakukan proses kueri fuzzy, maka citra yang sudah tersimpan ada database dapat ditemukan atau ditelusuri berdasarkan wama, bentuk dan tekstur. Dengan demikian jika ingin mengetahui dan mencari citra tertentu di dalam database, maka dapat mengunakan proses kueri fuzzy. Dalam melakukan pencarian citra dengan proses kueri fuzzy, maka akan ditampilkan beberapa citra berdasarkan peringkat. Dimulai dari peringkat yang mendekati angka 1 (satu) dengan maksud sangat mirip sekali dan mendekati angka 0 (nol) dengan maksud tidak mirip sama sekali. Baik dari sisi wama dan bentuk.

52 cramdar 3. I Keranwa rernikiran reneurran 3.2 Tahap Persiapan Tahap persiapan dalam penelitian ini, terdapat 3 (tiga) kegiatan utama yang dilakukan secara berurutan, diantaranya adalah : 1. Pengumpulan citra buah 2. Penentuan batasan citra buah 3. Analisa spesifikasi citra buah

53 Dalam pengumpulan data citra buah, dilakukan melalui beberapa cara seperti : melalui internet, pengambilan dengan photo digital ataupun melalui kumpulan cd citra buah- buahan. Setelah dilakukan pengumpulan data, maka semua citra harm mempunyai ektension JPG atau BMP (*.jpg dan *.bmp). Jika diketemukan ada ekstension yang lain, maka akan dilakukan perubahan. Secara lebih detail gambaran pengumpulan data terhadap citra buah sebagai berikut (Tabel 3.1) : Tabel 3.1 Pengumpulan data citra buah No Asal Image Buah Jumlah Image Keterangan Nama Website : 1 Teknologi Internet 92 \\-\f-n.kompa.comikeschatan~...!kiat.htm Pengambilan Diambil untuk Image citra Alpukat, Jeruk, 2 gambar dengan 30 Nanas, Kelapa dan Ape1 Photo Digital Dengan pembelian 3 CD & DVD utuk 20 Semua Image yang digunakan akan kumpulan Image dimodifikasi sesuai dengan kriteria yang buah - buah sudah ditentukan 4 Hasil Modifikasi 28 Semua image yang sudah ada, kemudian dari citra yang dilakukan modifikasi. Mulai dari warna, sudah ada. bentuk citra termasuk posisi dari citra.

54 Kemudian semua citra buah yang sudah dikumpulkan, akan dilakukan identifikasi batasan dari citra buah yang akan dilakukan penelitan. Ini dilakukan untuk menghindari bahasan terhadap penelitan yang menjadi luas, sehingga sulit untuk melaksanakannya. Adapun beberapa batasan terhadap citra buah yang diteliti diantaranya : 1. Warna citra buah difokuskan kepada warna luar yang dimiliki oleh citra buah. Untuk itu beberapa warna luar buah yang diteliti adalah sebagai berikut : 4 Warna merah terdiri atas buah apel, tomat, rambutan, strawberi. J Warna ungu terdiri dari Anggur & Warna coklat seperti buah sawo, duku, kelengkeng. 4 Warna kuning sepert buah pear, pisang J Warna biru seperti buah alpukat, jambu, mangga, kqlapa, semangka 2. Untuk bentuk citra buah yang akan dilakukan penelitian, terdiri atas beberapa bentuk yaitu : bulat, kotak, lcm&mg dsr segitiga. Untuk itu semua citra buah yang dikumpulkan, namun belum dimasukkw ke dalam database citra, hams benar - benar jelas bentuknya, dan tidak boleh dalam keadaan kabur atau tidak sempmzw tarrmpilan bentuknya. Pada saat pengumpulan data, jika bentuk dan warna dari citra buah diketemukan yang tidak jelas atau cacat, maka harus dilakukan perubahan terlebih dahulu.

55 Proses analisa terhadap citra buah, dimaksudkan agar semua data citra buah yang sudah dikumpulkan dapat segera dimasukkan kedalam Database. Dalam melakukan analisa terhadap data citra buah, terdapat beberapa spesifikasi teknis yang dibuat oleh penulis dalam rangka untuk menunjang pelaksanaan penelitian ini diantaranya : 1. Data buah - buahan yang dikumpulkan harus mempunyai latar belakang warna putih. 2. Data buah yang sudah dikumpulkan, dalam satu tampilan hanya menggambarkan satu jenis buah saja dan tidak boleh lebih. Kalaupun dalam satu tampilan itu terdapat kumpulan beberapa jenis buah, hanya bersifat untuk mengetahui perforrna dari sistem yang sudah selesai dikembangkan. 3. Data buah harus mempunyai warna clan bentuk yang sangat jelas. Karena sangat mempengaruhi dalam proses pencarian 1 temu kembali. 4. Untuk 1 (satu) jenis citra buah - buahan, akan dimodifikasi menjadi 5 sarnpai dengan 8 jenis buah yang sarna, namun dengan perbedaan warna, bentuk dan posisi pada citra buah yang sejenis. 5. Untuk data citra buah yang sejenis hams memiliki warna dan bentuk yang mempunyai beberapa perbedaan. 6. Semua data buah yang dimasukkan kedalam database harus mempunyai ektension jpg, bmp. Semua kriteria di atas, harus dapat dipenuhi dalam rangka melakukan proses kueri fuzzy terhadap data buah - buahan. Untuk itu contoh buah dengan kriteria di atas, disajikan pada Gambar 3.2 :

56 Gambar 3.2 Gambar Buah - buahan dengan spesifikasi teknis tertentu Gambar 3.2 merupakan contoh yang sesuai dengan spesifikasi teknis terhadap data citra buah yang disimpan pada Database. Secara lebih detail tahapan proses persiapan dapat dilihat pada Gambar 3.3 : Gengumpulan' r Penentuan \ Citra buah 1.o Batasan Citra Buah J k 2.0 J L ' ' ~nalisa Citra b buah * 3.0 J 6 v C i Buah v Citra Buah Hasil M kasi Hasil Anaka Gambar 3.3 Bagan alir proses tahap persiapan Gambar 3.3 menjelaskan tentang proses - proses yang akan dilakukan dalam menghasilkan citra buah yang sesuai dengan kebutuhan dalam penelitian.

57 Sedangkan secara lebih detail gambaran proses tata laksana untuk menghasilkan citra buah yang siap untuk dimasukkan kedalam database citra buah, dapat dilihat pada Gambar 3.4 : Gambar 3.4 Tata Cara Pengolahan Citra Buah Menjadi Database Citra Buah Gambar 3.4 menjelaskan bahwa penelitian ini memfokuskan tentang bagaimana dalam mengolah citra buah, mulai dari saat pengumpulan hingga penentuan spesifikasi terhadap citra buah. Gambaran tentang hasil analisa citra buah, secara lebih rinci disajikan pada Gambar 3.5 : Gambar 3.5 : Gambar Buah Semangka memiliki warna dan bentuk berbeda

58 Pada Gambar 3.5 disajikan 2 jenis citra buah semangka yang sudah dilakukan analisa citra buah, dimana dengan jenis buah yang sama, narnun mempunyai bentuk dan warna berbeda. Satu buah semangka berwarna biru tua dan mempunyai bentuk bulat, sementara buah semangka lainnya b ema hijau muda dan memiliki bentuk agak lonjong. Pada dua (2) citra diatas memberikan gambaran bahwa proses temu kembali pada data buah-buahan sangat dipengaruhi dengan warna dan bentuk dari citra buah sendiri. Dari hasil pengolahan ini maka semua citra buah akan dimasukkan kedalam database citra buah. Secara lebih detail daftar dari citra buah yang menjadi objek dalam penelitian penulis yang disajikan pada Tabel 3.2. Tabel 3.2. Daftar buah - buahan NAMA BUAH

59 Terdapat 19 citra buah yang dilakukan penelitian. Melalui citra tersebut dikembangkan menjadi 170 citra, melalui beberapa cara : 1. Mengurnpulkan melalui Internet untuk jenis citra buah yang sejenis dm mempunyai kemiripan baik terhadap bentuk dan warna. Termasuk juga mengumpulkan citra buah yang mempunyai kemiripan bentuk atau warna, narnun berbeda jenis buahnya. 2. Melakukan modifhi terhadap beberapa citra yang sudah ada, agar terjadi perbedaan baik terhadap bentuk maupun warna. 3.3 Algoritma Pendukung Dalam menentukan algoritma pendukung untuk melakukan analisa data citra buah ini, penelitian ini memfokuskan dengan menggunakan algoritma fagin dan threshold. Dalam menggunakan algoritma, maka proses temu kembali citra dimulai dengan proses urut secara beraturan, kemudian dilanjutkan dengan proses 44

60 urut secara random. Dalam melakukan proses pengurutan ini, terdapat suatu proses yang harus dijalankan terlebih dahulu, yaitu menampilkan citra yang sudah tersimpan pada database, yang dipanggil melalui citra query. Untuk pemanggilan citra yang ada didalam basis data, maka diperlukan beberapa fungsi pendukung yaitu : 1. Untuk memanggil kembali data citra berdasarkan warna, maka terlebih dahulu harus menggunakan fungsi histogram, setelah itu dilanjutkan dengan proses euclid yang berguna untuk menentukan jarak warna citra. Kemudian dilanjutkan dengan fungsi sigrnoid yang berguna untuk memproses nilai terhadap citra berdasarkan perbandingan dengan citra kueri. 2. Untuk memanggil kembali data citra berdasarkan bentuk, maka terlebih dahulu harus menggunakan fungsi citra binary, setelah itu dilanjutkan dengan proses euclid yang berguna untuk menentukan jarak kemiripan untuk bentuk citra yang ada dikueri dengan yang tersimpan di basis data. Kemudian dilanjutkan dengan fungsi sigmoid yang berguna untuk memproses nilai terhadap citra berdasarkan perbandingan dengan citra kueri. Dengan nilai sigmoid ini, jika citra bentuk yang ada didalam basis data hampir sama dengan citra bentuk dikueri. 3.4 Analisa Data Citra Buah Dalam melakukan analisa citra buah relevan sebagai bahan penelitian, dibagi menjadi dua bagian yaitu untuk pembuatan file citra buah basis data dan

61 file citra yang digunakan sebagai bahan penguji (citra kueri). Sedangkan untuk objek citra buah - buahan yang digunakan untuk penelitian terdapat lebih dari 20 jenis buah - buahan., dengan setiap jenis memiliki maksimal 8 citra buah bahkan lebih, sedangkan minimal terdapat 1 citra buah. Citra buah yang digunakan sebagai citra kueri sebanyak 16 jenis citra, untuk mencari dan menelusuri citra buah yang sudah tersimpan kedalam database yang berjurnlah hingga 170 citra buah. Dalam tahapan ini juga diperlukan pemilihan algoritma dan kriteria yang akan diproses. Setelah itu fbngsi aggregasi melakukan proses peringkat terhadap citra yang akan ditarnpilkan berdasarkan kondisi dari citra kueri yang dipilih. Jika citra buah didalam basis data menyerupai dengan kondisi dari citra kueri, maka aka mempunyai peringkat mendekati atau hampir sama dengan angka 1 (satu). Jika hampir menyerupai dengan Citra buah yang dicari, maka hasilnya kurang dari satu tapi lebih besar dengan 0,5. Namun jika citra buah jauh menyerupai dari kondisi warna dan bentuk citra kueri, maka mempunyai peringkat lebih kecil dari 0,5, bahkan dapat mempunyai peringkat mendekati angka 0. Untuk pelaksanaan proses tersebut di atas berlaku juga terhadap algoritma fagin dan threshold. Secara lebih detail diagram untuk pencarian citra buah dengan konsep fuzzi kueri adalah sebagai berikut :

62 Gambar 3.6 : Anaisa citra buah dengan Konsep Kueri Fuzzy Pada Gambar 3.6 dijelaskan bahwa dalam melakukan analisa citra buah dengan menggunakan konsep kueri fizzy melalui penggunaan algoritrna, terdapat beberapa proses yang harus dilalui, seperti proses pengolahan citra buah yang sudah dikumpulkan, proses temu kembali terhadap citra buah yang sudah disimpan pada basis data, dimana akan ditampilkan berdasarkan kreteria uji warna dan bentuk. Untuk menampilkan citra yang sudah dicari terhadap citra yang sudah ditemu kembali, dapat memilih dengan menggunakan algoritma fagin atau threshold. Setelah citra tersebut ditampilkan, maka dilakukan proses peringkat dengan mengunakan hngsi aggregasi. Jika citra yang mendekati dengan citra buah yang dicari, maka mempunyai peringkat mendekati angka 1, namun jika tidak menyerupai, maka lebih kecil dari 0,5 atau mendekati angka 0.

63 3.5 Pengembangan modul prototipe Setelah dilakukan evaluasi terhadap seluruh data citra buah, maka tahapan berikutnya adalah melakukan pengembangan modul prototipe. Dalam melakukan pengembangan modul ini, akan menghasilkan modul prototipe yang mengunakan konsep kueri fuzzy. Penulis dalam mengembangkan modul prototipe berdasarkan hasil analisa data citra berbasis kueri fuzzy dengan menggunakan algoritma Fagin dan Threshold. Dengan menggunakan modul prototipe ini, maka dapat diketahui kelebihan dan kekurangan setiap algoritma dalam melakukan proses kueri fuzzy dengan menggunakan data citra buah. Dalam melakukan proses kueri fuzzy akan mengfokuskan kepada 2 (dua) bagian yaitu : warna dan bentuk. Dalam melakukan pengembangan analisa data buah dengan algoritma fagin dan threshold, penulis mengunakan metodologi prototipe. Adapun tahapan dalam pengembangan Sistem dengan metode Prototipe dapat disajikan pada Gambar Memahami kebutuhan prototipe : Tahap ini digunakan untuk memaharni kebutuhan untuk melakukan analisa dan evaluasi tentang pengembangan modul prototype, dapat melakukan analisis data citra buah dengan algoritma fagin dan threshold. Dalam melakukan pemahaman prototipe, pertama yang dapat dilakukan dengan memahami data citra buah yang sudah dikumpulkan. Kedua, dengan memahami masalah - masalah yang akan dihadapi dalam melakukan kueri terhadap data citra buah melalui algoritma. Ketiga, pemahaman secara lebih detail mengenai kebutuhan dalam melakukan pengembangan prototype sistem. Sehingga pada tahapan ini sudah mendapatkan gambaran secara lebih jelas bagaimana membuat prototipe sistem, setelah melakukan analisa data citra buah - buahan dengan

64 menggunakan konsep kueri fuzzy. 2. Merancang Cepat : Pada tahapan ini, setelah memahami semua kebutuhan dalam rangka melakukan pengembangan prototipe sistem, maka tahap berikutnya adalah melakukan rancangan secara cepat dan tepat. Rancangan ditekankan kepada memahami semua fungsi - fungsi yang mendukung proses fuzzy kueri terhadap data citra buah. Termasuk menterjemahkan fungsi - fungsi kedalam rancangan, dimana yang dapat membantu proses masuk kueri berdasarkan langkah yang sudah ditetapkan oleh algoritma fagin dan threshold. Pada tahapan ini secara lebih jelas sudah dapat memahami fungsi - fungsi pendukung lainnya termasuk bagaimana merubahnya atau menkonversi algoritma fagin dan threshold kedalam bahasa pemrograman dengan menggunakan bahasa matlab. 3. Tahapan Berikutnya Membuat Sistem Prototipe : Setelah melakukan analisa dan rancangan terhadap setiap rinci kebutuhan menampilkan kebutuhan data citra buah dan infomasi yang dihasilkan. Pada pembuatan prototipe ini sudah mulai membuat pernrograman, berdasarkan masukkan yang diterima dari tahapan sebelumnya. Adapun yang dihasilkan pada saat pembuatan sistem prototipe adalah sebagai berikut : 4 Mengetahui teknik kueri yang dilakukan terhadap data citra buah dan menampilkan informasi citra buah dengan mengunakan algoritrna fagin dan threshold.

65 4 Bentuk prototipe dari sebuah sistem database citra buah, dimana sudah dapat diperlihatkan suatu sub menu pencarian atau retrieve data citra buah yang sudah tersimpan didalam database dan menampilkan hasil proses pencarian berdasarkan algoritma yang sudah ditentukan. & Melakukan perubahan secara langsung terhadap sistem prototipe, jika dalam percobaan masih diketemukan kesalahan kesalahan baik dari jalannya sistem dan output yang dihasilkan. 4. Tahapan Selanjutnya, Evaluasi pada prototipe: Setelah pembuatan selesai dilaksanakan, kemudian akan dilakukan evaluasi untuk mendapatkan masukkan kekurangan dari prototipe yang sudah dibuat. 5. Setelah dilakukan evaluasi pada prototipe, maka tahapan berikutnya adalah Melakukan perbaikan prototipe : Perbaikan didasarkan dari hasil uji coba sistem yang dilakukan dengan membandingkan spesifikasi teknis yang telah ditetapkan. Untuk pendekatan pembuatan andisa data citra buah yang sudah tersimpan kedalam Database secara menyeluruh mencakup beberapa tahapan (tahapan pembuatan prototipe) yang terdiri dari : 1. Prosedur penyusunan pemanggilan (temu kembali) basis data citra buah buahan dengan mengunakan algoritma fagin dan threshold. 2. Penyusunan struktur database citra buah, dimana sebagai tempat penampungan semua data citra buah - buahan. Pada dasarnya untuk sturktur ini, karena berupa citra buah - buahan, &a data yang dapat disimpan dalam bentuk ekstensi jpg dan bmp.

66 3. Pembuatan Program Aplikasi dengan menggunakan Software mathlab versi 7.0. Karena penelitian ini bersifat komputasi lunak, maka software ini sangat bermanfaat dalam mendukung semua fungsi - fungsi yang dibutuhkan dalam proses analisa data citra buah termasuk dalam rangkan proses pemanggilan data citra buah yang sudah tersimpan kedalam Database. Gambar 3.7 : Metode Pengembangan Sistem Mengunakan Prototipe Setelah dilakukan proses pembuatan prototipe, maka dalam rangka pengembangan sistem kueri citra buah secara lebih sempurna, untuk itu maka dibutuhkan tahapan selanjutnya, seperti yang ada pada gambar 3.8.

67 Tiiak Hasil Sistem Start Prototipe ) Analisa dan Perancangan. Sistem Ya Evaluasi 4 Pemrograman Gambar 3.8 Tahapan Penyusunan Setelah Prototipe Pada Gambar 3.8 dapat dijelaskan tetang proses selanjutnya setelah terbentuknya sistem prototipe, untuk melakukan kueri terhadap data citra buah. Proses dimulai dengan melakukan analisa dan perancangan sistem. Pada tahapan ini dilakukan, untuk mengetahui secara keseluruhan tentang kebutuhan pengembangan sistem kueri terhadap data citra buah. Termasuk juga rancangan terhadap inputan, proses dan keluaran dari sistem kueri. Jika analisa dan rancangan dapat sesuai dengan kebutuhan, maka dilanjutkan dengan pembuatan pemrograman secara lebih lengkap dan sempurna. Untuk bahasa pernrograman yang digunakan adalah menggunakan bahasa mathlab. Software mathlab, sangat cocok untuk menyelesaikan kasus - kasus yang bersifat komputasi lunak. Setelah pemrograman untuk menganalisis data citra buah sudah selesai dibuat, maka dilakukan evaluasi secara keseluruhan. Ini dilakukan untuk mengetahui apakah masih diketemukan kesalahan dari hasil pengembangan sistem berbasis kueri fuzzy. Jika masih diketermukan kesalahan, maka dilakukan pemrograman ulang, jika sudah selesai maka sistem tersebut dapat digunakan secara tepat dan benar. 3.6 Pengukuran Kinerja Sistem Dalam menentukan analisa kinerja sistem temu kembali pada data citra buah dengan menggunakan Algoritma Fagin dan Threshold, akan menjadi benar dan akurat, jika jurnlah citra yang berhasil diidentifikasi dengan benar oleh

68 sistem. Pengukuran kinerja sistem ini dapat menggunakan persamaan sebagai berikut : A. Citra buah yang relevant ( R) R= citra yang relevan hasil query citra yang relevan dolam database B. Citra buah yang presisi (P) x: citra yang relevan hasil query P= citra yang ditampilkan :(q) q = Citra yang ditampilkan 3.7 Dukungan Alat untuk Penelitian Alat yang digunakan dalam melaksanakan penelitian analisa data buah dengan algoritma Fagin dan Threshold dibagi menjadi 2 bagian yaitu : 1. Perangkat Keras berupa satu unit komputer Note book dengan spesifikasi teknis : - Prosesor Utama : Pentium IV. 2.4 Ghz - Memori Utarna : 512 Mbps - Memori Video : 128 Mbyte - Hardisk : 20 Gbyte - Monitor : 17 Inch 2. Perangkat Lunak, yang mendukung untuk penelitian ini yaitu : Sistem Operasi : Micorosoft XP Professional Applikasi Pendukung : Microsoft Ofice dan Mathlab 7.0 service pack Waktu dan Tempat Penelitian Penelitian ini dilaksanakan mulai bulan Januari 2007 hingga bulan Juli 2007, bertempat di Laboratorium Pascasarjana Departemen Ilmu Komputer, Fakultas MIPA IPB.

69 IV. PERANCANGAN DAN IMPLEMENTAS1 SISTEM 4.1 Arsitektur Algoritma Fagin dan Threshold pada Citra Buah Pada dasarnya algoritma fagin dan threshold merupakan bagian dari sistem pakar. Dimana algoritma tersebut melakukan pengurutan terhadap data citra buah yang dicari didalam basis data. Di dalam penggunaan algoritma ini, berdasarkan perkembangan penelitian ada 3 jenis yang dapat dilakukan yaitu berdasarkan bentuk, warna dan tekstur citra. Dalam penelitian yang dilakukan terhadap data citra buah, memfokuskan kepada 2 jenis yaitu bentuk dan warna. Dalam melakukan proses analisis terhadap data citra buah dengan menggunakan algoritma fagin dan threshold terdapat 3 proses utama yaitu 1. Proses pengindeksan yang terdiri dari proses awal atau segrnentasi 2. Proses temu kembali berdasarkan kepekatan warna dan ketepatan bentuk terhadap citra buah yang sudah diberikan peringkat berdasarkan kueri citra. 3. Proses pengurutan yaitu proses algoritma Fagin dan Threshold. Untuk sistem temu kembali terhadap citra buah dan dilanjutkan dengan analisa d@a citra buah, pada dasarnya terdapat beberapa tahapan yang harus dilaksanakan, untuk itu dapat dilihat pada gambar 4.1. Dalam melakukan penelitian ini terd+< beberapa proses yang harus dilakukan untuk menghasilkan urutan citra buah yang sesuai dengan algoritma fagin dan threshold yaitu proses ditemu kembali data citra buah yang ada didalam basis data berdasarkan kondisi dari citra yang diinginkan.

70 Secara lebih detail gambaran arsitektur dari setiap tahapan yang harus dilakukan adalah sebagai berikut : Gambar 4.1 : Arsitektur Pencarian Citra Buah dengan Algoritma Fagin dan Threshold Pada gambar 4.1 dijelaskan bagan proses yang dilakukan dalam melakukan temu kembali citra buah - buahan. Dimulai dengan proses awal, kemudian dilanjutkan dengan proses segrnentasi, kemudian dilanjutkan dengan proses kepekatan atau ketepatan, aggregasi, algoritma fagin atau algoritma threshold dan outputnya adalah tampilan citra buah berdasarkan algoritma yang dikehendaki. 4.2 Perancangan untuk Analisa Citra Buah - Buahan Dalam melakukan analisa citra buah dengan algoritrna fagin dan threshold, memanggil warna citra buah, penulis menggunakan konsep histogram RGB, sedangkan untuk memanggil bentuk citra buah menggunakan konsep citra hitam putih yang diubah kedalam citra biner. Adapun gambaran proses analisa citra buah dengan algoritma fagin dan threshold, yang akan dilakukan dalam penelitian ini dapat dilihat pada gambar di bawah ini :

71 - Citra buah - - f \Urutan Image Algoritrna Analisa Citra Buah Fagin dan Threshold buahan dengan Algoritma * Fagin dan Threshold Teori citra \ 1 Pendukung ) Gambar 4.2 : Diagram konteks Analisa Citra buah Gambar 4.3 : Diagram No1 Analisa Citra buah dengan Algoritma Fagin dan Threshold Pada gambar 4.2 menjelaskan tentang gambaran global dari proses analisa citra buah dengan algoritma fagin dan threshold. Dengan inputan adalah citra buah yang dapat diperoleh baik dari CD dan internet, sedangkan untuk keluarannya adalah Urutan citra yang muncul berdasarkan algoritma fagin dm threshold. Secara lebih detail tentang proses - proses yang hams dilakukan untuk menghasilkan urutan citra yang sesuai dengan inputan kueri berdasarkan warna dan bentuk disajikan pada gambar 4.3.

72 1. Proses awal adalah proses pengumpulan citra buah dan pemrosesan citra 2. Proses Segmentasi dimana output yang dihasilkan adalah segmentasi terhadap bentuk dan warna 3. Proses Gradeness dimana akan dihasilkan untuk outputnya adalah kepekatan warna dan ketepatan bentuk. 4. Proses Aggregasi 5. Proses dengan Algoritma Fagin atau 6. Proses dengan Algoritma Threshold Proses awal Untuk proses awal dilakukan beberapa aktivitas dalam mendukung proses temu kembali data citra buah diantaranya : 1. Pengumpulan data buah - buahan baik melalui Internet, melalui photo digital dan pembelian cd yang berisi lcitra buah - buahan. 2. Seleksi terhadap citra buah-buahan baik terhadap warna maupun bentuk. 3. Setelah proses seleksi, kemudian dilanjutkan dengan proses manipulasi data citra buah. Sebagaimana yang sudah dijelaskan bahwa untuk Warna, penulis menggunakan konsep histrogram untuk pencarian Citra, sedangkan untuk bentuk penulis konsep citra biner. Secara umum gambaran dari proses awal disajikan pada Gambar 4.4.

73 rnelalui CD I DVD Gambar 4.4 : Diagram flow Praproses untuk Citra buah Dalam Gambar 4.4 terlihat bahwa praproses dimulai dengan pengurnpulan data citra buah - buahan, baik dari internet, pengambilan gambar / citra dengan memphoto, dan pembelian cd citra dengan resoulusi yang sangat tinggi. Setelah data dikurnpulkan terjadi proses seleksi terhadap seluruh data citra buah - buahan. Karena yang menjadi bahan penelitian penulis satu jenis citra buah-buahan, bukan kumpulan beberapa jenis buah. Setelah terjadi proses pemilihan citra buah, maka dilakukan manipulasi terhadap citra buah tersebut, dimana untuk objek memiliki warna yang sangat jelas, sedangkan warna latar belakang harus memiliki warna putih Segmentasi Warna Dalam melaksanakan segmentasi warna ini, metode yang digunakan adalah dengan histogram. Metode ini sangat effektive dan tidak sensitif terhadap manipulasi citra seperti rotasi, translasi dan perubahan dimensi dan sudut pandang kamera. Pada dasarnya khusus untuk citra warna, histograrnnya dibuat untuk setiap kana1 RGB (Red, Green dan Blue). Dalam penelitian terhadap citra buah - buahan segmentasi warna dilakukan dengan mengelompokkan tiap piksel citra kedalam bin warna referensi.

74 Pada dasarnya standard peralatan pencitraan dalam melakukan proses kuitansi warna adalan dengan menggunakan model warna RGB dengan jurnlah ragam bit mencapai 8 bit. Model dengan warna RGB merupakan dasar dalam menghasilkan warna - warna lainnya, melalui kombinasi dari ketiga lapisan warna. Sehingga dengan demikian akan dihasilkan satu warna yang komposit dari penggabungan dari dua atau tiga warna RGB. Untuk dimensi dari RGB adalah m x n akan mempunyai piksel wama m x n x 3 piksel warna, atau akan mempunyai ragam citra sebanyak 2' = 256 atau 224 = ragam warna citra yang mungkin dapat dihasilkan dari alat pencitraan. Secara urnum gambaran warna citra RGB dapat digambarkan sebagai berikut : Dimana zrgb = Citra RGB r,g,b = nilai warna R,G,B x, y = Koordinat piksel i = 1... m j = l...n Sebagaimana yang sudah diinformasikan pada BAB sebelurnnya, bahwa pembacaan data citra RGB menggunakan fungsi Matlab yaitu : Cgrb = irnread ('narna file citra')

75 Dimana : Proses pembacaan data citra dalam bentuk matrik bilangan integer dengan skala yang berukuran m x n x 3. Citra untuk melakukan sistem temu kembali untuk keperluan segmentasi warna dan bentuk mempunyai dimensi 86 x 56 piksel untuk citra lanscape sedang 65 x 86 untuk citra potait Untuk mempercepat proses penentuan ciri baik terhadap warna dan bentuk maka diperlukan proses reduksi dimensi. Proses ini juga dilakukan jika dimensi citra RGB lebih besar dari jumlah piksel maksimum 86 x 65. Sedangkan untuk metode historgram pada penelitian ini dilakukan, dengan bekerja melalui penentuan jarak euclid minimum antara warna piksel dengan wana referensi. Ini dapat digambarkan sebagai berikut : dimana : dy = hasil minimum jarak euclid a = warna piksel b = warna referensi Segmentasi Bentuk Dalam melakukan segrnentasi bentuk, seperti telah digambarkan bahwa metode yang digunakan adalah metode citra biner. Pada citra biner mempunyai 2 nilai derajat keabuan yaitu hitarn dan putih. Dimana pixel pixel objek bernilai 1 dan pixel pixel latar belakang bernilai 0. Pada dasarnya proses segrnentasi bentuk adalah dengan menentukan jarak euclid pada saat pembuatan indeks bentuk citra basisdata dengan bentuk citra kueri didalam basisdata. Untuk itu gambaran rumus yang hams dilakukan sebagai berikut :

76 d = sqrt[(al -bl)"2 + (a2-b2)" (ax-bx)"2)] dimana : d = Jarak Euclid ax = Indek bentuk citra pada basis data bx = Indek bentuk citra Kueri Untuk Proses Segrnentasi terdapat tahapan algoritma yang hams dilakukan yaitu : 1. Membaca citra RGB yang sudah tersimpan pada Database 2. Melakukan transformasi kedalam citra Biner dengan Intensitas 95 % 3. Komplemenkan Citra B W yang dihasilkan (Gambar 4.5) 4. Partisi citra BW menjadi 9 area 5. Hitung luas area pajak seperti no. (A 1, A2, A3, A4) (gambar 4.6) 6. Lakukan proses flip secara horizontal citra BW (Gambar 4.7) 7. Partisi citra BW menjadi 2 area secara horizontal (Gambar 4.8) 8. Hitung luas masing-masing partisi (a5, a6) 9. Flip secara vertikal citra BW (Gambar 4.9) 10. Partisi citra BW menjadi 2 area secara vertikal (Gambar 4.10) 11. Hitung luas masing-2 partisi (a7, a8) 12. Simpan data luas area Sedangkan Algoritma untuk perhitungan jarak euclid bentuk citra kueri dengan basisdata adalah sebagai berikut : 1. Baca citra RGB kueri 2. Lakukan proses transformasi ke BW dgn intesitas 95 %

77 3. Komplemenkan citra BW yang dihasilkan. (0 menjadi 1, 1 menjadi 0) 4. Partisi citra BW menjadi 9 area (Gambar 4.11) 5. Hitung luas area bl, b3, b7, b9 (area pojok) 6. Partisi citra BW menjadi 2 area secara horizontal (Gambar 4.12) 7. Hitung luas masing-masing partisi (b5, b6) 8. Partisi citra BW menjadi 2 area secara vertikal (Gambar 4.13) 9. Hitung luas masing masing partisi (b7, b8) 10. Hitung jarak euclid dengan persamaan : d = sqrt[(al-bl)"2 + (2-b2)" (a8-b8)"2)] Untuk itu maka semakin kecil nilai d (jarak euclid) maka citra basisdata semakin mirip dengan kueri (citra pencari) Gambar 4.5 : Komplemen Citra BW Gambar 4.6 : Hitung Area Al, A2,A3,A4

78 ("Atraw Flip Harhxmt;PI Gambar 4.7 : Citra BW Gambar 4.8 : Flip Horizontal Gambar 4.9 : Citra BW Gambar 4.10 : Flip Vertikal

79 b6 Partisi Horizontal Gambar Partisi Citra BW Gambar 4.12 Partisi Citra BW Horizontal b7 - Partis Vertikal Gambar 4.13 Partisi Citra BW Vertikal Kepekatan Warna Dalam menentukan nilai kepakatan warna buah dapat ditentukan berdasarkan fungsi sigrnoid dengan perhitungan hasil euclid dari warna buah kueri dengan warna yang ada pada basis data. Ini dapat dilihat pada perintah dari mathlab sebagai berikut : 90 JARAK EUCLID WARNA dce(i) = sqrt(sum((idxc(i,:) - ixc)."2)); % Pencarian Nilai Llntuk Kepekatan Warna dss=dce1 ; dec=((dss-min(dss))/(max(dss)-min(dss))); mce=sigmf(dec, [-lo.5]);

80 Dalam menentukan kepekatan warna maka dilakukan perhitungan pembagian antara hasil nilai sendiri, nilai ranglung terendah dan nilai rangking tertinggi. Dari hail nilai tersebut, maka akan dijadikan inputan didalam fungsi sigmoid, termasuk nilai inputan yang penulis masukkan. Pada dasarnya nilai [-10,.5] adalah nilai presisi yang optimal untuk mencari citra warna, berdasarkan citra kueri yang ada didalam basis data. Untuk menghasilkan nilai presisi warna yang optimal maka dapat dilakukan dengan menggunakan fungsi sigmoid Ketepatan Bentuk Dalam menentukan nilai ketepatan bentuk dapat ditentukan berdasarkan fimgsi sigrnoid dengan perhitungan hasil euclid dari bentuk buah kueri dengan bentuk buah yang pada basis data. Ini dapat dilihat dengan perintah dari mathlab sebagai berikut : '36 JARAK EUCLID BENTUK dse(i) = sqrt(sum((idxs(i,:) - ixs)./'2)); noid(i)=i; 9.0 Pencarian Nilai Untuk Kepekatan Warna dss=dset; des=((dss-min(dss))/(max(dss)-min(dss))); mse=sigmf(des, [-8.I]); Dalam menentukan kepekatan Warna maka dilakukan perhitungan pembagian antara hasil nilai sendiri, nilai rangking terendah dan nilai rangking tertinggi. Dari hasil nilai tersebut, maka akan dijadikan inputan didalam fimgsi sigmoid, termasuk nilai inputan yang penulis masukkan. Pada dasarnya nilai [-8.l] adalah nilai yang presisi yang optimal, dalam mencari bentuk citra kueri, dengan bentuk citra yang ada didalam

81 Tabel 4.1 Ketentuan Fungsi Aggregasi 1 No. Warna Bentuk Hasil Keterangan 1 Sama Sama Sama Hasil proses warna dan bentuk pada kueri dan Basis Data mempunyai nilai yang sarna 2 Sama Beda Beda 3 Beda Sama Beda 4 Beda Beda Beda Dalam nilai fungsi aggregasi kemudian digunakan untuk menghitung nilai fungsi keluaran menggunakan fungsi kurva S Penyusutan. Fungsi matlab yang digunakan untuk menghitung nilai fuzzy keluaran adalah sebagai berikut : mce=sigmf(dec, [-lo 4); % nilai untuk gradeness dengan signloid warna mse=sigmf(des, [-8.I]); % nilai untuk gradeness dengan sigrnoid bentuk 4.3 Dekomposisi Sistem Dalam menjalankan sistem temu kembali pada kasus Analisa data buah - buahan dengan menggunakan algoritrna fagin dan threshold, maka akan terdapat 4 subsistem (modul) yang hams dijalankan dari keseluruhan sistem diantaranya adalah Segmentasi, antarmuka setup, kueri citra dan antarmuka keluar. Diantara antar sub

82 basis data. Untuk menghasilkan nilai presisi bentuk yang optimal maka dapat dilakukan dengan menggunakan fungsi sigmoid. Dengan rumus yang digunakan yaitu : y = sigmf(x,[a c]), sedangkan rumus fimgsi sigmoid y = f (x) = e-"'"-"' Dimana : x = hasil fungsi euclid kemiripan antara citra buah database dengan citra kueri a, c = variabel untuk fungsi sigrnoid, diambil dari parameter kurva pusat dan pemulus Dengan diketahui nilai y, berdasarkan fimgsi diatas akan menjadi peringkat yang dimiliki oleh citra buah tersebut Nilai Aggregasi Setelah proses segmentasi selesai dilaksanakan maka nilai aggregasi dilakukan untuk menemukan beberapa atribute pencari (warna, bentuk) untuk menghasilkan beberapa objek dengan nilai yang mendekati angka 1. Nilai ini mulai dengan kategori sama mendekati nilai = 1, mirip mempunyai nilai >0,5 dan beda mempunyai nilai < 0,5. Pada dasarnya dalam melakukan proses algoritma fagin dm threshold, maka konsep fuzzy yang digunakan menggunakan rumus : MIN(pa, pb) dimana : pa = Nilai fuzzy warna pb = Nilai fuzzy bentuk Dimana dalam pengembangan pernrogramannya, fimgis aggregasi ini digabungkan dengan fimgsi sigrnoid, dimana sebelurnnya sudah menjalankan fimgsi euclid. Adapun secara detail penggunakan nilai aggregasi dapat dilihat pada fimgsi di bawah ini : 9.0 Pencarian Nilai IJntuh Kepekatan Warna dss=dcet; des=((dss-min(dss))/(max(dss)-min(dss))); Pencarian Nilai Untuk Ketepatan Bentuk dss=dset ; des=((dss-min(dss))/(max(dss)-min(dss))); O/O Adapun ketentuan yang dapat dilakukan fimgsi aggregasi disajikan pada Tabel 4.1.

83 sistem akan saling terkait dan saling memenuhi, sehingga akan menjadi tidak sukses sistem ini dijalankan jika salah satu subs sistem dihilangkan. Setiap subsistem mempunyai fungsi masing masing, narnun untuk menjalankan sistem ini pertarna kali diharapkan memilih subsistem segmentasi. Untuk proses segmentasi berguna untuk melakukan proses indek citra warna dan bentuk terhadap data - data baru dan lama. Sehingga diharapkan setelah proses ini dijalankan, maka proses kueri citra dapat berjalan secara cepat dan akurat. Secara urnurn gambaran dari dekomposisi sistem adalah sebagai berikut (Gambar 4.1 1) : d 1 MENU SEGMENTASI ANTARMUKA SETUP QUERY ClTRA ANTARMUKA KELUARAN INDEKS WARNA I INDEKS BENTUK ANTARMU'' MASUKAN GRADENESS AGREGASI FAGlN TRESHOLD IIIU I- I Gambar 4.11 Dekomposisi Sistem Analisa citra buah dengan Algoritma Fagin dan Threshold Gambar 4.11 menunjukkan ada 4 submenu yang akan dijalankan, agar sistem secara keseluruhan dapat berjalan dengan baik yaitu : 1. Segmentasi 2. Antarrnuka Setup 3. Kueri Citra 4. Antarmuka Keluaran

84 Setiap subsitem mempunyai fbngsi masing - masing dalam rangka mendukung pencarian data citra buah - buahan diantaranya adalah sebagai berikut : 1. Segmentasi : berfungsi untuk membuata indeks terhadap data buah - buahan yang sudah disimpan pada basis data. Indeks dilakukan baik terhadap warna yang dimiliki oleh buah - buahan, dan bentuk yang dimiliki oleh buah- buahan. 2. Antarmuka Setup : Submenu ini berfungsi untuk menentukan jumlah citra buah yang sudah disimpan didalam basis data, untuk dapat dimunculkan pada saat dipanggil (retrieve) oleh citra masukkan. 3. Kueri Citra : Submenu ini berfungsi untuk melakukan pencarian dan pengelompokkan data citra buah yang tersimpan pada basis data, dimana citra yang muncul sesuai /relevan dengan citra masukkan. 4. Antarmuka berfungsi sebagai media perantara antara sistem dengan pengguna yaitu: Untuk menerima masukkan, parameter sistem dan hasil visualisasi dari kueri Sub Menu Segmentasi Menu Segmentasi ini berguna untuk dapat melakukan indeks warna dan bentuk terhadap basis data buah - buahan. Untuk dapat melakukan proses ini adalah dengan memilih MENU -> segrnentasi. Setelah sistem akan melakukan 2 proses sekaligus yaitu proses untuk indeks warna dan kemudian dilanjutkan dengan indeks bentuk. Karena pada perintah ini menjalankan 2 (dua) proses secara berumtan, maka akan terlihat butuh waktu dalam melakukan proses ini. Untuk proses segrnentasi ini, maka untuk indeks warna dengan mengeksekusi subsistem, sedangkan untuk ciri bentuk dengan mengeksekusi. Proses

85 segmentasi dilakukan terlebih dahulu sebelum sistem mengeksekusi subsitem yang lain seperti subsistem kueri. Dalam pemerosesan file segrnentasi akan dihasilkan file indeks warna dan bentuk dengan format file matlab. Untuk format file indeks ini penulis menggunakan 30 warna referensi, dengan jumlah citra buah - buahan yang disimpan pada database sebanyak 170 buah. Sedangkan untuk indeks bentuk, dengan menggunakan konsep Citra Binary maka akan diproses sebanyak 170 citra buah, dimana dengan jurnlah bentuk yang menjadi inputan kueri sebanyak 16 buah. Namun dalam membuat programming dalam rangka mendukung thesis yang sedang diteliti oleh penulis, maka kami membuat masukkan kueri terhadap 16 macam buah, baik utuk mencari warna dan bentuk Kueri Citra Untuk subsistem kueri ini berfungsi untuk melakukan pencarian dalam basis data buah yang relevan dengan inputan citra kueri buah. Dengan inputan satu citra kueri maka secara otomatis sistem akan menampilkan kueri berdasarkan warna dan bentuk yang dimiliki oleh buah. Untuk melakukan proses ini dapat dilakukan dengan memilih Menu + kueri citra pada menu sistem, kemudian sistem akan memampilkan antar muka untuk memasukkan buah yang akan dicari.

86 4.4 Antarmuka Pengguna Selain itu, untuk dapat berhubungan terhadap sistem citra buah dengan algoritrna fagin dan threshold yang sedang dibuat oleh penulis, terutama dalam melakukan pencarian terhadap citra data buah - buah, maka dapat dilakukan dengan antarmuka antara sistem dengan pengguna. Pada dasarnya terdapat 3 jenis antar muka yaitu : 1. Antarmuka Sistem 2. Antarmuka Masukkan, dan 3. Antarmuka Keluaran. Pembagian antarmuka sistem dapat dilihat pada gambar di bawah ini : Antarmuka Keseluruhan Sistem Antarmuka Sistem adalah dimana beberapa fasilitas yang dipersiap oleh sistem untuk dapat digunakan oleh user. Pada dasarnya antarmuka ini digunakan sebagai menu utama, pada saat setelah sistem dilakukan installasi. Dalam memu utama ini terdapat 4 modul utama yaitu : 1. Modul Algoritma Fagin 2. Modul Algoritma Threshold 3. Modul Segmentasi 4. Modul Setup 5. Modul Keluar dari Sistem

87 Untuk setiap modul mempunyai fungsi masing - masing, yang berguna untuk mendukung proses kueri fuzzy dengan menggunakan algoritma Fagin dan Threshold. Dalam fasilitas ini sistem untuk penelitian yang penulis laksanakan, terdapat 2 menu yang dapat dilakukan diantaranya : 1. Index Bentuk, dan 2. Indek Warna Semua perintah (command) untuk melakukan indeks bentuk dan warna dapat dilakukan denga perintah Segmentasi pada menu utama. Untuk it. maka gambaran Menu Utama untuk seluruh sistem dapat dilihat secara detail pada gambar ANALYSA DATA BUAH DENGAN ALGORM FAGIN DAN TRESHWD SEKOLAH PASCASARJANA INSTlTUT PERTANIAN BOGOR 2007 Gambar 4.12 : Menu utama Sistem Secara keseluruhan

88 Gambar 4.12 terlihat bahwa menu utarna dari sistem yang penulis kembangkan dapat dibagi menjadi 5 (lima) menu yaitu : 1. Menu Algoritma Fagin 2. Menu Algortima Threshold 3. Menu Segmentasi 4. Menu Setup 5. Keluar Semua menu yang terdapat pada menu utarna mempunyai fungsi masing - masing diantaranya adalah : 1. Menu Algoritma Fagin : Menu ini menjalankan proses kueri fuzzy pada data citra buah dengan menggunakan algoritma fagin. Untuk jurnlah data citra buah yang muncul, dapat dilakukan dengan memilih menu setup, jika tidak maka jumlah citra yang muncul sebanyak 10 citra buah (10 citra merupakan nilai default). Proses pemanggilan dimulai dengan memilih inputan citra melalui basis data kueri citra, kemudian dilakukan proses terhadap citra tersebut. 2. Menu Algoritma Threshold : Menu ini menjalankan proses kueri fuzzy pada data citra buah dengan menggunakan algoritma threshold. Untuk jumlah data citra buah yang muncul, dapat dilakukan dengan memilih menu setup, jika tidak maka jumlah citra yang muncul berdasarkan ketentuan dari nilai ambang (threshold). Proses pemanggilan dimulai dengan memilih inputan citra melalui basis data kueri citra, kemudian dilakukan proses terhadap citra tersebut. 3. Menu Segmentasi : Menu ini akan digunakan untuk memproses untuk data indeks, baik untuk indeks warna dan bentuk. Proses indek dilakukan untuk mengurutkan

89 semua data buah yang tersimpan pada basis data. Sehingga pada saat dilakukan proses kueri terhadap data buah yang tersimpan pada basis data, maka akan ditampilkan secara lebih cepat dan tepat. 4. Menu setup : Untuk menu ini digunakan untuk menentukan jumlah buah yang akan ditampilkan pada saat melakukan proses algoritma, baik dengan menggunakan algoritma fagin atau threshold (Gambar 4.13). ANALlSA DATA BUAH DENCAN ALGORIW FAGIN DAN TRESHOLD SEKOLAH PASCASARJANA INSTINT PERTANIAN BOGOR 2007 Gambar Antarmuka Setup Sistem Antarrnuka Inputan Citra Citra Dalarn melakukan analisa citra buah dengan algoritma fagin dan threshold, maka untuk memasukkan citra buah yang akan diproses dengan algoritma fagin dapat melakukan perintah file --> Algoritma fagin. Setelah itu sistem akan akan

90 menampilkan antarmuka masukkan. Pada antarmuka masukkan ini pengguna bisa melakukan perubahan padadirektori citra kueri dan tampilan citra untuk menjadi 5 (lima) bentuk yaitu : thumbnail, tiles, icon, list dan details. Tampilan untuk memasukkan citra buah disajikan pada Gambar My Recent Desktop 3 I My Netwrk Fik name: j i F] Pbas, ~ Files d type: 1 file &a r.&]. 1 - i L Gambar 4.14 : Antamuka Masukkan Citra Buah Untuk Proses Algoritma Fagin Gambar 4.14 adalah merupakan antarmuka masukkan untuk melakukan proses kueri fuzzy dengan Algoritma Fagin. Sedangkan untuk antarmuka masukkan untuk algoritma threshold sama seperti gambar 4.14, namum kelanjutan prosesnya saja yang berbeda.

91 4.4.3 Antarmuka Keluaran Setelah melakukan proses pemasukkan data, maka untuk mendapatkan hasil keluaran dari sebuah proses maka dapat melanjutkan dengan memilih tomb01 open pada antarmuka masukkan. Pada gambar di bawah ini merupakan hasil pemerosesan citra buah dengan menggunakan algoritma fagin, dimana citra buah yang muncul berdasarkan citra buah kueri yang dimasukkan pada antarmuka masukkan. Pada tampilan untuk keluaran akan ditampilkan untuk 2 (dua) jenis citra buah dengan menggunakan algoritma Fagin yaitu citra buah ape1 dan alpukat. Untuk 2 (dm) jenis citra buah merupakan contoh dari keseluruhan citra yang dapat ditampilkan oleh sistem aplikasi yang sedang dibangun. Untuk itu 2 (dm) jenis citra buah tersebut sebagai antarmuka keluaran. Untuk itu tampilannya dapat disajikan pada Gambar 4.15:

92 berdasarkan Warna I I Gambar Antarmuka Keluaran Citra Buah Ape1 dengan Algoritma Fagin Gambar 4.15 menjelaskan bahwa dalam menghasilkan proses eksekusi yang sudahl dilaksanakan, terdapat 3 (tiga) baris citra buah yang dihasilkan. Untuk baris pertama (I) menjelaskan hasil proses eksekusi citra berdasarkan Warna citra buah yang dimiliki. Dalam contoh ini menggunakan citra buah apel yang mempunyai warna merah. Untuk baris kedua(i1) menjelaskan hasil proses eksekusi citra berdasarkan bentuk citra buah yang dimiliki. Dalam contoh ini menggunakan citra buah apel yang mempunyai bentuk bulat.

93 Untuk baris ketiga (111) menjelaskan hail proses dengan fimgsi aggregasi dengan menggunakan algoritma Fagin. Pada proses ini terlihat bahwa telah terjadi penggabungan antara baris pertama dengan baris kedua. Penjelasan gambar : 1. Daftar kueri citra yang akan dicari kedalam basis data. 2. Hasil proses pencarian citra buah alpukat berdasarkan wama buah. 3. Hasil proses pencarian citra buah alpukat berdasarkan bentuk. 4. Hasil proses citra buah dengan algoritma Fagin Gambar 4.16 : Antarmuka keluaran dengan citra buah Alpukat dengan algoritma Fagin

94 Pada gambar 4.16 menjelaskan bahwa proses citra buah menggunakan algoritma fagin, dimana jumlah citra yang muncul sebanyak 10 citra buah (nilai default). Dalam gambar ini dijelaskan pada baris paling atas (I), menjelaskan bahwa citra yang dicari adalah citra buah alpukat, mempunyai bentuk agak lonjong dan berwarna bin. Pada baris kedua (2) menjelaskan bahwa citra buah yang dihasilkan berdasarkan warna. Pada baris kedua (2) terlihat ada 3 (tiga) citra buah nanas, yang agak terlihat berbeda. Namun yang menjadi perhatian dari prototipe sistem ini, bahwa kulit atas dari nanas itu, yang menjadi hitungan persamaan dari citra buah. Pada baris ketiga (3) menjelaskan bahwa citra buah yang dihasilkan berdasarkan bentuk dari citra. Pada baris ketiga (3) ini hanya gambar citra belimbing yang agak terlihat aneh. Namun jika diperhatikan bentuknya citra belimbing hampir mendekati dengan citra alpukat. Pada baris keempat(4) merupakan hasil proses kueri fuzzy dengan menggunakan algoritma fagin. Pada baris keempat(4) keempat terlihat buah durian agak berbeda dibandingkan dengan citra buah yang lain. Karena pada proses ini menggunakan fungsi agregasi, maka pada saat penentuan peringkat, buah durian secara sistem ditarnpilkan. Selain dengan mengunakan analisis citra buah dengan algoritma fagin, maka untuk antarrnuka keluaran dapat juga menggunakan proses dengan algoritma threshold. Adapun tampilannya disajikan pada Gambar 4.15.

95 Penjelasan gambar : 1. Daftar kueri citra buah apel yang akan dicari kedalam Basis Data 2. Hasil proses pencarian citra buah apel berdasarkan warna buah 3. Hasil proses pencarian citra buah apel berdasarkan bentuk 4. Hasil proses citra buah dengan algoritma threshold Gambar 4.17 : Antarmuka Keluaran dengan Citra buah Ape1 dengan Algoritma threshold Gambar 4.17 menjelaskan bahwa proses citra buah menggunakan algoritma thereshold, dimana jumlah citra yang muncul sebanyak 5 (lima) citra buah. Dalam gambar ini dijelaskan pada baris paling atas (I), menjelaskan bahwa citra yang dicari adalah citra buah apel, mempunyai bentuk bulat dan berwarna merah. Pada baris kedua (2) menjelaskan bahwa citra buah yang dihasilkan berdasarkan warna. Pada baris kahw

96 terlihat ada 1 citra buah tomat, yang agak terlihat berbeda. Namun yang menjadi perhatian dari prototipe sistem ini, bahwa kulit dari tomat adalah merah yang mana sesuai dengan warna citra buah apel. Pada baris ketiga (3) menjelaskan bahwa citra buah yang dihasilkan berdasarkan bentuk dari citra. Pada baris ketiga (3) ini menjelaskan bahwa semua citra hampir sama dengan citm buah apel, seperti buah jeruk dan semangka biru, dimana bentuknya hampir sama dengan buah apel. Pada baris keempat(4) merupakan hasil proses kueri fuzzy dengan menggunakan algoritma threshold. Pada baris (4) keempat terlihat bahwa semua citra buah yang ditarnpilan hampir sama dengan citra buah apel, ini dilakukan dengan proses algoritma threshold.

97 Penjelasan gambar : 1. Daftar kueri citra buah strawberi yang akan dicari kedalam Basis Data 2. Hasil proses pencarian citra buah strawberi berdasarkan warna buah 3. Hasil proses pencarian citra buah strawberi berdasarkan bentuk 4. Hasil proses citra buah dengan algoritma threshold Gambar 4.18 : Antarmuka Keluaran dengan Citra buah Strawberi dengan Algoritrna threshold Gambar 4.18 menjelaskan bahwa proses citra buah menggunakan algoritma thereshold, dimana jumlah citra yang muncul sebanyak 4 citra buah. Dalam gambar ini menjelaskan pada baris paling atas (1) adalah citra yang dicari atau dipanggil dengan citra buah strawberi, mempunyai bentuk lonjong runcing kebawah dan berwarna merah. Pada baris kedua (2) terlihat, tidak citra yang berbeda warna, dari citra kueri, dimana semua citra yang dihasilkan dari proses kueri semua mendekati kemiripan dari citra kueri. Pada baris ketiga (3) menjelaskan bahwa citra buah yang dihasilkan berdasarkan bentuk dari citra. Namun yang menjadi perhatian dari prototipe sistem ini, bahwa bentuk dari mangga adalah lonjong tapi tidak terlalu runcing kebawah, yang mana kurang pas dengan bentuk citra buah strawberi. Pada baris keempat(4) merupakan hasil proses kueri fuzzy dengan menggunakan algoritma threshold. Pada baris (4) keempat terlihat bahwa semua citra buah sesuai dengan proses berdasarkan algoritma threshold. 4.5 Algoritma Pagin dan Threshold Pada dasarnya pada algoritma fagin dan threshold terdapat 2 jenis proses pengurutan yaitu pengurutan secara sekuensial, dan pengurutan secara random. Untuk setiap proses pengurutan, untuk mendapatkan nilai dari objek citra yang berdasarkan kemiripan dengan citra kueri. Sedangkan untuk menentukan urutan dari objek citra

98 citra maka akan dilakukan oleh fungsi aggregasi. Adapun lebih detail fungsi dari masing - masing urutan akses dan fungsi adalah sebagai berikut : 4 Sequential Akses : memperoleh nilai pada objek dalam sebuah daftar urutan dengan bemtan pada posisi sekarang. Untuk proses penggurutan dilakukan secara Ascending atau dari kecil ke besar. 4 Random Akses : Mendapatkan nilai pada objek dalam daftar urutan dengan mengunakan urutan akses secara acak (random). 4 Fungsi Aggregasi : memberikan nilai pada daftar urutan objek yang berdasarkan subsitem yang diinputkan oleh user. Secara lebih detail untuk memahami gambaran mengenai detail proses yang hams dilakukan dalam melakukan analisis citra buah dengan algoritrna Fagin dan Threshold dapat dijelaskan pada gambaran 4.18a. Fungsi Eudd dan Fungsi Siimoid Fungsi Hasil Proses Algoritma C i Buah Database I CiBuah Aggregasi Gambar 4.18a : Gambaran Proses Detail Analisa Citra Buah dengan Algoritma Fagin dan Threshold

99 Citra objek memperoleh nilai yang berbeda dari sub sistem yang berbeda dengan interval antar (0,l). Ini yang menjadi ciri dari kueri fuzzy yang akan digunakan oleh konsep algoritma Fagin atau threshold dalam rangka melakukan proses pengurutan data - data yang bersifat multimedia. Seperti data citra, movie, suara dan lain - lain. Untuk itu algoritma dari urutan yang akan dilakukan oleh algoritma fagin adalah sebagai berikut : Konsep Kueri fuzzy dengan Algoritma Fagin Baca citra RGB pada Basis Data y <- citra RGB z = fungsi Histogram warna for x <- 1 to citra buah basis data a = fungsi histogram warna x <- a if y = x then y <- x endif end z=o z = fungsi citra biner t <- z if x <- 1 to 170 x = citra biner if t = x then t <- x endif end i = min(y,t) print(i) 1 tampilkan pada layar monitor end

100 Pada dasarnya algoritrna fagin sangat baik pada fungsi aggregasi untuk setiap data citra yang sejenis, termasuk juga untuk dapat menemukan hasil kueri yang sangat sesuai pada baris yang paling atas. Sekaligus juga dengan algortima fagin akan dihasilkan nilai yang optimal dan dengan probabilitas temuan yang tinggi dalam kasus yang citra tertentu dengan menggunakan fungsi aggregasi yang tepat dan benar. Pada dasarnya algoritma fagin sudah cukup optimal pada situasi dimana jika data citra yang tersimpan pada database tidak beragam. Karena jika tersimpan adalah citra buah yang beragam dan banyak, maka akan membutuhkan waktu untuk memanggilnya dan memprosesnya. Sebagai contoh bahwa tidak ada jaminan bahwa data citra yang tersimpan pada database adalah citra yang beragam, sehingga fungsi aggregasi mempunyai nilai tidak tetap. Karena pada beberapa kasus yang sudah jelas 6bhwa terlihat untuk fungsi aggregasi adalah konstant atau tidak tetap. Untuk itu untuk mengatasi kelemahan maka dikembangkan algoritma lainnya yang disebut dengan algoritma threshold. Untuk itu algoritma threshold adalah sebagai berikut : 1. Baca citra RGB pada Basis Data 2. Y <- citra RGB 3. z = fungsi Histogram warna 4. y <- z 5. for x <- 1 to citra buah basis data 6. a = fungsi histogram warna 7. x <- a 8. if y = x then 9. y <- x 10. endif 11. end

101 12. z=o 13. z = fungsi citra biner 14. t <-z 15. ifx <- 1 to x = citra biner 17. ift=xthen 18. t <- x 19. endif 20. end 21. I = min(y,t) 22. if y < t then t = nilai threshold 23. else 24. y = Nilai Threshold 25. end Algoritma threshold akan menjadi benar untuk setiap hgsi aggregasi pada data citra yang sejenis. Dalarn melakukan akses terhadap algoritma Fagin dan Threshold, terdapat 2 ciri buah yang akan menjadi bahan penelitian. Untuk melakukan proses temu kembali terhadap citra buah berdasarkan ciri warna maka algoritma untuk melakukan pengenalan ciri warna diantaranya adalah sebagai berikut : A. Algoritma untuk pengenalan ciri warna adalah sebagai berikut : 1. Baca citra RGB 2. for i <- 1 to jum-piksel 3. euc < ref - warna (jumlah warna referensi) < for k <- to jumlah warna referensi 6. euc <- jarak antara euclid warna poksel ke-i dan warna 7. referensi ke-k 8. if euc < eucl then

102 10. no<-k 11. end 12. end 13. ref - warna(no) <- refwarna(n0) end Berdasarkan algoritma ciri warna di atas ini, maka terlihat beberapa iterasi yang harus dilakukan pada setiap piksel dari warna referensi. Sehingga dengan demikian program akan beriterasi sebanyak jumlah piksel x jumlah warna referensi terhadap seluruh data citra buah yang tersimpan pada database. Untuk itu maka kompleksitas untuk menentukan ciri warna adalah 0(n2). Dimana n = jumlah citra buah yang tersimpan didalam database, yang melakukan proses fungsi histogram. B. Algoritma untuk pengenalan ciri bentuk adalah sebagai berikut : 1. Baca citra RGB 2. citra RGB <- intensitas 95 % 3. btk[x] < for x <- 1 to jumlah piksel 5. btk(x) <- btk (x+l) + citra binary 6. end 7. for y <- 1 to jumlah piksel 8. btk(y) <- btk(y+l) + citra binary 9. end 10. for z <- 1 to if btk(x) < btk(y) then 12. btk(x) = else

103 14. btk(y) = btk(x) 15. endif 16. ebtk <- citra binary Dalam menentukan kompleksitas terhadap citra bentuk, maka akan terlihat adanya 3 (tiga) iterasi untuk setiap piksel. Untuk itu maka jumlah iterasi dalam algoritma sebanyak 3 x jurnlah piksel, maka kompleksitas untuk algoritma menentukan ciri bentuk adalah 0(n2). Untuk itu maka secara keseluruhan dalarn menentukan kompleksitas dari pengenalan citra bentuk dari citra buah adalah 0(n2). Selain itu Dimana n = jurnlah citra buah yang tersimpan didalam database, yang melakukan proses fungsi citra biner secara berurutan Untuk itu maka secara keseluruhan algoritma untu konsep kueri fuzzy adalah sebagai berikut : 1. Baca citra kueri 2. ekstraksi ciris 3. for x <- 1 to jumlah citra basisdata 4. color(y) <-jar& euclid warna 5. bentuk(y) <- jarak euclid bentuk 6. if color(y) <- color citra basis data 7. z < endif 9. if bentuk(y) <- color citra basis data 10. z < endif 12. if z <- 1 then 13. p <- proses algoritma fagin

104 14. else 15. p <- proses algoritma threshold 16. endif 17. sorting gradness aggregate secara menaik 18. tampilkan citra Pada algoritma kueri fuzzy terhadap citra buah dengan menggunakan algoritma fagin dan threshold, akan terdapat satu iterasi program dimana berguna untuk menghitung jarak euclid untuk warna dan bentuk. Untuk itu maka kompleksitas untuk kueri fuzzy terhadap citra buah dengan menggunakan algoritma fagin dan threshold adalah 0(n2) + 0(n2) = 0(n2). Dimana n = jumlah citra buah yang tersimpan didalam database, yang melakukan proses fungsi citra biner dan fungsi histogram secara berurutan. Dengan demikian dapat disimpulkan bahwa proses peringkat atau kueri fuzzy terhadap citra buah, tidak menambah kompleksitas algoritma secara keseluruhan terhadap sistem pencarian citra.

105 5.1 Pra-proses Evaluasi Karakteristik Dokumen Input Dalam melaksanakan penelitian terhadap citra buah ini, dilakukan pengumpulan data dan informasi terkait, melalui dari beberapa sumber diantaranya adalah: 1. Melalui Internet 2. Melalui pengambilan warna gambar secara langsung dengan photo digital 3. Melalui pembelian CD dan DVD yang berisi kumpulan data buah - buahan. Semua data yang sudah dikumpulkan, kemudian dilakukan modifikasi agar semua citra citra buah dapat dilakukan proses kueri fuzzy. Dalam proses kueri fuzzy ini juga, untuk citra kueri ditetapkan sebanyak 16 buah citra. Dimana setiap citra kueri mempunyai 6 hingga 10 citra buah yang sama. Dengan demikian untuk proses temu kembali citra buah yang ada dibasis data dapat dilakukan sebanyak 2 * 16 kueri * 170 citra buah pada basis data = 5440 kali. Segmentasi Dalam proses segmentasi ini, adalah suatu proses untuk melakukan indek terhadap seluruh data - data yang ada didalam basis data. Sehingga diharapkan pada saat terjadinya proses temu kembali pada citra buah berdasarkan warna dan bentuk, akan mudah untuk ditemukan. Dalam melakukan proses segmentasi terhadap citra buah yang memiliki warna dan bentuk menjadi kajian yang akan dilakukan. Segmentasi warna adalah proses pengelompokkan citra berdasarkan distribusi warna dengan mengunakan warna referensi. Pada bab sebelumnya sudah tergambarkan bahwa untuk proses segmentasi warna mengunakan metode 90

106 histogram RGB. Dalam melakukan perhitungan metode histogram pada citra kueri dibandingkan dengan perhitungan histogram pada referensi warna citra buah. Untuk itu tabel warna referensi adalah sebagai berikut (Tabel 5.1): Tabel 5.1 Kurnpulan Warna Referensi R G B Warna ; % Purple ; % Neon Purple ; % Magenta ; %Brown ; % Gold ; % Deep Yellow ; % Grass Green ; % Light Green ; % Green ; % Banana Yellow ; % Yellow ; % DeepBlue ; % Blue ; % Sky Blue ; % Red ; % Deep Pink ; % Pink ; % RedBrown ; % Peach ; % Sand ; % Electric Blue ; % Pastel Blue ; % Powder Blue ; % Orange ; % Soft Pink

107 ; % Faded Pink ; 96 Ocean Green ; % Light Blue Green ; % Cyan ; % Black ; % Whitc Keterangan Tabel : R = Red = Merah G = Green = Hijau B = Blue = Biru Untuk itu gambaran dari hasil proses segmentasi warna pada citra buah dengan mengunakan histogram adalah sebagai berikut : a. Citra Buah Belimbing b. Citra Buah Alpukat c. Jambu Biji d. Buah Ape1 Gambar 5.1. Hasil Proses Segmentasi Warna

108 Gambar 5.1 menjelaskan tentang hasil segrnentasi warna pada citra buah. Dimana pada jenis buah yang sama, tapi memiliki warna citra yang berbeda. Sebagai citra buah belimbing terdapat warna biru kekuning, dan warna biru kemerahan, buah alpukat yang mempunyai warna biru dan biru tua, buah jambu mempunyai warna hijau muda dan hijau tua dan buah ape1 mempunyai warna merah tua dan merah muda. Dengan jurnlah 170 citra buah yang tersimpan kedalam basis data, maka akan dikelompokkan kedalam 16 citra kueri buah. Untuk itu rata - rata citra buah untuk perbandingan antara citra kueri dibandingkan dengan citra yang ada didalam basis data adalah sebagai berikut (Gambar 5.2) : Kode Nama Citra Buah Gambar 5.2 : Perbandingan kueri citra dengan Citra didalam Basis Data Berdasarkan Warna Buah

109 Pada gambar 5.2 menjelaskan perbandingan data kueri citra buah yang memiliki warna, dengan warna citra buah yang ada didalam basis data. Ini dilakukan untuk mengetahui perbandingan antara warna citra kueri dengan warna citra yang ada didalam basisdata. Untuk memisahkan citra buah berdasarkan warna (indeks) ini maka dilakukan proses segmentasi. Selain itu proses segmentasi juga digunakan untuk melakukan indeks terhadap bentuk. Untuk penelitian terhadap bentuk citra buah, juga dilakukan perbandingan terhadap citra buah dengan jenis yang sama, dibandingkan dengan citra buah dengan bentuk yang sama atau mirip yang ada didalam basis data. Ini dilakukan untuk mengetahui prosentase ketepatan dari citra buah - buahan dengan mengunakan algoritma fagin dan threshold. Untuk itu gambaran dari prosentase presisi terhadap citra bentuk adalah sebagai berikut (Gambar 5.3) : Persen Perbandingan Citra Bentuk Pada Query dan Basis Data pizzgbentuk/ Wo $ X ~ C z ~ ~ ~ ~ C ao r~ ny aj Jw Y z < w ~ + 0 Y a y z + a - a z m a m, - Kode Citra Buah Buahan Gambar 5.3 : Perbandingan kueri citra dengan Citra didalam Basis Data Berdasarkan bentuk Buah.

110 Proses segmentasi bentuk pada citra buah merupakan proses grayscale yang dikelompokkan menjadi tujuh vektor citra biner. Proses segmentasi juga akan menghasilkan nilai - nilai pada citra buah untuk proses kueri, dimana akan digunakan untuk mencari nilai - nilai citra buah yang ada pada basis data. Gambaran nilai dari proses segmentasi bentuk pada citra kueri dengan mengunakan citra biner dapat disajikan pada Tabel 5.2. Sedangkan untuk nilai yang dihasilkan dari proses segmentasi terhadap citra buah yang ada didalam basis data dapat dilihat pada lampiran 4. Tabel 5.2 Hasil Pengolahan Citra Biner dalam membentuk partisi No. 1 Nama Citra Buah Jambu Q Q Total Melon Pear Kuning Apel Merah Strawbery Jeruk Semangka Jambu Mede Nanas Tomat Pepaya Alpukat Mangga d Kelapa Jeruk Limo Pisang I293 Penjelasan : Ql,Q2, Q3,Q4, Q5, Q6,Q7 adalah partisi citra biner 95

111 5.3 Penentuan Parameter Proses Kepekatan Dalam melakukan percobaan dengan menggunakan parameter - parameter untuk proses kepekatan bertujuan agar dapat dihasilkan nilai yang optimum agar sistem juga dapat berjalan secara optimum. Dalam penentuan nilai yang optimum ini akan dilakukan baik terhadap algoritma fagin dan threshold. Sedangkan secara umum proses kepekatan ini dilakukan untuk menentukan seberapa besar nilai yang optimum untuk ketepatan dari warna dan bentuk dari citra buah. Dalam melakukan nilai yang optimum ini dapat dilakukan dengan melakukan fungsi euclid terhadap data citra yang ada didalam database, kemudian dilanjutkan dengan melakukan proses fungsi sigmoid dengan melakukan perubahan baik terhadap kurva pusat dan kurva pemulus untuk menghasilkan nilai yang optimal, sehingga sistem dapat be rjalan dengan optimal. Dalam menentukan kurva pusat dan pemulus dengan mengunakan fungsi sigrnoid, agar dapat menghasilkan nilai yang optimum, maka akan mengunakan testing dengan melakukan perubahan terhadap parameter kurva pemulus sebanyak 5 parameter yaitu : 0.1,0.3,0.5,0.7,0.9. Perubahan yang dilakukan terhadap parameter kurva pemulus untuk bentuk dan warna citra. Sebagaimana yang sudah dijelaskan bahwa dalam melakukan percobaan akan dilakukan percobaan terhadap citra relevan. Sedangkan yang dimaksud dengan citra relevan adalah citra buah yang ada didalam basis data akan sama jenisnya dengan citra kueri. Untuk itu jumlah percobaan yang akan dilakukan sebanyak : Jurnlah percobaan = jumlah nilai testing * jumlah citra buah didalam kueri* 2 kondisi (warna dan bentuk) = 5 * 16 * 2 = 160 kali percobaan.

112 Hasil percobaan menunjukkan bahwa dalam melakukan perubahan terhadap kurva pemulus, maka akan terjadi perubahan hasil dari proses fungsi aggregasi atau nilai min(p,,,p,,). Dimana xl = citra warna dan xz = citra bentuk. Sedangkan perubahan dari citra warna atau citra bentuk sangat sedikit sekali perubahnnya. Secara detail gambaran proses adalah sebagai berikut : function mtabel = euclid (ixc, ixs, db) global root diccitra load (horzcat(dir_citra,'idxc.mat'),'idxc'); load (horzcat(dir_citra,'idxs.rnat1),'idxs1); '0 F[IN<;SI EUC:L,II) for i= 1 :db dce(i) = sqrt(surn((idxc(i,:) - ixc).y)); dse(i) = sqrt(sum((idxs(i,:) - ixs)."2)); noid(i)=i; end % KEPEKATAN DENGAN FUNGSI SIGMOID dss=dcev; dec=((dss-min(dss))/(max(dss)-min(dss))); mce=sigmf(dec, [-10.51); % nilai untuk Kepekatan dengan sigmoid warna dss=dse9; des=((dss-min(dss))/(max(dss)-min(dss))); mse=sigmf(des, [-8.I]); % nilai untuk Kepekatan dengan sigmoid bentuk mtabel = horzcat(noid', horzcat(mce, mse)); 5.4 Penentuan Kurva Pusat dan Pemulus Dalam penelitian ini dilakukan untuk menentukan nilai presisi yang optimal dari hasil uji coba sebanyak 320 kali. Dengan menggunakan 2 parameter untuk kurva pusat dan 5 parameter untuk kurva pemulusnya. Dengan demikian kurva pemulus dan kurva pusat hanya merupakan nama parameter dalam rangkan mempermudah pada penulis dalam melakukan penelitian. Untuk itu nilainya

113 untuk parameter kurva pusat adalah -10 dan -8. Sedangkan untuk kurva pemulus mempunyai nilai yaitu 0.1, 0.3, 0.5, 0.7, 0.9. Diharapkan dengan menentukan nilai kurva pusat sebanyak 2 nilai dan nilai pemulus sabanyak 5 nilai akan menghasilkan nilai presisi yang optimal. Dengan demikian total percobaan yang harus dilakukan adalah 2 kurva pusat * 5 kurva pemulus * 16 jurnlah jenis citrabuah * 2 jenis algoritma = 320 kali percobaan. Dengan demikian sebanyak 320 proses yang harus dilakukan oleh sistem dalam mencari citra buah yang ada didalam basis data sebanyak 170 citra buah. 5.5 Perhitungan Nilai Presisi Optimal dengan Algoritma Fagin Dalam rangkaian penelitian dengan menggunakan algoritma Fagin, dilakukan percobaan terhadap fingsi sigmoid pada data citra buah yang ada didalam basis data, dengan ketentuan parameter kurva pusat adalah -10 dan - 8 yang akan dilakukan percobaan baik terhadap citra warna dan citra bentuk buah (Tabel 5.3). Kurva pemulus yang digunakan menggunakan 5 parameter baik untuk dengan nilai adalah 0.1,0.3,0.5,0.7,0.9. Untuk penelitan berdasarkan algoitma Fagin, maka untuk setiap kali proses akan ditampilkan 10 gambar citra buah yang sesuai dengan kuerinya. Untuk setiap proses akan dilakukan 16 kali percobaan atau jenis buah, dimana akan menggunakan nilai kurva pusat dan pemulus yang sudah ditentukan sebelumnya. Karena itu untuk mendapat gambaran hasil dari nilai presisi yang optimal dari citra buah yang berdasarkan bentuk dan warna.

114 Untuk itu maka hasil penelitian dengan menggunakan Algoritma Fagin terhadap warna citra buah dengan parameter kurva pusat adalah -10 dan -8. Sedangkan untuk kurva pemulus adalah (0.1,0.3, 0.5,0.7,0.9), maka nilai rata - rata yang dihasilkan, dengan menggunakan 16 citra kueri dan 170 citra pada basis data adalah sebagai berikut (Tabel 5.3) : Tabel 5.3. Rata - rata nilai Presisi Warna Citra Dengan Algoritma Fagin Nilai Presisi Hasil Penelitian Warna Citra Buah (%) Kurva Pemulus Kurva Pusat 0,1 0,3 0,5 O,7 0, , , ,2 Nilai Presisi Wama Pada Citra Buah Dengan Algoribna Fagin Nilai (%) 4o ,1 0,3 0,5 0,7 0,9 Kuwa Pemulus KUIW P = 8 Gambar 5.4 Grafk Nilai Presisi warna Citra Buah dengan Algoritma Fagin Dengan melihat tabel di atas, bahwa nilai presisi tertinggi jika menggunakan nilai kurva pusat adalah -10 dan nil& pemulus adalah 0,5 sebesar 92 %. Hal ini dapat disimpulkan bahwa dari 160 kali percobaan dengan menggunakan algoritrna Fagin dengan parameter kurva pusat -10 dan -8 dan

115 kurva pemulus 0.1, 0.3, 0.5, 0.7 dan 0.9 maka hampir semua citra buah yang tersimpan pada basis data, sangat sesuai dengan warna citra buah yang ada dikueri, dan mempunyai rata - rata nilai presisi hingga 92%. Sedangkan untuk penelitian terhadap bentuk citra buah dengan parameter kurva pusat adalah -10 dan -8. Sedangkan untuk kurva pemulus adalah (0.1, 0.3, 0.5,0.7, 0.8), maka nilai rata - rata yang dihasilkan basis data adalah sebagai berikut (Tabel 5.4) : Tabel 5.4 Rata - rata nilai Presisi Bentuk Citra Dengan Algoritma Fagin Nilai Presisi Hasil Penelitian Bentuk Citra Buah (%) Kurva Pemulus Kurva Pusat 0,l 0,3 0,5 0,7 0, , , ,5 75 Nilai Presisi Bentuk Pada Citra Buah Dengan Algoritma Fagin Nilai (%) ,l 0,3 0,5 0,7 Kurva Pemulus Gambar 5.5 Grafik Nilai Presisi bentuk Citra Buah dengan Algoritma Fagin Dengan gambaran dari tabel di atas, bahwa nilai presisi yang sangat optimal jika menggunakan nilai kurva pusat adalah -8 dan nilai pemulus adalah 0,l sebesar 92 %. Hal ini menyimpulkan bahwa dari 160 kali percobaan dengan mengunakan kurva pusat -10 dan -8 dan kurva pemulus 0.1, 0.3, 0.5, 0.7 dan

116 maka hampir semua citra buah yang tersimpan pada basis data, sangat sesuai dengan warna citra buah yang ada dikueri, dan mempunyai rata - rata nilai presisi hingga 92%, atau dari 160 kali percobaan untuk setiap kurva maka nilai yang relevant hampir mendekati 100%. Jika melihat 2 (dm) tabel di atas, dihasilkan nilai presisi yang sangat optimal sebesar 90 %, atau maka akan dihasilkan rata - rata antara 8 hingga 9 citra yang relevant, baik berdasarkan bentuk dan warna dari 10 citra yang dimunculkan, jika nilai pada fungsi sigmoid adalah : 1. Pada warna citra buah akan memiliki nilai kurva pusat = -10, dan kurva pemulus = 0,5. 2. Pada bentuk citra buah akan memiliki nilai kurva pusat = -8 dan kurva pemulus = 0,l. Dengan ketentuan bahwa untuk proses citra warna dengan menggunakan histogram sedangkan untuk citra bentuk menggunakan citra biner. 5.6 Perhitungan Nilai Presisi Optimal dengan Algoritma Threshold Dalam penelitian di atas dilakukan terhadap citra buah dengan algoritrna yang digunakan adalah algoritma fagin. Selanjutnya penulis juga melakukan penelitian dengan menggunakan algoritma threshold, dimana mempunyai lbeberapa kelebihan dibandingkan dengan mengunakan algoritma Fagin. yaitu : 1. Dalarn proses temu kembali terhadap citra buah menjadi lebih cepat. Karena tidak harus semua citra yang mempunyai kesamaan harus ditampilkan, tapi cukup yang mempunyai nilai ambang (threshold) dari nilai lebih kecil dari nilai yang muncul. Jika nilai ambang lebih besar maka sistem akan terus

117 berputar, dan akan menentukan nilai ambang lainnya. Namun jika nilai yang ambang yang ditentukan dengan nilai berikutnya, maka sistem akan menghentikan proses. 2. Jika demikian tidak diperlukan untuk melakukan pengurutan terhadap citra buah secara keseldan. Namun dapat dilakukan terhadap citra yang mempunyai nilai yang lebih kecil dari nilai ambang. 3. Mempercepat proses temu kembali citra buah, karena tidak perlu melakukan proses pengurutan berulang - ulang. Dalam investigasi nilai presisi citra buah berdasarkan warna dan bentuk, dilakukan terhadap 16 citra buah sebagai kueri dan 170 citra buah yang ada didalam basis data. Dalam penelitan yang dilakukan dengan menggunakan algoritrna thresholld, untuk setiap kali proses akan ditampilkan beberapa citra buah yang sesuai dengan kuerinya. Dengan demikian dengan algoritma threshold tidak dapat ditentukan seberapa banyak citra dapat ditampilkan dalam satu kali proses. Untuk setiap proses akan dilakukan 16 kali percobaan, dimana akan menggunakan nilai kurva pusat dan pemulus yang sudah ditentukan sebelumnya. Untuk mendapat gambaran hasil presisi yang optimal dengan menggunakan algoritrna Fagin, maka setelah dilakukan penelitian terhadap warna citra buah dengan kurva pusat = - 10 dan -8, kurva pemulus adalah (0.1, 0.3, 0.5,0.7, 0.9), maka nilai rata - rata yang dihasilkan disajikan pada Tabel 5.5.

118 Tabel 5.5 Rata - rata nilai Presisi Warna Citra Buah Dengan Algoritma Threshold Nilai Presisi Hasil Penelitian Warna Citra Buah (%) Kurva Pemulus Rata - Rata Kurva Pusat 0,l O,3 O,5 0,7 0,9 Citra Nilai Presisi Wama Pada Citra Buah Dengan Algoritma Threshold Nilai (%) n Kuwa Pemulus I Gambar 5.6 Grafik Nilai Presisi warna Citra Buah dengan Algoritma Threshold Dengan melihat tabel di atas, bahwa nilai presisi tertinggi jika menggunakan nilai kurva pusat adalah -10 dm nilai pemulus adalah 0,5 sebesar 94 %. Hal ini dapat disimpulkan bahwa dari 160 kali percobaan dengan mengunakan kurva pusat -10 dan kurva pemulus 0,5, hampir semua citra buah yang tersimpan pada basis data, sangat sesuai dengan warna citra buah yang ada dikueri, dan mempunyai rata - rata nilai presisi hingga 94%, atau dari 180 kali percobaan untuk setiap kurva maka nilai yang relevant hampir mendekati 100%.

119 Sedangkan untuk Nilai rata - rata Citra adalah menentukan jurnlah rata - rata citra yang muncul dalam satu proses. Sedangkan untuk hasil penelitian terhadap bentuk Citra buah dengan kurva pusat adalah - 10 dan -8. Sedangkan untuk kurva pemulus adalah (0.1, 0.3, 0.5,0.7, 0.8), maka nilai rata - rata yang dihasilkan dengan menggunakan 16 citra kueri dan 170 citra pada basis data (Tabel 5.6) : Tabel 5.6 Rata - rata Nilai Presisi Bentuk Citra Dengan Algoritma Threshold Nilai Presisi Hasil Penelitian Bentuk Citra Buah (%) Kurva Pemulus Rata - Rata Kurva Pusat 0,3 0,5 0,7 0,9 Citra Nilai Presisi Bentuk Pada Citra Buah Dengan Algoritma Threshold I Kurua P = ,5 0,7 0,9 Kurva Pemulus Gambar 5.7 Grafik Nilai Presisi Bentuk Citra Buah dengan Algoritma Threshold Dengan melihat tabel di atas, bahwa nilai presisi tertinggi jika menggunakan nilai kurva pusat adalah -8 dan nilai pemulus adalah 0,l sebesar 94

120 %. Hal ini dapat disimpulkan bahwa dari 160 kali percobaan dengan mengunakan kurva pusat -10 dan -8 dan kurva pemulus 0.1, 0.3, 0.5, 0.7 dan 0.9 maka hampir semua citra buah yang tersimpan padal Basis Data, sangat sesuai dengan warna citra buah yang ada dikueri, dan mempunyai rata - rata nilai presisi hingga 94%, atau dari 160 kali percobaan untuk setiap kurva maka nilai yang relevan hampir mendekati 100%. 5.7 Hasil Presisi yang Optimal Dengan melakukan percobaan citra buah baik terhadap bentuk dan warna, maka yang sesuai dengan fungsi kepekatan adalah F p = min(p, w) Dimana F p = Hasil Kepekatan antara citra bentuk dan warna,ux = Hasil Kueri fuzzy dari citra Warna py = Hasil Kueri fuzzy dari citra bentuk Dengan demikian maka nilai kurva pusat dan kurva pemulus yang sudah disesuaikan &an menghasilkan nilai presisi yang optimal baik dengan menggunakan algoritma Fagin dan Threshold. Adapun setelah dilakukan penelitian terhadap citra bentuk dan warna maka dapat disimpukan sebagai berikut : Untuk penelitian terhadap citra warna dan citra bentuk dengan algoritma Fagin dan threshold maka nilai kurva pusat dan kurva pemulusnya adalah -10, 0.5 dan -8,O. 1. r Dengan menggunakan rumus fungsi aggregasi maka akan dihasilkan nilai presisi yang optimal hingga 94 %.

121 Dengan nilai presisi yang optimal hingga 94 %, maka citra buah yang relevan untuk temu kembali terhadap citra yang ada dibasis data mendekati 100%. 5.8 Efisiensi Sistem Dalam penentuan effisiensi sistem ini, penulis menggunakan dua kriteria untuk menilai, efisiensi sistem dari konsep kueri fuzzy dengan menggunakan algoritma Fagin dan Threshold. Pada dasarnya dalam konsep tersebut, didalamnya terdapat proses temukembali yaitu waktu proses baik untuk ekstraksi ciri (berdasarkan warna dan bentuk) maupun kueri dan ukuran file yang dihasilkan proses ekstraksi ciri. Dalam melakukan proses temu kembali dengan menggunakan konsep citra biner pada citra bentuk dan konsep histogram pada citra warna, hampir tidak ada ketentuan yang baku atau standard, mengenai efisiensi sistem temukembali ini. Pada dasamya dalam melakukan pengukuran efisiensi sistem temukembali ini, sangat bervariasi dan tergantung pada spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk pengukuran efisiensi. Untuk itu untuk mengetahui gambaran dari efisiensi dari sistem temu kembali dapat melihat pada tabel 5.7. Tabel 5.7 Efisiensi Sistem Temu kembali Citra 3 Idxt ,26% 44,285 0,503 0,516 1,019 Pada tabel 5.7 menjelaskan bahwa idxf adalah nama file untuk algoritma Fagin dan file idxt adalah nama file untuk algoritma threshold. Untuk penelitian

122 ini terdapat 170 citra dimana dalam proses kueri fuzzy mengunakan 16 citra buah sebagai citra kueri. Biasanya indeks basisdata yang dihasilkan pada proses ekstraksi ciri besarnya meningkat dalam ukuran kilobyte dibandingkan dengan basisdata yang meningkat dalam ukuran megabyte. Waktu rata-rata yang dibutuhkan untuk ekstraksi ciri sebuah citra buah, dengan kondisi terhadap warna dan bentuk citra adalah sebesar 0,22 detik dan untuk pencarian secara sekuensial dalam file indeks adalah sebesar 0,15 detik. Waktu yang dibutuhkan untuk ekstraksi ciri dan pencarian ini berbanding lurus dengan peningkatan jurnlah citra dalam basisdata. 5.9 Kompleksitas Sistem Kompleksitas waktu sistem dihitung pada proses kueri fuzzy pada algoritma fagin adalah T(n) = (n*n) atau T(n) E 0(n2). Proses kueri fuzzy yang menggunakan algoritma fagin memiliki kompleksitas waktu sebesar 0(n2) (n = jumlah citra buah yang tersimpan pada database). Sehingga Secara keseluruhan, sistem memiliki kompleksitas 0(n2), dimana sistem akan melakukan pengurutan citra, berdasarkan jurnlah citra yang tersimpan pada database. Sedangkan untuk algoritma threshold untuk kompleksitas waktu adalah T(n) = n2 atau proses kueri fuzzy dengan menggunakan algoritma threshold sebesar 0(n2) (n = jumlah citra buah yang tersimpan pada database). Dengan melihat dari kompleksitas waktu, maka dapat disimpulkan bahwa proses kueri fuzzy dengan menggunakan algoritma threshold, sama dibandingkan dengan algoritma fagin. Hal ini terjadi karena pada algoritma threshold, walaupun menggunakan nilai threshold untuk penelusuran citra, tetapi pada awalnya hams melakukan proses pengurutan terhadap seluruh citra untuk menentukan persamaan ciri.

123 5.10 Analisa kinerja algoritma Fagin dan Threshold Secara umum garnbaran perbedaan kinerja 2 (dua) algoritma fagin dan threshold disajikan pada Tabel 5.8. Tabel 5.8 Perbandingan Kinerja algoritma fagin dan threshold No. Kinerja Fagin Threshold Keterangan 1 Kompleksitas n2 n2 n= Jumlah Citra yang ada didalam database 2 Akurasi Baik Cukup 3 Metode Sekuensial dan Acak Nilai Threshold dan Acak 4 Experimental Akurat Akurat 5 Waktu Eksekusi Cepat Lebih Cepat Nilai Rata - rata memangil 1 Citra buah 6 Hasil Optimal Presisi 92 % 94% 7 Waktu Temu Kembali 1,48 1,Ol 5.11 Aplikasi sistem di bidang informasi lainnya Pemanfaatan kueri fuzzy dengan menggunakan algoritma fagin dan threshold pada bidang pertanian dan lainnya, antara lain untuk : 1 Pencarian dan Pengelompokan Jurnal Bagi peneliti, dosen, atau guru dituntut untuk selalu mengikuti perkembangan teknologi di bidangnya lainnya. Terdapat beberapa sumber utama untuk mendukung ha1 tersebut diataranya adalah kumpulan jurnal ilmiah, buku referensi dan diktat atau thesis. Biasanya yang jumlahnya ribuan dan 108

124 mendukung ha1 tersebut diataranya adalah kumpulan jurnal ilmiah, buku referensi dan diktat atau thesis. Biasanya yang jumlahnya ribuan dan dipublikasikan secara tersebar pada situs dan topik yartng beragam. Untuk itu dalam menemukan jurnal atau diktat yang membahas tentang penyakit penyakit dari dari berbagai topik yang berbeda (misalkan dari bidang peternakan, perikanan kedokteran hewan dll), kadang bukanlah perkara yang mudah. Sistem temu-kembali informasi yang menggunakan kueri fuzzy dengan menggunakan algoritma fagin dan threshold, dapat digunakan untuk membantu pengguna dalam menemukan informasi yang dibutuhkan. Penggunaan kueri fuzzy ini tidak hams diikuti dengan pembuatan mesin pencari baru, tetapi dapat 'ditempatkun' pada mesin pencari yang sudah ada. 2. Temu Kembali Bibit Buah Perkembangan teknologi memunglunkan penyimpanan data semakin beragam, antara lain dapat pula dapat menyimpan dalam bentuk Citra dan grafis. Untuk itu dalam pencarian bibit buah yang bagus, dimana mempunyai karakteristik warna, bentuk dan tekstur yang khusus. Sehingga dengan demikian dapat diketahui secara cepat, tepat dan akurat, jika ingin mendapat bibit buah yang sesuai dengan standard yang sudah ditetapkan. Sehingga dalam penentuan bibit buah tidak hanya dapat dilakukan oleh satu jenis buah saja, tetapi dapat dilakukan beberapa jenis buah sekaligus.

125 VI. KESIMPULAN DAN SARAN 6.1. Kesimpulan 1. Implementasi konsep kemiripan citra melalui kueri fuzzy, dapat digunakan algoritma fagin dan threshold. 2. Kemiripan citra buah diukur dengan menggunakan basis kaidah kueri fuzzy, menggunakan konsep histogram untuk warna citra dan konsep citra biner untuk bentuk citra, menghasilkan kinerja sistem temu kembali yang lebih baik. Pendekatan kemiripan yang sesuai menggunakan hgsi euclid dan fhgsi sigmoid. 3. Menggunakan parameter kurva pusat, dengan nilai -8 dan - 10 dan parameter kwa pemulus dengan nilai 0.1, 0.3, 0.5, 0.7, 0.9, dihasilkan nilai presisi yang optimal adalah 92 % untuk algoritma Fagin dan 94 % untuk algoritma threshold. 4. Kecepatan proses eksekusi yang dilakukan terhadap 170 citra buah yang ada didalam basis data dan 16 citra buah yang ada, membutuhkan waktu untuk mengeksekusi rata - rata 1,48 detik untuk algoritma fagin dan detik untuk algoritma threshold. 5. Proses kueri fuzzy dengan menggunakan algoritma fagin memiliki kompleksitas waktu sebesar 0(n2) (n = Jumlah citra yang tersirnpan pada database) yang melakukan pengurutan secara beraturan dan acak. Dengan demikian algoritma memiliki kompleksitas 0(n2). Sedangkan untuk algoritma threshold kompleksitas waktunya adalah T(n) = n2 atau kompleksitasnya adalah 0(n2) (n = Jumlah citra yang tersimpan pada database) yang pada awalnya melakukan pengurutan secara beraturan untuk

126 menentukan persamaan ciri citra, kemudian dilanjutkan penggunaan nilai threshold. 6.2 Saran 1. Algoritma fagin dan threshold dikembangkan untuk diimplementasikan pada pencarian informasi mengenai bibit buah atau tanaman lainnya. Untuk mendapatkan akurasi hasil pencarian informasi mengenai bibit buah dan tanaman dapat mengunakan bantuan tenaga ahli pertanian. 2. Teknik temu kembali citra buah pada penelitian ini didasarkan peringkat. Teknik ini dapat dikembangkan kembali dengan memperhatikan bobot warna dan bentuk yang bervariasi. 3. Proses kueri fuzzy dengan menggunakan algoritma fagin dan threshold didukung oleh fungsi histogram, fungsi citra binary, fungsi euclid, dan fungsi sigmoid. Fungsi pendukung lain dapat dicoba dan kemudian dicari temu kembali citra

127 DAFTAR PUSTAKA Adali.S, K.S Candan, S.S.Chen, K Arol dan V.S Subrahmanian. Advanced suara information system: Data structure and Kueri processing accepted by ACM Multimedia Jumal, Blakowski. G, Tool mendukung sinkronisasi andan presentasi computer multimedia komunikasi secara terdistribusi: , Bohm K dan TC Rakow. Metadata for Multimedia Documents, SIGMOID RECORD 23(4):2 1-26, Desember Campbell. ST and S.M. Chung. The role database system in the management of Multimedia Information. In proceedings of International Workshop on Multimedia Database Mlanagement Systems'95 Blue Mountain Lake, New York August, Chaudhuri, S and L Gravano, Optimizing Queries over Multimedia Repositories Proc- ACM SIGMOD Conference 1 996, pp Deng Y. et al. An Efficient Color Representation for Citra Retrieval. IEEE Transactions on Citra Processing Vol. 10 No. 1 Hal , Dimitrova N and F Golshani Eva. A Kueri language for Multimedia Information System, In Proceding of Multimedia Information System, Arizona, Feb Dubois, D and H.Prade. A Review of Fuzzy Set Aggregation Connectives Information Sciences 36 (1985) pp Fagin, R. Combining Fuzzy Information form Multiple System, San jose, Fagin, R. Fuzzy Queries in Multimedia database System, Proc. ACM sysmposium on principle of Database system, Seatle, Lotem, Fagin R, Naor M, Optimal Aggregation algorithm for Middleware, Fagin R, Lotem A, Naor M, Top-k Kueri Processing, San Jose, California Gonzalez RC, Woods RE. Digital Citra Processing. Edisi ke - 2. New Jersey : Prentice Hall, In, Jain R and Hampapur. Metadata in suara database. SIGMOID REC., 23(4) December 1994 Jain A K, Fundamentals of Digital Image Processing, Prentice - Hall (1 989) Kusumadewi S, Hartati S,Neuro-Fuzzy : Integrasi Sistem Fuzzy dan Jaringan Saraf. Yogyakarta : Penerbit Graha Ilmu,2005

128 Chen, Li. Ranking Queries For Advance Database Management System Technology, Lecture Note 1 1,2004. Marimin,Teori dan Aplikasi Sistem Pakar dalam Teknologi Manajerial. Bogor : IPB Press. Edisi ke-2,2005. Munir, Rinaldi. Pengolahan Citra Digital dengan Pendekatan Algoritrnik, Penerbit Informatika, Agustus Sri K, Purnomo H, Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Penerbit Graha Ilmu, Stone MC, A Field Guide to Digital Color. Massachussetts : AK Peters Natick, Turban E. Decision Support and Expert Systems : Management Support Systems. New Jersey : Prentice Hall Inc. 4th Edition, Wimrners E, Haas M Lauren, Roth Tork, Braendli C. Using Fagin's Algorithm for Merging Ranked Results in Multimedia Midleware, March 29, Zadeh, LA Fuzzy Set, Information and Control (1965) pp

129 Lampiran 1. Tahap Pembentukan Sistem Pakar (Marimin 2005) IDENTlFlKASl I MASALAH I A MENCARI SUMBER AKUlSlSl PENGETAHUAN. REPRESENTASI I PENGETAHUAN PENGEMBANGAN MESIN INFERENSI. 1 IMPLEMENT

130 Lampiran 2. Citra Keluaran dengan mengunakan metode ALgoritma Fagin

131 Lampiran 2. Citra Keluaran dengan mengunakan metode Algoritma Fagin (Lanjutan)

132 Lampiran 2. Citra Keluaran dengan mengunakan metode Algoritma Fagin (Lanjutan)

133 Lampiran 2. Citra Keluaran dengan mengunakan metode Algoritma Fagin (Lanjutan)

134 Lampiran 2. Citra Keluaran dengan mengunakan metode Algoritma Fagin (Lanjutan)

135 Lampiran 2. Citra Keluaran dengan mengunakan metode ALgoritma Fagin (Lanjutan)

136 Lampiran 2. Citra Keluaran dengan mengunakan metode ALgoritma Fagin (Lanjutan) mmoam3-5 r#a, POW nm#1~2 W58 W83 PO(0

137 Lampiran 2. Citra Keluaran dengan mengunakan metode Algoritma Fagin (Lanjutan)

138 Lampiran 3. Citra Keluaran dengan mengunakan metode Algoritma Threshold

139 Lampiran 3. Citra Keluaran dengan mengunakan metode Algoritma Threshold (Lanjutan)

140 Lampiran 3. Citra Keluaran dengan mengunakan metode Algoritma Threshold (Lanjutan) 1I* Edit Ybw In5eIft Took Dd&oD I I toss I I toss iross

141 Lampiran 3. Citra Keluaran dengan mengunakan metode Algoritma Threshold (Lanjutan)

142 Lampiran 3. Citra Keluaran dengan mengunakan metode Algoritma Threshold (Lanjutan)