BAB I PENDAHULUAN. 1.1 Latar Belakang

Transkripsi

1 BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu hewan peliharaan yang populer di indonesia adalah burung. Jenis burung yang banyak dipelihara diantaranya burung kicauan. Jenis burung kicauan ini sering digunakan dalam berbagai kontes dan perlombaan burung. Hobi memelihara burung di indonesia memiliki banyak peminat dengan alasan yang bermacam-macam. Burung memiliki keunikan, kindahan suara dan kecantikan warna warni bulunya yang mampu memberikan kepuasan tersendiri bagi pemiliknya. Suara dari beberapa jenis burung sangat merdu yang tentunya memukau telinga para pecinta burung sehingga sering diikutsertakan dalam berbagai kontes burung kicauan. Salah satu jenis burung yang jadi primadona sebagai peliharaan adalah lovebird. Lovebird merupakan salah satu dari Sembilan spesies dari genus Agapornis, asal mula kata berasal dari negara Yunani Agape yang berarti cinta dan Ornis yang berarti burung. Hewan ini adalah tipe burung yang social atau berkelompok dan dekat dengan keluarga bayan. Delapan spesies Lovebird berasal dari benua Afrika, sementara Grey-headed Lovebird berasal dari Madagaskar. Lovebird merupakan tipe burung yang monogamy atau setia pada pasangan dalam jangka waktu yang lama. Beberapa spesies yang dibiakkan sebagai hewan peliharaan dengan berbagai warna yang cantik merupakan hasil persilangan yang slektif di peternakan burung. Lovebird pada umumnya dapat berumur 10 sampai 15 tahun. Lovebird termasuk burung kecil dengan ukuran maksimalnya cm dan berat badan mencapai gram. Lovebird adalah burung terkecil dari keluarga betet. Lovebird memiliki tubuh kompak, ekor pendek berujung tumpul, paruh tajam. Lovebird liar di dominasi warna hijau dengan berbagai warna pada tubuh bagian atas,tergantung spesies. Lovebird Fischer s, Lovebird Blackcheeked, dan Masked Lovebird memiliki cincin putih terkemuka di sekitar mata mereka. Di Indonesia tipe ini disebut dengan Lovebird kacamata atau juga dapat 1

2 2 disebut Lovebird clep. Populasi liar Lovebird spesies Fischwri masked berada di kota-kota di Afrika Timur. Lovebird hibrida memiliki warna coklat kemerahan pada kepala dan oranye di dada bagian atas dan sedikit mirip dengan jenis Masked Lovebird. Lovebird memiliki kecenderungan untuk menjalin ikatan baik dengan sesama burung Lovebird atau berinteraksi dengan manusia. Terdapat penelitian tentang budidaya lovebird oleh nopry adi winata, menurut penelitian tersebut peminat burung lovebird di kota solo berdasarkan jumlah member komunitas yaitu member semakin banyak dan berkembang [1].Sedangkan di kota semarang jumlah peminat lovebird mencapai 41,937 anggota berdasarkan data komunitas lovebird semarang. Seiring banyaknya peminat pembeli atau peminat hobi lovebird yang baru cenderung awam dalam pengetahuan dari lovebird. Hal tersebut menyebabkan dalam pembelian lovebird tidak mengetahui jenis-jenis sedangkan jenis burung lovebird terdapat sembilan jenis. Sehingga perlu adanya penelitian yang dapat bermanfaat untuk masyarakat awam dalam mengetahui jenis jenis lovebird. Dalam upaya mengetahui dan membedakan jenis-jenis lovebird dapat dilakukan dengan cara membandingkan gambar atau citra lovebird untuk mengetahui kemiripan. Pada kajian ilmu komputer bidang yang membahas tentang citra adalah image processing. Dalam image processing untuk mengetahui kemiripan dapat menggunakan teknik CBIR (Content Based Image Retrieval) yang dalam prosesnya membandingkan warna dari citra atau histogram warna. Histogram warna adalah representasi distribusi warna pada suatu citra yang diperoleh dengan menghitung jumlah pixel dari setiap bagian range warna, secara tipikal dalam dua dimensi atau tiga dimensi. Penelitian ini mengusulkan penggunaan CBIR berbasis histogram warna untuk mengetahui jenis lovebird. Proses dalam mengetahui jenis lovebird dilakukan dengan cara membandingkan citra acuan lovebird jenis yang dipilih dengan citra baru yang belum diketahui jenisnya. Proses perbandingan dilakukan

3 3 dengan mencari histogram warna untuk masing-masing citra, setelah itu dibandingkan dengan menghitung jarak dengan Euclidean Distance. Berdasarkan hasil jarak akan diketahui kemiripan dari citra yang dibandingkan untuk dijadikan penentu jenis lovebird. Berdasarkan uraian diatas peneliti menentukan penggunaan CBIR (Content Based Image Retrieval) untuk menentukan jenis-jenis lovebird disusun dalam laporan penelitian dengan judul pengenalan jenis burung lovebird dengan menggunakan Content Based Image Retrival berbasis Color Histogram. 1.2 Rumusan Masalah Dilihat dari latar belakang yang telah dibahas, rumusan masalah dalam penelitian ini adalah, menentukan jenis jenis burung Lovebird berdasarkan corak warna burung menggunakan teknik CBIR (Content Based Image Retrieval). 1.3 Batasan Masalah Dalam pembuatan Tugas Akhir ini, dibuat beberapa batasan masalah agar penelitian lebih terfokuskan : 1. Citra yang digunakan untuk penelitian berjumlah 70 gambar citra Lovebird. 2. Pengambilan gambar harus dari samping hewan tersebut. 3. Jenis Lovebird yang diujikan hanya Lovebird sejenis yang dewasa. 4. Ukuran gambar yang digunakan adalah 478x640 pixel. 5. Penelitian hanya menghitung perbandingan warna histogram dari sampel yang sudah disediakan. 6. Penelitian ini menggunakan aplikasi Matlab R2015a.

4 4 1.4 Tujuan Penelitian Dalam melakukan penelitian ini, bertujuan untuk menerapkan metode CBIR (Content Based Image Retrieval) dalam menentukan jenis jenis burung Lovebird dengan berdasarkan corak warna dan tekstur gambar. 1.5 Manfaat Penelitian Manfaat yang dapat diambil dari penelitian ini adalah : Manfaat bagi Universitas 1. Berguna untuk mengetahui sejauh mana kemampuan mahasiswa dalam penguasaan materi yang didapat selama mengikuti perkuliahan di UDINUS (Universitas Dian Nuswantoro). 2. Berguna sebagai acuan mahasiswa tingkat akhir dalam melakukan sebuah penelitian skripsi Manfaat bagi penulis 1. Agar penulis mendapatkan sebuah pengetahuan yang baru dalam melakukan sebuah penelitian dan bisa mengenal lebih dalam tentang jenis burung Lovebird dan bisa lebih baik lagi dari para peneliti sebelumnya. 2. Menambah pengetahuan dan dapat mengenal lebih jauh tentang burung Lovebird Manfaat bagi masyarakat 1. Dalam melakukan penelitian ini dapat dengan mudah mengetahui jenis jenis burung Lovebird. 2. Dapat dijadikan sebuah referensi bagi peneliti maupun pembaca yang ingin melakukan penilitian dengan topik serupa.

5 2.1 Tinjauan Pustaka BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI No Nama Peneliti dan Tahun Judul Metode Hasil 1. Her Rizky Analisa Kondisi Kesehatan Content Based Image Aplikasi yang Inannas, 2016 Mata Pada Burung Retrieval Color Histogram dapat menganalisa [2] Lovebird keadaan kesehatan MenggunakanContent mata burung Based Image Retrieval lovebird Berbasis Color Histogram berdasarkan implementasi metode CBIR berbasis Color Histogram 2 Agung Satrio Content Based Image Content Based Image Metode NOHIS- B, 2014 [3] Retrieval Citra Sidik Jari Retrieval Wavelet Tree mempunyai Menggunakan Metode Daubechis efisiensi waktu Wavelet Daubechis Dan pencaria 18 kali Diagram Nohos-Tree lebih cepat daripada metode brute force. NOHIS-Tree membutuhkan ratarata 9,6 detik untuk proses pencarian dan identifikasi. 5

6 6 No Nama Peneliti dan Tahun Judul Metode Hasil Sedangkan metode brute force memerlukan waktu lebih lama yaitu 182,25 detik atau 3,04 menit. 2.2 Citra Digital Pengolahan citra digital merupakan pengolahan gambar dua dimensi oleh komputer digital, tetapi dalam konteks yang lebih umum merupakan pengolahan semua data dua dimensi. Bidang ini tercatat mulai berkembang pada awal tahun 1921, pada waktu itu sebuah foto pertama kalinya berhasil ditransmisikan secara digital melalui kabel laut pada tahun 1960 sejalan dengan perkembangan yang pesat pada teknologi computer [4]. Istilah citra pada umumnya digunakan dalam bidang pengolahan citra diartikan sebagai suatu fungsi kontinu dari intensitas cahaya f (x,y) dalam bidang dua dimensi, dengan (x,y) menyatakan suatu koordinat, dan nilai f pada setiap titik (x,y) menyatakan intensitas atau tingkat kecerahan atau derajat keabuan (brightness/ graylevel). Suatu citra digital adalah suatu citra kontinu yang diubah ke dalam bentuk diskrit. Suatu citra digital dapat dianggap sebagai suatu array dari bilangan yang dipresentasikan oleh sejumlah bit bit, dengan indeks baris dan kolomnya

7 7 menyatakan koordinat sebuah titik pada citra tersebut dan nilai masing masing elemennya menyatakan intensitas cahaya pada titik tersebut. Titik pada sebuah citra digital sering disebut sebagai image element (elemen citra), picture element (elemen gambar), pixel. Proses yang dilakukan dengan sebuah sistem jenis ini dapat dibagi menjadi tiga tahap : 1. Proses digitalisasi. 2. Proses pengolahan data. 3. Proses penampilan data. Suatu citra yang diberikan dalam bentuk transparasi, slide, foto atau peta pertamakali didigitalisasi dengan menggunakan digitizer seperti scanner, frame grabber dan disimpan sebagai suatu matrik dari digit biner (bit) dalam memori komputer. Citra yang digitisasi kemudian dapat diproses lebih lanjut dan atau ditampilkan melalui monitor beresolusi tinggi. Proses pengolahan data dilakukan oleh komputer yang dapat berupa suatu mikrokomputer sederhana (microprocessor based computer) sampai kepada komputer besar (mainframe computer), tergantung jumlah data serta jenis pengolahannya. Mengingat bahwa data yang terdapat pada suatu citra sangat besar jumlahnya, maka masalah kecepatan pengolahan komputer serta kapasitas memori (mass storage) menjadi amat penting. Proses penampilan data merupakan salah satu segi yang sangat penting dalam sistem ini, karena bagaimanapun juga pada akhirnya citra hasil olahan harus dinilai oleh mata manusia melalui peragaan citra pada suatu penampil (display). Penampil yang digunakan biasanya berupa suatu graphic monitor atau printer / plotter

8 8 2.3 Pengolahan Citra Digital Image atau citra yang bisa disebut juga gambar dapat diungkapkan sebagai fungsi dua variabel f(x,y), dimana x dan y adalah koordinat spasial dan nilai f(x,y) merupakan intensitas gambar pada koordinat tersebut. Citra digital merupakan barisan nyata maupun kompleks yang diwakili ileh bit-bit tertentu Penyimpanan gambar dalam bentuk digital tentunya dapat mempermudah dalam melakukan pengolahannya. Itu penyebab sebuah gambar perlu diubah dalam bentuk digital, agar gambar dapat disimpan dalam media lain sehingga proses pengolahannya menjadi lebih mudah [5]. Secara umum, istilah pengolahan citra digital menyatakan pemrosesan gambar berdimensi-dua melalui komputer digital. Dan dapat dijelaskan, pengolahan citra adalah istilah umum untuk berbagai teknik yang keberadaannya untuk memanipulasi dan memodifikasi citra dengan berbagai cara. Dalam penelitian [6] diungkapkan bahwa proses pengolahan gambar ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk gambar. 2.4 Elemen Dasar Suatu Citra Elemen elemen citra yang dimaksud adalah sebagai berikut [5]: Pixel (picture element) Gambar yang bertipe bitmap tersusun dari pixel pixel, pixel disebut juga dengan dot. Berbentuk bujur sangkar dengan ukuran relatif kecil yang merupakan penyusun atau pembentuk gambar bitmap. Banyaknya pixel tiap satuan luas tergantung pada resolusi yang digunakan keanekaragaman warna pixel tergantung pada bit depth yang dipakai. Semakin banyak jumlah pixel tiap satuan luas, semakin baik kualitas gambar yang dihasilkan dan tentu semakin besar ukuran filenya.

9 Bit depth Bit depth (kedalaman warna) /pixel depth/color depth. Bit depth menentukan berapa banyak informasi warna yang tersedia untuk ditampilkan / dicetak dalam setiap pixel, semakin besar nilainya semakin bagus kualitas gambar yang dihasilkan, tentu ukuranya juga semakin besar Resolusi Resolusi adalah jumlah pixel persatuan luas yang ada disuatu gambar. Satuan pixel sering dipakai adalah dpi (dot per inch)/ppi (pixel per inch). Satuan dpi menentukan jumlah pixel yang ada setiap satu satuan luas. Yang dalam hal ini adalah satu inch kuadrat. Resolusi sangat berpengaruh pada detil dan perhitungan gambar Kecerahan dan Kontras Yang dimaksud dengan kecerahan (brightness) adalah intensitas yang terjadi pada satu titik citra. Dan lazimnya pada sebuah citra, kecerahan ini merupakan kecerahan rata rata dari suatu daerah lokal. Sistem visual manusia mempu menyesuaikan dirinya dengan tingkat kecerahan (brightness level) dengan jangkauan ( dari yang terendah sampai tertinggi) Batas penyesuaian gelap (terendah) disebut dengan scotopic threshold, sedangkan batas penyesuaian terang (tertinggi) disebut dengan glare thresthold sebagai contoh scotopic threshold terasa pada mata kita setelah lampu kita padamkan (terang ke gelap). Sementara glare threshold kita rasakan setelah kita keluar dari gedung bioskop (gelap ke terang), Untuk menentukan kepekaan kontras (contrast sensitivity) pada mata manusia, dilakukan cara pengukuran sebagai berikut. Pada suatu bidang gambar dengan intensitas B, kita perbesar intensitas objek lingkaran sehingga intensitasnya menjadi B+. Pertambahan intensitas ini dilakukan

10 10 sampai mata kita dapat mendeteksi perbedan ini. Dengan demikian kepekaan kontras dinyatakan dalam rasio weber sebagai /B. dari hasil percobaan, diperoleh bahwa mata manusia memiliki rasio weber 2 % untuk bermacam-macam nilai B Acuity Yang dimaksud acuity disini adalah kemampuan mata manusia untuk merinci secara detail bagian bagian pada suatu citra (pada sumbu visual) kontur Yang dimaksud dengan kontur (contour) adalah suatu keadaan pada citra dimana terjadi perubahan intensitas dari suatu titik ke titik tetangganya. Dengan perubahan intensitas inilah mata manusia sanggup mendeteksi pinggiran atau kontur suatu benda Warna Warna (color) adalah reaksi yang dirasakan oleh sistem visual mata manusia terhadap perubahan panjang gelombang cahaya. Setiap warna memiliki panjang gelombang sendiri sendiri. Warna merah memiliki panjang gelombang yang paling tinggi, sedangkan warna violet mempunyai panjang gelombang paling rendah Bentuk Pada umumnya citra yang dibentuk oleh mata merupakan citra 2 dimensi, sedangkan objek yang diamati biasanya 3 dimensi. Kesulitannya banyak benda 3 dimensi setelah diproyeksikan ke bidang 2 dimensi kelihatan sama.

11 Tekstur Pada hakekatnya sistem visual manusia tidak menerima informasi citra terpisah pada setiap titik, tetapi suatu citra dianggapnya sebagai satu kesatuan. jadi definisi kesamaan objek perlu dinyatakan dalam bentuk kesamaan dari satu himpunan parameter citra (brightness, color, size,dll) atau dengan kata lain dua buah citra tidak dapat disamakan hanya dengan satu parameter saja Waktu dan pergerakan Respon suatu sistem visual tidak hanya berlaku pada faktor ruang, tetapi juga pada faktor waktu. Sebagai contoh bila gambar diam ditampilkan bergantian secara cepat, maka kita akan mendapatkan kesan melihat gambar yang bergerak. Contoh gambar untuk film kartun Deteksi dan pengenalan Dalam deteksi serta mengenali suatu citra, sering tidak hanya sistem visual kita yang bekerja, tetapi juga seluruh ingatan yang kita miliki. Contoh, apabila kita melihat seseorang wanita dari samping, kita mungkin menafsirkanya sebagai wanita muda tapi setelah melihat muka sebenarnya kita terkecoh dan sebaliknya. 2.5 CBIR CBIR (Content Based Image Retrieval) adalah sebuah metode pencarian citra dengan melakukan perbandingan antara citra query dengan citra yang ada didatabase berdasarkan informasi yang ada pada citra tersebut (Query by Example). Metode CBIR yang sering digunakan adalah pencarian berdasarkan kemiripan warna, bentuk, dan tekstur. CBIR juga dapat diartikan sebagai teknik untuk mencari gambar yang berhubungan dan mempunyai karakteristik dari suatu

12 12 kumpulan gambar. Semakin majunya teknologi dan koleksi mltimedia, semakin banyak alat yang diharuskan berkembang untuk mencari informasi yang dibutuhkan. Pada masa kini, mesin pencari gambar dengan menggunakan teks sudah banyak. Berbanding terbalik dengan mesin pencari gambar yang menggunakan intensitas dan warna dari sebuah gambar masih sulit ditemukan. Kata kunci yang digunakan untuk mencari sebuah gambar dapat berupa fitur bentuk, warna dan tekstur. Proses paling penting pada system CBIR adalah sebuah ekstraksi fitur, karena hasil dari proses ini akan diketahui perbedaanya pada setiap image berdasarkan ciri seperti bentuk, warna, dan tekstur. Teknik analisis komponen utama, histogram warna, wavelet transform dan lainnya merupakan beberapa teknik yang dapat digunakan untuk ekstraksi sebuah fitur[7]. Proses matching merupakan suatu proses pencocokan image untuk memperoleh image yang mempunyai kemiripan dengan image query. Proses matching dilakukan dengan menghitung jarak antara image query (acuan) dan image target (uji). Parameter yang digunakan dalam perhitungan jarak berdasarkan pada hasil ekstraksi fitur. Gambar 2.1: Diagram arsitektur CBIR

13 Histogram Histogram adalah sebuah tampilan grafik yang menampilkan distribusi dari intensitas citra dan tampilan bentuk grafis untuk menunjukkan distribusi data secara visual. Teknik ini bisa disesuaikan dengan keinginan citra yang diinginkan ketika menggunakan teknik pemodelan histogram. Ekualisasi histogram berfungsi sebagai meningkatkan kualitas citra [8]. Gambar 2.2: Hasil Histogram Gambar 2.2 : Hasil Histogram Ada empat proses histogram, yaitu : 1. Jika gambar terlihat gelap, sehingga histogram lebih cenderung ke sebelah kiri 2. Jika histogram lebih condong ke sebelah kanan, maka gambar terlihat terang 3. Jika histogram mengumpul di suatu tempat, maka gambar terlihat low contrast 4. Jika gambar terlihat high contrast, sehingga lebih merata disemua tempat

14 14 Berikut persamaan histogram : (1) k = 0,1,2,...,L-1 Keterangan : MxN : total jumlah piksel. L : jumlah tingkat abu-abu. : jumlah piksel dalam gambar masukan dengan sebagai intensitas nilai. k : rentang nilai input dan output abu-abu berada dikisaran 0,1,2,...,L-1. : output. 2.7 Color Histogram Color Histogram adalah salah satu teknik warna yang digunakan dalam CBIR yang berupa representasi distribusi warna yang terdapat pada suatu gambar. Salah satu fitur yang paling penting dalam CBIR adalah warna, yang didapat dengan cara menghitung jumlah pixel yang ada pada setiap range warna [8] 2.8 Histogram Equalization Dimana suatu proses nilai distribusi derajat keabuan pada suatu citra untuk dibuat rata. Dan suatu pendekatan yang dimanfaatkan dalam pengolahan citra digital[8].

15 Euclidean Distance Euclidean Distance digunakan untuk mengukur kemiripan pada hasil ekstraksi fitur. Definisi dari Euclidean Distance yaitu berupa dua buah objek yang dihubungkan dengan garis lurus. Rumus persamaan dari Euclidean Distance[8]. (2) 2.10 Love Bird Lovebird merupakan salah satu dari sembilan spesies dari genus Agapornis. Burung ini adalah tipe burung yang social atau berkelompok dan dekat dengan keluarga byan. Lovebird merupakan tipe burung yang monogamy atau setia pada pasangan dalam jangka waktu yang lama [1]. 1. Lovebird Hijau Warna dasar bulu hijau dan mata hitam Gambar 2.3 :Hijau Kepala Hitam

16 16 2. Lovebird Biru Gambar 2.4 : Hujau Kepala Merah Jenis ini warna dasar bulu biru dan mata hitam Gambar 2.5 :Biru Mangsi

17 17 3. Lovebird Kepala Emas Jenis ini mempunyai warna dasar bulu hijau muda dan warna matanya coklat. Gambar 2.6 :Kepala Emas 4. Lovebird Pastel Putih Jenis ini memiliki warna dasar putih kebiruan dan warna mata hitam. Gambar 2.7 :Pastel Putih

18 18 5. Lovebird Pastel Kuning Jenis ini memiliki warna dasar kuning atau semu hijau dan warna matanya coklat Gambar 2.8:Pastel Kuning 6. Lovebird Lutino Jenis ini mempunyai warna dasar kuning dan warna matanya merah / hitam. Gambar 2.9: Lutino Mata Merah

19 19 7. Lovebird Badman Jenis ini mempunyai warna dasar hitam dan warna matanya hitam Gambar 2.10: Badman

20 Kerangka Pemikiran Gambar 2.10: Kerangka Pemikiran

21 BAB III METODE PENELITIAN 3.1 Alur Penelitian Pada sub bab ini dijelaskan alur penelitian mulai dari pengumpulan data, pengolahan data, proses eksperimen sampai didapat hasil klasifikasi jenis lovebird. Tahapan dijelaskan pada gambar 3.1: Gambar 3.1: Diagram Alur Penelitian 21

22 22 Tahapan alur penelitian dijelaskan sebagai berikut: 1. Pengumpulan Data Pengumpulan data dimulai dari pengambilan citra lovebird untuk semua jenis. Pengambilan citra dilakukan dengan menggunakan perangkat kamera. 2. Pengolahan Data Setelah citra-citra untuk semua jenis lovebird terkumpul dilakukan pengolahan data. Pengolahan data menentukan jenis-jenis (pemberian label) lovebird berdasarkan sumber atau ahli yang mengetahui jenis-jenis lovebird. Berdasarkan data yang telah diberikan label atau diketahui jenis lovebird akan digunakan sebagai data acuan pada proses eksperimen. 3. Proses Eksperimen Proses eksperimen dilakukan dengan tahapan pemilihan citra uji dan citra acuan. Kemudian dilakukan pengolahan mulai dari konversi citra ke grayscale sampai perhitungan Euclidean distance untuk menentukan tingkat kesamaan citra acuan dan citra uji. 4. Perolehan hasil klasifikasi Setelah melalui perhitungan pada proses eksperimen diperoleh hasil dari eksperimen yang menentukan citra uji tersebut satu jenis atau beda jenis dengan citra acuan. Apabila citra uji satu jenis maka diberikan label sesuai citra acuan. 5. Kesimpulan Kesimpulan diperoleh setelah eksperimen. Pada proses eksperimen dapat diketahui hasil performa algoritma yang diusulkan melalui akurasinya. Dari akurasi yang dihasilkan akan ditarik kesimpulan tentang performa algoritma terhadap penyelesaian masalah penentuan jenis lovebird.

23 Pengumpulan Data Dalam analisa yang dilakukan, data dan informasi yang digunakan atau yang didapat dari beberapa referensi yang di ambil dari internet. Referensi tersebut meliputi, jurnal-jurnal penelitian, materi yang terkait serta gambar. Dan data yang digunakan dalam pengujian ini berupa 70 Citra Lovebird. Data tersebut diambil langsung di Kiky bird farm yang beralamat di Rasamala Utara 72 Banyumanik, Semarang. 3.3 Sumber Data a. Data Primer Data yang didapat secara langsung yang berhubungan dengan objek yang sedang diteliti. Data tersebut diambil langsung dengan mengambil gambarnya menggunakan kamera handphone dengan pengambilan foto yang berjarak 5 cm. Pengambilan foto diambil dari samping. b. Data Sekunder Data yang didapat secara tidak langsung. Data tersebut meliputi, jurnal ilmiah, buku-buku, internet ataupun informasi dan data lain yang berkaitan dengan penelitian ini.

24 Instrumen Penelitian Untuk mendukung penelitian ini, dibutuhkan beberapa komponen peralatan seperti software dan hardware : Kebutuhan Software Perangkat lunak yang diperlukan untuk melakukan sebuah penelitian sehingga mendukung untuk dilakukannya penelitian tersebut : 1. Sistem Operasi Sistem operasi yang diperlukan untuk melakukan sebuah penelitian dapat menggunakan Windows 7 atau Windows Perangkat Lunak a. MATLAB MATLAB sangat diperlukan untuk melakuan sebuah peneltian ini. Dikarenakan perangkat lunak tersebut digunakan untuk menganalisa sebuah citra dengan menggunakan metode Histogram Ekualisasi dalam teknik yang terdapat di CBIR (Content Based Image Retrieval). b. Microsoft Office Picture 2013 Perangkat tersebut digunkan untuk menyamakan semua pixel dari citra yang akan diuji. c. Microsoft Word Microsoft Word digunakan untuk membuat hasil laporan yang sedang diteliti oleh penulis untuk menyusun Tugas Akhir.

25 Kebutuhan Hardware Tidak hanya perangkat lunak, perangkat keras juga sangat dibutuhkan. Perangkat tersebut diperlukan agar sebuah penelitian berjalan dengan baik dan bisa mendapatkan hasil yang maksimal. Perangkat keras yang dibutuhkan meliputi : a. Laptop atau PC Untuk laptop yang digunakan dalam penelitian ini dapat menggunakan laptop dengan spesifikasi minimal : Prosessor : Core i3 Sistem Operasi : Windows 7 RAM : 2 Gb b. Printer Printer digunakan untuk mencetak hasil dari sebuah penelitian yang telah dilakukan. c.kamera Penelitian ini menggunakan kamera handphone dengan spesifikasi minimal 5megapixel yang berguna untuk mengambil gambar pada objek yang diteliti. 3.5 Metode Pengumpulan Data Metode yang dilakukan untuk mendapatkan dan mengumpulkan data untuk dilakukannya sebuah analisis Studi Pustaka Langkah awal yang digunakan untuk melakukan sebuah penelitian yang diarahkan kepada pencarian mengenai pengolahan citra digital, Histogram

26 26 Equalization, pemograman matlab dan buku, artikel dan jurnal agar mendukung dalam melakukan penulisan ini Observasi Observasi merupakan pengamatan secara langsung di tempat Kiky bird farm yang beralamat di Rasamala Utara 72 Banyumanik, Semarang. Dengan melakukan pengamatan secara langsung, diharapkan lebih memahami tentang objek yang sedang diteliti. 3.6 Eksperimen Desain Blok Diagram Eksperimen Proses kerja dari CBIR adalah pada citra yang menjadi acuan (Lovebird Sehat) dilakukan proses ekstraksi fitur warna yaitu Color Histogram. Begitu juga dengan citra uji, dilakuakan proses ekstraksi fitur warna seperti pada citra acuan. Untuk mencari citra diperlukan citra acuan, citra acuan ini kemudian diekstraksi fitur warna nya. Setelah mendapat hasil nya, antara citra acuan dan citra uji dihitung kemiripan nya dengan proses pencarian yang cepatdan efisien. Jika semakin kecil jarak nya maka citra tersebut semakin mirip dengan citra acuan.

27 27 Gambar 3.2 : Desain blok diagram eksperimen Prapengolahan citra dengan Color Histogram Langkah-langkah proses prapengolahan citra dengan color histogram adalah sebagai berikut: 1. Menyiapkan citra acuan. 2. Menyiapkan citra uji. 3. Citra dikonversi menjadi grayscale. 4. Citra hasil grayscale di ubah menjadi histogram 5. Menghitung jarak antara histogram citra acuan dengan citra uji menggunakan teknik Euclidean Distance.

28 28 6. Hasil Euclidean distance digunakan untuk menentukan kesamaan citra. Semakin kecil jaraknya atau nilainya maka semakin sama citranya Sampel Perhitungan Pada tahap ini dijelaskan sampel perhitungan berdasarkan metode yang diusulkan. Sampel perhitungan yang digunakan dengan data citra yang telah dijadikan histogram. 1. Citra Acuan dan Citra Uji gambar 3.3: Citra acuan lovebird Gambar 3.4: Citra uji lovebird

29 29 2. Citra diubah menjadi Grayscale Citra asli merupakan jenis citra RGB (Red, Green, Blue). Citra harus diproses menjadi grayscale sebelum dibentuk menjadi histogram. Image_grayscale = * R * G * B gambar 3.5: citra acuan grayscale Gambar 3.6: citra uji grayscale

30 30 3. Citra diubah menjadi histogram Pembuatan histogram citra bertujuan untuk menunjukkan nilai distribusi dari intensitas citra dan dimunculkan dalam bentuk grafik. Nilai tersebut digunakan untuk menghitung pada tahap. Tahapan dalam membuat histogram ditunjukan sebagai berikut: Citra acuan memiliki L derajat keabuan (grayscale), yaitu dari nilai 0 sampai L 1 (misalnya pada citra dengan kuantisasi derajat keabuan 8-bit, nilai derajat keabuan dari 0 sampai 255). Secara matematis histogram citra dihitung dengan rumus ni = jumlah pixel yang memiliki derajat keabuan i n = jumlah seluruh pixel di dalam citra contoh, misalkan potongan dari citra acuan di bawah ini menyatakan citra dijital yang berukuran 8 x 8 pixel dengan derajat keabuan dari 0 sampai 15 (ada 16 buah derajat keabuan) Gambar 3.7: nilai pixel citra acuan

31 31 Tabulasi perhitungan histogramnya ditunjukan pada Tabel 3.1. dapat dilihat bahwa semakin besar nilai ni maka semakin besar pula nilai hi. Table 3.1: histogram citra acuan i n (n=64) Setelah dilakukan perhitungan histogram pada citra acuan, selanjutnya dihitung histogram citra uji dengan langkah-langkah yang sama seperti perhitungan histogram pada citra acuan. Hasil nilai histogram pada citra acuan dan citra uji ditunjukan pada table 3.2. Table 3.2: table histogram citra 1 (uji)dan citra 2 (acuan) Nilai Histogram Citra Acuan Citra Uji

32 Gambar 3.8: Histogram Citra Acuan

33 33 Gambar 3.9: Histogram Citra Uji 4. Hitung Euclidean distance antara histogram citra 1 dan histogram citra 2 5. Berdasarkan nilai f (Euclidean distance) yang dihitung pada tahap 2, semakin kecil maka semakin besar tingkat kesamaan citra. f = 0,015, maka citra 1 dan citra 2 sejenis 3.7 Pengujian Tools yang digunakan untuk pengujian pada penelitian ini adalah dengan menggunakan Matlab 2015a.Jika perhitungan tersebut 0 (nol) atau mendekati 0 maka citra uji tersebut sama dengan citra acuan. Dan jika citra uji tersebut

34 34 melebihi batas nilai dari citra acuan, maka citra uji tersebut tidak sama dengan citra acuan yang diuji. 1. Pemilihan Citra Acuan dan Citra Uji Citra acuan diketahui jenisnya sebagai lovebird pastel putih, sedangkan citra uji merupakan citra lovebird yang belum diketahui jenisnya gambar 3.10: Citra acuan lovebird (Pastel Putih) Gambar 3.11: Citra uji lovebird (belum diketahui jenisnya) 2. Citra diubah menjadi Grayscale Citra asli merupakan jenis citra RGB (Red, Green, Blue). Citra harus diproses menjadi grayscale sebelum dibentuk menjadi histogram. Image_grayscale = * R * G * B

35 35 gambar 3.12: citra acuan grayscale Gambar 3.13: citra uji grayscale 3. Citra diubah menjadi histogram Pembuatan histogram citra bertujuan untuk menunjukkan nilai distribusi dari intensitas citra dan dimunculkan dalam bentuk grafik. Nilai tersebut digunakan untuk menghitung pada tahap. Perhitungan histogram dilakukan

36 36 dengan langkah-langkah seperti pada bab berdasarkan perhitungan nilai histogram ditunjukan pada table 3.3 Table 3.3: table histogram citra 1 (uji) dan citra 2 (acuan) Nilai Histogram Citra Acuan Citra Uji

37

38 38 Gambar 3.14: Histogram Citra Acuan Gambar 3.15: Histogram Citra Uji 4. Hitung Euclidean distance antara histogram citra 1 dan histogram citra 2

39 39 5. Berdasarkan nilai f (Euclidean distance) yang dihitung pada tahap 2, semakin kecil maka semakin besar tingkat kesamaan citra. f = 0, maka citra 1 dan citra 2 sejenis 6. Berdasarkan nilai f yang diperoleh, citra acuan dan citra uji sejenis jadi cita uji merupakan jenis lovebird pastel putih.

40 40 BAB IV HASIL PENELITIAN DAN IMPLEMENTASI 4.1 Pengolahan Data Data pada penelitian ini diperoleh dari pengambilan secara langsung pada peternak burung lovebird kiky lovebird. Data citra yang terkumpul sejumlah 90 citra dengan 7 jenis burung lovebird diantaranya lovebird hijau, lovebird biru, lovebird kepala emas, lovebird pastel putih, lovebird pastel kuning dan lovebird lutino. Berdasarkan citra lovebird yang diperoleh diberikan label berdasarkan jenisnya. Kemudian data dibagi menjadi dua bagian yaitu citra acuan dan citra uji. citra acuan digunakan untuk acuan dari jenis lovebird yang ingin diuji berdasarkan citra uji. Citra acuan sebanyak 70 dan citra uji sebanyak Citra Acuan Citra acuan pada laporan ini ditampilkan sebanyak 21 citra dengan 3 citra untuk setiap jenis lovebird yang ditampilkan pada table 4.1. Tabel 4.1: Sampel Citra Acuan N o 1 Nama File file Jenis Lovebird 1.jpeg Hijau 2 2.jpeg Hijau

41 jpeg Hijau 4 4.jpeg Biru 5 5.jpeg Biru 6 6.jpeg Biru

42 jpeg Kepala emas 8 8.jpeg Kepala emas 9 9.jpeg Kepala emas jpeg Pastel putih jpeg Pastel putih

43 jpeg Pastel putih jpeg Pastel kuning jpeg Pastel kuning jpeg Pastel kuning jpeg Lutino

44 jpeg lutino jpeg lutino jpeg Batman jpeg Batman

45 jpeg Batman Citra Uji Citra uji merupakan citra lovebird yang belum diketahui jenisnya untuk proses pengujian algoritma. Pada laporan ini ditampilkan sebanyak 7 citra pada table 4.2. Tabel 4.2: Citra Uji No Nama File file 1 Uji-1.jpeg 2 Uji-2.jpeg

46 46 3 Uji-3.jpeg 4 Uji-4.jpeg 5 Uji-5.jpeg 6 Uji-6.jpeg 7 Uji-7.jpeg

47 Tahap Tahap Klasifikasi Untuk melakukan klasifikasi citra uji atau citra lovebird yang akan di uji jenisnya citra uji dibandingkan dengan citra acuan. Perbandingan dilakukan dengan histogram equalization kemudian nilai histogram pada citra uji dan citra acuan dihitung jaraknya dengan Euclidean distance. Berdasarkan Euclidean distance dapat ditentukan apakah citra uji dan citra acuan memiliki kesamaan. Apabila citra uji dan citra acuan memiliki kesamaan maka citra uji diklasifikasikan sesuai jenis citra yang dijadikan acuan. Tahap-tahap perhitungan dijelaskan sesuai tahap berikut: 1. Pemilihan Citra Acuan dan Citra Uji Citra acuan diketahui jenisnya sebagai lovebird hijau kepala hitam, sedangkan citra uji merupakan citra lovebird yang belum diketahui jenisnya Perintah untuk pemilihan citra menggunakan matlab sebagai berikut Image1 = imread('uji-1.jpg); gambar 4.1: Citra Uji lovebird

48 48 Tabel 4.3: Citra Acuan lovebird (10 Citra) 2. Citra diubah menjadi Grayscale Citra asli merupakan jenis citra RGB (Red, Green, Blue). Citra harus diproses menjadi grayscale sebelum dibentuk menjadi histogram. Image_grayscale = * R * G * B Citra uji dan citra acuan kemudian di proses menjadi citra grayscale dengan perintah rgb2gray seperti contoh dibawah Imageg1 = rgb2gray(image1); gambar 4.2: Citra Uji Grayscale

49 49 Tabel 4.4: citra acuan grayscale 3. Citra diubah menjadi histogram Pembuatan histogram citra bertujuan untuk menunjukkan nilai distribusi dari intensitas citra dan dimunculkan dalam bentuk grafik. Nilai tersebut digunakan untuk menghitung pada tahap. Perhitungan histogram dilakukan dengan langkah-langkah seperti pada bab berdasarkan perhitungan nilai histogram ditunjukan pada table 4.5. Pembuatan histogram equalization menggunakan perintah histeq seperti dibawah: Histeq1 = histeq(imageg1); hn1 = imhist(histeq1)./numel(histeq1);

50 50 Tabulasi perhitungan histogramnya ditunjukan pada Tabel 3.2. dapat dilihat bahwa semakin besar nilai ni maka semakin besar pula nilai hi. acuan 1 acuan 2 Table 4.5: tabel histogram citra acuan dan citra uji acuan 3 Histogram Citra Acuan acuan 4 acuan 5 acuan 6 acuan 7 acuan 8 acuan 9 Histogram Citra Uji

51 Setelah diketahui nilai histogram dapat dibuat grafik histogram equalization dengan perintah subplot(2,2,3);plot(hn1) title('histogram Acuan'); Tabel 4.6: Grafik Histogram Citra Acuan

52 52 Gambar 4.3: Histogram Citra Uji 4. Hitung Euclidean distance antara histogram citra acuan 1 dan histogram citra uji satu persatu untuk setiap citra acuan seperti pada table 4.7. f = sqrt(sum((acuan - uji).^2)); f = (h acuan h uji ) 2 Tabel 4.7: perhitungan Euclidean distance citra acuan 1 dan citra uji histogram citra acuan 1 citra uij hn1-hn (0.00) (0.00)

53 (0.00) (0.00) (0.02) 0.02 (0.02) 0.02 (0.02) 0.01 (0.01) 0.02 (0.02) 0.02 (0.02) 0.02 (0.02) 0.02 (0.02) 0.01 (0.01) 0.02 (0.02) 0.01 (0.01) 0.02 (0.02) 0.67 (0.67) f Hitung rata-rata nilai histogram citra acuan Perintah yang digunakan untuk menghitung rata-rata histogram yaitu mean acuan = mean([f1 f2 f3 f4 f5 f6 f7 f8 f9]) μhist (acuan 1 9) = μhist (acuan 1 9) = f1 + f1 + f3 + f4 + f5 + f6 + f7 + f8 + f = = 0.14

54 54 6. Berdasarkan nilai f (Euclidean distance) yang dihitung pada tahap 2, semakin kecil maka semakin besar tingkat kesamaan citra. if(f < ) disp ('Sejenis'); else disp ('Beda Jenis'); end f 1 maka sejenis f > 1 maka tidak sejenis f = 0.14, makacitra 1 dan citra 2 sejenis Berdasarkan nilai f yang diperoleh, citra acuan dan citra uji sejenis jadi cita uji merupakan jenis lovebird hijau kepala hitam. 4.3 Implementasi Program 1. Tampilan awal program Berikut ini merupakan tampilan program yang diimplementasikan dengan matlab. Pilih file citra acuan dan citra uji kemudian klik tombol deteksi untuk mengetahui hasil. Gambar 4.4: tampilan awal program

55 55 2. Contoh Deteksi (sejenis) Setelah memilih gambar dan menekan tombol deteksi pada gambar 4.7 ditunjukan citra uji dibandingkan dengan citra acuan pada dataset pastel putih memiliki hasil klasifikasi sejenis. Gambar 4.5: hasil deteksi sejenis 3. Contoh Deteksi (beda jenis) Pada gambar 4.8 ditunjukan hasil klasifikasi citra uji dibandingkan dengan pastel putih memiliki hasil beda jenis.

56 56 Gambar 4.6: hasil deteksi beda jenis 4.4 Pengujian Pada sub bab ini dibahas pengujian performa atau akurasi dari algoritma yang diusulkan. Pengujian dilakukan dengan citra uji dengan jumlah 20 citra. Berdasarkan pengujian sebanyak 20 citra uji yang belum diketahui jenis lovebirdnya, nilai benar sebanyak 13 dan salah sebanyak 7 sehingga akurasi dari algoritma sebesar 65 persen. Hasil pengujian ditunjukan pada table 4.4.

57 57 Tabel 4.8 : Hasil Pengujian File Jarak Euclidean Jenis Terdeteksi Kebenaran uji-1.jpeg Pastel putih Benar uji-2.jpeg Hijau Benar uji-3.jpeg Batman Benar uji-4.jpeg Biru Benar uji-5.jpeg 0.15 Hijau Salah uji-6.jpeg Biru Benar uji-7.jpeg Kepala emas Salah uji-8.jpeg Biru Benar uji-9.jpeg Lutino Benar uji-10.jpeg Lutino Salah uji-11.jpeg Pastel kuning Salah uji-12.jpeg Pastel kuning Benar uji-13.jpeg Batman Benar uji-14.jpeg Kepala emas Salah uji-15.jpeg Lutino Benar uji-16.jpeg Kepala emas Salah uji-17.jpeg Hijau Salah uji-18.jpeg Batman Benar uji-19.jpeg Pastel putih Benar uji-20.jpeg Pastel putih Benar

58 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan eksperimen dan pengujian metode Content Based Image Retrieval untuk menganalisa jenis lovebird yang telah dilakukan maka kesimpulan yang diperoleh adalah metode yang diusulkan yaitu CBIR (Content Based Image Retrieval) telah berhasil diterapkan untuk menentukan jenis jenis burung Lovebird dengan berdasarkan corak warna dan tektur gambar. Performa dari metode yang diusulkan diukur dengan akurasi sebesar 65 persen. 5.2 Saran Penelitian yang dilakukan dengan metode Content Based Image Retrieval masih belum sempurna. Maka saran untuk penelitian lebih lanjut yaitu: 1. Dalam proses analisa atau klasifikasi untuk menentukan jenis dapat menerapkan metode lain dalam ekstraksi fitur dari citra yang akan di analisa. 2. Penelitian lebih lanjut dapat menerapkan algoritma klasifikasi dalam menentukan jenis lovebird. Algoritma klasifikasi yang dapat diterapkan diantaranya k-nn, SVM, Naïve Bayes dan lain-lain. 58