BAB III METODOLOGI PENELITIAN

Transkripsi

1 27 BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Saat ini perkembangan teknologi memungkinkan kita untuk membantu memberikan solusi di berbagai bidang. Multimedia Database memberikan banyak kontribusi di berbagai jenis aplikasi dengan berbagai solusi di bidang ilmunya. Text, image, sound, dan video retrieval semakin banyak dan semakin luas digunakan untuk memberikan solusi di berbagai bidang. Luasnya bidang ilmu multimedia database, khususnya retrival citra berbasis konten, menyebabkan banyak sekali jenis-jenis fitur tingkat rah yang bisa digunakan untuk mencapai solusi. Banyaknya fitur tersebut masih dapat dikategorikan lagi menjadi fitur-fitur warna, bentuk, tekstur, dan tata ruang untuk merepresentasikan sebuah gambar. Salah satu fitur bentuk yang digunakan pada sistem retrival citra berbasis konten adalah gradient vector flow. Gradient Vector Flow (GVF) adalah fitur difusi yang melestarikan informasi gradien. Pada awalnya diperkenalkan oleh (Xu & Prince, 1998) untuk morong ular, atau kontur aktif, menuju tepi segmentasi citra (Xu & Prince, 1998). Eric Smistad menyajikan implementasi Matlab sederhana GVF untuk gambar 3D yang dapat ditemukan di situsnya. Histogram warna merupakan salah satu fitur warna. Fitur histogram warna ditambahkan pada sistem retrival citra berbasis konten untuk meningkatkan akurasi. Fitur histogram mampu meningkatkan akurasi sebesar 22% dari sistem retrival citra berbasis konten yang sebelumnya hanya menggunakan fitur gradient vector flow. Penelitian ini mengimplementasikan sistem retrival citra berbasis konten dengan menggunakan fitur

2 28 gradient vector flow yang dikombinasikan dengan fitur histogram untuk digunakan pada pencarian bangunan perkotaan. 3.2 Metodologi Histogram Basis Data Gambar Resize ke ukuran 320 x 240 Pixels Penyimpanan data fitur GVF 3D Histogram Gambar Query Resize ke ukuran 320 x 240 Pixels Pengukuran Kemiripan (Cosine Distance) Hasil GVF 3D Gambar 3.1 Metode yang Diusulkan Metodologi dari sistem retrival citra berbasis konten pada penelitian ini adalah gambar query dan gambar pada basis data gambar diperkecil (resize) ukurannya menjadi 320x240 pixels. Fitur warna diekstrak dengan menggunakan histogram warna, sedangkan fitur bentuk diekstrak dengan GVF 3D. Hasil gabungan fitur dari setiap gambar disimpan ke dalam variabel dimana nantinya dipanggil pada saat pencarian (query). Algoritma yang digunakan untuk melakukan ekstraksi fitur-fitur tersebut adalah sebagai berikut :

3 29 EkstrakFitur(noise,gvfiterate,startNo,No) for i = startno:no for j = 1:4 matriximg = imread(namafile); ekstrakhistogram(matriximg); finalshapehist = [rhist' bhist' ghist']; resulthist(i,j,:) = finalshapehist; matriximg = imresize(matriximg, 0.5); ekstrakgvf(matriximg); finalshape = [ureshape vreshape wreshape]; resultgvf(i,j,:) = finalshape; finalshapecomb = [finalshape finalshapehist]; resultcombine(i,j,:) = finalshapecomb; Pada saat melakukan pencarian, gabungan fitur hasil ekstraksi dari gambar query digunakan untuk mencari gambar yang paling mirip dengan gambar yang paling mirip dengan gambar query pada basis data gambar. Algoritma dari proses pencarian adalah : QueryFitur(namafile,dataVariabel,dataVariabelHist,dataVariabelComb,noise,gv fiterate) matriximg = imread(namafile); ekstrakhistogram(matriximg); finalshapehist = [rhist' bhist' ghist']; matriximg = imresize(matriximg, 0.5); ekstrakgvf(matriximg); finalshape = [ureshape vreshape wreshape]; finalshapecomb = [finalshape finalshapehist]; for l = 1:basisDataFitur for k = 1:4 fiturquery = finalshapecomb; fiturbasisdata = datavariabelcomb(l,k); jarak = pdist([fiturquery;fiturbasisdata],'cosine'); result = sortrows(jarak); result = result(1:4,:);

4 30 Hasil akhir dari proses pencarian (query) adalah 4 gambar yang paling mirip. Penelitian ini menggunakan MATLAB R2010b dengan komputer Intel Core i5 Processor 2410M (2.30 GHz) dan 4 GB RAM. 3.3 Basis Data Gambar Pada penelitian ini basis data gambar yang digunakan adalah ZuBuD (Zurich Building Database). ZuBuD adalah basis data gambar bangunan rumah/gedung modern yang berisi 1000 gambar yang terbagi menjadi 200 kategori (setiap kategori terdiri atas 5 gambar). Pada penelitian ini data yang digunakan dari ZuBuD tidak semuanya, melainkan hanya 200 gambar (40 kategori), dimana 160 gambar merupakan data yang dilakukan fitur ekstraksi dan kemudian disimpan ke basis data untuk pencarian, dan 40 gambar digunakan untuk melakukan query. ZuBuD dapat diunduh pada Berikut adalah contoh gambar pada ZuBuD.

5 31 Gambar 3.2 Contoh Basis Data Gambar 3.4 Evaluasi Performa Evaluasi performa pada penelitian ini, pengukuran akurasi dari sistem retrival citra berbasis konten dilakukan dengan cara mengukur rata-rata precision dari query dari setiap kategori gambar. Pengukuran precision dilakukan terhadap sistem retrival citra berbasis konten yang menggunakan gradient vector flow dan gradient vector flow digabung dengan histogram warna. Penggunaan histogram warna disebabkan karena histogram warna merupakan fitur warna yang paling umum dan mudah untuk diterapkan (Sai & Patil, 2010).