Hasil Penelitian Pembahasan - Ekstraksi Fitur

79

BAB 4

HASIL PENELITIAN DAN PEMBAHASAN

4.1 Antarmuka Proses Ekstraksi Fitur

Berikut ini adalah tampilan proses ekstraksi fitur melalui program yang telah

dibuat :

Gambar 4.1 Tampilan program pada fungsi ekstraksi fitur

Pada fungsi ekstraksi fitur, program akan meminta pengguna untuk meng-

input nama file hasil ekstraksi, image ID, dan jenis fitur yang akan di ekstrak. Selain

itu, program juga meminta pengguna untuk menunjukkan lokasi penyimpanan citra

yang akan diekstraksi fiturnya. Setelah semua proses peng-input-an selesai, maka

program akan mengekstraksi fitur dari citra yang ditunjuk dan menghasilkan vektor

80

fitur yang akan disimpan dalam bentuk file text (*.txt). Selanjutnya, file ini dapat

digunakan untuk pemrosesan training citra.

4.2 Antarmuka Proses Pelatihan Citra

Berikut ini adalah tampilan proses pelatihan (training) citra melalui program

yang telah dibuat :

Gambar 4.2 Tampilan program pada fungsi pelatihan citra

Pada fungs i pelatihan citra, program akan meminta pengguna untuk meng-

input file text yang telah memuat vektor fitur yang telah diekstraksi. Kemudian dari

file text inilah, program akan melatih vektor fitur tersebut ke dalam SVM (Support

Vector Machine). Sehingga selanjutnya SVM akan mengeluarkan salah satu output

yang akan sangat penting untuk digunakan dalam proses anotasi, yaitu image model.

4.3 Antarmuka Proses Anotasi Citra

Berikut ini adalah tampilan proses anotasi citra melalui program yang telah

dibuat :

81

Gambar 4.3 Tampilan program pada fungsi anotasi citra

Pada fungsi anotasi citra, program akan meminta output dari hasil training

citra, yaitu image model, nama file output dari hasil proses anotasi, serta jenis fitur

yang akan digunakan. Namun sebelum proses anotasi berjalan, pengguna harus

menunjukkan lokasi penyimpanan gambar yang akan dianotasi oleh program.

Output dari proses anotasi ini akan digunakan sebagai metadata dalam proses temu

kembali (retrieval) citra.

4.4 Antarmuka Proses Temu Kembali Citra

Berikut adalah tampilan awal fungsi temu kembali citra pada program yang

telah dibuat :

82

Gambar 4.4 Tampilan awal program pada fungsi temu kembali citra

Pada fungsi temu kembali citra, program akan meminta file XML yang telah

diperoleh dari hasil anotasi sebagai basis data. Kemudian dari basis data inilah,

program dapat menampilkan citra – citra yang sesuai dengan kata kunci yang

pengguna input dalam kotak search.

Dibawah ini adalah tampilan program ketika menampilkan citra citra dengan

beberapa macam kategori :

83

1. Kategori Langit (Sky)

Gambar 4.5 Tampilan program pada fungsi temu kembali citra

dengan kata kunci sky

84

2. Kategori Pantai (Beach)


dengan kata kunci beach

85

3. Kategori Laut (Ocean)


dengan kata kunci ocean

86

4. Kategori Tumbuhan Hijau (Vegetation)


dengan kata kunci vegetation

87

5. Kategori Bebatuan (Rock)


dengan kata kunci rock

4.5 Evaluasi

4.5.1 Prosedur Pengujian

Pengujian dilakukan terhadap anotasi citra otomatis guna menghasilkan nilai

precision dan recall. Perhitungan nilai precision dan recall dilakukan terhadap

citra yang telah dianotasi. Precis ion dan recall akan menunjukkan performa AIA

yang diuji. Berikut formula perhitungan precision dan recall yang digunakan :

P BC

88

Dimana :

P = Precision

R = Recall

A = Jumlah citra yang dianotasi secara otomatis berdasarkan kata kunci (keyword)

tertentu

B = Jumlah citra yang dianotasi dengan benar berdasarkan kata kunci (keyword)

tertentu

C = Jumlah citra yang nyata adanya pada basis data berdasarkan kata kunci

(keyword) tertentu

Selain itu, perhitungan nilai variance pada precision dan recall juga

dilakukan untuk menguji penyebaran nilai precision dan recall tersebut. Dimana

nilai variance yang rendah akan membuktikan penyebaran nilai precision dan

recall yang lebih merata, sehingga dapat lebih membuktikan keakuratannya.

Berikut adalah formula yang digunakan untuk menghitung variance

1

Dimana :

N = Banyaknya nilai precision atau recall yang dihitung

= Nilai precision atau recall tertentu

= Nilai rata – rata precision atau recall

Prosedur pengujian pada sistem anotasi memang berbeda dengan sistem

temu kembali citra pada umumnya. Pada sistem anotasi, hal yang penting tidaklah

89

hanya nilai precision yang tinggi, tetapi nilai recall yang tinggi juga menunjukkan

performa yang baik sebuah sistem anotasi. Sedangkan sistem temu kembali citra

pada umumnya, tujuan utamanya adalah untuk mendapatkan nilai precision yang

tinggi pada setiap recall-nya.

Dalam proses pengujian ini digunakan 100 buah citra untuk ditraining dan

200 citra untuk diklasifikasi. Semua citra tersebut dibagi secara merata menjadi 5

kategori.

Untuk membantu proses pengujian, dibuat sebuah program dengan

MATLAB v7.8.0.347(R2009A). Program tersebut akan memberikan antarmuka

yang lebih simple dan tidak membingungkan. Selain itu tentunya program ini akan

memberikan sebuah gambaran temu kembali yang lebih menarik. Program tersebut

dibagi menjadi 4 bagian utama, antara lain :

• Ekstraksi fitur

Program akan melakukan ekstraksi fitur dari citra.

• Training citra

Vektor fitur dari citra akan dilatih ke dalam SVM.

• Anotasi

Dilakukan anotasi dengan cara memberikan tag yang disimpan dalam file

XML

• Temu-kembali citra

Program akan menampilkan-citra citra yang sesuai dengan kata kunci

pencarian.

Pengujian dilakukan menggunakan komputer dengan spesifikasi :

90

• Intel Core i5 520M @2.40 Ghz

• RAM 4GB DDR3

• Hard Disk SATA 500GB

• Sistem Operasi Windows 7 Ultimate 32 Bit

4.5.2 Hasil Pengujian

Berikut adalah hasil pengujian yang telah dilakukan dengan menghitung

nilai precision dan recall untuk setiap kategorinya dan hasil pengujian disajikan

dalam bentuk tabel.

Namun untuk membuat hasil pengujian menjadi lebih jelas dan nyata, maka

dilakukan pengujian empiris dengan membandingkan beberapa macam anotasi

dengan segmentasi dan color space yang berbeda. Dalam hal ini, RGBL +

Moment, HSV + Moment, serta Lab + Moment juga turut disertakan sebagai

pembanding.

Dibawah ini adalah hasil pengujian nilai precision dan recall pada masing –

masing kategori dengan teknik RGB segmentation dan HSV segmentation.

91

Tabel 4.1 Tabel Nilai Precision dan Recall dengan RGB segmentation

Color Space : RGB

Keywords MEAN

Beach Ocean Rock Sky Vegetation

A 143 109 37 102 100

B 47 83 32 100 89

C 49 96 56 181 131

Precision 0.329 0.761 0.865 0.980 0.890 0.765

Recall 0.959 0.865 0.571 0.552 0.679 0.725

Color Space : RGBL

Keywords MEAN


A 119 125 49 118 90

B 45 89 36 116 82

C 49 96 56 181 131

Precision 0.378 0.712 0.735 0.983 0.911 0.744

Recall 0.918 0.927 0.643 0.641 0.626 0.751

Color Space : HSV

Keywords MEAN


A 72 71 76 139 107

B 34 64 48 136 103

C 49 96 56 181 131

Precision 0.472 0.901 0.632 0.978 0.963 0.789

Recall 0.694 0.667 0.857 0.751 0.786 0.751

Color Space : Lab

Keywords MEAN


A 55 127 69 153 83

B 32 87 42 150 75

C 49 96 56 181 131

Precision 0.582 0.685 0.609 0.980 0.904 0.752

Recall 0.653 0.906 0.750 0.829 0.573 0.742

92

Color Space : RGBL + Moment

Keywords MEAN


A 59 118 85 135 98

B 30 86 49 131 87

C 49 96 56 181 131

Precision 0.508 0.729 0.576 0.970 0.888 0.734

Recall 0.612 0.896 0.875 0.724 0.664 0.754

Color Space : HSV + Moment

Keywords MEAN


A 69 66 82 135 109

B 33 60 49 132 103

C 49 96 56 181 131

Precision 0.478 0.909 0.598 0.978 0.945 0.782

Recall 0.673 0.625 0.875 0.729 0.786 0.738

Color Space : Lab + Moment

Keywords MEAN


A 52 115 86 156 83

B 30 83 42 153 74

C 49 96 56 181 131

Precision 0.577 0.722 0.488 0.981 0.892 0.732

Recall 0.612 0.865 0.750 0.845 0.565 0.727

93

Tabel 4.2 Tabel Nilai Precision dan Recall dengan HSV segmentation

Color Space : RGB

Keywords MEAN


A 125 99 66 109 97

B 44 72 48 104 87

C 49 96 56 181 131

Precision 0.352 0.727 0.727 0.954 0.897 0.732

Recall 0.898 0.750 0.857 0.575 0.664 0.749

Color Space : RGBL

Keywords MEAN


A 105 114 76 124 78 B 42 81 47 119 72

C 49 96 56 181 131

Precision 0.400 0.711 0.618 0.960 0.923 0.722

Recall 0.857 0.844 0.839 0.657 0.550 0.749

Color Space : HSV

Keywords MEAN


A 67 72 87 143 111

B 44 63 49 139 104

C 49 96 56 181 131

Precision 0.657 0.875 0.563 0.972 0.937 0.801

Recall 0.898 0.656 0.875 0.768 0.794 0.798

Color Space : Lab

Keywords MEAN


A 51 113 99 152 77 B 38 81 51 146 69

C 49 96 56 181 131

Precision 0.745 0.717 0.515 0.961 0.896 0.767

Recall 0.776 0.844 0.911 0.807 0.527 0.773

94

Color Space : RGBL + Moment

Keywords MEAN


A 51 110 108 135 87

B 31 75 50 131 82

C 49 96 56 181 131

Precision 0.608 0.682 0.463 0.970 0.943 0.733

Recall 0.633 0.781 0.893 0.724 0.626 0.731

Color Space : HSV + Moment

Keywords MEAN


A 63 71 98 137 109 B 39 61 55 133 103

C 49 96 56 181 131

Precision 0.619 0.859 0.561 0.971 0.945 0.791

Recall 0.796 0.635 0.982 0.735 0.786 0.787

Color Space : Lab + Moment

Keywords MEAN


A 47 98 113 154 80

B 35 68 50 150 71

C 49 96 56 181 131

Precision 0.745 0.694 0.442 0.974 0.888 0.749

Recall 0.714 0.708 0.893 0.829 0.542 0.737

95

Dibawah ini adalah hasil pengujian anotasi dengan tipe color space & segmentasi yang berbeda.

Tabel 4.3 Tabel Nilai Precision dan Recall dengan color space dan segmentasi yang berbeda.

Color Space

Segmentation

Keywords MEAN Precision

MEAN Recall

Variance Precision

Variance Recall


Precision Recall Precision Recall Precision Recall Precision Recall Precision Recall

RGB RGB 0.329 0.959 0.761 0.865 0.865 0.571 0.98 0.552 0.89 0.679 0.765 0.725 0.229 0.161 HSV 0.352 0.897 0.727 0.75 0.727 0.857 0.954 0.574 0.896 0.664 0.731 0.748 0.210 0.120

RGBL RGB 0.378 0.918 0.712 0.927 0.735 0.643 0.983 0.641 0.911 0.626 0.744 0.751 0.210 0.150 HSV 0.4 0.857 0.71 0.843 0.618 0.839 0.959 0.657 0.923 0.55 0.722 0.749 0.206 0.124

HSV RGB 0.472 0.694 0.901 0.667 0.632 0.857 0.978 0.751 0.963 0.786 0.789 0.751 0.202 0.063 HSV 0.657 0.898 0.875 0.656 0.563 0.875 0.972 0.768 0.937 0.794 0.801 0.798 0.162 0.086

Lab RGB 0.582 0.653 0.685 0.906 0.609 0.75 0.98 0.829 0.904 0.573 0.752 0.742 0.161 0.115 HSV 0.745 0.776 0.717 0.844 0.515 0.911 0.961 0.807 0.896 0.527 0.767 0.773 0.155 0.131

RGBL + Moment

RGB 0.508 0.612 0.729 0.896 0.576 0.875 0.97 0.724 0.888 0.664 0.734 0.754 0.176 0.107

HSV 0.608 0.633 0.682 0.781 0.463 0.893 0.97 0.724 0.943 0.626 0.733 0.731 0.196 0.099

HSV + Moment

RGB 0.478 0.673 0.909 0.625 0.598 0.875 0.978 0.729 0.945 0.786 0.782 0.738 0.204 0.084

HSV 0.619 0.796 0.859 0.635 0.561 0.982 0.971 0.735 0.945 0.786 0.791 0.787 0.169 0.113

LAB + Moment

RGB 0.577 0.612 0.722 0.865 0.488 0.75 0.981 0.845 0.892 0.565 0.732 0.727 0.185 0.116

HSV 0.745 0.714 0.694 0.708 0.442 0.893 0.974 0.829 0.888 0.542 0.749 0.737 0.183 0.120

96

4.6 Pembahasan

Berdasarkan data hasil pengujian, dapat dilihat bahwa pada H SV

segmentation dengan co lor space HSV menghasilkan mean precision dan mean

recall yang tinggi jika dibandingkan dengan sistem anotasi dengan tipe

segmentasi dan tipe color space lainnya.

Jika ditelusuri lebih dalam, H SV segmentation dengan color space H SV

menghasilkan nilai precision dan reca ll yang tinggi pada dua keyword, yaitu

pada keyword sky dan keyword vegetation. Sedangkan pada keyword rock dan

keyword beach, nilai precision yang dicapai leb ih rendah dibanding dua keyword

sebelumnya, yaitu pada 0.563 di keyword rock dan 0.657 di keyword beach.

Hal di atas dapat terjadi karena sistem mengalami sedik it kesulitan dalam

membedakan warna, seperti warna awan pada langit dianotasikan sebagai pasir

putih pada pantai. Selain itu, penyebaran warna pada citra juga berpengaruh.

Jika terdapat noise pada gambar, maka akan mempengaruhi proses segmentasi

sehingga hasil segmentasi akan tidak sempurna. Tidak hanya itu, pelatihan citra

yang penyebaran warnanya tidak merata juga berpengaruh. Penyebaran warna

yang tidak merata akan mempengaruhi pelatihan citra pada SVM (Support

Vector Machine). SVM sangat rentan dan sensitif dengan noise sehingga akurasi

yang dihasilkan akan menurun.

Namun HSV segmentation dengan color space H SV tetap memberikan

hasil yang terbaik jika dibandingkan dengan pembanding lainnya. Hal tersebut

dapat disebabkan oleh sifat penentuan warna pada HSV yang lebih sesuai

dengan persepsi warna pada mata manusia.

Penambahan Moment pada pengu jian ternyata tidak menghasilkan

perbedaan yang cukup sign ifikan, dimana n ilai precision dan reca ll yang

97

dihasilkan masih belum mampu mengungguli HSV segmenta tion dengan color

space HSV.

HSV segmentation dengan color space HSV juga menghasilkan nilai

variance precision dan variance recall yang rendah. Hal tersebut membuktikan

bahwa penyebaran precision dan recall pada hasil pengujian cukup merata.

Dengan nilai mean precision dan mean recall yang tinggi serta variance

precision dan variance reca ll yang rendah membuktikan bahwa HSV

segmentation dengan color space HSV memberikan hasil yang terbaik.

Hasil Penelitian Pembahasan - Ekstraksi Fitur

Documents

Transcript of Hasil Penelitian Pembahasan - Ekstraksi Fitur