TEMU KENALI CITRA BERBASIS KONTEN BENTUK DAN WARNA UNTUK PENGENALAN RAMBU LALU-LINTAS

Yudhi Septianto Adhi Pratama Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Gunadarma

Jalan Margonda Raya No. 100 Pondok Cina, Depok 16412, Indonesia Email : y7pratama@gmail.com

ABSTRAK Teknik pencarian citra berbasis teks yang ada saat ini belum dapat digunakan untuk

merepresentasikan citra yang kita cari didalam sebuah database citra, sehingga seringkali diperoleh hasil pencarian citra yang tidak sesuai dengan yang diinginkan karena kita harus mengetahui kata kunci yang tepat sesuai dengan nama file citra untuk memperoleh citra yang kita inginkan. Untuk mengatasi masalah pencarian citra tersebut, salah satu solusinya adalah dengan menggunakan CBIR. Content-Based Image Retrieval (CBIR) atau temu kembali citra yaitu suatu metode pencarian citra dengan melakukan perbandingan antara fitur citra queri dengan fitur citra yang ada di database (Query by Example).

Metode CBIR yang sering digunakan adalah pencarian berdasarkan kemiripan fitur warna, akan tetapi untuk data berupa rambu lalu-lintas penggunaan satu fitur ekstraksi saja dinilai tidak cukup untuk mendeskripsikan objek citra tersebut yang terdiri dari berbagai bentuk dan warna. Atas dasar itulah penulis terdorong untuk melakukan penelitian dan pembuatan aplikasi pencarian citra berdasarkan dua macam fitur ekstraksi, yaitu ekstraksi fitur bentuk menggunakan metode Canny Edge Detection dan ekstraksi fitur warna dengan menggunakan metode Local Color Histogram(LCHs). Sedangkan untuk menghitung kemiripan fitur bentuk dan warna tersebut menggunakan metode Euclidean distance dan untuk mengatur urutan ranking kemiripan citra menggunakan teknik Bubble Sort. Sehingga dapat dilihat pada hasil proses pencarian citra yang lebih akurat. Kata kunci : Rambu, Lalu-lintas, CBIR, Temu Kenali Citra, Bentuk, Warna, Canny Edge

Detection, Local Color Histogram, Euclidean, Bubble Sort. 1. PENDAHULUAN

Rambu lalu-lintas penting untuk diketahui bagi para pengguna jalan agar terhindar dari kemungkinan kecelakaan atau terjadinya sesuatu hal yang tidak diinginkan. Pengetahuan serta kepatuhan untuk mentaatinya merupakan suatu hal yang wajib untuk dilakukan. Rambu lalu-lintas memiliki kemiripan di beberapa negara sebagai contohnya Indonesia dengan Jepang. Kemiripan lambang, warna rambu, bentuk plank dan arti dari rambu tersebut, dapat dijadikan komparasi atau perbandingan

rambu antar negara tersebut. Sehingga menghasilkan sebuah informasi pengenalan rambu lalu-lintas yang sangat berguna bagi pencari informasinya.

Teknik pencarian citra berbasis teks yang ada saat ini belum dapat digunakan untuk merepresentasikan citra yang kita cari didalam sebuah database citra, sehingga seringkali diperoleh hasil pencarian citra yang tidak sesuai dengan yang diinginkan karena kita harus mengetahui kata kunci yang tepat sesuai dengan nama file citra untuk memperoleh citra yang kita inginkan.

Untuk mengatasi masalah pencarian citra tersebut, salah satu solusinya adalah dengan menggunakan CBIR. Content-Based Image Retrieval (CBIR) atau temu kembali citra yaitu suatu metode pencarian citra dengan melakukan perbandingan antara fitur citra queri dengan fitur citra yang ada di database (Query by Example).

Teknik pencarian citra berbasis teks yang ada saat ini belum dapat digunakan untuk merepresentasikan citra yang kita cari didalam sebuah database citra, sehingga seringkali diperoleh hasil pencarian citra yang tidak sesuai dengan yang diinginkan karena kita harus mengetahui kata kunci yang tepat sesuai dengan nama file citra untuk memperoleh citra yang kita inginkan. Untuk mengatasi masalah pencarian citra tersebut, salah satu solusinya adalah dengan menggunakan CBIR. Content-Based Image Retrieval (CBIR) atau temu kembali citra yaitu suatu metode pencarian citra dengan melakukan perbandingan antara fitur citra queri dengan fitur citra yang ada di database (Query by Example).

Penelitian terdahulu tentang CBIR telah banyak dilakukan, diantaranya yang dilakukan oleh Toyoshima dkk [Toyoshima dkk, 2011]. Dalam penelitiannya, mereka membahas konsep sistem temu kenali citra berbasis konten warna dan bentuk untuk rambu lalu-lintas antara negara Jepang dengan rambu lalu-lintas secara umum di Eropa. Penelitian lainnya terkait konsep warna dan bentuk dikemukakan oleh Agus Sumarna [Agus, 2010], yang mengemukakan tentang konsep CBIR berdasarkan ekstraksi fitur warna menggunakan perhitungan histogram warna dari citra dan penelitian Febriani [Febriani, 2010] yang membahas tentang konsep CBIR berdasarkan ekstraksi fitur bentuk dasar deteksi tepi objek dari citra.

2. TINJAUAN PUSTAKA 2.1 Rambu Lalu-Lintas

Rambu Lalu lintas merupakan salah satu dari perlengkapan jalan, berupa lambang, huruf, angka, kalimat atau perpaduan diantaranya untuk mengetahui peringatan, larangan, perintah ataupun petunjuk bagi pengguna jalan. Pada umumnya, rambu memiliki unsur warna yang berbeda untuk tulisan, simbol serta warna latarnya dan juga memiliki bentuk plank yang berbeda. Tabel 2.1 menunjukan ragam jenis warna pada plank rambu lalu-lintas yang umum digunakan di seluruh dunia, sedangkan tabel 2.2 menjelaskan ragam bentuk plank rambu lalu-lintas di seluruh dunia.

Tabel 2.1. Warna Dasar Rambu

Tabel 2.2. Bentuk Plank

2.2 Content-Base Image Retrieval. Content-Based Image Retrieval (CBIR) atau temu kembali citra adalah metode yang digunakan untuk melakukan pencarian citra digital pada suatu database citra. Yang dimaksud dengan "Content-Based" di sini adalah : objek yang dianalisa dalam proses pencarian itu adalah actual contents (kandungan aktual) sebuah citra. Istilah konten pada konteks ini merujuk pada warna, bentuk, tekstur, atau informasi lain yang didapatkan dari citra tersebut. Proses umum dari CBIR adalah pada citra yang menjadi query dilakukan proses ekstraksi fitur (image contents), begitu halnya dengan citra yang ada pada basis data citra juga dilakukan proses seperti pada citra query. Parameter fitur citra yang dapat digunakan untuk retrieval pada system ini dapat berupa histogram, susunan warna, teksture, dan shape, tipe spesifik dari objek, tipe event tertentu, nama individu, lokasi, emosi.

Awalnya teknik yang dipakai bukan mencari fitur citra melainkan berdasarkan penambahan deskripsi mengenai citra dalam bentuk teks. Dengan kata lain pertama citra diberi teks berdasarkan citra tersebut kemudian dilakukan pencarian berdasarkan teks (text based) mengunakan sistem database manajemen tradisional. Namun karena pembangkitan teks secara otomatis, mengenai deskripsi spektrum citra, secara detail sulit untuk dilakukan kebanyakan aplikasi text-based image retrieval saat itu melakukan pemberian teks deskripsi citra secara manual.

Penelitian dan pengembangan image retrieval dimulai pada sekitar 1970-an. Pada tahun 1979, sebuah konferensi mengenai Database Tehcniques for Pictorial Application diadakan di Florida. Sejak itu aplikasi dalam melakukan manajemen database citra menarik perhatian para peneliti.

Gambar 1. Diagram Arsitektur CBIR

(Torres, 2006).

Dalam diagram diatas. Dapat dilihat bahwa CBIR dibagi menjadi 3 bagian yaitu : bagian interface, bagian Query Processing Module, dan bagian Image Database. Untuk penjelasanya adalah sebagai berikut : 1. Bagian pertama adalah interface yang

merupakan bagian untuk interaksi antara pengguna dengan sistem CBIR melalui aplikasi GUI (Graphical User Interface). Sedangkan didalamnya terdapat sub bagian : • Data Insertion yang digunakan user

untuk memasukan citra yang akan di ekstraksi.

• Query Specification untuk menentukan citra yang akan dijadikan citra query serta menentukan metode ekstraksi fitur. Dalam penelitian ini, penulis menggunakan metode ekstraksi local color histogram dan global color histogram.

• Visualization untuk menampilkan citra query dan citra hasil pencarian.

2. Bagian kedua adalah Query-processing module. Sedangkan didalamnya terdapat sub bagian :

• feature vector extraction yang digunakan untuk mengekstraksi baik citra yang ada didatabase citra maupun citra query.

• Similarity Computation digunakan untuk menghitung kesamaan fitur citra.

• Ranking digunakan untuk mengurutkan citra yang memiliki tingkat kemiripan dengan citra query.

3. Bagian ketiga adalah Image Database. Sedangkan didalamnya terdapat sub bagian. • Feature Vectors yang digunakan

untuk menyimpan hasil ekstraksi fitur citra. Dan disimpan didalam database derby.

• Images merupakan database citra yang secara fisik berupa folder yang didalamnya terdapat kumpulan citra.

2.3 Ekstraksi Konten Bentuk 2.3.1 Metode Canny Edge Detection (Deteksi Tepi)

Tahap awal ekstraksi ciri bentuk dilakukan melalui pendeteksian tepi menggunakan metode canny edge detector. Canny edge detector ditemukan oleh Marr dan Hildreth yang meneliti pemodelan visual manusia. Pendekatan algoritma Canny dilakukan dengan konvolusi fungsi citra dengan operator Gaussian dan turunan-turunannya. Turunan pertama dari fungsi citra yang dikonvolusi dengan fungsi Gaussian,yaitu :

g(x,y) = D[Gauss(x,y)*f(x,y)] Pendeteksi tepi merupakan langkah pertama untuk melingkupi informasi di dalam citra. Tepi mencirikan batas-batas objek dan karena itu tepi berguna untuk proses segmentasi dan identifikasi objek didalam citra. Tujuan operasi pendeteksi tepi adalah untuk meningkatkan penampakan garis batas suatu daerah atau objek di dalam citra. Salah satu teknik atau metode dalam

pendeteksian tepi yaitu metode canny. Detektor tepi Canny merupakan deteksi tepi operator yang menggunakan algoritma multi-tahap untuk mendeteksi berbagai tepi dalam gambar. Ada lima tahap dalam deteksi tepi Canny diantaranya: 1. Smoothing : Mengaburkan gambar untuk

menghilangkan noise (gangguan). 2. Mencari gradient : Tepi harus ditandai di

mana gradient dari gambar memiliki besar-besaran.

3. Non-maximum suppression : Hanya maxima lokal harus ditandai sebagai tepi.

4. Thresholding ganda : Tepi yang memiliki potensi ditentukan oleh thresholding.

5. Edge tracking dengan hysteresis : Tepi final ditentukan dengan menekan semua sisi yang tidak terhubung ke tepi (kuat) sangat tertentu.

2.3.2 Metode Freeman Chain Code (Kode Rantai)

Kode rantai banyak digunakan dalam pengolahan citra untuk merepresentasikan garis, kurva atau batas tepi dari suatu daerah. Kode rantai banyak digunakan karena menghemat memory. Penelitian tentang aplikasi kode rantai telah banyak dilakukan, diantaranya Zingaretti [Zingaretti, 1998], yang mengusulkan algoritma yang dapat mengekspresikan suatu nilai bitmap yang multi value menggunakan kode rantai. Koplowitz [Koplowitz, 1995] memperkenalkan metode berdasarkan kode rantai untuk mendetesi titik sudut suatu kurva.

Penelitian tentang kode rantai diperkenalkan oleh Freeman pada tahun 1961 [Freeman, 1961] yang digunakan untuk merepresentasikan kurva digital dan kode Freeman kemudian merupakan teknik yang banyak digunakan oleh peneliti. Kode Freeman bergerak sepanjang kurva digital atau batas piksel yang berurutan berdasarkan

8 konektivitas. Arah dari setiap gerakan dikodekan dengan menggunakan skema nomor {i|i=0,1,2,...,7} yang merupakan kelipatan sudut 45 derajat berlawanan arah jarum dari posisi sumbu x positif. Gambar 2 menyajikan arah kode rantai freeman.

Gambar 2. Arah Kode Rantai

Urutan dalam pembacaan arah satu titik dari titik yang lain berdasarkan arah jarum jam. 2.4 Ekstraksi Konten Warna

Histogram warna terdiri dari dua tipe, Global colour histograms (GCHs) dan Local colour histograms (LCHs). Pada penggunaan GCH, distribusi warna global suatu gambar diambil dan digunakan sebagai metadata. Jika pengguna mencari gambar dengan yang dalam sistem databasenya hanya memperhatikan distribusi warna global suatu gambar, memang, GCH adalah pilihan terbaik. Walaupun demikian, karena GCH hanya mengambil distribusi warna global suatu gambar sebagai pertimbangan untuk membandingkan gambar, ini bisa mengembalikan hasil yang tidak sesuai dengan persepsi visual.

Gambar 3 adalah contoh tiga gambar yang telah dikuantisasi menjadi tiga warna: hitam, abu-abu, dan putih. Misalkan gambar A adalah query image, sedangkan gambar B dan C adalah gambar-gambar dalam database.

Gambar 3 Tiga gambar yang terkuantisasi menjadi 3 warna Distribusi warna (GCH) berdasarkan

tiga gambar yang ada pada gambar 3 adalah disajikan pada tabel 2.3.

Tabel 2.3. Tabel GCH A, B, dan C

Image Hitam Abu–abu Putih A 37.5 % 37.5 % 25 % B 31.25 % 37.5 % 31.25 % C 37.5 % 37.5 % 25 % Berdasarkan distribusi warna pada tabel 2.3, jarak antara gambar A dengan gambar B dan C adalah: d(A,B) = |0.375 - 0.3125| + |0.375 - 0.375| + |0.25-0.3125| = 0.125 d(A,C) = |0.375 - 0.375| + |0.375 - 0.375| + |0.25 - 0.25| = 0

Dari hasil pembandingan, gambar C ternyata ditemukan lebih mirip daripada gambar B (karena jarak C lebih kecil). Padahal, sesuai dengan persepsi, yang lebih mirip dengan gambar A sebenarnya adalah gambar B.

GCH merepresentasikan keseluruhan bagian gambar dengan satu histogram. Sedangkan LCH membagi gambar menjadi beberapa bagian dan kemudian mengambil histogram warna tiap bagian tadi. LCH memang berisi lebih banyak informasi tentang gambar, namun metode ini membutuhkan lebih banyak proses komputasi. 2.5 Pengukuran Jarak Kemiripan Citra

Histogram warna atau bentuk tepi antara dua gambar dihitung jaraknya dimana gambar yang memiliki jarak paling kecil,

merupakan solusinya. Literatur menyebutkan cara termudah untuk menghitungnya, yaitu dengan menggunakan rumus jarak Euclidan seperti persamaan berikut :

d(A,B) = �∑ �𝐻𝐻𝑗𝑗𝐴𝐴 − 𝐻𝐻𝑗𝑗𝐵𝐵�2𝑛𝑛

𝑗𝑗=1

2.6 Selection Sort

Cara kerja metode ini didasarkan pada pencarian elemen dengan nilai terkecil, kemudian dilakukan penukaran dengan elemen ke-I. Secara singkat, metode ini bisa dijelaskan sebagai berikut. Pada langkah pertama, dicari data yang terkecil dari data pertama sampai data terakhir. Kemudian data tersebut kita tukar dengan data pertama. Dengan demikian, data pertama sekarang mempunyai nilai paling kecil dibanding data lain. Pada langkah kedua, data terkecil kita cari mulai dari data kedua sampai data terakhir. Data terkecil yang kita peroleh kita tukar dengan data kedua. Demikian seterusnya sampai suluruh data terurut. 3. METODE PENELITIAN

Citra Query

Ekstraksi fitur bentuk

dan warna

Basis data hasil ekstraksi

citra

Hasil Retrival

Perhitungan Kemiripan

START

ENDSortir Kemiripan

Citra sample 1

Citra sample 2

Citra sample

n Gambar 4. Cara kerja sistem CBIR

Langkah-langkah dalam proses CBIR :

1. Mendefinisikan citra query. 2. Mengekstraksi citra query

menggunakan metode ekstraksi warna (Local Color Histogram) dan

bentuk (Canny Edge Detection dan Freeman Chain Code).

3. Menghitung kemiripan (similarity) vektor citra query dengan vector citra yang ada di database berdasarkan hasil ekstraksi menggunakan rumus perhitungan Euclidean Distance.

4. Mensortir citra hasil perhitungan kemiripan (similarity) dengan teknik Selection Sort.

5. Menampilkan hasil pencarian berdasarkan tingkat kemiripan (ranking) yang telah disortir.

4. HASIL DAN ANALISIS

Data yang digunakan dalam penelitian ini berupa citra rambu lalu-lintas dari negara Indonesia dan jepang. Data citra rambu beserta informasinya dari negara Indonesia diperoleh dari situs http://klikmunadi.blogspot.com/2012/04/arti-dan-lambang-rambu-lalu-lintas.html. Dan untuk data citra rambu beserta informasinya dari negara Jepang diperoleh dari situs http://en.wikipedia.org/wiki/Road_signs_in_Japan dan dokumen yang di download pada situs http://www.yokota.af.mil/shared/media/document/AFD-100329-005.pdf.

Tabel 4.1. Citra asli yang akan diproses

Larangan Peringatan Perintah Indonesia

2i.jpg

13i.jpg

6i.jpg

Jepang

2j.jpg

13j.jpg

6j.jpg

4.1. Hasil Ekstraksi Citra dengan Bentuk

Proses pengekstraksian membutuhkan beberapa tahap diantaranya mengekstraksi dengan menggunakan deteksi tepi canny. Pada deteksi tepi canny akan mengalami tahap smoothing, pencarian

gradien, non-maximum suppression, thresholding ganda, edge tracking dengan hysteresis sehingga dari citra rambu berwarna akan menjadi citra yang hanya terdiri dari warna hitam dan putih saja. Warna putih menandakan tepi piksel citra dan hitam background citra. Pada gambar 5 dan 6 akan memperlihatkan hasil dari deteksi tepi canny.

Gambar 5. Hasil Deteksi Tepi Canny

dengan Kualitas Gambar Tinggi (a) Citra asli (b) Citra hasil

proses deteksi tepi

Gambar 6. Hasil Deteksi Tepi Canny

dengan Kualitas Gambar Rendah (a) Citra asli (b) Citra hasil

proses deteksi tepi

Kualitas gambar sangat mempengaruhi prosesnya. Jika dilihat pada gambar 5 merupakan hasil deteksi tepi dengan kualitas citra yang baik, karena pada hasilnya tidak mengandung noise. Akan tetapi jika dilihat pada gambar 6, noise bermunculan karena kualitas gambar kurang baik. Banyak piksel tepi yang tidak diharapakan muncul di dalam simbol dan background gambar yang seharusnya itu tidak ada. Sehingga hal ini sangat mempengaruhi pada proses mendapatkan data hasil ekstraksi dan proses perhitungan kemiripan citranya nanti.

Setelah melalui tahap deteksi tepi canny kemudian dilakukan penelusuran dari bentuk tepi menggunakan teknik kode rantai Freeman untuk menentukan bentuk tepi apakah berbentuk horizontal, vertikal, diagonal, busur dan sudut. Setelah itu kemudian dihitung presentase kemunculan setiap bentuk tepi dari citra tersebut dan nilai persentase dari masing-masing bentuk akan dihimpun menjadi satu dengan urutan : horizontal, vertikal, diagonal, busur dan sudut. Hasil penggabungan ini disebut dengan data hasil ekstraksi bentuk yang akan dimasukan sebagai data dalam database atau untuk digunakan pada proses perhitungan kemiripan antara citra query dengan citra database. Pada tabel 4.2 menyajikan hasil proses ekstraksi bentuk.

Tabel 4.2. Hasil ekstraksi bentuk

No Rambu Nilai Histogram

1

48.0, 0.0, 36.0, 8.0, 8.0

2

27.586206896551722, 6.896551724137931, 55.172413793103445, 3.4482758620689653, 6.896551724137931

3

0.0, 3.260869565217391, 86.95652173913044, 4.3478260869565215, 5.434782608695652

4

0.0, 2.2222222222222223, 86.66666666666667, 5.555555555555555, 5.555555555555555

5

0.0, 0.0, 66.66666666666666, 19.444444444444446, 13.88888888888889

6

0.0, 0.0, 64.40677966101694, 16.94915254237288, 18.64406779661017

4.2 Hasil Ekstraksi Citra dengan Warna Di dalam pengekstraksi citra

menggunakan warna seperti yang sudah dijelaskan sebelumnya, proses pengekstraksian menggunakan metode histogram warna lokal. Dalam menggunakan metode histogram warna lokal ada beberapa tahap yang harus dilakukan yaitu dengan membagi citra kedalam 16 bagian dan kemudian mencari nilai RGB dari tiap bagian tersebut serta mengkuantisasi nilai RGB tersebut. Citra yang digunakan dalam penelitian ini memiliki rentang (range) warna 0 – 255. Melalui proses kuantisasi warna dilakukan penggabungan beberapa intensitas warna menjadi satu kelompok warna. Sebagai contoh untuk gambar nomor 13j.jpg mempunyai kombinasi warna sebesar 16777786 hasil dari perkalian rentang warna RGB sebesar 256 x 256 x 256. Melalui proses kuantisasi pada tiap bagian gambar, kombinasi warna yang sebelumnya 16777786 diubah menjadi 64 kombinasi warna saja (hasil dari 4 x x 4 x 4). Dimana range RGB dari 0 - 255 diperkecil menjadi 0 - 3 untuk mengoptimalkan proses ekstraksi.

Setelah semua data kuantitas didapatkan maka data kuantitas tiap bagian dihimpun atau digabung menjadi satu dari bagian pertama hingga bagian terakhir (bagian 1, bagian 2, ………, bagian 16). Sehingga data hasil penggabungan ini disebut dengan data hasil ekstraksi warna yang akan dimasukan sebagai data dalam database atau untuk digunakan pada proses perhitungan kemiripan antara citra query dengan citra database. Tabel 4.3 menyajikan hasil ekstraksi warna beberapa citra.

Tabel 4.3. Hasil ekstraksi warna beberapa

citra No Rambu Nilai Histogram

1

0.0, 0.0, 0.07304601899196494,

16.946676406135865, 0.0, 0.0, 0.1460920379839299, 0.0, 0.0, 0.0, 0.0, 0.0, 2.9948867786705624, 0.0, 0.0, 0.0, 0.0, 0.0, ………….

2

0.0, 0.0, 0.0, 7.523739956172388, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 3.1409788166544925, 0.0, 0.0, 0.0, 0.0, 0.0, 0.2191380569758948, 0.0, 0.0, 0.0, 0.0, 0.0, ………….

3

0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.6574141709276844, 0.0, 0.0, 0.0, 0.0, ……………

4

0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.2921840759678598, 0.0, 0.0, 0.0, 0.0, ………..

5

0.0, 0.0, 0.0, 0.0, 0.5843681519357196, 0.0, 16.28926223520818, 0.0, 0.0, 0.1460920379839299, 0.0, 0.0, 0.3652300949598247, 0.0, 0.0, 0.0, 0.0, ………

6

0.0, 0.1460920379839299, 4.6749452154857565, 0.0, 0.3652300949598247, 0.0, 0.0, 0.0,1.9722425127830532,

0.0, 0.0, 0.0, 1.3878743608473338, 0.0, 0.0, ………..

4.3 Hasil Proses Perhitungan Kemiripan dan Sorting

Pada proses perhitungan kemiripan, panjang jarak hasil ekstraksi dihitung menggunakan rumus Euclidean. Jika mengambil contoh citra masukan 13j.jpg, hasil ekstraksi bentuk akan dihitung jaraknya dengan hasil ekstraksi citra bentuk yang sudah tersimpan di dalam database. Sehingga akan menghasilkan nilai dengan format

ID data@nilai jarak#

Berdasarkan pada persamaan tersebut maka akan menghasilkan nilai seperti berikut ini: 1@67.64965406005004#2@56.717344669902445#3@51.07439426953589# ………….…. #129@87.28364805176366#130@75.01171488250694#

Penggunaan tanda @ berfungsi

sebagai tanda pemisah atau separator antara ID data dengan data hasil perhitungan jarak dan juga penggunaan tanda # berfungsi sebagai tanda pemisah antar data. Dari hasil perhitungan jarak untuk bentuk akan melalui tahap pensortiran dan penseleksian data sebanyak 10 buah data berdasarkan hasil sortir dari jarak terdekat sampai jarak terjauh. Setelah penseleksian selesai, kesepuluh data tersebut dihitung lagi jaraknya berdasarkan hasil dari ekstraksi warnanya. Kemudian dari hasil perhitungan jarak berdasarkan ekstraksi warna tersebut akan melalui tahap pensortiran lagi.

Setelah perhitungan jarak selesai dilakukan tahap penjumlahan hasil jarak bentuk dan jarak warna dari masing-masing

data dan hasilnya akan disortir kembali. Penjumlahan beserta pensortiran nilai total ini bertujuan untuk mengatur urutan peringkat dari 1-10 (ranking) pada outputnya nanti. Sehingga hasilnya nanti akan dicetak dengan format ID data@total jarak@jarak warna@jarak bentuk Sehingga hasil dari penjumlahan dan pensortiran tersebut akan menghasilkan nilai di bawah ini: 60@0.0@0.0@0.0#59@12.429130712865076@10.805554154719564@1.6235765581455122#96@12.527408064198381@10.956059661561609@1.5713484026367721#111@14.236602914472913@11.067446825842717@3.1691560886301953#80@15.323901658193357@12.622594853660479@2.7013068045328787#106@15.267294807167398@13.075926152309654@2.191368654857744#71@14.994259700578775@14.227389817265324@0.7668698833134507#53@16.83367064735273@15.240958826017227@1.5927118213355038#57@19.34293741139193@16.547991205247566@2.7949462061443624#95@17.577113725125738@16.807843714432412@0.7692700106933258#

4.4 Hasil Pengujian Citra 4.4.1 Kualitas Baik Proses uji coba yang dilakukan pada citra ini menggunakan “13j.jpg” sebagai masukannya. Citra ini merupakan rambu peringatan dari Jepang yang teridentifikasi dari warna dasar rambu yang berwarna kuning dan mempunyai arti penggabungan jalan dari sisi kanan (merge). Pada gambar 7 menampilkan daftar hasil citra yang mempunyai kemiripan dengan citra masukan.

Gambar 7. Output Citra Kualitas baik

Pada gambar 7, posisi ranking pertama ditempati oleh rambu dari Jepang yang mempunyai arti penggabungan jalan dari sisi kanan dimana rambu tersebut sebenarnya rambu yang sama untuk dipakai sebagai citra masukan. Terbukti dari hasil perhitungan jarak dari bentuk dan warna sebesar 0.0 sehingga totalnya pun juga 0.0, yang menandakan tidak ada jarak dari citra query dan citra yang ada di dalam database. Posisi kedua ditempati oleh rambu dari Indonesia yang mempunyai arti yang sama dan tingkat kemiripan citra yang hampir identik dengan citra masukan menurut pandangan mata orang normal. Kemudian posisi 3 sampai dengan 10, citra yang ditampilkan semakin berkurang kemiripannya dari segi bentuk dan juga warna. Pada posisi 3 – 10 mempunyai bentuk plank yang sama, akan tetapi bentuk lambang plank berbeda-beda dan tingkat gradasi warna kuning yang berbeda-beda. Untuk warna kuning terang rambu tersebut adalah rambu peringatan dari Indonesia dan

untuk warna kuning gelap merupakan rambu peringatan dari Jepang. 4.4.2 Kualitas Buruk

Proses uji coba yang dilakukan pada citra ini menggunakan citra “6i.jpg” sebagai masukannya. Citra ini merupakan rambu perintah atau rambu yang wajib dilakukan dari Indonesia yang mempunyai arti bagian jalan yang wajib dilewati. Pada gambar 8 menampilkan daftar hasil citra yang mempunyai kemiripan dengan citra masukan.

Gambar 8. Output Citra Kualitas Buruk

Pada gambar 8 posisi ranking

pertama ditempati oleh rambu dari Indonesia yang mempunyai arti bagian jalan yang wajib dilewati. Peringkat pada posisi pertama ini memang benar mirip dengan citra masukan. Akan tetapi pada posisi kedua ditempati oleh rambu dari Indonesia yang menurut pandangan kita rambu tersebut berbeda arah. Sedangkan untuk rambu yang menurut kita sama berada pada

peringkat ketiga yaitu rambu dari negara jepang mempunyai arti yang sama. Peristiwa ini terjadi karena citra yang digunakan di dalam database maupun citra masukan memiliki kualitas yang rendah dan bentuk symbol yang kurang mirip. Citra yang digunakan mengandung cacat atau derau (noise) dimana warnanya terlalu kontras dan kabur dan dari segi bentuk anak mata panah pun juga berbeda sehingga hal tersebut mempengaruhi proses ekstraksi dan proses perhitungan kemiripan. Hasil canny edge detection yang dari gambar tersebut bisa dilihat pada gambar 6 dimana banyak muncul noise atau piksel tepi yang tidak diharapkan pada background plank dan untuk bentuk anak mata panah bisa dilihat pada gambar 9 dimana pada bagian yang dilingkari menandakan bentuk siku dan segitiga dari rambu negara jepang lebih runcing.

Gambar 9. Perbandingan citra 5 a : rambu masukan (indonesia)

b : rambu database (jepang)

5. Kesimpulan penulis berhasil membuat membuat

sebuah program aplikasi temu kenali citra berbasis konten bentuk dan warna untuk menampilkan informasi dari masing-masing rambu yang mempunyai kemiripan dengan rambu yang dicari untuk rambu negara Indonesia dan Jepang. Peneliti berhasil melakukan pengekstraksian citra dengan berbasis bentuk dengan menggunakan metode Canny Edge Detection dan Freeman Chain Code dan juga berhasil mengekstraksi warna citra dengan menggunakan metode

Local Color Histogram. Selain pengekstraksian penulis juga berhasil menghitung jarak kemiripan citra yang dicari dengan menggunakan rumus perhitungan Euclidean Distance dan mengatur urutan peringkat citra yang mempunyai tingkat kemiripan paling tinggi dengan menggunakan teknik Selection Sort.

Aplikasi ini berkontribusi sebagai perangkat bantu pengenalan rambu lalu-lintas bagi pengguna jalan yang sering bepergian di dalam negeri ataupun ke luar negeri. Akan tetapi dalam prosesnya, aplikasi ini sangat tergantung pada kualitas citra yang digunakan. Semakin baik kualitas citra yang digunakan maka akan semakin baik pula hasil yang didapatkan. 6. DAFTAR PUSTAKA Anonim. 2009. Canny Edge Detection,

http://kacapembesar.wordpress.com/2009/12/05/canny-edge-detection/, diakses Agustus 2012.

Anonim. 2010. Selection Sort, http://dtugasalgoritma.blogspot.com/2010/12/selection-sort.html, diakses Agustus 2012.

Anonim. 2011. Basis Data, http://id.wikipedia.org/wiki/Basis_data. diakses Juni 2012.

Anonim. 2012. Arti dan Lambang Rambu Lalu-lintas, http://klikmunadi.blogspot.com/2012/04/arti-dan-lambang-rambu-lalu-lintas.html, diakses Juni 2012.

Anonim. 2012. Road Sign in Japan, http://en.wikipedia.org/wiki/Road_signs_in_Japan, diakses Juni 2012.

Anonim. _____. Road Sign & Street Markings In Japan,

Anonim. 2012. Selection Sort Algoritma,

http://www.yokota.af.mil/shared/media/document/AFD-100329-005.pdf.

http://balics.net/article/Selection-

Sort-Algoritma

Anonim. 2009. Ciri Berdasarkan kode rantai Chain CODE,

, diakses Agustus 2012.

http://soemberilmu.files.wordpress.com/2009/01/t1koderantai.doc.

Febriani. 2010. “Pencarian citra berdasarkan konten bentuk dasar tepi objek”. Disertasi Program Doktor Teknologi Informasi. Universitas Gunadarma. Jakarta.

Hartati, Sri dkk. 2007. Pemrograman GUI Swing Java dengan NetBeans 5. Yogyakarta: ANDI.

Purnomo, Windu. 2010. Canny Edge Detection in Java, http://windupurnomo.wordpress.com/2010/08/16/canny-edge-detection-in-java/, diakses Agustus 2012.

Sumarna, Agus. 2010. CBIR Berdasarkan Ekstraksi Fitur Warna Menggunakan Java. Program Sarjana Strata Satu Teknik Informatika. Universitas Gunadarma. Jakarta.

Toyoshima, Yuki., Shiori Sasaki, and Yasushi Kiyoki. 2011. A Global Sign-Logo Recogntion System by Color-Shape-Based Similarity Computations for Images, Prosiding Industrial Electronic Seminar, 26 Oktober 2011, hlm. 255-260.

Wahana Komputer. 2009. Pengembangan Aplikasi Database berbasis JavaDB dengan Netbeans. Yogyakarta: ANDI.

Widodo, Yanu. 2007. Penggunaan Color Histogram dalam Image Retrieval. Surabaya: Ilmu Komputer.