1 / 17

Presentasi Proyek Akhir

Presentasi Proyek Akhir. Judul : Image Database menggunakan Sistem CBIR dengan Ekstraksi Fitur Terstruktur Oleh : Bayu Bagus 7404 030 055 Pembimbing : Nana Ramadijanti S.Kom M.Kom 132 206 161 Rengga Asmara S.Kom 132 310 244 Teknologi Informasi Politeknik Elektronika Negeri Surabaya 2007.

kelii
Download Presentation

Presentasi Proyek Akhir

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Presentasi Proyek Akhir Judul : Image Database menggunakan Sistem CBIR dengan Ekstraksi Fitur Terstruktur Oleh : Bayu Bagus 7404 030 055 Pembimbing : Nana Ramadijanti S.Kom M.Kom 132 206 161 Rengga Asmara S.Kom 132 310 244 Teknologi Informasi Politeknik Elektronika Negeri Surabaya 2007

  2. Latar Belakang • Teknik pencarian gambar berbasis teks yang sudah ada pada saat ini menggunakan nama dari sebuah file tidak dapat merepresentasikan isi gambar. • Pada penelitian sebelumnya, penggunaan metode Deteksi Tepi untuk teknik pencarian gambar masih menghasilkan prosentase keberhasilan dibawah 70%.

  3. Tujuan dan Sasaran • Tujuan proyek akhir : Mendapatkan data numerik yang menjadi ciri bentuk dari gambar dengan ekstraksi fitur terstruktur menggunakan metode Freeman Code dan First Different Code. • Sasaran proyek akhir : Membangun sebuah aplikasi CBIR (Content Based Image Retrieval) berdasarkan identifikasi fitur bentuk dengan ekstraksi fitur terstruktur menggunakan metode Freeman Code dan First Different Code.

  4. Permasalahan • Bagaimana menggunakan metode Freeman Code dan First Different Code untuk mendapatkan data numerik dari gambar. • Bagaimana menyederhanakan data numerik menggunakan metode Normalisasi. • Bagaimana membandingkan bentuk obyek (image matching) dengan data numerik yang didapat berdasarkan metode metode pada permasalahan No 1 dan 2 dengan rumus jarak Euclidean Distance.

  5. Batasan Masalah • Dalam proyek akhir ini, image database diartikan sebagai sekumpulan gambar dalam sebuah direktori, dimana semua gambar adalah berbentuk sketsa hewan laut atau Marine Sketch Image. (Total berjumlah 632 gambar) • File gambar menggunakan format BMP dengan ukuran yang berbeda. • Penamaan file tidak merujuk pada jenis gambar, tetapi diberi index. Misalnya kk1, kk2, … dst. • Fitur yang digunakan sebagai model yang menyatakan content gambar adalah fitur bentuk.

  6. Bagan Sistem CBIR

  7. Ekstraksi Fitur Bentuk • Freeman Code : Metode penelusuran kontur gambar sehingga menghasilkan sederetan angka angka (chain code), dimana tiap angka mewakili arah jalur penelusuran. • First Different Code : Metode dalam mencari bobot nilai arah chain code yang diperoleh dari tiap gambar dengan mengacu pada diagram arah dengan berputar berlawanan arah jarum jam.

  8. Sistem CBIR • Proses Freeman Code. • Mencari titik hitam pertama • Penelusuran titik hitam sampai batas jumlah data. • Proses First Different Code. • Pembobotan nilai arah chaincode. • Proses Normalisasi : • Mencari nilai pembagi. • Membagi nilai vektor dengan pembagi. • Proses Matching : • Mencari nilai jarak dari image query dan image database menggunakan rumus Euclidean Distance. • Dilakukan uji Threshold. Misal : 35%, 55%, 75% dan 95%.

  9. Simulasi Sistem CBIR • Gambar query : • Hasil pada threshold = 75% : • 0 0.1230 0.1602 0.1956 0.2120 • 0.2206 0.2280 0.2338 0.2373 0.2397 • 0.2490

  10. Analisa Hasil • Hasil pencarian dengan gambar query ikan glodok pada Threshold 35%.

  11. Analisa Hasil • Hasil pencarian dengan gambar query ikan nila pada Threshold 35%.

  12. Analisa Hasil • Hasil pencarian dengan gambar query ikan manggasius pada Threshold 35%.

  13. Analisa Hasil • Hasil pencarian dengan gambar query ikan mujaer pada Threshold 35%.

  14. Analisa Hasil

  15. Analisa Hasil • Semakin besar tingkat nilai thresholding maka semakin sedikit gambar yang dihasilkan, sehingga menyebabkan gambar yang sesuai dengan gambar query semakin sedikit. • Sebaliknya, Semakin kecil tingkat thresholding maka semakin banyak gambar yang dihasilkan. Hal ini dapat menyebabkan jumlah gambar yang sesuai juga semakin banyak.

  16. Kesimpulan • Pada pengujian yang dilakukan, nilai rata-rata prosentase ketelitian terbesar berada pada tingkat thresholding 35%. • Retrieval berdasarkan fitur bentuk hanya dapat mengenali gambar yang mempunyai kemiripan pola bentuknya saja. Hal ini dapat dilihat pada query ikan mujaer, dimana memiliki pola yang hampir sama dengan ikan hiu tepatnya posisi antara bagian ekor mujaer dan bagian mulut ikan hiu. • Langkah langkah yang telah ditambahkan untuk meningkatkan performa sistem CBIR ini yaitu dengan memproses ¼ bagian dari gambar, selalu mengambil titik paling hitam dalam penelusuran chaincode dan mengambil 20 data penelusuran kontur (panjang chaincode).

  17. Terima Kasih

More Related