ANALISIS TEKSTUR PARKET KAYU JATI BERDASARKAN PENGGABUNGAN FITUR

  • Slides: 32
Download presentation
ANALISIS TEKSTUR PARKET KAYU JATI BERDASARKAN PENGGABUNGAN FITUR EKSTRAKSI METODE STATISTIKAL GLDM DAN COLOR

ANALISIS TEKSTUR PARKET KAYU JATI BERDASARKAN PENGGABUNGAN FITUR EKSTRAKSI METODE STATISTIKAL GLDM DAN COLOR PERCENTILE ARUM AGESTI APRILIA 50407164

Latar Belakang Masalah • Dalam industri parket kayu jati menggunakan tenaga manusia belum akurat

Latar Belakang Masalah • Dalam industri parket kayu jati menggunakan tenaga manusia belum akurat perlu otomatisasi pengklasifikasian. • Analisa tekstur klasifikasi tekstur parket kayu jati. • Banyak penelitian menggunakan ekstraksi fitur dengan cara menggabungkan antara analisa tekstur dan warna.

Rumusan Masalah • Bagaimana melakukan analisa tekstur pada citra parket kayu jati yang telah

Rumusan Masalah • Bagaimana melakukan analisa tekstur pada citra parket kayu jati yang telah diregionisasi dengan metode statistikal GLDM dan metode color percentile?

Pembatasan Masalah • Ekstraksi Fitur: - Metode statistikal grey level difference method - Metode

Pembatasan Masalah • Ekstraksi Fitur: - Metode statistikal grey level difference method - Metode color percentile. • Setiap citra akan dibagi menjadi 8 x 8 sub-citra. • Data citra parket terdiri dari 3 kelas, A (tekstur bergaris), B (tekstur menyerupai huruf U), dan C (tekstur cacat tidak melebihi 20 persen) dengan total 60 data.

Tujuan Penelitian • Menganalisis parket kayu jati dengan penggabungan hasil ekstraksi fitur metode statistikal

Tujuan Penelitian • Menganalisis parket kayu jati dengan penggabungan hasil ekstraksi fitur metode statistikal GLDM dan hasil ektraksi fitur warna dengan color percentile.

Parket Kayu Jati Kelas A Parket Kayu Jati Kelas B Parket Kayu Jati Kelas

Parket Kayu Jati Kelas A Parket Kayu Jati Kelas B Parket Kayu Jati Kelas C

Grey Level Difference Method • Pada GLDM, perbedaan mutlak dihitung antara sepasang derajat keabuan

Grey Level Difference Method • Pada GLDM, perbedaan mutlak dihitung antara sepasang derajat keabuan yang terpisah oleh jarak tertentu dengan arah tertentu. • Pergeseran: empat arah 0°, 45°, 90°, 135° jarak (δ)=1, 2, . . . • Ciri tekstural: Contrast, Angular Second Moment (ASM), Entropy, Inverse Difference Moment (IDM), dan Mean.

Grey Level Difference Method Nama Rumus Fungsi Contrast CON = Σ [ i 2

Grey Level Difference Method Nama Rumus Fungsi Contrast CON = Σ [ i 2 x P( g(i|δ, Ө) ) ] Menunjukkan ukuran penyebaran (momen inersia) elemen-elemen matriks citra. Angular Second Moment ASM = Σ [ P( g(i|δ, Ө) 2) ] Menunjukkan ukuran sifat homogenitas citra. Entropy ENT = - Σ [ P( g(i|δ, Ө)) x log 2 { P( g(i|δ, Ө) )}] Menunjukkan ukuran ketidakteraturan bentuk. Inverse Difference Moment IDM = Σ [ P( g(i|δ, Ө) ) / (i 2+ 1) ] Menunjukkan kehomogenan citra yang berderajat keabuan sejenis. Mean MEAN = Σ [ i x P( g(i|δ, Ө) ) ] Menunjukkan ukuran dispersi dari suatu citra. Keterangan: i selisih antara sepasang derajat keabuan δ jarak pergeseran P probabilitas Ө arah pergeseran g(i|δ, Ө) estimasi probability density function

Region-GLDM con GLDM asm ent idm mean Ada 4 arah pergeseran Satu blok sub-citra

Region-GLDM con GLDM asm ent idm mean Ada 4 arah pergeseran Satu blok sub-citra menghasilkan: 20 5 GLDM Sudut 0 GLDM Sudut 45 GLDM Sudut 90 GLDM Sudut 135 Satu citra menghasilkan: 1280 Citra Parket Kayu Jati 20 GLDM 1 -1 . . . GLDM 8 -8

Bagan Alir Region-GLDM

Bagan Alir Region-GLDM

Bagan Alir Tahap Analisa GLDM

Bagan Alir Tahap Analisa GLDM

Script Region-GLDM n. Rows = 8; n. Cols = 8; img = imread(‘*. jpg');

Script Region-GLDM n. Rows = 8; n. Cols = 8; img = imread(‘*. jpg'); figure, imshow(img); [row col] = size(img) step. Row = floor(row/n. Rows) step. Col = floor(col/n. Cols) fea = []; for i=1: n. Rows awal. Row = ((i-1)*step. Row)+1 akhir. Row = (i*step. Row) for j=1: n. Cols awal. Col = ((j-1)*step. Col)+1 akhir. Col = (j*step. Col) x = img(awal. Row: akhir. Row, awal. Col: akhir. Col); x=double(x); [contrast, asm, entropy, idm, mean]=sudut 0(i, j, x); sudut_0=[contrast, asm, entropy, idm, mean]; fea = [fea sudut_0]; % figure, imshow(x); end Nilai pembagi untuk kolom dan baris Mengambil nilai matriks untuk kolom dan baris Menghitung nilai matriks kolom dan baris untuk setiap sub-citra. Melakukan regionisasi atau pembagian subcitra. Menyimpan setiap sub-citra ke dalam variabel penampung Memanggil fungsi analisa GLDM. Menyimpan hasil analisa.

Color Percentile • Fitur persentil warna dihitung dari saluran warna histogram Ck(x), yang merupakan

Color Percentile • Fitur persentil warna dihitung dari saluran warna histogram Ck(x), yang merupakan jumlah dari histogram yang telah dinormalisasi p(i) dari saluran warna k untuk semua nilai yang lebih kecil atau sama dengan x. Didefinisikan:

Color Percentile • Persentil memiliki nilai real antara 0 sampai 100. • Fitur persentil

Color Percentile • Persentil memiliki nilai real antara 0 sampai 100. • Fitur persentil bersifat sensitif untuk perubahan intensitas mengukur nilai langsung dari saluran warna. • Kondisi pencahayaan normal nilai-nilai intensitas menyimpan banyak informasi berguna. • Perbedaan antara persentil dalam setiap saluran warna yang berbeda dapat dihitung.

Region-Color Percentile X 0. 1 CP X 0. 3 X 0. 5 X 0.

Region-Color Percentile X 0. 1 CP X 0. 3 X 0. 5 X 0. 7 X 0. 9 Ada 3 saluran warna (rgb) CP Satu blok sub-citra menghasilkan: 15 5 CP (red) CP (green) CP (blue) Satu citra menghasilkan: Citra Parket Kayu Jati 960 15 CP 1 -1 . . . CP 8 -8

Bagan Alir Program Region-Color Percentile

Bagan Alir Program Region-Color Percentile

Bagan Alir Tahap Analisa Color Percentile

Bagan Alir Tahap Analisa Color Percentile

Script Region-Color Percentile n. Rows = 8; n. Cols = 8; img = imread(‘*.

Script Region-Color Percentile n. Rows = 8; n. Cols = 8; img = imread(‘*. jpg'); figure, imshow(img); [row col dep] = size(img) step. Row = floor(row/n. Rows) step. Col = floor(col/n. Cols) fea = []; for i=1: n. Rows awal. Row = ((i-1)*step. Row)+1 akhir. Row = (i*step. Row) for j=1: n. Cols awal. Col = ((j-1)*step. Col)+1 akhir. Col = (j*step. Col) x = img(awal. Row: akhir. Row, awal. Col: akhir. Col, 1: dep); p=100*(0. 1: 0. 20: 1); I=x(: , 1); y=prctile(I, p); y. R=y; fea = [fea y. R]; %figure, imshow(x); end Nilai pembagi untuk kolom dan baris Mengambil nilai matriks untuk kolom dan baris Menghitung nilai matriks kolom dan baris untuk setiap sub-citra. Melakukan regionisasi atau pembagian subcitra. Menyimpan setiap sub-citra ke dalam variabel penampung Melakukan analisa color percentile Menyimpan hasil analisa.

Menyatukan GLDM dan Color Percentile Citra Parket Kayu Jati 1280 Analisa GLDM 1 -1

Menyatukan GLDM dan Color Percentile Citra Parket Kayu Jati 1280 Analisa GLDM 1 -1 . . . GLDM 8 -8 960 Analisa CP CP 1 -1 . . CP 8 -8 Analisa GLDM + Analisa CP : GLDM 1 -1 . . . . GLDM 8 -8 CP 1 -1 . . . . CP 8 -8

Hasil Analisa Fitur Tekstural Contrast

Hasil Analisa Fitur Tekstural Contrast

Hasil Analisa Fitur Tekstural Angular Second Moment

Hasil Analisa Fitur Tekstural Angular Second Moment

Hasil Analisa Fitur Tekstural Entropy

Hasil Analisa Fitur Tekstural Entropy

Hasil Analisa Fitur Tekstural Inverse Difference Moment

Hasil Analisa Fitur Tekstural Inverse Difference Moment

Hasil Analisa Fitur Tekstural Mean

Hasil Analisa Fitur Tekstural Mean

Hasil Analisa Fitur Persentil 10

Hasil Analisa Fitur Persentil 10

Hasil Analisa Fitur Persentil 30

Hasil Analisa Fitur Persentil 30

Hasil Analisa Fitur Persentil 50

Hasil Analisa Fitur Persentil 50

Hasil Analisa Fitur Persentil 70

Hasil Analisa Fitur Persentil 70

Hasil Analisa Fitur Persentil 90

Hasil Analisa Fitur Persentil 90

Hasil Analisa Pengujian Metode GLDM Berdasarkan hasil analisa fitur tekstural contrast memiliki kemungkinan yang

Hasil Analisa Pengujian Metode GLDM Berdasarkan hasil analisa fitur tekstural contrast memiliki kemungkinan yang bagus untuk dijadikan fitur pada analisa tekstur parket kayu jati. Hal ini bisa dilihat dari perhitungan nilai mean dan standar deviasi.

Hasil Analisa Pengujian Metode Color Percentile Berdasarkan nilai mean dan standar deviasi tidak ditemukan

Hasil Analisa Pengujian Metode Color Percentile Berdasarkan nilai mean dan standar deviasi tidak ditemukan selisih nilai yang besar untuk setiap kelas. Hal ini mungkin disebabkan nilai persentil dari tiap data memiliki nilai yang identik.

Kesimpulan • • • Analisa fitur metode statistikal GLDM dan metode color percentile. Analisa

Kesimpulan • • • Analisa fitur metode statistikal GLDM dan metode color percentile. Analisa tekstur citra yang telah mengalami proses regionisasi. Citra berformat *. jpg atau *. bmp. Fitur tekstural GLDM Contrast, Angular Second Moment (ASM), Entropy, Inverse Difference Moment (IDM), dan Mean. Fitur color percentile persentil 10, persentil 30, persentil 50, persentil 70, dan persentil 90 Berdasarkan perhitungan nilai mean dan standar deviasi: GLDM Contrast Color Percentile tidak dapat disimpulkan karena semua nilai kemungkinan bersifat identik.