ANALISIS PENGARUH UKURAN CITRA HASIL RESIZING  TERHADAP JUMLAH KEYPOINT HASIL EKSTRAKSI CIRI  PADA METODE SIFT DAN SURF

Adri  Priadana

Adri Priadana

Abstract

Computer vision saat ini telah berkembang dan banyak diterapkan di berbagai bidang teknologi modern. Salah satu komponen computer vision adalah pemrosesan citra agar dapat dianalisa oleh mesin. Ekstraksi ciri merupakan salah satu bagian dari pemrosesan citra dimana merupakan tahapan mengekstrak ciri atau informasi dari objek di dalam sebuah citra yang ingin dikenali atau untuk dapat dibedakan dengan objek lainnya. Salah satu hasil dari ekstraksi ciri adalah berupa keypoint yang mewakili suatu ciri dari objek pada citra. Jumlah keypoint sangat mempengaruhi akurasi sistem dalam proses pengenalan.

Pada setiap sistem computer vision, citra input selalu melalui tahap pra proses dimana salah satunya adalah proses resizing citra untuk memperkecil ukuran citra. Akan tetapi perubahan ukuran citra tentunya akan mempengaruhi jumlah keypoint pada suatu citra. Pada penelitian ini akan dilakukan analisis mengenai seberapa besar pengaruh perubahan ukuran citra hasil resizing terhadap jumlah keypoint yang dihasilkan dari proses ekstraksi ciri. Pada penelitian ini metode ekstraksi ciri yang akan dianalisis adalah metode SIFT (Scale-Invariant Feature Transform) dan metode SURF (Speeded-Up Robust Features).

Hasil dari penelitian ini adalah pada kasus perubahan ukuran citra dari ukuran 1080 menjadi 240 pada metode SIFT, presentase rata-rata perubahan jumlah keypoint-nya adalah sebesar 83,06 %. Sedangkan pada kasus perubahan ukuran citra dari ukuran 1080 menjadi 240 pada metode SURF, presentase rata-rata perubahan jumlah keypoint-nya adalah sebesar 91,38 %. Hal ini menunjukkan semakin kecil ukuran citra hasil resizing, maka jumlah keypoint akan ikut berkurang secara signifikan baik pada metode SIFT maupun SURF.

References

Auliasari, K., Bastian., Fardani, B., & Ivandi. (2017). Ekstraksi Ciri Tekstur Citra Wajah Pengguna Narkotika Menggunakan Metode Gray Level Co-Occurance Matrix. Teknomatika, 10(1), 41-50.

Cornford, T., & Smithson, S. (2005). Project research in information systems: a student's guide. Macmillan International Higher Education.

Crow, F. C. (1984, January). Summed-area tables for texture mapping. In ACM SIGGRAPH computer graphics (Vol. 18, No. 3, pp. 207-212). ACM.

Hilman, F. P., Novamizanti, L., & Purnamasari, R. (2015). Perbandingan Metode Surf Dan Sift Dalam Sistem Identifikasi Tanda Tangan. eProceedings of Engineering, 2(2).

Karimah, F. U., & Harjoko, A. (2017, November). Classification of Batik Kain Besurek Image Using Speed Up Robust Features (SURF) and Gray Level Co-occurrence Matrix (GLCM). In International Conference on Soft Computing in Data Science(pp. 81-91). Springer, Singapore.

Mirza, M., Wirayuda, T. A. B., & Sa'adah, S. (2015). Analisis dan Implementasi Contet Based Image Retrieval Menggunakan Metode ORB. eProceedings of Engineering, 2(1).