Representasi Data Wilayah Prof.Dr. Aniati Murni (R 1202) Dina Chahyati, MKom (R 1226) Fakultas Ilmu Komputer Universitas Indonesia
Representasi Data Wilayah Vector: area (polygon) Raster: relational table Raster : quadtree
Representasi Vektor – Polygon-based Wilayah dinyatakan dalam representasi polygon, yaitu list titik-titik (x,y) yang terhubung membentuk closed loop.
Representasi Raster – Relational Table Wilayah dinyatakan dalam table yang terdiri dari record dengan attribute-attribute-nya.
Representasi Raster - Quadtree Quadtree data structure: Representasi Quadtree:
Representasi Quadtree Contoh Citra: 8x8 = 64 bytes Representation Code: 0 0 0 0 1 1 0 0 0 0 0 1 1 1 1 0 0 0 1 1 1 1 1 0 dst.nya 0 0 1 1 1 1 1 0 0 0 0 1 1 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 Informasi Yang Disimpan: data 33 cells Quadtree Traversal: bisa Preorder Traversal atau Depth-First Search
Tujuan konversi format citra Data citra tidak selalu disimpan dalam bentuk matriks (visual format) yang memerlukan tempat penyimpanan data yang besar Representasi data citra yang tidak berbentuk matriks (non-visual format) biasanya dilakukan untuk tujuan: Untuk memudahkan manipulasi data, contoh proses pengenalan bentuk jaringan sakit yang direpresentasi sebagai koordinat garis batas wilayah obyek Untuk menghemat tempat penyimpanan data, contoh: pada basis data spasial yang biasanya citra perlu dikompresi
Metode representasi data lainnya Directional Chain Code Run-Length Code
Directional Chain Code Representation Code: Citra: Citra berukuran 8x8 bytes = 64 bytes Informasi yang disimpan: Posisi awal (x,y) dan arah 0 7 6 6 6 5 5 3 3 2 1 2 1 Yaitu sebanyak 15 bytes
Run-Length Code Contoh Citra: 8x8 = 64 bytes Representation Code: 0 0 0 0 1 1 0 0 0 0 0 1 1 1 1 0 0 0 1 1 1 1 1 0 0 0 0 1 1 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 Informasi Yang Disimpan: 22 pairs of integers = 44 bytes (0,3), (1,2), (0,2) (0,3), (1,4), (0,1) (0,2), (1,5), (0,1) (0,3), (1,3), (0,3) (0,4), (1,1), (0,3) (0,8)
Feature Extraction and Selection Ekstraksi ciri yang merepresentasikan / merupakan measure karakteristik obyek, dan potensial untuk membedakan obyek-obyek yang ada pada citra Feature Selection Ciri yang tersedia bisa banyak, masalahnya adalah bagaimana memilih kombinasi ciri terbaik yang dapat mengenali setiap obyek dengan akurat. Kemudian berkembang berbagai metode seleksi ciri: pendekatan bottom up atau top down, pendekatan filter atau wrapper, pendekatan lainnya.
Beberapa phenomena Curse of dimensionality Peak phenomenom: Peningkatan dimensi ciri tidak menjamin peningkatan ketelitian pengenalan Peak phenomenom: Peningkatan jumlah ciri sampai pada tingkat tertentu akan meningkatkan ketelitian pengenalan, lebih dari jumlah ciri tersebut akan menurunkan tingkat pengenalan
Beberapa metode seleksi ciri SFS (Sequential Forward Selection – bottom up) SBS (Sequential Backward Selection – top down) SFFS (Sequential Forward Floating Selection) Genetic Algorithm Metode seleksi ciri terdiri dari 2 proses: Search ciri Cek criterion function and combine feature Pendekatan metode seleksi (criterion function) Filter (Bhattacarya distance) Wrapper (Classification method)