METODE CONTENT BASED IMAGE RETRIEVAL (CBIR) UNTUK PENCARIAN GAMBAR YANG SAMA MENGGUNAKAN PERBANDINGAN HISTOGRAM WARNA RGB

Transkripsi

1 METODE CONTENT BASED IMAGE RETRIEVAL (CBIR) UNTUK PENCARIAN GAMBAR YANG SAMA MENGGUNAKAN PERBANDINGAN HISTOGRAM WARNA RGB Insan Taufik Program Studi Teknik Informatika STMIK Pelita Nusantara Medan, Jl. Iskandar Muda No.1 Medan, Sumatera Utara 20154, Indonesia Abstrak Citra adalah data visual yang sangat banyak digunakan di dalam dunia teknologi komputer, perkembangan citra digital semakin maju seiring dengan perkembangan perangkat pembuat dan pengolah citra. Untuk hal alasan tersebut maka kemungkinan terjadinya duplikasi citra digital pada sebuah tempat penyimpanan semakin tinggi, akan mengurangi ruang penyimpanan yang seharusnya dapat digunakan untuk menyimpan data yang lainnya. Dan dengan alasan tersebut perlu rasanya membuat sistem yang mampu mendeteksi jika terjadinya duplikasi citra digital pada sebuah tempat penyimpanan. CBIR (Content Based Image Retrieval) adalah metode yang dapat menentukan kemiripan citra digital dengan mengandalkan warna RGB yang dirubah menjadi HSV. Metode ini mengkalkulasikan warna masing-masing citra menjadi bentuk histogram, dan dari masing-masing histogram tersebut dapat diketahui tingkat kemiripan citra digital. Dengan mengandalkan metode tersebut dapat dibuat sebuah sistem yang mempu mengurangi terjadinya duplikasi terhadap citra digital. Kata Kunci : Citra Digital,Warna, CBIR, RGB, HSV, Sistem, Histogram. 1. PENDAHULUAN 1.1 Latar Belakang Masalah CBIR atau singkatan dari Content Based Image Retrieval adalah sebuah metode yang melakukan pengembalian gambar atau image retrieval dengan menggunakan konten-konten yang terkandung di dalam gambar atau image, yaitu unsur-unsur yang dapat diambil dari dalam gambar yang dapat diubah menjadi nilai seperti, warna, bentuk, tekstur, garis tepi dan unsur yang lainnya. Maksud dari mengubah unsur-unsur yang terkandung di dalam gambar tersebut ke dalam bentuk nilai, yaitu menghitung masingmasing unsur dan menyimpan nilanya kedalam histogram yang mana akan digunakan dalam proses perbandingan gambar-gambar dalam proses pengembalian gambar atau image retrieval. Penggunaan metode CBIR sudah mencakup banyak hal, hanya saja masih belum banyak para ahli yang mengetahui secara mendalam tentang metode ini karena memang memiliki banyak perluasan bidang. Pengenalan wajah, pengenalan tulisan yang ada di dalam gambar atau OCR, pengenalan bentuk buah dan yang lainnya adalah beberapa contoh penggunaan CBIR. Bahkah Facebook sendiri sudah mulai menggunakan metode ini yaitu pada aplikasi foto yang mana secara otomatis dapat mengenali wajah untuk masing-masing orang yang berbeda, selain itu Google juga telah lama menggunakan metode ini dalam sistem mereka yaitu aplikasi pencarian gambar yang menggunakan query gambar yang nantinya gambar-gambar yang mirip yang menjadi hasil pencarian tersebut. Dengan kata lain metode ini adalah sebuah penerapan dan misi dari komputer masa depan yaitu menjadikan pengolahan gambar semudah mengolah data teks. Masalah yang dihadapi pada saat ini adalah telah berkembangnya teknologi untuk mengambil data gambar atau kamera bahkan sebuah alat yang tidak lazim pada saat ini telah menggunakan fitur kamera seperti telepon genggam dan lainnya. Bukan perkembangan alat tersebut yang menjadi masalah, malah itu adalah sebuah kebaikan. Akan tetapi dengan alat tersebut sudah pasti akan membuat berkas gambar yang di miliki oleh seorang user akan sangat banyak dan kemungkinan besar berkas tersebut adalah duplikat atau sama. Dan masalah ini sangat sulit untuk diatasi jika dikerjakan secara manual contoh, untuk menghapus gambar-gambar yang sama, user harus memilah dan mengingat gambar tersebut kemudian menghapusnya. Dengan penerapan metode CBIR pada sebuah apliasi, maka kemungkinan besar masalah penduplikasian gambar-gambar yang ada dapat teratasi dengan baik. Yaitu dengan memindai semua berkas gambar yang ada di dalam tempat penyimpanan dan membandingkan semua berkas gambar tersebut hingga mendapatkan hasil. Nantinya nilai perbedaan terkecil dari hasil pengembalian citra akan menjadi tanda bahwa gambar-gambar tersebut mempunyai berkas yang sama atau mirip pada berkas yang lainnya, dan pada ahirnya user atau pemilik berkas dapat 103

2 mengambil tindakan untuk menghapus atau tindakan lain. 2. LANDASAN TEORI 2.1 Citra Digital images are used in a wide range of applications such as medical, virtual museums, military and security purposes, and personal photo albums (MS. Pragati Ashok Deole and Prof. Rushi Longadge, 2014). Dokumen gambar juga disebut sebagai dokumen citra, hal ini disebabkan oleh dokumen citra mempunyai perpaduan warna yang menyamai suatu objek yang nyata jika dilihat oleh mata. Dalam dunia modern citra banyak digunakan di dalam pemanfaatan komputer, seperti dokumen foto, lukisan, gambar dan lain-lain. 2.2 Warna RGB RGB colours are called primary colours and are addictive. (Lumb, Manisha, Er., 2013). Warna RGB atau singkatan dari red (merah), green (hijau), blue (biru), adalah komponen warna utama yang membentuk citra digital. Warna-warna tersebut diaplikasikan kedalam lampu led kecil (piksel) sehingga dapat merepresentasikan banyak warna. Campuran dari warna merah, hijau dan biru dalam komputerisasi dapat membentuk banyak jenis warna. Sehingga semua warna yang dapat dilihat oleh mata manusia dapat direpresentasikan dengan cara penggabungan ketiga warna tersebut. Jadi dalam setiap piksel layar monitor ataupun dalam setiap koordinat matriks citra digital diwakili oleh 3 warna tersebut. Kapasitas warna RGB bervariasi dari 8 bit, 16 bit dan 24 bit. Akan tetapi kapasitas warna yang dibahas dalam tulisan ini adalah kapasistas warna 24 bit. Maksud dari 24 bit adalah sebagai penentu kedalaman warna yang direpresetasikan kedalam piksel. Warna 24 bit dibagi masingmasing menjadi 8 bit pada setiap komponen pembentukan warna RGB. Jadi, komponen R (red) mempunyai kapasistas 8 bit, komponen G (green) mempunyai kapasitas 8 bit serta komponen B (blue) juga mempunyai kapasitas 8 bit. Pencampuran atau perpaduan dari warna RGB dapat merepresentasikan banyak warna adalah dengan menyesuaikan kapasitas masingmasing komponen warna yang ditulis dalam bentuk bilangan Hexa. Misalkan untuk membentuk warna hitam maka kapasitas komponen R=0, G=0 dan B=0, jika ditulis ke dalam bilangan hexa menjadi # Untuk membentuk warna putih maka kapasitas komponen R=255, G=255 dan B=255, jika ditulis ke dalam bilangan hexa menjadi #ffffff. 2.3 Warna HSV The HSV color space are defined in terms of three constituent components; Hue, Saturation and Value. Hue varies from 0 to 1.0, the corresponding colors vary from red through yellow, green, cyan, blue, magenta, and back to red, so that there are actually red values both at 0 and 1.0. As saturation varies from 0 to 1.0, the corresponding colors (hues) vary from unsaturated (shades of gray) to fully saturated (no white component). As value, or brightness, varies from 0 to 1.0, the corresponding colors become increasingly brighter. (Pragathi, Ashok Deole, MS. dan Longadge, Rushi, 2014). It is essential to quantify HSV space component to reduce computation and improve efficiency. Unequal interval quantization according to the human color perception has been applied on H, S and V components. (Lumb, Manisha, Er. dan Sethi, Poonam, Er., 2013). Warna HSV adalah sistem koordinat silinder yang terdiri dari 3 komponen yaitu : Hue, Saturation dan Value. Model HSV dapat merepresentasikan poin dalam model warna RGB, yang mengatur ulang geometri RGB dalam upaya untuk perseptual yang lebih relevan daripada representasi koordinat kartesian. Model warna HSV bekerja lebih baik dengan penglihatan manusia dibandingkan dengan model RGB, maksudnya lebih mudah memilih warna apabila disajikan dengan model HSV dibandingkan dengan model RGB walupun tetap saja pada penerapannya warna model HSV juga tetap akan memakai perhitungan RGB apabila direpresentasikan kedalam monitor. Untuk proses komputasi warna HSV juga jauh lebih mudah dan cepat karena memiliki nilai yang lebih sedikit pada masing-masing komponen warna jika dibandingkan dengan RGB. Gambar 1. (a) Ruang warna HSV. (b) Kotak bagian warna Hue Dari gambar diatas, hue diwakili oleh lingkaran 360 o yang berfungsi untuk merepresentasikan jenis-jenis warna. Saturation diwakili oleh garis lurus yang berpusat di tengah lingkaran dengan warna putih, nilai saturation dimulai dari 0-100%, semakin tinggi nilai ini maka semakin jelas warna yang telihat sebaliknya semakin rendah nilai ini maka warna akan semakin memutih(brightness). Sedangkan untuk Value diwakili oleh garis tegak lurus, value berfungsi untuk mengatur kegelapan warna, nilai 104

3 dari value dapat diatur dari 0-100%, semakin tinggi nilai value maka warna akan semakin sempurna sebaliknya, semakin rendah nilai value maka warna akan semakin gelap. 2.4 CBIR Content based image retrieval(cbir), has drawn the attention of researchers as an alternative to the existing methods in which, the visual contents such as color, texture, shape etc., are extracted for creation of feature vector. (Rao, Kotewara, L. Dan Rao, Venkata, D., 2014). Content Based Image Retrieval (CBIR) technique uses visual contents to search images in a large scale image databases according to the users choice. (Mente, Rajivkumar et al, 2014). CBIR adalah teknik atau metode yang manggunakan konten visual untuk mencari gambar dalam basis data berskala besar. CBIR juga adalah teknik yang tekenal, banyak dipakai dalam pencarian citra berdasarkan konten visual seperti : warna, tekstur, bentuk dan lain-lain yang diekstrak dalam bentuk vektor. CBIR disebut juga sebagai aplikasi teknik komputer vision yang menangani masalah pencarian gambar dalam skala yang besar. Konsep CBIR cukup sederhana, yaitu dalam melakukan proses pengenalan sebuah citra digital harus menggunakan konten-konten yang terkandung didalam citra. Untuk lebih lanjut pengguna CBIR dapat merubah konten-konten yang ada dalam citra digital, aktifitas merubah dapat berarti menyederhanakan fitur yang di dapat atau dijadikan fitur ke dalam betuk lain untuk memudahkan perhitungan komputer. 3. Kerangka Kerja Penelitian Tabel 2. Nilai RGB Citra B 4.2 Nilai HSV Tabel 3. Nilai HSV Citra A Tabel 4. Nilai HSV Citra B Gambar 2. Kerangka Kerja Penelitian 4. ANALISA DAN PERANCANGAN 4.1 Nilai RGB Tabel 1. Nilai RGB Citra A 105

4 4.3 Kuantisasi Tabel 5. Kuantisasi Citra A 106

5 Tabel 6. Kuantisasi Citra B 4.4 Histogram Tabel 7. Histogram Citra A 4.5 Hasil Perbandingan Tabel 9. Hasil Perbandingan Histogram Tabel 8. Histogram Citra B 107

6 5. IMPLEMENTASI DAN PENGUJIAN Gambar 3. Implementasi Sistem Tabel 10. Pengujian Sistem No Gambar A Gambar B Kemiripan Selisih Waktu Hasil % % (detik) 1 57,7 42,3 0,72 Sesuai Harapan 2 Mobil1.bmp 296x170 Mobil2.bmp 283x178 57,7 42,3 0,72 Sesuai Harapan 3 Mobil2.bmp 283x178 Mobil1.bmp 296x170 77,05 22,95 0,69 Tidak Sesuai 4 5 Mobil3.bmp 299x168 Mobil4.bmp Mobil4.bmp Mobil3.bmp 299x168 77,05 22,95 0,69 Tidak Sesuai 23,8 76,72 0,68 Sesuai 6 Bunga1.bmp 269x187 Bunga4.bmp 284x177 23,8 76,72 0,68 Sesuai 7 Bunga4.bmp 284x177 Bunga1.bmp 269x187 20,79 79,21 0,68 Sesuai Bunga3.bmp Bunga2.bmp 300x ,79 79,21 0,68 Sesuai 108

7 9 Bunga2.bmp 300x168 Bunga3.bmp 20,59 79,41 0,68 Sesuai 10 Binatang1.bmp 300x168 Binatang2.bmp 251x201 20,59 79,41 0,68 Sesuai 11 Binatang2.bmp 251x201 Binatang1.bmp 300x168 28,6 71,4 0,68 Tidak sesuai Binatang3.bmp Binatang4.bmp 252x200 Binatang4.bmp 252x200 Binatang3.bmp 28,6 71,4 0,68 Tidak sesuai 54,48 45,16 0,68 Sesuai 14 Bangunan1.bmp 276x183 Bangungan2.bmp 258x195 54,48 45,16 0,68 Sesuai Bangungan2.bmp 258x195 Bangunan1.bmp 276x ,98 57,02 0,66 Sesuai 16 Bangungan3.bmp 284x177 Bangunan4.bmp 42,98 57,02 0,66 Sesuai 17 Bangunan4.bmp Bangungan3.bmp 284x177 98,2 1,8 1,88 Sesuai 18 Mobil2.bmp 283x178 Mobil2-b.bmp 566x356 98,2 1,8 1,88 Sesuai Mobil2-b.bmp 566x356 Mobil2.bmp 283x

8 19 99,22 0,78 1,72 Sesuai 20 Bunga3.bmp Bunga3-b.bmp 518x388 99,22 0,78 1,72 Sesuai 21 Bunga3-b.bmp 518x388 Bunga3.bmp 99,07 0,93 1,79 Sesuai 22 Binatang2.bmp 251x201 Binatang2-b.bmp 502x402 99,07 0,93 1,79 Sesuai 23 Binatang2-b.bmp 502x402 Binatang2.bmp 251x201 98,43 1,57 1,66 Sesuai 24 Bangungan2.bmp 258x195 Bangungan2-b.bmp 516x390 98,43 1,57 1,66 Sesuai Bangungan2-b.bmp 516x390 Bangungan2.bmp 258x195 Jumlah Sesuai Hasil Pengujian = 100 Jumlah Pengujian Hasil Pengujian = Hasil Pengujian = 83,3 % 6. KESIMPULAN DAN SARAN 6.1 Kesimpulan Dibawah ini adalah kesimpulan yang telah penulis rumuskan dari pembahasanpembahasan yang telah dilakukan, yaitu : 1. Histogram warna dibuat dengan mengambil nilai warna rgb dari citra kemudian dikonversi menjadi nilai warna hsv. Setelah dikonversi kemudian dilakukan kuantisasi hingga 112 warna, dan menghitung jumlah kontribusi masing-masing warna. Setelah didapatkan hasil kontribusi warna, masing-masing warna dibagi dengan jumlah keseluruhan piksel. 2. Cara membandingkan histogram warna citra digital yaitu dengan mengurangkan masing-masing histogram warna oleh citra queri dan citra basisdata. Nilai selisih terendah adalah hasil yang paling baik. 3. membangun aplikasi pencarian gambar yang sama menggunakan metode Content Based Image Retrieval(CBIR) yaitu dengan mengkaji semua perhitungan yang ada, dan menerapkan semua perhitungan tersebut didalam pemograman yaitu menggunakan Visual Studio Saran Di bawah ini adalah saran-saran yang penulis buat berdasarkan batasan masalah. Saran yang dimaksud adalah sebagai berikut : 1. Untuk melakukan pencarian gambar yang sama menggunakan metode Content Based Image Retrieval (CBIR) sebaiknya tidak hanya menggunakan histogram warna saja, sebaiknya 110

9 menggunakan fitur yang lain seperti garis tepi, berdasarkan bentuk dan yang lainnya. 2. Berkas gambar yang dicari sebaiknya tidak hanya bertipe atau berekstensi BMP, sebaiknya berkas gambar yang lain seperti JPG, PNG, PIF, GIF atau yang lainnya dapat diterapkan metode CBIR agar lebih dinamis ketika diaplikasikan dalam bentuk software. Pembangunan aplikasi sebaiknya tidak hanya menggunakan Visual Basic 2008, aplikasi lain juga dirasa perlu karena untuk mengetahui tingkat efektifitas pencarian menggunakan banyak aplikasi pemograman yang berbeda. DAFTAR PUSTAKA [1] Kusrini dan Agus Harjoko (). Pencarian Citra Visual Berbasis Isi Citra Menggunakan Fitur Warna Citra. [2] Sridhar dan Gowri (2012). Color and Texture Based Image Retrieval. [3] Lumb, Manisha, Er.(2013). Texture Feature Extraction of RGB, HSV, YIQ and Dithered Images using Wavelet and DCT Decomposition Techniques. [4] Singha, Manimala dan Hemachandran, K. (2012). Content Based Image Retrieval Using Color and Texture. [5] Kekre, H.B, Dr. (). Color Feature Extraction For CBIR [6] Zaqout, Ihab. (2014). Content-Based Image Retrieval using Color Quantization and Angle Representation [7] Verlmurugan K, Baboo Santhosh S. Lt.Dr (2011). Content-Based Image Retrieval using SUFT and Colour [8] Rao Koteswara L., Rao Venkata D. (2014). Combination of Color and Local Patterns as a Feature Vector for CBIR [9] Singhai Nidhi, Shandilya Shisir K. Prof (2010). A Surver On: Content Based Image Retrieval Systems [10] Deole Pragati Ashok Ms., Longadge Rushi Prof. (2014). Content Based Image Retrieval using Color Feature Extraction with KNN Classification [11] Mente Rajivkuma et al (2014). Image Recognition using Texture and Color [12] Sharma Rachita, Dubey Kumar Sanjay (2012). Analysis of HSV Color Space for Image Retrieval [13] John, Joyal. et.all, (2014). Comparison of Computer Graphics identification in Different Color Spaces 111