CONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN MOMENT INVARIANT, TEKSTUR DAN BACKPROPAGATION

Transkripsi

1 UPN Veteran Yogyaarta, 30 Juni 2012 CONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN MOMENT INVARIANT, TEKSTUR DAN BACKPROPAGATION Ni G.A.P Harry Saptarini 1), Rocy Yefrenes Dilla 2) 1) Politeni Negeri Bali 2) Jurusan Teni Informatia AMIKOM Yogyaarta rocy_dilla@yahoo.com, ayu_harry@yahoo.com Abstra Fitur suatu citra merupaan informasi penting dalam melauan proses lasifiasi terhadap suatu obye berupa citra digital. Suatu fitur yang bai dalah fitur yang mampu mendesripsian suatu citra secara uni sedemiian rupa sehingga suatu citra aan dengan mudah dibedaan atas citra yang lain. Pada penelitian ini diembangan sebuah Content Based Image Retrieval (CBIR) menggunaan ombinasi fitur berupa bentu dan testur citra. Setelah melalui tahap preprosesing, bentu citra dianalisis menggunaan metode Momen Invariant (MI) dan testur dianalisis menggunaan metode Gray-Level Co-occurrence Matrix (GLCM). Pada tahap indexing, semua fitur fitur tersebut di index menggunaan jaringan syaraf tiruan bacpropagation dan selanjutnya pada tahap retrieve menggunaan bobot hasil pelatihan jaringan syaraf tiruan bacpropagation. Hasil dari penelitian ini adalah pendeatan ini mampu melauan indexing dan retrieval dengan precision sebesar 75% Kata unci: CBIR, Moments Invariant, Gray level Co-occurrence matrix (GLCM). 1. PENDAHULUAN Content Based Image Retrieval atau CBIR merupaan salah satu bentu apliasi computer vision untu pencarian citra berdasaran fitur yang ada pada citra itu sendiri. Prinsip dasar dari teni CBIR ini adalah penggunaan algoritma analisa citra untu mengestra secara otomatis sejumlah atribut citra pada suatu watu dalam database citra. Atribut ini dapat memasuan nilai numeri terhadap warna, testur, dan shape. Disebaban oleh omplesitas informasi citra, user tida dapat berharap mendapatan ecocoan dengan pasti diantara query dan citra yang aan ditampilan embali dari database. Teni pencarian berbasis tes yang sudah ada pada saat ini belum sepenuhnya bisa digunaan arena nama dari sebuah file tida dapat mempresentasian isinya dan image sendiri mempunyai interest yang sangat bervariasi, oleh arena itu ita harus mengetahui ata unci yang benar-benar tepat agar image yang ita inginan dapat ditampilan. Contoh pencarian image pada image sapi yang mempunyai banya informasi antara lain yang aan dihasilan mungin saja adalah maanan sapi, andang sapi atau informasi lain yang ada unsur sapi dan yang pasti suatu image itu bisa berbicara seribu ata. Teni tersebut diperbaii dengan cara image retrieval berbasis pendeatan alternative yaitu teni mencari gambar hanya berdasaran informasi yang ada pada gambar tersebut. Teni image retrieval yang dipilih disamping dapat mencapai rata-rata emampuan retrieval yang tinggi, seringali memberian onseuensi watu omputasi yang tinggi diarenaan harus memproses dimensi data gambar yang besar. Estrasi fitur warna yang umum dipaai adalah histogram warna, tetapi pada umumnya citra hadir dalam ondisi bacground yang sangat beragam, hal ini berpengaruh terhadap ebenaran hasil retrieval. Untu mengoptimalan fitur warna dari obje gambar maa pada penelitian ini fitur warna yang dipaai hanya warna foreground obje gambar. Berdasaran permasalahan tersebut di atas maa pada penelitian ini diembangan sebuah metode CBIR menggunaan fitur moment invariant (bentu) dan testur. Fitur fitur tersebut diindes menggunaan jaringan syaraf tiruan bacpropagation. 2. TINJAUAN PUSTAKA Penelitian CBIR sudah banya dilauan. Seperti yang dilauan oleh Rao et al. (2011) menggunaan fitur bentu dan testur. Fitur fitur tersebut digunaan untu melauan pencarian terhadap image dalam database. Hasil dari penelitian ini adalah precision 60.2%. Penelitian serupa juga dilauan oleh Kavitha et all. (2011) melauan penelitian tentang CBIR menggunaan sub-bloc image. Pada penelitian ini fitur yang digunaan adalah fitur yang diestra dari Gray Level Co-occurrence Matrix (GLCM) berdasaran suatu sub-bloc image. Hasil dari penelitian ini adalah precision 57.05%. Ramadijanti, et al. (2006) melauan penelitian tentang CBIR berbasis online menggunaan fitur warna dari foreground citra. Hasil pengujian CBIR Online pada sepuluh ategori obye diperoleh rata-rata emiripan 94.4%. Histogram intersesi HSV dapat digunaan untu memperoleh fitur ciri general citra. Pengujian CBIR Online dengan data citra di luar data training rata-rata emiripan sebesar 90%. C-86

2 UPN Veteran Yogyaarta, 30 Juni 2012 Ramamurthy, et all. (2011) melauan penelitian tentang CBIR pada citra medis berdasaran fitur bentu dan dan warna. Fitur fitur tersebut dilatih menggunaan Fuzzy C-means pada proses indexing. Setelah itu diuur emiripannya menggunaan eucledian distance. Kumar, et al (2011) melauan penelitian CBIR berdasaran region of interest yang diinginan user pada suatu citra. Fitur yang digunaan pada penelitian ini diestra dari bentu serta warna image. Hasil dari penelitian ini adalah sistem dapat melauan query terhadap suatu citra dengan precision sebesar 54.84%. Dyla, et al. (2010) melauan penelitian CBIR berdasaran fitur testur. Fitur fitur tersebut diestra menggunaan GLCM emudian diuur emiripannya menggunaan eucledian distance pada saat retrieve. Sedangan pada penelitian ini peneliti menggunaan ombinasi fitur bentu dan testur untu dilatih menggunaan bacpropagation. Bobot hasil pelatihan tersebut digunaan untu melauan retrieve terhadap citra query. 3. METODE PENELITIAN 3.1. Rancangan Arsitetur Sistem Peneliti mengusulan arsitetur sistem seperti Gambar 1. Gambar 1 Arsitetur sistem CBIR 3.2. Preprosesing Tujuan utama dari preprosesing citra adalah untu meningatan ualitas citra dimana citra yang dihasilan dapat memberian informasi yang lebih jelas bagi manusia sehingga memudahan dalam melauan interpretasi atas suatu citra [2]. Dalam penelitian ini digunaan dua teni preprosesing sebagai beriut : Perenggangan ontras. Kontras suatu citra adalah distribusi pisel gelap dan terang. Citra eabuan dengan ontras yang rendah aan terlihat terlalu gelap, terlalu terang, atau terlalu abu-abu. Pada peregangan ontras, setiap pisel pada citra A ditransformasi menggunaan fungsi beriut: C-87

3 UPN Veteran Yogyaarta, 30 Juni 2012 A( i, j) c B( i, j) ( L 1) d c (2.1) Dengan B(i,j) dan A(i,j) berturut-turut menyataan pisel sesudah dan sebelum ditransformasi, c dan d menyataan nilai minimum dan masimum dari pisel citra masuan serta L menyataan nilai grayscale masimum. 1. Filter median. Filter median adalah salah satu filter yang sangat bai dalam meredusi noise berjenis salt & pepper sehingga sangat sering digunaan dalam memperbaii ualitas citra retina hususnya penelitian dibidang retinopati diabetes [5]. Filter median beerja dengan mengganti nilai suatu pisel pada citra asal (pusat citra) dengan nilai median dari pisel citra asal tersebut berdasaran suatu lingungan tetangga (window) yang diformulasian : f ( x, y) median{g(s, t)} ( s, t) Sx, y Dimana S x,y merupaan suatu window. Pada umumnya uuran window (S x,y ) yang dipilih adalah bernilai ganjil. Jia S x,y adalah genap, nilai tengahnya diambil dari nilai rata-rata dua buah pisel yang ditengah. Uuran window yang biasa digunaan yaitu 3x3, 5x5 dan 7x Feature Extraction Fitur fitur yang dugunaan dalam penelitian ini diestra dari GLCM dan moment invariant Estrasi ciri GLCM Pada penelitian ini GLCM yang digunaan diestra berdasaran distance satu (1) pada arah 0 0, 45 0, 90 0 dan Setelah GLCM terbentu pada suatu jara dan arah tertentu, maa langah selanjutnya adalah menghitung ciri statisti dari semua GLCM yang telah terbentu berdasaran jara dan arah yang telah terbentu. Enam elemen yang diusulan oleh [7] adalah : (i) maximum probability, (ii) entropi, (iii) energy, (iv) orelasi, (v) ontras, dan (vi) homogenitas. Proses etrasi ciri dilauan dengan menghitung 6 ciri statisti dari setiap GLCM (4 GLCM) sebagai beriut : p (2.6) 1. Max Probability = max( ) ij 2. Entropi. Entropi menunjuan uuran etidateraturan distribusi intesitas suatu citra pada matris cococcurence. Persamaannya untu meng hitung entropi adalah: C-88 (2.2) Entopi = p ij log2 pij (2.7) 3. Energi. Energi adalah fitur untu menguur onsentrasi pasangan intensitas pada matris co-occurance [8]. Nilai energi aan main membesar bila pasangan pisel yang memenuhi syarat matris intensitas cooccurance teronsentrasi pada beberapa oordinat dan mengecil bila letanya menyebar. yang digunaan untu menghitung energi adalah : 2 Energi = p ij (2.8) 4. Korelasi. Ciri ini menunjuan tingat orelasi antar pixel dalam suatu citra. Persamaannya adalah : (i - m )( j m ) p r c ij (2.9) r c 5. Kontras Kontras adalah fitur yang digunaan untu menguur euatan perbedaan intensitas dalam citra [8]. Nilai ontras membesar jia variasi intensitas citra tinggi dan menurun bila variasi rendah. Persamaan yang digunaan untu menguur ontras suatu citra ditunjuan pada persamaan di bawah ini : 2 Kontras = ( i j) pij (2.10)

4 UPN Veteran Yogyaarta, 30 Juni Homogenitas Homogenitas digunaan untu menguur ehomogenan variasi intensitas citra [8]. Nilai homogenitas aan semain membesar bila variasi intensitas dalam citra mengecil. Homogenitas dihitung dengan persamaan di bawah ini : i j 1 j 1 1 i j i Estrasi ciri Invarian Moment Persamaannya untu menghitung moment adalah : p (2.11) Dimana ordo dari moment adalah ( i + j ) sedangan x dan y menyataan oordinat pixel I(x,y) menyataan intensitas pixel. Moment tingat e 0 dan e 1 dapat didefenisian sebagai : Pusat area dari suatu obye dihitung dengan Central Moment µ adalah moment yang bersesuaian dengan pusat area didefenisian sebagai : Invariant moment dapat dicari dari momen sentral µ 00, µ 10, µ 01, µ 20, µ 11, µ 02, µ 30, µ 12, µ 21, µ 03 dengan mendefisinian normalized central moments sebagai : Dimana Maa aan didapat tujuh invariant moments, yani : C-89

5 UPN Veteran Yogyaarta, 30 Juni Pelatihan jaringan syaraf tiruan bacpropagation Proses pelatihan jaringan pada dasarnya merupaan proses penyesuaian bobot-bobot untu masing masing simpul antara lapisan input, lapisan tersembunyi, dan lapisan output. Penyesuaian bobot dilauan secara terusmenerus sampai dicapai error yang paling minimum. Fungsi ativasi yang digunaan adalah fungsi ativasi tangent hyperbolic. Flowchart algoritma pelatihan JST bacpropagation seperti pada Gambar 2. Gambar 2 Pelatihan JST 4. HASIL DAN PEMBAHASAN Pada penelitian ini, pengujian dilauan dengan melatih JST secara berulang-ulang untu mendapatan bobotbobot jaringan yang optimal sehingga dapat digunaan untu menyelesaian permasalahan lasifiasi. Data yang digunaan dalam penelitian ini berjumlah 97 citra terbagi atas dua elompo data yani: (i) data pelatihan 62 citra dan (ii) data pengujian 35 citra. Data data tersebut diestra menggunaan metode GLCM dengan jara 2 pixel tetangga. Parameter JST yang digunaan dalam pengujian ini adalah sebagai beriut : Learning rate (α) = 0.1. Momentum (µ) = 0.9. Jumlah lapisan tersembunyi = 1 lapis. Jumlah neuron dalam lapis tersembunyi = 20 Batas toleransi error = 0,001 Lapisan input = 13 neuron (6 ciri statisti dan 7 invariant moment) Setelah melalui proses pelatihan maa pada proses pengujian dapat dilihat inerja dari metode yang diembangan seperti pada Gambar 3. Peneliti menggunaan analisis precision dan recall C-90

6 UPN Veteran Yogyaarta, 30 Juni 2012 Gambar 3. Hasil pengjian Berdasaran hasil pengujian seperti pada gambar di atas, terlihat bahwa sistem ini mempunyai emampuan yang cuup bai dalam mengenali image yang dicari dalam database image. Hal ini arena rata rata precision yang dihasilan adalah 75% 5. KESIMPULAN 1. Metode yang diembangan mampu melauan query terhadap image dalam database citra dengan precision sebesar 75% 2. Fitur fitur bentu dan testur merupaan fitur yang sangat bai dalam mengenali suatu image pada sistem CBIR 3. Penelitian lanjutan dapat dilauan untu meredusi jumlah ciri yang digunaan pada fase pelatihan sehingga dapat mempersingat watu omputasi. DAFTAR PUSTAKA Rao, M.B., Rao, B.P., GOVARDHAN, A., 2011, Content Based Image Retrieval Using Dominant Color, Texture and Shape, International Journal of Engineering Science and Technology, Vol. 3 No. 4 Kavitha, C., Rao, B.P., Govardhan, A., 2011, Image Retrieval based on combined features of image sub-blocs, International Journal of Engineering Science and Technology, Vol. 3 No. 4 Ramamurthy, B., Chandran, K.R., Aishwarya, S., Janaranjani, P., 2011, CBMIR: Content Based Image Retrieval using Invariant Moments, GLCM and Grayscale Resolution for Medical Images, European Journal of Scientific Research, Vol.59 No.4 (2011), pp Dyla, O.H., Senhaji, S., Tairi, H., Aarab, A., 2010, Content Based Images Retrieval Using Decomposition Model Tmage, Vol 5 No. 1 Kumar, D.K., Sree, E.U., Suneera, K., Kumar, P.V.C., 2011, Content Based Image Retrieval - Extraction By Objects Of User Interest, International Journal on Computer Science and Engineering, Vol. 3 No. 3 Mar 2011 Ramadijanti, N., Setiawardhana, Purnamasari., 2006, Sistem Online Content Based Image Retrieval menggunaan Identifiasi Dominan Warna pada Foreground Obje, PENS ITS C-91