EVALUASI SISTEM TEMU KENALI CITRA BERBASIS KONTEN WARNA

Transkripsi

1 EVALUASI SISTEM TEMU KENALI CITRA BERBASIS KONTEN WARNA Reza Sansa Hardika 1), Metty Mustikasari 2), Risdiandri Iskandar 3) 1)2)3) Sistem Informasi Universitas Gunadarma Jl. Margonda Raya, 100, Pondok Cina, Depok, Jawa Barat rezas_ardika@yaoo.co.id 1), metty@staff.gunadarma.ac.id 2), risdiandri@staff.gunadarma.ac.id 3) Abstrak Makala ini membaas mengenai pembuatan aplikasi temu kenali citra berbasis konten warna pada ruang warna HSV dan. Histogram digunakan dalam ekstraksi citra warna dan euclidean distance sebagai pengukur tingkat kemiripan. Precission dan recall digunakan untuk mengevaluasi sistem temu kenali citra yang tela dibuat, kemudian dilanjutkan dengan evaluasi pengguna menggunakan kuesioner. Dari asil evaluasi tersebut terliat bawa performa ruang warna HSV mempunyai performa lebi baik jika dibandingkan dengan ruang warna. Kata kunci : Temu Kenali Citra, Euclidean Distance, Ruang Warna HSV, Ruang Warna, Histogram. 1. Pendauluan Temu kenali citra atau lebi sering disebut CBIR (content-based image retrieval), adala suatu aplikasi computer vision yang digunakan untuk melakukan pencarian gambar-gambar digital pada suatu pustaka citra [2]. Amandeep Koker dalam makalanya (2011) menyatakan bawa penggunaaan temu kenali citra (CBIR) dalam proses pencarian sebua citra di dalam pustaka citra dengan menggunakan query berupa citra merupakan teknik yang baik untuk digunakan. Hal ini karena penggunaan keyword dalam temu kenali citra tidak lagi efektif dalam pencarian citra di dalam sebua pustaka citra [5]. Saat ini temu kenali citra menggunakan istogram warna banyak digunakan untuk mendefinisikan similaritas dari dua warna representasi istogram warna. Histogram warna menyatakan banyaknya frekuensi munculnya piksel dalam satu kelompok yang memiliki warna yang sama [4]. Hasil penelitian Suasini (2009) menyatakan bawa temu kenali citra dengan menggunakan istogram warna lebi tepat dengan menggunakan euclidean distance dibandingkan dengan quadratic form meskipun asilnya tidak berbeda jau. Hal ini dapat dipengarui ole pengaru warna yang muncul pada citra query [10]. Dalam temu kenali citra, banyak ruang warna yang dapat digunakan. Penelitian dari Singa dan Hemacandran (2011) menyatakan bawa dari perbandingan temu kenali citra menggunakan ruang warna Lab, RGB, HSV, dan Lu*v*, model warna HSV memberikan asil precission dan recall yang tinggi pada percobaan dengan beberapa query. Makala ini membaas pembuatan aplikasi temu kenali citra berbasis konten warna yang kemudian dilanjutkan dengan membandingkan performa ruang warna HSV dan. 2. Tinjauan Pustaka Ruang Warna Ruang warna merupakan representasi matematik 3 dimensi (3D) dari sekumpulan warna. Sejumla ruang warna tela dikembangkan dengan berbagai pendekatan dan alasan serta masing-masing memiliki kelebian dan kekurangan. Beberapa ruang warna seperti YCbCr dan Luv sangat baik digunakan untuk kompresi citra. Sementara ruang warna HSV/HSL, L*a*b*/L*C*H* dan HCL lebi sering digunakan untuk analisis warna citra. Representasi ruang warna L*a*b*/L*C*H* dan HCL dinyatakan lebi mendekati persepsi visual mata manusia dalam membedakan warna [8]. Ruang warna HSV ( ue, saturation, value) diformulasikan ole pencarian pada kubus warna RGB sepanjang sumbu gray (sumbu gabungan titik itam dan puti), yang mengasilkan bentuk eksagonal palet warna. Hue bervariasi dari 0 ke 1.0, warna yang sesuai bervariasi dari mera, kuning, ijau, cyan, biru dan magenta, kembali ke mera, seingga sebenarnya ada nilai mera antara 0 dan 1.0. Saturation bervariasi dimulai dari 0 ke 1.0, warna yang sesuai (ue) bervariasi dari unsaturation (abu -abu) untuk sepenunya ke saturation. Value atau terang bervariasi dari 0 ke 1.0 [7]. Gambar 1. Ruang warna HSV Sumber : Jeong,

2 Ruang Warna (ue, saturation, intensity) merupakan perubaan dari ruang warna RGB. Hue adala atribut warna yang menggambarkan warna murni, saturation memberikan ukuran tingkat di mana warna murni yang dilemakan ole caaya puti. Intensity adala descriptor yang paling berguna dalam citra monocromatic [7]. (,,) = ( (k, m, n), (k, m, n) / Euclidean distance merupakan teknik berbasis vektor space yang dapat digunakan untuk mengitung pengukuran teradap disimilaritas atau besarnya perbedaan persentasi munculnya warna yang sama antara 2 citra. Ini berarti bawa semakin kecil nilai perbedaannya maka semakin similar antara dua citra tersebut, sebaliknya, semakin besar nilai asil peritungan euclidean distance, maka kedua citra tersebut semakin tidak similar. Peritungan similarity dengan menggunakan teknik istogram akan bernilai mendekati 0 pada gambar yang sama meskipun gambar dibalik sekalipun[4]. 3. Metode Penelitian Histogram Warna Gambar 2. Ruang warna Sumber: Burdick, 2000 Histogram warna menyatakan banyaknya frekuensi munculnya piksel dalam satu kelompok yang memiliki warna yang sama. Pengggunaan istogram independen teradap rotasi dan skala citra. Namun, istogram warna cenderung keilangan informasi mengenai posisi, seingga istogram tidak dapat membedakan gambargambar yang mengandung warna sama dengan posisi warna yang berbeda. Dari kebanyakan literature tela menyelidiki masala ini dengan mengintegrasikan informasi ruang ke dalam istogram warna konvensional [4]. Euclidean Distance Gambar 3 Conto Histogram Citra Euclidean distance didefinisikan sebagai panjang garis lurus yang mengubungkan posisi dua bua objek [4]. Secara logis, diketaui bawa jarak terpendek antara dua titik adala garis lurus antara kedua titik tersebut. Adapun rumus dari teknik euclidean distance dapat dinyatakan sebagai berikut : Proses temu kenali citra dilakukan dengan ekstraksi citra ke dalam istogram. Ruang warna yang digunakan dalam penelitian ini adala HSV (ue, saturation, value) dan (ue, saturation, intensity). Untuk mengukur kemiripan istogram dari dua bua citra digunakan euclidean distance. Sedangkan untuk evaluasi performa ruang warna digunakan metode precission dan recall, serta evaluasi pengguna menggunakan kuesioner. Gambar 4 Langka-langka Sistem Temu Kenali Citra Proses dalam temu kenali citra dijelaskan pada gambar 4. Citra query yang dimasukkan akan diproses terlebi daulu dengan menguba ruang warna ke HSV atau. Selanjutnya ekstraksi citra dilakukan dengan mencari istogram citra sesuai dengan ruang warnanya. Setela istogram citra tersebut diproses, kemudian dilanjutkan dengan mengukur tingkat kemiripan citra query dan citra pada pustaka citra menggunakan euclidean distance. Hasil dari perbandingan tersebut akan ditampilkan pada output dengan menyertakan nilai euclidean distance dari masing-masing citra asil perbandingan dua istogram citra tersebut. Setela mendapatkan asil dari proses temu kenali citra, proses selanjutnya adala evaluasi performa ruang warna dengan menggunakan metode precission dan recall, serta evaluasi pengguna menggunakan kuesioner

3 4. Hasil dan Pembaasan Perancangan Tampilan Aplikasi Aplikasi ini terdiri dari tiga komponen, yaitu tampilan alaman utama, tampilan alaman HSV, dan tampilan alaman. Halaman utama pada gambar 5 ini berfungsi untuk memanggil alaman selanjutnya ole pengguna. Terdapat dua bua button untuk memili alaman yang dituju dan satu button untuk keluar dari aplikasi. Button yang menuju alaman selanjutnya adala button dengan label HSV, dan. Button dengan label keluar digunakan untuk keluar dari aplikasi. Gambar 7. Perancangan Tampilan Ruang Warna HSV Gambar 8. Tampilan Ruang Warna HSV Gambar 5 Perancangan Tampilan Utama Aplikasi Rancangan tampilan pada gambar 9 digunakan untuk proses temu kenali citra dengan menggunakan ruang warna. Pada alaman ini terdapat tiga unsur, yaitu masukkan citra, proses citra, dan keluar. Pada bagian kiri alaman ini digunakan untuk menampilkan citra query yang akan diproses. Gambar 6 Tampilan Utama Aplikasi Gambar 7 merupakan diagram alir yang digunakan untuk membuat tampilan aplikasi temu kenali citra dengan menggunakan ruang warna HSV. Pada alaman ini terdapat tiga unsur, yaitu masukkan citra, proses citra, dan keluar. Pada bagian kiri alaman ini digunakan untuk menampilkan citra query yang akan diproses. Gambar 9. Perancangan Tampilan Ruang Warna 04-21

4 Gambar 10. Tampilan Ruang Warna Taapan-taapan pencarian citra dengan temu kenali citra yang dilakukan adala sebagai berikut. Pertama, menguba ruang warna citra ke ruang warna HSV atau. Kedua, ekstraksi citra dengan menggunakan istogram citra warna yang tela diuba ke sala satu ruang warna tersebut. Setela kedua taap tersebut selesai dilakukan, selanjutnya adala mencari citra yang mirip dengan citra query yang tela diproses. Pada proses ini, euclidean distance digunakan untuk mencari tingkat kemiripan dari dua istogram citra yang dibandingkan. Gambar 13. Conto asil temu kenali citra menggunakan model warna warna Setela diperole asil temu kenali citra, maka taap selanjutmya adala melakukan evaluasi performa dengan metode precision dan recall. Precision adala perbandingan jumla dokumen relevan yang diambil dengan jumla seluru dokumen yang diambil ole sistem. Lalu, Recall adala perbandingan jumla dokumen relevan yang diambil dengan jumla semua dokumen yang relevan [6]. Untuk mencari asil dari kedua metode di atas digunakan rumus sebagai berikut [6]: = = Gambar 11. Proses pencarian citra similar Selanjutnya adala menampilkan 10 asil citra yang mirip dengan mencantumkan euclidean distance. Setela dilakukan proses temu kenali citra dan peritungan precission dan recall dari masing-masing model warna, didapat asil peritungan precission dan recall sebagai berikut: Tabel 1. Perbandingan precision dan recall model warna HSV dan Gambar 12. Conto asil temu kenali citra menggunakan model warna HSV Ratarata Precission HSV Precission Recall HSV Recall Selain dengan metode precission dan recall, evaluasi juga menggunakan evaluasi pengguna melalui kuesioner

5 Dalam evaluasi pengguna ini anya membandingkan dua ruang warna, yaitu ruang warna HSV dan. Setela data asil kuesioner didapatkan, asil menunjukkan bawa performa ruang warna HSV lebi baik jika dibandingkan ruang warna. Ole karena itu, penilaian performa ruang warna menggunakan kuesioner menunjukkan bawa ruang warna HSV lebi baik dari ruang warna. 5. Kesimpulan dan Saran Kesimpulan Setela berasil dibangun sistem temu kenali citra berbasis konten warna, selanjutnya dilakukan evaluasi ruang warna menggunakan metode precission dan recall serta evaluasi pengguna menggunakan kuesioner. Hasil dari precission untuk ruang warna HSV menunjukan nilai dan pada ruang warna menunjukkan nilai sedangkan untuk recall, pada ruang warna HSV menunjukkan nilai 0,32 dan pada ruang warna menunjukkan nilai Untuk evaluasi pengguna menggunakan kuesioner, ruang warna HSV memiliki performa yang lebi baik jika dibandingkan dengan ruang warna. Dari asil analisis pada sistem yang dibangun, dapat disimpulkan bawa ruang warna HSV (ue, saturation, value) memiliki performa yang lebi baik dalam proses temu kenali citra jika dibandingkan dengan ruang warna. Saran Ada beberapa al yang perlu diperatikan agar memperole asil proses temu kenali citra yang maksimal, diantaranya: 1. Penggunaan citra query yang memiliki ukuran tidak lebi dari 800x800 pixel agar dapat mempercepat proses temu kenali citra. 2. Penggunaan citra query yang berwana (tidak itam puti) untuk memperole asil yang diinginkan. [7] Prasetyo, Eko Pengolaan Citra Digital dan Aplikasinya Menggunakan Matlab. Penerbit Andi, Yogyakarta. [8] Sarifuddin M., and R Missaoui A new perceptually uniform color space wit associated color similarity measure for content based image and video retrieval, Proceeding of Multimedia Information Retrieval Worksop, 28 t annual ACM SIGIR Conference, pp [9] Singa, Manimala dan K. Hemacandran Performance Analisys of Color Space In Image Retrieval. Department of Computer Science, Assam University, India. [10] Suasini, P.S. 2009, CBIR Using Color Histogram Processing, Journal of Teoretical and Applied Information Tecnology. Biodata Penulis Reza Sansa Hardika, memperole gelar Sarjana Komputer (S.Kom), pada Program Studi Sistem Informasi, Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma, lulus taun Saat ini sebagai asisten pengajar di Laboratorium Fisika Dasar Universitas Gunadarma. Metty Mustikasari S.Kom., M.Sc., memperole gelar Sarjana Komputer (S.Kom) pada Program Stud i Manajemen Informatika, Fakultas Ilmu Komputer Universitas Gunadarma, lulus taun Memperole gelar Magister of Science dari Computer Science Department, Curtin University, Western Australia, lulus taun Saat ini sebagai pengajar di Program Studi Sistem Informasi Universitas Gunadarma. Risdiandri Iskandar S.Kom., MM., memperole gelar Sarjana Komputer (S.Kom) pada Program Studi Manajemen Informatika, Fakultas Ilmu Komputer Universitas Gunadarma, lulus taun Memperole gelar Magister Manajemen Universitas Gunadarma, lulus taun Saat ini sebagai pengajar di Program Studi Sistem Informasi Universitas Gunadarma. Daftar Pustaka [1] Al-Tayece, Rami dan Amed Kalil, CBIR: Content Based Image Retrieval, Department of Systems and Computer Engineering Faculty of Engineering Carleton University. [2] Datta, R., Josi, D., Li, J., and Wang, J. Z Image retrieval: Ideas, influences, and trends of te new age. ACM Comput. Surv. 40, 2, Article 5. [3] Gonzales, R.C., Woods, R.E., dan Eddins, S.L Digital Image Processing Using MATLAB. India. [4] Jeong S Histogram-Based Color Image Retrieval, psyc221/ee362 Project. [5] Koker, Amandeep Image Retrieval: A State of Te Art Approac for CBIR, Department of ECE, RIMT-MAEC Mandi Gobindgard, Punjab, India. [6] Powers, David M W Evaluation: From Precision, Recall and F-Factor to ROC, Informedness, Markedness & Correlation. Journal of Macine Learning Tecnologies