PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI

Transkripsi

1 PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2008

2 PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor RIZKI PEBUARDI G DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2008

3 ABSTRAK RIZKI PEBUARDI. Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur Menggunakan Bayesian Network. Dibimbing oleh AGUS BUONO dan YENI HERDIYENI. Penelitian ini mengimplementasikan dan menganalisis kinerja model Bayesian network dalam pengukuran kemiripan citra menggunakan informasi warna, bentuk, dan testur. Ciri warna diekstraksi menggunakan histogram-162, ciri bentuk diekstraksi menggunakan edge direction histogram, dan ciri tekstur diekstraksi menggunakan co-occurrence matrix. Pada model ini, nilai bobot untuk setiap informasi ditetapkan secara automatis oleh sistem berdasarkan informasi citra yang lebih dominan. Jika setiap karakteristik citra memiliki peluang kejadian pada setiap citra yang ada di basis data, maka peluang kemiripan setiap citra terhadap citra kueri dapat diketahui. Hal ini dapat dimodelkan menggunakan model Bayesian network. Pada model Bayesian network, karakteristik-karakteristik citra, citra kueri, dan citra-citra yang ada di basis data dapat dianggap sebagai node-node yang saling berhubungan membentuk sebuah model Bayesian network. Evaluasi hasil temu kembali menggunakan rataan precision untuk tiap tingkat recall. Secara umum, model Bayesian network dapat digunakan untuk meningkatkan nilai precision hasil temu kembali. Rata-rata peningkatan nilai precision dengan menggunakan model Bayesian network sebesar 8.28 %. Nilai rata-rata precision untuk semua citra di basis data dengan menggunakan model Bayesian network lebih tinggi daripada menggunakan informasi warna, bentuk, dan tekstur secara terpisah. Kata kunci: Bayesian network, histogram-162, edge direction histogram, co-occurrence matrix

4 Judul : Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur Menggunakan Bayesian Network Nama : Rizki Pebuardi NIM : G Menyetujui: Pembimbing I Pembimbing II Ir. Agus Buono, M.Si., M.Kom. Yeni Herdiyeni, S.Si., M.Kom. NIP NIP Mengetahui: Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor Dr. drh. Hasim, DEA NIP Tanggal Lulus :

5 RIWAYAT HIDUP Penulis dilahirkan di Bukittinggi pada tanggal 18 Februari Penulis merupakan anak keempat dari pasangan Herman dan Lismar. Pada tahun 2004, penulis lulus dari SMU Negeri 1 IV Angkat Candung, Agam, Sumatera Barat dan pada tahun yang sama penulis mendapat undangan seleksi masuk IPB (USMI) dan terdaftar sebagai mahasiswa Departemen Ilmu Komputer Fakultas MIPA Institut Pertanian Bogor hingga saat ini. Pada tahun 2007, penulis melaksanakan praktik kerja lapangan (PKL) di PT. Sigma Cipta Utama selama kurang lebih dua bulan. Selama mengikuti perkuliahan penulis pernah menjadi asisten Algoritme dan Pemrograman, Bahasa Pemrograman, Organisasi Komputer dan Penerapan Komputer.

6 PRAKATA Alhamdulillahi Rabbil alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas segala curahan rahmat dan karunia-nya sehingga tugas akhir ini dapat diselesaikan. Tugas akhir ini berjudul Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur Menggunakan Bayesian Network. Dalam menyelesaikan tugas akhir ini penulis mendapatkan banyak sekali bantuan, bimbingan dan dorongan dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada semua pihak yang telah membantu dalam penyelesaian tugas akhir ini, antara lain: 1 Kedua orang tua tercinta, Apak dan Amak atas segala do a, kasih sayang, dan dukungannya, 2 Da Em, Ni Si, Da Al, Deboy, dan keluarga tercinta yang selalu memberikan motivasi dalam penyelesaian tugas akhir ini, 3 Bapak Ir. Agus Buono, M.Si., M.Kom. dan Ibu Yeni Herdiyeni, S.Si., M.Kom. atas bimbingan dan arahannya selama pengerjaan tugas akhir ini, 4 Bapak Firman Ardiansyah, S.Kom., M.Si. selaku moderator dalam seminar dan penguji dalam sidang, 5 Imam, Gibtha, William, dan rekan-rekan Lab. CI atas kebersamaan, motivasi, dan bantuannya, 6 Riza, Hasan, Dhani, Wawan, dan teman-teman di Wisma Badenten atas kebersamaan dan dukungannya, 7 Endang dan Ina atas motivasinya, 8 Seluruh teman-teman seperjuangan Program Studi Ilmu Komputer angkatan 41 yang tidak dapat disebutkan namanya satu-persatu. Penulis juga mengucapkan terima kasih kepada semua pihak yang telah membantu selama penyelesaian tugas akhir ini yang tidak dapat disebutkan satu-persatu. Semoga penelitian ini dapat memberi manfaat. Bogor, September 2008 Rizki Pebuardi

7 DAFTAR ISI Halaman DAFTAR TABEL... vi DAFTAR GAMBAR... vi DAFTAR LAMPIRAN... vi PENDAHULUAN... 1 Latar Belakang... 1 Tujuan... 1 Ruang Lingkup... 1 Manfaat Penelitian... 1 TINJAUAN PUSTAKA... 1 Content Based Image Retrieval (CBIR)... 1 Conventional Color Histogram (CCH)... 1 Edge Detection... 2 Sobel Edge Detector... 2 Texture... 2 Co-occurrence Matrix... 2 Formula Bayes... 3 Bayesian Network... 3 Recall dan Precision... 4 METODE PENELITIAN... 4 Ekstraksi Ciri... 4 Ekstraksi Ciri Warna... 4 Ekstraksi Ciri Bentuk... 5 Ekstraksi Ciri Tekstur... 5 Model Bayesian Network... 6 Pengukuran Tingkat Kemiripan... 6 Evaluasi Hasil Temu Kembali... 7 Perangkat Lunak dan Perangkat Keras... 8 HASIL DAN PEMBAHASAN... 8 Data Penelitian... 8 Praproses Citra... 8 Ekstraksi Ciri... 8 Ekstraksi Ciri Warna... 8 Ekstraksi Ciri Bentuk... 8 Ekstraksi Ciri Tekstur... 8 Hasil Temu Kembali... 8 Evaluasi Hasil Temu Kembali... 9 KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN v

8 DAFTAR TABEL Halaman Perbandingan nilai recall precision pada kelas mobil Perbandingan nilai recall precision pada kelas singa Perbandingan nilai recall precision pada kelas matahari terbenam Perbandingan nilai recall precision pada kelas tekstur Perbandingan nilai recall precision pada kelas gajah Perbandingan nilai recall precision rata-rata semua citra di basis data Persentase peningkatan nilai precision menggunakan model Bayesian network DAFTAR GAMBAR Halaman 1 Sistem temu kembali citra Model umum Bayesian network untuk CBIR Contoh pembangunan co-occurrence matrix Metode penelitian Model umum Bayesian network untuk CBIR menggunakan informasi tekstur Model umum Bayesian network untuk CBIR menggunakan gabungan informasi warna, bentuk, dan tekstur Hasil temu kembali menggunakan informasi warna Hasil temu kembali menggunakan informasi bentuk Hasil temu kembali menggunakan informasi tekstur Hasil temu kembali menggunakan model Bayesian network Grafik recall precision menggunakan informasi warna, bentuk, tekstur, dan Bayesian network DAFTAR LAMPIRAN Halaman 1 Penentuan nilai threshold pada Sobel edge detector Nilai recall precision temu kembali citra menggunakan informasi tekstur untuk beberapa level keabuan dalam pembangunan co-occurrence matrix Contoh citra yang digunakan untuk masing-masing kelas Perbandingan nilai recall precision pada kelas beruang, tanda panah, pemandangan, reptil, dan pesawat Antar muka sistem vi

9 Latar Belakang PENDAHULUAN CBIR (content based image retrieval) dikembangkan untuk menemukembalikan citra berdasarkan pada informasi citra yang terdiri atas warna (color), bentuk (shape), dan tekstur (texture). CBIR terdiri atas beberapa proses utama antara lain praproses, ekstraksi ciri, pengindeksan, dan penemuan kembali citra. Salah satu proses yang memegang peranan penting pada proses penemuan kembali citra adalah pengukuran tingkat kemiripan citra. Pengukuran kemiripan citra dapat dilakukan antara lain dengan menggunakan perhitungan jarak Euclidean dan dengan menggunakan perhitungan peluang. Vailaya (1995) menggunakan fungsi pembobotan (weighted function) untuk mengukur kemiripan citra berdasarkan gabungan informasi warna dan bentuk. Sementara itu, Osadebey (2006) menggunakan fungsi pembobotan untuk mengukur kemiripan citra berdasarkan gabungan informasi tekstur, bentuk, dan spasial. Pada pengukuran kemiripan menggunakan fungsi pembobotan, nilai kemiripan yang diperoleh menggunakan informasi-informasi yang berbeda dikalikan dengan bobot tertentu, untuk mendapatkan nilai kemiripan berdasarkan gabungan informasiinformasi tersebut. Penggunaan fungsi pembobotan kadang-kadang memberikan hasil temu kembali yang kurang tepat karena nilai bobot ditetapkan secara manual. Rodrigues dan Araujo (2004) telah mengembangkan sebuah model Bayesian network dalam pengukuran tingkat kemiripan citra pada suatu sistem CBIR. Model Bayesian network menerapkan teori peluang (probabilistic) untuk pengukuran kemiripan citra. Model ini digunakan untuk menggabungkan kemiripan citra berdasarkan informasi warna, bentuk, dan tekstur. Model ini dapat digunakan untuk mengatasi kekurangan yang terjadi pada penggunaan fungsi pembobotan karena nilai bobot ditetapkan secara automatis oleh sistem berdasarkan informasi citra yang lebih dominan. Jika setiap karakteristik citra memiliki peluang kemunculan/kejadian pada setiap citra yang ada di basis data, maka peluang kemiripan setiap citra terhadap citra kueri dapat diketahui. Hal ini dapat dimodelkan menggunakan model Bayesian network. Pada Bayesian network, karakteristik-karakteristik citra, citra kueri dan citra-citra yang ada di basis data dapat dianggap sebagai node-node yang saling berhubungan membentuk sebuah model Bayesian network. Penelitian ini mengimplementasikan dan menganalisis kinerja model Bayesian network yang telah dikembangkan oleh Rodrigues dan Araujo (2004). Penelitian ini melakukan perbaikan pada ekstraksi ciri citra menggunakan informasi bentuk dan tekstur untuk mendapatkan hasil yang lebih optimal. Tujuan Tujuan utama dari penelitian ini adalah untuk mengimplementasikan dan menganalisis kinerja model Bayesian network dalam pengukuran kemiripan citra. Ruang Lingkup Ruang lingkup penelitian ini adalah : 1 Kemiripan citra diukur menggunakan model Bayesian network. 2 Ciri warna diekstraksi menggunakan histogram Ciri bentuk diekstraksi menggunakan edge direction histogram. 4 Ciri tekstur diekstraksi menggunakan cooccurrence matrix. Manfaat Penelitian Penggunaan model Bayesian network pada sistem CBIR diharapkan dapat meningkatkan relevansi dari hasil temu kembali citra. TINJAUAN PUSTAKA Content Based Image Retrieval (CBIR) Secara umum, proses temu kembali citra (image retrieval) dapat dibagi menjadi dua proses utama yaitu pengindeksan dan penemuan kembali citra. Content based image retrieval (CBIR) merupakan suatu pendekatan pada temu kembali citra yang didasarkan pada ciri atau informasi yang terkandung di dalam citra seperti warna, bentuk, dan tekstur (Rodrigues & Araujo 2004). Proses utama pada temu kembali citra diilustrasikan pada Gambar 1 berikut ini: Gambar 1 Sistem temu kembali citra. Conventional Color Histogram (CCH) Histogram warna menyatakan frekuensi kemunculan atau peluang keberadaan setiap 1

10 warna dalam sebuah citra. Banyaknya nilai warna (bin) dapat ditetapkan sesuai kebutuhan pembuatan histogram. Histogram warna dapat dinyatakan sebagai berikut: P i j = 1, jika piksel ke-j dikuantisasi ke bin-i 0, selainnya Histogram warna seperti ini disebut conventional color histogram (Han & Ma 2002). Edge Detection Edge detection adalah operasi yang dijalankan untuk mendeteksi garis tepi (edge) yang membatasi dua wilayah citra homogen yang memiliki tingkat kecerahan yang berbeda (Pitas dalam Wahyuningsih 2006). Beberapa metode pendeteksi garis tepi yang umum digunakan antara lain Sobel, Prewitt, Roberts, Laplacian of a Gaussian, Zero crossings, dan Canny (Gonzalez 2004). Sobel Edge Detector Sobel edge detector merupakan salah satu metode pendeteksi tepi yang umum digunakan (Rodrigues & Araujo 2004). Sobel edge detector menggunakan dua buah matriks konvolusi berukuran 3 x 3. Matriks konvolusi pertama digunakan untuk mengestimasi gradien pada arah sumbu x. Berikut ini adalah matriks konvolusi yang digunakan : Sementara itu, matriks konvolusi kedua digunakan untuk mengestimasi gradien pada arah sumbu y. Berikut ini adalah matriks konvolusi yang digunakan : Misalkan Gx adalah matriks hasil operasi konvolusi terhadap citra I dalam arah sumbu x, dan Gy adalah matriks hasil operasi konvolusi terhadap citra I dalam arah sumbu y, maka magnitudo (edge strength) dari gradien didekati menggunakan persamaan berikut ini: Sebuah piksel akan dianggap sebagai edge (bernilai satu) jika nilai magnitudonya lebih besar dari nilai threshold yang ditetapkan (Gonzalez 2004). Texture Pada area pemrosesan citra tidak ada definisi yang jelas tentang tekstur. Hal ini disebabkan definisi tekstur yang ada didasarkan kepada metode analisis tekstur dan fitur yang diekstrak dari citra. Akan tetapi, tekstur dapat dianggap sebagai pola piksel yang berulang pada wilayah spasial dimana penambahan noise pada pola dan perulangan frekuensinya, dapat terlihat secara acak dan tidak terstruktur (Osadebey 2006). Beberapa metode yang berbeda diusulkan untuk menghitung ciri tekstur karena tidak ada definisi matematika yang jelas tentang tekstur. Metode yang paling sering digunakan untuk mendeskripsikan ciri tekstur adalah metode berbasis statistika dan berbasis transformasi (Ojala & Pietikainen dalam Osadebey 2006). Penelitian ini menggunakan metode berbasis statistika untuk mengekstraksi ciri tekstur. Metode berbasis statistika menganalisis distribusi spasial dari nilai keabuan dengan menghitung ciri lokal pada setiap titik citra, kemudian menurunkan beberapa perhitungan statistika dari distribusi ciri lokal tersebut. Salah satu jenis metode ini adalah co-occurrence matrix yang akan digunakan pada penelitian ini. Co-occurrence Matrix Co-occurrence matrix menggunakan matriks derajat keabuan untuk mengambil contoh bagaimana suatu derajat keabuan tertentu terjadi, dalam hubungannya dengan derajat keabuan yang lain. Matriks derajat keabuan adalah sebuah matriks yang elemen-elemennya merupakan frekuensi relatif kejadian (occurrence), dari kombinasi level keabuan antar pasangan piksel, dengan hubungan spasial tertentu (Osadebey 2006). Misal diketahui sebuah citra I(i, j), p(i, j) merupakan posisi dari operator, dan A adalah sebuah matriks. Elemen A(i, j) menyatakan jumlah berapa kali titik tersebut terjadi dengan grey-level (intensitas) g(i) pada posisi tertentu menggunakan operator p, relatif terhadap titik dengan intensitas g(j). Matriks A merupakan cooccurrence matrix yang didefinisikan oleh p. Operator p didefinisikan dengan sebuah sudut dan jarak d. Gambar 2 menjelaskan pembangunan cooccurrence matrix untuk citra I yang berukuran 4 x 5 piksel yang memiliki delapan level keabuan. Posisi operator p didefinisikan dengan jarak d = 1 dan = 0 0. Matriks A 2