METODE CLUSTER SELF-ORGANIZING MAP UNTUK TEMU KEMBALI CITRA

Transkripsi

1 1 METODE CLUSTER SELF-ORGANIZING MAP UNTUK TEMU KEMBALI CITRA Chita Ralina Rahardjo, Yeni Herdiyeni, Firman Ardiansyah Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor, Kampus Dramaga Wing 0 Level V, Bogor, Jawa Barat, Indonesia yeni_herdi@ipb.ac.id Abstract The advent of multimedia computing has led to increased demands for digital images. Large number of people has not been satisfied with the result of image that has been retrieved. Image clustering is one of the crucial process in contentbased image retrieval (CBIR). This research implement Self-Organizing Map (SOM) for clustering, not only by colorbased image retrieval but also combine it with shape-based image retrieval. As a comparison, this research compare method without clustering with method that using SOM as a clustering method. Recall and precision is used to evaluate the retrieval performaces. According to this research, cluster method SOM for color-based image retrieval has average precision %, while method without cluster has 75%. The better result is accomplished by combining the color-based with shape-based image retrieval. By using the combination, average precision for cluster method SOM has increased to 89.5 %. Keywords : content-based image retrieval, expectation-maximization, fuzzy color histogram, hough transform, self organizing map. 1 PENDAHULUAN Perkembangan dunia multimedia telah mengarah pada tingginya permintaan terhadap citra digital. Hal ini terbukti dengan semakin banyaknya orang yang menggunakan fasilitas internet untuk melakukan pencarian terhadap basis data citra. Namun, sering kali hasil pencarian citra digital tidak sesuai dengan keinginan pengguna. Hal tersebut dikarenakan pencarian dilakukan hanya berdasarkan teks bukan berdasarkan kandungan citra. Pencarian yang dilakukan berdasarkan kandungan citra dapat disebut juga dengan Content Based Image Retrieval (CBIR). Penggunaan kandungan citra (warna, bentuk dan tekstur) dalam CBIR digunakan sebagai kondisi temu kembali citra dimana kandungan citra tersebut akan membentuk vektor ciri. Penggunaan vektor ciri warna telah dilakukan dalam penelitian Balqis (006) dan vektor ciri bentuk dalam Wahyuningtyas (006). Dalam penelitian tersebut, temu kembali citra dilakukan tanpa melalui proses pembentukan cluster. Hasil temu kembali citra yang dilakukan tanpa proses pembentukan cluster masih belum efektif dikarenakan untuk tiap citra kueri, proses pengukuran kemiripan akan dilakukan terhadap seluruh citra dalam basis data citra. Untuk meningkatkan hasil temu kembali citra digunakanlah metode Self-Organizing Map (SOM), karena pada metode ini dilakukan proses pembentukan cluster data citra. Dengan adanya proses tersebut, pengukuran kemiripan untuk tiap citra kueri dilakukan hanya terhadap cluster citra yang telah terbentuk. SOM merupakan metode yang diajukan Kohonen (198), dan metode ini juga digunakan oleh Kaneko et al (1999) untuk pembentukan cluster data citra dengan menggunakan ciri warna dan tekstur. Berdasarkan hasil penelitian tersebut, metode SOM terbukti mampu meningkatkan hasil temu kembali citra. Oleh karena itu, pada paper ini digunakan metode Self-Organizing Map (SOM) untuk sistem temu kembali citra menggunakan ciri warna dan bentuk. SELF-ORGANIZING MAP.1 Segmentasi dengan Expectation- Maximization Tahap pertama dalam penelitian ini adalah melakukan proses segmentasi terhadap seluruh citra dalam basis data. Setiap citra akan disegmentasi untuk mengelompokkan warna yang dikandung oleh setiap piksel dari citra ke beberapa segmen yang telah ditentukan jumlahnya. Segmen ini merupakan representasi dari warna-warna dominan citra. Tujuan dari proses ini adalah untuk mendapatkan kelompok-kelompok warna dominan dan mengurangi jumlah warna citra asli. Setiap piksel dari citra dibangkitkan dari parameter yang terdiri dari mean, covariance dan mixing weight yang terkumpul dalam suatu vektor parameter Θ=(п 1,...,п, θ 1,..., θ ). Masingmasing segmen diasumsikan memiliki distribusi normal Gaussian.

2 Algoritma EM mempunyai dua tahapan utama yaitu tahapan dugaan (E-step) dan maksimisasi (M-step). Pada tahapan dugaan (E-step), data X diasumsikan merupakan data yang tidak lengkap dengan missing value berupa label yang menyatakan keanggotaan tiap piksel dari X ke dalam salah satu G segmen. Pada tahapan ini, peluang tiap piksel berasal dari tiap segmen dihitung dan selanjutnya membentuk matriks Z yang akan melengkapi data X sehingga data yang lengkap dapat dinyatakan sebagai Y=(X,Z). Label tiap piksel didapatkan dari segmen yang mempunyai peluang tertinggi dalam Z. Pada tahapan M-Step, parameter untuk iterasi berikutnya ditentukan sesuai dugaan variabel dari Z. Nilai parameter yang baru dari M-step ini akan digunakan kembali untuk E-step iterasi berikutnya. Proses E-step dan M-step akan terus berulang sampai didapatkan log likelihood yang kecil sehingga hasil perhitungan sudah tidak terlalu banyak mengalami perubahan. Ketika log likelihood hanya sedikit berubah, maka hasil dianggap konvergen dan hasil akhir merupakan hasil segmentasi dengan label untuk tiap-tiap piksel ke dalam segmen dapat ditentukan dari matriks Z.. Ekstraksi Warna Menggunakan Fuzzy Color histogram (FCH) Pertama, kita melakukan kuantisasi awal dengan memetakan seluruh warna piksel dari citra hasil segmentasi ke n bin histogram. Proses tersebut diawali dengan melakukan penghitungsn histogram warna. Penghitungan histogram warna dilanjutkan dengan penghitungan FCM yang akan menghasilkan jumlah bin sebagai ciri warna seluruh citra dalam basis data. Berdasarkan eksperimen menggunakan FCM, diperoleh jumlah bin optimal yaitu 5 bin seperti yang terlihat pada Tabel 1. Tabel 1 Warna kuantisasi 5 bin histogram Warna R G B Nilai bin tersebut akan digunakan untuk penghitungan FCH dengan pengambilan derajat keanggotaan FCM. Perhitungan derajat keanggotaan (membership degrees) FCH dilakukan dengan Fungsi Cauchy. 1 μ ( c) = (1) α 1+ ( d(, c) / σ ) dengan d(c,c) = jarak Euclidean antara warna c dengan c, c = warna pada bin FCH, c = semesta warna (universe color), α = digunakan untuk menentukan bentuk atau kehalusan dari fungsi, σ = untuk menentukan lebar dari fungsi keanggotaan. Berdasarkan percobaan, diperoleh parameter α = dan σ = 15. Setelah itu, dilakukan penghitungan FCH menggunakan: h ( c)* h( c) ( ) = μ c μ dengan h = fuzzy color histogram, h = convensional color histogram, μ ( c) = nilai keanggotaan dari warna c ke warna c. Pada penghitungan tersebut akan menghasilkan hasil kali dari matriks derajat keanggotaan dengan histogram awal. ().3 Segmentasi Bentuk dengan Canny Edge Detection Canny edge detector merupakan salah satu metode pendeteksi tepi yang dikembangkan secara optimal. Algoritma Canny diawali dengan penghlusan citra untuk menghilangkan gangguan (noise). Kemudian mencari nilai gradient pada citra untuk menandai wilayah yang memiliki turunan spasial yang cukup besar

3 3 sekaligus menghilangkan piksel-piksel yang nilainya tidak pada maksimum (nonmaximum supression). Algoritma Canny lalu menggunakan nilai threshold untuk memproses piksel-piksel lainnya yang tidak dihilangkan. Apabila piksel-piksel tersebut memiliki nilai magnitude di bawah nilai threshold, maka piksel tersebut dijadikan titik tepi bernilai satu. Berdasarkan proses tersebut, maka hasil akhir dari algoritma canny ini adalah citra biner..4 Ektraksi Bentuk Menggunakan Hough Transform Konsep dasar dari Hough transformadalah bahwa terdapat garis dan kurva potensial yang tak terhitung jumlahnya di dalam gambar yang melalui titik mana saja pada berbagai ukuran dan orientasi. Metode Hough transform dengan pendekatan elips menggunakan parameter (x i, y i, r x, r y, Ө), dengan (x i,y i ) adalah titik pusat dari elips, r x dan r y sebagai sumbu mayor dan minor elips, dan Ө adalah orientasi dari sumbu mayor elips (Gambar 1). (membentuk voting) melalui titik-titik tersebut memang berada dalam citra. Titik-titik yang memiliki nilai voting tertinggi disebut sebagai peak atau local maxima. Kemudian peak yang ditemukan diperiksa kembali apakah kurva yang berasal dari titik tersebut benar mendekati data sebenarnya dalam citra. Peak yang nantinya menjadi fitur ciri dari citra adalah peak yang setelah diperiksa kembali merupakan titik asal dari kurva yang paling banyak mendekati data pada citra sebenarnya. Berdasarkan eksperimen, threshold paling optilmal diperoleh pada threshold SELF-ORGANIZING MAP Self-organizing map (SOM) diperkenalkan pertama kali oleh Teuvo kohonen pada tahun 198. Jaringan Kohonen tersebut memberikan sebuah tipe dari SOM di mana SOM merupakan algoritma unsupervised neural network yang melibatkan interaksi antara activity dan connectivity. Ilustrasi dari Kohonen dapat dilihat pada Gambar. Gambar Ilustrasi model Kohonen. Gambar 1 Elips yang berpusat pada (x 0,y 0 ) dengan sumbu mayor r x dan sumbu minor r y. Digunakannya pendekatan Hough Transform elips, untuk menyelesaikan parameter-parameter yang dibutuhkan dalam mencari keberdaan elips dengan menggunakan persamaan (Nixon & Aguado 00): x o =x - r x cos Ө y 0 =y o r y sin Ө (3) Hough transform elips menggunakan titik-titik tepi hasil pendeteksi tepi Canny untuk mendefinisikan elips pada setiap kemungkinan nilai mayor dan minor. Setiap piksel yang ditandai oleh pendeteksi tepi atau yang bernilai 1,diperiksa untuk mencari semua kemungkinan garis, kurva ataupun representsi bentuk lainnya yang melalui piksel tersebut. Nilai-nilai tersebut menandakan frekuensi banyaknya representasi bentuk yang melalui titik tersebut dan nilai-nilai tertinggi yang menandakan bahawa kemungkinan besar bentuk-bentuk yang Algoritma Self-Organizing Map (SOM) Misalkan m adalah dimensi dari vektor input x = [x 1,x,...x m ] T. Vektor bobot untuk node output j memiliki dimensi yang sama dengan vektor input, sehingga untuk neuron j, bobot vektor akan menjadi: w j = [w j1, w j,,w jm ] T. Berikut ini adalah algoritma SOM: Untuk setiap vektor input x, Kompetisi. Dengan menggunakan fungsi jarak, hitung nilai D(wj,xn) untuk setiap node output j. Cari node pemenang J (Best matching Unit (BMU)), yaitu node output yang memiliki kemiripan tertinggi dengan vektor input, dengan nilai yang meminimumkan D(wj,xn). Kooperasi. Identifikasi seluruh node output j dalam lingkungan node pemenang J dengan menggunakan ukuran node tetangga (neighborhood function) h ji. Untuk setiap node tersebut, lakukan: Adaptasi, perbaharui nilai bobot vektor: w j (n+1)=w j (n) + (n)h ij(x) (n) (x-w j (n)) (6)

4 4 Perbaharui learning rate ( η ) dan ukuran node tetangga h ji. Hentikan perlakuan ketika kriteria pemberhentian telah dicapai. Keterangan : Inisialisasi nilai bobot awal biasanya menggunakan nilai tengah (middle point) atau menggunakan nilai acak. Fungsi jarak menggunakan jarak euclid (Euclidean Distance) D( w, x ) w x (7) ( ) j n = i ij ni Ukuran node tetangga (h ij ) digunakan untuk mengetahui derajat keanggotaan (degree of membership) dari node i dalam lingkungan yang berpusat pada node j. Ukuran node tetangga ini diperoleh dengan menggunakan fungsi Gaussian (8) dengan d ij merupakan jarak antara node i dan j dan parameter sebagai lebar efektif dari lingkungan. Kriteria pemberhentian bisa berupa pembatasan jumlah iterasi, atau ketika ( η ) =0 (Willson 006)..3.1 Menentukan Citra Latih dan Citra Uji K-fold cross validation merupakan salah satu metode estimasi error. Cross Validation akan melakukan proses pengulangan sebanyak k-kali untuk himpunan contoh secara acak yang akan dibagi menjadi k-subset yang saling bebas, dimana pada tiap tahap pengulangan akan diambil satu subset untuk data testing dan sisanya untuk data training (Fu 1994). Data yang digunakan diambil dari basis data sebanyak 300 citra untuk berbagai macam objek. Format citra adalah JPEG. Sesuai dengan metode 5-fold cross validation, maka dalam penelitian ini, digunakan lima buah subset dengan tiap subset memiliki jumlah yang sama dan nilai yang berbeda..3. Pelatihan (training) menggunakan SOM Ukuran map SOM yang digunakan pada penelitian ini adalah *5 dan iterasi sebanyak 50 kali. Pada SOM, terdapat beberapa parameter yang dapat mempengaruhi hasil cluster, diantaranya learning rate ( η ) sebagai parameter kontrol pelatihan dan ukuran node tetangga (h ij ). Penggunaan kombinasi parameter yang tepat, dapat memberikan hasil cluster yang lebih efektif. Oleh karena itu, dilakukanlah proses pelatihan terhadap kedua parameter tersebut. Pada penelitian ini parameter learning rate ( η ) yang digunakan adalah 0.01, 0.0, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, 0.09 dan 0.1. Sedangkan untuk parameter ukuran node tetangga (h ij ) adalah 1,, 3, dan 4. Tiap-tiap kombinasi dari kedua parameter tersebut akan digunakan dalam algoritma SOM. Hasil dari tahap pelatihan ini adalah vektor bobot akhir yang akan digunakan sebagai model clustering untuk mengelompokkan citra-citra dalam basis data..3.3 Pengujian (testing) menggunakan SOM Tahapan pengujian dilakukan dengan melakukan pengukuran kedekatan antara vektor input terhadap vektor bobot akhir yang diperoleh pada tahap pelatihan. Hasil dari pengukuran kedekatan tersebut adalah clustering vektor input kedalam sepuluh cluster citra, yaitu (1) MotorBikes, () CarSide, (3) Sunflower, (4) Airplane, (5) Ketch, (6) Face,(7) Bunga Daffodil Orange, (8) Hawksbill, (9) Barrel dan (10) Buddha. Tahapan dilanjutkan dengan mengukur kualitas SOM menggunakan mapping precision, topology preservation dan persentase error. Model clustering yang digunakan adalah model clustering yang menghasilkan error minimal Mapping Precision Quantization Error menjelaskan hubungan antara tipe data suatu cluster dengan BMU. Pengukuran quantization error merupakan jarak rataan untuk setiap vektor x terhadap BMU. Jarak rataan dari vektor input x terhadap bobot vektor w terdekat, Eq = 1/N x-w j (9) N dengan cluster terbaik akan dicapai bila Eq bernilai minimal (Yoo 004)..3.. Topology Preservation Pengukuran topology preservation menjelaskan reaksi penyesuaian SOM terhadap data input. Berbeda dengan pengukuran mapping precision, topology preservation mempertimbangkan struktur dari peta. Kalkulasi tersebut dilakukan dengan menggunakan Topograhic Error (E q ): N E q = 1/N u (x i ) (10) i=1 dengan u(x k ) =1 jika BMU pertama dan kedua tidak terletak bersebelahan, selainnya u(x k ) = 0 (Vorovokos L et al, 006).

5 Persentase Error Persentase error merupakan salah satu metode pengukuran kualitas SOM. Perhitungan persentase error hanya didasarkan pada perhitungan data citra yang salah dalam tiap cluster (Yoo 004)..4 Hasil Temu Kembali Dari hasil model clustering akhir, diambil citra di dalam basis data yang memiliki cluster yang sama dengan citra kueri dan citra dari kelas lain yang memiliki kedekatan tertinggi. Pengukuran tingkat kemiripan citra kueri terhadap citra dari kelas lain menggunakan perhitungan jarak euclid. Jarak euclid antara bobot akhir w dan vektor input x dirumuskan dengan formula: ( w x ) D( w j, xn ) = i ij ni (11).5 Evaluasi Hasil Temu Kembali Tahapan evaluasi dilakukan dengan melakukan penilaian terhadap tingkat keberhasilan dalam proses temu kembali terhadap sejumlah koleksi pengujian dengan menghitung nilai recall dan precision. Recall adalah perbandingan antara materi relevan yang ditemukembalikan terhadap seluruh materi relevan yang terdapat dalam basis data. Sedangkan precision adalah perbandingan antara materi relevan yang ditemukembalikan terhadap seluruh materi yang ditemukembalikan (Grossman 00). 3 HASIL 3.1 Temu kembali Citra Berdasarkan Ciri Warna Hasil segmentasi dengan algoritma EM dapat dilihat pada Gambar 3, dan hasil ekstraksi ciri warna dengan FCH dari Gambar 3 dapat dilihat pada Gambar 4. Gambar 3 Contoh citra kueri dan citra hasil segmentasi EM. Gambar 4 Hasil ekstraksi warna 5 bin menggunakan FCH. Perhitungan kombinasi parameter dilakukan berdasarkan mapping precision, topology preservation dan persentase error. Tabel, 3 dan 4 menunjukkan error yang dihasilkan untuk tiap kombinasi parameter η dan h ij. Tabel Perhitungan quantization error berdasarkan ciri warna ( η ) Tabel 3 Perhitungan topology preservation berdasarkan ciri warna ( η ) Ukuran Node Tetangga (h ij ) Ukuran NodeTetangga (h ij )