METODE PENELITIAN. Gambar 2 Metodologi penelitian.

Transkripsi

1 4 penelitian i, kata diasosiasikan dengan anotasi citra (kata) dan dokumen diasosiasikan dengan citra. Matriks kata-citra tersebut didekomposisi meadi : A USV T dengan A adalah matriks kata-citra, matriks U, S, dan V T hasil dekomposisi SVD. Koordinat baru setiap citra pada dimensi LSI diperoleh dari matriks V T, sedangkan matriks S dan U digunakan untuk transformasi kueri ke dalam dimensi LSI seperti berikut (Garcia 2006): qlsi q T U k S k - dengan q T adalah queri dalam bentuk vektor baris, U k adalah matriks U yang direduksi, dan S - k adalah invers matriks S yang direduksi. Perhitungan kemiripan dilakukan antara koordinat kueri dengan koordinat seluruh citra pada dimensi LSI menggunakan cosine similarity antara koordinat kueri dengan koordinat citra sesuai persamaan berikut: qlsi d sim( qlsi, d) qlsi d dengan d adalah koordinat citra dalam dimensi LSI, q dan d adalah paang dari kueri qlsi dan citra d. Distribusi Zipfian Distribusi Zipfian yaitu distribusi peluang dengan frekuensi kemunculan benda yang dimulai dari sangat tinggi, kemudian konvergen ke sangat kecil (Black 2004). Gambar 2 Metodologi penelitian. Pembentukan Model SMT Pembentukan model SMT seperti terlihat pada Gambar 3, dilakukan melalui dua tahap yaitu: Tokesasi. 2 Expectation Maximization (EM). METODE PENELITIAN Metode penelitian i terdiri dari empat tahap utama sesuai ilustrasi pada Gambar 2: Pembentukan model SMT. 2 Evaluasi anotasi automatis. 3 Pembentukan model LSI. 4 Evaluasi hasil temu kembali. Gambar 3 Pembentukan model SMT. Pembentukan model SMT dilakukan dengan menciptakan tabel translasi pasangan blob-kata. Tabel i selautnya digunakan sebagai tabel penerjemah blob ke kata dengan lai peluang tertentu. Proses pelatihan dilakukan menggunakan citra latih sebanyak 750 citra beserta anotasi

2 5 manualnya. Citra tersebut dipisahkan meadi tiga jes data latih berdasarkan ukuran grid yang digunakan dalam segmentasi, yaitu 2 3 (data latih A), 4 6 (data latih B), dan 8 2 (data latih C). Tokesasi Tahap i bertujuan memperoleh karakteristik visual (blob) dan label (kata) dari citra. Seperti yang terlihat pada Gambar 4, citra disegmentasi meadi beberapa region bujursangkar berdasarkan ukuran grid tertentu, kemudian ciri citra dari tiap region tersebut dihitung. Ciri yang digunakan untuk setiap region (blob) dalam grid yaitu sebanyak 26 buah untuk tiap region sesuai Tabel. Ciri i dipilih karena cukup baik dalam merepresentasikan citra untuk anotasi automatis (Duygulu et al. 2003; Barnard et al. 2003). Tabel Deskripsi ciri tiap blob citra Nama ciri Jumlah ciri Position 2 Average rgs 3 Variance rgs 3 Average CIE Lab 3 Variance CIE Lab 3 Mean oriented energies 2 Ciri posisi citra (position) digunakan untuk memberikan bobot tambahan terhadap blob dengan posisi tertentu agar lebih condong ke objek tertentu, misalkan water untuk posisi di bawah, cloud untuk posisi di atas. Posisi i dihitung berdasarkan posisi relatif titik tengah region terhadap citra sumber. Ciri citra hasil tokesasi masih berbentuk ciri kontinu. Pengelompokkan ciri tersebut perlu dilakukan untuk memperkecil jumlah ruang ciri (blob) yang ada. Pengelompokkan dilakukan menggunakan algoritme k-means. Selautnya ciri kontinu untuk setiap region diganti dengan nomor cluster yang merepresentasikan vektor ciri tersebut meadi blob seperti yang terlihat pada Gambar 4. Blob dan kata akan meadi representasi dari citra yang bersangkutan pada tahap selautnya. Baik blob maupun kata direpresentasikan dalam bentuk vector space model untuk menyederhanakan komputasi selautnya. Gambar 4 Proses tokesasi. Setelah tokesasi, sekumpulan blob dan pasangan kata (aligned bitext) untuk setiap citra diperoleh. Permasalahannya adalah aligned bitext tersebut tidak memberikan hubungan yang eksplisit antara blob dengan kata tidak ada informasi eksplisit blob mana yang berhubungan dengan label sky. Permasalahan tersebut dapat diselesaikan dengan mengimplementasikan expectation maximization pada aligned bitext tersebut. Expectation Maximization (EM) Algoritme expectation maximization (EM) digunakan untuk menemukan korespondensi antara blob dengan kata. Notasi algoritme EM yang digunakan dalam penelitian i diberikan pada Tabel 2 sedangkan algoritme EM beriterasi sesuai aturan berikut: E step: Untuk setiap n,, N, j,, Mn, i,, Ln p a i w b p a i t w b '(,, θ ) ( ) ( ) (old ) 2 Normalisasi p'( a i w, b, θ ) untuk setiap citra n dan kata j untuk memperoleh ( old ) p( a i w, b, θ ) dengan cara:

3 6 p '( a i w, b, θ ) (,, θ ) Ln p a i w b i p( a i) t( w b ) Ln sehingga p( a,, ) i i w b θ. M step: Untuk setiap pasangan berbeda (b*, w*) yang muncul bersamaan mimal pada salah satu citra, hitung: t'( w L N w* b Mn Ln n n i p( a ( b*, θ i w new) L, b, θ ) δ ( w*, b*) ( w, b ) dengan δ w, b ) berlai jika b* ( w*, b*)( dan w* muncul bersamaan pada salah satu citra n, berlai 0(nol) selainnya. 2 Normalisasi t '( w w* b b*) setiap citra n dan kata j untuk memperoleh t( w w* b b*) dengan cara: Formulasi EM beriterasi untuk memaksimalkan log-likelihood Q ML dengan formula sebagai berikut: N Mn Ln ML ( old ) Q p( a i w, b, θ ) log p( a i) t( w b ) n j i Formula tersebut dimaksimalkan dengan batasan p( a i) untuk semua kata j i di semua citra, dan t( w* b *) untuk w* semua kata w* dan setiap blob b*. Pada awalnya, tabel peluang berisi frekuensi kemunculan bersama (co-occurence) antara kata dan blob, serta diasumsikan peluang alignment untuk tiap citra adalah sama. Kemudian, algoritme EM beriterasi untuk membentuk tabel translasi dengan lai peluang tertentu seperti ilustrasi pada Gambar 5. ( b, θ ) Mn t w t '( w b ) '( ) j t w b Mn ( ) sehingga (, new t w ) j b θ. Tabel 2 Notasi EM yang digunakan pada penelitian Notasi Deskripsi N Jumlah seluruh citra M T Ukuran kosakata kata M n Jumlah kata untuk citra ke-n kata pada citra ke-n, w w n (w n,, n w nmn, ) w* kata tertentu L T Ukuran kosakata blob L n Jumlah blob pada citra ke-n b n blob pada citra ke-n b* blob tertentu Assignment a n {a n,, a nmn ), a n a i jika b berhubungan dengan w Peluang menerjemahkan t(w b) (translasi) pada kata w jika diberikan blob b p(a i) Peluang assignment Sekumpulan parameter model, θ (p(a θ i), t(w b )), dengan p(a i w, b, θ (old) ) sebagai indikator Gambar 5 Proses pembentukan tabel translasi. Tabel translasi berisi peluang posterior untuk setiap blob terhadap seluruh kata (w) dalam kosakata, peluang bersyarat p(w b) diberikan blob (b). Tabel peluang i dinormalisasi agar jumlah peluang posterior untuk setiap blob b berlai sama dengan satu. Peluang posterior kata p(w b) digunakan untuk memprediksi kata pada data latih.

4 7 Evaluasi Anotasi Automatis Evaluasi model yang terbentuk pada tahap sebelumnya dilakukan menggunakan data uji. Data uji yang digunakan terdiri dari 250 citra beserta anotasi manual citra tersebut. Seperti pelatihan, pengujian dilakukan menggunakan tiga jes data uji yang berbeda. Pengujian anotasi automatis dilakukan dengan menyegmentasi citra uji meadi tiga jes data uji dengan ukuran grid yang berbeda pada tahap tokesasi. Ukuran grid yang digunakan yaitu 2 3, 4 6, dan 8 2. Pemilihan grid yang bervariasi i bertujuan untuk mencari ukuran region optimal dalam pengujian model SMT i. Metode yang digunakan untuk evaluasi anotasi automatis adalah algoritme normalized score terhadap hasil prediksi anotasi automatis citra uji yang dibandingkan dengan anotasi manualnya. Secara sederhana, evaluasi dilakukan sesuai Gambar 6 berikut: Proses pembentukan model LSI dilakukan melalui dua tahap seperti yang terlihat pada Gambar 7: Anotasi automatis seluruh citra. 2 Pembentukan dimensi LSI. Gambar 6 Evaluasi model SMT. Evaluasi dilakukan dengan formula normalized score dengan jumlah n {,..., M T } dengan M T adalah ukuran kamus kata dari seluruh anotasi data latih, yaitu sebesar 69 kata. Pembentukan Model LSI Pembentukan model LSI bertujuan membentuk dimensi semantik dari hasil anotasi automatis seluruh citra. Citra yang digunakan adalah citra latih dan citra uji yang digunakan pada tahap pembentukan model SMT sebelumnya tanpa menggunakan anotasi manual yang tersedia. Gambar 7 Pembentukan model LSI. Anotasi automatis dilakukan terhadap seluruh citra dengan menggunakan threshold terhadap peluang posterior kata hasil prediksi. Threshold yang diberikan yaitu lai rataan dari total peluang posterior kata hasil prediksi. Prediksi kata yang memiliki peluang posterior lebih besar dari rataan tersebut akan meadi kata anotasi automatisnya. Sebaliknya, kata yang memiliki peluang di bawah lai threshold tersebut akan dibuang dari hasil anotasi automatis citra. Hal i berarti lai threshold untuk setiap citra memiliki lai yang bervariasi. Implementasi LSI digunakan untuk mengeksploitasi makna semantik dari hasil anotasi seluruh citra. Evaluasi Hasil Temu Kembali Evaluasi hasil temu kembali dilakukan menggunakan dua kueri berbeda: klausa dan teks. Kueri klausa adalah klausa hasil anotasi automatis terhadap citra tertentu misalnya cloud dan mountain sebagai sebuah kueri. Kueri teks adalah kueri berupa satu buah kata yang diperoleh dari seluruh kosakata kata, misalnya cloud. Secara sederhana, proses evaluasi hasil temu kembali mengikuti alur seperti pada Gambar 8. Nilai evaluasi diperoleh dari perhitungan recall dan precision untuk kedua jes kueri tersebut.

5 8 Parameter relevansi diperoleh dari anotasi manual seluruh citra latih dan citra uji. Gambar 8 Evaluasi hasil temu kembali. Perangkat Keras dan Perangkat Lunak yang Digunakan Perangkat lunak yang digunakan pada penelitian i adalah Matlab 7.0. dan sistem operasi Windows XP, sedangkan spesifikasi perangkat keras yang digunakan adalah komputer dengan processor Intel Core 2 Duo 2.0 GHz dan memori 960 MB. basis data. Paang anotasi setiap citra berkisar antara 7 kata menggunakan bahasa inggris. Data penelitian dibagi meadi dua bagian, data untuk pembentukan model SMT dan pembentukan dimensi LSI seperti ilustrasi pada Lampiran. Data untuk pembentukan model SMT dibagi meadi dua bagian: yaitu data untuk pelatihan (data latih) dan data untuk pengujian (data uji), dengan jumlah 750 dan 250 citra beserta anotasi manual dari citra yang bersangkutan. Data latih digunakan untuk membentuk model SMT, sedangkan data uji untuk mengevaluasi hasil anotasi automatis model SMT. Data yang digunakan untuk membentuk dimensi latent semantic indexing terdiri dari 000 citra. Citra tersebut diperoleh dari citra latih dan citra uji pada data pembentukan model SMT. Pembentukan Data Latih Data latih untuk pembentukan model SMT terdiri dari tiga jes berdasarkan ukuran grid yang digunakan dalam segmentasi. Data latih A, B, dan C dengan ukuran grid sebesar 2 3, 4 6, dan 8 2 untuk seluruh citra latih (750 citra). Persiapan dilakukan dengan melakukan tokesasi terhadap seluruh citra latih untuk setiap model secara terpisah seperti pada Gambar 9. HASIL DAN PEMBAHASAN Penelitian i mengimplementasikan anotasi automatis citra menggunakan model statistical machine translation (SMT) untuk temu kembali citra. Implementasi latent semantic indexing (LSI) pada hasil anotasi automatis dilakukan untuk memunculkan makna semantik dari suatu citra sehingga memberikan hasil yang relevan pada saat temu kembali. Data Penelitian Data penelitian yang digunakan berasal dari sebanyak 000 citra. Pemilihan citra dilakukan secara manual dengan dimensi seragam piksel dengan variasi objek, tema, dan pencahayaan yang beragam. Data anotasi diperoleh dengan melakukan anotasi secara manual terhadap seluruh citra Gambar 9 Proses pembentukan data latih dalam pembentukan model SMT. Masing-masing model akan menghasilkan jumlah blob yang berbeda, data latih A maksimal sebanyak 750 (2 3) 4500 blob,