1. Pendahuluan 1.1 Latar Belakang

Transkripsi

1 1. Pendahuluan 1.1 Latar Belakang Saat ini, kebutuhan manusia akan teknologi semakin meningkat karena tidak bisa dipungkiri bahwa teknologi tersebut dapat meringankan pekerjaan manusia. Hal ini juga diimbangi dengan berkembangnya teknologi yang mendukung kebutuhan manusia tersebut, salah satunya adalah teknologi di bidang pencarian informasi dalam bentuk citra. Saat ini manusia tidak dapat menghindari kenyataan bahwa saat ini hampir seluruh elemen masyarakat memiliki ketergantungan dengan mesin pencarian informasi dalam melakukan pencarian citra yang diinginkan. Bidang medis merupakan bidang yang juga memanfaatkan teknologi pencarian citra untuk mendukung kebutuhan diagnosis dan pengobatan, misalnya untuk mencari citra tulang manusia dalam bentuk foto x-ray. Pencarian tersebut tentunya akan lebih mudah jika dilakukan dengan menggunakan mesin pencarian informasi berupa citra karena kasusnya yang spesifik dan tingkat kemiripan antara citra tulang yang normal dan mengalami kelainan atau cedera sangatlah tinggi. Namun, pencari informasi dalam bentuk citra yang ada saat ini sebagian besar hanya berdasarkan kata kunci (text-based) yang diinputkan, tidak berdasarkan kemiripan dengan gambar yang diinginkan. Menurut V. S. V. S. Murthy (2010), teknik pencarian citra berdasarkan kata kunci memiliki beberapa kelemahan, diantaranya adalah dengan jumlah data citra yang begitu besar, tidak mungkin diberikan keterangan mengenai citra tersebut secara manual. Selain itu, banyaknya fitur unik yang ada pada citra tidak dapat dijelaskan dengan kata kunci secara lengkap. Oleh karena itu, lahirlah sebuah teknik pencarian citra yang dapat mengatasi kelemahan pencarian gambar berdasarkan kata kunci, yaitu pencarian gambar berdasarkan konten yang terkandung dalam citra tersebut atau lebih dikenal dengan Content-Based Image Retrieval (CBIR). Content-Based Image Retrieval System adalah teknik pencarian citra yang mempunyai kemiripan dengan kriteria citra tertentu dari sekumpulan citra yang ada [9]. Tujuan dari CBIR adalah untuk mendukung image retrieval berdasarkan konten yang dimiliki oleh citra itu 1

2 sendiri, misalnya bentuk, warna dan tekstur. Keuntungan utama yang didapatkan dengan menggunakan teknik ini adalah menemukan citra yang diinginkan berdasarkan konten yang dimiliki citra tersebut, bukan melalui pendekatan kata kunci yang konvesional. Pendekatan kata kunci secara konvensional membutuhkan keterangan dari citra yang diinputkan yang tentu saja memerlukan waktu yang sangat lama dalam pencariannya [11]. Walaupun teknik CBIR memiliki kelebihan, teknik ini juga memiliki kekurangan yaitu waktu komputasi yang lebih tinggi daripada pencarian citra dengan berdasarkan kata kunci [3]. Salah satu tahapan penting yang terdapat dalam pendekatan CBIR adalah tahap preprocessing berupa klasterisasi data citra yang berguna untuk mempercepat pencarian citra pada basis data citra yang besar serta meningkatkan akurasi pencarian. Klasterisasi citra diikuti dengan tahap pengukuran similaritas yang terbatas pada citra yang memiliki kelas visual yang sama yang sebelumnya sudah diprediksikan oleh query. Hal ini menjadikan preprocessing sebagai tahap awal yang fundamental dalam CBIR. Tahap ini juga menentukan berapa lama waktu yang dibutuhkan oleh sistem CBIR dalam melakukan komputasi pencarian citra [8]. Oleh karena permasalahan di atas, dibutuhkanlah algoritma klasterisasi yang dapat mempersingkat waktu komputasi dan dapat melakukan pencarian citra dengan optimal. Algoritma klasterisasi yang dapat digunakan untuk mempersingkat waktu komputasi ini adalah Algoritma Hirarki. Algoritma ini digunakan untuk membagi citra yang ada ke dalam beberapa klaster dan subklaster untuk mempercepat pencarian citra [8]. Sebelumnya pernah dilakukan penelitian terhadap Content Based Image Retrieval dengan menggunakan Algoritma Hirarki dan Algoritma K-Means oleh V. S. V. S. Murthy (2010). Namun, Algoritma K-Means bukanlah algoritma klasterisasi yang paling optimal karena sifatnya yang sensitif dalam penentuan titik pusat klaster akibat membangkitkan titik awal klaster secara acak. Maka dari itu, penelitian ini dikembangkan dengan menerapkan algoritma yang dapat mengatasi masalah yang dialami oleh Algoritma K-Means, yaitu Algoritma Fast Genetic K-Means. Algoritma ini merupakan gabungan dari Algoritma Genetika dan Algoritma K-Means. Algoritma ini dipilih karena mempunyai karakteristik 2

3 menghasilkan solusi yang konvergen pada global optimal. Algoritma Fast Genetic K-Means dapat melakukan perbaikan terhadap klasterisasi yang dilakukan oleh Algoritma K-Means dan juga mendapatkan konvergensi global optimal untuk mengatasi adanya konvergensi lokal optimal ketika proses klasterisasi dengan Algoritma K-Means terjadi. Algoritma Fast Genetic K-Means juga baik digunakan untuk mencari perbedaan dari data yang mempunyai tingkat similaritas yang sangat tinggi [6]. 1.2 Perumusan Masalah Berdasarkan latar belakang permasalahan yang ada, maka permasalahan yang akan dirumuskan adalah sebagai berikut. 1. Bagaimana proses kerja Content-Based Image Retrieval pada citra x-ray dengan menggunakan Algoritma Hirarki dan Algoritma Fast Genetic K- Means. 2. Bagaimana mengukur nilai TWCV dan akurasi yang didapatkan pada klasterisasi dengan menggunakan Algoritma Hirarki dan Algoritma Fast Genetic K-Means. 3. Bagaimana hasil dari precision dan recall pada implementasi Content- Based Medical Image Retrieval dengan menggunakan Algoritma Hirarki dan Algoritma Fast Genetic K-Means. 1.3 Batasan Masalah Agar permasalahan yang dikaji tidak terlalu luas, permasalahan yang dikaji dalam Tugas Akhir ini dibatasi dengan hal-hal berikut ini. 1. Data citra yang digunakan adalah citra medis berupa foto x-ray dari bagian-bagian tubuh manusia, yang didapatkan melalui 2. Tidak membahas algoritma crawling dan indexing. 3. Citra yang digunakan adalah citra yang siap diekstraksi dan diklaster. 3

4 1.4 Tujuan Tujuan yang ingin dicapai dalam pengerjaan Tugas Akhir ini adalah : 1. Mengimplementasikan algoritma Hirarki dan algoritma Fast Genetic K- Means pada Content-Based Image Retrieval yang menangani permasalahan klasterisasi citra x-ray. 2. Melakukan analisis perbandingan nilai TWCV antara Content-Based Image Retrieval pada citra x-ray dengan menggunakan algoritma Fast Genetic K-Means saja dan gabungan algoritma Hirarki dan algoritma Fast Genetic K-Means. 3. Melakukan analisis hasil pencarian citra dengan membandingkan precision dan recall dari beberapa kasus berikut. - Content-Based Image Retrieval dengan menggunakan algortima Fast Genetic K-Means - Content-Based Image Retrieval dengan menggabungkan Algortima Hirarki dan algoritma Fast Genetic K-Means 1.5 Metodologi Penelitian Secara umum, metode penelitian yang digunakan dalam penyelesaian Tugas Akhir ini adalah sebagai berikut. a. Studi Literatur 1. Memcari referensi dan sumber-sumber yang berkaitan dengan citra medis khususnya citra x-ray. 2. Mencari referensi dan sumber-sumber yang berkaitan dengan contentbased image retrieval. 3. Mencari referensi dan sumber-sumber yang berkaitan dengan transformasi Haar Wavelet. 4. Mencari referensi dan sumber-sumber yang berkaitan dengan Algoritma Hirarki. 5. Mencari referensi dan sumber-sumber yang berkaitan dengan Algoritma Fast Genetic K-Means. 6. Pendalaman materi yang diperlukan berdasarkan referensi-referensi tersebut. 4

5 b. Pembangunan Perangkat Lunak - Analisis dan Perancangan Menganalisis kebutuhan, mengumpulkan data yang diperlukan, dan melakukan perancangan untuk tahap implementasi. - Pengkodean Mengimplementasikan perancangan ke dalam pemrograman komputer. - Pengujian Pengujian aplikasi yang dilakukan dengan skenario sebagai berikut. Melakukan pengujian pengaruh jumlah evolusi pada algoritma Means terhadap nilai TWCV dan akurasi. Melakukan pengujian pengaruh jumlah kromosom pada algoritma Melakukan pengujian pengaruh probabilitas mutasi pada algoritma Melakukan perhitungan precision dan recall dengan query berupa citra x-ray dengan menerapkan Algoritma Fast Genetic K-Means dan gabungan algoritma Hirarki dan algoritma Fast Genetic K- Means. - Analisis Hasil Melakukan analisis pengaruh jumlah evolusi pada algoritma Fast Genetic K-Means dan gabungan algoritma Fast Genetic K-Means terhadap nilai TWCV dan akurasi. Melakukan analisis pengaruh jumlah kromosom pada algoritma Melakukan analisis pengaruh probabilitas mutasi pada algoritma 5

6 Melakukan analisis precision dan recall dengan query berupa citra x-ray dengan menerapkan Algoritma Fast Genetic K-Means dan gabungan algoritma Hirarki dan algoritma Fast Genetic K-Means. - Pengambilan Kesimpulan Mengambil kesimpulan dari hasil analisis yang telah dilakukan. - Penyusunan Laporan Mendokumentasikan hasil perancangan, implementasi, dan analisis ke dalam bentuk laporan yang telah disusun sejak awal pembangunan perangkat lunak. 6