Automatic Image Annotation Menggunakan Metode Block Truncation dan K-Nearest Neighbor

Transkripsi

1 LONTAR KOMPUTERVOL. 4, NO. 1, APRIL 2013 ISSN: Automatic Image Annotation Menggunaan Metode Bloc Truncation dan K-Nearest Neighbor Duman Care Khrisne 1, Darma Putra 2 1 STIKI, Bali 2 Tenologi Informasi, Universitas Udayana, Bali [email protected] 1, [email protected] 2 Abstra Sistem temu embali citra digital berbasis text sangat bergantung pada label dari gambar digital. Dalam penelitian ini, diterapan gabungan beberapa metode untu pelabelan sebuah gambar secara otomatis, istilah yang sering digunaan adalah automatic image annotation, teni ini digunaan untu menghasilan label pada gambar agar dapat melauan pencarian dengan semanti yang diambil dari obje dalam gambar. Automatic image annotation dimulai dengan melauan segmentasi terhadap gambar dan untu setiap segmen gambar dilauan estrasi fitur warna dan testur, fitur ini dinormalisasi dan disimpan edalam basis data untu data latih, data latih yang telah terumpul dilatih menggunaan metode learning vector quantization. Bobot yang didapat dari hasil pelatihan digunaan untu melauan lasifiasi terhadap segmen gambar e osa ata hasil terjemahannya. Hasil dari penelitian ini adalah esimpulan bahwa automatic image annotation dapat dicapai dengan gabungan metode yang diusulan dan dapat memberi performa hasil anotasi yang bagus, dimana aurasi sistem adalah 73,26 % saat menggunaan K-NN dengan = 5. Kata unci:automatic image annotation, pelabelan,fitur warna,-nearest neighbor Abstract Labeling of digital images is an important role in digital image retrieval system.in this research, combined methods are utilized to create a label for an image automatically, nown asautomatic image annotationwhere isthis technique is used to generate a label on the image that will help image searching with a more refined semantics. Nowadays, as nown the author, there has been no scientific wor that combining betweenbloc truncation algorithm and -nearest neighbor.automatic image annotation begins with feature extraction where this features will be labeled and stored into the database as the training data. Afterward, the -nearest neighbor method was usedto classify the test data using the training set in the database. The results of this study is a system can label the image automatically from one of the theme of the image dataset, the accuracy of the system at most is 73,26% while using K-NN with = 5. Keywords:automatic image annotation, labeling, color feature, -nearest neighbor 1. Pendahuluan Dalam sepuluh tahun terahir gambar digital telah mengalami pertumbuhan jumlah yang sangat pesat. Internet foto sharing sangat digemari, pada april 2007 Flicr yang merupaan salah satu media online foto sharing telah memilii 5 juta anggota ter-registrasi dan lebih dari 250 juta gambar [1], walaupun penggunanya sudah mulai melauan pelabelan gambar namun sebagian besar gambar digital yang terdapat di Internet masih belum terdoumentasian. Untu menggali informasi dari gambar digital yang berjumlah banya, perlu dibuat sebuah teni untu mendoumentasian dan melauan pencarian embali terhadap gambar. Teni image retrieval telah diembangan seja tahun 1970 [2]. Para peneliti dari dua omunitas yang berbeda yaitu, omunitas database management dan omunitas computer vision menggunaan dua jenis pendeatan yang berbeda untu melauan image retreival, text- 224

2 based dan visual-based. Text-basedimage retreival pada jaman itu mengharusan gambar dianotasi secara manual sebelum gambar tersebut dapat diambil atau dicari embali. Ada dua hal yang menyebaban pendeatan ini tida mungin dilauan searang, pertama banyanya tenaga dan sumber daya yang digunaan untu meng-anotasi gambar digital yang banya saat ini, dan subjetivitas dari orang yang melauan anotasi. Orang yang berbeda menginterpretasian gambar dengan cara yang berbeda dan menghasilan label yang berbeda [3]. Awal tahun 1990 content-based image retreival(cbir), melauan pendeatan dengan teni baru yaitu dengan melauan image retreival berdasaran isi gambar secara visual, seperti warna dan testur dan tida menggunaan eyword sebagai acuan. Teni ini mendapat lebih banya perhatian dibandingan teni sebelumnya, namun terjadi masalah, arena sebagai pengganti eyword, sebuah gambar harus dijadian acuan untu melauan image retreival. Hal ini menyebaban suatu ejadian yang disebut dengan semantic gap, yaitu urangnya emampuan seseorang mendapatan informasi yang diestra dari sebuah data visual yang dimilii, arena data yang dapat diestra dari data visual diinterpretasian berbeda oleh user [3]. Content-based image retreival dan text-based image retrival memilii elemahan dalam proses temu embali citra digital. Oleh arena itu penelitian automatic image annotation hadir sebagai jembatan yang mengatasi elemahan dari edua metode tersebutdan pada penelitian ini dilauan perancangan automatic image annotation menggunaan gabungan metode bloc truncation algorithm untumelauan estrasi fitur -nearest neighbor(k-nn) untu menglasifiasi vetor fitur. Tujuannya adalah mengatasi elemahan content-ased image retreival dan text-based image retrival, dengan cara memberian label yang dibentu dari informasi dalam gambar digital, secara otomatis pada sebuah gambar digital. Sehingga proses temu embali citra digital dapat dilauan dengan pencarian semanti yang lebih bai, arena eyword atau label dalam sebuah gambar diestra dari ciri yang dimilii oleh gambar tersebut. 2. Penelitian Sebelumnya Jiayu Tang pada tahun 2008 telah melauan penelitian dan membandingan beberapa pendeatan salah satunya dengan menggunaan metode cross media relevance model pada salient region yang dibandingan dengan cross media relevance model pada region based yang ditulis oleh Jonathon S. Hare and Paul H[3]. Lewis pada penelitian berjudul image retrieval using salient regions with vector spacesand latent semantics pada tahun Data set yang digunaan secara aca dibagi menjadi 3 bagian, 45% digunaan untu training set, 5% digunaan untu evaluation set sedangan 50% sisanya digunaan untu test set. Didapatan esimpulan bahwa cross media relevance model pada salient region mampu mempredisi ata yang lebih tepat untu sebuah gambar, tingat aurasinya sampai dengan 80% namun hanya bagus untu sebuah ata dalam sebuah gambar, jia jumlah ata yang harus dipredisi dalam sebuah gambar bertambah maa tingat aurasinya menurun. Trong-Tôn Pham dalam penelitiannya melauan penggabungan antara region-based and saliency-based models untu melauan automatic image annotation pada tahun 2006 [4]. Hasil uji didasaran pada emampuan metode mendapatan ata untu dipredisi, sebuah ata dianggap dapat dipredisi jia rata-rata pemanggilan embali lebih besar dari 0, sedangan jia tida maa dianggap tida dapat dipredisi. Berdasaran etentuan tersebut dari 260 ata dalam test set didapatan hasil 87 ata dapat dipredisi dengan region-based model, menggunaan direct fusionmodel mendapatan 81 ata yang dapat dipredisi, 75 ata terpredisi dengan menggunaan latent semantic analysis, sedangan menggunaan saliencybased hanya mampu menghasilan 36 ata terpredisi. Dr. Sanjay Silaari, Dr. Mahesh Motwani dan Manish Maheshwari dalam penelitiannyamelauan penelitian dengan metode bloc truncation algorithm dalam melauan temu embali gambar[5], hasil yang didapatan menunjuan bahwa teni bloc truncation algorithm memberian presisi yang lebih bai daripada menggunaan momen warna saja. Penelitian ini juga menyimpulan bahwa isi dari sebuah gambar digital dapat direpresentasian 225

3 dalam fitur fitur seperti warna, testur dan bentu jia algoritma lasterisasi -means diapliasian pada fitur-fitur ini. Ameesh Maadia, Vladimir Pavlovic dan Sanjiv Kumar telah melauan penelitiandengan menggunaan 2 pendeatan yaitu joint equal contribution(jec) dan L1-penalized logistic regression(lasso) pada tahun 2008 [6]. Kesimpulan yang didapat dari penelitian ini adalah presisi yang mengejutan dari teni baseline yang dianggap sederhana namun mampu menyamai metode-metode yang lebih omples. Penelitian ini berhasil membuat sebuah pendeatan simple yang menggunaan fitur warna dan testur yang didapatan dari momen histogram serta gelombang singat Haar dan Gabor serta teni K-NN digunaan dalam proses lasifiasinya. 3. Metode Yang Diusulan Penelitian ini memilii dua bagian utama yaitu proses estrasi fitur warna dari data latih menggunaan bloc truncation algorithm(btc) dan proses melauan pelabelan dengan menggunaan metode K-NN.Sema dari sistem yang diusulan dapat dilihat pada Gambar 1. Gambar 1. Sema sistem yang diusulan Sistem yang aan diembangan menggunaan 2 metode yang digabungan yang aan dibahas pada subbab 3.1 dan Bloc Truncation Algorithm Bloc truncation algorithm(btc) adalah algoritma mendapatan fitur warna dari sebuah citra berwarna, citra berwarna dibagi berdasaran omponen penyusun warna R, G dan B, rata-rata dari setiap omponen warna dijadian patoan untu memisah omponen warna menjadi dua H dan L dimana H untu pixel-pixel dalam citra yang memilii nilai lebih tinggi dari rata-rata nilai pixel dalam suatu omponen warna dan L untu pixel-pixel dalam citra yang memilii nilai lebih rendah dari rata-rata nilai pixel dalam suatu omponen warna. Jadi warna dari sebuah gambar membentu 6 elompo RH, RL, GH, GL, BH dan BL. Momen-momen dari elompo inilah yang menjadi fitur warna dari BTC [5]. Dalam penelitian ini aan digunaan dua buah momenyaitu : a. Mean. Mean dapat diartian sebagai rata-rata nilai warna yang terdapat pada gambar digital, momen mean dapat dicari dengan Persamaan1. E 1 PQ P Q i 1 j 1 p ij (1) E = Momen = Komponen warna 226

4 p ij P Q = Nilai pixel pada (i,j ) dalam sebuah omponen warna = Tinggi gambar = Lebar gambar b. Standar Deviasi. Standar deviasi adalah nilai aar uadrat dari distribusi varian, momen standar deviasi dapat dicari dengan Persamaan 2. SD 1 PQ P Q i 1 j 1 ( p ij E ) 2... (2) SD p ij E P Q = Standar Deviasi = Komponen warna = Nilai pixel pada (i,j ) dalam sebuah omponen warna = Nilai mean pada omponen warna = Tinggi gambar = Lebar gambar 3.2 K-Nearest Neighbor K-nearest neighbor(k-nn) adalah jenis metode lasifiasi non parametri, yang berarti metode ini tida memperhatian distribusi dari data yang ingin ita elompoan. Teni ini sangat sederhana dan mudah untu diimplementasian, algoritma dari K-NN adalah sebagi beriut [7]. 1. Mulai. 2. Input berupa : Data Latih, label untu data latih,, data uji. 3. Hitung jara data uji e setiap data training. 4. Pilih data latih yang jaranya paling deat dengan data uji. 5. Perisa label dari data latih yang jaranya paling deat dengan data uji. 6. Tentuan label yang freuensinya paling banya. 7. Labelan data uji dengan label yang freuensinya paling banya. 8. Stop. Untu menghitung jara antara data uji dan data latih dapat digunaan jara Euclidean. 2 n d( x, y) x y x i y i... (3) i 1 2 Dua buah gambar yang memilii tema yang sama atau gambar yang dilabelan dengan label gambar yang sama memilii fitur warna dengan jara Euclidean yang bernilai relatif ecil jia dibandingan dengan gambar yang tida memilii tema atau label gambar yang sama. Tabel 1 membutian bahwa gambar yang dilabelan dengan label yang sama aan memilii jara yang lebih ecil jia dibandingan dengan gambar yang dilabelan dengan label yang berbeda. Tabel1. Perbandingan jara fitur warna terhadap gambar acuan Gambar Fitur Warna (acuan) (uji 1) (uji 2) M RL M RL M RL M RH M RH M RH

5 M GL M GL M GL M GH M GH M GH M BL M BL M BL M BH M BH M BH SD RL SD RL SD RL SD RH SD RH SD RH SD GL SD GL SD GL SD GH SD GH SD GH SD BL SD BL SD BL SD BH SD BH SD BH Label Kuda Kuda Gunung dan Glasier Jara e (acuan) Gambar (uji3) (uji 4) (uji 5) M RL M RL M RL M RH M RH M RH M GL M GL M GL M GH M GH M GH M BL M BL M BL M BH M BH M BH Fitur Warna SD RL SD RL SD RL SD RH SD RH SD RH SD GL SD GL SD GL SD GH SD GH SD GH SD BL SD BL SD BL SD BH SD BH SD BH Label Kuda Bunga Dinosaurus Jara e (acuan)

6 4. Hasil Pengujian terhadap sistem dilauan menggunaan data latih berjumlah 500 buah data latih yang telah diestra fitur warnanya dan dilabelan sesuai dengan tema, gambar digital yang digunaan diambil dari dataset yang sama digunaan oleh [8] untu melauan penelitian dalam bidang pelabelan gambar otomatis. File test1.tar berisi 1000 buah gambar digital yang dibagi menjadi 10 buah tema yaitu Orang Afria dan Desa, Pantai, Gedung atau Bangunan, Bus, Dinosaurus, Gajah, Bunga, Kuda, Gunung dan Glasier dan Maanan, dari 1000 buah gambar digital yang tersedia 500 buah gambar dijadian gambar latih dan sebanya 90 gambar aan digunaan sebagai data uji. (a) (b) Gambar 2.Hasil pelabelan gambar uji dengan (a) bernilai 3, (b) bernilai 5 Gambar uji diinputan edalam sistem dan sistem aan menghitung jara terdeat dari fitur data uji e semua fitur data latih yang terdapat dalam basis data, dengan menggunaan metode K- NN. Dengan menginputan nilai aan dicari nilai terdeat dari jara data uji yang ingin dilasifiasian, elas yang memilii freuensi paling banya aan menjadi label dari gambar yang diinputan. Gambar 2 menunjuan hasil pelabelan gambar dengan bernilai 3 dan bernilai

7 Gambar uji yang berjumlah 90 buah gambar aan diuji pelabelannya dengan variasi nilai sehingga mendapatan hasil seperti yang dapat dilihat pada Tabel 2. Tabel2.Aurasi pelabelan dengan variasi jumlah padak-nn Nilai Label benar Label Salah Aurasi ,78% ,26% ,44% Nilai sangat berpengaruh terhadap hasil pelabelan yang dilauan oleh sistem, Tabel 2 memberian informasi bahwa pelabelan dengan nilai = 5 memberi aurasi pelabelan yang lebih bai jia dibandingan dengan pelabelan dengan nilai = 3 atau = Simpulan Bloc truncation algorithmsebagai salah satu algoritma estrasi fitur warna telah mampu melauan estrasi fitur yang dapat memisahan ciri gambar dari sepuluh tema yang digunaan dalam penelitian. Gabungan metode bloc truncation algorithmdan-nearest neighbor yang diusulan terbuti mampu melauan pelabelan gambar secara otomatis dengan aurasi sistem yang diembangan mencapai 73,26%. Penggunaan bloc truncation algorithmmasih dapat digabungan dengan metode estrasi fitur yang lain, sehingga edepannya performa erja dari sistem yang diembangan masih dapat ditingatan. Sedangan jia dilihat dari teni lasifiasinya teni -nearest neighbor adalah teni lasifiasi non parametri, dan masih dapat diembangan dan diganti dengan teni lasifiasi menggunaan jaringan syaraf tiruan. Daftar Pustaa [1] Morgan Ames, Mor Naaman, Why we tag: motivations for annotation in mobile and online media, Proceedings of the SIGCHI conference on Human factors in computing systems,acm,pp , [2] Y. Rui, T. Huang, and S. Chang, Image retrieval: Current techniques, promising directionsand open issues, Journal of Visual Communication and Image Representation,10(4), pp.39 62, April [3] Jiayu Tang, Automatic Image Annotation and Object Detection, Thesis, University of Southampton, [4] Trong-Ton Pham, Automatic Image Annotation: Towards a Fusion of Region-based and Saliency-based Models, Disertasi, Universite Pierre Et Marie Curie Master Iad, [5] Sanjay Silaari, Mahesh Motwani, Manish Maheshwari, Color Image Clustering using Bloc Truncation Algorithm, IJCSI International Journal of Computer Science Issues, Vol. 4, No. 2, pp ,2009. [6] Ameesh Maadia, Vladimir Pavlovic, Sanjiv Kumar, Baseline for Image Annotation, Google Research New Yor & Rutgers University Picastaway, [7] Santosa, Budi, Data Mining: Teni Pemanfaatan Data unu Keperluan Bisnis, Graha Ilmu,Yogyaarta, [8] Jia Li, James Z. Wang, Automatic linguistic indexing of pictures by a statistical modeling approach, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 25, No.9, pp ,