Kata kunci : Pemilihan gambar, Pencocokan Graph

ALGORITMA PENCOCOKAN OBJEK GEOMETRI CITRA BERBASIS GRAPH UNTUK PEMILIHAN KEMBALI (RETRIEVAL) Yureska Angelia 867 Email : angelia.yureska@gmail.com Bidang Studi Telekomunikasi Multimedia Jurusan Teknik ElektroFTI, Institut Teknologi Sepuluh Nopember (ITS) Kampus ITS, Keputih Sukolilo, Surabaya 6 Abstrak Metode graph banyak digunakan dalam proses pencocokan, salah satunya adalah dengan pencocokan citra. Dalam proses pencocokan graph atau graph matching biasanya akan ditemukan banyak kesulitan dalam algoritma yang dilakukan. Banyaknya proses dan prosedur yang harus dilakukan sehingga membuat lamanya juga komputasi dalam proses pencocokan graph untuk pemilihan gambar kembali (Image retrieval). Untuk itu, dibuatlah sebuah algoritma baru yang lebih sederhana untuk melakukan proses pencocokan citra dengan metode graph. Algoritma ini akan mengurutkan proses pencocokan dalam beberapa phase atau K phase, setiap phase akan menjelaskan solusi yang berbeda. Dengan kemungkinan bagian yang paling mendekati benar akan diutamakan dalam proses pencariannya. Hanya selisih jumlah yang kecil dalam phase yang akan digunakan untuk proses pencocokan citra (paling optimal). Dalam pengujian ini digunakan sebuah aplikasi dalam bentuk objek geometri yang akan digunakan sebagai pencocokan untuk pemilihan gambar kembali atau contentbased image retrieval. Dari pengujian algoritma untuk pemilihan objek ini, hasil pemilihan akan menghasilkan kecocokan dengan menampilkan objekobjek geometri. Dengan tetap menampilkan dissimilarity objek dalam hasil proses pemilihan kembali Kata kunci : Pemilihan gambar, Pencocokan Graph I. PENDAHULUAN Dalam dasar pengolahan citra terdapat pengolahan citra, yaitu: grafika komputer, visi komputer dan pengolahan citra. Dalam bidang grafika computer banyak dilakukan proses yang bersifat sintesis yang mempunyai ciri data masukan berbentuk deskriptif dengan keluaran hasil proses berbentuk citra. Sedangakan untuk visi computer merupakan proses kebalikan dari grafika computer. Selanjutnya untuk pengolahan citra merupakan prosees pengolahan dan analisis citra yang banyak melibatkan persepsi visual, yakni data masukan maupun data keluarannya berbentuk citra. Pengenalan citra struktur pola masuk dalam kategori visi computer. Dalam proses pengolahannya, membandingkan citra yang terlebih dahulu akan diubah dalam struktur pola yang kemudian akan membentuk penggambaran polapola citra sebaik mungkin, selanjutnya akan digunakan untuk mencocokan citra dengan tujuan mengetahui efisiensi metode pencocokan citranya. Metode yang akan digunakan dalam pengenalan citra struktur pola ini adalah dengan metode graph. Metode graph ini mengkodekan image content ke dalam bentuk graph yang nantinya akan dibedakan dalam bentuk saja. Dalam pengkodean graph ini pencarian image yang digunkan adalah metode contentbased image retrieval (CBIR), juga dikenal dengan query by image content (QBIC) yang mana ini termasuk dalam aplikasi teknik visi computer. Selanjutnya, query image yang berfungsi sebagai image input akan menginisialisasi contentbase untuk selanjutnya akan mencari maksimum kecocokan. Untuk itu, dibuat sebuah algoritma sederhana untuk proses graph matching. Proses pencocokan dalam algoritma ini akan digunakan system K phase, yang mana K akan bernilai jika memiliki nilai paling kecil dalam selisih dua node. Efisiensi hasil dari algoritma ini didapat dari nilai terkecil K, sehingga secara signifikan akan mengurangi ruang pencarian proses pencocokan diantara dua graph[]. II. TEORI PENUNJANG. ContentBased Image Retrieval Contentbased image retrieval (CBIR) adalah suatu teknik pencarian suatu data gambar atau citra yang diinginkan oleh pengguna terhadap beberapa data citra dalam skala yang besar. CBIR juga biasa dikenal sebagai query by image content (QBIC). Contentbased maksudnya adalah pencarian yang akan menganalisa bagianbagian (content) dari citra lebih dari metadata seperti kata kunci, pelabelan, dan deskripsi dari citra tersebut. Content disini lebih merujuk ke dalam bentuk warna, bentuk, texture atau informasi lainnya yang dapat diambil dari image itu sendiri. Dalam mesin pencarian citra, CBIR hanya menggunakan bagianbagian yang paling penting dalam citra, jadi tidak hanya murni dalam metadata yang biasanya cara ini akan menghasilkan banyak sampah di akhir pencariannya. Selain itu dalam jumlah data base yang besar, metadata akan sangat tidak efisien, mahal dan kemungkinan menangkap setiap kata kunci yang tidak pas. Dengan CBIR sistem akan bisa menyaring citra berdasarkan content yang tersedia dalam bentuk index dan menghasilkan hasil yang lebih akurat. Gambaran umum CBIR pada Gambar.[] Gambar Alur umum CBIR. Teknik Query Banyak sistem CBIR yang telah dikembangkan, meskipun tidak semua permasalahan dapat terselesaikan. Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTIITS

Salah satu metode yang ada adalah teknik query. CBIR sistem menggunakan bagianbagian yang terpenting dalam mengidentifikasikan citra yang akan di panggil. Untuk mencari suatu data citra akan banyak sekali kata kunci yang akan dimasukan, sehingga akan membuat beratnya kinerja komputer dalam mencari citra yang sesuai dengan yang diinginkan. Untuk itu, CBIR sistem saat ini membuat suatu fitur yang lebih ringan seperti pengidentifikasian dengan tekstur, warna, dan bentuk. Namun, tidak semua sistem bisa menggunakan CBIR sistem, khususnya sistem yang mangggu. Sebuah citra yang terukur jaraknya membandingkan kesamaan dua citra dalam dimensi yang berbeda seperti warna, texture, bentuk dan lainnya... Warna Pencarian dengan menggunakan pengukuran berdasarkan kesamaan warna adalah dengan memasukannya ke dalam histogram untuk setiap citra yang di identifikasikan dengan piksel secara proposi ke dalam bentuk nilai sehingga bisa dibaca oleh manusia sebagai warna.. Teksture Pengukuran teksture untuk mencari pola visual di citra dan bagaimana untuk mendefinisikan spasial nya. Teksture digambarkan dengan texels yang kemudian ditetapkan dalam bentuk angka, selanjutnya tergantung berapa banyak teksture yang terdeteksi pada citra. Ketetapan ini tidak hanya mendeteksi teksture, tapi juga lokasi teksture dalam citra tersebut... Bentuk Bentuk tidak hanya merujuk ke dalam bentuk citra tapi dalam penerapannya merupakan region atau wilayah yang menjadi pemecahannya. Bentuk biasanya akan digambarkan dalam bentuk segmentasi atau jarak yang terdeteksi di sebuah citra.. Pengertian Pengolahan Citra Pada dasarnya ada tiga bidang yang menangani pengolahn data berebentuk citra, yaitu: grafika computer, pengolahan citra, dan visi computer. Pada bidang grafika computer banyak dilakukan proses yang bersifat sintesis yang mempunyai ciri data masukan berbentuk deskriptif dengan keluaran hasil proses yang berbentuk citra. Sedangkan proses di dalam bidang visi komputer merupakan kebalikan dari proses grafika computer. Terakhir, bidang pengolahan citra merupakan proses pengolahan dan analisis citra dengan data masukan maupun data keluarannya berbentuk citra. Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Pengolahan citra bertujuan memperbaiki kualitas citra agar mudah diinterprestasi oleh manusia atau mesin (dalam hal ini computer). Teknikteknik pengolahan citra mentranformasikan citra menjadi citra lain. Jadi, masukannya adalah citra dan keluarannya juga citra. Namun, citra keluaran mempunyai kualitas lebih baik daripada citra masukan Hubungan antara ketiga bidang tersebut ditunjukan pada Gambar.[] Gambar Tiga bidang yang berkaitan dengan citra Gambar isomorfik G dan G.4 DasarDasar Graph Secara umum, graph G didefinisikan sebagai pasangan himpunan (V,E), ditulis dengan G= (V, ε) yang dalam hal ini V adalah himpunan tidak kosong dari simpulsimpul (nodes) dan ε adalah himpunan sisi/busur (edges) yang menghubungkan sepasang simpul..4. Graph Isomorphism Graph dikatakan isomorphism apabila dua buah graph yang sama tetapi secara geometri berbeda. Dua buah graph, G dan G akan isomorfik jika terdapat korespondensi satusatu antara simpulsimpul keduanya dan antara sisisisi keduanya sedemikian sehingga hubungan keberisian tetap terjaga. Penjelasan untuk graph isomorphism dapat diberikan pada Gambar di atas. Dalam matriknya dapat dijelaskan sebagai berikut III. PERANCANGAN DAN PEMBUATAN SISTEM. Perancangan Dalam sebuah graph matching dengan proses image retrieval, hal pertama adalah perlu membuat sebuah citra database untuk dapat diubah ke dalam bentuk graph secara efisien. Dalam kinerja sebuah graph matching, akan terbagi menjadi dua bagian kinerja[4]:. Membuat database yang kemudian merubah image ke dalam bentuk graph. Membuat algoritma matching untuk memilih kembali citra yang sama. Sebelum membahas algoritma yang akan dirancang, maka dapat dilihat blok diagram secara keseluruhan dari pengukuran kesamaan graph matching. Gambar 4 berikut proses penjelasan blok diagram. Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTIITS

Input image Ekstraksi ciri Panggil database Proses identifikasi graph.5.5.5.5 Output image matching Gambar 4 Blok diagram proses simulasi Gambar 5 Blok diagram proses simulasi keseluruhan. Pembuatan Sistem Gambaran umum image retrieval adalah[5]: Gambar 6 Data masukan yang mencari gambar yang mirip Inisialisai ciri gambar sebagai berikut: Gambar 7 Pemilihan bagian gambar perbandingan.5.5.5.5 Gambar 8 Query image yang akan diteliti Objek dalam gambar ini akan berfungsi sebagai query image atau bagianbagian image yang diidentifikasi sebagai node yang ditandai dengan penomoran. Dalam image content, gambar dibuat dalam database yang bervariasi. Setiap objek gambar memiliki nilai sendirisendiri sebagai identifikasi node. Yang mana nilai yang ditetapkan pada masingmasing objek gambar tersebut akan menjadi kunci utama dari proses image matching ini. Berikut penomoran yang diberikan pada masingmasing image content. persegi_besar = persegi_kecil = segitiga = seitiga_siku = 4 polygon = 5 parameter luas maximum persegi kecil persegi_kecil =.5 Dalam pemrograman ini, proses matching dilakukan dengan cara mencari selisih terkecil antara node di G dan G. Seperti yang telah diterangkan pada pemberian lebel diatas. Maka akan ada lima buah label node. Penjelasan lengkapnya dapat dilihat pada gambar 9 berikut..4 Image Process dengan Teori Garph Berdasarkan teori yang ada, proses image matching diatas juga dapat dijelaskan secara manual. Pelabelan image content menjadi bentuk graph berdasarkan teory dapt dijelaskan dengan dua cara yaitu dengan tiga node dan empat node..4. Implementasi Untuk node Untuk pertama adalah membuat algoritma matrik yang diatur menjadi pij = d(μ (v ), μ(vj)). Berikut pemetaan yang dilakukan pada gambar.. Objek Citra yang Diteliti Dalam proses pembuatan gambar, objek diisi gambar dalam bentuk, warna, dan posisi yang berbedabeda. Beberapa gambar dibawah adalah image content yang akan diteliti..5.5 Gambar 9 Gambar yang dicari dan ditemukan.5..4.6.8..4.6.8 Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTIITS

Pada row ke posisi kecocokannya adalah {( G, G ), ( G, G ), ( G, G )} dengan matching error adalah ++= Berdasar dari tabel matrik yang terakhir maka akan didapat pemetaan node yang sederhana, yang mana merepresentasikan pemetaan dengan kesamaan terbaik. Untuk itu dapat dibuat tabel berikut: Gambar Input graph G dan model graph G Berdasarkan dari proses K phase maka langkah pertama adalah membuat matrik P, yang mana ini merupakan selisih dari tiap node disetiap baris matrik. Tabel Matrik P Tabel 6 kemiripan terbaik Pemetaan error (,) (,) (,).4. Implementasi Untuk node ke 4 node Dalam pemetaan kali ini, node akan mencari node output lebih besar dibanding dengan node di graph ke. Berikut penjelasannya. Tabel Matrik B phase 4 Dalam phase, matrik B dan B akan dibuat dalam langkah iterasi 4 Tabel Matrik B step /phase dan matrik B step phase Best matching {( G, G ), ( G, G ), ( G, G )} dan didapat selisih error adalah ++ = Tabel 4 Matrik B step /phase dan matrik B step phase Pada row ke posisi kecocokan denga nilai terkecil kedua adalah {( G, G ), ( G, G ), ( G, G )} dan jumlah selisih error adalah ++=. Tabel 5 Matrik B step /phase dan matrik B step phase Gambar Dua graph G dan G Dapat dibuat dalam selisih di matrik adalah sebagai berikut: Tabel 7 Matrik P Setelah itu, matrik diatas diubah ke dalam bentuk biner dengan memberikan nilai untuk selisih terkecil. Maka didapat matrik yang baru seperti berikut. Nilai terkecil pada tiap row adalah langkah pertama yang diambil, jadi bagian ini disebut dengan matrik B/ phase. Tabel 8 Matrik B/ phase Berdasarkan table diatas didapat kecocokan dengan nilai selisih terkecil adalah {( G,4 G ), ( G, G ), ( G, G )} dan jumlah total match adalah ++ = Dalam phase, matrik B dan B akan dibuat dalam langkah iterasi Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTIITS

Tabel 9 Matrik B step /phase dan matrik B step phase dapat dipetakan {( G, G ), ( G, G ), ( G, G )} dan jumlah total matching ++ = Tabel Matrik B step /phase dan matrik B step phase Langkah kedua ini, nilai row ke yang memiliki nilai terkecil urutan adalah {( G, G ), ( G,4 G ), ( G, G )} dan jumlah selisih yang terjadi adalah ++ = Tabel Matrik B step /phase dan matrik B step phase Langkah ke matriks yang dianggap matching {( G, G ), ( G,4 G ), ( G, G )} dan didapat matching error ++ = Untuk mendapatkan kecocokan yang maksimal, selalu dimungkinkan untuk memperhitungkan untuk jumlah selisih yang cukup besar. Maka dalam phase selanjutnya ini adalah menghitung untuk nilai terkecil ke seperti langkahlangkah sebelumnya. Phse, matrik B dan B sama seperti langkah sebelumnya pada langkah. Tabel Matrik B step /phase dan matrik B step phase Matrik B pada table di atas memberikan 4 kecocokan yaitu, {( G, G ), ( G, G ), ( G, G )}, {( G, G ), ( G,4 G ), ( G, G )}, {( G, G ), ( G, G ), ( G, G )}, {( G, G ), ( G,4 G ), ( G, G )} dan didapat matching error maksimum pada pemetaan ke4 dg nilai ++=4 Tabel Matrik B step /phase dan matrik B step phase Tabel Matrik B step /phase dan matrik B step phase Pemetaannya adalah {( G, G ), ( G, G ), ( G,4 G )} dengan nilai error ++ = 4 IV.PENGUJIAN DAN ANALISA SISTEM 4. Hasil Pengujian Gambar Berdasarkan Bentuk Dalam percobaan ini digunakan gambar D dengan berbagai macam bentuk bangun dan ciri. Pencarian dimulai memasukan query image sebagai data masukan, untuk dilanjutkan dengan proses inisialisasi mencari gambar sama terbaik diantara banyaknya database. Ketidaksamaan warna dan posisi tidak menjadi parameter penting disini. Dalam pengujian ini query image tidak termasuk dalam anggota dari data base itu sendiri. 4.. Pemilihan Gambar dengan Node Dalam pencarian gambar kembali ini, ada 5 gambar yang digunakan yaitu: Persegi besar berlabel Persegi kecil berlabel Segitiga berlabel Segitiga siku berlabel 4 Polygone berlabel 5 Berikut hasil dari pengujian pencarian gambar kembali dengan node. Query Input Gambar, Error Gambar Hasil uji pencarian gambar kembali Query Input Gambar, Error Gambar, Error Gambar, Error Gambar, Error Gambar, Error {( G, G ), ( G, G ), ( G, G )} dengan nilai ++ = 4 Gambar Hasil uji ke pencarian gambar kembali Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTIITS

Query Gambar 4 Hasil uji pencarian gambar kembali untuk ke 4 node Gambar 4, Error Query Input Gambar 4, Error Gambar 4 Hasil uji pencarian gambar kembali untuk ke 4 node 4. Analisa pengujian Tabel 4 Nilai matching error node dalam pengujian Query Image ke ke ke Nilai matching error didapat dari selisih node antar graph yang telah dilabel sebelumnya. Begitu juga dengan proses pencocokan dengan node ke 4 node, algoritma akan mencari gambar yang paling banyak mirip dengan input query image. Tabel 5 Nilai matching error node ke 4 node dalam pengujian Query Image ke ke ke Gambar, Error Gambar, Error Gambar, Error V. PENUTUP 5. Kesimpulan Berdasarkan hasil pengujian yang dilakuan pada Tugas Akhir ini, perbandingan kesamaan query image pada image processing dengan metode graph, dapat disimpulkan bahwa:. Terdapat beberapa kesamaan yang akurat dalam proses pencocokan citra ini, yaitu dalam bentuk dari isi gambar. Faktor ukuran gambar tidak berpengaruh pada semua bentuk objek citra.. Dalam proses pencarian kembali, penampilan matching error berurutan sesuai error terkecil. 5. Saran Beberapa saran yang berguna untuk pengembangan Tugas Akhir ini antara lain:. Untuk penelitian selanjutnya system dapat dikembangkan dengan memperhitungkan posisi dan warna dari image content.. Pengujian dapat dikembangkan dengan kuantitas database yang lebih banyak.. Factor waktu dapat diperhitungkan dalam proses pencarian gambar. DAFTAR PUSTAKA [] A. hlaoui and S. Wang, A nodemapingbased algorithm for graph matching, Universite de sherbrooke, quebec, Canada. [] Aniati Murni dan Suryana Setiawan. Pengatur Pengolahan Citra, PT. Elex Media Komputindo [] Rinaldi Munir. Matematika Diskrit. Informatika Bandung. Bandung. [4] A. Hlaoui and S. Wang, A New Algorithm for Graph With Application to Contentbased image retrieval, in SSPR/SPR, [5] P. Dasigi and C.V. Jawahar, Efficient Graphbased Image for Recognation and Retrieval, Center for Visual Information Technology, IIIT Hyderabad BIODATA PENULIS Yureska Angelia, dilahirkan di Bangka 8 April 987, merupakan anak kedua dari tiga bersaudara pasangan Yudawi dan Lihyati. Memulai pendidikan Sekolah Dasar di SDN 6 Belinyu, kemudian meneruskan pendidikan di SLTP Negeri Belinyu dan SMA Negeri Pemali. Pendidikan terakhir di Elektronik Instrumentasi bidang studi instrumentasi UGM. Sekarang sedang mengerjakan tugas akhir di Bidang Studi Telekomunikasi Multimedia, Jurusan Teknik Elektro ITS Surabaya. Email: angelia.yureska@gmail.com Berdasarkan dari hasil pengujian diatas terjadi beberapa ketidakcocokan dari hasil akhir dengan keterangan gambar. Hal ini masih dikarenakan belum sempurnanya program yang dibuat. Namun secara keseluruhan bahwa algoritma ini bisa digunakan dalam proses Graph matching. Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTIITS