PENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM) Rima Tri Wahyuningrum *) Program Studi Teknik Informatika, Universitas Trunojoyo Madura Jl Raya Telang PO BOX 2 Kamal, Bangkalan E-mail: rima_tw@yahoo.co.id ABSTRAK Gaya hidup manusia yang serba praktis, cepat dan akurat menuntut pertumbuhan teknologi yang pesat untuk memenuhi kebutuhan. Salah satunya adalah kebutuhan akan data dan informasi yang akurat. Salah satu teknik yang digunakan adalah Sistem Perolehan Citra berbasis Isi (SPCI) atau Content Based Image Retrieval (CBIR), yaitu suatu teknik pencarian citra yang mirip dengan melakukan perbandingan antara citra query dengan citra database. Pada makalah ini menyajikan suatu metode Integrated Color and Intensity Co-occurrence Matrix (ICICM) pada citra batik. Metode ini merepresentasikan warna dan intensitas dari ketetanggaan piksel pada suatu citra menggunakan Co-occurrence Matrix. Setelah menganalisis sifat ruang warna HSV, fungsi bobot yang sesuai digunakan untuk memperkirakan kontribusi relatif dari warna dan tingkat keabu-abuan dari suatu piksel citra. Nilai bobot yang direkomendasikan dari satu piksel dan piksel tetangganya tersebut digunakan untuk membangun sebuah ICICM. Berdasarkan hasil ujicoba pada citra batik, metode ini memiliki presisi yang lebih tinggi dibandingkan dengan metode CCM dan MCCM. Kata kunci: Sistem Perolehan Citra berbasis Isi, batik, Integrated Color and Intensity Cooccurrence Matrix (ICICM), Color Co-occurrence Matrix (CCM), Modified Color Co-occurrence Matrix (MCCM) PENDAHULUAN Warna dan tekstur adalah dua fitur tingkat rendah yang biasa digunakan untuk klasifikasi citra, pengindeksan dan sistem temu balik (retrieval). Warna umumnya direpresentasikan dalam sebuah histogram, yaitu pengukuran statistik yang diperoleh berdasarkan distribusi warna secara global dari sebuah citra (Gevers et al., 2004). Salah satu kelemahan utama dari histogram adalah mengabaikan distribusi spasial dan variasi lokal pada warna. Padahal, variasi lokal spasial dari intensitas piksel biasa digunakan untuk mendapatkan informasi tekstur dalam sebuah citra. Grayscale Co-occurrence Matrix (GCM) merupakan metode yang biasa digunakan untuk ekstraksi fitur dalam domain spasial. GCM menyimpan sejumlah piksel tetangga dalam sebuah citra yang memiliki suatu kombinasi tingkat keabuan (grayscale) tertentu. Sebuah matrik GCM dihasilkan dari setiap arah ketetanggaan yang mungkin, yaitu 0 0, 45 0, 90 0, dan 135 0. Pada pendekatan GCM untuk ekstraksi tekstur, informasi warna secara lengkap hilang karena hanya piksel dengan tingkat keabuan saja yang diperhitungkan. Untuk memasukkan informasi spasial berdasarkan warna dari piksel citra, akhir-akhir ini fitur yang disebut color correlogram telah diusulkan, yaitu matrik tiga dimensi yang merepresentasikan probabilitas untuk menemukan piksel dari setiap dua warna yang diberikan pada jarak d terpisah (Huang et al., 1997). Auto correlogram adalah variasi dari correlogram yang merepresentasikan probabilitas untuk menemukan dua piksel dengan warna sama pada C-14-1
jarak d terpisah. Pendekatan ini secara efektif merepresentasikan distribusi warna pada suatu citra. Namun metode ini tidak efektif untuk banyak citra dalam database. Metode lainnya adalah Color Co-occurrence Matrix (CCM) yang telah diusulkan untuk mendapatkan variasi warna pada suatu citra (Shim et al., 2003). CCM merepresentasikan matrik tiga dimensi, dimana pasangan warna p dan Np (piksel dan tetangga piksel) diperoleh dari matrik dua dimensi pertama dan jarak spasial d diantara dua piksel pada tiga dimensi. CCM dihasilkan hanya dengan bidang Hue dari ruang warna HSV (Hue, Saturation, Intensity Value). Empat matrik merepresentasikan ketetanggaan pada sudut 0 0, 90 0, 180 0 dan 270 0. Selanjutnya, metode ini dikembangkan dengan memisahkan komponen diagonal dan non diagonal, sehingga menghasilkan metode Modified Color Co-occurrence Matrix (MCCM). Namun pendekatan ini memiliki kelemahan utama yaitu seperti pada correlogram, metode ini mengabaikan informasi warna dan intensitas informasi yang lengkap. Metode ini telah berhasil diaplikasikan pada 200 citra batik, dengan ujicoba 10 citra query diperoleh tingkat akurasi presicion 66% untuk CCM dan 73% untuk MCCM (Rustiyana dkk, 2013). Oleh karena itu, pada penelitian ini bertujuan implementasi metode Integrated Color and Intensity Co-occurrence Matrix (ICICM) pada citra batik sekaligus bertujuan meningkatkan tingkat akurasi presicion. Metode ini melakukan integrasi variasi spasial baik pada tingkat warna maupun intensitas setiap ketetanggaan piksel menggunakan ruang warna HSV (Vadivel et al., 2007). Berbeda dengan metode lainnya, jumlah warna serta variasi intensitas untuk setiap piksel dan tetangganya, diperkirakan menggunakan fungsi bobot. Kelebihan utama menggunakan ICICM adalah metode ini menghindari penggunaan bobot yang menggabungkan fitur warna dan tekstur. METODE Metode yang digunakan pada penelitian ini adalah Integrated Color and Intensity Cooccurrence Matrix (ICICM). Metode ini adalah hasil dari Grayscale Co-occurrence Matrix (GCM) dan Color Co-occurrence Matrix (CCM). Ruang warna yang digunakan yaitu HSV. Model warna HSV merupakan model warna yang diturunkan dari model warna RGB karena itu untuk mendapatkan warna HSV, harus melakukan proses konversi warna dari RGB ke HSV. HSV merupakan salah satu cara untuk mendefinisikan warna yang didasarkan pada roda warna. Hue mengukur sudut sekitar roda warna (merah pada 0 derajat, 120 derajat di hijau, biru, di 240 derajat). Saturation yang menunjukkan pada radius roda warna sehingga menunjukkan proporsi antara gelap (pusat) untuk warna ke putih murni (di luar). Value menunjukkan nilai kecerahan. Hue memiliki nilai antara 0 hingga 360 (derajat), Saturation dan Value berkisar dari 0 hingga 100% (Ramadijanti, dkk, 2012). Persamaan 1 adalah rumus yang digunakan untuk konversi citra RGB menjadi citra HSV (Wibowo, 2011): 0 0 60 S =,, H = 60 120 60 240 Pada penelitian ini digunakan nilai bobot yang sesuai dengan saturasi dan intensitas untuk merepresentasikan persepsi baik pada skala warna maupun keabuan dalam setiap piksel. (1) C-14-2
Langkah selanjutnya yaitu menentukan ICICM. ICICM merupakan matrik dua dimensi yang mempertimbangkan kontribusi relatif untuk warna dan persepsi tingkat keabuan pada setiap piksel p dan tetangganya, Np. ICICM terdiri dari empat sub matrik yang direpresentasikan seperti pada Persamaan 2 (Vadivel et al., 2007). (2) Keterangan: mewakili persepsi warna dari piksel p dan persepsi warna dari piksel tetangganya Np. mewakili persepsi warna dari piksel p dan persepsi tingkat keabuan dari piksel tetangganya Np. mewakili persepsi tingkat keabuan dari piksel p dan persepsi warna dari piksel tetangganya Np. mewakili persepsi tingkat keabuan dari piksel p dan persepsi tingkat keabuan dari piksel tetangganya Np. HL menunjukkan jumlah dari tingkat kuantisasi dari Hue dan GL menunjukkan jumlah dari tingkat kuantisasi dari intensitas yang diperoleh dari ruang warna HSV. Setiap komponen dari,,, dan ditulis seperti pada Persamaan 3 (Vadivel et al., 2007)., ; Pr,,, ; Pr,,, ; Pr,, (3), ; Pr,, Keterangan:, adalah jumlah dari persepsi warna dari piksel p dinotasikan sebagai hlp sama dengan i, dan persepsi warna dari piksel tetangganya Np dinotasikan sebagai hlnp sama dengan j sebagai sebagian kecil dari jumlah total piksel dalam citra. Hal yang sama, untuk,, maupun, hanya saja notasi gl menunjukkan tingkat keabuan. Dimensi dari matrik ICICM ditentukan dari banyaknya tingkat kuantisasi HL dan GL. HL dan GL dihitung berdasarkan Persamaan 4 (Vadivel et al., 2007). 2 / 1 255/ 1 (4) dengan, dan adalah faktor kuantisasi Hue dan Intensity. Dimensi lengkap dari matrik ICICM adalah. Untuk 2 dan 64, maka diperoleh HL = 4 dan GL = 4, sehingga 64. Matrik ICICM diperbarui menggunakan fungsi bobot, yang memperkirakan tingkat persepsi warna piksel. Pada penelitian ini, Persamaan 5 menunjukkan rumus dari fungsi bobot (Vadivel et al., 2007).,, 0 0, 0 (5) dengan r1 dan r2 adalah konstanta. Nilai r1 dan r2 tergantung pada aplikasi ICICM yang digunakan. Bobot intensitas dari sebuah piksel dihitung sebagai komplemen dari bobot warna, seperti ditunjukkan pada Persamaan 6 (Vadivel et al., 2007). C-14-3
, 1, (6) Gambar 1 menunjukkan empat jarak Hue yang berkorespondensi dengan nilai kuantisasi 0-3 yaitu 0,,,,,,,2, yang direpresentasikan sebagai P, Q, R, dan S. Empat tingkat dari intensitas (0-3) direpresentasikan sebagai K, X, Y, dan W, dimana K dan W berkorespondensi dengan Hitam dan Putih. X dan Y mewakili dua tingkat menengah dari keabuan. Untuk beberapa kombinasi p dan Np, salah satu komponen setiap sub matrik diperbarui. Komponen tertentu yang akan diperbarui pada adalah satu nilai Hue ditandai pada segitiga bawah dari sebuah kotak kecil pada Gambar 1 sama dengan hlp dan nilai Hue ditandai pada segitiga atas sama dengan hlnp. Pada, komponen yang akan diperbarui adalah satu nilai Hue ditandai pada segitiga bawah dari sebuah kotak kecil sama dengan hlp dan tingkat keabuan ditandai pada segitiga atas sama dengan hlnp. Begitu pula pada komponen-komponen dan. Gambar 1. Logika dari matrik ICICM (Vadivel et al., 2007) Nilai baru pada matrik ICICM ditentukan oleh bobot warna dan intensitas dari piksel p dan piksel tetangganya, Np. Masukan diperbarui dengan penjumlahan antara bobot warna p dan bobot warna Np. Masukan diperbarui dengan penjumlahan antara bobot warna p dan bobot intensitas Np. Demikian juga, untuk masukan dan. Gambar 2 menunjukkan algoritma proses perbaruan secara lengkap untuk Integrated Color and Intensity Co-occurrence Matrix (ICICM). Tabel 1 menunjukkan nilai HSV untuk piksel p dan piksel tetangganya Np yang digunakan pada penelitian ini. Sebagai contoh, tiga baris dari Tabel 1 berkorespondensi dengan 2, 0.5, 100 0.4, 0.9, 200. Menggunakan Persamaan 4 maka 3, 1, 0 3. Selanjutnya menggunakan Persamaan 5 dan 6, 0,,3 diperbarui dengan,, 0.858 0.987 1.845. Komponen lainnya diperbarui dengan cara yang sama. C-14-4
Gambar 2. Algoritma proses perbaruan ICICM (Vadivel et al., 2007) Tabel 1. Komponen ICICM dan perbaruan bobot untuk contoh nilai HSV Selanjutnya pada penelitian ini, pengukuran kemiripan antara citra query dan citra database dihitung menggunakan metode Euclidean Distance. Metode Euclidean Distance adalah salah satu metode yang sering digunakan untuk menghitung kesamaan antara dua citra. Euclidean Distance menghitung akar dari kuadrat perbedaan dua vektor. Ukuran kesamaan dilakukan menggunakan Euclidean Distance antara sebuah citra P yang ada dalam database dan citra query Q yang dirumuskan seperti pada Persamaan 7 (Deshpande et al., 2011). (7) dimana, Vpi dan Vqi merupakan vektor fitur dari citra P dan citra query Q dengan ukuran dimensi n[6]. Sedangkan untuk menghitung unjuk kerja (performance) dari sistem perolehan citra berbasis isi (CBIR) menggunakan dua pengukuran yang standar yaitu recall dan precision, dengan rumus seperti pada Persamaan 8. (8) C-14-5
HASIL DAN PEMBAHASAN Pada penelitian ini menggunakan skenario uji coba yaitu perlakuan yang dilakukan untuk melakukan ujicoba citra query terhadap citra database untuk mengetahui tingkat pengenalan citra query. Citra batik yang digunakan sebanyak 200 citra. Gambar 3 menunjukkan contoh hasil temu balik (image retrieval). Sedangkan Tabel 2 dan 3 menunjukkan hasil ujicoba berdasarkan skenario ujicoba pada penelitian ini. Citra Query Citra Relevan cerbon_09 cerbon_09 bali_07 pmk_17 pmk_12 solo_25 pmk_06 jogja_01 solo_01 smnp_05 jogja_10 Gambar 3. Citra query cerbon_09 dan hasil temu balik menggunakan metode ICICM Tabel 2. Precision vs recall untuk kombinasi (r 1, r 2) dengan HL = 2 dan GL = 6 r 1 r 2 Recall 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 Rata-rata precision 0.05 0.8 0.85 0.83 0.80 0.78 0.74 0.73 0.69 0.67 0.60 0.57 0.05 0.85 0.86 0.84 0.81 0.79 0.78 0.77 0.74 0.71 0.70 0.69 0.05 0.9 0.85 0.83 0.79 0.76 0.73 0.71 0.67 0.63 0.59 0.56 0.1 0.8 0.88 0.85 0.83 0.80 0.77 0.74 0.73 0.69 0.67 0.60 0.1 0.85 0.88 0.86 0.84 0.81 0.79 0.78 0.77 0.74 0.71 0.70 0.1 0.9 0.88 0.85 0.83 0.79 0.76 0.73 0.71 0.67 0.63 0.59 0.15 0.8 0.85 0.83 0.80 0.77 0.74 0.73 0.69 0.67 0.60 0.57 0.15 0.85 0.86 0.84 0.81 0.79 0.78 0.77 0.74 0.71 0.70 0.69 0.15 0.9 0.85 0.83 0.79 0.76 0.73 0.71 0.67 0.63 0.60 0.56 Tabel 3. Precision vs recall untuk kombinasi (r 1, r 2) dengan HL = 4 dan GL = 4 r 1 r 2 Recall 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 Rata-rata precision 0.05 0.8 0.80 0.77 0.75 0.73 0.69 0.65 0.62 0.58 0.56 0.55 0.05 0.85 0.79 0.77 0.74 0.73 0.67 0.64 0.62 0.57 0.54 0.53 0.05 0.9 0.80 0.77 0.75 0.73 0.69 0.65 0.62 0.58 0.53 0.52 0.1 0.8 0.85 0.83 0.81 0.78 0.75 0.74 0.70 0.65 0.63 0.59 0.1 0.85 0.85 0.85 0.81 0.79 0.77 0.74 0.71 0.68 0.66 0.63 0.1 0.9 0.85 0.83 0.80 0.77 0.75 0.73 0.69 0.65 0.62 0.58 0.15 0.8 0.83 0.80 0.77 0.75 0.73 0.69 0.65 0.62 0.58 0.56 0.15 0.85 0.82 0.79 0.77 0.74 0.73 0.67 0.64 0.62 0.57 0.54 0.15 0.9 0.82 0.80 0.77 0.75 0.73 0.69 0.65 0.62 0.58 0.53 C-14-6
Berdasarkan Tabel 2 dan 3, baris yang dicetak tebal menunjukkan rata-rata precision tertinggi dibandingkan kombinasi lainnya. Dari kedua tabel tersebut nilai rata-rata precision tertinggi adalah 0.88 atau 88% yaitu pada kombinasi r1 = 0.1, r2 = 0.85 dengan HL = 2 dan GL = 6 pada nilai recall 0.1. Hasil ujicoba ini, juga lebih tinggi dibandingkan dengan metode CCM dan MCCM (Rustiyana dkk, 2013). KESIMPULAN DAN SARAN Pada penelitian ini, berhasil mengimplementasikan Integrated Color and Intensity Cooccurrence Matrix (ICICM) pada 200 citra batik. Berdasarkan hasil ujicoba, metode ini lebih efektif untuk aplikasi sistem temu kembali berbasis isi (content based image retrieval). Metode ini secara efektif menggunakan beberapa sifat dari ruang HSV dan hubungan antara persepsi visual manusia untuk representasi warna dan intensitas pada co-occurrence matrix. Setiap piksel dan piksel tetangganya berkontribusi baik warna maupun tingkat keabuan dalam ketetanggaan. Empat komponen matrik diperbarui dengan bobot warna relatif dan persepsi tingkat keabuan. Nilai relatif warna dan tingkat intensitas dapat ditentukan tergantung pada sifat database citra. DAFTAR PUSTAKA Deshpande, G., and Borse, M. Image Retrieval with The Use of Different Color Spaces and The Texture Feature. 2011 International Conference on Software and Computer Applications. 9: 273-278. 2011. Gevers, T., and Stokman, H.M.G. (2004). Robust Histogram Construction from Color Invariants for Object Recognition, IEEE Transaction Pattern Analysis Machine Intelligence, Vol. 26, p. 113 118. Huang, J., Ravi Kumar, S., Mandar, M., Wei-Jing, Z., and Ramin, Z. (1997). Image Indexing using Color Corellograms, In: Proceeding IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp.762 768. Ramadijanti, N., Setawardana., dan Purnamasari, F. Sistem Online Content Based Image Retrieval menggunakan Identifikasi Dominan Warna pada Foreground Obyek. Proceeding Seminar Tugas Akhir Jurusan Politeknik Elektronika FTI-ITS. URL: http://digilib.its.ac.id/public/its-undergraduate-15805-2208100671-paper.pdf, diakses pada tanggal 7 Mei 2012. Rustiyana, E., Wahyuningrum, R.T., dan Siradjuddin, I.A. (2013). Perbandingan Metode Color Co-occurrence Matrix (CCM) dan Modified Color Co-occurrence Matrix (MCCM) pada Sistem Perolehan Citra berbasis Isi untuk Citra Batik. Skripsi, Teknik Informatika, Universitas Trunojoyo Madura. Shim, S., and Choi, T. 2003. Image Indexing by Modified Color Cooccurrence Matrix. In: Proceeding International Conference on Image Processing, p. 14 17. Vadivel, A., Sural, S., and Majumdar, A.K. (2007). An Integrated Color and Intensity Cooccurrence Matrix, Pattern Recognition Letters, Vol. 28, p. 974-983. Wibowo, S.K. (2011). Deteksi dan Klasifikasi Citra Berdasarkan Warna Kulit Menggunakan HSV. Jurnal Teknologi Informasi DINAMIKA, Vol. 16, No. 2. C-14-7