Temu Kembali Citra dengan Weighted Standard Deviation (WSD) Descriptor
TEMU KEMBALI CITRA DENGAN
WEIGHTED STANDARD DEVIATION (WSD) DESCRIPTOR
YUYUN SARIMA ULFA HARAHAP
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2007
TEMU KEMBALI CITRA DENGAN
WEIGHTED STANDARD DEVIATION (WSD) DESCRIPTOR
YUYUN SARIMA ULFA HARAHAP
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2007
ABSTRAK
YUYUN SARIMA ULFA HARAHAP. Temu Kembali Citra dengan Weighted Standard Deviation
(WSD) Descriptor. Dibimbing oleh JULIO ADISANTOSO dan FIRMAN ARDIANSYAH.
Berbagai metode dikembangkan untuk menghasilkan suatu sistem temu kembali citra yang efektif
dan efisien. Salah satu metode yang populer adalah dengan menggunakan wavelet untuk mengekstrak
citra. Dalam penelitian ini, Haar wavelet digunakan untuk mengekstrak citra menjadi suatu feature
vector. Sebelum diekstrak, citra dengan ruang warna RGB terlebih dahulu dikonversi ke dalam
bentuk ruang warna YCrCb. Hasil dari pengekstraksian berupa vektor berdimensi 33.
Evaluasi hasil temu kembali menggunakan rataan precision untuk tiap tingkat recall. Digunakan
sepuluh buah input kueri citra untuk pengujian sistem. Pada perhitungan nilai recall-precision, nilai
ambang batas yang diambil adalah 75, 150, dan 225. Pada nilai ambang 75, citra relevan yang
terambil berkisar 50% dari seluruh citra relevan dalam basis data. Pada nilai ambang 150, citra relevan
yang terambil berkisar 68% dari seluruh citra relevan dalam basis data. Di lain pihak, citra relevan
yang terambil berkisar 85% pada nilai ambang batas 225.
Kata Kunci: image retrieval, wavelet, Haar wavelet, texture, color.
RIWAYAT HIDUP
Penulis dilahirkan di Kuala Simpang pada tanggal 30 Oktober 1982 dari ayah M. Rahim
Harahap dan ibu Ratna Dewi Siregar. Penulis merupakan putri ke tiga dari empat bersaudara. Tahun
2000 penulis lulus dari SMU Negeri 1 Padang Sidempuan dan pada tahun yang sama lulus seleksi
masuk IPB melalui jalur Seleksi Penerimaan Mahasiswa Baru IPB. Penulis memilih Program Studi
Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.
Pada tahun 2004 Penulis menjalankan Praktik Lapangan (PL) di Pusat Konservasi Tumbuhan
Kebun Raya Bogor selama kurang lebih dua bulan. Pada tahun berikutnya penulis beberapa kali
menjadi asisten pada workshop Pengembangan Web Programming yang diadakan Departemen dalam
Negeri.
PRAKATA
Alhamdulillahirabbil ‘alamin, puji syukur penulis panjatkan kepada Allah Subhanahu wa ta’ala
atas segala curahan rahmat dan karunia-Nya, sehingga skripsi dengan judul Temu Kembali Citra
dengan Weighted Standard Deviation (WSD) Descriptor dapat diselesaikan. Shalawat serta salam
juga penulis sampaikan kepada junjungan kita Nabi Muhammad Shallalahu ‘alaihi wasallam beserta
seluruh sahabat dan umatnya hingga akhir zaman.
Penulis mengucapkan terima kasih kepada Bapak Ir. Julio Adisantoso, M.Kom. dan Bapak Firman
Ardiansyah, S.Kom., M.Si. selaku pembimbing I dan pembimbing II yang telah banyak memberi
saran, masukan dan ide-ide kepada penulis serta kebersamaannya yang tidak bisa terlupakan. Penulis
juga mengucapkan terima kasih kepada Ibu Dr. Ir. Sri Nurdiati, M.Sc. selaku penguji yang telah
memberi saran dan masukan. Selanjutnya, penulis ingin mengucapkan terima kasih kepada:
1 Emak dengan kesabaran, keikhlasan dan pengorbanannya
2 Mas Widhy yang senantiasa mendorong untuk menyelesaikan skripsi dengan menemani penulis
hingga larut malam.
3 Abang, kakak, serta adik tercinta yang selalu memberikan semangat dan kasih sayang kepada
penulis.
4 Dini, TB, Yudi, Restu, Adit sebagai teman seperjuangan yang terus menyemangati dan
memberikan dorongan hingga skripsi ini selesai.
5 Mushtofa, Gofo, Arief, TB yang telah bersedia meluangkan waktunya untuk membantu penulis
mengerjakan skripsi ini.
6 Ilkomerz 37 atas persahabatan yang indah dan tidak pernah putus.
7 Aling dan Pak Agus yang telah menyediakan tempat menginap untuk penulis selama penulis
mengerjakan skripsi.
8 Penghuni kosan C-22 yang ramah dan baik.
9 Departemen Ilmu Komputer, dosen dan staf yang telah banyak membantu penulis pada masa
perkuliahan dan penelitian.
10 Semua pihak yang tidak bisa disebutkan satu persatu yang telah membantu penulis dalam
menyelesaikan skripsi ini.
Penulis menyadari bahwa masih banyak kekurangan dalam penelitian ini. Oleh karena itu, kritik
dan saran sangat penulis harapkan untuk perbaikan di masa mendatang. Penulis berharap hasil dari
penelitian ini dapat bermanfaat dan dapat menjadi acuan bagi penelitian berikutnya.
Bogor, Agustus 2007
Yuyun Sarima Ulfa Harahap
DAFTAR ISI
Halaman
DAFTAR ISI ....................................................................................................................................... v
DAFTAR TABEL .............................................................................................................................. vi
DAFTAR GAMBAR.......................................................................................................................... vi
DAFTAR LAMPIRAN....................................................................................................................... vi
PENDAHULUAN ............................................................................................................................... 1
Latar Belakang ............................................................................................................................ 1
Ruang Lingkup dan Batasan........................................................................................................ 1
Tujuan Penelitian......................................................................................................................... 1
TINJAUAN PUSTAKA ...................................................................................................................... 1
Representasi Citra Digital ........................................................................................................... 1
Ruang Warna............................................................................................................................... 2
Weigthed Standard Deviation (WSD) Descriptor.........................................................................
Wavelet ........................................................................................................................................ 2
Haar Wavelet............................................................................................................................... 3
Tranformasi Wavelet ................................................................................................................... 3
Transformasi Satu-Dimensi Haar Wavelet.................................................................................. 3
Transformasi Dua-Dimensi Haar Wavelet .................................................................................. 4
Jarak Euclidean ........................................................................................................................... 4
Efektifitas Temu Kembali ........................................................................................................... 4
METODE PENELITIAN .................................................................................................................... 4
Proses Temu Kembali Citra......................................................................................................... 4
Pengolahan Citra Digital ............................................................................................................. 5
Pencocokan Citra (Image Matching)........................................................................................... 6
Spesifikasi Perangkat Keras dan Lunak ...................................................................................... 6
HASIL DAN PEMBAHASAN............................................................................................................ 7
Ekstraksi Feature Vector............................................................................................................. 7
Temu Kembali Citra.................................................................................................................... 7
Recall-Precision .......................................................................................................................... 8
KESIMPULAN DAN SARAN.......................................................................................................... 10
Kesimpulan................................................................................................................................ 10
Saran.......................................................................................................................................... 10
DAFTAR PUSTAKA ........................................................................................................................ 10
DAFTAR TABEL
Halaman
1 Contoh hasil ekstraksi pada kelompok citra pertama ..................................................................... 7
2 Nilai recall-precision pada nilai ambang batas 75, 150, dan 225 ............................................... 10
DAFTAR GAMBAR
Halaman
1
2
3
4
5
6
7
8
9
10
11
12
13
Representasi citra berukuran mxn. ................................................................................................. 1
Wave dan Wavelet .......................................................................................................................... 2
Haar scaling function dan Haar wavelet dekomposisi dari V1 ...................................................... 3
Wavelet tree dua dimensi pada dua tingkat pemfilteran................................................................. 3
Dekomposisi standar wavelet suatu citra........................................................................................ 4
Dekomposisi nonstandar wavelet suatu citra ................................................................................. 4
Alur sistem temu kembali citra.. .................................................................................................... 4
Tahapan perubahan citra dari ruang warna RGB menjadi YcrCb pada citra 72.BMP. .................. 6
Contoh hasil temu kembali terhadap citra kueri 1.BMP ................................................................ 8
Contoh hasil temu kembali terhadap citra kueri 41.BMP .............................................................. 8
Grafik recall-precision pada nilai ambang batas 75....................................................................... 9
Grafik recall-precision pada nilai ambang batas 150..................................................................... 9
Grafik recall-precision pada nilai ambang batas 225..................................................................... 9
DAFTAR LAMPIRAN
Halaman
1
2
3
4
5
6
Citra yang digunakan dalam basis data ........................................................................................ 12
Citra yang menjadi kueri .............................................................................................................. 14
Jarak antara feature vector kueri citra dengan feature vector citra dalam basis data ................... 15
Hasil temu kembali pada nilai ambang batas 75 .......................................................................... 17
Hasil temu kembali pada nilai ambang batas150 ......................................................................... 18
Hasil temu kembali pada nilai ambang batas 225 ........................................................................ 19
1
PENDAHULUAN
Latar Belakang
Saat ini pencitraan telah menjadi bagian
yang tak terpisahkan dari manusia. Berbagai
bidang ilmu membutuhkan citra sebagai referensi
ataupun data untuk menganalisa. Misalnya,
dalam dunia kedokteran informasi citra hasil Xray dibutuhkan untuk analisa penyakit, atau
dalam dunia meteorologi para pakarnya
menggunakan informasi citra satelit untuk
menganalisa cuaca. Tentu saja, citra-citra yang
diperoleh saat ini lebih banyak disimpan dalam
suatu basis data dengan format digital untuk
digunakan lagi di waktu mendatang. Pencarian
citra dalam basis data inilah yang kemudian
menjadi isu bagi para peneliti di lingkungan
informasi teknologi, bagaimana agar informasi
yang dicari dalam basis data dapat dicari dengan
cepat dan hasil yang akurat.
Dulu, sistem yang banyak digunakan untuk
pencarian citra adalah dengan berbasis teks. Pada
pencarian citra berbasis teks ini, input citra dan
penggambaran citra dalam basis data berbentuk
teks. Sehingga proses pendataan citra dalam
basis data akan memakan waktu yang lama.
Selain itu untuk penggambaran kandungan suatu
citra oleh setiap individu berbeda. Hal ini
mengakibatkan sulit untuk mengidentifikasi
suatu citra dalam basis data. Kendala-kendala ini
mendorong untuk ditemukannya suatu metode
baru yang lebih efektif dan efisien dalam
pencarian citra.
Kemudian, sistem temu kembali citra
berbasis kandungan (Content Based Image
Retrieval) mulai menarik perhatian. Dengan
sistem temu kembali citra berbasis kandungan,
properti citra seperti warna (color), tekstur
(texture), dan bentuk (shape) digunakan untuk
pencarian citra dalam basis data. Untuk
mempermudah pencarian, properti-properti citra
ini diekstrak ke dalam fitur pada level rendah
(low-level feature).
Untuk mengekstraksi citra, berbagai metode
dikembangkan agar sistem temu kembali yang
dibuat efektif dan efisien. Pada penelitian ini
digunakan Haar wavelet untuk mengekstrak
tekstur dan warna citra sehingga didapatkan
feature vector-nya. Feature vector ini kemudian
akan disimpan dalam basis data untuk digunakan
dalam proses pencarian. Penggunaan wavelet
dalam penelitian ini karena wavelet mampu
menangkap properti-properti citra sekaligus,
sehingga diharapkan waktu yang dihabiskan
dalam satu kali proses pencarian relatif tidak
memakan waktu yang lama. Di lain pihak,
wavelet yang digunakan dalam penelitian ini
adalah Haar wavelet karena wavelet ini paling
sederhana dan mudah diimplementasikan.
Ruang Lingkup dan Batasan
Wavelet yang digunakan pada penelitian ini
adalah Haar wavelet, dengan menggunakan
dekomposisi standar sampai pada level tiga.
Weighted Standard Deviation (WSD)
Descriptor mengolah kandungan citra hanya
pada tekstur dan warna.
Tujuan Penelitian
Tujuan dilakukan penelitian ini untuk
mengukur kinerja algoritma Weighted Standard
Deviation (WSD) Descriptor dari segi
keakuratan yang dihasilkan dalam proses
pencarian citra dalam basis data. Algoritma
WSD Descriptor menggunakan Haar wavelet
untuk mendapatkan feature vector.
TINJAUAN PUSTAKA
Representasi Citra Digital
Citra digital adalah sebuah fungsi intensitas
cahaya f(x, y) dengan x dan y menunjukkan
koordinat spasial dan nilai f pada setiap titik
(x,y) menunjukkan kecerahan citra pada titik
tersebut (Gonzales & Woods 2002).
Citra digital dapat ditampilkan dalam bentuk
matriks berukuran mxn dengan m menunjukkan
banyaknya sel dalam baris dan n menunjukkan
banyaknya sel dalam kolom (Gambar 1). Tiap sel
matrik atau disebut picture element (disingkat
pixel) menyimpan nilai intensitas warna dari
koordinat spasial tersebut. Jadi citra digital dapat
dinyatakan dalam matrik MxN sel.
f(x1,y1) ......... f(xm,y1)
.
.
.
.
.
.
x
.
.
.
f(x1,yn) ......... f(xm,yn)
y
Gambar 1 Representasi citra berukuran mxn.
Representasi citra digital ada dua jenis yaitu
citra skala-keabuan (grayscale) dengan format 8bit dan citra berwarna dengan format 24-bit.
Untuk citra dengan modus skala 8-bit, setiap titik
direpresentasikan dengan fungsi f(x,y) yang
mempunyai 256 intensitas kecerahan (28 = 256).
Nilai ini berkisar antar 0 hingga 255 dengan nilai
0 menunjukkan intensitas paling gelap (hitam)
2
dan nilai 255 menyatakan intensitas paling terang
(putih).
Ruang Warna
Ruang warna, atau disebut juga model
warna, berguna memberikan spesifikasi warna
dalam bentuk standar yang dapat diterima secara
umum. Ruang warna merupakan spesifikasi dari
koordinat 3-D yang satu bagian di dalamnya
memiliki satu nilai tunggal untuk mewakili tiap
warna (Gonzales & Woods 2002). Ruang warna
yang banyak digunakan antara lain RGB dan
YcrCb.
Ruang warna RGB (red, green, blue)
menggunakan sistem koordinat kartesian yang
membentuk suatu kubus. Untuk membuat suatu
warna digunakan kontribusi dari tiga sumbu
utama tersebut. Diagonal utama dalam kubus
menunjukkan tingkat keabuan.
Ruang warna YCrCb pada umumnya
digunakan untuk video digital. Pada format
ruang warna ini, tingkat keabu-abuan disimpan
dalam Y. Cr merujuk kepada perbedaan antara
komponen warna merah dengan suatu nilai
referensi. Di lain pihak Cb merujuk kepada
perbedaan antara komponen warna biru dengan
suatu nilai referensi.
Weigthed
Standard
Deviation
(WSD)
Descriptor
WSD
adalah
suatu
teknik
untuk
mengesktrak citra menjadi suatu deskriptor.
Dengan WSD, dua buah informasi basis citra,
yaitu tekstur dan warna, dapat ditransformasi
sekaligus.
Tujuan dari proses ekstraksi adalah untuk
menemukan korelasi antar piksel, atau
memadatkan sebanyak mungkin informasi ke
dalam sejumlah kecil koefisien hasil ekstraksi.
Dengan WSD Descriptor memungkinkan
sebagian besar informasi citra termuat dalam
sedikit koefisien, sehingga proses-proses
selanjutnya yang berkenaan dengan citra dapat
lebih cepat.
Proses ekstraksi citra dengan WSD
Descriptor menggunakan transformasi wavelet.
Transformasi wavelet sebagai alat untuk
menganalisis sinyal mempunyai keuntungan
dalam hal ortogonalitas dan kemampuan yang
tajam untuk mendekomposisi sinyal-sinyal
multiresolusi, seperti citra.
Jika f adalah suatu suatu vektor, maka WSD
Descriptor didefinisikan sebagai berikut.
1
1
1
LH
HL
HH
LH
HL
HH
f = {σ 1 , σ 1 , σ 1 , 2 σ 2 , 2 σ 2 , 2 σ 2 ,...,
1
1
1
1
σ LLH , L −1 σ LHL , L −1 σ LHH , L −1 σ A , µ a }
2 L −1
2
2
2
Dengan σiMM adalah standar deviasi pada
citra detil MM (yaitu HL, LH, dan HH) pada
dekomposisi level ke-i. σA adalah standar deviasi
pada citra aproksimasi, dan µA adalah rataan
pada citra aproksimasi.
Standar deviasi pada setiap citra detil
memberikan suatu perkiraan detil jumlah dalam
setiap detil citra. Rataan pada citra aproksimasi
memberikan intensitas informasi tentang citra.
Untuk suatu dekomposisi level-L, panjang vektor
adalah 3L+2.
Wavelet
Wavelet adalah suatu teknik matematika
yang bermanfaat untuk analisis numerik dan
manipulasi dari 1 atau 2 dimensi sinyal.
Transformasinya beroperasi seperti suatu
mikroskop untuk menguji detail partisi sinyal ke
dalam komponen frekuensi yang berbeda, lalu
memetakan ke koefisien yang memiliki energi
yang berbeda (Jones et al. 1999).
Jadi inti dari analisis wavalet adalah
bagaimana mendekomposisi signal f ke dalam
basis fungsi ψi di mana i merupakan tingkat
dekomposisi. Hal ini dapat dirumuskan dalam
bentuk yang sederhana :
f = ∑ aiψ i
i
(1)
Dengan kata lain, wavelet merupakan suatu
cara bagaimana mendapatkan representasi yang
efisien dari signal f dalam bentuk koefisien a i,
sehingga perlu menentukan fungsi ψi yang cocok
dengan data yang ingin direpresentasikan (Roose
1999).
Wavelet
db10
Gambar 2 Wave dan Wavelet.
Sine Wave
Wavelet berbeda dengan wave, wave
merupakan fungsi osilasi dari ruang atau waktu
contohnya wave sinus. Wave mempunyai
amplitudo tetap dengan interval -∞ ≤ t ≤ ∞. Di
lain pihak wavelet disebut juga “wave kecil”
yang memiliki energi berhingga dan terlokalisasi
di sekitar sebuah titik, di mana fungsinya
mempunyai nilai rata-rata sama dengan 0.
∫ψ (t )dt = 0 (Burrus et al. 1998). Contoh seperti
terlihat pada Gambar 2.
3
Haar Wavelet
Misalkan setiap satu dimensi citra dengan 2j
merupakan satu elemen atau vektor dalam Vj.
Maka, karena vektor merupakan satu unit
interval, maka setiap vektor dalam Vj merupakan
bagian dari Vj+1. Dengan demikian Vj dapat
didefinisikan sebagai berikut.
0
1
yaitu low-pass dan high-pass. Low-pass
digunakan pada low-frequency berupa koefisien
scaling, sedangkan high-pass pada highfrequency berupa koefisien wavelet (detail
coefficent).
Tranformasi wavelet melakukan proses
splitting pada low-frequency atau aproksimasi
seperti pada Gambar 4.
2
V ⊂ V ⊂ V ⊂ ....
Maka, untuk setiap ruang vektor Vj, fungsi
basis atau scaling function didefinisikan sebagai
berikut.
ϕ (x ) = ϕ (2 x − i), i = 0,…,2j-1
j
S
( 0,0 )
j
A1
(1,0)
i
LH
(1,1)
HL1
(1,2)
HH1
(1,3)
dimana
1
0
ϕ ( x) =
0 < x
WEIGHTED STANDARD DEVIATION (WSD) DESCRIPTOR
YUYUN SARIMA ULFA HARAHAP
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2007
TEMU KEMBALI CITRA DENGAN
WEIGHTED STANDARD DEVIATION (WSD) DESCRIPTOR
YUYUN SARIMA ULFA HARAHAP
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2007
ABSTRAK
YUYUN SARIMA ULFA HARAHAP. Temu Kembali Citra dengan Weighted Standard Deviation
(WSD) Descriptor. Dibimbing oleh JULIO ADISANTOSO dan FIRMAN ARDIANSYAH.
Berbagai metode dikembangkan untuk menghasilkan suatu sistem temu kembali citra yang efektif
dan efisien. Salah satu metode yang populer adalah dengan menggunakan wavelet untuk mengekstrak
citra. Dalam penelitian ini, Haar wavelet digunakan untuk mengekstrak citra menjadi suatu feature
vector. Sebelum diekstrak, citra dengan ruang warna RGB terlebih dahulu dikonversi ke dalam
bentuk ruang warna YCrCb. Hasil dari pengekstraksian berupa vektor berdimensi 33.
Evaluasi hasil temu kembali menggunakan rataan precision untuk tiap tingkat recall. Digunakan
sepuluh buah input kueri citra untuk pengujian sistem. Pada perhitungan nilai recall-precision, nilai
ambang batas yang diambil adalah 75, 150, dan 225. Pada nilai ambang 75, citra relevan yang
terambil berkisar 50% dari seluruh citra relevan dalam basis data. Pada nilai ambang 150, citra relevan
yang terambil berkisar 68% dari seluruh citra relevan dalam basis data. Di lain pihak, citra relevan
yang terambil berkisar 85% pada nilai ambang batas 225.
Kata Kunci: image retrieval, wavelet, Haar wavelet, texture, color.
RIWAYAT HIDUP
Penulis dilahirkan di Kuala Simpang pada tanggal 30 Oktober 1982 dari ayah M. Rahim
Harahap dan ibu Ratna Dewi Siregar. Penulis merupakan putri ke tiga dari empat bersaudara. Tahun
2000 penulis lulus dari SMU Negeri 1 Padang Sidempuan dan pada tahun yang sama lulus seleksi
masuk IPB melalui jalur Seleksi Penerimaan Mahasiswa Baru IPB. Penulis memilih Program Studi
Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.
Pada tahun 2004 Penulis menjalankan Praktik Lapangan (PL) di Pusat Konservasi Tumbuhan
Kebun Raya Bogor selama kurang lebih dua bulan. Pada tahun berikutnya penulis beberapa kali
menjadi asisten pada workshop Pengembangan Web Programming yang diadakan Departemen dalam
Negeri.
PRAKATA
Alhamdulillahirabbil ‘alamin, puji syukur penulis panjatkan kepada Allah Subhanahu wa ta’ala
atas segala curahan rahmat dan karunia-Nya, sehingga skripsi dengan judul Temu Kembali Citra
dengan Weighted Standard Deviation (WSD) Descriptor dapat diselesaikan. Shalawat serta salam
juga penulis sampaikan kepada junjungan kita Nabi Muhammad Shallalahu ‘alaihi wasallam beserta
seluruh sahabat dan umatnya hingga akhir zaman.
Penulis mengucapkan terima kasih kepada Bapak Ir. Julio Adisantoso, M.Kom. dan Bapak Firman
Ardiansyah, S.Kom., M.Si. selaku pembimbing I dan pembimbing II yang telah banyak memberi
saran, masukan dan ide-ide kepada penulis serta kebersamaannya yang tidak bisa terlupakan. Penulis
juga mengucapkan terima kasih kepada Ibu Dr. Ir. Sri Nurdiati, M.Sc. selaku penguji yang telah
memberi saran dan masukan. Selanjutnya, penulis ingin mengucapkan terima kasih kepada:
1 Emak dengan kesabaran, keikhlasan dan pengorbanannya
2 Mas Widhy yang senantiasa mendorong untuk menyelesaikan skripsi dengan menemani penulis
hingga larut malam.
3 Abang, kakak, serta adik tercinta yang selalu memberikan semangat dan kasih sayang kepada
penulis.
4 Dini, TB, Yudi, Restu, Adit sebagai teman seperjuangan yang terus menyemangati dan
memberikan dorongan hingga skripsi ini selesai.
5 Mushtofa, Gofo, Arief, TB yang telah bersedia meluangkan waktunya untuk membantu penulis
mengerjakan skripsi ini.
6 Ilkomerz 37 atas persahabatan yang indah dan tidak pernah putus.
7 Aling dan Pak Agus yang telah menyediakan tempat menginap untuk penulis selama penulis
mengerjakan skripsi.
8 Penghuni kosan C-22 yang ramah dan baik.
9 Departemen Ilmu Komputer, dosen dan staf yang telah banyak membantu penulis pada masa
perkuliahan dan penelitian.
10 Semua pihak yang tidak bisa disebutkan satu persatu yang telah membantu penulis dalam
menyelesaikan skripsi ini.
Penulis menyadari bahwa masih banyak kekurangan dalam penelitian ini. Oleh karena itu, kritik
dan saran sangat penulis harapkan untuk perbaikan di masa mendatang. Penulis berharap hasil dari
penelitian ini dapat bermanfaat dan dapat menjadi acuan bagi penelitian berikutnya.
Bogor, Agustus 2007
Yuyun Sarima Ulfa Harahap
DAFTAR ISI
Halaman
DAFTAR ISI ....................................................................................................................................... v
DAFTAR TABEL .............................................................................................................................. vi
DAFTAR GAMBAR.......................................................................................................................... vi
DAFTAR LAMPIRAN....................................................................................................................... vi
PENDAHULUAN ............................................................................................................................... 1
Latar Belakang ............................................................................................................................ 1
Ruang Lingkup dan Batasan........................................................................................................ 1
Tujuan Penelitian......................................................................................................................... 1
TINJAUAN PUSTAKA ...................................................................................................................... 1
Representasi Citra Digital ........................................................................................................... 1
Ruang Warna............................................................................................................................... 2
Weigthed Standard Deviation (WSD) Descriptor.........................................................................
Wavelet ........................................................................................................................................ 2
Haar Wavelet............................................................................................................................... 3
Tranformasi Wavelet ................................................................................................................... 3
Transformasi Satu-Dimensi Haar Wavelet.................................................................................. 3
Transformasi Dua-Dimensi Haar Wavelet .................................................................................. 4
Jarak Euclidean ........................................................................................................................... 4
Efektifitas Temu Kembali ........................................................................................................... 4
METODE PENELITIAN .................................................................................................................... 4
Proses Temu Kembali Citra......................................................................................................... 4
Pengolahan Citra Digital ............................................................................................................. 5
Pencocokan Citra (Image Matching)........................................................................................... 6
Spesifikasi Perangkat Keras dan Lunak ...................................................................................... 6
HASIL DAN PEMBAHASAN............................................................................................................ 7
Ekstraksi Feature Vector............................................................................................................. 7
Temu Kembali Citra.................................................................................................................... 7
Recall-Precision .......................................................................................................................... 8
KESIMPULAN DAN SARAN.......................................................................................................... 10
Kesimpulan................................................................................................................................ 10
Saran.......................................................................................................................................... 10
DAFTAR PUSTAKA ........................................................................................................................ 10
DAFTAR TABEL
Halaman
1 Contoh hasil ekstraksi pada kelompok citra pertama ..................................................................... 7
2 Nilai recall-precision pada nilai ambang batas 75, 150, dan 225 ............................................... 10
DAFTAR GAMBAR
Halaman
1
2
3
4
5
6
7
8
9
10
11
12
13
Representasi citra berukuran mxn. ................................................................................................. 1
Wave dan Wavelet .......................................................................................................................... 2
Haar scaling function dan Haar wavelet dekomposisi dari V1 ...................................................... 3
Wavelet tree dua dimensi pada dua tingkat pemfilteran................................................................. 3
Dekomposisi standar wavelet suatu citra........................................................................................ 4
Dekomposisi nonstandar wavelet suatu citra ................................................................................. 4
Alur sistem temu kembali citra.. .................................................................................................... 4
Tahapan perubahan citra dari ruang warna RGB menjadi YcrCb pada citra 72.BMP. .................. 6
Contoh hasil temu kembali terhadap citra kueri 1.BMP ................................................................ 8
Contoh hasil temu kembali terhadap citra kueri 41.BMP .............................................................. 8
Grafik recall-precision pada nilai ambang batas 75....................................................................... 9
Grafik recall-precision pada nilai ambang batas 150..................................................................... 9
Grafik recall-precision pada nilai ambang batas 225..................................................................... 9
DAFTAR LAMPIRAN
Halaman
1
2
3
4
5
6
Citra yang digunakan dalam basis data ........................................................................................ 12
Citra yang menjadi kueri .............................................................................................................. 14
Jarak antara feature vector kueri citra dengan feature vector citra dalam basis data ................... 15
Hasil temu kembali pada nilai ambang batas 75 .......................................................................... 17
Hasil temu kembali pada nilai ambang batas150 ......................................................................... 18
Hasil temu kembali pada nilai ambang batas 225 ........................................................................ 19
1
PENDAHULUAN
Latar Belakang
Saat ini pencitraan telah menjadi bagian
yang tak terpisahkan dari manusia. Berbagai
bidang ilmu membutuhkan citra sebagai referensi
ataupun data untuk menganalisa. Misalnya,
dalam dunia kedokteran informasi citra hasil Xray dibutuhkan untuk analisa penyakit, atau
dalam dunia meteorologi para pakarnya
menggunakan informasi citra satelit untuk
menganalisa cuaca. Tentu saja, citra-citra yang
diperoleh saat ini lebih banyak disimpan dalam
suatu basis data dengan format digital untuk
digunakan lagi di waktu mendatang. Pencarian
citra dalam basis data inilah yang kemudian
menjadi isu bagi para peneliti di lingkungan
informasi teknologi, bagaimana agar informasi
yang dicari dalam basis data dapat dicari dengan
cepat dan hasil yang akurat.
Dulu, sistem yang banyak digunakan untuk
pencarian citra adalah dengan berbasis teks. Pada
pencarian citra berbasis teks ini, input citra dan
penggambaran citra dalam basis data berbentuk
teks. Sehingga proses pendataan citra dalam
basis data akan memakan waktu yang lama.
Selain itu untuk penggambaran kandungan suatu
citra oleh setiap individu berbeda. Hal ini
mengakibatkan sulit untuk mengidentifikasi
suatu citra dalam basis data. Kendala-kendala ini
mendorong untuk ditemukannya suatu metode
baru yang lebih efektif dan efisien dalam
pencarian citra.
Kemudian, sistem temu kembali citra
berbasis kandungan (Content Based Image
Retrieval) mulai menarik perhatian. Dengan
sistem temu kembali citra berbasis kandungan,
properti citra seperti warna (color), tekstur
(texture), dan bentuk (shape) digunakan untuk
pencarian citra dalam basis data. Untuk
mempermudah pencarian, properti-properti citra
ini diekstrak ke dalam fitur pada level rendah
(low-level feature).
Untuk mengekstraksi citra, berbagai metode
dikembangkan agar sistem temu kembali yang
dibuat efektif dan efisien. Pada penelitian ini
digunakan Haar wavelet untuk mengekstrak
tekstur dan warna citra sehingga didapatkan
feature vector-nya. Feature vector ini kemudian
akan disimpan dalam basis data untuk digunakan
dalam proses pencarian. Penggunaan wavelet
dalam penelitian ini karena wavelet mampu
menangkap properti-properti citra sekaligus,
sehingga diharapkan waktu yang dihabiskan
dalam satu kali proses pencarian relatif tidak
memakan waktu yang lama. Di lain pihak,
wavelet yang digunakan dalam penelitian ini
adalah Haar wavelet karena wavelet ini paling
sederhana dan mudah diimplementasikan.
Ruang Lingkup dan Batasan
Wavelet yang digunakan pada penelitian ini
adalah Haar wavelet, dengan menggunakan
dekomposisi standar sampai pada level tiga.
Weighted Standard Deviation (WSD)
Descriptor mengolah kandungan citra hanya
pada tekstur dan warna.
Tujuan Penelitian
Tujuan dilakukan penelitian ini untuk
mengukur kinerja algoritma Weighted Standard
Deviation (WSD) Descriptor dari segi
keakuratan yang dihasilkan dalam proses
pencarian citra dalam basis data. Algoritma
WSD Descriptor menggunakan Haar wavelet
untuk mendapatkan feature vector.
TINJAUAN PUSTAKA
Representasi Citra Digital
Citra digital adalah sebuah fungsi intensitas
cahaya f(x, y) dengan x dan y menunjukkan
koordinat spasial dan nilai f pada setiap titik
(x,y) menunjukkan kecerahan citra pada titik
tersebut (Gonzales & Woods 2002).
Citra digital dapat ditampilkan dalam bentuk
matriks berukuran mxn dengan m menunjukkan
banyaknya sel dalam baris dan n menunjukkan
banyaknya sel dalam kolom (Gambar 1). Tiap sel
matrik atau disebut picture element (disingkat
pixel) menyimpan nilai intensitas warna dari
koordinat spasial tersebut. Jadi citra digital dapat
dinyatakan dalam matrik MxN sel.
f(x1,y1) ......... f(xm,y1)
.
.
.
.
.
.
x
.
.
.
f(x1,yn) ......... f(xm,yn)
y
Gambar 1 Representasi citra berukuran mxn.
Representasi citra digital ada dua jenis yaitu
citra skala-keabuan (grayscale) dengan format 8bit dan citra berwarna dengan format 24-bit.
Untuk citra dengan modus skala 8-bit, setiap titik
direpresentasikan dengan fungsi f(x,y) yang
mempunyai 256 intensitas kecerahan (28 = 256).
Nilai ini berkisar antar 0 hingga 255 dengan nilai
0 menunjukkan intensitas paling gelap (hitam)
2
dan nilai 255 menyatakan intensitas paling terang
(putih).
Ruang Warna
Ruang warna, atau disebut juga model
warna, berguna memberikan spesifikasi warna
dalam bentuk standar yang dapat diterima secara
umum. Ruang warna merupakan spesifikasi dari
koordinat 3-D yang satu bagian di dalamnya
memiliki satu nilai tunggal untuk mewakili tiap
warna (Gonzales & Woods 2002). Ruang warna
yang banyak digunakan antara lain RGB dan
YcrCb.
Ruang warna RGB (red, green, blue)
menggunakan sistem koordinat kartesian yang
membentuk suatu kubus. Untuk membuat suatu
warna digunakan kontribusi dari tiga sumbu
utama tersebut. Diagonal utama dalam kubus
menunjukkan tingkat keabuan.
Ruang warna YCrCb pada umumnya
digunakan untuk video digital. Pada format
ruang warna ini, tingkat keabu-abuan disimpan
dalam Y. Cr merujuk kepada perbedaan antara
komponen warna merah dengan suatu nilai
referensi. Di lain pihak Cb merujuk kepada
perbedaan antara komponen warna biru dengan
suatu nilai referensi.
Weigthed
Standard
Deviation
(WSD)
Descriptor
WSD
adalah
suatu
teknik
untuk
mengesktrak citra menjadi suatu deskriptor.
Dengan WSD, dua buah informasi basis citra,
yaitu tekstur dan warna, dapat ditransformasi
sekaligus.
Tujuan dari proses ekstraksi adalah untuk
menemukan korelasi antar piksel, atau
memadatkan sebanyak mungkin informasi ke
dalam sejumlah kecil koefisien hasil ekstraksi.
Dengan WSD Descriptor memungkinkan
sebagian besar informasi citra termuat dalam
sedikit koefisien, sehingga proses-proses
selanjutnya yang berkenaan dengan citra dapat
lebih cepat.
Proses ekstraksi citra dengan WSD
Descriptor menggunakan transformasi wavelet.
Transformasi wavelet sebagai alat untuk
menganalisis sinyal mempunyai keuntungan
dalam hal ortogonalitas dan kemampuan yang
tajam untuk mendekomposisi sinyal-sinyal
multiresolusi, seperti citra.
Jika f adalah suatu suatu vektor, maka WSD
Descriptor didefinisikan sebagai berikut.
1
1
1
LH
HL
HH
LH
HL
HH
f = {σ 1 , σ 1 , σ 1 , 2 σ 2 , 2 σ 2 , 2 σ 2 ,...,
1
1
1
1
σ LLH , L −1 σ LHL , L −1 σ LHH , L −1 σ A , µ a }
2 L −1
2
2
2
Dengan σiMM adalah standar deviasi pada
citra detil MM (yaitu HL, LH, dan HH) pada
dekomposisi level ke-i. σA adalah standar deviasi
pada citra aproksimasi, dan µA adalah rataan
pada citra aproksimasi.
Standar deviasi pada setiap citra detil
memberikan suatu perkiraan detil jumlah dalam
setiap detil citra. Rataan pada citra aproksimasi
memberikan intensitas informasi tentang citra.
Untuk suatu dekomposisi level-L, panjang vektor
adalah 3L+2.
Wavelet
Wavelet adalah suatu teknik matematika
yang bermanfaat untuk analisis numerik dan
manipulasi dari 1 atau 2 dimensi sinyal.
Transformasinya beroperasi seperti suatu
mikroskop untuk menguji detail partisi sinyal ke
dalam komponen frekuensi yang berbeda, lalu
memetakan ke koefisien yang memiliki energi
yang berbeda (Jones et al. 1999).
Jadi inti dari analisis wavalet adalah
bagaimana mendekomposisi signal f ke dalam
basis fungsi ψi di mana i merupakan tingkat
dekomposisi. Hal ini dapat dirumuskan dalam
bentuk yang sederhana :
f = ∑ aiψ i
i
(1)
Dengan kata lain, wavelet merupakan suatu
cara bagaimana mendapatkan representasi yang
efisien dari signal f dalam bentuk koefisien a i,
sehingga perlu menentukan fungsi ψi yang cocok
dengan data yang ingin direpresentasikan (Roose
1999).
Wavelet
db10
Gambar 2 Wave dan Wavelet.
Sine Wave
Wavelet berbeda dengan wave, wave
merupakan fungsi osilasi dari ruang atau waktu
contohnya wave sinus. Wave mempunyai
amplitudo tetap dengan interval -∞ ≤ t ≤ ∞. Di
lain pihak wavelet disebut juga “wave kecil”
yang memiliki energi berhingga dan terlokalisasi
di sekitar sebuah titik, di mana fungsinya
mempunyai nilai rata-rata sama dengan 0.
∫ψ (t )dt = 0 (Burrus et al. 1998). Contoh seperti
terlihat pada Gambar 2.
3
Haar Wavelet
Misalkan setiap satu dimensi citra dengan 2j
merupakan satu elemen atau vektor dalam Vj.
Maka, karena vektor merupakan satu unit
interval, maka setiap vektor dalam Vj merupakan
bagian dari Vj+1. Dengan demikian Vj dapat
didefinisikan sebagai berikut.
0
1
yaitu low-pass dan high-pass. Low-pass
digunakan pada low-frequency berupa koefisien
scaling, sedangkan high-pass pada highfrequency berupa koefisien wavelet (detail
coefficent).
Tranformasi wavelet melakukan proses
splitting pada low-frequency atau aproksimasi
seperti pada Gambar 4.
2
V ⊂ V ⊂ V ⊂ ....
Maka, untuk setiap ruang vektor Vj, fungsi
basis atau scaling function didefinisikan sebagai
berikut.
ϕ (x ) = ϕ (2 x − i), i = 0,…,2j-1
j
S
( 0,0 )
j
A1
(1,0)
i
LH
(1,1)
HL1
(1,2)
HH1
(1,3)
dimana
1
0
ϕ ( x) =
0 < x