Image Searching Using Heuristic Method for Image Retrieval System.
ABSTRACT
FITRIA YUNINGSIH. Image Searching Using Heuristic Method for Image Retrieval System. Under
the supervision of YENI HERDIYENI.
The development of image retrieval system and user demand for a fast and accurate search engine
motivates research on finding efficient retrieval methods. Commonly, image searching process works
through computing and comparing similarity value between input query and entire database images.
This process is not efficient due to time-wasting during computation especially for large database.
This research proposes heuristic method for image searching. The basic idea of this research deals
with structural database content that reduces searching time. This research implements fitness
landscape model. Fitness landscape is kind of directed graph whose labeled vertices and edges. Each
node represents an image and each edge represents distance or similarity value of a node to other
connected nodes. Similarity value between nodes are computed using combination of three image
features, those are color, shape, and texture. Heuristic algorithm moves on these nodes with BreadthFirst Search mechanism under certain constraints. Each visited node that fulfills the requirement will
be retrieved as searching result. This retrieval result is then evaluated using recall precision parameter
to get value of searching effectiveness. This experiment also computes retrieval time for each query.
As the result, heuristic method obtains average retrieval time up to nine times faster compared with
the non-heuristic one. Hence, this proposed method is promising to be used in image retrieval system
because it provides fast image searching.
Keywords: image searching, fitness landscape, heuristic, content based image retrieval.
METODE HEURISTIK UNTUK PENCARIAN CITRA PADA
SISTEM TEMU KEMBALI CITRA
FITRIA YUNINGSIH
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
DAFTAR PUSTAKA
Baeza-Yates R, Ribeiro-Neto R. 1999. Modern
Information Retrieval. New York : Addison
Wesley
Datta R, Joshi D, Li J, Wang JZ. 2008. Image
Retrieval: Ideas, Influences, and Trends of
the New Age. ACM Computing Surveys.
Grossman DA, Frieder O. 2004. Information
Retrieval Algorithms and Heuristics.
Netherlands: Springer.
Jones T. 1995. Evolutionary Algorithms, Fitness
Landscapes and Search [dissertation].
http://www.cs.unm.edu/~forrest/dissertation
s-and-proposals/terry.pdf [8 April 2009].
Jones T, Forrest S. 1995. Genetic Algorithms
and
Heuristic
Search.
http://www.cs.unm.edu/~forrest/publications
/gahs.pdf [20 November 2008].
Klabbankoh B, Pinngern O. 1999. Applied
Genetic
Algorithms
in
Information
Retrieval. Bangkok : Faculty of Information
Technology King Mongkut, Institute of
Technology
Ladkrabang.
http://www.journal.au.edu/ijcim/sep99/02drouen.pdf[17 Desember 2008].
Pebuardi R. 2008. Pengukuran Kemiripan Citra
Berbasis Warna, Bentuk, dan Tekstur
Menggunakan Bayesian Network [skripsi].
Bogor: Departemen Ilmu Komputer, Institut
Pertanian Bogor.
Pratama F. 2009. Algoritme Genetika untuk
Optimasi Pembobotan Fitur pada Temu
Kembali Citra [skripsi]. Bogor: Departemen
Ilmu Komputer, Institut Pertanian Bogor.
Stadler PF. 2001. Fitness Landscape.
http://www.tbi.univie.ac.at/papers/Abstracts/
01-pfs-004.pdf [26 Mei 2009].
Suyanto.
2007.
Artificial
Intelligence,
Searching, Reasoning, Planning and
Learning. Bandung: Penerbit Informatika.
METODE HEURISTIK UNTUK PENCARIAN CITRA PADA
SISTEM TEMU KEMBALI CITRA
FITRIA YUNINGSIH
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
METODE HEURISTIK UNTUK PENCARIAN CITRA PADA
SISTEM TEMU KEMBALI CITRA
FITRIA YUNINGSIH
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
BOGOR
2009
ABSTRACT
FITRIA YUNINGSIH. Image Searching Using Heuristic Method for Image Retrieval System. Under
the supervision of YENI HERDIYENI.
The development of image retrieval system and user demand for a fast and accurate search engine
motivates research on finding efficient retrieval methods. Commonly, image searching process works
through computing and comparing similarity value between input query and entire database images.
This process is not efficient due to time-wasting during computation especially for large database.
This research proposes heuristic method for image searching. The basic idea of this research deals
with structural database content that reduces searching time. This research implements fitness
landscape model. Fitness landscape is kind of directed graph whose labeled vertices and edges. Each
node represents an image and each edge represents distance or similarity value of a node to other
connected nodes. Similarity value between nodes are computed using combination of three image
features, those are color, shape, and texture. Heuristic algorithm moves on these nodes with BreadthFirst Search mechanism under certain constraints. Each visited node that fulfills the requirement will
be retrieved as searching result. This retrieval result is then evaluated using recall precision parameter
to get value of searching effectiveness. This experiment also computes retrieval time for each query.
As the result, heuristic method obtains average retrieval time up to nine times faster compared with
the non-heuristic one. Hence, this proposed method is promising to be used in image retrieval system
because it provides fast image searching.
Keywords: image searching, fitness landscape, heuristic, content based image retrieval.
Judul
Nama
NIM
: Metode Heuristik untuk Pencarian Citra pada Sistem Temu Kembali Citra
: Fitria Yuningsih
: G64052644
Menyetujui:
Pembimbing,
Yeni Herdiyeni, S.Si., M.Kom.
NIP 197509232000122001
Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Dr. drh. Hasim, DEA.
NIP 196103281986011002
Tanggal Lulus:
PRAKATA
Alhamdulillahirabbil’alamin, segala puji hanya milik Allah SWT, yang tidak henti-hentinya
mencurahkan rahmat dan kasih sayang, sehingga tugas akhir berjudul Metode Heuristik untuk
Pencarian Citra pada Sistem Temu Kembali Citra dapat diselesaikan dengan baik. Dalam
menyelesaikan tugas akhir ini penulis mendapatkan banyak sekali bantuan dan bimbingan dari
berbagai pihak, oleh karena itu penulis mengucapkan terima kasih dan penghargaan kepada :
1
Bapak (Alm.), Mama, Mas Udy, Mbak Lita, Mas Teguh, Kak Icha, atas kasih sayang, doa,
motivasi dan segala bantuan yang tak ternilai.
2
Ibu Yeni Herdiyeni, S.Si, M.Kom. selaku pembimbing atas bimbingan dan arahan selama
pengerjaan tugas akhir ini.
3
Seluruh staf dosen dan karyawan Departemen Ilmu Komputer FMIPA IPB atas segala bimbingan
dan bantuannya selama masa perkuliahan Penulis.
4
Mbak Gibtha dan Kak Rizki atas bantuan dan penelitian-penelitiannya.
5
Teman-teman satu bimbingan, Gang CI Berkacamata, Rahmadhani, Ferry Pratama, Muhammad
Abi Rafdi, Vera Yunita, Indra Nugraha Abdullah, Dimas Perdana CKP, dan seluruh teman-teman
bidang retrieval atas kerjasama dan kebersamaan selama masa pembuatan skripsi.
6
Consistent Team, Medria KDH, Rizqi Baihaqi, M. Abi Rafdi, atas kekompakan serta waktu-waktu
yang menyenangkan dan bermanfaat.
7
Ida, Mega, Mirna, Cira, Esti, Windy, Ovie, Ibonk, Regi, Uud, Nano, dan seluruh teman-teman
Departemen Ilmu Komputer IPB angkatan 42 yang telah meramaikan hari-hari penulis dengan
kebersamaan dan waktu-waktu yang tak terlupakan bersama kalian.
8
Teman-teman kos putri White House sebagai second home Penulis selama kuliah di Departemen
Ilmu Komputer IPB.
Penulis juga mengucapkan terima kasih kepada semua pihak yang telah membantu pengerjaan
tugas akhir ini yang tidak dapat disebutkan satu per satu. Segala kritik dan saran yang membangun
akan diterima untuk perbaikan selanjutnya. Semoga penelitian ini dapat bermanfaat. Terima kasih.
Bogor, Agustus 2009
Fitria Yuningsih
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 1 Juni 1987 sebagai anak ketiga dari tiga bersaudara
dari ayahanda bernama H. Sugiman (Alm.) dan ibunda bernama Hj. Parini.
Penulis masuk SMA Negeri 12 Jakarta pada tahun 2002 dan lulus pada tahun 2005. Pada tahun
yang sama, Penulis melanjutkan pendidikan di IPB melalui jalur Ujian Seleksi Masuk IPB (USMI)
dan diterima sebagai mahasiswi Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas
Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Selama menjadi mahasiswa, Penulis bergabung sebagai pengurus Himpunan Mahasiswa Ilmu
Komputer (HIMALKOM) sebagai staf Divisi Troubleshooting dan beberapa kepanitian dalam ruang
lingkup Fakultas MIPA IPB. Pada tanggal 7 Juli 2008 sampai tanggal 22 Agustus 2008, Penulis
melaksanakan Praktik Kerja Lapangan di Pusat Teknologi Elektronika Dirgantara, Lembaga
Penerbangan dan Antariksa Nasional (LAPAN).
DAFTAR ISI
Halaman
DAFTAR GAMBAR .............................................................................................................................. v
PENDAHULUAN
Latar Belakang .................................................................................................................................... 1
Tujuan ................................................................................................................................................. 1
Ruang Lingkup ................................................................................................................................... 1
TINJAUAN PUSTAKA
Content Based Image Retrieval........................................................................................................... 1
Heuristik ............................................................................................................................................. 1
Ekstraksi Ciri (Feature Extraction) .................................................................................................... 1
Evolutionary Algorithm ...................................................................................................................... 1
Fungsi Fitness ..................................................................................................................................... 2
Model Fitness Landscapes .................................................................................................................. 2
Algoritme Breadth-First Search (BFS) .............................................................................................. 2
Recall dan Precision ........................................................................................................................... 2
METODE PENELITIAN
Data Penelitian .................................................................................................................................... 3
Ekstraksi Ciri ...................................................................................................................................... 3
Pembentukan Struktur Graf ................................................................................................................ 3
Landscape 1 ................................................................................................................................. 3
Landscape 2 ................................................................................................................................. 3
Temu Kembali Citra ........................................................................................................................... 4
Evaluasi Hasil Temu Kembali ............................................................................................................ 4
Spesifikasi Pengembangan.................................................................................................................. 5
HASIL DAN PEMBAHASAN
Ekstraksi Ciri Citra ............................................................................................................................. 5
Struktur Graf ....................................................................................................................................... 5
Landscape 1 ................................................................................................................................. 5
Landscape 2 ................................................................................................................................. 5
Proses Pencarian ................................................................................................................................. 6
Hasil Temu Kembali ........................................................................................................................... 6
Evaluasi Hasil Temu Kembali ............................................................................................................ 8
KESIMPULAN DAN SARAN
Kesimpulan ......................................................................................................................................... 9
Saran ................................................................................................................................................... 9
DAFTAR PUSTAKA ............................................................................................................................. 9
LAMPIRAN ......................................................................................................................................... 11
iv
DAFTAR GAMBAR
Halaman
1
2
3
4
5
6
7
8
9
10
11
12
13
Ilustrasi algoritme BFS ..................................................................................................................... 2
Metode penelitian .............................................................................................................................. 3
Representasi satu node pada landscape............................................................................................. 3
Ilustrasi pencarian pada landscape 1 ................................................................................................. 4
Ilustrasi pencarian pada landscape 2 ................................................................................................. 4
Ilustrasi landscape 1 .......................................................................................................................... 5
Ilustrasi landscape 2 .......................................................................................................................... 5
Diagram alur proses penelusuran pada landscape 1 dan landscape 2 ............................................... 6
Contoh tampilan utama sistem .......................................................................................................... 7
Contoh hasil temu kembali ................................................................................................................ 7
Contoh hasil temu kembali yang kurang relevan .............................................................................. 8
Grafik perbandingan nilai recall dan precision ................................................................................. 9
Grafik perbandingan waktu temu kembali ........................................................................................ 9
v
PENDAHULUAN
Latar Belakang
Dalam perkembangan media informasi
terutama di bidang temu kembali citra dewasa
ini, para pengguna membutuhkan mesin pencari
yang cepat dengan hasil yang relevan. Oleh
karena itu, metode pencarian heuristik
diaplikasikan dengan harapan mampu membuat
proses pencarian citra menjadi lebih cepat.
Proses pencarian yang umum dilakukan
adalah dengan membandingkan citra kueri
dengan seluruh citra dalam basis data. Proses ini
dilakukan berulang setiap citra kueri diberikan.
Hal ini tidak efisien karena proses tersebut
cukup membutuhkan waktu terutama pada basis
data berukuran besar.
Metode heuristik diterapkan untuk membuat
basis data lebih terstruktur. Model struktur basis
data tersebut menransformasi isi basis data
menjadi graf terhubung. Setiap node graf adalah
representasi setiap citra dalam basis data.
Antara node satu dengan node lainnya
dihubungkan dengan edge yang dilabeli dengan
nilai kemiripan dan prediksi kedekatan (Stadler
2001). Model graf ini dalam ruang lingkup
Evolutionary Algorithm (EA) dikenal dengan
fitness landscape (Jones 1995). Prediksi
kedekatan
dan
kemiripan
tersebut
mempengaruhi posisi antar node. Semakin
mirip citra-citra tersebut maka posisinya
semakin berdekatan.
Pada saat kueri dimasukkan, pencarian
dilakukan dengan cara menelusuri node-node
graf tersebut dengan algoritme pencarian
Breadth-First Search (BFS). Awal pencarian
difokuskan untuk mencari citra dalam basis data
yang paling relevan dengan kueri. Setelah itu,
pencarian berlanjut dengan menelusuri citracitra lain dengan posisi yang berdekatan dengan
citra basis data yang paling relevan tersebut.
Hal ini dilakukan karena model struktur graf ini
telah memposisikan citra-citra yang mirip saling
berdekatan, sehingga ketika citra paling relevan
dengan kueri telah ditemukan, maka citra-citra
lain yang letaknya berdekatan dengan citra
tersebut juga relevan terhadap kueri. Hasil
penelusuran kemudian ditampilkan sebagai
hasil temu kembali.
Tujuan
Tujuan
penelitian
ini
adalah
mengimplementasikan dan menganalisis kinerja
metode heuristik pada pencarian citra.
Ruang Lingkup
Ruang lingkup penelitian ini difokuskan
pada implementasi pemrograman heuristik pada
proses pencarian citra dalam konteks Content
Based Image Retrieval (CBIR) berdasarkan fitur
warna, bentuk, dan tekstur. Implementasi ini
diterapkan pada data sebanyak 1100 citra yang
terbagi menjadi 10 kelas, yaitu mobil, singa,
matahari terbenam, tekstur, beruang, gajah,
tanda panah, pemandangan, reptil, dan pesawat.
TINJAUAN PUSTAKA
Content Based Image Retrieval
Content based imaged retrieval (CBIR)
merupakan suatu pendekatan pada temu
kembali citra berdasarkan ciri atau informasi
yang terkandung di dalam citra seperti warna,
bentuk dan tekstur (Han & Ma diacu dalam
Pebuardi 2008). Secara umum, proses content
based image retrieval (CBIR) dapat dibagi
menjadi dua proses utama yaitu pengolahan
basis data atau pengindeksan dan temu kembali.
Heuristik
Kata heuristik berasal dari bahasa Yunani,
heuriskein, yang berarti mencari atau
menemukan. Di dalam mempelajari metodemetode pencarian, kata heuristik diartikan
sebagai suatu fungsi yang memberikan suatu
nilai berupa biaya perkiraan (estimasi) dari
suatu solusi (Suyanto 2007).
Ekstraksi Ciri (Feature Extraction)
Proses ekstraksi ciri adalah salah satu tahap
praproses pada sistem CBIR (Datta et al 2008).
Informasi visual yang dihasilkan dari ekstraksi
ciri sangat bermanfaat untuk analisis dan proses
citra selanjutnya. Ekstraksi ciri pada umumnya
memanfaatkan komponen informasi pada citra
yaitu berdasarkan warna, bentuk dan tekstur.
Evolutionary Algorithm
Evolutionary algorithm identik dengan
Evolutionary Programming, Genetic Algorithm,
dan Evolution Strategies. Algoritme ini mencari
sekumpulan solusi untuk suatu masalah. Solusi
awal tersebut digunakan untuk membentuk
potensi solusi baru melalui penggunaan
operator. Operator yang dimaksud adalah
operator genetika seperti mutasi, rekombinasi,
dan inversi. Setiap operator yang digunakan
membentuk landscape tersendiri (Jones 1995).
Landscape adalah salah satu cara untuk
menggambarkan proses yang dijalankan oleh
suatu operator. Hasilnya berupa struktur
berbentuk graf terhubung.
Fungsi Fitness
Fungsi fitness adalah ukuran kinerja yang
mengevaluasi seberapa bagus suatu solusi.
Fungsi ini dapat digunakan untuk mengukur
nilai kemiripan antar dua citra. Salah satu fungsi
kemiripan yang umum digunakan adalah cosine
similarity, formulanya adalah sebagai berikut:
,
I
II
III
IV
V
dengan
x = vektor citra x, dan
y = vektor citra y.
Gambar 1 Ilustrasi algoritme BFS.
Hasil perhitungan nilai kemiripan berkisar
antara 0 sampai 1. Semakin mendekati nilai 1
maka kedua citra tersebut semakin mirip, begitu
pula sebaliknya (Klabbankoh & Pinngren
1999).
Recall dan precision merupakan parameter
untuk mengukur keefektifan dari hasil temu
kembali. Recall menyatakan proporsi materi
relevan yang ditemukembalikan terhadap
seluruh materi relevan yang ada dalam basis
data. Sementara itu, precision menyatakan
proporsi materi relevan yang ditemukembalikan
terhadap seluruh materi yang ditemukembalikan
(Grossman 2006).
Model Fitness Landscapes
Model fitness landscape adalah suatu cara
untuk memodelkan citra-citra beserta nilai
kemiripannya menjadi bentuk graf terhubung.
Setiap citra direpresentasikan sebagai sebuah
node pada suatu dimensi ruang (Jones & Forrest
1995). Untuk membentuk landscape diperlukan
tiga komponen, yaitu sebagai berikut (Stadler
2001):
1 Memiliki konfigurasi X, yaitu himpunan
anggota, atau dalam hal ini citra dalam basis
data.
2 Memiliki perkiraan kedekatan atau jarak
antar anggota X.
3 Memiliki fungsi kemiripan.
Himpunan citra menjadi node-node pada
graf. Fungsi kemiripan dihitung menggunakan
persamaan
tertentu
sehingga
dapat
mengidentifikasi tingkat kemiripan antar citra.
Tingkat kemiripan tersebut digunakan sebagai
perkiraan kedekatan antar node. Semakin besar
nilai kemiripannya maka posisi dalam graf
semakin berdekatan.
Algoritme Breadth-First Search (BFS)
Algoritme BFS adalah suatu sitematika
pencarian yang dilakukan pada semua node
pada setiap level secara berurutan dari kiri ke
kanan. Jika pada satu level belum ditemukan
solusi, maka pencarian dilanjutkan pada level
berikutnya (Suyanto 2007). Ilustrasi algoritme
BFS dapat dilihat pada Gambar 1.
Recall dan Precision
Penentuan nilai precision untuk nilai recall
tertentu dihitung dengan interpolasi maksimum
dengan aturan berikut (misalnya untuk recall 0
sampai 1 dengan interval 0.1):
,
dengan
rj {0.0, 0.1, …, 1.0},
r0 = 0.0, r1 = 0.1, …, r10=1.0.
Jika tidak semua citra relevan dapat
ditemukembalikan maka nilai precision pada
recall yang bersangkutan bernilai 0 (BaezaYates & Ribeiro-Neto 1999).
METODE PENELITIAN
Penelitian ini dilaksanakan dalam beberapa
tahap yaitu: (1) ekstraksi citra, (2) proses
pembentukan struktur graf, (3) proses
pengindeksan dokumen citra, (4) pencarian dan
pengukuran kemiripan dengan menggunakan
metode heuristik, dan (5) evaluasi hasil temu
kembali. Tahap-tahap yang dilakukan pada
penelitian diilustrasikan pada Gambar 2.
2
1 Representasi node
Pengindeksan
Basis
Data
Citra
Temu Kembali Citra
Citra
kueri
Ekstraksi ciri
Ekstraksi Ciri
Indeks Citra
kueri
Pembentukan
struktur graf
Penelitian ini menggunakan tiga fitur citra,
yaitu warna, bentuk, dan tekstur. Oleh karena
itu, satu node pada landscape ini adalah satu
citra yang direpresentasikan dengan vektorvektor hasil ekstraksi ketiga fiturnya. Ketiga
vektor tersebut terdiri atas vektor warna berisi
162 elemen, vektor bentuk berisi 72 elemen,
dan vektor tekstur berisi 7 elemen. Contoh
ilustrasi satu node digambarkan pada Gambar 3.
162 elemen warna
Metode Heuristik
7 elemen tekstur
Pencarian dan
Pengukuran
Kesamaan
Indeks Citra
Basis data
Hasil Temu
Kembali Optimal
Evaluasi Temu
Kembali
node
72 elemen bentuk
Gambar 3 Representasi satu node pada
landscape.
2 Perhitungan nilai kemiripan
Gambar 2 Metode penelitian.
Data Penelitian
Data yang digunakan pada penelitian ini
terdiri atas 1100 citra berformat TIF yang
dikelompokkan secara manual ke dalam 10
kelas, yaitu mobil, singa, matahari terbenam,
tekstur, beruang, gajah, tanda panah,
pemandangan, reptil, dan pesawat. Setiap citra
memiliki ukuran yang bervariasi. Citra didapat
dari http://www.fei.edu.br/~psergio/MaterialAu
las/Generalist1200.zip. Beberapa contoh citra
yang digunakan tertera pada Lampiran 1.
Ekstraksi Ciri
Ekstraksi ciri yang digunakan pada
penelitian meliputi ekstraksi warna, bentuk, dan
tekstur hasil penelitian Pebuardi (2008).
Ekstraksi warna menggunakan conventional
color histogram (CCH), ekstraksi bentuk
menggunakan deteksi tepi Sobel, dan ekstraksi
tekstur menggunakan matriks co-occurrence.
Pembentukan Struktur Graf
Tahapan pembentukan struktur graf adalah
sebagai berikut.
Landscape 1
Pembentukan landscape ini bertujuan untuk
mencari citra dalam basis data yang paling
identik dengan citra kueri. Landscape 1 terdiri
atas beberapa komponen, yaitu node, edge, dan
nilai kemiripan untuk melabeli edge-nya.
Tahapan pembuatan landscape ini yaitu:
Nilai kemiripan antar citra dalam basis data
dihitung menggunakan cosine similarity. Setiap
fitur antar dua citra dihitung nilai kemiripannya
kemudian dijumlahkan. Perhitungan dilakukan
terhadap citra basis data urutan pertama
terhadap setiap citra dalam basis data. Hasilnya
adalah sebuah matriks berukuran 1×n, dengan n
menunjukkan jumlah citra dalam basis data.
Rumus cosine similarity adalah sebagai berikut:
,
dengan
x = vektor citra x,
y = vektor citra y.
Landscape 2
Manfaat landscape 2 dalam pencarian
adalah untuk menemukan citra lain yang
relevan namun dengan nilai kemiripan yang
lebih rendah dibandingkan hasil temuan pada
landscape 1. Dalam landscape ini, setiap node
merepresentasikan satu citra, sedangkan edgenya merupakan nilai kemiripan hasil
perhitungan dengan implementasi pembobotan
automatis dengan Algoritme Genetika (GA)
sesuai penelitian Pratama (2009). Bobot yang
dihasilkan oleh proses GA berubah-ubah karena
pembangkitan nilai awal yang dilakukan secara
acak. Perbedaan nilai ini tidak terlalu signifikan,
namun tetap mempengaruhi nilai akhir
precision yang dihasilkan. Oleh karena itu,
perhitungan kemiripan dengan pembobotan
3
yang dilakukan dengan GA ini dilakukan
beberapa kali dan dilihat hasil yang terbaik.
Perhitungan
nilai
kemiripan
dengan
pembobotan automatis ini dilakukan terhadap
seluruh citra basis data menghasilkan matriks
berukuran n×n, dengan n menunjukkan jumlah
citra dalam basis data.
Temu Kembali Citra
Proses Heuristik
Pada proses temu kembali, pemberian kueri
dilakukan. Kueri citra tersebut melalui proses
ekstraksi ciri menghasilkan vektor yang terdiri
dari 162 elemen warna, 72 elemen bentuk, dan
7 elemen tekstur. Node awal untuk proses
penelusuran selalu dimulai dari anggota basis
data urutan pertama.
Penelusuran bergerak pada dua landscape
yang telah terbentuk. Penjelasannya adalah
sebagai berikut:
Landscape 1
Pada landscape ini setiap edge telah
memiliki label jarak berupa nilai kemiripan
cosine. Tahapan penelusuran selanjutnya
dijelaskan sebagai berikut:
1 Menghitung nilai kemiripan c1 antara citra
kueri dengan node awal.
2 Dari node awal, proses bergerak untuk
menemukan node lain yang memiliki nilai
kemiripan yang sama dengan atau
mendekati c1, cx≈c1.
3 Jika ada lebih dari satu node yang memiliki
nilai kemiripan yang sama dengan c1, maka
node-node citra basis data yang memiliki
nilai kemiripan yang sama tersebut dihitung
nilai kemiripannya terhadap kueri. Node
yang terpilih adalah node dengan nilai
kemiripan tebesar terhadap kueri.
Hasilnya adalah indeks kandidat hasil temu
kembali dengan nilai kemiripan tertinggi atau
citra dalam basis data yang paling identik
dengan kueri. Gambar 4 adalah ilustrasi
pencarian pada landscape 1.
Gambar 4 Ilustrasi pencarian pada landscape 1.
Landscape 2
Indeks node awal pada landscape ini adalah
indeks node hasil pencarian pada landscape 1.
Setiap
node
pada
landscape
ini
merepresentaskan satu citra dan edge-nya
dilabeli nilai kemiripan yang dihitung dengan
pembobotan automatis dengan GA. Penelusuran
berjalan dengan algoritme berikut:
1 Dari node awal pada landscape 2,
berdasarkan urutan nilai kemiripan dari yang
paling
besar,
penelusuran
bergerak
mengikuti pola BFS.
2 Dari setiap node yang dikunjungi, dilihat
nilai kemiripan antara node awal dengan
node yang sedang dikunjungi, dan hasilnya
disimpan sebagai calon hasil temu kembali.
3 Pelusuran dilakukan berdasarkan urutan
nilai kemiripan mulai dari yang terbesar
sampai menemukan node dengan nilai
kemiripan kurang dari threshold sebesar 0.5.
Jika penelusuran menemukan node dengan
kriteria tersebut maka pencarian berhenti. Hasil
sebelumnya yang telah tersimpan dalam calon
hasil temu kembali diurutkan berdasarkan nilai
kemiripan mulai dari yang tertinggi. Hasil
tersebut kemudian ditampilkan sebagai hasil
temu kembali. Gambar 5 menunjukkan ilustrasi
pencarian pada landscape 2.
cga= nilai kemiripan dengan pembobotan GA.
Gambar 5 Ilustrasi pencarian pada landscape 2.
Evaluasi Hasil Temu Kembali
Pada tahap evaluasi dilakukan penilaian
kinerja sistem terhadap sejumlah data pengujian
dengan menghitung nilai recall dan precision
untuk menentukan tingkat relevansi hasil temu
kembali. Recall adalah perbandingan jumlah
citra relevan dan ditemukembalikan dengan
jumlah citra relevan dalam basis data. Precision
adalah perbandingan jumlah citra relevan yang
ditemukembalikan dengan jumlah citra hasil
temu kembali. Penentuan nilai precision pada
nilai recall tertentu dihitung menggunakan
aturan interpolasi maksimum.
4
Spesifikasi Pengembangan
Penelitian
ini
dilakukan
dengan
menggunakan spesifikasi perangkat keras dan
perangkat lunak sebagai berikut:
1
2
3
4
sebagai node awal. Gambar 6 menunjukkan
ilustrasi landscape 1.
Perangkat keras dengan spesifikasi:
Prosesor AMD Turion64 X2 2.0 GHz
Memori 2,37 GB
Harddisk 80 GB
Alat input mouse dan keyboard
Perangkat lunak dengan spesifikasi:
1 Microsoft Windows XP Professional SP3
2 MATLAB 7.0.1
c = nilai kemiripan cosine.
Gambar 6 Ilustrasi landscape 1.
HASIL DAN PEMBAHASAN
Pada metode heuristik, proses pengindeksan
cukup membutuhkan waktu. Hal ini terjadi
karena komputasi pada proses pengindeksan
melibatkan seluruh citra dalam basis data untuk
membentuk struktur graf. Namun, pada saat
temu kembali, yang dilakukan sistem adalah
menelusuri nilai-nilai yang telah dihitung
tersebut. Oleh sebab itu, minimnya proses
komputasi pada saat temu kembali diharapkan
mampu mempercepat proses pencarian.
Ekstraksi Ciri Citra
Seluruh citra dalam basis data mengalami
proses ekstraksi warna, bentuk, dan tekstur
sesuai penelitian Pebuardi (2008). Hasilnya,
setiap citra direpresentasikan menjadi vektor
warna berisi 162 elemen, vektor bentuk berisi
72 elemen, dan vektor tekstur berisi 7 elemen.
Komputasi yang dilakukan pada tahap
pembentukan landscape ini melibatkan 1100
citra dalam basis data. Waktu yang diperlukan
untuk perhitungan kemiripan cosine antar 1100
citra tersebut adalah sekitar 90 detik.
Landscape 2
Landscape ini memiliki node yang
merepresentasikan satu citra. Edge-nya dilabeli
dengan nilai kemiripan yang dihitung dengan
implementasi pembobotan automatis dengan
GA yang dinilai memiliki kinerja yang baik
berdasarkan penelitian Pratama (2009).
Perhitungan ini menghasilkan sebuah matriks
berukuran 1100×1100 sesuai dengan jumlah
1100 citra dalam basis data. Ilustrasi landscape
2 ditunjukkan pada Gambar 7.
Struktur Graf
Landscape 1
Landscape ini memiliki node yang
merepresentasikan satu citra. Setiap citra
memiliki tiga vektor yang terdiri dari vektor
warna berisi 162 elemen, vektor bentuk berisi
72 elemen, dan vektor tekstur berisi 7 elemen.
Edge-nya dilabeli dengan jumlah ketiga nilai
kemiripan cosine fiturnya. Semakin besar nilai
kemiripannya maka citra semakin identik.
Perhitungan nilai kemiripan cosine dilakukan
antara citra basis data urutan pertama dengan
seluruh citra dalam basis data menghasilkan
sebuah matriks berukuran 1×1100 atau sesuai
dengan jumlah citra dalam basis data. Hal ini
dilakukan karena penelusuran pada landscape 1
selalu dimulai dari citra basis data urutan
pertama, sehingga pada saat penelusuran,
kemiripan node-node dalam basis data
dibandingkan dengan citra urutan pertama
cga= nilai kemiripan dengan pembobotan GA.
Gambar 7 Ilustrasi landscape 2.
Pada penelitian yang dilakukan oleh
Pratama (2009), proses pembobotan dengan GA
dilakukan pada setiap kueri dimasukkan.
Hasilnya, proses temu kembali menjadi lebih
lama yaitu sekitar 5 sampai 6 detik karena
pengaruh iterasi-iterasi dalam proses GA. Di
samping itu, nilai bobot yang dihasilkan selalu
berubah karena pembangkitan nilai awal yang
dilakukan secara acak.
5
Pada penelitian ini proses pembobotan
dengan GA dilakukan pada saat pengindeksan,
yaitu digunakan untuk pembentukan struktur
landscape 2. Nilai bobot yang berubah-ubah
tersebut dicoba untuk ditetapkan dengan
dilakukan sepuluh kali percobaan dan dipilih
yang menghasilkan rata-rata nilai precision
tertinggi. Bobot-bobot tersebut menjadi bobot
tetap antar citra dalam basis data. Waktu yang
diperlukan untuk komputasi 1100 citra untuk
pembentukan landscape ini adalah sekitar 1618
detik.
Proses Pencarian
Proses pencarian bergerak antar node pada
graf dengan sistematika BFS. Penelusuran
dibatasi dengan threshold sebesar 0.5 dengan
asumsi bahwa citra-citra yang mirip akan
memiliki nilai kemiripan tinggi.
Pada
proses
penelusuran,
kegiatan
komputasi minim dilakukan karena pencarian
lebih banyak menelusuri angka-angka yang
telah dihitung pada tahap pengindeksan. Alur
proses pencarian pada dua landscape ini dapat
dilihat pada Gambar 8.
Pencarian pertama bergerak pada landscape
1 untuk menemukan citra dalam basis data
dengan nilai kemiripan tertinggi atau yang
paling identik dengan kueri. Node awal
pencarian adalah anggota citra basis data urutan
pertama. Selanjutnya, pencarian menuju
landscape 2 untuk menemukan citra lain yang
masih relevan dengan kueri namun dengan nilai
kemiripan yang lebih rendah dibandingkan hasil
pencarian pada landscape 1. Pencarian dimulai
pada node awal yang indeksnya merupakan
indeks node akhir hasil pencarian pada
landscape 1. Selanjutnya penelusuran dilakukan
dengan mencari node tetangga yang memiliki
identik berdasarkan urutan nilai kemiripan GA
mulai dari yang terbesar. Pencarian akan
berhenti dilakukan jika menemukan node
dengan kemiripan kurang dari 0,5.
Hasil Temu Kembali
Hasil temu kembali adalah hasil penelusuran
graf dengan batasan threshold nilai kemiripan
sebesar 0.5. Citra kueri yang digunakan adalah
seluruh citra basis data. Rata-rata waktu yang
diperlukan untuk setiap proses penelusuran
adalah sekitar 0.66 detik. Contoh tampilan
utama sistem saat menemukembalikan suatu
kueri dapat dilihat pada Gambar 9. Di lain
pihak, contoh hasil temu kembali untuk
tampilan tersebut terlihat pada Gambar 10. Pada
Gambar 10 terlihat bahwa proses temu kembali
berhasil baik dengan menghasilkan 37 citra
teratas yang seluruhnya relevan dengan kueri.
Kueri masuk
Landscape 1
Hitung cosine
similarity c1 antara
kueri dengan node
awal
Mencari nilai
kemiripan antar
node awal dan node
lain yang sama atau
mendekati c1
Hitung cosine
similarity antara node
(dengan kemiripan
mendekati c1) dengan
kueri
tidak
Maksimum?
ya
Selesai
(simpan
indeks-nya)
Node awal
Landscape 2
Hampiri node
berdasarkan urutan
nilai kemiripan
GA mulai dari
yang terbesar
Simpan
indeksnya,
lanjutkan
penelusuran
ya
Lihat nilai
kemiripannya
>0.5 ?
Pencarian selesai.
Tampilkan
tidak
indeks-indeks
yang tersimpan
Gambar 8 Diagram alur proses penelusuran.
Contoh hasil temu kembali yang kurang
relevan tertera pada Gambar 11. Pada gambar
tersebut terlihat hanya ditemukan dua citra yang
relevan, sedangkan selainnya adalah citra-citra
dari kelas lain namun dengan nilai kemiripan
yang besar terhadap kueri. Ini menunjukkan
bahwa antar citra dalam satu kelas belum tentu
memiliki nilai kemiripan tinggi. Hal ini
berkaitan dengan perhitungan nilai kemiripan
yang sangat dipengaruhi oleh kualitas ekstraksi
ciri. Dengan kata lain, pada beberapa citra,
ekstraksi ciri yang digunakan kurang
mencirikan citra tertentu untuk masuk ke
kelasnya.
6
Jumlah citra yang
ditemukan
Rentang citra hasil temu
kembali yang ditampilkan
Gambar 9 Contoh tampilan utama sistem.
Gambar 10 Contoh hasil temu kembali.
Gambar 11 Contoh hasil temu kembali yang kurang relevan.
Tabel 1 Rataan precision temu kembali.
Evaluasi Hasil Temu Kembali
Evaluasi
dilakukan
menggunakan
perhitungan recall dan precision. Perhitungan
nilai recall dan precision ini melibatkan seluruh
citra dalam basis data sebagai kueri. Nilai recall
yang digunakan adalah 0, 0.1, 0.2, 0.3, …, 1.
Penentuan nilai precision pada recall tersebut
menggunakan interpolasi maksimum dengan
aturan
,
dengan
rj {0.0, 0.1, …, 1.0},
r0 = 0.0, r1 = 0.1, …, r10=1.0.
Nilai precision yang ditampilkan pada Tabel
1 adalah hasil rataan nilai precision dari
keseluruhan kueri. Grafik perbandingan nilai
recall dan precision dapat dilihat pada Gambar
12. Pada nilai recall 0 dan 0.1, precision yang
dihasilkan masih di atas 0.5 walaupun
penurunannya cukup signifikan. Hal ini berarti
rata-rata pada sejumlah hasil temu kembali yang
teratas, lebih dari setengahnya merupakan citra
yang relevan terhadap kueri. Pada nilai recall
selanjutnya, precision yang dihasilkan kurang
dari 0.5 namun dengan penurunan yang tidak
signifikan.
Recall
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Rataan
Precision
1.0000
0.5746
0.4779
0.3957
0.3385
0.2929
0.2511
0.2116
0.1697
0.1159
0.0231
0.3501
Dari segi kecepatan waktu komputasi temu
kembali, proses heuristik berjalan lebih cepat..
Perhitungan waktu ini menggunakan seluruh
citra dalam basis data dan dicobakan pada
sistem dengan dan tanpa metode heuristik.
Sistem temu kembali tanpa metode heuristik
menghasilkan rata-rata waktu temu kembali
sekitar 5.97 detik, sedangkan sistem dengan
implementasi heuristik menghasilkan rata-rata
temu kembali sekitar 0.66 detik, atau terjadi
penurunan waktu temu kembali sebesar 88.94%.
Dengan kata lain, waktu pencarian temu
kembali menjadi 8.89 kali lebih cepat. Grafik
perbandingan waktu tertera pada Gambar 13.
8
Grafik Perbandingan R-P
1.2
Precision
1.0
0.8
temu kembali 8.89 kali lebih cepat
dibandingkan
dengan
sistem
tanpa
implementasi heuristik. Kinerja metode
heuristik ini dapat berjalan lebih baik jika nilai
kemiripan yang dihasilkan antar citra baik,
artinya nilai tersebut mampu mencirikan citracitra yang memang berada pada kelas yang
sama.
0.6
Saran
0.4
Model heuristik dengan landscape ini sangat
bergantung pada nilai kemiripan antar citra, dan
nilai kemiripan ini sangat dipengaruhi oleh
kualitas ekstraksi ciri. Penelitian selanjutnya
dapat mengimplementasikan teknik ekstraksi
ciri lain yang lebih mencirikan antar satu citra
dengan citra lainnya terutama untuk fitur bentuk
dan tekstur. Selain itu, penghitungan nilai
kemiripan dengan menggabungkan ketiga fitur
juga merupakan tantangan yang masih dapat
terus dicarikan solusi. Di sisi lain,
pengimplementasian model heuristik lain masih
mungkin untuk hasil yang lebih optimal.
0.2
0.0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Recall
Gambar 12 Grafik perbandingan nilai recall dan
precision.
KESIMPULAN DAN SARAN
Kesimpulan
Metode
heuristik
berhasil
diimplementasikan dan mampu menghasilkan
Grafik perbandingan waktu temu kembali
8
7
5
4
3
2
1
0
1
29
57
85
113
141
169
197
225
253
281
309
337
365
393
421
449
477
505
533
561
589
617
645
673
701
729
757
785
813
841
869
897
925
953
981
1009
1037
1065
1093
Waktu (detik)
6
Kueri
heuristik
Non-heuristik
Gambar 13 Grafik perbandingan waktu temu kembali.
9
DAFTAR PUSTAKA
Baeza-Yates R, Ribeiro-Neto R. 1999. Modern
Information Retrieval. New York : Addison
Wesley
Datta R, Joshi D, Li J, Wang JZ. 2008. Image
Retrieval: Ideas, Influences, and Trends of
the New Age. ACM Computing Surveys.
Grossman DA, Frieder O. 2004. Information
Retrieval Algorithms and Heuristics.
Netherlands: Springer.
Jones T. 1995. Evolutionary Algorithms, Fitness
Landscapes and Search [dissertation].
http://www.cs.unm.edu/~forrest/dissertation
s-and-proposals/terry.pdf [8 April 2009].
Jones T, Forrest S. 1995. Genetic Algorithms
and
Heuristic
Search.
http://www.cs.unm.edu/~forrest/publications
/gahs.pdf [20 November 2008].
Klabbankoh B, Pinngern O. 1999. Applied
Genetic
Algorithms
in
Information
Retrieval. Bangkok : Faculty of Information
Technology King Mongkut, Institute of
Technology
Ladkrabang.
http://www.journal.au.edu/ijcim/sep99/02drouen.pdf[17 Desember 2008].
Pebuardi R. 2008. Pengukuran Kemiripan Citra
Berbasis Warna, Bentuk, dan Tekstur
Menggunakan Bayesian Network [skripsi].
Bogor: Departemen Ilmu Komputer, Institut
Pertanian Bogor.
Pratama F. 2009. Algoritme Genetika untuk
Optimasi Pembobotan Fitur pada Temu
Kembali Citra [skripsi]. Bogor: Departemen
Ilmu Komputer, Institut Pertanian Bogor.
Stadler PF. 2001. Fitness Landscape.
http://www.tbi.univie.ac.at/papers/Abstracts/
01-pfs-004.pdf [26 Mei 2009].
Suyanto.
2007.
Artificial
Intelligence,
Searching, Reasoning, Planning and
Learning. Bandung: Penerbit Informatika.
LAMPIRAN
11
Lampiran 1 Contoh citra yang digunakan untuk masing-masing kelas
1. Kelas mobil
Citra 2
Citra20
Citra 43
Citra 66
Citra 96
Citra 109
Citra 135
Citra 164
Citra 179
Citra 192
Citra 206
Citra 181
Citra 216
Citra 252
Citra 263
Citra 279
2. Kelas singa
3. Kelas matahari terbenam
Citra 280
Citra 279
Citra 323
Citra 317
Citra 329
Citra 342
Citra 344
Citra 375
4. Kelas tekstur
Citra 386
Citra 400
Citra 418
Citra 430
Citra 465
Citra 494
Citra 506
Citra 545
5. Kelas beruang
Citra 557
Citra 572
Citra 573
Citra 590
12
Lanjutan
Citra 611
Citra 617
Citra 620
Citra 654
Citra 659
Citra 678
Citra 684
Citra 691
Citra 705
Citra 720
Citra 738
Citra 754
Citra 760
Citra 764
Citra 774
Citra 789
Citra 793
Citra 795
6. Kelas gajah
7. Kelas tanda panah
Citra 797
Citra 800
8. Kelas pemandangan
Citra 804
Citra 823
Citra 847
Citra 861
Citra 868
9. Kelas reptil
Citra 880
Citra 899
Citra 933
Citra 939
Citra 946
Citra 951
Citra 958
13
Lanjutan
Citra 965
Citra 937
Citra 988
Citra 994
Citra 1006
Citra1023
Citra 1027
Citra 1030
Citra 1055
Citra 1079
Citra 1085
Citra 1100
10. Kelas pesawat
14
Spesifikasi Pengembangan
Penelitian
ini
dilakukan
dengan
menggunakan spesifikasi perangkat keras dan
perangkat lunak sebagai berikut:
1
2
3
4
sebagai node awal. Gambar 6 menunjukkan
ilustrasi landscape 1.
Perangkat keras dengan spesifikasi:
Prosesor AMD Turion64 X2 2.0 GHz
Memori 2,37 GB
Harddisk 80 GB
Alat input mouse dan keyboard
Perangkat lunak dengan spesifikasi:
1 Microsoft Windows XP Professional SP3
2 MATLAB 7.0.1
c = nilai kemiripan cosine.
Gambar 6 Ilustrasi landscape 1.
HASIL DAN PEMBAHASAN
Pada metode heuristik, proses pengindeksan
cukup membutuhkan waktu. Hal ini terjadi
karena komputasi pada proses pengindeksan
melibatkan seluruh citra dalam basis data untuk
membentuk struktur graf. Namun, pada saat
temu kembali, yang dilakukan sistem adalah
menelusuri nilai-nilai yang telah dihitung
tersebut. Oleh sebab itu, minimnya proses
komputasi pada saat temu kembali diharapkan
mampu mempercepat proses pencarian.
Ekstraksi Ciri Citra
Seluruh citra dalam basis data mengalami
proses ekstraksi warna, bentuk, dan tekstur
sesuai penelitian Pebuardi (2008). Hasilnya,
setiap citra direpresentasikan menjadi vektor
warna berisi 162 elemen, vektor bentuk berisi
72 elemen, dan vektor tekstur berisi 7 elemen.
Komputasi yang dilakukan pada tahap
pembentukan landscape ini melibatkan 1100
citra dalam basis data. Waktu yang diperlukan
untuk perhitungan kemiripan cosine antar 1100
citra tersebut adalah sekitar 90 detik.
Landscape 2
Landscape ini memiliki node yang
merepresentasikan satu citra. Edge-nya dilabeli
dengan nilai kemiripan yang dihitung dengan
implementasi pembobotan automatis dengan
GA yang dinilai memiliki kinerja yang baik
berdasarkan penelitian Pratama (2009).
Perhitungan ini menghasilkan sebuah matriks
berukuran 1100×1100 sesuai dengan jumlah
1100 citra dalam basis data. Ilustrasi landscape
2 ditunjukkan pada Gambar 7.
Struktur Graf
Landscape 1
Landscape ini memiliki node yang
merepresentasikan satu citra. Setiap citra
memiliki tiga vektor yang terdiri dari vektor
warna berisi 162 elemen, vektor bentuk berisi
72 elemen, dan vektor tekstur berisi 7 elemen.
Edge-nya dilabeli dengan jumlah ketiga nilai
kemiripan cosine fiturnya. Semakin besar nilai
kemiripannya maka citra semakin identik.
Perhitungan nilai kemiripan cosine dilakukan
antara citra basis data urutan pertama dengan
seluruh citra dalam basis data menghasilkan
sebuah matriks berukuran 1×1100 atau sesuai
dengan jumlah citra dalam basis data. Hal ini
dilakukan karena penelusuran pada landscape 1
selalu dimulai dari citra basis data urutan
pertama, sehingga pada saat penelusuran,
kemiripan node-node dalam basis data
dibandingkan dengan citra urutan pertama
cga= nilai kemiripan dengan pembobotan GA.
Gambar 7 Ilustrasi landscape 2.
Pada penelitian yang dilakukan oleh
Pratama (2009), proses pembobotan dengan GA
dilakukan pada setiap kueri dimasukkan.
Hasilnya, proses temu kembali menjadi lebih
lama yaitu sekitar 5 sampai 6 detik karena
pengaruh iterasi-iterasi dalam proses GA. Di
samping itu, nilai bobot yang dihasilkan selalu
berubah karena pembangkitan nilai awal yang
dilakukan secara acak.
5
Pada penelitian ini proses pembobotan
dengan GA dilakukan pada saat pengindeksan,
yaitu digunakan untuk pembentukan struktur
landscape 2. Nilai bobot yang berubah-ubah
tersebut dicoba untuk ditetapkan dengan
dilakukan sepuluh kali percobaan dan dipilih
yang menghasilkan rata-rata nilai precision
tertinggi. Bobot-bobot tersebut menjadi bobot
tetap antar citra dalam basis data. Waktu yang
diperlukan untuk komputasi 1100 citra untuk
pembentukan landscape ini adalah sekitar 1618
detik.
Proses Pencarian
Proses pencarian bergerak antar node pada
graf dengan sistematika BFS. Penelusuran
dibatasi dengan threshold sebesar 0.5 dengan
asumsi bahwa citra-citra yang mirip akan
memiliki nilai kemiripan tinggi.
Pada
proses
penelusuran,
kegiatan
komputasi minim dilakukan karena pencarian
lebih banyak menelusuri angka-angka yang
telah dihitung pada tahap pengindeksan. Alur
proses pencarian pada dua landscape ini dapat
dilihat pada Gambar 8.
Pencarian pertama bergerak pada landscape
1 untuk menemukan citra dalam basis data
dengan nilai kemiripan tertinggi atau yang
paling identik dengan kueri. Node awal
pencarian adalah anggota citra basis data urutan
pertama. Selanjutnya, pencarian menuju
landscape 2 untuk menemukan citra lain yang
masih relevan dengan kueri namun dengan nilai
kemiripan yang lebih rendah dibandingkan hasil
pencarian pada landscape 1. Pencarian dimulai
pada node awal yang indeksnya merupakan
indeks node akhir hasil pencarian pada
landscape 1. Selanjutnya penelusuran dilakukan
dengan mencari node tetangga yang memiliki
identik berdasarkan urutan nilai kemiripan GA
mulai dari yang terbesar. Pencarian akan
berhenti dilakukan jika menemukan node
dengan kemiripan kurang dari 0,5.
Hasil Temu Kembali
Hasil temu kembali adalah hasil penelusuran
graf dengan batasan threshold nilai kemiripan
sebesar 0.5. Citra kueri yang digunakan adalah
seluruh citra basis data. Rata-rata waktu yang
diperlukan untuk setiap proses penelusuran
adalah sekitar 0.66 detik. Contoh tampilan
utama sistem saat menemukembalikan suatu
kueri dapat dilihat pada Gambar 9. Di lain
pihak, contoh hasil temu kembali untuk
tampilan tersebut terlihat pada Gambar 10. Pada
Gambar 10 terlihat bahwa proses temu kembali
berhasil baik dengan menghasilkan 37 citra
teratas yang seluruhnya relevan dengan kueri.
Kueri masuk
Landscape 1
Hitung cosine
similarity c1 antara
kueri dengan node
awal
Mencari nilai
kemiripan antar
node awal dan node
lain yang sama atau
mendekati c1
Hitung cosine
similarity antara node
(dengan kemiripan
mendekati c1) dengan
kueri
tidak
Maksimum?
ya
Selesai
(simpan
indeks-nya)
Node awal
Landscape 2
Hampiri node
berdasarkan urutan
nilai kemiripan
GA mulai dari
yang terbesar
Simpan
indeksnya,
lanjutkan
penelusuran
ya
Lihat nilai
kemiripannya
>0.5 ?
Pencarian selesai.
Tampilkan
tidak
indeks-indeks
yang tersimpan
Gambar 8 Diagram alur proses penelusuran.
Contoh hasil temu kembali yang kurang
relevan tertera pada Gambar 11. Pada gambar
tersebut terlihat hanya ditemukan dua citra yang
relevan, sedangkan selainnya adalah citra-citra
dari kelas lain namun dengan nilai kemiripan
yang besar terhadap kueri. Ini menunjukkan
bahwa antar citra dalam satu kelas belum tentu
memiliki nilai kemiripan tinggi. Hal ini
berkaitan dengan perhitungan nilai kemiripan
yang sangat dipengaruhi oleh kualitas ekstraksi
ciri. Dengan kata lain, pada beberapa citra,
ekstraksi ciri yang digunakan kurang
mencirikan citra tertentu untuk masuk ke
kelasnya.
6
Jumlah citra yang
ditemukan
Rentang citra hasil temu
kembali yang ditampilkan
Gambar 9 Contoh tampilan utama sistem.
Gambar 10 Contoh hasil temu kembali.
Gambar 11 Contoh hasil temu kembali yang kurang relevan.
Tabel 1 Rataan precision temu kembali.
Evaluasi Hasil Temu Kembali
Evaluasi
dilakukan
menggunakan
perhitungan recall dan precision. Perhitungan
nilai recall dan precision ini melibatkan seluruh
citra dalam basis data sebagai kueri. Nilai recall
yang digunakan adalah 0, 0.1, 0.2, 0.3, …, 1.
Penentuan nilai precision pada recall tersebut
menggunakan interpolasi maksimum dengan
aturan
,
dengan
rj {0.0, 0.1, …, 1.0},
r0 = 0.0, r1 = 0.1, …, r10=1.0.
Nilai precision yang ditampilkan pada Tabel
1 adalah hasil rataan nilai precision dari
keseluruhan kueri. Grafik perbandingan nilai
recall dan precision dapat dilihat pada Gambar
12. Pada nilai recall 0 dan 0.1, precision yang
dihasilkan masih di atas 0.5 walaupun
penurunannya cukup signifikan. Hal ini berarti
rata-rata pada sejumlah hasil temu kembali yang
teratas, lebih dari setengahnya merupakan citra
yang relevan terhadap kueri. Pada nilai recall
selanjutnya, precision yang dihasilkan kurang
dari 0.5 namun dengan penurunan yang tidak
signifikan.
Recall
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Rataan
Precision
1.0000
0.5746
0.4779
0.3957
0.3385
0.2929
0.2511
0.2116
0.1697
0.1159
0.0231
0.3501
Dari segi kecepatan waktu komputasi temu
kembali, proses heuristik berjalan lebih cepat..
Perhitungan waktu ini menggunakan seluruh
citra dalam basis data dan dicobakan pada
sistem dengan dan tanpa metode heuristik.
Sistem temu kembali tanpa metode heuristik
menghasilkan rata-rata waktu temu kembali
sekitar 5.97
FITRIA YUNINGSIH. Image Searching Using Heuristic Method for Image Retrieval System. Under
the supervision of YENI HERDIYENI.
The development of image retrieval system and user demand for a fast and accurate search engine
motivates research on finding efficient retrieval methods. Commonly, image searching process works
through computing and comparing similarity value between input query and entire database images.
This process is not efficient due to time-wasting during computation especially for large database.
This research proposes heuristic method for image searching. The basic idea of this research deals
with structural database content that reduces searching time. This research implements fitness
landscape model. Fitness landscape is kind of directed graph whose labeled vertices and edges. Each
node represents an image and each edge represents distance or similarity value of a node to other
connected nodes. Similarity value between nodes are computed using combination of three image
features, those are color, shape, and texture. Heuristic algorithm moves on these nodes with BreadthFirst Search mechanism under certain constraints. Each visited node that fulfills the requirement will
be retrieved as searching result. This retrieval result is then evaluated using recall precision parameter
to get value of searching effectiveness. This experiment also computes retrieval time for each query.
As the result, heuristic method obtains average retrieval time up to nine times faster compared with
the non-heuristic one. Hence, this proposed method is promising to be used in image retrieval system
because it provides fast image searching.
Keywords: image searching, fitness landscape, heuristic, content based image retrieval.
METODE HEURISTIK UNTUK PENCARIAN CITRA PADA
SISTEM TEMU KEMBALI CITRA
FITRIA YUNINGSIH
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
DAFTAR PUSTAKA
Baeza-Yates R, Ribeiro-Neto R. 1999. Modern
Information Retrieval. New York : Addison
Wesley
Datta R, Joshi D, Li J, Wang JZ. 2008. Image
Retrieval: Ideas, Influences, and Trends of
the New Age. ACM Computing Surveys.
Grossman DA, Frieder O. 2004. Information
Retrieval Algorithms and Heuristics.
Netherlands: Springer.
Jones T. 1995. Evolutionary Algorithms, Fitness
Landscapes and Search [dissertation].
http://www.cs.unm.edu/~forrest/dissertation
s-and-proposals/terry.pdf [8 April 2009].
Jones T, Forrest S. 1995. Genetic Algorithms
and
Heuristic
Search.
http://www.cs.unm.edu/~forrest/publications
/gahs.pdf [20 November 2008].
Klabbankoh B, Pinngern O. 1999. Applied
Genetic
Algorithms
in
Information
Retrieval. Bangkok : Faculty of Information
Technology King Mongkut, Institute of
Technology
Ladkrabang.
http://www.journal.au.edu/ijcim/sep99/02drouen.pdf[17 Desember 2008].
Pebuardi R. 2008. Pengukuran Kemiripan Citra
Berbasis Warna, Bentuk, dan Tekstur
Menggunakan Bayesian Network [skripsi].
Bogor: Departemen Ilmu Komputer, Institut
Pertanian Bogor.
Pratama F. 2009. Algoritme Genetika untuk
Optimasi Pembobotan Fitur pada Temu
Kembali Citra [skripsi]. Bogor: Departemen
Ilmu Komputer, Institut Pertanian Bogor.
Stadler PF. 2001. Fitness Landscape.
http://www.tbi.univie.ac.at/papers/Abstracts/
01-pfs-004.pdf [26 Mei 2009].
Suyanto.
2007.
Artificial
Intelligence,
Searching, Reasoning, Planning and
Learning. Bandung: Penerbit Informatika.
METODE HEURISTIK UNTUK PENCARIAN CITRA PADA
SISTEM TEMU KEMBALI CITRA
FITRIA YUNINGSIH
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
METODE HEURISTIK UNTUK PENCARIAN CITRA PADA
SISTEM TEMU KEMBALI CITRA
FITRIA YUNINGSIH
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
BOGOR
2009
ABSTRACT
FITRIA YUNINGSIH. Image Searching Using Heuristic Method for Image Retrieval System. Under
the supervision of YENI HERDIYENI.
The development of image retrieval system and user demand for a fast and accurate search engine
motivates research on finding efficient retrieval methods. Commonly, image searching process works
through computing and comparing similarity value between input query and entire database images.
This process is not efficient due to time-wasting during computation especially for large database.
This research proposes heuristic method for image searching. The basic idea of this research deals
with structural database content that reduces searching time. This research implements fitness
landscape model. Fitness landscape is kind of directed graph whose labeled vertices and edges. Each
node represents an image and each edge represents distance or similarity value of a node to other
connected nodes. Similarity value between nodes are computed using combination of three image
features, those are color, shape, and texture. Heuristic algorithm moves on these nodes with BreadthFirst Search mechanism under certain constraints. Each visited node that fulfills the requirement will
be retrieved as searching result. This retrieval result is then evaluated using recall precision parameter
to get value of searching effectiveness. This experiment also computes retrieval time for each query.
As the result, heuristic method obtains average retrieval time up to nine times faster compared with
the non-heuristic one. Hence, this proposed method is promising to be used in image retrieval system
because it provides fast image searching.
Keywords: image searching, fitness landscape, heuristic, content based image retrieval.
Judul
Nama
NIM
: Metode Heuristik untuk Pencarian Citra pada Sistem Temu Kembali Citra
: Fitria Yuningsih
: G64052644
Menyetujui:
Pembimbing,
Yeni Herdiyeni, S.Si., M.Kom.
NIP 197509232000122001
Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Dr. drh. Hasim, DEA.
NIP 196103281986011002
Tanggal Lulus:
PRAKATA
Alhamdulillahirabbil’alamin, segala puji hanya milik Allah SWT, yang tidak henti-hentinya
mencurahkan rahmat dan kasih sayang, sehingga tugas akhir berjudul Metode Heuristik untuk
Pencarian Citra pada Sistem Temu Kembali Citra dapat diselesaikan dengan baik. Dalam
menyelesaikan tugas akhir ini penulis mendapatkan banyak sekali bantuan dan bimbingan dari
berbagai pihak, oleh karena itu penulis mengucapkan terima kasih dan penghargaan kepada :
1
Bapak (Alm.), Mama, Mas Udy, Mbak Lita, Mas Teguh, Kak Icha, atas kasih sayang, doa,
motivasi dan segala bantuan yang tak ternilai.
2
Ibu Yeni Herdiyeni, S.Si, M.Kom. selaku pembimbing atas bimbingan dan arahan selama
pengerjaan tugas akhir ini.
3
Seluruh staf dosen dan karyawan Departemen Ilmu Komputer FMIPA IPB atas segala bimbingan
dan bantuannya selama masa perkuliahan Penulis.
4
Mbak Gibtha dan Kak Rizki atas bantuan dan penelitian-penelitiannya.
5
Teman-teman satu bimbingan, Gang CI Berkacamata, Rahmadhani, Ferry Pratama, Muhammad
Abi Rafdi, Vera Yunita, Indra Nugraha Abdullah, Dimas Perdana CKP, dan seluruh teman-teman
bidang retrieval atas kerjasama dan kebersamaan selama masa pembuatan skripsi.
6
Consistent Team, Medria KDH, Rizqi Baihaqi, M. Abi Rafdi, atas kekompakan serta waktu-waktu
yang menyenangkan dan bermanfaat.
7
Ida, Mega, Mirna, Cira, Esti, Windy, Ovie, Ibonk, Regi, Uud, Nano, dan seluruh teman-teman
Departemen Ilmu Komputer IPB angkatan 42 yang telah meramaikan hari-hari penulis dengan
kebersamaan dan waktu-waktu yang tak terlupakan bersama kalian.
8
Teman-teman kos putri White House sebagai second home Penulis selama kuliah di Departemen
Ilmu Komputer IPB.
Penulis juga mengucapkan terima kasih kepada semua pihak yang telah membantu pengerjaan
tugas akhir ini yang tidak dapat disebutkan satu per satu. Segala kritik dan saran yang membangun
akan diterima untuk perbaikan selanjutnya. Semoga penelitian ini dapat bermanfaat. Terima kasih.
Bogor, Agustus 2009
Fitria Yuningsih
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 1 Juni 1987 sebagai anak ketiga dari tiga bersaudara
dari ayahanda bernama H. Sugiman (Alm.) dan ibunda bernama Hj. Parini.
Penulis masuk SMA Negeri 12 Jakarta pada tahun 2002 dan lulus pada tahun 2005. Pada tahun
yang sama, Penulis melanjutkan pendidikan di IPB melalui jalur Ujian Seleksi Masuk IPB (USMI)
dan diterima sebagai mahasiswi Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas
Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Selama menjadi mahasiswa, Penulis bergabung sebagai pengurus Himpunan Mahasiswa Ilmu
Komputer (HIMALKOM) sebagai staf Divisi Troubleshooting dan beberapa kepanitian dalam ruang
lingkup Fakultas MIPA IPB. Pada tanggal 7 Juli 2008 sampai tanggal 22 Agustus 2008, Penulis
melaksanakan Praktik Kerja Lapangan di Pusat Teknologi Elektronika Dirgantara, Lembaga
Penerbangan dan Antariksa Nasional (LAPAN).
DAFTAR ISI
Halaman
DAFTAR GAMBAR .............................................................................................................................. v
PENDAHULUAN
Latar Belakang .................................................................................................................................... 1
Tujuan ................................................................................................................................................. 1
Ruang Lingkup ................................................................................................................................... 1
TINJAUAN PUSTAKA
Content Based Image Retrieval........................................................................................................... 1
Heuristik ............................................................................................................................................. 1
Ekstraksi Ciri (Feature Extraction) .................................................................................................... 1
Evolutionary Algorithm ...................................................................................................................... 1
Fungsi Fitness ..................................................................................................................................... 2
Model Fitness Landscapes .................................................................................................................. 2
Algoritme Breadth-First Search (BFS) .............................................................................................. 2
Recall dan Precision ........................................................................................................................... 2
METODE PENELITIAN
Data Penelitian .................................................................................................................................... 3
Ekstraksi Ciri ...................................................................................................................................... 3
Pembentukan Struktur Graf ................................................................................................................ 3
Landscape 1 ................................................................................................................................. 3
Landscape 2 ................................................................................................................................. 3
Temu Kembali Citra ........................................................................................................................... 4
Evaluasi Hasil Temu Kembali ............................................................................................................ 4
Spesifikasi Pengembangan.................................................................................................................. 5
HASIL DAN PEMBAHASAN
Ekstraksi Ciri Citra ............................................................................................................................. 5
Struktur Graf ....................................................................................................................................... 5
Landscape 1 ................................................................................................................................. 5
Landscape 2 ................................................................................................................................. 5
Proses Pencarian ................................................................................................................................. 6
Hasil Temu Kembali ........................................................................................................................... 6
Evaluasi Hasil Temu Kembali ............................................................................................................ 8
KESIMPULAN DAN SARAN
Kesimpulan ......................................................................................................................................... 9
Saran ................................................................................................................................................... 9
DAFTAR PUSTAKA ............................................................................................................................. 9
LAMPIRAN ......................................................................................................................................... 11
iv
DAFTAR GAMBAR
Halaman
1
2
3
4
5
6
7
8
9
10
11
12
13
Ilustrasi algoritme BFS ..................................................................................................................... 2
Metode penelitian .............................................................................................................................. 3
Representasi satu node pada landscape............................................................................................. 3
Ilustrasi pencarian pada landscape 1 ................................................................................................. 4
Ilustrasi pencarian pada landscape 2 ................................................................................................. 4
Ilustrasi landscape 1 .......................................................................................................................... 5
Ilustrasi landscape 2 .......................................................................................................................... 5
Diagram alur proses penelusuran pada landscape 1 dan landscape 2 ............................................... 6
Contoh tampilan utama sistem .......................................................................................................... 7
Contoh hasil temu kembali ................................................................................................................ 7
Contoh hasil temu kembali yang kurang relevan .............................................................................. 8
Grafik perbandingan nilai recall dan precision ................................................................................. 9
Grafik perbandingan waktu temu kembali ........................................................................................ 9
v
PENDAHULUAN
Latar Belakang
Dalam perkembangan media informasi
terutama di bidang temu kembali citra dewasa
ini, para pengguna membutuhkan mesin pencari
yang cepat dengan hasil yang relevan. Oleh
karena itu, metode pencarian heuristik
diaplikasikan dengan harapan mampu membuat
proses pencarian citra menjadi lebih cepat.
Proses pencarian yang umum dilakukan
adalah dengan membandingkan citra kueri
dengan seluruh citra dalam basis data. Proses ini
dilakukan berulang setiap citra kueri diberikan.
Hal ini tidak efisien karena proses tersebut
cukup membutuhkan waktu terutama pada basis
data berukuran besar.
Metode heuristik diterapkan untuk membuat
basis data lebih terstruktur. Model struktur basis
data tersebut menransformasi isi basis data
menjadi graf terhubung. Setiap node graf adalah
representasi setiap citra dalam basis data.
Antara node satu dengan node lainnya
dihubungkan dengan edge yang dilabeli dengan
nilai kemiripan dan prediksi kedekatan (Stadler
2001). Model graf ini dalam ruang lingkup
Evolutionary Algorithm (EA) dikenal dengan
fitness landscape (Jones 1995). Prediksi
kedekatan
dan
kemiripan
tersebut
mempengaruhi posisi antar node. Semakin
mirip citra-citra tersebut maka posisinya
semakin berdekatan.
Pada saat kueri dimasukkan, pencarian
dilakukan dengan cara menelusuri node-node
graf tersebut dengan algoritme pencarian
Breadth-First Search (BFS). Awal pencarian
difokuskan untuk mencari citra dalam basis data
yang paling relevan dengan kueri. Setelah itu,
pencarian berlanjut dengan menelusuri citracitra lain dengan posisi yang berdekatan dengan
citra basis data yang paling relevan tersebut.
Hal ini dilakukan karena model struktur graf ini
telah memposisikan citra-citra yang mirip saling
berdekatan, sehingga ketika citra paling relevan
dengan kueri telah ditemukan, maka citra-citra
lain yang letaknya berdekatan dengan citra
tersebut juga relevan terhadap kueri. Hasil
penelusuran kemudian ditampilkan sebagai
hasil temu kembali.
Tujuan
Tujuan
penelitian
ini
adalah
mengimplementasikan dan menganalisis kinerja
metode heuristik pada pencarian citra.
Ruang Lingkup
Ruang lingkup penelitian ini difokuskan
pada implementasi pemrograman heuristik pada
proses pencarian citra dalam konteks Content
Based Image Retrieval (CBIR) berdasarkan fitur
warna, bentuk, dan tekstur. Implementasi ini
diterapkan pada data sebanyak 1100 citra yang
terbagi menjadi 10 kelas, yaitu mobil, singa,
matahari terbenam, tekstur, beruang, gajah,
tanda panah, pemandangan, reptil, dan pesawat.
TINJAUAN PUSTAKA
Content Based Image Retrieval
Content based imaged retrieval (CBIR)
merupakan suatu pendekatan pada temu
kembali citra berdasarkan ciri atau informasi
yang terkandung di dalam citra seperti warna,
bentuk dan tekstur (Han & Ma diacu dalam
Pebuardi 2008). Secara umum, proses content
based image retrieval (CBIR) dapat dibagi
menjadi dua proses utama yaitu pengolahan
basis data atau pengindeksan dan temu kembali.
Heuristik
Kata heuristik berasal dari bahasa Yunani,
heuriskein, yang berarti mencari atau
menemukan. Di dalam mempelajari metodemetode pencarian, kata heuristik diartikan
sebagai suatu fungsi yang memberikan suatu
nilai berupa biaya perkiraan (estimasi) dari
suatu solusi (Suyanto 2007).
Ekstraksi Ciri (Feature Extraction)
Proses ekstraksi ciri adalah salah satu tahap
praproses pada sistem CBIR (Datta et al 2008).
Informasi visual yang dihasilkan dari ekstraksi
ciri sangat bermanfaat untuk analisis dan proses
citra selanjutnya. Ekstraksi ciri pada umumnya
memanfaatkan komponen informasi pada citra
yaitu berdasarkan warna, bentuk dan tekstur.
Evolutionary Algorithm
Evolutionary algorithm identik dengan
Evolutionary Programming, Genetic Algorithm,
dan Evolution Strategies. Algoritme ini mencari
sekumpulan solusi untuk suatu masalah. Solusi
awal tersebut digunakan untuk membentuk
potensi solusi baru melalui penggunaan
operator. Operator yang dimaksud adalah
operator genetika seperti mutasi, rekombinasi,
dan inversi. Setiap operator yang digunakan
membentuk landscape tersendiri (Jones 1995).
Landscape adalah salah satu cara untuk
menggambarkan proses yang dijalankan oleh
suatu operator. Hasilnya berupa struktur
berbentuk graf terhubung.
Fungsi Fitness
Fungsi fitness adalah ukuran kinerja yang
mengevaluasi seberapa bagus suatu solusi.
Fungsi ini dapat digunakan untuk mengukur
nilai kemiripan antar dua citra. Salah satu fungsi
kemiripan yang umum digunakan adalah cosine
similarity, formulanya adalah sebagai berikut:
,
I
II
III
IV
V
dengan
x = vektor citra x, dan
y = vektor citra y.
Gambar 1 Ilustrasi algoritme BFS.
Hasil perhitungan nilai kemiripan berkisar
antara 0 sampai 1. Semakin mendekati nilai 1
maka kedua citra tersebut semakin mirip, begitu
pula sebaliknya (Klabbankoh & Pinngren
1999).
Recall dan precision merupakan parameter
untuk mengukur keefektifan dari hasil temu
kembali. Recall menyatakan proporsi materi
relevan yang ditemukembalikan terhadap
seluruh materi relevan yang ada dalam basis
data. Sementara itu, precision menyatakan
proporsi materi relevan yang ditemukembalikan
terhadap seluruh materi yang ditemukembalikan
(Grossman 2006).
Model Fitness Landscapes
Model fitness landscape adalah suatu cara
untuk memodelkan citra-citra beserta nilai
kemiripannya menjadi bentuk graf terhubung.
Setiap citra direpresentasikan sebagai sebuah
node pada suatu dimensi ruang (Jones & Forrest
1995). Untuk membentuk landscape diperlukan
tiga komponen, yaitu sebagai berikut (Stadler
2001):
1 Memiliki konfigurasi X, yaitu himpunan
anggota, atau dalam hal ini citra dalam basis
data.
2 Memiliki perkiraan kedekatan atau jarak
antar anggota X.
3 Memiliki fungsi kemiripan.
Himpunan citra menjadi node-node pada
graf. Fungsi kemiripan dihitung menggunakan
persamaan
tertentu
sehingga
dapat
mengidentifikasi tingkat kemiripan antar citra.
Tingkat kemiripan tersebut digunakan sebagai
perkiraan kedekatan antar node. Semakin besar
nilai kemiripannya maka posisi dalam graf
semakin berdekatan.
Algoritme Breadth-First Search (BFS)
Algoritme BFS adalah suatu sitematika
pencarian yang dilakukan pada semua node
pada setiap level secara berurutan dari kiri ke
kanan. Jika pada satu level belum ditemukan
solusi, maka pencarian dilanjutkan pada level
berikutnya (Suyanto 2007). Ilustrasi algoritme
BFS dapat dilihat pada Gambar 1.
Recall dan Precision
Penentuan nilai precision untuk nilai recall
tertentu dihitung dengan interpolasi maksimum
dengan aturan berikut (misalnya untuk recall 0
sampai 1 dengan interval 0.1):
,
dengan
rj {0.0, 0.1, …, 1.0},
r0 = 0.0, r1 = 0.1, …, r10=1.0.
Jika tidak semua citra relevan dapat
ditemukembalikan maka nilai precision pada
recall yang bersangkutan bernilai 0 (BaezaYates & Ribeiro-Neto 1999).
METODE PENELITIAN
Penelitian ini dilaksanakan dalam beberapa
tahap yaitu: (1) ekstraksi citra, (2) proses
pembentukan struktur graf, (3) proses
pengindeksan dokumen citra, (4) pencarian dan
pengukuran kemiripan dengan menggunakan
metode heuristik, dan (5) evaluasi hasil temu
kembali. Tahap-tahap yang dilakukan pada
penelitian diilustrasikan pada Gambar 2.
2
1 Representasi node
Pengindeksan
Basis
Data
Citra
Temu Kembali Citra
Citra
kueri
Ekstraksi ciri
Ekstraksi Ciri
Indeks Citra
kueri
Pembentukan
struktur graf
Penelitian ini menggunakan tiga fitur citra,
yaitu warna, bentuk, dan tekstur. Oleh karena
itu, satu node pada landscape ini adalah satu
citra yang direpresentasikan dengan vektorvektor hasil ekstraksi ketiga fiturnya. Ketiga
vektor tersebut terdiri atas vektor warna berisi
162 elemen, vektor bentuk berisi 72 elemen,
dan vektor tekstur berisi 7 elemen. Contoh
ilustrasi satu node digambarkan pada Gambar 3.
162 elemen warna
Metode Heuristik
7 elemen tekstur
Pencarian dan
Pengukuran
Kesamaan
Indeks Citra
Basis data
Hasil Temu
Kembali Optimal
Evaluasi Temu
Kembali
node
72 elemen bentuk
Gambar 3 Representasi satu node pada
landscape.
2 Perhitungan nilai kemiripan
Gambar 2 Metode penelitian.
Data Penelitian
Data yang digunakan pada penelitian ini
terdiri atas 1100 citra berformat TIF yang
dikelompokkan secara manual ke dalam 10
kelas, yaitu mobil, singa, matahari terbenam,
tekstur, beruang, gajah, tanda panah,
pemandangan, reptil, dan pesawat. Setiap citra
memiliki ukuran yang bervariasi. Citra didapat
dari http://www.fei.edu.br/~psergio/MaterialAu
las/Generalist1200.zip. Beberapa contoh citra
yang digunakan tertera pada Lampiran 1.
Ekstraksi Ciri
Ekstraksi ciri yang digunakan pada
penelitian meliputi ekstraksi warna, bentuk, dan
tekstur hasil penelitian Pebuardi (2008).
Ekstraksi warna menggunakan conventional
color histogram (CCH), ekstraksi bentuk
menggunakan deteksi tepi Sobel, dan ekstraksi
tekstur menggunakan matriks co-occurrence.
Pembentukan Struktur Graf
Tahapan pembentukan struktur graf adalah
sebagai berikut.
Landscape 1
Pembentukan landscape ini bertujuan untuk
mencari citra dalam basis data yang paling
identik dengan citra kueri. Landscape 1 terdiri
atas beberapa komponen, yaitu node, edge, dan
nilai kemiripan untuk melabeli edge-nya.
Tahapan pembuatan landscape ini yaitu:
Nilai kemiripan antar citra dalam basis data
dihitung menggunakan cosine similarity. Setiap
fitur antar dua citra dihitung nilai kemiripannya
kemudian dijumlahkan. Perhitungan dilakukan
terhadap citra basis data urutan pertama
terhadap setiap citra dalam basis data. Hasilnya
adalah sebuah matriks berukuran 1×n, dengan n
menunjukkan jumlah citra dalam basis data.
Rumus cosine similarity adalah sebagai berikut:
,
dengan
x = vektor citra x,
y = vektor citra y.
Landscape 2
Manfaat landscape 2 dalam pencarian
adalah untuk menemukan citra lain yang
relevan namun dengan nilai kemiripan yang
lebih rendah dibandingkan hasil temuan pada
landscape 1. Dalam landscape ini, setiap node
merepresentasikan satu citra, sedangkan edgenya merupakan nilai kemiripan hasil
perhitungan dengan implementasi pembobotan
automatis dengan Algoritme Genetika (GA)
sesuai penelitian Pratama (2009). Bobot yang
dihasilkan oleh proses GA berubah-ubah karena
pembangkitan nilai awal yang dilakukan secara
acak. Perbedaan nilai ini tidak terlalu signifikan,
namun tetap mempengaruhi nilai akhir
precision yang dihasilkan. Oleh karena itu,
perhitungan kemiripan dengan pembobotan
3
yang dilakukan dengan GA ini dilakukan
beberapa kali dan dilihat hasil yang terbaik.
Perhitungan
nilai
kemiripan
dengan
pembobotan automatis ini dilakukan terhadap
seluruh citra basis data menghasilkan matriks
berukuran n×n, dengan n menunjukkan jumlah
citra dalam basis data.
Temu Kembali Citra
Proses Heuristik
Pada proses temu kembali, pemberian kueri
dilakukan. Kueri citra tersebut melalui proses
ekstraksi ciri menghasilkan vektor yang terdiri
dari 162 elemen warna, 72 elemen bentuk, dan
7 elemen tekstur. Node awal untuk proses
penelusuran selalu dimulai dari anggota basis
data urutan pertama.
Penelusuran bergerak pada dua landscape
yang telah terbentuk. Penjelasannya adalah
sebagai berikut:
Landscape 1
Pada landscape ini setiap edge telah
memiliki label jarak berupa nilai kemiripan
cosine. Tahapan penelusuran selanjutnya
dijelaskan sebagai berikut:
1 Menghitung nilai kemiripan c1 antara citra
kueri dengan node awal.
2 Dari node awal, proses bergerak untuk
menemukan node lain yang memiliki nilai
kemiripan yang sama dengan atau
mendekati c1, cx≈c1.
3 Jika ada lebih dari satu node yang memiliki
nilai kemiripan yang sama dengan c1, maka
node-node citra basis data yang memiliki
nilai kemiripan yang sama tersebut dihitung
nilai kemiripannya terhadap kueri. Node
yang terpilih adalah node dengan nilai
kemiripan tebesar terhadap kueri.
Hasilnya adalah indeks kandidat hasil temu
kembali dengan nilai kemiripan tertinggi atau
citra dalam basis data yang paling identik
dengan kueri. Gambar 4 adalah ilustrasi
pencarian pada landscape 1.
Gambar 4 Ilustrasi pencarian pada landscape 1.
Landscape 2
Indeks node awal pada landscape ini adalah
indeks node hasil pencarian pada landscape 1.
Setiap
node
pada
landscape
ini
merepresentaskan satu citra dan edge-nya
dilabeli nilai kemiripan yang dihitung dengan
pembobotan automatis dengan GA. Penelusuran
berjalan dengan algoritme berikut:
1 Dari node awal pada landscape 2,
berdasarkan urutan nilai kemiripan dari yang
paling
besar,
penelusuran
bergerak
mengikuti pola BFS.
2 Dari setiap node yang dikunjungi, dilihat
nilai kemiripan antara node awal dengan
node yang sedang dikunjungi, dan hasilnya
disimpan sebagai calon hasil temu kembali.
3 Pelusuran dilakukan berdasarkan urutan
nilai kemiripan mulai dari yang terbesar
sampai menemukan node dengan nilai
kemiripan kurang dari threshold sebesar 0.5.
Jika penelusuran menemukan node dengan
kriteria tersebut maka pencarian berhenti. Hasil
sebelumnya yang telah tersimpan dalam calon
hasil temu kembali diurutkan berdasarkan nilai
kemiripan mulai dari yang tertinggi. Hasil
tersebut kemudian ditampilkan sebagai hasil
temu kembali. Gambar 5 menunjukkan ilustrasi
pencarian pada landscape 2.
cga= nilai kemiripan dengan pembobotan GA.
Gambar 5 Ilustrasi pencarian pada landscape 2.
Evaluasi Hasil Temu Kembali
Pada tahap evaluasi dilakukan penilaian
kinerja sistem terhadap sejumlah data pengujian
dengan menghitung nilai recall dan precision
untuk menentukan tingkat relevansi hasil temu
kembali. Recall adalah perbandingan jumlah
citra relevan dan ditemukembalikan dengan
jumlah citra relevan dalam basis data. Precision
adalah perbandingan jumlah citra relevan yang
ditemukembalikan dengan jumlah citra hasil
temu kembali. Penentuan nilai precision pada
nilai recall tertentu dihitung menggunakan
aturan interpolasi maksimum.
4
Spesifikasi Pengembangan
Penelitian
ini
dilakukan
dengan
menggunakan spesifikasi perangkat keras dan
perangkat lunak sebagai berikut:
1
2
3
4
sebagai node awal. Gambar 6 menunjukkan
ilustrasi landscape 1.
Perangkat keras dengan spesifikasi:
Prosesor AMD Turion64 X2 2.0 GHz
Memori 2,37 GB
Harddisk 80 GB
Alat input mouse dan keyboard
Perangkat lunak dengan spesifikasi:
1 Microsoft Windows XP Professional SP3
2 MATLAB 7.0.1
c = nilai kemiripan cosine.
Gambar 6 Ilustrasi landscape 1.
HASIL DAN PEMBAHASAN
Pada metode heuristik, proses pengindeksan
cukup membutuhkan waktu. Hal ini terjadi
karena komputasi pada proses pengindeksan
melibatkan seluruh citra dalam basis data untuk
membentuk struktur graf. Namun, pada saat
temu kembali, yang dilakukan sistem adalah
menelusuri nilai-nilai yang telah dihitung
tersebut. Oleh sebab itu, minimnya proses
komputasi pada saat temu kembali diharapkan
mampu mempercepat proses pencarian.
Ekstraksi Ciri Citra
Seluruh citra dalam basis data mengalami
proses ekstraksi warna, bentuk, dan tekstur
sesuai penelitian Pebuardi (2008). Hasilnya,
setiap citra direpresentasikan menjadi vektor
warna berisi 162 elemen, vektor bentuk berisi
72 elemen, dan vektor tekstur berisi 7 elemen.
Komputasi yang dilakukan pada tahap
pembentukan landscape ini melibatkan 1100
citra dalam basis data. Waktu yang diperlukan
untuk perhitungan kemiripan cosine antar 1100
citra tersebut adalah sekitar 90 detik.
Landscape 2
Landscape ini memiliki node yang
merepresentasikan satu citra. Edge-nya dilabeli
dengan nilai kemiripan yang dihitung dengan
implementasi pembobotan automatis dengan
GA yang dinilai memiliki kinerja yang baik
berdasarkan penelitian Pratama (2009).
Perhitungan ini menghasilkan sebuah matriks
berukuran 1100×1100 sesuai dengan jumlah
1100 citra dalam basis data. Ilustrasi landscape
2 ditunjukkan pada Gambar 7.
Struktur Graf
Landscape 1
Landscape ini memiliki node yang
merepresentasikan satu citra. Setiap citra
memiliki tiga vektor yang terdiri dari vektor
warna berisi 162 elemen, vektor bentuk berisi
72 elemen, dan vektor tekstur berisi 7 elemen.
Edge-nya dilabeli dengan jumlah ketiga nilai
kemiripan cosine fiturnya. Semakin besar nilai
kemiripannya maka citra semakin identik.
Perhitungan nilai kemiripan cosine dilakukan
antara citra basis data urutan pertama dengan
seluruh citra dalam basis data menghasilkan
sebuah matriks berukuran 1×1100 atau sesuai
dengan jumlah citra dalam basis data. Hal ini
dilakukan karena penelusuran pada landscape 1
selalu dimulai dari citra basis data urutan
pertama, sehingga pada saat penelusuran,
kemiripan node-node dalam basis data
dibandingkan dengan citra urutan pertama
cga= nilai kemiripan dengan pembobotan GA.
Gambar 7 Ilustrasi landscape 2.
Pada penelitian yang dilakukan oleh
Pratama (2009), proses pembobotan dengan GA
dilakukan pada setiap kueri dimasukkan.
Hasilnya, proses temu kembali menjadi lebih
lama yaitu sekitar 5 sampai 6 detik karena
pengaruh iterasi-iterasi dalam proses GA. Di
samping itu, nilai bobot yang dihasilkan selalu
berubah karena pembangkitan nilai awal yang
dilakukan secara acak.
5
Pada penelitian ini proses pembobotan
dengan GA dilakukan pada saat pengindeksan,
yaitu digunakan untuk pembentukan struktur
landscape 2. Nilai bobot yang berubah-ubah
tersebut dicoba untuk ditetapkan dengan
dilakukan sepuluh kali percobaan dan dipilih
yang menghasilkan rata-rata nilai precision
tertinggi. Bobot-bobot tersebut menjadi bobot
tetap antar citra dalam basis data. Waktu yang
diperlukan untuk komputasi 1100 citra untuk
pembentukan landscape ini adalah sekitar 1618
detik.
Proses Pencarian
Proses pencarian bergerak antar node pada
graf dengan sistematika BFS. Penelusuran
dibatasi dengan threshold sebesar 0.5 dengan
asumsi bahwa citra-citra yang mirip akan
memiliki nilai kemiripan tinggi.
Pada
proses
penelusuran,
kegiatan
komputasi minim dilakukan karena pencarian
lebih banyak menelusuri angka-angka yang
telah dihitung pada tahap pengindeksan. Alur
proses pencarian pada dua landscape ini dapat
dilihat pada Gambar 8.
Pencarian pertama bergerak pada landscape
1 untuk menemukan citra dalam basis data
dengan nilai kemiripan tertinggi atau yang
paling identik dengan kueri. Node awal
pencarian adalah anggota citra basis data urutan
pertama. Selanjutnya, pencarian menuju
landscape 2 untuk menemukan citra lain yang
masih relevan dengan kueri namun dengan nilai
kemiripan yang lebih rendah dibandingkan hasil
pencarian pada landscape 1. Pencarian dimulai
pada node awal yang indeksnya merupakan
indeks node akhir hasil pencarian pada
landscape 1. Selanjutnya penelusuran dilakukan
dengan mencari node tetangga yang memiliki
identik berdasarkan urutan nilai kemiripan GA
mulai dari yang terbesar. Pencarian akan
berhenti dilakukan jika menemukan node
dengan kemiripan kurang dari 0,5.
Hasil Temu Kembali
Hasil temu kembali adalah hasil penelusuran
graf dengan batasan threshold nilai kemiripan
sebesar 0.5. Citra kueri yang digunakan adalah
seluruh citra basis data. Rata-rata waktu yang
diperlukan untuk setiap proses penelusuran
adalah sekitar 0.66 detik. Contoh tampilan
utama sistem saat menemukembalikan suatu
kueri dapat dilihat pada Gambar 9. Di lain
pihak, contoh hasil temu kembali untuk
tampilan tersebut terlihat pada Gambar 10. Pada
Gambar 10 terlihat bahwa proses temu kembali
berhasil baik dengan menghasilkan 37 citra
teratas yang seluruhnya relevan dengan kueri.
Kueri masuk
Landscape 1
Hitung cosine
similarity c1 antara
kueri dengan node
awal
Mencari nilai
kemiripan antar
node awal dan node
lain yang sama atau
mendekati c1
Hitung cosine
similarity antara node
(dengan kemiripan
mendekati c1) dengan
kueri
tidak
Maksimum?
ya
Selesai
(simpan
indeks-nya)
Node awal
Landscape 2
Hampiri node
berdasarkan urutan
nilai kemiripan
GA mulai dari
yang terbesar
Simpan
indeksnya,
lanjutkan
penelusuran
ya
Lihat nilai
kemiripannya
>0.5 ?
Pencarian selesai.
Tampilkan
tidak
indeks-indeks
yang tersimpan
Gambar 8 Diagram alur proses penelusuran.
Contoh hasil temu kembali yang kurang
relevan tertera pada Gambar 11. Pada gambar
tersebut terlihat hanya ditemukan dua citra yang
relevan, sedangkan selainnya adalah citra-citra
dari kelas lain namun dengan nilai kemiripan
yang besar terhadap kueri. Ini menunjukkan
bahwa antar citra dalam satu kelas belum tentu
memiliki nilai kemiripan tinggi. Hal ini
berkaitan dengan perhitungan nilai kemiripan
yang sangat dipengaruhi oleh kualitas ekstraksi
ciri. Dengan kata lain, pada beberapa citra,
ekstraksi ciri yang digunakan kurang
mencirikan citra tertentu untuk masuk ke
kelasnya.
6
Jumlah citra yang
ditemukan
Rentang citra hasil temu
kembali yang ditampilkan
Gambar 9 Contoh tampilan utama sistem.
Gambar 10 Contoh hasil temu kembali.
Gambar 11 Contoh hasil temu kembali yang kurang relevan.
Tabel 1 Rataan precision temu kembali.
Evaluasi Hasil Temu Kembali
Evaluasi
dilakukan
menggunakan
perhitungan recall dan precision. Perhitungan
nilai recall dan precision ini melibatkan seluruh
citra dalam basis data sebagai kueri. Nilai recall
yang digunakan adalah 0, 0.1, 0.2, 0.3, …, 1.
Penentuan nilai precision pada recall tersebut
menggunakan interpolasi maksimum dengan
aturan
,
dengan
rj {0.0, 0.1, …, 1.0},
r0 = 0.0, r1 = 0.1, …, r10=1.0.
Nilai precision yang ditampilkan pada Tabel
1 adalah hasil rataan nilai precision dari
keseluruhan kueri. Grafik perbandingan nilai
recall dan precision dapat dilihat pada Gambar
12. Pada nilai recall 0 dan 0.1, precision yang
dihasilkan masih di atas 0.5 walaupun
penurunannya cukup signifikan. Hal ini berarti
rata-rata pada sejumlah hasil temu kembali yang
teratas, lebih dari setengahnya merupakan citra
yang relevan terhadap kueri. Pada nilai recall
selanjutnya, precision yang dihasilkan kurang
dari 0.5 namun dengan penurunan yang tidak
signifikan.
Recall
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Rataan
Precision
1.0000
0.5746
0.4779
0.3957
0.3385
0.2929
0.2511
0.2116
0.1697
0.1159
0.0231
0.3501
Dari segi kecepatan waktu komputasi temu
kembali, proses heuristik berjalan lebih cepat..
Perhitungan waktu ini menggunakan seluruh
citra dalam basis data dan dicobakan pada
sistem dengan dan tanpa metode heuristik.
Sistem temu kembali tanpa metode heuristik
menghasilkan rata-rata waktu temu kembali
sekitar 5.97 detik, sedangkan sistem dengan
implementasi heuristik menghasilkan rata-rata
temu kembali sekitar 0.66 detik, atau terjadi
penurunan waktu temu kembali sebesar 88.94%.
Dengan kata lain, waktu pencarian temu
kembali menjadi 8.89 kali lebih cepat. Grafik
perbandingan waktu tertera pada Gambar 13.
8
Grafik Perbandingan R-P
1.2
Precision
1.0
0.8
temu kembali 8.89 kali lebih cepat
dibandingkan
dengan
sistem
tanpa
implementasi heuristik. Kinerja metode
heuristik ini dapat berjalan lebih baik jika nilai
kemiripan yang dihasilkan antar citra baik,
artinya nilai tersebut mampu mencirikan citracitra yang memang berada pada kelas yang
sama.
0.6
Saran
0.4
Model heuristik dengan landscape ini sangat
bergantung pada nilai kemiripan antar citra, dan
nilai kemiripan ini sangat dipengaruhi oleh
kualitas ekstraksi ciri. Penelitian selanjutnya
dapat mengimplementasikan teknik ekstraksi
ciri lain yang lebih mencirikan antar satu citra
dengan citra lainnya terutama untuk fitur bentuk
dan tekstur. Selain itu, penghitungan nilai
kemiripan dengan menggabungkan ketiga fitur
juga merupakan tantangan yang masih dapat
terus dicarikan solusi. Di sisi lain,
pengimplementasian model heuristik lain masih
mungkin untuk hasil yang lebih optimal.
0.2
0.0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Recall
Gambar 12 Grafik perbandingan nilai recall dan
precision.
KESIMPULAN DAN SARAN
Kesimpulan
Metode
heuristik
berhasil
diimplementasikan dan mampu menghasilkan
Grafik perbandingan waktu temu kembali
8
7
5
4
3
2
1
0
1
29
57
85
113
141
169
197
225
253
281
309
337
365
393
421
449
477
505
533
561
589
617
645
673
701
729
757
785
813
841
869
897
925
953
981
1009
1037
1065
1093
Waktu (detik)
6
Kueri
heuristik
Non-heuristik
Gambar 13 Grafik perbandingan waktu temu kembali.
9
DAFTAR PUSTAKA
Baeza-Yates R, Ribeiro-Neto R. 1999. Modern
Information Retrieval. New York : Addison
Wesley
Datta R, Joshi D, Li J, Wang JZ. 2008. Image
Retrieval: Ideas, Influences, and Trends of
the New Age. ACM Computing Surveys.
Grossman DA, Frieder O. 2004. Information
Retrieval Algorithms and Heuristics.
Netherlands: Springer.
Jones T. 1995. Evolutionary Algorithms, Fitness
Landscapes and Search [dissertation].
http://www.cs.unm.edu/~forrest/dissertation
s-and-proposals/terry.pdf [8 April 2009].
Jones T, Forrest S. 1995. Genetic Algorithms
and
Heuristic
Search.
http://www.cs.unm.edu/~forrest/publications
/gahs.pdf [20 November 2008].
Klabbankoh B, Pinngern O. 1999. Applied
Genetic
Algorithms
in
Information
Retrieval. Bangkok : Faculty of Information
Technology King Mongkut, Institute of
Technology
Ladkrabang.
http://www.journal.au.edu/ijcim/sep99/02drouen.pdf[17 Desember 2008].
Pebuardi R. 2008. Pengukuran Kemiripan Citra
Berbasis Warna, Bentuk, dan Tekstur
Menggunakan Bayesian Network [skripsi].
Bogor: Departemen Ilmu Komputer, Institut
Pertanian Bogor.
Pratama F. 2009. Algoritme Genetika untuk
Optimasi Pembobotan Fitur pada Temu
Kembali Citra [skripsi]. Bogor: Departemen
Ilmu Komputer, Institut Pertanian Bogor.
Stadler PF. 2001. Fitness Landscape.
http://www.tbi.univie.ac.at/papers/Abstracts/
01-pfs-004.pdf [26 Mei 2009].
Suyanto.
2007.
Artificial
Intelligence,
Searching, Reasoning, Planning and
Learning. Bandung: Penerbit Informatika.
LAMPIRAN
11
Lampiran 1 Contoh citra yang digunakan untuk masing-masing kelas
1. Kelas mobil
Citra 2
Citra20
Citra 43
Citra 66
Citra 96
Citra 109
Citra 135
Citra 164
Citra 179
Citra 192
Citra 206
Citra 181
Citra 216
Citra 252
Citra 263
Citra 279
2. Kelas singa
3. Kelas matahari terbenam
Citra 280
Citra 279
Citra 323
Citra 317
Citra 329
Citra 342
Citra 344
Citra 375
4. Kelas tekstur
Citra 386
Citra 400
Citra 418
Citra 430
Citra 465
Citra 494
Citra 506
Citra 545
5. Kelas beruang
Citra 557
Citra 572
Citra 573
Citra 590
12
Lanjutan
Citra 611
Citra 617
Citra 620
Citra 654
Citra 659
Citra 678
Citra 684
Citra 691
Citra 705
Citra 720
Citra 738
Citra 754
Citra 760
Citra 764
Citra 774
Citra 789
Citra 793
Citra 795
6. Kelas gajah
7. Kelas tanda panah
Citra 797
Citra 800
8. Kelas pemandangan
Citra 804
Citra 823
Citra 847
Citra 861
Citra 868
9. Kelas reptil
Citra 880
Citra 899
Citra 933
Citra 939
Citra 946
Citra 951
Citra 958
13
Lanjutan
Citra 965
Citra 937
Citra 988
Citra 994
Citra 1006
Citra1023
Citra 1027
Citra 1030
Citra 1055
Citra 1079
Citra 1085
Citra 1100
10. Kelas pesawat
14
Spesifikasi Pengembangan
Penelitian
ini
dilakukan
dengan
menggunakan spesifikasi perangkat keras dan
perangkat lunak sebagai berikut:
1
2
3
4
sebagai node awal. Gambar 6 menunjukkan
ilustrasi landscape 1.
Perangkat keras dengan spesifikasi:
Prosesor AMD Turion64 X2 2.0 GHz
Memori 2,37 GB
Harddisk 80 GB
Alat input mouse dan keyboard
Perangkat lunak dengan spesifikasi:
1 Microsoft Windows XP Professional SP3
2 MATLAB 7.0.1
c = nilai kemiripan cosine.
Gambar 6 Ilustrasi landscape 1.
HASIL DAN PEMBAHASAN
Pada metode heuristik, proses pengindeksan
cukup membutuhkan waktu. Hal ini terjadi
karena komputasi pada proses pengindeksan
melibatkan seluruh citra dalam basis data untuk
membentuk struktur graf. Namun, pada saat
temu kembali, yang dilakukan sistem adalah
menelusuri nilai-nilai yang telah dihitung
tersebut. Oleh sebab itu, minimnya proses
komputasi pada saat temu kembali diharapkan
mampu mempercepat proses pencarian.
Ekstraksi Ciri Citra
Seluruh citra dalam basis data mengalami
proses ekstraksi warna, bentuk, dan tekstur
sesuai penelitian Pebuardi (2008). Hasilnya,
setiap citra direpresentasikan menjadi vektor
warna berisi 162 elemen, vektor bentuk berisi
72 elemen, dan vektor tekstur berisi 7 elemen.
Komputasi yang dilakukan pada tahap
pembentukan landscape ini melibatkan 1100
citra dalam basis data. Waktu yang diperlukan
untuk perhitungan kemiripan cosine antar 1100
citra tersebut adalah sekitar 90 detik.
Landscape 2
Landscape ini memiliki node yang
merepresentasikan satu citra. Edge-nya dilabeli
dengan nilai kemiripan yang dihitung dengan
implementasi pembobotan automatis dengan
GA yang dinilai memiliki kinerja yang baik
berdasarkan penelitian Pratama (2009).
Perhitungan ini menghasilkan sebuah matriks
berukuran 1100×1100 sesuai dengan jumlah
1100 citra dalam basis data. Ilustrasi landscape
2 ditunjukkan pada Gambar 7.
Struktur Graf
Landscape 1
Landscape ini memiliki node yang
merepresentasikan satu citra. Setiap citra
memiliki tiga vektor yang terdiri dari vektor
warna berisi 162 elemen, vektor bentuk berisi
72 elemen, dan vektor tekstur berisi 7 elemen.
Edge-nya dilabeli dengan jumlah ketiga nilai
kemiripan cosine fiturnya. Semakin besar nilai
kemiripannya maka citra semakin identik.
Perhitungan nilai kemiripan cosine dilakukan
antara citra basis data urutan pertama dengan
seluruh citra dalam basis data menghasilkan
sebuah matriks berukuran 1×1100 atau sesuai
dengan jumlah citra dalam basis data. Hal ini
dilakukan karena penelusuran pada landscape 1
selalu dimulai dari citra basis data urutan
pertama, sehingga pada saat penelusuran,
kemiripan node-node dalam basis data
dibandingkan dengan citra urutan pertama
cga= nilai kemiripan dengan pembobotan GA.
Gambar 7 Ilustrasi landscape 2.
Pada penelitian yang dilakukan oleh
Pratama (2009), proses pembobotan dengan GA
dilakukan pada setiap kueri dimasukkan.
Hasilnya, proses temu kembali menjadi lebih
lama yaitu sekitar 5 sampai 6 detik karena
pengaruh iterasi-iterasi dalam proses GA. Di
samping itu, nilai bobot yang dihasilkan selalu
berubah karena pembangkitan nilai awal yang
dilakukan secara acak.
5
Pada penelitian ini proses pembobotan
dengan GA dilakukan pada saat pengindeksan,
yaitu digunakan untuk pembentukan struktur
landscape 2. Nilai bobot yang berubah-ubah
tersebut dicoba untuk ditetapkan dengan
dilakukan sepuluh kali percobaan dan dipilih
yang menghasilkan rata-rata nilai precision
tertinggi. Bobot-bobot tersebut menjadi bobot
tetap antar citra dalam basis data. Waktu yang
diperlukan untuk komputasi 1100 citra untuk
pembentukan landscape ini adalah sekitar 1618
detik.
Proses Pencarian
Proses pencarian bergerak antar node pada
graf dengan sistematika BFS. Penelusuran
dibatasi dengan threshold sebesar 0.5 dengan
asumsi bahwa citra-citra yang mirip akan
memiliki nilai kemiripan tinggi.
Pada
proses
penelusuran,
kegiatan
komputasi minim dilakukan karena pencarian
lebih banyak menelusuri angka-angka yang
telah dihitung pada tahap pengindeksan. Alur
proses pencarian pada dua landscape ini dapat
dilihat pada Gambar 8.
Pencarian pertama bergerak pada landscape
1 untuk menemukan citra dalam basis data
dengan nilai kemiripan tertinggi atau yang
paling identik dengan kueri. Node awal
pencarian adalah anggota citra basis data urutan
pertama. Selanjutnya, pencarian menuju
landscape 2 untuk menemukan citra lain yang
masih relevan dengan kueri namun dengan nilai
kemiripan yang lebih rendah dibandingkan hasil
pencarian pada landscape 1. Pencarian dimulai
pada node awal yang indeksnya merupakan
indeks node akhir hasil pencarian pada
landscape 1. Selanjutnya penelusuran dilakukan
dengan mencari node tetangga yang memiliki
identik berdasarkan urutan nilai kemiripan GA
mulai dari yang terbesar. Pencarian akan
berhenti dilakukan jika menemukan node
dengan kemiripan kurang dari 0,5.
Hasil Temu Kembali
Hasil temu kembali adalah hasil penelusuran
graf dengan batasan threshold nilai kemiripan
sebesar 0.5. Citra kueri yang digunakan adalah
seluruh citra basis data. Rata-rata waktu yang
diperlukan untuk setiap proses penelusuran
adalah sekitar 0.66 detik. Contoh tampilan
utama sistem saat menemukembalikan suatu
kueri dapat dilihat pada Gambar 9. Di lain
pihak, contoh hasil temu kembali untuk
tampilan tersebut terlihat pada Gambar 10. Pada
Gambar 10 terlihat bahwa proses temu kembali
berhasil baik dengan menghasilkan 37 citra
teratas yang seluruhnya relevan dengan kueri.
Kueri masuk
Landscape 1
Hitung cosine
similarity c1 antara
kueri dengan node
awal
Mencari nilai
kemiripan antar
node awal dan node
lain yang sama atau
mendekati c1
Hitung cosine
similarity antara node
(dengan kemiripan
mendekati c1) dengan
kueri
tidak
Maksimum?
ya
Selesai
(simpan
indeks-nya)
Node awal
Landscape 2
Hampiri node
berdasarkan urutan
nilai kemiripan
GA mulai dari
yang terbesar
Simpan
indeksnya,
lanjutkan
penelusuran
ya
Lihat nilai
kemiripannya
>0.5 ?
Pencarian selesai.
Tampilkan
tidak
indeks-indeks
yang tersimpan
Gambar 8 Diagram alur proses penelusuran.
Contoh hasil temu kembali yang kurang
relevan tertera pada Gambar 11. Pada gambar
tersebut terlihat hanya ditemukan dua citra yang
relevan, sedangkan selainnya adalah citra-citra
dari kelas lain namun dengan nilai kemiripan
yang besar terhadap kueri. Ini menunjukkan
bahwa antar citra dalam satu kelas belum tentu
memiliki nilai kemiripan tinggi. Hal ini
berkaitan dengan perhitungan nilai kemiripan
yang sangat dipengaruhi oleh kualitas ekstraksi
ciri. Dengan kata lain, pada beberapa citra,
ekstraksi ciri yang digunakan kurang
mencirikan citra tertentu untuk masuk ke
kelasnya.
6
Jumlah citra yang
ditemukan
Rentang citra hasil temu
kembali yang ditampilkan
Gambar 9 Contoh tampilan utama sistem.
Gambar 10 Contoh hasil temu kembali.
Gambar 11 Contoh hasil temu kembali yang kurang relevan.
Tabel 1 Rataan precision temu kembali.
Evaluasi Hasil Temu Kembali
Evaluasi
dilakukan
menggunakan
perhitungan recall dan precision. Perhitungan
nilai recall dan precision ini melibatkan seluruh
citra dalam basis data sebagai kueri. Nilai recall
yang digunakan adalah 0, 0.1, 0.2, 0.3, …, 1.
Penentuan nilai precision pada recall tersebut
menggunakan interpolasi maksimum dengan
aturan
,
dengan
rj {0.0, 0.1, …, 1.0},
r0 = 0.0, r1 = 0.1, …, r10=1.0.
Nilai precision yang ditampilkan pada Tabel
1 adalah hasil rataan nilai precision dari
keseluruhan kueri. Grafik perbandingan nilai
recall dan precision dapat dilihat pada Gambar
12. Pada nilai recall 0 dan 0.1, precision yang
dihasilkan masih di atas 0.5 walaupun
penurunannya cukup signifikan. Hal ini berarti
rata-rata pada sejumlah hasil temu kembali yang
teratas, lebih dari setengahnya merupakan citra
yang relevan terhadap kueri. Pada nilai recall
selanjutnya, precision yang dihasilkan kurang
dari 0.5 namun dengan penurunan yang tidak
signifikan.
Recall
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Rataan
Precision
1.0000
0.5746
0.4779
0.3957
0.3385
0.2929
0.2511
0.2116
0.1697
0.1159
0.0231
0.3501
Dari segi kecepatan waktu komputasi temu
kembali, proses heuristik berjalan lebih cepat..
Perhitungan waktu ini menggunakan seluruh
citra dalam basis data dan dicobakan pada
sistem dengan dan tanpa metode heuristik.
Sistem temu kembali tanpa metode heuristik
menghasilkan rata-rata waktu temu kembali
sekitar 5.97