Pengukuran kemiripan citra berbasis warna, bentuk, dan tekstur menggunakan bayesian network
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK,
DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK
RIZKI PEBUARDI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2008
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK,
DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
RIZKI PEBUARDI
G64104016
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2008
ABSTRAK
RIZKI PEBUARDI. Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur
Menggunakan Bayesian Network. Dibimbing oleh AGUS BUONO dan YENI HERDIYENI.
Penelitian ini mengimplementasikan dan menganalisis kinerja model Bayesian network dalam
pengukuran kemiripan citra menggunakan informasi warna, bentuk, dan testur. Ciri warna diekstraksi
menggunakan histogram-162, ciri bentuk diekstraksi menggunakan edge direction histogram, dan ciri
tekstur diekstraksi menggunakan co-occurrence matrix. Pada model ini, nilai bobot untuk setiap
informasi ditetapkan secara automatis oleh sistem berdasarkan informasi citra yang lebih dominan.
Jika setiap karakteristik citra memiliki peluang kejadian pada setiap citra yang ada di basis data, maka
peluang kemiripan setiap citra terhadap citra kueri dapat diketahui. Hal ini dapat dimodelkan
menggunakan model Bayesian network. Pada model Bayesian network, karakteristik-karakteristik
citra, citra kueri, dan citra-citra yang ada di basis data dapat dianggap sebagai node-node yang saling
berhubungan membentuk sebuah model Bayesian network.
Evaluasi hasil temu kembali menggunakan rataan precision untuk tiap tingkat recall. Secara
umum, model Bayesian network dapat digunakan untuk meningkatkan nilai precision hasil temu
kembali. Rata-rata peningkatan nilai precision dengan menggunakan model Bayesian network sebesar
8.28 %. Nilai rata-rata precision untuk semua citra di basis data dengan menggunakan model Bayesian
network lebih tinggi daripada menggunakan informasi warna, bentuk, dan tekstur secara terpisah.
Kata kunci: Bayesian network, histogram-162, edge direction histogram, co-occurrence matrix
Judul : Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur
Menggunakan Bayesian Network
Nama : Rizki Pebuardi
NIM
: G64104016
Menyetujui:
Pembimbing I
Pembimbing II
Ir. Agus Buono, M.Si., M.Kom.
NIP 132045532
Yeni Herdiyeni, S.Si., M.Kom.
NIP 132282665
Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Dr. drh. Hasim, DEA
NIP 131578806
Tanggal Lulus :
RIWAYAT HIDUP
Penulis dilahirkan di Bukittinggi pada tanggal 18 Februari 1986. Penulis merupakan anak
keempat dari pasangan Herman dan Lismar.
Pada tahun 2004, penulis lulus dari SMU Negeri 1 IV Angkat Candung, Agam, Sumatera Barat
dan pada tahun yang sama penulis mendapat undangan seleksi masuk IPB (USMI) dan terdaftar
sebagai mahasiswa Departemen Ilmu Komputer Fakultas MIPA Institut Pertanian Bogor hingga saat
ini.
Pada tahun 2007, penulis melaksanakan praktik kerja lapangan (PKL) di PT. Sigma Cipta
Utama selama kurang lebih dua bulan. Selama mengikuti perkuliahan penulis pernah menjadi asisten
Algoritme dan Pemrograman, Bahasa Pemrograman, Organisasi Komputer dan Penerapan Komputer.
PRAKATA
Alhamdulillahi Rabbil ‘alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas
segala curahan rahmat dan karunia-Nya sehingga tugas akhir ini dapat diselesaikan. Tugas akhir ini
berjudul Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur Menggunakan Bayesian
Network.
Dalam menyelesaikan tugas akhir ini penulis mendapatkan banyak sekali bantuan, bimbingan
dan dorongan dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada
semua pihak yang telah membantu dalam penyelesaian tugas akhir ini, antara lain:
1 Kedua orang tua tercinta, Apak dan Amak atas segala do’a, kasih sayang, dan dukungannya,
2 Da Em, Ni Si, Da Al, Deboy, dan keluarga tercinta yang selalu memberikan motivasi dalam
penyelesaian tugas akhir ini,
3 Bapak Ir. Agus Buono, M.Si., M.Kom. dan Ibu Yeni Herdiyeni, S.Si., M.Kom. atas bimbingan dan
arahannya selama pengerjaan tugas akhir ini,
4 Bapak Firman Ardiansyah, S.Kom., M.Si. selaku moderator dalam seminar dan penguji dalam
sidang,
5 Imam, Gibtha, William, dan rekan-rekan Lab. CI atas kebersamaan, motivasi, dan bantuannya,
6 Riza, Hasan, Dhani, Wawan, dan teman-teman di Wisma Badenten atas kebersamaan dan
dukungannya,
7 Endang dan Ina atas motivasinya,
8 Seluruh teman-teman seperjuangan Program Studi Ilmu Komputer angkatan 41 yang tidak dapat
disebutkan namanya satu-persatu.
Penulis juga mengucapkan terima kasih kepada semua pihak yang telah membantu selama
penyelesaian tugas akhir ini yang tidak dapat disebutkan satu-persatu. Semoga penelitian ini dapat
memberi manfaat.
Bogor,
September 2008
Rizki Pebuardi
DAFTAR ISI
Halaman
DAFTAR TABEL ................................................................................................................................. vi
DAFTAR GAMBAR ............................................................................................................................. vi
DAFTAR LAMPIRAN.......................................................................................................................... vi
PENDAHULUAN .................................................................................................................................. 1
Latar Belakang .................................................................................................................................. 1
Tujuan ............................................................................................................................................... 1
Ruang Lingkup .................................................................................................................................. 1
Manfaat Penelitian ............................................................................................................................ 1
TINJAUAN PUSTAKA ......................................................................................................................... 1
Content Based Image Retrieval (CBIR) ............................................................................................ 1
Conventional Color Histogram (CCH) ............................................................................................. 1
Edge Detection .................................................................................................................................. 2
Sobel Edge Detector .......................................................................................................................... 2
Texture .............................................................................................................................................. 2
Co-occurrence Matrix ....................................................................................................................... 2
Formula Bayes .................................................................................................................................. 3
Bayesian Network.............................................................................................................................. 3
Recall dan Precision ......................................................................................................................... 4
METODE PENELITIAN ....................................................................................................................... 4
Ekstraksi Ciri..................................................................................................................................... 4
Ekstraksi Ciri Warna ................................................................................................................... 4
Ekstraksi Ciri Bentuk .................................................................................................................. 5
Ekstraksi Ciri Tekstur .................................................................................................................. 5
Model Bayesian Network .................................................................................................................. 6
Pengukuran Tingkat Kemiripan ........................................................................................................ 6
Evaluasi Hasil Temu Kembali........................................................................................................... 7
Perangkat Lunak dan Perangkat Keras .............................................................................................. 8
HASIL DAN PEMBAHASAN............................................................................................................... 8
Data Penelitian .................................................................................................................................. 8
Praproses Citra .................................................................................................................................. 8
Ekstraksi Ciri..................................................................................................................................... 8
Ekstraksi Ciri Warna ................................................................................................................... 8
Ekstraksi Ciri Bentuk .................................................................................................................. 8
Ekstraksi Ciri Tekstur .................................................................................................................. 8
Hasil Temu Kembali ......................................................................................................................... 8
Evaluasi Hasil Temu Kembali........................................................................................................... 9
KESIMPULAN DAN SARAN............................................................................................................. 12
Kesimpulan ..................................................................................................................................... 12
Saran ............................................................................................................................................... 12
DAFTAR PUSTAKA ........................................................................................................................... 12
LAMPIRAN ......................................................................................................................................... 13
v
DAFTAR TABEL
Halaman
2
3
4
5
6
7
Perbandingan nilai recall precision pada kelas mobil ....................................................................... 9
Perbandingan nilai recall precision pada kelas singa........................................................................ 9
Perbandingan nilai recall precision pada kelas matahari terbenam ................................................ 10
Perbandingan nilai recall precision pada kelas tekstur ................................................................... 10
Perbandingan nilai recall precision pada kelas gajah ..................................................................... 10
Perbandingan nilai recall precision rata-rata semua citra di basis data........................................... 11
Persentase peningkatan nilai precision menggunakan model Bayesian network ............................ 11
DAFTAR GAMBAR
Halaman
1
2
3
4
5
6
7
8
9
10
11
Sistem temu kembali citra ................................................................................................................. 1
Model umum Bayesian network untuk CBIR. .................................................................................. 3
Contoh pembangunan co-occurrence matrix .................................................................................... 3
Metode penelitian .............................................................................................................................. 4
Model umum Bayesian network untuk CBIR menggunakan informasi tekstur. ............................... 6
Model umum Bayesian network untuk CBIR menggunakan gabungan informasi warna, bentuk,
dan tekstur ......................................................................................................................................... 7
Hasil temu kembali menggunakan informasi warna ......................................................................... 8
Hasil temu kembali menggunakan informasi bentuk ........................................................................ 8
Hasil temu kembali menggunakan informasi tekstur ........................................................................ 9
Hasil temu kembali menggunakan model Bayesian network. ........................................................... 9
Grafik recall precision menggunakan informasi warna, bentuk, tekstur, dan Bayesian network. .. 11
DAFTAR LAMPIRAN
Halaman
1 Penentuan nilai threshold pada Sobel edge detector ....................................................................... 14
2 Nilai recall precision temu kembali citra menggunakan informasi tekstur untuk beberapa level
keabuan dalam pembangunan co-occurrence matrix ...................................................................... 15
3 Contoh citra yang digunakan untuk masing-masing kelas .............................................................. 16
4 Perbandingan nilai recall precision pada kelas beruang, tanda panah, pemandangan, reptil, dan
pesawat ............................................................................................................................................ 19
5 Antar muka sistem........................................................................................................................... 21
vi
PENDAHULUAN
Latar Belakang
CBIR (content based image retrieval)
dikembangkan untuk menemukembalikan citra
berdasarkan pada informasi citra yang terdiri
atas warna (color), bentuk (shape), dan tekstur
(texture). CBIR terdiri atas beberapa proses
utama antara lain praproses, ekstraksi ciri,
pengindeksan, dan penemuan kembali citra.
Salah satu proses yang memegang peranan
penting pada proses penemuan kembali citra
adalah pengukuran tingkat kemiripan citra.
Pengukuran kemiripan citra dapat dilakukan
antara lain dengan menggunakan perhitungan
jarak Euclidean dan dengan menggunakan
perhitungan peluang.
sebagai node-node yang saling berhubungan
membentuk sebuah model Bayesian network.
Penelitian ini mengimplementasikan dan
menganalisis kinerja model Bayesian network
yang telah dikembangkan oleh Rodrigues dan
Araujo (2004). Penelitian ini melakukan
perbaikan pada ekstraksi ciri citra menggunakan
informasi
bentuk
dan
tekstur
untuk
mendapatkan hasil yang lebih optimal.
Tujuan
Tujuan utama dari penelitian ini adalah
untuk mengimplementasikan dan menganalisis
kinerja model Bayesian network dalam
pengukuran kemiripan citra.
Ruang Lingkup
Ruang lingkup penelitian ini adalah :
Vailaya (1995) menggunakan fungsi
pembobotan
(weighted
function)
untuk
mengukur
kemiripan
citra
berdasarkan
gabungan informasi warna dan bentuk.
Sementara itu, Osadebey (2006) menggunakan
fungsi pembobotan untuk mengukur kemiripan
citra berdasarkan gabungan informasi tekstur,
bentuk, dan spasial. Pada pengukuran kemiripan
menggunakan fungsi pembobotan, nilai
kemiripan yang diperoleh menggunakan
informasi-informasi yang berbeda dikalikan
dengan bobot tertentu, untuk mendapatkan nilai
kemiripan berdasarkan gabungan informasiinformasi
tersebut.
Penggunaan
fungsi
pembobotan kadang-kadang memberikan hasil
temu kembali yang kurang tepat karena nilai
bobot ditetapkan secara manual.
1 Kemiripan citra diukur menggunakan model
Bayesian network.
2 Ciri warna diekstraksi menggunakan
histogram-162.
3 Ciri bentuk diekstraksi menggunakan edge
direction histogram.
4 Ciri tekstur diekstraksi menggunakan cooccurrence matrix.
Rodrigues dan Araujo (2004) telah
mengembangkan sebuah model Bayesian
network dalam pengukuran tingkat kemiripan
citra pada suatu sistem CBIR. Model Bayesian
network
menerapkan
teori
peluang
(probabilistic) untuk pengukuran kemiripan
citra.
Model
ini
digunakan
untuk
menggabungkan kemiripan citra berdasarkan
informasi warna, bentuk, dan tekstur. Model ini
dapat digunakan untuk mengatasi kekurangan
yang terjadi pada penggunaan fungsi
pembobotan karena nilai bobot ditetapkan
secara automatis oleh sistem berdasarkan
informasi citra yang lebih dominan.
Content Based Image Retrieval (CBIR)
Jika setiap karakteristik citra memiliki
peluang kemunculan/kejadian pada setiap citra
yang ada di basis data, maka peluang kemiripan
setiap citra terhadap citra kueri dapat diketahui.
Hal ini dapat dimodelkan menggunakan model
Bayesian network. Pada Bayesian network,
karakteristik-karakteristik citra, citra kueri dan
citra-citra yang ada di basis data dapat dianggap
Manfaat Penelitian
Penggunaan model Bayesian network pada
sistem CBIR diharapkan dapat meningkatkan
relevansi dari hasil temu kembali citra.
TINJAUAN PUSTAKA
Secara umum, proses temu kembali citra
(image retrieval) dapat dibagi menjadi dua
proses utama yaitu pengindeksan dan penemuan
kembali citra. Content based image retrieval
(CBIR) merupakan suatu pendekatan pada temu
kembali citra yang didasarkan pada ciri atau
informasi yang terkandung di dalam citra
seperti warna, bentuk, dan tekstur (Rodrigues &
Araujo 2004). Proses utama pada temu kembali
citra diilustrasikan pada Gambar 1 berikut ini:
Gambar 1 Sistem temu kembali citra.
Conventional Color Histogram (CCH)
Histogram warna menyatakan frekuensi
kemunculan atau peluang keberadaan setiap
1
warna dalam sebuah citra. Banyaknya nilai
warna (bin) dapat ditetapkan sesuai kebutuhan
pembuatan histogram. Histogram warna dapat
dinyatakan sebagai berikut:
Pi|j =
1, jika piksel ke-j dikuantisasi ke bin-i
0, selainnya
Histogram warna seperti ini disebut
conventional color histogram (Han & Ma
2002).
Edge Detection
Edge detection adalah operasi yang
dijalankan untuk mendeteksi garis tepi (edge)
yang membatasi dua wilayah citra homogen
yang memiliki tingkat kecerahan yang berbeda
(Pitas dalam Wahyuningsih 2006). Beberapa
metode pendeteksi garis tepi yang umum
digunakan antara lain Sobel, Prewitt, Roberts,
Laplacian of a Gaussian, Zero crossings, dan
Canny (Gonzalez 2004).
Sobel Edge Detector
Sobel edge detector merupakan salah satu
metode pendeteksi tepi yang umum digunakan
(Rodrigues & Araujo 2004). Sobel edge
detector menggunakan dua buah matriks
konvolusi berukuran 3 x 3. Matriks konvolusi
pertama digunakan untuk mengestimasi gradien
pada arah sumbu x. Berikut ini adalah matriks
konvolusi yang digunakan :
-1
0
1
-2
0
2
-1
0
1
Sementara itu, matriks konvolusi kedua
digunakan untuk mengestimasi gradien pada
arah sumbu y. Berikut ini adalah matriks
konvolusi yang digunakan :
-1
-2
-1
0
0
0
1
2
1
Misalkan Gx adalah matriks hasil operasi
konvolusi terhadap citra I dalam arah sumbu x,
dan Gy adalah matriks hasil operasi konvolusi
terhadap citra I dalam arah sumbu y, maka
magnitudo (edge strength) dari gradien didekati
menggunakan persamaan berikut ini:
Sebuah piksel akan dianggap sebagai edge
(bernilai satu) jika nilai magnitudonya lebih
besar dari nilai threshold yang ditetapkan
(Gonzalez 2004).
Texture
Pada area pemrosesan citra tidak ada definisi
yang jelas tentang tekstur. Hal ini disebabkan
definisi tekstur yang ada didasarkan kepada
metode analisis tekstur dan fitur yang diekstrak
dari citra. Akan tetapi, tekstur dapat dianggap
sebagai pola piksel yang berulang pada wilayah
spasial dimana penambahan noise pada pola dan
perulangan frekuensinya, dapat terlihat secara
acak dan tidak terstruktur (Osadebey 2006).
Beberapa metode yang berbeda diusulkan
untuk menghitung ciri tekstur karena tidak ada
definisi matematika yang jelas tentang tekstur.
Metode yang paling sering digunakan untuk
mendeskripsikan ciri tekstur adalah metode
berbasis statistika dan berbasis transformasi
(Ojala & Pietikainen dalam Osadebey 2006).
Penelitian ini menggunakan metode berbasis
statistika untuk mengekstraksi ciri tekstur.
Metode berbasis statistika menganalisis
distribusi spasial dari nilai keabuan dengan
menghitung ciri lokal pada setiap titik citra,
kemudian menurunkan beberapa perhitungan
statistika dari distribusi ciri lokal tersebut. Salah
satu jenis metode ini adalah co-occurrence
matrix yang akan digunakan pada penelitian ini.
Co-occurrence Matrix
Co-occurrence matrix menggunakan matriks
derajat keabuan untuk mengambil contoh
bagaimana suatu derajat keabuan tertentu
terjadi, dalam hubungannya dengan derajat
keabuan yang lain. Matriks derajat keabuan
adalah sebuah matriks yang elemen-elemennya
merupakan
frekuensi
relatif
kejadian
(occurrence), dari kombinasi level keabuan
antar pasangan piksel, dengan hubungan spasial
tertentu (Osadebey 2006).
Misal diketahui sebuah citra I(i, j), p(i, j)
merupakan posisi dari operator, dan A adalah
sebuah matriks. Elemen A(i, j) menyatakan
jumlah berapa kali titik tersebut terjadi dengan
grey-level (intensitas) g(i) pada posisi tertentu
menggunakan operator p, relatif terhadap titik
dengan intensitas g(j). Matriks A merupakan cooccurrence matrix yang didefinisikan oleh p.
Operator p didefinisikan dengan sebuah sudut
dan jarak d.
Gambar 2 menjelaskan pembangunan cooccurrence matrix untuk citra I yang berukuran
4 x 5 piksel yang memiliki delapan level
keabuan. Posisi operator p didefinisikan dengan
jarak d = 1 dan
= 00. Matriks A
2
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK,
DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK
RIZKI PEBUARDI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2008
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK,
DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
RIZKI PEBUARDI
G64104016
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2008
ABSTRAK
RIZKI PEBUARDI. Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur
Menggunakan Bayesian Network. Dibimbing oleh AGUS BUONO dan YENI HERDIYENI.
Penelitian ini mengimplementasikan dan menganalisis kinerja model Bayesian network dalam
pengukuran kemiripan citra menggunakan informasi warna, bentuk, dan testur. Ciri warna diekstraksi
menggunakan histogram-162, ciri bentuk diekstraksi menggunakan edge direction histogram, dan ciri
tekstur diekstraksi menggunakan co-occurrence matrix. Pada model ini, nilai bobot untuk setiap
informasi ditetapkan secara automatis oleh sistem berdasarkan informasi citra yang lebih dominan.
Jika setiap karakteristik citra memiliki peluang kejadian pada setiap citra yang ada di basis data, maka
peluang kemiripan setiap citra terhadap citra kueri dapat diketahui. Hal ini dapat dimodelkan
menggunakan model Bayesian network. Pada model Bayesian network, karakteristik-karakteristik
citra, citra kueri, dan citra-citra yang ada di basis data dapat dianggap sebagai node-node yang saling
berhubungan membentuk sebuah model Bayesian network.
Evaluasi hasil temu kembali menggunakan rataan precision untuk tiap tingkat recall. Secara
umum, model Bayesian network dapat digunakan untuk meningkatkan nilai precision hasil temu
kembali. Rata-rata peningkatan nilai precision dengan menggunakan model Bayesian network sebesar
8.28 %. Nilai rata-rata precision untuk semua citra di basis data dengan menggunakan model Bayesian
network lebih tinggi daripada menggunakan informasi warna, bentuk, dan tekstur secara terpisah.
Kata kunci: Bayesian network, histogram-162, edge direction histogram, co-occurrence matrix
Judul : Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur
Menggunakan Bayesian Network
Nama : Rizki Pebuardi
NIM
: G64104016
Menyetujui:
Pembimbing I
Pembimbing II
Ir. Agus Buono, M.Si., M.Kom.
NIP 132045532
Yeni Herdiyeni, S.Si., M.Kom.
NIP 132282665
Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Dr. drh. Hasim, DEA
NIP 131578806
Tanggal Lulus :
RIWAYAT HIDUP
Penulis dilahirkan di Bukittinggi pada tanggal 18 Februari 1986. Penulis merupakan anak
keempat dari pasangan Herman dan Lismar.
Pada tahun 2004, penulis lulus dari SMU Negeri 1 IV Angkat Candung, Agam, Sumatera Barat
dan pada tahun yang sama penulis mendapat undangan seleksi masuk IPB (USMI) dan terdaftar
sebagai mahasiswa Departemen Ilmu Komputer Fakultas MIPA Institut Pertanian Bogor hingga saat
ini.
Pada tahun 2007, penulis melaksanakan praktik kerja lapangan (PKL) di PT. Sigma Cipta
Utama selama kurang lebih dua bulan. Selama mengikuti perkuliahan penulis pernah menjadi asisten
Algoritme dan Pemrograman, Bahasa Pemrograman, Organisasi Komputer dan Penerapan Komputer.
PRAKATA
Alhamdulillahi Rabbil ‘alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas
segala curahan rahmat dan karunia-Nya sehingga tugas akhir ini dapat diselesaikan. Tugas akhir ini
berjudul Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur Menggunakan Bayesian
Network.
Dalam menyelesaikan tugas akhir ini penulis mendapatkan banyak sekali bantuan, bimbingan
dan dorongan dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada
semua pihak yang telah membantu dalam penyelesaian tugas akhir ini, antara lain:
1 Kedua orang tua tercinta, Apak dan Amak atas segala do’a, kasih sayang, dan dukungannya,
2 Da Em, Ni Si, Da Al, Deboy, dan keluarga tercinta yang selalu memberikan motivasi dalam
penyelesaian tugas akhir ini,
3 Bapak Ir. Agus Buono, M.Si., M.Kom. dan Ibu Yeni Herdiyeni, S.Si., M.Kom. atas bimbingan dan
arahannya selama pengerjaan tugas akhir ini,
4 Bapak Firman Ardiansyah, S.Kom., M.Si. selaku moderator dalam seminar dan penguji dalam
sidang,
5 Imam, Gibtha, William, dan rekan-rekan Lab. CI atas kebersamaan, motivasi, dan bantuannya,
6 Riza, Hasan, Dhani, Wawan, dan teman-teman di Wisma Badenten atas kebersamaan dan
dukungannya,
7 Endang dan Ina atas motivasinya,
8 Seluruh teman-teman seperjuangan Program Studi Ilmu Komputer angkatan 41 yang tidak dapat
disebutkan namanya satu-persatu.
Penulis juga mengucapkan terima kasih kepada semua pihak yang telah membantu selama
penyelesaian tugas akhir ini yang tidak dapat disebutkan satu-persatu. Semoga penelitian ini dapat
memberi manfaat.
Bogor,
September 2008
Rizki Pebuardi
DAFTAR ISI
Halaman
DAFTAR TABEL ................................................................................................................................. vi
DAFTAR GAMBAR ............................................................................................................................. vi
DAFTAR LAMPIRAN.......................................................................................................................... vi
PENDAHULUAN .................................................................................................................................. 1
Latar Belakang .................................................................................................................................. 1
Tujuan ............................................................................................................................................... 1
Ruang Lingkup .................................................................................................................................. 1
Manfaat Penelitian ............................................................................................................................ 1
TINJAUAN PUSTAKA ......................................................................................................................... 1
Content Based Image Retrieval (CBIR) ............................................................................................ 1
Conventional Color Histogram (CCH) ............................................................................................. 1
Edge Detection .................................................................................................................................. 2
Sobel Edge Detector .......................................................................................................................... 2
Texture .............................................................................................................................................. 2
Co-occurrence Matrix ....................................................................................................................... 2
Formula Bayes .................................................................................................................................. 3
Bayesian Network.............................................................................................................................. 3
Recall dan Precision ......................................................................................................................... 4
METODE PENELITIAN ....................................................................................................................... 4
Ekstraksi Ciri..................................................................................................................................... 4
Ekstraksi Ciri Warna ................................................................................................................... 4
Ekstraksi Ciri Bentuk .................................................................................................................. 5
Ekstraksi Ciri Tekstur .................................................................................................................. 5
Model Bayesian Network .................................................................................................................. 6
Pengukuran Tingkat Kemiripan ........................................................................................................ 6
Evaluasi Hasil Temu Kembali........................................................................................................... 7
Perangkat Lunak dan Perangkat Keras .............................................................................................. 8
HASIL DAN PEMBAHASAN............................................................................................................... 8
Data Penelitian .................................................................................................................................. 8
Praproses Citra .................................................................................................................................. 8
Ekstraksi Ciri..................................................................................................................................... 8
Ekstraksi Ciri Warna ................................................................................................................... 8
Ekstraksi Ciri Bentuk .................................................................................................................. 8
Ekstraksi Ciri Tekstur .................................................................................................................. 8
Hasil Temu Kembali ......................................................................................................................... 8
Evaluasi Hasil Temu Kembali........................................................................................................... 9
KESIMPULAN DAN SARAN............................................................................................................. 12
Kesimpulan ..................................................................................................................................... 12
Saran ............................................................................................................................................... 12
DAFTAR PUSTAKA ........................................................................................................................... 12
LAMPIRAN ......................................................................................................................................... 13
v
DAFTAR TABEL
Halaman
2
3
4
5
6
7
Perbandingan nilai recall precision pada kelas mobil ....................................................................... 9
Perbandingan nilai recall precision pada kelas singa........................................................................ 9
Perbandingan nilai recall precision pada kelas matahari terbenam ................................................ 10
Perbandingan nilai recall precision pada kelas tekstur ................................................................... 10
Perbandingan nilai recall precision pada kelas gajah ..................................................................... 10
Perbandingan nilai recall precision rata-rata semua citra di basis data........................................... 11
Persentase peningkatan nilai precision menggunakan model Bayesian network ............................ 11
DAFTAR GAMBAR
Halaman
1
2
3
4
5
6
7
8
9
10
11
Sistem temu kembali citra ................................................................................................................. 1
Model umum Bayesian network untuk CBIR. .................................................................................. 3
Contoh pembangunan co-occurrence matrix .................................................................................... 3
Metode penelitian .............................................................................................................................. 4
Model umum Bayesian network untuk CBIR menggunakan informasi tekstur. ............................... 6
Model umum Bayesian network untuk CBIR menggunakan gabungan informasi warna, bentuk,
dan tekstur ......................................................................................................................................... 7
Hasil temu kembali menggunakan informasi warna ......................................................................... 8
Hasil temu kembali menggunakan informasi bentuk ........................................................................ 8
Hasil temu kembali menggunakan informasi tekstur ........................................................................ 9
Hasil temu kembali menggunakan model Bayesian network. ........................................................... 9
Grafik recall precision menggunakan informasi warna, bentuk, tekstur, dan Bayesian network. .. 11
DAFTAR LAMPIRAN
Halaman
1 Penentuan nilai threshold pada Sobel edge detector ....................................................................... 14
2 Nilai recall precision temu kembali citra menggunakan informasi tekstur untuk beberapa level
keabuan dalam pembangunan co-occurrence matrix ...................................................................... 15
3 Contoh citra yang digunakan untuk masing-masing kelas .............................................................. 16
4 Perbandingan nilai recall precision pada kelas beruang, tanda panah, pemandangan, reptil, dan
pesawat ............................................................................................................................................ 19
5 Antar muka sistem........................................................................................................................... 21
vi
PENDAHULUAN
Latar Belakang
CBIR (content based image retrieval)
dikembangkan untuk menemukembalikan citra
berdasarkan pada informasi citra yang terdiri
atas warna (color), bentuk (shape), dan tekstur
(texture). CBIR terdiri atas beberapa proses
utama antara lain praproses, ekstraksi ciri,
pengindeksan, dan penemuan kembali citra.
Salah satu proses yang memegang peranan
penting pada proses penemuan kembali citra
adalah pengukuran tingkat kemiripan citra.
Pengukuran kemiripan citra dapat dilakukan
antara lain dengan menggunakan perhitungan
jarak Euclidean dan dengan menggunakan
perhitungan peluang.
sebagai node-node yang saling berhubungan
membentuk sebuah model Bayesian network.
Penelitian ini mengimplementasikan dan
menganalisis kinerja model Bayesian network
yang telah dikembangkan oleh Rodrigues dan
Araujo (2004). Penelitian ini melakukan
perbaikan pada ekstraksi ciri citra menggunakan
informasi
bentuk
dan
tekstur
untuk
mendapatkan hasil yang lebih optimal.
Tujuan
Tujuan utama dari penelitian ini adalah
untuk mengimplementasikan dan menganalisis
kinerja model Bayesian network dalam
pengukuran kemiripan citra.
Ruang Lingkup
Ruang lingkup penelitian ini adalah :
Vailaya (1995) menggunakan fungsi
pembobotan
(weighted
function)
untuk
mengukur
kemiripan
citra
berdasarkan
gabungan informasi warna dan bentuk.
Sementara itu, Osadebey (2006) menggunakan
fungsi pembobotan untuk mengukur kemiripan
citra berdasarkan gabungan informasi tekstur,
bentuk, dan spasial. Pada pengukuran kemiripan
menggunakan fungsi pembobotan, nilai
kemiripan yang diperoleh menggunakan
informasi-informasi yang berbeda dikalikan
dengan bobot tertentu, untuk mendapatkan nilai
kemiripan berdasarkan gabungan informasiinformasi
tersebut.
Penggunaan
fungsi
pembobotan kadang-kadang memberikan hasil
temu kembali yang kurang tepat karena nilai
bobot ditetapkan secara manual.
1 Kemiripan citra diukur menggunakan model
Bayesian network.
2 Ciri warna diekstraksi menggunakan
histogram-162.
3 Ciri bentuk diekstraksi menggunakan edge
direction histogram.
4 Ciri tekstur diekstraksi menggunakan cooccurrence matrix.
Rodrigues dan Araujo (2004) telah
mengembangkan sebuah model Bayesian
network dalam pengukuran tingkat kemiripan
citra pada suatu sistem CBIR. Model Bayesian
network
menerapkan
teori
peluang
(probabilistic) untuk pengukuran kemiripan
citra.
Model
ini
digunakan
untuk
menggabungkan kemiripan citra berdasarkan
informasi warna, bentuk, dan tekstur. Model ini
dapat digunakan untuk mengatasi kekurangan
yang terjadi pada penggunaan fungsi
pembobotan karena nilai bobot ditetapkan
secara automatis oleh sistem berdasarkan
informasi citra yang lebih dominan.
Content Based Image Retrieval (CBIR)
Jika setiap karakteristik citra memiliki
peluang kemunculan/kejadian pada setiap citra
yang ada di basis data, maka peluang kemiripan
setiap citra terhadap citra kueri dapat diketahui.
Hal ini dapat dimodelkan menggunakan model
Bayesian network. Pada Bayesian network,
karakteristik-karakteristik citra, citra kueri dan
citra-citra yang ada di basis data dapat dianggap
Manfaat Penelitian
Penggunaan model Bayesian network pada
sistem CBIR diharapkan dapat meningkatkan
relevansi dari hasil temu kembali citra.
TINJAUAN PUSTAKA
Secara umum, proses temu kembali citra
(image retrieval) dapat dibagi menjadi dua
proses utama yaitu pengindeksan dan penemuan
kembali citra. Content based image retrieval
(CBIR) merupakan suatu pendekatan pada temu
kembali citra yang didasarkan pada ciri atau
informasi yang terkandung di dalam citra
seperti warna, bentuk, dan tekstur (Rodrigues &
Araujo 2004). Proses utama pada temu kembali
citra diilustrasikan pada Gambar 1 berikut ini:
Gambar 1 Sistem temu kembali citra.
Conventional Color Histogram (CCH)
Histogram warna menyatakan frekuensi
kemunculan atau peluang keberadaan setiap
1
warna dalam sebuah citra. Banyaknya nilai
warna (bin) dapat ditetapkan sesuai kebutuhan
pembuatan histogram. Histogram warna dapat
dinyatakan sebagai berikut:
Pi|j =
1, jika piksel ke-j dikuantisasi ke bin-i
0, selainnya
Histogram warna seperti ini disebut
conventional color histogram (Han & Ma
2002).
Edge Detection
Edge detection adalah operasi yang
dijalankan untuk mendeteksi garis tepi (edge)
yang membatasi dua wilayah citra homogen
yang memiliki tingkat kecerahan yang berbeda
(Pitas dalam Wahyuningsih 2006). Beberapa
metode pendeteksi garis tepi yang umum
digunakan antara lain Sobel, Prewitt, Roberts,
Laplacian of a Gaussian, Zero crossings, dan
Canny (Gonzalez 2004).
Sobel Edge Detector
Sobel edge detector merupakan salah satu
metode pendeteksi tepi yang umum digunakan
(Rodrigues & Araujo 2004). Sobel edge
detector menggunakan dua buah matriks
konvolusi berukuran 3 x 3. Matriks konvolusi
pertama digunakan untuk mengestimasi gradien
pada arah sumbu x. Berikut ini adalah matriks
konvolusi yang digunakan :
-1
0
1
-2
0
2
-1
0
1
Sementara itu, matriks konvolusi kedua
digunakan untuk mengestimasi gradien pada
arah sumbu y. Berikut ini adalah matriks
konvolusi yang digunakan :
-1
-2
-1
0
0
0
1
2
1
Misalkan Gx adalah matriks hasil operasi
konvolusi terhadap citra I dalam arah sumbu x,
dan Gy adalah matriks hasil operasi konvolusi
terhadap citra I dalam arah sumbu y, maka
magnitudo (edge strength) dari gradien didekati
menggunakan persamaan berikut ini:
Sebuah piksel akan dianggap sebagai edge
(bernilai satu) jika nilai magnitudonya lebih
besar dari nilai threshold yang ditetapkan
(Gonzalez 2004).
Texture
Pada area pemrosesan citra tidak ada definisi
yang jelas tentang tekstur. Hal ini disebabkan
definisi tekstur yang ada didasarkan kepada
metode analisis tekstur dan fitur yang diekstrak
dari citra. Akan tetapi, tekstur dapat dianggap
sebagai pola piksel yang berulang pada wilayah
spasial dimana penambahan noise pada pola dan
perulangan frekuensinya, dapat terlihat secara
acak dan tidak terstruktur (Osadebey 2006).
Beberapa metode yang berbeda diusulkan
untuk menghitung ciri tekstur karena tidak ada
definisi matematika yang jelas tentang tekstur.
Metode yang paling sering digunakan untuk
mendeskripsikan ciri tekstur adalah metode
berbasis statistika dan berbasis transformasi
(Ojala & Pietikainen dalam Osadebey 2006).
Penelitian ini menggunakan metode berbasis
statistika untuk mengekstraksi ciri tekstur.
Metode berbasis statistika menganalisis
distribusi spasial dari nilai keabuan dengan
menghitung ciri lokal pada setiap titik citra,
kemudian menurunkan beberapa perhitungan
statistika dari distribusi ciri lokal tersebut. Salah
satu jenis metode ini adalah co-occurrence
matrix yang akan digunakan pada penelitian ini.
Co-occurrence Matrix
Co-occurrence matrix menggunakan matriks
derajat keabuan untuk mengambil contoh
bagaimana suatu derajat keabuan tertentu
terjadi, dalam hubungannya dengan derajat
keabuan yang lain. Matriks derajat keabuan
adalah sebuah matriks yang elemen-elemennya
merupakan
frekuensi
relatif
kejadian
(occurrence), dari kombinasi level keabuan
antar pasangan piksel, dengan hubungan spasial
tertentu (Osadebey 2006).
Misal diketahui sebuah citra I(i, j), p(i, j)
merupakan posisi dari operator, dan A adalah
sebuah matriks. Elemen A(i, j) menyatakan
jumlah berapa kali titik tersebut terjadi dengan
grey-level (intensitas) g(i) pada posisi tertentu
menggunakan operator p, relatif terhadap titik
dengan intensitas g(j). Matriks A merupakan cooccurrence matrix yang didefinisikan oleh p.
Operator p didefinisikan dengan sebuah sudut
dan jarak d.
Gambar 2 menjelaskan pembangunan cooccurrence matrix untuk citra I yang berukuran
4 x 5 piksel yang memiliki delapan level
keabuan. Posisi operator p didefinisikan dengan
jarak d = 1 dan
= 00. Matriks A
2
merepresentasikan jumlah titik yang memiliki
intensitas g(i) terjadi pada posisi yang
didefinisikan oleh operator p, relatif tehadap
titik dengan intensitas g(j) (Osadebey 2006).
I
A
1
2
3
4
5
6
7
8
1
1
0
0
0
1
0
2
0
1
2
4
8
2
2
0
0
0
0
0
0
0
1
3
5
5
3
0
1
0
0
0
0
0
0
5
5
7
1
4
0
0
0
0
0
0
0
0
6
7
1
2
5
1
1
1
1
0
0
0
1
8
1
2
5
6
0
0
0
0
1
0
0
0
1 Satu set node, setiap node merepresentasikan setiap variabel yang ada di sistem.
2 Link antara dua node yang merepresentasikan hubungan sebab dari satu node ke
node yang lain.
3 Distribusi bersyarat.
Pengimplementasian Bayesian network
secara umum terdiri atas tahapan-tahapan
berikut ini :
7
0
0
0
0
2
0
0
0
8
0
0
0
0
0
1
0
0
1. Pembangunan hubungan (relationship)
Hubungan antara n variabel dapat dibangun
dengan bantuan pakar, dari data observasi atau
dari gabungan keduanya. Jika diberikan n
variabel dan satu set data observasi, maka
semua relationship yang mungkin harus
ditentukan.
Gambar 2 Contoh pembangunan co-occurrence
matrix.
Formula Bayes
Rodrigues dan Araujo (2004) telah
membangun sebuah model Bayesian network
yang digunakan untuk CBIR. Model Bayesian
network yang dibangun dapat dilihat pada
Gambar 3.
Formula Bayes dapat digunakan untuk
menghitung peluang bersyarat yaitu peluang
suatu kejadian setelah kejadian lain terjadi
(Neapolitan 2004). Berikut ini adalah formula
Bayes :
Gambar 3 Model umum Bayesian network
untuk CBIR.
Formula di atas juga dapat ditulis :
disebut juga posterior probability
adalah peluang A terjadi setelah B terjadi.
adalah peluang A dan B terjadi
bersamaan.
Pada Gambar 3, C merupakan karakteristik
citra, sedangkan Ij adalah citra-citra yang ada di
basis data. Garis berarah menunjukkan peluang
sebuah citra Ij memiliki karakteristik Ci.
Nilai peluang kemiripan antara citra kueri
dan citra di basis data dapat dihitung
menggunakan formula Bayes berikut ini :
disebut juga likelihood adalah peluang
B terjadi setelah A terjadi.
disebut juga prior adalah peluang
kejadian A.
adalah peluang kejadian B dan
0.
Bayesian Network
Bayesian network adalah sebuah graf
berarah tanpa cycle (directed acyclic graph)
yang digunakan untuk representasi grafis dan
pengambilan keputusan (reasoning) mengenai
wilayah yang tidak pasti (Neapolitan 2004)
yang terdiri atas :
Nilai
merupakan nilai pengukuran
kemiripan antara dua buah citra. Jika sebuah
citra direpresentasikan sebagai sebuah vektor,
akan sama dengan cosine
maka nilai
similarity antara vektor citra kueri dengan
vektor citra-citra di basis data. Berikut ini
adalah formula cosine similarity :
"
!
!
#
"
!
#
dengan Ii merupakan karakteristik ke-i dari
sebuah citra di basis data, sedangkan Qi
merupakan karakteristik ke-i dari citra kueri.
3
Semakin dekat nilai cosine similarity ke nilai 1
(satu) maka semakin mirip citra tersebut dengan
citra kueri. Kelemahan formula ini adalah hanya
dapat mengukur kemiripan dua citra yang
memiliki karakteristik homogen, misalnya
membandingkan
kemiripan
dua
citra
berdasarkan informasi warnanya.
Model umum Bayesian network dapat
digunakan untuk mengombinasikan informasi
warna, bentuk, dan tekstur. Misalkan informasi
warna direpresentasikan dengan CC, bentuk
dengan CS, dan tekstur dengan CT. Jika
diberikan kueri Q, maka peluang citra I yang
memiliki informasi CC, CS, dan CT dapat
ditentukan dengan :
METODE PENELITIAN
Penelitian ini dilakukan dalam beberapa
tahap yaitu ekstraksi ciri, pembangunan model
Bayesian
network,
pengukuran
tingkat
kemiripan, dan evaluasi hasil temu kembali.
Tahap-tahap yang dilakukan pada penelitian ini
diilustrasikan pada Gambar 4.
$$ $% $&
'' '( ')
$$ $% $&
'' '( ')
relevan yang ada di basis data, dan A adalah
jumlah seluruh citra yang ditemukembalikan.
$$ $% $&
2. Inference menggunakan Bayesian network
Tujuan
utama
melakukan
inference
(inferensia) pada suatu Bayesian network adalah
untuk menghitung nilai peluang posterior dari
satu set variabel kueri. Berdasarkan inference
yang dilakukan oleh Rodrigues dan Araujo
(2004), nilai
dapat dihitung dengan :
*+ ,
....- $$ …
$$
*+ ,
,
....- $%
$%
…
…
,
$% $%
....
$&- $& /
$$ $$ …
,
$& $& /
yang merupakan persamaan umum model
Bayesian network untuk CBIR dengan * adalah
sebuah konstanta.
Recall dan Precision
Recall dan precision merupakan parameter
yang digunakan untuk mengukur keefektifan
hasil temu kembali. Recall menyatakan proporsi
materi relevan yang ditemukembalikan.
Sementara itu, precision menyatakan proporsi
materi yang ditemukembalikan yang relevan
(Baeza-Yates & Ribeiro-Neto 1999).
012344
512
67
03
0
03
dengan Ra adalah jumlah citra relevan yang
ditemukembalikan, R adalah jumlah citra
Gambar 4 Metode penelitian.
Ekstraksi Ciri
Pada penelitian ini, ekstraksi ciri dilakukan
berdasarkan warna, bentuk, dan tekstur citra.
a Ekstraksi ciri warna
Ekstraksi ciri warna dilakukan dengan
menentukan histogram warna menggunakan
CCH (conventional color histogram). Pada
langkah awal pemrosesan citra, citra RGB
diubah menjadi HSV. Hal ini dilakukan karena
HSV (hue, saturation, value) merupakan ruang
warna yang komponen-komponennya berkontribusi langsung pada persepsi visual. Hue
digunakan untuk membedakan warna misalnya
merah, hijau, dan biru serta untuk menentukan
tingkat kemerahan, kehijauan, dst dari sebuah
cahaya. Saturation merupakan persentase
cahaya putih yang ditambahkan ke cahaya
murni. Sementara itu, value merupakan
4
intensitas cahaya yang dirasakan (Rodrigues &
Araujo 2004).
Transformasi RGB menjadi HSV diperoleh
menggunakan formula di bawah ini :
9
E
9
: ; , 9 : ? <
26
A
,
D
5
5
+ 5,:
5,< /
B =
C
5,< :,<
" 5,: #
D
:
:
<
<
+
7 5:< /
dengan (r, g, b) adalah warna-warna pada ruang
warna RGB dan (h, s, v) adalah warna-warna
pada ruang warna HSV (Gonzalez 2004).
Setelah citra diubah menjadi HSV, langkah
selanjutnya adalah melakukan kuantisasi warna.
Kuantisasi warna dilakukan untuk mengurangi
waktu komputasi dan menghemat tempat
penyimpanan (Rodrigues & Araujo 2004).
Selain itu, kuantisasi warna juga dapat
mengeliminasi komponen warna yang dapat
dianggap sebagai noise. Pada penelitian ini,
kuantisasi warna yang digunakan adalah
histogram-162 (HSV-162). Pada HSV-162, hue
dikuantisasi menjadi 18 bin, saturation
dikuantisasi menjadi 3 bin, sedangkan value
dikuantisasi menjadi 3 bin, sehingga akan
didapatkan kombinasi sebanyak 18 x 3 x 3 =
162. Hue dikuantisasi menjadi 18 bin ka
DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK
RIZKI PEBUARDI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2008
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK,
DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
RIZKI PEBUARDI
G64104016
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2008
ABSTRAK
RIZKI PEBUARDI. Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur
Menggunakan Bayesian Network. Dibimbing oleh AGUS BUONO dan YENI HERDIYENI.
Penelitian ini mengimplementasikan dan menganalisis kinerja model Bayesian network dalam
pengukuran kemiripan citra menggunakan informasi warna, bentuk, dan testur. Ciri warna diekstraksi
menggunakan histogram-162, ciri bentuk diekstraksi menggunakan edge direction histogram, dan ciri
tekstur diekstraksi menggunakan co-occurrence matrix. Pada model ini, nilai bobot untuk setiap
informasi ditetapkan secara automatis oleh sistem berdasarkan informasi citra yang lebih dominan.
Jika setiap karakteristik citra memiliki peluang kejadian pada setiap citra yang ada di basis data, maka
peluang kemiripan setiap citra terhadap citra kueri dapat diketahui. Hal ini dapat dimodelkan
menggunakan model Bayesian network. Pada model Bayesian network, karakteristik-karakteristik
citra, citra kueri, dan citra-citra yang ada di basis data dapat dianggap sebagai node-node yang saling
berhubungan membentuk sebuah model Bayesian network.
Evaluasi hasil temu kembali menggunakan rataan precision untuk tiap tingkat recall. Secara
umum, model Bayesian network dapat digunakan untuk meningkatkan nilai precision hasil temu
kembali. Rata-rata peningkatan nilai precision dengan menggunakan model Bayesian network sebesar
8.28 %. Nilai rata-rata precision untuk semua citra di basis data dengan menggunakan model Bayesian
network lebih tinggi daripada menggunakan informasi warna, bentuk, dan tekstur secara terpisah.
Kata kunci: Bayesian network, histogram-162, edge direction histogram, co-occurrence matrix
Judul : Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur
Menggunakan Bayesian Network
Nama : Rizki Pebuardi
NIM
: G64104016
Menyetujui:
Pembimbing I
Pembimbing II
Ir. Agus Buono, M.Si., M.Kom.
NIP 132045532
Yeni Herdiyeni, S.Si., M.Kom.
NIP 132282665
Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Dr. drh. Hasim, DEA
NIP 131578806
Tanggal Lulus :
RIWAYAT HIDUP
Penulis dilahirkan di Bukittinggi pada tanggal 18 Februari 1986. Penulis merupakan anak
keempat dari pasangan Herman dan Lismar.
Pada tahun 2004, penulis lulus dari SMU Negeri 1 IV Angkat Candung, Agam, Sumatera Barat
dan pada tahun yang sama penulis mendapat undangan seleksi masuk IPB (USMI) dan terdaftar
sebagai mahasiswa Departemen Ilmu Komputer Fakultas MIPA Institut Pertanian Bogor hingga saat
ini.
Pada tahun 2007, penulis melaksanakan praktik kerja lapangan (PKL) di PT. Sigma Cipta
Utama selama kurang lebih dua bulan. Selama mengikuti perkuliahan penulis pernah menjadi asisten
Algoritme dan Pemrograman, Bahasa Pemrograman, Organisasi Komputer dan Penerapan Komputer.
PRAKATA
Alhamdulillahi Rabbil ‘alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas
segala curahan rahmat dan karunia-Nya sehingga tugas akhir ini dapat diselesaikan. Tugas akhir ini
berjudul Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur Menggunakan Bayesian
Network.
Dalam menyelesaikan tugas akhir ini penulis mendapatkan banyak sekali bantuan, bimbingan
dan dorongan dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada
semua pihak yang telah membantu dalam penyelesaian tugas akhir ini, antara lain:
1 Kedua orang tua tercinta, Apak dan Amak atas segala do’a, kasih sayang, dan dukungannya,
2 Da Em, Ni Si, Da Al, Deboy, dan keluarga tercinta yang selalu memberikan motivasi dalam
penyelesaian tugas akhir ini,
3 Bapak Ir. Agus Buono, M.Si., M.Kom. dan Ibu Yeni Herdiyeni, S.Si., M.Kom. atas bimbingan dan
arahannya selama pengerjaan tugas akhir ini,
4 Bapak Firman Ardiansyah, S.Kom., M.Si. selaku moderator dalam seminar dan penguji dalam
sidang,
5 Imam, Gibtha, William, dan rekan-rekan Lab. CI atas kebersamaan, motivasi, dan bantuannya,
6 Riza, Hasan, Dhani, Wawan, dan teman-teman di Wisma Badenten atas kebersamaan dan
dukungannya,
7 Endang dan Ina atas motivasinya,
8 Seluruh teman-teman seperjuangan Program Studi Ilmu Komputer angkatan 41 yang tidak dapat
disebutkan namanya satu-persatu.
Penulis juga mengucapkan terima kasih kepada semua pihak yang telah membantu selama
penyelesaian tugas akhir ini yang tidak dapat disebutkan satu-persatu. Semoga penelitian ini dapat
memberi manfaat.
Bogor,
September 2008
Rizki Pebuardi
DAFTAR ISI
Halaman
DAFTAR TABEL ................................................................................................................................. vi
DAFTAR GAMBAR ............................................................................................................................. vi
DAFTAR LAMPIRAN.......................................................................................................................... vi
PENDAHULUAN .................................................................................................................................. 1
Latar Belakang .................................................................................................................................. 1
Tujuan ............................................................................................................................................... 1
Ruang Lingkup .................................................................................................................................. 1
Manfaat Penelitian ............................................................................................................................ 1
TINJAUAN PUSTAKA ......................................................................................................................... 1
Content Based Image Retrieval (CBIR) ............................................................................................ 1
Conventional Color Histogram (CCH) ............................................................................................. 1
Edge Detection .................................................................................................................................. 2
Sobel Edge Detector .......................................................................................................................... 2
Texture .............................................................................................................................................. 2
Co-occurrence Matrix ....................................................................................................................... 2
Formula Bayes .................................................................................................................................. 3
Bayesian Network.............................................................................................................................. 3
Recall dan Precision ......................................................................................................................... 4
METODE PENELITIAN ....................................................................................................................... 4
Ekstraksi Ciri..................................................................................................................................... 4
Ekstraksi Ciri Warna ................................................................................................................... 4
Ekstraksi Ciri Bentuk .................................................................................................................. 5
Ekstraksi Ciri Tekstur .................................................................................................................. 5
Model Bayesian Network .................................................................................................................. 6
Pengukuran Tingkat Kemiripan ........................................................................................................ 6
Evaluasi Hasil Temu Kembali........................................................................................................... 7
Perangkat Lunak dan Perangkat Keras .............................................................................................. 8
HASIL DAN PEMBAHASAN............................................................................................................... 8
Data Penelitian .................................................................................................................................. 8
Praproses Citra .................................................................................................................................. 8
Ekstraksi Ciri..................................................................................................................................... 8
Ekstraksi Ciri Warna ................................................................................................................... 8
Ekstraksi Ciri Bentuk .................................................................................................................. 8
Ekstraksi Ciri Tekstur .................................................................................................................. 8
Hasil Temu Kembali ......................................................................................................................... 8
Evaluasi Hasil Temu Kembali........................................................................................................... 9
KESIMPULAN DAN SARAN............................................................................................................. 12
Kesimpulan ..................................................................................................................................... 12
Saran ............................................................................................................................................... 12
DAFTAR PUSTAKA ........................................................................................................................... 12
LAMPIRAN ......................................................................................................................................... 13
v
DAFTAR TABEL
Halaman
2
3
4
5
6
7
Perbandingan nilai recall precision pada kelas mobil ....................................................................... 9
Perbandingan nilai recall precision pada kelas singa........................................................................ 9
Perbandingan nilai recall precision pada kelas matahari terbenam ................................................ 10
Perbandingan nilai recall precision pada kelas tekstur ................................................................... 10
Perbandingan nilai recall precision pada kelas gajah ..................................................................... 10
Perbandingan nilai recall precision rata-rata semua citra di basis data........................................... 11
Persentase peningkatan nilai precision menggunakan model Bayesian network ............................ 11
DAFTAR GAMBAR
Halaman
1
2
3
4
5
6
7
8
9
10
11
Sistem temu kembali citra ................................................................................................................. 1
Model umum Bayesian network untuk CBIR. .................................................................................. 3
Contoh pembangunan co-occurrence matrix .................................................................................... 3
Metode penelitian .............................................................................................................................. 4
Model umum Bayesian network untuk CBIR menggunakan informasi tekstur. ............................... 6
Model umum Bayesian network untuk CBIR menggunakan gabungan informasi warna, bentuk,
dan tekstur ......................................................................................................................................... 7
Hasil temu kembali menggunakan informasi warna ......................................................................... 8
Hasil temu kembali menggunakan informasi bentuk ........................................................................ 8
Hasil temu kembali menggunakan informasi tekstur ........................................................................ 9
Hasil temu kembali menggunakan model Bayesian network. ........................................................... 9
Grafik recall precision menggunakan informasi warna, bentuk, tekstur, dan Bayesian network. .. 11
DAFTAR LAMPIRAN
Halaman
1 Penentuan nilai threshold pada Sobel edge detector ....................................................................... 14
2 Nilai recall precision temu kembali citra menggunakan informasi tekstur untuk beberapa level
keabuan dalam pembangunan co-occurrence matrix ...................................................................... 15
3 Contoh citra yang digunakan untuk masing-masing kelas .............................................................. 16
4 Perbandingan nilai recall precision pada kelas beruang, tanda panah, pemandangan, reptil, dan
pesawat ............................................................................................................................................ 19
5 Antar muka sistem........................................................................................................................... 21
vi
PENDAHULUAN
Latar Belakang
CBIR (content based image retrieval)
dikembangkan untuk menemukembalikan citra
berdasarkan pada informasi citra yang terdiri
atas warna (color), bentuk (shape), dan tekstur
(texture). CBIR terdiri atas beberapa proses
utama antara lain praproses, ekstraksi ciri,
pengindeksan, dan penemuan kembali citra.
Salah satu proses yang memegang peranan
penting pada proses penemuan kembali citra
adalah pengukuran tingkat kemiripan citra.
Pengukuran kemiripan citra dapat dilakukan
antara lain dengan menggunakan perhitungan
jarak Euclidean dan dengan menggunakan
perhitungan peluang.
sebagai node-node yang saling berhubungan
membentuk sebuah model Bayesian network.
Penelitian ini mengimplementasikan dan
menganalisis kinerja model Bayesian network
yang telah dikembangkan oleh Rodrigues dan
Araujo (2004). Penelitian ini melakukan
perbaikan pada ekstraksi ciri citra menggunakan
informasi
bentuk
dan
tekstur
untuk
mendapatkan hasil yang lebih optimal.
Tujuan
Tujuan utama dari penelitian ini adalah
untuk mengimplementasikan dan menganalisis
kinerja model Bayesian network dalam
pengukuran kemiripan citra.
Ruang Lingkup
Ruang lingkup penelitian ini adalah :
Vailaya (1995) menggunakan fungsi
pembobotan
(weighted
function)
untuk
mengukur
kemiripan
citra
berdasarkan
gabungan informasi warna dan bentuk.
Sementara itu, Osadebey (2006) menggunakan
fungsi pembobotan untuk mengukur kemiripan
citra berdasarkan gabungan informasi tekstur,
bentuk, dan spasial. Pada pengukuran kemiripan
menggunakan fungsi pembobotan, nilai
kemiripan yang diperoleh menggunakan
informasi-informasi yang berbeda dikalikan
dengan bobot tertentu, untuk mendapatkan nilai
kemiripan berdasarkan gabungan informasiinformasi
tersebut.
Penggunaan
fungsi
pembobotan kadang-kadang memberikan hasil
temu kembali yang kurang tepat karena nilai
bobot ditetapkan secara manual.
1 Kemiripan citra diukur menggunakan model
Bayesian network.
2 Ciri warna diekstraksi menggunakan
histogram-162.
3 Ciri bentuk diekstraksi menggunakan edge
direction histogram.
4 Ciri tekstur diekstraksi menggunakan cooccurrence matrix.
Rodrigues dan Araujo (2004) telah
mengembangkan sebuah model Bayesian
network dalam pengukuran tingkat kemiripan
citra pada suatu sistem CBIR. Model Bayesian
network
menerapkan
teori
peluang
(probabilistic) untuk pengukuran kemiripan
citra.
Model
ini
digunakan
untuk
menggabungkan kemiripan citra berdasarkan
informasi warna, bentuk, dan tekstur. Model ini
dapat digunakan untuk mengatasi kekurangan
yang terjadi pada penggunaan fungsi
pembobotan karena nilai bobot ditetapkan
secara automatis oleh sistem berdasarkan
informasi citra yang lebih dominan.
Content Based Image Retrieval (CBIR)
Jika setiap karakteristik citra memiliki
peluang kemunculan/kejadian pada setiap citra
yang ada di basis data, maka peluang kemiripan
setiap citra terhadap citra kueri dapat diketahui.
Hal ini dapat dimodelkan menggunakan model
Bayesian network. Pada Bayesian network,
karakteristik-karakteristik citra, citra kueri dan
citra-citra yang ada di basis data dapat dianggap
Manfaat Penelitian
Penggunaan model Bayesian network pada
sistem CBIR diharapkan dapat meningkatkan
relevansi dari hasil temu kembali citra.
TINJAUAN PUSTAKA
Secara umum, proses temu kembali citra
(image retrieval) dapat dibagi menjadi dua
proses utama yaitu pengindeksan dan penemuan
kembali citra. Content based image retrieval
(CBIR) merupakan suatu pendekatan pada temu
kembali citra yang didasarkan pada ciri atau
informasi yang terkandung di dalam citra
seperti warna, bentuk, dan tekstur (Rodrigues &
Araujo 2004). Proses utama pada temu kembali
citra diilustrasikan pada Gambar 1 berikut ini:
Gambar 1 Sistem temu kembali citra.
Conventional Color Histogram (CCH)
Histogram warna menyatakan frekuensi
kemunculan atau peluang keberadaan setiap
1
warna dalam sebuah citra. Banyaknya nilai
warna (bin) dapat ditetapkan sesuai kebutuhan
pembuatan histogram. Histogram warna dapat
dinyatakan sebagai berikut:
Pi|j =
1, jika piksel ke-j dikuantisasi ke bin-i
0, selainnya
Histogram warna seperti ini disebut
conventional color histogram (Han & Ma
2002).
Edge Detection
Edge detection adalah operasi yang
dijalankan untuk mendeteksi garis tepi (edge)
yang membatasi dua wilayah citra homogen
yang memiliki tingkat kecerahan yang berbeda
(Pitas dalam Wahyuningsih 2006). Beberapa
metode pendeteksi garis tepi yang umum
digunakan antara lain Sobel, Prewitt, Roberts,
Laplacian of a Gaussian, Zero crossings, dan
Canny (Gonzalez 2004).
Sobel Edge Detector
Sobel edge detector merupakan salah satu
metode pendeteksi tepi yang umum digunakan
(Rodrigues & Araujo 2004). Sobel edge
detector menggunakan dua buah matriks
konvolusi berukuran 3 x 3. Matriks konvolusi
pertama digunakan untuk mengestimasi gradien
pada arah sumbu x. Berikut ini adalah matriks
konvolusi yang digunakan :
-1
0
1
-2
0
2
-1
0
1
Sementara itu, matriks konvolusi kedua
digunakan untuk mengestimasi gradien pada
arah sumbu y. Berikut ini adalah matriks
konvolusi yang digunakan :
-1
-2
-1
0
0
0
1
2
1
Misalkan Gx adalah matriks hasil operasi
konvolusi terhadap citra I dalam arah sumbu x,
dan Gy adalah matriks hasil operasi konvolusi
terhadap citra I dalam arah sumbu y, maka
magnitudo (edge strength) dari gradien didekati
menggunakan persamaan berikut ini:
Sebuah piksel akan dianggap sebagai edge
(bernilai satu) jika nilai magnitudonya lebih
besar dari nilai threshold yang ditetapkan
(Gonzalez 2004).
Texture
Pada area pemrosesan citra tidak ada definisi
yang jelas tentang tekstur. Hal ini disebabkan
definisi tekstur yang ada didasarkan kepada
metode analisis tekstur dan fitur yang diekstrak
dari citra. Akan tetapi, tekstur dapat dianggap
sebagai pola piksel yang berulang pada wilayah
spasial dimana penambahan noise pada pola dan
perulangan frekuensinya, dapat terlihat secara
acak dan tidak terstruktur (Osadebey 2006).
Beberapa metode yang berbeda diusulkan
untuk menghitung ciri tekstur karena tidak ada
definisi matematika yang jelas tentang tekstur.
Metode yang paling sering digunakan untuk
mendeskripsikan ciri tekstur adalah metode
berbasis statistika dan berbasis transformasi
(Ojala & Pietikainen dalam Osadebey 2006).
Penelitian ini menggunakan metode berbasis
statistika untuk mengekstraksi ciri tekstur.
Metode berbasis statistika menganalisis
distribusi spasial dari nilai keabuan dengan
menghitung ciri lokal pada setiap titik citra,
kemudian menurunkan beberapa perhitungan
statistika dari distribusi ciri lokal tersebut. Salah
satu jenis metode ini adalah co-occurrence
matrix yang akan digunakan pada penelitian ini.
Co-occurrence Matrix
Co-occurrence matrix menggunakan matriks
derajat keabuan untuk mengambil contoh
bagaimana suatu derajat keabuan tertentu
terjadi, dalam hubungannya dengan derajat
keabuan yang lain. Matriks derajat keabuan
adalah sebuah matriks yang elemen-elemennya
merupakan
frekuensi
relatif
kejadian
(occurrence), dari kombinasi level keabuan
antar pasangan piksel, dengan hubungan spasial
tertentu (Osadebey 2006).
Misal diketahui sebuah citra I(i, j), p(i, j)
merupakan posisi dari operator, dan A adalah
sebuah matriks. Elemen A(i, j) menyatakan
jumlah berapa kali titik tersebut terjadi dengan
grey-level (intensitas) g(i) pada posisi tertentu
menggunakan operator p, relatif terhadap titik
dengan intensitas g(j). Matriks A merupakan cooccurrence matrix yang didefinisikan oleh p.
Operator p didefinisikan dengan sebuah sudut
dan jarak d.
Gambar 2 menjelaskan pembangunan cooccurrence matrix untuk citra I yang berukuran
4 x 5 piksel yang memiliki delapan level
keabuan. Posisi operator p didefinisikan dengan
jarak d = 1 dan
= 00. Matriks A
2
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK,
DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK
RIZKI PEBUARDI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2008
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK,
DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
RIZKI PEBUARDI
G64104016
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2008
ABSTRAK
RIZKI PEBUARDI. Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur
Menggunakan Bayesian Network. Dibimbing oleh AGUS BUONO dan YENI HERDIYENI.
Penelitian ini mengimplementasikan dan menganalisis kinerja model Bayesian network dalam
pengukuran kemiripan citra menggunakan informasi warna, bentuk, dan testur. Ciri warna diekstraksi
menggunakan histogram-162, ciri bentuk diekstraksi menggunakan edge direction histogram, dan ciri
tekstur diekstraksi menggunakan co-occurrence matrix. Pada model ini, nilai bobot untuk setiap
informasi ditetapkan secara automatis oleh sistem berdasarkan informasi citra yang lebih dominan.
Jika setiap karakteristik citra memiliki peluang kejadian pada setiap citra yang ada di basis data, maka
peluang kemiripan setiap citra terhadap citra kueri dapat diketahui. Hal ini dapat dimodelkan
menggunakan model Bayesian network. Pada model Bayesian network, karakteristik-karakteristik
citra, citra kueri, dan citra-citra yang ada di basis data dapat dianggap sebagai node-node yang saling
berhubungan membentuk sebuah model Bayesian network.
Evaluasi hasil temu kembali menggunakan rataan precision untuk tiap tingkat recall. Secara
umum, model Bayesian network dapat digunakan untuk meningkatkan nilai precision hasil temu
kembali. Rata-rata peningkatan nilai precision dengan menggunakan model Bayesian network sebesar
8.28 %. Nilai rata-rata precision untuk semua citra di basis data dengan menggunakan model Bayesian
network lebih tinggi daripada menggunakan informasi warna, bentuk, dan tekstur secara terpisah.
Kata kunci: Bayesian network, histogram-162, edge direction histogram, co-occurrence matrix
Judul : Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur
Menggunakan Bayesian Network
Nama : Rizki Pebuardi
NIM
: G64104016
Menyetujui:
Pembimbing I
Pembimbing II
Ir. Agus Buono, M.Si., M.Kom.
NIP 132045532
Yeni Herdiyeni, S.Si., M.Kom.
NIP 132282665
Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Dr. drh. Hasim, DEA
NIP 131578806
Tanggal Lulus :
RIWAYAT HIDUP
Penulis dilahirkan di Bukittinggi pada tanggal 18 Februari 1986. Penulis merupakan anak
keempat dari pasangan Herman dan Lismar.
Pada tahun 2004, penulis lulus dari SMU Negeri 1 IV Angkat Candung, Agam, Sumatera Barat
dan pada tahun yang sama penulis mendapat undangan seleksi masuk IPB (USMI) dan terdaftar
sebagai mahasiswa Departemen Ilmu Komputer Fakultas MIPA Institut Pertanian Bogor hingga saat
ini.
Pada tahun 2007, penulis melaksanakan praktik kerja lapangan (PKL) di PT. Sigma Cipta
Utama selama kurang lebih dua bulan. Selama mengikuti perkuliahan penulis pernah menjadi asisten
Algoritme dan Pemrograman, Bahasa Pemrograman, Organisasi Komputer dan Penerapan Komputer.
PRAKATA
Alhamdulillahi Rabbil ‘alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas
segala curahan rahmat dan karunia-Nya sehingga tugas akhir ini dapat diselesaikan. Tugas akhir ini
berjudul Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur Menggunakan Bayesian
Network.
Dalam menyelesaikan tugas akhir ini penulis mendapatkan banyak sekali bantuan, bimbingan
dan dorongan dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada
semua pihak yang telah membantu dalam penyelesaian tugas akhir ini, antara lain:
1 Kedua orang tua tercinta, Apak dan Amak atas segala do’a, kasih sayang, dan dukungannya,
2 Da Em, Ni Si, Da Al, Deboy, dan keluarga tercinta yang selalu memberikan motivasi dalam
penyelesaian tugas akhir ini,
3 Bapak Ir. Agus Buono, M.Si., M.Kom. dan Ibu Yeni Herdiyeni, S.Si., M.Kom. atas bimbingan dan
arahannya selama pengerjaan tugas akhir ini,
4 Bapak Firman Ardiansyah, S.Kom., M.Si. selaku moderator dalam seminar dan penguji dalam
sidang,
5 Imam, Gibtha, William, dan rekan-rekan Lab. CI atas kebersamaan, motivasi, dan bantuannya,
6 Riza, Hasan, Dhani, Wawan, dan teman-teman di Wisma Badenten atas kebersamaan dan
dukungannya,
7 Endang dan Ina atas motivasinya,
8 Seluruh teman-teman seperjuangan Program Studi Ilmu Komputer angkatan 41 yang tidak dapat
disebutkan namanya satu-persatu.
Penulis juga mengucapkan terima kasih kepada semua pihak yang telah membantu selama
penyelesaian tugas akhir ini yang tidak dapat disebutkan satu-persatu. Semoga penelitian ini dapat
memberi manfaat.
Bogor,
September 2008
Rizki Pebuardi
DAFTAR ISI
Halaman
DAFTAR TABEL ................................................................................................................................. vi
DAFTAR GAMBAR ............................................................................................................................. vi
DAFTAR LAMPIRAN.......................................................................................................................... vi
PENDAHULUAN .................................................................................................................................. 1
Latar Belakang .................................................................................................................................. 1
Tujuan ............................................................................................................................................... 1
Ruang Lingkup .................................................................................................................................. 1
Manfaat Penelitian ............................................................................................................................ 1
TINJAUAN PUSTAKA ......................................................................................................................... 1
Content Based Image Retrieval (CBIR) ............................................................................................ 1
Conventional Color Histogram (CCH) ............................................................................................. 1
Edge Detection .................................................................................................................................. 2
Sobel Edge Detector .......................................................................................................................... 2
Texture .............................................................................................................................................. 2
Co-occurrence Matrix ....................................................................................................................... 2
Formula Bayes .................................................................................................................................. 3
Bayesian Network.............................................................................................................................. 3
Recall dan Precision ......................................................................................................................... 4
METODE PENELITIAN ....................................................................................................................... 4
Ekstraksi Ciri..................................................................................................................................... 4
Ekstraksi Ciri Warna ................................................................................................................... 4
Ekstraksi Ciri Bentuk .................................................................................................................. 5
Ekstraksi Ciri Tekstur .................................................................................................................. 5
Model Bayesian Network .................................................................................................................. 6
Pengukuran Tingkat Kemiripan ........................................................................................................ 6
Evaluasi Hasil Temu Kembali........................................................................................................... 7
Perangkat Lunak dan Perangkat Keras .............................................................................................. 8
HASIL DAN PEMBAHASAN............................................................................................................... 8
Data Penelitian .................................................................................................................................. 8
Praproses Citra .................................................................................................................................. 8
Ekstraksi Ciri..................................................................................................................................... 8
Ekstraksi Ciri Warna ................................................................................................................... 8
Ekstraksi Ciri Bentuk .................................................................................................................. 8
Ekstraksi Ciri Tekstur .................................................................................................................. 8
Hasil Temu Kembali ......................................................................................................................... 8
Evaluasi Hasil Temu Kembali........................................................................................................... 9
KESIMPULAN DAN SARAN............................................................................................................. 12
Kesimpulan ..................................................................................................................................... 12
Saran ............................................................................................................................................... 12
DAFTAR PUSTAKA ........................................................................................................................... 12
LAMPIRAN ......................................................................................................................................... 13
v
DAFTAR TABEL
Halaman
2
3
4
5
6
7
Perbandingan nilai recall precision pada kelas mobil ....................................................................... 9
Perbandingan nilai recall precision pada kelas singa........................................................................ 9
Perbandingan nilai recall precision pada kelas matahari terbenam ................................................ 10
Perbandingan nilai recall precision pada kelas tekstur ................................................................... 10
Perbandingan nilai recall precision pada kelas gajah ..................................................................... 10
Perbandingan nilai recall precision rata-rata semua citra di basis data........................................... 11
Persentase peningkatan nilai precision menggunakan model Bayesian network ............................ 11
DAFTAR GAMBAR
Halaman
1
2
3
4
5
6
7
8
9
10
11
Sistem temu kembali citra ................................................................................................................. 1
Model umum Bayesian network untuk CBIR. .................................................................................. 3
Contoh pembangunan co-occurrence matrix .................................................................................... 3
Metode penelitian .............................................................................................................................. 4
Model umum Bayesian network untuk CBIR menggunakan informasi tekstur. ............................... 6
Model umum Bayesian network untuk CBIR menggunakan gabungan informasi warna, bentuk,
dan tekstur ......................................................................................................................................... 7
Hasil temu kembali menggunakan informasi warna ......................................................................... 8
Hasil temu kembali menggunakan informasi bentuk ........................................................................ 8
Hasil temu kembali menggunakan informasi tekstur ........................................................................ 9
Hasil temu kembali menggunakan model Bayesian network. ........................................................... 9
Grafik recall precision menggunakan informasi warna, bentuk, tekstur, dan Bayesian network. .. 11
DAFTAR LAMPIRAN
Halaman
1 Penentuan nilai threshold pada Sobel edge detector ....................................................................... 14
2 Nilai recall precision temu kembali citra menggunakan informasi tekstur untuk beberapa level
keabuan dalam pembangunan co-occurrence matrix ...................................................................... 15
3 Contoh citra yang digunakan untuk masing-masing kelas .............................................................. 16
4 Perbandingan nilai recall precision pada kelas beruang, tanda panah, pemandangan, reptil, dan
pesawat ............................................................................................................................................ 19
5 Antar muka sistem........................................................................................................................... 21
vi
PENDAHULUAN
Latar Belakang
CBIR (content based image retrieval)
dikembangkan untuk menemukembalikan citra
berdasarkan pada informasi citra yang terdiri
atas warna (color), bentuk (shape), dan tekstur
(texture). CBIR terdiri atas beberapa proses
utama antara lain praproses, ekstraksi ciri,
pengindeksan, dan penemuan kembali citra.
Salah satu proses yang memegang peranan
penting pada proses penemuan kembali citra
adalah pengukuran tingkat kemiripan citra.
Pengukuran kemiripan citra dapat dilakukan
antara lain dengan menggunakan perhitungan
jarak Euclidean dan dengan menggunakan
perhitungan peluang.
sebagai node-node yang saling berhubungan
membentuk sebuah model Bayesian network.
Penelitian ini mengimplementasikan dan
menganalisis kinerja model Bayesian network
yang telah dikembangkan oleh Rodrigues dan
Araujo (2004). Penelitian ini melakukan
perbaikan pada ekstraksi ciri citra menggunakan
informasi
bentuk
dan
tekstur
untuk
mendapatkan hasil yang lebih optimal.
Tujuan
Tujuan utama dari penelitian ini adalah
untuk mengimplementasikan dan menganalisis
kinerja model Bayesian network dalam
pengukuran kemiripan citra.
Ruang Lingkup
Ruang lingkup penelitian ini adalah :
Vailaya (1995) menggunakan fungsi
pembobotan
(weighted
function)
untuk
mengukur
kemiripan
citra
berdasarkan
gabungan informasi warna dan bentuk.
Sementara itu, Osadebey (2006) menggunakan
fungsi pembobotan untuk mengukur kemiripan
citra berdasarkan gabungan informasi tekstur,
bentuk, dan spasial. Pada pengukuran kemiripan
menggunakan fungsi pembobotan, nilai
kemiripan yang diperoleh menggunakan
informasi-informasi yang berbeda dikalikan
dengan bobot tertentu, untuk mendapatkan nilai
kemiripan berdasarkan gabungan informasiinformasi
tersebut.
Penggunaan
fungsi
pembobotan kadang-kadang memberikan hasil
temu kembali yang kurang tepat karena nilai
bobot ditetapkan secara manual.
1 Kemiripan citra diukur menggunakan model
Bayesian network.
2 Ciri warna diekstraksi menggunakan
histogram-162.
3 Ciri bentuk diekstraksi menggunakan edge
direction histogram.
4 Ciri tekstur diekstraksi menggunakan cooccurrence matrix.
Rodrigues dan Araujo (2004) telah
mengembangkan sebuah model Bayesian
network dalam pengukuran tingkat kemiripan
citra pada suatu sistem CBIR. Model Bayesian
network
menerapkan
teori
peluang
(probabilistic) untuk pengukuran kemiripan
citra.
Model
ini
digunakan
untuk
menggabungkan kemiripan citra berdasarkan
informasi warna, bentuk, dan tekstur. Model ini
dapat digunakan untuk mengatasi kekurangan
yang terjadi pada penggunaan fungsi
pembobotan karena nilai bobot ditetapkan
secara automatis oleh sistem berdasarkan
informasi citra yang lebih dominan.
Content Based Image Retrieval (CBIR)
Jika setiap karakteristik citra memiliki
peluang kemunculan/kejadian pada setiap citra
yang ada di basis data, maka peluang kemiripan
setiap citra terhadap citra kueri dapat diketahui.
Hal ini dapat dimodelkan menggunakan model
Bayesian network. Pada Bayesian network,
karakteristik-karakteristik citra, citra kueri dan
citra-citra yang ada di basis data dapat dianggap
Manfaat Penelitian
Penggunaan model Bayesian network pada
sistem CBIR diharapkan dapat meningkatkan
relevansi dari hasil temu kembali citra.
TINJAUAN PUSTAKA
Secara umum, proses temu kembali citra
(image retrieval) dapat dibagi menjadi dua
proses utama yaitu pengindeksan dan penemuan
kembali citra. Content based image retrieval
(CBIR) merupakan suatu pendekatan pada temu
kembali citra yang didasarkan pada ciri atau
informasi yang terkandung di dalam citra
seperti warna, bentuk, dan tekstur (Rodrigues &
Araujo 2004). Proses utama pada temu kembali
citra diilustrasikan pada Gambar 1 berikut ini:
Gambar 1 Sistem temu kembali citra.
Conventional Color Histogram (CCH)
Histogram warna menyatakan frekuensi
kemunculan atau peluang keberadaan setiap
1
warna dalam sebuah citra. Banyaknya nilai
warna (bin) dapat ditetapkan sesuai kebutuhan
pembuatan histogram. Histogram warna dapat
dinyatakan sebagai berikut:
Pi|j =
1, jika piksel ke-j dikuantisasi ke bin-i
0, selainnya
Histogram warna seperti ini disebut
conventional color histogram (Han & Ma
2002).
Edge Detection
Edge detection adalah operasi yang
dijalankan untuk mendeteksi garis tepi (edge)
yang membatasi dua wilayah citra homogen
yang memiliki tingkat kecerahan yang berbeda
(Pitas dalam Wahyuningsih 2006). Beberapa
metode pendeteksi garis tepi yang umum
digunakan antara lain Sobel, Prewitt, Roberts,
Laplacian of a Gaussian, Zero crossings, dan
Canny (Gonzalez 2004).
Sobel Edge Detector
Sobel edge detector merupakan salah satu
metode pendeteksi tepi yang umum digunakan
(Rodrigues & Araujo 2004). Sobel edge
detector menggunakan dua buah matriks
konvolusi berukuran 3 x 3. Matriks konvolusi
pertama digunakan untuk mengestimasi gradien
pada arah sumbu x. Berikut ini adalah matriks
konvolusi yang digunakan :
-1
0
1
-2
0
2
-1
0
1
Sementara itu, matriks konvolusi kedua
digunakan untuk mengestimasi gradien pada
arah sumbu y. Berikut ini adalah matriks
konvolusi yang digunakan :
-1
-2
-1
0
0
0
1
2
1
Misalkan Gx adalah matriks hasil operasi
konvolusi terhadap citra I dalam arah sumbu x,
dan Gy adalah matriks hasil operasi konvolusi
terhadap citra I dalam arah sumbu y, maka
magnitudo (edge strength) dari gradien didekati
menggunakan persamaan berikut ini:
Sebuah piksel akan dianggap sebagai edge
(bernilai satu) jika nilai magnitudonya lebih
besar dari nilai threshold yang ditetapkan
(Gonzalez 2004).
Texture
Pada area pemrosesan citra tidak ada definisi
yang jelas tentang tekstur. Hal ini disebabkan
definisi tekstur yang ada didasarkan kepada
metode analisis tekstur dan fitur yang diekstrak
dari citra. Akan tetapi, tekstur dapat dianggap
sebagai pola piksel yang berulang pada wilayah
spasial dimana penambahan noise pada pola dan
perulangan frekuensinya, dapat terlihat secara
acak dan tidak terstruktur (Osadebey 2006).
Beberapa metode yang berbeda diusulkan
untuk menghitung ciri tekstur karena tidak ada
definisi matematika yang jelas tentang tekstur.
Metode yang paling sering digunakan untuk
mendeskripsikan ciri tekstur adalah metode
berbasis statistika dan berbasis transformasi
(Ojala & Pietikainen dalam Osadebey 2006).
Penelitian ini menggunakan metode berbasis
statistika untuk mengekstraksi ciri tekstur.
Metode berbasis statistika menganalisis
distribusi spasial dari nilai keabuan dengan
menghitung ciri lokal pada setiap titik citra,
kemudian menurunkan beberapa perhitungan
statistika dari distribusi ciri lokal tersebut. Salah
satu jenis metode ini adalah co-occurrence
matrix yang akan digunakan pada penelitian ini.
Co-occurrence Matrix
Co-occurrence matrix menggunakan matriks
derajat keabuan untuk mengambil contoh
bagaimana suatu derajat keabuan tertentu
terjadi, dalam hubungannya dengan derajat
keabuan yang lain. Matriks derajat keabuan
adalah sebuah matriks yang elemen-elemennya
merupakan
frekuensi
relatif
kejadian
(occurrence), dari kombinasi level keabuan
antar pasangan piksel, dengan hubungan spasial
tertentu (Osadebey 2006).
Misal diketahui sebuah citra I(i, j), p(i, j)
merupakan posisi dari operator, dan A adalah
sebuah matriks. Elemen A(i, j) menyatakan
jumlah berapa kali titik tersebut terjadi dengan
grey-level (intensitas) g(i) pada posisi tertentu
menggunakan operator p, relatif terhadap titik
dengan intensitas g(j). Matriks A merupakan cooccurrence matrix yang didefinisikan oleh p.
Operator p didefinisikan dengan sebuah sudut
dan jarak d.
Gambar 2 menjelaskan pembangunan cooccurrence matrix untuk citra I yang berukuran
4 x 5 piksel yang memiliki delapan level
keabuan. Posisi operator p didefinisikan dengan
jarak d = 1 dan
= 00. Matriks A
2
merepresentasikan jumlah titik yang memiliki
intensitas g(i) terjadi pada posisi yang
didefinisikan oleh operator p, relatif tehadap
titik dengan intensitas g(j) (Osadebey 2006).
I
A
1
2
3
4
5
6
7
8
1
1
0
0
0
1
0
2
0
1
2
4
8
2
2
0
0
0
0
0
0
0
1
3
5
5
3
0
1
0
0
0
0
0
0
5
5
7
1
4
0
0
0
0
0
0
0
0
6
7
1
2
5
1
1
1
1
0
0
0
1
8
1
2
5
6
0
0
0
0
1
0
0
0
1 Satu set node, setiap node merepresentasikan setiap variabel yang ada di sistem.
2 Link antara dua node yang merepresentasikan hubungan sebab dari satu node ke
node yang lain.
3 Distribusi bersyarat.
Pengimplementasian Bayesian network
secara umum terdiri atas tahapan-tahapan
berikut ini :
7
0
0
0
0
2
0
0
0
8
0
0
0
0
0
1
0
0
1. Pembangunan hubungan (relationship)
Hubungan antara n variabel dapat dibangun
dengan bantuan pakar, dari data observasi atau
dari gabungan keduanya. Jika diberikan n
variabel dan satu set data observasi, maka
semua relationship yang mungkin harus
ditentukan.
Gambar 2 Contoh pembangunan co-occurrence
matrix.
Formula Bayes
Rodrigues dan Araujo (2004) telah
membangun sebuah model Bayesian network
yang digunakan untuk CBIR. Model Bayesian
network yang dibangun dapat dilihat pada
Gambar 3.
Formula Bayes dapat digunakan untuk
menghitung peluang bersyarat yaitu peluang
suatu kejadian setelah kejadian lain terjadi
(Neapolitan 2004). Berikut ini adalah formula
Bayes :
Gambar 3 Model umum Bayesian network
untuk CBIR.
Formula di atas juga dapat ditulis :
disebut juga posterior probability
adalah peluang A terjadi setelah B terjadi.
adalah peluang A dan B terjadi
bersamaan.
Pada Gambar 3, C merupakan karakteristik
citra, sedangkan Ij adalah citra-citra yang ada di
basis data. Garis berarah menunjukkan peluang
sebuah citra Ij memiliki karakteristik Ci.
Nilai peluang kemiripan antara citra kueri
dan citra di basis data dapat dihitung
menggunakan formula Bayes berikut ini :
disebut juga likelihood adalah peluang
B terjadi setelah A terjadi.
disebut juga prior adalah peluang
kejadian A.
adalah peluang kejadian B dan
0.
Bayesian Network
Bayesian network adalah sebuah graf
berarah tanpa cycle (directed acyclic graph)
yang digunakan untuk representasi grafis dan
pengambilan keputusan (reasoning) mengenai
wilayah yang tidak pasti (Neapolitan 2004)
yang terdiri atas :
Nilai
merupakan nilai pengukuran
kemiripan antara dua buah citra. Jika sebuah
citra direpresentasikan sebagai sebuah vektor,
akan sama dengan cosine
maka nilai
similarity antara vektor citra kueri dengan
vektor citra-citra di basis data. Berikut ini
adalah formula cosine similarity :
"
!
!
#
"
!
#
dengan Ii merupakan karakteristik ke-i dari
sebuah citra di basis data, sedangkan Qi
merupakan karakteristik ke-i dari citra kueri.
3
Semakin dekat nilai cosine similarity ke nilai 1
(satu) maka semakin mirip citra tersebut dengan
citra kueri. Kelemahan formula ini adalah hanya
dapat mengukur kemiripan dua citra yang
memiliki karakteristik homogen, misalnya
membandingkan
kemiripan
dua
citra
berdasarkan informasi warnanya.
Model umum Bayesian network dapat
digunakan untuk mengombinasikan informasi
warna, bentuk, dan tekstur. Misalkan informasi
warna direpresentasikan dengan CC, bentuk
dengan CS, dan tekstur dengan CT. Jika
diberikan kueri Q, maka peluang citra I yang
memiliki informasi CC, CS, dan CT dapat
ditentukan dengan :
METODE PENELITIAN
Penelitian ini dilakukan dalam beberapa
tahap yaitu ekstraksi ciri, pembangunan model
Bayesian
network,
pengukuran
tingkat
kemiripan, dan evaluasi hasil temu kembali.
Tahap-tahap yang dilakukan pada penelitian ini
diilustrasikan pada Gambar 4.
$$ $% $&
'' '( ')
$$ $% $&
'' '( ')
relevan yang ada di basis data, dan A adalah
jumlah seluruh citra yang ditemukembalikan.
$$ $% $&
2. Inference menggunakan Bayesian network
Tujuan
utama
melakukan
inference
(inferensia) pada suatu Bayesian network adalah
untuk menghitung nilai peluang posterior dari
satu set variabel kueri. Berdasarkan inference
yang dilakukan oleh Rodrigues dan Araujo
(2004), nilai
dapat dihitung dengan :
*+ ,
....- $$ …
$$
*+ ,
,
....- $%
$%
…
…
,
$% $%
....
$&- $& /
$$ $$ …
,
$& $& /
yang merupakan persamaan umum model
Bayesian network untuk CBIR dengan * adalah
sebuah konstanta.
Recall dan Precision
Recall dan precision merupakan parameter
yang digunakan untuk mengukur keefektifan
hasil temu kembali. Recall menyatakan proporsi
materi relevan yang ditemukembalikan.
Sementara itu, precision menyatakan proporsi
materi yang ditemukembalikan yang relevan
(Baeza-Yates & Ribeiro-Neto 1999).
012344
512
67
03
0
03
dengan Ra adalah jumlah citra relevan yang
ditemukembalikan, R adalah jumlah citra
Gambar 4 Metode penelitian.
Ekstraksi Ciri
Pada penelitian ini, ekstraksi ciri dilakukan
berdasarkan warna, bentuk, dan tekstur citra.
a Ekstraksi ciri warna
Ekstraksi ciri warna dilakukan dengan
menentukan histogram warna menggunakan
CCH (conventional color histogram). Pada
langkah awal pemrosesan citra, citra RGB
diubah menjadi HSV. Hal ini dilakukan karena
HSV (hue, saturation, value) merupakan ruang
warna yang komponen-komponennya berkontribusi langsung pada persepsi visual. Hue
digunakan untuk membedakan warna misalnya
merah, hijau, dan biru serta untuk menentukan
tingkat kemerahan, kehijauan, dst dari sebuah
cahaya. Saturation merupakan persentase
cahaya putih yang ditambahkan ke cahaya
murni. Sementara itu, value merupakan
4
intensitas cahaya yang dirasakan (Rodrigues &
Araujo 2004).
Transformasi RGB menjadi HSV diperoleh
menggunakan formula di bawah ini :
9
E
9
: ; , 9 : ? <
26
A
,
D
5
5
+ 5,:
5,< /
B =
C
5,< :,<
" 5,: #
D
:
:
<
<
+
7 5:< /
dengan (r, g, b) adalah warna-warna pada ruang
warna RGB dan (h, s, v) adalah warna-warna
pada ruang warna HSV (Gonzalez 2004).
Setelah citra diubah menjadi HSV, langkah
selanjutnya adalah melakukan kuantisasi warna.
Kuantisasi warna dilakukan untuk mengurangi
waktu komputasi dan menghemat tempat
penyimpanan (Rodrigues & Araujo 2004).
Selain itu, kuantisasi warna juga dapat
mengeliminasi komponen warna yang dapat
dianggap sebagai noise. Pada penelitian ini,
kuantisasi warna yang digunakan adalah
histogram-162 (HSV-162). Pada HSV-162, hue
dikuantisasi menjadi 18 bin, saturation
dikuantisasi menjadi 3 bin, sedangkan value
dikuantisasi menjadi 3 bin, sehingga akan
didapatkan kombinasi sebanyak 18 x 3 x 3 =
162. Hue dikuantisasi menjadi 18 bin ka