BAB 1
PENDAHULUAN
1.1. Latar Belakang
Citra digital dapat menyampaikan sejumlah informasi tersirat yang dapat
diinterpretasikan oleh pengamat secara langsung. Untuk memanfaatkan citra digital sebagai sumber informasi, maka diperlukan database citra digital digital image
database. Database citra digital berfungsi untuk menampung sejumlah citra yang mengandung informasi yang diperlukan. Di dalam penelitian ini, selanjutnya kata
citra menyatakan citra digital statis kecuali disebutkan secara lengkap. Seiring dengan kemajuan teknologi kamera saat ini, pembentukan database
citra untuk kebutuhan tertentu semakin mudah dilakukan. Namun di sisi lain, dengan ketersediaan citra dalam jumlah besar akan memerlukan metode pencarian yang
efisien untuk menemukan kembali citra query dari database citra. Beberapa metode pencarian untuk menemukan kembali citra telah dikembangkan. Secara umum,
metode temu-kembali citra image retrieval method dapat diklasifikasikan menjadi dua kategori: metode berbasis-konsep concept-based method dan metode berbasis-
kandungan content-based method. Metode berbasis-konsep menggambarkan isi citra dengan teks dan field terstruktur. Deskriptor yang digunakan adalah himpunan kata
kunci dari fitur citra yang menjelaskan warna, bentuk dan lain-lain. Metode berbasis- kandungan menggunakan fitur yang secara otomatis diambil dari dalam citra seperti
tekstur, warna, bentuk dan kendala spasial untuk menjelaskan citra Li et al, 2005. Beberapa sistem temu-kembali citra berbasis-kandungan content-based image
retrieval, disingkat dengan CBIR yang telah diusulkan antara lain QBIC, Photobook, PicToSeek Li et al, 2005 dan Gopal dan Prasad, 2008, VisualSeek Gopal dan
Prasad, 2008. QBIC mendukung query berdasarkan sketsa, bentuk, warna dan tekstur. Photobook memanfaatkan representasi tekstur periodik dua dimensi dengan
Universita Sumatera Utara
menggunakan fungsi autokorelasi dan tekstur acak dengan model multiresolution simultaneous autoregressive. PicToSeek menggunakan fitur warna dan bentuk yang
secara kasar invarian untuk rotasi, illumination dan prespektif Li et al, 2005. Keberhasilan sistem temu-kembali citra berbasis-kandungan sangat tergantung
pada kemampuan menemukan fitur citra yang efektif mewakili sebuah citra, bagaimana cara mengukur fitur dan menentukan struktur data yang digunakan untuk
menyimpan fitur sehingga mempermudah proses pencariannya kembali. Berbagai penelitian temu-kembali citra berbasis-kandungan dikembangkan dengan
menggunakan fitur-fitur tertentu, metode pengukuran dan sistem klasifikasi citra yang bervariasi serta menerapkan kombinasi dari teknik-teknik komputasi untuk
menyimpulkan hasilnya. Li et al 2005 berdasarkan fitur bentuk memperkenalkan compound image
descriptor yang diproses dengan menggunakan transformasi Fourier 2D. Ravi dan Wilson 2010 menggunakan fitur warna dengan ruang warna YCrCb dalam risetnya
untuk mengenali jenis kelamin berdasarkan citra wajah. Jayech dan Mahjoub 2010 menggunakan Gaussian Mixture Model untuk mendeskripsikan fitur warna serta
menggunakan Gray Level Co-occurence Matrix untuk mendeskripsikan fitur tekstur. Klasifikasi citra ditentukan dengan menggunakan Naive Bayesian, Tree Augmented
Naive Bayser dan Forest Augmented Bayes. Sivabalakhrisnan dan Manjula 2010 menggunakan fitur warna dengan ruang warna HSV untuk mengekstraksi suatu objek
dari latar-belakangnya. Iqbal dan Aggarwal 2002 menggunakan analisis warna dan tekstur. Ruang warna yang digunakan adalah CIE LAB dan ekstraksi tekstur
menggunakan filter Gabor. Pengukuran kemiripan citra dihitung dengan jarak Euclidean.
Dengan mempertimbangkan gagasan-gagasan yang disampaikan oleh peneliti- peneliti sebelumnya, penelitian ini menggunakan tiga buah fitur citra, yakni fitur
warna color feature, fitur bentuk shape feature dan fitur tekstur texture feature. Pengukuran kemiripan fitur dihitung dengan menggunakan cosine similarity dan hasil
temu-kembali ditentukan dengan menggunakan jaringan bayesian bayesian network. Citra yang diamati adalah citra wajah manusia tampak depan.
Penelitian ini diberi judul “Temu Kembali Citra Wajah Berdasarkan Pengukuran Kemiripan Fitur dengan Menggunakan Jaringan Bayesian”. Model
jaringan bayesian diharapkan mampu meningkatkan relevansi hasil temu kembali
Universita Sumatera Utara
citra. Dasar pemikirannya adalah jika satu fitur citra query memiliki peluang kemunculan atas setiap citra yang terdapat di dalam database, maka peluang
kemiripan citra query terhadap setiap citra yang terdapat di dalam database dapat diketahui. Relevansi hasil temu-kembali citra diharapkan meningkat bila ketiga fitur,
yakni fitur warna, fitur bentuk, fitur tekstur secara bersamaan diukur untuk menentukan tingkat kemiripan citra. Nilai peluang tertinggi menunjukkan citra dari
database yang paling mirip dengan citra query. Sistem yang diajukan dalam penelitian ini diharapkan dapat digunakan dan
dikembangkan sebagai bagian dari sistem pengenalan diri untuk mengetahui hubungan-kebersamaan seseorang dengan orang lain melalui citra secara langsung.
1.2. Rumusan Masalah