Strategi Penentuan Query Region Berdasarkan Posisi Relatif Saliency Region Overlapping Block untuk Region Based Image Retrieval

  

Strategi Penentuan Query Region Berdasarkan Posisi RelatifSaliency Region

OverlappingBlock untuk Region BasedImageRetrieval

  

Abstrak

  Fitur yang diekstrak dapat bersifat global atau lokal. Penggunaan fitur secara global seperti pada penelitian (X.-Y. Wang, Yu, & Yang, 2011) dan (X. Wang & Wang, 2013) sering kali tidak mampu mencerminkan keinginan pengguna, sehingga diusulkan penggunaan fitur lokal berbasis region seperti pada penelitian (Vimina & Jacob, 2013), (Zhu, Bichot, & Chen, 2013), (Shrivastava & Tyagi, 2014), Mitra, Huang, & Hu, 2015). Ekstraksi fitur

  berupa sebuah gambar yang akan dijadikan dasar pencarian. Fitur dari gambar tersebut akan diekstrak dan dibandingkan dengan fitur dari seluruh gambar yang terdapat pada database. Gambar yang memiliki kesamaan fitur paling dekat akan ditampilkan sebagai prioritas hasil pencarian (Vimina & Jacob, 2013).

  (QBE) . Pengguna menyediakan kueri

  menemukan kembali gambar dari koleksi yang sangat besar berdasarkan kesamaan visual (Shrivastava & Tyagi, 2014). Pencarian gambar dengan CBIR memiliki keunggulan dibandingkan dengan cara tradisional yang memanfaatkan anotasi teks pada gambar. Perkembangan data yang sangat cepat menyebabkan banyaknya gambar yang belum memiliki anotasi atau terdapat ketidaksesuaian dengan konteksnya (Shete & Chavan, 2012; Singh & Ahmad, 2014). Kondisi tersebut akan menurunkan efektivitas pencarian gambar, sehingga sangat dibutuhkan teknik CBIR yang tidak tergantung pada anotasi teks serta menghasilkan hasil pencarian berdasarkan konteks. populer penggunaannya pada sebuah sistem CBIR adalah QuerybyExample

  ContentBasedImageRetrieval (CBIR) merupakan sebuah teknik untuk

  

Kata Kunci : region basedimageretrieval, saliency region, posisi relatif, region code,

localbinarypattern

  efisien. Saliency region dipilih secara manual oleh pengguna dan akan ditentukan target pencarian berdasarkan posisi relatif SROB. Hasil pengujian pada NEC AnimalDataset menunjukkan bahwa metode usulan memerlukan waktu pencarian rata-rata selama 0,113 detik atau67,53% lebih cepat dibandingkan metode Shrivastavadengan ukuran region 5x5 . Penelitian ini membuktikan bahwa penentuan query region dapat dilakukan berdasarkan posisi relatifSROB untuk menghasilkan sistem RBIR yang lebih efisien.

  

Region OverlappingBlock (SROB) , agar dihasilkan sistem RBIR dengan komputasi yang lebih

  yang terpilih harus menentukan region-region tertentu pada koleksi gambar yang akan menjadi cakupan pencarian, agar waktu komputasi dapat direduksi. Penelitian ini bertujuan untuk mengusulkan strategi penentuan query region berdasarkan posisi relatif Saliency

  region

  Sistem Region BasedImageRetrieval (RBIR) yang efisien harus mempertimbangkan teknik pemilihan query regionsebelum melakukan proses pencarian. Query region merupakan region yang merepresentasikan sebuah Region of Interest (ROI) atau saliency region. Query

  anny@cs.its.ac.id

  Pasnur

  3

  agusza@cs.its.ac.id,

  2

  pasnur13@mhs.if.its.ac.id,

  1

  Email:

  Jurusan Teknik Informatika, Institut Teknologi Sepuluh Nopember Kampus ITS Keputih, Sukolilo, Surabaya 60111, Jawa Timur

  3 1,2,3

  , Anny Yuniarti

  2

  , Agus Zainal Arifin

  1

1. Pendahuluan

  secara lokal dapat dilakukan dengan membentuk region pada gambar kueri dan dikenal dengan nama Region

  Precision, Recall, AveragedNormalizedModifiedRetrievalRan k (ANMRR), dan Average of Retrieval Time. Penelitian ini akan menghasilkan

  menunjukkan posisi kiri, kanan, bawah, dan atas region terhadap pusat. Apabila posisi menunjukkan posisi yang benar, akan diberikan bit 1, dan sebaliknya akan diberikan bit 0.

  region. Pemberian region code dimulai dari bit paling kanan, yang secara berurutan

  dimanfaatkan pada RBIR. Gambar yang digunakan dalam RBIR dibagi ke dalam beberapa region berukuran 3x3 seperti pada Gambar 1. Setiap region akan diberikan kode 4 bit yang menunjukkan posisi reatifnya terhadap pusat

  Cohen-SutherlandLineClipping agar dapat

  Penelitian (Shrivastava & Tyagi, 2014) melakukan pengembangan algoritma

  sebuah area dua dimensi ke dalam 9 region dan menentukan garis atau bagian garis yang harus dipotong.

  interest . Algoritma tersebut membagi

  Tyagi, 2014). Algoritma tersebut digunakan untuk memotong garis atau bagian garis yang berada di luar area of

  SutherlandLineClipping (Shrivastava &

  digunakan pada algoritma Cohen-

  2.1 Region Code Region code pertama kali

  2. Kajian Pustaka

  metode pencarian gambar berbasis konteks dengan waktu komputasi yang lebih efisien serta tetap mempertahankan nilai efektivitas yang tinggi.

  Nilai similaritas gambar kueri dengan gambar pada koleksi ditentukan berdasarkan jarak kedekatan histogram fitur LocalBinaryPattern (LBP). Hasil pencarian diurutkan berdasarkan nilai jarak terdekat dan akan dievaluasi menggunakan

  BasedImageRetrieval (RBIR) (Shrivastava & Tyagi, 2014).

  saliency region terpilih ditentukan berdasarkan posisi relatif seluruh SROB.

  dihasilkan sistem RBIR dengan komputasi yang lebih efisien. Target komputasi dari

  region berdasarkan posisi relatif Saliency Region OverlappingBlock (SROB) , agar

  Penelitian ini bertujuan untuk mengusulkan strategi penentuan query

  seluruh region yang memiliki region code yang similar pada koleksi gambar tanpa memperhatikan posisi relatif setiap ROB. Pemilihan region codesimilaruntuk target komputasi pada metode (Shrivastava & Tyagi, 2014) tidak memperhatikan posisi relatif region. Hal ini menyebabkan pada target komputasi masih terdapat region yang tidak relevan dengan kueri pengguna, sehingga membutuhkan waktu komputasi yang lebih lama.

  DominantColorDescriptor (DCD). Setiap ROB terpilih akan dibandingkan dengan

  beberapa region. ROB akan diseleksi berdasarkan kesamaan fitur

  ROIOverlappingBlock (ROB) merupakan ROI manual yang overlapdengan satu atau

  Penelitian (Shrivastava & Tyagi, 2014) mengusulkan sebuah sistem RBIR dengan memanfaatkan region codeuntuk pemilihan target komputasi. Gambar kueri dibagi ke dalam region berukuran 3x3 dan 5x5. Pengguna melakukan seleksi ROI secara manual pada gambar kueri.

  yang terpilih harus menentukan cakupan region-region pada koleksi gambar agar proses komputasi dapat lebih efisien seperti yang diusulkan pada penelitian (Shrivastava & Tyagi, 2014).

  region yang merepresentasekan sebuah Region of Interest (ROI) atau saliency region.Query region

  proses pencarian. Query region merupakan

  query region dan cakupan region pada

  Sebuah sistem RBIR yang efisien harus mempertimbangkan teknik pemilihan

  Dua buah region code dianggapsimilar apabila keduanya memiliki bit 1pada posisi yang sama. Pemeriksaan Gambar 1 Pemberian Region Code Pada Sebuah Gambar

  similar dua buah region code dapat juga

  pixel tetangganya (Zhu et al., 2013). Nilai LBP sebuah pixel dapat dihitung

  pixel tetangga. Setelah semua nilai LBP

  menunjukkan grayvalue dari

  p

  (1) Pada Persamaan (1), variabel g c menunjukkan grayvalue dari centerpixel, variabel g

  ( ) = {1, ≥ 0 0, < 0

  −1 =0

  = ∑ ( − ). 2 ,

  ,

  berdasarkan Persamaan (1).

  Fitur LBP mendeskripsikan sebuah nilai pixel berdasarkan nilai gray level

  dilakukan dengan menggunakan operasi logika AND antara keduanya. Apabila hasil operasi AND tidak sama dengan 0000, maka kedua region codetersebut dianggap similar. Gambar 2 menunjukkan

  LocalBinaryPattern (LBP).

  Tekstur merupakan pola visual yang memiliki atribut homogenitas yang tidak hanya berasal dari kehadiran satu warna saja. Tekstur memiliki peranan penting untuk mendeskripsikan permukaan sebuah obyek dan relasinya dengan area sekitarnya (Shrivastava & Tyagi, 2014). Fitur tekstur dapat diekstrak secara struktural atau statistikal(Shete & Chavan, 2012). Salah satu fitur tekstur yang sangat populer penggunaannya adalah

  2.2 LocalBinaryPattern

  Gambar 2Region CodeYang Similar Dengan 0001

  code lainnya yang berdekatan. Dua buah

  berasumsi bahwa peluang untuk mendapatkan gambar yang dicari berada pada posisi region code ROI dan region

  code yang similar. Konsep tersebut

  Penelitian ini menggunakan konsep dari (Shrivastava & Tyagi, 2014) yang hanya melakukan komputasi pada region

  berada pada posisi kiri tengah dari region pusat. Region code yang similar dengan 0001 adalah 1001, 0001, 1111, dan 0101. Berdasarkan aturan tersebut, maka region pusat dengan kode 1111 similar dengan seluruh region code yang lainnya (Shrivastava & Tyagi, 2014).

  region codesimilar dengan 0001 yang

  dihitung, maka histogram dari LBP tersebut digunakan untuk merepresentasekan fitur tekstur gambar.

3. Metode Penelitian

  Model sistem yang digunakan dalam penelitian ini diadopsi dari penelitian (Shrivastava & Tyagi, 2014) seperti ditunjukkan pada Gambar 3. Model tersebut dimodifikasi dengan melakukan penambahan tahapan yang merupakan kontribusi dari penelitian ini. Model tersebut terdiri atas tiga bagian besar, masing-masing merupakan proses untuk koleksi gambar, gambar kueri, dan perhitungan similaritas antara gambar kueri dengan gambar-gambar pada koleksi.

  Pada bagian koleksi gambar akan dilakukan proses pembentukan region dan ekstraksi fitur. Pembentukan region dimulai dengan menghitung panjang dan lebar dari gambar masukan. Nilai panjang dan lebar gambar kemudian dibagi 3 (untuk ukuran region 3x3) dan dibagi 5 (untuk ukuran region 5x5), sehingga masing-masing akan dihasilkan

  region dengan ukuran yang seragam

  sebanyak 9 (untuk ukuran region 3x3) dan 25 (untuk ukuran region 5x5). Seluruh

  region yang terbentuk akan menyalin

  informasi dari gambar masukan sesuai batas daerah region tersebut, sehingga dihasilkan gambar-gambar baru yang merupakan pecahan dari gambar masukan. File gambar region ditempatkan pada lokasi tertentu untuk memudahkan proses ekstraksi fitur setiap region pada tahap berikutnya.

  Fitur yang diekstrak pada gambar kueri maupun gambar pada koleksi adalah fitur LBP. Fitur tersebut merupakan ciri yang akan menjadi dasar penentuan kesamaan dua buah gambar. Nilai histogram setiap fitur LBP juga akan dihitung. Histogram tersebut menunjukkan frekuensi kemunculan sebuah nilai keabuan pada fitur LBP. Pada penelitian ini, nilai histogram dengan

  region codesimiliar akan dinormalisasi agar tidak terpengaruh mempertimbangkan posisi relatif.

  pada ukuran gambar yang berbeda-beda. Perhitungan similaritas dilakukan Perhitungan nilai kesamaan memanfaatkan dengan membandingkan kedekatan nilai jarak histogram masing-masing fitur LBP histogram fitur LBP antara setiap SROB dari gambar yang dibandingkan. terpilih dengan seluruh region pada

  Pada bagian gambar kueri akan gambar koleksi yang memiliki region dilakukan penentuan saliency region, code yang similar dengan SROB .

  

saliency region overlappingblock, dan Perhitungan similaritas tersebut dilakukan

  penentuan region codesimiliar. sesuai Persamaan (2) dan hasilnya yang telah diurutkan sesuai kedekatan. Sejumlah nilai

  Saliency region

  ditentukan pada proses sebelumnya akan similaritas terdekat akan ditampilkan overlap dengan satu atau beberapa blok sebagai hasil pencarian.

  region dan disebut sebagai Saliency Region OverlappingBlock (SROB). Seluruh SROB

  ( , ) = min ( ( , )) , disimpan ke dalam sebuah daftar. SROB (2) yang memiliki area overlapping terbesar

  = 1 … . dijadikan sebagai acuan untuk memilih

  SROB lain yang memiliki fitur dominan color yang sama dengan SROB acuan. Pada Persamaan (3), variabel

  ( , ) Pada penelitian ini, penentuan menunjukkan nilai pengukuran jarak antara

  region codesimiliar mempertimbangkan SROBB r dengan gambar ke-i di database.

  posisi relatif seluruh SROB.Region Variabel

  ( , ) menunjukkan nilai

  codesimiliar ditentukan berdasarkan pada

  pengukuran jarakantara SROBB

  r

  keberadaan bit 1 pada posisi yang sama dengansetiap blok pada gambar di antara SROB dengan region yang terbentuk pada gambar. Gambar 4 menunjukkan

  database yang memiliki region codesimilar

  algoritma yang digunakan untuk penentuan 1.

   Buat daftar kandidat region codeyang similar untuk setiap SROB.

  2. Pilih SROB acuan dengan jumlah kandidat region codeyangsimilar terkecil.

  3. Tempatkan SROB acuan pada seluruh kandidat region

codeyangsimilar yang berasosiasi dengan SROB acuan secara

bertahap. Tempatkan SROB yang lain dengan mempertahankan

posisi relatifnya terhadap SROB acuan.

  4. Tentukan region codeyang similar dengan aturan: a.

   Jika seluruh SROB menempati kandidat region

codeyangsimilar yang sesuai dan tidak ada SROB yang

terpotong, maka seluruh kandidat tersebut disimpan

sebagai region codeyang similar.

  b.

  

Jika terdapat SROB yang menempati region code yang tidak termasuk kandidat region codeyang similar atau terdapat SROB yang terpotong, maka seluruh kandidat region code yang ditempati tersebut disimpan sebagai region codeyang tidak valid. dengan SROB B r . Proses pengukuran akan dilakukan sebanyak n jumlah blok pada gambar di database yang memiliki region

  code yang similar dengan B r . Jenis

  pengukuran yang digunakan adalah

  EuclideanDistance dan dipilih nilai jarak yang terdekat (Shrivastava & Tyagi, 2014).

  Analisa hasil pengujian dilakukan dengan melakukan pengukuran kinerja sistem, baik yang berkaitan dengan efektivitas hasil pencarian maupun efisiensi waktu komputrasi. Pengukuran efektivitas hasil pencarian dilakukan dengan melihat nilai Precision, Recall, dan

  AveragedNormalizedModifiedRetrievalRan k (ANMRR). Sedangkan pengukuran

  efisiensi waktu komputasi dilakukan dengan melihat nilai Average of Retrieval

  Time.

  jumlah gambar relevan yang muncul pada hasil pencarian, tetapi juga mempertimbangkan posisi (rank) gambar- gambar relevan tersebut. Nilai ANMRR yang lebih rendah menunjukkan kualitas sistem yang lebih baik. Gambar 7 menunjukkan hasil pengukuran nilai ANMRR.

  ANMRR tidak hanya mempertimbangkan

  6 menunjukkan hasil pengukuran recall. Pada penelitian ini, digunakan juga pengukuran nilai ANMRR. Nilai ANMRR sering digunakan untuk menentukan kualitas sebuah sistem CBIR. Pengukuran

  precision, sedangkan Gambar

  Nilai pengukuran recall harus diperhitungkan sebagai pendamping pada nilai precisionyang dihasilkan sistem. Gambar 5 menunjukkan hasil pengukuran

4. Hasil Uji Coba

  Tabel 1. Perbandingan Waktu Komputasi Metode Shrivastava dan Metode Usulan

  Rata (Detik) Region 3x3 Region 5x5

  Shrivastava 0,148 0,349 Usulan 0,075 0,113

  relevan pada hasil pencarian terhadap total gambar relevan pada koleksi gambar. Kualitas sebuah sistem CBIR tidak dapat ditentukan hanya pada nilai precisionsaja.

  Recall menunjukkan persentase gambar

  jumlah gambar relevan pada hasil pencarian terhadap total hasil pencarian.

  Precision menunjukkan persentase

  Pengukuran waktu pencarian rata- rata dilakukan terhadap metode Shrivastava dan metode usulan seperti ditunjukkan pada Tabel 1. Hasil pengujian menunjukkan bahwa waktu pencarian rata- rata metode usulan lebih unggul dibandingkan dengan metode Shrivastava, baik untuk ukuran region 3x3, maupun ukuran region 5x5.

  5. Pembahasan Hasil Uji Coba

  Pengurangan waktu pencarian yang dilakukan oleh metode usulan untuk ukuran region 3x3 adalah 0,073 detik atau sebesar 49,14% dari hasil metode Shrivastava. Sedangkan untuk ukuran

  region 5x5 metode usulan mencapai

  pengurangan waktu pencarian sebesar 0,235 detik atau sebesar 67,53%. Pengurangan waktu pencarian yang dihasilkan oleh metode usulan disebabkan oleh teknik penentuan region codesimilar berdasarkan posisi relatif region. Teknik ini mengurangi jumlah target komputasi pada gambar koleksi. Target komputasi metode lama yang dihilangkan pada metode usulan merupakan region yang memiliki peluang kecil memiliki kesamaan dengan region kueri. Hal tersebut berdampak pada pengurangan waktu komputasi tetapi tetap mempertahankan nilai efektivitas hasil pencarian.

  Nilai efektivitas hasil pencarian merupakan indikator kemampuan sistem untuk menampilkan hasil pencarian sesuai dengan kueri yang disediakan oleh pengguna. Pada penelitian ini, nilai

  Metode Waktu Komputasi Rata-

  Gambar 5 Hasil Pengukuran Precision Gambar 6 Hasil Pengukuran Recall efektivitas sistem diukur dengan tidak memiliki banyak perbedaan. Hal ini menggunakan precision, recall, dan menunjukkan bahwa metode usulan

  

ANMRR. Pada Gambar 5 ditunjukkan nilai mampu mempertahankan nilai

precision rata-rata metode Shrivastava dan precision metode Shrivastava baik untuk

  metode usulan. Nilai precisionrata-rata ukuran region 3x3 maupun 5x5. Hal ini ditunjukkan untuk berbagai jumlah hasil dapat pencarian, yaitu dari 5 hingga 100. Pada gambar tersebut terlihat bahwa nilai

  precision rata-rata kedua metode hampir

  Gambar 7 Hasil Pengukuran ANMRR dicapai karena metode usulan hanya menghilangkan region-region yang berpeluang kecil memiliki kesamaan visual dengan querypada proses pencarian.

  usulan. Nilai ANMRR metode usulan lebih baik (lebih rendah) dari pada metode Shrivastava baik untuk ukuran region 3x3 maupun 5x5. Penelitian ini merekomendasikan penggunaan ukuran

  (SROB) untuk menghasilkan sebuah sistem Region BasedImageRetrieval (RBIR)

  Pada penelitian ini telah dilakukan penentuan query region berdasarkan posisi relatif Saliency Region OverlappingBlock

  6. Kesimpulan

  mampu mempertahankan efektivitas metode Shrivastava bahkan memiliki sedikit keunggulan pada jumlah hasil pencarian tertentu.

  recall kedua metode. Metode usulan

  yang lebih rendah dari pada ukuran region 5x5. Hal ini menunjukkan bahwa kualitas hasil pencarian metode yang diusulkan sedikit lebih baik dari pada metode Shrivastava. Hal tersebut juga dapat dibuktikan dengan nilai precision dan

  region 3x3 karena memiliki nilai ANMRR

  ANMRR metodeShrivastava dan metode

  Pada Gambar 6 ditunjukkan nilai

  Pada Gambar 7 ditunjukkan nilai

  memiliki keunggulan. Hal ini dicapai karena metode usulan hanya menghilangkan region-region yang berpeluang kecil memiliki kesamaan visual dengan querypada proses pencarian.

  recall metode Shrivastava bahkan sedikit

  rata-rata kedua metode hampir tidak memiliki banyak perbedaan. Metode usulan memiliki sedikit keunggulan pada jumlah hasil pencarian tertentu. Hal ini menunjukkan bahwa metode usulan mampu mempertahankan nilai

  recall

  rata-rata metode Shrivastava dan metode usulan. Nilai recall rata-rata ditunjukkan untuk berbagai jumlah hasil pencarian, yaitu dari 5 hingga 100. Pada gambar tersebut terlihat bahwa nilai

  recall

  dengan waktu komputasi yang lebih efisien. Hasil pengujian menunjukkan bahwa metode usulan lebih efisien dibandingkan dengan metode lama berdasarkan pengukuran waktu pencarian rata-rata untuk setiap gambar. Metode usulan mampu mengurangi waktu pencarian hingga 67,53% dengan tetap

• – 692.

  of Computer Science and Mobile Computing , 3(5), 769

  , 24(1), 63 –74. [7] Wang, X.-Y., Yu, Y.-J., & Yang, H.-

  [5] Vimina, E. R., & Jacob, K. P. (2013).

  A Sub-Block Based Image Retrieval Using Modified Integrated Region Matching. International Journal of

  Computer Science Issues , 10(1), 686

  [6] Wang, X., & Wang, Z. (2013). A Novel Method for Image Retrieval Based on Structure Elements’ Descriptor. Journal of Visual

  Communication and Image Representation

  Standards & Interfaces

  Y. (2011). An Effective Image Retrieval Scheme Using Color, Texture and Shape Features. Computer

  Content Based Image Retrieval: A Review Paper. International Journal

  , 33(1), 59 –68. [8] Yang, X., & Cai, L. (2014). Adaptive

  Region Matching for Region-Based Image Retrieval by Constructing Region Importance Index.

  IET Computer Vision

  , 8(2), 141 –151. [9] Zhu, C., Bichot, C. E., & Chen, L.

  (2013). Image Region Description Using Orthogonal Combination of Local Binary Patterns Enhanced with Color Information. Pattern

• –90. [3] Shrivastava, N., & Tyagi, V. (2014).

  Sciences , 259, 212 –224.

  [4] Singh, B., & Ahmad, W. (2014).

  pemilihan secara manual. Pemilihan secara otomatis dapat dilakukan dengan mempertimbangkan persentase luas region terhadap luas keseluruhan gambar serta jarak region ke titik pusat gambar.

  mempertahankan nilai efektivitas sistem lama dengan menggunakan ukuran region 5x5.

  Hasil pengujian membuktikan bahwa penentuan region

  codesimiliar sebagai target komputasi dapat

  dilakukan dengan menggunakanposisi relatif setiap SROB. Pemanfaatan posisi relatif pada metode usulan menghasilkan waktu pencarian yang lebih cepat dibandingkan dengan metode lama.

  Penelitian ini dapat dikembangkan dengan menggunakan pemilihan saliency

  region secara otomatis sebagai pengganti

  Referensi [1] Cheng, M.-M., Zhang, G.-X., Mitra, N.

  J., Huang, X., & Hu, S.-M. (2015). Global Contrast Based Salient Region Detection. IEEE Transactions on

  Pattern Analysis and Machine Intelligence , 37(3)

  [2] Shete, D. S., & Chavan, M. S. (2012).

  Conten t Based Image Retrieval : Review. International Journal of

  Emerging Technology and Advanced Engineering , 2(9), 85

  Content Based Image Retrieval Based on Relative Locations of Multiple Regions of Interest Using Selective Regions Matching. Information

  Recognition , 46(7), 1949 –1963.

• –775.