PENELUSURAN CITRA ASET BERBASIS KEMIRIPAN CITRA MENGGUNAKAN FITUR BENTUK, WARNA DAN TEKSTUR SERTA KLUSTERING K-MEANS Jumi¹, Achmad Zaenuddin²

  

PENELUSURAN CITRA ASET BERBASIS KEMIRIPAN CITRA

MENGGUNAKAN FITUR BENTUK, WARNA DAN TEKSTUR SERTA

KLUSTERING K-MEANS

Jumi¹, Achmad Zaenuddin²

  ,2

  ¹ Jurusan Administrasi Niaga, Politeknik Negeri Semarang Email: jumi_group@yahoo.com, Zaeyenne@yahoo.co.id

  

Abstract

Similarity an image is one of the key fields to retrieving back (image retrieval) an

image of the assets. The similarity a query image with the image of database is

one of the key fields to search process back (image retrieval) based on image of

the assets. The similarity a query image with the image database can be done by

performing analysis based on image features are features of shapes, colors and

textures. This research has been carried out analysis of image search based

similarity on features of shapes, colors and textures by using invariant moment,

moment color and texture as well as statistical euclidean distance as distance

measuring similarity. The results of test showed that the combination of these

three features are features of shape, color and texture as well as grouping data with

K-Means Clustering has resulted similarity accuracy rate reached more than 90

%%. That in previous studies analyzing the accuracy of similarity based on shape

features have an accuracy level of 70%. It shows that the combination of these

three features and a K-Means Clustering has improved the accuracy of image

search on the database assets.Keywords: Similarity, Image, retrieval, invariant,

moment.

  Key Words : Similarity, Image, retrieval, invariant, moment.

  

Abstrak

Kemiripan (similarity) sebuah citra merupakan salah satu key field untuk melakukan proses

pencarian kembali (image retrieval) sebuah citra dalam hal ini citra aset. Kemiripan sebuah

citra query dengan citra database dapat dilakukan dengan melakukan analisa berdasarkan

fitur citra yaitu fitur bentuk, warna dan tekstur. Pada penelitian ini telah dilakukan analisa

pencarian kemiripan citra berdasarkan fitur bentuk, warna dan tekstur dengan menggunakan

metode Invariant moment, color moment dan statistical texture serta euclidean distance

sebagai pengukur jarak kemiripannya. Hasil pengujian menunjukkan bahwa kombinasi dari

_{Means Clustering telah menghasilkan tingkat akurasi kemiripan mencapai lebih dari}

ketiga fitur yaitu fitur bentuk, warna dan tekstur serta pengelompokan data dengan K-

90%%. Bahwa pada penelitian sebelumnya tingkat akurasi analisa kemiripan berdasarkan

fitur bentuk mempunyai tingkat akurasi sebesar 70%. Hal tersebut menunjukkan bahwa

kombinasi ketiga fitur dan K-Means Clustering telah meningkatkan akurasi penelusuran

pada database citra aset.

  Kata kunci : Similarity, Image, retrieval, invariant, moment.

  PENDAHULUAN

  Teknologi informasi yang selalu berkembang memungkinkan penelusuran informasi menggunakan fitur citra yang berukuran besar sebagai key field.Hal ini karena tersedianya software dan hardware yang mendukung pengolahan data citra yang berukuran besar yaitu kemampuan komputer dalam menyimpan dan mengolah data berukuran besar. Pengolahan citra sebagai kunci penelusuran menghasilkan tingkat akurasi penelusuran yang beragam karena dipengaruhi oleh berbagai variabel diantaranya adalah ketelitian dan ketepatan dalam proses perhitungan nilai fitur.

  Citra sebuah obyek secara umum mempunyai mempunyai tiga fitur dominan yaitu fitur bentuk, warna dan tekstur. Seperti contohnya pada citra obyek aset memiliki fitur dengan citra aset yang lainnya.Sedangkan fitur warna dan tekstur citra aset adalah sebagai fitur penunjang untuk pengukuran kemiripan citra (Vadivel, A. dkk., 2004). Pengukuran kemiripan citra dapat dikelompokkan dengan tiga kelompok utama yaitu pertama kemiripan bentuk, kedua kemiripan warna dan yang ketiga kemiripan tekstur (Gonzales, R.C. and Woods, R.E., 2008). Kemiripan digunakan sebagai kunci pengurutan pada penelusuran data berbasis citra. Semakin mendekati nilai nol maka semakin tinggi tingkat kemiripannya (Gonzales, R.C. and Woods, R.E., 2008). Penelusuran dilakukan dengan membandingkan kemiripan fitur antara fitur citra query dengan fitur citra pada database (Castleman, K.R, 1996).

  Penelitian sebelumnya tentang penelusuran kemiripan citra berdasarkan ekstraksi ciri bentuk, warna dan tekstur telah dilakukan tanpa memperhatikan bobot fitur dan

  clustering

  dengan hasil akurasi kemiripan mencapai lebih dari 85% (Jumi and Harjoko, 2012). Beberapa penelitian sejenis yang berkaitan dengan penelusuran informasi citra berbasis CBIR (Content Based Image Retrieval) menggunakan metode pembobotan fitur citra diantaranya adalah penelusuran citra menggunakan kombinasi fitur warna dan vektor fitur tekstur tertimbang (Vadivel, A. dkk., 2004). Penelusuran dengan pembobotan fitur tekstur menggunakan DCT (Discrette Cosine Transform)juga telah dilakukan untuk penelusuran citra berbasis CBIR (Dong, L. And Edmund, Y.L., 2006).

  Nilai fitur akan menjadi koefisien bobot citra yang akan dipakai sebagai dasar penelusuran.Pengindeksan citra berbasis nilai fitur warna tertimbang coocurence matrix, menghasilkan nilai akurasi penelusuran yang relatif tinggi (Joshua Z., H., dkk, 2005). Pada penelitian ini dilakukan pembobotan nilai fitur warna dan pengindeksan berdasarkan kesamaan elemen diagonal dan non diagonal.

  Klustering atau pengelompokan pada database citra berpengaruh terhadap waktu retrieval karena banyaknya jumlah dan jenis citra.K-means merupakan salah satu teknik clustering yang sudah teruji ketelitiannya dalam melakukan pengelompokan data.Beberapa penelitian yang menggunakan k-means clustering diantaranya adalah pengelompokan data berdasarkan formula bobot variabel (Taoying, L., and Yan, C., 2008). Penggunaan k-means juga dilakukan dengan mengkombinasikan bobot entropy.Pada penelitian ini clustering dilakukan dengan memperhitungkan nilai entropinya (Xiang, Y., H., dkk, 2003).

METODE YANG DIUSULKAN

  Pada beberapa penelitian yang sudah dilakukan diatas belum ada yang menggunakan penggabungan metode klusteringdan kombinasi fitur berdasarkan fitur bentuk, warna dan tekstur untuk proses penelusuran citra berbasis CBIR. Pada penelitian ini telah dilakukan retrieval imagedengan metode klustering dan kombinasi ketiga fitur dengan tahapan penelitian yang ditunjukkan oleh Gambar 1.

  Input Images Aquisition Image Query Pre Processing(Grayscale, resize, edge

  Pre processing(Grayscale, resize, edge Enhancement, Histogram Equalization) Enhancement, Histogram Equalization)

Ekstraksi Fitur bentuk, tekstur dan warna Ekstraksi Fitur bentuk, tekstur dan warna

Normalisasi nilai fitur bentuk, tekstur dan warna Normalisasi nilai fitur bentuk, tekstur dan warna

Clustering ( K-means)& Sorting

  RETRIEVAL IMAGE ( MATCHING SIMILARITY ) database image representation

  1. Informasi Citra Aset yang dicari, 

  2. Feature value 

  3. Time Computation of Retrieval, 

  4. Prosentase akurasi retrieval  Gambar 1. Gambaran Umum Penelusuran Citra

  Berdasarkan Gambar 1, maka rincian tahapan penelusuran pada penelitian ini adalah sebagai berikut :

1. Preprocessing

  Preprocessing merupakan tahapan perbaikan kualitas citra sebelum ekstraksi fitur dengan tujuan meningkatkan akurasi hasil ekstraksi fitur citra.Terdapat perbedaan

  preprocessing

  pada ekstraksi fitur bentuk dengan ekstraksi fitur warna dan tekstur.Perbedaan preprocessing tersebut untuk mendapatkan citra yang berkualitas sebelum ekstraksi fitur.

  1.1 Preprocessing Fitur Bentuk

  a. Resizing ukurannya, maka semakin cepat komputasi ekstraksi fiturnya. Pada tahapan ini dilakukan resize citra menjadi 300 x 300 pixel.

  b.

   Grayscale

  Khusus pada penghitungan fitur bentuk unsur warna tidak diperhitungkan, sehingga dilakukan perubahan citra menjadi grayscale agar proses komputasinya menjadi lebih cepat.

  c.

   Edge Enhancement dan Histogram Equalization (HE)

  Tahapan edge enhancementakan menghasilkan citra baru dengan tepi obyek yang lebih jelas atau tajam, sehingga bentuk citra akan lebih jelas. Tahapan ini menggunakan metode konvolusi dengan operator Sobel (Gonzales, R.C. and Woods, R.E., 2008). Hasil penajaman tepi dapat dilihat pada Gambar 2.

      (a)  (b)   

    ( d )  (c) 

  Gambar 2. Tahapan Preprocessing Fitur Bentuk, (a) Citra Original, (b) Citra Grayscale, (c) Resize, (d) Citra Hasil Edge Enhancement

  1.2 Preprocessing Fitur Warna dan Fitur Tekstur

  a. Resize

  Semakin besar ukuran citra, maka waktu ekstraksinya juga semakin lama, sehingga diperlukan tahapan resize untuk mempercepat proses komputasinya. Pada tahapan ini dilakukan resize citra menjadi 300 x 300 pixel.

  b.

   Grayscale

  terlihat, sedangkan pada ekstraksi fitur warna tidak dilakukan grayscalekarena nilai warna yang akandiperhitungkan.

  c.

   Histogram Equalization

  Pada tahapan ini dilakukan perataan histogram agar kualitas gambar menjadi lebih kontras untuk mendapatkan nilai fitur warna dan tekstur yang berkualitas.Hasil perataan histogram dapat dilihat pada Gambar 3 dan Gambar 4.

        (a)  (b)   

  Gambar 3.Perbandingan citra sebelum dan sesudah proses histogram, (a) Citra Asli, (b) Citra Hasil Histogram Equalization (HE)

      (a)  (b) 

  Gambar 4. Perbandingan histogram,(a) Histogram Citra Asli, (b) Histogram citra Hasil HE

2. Ekstraksi Fitur Bentuk, Warna dan Tekstur

  Ekstraksi dilakukan pada ketiga fitur dengan tahapansebagai berikut: 2.1 Ekstraksi Fitur Bentuk. Ekstraksi fitur bentuk dilakukan dengan menggunakan metode invariant moment. Metode ini digunakan karena tidak rentan terhadap perubahan citra yang disebabkan oleh Rotation, Scale dan Translation (RST) (Acharya, T. and Ray, A., K., 2005).

  Invariant Moment

  akan menghasilkan tujuh nilai invariant moment yang konstan terhadap RST (Castleman, K.R, 1996). Adapun region digambarkan dengan tujuh

  invariant moment

  yang dapat dicari dari momen sentral: μ00, μ10, μ01, μ20, μ11, μ02, μ30, μ12, μ21, μ03 , dan dengan mendefisinikan normalized central momentsyaitu ηpq akhirnya didapat tujuh invariant moments. , ketujuh invariant moments tersebut ditunjukkan pada persamaan (1) sampai dengan persamaan (7) _{1 20 02}  

  (1) M η η _{2 20 02 2 211} (2) M η η 4η _{3 30 12 2 21 03 2}

  (3) M η ‐ η 3η ‐ η _{4 30 12 2 21 03 2} M η η η η   _{5 30 12 30 12}

_{30 12 2}

_{21 03 2 21} (4) (5) M η ‐ 3η η η η η ‐ 3 η η 3η ‐ _{03 21 03 30 12 2}

_{21 03 2}

η η η 3 η η ‐ η ‐ η _{6 20 02 30 12 2}

_{21 03 2}

_{11 30 12 21} M η ‐ η η η ‐ η η 4η η η η ₀₃ η _{7 21 30 30 12 30 12 2 21 03 2 12 30 21} (6) (7)

  M 3η ‐ η η η η η ‐ 3 η η 3η ‐ η η _{03 30 12 2 21 03 2} ‐ η 3 η η ‐ η η

  Nilai dari ketujuh invariantmoments ini tidak berubah terhadap rotasi, translasi dan skala(Xiang, Y., H., dkk, 2003).

  2.2 Ekstraksi Fitur Warna Preprocessing

  dengan histogram equalization pada Gambar 3 menghasilkan citra yang lebih kontras. Citra tersebut merupakan citra input pada ekstraksi fitur warna. Metode ekstraksi yang digunakan adalah color moment.Metode ini mampu membedakan citra berdasarkan fitur warnanya (Susilo, A., 2006).

  Color Moment

  merupakan metode yang cukup baik dalam pengenalan ciri warna.Metode ini menggunakan tiga momen utama dari distribusi warna citra, yaitu

  mean, standard deviation

  , dan skewness (Acharya, T. and Ray, A., K., 2005). Setiap komponen warna yaitu HSV (Hue, Saturation dan Value) memiliki 3 moment.

  2.3 Ekstraksi Fitur Tekstur

  Tekstur merupakan keteraturan pola-pola tertentu yang terbentuk dari susunan piksel-piksel pada suatu citra.Nilai tekstur dapat digunakan sebagai salah satu variabel untuk pengukuran kemiripan citra.

  Statistical Texture

  merupakan salah satu metode untukmendeskripsikan tekstur menggunakan pendekatan secara statistikdarihistogram intensitas suatu citra atau region. Statistikal dapat memberikan pengukuran citra seperti kehalusan (smoothness), kekasaran (coarseness) dan keteraturan (regularity) yang merupakan variabel fitur smoothness, standard deviasi, skewness, uniformity dan entropy.

  2.4 Normalisasi Fitur

  Normalisasi penting dilakukan untuk mengelompokkan range atau interval dari nilai-nilai fitur yang berbeda dalam skala yang sama dengan range lebih kecil. Normalisasi dilakukan untuk memberikan bobot yang sama terhadap nilai-nilai fitur yang berbeda dari hasil ekstraksi.Normalisasi pada penelitian ini menggunakan persamaan (8).

  (8)  

  dengan adalah nilai fitur ke-i yang sudah ternormalisasi, adalah nilai fitur ke- i sebelum dinormalisasi, min D merupakan nilai minimum dari masing-masing fitur dan max D adalah nilai maksimal masing-masing fitur.

  2.5 K-Means Clustering

  Penggunaan clustering pada penelitian ini betujuan untuk mempercepat proses

  

retrieval . K-Means merupakan teknik clustering dengan menggunakan centroid (titik

  pusat cluster) untuk merepresentasikan sebuah cluster (Adi, 2007). Selain itu K-Means mampu mengelompokkan data berukuran besar dengan cepat (Arai, K. And Barakbah, A., R., 2007).

  Algoritma K-Means digunakan untuk menentukan posisi cluster pada setiap citra dengan cara menghitung terlebih dahulu jarak citra dengan semua centroid menggunakan metode euclidean distance. Pemetaan cluster dilakukan dengan memilih jarak terdekat dari semua centroid yang ada. Penghitungan jarak menggunakan persamaan (9).

  (9)  

  adalah Nilai fitur ke-n dari Dimana D H,I adalah jarak citra H dengan centroidI,

  ,

  citraH adalah nilai fitur ke-n dari centroidI dan n adalah banyaknya dimensi

  2.5 Pengukuran Kemiripan

  Pengukuran kemiripan citra query dengan citra database menggunakan konsep

  euclidean distance

  dan dilakukan hanya pada satu kluster saja. Pengukuran kemiripan menggunakan persamaan (10) dengan menggunakan sebelas dimensi atau fitur yaitu tiga fitur bentuk meliputi nilai moment invariant ke 3, 5 dan 7, kemudian 3 fitur warna dengan menggunakan nilai Hue dan 5 fitur tekstur yaitu smoothness, standard deviasi,

  skewness, uniformity dan entropy.

  (10)  

  Dimana dan adalah fitur dari citra query dan citra database pada dimensi ke-n.

  Hasil penghitungan kemiripan diurutkan sehingga nilai kemiripan yang mendekati nol mempunyai tingkat kemiripan yang paling tinggi.

  2.6 Akurasi Retrieval

  Pengukuran akurasi retrieval pada citra sebelum dan sesudah pembobotan maupun clustering dilakukan dengan menggunakan persamaan (11).

  (11)   

  AR (Actual Relevant) : jumlah data yang dianggap relevan oleh user. AS (Actual Search) : jumlah data yang di retrieve oleh sistem.

HASIL DAN PEMBAHASAN

  Pengujian pada penelitian ini mengunakan 5 jenis citra aset dengan jumlah citra sebanyak 400 berukuran 300 x 300 pixel.

  Contoh hasil pengujian retrieval dilakukan dengan variasi jumlah kluster variasi 9 ditunjukkan pada Gambar 5.

  

Gambar 5.Retrieval Menggunakan Bobot Bentuk, Warna dan Tekstur

  Pada Gambar 5. ditampilkan hasil retrieval dengan rangking kemiripan 1 sampai 10 dari database citra aset dengan pengujian menggunakan variasi jumlah kluster sebanyak 9.

  Tahap berikutnya adalahpenghitungan akurasi retrieval pada database citra aset. Dan selanjutnya dilakukan analisis akurasi retrieval pada database citra aset sebelum dan sesudah clustering dengan jumlah kluster yang bervariasi mulai dari 3 sampai dengan 15 kluster. .

  Sebelum Clustering

  Analisis akurasi retrieval pada tahapan ini menggunakan database citra aset sebelum klustering dengan variasi pembobotan pada fitur bentuk, warna dan tekstur. Nilai akurasi hasil retrieval dengan bobot fitur sama dan bobot fitur bervariasi dapat dilihat pada Tabel 1.

  Tabel 1. Prosentase Akurasi Retrieval pada Citra Uji

  Nama

I1 I2

I3 I4

I5 I6

  I9 I10 Citrs Akurasi 75,55% 74,67% 75,05% 74,69% 75,65% 75% 75,76% 74,89% 74,87% 75,35%

  Retrieval

  Tabel 1 menunjukkan bahwa akurasi retrieval menggunakan kombinasi ketiga nilai fitur dan tanpa klustering pada data uji. Grafik akurasi retrieval dengan bobot fitur sama dan bobot fitur bervariasi pada database citra sebelum clustering ditunjukkan oleh Gambar 6.

  

Gambar 6. Grafik AkurasiRetrieval dengan Bobot Fitur Sama dan

BervariasiSebelum Clusteringpada Database Citra Aset

  Dari gambar 6., ditunjukkan bahwa Akurasi retrieval pada citra I7 memiliki prosentase yang paling tinggi yaitu 75.76%, sedangkan rata-rata akurasi retrieval sebeum klustering adalah 75%.

  Sesudah Clustering

  Pengelompokan berdasarkan kemiripan akan lebih mempersempit ruang penelusuran informasi data citra sehingga akan mempersingkat waktu retrieval dan meningkatkan akurasi retrieval. Tingkat akurasi retrievaldengan variasi bobot dan jumlah cluster dapat dilihat pada Tabel 2.

  Tabel 2 Prosentase Akurasi Retrieval dengan Variasi Bobot Fitur dan Variasi Jumlah Kluster

  Jumlah

  3

  4

  5

  6

  

7

  8

  9

  10

  11

  12 Kluster Prosentase

  75,59% 75% 76,45% 76,15% 77,75% 77,50% 77,45% 79,65% 79,15% 77,25% retrieval

  Dari Tabel 2 menunjukkan bahwa variasi jumlah kluster 10 menghasilkan akurasi retrieval paling tinggi yaitu lebih dari 79,65%, Sedangkan rata-rata akurasi retrieval dengan variasi jumlah kluster adalah 77,19%. Grafik akurasi retrieval pada database citra aset menggunakan variasi jumlah cluster mulai dari 3 sampai dengan 12 dapat dilihat pada Gambar 7.

  Gambar 7. Grafik Akurasi Retrieval dengan Variasi Bobot Fitur dan Variasi Jumlah Kluster

  Pada Gambar 7. menunjukkan bahwa akurasi retrieval cenderung naik hingga variasi jumlah cluster 10 dan cenderung menurun setelah jumlah kluster lebih besar dari 10.

  Waktu Komputasi

  Waktu komputasi yang digunakan untuk me-retrieve sebuah citra pada database citra aset dipengaruhi oleh besarnya ukuran database citra dan teknik pengelolaan databasenya.Waktu komputasi rata-rata untuk penelusuran pada database citra sebelum klustering adalah dengan variasi jumlah kluster dapat dilihat pada grafik Gambar 8.

  

Gambar 8. Waktu komputasi rata-rata Retrieval

  Pada Gambar 8. Menunjukkan bahwa semakin banyak jumlah kluster maka waktu komputasi semakin cepat.

  SIMPULAN

  Pada dasarnya tingkat akurasi pada proses penelusuran (retrieval) citra aset dipengaruhi oleh beberapa variabel. Variabel – variabel tersebut meliputi akuisisi citra, metode ekstraksi fitur dan teknik penelusuran pada database.

  Pada penelitian ini membuktikan bahwa variasi jumlah cluster akan berpengaruh terhadap peningkatan akurasi dan kecepatan retrieval pada database citra aset. Tingkat akurasi retrieval paling tinggi adalah pada viarisi jumlah kluster 10.Hasil Penelitian menunjukkan bahwa waktu komputasi rata-rata yang dibutuhkan untuk retrieval adalah

DAFTAR PUSTAKA

  Feature Vector In Content-Based Image Retrieval Applications , IEEE.

  Features using DCT Coefficients of JPEG Images , International Conference Information and Computer Security (ICICS), Singapore.

  Initialization for K-Means, Faculty science & Engineering Saga Japan, ISBN : 03856186.

  ISSN: 0219-6220 Arai, K. and Barakbah, A.R. ,2007, Hierarchical K-Means an Algorithm for Centroid

  , International Journal of Information Technology and Decision Making,

  Data

  Adi, 2007, Comparison of Agglomerative Heirarchical Clustering Methods for Text

  Susilo, A., 2006, Web Image Retrieval untuk Identifikasi bunga dengan Pengelompokan Content Warna, Proceeding IES, Surabaya

  Acharya T. and Ray, A. K, 2005, “Image Processing Principle and Applications”, John Willey & Sons, USA

  Fifth International Conference on Fuzzy Systems and Knowledge Discovery, 978-0-695-3305, IEEE Xiang Y. H, Yu-Jin B., and Dong H., 2003,Image Retrieval Based on WeigthedTexture

  Gonzales, R. C., Woods, R. E., 2008, Digital Image Processing, ThirdEdition, Pearson Prentice Hall, New Jersey. Castleman, K. R., 1996, Digital Image Processing, Prentice Hall Inc., New Jersey. Jumi and Harjoko, A., 2012, Image Similarity Analysis Based on Shape, Color and

  A Vadivel , Majumdar, A.K. and Shamik S., 2004,Characteristics Of Weighted

  ,IEEE, Transactionon Pattern Analysisand Machine Intelligence,Vol. 27, No. 5. Taoying, L. And Yan, C., 2008,A Weight Entropy K-Means Algorithm for Clustering

  Weighting in k-Means Type Clustering

  Joshua Z. H., Michael K. N., Hongqiang R., and Zichen L., 2005, Automated Variable

  Matrix and Feature Selection , IEEE.

  Dong L. And Edmund Y. L., 2006,Image Indexing Using Weighted Color cooccurrence

  , International Conference on Computer Science Electronics and Instrumentation, Yogyakarta, Indonesia

  Texture Feature of Asset Image

  Dataset with Mixed Numeric and Categorical Data,