6

BAB 2

KAJIAN PUSTAKA

2.1 Visi Komputer

Visi komputer (Computer Vision) merupakan bidang ilmu yang melakukan studi

tentang bagaimana sistem komputer mengenali pola atau objek yang diamati melalui

sistem sensor (kamera, dll). Bidang ilmu ini mengembangkan berbagai pendekatannya

dengan cara mengkombinasikan teknik-teknik Pengolahan Citra dan Pengenalan Pola

atau Objek. Bersama bidang Intelijensia Semu (Artificial Intelligence), bidang Visi

Komputer akan mampu menghasilkan sebuah Sistem Cerdas (Intelligent System). Visi

Komputer oleh beberapa ahli didefinisikan sebagai berikut:

• Menurut Ballard dan Brown, pembangunan fisik, yang berarti deskripsi sebuah

fisik objek dari gambar.

• Menurut Forsyth dan Ponce, mengekstrak deskripsi dunia atau informasi dari

gambar atau urutan gambar.

• Menurut Adrian Low (1991), visi dengan perolehan gambar, pemrosesan,

klarifikasi, pengenalan, dan menjadi penggabungan, pengurutan pembuatan

keputusan menuju pengenalan komputer berhubungan.

• Menurut Saphiro dan Stochman (2001), visi komputer adalah suatu bidang yang

bertujuan untuk membuat suatu keputusan yang berguna mengenali objek fisik

nyata dan keadaan berdasarkan atas sebuah citra. Visi komputer merupakan

7

 

 

kombinasi antar pengolahan citra dan pengolahan pola. Hasil keluaran dari

proses visi komputer adalah pengertian tentang citra.

Gambar 2.1 Skema hubungan visi komputer dengan bidang lain.

2.2 Citra dan Pemrosesan Citra

2.2.1 Definisi Citra dan Citra Dijital

Citra dalam penelitian ini mengacu kepada citra dijital. Sebuah citra

didefinisikan sebagai matriks berukuran N baris dan M kolom yang terdiri dari

sekumpulan nilai dijital yang disebut piksel. Piksel merupakan elemen terkecil

dari suatu gambar. Nilai pada matriks merepresentasikan intensitas atau tingkat

8

 

 

kecerahan dari suatu piksel. Dengan kata lain, intensitas suatu warna pada citra

merupakan fungsi posisi f(x,y) dari suatu citra (Aguado dan Nixon, 2002, p32).

Gambar 2.2 Representasi pixel dalam sebuah potongan citra dijital

Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat:

1. Optik berupa foto,

2. Analog berupa sinyal video seperti gambar pada monitor televisi,

3. Dijital yang dapat langsung disimpan pada suatu pita magnetik.

Sebuah citra dijital dapat diciptakan secara langsung dari sebuah

pemandangan fisik oleh sebuah kamera atau alat yang serupa. Citra dijital juga

9

 

 

dapat dihasilkan dari medium analog atau sinyal, seperti dari lukisan, foto, atau

kertas yang telah dicetak, dengan bantuan scanner.

2.2.2 Pengolahan Citra

Pengolahan citra/image processing mengacu kepada pengolahan citra

dengan menggunakan komputer. Contoh operasi pemrosesan citra : mengubah

ukuran citra, menghitung histogram dari suatu citra, mengubah tingkat

kecerahan, komposisi (menggabungkan dua citra atau lebih), dan lain-lain.

Seperti yang dijelaskan oleh Gonzales dan Woods, 2008, p2, visi

merupakan indra yang paling berkembang. Namun tidak seperti manusia,

komputer mampu mengolah hampir semua jenis spektrum elektromagnetik.

Komputer dapat melakukan bermacam-macam pengolahan citra yang tidak biasa

dilakukan oleh manusia. Karenanya pengolahan citra mempunyai ruang dan

variasi yang sangat luas dalam aplikasinya.

Operasi-operasi yang dilakukan di dalam pengolahan citra banyak

ragamnya. Namun, secara umum, operasi pengolahan citra dapat diklasifikasikan

dalam beberapa jenis sebagai berikut: (ITTELKOM, 2008, pp7-11)

1. Perbaikan kualitas citra (image enhancement)

Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan

cara memanipulasi parameter-parameter citra. Dengan operasi ini,

ciri-ciri khusus yang terdapat di dalam citra lebih ditonjolkan.

Contoh-contoh operasi perbaikan citra:

a) Perbaikan kontras gelap atau terang

b) Perbaikan tepian objek (edge enhancement)

10

 

 

c) Penajaman (sharpening)

d) Pemberian warna semu (pseudocoloring)

e) Penapisan derau (noise filtering)

2. Pemugaran Citra (image restoration)

Operasi ini bertujuan menghilangkan atau meminimumkan cacat pada

citra. Tujuan pemugaran citra hampir sama dengan operasi perbaikan

citra. Bedanya, pada pemugaran citra penyebab degradasi gambar

diketahui. Contoh-contoh operasi pemugaran citra:

a) Penghilangan kesamaran (deblurring)

b) Penghilangan derau (noise removal)

3. Pemampatan citra (Image Compression)

Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam

bentuk yang lebih kompak sehingga memerlukan memori yang lebih

sedikit. Hal penting yang harus diperhatikan dalam pemampatan

adalah citra yang telah dimampatkan harus tetap mempunyai kualitas

gambar yang bagus. Contoh metode pemampatan citra adalah metode

JPEG.

4. Segmentasi Citra (Image Segmentation)

Jenis operasi ini bertujuan memecah suatu citra ke dalam beberapa

segmen dengan kriteria tertentu. Jenis operasi ini berkaitan erat

dengan pengenalan pola.

11

 

 

5. Analisis Citra (Image Analysis)

Jenis operasi ini bertujuan menghitung besaran kuantitatif dari suatu

citra untuk menghasilkan deskripsinya. Teknik analisis citra

mengekstraksi ciri-ciri tertentu dari suatu citra yang membantu dalam

proses identifikasi objek. Proses segmentasi kadang kala diperlukan

untuk lokalisasi objek yang diinginkan dari sekelilingnya. Contoh-

contoh operasi analisis citra adalah:

a) Pendeteksian tepi objek (edge detection)

b) Ekstraksi batas (boundary extraction)

c) Representasi daerah (region representation)

6. Rekonstruksi Citra (Image Reconstruction)

Jenis operasi ini bertujuan untuk membentuk ulang objek dari

beberapa citra hasil proyeksi. Operasi rekonstruksi citra banyak

digunakan dalam bidang medis. Misalnya beberapa foto rontgen

dengan sinar X digunakan untuk membentuk ulang gambar organ

tubuh.

2.3 Fitur dan Ekstraksi Fitur

Ketika suatu input data berukuran terlalu besar untuk diproses dan

diperkirakan memiliki banyak data tetapi sedikit informasi, maka terhadap input

tersebut perlu transformasi menjadi sekumpulan fitur yang direpresentasikan

dengan vektor, yang disebut vektor fitur (feature vector). Proses transformasi

diatas disebut ekstraksi fitur (feature extraction). Suatu fitur merupakan ciri yang

12

 

 

diamati dari suatu objek dalam hal ini merupakan citra dan juga merupakan suatu

deskriptor numerik yang dapat menangkap karakteristik visual tertentu. Ekstraksi

fitur memiliki dua tujuan, yaitu membuang aspek yang tidak relevan dari suatu

objek sehingga representasi informasi hanya mengandung data yang perlu,

penting, dan mentransformasi data menjadi sebuah representasi yang membawa

informasi lebih eksplisit atau secara jelas dan tidak membingungkan. (dikutip

dari http://en.wikipedia.org/wiki/Feature_extraction)

Fitur dapat diekstrak dari suatu citra secara keseluruhan yang

mendeskripsikan karakteristik visual secara global, ataupun dari bagian tertentu

suatu citra yang mendeskripsikan karakteristik secara lokal. Secara umum,

representasi suatu citra dalam fitur membutuhkan ruang penyimpanan yang jauh

lebih kecil daripada meyimpan citra itu sendiri.

2.4 Retrival Berbasis Konten (Content Based Retrival)

Citra memiliki informasi yang tidak terstruktur yang membuat proses

pencarian menjadi sangat sulit dilakukan. Sebuah kueri yang umum dilakukan

dalam basis data pada umumnya akan meminta menampilkan semua kolom-

kolom (field-field) yang berada di dalam basis data. Sedangkan, sebuah kueri

yang umum pada basis data dari citra akan meminta semua citra yang di

dalamnya terdapat bus berwarna merah. Kueri pertama ambil saja contoh dalam

basis data di bidang transaksi keuangan. Dengan mudahnya, kueri yang akan di

cari akan langsung didapat karena semua transaksi pada record basis data

mengandung semua informasi yang dibutuhkan (tanggal, tipe, jumlah, dan lain-

13

 

 

lain) dan sistem manajemen basis data dibuat untuk mengeksekusinya dengan

efisien. Kueri kedua yang berupa pencarian citra merupakan suatu hal yang

sangat sulit, kecuali semua citra dalam basis data telah diberi kata kunci. Dan

sering kali dalam hal ini sering terjadi kesalahan pengertian dari komputer untuk

mengartikan kueri yang telah diinputkan. Hal ini sering sekali disebut dengan

permasalahan semantik (semantic problem) atau sama pengertian namun berbeda

makna.

Informasi tidak terstruktur yang terkandung dari suatu citra sulit untuk

ditangkap secara otomatis. Oleh sebab itu, teknik yang mencari cara untuk

mengindeks informasi visual tidak terstruktur ini disebut retrival berbasis konten.

2.5 RCBK (Retrival Citra Berbasis Konten) / CBIR (Content Based Image

Retrival)

RCBK (Retrival Citra Berbasis Konten) / Content based image retrieval

(CBIR), adalah suatu aplikasi computer vision yang digunakan untuk melakukan

pencarian gambar-gambar dijital pada suatu basis data. Yang dimaksud dengan

"Content-based" di sini adalah bahwa yang dianalisa dalam proses pencarian itu

adalah actual contents (kandungan-kandungan aktual) sebuah gambar. Istilah

content pada konteks ini merujuk pada warna, bentuk, tekstur, atau informasi lain

yang didapatkan dari gambar tersebut. Istilah ini diduga diperkenalkan oleh

T.Kato pada tahun 1992 untuk mendeskripsikan percobaan dalam retrival citra

14

 

 

secara otomatis dari basis data berdasarkan warna dan bentuk. (dikutip dari

http://en.wikipedia.org/wiki/Content-based_image_retrieval).

Proses umum dari RCBK adalah pada gambar yang menjadi kueri

dilakukan proses ekstraksi fitur (feature extraction), begitu halnya dengan

gambar yang ada pada sekumpulan gambar juga dilakukan proses seperti pada

gambar kueri. Parameter fitur gambar yang dapat digunakan untuk retrival pada

sistem ini dapat berupa histogram, susunan warna, tekstur, dan bentuk, tipe

spesifik dari obyek, tipe event tertentu, nama individu, lokasi, emosi.

Gambar 2.3 S imulasi Sistem RCBK

15

 

 

Pada tahun 1990an dilakukan pengembangan terhadap image retrieval

dengan menggunakan pendekatan gambar yaitu teknik untuk mencari gambar

yang mempunyai kemiripan dengan kriteria gambar dari sekumpulan gambar.

Proses secara umum dari image retrieval adalah gambar yang menjadi kueri

dilakukan proses ekstraksi, begitu halnya dengan gambar yang berada pada

sekumpulan gambar juga dilakukan proses seperti gambar kueri.

Beberapa gambar basis data dibuat untuk menunjukkan bagaimana sistem

retrival bekerja. IBM dengan Query by Image Content (QBIC) adalah contoh

dari sistem RCBK ini. Parameter ciri gambar yang dapat digunakan untuk

retrival pada sistem ini antara lain seperti histogram, susunan warna, tekstur dan

bentuk, tipe spesifik dari objek, tipe event tertentu, nama individu, lokasi, emosi.

Menurut Eakins klasifikasi jenis kueri dibagi menjadi tiga tingkat, yaitu :

1. Level 1 terdiri dari pengambilan fitur primitif seperti warna, tekstur, bentuk

atau lokasi spasial dari elemen gambar. Contoh pertanyaan tersebut mungkin

termasuk "mencari gambar dengan panjang benda gelap tipis di sudut kiri

atas", "menemukan gambar-gambar berisi bintang kuning diatur dalam

cincin" atau paling sering "menemukan saya lebih banyak gambar yang

terlihat seperti ini". Tingkat pengambilan menggunakan fitur (seperti warna

tertentu kuning) yang keduanya objektif, dan langsung diturunkan dari foto

diri, tanpa perlu untuk mengacu pada setiap basis pengetahuan eksternal.

Penggunaannya sangat terbatas untuk aplikasi khusus seperti pendaftaran

merek dagang, identifikasi gambar dalam arsip desain, atau warna

pencocokan fashion accessories.

16

 

 

2. Level 2 terdiri dari pengambilan fitur logis, yang melibatkan beberapa

derajat kesimpulan logis tentang identitas objek digambarkan dalam gambar.

Hal ini dapat dibagi lebih lanjut menjadi:

a. pengambilan objek dari suatu jenis tertentu (misalnya "menemukan

gambar bus double-decker");

b. pengambilan objek individu atau orang-orang ("menemukan gambar

menara Eiffel").

Untuk menjawab pertanyaan pada tingkat ini, mengacu pada beberapa toko di

luar pengetahuan biasanya diperlukan - terutama untuk pertanyaan yang lebih

spesifik pada level 2 (b). Pada contoh pertama di atas, beberapa pemahaman

sebelum diperlukan untuk mengidentifikasi objek sebagai bus daripada truk,

dalam contoh kedua, orang perlu pengetahuan yang struktur individu tertentu

telah diberi nama "menara Eiffel". Kriteria Pencarian pada tingkat ini,

terutama pada tingkat 2 (b), biasanya masih cukup objektif. Tingkat kueri

lebih umum dijumpai dari level 1 - misalnya, pertanyaan paling diterima oleh

perpustakaan gambar koran tampaknya jatuh ke kategori ini keseluruhan

[Enser, 1995].

3. Level 3 terdiri dari pengambilan oleh atribut abstrak, yang melibatkan

sejumlah besar penalaran tingkat tinggi tentang arti dan tujuan benda atau

adegan digambarkan. tingkat pengambilan berguna dapat dibagi menjadi:

a. Pengambilan peristiwa bernama atau jenis aktivitas (misalnya

"menemukan gambar tarian rakyat Skotlandia");

17

 

 

b. Pengambilan gambar dengan makna emosional atau keagamaan

("menemukan gambar yang menggambarkan penderitaan").

Sukses dalam menjawab pertanyaan pada tingkat ini dapat memerlukan

beberapa kecanggihan di pihak pencari. Kompleks penalaran, dan sering

penilaian subjektif, bisa diminta untuk membuat hubungan antara isi gambar dan

konsep-konsep abstrak diperlukan untuk mengilustrasikan. Pertanyaan pada

tingkat ini, meskipun mungkin kurang umum dari tingkat 2, yang sering dijumpai

dalam kedua perpustakaan surat kabar dan seni.

Seperti yang akan dilihat nanti, klasifikasi jenis kueri ini dapat

bermanfaat dalam menggambarkan kekuatan dan keterbatasan teknik

pengambilan gambar yang berbeda. Kesenjangan yang paling signifikan pada

saat ini terletak antara tingkat 1 dan 2. Banyak penulis [mis Gudivada dan

Raghavan, 1995] mengacu pada tingkat 2 dan 3 bersama sebagai pencarian citra

semantik, sehingga kesenjangan antara tingkat 1 dan 2 sebagai kesenjangan

semantik. Perhatikan bahwa klasifikasi ini mengabaikan jenis lebih lanjut kueri

gambar - pengambilan oleh metadata yang terkait seperti yang menciptakan

gambar, di mana, dan kapan. Hal ini bukan karena pengambilan tersebut tidak

penting. Hal ini dikarenakan (setidaknya saat ini) metadata tersebut secara

eksklusif, tekstual, dan manajemen yang merupakan masalah utama dalam

pengambilan teks.

18

 

 

2.5.1 Tahap-tahap dalam RCBK

Gambar 2.4 Arsitektur Sistem RCBK

Mayoritas tahap inti dari sebuah sistem retrival (retrieval) citra, terdiri

dari pendekatan dua tahapan, yaitu:

1. Pengindeksan (indexing)

Untuk setiap citra dalam basis data, dilakukan pengekstrakan fitur

(feature extraction). Setiap citra direpresentasikan oleh vektor berdimensi

n yang disebut vektor fitur (feature vektor). Selanjutnya setiap vektor

fitur disimpan ke dalam basis data fitur.

19

 

 

2. Pencarian (searching)

Untuk setiap kueri citra yang diberikan, dilakukan pengekstrakan

ciri dan direpresentasikan dalam vektor fitur, selanjutnya vektor fitur dari

kueri akan dibandingkan ke dalam basis data fitur untuk mencari citra

atau sekumpulan citra yang paling mirip dengan kueri citra. Selanjutnya,

citra-citra yang paling mirip tersebut ditampilkan kepada pengguna. Dan

ditampilkan berdasarkan prioritas dari tingkat kemiripan antara kueri

dengan basis data.

2.5.1.1 Pengindeksan

Jika membicarakan pengindeksan pada citra, maka harus

dilakukan pemikiran apakah yang akan mengacu pada sebuah deskripsi

formil dari citra atau pada objektifitas dan retrival. Deskripsi formil dari

citra adalah sebuah penjelasan formil seperti pada buku.

Pendeskripsian citra menemukan banyak halangan. Salah satu

kesulitannya adalah bagaimana akan mendeskripsikan fotografi, yang

hampir semua hasilnya tidak memiliki judul, pembuat, tanggal

pembuatan, atau informasi teks lainnya. Tidak seperti buku, citra tidak

menjelaskan apa yang mereka kandung, dan citra digunakan untuk

berbagai macam kegunaan melewati antisipasi dari pembuatnya (Besser,

Visual access to visual images: the UC Berkeley Image Database Project,

1990). Besser juga memberikan komentar:

“Sebuah set foto dari sebuah jalanan yang sibuk pada satu abad

yang lalu mungkin akan berguna bagi sejarawan yang

20

 

 

menginginkan sebuah pemandangan pada waktu itu, bagi arsitek

yang melihat bangunan-bangunan, bagi sejarawan adat yang

melihat perubahan pada pakaian, bagi peneliti kesehatan yang

melihat kebiasaan wanita merokok, bagi sosiolog yang melihat

perbedaan kelas, atau bagi pelajar yang melihat penggunaan dari

sebuah proses fotografi dan tekniknya.”

Saat ini teknik-teknik pengideksan citra telah mempunyai banyak

kekuatan. Indeks berdasarkan kata kunci (keyword) memiliki daya

deskripsi yang hebat, yang melahirkan banyak konsep baru lainnya, dan

dapat mendeskripsikan citra dengan berbagai macam kompleksitasnya.

Namun teknik manual ini mempunyai masalah-masalah seperti besarnya

sumber daya manusia untuk melakukan klasifikasi dan deskripsi.

Masalah-masalah lainnya adalah tidak dapat diandalkannya kemampuan

konsistensi dari pelaku pengindeksan, Markey (Access to iconographical

research collections, 1988) menemukan banyak variasi deskripsi yang

diberikan pada satu buah citra oleh beberapa pelaku pengindeksan, dalam

satu buah dekade kosa kata yang digunakan juga akan berubah, dan

masalah besar lainnya adalah betapa subjektifitas dari pendeskripsian

citra sangat berperan.

Rangkuman yang tidak dapat dihindarkan adalah basis teks tidak

cukup atau tidak layak untuk retrival citra. Bukti yang ada mengatakan

bahwa efektifitas dari sistem tersebut mengkhawatirkan.

21

 

 

Berbeda dengan pendekatan yang berbasis teks, pengindeksan

berbasis konten memiliki prinsip yaitu meretriv citra yang telah disimpan

di dalam koleksi dengan membandingkan fitur-fitur yang dimiliki dari

citra itu sendiri.

Fitur-fitur yang paling umum digunakan untuk ini adalah warna,

tekstur dan bentuk. Sistem-sistem RCBK yang ada pada saat ini dapat

dikatakan bekerja dengan menggunakan fitur tersebut. Biasanya sistem

tersebut memberikan pengguna untuk melakukan kueri dengan

memasukan tipe citra yang diinginkan. Ada juga beberapa sistem yang

memberikan alternatif dengan membiarkan pengguna memilih dari

koleksi citra sistem tersebut. Sistem tersebut kemudian akan

membandingkan kueri dengan koleksi citra, dan memberikan hasil yang

paling sebanding. Berikut adalah fitur-fitur yang paling banyak

digunakan.

2.5.1.1.1 Warna

Model warna hardware-oriented banyak digunakan untuk

warna alat-alat. Misalnya model warna RGB (red, green, blue),

biasa digunakan untuk warna monitor dan kamera. Model warna

CMY (cyan, magenta, yellow), digunakan untuk warna printer;

dan warna YIQ digunakan untuk penyiaran tv warna. Sedangkan

model warna yang user-oriented termasuk HLS, HCV, HSV,

MTM, dan CIE-LUV, didasarkan pada tiga persepsi manusia

22

 

 

tentang warna, yaitu hue (keragaman warna), saturation

(kejenuhan), dan brightness (kecerahan). Berikut penjelasan

ringkas tentang berbagai macam model atau format warna (Yanu

Widodo, 2003, p1-2):

a) Format warna RGB

Format ini digunakan untuk menghasilkan warna di monitor dan

televisi tabung yang menggunankan gelombang elektromagnetik.

Sebuah titik ditembak dengan spektrum R, G dan B.

b) Format warna HSV atau HSI atau HSL

Format ini merupakan format warna alamiah dengan

mempertimbangkan bahwa spektrum warna adalah sebuah

koordinat polar seperti warna pantulan yang jatuh di mata

manusia. Format ini sangat baik untuk membedakan warna-warna

yang terlihat.

c) Format warna CIE

Format warna ini adalah varian dari RGB dengan normalisasi

spektrum, sehingga sifat orthogonalitas dari masing-masing

komponen warna lebih dijamin. Format ini merupakan standar

dalam QBIC.

d) Format warna YCrCb

Format warna ini disebut juga dengan warna chrominant. Format

ini banyak digunakan dalam skin-detection.

23

 

 

e) Format warna CMYK

Format warna ini adalah penghasil warna pada cat atau tinta.

Format warna ini yang digunakan oleh mesin cetak.

Warna dari sebuah citra menyampaikan banyak informasi.

Beberapa metode retrival citra yang berbasiskan warna memiliki

beberapa ide dasar yang sama. Setiap citra yang dimasukan

kedalam koleksi data akan dikomputasi histogram warnanya,

yaitu kuantisasi dari warna setiap piksel yang terkandung di dalam

citra. Nilai histogram warna dari setiap citra kemudian disimpan

di dalam basis data. Pada saat melakukan pencarian citra,

pengguna dapat memasukan besarnya proporsi warna yang

diinginkan, atau mereka dapat memberikan sebuah kueri citra

yang akan dikomputasikan histogram warnanya. Sistem akan

membandingkan kesamaan nilai histogram antara citra kueri

dengan koleksi citra dan meretriv nilai yang terdekat.

2.5.1.1.2 Tekstur

Tekstur merupakan salah satu fitur citra yang penting, akan

tetapi sulit untuk dideskripsikan dan persepsi tentang tekstur

subjektif dalam tingkat tertentu (Lu, p155). Tekstur memiliki

kemampuan untuk membedakan antara daerah citra dengan warna

yang mirip seperti langit dengan laut atau daun dengan rumput

(Dunckley, p363).

24

 

 

Ada 6 fitur yang dapat digunakan untuk mendeskripsikan

tekstur (Lu, p155) yaitu:

1. Kekasaran / coarseness

Kekasaran merupakan fitur tekstur yang paling

fundamental dan bagi beberapa orang, tekstur berarti

kekasaran. Semakin besar jarak dari elemen sebuah citra

maka citra tersebut semakin kasar.

2. Kontras / contrast

Kontras diukur menggunakan 4 parameter, yaitu: jarak

dinamis tingkat keabuan citra, polarisasi distribusi hitam

dan putih pada histogram tingkat keabuan / grey level

histogram, ketajaman tepi, dan periode pola terulang.

3. Directionality

Merupakan properti global terhadap daerah yang

diberikan. Directionality mengukur bentuk elemen dan

penempatannya.

4. Kemiripan garis / line likeness

Parameter ini bersangkutan dengan bentuk dari elemen

tekstur. Dua bentuk umum dari tekstur adalah bentuk garis

atau bentuk gumpalan.

5. Keteraturan / regularity

Fitur ini mengukur variasi dari aturan penempatan elemen.

Hal ini bersangkutan dengan apakah tekstur tersebut

25

 

 

teratur atau tidak teratur. Perbedaan bentuk elemen

mengurangi keteraturan. Tekstur yang baik cenderung

teratur.

6. Kekesatan / roughness

Kekesatan mengukur apakah tekstur kesat atau halus.

Kekesatan berhubungan dengan kekasaran dan kontras.

Representasi tekstur lain yang biasa dilakukan adalah :

1. Dimensi fraktal / fractal dimension

Dimensi fraktal mencirikan kompleksitas geometri dari

himpunan. Sebuah citra dapat dilihat sebagai

himpunan 3 dimensi dimana 2 dimensi pertama adalah

posisi piksel dan dimensi ketiga merupakan intensitas

piksel. Semakin kesat / rough sebuah citra maka

dimensi fraktalnya semakin besar.

2. Koefisien fourier / fourier coefficients

Koefisien fourier pada sebuah citra mendeskripsikan

seberapa cepat perubahan dari intensitas piksel.

Koefisien tersebut kemudian digunakan untuk

menunjukkan kekesatan sebuah citra.

26

 

 

3. Statistik distribusi warna / color distribution statistic

Statistik distribusi warna seperti momen pertama,

kedua, dan ketiga dari distribusi warna dapat

menunjukkan tekstur sebuah citra.

Metode alternatif lain dalam merepresentasikan tekstur adalah

menggunakan filter gabor dan fraktal. Filter gabor merupakan

salah satu dari teknik yang sangat baik / powerfull dalam analisa

citra. (Dunckley, p364).

2.5.1.1.3 Bentuk

Kemampuan untuk meretriv berdasarkan bentuk melibatkan

memberikan bentuk dari benda deskripsi kuantitatif yang dapat

digunakan untuk mencocokkan citra lain. Bentuk dari citra

terdefinisikan dengan baik dan ada banyak bukti bahwa di dalam

otak, objek alami pada dasarnya dikenali dengan bentuknya.

Proses ini melibatkan perhitungan dari jumlah karakteristik fitur

dari bentuk objek yang independen terhadap ukuran atau orientasi.

Fitur ini kemudian dihitung untuk setiap objek yang teridentifikasi

didalam setiap citra yang disimpan. Kemudian hasil dari kueri

diperoleh dengan menghitung kumpulan fitur yang sama untuk

citra kueri, kemudian meretriv citra yang disimpan tersebut yang

fiturnya paling mirip dengan citra kueri. Dua jenis fitur bentuk

yang biasa digunakan adalah:

27

 

 

1. Fitur global / global features seperti aspek rasio, circularity

dan moments invariants.

2. Fitur lokal / local features seperti himpunan segmen batas

berurutan / consecutive boundary segments.

Batas 2 dimensi dari objek 3 dimensi memungkinkan

pengenalan objek. Representasi dari bentuk sangatlah sulit.

Bentuk didefinisikan dengan koordinat x dan y dari titik batasnya.

Transformasi kemiripan dapat mencakup translasi, pembesaran

seragam/uniform scaling dan perubahan orientasi. Jika sudut

pandang kamera berubah dengan tetap fokus ke objek, bentuk dari

objek akan berubah, sebagai contoh sebuah lingkaran akan

berubah menjadi elips.

2.5.1.2 Pencarian

Dalam melakukan pencarian, untuk basis data citra dalam jumlah

yang kecil dapat dilakukan pencarian linier, yaitu kueri dicocokkan

dengan semua citra dalam basis data satu per satu. Jumlah data yang

besar akan mengakibatkan proses pencocokkan yang lambat, maka dari

itu dibutuhkan metode lain untuk mempercepat proses retrival. Terdapat

beberapa metode yang dapat digunakan untuk mempercepat proses

retrival, seperti:

1. Reduksi dimensi dengan menggunakan Principal Components

Analysis / PCA, Latent Semantic Indexing.

28

 

 

2. Pengindeksan, antara lain dengan hashing, R-tree, dan Kd-tree.

3. Pengelompokan / Clustering

2.6 Histogram Warna

Pendekatan histogram pertama kali dilakukan oleh Swain dan Ballard

pada 1991. Variasi dari teknik ini banyak dilakukan oleh sistem RCBK saat ini.

Metode seperti Cumulative Colour Histogram (Stricker dan Orengo, 1995)

adalah salah satu contohnya.

Histogram warna dibuat dari menghitung berapa jumlah piksel untuk

setiap saluran warna (merah, hijau, biru, untuk RGB). Setiap pikselnya

dikalkulasikan berapa banyak intensitas setiap saluran warna.

),,(),,(,,

cCbBaANprobcbah CBA====

 

29

 

 

 

Gambar 2.5 Histogram Warna

Metode berdasarkan histogram warna ini mengukur kesamaan dari dua

citra dapat diukur dari jarak kedua histogram warna citra yang bersangkutan.

Ada beberapa macam teknik pengukuran jarak pada histogram warna, salah

satunya adalah Histogram Euclidean distance. Jika d adalah jarak dari histogram,

h dan g adalah dua citra yang bersangkutan, a, b, dan c adalah saluran warna

yang ada (contoh: RGB) maka jarak kedua histogram dengan menggunakan

Euclidean adalah:

( ) ( ) ( )( )∑∑∑ −=A B C

cbagcbahghd 22 ,,,,,

Dengan pengukuran jarak ini perbandingan dilakukan hanya dengan bins

yang sama nilainya, tidak ada perbandingan silang dengan bins yang mungkin

mempunyai warna sama namun dengan nilai bins yang berbeda.

30

 

 

2.7 Momen Warna

Stricker dan Orengo juga memperkenalkan pendekatan lain pada retrival

citra dengan fitur warna yaitu color moment, dimana pengindeksan dari distribusi

warna sebagai fitur.

Untuk sebuah RCBK dengan fitur warna, color moment mengalahkan

histogram kumulatif dalam hal efektifitas dan ketepatan (Stricker dan Orengo,

1995). Salah satu penyebabnya adalah pendekatan ini menghapus masalah

semantik dari histogram warna yang dapat tergeser pengenalan warnanya

dikarenakan perbedaan pencahayaan.

Gambar 2.6 Tiga buah Histogram Warna

Dengan d sebagai jarak dan Hi sebagai histogram warna bersangkutan,

Citra diatas menghasilkan jarak histogram warna sebagai berikut:

( ) ( ) ( )3,23,12,1 HHdHHdHHd =>

31

 

 

Citra H1 dan H2 yang hanya berbeda pada intensitas cahaya

menghasilkan jarak yang lebih besar dibandingkan dengan jarak dengan H3

memperlihatkan salah satu masalah semantik yang ditemukan pada pendekatan

histogram warna. (disadur dari Similarity of Color Image, Markus Stricker and

Markus Orengo, Communications Technology Laboratory, Swiss Federal

Institure of Techno1ogy, ETH, CH-8092 Zurich, Switzerland, 1995)

Dasar dari color moment adalah asumsi bahwa distribusi warna dari

sebuah citra dapat di anggap sebagai distribusi probabilitas, karenanya distribusi

warna dapat dikarakterisasikan dari momennya. Momen-momen tersebut adalah

rata-rata(average), deviasi standar (standard deviation), dan kelengkungan

(skewness). Ketiganya dimaksudkan untuk pengindeksan.

Jika nilai dari i adalah saluran warna (color channel) di j piksel adalah

Pij maka, nilai untuk rata-rata warna adalah:

pE ij

j

Ni N

11

∑=

=

Nilai untuk deviasi standar adalah:

))(1

(1

2∑=

−=j

Niiji Ep

Nσ

Nilai untuk kelengkungan adalah:

( )3311⎟⎟⎠

⎞⎜⎜⎝

⎛−= ∑

=

Eps iij

j

Ni N

32

 

 

Jika A dan B adalah distribusi warna dari dua buah citra, dan r adalah

saluran warna (cth: HSV), dan indeks dari dua citra tersebut adalah Ei dan Fi

untuk warna rata-rata, σi dan ςi untuk deviasi standar, si dan ti untuk

kelengkungan, maka kita dapat mendefinisikan kesamaan kedua citra dengan:

( ) tswswFEwd iiiiiiiii

r

imom

IH −+−+−=∑=

3211

, σ

Dimana w adalah berat (weight) yang ditentukan oleh pengguna. Stricker dan

Orengo melakukan beberapa percobaan pemberatan;

Hasil yang mereka miliki adalah pemberatan W1 yang paling berhasil dalam

penggunaan color moment pada retrival citra.

33

 

 

Gambar 2.7 Hasil dari percobaan Stricker dan Orengo

Menurut Stricker dan Orengo, color moment melebihi kekuatan dari

metode-metode lainnya yang ada pada saat ini, bahkan pada hasil yang terburuk.

Color moment juga menyelesaikan masalah-masalah semantik seperti perbedaan

pencahayaan pada citra seperti yang dijelaskan sebelumnya di atas. Metode ini

juga menyelesaikan masalah perbedaan ukuran dari citra. Dimana histogram

warna dapat menghasilkan false negative, sedangkan color moment dapat

menjadi lebih akurat dikarenakan ketidak-tergantungan pada jumlah warna dari

piksel, namun penyebaran dan rata-rata warna pada piksel citra.

34

 

 

2.8 Pohon Berdimesi K (KD Tree)

Pencarian dalam ruang berdimensi tinggi merupakan proses yang

diperlukan dalam RCBK. Fitur dari suatu citra seperti warna, tekstur maupun

bentuk direpresentasikan dalam vektor fitur yang dapat dianggap sebagai titik

pada ruang multidimensi.

Proses pencarian dapat dilakukan secara lebih efisien dengan

menggunakan pengindeksan multidimensi. Terdapat beberapa metode

pengindeksan multidimensi, perbedaan dari beberapa metode yang ada terletak

pada jenis kueri yang dapat dilakukan dan juga banyaknya dimensi dimana suatu

metode memiliki keunggulan dibandingkan metode yang lain.

Sebagian besar sistem manajemen basis data yang ada saat ini tidak

mendukung pengindeksan multidimensi dan sistem manajemen basis data yang

mendukung memberikan sedikit sekali pilihan untuk metode pengindeksan

multidimensi. Penelitian aktif dilakukan untuk menyediakan mekanisme pada

sistem manajemen basis data yang memungkinkan pengguna untuk menyertakan

pengindeksan multidimensi yang dipilih ke dalam mesin pencari.

Salah satu metode pengindeksan multidimensi yang mudah

diimplementasikan dan berguna untuk berbagai macam masalah pencarian

adalah pohon berdimensi k.

2.8.1 Definisi dan konstruksi

Pohon berdimesi k adalah struktur data yang berbentuk pohon biner

dimana setiap daun (leaf) menyimpan satu titik berdimensi d. Dalam dua

dimensi, setiap titik mempunyai koordinat x dan y, dengan demikian

35

 

 

untuk membentuk pohon berdimesi dua, pertama kali titik dibagi menurut

koordinat x, lalu koordinat y, dan kembali ke koordinat x, demikian

seterusnya.

Gambar 2.8 Contoh Pohon Berdimensi K

Algorithm BUILDKDTREE(P,depth)

Input. A set of point P and the current depth depth

Output. The root of a kd-tree storing P.

1. if P contains only one point

2. then return a leaf storing this point

3. else if depth is even

36

 

 

4. then split P into two subsets with a vertical line l through the

median x-coordinate of the points in P. Let P1 be the set of

points to the left of l or on l, and let P2 be the set of points

to the right of l.

5. else split P into two subsets with a horizontal line l through the

median y-coordinate of the points in P. Let P1 be the set of

points below l or on l, and let P2 be the set of points above

l.

6. vleft ← BUILDKDTREE(P1,depth + 1)

7. vright ← BUILDKDTREE(P2,depth + 1)

8. Create a node v storing l , make vleft the left child of v, and make vright

the right child of v.

9. return v

Gambar 2.9 Algoritma pembentukan Pohon Berdimensi K

2.8.2 Algoritma kueri

Pada saat diberikan sebuah rentang (range) dalam d dimensional,

algoritma kueri pada pohon berdimensi k akan melaporkan titik mana

saja yang berada dalam rentang. Simpul dalam pohon berdimensi k

menyatakan suatu daerah berbentuk bidang (dalam 2 dimensi) atau

37

 

 

hyperlane dalam d dimensi. Untuk sebuah simpul v, daerah yang

direpresentasikan oleh v dinyatakan oleh region(v).

Region yang dinyatakan oleh simpul dalam pohon berdimensi k dapat

memiliki batas ataupun tidak. Sebuah titik berada dalam subtree dengan

root u, jika dan hanya jika titik tersebut berada dalam region(u). Dalam

algoritma kueri, dilakukan dengan menelusuri pohon dengan DFS(Depth

First Search), suatu simpul dikunjungi hanya jika region dari simpul

tersebut berpotongan dengan rentang kueri, R.

Algorithm SEARCHKDTREE(v,R)

Input. The root of (a subtree of) a kd-tree, and a range R.

Output. All points at leaves below v that lie in the range.

1. if v is a leaf

2. then Report the point stored at v if it lies in R.

3. else if region (lc(v)) is fully contained in R

4. then REPORTSUBTREE((lc(v))

5. else if region (lc(v)) intersects R

6. then SEARCHKDTREE(lc(v),R)

38

 

 

7. if region (lc(v)) is fully contained in R

8. then REPORTSUBTREE((rc(v))

9. else if region (rc(v)) intersects R

10. then SEARCHKDTREE(rc(v),R)

Gambar 2.10 Algoritma Kueri

2.9 Evaluasi Kinerja Retrival

Metode retrival dapat dikatakan baik jika memiliki error yang sedikit

mungkin. Ada dua jenis error yang terjadi dalam sistem retrival :

1. False Positive (FP)

Dapat di retriv, tetapi bukan citra yang relevan dengan kueri.

2. False Negative (FN)

Tidak dapat di retriv padahal citra relevan.

Metode retrival yang baik harus dapat meminimalkan kedua error diatas.

Untuk melakukan evaluasi terhadap metode retrival, dapat dilakukan dengan

menghitung nilai recall dan precision.

recall = ba

precision = ca

39

 

 

Dimana :

• a = banyaknya citra yang dapat di retriv dan relevan

• b = banyaknya citra yang relevan terhadap kueri dalam basis data

• c = banyaknya citra yang dapat di retriv

Nilai precision yang tinggi berarti sedikit terjadi false positif dan

nilai recall yang tinggi berarti sedikit terjadi false negative.

Harmonic Mean / F-Measure / F-score / F1-score adalah suatu

pengukuran yang menggabungkan nilai precision dan recall.

prrp

pr

F+

=+

= 211

2

r : nilai recall ; p: nilai precision

Nilai F berada dalam rentang [0,1], nilai F semakin tinggi jika

nilai precison dan recall tinggi. Semakin tinggi nilai F dari suatu metode

retrival, berarti semakin baik pula performa RCBK.

Nilai recall dan precision akan divisualisasikan dalam bentuk

grafik. Untuk itu, dari semua citra dalam basis data yang terurut menaik

berdasarkan jarak, dihitung nilai recall dan precision untuk setiap

kemunculan citra yang relevan dengan kueri.

40

 

 

Tabel 2.1 Contoh Urutan Hasil Retrival

Kueri 1 Kueri 2 Kueri 3

T R R

T R R

T R R

T R T

T R T

R T R

R T R

R T T

R T T

R T T

Misalkan terdapat 3 urutan seperti table diatas, maka jika hanya

diambil 5 teratas

Tabel 2.2 Nilai Recall dan Precision

Recall Precision

Urutan 1 0 0

Urutan 2 1 1

Urutan 3 0,6 0,6

R : Citra yang relevan 

T : Citra yang tidak relevan 

41

 

 

Jika diambil 10 teratas maka ketiga urutan diatas akan

menghasilkan nilai recall dan precision yang sama, yaitu recall 1 dan

precision 0,5. Untuk mendapatkan grafik visual, dilakukan pengukuran

nilai precision dan recall yang sama, untuk setiap kueri. Umumnya nilai

precision dihitung pada nilai recall yang standar yaitu 11 titik (biasanya

100%, 90% .... 0%) dan 3 titik (biasanya 75%, 50%, 25%) (Universitas

Indonesia, 2008, pp37).

Selanjutnya dari titik-titik yang didapat, dilakukan interpolasi

untuk membuat kurva precision dan recall. Precision interpolasi pada

suatu titik recall r didefinisikan sebagai nilai precision terbesar pada

semua titik recall r’≥ r. Selanjutnya dari nilai precision interpolasi,

digambar kurva recall dan precision.

( ) ( )( )'int

max rPrP erpolasi= untuk semua rr ≥'

Tabel 2.3 Precision Interpolasi

Recall Precision Precision Interpolasi

0 1 1

0.1 0.66 0.66

0.2 0.62 0.62

0.3 0.56 0.56

0.4 0.41 0.41

42

 

 

0.5 0.42 0.42

0.6 0.28 0.30

0.7 0.30 0.30

0.8 0.14 0.14

0.9 0.11 0.11

1 0.09 0.09

Precision Interpolasi

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

PrecisionInterpolasi

Recall

Precision

Gambar 2.11 Contoh Kurva Recall dan Precision dengan Interpolasi

43

 

 

Dari interpolasi pada tabel 2.3 akan menghasilkan kurva pada

gambar 2.11, dimana nilai precision dengan recall 0% adalah 1.

Untuk menghitung nilai rata-rata precision terhadap semua kueri,

maka dihitung rata-rata precision untuk tiap tingkatan recall untuk semua

kueri. (Universitas Indonesia, 2008, pp38)

( )( )

Nr

rP Pi

N

i∑== 1

P (r) = rata-rata precision untuk nilai recall r

Pi(r) = rata-rata precision untuk nilai recall r pada kueri ke-i

N = banyaknya kueri