Pengukuran Kemiripan Citra Berbasis Warna

dan precision untuk tiap-tiap kelas dan untuk
sistem secara umum.
Perangkat Lunak dan Perangkat Keras
Perangkat lunak yang digunakan dalam
penelitian ini adalah Windows XP SP 2 dan
Matlab 7.0.1. Perangkat keras yang digunakan
adalah sebuah notebook dengan prosesor AMD
Turion 64 X2 2.0 GHz, memori 1 GB dan hard
disk 120 GB.
sebuah matriks berukuran 7 × 1100, karena
terdapat 1100 buah citra di basis data dan setiap
citra direpresentasikan dengan sebuah vektor
yang memiliki elemen sebanyak 7 buah yaitu
energy, moment, entropy, maximum probability,
contrast, dan correlation.
Hasil Temu Kembali
Hasil temu kembali menggunakan informasi
warna dapat dilihat pada Gambar 7.
HASIL DAN PEMBAHASAN
Data Penelitian
Data yang digunakan pada penelitian ini
terdiri atas 1100 citra yang dikelompokkan
secara manual menjadi 10 kelas yaitu mobil,
singa, matahari terbenam, tekstur, beruang,
gajah, tanda panah, pemandangan, reptil, dan
pesawat.
Data
ini
berasal
dari
http://www.fei.edu.br/~psergio/MaterialAulas/G
eneralist1200.zip. Citra memiliki format TIF
dengan ukuran yang bervariasi. Beberapa
contoh citra yang digunakan dapat dilihat pada
Lampiran 3.
Praproses Citra
Praproses
citra
dilakukan
untuk
menghilangkan garis tepi citra asli. Hal ini
bertujuan agar Sobel edge detector tidak
menangkap informasi yang salah dalam
menentukan edge pada sebuah citra. Tahap ini
dilakukan dengan melakukan operasi cropping.
Gambar 7 Hasil temu kembali menggunakan
informasi warna.
Hasil temu kembali menggunakan informasi
bentuk dapat dilihat pada Gambar 8.
Ekstraksi Ciri
a Ekstraksi ciri warna
Hasil dari ekstraksi ciri warna untuk seluruh
citra yang ada di basis data adalah sebuah
matriks berukuran 162 × 1100, karena terdapat
1100 buah citra di basis data dan setiap citra
direpresentasikan dengan sebuah vektor yang
memiliki elemen sebanyak 162 buah.
b Ekstraksi ciri bentuk
Operasi sobel edge detector dilakukan
terhadap semua citra di basis data, kemudian
edge direction histogram-nya ditentukan. Setiap
citra akan direpresentasikan dengan sebuah
vektor berukuran 72 elemen. Hasil akhir dari
proses ini adalah sebuah matriks berukuran 72 ×
1100 karena ada sebanyak 1100 citra di basis
data.
Gambar 8 Hasil temu kembali menggunakan
informasi bentuk.
Hasil temu kembali menggunakan informasi
tekstur dapat dilihat pada Gambar 9.
c Ekstraksi ciri tekstur
Hasil dari ekstraksi ciri tekstur untuk
seluruh citra yang ada di basis data adalah
8
terpisah serta penggabungan ketiga informasi
tersebut menggunakan model Bayesian.
Tabel 1 menyajikan perbandingan nilai
precision pada kelas mobil. Kelas ini terdiri atas
176 citra. Pada kelas ini, nilai rata-rata precision
tertinggi diperoleh menggunakan model
Bayesian network. Sementara itu, nilai rata-rata
precision menggunakan informasi bentuk lebih
tinggi jika dibandingkan dengan nilai rata-rata
precision menggunakan informasi warna dan
tekstur. Hal ini disebabkan citra-citra pada kelas
mobil memiliki bentuk yang hampir sama,
sebagaimana dapat dilihat pada Lampiran 3.
Gambar 9 Hasil temu kembali menggunakan
informasi tekstur.
Sementara itu, hasil temu kembali
menggunakan model Bayesian network dapat
dilihat pada Gambar 10.
Gambar 10 Hasil temu kembali menggunakan
model Bayesian network.
Evaluasi Hasil Temu Kembali
Nilai recall dan precision dihitung untuk
menentukan tingkat keefektifan proses temu
kembali. Untuk mendapatkan nilai precision
dari suatu kelas, maka setiap citra yang ada di
kelas tersebut dijadikan sebagai citra kueri.
Nilai precision untuk kelas tersebut diperoleh
dengan merata-ratakan nilai precision dari
setiap citra kueri. Hal ini dilakukan untuk
mengetahui performa model Bayesian network
pada sistem temu kembali yang dibangun.
Pada uraian di bawah ini akan dipaparkan
nilai precision untuk beberapa kelas yaitu kelas
mobil, singa, matahari terbenam, tekstur, dan
gajah. Nilai precision yang disajikan adalah
nilai precision untuk temu kembali berdasarkan
informasi warna, bentuk, dan tekstur secara
Tabel 1 Perbandingan nilai recall precision
pada kelas mobil
Recall
Warna
Bentuk
Tekstur
Bayes
0
1.0000
1.0000
1.0000
1.0000
0.1
0.3198
0.4447
0.3758
0.4993
0.2
0.2870
0.4079
0.3325
0.4413
0.3
0.2641
0.3936
0.3086
0.3999
0.4
0.2382
0.3791
0.2905
0.3646
0.5
0.2230
0.3643
0.2798
0.3412
0.6
0.2092
0.3408
0.2684
0.3194
0.7
0.1993
0.3171
0.2585
0.3012
0.8
0.1933
0.2887
0.2495
0.2834
0.9
0.1877
0.2348
0.2238
0.2537
1
0.1755
0.1654
0.1909
0.1920
Rataan
0.2997
0.3942
0.3435
0.3996
Kelas singa terdiri atas 103 citra. Nilai ratarata precision pada kelas singa dapat dilihat
pada Tabel 2.
Tabel 2 Perbandingan nilai recall precision
pada kelas singa
Recall
Warna
Bentuk
Tekstur
Bayes
0
1.0000
1.0000
1.0000
1.0000
0.1
0.4746
0.2290
0.2572
0.5502
0.2
0.4104
0.2244
0.2047
0.4459
0.3
0.3794
0.2201
0.1787
0.3830
0.4
0.3475
0.2111
0.1589
0.3188
0.5
0.3163
0.2045
0.1519
0.2718
0.6
0.2965
0.2013
0.1397
0.2385
0.7
0.2748
0.1948
0.1116
0.2120
0.8
0.2552
0.1829
0.1087
0.1880
0.9
0.2313
0.1738
0.1092
0.1675
1
0.1156
0.1349
0.1095
0.1368
Rataan
0.3729
0.2706
0.2300
0.3557
9
Pada Tabel 2 dapat dilihat bahwa nilai ratarata precision tertinggi diperoleh ketika
menggunakan informasi warna. Hal ini
disebabkan citra-citra pada kelas singa memiliki
kemiripan warna yang dapat diamati secara
visual
sebagaimana
diperlihatkan
pada
Lampiran 3. Pada kelas ini, nilai rata-rata
precision untuk model Bayesian network lebih
rendah dari rata-rata precision menggunakan
informasi warna, tetapi lebih tinggi dari ratarata precision menggunakan informasi bentuk
dan tekstur. Akan tetapi, pada recall 0.1, 0.2,
0.3, dan 1 nilai precision menggunakan model
Bayesian network lebih tinggi daripada
menggunakan informasi warna.
Sementara itu, nilai rata-rata precision untuk
kelas matahari terbenam dapat dilihat pada
Tabel 3. Kelas ini terdiri atas 102 citra.
Tabel 3 Perbandingan nilai recall precision
pada kelas matahari terbenam
Recall
Warna
Bentuk
Tekstur
Bayes
0
1.0000
1.0000
1.0000
1.0000
0.1
0.3494
0.3356
0.4149
0.5640
0.2
0.2919
0.2624
0.3743
0.5089
0.3
0.2552
0.2194
0.3245
0.4708
0.4
0.2272
0.1972
0.3000
0.4305
0.5
0.2070
0.1769
0.2847
0.3796
0.6
0.1868
0.1602
0.2576
0.3292
0.7
0.1720
0.1457
0.2374
0.2815
0.8
0.1560
0.1319
0.2142
0.2290
0.9
0.1379
0.1171
0.1616
0.1752
1
0.1121
0.0946
0.1228
0.1123
Rataan
0.2814
0.2583
0.3356
0.4074
Berdasarkan Tabel 3, nilai rata-rata
precision tertinggi diperoleh menggunakan
model Bayesian network. Sementara itu, nilai
rata-rata precision menggunakan informasi
tekstur lebih tinggi jika dibandingkan dengan
nilai rata-rata precision menggunakan informasi
warna dan bentuk. Sebagaimana dapat dilihat
pada Lampiran 3 bahwa citra-citra pada kelas
matahari terbenam memiliki warna dan bentuk
yang lebih beragam, sedangkan teksturnya
cenderung lebih mirip. Hal ini menyebabkan
nilai precision untuk informasi warna dan
bentuk lebih kecil.
Tabel 4 menyajikan nilai rata-rata precision
pada kelas tekstur. Kelas ini terdiri atas 175
citra. Berdasarkan Tabel 4, nilai rata-rata
precision tertinggi diperoleh menggunakan
model Bayesian network. Sementara itu, nilai
rata-rata precision menggunakan informasi
tekstur lebih tinggi jika dibandingkan dengan
nilai rata-rata precision menggunakan informasi
warna dan bentuk. Hal ini disebabkan citra-citra
pada kelas tekstur memiliki tekstur yang hampir
sama, sebagaimana dapat dilihat pada Lampiran
3.
Tabel 4 Perbandingan nilai recall precision
pada kelas tekstur
Recall
Warna
Bentuk
Tekstur
Bayes
0
1.0000
1.0000
1.0000
1.0000
0.1
0.4071
0.4418
0.5220
0.5780
0.2
0.3663
0.3701
0.4954
0.5394
0.3
0.3162
0.3210
0.4860
0.5218
0.4
0.2858
0.2939
0.4710
0.4958
0.5
0.2638
0.2671
0.4510
0.4601
0.6
0.2485
0.2513
0.3994
0.4096
0.7
0.2359
0.2317
0.3440
0.3536
0.8
0.2223
0.2079
0.2702
0.2881
0.9
0.2004
0.1782
0.2238
0.2300
1
0.1676
0.1609
0.1601
0.1637
Rataan
0.3376
0.3385
0.4384
0.4582
Pada Tabel 5 disajikan nilai rata-rata
precision pada kelas gajah. Kelas ini terdiri atas
98 citra.
Tabel 5 Perbandingan nilai recall precision
pada kelas gajah
Recall
Warna
Bentuk
Tekstur
Bayes
0
1.0000
1.0000
1.0000
1.0000
0.1
0.2876
0.5017
0.2194
0.4193
0.2
0.2027
0.4594
0.1956
0.3395
0.3
0.1871
0.4175
0.1715
0.3003
0.4
0.1725
0.3831
0.1621
0.2659
0.5
0.1668
0.3525
0.1536
0.2504
0.6
0.1620
0.3196
0.1478
0.2290
0.7
0.1533
0.2866
0.1385
0.2084
0.8
0.1428
0.2469
0.1363
0.1903
0.9
0.1292
0.2095
0.1317
0.1689
1
0.1028
0.1461
0.1062
0.1281
Rataan
0.2461
0.3930
0.2330
0.3182
Pada Tabel 5 dapat dilihat bahwa nilai ratarata precision tertinggi diperoleh ketika
menggunakan informasi bentuk. Pada kelas ini,
nilai rata-rata precision untuk model Bayesian
network lebih rendah dari rata-rata precision
bentuk, tetapi lebih tinggi dari rata-rata
10
precision warna dan tekstur. Pada Lampiran 3
dapat dilihat bahwa citracitra-citra
citra di kelas ini
memiliki kemiripan
kemiripan bentuk secara visual.
Sementara itu, citra-citra di kelas tersebut
memiliki warna dan tekstur yang lebih beragam.
Hal ini dapat dibuktikan dengan nilai rata-rata
precision warna dan tekstur yang lebih kecil
dari rata-rata precision bentuk.
Grafik perbandingan nilai recall precision
menggunakan informasi warna, bentuk, tekstur,
dan model Bayesian network dapat dilihat pada
Gambar 11.
Perbandingan nilai rata-rata precision untuk
kelas yang lain
lain dapat dilihat pada Lampiran 4.
Secara umum, nilai precision pada kelas-kelas
tersebut memiliki kecenderungan yang hampir
sama dengan kelas-kelas yang telah dibahas.
Pada Tabel 6 disajikan nilai rata-rata
precision untuk semua citra yang ada di basis
data. Seluruh citra yang ada di basis data
sebanyak 1100 citra digunakan sebagai citra
kueri.
Tabel 6 Perbandingan nilai recall precision
rata-rata semua citra di basis data
Recall
Warna
Bentuk
Tekstur
Bayes
0
1.0000
1.0000
1.0000
1.0000
0.1
0.4008
0.3346
0.3561
0.4861
0.2
0.3448
0.2859
0.3136
0.4223
0.3
0.3058
0.2580
0.2798
0.3777
0.4
0.2754
0.2407
0.2564
0.3386
0.5
0.2568
0.2221
0.2383
0.3050
0.6
0.2395
0.2062
0.2134
0.2704
0.7
0.2237
0.1914
0.1929
0.2415
0.8
0.2076
0.1735
0.1724
0.2122
Recall
Warna
Bayes
0.9
0.1924
0.1522
0.1525
0.1825
1
0.1586
0.1249
0.1267
0.1392
0
1.0000
1.0000
Peningkatan
(%)
0.0000
Rataan
0.3277
0.2900
0.3002
0.3614
0.1
0.4008
0.4861
17.5591
0.2
0.3448
0.4223
18.3532
0.3
0.3058
0.3777
19.0406
0.4
0.2754
0.3386
18.6793
0.5
0.2568
0.3050
15.8142
0.6
0.2395
0.2704
11.4136
0.7
0.2237
0.2415
7.3467
0.8
0.2076
0.2122
2.1676
0.9
0.1924
0.1825
-5.4027
1
0.1586
0.1392
-13.8753
Rataan
0.3277
0.3614
8.2815
Berdasarkan Tabel 6,
6, nilai rata-rata
precision tertinggi diperoleh menggunakan
model Bayesian network. Sementara itu, nilai
rata-rata precision menggunakan informasi
warna lebih tinggi daripada menggunakan
informasi bentuk dan tekstur. Hal ini
menunjukkan bahwa untuk sistem temu kembali
yang dibangun, model Bayesian network dapat
meningkatkan nilai precision. Model Bayesian
network yang menggabungkan informasi warna,
bentuk, dan tekstur terbukti lebih baik jika
dibandingkan dengan penggunaan informasi
warna, bentuk, atau tekstur secara terpisah.
Peningkatan nilai precision berarti tingkat
relevansi citra-citra yang ditemukembalikan
dengan citra kueri lebih tinggi.
Gambar 11 Grafik recall precision menggunakan informasi warna, bentuk,
tekstur, dan Bayesian network.
Sementara itu, peningkatan
peningkatan nilai precision
yang diperoleh menggunakan model Bayesian
network disajikan pada Tabel 7.
Tabel 7 Persentase peningkatan nilai precision
menggunakan
model
Bayesian
network
Pada Tabel 7, nilai rata-rata
menggunakan model Bayesian
dibandingkan dengan nilai rata-rata
menggunakan informasi warna.
dilakukan karena nilai rata-rata
precision
network
precision
Hal ini
precision
11
menggunakan warna lebih tinggi daripada
bentuk dan tekstur. Pada Tabel 7 dapat dilihat
bahwa rata-rata peningkatan nilai precision
sebesar 8.2815 %. Pada Tabel 7 juga dapat
dilihat bahwa performa model Bayesian
network bagus untuk nilai recall antara recall 0
sampai 0.8. Sementara itu, untuk nilai recall 0.9
dan 1, performa model Bayesian network lebih
kecil dari penggunaan informasi warna (nilai
peningkatan precision bernilai negatif). Secara
umum, penggunaan model Bayesian network
meningkatkan nilai precision jika dibandingkan
dengan penggunaan informasi warna, bentuk,
atau tekstur secara terpisah.
KESIMPULAN DAN SARAN
Kesimpulan
Penelitian ini telah berhasil mengimplementasikan model Bayesian network dalam
pengukuran
kemiripan
citra
dengan
menggabungkan informasi warna, bentuk, dan
tekstur dari suatu citra. Informasi warna
diekstraksi dengan histogram 162, informasi
bentuk dengan edge direction histogram, dan
tekstur dengan co-occurrence matrix.
Model Bayesian network memberikan nilai
bobot secara automatis berdasarkan kepada
informasi citra yang lebih dominan. Secara
umum, model Bayesian network dapat
digunakan untuk meningkatkan nilai precision
hasil temu kembali. 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. Pada
beberapa kelas, nilai rata-rata precision
menggunakan model Bayesian network lebih
rendah dari salah satu informasi warna, bentuk,
atau tekstur, tetapi tetap lebih tinggi dari dua
informasi lainnya.
Saran
Model Bayesian network dapat bekerja
dengan baik jika hasil ekstraksi ciri warna,
bentuk, dan tekstur menghasilkan ciri yang
bagus. Oleh karena itu, penelitian selanjutnya
disarankan menggunakan metode lain untuk
ekstraksi ciri, baik ciri warna, bentuk, maupun
tekstur untuk mendapatkan ciri yang lebih
bagus.
Penelitian
selanjutnya
dapat
menggunakan fuzzy color histogram untuk
ekstraksi ciri warna, Hough transform untuk
ekstraksi ciri bentuk, dan Tamura untuk
ekstraksi ciri tekstur.
DAFTAR PUSTAKA
Baeza-Yates R & Berthier Ribeiro-Neto. 1999.
Modern Information Retrieval. New York :
Addison Wesley.
Gonzalez RC, et al. 2004. Digital Image
Processing Using Matlab. New Jersey :
Pearson Prentice Hall.
Green B. 2002. Edge Detection Tutorial.
http://www.pages.drexel.edu/%7Eweg22/ed
ge.html [28 Juli 2008]
Han J & Kai-Kuang Ma. 2002. Fuzzy Color
Histogram and Its Use in Color Image
Retrieval. IEEE Transaction on Image
Processing, vol. 11, no. 8, 2002.
Haralick RM & Linda G. Shapiro. 1992.
Computer and Robot Vision. Vol. 1, p. 460.
New York : Addison Wesley.
Neapolitan RE. 2004. Learning Bayesian
Networks. Illinois : Prentice Hall.
Osadebey ME. 2006. Integrated Content-Based
Image Retrieval Using Texture, Shape and
Spatial Information [thesis]. Umea :
Department of Applied Physics and
Electronics, Umea University.
Rodrigues PS & Arnaldo de Albuquerque
Araujo. 2004. A Bayesian Network Model
Combining Color, Shape and Texture
Information to Improve Content Based
Image Retrieval Systems. LNCC, Petropolis,
Brazil.
Vailaya A & Anil Jain. 1995. Image Retrieval
Using Color and Shape. Michigan :
Michigan State University.
Vailaya A. 1996. Shape-Based Image Retrieval
[thesis]. Michigan : Michigan State
University.
Vailaya A, et al. 1998. On Image Clasification :
City Images vs. Landscapes. Michigan :
Department of Computer Science, Michigan
State University.
Wahyuningsih Y. 2006. Metode Hough
Transform untuk Ekstraksi Ciri Bentuk pada
Citra Bunga [skripsi]. Bogor : Departemen
Ilmu Komputer, Institut Pertanian Bogor.
12