MENGGUNAKAN ALGORITMA GENETIKA
Sendi Tri Anugrah¹, Fazmah Arief Yulianto², Retno Novi Dayawati³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Tugas Akhir ini akan melakukan algoritma genetika pada penentuan image silimarity yang berbasiskan region. Citra direpresentasikan menggunakan sekumpulan region yang disegmentasikan menurut color dan texture properties dari citra tersebut. Sebuah citra diasosiasikan dengan sekelompok citra yang bersangkutan terhadap region-region citra awal. Kemiripan dari dua citra yang berbeda didefinisikan sebagai keseluruhan kesamaan yang ada antara dua kelompok fitur dari kedua citra tersebut. Kemiripan dua citra ini kemudian dipertegas secara matematis oleh pengukuran kemiripan yang mengintegrasikan properties dari semua region pada citra-citra tersebut.
Algoritma genetik dipergunakan untuk memberikan keputusan akan kecocokan citra yang paling mungkin. Performansi dari metode ini diilustrasikan melalui berbagai contoh yang diambil dari database citra yang telah umum digunakan dan telah memeberikan hasil yang cukup baik. Kata Kunci : image similarity, color properties, texture properties, region, algoritma genetik
Abstract
This final task proposes an approach using genetic algorithm for computing the region based image similarity. The image is denoted using a set of segmented regions reflecting color and texture properties of an image. An image is associated with a family of image features corresponding to the regions. The resemblance of two images is then defined as the overall similarity between two families of image features, and quantified by a similarity measure, which integrates properties of all the regions in the images. A genetic algorithm is applied to decide the most plausible matching. The performance of the proposed method is illustrated using examples from an image database of general purpose images, and is shown to produce good results. Keywords : Image Similarity, color properties, texture properties, region, genetic algorithm.
1
Pendahuluan
1.1
L
a
tar belakang
Pada perpustakaan digital, industri hiburan dan e-comerce, terdapat berbagai aplikasi yang memerlukan akses dan query dari sebuah bank data citra. Akan sangat merepotkan apabila ingin didapatkan sebuah citra yang mempunyai karakteristik tertentu pada sebuah bank citra apabila tidak ada sistem yang cukup efektif dan efisien. Image retrieval yang merupakan proses umum di gunakan pada sebuah bank citra digital memungkinkan seorang user untuk dapat melakukan seleksi, pencarian dan menampilkan citra-citra tertentu dari sebuah database citra. Image retrieval secara umum didasarkan pada pemakaian caption manual yang memberikan deskripsi umum pada citra tersebut, yang dapat di cari dengan menggunakan kata kunci. Sementara pemberian caption pada sebuah citra adalah sebuah metode yang subjektif, membosankan dan melelahkan, serta memakan waktu, hal ini terutama terjadi pada sebuah bank data citra yang besar, dimana citra akan bertambah umum karena keberadaan kamera digital, dan scanner Tantangan yang di hadapi adalah bagaimana caranya untuk menjembatani perbedaan yang muncul antara karakteristik fisik sebuah citra digital, seperti warna atau tekstur yang di gunakan untuk perbadingan citra, arti semantik dari sebuah citra , yang di gunakan oleh user untuk melakukan sebuah query pada sebuah bank citra. Telah umum di ketahui bahwa kunci dari image retrieval yang efektif terletak pada kemampuan akses dari citra pada level objek yang terdapat pada citra tersebut. Hal ini di karenakan user pada umumnya menginginkan citra yang memiliki objek-objek tertentu yang khusus sehingga kemampuan citra tersebut untuk mewakili, membuat index dan melakukan query terhadap suatu objek menjadi penting. Sementara segmentasi citra secara semantik tepat sangan sulit untuk dilakukan oleh suatu algoritma. Image similarity atau proses pencocokan image yang merupakan bagian dari sebuah sistem image retrieval pada tugas akhir ini akan menggunakan algoritma genetika untuk melakukan pencocokannya.Citra akan di segmentasikan menjadi berbagai macam kelas berdasarkan pada warna dan tekstur. Karena kelas-kelas segmentasi citra bersifat homogen pada warna dan tekstur, fokus dari pendekatan yang akan digunakan adalah fitur warna dan tekstur yang berkaitan dengan identitas objek. Pemilihan algoritma genetika di lakukan mengingat ruang pencariannya cukup luas karena citra akan terbagi
menjadi beberapa kelas berdasarkan pada tekstur dan warnanya. Citra yang tidak memiliki fokus objek yang jelas dapat diklasifikasikan sebagai kombinasi dari kelas-kelas yang memiliki warna dan tekstur yang homogen sehingga proses query dan pencarian kemiripan akan lebih efektif dengan menggunakan kombinasi dari kelas-kelas yang membangun karakteristik dari citra tersebut.
1.2
Perumusan masalah
Tugas akhir ini akan menggunakan sebuah inputan citra, citra inputan ini kemudian akan di segmentasikan dengan menggunakan pendekatan Bayesian Segmentation untuk
Multiscale Random Field. Sebelum di segmentasikan citra terlebih dahulu
direpresentasikan ke dalam ruang warna. Ruang warna yang di gunakan adalah S-CIE
L*a*b* yang di kembangkan oleh Zhang dan Wendell. Setelah citra tersegmentasi makan
citra akan di deskripsikan ke dalam warna dan tekstur sebagai deskripsi fiturnya. Setelah di dapatkan deskripsi fiturnya makan akan di lakukan fitness matching dengan menggunakan algoritma genetika.
Citra output merupakan beberapa set citra yang memiliki kesamaan deskripsi dengan citra inputan.
1.3
Tujuan
Tujuan dari pembuatan Tugas Akhir ini adalah :
1. Membangun sistem image similarity yang menggunakan algoritma genetika untuk menentukan fitness matching tertinggi pada kemiripan citra
2. Melakukan pengekstrasian ciri terhadap citra baik itu citra uji maupun citra latih 3. Mencari nilai fungsi fitness untuk pemrosesan algoritma genetika.
4. Melakukan pencarian solusi optimal berdasarkan jarak terdekat pada solusi algoritma genetika untuk mendapatkan output kesamaan citra.
3
1.4
Metodologi Penyelesaian Masalah
Metode yang digunakan dalam tugas akhir ini antara lain: 1. Studi Literatur
Yaitu pencarian serta pembelajaran literatur – literatur terkait berupa buku referensi, artikel –artikel dan jurnal ilmiah yang berkaitan dengan algoritma genetika, image similarity dan image retrieval.
2. Analisa
Mempelajari dan menganalisis sistem image similarity dengan menggunakan algoritma genetika
3. Perancangan dan Implementasi
Dalam implementasinya pada sistem ini akan terdapat 3 tahap proses 1. Segmentasi citra
Metode segmentasi acak akan digunakan untuk melakukan proses segmentasinya.
2. Pendeskripsian kelas
Citra akan di deskripsikan menjadi dua bagian yakni berdasarkan warna color descriptor dan berdasarkan tekstur atau texture descriptor.
3. Pengimplementasian algoritma genetika untuk melakukan fitness matching pada pencocokan citranya
Secara umum dapat algoritma genetikanya dapat diuraikan sebagai berikut:
Melakukan pemilihan terhadap populasi awal.
Menghitung tingkat fitness dari setiap individu yang ada dalam sebuah populasi sehingga nantinya tercipta sebuah populasi baru yang lengkap
Lakukan proses sampai kondisi akhir terpenuhi, lalu berhenti dan gunakan solusi terbaik.
A. Uji Coba Aplikasi
Dalam simulasinya akan menggunakan software MATLAB dan akan digunakan beberapa set citra inputan dan sebuah bank citra untuk menguji kesamaannya.
B. Evaluasi Sistem
Evaluasi perfomansi algoritma berdasarkan waktu eksekusinya.
Evaluasi keakuratan citra berdasarkan citra inputan terhadap citra outputan yang di hasilkan dari sistem ini.
Evaluasi berdasarkan parameter subjektif dengan menggunakan MOS C. Penyusunan laporan tugas akhir dan pengambilan kesimpulan
1.5
Sistem Penulisan
Tugas akhir ini disusun berdasarkan sistematika penulisan sebagai berikut:
Bab I: Pendahuluan
Berisi latar belakang, perumusan masalah, batasan masalah, tujuan pembahasan, metodologi penyelesaian dan sistematika penulisan.
Bab II: Landasan Teori
Memuat berbagai teori dan implementasi dari sistem ini, yaitu pengertian Image Retrieval serta Image Similarity, model ruang warna S-CIE L*a*b* , dan metode segmentasi yang akan di gunakan yakni pendekatan mean shift pada model Multiscale
Random Field, serta penjelasan mengenai wavelet kompleks.
Bab III: Analisis Kebutuhan dan Perancangan Sistem
Berisi hasil analisis terhadap seluruh sistem dan kebutuhan perangkat lunak yang akan dibangun, berikut rancangan dari sistem, algoritma yang digunakan, dan interface perangkat lunak.
Bab IV: Implementasi dan Analisis Hasil Pengujian
Implementasi Image Similarity System dengan menggunakan algoritma-algoritma genetika
Bab V: Kesimpulan dan Saran
Berisi kesimpulan dari keseluruhan proses implementasi dan analisis yang dilakukan dan saran untuk pengembangan selanjutnya.
35
5.
Kesimpulan Dan Saran
5.1
Kesimpulan
Dari hasil pengujian, dapat disimpulkan beberapa hal sebagai berikut :
1. Dalam pengujian kali ini jumlah citra yang digunakan sebanyak 30 buah untuk citra uji dan 30 buah untuk citra latih. Tingkat akurasi yang di capai kurang cukup memuaskan hanya sekitar 43 persen saja.
2. Penyempitan kelas-kelas citra dapat meningkatkan tingkat akurasi atau ketepatan dari sistem ini.
3. Faktor k dalam nearest neighbor dapat mempengaruhi akurasi sistem image similarity ini 4. Dengan meningkatkan faktor k untuk pencarian berdasarkan nearest neighbor cenderung
dapat meningkatkan akurasi sistem image similarity ini.
5. Penambahan jumlah citra uji dan latih dapat mempengaruhi tingkat akurasi sistem.
6. Dengan penggunaan metode segmentasi yang lebih baik dapat meningkatkan akurasi dari ketepatan sistem ini.
7. Penggunaan algoritma genetika pada sistem image similarity dapat diterapkan walau hasil tidak cukup maksimal.
5.2
Saran
Dalam jangka waktu ke depan, diharapkan pengembangan sistem image similarity akan menjadi lebih baik saran – saran untuk pengembangan sistem ini antara lain:
1. Disarankan untuk menggunakan metode segmentasi yang lebih baik, yang lebih terfokus pada citra yang di maksud, contoh misalkan dengan metode croping
2. Jumlah citra pada citra uji dan citra latih diperbanyak agar hasil akurasi dari sistem dapat terlihat dengan lebih jelas lagi
3. Disarankan menggunakan parameter pengujian yang lain, misalnya MOS.
.
\
Powered by TCPDF (www.tcpdf.org)
36
[1] A.H.Kam,T.T.Ng, N.G.Kingsbury and W.J.Fitzgerald : ―Content based image retrieval through object extraction and querying" ,Proc. IEEE Workshop on Content-based Access of Image and Video Libraries, Hilton Head Island, S Carolina, June 12, 2000.
[2] C.Carson, M. Thomas, S. Belongie, J. Hellerstein, J. Malik, ―Blobworld: A System for Region-based Image Indexing and Retrieval,‖ Proceedings of the 3rd Intn’l Conference on Visual Information Systems, 1999.
[3] D.P.Huttenlocher, G.A.Klanderman, W.J.Rucklidge, ―Comparing images using the Hausdroff distance‖, Transaction on Pattern Analysis and Machine Intelligence, v.15, pp.850-863, 1999.
[4] J.Li, J.Z.Wang and G.Wiederhold, “IRM: Integrated region matching for image retrieval,” Proc 8Th ACM Int’l Conference on Multimedia, pp.147-156, October 2000.
[5] J.T.Alander, ―An Indexed Bibliography of Genetic Algorithms in Pattern Recognition‖, Report 94-1-PATTERN, University of Vaasa, 2001. ftp://ftp.uwaasa.fi/cs/report94-1/.
[6] J. Smith, ―Integrated Spatial and Feature Image Systems: Retrieval, Compression and Analysis,‖ Ph.D thesis, Columbia University, USA, February, 1997.
[7] K.Fukunaga and L. Hosteler, ―The Estimation of the Gradient of a Density Function, with
Applications in Pattern Recognition,‖ IEEE Transactions on Information Theory, 21:32–40,
1975
[8] N.Kingsbury, “Shift Invariant Properties of the Dual-Tree Complex Wavelet Transform,” Proceedings of the IEEE Conference on Acoustics,Speech and Signal Processing, Phoenix, Arizona, USA, 1999.
