BAB 2
LANDASAN TEORI
2.1Citra
Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar / pixel) menyatakan tingkat keabuan pada titik tersebut (Sutoyo & Mulyanto, 2009).
Suatu citra dapat didefinisikan sebagai fungsi f(x, y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial dan amplitudo f di titik koordinat (x, y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Gambar
2.1 menunjukan posisi koordinat citra digital (Putra, 2010). Koordinat asal
1 2
. . . . .
N – 1y 1
. . .
2. . .
. . . .
M - 1
. . .
f(x, y) x Sebuah Pixel
Gambar 2.1. Koordinat Citra Digital (Putra, 2010).
2.2. Jenis-jenis Citra Digital
Ada tiga jenis citra yang umum digunakan dalam pemrosesan citra, antara lain: 1. Citra Berwarna / Red, Green, Blue (RGB). Merupakan jenis citra yang
komponen warna menggunakan delapan bit (nilainya berkisar antara 0 sampai dengan 255). (Kadir & Susanto, 2013). Contoh gambar citra RGB dapat dilihat pada Gambar 2.2.
Gambar 2.2. Contoh gambar citra RGB
2. Citra Berskala Keabuan (Grayscale) merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pixelnya. Nilai tersebut digunakan untuk menunjukkan tingkat intensitas. Warna yang dimiliki adalah warna dari hitam, keabuan, dan putih. Tingkatan keabuan di sini merupakan warna abu dengan berbagai tingkatan dari hitam hingga mendekati putih. Citra Grayscale memiliki kedalaman warna 8 bit (256 kombinasi warna keabuan) (Putra, 2010).
Dalam hal ini, intensitas berkisar antara 0 sampai dengan 255. Nilai 0 menyatakan hitam dan nilai 255 menyatakan putih (Kadir & Susanto, 2013) Contoh dari citra Grayscale dapat dilihat pada Gambar 2.3.
3. Citra Biner. Citra dengan setiap piksel hanya dinyatakan dengan sebuah nilai dari dua kemungkinan (yaitu nilai 0 dan 1). Nilai 0 menyatakan hitam dan nilai 1 menyatakan putih (Kadir & Susanto, 2013).
Contoh dari citra biner dapat dilihat pada Gambar 2.4.
Gambar 2.4. Contoh gambar citra biner
2.3. Format File Citra
Format file citra standar yang digunakan saat ini terdiri dari beberapa jenis. Format-format ini sering digunakan dalam menyimpan citra pada sebuah file. Setiap format file citra memiliki karakteristik masing-masing (Putra, 2010).
2.3.1 Citra Bitmap
Citra bitmap menyimpan data kode citra secara digital dan lengkap (cara penyimpanannya per piksel). Citra bitmap dipresentasikan dalam bentuk matriks atau dipetakan dengan menggunakan bilangan biner atau sistem bilangan lain (Sutoyo & Mulyanto, 2009).
2.4. Pengolahan Citra
restorasi citra) dan dari aspek geometrik (rotasi, translasi, skala, transformasi geometrik), melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang terkandung pada citra dan melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, transmisi data, dan waktu proses data. (Kadir & Susanto, 2013)
2.5. Segmentasi Citra
Segmentasi citra merupakan proses yang ditujukan untuk mendapatkan objek-objek yang terkandung di dalam citra ke dalam beberapa daerah dengan setiap objek atau daerah memiliki kemiripan atribut. Segmentasi juga biasa dilakukan sebagai langkah awal untuk melaksanakan klasifikasi objek. Setelah segmentasi citra dilaksanakan, fitur yang terdapat pada objek diambil. Sebagai contoh, fitur objek dapat berupa perbandingan lebar dan panjang objek, warna rata-rata objek, maupun tekstur pada objek. (Kadir & Susanto, 2013).
2.6. Representasi Bentuk
Fitur suatu objek merupakan karakteristik yang melekat pada objek. Fitur bentuk merupakan suatu fitur yang diperoleh melalui bentuk objek dan dapat dinyatakan melalui kontur, area dan transformasi. Fitur bentuk biasa digunakan sebagai salah satu fitur pada kepentingan identifikasi objek. (Kadir, dkk., 2011)
2.7. Ekstraksi Fitur
2.7.1 Fitur Tekstur
Selain melibatkan fitur bentuk, tekstur banyak digunakan sebagai fitur untuk temu kembali citra. Hal ini disebabkan beberapa objek mempunyai pola-pola tertentu, yang bagi manusia mudah untuk dibedakan. Dalam praktik, tekstur digunakan untuk berbagai kepentingun.
Umumnya, aplikasi tekstur dapat dibagi menjadi dua kategori. Pertama adalah untuk kepentingan segmentasi. Pada proses ini, tekstur dipakai untuk melakukan pemisahan antara satu objek dengan objek lain. Kedua adalah untuk klasifikasi tekstur sebagai klasifikasi objek. Tekstur adalah hubungan mutual antara nilai intensitas piksel-piksel yang bertetangga yang berulang di suatu area yang lebih luas daripada jarak hubungan tersebut (Tuceryan & Jain, 1998).
2.8. Information Retrieval
Definisi information retrieval (IR) adalah bagaimana menemukan suatu dokumen dari dokumen-dokumen tidak terstruktur yang memberikan informasi yang dibutuhkan dari koleksi dokumen yang sangat besar yang tersimpan dalam komputer. (Manning, 2008).
Tujuan dari sistem IR ini adalah memenuhi kebutuhan informasi pengguna dengan mendapatkan semua dokumen yang relevan dengan kebutuhan pengguna dan pada waktu yang sama mendapatkan sedikit mungkin dokumen yang tak relevan (Pardede, 2013). Berdasarkan konten dokumen yang dicari, information retrieval terbagi atas 4 bagian, yaitu text retrieval, image retrieval, video retrieval dan audio retrieval.
2.8.1. Image Retrieval
image retrieval yang kedua, berdasarkan isi, adalah teknik yang mengindekskan suatu citra berdasarkan isinya seperti warna, sisi, bentuk, tekstur, informasi spasial, features dan sebagainya. Teknik ini sering disebut dengan Content Based Image Retrieval (CBIR). (Utami, 2011).
2.9. Content Based Image Retrieval (CBIR)
Temu kembali citra atau istilah yang lebih spesifik lagi disebut content based image retrieval (CBIR), merupakan proses untuk mendapatkan sejumlah citra berdasarkan masukan satu citra. Istilah tersebut dikemukakan pertama kali oleh Kato pada tahun 1992 (Zhang, 2002). Image retrieval atau image querying adalah aplikasi pengolahan citra yang dapat membantu pengguna mengambil atau mencari dengan cepat suatu citra pada suatu database citra berdasarkan query atau permintaan pengguna. (Putra, 2010).
Pada CBIR, ciri-ciri visual citra dalam basis data diekstraksi dan kemudian dideskripsikan sebagai vektor ciri multidimensional. Vektor yang diperoleh dari citra query akan dibandingkan kesamaannya dengan nilai vektor yang terdapat dalam
basis data (Devireddy, 2009). Tahap awal dalam sistem pemanggilan citra berdasarkan konten adalah melakukan proses ekstraksi dan deskripsi pada citra dalam database sehingga menghasilkan vektor fitur. Setelah itu dilakukan proses ekstraksi dan deskripsi pada citra query yang dimasukkan oleh user Kemudian dilakukan Similarity Comparison antara citra query dengan citra dalam database. Jarak kesamaan antara citra query dengan citra dalam database akan diurutkan dan di tampilkan sebagai output (Long, et al. 2003).
2.10. Algoritma Speeded-Up Robust Features (SURF)
Algoritma SURF (Bay H., dkk, 2006) bertujuan untuk mendeteksi fitur lokal suatu citra dengan handal dan cepat. Algoritma ini sebagian terinspirasi oleh algoritma SIFT (Scale-invariant feature transform), terutama pada tahap scale space representation (Lowe DG, 1999).
SURF merupakan sebuah algoritma yang cepat dan akurat untuk proses mendeteksi descriptor lokal pada citra. Descriptor adalah sebuah ciri-ciri dari suatu citra berdasarkan aturan tertentu dari suatu algoritma. Algoritma SURF dikembangkan oleh Herbert bay dkk pada tahun 2006. Secara umum, algoritma
SURF terdiri dari 3 bagian utama yaitu : 1. Detector Interest Point / KeyPoint
Image yang dimasukkan akan diubah menjadi integral image dengan persamaan :
∑ , = ∑
≤
=
∑ , ≤
=
. . . .
Setelah diperoleh integral image maka komputasi dilakukan dengan menggunakan persamaan Fast-Hessian Detector :
�, � = [� �, �� �, � � �, �� �, � ] . . . .
Di dalam algoritma SURF, digunakan turunan kedua Gaussian dalam pembuatan determinan dari Hessian sehingga diperoleh Hessian Matrix yang baru, hal ini dilakukan menggunakan persamaan :
2. Pembuatan SURF Descriptor.
Langkah selanjutnya adalah menghitung nilai dari semua interest/keypoint yang telah dilakukan pada tahap pertama.
Metode Haar Wavelet digunakan pada tahap ini untuk memperoleh nilai dimenso dari vektor, menggunakan persamaan :
� = ∑ , ∑ , ∑ | | , ∑ | | . . . .
3. Setelah dipilih citra yang akan dicari, dan proses SURF detector & descriptor telah berhasil memperoleh fitur dari seluruh citra koleksi, maka dilakukan proses image matching / similiarity comparison. Dicari dan ditampilkan citra yang memiliki
kemiripan fitur dengan citra yang dicari dengan cara melakukan perhitungan jarak antara dua citra.
2.11. Perhitungan Jarak Antara Dua Citra
Jarak merupakan pendekatan yang umum dipakai untuk mewujudkan pencarian citra. Fungsinya adalah untuk menentukan kesamaan atau ketidaksamaan dua vektor fitur. Tingkat kesamaan dinyatakan dengan suatu skor atau ranking. Semakin kecil nilai ranking, semakin dekat kesamaan kedua vektor tersebut. Contoh metode untuk mengukur jarak antara dua citra adalah dengan Euclidean Distance. Untuk mempercepat proses, fitur untuk semua citra referensi dapat dihitung terlebih dahulu melalui suatu skrip dan kemudian disimpan di dalam suatu database. Dengan demikian, pembandingan fitur dilakukan secara langsung, tanpa perlu menyiapkan perolehan fitur.
2.11.1. Euclidean Distance
Adapun persamaan metode ini adalah sebagai berikut :
, = √∑ −
= . . . .
Keterangan :
A : Vektor A
B : Vektor B
d(A,B) : Jarak Euclidean antara vektor A dan vektor B. n : Jumlah elemen vektor
j : Indeks elemen vektor H : Elemen vektor
2.12. Efektifitas Information Retrieval System
Lancaster (1980) menyatakan efektivitas dari suatu sistem temu kembali informasi adalah kemampuan dari sistem itu untuk memangil berbagai dokumen dari suatu basis data sesuai dengan permintaan pengguna. Ada dua parameter dasar yang digunakan dalam mengukur kemampuan suatu sistem temu kembali informasi yaitu rasio atau perbandingan dari perolehan (recall) dan ketepatan (precision).
Ukuran efetivitas pencarian pada dokumen yang ditampilkan oleh sistem temu balik dapat ditentukan oleh precision dan recall. Precision adalah rasio jumlah dokumen relevan yang ditemukan dengan total jumlah yang ditemukan oleh aplikasi. Precision mengindikasikan kualitas himpunan jawaban, tetapi tidak memandang total
jumlah dokumen yang relevan dalam kumpulan dokumen.
� =|{� � |{ } ∩ { }| }|. . . .
Keterangan :
Precision : Nilai Precision atau nilai ketepatan
Recall : Nilai Recall atau nilai rasio perbandingan dari perolehan Relevan Documents : Jumlah dokumen yang relevan
Documents Retrieved : Jumlah dokumen yang sesuai dan ditemukan kembali
2.13. Penelitian Sebelumnya
Tabel 2.1 Penelitian Sebelumnya Terkait CBIR dan SURF
No Nama Judul Hasil Penelitian
Image yang bisa diuji coba pada
algoritma SURF adalah image yang berformat grayscale sedangkan untuk
rotasi image mempunya titik – titik berbeda dengan image yang lainnya
4 Utami, A. S.
Perancangan Perangkat Lunak Sistem Temu Balik Citra
Menggunakan Jarak Histogram Dengan Model Warna YIQ
