METODE CONTENT BASED IMAGE RETRIEVAL (CBIR) UNTUK
PENCARIAN GAMBAR YANG SAMA MENGGUNAKAN PERBANDINGAN
HISTOGRAM WARNA RGB
Insan Taufik
Program Studi Teknik Informatika
STMIK Pelita Nusantara Medan, Jl. Iskandar Muda No.1 Medan, Sumatera Utara 20154, Indonesia insan.taufik@gmail.com
Abstrak
Citra adalah data visual yang sangat banyak digunakan di dalam dunia teknologi komputer, perkembangan citra digital semakin maju seiring dengan perkembangan perangkat pembuat dan pengolah citra. Untuk hal alasan tersebut maka kemungkinan terjadinya duplikasi citra digital pada sebuah tempat penyimpanan semakin tinggi, akan mengurangi ruang penyimpanan yang seharusnya dapat digunakan untuk menyimpan data yang lainnya. Dan dengan alasan tersebut perlu rasanya membuat sistem yang mampu mendeteksi jika terjadinya duplikasi citra digital pada sebuah tempat penyimpanan. CBIR (Content Based Image Retrieval) adalah metode yang dapat menentukan kemiripan citra digital dengan mengandalkan warna RGB yang dirubah menjadi HSV. Metode ini mengkalkulasikan warna masing-masing citra menjadi bentuk histogram, dan dari masing-masing histogram tersebut dapat diketahui tingkat kemiripan citra digital. Dengan mengandalkan metode tersebut dapat dibuat sebuah sistem yang mempu mengurangi terjadinya duplikasi terhadap citra digital.
Kata Kunci : Citra Digital,Warna, CBIR, RGB, HSV, Sistem, Histogram.
1. PENDAHULUAN
1.1 Latar Belakang Masalah
CBIR atau singkatan dari Content Based Image Retrieval adalah sebuah metode yang melakukan pengembalian gambar atau image retrieval dengan menggunakan konten-konten yang terkandung di dalam gambar atau image, yaitu unsur-unsur yang dapat diambil dari dalam gambar yang dapat diubah menjadi nilai seperti, warna, bentuk, tekstur, garis tepi dan unsur yang lainnya. Maksud dari mengubah unsur-unsur yang terkandung di dalam gambar tersebut ke dalam bentuk nilai, yaitu menghitung masing-masing unsur dan menyimpan nilanya kedalam histogram yang mana akan digunakan dalam proses perbandingan gambar-gambar dalam proses pengembalian gambar atau image retrieval.
Penggunaan metode CBIR sudah
mencakup banyak hal, hanya saja masih belum banyak para ahli yang mengetahui secara mendalam tentang metode ini karena memang memiliki banyak perluasan bidang. Pengenalan wajah, pengenalan tulisan yang ada di dalam gambar atau OCR, pengenalan bentuk buah dan yang lainnya adalah beberapa contoh penggunaan CBIR. Bahkah Facebook sendiri sudah mulai menggunakan metode ini yaitu pada aplikasi foto yang mana secara otomatis dapat mengenali wajah untuk masing-masing orang yang berbeda, selain itu Google juga telah lama menggunakan metode ini dalam sistem mereka yaitu aplikasi pencarian gambar yang menggunakan query
gambar yang nantinya gambar-gambar yang mirip yang menjadi hasil pencarian tersebut. Dengan kata lain metode ini adalah sebuah penerapan dan misi dari komputer masa depan yaitu menjadikan pengolahan gambar semudah mengolah data teks.
Masalah yang dihadapi pada saat ini adalah telah berkembangnya teknologi untuk mengambil data gambar atau kamera bahkan sebuah alat yang tidak lazim pada saat ini telah menggunakan fitur kamera seperti telepon genggam dan lainnya. Bukan perkembangan alat tersebut yang menjadi masalah, malah itu adalah sebuah kebaikan. Akan tetapi dengan alat tersebut sudah pasti akan membuat berkas gambar yang di miliki oleh seorang user akan sangat banyak dan kemungkinan besar berkas tersebut adalah duplikat atau sama. Dan masalah ini sangat sulit untuk diatasi jika dikerjakan secara manual contoh, untuk menghapus gambar-gambar yang sama, user harus memilah dan mengingat gambar tersebut kemudian menghapusnya.
Dengan penerapan metode CBIR pada sebuah apliasi, maka kemungkinan besar masalah penduplikasian gambar-gambar yang ada dapat teratasi dengan baik. Yaitu dengan memindai semua berkas gambar yang ada di dalam tempat penyimpanan dan membandingkan semua berkas gambar tersebut hingga mendapatkan hasil. Nantinya nilai perbedaan terkecil dari hasil pengembalian citra akan menjadi tanda bahwa gambar-gambar tersebut mempunyai berkas yang sama atau mirip pada berkas yang lainnya, dan pada ahirnya user atau pemilik berkas dapat
mengambil tindakan untuk menghapus atau tindakan lain.
2. LANDASAN TEORI 2.1 Citra
Digital images are used in a wide range of applications such as medical, virtual museums, military and security purposes, and personal photo albums (MS. Pragati Ashok Deole and Prof. Rushi Longadge, 2014). Dokumen gambar juga disebut sebagai dokumen citra, hal ini disebabkan oleh dokumen citra mempunyai perpaduan warna yang menyamai suatu objek yang nyata jika dilihat oleh mata. Dalam dunia modern citra banyak digunakan di dalam pemanfaatan komputer, seperti dokumen foto, lukisan, gambar dan lain-lain.
2.2 Warna RGB
RGB colours are called primary colours and are addictive. (Lumb, Manisha, Er., 2013). Warna RGB atau singkatan dari red (merah), green (hijau), blue (biru), adalah komponen warna utama yang membentuk citra digital. Warna-warna tersebut diaplikasikan kedalam lampu led kecil (piksel) sehingga dapat merepresentasikan banyak warna.
Campuran dari warna merah, hijau dan biru dalam komputerisasi dapat membentuk banyak jenis warna. Sehingga semua warna yang dapat dilihat oleh mata manusia dapat direpresentasikan dengan cara penggabungan ketiga warna tersebut. Jadi dalam setiap piksel layar monitor ataupun dalam setiap koordinat matriks citra digital diwakili oleh 3 warna tersebut.
Kapasitas warna RGB bervariasi dari 8 bit, 16 bit dan 24 bit. Akan tetapi kapasitas warna yang dibahas dalam tulisan ini adalah kapasistas warna 24 bit. Maksud dari 24 bit adalah sebagai penentu kedalaman warna yang direpresetasikan kedalam piksel. Warna 24 bit dibagi masing-masing menjadi 8 bit pada setiap komponen pembentukan warna RGB. Jadi, komponen R (red) mempunyai kapasistas 8 bit, komponen G (green) mempunyai kapasitas 8 bit serta komponen B (blue) juga mempunyai kapasitas 8 bit.
Pencampuran atau perpaduan dari warna RGB dapat merepresentasikan banyak warna adalah dengan menyesuaikan kapasitas masing-masing komponen warna yang ditulis dalam bentuk bilangan Hexa. Misalkan untuk
membentuk warna hitam maka kapasitas
komponen R=0, G=0 dan B=0, jika ditulis ke dalam bilangan hexa menjadi #000000. Untuk
membentuk warna putih maka kapasitas
komponen R=255, G=255 dan B=255, jika ditulis ke dalam bilangan hexa menjadi #ffffff.
2.3 Warna HSV
The HSV color space are defined in terms of three constituent components; Hue, Saturation and Value. Hue varies from 0 to 1.0, the corresponding colors vary from red through yellow, green, cyan, blue, magenta, and back to red, so that there are actually red values both at 0 and 1.0. As saturation varies from 0 to 1.0, the
corresponding colors (hues) vary from
unsaturated (shades of gray) to fully saturated (no white component). As value, or brightness, varies from 0 to 1.0, the corresponding colors become increasingly brighter. (Pragathi, Ashok Deole, MS. dan Longadge, Rushi, 2014). It is essential to quantify HSV space component to reduce computation and improve efficiency. Unequal interval quantization according to the human color perception has been applied on H, S and V components. (Lumb, Manisha, Er. dan Sethi, Poonam, Er., 2013).
Warna HSV adalah sistem koordinat silinder yang terdiri dari 3 komponen yaitu : Hue, Saturation dan Value. Model HSV dapat merepresentasikan poin dalam model warna RGB, yang mengatur ulang geometri RGB dalam upaya untuk perseptual yang lebih relevan daripada representasi koordinat kartesian. Model
warna HSV bekerja lebih baik dengan
penglihatan manusia dibandingkan dengan model RGB, maksudnya lebih mudah memilih warna
apabila disajikan dengan model HSV
dibandingkan dengan model RGB walupun tetap saja pada penerapannya warna model HSV juga tetap akan memakai perhitungan RGB apabila direpresentasikan kedalam monitor. Untuk proses komputasi warna HSV juga jauh lebih mudah dan cepat karena memiliki nilai yang lebih sedikit pada masing-masing komponen warna jika dibandingkan dengan RGB.
Gambar 1. (a) Ruang warna HSV. (b) Kotak bagian warna Hue
Dari gambar diatas, hue diwakili oleh
lingkaran 360o yang berfungsi untuk
merepresentasikan jenis-jenis warna. Saturation diwakili oleh garis lurus yang berpusat di tengah lingkaran dengan warna putih, nilai saturation dimulai dari 0-100%, semakin tinggi nilai ini maka semakin jelas warna yang telihat sebaliknya semakin rendah nilai ini maka warna akan semakin memutih(brightness). Sedangkan untuk Value diwakili oleh garis tegak lurus, value berfungsi untuk mengatur kegelapan warna, nilai
dari value dapat diatur dari 0-100%, semakin tinggi nilai value maka warna akan semakin sempurna sebaliknya, semakin rendah nilai value maka warna akan semakin gelap.
2.4 CBIR
Content based image retrieval(CBIR), has drawn the attention of researchers as an alternative to the existing methods in which, the visual contents such as color, texture, shape etc., are extracted for creation of feature vector. (Rao, Kotewara, L. Dan Rao, Venkata, D., 2014).
Content–Based Image Retrieval (CBIR)
technique uses visual contents to search images in a large scale image databases according to the users’ choice. (Mente, Rajivkumar et al, 2014).
CBIR adalah teknik atau metode yang
manggunakan konten visual untuk mencari gambar dalam basis data berskala besar. CBIR juga adalah teknik yang tekenal, banyak dipakai dalam pencarian citra berdasarkan konten visual seperti : warna, tekstur, bentuk dan lain-lain yang diekstrak dalam bentuk vektor.
CBIR disebut juga sebagai aplikasi teknik komputer vision yang menangani masalah pencarian gambar dalam skala yang besar. Konsep CBIR cukup sederhana, yaitu dalam melakukan proses pengenalan sebuah citra digital
harus menggunakan konten-konten yang
terkandung didalam citra. Untuk lebih lanjut pengguna CBIR dapat merubah konten-konten yang ada dalam citra digital, aktifitas merubah dapat berarti menyederhanakan fitur yang di dapat atau dijadikan fitur ke dalam betuk lain untuk memudahkan perhitungan komputer.
3. Kerangka Kerja Penelitian
Gambar 2. Kerangka Kerja Penelitian 4. ANALISA DAN PERANCANGAN 4.1 Nilai RGB
Tabel 1. Nilai RGB Citra A
Tabel 2. Nilai RGB Citra B
4.2 Nilai HSV
Tabel 3. Nilai HSV Citra A
4.3 Kuantisasi
Tabel 6. Kuantisasi Citra B
4.4 Histogram
Tabel 7. Histogram Citra A
Tabel 8. Histogram Citra B
4.5 Hasil Perbandingan
5. IMPLEMENTASI DAN PENGUJIAN
Gambar 3. Implementasi Sistem Tabel 10. Pengujian Sistem
No Gambar A Gambar B Kemiripan
% Selisih % Waktu (detik) Hasil 1 Mobil1.bmp 296x170 Mobil2.bmp 283x178 57,7 42,3 0,72 Sesuai Harapan 2 Mobil2.bmp 283x178 Mobil1.bmp 296x170 57,7 42,3 0,72 Sesuai Harapan 3 Mobil3.bmp 299x168 Mobil4.bmp 259x194 77,05 22,95 0,69 Tidak Sesuai harapan 4 Mobil4.bmp 259x194 Mobil3.bmp 299x168 77,05 22,95 0,69 Tidak Sesuai harapan 5 Bunga1.bmp 269x187 Bunga4.bmp 284x177 23,8 76,72 0,68 Sesuai harapan 6 Bunga4.bmp 284x177 Bunga1.bmp 269x187 23,8 76,72 0,68 Sesuai harapan 7 Bunga3.bmp 259x194 Bunga2.bmp 300x168 20,79 79,21 0,68 Sesuai harapan 8 20,79 79,21 0,68 Sesuai harapan
Bunga2.bmp 300x168 Bunga3.bmp 259x194 9 Binatang1.bmp 300x168 Binatang2.bmp 251x201 20,59 79,41 0,68 Sesuai harapan 10 Binatang2.bmp 251x201 Binatang1.bmp 300x168 20,59 79,41 0,68 Sesuai harapan 11 Binatang3.bmp 259x194 Binatang4.bmp 252x200 28,6 71,4 0,68 Tidak sesuai harapan 12 Binatang4.bmp 252x200 Binatang3.bmp 259x194 28,6 71,4 0,68 Tidak sesuai harapan 13 Bangunan1.bmp 276x183 Bangungan2.bmp 258x195 54,48 45,16 0,68 Sesuai harapan 14 Bangungan2.bmp 258x195 Bangunan1.bmp 276x183 54,48 45,16 0,68 Sesuai harapan 15 Bangungan3.bmp 284x177 Bangunan4.bmp 259x194 42,98 57,02 0,66 Sesuai harapan 16 Bangunan4.bmp 259x194 Bangungan3.bmp 284x177 42,98 57,02 0,66 Sesuai harapan 17 Mobil2.bmp 283x178 Mobil2-b.bmp 566x356 98,2 1,8 1,88 Sesuai harapan 18 Mobil2-b.bmp 566x356 Mobil2.bmp 283x178 98,2 1,8 1,88 Sesuai harapan
19 Bunga3.bmp 259x194 Bunga3-b.bmp 518x388 99,22 0,78 1,72 Sesuai harapan 20 Bunga3-b.bmp 518x388 Bunga3.bmp 259x194 99,22 0,78 1,72 Sesuai harapan 21 Binatang2.bmp 251x201 Binatang2-b.bmp 502x402 99,07 0,93 1,79 Sesuai harapan 22 Binatang2-b.bmp 502x402 Binatang2.bmp 251x201 99,07 0,93 1,79 Sesuai harapan 23 Bangungan2.bmp 258x195 Bangungan2-b.bmp 516x390 98,43 1,57 1,66 Sesuai harapan 24 Bangungan2-b.bmp 516x390 Bangungan2.bmp 258x195 98,43 1,57 1,66 Sesuai harapan
Hasil Pengujian =Jumlah Sesuai harapan
Jumlah Pengujian ∗ 100
Hasil Pengujian =20 24100 𝐻𝑎𝑠𝑖𝑙 𝑃𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛 = 83,3 %
6. KESIMPULAN DAN SARAN 6.1 Kesimpulan
Dibawah ini adalah kesimpulan yang telah penulis rumuskan dari pembahasan-pembahasan yang telah dilakukan, yaitu :
1. Histogram warna dibuat dengan
mengambil nilai warna rgb dari citra kemudian dikonversi menjadi nilai warna hsv. Setelah dikonversi kemudian dilakukan kuantisasi hingga 112 warna, dan menghitung jumlah kontribusi
masing-masing warna. Setelah
didapatkan hasil kontribusi warna, masing-masing warna dibagi dengan jumlah keseluruhan piksel.
2. Cara membandingkan histogram warna citra digital yaitu dengan mengurangkan masing-masing histogram warna oleh citra queri dan citra basisdata. Nilai
selisih terendah adalah hasil yang paling baik.
3. membangun aplikasi pencarian gambar
yang sama menggunakan metode
Content Based Image Retrieval(CBIR)
yaitu dengan mengkaji semua
perhitungan yang ada, dan menerapkan semua perhitungan tersebut didalam pemograman yaitu menggunakan Visual Studio 2008.
6.2 Saran
Di bawah ini adalah saran-saran yang penulis buat berdasarkan batasan masalah. Saran yang dimaksud adalah sebagai berikut :
1. Untuk melakukan pencarian gambar
yang sama menggunakan metode
Content Based Image Retrieval (CBIR) sebaiknya tidak hanya menggunakan histogram warna saja, sebaiknya
menggunakan fitur yang lain seperti garis tepi, berdasarkan bentuk dan yang lainnya.
2. Berkas gambar yang dicari sebaiknya tidak hanya bertipe atau berekstensi BMP, sebaiknya berkas gambar yang lain seperti JPG, PNG, PIF, GIF atau yang lainnya dapat diterapkan metode CBIR agar lebih dinamis ketika diaplikasikan dalam bentuk software. Pembangunan aplikasi sebaiknya tidak hanya menggunakan Visual Basic 2008, aplikasi lain juga dirasa perlu karena untuk mengetahui tingkat efektifitas pencarian menggunakan banyak aplikasi pemograman yang berbeda.
DAFTAR PUSTAKA
[1] Kusrini dan Agus Harjoko ().
“Pencarian Citra Visual Berbasis Isi Citra Menggunakan Fitur Warna Citra”. [2] Sridhar dan Gowri (2012). “Color and Texture Based Image Retrieval”.
[3] Lumb, Manisha, Er.(2013). “Texture
Feature Extraction of RGB, HSV, YIQ and
Dithered Images using Wavelet and DCT Decomposition Techniques”.
[4] Singha, Manimala dan Hemachandran, K. (2012). “Content Based Image Retrieval Using Color and Texture”.
[5] Kekre, H.B, Dr. (). “Color Feature Extraction For CBIR”
[6] Zaqout, Ihab. (2014). “Content-Based
Image Retrieval using Color Quantization
and Angle Representation”
[7] Verlmurugan K, Baboo Santhosh S.
Lt.Dr (2011). “Content-Based Image
Retrieval using SUFT and Colour” [8] Rao Koteswara L., Rao Venkata D. (2014). “Combination of Color and Local Patterns as a Feature Vector for CBIR” [9] Singhai Nidhi, Shandilya Shisir K. Prof (2010). “A Surver On: Content Based
Image Retrieval Systems”
[10] Deole Pragati Ashok Ms., Longadge
Rushi Prof. (2014). “Content Based
Image Retrieval using Color Feature Extraction with KNN Classification”
[11] Mente Rajivkuma et al (2014). “Image Recognition using Texture and Color”
[12] Sharma Rachita, Dubey Kumar Sanjay (2012). “Analysis of HSV Color Space for Image Retrieval”
[13] John, Joyal. et.all, (2014). “Comparison
of Computer Graphics identification in
