KOMBINASI FITUR WARNA DAN TEKSTUR
Ni Luh Made Nurinawati¹, Retno Novi Dayawati², Tjokorda Agung Budi Wirayuda³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Pada Tugas akhir ini, image retrieval yang dikembangkan yaitu berdasarkan fitur warna dan tekstur. Fitur warna diekstraksi menggunakan metode Color Correlogram, dimana metode ini menghitung probabilitas suatu pixel j dari pixel i pada jarak d tertentu dalam suatu citra. Untuk ekstraksi fitur tekstur, digunakan metode Gray Level Co-occurrence Matrix(GLCM). GLCM ini akan menghitung kemunculan kombinasi pasangan pixel dari nilai grey level. Informasi tekstur dapat diperoleh dari pengukuran beberapa property berdasarkan cooccurrence matrix. Dengan melakukan kombinasi kedua ekstraksi fitur, maka akan mengurangi proses perbandingan antar citra yang tidak relevan. Sehingga, citra-citra yang tidak memiliki kemiripan warna maupun tekstur akan dieliminasi dengan tahap kombinasi ekstraksi ini. Proses perangkingan hasil akhir didasarkan pada total jarak normalisasi kedua fitur. Untuk mengetahui pengaruh dari kombinasi kedua fitur ini, maka perlu dilakukan perbandingan terhadap masingmasing fitur. Dan
berdasarkan hasil pengujian, dengan mengkombinasi fitur warna dan tekstur ini memberikan hasil keakuratan yang lebih baik dibandingkan dengan masing-masing fitur secara terpisah.
Kata Kunci : image retrieval, Color Correlogram, Gray Level Co-occurrence
Abstract
On this final project, developing image retrieval based on color and texture feature. Color feature is extracted using Color Correlogram, which is this method count the probability of finding a pixel of color j at a distance d from a pixel of color i in the image. To extracting texture feature, used Gray Level Cooccurrence Matris(GLCM) method. GLCM will count the probability of combinations pair pixels grey level occur in an image. The texture information is described by the measure some of properties based on the co-occurrence matrix. Using combination both feature extraction will be reduce some process such as comparing image which is not relevant. So that, images that haven’t similarity color and texture feature will be eliminated with combination filter. The final query ranking is based on the total normalized distance in both feature. To get an effect from combining this features, it’s necessary to comparing each feature. And, based on experimental results, using combination of color and feature texture show the accuracy result better than each feature.
Keywords :
1. Pendahuluan
1.1 Latar Belakang
Jumlah informasi visual yang terus meningkat dalam bentuk data citra dan video telah tersebar diseluruh penjuru dunia seperti halnya data nonvisual lainnya (data suara, teks, dan yang lainnya). Data yang jumlahnya sangat besar ini, yang tersimpan dalam database multimedia, akan bermanfaat jika dilakukan suatu pengolahan data. Untuk mencari suatu citra dari database multimedia yang sangat besar membutuhkan waktu yang lama jika dilakukan secara manual. Untuk itu diperlukan suatu perangkat bantu dengan penggunaan metode yang tepat, yang dapat memudahkan user dalam mencari informasi dalam kumpulan data tersebut.
Salah satu caranya yaitu dengan Image Mining. Image Mining merupakan teknik untuk mendapatkan informasi-informasi berharga yang terdapat dalam citra. Yang termasuk dalam image mining ini adalah image retrieval.
Dengan adanya image retrieval ini, pencarian suatu citra dalam database multimedia akan menjadi lebih mudah. Berdasarkan tipe pencariannya, image retrieval dikategorikan menjadi dua, yaitu berdasarkan teks (yang didefinisikan oleh user) dan berdasarkan isi. Terdapat beberapa kelemahan jika menggunakan tipe pencarian berdasarkan teks, yaitu adanya ketergantungan terhadap manusia yang sangat tinggi. Sehingga muncul tipe pencarian yang kedua, yaitu berdasarkan isi, proses retrieve data dilakukan secara langsung dan otomatis berdasarkan karakteristik visualnya, seperti fitur warna, tekstur, dan bentuk. Cara ini sering disebut dengan Content Based Image Retrieval (CBIR). Pola pencarian CBIR yaitu query by example, mencari sejumlah citra yang memiliki kemiripan dengan citra example.
Beberapa fitur citra telah digunakan untuk mengindekskan citra dalam sistem CBIR. Diantaranya yang paling popular adalah fitur warna dan tekstur.
Fitur warna merupakan fitur visual yang paling sering digunakan dalam CBIR karena memiliki korelasi yang kuat dengan objek dasar suatu citra. Mata manusia dapat membedakan ribuan warna sedangkan komputer dapat membedakan milyaran warna dalam praktiknya. Banyak metode yang telah diajukan yang dapat digunakan untuk mengekstraksi fitur warna ini dari suatu citra. Salah satunya yaitu Color Correlogram. Adapun kelebihan dari Color Correlogram yaitu mengikutsertakan distribusi global dari korelasi lokal spasial warna dan mudah dalam perhitungannya.
Fitur tekstur memiliki karakteristik berupa pengulangan suatu pola yang mencirikan suatu permukaan dari kelas-kelas objek. Metode Gray Level Co- occurrence Matrix (GLCM) dapat digunakan untuk mengekstraksi fitur tekstur dari suatu citra. Metode ini mengukur hubungan antara dua pixel (reference dan neighbor pixel) dalam citra (kalkulasi tekstur seperti ini sering disebut second order). Beberapa informasi tekstur yang penting seperti entropy, energy, contrast, dan homogeneity dapat diekstraksi dengan co-occurrence matrix dari level keabuan suatu citra.
Dalam tugas akhir ini, proses retrieval dilakukan dengan mengkombinasikan fitur warna dan tekstur. Dengan melakukan kombinasi fitur ini, diharapkan dapat meningkatkan performansi image retrieval. Karena citra- citra yang digunakan akan disaring oleh dua filter (warna dan tekstur) dan dengan
Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
mereduksi citra-citra yang tidak relevan secara berkala, akan didapatkan hasil akhir yang memiliki kemiripan tinggi dengan citra yang dicari.
1.2 Perumusan Masalah
Berdasarkan pada latar belakang di atas,maka dapat dirumuskan masalah sebagai berikut:
1. Bagaimana mengimplementasikan metode Color Correlogram dan Gray Level Co-occurrence Matrix dalam mengekstraksi fitur warna dan tekstur dari suatu citra.
2. Bagaimana mengukur kemiripan antara citra yang diuji dengan citra pada database, serta mengukur keakuratan system dalam menghasilkan citra relevan.
3. Bagaimana pengaruh kombinasi fitur warna dan tekstur dalam meningkatkan performansi image retrieval.
Untuk menjaga agar permasalahan tidak meluas maka perlu dilakukannya pembatasan masalah sebagai berikut:
1. Citra yang digunakan adalah citra digital berukuran 256x256 pixel 2. Citra-citra yang digunakan memiliki kategori kelas tertentu seperti
animal, building, flower, texture, dan transportation
3. Tingkat kemiripan antara citra uji dengan citra database diukur menggunakan jarak vektor tiap-tiap fitur.
4. Keakuratan system dalam menghasilkan citra-citra yang relevan diukur menggunakan Precision
5. Citra yang digunakan tidak mengalami preprocessing, seperti reduksi noise
6. Pengujian dilakukan dengan mengkombinasikan fitur warna dan tekstur, yaitu fitur warna saja, tekstur saja, warna dan tekstur, serta tekstur dan warna
1.3 Tujuan
Dalam tugas akhir ini, hal-hal yang diharapkan untuk dicapai adalah sebagai berikut :
1. Mengimplementasikan metoda Color Correlogram dan Gray Level Co-occurrence Matrix dalam mengekstraksi fitur warna dan tekstur dari suatu citra.
2. Mengukur kemiripan antara citra uji dengan citra database dan mengukur keakuratan sistem dalam menghasilkan citra relevan dengan menggunakan Precision
3. Menganalisis pengaruh fitur warna dan tekstur dalam meningkatkan performansi image retrieval.
1.4 Metodologi Penyelesaian Masalah
Secara umum metode penelitian yang dilakukan adalah sebagai berikut:
1. Studi literatur
Pada tahap ini, yang dilakukan adalah mengumpulkan data berupa referensi-referensi untuk mempelajari konsep dari image retrieval beserta penggunaan metodenya.
2. Analisis dan desain
Menganalisis kebutuhan, mengumpulkan data yang diperlukan,dan melakukan perancangan untuk tahap implementasi. Adapun desain dari skema proses pada system ini adalah sebagai berikut:
Gambar 1-1: Desain skema proses 3. Implementasi
Tahap ini meliputi implementasi pembangunan perangkat lunak dengan bahasa pemrograman Matlab dengan menggunakan metode Color Correlogram dan Gray Level Co-occurrence Matrix.
4. Pengujian dan analisis hasil
Melakukan pengujian terhadap perangkat lunak dan melakukan analisis terhadap keluaran dari sistem.
Skenario pengujian:
• Terdapat beberapa jenis pengujian yaitu berdasarkan fitur warna saja, fitur tekstur saja, kombinasi fitur warna dan tekstur, serta kombinasi fitur tekstur dan warna.
Analisis Hasil:
• Menganalisis keakuratan hasil dari perangkat lunak
• Menganalisis pengaruh dari fitur-fitur tersebut, berdasarkan pengujian yang dilakukan
Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
5. Penyusunan Laporan
Tahap terakhir ini adalah penyusunan laporan hasil penelitian dan kesimpulan serta saran terhadap penelitian ini.
1.5 Sistematika Penulisan
Tugas akhir ini disusun dengan sistematika pembahasan sebagai berikut:
Bab 1 Pendahuluan
Berisi latar belakang, perumusan masalah dan batasan masalah, tujuan, metodologi penyelesaian masalah dan sistematika penulisan.
Bab 2 Landasan Teori
Bab ini memuat penjelasan mengenai konsep image retrieval beserta tahapan prosesnya, ekstraktor fitur warna yaitu Color Correlogram, ekstraktor fitur tekstur yaitu Gray Level Co-occurrence Matrix, perhitungan jarak kemiripan, dan evaluasi system menggunakan Precision Bab 3 Analisis dan Perancangan Perangkat Lunak
Bab ini memuat penjelasan mengenai analisis perangkat lunak yaitu deskripsi sistem, spesifikasi kebutuhan fungsional, spesifikasi perangkat pembangunan sistem, pemodelan sistem, kamus data, spesifikasi proses, dan perancangan sistem berupa perancangan database, antarmuka, dan modul.
Bab 4 Implementasi dan Analisis Hasil Percobaan
Bab ini berisi penjelasan mengenai implementasi sistem berupa lingkungan implementasi, implementasi modul, dan antarmuka, serta berisi penjelasan mengenai pengujian yaitu data yang digunakan,skenario pengujian, dan analisis dan hasil pengujian.
Bab 5 Kesimpulan dan Saran
Bab ini berisi kesimpulan dan saran
5. Kesimpulan dan Saran
5.1 Kesimpulan
Kesimpulan yang dapat diambil pada Tugas Akhir ini antara lain:
1. Metode Color Correlogram dan Gray Level Co-occurrence Matrix dapat digunakan sebagai ekstraktor fitur warna dan tekstur. Dengan mengkombinasikan kedua fitur warna dan tekstur, keakuratan dari image retrieval akan lebih tinggi, bila dibandingkan dengan hanya menggunakan satu fitur ekstraksi.
2. Proses multi filtering pada image retrieval ini dipengaruhi oleh filter terakhir.
3. Parameter himpunan nilai distance pada metode Color Correlogram sangat berpengaruh pada keakuratan sistem dan waktu yang dibutuhkan untuk mengekstraksi fitur warna. Semakin kecil range dari himpunan distance akan lebih baik dan waktu yang dibutuhkan juga semakin cepat dibandingkan dengan range distance yang besar. Sedangkan parameter sudut pada Gray Level Co-occurrence Matrix juga berpengaruh pada keakuratan sistem. Nilai yang tepat untuk parameter sudut ini adalah gabungan semua sudut(0°, 45°, 90°, dan 135°).
4. Metode Correlogram lebih stabil terhadap modifikasi citra uji (dilakukan proses rotasi citra) dibandingkan dengan GLCM
5.2 Saran
Saran-saran untuk pengembangan tahap selanjutnya antara lain:
1. Data yang digunakan dapat diganti dengan data face recognition, sehingga dapat diketahui apakah image retrieval ini dapat digunakan untuk tujuan lain.
2. Bandingkan kombinasi fitur warna dan tekstur ini dengan fitur ekstraksi lainnya .
3. Bandingkan dengan penggunaan metode kuantisasi lainnya dan dengan jumlah m warna yang lebih tinggi.
Powered by TCPDF (www.tcpdf.org)
Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
Daftar pustaka
[1] Acharya, Tinku and Ajoy K. 2005. Image Processing : Principal and Application. Wiley Interscience.
[2] Fitrianingrum.2007. Implementasi Filter Gabor pada Texture-based Image Retrieval. Jurusan Teknik Informatika Sekolah Tinggi Teknologi Telkom.
Bandung.
[3] Gadkari, Dhanashree. 2000. Image Quality Analysis Using GLCM.
B.S.E.E. University of Pune.
[http://etd.fcla.edu/CF/CFE0000273/Gadkari_Dhanashree_U _200412_MS.pdf] diakses tanggal 12 Januari 2008
[4] GLCM Tutorial. [http://www.fp.ucalgary.ca/mhallbey]
[5] Hidayat, Wahyu.2005. Penerapan K-Nearest Neighbor untuk klasifikasi gambar landscape berdasarkan fitur warna dan tekstur. Jurusan Teknik Informatika Sekolah Tinggi Teknologi Telkom. Bandung.
[5] Huang, Jing. Color-Spatial Image Indexing and Applications. Cornell University.Ithaca, Newyork
[6] Huang, Jing, S Ravi Kumar, dkk. Image Indexing Using Color Correlograms. Cornell University.Ithaca, Newyork.
[http://www.cs.utep.edu/tsolorio/VLLL/huang97image.pdf] diakses tanggal 12 Januari 2008
[7] http://www.cs.utah.edu/~sbasu/cbir_images/, diakses tanggal 12 Februari 2008
[8] Li, Xiuqi, Shu-Ching Chen, Mei-Ling Shyu, and Furht Borko. 2005.
Image Retrieval By Color, Texture,and Spatial Information. Florida Atlantic University. [http://www.cs.fiu.edu/~chens/PDF/DMS02.pdf]
diakses tanggal 14 Januari 2008
[9] Partio, Mari, Bogdan Cramariuc, dkk. Rock Texture Retrieval Using Gray Level Co-occurrence Matrix. Tampere University of Technology.
[10] Samant,P. Gandhali and Mitra Debasis. Correlograms Method for Comparing Bio-Sequences. Florida Institute of Technology .
[https://www.cs.fit.edu/Projects/tech_reports/cs-2006-01.pdf] diakses tanggal 12 Januari 2008
[11] Sundaram. Image Mining, Intricacies and Innovations. Amrita School of Engineering. [http://www.amrita.edu/cde/downloads/ACBIR.ppt]
diakses tanggal 12 Januari 2008
[12] Wirawan, Setia. 2004. Jurnal: Content based Image Information Retrieval.
Universitas Gunadarma. [http://ejournal.gunadarma.ac.id/files/B10.pdf]
diakses tanggal 14 Desember 2007.
