Jurnal Ilmiah

ILMU KOMPUTER

Universitas Udayana

Vol. IX, No. 2, September 2016                                     ISSN 1979 - 5661

SISTEM PENGENALAN KAIN ENDEK KHAS BALI BERDASARKAN FITUR TEKSTUR

I Gusti Agung Gede Arya Kadyanan1

Program Studi Teknik Informatika, Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana Email : [email protected]

ABSTRAK

Penelitian ini merupakan lanjutan penelitian pada periode sebelumnya yang telah berhasil melakukan rekonstruksi citra kain Endek berdasarkan fitur tekstur. Dalam penelitian ini telah berhasil dibangun sistem pengenalan citra kain Endek khas Bali. Dalam upaya membangun suatu platform pengembangan sistem perolehan citra warisan budaya seperti citra batik dan lukisan, diperlukan suatu pendekatan yang handal. Dengan memanfaatkan Keyblock yang merupakan generalisasi sistem temu kembali berbasis konten pada domain citra. Codebook dibangun berdasarkan pengelompokan nilai keyblock yang mewakili karakteristik citra pada data, kemudian digunakan untuk proses encoding dan decoding. Proses encoding merupakan upaya untuk merepresentasikan setiap sub area pada citra kain Endek dengan suatu nilai indeks yang sesuai dengan codebook. Citra hasil encoding berubah menjadi bentuk matrik 1-dimensi, bentuk ini merupakan analogi dari keyword pada sistem pencarian informasi berbasis teks. Sebanyak 60 citra kain Endek dilibatkan dalam penelitian ini, dengan 40 citra sebagai citra pelatihan dan 20 citra sebagai citra uji.

Kata kunci: keyblock, vektor quantization, codebook, Generalized Lloyd Algorithm, kain Endek

ABSTRACT

This study is a continuation of research in the previous period which have successfully reconstructed the Endek image based texture features. In this research has been successfully constructed Balinese Endek image recognition system. In an effort to build an image acquisition system development platform of cultural heritage such as batik and painting image, we need a reliable approach. By utilizing Keyblock which is a generalization of content-based retrieval system in the image domain. Codebook is constructed by grouping keyblock value that represents the characteristics of the image data, then used for encoding and decoding process. The encoding process is an attempt to represent each sub area in the Endek image with an index value corresponding to the codebook. Image encoding results turned into a one-dimensional matrix form, this form is an analogy of the keywords in the text-based information retrieval system. A total of 60 images Endek cloth included in this experiment, with 40 image as a training image and 20 images as query images.

Keyword: keyblock, vektor quantization, codebook, Generalized Lloyd Algorithm, Endek

Vol. IX, No. 2, September 2016

  • 1.    PENDAHULUAN

Sistem perolehan teks dan perolehan citra sama-sama merupakan suatu sistem perolehan informasi, karena itu teori dan teknik pada perolehan teks yang lebih dulu berkembang berpotensi juga untuk digunakan pada perolehan citra. Namun generalisasi perolehan informasi dari domain teks ke domain citra tidaklah mudah. Salah satu hambatan besar adalah perbedaan karakteristik intrinsik antara teks dan citra dalam merepresentasikan dan mengekspresikan suatu informasi.

Dalam penyajian informasi secara sintaks, dokumen teks bersifat 1-dimensi, sedangkan citra merupakan bentuk 2-dimensi. Dalam ekspresi informasi secara semantik, satuan informasi dalam bentuk kata dari

dokumen teks, terutama kata kunci, memiliki semantik yang terkait dengan dokumen teks. Sebaliknya, satuan informasi dalam bentuk piksel maupun segmen dari citra, tidak mengandung semantik yang secara langsung dengan citra tersebut. Maka pertanyaan besarnya adalah bagaimana membangun sistem pengenalan citra kain Endek yang serupa dengan kata kunci pada dokumen berbasis teks.

Gambar 1. Tipikal 6 dari 60 citra kain Endek yang digunakan dalam penelitian.

ISSN 1979 - 5661

  • 2.    TINJAUAN PUSTAKA

    • 2.1.    Fitur Tekstur

Tekstur merupakan properti yang dimiliki semua citra. Tekstur berisi informasi penting tentang susunan struktur dari suatu permukaan dan hubungannya terhadap lingkungan sekitarnya. Adapun teknik penyimpanan citra digital dalam komputer sebagai array 2-dimensi. Jika Lx = {1, 2, ..., Nx} dan Ly = {1, 2, ..., Ny} adalah data spatial, maka Lx × Ly adalah himpunan sel-sel resolusi spasial. Citra digital I adalah sebuah fungsi yang memetakan nilai keabuan (gray tone) G ϵ {1, 2, ... Ng} ke setiap sel resolusi; I : Lx × Ly ÷ G. Konsep keabuan berdasar pada variasi kegelapan (shades) warna keabuan sel-sel resolusi pada sebuah citra, sedangkan tekstur menekankan pada distribusi spasial (statistik) dari nilai keabuan.

  • 2.2.    Pengertian Keyblock

Terinspirasi dengan sistem temu kembali informasi berbasis teks, pengusul konsep keyblock Shu dan Zhang (2002) mencoba untuk menggunakan teori-teori yang dipakai pada temu kembali teks ke dalam domain citra dengan menempatkan codebook sebagai dictionary dan keyblock sebagai keyword-nya.

  • 2.3.    Pairwise Nearest Neightbor Algorithm (PNNA)

Pairwise Nearest Neighbor Algorithm (PNNA) (Eakins dan Graham, 1999) adalah

algoritma pengklasteran sederhana yang dimulai dengan sebuah himpunan pelatihan. Pada setiap iterasi, dua vektor terdekat disatukan dan digantikan dengan centroidnya sehingga jumlah data berkurang satu. Proses ini terus berulang sampai ukuran codebook yang diinginkan tercapai.

  • 2.4.    Encoding Citra Satelit

Pada gambar 2 berikut dapat dilihat skema prosedur Encoding citra kain Endek.

Gambar 2. Prosedur Encoding (dimodifikasi dari Zhu, Rao, dan Zhang (2000))

  • 2.5.    Root Mean Square error (RMS_error)

Untuk melihat kualitas codebook yang dihasilkan, maka dilakukan proses decoding, yaitu merekonstruksi seluruh citra pelatihan hasil proses encoding. Selanjutnya, dihitung RMS_error intensitas keabuan antara citra asli dan citra hasil rekonstruksi dengan rumus berikut ini.

  • 1     N 1 -1N 2 -1

MSE =7Γm~ΣΣ (x [ n1, n 2] - x[ n1, n 2])2      (1)

N 1N 2 n 1 = 0 n 2 = 0

Dimana,

  • N1 : ukuran baris

  • N2 : ukuran kolom

  • n1    : koordinat baris

  • n2   : koordinat kolom

  • x    : nilai keabuan piksel citra asli

  • xˆ    : nilai keabuan piksel citra

rekonstruksi

  • 2.5. Model Perolehan Citra Kain Endek

Model yang digunakan dalam perolehan citra kain Endek dengan teknik perolehan citra yaitu quintuple [D, K, W, Q, S] dimana:

  • •    D = {d 1,..., d j,..., dn} adalah daftar citra kain Endek terkompresi VQ, dan n disini merupakan jumlah citra kain Endek di basis data.

  • •    K = {k 1,., ki,., kt} adalah daftar keyblock pada codebook, dan t merupakan jumlah keyblock di codebook.

  • •    W : K × D → R + adalah pemetaan yang memetakan pasangan keyblock dan citra pada sebuah angka positif. Bila wi j = W (k., d j ),

maka W direpresentasikan sebagai matrik (wi j. 't × n disebut bobot matrik yang tiap elemennya adalah indeks keyblock pada sebuah citra dimana t adalah jumlah keyblock di codebook dan n adalah jumlah citra di basis data . Setiap citra dj , memiliki sejumlah vektor ciri dj = { w1, j ,∙∙∙, wt, j }.

  • •    Q = {q1,.qc,.,ql} adalah himpunan citra kueri. Setiap citra kueri memiliki ciri vektor q = {Wi, q,., w t, q }yang sama dengan vektor ciri d j .

Vol. IX, No. 2, September 2016

ISSN 1979 - 5661


  • •    S : Q x D ÷ R+ ukuran kesamaan antara kueri dan citra. Nilai ini digunakan untuk membuat rangking citra yang diperoleh.

Gambar 3. Prosedur Perolehan Citra Kain Endek

  • 2.6.1.    Kemiripan Kosinus

Kemiripan kosinus adalah pengukuran kemiripan antara dua vektor dengan mencari nilai kosinus dari sudut antara kedua vektor

s™ (i}.Λ)∖ 1 + 1    -j,

1 1 aιs (q. a∣ )

(3)


  • 2.6.3.    Kemiripan Ruang Vektor (Vector Space Model)

Metode perolehan informasi berbasis vektor merepresentasikan dokumen dan kueri dengan vektor dimensi tinggi, serta menghitung kemiripannya dengan inner product. Dengan menormalisasi vektor menjadi satuan panjang, inner product mengukur kosinus sudut antara dua vektor pada ruang vektor.

Bila ada n citra pada D dan t keyblock pada K, maka normalisasi kemunculan keyblock ki pada citra dj adalah:

tersebut. Pada perolehan citra satelit, kemiripan kosinus antar dua citra satelit berkisar antara 0 –


1 dan sudut antara kedua vektor frekuensi tidak

(4)


lebih dari 90o. Pada dua buah vektor dj dan q yang merupakan frekuensi kemunculan setiap keyblock, maka kesamaan kosinusnya adalah:

= cos 0 = - ■ I


(2)


  • 2.6.2.    Kemiripan Histogram

Perolehan citra dengan model ini menggunakan histogram dari frekuensi kemunculan seluruh keyblock pada suatu citra [15], dimana wi,j = fi,j, frekuensi ki muncul pada dj. Begitu juga wi,q = fi,q. Nilai kesamaan dihitung dengan:

  • 2.6.    Pengujian Precision dan Recall

Efektifitas sebuah sistem perolehan citra berbasis konten biasanya diekspresikan dengan istilah precision dan recall. Berdasarkan teori perolehan informasi, precision didefinisikan sebagai jumlah dokumen relevan yang diperoleh hasil suatu kueri dibagi seluruh dokumen yang diperoleh, sedangkan recall didefinisikan sebagai jumlah dokumen yang relevan yang diperoleh hasil suatu kueri dibagi dengan total dokumen relevan yang ada. Berikut adalah rumusnya:

„                    (5)

Pτ-<rcision — T'P + FrP

(6)

Pecatl • T'P + f'N

  • 3.    METODOLOGI PENELITIAN

Metodologi yang digunakan dalam pengembangan sistem rekonstruksi citra kain Endek berdasarkan fitur tekstur ini adalah studi literatur dan eksperimen. Studi literatur diambil dari jurnal penelitian dan makalah yang berkaitan dengan pendekatan keyblock dan sistem perolehan informasi berbasis konten. Eksperimen dilakukan dengan merealisasikan sistem perolehan informasi berbasis konten dengan pendekatan keyblock menggunakan MATLAB R2009a.

  • 4.    HASIL DAN PEMBAHASAN

Gambar 4. Histogram citra kain Endek asli pertama

Gambar 5. Histogram rekonstruksi citra pertama

Tabel 2. Rata-rata RMS_error pada setiap ukuran codebook dan blok

Ukura n blok

Ukuran codebook

100

200

300

400

500

2 x 2

6,85

6,71

6,29

6,04

5,93

4 x 4

8,12

8,08

7,92

7,78

7,75

8 x 8

8,45

8,60

8,43

8,47

8,50

Tabel 3. Rata-rata intensitas keabuan RMS_error pada setiap ukuran codebook dan blok

Ukuran Blok

Ukuran codebook

100

200

300

400

500

2 x 2

6,85

6,71

6,29

6,04

5,93

4 x 4

8,12

8,08

7,92

7,78

7,75

8 x 8

8,45

8,60

8,43

8,47

8,50

Pada Tabel 2 diatas menunjukan nilai rata-rata RMS_error untuk seluruh citra kain Endek pada setiap ukuran codebook dan blok yang dibentuk. Sedangkan pada Tabel 3. Dapat diketahui rata-rata intensitas keabuan untuk seluruh citra kain Endek pada setiap ukuran codebook dan blok yang dibentuk.

Gambar 6. Representasi codebook dengan blok 2x2 dan jumlah codebook 500.

Gambar 7. Hasil perolehan citra kain Endek untuk seluruh data uji

  • 5.    KESIMPULAN

Hasil studi ini memberikan kesimpulan sebagai berikut:

  • 1)    Ciri tekstur citra kain Endek dapat diekstraksi dengan pendekatan codebook dan keyblok.

  • 2)    Berdasarkan keberhasilan didalam sistem temu kembali berbasis text, dengan ini sistem temu kembali informasi berdasarkan konten pada domain citra kain Endek dapat dilakukan dengan merepresentasi citra kain Endek diubah menjadi vektor ciri 1-dimensi.

  • 3)    Akurasi terbaik diperoleh pada ukuran blok 2x2 dan codebook 500, dengan melihat tampilan citra kain Endek hasil rekonstruksi secara visual   dan diperkuat dengan

menghitung nilai rata-rata RMS_error dapat disimpulkan bahwa kerusakan citra kain Endek ketika rekonstruksi tidak terlalu signifikan karena tingkat keabuan dan nilai rata-rata RMS_error yaitu 5.93 tingkat keabuan masih dianggap dalam batas toleransi.

ISSN 1979 - 5661

  • 6.    DAFTAR PUSTAKA

  • J. Eakins dan M. Graham, “Content-based Image Retrieval,”   Technology   Applications

Programme Report 39, University of Northumbria at Newcastle, October 1999.

http://en.wikipedia.org/wiki/CBIR,     Content

based image retrieval” [accessed in October 1, 2009].

R. M. Haralick, K. Shanmugam, dan I. Dinstein, “Textural     Feature     for     Image

Classification,” IEEE Transactions on Sistem, Man dan Cybernetics, Vol SMC-3 No. 6, November 1973.

  • P. Brodatz, “Textures”, New York, Dover, 1966.

L. Zhu dan A. Zhang, “Theory of Keyblockbased Image Retrieval,” ACM Journal, pp. 1-32, March 2002.

L. Zhu, A. Rao, dan A. Zhang, “Advanced Feature Extraction for Keyblok-based Image   Retrieval,”   Proceedings   of

International Workshop on Multimedia Information Retrieval (MIR 2000), Los Angeles, California, USA, November 4, 2000.

L. Zhu, A. Rao, dan A. Zhang, 2000, “Keyblok: An approach    for    content-based

geographic image retrieval,” Proceedings of First International Conference on Geographic     Information     Science

(GIScience2000),   Savannah, Georgia,

USA, 286–287, 2000.

L. Zhu, C. Tang, dan A. Zhang, “Using Key blok Statistics to Model Image Retrieval,” Advances in Multimedia Information Processing – PCM 2001, Second IEEE Pacific Rim Conference on Multimedia, Beijing, China, October 24-26, 2001, Proceedings 2001.

Yates, R.B, dan B.R. Neto. Modern Information Retrieval. Addison Wesley, 1999.

43