6

BAB II

KAJIAN PUSTAKA

2.1 PENGOLAHAN CITRA (IMAGE PROCESSING)

Data atau informasi tidak hanya disajikan dalam bentuk teks, tetapi juga dapat

berupa citra, audio (bunyi, suara, musik), dan video. Keempat macam data atau

informasi ini sering disebut multimedia. Era teknologi informasi saat ini tidak dapat

dipisahkan dari multimedia. Situs web (website) di Internet dibuat semenarik mungkin

dengan menyertakan visualisasi berupa citra atau video yang dapat diputar. Beberapa

waktu lalu istilah SMS begitu populer diantara pengguna telepon genggam (handphone).

Tetapi, saat ini orang tidak hanya dapat mengirim pesan dalam bentuk teks tapi juga

dalam bentuk citra maupun video yang dikenal dalam layanan MMS (Multimedia

Message Service). Citra (image) adalah istilah lain untuk citra sebagai salah satu

komponen multimedia memegang peranan sangat penting sebagai bentuk informasi

visual. Citra mempunyai karakteristik yang tidak dimiliki oleh data teks, yaitu citra kaya

dengan informasi. Maksudnya sebuah citra dapat memberikan informasi lebih banyak

daripada informasi tersebut disajikan dalam bentuk tekstual.

Pengolahan citra digital atau Digital Image Processing adalah bidang yang

berkembang sangat pesat sejalan dengan kemajuan teknologi pada industri saat ini.

Fungsi utama dari Digital Image Processing adalah untuk memperbaiki kualitas dari

citra sehingga citra dapat dilihat lebih jelas tanpa ada ketegangan pada mata, karena

informasi penting diekstrak dari citra yang dihasilkan harus jelas sehingga didapatkan

hasil yang terbaik. Selain itu DIP digunakan untuk memproses data yang diperoleh

dalam persepsi mesin, yaitu prosedur–prosedur yang digunakan untuk mengekstraksi

informasi dari citra informasi dalam bentuk yang cocok untuk proses komputer. Proses

7

dalam persepsi mesin, yaitu prosedur–prosedur yang digunakan untuk mengekstraksi

informasi dari citra informasi dalam bentuk yang cocok untuk proses komputer. Proses

pengolahan citra digital dengan menggunakan komputer digital terlebih dahulu

mentransformasikan citra ke dalam bentuk besaran-besaran diskrit dari nilai tingkat

keabuan pada titik-titik elemen citra. Bentuk citra ini disebut citra digital.

Elemen-elemen citra digital apabila ditampilkan dalam layar monitor akan

menempati sebuah ruang yang disebut dengan pixel (picture elemen/pixel). Teknik dan

proses untuk mengurangi atau menghilangkan efek degradasi pada citra digital meliputi

perbaikan citra (image enhancement), restorasi citra (image restoration), dan

transformasi spasial (spatial transformation). Subyek lain dari pengolahan citra digital

diantaranya adalah pengkodean citra (image coding), segmentasi citra (image

segmentation), representasi dan diskripsi citra (image representation and description ).

Pengolahan citra digital memiliki banyak aplikasi seperti pada bidang penginderaan

jarak jauh, robotik, pemetaan, biomedis, dan sebagainya. Perlengkapan pengolahan citra

digital minimal terdiri atas alat pemasukan data citra berupa digitizer atau scanner,

computer digital, alat penyimpanan data dengan kapasitas yang besar.

Citra (image) –istilah lain untuk citra– sebagai salah satu komponen multimedia

memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai

karakteristik yang tidak dimiliki oleh data teks, yaitu citra kaya dengan informasi. Ada

sebuah peribahasa yang berbunyi “sebuah citra bermakna lebih dari seribu kata” (a

picture is more than a thousand words). Maksudnya tentu sebuah citra dapat

memberikan informasi yang lebih banyak daripada informasi tersebut disajikan dalam

bentuk kata-kata (tekstual).

8

Bab ini berisi pembahasan mengenai citra dan pengolahannya. Selain itu, di

dalam bab ini dipaparkan pula bidang-bidang yang berkaitan dengan pengolahan citra,

seperti grafika komputer dan pengenalan pola.

Secara harafiah, citra (image) adalah citra pada bidang dwimatra (dua dimensi).

Gambar 2.1 adalah citra seorang gadis model yang bernama Lena, dan citra di sebelah

kanannya adalah citra kapal di sebuah pelabuhan. Ditinjau dari sudut pandang

matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada

bidang dwimatra. Sumber cahaya menerangi objek, objek memantulkan kembali

sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh oleh alat-alat

optik, misalnya mata pada manusia, kamera, pemindai (scanner), dan sebagainya,

sehingga bayangan objek yang disebut citra tersebut terekam. Citra sebagai keluaran dari

suatu sistem perekaman data dapat bersifat:

1. Optik berupa foto,

2. Analog berupa sinyal video seperti citra pada monitor televisi,

3. Digital yang dapat langsung disimpan pada suatu pita magnetik.

Citra yang dimaksudkan di dalam keseluruhan isi buku ini adalah “citra diam” (still

images). Citra diam adalah citra tunggal yang tidak bergerak. Gambar 2.1 adalah dua

buah citra diam. Untuk selanjutnya, citra diam kita sebut citra saja.

9

a. Wanita b. Kapal

Gambar 2.1 Citra Wanita dan Kapal

Citra bergerak (moving images) adalah rangkaian citra diam yang ditampilkan

secara beruntun (sekuensial) sehingga memberi kesan pada mata kita sebagai citra yang

bergerak. Setiap citra di dalam rangkaian itu disebut frame. Citra-citra yang tampak pada

film layar lebar atau televisi pada hakikatnya terdiri atas ratusan sampai ribuan frame.

Meskipun sebuah citra kaya informasi, namun seringkali citra yang kita miliki

mengalami penurunan mutu (degradasi), misalnya mengandung cacat atau derau (noise),

warnanya terlalu kontras, kurang tajam, kabur (blurring), dan sebagainya. Tentu saja

citra semacam ini menjadi lebih sulit diinterpretasi karena informasi yang disampaikan

oleh citra tersebut menjadi berkurang.

Agar citra yang mengalami gangguan mudah diinterpretasi (baik oleh manusia

maupun mesin), maka citra tersebut perlu dimanipulasi menjadi citra lain yang

kualitasnya lebih baik. Bidang studi yang menyangkut hal ini adalah pengolahan citra

(image processing).

10

Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan

komputer, menjadi citra yang kualitasnya lebih baik. Sebagai contoh, citra burung nuri

pada Gambar 2.2 (a) tampak agak gelap, lalu dengan operasi pengolahan citra

kontrasnya diperbaiki sehingga menjadi lebih terang dan tajam (b).

Umumnya, operasi-operasi pada pengolahan citra diterapkan pada citra bila :

1. Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas

penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di

dalam citra,

2. Elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur.

3. Sebagian citra perlu digabung dengan bagian citra yang lain.

a b

Gambar 2.2. (a) Citra burung nuri yang agak gelap, (b) Citra burung yang telah

diperbaiki kontrasnya sehingga terlihat jelas dan tajam

11

Di dalam bidang komputer, sebenarnya ada tiga bidang studi yang berkaitan

dengan data citra, namun tujuan ketiganya berbeda, yaitu:

1. Grafika Komputer (computer graphics).

2. Pengolahan Citra (image processing).

3. Pengenalan Pola (pattern recognition/image interpretation).

Hubungan antara ketiga bidang (grafika komputer, pengolahan citra, pengenalan pola)

ditunjukkan pada Gambar 2.3.

Gambar 2.3. Tiga bidang studi yang berkaitan dengan citra

Grafika Komputer bertujuan menghasilkan citra (lebih tepat disebut grafik atau

picture) dengan primitif-primitif geometri seperti garis, lingkaran, dan sebagainya.

Primitif-primitif geometri tersebut memerlukan data deskriptif untuk melukis elemen-

elemen citra. Contoh data deskriptif adalah koordinat titik, panjang garis, jari-jari

lingkaran, tebal garis, warna, dan sebagainya. Grafika komputer memainkan peranan

penting dalam visualisasi dan virtual reality.

12

Gambar 2.4 Proses Grafik Komputer

Contoh grafika komputer misalnya mengcitra sebuah ‘rumah’ yang dibentuk oleh

garis-garis lurus, dengan data masukan berupa koordinat awal dan koordinat ujung garis

(Gambar 2.5).

Gambar 2.5. (a) Program Grafika Komputer untuk membuat citra ‘rumah (b) Hasil

citra rumah

Pengolahan Citra bertujuan memperbaiki kualitas citra agar mudah

diinterpretasi oleh manusia atau mesin (dalam hal ini komputer). Teknik-teknik

pengolahan citra mentransformasikan citra menjadi citra lain. Jadi, masukannya adalah

citra dan keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih baik

13

daripada citra masukan. Termasuk ke dalam bidang ini juga adalah pemampatan citra

(image compression).

Gambar 2.6 Proses Pengolahan Citra

Pengubahan kontras citra seperti pada Gambar 2.6 adalah contoh operasi

pengolahan citra. Contoh operasi pengolahan citra lainnya adalah penghilangan derau

(noise) pada citra wanita (Gambar 2.7). Citra wanita yang di sebelah kiri mengandung

derau berupa bintik-bintik putih (derau). Dengan operasi penapisan (filtering), derau

pada citra masukan ini dapat dikurangi sehingga dihasilkan citra wanita yang kualitasnya

lebih baik.

14

(a) (b)

Gambar 2.7. (a) Citra Wanita yang mengandung derau, (b) hasil dari operasi

penapisan derau.

Pengenalan Pola mengelompokkan data sistem dan simbolik (termasuk citra)

secara otomatis oleh mesin. Tujuan pengelompokan adalah untuk mengenali suatu objek

di dalam citra. Manusia mengenali objek yang dilihatnya karena otak manusia telah

belajar mengklasifikasi objek-objek di alam sehingga mampu membedakan suatu objek

dengan objek lainnya. Kemampuan sistem visual manusia inilah yang dicoba ditiru oleh

mesin. Komputer menerima masukan berupa citra objek yang akan diidentifikasi,

memproses citra tersebut, dan memberikan keluaran berupa deskripsi obyek di dalam

citra.

15

Gambar 2.8 Proses Pengenalan Pola

Contoh pengenalan pola misalnya citra pada Gambar 2.8 adalah tulisan tangan

yang digunakan sebagai data masukan untuk mengenali karakter ‘A’. Dengan

menggunakan suatu algoritma pengenalan pola, diharapkan komputer dapat mengenali

bahwa karakter tersebut adalah ‘A’.

Citra 2.9. Citra karakter ‘A’ yang digunakan sebagai masukan untuk pengenalan huruf.

2.2 COMPUTER VISION DAN HUBUNGANNYA DENGAN PENGOLAHAN

CITRA

Terminologi lain yang berkaitan erat dengan pengolahan citra adalah computer

vision atau machine vision. Pada hakikatnya, computer vision mencoba meniru cara

kerja sistem visual manusia (human vision). Human vision sesungguhnya sangat

16

kompleks. Manusia melihat objek dengan indera penglihatan (mata), lalu citra objek

diteruskan ke otak untuk diinterpretasi sehingga manusia mengerti objek apa yang

tampak dalam pandangan matanya. Hasil interpretasi ini mungkin digunakan untuk

pengambilan keputusan (misalnya menghindar kalau melihat mobil melaju di depan).

Computer vision merupakan proses otomatis yang mengintegrasikan sejumlah

besar proses untuk persepsi visual, seperti akuisisi citra, pengolahan citra, klasifikasi,

pengenalan (recognition), dan membuat keputusan.

Computer vision terdiri dari teknik-teknik untuk mengestimasi ciri-ciri objek di

dalam citra, pengukuran ciri yang berkaitan dengan geometri objek, dan

menginterpretasi informasi geometri tersebut. Mungkin berguna bagi anda untuk

mengingat persamaan berikut:

Vision = Geometry + Measurement + Interpretation (2.1)

Proses-proses di dalam computer vision dapat dibagi menjadi tiga aktivitas:

1. Memperoleh atau mengakuisisi citra digital.

2. Melakukan teknik komputasi untuk memperoses atau memodifikasi data citra

(operasi-operasi pengolahan citra).

3. Menganalisis dan menginterpretasi citra dan menggunakan hasil pemrosesan untuk

tujuan tertentu, misalnya memandu robot, mengontrol peralatan, memantau proses

manufaktur, dan lain -lain.

Mengklasifikasikan proses-proses di dalam computer vision dalam hirarkhi

sebagai berikut :

17

Gambar 2.10 Hirarki Computer Vision

Dari penjelasan di atas, dapat kita lihat bahwa pengolahan citra dan pengenalan

pola merupakan bagian dari computer vision. Pengolahan citra merupakan proses awal

(preprocessing) pada computer vision, sedangkan pengenalan pola merupakan proses

untuk menginterpretasi citra. Teknik-teknik di dalam pengenalan pola memainkan

peranan penting dalam computer vision untuk mengenali objek.

Jika dihubungkan dengan grafika komputer, maka computer vision merupakan

kebalikannya. Grafika komputer membentuk (sintesis) citra, sedangkan computer vision

mengoraknya (analisis). Pada masa awal kedua bidang ini, tidak ada hubungan antara

keduanya, tetapi beberapa tahun belakangan kedua bidang tersebut berkembang semakin

dekat. Computer vision menggunakan representasi kurva dan permukaan dan beberapa

teknik lain dari grafika komputer, sedangkan grafika komputer menggunakan teknik -

teknik di dalam computer vision untukmemuat citra realistik (virtual reality).

18

Operasi-operasi yang dilakukan di dalam pengolahan citra banyak ragamnya.

Namun, secara umum, operasi pengolahan citra dapat diklasifikasikan dalam beberapa

jenis sebagai berikut:

1. Perbaikan kualitas citra (image enhancement).

Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan cara

memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri khusus

yang terdapat di dalam citra lebih ditonjolkan.

Contoh-contoh operasi perbaikan citra:

a. perbaikan kontras gelap/terang

b. perbaikan tepian objek (edge enhancement)

c. penajaman (sharpening)

d. pembrian warna semu (pseudocoloring)

e. penapisan derau (noise filtering)

Gambar 2.11 adalah contoh operasi penajaman. Operasi ini menerima masukan

sebuah citra yang citranya hendak dibuat tampak lebih tajam. Bagian citra yang

ditajamkan adalah tepi-tepi objek.

19

(a) (b)

Gambar 2.11 (a) Citra Wanita asli, (b) Citra Wanita setelah ditajamkan

2. Pemugaran citra (image restoration).

Operasi ini bertujuan menghilangkan/meminimumkan cacat pada citra. Tujuan

pemugaran citra hampir sama dengan operasi perbaikan citra. Bedanya, pada

pemugaran citra penyebab degradasi citra diketahui. Contoh-contoh operasi

pemugaran citra:

a. Penghilangan kesamaran (deblurring).

b. Penghilangan derau (noise)

Gambar 2.12 adalah contoh operasi penghilangan kesamaran. Citra masukan

adalah citra yang tampak kabur (blur). Kekaburan citra mungkin disebabkan

pengaturan fokus lensa yang tidak tepat atau kamera bergoyang pada

pengambilan citra. Melalui operasi deblurring, kualitas citra masukan dapat

diperbaiki sehingga tampak lebih baik. Dan blur merupakan proses yang terdapat

dalam filtering.

20

(a) (b)

Gambar 2.12 Kiri: Citra Wanita yang kabur (blur), kanan: citra Wanita setelah

deblurring

3. Pemampatan citra (image compression).

Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk yang

lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting yang

harus diperhatikan dalam pemampatan adalah citra yang telah dimampatkan

harus tetap mempunyai kualitas citra yang bagus. Contoh metode pemampatan

citra adalah metode JPEG. Perhatikan Gambar 2.13. Citra sebelah kiri adalah

citra kapal yang berukuran 258 KB. Hasil pemampatan citra dengan metode

JPEG dapat mereduksi ukuran citra semula sehingga menjadi 49 KB saja.

21

(a) (b)

Gambar 2.13. (a) Citra boat.bmp (258 KB) sebelum dimampatkan, (b) citra

boat.jpg (49 KB) sesudah dimampatkan.

4. Segmentasi citra (image segmentation).

Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa segmen

dengan suatu kriteria tertentu. Jenis operasi ini berkaitan erat dengan pengenalan

pola.

5. Pengolahan citra (image analysis)

Jenis operasi ini bertujuan menghitung besaran kuantitif dari citra untuk

menghasilkan deskripsinya. Teknik pengorakan citra mengekstraksi ciri-

ciritertentu yang membantu dalam identifikasi objek. Proses segmentasi

kadangkala diperlukan untuk melokalisasi objek yang diinginkan dari

sekelilingnya.

Contoh-contoh operasi pengorakan citra:

a. Pendeteksian tepi objek (edge detection)

22

b. Ekstraksi batas (boundary)

c. Representasi daerah (region)

Gambar 2.14 adalah contoh operasi pendeteksian tepi pada citra Camera.

Operasi ini menghasilkan semua tepi (edge) di dalam citra.

(a) (b)

Gambar 2.14. (a) Citra camera, (b) citra hasil pendeteksian seluruh tepi

6. Rekonstruksi citra (image reconstruction)

Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra

hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam bidang medis.

Misalnya beberapa foto rontgen dengan sinar X digunakan untuk membentuk

ulang citra organ tubuh.

23

2.3 CBIR (Content Based Image Retrieval)

Perkembangan teknologi sistem informasi telah merubah cara hidup manusia

terutama dalam mencari, menyimpan dan memanfaatkan informasi yang besar, cepat

dan global. Informasi yang mengalir antar pemakai tidak hanya terbatas dalam bentuk

teks atau suara (audio) namun juga citra (image) dan video.

Perkembangan kamera dan video digital yang semakin canggih dan murah

memicu makin berkembangnya data berbentuk image dan video. Diketahui bersama

bahwa data image dan video membutuhkan ruang simpanan yang lebih besar dari data

teks. Hal ini yang memicu juga perkembangan memori dan media simpanan data.

Media simpanan data seperti harddisk saat ini untuk PC sudah ada yang

berkapasitas 400 Gbyte produk dari Fujitsu. Hal ini tentunya merupakan berita yang

menggembirakan namun disatu sisi juga merupakan suatu tantangan bagi pengelola dan

pendisain database. Bagaimana mendesain sebuah database yang dapat menampung data

sedemikian besar namun mudah dan cepat dalam mengambil kembali data tersebut.

Banyak penelitian yang berhubungan dengan database terutama database multimedia

telah dilakukan dan saat ini masih terus berlangsung dan masih akan terus berkembang

sampai masa yang akan datang.

Membuat database multimedia tidak seperti membangun database tradisional,

banyak masalah yang ada diantaranya besarnya data yang akan berpengaruh pada

mahalnya proses analisis content. Hal ini mengakibatkan proses pendahuluan merupakan

proses yang sangat penting. Data multimedia tidak selalu lengkap karena adanya sensory

gap (data tidak dapat mengcitrakan seluruh keadaan yang sebenarnya) yang diakibatkan

oleh keterbatasan alat capture data. Proses klasifikasi data bersifat subyektif setiap orang

memiliki intepretasi yang tidak selalu sama untuk sebuah image. Bahkan image yang

24

sama tetapi waktu, tempat atau suasana hati yang berbeda akan memberikan intepretasi

yang berbeda pula (semantic gap), diperlukan suatu cara untuk dapat memanggil

kembali data yang besar dan sesuai dengan keinginan user dengan keterbatasan atau

adanya sensory gap dan semantic gap.

Cara pengambilan image juga akan mempengaruhi hasil yang berbeda misalnya

sudut pengambilan citra yang berbeda untuk obyek yang sama dapat menimbulkan

intepretasi yang berbeda juga. Dari masalah-masalah yang ada tersebut memicu peneliti

untuk terus mencari pemecahannya. Bagaimana perkembangan penelitian mengenai hal

tersebut saat ini?

Penelitian tentang multimedia database terutama untuk Indexing dan retrieval

data sudah memasuki proses produksi software yang sudah dikomersilkan dipasar

diantaranya: QBIC produk IBM, Virage produk Virage Inc, Escalibur produk Excalibur

Technologies, Informedia produk Informedia Technologie, Surfimage produc European

CBIR Technology, Netra produk, Synapse.

Produk-produk tersebut di atas pada umumnya menggunakan retrieval

berdasarkan katagori content dan warna. Dimana user mendeskripsikan image apa yang

akan dicari dengan cara memilih kategori misalnya jenis image, Negara, tahun

pembuatan, pembuat dsb atau dengan mendeskripsikan warna atau bentuk. Penerapan

CBIR antara lain untuk pencegahan kejahatan, militer, hak milik intelektual, arsitektural

dan disain rancang-bangun, fashion and interior disain, iklan dan jurnalistik, diagnosa

medis, Informasi geografis dan sistem remote sensing, pusaka budaya, pendidikan dan

latihan, hiburan, web searching.

Sampai saat ini sensory gap dan semantic gap masih belum dapat dipecahkan

secara sempurna. Sehingga penelitian untuk bidang Content Base Retrival citra masih

25

terbuka lebar terutama pada proses ektraksi citra, penyusunan index dan metode

pemanggilan kembali untuk mendapatkan image yang sesuai dengan keinginan user.

[A. W. M. Smeulders, M. Worring,, S. Santini, A. Gupta, R. Jain, “Content-Based Image

Retrieval at the End of the Early Years,” IEEE Transactions on Pattren Analysis and

Machine Intelligence, vol 22, no.12, pp. 1349-1380, Dec 2000]

2.3.1 Tinjauan Umum Retrival Citra Berbasis Konten (RCBK)

CBIR adalah salah satu metodologi untuk pemanggilan kembali data citra

berdasarkan content sebuah citra. Teknik CBIR yang banyak digunakan adalah teknik

warna, teknik tekstur, teknik bentuk (perceptual Atribut). Menjadi suatu object

penelitian yang cukup menantang untuk atribut interpretive dan reaktif. Gambar 1.15

memperlihatkan bentuk umum system Content Base Retrival citra . Pada citra ini terlihat

ada dua lajur utama, Query dan database pada kedua lajur ini terdapat visual content

description (adanya ekstraksi informasi image) yang akan digunakan untuk proses

similarity

26

Gambar 2.15 Bentuk Umum CBIR

Standart yang digunakan untuk CBIR saat ini meliputi standart Network protokol

(TCP/IP), format penyimpanan (TIFF, JPEG), compresi (JPEG, MPEG-2), Database

command (SQL), Metadata (RDF).

Gambar 1.16 menggambarkan framework CBIR yang disusun berdasarkan hasil

diskusi yang membahas tentang jurnal dan artikel tentang CBIR sepuluh tahun terakhir.

27

Gambar 2.16 Framework CBIR sepuluh tahun terakhir

28

Pada framework CBIR terdapat empat modul yakni : Modul Interaksi Pemakai,

Modul Knowledge, Modul Simpanan Data, Modul Observasi. Penelitian yang penulis

akan lakukan menitik beratkan pada tiga modul pertama yakni modul interaksi pemakai,

knowledge dan simpanan data.

Gambar 2.17 Indexing dan retrieval pada content-based retrieval Database multimedia

29

Secara umum metode indexing dapat dibagi dalam dua bagian yakni :

1 Indexing berdasarkan image content (warna, bentuk, arah, tekstur, relasi spasial

dsb).

2 Indexing berdasarkan deskripsi teks (Caption indexing, keyword , standart

subyek heading, klasifikasi dsb)

Gambar 2.18. Skema sistem penyimpanan dan pemanggilan kembali citra

berdasarkan deskripsi teks

30

Gambar 2.19. Skema sistem penyimpanan dan pemanggilan kembali citra

berdasarkan image content

Untuk pemanggilan kembali data image dengan index berdasarkan teks

digunakan textual Query sedangkan untuk pemanggilan kembali data image dengan

index berdasarkan image content digunakan visual query.

Kedua metode di atas memiliki keterbatasan, diantaranya untuk metode textual

query karena dilakukan oleh manusia dalam mendeskripsikan citra yang akan di simpan

mengakibatkan ketergantungan pada manusia sebagai pendeskripsi image sangat tinggi.

Hal ini akan menyebabkan biaya tinggi. Disamping itu, jika data dalam ukuran besar

(jumlah) dalam pendeskripsian data dapat terjadi pendeskripsian yang tidak konsisten,

meluas dan sangat tergantung pada pemahaman dan penafsiran manusia terhadap image

yang dilihat.

Di dalam textual query, kata-kata digunakan untuk mendapatkan kembali citra,

sedangkan dalam query visual (perolehan kembali berdasarkan content-based) image

didapat kembali berdasarkan karakteristik visual seperti warna, tekstur, bentuk atau

31

sample.

Retrieval berdasarkan content based memiliki masalah pada penafsiran citra

secara efisien dan benar berdasarkan formulasi tertentu. Hal ini terjadi karena proses

dilakukan oleh komputer yang memiliki keterbatasan dalam menilai rasa, suasana,

keindahan.

Hal ini disebabkan karena adanya dua gap yang ada :

1. Sensory Gap, adanya keterbatasan komputer sebagai alat bantu dalam

menangkap semua informasi yang ada dalam sebuah citra

2. Semantic Gap, adanya perbedaan intepretasi karakteristik sebuah citra yang

dilakukan oleh user pada waktu dan suasana yang berbeda

32

2.3.2 Desain Content Based Image Information Retrieval

Ada tiga bagian desain utama yang ada pada content based image information

retrieval yakni : ekstraksi karakteristik dan pengindeksan, ekstraksi karakteristik dan

retrieval serta aplikasi untuk menampilkan hasil query.

2.3.2.1 Ekstrasi Karakteristik dan Pengindeksan

Proses ekstraksi dan pengindexan adalah proses ekstraksi image yang akan

digunakan sebagai dasar indexing dan pengembangan metode index. Tahap ini

mencakup penentuan proses smoothing sebagai bagian dari pra proses, proses ektraksi,

proses pembuatan index untuk image yang akan disimpan dalam database multimedia

(gambar 1.19)

33

Gambar 2.20 Tahapan proses ekstrasi dan pengindexan citra

Ada tiga proses ekstraksi yang dilakukan yakni ekstraksi kata kunci, ekstraksi

karakteristik global dan ekstraksi karakteristik detail.

- Ekstraksi kata kunci, Ekstraksi ini dilakukan secara manual berdasarkan

intepretasi dari user terhadap suatu image. Ekstraksi yang dilakukan ditekankan

pada karakteristik abstrak seperti suasana, perasaan dan selain itu pada tahap ini

diharapkan juga mendapatkan informasi tentang pemilik citra, tanggal

pembuatan, tanggal pengeditan, metode pengambilan citra, lokasi dsb. Proses ini

34

tidak memerlukan praproses karena dilakukan secara manual.

- Ekstraksi karakteristik global, ekstraksi ini merupakan ekstraksi berdasarkan

karakteristik warna, shape dan tekstur .

- Ekstraksi karakteristik detail, ekstraksi ini merupakan ekstaksi dalam

histogram warna, histogram shape dan tekstur. Sebelum dilakukan proses

ekstraksi karakteristik global atau proses ekstraksi arakteristik detail perlu

dilakukan praproses yakni proses smoothing untuk menghilangkan noise yang

ada. Proses ini dilakukan untuk mendapatkan image dengan kualitas yang lebih

baik agar proses ekstraksi dapat berjalan dengan baik sebagai contoh untuk

mendeteksi shape diperlukan proses edge detection. Pada proses ini memerlukan

3 tahapan proses : pertama noise smoothing (Mean Gaussian distribution), edge

enhancement (filtering), Edge localization (menetukan edge/shape). Disini

terlihat bahwa proses smoothing diperlukan agar proses ekstraksi akan mendapat

hasil yang benar-benar mencerminkan karakteristik dari image yang

bersangkutan.

Hasil Ekstraksi kata kunci dan ekstraksi karakteristik global akan digunakan

untuk penyusunan/pembuatan index. Sedangkan hasil ekstraksi karakteristik global

digunakan sebagai pembanding/filter pada saat retrieval data. Jadi hasil retrieval yang

sudah diperoleh berdasarkan index yang ada akan di filter kembali dengan hasil

karakteristik detailnya sehingga diharapkan didapat image yang paling sesuai dengan

criteria atau karakteristik yang diminta /ditentukan oleh user.

Database multimedia. Tabel index dan karakteristik detail akan disimpan dalam

database multimedia. Sedangkan image tidak disimpan dalam database tersebut (secara

35

fisik) namun image tetap tersimpan dalam bentuk satuan file yang diletakkan pada

sebuah direktori yang sudah ditetapkan. Jadi secara fisik database multimedia tidak

menyimpan file image namun menyimpan table index dan karakteristik detail. Hal ini

sengaja di desain seperti ini dengan harapan proses retrieval yang nanti akan dilakukan

tidak langsung membandingkan criteria pencarian (baik deskripsi teks maupun contoh

image) pada image, namun cukup melakukan pencarian dan pencocokan pada index

yang telah ada. Hal ini diharapkan akan mempercepat proses karena tidak diperlukan

kerja prosesor dan alokasi memori yang besar jika langsung dilakukan pembandingan

dan pencarian pada image secara langsung.

2.3.2.2 Ekstrasi Karakteristik dan Retrival

Ektraksi Karakteristik dan Retrieval adalah proses penentuan index dan retrieval

berdasarkan karakteristik index (Query teks) serta ekstraksi karakteristik Global untuk

penentuan index. Sedangkan untuk proses query image dilakukan proses praproses,

proses ektraksi karakteristik global untuk penentuan index yang akan digunakan untuk

retrieval berdasarkan karakteristik index. Proses karakteristik detail yang akan

digunakan untuk retrieval berdasarkan karakteristik detail dari hasil retrival citra

berdasarkan karakteristik index.

Query berdasarkan teks tidak memerlukan proses ekstraksi namun langsung

pada penentuan indeks dan retrieval data sesuai dengan karakteristik index yang

bersangkutan.

Proses ini awali dengan penentuan diskrisi secara teks oleh user kemudian

system akan mencari/menentukan index yang sesuai, kemudian berdasarkan table index

yang sudah ada dilakukan pencocokan karakteristik. Dari proses ini diperoleh image

36

yang sesuai dengan yang dicari.

2.3.3 Fitur Citra

Fitur merupakan suatu tanda yang khas, yang membedakan antara satu dengan

yang lain. Tidak berbeda dengan sebuah citra, citra juga memiliki fitur yang dapat

membedakannya dengan citra yang lain. Masing-masing fitur citra didapatkan dari

proses ekstraksi fitur.

Fitur-fitur dasar dari citra:

a. Warna

- Fitur warna suatu citra dapat dinyatakan dalam bentuk histogram dari citra tersebut

yang dituliskan dengan:

H(r,g,b), dimana H(r,g,b) adalah jumlah munculnya pasangan warna r (red), g (green)

dan b (blue) tertentu.

b. Bentuk

- Fitur bentuk suatu citra dapat ditentukan oleh tepi (sketsa), atau besaran moment dari

suatu citra. Pemakaian besaran moment pada fitur bentuk ini banyak digunakan orang

dengan memanfaatkan nilai-nilai transformasi fourier dari citra.

- Proses yang dapat digunakan untuk menentukan fitur bentuk

adalah deteksi tepi, threshold, segmentasi dan perhitungan moment seperti (mean,

median dan standard deviasi dari setiap lokal citra).

c. Tekstur

- Fitur tekstur dari suatu citra dapat ditentukan dengan menggunakan filter gabor.

37

- Fitur tekstur ini sangat handal dalam menentukan informasi suatu citra bila

digabungkan dengan fitur warna citra. Dari ketiga fitur diatas, dalam tugas akhir ini

hanya menggunakan cirri warna dan siri bentuk.

2.3.3.1 Konsep Warna

Warna pokok dalam pengelolaan citra terdiri dari 3 (tiga) unsur, yaitu merah (R),

hijau (H), dan biru (B). Jika warna-warna pokok tersebut digabungkan, maka akan

menghasilkan warna lain. Penggabungan warna tersebut bergantung pada warna pokok

dimana tiap-tiap warna memiliki nilai 256 (8 bit).

Gambar 2.21 Contoh warna dan nilai RGB-nya

Konsep ruang warna adalah setiap pixel mempunyai warna yang dinyatakan

dalam RGB, sehingga merupakan gabungan nilai R, nilai G, dan nilai B yang tidak bisa

dipisahkan satu dengan lainnya. Hal ini dapat dituliskan dengan P(r,g,b).

38

Gambar 2.22 Konsep warna ruang

Warna yang dideskripsikan dengan RGB adalah pemetaan yang mengacu pada

panjang gelombang dari RGB. Pemetaan menghasilkan nuansa warna untuk masing-

masing R, G, dan B. Masing-masing R, G, dan B didiskritkan dalam skala 256, sehingga

RGB akan memiliki indeks antara 0 sampai 255. Jika dilihat dari pemetaan model warna

RGB yang berbentuk cube ( kubus ) seperti citra dibawah ini.

39

Gambar 2.23 Model warna RGB berbentuk kubus

Dengan pemetaan RGB 24-bit color cube maka 3 warna dasar dapat

dicampurkan sehingga mendapatkan warna yang baru.

40

Gambar 2.24 Pemetaan RGB yang dicampurkan

2.3.3.1.1 Segmentasi

Segmentasi adalah suatu proses yang digunakan untuk mengelompokkan citra

sesuai dengan obyek citranya. Segmentasi dapat dilakukan dengan pendekatan region

merging dan splitting.

41

2.3.3.1.2 Histogram

Color histrogram merupakan hubungan dari intensitas tiga macam warna.

Dimana setiap citra mempunyai distribusi warna tertentu. Distribusi warna ini

dimodelkan dengan color histogram. Color histogram tersebut didefinisikan sebagai

berikut :

HR,G,B[r,g,b] = N.Prob { R=r, G=g, B=b } (2.2)

dimana R,G,B merupakan tiga macam warna dan N adalah jumlah pixel pada citra.

Color histogram dihitung dengan cara mendiskretkan warna dalam citra, dan

menghitung jumlah dari tiap-tiap pixel pada citra. Karena jumlah dari tiap-tiap warna

terbatas, maka untuk lebih tepatnya dengan cara menstransform 3 histogram ke dalam

single variable histogram. Misalkan pada citra RGB, salah satu transformnya

didefinisikan sebagai berikut :

m =Nr+Ng+Nb (2.3)

dimana Nr, Ng, dan Nb merupakan jumlah nilai biner dari warna merah ,biri, dan hijau

secara berturut-turut. Untuk mendapatkan Color histogram menggunakan persamaan

sebagai berikut :

, , , , | , , (2.4)

Keterangan :

R = warna merah

G = warna hijau

B = warna biru

Hr,g,b = Data untuk menampung nilai probabilitas warna RGB

42

Gambar 2.25 Contoh jumlah warna dalam satu citra

Gambar di atas menjelaskan bahwa warna merah mempunyai jumlah 5, Kuning = 2,

Hijau = 3, Biru = 1, Abu-abu = 1, Pink = 2 danPutih = 2. Dari jumlah tersebut maka

akan ditampilkan dalam bentuk histogram seperti citra dibawah ini.

Gambar 2.26 Histogram warna

43

Keterangan :

P(r,g,b) = nilai histogram probabilitas

H(r,g,b) = nilai histogram warna

Nimage = jumlah pixel dari image

Gambar 2.27 Histogram Probability Density Function

(2.5)

Keterangan :

P(r,g,b) = nilai histogram probabilitas

H(r,g,b) = nilai histogram warna

Max(H(r,g,b)) = nilai maksimum dari histogram warna

44

Histogram interseksi melakukan perhitungan jarak dengan membandingkan dua

histogram h1 dan h2 dan terhadap n bin dengan mengambil nilai interseksi dari kedua

histogram tersebut.

(h1,h2)=1- ∑ ,∑ (2.6)

Keterangan : = Nilai jarak antar dua histogram

h1 = Nilai histogram 1

h2 = Nilai histogram 2

Normalisasi diperlukan karena pada saat menggunakan image dengan ukuran yang

berbeda, fungsi jarak ini bukanlah sebuah matrik yang seharusnya DH(g,h)≠DH(g,h).

Supaya manjadi sebuah matrik yang valid, pada histogram diperlukan :

1 ∑ (2.7)

Untuk histogram yang ternormalisasi (jumlah total sama dengan 1), interseksi histogram

adalah :

1 , 2 1 ∑ | 1 2 | (2.8)

Keterangan : = Nilai jarak antar dua histogram yang ternormalisasi

1 = Nilai histogram 1 ternormalisasi

2 = Nilai histogram 2 ternormalisasi

Persamaan diatas adalah model matriks jarak Minkowski dengan k=1. Sifat

interseksi histogram dapat menghilangkan bagian tertentu (occlusion), dimana apabila

sebuah objek dalam suatu image dihilangkan pada bagian tersebut, bagian yang

kelihatan masih mempunyai kontribusi untuk kesamaan atau similaritas.

45

2.3.3.2 Konsep Bentuk

2.3.3.2.1 Grayscale

Proses awal yang banyak dilakukan dalam image processing adalah mengubah

citra berwarna menjadi citra gray-scale, hal ini digunakan untuk menyederhanakan

model citra. Pada awalnya citra terdiri dari 3 layer matrik yaitu R-layer, G-layer dan B-

layer. Sehingga untuk melakukan proses-proses selanjutnya tetap diperhatikan tiga layer

di atas. Bila setiap proses perhitungan dilakukan menggunakan tiga layer, berarti

dilakukan tiga perhitungan yang sama. Sehingga konsep itu diubah dengan mengubah 3

layer di atas menjadi 1 layer matrik grayscale dan hasilnya adalah citra gray-scale.

Dalam citra ini tidak ada lagi warna, yang ada adalah derajat keabuan. Untuk mengubah

citra berwarna yang mempunyai nilai matrik masing-masing r, g dan b menjadi citra

gray scale dengan nilai s, maka konversi dapat dilakukan dengan mengambil rata-rata

dari nilai r, g dan b sehingga dapat dituliskan menjadi:

s= (2.9)

Keterangan : s = Nilai derajat keabuan

r = Nilai Red pada suatu nilai RGB

g = Nilai Green pada suatu nilai RGB

b = Nilai Blue pada suatu nilai RGB

Pada penjelasan di atas pengubahan citra berwarna menjadi gray-scale dilakukan dengan

menggunakan rata-rata nilai gray-scale dari setiap layer R, G, dan B. Hal ini bukanlah

suatu keharusan. Meskipun hasilnya sudah cukup bagus, pemakaian nilai rata-rata masih

belum optimal untuk menunujukkan citra gray-scale sehingga dilakukan pengubahan

komposisi sebagai berikut:

46

Grayscale = αR + βG + δB / (α + β + δ) (2.10)

Dengan nilai α=0.35, β=0.25 dan δ=0.4 sehingga nilai α+β+δ =1 Fungsi dari format

warna gray ini adalah untuk memudahkan proses selanjutnya karena kita akan kesulitan

apabila kita menjalankan proses selanjutnya dengan menggunakan format citra berwarna

karena nilai r, g, dan b yang dihasilkan dengan format citra itu akan bervariasi. Dengan

format warna gray ini maka dihasilkan nilai R=G=B.

2.3.3.2.2 Filter Gaussian

Filter rata-rata adalah filter dengan nilai pada setiap elemen kernelnya berbentuk fungsi

Gaussian dan sebagai LPF maka jumlah dari semua nilai kernelnya adalah 1 (satu).

Dengan rumus :

F(x,y)=√

exp (2.11)

Keterangan :

x = jarak dari titik di sumbu horizontal

y = adalah jarak dari titik di sumbu vertical

σ = standar deviasi dari distribusi Gaussian

Filter rata-rata termasuk dalam linier filter dengan menggunakan kernel berupa matrik.

2.3.3.2.3 Edge Detection

Bentuk merupakan atribut dari suatu citra. Fitur bentuk suatu citra dapat

dilakukan dengan deteksi tepi, threshold, segmentasi dan perhitungan moment seperti

mean, median, dan standart dari setiap local citra. Deteksi tepi adalah proses yang

penting pada preprosessing citra, karena hasil daripada deteksi tepi ini adalah tepi dari

citra saja yang menunjukkan bentuk spesifik citra. Proses deteksi tepi ini dilakukan pada

47

citra biner . Ada beberapa metode yang digunakan untuk mendeteksi tepi salah satu

diantaranya adalah metode sobel yang menggunakan filter High-Pass-Filter yang diberi

satu angka nol penyangga. Kelebihan dari metode sobel ini adalah kemampuan untuk

mengurangi noise sebelum melakukan perhitungan deteksi tepi dan mempunyai

kemampuan untuksmoothing. Kernel filter yang digunakan dalam metode Sobel ini

adalah:

Persamaan untuk kernel y (horizontal)

(2.12)

Persamaan untuk kernel x (vertical)

(2.13)

2.3.3.2.4 Integral Proyeksi

Integral Proyeksi adalah suatu teknik yang menjumlahkan nilai setiap kolom atau

setiap baris. Integral proyeksi didefinisikan dengan :

h(j) = ∑ ,

h(i) = ∑ ,

48

Gambar 2.28 Rumus integral proyeksi

Gambar 2.29 Proses perhitungan integral proyeksi

2.3.3.2.5 Resampling dan Normalisasi

Resampling adalah suatu metode yang digunakan untuk pengenalan suatu citra

dengan cara mengambil sampel yang tepat. Sampling pada image adalah resolusi dari

image itu sendiri, atau menyatakan banyaknya pixel yang digunakan untuk dapat

menyajikan citra. Semakin besar samplingnya maka semakin besar resolusi sehingga

citra yang diperoleh menjadi lebih halus.

49

Gambar 2.30 Contoh resampling

Menyatakan 3 sampling (64x64, 32x32 dan 16x16) yang berbeda untuk menyatakan

suatu image. Proses normalisasi dilakukan untuk mengecilkan data yaitu antara nol

sampai dengan satu. Hal ini sangat diperlukan, karena bila terjadi matching citra yang

berlainan ukuran, maka otomatis data dari citra yang dimatching tersebut selalu antara

nol sampai dengan satu. Untuk setiap pixel ke-k pada vektor kolom dinormalisasi

dengan rumus :

| | =

| |

(2.14)

Sedangkan untuk mencari nilai standar deviasi menggunakan rumus:

∑ (2.15)

2.3.4 K-means

Setelah proses normalisasi kami menggunakan metode k-means agar dapat

dilakukan clustering sehingga data dapat dijadikkan beberapa kelas. Pembagian

kelas ini dilakukan agar proses retrieval citra menjadi lebih efisien dan lebih

cepat.

K

s

k

2

b

d

a

S

d

e

d

Dem2.31

Kelebihan m

sederhana da

kumpulan da

2.3.5 Image

Imag

bertujuan un

database dit

adalah suatu

Sedangkan c

digunakan s

ekstraksi cir

dari nilai h

monstrasi untu

Gamb

metode k-me

an cepat seh

ata besar.

e Matching

ge matching

ntuk menget

tentukan. Ci

u citra yang

citra databas

sebagai data

rri warna de

histogram R

uk algoritma

bar 2.31 dem

ans dengan m

hingga memu

g adalah me

tahui kemiri

itra query d

g dijadikan

se atau kump

abase citra.

engan mengg

RGB pada m

a sederhana

monstrasi al

metode pem

ungkinkan m

etode yang

ipan dua bu

disebut juga

acuan infor

pulan citra t

Kemudian

gunakan his

masing-masi

dari K-mean

lgoritma da

mbagian kelas

metode ini un

digunakan

uah citra. Pe

dengan citr

rmasi (conte

arget adalah

kedua citra

stogram war

ing citra. D

ns dapat dilih

ari k-means

s lainnya ada

ntuk dijalank

dalam Tuga

ertama, citra

ra acuan ata

ent) dalam p

h sekumpulan

a tersebut d

na dengan m

Dari jumlah

hat pada gam

alah metode

kan pada

asAkhir ini

a query dan

au citra tem

proses penca

n citra yang

dilakukan p

menghitung

histogram

50

mbar

ini

yang

n citra

mplate

arian.

g akan

proses

jarak

yang

51

mempunyai R, G, dan B yang sama akan dicari jarak antara citra database dan citra

query. citra yang mempunyai jarak yang minimal adalah citra yang paling mirip dengan

citra template. Proses matching ini kami lakukan pada ekstraksi hasil segmentasi warna

baik pada citra database maupun pada citra query. Persamaan yang digunakan untuk

menghitung jarak diatas adalah sebagai berikut :

| | (2.18)

Keterangan :

d = jarak

V = vector dari gambar database dan gambar kueri.

Sedangkan untuk menghitung nilai kemiripan data dapat dirumuskan sebagai berikut :

S = 1 – d (2.19)

S adalah nilai kemiripan dan d adalah nilai image matching.