BAB 2 LANDASAN TEORI. 2.1 Citra

6

BAB 2

LANDASAN TEORI

2.1 Citra

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

. M-1

1 2

. . . . .

N–1 y

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

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 menyajikan warna dalam bentuk komponen R (merah), G (hijau), B (biru). Setiap

Universitas Sumatera Utara

7

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.

Gambar 2.3. Contoh gambar citra Grayscale

Universitas Sumatera Utara

8

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. Formatformat 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

Pengolahan citra adalah proses pengolahan gambar untuk membuat kualitas yang lebih baik. Pengolahan ini biasanya dilakukan dengan menggunakan media elektronik seperti komputer. Pengolahan citra bertujuan memperbaiki kualitas gambar dilihat dari aspek radiometrik (peningkatan kontras, transformasi warna,

Universitas Sumatera Utara

9

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

Bentuk menurut D.G. Kendall (Stegmann dan Gomez, 2002) adalah informasi geometris yang tetap ketika efek lokasi, skala, pemutaran dilakukan terhadap sebuah objek. Deskriptor adalah seperangkat parameter yang mewakili karakteristik tertentu objek, yang dapat digunakan untuk menyatakan fitur objek. Adapun fitur dinyatakan dengan susunan bilangan yang dapat dipakai untuk mengidentifikasi suatu objek. Fitur suatu objek mempunyai peran penting untuk berbagai aplikasi seperti pencarian citra, penyederhanaan bentuk, pengenalan dan klasifikasi objek.

Universitas Sumatera Utara

10

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 adalah sistem pencarian informasi berbasis konten gambar ataupun berformat citra. Teknik image retrieval yang pertama, yaitu tekstual, merupakan teknik yang sangat sederhana, yaitu berdasarkan kata kunci yang diberikan untuk tiap citra. Permasalahan dengan teknik ini adalah lamanya waktu pencarian dan adanya ketergantungan terhadap manusia yang sangat tinggi untuk mendeskripsikan suatu citra. Hal ini menyebabkan terjadinya pendeskripsian yang tidak konsisten. Teknik

Universitas Sumatera Utara

11

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).

Gambar 2.5. Diagram Sistem Content Based Image Retrieval (Long, et al. 2003)

Universitas Sumatera Utara

12

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 :

𝑖≤𝑥

𝐼∑ (𝑥, 𝑦) = ∑ 𝑖=0

𝑗≤𝑦

∑ 𝐼 ( 𝑖, 𝑗 ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (1) 𝑗=0

Setelah diperoleh integral image maka komputasi dilakukan dengan menggunakan persamaan Fast-Hessian Detector : 𝐿𝑥𝑥 (𝑋, 𝜎) 𝐻 (𝑋, 𝜎) = [ 𝐿𝑥𝑦 (𝑋, 𝜎)

𝐿𝑥𝑦 (𝑋, 𝜎) ] . . . . . . . . . . . . . . . . . . . . . . . . . (2) 𝐿𝑦𝑦 (𝑋, 𝜎)

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 𝑑𝑒𝑡 (𝐻𝑎𝑝𝑝𝑟𝑜𝑥 ) = 𝐷𝑥𝑥 𝐷𝑦𝑦 − 0.9𝐷𝑥𝑦 . . . . . . . . . . . . . . . . . . . . . . . . . (3)

Universitas Sumatera Utara

13

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 :

𝑉 = ( ∑𝑑 ,∑𝑑 , 𝑥

∑| 𝑑 | ,

𝑦

𝑥

∑ | 𝑑 | ). . . . . . . . . . . . . . . . . . . . . . (4) 𝑦

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

Metode yang paling sering digunakan untuk menghitung kesamaan dua vektor salah satunya adalah Euclidean Distance.

Universitas Sumatera Utara

14

Adapun persamaan metode ini adalah sebagai berikut : 𝑛

𝑑(𝐴, 𝐵) = √∑

(𝐻𝑗𝐴 − 𝐻𝑗𝐵 )2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (5)

𝑗=1

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.

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 =

𝑅𝑒𝑐𝑎𝑙𝑙 =

|{𝑅𝑒𝑙𝑒𝑣𝑎𝑛 𝑑𝑜𝑐𝑢𝑚𝑒𝑛𝑡𝑠} ∩ {𝑑𝑜𝑐𝑢𝑚𝑒𝑛𝑡𝑠 𝑟𝑒𝑡𝑟𝑖𝑒𝑣𝑒𝑑}| . . . . . . . . . . . (6) |{𝑑𝑜𝑐𝑢𝑚𝑒𝑛𝑡𝑠 𝑟𝑒𝑡𝑟𝑖𝑒𝑣𝑒𝑑}|

|{𝑅𝑒𝑙𝑒𝑣𝑎𝑛 𝑑𝑜𝑐𝑢𝑚𝑒𝑛𝑡𝑠} ∩ {𝑑𝑜𝑐𝑢𝑚𝑒𝑛𝑡𝑠 𝑟𝑒𝑡𝑟𝑖𝑒𝑣𝑒𝑑}| . . . . . . . . . . . . . . . (7) |{𝑟𝑒𝑙𝑒𝑣𝑎𝑛𝑡 𝑑𝑜𝑐𝑢𝑚𝑒𝑛𝑡𝑠}|

Universitas Sumatera Utara

15

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

1

Nama

Setiawan, A. E.

Judul

Hasil Penelitian

Perbandingan Content

Proses temu kembali

Based Image Retrieval

menggunakan fitur tekstur

dengan fitur warna

diekstraksi dengan metode Grey

menggunakan metode

Level Co-Occurrence Matrices

Colour Histogram dan

lebih cepat dibandingkan proses

fitur tekstur

temu kembali menggunakan

menggunakan metode

fitur warna yang diekstraksi

Grey Level Co-

dengan metode Colour

Occurrence matrices

Histogram Pengenalan gambar

Pengenalan Gambar 2

Tania, K.D.

Menggunakan Sebagian Data Gambar

menggunakan sebagian data gambar sebagai data query gambar dengan metode SURF menghasilkan tingkat pengenalan 90%.

Ekstraksi Titik - Titik Fitur Pada Citra 3

Ulum, M. F.

Menggunakan Menggunakan Speeded-Up Robust Features (SURF)

Image yang bisa diuji coba pada algoritma SURF adalah image yang

berformat

grayscale

sedangkan untuk image

warna

tidak

bisa

dilakukan. Dan dari beberapa hasil uji coba ternyata setiap

Universitas Sumatera Utara

16

rotasi image mempunya titik – titik berbeda dengan image yang lainnya Jumlah

piksel

berbeda-beda

4

Utami, A. S.

dalam sesuai

citra dengan

Perancangan Perangkat

ukuran citra, sehingga perlu

Lunak Sistem Temu

proses normalisasi agar invarian

Balik Citra

terhadap ukuran citra. Hasil

Menggunakan Jarak

temu-balik

diranking

Histogram Dengan

disimpan

dalam

Model Warna YIQ

berdasarkan nilai jarak antar

dan indeks

citra untuk mempercepat proses pencarian.

Universitas Sumatera Utara