Mengenali Variant Produk Dengan Menggunakan CBIR ( Warna )

Narotama Collection http://ejournal.narotama.ac.id

Mengenali Variant Produk Dengan Menggunakan CBIR ( Warna ) Dwi Sukriya Wanti Universitas Narotama Surabaya CBIR ( Content Based Image Retrieval System ) adalah teknik untuk mencari citra yang berhubungan dan mempunyai kemiripan karakteristik dari sebuah database citra, dengan proses otomatis. Pada proyek akhir ini digunakan color histogram (Histogram RGB) sebagai ekstrasi feature dari citra baik citra query maupun citra pada database. Kemudian untuk proses matching antara citra query dengan citra database dilakukan perhitungan jarak dari nilai histogram citra query dengan citra database. Nilai jarak yang paling minimal merupakan citra yang mempunyai kemiripan dengan citra query.

pada database yang berhubungan dengan

1. Latar belakang

matrik

kemiripan.

Permasalahan

image

Sekumpulan gambar dalam sistem

retrieval pada beberapa kasus dapat dipandang

membutuhkan label

yang

sebagai permasalahan pattern classification,

termasuk

dimana setiap citra mempunyai kelas tertentu.

kategori yang mana. Pelabelan gambar tidak

Tetapi belum disediakan label kelas untuk

dilakukan secara manual melalui nama file

sekumpulan data citra sehingga hal ini dapat

gambar tetapi dilakukan berdasarkan hasil

dikerjakan dengan membandingkan kesamaan

ekstraksi ciri yang berupa feature vector.

ciri diantara citra (similarity). Penggunaan ciri

Teknik ekstraksi ciri dasar gambar yang umum

warna sudah dapat mendeteksi perbedaan yang

dipakai : untuk ciri warna adalah histogram,

cukup bagus. Berdasarkan hal itu, pada proyek

ciri

akhir ini menggunakan metode histogram

CBIR

menunjukkan

bentuk

gambar

dengan

gambar

tersebut

vektor

kuantisasi,

untuk mendapatkan ciri warna gambar.

diharapkan dapat memberikan hasil yang

Pada proyek akhir ini, kita mencoba

optimal dalam pembentukan label gambar. Prinsip dasar dari teknik CBIR adalah

menggunakan produk sebagai obyek untuk

penggunaan algoritma analisa citra untuk

dapat dikenali komputer. Sebagaimana kita

mengekstrak secara otomatis sejumlah atribut

ketahui produk merupakan obyek yang dapat

citra suatu waktu pada database citra. Atribut

kita bedakan dengan melihat ciri warna, sebab

ini dapat memasukkan nilai numerik terhadap

ketelitian komputer dalam membandingkan

warna, tekstur, dan bentuk. Disebabkan oleh

komposisi warna(RGB) suatu obyek lebih teliti

kompleksitas informasi citra, user tidak dapat

jika dibandingkan dengan mata manusia. Oleh

berharap mendapatkan kecocokan dengan pasti

karena itu kita menggunakan metode image

diantara query dan citra yang akan ditampilkan

matching dengan histogram warna dalam

kembali dari database. Kemiripan diantara

mengenali variant produk. Proses

query user dan citra database ditaksir nilainya

pengenalan

variant

produk

dengan nilai kemiripan, menemukan tetangga

dilakukan dengan dua langkah, yaitu langkah

terdekat dengan citra query diantara citra-citra

pertama komputer harus diberi pengetahuan

1


mengenai

produk,

dimana

cara

masing citra yang ada pada database citra.

menghitung histogram warnanya. Langkah

Setelah diketahui nilai histogram RGB pada

kedua yaitu dengan melakukan pengenalan

citra query dan citra database, maka dilakukan

menggunakan selisih gambar query dengan

proses matching atau pencocokan citra antara

gambar data dengan Image Matching dan

citra query dengan citra database. Proses ini

selisih yang terkecil yang diambil. Hal yang

bertujuan untuk mencari citra yang mempunyai

perlu

content yang sama dengan citra query.

dilakukan

dengan

sebelum

komputer

mengidentifikasi suatu obyek, perlu dilakukan training sebagai pembanding. Semakin banyak training maka semakin pintar komputer dalam

4.2. Blok Diagram

mengidentifikasi suatu obyek.

2. Perumusan Masalah Dari latar belakang diatas, maka penulis dapat merumuskan masalah sebagai berikut : 1.

Bagaimana membuat ciri warna pada Gambar 1. Blok Diagram System

tiap variant produk 2.

Bagaimana

menggunakan

image Dari blok diagram diatas dapat dilihat

matching untuk identifikasi variant

bahwa image query dan image database

produk 3. Bagaimana membuat softwere

masing – masing dihitung histogram RGB.

aplikasi identifikasi variant produk

Kemudian untuk proses matching antara citra query

database

dilakukan

tadi da nilai jarak yang paling minimal

Tujuan dari pembuatan proyek akhir adalah

aplikasi

citra

perhitungan jarak dari nilai histogram RGB

3. Tujuan

ini

dengan

untuk

Mendapatkan

merupakan citra yang mempunyai kemiripan

program

dengan citra query.

yang dapat mengenali variant dari

suatu produk. 4.3. Histogram RGB 4. Perencanaan dan Implementasi Histogram RGB merupakan proses pada citra dimana dihasilkan distribusi warna

4.1. Algoritma System Pada pembangunan system untuk

dari citra yaitu jumlah pixel yang mempunyai

penggenalan variant produk menggunakan

nilai RGB sama. Nilai RGB pada tiap-tiap

CBIR dengan histogram warna ini dilakukan

pixel dideteksi kemudian nilai RGB tersebut

dengan metode Histogram Matching.

dimasukkan pada color kubus. Sehingga bila mencari

ditemukan pixel yang mempunyai nilai RGB

Histogram RGB dari citra query dan masing-

yang sama, maka nilai pada color cubus akan

Proses

dimulai

dengan

bertambah. Dari proses ini akan diketahui

2


jumlah pixel yang mempunyai nilai RGB yang

digunakan untuk menghitung jarak diatas adalah

sama.

sebagai berikut : Setiap warna RGB terdiri dari nilai 0

sampai 255. RGB(256,256,256)

d=

atau dalam

∑∑∑ (H r

g

Q r , q ,b

− H rT, g ,b

)

2

b

vektor dapat dituliskan dengan 256 x 256 x Dimana HQ dan HT adalah histogram dari

256.

citra query dan citra target dalam database.

255

4.5. Format Gambar Ada banyak algortima (format) yang 0

digunakan untuk membentuk sebuah file

255

gambar. ada bitmap, jpeg, gif ,tiff, dan masih ratusan format lainnya. dari sekian banyak

255

format Gambar 2 RGB ( 256, 256, 256 )

berikut

ini

merupakan

penjelasan-penjelasan untuk beberapa format gambar yang umum digunakan.

4.4. Image Matching Image

gambar,

matching

merupakan

1. Bitmap (bmp,rle)

pencocokan antara citra query dengan citra

format

yang ada pada database.

Microsoft. format ini juga merupakan format

yang

satu

ini

dikeluarkan

oleh

Gambar Query adalah suatu gambar yang

standar pada OS Windows. format Bitmap

dijadikan acuan informasi (content) dalam proses

merupakan sebuah format gambar yang tidak

pencarian. Sedangkan Gambar Database adalah

menggunakan

sekumpulan

digunakan

proses pembuatan file. format ini menyimpan

sebagai database gambar. Dari kumpulan gambar

semua informasi yang ia terima. oleh karena

ini

itu, biasanya sebuah file bertipe bitmap

gambar

akan dicari

yang

gambar

akan

yang

mempunyai

algoritma

kompresi

dalam

kemiripan dengan gambar templatenya. Pada

berukuran

proyek akhir ini yang dijadikan gambar query

penggunaan warna 1 bit hingga 32 bit. format

adalah gambar capture .

ini cocok untuk anda yang tidak ingin gambar

besar.

bitmap

mendukung

Pada proses image matching dilakukan

anda kehilangan keasliannya. selain itu format

dengan seleksi warna. Proses seleksi warna

ini juga cocok untuk gambar-gambar seperti

dilakukan dengan cara histogram warna , dengan

desain logo, banner, dsb.

menghitung jarak dari nilai histogram RGB pada masing-masing citra. Dari jumlah histogram yang

2. GIF (gif)

mempunyai R, G dan B yang sama akan dicari

format yang satu ini pada mulanya dikeluarkan

jaarak antara cita query dengan masing-masing

oleh Compuserve untuk gambar-gambar pada

citra target yang ada di database. Citra yang

halaman website mereka. pada waktu itu

mempunyai jarak yang minimal adalah citra yang

(sekitar

paling mirip dengan citra query. Persamaan yang

internet masihlah rendah. dan format-format

pertengahan

1990-an),

kecepatan

gambar yang ada terlalu besar ukurannya jika

3


digunakan untuk menghias sebuah website.

penggunaan warna mulai dari 1 bit (hitam-

format GIF menggunakan sebuah algoritma

putih) hingga 32 bit (16 juta warna +

kompresi dari unisys (LZW). karena pada

blending). selain itu PNG juga memiliki

mulanya digunakan untuk mengatasi kecilnya

fleksibilitas dalam dukungan kompresi. PNG

kecepatan

bisa menggunakan teknik lossles compression,

internet,

maka

GIF

hanya

mendukung penggunaan warna dari 1 bit

bisa

(hitam-putih) hingga 8 bit (256 warna saja).

compression.

namun format GIF mendukung transparasi dan

gambar-gambar logo, website, dsb. kelemahan

juga bisa digunakan untuk animasi. format ini

dari PNG adalah tidak didukung oleh browser-

sangat cocok untuk menghiasai sebuah website

browser lawas (internet explorer 6.0 juga tidak

atau animasi-animasi kecil.

sepenuhnya mendukung format ini), namun

juga

menggunakan format

PNG

teknik

lossy

cocok

untuk

dengan diluncurkannya internet explorer 7.0, 3. JPEG (jpg, jfif , jpg2000)

maka bisa dibilang format ini telah didukung

JPEG sebenarnya merupakan nama sebuah

oleh browser-browser modern.

organisasi (Joint Photographic Experts Group) yang mengeluarkan format jfif. namun pada

5. TIFF

perkembangannya, nama JPEG lebih umun di

format ini terkenal untuk pengguna komputer

kenal dari pada nama format itu sendiri. format

Apple, karena format ini merupakan format

ini sangat terkenal untuk penyimapan sebuah

standar untuk Mancintosh. format ini hampir

photo.

sama dengan Bitmap, namun TIFF memiliki

tidak

seperti

bitmap,

JPEG

menggunakan sebuah alogritma kompressi

kelebihan

(berbasis MPEG) yang dimana aloritma itu

kompresi, mendukung Metadata, dan biasa

akan membuang informasi-infromasi yang

digunakan untuk photo-photo panorama.

seperti

mendukung

algoritma

tidak terlalu penting oleh seuatu gambar. oleh karena itu, format ini akan menghasilkan file

6. RAW

yang berukuran kecil dibandingkan dengan

format yang satu ini umumnya digunakan pada

bitmap dengan sumber yang sama. namun,

kamera-kamera digital. format RAW hampir

karena ada informasi yang hilang, maka

mirip dengan Bitmap. format ini (biasanya)

kualitas gambar yang ada tidak sama 100%

menyimpan semua informasi-informasi yang

dengan sumber.

ada menggunakan teknik lossles compression untuk mengurangi ukuran file. salah satu

4. Portable Network Graphic (png) format

yang

satu

ini

kekurangan dari format RAW ialah tidak untuk

adanya standarisasi format, sehingga hal ini

mengantikan format GIF. berbeda dengan

membuat pihak-pihak yang menggunakan

format GIF yang berlisensi (anda harus bayar

format ini (biasanya pembuat kamera digital)

jika ingin menulis dan membaca), PNG

bisa sesukanya membuat standar sendiri akan

berlisensi gratis. selain itu, karena diciptakan

format file ini. hal itu menyebabkan terkadang

untuk menggantikan GIF, maka PNG juga

sebuah file RAW hasil dari sebuah kamera

mendukung transparansi,

diciptakan

dan

mendukung

4


digital belum tentu bisa dibuka/dilihat pada

tipe spesifik dari obyek, tipe event tertentu,

kamera digital yang lain.

nama individu, lokasi, emosi. Citra

query

yang

digunakan

mempunyai beberapa level, yaitu :

7. TGA (TrueVision Targa)

-

format TGA sekarang sudah sangat jarang

Level

1

:

retrival

dengan

dipakai. format ini populer pada awal 80′an

primitive feature, seperti color,

hingga pertengahan 98. format ini hampir sama

teksture, shape. -

dengan Bitmap. biasanya format ini digunakan

Level 2 : retrieval dengan logical

untuk gambar-gambar pada game dikarenakan

feature,

format TGA mendukung teknik transparasi.

individu obyek atau orang. -

Dari sekian banyak format gambar seperti yang dijelaskan diatas,

seperti

tipe

obyek,

Level 3 : retrieval dengan abstrak feature, seperti nama even, tipe

pada tugas

aktifitas, emotional, religius.

akhir ini menggunakan format jpg. Kelebihan menggunakan format gambar jpg

Penelitian dan pembangunan dalam

adalah : -

Mampu

menayangkan

warna

CBIR mencakup keseluruhan topik. Beberapa

dengan

kedalaman 24-bit true color.

pokok

persoalan

- Mengkompresi gambar dengan sifat lossy.

pembangunan CBIR dapat diuraikan sebagai

- Umumnya digunakan untuk menyimpan

berikut : -

gambar-gambar hasil foto.

yang

terjadi

Pemahaman

citra

- format ini akan menghasilkan file yang

dibutuhkan

berukuran kecil.

pencarian informasi -

Pengindentifikasian sesuai

4.6. CBIR

oleh

dalam

dalam

yang

user

dan

cara

yang

penggambaran

content atau karakteristik dari Content

Based

Image

citra

Retrieval -

System ( CBIR ) merupakan suatu teknik

Proses

ekstraksi

feature

dari

image

pencarian kembali citra yang mempunyai -

kemiripan karakteristik atau content dari

Penyediaan tempat penyimpanan untuk database yang besar

sebuah database citra, dengan proses yang -

otomatis.

Proses

matching antara

citra

Proses secara umum dari CBIR adalah citra

query dan citra yang ada pada

yang menjadi query dilakukan proses ekstraksi

database -

feature, begitu halnya dengan citra yang ada di

database secara efisien.

database juga dilakukan proses seperti pada -

citra query.

pada

system ini

Penyediaan human interface dari CBIR system.

Parameter feature citra yang dapat digunakan untuk retrieval

Pengaksesan citra yang ada pada

seperti

histogram, susunan warna, teksture, dan shape,

5


Rancagan Program

Dalam rancangan program ini akan dijelaskan

tentang

penggenalan

sistem

variant

dari

program

produk

dengan

menggunakan CBIR dengan ciri warna. Dalam program aplikasi ini hanya ada satu tampilan seperti gambar dibawah ini .

Gambar 4 Untuk menghitung dan menampilkan ciri warna (RGB) maka source code adalah :

th = Val(Text2) nth = Int(256 / th) For i = 1 To 3 * nth h(i) = 0

Gambar 3 Program Aplikasi

Next i Gambar di atas adalah merupakan

For i = 1 To 160

program aplikasi pengenalan variant produk

For j = 1 To 120

menggunakan CBIR dengan ciri warna.

w = Picture1.Point(i, j)

Dimana gambar yg muncul merupakan citra

r = w And RGB(255, 0, 0)

query yang nantinya akan kita bandingkann

g = Int((w And RGB(0, 255, 0)) / 256)

dengan citra yang ada di database dan dikenali

b = Int(Int((w And RGB(0, 0, 255)) / 256) / 256)

sebagai variant produk apa dalam database. Saat kita klik tombol lihat fitur, maka program

akan

menghitung

dan

r = Int(r / th) + 1

akan

g = Int(g / th) + 1

menggambarkan ciri warna yang ada pada citra

b = Int(b / th) + 1

query pada kolom R G B. Seperti gambar 4.

h(r) = h(r) + 1 h(nth + g) = h(nth + g) + 1 h(2 * nth + b) = h(2 * nth + b) + 1 Next j Next i h(1) = 0 h(nth) = 0 h(nth + 1) = 0 h(2 * nth + 1) = 0

6


h(nth * 2) = 0

Pada

Gambar

5

variant

produk

hmaks = 0

dikenali sebagai Vita Jelly Drink Strawberry.

For i = 1 To 3 * nth

Dikolom nilai kemiripan terdapat detail nilai

If h(i) > hmaks Then hmaks = h(i)

jarak masing-masing citra database dengan

Next i

citra query.

Picture2.ScaleWidth = 3 * nth

untuk

Picture2.ScaleHeight = 1

codenya adalah :

Picture2.Refresh

Private Sub Command2_Click()

Picture2.Cls

Dim hp(768) As Single

For i = 1 To 3 * nth

Bersihkan

proses

pengenalan

h(i) = h(i) / hmaks

th = Val(Text2)

If i < nth + 1 Then

nth = Int(256 / th)

warna = RGB(255, 0, 0)

produk

source

List1.Clear

Else

k = -1

If i < 2 * nth + 1 Then warna = RGB(0,

nk = -1

255, 0) Else warna = RGB(0, 0, 255)

Emin = 100

End If

For n = 0 To Nproduk

Picture2.Line (i - 0.9, 1)-(i, 1 - h(i)), warna,

Picture4.Picture = LoadPicture(namafile(n))

BF

Picture4.Refresh

Next i

' Perhitungan Ciri

End Sub.

For i = 1 To 3 * nth hp(i) = 0

Setelah proses diatas, kemudian kita

Next i

hitung nilai RGB yang ada pada citra database

For i = 1 To 160

setelah itu kita matchingkan antara citra

For j = 1 To 120

database dan citra query sehingga produk bisa

w = Picture4.Point(i, j)

dikenali seperti terlihat pada gambar 5.

r = w And RGB(255, 0, 0) g = Int((w And RGB(0, 255, 0)) / 256) b = Int(Int((w And RGB(0, 0, 255)) / 256) / 256) r = Int(r / th) + 1 g = Int(g / th) + 1 b = Int(b / th) + 1 hp(r) = hp(r) + 1 hp(nth + g) = hp(nth + g) + 1 hp(2 * nth + b) = hp(2 * nth + b) + 1 Next j Next i

Gambar 5. Penggenalan Produk

hp(1) = 0

7


hp(nth) = 0 hp(nth + 1) = 0 hp(2 * nth + 1) = 0 hp(nth * 2) = 0 hpmaks = 0 For i = 1 To 3 * nth If hp(i) > hpmaks Then hpmaks = hp(i) Next i 'Perhitungan jarak d=0 For i = 1 To 3 * nth hp(i) = hp(i) / hpmaks d = d + (h(i) - hp(i)) ^ 2 Next i E = (d / (3 * nth)) ^ 0.5 kal = "Produk" & Str(n) & " : e = " & Format(E, "#.####") ' Menentukan produk If E = 0 Then k=k+1 Picture3(k).Picture = LoadPicture(namafile(n)) Label9(k) = namaproduk(n) If E < Emin Then Emin = E: nk = n End If List1.AddItem kal List1.Refresh Next n If nk >= 0 Then Label12 = "DIKENALI SEBAGAI " & UCase(Trim(namaproduk(nk))) Else Label12 = "TIDAK DIKENALI" Picture4.Picture = LoadPicture("") Picture4.Refresh End Sub

8

Mengenali Variant Produk Dengan Menggunakan CBIR ( Warna )

Recommend Documents