METODE CONTENT BASED IMAGE RETRIEVAL (CBIR) UNTUK PENCARIAN GAMBAR YANG SAMA MENGGUNAKAN PERBANDINGAN HISTOGRAM WARNA RGB

Jurnal Mantik Penusa

Vol 18 No 2 Desember 2015

ISSN 2088-3943

METODE CONTENT BASED IMAGE RETRIEVAL (CBIR) UNTUK PENCARIAN GAMBAR YANG SAMA MENGGUNAKAN PERBANDINGAN HISTOGRAM WARNA RGB Insan Taufik Program Studi Teknik Informatika STMIK Pelita Nusantara Medan, Jl. Iskandar Muda No.1 Medan, Sumatera Utara 20154, Indonesia [email protected] Abstrak Citra adalah data visual yang sangat banyak digunakan di dalam dunia teknologi komputer, perkembangan citra digital semakin maju seiring dengan perkembangan perangkat pembuat dan pengolah citra. Untuk hal alasan tersebut maka kemungkinan terjadinya duplikasi citra digital pada sebuah tempat penyimpanan semakin tinggi, akan mengurangi ruang penyimpanan yang seharusnya dapat digunakan untuk menyimpan data yang lainnya. Dan dengan alasan tersebut perlu rasanya membuat sistem yang mampu mendeteksi jika terjadinya duplikasi citra digital pada sebuah tempat penyimpanan. CBIR (Content Based Image Retrieval) adalah metode yang dapat menentukan kemiripan citra digital dengan mengandalkan warna RGB yang dirubah menjadi HSV. Metode ini mengkalkulasikan warna masing-masing citra menjadi bentuk histogram, dan dari masing-masing histogram tersebut dapat diketahui tingkat kemiripan citra digital. Dengan mengandalkan metode tersebut dapat dibuat sebuah sistem yang mempu mengurangi terjadinya duplikasi terhadap citra digital. Kata Kunci : Citra Digital,Warna, CBIR, RGB, HSV, Sistem, Histogram. gambar yang nantinya gambar-gambar yang mirip 1. PENDAHULUAN yang menjadi hasil pencarian tersebut. Dengan kata lain metode ini adalah sebuah penerapan dan 1.1 Latar Belakang Masalah CBIR atau singkatan dari Content Based misi dari komputer masa depan yaitu menjadikan Image Retrieval adalah sebuah metode yang pengolahan gambar semudah mengolah data teks. melakukan pengembalian gambar atau image Masalah yang dihadapi pada saat ini retrieval dengan menggunakan konten-konten adalah telah berkembangnya teknologi untuk yang terkandung di dalam gambar atau image, mengambil data gambar atau kamera bahkan yaitu unsur-unsur yang dapat diambil dari dalam sebuah alat yang tidak lazim pada saat ini telah gambar yang dapat diubah menjadi nilai seperti, menggunakan fitur kamera seperti telepon warna, bentuk, tekstur, garis tepi dan unsur yang genggam dan lainnya. Bukan perkembangan alat lainnya. Maksud dari mengubah unsur-unsur tersebut yang menjadi masalah, malah itu adalah yang terkandung di dalam gambar tersebut ke sebuah kebaikan. Akan tetapi dengan alat dalam bentuk nilai, yaitu menghitung masingtersebut sudah pasti akan membuat berkas gambar masing unsur dan menyimpan nilanya kedalam yang di miliki oleh seorang user akan sangat histogram yang mana akan digunakan dalam banyak dan kemungkinan besar berkas tersebut proses perbandingan gambar-gambar dalam adalah duplikat atau sama. Dan masalah ini proses pengembalian gambar atau image sangat sulit untuk diatasi jika dikerjakan secara retrieval. manual contoh, untuk menghapus gambar-gambar Penggunaan metode CBIR sudah yang sama, user harus memilah dan mengingat mencakup banyak hal, hanya saja masih belum gambar tersebut kemudian menghapusnya. banyak para ahli yang mengetahui secara Dengan penerapan metode CBIR pada mendalam tentang metode ini karena memang sebuah apliasi, maka kemungkinan besar masalah memiliki banyak perluasan bidang. Pengenalan penduplikasian gambar-gambar yang ada dapat wajah, pengenalan tulisan yang ada di dalam teratasi dengan baik. Yaitu dengan memindai gambar atau OCR, pengenalan bentuk buah dan semua berkas gambar yang ada di dalam tempat yang lainnya adalah beberapa contoh penggunaan penyimpanan dan membandingkan semua berkas CBIR. Bahkah Facebook sendiri sudah mulai gambar tersebut hingga mendapatkan hasil. menggunakan metode ini yaitu pada aplikasi foto Nantinya nilai perbedaan terkecil dari hasil yang mana secara otomatis dapat mengenali pengembalian citra akan menjadi tanda bahwa wajah untuk masing-masing orang yang berbeda, gambar-gambar tersebut mempunyai berkas yang selain itu Google juga telah lama menggunakan sama atau mirip pada berkas yang lainnya, dan metode ini dalam sistem mereka yaitu aplikasi pada ahirnya user atau pemilik berkas dapat pencarian gambar yang menggunakan query 103 Junal Manajemen dan Informatika Komputer Pelita Nusantara


mengambil tindakan untuk menghapus atau tindakan lain. 2. LANDASAN TEORI 2.1 Citra Digital images are used in a wide range of applications such as medical, virtual museums, military and security purposes, and personal photo albums (MS. Pragati Ashok Deole and Prof. Rushi Longadge, 2014). Dokumen gambar juga disebut sebagai dokumen citra, hal ini disebabkan oleh dokumen citra mempunyai perpaduan warna yang menyamai suatu objek yang nyata jika dilihat oleh mata. Dalam dunia modern citra banyak digunakan di dalam pemanfaatan komputer, seperti dokumen foto, lukisan, gambar dan lain-lain. 2.2 Warna RGB RGB colours are called primary colours and are addictive. (Lumb, Manisha, Er., 2013). Warna RGB atau singkatan dari red (merah), green (hijau), blue (biru), adalah komponen warna utama yang membentuk citra digital. Warna-warna tersebut diaplikasikan kedalam lampu led kecil (piksel) sehingga dapat merepresentasikan banyak warna. Campuran dari warna merah, hijau dan biru dalam komputerisasi dapat membentuk banyak jenis warna. Sehingga semua warna yang dapat dilihat oleh mata manusia dapat direpresentasikan dengan cara penggabungan ketiga warna tersebut. Jadi dalam setiap piksel layar monitor ataupun dalam setiap koordinat matriks citra digital diwakili oleh 3 warna tersebut. Kapasitas warna RGB bervariasi dari 8 bit, 16 bit dan 24 bit. Akan tetapi kapasitas warna yang dibahas dalam tulisan ini adalah kapasistas warna 24 bit. Maksud dari 24 bit adalah sebagai penentu kedalaman warna yang direpresetasikan kedalam piksel. Warna 24 bit dibagi masingmasing menjadi 8 bit pada setiap komponen pembentukan warna RGB. Jadi, komponen R (red) mempunyai kapasistas 8 bit, komponen G (green) mempunyai kapasitas 8 bit serta komponen B (blue) juga mempunyai kapasitas 8 bit. Pencampuran atau perpaduan dari warna RGB dapat merepresentasikan banyak warna adalah dengan menyesuaikan kapasitas masingmasing komponen warna yang ditulis dalam bentuk bilangan Hexa. Misalkan untuk membentuk warna hitam maka kapasitas komponen R=0, G=0 dan B=0, jika ditulis ke dalam bilangan hexa menjadi #000000. Untuk membentuk warna putih maka kapasitas komponen R=255, G=255 dan B=255, jika ditulis ke dalam bilangan hexa menjadi #ffffff.


ISSN 2088-3943

2.3 Warna HSV The HSV color space are defined in terms of three constituent components; Hue, Saturation and Value. Hue varies from 0 to 1.0, the corresponding colors vary from red through yellow, green, cyan, blue, magenta, and back to red, so that there are actually red values both at 0 and 1.0. As saturation varies from 0 to 1.0, the corresponding colors (hues) vary from unsaturated (shades of gray) to fully saturated (no white component). As value, or brightness, varies from 0 to 1.0, the corresponding colors become increasingly brighter. (Pragathi, Ashok Deole, MS. dan Longadge, Rushi, 2014). It is essential to quantify HSV space component to reduce computation and improve efficiency. Unequal interval quantization according to the human color perception has been applied on H, S and V components. (Lumb, Manisha, Er. dan Sethi, Poonam, Er., 2013). Warna HSV adalah sistem koordinat silinder yang terdiri dari 3 komponen yaitu : Hue, Saturation dan Value. Model HSV dapat merepresentasikan poin dalam model warna RGB, yang mengatur ulang geometri RGB dalam upaya untuk perseptual yang lebih relevan daripada representasi koordinat kartesian. Model warna HSV bekerja lebih baik dengan penglihatan manusia dibandingkan dengan model RGB, maksudnya lebih mudah memilih warna apabila disajikan dengan model HSV dibandingkan dengan model RGB walupun tetap saja pada penerapannya warna model HSV juga tetap akan memakai perhitungan RGB apabila direpresentasikan kedalam monitor. Untuk proses komputasi warna HSV juga jauh lebih mudah dan cepat karena memiliki nilai yang lebih sedikit pada masing-masing komponen warna jika dibandingkan dengan RGB.

Gambar 1. (a) Ruang warna HSV. (b) Kotak bagian warna Hue Dari gambar diatas, hue diwakili oleh lingkaran 360o yang berfungsi untuk merepresentasikan jenis-jenis warna. Saturation diwakili oleh garis lurus yang berpusat di tengah lingkaran dengan warna putih, nilai saturation dimulai dari 0-100%, semakin tinggi nilai ini maka semakin jelas warna yang telihat sebaliknya semakin rendah nilai ini maka warna akan semakin memutih(brightness). Sedangkan untuk Value diwakili oleh garis tegak lurus, value berfungsi untuk mengatur kegelapan warna, nilai 104

Junal Manajemen dan Informatika Komputer Pelita Nusantara



ISSN 2088-3943

dari value dapat diatur dari 0-100%, semakin tinggi nilai value maka warna akan semakin sempurna sebaliknya, semakin rendah nilai value maka warna akan semakin gelap. 2.4 CBIR Content based image retrieval(CBIR), has drawn the attention of researchers as an alternative to the existing methods in which, the visual contents such as color, texture, shape etc., are extracted for creation of feature vector. (Rao, Kotewara, L. Dan Rao, Venkata, D., 2014). Content–Based Image Retrieval (CBIR) technique uses visual contents to search images in a large scale image databases according to the users’ choice. (Mente, Rajivkumar et al, 2014). CBIR adalah teknik atau metode yang manggunakan konten visual untuk mencari gambar dalam basis data berskala besar. CBIR juga adalah teknik yang tekenal, banyak dipakai dalam pencarian citra berdasarkan konten visual seperti : warna, tekstur, bentuk dan lain-lain yang diekstrak dalam bentuk vektor. CBIR disebut juga sebagai aplikasi teknik komputer vision yang menangani masalah pencarian gambar dalam skala yang besar. Konsep CBIR cukup sederhana, yaitu dalam melakukan proses pengenalan sebuah citra digital harus menggunakan konten-konten yang terkandung didalam citra. Untuk lebih lanjut pengguna CBIR dapat merubah konten-konten yang ada dalam citra digital, aktifitas merubah dapat berarti menyederhanakan fitur yang di dapat atau dijadikan fitur ke dalam betuk lain untuk memudahkan perhitungan komputer.

3.

Kerangka Kerja Penelitian

Tabel 2. Nilai RGB Citra B

4.2 Nilai HSV Tabel 3. Nilai HSV Citra A

Tabel 4. Nilai HSV Citra B

Gambar 2. Kerangka Kerja Penelitian 4. ANALISA DAN PERANCANGAN 4.1 Nilai RGB Tabel 1. Nilai RGB Citra A 105 Junal Manajemen dan Informatika Komputer Pelita Nusantara



ISSN 2088-3943

4.3 Kuantisasi Tabel 5. Kuantisasi Citra A

106 Junal Manajemen dan Informatika Komputer Pelita Nusantara



ISSN 2088-3943

Tabel 6. Kuantisasi Citra B

4.4 Histogram Tabel 7. Histogram Citra A 4.5 Hasil Perbandingan Tabel 9. Hasil Perbandingan Histogram

Tabel 8. Histogram Citra B




ISSN 2088-3943

5. IMPLEMENTASI DAN PENGUJIAN

Gambar 3. Implementasi Sistem

No

Gambar A

1

Mobil1.bmp 296x170

Tabel 10. Pengujian Sistem Gambar B Kemiripan % 57,7

8

Sesuai Harapan

77,05

22,95

0,69

Tidak Sesuai harapan

77,05

22,95

0,69

Tidak Sesuai harapan

23,8

76,72

0,68

Sesuai harapan

23,8

76,72

0,68

Sesuai harapan

20,79

79,21

0,68

Sesuai harapan

20,79

79,21

0,68

Sesuai harapan

Bunga1.bmp 269x187

7

Bunga3.bmp 259x194

0,72

Bunga4.bmp 284x177

6 Bunga4.bmp 284x177

42,3

Mobil3.bmp 299x168

5 Bunga1.bmp 269x187

57,7

Sesuai Harapan

Mobil4.bmp 259x194

4

Mobil4.bmp 259x194

Hasil

Mobil1.bmp 296x170

3

Mobil3.bmp 299x168

Waktu (detik) 0,72

Mobil2.bmp 283x178

2

Mobil2.bmp 283x178

Selisih % 42,3

Bunga2.bmp 300x168



Bunga2.bmp 300x168


Bunga3.bmp 259x194

9

Binatang1.bmp 300x168

28,6

71,4

0,68

Tidak sesuai harapan

28,6

71,4

0,68

Tidak sesuai harapan

54,48

45,16

0,68

Sesuai harapan

54,48

45,16

0,68

Sesuai harapan

42,98

57,02

0,66

Sesuai harapan

42,98

57,02

0,66

Sesuai harapan

98,2

1,8

1,88

Sesuai harapan

98,2

1,8

1,88

Sesuai harapan

Mobil2-b.bmp 566x356

18

Mobil2-b.bmp 566x356

Sesuai harapan

Bangungan3.bmp 284x177

17

Mobil2.bmp 283x178

0,68

Bangunan4.bmp 259x194

16


79,41


15


20,59


14


Sesuai harapan


13 Bangunan1.bmp 276x183

0,68


12


79,41


11


20,59


10


ISSN 2088-3943

Mobil2.bmp 283x178




19

Bunga3.bmp 259x194

99,22

0,78

1,72

Sesuai harapan

99,07

0,93

1,79

Sesuai harapan

99,07

0,93

1,79

Sesuai harapan

98,43

1,57

1,66

Sesuai harapan

98,43

1,57

1,66

Sesuai harapan

Bangungan2-b.bmp 516x390

24

Bangungan2-b.bmp 516x390

Sesuai harapan


23


1,72

Binatang2-b.bmp 502x402

22

Binatang2-b.bmp 502x402

0,78

Bunga3.bmp 259x194

21


99,22

Bunga3-b.bmp 518x388

20 Bunga3-b.bmp 518x388

ISSN 2088-3943


Jumlah Sesuai harapan ∗ 100 Jumlah Pengujian 20 Hasil Pengujian = 100 24 𝐻𝑎𝑠𝑖𝑙 𝑃𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛 = 83,3 % Hasil Pengujian =

6. KESIMPULAN DAN SARAN 6.1 Kesimpulan Dibawah ini adalah kesimpulan yang telah penulis rumuskan dari pembahasanpembahasan yang telah dilakukan, yaitu : 1. Histogram warna dibuat dengan mengambil nilai warna rgb dari citra kemudian dikonversi menjadi nilai warna hsv. Setelah dikonversi kemudian dilakukan kuantisasi hingga 112 warna, dan menghitung jumlah kontribusi masing-masing warna. Setelah didapatkan hasil kontribusi warna, masing-masing warna dibagi dengan jumlah keseluruhan piksel. 2. Cara membandingkan histogram warna citra digital yaitu dengan mengurangkan masing-masing histogram warna oleh citra queri dan citra basisdata. Nilai

selisih terendah adalah hasil yang paling baik. 3. membangun aplikasi pencarian gambar yang sama menggunakan metode Content Based Image Retrieval(CBIR) yaitu dengan mengkaji semua perhitungan yang ada, dan menerapkan semua perhitungan tersebut didalam pemograman yaitu menggunakan Visual Studio 2008. 6.2 Saran Di bawah ini adalah saran-saran yang penulis buat berdasarkan batasan masalah. Saran yang dimaksud adalah sebagai berikut : 1. Untuk melakukan pencarian gambar yang sama menggunakan metode Content Based Image Retrieval (CBIR) sebaiknya tidak hanya menggunakan histogram warna saja, sebaiknya 110

Junal Manajemen dan Informatika Komputer Pelita Nusantara



ISSN 2088-3943

menggunakan fitur yang lain seperti garis tepi, berdasarkan bentuk dan yang lainnya. 2. Berkas gambar yang dicari sebaiknya tidak hanya bertipe atau berekstensi BMP, sebaiknya berkas gambar yang lain seperti JPG, PNG, PIF, GIF atau yang lainnya dapat diterapkan metode CBIR agar lebih dinamis ketika diaplikasikan dalam bentuk software. Pembangunan aplikasi sebaiknya tidak hanya menggunakan Visual Basic 2008, aplikasi lain juga dirasa perlu karena untuk mengetahui tingkat efektifitas pencarian menggunakan banyak aplikasi pemograman yang berbeda. DAFTAR PUSTAKA [1] Kusrini dan Agus Harjoko (). “Pencarian Citra Visual Berbasis Isi Citra Menggunakan Fitur Warna Citra”. [2] Sridhar dan Gowri (2012). “Color and Texture Based Image Retrieval”. [3] Lumb, Manisha, Er.(2013). “Texture Feature Extraction of RGB, HSV, YIQ and Dithered Images using Wavelet and DCT Decomposition Techniques”. [4] Singha, Manimala dan Hemachandran, K. (2012). “Content Based Image Retrieval Using Color and Texture”. [5] Kekre, H.B, Dr. (). “Color Feature Extraction For CBIR” [6] Zaqout, Ihab. (2014). “Content-Based Image Retrieval using Color Quantization and Angle Representation” [7] Verlmurugan K, Baboo Santhosh S. Lt.Dr (2011). “Content-Based Image Retrieval using SUFT and Colour” [8] Rao Koteswara L., Rao Venkata D. (2014). “Combination of Color and Local Patterns as a Feature Vector for CBIR” [9] Singhai Nidhi, Shandilya Shisir K. Prof (2010). “A Surver On: Content Based Image Retrieval Systems” [10] Deole Pragati Ashok Ms., Longadge Rushi Prof. (2014). “Content Based Image Retrieval using Color Feature Extraction with KNN Classification” [11] Mente Rajivkuma et al (2014). “Image Recognition using Texture and Color” [12] Sharma Rachita, Dubey Kumar Sanjay (2012). “Analysis of HSV Color Space for Image Retrieval” [13] John, Joyal. et.all, (2014). “Comparison of Computer Graphics identification in Different Color Spaces”


METODE CONTENT BASED IMAGE RETRIEVAL (CBIR) UNTUK PENCARIAN GAMBAR YANG SAMA MENGGUNAKAN PERBANDINGAN HISTOGRAM WARNA RGB

Recommend Documents