Академический Документы
Профессиональный Документы
Культура Документы
ABSTRACT
Fishes are the most numerous and diverse of the major vertebrate groups causing difficulties in
fish image recognition. Therefore, feature extraction in content-based image retrieval is needed to
obtain pattern or fish features. This research uses freshwater fish images categorized based on the
family. This research started with collected fish images from Axelrod’s Mini-Atlas of Freshwater
Aquarium Fishes Mini-Edition. The first step in this research is segmented fish images with
expectation maximization algorithm for grouping color contained into images. Next step is image
extraction method by using three image visual features (color, shape, texture). Color feature
extraction with Fuzzy Color Histogram (FCH) method is used through computing the membership
function using Cauchy function. Shape feature is extracted using Hough Transform Circle and Co-
occurrence Matrix method is computed for texture feature extraction. Similarity value between image
query and images in database is then computed based on its features (color, shape, and texture) using
cosine similarity. Those features were combined with Bayesian Network Model. Average precision
value on all families fish images database for color, shape, texture and bayesian network are 0.2586,
0.2589, 0.2479, 0.2639 respectively. However, they don’t significantly different.
Keywords: fishes, feature extraction, content-based image retrieval (CBIR), fuzzy color histogram,
hough transform circle, bayesian network model
2
b Ekstraksi ciri bentuk keabuan karena mengoptimalkan nilai
precision citra ikan.
Tahap awal ekstraksi ciri bentuk
dilakukan pendeteksian tepi menggunakan Co-occurrence matrix dihitung dalam
metode canny edge detector. Pendeteksi tepi empat arah yaitu 00, 450, 900, dan 1350. Jadi,
canny akan menandai piksel-piksel yang untuk setiap citra akan dihasilkan empat co-
mengalami perubahan intensitas gradien occurrence matrix. Setelah itu, nilai energy,
yang cukup signifikan dan memberi nilai nol IDM, entropy, MP, contrast, correlation,
pada piksel-piksel lain yang tidak dan homogenity dihitung untuk setiap co-
mengalami perubahan intensitas gradien occurrence matrix sehingga untuk setiap
yang signifikan. fitur akan diperoleh empat nilai, masing-
masing untuk arah 00, 450, 900, dan 1350.
Tiap piksel yang ditandai oleh
Nilai dari setiap fitur diperoleh dengan
pendeteksi tepi atau yang bernilai 1
menghitung rata-rata keempat nilai fitur
kemudian diperiksa untuk mencari
yang bersangkutan. Informasi tersebut
kemungkinan kurva yang melalui piksel
kemudian direpresentasikan dengan sebuah
tersebut. Setiap piksel pada citra yang dilalui
vektor yang memiliki tujuh elemen dan nilai
representasi bentuk diberi voting 1. Begitu
akhir dari informasi tekstur diperoleh
seterusnya sampai semua piksel pada citra
dengan melakukan normalisasi terhadap
biner diperiksa. Pada bagian akhir, semua
vektor masing-masing citra.
nilai akumulasi untuk masing-masing piksel
untuk mengetahui kemungkinan bentuk Pengukuran Kemiripan
yang terbaca pada citra. Nilai-nilai tersebut
Pengukuran kemiripan antara citra kueri
menandakan frekuensi banyaknya
dengan citra yang ada dalam basis data untuk
representasi bentuk yang melalui titik
salah satu informasi warna, bentuk, dan tekstur
tersebut dan nilai-nilai tertinggi menandakan
menggunakan ukuran kesamaan cosine. Rumus
bahwa kemungkinan besar bentuk-bentuk
ukuran kesamaan cosine dapat dilihat pada
yang (membentuk voting) melalui titik-titik
Persamaan 4 (Rodrigues dan Araujo 2004).
tersebut memang berada di dalam citra.
𝑛
Titik-titik yang memiliki nilai voting 𝐼𝑡 𝑄 𝑖=1 𝐼𝑖 ×𝑄𝑖
𝑠𝑖𝑚(→ →
𝐼 , 𝑄 )= = , (4)
tertinggi disebut sebagai peak atau local 𝐼 𝑄 𝑛 𝑄 2× 𝑛 𝐼 2
𝑖=1 𝑖 𝑖=1 𝑖
maxima. Peak yang ditemukan kemudian
dengan
diperiksa kembali apakah kurva yang
berasal dari titik tersebut benar mendekati I = citra dalam basis data
data sebenarnya dalam citra. Peak yang
Q = citra kueri.
nantinya menjadi fitur ciri dari citra adalah
peak yang paling banyak mendekati data Pengukuran citra kueri dengan citra di dalam
pada citra sebenarnya. basis data berdasarkan gabungan ketiga
informasi (warna, bentuk, dan tekstur) dihitung
Pada penelitian ini dilakukan
menggunakan Bayesian Network (Rodrigues &
pengambilan seratus buah peak yang
Araujo 2004). Rumus Bayesian Network dapat
memiliki nilai voting tertinggi melalui
dilihat pada Persamaan 5.
hough transform dan dibuat threshold untuk
pengambilan jumlah kurva yang paling 𝑃 𝐼𝑗 𝑄 = 𝜂 [1 − 1 − 𝑃 𝐶𝐶𝑗 | 𝐶𝐶 … 𝑥 1−
dekat dengan citra sebenarnya. Nilai
threshold yang diambil mulai dari 5, 10, 15, 𝑃 𝐶𝑆𝑗 | 𝐶𝑆 𝑥 1 − 𝑃 𝐶𝑇𝑗 | 𝐶𝑇 ], (5)
dan 20. Pengambilan nilai threshold yang dengan
bervariasi bertujuan untuk melihat P(CCj|CC) = nilai kemiripan warna
banyaknya jumlah kurva yang paling P(CSj|CS) = nilai kemiripan bentuk
optimal dalam mendekati data dalam citra. P(CTj|CT) = nilai kemiripan tekstur.
c Ekstraksi ciri tekstur Evaluasi Temu Kembali Citra
Langkah awal yang dilakukan untuk Evaluasi dilakukan untuk mengukur tingkat
mendapatkan informasi tekstur dari sebuah keberhasilan dalam proses temu kembali citra
citra hasil segmentasi adalah dengan ikan. Proses evaluasi dilakukan dengan
menentukan co-occurrence matrix. Co- menghitung nilai interpolasi dari recall dan
occurrence matrix menggunakan beberapa precision berdasarkan penilaian relevansinya
level keabuan yaitu 8, 16, 32 dan 64. Level terhadap masing-masing famili citra ikan.
keabuan yang dipakai adalah delapan level Semua citra di basis data dijadikan sebagai
3
kueri sehingga total kueri yang digunakan
sebanyak 320 citra.
HASIL PERCOBAAN (e) The Catfishes
Segmentasi
Segmentasi pada citra ikan dilakukan untuk (f) The Livebearers
mengelompokkan warna yang dikandung oleh
setiap piksel dari citra ke beberapa segmen
(cluster) yaitu dua, tiga, empat, lima, enam, dan
tujuh. Cluster ini merupakan representasi dari (g) Barbs and Minnows
warna-warna dominan citra. Pada tahap ini
diambil sebanyak sepuluh citra ikan berbagai
karakter yang dijadikan sample untuk
menentukan cluster terbaik pada citra ikan. (h) Other Families
Tahapan segmentasi ini bertujuan mendapatkan Gambar 1 Contoh citra deteksi tepi Canny.
kelompok-kelompok warna dominan dan
mengurangi jumlah warna citra asli. HT menggunakan pendekatan lingkaran,
Berdasarkan hasil percobaan, jumlah cluster dari tiap titik tepi pada citra biner akan
terbaik yang digunakan untuk segmentasi citra dibuat sejumlah lingkaran dengan nilai
ikan adalah tujuh cluster. Citra hasil segmentasi radius yang berbeda-beda pada rentang nilai
ini selanjutnya digunakan untuk tahapan r =1 piksel hingga r = N piksel dengan N
ekstraksi ciri warna, bentuk, dan tekstur. adalah ukuran panjang citra maksimum. Hal
Hasil Ekstraksi Ciri tersebut dilakukan untuk mendefinisikan
semua kemungkinan lingkaran yang terdapat
a Ekstraksi ciri warna pada citra yang dipusatkan pada titik tepi
Ekstraksi ciri warna menggunakan FCH tersebut. Accumulator array (x0, y0, r)
untuk seluruh citra yang ada di basis data mencatat jumlah lingkaran dengan radius r
adalah matriks berukuran 30 x 320. Hal ini yang melalui (x0, y0).
dikarenakan jumlah bin yang digunakan Pada akhir proses HT dipilih jumlah
merupakan jumlah bin yang optimal, yaitu voting pada accumulator array yang
30 dengan 320 citra yang ada di basis data. memiliki voting paling banyak untuk
masing-masing nilai radius yang disebut
b Ekstraksi ciri bentuk sebagai nilai peak. Kemudian diperiksa
Setelah didapatkan hasil segmentasi, kembali apakah kurva (lingkaran) yang
dilakukan proses pendeteksian tepi ditandai oleh peak tersebut benar mendekati
menggunakan pendeteksi tepi Canny dengan data sebenarnya di dalam citra. Dari proses
nilai threshold 0.5 dan variant 1.3. Contoh tersebut dihasilkan matriks dua dimensi
citra biner hasil pendeteksi tepi Canny untuk berukuran sama dengan ukuran citra yang
setiap famili dapat dilihat pada Gambar 1. diolah. Pada matriks tersebut terdapat
Hasil citra biner kemudian menjadi masukan sejumlah peaks yang menandai keberadaan
bagi penerapan metode HT. kurva (lingkaran) yang sesuai dengan citra.
Hasil HT dapat dilihat pada Gambar 2.
Untuk setiap percobaan dilakukan
pengambilan jumlah peak yang berbeda.
(a) Family Cichlidae Berdasarkan percobaan, pengambilan
jumlah peak yang optimal sebanyak lima
peak.
Berdasarkan percobaan awal terhadap
(b) The Anabantoids jenis HT yang digunakan untuk citra ikan,
HT lingkaran lebih meningkatkan precision
temu kembali citra daripada HT elips. Oleh
karena itu, metode penciri bentuk yang
(c) Killifishes and Relatives
digunakan adalah HT lingkaran.
4
keberhasilan dalam proses temu kembali citra.
Perhitungan nilai precision dari suatu famili
dilakukan dengan cara menjadikan setiap citra
yang ada di famili tersebut sebagai citra kueri.
(b) The Anabantoids Nilai yang disajikan adalah nilai precision
berdasarkan ciri warna, bentuk, tekstur dan
penggabungan ketiganya dengan Bayesian
Network.
(c) Killifishes and Relatives Perbandingan rata-rata nilai precision untuk
seluruh famili dapat dilihat pada Tabel 1. Nilai
rata-rata precision terbesar untuk seluruh famili
diperoleh menggunakan gabungan warna,
(d) The Characoid Fishes bentuk, dan tekstur (model Bayesian Network)
yaitu sebesar 0.2639. Namun demikian, nilai
rata-rata precision terkecil untuk seluruh famili
diperoleh menggunakan penciri tekstur. Hal ini
disebabkan tekstur pada citra ikan umumnya
(e) The Catfishes lebih beragam.
Tabel 1 Perbandingan nilai recall precision
untuk seluruh famili
5
Gambar 3 Hasil temu kembali menggunakan model Bayesian Network.
Hipotesis Pengujian: DAFTAR PUSTAKA
H0 : tidak ada metode yang berbeda nyata
H1 : minimal ada sepasang metode yang Aunuddin. 2005. Statistika: Rancangan dan
berbeda nyata Analisis Data. Bogor: IPBPRESS.
Keputusan terima H0 dapat diambil karena Axelrod HR. 1995. Mini-Atlas of Freshwater
Fhit < Fα. Kesimpulan yang didapat adalah tidak Aquarium Fishes Mini-Edition. United
ada metode yang berbeda nyata antara penciri States: T. F. H. Publications, Inc.
warna, bentuk, tekstur dan bayesian.
Belongie S, et al. 1998. Color- and Texture-
KESIMPULAN DAN SARAN Based Image Segmentation Using EM and
Its Application to Content-Based Image
Retrieval. Berkeley: ICCV.
Kesimpulan
Balqis DP. 2006. Fuzzy Color Histogram untuk
Ekstraksi ciri warna, bentuk, dan tekstur
Temu Kembali Citra Bunga. [Skripsi].
pada citra ikan hias air tawar berhasil dilakukan.
Bogor: Fakultas Matematika dan Ilmu
Nilai rata-rata precision seluruh citra dalam
Pengetahuan Alam, Institut Pertanian Bogor.
database paling baik menggunakan penciri
bentuk, yaitu sebesar 0.2589 sedangkan untuk Chen Y, et al. 2004. Machine Learning and
penciri warna sebesar 0.2586, dan penciri Statistical Modeling Approaches to Image
tekstur menghasilkan nilai terkecil yaitu 0.2479. Retrieval. United States of America: Kluwer
Gabungan ketiga ciri (warna, bentuk, dan Academic Publishers.
tekstur) dapat menghasilkan nilai rata-rata
Han J, Ma K. 2002. Fuzzy Color Histogram and
precision sebesar 0.2639. Tidak ada metode
Its Use in Color Image Retrieval. IEEE
yang berbeda nyata antara penciri warna,
Transaction on Image Processing, vol 11,
bentuk, tekstur dan gabungan ketiganya.
no. 8.
Saran
Hastuti YP. 2007. Analisis Kinerja Algoritma
Penelitian lebih lanjut berupa ekstraksi ciri Expectation Maximization untuk Segmentasi
warna, bentuk, dan tekstur pada citra ikan dan Sistem Temu Kembali Citra. [Skripsi].
menggunakan tahap segmentasi dengan Bogor: Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor.
pendekatan lokal (local-based) dan pendekatan
bagian (part-based). McAndrew A. 2004. Introduction to Digital
Image Processing with MATLAB. Boston:
Thomson.
Moyle PB, Cech JJ. 1992. Fishes: An Yates B & Neto R. 1999. Modern Information
Introduction to Ichthyology. New York: Retrieval. New York: Addison Wesley.
Prentice Hall.
Zhang R, Zhang Z. 2004. A Robust Color
Nixon MS, Aguado AS. 2002. Feature Object Analysis Approach to Efficient
Extraction and Image Processing. London: Image. EURASIP Journal on Applied Signal
Newnes.
Processing, 6, 871-885.
Osadebey ME. 2006. Integrated Content-Based
Image Retrieval Using Texture, Shape and
Spasial Information. [Thesis]. Umea:
Department of Applied Phyiscs and
Electronics, Umea University.
Pebuardi R. 2008. Pengukuran Kemiripan Citra
Berbasis Warna, Bentuk, dan Tekstur
Menggunakan Bayesian Network. [Skripsi].
Bogor: Fakultas Matematika dan Ilmu
Pengethuan Alam, Institut Pertanian Bogor.
Rodrigues PS & Araujo A. 2004. A Bayesian
Network Model Combining Color, Shape
and Texture Information to Improve Content
Based Image Retrieval System. Brazil:
LNCC.
Wahyuningsih Y. 2006. Metode Hough
Transform untuk ekstraksi ciri bentuk pada
citra bunga. [Skripsi]. Bogor: Fakultas
Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.
Walpole RE. 1992. Pengantar Statistika.
Jakarta: PT Gramedia Pustaka Utama.