Perpustakaan Digital ITB

Teknik analisis citra berbasis piksel yang tradisional tidak melakukan ekstraksi informasi secara efektif karena hanya merepresentasikan konten. Pendekatan yang sangat menjanjikan dan menantang adalah mengekstraksi graf dari citra yang selain memperlihatkan konten juga menunjukkan relasi antara konten-konten yang ada. Ekstraksi graf dilakukan melalui proses segmentasi citra. Metoda segmentasi superpixel Minimum Spanning Tree merupakan salah satu cara untuk menjadikan citra terbagi menjadi region-region. Region yang didapatkan dalam tahap segmentasi direpresentasikan sebagai simpul dan relasi antar region yang bertetangga direpresentasikan sebagai sisi. Bentuk representasi ini disebut dengan Region Adjacency Graph (RAG). Representasi graf ini dan Graph Matching digunakan dalam pencocokan citra. Graf menggunakan representasi fitur citra dengan memanfaatkan fitur region dan keterkaitannya. Diasumsikan bahwa RAG yang diperoleh sebagai suatu suatu fitur graf dari citra, maka dilakukan proses pencocokan dari satu graf sebagai citra uji dengan beberapa graf citra yang ada dalam dataset graf citra.. Pencocokan citra digunakan untuk menemukan citra serupa dengan mengukur seberapa dekat fitur citra kueri dengan fitur citra lain dalam database berdasarkan fitur yang diekstraksi. Pencocokan graf yang dilakukan bisa menggunakan teknik Exact Graph Matching dengan algoritma VF2 dan inexact Graph Matching dengan algoritma Graph Edit Distance (GED). Keuntungan utama dari metode Graph Matching yang exact adalah definisi yang ketat dan dasar matematika yang kuat, sementara algoritma inexact Graph Matching tidak mencari korespondensi yang persis sama antara dua graf tetapi mencari kemiripan dari dua graf yang dibandingkan. Dalam hal ini, cost (atau jarak) dihitung dengan menghitung perbedaan perhitungan di antara atribut yang sesuai. Pencocokan akan mencari pemetaan yang meminimalkan cost tersebut. Metoda pencocokan graf ini akan diterapkan dalam temu balik citra. Hal ini dimungkinkan karena temu balik citra adalah proses untuk menemukan citra dalam basis data yang memiliki kemiripan dengan citra kueri melalui pengukuran seberapa dekat nilai fitur citra kueri dengan citra lainnya. Pencocokan graf digunakan untuk menghitung kesamaan antara graf citra. Temu balik citra saat ini didominasi oleh pendekatan yang menggabungkan beberapa representasi atau fitur yang berbeda. Disamping kekuatan dari representasi graf, ada kelemahan yang terjadi dalam pengolahan citra menggunakan representasi graf, sehingga untuk meningkatkan performa dari proses pencocokan citra maka ditambahkan fitur-fitur dasar low level fitur tingkat rendah seperti warna, tekstur dan bentuk. Dalam hal ini proses yang dikembangkan adalah metoda inexact Graph Matching yang akan digabungkan dengan metoda berbasis non graf dalam mencari fitur-fitur visual citra. Metode Color Moment (CM) digunakan untuk mencari fitur warna, metode Gray Level Co-occurrence Matrix (GLCM) untuk mencari fitur tekstur dan metode Hu Moment HM) untuk mencari fitur bentuk. Fitur-fitur yang didapatkan dibandingkan antara satu citra dengan citra yang lain untuk memperoleh nilai similarity dari dua citra menggunakan Euclidean Distance. Bobot optimal dari setiap fitur diperlukan dalam menggabungkan fitur citra. tersebut. Bobot dari setiap fitur dalam kombinasi penggabungan fitur-fitur ini bisa dilakukan secara manual dan bisa juga secara otomatis. Dalam penelitian ini, digunakan metode Jaringan Syaraf Tiruan Multi Layer Perceptron (MLP) untuk mendapatkan bobot fitur secara otomatis dan sekaligus mencari bobot yang optimal. Pengujian dari metoda yang dikembangkan diterapkan pada beberapa data set antara lain data set artificial, data set batik, data set COIL-100 dan data set Wang. Didapatkan nilai Precision, Recall dan F1_Score terbaik untuk 4 jenis data set sebagai berikut : untuk data set artificial adalah 97.09, 88.27, 92.47 dengan metoda CM + GLCM + HM dan threshold=0.3, untuk dataset batik adalah 82.46, 82.41, 82.43 dengan metoda GLCM + HM dan threshold=0.6, untuk dataset COIL-100 adalah 90.26,53.99, 67.57 dengan metoda CM dan threshold=0.3, dan untuk dataset Wang adalah 61.64, 40.52 dan 48.90 dengan metoda CM+GLCM dan threshold=0.5 . Secara umum, kombinasi dari metoda Graph Matching dengan fitur-fitur visual citra yang bobotnya bisa secara manual ataupun otomatis mendapatkan hasil kinerja yang lebih baik.