PENCARIAN GAMBAR YANG SAMA MENGGUNAKAN PERBANDINGAN HISTOGRAM WARNA RGB DENGAN METODE CONTENT BASED IMAGE RETRIEVAL

Insan Taufik

Jurusan Teknik Informatika, STMIK BUDIDARMA Medan

Jalan Sisingamangaraja No. 338 Simpang Limun Medan

www.stmik-budidarma.ac.id// Email : insan.taufik@gmail.com

ABSTRAK

Gambar adalah media untuk memproyeksikan penglihatan secara permanen pada media tertentu, baik kertas, plastik, dinding, maupun sebagai berkas dalam komputer yang juga dapat diproyeksikan pada monitor komputer. Khusus untuk berkas gambar, dengan semakin maraknya handphone dan kamera maka semakin mudah juga masyarakat untuk mengambil gambar dalam bentuk digital. Dari kejadian ini tidak menutup kemungkinan terjadinya penumpukan gambar didalam komputer yang tidak terorganisis sama sekali, karena akan sangat sulit menamai berkas gambar satu persatu dari semua berkas gambar yang ada di dalam komputer. Jadi muncul satu permasalahan apabila terjadi penumpukan photo yang tidak terorganisir, seperti besar kemungkinan terjadinya penduplikasian berkas gambar yang pada akhirnya akan membuat ruang simpan semakin berkurang. Satu lagi permasalahan yang mungkin timbul adalah bila hendak mencari lokasi gambar yang ada, akan memakan waktu apabila mencari dengan membuka satu persatu gambar yang ada dalam folder.

Dengan segala permasalahan ini, ternyata ada suatu penyelesaian yaitu dengan memakai metode Content Based Image Retrieval (CBIR) yang memanfaatkan histogram warna RGB dari berkas gambar. Dengan menggunakan metode ini permasalahan penduplikasian gambar dapat teratasi, karena metode ini dapat diterapkan pada aplikasi guna mencari gambar berdasarkan isi konten dari gambar.

Kata Kunci : Gambar, Komputer, CBIR, Pencarian Gambar Yang Sama

PENDAHULUAN

Perkembangan media gambar sangat memudahkan setiap orang untuk merekam gambar pada setiap momen yang dianggap penting, hal itu terbukti dengan banyak jumlah produk perekam gambar yang di produksi dan bahkan dijual dengan harga yang sangat murah, selain kamera yang sudah jelas fungsinya adalah sebagai media pengambilan gambar paling baik, banyak produk yang tidak lazim juga sudah memasukkan fungsi kamera, seperti CCTV, Laptop, Handphone, Pulpen, Kunci Mobil, Jam Meja dan masih banyak lagi.

Di tengah kondisi seperti ini muncul suatu masalah penamaan berkas gambar yang direkam, karena nama berkas gambar yang direkam, disimpan bukanlah berdasarkan situasi atau kejadian dari gambar itu sendiri, melainkan dengan menggunakan kode tanggal, bulan, tahun dan nomor urut dari gambar itu direkam, atau juga menggunakan nama default dari pengaturan pemilik alat perekam itu sendiri, dalam kondisi ini hampir dapat di pastikan tidaklah mudah untuk mencari gambar yang diiginkan dengan cepat, apalagi mencari gambar yang sama menggunakan nama dari gambar.

Selain itu dengan perkembangan komputer dan aplikasi-aplikasi pengolahan gambar juga, sangat memudahkan setiap orang untuk merubah ataupun menggandakan berkas-berkas gambar dengan sangat cepat. Hal ini membuka peluang untuk terjadi proses duplikasi secara tidak sengaja ataupun disengaja yang tidak penting dan tidak perlu sehingga dapat mengurangi sedikit banyaknya kapasitas media penyimpanan yang ada, selain itu berkas gambar yang terduplikat juga dapat menggangu struktur file dan folder yang sudah disusun dengan rapi, dan terkadang dapat membuat bingung untuk mencari lokasi berkas.

Metode Content Based Image Retrieval atau disingkat dengan CBIR adalah sebuah metode pencarian berkas gambar. Berkas gambar dicari menggunakan unsur-unsur atau konten-konten yang terkandung pada gambar itu sendiri, jadi pencarian tidak lagi menggunakan properti dari berkas gambar seperti nama, tanggal, atau yang lainnya. Untuk penerapan metode ini unsur-unsur yang dicari dari berkas gambar adalah histogram warga RGB (red,green,blue), yaitu dengan membandingkan kapasitas masing-masing warna dari berkas gambar, selisih warna yang paling kecil dianggap adalah sebagai gambar yang paling mirip, sedangkan selisih yang bernilai 0 (nol) dianggap sebagai gambar yang sama.

TINJAUAN PUSTAKA

Image Retrieval adalah aplikasi pengolahan citra yang dapat membantu pengguna mengambil atau mencari dengan cepat citra pada suatu database citra berdasarkan query atau permintaan pengguna (Putra, 2010, chap.1). Dalam penjelasan lain menyebutkan bahwa Content Based Image Retrieval (CBIR) is considered as the process of retrieving desired images from huge database based on extracted features from the image themselves (without resorting to a key word) Latha, Y.M., Jinaga, B.C., Reddy, V.S.K., 2007, p.12. Dari kedua pengertian diatas sudah dapat disimpulkan bahwa Content Based Image Retrieval adalah metode penemuan kembali berkas citra tanpa menggunakan sebuah kata kunci melainkan dengan berbasis ekstraksi fitur.

Ekstraksi fitur atau dengan membuat query dari konten-konten citra yaitu mengambil informasi-informasi yang terkandung dalam isi citra, seperti fitur warna, aplitudo, deteksi tepi, wavelet dan lain-lain yang kemudian disimpan ke dalam basis data dan setelah itu dilakukan hal yang sama kepada gambar kunci atau gambar query, kemudian membandingkannya dengan yang ada pada basis data.

ANALISIS

Pengekstrakan fitur warna dari gambar adalah langkah awal dalam metode cbir. Setiap warna diekstrak dari masing-masing pixel yang terdapat dalam gambar, jadi setiap pixel dalam gambar akan diambil nilai dari warna R, G dan B. Untuk mengambil fitur warna tersebut di dalam visual basic 2008 tidaklah sulit, cukup hanya deklarasi variabel bitmap dan isi variabel tersebut dengan berkas gambar, setelah itu dari variabel bitmap tersebut sudah disediakan fungsi untuk mengambil fitur-fitur warna tersebut.

Gambar 1. Flowchart Pencarian Gambar

Dibawah ini diilustrasikan 2 gambar yang masing-masing mempunyai resolusi 4x4 piksel. Masing-masing gambar sudah mempunyai nilai warna RGB dan dari nilai itu dilakukan proses selanjutnya.

Gambar 2. Citra A

Gambar 3. Citra B

Dari nilai RGB diatas maka proses selanjutnya adalah proses kuantisasi masing-masing nilai RGB. Proses kuantisasi dilakukan dengan rumus dibawah ini :

Q = hasil kuatisasi (Quatization)

V = nilai warna R atau G atau B

R = range nilai yang ingin di buat.

Setelah proses kuantisasi maka hasil dari kedua citra diatas dibuat dalam tabel dibawah ini :

Tabel 1. Hasil kuantisasi Citra A

Tabel 2. Hasil kuantisasi Citra B

Kemudian dibuat tabel histogram warna masing-masing piksel seperti dibawah ini.

Tabel 3. Histogram Warna Citra A

H(0,0,0)=1

H(0,0,1)=0

H(0,0,2)=0

H(0,0,3)=1

H(0,1,0)=0

H(0,1,1)=0

H(0,1,2)=0

H(0,1,3)=0

H(0,2,0)=0

H(0,2,1)=0

H(0,2,2)=0

H(0,2,3)=0

H(0,3,0)=0

H(0,3,1)=0

H(0,3,2)=0

H(0,3,3)=0

H(1,0,0)=2

H(1,0,1)=1

H(1,0,2)=2

H(1,0,3)=0

H(1,1,0)=0

H(1,1,1)=0

H(1,1,2)=0

H(1,1,3)=0

H(1,2,0)=0

H(1,2,1)=0

H(1,2,2)=0

H(1,2,3)=0

H(1,3,0)=0

H(1,3,1)=0

H(1,3,2)=0

H(1,3,3)=0

H(2,0,0)=1

H(2,0,1)=3

H(2,0,2)=2

H(2,0,3)=0

H(2,1,0)=0

H(2,1,1)=0

H(2,1,2)=0

H(2,1,3)=0

H(2,2,0)=0

H(2,2,1)=0

H(2,2,2)=0

H(2,2,3)=0

H(2,3,0)=0

H(2,3,1)=0

H(2,3,2)=0

H(2,3,3)=0

H(3,0,0)=0

H(3,0,1)=1

H(3,0,2)=0

H(3,0,3)=2

H(3,1,0)=0

H(3,1,1)=0

H(3,1,2)=0

H(3,1,3)=0

H(3,2,0)=0

H(3,2,1)=0

H(3,2,2)=0

H(3,2,3)=0

H(3,3,0)=0

H(3,3,1)=0

H(3,3,2)=0

H(3,3,3)=0

Tabel 4. Histogram Warna Citra A

H(0,0,0)=0

H(0,0,1)=1

H(0,0,2)=1

H(0,0,3)=1

H(0,1,0)=0

H(0,1,1)=0

H(0,1,2)=0

H(0,1,3)=0

H(0,2,0)=0

H(0,2,1)=0

H(0,2,2)=0

H(0,2,3)=0

H(0,3,0)=0

H(0,3,1)=0

H(0,3,2)=0

H(0,3,3)=0

H(1,0,0)=0

H(1,0,1)=1

H(1,0,2)=1

H(1,0,3)=0

H(1,1,0)=0

H(1,1,1)=0

H(1,1,2)=0

H(1,1,3)=0

H(1,2,0)=0

H(1,2,1)=0

H(1,2,2)=0

H(1,2,3)=0

H(1,3,0)=0

H(1,3,1)=0

H(1,3,2)=0

H(1,3,3)=0

H(2,0,0)=3

H(2,0,1)=2

H(2,0,2)=2

H(2,0,3)=2

H(2,1,0)=0

H(2,1,1)=0

H(2,1,2)=0

H(2,1,3)=0

H(2,2,0)=0

H(2,2,1)=0

H(2,2,2)=0

H(2,2,3)=0

H(2,3,0)=0

H(2,3,1)=0

H(2,3,2)=0

H(2,3,3)=0

H(3,0,0)=0

H(3,0,1)=0

H(3,0,2)=2

H(3,0,3)=0

H(3,1,0)=0

H(3,1,1)=0

H(3,1,2)=0

H(3,1,3)=0

H(3,2,0)=0

H(3,2,1)=0

H(3,2,2)=0

H(3,2,3)=0

H(3,3,0)=0

H(3,3,1)=0

H(3,3,2)=0

H(3,3,3)=0

Setelah membuat tabel histogram warna RGB masing-masing citra kemudian histogram tersebut diubah kedalam bentuk larik.

Histogram Citra A ={1 , 0 , 0 , 1 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 2 , 1 , 2 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 1 , 3 , 2 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 1 , 0 , 2 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 }

Histogram Citra B = { 0 , 1 , 1 , 1 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 1 , 1 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 3 , 2 , 2 , 2 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 2 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 }

Proses selanjutnya adalah membuat normalisasi histogram warna diatas menjadi seperti dibawah ini dengan menggunakan rumus :

J = Hasil persentase (dalam persen %)

C = Jumlah pixel per warna

Np = Jumlah pixel dalam gambar

Setelah dilakukan proses normalisasi dengan menggunakan rumus diatas maka hasil yang didapat akan menjadi seperti dibawah ini :

H(A)={6.25%,0%,0%,6.25%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,12.5%,6.25%,12.5%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,6.5%,18.75%,12.5%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,6.25%,0%,12.5%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%}

H(B)={0%,6.25%,6.25%,6.25%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,6.25%,6.25%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,18.75%,12.5%,12.5%,12.5%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,12.5%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%,0%}

Kemudian proses selanjutnya adalah membagi masing-masing histogram warna dengan 100 agar nilainya tidak terlalu tinggi ketika nanti di jumlahkan. Setelah itu kemudian histogram warna A akan dikurang dengan histogram warna B dan jumlah interval dari pengurangan tersebut adalah merupakan hasil dari pencarian gambar yang sama, jika nilai yang hasil yang didapat adalah 0 maka gambar yang dibandingkan memiliki kesamaan warna penuh. Untuk lebih jelasnya pengurangan histogram warna di lakukan menggunakan rumus dibawah ini :

d() = nilai jarak antara A dan B

A = histogram citra A

B = histogram citra B

n = jumlah citra

j = nilai urutan citra

Apabila nilai histogram diatas dimasukkan kedalam rumus diatas maka hasilnya akan diperoleh sebagai berikut :

d(A,B)=|0,06-0|+|0-0,06|+|0-0,06|+|0,06-0,06|+|0-0| +|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0,13-0|+|0,06-0,06|+|0,13-0,06|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0,06-0,19|+|0,19-0,13|+|0,13-0,13|+|0-0,13|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|

+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0,06-0|+|0-0|+|0,13-0,13|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|+|0-0|

d(A,B)=0,06+0,06+0,06+0,13+0,07

+0,06+0,13+0,06

d(A,B) = 0,63

hasil 0,63 adalah hasil dari pencarian gambar yang sama yang artinya adalah gambar tersebut diatas tidak mempunyai kesamaan warna atau tidak mirip. Hasil 0 akan didapat jika gambar yang digunakan mempunyai histogram warna yang sama.

TAMPILAN PROGRAM

Gambar dibawah ini adalah tampilan dari program yang penulis buat untuk pencarian gambar yang sama menggunakan Visual Basic 2008.

Gambar 4. Hasil Program

KESIMPULAN

Setelah membahas dan menyajikan semua bab sebelumnya, dapat dibuat kesimpulan sebagai berikut :

1. Proses pengekstrakan warna RGB dari gambarnya itu dengan melakukan proses sebanyak jumlah pixel dalam gambar, kemudian masing-masing pixel diambil nilai warna R,G,Bnya.

2. Kuantisasiwarna RGB adalah dengan menyederhanakan kedalaman warna 255 menjadi 3 warna, kemudian untuk menormalisasi jumlah warna RGB adalah dengan mengubah hasil jumlah menjadi persen.

3. Sebelum membuat histogram warna hasil persen warna RGB dibagidengan 10 agar jumlah yang disimpan tidak terlalu besar, kemudian masing-masing warna RGB disatukan menjadi satu string tetapi dipisah dengan tanda tertentu setelah itu kemudian disimpan.

4. Setelah histogram warna RGB masing-masing gambar telah didapat barulah metode CBIR Content Based Image Retrieval dapat diterapkan yaitu dengan membandingkan masing-masing string histogram warna, yaitu dengan memisahkan string warna RGB yang disimpan dengan menggunakan pemisah sebelumnya kemudian dikonversi menjadi variabel angka.

5. Merancang dan membangun aplikasi pencarian gambar yang sama menggunakan metode Content Based Image Retrieval dapat menggunakan Visual Basic 2008.

Daftar Pustaka

[1]Putra, Darma. 2010. Pengolahan Citra Digital. Penerbit Andi, Yogyakarta

[2]Kusrini, dkk. Pencarian Citra Visual Berbasis Isi Citra Menggunakan Fitur Warna Citra. STMIK Amikon, Yogyakarta. Hal.1-9

[3]Bitmap. (http://id.wikipedia.org/wiki/BMP, diakses tanggal 11-03-2013)

[4]JPEG. (http://id.wikipedia.org/wiki/JPEG, diakses tangal 11-03-2013)

[5]Widodo, Yanu. 2007. Penggunaan Color Histogram dalam image retrieval. Jurnal Teknik Informatika, Ilmu Komputer

[6]Latha, M., Y., Mrs, dkk. Content Based Image Retrieval via warvelet transform. Jurnal Teknik Informatika (vol, 7 No. 13)