Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur Menggunakan Bayesian Network Rizki Pebuardi G64104016 Pembimbing : 1. Ir. Agus Buono, M.Si., M.Kom. 2. Yeni Herdiyeni, S.Si., M.Kom.

CBIR (Content Based Image Retrieval) Warna Bentuk CBIR Tekstur

CBIR (Content Based Image Retrieval) Praproses Ekstraksi Ciri Pengindeksan Penemuan kembali CBIR adalah…

CBIR (Content Based Image Retrieval) Praproses Ekstraksi Ciri Pengindeksan Penemuan kembali Pengukuran tingkat kemiripan CBIR adalah…

Fungsi Pembobotan vs. Bayesian Network Warna Bentuk Tekstur CBIR adalah… Pembobotan manual : 0.4*warna + 0.3*bentuk + 0.3 tekstur Bayesian network : pembobotan automatis

Tujuan Mengimplementasikan dan menganalisis kinerja model Bayesian network Ruang Lingkup Kemiripan Citra Model Bayesian Network Warna HSV-162 Bentuk Edge Direction Histogram Tekstur Co-occurrence matrix

Ekstraksi Ciri Warna Histogram 162 (HSV-162) bin 1 bin 2 bin 3 . bin j Citra RGB Citra HSV Histogram 162

Ekstraksi Ciri Bentuk Edge Direction Histogram |G|=|Gx|+|Gy| Citra RGB Sobel Edge Detector Citra grayscale

Ekstraksi Ciri Bentuk Edge Direction Histogram bin 1 bin 2 bin 3 . bin j bin 72 Citra RGB Sobel Edge Detector Θ = tan(Gy/Gx) Citra grayscale

Ekstraksi Ciri Tekstur Co-occurrence Matrix 19 1 .. 5 347 80 17 2 57 47 31 3 28 36 68 Citra RGB Citra grayscale Co-occurrence matrix 16 x 16 Distance = 1, angle = 00, 450, 900, 1350

Ekstraksi Ciri Tekstur Co-occurrence Matrix energy moment entropy maxProb contrast correl homog

Model Bayesian network

Model Bayesian network

Model Bayesian network

Pengukuran Kemiripan Formula Bayes Cosine Similarity

Model Bayesian network (Rodrigues & Araujo 2004) Warna Citra j di basis data Citra kueri bin 1 bin 2 .. bin 162 bin 1 bin 2 .. bin 162 Cosine Similarity

Model Bayesian network (Rodrigues & Araujo 2004) Bentuk Citra j di basis data Citra kueri bin 1 bin 2 .. bin 72 bin 1 bin 2 .. bin 72 Cosine Similarity

Model Bayesian network (Rodrigues & Araujo 2004) Tekstur Citra j di basis data Citra kueri energy moment .. homog energy moment .. homog Cosine Similarity

Evaluasi Hasil Temu Kembali Basis data citra Citra relevan |R| Citra yang ditemukembalikan |A| Citra relevan yang ditemukembalikan |Ra|

Hasil dan Pembahasan

Contoh Hasil Temu Kembali

Precision untuk Kelas Mobil Recall Warna Bentuk Tekstur Bayes 1.0000 0.1 0.3198 0.4447 0.3764 0.5004 0.2 0.2870 0.4079 0.3320 0.4415 0.3 0.2641 0.3936 0.3083 0.4005 0.4 0.2382 0.3791 0.2901 0.3657 0.5 0.2230 0.3643 0.2797 0.3415 0.6 0.2092 0.3408 0.2685 0.3200 0.7 0.1993 0.3171 0.2586 0.3016 0.8 0.1933 0.2887 0.2495 0.2838 0.9 0.1877 0.2348 0.2243 0.2536 1 0.1755 0.1654 0.1890 0.1915 Rataan 0.2997 0.3942 0.3433 0.4000

Kelas Mobil

Precision untuk Kelas Singa Recall Warna Bentuk Tekstur Bayes 1.0000 0.1 0.4746 0.2290 0.2557 0.5514 0.2 0.4104 0.2244 0.2025 0.4455 0.3 0.3794 0.2201 0.1783 0.3818 0.4 0.3475 0.2111 0.1590 0.3160 0.5 0.3163 0.2045 0.1512 0.2707 0.6 0.2965 0.2013 0.1393 0.2389 0.7 0.2748 0.1948 0.1120 0.2127 0.8 0.2552 0.1829 0.1093 0.1889 0.9 0.2313 0.1738 0.1096 0.1681 1 0.1156 0.1349 0.1100 0.1373 Rataan 0.3729 0.2706 0.2297 0.3556

Kelas Singa

Precision untuk Kelas Matahari Terbenam Recall Warna Bentuk Tekstur Bayes 1.0000 0.1 0.3494 0.3356 0.4171 0.5608 0.2 0.2919 0.2624 0.3762 0.5095 0.3 0.2552 0.2194 0.3269 0.4703 0.4 0.2272 0.1972 0.3009 0.4296 0.5 0.2070 0.1769 0.2852 0.3782 0.6 0.1868 0.1602 0.2589 0.3285 0.7 0.1720 0.1457 0.2373 0.2809 0.8 0.1560 0.1319 0.2146 0.2291 0.9 0.1379 0.1171 0.1625 0.1748 1 0.1121 0.0946 0.1232 0.1128 Rataan 0.2814 0.2583 0.3366 0.4068

Kelas Matahari Terbenam

Precision untuk Kelas Tekstur Recall Warna Bentuk Tekstur Bayes 1.0000 0.1 0.4071 0.4418 0.5205 0.5780 0.2 0.3663 0.3701 0.4950 0.5396 0.3 0.3162 0.3210 0.4865 0.5214 0.4 0.2858 0.2939 0.4724 0.4956 0.5 0.2638 0.2671 0.4502 0.4591 0.6 0.2485 0.2513 0.3979 0.4091 0.7 0.2359 0.2317 0.3438 0.3536 0.8 0.2223 0.2079 0.2706 0.2880 0.9 0.2004 0.1782 0.2247 0.2303 1 0.1676 0.1609 0.1602 0.1637 Rataan 0.3376 0.3385 0.4383 0.4580

Kelas Tekstur

Precision untuk Kelas Gajah Recall Warna Bentuk Tekstur Bayes 1.0000 0.1 0.2876 0.5017 0.2196 0.4178 0.2 0.2027 0.4594 0.1967 0.3404 0.3 0.1871 0.4175 0.1724 0.3007 0.4 0.1725 0.3831 0.1627 0.2665 0.5 0.1668 0.3525 0.1547 0.2517 0.6 0.1620 0.3196 0.1486 0.2298 0.7 0.1533 0.2866 0.1393 0.2096 0.8 0.1428 0.2469 0.1370 0.1914 0.9 0.1292 0.2095 0.1323 0.1697 1 0.1028 0.1461 0.1069 0.1287 Rataan 0.2461 0.3930 0.2337 0.3187

Kelas Gajah

Precision untuk Semua Kelas Recall Warna Bentuk Tekstur Bayes Peningkatan (%) 1.0000 0.0000 0.1 0.4008 0.3346 0.3557 0.4860 17.5286 0.2 0.3448 0.2859 0.3129 0.4221 18.3203 0.3 0.3058 0.2580 0.2803 0.3779 19.0684 0.4 0.2754 0.2407 0.2577 0.3396 18.9188 0.5 0.2568 0.2221 0.2396 16.0371 0.6 0.2395 0.2062 0.2138 0.2714 11.7367 0.7 0.2237 0.1914 0.1936 0.2426 7.7668 0.8 0.2076 0.1735 0.1729 0.2134 2.6857 0.9 0.1924 0.1522 0.1529 0.1833 -4.9427 1 0.1586 0.1249 0.1266 0.1401 -13.2086 Rataan 0.3277 0.2900 0.3005 0.3620 8.5374

Precision untuk Semua Kelas

Kesimpulan Saran Berhasil mengimplementasikan Bayesian Network Bayesian Network memberikan bobot berdasarkan informasi citra yang dominan Bayesian network meningkatkan nilai precision Saran Menggunakan metode ekstraksi ciri yang lebih bagus

Daftar Pustaka Baeza-Yates R dan Berthier Ribeiro-Neto. 1999. Modern Information Retrieval. New York : Addison Wesley. Gonzalez RC, et al. 2004. Digital Image Processing Using Matlab. New Jersey : Pearson Prentice Hall. Han J, Ma KK. 2002. Fuzzy Color Histogram and Its Use in Color Image Retrieval. IEEE Transaction on Image Processing, vol. 11, no. 8, 2002. Hong JZ, Aditya Vailaya dan Anil Jain. On Image Clasification : City Images vs. Landscapes. Michigan : Department of Computer Science, Michigan State University. Neapolitan RE. 2004. Learning Bayesian Networks. Illinois : Prentice Hall. Rodrigues PS & Arnaldo de Albuquerque Araujo. 2004. A Bayesian Network Model Combining Color, Shape and Texture Information to Improve Content Based Image Retrieval Systems. LNCC, Petropolis, Brazil. Russell S & Peter N. 1995. Artificial Intelligence, A Modern Approach. New Jersey : Prentice Hall. Russell S & Peter N. 2003. Artificial Intelligence A Modern Approach, Second Edition. New Jersey : Prentice Hall. Vertan C & Nozha Boujemaa. 2000. Using Fuzzy Histogram and Distances for Color Image Retrieval. Challenge of Image Retrieval, Brighton. Wahyuningsih Y. 2006. Metode Hough Transform untuk Ekstraksi Ciri Bentuk pada Citra Bunga [skripsi]. Bogor : Departemen Ilmu Komputer, Institut Pertanian Bogor. Vailaya A & Anil Jain. 1995. Image Retrieval Using Color and Shape. Michigan : Michigan State University. Vailaya A. 1996. Shape-Based Image Retrieval [thesis]. Michigan : Michigan State University.

Terima Kasih