Metode Cluster Self-Organizing Map untuk Temu Kembali Citra

Presentasi berjudul: "Metode Cluster Self-Organizing Map untuk Temu Kembali Citra"— Transcript presentasi:

1 Metode Cluster Self-Organizing Map untuk Temu Kembali Citra
Pembimbing: Yeni Herdiyeni, S.Si, M.Kom Firman Ardiansyah, S.Kom, M.Si Oleh: Chita Ralina Rahardjo G

2 Content Based Image Retrieval
CITRA DIGITAL Feature extraction HASIL Pengukuran Kemiripan Basis Data Feature extraction

3 Pengukuran Kemiripan (Similarity Measurement) …1/2
Pengukuran kemiripan tanpa cluster Basis Data Membutuhkan waktu banyak untuk pengukuran kemiripan CITRA DIGITAL

4 Pengukuran Kemiripan (Similarity Measurement) …2/2
Pengukuran kemiripan dengan SOM SOM Cluster 1 Cluster 2 Cluster 3 CITRA DIGITAL

5 Metodologi Penelitian (1/2)
Basis Data Citra Citra Uji Citra Latih Segmentasi Citra Segmentasi Citra Ekstraksi Ciri Citra Ekstraksi Ciri Citra Pelatihan Pengujian FOKUS : SOM Model Clustering

6 Metodologi Penelitian (2/2)
Segmentasi Citra Kueri Ekstraksi Ciri Citra Kueri Citra Kueri Evaluasi Hasil Temu Kembali Hasil Kueri Pengukuran Kemiripan Model Cluster SOM

7 Proses Awal Temu Kembali Citra
Segmentasi Citra Expectation-Maximization Citra Citra EM Ekstraksi Ciri Warna Fuzzy Color Histogram (Balqis 2006) Teknik resampling : Pemilihan data latih dan data uji K-fold Cross Validation

8 Model Cluster Self-Organizing Map (SOM)
ZOOM ZOOM Node 1 Node 2 wj = [wj1, wj2, …,wjm]T. Node 3 Node 4 Citra Input: x = [x1, x2, ...xm]T

9 Tahapan Self-Organizing Map…1/4
BMU Input vektor Hitung Jarak Terkecil (BMU) Jarak Euclidean Network Nodes D(wj , xn) = ∑ i (wij – x ni) 2 KOMPETISI

10 Tahapan Self-Organizing Map…2/4
BMU Input vektor Aktivasi Node Tetangga Fungsi Gaussian Hij=exp(-dij2/2∂2) Network Nodes KOOPERASI

11 Tahapan Self-Organizing Map…3/4
BMU Input vektor Penyesuaian Bobot BMU dan Node Tetangga Network Nodes wj(n+1) = wj(n) + η(n)· hji (n) (xi-wj(n)) SYNAPTIC ADAPTATION

12 Tahapan Self-Organizing Map…4/4

13 Ukuran Node Tetangga Ukuran Node Tetangga = 2 Ukuran Node Tetangga = 1

14 Pengukuran Kualitas SOM(Warna)…1/3
Tabel 1 Perhitungan quantization error berdasarkan ciri warna Quantization Error LR 1 2 3 4 0.01 0.161 0.165 0.168 0.179 0.02 0.153 0.15 0.184 0.03 0.149 0.146 0.154 0.157 0.04 0.159 0.148 0.155 0.05 0.289 0.147 0.158 0.06 0.164 0.151 0.07 0.145 0.08 0.163 0.171 0.09 0.136 0.152 0.1 Ukuran Node Tetangga (hij) BMU (W) Anggota Cluster (Xi) Errorq = 1/N ∑ || xi-w || N X1 X2 - W - W

15 Pengukuran Kualitas SOM(Warna)… 2/3
Tabel 2 Perhitungan topology preservation berdasarkan ciri warna Topology Preservation LR 1 2 3 4 0.01 0.267 0.123 0.119 0.156 0.02 0.122 0.103 0.137 0.127 0.03 0.13 0.089 0.104 0.112 0.04 0.152 0.108 0.1 0.091 0.05 0.133 0.116 0.097 0.06 0.102 0.118 0.101 0.07 0.151 0.12 0.125 0.99 0.08 0.111 0.069 0.09 0.109 0.134 0.139 0.106 0.126 0.087 0.095 Ukuran Node Tetangga (hij) BMU 1 BMU 2 BMU 2 BMU 2 ? U (X2) = 0 U (X) = (1 + 0)/2 N Eq = 1/N ∑ u (xi) i=1

16 Pengukuran Kualitas SOM(Warna)… 3/3
Tabel 3 Perhitungan persentase error berdasarkan ciri warna Persentase Error LR 1 2 3 4 0.01 27.95 27.79 28.43 29.45 0.02 25.12 32.05 29.32 30.12 0.03 26.42 29.04 24.85 29.06 0.04 25.43 28 27.31 32.43 0.05 26.85 26.79 29.39 28.27 0.06 25.19 25.79 28.28 26.02 0.07 25.2 25.93 28.82 28.08 0.08 25.18 26.83 27.15 28.59 0.09 24.47 24.86 30.4 29.15 0.1 26.69 25.99 24.76 27.73 Ukuran Node Tetangga (hij) Error = 20 % BMU (W) Anggota Cluster (Xi)

17 Hasil cluster SOM Berdasarkan Warna
Data ini berdasarkan Parameter Cluster ke- Jumlah Citra Persentase Error (1,1) 35 17.143 (1,2) 21 19.047 (1,3) 31 54.086 (1,4) 14.286 (1,5) 2 (2,1) 37 18.919 (2,2) 32 15.625 (2,3) 38 23.076 (2,4) 18.75 (2,5) LR = 0.09 hij = 1

18 Hasil dan Pembahasan…1/2
Contoh hasil temu kembali citra tanpa pengelompokan (clustering) berdasarkan ciri warna

19 Hasil dan Pembahasan …2/2
Contoh hasil temu kembali menggunakan pengelompokan (clustering) berdasarkan ciri warna 4 Citra Missed Cluter

20 Pra-proses Temu Kembali Citra
Segmentasi ciri bentuk EM + pendeteksi tepi Canny Ekstraksi ciri bentuk Hough Transform (Wahyuningsih 2006)

21 Pengukuran Kualitas SOM (Bentuk)…1/3
Tabel 6 Perhitungan quantization error berdasarkan ciri bentuk Tabel 8 Perhitungan persentase error berdasarkan ciri bentuk LR 1 2 3 4 0.01 9.353 7.207 7.342 7.005 0.02 6.998 7.21 7.246 7.253 0.03 7.104 7.126 7.485 7.277 0.04 7.061 7.297 7.296 7.25 0.05 7.074 7.244 7.491 7.263 0.06 7.282 7.232 7.228 0.07 7.182 7.453 7.522 0.08 7.064 7.223 7.235 7.271 0.09 7.314 7.212 7.217 0.1 7.094 7.222 7.497 7.231 Ukuran Node Tetangga (hij) LR 1 2 3 4 0.01 59.74 59.52 59.79 60.46 0.02 58.49 59.94 60.11 59.07 0.03 59.12 60.33 60.2 59.14 0.04 59.09 59.75 59.89 0.05 58.89 59.84 59.2 0.06 59.46 61.46 60.3 0.07 59.15 59.76 60.53 60.16 0.08 59.97 62.62 59.05 62.41 0.09 59.21 60.71 62.18 0.1 59.68 59.85 59.27 59.6 Ukuran Node Tetangga (hij)

22 Hasil Clustering Berdasarkan Ciri Warna dan Bentuk
Cluster ke- Jumlah Citra Persentase Error (1,1) 35 17.143 (1,2) 23 26.086 (1,3) 32 59.375 (1,4) 14.285 (1,5) 3 (2,1) 37 18.910 (2,2) 15.625 (2,3) 39 21.062 (2,4) 30 16.667 (2,5) 34 11.764 Data ini berdasarkan : Parameter Warna LR = 0.09 hij = 1 Parameter Bentuk LR = 0.02 hij = 1

23 Hasil dan Pembahasan Contoh hasil temu kembali menggunakan pengelompokan (clustering) berdasarkan ciri warna dan bentuk 3 Citra Missed Cluter

24 Recall- Precision Retrieved Relevant Documents Documents (y) (Z)
(X) Relevant Documents (Z) Recall = x/z Precision = x/y

25 Grafik Recall-Precision Metode SOM dan Tanpa cluster Berdasarkan Warna
Pengelompokan (SOM) Tanpa Pengelompokan

26 Grafik Recall-Precision Metode SOM dan Tanpa Cluster Berdasarkan Bentuk + Warna
Pengelompokan (SOM) Tanpa Pengelompokan

27 Kesimpulan Penggunaan metode pengelompokan (clustering) menggunakan SOM dapat meningkatkan hasil temu kembali baik yang mengunakan ciri warna maupun ciri warna dan bentuk Penambahan informasi visual seperti ciri bentuk dapat meningkatkan hasil temu kembali Metode cluster SOM Metode tanpa cluster Warna 88.98 % 75.25 % Bentuk & Warna 89.25 % 75 %

28 Saran Optimasi kombinasi parameter algoritma SOM untuk memperoleh hasil yang lebih optimal Segmentasi yang lebih baik dapat meningkatkan hasil temu kembali

29 Daftar Pustaka Ardiansyah F Segmentasi Automatisasi Objek pada Citra Fotografi untuk Temu Kembali [Skripsi]. Bogor:Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor Balqis, D P Metode Fuzzy Color Histogram untuk Temu Kembali Citra Bunga [Skripsi]. Bogor: Fakultas Matematika dan lmu Pengetahuan Alam, Institut Pertanian Bogor. Bogor. Fu L Naural Network in Computer Intelligence. Singapura:McGraw Hill Han J dan Ma KK, Fuzzy Color Histogram and Its Use in Color Image Retrieval. IEEE Transaction on Image Processing, vol. 11, no. 8, 2002. Kaneko K, et al Image Classification and Retrieval based on Wavelet-SOM. IEEE International Symposium on DataBase Application in Non-Traditional Environments. Kiviluto K Topology Preservation in Self - Organizing Maps. [ Wahyuningtyas Y Metode Hough Transform untuk Ekstraksi Bentuk pada Citra Bunga [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

30 TERIMA KASIH