OPTIMASI QUERY CBIR MENGGUNAKAN INDEKS KLASTER PADA DATABASE CITRA

Juli Rejito, Drs.,M.Kom., Drs. Retantyo Wardoyo, M.Sc., Ph.D

2013 | Disertasi | S3 Ilmu Komputer

Peningkatan jumlah citra digital yang disimpan dalam media penyimpanan komputer dan kemampuan database untuk menyediakan kebutuhan informasi pemakai secara cepat dan akurat sudah menjadi suatu kebutuhan. Dengan demikian efisiensi dalam pencarian citra database berukuran besar pada system CBIR (content based image retrieval) menjadi sangat diperlukan. Penelitian ini bertujuan untuk meningkatkan akurasi temu kembali konten citra dan optimasi waktu akses pencarian citra yang diterapkan pada database WANG berukuran 1.000 record citra dan database citra berukuran 48.000 record citra yang memiliki resolusi diantara 256 x 384 piksel sampai dengan 3.727 x 3.787 piksel. Solusi yang dikembangkan berbentuk arsitektur sistem yang merupakan integrasi dari optimasi query dan pengklasteran partisi. Dasar pembentukan klaster dalam penelitian ini menggunakan nilai PSNR (Peak Signal to Noise Ratio) minimum dan maksimum yang berupa nilai kemiripan citra hasil perbandingan antara ekstraksi fitur warna record database citra dengan sebuah citra dasar, hasilnya disimpan sebagai tabel klaster dalam database citra yang selanjutnya difungsikan sebagai indeks klaster untuk penyaringan record dan penentuan posisi klaster. Hasil pengklasteran selanjutnya diuji validitasnya menggunakan indeks Davies Bouldin dan indeks Dunn untuk mengetahui klaster optimumnya. Pengujian temu kembali konten citra untuk mengukur tingkat akurasi pada database citra menggunakan 4 ekstraksi fitur warna yaitu PSNR warna, intensitas warna, histogram warna dan momen warna. Tingkat akurasi temu kembali konten citra sistem CBIR menggunakan database WANG yang dinyatakan dengan nilai F-Score untuk query menggunakan 5 klaster pada pengklasteran K-Means menunjukkan peningkatan kinerja 0,2278 dibandingkan dengan query non klaster yang hanya 0,1428. Demikian juga query menggunakan 4 klaster pada pengklasteran CLARA menunjukkan peningkatan kinerja menjadi 0,2272. Kecepatan waktu akses menurun secara signifikan pada pembentukan 64 klaster sebesar 99,74% dibandingkan dengan query non klaster pada database citra.

The increasing number of digital images stored in the computer storage media and database capabilities to provide users information needs quickly and accurately has become a necessity. Thus the efficiency in searching large image databases on the system CBIR (content-based image retrieval) becomes indispensable. This research is aimed to improve the accuracy of image retrieval and content access time optimization applied to WANG database as much as 1,000 image records and image database as much as 48,000 image records in resolution ranges between 256 x 384 to 3,727 x 7,787 pixels. The solution developed form of system architecture is an integration of query optimization and clustering partitions. The cluster formation basis in this study utilized the minimum and maximum PSNR (peak signal to noise ratio) values in form of image similarity comparison result between the color feature extraction image database record and basic image, the result is stored as a table in the database image at once functioned as a cluster index for filtering records and positioning cluster. Clustering results were then tested for validity using the Davies Bouldin index and Dunn's index to determine the optimum cluster. Testing image content retrieval to measure the level of accuracy in image databases using the 4 color feature extraction namely PSNR color, color intensity, color histogram and color moment. The level of accuracy of the content based image retrieval using the WANG database stated in F-Score value for query using 5 clusters in K-Means clustering showed improved performance 0.2278 compared to query without cluster only 0,1428. Similarly, a query using 4 clusters on the clustering CLARA demonstrate improved performance becomes 0.2272. The result speed in access duration significantly went down in formation of 64 clusters as 99,74% in comparison with noncluster query in image database.

Kata Kunci : Database Citra, CBIR, Pengklasteran, PSNR, K-Means, F-Score