Temu Kembali Citra Tenun Nusa Tenggara Timur menggunakan Esktraksi Fitur yang Robust terhadap Perubahan Skala, Rotasi, dan Pencahayaan

Penulis

  • Budiman Baso Institut Teknologi Sepuluh Nopember Surabaya
  • Nanik Suciati Institut Teknologi Sepuluh Nopember Surabaya

DOI:

https://doi.org/10.25126/jtiik.2020722002

Abstrak

Ragam motif pada tenun Nusa Tenggara Timur (NTT) seperti flora, fauna dan geometris menjadi suatu keunikan yang dapat membedakan daerah asal dan jenis dari tenun tersebut. Pada penelitian ini, sistem temu kembali citra berbasis isi atau Content-Based Image Retrieval (CBIR) diimplementasikan pada citra tenun NTT sehingga user dapat mencari citra tenun pada database menggunakan citra query berdasarkan fitur visual yang terkandung dalam citra. Seringkali citra query yang diinputkan user memiliki skala, rotasi dan pencahayaan yang bervariasi, sehingga diperlukan suatu metode ektraksi fitur yang dapat mengakomodasi variasi tersebut. Sistem temu kembali citra tenun pada penelitian ini menggunakan model Bag of Visual Words (BoVW) dari keypoints pada citra yang diekstrak dengan metode Speeded Up Robust Feature (SURF). BoVW dibangun menggunakan K-Means untuk menghasilkan visual vocabulary dari keypoints pada seluruh citra training. Representasi BoVW diharapkan dapat menangani variasi skala dan rotasi pada citra. Sedangkan untuk mengatasi variasi pencahayaan pada citra, dilakukan perbaikan kualitas citra dengan menggunakan Contrast Limited Adaptive Histogram Equalization (CLAHE). Percobaan dilakukan dengan membandingkan kinerja dari representasi BoVW yang dibangun menggunakan fitur SURF dengan Maximally Stable Extremal Regions (MSER) pada temu kembali citra tenun. Hasil uji coba menunjukkan bahwa metode SURF menghasilkan rata-rata akurasi 89,86% dan waktu komputasi 9,94 detik, sedangkan MSER menghasilkan rata-rata akurasi 84,04% dan waktu komputasi 1,95 detik.

 

Abstract

The variety of motifs in East Nusa Tenggara tenun such as flora, fauna and geometric is an unique thing that can distinguish the region of origin and type of the tenun. In this study, the Content-Based Image Retrieval (CBIR) system is implemented in the tenun image. With Content-based techniques Users can search tenun images on the image database by using query images based on visual features contained in the image. Often the query image that the user enters has a different scale, rotation and lighting, so a feature extraction method is needed that can accommodate these differences. The tenun image retrieval system in this study used the Bag of Visual Words (BoVW) model of the keypoints in the extracted image using the Speeded Up Robust Feature (SURF) method. BoVW was built using K-Means to produce visual vocabulary from keypoints on all training images. The representation of BoVW is expected to be able to handle scale variations and rotations in images. Whereas to overcome the lighting variations in the image, image quality improvement is done by using Contrast Limited Adaptive Histogram Equalization (CLAHE). The experiment was conducted by comparing the performance of the BoVW representation which was built using the SURF feature with Maximally Stable Extremal Regions (MSER) at the tenun image retrieval. The results of the trial showed that SURF obtained higher accuracy in all conditions of tenun image data with an average value of 89.86% whereas MSER obtained an average accuracy value of 84.04%. But MSER's computation time is 1.95 seconds faster than SURF which is 9.94 seconds.


Downloads

Download data is not yet available.

Referensi

ADIKARA, P. P. (2018) ‘Pencarian Produk Yang Mirip Melalui Automatic Online Annotation Dari Web Dan Berbasiskan Konten Dengan Color Histogram Bin dan Surf Descriptor’.

ADITYA, A. E. & SUPRIYANTO, C. (2015) ‘Descriptor Clustering SURF for Bag of Visual Words Representation in Fingerprint Images Using K-MEANS and Hierarchical Agglomerative Clustering’.

AL-ASADI, T. A. & OBAID, A. J. (2016) ‘Object detection and recognition by using enhanced Speeded Up Robust Feature’, International Journal of Computer Science and Network Security, pp. 66–71.

ALKHAWLANI, M., ELMOGY, M. & ELBAKRY, H. (2015) ‘Content-Based Image Retrieval using Local Features Descriptors and Bag-of-Visual Words’, International Journal of Advanced Computer Science and Applications. doi: 10.14569/IJACSA.2015.060929.

AMALIA, I., INDRAWATI & YUSNIMAR M. AMIN (2018) ‘Ekstraksi Fitur Citra Songket Berdasarkan Tekstur Menggunakan Metode Gray Level Co-occurrence Matrix (GLCM)’.

ARIEL, M. B., ATMAJA, R. D. & AZIZAH, A. (2017) ‘Implementasi Metode Speed Up Robust Feature dan Scale Invariant Feature Transform untuk Identifikasi Telapak Kaki Individu’, Jurnal Al-Azhar Indonesia Seri Sains dan Teknologi, pp. 178–186. Available at: http://jurnal.uai.ac.id/index.php/SST/article/view/232.

BAY, H. et al. (2008) ‘Speeded-Up Robust Features (SURF)’, Computer Vision and Image Understanding, pp. 346–359. doi: 10.1016/j.cviu.2007.09.014.

BAY, H., TUYTELAARS, T. & GOOL, L. VAN (2006) ‘SURF: Speeded Up Robust Features’, pp. 562–589. doi: 10.1007/11744023_32.

HANING, B. (2013) ‘Raga Ragam Tenun NTT’.

ISMAIL, A. I., ALI, H. S. & FARAG, F. A. (2015) ‘Efficient Enhancement and Matching for Iris Recognition using SURF’.

JOO, H.-B. & JEON, J. W. (2017) ‘Feature-Point Extraction Based on an Improved SIFT Algorithm’.

KATO, T. (1992) ‘Database architecture for content-based image retrieval’, pp. 112–123. doi: 10.1117/12.58497.

LA’A, A. S. & SUWARTININGSIH, S. (2013) ‘Makna Tenun Ikat Bagi Perempuan (Studi Etnografi di Kecamatan Mollo Utara- Timor Tengah Selatan)’, pp. 172–180. doi: 10.1007/BF01362716.

NASIR, M., SUCIATI, N. & WIJAYA, A. Y. (2017) ‘Kombinasi Fitur Tekstur Local Binary Pattern yang Invariant Terhadap Rotasi dengan Fitur Warna Berbasis Ruang Warna HSV untuk Temu Kembali Citra Batik’, pp. 42–51.

OKSAPUTRI, R., ERNAWATI & DESI ANDRESWARI (2018) ‘Implementasi Content Based Image Retrieval (CBIR) Pada Citra Batik Besurek Yang Tidak Utuh Menggunakan Metode Speeded Up Robust Features (SURF) Dan Fast Library Approximated Nearest Neighbor (FLANN)’.

PIZER, S. M. et al. (2007) ‘Contrast_Limited Adaptive Histogram Equalization: Speed and Effectiveness’, Livestock Research for Rural Development.

SETIAWAN, B. (2014) ‘Strategy For Development Of Kupang Ikat Woven East Nusa Tenggara Province’.

SETIOHARDJO, N. M. & HARJOKO, A. (2014) ‘Analisis Tekstur untuk Klasifikasi Motif Kain (Studi Kasus Kain Tenun Nusa Tenggara Timur)’, IJCCS (Indonesian Journal of Computing and Cybernetics Systems), pp. 177–188. doi: 10.22146/ijccs.6545.

SU, F. et al. (2017) ‘Text Proposals Based on Windowed Maximally Stable Extremal Region for Scene Text Detection’.

TALLO, N. E. C. (2003) ‘Pesona Tenun FLOBAMORA’.

Diterbitkan

18-02-2020

Terbitan

Bagian

Ilmu Komputer

Cara Mengutip

Temu Kembali Citra Tenun Nusa Tenggara Timur menggunakan Esktraksi Fitur yang Robust terhadap Perubahan Skala, Rotasi, dan Pencahayaan. (2020). Jurnal Teknologi Informasi Dan Ilmu Komputer, 7(2), 349-358. https://doi.org/10.25126/jtiik.2020722002