Mengenal Semantik Citra – Bagian I

Artikel ini merupakan bagian dari tulisan pada penelitian disertasi saya. Saya coba sarikan untuk teman-teman yang ingin mempelajari image retrieval. Semoga bermanfaat.

MENGENAL SEMANTIK CITRA – BAGIAN I

Ketika kita mengamati sebuah lukisan yang didalamnya terdapat gunung, air yang mengalir, pepohonan, dan burung yang sedang terbang, kita mengenal lukisan ini adalah lukisan pemandangan. Kemampuan manusia untuk mengenali gambar tidak terlepas dari pengalamannya melihat berbagai jenis gambar sehingga mampu membedakannya satu sama lain. Setelah menghubungkan satu objek dengan objek lainnya, maka kita baru bisa menjelaskan tema gambar atau melakukan penafsiran (interpretation) gambar. Interpretasi tema/konsep citra disebut dengan semantik citra.

Gambar atau citra memiliki karakteristik visual yang terdiri dari warna, bentuk dan tekstur. Pengenalan pada tahap karakteristik visual disebut dengan persepsi. Persepsi adalah tanggapan (penerimaan) langsung terhadap sebuah objek berupa karakteristik visual tanpa melakukan interpretasi.

Jika saja sistem computer memiliki kemampuan seperti manusia dalam menejelaskan semantic citra, maka dapat dipastikan kita dapat mencari gambar digital yang disimpan dalam computer dengan mudah. Namun, kemampuan manusia menjelaskan semantik citra dengan cepat, bukan hal yang sederhana untuk dilakukan oleh komputer. Sudah banyak penelitian dalam bidang image retrieval dikembangkan untuk membuat komputer mampu menjelaskan semantic citra. Dalam banyak penelitian, karakteristik citra seperti warna, bentuk dan tekstur digunakan untuk pencarian citra. Pencarian citra melalui karakteristik citra disebut dengan content-based image retrieval (CBIR).

Pengenalan citra dimulai dengan melakukan ekstraksi ciri (feature extraction), yaitu mengenali citra berdasarkan karakteristik citra. Berdasarkan hasil survey [], perkembangan penelitian CBIR dalam hal ekstraksi ciri dapat dikelompokkan menjadi 3 (tiga) yaitu berbasis global (global-based), berbasis regional (region-based) dan berbasis lokal (local-based).

Global-based

Pengenalan citra berbasis global menggunakan informasi seluruh bagian citra. Salah satu metode berbasis global-based yang banyak paling banyak digunakan adalah histogram warna []. Namun metode ini memiliki kelemahan yaitu hanya menghitung frekuensi piksel citra sehingga sangat sensitive terhadap perubahan cahaya dan geometris. Akibatnya dua buah citra yang memiliki warna dan posisi geometris yang berbeda akan dikenali sebagai dua buah citra yang berbeda, walaupun secara semantic kedua citra tersebut sama. Perhatikan Gambar dibawah ini:

Dengan pendekatan berbasis global, maka kedua citra tersebut akan dikenali sebagai citra yang berbeda.

Region-based

Pada dasarnya manusia mengenali citra berdasarkan objek yang dikandung pada citra tersebut. Oleh karena itu kemudian berkembang pendekatan regional dimana citra disegmentasi menjadi beberapa regional yang merepresentasikan objek.

Namun metode ini juga memiliki kelemahan, yaitu pada saat segmentasi citra. Sampai saat ini belum ada teknik segmentasi citra yang dapat melakukan segmentasi dengan baik. Hasil segmentasi seringkali tidak sesuai dengan objek yang diinginkan. Perhatikan gambar di bawah ini:

Local-based

Oleh karena itu untuk mengatasi masalah segmentasi pada pendekatan regional, kemudian berkembang pendekatan lokal. Pada pendekatan ini citra dibagi menjadi beberapa blok citra yang berukuran sama. Dengan demikian pada pendekatan lokal tidak membutuhkan segmentasi.

Namun pada pendekatan lokal, setiap blok citra tidak memiliki makna. Akibatnya pendekatan lokal tidak mampu menjelaskan hubungan konseptual antar blok citra.

Adanya permasalahan tersebut, maka pendekatan lokal berkembang menjadi pendekatan bagian (part-based). Pada pendekatan bagian akan, akan dideteksi bagian-bagian penting dari citra yang mampu menjelaskan semantik citra. Pendekatan ini disebut juga dengan pendekatan generative. Berikut contoh dari pendekatan bagian.

Untuk mendapatkan bagian penting citra, pendekatan generative menggunakan teori Bayes. Dengan teori bayes, tanpa melakukan segmentasi citra, pendekatan bagian dapat mendeteksi bagian penting citra.

Sumber :

1. Datta, R., Joshi, D., Li, J dan Wang, J. (2007). Image Retrieval: Ideas, Influences, and Trend of the New Age. ACM Transaction on Computing Survey.

2. Bimbo, A. (1999). Visual Information Retrieval. Morgan Kauffman

3. Rui, Y., Huang, T. S., dan Chang, S. F. (1999). Image Retrieval: Current Techniques, Promising Direction, and Open Issues. Journal of Visual Communication and Image Representation, 10(1), 39-62.

4. Smeulders, A. W. M. , et al. (2000). Content-based Image Retrieval at The End of The Early Years. IEEE PAMI, 22(12), 1349-1380

5. Zhang, Y. J. (2003). Content-based Visual Information Retrieval. Beijing, China: Science Publisher.

Menjelang Ujian…

Hari-hari mempersiapkan ujian kualifikasi adalah hari-hari yang menyenangkan sekaligus juga menegangkan… Setidaknya selama tiga minggu ke depan saya akan melalui hari-hari seperti itu. Ini merupakan ujian kedua dari lima kali ujian yang harus saya lalui (Proposal, Kualifikasi, Seminar, Ujian Hasil Pembahasan dan Promosi). Fuih… masih panjang nih ceritanya…:p. Oleh sebab itu Tak aneh memang jika ujian ini cukup membuat aku kerja keras untuk mempersiapkannya. Apalagi setelah melihat dosen pengujinya …hmmmmm….

25 April 2008 adalah tanggal yang dijadwalkan untuk ujian kualifikasi (semoga tidak diundur lagi…Amin). Konon kata orang hari jumat adalah hari baik… moga hari baik juga untuk saya..:).

Salah seorang teman yang juga senasib sepenanggungan, menyarankan saya untuk membaca artikel yang ditulis oleh Dr. Andrew Broad Seorang dosen yang membagikan pengalamannya menjalani ujian selama menjadi PhD student…. Artikel itu berjudul “Nasty PhD Question Viva Questions..”. Artikel itu sangat menarik dan membantu saya setidaknya mengurangi ketegangan saya… .

Semoga bermanfaat juga untuk Anda..:)

 

Download : nasty-phd-viva-questions.pdf

 

 

Komputer Bisa Belajar Kok…

Download Artikel

Komputer bisa belajar….? Ya, saat ini tidak hanya manusia yang bisa belajar. Komputer pun bisa belajar layaknya manusia yang memiliki otak. Sejak lahir manusi belajar mengamati pola objek yang ada di sekitarnya, komputer pun saat ini mampu mengenali pola objek setelah melalui proses yang sama yaitu pembelajaran.

Bagaimana Caranya..?

Manusia dapat belajar karena memiliki sistem syaraf atau yang dikenal dengan otak. Didalam otak terdapat bagian yang disebut dengan Visual Cortex yang berperan mengolah informasi yang masuk melalui panca indera manusia. Ada sekitar 10-50 milyar sel syaraf (neuron) didalam visual cortex dengan 60 trilyun sinapsis. Neuron terdiri dari tubuh sel (cell body), dendrite, dan axon (Gambar 1). Neuron-neuron tersebut saling terhubung satu sama lain melalui axon dan dendrite. Hubungan antar neuron itu disebut dengan sinapsis. Informasi berupa sinyal akan masuk melalui dendrite lalu masuk kedalam tubuh sel untuk selanjutnya dikirim ke neuron lainnya melalui axon.

Gambar 1. Neuron

Dengan meniru sistem kerja syaraf manusia, Warren McCulloch dan Walter Pitts pada tahun 1940 merancang neuron tiruan (artificial neuron) untuk diterapkan pada sistem komputer. (Gambar 2)

Gambar 2. Artificial Neuron

Kekutan sinyal input akan dikontrol oleh sebuah fungsi aktivasi dan akan diteruskan ke neuron lain. Neuron tiruan tersebut akan menghitung semua input sinyal yang masuk untuk menentukan kekuatan sinyal (bobot input) dan fungsi aktivasi akan menghitung sinyal output.

Seperti halnya pada sistem syaraf manusia yang tersusun atas neuron-neuron yang saling berhubungan, pada neuron tiruan pun, setiap neuron berhubungan dengan neuron yang lainnya sehingga membentuk lapisan neuron. Neuron tiruan yang saling berhubungan itu disebut dengan jaringan syaraf tiruan (artificial neural network) (Gambar 3).

Gambar 3. Jaringan syaraf tiruan

Jaringan syaraf tiruan terdiri dari lapisan input, lapisan tersembunyi (hidden layer) dan lapisan output.

Kini, model jaringan syaraf tiruan itu sudah banyak dikembangkan. Diantaranya feedforward neural network, backpropagation neural network, radial basis function (RBF), recurrent neural network, self organizing map (SOM) dan lain-lain.

Dengan adanya jaringan syaraf tiruan yang menyerupai jaringan syaraf manusia, saat ini sistem komputer memiliki kemampuan untuk belajar mengenali pola seperti yang dilakukan manusia. Dengan menerapkan jaringan syaraf tiruan, sistem komputer mendiagnosa penyakit, mengenali suara (speech recognition), mengenali wajah, memprediksi cuaca, membuat permainan (game), mengkompresi data dan lain-lain.

Sumber :

1. Engelbrecht, A. P. Computational Intelligence. An Introduction. Second Edition. John Wiley & Son. 2007

2. Fausett Laurene. Fundamentals of Neural Netwoks. Prentice Hall, Englewood Cliffs. 1994.

Membuat Komputer Cerdas??

Download Artikel
“Bacalah, dan Tuhammulah Yang Maha Pemurah/Yang mengajar (manusia) dengan perantaraan Qalam” (QS. Al Alaq/96 : 3-4)

Membuat sistem komputer yang cerdas dan mampu meniru perilaku manusia atau makhluk hidup lainnya bukan lagi sebuah impian yang mustahil lagi saat ini. Sistem komputer mampu memberikan solusi layaknya seorang pakar dapat diwujudkan melalui sistem pakar.,Sistem komputer pun mampu memberikan keputusan berbasiskan kasus seperti yang dilakukan manusia dengan menerapkan penalaran bebasis kasus (case based reasoning). Sistem komputer mampu mengenali pola seperti halnya manusia dengan menggunakan jaringan syaraf tiruan (neural network). Algoritme sebuah program pun bisa menemukan solusi terbaik dengan menggunakan teori genetika. Melalui cara bekerja sistem kekebalan tubuh pada manusian (artificial immune system) kita dapat membuat sistem komputer yang mampu mendeteksi spam (http://terri.zone12.com/doc/academic/crossroads/).

Membuat sistem komputer menjadi “cerdas” seperti itu bisa dipelajari melalui ilmu komputer yang dikenal dengan kecerdasan komputasional (computational intelligence). Kecerdasan komputasional adalah bagian dari kecerdasan buatan (Artificial Intelligence – AI)

Apakah Kecerdasan Buatan itu?

Kecerdasan adalah kemampuan, kreativitas, intuisi dan emosi. Melalui kecerdasan yang dimiliki, manusia mampu memahami, melakukan penalaran dengan baik dan melakukan penarikan kesimpulan berdasarkan pengalaman dan pembelajaran.

Menurut IEEE Neural Networks Council pada tahun 1996, kecerdasan buatan adalah studi yang mempelajari bagaimana membuat komputer dapat melakukan sesuatu seperti yang dilakukan oleh manusia. Oleh karena itu Istilah kecerdasan buatan sering dilekatkan dengan kemampuan komputer untuk memiliki kecerdasan seperti manusia. Pada pertengah tahun 1900-an, Alan Turing melakukan penelitian untuk membuat komputer menjadi “cerdas”. Alan Turing yakin bahwa komputer dapat meniru bagaimana otak manusia bekerja. Lebih dari 50 tahun lamanya keyakinan Alan Turing masih berupa angan-angan saja. Ketika ilmu psikologi sudah mampu memodelkan sistem biologi neural manusia pun, membuat komputer menjadi cerdas pun masih belum bisa dijelaskan. Aakhirnya pada tahun 1950, Alan Turing membuat komputer cerdas yang diberi nama Turing Test [2]. Mesin ini diujicobakan dengan memberikan pertanyaan yang sama ke komputer melalui papan ketik (keyboard) dan ke manusia.

Bagaimana caranya membuat sistem komputer menjadi cerdas?.

Kecerdasan Komputasional

Kecerdasan komputasional adalah bidang yang mempelajari mekanisme adaptif dari kecerdasan berperilaku dalam lingkungan yang selalu berubah dan kompleks. Mekanisme adaptif tersebut merupakan bagian dari kecerdasan buatan yang mempelajari juga bagaimana bisa beradaptasi dengan situasi yang baru, bagaimana melakukan generalisasi dan menemukan pengetahuan.

Oleh karena itu beberapa studi yang dikaji dalam kecerdasan komputasional antara lain Jaringan Syaraf Tiruan (Artifial Neural Network – NN), Algoritme Genetika atau yang dikenal juga dengan komputasi evolusi (evolutionary computation – EC), Algoritme semut (ant algorithm), kecerdasan berkerumun (swarm intelligence – SI), sistem kekebalan tubuh buatan (artificial immune system – AIS) dan sistem fuzzy (fuzzy system – FS).

Sumber:

1. Engelbrecht, A. P. Computational Intelligence. An Introduction. Second Edition. John Wiley & Son. 2007

2. A.M. Turing. Computing Machinery and Intelligence. Mind, 59:433-460. 1950

Otak memahami gambar (bagian pertama)

Download Artikel

Manusia, salah satu ciptaan Allah yang maha sempurna. Memahami keagungan-Nya semakin membuatku tak berdaya untuk merasa “serba tahu” didalam genggaman alam-Nya. Memahami keagungan-Nya semakin membuatku percaya bahwa melalui alam Allah memberi ilmu-Nya. Kuawali cerita ini dengan menceritakan bagaimana manusia bisa mengenali gambar melalui otak.

Visual Cortex adalah bagian dari otak manusia yang bertugas untuk mengolah informasi yang ditangkap oleh mata manusia. Informasi yang masuk melalui mata (retina) akan masuk kedalam bagian otak yang disebut dengan Lateral Geniculate Nucleus (LGN), yang merupakan prosesor utama dari bagian otak manusia. Selanjutnya informasi dari LGN akan masuk kedalam bagian utama dari visual cortex. Visual cortex tersusun dari beberapa lapisan. Lapisan pertama disebut dengan Visual area 1 (V1). V1 akan mengirimkan informasi melalui dua jalur yang disebut dengan Dorsal Stream dan Ventral Stream.

Ventral stream berperan untuk identifikasi persepsi objek (perceptual identification of objects), yang berupa bentuk, ukuran, warna dan tekstur (object vision). Sedangkan Dorsal stream berperan untuk mengolah informasi spasial objek (spatial vision). Bagian Dorsal inilah yang menyebabkan kita dapat melihat objek bergerak. Lebih jelasnya lihat gambar dibawah ini.

Melalui jalur Ventral, informasi akan dilanjutkan masuk kedalam visual area 2 (V2), dan selanjutnya masuk kedalam visual area 4 (V4) dan berakhir pada bagian Inferior–Temporal lobe (IT). Sedangkan melalui jalur Dorsal, informasi akan dilanjutkan masuk ke dalam V2 dan masuk kedalam dorsomedial area dan Middle Temporal (MT) area (V5).

Dengan demikian informasi visual diproses oleh otak manusia melalui beberapa tahap yang dilakukan secara hirarki. Mulai dari bagian V1 dimana objek terkecil yang sudah tidak bisa dibagi lagi (atomik) disimpan berupa edge/corner, selanjutnya akan masuk ke dalam V2 dalam bentuk grup-grup feature yang sudah memiliki bentuk objek (intermediate visual forms) dan terakhir akan masuk ke dalam Inferior Temporal (IT). Pada bagian IT ini objek sudah dapat diidentifikasi bentuknya (high level object). Perhatikan siklus tersebut secara lengkap pada gambar dibawah ini.

Sumber :

1. 1. Goodale, Melvyn A., dan Milner David. 1992. Separate Visual Pathways for Perception and Action. Elsevier Science Publisher Ltd. Vol 15. No 1
2. Olshausen, BA. 2002. Principles of Image Representation in Visual Cortex.
3. Riessenhuber M dan Poggio T. 2002. How Visual Cortex Recognizes Object. The Tale of the Standard Model

The third year….

 

The third year…..
Kalimat ini acapkali membuatku sadar bahwa waktu itu sungguh cepat berlalu.
Ya …., saat ini aku hampir memasuki tahun ketiga kuliahku di UI, tepatnya kini aku memasuki semester 6. Kuliah ini seakan tak terasa, karena memang aku sudah tak punya lagi kewajiban untuk hadir dikelas, menyaksikan dosen menyampaikan materi…:-), tidak ada lagi ujian di kelas. Semakin membuatku merasa sedang tidak kuliah…

Kalau saja tak ada pembimbingku yang selalu setia memberikan waktunya untuk membimbing, memintaku membuat laporan, dan kadang-kadang menasihati aku…:-), mungkin waktu itu semakin cepat berlalu mendahului aku…

Thanks pa Rahmat…
You are my best supervisor and my best friend always…;-)