Dokumen ini membahas aplikasi temu kembali citra, yang merupakan proses untuk menemukan citra berdasarkan input citra lainnya, dengan menggunakan metode seperti content-based image retrieval (CBIR) dan berbagai perhitungan jarak antara fitur citra. Jarak digunakan untuk menentukan kesamaan antara citra, dengan metode seperti jarak Euclidean, city-block, dan Minkowski untuk mengukur kesamaan dua vektor fitur. Contoh penerapan teknik ini dalam pengolahan citra juga diilustrasikan melalui skrip yang menghitung jarak antara citra dan menampilkan hasil pencocokan.

1. BAB 14
Aplikasi
Temu Kembali
Citra
Setelah bab ini berakhir, diharapkan pembaca dapat
memahami berbagai hal yang berhubungan dengan temu
kembali citra dan mampu mempraktikkannya.
 Aplikasi temu kembali citra
 Perhitungan jarak antardua citra
 Contoh penerapan jarak

2. 686 Pengolahan Citra Teori dan Aplikasi
14.1 Pengantar Aplikasi Temu Kembali Citra
Temu kembali citra (image retrieval) merupakan proses untuk
mendapatkan sejumlah citra berdasarkan masukan satu citra. Istilah yang lebih
spesifik lagi adalah content based image retrieval (CBIR) atau temu kembali citra
berdasarkan isinya. Istilah tersebut dikemukakan pertama kali oleh Kato pada
tahun 1992 (Zhang, 2002). Awalnya, CBIR digunakan untuk pencarian citra
secara otomatis di dalam suatu database didasarkan pada fitur warna dan bentuk.
Sejak saat itu, bermunculan berbagai sistem CBIR. Contoh yang terkenal adalah
Query By Image Content (QBIC) yang dikembangkan oleh IBM. Pada
perkembangan selanjutnya, fitur tekstur juga dimasukkan sebagai bagian untuk
melakukan pencarian citra.
Prinsip temu kembali citra ditunjukkan pada Gambar 14.1. Fitur sejumlah
objek telah disimpan di dalam database. Selanjutnya, ketika suatu citra dijadikan
sebagai bahan query, fitur akan dihitung setelah melalui prapemrosesan dan
segmentasi. Fitur yang diperoleh dibandingkan dengan fitur semua objek yang
terdapat di dalam database, melalui perhitungan jarak fitur. Hasil jarak ini sering
disebut sebagai skor atau ranking. Seluruh skor diurutkan dari yang paling
bernilai kecil ke yang paling besar. Objek-objek yang menghasilkan skor rendah
adalah citra yang mirip dengan citra query. Untuk membatasi, hanya n citra yang
disajikan sebagai hasil query. Dalam hal ini, nilai n dapat ditentukan oleh sistem
ataupun pengguna.

3. Aplikasi Temu Kembali Citra 687
Citra
Masukan Prapemrosesan dan
Segmentasi
Ekstraksi
Fitur
Database
Perhitungan
Jarak Fitur
Pengurutan
Jarak
Pemilihan n Citra
Hasil
Gambar 14.1 Prinsip temu kembali citra
14.2 Perhitungan Jarak Antara Dua Citra
Jarak merupakan pendekatan yang umum dipakai untuk mewujudkan
pencarian citra. Fungsinya adalah untuk menentukan kesamaan atau
ketidaksamaan dua vektor fitur. Tingkat kesamaan dinyatakan dengan suatu skor
atau ranking. Semakin kecil nilai ranking, semakin dekat kesamaan kedua vektor
tersebut.
Pengukuran jarak dilakukan dengan beberapa cara. Beberapa metode yang
umum dipakai dijelaskan di dalam subbab ini.
14.2.1 Jarak Euclidean
Jarak Euclidean didefinisikan sebagai berikut:
𝑗(𝑣1, 𝑣2) = √∑ (𝑣1(𝑘) − 𝑣2(𝑘))2𝑁
𝑘=1 (14.1)

4. 688 Pengolahan Citra Teori dan Aplikasi
Dalam hal ini, v1 dan v2 adalah dua vektor yang jaraknya akan dihitung dan N
menyatakan panjang vektor. Apabila vektor memiliki dua nilai, jarak Euclidean
dapat dibayangkan sebagai sisi miring segitiga (Gambar 14.2(a)).
(a) jarak Euclidean (b) Jarak city-block (c) Jarak Chebychef
y
x x x
y y
max(y, x)y+x
√𝑥2 + 𝑦2
Gambar 14.2 Gambaran jarak Euclidean, City-block, dan Chebychef
Sebagai contoh, terdapat dua vektor seperti berikut:
𝑣1 = [ 4, 3, 6]
𝑣2 = [ 2, 3, 7]
Jarak Euclidean kedua vektor adalah:
𝑗𝑎𝑟𝑎𝑘 = √(4 − 2)2 + (3 − 3)2 + (6 − 7)2 = √5 = 2,2361
Jarak Euclidean merupakan jarak yang umum dipakai dalam temu kembali
citra. Beberapa penelitian yang memanfaatkan jarak ini antara lain dilakukan oleh
Hastuti, dkk. (2009) dan Kadir, dkk. (2011a).
14.2.2 Jarak City-Block
Jarak city-block didefinisikan sebagai berikut:
𝑗(𝑣1, 𝑣2) = ∑ |𝑣1(𝑘) − 𝑣2(𝑘)|𝑁
𝑘=1 (14.2)

5. Aplikasi Temu Kembali Citra 689
Dalam hal ini, v1 dan v2 adalah dua vektor yang jaraknya akan dihitung dan N
menyatakan panjang vektor. Apabila vektor memiliki dua nilai, jarak city-block
dapat dibayangkan sebagai jarak vertikal plus horizontal dari vektor pertama ke
vektor kedua (Gambar 14.2(b)).
Sebagai contoh, terdapat dua vektor seperti berikut:
𝑣1 = [ 4, 3, 6]
𝑣2 = [ 2, 3, 7]
Jarak city-block kedua vektor tersebut berupa
𝑗𝑎𝑟𝑎𝑘 = |4 − 2| + |3 − 3| + |6 − 7| = 3
14.2.3 Jarak Kotak Catur
Jarak kotak catur atau dikenal pula dengan nama jarak Chebychef
didefinisikan sebagai berikut:
𝑗(𝑣1, 𝑣2) = max 𝑘=1→𝑁(|𝑣1(𝑘) − 𝑣2(𝑘)|) (14.3)
Dalam hal ini, v1 dan v2 adalah dua vektor yang jaraknya akan dihitung dan N
menyatakan panjang vektor. Apabila vektor memiliki dua nilai, jarak dapat
dibayangkan sebagai jarak terpanjang antara jarak horizontal dan jarak vertikal
(Gambar 14.2(c)).
Sebagai contoh, dengan dua vektor yang sama dengan di depan (𝑣1 =
[ 4, 3, 6] dan 𝑣2 = [ 2, 3, 7]), jarak kotak catur kedua vektor tersebut berupa
𝑗𝑎𝑟𝑎𝑘 = max(|4 − 2|, |3 − 3|, |6 − 7|) = 2
14.2.4 Jarak Minkowski
Jarak Minkowski didefinisikan sebagai berikut:

6. 690 Pengolahan Citra Teori dan Aplikasi
𝑗(𝑣1, 𝑣2) = √∑ |(𝑣1(𝑘) − 𝑣2(𝑘)| 𝑝𝑁
𝑘=1
1/𝑝
(14.4)
Dalam hal ini, v1 dan v2 adalah dua vektor yang jaraknya akan dihitung dan N
menyatakan panjang vektor. Apabila p bernilai 1, jarak berupa city-block. Apabila
p bernilai 2, jarak berupa Euclidean.
Sebagai contoh, dengan dua vektor yang sama dengan di depan (𝑣1 =
[ 4, 3, 6] dan 𝑣2 = [ 2, 3, 7]), jarak Minkowski kedua vektor tersebut untuk p
berupa 3 berupa:
𝑗𝑎𝑟𝑎𝑘 = √(4 − 2)3 + (3 − 3)3 + (6 − 7)3
1/3
= √9
1/3
= 2,0801
14.2.5 Jarak Canberra
Jarak Canberra didefinisikan sebagai berikut:
𝑗(𝑣1, 𝑣2) = ∑
|𝑣1(𝑘)−𝑣2(𝑘)|
|𝑣1(𝑘)|+|𝑣1(𝑘)|
𝑁
𝑘=1 (14.5)
Dalam hal ini, v1 dan v2 adalah dua vektor yang jaraknya akan dihitung dan N
menyatakan panjang vektor.
Sebagai contoh, dengan dua vektor yang sama dengan di depan (𝑣1 =
[ 4, 3, 6] dan 𝑣2 = [ 2, 3, 7]), jarak Canberra kedua vektor tersebut berupa
𝑗𝑎𝑟𝑎𝑘 =
|4 − 2|
4 + 2
+
|3 − 3|
3 + 3
+
|6 − 7|
6 + 7
=
2
6
+
0
6
+
1
13
= 0,4103
14.2.6 Jarak Bray Curtis
Jarak Bray Curtis atau jarak Sorensen (Putra, 2010) didefinisikan sebagai
berikut:
𝑗(𝑣1, 𝑣2) =
∑ |𝑣1(𝑘)−𝑣2(𝑘)|𝑁
𝑘=1
∑ 𝑣1(𝑘)+𝑁
𝑘=1 ∑ 𝑣2(𝑘)𝑁
𝑘=1
(14.6)

7. Aplikasi Temu Kembali Citra 691
Dalam hal ini, v1 dan v2 adalah dua vektor yang jaraknya akan dihitung dan N
menyatakan panjang vektor.
Sebagai contoh, dengan dua vektor yang sama dengan di depan (𝑣1 =
[ 4, 3, 6] dan 𝑣2 = [ 2, 3, 7]), jarak Bray Curtis kedua vektor tersebut berupa
𝑗𝑎𝑟𝑎𝑘 =
|4−2|+|3−3|+|6−7|
4+2+3+3+6+7
=
2+1
25
= 0,12
14.2.7 Divergensi Kullback Leibler
Divergensi Kullback Leibler (Deselaers, 2003) didefinisikan sebagai
berikut:
𝐾𝐿(𝑣1, 𝑣2) = ∑ 𝑣1(𝑘)𝑁
𝑘=1 𝑙𝑜𝑔
𝑣1(𝑘)
𝑣2(𝑘)
(14.6)
Dalam hal ini, v1 dan v2 adalah dua vektor yang jaraknya akan dihitung dan N
menyatakan panjang vektor.
Sebagai contoh, dengan dua vektor yang sama dengan di depan (𝑣1 =
[ 4, 3, 6] dan 𝑣2 = [ 2, 3, 7]), jarak menurut divergensi Kullback Leibler kedua
vektor tersebut berupa
𝑗𝑎𝑟𝑎𝑘 = 4 ∗ log (
4
2
) + 3 ∗ log (
3
3
) + 6 ∗ log (
6
7
) = 1,8477
14.2.8 Divergensi Jensen Shannon
Divergensi Jensen Shannon (Deselaers, 2003) didefinisikan sebagai
berikut:
𝐽𝐷(𝑣1, 𝑣2) = ∑ 𝑣1(𝑘)𝑁
𝑘=1 . 𝑙𝑜𝑔
2 ∗ 𝑣1(𝑘)
𝑣1(𝑘) + 𝑣2(𝑘)
+ 𝑣2(𝑘). 𝑙𝑜𝑔
2 ∗ 𝑣2(𝑘)
𝑣1(𝑘) + 𝑣2(𝑘)
(14.6)
Dalam hal ini, v1 dan v2 adalah dua vektor yang jaraknya akan dihitung dan N
menyatakan panjang vektor.

8. 692 Pengolahan Citra Teori dan Aplikasi
Sebagai contoh, dengan dua vektor yang sama dengan di depan (𝑣1 =
[ 4, 3, 6] dan 𝑣2 = [ 2, 3, 7]), jarak menurut divergensi Jensen Shannon kedua
vektor tersebut berupa
𝑗𝑎𝑟𝑎𝑘 = 4 ∗ log (
2∗4
4+2
) + 3 ∗ log (
2∗3
3+3
) + 6 ∗ log (
2∗6
6+7
) +
2 ∗ log (
2∗2
4+2
) + 3 ∗ log (
2∗3
3+3
) + 7 ∗ log (
2∗7
6+7
) = 0,3783
14.3 Contoh Penerapan Jarak
Untuk memahami manfaat jarak dua vektor dalam pengolahan citra,
perhatikan contoh berikut.
Program : queryzer.m
function queryzer(berkas)
% QUERYZER Berguna untuk melakukan query dengan
% menggunakan momen Zernike.
% Citra yang akan menjadi acuan
Citra{1} = 'C:Imageikan-4.png';
Citra{2} = 'C:Imageikan-2.png';
Citra{3} = 'C:Imageikan-3.png';
Citra{4} = 'C:Imageikan-1.png';
Citra{5} = 'C:Imageguppi-4.png';
Citra{6} = 'C:Imageguppi-2.png';
Citra{7} = 'C:Imageguppi-3.png';
Citra{8} = 'C:Imageguppi-1.png';
% Proses momen Zernike dan hitung jarak City-block
Query = im2bw(imread(berkas), 0.5);
ZQuery = zermoment(Query, 10);
Hasil = [];
for i=1 : length(Citra)
disp(sprintf('proses terhadap citra %s', Citra{i}));
Ref = im2bw(imread(Citra{i}), 0.5);
ZRef = zermoment(Ref, 10);
jarak = 0;
for j=1 : length(ZRef)
jarak = jarak + abs(ZRef(j) - ZQuery(j));
end
Hasil(i).nama = Citra{i};
Hasil(i).jarak = jarak;
end

9. Aplikasi Temu Kembali Citra 693
% Urutkan data pada array Hasil
jum = length(Hasil);
for p = 2: jum
x = Hasil(p);
% Sisipkan x ke dalam data[1..p-1]
q = p - 1;
ketemu = 0;
while ((q >= 1) && (~ketemu))
if (x.jarak < Hasil(q).jarak)
Hasil(q+1) = Hasil(q);
q = q - 1;
else
ketemu = 1;
end
Hasil(q+1) = x;
end
end
% Tampilkan hasil
disp('Hasil pencocokan: ');
for i=1 : jum
disp(sprintf('Citra %s - Jarak: %f',Hasil(i).nama, ...
Hasil(i).jarak));
end
Akhir Program
Fungsi queryzer memerlukan masukan berupa nama citra. Citra
tersebutlah yang akan dibandingkan dengan delapan citra yang berfungsi sebagai
citra referensi (database). Jarak citra masukan terhadap kedelapan citra dihitung
dengan menggunakan jarak city-block. Selanjutnya, dilakukan pengurutan dari
jarak terkecil ke jarak terbesar. Hasilnya menyatakan kesamaan dengan citra
masukan. Semakin kecil nilai jarak berarti semakin dekat dengan citra masukan.
Berikut adalah contoh pemanggilan fungsi queryzer:
>> queryzer('C:Imageikan-5.png') 
proses terhadap citra C:Imageikan-4.png
proses terhadap citra C:Imageikan-2.png
proses terhadap citra C:Imageikan-3.png
proses terhadap citra C:Imageikan-1.png

10. 694 Pengolahan Citra Teori dan Aplikasi
proses terhadap citra C:Imageguppi-4.png
proses terhadap citra C:Imageguppi-2.png
proses terhadap citra C:Imageguppi-3.png
proses terhadap citra C:Imageguppi-1.png
Hasil pencocokan:
Citra C:Imageikan-3.png - Jarak: 0.311540
Citra C:Imageikan-2.png - Jarak: 0.317283
Citra C:Imageikan-1.png - Jarak: 0.317283
Citra C:Imageikan-4.png - Jarak: 1.063666
Citra C:Imageguppi-2.png - Jarak: 1.896431
Citra C:Imageguppi-1.png - Jarak: 1.901020
Citra C:Imageguppi-3.png - Jarak: 1.908009
Citra C:Imageguppi-4.png - Jarak: 1.913503
>>
Sebagai pembanding, guppi-5.png dapat dipakai sebagai bahan query. Akan
terlihat bahwa ikan guppi-1.png hingga guppi-4.png akan memiliki jarak yang
lebih pendek dibanding dengan kelompok ikan-1.png hingga ikan-4.png.
14.4 Pengembangan Lebih Lanjut
Contoh temu kembali citra yang dicontohkan di Subbab 14.3 mempunyai
kelemahan yaitu lama untuk memperoleh fitur citra. Untuk mempercepat
pencarian, fitur untuk semua citra referensi dapat dihitung terlebih dulu melalui
suatu skrip dan kemudian disimpan di dalam suatu database. Dengan demikian,
pembandingan fitur dilakukan secara langsung, tanpa perlu menyiapkan perolehan
fitur.
Sebagai gambaran, perhatikan skrip berikut.
Program : dbfitur.m
% DBFITUR Berguna untuk menghitung fitur

11. Aplikasi Temu Kembali Citra 695
% menggunakan momen Zernike dan kemudian
% menyimoannya ke dalaa file .MAT
% Citra yang akan menjadi acuan
Citra{1} = 'C:Imageikan-4.png';
Citra{2} = 'C:Imageikan-2.png';
Citra{3} = 'C:Imageikan-3.png';
Citra{4} = 'C:Imageikan-1.png';
Citra{5} = 'C:Imageguppi-4.png';
Citra{6} = 'C:Imageguppi-2.png';
Citra{7} = 'C:Imageguppi-3.png';
Citra{8} = 'C:Imageguppi-1.png';
% Proses menghitung momen Zernike
Fitur = [];
for i=1 : length(Citra)
disp(sprintf('Menghitung fitur citra %s', Citra{i}));
Image = im2bw(imread(Citra{i}), 0.5);
Z.momen = zermoment(Image, 10);
Z.nama = Citra(i);
Fitur(i).momen = Z.momen;
Fitur(i).nama = Z.nama;
end
% Simpan ke file dbfitur.mat
save('dbfitur', 'Fitur');
clear Citra Fitur;
Akhir Program
Skrip di atas cukup dipanggil sekali, seperti berikut:
>> dbfitur 
Menghitung fitur citra C:Imageikan-4.png
Menghitung fitur citra C:Imageikan-2.png
Menghitung fitur citra C:Imageikan-3.png
Menghitung fitur citra C:Imageikan-1.png
Menghitung fitur citra C:Imageguppi-4.png
Menghitung fitur citra C:Imageguppi-2.png
Menghitung fitur citra C:Imageguppi-3.png
Menghitung fitur citra C:Imageguppi-1.png
>>

12. 696 Pengolahan Citra Teori dan Aplikasi
Dengan cara seperti itu, fitur kedelapan citra akan tersimpan di file dbfitur.mat.
Selanjutnya, temu kembali citra dapat dilakukan melalui fungsi
queryzer2. Isinya seperti berikut.
Program : queryzer2.m
function queryzer2(berkas)
% QUERYZER2 Berguna untuk melakukan query dengan
% menggunakan momen Zernike dengan membaca
% data acuan dari file dbfitur.
load dbfitur; % Memuat database fitur
% Proses momen Zernike dan hitung jarak City-block
Query = im2bw(imread(berkas), 0.5);
ZQuery = zermoment(Query, 10);
Hasil = [];
jumFitur = length(Fitur(1).momen);
for i=1 : length(Fitur)
nama = Fitur(i).nama;
jarak = 0;
for j=1 : jumFitur
jarak = jarak + abs(ZQuery(j) - Fitur(i).momen(j));
end
Hasil(i).nama = Fitur(i).nama;
Hasil(i).jarak = jarak;
end
% Urutkan data pada array Hasil
jum = length(Hasil);
for p = 2: jum
x = Hasil(p);
% Sisipkan x ke dalam data[1..p-1]
q = p - 1;
ketemu = 0;
while ((q >= 1) && (~ketemu))
if (x.jarak < Hasil(q).jarak)
Hasil(q+1) = Hasil(q);
q = q - 1;
else
ketemu = 1;
end
Hasil(q+1) = x;
end
end

13. Aplikasi Temu Kembali Citra 697
% Tampilkan hasil secara visual
disp('Hasil pencocokan dapat dilihat pada jendela gambar');
subplot(3,3,1);
G = imread(berkas); imshow(G);
title('Query');
for i=1 : jum
subplot(3,3, i+1);
G = imread(char(Hasil(i).nama)); imshow(G);
title(num2str(Hasil(i).jarak));
end
Akhir Program
Contoh penggunaan fungsi queryzer2 seperti berikut.
>> queryzer2('C:Imageikan-5.png') 
Hasil pencocokan dapat dilihat pada jendela gambar
>>
Hasilnya dapat dilihat pada Gambar 14.3. Gambar tersebut memperlihatkan citra
query dan citra-citra hasil yang dilengkapi dengan nilai jarak antara citra
bersangkutan terhadap citra query, yang telah diurutkan dari jarak terpendek ke
jarak terpanjang.

14. 698 Pengolahan Citra Teori dan Aplikasi
Gambar 14.3 Hasil query secara visual berdasar urutan besar jarak
1. Jelaskan pengertian temu kembali citra.
2. Terdapat dua vektor seperti berikut:
𝑣1 = [ 3, 8, 6,5]
𝑣2 = [ 4, 6, 7,8]
Hitunglah jarak menurut:
a) jarak City-block
b) jarak Euclidean
c) jarak Canberra
d) jarak Chebychef
e) jarak Bray Curtis
 Latihan

15. Aplikasi Temu Kembali Citra 699
3. Tunjukkan bahwa rumus jarak Chebychef
𝑗(𝑣1, 𝑣2) =
∑ |𝑣1(𝑘) − 𝑣2(𝑘)|𝑁
𝑘=1
∑ 𝑣1(𝑘) +𝑁
𝑘=1 ∑ 𝑣2(𝑘)𝑁
𝑘=1
identik dengan
𝑗(𝑣1, 𝑣2) =
∑ |𝑣1(𝑘) − 𝑣2(𝑘)|𝑁
𝑘=1
∑ (𝑣1(𝑘) + 𝑣2(𝑘))𝑁
𝑘=1
4. Buatlah fungsi semacam queryzer, tetapi fitur yang digunakan berupa
momen Hu.
5. Buatlah fungsi semacam queryzer, tetapi fitur yang digunakan
menggunakan deskriptor Fourier dengan jumlah:
(a) 30 buah
(b) 40 buah
(c) 50 buah
Amati hasilnya. Adakah kesimpulan yang dapat diambil?
6. Cobalah untuk membuat tiga fungsi yang melakukan perhitungan jarak
melalui momen Zernike dengan menggunakan pendekatan:
a) jarak Euclidean
b) jarak Canberra
c) jarak Chebychef
d) jarak Bray Curtis
Amati hasil yang didapatkan. Apakah dapat ditarik sesuatu kesimpulan dari
situ?

16. 700 Pengolahan Citra Teori dan Aplikasi
6. Cobalah pula untuk melakukan pengukuran jarak terhadap fitur tekstur.
Bandingkan beberapa metode untuk memperoleh fitur tekstur yang dibahas
dalam Bab 13.