FAST IMAGE RETRIEVAL BERBASIS LOCALITY SENSITIVE HASHING DAN CONVOLUTIONAL NEURAL NETWORK
-
Silvester Tena(1*)
Universitas Nusa Cendana
-
Bernadectus Yudi Dwiandiyanta(2)
Universitas Atma Jaya Yogyakarta
-
Wenefrida Tulit Ina(3)
Universitas Nusa Cendana
(*) Corresponding Author
Abstrak
Sistem temu kembali citra (image retrieval) dengan proses pencarian yang cepat masih menjadi tantangan bagi peneliti. Metode pencarian yang cepat menjadi salah satu bagian terpenting dalam retrieval citra. Salah satu teknik yang digunakan adalah mengurangi dimensi fitur dengan metode Locality Sensitivity Hashing (LSH). Selain itu adalah pemilihan jenis fitur dan metode ekstraksi citra. Dalam penelitian ini ekstraksi fitur citra menggunakan metode Convolutional Neural Network (CNN). Pada proses pengukuran kemiripan menggunakan metode Hamming Distance (HD) dan Euclidean Distance (ED). Dataset yang digunakan yakni TenunIkatNet dan Batik300. Metode LSH membentuk tabel hash berupa bucket untuk mengelompokkan citra yang mirip berdasarkan probabilitas dan dalam bentuk kode biner. Proses pengujian diawali dengan Hamming Distance untuk mencari bucket yang sesuai dengan kode biner citra uji. Hasil penelitian menunjukkan bahwa metode LSH+HD+ED memberikan hasil pencarian lebih cepat dibandingkan dengan ED. Waktu retrieval citra metode LSH+HD+ED dan ED berturut-turut sebesar 0,252 detik dan 4,5 detik untuk dataset TenunIkatNet. Sedangkan dataset Batik300 yakni 0,03 detik dan 0,9 detik. Penggunaan metode LSH sangat efektif untuk dataset yang jumlahnya besar. Akurasi retrieval menggunakan metode LSH+HD+ED berturut-turut sebesar 99,705% dan 84% untuk dataset TenunIkatNet dan Batik300. Sedangkan metode ED menghasilkan akurasi retrieval berturut-turut yakni 94,17% dan 82%.
##plugins.generic.usageStats.downloads##
Referensi
Y. Luo, W. Li, X. Ma, and K. Zhang, “Image Retrieval Algorithm Based on Locality-Sensitive Hash Using Convolutional Neural Network and Attention Mechanism,” Information, vol. 13, no. 10, p. 446, Sep. 2022, doi: 10.3390/info13100446.
J. Xiang, N. Zhang, R. Pan, and W. Gao, “Fabric retrieval based on multi-task learning,” IEEE Trans. Image Process., vol. 30, no. 2, pp. 1570–1582, 2021, doi: 10.1109/TIP.2020.3043877.
J. Xiang, N. Zhang, R. Pan, and W. Gao, “Fabric image retrieval system using hierarchical search based on deep convolutional neural network,” IEEE Access, vol. 7, pp. 35405–35417, 2019, doi: 10.1109/ACCESS.2019.2898906.
J. Wang et al., “Automatic Assessment of Fabric Smoothness Appearance Based on a Compact Convolutional Neural Network with Label Smoothing,” IEEE Access, vol. 8, pp. 26966–26974, 2020, doi: 10.1109/ACCESS.2020. 2971506.
N. Zhang, R. Shamey, J. Xiang, R. Pan, and W. Gao, “A novel image retrieval strategy based on transfer learning and hand-crafted features for wool fabric,” Expert Syst. Appl., vol. 191, no. November 2021, p. 116229, 2022, doi: 10.1016/j.eswa.2021.116229.
A. Y. Wicaksono, N. Suciati, C. Fatichah, K. Uchimura, and G. Koutaki, “Modified convolutional neural network architecture for batik motif image classification,” IPTEK J. Sci., vol. 2, no. 2, pp. 26–30, 2017, doi: 10.12962/j23378530.v2i2.a2846.
H. Prasetyo and B. A. Putra Akardihas, “Batik image retrieval using convolutional neural network,” TELKOMNIKA (Telecommunication Comput. Electron. Control., vol. 17, no. 6, p. 3010, Dec. 2019, doi: 10.12928/telkomnika.v17i6.12701.
B. Baso and N. Suciati, “Temu Kembali Citra Tenun Nusa Tenggara Timur menggunakan Esktraksi Fitur yang Robust terhadap Perubahan Skala, Rotasi, dan Pencahayaan,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 2, p. 349, Feb. 2020, doi: 10.25126/jtiik.2020722002.
S. Tena, R. Hartanto, and I. Ardiyanto, “Content-Based Image Retrieval for Traditional Indonesian Woven Fabric Images Using a Modified Convolutional Neural Network Method,” J. Imaging, vol. 9, no. 8, 2023, doi: 10.3390/jimaging9080165.
A. E. Minarno, M. Y. Hasanuddin, and Y. Azhar, “Batik Images Retrieval Using Pre-trained model and K-Nearest Neighbor,” Int. J. Informatics Vis., vol. 7, no. 1, pp. 115–121, 2023, doi: 10.30630/joiv.7.1.1299.
J. Yang and G. Yang, “Modified convolutional neural network based on dropout and the stochastic gradient descent optimizer,” Algorithms, vol. 11, no. 3, 2018, doi: 10.3390/a11030028.
S. Khan, H. Rahmani, S. A. A. Shah, and M. Bennamoun, “A Guide to Convolutional Neural Networks for Computer Vision,” Synth. Lect. Comput. Vis., vol. 8, no. 1, pp. 1–207, Feb. 2018, doi: 10.2200/S00822ED1V01Y201712COV015.
O. García-Olalla, E. Alegre, L. Fernández-Robles, E. Fidalgo, and S. Saikia, “Textile retrieval based on image content from CDC and webcam cameras in indoor environments,” Sensors (Switzerland), vol. 18, no. 5, pp. 1–20, 2018, doi: 10.3390/s18051329.
A. Qayyum, S. M. Anwar, M. Awais, and M. Majid, “Medical image retrieval using deep convolutional neural network,” Neurocomputing, vol. 266, pp. 8–20, 2017, doi: 10.1016/j.neucom.2017.05.025.
M. Liu et al., “Focused dropout for convolutional neural network,” Appl. Sci., vol. 12, no. 15, p. 7682, 2022, doi: 10.3390/app12157682.
##submission.copyrightStatement##
##submission.license.cc.by-sa4.footer##This work is licensed under CC BY-SA 4.0
