Kerangka Pengambilan Gambar Berbasis KontenÂ
 Berbasis Pembelajaran Mendalam yang Efisien
 Natasya Zulfia Abriani
Penggunaan database gambar yang sangat besar telah meningkat secara drastis selama beberapa tahun karena evolusi teknologi multimedia. Pengambilan citra telah menjadi salah satu alat vital dalam aplikasi pengolahan citra. Pengambilan Gambar Berbasis Konten (CBIR) banyak digunakan dalam berbagai aplikasi, namun hasil yang dihasilkan dari penggunaan fitur gambar tunggal kurang memuaskan
Dalam sebuah artikel yang berjudul " Kerangka pengambilan Gambar Berbasis Konten- Berbasis Pebelajaran Mendalam yang Efisien" yang ditulis oleh M.Sivakumar, N.M Saravana Kumar dan N. Karthikeyan pada tahun 2021. Pada artikel ini membahas tentang penggunaan database gambar besar dan tantangan yang terkait dengan pencarian gambar yang relevan. Penulis mengusulkan kerangka kerja yang menggabungkan Matrix Ko-kejadian Level Abu-abu (Gray Level Co-occurrence Matrix, GLCM) dengan Deep Learning Enhanced Convolution Neutral Network (DLECNN).
Pemanfaatan Teknologi CBIR untuk Pencarian Gambar dalam Berbagai Aplikasi
Pertumbuhan teknologi digital yang cepat dan luar biasa telah menghasilkan peningkatan signifikan dalam penyimpanan gambar yang dihasilkan oleh aplikasi ilmiah, pendidikan, medis, industri, dan lainnya. Dari database gambar, gambar serupa dicari menggunakan teknik pengambilan yang disebut CBIR. Fitur gambar seperti tekstur, bentuk dan warna secara otomatis diekstraksi dengan pendekatan CBIR. CBIR banyak digunakan dalam berbagai aplikasi seperti koleksi seni, pendidikan, pelatihan, pencegahan kejahatan, militer, desain arsitektur dan teknik. Sistem CBIR menghitung kesamaan di antara setiap gambar dalam database gambar, dan memberi peringkat pada gambar dalam koleksi berdasarkan tingkat relevansinya dengan permintaan pengguna.
Â
 Metode Pengambilan Gambar Efisien dengan GLCM dan DLECNN
Metodologi yang digunakan dalam artikel ini melibatkan penggunaan Gray Level Co-occurrence Matrix (GLCM) dengan Enhanced Convolution Neural Network (DLECNN) berbasis Deep Learning untuk pengambilan gambar yang efisien. Pada metode ini mencakup tiga langkah utama, yaitu pengurangan kebisingan, ekstraksi fitur berbasis GLCM, dan klasifikasi berbasis DLECNN. Pertama, dalam langkah pengurangan kebisingan, penelitian ini memperkenalkan teknik untuk mengurangi noise pada citra, yang merupakan langkah penting dalam pengambilan gambar yang akurat. Teknik ini melibatkan estimasi histogram tak bersuara dari citra noise Gaussian dan pra-pemrosesan menggunakan difusi anisotropik dan Filter Wiener untuk menghilangkan dan memperkaya kebisingan. Kemudian, dalam langkah ekstraksi fitur berbasis GLCM, penelitian ini menggunakan GLCM untuk mengukur variasi lokal, entropi, kontras, dan korelasi dalam gambar, sehingga memberikan informasi penting tentang tekstur gambar. Teknik ini memungkinkan ekstraksi fitur tekstur warna yang lebih informatif untuk digunakan dalam proses klasifikasi gambar. Langkah terakhir adalah klasifikasi berbasis DLECNN, di mana penelitian ini mengintegrasikan GLCM dengan DLECNN untuk meningkatkan kinerja pengambilan secara keseluruhan. DLECNN digunakan untuk memilih fitur penting menggunakan nilai kesesuaian genetik, yang menghasilkan efisiensi yang lebih baik dibandingkan dengan metodologi CNN tradisional. Dengan demikian, metodologi yang diusulkan dalam artikel ini mencakup langkah-langkah yang komprehensif untuk pengambilan gambar berbasis konten yang efektif, mulai dari pengurangan kebisingan, ekstraksi fitur berbasis GLCM, hingga klasifikasi berbasis DLECNN.
Tinjauan Hasil dan Karya Literatur
Pada penelitian ini menunjukkan bahwa algoritma DLECNN berbasis GLCM unggul dalam hal presisi, perolehan, akurasi, pengukuran-f, dan tingkat kesalahan yang lebih rendah dibandingkan metode GLCM dan RULBP yang ada. Dengan demikian, penelitian ini berhasil menunjukkan bahwa integrasi GLCM dengan DLECNN dapat meningkatkan akurasi dan kinerja sistem CBIR. Selain itu juga memberikan tinjauan singkat tentang karya literatur dalam pengurangan noise, ekstraksi fitur, dan metode pengambilan gambar dan klasifikasi pada sistem CBIR. Dengan demikian, kesimpulan dari artikel ini menunjukkan bahwa integrasi GLCM dengan DLECNN dapat menjadi pendekatan yang efektif dalam meningkatkan kinerja sistem CBIR, serta memberikan kontribusi dalam pengembangan teknologi pengambilan gambar berbasis konten yang lebih efisien dan akurat.
