LANDASAN TEOR
2.2 Pengolahan Citra
Pengolahan citra merupakan proses pengolahan dan analisis citra tentang persepsi pada suatu citra. Pengolahan citra digital adalah disiplin ilmu yang mempelajari hal yang berhubungan dengan perbaikan citra, kualitas citra (peningkatan kontras, transformasi warna, restorasi citra), transformasi citra (rotasi, translasi, skala, transformasi geometrik), melakukan pemilihan ciri citra (feature image) yang optimal untuk dianalisis, penarikan informasi pada objek atau pengenalan objek yang terkandung pada citra, melakukan kompresi untuk memperkecil penyimpanan data, transmisi data dan waktu proses data. Input dari pengolahan citra adalah citra dan output-nya berupa citra hasil pengolahan (Sutoyo et al, 2009)
Terminologi yang berkaitan dengan pengolahan citra adalah Computer vision. Computer vision ini mencoba meniru cara kerja sistem visual manusia. Dalam berbagai aplikasi Computer vision yang banyak dikembangkan adalah proses mengambil informasi dari gambar berupa fitur yang telah diekstraksi secara otomatis dari gambar itu sendiri. Proses ini sering disebut sebagai CBIR (Content-Based Image Retrieval) Proses yang menjadi populer selama beberapa tahun dalam bidang pengolahan citra (Choras, 2007).
CBIR menggabungkan beberapa teknologi seperti multimedia, pengolahan citra dan sinyal, pengenalan pola, interaksi manusia dan komputer serta ilmu informasi persepsi manusia. Proses CBIR dapat dibagi dalam beberapa tahapan yaitu :
1. Preprocessing
Proses ini digunakan untuk memproses citra sebelum dilakukan ekstraksi fitur dalam mendeskripsikan konten citra. Proses ini terdiri atas penyaringan, normalisasi, segmentasi, dan identifikasi objek. Hasil akhir dari proses preprocessing ini adalah sebuah area atau pun objek yang akan diekstraksi.
2. Ekstraksi Fitur
Proses mengambil nilai inti (fitur) dari citra yang menggambarkan bentuk, tekstur, warna dan lain-lain.
Beberapa algoritma yang digunakan dalam pengembangan CBIR terdiri atas tiga tugas yaitu :
Ekstraksi Fitur Seleksi
Klasifikasi
Dari ketiga tugas ini, ekstraksi fitur memiliki fungsi paling penting karena fitur tertentu didapatkan untuk mendiskriminasikan suatu fitur yang dapat mempengaruhi proses klasifikasi. Pada proses klasifikasi pada CBIR , pengolahan citra dan pengenalan pola merupakan bagian CBIR. Pada CBIR, pengolahan citra merupakan proses awal dan pengenalan pola merupakan proses intepretasi citra.
Pada penelitian ini akan dilakukan beberapa proses pada prapengolahan yang akan digunakan untuk mendapatkan nilai fitur pada proses ekstraksi fitur antara lain : Resizing
Pada proses ini, citra akan diperkecil ukuran pikselnya guna menambah fokus pada objek yang akan diidentifikasi, membuang citra yang tidak memiliki informasi penting, memperbesar area tertentu pada suatu citra serta mengubah orientasi citra (Fajri, 2014).
Grayscale
Proses Grayscale adalah proses merubah nilai - nilai piksel dari warna RGB menjadi graylevel. Proses ini dapat digunakan untuk memisahkan bayangan dengan warna asli pada citra. Pada citra terdiri dari 24 bit yang setiap pikselnya mengandung warna dasar (Red, Green, Blue). Setiap warna dasar ini memiliki 8-bit warna yang berada pada rentang warna 0 (00000000) sampai 255 (11111111). Proses perhitungan nilai grayscale dapat dilakukan dengan persamaan (2.1)
Thresholding
Proses thresholding digunakan untuk mengatur derajat keabuan pada citra. Pada proses thresholding, citra memiliki dua tingkat keabuan yaitu hitam dan putih. Proses penentuan tingkat warna citra pada proses thresholding dilakukan dengan mendapatkan nilai ambang.
Pada proses ini, perhitungan nilai ambang dilakukan pada setiap piksel pada citra. Jika nilai yang dihasilkan kurang dari nilai ambang maka nilai piksel tersebut akan diubah menjadi warna hitam dan jika nilai yang dihasilkan lebih dari nilai rata- rata maka nilai piksel akan diubah menjadi warna putih. Proses perhitungan nilai ambang dapat dilakukan dengan persamaan :
Keterangan :
T = Nilai threshold
fmaks = Nilai piksel maksimum fmin = Nilai piksel minimum
2.3 Ekstraksi Fitur
Ekstraksi fitur merupakan proses pengambilan ciri dari satu pola/bentuk sehingga di dapatkan suatu nilai pada pola citra untuk dilakukan analisis pada proses selanjutnya. Tugas ekstraksi fitur yaitu mengubah konten gambar menjadi berbagai konten fitur. Fitur-fitur yang memungkinkan membantu dalam proses pendiskriminasian citra akan digunakan pada proses selanjutnya. Sedangkan fitur yang tidak terpilih tidak akan digunakan.
Dalam beberapa tahun ini, ekstraksi fitur menjadi trend dalam bidang pengolahan citra. Proses ekstraksi fitur pada konten citra terbukti cukup handal digunakan pada aplikasi professional dalam bidang industri, biomedis, otentifikasi dan pencegahan kejahatan.
Ekstraksi fitur memiliki langkah paling penting karena fitur yang dihasilkan dapat membantu mendiskriminasikan secara langsung dalam proses klasifikasi
sering disebut sebagai vektor fitur. Fitur yang dihasilkan merupakan hasil dari representasi gambar.
Fitur didefinisikan sebagai fungsi dari beberapa pengukuran dimana setiap pengukuran menentukan nilai dari sebuah objek dan dihitung sedemikian rupa sehingga pengukururan karakteristik objek lebih signifikan. Fitur dapat diklasifikasikan sebagai berikut :
1. Fitur umum
Fitur umum merupakan nilai fitur yang bersifat independen seperti warna, tekstur, dan bentuk. Menurut level ekstraksi, fitur umum dibagi menjadi :
Fitur pixel-level yaitu fitur dihitung pada setiap piksel.
Fitur local yaitu fitur dihitung berdasarkan hasil subdivisi dari pola citra pada citra segmentasi ataupun deteksi tepi.
Fitur global yaitu fitur dihitung pada seluruh konten pada citra.
2. Fitur spesifik merupakan nilai fitur yang bersifat dependen seperti wajah manusia, sidik jari, dan lain-lain.
Fitur dapat diklasifikasikan kedalam low-level features dan high-level features. Proses ekstraksi pada low-level features dilakukan pada citra asli, dan proses ekstraksi pada high-level features bergantung pada fitur low-level features. Proses Ekstraksi fitur terbagi menjadi tiga macam yaitu :
a. Ekstraksi fitur bentuk
Ekstraksi fitur bentuk adalah perhitungan kesamaan / kedekatan antara representasi bentuk dengan fiturnya. Bentuk merupakan fitur visual yang penting dan merupakan salah satu fitur sederhana dalam mendeskripsikan konten citra. Fitur bentuk dikategorikan pada teknik yang digunakan. Kategori tersebut terdiri atas :
Berdasarkan batas (boundary-based)
Teknik ini merepresentasikan bentuk daerah dengan menggunakan karakteristik eksternal.
Berdasarkan daerah (region-based)
Teknik ini merepresentasikan bentuk wilayah dengan karakteristik internal.
b. Ekstraksi fitur tekstur
Tekstur adalah salah satu bagian penting dari citra. Tekstur adalah descriptor wilayah yang dapat membantu dalam proses pengambilan informasi. Tekstur tidak memiliki kemampuan untuk menemukan kesamaan citra namun dapat digunakan untuk mengklasifikasikan citra bertekstur dari non-tekstur dan kemudian dapat dikombinasikan dengan fitur lainnya seperti warna untuk mendapatkan pengambilan informasi yang lebih efektif.
Tekstur menjadi karakteristik penting yang dapat digunakan dalam pengklasifikasikan dan mengenal objek dan memiliki kemampuan menemukan persamaan antara citra-citra pada database multimedia. Pada dasarnya, metode representasi tekstur dapat diklasifikasikan menjadi dua kategori yaitu struktural dan statistik. Beberapa metode statistik antara lain Fourier power spectra, co- occurrence matrices, shift-invariant principal component analysis (SPCA), Tamura features, Gabor and wavelet transform.
c. Ekstraksi fitur warna
Pada ciri pembeda pada ekstraksi fitur adalah warna. Ekstraksi fitur warna merupakan fitur visual yang sering digunakan pada proses pengambilan informasi citra. Fitur warna dalam mengklasifikasikan citra memiliki keuntungan yaitu : ketahanan, efektif, implementasi yang sederhana, komputasi yang sederhana dan kemampuan penyimpanan yang kecil. Beberapa model warna yang sering digunakan antara lain : RGB (Red, Green, Blue), HSV (Hue, Saturation, Value) dan Y, Cb, Cr (Luminance and Chrominance).
