MENGGUNAKAN HISTOGRAM WARNA
SKRIPSI
Oleh :
FERY ANDRIYANTO
0734010123
J URUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
JAWA TIMUR
▸ Baca selengkapnya: blok diagram tv warna dan fungsinya
(2)MENGGUNAKAN HISTOGRAM WARNA
SKRIPSI
Diajukan Untuk Memenuhi Sebagian Persyaratan Dalam Memperoleh Gelar Sarjana Komputer
Jurusan Teknik Informatika
Oleh :
FERY ANDRIYANTO
0734010123
J URUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
JAWA TIMUR
Saat ini perkembangan teknologi informasi citra digital semakin pesat. Persepsi manusia terhadap suatu citra cenderung didominasi pada faktor komposisi warna. Untuk mengatasi masalah dalam pengamatan pada citra, maka perlu dirancang suatu sistem analisa image processing untuk mencari kemiripan warna. Sistem analisa tersebut memiliki kemampuan dengan tingkatan mendeteksi kemiripan pada tekstur warna kulit manusia.
Sistem analisa untuk mencari kemiripan warna ini berdasarkan tingkat piksel gambar yang dimiliki. Sehingga jarak histogram pada intensitas warna asli yang direpresentasikan sesuai dengan jumlah piksel yang akan dibandingkan
menggunakan histogram warna (Color Histogram). Dengan histogram warna
dapat diketahui tingkat warna dari piksel-piksel dalam citra.
Pada pendeteksian piksel-piksel dalam citra dilakukan pendekatan dengan perhitungan bit per pixel pada kedalaman warna (Color Depth). Hasil yang
didapat setelah simulasi, berupa citra gambar acuan 8 bit dan 24 bit dengan ukuran 350x350 yang akan dibandingkan dengan citra asli. Akurasi dalam sistem analisa untuk mencari kemiripan tekstur warna manusia mendekati tingkat kemiripan 88 %. Sistem analisa ini dirancang hanya untuk mencari kemiripan
warna dengan batasan tidak mengenali obyek benda atau pola (segmentation).
ii
Segala puji bagi Allah SWT, atas rahmat dan hidayahnya telah
memberikan ridho bagi hambanya.
Syukur Alhamdulillah, sampai saat ini penulis masih diberi kemampuan
dan dapat menyelesaikan tugas akhir ini dengan judul ”SISTEM ANALISA
IMAGE PROCESSING UNTUK MENCARI KEMIRIPAN PADA TEKSTUR
WARNA KULIT MANUSIA MENGGUNAKAN HISTOGRAM WARNA” yang
merupakan persyaratan dalam memperoleh gelar Sarjana Komputer di Universitas
Pembangunan Nasional ”Veteran” Jatim.
Penulis mengucapkan terima kasih yang sebesar-besarnya kepada pihak
yang telah membantu baik materiil maupun dorongan spirituil untuk
menyelesaikan penulisan tugas akhir ini, terutama kepada:
1. Orang Tua atas motivasi dan doanya sehingga semua yang dikerjakan
dapat berjalan dengan lancar.
2. Bapak Prof. Dr. Ir Teguh Soedarto, MP selaku Rektor UPN ”Veteran”
Jatim.
3. Bapak Ir. Sutiyono, MT selaku DEKAN FTI UPN ”Veteran” Jatim.
4. Ibu Dr. Ir. Ni Ketut Sari, MT selaku Kepala Jurusan Teknik Informatika,
S.Kom selaku Dosen Pembimbing yang telah meluangkan waktu untuk
memberikan bimbingan selama proses pelaksanaan Tugas Akhir Penulis.
6. Bapak Chyrtia Aji P, S.Kom dan Bapak Firza Aditiawan, S.Kom selaku
PIA TA yang telah mendukung proses pelaksanaan Tugas Akhir Penulis.
7. Dosen-dosen Teknik Informatika dan Sitem Informasi, staff dan segenap
civitas akademika UPN ”Veteran” Jatim.
8. Bayu Haniarta yang telah banyak membantu demi kelancaran Tugas Akhir
Penulis dan Ajeng Retnaning W yang telah memberikan doa, motivasi.
9. My best Friends: KRIPOSOFT dan seluruh teman-teman yang sudah
mendukung dan memberikan semangat dalam mengerjakan tugas akhir ini.
Penulis menyadari sepenuhnya masih banyak terdapatkekurangan dalam
penulisan Tugas Akhir ini. Oleh karena itu, kritik serta saran yang membangun
dari pembaca sanagt membantu guna perbaikan dan pengembangan di masa yang
akan datang.
Akhirnya dengan rahmat dan ridho Allah SWT penulis berharap semoga
Tugas Akhir ini dapat memberikan manfaat bagi pembaca sekalian terutama
mahasisiwa dibidang komputer
Surabaya, 03 Februari 2012
D A F T A R I S I
ABSTRAK... i
KATA PENGANTAR ... ii
DAFTAR ISI ... iii
DAFTAR GAMBAR... vi
DAFTAR TABEL... ix
BAB I PENDAHULUAN 1.1 Latar Belakang ... 1
1.2 Rumusan Masalah... 3
1.3 Batasan Masalah ... 3
1.4 Tujuan ... 4
1.5 Manfaat ... 4
1.6 Metodologi Pembuatan Skripsi ... 5
1.7 Sistematika Penulisan ... 6
BAB II TINJAUAN PUSTAKA 2.1 Definisi Citra ... 9
2.2 Permodelan Warna (Color Model) ... 15
2.4 Histogram Warna (Color Histogram)... 22
BAB III ANALISA DAN PERANCANGAN APLIKASI 3.1 Analisa Permasalahan ... 37
3.2 Pengolahan Citra Digital ... 39
3.3 Perancangan Sistem ... 40
3.4 Algoritma dan Blok Diagram Sistem ... 41
3.4.1 Sistem Analisa Tekstur Warna Kulit Manusia Menggunakan Histogram Warna ... 44
4.1.2 Sampling ... 53
4.1.3 Quantization ... 55
4.2 Color Depth ... 55
4.3 Data Sampel ... 57
BAB V UJI COBA DAN EVALUASI 5.1 Peralatan Uji Coba ... 62
5.2 Uji Coba Sistem ... 62
5.3 Langkah Pengoperasian Sistem ... 64
5.4 Evaluasi Sistem ... 74
BAB VI PENUTUP 6.1 Kesimpulan…….. ... 76
6.2 Saran…….……. ... . 77
DAFTAR PUSTAKA
D A F T AR G A M B A R
Gambar 2.1 Piksel Matrik ... 10
Gambar 2.2 Matriks Citra Digital NxM ... 11
Gambar 2.3 Ilustrasi Sistem Koordinat Piksel ... 12
Gambar 2.4 Ilustrasi Citra Biner Monokrom ... 13
Gambar 2.5 Ilustrasi Citra Grey Scale ... 14
Gambar 2.6 Ilustrasi Citra True Color ... 15
Gambar 2.7 Tiga Warna Dasar RGB yang ditembakkan Pada Ruang Hampa Menghasilkan Warna Putih ... 16
Gambar 2.8 Warna yang Dimodelkan sebagai Kubus dengan Indeks RGB 17 Gambar 2.9 Tiga Warna Dasar CMY Ditembakkan Pada Background yang Berwarna Putih, Biasanya akan Menghasilkan Warna Abu-abu Gelap Kecoklatan... 17
Gambar 2.10 Warna-warna Pada Permodelan Warna HSL ... 19
Gambar 2.11 Warna-warna Pada Permodelan Warna HSV ... 20
Gambar 2.12 Piksel Matriks 8x8 ... 23
Gambar 2.13 Matriks Standar Kuantisasi ... 25
Gambar 2.14 Hasil Kuantisasi Warna Median Cut Algoritma 16 bit Warna/Pixel, 8 bit Warna/Pixel, 4 bit Warna/Pixel dan 2 bit Warna/Pixel ... 26
Gambar 2.16 Jendela Utama MATLAB ... 30
Gambar 3.1 Blok Diagram Sistem Analisa Deteksi Kemiripan Warna ... 43
Gambar 3.2 Langkah Awal Untuk Membuat GUI ... 49
Gambar 3.3 Langkah Untuk Membuat GUI Quick Start ... 49
Gambar 3.4 Create GUI, Reload M-File (.m) dan Figure (.fig)... 50
Gambar 3.5 Rancangan Antarmuka Sistem Analisa Deteksi Kemiripan Warna ... 51
Gambar 4.1 Pembacaan Citra ... 53
Gambar 4.2 Ilustrasi Citra Monokromatik Ukuran [8x8] dengan Keabuan [0,255] ... 53
Gambar 5.1 Tampilan Awal Sistem Deteksi Kemiripan Dijalankan ... 64
Gambar 5.2 Run Program Untuk Melakukan Load Gambar Acuan... 65
Gambar 5.3 Load Gambar Perbandingan Pada Tab Window Directory Folder ... 65
Gambar 5.5 Messagebox Hasil Pendeteksian Kemiripan Pada
Seluruh Sampel ... 67
Gambar 5.6 Menampilkan Histogram Citra Gambar Acuan ... 68
Gambar 5.7 Menampilkan Hasil Histogram Gambar Paling
Mirip ... 69
Gambar 5.8 Run Program Untuk Load Gambar ... 70
Gambar 5.9 Proses Load Gambar Yang dibandingkan Pada
Windows Directory Folder ... 70
Gambar 5.10 Hasil Akhir Mendeteksi Kemiripan Tekstur Warna
Kulit ... 71
Gambar 5.11 Messagebox Hasil Pendeteksian Kemiripan Gambar
Dalam 1 (satu) Folder ... 71
Gambar 5.12 Menampilkan Histogram Citra Gambar Acuan ... 72
D A F T A R T A B E L
Tabel 2.1 Penghitungan Algoritma Histogram Citra 8x8 ... 23
Tabel 2.2 Hubungan Antara Bit Per Piksel dengan Jumlah Warna Maksimum... 28
Tabel 2.3 Operator Aritmatika Dasar Pada MATLAB ... 31
Tabel 2.4 Variabel Yang Terdefinisi di MATLAB ... 33
Tabel 2.5 Fungsi Matematika yang Terdefinisi di MATLAB ... 34
PENDAHULUAN
1.1. Latar Belakang
Semakin berkembangnya teknologi informasi dan pemanfaatan teknologi
komputer di berbagai bidang kehidupan, kebutuhan akan efisiensi pengelolaan
data yang meliputi data teks, suara, citra dan video semakin meningkat. Salah
satu aspek dalam hal pengelolaan data adalah penemuan kembali informasi yang
diinginkan pengguna atau yang disebut dengan istilah temu-balik citra atau Image
Retrieval (IR). Telah banyak penelitian yang dilakukan dalam mencapai sebuah
data yang relevan dengan didasari sebuah informasi data yaitu citra (image).
Dalam penelitian ini pembahasan retrieval difokuskan pada salah satu jenis
dokumen yaitu dokumen berbentuk citra (image).
Persepsi manusia terhadap suatu citra cenderung didominasi pada faktor
komposisi warna, dimana sebuah kompisisi tersebut pencampuran warna dasar
citra RGB (Red, Green, Blue). Dalam warna yang ada pada gambar memiliki
informasi yang dinamakan picture element atau pixel yang merupakan satuan
titik kecil yang menyusun sebuah gambar yang ada pada dimensi warna dasar
RGB.
Untuk mencari komposisi dan faktor citra warna digunakan sebuah
metode penghitungan yang disebut histrogram warna (Color Histrogram).
Histogram warna dari piksel-piksel dalam citra dapat digunakan sebagai
diperlukan untuk efisiensi proses pencarian kemiripan citra, karena dokumen
citra terdiri piksel-piksel yang berjumlah ratusan, ribuan bahkan jutaan.
Dalam pelacakan pengenalan citra warna kulit manusia yang di terapkan
dibidang kesehatan pengenalan pola kulit manusia di representasikan dalam
kategori sebagai warna kulit yang sama jenis dalam pola citra warna maupun
kondisi dalam citra warna kulit yang buruk seperti terjadinya kelainan penyakit
kulit.
Tujuan dalam penganalisaan citra warna kulit manusia ini dibuat suatu
histrogram warna untuk mencapai kemiripan warna dalam mendektesi kemiripan
warna kulit manusia dengan ketepatan kepastian 88% dengan dukungan
pencarian citra tekstual dan dikembangkan ciri citra dengan menggunakan tekstur
kedalam citra (Color Depth) untuk mencari titik-titik atau tingkatan bit per piksel
yang ada pada gambar.
Banyaknya piksel yang menyusun suatu gambar tergantung pada resolusi
gambar. Sedangkan banyaknya variasi warna yang dapat direpresentasikan oleh
sebuah piksel tergantung pada color depth (kedalaman warna) yang digunakan,
dalam penganalisaan kemiripan warna di gunakan histogram warna (Color
Histrogram) dimana merepresentasikan disribusi jumlah piksel untuk tiap
intensitas warna dalam citra yang telah di tentukan pada dimensi pada
perbandingan bit.
Penelitian ini bertujuan untuk membuat sistem analisis untuk mengukur
tingkat kemiripan tekstur warna kulit manusia berdasarkan kemiripan histogram
1.2. Rumusan Masalah
Dengan memperhatikan latar belakang yang dipaparkan diatas, dapat
diketahui rumusan masalah yang ada untuk pengembangan pengenalan pola
tekstur warna kulit pada manusia. Masalah – masalah tersebut ialah :
a. Bagaimana mendeskripsikan suatu tekstur atau jenis warna kulit
manusia menggunakan histogram warna (Color Histogram).
b. Bagaimana mendeskripsikan fitur yang ada pada kedua gambar
dengan menggunakan metode BPP (bit per pixel) dalam mencari
kedalaman warna (Color Depth).
c. Bagaimana merancang sistem untuk mencari pembedaan dalam suatu
tekstur warna kulit manusia dengan beberapa tekstur warna kulit
lainnya.
d. Bagaimana mencari prosentase kemiripan suatu tekstur warna kulit
manusia pada dua obyek gambar (image) yang berbeda dengan
melihat perbedaan citra warna.
1.3. Batasan Masalah
Dalam pembuatan skripsi ini, ruang lingkup permasalahan yang akan
dibatasi sebagai berikut :
a. Pengenalan citra gambar ini dibuat sistem analisa untuk mencari
b. Sistem histogram warna yang dianalisa berdasarkan batas warna piksel
gambar sehingga perbandingan obyek bentuk gambar tidak dapat dibaca
atau disimpulkan dengan pengertian pengenalan obyek (Segmentasi).
c. Batas analisa gambar yang disimpulkan dengan prosentase kemiripan
citra warna histogram pada form gambar yang dibuat dengan dua
perbandingan untuk mencari tingkat kemiripan citra warna.
d. Citra input yang digunakan dalam uji coba berekstensi jpg.
e. Metode pencitraan dalam mencari kemiripan warna ini di
implementasikan dalam perangkat lunak Matlab.
1.4. Tujuan
Tujuan skripsi ini adalah untuk mencari tingkat kemiripan warna yang
lebih tinggi dari hasil perbandingan sampel warna gambar yang berbeda dan
histogram warna pada sampel gambar.
.
1.5. Manfaat
Adapun manfaat yang diperoleh dari skripsi ini antara lain sebagai
berikut:
a. Membantu untuk mencari tingkat kemiripan warna yang lebih akurat dan
mendekati kemiripan warna dari sampel gambar asli.
b. Memudahkan dalam mencari tingkat kemiripan warna dengan
1.6. Metodologi Pembuatan Skripsi
Pembuatan skripsi terbagi menjadi beberapa tahapan sebagai berikut:
a. Studi Literatur
Pada tahap ini dilakukan pencarian, pengumpulan dan pemahaman
tentang informasi-informasi yang diperlukan dan literatur yang
berhubungan dengan permasalahan metode histogram warna. Literatur
yang digunakan meliputi buku skripsi mahasiswa jurusan teknik
informatika, buku panduan pengolahan citra dan dokumen internet
tentang histogram warna.
b. Perumusan masalah dan penyelesainnya
Pada tahap ini meliputi perumusan masalah, batasan-batasan masalah dan
penyelesainnya serta penentuan parameter yang digunakan untuk
mengukur kemiripan.
c. Perancangan Perangkat Lunak
Pada tahap ini dilakukan perancangan perangkat lunak untuk menerapkan
permasalahan dan penyelesaiannya pada tahap sebelumnya.
d. Pembuatan Perangkat Lunak
Pada tahap ini dilakukan pembuatan perangkat lunak sesuai dengan
perancangan perangkat lunak yang telah dilakukan. Dalam tahap ini
dilakukan konversi algoritma menjadi kode program yang siap dieksekusi.
e. Uji Coba dan Evaluasi Hasil
Pada tahap ini dilakukan uji coba dan analisa serta dilakukan evaluasi
f. Dokumentasi
Pada tahap ini disusun buku sebagai dokumentasi dari pelaksanaan skripsi
yang berisi konsep penunjang, perancangan perangkat lunak, pembuatan
perangkat lunak, dokumentasi dari uji coba dan pada bagian akhir berisi
tentang kesimpulan dan saran.
1.7. Sistematika Penulisan
Adapun sistematika penulisan laporan skripsi ini adalah:
BAB I : PENDAHULUAN
Bab ini berisi penjelasan tentang latar belakang permasalahan,
rumusan masalah, batasan masalah, tujuan, manfaat, metodologi
pembuatan skripsi dan sistematika penulisan laporan skripsi ini.
BAB II : TINJ AUAN PUSTAKA
Pada bab dua dijelaskan tentang landasan teori-teori yang
dibutuhkan terkait skripsi ini. Yaitu mengenai definisi citra
digital, color model, image processing, metode histogram
warnan (color histogram) serta penjelasan mengenai software
BAB III : ANALISA DAN PERANCANGAN APLIKASI
Bab tiga ini berisi tentang tahapan-tahapan yang digunakan
dalam perancangan untuk membuat sistem image processing
pada kemiripan citra warna kulit manusia. Yang terdiri dari atas
penjelasan dari analisa permasalahan, perancangan sistem,
prosedur metode yang digunakan, contoh permasalahan serta
rancangan antarmuka sistem yang akan dibuat.
BAB IV : IMPLEMENTASI SISTEM
Bab empat berisi penjelasan hasil implementasi dari
perancangan sistem analisa image processing untuk mencari
kemiripan citra warna kulit warna beserta sampel yang
digunakan dan dibandingkan. Yang meliputi kebutuhan sistem
dan implementasi tampilan-tampilan antarmuka aplikasi.
BAB V : UJ I COBA DAN EVALUASI
Bab lima ini menjelaskan lingkup uji coba aplikasi yang telah di
buat sebelumnya. Pelaksanaan uji coba dan evaluasi dari hasil
uji coba yang telah dilakukan untuk kelayakan pemakaian
aplikasi.
BAB VI : PENUTUP
Bab ini berisi kesimpulan dan saran untuk pengembangan
aplikasi guna untuk mendapatkan hasil kinerja aplikasi yang
lebih baik.
DAFTAR PUSTAKA
BAB II
TINJ AUAN PUSTAKA
2.1. Definisi Citra
Secara harfiah, citra (image) adalah gambar pada bidang dwimatra (dua
dimensi), representasi, kemiripan atau imitasi dari suatu obyek. Citra sebagai
keluaran suatu sistem perekaman data dapat bersifat optik. Berupa foto, bersifat
analog berupa sinyal-sinyal, video seperti gambar pada monitor televisi, atau
bersifat digital yang dapat langsung disimpan pada suatu media penyimpanan.
Dalam tinjauan matematis, citra merupakan fungsi kontinu dari intensitas
cahaya pada bidang dua dimensi. Ada dua jenis citra yaitu citra diam dan citra
bergerak. Citra diam adalah citra tunggal yang tidak bergerak, sedangkan citra
bergerak adalah rangkaian citra diam yang ditampilkan secara sekuensial.
Sedangkan citra digital merupakan citra yang tersusun dalam bentuk raster (grid
atau kisi). Setiap kotak (tile) yang terbentuk disebut pixel (picture element) dan
memiliki koordinat (x, y). sumbu x (horizontal) atau kolom (column), sample
sedangkan sumbu y (vertikal) atau baris (row, line). Setiap piksel memiliki nilai
(value atau number) yang menunjukkan intensitas keabuan pada piksel tersebut.
Derajat keabuan dimana merepresentasikan grey level atau kode warna. Kisaran
nilai ditentukan oleh bit yang dipakai dan akan menunjukkan resolusi aras
abu-abu (grey level resolution). (Pramitarini, 2011)
1 bit – 2 warna [0, 1]
4 bit – 16 warna [0, 15]
24 bit – 16.777.216 warna (true color)
Kanal merah – Red (R) [0, 255]
Kanal hijau – Green (G) [0, 255]
Kanal blue – Blue (B) [0, 255]
Gambar 2.1. Piksel Matrik
Nilai digital dan banyak bit :
M = banyak piksel per baris (panjang)
N = banyak piksel per kolom (lebar)
b = banyak atau besar bit pada suatu citra
Ada beberapa sifat citra menurut perekam beserta media penyimpanannya yaitu :
A. Citra Analog
Citra Analog tidak direpresentasikan dalam komputer dan bersifat kontinu,
semua merupakan fakta, contoh : gambar pada monitor televisi, foto sinar X,
hasil CT scan dan lain-lainnya. Citra analog tersimpan dalam pita kaset.
B. Citra Digital
Digital image processing merupakan proses pengambilan atribut-atribut
pada gambar dengan input dan output yang berupa gambar. (Gonzalez dan
Citra digital adalah citra yang dapat diolah oleh komputer. Yang disimpan
dalam memori komputer hanyalah angka-angka yang menunjukkan besar
intensitas pada masing-masing piksel. Karena berbentuk data numeris, maka citra
digital dapat diolah dengan komputer.
Di dalam komputer, citra digital disimpan sebagai suatu file dengan format
tertentu. Format citra tersebut menunjukan cara sebuah citra digital disimpan,
misalnya apakah dengan suatu kompresi atau tidak. Contoh format citra digital
adalah .bmp, .jpg, .png, .tif dan sebagainya. Ukuran citra digital dinyatakan dalam
piksel (picture element). Umumnya, nilai setiap piksel merupakan kuantisasi
harga intensitas cahaya. Dengan demikian, suatu citra digital dapat dipandang
sebagai sebuah matriks yang elemen-elemennya menunjukkan intensitas cahaya
terkuantisasi.
Citra digital dinyatakan matriks berukuran N x M (baris / tinggi = N, kolom
/ lebar = M). setiap titik memiliki koordinat dan biasanya dinyatakan dalam
bilangan bulat positif, yaitu 0 atau 1 tergantung pada sistem yang digunakan.
Format nilai piksel sama dengan format citra kseluruhan. Pada kebanyakan
sistem pencitraan, nilai ini biasanya berupa bilangan bulat positif juga. Ilustrasi
sistem koordinat piksel dilihat pada gambar 2.2 dan contoh ilustrasi koordinat
piksel dengan layer piksel ƒ (2,2) = 1 .
Gambar 2.3. Ilustrasi Sistem Koordinat Piksel
Beberapa penjelasan format piksel adalah sebagai berikut :
a. Format piksel 1 Bit (Citra Biner Monocrom)
Citra biner diperoleh melalui proses pemisahan piksel-piksel bedasarkan
derajat keabuan yang dimilikinya. Pada citra biner, setiap titik bernilai 0 dan
1, masing-masing merepresentasikan warna tertentu. Nilai 0 diberikan untuk
piksel yang memiliki derajat keabuan lebih kecil dari nilai batas yang
ditentukan. Sementara piksel yang memiliki derajat keabuan yang lebih besar
dari batas akan diubah menjadi nilai 1.
Pada standar citra untuk ditampilkan dilayer komputer, nilai biner ini
berhubungan dengan ada tidaknya cahaya yang ditembakkan oleh electron
gun yang terdapat didalam monitor komputer. Angka 0 menyatakan tidak ada
cahaya, dengan demikian warna yang direpresentasikan adalah hitam. Untuk
angka 1, terdapat cahaya, sehingga warna yang direpresentasikan adalah
putih. Standar tersebut sebagai standar citra cahaya, sedangkan standar citra
tinta atau cat adalah berkebalikan, karena biner tersebut menyatakan ada
setiap byte dapat menampung informasi 8 bit. Ilustrasi dari citra biner bisa
dilihat pada gambar 2.4.
Gambar 2.4. Ilustrasi Citra Biner Monokrom
b. Format piksel 8 Bit (Citra Gray Scale)
Citra skala keabuan memberi kemungkinan warna yang lebih banyak
daripada citra biner, karena ada nilai-nilai diantara nilai minimum (biasanya =
0) dan nilai maksimum. Banyaknya kemungkinan nilai minimum dan nilai
maksimumnya bergantung pada jumlah bit yang digunakan. Mata manusia
pada umumnya hanya mempunyai kemampuan untuk membedakan maksimal
40 tingkat skala keabuan. Untuk citra tampak (visible image) dipilih skala
keabuan lebih dari 40.
Pada umumnya, citra skala keabuan menggunakan jumlah bit 8, sesuai
dengan satuan memori computer. Contohnya untuk skala keabuan 4 bit, maka
jumlah kemungkinan nilainya adalah 16 dan nilai maksimumnya adalah 24 –
1 = 15. Sedangkan untuk skala keabuan 8 bit, maka jumlah kemungkinan
Format citra ini disebut skala keabuan, karena pada umumnya warna yang
dipakai adalah antara warna hitam sebagai warna minimal dan warna putih
sebagai warna maksimalnya, sehingga warna diantara hitam dan putih adalah
abu-abu. Namun pada prakteknya, warna yang dipakai tidak terbatas pada
warna abu-abu. Sebagai contoh, dipilih warna minimalnya adalah putih dan
warna maksimalnya adalah merah, maka semakin besar nilainya semakin
besar pula intensitas warna merahnya. Format citra ini kadang disebut sebagai
citra intensitas. Ilustrasi dari citra Gray Scale dapat dilihat pada gambar 2.5.
Gambar 2.5. Ilustrasi Citra Grey Scale
c. Format piksel 24 Bit (Citra Warna atau True Color)
Pada citra warna, setiap titik mempunyai warna yang paling spesifik yang
merupakan kombinasi dari 3 warna dasar, yaitu merah (Red), hijua (Green)
dan biru (Blue). Ada perbedaan warna dasar untuk dasar cahaya. (misalnya
display di monitor komputer) dan untuk cat (misalnya cetakan diatas kertas).
Untuk cahaya, warna dasarnya adalah red, green dan blue (RGB), sedangkan
untuk cat warna dasarnya adalah sian, magenta, kuning (
Keduanya saling berkomponen. Format citra ini sering disebut sebagai
citra RGB (Red-Green-Blue). Setiap warna dasar mempunyai intensitas
sendiri dengan nilai maksimum 255 (8 bit). Misalnya warna kuning
merupakan kombinasi warna merah ungu muda, nilai RGB nya adalah 255
255 0. Sedangkan warna ungu muda, nilai RGB nya adalah 150 0 150,
dengan demikian setiap titik pada citra warna membutuhkan data 3 byte.
Jumlah kombinasi warna yang mungkin untuk format citra ini adalah 224 atau
lebih dari 16 juta warna. Dengan demikian, bisa dianggap mencakup semua
warna yang ada, inilah sebabnya format ini dinamakan true color. Ilustrasi
dari citra ini adalah sebagai berikut :
Gambar 2.6. Ilustrasi Citra True Color
2.2. Per modelan War na (Color Model)
Warna merupakan ciri yang paling ekspresif dibandingkan dengan ciri
visual yang lain. Warna juga merupakan salah satu ciri yang paling banyak
digunakan dalam pengenalan citra. Warna adalah spektrum tertentu yang
terdapat di dalam suatu cahaya sempurna (berwarna putih). Nilai warna
ditentukan oleh tingkat kecerahan maupun kesuraman warna. Nilai ini
Penelitian memperlihatkan bahwa kombinasi warna yang memberikan
rentang paling lebar adalah red (R), green (G) dan blue (B). Ketiga warna
tersebut merupakan warna pokok yang biasa disebut RGB. Warna lain
dapat diperoleh dengan mencampurkan ketiga warna pokok tersebut dengan
perbandingan tertentu. Setiap warna pokok mempunyai intensitas sendiri
dengan nilai maksimum 255 (8-bit). Misal warna kuning merupakan
kombinasi warna merah dan hijau sehingga nilai RGB: 255 255 0.
RGB disebut juga ruang warna yang dapat divisualisasikan sebagai sebuah
kubus seperti gambar 2.8, dengan tiga sumbunya yang mewakili komponen
warna merah (red) R, hijau (green) G, biru (blue) B.
Ada beberapa pemodelan warna yang digunakan untuk melakukan
digitalisasi citra, yaitu :
A. RGB
Suatu warna tertentu akan didefinisikan sebagai penggabungan 3 warna
dasar dengan intensitas tertentu pada setiap warna dasarnya. Warna dasar dari
color model RGB adalah merah (red), hijau (green) dan biru (blue). Pemodelan
warna RGB merupakan pemodelan terbaik dalam grafika komputer karena
mirip dengan visualisasi yang dilakukan mata.
Gambar 2.7. Tiga Warna Dasar RGB yang Ditembakkan pada Ruang Hampa
Gambar 2.8. Warna yang Dimodelkan sebagai Kubus dengan Indeks RGB.
Kelebihan dari pemodelan warna ini adalah citra tampak nyata seperti aslinya.
B. CMYK
Pemodelan warna yang mengacu 4 warna pada tinta percetakan yang
biasanya digunakan. Yaitu warna cyan, magenta, yellow (kuning) dan key
(hitam). Warna hitam disini berfungsi untuk mengatur kontras atau kecerahan
suatu warna.
Warna CMY merupakan warna-warna secondary dari warna-warna primary
RGB. Cyan merupakan secondary dari warna hijau dan biru. Magenta
merupakan secondary dari warna merah dan biru. Sedangkan kuning adalah
secondary dari warna merah dan hijau.
Gambar 2.9. Tiga Warna Dasar CMY Ditembakan pada background yang
Berwarna Putih, Biasanya akan Menghasilkan Warna Abu-abu Gelap
Kelebihan pemodelan warna ini adalah kemiripannya dengan tinta
yang tersedia untuk mencetak citra, yaitu cyan, magenta, yellow (kuning) dan
key (hitam).
C. YIQ
Pemodelan warna pada sistem televisi berwarna. Y menunjukan
komponen luma, sedangkan I dan Q menunjukan komponen chroma.
Kelebihan pemodelan warna ini adalah mirip dengan warna yang dihasilkan
oleh gelompang. Sehingga sangat cocok untuk sistem televisi.
D. YCbCr
Pemodelan warna yang digunakan oleh sistem fotografi digital.
Pemodelan warna YCbCr bukan pemodelan warna utama, namun merupakan
cara pengkodean informasi RGB. Y menunjukan komponen luma, Cb
menunjukan perbedaan biru dan Cr menunjukan perbedaan merah pada
chroma.
E. xvYCC
Pemodelan warna yang digunakan oleh video elektronik. Mekanisme
yang digunakan sama dengan pada YcbCr yaitu sebagai sistem fotografi
F. HSL atau HSV
Keduanya adalah pemodelan paling umum dari pemodelan warna RGB.
Biasanya digunakan oleh aplikasi visual pada komputer. Pemodelan warna ini
mempunyai beberapa komponen, yaitu :
a. Hue : pemodelan pencampuran warna dari merah, kuning, hijau biru.
b. Intensity, radiance : intensitas cahaya yang dierima suatu wilayah.
c. Luminance (Y) : Pencahayaan relatif atau tergantung dari arah pandang
atau arah datangnya cahaya.
d. Brightness : kecerahan.
e. Lightness : kecerahan relative
f. Colorfullness : sensasi visual karena komponen warna yang terbatas.
Kelebihan pemodelan warna ini adalah sangat mirip dengan RGB
sehingga mirip dengan aslinya. Namun, punya komponen yang lebih
kompleks dari RGB. Sehingga semakin menyerupai aslinya.
Gambar 2.11. Warna-warna pada Pemodelan Warna HSV
2.3. Operasi Pengolahan Citra
Operasi-operasi yang dilakukan dalam pengolahan citra banyak ragamnya,
namun secara umum operasi pengolahan citra dapat diklarifikasikan dalam
beberapa jenis sebagai berikut:
1. Perbaikkan Kualitas Citra (Image Enchancement)
Jenis operasi ini bertujuan untuk memperbaiki citra dengan cara
manipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri
khusus yang terdapat didalam citra lebih ditonjolkan.
Contoh-contoh operasi perbaikkan citra:
a. Perbaikkan kontras gelap atau terang
b. Perbaikkan tepian obyek (edge enchancement)
c. Penajaman (sharpening)
d. Pemberian warna semu (pseudocoloring)
2. Perbaikan Citra (Image Restoration)
Operasi ini bertujuan menghilangkan cacat pada citra. Tujuan
pemugaran citra hampir sama dengan operasi perbaikkan citra.
Perbedaanya, pada pemugaran citra penyebab degradasi gambar
diketahui.
Contoh-contoh operasi pemugaran citra :
a. Penghilangan kesamaran (deblurring)
b. Penghilangan derau (noise)
3. Pemampatan Citra (Image Compression)
Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam
bentuk yang lebih kompak sehingga memerlukan memori yang lebih
sedikit. Hal penting yang harus diperhatikan dalam pemampatan citra
adalah citra yang telah dimampatkan harus tetap mempunyai kualitas
gambar yang bagus.
4. Segmentasi Citra (Image Segmentation)
Jenis operasi ini bertujuan untuk memecah suatu citra kedalam
beberapa segmen dengan suatu kriteria tertentu. Jenis operasi ini
berkaitan erat dengan pengenalan pola.
5. Penguraian Citra (Image Analysis)
Jenis operasi ini bertujuan menghitung besaran kuantitif dua citra untuk
menghasilkan diskripsinya. Teknik pengolahan citra mengekstrasi
ciri-ciri tertentu yang membantu dalam identifikasi obyek. Proses
segmentasi kadang kala diperlukan untuk melokalisasi obyek yang
Contoh-contoh operasi pengorakan citra:
a. Pendeteksian tepian obyek (edge detection)
b. Ekstraksi batas (boundary)
c. Representasi daerah (region)
6. Rekontruksi Citra (Image Recontruction)
Jenis operasi ini bertujuan untuk membentuk ulang obyek dari beberapa
citra hasil proyeksi. Operasi rekontruksi citra banyak digunakan dalam
bidang medis.
2.4. Histogram Warna (Color Histogram)
Merupakan fitur warna yang paling banyak digunakan. Histogram warna
sangat efektif mengkarakterisasikan distribusi global dari warna dalam sebuah
image. Warna yang sering digunakan adalah RGB (Red, Green, Blue). Jika
masing-masing warna didiskritkan menjadi h interval maka total jumlah
diskritnya adalah hi. Sebuah histogram warna H(hi) adalah sebuah vector (n1, n2,
…, n) dimana ni menunjukkan jumlah piksel dalam citra hi pada bin i. Fitur
vector yang disimpan sebagai index dari citra.
Dimana : L = derajat keabuan
ni = jumlah pixel yang memilki derajat keabuan i
n = jumlah seluruh pixel didalm citra
Komposisi warna merupakan salah satu fitur yang dapat digunakan dalam
sistem temu-balik citra. Komposisi warna dapat direpresentasikan dalam bentuk
histogram. Histogram warna merepresentasikan distribusi jumlah piksel untuk
kuantisasi menjadi beberapa level diskrit, kemudian untuk tiap level tersebut
dihitung jumlah piksel yang nilainya sesuai. Contoh, citra 8x8 dengan skala
keabuan 0 – 15, gambar tabel piksel adalah sebagai berikut :
Gambar 2.12. Piksel Matriks 8x8
Informasi suatu citra seringkali dapat diwakili oleh histogram warna.
Komputasi histogram sangat sederhana dan cepat, serta dapat dilakukan pada saat
me-load citra.
Tabel 2.1. Penghitungan Algoritma Histogram Citra 8x8.
Manfaat dalam penggunaan histogram citra yaitu dapat menentukan apakah
suatu citra sudah berada dalam jangkauan yang tepat dalam suatu skala keabuan
atau warna. Jika jangkauan skala belum tepat pada parameter yang diinginkan
maka parameter digitasinya perlu diatur lagi lebih dilebarkan atau lebih
Histogram warna terdiri dari dua tipe, Global Color Histograms (GCHs) dan
Local Color Histograms (LCHs). Pada penggunaan GCH, distribusi warna global
suatu citra diambil dan digunakan sebagai metada. Jika pengguna mencari citra
dengan yang dalam sistem databasenya hanya memperhatikan distribusi warna global
suatu citra, maka GCH adalah pilihan terbaik. Walaupun demikian, karena GCH
hanya mengambil distribusi warna global suatu citra sebagai pertimbangan untuk
membandingkan citra, ini bisa mengembalikan hasil yang tidak sesuai dengan
persepsi visual.
Pada penggunaan LCH, menghasilkan citra hasil pencarian yang jumlahnya
banyak secara kuantitas, dan hasil pencariannya terpegaruh oleh citra geometri
misalnya citra yang dirotasi. Sehingga tidak efektif secara kualitas. karena ada citra
yang penyebaran warnanya jauh namun tetap ditampilkan sebagai hasil pencarian.
Pada pengukuran tingkat kemiripan menggunakan histogram warna,
persepesi manusia cenderung didominasi oleh faktor komposisi warna yang
dimiliki oleh citra. Histogram warna dari piksel-piksel dalam citra dapat
digunakan sebagai representasi komposisi warna yang dimiliki citra. Dengan
demikian, dapat dicari citra yang memiliki tingkat kemiripan warna dengan
komposisi warna yang serupa dan jarak warna yang lebih mendekati pada citra
yang dibandingkan.
Sistem yang dibuat juga akan menampilkan keterangan kemiripan tekstur
warna kulit manusia berdasarkan sampel yang dibandingkan dengan sampel data
yang berbeda berdasarkan prosentase tingkat kemiripan komposisi warnanya
yaitu kemiripan sama (80 % - 99 %), kemiripan sedang (70 % - 89 %) dan kurang
2.5. Kuantitasi Warna (Color Quantization)
Color quantization atau kuantitasi warna adalah suatu proses pengurangan
jumlah warna yang berbeda yang digunakan dalam sebuah citra sehingga
menghasilkan citra baru. Kuantisasi warna berfungsi untuk membuang informasi
yang kurang penting yaitu informasi yang tidak berpengaruh secara signifikan
terhadap visualisasi ketika sub-citra direkontruksi. Proses kuantisasi dapat
dibedakan menjadi 2 (dua) bagian yaitu : (Pramitarini, 2011)
• Operasidien Koder : mengkonversi koefisien – koefisien transform
menjadi level – level kuantisasi.
• Operasi di Dekoder : mengkonversi level – level menjadi koefisien
transform rekonstruksi, biasanya disebut inverse quantization.
Kualitas gambar dapat diperoleh melalui seleksi matrik kuantisasi yang
spesifik. Ini memungkinkan pengguna untuk menentukan tingkat kualitas
berkisar 1 – 100, dimana angka 1 menunjukkan bahwa kualitas cita yang rendah
sedangkan angka 100 menunjukkan bahwa kualitas yang dimiliki citra bernilai
tinggi. Berikut adalah matrik standar kuantisasi :
Gambar 2.13. Matriks Standar Kuantisasi
Teknik yang paling standar adalah dengan cara memperlakukan kuantisasi
clustering pada tiga dimensi dapat digunakan untuk kuantisasi warna. Algoritma
yang paling popular diciptakan oleh Paul Heckbert (1980). Algoritma tersebut
disebut the median cut algorithm.
Median cut algorithm adalah algoritma untuk mengurutkan data data
sejumlah dimensi dalam seri set dan memotong masing-masing set data pada titik
tengahnya. Kuantisasi warna pada pembuatan histogram, nilai RGB yang
mempunyai dari 0 sampai 255 akan kemungkinan kombinasi sebesar 16777216
(didapat dari: 255 x 255 x 255). Pada proses komputasi, tentu akan dapat
menghabiskan banyak waktu dalam melakukan proses (time consuming).
Gambar 2.14. Hasil Kuantisasi Warna Median Cut Algorithm 16 bit Warna / Pixel, 8 bit Warna / Pixel, 4 bit Warna / Pixel, dan 2 bit Warna / Pixel
2.6. Format File Citra J PEG (Joint Photographic Expert Group)
JPEG didirikan oleh komite Joint Photographic Expert Group yang
mengeluarkan standar pada tahun 1992. JPEG menetapkan standar yaitu codec.
byte dan dikompresi kembali menjadi sebuah gambar serta digunakan sebagai
streaming sebuah file. JPEG biasanya digunakan untuk foto perts Group atau di
website. JPEG menggunakan kompresi tipe lossy. Kualitas JPEG 2000 bisa
bervariasi tergantung setting kompresi yang digunakan (Pramitarini, 2011).
Pada format JPEG, citra disimpan sebagai suatu matriks dimana
masing-masing elemennya digunakan untuk menyimpan informasi warna untuk setiap
pixel. Jumlah yang dapat disimpan ditentukan dengan satuan bit-per-pixel.
Semakin besar ukuran bit-per-pixel dari suatu JPEG, semakin banyak pula jumlah
warna yang dapat disimpan. Format JPEG cocok untuk citra-citra fotografi
karena perubahan pada warna yang halus dan untuk menyimpan citra digital
sangat bagus karena memiliki banyak variasi dalam bentuk maupun warna.
Citra dalam format JPEG mendukung dalam operasi dalam piksel, ada
tiga macam: citra biner, citra warna dan citra hitam-putih (grayscale). Citra biner
hanya mempunyai dua nilai keabuan, yaitu nilai 0 dan 1. Oleh karena itu, 1 bit
sudah merepresentasikan nilai piksel. Citra berwarna adalah yang lebih umum.
Warna yang terlihat pada citra JPEG merupakan kombinasi dari tiga warna dasar,
yaitu merah (R), hijau (G) dan biru (B). setiap piksel disusun oleh tiga komponen
warna Red, Green dan Blue (RGB). Kombinasi dari ketiga warna RGB tersebut
menghasilkan warna khas untuk piksel yang bersangkutan.
Pada citra 256 warna setiap piksel panjangnya 8 bit, tetapi komponen
warna RGBnya disimpan dalam tabel RGB yang disebut palet. Setiap komponen
panjangnya 8 bit, jadi 256 nilai keabuan untuk warna merah, 256 nilai keabuan
untuk warna hijau, 256 nilai keabuan untuk warna biru. Nilai setiap piksel tidak
dan Blue (B) untuk masing-masing piksel yang bersangkutan. Namun pada citra
hitam-putih, nilai R = G = B untuk menyatakan bahwa citra hitam putih hanya
mempunyai satu kanal warna. Citra hitam putih umumnya adalah citra 8 bit.
Citra yang lebih kaya warna adalah citra 24 bit. Setiap piksel panjangnya
24 bit, karena setiap piksel langsung menyatakan komponen warna merah,
komponen warna hijau dan komponen warna biru. Masing-masing komponen
panjangnya 8 bit. Citra 24 bit disebut juga citra 16 juta warna, karena citra ini
mampu menghasilkan 224 = 16.777.216 kombinasi warna. Hubungan antara
bit-per-pixel dengan jumlah warna maksimum pada JPEG ditunjukan pada Tabel 2.2.
Tabel 2.2. Hubungan Antara Bit Per Piksel dengan Jumlah Warna Maksimum
2.7. Pengenalan Matlab 7
Menurut Teguh (2005), MATLAB merupakan suatu program komputer
yang bisa membantu memecahkan berbagai masalah matematis yang kerap
difungsikan dalam bidang teknis. Kemampuan MATLAB untuk menemukan
solusi dari berbagai masalah numerik secara cepat, mulai hal yang paling dasar,
x – 2y = 32
12x + 5y = 12
hingga yang kompleks, seperti mencari akar-akar polinomial, interpolasi dari
sejumlah data, perhitungan dengan matriks, pengolahan sinyal, dan metoda
numerik.
Salah satu aspek yang sangat berguna dari MATLAB ialah
kemampuannya untuk menggambarkan berbagai jenis grafik, sehingga bisa
memvisualisasikan data dan fungsi yang kompleks. Sebagai contoh, tiga gambar
berikut diciptakan dengan command surf di MATLAB.
Gambar 2.15.
Grafik 3-Dimensi Diciptakan dengan
Command
“Surf”
di MATLAB.
MATLAB atau Matrix Laboratory adalah suatu aplikasi berbasis expert
sistem yang digunakan untuk keperluan komputasi sains, seperti halnya Maple
dan Mathematica. Aplikasi yang dibuat oleh MathWorks.inc ini sangat handal
untuk komputasi yang terkait dengan array atau matriks. Selain digunakan untuk
komputasi, MATLAB juga dapat dibuat untuk sarana simulasi. Toolbox - toolbox
sebagai pelengkap MATLAB juga disediakan dalam paketnya, seperti toolbox
sebagainya. Toolbox ini berisi paket yang di dalamnya terdapat perintah-perintah
untuk melakukan tugas khusus sesuai dengan nama toolboxnya, misalnya
perintah untuk membaca nilai piksel suatu image, perintah ini terdapat dalam
toolboximage processing. Berikut jendela utama MATLAB:
Gambar 2.16. Jendela Utama MATLAB
2.7.1. Operasi Dasar di MATLAB
Dalam mode penggunaan dasar, Matlab juga digunakan sebagai fungsi
kalkulator. Dimana didalam Matlab sudah mendukung operasi matematika dasar
sehingga bisa dilakukan penghitungan operator dasar seperti penambahan,
penjumlahan, pengurangan, pembagian dan perkalian. Sebagai contoh, lakukan
penghitungan berikut pada command window:
>> 3+12
15
Operator aritmatika dasar yang didukung oleh Matlab ialah sebagai berikut:
Tabel 2.3. Operator Aritmatika Dasar Pada Matlab
Operator Keterangan
+ , –, *, / Tambah, Kurang, Kali, Bagi
(, ) Kurung
\ Pembagian terbalik
^ Pangkat
Hirarki operator mengikuti standar aljabar yang umum. Variabel yang
muncul setiap melakukan penghitungan pada command window adalah ans,
singkatan dari “answer” yang digunakan MATLAB untuk menyimpan hasil
perhitungan terakhir.
Pada operasi MATLAB untuk menyimpan nilai bisa menciptakan
variabel, baik variabel berupa bilangan atau variabel berupa teks. Berikut conntoh
200
Untuk melihat hasil rata_rata, kita bisa panggil variabel tersebut.
>> rat a_r at a
r at a_r at a =
250
Untuk bisa melakukan beberapa operasi sekaligus dalam satu baris
dengan menggunakan tanda koma sebagai pemisah. Format bilangan “floating
point” di MATLAB digambarkan dalam contoh berikut:
2.5 x 107 dituliskan 2.5e7
0.02 x 10-16 dituliskan 0.02e- 16 atau .02e- 16
Untuk menambahkan tanda titik-koma ( ; ) diakhir command, maka
MATLAB akan menampilkan variabel dan bilangan yang baru kita masukkan
atau hasil perhitungan yang baru dikerjakan. Jika terdapat titik-koma, maka
perhitungan tetap dilakukan tanpa menuliskan hasilnya. Dalam melakukan
pengecekan variabel apa saja yang sedang aktif didalam MATLAB, dilakukan
pemanggilan command whos. Atau bisa melihat daftar pada windowWorkspace,
Untuk menghapus beberapa atau semua variabel, gunakan perintah
commandclear. Misalkan untuk menghapus variabel total yang ada pada contoh
penulisan variabel diatas sebagai berikut:
>> cl ear t ot al
dan untuk menghapus semua variabel sekaligus
>> cl ear
Untuk menghapus atau membersihkan layar pada command windows adalah
perintah clc.
>> cl c
2.7.2. Variabel Terdefini di MATLAB
Pada pengoperasian didalam MATLAB telah terdapat variabel yang
terdefinisi, dimana variabel tersebut dapat memudahkan dalam mendefiniskan
suatu bahasa aritmatika meliputi pembulatan dan fungsi yang berkaitan dengan
bilangan kompleks. Sehingga bisa langsung dipergunakan tanpa perlu
mendeklarasikannya lagi. Berikut variabel-variabel yang ada didalam MATLAB:
Tabel 2.4. Variabel Yang Terdefinisi di MATLAB
Variabel Keterangan
ans
“answer”, diguanakan untuk menyimpan hasil perhitungan
terakhir.
eps
Bilangan sangat kecil mendekati nol yang merupakan batas
akurasi perhitungan di MATLAB.
pi Konstanta π, 3.1415926..
1/ 0,
2^ 5000 , dan sebagainya.
NaN
“not a number”, untuk menyatakan hasil perhitungan yang
tak terdefinisikan, misalkan 0/ 0 dan i nf / i nf .
i, j Unit imajiner, √– 1, untuk menyatakan bilangan kompleks.
Sedangkan berbagai fungsi matematika yang umumnya dipergunakan
dalam melakukan penghitungan aritmatika juga telah terdefinisi di MATLAB
yang meliputi fungsi eksponensial, logaritma, trigonometri, pembulatan, dan
fungsi yang berkaitan dengan bilangan kompleks. Berikut fungsi matematika
yang terdefini didalam MATLAB:
Tabel 2.5. Fungsi Matematika yang Terdefinisi di MATLAB
abs(x) Menghitung nilai absolut dari x, yaitu |x|
sign(x) Fungsi “signum”: berbilai +1 jika x positif, -1
jika x negatif dan 0 jika x sama dengan nol.
Fungsi Eksponensial dan Logaritma:
sqrt(x) Akar kuadrat dari x
exp(x) Pangkat natural dari x, yaitu ex
Fungsi trigonometri sinus, cosinus, tangent,
satuan radian)
round(x) Pembulatan x ke bilangan bulat terdekat.
floor(x) Pembulatan ke bawah dari x ke bilangan bulat
rem(x,y) Sisa pembagian dari x/y
Fungsi bilangan kompleks
real(z) Menghitung komponen riil dari bilangan
kompleks z
imag(z) Menghitung komponen imajiner dari bilangan
kompleks z
abs(z) Menghitung magnitude dari bilangan kompleks
z
conj(z) Menghitung konjugasi dari bilangan kompleks
z
Pada MATLAB dalam melakukan pemberian nama variabel mengikuti
rambu-rambu berikut:
• Gunakan karakter alfabet (A sampai dengan Z, a sampai dengan z),
angkat, dan garis bawah ( _ ), sebagai nama variabel. Karena, MATLAB
peka terhadap besar-kecilnya huruf. Misalnya sebagai berikut:
jumlah, x1, x2, S_21, H_2_in : merupakan nama variabel yang valid.
sinyal1, Sinyal1, SINYAL1 : dianggap sebagai 3 (tiga) variabel yang
berbeda.
• Jangan menggunakan spasi, titik, koma, atau operator aritmarika sebagai
bagian dari nama.
• Selain bilangan, variabel juga bisa berisi teks. Dalam mendefinisikan
BAB III
ANALISA DAN PERANCANGAN APLIKASI
Metode Histogram warna adalah metode yang digunakan untuk
merepresentasikan komposisi warna yang di distribusikan jumlah piksel untuk
tiap intensitas warna dalam citra. Metode ini adalah sebagai perbandingan tingkat
kemiripan tesktur warna kulit manusia yang ditentukan berdasarkan komposisi
warna, sedangkan sebelum dilakukan histogram warna perlu dilakukan pencarian
tingkat keabu-abuan. Dimana tingkat keabu-abuan tersebut di representasikan
penghitungan sebagai normalisasi citra dari komposisi warna yang akan di hitung
dengan cara membandingakan tingkat koposisi warna dari tiap intensitas citra
pada gambar yang akan di analisa menggunakan histogram warna. Pada bab ini
akan dibahas tentang analisa permasalahan perancangan sistem yang terdiri dari
citra dasar menggunakan compare (perbandingan) bit per pixel dan juga metode
histogram warna beserta penghitungan yang mendukung dalam pencarian jarak
antar histogram.
3.1. Analisa Permasalahan
Histogram warna merupakan suatu grafik nilai pada komposisi citra warna
yang dimiliki oleh sebuah gambar. Penggunaan proses histogram juga penting
dalam membantu bidang industri maupun bidang bisnis. Pada sistem aplikasi
histogram dibutuhkan sebagai analisa dalam mencari tingkat kemiripan warna
kulit manusia, dimana citra warna kulit manusia sangat beragam belum termasuk
warna kulit manusia. Secara tradisional oleh pakar dibedakan ada tiga ras utama
yaitu: ras kulit hitam, ras kulit putih, atau ras kulit kuning. Namun, setelah diteliti
lebih lanjut ternyata ras manusia memiliki pembagian yang lebih rinci lagi seperti
Ras Khoisan (orang Bushmen atau Hottentot dari Afrika Selatan), Ras Australoid
(orang Dravida, orang Asia Tenggara “Asli”, orang papua dan orang Australia),
Ras Negroid (kulit hitam), Ras Kaukasoid (kulit putih) dan Ras Mongoloid (kulit
putih/ kulit kuning).
Dengan demikian, perancangan pada sistem analisa untuk mencari
kemiripan warna kulit manusia digunakan histogram warna dengan batasan hanya
pada tingkat warna yang dibandingan tanpa mengenali suatu bentuk benda atau
obyek pada gambar. Berikut proses-proses yang digunakan dalam pembuatan
sistem analisa pada histogram warna,yaitu:
1. Preprocessing, merupakan kumpulan dari proses yang digunakan untuk
dapat menghasilkan kemiripan tekstur warna manusia yang lebih
mendekati dan akurat.
a. Tingkat keabu-abuan yaitu pada penggunaan histogram citra yaitu
dapat menentukan apakah suatu citra sudah berada dalam jangkauan
yang tepat dalam suatu skala keabuan / warna. Jika jangkauan skala
belum tepat pada parameter yang diinginkan maka parameter
digitasinya perlu diatur lagi lebih dilebarkan atau lebih disempitkan.
b. Color quantization yaitu suatu prosedur untuk mengurangi
kemungkinan jumlah warna. Bilamana jumlah warna citra yang
besar akan bisa dikurangi dan disesuaikan, sehingga proses yang
c. Color Depth yaitu sebagai deskripsi dalam mencari kedalam warna
yang menggunakan perbandingan pada bit-per-pixel.
d. Normalisasi yaitu sebagai pencarian nilai distribusi warna pada
gambar sama, histogram warnanya akan sama, dan tidak tergantung
pada ukuran gambar yang akan di bandingkan kecuali gambar
acuan.
2. Sistem analisa tekstur warna kulit manusia dengan metode histogram
warna yaitu melakukan pengukuran tingkat kemiripan komposisi
warna dengan menghitung jarak antar histogram dan relevansi dengan
melakukan pendekatan comparing bit per pixel dari nilai keabuan
(RGB value to Grayscale).
3.2. Pengolahan Citra Digital
Pengolahan citra (image processing) merupakan proses untuk mengolah
piksel-piksel dalam citra digital untuk tujuan tertentu. Beberapa alasan dilakukan
pengolahan citra digital adalah sebagai berikut :
• Untuk mendapatkan citra asli dari citra yang sudah rusak karena
pengaruh noise yang bercampur dengan citra asli dalam suatu
proses tertentu. Proses pengolahan citra bertujuan untuk
mendapatkan citra yang mendekati citra asli.
• Untuk mendapatkan citra dengan karakteristik tertentu dan cocok
secara visual yang dibutuhkan dalam proses lanjut dalam
pengolahan citra dapat diklarifikasikan dalam beberapa jenis
sebagai berikut :
1. Image Enchancement (Perbaikan kualitas Citra)
2. Image Restoration (Pemugran Citra)
3. Image Compression (Pemampatan Citra)
4. Image Segmentation
5. Image Anlysis
6. Image Recontruction (Rekontruksi Citra)
Operasi-operasi tersebut bertujuan untuk membentuk objek dari beberapa
citra hasil proyeksi. Pada citra digital, dengan tipe jpeg warna pada titik-titik
piksel dibentuk dari sebuah data numerik. Tinggi dan rendahnya keabuan piksel
dinyatakan dalam bentuk intensitas atau derajat keabuan. Satuan lebar intensitas
merupakan dalam bentuk intensitas merupakan lebar memori (bit) citra yang
disebut dengan format piksel.
3.3. Perancangan Sistem
Perancangan sistem yang akan dilakukan sebagai bahan pertimbangan
dalam analisa permasalahan pembuatan sistem analisa image processing tekstur
warna kulit manusia dengan menggunakan histogram warna adalah menggunakan
dua buah citra dalam format *jpg.
Tujuan dari sistem analisa ini adalah membandingkan seberapa besar
kemiripan dua buah citra berdasarkan histogram warnanya. Secara umum, alur
dari sistem analisa ini yaitu mengambil atau me-load obyek yang berupa citra
melakukan load gambar sebagai image query yang akan dibandingkan pada
sampel gambar pada folder. Hasil Tingkat kemiripan tersebut akan ditampilkan
dengan keterangan berupa prosentase pada kemiripan yang mendekati dari
sampel yang dibandingkan beserta proses pendektesian hasil file yang
dibandingkan pada folder directory.
Pada sistem ini akan dibuat satu persatu mulai yang pertama
membangkitkan data, sistem untuk menampung data awal sebagai acuan,
penghitungan bit per pixel pada gambar. Sampel gambar acuan menggunakan
kulit orang indonesia yang termasuk kulit ras mongoloid. Seluruh sistem ini
menggunakan perangkat lunak Matlab versi 7.10 (R2007b).
Setelah sistem secara keseluruhan sudah terbuat maka dilakukan tahap
berikutnya yaitu tahap pengujian sistem. Dalam pengujian sistem, data-data yang
dihasilkan akan dianalisa sehingga tujuan dari proyek akhir ini terpenuhi yaitu
kemiripan citra warna pada tekstur warna kulit manusia menggunakan histogram
warna.
3.4. Algor itma dan Blok Diagram Sistem
Perancangan dalam pembuatan sistem analisa histogram ini diperlukan
alur dasar sebagai pemahaman kinerja program yaitu dengan menggunakan
penjelasan algoritma sistem yang akan dibuat. Pertama file citra sebagai sumber
citra awal akan diubah menjadi data digital, sehingga akan diubah menjadi bit-bit
piksel gambar, gambar tersebut bertipe JPEG (Joint Photographic Expert Group)
dan resize gambar ditentukan berdasarkan kolom matriks piksel dengan ukuran
Kemudian masukkan gambar yang akan dibandingan (compared) masuk pada
data sumber perbandingan dihitung dari perbadingan matrik bit per pixel dari
gambar sumber awal dengan gambar sumber perbandingan. Setelah dihitung dari
keseluruhan akan dimasukan berapa tingkat histogram penghitungan dari tiap
pixel gambar dan dimasukkan data prosentasi pada tiap perbadingan gambar awal
dengan gambar sumber.
Perancangan tersebut di gambarkan dengan alir data awal yaitu dirancang
pada algoritma. Algoritma sistem ini dirancang berdasarkan yang akan
diimplementasikan dalam bentuk program yang dijalankan sebagaimana berikut:
Algoritma sistem analisa histogram
1. Run Program
2. Load gambar 1
3. Normalisasi histogram warna gambar 1
4. Load gambar 2
5. Perbandingan bit per-pixel
6. Show hasil antar histogram
7. Tampilkan hasil prosentase kemiripan warna
8. Selesai
Pada perancangan diagram alir sistem analisa histogram akan di buat
berdasarkan algoritma program untuk penentuan titik penghitungan pada tiap
proses yang akan dijalankan. Dengan demikian, jalannya proses program secara
keseluruhan yang akan dibuat akan dijelaskan pada blok diagram sistem analisa
3.4.1. Sistem analisa tekstur warna kulit manusia menggunakan histogram
warna
Dalam perancangan sistem analisa tektur warna kulit manusia, dibentuk
satu kompresi data bit pada gambar untuk mencari tiap bandingan image yang
akan dihitung dengan gambar sumber sebagai acuan. Dimana acuan tersebut akan
ditentukan berdasarkan bit gambar pikselnya. Secara keseluruhan dalam
pembuatan sistem untuk mencari kemiripan warna pada tekstur warna kulit
manusia, terlebih dahulu adalah mengetahui tekstur warna kulit manusia itu
sendiri. Warna kulit sendiri sedikit dominan pada tiap tingkat intensitas pada
piksel yang ditangkap dalam format gambar. Sehingga dibutuhkan kompresi bit
untuk mengetahui berap tingkat bit yang dimiliki jika mengetahui ukuran (size)
yang dipakai sebagai acuan adalah 350x350.
Pertama yang harus dilakukan adalah untuk menyimpan memory bit pixel
gambar awal dan gambar yang akan dibandingkan, dengan menggunakan data
memory yang akan lebih besar dari pada menggunakan kompresi data yang
dikecilkan pada bit pixel gambar dan tampungan data gambar lebih spesifik.
Yang dibutuhkan dalam penyimpanan memory bit pixel yaitu gambar sumber,
gambar sumber awal, nama file dan path file. Gambar sumber sebagai penyimpan
alamat directory gambar yang diload sebagai acuan. Gambar sumber awal
sebagai resize ukuran resolusi piksel 72dpi. Nama file sebagai menyimpan nama
file yang disimpan dalam memory untuk mencatat nama yang akan digunakan
untuk gambar acuan. Sedangkan path file sebagai path directory file gambar awal
Setelah proses penyimpanan data file gambar akan dilakukan beberapa
tahap selanjutnya yaitu melakukan load path pada gambar yang akan
dibandingkan. Kemudian disimpan pada data gambar, dengan parameter
rgb2gray yaitu gambar sudah dikompresi kedalam penghitungan data grayscale
sebagai titik dalam penghitungan tingkat keabuannya. Gambar perbandingan
akan diresize dengan ukuran yang sama 350x350 dan ditentukan dimensi tiap bit
pixelnya.
Untuk mendeteksi kemiripan akan menghitung selisih dari gambar
sumber awal dengan gambar yang di simpan pada path file secara keseluruhan
atau dalam 1 folder dibandingkan sesuai directory yang diambil. Setelah semua
dibandingakan akan keluar output histogram dengan tingkat gambar awal dan
tingkat kemiripan pada form hasil dan messagebox sebagai hasil analisa seluruh
folder yang dibandingkan.
3.4.2. Preprocessing Pembacaan Citra
Preprocessing atau awal proses dalam pembuatan sistem analisa,
dilakukan awal proses rancangan adalah melakukan load data gambar. Sebelum
melakukan tracing pada load gambar. Sampel yang akan digunakan harus sudah
dilakukan dalam kondisi berukuran 350x350, karena dalam melakukan diluar
piksel ukuran 350x350 akan mengalami set resize ukuran piksel pada data
gambar dan kemungkinan kecil akan berpengaruh dalam tingkat proses
pengecekan data kemiripan warna.
Berikut source program yang digunakan untuk membaca citra yang
Cell proses load gambar akan dilakukan pengambilan gambar pada
directory file yang berekstensi *.jpg. Dimana, gambar tersebut akan ditampilkan
pada form utama yang ada pada cell menampilkan gambar yaitu pada
imshow(gmbr_sumber_awal1) yang telah di handle atau di output axes1.
3.4.3. Proses Keabuan Rata-Rata
Dalam mencari tingkat Keabuan rata-rata pada gambar akan dilakukan
mencari informasi piksel gambar. Dimana piksel tersebut di ubah menjadi tingkat
nilai minimum dan tingkat nilai maksimum. Sehingga bit yang ada pada gambar
asli akan diubat menjadi grayscale yang memiliki citra skala keabuan dengan
jumlah 8 bit, tergantung satuan piksel gambar yang akan dilakukan pencarian
tingkat keabuan rata-rata.
Ketika dalam melakukan pengecekan data pada file directory sebagai
gambar yang akan dibandingkan maka, file yang ada directory tersebut juga
diproses untuk mencari tingkat keabuannya secara keseluruhan dengan me-load
alamat folder pada directory gambar yang dipakai sebagai sampel yang dicari
tingkat kemiripan warnanya dari gambar asli. Berikut source program yang
mencari tingkat keabuan rata-rata:
%% proses load gambar [nama_fi
le path_file]=uigetfile( '*.jpg','Pilih file master'); gambar_s
umber = [path_file nama_file]; gmbr_sumber_awal1 = imread (gambar_sumber);
Cell pada source program diatas berfungsi untuk membaca data yang akan
diproses tingkat keabuannya. Dimana, inialisasi akan dilakukan secara kelompok
pada data directory file keseluruhan data sebagi acuan dan file gambar yang akan
dicari perbandingannya yang diubah menjadi keabuan rata-rata. Berikut source
program file yang diubah menjadi keabuan (grayscale):
3.5. Proses Deteksi Kemiripan War na
Dalam proses deteksi kemiripan gambar akan dibandingkan dari gambar
sumber awal dengan gambar perbandingan, sehingga pengambilan gambar akan
dihitung berdasarkan tingkat kedalam warna pada gambar acuan dan sampel
gambar. Pada pengompresian intensitas warna yang didapat akan dilakukan
penghitungan dimensi dengan kuantisasi gambar.
Pada proses penghitungan dimensi, proses gambar yang disimpan pada
file sumber gambar akan dihitung berapa besar selisih dan tingkat kemiripannya
dengan sampel gambar perbandingan. Kemudian akan diload pada pada hasil
yang menampilkan keseluruhan perbandingan dari gambar awal ke dalam sampel
gambar perbandingan. Berikut adalah source program yang melakukan proses
deteksi kemiripan:
s_filename = [path_sumber nama_file];
Data gambar tersebut akan diubah terlebih dahulu menjadi data bertipe
double. Sehingga gambar yang awalnya bertipe integer menjadi bertipe double
agar citra gambar dapat diproses dengan baik. Berikut source program untuk
menentukan dimensi gambar:
Pada proses untuk menetukan hasil dari pengecekan data gambar sumber
awal dengan sampel gambar akan dicari selisih dari kedalam warna. Berikut
source program hasil deteksi kemiripan:
3.6. Rancangan Antarmuka
Pada pembuatan sistem amalisa kemiripan warna pada tekstur warna kulit
manusia, rancangan antarmuka diimplementasikan dengan menggunakan
MATLAB. MATLAB adalah program komputer dan sekaligus bahasa
pemrograman komputer generasi ke-empat yang dikembangkan oleh Grup
MathWorks untuk keperluan bidang komputasi numeris dan manipulasi matriks.
Dalam pembuatan rancangan antarmuka program pada Matlab dibuat interface
gmbr_
sumber = im2double (gmbr_sumber);
gambar_database = im2double (gambar{ii,1});
[x1 y1]= size (gmbr_sumber_awal); dimensi = x1*y1;
menggunakan GUI (Graphical User Interface). Untuk memulai mengunakan
aplikasi dalam membuat GUI, langkah-langkahnya sebagai berikut:
1. Klik menu File lalu pilih New, kemudian pilih GUI.
Gambar 3.2. Langkah Awal Untuk Membuat GUI.
2. Pada Task Create New GUI, lalu pilih Blank GUI (Default), kemudian
lakukan “Save” jika melakukan checkbox dan klik “Ok”.
3. Setelah itu Matlab akan reload pada M-File sebagai Editor code program dan
Figure sebagai pembuatan antarmuka pada program.
Gambar 3.4. Create GUI, Reload M-File (.m) dan Figure (.fig)
Rancangan antarmuka pembuatan interface sistem analisa kemiripan
tekstur warna kulit manusia membutuhkan toolbox inputan picture, graphic,
button, static text dan edit text. Dimana inputan gambar dan grafik menggunakan
toolbox yang sama yaitu axes yang berfungsi sebagai peralatan manipulasi grafik
dan gambar.
Rancangan pada sistem dibutuhkan dua toolbox axes sebagai tempat
menampung untuk menampilkan gambar, satu toolbox button untuk mengklik
jalannya program sistem analisa, dua toolbox static text sebagai pemberian nama
label pada toolbox inputan teks, dan 1 toolbox edit text untuk menampilkan hasil
prosentase hasil kemiripan gambar. Berikut rancangan antarmuka sistem analisa
