BAB 2
LANDASAN TEORI
2.1 Computer Vision
Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek
berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi logika otomatis dari sifat objek tiga dimensi agar dapat dimengerti oleh komputer (Kulkarni, Arun D., 2001). Computer vision melibatkan pemrosesan gambar dan pengenalan pola. Pemrosesan gambar berhubungan dengan manipulasi dan analisa gambar. Sedangkan pengenalan pola berhubungan dengan identifikasi objek dari pola pengamatan atau gambar. Computer vision sebagai bagian dari
Artificial Intelligence akan mampu menghasilkan Sistem Inteligensia Visual.
2.2.1Piksel atau Elemen Gambar
Piksel berbentuk bujur sangkar dengan ukuran relatif kecil yang merupakan penyusunan atau pembentuk gambar. Banyaknya piksel tiap satuan luas tergantung pada resolusi yang digunakan. Keanekaragaman warna piksel tergantung pada bit
depth yang dipakai. Semakin banyak jumlah piksel tiap satuan luas, semakin baik
kualitas gambar yang dihasilkan atau ditampilkan.
Pada komputer, suatu gambar adalah suatu array dari bilangan yang merepresentasikan intensitas terang pada point yang bervariasi (piksel). Piksel ini menghasilkan raster data gambar. Suatu ukuran gambar yang umum adalah 640 x
480 piksel dan 256 warna (atau 8 bit per piksel). Suatu gambar akan berisi kira-kira 300 kilobit data.
Gambar digital disimpan juga secara khusus di dalam file 24-bit, hal ini dikarenakan gambar 24-bit menyediakan lebih banyak ruang untuk menyembunyikan informasi yang terdapat pada gambar. Semua variasi warna untuk piksel yang diperoleh dari tiga warna dasar: merah(R), hijau(G) dan biru(B). Setiap warna dasar direpresentasikan dengan 1 byte; gambar 24-bit menggunakan 3 byte per piksel untuk merepresentasikan suatu nilai warna. Sebagai contoh suatu piksel yang berwarna putih akan mempunyai nilai FF|FF|FF: 100% merah (FF), 100% hijau (FF) dan 100% biru (FF). Nilai desimal-nya 255,255,255 dan nilai biner-nya adalah 11111111, 11111111, 11111111 dengan format byte inilah yang nantinya akan membuat suatu piksel berwarna putih.
2.3 Pengolahan Citra
Citra adalah representasi dari suatu obyek nyata, baik dalam bentuk dua dimensi ataupun tiga dimensi menjadi bentuk gambar digital yang dapat dimengerti oleh komputer (Jain, Anil K., 1989). Citra sebagai keluaran suatu sistem perekaman data bersifat optik berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi atau bersifat digital yang dapat disimpan pada suatu pita magnetik.
Komputer digital bekerja dengan angka-angka presisi terhingga dengan demikian hanya citra dari kelas diskrit-diskrit yang dapat diolah oleh komputer. Citra dari kelas tersebut lebih dikenal sebagai citra digital. Citra digital merupakan suatu array dua dimensi atau suatu matriks yang elemen-elemennya menyatakan
tingkat keabuan dari elemen gambar. Pengolahan citra merupakan bidang yang berhubungan dengan proses transformasi citra (image) yang bertujuan untuk mendapatkan kualitas citra yang lebih baik (Fairhurst, Michael C., 1988).
Untuk mengubah citra yang bersifat kontinu menjadi citra digital diperlukan proses pembuatan kisi-kisi arah horizontal dan vertikal sehingga diperoleh gambar dalam bentuk array dua dimensi. Setiap elemen array dikenal sebagai piksel atau elemen gambar.
2.4 Peningkatan Mutu Citra
Proses pengolahan citra yang termasuk dalam kategori peningkatan mutu citra terdiri dari proses-proses yang bertujuan memperbaiki mutu citra. Untuk kepentingan analisis citra dan untuk mengoreksi citra dari segala gangguan yang terjadi saat perekaman data.
a. Thresholding
Proses pengolahan citra yang menggunakan teknik pemetaan tingkat keabuan, bertujuan untuk meningkatkan mutu suatu citra melalui perbaikan kontras. Untuk kepentingan analisis, kontras suatu citra juga dapat diperbaiki dengan menggunakan kontras biner; yaitu penggunaan hanya dua tingkat keabuan. Objek yang akan diteliti diberi warna yang jelas misalnya hitam dengan intensitas tingkat keabuan 1, sedangkan objek lainnya dapat diberi warna putih dengan intensitas tingkat keabuan 0.
b. Perataan Histogram ( Histogram Equalization )
Cara lain untuk mendapatkan gambar dengan efek kontras yang baik adalah dengan teknik perataan histogram (histogram equalization). Tujuan
dari proses ini adalah untuk mendapatkan hasil yang hampir sama dengan hasil yang diperoleh dari gabungan teknik pergeseran histogram dan pelebaran histogram. Untuk mendapatkan citra dengan daerah tingkat keabuan yang penuh dan dengan distribusi piksel pada setiap tingkat keabuan yang merata.
c. Penapisan ( Filtering )
Pada proses perekaman citra digital dapat terjadi gangguan yang bersifat frekuensi rendah, di mana terjadi proses pemerataan intensitas cahaya pada suatu titik sampel dengan titik-titik tetangganya. Gangguan lainnya seperti terjadinya gangguan bentuk garis-garis dan bercak hitam yang acak.
Proses filtering citra dapat dilakukan dengan menentukan nilai intensitas suatu piksel berdasarkan nilai intensitas piksel-piksel tetangganya. Proses filtering suatu citra dengan filter frekuensi rendah mempunyai efek pemerataan tingkat keabuan, sehingga gambar yang diperoleh akan tampak agak kabur kontrasnya sedangkan filter frekuensi tinggi mempunyai karakteristik menyalurkan dan memperkuat komponen frekuensi tinggi dari suatu citra, akibatnya bagian garis-garis ataupun garis batas antara objek yang ada pada gambar akan kelihatan tajam.
2.5 Sidik Jari
Sidik jari terjadi karena adanya perbedaan guratan. Perbedaan guratan ini sudah terjadi pada saat manusia masih berbentuk janin. Sidik jari ini tidak akan pernah berubah, kecuali mendapat kecelakaan yang serius. Oleh karena itu, sidik
jari merupakan sesuatu yang unik, karakteristik dan ciri yang pasti dari manusia untuk pengenalan secara otomatis ataupun pemeriksaan identitas. Tidak ada sidik jari yang sama antara satu orang dengan orang lainnya, bahkan dari orang yang sama atau kembar identik. Sidik jari biasanya mengandung 30-40 detail guratan yang terputus.
Gambar 2.1 Sidik jari dengan ekstraksi titik detail
Keunikan sebuah sidik jari dapat ditentukan dengan pola dari ridge dan
furrows begitu juga dengan titik minutiae. Titik minutiae adalah karakteristik ridge
lokal yang muncul pada ridge bifurcation (percabangan) ataupun ridge ending
(akhir). Adapun klasifikasi guratan yang dipergunakan dalam ekstrasksi ciri adalah seperti yang terlihat pada gambar berikut.
2.6 Wavelet
Wavelet dapat dipandang sebagai suatu alat matematika yang memiliki
banyak kegunaan. Salah satunya, dipakai untuk memproses citra yang berfungsi untuk memunculkan feature khusus pada citra yang diteliti. Di dalam metode
wavelet ini terdapat proses transformasi dan dekomposisi.
Gambar 2.3 Diagram Alir Sistem Wavelet
2.6.1Transformasi Wavelet
Transformasi wavelet merupakan metode yang biasa digunakan untuk menyampaikan data, fungsi, operator ke dalam komponen-komponen frekuensi yang berlainan dan kemudian mengkaji setiap komponen dengan suatu resolusi yang sesuai dengan skalanya. Transformasi wavelet
mempunyai kemampuan membawa keluar ciri-ciri (features) khusus dari citra yang diteliti.
Citra Masukkan (.BMP)
Pra-pengolahan Citra
(thresholding, penapisan, dan
binerisasi)
Dekomposisi
Wavelet
Klasifikasi Jaringan Syaraf LVQ
Dalam penulisan skripsi ini diteliti pula kemampuan mendiskriminasikan dari dua basis wavelet yang berbeda yaitu Haar dan
Daubechies, Dari hasil percobaan menunjukkan bahwa unjuk kerja
pengenalan dengan menggunakan wavelet Daubechies meningkat 1% dibandingkan dengan wavelet Haar.
Pendekatan menggunakan transformasi wavelet telah memberikan hasil dengan kinerja yang memuaskan. Melihat hasil yang diperoleh, cukup beralasan untuk mengganti teknik-teknik tradisionil dalam aplikasi reduksi
spekel, ekstraksi ciri tekstur dan segmentasi tekstur yang masih
menggunakan teknik analisa resolusi tunggal. Dengan menggunakan metoda berbasis wavelet dapat memberi nilai tambah dalam pencapaian kompromi yang lebih baik antara hasil pengolahan, waktu komputasi dan kapasitas memori komputer.
Alih ragam wavelet diskret (DWT, discrete wavelet transform) atas suatu fungsi f(x) dapat dituliskan sebagai berikut :
(1) dimana j, k∈Z. Teori analisis resolusi banyak menyatakan bahwa
terdapat { ak , k∈ Z} sehingga (2) dan (3)
∫
∞ ∞ −−
Ψ
=
f
x
t
k
dx
k
j
f
DWT
(
)(
,
)
2
j/2(
)
(
2
j)
)
2
(
)
(
x
a
x
k
z k kΦ
−
=
Φ
∑
∈∑
∈ − +−
Φ
−
=
Ψ
z k k ka
x
k
x
)
(
1
)
(
2
)
(
1Fungsi ψ dengan induk wavelet a, b ∈ R, a ≠ 0 (R = bilangan nyata). Dalam hal ini, a adalah parameter penyekala (lebar) dan b adalah parameter penggeseran posisi terhadap sumbu –x. Persamaan (1) dapat dibentuk ke dalam bentuk diskret dengan memberikan a dan b nilai diskret (a=2n, b ∈Z). Pada penelitian ini digunakan induk wavelet Haar. Pada Transformasi
wavelet terdapat banyak sifat yang sangat bermanfaat khususnya pada
aplikasi representasi multiresolusi, informasi frekuensi yang terlokalisasi,informasi tepi yang sensitif terhadap arah, ortogonal, algoritma yang efisien dan kebutuhan memori yang kecil. Penerapan transformasi
wavelet dalam proses ekstraksi ciri tekstur bertujuan untuk mengoptimalkan
informasi keterpisahan tekstur dan memberikan hasil diskriminasi yang baik dengan dimensi yang lebih kecil. Metoda ekstraksi ciri yang diusulkan merupakan suatu pendekatan multiresolusi, sehingga mampu menganalisa sinyal dalam berbagai skala atau resolusi. Selain itu dimungkinkan pula untuk menelusuri frekuensi dominan secara adaptif.
2.6.2Dekomposisi Wavelet
Pada wavelet terdapat istilah dekomposisi. Secara umum, dekomposisi
wavelet didapatkan melalui penapisan subbidang berkanal dua dengan dua
lapis yaitu lapis perata atau penyekala, biasa disebut lapis lolos-rendah dan lapis lolos-tinggi. Proses ini sama artinya dengan pengalihan ragam wavelet 2-D atas suatu citra.
Pengembangan untuk kasus sinyal berdimensi 2-D (sinyal citra 2-D) biasanya dilakukan dengan menerapkan filter bank secara terpisah terhadap
sinyal citra. Biasanya digunakan sebuah lapis lolos-bawah (H) dan lapis lolos-atas (G). Konvolusicitra dengan tapis lolos-bawah menghasilkan sinyal yang biasa disebut dengan citra pendekatan (approzimation image) dan konvolusi dengan lapis lolos-atas pada arah spesifik menghasilkan citra detil
(detail images).
2.7 Jaringan Syaraf Tiruan
Berbagai teori, arsitektur dan algoritma jaringan syaraf tiruan digunakan dalam klasifikasi dan pengenalan pola, salah satu diantaranya adalah jaringan
Learning Vector Quantization (LVQ). LVQ adalah suatu metoda klasifikasi pola
yang masing-masing unit keluaran mewakili kategori atau kelas tertentu (beberapa unit keluarannya seharusnya digunakan untuk masing-masing kelas). Vektor bobot untuk suatu unit keluaran sering dinyatakan sebagai sebuah vektor referens. Diasumsikan bahwa serangkaian pola pelatihan dengan klasifikasi yang tersedia bersama dengan distribusi awal vektor referens. Sesudah pelatihan, jaringan LVQ mengklasifikasi vektor masukan dengan menugaskan ke kelas yang sama sebagai unit keluaran, sedangkan yang mempunyai vektor referens diklasifikasikan sebagai vektor masukan.
LVQ merupakan jaringan syaraf dengan tipe arsitekur jaringan lapis-tunggal umpan-maju (Single Layer Feedforward) yang terdiri atas unit masukan (Xn) dan
Gambar 2.4 Jaringan Syaraf Learning Vector Quantization
Jaringan LVQ yang dirancang dengan komponen-komponen 256 neuron pada lapisan masukan dan 5 neuron pada lapisan keluaran. Pemrosesan yang terjadi pada setiap neuron adalah mencari jarak antara suatu vektor masukan ke bobot yang bersangkutan. Pada tugas akhir ini pola-pola sidik jari diklasifikasikan berdasarkan pola utama sidik jari.
W11 W1j W1m Wi1 Wij Wim Wn1 Wnj Wnm X1 Xi Xn Y1 Yj Ym
