128
IMPLEMENTASI
METODE GRAY LEVEL SLICING DALAM PENCARIAN
CITRA PADA BASIS DATA
Mivtahurrizki Siregar, Garuda Ginting
STMIK Budi Darma, Medan, Indonesia Jl. Sisingamangaraja No. 338, Medan, Indonesia
ABSTRAK
Citra merupakan sebuah proses pengolahan dan analisis yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra dimana secara umum sebagai pemrosesan citra dengan computer dan pengolahan citra digital juga mencakup seluruh data. Meskipun sebuah citra kaya informasi, namun seringkali citra yang kita miliki terjadi penurunan intensitas mutu dan sulit di representasikan sehingga informasi yang ada menjadi berkurang.Pencarian citra merupakan sebuah proses pencocokan data citra yang diinputan dengan data citra yang sudah ada. Apabila data yang menjadi syarat dalam menemukan citra tersebut sama, maka sebuah citra akan dinyatakan ditemukan. Pada umumnya pencarian citra dilakukan dengan dua cara, yaitu pencarian berbasis teks dan pencarian berbasis query. Metode gray level slicing perajangan nilai tingkat keabuan dengan teknik pelebaran, pengecilan dan pergeseran histogram. Manipulasi kontras citra merupakan perbaikan kontras suatu citra dari prose operasi titik pada citra spectral tunggal. Proses ini menggunakan modifikasi histogram, yang berupa pergeseran, pemerataan, perajangan dan penentuan kontras biner dengan teknik nilai ambang dari histogram tingkat keabuan citra.
Kata kunci: Citra, Basis Data, Gray Level Slicing
I. PENDAHULUAN
Citra merupakan sebuah proses pengolahan dan analisis yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra dimana secara umum sebagai pemrosesan citra dengan komputer dan pengolahan citra digital juga mencakup seluruh data. Meskipun sebuah citra kaya informasi, namun seringkali citra yang kita miliki terjadi penurunan intensitas mutu dan sulit di representasikan sehingga informasi yang ada menjadi berkurang. Agar citra yang mengalami ganguan mudah di representasikan maka citra tersebut perlu dimanipulasi menjadi citra yang lain yang kualitasnya lebih baik .
Dengan berkembangnya pengolahan citra (Image processing), manusia berlomba-lomba untuk menghasilkan sebuah gambar yang menarik dari gambar-gambar sederhana yang ada. Selain itu, pengolahan citra menjadi kebutuhan oleh banyak orang terutama dibidang seni atau pembuatan film sebagai
special effectt pada citra 3D dengan melakukan proses
morphing (field morphing) penambahan grey level pada suatu citra, dimana suatu objek akan di ubah perlahan-lahan menjadi objek tujuan. Pencarian citra merupakan sebuah proses pencocokan data citra yang diinputan dengan data citra yang sudah ada. Apabila data yang menjadi syarat dalam menemukan citra tersebut sama, maka sebuah citra akan dinyatakan ditemukan. Pada umumnya pencarian citra dilakukan dilakukan dengan dua cara, yaitu pencarian berbasis teks dan pencarian berbasis query. Pencarian citra berbasis query dilakukan berdasarkan perbandingan informasi yang telah ditetapkan untuk setiap citra yang telah disimpan di dalam database dengan citra yang akan dicocokkan. Informasi sebuah citra dapat diwakili oleh beberapa hal seperti warna, index, fitur, intensitas
warna dan informasi lainnya yang dapat dijadikan sebagai informasi perbandingan dengan citra lainnya. Informasi citra yang telah disimpan di dalam database ini akan dijadikan sebagai patokan utama dalam menetapkan tingkat kemiripan dengan informasi citra yang dicocokkan. Pada pembahasan ini, informasi citra yang dijadikan informasi perbandingan yang tersimpan di dalam basisdata adalah nilai intensitas histogram. Nilai inilah yang nantinya akan dicocokan dengan nilai histogram citra query dari user untuk menentukan citra yang dicari ada atau tidak di dalam basisdata.
Dalam kutipan “PENAJAMAN DAN SEGMENTASI CITRA PADA PENGOLAHAN CITRA DIGITAL” menjelaskan Metode gray level slicing perajangan nilai tingkat keabuan dengan teknik pelebaran, pengecilan dan pergeseran histogram. Manipulasi kontras citra merupakan perbaikan kontras suatu citra dari prose operasi titik pada citra spektral tunggal[1].
II. TEORITIS A. Citra Digital
Citra digital merupakan gambar dua dimensi yang bisa ditampilkan pada layar komputer sebagai himpunan atau diskrit nilai digital yang disebut pixel/ picture elements. Dalam tinjauan matematis, citra merupakan fungsi kontinu dari intensitas cahaya pada bidang dua dimensi.
Berikut adalah elemen elemen yang terdapat pada citra digital.
1. Kecerahan (Brightness)
Kecerahan (Brightness ) merupakan cahaya yang dipancarkan pixel dari citra yang dapat ditanggap oleh system penglihatan. Kecerahan pada sebuah titik (piksel) didalam citra yang merupakan
129 intensitas rata- rata dari suatu area yang
melingkupinya. 2. Kontras (Contrast)
Kontrast (Contrast) merupakan sebaran terang dan gelap dalam sebuah citra.
3. Kontur (Contur)
Kontur (Contur) adalah keadaan yang ditimbulkan oleh perubahan intensitas pada piksel-piksel yang bertetangga. Karena adanya perubahan intensitas inilah mata mampu mendeteksi tepi-tepi objek didalam citra.
4. Warna
Warna sebagai persepsi yang ditangkap sistem visual terhadap panjang gelombang cahaya yang dipantulkan oleh objek.
5. Bentuk (Shape)
Bentuk adalah property intrinsic dari objek 3 dimensi, dengan pengertian bahwa bentuk merupakan properti intrinsik utama untuk sistem visual manusia.
6. Tekstur (Texture)
Tekstur dicirikan sebagai distribusi spasial dari derajat keabuan didalam sekumpulan piksel piksel yang bertetangga. Tekstur adalah sifat-sifat atau karakterisrik yang dimiliki oleh suatu daerah yang cukup besar sehingga secara alami sifat-sifat tadi dapat berulang dalam daerah tersebut. Informasi tekstur dapat digunakan untuk membedakan sifat-sifat permukaan suatu benda dalam citra yang berhubungan dengan kasar dan halus, juga sifat-sifat spesifik dari kekasaran dan kehalusan permukaan tadi yang sama sekali terlepas dari warna permukaan tersebut. [4]
B. Mode Warna
Sebuah citra pada layar monitor diperlukan lebih informasi mengenai letak dari pixel-pixel
pembentuk citra. Untuk memperoleh gambaran yang tepat dibutuhkan juga informasi tentang warna-warna yang dipakai untuk menggambarkan sebuah citra digital. Beberapa mode warna yang sering digunakan:
1. Bitmap Mode, memerlukan 1-bit data untuk
menampilkan warna dan warna yang dapat ditampilkan hanya warna hitam dan putih (monokrom)
2. Indexed Color Mode, mengurutkan warna dalam
jangkauan 0-255 (8-bit)
3. GGrayscale Mode, menampilkan citra dalam 256 tingkat keabuan
4. RGB Mode, menampilkan citra dalam kombinasi
tiga warna dasar (red, green, dan blue), tiap warna dasar memiliki intensitas warna 0-255 (8-bit)
5. CMYK Mode, menampilkan citra dalam kombinasi
empat warna dasar (cyan, magenta, yellow dan
black), tiap warna memiliki intensitas 0-255 (8-bit)
C. Histogram Citra
Histogram citra menunjukkan banyak hal tentang kecerahan (brightness)dan kontas (contrast) dari sebuah gambar. Puncak histogram
menunjukkanintensitas pixel yang menonjol. Lebar dari puncak sebuah histogram menunjukkanrentang kontras dari gambar. Citra yang mempunyai kontras terlalu terang(overexposed) atau terlalu gelap (underexposed) memiliki histogram yang sempit. [3].
D. Metode Gray Lavel Slicing
Metode gray level slicing sebagai salah satu metode yang sering digunakan dalam image enchacement dapat dilakukan dengan membandingkan nilai-nilai tertentu dari struktur sebuah citra. Pada umumnya, proses implementasi gray level slicing, dapat dilakukan dengan menggunakan nilai-nilai histogram dari citra. Nilai histogram ini didapatkan dari nilai pixel citra yang telah mengalami transformasi ke citra gray (abu-abu). [3]
Sebelum proses pencarian dilakukan, terlebih dahulu dilakukan pencarianterhadap nilai-nilai histogram dari beberapa image kemudian nilai-nilai inilahyang disimpan di dalam basisdata yang seterusnya akan dijadikan sebagaiinformasi perbandingan untuk memberi jawaban terhadap proses pencarian citradi dalam basisdata apakah ditemukan atau tidak suatu citra query dari user.
Secara garis besar dapat simpulkan bahwa metode
gray level slicing ini bekerja dengan menggunakan informasi-informasi transformasi daricitra untuk kemudian dijadikan sebagai informasi paling mendasar di dalambasisdata dalam proses pencocokan citra query
dari input user pada waktutertentu. Secara umum, proses pencarian citra dalam basis data denganmenggunakan metode gray level slicing dapat ditunjukkan pada gambar 2.4 di bawah ini:
Gambar 1. Skema Pencarian Metode Gray Level Slicing
E. Basis Data Pada Citra
Pencarian citra merupakan sebuah proses pencocokan data citra yangdiinputan dengan data citra yang sudah ada. Apabila data yang menjadi syaratdalam menemukan citra tersebut sama, maka sebuah citra akan dinyatakanditemukan. Pada umumnya pencarian citra dilakukan dilakukan dengan dua cara,yaitu pencarian berbasis teks dan pencarian
130 berbasis query. Pencarian citraberbasis query dilakukan
berdasarkan perbandingan informasi yang telahditetapkan untuk setiap citra yang telah disimpan di dalam database dengan citrayang akan dicocokkan. [3]
Informasi sebuah citra dapat diwakili oleh beberapa hal seperti warna,index, fitur, intensitas warna dan informasi lainnya yang dapat dijadikan sebagaiinformasi perbandingan dengan citra lainnya. Informasi citra yang telah disimpandi dalam database
ini akan dijadikan sebagai patokan utama dalam menetapkantingkat kemiripan dengan informasi citra yang dicocokkan.
III. ANALISA DAN PEMBAHASAN
Terlebih dahulu dilakukan analisa bagaimana cara melakukan image secara manual menggunakan metode tersebut. Sebagai contoh kasus, terdapat terlihat pada Gambar .
Gambar 2. Citra Asli
Gambar 3. Citra Grayscal
Selanjutnya, dilakukan pengelompokan terhadap pixel-pixel yang memiliki nilai RGB yang sama, sebagai berikut :
1. Pixel Dengan Nilai RGB (255,0,0)
(0,0), (0,1), (0,2), (0,3), (0,4), (0,5), (0,6), (0,7), (0,8), (0,9), (0,10), (0,11), (0,12), (0,13), (0,14), (1,0), (1,1), (1,13), (1,14), (2,0), (2,13), (2,14), (3,0), (3,14), (4,0), (4,14), (5,0), (5,14), (6,0), (6,14),(7,0), (7,14), (8,0), (8,1), (8,13), (8,14), (9,0), (9,1), (9,2), (9,12), (9,13), (9,14), (10,0), (10,1), (10,2), (10,3), (10,4), (10,10), (10,11), (10,12), (10,13), (10,14), (11,0), (11,1), (11,2), (11,3), (11,4), (11,5), (11,9), (11,10), (11,11), (11,12), (11,13), (11,14), (12,0), (12,1), (12,2), (12,3), (12,4), (12,5), (12,6), (12,7), (12,8), (12,9), (12,10), (12,11), (12,12), (12,13), (12,14), (13,0), (13,1), (13,2), (13,3), (13,4), (13,5), (13,6), (13,7), (13,8), (13,9), (13,10), (13,11), (13,12), (13,13), (13,14), (14,0), (14,1), (14,2), (14,3), (14,4), (14,5), (14,6), (14,7), (14,8), (14,9), (14,10), (14,11), (14,12), (14,13), (14,14).
2. Pixel Dengan Nilai RGB (0,0,0)
(1,2), (1,3), (1,4), (1,5), (1,6), (1,7), (1,8), (1,9), (1,10), (1,11), (1,12), (2,1), (2,13), (3,1), (3,4), (3,10), (3,13), (4,1), (4,3), (4,4), (4,5), (4,9), (4,10), (4,11), (4,13), (5,1), (5,4), (5,10), (5,13), (6,1), (6,13), (7,1), (7,6), (7,7), (7,8), (7,13), (8,2), (8,7), (8,12), (9,3), (9,4), (9,5), (9,7), (9,9), (9,10), (9,11), (10,5), (10,9), (11,6), (11,7), (11,8), (11,9)
3. Pixel Dengan Nilai RGB (255,255,0)
(2,2),(2,3),(2,4),(2,5),(2,6),(2,7),(2,8),(2,9),(2,10), (2,1),(2,12), (3,2), (3,3), (3,5), (3,6), (3,7), (3,8), (3,9), (3,11), (3,12), (4,2), (4,6), (4,7), (4,8), (4,12), (5,2), (5,3), (5,5), (5,6), (5,7), (5,8), (5,9), (5,11), (5,12), (6,2), (6,3), (6,4), (6,5), (6,6), (6,7), (6,8), (6,9), (6,10), (6,11), (6,12), (7,2), (7,3), (7,4), (7,5), (7,9), (7,10), (7,11),(7,12), (8,6), (8,8), (9,6), (9,7), (9,8).
Setelah setiap pixel dikelompokkan berdasarkan nilai RGB masing-masing, selanjutnya akan ditentukan
region warna dari setiap kelompok pixel berdasarkan jumlah close pixel dan open pixel masing-masing. Menurut S. Battiato, et al (2006), close pixel merupakan
pixel yang memiliki pixel bersebelahan dengan nilai yang sama, sedangkan open pixel merupakan pixel
sisanya. Sebagai contoh, untuk pixel pada posisi (1,1), memiliki close pixel dengan pixel pada posisi (0,0), (0,1), (0,2), (1,0) dan (2,0). Sedangkan untuk open pixelnya berada pada posisi (1,2), (2,1) dan (2,2). Sehingga, pixel pada posisi (1,1) memiliki jumlah close pixel sebanyak 5 dan open pixel sebanyak 3.
Berdasarkan klasifikasi jumlah close pixel ini, akan ditentukan region warna untuk setiap kelompok nilai RGB sebagai berikut :
1. Nilai RGB (255,0,0) Dengan 2 close pixel
(0,3), (0,4), (0,5), (0,6), (0,7), (0,8), (0,9), (0,10), (0,11), (3,0), (3,14), (4,0), (4,14), (5,0), (5,14), (6,0), (6,14).
2. Nilai RGB (255,0,0) Dengan 3 close pixel
(0,0), (0,2), (0,12), (0,14), (2,0), (2,14), (7,0), (7,14), (14,0), (14,14)
3. Nilai RGB (255,0,0) Dengan 4 close pixel
(0,1), (0,13), (1,0), (1,14), (8,0), (8,14), (11,4), (11,10)
4. Nilai RGB (255,0,0) Dengan 5 close pixel
(1,1), (1,13), (8,1), (8,13), (9,0), (9,2), (9,12), (9,14), (10,0), (10,14), (11,0), (11,5), (11,9),
131 (11,14), (12,0), (12,7), (12,14), (13,0), (13,14),
(14,1), (14,2), (14,3), (14,4), (14,5), (14,6), (14,7), (14,8), (14,9), (14,10), (14,11), (14,12), (14,13) 5. Nilai RGB (255,0,0) Dengan 6 close pixel
(10,3), (10,11), (12,6), (12,8),
6. Nilai RGB (255,0,0) Dengan 7 close pixel
(9,1), (9,13), (10,2), (10,12), (11,4), (11,11), (12,5), (12,9)
7. Nilai RGB (255,0,0) Dengan 8 close pixel
(10,1), (10,13), (11,1), (11,2), (11,3), (11,11), (11,12), (11,13), (12,1), (12,2), (12,3), (12,4), (12,10), (12,11), (12,12), (12,13), (13,1), (13,2), (13,3), (13,4), (13,5), (13,6), (13,7), (13,8), (13,9), (13,10), (13,11), (13,12), (13,13)
8. Nilai RGB (0,0,0) Dengan 1 close pixel
(9,7)
9. Nilai RGB (0,0,0) Dengan 2 close pixel
(1,2), (1,3), (1,4), (1,5), (1,6), (1,7), (1,8), (1,9), (1,10), (1,11), (1,12), (2,1), (2,13), (3,1), (3,13), (4,1), (4,13), (5,1), (5,13), (6,1), (6,13), (7,1), (7,6), (7,8), (7,13), (8,2), (8,12), (9,3), (9,5), (9,9), (9,11), (10,5), (10,9), (11,6), (11,7), (11,8)
10. Nilai RGB (0,0,0) Dengan 3 close pixel
(3,4), (3,10), (4,3), (4,5), (4,9), (4,11), (5,4), (5,10), (7,7), (8,7), (9,4), (9,10), (10,5), (10,9)
11. Nilai RGB (0,0,0) Dengan 4 close pixel
(4,4), (4,10), (8,7)
12. Nilai RGB (255,255,0) Dengan 2 close pixel
(10,6), (10,8)
13. Nilai RGB (255,255,0) Dengan 3 close pixel
(2,2), (2,12), (8,6), (8,8)
14. Nilai RGB (255,255,0) Dengan 4 close pixel
(2,3), (2,4), (2,5), (2,9), (2,10), (2,11), (3,2), (3,12), (4,2), (4,12), (5,2), (5,12), (7,2), (7,12), (8,3), (8,11), (9,6), (9,8), (10,7)
15. Nilai RGB (255,255,0) Dengan 5 close pixel
(2,6), (2,7), (2,8), (3,3), (3,5), (3,9), (3,11), (6,2), (6,4), (6,9), (6,11), (7,2), (7,7), (7,12), (8,4), (8,5), (8,9), (8,10)
16. Nilai RGB (255,255,0) Dengan 6 close pixel
(6,5), (6,6), (6,8), (6,9)
17. Nilai RGB (255,255,0) Dengan 7 close pixel
(3,6), (3,8), (4,6), (4,8), (5,5), (5,7), (6,2), (6,3), (6,10), (6,11), (7,3), (7,5), (7,9), (7,11)
18. Nilai RGB (255,255,0) Dengan 8 close pixel
(3,7), (4,7), (5,7), (7,4), (7,10)
Dari hasil pengelompokan region yang dilakukan, diperoleh hasil bahwa pixel dengan nilai RGB (255,0,0) memiliki 7 region, pixel dengan nilai RGB (0,0,0) memiliki 4 region dan pixel dengan nilai RGB (255,255,0) memiliki 7 region. Total diperoleh 18
region dari hasil pengelompokan pixel berdasarkan nilai RGB dan close pixel yang dimilikinya.
IV. IMPLEMENTASI
Pengujian program digunakan untuk melihat hasil yang sudah dibahas pada pembahasan sebelumnya, untuk tampilan aplikasi seperti pada gambar dibawah:
Hasil pengujian merupakan tahapan akhir dari penelitian ini, hasil dalam aplikasi ini merupakan keluaran dari pengenalan wajah yang telah dilakukan proses pelatihan di bab sebelumnya, dimana aplikasi dapat mengenali dan menghitung tingkat kemiripan wajah seseorang sesuai dengan input yang diberikan, berikut tampilan hasil dari program pengujian.
Gambar 4. Aplikasi Proses Gray Level Slicing
V. KESIMPULAN
Berdasarkan pengujian yang dilakukan maka dapat disimpulkan bahwa:
1. Proses pencocokan data citra yang di inputan dengan data citra yang sudah ada. Apabila data yang menjadi syarat dalam menemukan citra tersebut sama, maka sebuah citra akan dinyatakan ditemukan. Pada umumnya pencarian citra dilakukan dilakukan dengan dua cara,yaitu pencarian berbasis teks dan pencarian berbasis
query.
2. Sebelum proses pencarian dilakukan, terlebih dahulu dilakukan pencarian terhadap nilai-nilai histogram dari beberapa image kemudian nilai-nilai yang disimpan di dalam basis data yang seterusnya akan dijadikan sebaga iinformasi perbandingan untuk memberi jawaban terhadap proses pencariancitra.
REFERENCES
[1] Jurnal TEKNIK – Vol. 31 No. 1 Tahun 2010, ISSN
0852-1697
[2] Oktafianto Muslihudin, 2016, Analisis Dan Perancangan
Sistem Informasi, CV. Andi Offset, Yogyakarta
[3] Putra Darma, 2010, Pengolahan Citra Digital, CV. Andi
132
[4] MunirRinaldi, 2004, Pengolahan Citra Digital, Informatika,
Bandung
[5] Kadir Abdul, 2013, Konsep Dan Tuntunan Praktis Basis Data,
CV. Andi Offset, Yogyakarta
[6] NugrohoAdi,2009, Rekayasa Perangkat Lunak Menggunakan
UML dan Java, CV. Andi Offset, Yogyakarta
[7] Jurnal TEKNIK – Vol. 31 No. 1 Tahun 2010, ISSN
0852-1697
[8] Oktafianto Muslihudin, 2016, Analisis Dan Perancangan
Sistem Informasi, CV. Andi Offset, Yogyakarta
[9] S. Aripin, G. L. Ginting, and N. Silalahi, “Penerapan metode
retinex untuk meningkatkan kecerahan citra pada hasil screenshot,” Media Inform. Budidarma, vol. 1, no. 1, pp. 24– 27, 2017.
[10] Yuhandri, S. Madenda, E. P. Wibowo, and Karmilasari, “Object Feature Extraction of Songket Image Using Chain Code Algorithm,” Int. J. Adv. Sci. Eng. Inf. Technol., vol. 7, no. 1, pp. 235–241, 2017.
