bab 2 landasan teori 2.1 definisi pengolahan...

5

BAB 2

LANDASAN TEORI

2.1 Definisi Pengolahan Citra

Digital image processing adalah istilah untuk memproses gambar (picture) dua

dimensi oleh komputer digital (Jain, 1989, p1).

Segala proses yang digunakan untuk mengolah suatu gambar dikenal dengan

image processing. Ada pun istilah pengolahan gambar menurut Ahmad (2005, p4),

image processing atau pengolahan gambar adalah bidang tersendiri yang sudah cukup

berkembang sejak orang mengerti bahwa komputer tidak hanya dapat menangani data

teks, tetapi juga data gambar. Bidang-bidang yang termasuk dalam image processing

meliputi penajaman gambar, penonjolan fitur tertentu dari suatu gambar, komponen

gambar dan koneksi gambar yang tidak fokus atau kabur, pewarnaan pada gambar

grayscale, dan sebagainya.

2.2 Konsep Dasar Rekayasa Piranti Lunak

Menurut Pressman (1992, p24), rekayasa piranti lunak mencakup tiga elemen

yang mampu mengontrol proses pengembagan piranti lunak, yaitu sebagai berikut.

a. Methods

Menyediakan cara-cara teknis untuk membangun piranti lunak.

b. Tools

Menyatakan dukungan otomatis atau semi otomatis yang mengkombinasikan

software, hardware, dan software engineering database.

6

c. Procedures

Merupakan pengembangan metode dan alat bantu.

Dalam skripsi ini digunakan perancangan software dengan model Classic Life

Cycle (Waterfall Model). Serangkaian kegiatan yang dilakukan selama perancangan

software, antara lain sebagai berikut.

a. Rekayasa dan analisis sistem. Proses menganalisis kebutuhan secara umum yang

berkaitan dengan hardware, user, dan database.

b. Analisis kebutuhan software. Proses menganalisis kebutuhan dengan memfokuskan

pada spesialisasi software. Semua kebutuhan baik sistem mau pun software harus

didokumentasikan dan harus dikaji oleh user.

c. Perancangan. Pada tahap ini, ada tiga hal yang harus difokuskan dalam program,

yaitu struktur data, arsitektur software, dan prosedur detil. Di tahap proses ini,

kebutuhan dituangkan menjadi software yang layak dari segi kualitas, sebelum

masuk pada proses pengkodean.

d. Pengkodean. Difokuskan pada penterjemahan hasil rancangan ke bahasa mekanik

yang dimengerti oleh mesin dalam bentuk program.

e. Pemeliharaan. Perubahan-perubahan yang dilakukan pada software untuk

mengantisipasi peningkatan kebutuhan user atas fungsi-fungsi baru.

2.3 Algoritma Image Matching

Dalam skripsi ini, algoritma yang digunakan untuk mewarnai gambar grayscale

adalah Algoritma Image Matching, seperti terlihat pada Gambar 2.1. Mewarnai gambar

grayscale dapat dilakukan dengan berbagai cara, salah satu di antaranya adalah dengan

mentransfer warna dari gambar berwarna ke gambar grayscale.

7

Sumber: http://www.FreeFoto.com/ Gambar 2.1 Contoh Pentransferan Warna dengan Algoritma Image Matching

Pentransferan warna secara keseluruhan dari gambar warna ke gambar grayscale

dapat dilakukan dengan mencocokkan tingkat kecerahan dan informasi tekstur di antara

kedua gambar. Hal ini dapat dilakukan dengan beberapa langkah sebagai berikut (Welsh,

2002, pp277-280).

2.3.1 Pengkonversian Gambar ke Dalam Bentuk αβl Color Space

Dua gambar yang telah diinput oleh user, yaitu sebuah gambar berwarna dan

sebuah gambar grayscale, harus diubah ke αβl color space terlebih dahulu. Proses

pengkonversian ini diperlukan karena αβl color space memiliki komponen L

(luminance) yang dapat mempermudah proses pencocokan pixel gambar, dan juga

komponen α dan β yang dapat ditransfer dari gambar warna ke gambar grayscale

setelah proses pencocokan pixel dilakukan.

Dengan mengasumsikan bahwa kedua gambar yang diinputkan adalah gambar

RGB color space, maka proses yang perlu dilakukan adalah mengubah RGB color space

menjadi αβl color space. Proses konversi dari RGB ke αβl ini dibagi menjadi dua

tahap (Reinhard, 2001, pp34-41), sebagai berikut.

8

a. Mengkonversi RGB (Red, Green, Blue) ke LMS (Long Middle Short wavelengths).

Konversi RGB ke αβl melalui tahap konversi RGB ke LMS karena RGB merupakan

transformasi dari LMS. LMS yaitu long wavelength (L), middle wavelength (M), dan

short wavelength (S), merupakan salah satu cara untuk merepresentasikan warna

dengan tiga buah variabel.

Matriks transformasi yang digunakan adalah:

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡=

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

BGR

SML

8444.01288.00241.00782.07244.01967.00402.05783.03811.0

(2.1)

b. Mengkonversi LMS ke αβl


⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

−−

⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢

⎣

⎡

=⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

SML

011211

111

2100

06

10

003

1

l

βα (2.2)

2.3.2. Pembuatan Histogram Gambar

Setiap pixel pada gambar grayscale harus dicocokkan dengan pixel pada gambar

warna, untuk mentransfer nilai kromatik (komponen α danβ ) dari gambar warna ke

gambar grayscale. Pencocokan ini dilakukan dengan membandingkan tingkat kecerahan

dan statistika pixel di sekeliling pixel yang dibandingkan.

Tingkat kecerahan kedua gambar seringkali berbeda jauh. Oleh karena itu, perlu

dilakukan luminance remapping, yaitu menggeser dan menskalakan histogram tingkat

9

kecerahan gambar warna agar sesuai dengan histogram tingkat kecerahan gambar

grayscale. Beberapa tahap yang harus dilakukan adalah sebagai berikut.

a. Membuat histogram tingkat kecerahan gambar warna

b. Membuat histogram tingkat kecerahan gambar grayscale.

c. Melakukan luminance remapping.

Proses luminance remapping meliputi proses perataan histogram dan proses

spesifikasi histogram.

2.3.3 Perhitungan Statistika Pixel

Proses perhitungan statistika pixel dilakukan dengan cara mencocokkan antara

pixel gambar warna dengan pixel gambar grayscale. Proses ini meliputi dua tahap,

sebagai berikut.

a. Memasukkan jumlah sampel gambar warna serta ukuran panjang dan lebar masing-

masing sampel pixel yang diinputkan oleh user, untuk diikutkan dalam perhitungan

statistika.

b. Perhitungan statistika gambar grayscale dilakukan terhadap setiap pixel. Perhitungan

ini dilakukan dengan menghitung rata-rata dan simpangan baku di sekeliling pixel

sesuai dengan ukuran yang diinputkan oleh user.

2.3.4 Pencocokan Pixel

Proses pencocokan pixel dilakukan terhadap gambar warna dan gambar

grayscale yang telah diinputkan oleh user. Proses pencocokan pixel dilakukan dengan

cara menghitung rata-rata dan simpangan baku tingkat kecerahan pixel di sekelilingnya.

Dengan menganggap rata-rata (μ) dan simpangan baku (σ) tersebut sebagai koordinat,

10

maka pixel gambar warna yang paling cocok adalah pixel yang memiliki jarak terpendek

(d) dengan pixel pada gambar grayscale. Rumus yang digunakan adalah:

σ

(μ2, σ2) d = ( ) ( )221

221 σσμμ −+−

d μ (2.3)

(μ1, σ1)

Tahap perhitungan statistika dan pencocokan pixel biasa disebut dengan texture

synthesis dengan sampling local models, yaitu mencari tekstur yang sama pada dua

gambar yang berbeda dengan menghitung selisih (perbedaan distribusi) sekeliling kedua

pixel yang dibandingkan. Selisih ini bernilai kecil jika kedua pixel yang dibandingkan

mirip, dan bernilai besar jika keduanya berbeda jauh. Sedangkan yang digunakan dalam

proses pencocokan pixel adalah selisih (perbedaan distribusi) yang bernilai kecil.

2.3.5 Pentransferan Warna

Proses pentransferan warna dilakukan setelah ditemukan pixel yang paling

cocok. Nilai kromatik α dan β dipindahkan ke pixel target pada gambar grayscale,

dengan tetap mempertahankan tingkat kecerahan pixel.

Setelah proses pewarnaan tersebut, maka gambar grayscale yang telah

mempunyai warna dalam αβl color space harus diubah kembali ke RGB color space

untuk ditampilkan. Tahap ini meliputi dua proses (Reinhard, 2001, pp34-41), sebagai

berikut.

11

a. Mengkonversi lαβ ke LMS


⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

⎥⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢⎢

⎣

⎡

−

=⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

βαl

SML

2200021

0660011

0033111

(2.4)

b. Mengkonversi LMS ke RGB


⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

−

−=

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

SML

BGR

2045.12439,00497,01624,00809,22195,11193,05873,34679,4

(2.5)

2.4 Teori Warna

Suatu sistem standar yang diperlukan untuk merepresentasikan warna biasa

disebut color space. Ada dua jenis color space yang sering digunakan dalam aplikasi

(Forsyth, 2003, pp53-91).

2.4.1 Linear Color Spaces

Linear Color Spaces menyatakan bahwa suatu warna itu terdiri dari tiga warna

utama cahaya atau tiga macam panjang gelombang, yaitu LMS (Long, Middle, Short).

Untuk memperoleh suatu warna tertentu, diperlukan pencocokan warna dengan

mengubah komposisi ketiga warna utama tadi. Dengan menggunakan algoritma ini,

terdapat beberapa standar color spaces yang menerapkan cara-cara yang berbeda untuk

memperoleh warna yang diinginkan.

12

a. CIE XYZ Color Space

Diciptakan oleh Commission Internationale de I’Eclairage (CIE) pada tahun 1931,

CIE XYZ merupakan salah satu standar yang cukup terkenal, tetapi sudah kuno.

Kelemahan color space ini adalah sulitnya untuk mengatur brightness (Loy, 2002,

pp1-28).

Untuk merepresentasikan warna, standar ini menggunakan kombinasi penambahan

nilai X, Y, Z. Ketiga nilai ini selalu bernilai positif, dan diubah menjadi nilai RGB

melalui matriks transformasi berikut.

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡=

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

BGR

ZYX

990.0010.0000.0011.0813.0177.0200.0310.0490.0

(2.6)

b. RGB Color Space

Sebagian besar spektrum yang terlihat oleh mata manusia, dapat direpresentasikan

dengan menggabungkan warna cahaya merah, hijau, dan biru (RGB) dalam intensitas

dan perbandingan yang beragam. Namun, tidak semua warna yang terlihat manusia

dapat direpresentasikan dengan kombinasi ketiga nilai warna ini (Loy, 2002, pp1-

28).

Perpotongan ketiga warna tersebut menghasilkan warna cyan, magenta, kuning, dan

putih. Karena warna RGB dapat dikombinasikan untuk menghasilkan warna putih,

maka warna ini disebut juga additive colors.

13

Sumber: Adobe Photoshop 7 Help Files Gambar 2.2 Additive Colors RGB

c. CMYK Color Space

CMYK Color Space dibuat berdasarkan kualitas penyerapan cahaya dari tinta yang

dicetak pada kertas. Ketika seberkas cahaya putih mengenai tinta, beberapa

gelombang tertentu diserap, sementara gelombang yang lainnya dipantulkan ke mata

manusia.

Berdasarkan teori, kombinasi warna cyan (C), magenta (M), dan kuning (Y) yang

murni, akan menyerap semua cahaya dan menghasilkan warna hitam. Karena itulah,

warna ini seringkali disebut subtractive colors.

Sumber: Adobe Photoshop 7 Help Files Gambar 2.3 Subtractive Colors CMYK

14

2.4.2 Non-Linear Color Spaces

Metode non-linear color spaces ini biasanya menyajikan warna dengan

menggunakan suatu bidang lingkaran warna spektrum. Dengan demikian, untuk

menyajikan warna tertentu, tidak terlalu sulit bagi manusia untuk membayangkannya.

Saat ini, ada beberapa standar yang menggunakan non-linear color spaces untuk

menyajikan suatu warna.

a. HSV color space

HSV color space merupakan bentuk transformasi non linier dari RGB color space,

yaitu:

RGB (Red, Green, Blue) ke HSV (Hue, Saturation, Value): ( )3

BGRV ++=

( ) aBGR

S *31 ⎟⎟⎠

⎞⎜⎜⎝

⎛++

−= , di mana a adalah nilai minimum dari RGB (2.7)

( ) ( )( ) ( ) ( )

5.0

21

**5,0cos ⎟⎟

⎠

⎞⎜⎜⎝

⎛

−−+−−+−

= −

BGBRGRBRGRH

b. CIE LAB color space

CIE LAB terdiri dari komponen L (luminance atau tingkat kecerahan) dan dua

komponen warna, yaitu komponen A (hijau sampai merah) dan komponen B (biru

sampai kuning).

Koordinat dari warna CIE LAB diperoleh dari perhitungan koordinat warna non-

linear color space CIE XYZ.

15

L * = 116 * 3/1

⎟⎠⎞

⎜⎝⎛

YnY - 16. jika

YnY > 0.008856

Atau jika tidak: L * = 903.3 * YnY

a* = 500 * (f (XnX ) – f (

YnY ))

b* = 200 * (f (YnY ) – f (

ZnZ )) (2.8)

di mana: ,)( 3/1ttf = jika t > 0.008856

atau jika tidak: 11616*787.7)( += ttf

Keterangan: Xn, Yn, dan Zn adalah nilai X, Y, Z untuk tingkat kecerahan yang

digunakan untuk contoh X, Y, Z. Nilai (konstanta) dari XnX ,

YnY ,

ZnZ adalah lebih

besar dari 0.008856.

2.5 Gambar Bitmap

Gambar Bitmap sering disebut juga dengan gambar raster. Gambar Bitmap

adalah gambar yang terbentuk dari pixel, dengan setiap pixelnya mempunyai warna

tertentu. Jika gambar bitmap ini diperbesar, misalnya menjadi 4 kalinya, maka gambar

akan menjadi kabur karena pixelnya juga bertambah besar menjadi 4 kalinya (kualitas

gambar menurun). Format gambar bitmap sering dipakai dalam foto dan gambar. Dua

istilah yang perlu dipahami ketika bekerja dengan gambar bitmap adalah resolusi dan

kedalaman warna.

16

Setiap kotak kecil (pixel) mempunyai nilai (kecerahan atau warna) dan lokasi

masing-masing (Kay dan Levine, 1995, pp1-5). Setiap pixel yang ditampilkan pada layar

monitor, dipetakan sebagai salah satu atau lebih bit dalam memori komputer. Karena itu,

gambar yang ditampilkan dengan cara ini disebut sebagai bitmap yang artinya peta bit.

Cara ini sering digunakan karena lebih mudah digunakan, tanpa batas, dan dapat berlaku

untuk semua gambar.

Gambar bitmap mempunyai keunggulan, yaitu kemudahannya untuk ditampilkan

secara rinci dengan pola-pola yang kompleks atau gambar fotorealistik, yang tidak dapat

dengan mudah direpresentasikan sebagai model matematika (garis, kurva, dan bidang).

2.6 Pixel (Picture Element)

Gambar yang bertipe bitmap tersusun dari pixel-pixel. Pixel disebut juga dengan

dot. Pixel berbentuk bujur sangkar dengan ukuran relatif kecil yang merupakan

penyusun/pembentuk gambar bitmap.

Banyaknya pixel tiap satuan luas tergantung pada resolusi yang digunakan.

Keanekaragaman warna pixel tergantung pada bit depth (kedalaman warna) yang

dipakai. Semakin banyak jumlah pixel tiap satu satuan luas, semakin baik kualitas

gambar yang dihasilkan dan tentu akan semakin besar ukuran filenya.

2.7 Format File BMP

Struktur file BMP terdiri dari empat bagian seperti pada diagram di bawah ini.

Bagian pertama adalah header, diikuti dengan bagian informasi, palet warna, dan data

pixel.

17

Sumber: http://astronomy.swin.edu.au/~pbourke/dataformats/BMP/ Gambar 2.4 Struktur File BMP

Berikut ini akan dibahas secara singkat masing-masing bagian struktur yang

terdapat pada sebuah file BMP (Kay dan Levine, 1995, pp1-5).

2.7.1 Header BMP

Fungsi utama dari header pada file BMP adalah sebagai tanda/ciri yang

mengidentifikasi format file tersebut. Header pada file BMP mempunyai beberapa field

yang jarang digunakan. Hal ini dapat dilihat pada Tabel 2.1.

Tabel 2.1 Tabel Header BMP

Offset Nama Field Ukuran Keterangan 0 BfType 2 byte Berisi Karakter “BM” 2 BfSize 4 byte Ukuran file BMP dalam byte 6 BfReserved1 2 byte Tidak digunakan 8 BfReserved2 2 byte Tidak digunakan 10 BfOffbits 4 byte Offset kepada awal data pixel dalam byte

Header file

Info Header

Optional Pallet

Image Data

18

2.7.2 Informasi BMP

Informasi BMP yang mengikuti header BMP, mempunyai ukuran minimal 40

byte. Beberapa field penting yang terdapat pada informasi BMP, yaitu panjang dan lebar,

jumlah bit per pixel, dan jenis kompresi, seperti terlihat pada Tabel 2.2.

Tabel 2.2 Tabel Informasi BMP

Offset Nama Field Ukuran Keterangan 14 BiSize 4 byte Ukuran header dalam byte 18 BiWidth 4 byte Lebar gambar 22 BiHeight 4 byte Panjang gambar 26 BiPlanes 2 byte Bernilai 1 28 BiBitCount 2 byte Bits per pixel 1, 4, 8, 16, 24, atau 32 30 BiCompression 4 byte Jenis Kompresi . RGB=0, RLE8=1,

RLE4=2, atau BITFIELDS=3 34 BiSizeImage 4 byte Ukuran gambar kompresi dalam byte 38 BixPelsPerMeter 4 byte Resolusi horizontal 42 BiyPelsPerMeter 4 byte Resolusi vertical 46 BiClrUsed 4 byte Jumlah warna yang digunakan 50 BiClrImportant 4 byte Jumlah warna yang penting

2.7.3 Palet Warna BMP

Gambar yang menggunakan 1, 4, atau 8 bits per pixel pasti mempunyai palet

warna. Pada umumnya palet berisi 2, 16, atau 256 macam warna, tetapi dapat lebih

sedikit jika gambar yang bersangkutan tidak menggunakan semua warna yang tersedia.

Untuk gambar 24 bit, tidak digunakan palet warna, melainkan langsung ditampilkan

nilai RGB (Red, Green, Blue). Masing-masing warna dalam palet memiliki ukuran

sebesar 4 byte, seperti terlihat pada Tabel 2.3.

Tabel 2.3. Tabel Palet Warna BMP

Offset Nama Field Ukuran Keterangan 0 RgbBlue 1 byte Nilai warna biru 1 RgbGreen 1 byte Nilai warna hijau 2 RgbRed 1 byte Nilai warna merah 3 RgbReserved 1 byte Bernilai 0

19

2.7.4 Data Pixel BMP

Data pixel terletak setelah palet warna jika ada. Jika tidak, data pixel terletak

setelah informasi BMP. Untuk mengetahui awal (offset) letak data pixel, digunakan

BfOffBits pada Header BMP. Baris pixel untuk beberapa file BMP dengan jumlah bit

per pixel yang berbeda.

1) File BMP 1 bit per pixel

Setiap pixel berukuran 1 bit, dan dikemas dalam ukuran 1 byte yang berisi 8 data

pixel yang mengacu pada palet warna yang berisi 2 warna.


Dalam gambar yang tidak terkompresi, setiap byte berisi 2 data pixel. Masing-

masing data pixel mengacu pada palet warna yang berisi 16 warna.


Setiap pixel dalam baris mempunyai sebuah nilai sebesar 1 byte, yaitu indeks pada

palet 256 warna.


Setiap pixel mempunyai sebuah nilai integer sebesar 2 byte. Jika gambar tidak

terkompresi, maka setiap warna disajikan dalam nilai 5 bit, dimana bit paling kiri

tidak digunakan, seperti terlihat pada Gambar 2.5.

15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0 Red Blue Green

Gambar 2.5 Format Data Pixel 16 Bit Per Pixel


Setiap pixel berukuran 3 byte, terdiri dari urutan warna biru, hijau, merah.


20

Setiap pixel mempunyai nilai integer sebesar 4 byte, terdiri dari urutan warna biru,

hijau, merah, dan 1 byte tidak terpakai

2.8 Histogram Citra

Histogram merupakan alat yang berguna untuk melihat profil intensitas dari

suatu citra. Histogram memberikan gambaran tentang komposisi citra, informasi tentang

kontras, dan distribusi intensitas citra secara keseluruhan.

Sebuah histogram disajikan melalui sebuah diagram batang, di mana nilai

intensitas pixel ditempatkan pada sumbu x, dan banyak setiap intensitas pixel

ditempatkan pada sumbu y.

Suatu citra yang gelap akan memiliki distribusi pixel di sebelah kiri lebih banyak.

Sedangkan citra yang cerah memiliki distribusi pixel di sebelah kanan lebih banyak.

Pada citra yang ideal, distribusi pixel akan merata pada setiap nilai intensitas histogram.

2.8.1 Perataan Histogram

Perataan histogram ini bertujuan untuk memperoleh histogram yang merata

untuk setiap intensitas pixel-nya (Gose, 1996, pp275-282). Dengan demikian, dihasilkan

citra baru yang memiliki histogram yang lebih terdistribusi, yaitu frekuensi setiap

intensitas pixel yang ditempatkan pada sumbu y, kurang lebih sama.

Perataan histogram tidak benar-benar meratakan histogram. Seperti terlihat pada

Gambar 2.8, proses ini hanya akan mendistribusikan ulang distribusi intensitas pixel

citra yang bersangkutan. Jika histogram citra memiliki banyak bukit dan lembah, maka

setelah proses perataan histogram, histogram tersebut akan tetap memiliki banyak bukit

21

dan lembah, tetapi bukit dan lembah tersebut akan bergeser. Karena itu, perataan

histogram lebih mengacu kepada istilah ”penyebaran” dibandingkan ”perataan”.

(a) (b)

Gambar 2.6 (a) Histogram Asal (b) Histogram Setelah Perataan

Perataan histogram dapat dilakukan melalui ketiga tahap di bawah ini (Crane,

1997, pp47-49).

a. Membuat histogram

Langkah pertama ini dilakukan dengan menghitung jumlah (frekuensi) setiap nilai

pixel dalam citra. Pembuatan histogram ini diawali dengan persiapan sebuah array

yang berisi nol. Sebuah citra yang memiliki jumlah warna sebanyak 8 bit

memerlukan array berukuran 256 (0 sampai 255). Kemudian proses terus

dilanjutkan dengan mengisi array tersebut dengan jumlah masing-masing nilai pixel

pada citra.

b. Menghitung normalisasi histogram

Langkah kedua ini membutuhkan sebuah array baru untuk menyimpan jumlah

komulatif dari setiap nilai pixel. Pada array ini, elemen 1 berisi jumlah elemen 0 dan

elemen 1. Elemen 2 berisi jumlah elemen 0, elemen 1, dan elemen 2. Sedangkan

elemen 255 berisi jumlah elemen 0, elemen 1, dan seterusnya sampai dengan elemen

255. Array ini kemudian dinormalisasi dengan mengalikan setiap elemen dengan

22

pixel maksimal dibagi dengan jumlah keseluruhan pixel. Hasil yang diperoleh dari

perhitungan normalisasi histogram ini adalah probabilitas kumulatif untuk setiap

nilai pixel. Misalkan sebuah gambar 8 bit dengan resolusi 512x512, berarti setiap

pixel harus dikalikan dengan 255/262144.

c. Memperbaharui citra lama

Citra lama diperbaharui dengan mengganti nilai pixel lama dengan hasil pembulatan

nilai yang diperoleh dari proses perhitungan normalisasi histogram.

2.8.2 Penyesuaian Histogram

Perataan histogram kurang lebih menghasilkan histogram yang merata. Kadang-

kadang, histogram yang tidak merata itu tidak sesuai dengan keinginan. Misalnya, ketika

diperlukan citra yang lebih cerah atau pun citra yang lebih gelap, atau ketika diperlukan

citra yang lebih kontras. Semua modifikasi ini dapat dilakukan melalui spesifikasi

histogram.

Penyesuaian histogram adalah sebuah proses untuk menyesuaikan tingkat

kecerahan suatu citra yang diinputkan, sehingga tingkat kecerahan citra tersebut menjadi

sesuai dengan tingkat kecerahan histogram yang juga diinputkan oleh user (Crane, 1997,

pp49-54).

Secara garis besar, proses ini meliputi beberapa tahap, yaitu:

a. Melakukan perataan histogram terhadap citra yang diinput oleh user.

b. Melakukan perataan histogram terhadap histogram yang juga diinput oleh user.

c. Melakukan kebalikan dari transformasi perataan histogram terhadap citra yang telah

diratakan. Proses ini dilakukan dengan mengganti setiap nilai hasil perataan

23

histogram citra dengan nilai terdekat yang diperoleh dari hasil perataan histogram

yang diinputkan.

2.9 Teori Statistika

Statistika merupakan sekumpulan konsep dan metode yang digunakan untuk

mengumpulkan dan menginterpretasi data tentang bidang kegiatan tertentu dan

mengambil kesimpulan dalam situasi di mana ada ketidakpastian dan variasi.

Cabang ilmu statistika yang menjelaskan teknik untuk meringkas dan

mendeskripsikan data disebut statistika deskriptif. Sedangkan cabang ilmu statistika

yang bertujuan untuk membuat kesimpulan (mengambil kesimpulan, memprediksi, dan

membuat keputusan) tentang karakteristik populasi berdasarkan informasi yang

diperoleh dari sampel, disebut inferensi statistik.

Dalam Statistika, salah satu konsep paling dasar adalah penarikan sampel

(sampling). Sampel diambil dari suatu kelompok yang lebih besar, yang disebut

populasi. Populasi sering disebut sebagai himpunan keseluruhan objek yang diselidiki,

sedangkan sampel merupakan himpunan bagian populasi. Karakteristik atau konstanta

dari suatu populasi disebut parameter. Sedangkan suatu harga yang dihitung dari sampel

dinamakan statistika.

Operasi statistika yang sering dipakai dalam aplikasi yang melibatkan gambar,

yaitu rata-rata (mean) dan simpangan baku (standard deviation).

24

2.9.1 Rata-rata (μ)

Di dalam gambar, rata-rata nilai kelabu pixel menyatakan tingkat kecerahan

gambar tersebut (Gose, 1996, pp271-273). Jika terdapat suatu gambar dengan ukuran M

x N pixel dan nilai pixel g, maka rata-rata nilai pixel gambar tersebut dapat diketahui

melalui rumus berikut ini.

( )∑ ∑== =

M

x

N

yyxg

MN 1 1,1μ (2.9)

2.9.2 Simpangan Baku (σ)

Kontras suatu gambar dapat diketahui melalui besarnya variasi nilai kelabu pixel

gambar tersebut (Gose, 1996, pp271-273). Salah satu cara untuk mengetahui besarnya

variasi ini adalah dengan menghitung akar dari jumlah kuadrat selisih nilai kelabu pixel

yang bersangkutan dengan rata-ratanya. Bilangan ini biasa dikenal dengan istilah

simpangan baku.

( )( )∑ ∑ −−

== =

M

x

N

yyxg

MN 1 12,

11 μσ (2.10)

Keterangan:

M = ukuran lebar pixel

N = ukuran panjang pixel

g(x, y) = nilai kelabu pixel

μ = rata-rata nilai kelabu pixel

25

2.10 Prinsip Perancangan Layar

Prinsip perancangan layar merupakan panduan bagi perancang yang berguna

dalam membuat dan membandingkan alternatif desain. Ada tiga prinsip yang terdapat

dalam perancangan layar yaitu:

a. Kenali perbedaan

Dalam melakukan perancangan layar, perancang harus mengenali pengguna dari

program aplikasi. Pengguna ini dapat berupa first-time users (pemula),

knowledgeable intermittent users (pengguna yang telah mengenal program aplikasi),

dan expert frequent users (ahli).

b. Gunakan delapan aturan emas perancangan user interface:

1) Berusaha untuk konsisten.

2) Memungkinkan frequent user menggunakan shortcuts.

3) Memberikan umpan balik yang inovatif.

4) Merancang dialog yang memberikan penutupan (keadaan akhir).

5) Memberikan pencegahan kesalahan dan penangan kesalahan yang sederhana.

6) Memungkinkan pembalikan aksi yang mudah.

7) Mendukung pusat kendali internal.

8) Mengurangi beban ingatan jangka pendek.

2.11 DFD (Data Flow Diagram)

DFD adalah alat bantu dalam melakukan analisis sistem. DFD terdiri dari

simbol-simbol yang menggambarkan komponen-komponen, yang antara lain sebagai

berikut.

26

a. Proses

Proses menunjukkan apa yang sistem kerjakan. Setiap proses

memiliki satu atau lebih data masukan dan memiliki satu atau lebih

data keluaran.

b. Data store

Data store adalah tempat menyimpan data, di mana berisi data yang

akan dipakai oleh sistem. Proses dapat memasukkan data ke dalam

data share atau mendapatkan kembali datanya. Setiap data store

memiliki nama yang unik.

c Eksternal entitas

Eksternal entitas berada di luar sistem, tetapi dapat mensuplai data

ke sistem atau menerima keluaran dari sistem. Eksternal entitas

yang mensuplai data ke sistem disebut source.

d. Aliran data (Data flow)

Menggambarkan arah ke aliran data.

Diagram aliran data dapat dibagi menjadi tiga tingkatan, sebagai berikut.

1) Diagram konteks, merupakan level tertinggi yang menggambarkan batas-batas

dari sistem informasi secara global.

2) Diagram nol, merupakan diagram yang memaparkan proses-proses penting

dalam sistem.

3) Diagram rinci, merupakan penjelasan dari setiap proses secara mendetil, yang

terdapat dalam diagram nol, yang tidak dapat dipecah lagi ke dalam proses-

proses yang lebih rinci.

bab 2 landasan teori 2.1 definisi pengolahan...

Documents