bab 2 landasan teori -...
TRANSCRIPT
BAB 2
LANDASAN TEORI
2.1 Gambar Digital
Gambar 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 dalam pita magnetik.
Komputer hanya dapat bekerja dengan bilangan numerik yang berhingga,
sehingga gambar harus diubah ke dalam bentuk bilangan numerik berhingga (gambar
digital) sebelum diproses dalam suatu komputer. Untuk mengubah gambar yang bersifat
kontinu menjadi gambar digital, diperlukan proses pembuatan kisi-kisi arah horisontal
dan vertikal, sehingga diperoleh gambar dalam bentuk array dua dimensi. Proses
tersebut dikenal sebagai proses digitalisasi atau sampling.
Gambar dapat dipresentasikan dengan array dua dimensi, di mana setiap elemen
array dikenal sebagai elemen gambar (picture element / pixel). Pembagian suatu gambar
menjadi sejumlah pixel dengan ukuran tertentu ini akan menentukan resolusi spatial
(derajat kehalusan) yang diperoleh. Semakin kecil ukuran pixelnya, maka akan semakin
halus gambar yang diperoleh, karena informasi yang hilang akibat pengelompokan
tingkat keabuan pada proses pembuatan kisi-kisi akan semakin kecil. Angka pada
gambar digital menggambarkan bagaimana setiap pixel menggambarkan kecerahan
(brightness) gambar tersebut pada titik yang bersangkutan.
Proses lain yang dapat dilakukan dalam suatu gambar digital adalah proses
kuantisasi (quantization). Dalam proses ini tingkat keabuan setiap pixel dinyatakan
6
sebagai suatu harga integer. Batas-batas harga integer atau besarnya daerah tingkat
keabuan yang digunakan untuk menyatakan tingkat keabuan pixel akan menentukan
resolusi kecerahan dari gambar yang diperoleh. Kalau digunakan 3 bit untuk menyimpan
harga integer tersebut, maka akan diperoleh sebanyak 8 tingkat keabuan.
Seluruh tahapan proses konversi di atas dikenal sebagai konversi analog ke
digital, yang biasanya akan menyimpan hasil proses pada memori gambar. Sebaliknya,
sebagai hasil suatu proses pengolahan gambar digital, kadang-kadang perlu
mengeluarkan gambar dari memori gambar ke bentuk peragaan pada monitor televisi
atau ke bentuk cetakan foto. Proses konversi balikan ini dikenal sebagai konversi digital
ke analog.
2.2 RAW
File gambar RAW terdiri dari data yang ditangkap sensor pada kamera digital
yang diproses seminimal mungkin, sehingga data yang disimpan merupakan data mentah
(raw) yang belum mengalami pengolahan warna, tingkat kecerahan, kompresi, dan
lainnya . Saat kamera digital menangkap gambar, chip pencitraan akan merekam jumlah
cahaya yang diterima oleh setiap pixel pada sensor. Ini direkam sebagai tingkat voltase.
Tingkat voltase ini kemudian diubah menjadi representasi digital oleh rangkaian
pengubah analog ke digital. Bergantung pada jenis rangkaian pada kamera, jumlah data
yang direkam dapat mencapai hingga 12 atau 14 bit data, yang artinya setiap pixel dapat
memiliki 4,096 (212) dan 16,384 (214) tingkat kecerahan yang berbeda. Hal ini sangat
berbeda dengan tipe data JPEG yang hanya mampu menyimpan hingga 8 bit data atau
256 tingkat kecerahan.
7
Beberapa keunggulan lain dari tipe data RAW yaitu :
• Ruang warna yang digunakan dapat diatur sesuai dengan keinginan
pengguna. Sebagai contoh, ruang warna gamut Adobe RGB yang lebih
luas dapat dipilih sebagai alternatif dari sRGB yang biasa dipakai pada
kamera pada umumnya.
• Karena sifatnya yang masih mentah, maka file RAW dapat digunakan di
masa depan untuk pengolahan yang lebih baik sesuai dengan teknologi
yang berkembang.
• Saat penyimpanan gambar, kamera akan menciptakan file header yang
berisi data pengaturan kamera seperti, kontras, tingkat kecerahan, white-
balance, temperature warna, namun data tersebut hanya dibubuhi pada
file dan tidak mengubah gambar yang tersimpan.
• Kemampuan untuk melakukan pengubahan terhadap gambar yang telah
diambil, yang memberi keuntungan bila gambar tersebut ternyata
memiliki kekurangan pada pengaturan awal saat gambar diambil.
Hingga saat ini format RAW merupakan format yang memberikan kualitas
gambar terbaik untuk penyimpanan gambar pada kamera digital, meski ukuran file yang
dihasilkan dapat mencapai enam kali lebih besar daripada kamera yang menggunakan
format JPEG. Para pengembang pun terus memberi dukungan terhadap penggunaan
format ini sebagai contoh, Microsoft telah meluncurkan sebuah penampil thumbnail
yang direncanakan akan disertai pada versi Windows berikutnya, pada tahun 2004 Adobe
System menerbitkan Digital Negative Specification (DNG), yang bertujuan untuk
menjadi penyatu format RAW. Pada Oktober 2005 Apple Computer meluncurkan
8
Aperture, sebuah paket peranti lunak pengolah gambar untuk profesional yang fiturnya
mendukung penuh file RAW
2.3 Kompresi Gambar
Kompresi gambar merupakan proses untuk mengurangi jumlah bit-bit data yang
merepresentasikan suatu gambar. Ada dua jenis kompresi yang dapat dilakukan pada
gambar yaitu kompresi yang memberikan hasil yang merupakan replika dari gambar
awal (lossless compression) dan kompresi yang merupakan pendekatan terhadap gambar
awal (lossy compression). Format yang umum digunakan saat ini adalah JPEG yang
umumnya digunakan untuk gambar hasil fotografi dan GIF yang digunakan untuk
gambar dengan bentuk geometri yang sederhana.
Gambar yang merupakan hasil fotografi memiliki ukuran yang cukup besar
karena memiliki gradient warna yang tinggi dan sudut-sudut kompleks dan bersifat
lossy. Kompresi gambar memanfaatkan kelebihan atas persepsi manusia terhadap
gambar visual. Persepsi manusia tidak terlalu sensitive terhadap gangguan frekuensi
tinggi dengan intensitas rendah, namun peka terhadap perubahan warna. Hal ini
menyebabkan bit-bit data yang tidak berguna dapat dihilangkan untuk mengurangi
ukurannya.
2.3.1 Lossy compression
Yang dimaksud dengan kompresi data lossy adalah bila hasil dekompresi
dari data yang terkompresi tidak sama dengan data asli, namun “mendekati”
aslinya. Tipe kompresi ini sangat sering digunakan dalam dunia internet,
khususnya dalam streaming media, metode ini secara khusus disebut codecs.
9
Ruang lingkup kompresi data lossy terbagi menjadi 2 bagian, yaitu :
1. Lossy transform codecs, mula-mula diambil sampel dari gambar
atau suara, kemudian data tersebut dipilah-pilah menjadi bagian
yang kecil, kemudian dilakukan transformasi ke ruang basis yang
baru, dan dikuantisasikan. Nilai-nilai yang diperoleh dari kuantisasi
dilanjutkan dengan pengkodean entropy.
2. Lossy predictive codecs, data dekode digunakan untuk memprediksi
sampel suara atau gambar yang dikompresi. Kesalahan antara data
yang diprediksi dan data yang sesungguhnya, secara bersama-sama
dengan tambahan informasi yang dibutuhkan dilakukan kuantisasi.
Keuntungan kompresi data lossy dibandingkan dengan kompresi data
lossless (metode kompresi yang hasil dekompresinya sama dengan data aslinya)
adalah dalam banyak permasalahan metode kompresi lossy dapat menghasilkan
file terkompresi yang jauh lebih kecil bila dibandingkan dengan menggunakan
metode kompresi lossless. Oleh sebab itu metode kompresi lossy sangat cocok
digunakan untuk kompresi data gambar atau suara.
2.4 Fractal
Benoit Mandelbrot adalah orang yang menciptakan istilah fractal pada tahun
1975 melalui “Les objets fractals, forme, hasard et dimension” (diterjemahkan ke
bahasa Inggris pada 1977, “Fractals: form, chance and dimension”), yang kemudian
dimasukan ke dalam bukunya “The Fractal Geometry Of Nature” pada 1983.
Sebelumnya nama yang digunakan untuk menyebut struktur geometri ini adalah
“monster curve”. Fractal berasal dari bahasa latin “fractus” yang berarti dasar yang
10
tidak beraturan seperti sebuah batu yang pecah. Istilah ini digunakan Mandelbrot
pertama kali untuk menjelaskan pola berulang yang ditemukan pada berbagai struktur
yang berbeda dalam pengamatannya. Pola ini muncul dalam bentuk yang hampir identik
dalam bentuk dan ukuran yang berbeda pada berbagai bentuk yang sulit digambarkan
dengan seperti awan, gunung, garis pantai, kristal salju, bahkan galaksi kita. Selain itu
Mandelbrot juga menemukan bahwa fractal dapat digambarkan dalam bentuk matematis
yang sederhana. Secara umum fractal adalah pola geometris yang bersifat self-similar
dalam setiap skala. Secara matematis Mandelbrot mendefinisikan fractal sebagai
himpunan di mana nilai dimensi hausdorff melampaui nilai dimensi topologisnya.
Pembentukan fractal dapat dilakukan dengan melakukan proses rotasi, translasi
dan skala pada suatu objek untuk menemukan pola yang sama dan berulang. Karena
bentuknya yang unik fractal banyak digunakan pada bidang seni, bahkan algoritma
pembentukan fractal dapat digunakan untuk pembuatan musik. Berikut ini merupakan
contoh bentuk fractal.
Gambar 2.1 Bentuk fractal sederhana
11
Gambar 2.2 Mandelbrot set
Gambar 2.3 Contoh instalasi fractal pada gedung
Secara umum fractal dapat dikelompokkan menjadi tiga berdasarkan cara fractal
tersebut dibangkitkan, yaitu :
1. Iterated Function Systems. Memiliki aturan tentang perubahan geometris,
contohnya adalah cantor set, sierpinski carpet, sierpinski gasket, koch
snowflake, dragon curve, menger sponge.
12
2. Escape-time fractal. Didefinisikan oleh perulangan relasi setiap titik
dalam ruang (seperti bidang kompleks), contohnya adalah Mandelbrot
set.
3. Random fractal. Dihasilkan oleh proses stokastik, sebagai contoh adalah
bentangan fractal.
2.5 Fractal Image Compression
Fractal image compression merupakan kompresi yang bersifat lossy, jadi pola
fractal yang dihasilkan merupakan pola yang paling menyamai bentuk aslinya sesuai
dengan parameter kompresinya yaitu jumlah iterasi, kualitas gambar, ukuran output.
Namun tingkat kompresi dapat diatur hingga ke tingkat di mana data yang dihilangkan
tidak dapat dilihat secara visual.
Benoit Mandelbrot telah mengamati bahwa gambar kompleks dapat dihasilkan
dari formula matematis sederhana, namun Michael Barnsley memiliki ide yang
berlawanan yaitu dari gambar menjadi formula. Sebagai contoh misalkan kita ingin
menggambarkan gambar hitam putih yang terdiri dari keping disket hitam dengan latar
belakang putih, maka kita dapat membuat persamaan untuk disket tersebut,
menetapkannya sebagai himpunan titik (x,y) yang memenuhi persamaan
(x-a)2 + (y-b)2 < r2
di mana r merupakan jari-jari disket dan (a,b) merupakan pusat lingkaran. Persamaan ini
cukup untuk membentuk gambar disket, lebih dari itu gambar tersebut dapat dibuat pada
berbagai resolusi. Pada kenyataannya gambar pada dunia nyata tidaklah mudah untuk
direpresentasikan dalam bentuk persamaan matematis sederhana, pada sebuah gambar
secara umum tidaklah mungkin untuk menemukan formula sederhana yang
13
merepresentasikan gambar tersebut secara tepat. Ide dari Barnsley adalah untuk
memanfaatkan adanya sifat self-similar pada gambar untuk menemukan representasi
yang mendekati gambar tersebut sebagai fractal.
Proses untuk merubah bitmap gambar ke kode-kode fractal disebut sebagai
Fractal encoding. Sedangkan untuk mengubah kode-kode fractal tersebut menjadi ke
bentuk bitmap digunakan istilah fractal decoding.
2.6 IFS (Iterated Function Systems)
Iterated Function System (IFS) terdiri dari sebuah himpunan pemetaan kontraktif
{Wi} Ni 1=
dari Rn ke dirinya sendiri. Pemetaan sebuah himpunan ke dirinya sendiri
dikatakan kontraktif jika pemetaan tersebut memenuhi teorema berikut :
Terdapatlah (X,d) sebuah ruang metric lengkap dan W : X X merupakan
kontraksi pada X. maka W mempunyai titik tetap (fixed point) pada X.
Pembuktian : Ambil sembarang titik x0 ϵ X dan iterasikan W pada titik tersebut, yang
akan menghasilkan deret di mana d(f(x), f(y)) lebih kecil dari d(x,y). dan deret tersebut
akan konvergen ke sebuah titik tetap pada X. Sebagai contoh, fungsi f(x) = 2x adalah
kontraktif pada himpunan bilangan real, dari sembarang titik x = 1 dapat dihitung
f(x) = 2x dan akan didapat deret {1, ½, ¼, 1/8, ..} yang konvergen ke suatu titik tetap
yaitu 0.
IFS dapat dimisalkan sebagai mesin penyalin (copy machine) yang menghasilkan
N salinan yang lebih kecil dari gambar inputnya, dan menggabungkannya secara
bersamaan. Sesuai dengan penjelasan di atas maka gambar yang dihasilkan pada setiap
14
tahap akan konvergen ke sebuah gambar titik tetap yang unik (unique fixed point image).
Gambar yang dihasilkan adalah fractal, karena mengandung salinan yang lebih kecil
dari dirinya sendiri pada setiap skala. Karena sifat self-similar inilah kompresi dengan
IFS dikatakan sebagai kompresi fractal.
Suatu IFS akan sangat mendekati gambar I bila titik tetap dari IFS tersebut
merupakan gambar yang menyerupai I. Tujuannya adalah untuk mencari himpunan
pemetaan kontraktif w1,.... wN sehingga gabungan dari pemetaan ini (W) mempunyai
titik tetap yang mendekati I.
W∞ (I) = W1(W2(W3(….(WN(I)) )))
Pemetaan yang umum digunakan pada IFS adalah transformasi affine. Setelah semua
transformasi affine telah ditentukan, maka IFS tersebut dapat direpresentasikan dengan
melakukan encoding pada setiap transformasi.
Dengan demikian IFS dapat didefinisikan sebagai :
Sebuah Iterated Function System adalah kumpulan dari W = {Wi} Ni 1= dari
kontraksi Wi : Rn Rn
2.6.1 Transformasi Affine
Berasal dari bahasa latin affinis yang berarti “terhubung dengan”. Dalam
geometri, sebuah transformasi affine atau pemetaan affine terdiri dari
transformasi linear yang diikuti oleh translasi. Dalam ruang lingkup geometri
fungsi ini akan memetakan garis lurus menjadi garis lurus.
Pada ruang satu dimensi transformasi affine mempunyai bentuk
bxaxW +×=)(
15
di mana a dan b merupakan konstanta
bentuk transformasi affine yang umum digunakan pada IFS adalah
+
×
=
i
i
i
i
i,i,
i,i,
dcc
zyx
baaaa
zyx
Wi 2,
1,
43
21
0000
di mana ai,j dan ci,j merupakan koefisien yang menunjukkan translasi, rotasi, dan
skala, bi menunjukkan faktor kontras, di menunjukkan faktor penyeimbang
kecerahan (brightness).
2.6.2 Self Similar
Sebuah objek dikatakan self-similar bila bagian dari objek tersebut serupa
(similar) secara tepat atau mendekati dirinya sendiri. Sebagai contoh, sebuah sisi
dari koch snowflake adalah self-similar; yang dapat dibagi menjadi dua bagian
yang masing-masing serupa dengan keseluruhannya.
Secara matematis self-similar merupakan himpunan tertutup dari bidang R2
S = S1 ∪ S2 ∪ S3 ∪ S4 ∪….∪ Sk
Di mana S1, S2, S3, S4,..., Sk merupakan himpunan non-overlapping yang
kongruen terhadap S bila diskala dengan faktor yang sama (0 < s < 1)
2.6.3 Similtude
Pemetaan dari sebuah ruang metric (X,d) ke dirinya sendiri merupakan
simiitude jika dan hanya jika terdapat bilangan positif terbatas (finite non-
negative) s sehingga,
( ) ( )( ) ( )yxdsywxwd ,, =
16
untuk setiap x,y ϵ X
Similtude tidak hanya mengubah ukuran himpunan, namun melakukan rotasi,
translasi, dan refleksi. Gambar yang dihasilkan similtude disebut similarity
2.7 PIFS (Partitioned Iterated Function System)
Seperti yang telah disebutkan, sangatlah sulit untuk mencari IFS dari sebuah
gambar alamiah. Untuk mengatasi hal ini sebuah metode telah dikembangkan oleh
Arnaud Jacquin pada 1992 dengan Partitioned Iterated Function System (PIFS), yang
memanfaatkan sifat similarity yang muncul antara bagian-bagian dari suatu gambar.
Dalam PIFS, sebuah gambar dibentuk oleh salinan dari bagian lain atau bagian itu
sendiri yang telah ditransformasikan.
Gambar I yang akan dibagi menjadi blok range R1,R2,R3,..,Ri,..,RN, sehingga
I = R1 ∪ R2 ∪ R3 ∪ .. ∪ RN
dan Ri ∩ Rj = 0 saat i ≠ j ,
dengan demikian blok range mencakup seluruh gambar dan tidak saling meliputi (non-
overlapping). Gambar I juga dibagi menjadi blok domain yang saling meliputi yaitu
D1,D2,D3,..,Dj,..,DM. Selanjutnya untuk setiap blok Ri, akan dicari pemetaan kontraktif
Wi dan sebuah blok domain Dj pada I, sehingga didapat
Ri ≈ Wi(Dj) .
Kombinasi dari W1,W2,W3,..,Wi,..,WN inilah yang disebut sebagai PIFS
17
Gambar 2.4 Blok range (kiri) yang merupakan hasil pemetaan dari blok domain (kanan)
Selama pemetaan W bersifat kontraktif, penerapan dari W secara berulang akan
menghasilkan sebuah gambar tetap. Jika W(I) mendekati I, maka gambar tetap yang
dihasilkan akan mendekati gambar asli I.
Untuk gambaran yang lebih jelas tentang proses kompresi dekompresi dapat dilihat pada
gambar berikut :
Gambar 2.5 proses kompresi dan dekompresi sederhana
Blok range pada gambar kanan diperoleh dari proses gLAB + O dari blok domain yang
lebih besar (kiri). A menghitung nilai rata-rata dan memperkecil blok, L merotasi blok
18
tersebut, pengalian dengan g akan mengubah tingkat kecerahannya, dan penambahan
dengan offset O akan menentukan posisi blok tersebut.
2.8 QPIFS (Quadtree Partitioned Iterated Function Systems)
Kelemahan dari PIFS adalah ukuran blok range yang berukuran tetap tanpa
mempertimbangkan isi pixel dari blok gambar tersebut. Dengan quadtree partition, blok
range dibagi berdasarkan metode quadtree yang mengasumsikan bahwa dalam sebuah
gambar pixel yang berdekatan akan mempunyai kemiripan atau kesamaan warna, dan
kemiripan tersebut lebih mudah dtemukan pada blok range yang lebih kecil.
Pada tahap awal gambar dibagi menjadi empat kuadran (Quadtree merupakan
sebuah tree yang mempunyai tepat empat child) berukuran sama, yang masing-masing
menjadi child dari gambar asli. Masing-masing kuadran akan dibagi lagi menjadi empat
kuadran baru yang akan menjadi child dari kuadran sebelumnya, proses ini akan terus
berulang hingga didapat blok range yang cukup kecil yang terdiri dari pixel-pixel yang
serupa, sesuai dengan batas toleransi yang telah ditentukan (gambar 2.5). Keempat
kuadran dinamakan sesuai dengan letaknya pada node parent yaitu, NW (Northwest),
NE (Northeast), SW (Southwest), SE (Southeast) (gambar 2.6).
Gambar 2.6 Kiri blok range parent, kanan blok range child
19
Gambar 2.7 Quadtree sederhana
2.9 Himpunan
Himpunan atau set adalah kumpulan objek yang keanggotaannya didefinisikan
dengan jelas secara matematis. Himpunan bagian atau subset adalah suatu himpunan
yang seluruh anggotanya merupakan anggota dari himpunan utamanya. Himpunan pada
R2 disebut himpunan tertutup (bounded and closed set) bila himpunan tersebut dapat
ditutup oleh suatu lingkaran besar dan terdapat seluruh titik perbatasannya. Himpunan-
himpunan dalam R2 dikatakan kongruen bila mereka dapat dipertemukan secara tepat
dengan melakukan proses translasi dan rotasi.
Himpunan Non-overlapping adalah kumpulan himpunan yang anggotanya tidak
sama. Himpunan dikatakan terbuka (open set) memenuhi definisi sebagai berikut :
(i) Subset G dari R dikatakan terbuka dalam R jika untuk setiap x ϵ G
terdapatlah lingkungan (neighborhood) V dari x sehingga V ⊆ G
(ii) Subset F dari R dikatakan tertutup dalam R jika komplemen dari F
terbuka di R.
20
sementara definisi lingkungan (neighborhood) adalah :
Suatu lingkungan dari titik x ϵ R adalah semua set V yang memiliki
ε -neighborhood Vε (x) : = (x -ε , x +ε ) dari x untuk setiap ε > 0.
Sebagai contoh pada himpunan real (0,1) di mana 0 < x < 1, x memiliki lingkungan yang
tetap berada di antara 0 dan 1, karenanya (0,1) disebut terbuka. Namun pada himpunan
(0,1] dimana 0 < x ≤ 1, jika x = 1 maka x memiliki lingkungan kearah positif yang
berada diluar (0,1].
Sifat dari himpunan open set adalah :
• Gabungan dari sembarang kumpulan open subset pada R juga terbuka.
• Irisan dari setiap kumpulan terbatas dari open subset pada R juga terbuka.
2.10 Dimensi Topologi
Dimensi topologi merupakan suatu konsep intuitif manusia terhadap suatu
dimensi. Sebagai contoh pada ruang dua dimensi R2, maka sebuah garis yang melaluinya
bersifat satu dimensi. Dengan demikian dapat ditarik kesimpulan bahwa :
o sebuah titik dalam R2 memiliki dimensi topologi bernilai 0.
o sebuah kurva dalam R2 memiliki dimensi topologi bernilai 1.
o sebuah daerah dalam R2 memiliki dimensi topologi bernilai 2.
Nilai dari dimensi topologi selalu merupakan integer antara 0 dan n. Dimensi
topologi dari suatu himpunan S dilambangkan dengan simbol dT(S). Namun dimensi
topologi tidak dapat memberi nilai pada himpunan yang bersifat tidak beraturan seperti
fractal.
21
2.11 Dimensi Hausdorff
Diperkenalkan oleh matematikawan Felix Hausdorff pada 1918. Dimensi
hausdorff memberikan definisi alternatif terhadap himpunan yang tidak beraturan pada
R2 seperti fractal. Nilai dimensi hausdorff dari himpunan self-similar S (dH(S))
didefinisikan dengan
dH(S) = ( )s
k1ln
ln
fractal didefinisikan sebagai himpunan yang nilai dimensi hausdorffnya melampaui nilai
dimensi topologinya
dH(S) > dT(S)
Sebagai contoh, sierpinski triangle (pada gambar 2.1) merupakan gabungan dari tiga
salinan dari dirinya sendiri, setiap salinan menyusut (mengecil) dengan faktor 21 ;
dengan demikian nilai dari dimensi hausdorff sierpinski triangle adalah dH(S) = 2ln3ln ,
atau 1.58. sedangkan nilai dimensi topologinya adalah 1, maka dengan demikian
sierpinski triangle merupakan fractal.
2.12 Ruang Metric (metric space)
Ruang metric merupakan pasangan berurut (X,d) di mana X adalah sebuah
himpunan (ruang) dan d : X2 R merupakan fungsi real (metric) yang memenuhi
( ) ,,0, X∈∀= xxxd (positivity)
( ) ,,,,0, yxyxyxd ≠∈∀> X (definiteness)
( ) ( ) ,,,,, X∈∀= yxxydyxd (symmetry)
22
( ) ( ) ( ) X∈∀+≤ zyxzydyxdzxd ,,,,,, (triangle inequality)
2.13 Rekayasa Piranti Lunak
Rekayasa Piranti Lunak adalah penetapan dan pemakaian prinsip-prinsip
rekayasa dalam rangka mendapatkan piranti lunak yang ekonomis yaitu terpercaya dan
bekerja efisien pada mesin (komputer). Rekayasa piranti lunak mencakup 3 elemen yang
mampu mengontrol proses pengembangan piranti lunak, yaitu:
a. Metode-metode (Methods)
Menyediakan cara-cara teknis untuk membangun piranti lunak
b. Alat-alat bantu (Tools)
Mengadakan dukungan otomatis atau semi otomatis untuk metode-metode
seperti CASE (Computer Aided Software Engineering) yang
mengombinasikan software, hardware dan software engineering database.
c. Prosedur-prosedur (Procedures)
Merupakan pengembangan metode dan alat bantu.
Dalam perancangan software dikenal istilah Classic Life Cycle, serangkaian
kegiatan yang dilakukan selama masa perancangan software, di antaranya:
a. Rekayasa Sistem. Tahap awal perancangan piranti lunak adalah rekayasa
sistem yang akan dibangun dengan menetapkan kebutuhan-kebutuhan
elemen sistem.
b. Analisis kebutuhan piranti lunak. Sebelum merancang sistem harus terlebih
dahulu diketahui kebutuhan, informasi, beserta spesifikasi piranti lunak.
23
c. Perancangan. Tahap perancangan ini menitikberatkan pada tiga komponen
program, yaitu struktur data, arsitektur piranti lunak, dan prosedur detail.
d. Pengkodean. Merupakan penerjemahan hasil rancangan ke bahasa yang
dimengerti oleh mesin dalam bentuk program-program.
e. Pengujian. Sebelum diaplikasikan, suatu piranti lunak harus diuji dahulu
agar keluaran yang dihasilkan oleh sistem sesuai dengan yang diharapkan.
f. Pemeliharaan. Pemeliharaan piranti lunak dilakukan untuk mengantisipasi
peningkatan kebutuhan pengguna akan fungsi-fungsi baru.
Gambar 2.8 Diagram Classic Life Cycle
2.14 State Transition Diagram (STD)
State Transition Diagram atau Diagram Transisi merupakan suatu alat
perancangan yang merepresentasikan perilaku sistem dengan menggambarkan kondisi
dan kejadian yang menyebabkan kondisi sistem tersebut berubah. Keadaan di sini dapat
System Engineering
Analysis
Design
Coding
Maintenance
24
difokuskan dan dihubungkan dalam berbagai cara untuk merepresentasikan sifat yang
sekuensial dan konkuren (bersamaan). Transisi di antara dua keadaan umumnya
disebabkan oleh suatu kondisi.
Simbol-simbol yang digunakan dalam STD:
a. Modul
Berupa simbol lingkaran yang mewakili modul yang dipanggil apabila
terjadi suatu tindakan.
Gambar 2.9 Notasi Modul
b. State (tampilan kondisi)
Merupakan layar yang ditampilkan menurut keadaan atau atribut, untuk
memenuhi suatu tindakan pada waktu tertentu yang mewakili suatu bentuk
keberadaan atau kondisi tertentu, disimbolkan dengan gambar kotak.
Gambar 2.10 Notasi Tampilan
c. State Transition (tindakan)
Menggunakan simbol anak panah disertai keterangan tindakan yang
dilakukan.
Gambar 2.11 Notasi Tindakan
25
d. Kondisi dan Aksi
Kondisi bersifat mengubah state dan aksi adalah aksi yang dilakukan sistem
ketika state berubah.
Notasinya :
Gambar 2.12 Notasi Kondisi dan Aksi
Kondisi dan aksi digambarkan dengan anak panah yang menghubungkan
dua keadaan yang berkaitan seperti pada gambar.
Gambar 2.13 Contoh penggambaran kondisi dan aksi
2.15 Flowchart (Diagram Alir)
Flowchart mengilustrasikan langkah-langkah dalam suatu proses. Dengan
melihat proses-proses dalam flowchart, maka dapat dengan cepatnya membantu
mengidentifikasikan bottlenecks atau tidak efisiennya suatu urutan logika, dan dapat
diperbaiki dan dikembangkan dengan segera.
Notasi-notasi yang digunakan dalam flowchart adalah :
State 1
State 2
KondisiAksi
Aksi
26
Tabel 2.1 Notasi Flowchart
Notasi Keterangan
Start \ End
Action \ Process
Decision
Input \ Output
Flow Line
Subroutine
Loop Limit
2.16 Penelitian Relevan
2.16.1 Penggunaan Kompresi Fractal
Berikut adalah sejumlah penelitian yang telah dilakukan untuk
mengembangkan kemampuan dari kompresi fractal.
1. Michael Barnsley dan Stephen Demko memperkenalkan Iterated
Function Theory dalam "Iterated Function Systems and the Global
Construction of Fractals" pada 1985.
2. Barnsley, M. F., Elton, J. H., and Hardin, D. P. menerbitkan “Recurrent
iterated systems. Constructive approximation” pada 1989.
3. Arnaud Jacquin menerbitkan artikel yang menjelaskan metode pertama dari
penerapan fractal image compression dengan metode PIFS pada 1992
dengan judul “Image Coding Based on a Fractal Theory of Iterated
Contractive Image Transformations”.
27
4. Dr. Yuval Fisher dari Universitas California memperkenalkan metode
QPIFS pada “fractal image compression with quadtrees” dalam bukunya :
“Fractal Compression : Theory And Application To Digital Images” yang
terbit pada tahun 1994.
5. Prof. John C. Hart dari Washington State University membuat desertasi
berjudul “Iterated Function System and Recurrent Iterated Function
System” pada 14 Mei 1996.
2.16.2 Penggunanan Aplikasi Kompresi Gambar
Antara tahun 1924 dan 2002, US Federal Bureau Investigation telah
memiliki sekitar 30 juta set sidik jari. Pada tahun 1993, FBI’s Criminal Justice
Information Service Division mengembangkan suatu standar untuk digitalisasi
dan kompresi sidik jari bekerja sama dengan National Institute of Standards and
Technology, Los Alamos National Laboratory, para vendor, dan komunitas
penegak keadilan.
Kompresi gambar yang dipakai adalah kompresi gambar dengan
penerapan teori Wavelet. Pada saat itu kompresi gambar dibutuhkan dengan
alasan masalah penyimpanan data, khususnya kapasitas penyimpanan yang
terbatas.
Gambar-gambar sidik jari melalui proses digitalisasi dan dihasilkan
kembali dengan resolusi gambar 500 ppi (pixels per inch) dengan 256 tingkat
keabuan informasi per pikselnya. Suatu gambar sidik jari disimpan sekitar
700.000 piksel dan membutuhkan penyimpanan sekitar 0,6 Mbytes (megabytes).
Sedangkan untuk menyimpan seluruh sidik jari, jari-jari pada tangan kanan dan
28
kiri, dibutuhkan penyimpanan sekitar 6 Mbytes. Jadi bila untuk menyimpan
kesepuluh sidik jari, misalkan untuk 30 juta individu, dibutuhkan penyimpanan
data sebesar kurang lebih 200 terabytes. Mengingat akan semakin banyaknya
jumlah sidik jari yang akan disimpan, maka kompresi data, dalam hal ini data
berupa gambar sangatlah dibutuhkan, selain untuk menghemat ruang
penyimpanan, juga untuk menghemat biaya, belum lagi dibutuhkan penyimpanan
data backup.
Kompresi gambar sidik jari dengan wavelet yang diterapkan oleh FBI
dapat mencapai perbandingan 1:26, di mana hasil kompresinya tidak jauh
berbeda dengan gambar sebelumnya. Berikut adalah contoh gambar sidik jari
untuk ibu jari tangan kiri. Gambar di sebelah kiri adalah gambar aslinya, dan
gambar di sebelah kanan adalah gambar hasil kompresinya.
Gambar 2.14 (kiri) Gambar sidik Jari Asli. (kanan) Gambar Sidik Jari Yang Terkompresi