BAB II

2.1 Pengolahan Citra

Bidang pengolahan citra secara

yaitu saat pertama kali sebuah foto berhasil ditransmisikan secara digital melalui

kabel laut dari kota New York ke kota London (Wijaya & Prijono 2007).

banyak dikembangkan berbagai aplikasi pengolahan ci

dikelompokkan dalam dua bagian:

a) Memperbaiki kualitas suatu

mudah diinterpretasikan oleh manusia.

b) Mengolah informasi yang terdapat pada

keperluan pengenalan objek secara otomatis oleh suatu mesin.

2.1.1 Pengertian Citra Digital.

Citra digital merupakan sebuah larik (

maupun komplek yang dapat direpresentasikan dengan deretan bit tertentu. Citra

dapat didefenisikan dengan sebuah fungsi f(x,y) berukuran matrik M kali N,

dimana M adalah baris d

spasial (Putra 2010). Amplitudo f dititik koordinat (x,y) dinamakan intensitas atau

tingkat keabuan citra pada titik tersebut. Apabila nilai x,y dan nilai amplitudo f

secara keseluruhan berhingga (

bahwa citra tersebut adalah citra digital. Titik

posisi koordinat citra digital

BAB II TINJAUAN PUSTAKA

Bidang pengolahan citra secara digital mulai diminati diawal tahun 1921,

kali sebuah foto berhasil ditransmisikan secara digital melalui

kabel laut dari kota New York ke kota London (Wijaya & Prijono 2007).

yak dikembangkan berbagai aplikasi pengolahan citra yang secara umum dapat

dikelompokkan dalam dua bagian:

Memperbaiki kualitas suatu gambar (citra) sehingga dapat lebih

mudah diinterpretasikan oleh manusia.

Mengolah informasi yang terdapat pada gambar (citra) untuk

keperluan pengenalan objek secara otomatis oleh suatu mesin.

Pengertian Citra Digital.

Citra digital merupakan sebuah larik (array) yang berisi nilai

maupun komplek yang dapat direpresentasikan dengan deretan bit tertentu. Citra

dapat didefenisikan dengan sebuah fungsi f(x,y) berukuran matrik M kali N,

dimana M adalah baris dan N adalah kolom serta x dan y merupakan koordinat

spasial (Putra 2010). Amplitudo f dititik koordinat (x,y) dinamakan intensitas atau

pada titik tersebut. Apabila nilai x,y dan nilai amplitudo f

secara keseluruhan berhingga (finite) dan bernilai deskrit maka dapat dikatakan

bahwa citra tersebut adalah citra digital. Titik-titik pada Gambar 2 menunjukkan

posisi koordinat citra digital (Putra 2010).

Gambar 2 Koordinat citra digital

7

digital mulai diminati diawal tahun 1921,

kali sebuah foto berhasil ditransmisikan secara digital melalui

kabel laut dari kota New York ke kota London (Wijaya & Prijono 2007). Saat ini

tra yang secara umum dapat

(citra) sehingga dapat lebih

(citra) untuk

keperluan pengenalan objek secara otomatis oleh suatu mesin.

) yang berisi nilai-nilai riil

maupun komplek yang dapat direpresentasikan dengan deretan bit tertentu. Citra

dapat didefenisikan dengan sebuah fungsi f(x,y) berukuran matrik M kali N,

merupakan koordinat

spasial (Putra 2010). Amplitudo f dititik koordinat (x,y) dinamakan intensitas atau

pada titik tersebut. Apabila nilai x,y dan nilai amplitudo f

) dan bernilai deskrit maka dapat dikatakan

menunjukkan

8

Citra digital dapat ditulis dalam bentuk matrik sebagai berikut :

���, �� =

� ��0,0� ��0,1� … ��0, � − 1�

��1,0� ��1,1� ⋯ ��1, � − 1�⋮ ⋮ ⋮

��� − 1,0� ��� − 1,1� … ��� − 1,1����� . …...........(1)

Matriks (1) menunjukkan nilai pada suatu irisan antara baris dan kolom

(pada posisi x,y) disebut dengan picture elements, image elements, pels, atau

pixels (Putra 2010). Istilah terakhir (pixel) paling sering digunakan pada citra

digital. Pemrosesan citra merupakan ilmu untuk memanipulasi citra. Pemrosesan

citra mencakup teknik-teknik untuk memperbaiki atau mengurangi kualitas citra,

menampilkan bagian tertentu dari citra, membuat sebuah citra yang baru dari

beberapa bagian citra yang sudah ada, dan beberapa teknik manipulasi citra

lainnya.

2.1.2 Jenis Citra.

Nilai suatu pixel memiliki nilai dalam rentang tertentu, dari nilai minimum

sampai nilai maksimum. Jangkauan yang digunakan berbeda-beda tergantung dari

jenis warnanya. Namun secara umum jangkauannya adalah 0 - 255. Citra dengan

penggambaran seperti ini digolongkan kedalam citra integer (Putra 2010). Dalam

ilmu pengolahan citra digital dikenal beberapa jenis citra yaitu : citra biner,

grayscale, citra warna 8 bit, citra warna 16 bit, dan citra warna 24 bit. Pada

penelitian ini jenis citra yang digunakan adalah citra biner dan grayscale.

a) Citra Biner

Citra biner merupakan citra digital yang hanya memiliki dua

kemungkinan nilai pixel yaitu hitam dan putih. Citra biner juga disebut

sebagai citra B&W (black and white) atau citra monokrom (Putra 2010).

Hanya dibutuhkan 1 bit untuk mewakili nilai setiap pixel dari citra biner.

Citra biner seringkali muncul sebagai hasil dari proses pengolahan seperti

segmentasi, pengambangan, morfologi, ataupun dithering.

9

b) Keabu-abuan (Grayscale)

Citra grayscale merupakan citra digital yang hanya memiliki satu

nilai kanal pada setiap pixelnya, dengan kata lain nilai bagian warna

Red(R) = Green(G) = Blue(B) (Putra 2010). Nilai tersebut digunakan

untuk menunjukkan tingkat intensitas. Warna yang dimiliki adalah warna

hitam, keabuan dan putih. Tingkat keabuan disini merupakan warnah abu

dengan berbagai tingkatan dari hitam hingga mendekati putih. Citra

grayscale memiliki kedalaman warna 8 bit (256 kombinasi warna

keabuan).

Format File Citra.

Terdapat beberapa jenis format file citra standar yang digunakan saat ini.

Format-format ini digunakan dalam penyimpanan citra dalam sebuah file. Setiap

format memiliki karakteristik masing-masing (Putra 2010). Berikut adalah

penjelasan beberapa format tersebut.

Bitmap (.bmp)

Format .bmp adalah format penyimpanan standar tanpa kompresi yang

umum dapat digunakan untuk menyimpan citra biner hingga citra warna (Putra

2010). Format ini terdiri dari beberapa jenis yang setiap jenisnya ditentukan

dengan jumlah bit yang digunakan untuk untuk menyimpan sebuah nilai pixel.

Tagged Image Format (.tif, .tiff)

Format .tif merupakan format penyimpanan citra yang dapat digunakan

untuk menyimpan citra bitmap hingga citra dengan warna palet terkompresi (Putra

2010). Format ini dapat digunakan untuk menyimpan citra yang tidak terkompresi

dan juga citra terkompresi.

JPEG (.jpg)

Format .jpg adalah format yang sangat umum digunakan saat ini khususnya

untuk transisi citra. Format ini digunakan untuk menyimpan citra hasil kompresi

dengan metode JPEG.

Portable Network Graphics (.png)

Format .png adalah format penyimpanan citra terkompresi. Format ini dapat

digunakan pada citra grayscale, citra dengan palet warna, dan juga citra fullcolor

10

(Putra 2010). Format .png juga mampu menyimpan informasi hingga kanal alpha

dengan penyimpanan sebesar 1 hingga 16 bit per kanal.

2.2 Jaringan Syaraf Tiruan untuk Pengenalan Pola.

Jaringan Syaraf Tiruan (JST) atau Artificial Neural Network (ANN) adalah

model jaringan syaraf yang meniru prinsip kerja dari neuron otak manusia

(neuron biologis). JST pertama kali muncul setelah model sederhana dari neuron

buatan diperkenalkan oleh McCulloch dan Pitts pada tahun 1940 (Puspitanigrum

2006). Model sederhana tersebut dibuat berdasarkan fungsi neuron biologis yang

merupakan dasar unit pensinyalan dari sistem syaraf.

JST memiliki beberapa kemampuan seperti yang dimiliki oleh manusia, yaitu:

1. Kemampuan untuk belajar dari pengalaman,

2. Kemampuan melakukan perumpamaan (generalization) terhadap input

baru dari pengalaman yang dimiliki,

3. Kemampuan memisahkan (abstraction) karakteristik penting dari input

yang mengandung data yang tidak penting.

2.2.1 Model Neuron Biologis.

Jaringan Syaraf atau Neural Network (NN) terdiri atas banyak elemen

pemroses sederhana yang disebut neuron, sel, unit, atau simpul (Puspitanigrum

2006). Otak manusia diperkirakan memiliki sekitar 100 miliar neuron. Setiap sel

syaraf berhubungan dengan sel syaraf lainnya memakai saluran komunikasi yang

diatur dengan suatu bobot penghubung. Gambar 3. menunjukkan struktur Neuron

pada manusia.

Gambar 3 Struktur neuron (Stufflebeam 2011)

11

Secara umum neuron memiliki 4 daerah utama:

1. Dendrit (Dendrite).

Dendrit adalah perluasan dari soma yang menyerupai rambut dan

bertindak sebagai saluran untuk menerima masukan dari sel syaraf lainnya

melalui sinapsis.

2. Sel Tubuh (Soma)

Sel tubuh atau soma merupakan jantung sel yang memiliki inti

(nucleus). Soma bertugas memproses nilai masukan dari semua dendrit

yang terhubung dengannya menjadi suatu output. Soma memiliki dua

cabang yaitu dendrit dan akson.

3. Akson (Axon)

Pada umumnya Neuron hanya memiliki satu akson yang tumbuh

dari bagian Soma dan disebut dengan akson hillock. Akson menyalurkan

sinyal elektrik yang dihasilkan pada bagian bawah dari akson hillock.

Sinyal elektrik digunakan oleh neuron untuk menyampaikan informasi

(sinyal) ke otak dengan semua sinyal sama. Jadi, otak menentukan jenis

informasi yang diterima berdasarkan jalur yang membawa sinyal. Otak

kemudian menganalisis dan menafsirkan jenis informasi yang diterima.

Mylin, adalah materi lemak yang melindungi syaraf yang berfungsi

sebagai lapisan pelindung. Bagian akson yang tidak terlindung dengan

Mylin disebut dengan nodus ranvier. Pada nodus ini sinyal yang mengalir

dan mengalami penurunan diperkuat lagi untuk memastikan bahwa

perjalanan sinyal pada akson mengalir cepat dan tetap konstan.

4. Sinapsis (Synapse)

Sinapsis merupakan bagian kontak (tempat) terjadinya pertukaran

sinyal antara dua neuron. Neuron sebenarnya secara fisik tidak terhubung.

Mereka dipisahkan oleh synaptic cleft. Neuron yang mengirim sinyal

disebut dengan sel presynaptic dan neuron yang menerima sinyal disebut

dengan sel postsynaptic.

2.2.2 Model JST

Prinsip kerja JST didasari pada mekanisme kerja penyaluran informasi

sistem jaringan syaraf. Namum demikian karena keterbatasan yang dimiliki oleh

12

struktur JST maka hanya sebagian kecil saja dari kemampuan sistem syaraf

manusia yang dapat ditiru (Puspitanigrum 2006). Ilustrasi model JST seperti yang

ditunjukkan pada Gambar 4.

Gambar 4 Ilustrasi model JST (Puspitanigrum 2006).

Berikut penjelasan Gambar 4:

• Pr menyatakan sinyal input dari node input ke i = 1,2,...,r, dengan r

menyatakan jumlah input.

• Ws,r menyatakan bobot (weight) hubungan dari node (neuron) input r ke

node (neuron) yang di tuju j, j = 1,2,...,S, dengan S menyatakan jumlah

neuron.

• n menyatakan total (jumlah) sinyal terbobot yang masuk ke node s atau

juga sering disebut sebagai tingkat pengaktifan (activation level) di node s.

• f menyatakan fungsi transfer (transfer function) yang menentukan

keluaran dari node s dan tergantung dari nilai n.

• as menyatakan sinyal yang keluar (outgoing signal) atau output dari node

s.

Nilai n dari model diatas dihitung dengan rumus :

n = Ws,r .pr ...........................................................................................(4)

sedangkan keluaran node yang dinyatakan dengan a dapat ditentukan sebagai

berikut .

a = f(n) ...........................................................................................(5)

seringkali kedua formula diatas digabung menjadi satu seperti berikut :

a = f(Ws,r pr ) ...........................................................................................(6)

13

2.2.3 Pembelajaran pada JST

Proses pembelajaran(learning) atau pelatihan (training) pada JST

merupakan proses perubahan atau penyesuaian tingkat kekuatan hubungan antar

node-node yang saling terhubung (Puspitanigrum 2006). Tingkat kekuatan

hubungan antar node dinyatakan dengan nilai bobot. Ini berarti proses

pembelajaran pada JST tidak lain merupakan proses penyesuaian nilai-nilai bobot

tersebut.

Proses pembelajaran merupakan suatu proses iterasi pada sistem JST yang

cukup kompleks dan proses belajar membutuhkan waktu yang cukup panjang.

Selama proses belajar faktor bobot mengalami perubahan dan bila tahapan belajar

sudah selesai maka nilai-nilai faktor bobot yang dihasilkan disimpan dan

digunakan sebagai faktor bobot terpakai. Keandalan suatu JST tergantung pada

keberhasilan dalam menemukan faktor bobot terpakai tersebut.

2.2.4 Algoritma JST Propagasi Balik.

Propagasi balik (backpropagation) adalah salah satu pengembangan dari

arsitektur Single Layer Neural Network. Arsitektur ini terdiri dari input layer,

hidden layer dan output layer (Puspitanigrum 2006). Setiap layer terdiri dari satu

atau lebih artificial neuron.

Algoritma propagasi balik merupakan salah satu teknik pembelajaran

terawasi (supervised learning) dan digunakan dalam eksperimen/penelitian ini,

oleh karena itu diperlukan pemahaman beberapa unsur penting dalam metode

propagasi balik. Di dalam jaringan propagasi balik, setiap unit yang berada di

lapisan input terhubung dengan setiap unit yang ada di lapisan tersembunyi.

Setiap unit yang ada di lapisan tersembunyi terhubung dengan setiap unit yang

ada di lapisan output.

Jaringan ini terdiri dari banyak lapisan (multilayer network). Ketika jaringan

diberikan pola masukan sebagai pola pelatihan, maka pola tersebut menuju unit-

unit lapisan tersembunyi untuk selanjutnya diteruskan pada unit-unit lapisan

keluaran. Kemudian unit-unit lapisan keluaran memberikan respon sebagai

keluaran JST. Saat hasil keluaran tidak sesuai dengan yang diharapkan, maka

keluaran disebarkan mundur (backward) pada lapisan tersembunyi kemudian dari

lapisan tersembunyi menuju lapisan masukan.

14

Arsitektur jaringan propagasi balik seperti terlihat pada Gambar 5, x1

sampai dengan xn adalah input layer, z1 sampai dengan zp adalah hidden layer ,

dan y1 sampai dengan ym adalah output layer.

Gambar 5 Arsitektur jaringan propagasi balik (Kusumadewi 2004).

Tahap pelatihan ini merupakan langkah untuk melatih suatu JST, yaitu

dengan cara melakukan perubahan bobot. Sedangkan penyelesaian masalah

dilakukan jika proses pelatihan tersebut telah selesai, fase ini disebut fase testing.

Pada proses pelatihan algoritma propagasi balik menggunakan error output untuk

mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk

mendapatkan error ini, tahap perambatan maju (forward propagation) harus

dikerjakan terlebih dahulu.

Pelatihan propagasi umpan balik berbasis jaringan syaraf tiruan meliputi 3

fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari

lapisan masukan hingga lapisan keluaran menggunakan fungsi aktivasi yang

ditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan

dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan

tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung

dengan unit-unit di lapisan keluaran. Fase ketiga adalah modifikasi bobot untuk

menurunkan kesalahan yang terjadi. Berikut penjelasan umum setiap fase (Siang

2009) .

X1

Z1

Y

X1

X1

Z1

1 1

15

Fase I: Propagasi Maju.

Selama propagasi maju, sinyal masukan (xi) dipropagasikan ke lapisan

tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap

unit lapisan tersembunyi (zj) tersebut selanjutnya dipropagasikan maju lagi ke

layer tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan.

Demikian seterusnya hingga menghasilkan keluaran jaringan (yk).

Berikutnya, keluaran jaringan (yk) dibandingkan dengan target yang harus

dicapai (tk). Selisih dari tk terhadap yk yaitu tk-yk adalah kesalahan yang terjadi.

Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi

dihentikan. tetapi apabila kesalahan masih lebih besar dari batas toleransinya,

maka bobot setiap garis dalam jaringan dimodifikasi untuk mengurangi kesalahan

yang terjadi.

Fase II: Propagasi Mundur

Berdasarkan kesalahan tk-yk, dihitung faktor δk ( k = 1,2,..., m ) yang dipakai

untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang

terhubung langsung dengan yk. Faktor δk juga dipakai untuk mengubah bobot

garis yang berhubungan langsung dengan unit keluaran.

Dengan cara yang sama, dihitung faktor δj ( j = 1,2,..., m ) di setiap unit di

lapisan tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari

unit tersembunyi di lapisan di bawahnya. Demikian seterusnya hingga semua

faktor di unit tersembunyi yang berhubungan langsung dengan unit masukan

dihitung.

Fase III: Perubahan Bobot

Setelah semua faktor dihitung, bobot semua garis dimodifikasi bersamaan.

Perubahan bobot suatu garis didasarkan atas faktor neuron di lapisan atasnya.

Sebagai contoh, perubahan bobot garis yang menuju ke lapisan keluaran

didasarkan atas k yang ada di unit keluaran.

Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian

dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah

iterasi atau kesalahan. Iterasi dihentikan jika jumlah iterasi yang dilakukan sudah

melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang

terjadi sudah lebih kecil dari batas toleransi yang diijinkan. Selama proses

16

pelatihan bobot-bobot diatur secara iteratif untuk meminimumkan fungsi kinerja

jaringan. Pada penelitian ini fungsi kinerja yang digunakan untuk propagasi balik

adalah Mean Square Error (MSE). Adapun rumus dari fungsi kinerja MSE

adalah:

∑=

−=m

k

kk ytm

MSE1

2)(1

......................................(7)

Fungsi ini mengambil rata-rata kuadrat error yang terjadi antara output jaringan

(yk) dan target (tk). Algoritma selengkapnya tentang JST Propagasi balik (Siang

2009) dapat dilihat pada Lampiran 1.

2.3 Database Relasional

Database relasional adalah jenis database yang menggunakan model

relasional (Kadir 2008). Pada model relasional data dibentuk dalam sejumlah

relasi atau tabel. Untuk menangani database dibutuhkan sebuah atau sejumlah

DBMS (Database Management System). DBMS adalah suatu perangkat lunak

yang ditunjukkan untuk menangani penciptaan, pemeliharaan, dan pengendalian

akses data. Dengan menggunakan perangkat lunak ini pengelolaan data menjadi

mudah dilakukan. Selain itu perangkat lunak ini juga menyediakan berbagai

piranti berguna seperti pembuatan laporan. DBMS yang akan digunakan pada

penelitian ini adalah Microsoft Access 2007. Dalam perancangan database ada

beberapa tahapan yang harus dilakukan. Tahapan-tahapan dalam proses

perancangan database seperti dutunjukkan pada Gambar 6.

Gambar 6 Diagram perancangan database (Kadir 2008).

Tahap awal yang dilakukan dalam perancangan database adalah melakukan

pengumpulan kebutuhan akan informasi yang dibutuhkan oleh suatu organisasi dan

17

kemudian menganalisisnya. Penggalian kebutuhan informasi ini dilakukan dengan

cara antara lain melakukan wawancara, mengamati sistem yang sedang berjalan dan

mempelajari dokumen-dokumen yang tersedia, sehingga data yang digunakan

untuk menyusun informasi bisa teridentifikasi. Untuk menggambarkan proses-

proses bisnis dalam organisasi dan sekaligus menerangkan kaitan antara proses dan

data maka diperlukan diagram alir yang disebut dengan DFD (Data Flow

Diagram). DFD ini sekaligus dapat digunakan sebagai bahan untuk berkomunikasi

antar pengembang sistem dan calon pemakai sistem.

Pada langkah perancangan konseptual data yang dibutuhkan oleh organisasi

dikelompokkan menurut kriteria tertentu kemudian antara satu grup data dengan

grup data yang lain dilengkapi dengan hubungan. Dalam terminologi database

grup data tersebut dinamakan entitas (Kadir 2008). Model E-R adalah suatu

model yang digunakan untuk menggambarkan data dalam bentuk entitas, atribut

dan hubungan atar entitas. Huruf E sendiri menyatakan entitas dan R menyatakan

hubungan (dari kata relationship).

Perancangan logis merupakan suatu tahapan yang digunakan untuk

menentukan hasil perancangan konseptual kedalam bentuk yang nantinya akan

diimplementasikan. Pada umumnya tahapan ini sudah memikirkan jenis basis

data (DBMS) yang akan digunakan. Sebagai contoh bahwa jika DBMS yang

digunakan adalah jenis relasional, maka skema konseptual yang digunakan adalah

model E-R yang dipetakan atau ditrasformasikan kedalam bentuk relasi/tabel.

Langkah terakhir dalam perancangan basis data berupa tahapan yang dinamakan

perancangan fisik. Perancangan ini sangat spesifik terhadap DBMS yang

digunakan. Tipe data atau domain untuk masing-masing kolom dalam setiap tabel

harus disesuaikan dengan DBMS yang digunakan.

2.1 Pengolahan Citra Digital Menggunakan Visual Basic

Visual Basic (atau sering disingkat VB) adalah perangkat lunak untuk

menyusun program aplikasi yang bekerja dalam lingkup sistem operasi Windows.

Dalam Visual Basic terdapat sebuah toolbox yang dapat digunakan untuk

membuat objek sesuai kebutuhan.

18

Proses awal yang banyak digunakan dalam pengolahan citra adalah

mengubah citra berwarna menjadi citra grayscale, hal ini diperlukan untuk

menyederhanakan model citra. Untuk mengubah citra berwarna menjadi citra

grayscale dapat dilakukan dengan mengambil rata-rata nilai R, G, dan B (Basuki

et al. 2005). Gambar dan penulisan code dalam Visual Basic untuk mengubah

citra berwarna menjadi citra grayscale seperti ditunjukkan pada Gambar 7.

Gambar 7 Konversi citra warna ke citra grayscale dalam Visual Basic

2.1.1 Konversi Citra Grayscale ke Citra Biner

Citra biner (hitam-putih) merupakan citra yang banyak dimanfaatkan

untuk keperluan pengenalan pola yang sederhana seperti pengenalan angka atau

pengenalan huruf. Untuk mengubah suatu citra grayscale menjadi citra biner

dilakukan dengan mengubah kuantisasi citra atau proses Thresholding. Gambar

dan penulisan code dalam Visual Basic untuk mengubah citra grayscale menjadi

citra biner seperti ditunjukkan pada Gambar 8.

Gambar 8 Konversi citra grayscale ke citra biner dalam Visual Basic

For I = 0 To Picture1.ScaleWidth Step 15

For j = 0 To Picture1.ScaleHeight Step 15

warna = Picture1.Point(I, j)

r = warna And RGB(255, 0, 0)

g = Int(warna And RGB(0, 255, 0)) / 256

b = Int((Int(warna And RGB(0, 0, 255)) / 256) / 256)

x = (r + g + b) / 3

Picture2.PSet (I, j), RGB(x, x, x)

Next j

Next I

For I = 0 To Picture1.ScaleWidth Step 15

For j = 0 To Picture1.ScaleHeight Step 15

warna = Picture1.Point(I, j)

r = warna And RGB(255, 0, 0)

g = Int(warna And RGB(0, 255, 0)) / 256

b = Int((Int(warna And RGB(0, 0, 255)) / 256) / 256)

x = (r + g + b) / 3

If x < 128 Then x = 0 Else x = 255

Picture2.PSet (I, j), RGB(x, x, x)

Next j