BAB II

LANDASAN TEORI

2.1. Teori Dasar Citra

2.1.1. Citra

Citra adalah suatu representasi, kemiripan atau imitasi dari suatu objek.

Citra 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 pada suatu media

penyimpanan. Citra dapat dikelompokkan menjadi dua bagian yaitu citra diam

dimana citra tunggal yang tidak bergerak dan citra bergerak yaitu rangkaian citra

dim yang ditampilkan secara beruntun, sehingga memberi kesan pada mata

sebagai gambar yang bergerak. Setiap citra didalam rangkaian itudisebut frame.

Gambar-gambar yang tampak pada film layar lebar atau televisi yaitu terdiri dari

ribuan sampai ratusan-ribu frame. [2]

2.1.2. Citra Digital

Citra digital dapat dinyatakan sebagai suatu fungsi dua dimensi f(x,y),

dengan x maupun y adalah posisi koordinat sedangkan f merupakan amplitudo

pada posisi (x,y) yang dsering dikenal sebagai intensitas atau gray scale. [10]

Nilai dari intensitas bentuknya adalah diskrit mulai dari 0 sampai 255. Citra yang

ditangkap oleh kamera dan telah dikuantisasi dalam bentuk nilai diskrtit disebut

sebagai citra digital (didgital image). Sedangkan foto hasil cetak dari printer tidak

dapat disebut sebagai citra digital, namun foto yang tersimpan pada file gambar

8
 9

(bmp, jpg, png atau format lainnya) pada komputer dapat disebut sebagai citra

digital. Jadi citra digital tersusun dari sejumlah nilai tingkat keabuan yang dikenal

sebagai piksel (pixel) pada posisi tertentu. Untuk melakukan pemrosesan citra

digital, maka citra analog harus dikonversi terlebih dahulu dalam bentuk citra

digital. Proses scanning menggunakan scanner merupakan salah satu proses

konversi dari suatu citra analog menjadi citra digital. Proses pengambilan atau

penangkapan suatu obyek menggunakan kamera digital akan lengsung

menghasilkan citra digital. Ada dua jenis citra digital, citra diam (still image) dan

citra bergerak (moving image). Pada prinsipnya citra bergerak adalah sekumpulan

citra diam dalam bentuk frame-frame. Suatu citra digital dapat dinyatakan dengan

persamaan:

f(1,1) f(1,2) f(1,3) . . . . . . f(1,n)

f(2,1) f(2,2) f(2,3) . . . . . . f(2,n)
f(3,1) f(3,2) f(3,3) . . . . . . f(3,n)
f(4,1) f(4,2) f(4,3) . . . . . . f(4,n)
f(x,y)= f(5,1) f(5,2) f(5,3) . . . . . . f(5,n)

....

f(m-1,1) f(m-1,2) f(m-1,3) . . . . f(m-1,n)

f(m,1) f(m,2) f(m,3) . . . . . f(m,n)

Persamaan 2.1 Citra Digital

Dari persamaan diatas, citra digital dapat dinyatakan sebagai matrik

dengan tinggi citra = m dan lebar citra = n. Citra digital yang telah disimpan

mempunyai header.

Citra digital dapat didefinisikan sebagai fungsi dua variabel, f(x,y) dimana

x dan y adalah koordinat spasial dan nilai f(x,y) adalah intensitas citra pada
 10

koordinat tersebut merupakan teknologi dasar untuk menciptakan dan

menampilkan warna pada citra digital berdasarkan pada penelitian bahwa sebuah

warna merupakan kombinasi dari tiga warna dasar yaitu merah, hijau dan biru

(Red, Green, Blue – RGB). Sensor optik yang terdapat didalam sistem pencitraan

disusun sedemikian rupa sehingga sehingga membentuk bidang dua dimensi (x,y)

besar intensitas yang diterima sensor setiap titik ( x, y) disimbolkan oleh f(x,y) dan

besarnya tergantung pada intensitas yang dipantulkan oleh objek. Ini berarti f(x,y)

sebanding dengan energi yang dipancarkan oleh sumber cahaya. Konsekuensinya,

besar intensitas f(x,y) tidak boleh nol dan harus berhingga, yaitu:

0< f(x,y)< ∞

Fungsi f(x,y) dapat dipisahkan menjadi dua komponen yaitu:

1. Jumlah cahaya yang berasal dari sumbernya disimbolkan oleh i (x, y)

(illumination), nilainya antara 0 dan ∞

2. Derajat kemampuan objek memantulkan cahaya r (x,y) (reflection), nilainya

antara 0 dan 1,

Besarnya f(x,y) merupakan kombinasi perkalian dari keduanya,

f(x,y) = i(x,y).r(x,y) dimana

0< f(x,y)< ∞ dan

0< r(x,y)< 1

Nilai i(x,y) ditentukan oleh sumber cahaya, sedangkan r(x,y) ditentukan

oleh karakteristik objek didalam gambar. Nilai r(x,y) = 0 mengindikasikan

penyerapan local, sedangkan r(x,y)= 1 menyatakan pemantauan total. Jika

permukaan mempunyai derajat pemantulan nol maka fungsi intensitas cahaya

f(x,y) juga nol. Sebaliknya, jika permukaan mempunyai derajat pemantulan 1

 11

maka fungsi intensitas cahaya sama dengan iluminasi yang diterima oleh

permukaan tersebut. Intensitas f(x,y) di titik (x,y) disebut derajat keabuan (gray

level), yang dalam hal ini derajat keabuan bergerak dari hitam ke putih, sedangkan

citranya disebut citra skala keabuan (grayscale image). Derajat keabuan memiliki

rentang nilai dari Imin< f(x,y) <Imax atau bisa ditulis dalam bentuk (Imin, Imax).

Rentang nilai ini sering digeser untuk alasan-alasan praktis menjadi selang [0, L]

yang dalam hal ini intensitas 0 menyatakan hitam, nilai intensitas L menyatakan

putih.

2.2. Ektraksi Fitur

Ekstraksi fitur (feature extraction) merupakan bagian fundamental dari

analisis citra. Fitur adalah karakteristik unik dari suatu objek, karakteristik yang

baik. Sebaik mungkin memenuhi persyaratan berikut:

1. Dapat membedakan suatu objek dengan yang yang lainnya

2. Memperhatikan kompleksitas komputasi dalam memperoleh fitur,

kompleksitas yang tinggi tentu akan menjadi bahan tersendiri dalam

menemukan suatu fitur.

3. Tidak terikat dalam arti bersifat invariant terhadap berbagai transformasi.

4. Jumlah sedikit, karena fitur jumlahnya sedikit akan dapat menghemat waktu

komputasi dan ruang penyimpanan untuk proses selanjutnya.

 12

2.2.1. Algoritma Ektraksi Fitur dengan Metode Principal Component

Analysis

PCA atau Principal Component Analysis satu bentuk analisis multivariate

dalam statistika. Jika penelitian anda menggukur banyak variabel dan anda ingin

mengelompokkan variabel-variabel tersebut, maka PCA dapat menjadi salah satu

alat bantu dalam wildlife ecology PCA banyak digunakan untuk analisis vegetasi.

Biasanya untuk mencari karakter tipe vegetasi yang ada. Analisi vegetasi sering

menjadi data penunjang bagi penelitian satwa liar yang terkait vegetasi (burung,

kelalawar atau primata yang perlu pohon untuk bernaung, bersarang atau mencari

makan). Jadi mungkin saja mengukur hal-hal yang terkait dengan vegetasi seperti

jumlah pohon besar, diameter pohon tersebut, kerapatan tumbuhan bawah,

termasuk tingkat gangguan seperti tumbuhan rotan, jumlah tebangan. Nah, jika

ingin tahu vegetasi di daerah anda ditentukan oleh variabel yang mana, disitulah

fungsi PCA dapat digunakan.

Langkah-langkah PCA pada pengetahuan citra digital adalah sebagai berikut:

1. Menyiapkan data mentah yaitu data yang digunakan sebagai pengujian dan

pengetesan. Data ini masih mentah yang diambil melalui kamera yang masih

manual.

2. Melakukan preprocessing pada data mentah. Pada tahap ini ada beberapa hal

yang dilakukan yaitu: cropping, resizing, dan merubah format warna gambar

menjadi greyscale. Tujuan dari preprocessing ini adalah untuk meminimalisasi

data yang akan diproses berikutnya.

Metode PCA merepresentasikan citra dalam satu vektor ciri, misalkan I

adalah matrix representasi dari citra pohon mahoni yang berukuran N1xN2 vektor
 13

ciri dari citra I diperoleh dengan cara merangkai baris-baris menjadi satu vektor

baris. Baris kedua dirangkai setelah baris pertama, dilanjut baris ketiga dan

seterusnya sampai hanya terdapat satu baris. Jadi dimensi dari vektor ciri tersebut

adalah banyaknya pixel pada citra yaitu N1 dan N2. Tujuannya mereduksi dimensi

dari vektor ciri tersebut.

Misalnya {x1,x2,.....,xM} adalah himpunan vektor ciri berdimensi n dari M citra,

dimana setiap citra termasuk dalam salah satu ciri kelas {x1,x2,...., xc}. Untuk

mengetahui keragaman dari data berupa vektor-vektor ciri tersebut, digunakan

definisi dari matrik sebaran total ST sebagai berikut[6]:

M
ST =∑ (X k − X )¿ ¿
i=1

Dimana X adalah rata-rata dari semua vektor ciri yang ada.

Misalkan terdapat satu transformasi linier yang memetakan ruang vektor ciri citra

asli berdimensi n k ruang vektor ciri berdimensi m dimana m<n. Vektor ciri baru

yk berdimensi m didefinisikan oleh tranformasi linier sebagai berikut:

y k =U t X k

Dimana U € Rnxm adalah matrix dengan kolom-kolom yang ortonormal. Dengan

menerapkan transformasi linier tersebut, matriks sebaran total dari vektor Yk

adalah U T ST U. Dengan memaksimumkan determinan dari matriks sebaran total

tersebut, diperoleh matriks U=[u1,u2,....um], dimana ui adalah vektor eigen

berdimensi n dari ST yang bersesuaian dengan m buah nilai eigen terbesar.

 14

Banyaknya eigen terbesar yang digunakan yaitu m, diperoleh dengan diperoleh

dengan mengatur nilai treshold pada pertidaksamaan berikut:

m

∑ γi
i=1
n = ≥∅
∑ γi
i=1

Dimana γ 1, γ 2,..... γ n adalah n nilai eigen terbesar dan adalah treshold yang dapat

diatur besar nilainya. Besar ∅ treshold ini menunjukan presentasi komponen

utama data yang digunakan sehingga akan terdapat pereduksian dimensi dari data

tersebut.

Principal Component Analysis (PCA) digunakan untuk mereduksi dimensi

dari sekumpulan atau ruang citra sehingga basis atau sistem koordinat yang baru

dapat menggambarkan model yang khas dari kumpulan tersebut. Dalam hal ini

model citra yang digunakan merupakan sekumpulan lingkaran pohon yang dilatih.

Basis yang baru tersebut akan dibentuk melalui kombinasi linear. Komponen dari

basis ruang lingkar pohon ini tidak akan saling berkorelasi dan akan

memaksimalkan perbedaan yang ada didalam variabel aslinya.

Algoritma PCA adalah sebagai berikut:

1. Normalisasikan, X matriks X. k=Xk/length(Xk), dimana Xk adalah vektor

kolom ke-k dari X

2. Bangun matriks kovarian. W=XT*X

3. Hitung nilai eigen (E) dan vektor Eigen (Q) dari matriks kovarian W

4. Urutkan nilai eigen (E) dan vektor Eigen (Q) dari besar kecil berdasarkan

urutan nilai eigen.

5. Hitung principal component. P=X*Q*E

 15

2.3. k-Nearest Neighbor (kNN)

k-Nearest Neighbor (kNN) merupakan sebuah metode klasifikasi dimana

data baru yang belum diketahui kelasnya dengan memilih data sejumlah k yang

letaknya terdekat dari data baru tersebut [7]. Kelas terbanyak dari data terdekat

sejumlah k tersebut dipilih sebagai kelas yang diprediksikan untuk data yang baru.

Metode kNN biasa digunakan oleh para peneliti sebagai pembanding dari metode

yang dikembangkan [8]. k biasanya ditentukan dalam jumlah ganjil untuk

menghindari munculnya jarak yang sama dalam proses pengklasifikasian.

kNN merupakan algoritma terbimbing (supervised) karena menggunakan

label atau target dalam proses klasifikasi. kNN akan memilih data training sebagai

acuan dalam proses pencarian jarak antar data.

2.3.1 Algoritma k-Nearest Neighbor (kNN)

Algoritma kNN merupakan algoritma untuk klasifikasi. Berikut beberapa langkah

algoritma kNN:

1. Tentukan k, siapkan data training dan labelnya (target).

2. Cari jarak antara data baru dengan data training menggunakan Euclidean

Distance [9].

D ( a , b )= √ ∑ ¿ ¿ ¿

3. Urutkan jarak data secara menaik (ascending) dan pilih data sejumlah k dengan

jarak terdekat.

4. Data baru diklasifikasikan ke kelas terbanyak data sejumlah k.

 16

2.4. State Of The Art

Berikut ini adalah penelitian yang telah dilakukan dan memiliki korelasi

yang searah dengan penelitian yang dibahas, antara lain:

Fakhrina, dkk (2013), menjelaskan bahwa permasalahannya bagaimana

petani mengenali serta mendiagnosa hama jagung dengan menggunakan citra, dan

mengganti sistem yang manual yang ada dilingkup ahli pertanian. Dalam

penelitian ini solusi (metode dan algoritma) menggunakan foto hama dan

penyakit tanaman jagung, beberapa jumlah data citra hama dan penyakit hama

jagung yang bisa diprediksi didasarkan pada hama yang dapat dikenali bentuk dari

hama tersebut. Seorang administrator meng-update database data citra dengan

meng-input data citra hama dan penyakit tanaman jagung, kemudian petani

memasukan data tes dan menekan tombol recognition yang nantinya akan diolah

menggunakan metode PCA yang kemudian hasilnya akan dikeluarkan berupa

gambar/citra yang sesuai citra training. Pembuatan aplikasinya yang berbasis

desktop dengan teknologi Microsoft Visual Basic versi 6. Untuk sistem yang

sudah dilakukan oleh peneliti diatas masih memiliki kelemahan misalnya aplikasi

masih belum bisa membedakan jenis hama dan penyakit seperti belalang, ulat

grayak, ulat jengkal jagung, penggerak batang jagung sehingga tidak bisa

memprediksi sesuai data training karena ada bagian tubuh hama atau pose foto

yang hampir sama. Sementara kelebihan sistem tersebut mampu mendeteksi hama

dan penyakit jagung walaupun gambar yang diambil dengan kamera tersebut
 17

terdapat gambar selain hama dan penyakit yang ada di gambar tersebut. Kritikan

ataupun saran sistem tersebut lebih banyak lagi dalam pendeteksian hama dan

penyakit serta lebih baik lagi dalam pendeteksiannya agar ada hama dan penyakit

yag dapat terdekdi walaupun gambar hama dan penyakit itu memiliki bentuk yang

menyerupai dengan bentuk hama dan penyakit tanaman jagung yang lain.

Setiawan, Andy dkk (2015), menjelaskan permasalahannya bagaimana

pengenalan plat nomor mobil lebih efisien yang berbasis desktop menggunakan

teknologi Microsoft Visual C++. Sebagai Solusi (metode dan Algoritma) Aplikasi

ini menggunakan metode PCA sehingga komputasi yang dilakukan akan menjadi

lebih sedikit. Dan akan berhubungan dengan waktu yang dilakukan saat

pengenalan semakin cepat. Yang kemudian dilakukan ekstraksi ciri pada plat

nomor mobil dengan menggunakan metode Euclidean Distance sebagai

pencocokan agar lebih akurat dari penelitian yang sudah ada sebelumnya. Dalam

penelitian diatas sistem yang dibuat masih terdapat kekurangannya diantaranya

gambar plat nomor hanya diambil dengan jarak 40cm, kelebihan dari penelitian

diatas sistem sudah bisa mendeteksi hampir 100% keakuratannya. Sebagai

masukan kritik dalam pengambilan gambar lebih baik jika diambil juga dari jarak

yang lebih jauh karena tidak semua kendaran tepat berada pada jarak 40cm.

Purba, Ramen Antonov (2013), menjelaskan bahwa bagaimana penerapan

metode principal component analysis dalam pendeteksian wajah manusia berbasis

desktop menggunakan teknologi Matlab. Solusi (metode dan algoritma) dalam

sistem pendeteksi wajah manusia penelitian menggunakan metode PCA (pricipal

component analysis) yang hasilnya yaitu membandingkan satu masukan citra

wajah dengan membandingkan koleksi citra wajah untuk menghasilkan informasi

 18

kecocokan. Dalam penelitian ini pun peneliti menggunakan algoritma

Backpropagation yang kegunaannya yaitu untuk memecahkan masalah

pengenalan dengan jaringan syaraf tiruan. Sebagai evaluasi sistem diatas memiliki

kekurangan yaitu hanya bisa mendeteksi gamabr wajah dengan background yang

sama sedangkan tidak semua orang didalam video tersebut dalam keadaan dengan

background yang sama. Sedangkan kelebihan dari sistem diatas yaitu mampu

menggunakan beberapa metode dalam satu aplikasi yang menghitung

pendeteksian citra wajah. Dan sebagai kritik sebaiknya aplikasi mampu

mendeteksi wajah dengan jarak jauh dan background yang berbeda karena

menggunakan video real-time.

19