2.5. Pra-pemrosesan Pre-processing
Teknik pra-pemrosesan digunakan untuk mempersiapkan citra agar dapat menghasilkan ciri yang lebih baik pada tahap pemisahan ciri terhadap proses
pengenalan pola. Teknik pra-pemrosesan sangat berkaitan dengan pengenalan pola. Pengenalan pola secara umum merupakan suatu ilmu yang mengklasifikasikan atau
menggambarkan sesuatu berdasarkan pengukuran kuantitatif ciri atau sifat dari objek. Pola sendiri merupakan suatu entitas yang terdefinisi dan dapat diidentifikasi dan
diberi nama. Salah satu contoh dari pola yaitu sidik jari. Pola dapat merupakan kumpulan dari hasil pengukuran atau pemantauan dan dapat dinyatakan dalam notasi
vektor atau matriks. Putra, 2010. Pra-pemrosesan adalah transformasi input data mentah untuk membantu
kemampuan komputasional dan pencari ciri serta untuk mengurangi kesalahan. Pada pra-pemrosesan, citra yang ditangkap oleh sensor akan dinormalisasi agar citra
menjadi lebih siap untuk diolah pada tahap pemisahan ciri. Kualitas ciri yang dihasilkan pada proses pemisahan ciri sangat tergantung pada hasil pra-pemrosesan.
Berikut ini merupakan tahap-tahap pra-pemrosesan antara lain : 1.
Mengubah citra RGB Red Green Blue menjadi beraras keabuan Grayscale. 2.
Segmentasi yaitu proses memisahkan antara wilayah latar belakang dengan wilayah latar depan.
3. Normalisasi yaitu mengurangi dampak dari derau noise pada sensor, yang
digunakan untuk menstandarisasi nilai intensitas citra.
2.5.1. Konversi Citra RGB Menjadi Citra Grayscale
Citra RGB Red Green Blue warna dapat diubah menjadi citra grayscale dengan menghitung rata-rata elemen warna Red Merah, Green Hijau dan Blue Biru
Santi, 2011. Secara matematis perhitungan sebagai berikut: F
o
x, y =
�
, +
�
, +
�
,
2.11
Universitas Sumatera Utara
Berikut gambar contoh proses perhitungan konversi citra RGB menjadi grayscale.
R=50 G=65
B=50 R=40
G=40 B=55
R=90 G=90
B=90 R=80
G=50 B=50
R=50 G=30
B=40 55
45 90
60 40
R=40 G=80
B=30 R=50
G=80 B=50
R=40 G=90
B=80 R=20
G=20 B=50
R=50 G=60
B=70 50
60 70
30 60
R=80 G=60
B=40 R=70
G=70 B=70
R=80 G=90
B=70 R=10
G=70 B=10
R=80 G=50
B=80 60
70 80
30 70
R=50 G=90
B=70 R=40
G=60 B=50
R=70 G=70
B=70 R=60
G=20 B=40
R=50 G=80
B=50 70
50 70
40 60
R=50 G=65
B=50 R=40
G=60 B=80
R=80 G=80
B=80 R=70
G=60 B=50
R=90 G=85
B=70 60
60 80
60 80
Gambar 2.13. Proses Konversi Citra RGB Menjadi Grayscale Santi, 2011
2.5.2. Segmentasi
Segmentasi citra bertujuan untuk membagi wilayah-wilayah yang homogen. Segmentasi merupakan suatu metode yang digunakan untuk mengubah citra input ke
dalam citra output berdasarkan atribut yang diambil dari citra tersebut. Segmentasi membagi citra kedalam daerah intensitasnya masing-masing sehingga dapat
membedakan antara objek dengan background-nya. Pembagian ini tergantung terhadap masalah yang akan diselesaikan. Segmentasi harus dihentikan apabila
masing-masing objek telah terisolasi atau terlihat dengan jelas. Tingkat keakurasian segmentasi tergantung pada tingkat keberhasilan prosedur analisis yang dilakukan.
Algoritma pada segmentasi citra terbagi atas dua macam Rachmad, 2008, yaitu: 1.
Diskontinuitas Diskontinuitas merupakan pembagian citra berdasarkan perbedaan dalam
intensitasnya, contohnya titik, garis, dan edge tepi. F
= 50+65+503
Universitas Sumatera Utara
2. Similaritas
Similaritas merupakan pembagian citra berdasarkan kesamaan-kesamaan kriteria yang dimilikinya, contohnya thresholding, region growing, region
splitting, dan region merging.
a b
Gambar 2.14. Proses Pemisahan, a Gambar Asli, b Hasil Segmentasi Rachmad, 2008
Pada Gambar 2.14 merupakan tahap segmentasi, dimana dalam proses ini adalah proses pemisahan antara objek citra sidik jari dengan backgorund-nya.
2.5.2.1.Thresholding Pengambangan Proses pengambangan akan menghasilkan citra biner yaitu citra yang memiliki dua
nilai tingkat keabuan yaitu hitam dan putih Kumaseh, 2011. Secara umum proses pengambangan citra grayscale untuk menghasilkan citra biner adalah sebagai berikut:
gx,y = { � � � ,
≥ � � � � ,
�} 2.12
Dengan g x,y adalah citra biner dari citra grayscale f x,y, dan T menyatakan nilai ambang. Nilai T memegang peranan yang sangat penting dalam proses
pengambangan. Kualitas citra biner sangat tergantung terhadap nilai T yang digunakan.
Terdapat dua jenis pengambangan antara lain pengambangan global global thresholding dan pengambangan secara lokal adaptif locally adaptive thresholding.
Pada pengambangan global, seluruh piksel pada citra dikonversikan menjadi hitam atau putih dengan suatu nilai ambang T. Kemungkinan besar pada pengambangan
Universitas Sumatera Utara
global akan banyak informasi yang hilang karena hanya menggunakan satu nilai T untuk keseluruhan piksel. Untuk mengatasi masalah ini, dapat digunakan
pengambangan secara lokal adaptif. Pada pengambangan lokal adaptif, suatu citra dibagi menjadi blok-blok kecil dan kemudian dilakukan pengambangan lokal pada
setiap blok dengan nilai T yang berbeda.
2.5.2.2. Normalisasi Normalisasi intensitas digunakan untuk mengurangi ketidaksempurnaan citra akibat
adanya derau noise maupun ketidakseragaman pencahayaan. Normalisasi juga digunakan untuk menstandarisasi nilai intensitas sebuah citra dari tingkat keabuan
pada piksel citra sidik jari. Proses normalisasi intensitas dilakukan terhadap setiap piksel pada citra asli Putra, 2010.
Algoritma proses normalisasi adalah sebagai berikut : 1
Hitung nilai rata-rata untuk setiap sektor pada citra sidik jari input. 2
Hitung nilai varian untuk setiap sektor pada citra sidik jari input. 3
Untuk setiap sektor pada citra sidik jari mengalami proses normalisasi.
Normalisasi dapat dihitung dengan rumus sebagai berikut :
, =
{ + √
� {� , − � } �
� � � , − √
� {� , − � } �
� � � , 2.22
dimana : N
i
x, y = citra hasil normalisasi Ix, y = citra asal
M = varian citra hasil
M
i
= varian citra asal V
x = rata-rata citra hasil V
i
= rata-rata setiap sektor citra asal
Universitas Sumatera Utara
2.6. Ekstraksi Fitur
Kategori