Analisis Dan Implementasi Algoritma Gaussian Dan High Pass Filter Untuk Menghasilkan Citra High Dynamic Range

DAN HIGH PASS FILTER UNTUK MENGHASILKAN

CITRA HIGH DYNAMIC RANGE

SKRIPSI

RIRI INDRIATI PURBA

111421013

PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2014

DAN HIGH PASS FILTER UNTUK MENGHASILKAN

CITRA HIGH DYNAMIC RANGE

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar

Sarjana Komputer

SKRIPSI

RIRI INDRIATI PURBA

111421013

PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2014

PERSETUJUAN

Judul : ANALISIS DAN IMPLEMENTASI ALGORITMA

GAUSSIAN DAN HIGH PASS FILTER UNTUK

MENGHASILKAN CITRA HIGH DYNAMIC RANGE

Kategori : SKRIPSI

Nama : RIRI INDRIATI PURBA

Nomor Induk Mahasiswa : 111421013

Program Studi : EKSTENSI S1 ILMU KOMPUTER

Departemen : ILMU KOMPUTER

Fakultas : FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI (Fasilkom-TI) UNIVERSITAS SUMATERA UTARA

Komisi Pembimbing:

Dosen Pembimbing II Dosen Pembimbing I

Handrizal, S.Si, M.Comp.Sc Herriyance, ST, M. Kom NIP. 19801024201012 1 002 Diketahui/Disetujui oleh

Program Studi S1 Ilmu Komputer Ketua,

Dr. Poltak Sihombing, M.Kom

NIP. 196203171991021001

PERNYATAAN

ANALISIS DAN IMPLEMENTASI ALGORITMA GAUSSIAN DAN HIGH PASS FILTER UNTUK MENGHASILKAN

CITRA HIGH DYNAMIC RANGE

Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, 2014

Riri Indriati Purba 111421013

PENGHARGAAN

Alhamdulillah penulis ucapkan kepada Allah SWT yang telah melimpahkan rahmat dan karunia-NYA serta salawat dan salam kepada junjungan atas Nabi Muhammad SAW karena skripsi ini telah berhasil diselesaikan dalam waktu yang telah ditentukan.

Dalam penulisan skripsi ini penulis banyak mendapatkan bantuan serta dorongan dari pihak lain. Sehingga dengan segala kerendahan hati penulis mengucapkan terimakasih kepada :

1. Bapak Prof. Syahril Pasaribu, DTM&H, M.Sc(CTM), Sp.A(K), selaku Rektor Universitas Sumatera Utara

2. Bapak Prof. Dr. Muhammad Zarlis selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara

3. Bapak Dr. Poltak Sihombing, M. Kom selaku Ketua Program Studi Ilmu Komputer Universitas Sumatera Utara

4. Ibu Maya Silvi Lydia, B.Sc, M.Sc selaku Sekretaris Program Studi Ilmu Komputer Universitas Sumatera Utara

5. Bapak Herriyance, ST, M.Kom selaku Dosen Pembimbing Pertama yang telah banyak membantu dan membimbing penulis dalam membangun skripsi penulis 6. Bapak Handrizal, S.Si, M.Comp.Sc selaku Dosen Pembimbing Kedua yang telah

banyak membantu dan membimbing penulis dalam membangun skripsi penulis

7. Bapak Drs. Agus Salim Harahap, M.Si selaku Dosen Pembanding Pertama penulis yang telah bersedia meluangkan waktunya dalam memberi saran dan kritik yang membangun skripsi penulis

8. Bapak Syahriol Sitorus S.Si, MIT selaku Dosen Pembanding Kedua penulis yang telah bersedia meluangkan waktunya dalam memberi saran dan kritik yang membangun skripsi penulis

9. Untuk ibunda tercinta Hj.Norma Pakpahan dan Ayahanda Ir.H.Djadiaman Purba selaku orangtua kandung penulis, Rina Elfita Purba, SKM dan Andika Novian

10.Dan tak lupa juga penulis sampaikan ucapan terima kasih ini kepada Adam Kurniawan Mrg Amd, Fitri Yutari Hidayah Amd, Fitri Alia Amd, Suci Ikhwani Lestari Amd, Ade Marfuah Lubis Amd, Liza Alfira Ali Amd, yang sudah membantu dan memberi semangat kepada penulis selama ini.

Dalam penyusunan skripsi ini, penulis menyadari bahwa masih banyak kekurangan, untuk itu penulis mengharapkan saran dan kritik yang bersifat membangun dari semua pihak demi kesempurnaan skripsi ini. Akhir kata penulis mengharapkan semoga skripsi ini dapat bermanfaat dan membantu semua pihak yang memerlukannya.

ABSTRAK

Sensor kamera yang tidak dapat menghasilkan citra yang baik mengakibatkan berkembangnya perangkat-perangkat untuk perbaikan kualitas citra. Citra yang dihasilkan juga tergantung pada tinggi rendahnya intensitas cahaya yang diterima sensor kamera, apabila intensitasnya terbatas, maka citra yang dihasilkan juga tidak baik. Intensitas cahaya yang terlalu tinggi atau terlalu rendah mengakibatkan objek citra menjadi tidak tampak oleh mata, oleh karena itu perkembangan zaman telah menghasilkan sebuah inovasi citra baru yang dapat mengatasi permasalahan tersebut yang dinamakan citra

High Dynamic Range(HDR). Citra HDR dapat membuat suatu objek yang tidak terlihat

akibat intensitas menjadi terlihat. Salah satu cara menghasilkan citra HDR adalah menggabungkan beberapa citra yang berbeda pengaturan exposure kameranya menjadi 1 citra yang dinamakan citra HDR. Citra yang menjadi inputan adalah citra yang berbeda

exposure yakni exposure +3, exposure -3 dan exposure 0. Algoritma untuk

menggabungkan beberapa foto yang berbeda exposure tersebut adalah Algoritma Gaussian yakni mencari titik tengah dari tiap blok citra. Untuk menghasilkan citra HDR yang bernilai lebih maka dilakukan penajaman citra HDR dengan Algoritma High Pass Filter dengan teori konvolusi. Hasil dari penelitian ini adalah didapatkan citra hasil yang memiliki kualitas lebih baik dari citra yang menjadi permasalahan sebelumnya. Dari pengujian yang telah dilakukan dapat diambil kesimpulan bahwa blok yang memiliki waktu paling lama adalah pada proses 3 blok dan yang paling cepat adalah 15 blok, kemudian untuk penajaman waktu yang paling lama adalah pada proses 1 blok dan yang paling cepat adalah 15 blok, untuk ukuran yang dihasilkan yang paling besar adalah pada proses 1 blok dan yang paling kecil adalah pada proses 9 blok.

ANALYSIS AND IMPLEMENTATION OF GAUSSIAN AND HIGH PASS FILTER ALGORITHM TO PRODUCE

HIGH DYNAMIC RANGE IMAGE

ABSTRACT

Camera Sensor could not produce a good image involves devices for image enchancement is growing . The result is also depend on the level of light intensity which received by the camera sensor , if its intensity is limited , then the result is also not good . Light intensity is too high or too low caused the object of image to be visible for our eyes, therefore the times have produced a new image innovation which can solve the problems, its called High Dynamic Range ( HDR ) images. HDR images can make an object that is not visible due to the intensity becomes visible . One way of generating HDR images is to combine several images of different exposure settings into one image. The inputs are exposure +3 , exposure -3 and exposure0. Algorithm to combine several different images such exposure is Gaussian algorithm that is looking for the midpoint of each block image. To generate the HDR image which has high value then performed with the HDR image enhancement algorithm with the High Pass Filter convolution theory. The Results from this research is that the results obtained image has a better quality of image which is the case previously. From testing that has been done can be concluded that the block that has the longest time is 3 blocks on the process and the fastest is 15 blocks, then for the longest time sharpening is on the first block and the fastest is 15 blocks, for size that produced which the biggest is in the process of 1 block and the smallest is in the process of 9 block.

DAFTAR ISI

Persetujuan iii

Pernyataan iv

Penghargaan v

Abstrak vii

Abstract viii

Daftar Isi ix

Daftar Tabel xi

Daftar Gambar xii

Bab 1 Pendahuluan 1

1.1Latar Belakang 1

1.2Rumusan Masalah 2

1.3Batasan Masalah 2

1.4Tujuan Penelitian 3

1.5Manfaat Penelitian 3

1.6Metodologi Penelitian 3

1.7Sistematika Penulisan 4

Bab 2 Tinjauan Pustaka 6

2.1Pengertian Citra 6

2.1.1 Pengertian Citra Analog 6

2.1.2 Pengertian Citra Digital 6

2.2Pengolahan Citra Digital 7

2.2.1 Tahap-tahap dalam Pengolahan Citra Digital 7

2.2.2 Representasi Citra Digital 9

2.2.3 Jenis-jenis Citra Digital 10

2.2.3.1Citra Biner (Monokrom) 10

2.2.3.2Citra Greyscale (Skala Keabuan) 11

2.2.3.3Citra RGB 12

2.3Perbaikan Kualitas Citra 13

2.4Operasi Berbasis Bingkai 14

2.4.1 Operasi Penjumlahan Citra (Image Blending) 14

2.4.2 Operasi Pengurangan Citra 17

2.4.3 Operasi Boolean 18

2.5Operasi Spasial (Filtering) 20

2.5.1 Kernel 21

2.5.2 Mekanisme Pemfilteran Spasial 21

2.5.3 Korelasi dan Konvolusi 26

2.6High Dynamic Range 27

2.6.1 Exposure 28

2.6.2 Menghasilkan Citra HDR 29

2.7Perubahan Kualitas Citra dalam Domain Spasial 32

2.7.1 Linear Spatial Filtering 32

2.8Algoritma Gaussian 36

2.9 Penelitian Sebelumnya 38

Bab 3 Analisis dan Perancangan 40

3.1Analisis 40

3.2Flowchart Umum Program 41

3.3Analisis Kinerja Algoritma Gaussian 42

3.3.1 Pseudocode Algoritma Gaussian 43

3.3.2 Flowchart Algoritma Gaussian 45

3.3.3 Perhitungan Algoritma Gaussian pada Citra 49 3.4Analisis Kinerja Algoritma High Pass Filter 70 3.4.1 Pseudocode Algoritma High Pass Filter 70 3.4.2 Flowchart Algoritma High Pass Filter 71 3.4.3 Perhitungan Algoritma High Pass Filter pada Citra 71

3.5Perancangan Antarmuka 76

3.5.1 Rancangan Menu Utama 76

Bab 4 Implementasi dan Pengujian 80

4.1Implementasi Sistem 80

4.1.1 Spesifikasi Perangkat Keras dan Perangkat Lunak yang

Digunakan 80

4.1.2 Tampilan Menu Utama 81

4.1.3 Tampilan Sub Menu 81

4.2Pengujian 91

4.2.1 Analisis Data Hasil Pengujian 92

Bab 5 Kesimpulan dan Saran 103

5.1Kesimpulan 103

5.2Saran 104

Daftar Pustaka 105

DAFTAR TABEL

Tabel 3.1 Nilai Entropy Blok 1,1 Red Citra 2 52

Tabel 4.1 Keterangan Citra Ruang 90

Tabel 4.2 Keterangan Citra Menara 91

Tabel 4.3 Keterangan Citra Buku 92

Tabel 4.4 Keterangan Citra Jendela 93

Tabel 4.5 Data Hasil Citra Ruang 95

Tabel 4.6 Data Hasil Citra Menara 96

Tabel 4.7 Data Hasil Citra Buku 97

Tabel 4.8 Data Hasil Citra Jendela 98

Tabel 4.9 Data Hasil Penggabungan 99

Tabel 4.10 Data Hasil Penajaman 100

DAFTAR GAMBAR

Gambar 2.1 Representasi Citra Digital 10

Gambar 2.2 Citra Biner 11

Gambar 2.3 Citra Greyscale 12

Gambar 2.4 Citra RGB 13

Gambar 2.5 Citra A 16

Gambar 2.6 Citra B 16

Gambar 2.7 Citra C (Penggabungan Citra A dan B) 16

Gambar 2.8 Citra A(x,y) 17

Gambar 2.9 Citra B(x,y) 17

Gambar 2.10 Citra C (x,y) 18

Gambar 2.11 Citra Elips 18

Gambar 2.12 Citra Persegi 19

Gambar 2.13 Not Elips 19

Gambar 2.14 Not Persegi 19

Gambar 2.15 Elips And Persegi 19

Gambar 2.16 Elips Or Persegi 19

Gambar 2.17 Elips XOR Persegi 20

Gambar 2.18 (a) Citra Ukuran MxN 22

Gambar 2.18 (b) Filter Ukuran 3x3 22

Gambar 2.19 Citra yang Berbeda Exposure 29

Gambar 2.20 Citra Exposure +1 30

Gambar 2.21 Citra Exposure 0 30

Gambar 2.22 Citra Exposure -1 31

Gambar 2.23 Hasil Citra HDR 31

Gambar 2.24 Citra Blurring yang Dipertajam dengan High Pass Filter 35 Gambar 2.25 Segmentasi Citra yang Berbeda Exposure 36

Gambar 3.1 Flowchart Umum Program 41

Gambar 3.2 Flowchart Perhitungan Gaussian Citra 1 45 Gambar 3.3 Flowchart Perhitungan Gaussian Citra 2 46 Gambar 3.4 Flowchart Perhitungan Gaussian Citra 3 47 Gambar 3.5 Flowchart Perhitungan Bobot Citra dan Penggabungan Citra 48

Gambar 3.6 Citra 2 49

Gambar 3.7 Letak Entropy Tertinggi Pada Citra 2 53

Gambar 3.8 Ilustrasi Koordinat Pusat 54

Gambar 3.9 Koordinat Citra 2 56

Gambar 3.10 Citra 1 58

Gambar 3.11 Citra 2 60

Gambar 3.12 Citra HDR 69

Gambar 3.13 Flowchart Algoritma High Pass Filter 71

Gambar 3.14 Citra HDR yang Lebih Tajam 75

Gambar 3.15 Rancangan Menu Utama 76

Gambar 3.16 Rancangan Sub Menu Blok 77

Gambar 3.17 Rancangan Menu Petunjuk 78

Gambar 3.18 Rancangan Menu Tentang Penulis 79

Gambar 4.2 Sub Menu File 81

Gambar 4.3 Sub Menu HDR 9 Blok 81

Gambar 4.4 Browse Citra Exposure -3 82

Gambar 4.5 Sub Menu HDR 9 Blok Citra Exposure -3 83

Gambar 4.6 Browse Citra Exposure 0 83

Gambar 4.7 Sub Menu HDR 9 Blok Citra Exposure 0 84

Gambar 4.8 Browse Citra Exposure +3 84

Gambar 4.9 Sub Menu HDR 9 Blok Citra Exposure +3 85

Gambar 4.10 Sub Menu HDR 9 Blok Hasil Gaussian 85

Gambar 4.11 Sub Menu HDR 9 Blok Hasil High Pass Filtering 86 Gambar 4.12 Citra Hasil Gaussian dan High Pass Filtering 87

Gambar 4.13 Sub Menu Petunjuk 88

Gambar 4.14 Sub Menu Analisis 89

Gambar 4.15 Sub Menu Tentang Penulis 90

Gambar 4.16 Diagram Hasil Penggabungan 99

Gambar 4.17 Diagram Hasil Penajaman 100

ABSTRAK

Sensor kamera yang tidak dapat menghasilkan citra yang baik mengakibatkan berkembangnya perangkat-perangkat untuk perbaikan kualitas citra. Citra yang dihasilkan juga tergantung pada tinggi rendahnya intensitas cahaya yang diterima sensor kamera, apabila intensitasnya terbatas, maka citra yang dihasilkan juga tidak baik. Intensitas cahaya yang terlalu tinggi atau terlalu rendah mengakibatkan objek citra menjadi tidak tampak oleh mata, oleh karena itu perkembangan zaman telah menghasilkan sebuah inovasi citra baru yang dapat mengatasi permasalahan tersebut yang dinamakan citra

High Dynamic Range(HDR). Citra HDR dapat membuat suatu objek yang tidak terlihat

akibat intensitas menjadi terlihat. Salah satu cara menghasilkan citra HDR adalah menggabungkan beberapa citra yang berbeda pengaturan exposure kameranya menjadi 1 citra yang dinamakan citra HDR. Citra yang menjadi inputan adalah citra yang berbeda

exposure yakni exposure +3, exposure -3 dan exposure 0. Algoritma untuk

menggabungkan beberapa foto yang berbeda exposure tersebut adalah Algoritma Gaussian yakni mencari titik tengah dari tiap blok citra. Untuk menghasilkan citra HDR yang bernilai lebih maka dilakukan penajaman citra HDR dengan Algoritma High Pass Filter dengan teori konvolusi. Hasil dari penelitian ini adalah didapatkan citra hasil yang memiliki kualitas lebih baik dari citra yang menjadi permasalahan sebelumnya. Dari pengujian yang telah dilakukan dapat diambil kesimpulan bahwa blok yang memiliki waktu paling lama adalah pada proses 3 blok dan yang paling cepat adalah 15 blok, kemudian untuk penajaman waktu yang paling lama adalah pada proses 1 blok dan yang paling cepat adalah 15 blok, untuk ukuran yang dihasilkan yang paling besar adalah pada proses 1 blok dan yang paling kecil adalah pada proses 9 blok.

ANALYSIS AND IMPLEMENTATION OF GAUSSIAN AND HIGH PASS FILTER ALGORITHM TO PRODUCE

HIGH DYNAMIC RANGE IMAGE

ABSTRACT

Camera Sensor could not produce a good image involves devices for image enchancement is growing . The result is also depend on the level of light intensity which received by the camera sensor , if its intensity is limited , then the result is also not good . Light intensity is too high or too low caused the object of image to be visible for our eyes, therefore the times have produced a new image innovation which can solve the problems, its called High Dynamic Range ( HDR ) images. HDR images can make an object that is not visible due to the intensity becomes visible . One way of generating HDR images is to combine several images of different exposure settings into one image. The inputs are exposure +3 , exposure -3 and exposure0. Algorithm to combine several different images such exposure is Gaussian algorithm that is looking for the midpoint of each block image. To generate the HDR image which has high value then performed with the HDR image enhancement algorithm with the High Pass Filter convolution theory. The Results from this research is that the results obtained image has a better quality of image which is the case previously. From testing that has been done can be concluded that the block that has the longest time is 3 blocks on the process and the fastest is 15 blocks, then for the longest time sharpening is on the first block and the fastest is 15 blocks, for size that produced which the biggest is in the process of 1 block and the smallest is in the process of 9 block.

Pada bab ini dijelaskan tentang latar belakang penelitian dibuat, rumusan masalah, batasan masalah yang akan dibahas, tujuan penelitian, manfaat penelitian, metodologi penelitian yang penulis gunakan dan dijelaskan sistematika penulisan skripsi ini.

1.1 Latar Belakang

Seiring dengan perkembangan teknologi di bidang komputer saat ini, baik dalam perangkat keras (hardware) maupun perangkat lunak (software), hampir sebagian besar pekerjaan manusia kini diselesaikan dengan komputer. Dengan demikian, komputer dapat dikatakan sebagai salah satu alat bantu manusia dalam menyelesaikan suatu pekerjaan. Pemakaian komputer sering digunakan untuk hal-hal yang berkaitan dengan pemrosesan data (data processing), pengolahan kata (word processing), serta pengolahan gambar (image processing). Salah satu alasan mengapa komputer cenderung digunakan sebagai alat bantu dalam menyelesaikan suatu pekerjaan adalah karena pekerjaan yang dilakukan menggunakan komputer memiliki kecepatan proses yang lebih dapat diandalkan dan tidak pernah diluar prosedur kerja. Salah satu bidang yang terpengaruh adanya perkembangan teknologi komputer adalah di bidang pengolahan citra. Bidang pengolahan citra hampir ada di semua aspek kehidupan, baik untuk citra dalam kamera secara real time atau tidak

real time.

Setiap citra dapat diolah dari berbagai teknik baik itu kompresi, penajaman, penambahan objek lain, perubahan tone dan sebagainya. Teknik citragrafi yang akan penulis bahas yakni teknik High Dynamic Range Imaging (HDRI) yakni sebuah teknik untuk menghasilkan citra HDR. Beberapa smartphone saat ini juga menyediakan fitur HDR dalam pengambilan gambar secara langsung, dimana citra HDR tidak citra yang tajam saja tetapi sebuah citra yang dapat menghasilkan informasi sebenarnya dari mata manusia dan bukan dari sensor kamera.

HDR juga merupakan topik penelitian tentang rentang dinamis (dynamic range) suatu perangkat digital. Ada beberapa cara untuk menghasilkan citra HDR tanpa harus memerlukan sensor kamera yang tinggi [3]. Penulis tertarik meneliti sebuah algoritma lain untuk menghasilkan citra HDR dengan tidak mengubah secara keseluruhan langkah umum dari HDRI yakni menghasilkan citra dengan detail yang tinggi, dengan menggunakan Algoritma Gaussian dan High Pass Filter. Algoritma Gaussian digunakan untuk penggabungan beberapa citra yang berbeda exposure dimana exposure merupakan pengaturan yang ada dalam kamera SLR/DSLR yang membuat cahaya yang jatuh dalam diagfragma lensa kamera lebih kecil atau lebih besar kemudian citra tersebut dibagi menjadi beberapa blok lalu beberapa blok dari tiap citra input-an yang akan digabungkan dilebur menjadi satu sesuai bobot yang nantinya akan dihitung melalui persamaan algoritma tersebut, sedangkan Algoritma High Pass Filter untuk penajaman citra dimana algoritma ini merupakan algoritma tentang pentapisan (filtering) dalam citra yang mana penulis pilih jenis filter dalam domain spasial yang memiliki matriks kernel masing-masing tapisnya.

Dalam penelitian ini Algoritma Gaussian dan High Pass Filter dikombinasi agar menghasilkan citra HDR yang lebih baik lagi karena setelah penggabungan citra dengan Algoritma Gaussian akan menghasilkan objek yang blur sehingga penulis mengkombinasikan Algoritma High Pass Filter untuk menajamkan tepi objek agar objek lebih jelas.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, maka rumusan masalah yang dapat diambil adalah: 1. Bagaimana menghasilkan sebuah citra HDR yang lebih baik

2. Bagaimana memperbaiki kualitas suatu citra yang memiliki intensitas cahaya yang terlalu rendah atau terlalu tinggi

3. Apa kelemahan dan kelebihan dari Algoritma Gaussian

4. Apa kelemahan dan kelebihan dari Algoritma High Pass Filter

1.3 Batasan Masalah

Batasan masalah yang dapat diambil dari latar belakang di atas adalah

1. Jenis file citra yang diolah adalah jenis JPG dengan ukuran 561x765 piksel 2. Penelitian ini tidak membahas kompresi citra (lossy), bluring , dan reduksi noise

3. Di dalam penelitian, inputan citra terdiri atas 3 citra yakni citra yang over

exposure, citra yang under exposure dan citra yang normal

4. Exposure value untuk over exposure dibatasi sama dengan +3, Exposure value

untuk under exposure dibatasi sama dengan -3, sedangkan citra yang normal tetap sama dengan 0

5. Parameter penelitian adalah waktu dan ukuran citra

6. Citra yang diambil adalah citra dengan objek yang tidak bergerak

7. Tools yang digunakan adalah Matlab 2010.

1.4 Tujuan Penelitian

Tujuan penelitian ini adalah analisa teknik citragrafi untuk menghasilkan citra HDR dengan mengkombinasikan Algoritma Gaussian dan Algoritma High Pass Filter .

1.5 Manfaat Penelitian

Manfaat dari penelitian penulis adalah sebagai berikut:

1. Memperbaiki kualitas suatu citra, yakni citra hasil (citra HDR) kualitasnya lebih baik dari citra awalnya

2. Menghasilkan sebuah perangkat lunak yang mampu melakukan penggabungan citra dengan dan penajaman citra.

1.6 Metodologi Penelitian

Metodologi penelitian yang akan digunakan adalah: 1. Merumuskan Masalah

tingkat intensitas cahaya di lingkungan sekitar sangat tinggi atau sangat rendah yakni dengan meningkatkan jangkauan dinamisnya menjadi tinggi dengan sebuah teknik yang dinamakan HDRI.

2. Studi Literatur

Studi literatur yang penulis laksanakan bertujuan untuk mendapatkan gambaran penuh tentang hal yang berkaitan dengan penelitian dan membandingkan sejauh mana perbedaan penelitian penulis dengan penelitian sebelumnya.

3. Pengumpulan Data

Data yang dikumpulkan oleh penulis merupakan data beberapa citra yang memiliki

exposure yang berbeda di tiap citra, baik citra yang over exposure, under exposure

ataupun citra yang normal. 4. Perancangan Program

Perancangan program yang penulis buat merupakan pengembangan penelitian sebelumnya dengan menggunakan algoritma tertentu, yang bertujuan mendapatkan solusi yang optimal untuk memperbaiki kualitas citra.

5. Implementasi

Implementasi dilakukan dengan menampilkan ke user hasil yang berbasis Graphic

User Interface (GUI) tentang teknik HDRI dengan menggabungkan citra yang

berbeda exposure sebagai input-an 6. Dokumentasi

Setelah implementasi, maka penulis akan membuat dokumentasi atau laporan tiap tahap dari program yang penulis rancang.

1.7 Sistematika Penulisan

Sistematika penulisan dari skripsi ini terdiri dari beberapa bagian utama sebagai berikut:

BAB 1: PENDAHULUAN

Bab ini akan menjelaskan mengenai latar belakang pemilihan judul skripsi “Analisis dan Implementasi Algoritma Gaussian dan High Pass Filter untuk Menghasilkan Citra High Dynamic Range (HDR).”, rumusan masalah, batasan

masalah, tujuan penelitian, manfaat penelitian, metode penelitian, tinjauan pustaka, dan sistematika penulisan

BAB 2: LANDASAN TEORI

Bab ini akan membahas teori-teori yang berkaitan dengan beberapa teknik dalam pengolahan citra digital serta beberapa prinsip yang melandasi pembuatan Tugas Akhir ini.

BAB 3: ANALISIS DAN PERANCANGAN

Bab ini berisi tentang uraian Analisis cara kerja Algoritma Gaussian dan High

Pass Filter untuk Menghasilkan Citra High Dynamic Range (HDR).

BAB 4: IMPLEMENTASI DAN PENGUJIAN

Bab ini berisikan penjelasan tentang implementasi dari Algoritma Gaussian dan High Pass Filter yang dituang dalam sebuah aplikasi yang digunakan untuk menguji performansi algoritma tersebut.

BAB 5: KESIMPULAN DAN SARAN

Bab terakhir akan memuat kesimpulan isi dari keseluruhan uraian dari bab-bab sebelumnya dan saran-saran dari hasil yang diperoleh yang diharapkan dapat bermanfaat dalam pengembangan selanjutnya

Pada bagian ini akan dijelaskan teori-teori yang akan digunakan pada saat penelitian. Teori yang dibahas meliputi teori-teori tentang bagaimana menggabungkan beberapa citra dan pengertian tentang Algoritma Gaussian dan High Pass Filter, pada bab ini dijelaskan juga tentang tahap-tahap proses konvolusi.

2.1 Pengertian Citra

Citra adalah suatu imitasi atau kemiripan 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 disimpan langsung pada suatu media penyimpan. Citra juga terbagi atas dua bagian yakni citra analog dan citra digital, berikut adalah penjelasannya [20].

2.1.1 Pengertian Citra Analog

Citra analog adalah citra yang bersifat kontinu, seperti gambar pada monitor televisi , foto sinar X, foto yang tercetak di kertas foto, lukisan, pemandangan alam, hasil CT scan, gambar-gambar yang terekam pada pita kaset, dan lain sebagainya. Citra analog tidak dapat direpresentasikan di dalam komputer, oleh karena itu citra analog dapat dikonversi ke dalam citra digital agar nantinya dapat dibaca dan diproses oleh komputer.

2.1.2 Pengertian Citra Digital

Citra Digital adalah citra yang dapat diolah oleh komputer dan dapat disimpan di dalam memori komputer, namun yang disimpan dalam memori komputer hanyalah angka-angka yang menunjukkan besarnya intensitas pada masing-masing piksel tersebut.

Agar citra yang mengalami gangguan mudah diinterprestasi (baik oleh manusia maupun mesin), citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya lebih baik sehingga diperlukan suatu sistem pengolah citra (image processing) untuk menghasilkan citra digital yang menyerupai citra analognya tetapi juga mampu untuk melakukan pengolahan lebih lanjut untuk kepentingan medis dan interprestasi pengamat terhadap suatu obyek dapat lebih teliti [19].

2.2 Pengolahan Citra Digital

Pengolahan citra digital adalah sebuah disiplin ilmu yang mempelajari tentang hal-hal yang berkaitan dengan perbaikan kualitas gambar (peningkatan kontras, transformasi warna, restorasi citra), transformasi gambar (rotasi, translasi, skala, transformasi geometric), melakukan pemilihan citra ciri (feature images) yang optimal untuk tujuan analisis, melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang terkandung pada citra, melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, transmisi data dan waktu proses data. Input dari pengolahan citra adalah citra sedangkan output-nya adalah citra hasil pengolahan [20].

2.2.1 Tahap-tahap dalam Pengolahan Citra Digital

Berikut ini adalah tahap-tahap penting dalam Pengolahan Citra Digital, 1. Akuisisi Citra Digital

Akuisisi citra adalah tahap awal untuk mendapatkan citra digital. Tujuan dari akuisisi citra adalah menentukan data yang diperlukan dan yang akan diproses nantinya. Tahap ini dimulai dari objek yang akan diambil gambarnya dan difasilitasi oleh beberapa perangkat digitizer yang nantinya akan terjadi pencitraan, dimana pencitraan adalah kegiatan transformasi dari citra tampak (foro, gambar, lukisan, pemandangan dsb) menjadi citra digital, beberapa perangkat tersebut adalah :

a. Video Kamera b. Kamera Digital

c. Kamera Konvensional dan Konverter analog to Digital

d. Scanner

e. Photo sinar-x/sinar infra merah

2. Preprocessing

Tahap ini merupakan sebuah tahap dimana metode citra akan dipilih sebelum diproses, hal-hal penting dalam tahap ini adalah :

a. Peningkatan kualitas citra (contrast, brightness, dan lain-lain)

Peningkatan kualitas citra dilakukan agar citra hasil menjadi lebih baik dari citra awalnya

b. Menghilangkan noise

Dalam hal ini noise yang ada pada permasalahan akan disaring atau dihilangkan sehingga tidak merusak citra

c. Perbaikan citra (image restoration)

Ini merupakan suatu tahap dalam mengolah citra yang buruk kembali seperti awalnya

d. Transformasi (Image Transformation)

Dimana transformasi merupakan perubahan struktur atau bentuk citra e. Menentukan bagian citra yang akan diobservasi

3. Segmentasi

Tahapan ini bertujuan untuk membagi citra menjadi beberapa bagian-bagian pokok yang mengandung informasi penting. Misalnya memisahkan objek dan latar belakang.

4. Representasi dan deskripsi

Dalam hal ini akan dilakukan ekstraksi ciri dan seleksi dimana suatu wilayah direpresentasikan menjadi suatu persamaan yang dapat membedakan kelas-kelas objek citra nantinya

Tahap pengenalan bertujuan untuk memberi label pada sebuah objek yang informasinya disediakan oleh descriptor, sedangkan tahap interpretasi bertujuan untuk memberi arti atau makna kepada kelompok objek-objek yang dikenali 6. Basis Pengetahuan

Basis pengetahuan berguna untuk memandu berbagai operasi dan digunakan sebagai referensi pada template matching atau pada pengenalan pola [20].

2.2.2. Representasi Citra Digital

Setiap piksel memiliki nilai (value atau number) yang menunjukkan intensitas keabuan pada piksel tersebut. Derajat keabuan dimana Merepresentasikan grey level atau kode warna. Kisaran nilai ditentukan oleh bit yang dipakai dan akan menunjukkan resolusi aras abu-abu (grey level resolution).Berikut adalah kisaran nilainya:

1. 1 bit –2 warna: [0,1] 2. 4 bit –16 warna: [0,15] 3. 8 bit –256 warna: [0,255]

4. 24 bit –16.777.216 warna (true color) 5. Kanal Merah -Red (R): [0,255] 6. Kanal Hijau - Green (G): [0,255] 7. Kanal Biru - Blue (B): [0,255] [13].

Pada umumnya citra digital berbentuk empat persegi panjang, dan dimensi ukurannya dinyatakan sebagai tinggi x lebar (atau lebar x panjang). Citra digital yang tingginya N, lebarnya M, dan memiliki L derajat keabuan dapat dianggap sebagai fungsi dengan persamaan (2.1) di halaman berikut ini [19] dimana x adalah baris dan y adalah kolom, baris berada antara 0 hingga M-1, kolom berada antara 0 hingga N-1, dan fungsi derajat keabuan (f) berada antara 0 hingga L-1 (255) :

{

Persamaan (2.2) dan gambar 2.1 di bawah ini menjelaskan bahwa citra digital yang berukuran N x M lazim dinyatakan dengan matriks yang berukuran N baris dan M kolom sebagai berikut [14]:

[

]

Gambar 2.1 Representasi Citra Digital [13]

2.2.3 Jenis-jenis Citra Digital 2.2.3.1 Citra Biner (Monokrom)

Masing- masing piksel hanya berwarna hitam dan putih. Pada citra biner, setiap titik bernilai 0 dan 1, masing – masing merepresentasikan warna tertentu, maka hanya diperlukan 1 bit per piksel. Oleh karena itu citra biner sangat efisien disimpan dalam tempat penyimpanan [8]

Dimana bit 0 = warna hitam dan bit 1 = putih [20], gambar 2.2 berikut ini adalah contoh citra biner.

Gambar 2.2 Citra Biner [13]

2.2.3.2 Citra Grayscale (Skala Keabuan)

Masing-masing piksel berisikan warna abu-abu dimana citra skala keabuan ini memberi kemungkinan warna yang lebih banyak daripada citra biner, karena ada nilai – nilai diantara nilai minimum (biasanya = 0) dan nilai maximum [8]. Banyaknya kemungkinan nilai minimum dan nilai maksimumnya bergantung pada jumlah bit yang digunakan. Contoh skala keabuan 8 bit, maka jumlah kemungkinan nilainya adalah 256, dan nilai maksimumnya adalah 256 –1 = 255. Contoh lain citra 2 bit memiliki 4 warna dengan gradasi warna sebagai berikut [13]:

Gambar 2.3 Citra Greyscale [13]

Gambar 2.3 di atas merupakan gambar citra grayscale yang menjelaskan bahwa sebuah blok atau daerah dalam citra greyscale juga merupakan representasi dari matriks

juga.

2.2.3.3 Citra RGB

Pada citra warna, setiap titik mempunyai warna yang paling spesifik yang merupakan kombinasi dari 3 warna dasar, yaitu merah (red), hijau (green) dan biru (blue). Ada perbedaan warna dasar untuk dasar cahaya. (misalnya display di monitor komputer) dan untuk cat (misalnya cetakan di atas kertas). Untuk cahaya, warna dasarnya adalah red

green dan blue (RGB), sedangkan untuk cat warna dasarnya adalah cyan, magenta,

Dalam 1 piksel citra RGB terdiri atas beberapa persen warna merah, hijau, dan biru seperti pada gambar 2.4 di bawah ini [13]:

Gambar 2.4 Citra RGB [13]

2.3 Perbaikan Kualitas Citra

Peningkatan kualtitas citra adalah suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang bisa dilakukan misalnya dengan fungsi transformasi, operasi matematis, pemfilteran, dan lain-lain. Tujuan utama dari peningkatan kualitas citra adalah untuk memproses citra sehingga citra yang dihasilkan lebih baik daripada citra aslinya untuk aplikasi tertentu.

Peningkatan kualitas citra dibagi dalam dua kategori, yaitu metode domain spasial dan metode domain frekuensi, dimana teknik domain spasial adalah memanipulasi piksel citra dan teknik domain frekuensi adalah berdasarkan perubahan transformasi fourier pada citra [20].

Ada beberapa teknik dalam perbaikan kualitas citra diantaranya: 1.Histogram

Dimana histogram adalah grafik yang menunjukkan frekuensi intensitas gradasi warna sebagai indikasi untuk menentukan skala keabuan sehingga citra yang dihasilkan nantinya lebih cemerlang dan kontrasnya berubah.

2.Transformasi Intensitas citra

Dimana peningkatan kualitas citra dapat dilakukan melalui transformasi intensitas setiap piksel diubah tetapi posisi piksel tetap dan memiliki fungsi. Fungsi ini memetakan fungsi input fi(x,y) sebagai input menjadi fungsi outputfo(x,y) sebagai

citra output, beberapa operasi itu adalah: a. Operasi Negasi (Invers)

b. Kecerahan (Brightness) c. Kontras (Contrast)

d. Operasi Ambang Batas (Thresholding) e. Transformasi Logaritmik

f. Transformasi Power Law

2.4 Operasi Berbasis Bingkai

Operasi ini melibatkan beberapa citra sebagai inputan yang nantinya akan dioperasikan untuk menghasilkan citra keluaran

2.4.1 Operasi Penjumlahan Citra (Image Blending)

Image Blending atau biasa disebut Image Morphing [7] atau Image Mosaicing [21]

merupakan penggabungan beberapa citra dengan cara menjumlahkan sebuah citra dengan citra yang lain seperti yang terlihat pada proses di bawah ini. Penggabungan ini biasa dilakukan juga bila jumlah citra yang digabungkan lebih dari dua buah. Secara matematis persamaan penggabungan citra dapat dituliskan seperti persamaan (2.3) di bawah ini : [20]

∑

Keterangan :

= masing-masing bobot untuk citra = beberapa citra yang akan digabungkan

n = banyaknya citra yang akan diproses Catatan : + + +… + = 1

Contoh Perhitungan Digital Penggabungan Citra :

Misalkan diketahui dua buah citra A(x,y) seperti pada gambar 2.5 di bawah ini dan citra

B(x,y) seperti pada gambar 2.6 di bawah ini akan digabungkan dengan bobot wA= 0.6 dan

wB = 0.4 sehingga menghasilkan citra baru C(x,y) seperti pada gambar 2.7 di bawah ini

maka persamaan matematisnya adalah : C(x,y) = 0.6 A(x,y) + 0.4 B(x,y)

CITRA A(x,y)

CITRA B(x,y)

CITRA C(x,y)

Dimana Pikselcitra C(x,y) = 36 diperoleh dari (0.6*40) + (0.4 * 30). 40 60 50 70 30

40 50 50 60 50 70 30 60 40 30 40 70 50 30 60 50 60 70 40 30

30 60 70 50 90 80 70 70 60 70 50 90 60 80 90 80 50 70 90 60 70 60 50 80 90

36 60 58 62 54 56 58 58 60 58 62 54 60 56 54 56 62 58 54 60 58 60 62 56 54

Gambar 2.5 Citra A [16]

Gambar 2.6 Citra B [16]

2.4.2. Operasi Pengurangan Citra

Deteksi pergerakan sebuah objek melalui citra dapat dilakukan dengan operasi pengurangan, dimana salah satu citra dikurangkan dengan citra lain yang secara matematis dapat ditulis sperti persamaan (2.4) sebagai berikut:

Pada operasi ini, bagian yang tidak bergerak akan menghasilkan nilai 0 sedangkan untuk bagian yang tidak bergerak akan memberikan nilai tidak 0. Gambar di bawah ini adalah contoh untuk mendeteksi gerak dalam objek citra, dimana gambar 2.8 merupakan citra pertama, gambar 2.9 merupakan citra kedua, gambar 2.10 merupakan citra hasil penggabungan.

Gambar 2.8 Citra D [20]

Gambar 2.10 Citra C(x,y) [20] 2.4.3. Operasi Boolean

Operasi Boolean disebut juga sebagai operasi logika dimana citra sebagai inputan adalah citra biner dan beberapa operator yang digunakan adalah Operator NOT,AND,OR dan

XOR. Pada gambar di bawah ini adalah sebuah contoh oprerasi Boolean pada citra, dimana akan dilakukan operasi NOT,AND,OR dan XOR pada 2 buah citra.

Gambar 2.11 di bawah ini merupakan citra yang memiliki objek berbentuk elips dan gambar 2.12 merupakan citra yang memiliki objek berbentuk persegi panjang, kedua citra tersebut akan dilakukan proses logika terhadapnya seperti pada gambar 2.13 yang dilakukan dengan proses NOT untuk citra elips, begitu pula untuk gambar 2.14 dilakukan proses NOT untuk citra persegi, pada gambar 2.15 yang dilakukan dengan proses OR

untuk citra elips, begitu pula untuk gambar 2.16 dilakukan proses XOR untuk citra persegi dan gambar 2.17 merupakan hasil proses XOR antara citra elips dan persegi.

Gambar 2.12 Citra Persegi [20]

Gambar 2.13 Not Elips [20]

Gambar 2.14 Not Persegi[20]

Gambar 2.16 Elips OR Persegi [20]

Gambar 2.17 Elips XOR Persegi [20]

2.5 Operasi Spasial (Filtering)

Penapisan (filtering) pada pengolahan citra biasa disebut dengan penapisan spasial (spatial filtering). Pada penapisan, nilai pikselbaru umumnya dihitung berdasarkan piksel tetangga. Cara perhitungan nilai piksel baru tersebut dapat dikelompokkan menjadi 2, yaitu pertama piksel baru diperoleh melalui kombinasi liniar piksel tetangga dan kedua, piksel baru diperoleh langsung dari salah satu nilai piksel tetangga. Berdasarkan kedua cara tersebut, maka tapis juga dapat dikelompokkan menjadi dua yaitu tapis linear (tapis untuk cara pertama) dan tapis secara non linear (tapis untuk cara kedua).

Proses penapisan spasial tidak dapat dilepaskan oleh teori kernel (mask) dan konvolusi dimana penapisan terbagi atas Tapis Non Linear, Tapis Linear, Transformasi Gabor dan Tapis domain frekuensi [16].

Tapis Linear adalah salah satu tapis dimana piksel keluaran adalah kombinasi linear dari piksel masukan dan salah satu yang termasuk tapis linear adalah tapis lolos

2.5.1. Kernel

Kernel adalah suatu matriks yang pada umumnya berukuran kecil dengan elemen-elemennya adalah berupa bilangan. Kernel digunakan pada proses konvolusi. Oleh karena itu, kernel juga disebut sebagai convolution window (jendela konvolusi). Ukuran kernel dapat berbeda-beda, seperti 2x2, 3x3, 5x5, dan sebagainya. Elemen-elemen kernel juga disebut sebagai bobot (weight) merupakan bilangan-bilangan yang membentuk pola tertentu. Kernel juga biasa disebut dengan tapis (filter), template, mask, serta sliding window [16].

Berikut adalah contoh kernel 2x2 dan 3x3.

(a) (b)

Dimana (a) adalah contoh kernel yang berukuran 2x2 dan (b) adalah contoh kernel yang berukuran 3x3.

2.5.2. Mekanisme Pemfilteran Spasial

Misalkan diketahui citra f(x,y) berukuran MxN dan filter g(x,y) berukuran 3x3 seperti pada gambar berikut 2.18 (a) dan 2.18 (b) di halaman berikut ini

1 -1 1

-1 4 -1

1 -1 1

1 0 0 1

(x-1,y-1) (x-1,y) (x-1,y+1)

(x,y-1) (x,y) (x,y+1)

(x+1,y-1) (x+1,y) (x+1,y+1)

Gambar 2.18 Citra Ukuran MxN (a)

Gambar 2.18 Filter Ukuran 3x3 (b)

Hasil mekanisme pemfilteran di titik (x,y) antara bagian citra yang diblok hitam dengan

filter g(x,y) ditulis dalam persamaan 2.5 sebagai berikut :

Dengan h(x,y) adalah hasil mekanisme pemfilteran di titik (x,y) dan w1, w2, w3, w4, w5, w6, w7, w8 masing-masing adalah bobot dari filterg(x,y) [20].

2.5.3 Korelasi dan Konvolusi

Korelasi adalah perkalian antara dua buah fungsi f(x,y) dan g(x,y). Untuk fungsi diskrit

w1 w2 w3

w8 w0 w4

w7 w6 w5

M f(x,y) =

∑ ∑

Dimana x, y adalah variabel bebas yang memiliki nilai diskrit yang berupa posisi titik di dalam citra, k dan l adalah koordinat dalam matriks kernel, M dan N adalah batas titik tetangga yang masih memberikan pengaruh ke titik yang sedang ditinjau untuk arah vertikal dan horizontal [15]. Dalam hal ini h(x,y) disebut dengan hasil korelasi dari citra

f(x,y) dengan filter g(x,y). Operasi korelasi dilakukan dengan menggeser filter korelasi piksel per piksel. Hasil korelasi disimpan di dalam matrikss yang baru [20].

Contoh Citra keabuan f(x,y) yang berukuran 10x8 mempunyai sebuah filter g(x,y) yang berukuran 3x3 sebagai berikut :

5 3 3 0 4 4 0 5 2 2 4 2 1 3 4 0 5 1 3 3 6 3 0 1 6 2 3 0 7 0 7 4 0 1 0 2 3 2 7 0 7 4 5 1 0 6 3 2 7 0 7 4 5 5 7 7 6 2 6 4 6 0 1 4 7 0 7 2 0 2 6 5 1 3 2 4 4 1 0 0

1 0 1

0 2 0

-1 0 -2

Hasil korelasi h(x,y) dihitung sebagai berikut.

1. Pilih f(x,y) ukuran 3x3, dimulai dari pojok kiri atas. Kemudian hitung korelasinya dengan filterg(x,y).

f(x,y) =

1 0 1

0 2 0

-1 0 -2

Hasil korelasi adalah:

(1x5) + (0x3) + (1x3) + (0x4) + (2x2) + (0x1) + (-1x6) + (0x3) + (-2x0) = 6 2 diganti oleh 6, ditempatkan pada matrikss yang baru, hasilnya adalah :

5 3 3 0 4 4 0 5 2 2 4 2 1 3 4 0 5 1 3 3 6 3 0 1 6 2 3 0 7 0 7 4 0 1 0 2 3 2 7 0 7 4 5 1 0 6 3 2 7 0 7 4 5 5 7 7 6 2 6 4 6 0 1 4 7 0 7 2 0 2 6 5 1 3 2 4 4 1 0 0

5 3 3

4 2 1

6 3 0

f(x,y) g(x,y)

5 3 3 0 4 4 0 5 2 2

4 6 3

6 0

7 0

7 0

7 4

6 2

6 5 1 3 2 4 4 1 0 0

2. Geser f(x,y) ukuran 3x3 satu piksel ke kanan, kemudian hitung korelasinya dengan

filter g(x,y)

1 0 1

0 2 0

-1 0 -2 5 3 3 0 4 4 0 5 2 2

4 2 1 3 4 0 5 1 3 3 6 3 0 1 6 2 3 0 7 0 7 4 0 1 0 2 3 2 7 0 7 4 5 1 0 6 3 2 7 0 7 4 5 5 7 7 6 2 6 4 6 0 1 4 7 0 7 2 0 2 6 5 1 3 2 4 4 1 0 0

3 3 0

2 1 3

3 0 1

f(x,y) g(x,y)

Hasil korelasi adalah:

(1x3) + (0x3) + (1x0) + (0x2) + (2x1) + (0x3) + (-1x3) + (0x0) + (-2x1) = 0 2 diganti oleh 6, ditempatkan pada matrikss yang baru, hasilnya adalah :

5 3 3 0 4 4 0 5 2 2

4 6 0 3

6 0

7 0

7 0

7 4

6 2

6 5 1 3 2 4 4 1 0 0

3. Proses perhitungan dilakukan terus menerus hingga f(x,y) ukuran 3x3 sampai pada ujung paling kanan pojok bawah, hasilnya adalah :

5 3 3 0 4 4 0 5 2 2 4 6 0 1 7 0 7 0 7 3 6 4 0 7 7 7 1 0 7 0 7 0 0 3 0 7 0 0 7 0 7 0 1 0 0 4 0 0 6 0 7 7 7 0 7 0 7 7 7 4 6 4 0 7 7 3 7 7 5 2 6 5 1 3 2 4 4 1 0 0

Konvolusi adalah suatu proses yang cara kerjanya sama dengan proses korelasi, hanya saja nilai-nilai filternya dibalik 180o. Contoh, sebuah citra f(x,y) akan dikonvolusikan

1 3 1

5 2 7

4 0 -2

Terlebih dahulu nilai-nilai g(x,y) harus dibalik 180o menjadi :

2 0 4

7 2 5

1 3 1

Kemudian perhitungan dilakukan seperti menghitung korelasi [20].

2.6 High Dynamic Range

Jangkauan dinamis (Dynamic Range) yang dihadapi dalam pemandangan alam sangat luas seperti sinar matahari bisa sebanyak 10.000 kali lebih terang dari pada pencahayaan dalam ruangan [6]. Bagaimanapun tiap citra itu berbeda karena diambil dari point of view

dan exposure yang berbeda pula. Bagaimanapun kamera digital memiliki jangkauan

dinamis yang terbatas dan tidak dapat menggambarkan jangkauan dinamis yang tinggi [9].

Di dalam pencitraan, jangkauan dinamis dapat diartikan sebagai rasio luminansi antara bagian yang paling gelap dengan bagian yang paling terang dalam sebuah layar [12]. HDRI adalah seperangkat teknik yang memungkinkan jangkauan dinamis dapat jauh lebih besar dari exposure teknik digital imaging yang normal, dimana citra yang dibentuk dari teknik ini disebut citra High Dynamic Range[4]. Ada beberapa cara untuk mencapai hal tersebut tanpa membutuhkan sensor yang lebih tinggi dan salah satu cara untuk membuat citra HDR adalah menggabungkan (blending) beberapa foto yang diambil dalam pengaturan exposure yang berbeda [11].

g(x,y) =

HDRI telah menjadi subjek penelitian selama beberapa tahun dan berbagai jenis metode telah diterapkan untuk menghasilkan citra HDR baik itu tone mapping maupun mengkombinasikan citra yang berbeda exposure [10].

Citra HDR juga merupakan citra dengan detail yang tinggi dimana suatu objek yang mengalami masalah pencahayaan seperti berada dalam sebuah tempat yang agak gelap menjadikan objek tersebut dapat terlihat seperti yang ditangkap oleh mata manusia bukan dari sensor kamera atau sebuah objek berada dalam tempat yang terlalu terang dapat menjadikan objek tersebut dapat terlihat lebih gelap sehingga kualitasnya lebih baik.

2.6.1 Exposure

Exposure merupakan sebuah pengaturan dalam kamera digital untuk menampung cahaya

baik itu banyak atau sedikit intensitasnya. Exposure memiliki range dari negatif hingga positif, dimana semakin negatif pengaturan maka lensa kamera akan sedikit menampung cahaya sehingga citra yang dihasilkan lebih gelap dari normal dan apabila semakin positif pengaturan maka lensa kamera akan lebih banyak menampung cahaya sehingga citra yang dihasilkan lebih terang dari normal.

Gambar 2.19 berikut merupakan contoh citra yang dihasilkan dari 8 pengaturan

exposure yang berbeda dengan shutter speed [5]sebagai berikut 1/3s, 1/6s, 1/13s, 1/25s,

1/50s, 1/100s, 1/200s dan 1/400s (dari kiri atas ke kanan bawah) [1].

Gambar 2.19 Citra Yang berbeda Exposure [1]

2.6.2 Menghasilkan Citra HDR

Salah satu cara menghasilkan citra HDR adalah dengan penggabungan gambar yang berbeda exposure [5] menjadi satu gambar yang kebanyakan dilakukan dalam desktop computing tidak langsung dalam kamera [5]. Citra yang berbeda exposure diambil dari perangkat yang memiliki fitur exposure di dalamnya Gambar 2.20 di bawah ini menunjukkan objek difoto dalam exposure +1 yang menandakan pertambahan luminansi atau bertambahnya intensitas cahaya dari objek yang difoto secara normal.

Gambar 2.20 Citra exposure +1 [16]

Gambar 2.21 di bawah ini merupakan citra yang objeknya difoto tanpa mengatur

exposure-_{nya ke kanan (+1) atau ke kiri (-1), tetapi objek tersebut difoto dengan nilai}

exposure = 0 atau bersifat normal sehingga tidak ada perubahan luminansi ke arah lebih

gelap atau lebih terang dan citra tersebut yang dinamakan citra yang menjadi permasalahan.

Gambar 2.22 di bawah ini merupakan citra yang diambil dengan mengatur exposure ke kiri (-1) sehingga luminansi cahaya berkurang dan area objek tampak lebih gelap dari normal.

Gambar 2.22 Citra exposure -1 [16]

Ketiga citra tersebut akan digabungkan dan akan menghasilkan citra HDR [10] seperti yang terlihat pada Gambar 2.23 di bawah ini.

2.7 Perubahan Kualitas Citra dalam Domain Spasial

Salah satu catatan penting dalam merubah citra digital dalam domain spasial didasari oleh mengimplementasikan beberapa filter matematika dalam matrikss citra. Perubahan kualitas dibagi atas tiga bagian yakni proses point, proses histogram, dan proses mask

[17].

2.7.1 Linear Spatial Filtering

Konsep linear filtering berakar dari penggunaan transformasi fourier untuk pemrosesan sinyal dalam domain frekuensi. Penggunaan istilah linear spatial filtering yang dimaksud disini berbeda dengan proses dalam frequency domain filtering. Operasi Spasial adalah mengalikan setiap piksel dalam tetangga dengan koefisien yang terhubung kepadanya dan menjumlahkan hasilnya untuk mendapatkan jawaban pada setiap titik (x,y). Jika ukuran tetangga adalah mxn , koefisien mn dibutuhkan Koefisien dibentuk menjadi matrikss yang disebut dengan filter, mask, filter mask, kernel, template atau window. Proses pentapisan spasial tidak dapat dilepaskan dari teori kernel dan konvolusi [15]. Beberapa jenis filter dalam domain spasial adalah low pass filter dan High Pass Filter[14].

Kernel adalah matriks yang pada umumnya berukuran kecil dengan elemene-elemennya adalah berupa bilangan. Kernel juga digunakan dalam proses konvolusi. Oleh karena itu kernel juga disebut convolution window. Ukuran kernel dapat berbeda-beda seperti 2x2, 3x3, 5x5 dan sebagainya [15].

2.7.1.1 Highpass Filtering (Tapis Lolos Tinggi)

Tapis Lolos Tinggimerupakan kebalikan dari Tapis Lolos Rendah yaitu mempertahankan (mempertajam) komponen frekuensi tinggi dan menghilangkan (mengurangi) komponen frekuensi rendah sehingga tapis ini sangat cocok untuk penajaman tepi citra [16].

Matrikss Kernel High Pass Filter = [

]

Berikut ini adalah tahap konvolusi menggunakan matrikss kernel High Pass Filter:

1. Input citra, misalkan piksel citra Z(x,y), konvolusikan perblok (3x3) dari awal hingga akhir seperti berikut,

Dikonvolusikan dengan

Matrikss Kernel

citra Z(x,y)

Hasil = 0(0) + 0(-1) + 0(0) + 0(-1) +1(4) + 1(-1) + 0(0) + 1(-1) + 1(0)= 2 Maka piksel tengah blok berubah menjadi seperti di bawah ini:

0 0 0 0 0

0 1 1 1 1

0 1 1 1 1

0 1 1 1 1

0 1 1 1 1

0 1 1 1 1

0 1 1 1 1

0 0 0 0 0

0 -1 0

-1 4 -1

0 -1 0

0 0 0 0 0

0 2 0

0 0

0 0

0 0

0 0

0 0

2. Dengan cara yang sama, lakukan pada blok selanjutnya seperti berikut,

Dikonvolusikan dengan

Matrikss Kernel

citra Z(x,y)

Hasil = 0(0) + 0(-1) + 0(0) + 1(-1) +1(4) + 1(-1) + 1(0) + 1(-1) + 1(0) Hasil = 1

Maka piksel tengah blok berikutnya berubah menjadi seperti di bawah ini:

3. Lakukan hingga blok pikselterakhir sehingga didapat Matrikss citra B(x,y) sebagai citra hasil sebagai berikut,

0 0 0 0 0

0 1 1 1 1

0 1 1 1 1

0 1 1 1 1

0 1 1 1 1

0 1 1 1 1

0 1 1 1 1

0 0 0 0 0

0 -1 0

-1 4 -1

0 -1 0

0 0 0 0 0

0 2 1 0

0 0

0 0

0 0

0 0

0 0

citra Y(x,y)

Dalam pencitraan dengan domain yang besar dapat terlihat seperti gambar 2.24 di bawah ini bahwasanya citra yang blur dapat dipertajam dengan proses konvolusi.

Gambar 2.24 Citra Blur yang Dipertajam dengan High Pass Filter [18]

0 0 0 0 0

0 2 1 2 0

0 1 0 1 0

0 1 0 1 0

0 1 -5 1 0

0 -4 20 -4 0

0 2 -4 2 0

2.8 Algoritma Gaussian

Algoritma Gaussian merupakan Algoritma yang digunakan untuk teknik image fusion

atau yang biasa disebut dengan image blending dimana Gaussian tersebut berfungsi mencari berapa bobot masing-masing piksel citra yang satu dengan yang lainnya agar dapat digabungkan satu sama lain melalui titik pusat tiap blok citra yang memiliki

entropy tertinggi [24].

Ada beberapa langkah dalam algortima Gaussian, yakni [16]:

1. Input citra yang berbeda exposure dan transformasi dalam matrikss (nxm)

2. Kemudian segmentasi beberapa citra dengan ukuran yang sama (aij) seperti pada

Gambar 2.25 di bawah ini

Gambar 2.25 Segmentasi Citra yang Berbeda Exposure [16]

3. Blok area (penulis memberi nama daerah I) yang memiliki entropy tertinggi [2] dimana entropy merupakan rumus rata-rata intensitas seperti persamaan (2.7) berikut :

∑

Keterangan :

adalah banyaknya piksel

i adalah indeks yang dimulai dari 0 hingga 255

4. Titik tengah dari blok-blok tersebut adalah Gi(x,y)

5. Dan langkah selanjutnya adalah citra yang nilai exposure +1 juga dicari nilai Gi(x,y)

pada masing-masing daerah

6. Cari nilai dari masing-masing titik Gi (x,y) dengan persamaan (2.9) di bawah ini [2]:

Keterangan :

adalah nilai Gaussian e adalah eksponen

x adalah koordinat baris citra yang diproses

y adalah koordinat kolom citra yang diproses adalah koordinat baris pusat pada blok I adalah koordinat kolom pusat pada blok I

adalah standar deviasi atau lebar blok [16]

7. Setelah itu cari nilai weight atau bobot masing-masing piksel menggunakan persamaan (2.10) di bawah ini :

∑ Keterangan :

adalah nilai Gaussian dari citra yang diproses

adalah bobot atau weight

i adalah indeks

8. Persamaan 2.11 di bawah ini menjelaskan cara mencari output adalah sebagai berikut: ∑ Keterangan :

adalah Output akhir atau citra HDR

adalah bobot atau weight

adalah piksel citra ke-i

i adalah indeks

N adalah banyaknya citra yang diproses [16]

2.9 Penelitian Sebelumnya

Berikut adalah beberapa penelitian yang dilakukan sebelumnya tentang penggabungan citra menggunakan Algoritma Gaussian dan penajaman citra dengan Algoritma High Pass Filter :

1. Penelitian yang dilakukan oleh Marco Block, Maxim Schaubert, Fabian Wiesel dan Raul Rojas dengan judul “Multi Exposure Document Fusion Based on

Edge-Intensities” yang mempresentasikan algoritma baru dalam peleburan citra tentang

beberapa tulisan yang diambil dengan beberapa exposure yang berbeda, selanjutnya citra yang berbeda exposure tersebut digabungkan menggunakan persamaan Algoritma Gaussian dan menggabungkannya dengan persamaan lain yang berbasis intensitas tepi sehingga dihasilkannya citra HDR [2]

2. Penelitian yang dilakukan oleh H.B Kekre, Tanuja K. Sarode dan Suchitra M. Patil dengan judul “2D Image Morphing using Piksels based Color Transition

Method” yang mengatakan bahwa Algoritma Gaussian berfungsi untuk menghitung bobot, dimana bobot tersebut dikomputasi menggunakan perbedaan warna dar 2 piksel yang berhubungan dari citra awal dan citra target [7]

3. Penelitian yang dilakukan oleh Andras Rovid dan Peter Varlaki yang berjudul

“Improved HDR Image Reconstruction Method” yang mengatakan bahwa HDR

dalam penggabungan beberapa blok citra yang berbeda exposure dan mengkombinasikannya dengan Algoritma Fuzzy untuk membership tiap piksel citra tersebut [16]

4. Penelitian yang dilakukan oleh Mr.Harvinder Singh dan Prof(Dr). J. S. Sodhi dengan judul “Image Enchancement using Sharpen Filter” yang mengatakan bahwa beberapa citra dapat ditajamkan menggunakan “Unsharp Mask” dan menggunakan matrikss kernel yang akan dikonvolusikan dengan citra awal sehingga citra akhir akan menjadi lebih tajam [18].

Dalam bab ini juga penulis cantumkan perhitungan manual piksel citra dengan Algoritma Gaussian dan High Pass Filter dalam 15x20 piksel citra dan beberapa tahap dari algoritma yang penulis gunakan .

3.1 Analisis

Pada dasarnya citra juga mengalami kondisi yang buruk akan kualitasnya. Salah satu penyebabnya adalah kurangnya pencahayaan terhadap objek citra yang mengakibatkan objek tersebut tidak tampak atau gelap. Dalam penelitian ini, yang dibahas adalah penggabungan citra (gambar) dengan menggunakan algoritma

Gaussian dan penajaman citra dengan algoritma High Pass Filter guna memperbaiki

kualitas citra yang buruk menjadi citra yang lebih informatif seperti citra HDR. Dalam bab ini akan dibahas tentang analisis perancangan Algoritma yang penulis gunakan tersebut.

Analisis dilakukan untuk memberikan gambaran secara umum terhadap implementasi yang akan dibuat. Hasil analisis akan menjadi dasar untuk melakukan perancangan atau desain program sesuai dengan kebutuhan. Analisis juga dapat menggambarkan bagaimana proses sebuah metode atau algoritma untuk menghasilkan sesuatu yang akan dituangkan dalam sebuah perhitungan, diagram atau tulisan.

Dalam bab ini juga penulis cantumkan perhitungan manual piksel citra dengan Algoritma Gaussian dan High Pass Filter dalam 15x20 piksel citra.

3.2 Flowchart Umum Program

Gambar 3.1 di bawah ini merupakan Flowchart program secara umum,

Gambar 3.1 Flowchart Umum Program Pilih jenis

blok Mulai

Input Citra 1, Citra2, Citra3

Menampilkan blok yang telah diseleksi

Penggabungan citra dengan algoritma

Gaussian

Menampilkan citra hasil penggabungan

ketiga citra sebelumnya (HDR)

Penajaman citra HDR dengan algoritma High

Pass Filter

Selesai Citra HDR Yang Lebih

3.3 Analisis Kinerja Algoritma Gaussian

Penelitian ini akan dilakukan analisis dan perancangan perangkat lunak penggabungan citra yang berkeskstensi *.jpg dengan menggunakan algoritma Gaussian. Proses penggabungan citra didasarkan pada kualitas citra yang kurang baik,atau untuk menghasilkan informasi yang baru. Penggabungan citra dalam algoritma Gaussian

didasarkan pada hasil perhitungan entropy dalam citra yang telah dibagi menjadi beberapa blok.

Proses penggabungan citra dikhususkan pada citra yang berbeda exposure

yang membedakan citra tersebut merupakan citra yang gelap, normal atau terang. Citra yang diteliti atau digabungkan terdiri dari 3 citra. Citra pertama adalah citra yang gelap yang diambil dalam pengaturan exposure -3, Citra kedua adalah citra yang menjadi objek permasalahan yang diambil tanpa pengaturan exposure (normal), citra ketiga adalah citra yang terang yang diambil dalam pengaturan exposure +3. Ketiga citra tersebut akan dibagi menjadi beberapa blok, dimana ukuran blok dalam tiap citra akan mempengaruhi kualitas citra yang akan dihasilkan nantinya.

Tiap citra yang telah dibagi menjadi beberapa blok dihitung masing-masing nilai entropy dalam bloknya, dalam 1 citra akan dihasilkan nilai entropy yang tertinggi berada di suatu blok. Tiap blok memiliki koordinat pusat (xi,yi), blok yang memiliki

nilai entropy yang paling tinggi akan dipilih dan diproses untuk menghasilkan bobot citra tersebut. Ketiga citra yang sudah memiliki bobot akan digabungkan menjadi satu citra yang dinamakan citra High Dynamic Range (HDR).

3.3.1 Pseudocode Algoritma Gaussian

Berikutadalah Pseudocode Algoritma Gaussian : Input Citra 1

Mat2cell Citra 1

Bagi dalam beberapa blok %dalam analisis 5x5 blok %Cari nilai entropy tiap blok

Set n = banyak piksel dalam blok Set ni = histc(blok)

Set pi = ni/n

Set Entropy = Jumlah pilog pi

Jika blok yang memiliki nilai entropy tertinggi Maka Pilih Blok

Jika tidak

selesai

Set standar deviasi = lebar blok

Set hitungx = Kuadrat dari koordinat x seluruh citra 1 - koordinat xi(titik tengah) blok yang memiliki entropy tertinggi

Set hitungy = Kuadrat dari koordinat y seluruh citra 1 - koordinat yi(titik tengah) blok yang memiliki entropy tertinggi

Set bawah = 2*(kuadrat dari(standar_deviasi))

Set Gaussian_tampung1 = double(eksponen dari(-((hitungx + hitungy )/bawah)))

Input Citra 2 Mat2cell Citra 2

Bagi dalam beberapa blok %dalam analisis 5x5 blok %Cari nilai entropy tiap blok

Set n = banyak piksel dalam blok Set ni = histc(blok)

Set pi = ni/n

Set Entropy = Jumlah pilog pi

Jika blok yang memiliki nilai entropy tertinggi Maka Pilih Blok

Jika tidak

selesai

Set standar deviasi = lebar blok

Set hitungx = Kuadrat dari koordinat x seluruh citra 1 - koordinat xi(titik tengah) blok yang memiliki entropy tertinggi

Set bawah = 2*(kuadrat dari(standar_deviasi))

Set Gaussian_tampung2 = double(eksponen dari(-((hitungx + hitungy )/bawah)))

Input Citra 3 Mat2cell Citra 3

Bagi dalam beberapa blok %dalam analisis 5x5 blok %Cari nilai entropy tiap blok

Set n = banyak piksel dalam blok Set ni = histc(blok)

Set pi = ni/n

Set Entropy = Jumlah pilog pi

Jika blok yang memiliki nilai entropy tertinggi Maka Pilih Blok

Jika tidak

selesai

Set standar deviasi = lebar blok

Set hitungx = Kuadrat dari koordinat x seluruh citra 1 - koordinat xi(titik tengah) blok yang memiliki entropy tertinggi

Set hitungy = Kuadrat dari koordinat y seluruh citra 1 - koordinat yi(titik tengah) blok yang memiliki entropy tertinggi

Set bawah = 2*(kuadrat dari(standar_deviasi))

Set Gaussian_tampung3 = double(eksponen dari(-((hitungx + hitungy )/bawah)))

%Penggabungan gambar

Set Gauss_1 = Gaussian_tampung1 / Gaussian_tampung1 +

Gaussian_tampung2 + Gaussian_tampung3

Set Gauss_2 = Gaussian_tampung1 / Gaussian_tampung1 +

Gaussian_tampung2 + Gaussian_tampung3

Set Gauss_3 = Gaussian_tampung1 / Gaussian_tampung1 +

Gaussian_tampung2 + Gaussian_tampung3

Set Hasil_pertama = Gauss_1 * Piksel citra1 Set Hasil_kedua = Gauss_2 * Piksel citra2 Set Hasil_ketiga = Gauss_3 * Piksel citra3

3.3.2 Flowchart Algoritma Gaussian

Berikut adalah Flowchart program dari Algoritma Gaussian :

1. Gambar 3.2 di bawah ini merupakan Flowchart Perhitungan

Gaussian_tampung1, dimana Gaussian_tampung1 adalah sebuah prosedur

yang menjelaskan tentang Gi(x,y) dimana i=1.

Mulai

Input Citra 1

Mat2cell Citra 1

n = banyak piksel dalam blok

ni = histc(blok)

pi = ni/n

Tidak

Entropy = Jumlah pi log pi Blok (baris,kolom) terpilih = Max(entropy) Jika blok (baris,kolom) terpilih

standar deviasi = lebar blok

hitungx = x - xi

hitungy = y - yi

Gaussian_tampung1 = (eksponen dari(-((hitungx + hitungy

)/bawah))) Selesai Ya Gaussian _tampung 1

2. Gambar 3.3 di bawah ini merupakan Flowchart Perhitungan

Gaussian_tampung1, dimana Gaussian_tampung2 adalah sebuah prosedur

yang menjelaskan tentang Gi(x,y) dimana i=2

Mulai

Input Citra 2

Mat2cell Citra 2

n = banyak piksel dalam blok

ni = histc(blok)

pi = ni/n

Tidak

Entropy = Jumlah pi log pi Blok (baris,kolom) terpilih = Max(entropy) Jika blok (baris,kolom) terpilih

standar deviasi = lebar blok

hitungx = x - xi

hitungy = y - yi

Gaussian_tampung2 = (eksponen dari(-((hitungx + hitungy

)/bawah))) Selesai Ya Gaussian _tampung 2

3. Gambar 3.4 di bawah ini merupakan Flowchart Perhitungan

Gaussian_tampung1, dimana Gaussian_tampung3 adalah sebuah prosedur

yang menjelaskan tentang Gi(x,y) dimana i=3

Mulai

Input Citra 3

Mat2cell Citra 3

n = banyak piksel dalam blok

ni = histc(blok)

pi = ni/n

Tidak

Entropy = Jumlah pi log pi Blok (baris,kolom) terpilih = Max(entropy) Jika blok (baris,kolom) terpilih

standar deviasi = lebar blok

hitungx = x - xi

hitungy = y - yi

Gaussian_tampung3 = (eksponen dari(-((hitungx + hitungy

)/bawah))) Selesai Ya Gaussian _tampung 3

4. Gambar 3.5 di bawah ini merupakan Flowchart Perhitungan Bobot Citra dan Penggabungan Citra, dimana bobot = Wi(x,y) , dalam persamaan Algoritma

Gaussian yakni Gauss_1 = bobot citra 1, Gauss_2 = bobot citra 2, Gauss_3 =

bobot citra 3

Mulai

Gauss_1 = Gaussian_tampung1 / Gaussian_tampung1 + Gaussian_tampung2 + Gaussian_tampung3

Hasil_pertama = Gauss_1 * Piksel citra1

Gauss_2 = Gaussian_tampung2 / Gaussian_tampung1 + Gaussian_tampung2 + Gaussian_tampung3

Gauss_3 = Gaussian_tampung3 / Gaussian_tampung1 + Gaussian_tampung2 + Gaussian_tampung3

Hasil_kedua = Gauss_2 * Piksel citra2

Hasil_kedua = Gauss_3 * Piksel citra3

Add1 = Hasil_pertama + Hasil_kedua + Hasil_ketiga

Selesai Tampilkan Add1 = HDR Insert Gaussian_tampung1,

Gaussian_tampung2, Gaussian_tampung3

3.3.3 Perhitungan Algoritma Gaussian pada Citra

Contoh penggunaan algoritma Gaussian pada citra adalah misalkan pada citra berwarna dengan ukuran 15x20 piksel dapat dilihat pada gambar 3.6 di bawah ini yang akan diproses menjadi citra baru yang dinamakan citra HDR.

Gambar 3.6 Gambar Citra 2 (Citra Exposure Normal) 1. Berikut adalah Nilai Pikselnya :

Red Citra 2(x,y) =

2. Kemudian dibagi blok perblok dimana tiap blok adalah 5 x 5 piksel, misalkan blok 1,1 adalah blok yang memiliki nilai entropy tertinggi di antara blok lainnya, maka yang dipilih adalah blok 1,1

7 8 6 2 2 3 4 5 3 5 1 2 1 1 4 5 6 3 3 9 5 5 3 4 8

Green Citra 2(x,y) =

Blue Citra 2(x,y) =

Blok 1,1 Red Citra 2(x,y) =

7 8 7 3 4 3 4 5 3 6 2 2 1 1 4 5 5 3 3 9 5 5 4 4 8

4 5 4 1 2 1 1 2 1 2 1 1 1 1 2 3 3 2 1 6 2 2 2 2 5

3. Kemudian dari tiap blok dicari nilai Entropy-nya dengan rumus sebagai berikut :

∑

Keterangan :

adalah intensitas piksel adalah banyaknya piksel

i adalah indeks yang dimulai dari 0 hingga 255

Blok 1,1 Green Citra 2(x,y) =

Blok 1,1 Blue Citra 2(x,y) =

Misal piksel blok pertama adalah

7 8 6 2 2 3 4 5 3 5 1 2 1 1 4 5 6 3 3 9 5 5 3 4 8

Maka n = 25 (banyaknya piksel dalam blok)

Tabel 3.1 Nilai Entropy Blok 1,1 Red Citra 2 i ni pi = ni/n Log(pi) pi*Log(pi)

1 3 0.1200 -0.9208 -0.1105

2 3 0.1200 -0.9208 -0.1105 3 5 0.2000 -0.6990 -0.1398 4 3 0.1200 -0.9208 -0.1105 5 5 0.2000 -0.6990 -0.1398 6 2 0.0800 -1.0969 -0.0878 7 1 0.0400 -1.3979 -0.0559 8 2 0.0800 -1.0969 -0.0878 9 1 0.0400 -1.3979 -0.0559

4. Maka didapat entropy dari blok Red tersebut adalah total dari –(pi*log(pi)) =

0.8984

5. Setelah perhitungan blok matrik Red, dilanjutkan dengan cara yang sama terhadap Green dan Blue

6. Setelah didapat hasil total entropy Red Green dan Blue dibandingkan nilai

entropy blok yang satu dengan yang lain

7. Pada citra normal ini didapat hasil entropy tertinggi pada blok 2,3 sebagai berikut

Blok 1,1 Red Citra 2(x,y) =

Gambar 3.7 Letak Entropy Tertinggi Pada Citra 2

8. Berikut adalah nilai piksel blok tersebut

166 174 40 74 62 144 132 40 84 60 117 101 43 93 54 120 111 46 61 59 96 92 42 33 30

150 165 39 70 65 135 128 40 78 63 107 99 43 86 53 112 110 47 59 59 96 92 41 35 30

134 154 33 54 46 117 112 33 59 41 95 92 38 73 41 101 105 41 52 53 92 89 34 22 20

Blok 2,3 Red Citra 2(x,y) =

Blok 2,3 Green Citra 2(x,y) =

Blok 2,3 Blue Citra 2(x,y) =

9. Tiap blok memiliki titik koordinat pusat masing-masing yang akan dioperasikan dengan rumus Gaussian

Misalnya dalam ilustrasi seperti gambar 3.8 yang di bawah ini,

Gambar 3.8 Ilustrasi Koordinat Pusat

Apabila dilihat secara keseluruhan seperti berikut,

Letak Blok 2,3 Red Citra 2(x,y) =

10.Daerah yang berwarna hijau (Blok 2,3) adalah daerah dengan entropy yang tertinggi dan dengan daerah tersebut memiliki titik tengah masing-masing dalam sumbu koordinat citra, dalam kasus ini titik tengah daerah yang memiliki entropy tertinggi pada citra 2 adalah (8,13) baik dalam Red, Green

atau Blue

11.Diketahui Rumus Gaussian adalah :

Keterangan :

adalah nilai Gaussian Letak Blok

2,3 Green Citra 2(x,y) =

Letak Blok 2,3 Blue Citra 2(x,y) =

x adalah koordinat baris citra yang diproses

y adalah koordinat kolom citra yang diproses adalah koordinat baris pusat pada blok I adalah koordinat kolom pusat pada blok I adalah standar deviasi atau lebar blok [16]

12.Diketahui koordinat citra 2 seperti pada gambar 3.9 di bawah ini adalah :

Gambar 3.9 Koordinat Citra 2

13.Maka seluruh koordinat citra 2(x,y) akan dilakukan operasi pengurangan terhadap titik xi,yi (8,13)

14.Koordinat x adalah

Koordinat y adalah

15.Maka (x-xi)2 adalah

16.Dan (y-yi)2 adalah (x-xi)2=

(y-yi)2= y =

17.Didapat (Gaussian_tampung 2) adalah

18.Untuk mencari bobot maka dilakukan langkah yang sama terhadap citra 1 seperti pada gambar 3.10 di bawah ini dan citra 3 seperti pada gambar 3.11 di bawah ini dan didapat nilai nya masing-masing sebagai berikut

Gambar 3.10 Citra 1

Nilai Pikselnya adalah

Red Citra 1(x,y) =

Green Citra 1(x,y) =

Blue Citra 1(x,y) =

Gambar 3.11 Citra 3 Berikut adalah nilai Piksel Citra 3

Red Citra 3(x,y) =

Green Citra 3(x,y) =

19.Didapat (Gaussian_Citra1) Citra 1 adalah

Blue Citra 3(x,y) =

20.Didapat (Gaussian_Citra3) Citra 3 adalah

21. Total nya adalah ( + + )

22.

maka di dapat nilai sebagai berikut:

23. dimana I1 adalah citra 1 dalam Red, Green, Blue

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 2 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 3 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 3 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 3 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 3 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 2 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 3 2 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 3 2 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 3 1 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 2 8 7 3 2 1 0 0 0 1 1 0 1 0 0 0 0 0 3 3 3 5 6 3 2 2 1 0

Red O1(x,y) = W1(x,y) =

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 2 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 3 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 3 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 3 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 3 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 2 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 3 2 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 3 2 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 3 1 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 3 8 7 3 2 1 0 0 0 1 1 0 1 0 0 0 0 0 3 3 3 5 6 3 2 2 1 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 2 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 3 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 2 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 2 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 2 2 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 3 2 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 3 1 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 2 9 8 3 2 1 0 0 0 1 1 0 0 0 0 0 0 0 3 2 3 5 6 3 2 2 1 0

Green O1(x,y) =

Blue O1(x,y) =

24.

maka di dapat nilai sebagai berikut:

Red O2(x,y) =

Green O2(x,y) = W2(x,y) =

25.

maka di dapat nilai sebagai berikut:

Blue O2(x,y) =

105

DAFTAR PUSTAKA

[1] Akhavan, T., Yoo, H. & Gelautz, M. 2013. A framework for HDR stereo matching using multi-exposed images. First International Conference and SME Workshop on HDR imaging.

[2] Block, M.,Schaubert, M., Wiesel, F. & Rojas, R. 2009. Multi-Exposure Document Fusion Based on Edge-Intensities.

[3] Cheng C. C., C. Oscar., Cheung N. M., Liu, C. H. & Yue, Ka. 2009. High Dynamic Range image capturing by Spatial Varying Exposed Color Filter Array with specific Demosaicking Algorithm. 648-653.

[4] Duan, J. & Bressan, M. 2010. Tone-mapping high dynamic range images by novel histogram adjustment. Pattern Recognition. 1847–1862.

[5] Ellis, D. 2008. Tone Mapping for High Dynamic Range Cameras

[6] Elfand, N., Adams, A., Park, S. H. & Pulli, K. 2010. Multi-exposure Imaging on Mobile Devices. 823-826.

[7] Kekre, H. B., Sarode, Tanuja K. & Patil, Suchitra M. 2011. 2D Image Morphing using Pixels based Color Transition Methods. International Conference and workshop on Emerging Trends in Technology (ICWET). 6-13.

[8] Komputer Wahana. 2013. Ragam Aplikasi Pengolahan Image dengan Matlab. PT. Elex Media Komputindo: Jakarta.

[9] Lin, W.C. & Yan, Z.C. 2011. Attention-based high dynamic range imaging. 717-727.

[10] Malik, Y. A. & Esa, W. M. 2011. A Comparative Study of Various Tone Mapping Methods.World Academy of Science, Engineering and Technology.759-764.

[11] Ofili, C., Glozman, S. & Pecht O.Y. 2012. An In Depth-Analysis and Image Quality Assesment of An Exponent Based Tone Mapping Algorithm. International Journal "Information Models and Analyses”. 2:236-250.

[12] Orozco, R. R., Loscos, C. Martin, I. & Artusi, A. 2013. Patch-based registration for auto-stereoscopic HDR content creation. First International Conference and SME Workshop on HDR imaging. 9.

106

[13] Pramitarini, Y. 2011. Analisa Pengiriman Citra TerkompresiJPEG dengan Teknik Spread Spektrum Direct Sequence. Skripsi Jurusan Teknik Telekomunikasi Institut Teknologi Sepuluh November.

[14] Prasetyo, E. 2011. Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab. Andi: Yogyakarta.

[15] Putra, D. 2010. Pengolahan Citra Digital. Andi: Yogyakarta.

[16] Rovid, A. & Varlaki, P. 2008. Improved HDR Image Reconstruction Method. International Conference on Computers. 628-632.

[17] Sa'dah, Y. A., Al-Najdawi, N. & Tedmori, S. 2013. Exploiting Hybrid Methods for Enhancing Digital X-Ray Images. The International Arab Journal of Information Technology. 10(1): 28-35.

[18] Singh, H. & Sodhi, J. S. 2013. Image Enhancement using Sharpen Filters. International Journal of Latest Trends in Engineering and Technology (IJLTET). 2(2): 84-94.

[19] Susilo, N. & Akhlis, I. 2012. Pengembangan Program Pengolahan Citra Untuk Radiografi Digital. Jurnal MIPA Universitas Negeri Semarang. 1:46-56.

[20] Sutoyo, T. & Mulyanto, E. 2009. Teori Pengolahan Citra Digital. Andi: Yogyakarta.

[21] Tembhurne, P. S. 2013. Mosaicing Using Laplacian of Gaussion Method. International Journal of Engineering Trends and Technology (IJETT). 4(4): 921-923.

CURRICULUM VITAE

Nama Lengkap : Riri Indriati Purba

Tempat, Tanggal Lahir : Pematangsiantar, 17 Juni 1990 Jenis Kelamin : Perempuan

Agama : Islam

Golongan Darah : O

Kewarganegaraan : Indonesia

Alamat : Jalan Patroli 07, Kecamatan Siantar Sitalasari, Pematangsiantar

Nomor Handphone/email : 085276011170/ ririindriatipurba@gmail.com/

PENDIDIKAN FORMAL

No. Pendidikan Tempat Tahun

1 SD Yayasan Perguruan

Sultan Agung, Pematangsiantar

1996 - 2002 2 SMP SMP N 2 Pematangsiantar 2002 - 2005 3 SMA SMA N 4 Pematangsiantar 2005 - 2008 4 DIPLOMA Universitas Sumatera Utara 2008 – 2011

PENDIDIKAN NON FORMAL

1. Mengikuti Kursus Bahasa Inggris hingga tahap Fluency Speaking di Briton, Medan 2. Mengikuti Kursus Bahasa Inggris hingga tahap Conversation di Polyace, Medan 3. Mengikuti Kursus Bahasa Pemrograman Visual Basic di Polyace, Medan

4. Mengikuti Kursus Bahasa Pemrograman PHP di Dhuo Creative, Medan

KEMAMPUAN

1. Mampu berbahasa Inggris

2. Mampu mengoperasikan berbagai jenis aplikasi komputer seperti MS. Office (MS. Word, MS. Excel, Power Point, MS. Access) dan sebagainya

3. Mengerti beberapa Bahasa Pemrograman (C, C++, Visual Basic, PHP, Assembling, Matlab) 4. Mengerti Database Management

5. Mampu bekerja secara individual ataupun dalam tim 6. Mampu berkomunikasi dengan baik

SEMINAR

2008 :  Seminar Teknologi Informasi di Aula MIPA USU

2010 :  Enterpreneurship, Langkah Cemerlang Menuju Sukses di Ukmi AL- Falak USU

 Upgrade IT Knowledge & Enterpreneurs Road Map di Raz Plaza  International Seminar on Mathematics and Its Applications di USU 2011 :  Seminar Teknologi Informasi : The Development of Modern Operating

System Technology di USU

 Seminar Sehari Robotika dan Informatika di USU  Medan Mobile Development Day di USU

2012 :  Membuat Website Sederhana Menggunakan PHP Dengan ZEND Framework & Membuat Aplikasi Android Sederhana dengan Accelerometer di Telkom BLC

 Be a Succesful Entrepreneur by Developing Mobile Application di Aula Fakultas Teknik USU

 The Future of Augmented Reality di Gelanggang Mahasiswa USU 2013 :  Cloud Computing, Solusi Cerdas Komputasi Masa Depan

WORKSHOP

2010 :  Workshop Networking Windows Server Work Station di USU 