1. Home
  2. Pendidikan

Citra Digital LANDASAN TEORI

5

BAB II LANDASAN TEORI

2.1. Citra Digital

Citra digital dapat didefenisikan sebagai fungsi fx,y yaitu dua dimensi, dimana x dan y merupakan koordinat spasial dan fx,y disebut dengan intensitas atau tingkat keabuan citra pada koordinat x dan y. Sedangkan image processing adalah suatu metode yang digunakan untuk mengolah atau memanipulasi gambar dalam bentuk dua dimensi. Image processing dapat juga dikatakan segala operasi untuk memperbaki, menganalisa, atau mengubah suatu gambar Gonzales Woods, 2002. 2.1.1. Grayscaling Grayscaling merupakan proses perubahan nilai pixel dari warna RGB menjadi grey- level Gonzales Woods, 2002. Pada dasarnya proses ini dilakukan dengan meratakan nilai pixel dari 3 nilai RGB menjadi 1 nilai. Untuk memperoleh hasil yang lebih baik, nilai pixel tidak langsung dibagi menjadi 3 melainkan terdapat presentasi dari masing-masing nilai tersebut. Untuk mengubah gambar RGB menjadi grayscale dapat menggunakan rumus Wu 2007 yaitu : Gray = 0.2989 R + 0.5870 G + 0.1140 B Keterangan : R = Red merah G = Green hijau B = Blue biru 2.1.2. Binarization Gambar hitam putih relatif lebih mudah dianalisa dibandingkan dengan gambar berwarna. Wu, 2007. Karena itu sebelum dianalisa, gambar dikonversikan terlebih dahulu menjadi binary image. Proses konversi ini disebut binarization. Dalam proses binerisasi, warna yang ada dikelompokkan menjadi 0 hitam dan 1 putih. Pengelompokannya berdasarkan pada suatu konstanta ambang batas level. Jika nilai Universitas Sumatera Utara 6 pixel lebih besar sama dengan level, maka nilai outputnya adalah 1, dan sebaliknya, jika nilai pixel lebih kecil dari level, maka nilai outputnya adalah 0. 2.1.3. Image Thinning Thinning atau disebut juga skeletonizing adalah suatu metode untuk merepresentasikan transformasi suatu bentuk gambar ke bentuk graph dengan mereduksi informasi tertentu dalam gambar tersebut Ahmad, 2005. Thinning ini biasa digunakan untuk mencari bentuk dasar dari suatu gambar dengan menghilangkan informasi yang tidak diperlukan.

2.2. Jaringan Syaraf Biologi

Dokumen yang terkait

Kombinasi Algoritma Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) Dan Self Organizing Kohonen Pada Kecepatan Pengenalan Pola Tanda Tangan

7 107 80

Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation Dan Learning Vector Quantization Pada Pengenalan Wajah

5 47 255

Pengenalan Pembicara Dengan Jaringan Syaraf Tiruan Backpropagation

0 6 7

Pengenalan Pembicara dengan Jaringan Syaraf Tiruan Backpropagation

1 11 37

PENGENALAN POLA BREAST CANCER MENGGUNAKAN ALGORITMA NGUYEN WIDROW BACKPROPAGATION.

0 1 12

PENGARUH NGUYEN WIDROW DAN MOMENTUM PADA KINERJA JARINGAN SYARAF TIRUAN BACKPROPAGATION.

0 4 10

SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON

0 0 5

Pengaruh Kombinasi Algoritma Nguyen Widrow Dan Adaptive Learning Rate Pada Jaringan Syaraf Tiruan Backpropagation Untuk Pengenalan Karakter Alfanumerik

0 0 71

BAB II LANDASAN TEORI 2.1. Citra Digital - Pengaruh Kombinasi Algoritma Nguyen Widrow Dan Adaptive Learning Rate Pada Jaringan Syaraf Tiruan Backpropagation Untuk Pengenalan Karakter Alfanumerik

0 0 17

PENGARUH KOMBINASI ALGORITMA NGUYEN WIDROW DAN ADAPTIVE LEARNING RATE PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN KARAKTER ALFANUMERIK

0 0 16