Ekstraksi Fitur LANDASAN TEORI

 Thresholding Proses thresholding digunakan untuk mengatur derajat keabuan pada citra. Pada proses thresholding, citra memiliki dua tingkat keabuan yaitu hitam dan putih. Proses penentuan tingkat warna citra pada proses thresholding dilakukan dengan mendapatkan nilai ambang. Pada proses ini, perhitungan nilai ambang dilakukan pada setiap piksel pada citra. Jika nilai yang dihasilkan kurang dari nilai ambang maka nilai piksel tersebut akan diubah menjadi warna hitam dan jika nilai yang dihasilkan lebih dari nilai rata- rata maka nilai piksel akan diubah menjadi warna putih. Proses perhitungan nilai ambang dapat dilakukan dengan persamaan : Keterangan : T = Nilai threshold fmaks = Nilai piksel maksimum fmin = Nilai piksel minimum

2.3 Ekstraksi Fitur

Ekstraksi fitur merupakan proses pengambilan ciri dari satu polabentuk sehingga di dapatkan suatu nilai pada pola citra untuk dilakukan analisis pada proses selanjutnya. Tugas ekstraksi fitur yaitu mengubah konten gambar menjadi berbagai konten fitur. Fitur-fitur yang memungkinkan membantu dalam proses pendiskriminasian citra akan digunakan pada proses selanjutnya. Sedangkan fitur yang tidak terpilih tidak akan digunakan. Dalam beberapa tahun ini, ekstraksi fitur menjadi trend dalam bidang pengolahan citra. Proses ekstraksi fitur pada konten citra terbukti cukup handal digunakan pada aplikasi professional dalam bidang industri, biomedis, otentifikasi dan pencegahan kejahatan. Ekstraksi fitur memiliki langkah paling penting karena fitur yang dihasilkan dapat membantu mendiskriminasikan secara langsung dalam proses klasifikasi Choras, 2007. Hasil akhir dari proses ekstraksi fitur adalah kumpulan fitur dan 2.2 Universitas Sumatera Utara sering disebut sebagai vektor fitur. Fitur yang dihasilkan merupakan hasil dari representasi gambar. Fitur didefinisikan sebagai fungsi dari beberapa pengukuran dimana setiap pengukuran menentukan nilai dari sebuah objek dan dihitung sedemikian rupa sehingga pengukururan karakteristik objek lebih signifikan. Fitur dapat diklasifikasikan sebagai berikut : 1. Fitur umum Fitur umum merupakan nilai fitur yang bersifat independen seperti warna, tekstur, dan bentuk. Menurut level ekstraksi, fitur umum dibagi menjadi :  Fitur pixel-level yaitu fitur dihitung pada setiap piksel.  Fitur local yaitu fitur dihitung berdasarkan hasil subdivisi dari pola citra pada citra segmentasi ataupun deteksi tepi.  Fitur global yaitu fitur dihitung pada seluruh konten pada citra. 2. Fitur spesifik merupakan nilai fitur yang bersifat dependen seperti wajah manusia, sidik jari, dan lain-lain. Fitur dapat diklasifikasikan kedalam low-level features dan high-level features. Proses ekstraksi pada low-level features dilakukan pada citra asli, dan proses ekstraksi pada high-level features bergantung pada fitur low-level features. Proses Ekstraksi fitur terbagi menjadi tiga macam yaitu : a. Ekstraksi fitur bentuk Ekstraksi fitur bentuk adalah perhitungan kesamaan kedekatan antara representasi bentuk dengan fiturnya. Bentuk merupakan fitur visual yang penting dan merupakan salah satu fitur sederhana dalam mendeskripsikan konten citra. Fitur bentuk dikategorikan pada teknik yang digunakan. Kategori tersebut terdiri atas :  Berdasarkan batas boundary-based Teknik ini merepresentasikan bentuk daerah dengan menggunakan karakteristik eksternal. Universitas Sumatera Utara  Berdasarkan daerah region-based Teknik ini merepresentasikan bentuk wilayah dengan karakteristik internal. b. Ekstraksi fitur tekstur Tekstur adalah salah satu bagian penting dari citra. Tekstur adalah descriptor wilayah yang dapat membantu dalam proses pengambilan informasi. Tekstur tidak memiliki kemampuan untuk menemukan kesamaan citra namun dapat digunakan untuk mengklasifikasikan citra bertekstur dari non-tekstur dan kemudian dapat dikombinasikan dengan fitur lainnya seperti warna untuk mendapatkan pengambilan informasi yang lebih efektif. Tekstur menjadi karakteristik penting yang dapat digunakan dalam pengklasifikasikan dan mengenal objek dan memiliki kemampuan menemukan persamaan antara citra-citra pada database multimedia. Pada dasarnya, metode representasi tekstur dapat diklasifikasikan menjadi dua kategori yaitu struktural dan statistik. Beberapa metode statistik antara lain Fourier power spectra, co- occurrence matrices, shift-invariant principal component analysis SPCA, Tamura features, Gabor and wavelet transform. c. Ekstraksi fitur warna Pada ciri pembeda pada ekstraksi fitur adalah warna. Ekstraksi fitur warna merupakan fitur visual yang sering digunakan pada proses pengambilan informasi citra. Fitur warna dalam mengklasifikasikan citra memiliki keuntungan yaitu : ketahanan, efektif, implementasi yang sederhana, komputasi yang sederhana dan kemampuan penyimpanan yang kecil. Beberapa model warna yang sering digunakan antara lain : RGB Red, Green, Blue, HSV Hue, Saturation, Value dan Y, C b , C r Luminance and Chrominance.

2.4 Metode Zoning