20
2.5 Citra Digital
Citra digital dapat didefenisikan sebagai fungsi dua variabel fx,y dimana x dan y adalah koordinat spasial dan nilai fx,y yang merupakan intensitas citra pada
koordinat tersebut. Teknologi dasar untuk menciptakan dan menampilkan warna pada citra digital berdasarkan pada penelitian terdahulu bahwa sebuah warna merupakan
kombinasi dari tiga warna dasar, yaitu merah, hijau, dan biru
Red, Green, Blue - RGB
. Sistem kordinat pada sebuah citra digital dapat dilihat pada Gambar 2.6.
Gambar 2.6. Sistem Koordinat Citra Digital
Citra digital memiliki beberapa format yang memiliki karakteristik tersendiri. Format pada citra digital ini umumnya berdasarkan tipe dan cara kompresi yang
digunakan pada citra digital tersebut. Namun dalam penelitian ini format
file
citra yang digunakan adah format
file
citra JPEG .jpg.
2.5.1 Format File Citra JPG
JPEG atau
Joint Photographic Experts Group
adalah format citra yang banyak digunakan untuk meyimpan citra-citra dengan ukuran lebih kecil. JPEG mampu
menampilkan warna dengan kedalaman 24-bit
true color
, mengkompresi citra dengan sifat
lossy
dan umumnya digunakan untuk menyimpan citra-citra hasil foto. Jika ingin menampilkan citra dengan detail rumit dan bergradasi
file
citra dengan format ini dapat digunakan.
File
citra JPEG dapat menghasilkan citra yang hampir seperti aslinya.
File
citra JPEG dapat menghasilkan warna sampai dengan 16 juta warna. Ukuran
file
citra JPEG pada umumnya lebih besar dari GIF.
Universitas Sumatera Utara
21
2.5.2 Jenis-jenis Citra Digital
Beberapa jenis citra digital yang sering digunakan adalah citra biner, citra
grayscale
dan citra warna.
2.5.2.1 Citra Biner
Citra biner merupakan citra yang telah melalui proses pemisahan piksel-piksel berdasarkan derajat keabuan yang dimiliki. Citra biner adalah citra yang nilai
tiap pikselnya hanya direpresentasikan dalam satu bit. Citra biner hanya membutuhkan satu bit memori untuk menyimpan warna hitam dan putih
Kembaren, 2015. Setiap piksel pada citra bernilai 0 untuk warna hitam dan 1 untuk warna putih Burger, 2009.
2.5.2.2 Citra Grayscale
Citra
grayscale
menggunakan warna tingkatan keabuan. Warna abu-abu merupakan satu-satunya warna pada ruang RGB dengan komponen merah, hijau, dan
biru yang mempunyai nilai intensitas yang sama. Citra
grayscale
memiliki kedalaman warna 8 bit 256 kombinasi warna keabuan. Banyaknya warna yang ada
tergantung pada jumlah bit yang disediakan di memori untuk menampung kebutuhan warna.
2.5.2.3 Citra Warna
Citra warna atau citra RGB, merupakan jenis citra yang menampilkan warna dalam bentuk komponen R
red
, G
green
, dan B
blue
. Setiap komponen warna menggunakan 8 bit nilainya berkisar antara 0 sampai dengan 255. Dengan
demikian, kemungkinan warna yang bisa ditampilkan mencapai 255 x 255 x 255 atau 16.581.375 warna. Format ini dinamakan
true color
karena memiliki jumlah warna yang cukup besar.
Universitas Sumatera Utara
22
2.6
Euclidean Distance
Proses pemanggilan citra berdasarkan konten akan melakukan perhitungan jarak kesamaan antara citra
query
dengan citra yang ada pada
database
. Sementara itu, hasil pemanggilan citra bukan sebuah citra tunggal tetapi daftar dari citra-citra yang
diurutkan berdasarkan tingkat kesamaan citra tersebut dengan citra
query.
Banyak cara menghitung kesamaan citra yang telah dikembangkan untuk pemanggilan citra
dengan kalkulasi empiris dari fitur citra dalam beberapa tahun terakhir. Perhitungan kesamaan atau jarak yang berbeda akan mempengaruhi hasil dari sistem pemanggilan
citra secara signifikan Long,
et
al. 2003.
Similarity comparison
adalah bagian dari
Content Based Image Retrieval
.
Similarity comparison
sangat bermanfaat saat pengguna tidak dapat menentukan
ukuran kesamaan antara citra
query
dengan citra dalam
database
dengan akurat.
Similarity comparison
juga bermanfaat untuk pengurutan citra yang terpilih sebagai hasil. Ada beberapa metode
similarity comparison
yang digunakan untuk mengukur jarak kesamaan antara citra
query
dengan citra pada
database
, salah satunya
Euclidean Distance
Larasati, 2012.
Euclidean Distance
merupakan teknik yang paling sederhana untuk menghitung jarak antara dua
vektor. Misalkan diberikan dua buah vektor fitur p dan q,
maka jarak di antara dua vektor fitur p dan q dapat ditentukan dengan persamaan
berikut.
P = p
1
,p
2
, …,p
n
Q = q
1
,q
2
, …,q
n
d = p
1
-q
1 2
+ p
2
-q
2 2
+ …+ p
n
-q
n 2
= p
i
-q
i n
i=1
Dimana P dan Q adalah citra, d adalah ukuran jarak antara citra
query
dan citra yang ada pada
database.
p adalah vektor fitur pada citra P dan q adalah vektor fitur pada citra Q Karimah, 2014.
Universitas Sumatera Utara
23
2.7
Precision
dan
Recall
Parameter yang digunakan untuk mengukur keefektifan dari hasil pemanggilan citra berbasis konten salah satunya adalah
precision
dan
recall
.
2.7.1 Precision Precision
mengevaluasi kemampuan sistem temu kembali informasi untuk menemukan kembali data
top ranked
yang paling relevan dan di defenisikan sebagai persentase data yang dikembalikan yang benar-benar relevan terhadap
query
pengguna Karimah, 2014. Nilai
precision
dapat ditentukan dengan menghitung citra yang relevan dengan pencarian citra pada citra hasil pemanggilan citra. Nilai
precision
dapat dihitung dengan persamaan berikut. precision =
Jumlah citra relevan yang ditemukembalikan Jumlah seluruh citra yang ditemukembalikan
2.7.2 Recall Recall
menyatakan perbandingan jumlah materi relevan yang ditemukembalikan terhadap seluruh materi relevan Karimah, 2014. Nilai
recall
dapat ditentukan dengan menghitung citra yang relevan dengan pencarian citra pada citra dalam
database
. Nilai
recall
dapat dihitung dengan persamaan berikut. recall =
Jumlah citra relevan yang ditemukembalikan Jumlah citra relevan dalam
Universitas Sumatera Utara
24
2.8 Penelitian yang Relevan
Kategori