BAB 2 LANDASAN TEORI 2.1 Citra Digital 2.1.1 Pengertian Citra Digital - Implementasi dan Deteksi Pola Wajah Pada Citra Digital Menggunakan Skin Color dan K-Means Clustering
BAB 2 LANDASAN TEORI
2.1 Citra Digital
2.1.1 Pengertian Citra Digital
Secara umum, citra digital merupakan gambar 2 dimensi yang disusun oleh data digital dalam bentuk sebuah larik (array) yang berisi nilai real maupun komplek yang direpresentasikan dengan deretan bit tertentu (Putra, 2010). Suatu citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitude f di titik koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut.
Citra digital dibentuk oleh kumpulan titik yang dinamakan piksel (pixel atau “picture element”). Setiap piksel digambarkan sebagai satu kotak kecil. Setiap piksel mempunyai koordinat posisi. Sistem koordinat yang dipakai untuk menyatakan citra digital ditunjukkan pada (Gambar 2.1)
Gambar 2.1 Sistem koordinat citra berukuran MxNDengan sistem koordinat yang mengikuti asas pemindaian pada layar TV standar itu, sebuah piksel mempunyai koordinat berupa (x, y) dalam hal ini:
- x menyatakan posisi kolom;
- y menyatakan posisi baris;
- piksel pojok kiri-atas mempunyai koordinat (0, 0) dan piksel pada pojok kanan- bawah mempunyai koordinat (N-1, M-1).
2.1.2 Jenis Citra
Ada tiga jenis citra yang digunakan dalam pemroresan citra, ketiga jenis citra tersebut yaitu :
1. Citra Biner. Citra dengan setiap piksel hanya dinyatakan dengan sebuah nilai dari duai kemungkinan (yaitu nilai 0 dan 1). Nilai 0 menyatakan hitam dan nilai 1 menyatakan putih (Kadir, 2013) 2. Citra Berskala Keabuan (grayscale). Citra jenis ini menangani gradasi warna hitam dan putih, yang tentu saja menghasilkan warna abu-abu. Dalam hal ini intensitas berkisar antara 0 sampai dengan 255. Nilai 0 menyatakan hitam dan nilai 255 menyatakan putih (Kadir, 2013)
3. Citra Berwarna (citra RGB). Merupakan jenis citra yang menyajikan warna dalam bentuk komponen R (merah), G (hijau), B (biru). Setiap komponen warna menggunakan delapan bit (nilainya berkisar antara 0 sampai dengan 255). Dengan demikian, kemungkinan warna yang dapat disajikan mencapai 255 x 255 x 255 atau 16.581.375 warna (Kadir, 2013).
Pemetaan warna dalam ruang tiga dimensi.
Gambar 2.2 Warna RGB dalam ruang berdimensi tiga (Sumber : Putra, 2010)2.2 Pengolahan Citra Digital
Pengolahan citra adalah sebuah disiplin ilmu yang mempelajari hal-hal yang berkaitan dengan perbaikan kualitas gambar (peningkatan kontras, transformasi warna, restorasi citra), transformasi gambar (rotasi, translasi, skala, transformasi geometrik), 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 (Sutoyo, 2009).
1. Memperbaiki kualitas gambar dilihat dari aspek radiometric (peningkatan kontras, tranformasi warna, restorasi citra) dan dari aspek geometric (rotasi, translasi, skala, transformasi geometrik).
2. Melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang terkandung pada citra.
3. Melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, transmisi data, dan waktu proses data (Sutoyo, 2009).
2.3 Ruang Warna HSV
Untuk menyediakan representasi warna bagi antar-muka pengguna (user
interface ), biasa digunakan ruang warna HSL. HSL sendiri merupakan kependekan
dari Hue, Saturation, Lightness / Luminancy. Hue atau corak warna merupakan sensasi penglihatan manusia berdasarkan pada kemiripan suatu daerah tampak seperti daerah yang lain sesuai dengan warna yang diterimanya, merah, kuning, hijau dan biru, atau kombinasi keduanya.
Saturation adalah kekayaan warna pada suatu daerah sesuai dengan proporsi gelap-terangnya. Kita bisa menemukan warna biru langit sampai dengan biru tua dengan mengubah nilai dari komponen ini. Sedangkan Luminancy atau
Lightness merupakan persepsi suatu daerah warna yang tampak ketika menerima
sedikit atau banyak cahaya dengan referensi warna putih.Alternatif lain dari HSL adalah HSV. Pada ruang warna HSV Luminancy digantikan dengan Value. HSV dapat divisualisasikan dengan sebuah poligon seperti pada gambar 2-10. Hue seperti pada HSL merupakan sudut warna yang melingkari poligon, jadi misalnya jika untuk warna merah hue = 0 warna hijau = 120o dan untuk warna biru nilai hue-nya 240o maka hue untuk Saturation sama seperti pada HSL, merupakan jarak terhadap sumbu tegak. Dan value merupakan sumbu tegak yang menghubungkan puncak dan dasar poligon.
Gambar 2.3 Ruang Warna HSV(Sumber : Putra, 2010) Proses konversi ruang warna RGB ke HSV dapat dilihat pada persamaan berikut :
0.5 ∗ (2 ∗ − − )
…………… (1) )
= (
2
2
- ( �( − ) − )
…………… (2) ( , , ) − ( , , )
= ( , , ) ( , , ) …………… (3)
= 255
Dimana : H = Nilai kanal warna Hue S = Nilai kanal warna Saturasi
V = Nilai kanal warna Value R = Nilai kanal warna Red G = Nilai kanal warna Green B = Nilai kanal warna Blue
2.4 Ruang Warna YCbCr
YCbCr merupakan standar internasional bagi pengkodean digital gambar televisi yang didefinisikan di CCIR Recommendation 601. Y merupakan komponen
luminance , Cb dan Cr adalah komponen chrominance. Pada monitor monokrom nilai
luminance digunakan untuk merepresentasikan warna RGB, secara psikologis ia
mewakili intensitas sebuah warna RGB yang diterima oleh mata. Chrominance merepresentasikan corak warna dan saturasi (saturation). Nilai komponen ini juga mengindikasikan banyaknya komponen warna biru dan merah pada warna.
Retina mata mempunyai dua macam sel yang berfungsi sebagai analis visual, yaitu : Sel yang digunakan untuk penglihatan di waktu malam dan sel yang dipakai untuk penglihatan di siang hari. Jenis yang pertama hanya menerima corak keabuan mulai dari warna putih terang sampai dengan hitam pekat. Dan jenis kedua menerima corak warna. Jika sebuah warna RGB diberikan, sel jenis yang pertama mendeteksi tingkat keabuan (gray level) yang serupa dengan nilai luminance-nya, sedangkan sel jenis kedua yang bertanggungjawab terhadap penerimaan corak warna, mendeteksi nilai yang sesuai dengan nilai chrominance-nya.
YCbCr (256 level) dapat diperoleh dari RGB 8-bit dengan menggunakan rumus berikut :
Y = 0.299 R + 0.587 G + 0.114 B Cb = - 0.1687R - 0.3313G + 0.5B – 128 Cr = 0.5R – 0.4187G – 0.0813B + 128
Sedangkan untuk konversi YCbCr ke RGB dapat dilakukan dengan rumus berikut (Hamilton,1992) :
R = Y + 1.402 (Cr-128)
G = Y – 0.34414(Cb-128) – 0.71414(Cr-128) B = Y – 1.772(Cb-128)
2.5 Skin Color
Skin Color merupakan warna yang dihasilkan oleh kombinasi dari melanin,
hemoglobin, karoten, dan bilirubin (Osman, 2012). Jumlah melanin mempengaruhi kegelapan dari warna kulit. Warna kulit tergantung pada 3 (tiga) komponen menurut derajat yang bervariasi. Jaringan memiliki warna inheren kekuningan akibat kandungan karoten. Adanya Hb beroksigen dalamdasar kapiler dari dermis memberinya warna kemerahan. Dan warna kecoklatan sampai kehitaman adalah akibat jumlah pigmen melanin yang bervariasi. Dari ketiga substansi berwarna ini hanya melanin yang dihasilkan di kulit. Melanin adalah produk dari melanosit.
Gambar 2.4 Sebaran Warna Kulit Di Dunia(Sumber : Osman, 2012)
2.6 Skin Color Detection
Skin Color Detection merupakan sebuah metode yang digunakan untuk
mengklasifikasikan objek pada citra berdasarkan ciri dari warna kulit (Al-Mohair et all, 2013). Ruang warna RGB di kuantisasi menjadi beberapa kelompok yang kemudian membentuk histogram, kuantisasi dibentuk berdasarkan rentang warna kulit pada manusia. Kelompok – kelompok warna pada histogram yang dibentuk kemudian menjadi table acuan atau lookup table untuk mendeteksi warna kulit pada citra yang akan diuji.
Metode skin color detection sangat bergantung pada histogram warna kulit yang terbentuk. Semakin baik histogram yang dibentuk maka semakin baik pula proses deteksi warna kulit pada citra. Histogram yang terlalu luas juga memiliki dampak yang tidak baik pada proses identifikasi karena semakin besar kemungkinan untuk ikutnya objek-objek lain yang bukan kulit manusia ikut teridentifikasi.
Gambar 2.5 Ekstraksi Warna Kulit (Sumber : Al-Mohair et all, 2013)Skin color detection menggunakan fitur statistik dalam menentukan
keberadaan sebuah warna kulit pada citra yang diuji. Pada tahap awal ruang warna piksel RGB akan dikonversi kedalam ruang warna HSV dan YCbCr yang mana merupakan ruang warna yang paling mirip dengan visi penglihatan manusia. Proses kemudian dilanjutkan dengan mengekstraksi fitur warna kulit dengan mencari nilai
mean dan variance pada setiap kanal warna yang dapat dilihat pada persamaan berikut
(Azad, 2013) :
1 ………… (4)
( ( ) = , )
� �
1
1 ≤ ≤ ≤ ≤
Dimana : H = Kanal Warna n dan m = dimensi ukuran citra
1
2 …………… (5)
( ( ) = ( , ) − ( ))
� �
1
1 ≤ ≤ ≤ ≤
Dimana : H = Kanal Warna n dan m = dimensi ukuran citra
Berdasarkan komputasi mean dan variance tersebut maka dapat diperoleh informasi statistic yang dapat dirumuskan sebagai berikut : …………… (6)
, , , , , ) = ( Proses deteksi keberadaan kulit wajah pada citra dapat dilakukan dengan melakukan tahapan fungsi berikut : 1)
�∀ , : . ( ) . ( )� 2)
� ( ) − ( )� ≤ ( , ) ≤ ( ) + ( )) 3)
( ( ) − ( )) ≤ ( , ) ≤ ( ) + ( ))
4) � ( ) − ( )� ≤ ( , ) ≤
( ) + ( )) ℎ 5)
. ( , ) Keterangan :
1) Untuk setiap elemen I,J dimana I terdiri dari elemen baris dari gambar dan J terdiri dari elemen kolom dari gambar.
2) Jika � ( ) − ( )� ≤ ( , ) ≤ ( ) + ( )) adalah benar dan
3) Jika ( ( ) − ( )) ≤ ( , ) ≤ ( ) + ( )) adalah benar dan
4) Jika � ( ) − ( )� ≤ ( , ) ≤ ( ) + ( )) adalah benar maka
5) Tandai Piksel Gambar (I,J) sebagai Piksel Kulit.
2.7 KMeans Clustering
K-Means Clustering secara umum digunakan untuk menentukan pengelompokan alami dari piksel – piksel yang terdapat pada citra (Dubey et all, 2013). Setiap kelompok atau cluster direpresentasikan oleh sebuah titik pusat yang dapat berubah – ubah, yang mana dimulai dengan angka awal. K-means clustering menghitung jarak antara input dengan titik pusat dan mengalokasikan input tersebut kepada titik pusat yang terdekat.
Metode K-means clustering merupakan metode pengelompokan tidak terbimbing yang mengklasifikasi input dari data objek kedalam beberapa kelas berdasarkan jarak antara input satu dengan input lainnya. algoritma dari k-means clustering dapat dijabarkan sebagai berikut :
1. Menghitung distribusi dari nilai intensitas.
2. Menggunakan k buah nilai intensitas yang dipilih secara acak sebagai nilai centroid awal.
3. Mengulangi tahap 4 dan 5 sampai nilai centroid tidak lagi mengalami perubahan.
4. Mengelompokkan piksel citra berdasarkan jaraknya dengan setiap centroid.
Yang mana dapat dihitung sebagai berikut : ( ) = ∑ ‖ ( ) − ( )‖
Dimana :
C(i) = jarak ke – i X(i) = nilai piksel ke – i
( ) = Nilai centroid ke – n 5.
Menghitung nilai centroid baru dengan menggunakan persamaan berikut : ( ) =
∑ ( )
=1
Dimana : ( ) = Nilai Centroid ke-i ( ) = Anggota Elemen Ke – i = Jumlah anggota
Pada penelitian Reza Azad (Azad, 2013). Azad melakukan penelitian deteksi wajah menggunakan dua kombinasi metode yaitu metode skin color detection …………… (7)
…………… (8)
2.8 Penelitian yang relevan 1.
dengan memanfaatkan ruang warna HSV dan YCbCr dalam melakukan ekstraksi fitur wajah pada citra digital. Penelitian yang dilakukan Reza menghasilkan akurasi yang cukup yang mana memiliki akurasi rata – rata sebesar 99.25 %.
2. Pada penelitian Hani (Al-Mohair et all, 2013). Hani dan kawan – kawan melakukan penelitian identifikasi kulit manusia pada citra digital menggunakan kombinasi metode skin color detection dan jaringan saraf turian atau artificial
neural network . Penelitian yang dilakukan menghasilkan akurasi yang cukup baik
dengan tingkat toleransi yang baik namun membutuhkan komputasi yang lebih untuk pelatihan jaringan saraf tiruan yang digunakan.
3. Pada penelitian Shiv Ram Dubey (Dubey et all, 2013). Shiv ram dubey melakukan penelitian dengan memanfaatkan metode k-means clustering dalam mengidentifikasi bagian buah yang terinfeksi penyakit. Penelitian menghasilkan hasil yang cukup baik dimana k-means clustering dapat mengidentifikasikan area yang memiliki fitur warna yang berbeda dari area buah yang lain sehingga dapat di-identifikasikan sebagai area yang terinfeksi penyakit.
4. Pada penelitian Muthukumar (Muthukumar & Kannan, 2013). Muthukumar dan
Kannan melakukan penelitian dengan menggunakan metode k-means clustering dalam mengidentifikasi pola dari sudut jari manusia. Penelitian dikembangkan dengan tujuan untuk memperoleh alternatif terhadap proses autentikasi selain menggunakan sidik jari. Hasil penelitian memberikan hasil yang cukup baik walaupun tingkat akurasi masih belum sempurna.