Anda di halaman 1dari 5

1

Peningkatan Kualitas Citra (Image Enhancement) Dokumen Kuno Digital


Berbasis Transformasi Wavelet

HERI SUSANTO
(0604105020018)
Jurusan Teknik Elektro Fakultas Teknik Universitas Syiah Kuala
Email: heri.susanto@elektro-unsyiah.net


ABSTRAK

Pelestarian dokumen kuno merupakan keharusan,
sebab dokumen-dokumen kuno ini memiliki nilai sejarah
yang sangat penting untuk dipelajari dan dilestarikan.
Pendigitalan dokumen kuno merupakan sebuah solusi, agar
dokumen tersebut lebih mudah untuk dipelajari tanpa takut
terjadi kerusakan pada dokumen aslinya. Dokumen kuno ini
seringkali terkena kotoran atau mengalami perubahan
karena disimpan dalam waktu yang lama. Contoh
perubahan/kotoran antara lain: perubahan latar belakang
kertas menjadi kecoklatan atau bercak-bercak hitam,
bayangan tulisan tembus dari belakang kertas karena
terkena air dan sebagainya. Tugas akhir ini mengajukan
algoritma Wavelet Haar untuk menghilangkan bercak-
bercak hitam dan bayangan tulisan pada kertas. Dalam
Wavelet Haar citra dibagi dalam 2 (dua) frekuensi yaitu
frekuensi tinggi dan frekuensi rendah. Frekuensi rendah
juga disebut dengan koefisien aproksimasi dan frekuensi
tinggi disebut koefisien detail. Koefisien detail biasanya
melambangkan tepian (edge) citra. Noise umumnya berada
pada koefisien detail. Dengan meninggikan dan mengecilkan
sebagian nilai koefisien aproksimasi, dan mengecilkan nilai
koefisien detail mendekati 0 (nol), umumnya bercak- bercak
hitam dan bayangan tulisan tembus pada kertas dapat
dihilangkan.


Kata kunci: Dokumen kuno, Wavelet Haar

I. PENDAHULUAN

Saat ini, banyak sekali dokumen-dokumen lama
zaman kerajaan di Indonesia sudah tersebar ke mana-
mana. Sebagian masih utuh dan ditemukan di beberapa
negara lain. Namun, sebagian sudah menghilang. Tentu ini
adalah hal yang patut disayangkan. Sebab, dokumen-
dokumen sejarah itu sebenarnya sangat penting untuk tetap
dilestarikan agar dapat dikenang dan dipelajari pada masa
masa ini. Memoderenkan dokumen-dokumen kuno dalam
bentuk digital merupakan solusi. Selain awet, tentu akan
memudahkan para pembaca untuk bisa bebas membaca
dokumen kuno tersebut, dan memudahkan pengajar
mengajarkan kepada siswanya tentang isi dari dokumen
kuno tersebut.
Tahap awal proses digitalisasi dokumen kuno adalah
men-scan (pindai) atau memotret dokumen tersebut untuk
mendapatkan citra dokumen. Citra teks yang dihasilkan
bisa memiliki cacat berupa bayangan gelap (show-trough
effects) yang terjadi akibat tulisan yang tembus dari bawah
kertas, bayangan gelap atau bercak-bercak hitam yang
terjadi karena terkena air, dan bayangan gelap pada
pinggiran kertas akibat disimpan dalam jangka waktu yang
lama. Pada daerah bayangan gelap baris teks umumnya
cenderung melengkung, sehingga citra dokumen tersebut
perlu diperbaiki.
Permasalahan ini sebenarnya dapat diatasi dengan
mengunakan teknik pengolahan citra, terutama
peningkatan kualitas citra (image enhancement) dengan
teknik restorasi dan segmentasi, dokumen-dokumen kuno
yang rusak yang telah didigitalisasi selanjutnya akan
diproses melalui beberapa rangkain teknik untuk
menghasilkan dokumen kuno digital yang baru.
Diantaranya penelitian yang pernah dilakukan dari Teknik
elektro Universitas Syiah Kuala, yaitu Fitri Arnia (2010)
membahas tentang restorasi manuskrip dokumen kuno
Aceh, yang mempunyai dua tujuan khusus yaitu: (1)
untuk menghilangkan bintik noda (yang dapat diakibatkan
oleh tumpahan air dan (2) menghilangkan bayangan
tulisan (teks) yang berasal dari halaman sebelah menuskrip
hasil digitalisasi.
Pada percobaan ini, peningkatan kualitas citra
dokumen kuno digital dibatasi pada 2 (dua) hal,
diantaranya: menghilangkan bayangan atau bercak-bercak
hitam pada kertas dan menghilangkan bayangan tulisan
yang tembus dari belakang kertas menggunakan metode
Wavelet Haar. Dalam hal ini tentunya akan menghasilkan
dokumen kuno digital baru yang lebih bagus dan lebih
mudah dibaca daripada dokumen aslinya.



Dokumen_1.bmp [1] dokumen_2.bmp [2]

Gambar 1 : Dokumen-dokumen yang memiliki bercak-bercak hitam dan
bayangan tulisan tembus dari belakang kertas



2

II. DASAR TEORI
A. Image Enhancement
Peningkatan kualitas citra (image enhancement)
merupakan salah satu proses awal dalam pengolahan citra
(image preprocessing). Peningkatan kualitas citra
diperlukan karena seringkali citra yang diuji mempunyai
kualitas yang buruk, misalnya citra mengalami derau
(noise) pada saat pengiriman melalui saluran transmisi,
citra terlalu terang/gelap, citra kurang tajam, kabur, dan
sebagainya. Melalui operasi pemrosesan awal inilah
kualitas citra diperbaiki sehingga citra dapat digunakan
untuk aplikasi lebih lanjut [3].
Lebih rincinya image enhancement adalah proses
memperjelas dan mempertajam ciri/fitur tertentu dari citra
agar citra lebih mudah dipersepsi maupun dianalisis secara
lebih teliti. Secara matematis, image enhancement dapat
diartikan sebagai proses mengubah citra f(x, y) menjadi f
(x, y) sehingga ciri-ciri yang dilihat pada f(x, y) lebih
ditonjolkan. Image enhancement tidak meningkatkan
kandungan informasi, melainkan jangkauan dinamis dari
ciri agar bisa dideteksi lebih mudah dan tepat [4]. Dalam
percobaan ini manipulasi citra dilakukan dalam domain
frekuensi. Beberapa jenis transformasi yang dapat
digunakan untuk mengubah citra dari domain spasial ke
domain frekuensi antara lain, transformasi fourier,
transformasi Wavelet (Wavelet transform), Discrete
Cosine Transform (DCT), dan sebagainya.
Operasi-operasi yang digolongkan sebagai perbaikan
kualitas citra cukup beragam antara lain, pengubahan
kecerahan gambar (image brightness), peregangan kontras
(contrast stretching), pengubahan histogram citra,
pelembutan citra (image smoothing), penajaman
(sharpening) tepi (edge), pewarnaan semu
(pseudocolouring), pengubahan geometrik, dan
sebagainya.

B. Wavelet Haar
Dalam transformasi Haar, terdapat dua proses yang
harus dilakukan yaitu transformasi forward (dekomposisi)
dan transformasi inverse (rekontruksi). Transformasi
forward berguna untuk memecah gambar. Sedangkan
transformasi inverse adalah kebalikannya, yaitu
membentuk kembali pecahan-pecahan gambar dari proses
forward menjadi sebuah citra seperti semula (proses
rekonstruksi) [5].

C. Transformasi Forward (Dekomposisi)
Tiap langkah dalam transformasi Haar
memperhitungkan kumpulan koefisien-koefisien Wavelet
dan kumpulan rata-rata [6]. Jika suatu kumpulan data S
0
,
S
1
, , S
N-1
berisi unsur-unsur N, akan terdapat N/2 rata-
rata dan N/2 nilai-nilai koefisien. Rata-rata disimpan
dalam setengah lebih rendah dari kesatuan unsur N dan
koefisien-koefisien disimpan dalam setengah diatas. Rata-
rata menjadi input untuk langkah selanjutnya dalam
penghitungan Wavelet, dimana untuk iterasi i+1, N
i+1
=
N
i
/2. Iterasi-iterasi berlanjut sampai suatu rata-rata tunggal
dan koefisien tunggal dihitung. Ini mengganti sekumpulan
data asal dari unsur-unsur N dengan rata-rata yang telah
didapat, yang diikuti dengan sekumpulan koefisien-
koefisien yang ukurannya adalah peningkatan pangkat dua
(misalnya, 2
0
, 2
1
, 2
2
, , N/2).
Persamaan-persamaan Haar untuk menghitung suatu
rata-rata (a
i
) dan koefisien-koefisien Wavelet (c
i
) dari
suatu unsur ganjil dan genap dalam sekumpulan data
ditunjukkan di bawah :
a
i
=
2
1 +
+
i i
S S

(1)
ci =
2
1 +

i i
S S
(2)
Dalam terminologi Wavelet, rata-rata Haar dihitung
dengan fungsi penskalaan. Koefisien dihitung dengan
fungsi Wavelet.
Input data pada tranformasi Haar dapat secara
sempurna dibangun kembali dengan menggunakan
persamaan-persamaan berikut :
S
i
= a
i
+ c
i
(3)
S
i+1
= a
i
- c
i (4)
Dalam pandangan aljabar linear transformasi forward
Haar, rata-rata pertama dihitung dengan produk sinyal
linear [s
0
, s
1
, s
N-1
] dan vektor, dari ukuran yang sama
[0,5, -0,5, 0, 0, 0]. Rata-rata dan koefisien selanjutnya
dihitung dengan merubah penskalaan dan vektor-vektor
Wavelet dengan dua dan menghitung produk-produk
sebelah dalam.
Pada penskalaan literatur dan nilai-nilai Wavelet
terkadang ditunjukkan masing-masing dengan h
1
dan g
1
.
Koefisien-koefisien fungsi penskalaan:
h
0
= 0,5
h
1
= 0,5
Koefisien-koefisien fungsi Wavelet:
g
0
= 0,5
g
1
= - 0,5
Penskalaan dan nilai-nilai Wavelet untuk perubahan Haar
ditunjukkan di bawah ini dalam bentuk matriks:


Gambar 2 Matriks Transformasi Haar
Langkah pertama dari transformasi forward Haar
seperti delapan sinyal unsur yang diperlihatkan di gambar
3 Disini sinyal dikalikan dengan matriks tranformasi
forward:



3


Gambar 3: Matriks Transformasi Forward Haar
Tanda panah menunjukkan operasi pembagian yang
mengatur kembali hasil sehingga nilai-nilai rata-rata
berada dalam setengah pertama vektor dan koefisien-
koefisien berada dalam setengah kedua vektor. Langkah
selanjutnya mengalikan nilai-nilai a
i
dengan matriks
perubahan 4 x 4, yang menghasilkan dua rata-rata baru dan
dua koefisien-koefisien baru yang akan menggantikan
rata-rata dalam langkah pertama. Langkah terakhir
mengalikan rata-rata baru ini semua dengan matriks 2 x 2
yang menghasilkan rata-rata akhir dan koefisien akhir [4].
Citra asli V dengan M x N piksel didekomposisi
menjadi empat subband LL1, LH1, HL1, dan HH1 dengan
menggunakan transformasi Wavelet Haar. Komponen-
komponen tersebut secara matematis untuk transformasi
Wavelet dengan filter Haar dihasilkan dengan
menggunakan persamaan sebagai berikut :

) 2 , 2 (
4
1
y) (x,
1
0
1
0
1 j y i x v ll
j i
+ + =

= =
(5)
) 1 2 , 2 (
4
1
) 2 , 2 (
4
1
y) (x,
1
0
1
0
1 + + + =

= =
y i x v y i x v lh
i i
(6)
) 2 , 1 2 (
4
1
) 2 , 2 (
4
1
y) (x,
1
0
1
0
1 j y x v j y x v hl
j j
+ + + =

= =

(7)
)} 1 2 , 2 ( ) 2 , 1 2 (
) 1 2 , 1 2 ( ) 2 , 2 ( {
4
1
y) (x, 1
+ +
+ + + =
y x v y x v
y x v y x v hh

(8)
Dengan syarat :

(

s s s s
2
0 ,
2
0
N
y
M
x
(9)
Dimana v(x,y) merupakan nilai piksel pada koordinat (x,y)
pada citra V. Sedangkan ll
1
(x,y), lh
1
(x,y), hl
1
(x,y), dan
hh
1
(x,y) secara berturut-turut adalah komponen pada
koordinat (x,y) dari LL
1
, LH
1
, HL
1
, dan HH
1
. LL
merupakan setengah resolusi dari citra asli. LH merupakan
subband detail horizontal, HL merupakan subband detail
vertikal, dan HH merupakan subband dari detail diagonal.
LL1 selanjutnya didekomposisi menjadi empat subband
LL
2
, HL
2
, LH
2
, dan HH
2
. Operasi ini dapat diulang sampai
dengan LL sama dengan 1 x 1. Berikut adalah gambar dan
pembagian subband dari proses forwad Haar:
LL
HH LH
HL
LL1
HH1 LH1
HL1
LL2
HH2 LH2
HL2

Gambar 4: Proses Transformasi Forward Haar

Keterangan : L = Lowpass
H = Highpass

D. Transformasi Inverse (Rekontruksi)
Seperti pada transformasi forward Haar, satu langkah
dalam transformasi inverse Haar dapat digambarkan dalam
hubungan-hubungan aljabar linear (Polikar, Robi (1999).
Operasi matriks untuk membalikkan langkah pertama
transformasi Haar untuk delapan sinyal unsur ditunjukkan
di gambar 5:


Gambar 5: Matriks Transformasi Inverse Haar
Proses pengembalian dekomposisi Haar menjadi
sebuah citra kembali (rekonstruksi), secara singkat bisa
dijabarkan sebagai berikut :
1. Mengembalikan LL
2
, HL
2
, LH
2
, dan HH
2
menjadi
LL
1
, dengan cara mengambil satu piksel di LL
2
,
HL
2
, LH
2
, dan HH
2
, dengan koordinat yang sama,
begitu seterusnya sampai koordinat terakhir.
2. Mengembalikan LL
1
, HL
1
, LH
1
, dan HH
1
menjadi
citra kembali dengan cara yang sama seperti pada
proses pertama.

III. METODE USULAN

Pada tugas akhir ini menggunakan metode algoritma
Wavelet, khususnya Wavelet Haar untuk menghilangkan
bercak-bercak hitam dan bayangan tulisan yang tembus
dari belakang kertas.


4

A. Kondisi Percobaan
Percobaan dilakukan dengan simulasi komputer dan
menggunakan tool matlab 7.0. Secara skematis langkah-
langkah percobaan digambarkan pada diagram blok
berikut:

Citra Masukan
Abu-abu
Didapatkan Nilai
Koefisien Detail
Didapatkan Nilai
Koefisien
Aproksimasi
Proses Pengolahan Citra
Dengan DWT
Dilakukan Perubahan
Nilai Koefisien
PROSES IDWT
Citra Keluaran
Abu-abu


Gambar 6: Diagram blok simulasi

Ada dua buah citra grayscale yang digunakan sebagai citra
masukan, data citra seperti table 3.1 berikut :

TABEL 1.
Data citra yang digunakan sebagai citra masukan
Nama Citra
Dimensi
(pixel)
Kapasi
tas
(Kb)
Format
dokumen_1 341 x 275 93,4 BMP
dokumen_2 316 x 276 86,2 BMP


dokumen_1.bmp dokumen_2.bmp

Gambar 7: dokumen_1 dan dokumen_2 merupakan citra abu-abu untuk
percobaan

IV. PERCOBAAN, HASIL, DAN
PEMBAHASAN

A. Percobaan Pertama
Percobaan pertama ini menggunakan dokumen
dengan bertuliskan arab melayu yang memiliki bercak-
bercak hitam pada kertasnya.Tahap awal
mendekomposisikan citra asli dengan 1(satu) tingkat dan
2(dua) tingkat, dan didapatkan koefisien aproxsimasi dan
koefisien detail, tahap selanjutnya membesarkan dan
mengecilkan sebagian nilai koefisien aproksimasi yaitu
dengan pengalian nilai (seperempat) dari nilai rata-rata
koefisien aproxsimasi, nilai lebih besar dari
(seperempat) nilai rata-rata koefisien aproksimasi
dikalikan 1,8 dan nilai lebih kecil dikalikan dengan nilai
0.01. Sedangkan nilai koefisien detail dikecilkan dengan
pembagian nilai koefisien detail agar mendekati nilai 0
(nol). Hasil dari dekomposisi ini menghasilkan gambar
koefisien berikut:

A B

C D

Gambar 8: Gambar A, B, C, dan D merupakan gambar koefisien-
koefisien citra yang telah melewati dekomposisi 1 tingkat dan perubahan
nilai koefisien
Gambar A merupakan subband koefisien aproksimasi
(LL), gambar B merupakan kofisien dari subband detail
horizontal (LH), gambar C merupakan koefisien subband
detail vertikal (HL), dan gambar D merupakan koefisien
subband detail diagonal (HH).
Selanjutnya merekontruksi (inverse) atau
menggabung ulang citra tersebut. Rekontruksi ini
dilakukan dengan dua tingkatan, hasil rekontruksi seperti
berikut:


A B


C

Gambar 9 : Gambar A citra asli, gambar B hasil rekontruksi 1 tingkat,
dan gambar C hasil rekontruksi 2 tingkat

Dari gambar 9 dapat dilihat perubahan citra asli
(gambar A) yang memiliki bercak-bercak hitam pada
kertasnya ke citra rekontruksi 1 tingkat (gambar B) dan 2
tingkat (gambar C). Pada rekontruksi 1 tingkat umumnya
bercak-bercak hitam dapat dihilangkan, ini terjadi karena
semua nilai yang diasumsikan untuk bercak-bercak hitam
yaitu nilai diatas nilai rata-rata pada koefisien
aproksimasi dibesarkan dengan pengalian 1,8. Jadi pada
tahap rekontruksi atau menggabung ulang semua koefisien
menjadi citra kembali, sebagian nilai pixel citra yang


5

diinginkan tetap besar. Walaupun masih ada tinggal
sebagian bercak hitam tetapi secara umum bercak hitam
dapat dihilangkan. Dan pada rekontruksi 2 tingkat ini
hanya sebagai pembanding dengan rekontruksi 1 tingkat,
dan hasil pada rekontruksi 2 tingkat umumnya semua
bercak-bercak hitam juga dapat dihilangkan.
Perbedaan rekontruksi 1 tingkat dan 2 tingkat adalah
ukuran besar citra yang dihasilkan pada rekontruksi 1
tingkat sama dengan citra aslinya (misal: citra asli 8 x 8 =
citra rekotruksi 1 tingkat 8 x 8), sedangkan rekontruksi 2
tingkat ukuran besar citra yang dihasilkan lebih
kecil/setengah dari ukuran citra rekontruksi 1 tingkat/citra
asli (citra asli 8 x 8 = citra rekontruksi 2 tingkat 4 x 4).

B. Percobaan Kedua
Percobaan kedua ini menggunakan dokumen dengan
bertuliskan huruf latin yang memiliki bayangan tulisan
tembus dari belakang kertasnya. Tahapan pada percobaan
kedua sama dengan percobaan pertama, hasil rekontruksi
dari percobaan kedua seperti berikut:


A B


C

Gambar 10: Gambar A citra asli, gambar B hasil rekontruksi 1 tingkat,
dan gambar C hasil rekontruksi 2 tingkat

Dari gambar 10 dapat dilihat perubahan citra asli
(gambar A) yang memilki bayangan tulisan yang tembus
dari belakang kertasnya ke citra rekontruksi 1 tingkat
(gambar B) dan 2 tingkat (gambar C). Pada rekontruksi 1
tingkat umumnya bayangan tulisan tembus dapat
dihilangkan, dan hasil pada rekontruksi 2 tingkat
umumnya hampir sama dengan rekontruksi 1 tingkat yaitu
bayangan tulisan tembusnya hampir semua dapat
dihilangkan.

V. KESIMPULAN

Pada percobaan pertama didapati citra hasil
rekontruksi 1 tingkat yang masih meninggalkan sedikit
bercak hitam, ini terjadi akibat perbedaan tingkat
kehitaman tulisan dan kehitaman bercak hampir sama.
Namun secara umum kemampuan metode tranformasi
Wavelet Haar dalam hal menghilangkan bercak hitam dan
bayangan tulisan tembus cukup baik (hampir semua
bercak dan bayangan tulisan tembus dapat dihilangkan).
Dengan kekurangan (bercak hitam yang tersisa) ini
dibutuhkan pengembangan lebih lanjut untuk mencari
metode yang tepat (jenis keluarga wavelet lain) atau juga
nilai perubahan koefisien yang tepat agar didapati
dokumen kuno hasil rekontruksi yang lebih baik.

DAFTAR PUSTAKA
[1] Dokumen arsip 1. (http://acehms.dl.uni-leipzig.de/content/below,
diakses 06 September 2010).
[2] Dokumen arsip 2 diambil dari Badan Arsip Aceh,Banda Aceh,
diambil 10 september 2010.
[3] Gonzalez R. C. dan Woods R.E. (2002). Digital Image Processing,
Prentice Hall, New Jersey, USA.
[4] Tena Silvester. (2009).Image Enhancement Mengggunakan
Metode Linear Filtering Dan Wavelet Transform,
(http://ejournal.unud.ac.id/abstrak/silvertena_6_.pdf, diakses 7
November 2010).
[5] Polikar, Robi. (1999). The Wavelet Tutorial,
(http://users.rowan.edu/~polikar/, diakses 27 November 2010).
[6] Meutia, Rahmi. (2009). Aplikasi Wavelet Untuk Deteksi Tepi Pada
Citra Grayscale Yang Berderau, Tugas Akhir Universitas Syiah
Kuala, Banda Aceh.
[7] Polikar, Robi (1998). Multi Resolution Analysis: Discrete Wavelet
Transform, Durhan Computation Center, Lowa State.
[8] Zulfathan (2010). Metode Pencocokan Citra (Image Matching)
Berbasis Koefisien Transformasi Wavelet Diskrit. Tugas Akhir
Universitas Syiah Kuala, Banda Aceh.
[9] Donoho, D.L; I.M. Jonhstone (1994). Ideal de-noising in an
orthogonal basis chosen from a library of bases, CRAS Paris, Ser
I, t. 319, pp. 1317-1322.
[10] I. Dabechies (1992). Ten Lectures on Wavelets, SIAM.