Nama : M.

Raushan Fikri UTS Pengolahan Citra Digital

NIM : 181058033 Renna Yanwastika Ariyana S.T.,M.Kom.

1. Sebut dan jelaskan tiga tipe citra berdasarkan bit memori yang dimiliki
2. Jelaskan apa yang dimaksud dengan preprocessing dalam pengaplikasian Pengolahan Citra
Digital!
3. Jelaskan proses pengenalan pola dalam mengenali suatu obyek!
4. Apakah algoritma Bacpropagation dapat diaplikasikan pada model Jaringan Syaraf Tiruan?
Jelaskan!
5. Apabila Anda adalah seorang programmer yang sedang membuat sistem berupa identifikasi
kematangan buah apel dan akan digunakan untuk mengembangkan teknologi dibidang
pertanian
a. Sebutkan algoritma yang dapat digunakan?
b. Variable apa saja yang digunakan untuk memilah kematangan apel pada sistem?
6. Sebut dan jelaskan aras komputasi yang dikelompokkan pada setiap level komputasi!
7. Tentukan konvolusi dengan menghitung border/tepian, sebagai berikut

Jawab
1. Ada beberapa tipe citra yang sering digunakan untuk penelitian, di antaranya
a. Citra biner
Dalam citra biner, tiap piksel hanya membutuhkan 1 bit memori. Maka setiap piksel
hanya memiliki 2 buah kemungkinan nilai intensitas yaitu 1 dan 0
b. Citra grayscale
Citra Grayscale adalah matriks data yang nilainya mewakili intensitas setiap piksel
berkisar antara 0 sampai 235. setiap piksel membutuhkan 8 bit memori.
c. Citra warna
Citra warna adalah citra yang masing-masing piksel mempunyai 3 komponen warna
yang spesifik , yaitu komponen merah (red), hijau (green) dan biru (blue). Format file
grafis menyimpan citra warna sebagai citra 24 bit, yang berasal dari komponen merah,
hijau dan bru masingmasing 8 bit.
2. Preprocessing adalah proses awal dilakukannya perbaikan suatu citra untuk menghilangkan
noise. Seperti yang dikatakan oleh Bahri dan Maliki, preprocessing merupakan suatu proses
untuk menghilangkan bagian-bagian yang tidak diperlukan pada gambar input untuk proses
selanjutnya [2]. Beberapa proses yang dapat dilakukan pada tahap preprocessing antara lain,
proses binerisasi, segmentasi, dan normalisasi.

3. Pengenalan pola adalah salah satu bidang dalam pembelajaran mesin (machine learning)
yang menitikberatkan pada metode klasifikasi objek dalam kelas-kelas tertentu untuk
menyelesaikan masalah tertentu. Bidang pengenalan pola memiliki beragam variasi
algoritma yang terdiri dari 3 elemen dasar yaitu :
1. Persepsi data
2. Ekstraksi ciri
3. Klasifikasi

4. Jaringan Syaraf Tiruan (JST) merupakan metode yang dapat menemukan hubungan
nonlinear antara beban dan faktor-faktor lainnya yang dapat melakukan penyesuaian
terhadap perubahan-perubahan yang. Salah satu bidang JST dapat diaplikasikan dengan baik
adalah bidang peramalan. JST dengan layer tunggal memiliki keterbatasan dalam
pengenalan pola. Kelemahan ini bisa ditanggulangi dengan menambahkan satu atau
beberapa layer tersembunyi di antara layer masukan dan layer keluaran. Jaringan syaraf
tiruan Backpropagation (JST-BP) melatih jaringan guna mendapatkan keseimbangan antara
kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta
kemampuan untuk memberikan respon yang benar terhadap pola masukan yang serupa
dengan pola yang dipakai selama pelatihan.

5. Algoritma : Naïve Bayes, merupakan sebuah metoda klasifikasi yang berakar pada
teorema Bayes . Algoritma ini mengasumsikan bahwa atribut obyek adalah independen.
Probabilitas yang terlibat dalam memproduksi perkiraan akhir dihitung sebagai jumlah
frekuensi dr ” master ” tabel keputusan
Variabel : Variabel energy, Standar Deviasi, Variabel Smoothes, Variabel Simetris, Pixel
6. Aras ( Level ) Kelompok Komputasi
 Level Titik
Operasi pada aras titik hanya dilakukan pada pixel tunggal didalam citra. Operasi
titik dikenal juga dengan nama operasi pointwise. Operasi ini terdiri dari
pengaksesan pixel pada lokasi yang diberikan, memodifikasinya dengan
operasioperasi lanjar (linear) atau nirlanjar (nonlinear) dan menempatkan nilai pixel
baru pada lokasi yang bersesuaian didalam citra yang baru.
 Level Lokal
Operasi pada level lokal menghasilkan citra keluaran yang intensitas suatu pixel
bergantung pada intensitas pixel-pixel tetangganya
 Level Global
Operasi pada aras global menghasilkan citra keluaran yang intensitas suatu pixel
bergantung pada intensitas keseluruhan Pixel
 Level Objek
Operasi jenis ini hanya dilakukan pada objek tertentu di dalam citra. Tujuan dari
operasi pada level objek adalah untuk mengenali objek tersebut, misalnya dengan
menghitung rata-rata intensitas, ukuran, bentuk, dan karakteristik lain dari objek.
Operasi ini mendeteksi fitur dari objek biner ke computer vision.

7. Kovulsi

Abcd = 4 digit nim

*Hitung tepian border
8 3 1 0 1
0 2 4 8 7
3 1 3 1 5 0 1 0
3 0 0 1 1 1 -3 1
2 3 6 6 3 0 1 0

Pixel tambahan untuk menghitung border hingga f(x,y) menjadi

1 3 5 7 1 2 3
0 1 0
2 8 3 1 0 1 0 1 -3 1
4 0 2 4 8 7 5 0 1 0
0 3 1 3 1 5 2
5 3 0 0 1 1 3
0 2 3 6 6 3 3
1 3 2 4 5 4 1

Baris 1
f(1,1) = ( (1.0) + (3.1) + (5.0) + (0.1) + (2.-3) + (4.1) + (3.0) + (1.1) + (3.0) ) / 1 = 2
f(1,2) = ( (3.0) + (5.1) + (7.0) + (8.1) + (3.-3) + (1.1) + (0.0) + (2.1) + (4.0) ) / 1 = 7
f(1,3) = ( (5.0) + (7.1) + (1.0) + (3.1) + (1.-3) + (0.1) + (2.0) + (4.1) + (8.0) ) / 1 = 11
f(1,4) = ( (7.0) + (1.1) + (2.0) + (1.1) + (0.-3) + (1.1) + (4.0) + (8.1) + (7.0) ) / 1 = 15
f(1,5) = ( (1.0) + (2.1) + (3.0) + (0.1) + (1.-3) + (0.1) + (8.0) + (7.1) + (5.0) ) / 1 = 11

Baris 2
f(2,1) = 17 f(2,2) = 2
f(2,3) = 2 f(2,4) = -11
f(2,5) = -2

Baris 3
f(3,1) = -2 f(3,2) = 5
f(3,3) = 3 f(3,4) = 14
f(3,5) = 0

Baris 4
f(4,1) = 1 f(4,2) = 7
f(4,3) = 10 f(4,4) = 5
f(4,5) = 9

Baris 5
f(5,1) = 3 f(5,2) = 1
f(5,3) = -5 f(5,4) = 6
f(5,5) = 5

Hingga Hasil Akhir Citra adalah sebagai berikut

2 7 11 15 11
17 2 2 -11 -2
-2 5 3 14 0
1 7 10 5 9
3 1 -5 6 5