Nama : Putu Widi Wahyudi

NIM : 181051022
UTS : Pengolahan Citra Digital

1. Sebut dan jelaskan tiga tipe citra berdasarkan bit memori yang dimiliki! point 10
Jawaban :

Terdapat empat tipe dasar citra digital yaitu :

a) Citra Digital Bertipe Biner

Pada citra digital dengan tipe biner, setiap piksel pada citra hanya memiliki dua nilai saja yaitu
0 dan 1. Nilai 0 mewakili warna hitam dan nilai 1 mewakili warna putih. Karena hanya memiliki 2
nilai yang mungkin untuk setiap piksel, maka setiap piksel hanya memiliki ukuran 1 bit saja. Citra
dengan tipe biner seperti ini akan sangat efisien dalam proses penyimpanannya. Berikut adalah
contoh tipe citra biner, dimana warna putih mewakili piksel tepid an warna hitam mewakili latar
belakang.

b) Citra Digital Bertipe Grayscale

Pada citra dengan tipe grayscale, setiap piksel mewakili derajat keabuan dengan nilai antara 0
(hitam) sampai 255 (putih). Pada jangkauan nilai 0 sampai 255 , ini berarti bahwa setiap piksel
memiliki ukuran 8 bit atau 1 byte. Berikut adalah contoh citra bertipe grayscale.

c) Citra Digital Bertipe Warna RGB atau True Colour

 Pada citra dengan tipe RGB, setiap piksel memiliki 3 komponen warna , yaitu merah (R),
hijau(G) dan biru (B). Setiap komponen warna memiliki jangkauan nilai antara 0 sampai 255 (8 bit).
Hal ini akan memberikan kemungkinan total warna sebanyak 2553 = 16 777 216. Jadi total ukuran
bit untuk setiap piksel adalah 24 bit (8 bit R, 8 bit G dan 8 bit B). Citra seperti ini biasanya juga
disebut dengan citra warna 24 bit. Berikut adalah contoh dari citra RGB.

d) Citra Digital Bertipe Warna Berindeks

Kebanyakan citra warna hanya memiliki sebagian kecil dari 16 juta warna yang mungkin. Untuk
kenyamanan dalam menyimpanan dan penangan berkas file, citra warna bertipe index mempunyai
sebuah peta warna yang terkait indeks warna, yang hanya menyimpan daftar semua warna yang
digunakan pada citra tersebut. Setiap piksel pada citra warna berindeks mempunyai nilai yang tidak
mewakili warna yang diberikan (seperti pada citra warna RGB), tetapi nilai tersebut hanya mewakili
sebuah indeks warna ,yang mana representasi warna tersebut tersimpan pada peta warna. Berikut
contoh sebuah citra warna berindeks.

2. Jelaskan apa yang dimaksud dengan preprocessing dalam pengaplikasian Pengolahan Citra
Digital! point 10
Jawaban :
Preprocessing merupakan suatu proses untuk menghilangkan bagian-bagian yang tidak
diperlukan pada gambar input untuk proses selanjutnya. Beberapa proses yang dapat
dilakukan pada tahap preprocessing antara lain, proses binerisasi, segmentasi, dan
normalisasi.

3. Jelaskan proses pengenalan pola dalam mengenali suatu obyek! point 10

Jawaban :
 Pengenalan Pola adalah kemampuan manusia mengenali objek-objek berdasarkan ciri-
ciri dan pengetahuan yang pernah diamatinya dari objek-objek
tersebut. Tujuan dari pengenalan Pola ini adalah mengklasifikasi dan mendeskripsikan pola
atau objek kompleks melalui pengetahuan sifat-sifat atau ciri-ciri objek tersebut.

Berikut ini merupakan langkah-langkah yang umumnya dilakukan dalam merancang sebuah
sistem computer vision (pengolahan citra dan pengenalan pola):

1. Akuisisi citra (image acquisition)

Akuisisi citra digital merupakan proses menangkap (capture) atau memindai (scan) citra analog
sehingga diperoleh citra digital. Alat yang dapat digunakan untuk mengakuisisi citra digital antara
lain: kamera digital, webcam, smartphone, scanner, mikroskop digital, pesawat rontgen/sinar X,
pesawat MRI, pesawat CT Scan, atau pesawat radiodiagnostik lainnya.

Hal-hal yang perlu diperhatikan dalam proses akuisisi citra di antaranya: resolusi alat akuisisi,
jarak dan sudut pengambilan citra, pencahayaan, perbesaran (zoom), pergerakan objek maupun
pergerakan kamera (statis atau dinamis), dan format citra hasil akuisisi.

2. Perbaikan kualitas citra (Image enhancement)

Perbaikan kualitas citra merupakan tahapan pre-processing dalam pengolahan citra yang
bertujuan untuk meningkatkan kualitas suatu citra. Indikator citra dengan kualitas baik adalah hasil
segmentasi. Jika tanpa melalui proses perbaikan kualitas citra, citra hasil akuisisi sudah dapat
tersegmentasi dengan baik, maka tahapan perbaikan kualitas citra boleh tidak dilakukan.

Namun apabila hasil segmentasi belum baik, maka perlu dilakukan tahapan perbaikan kualitas
citra. Oleh sebab itu, perbaikan kualitas citra dapat dikatakan tahapan yang bersifat opsional. Selain
bersifat opsional, perbaikan kualitas citra juga bersifat subjektif dan eksperimentatif karena tidak
ada algoritma yang baku untuk meningkatkan kualitas citra. Perbaikan kualitas citra dapat dilakukan
melalui operasi titik, operasi spasial, maupun operasi transformasi. Metode perbaikan kualitas citra
 di antaranya adalah: intensity adjustment, contrast stretching, filtering (median filter, low pass filter,
high pass filter, dsb).

2. Segmentasi citra

Dalam pengolahan citra, terkadang dibutuhkan pengolahan hanya pada obyek tertentu saja.
Oleh sebab itu, diperlukan proses untuk memisahkan obyek yang dikehendaki dengan obyek lain
yang tidak dikehendaki.

Proses memisahkan antara obyek yang dikehendaki (foreground) dengan obyek lain yang tidak
dikehendaki (background) disebut dengan segmentasi citra.Pada umumnya hasil keluaran proses
segmentasi adalah berupa citra biner di mana foreground berlogika 1
sedangkan background berlogika 0.Sama seperti perbaikan kualitas citra, segmentasi citra juga
bersifat subjektif dan eksperimentatif karena tidak ada algoritma yang pasti untuk memisahkan
antara foreground dengan background. Apabila seluruh obyek dalam citra adalah obyek yang
dikehendaki, maka tidak perlu dilakukan proses segmentasi citra. Oleh sebab itu, proses segmentasi
citra juga bersifat opsional. Metode segmentasi citra di antaranya
adalah thresholding, multithresholding, active contour, deteksi tepi, k-means clustering, filter
gabor, fuzzy c-means clustering, watershed, transformasi hough, dsb.

4. Ekstraksi ciri (feature extraction)

Untuk mengenali obyek dalam citra dibutuhkan parameter-parameter yang mencirikan obyek
tersebut. Ciri yang dapat digunakan untuk membedakan obyek satu dengan obyek lainnya di
antaranya adalah ciri bentuk, ciri ukuran, ciri geometri, ciri tekstur, dan ciri warna. Masing-masing
obyek diekstrak cirinya berdasarkan parameter-parameter tertentu dan dikelompokkan pada kelas
tertentu. Misalnya untuk mencirikan ukuran suatu obyek yang termasuk dalam kelas ukuran besar
maka digunakan parameter luas dan keliling. Nilai dari parameter-parameter tersebut kemudian
dijadikan sebagai data masukan dalam proses identifikasi/ klasifikasi.
 Pada proses pengenalan pola yang kompleks dibutuhkan ciri yang kompleks pula, oleh sebab
itu perlu dilakukan kajian mengenai ciri apa yang benar-benar dapat membedakan antara obyek satu
dengan obyek yang lain.

5. Identifikasi/ klasifikasi

Dalam proses ini, nilai parameter-parameter yang merepresentasikan ciri obyek pada masing-
masing kelas dijadikan sebagai data masukan. Data tersebut kemudian diolah sehingga diperoleh
suatu rumusan untuk dapat mengenali obyek. Dalam tahapan identifikasi, umumnya dilakukan dua
proses utama yaitu proses pelatihan dan proses pengujian. Proses pelatihan dilakukan menggunakan
sekumpulan data latih yang memuat parameter ciri/ feature yang digunakan untuk membedakan
antara objek satu dengan objek lainnya. Proses pelatihan memetakan data latih menuju target latih
melalui suatu rumusan (algoritma identifikasi/klasifikasi). Algoritma yang digunakan dipilih
berdasarkan pada karakteristik ciri/ feature dari objek. Algoritma yang biasa digunakan antara
lain jaringan syaraf tiruan, support vector machine, k-means clustering, k-nearest neighbor, logika
fuzzy, fuzzy c-means clustering, naive bayes, dll.

Akhir dari proses pelatihan adalah suatu rumusan terbaik yang memetakan data latih menuju
target latih yang ditunjukkan dengan tingkat akurasi proses pelatihan.

Proses selanjutnya yaitu proses pengujian, pada proses ini rumusan yang dihasilkan dari proses
pelatihan digunakan untuk memetakan data uji sehingga diperoleh data keluaran yang kemudian
dibandingkan dengan target uji sehingga dapat diperoleh tingkat akurasi dari proses pengujian.

Hal-hal yang umumnya digunakan dalam proses pengenalan pola adalah sebagai berikut:

a) Persentase pembagian data untuk data latih dan data uji adalah 50%:50%, 60%:40%,
70%:30%, dan 80%:20%.

b) Tingkat akurasi proses pelatihan umumnya lebih tinggi dibandingkan dengan tingkat akurasi
proses pengujian.

4. Apakah algoritma Bacpropagation dapat diaplikasikan pada model Jaringan Syaraf

Tiruan? Jelaskan! point 15
Jawaban :
 Jaringan syaraf tiruan adalah pemrosesan sistem informasi pada karakteristik tertentu yang
merupakan representatif buatan berdasarkan jaringan syaraf manusia.

• Bacpropagation adalah algoritma pembelajaran utk memperkecil tingkat eror dengan cara
menyesuaikan bobotnya berdasarkan perbedaan output dan target yang diiginkan.
• Bacpropagation bisa diaplikasikan pada jaringan syaraf tiruan dengan sebuah metode
sistematik untuk pelatihan multilayer jaringan syafaf tiruan.

5. Apabila Anda adalah seorang programmer yang sedang membuat sistem berupa identifikasi
kematangan buah apel dan akan digunakan untuk mengembangkan teknologi dibidang
pertanian. point 20
a. Sebutkan algoritma yang dapat digunakan?
b. Variable apa saja yang digunakan untuk memilah kematangan apel pada sistem?

Jawaban :
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. Sebut dan jelaskan aras komputasi yang dikelompokkan pada setiap level komputasi!
point 15
Jawaban:

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