ISSN 2339-210X
ABSTRAK
Peningkatan kualitas citra sangat dibutuhkan pada berbagai aplikasi yang mengolah dan memanfaatkan citra. Dalam banyak
kasus citra yang dihasilkan dari perangkat perekam citra menghasilkan citra yang kurang berkualitas seperti buram, terdistorsi
dan memiliki detail yang rendah sehingga kurang memadai untuk digunakan dalam tahap pengolahan citra. Penelitian ini
bertujuan untuk menerapkan algoritma peningkatan kualitas citra menggunakan metode peningkatan citra berbasis fuzzy
dengan algoritma Bee Colony untuk mensimulasikan eksperimen hasil proses perbaikan kualitas citra yang mengalami
gangguan atau berkualitas rendah. Hasil dari eksperimen menunjukkan bahwa metode yang digunakan dalam implementasi
peningkatan citra dapat meningkatkan kualitas visual dari citra dan meningkatkan tingkat detail dari citra.
menggunakan aplikasi dari image processing baik pada sistem komputer. Data video dapat dipisahkan
dibidang komersial, industri, dan medis. Bahkan menjadi komponen-komponen untuk masing-masing
bidang militer telah menggunakan perkembangan warna, yaitu merah (red), hijau (green) dan biru
dunia digital image processing ini untuk mendukung (blue). Warna tiap piksel ditentukan oleh kombinasi
teknologi militer. intensitas dari masing-masing komponen warna dan
Pengolahan citra dan pengenalan pola menjadi dipetakan dalam bentuk sebuah koordinat.
bagian dari proses pengenalan citra. Kedua aplikasi Sebagai contoh, pada RGB 24 bit, masing-
ini akan saling melengkapi untuk mendapatkan ciri masing komponen warna dinyatakan dalam 8 bit atau
khas dari suatu citra yang hendak dikenali. Secara 256 level. Misalnya, citra dengan 8 bit per piksel
umum tahapan pengolahan citra digital meliputi mempunyai 256 warna dan citra dengan 24 bit
akusisi citra, peningkatan kualitas citra, segmentasi mempunyai 32768 warna, jadi setiap piksel dapat
citra, representasi dan uraian, pengenalan dan dinyatakan sebagai berikut :
interpretasi 1. Bit 0 sampai dengan 7 untuk warna merah.
2. Bit 7 sampai dengan 15 untuk warna hijau.
B. Histogram Warna 3. Bit 16 sampai dengan 24 untuk warna biru.
Histogram adalah grafik yag menunjukkan
frekuensi kemunculan setiap nilai gradiasi warna. Kemungkinan kombinasi warna yang ada adalah =
Bila digambarkan pada koordinat kartesian maka 2563 + 2562 + 2561 = 16.843.008, dimana nilai 0
sumbu X (absis) menunjukkan tingkat warna dan menyatkan warna hitam sedangakan nilai 16.843.008
sumbu Y (ordinat) menunjukkan frekuensi menyatakan warna putih. YUV adalah pemisahan
kemunculan warna tersebut pada suatu citra. komponen kecerahan (luminance) dan komponen
Histogram warna merupakan fitur warna yang paling warna (crominanc). Pemisahan komponen tidak
banyak digunakan. Histogram warna sangat efektif hanya dilakukan dengan pemisahan warna, namun
mengkarakterisasikan distribusi global dari warna dapat juga dilakukan dengan memisahkan komponen
dalam sebuah citra digital [5]. Komposisi warna kecerahan (luminance) dan komponen warna
merupakan salah satu fitur yang dapat digunakan (crominance). Pada format PAL, sinyal kecerahan
dalam sistem temu balik citra. dinyatakan dengan Y, sedangkan dua signal warna
Komposisi warna dapat direpresentasikan dalam dinyatakan dengan U dan V. Masing-masing
bentuk histogram. Histogram warna komponen tersebut diperoleh dengan
merepresentasikan distribusi jumlah piksel untuk tiap mentransformasikan RGB dengan rumus : Y = 0,299
intensitas warna dalam citra. Untuk mendefinisikan R + 0,587 G + 0,114 B U = (B-Y) x 0,493 V = (R-Y)
histogram warna, warna di kuantisasi menjadi x 0,877. Model YIQ merupakan salah model warna
beberapa level diskrit sesuai dengan model ruang yang berfokus pada persepsi mata manusia terhadap
warna yang digunakan misalnya RGB, YIV dan warna. YIQ merepresentasikan warna dalam tiga
model ruang warna lainnya yang mana setiap ruang komponen, yaitu komponen Y mewakili pencahayaan
warna memiliki karakteristiknya masing masing, (luminance), komponen I mewakili corak warna (hue)
kemudian untuk tiap level tersebut hasil kuantisasi dan komponen Q mewakili intensitas atau kedalaman
warna tadi dihitung jumlah piksel yang nilainya warna (saturation) [6]. Model ini merupakan standar
sesuai seperti ditunjukkan Gambar 1 berikut ini. warna pada penyiaran TV yang diperkenalkan
pertama kali oleh NTSC (the National Television
System Comitee). Pada siaran televisi tidak dikemas
dalam kode RGB waktu dipancarkan melainkan
menggunakan model warna lain yaitu YIQ. Hal ini
disebabkan karena televisi pada awal
perkembangannya hanya mampu menampilkan citra
abu-abu. Sehingga ketika peralatan memancar sudah
memungkinkan untuk memungkinkan untuk
mengirimkan citra berwarna, banyak pesawat televisi
yang masih berkemampuan menampilkan citra abu-
Gambar 1. Histogram Warna abu. Agar televisi ini masih bisa digunakan, maka
data yang dipancarkan dikemas dalam model YIQ.
Sehingga pesawat televisi lama hanya menangkap
C. Representasi Warna sinyal Y yang berisi data kecerahan dan langsung
Pada umumnya, warna dipisahkan menjadikan menampilkannya pada layar tanpa perlu melakukan
komponen-komponen, baik komponen warna proses transformasi, sedangkan pesawat televisi baru
ataupun komponen kecerahan, penyajian semacam dapat menangkap ketiga macam data tersebut dan
ini disebut komponen warna. Pada komponen warna, menampilkan dalam citra berwarna [7].
tiap komponen dipisahkan dengan model-model Perangkat keras pengolah citra pada umumnya
tertentu, seperti model RGB, YUV dan YIQ. Red menerapkan model warna RGB dengan pertimbangan
Green Blue (RGB) merupakan warna dasar yang ada kemudahan pada teknis penampilan warna. Konversi
280
Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017
ISSN 2339-210X
(4)
Jika kualitas (kesesuaian) dari makanan yang dicari
(solusi) 𝑥𝑖𝑛𝑒𝑤 lebih baik dari makanan sekarang, ganti
makanan baru dengan makanan sekarang; jika tidak,
281
Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017
ISSN 2339-210X
biarkan posisi makanan tidak berubah. Setelah Nilai rata-rata meningkat setelah proses histogram
pencarian dari seluruh lebah pekerja selesai, kembali equalization, menunjukkan nilai kecerahan yang
ke sarang dan bagikan informasi makanan pada lebah tinggi dan standar deviasi yang kecil dan hal ini
penganggur kemudian pengikut memutuskan tingkat mencerminkan efek equalization tidak cukup baik.
kembalian (return rate) dari tiap makanan menurut Hal ini dapat dilihat dari data eksperimental bahwa
informasi yang diperoleh dan kumpulkan madu nilai rata-rata dan deviasi meningkat setelah diproses
melalui seleksi random. Return rate dinyatakan dengan algoritma PSO; akan tetapi entropy
dengan nilai kesesuaian (fitness value) dari solusi. berkurang; kecerahan meningkat. Dapat dilihat
bahwa setelah proses PSO. Distorsi warna muncul
IV. IMPLEMENTASI dan definisi citra menjadi berkurang. Bee algorithm
Algoritma image enhancement dijalankan memiliki dynamic range compression dan definition
pada kriteria fuzzy entropy maksimum. Untuk enhancement yang lebih baik seperti halnya terhadap
mengurangi waktu komputasi, populasi di stabilkan kejernihan warna dan dapat meningkatkan dynamic
pada angka 30 dan angka 100 untuk terminasinya. range compression dari citra, efek visual dari citra
Nilai awal dari parameter fuzzy dalam bee colony dan detail dari citra.
dihasilkan secara acak sehingga kita dapat memilih
terminasi pada angka 100. Gambar 3 menunjukkan V. KESIMPULAN
bagian kontras antara citra asli dan citra yang telah Image Enhancement merupakan teknik dasar
diproses dengan algoritma enhancement. Tabel 1 dari pengolahan citra digital yang dapat secara efektif
menunjukkan nilai rata-rata , standar deviasi dan meningkatkan karakteristik global maupun lokal dari
algoritma enhancement yang digunakan. citra. Dengan menggunakan optimisasi global,
penelitian ini telah berhasil menerapkan image
Tabel 1 hasil perbandingan parameter dari 3 citra enhancement berbasis algoritma bee colony untuk
meningkatkan kualitas citra.
Nilai Standar Entropy
rata-rata deviasi
DAFTAR PUSTAKA
Citra Asli 50,2849 43,7312 7,3471 [1] Kamran Binaee, Reza PR. Hasanzadeh. “An ultrasound image
enhancement method using local gradient based fuzzy
PSO 151,4758 82,8231 6,8263 similarity”. Biomedical Signal Processing and Control. 2014;
13(1): Pages 89-101
Image enhancement 121,2631 51,8427 8,3489 [2] Tamalika Chaira. “A rank ordered filter for medical image
edge enhancement and detection using intuitionistic fuzzy
set”. Applied Soft Computing. 2012; 12(4): Pages 1259-1266.
[3] Meng Lei, Yao Fan. “Image Fuzzy Enhancement Based On
Self-Adaptive Bee Colony Algorithm” Telkomnika Vol 12 No
4. Desember 2014, Pages 875-882
[4] P Chyan dan SC Sumarta, 2013 “ Sistem temu balik citra
berbasis isi citra menggunakan fitur warna dan jarak
histogram” , Jurnal Ilmiah Tematika Vol 1 No 2 2013, hal 18-
26
[5] P Chyan dan SC Sumarta. 2015.”Rancang Bangun Search
Gambar 3. Citra sebelum diproses (kiri) dan citra Engine dengan Pendekatan Temu Balik Berbasis Konten”,
yang telah dienhancement (kanan) Jurnal ilmiah TEMATIKA, Vol. 3, No. 2, 2015, hal: 31-39,
[6] P Chyan dan SC Sumarta. 2015. “Rancang Bangun Search
Gambar 4 menunjukkan histogram dari average Engine dengan Pendekatan Temu Balik Berbasis Konten”,
value, standar deviation dan entropy dari citra asli Jurnal ilmiah TEMATIKA, Vol. 3, No. 2, 2015, hal: 31-39,
[7] P. Balasubramaniam, VP. Ananthi. “Image fusion using
dan citra yang telah dienhancement. intuitionistic fuzzy sets”. Information Fusion. 2014; 20(1):
Pages 21-30.
[8] Asmatullah Chaudhry, Asifullah Khan, etc. “Neuro fuzzy and
punctual kriging based filter for image restoration”. Applied
Soft Computing. 2013; 13(2): 817-832.
[9] R.J. Kuo, Y.D. Huang, etc. Automatic kernel clustering with
bee colony optimization algorithm. Information Sciences.
2014; 283(1): 107-122.
[10] Meng Lei, Yao Fan. “Image Fuzzy Enhancement Based On
Self-Adaptive Bee Colony Algorithm” Telkomnika Vol 12 No
4. Desember 2014, Pages 875-882