Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017

ISSN 2339-210X

PENERAPAN IMAGE ENHANCEMENT ALGORITHM UNTUK

MENINGKATKAN KUALITAS CITRA TAK BERGERAK
Phie Chyan

Dosen Tetap Fakultas Teknologi Informasi, Universitas Atma Jaya Makassar

Jln. Tanjung Alang No 23 Makassar

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.

Kata kunci: Image Enhancement, Domain Spatial Transformation, Bee-Colony Algorithm

I. PENDAHULUAN fuzzy menggunakan algoritma bee-colony untuk

Peningkatan kualitas citra bertujuan untuk
meningkatkan kualitas visual dari citra. Peningkatan
kualitas citra dilakukan dengan memperkuat
karakteristik penting dari citra dan melemahkan
sejumlah karakteristik yang tidak diperlukan pada
citra untuk membuat citra memenuhi kualitas visual
tertentu yang diinginkan atau membuat citra yang
dapat diproses lebih lanjut secara analitis bagi
manusia maupun mesin dengan menambah sejumlah
informasi.[1]
Metode peningkatan kualitas citra saat ini
cukup berkembang pesat. Berdasarkan perbedaan
ruang dimana peningkatan kualitas ini diterapkan,
metode algoritma peningkatan dapat dibagi menjadi
algoritma yang berbasis domain spasial dan algoritma
yang berbasis domain frekuensi[2]. Algoritma
domain spasial beroperasi langsung pada skala abu-
abu citra sedangkan algoritma domain frekuensi
menerapkan bentuk koreksi tertentu pada nilai
koefisien transformasi citra didalam domain
transformasi citra tertentu sehingga tidak langsung
diterapkan pada citra. Beberapa bentuk algoritma
peningkatan citra tidak memperhitungkan skala fuzzy
dari citra sehingga yang dilakukan hanya
meningkatkan nilai kontras dari citra dan menekan
gangguan noise dari keseluruhan citra. Hal ini
mengurangi tingkat detail dari citra dan menimbulkan
efek yang tidak diinginkan.
Peningkatan citra berbasis fuzzy mempunyai
keuntungan dapat mempertahankan tingkat detail dari
citra[3]. Seleksi parameter seperti fungsi keanggotaan
dan operator dalam peningkatan citra berbasis fungsi
memegang peranan penting dalam efek peningkatan
citra dan algoritma bee colony memiliki keuntungan
dalam hal komputasi yang lebih sederhana dan mudah
untuk diimplementasikan. Penelitian ini dilakukan
untuk menerapkan metode peningkatan citra berbasis
278
meningkatkan kualitas citra tak bergerak.
Permasalahan yang dapat dirumuskan
berdasarkan pembahasan yang telah dikemukakan
adalah bagaimana algoritma image enhancement
dapat meningkatkan kualitas citra, sehingga tujuan
yang ingin dicapai dari penelitian ini adalah untuk
menerapkan algoritma image enhancement untuk
meningkatkan kualitas citra tak bergerak. Luaran
penelitian adalah suatu aplikasi uji untuk melihat
bagaimana unjuk kerja algoritma image enhancement
dalam meningkatkan kualitas citra tak bergerak.
II. TEORITIS
A. Pengolahan Citra Digital
Pengertian sederhana dari image processing
adalah manipulasi dan analisis suatu informasi
gambar oleh komputer. Sedangkan yang dimaksud
dengan informasi gambar di sini adalah gambar visual
dalam dua dimensi. Segala operasi untuk
memperbaiki, menganalisis, atau mengubah suatu
gambar disebut image processing[4].
Konsep dasar dari sistem dari image
processing diambil dari kemampuan indera
penglihatan manusia yang selanjutnya dihubungkan
dengan kemampuan otak manusia. Dalam sejarahnya,
image processing telah diaplikasikan dalam berbagai
bentuk, dengan tingkat kesuksesan yang cukup besar.
Seperti berbagai cabang ilmu lainnya, image
processing menyangkut pula berbagai gabungan
cabang-cabang ilmu, seperti optik, elektronik,
matematika, fotografi, dan teknologi komputer.
Pada umumnya tujuan dari image processing
adalah mentransformasikan atau menganalisis suatu
gambar sehingga informasi baru tentang gambar
dibuat lebih jelas. Untuk melakukan hal ini ada
banyak cara yang dapat diaplikasikan dalam suatu
operasi image processing, yang sebagian besar dalam
bentuk optikal. Berbagai bidang telah banyak

Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017
menggunakan aplikasi dari image processing baik
dibidang komersial, industri, dan medis. Bahkan
bidang militer telah menggunakan perkembangan
dunia digital image processing ini untuk mendukung
teknologi militer.
Pengolahan citra dan pengenalan pola menjadi
bagian dari proses pengenalan citra. Kedua aplikasi
ini akan saling melengkapi untuk mendapatkan ciri
khas dari suatu citra yang hendak dikenali. Secara
umum tahapan pengolahan citra digital meliputi
akusisi citra, peningkatan kualitas citra, segmentasi
citra, representasi dan uraian, pengenalan dan
interpretasi
B. Histogram Warna
Histogram adalah grafik yag menunjukkan
frekuensi kemunculan setiap nilai gradiasi warna.
Bila digambarkan pada koordinat kartesian maka
sumbu X (absis) menunjukkan tingkat warna dan
sumbu Y (ordinat) menunjukkan frekuensi
kemunculan warna tersebut pada suatu citra.
Histogram warna merupakan fitur warna yang paling
banyak digunakan. Histogram warna sangat efektif
mengkarakterisasikan distribusi global dari warna
dalam sebuah citra digital [5]. Komposisi warna
merupakan salah satu fitur yang dapat digunakan
dalam sistem temu balik citra.
Komposisi warna dapat direpresentasikan dalam
bentuk histogram. Histogram warna
merepresentasikan distribusi jumlah piksel untuk tiap
intensitas warna dalam citra. Untuk mendefinisikan
histogram warna, warna di kuantisasi menjadi
beberapa level diskrit sesuai dengan model ruang
warna yang digunakan misalnya RGB, YIV dan
model ruang warna lainnya yang mana setiap ruang
warna memiliki karakteristiknya masing masing,
kemudian untuk tiap level tersebut hasil kuantisasi
warna tadi dihitung jumlah piksel yang nilainya
sesuai seperti ditunjukkan Gambar 1 berikut ini.
Gambar 1. Histogram Warna
C. Representasi Warna
Pada umumnya, warna dipisahkan menjadikan
komponen-komponen, baik komponen warna
ataupun komponen kecerahan, penyajian semacam
ini disebut komponen warna. Pada komponen warna,
tiap komponen dipisahkan dengan model-model
tertentu, seperti model RGB, YUV dan YIQ. Red
Green Blue (RGB) merupakan warna dasar yang ada
279
ISSN 2339-210X
pada sistem komputer. Data video dapat dipisahkan
menjadi komponen-komponen untuk masing-masing
warna, yaitu merah (red), hijau (green) dan biru
(blue). Warna tiap piksel ditentukan oleh kombinasi
intensitas dari masing-masing komponen warna dan
dipetakan dalam bentuk sebuah koordinat.
Sebagai contoh, pada RGB 24 bit, masing-
masing komponen warna dinyatakan dalam 8 bit atau
256 level. Misalnya, citra dengan 8 bit per piksel
mempunyai 256 warna dan citra dengan 24 bit
mempunyai 32768 warna, jadi setiap piksel dapat
dinyatakan sebagai berikut :
1. Bit 0 sampai dengan 7 untuk warna merah.
2. Bit 7 sampai dengan 15 untuk warna hijau.
3. Bit 16 sampai dengan 24 untuk warna biru.
Kemungkinan kombinasi warna yang ada adalah =
2563 + 2562 + 2561 = 16.843.008, dimana nilai 0
menyatkan warna hitam sedangakan nilai 16.843.008
menyatakan warna putih. YUV adalah pemisahan
komponen kecerahan (luminance) dan komponen
warna (crominanc). Pemisahan komponen tidak
hanya dilakukan dengan pemisahan warna, namun
dapat juga dilakukan dengan memisahkan komponen
kecerahan (luminance) dan komponen warna
(crominance). Pada format PAL, sinyal kecerahan
dinyatakan dengan Y, sedangkan dua signal warna
dinyatakan dengan U dan V. Masing-masing
komponen tersebut diperoleh dengan
mentransformasikan RGB dengan rumus : Y = 0,299
R + 0,587 G + 0,114 B U = (B-Y) x 0,493 V = (R-Y)
x 0,877. Model YIQ merupakan salah model warna
yang berfokus pada persepsi mata manusia terhadap
warna. YIQ merepresentasikan warna dalam tiga
komponen, yaitu komponen Y mewakili pencahayaan
(luminance), komponen I mewakili corak warna (hue)
dan komponen Q mewakili intensitas atau kedalaman
warna (saturation) [6]. Model ini merupakan standar
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-
abu. Agar televisi ini masih bisa digunakan, maka
data yang dipancarkan dikemas dalam model YIQ.
Sehingga pesawat televisi lama hanya menangkap
sinyal Y yang berisi data kecerahan dan langsung
menampilkannya pada layar tanpa perlu melakukan
proses transformasi, sedangkan pesawat televisi baru
dapat menangkap ketiga macam data tersebut dan
menampilkan dalam citra berwarna [7].
Perangkat keras pengolah citra pada umumnya
menerapkan model warna RGB dengan pertimbangan
kemudahan pada teknis penampilan warna. Konversi

Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017
warna diperlukan untuk menjembatani perbedaan
kedua model warna tersebut agar dapat diproses dan
ditampilkan dengan benar. Perhatikan Gambar bahwa
terlihat bahwa warna hitam diwakili oleh koordinat
ruang (0,0,0) yang berarti intensitas semua warna
pokok adalah nol persen dan warna putih oleh
koordinat (1,1,1) yang berarti semua warna pokok
berintensitas 100% karena nilai satu adalah
maksimum untuk skala yang dinormalkan pada kubus
tersebut. Bila semua warna pokok mempunyai
intensitas yang sama dan berada diantara 0 dan 1,
maka yang tampak adalah warna abu-abu dengan
mudah dapat dihasilkan dari citra warna RGB dengan
mengambil niai rata-rata dari ketiga komponen warna
pokok merah, hijau, biru. Karena ketiga warna pokok
tadi dianggap tidak seragam dalam hal kemampuan
kontribusi pada kecerahan, sehingga masing-masing
komponen tersebut diperoleh dengan cara
mengkonversikan nilai RGB ke nilai YIQ dengan
rumus : Y = 0,299 R + 0,587 G + 0,114 B I = 0,587R-
0,275G-0,321B Q = 0,212R-0,523G-0,321B Citra
query dan citra dalam basis data di konversi dari
model warna RGB ke model warna YIQ adalah untuk
mengkoversi citra warna ke dalam bentuk yang lebih
sesuai untuk pengolahan citra. Pada setiap komponen
YIQ memiliki jangkauan nilai 0-255.
D. Image Enhancement
Image Enhancement merupakan suatu metode
untuk menyoroti sejumlah informasi tertentu didalam
citra dan melemahkan beberapa fitur yang dianggap
tidak penting menurut kriteria tertentu dengan tujuan
untuk meningkatkan kejernihan dan kontras dari citra
dalam aplikasi tertentu dalam rangka meningkatkan
kualitas citra dan membuat hasil proses lebih sesuai
terhadap sensori visual manusia dan juga lebih mudah
diproses oleh mesin [8].
Teknik enhancement yang umum digunakan
saat ini dibagi menjadi yang berbasis domain spasial
dan domain transformasi. Teknik berbasis domain
spasial diaplikasikan langsung ke ruang warna dari
citra sedangkan teknik berbasis domain transformasi
sesuai namanya diproses pada domain transformasi
citra[9]. Model ruang transformasi yang umum
digunakan adalah frequency domain space atau
transformasi fourier. Metode enhancement yang
berbasis domain spasial antara lain transformasi skala
abu abu untuk meningkatkan citra melalui tiap point
pikselnya, transformasi histogram mengubah kontras
citra secara global atau lokal dan transformasi spasial
memproses piksel citra yang berdekatan melalui
template atau masking [10].
Gambar 2 menampilkan dua fungsi
transformasi yang umum dari image enhancement
berbasis domain spasial.
280
ISSN 2339-210X
Gambar 2. Fungsi Transformasi dan Perbaikan
Kontras
III. ANALISA DAN PEMBAHASAN
Suatu algoritma yang diinspirasi dari
bagaimana proses lebah mengumpulkan madu yang
prosesnya serupa dengan metode untuk mencari
solusi optimal bagi permasalahan dalam bidang
komputasional modern. Proses mengumpulkan madu
oleh lebah dilakukan melalui komunikasi,
transformasi dan kolaborasi dari sekumpulan
individu lebah yang berbeda. Proses mengumpulkan
madu oleh koloni lebah melibatkan tiga komponen
dasar dan dua perilaku dasar. Tiga komponen dasar
adalah: makanan, lebah pekerja dan lebah
penganggur dan dua perilaku dasar adalah merekrut
dan meninggalkan makanan tertentu [8]. Esensi dari
Artificial Bee Colony Algorithm (ABC) adalah untuk
mencari solusi optimal melalui evolusi random tapi
terarah dalam suatu grup yang terdiri dari kandidat
solusi.
Misalkan problem optimisasi (P) :
Pertama inisialisasikan algoritma ABC. Randomisasi
populasi awal dengan solusi SN sesuai dengan
formula (1)
(1)
Kemudian lebah pekerja mencari makanan yang
sesuai, secara random memilih lebah lain sebagai
tetangga dan secara random memilih dimensi sebagai
panduan arah pencarian. Proses pencarian dilakukan
sesuai dengan formula (2) dan (3).
(2)
(3)
Kemudian transformasi ke nilai batas menurut
formula (4)
(4)
Jika kualitas (kesesuaian) dari makanan yang dicari
(solusi) 𝑥𝑖𝑛𝑒𝑤 lebih baik dari makanan sekarang, ganti
makanan baru dengan makanan sekarang; jika tidak,

Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017
biarkan posisi makanan tidak berubah. Setelah
pencarian dari seluruh lebah pekerja selesai, kembali
ke sarang dan bagikan informasi makanan pada lebah
penganggur kemudian pengikut memutuskan tingkat
kembalian (return rate) dari tiap makanan menurut
informasi yang diperoleh dan kumpulkan madu
melalui seleksi random. Return rate dinyatakan
dengan nilai kesesuaian (fitness value) dari solusi.
IV. IMPLEMENTASI
Algoritma image enhancement dijalankan
pada kriteria fuzzy entropy maksimum. Untuk
mengurangi waktu komputasi, populasi di stabilkan
pada angka 30 dan angka 100 untuk terminasinya.
Nilai awal dari parameter fuzzy dalam bee colony
dihasilkan secara acak sehingga kita dapat memilih
terminasi pada angka 100. Gambar 3 menunjukkan
bagian kontras antara citra asli dan citra yang telah
diproses dengan algoritma enhancement. Tabel 1
menunjukkan nilai rata-rata , standar deviasi dan
algoritma enhancement yang digunakan.
Tabel 1 hasil perbandingan parameter dari 3 citra
Nilai Standar Entropy
rata-rata deviasi
Citra Asli 50,2849 43,7312 7,3471
PSO 151,4758 82,8231 6,8263
Image enhancement 121,2631 51,8427 8,3489
Gambar 3. Citra sebelum diproses (kiri) dan citra
yang telah dienhancement (kanan)
Gambar 4 menunjukkan histogram dari average
value, standar deviation dan entropy dari citra asli
dan citra yang telah dienhancement.
Gambar 4. Histogram untuk nilai average, standar
deviation dan entropy.
281
ISSN 2339-210X
Nilai rata-rata meningkat setelah proses histogram
equalization, menunjukkan nilai kecerahan yang
tinggi dan standar deviasi yang kecil dan hal ini
mencerminkan efek equalization tidak cukup baik.
Hal ini dapat dilihat dari data eksperimental bahwa
nilai rata-rata dan deviasi meningkat setelah diproses
dengan algoritma PSO; akan tetapi entropy
berkurang; kecerahan meningkat. Dapat dilihat
bahwa setelah proses PSO. Distorsi warna muncul
dan definisi citra menjadi berkurang. Bee algorithm
memiliki dynamic range compression dan definition
enhancement yang lebih baik seperti halnya terhadap
kejernihan warna dan dapat meningkatkan dynamic
range compression dari citra, efek visual dari citra
dan detail dari citra.
V. KESIMPULAN
Image Enhancement merupakan teknik dasar
dari pengolahan citra digital yang dapat secara efektif
meningkatkan karakteristik global maupun lokal dari
citra. Dengan menggunakan optimisasi global,
penelitian ini telah berhasil menerapkan image
enhancement berbasis algoritma bee colony untuk
meningkatkan kualitas citra.
DAFTAR PUSTAKA
[1] Kamran Binaee, Reza PR. Hasanzadeh. “An ultrasound image
enhancement method using local gradient based fuzzy
similarity”. Biomedical Signal Processing and Control. 2014;
13(1): Pages 89-101
[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
Engine dengan Pendekatan Temu Balik Berbasis Konten”,
Jurnal ilmiah TEMATIKA, Vol. 3, No. 2, 2015, hal: 31-39,
[6] P Chyan dan SC Sumarta. 2015. “Rancang Bangun Search
Engine dengan Pendekatan Temu Balik Berbasis Konten”,
Jurnal ilmiah TEMATIKA, Vol. 3, No. 2, 2015, hal: 31-39,
[7] P. Balasubramaniam, VP. Ananthi. “Image fusion using
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