Laporan

“Operasi Ketetanggaan Piksel & Pengolahan Citra Digital “

Disusun Oleh
George B.A Koroh
20120198
Kelas D

PROGRAM STUDI TEKNIK INFORMATIKA S1

SEKOLAH TINGGI MANAJEMEN INFORMASI KOMPUTER
UYELINDO KUPANG
2021

1.

 Operasi ketetanggaan piksel ‘Filter Batas’ :

 Citra Asli :

 Nilai Piksel dalam matrix dari citra Asli :

 Citra dan Nilai Piksel Setelah Di Lakukan Operasi:

 Script Program Filter Batas :

 . Operasi ketetanggaan piksel ‘Filter Pererataan’ :

 Citra Asli :

 Nilai Piksel dalam matrix dari citra Asli :

 Citra dan Nilai Piksel Setelah Di Lakukan Operasi:
 Script Program Filter Pererataan :

 . Operasi ketetanggaan piksel ‘Filter Median :

 Citra Asli :
 Nilai Piksel dalam matrix dari citra Asli :

 Citra dan Nilai Piksel Setelah Di Lakukan Operasi:

 Script Program Filter Pererataan :

 Kesimpulan :

Operasi ketetanggan piksel adalah teknik pengolahan citra digital yang umum digunakan
dalam pemrosesan gambar. Teknik ini dilakukan dengan memeriksa dan memanipulasi nilai
piksel pada gambar untuk mencapai tujuan tertentu.

Filter batas, filter pererataan, dan filter median adalah tiga jenis operasi ketetanggan piksel
yang digunakan secara luas dalam pemrosesan gambar.

Filter batas digunakan untuk meningkatkan kontras gambar dan menyoroti tepi gambar.
Operasi ini dilakukan dengan mencari perbedaan nilai piksel yang signifikan di antara piksel
tetangga dalam gambar.

Filter pererataan, di sisi lain, digunakan untuk menghilangkan noise atau gangguan pada
gambar. Operasi ini dilakukan dengan mengambil rata-rata nilai piksel pada daerah tetangga
dalam gambar.

Filter median juga digunakan untuk menghilangkan noise pada gambar. Operasi ini dilakukan
dengan mengambil nilai median piksel pada daerah tetangga dalam gambar.

Dalam kesimpulannya, ketiga jenis operasi ketetanggan piksel ini memainkan peran penting
dalam pemrosesan gambar dan masing-masing memiliki tujuan yang berbeda. Filter batas
meningkatkan kontras dan menyoroti tepi gambar, filter pererataan dan median digunakan
untuk menghilangkan noise pada gambar.
2 Konvolusi Pada Citra dengan mengabaikan Piksel tepi Citra :

 Citra Asli :

 Nilai Piksel dalam matrix dari citra Asli :

  Citra dan Nilai Piksel Setelah Di Lakukan Operasi:

 Script Program Filter Konvolusi dengan mengabaikan nilai Tepi Citra :

 Kesimpulan :

Operasi ketetanggan piksel dalam filter konvolusi pada citra mengacu pada cara di mana
piksel di sekitar suatu piksel tertentu (disebut piksel inti) digunakan untuk menghasilkan nilai
baru untuk piksel inti. Filter konvolusi umumnya memiliki matriks kernel yang diaplikasikan
pada setiap piksel pada citra untuk menghasilkan citra yang baru.
 Jika kita mengabaikan piksel tepi citra, maka operasi konvolusi hanya dapat dilakukan pada
piksel-piksel di dalam citra, dan piksel tepi tersebut harus diabaikan. Hal ini karena untuk
melakukan operasi konvolusi pada piksel tepi, perlu adanya piksel di luar citra yang dapat
digunakan sebagai piksel tetangga pada operasi konvolusi. Namun, karena piksel tepi tidak
memiliki tetangga di luar citra, maka tidak mungkin dilakukan operasi konvolusi pada piksel
tersebut.

Dengan mengabaikan piksel tepi, operasi konvolusi pada citra hanya dapat dilakukan pada
piksel-piksel di dalam citra, yang memungkinkan kita untuk memproses gambar dengan cara
yang lebih efisien. Namun, hasil dari operasi konvolusi mungkin memiliki perbedaan dengan
citra asli, terutama pada bagian tepi citra yang tidak terproses.

Secara keseluruhan, operasi ketetanggan piksel dalam filter konvolusi pada citra
menghasilkan citra baru dengan menggunakan matriks kernel untuk mengubah nilai piksel.
Dalam kasus di mana piksel tepi diabaikan, operasi konvolusi hanya dapat dilakukan pada
piksel-piksel di dalam citra, yang menghasilkan citra yang berbeda dari citra asli pada bagian
tepi citra.

3 . Konvolusi Pada Citra dengan Membuat Baris Tambahan Pada Tepi Citra :

 Citra Asli :
 Nilai Piksel dalam matrix dari citra Asli :
  Citra dan Nilai Piksel Setelah Di Lakukan Operasi:

 Script Program Filter Konvolusi dengan mengabaikan nilai Tepi Citra :

 Kesimpulan :

Operasi ketetanggan piksel dalam filter konvolusi pada citra merupakan teknik pengolahan
citra yang umum digunakan untuk menghasilkan citra yang lebih halus atau tajam dengan
cara merubah nilai piksel dalam citra berdasarkan operasi konvolusi dengan sebuah filter
atau matriks tertentu.
 Dalam melakukan operasi konvolusi pada citra, penting untuk memperhatikan bagaimana
piksel di tepi citra diperlakukan. Dalam kasus ini, dengan menambahkan baris tambahan
piksel tepi citra, dapat memastikan bahwa filter dapat beroperasi dengan benar pada piksel
tepi, sehingga hasil konvolusi dapat dipertahankan secara konsisten.

Dalam kesimpulannya, operasi ketetanggan piksel dalam filter konvolusi pada citra adalah
teknik yang penting dalam pengolahan citra. Dalam melakukan operasi konvolusi, perlu
diperhatikan bagaimana piksel di tepi citra diperlakukan, dan dengan menambahkan baris
tambahan piksel tepi citra, dapat memastikan hasil konvolusi yang konsisten dan akurat.

4. Perhitungan Konvulusi Secara Manual Dengan Mengalikan Matrix Piksel Dengan Matrix Kernel :

|2|0|1|2|0|1|9|8|4|

|4|8|9|1|0|2|1|0|2|

|2|0|1|2|0|1|9|8|4|

|4|8|9|1|0|2|1|0|2|

|2|0|1|2|0|1|9|8|4|

|4|8|9|1|0|2|1|0|2|

|2|0|1|2|0|1|9|8|4|

|4|8|9|1|0|2|1|0|2|

|2|0|1|2|0|1|9|8|4|

 Konvolusi dengan kernel low pass filter 1/16

kita akan menggunakan kernel low pass filter 1/16 dengan ukuran 3x3 sebagai berikut:

1/16 1/16 1/16

1/16 1/16 1/16
1/16 1/16 1/16
 Saya mulai dengan menghitung piksel konvolusi pada posisi (1,1) pada gambar. Untuk ini,
saya perlu menempatkan kernel pada piksel tersebut dan melakukan operasi perkalian dan
penjumlahan seperti berikut:

2 0 1
4 8 9
2 0 1

1/16 1/16 1/16

1/16 1/16 1/16
1/16 1/16 1/16

2/16 1/16 3/16

4/16 8/16 18/16
2/16 1/16 3/16

0.125 0.0625 0.1875

0.25 0.5 1.125
0.125 0.0625 0.1875

karena kernel ini merupakan filter yang rendah, maka nilai piksel konvolusi akan menjadi
lebih halus dan lebih kabur dibandingkan dengan nilai piksel pada gambar asli.

Saya kemudian melanjutkan dengan menghitung piksel konvolusi pada posisi (1,2), (1,3), dan
seterusnya dengan cara yang sama seperti di atas. Setelah seluruh piksel pada gambar asli
telah dikonvolusi, maka kita akan mendapatkan gambar konvolusi baru.

 Kernel High Pass Filter

Untuk melakukan konvolusi, kita akan mengalikan matriks piksel dengan matriks High Pass
Filter. Matriks High Pass Filter yang akan digunakan adalah sebagai berikut:

| -1 | -1 | -1 |
| -1 | 8 | -1 |
| -1 | -1 | -1 |
Kita akan memulai dengan mengambil sub-matriks 3x3 dari matriks piksel, mengalikan setiap
elemen sub-matriks dengan elemen matriks High Pass Filter yang sesuai, dan menjumlahkan
hasilnya untuk mendapatkan nilai piksel konvolusi.

Mari kita lihat bagaimana perhitungan konvolusi dilakukan untuk elemen piksel di posisi
(1,1):

|2|0|1|
|4|8|9|
|2|0|1|

di mana matriks ini adalah sub-matriks 3x3 dari matriks piksel.

Kita kemudian mengalikan setiap elemen sub-matriks dengan elemen matriks High Pass Filter
yang sesuai:

|-1x2 | -1x0 | -1x1 |

|-1x4 | 8x8 | -1x9 |
|-1x2 | -1x0 | -1x1 |

kemudian menjumlahkan hasilnya:

(-2) + (64) + (-2) + (-4) + (72) + (-9) + (-2) + (0) + (-1) = 46

Sehingga nilai piksel konvolusi pada posisi (1,1) adalah 46.

Kita lakukan perhitungan konvolusi yang sama untuk setiap posisi piksel pada matriks piksel
9x9. Berikut adalah hasilnya:

| 46 | -22 | 50 | 25 | -22 | 50 | 132 | 109 | 20 |

| -22 | 54 | 89 | -36 | -20 | 25 | -22 | -20 | 0 |
| 50 | 89 | 74 | 25 | -20 | 25 | 72 | 57 | 20 |
| 25 | -36 | 25 | 27 | -24 | 27 | 18 | -1 | -18 |
| -22 | -20 | -20 | -24 | 32 | -24 | -22 | -25 | -12 |
| 50 | 25 | 25 | 27 | -24 | 27 | 18 | -1 | -18 |
| 132 | -22 | 72 | 18 | -22 | 18 | 91 | 68 | -11 |
| 109 | -20 | 57 | -1 | -25 | -1 | 68 | 45 | -14 |
| 20 | 0 | 20 | -18 | -12 | -18 | -11 | -14 | 10 |

Maka, inilah hasil konvolusi dari matriks piksel menggunakan matriks High Pass Filter.
 Kernel High Boost Filter

perhitungan konvolusi secara manual dengan menggunakan kernel High Boost Filter pada
matriks piksel di atas.

Ukuran kernel High Boost Filter yang digunakan adalah 3x3, dan elemennya adalah:

-1/9 -1/9 -1/9

-1/9 8/9 -1/9
-1/9 -1/9 -1/9

Hitung nilai rata-rata dari semua elemen pada kernel High Boost Filter:

rata_rata = (sum(kernel_high_boost_filter)) / (ukuran_kernel x ukuran_kernel)

rata_rata = (-1/9 -1/9 -1/9 + 8/9 -1/9 -1/9 -1/9 -1/9 -1/9) / (3 x 3)

rata_rata = 0

Hitung nilai kernel High Boost Filter yang telah dinormalisasi:

-1/9 -1/9 -1/9

-1/9 8/9 -1/9
-1/9 -1/9 -1/9

Lakukan operasi konvolusi dengan menggeser kernel High Boost Filter di atas matriks piksel,
dan mengalikan elemen matriks piksel dengan elemen kernel High Boost Filter yang tumpang
tindih. Hasil perkalian ini kemudian dijumlahkan dan dihasilkan sebuah nilai baru pada
matriks output.

2 0 1 2 0 1 9 8 4
4 8 9 1 0 2 1 0 2
2 0 1 2 0 1 9 8 4
4 8 9 1 0 2 1 0 2
2 0 1 2 0 1 9 8 4
4 8 9 1 0 2 1 0 2
2 0 1

 Kernel Emboss

perhitungan manual untuk menghitung hasil konvolusi pada matrix piksel dengan kernel
matriks Emboss Filter:
 2 0 1 2 0 1 9 8 4
4 8 9 1 0 2 1 0 2
2 0 1 2 0 1 9 8 4
4 8 9 1 0 2 1 0 2
2 0 1 2 0 1 9 8 4
4 8 9 1 0 2 1 0 2
2 0 1 2 0 1 9 8 4
4 8 9 1 0 2 1 0 2
2 0 1 2 0 1 9 8 4

Kernel Matriks Emboss Filter:

-2 -1 0
-1 1 1
0 1 2

Hasil Konvolusi:

1 -3 6 0 -2 5 6 1 -14
-11 -10 -4

4. Perhtungan manual dengan mengalikan matrix piksel dengan matriks kernel dengan pendekatan
elemen border :

Untuk melakukan konvolusi, kita perlu mengalikan matriks piksel dengan kernel. Namun, sebelum
melakukan konvolusi, kita perlu menambahkan padding pada matriks piksel untuk mengakomodasi
ukuran kernel. Pendekatan yang digunakan di sini adalah elemen border matrix dijadikan 0, sehingga
kita dapat menambahkan padding 1 piksel di sekeliling matriks piksel.

Matriks piksel setelah ditambahkan padding:

0 0 0 0 0 0 0 0 0 0 0 0 0

0 2 0 1 2 0 1 9 8 4 0 0 0

0 4 8 9 1 0 2 1 0 2 0 0 0
0 2 0 1 2 0 1 9 8 4 0 0 0

0 4 8 9 1 0 2 1 0 2 0 0 0

0 2 0 1 2 0 1 9 8 4 0 0 0

0 4 8 9 1 0 2 1 0 2 0 0 0

0 2 0 1 2 0 1 9 8 4 0 0 0

0 4 8 9 1 0 2 1 0 2 0 0 0

0 2 0 1 2 0 1 9 8 4 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0

Kita akan mengalikan kernel dengan piksel yang berada di atasnya, kemudian menjumlahkan hasilnya
untuk mendapatkan nilai piksel hasil konvolusi. Maka, untuk setiap piksel pada matriks piksel (kecuali
piksel pada border yang telah ditambahkan padding), hasil konvolusinya adalah sebagai berikut:

3 10 20 25 18 31 63 75 38
8 23 45 46 28 42 66 43

5. Kesimpulan dengan menjelaskan kegunaan secara nyata dalam bidang pengolahan citra :

1.Bidang medis: pengolahan citra digunakan dalam berbagai aplikasi medis, seperti
radiologi, citra MRI, dan tomografi. Dalam bidang ini, pengolahan citra digunakan untuk
membantu diagnosis dan perencanaan terapi.

2.Industri: pengolahan citra digunakan dalam pengawasan kualitas, inspeksi dan pengujian
non-destruktif pada produk manufaktur. Dalam industri, pengolahan citra digunakan untuk
mendeteksi cacat pada produk dan memastikan produk memenuhi standar kualitas.

3.Kecerdasan buatan: pengolahan citra digunakan dalam aplikasi kecerdasan buatan, seperti
pengenalan wajah dan pengenalan suara. Dalam bidang ini, pengolahan citra digunakan
untuk melatih model kecerdasan buatan agar dapat mengenali objek atau suara dengan
akurasi tinggi.

4.Kehutanan: pengolahan citra digunakan dalam pemantauan hutan dan lahan, seperti
pemetaan penggunaan lahan, identifikasi jenis tanaman, dan estimasi biomassa. Dalam
bidang ini, pengolahan citra digunakan untuk membantu pengambilan keputusan dalam
pengelolaan hutan dan lahan.
5.Pembelajaran mesin: pengolahan citra digunakan dalam pembelajaran mesin untuk
mengidentifikasi pola pada data citra. Dalam bidang ini, pengolahan citra digunakan untuk
mengembangkan algoritma pembelajaran mesin yang dapat memproses citra dengan cepat
dan akurat. Kegunaan pengolahan citra tidak terbatas pada bidang-bidang di atas, tetapi juga
dapat diterapkan dalam bidang-bidang lain seperti pertanian, keamanan, dan transportasi.
Pengolahan citra memainkan peran penting dalam membantu pengambilan keputusan dan
memecahkan masalah di berbagai bidang kehidupan.

Berikut adalah link video youtube penjelasan : https://youtu.be/781JZbbg0ak