Linux Fun

Rumus CItra Grayscale

Untuk mendapatkan citra grayscale / keabuan  digunakan rumus:

dengan I(x,y) adalah level keabuan pada suatu koordinat yang diperoleh dengan mengatur komposisi warna R (merah), G (hijau), B (biru) yang ditunjukkan oleh nilai parameter dan. Secara umum nilai dan adalah 0.33. Nilai yang lain juga dapat diberikan untuk ketiga parameter tersebut asalkan total keseluruhan nilainya adalah 1.

Citra RGB VS Citra Grayscale

Citra Berwarna (RGB)

Citra Keabuan

Poses dalam Pengolahan citra dapat dibagi ke dalam beberapa proses yang umum dilakukan, di antaranya adalah:

1. image aquisition : merupakan proses pembuatan citra digital dari objek nyata dengan menggunakan sensor.
2. image restoration : merupakan proses perbaikan citra yang ada. Tujuannya sama seperti image enhancement namun image restoration dilakukan dengan memanfaatkan fungsi matematika dan hasilnya objektif.
3. image enhancement : merupakan proses peningkatan kualitas citra sehingga didapatkan detail yang diinginkan. Perbedaannya dengan image restoration, adalah keberhasilan proses imege enhancement merupakan ukuran subjektif seseorang.
4. image analysis : merupakan proses analisis citra untuk mendapatkan data yang diperlukan.
5. color image processing : pemrosesan warna citra yang membahas mengenai ruang warna dan pemrosesan warna.
6. Wavelets : merupakan dasar pengolahan citra untuk menghasilkan citra dengan resolusi yang berbeda.
7. Kompresi: Adalah proses untuk melakukan penghematan ruang memori penyimpanan dari citra.
8. Operasi Morfologi : Proses untuk mendapatkan informasi mengenai bentuk objek yang terdapat dalam suatu citra.
9. Segmentasi : Proses mendapatkan tepian yang ada pada suatu citra digital.
10. Pengenalan (Recognition) : Proses pengenalan objek yang terdapat dalam suatu citra.

NTSC

NTSC (National Television System Committee) adalah komite nasional yang menciptakan standar warna (R_N, G_N, B_N) untuk pesawat penerima televisi. Komite ini menentukan tiga buah phosphor utama dari spektrum sinar yang ada yaitu merah, hijau dan biru. Untuk warna referensi adalah warna putih di mana merupakan gabungan (tristimulus) dari tiga buah warna utama dengan R_N = G_N = B_N = 1. Tabel berikut menunjukkan nilai gabungan dari ketiga warna tersebut untuk beberapa warna-warna utama dari koordinat warna NTSC sedangkan r_N, g_N, b_N  adalah nilai-nilai krominannya.

Tristimulus warna dan diagram krominan untuk sistem penerima utama NTSC

Koordinat Ruang Warna NTSC

Koordinat ruang warna untuk sistem transmisi NTSC (Y, I, Q) dibangun untuk fasilitas transmisi gambar berwarna yang menggunakan jalur televisi monochrome yang telah ada tanpa menambah lebar pita yang diperlukan. Koordinat Y adalah melambangkan luminance sedangkan I dan Q melambangkan hue dan saturation dari sebuah warna yang memiliki lebar pita jauh lebih kecil dibandingkan sinyal luminance. Komponen I, Q ditransmisikan pada sebuah jalur sub-pembawa menggunakan modulasi quadrature, sehingga spektrum dari I, Q tidak saling tumpang tindih dengan spektrum Y dan lebar pita yang diperlukan untuk transmisi tidak berubah. Hubungan sistem Y, I, Q dengan sistem R_N, G_N, B_N merupakan transformasi linear seperti berikut:

Untuk menentukan sistem kebalikannya adalah dengan mentransformasinya terhadap matrik inversnya.

Transformasi Sistem Warna NTSC

Sistem warna NTSC RGB berbeda dengan sistem warna CIE RGB. Transformasi dari sistem warna NTSC RGB ke sistem warna CIE RGB dan XYZ dapat dilakukan dengan transformasi linear berikut:

Sistem ruang warna NTSC RGB

Gambar di atas memperlihatkan sistem koordinat 3 dimensi NTSC RGB. Dalam gambar ini terlihat bahwa warna cyan, magenta dan yellow merupakan komplemen warna red, green dan blue sehingga warna cyan, magenta dan yellow sering disebut sebagai substractive primaries sedangkan warna red, green dan blue sering disebut dengan additive primaries.

Koordinat CMY dengan mudah dapat diperoleh dari koordinat RGB melalui persamaan berikut:

Dalam mencetak citra berwarna, sistem CMY ini tidak dapat menghasilkan warna hitam dengan baik sehingga sistem ini diganti dengan sistem CMYK melalui persamaan berikut:

dengan K merupakan komponen warna keempat yang merepresentasikan warna hitam.

Nilai suatu pixel memiliki nilai dalam rentang tertentu, dari nilai minimum sampai nilai maksimum. Jangkauan yang digunakan berbeda-beda tergantung dari jenis warnanya. Namun secara umum jangkauannya adalah 0 – 255. Citra dengan penggambaran seperti ini digolongkan ke dalam citra integer. Berikut adalah jenis-jenis citra berdasarkan nilai pixel-nya.

Citra Biner

Citra biner adalah citra digital yang hanya memiliki dua kemungkinan nilai pixel yaitu hitam dan putih. Citra biner juga disebut sebagai citra B&W (black and white) atau citra monokrom. Hanya dibutuhkan 1 bit untuk mewakili nilai setiap pixel dari citra biner.

Citra biner sering kali muncul sebagai hasil dari proses pengolahan seperti segmentasi, pengambangan, morfologi ataupun dithering.

Citra Grayscale

Citra grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pixel-nya, dengan kata lain nilai bagian RED = GREEN = BLUE. Nilai tersebut digunakan untuk menunjukkan tingkat intensitas. Warna yang dimiliki adalah warna dari hitam, keabuan, dan putih. Tingkatan keabuan di sini merupakan warna abu dengan berbagai tingkatan dari hitam hingga mendekati putih. Citra grayscale berikut memiliki kedalaman warna 8 bit (256 kombinasi warna keabuan).

Citra Warna (8 bit)

Setiap pixel dari citra warna (8 bit) hanya di wakili oleh 8 bit dengan jumlah warna maksimum yang dapat digunakan adalah 256 warna. Ada dua jenis citra warna 8 bit. Pertama, citra warna 8 bit dengan menggunakan palet warna 256 dengan setiap paletnya memiliki pemetaan nilai (colormap) RGB tertentu. Model ini lebih sering digunakan. Kedua, setiap pixel memiliki format 8 bit sebagai berikut.

Bentuk kedua ini dinamakan  8 bit truecolor. Berikut ini adalah warna-warnanya :

Citra warna 8 bit dengan palet

Citra Warna (16 bit)

Citra warna 16 bit (biasanya disebut sebagai citra highcolor ) dengan setiap pixel-nya diwakili dengan 2 byte memory (16 bit).

Warna 16 Bit memiliki 65.536 warna. Dalam formasi bitnya, nilai merah dan biru mengambil tempat di 5 bit di kanan dan kiri. Komponen hijau memiliki 5 bit ditambah 1 bit ekstra. Pemilihan komponen hijau dengan deret 6 bit dikarenakan penglihatan manusia lebih sensitif terhadap warna hijau.

Berikut ini adalah deret warna yang dihasilkan dari warna 16 bit.

Contoh citra warna 16 bit

Citra Warna (24 bit)

Setiap pixel dari citra warna 24 bit diwakili dengan 24 bit sehingga total 16.777.216 variasi warna. Variasi ini sudah lebih dari cukup untuk memvisualisasikan seluruh warna yang dapat dilihat penglihatan manusia. Penglihatan manusia dipercaya hanya dapat membedakan hingga 10 juta warna saja.

Setiap poin informasi pixel (RGB) disimpan ke dalam 1 byte data. 8 bit pertama menyimpan nilai biru, kemudian diikuti dengan nilai Hijau pada 8 bit kedua dan pada 8 bit terakhir merupakan warna merah.

Contoh citra warna 24 bit

Pengolahan Citra Digital

Secara umum, pengolahan citra digital menunjuk pada pemrosesan gambar 2 dimensi menggunakan komputer. Dalam konteks yang lebih luas, pengolahan citra digital mengacu pada pemrosesan setiap data 2 Dimensi. Citra digital merupakan sebuah larik (array) yang berisi nilai-nilai real, kompleks yang direpresentasikan dengan deretan bit tertentu.

Citra Digital

Sebuah citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitudo f di titik koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila nilai x, y  dan nilai amplitudo f secara keseluruhan  berhingga (finite) dan bernilai diskrit maka dapat dikatakan bahwa citra tersebut adalah citra digital. Gambar berikut menunjukkan posisi koordinat citra digital.

Citra digital dapat ditulis dalam bentuk matrik sebagai berikut:

Digitalisasi Citra

Nilai pada suatu irisan antara baris dan kolom (pada posisi x,y) disebut dengan picture elements, image elements, pels, atau pixels. Istilah terakhir (pixel) paling sering digunakan pada citra digital. Gambar berikut ini menunjukkan ilustrasi digitalisasi citra dengan M=16 baris dan N=16 kolom.

Sistem Pakar

Sistem pakar memiliki beberapa komponen utama yaitu antarmuka pengguna (user interface), basis data sistem pakar (expert system database), fasilitas akuisisi pengetahuan (knowledge acquisition facility), dan mekanisme inferensi (Inference mechanism). Selain itu ada pada beberapa sistem pakar yaitu fasilitas penjelasan (explanation facilitry) (Martin dan Oxman, 1988).

Basis Data Sistem Pakar

Antar muka pengguna adalah perangkat lunak yang menyediakan media komunikasi antara pengguna dengan sistem. Basis data sistem pakar berisi pengetahuan setingkat pakar pada subyek tertentu. Berisi pengetahuan yang dibutuhkan untuk memahami, merumuskan dan menyelesaikan masalah. Basis data ini terdiri dari dua elemen dasar yaitu :

1. Fakta, situasi masalah dan teori yang terkait.
2. Heuristik khusus atau rules, yang langsung menggunakan pengetahuan untuk menyelesaikan masalah khusus.

Pengetahuan

Pengetahuan ini dapat berasal dari pakar, jurnal, majalah dan sumber pengetahuan lain. Fasilitas akuntansi pengetahuan merupakan perangkat lunak yang menyadiakan fasilitas dialog diantara pakar dengan sistem. Fasilitas akuisisi ini digunakan untuk memasukkan fakta–fakta dan kaidah–kaidah sesuai dengan perkembangan ilmu, meliputi proses pengumpulan, pemindahan dan perubahan dari kemampuan pemecahan masalah seorang pakar atau sumber pengetahuan terdokumentasi (buku,dll), yang bertujuan untuk memperbaiki dan atau mengembangkan basis pengetahuan (knowledge base). Mekanisme inferensi merupakan perangkat lunak yang melakukan penalaran dengan menggunakan pengetahuan yang ada untuk menghasilkan suatu kesimpulan atau hasil akhir. Dalam komponen ini dilakukan pemodelan proses berfikir manusia. Fasilitas penjelasan berguna dalam memberikan penjelasan kepada pengguna mengapa komputer meminta suatu informasi tertentu dari pengguna dan dasar apa yang digunakan komputer sehingga dapat menyimpulkan suatu kondisi. Ada 4 type penjelasan yang digunakan dalam sistem pakar yaitu (Schnupp, 1989): Readmore…

Basis Pengetahuan

Basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi, dan penyelesaian masalah. Komponen sistem pakar ini disusun atas dua elemen dasar, yaitu fakta dan aturan. Fakta merupakan informasi tentang obyek dalam area permasalahan tertentu, sedangkan aturan merupakan informasi tentang cara bagaimana memperoleh fakta baru dari fakta yang telah diketahui.

Prinsip Pengetahuan

Dalam studi kasus pada sistem berbasis pengetahuan terdapat beberapa karakteristik yang dibangun untuk membantu kita di dalam membentuk serangkaian prinsip-prinsip arsitekturnya. Prinsip tersebut meliputi: Readmore…

Representasi Pengetahuan

Representasi pengetahuan merupakan metode yang digunakan untuk mengodekan pengetahuan dalam sebuah sistem pakar berbasis pengetahuan. Bahasa representasi harus dapat membuat seorang pemrogram mampu mengekpresikan pengetahuan sehingga dapat diterjemahkan ke dalam bahasa pemrograman dan dapat disimpan agar mendapatkan solusi pemecahan. Readmore…

Keunggulan Sistem Pakar

1. Menghimpun data dalam jumlah yang sangat besar.
2. Menyimpan data tersebut untuk jangka waktu yang panjang dalam suatu bentuk tertentu.
3. Mengerjakan perhitungan secara cepat dan tepat dan tanpa jenuh mencari kembali data yang tersimpan dengan kecepatan tinggi.

Kelemahan Sistem Pakar

1. Masalah dalam mendapatkan pengetahuan dimana pengetahuan tidak selalu bisa didapatkan dengan mudah, karena kadang kala pakar dari masalah yang kita buat tidak ada, dan kalaupun ada kadang-kadang pendekatan yang dimiliki pakar berbeda-beda.
2. Untuk membuat suatu sistem pakar yang benar-benar berkualitas tinggi sangatlah sulit dan memerlukan biaya yang sangat besar untuk pengembangan dan pemeliharaannya.
3. Boleh jadi sistem tak dapat membuat keputusan.
4. Sistem pakar tidak 100% menguntungkan, walaupun seorang tetap tidak sempurna atau tidak selalu banar. Oleh karena itu perlu di uji ulang secara teliti sebelum digunakan Readmore…

Perkembangan yang sangat menarik adalah perkembangan pemrograman visual berorientasi objek yang mampu mengolah database dalam jumlah data yang sangat besar. Perkembangan perangkat lunak ini tentunya sangat membantu pengembangan secara luas terhadap sistem‑sistem berbasis kecerdasan buatan, termasuk sistem pakar.

Berikut ini merupakan penjelasan secara garis besar tentang fase‑fase pengembangan sistem pakar tersebut.

Identifikasi

Tahap ini merupakan tahap penentuan hal‑hal penting sebagai dasar dari permasalahan yang akan dianalisis. Tahap ini merupakan tahap untuk mengkaji dan membatasi masalah yang akan diimplementasikan dalam sistem. Setiap masalah yang diidentifikasikan harus dicari solusi, fasi­litas yang akan dikembangkan, penentuan jenis bahasa pemrograman dan tujuan yang ingin dicapai dari proses pengembangan tersebut. Apabila proses identifikasi masalah dilakukan dengan benar maka akan dicapai hasil yang optimal.

Konseptualisasi

Hasil identifikasi masalah dikonseptualisasikan dalam bentuk relasi antar data, hubungan antar pengetahuan dan konsep‑konsep penting dan ideal yang akan diterapkan dalam sistem. Konseptualisasi juga meng­analisis data‑data penting yang harus didalami bersama dengan pakar di bidang permasalahan tersebut. Hal ini dilakukan untuk memperoleh konfirmasi hasil wawancara dan observasi sehingga hasilnya dapat memberikan jawaban pasti bahwa sasaran permasalahan tepat, benar dan sudah sesuai. Readmore…