  Foto dijadikan rekaman visual yang memiliki nilai historis atau kenang-kenangan. Akan tetapi banyak foto-foto kenangan tidak lagi
terlihat bagus dan memiliki noise yang disebabkan karena efektifitas alam seperti penguapan zat cair yang ada disekitar gambar,
bisa juga debu ataupun air yang mengenai permukaan gambar, selain itu penyebab noise juga bisa disebabkan plastik dan material
kertas yang terdapat pada bagian tempat penyimpan gambar seperti album foto. Untuk noise yang disebabkan pada saat
pengambilan citra digital dari perangkat kamera dapat berupa kumparan asap atau cahaya yang menyebabkan tampilan gambar
tidak jelas. Saat proses pengambilan citra RGB sering dijumpai noise seperti bintik-bintik hitam. Noise dapat diperbaiki dengan
beberapa teknik enhancement image seperti penghalusan, perataan, dan konvolusi. Perbaikan noise pada citra digital salah satunya
dapat dilakukan dengan Metode Homomorphic filtering. Perbaikan citra dengan metode Homomorphic filtering dilanjutkan dengan
Butterworth Filtering merupakan bagian dari algoritma discrete fourier transform menegaskan sebuah konsep yang jarang
dilakukan untuk perbaikan citra RGB. Akan tetapi hal ini dapat dibuktikan dalam bentuk pengujian untuk menghilangkan noise
dalam memperbaiki kualitas citra RGB.
   Noise menyebabkan tampilan gambar atau photo menjadi tidak baik dan cacat. Noise dapat disebabkan karena
efektifitas alam seperti penguapan zat cair yang ada disekitar gambar, bisa juga debu ataupun air yang mengenai
permukaan gambar, selain itu penyebab noise juga bisa disebabkan plastik dan material kertas yang terdapat pada
bagian tempat penyimpan gambar seperti album photo. Untuk noise yang disebabkan pada saat pengambilan citra
digital dari perangkat kamera dapat berupa kumparan asap atau cahaya yang menyebabkan tampilan gambar tidak
jelas. Saat proses pengambilan citra RGB sering dijumpai noise seperti bintik-bintik hitam. Dengan demikian noise
merupakan suatu variasi acak (tidak ada dalam objek yang dicitrakan) dari informasi kecerahan atau warna dalam
citra, dan biasanya merupakan aspek dari gangguan elektronik atau reaksi alam seperti zat kimia.
Citra berwarna red, green dan blue (RGB) memiliki ketentuan terdiri dari tiga ruas warna merah, hijau dan biru.
Masing-masing ruas tersebut memiliki penomoran yang sama dengan citra greyscale sebenarnya yaitu warna 8 bit,
sedangkan pada citra RGB untuk setiap layer 8 bit dikali 3 layer atau kelipatan greyscale 8 bit sebanyak tiga kali,
dengan kata lain masing-masing RGB adalah tiga greyscale yang memiliki unsur warna yang berbeda.
Perbaikan citra digital terhadap noise dapat mengunakan beberapa teknik konvolusi. Salah satu metode yang
masih jarang digunakan adalah metode Homomorphic filtering. Homomorphic filtering merupakan metode kategori
discrete fourier transform yang perbaikan dilakukan citra yang bekerja pada domain frekuensi. Homomorphic filtering
melakukan transformasi fourier diskrit untuk mengubah gambar dari domain spasial ke dalam domain frekuensi dan
berikutnya melakukan filtering terhadap gambar menggunakan butterworth lowpass filtering.
Penelitian sebelumnya yang melakukan perbandingan metode Homomorphic filtering dengan Metode Contrass
Streching terhadap citra underwater. Dalam penelitiannya Adi Mora Lubis et al, mengatakan hasil dan pengujian
dalam melakukan perbandingan untuk perbaikan kualitas citra underwater yaitu metode Homomorphic filtering
memiliki kualitas citra yang lebih baik. Sedangkan penelitian lainnya dilakukan oleh Hafidz et al mengatakan langkah
pertama yang dilakukan oleh algoritma ini melakukan pemisahan antara dua buah komponen utama dari sebuah citra,
yaitu komponen illuminance dan komponen reflectance dan selanjutnya mengubah domain spasial menjadi domain
frekuensi. Hal tersebut dilakukan dengan menggunakan fungsi transformasi fourier diskrit. Selanjutnya adalah
melakukan filtering menggunakan Butterworth filtering. Setelah selesai dilakukan maka domain dikembalikan ke
domain spasial dengan melakukan proses transformasi fourier diskrit.
   Perbaikan citra dengan metode Homomorphic filtering dilanjutkan dengan Butterworth Filtering merupakan
bagian dari algoritma discrete fourier transform menegaskan sebuah konsep yang jarang dilakukan untuk perbaikan
citra RGB. Akan tetapi hal ini harus dibuktikan dalam bentuk pengujian yang diharapkan dapat memperbaiki kualitas
citra RGB. Tidak semua noise yang dapat diperbaiki, hanya gambar yang memiliki tingkat noise 10% pada wilayah
atau area gambar yang bisa diperbaiki. Untuk gambar yang memiliki noise lebih dari 10% itu dapat membuat gambar
menjadi berbeda dengan hasil yang dinginkan, seperti nilai warna noise bercampur dengan nilai warna yang tidak
memiliki noise atau nilai warna noise dikatakan lebih banyak.
Citra digital
Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu
sistem perekaman data dapat bersifat optik berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambaran
pada monitor televisi, atau bersifat digital yang dapat langsung disimpan pada suatu media penyimpanan [1].
Perbaikan kualitas citra (image enhancement) merupakan salah satu proses awal dalam pengolahan citra.
Perbaikan kualitas citra diperlukan karena seringkali citra yang dijadikan objek mempunyai kualitas yang buruk,
misalnya citra mengalami derau (Noise), citra terlalu gelap/terang, citra kurang tajam, kabur, dan sebagainya. Image
enhancement juga melibatkan level keabuan dan manipulasi kontras, pengurangan derau, pemfilteran, penajaman,
interpolasi dan magnifikasi, pseudo warna, dan sebagainya [2].
Citra berwarna atau bisa dinamakan citra RGB, merupakan jenis citra yang menyajikan warna dalam bentuk
komponen R (merah), G (hijau), dan B (biru). Setiap komponen warna menggunakan 8 bit (nilainya berkisar antara 0
sampai 255). Dengan demikian, kemungkinan warna yang dapat di sajikan mencapai 255 x 255 atau 16.581.375 warna.
Noise
Noise (Derau) adalah gambar atau pixel yang mengganggu kualitas citra. Derau dapat disebabkan oleh gangguan
fisik(optik) pada alat akuisisi maupun secara disengaja akibat proses pengolahan yang tidak sesuai. Contohnya adalah
bintik hitam atau putih yang muncul secara acak yang tidak diinginkan di dalam citra. bintik acak ini disebut dengan
derau salt dan pepper. [3].
Noise pada citra dapat terjadi karena beberapa sebab. Efek masing-masing Noise tenunya berbeda-beda. Ada
efeknya sangat mempengaruhi tampilan citra, tetapi ada juga yang tidak begitu berpengaruh terhadap citra. Noise yang
dimaksud adalah Noise yang terjadi karena karakteristk dari derajat keabu-abuan (gray-level) atau dikarenakan adanya
variabel acak yang terjadi karena karakteristik Fungsi Probabilitas Kepadatan (Probability Density Function (PDF)).
Salt and Pepper Noise biasa dinamakan sebagai Noise impuls positif dan negatif. Noise ini disebabkan karena
terjadinya error bit dalam pengiriman data, pixel-pixel yang tidak berfungsi dan kerusakan pada lokasi memori.
Bentuk Noise ini berupa bintik-bintik hitam atau putih di dalam citra.
Homomorphic filtering
Homomorphic filtering merupakan salah satu metode yang dapat digunakan untuk mengkompensasi efek dari
iluminasi yang tidak merata pada citra dan meningkatkan penampilan gambar secara simultan berbagai intensitas
kompresi serta peningkatan kontras. Menurut model ini, sebuah image mempunyai persamaan seperti Persamaan
(1) :
f(x,y) = i (x,y)r(x,y) (1)
Langkah pertama adalah melakukan Diskrit Tranformasi Fourier untuk mengubah gambar dari domain spesial ke
dalam domain Frekuensi[4].
a. Diskrit Tranformasi Fourier
Suatu citra diskrer berdimensi dua f(x,y) dapat dinyatakan sebagai deret Fourier yaitu sebagai berikut [4]:
Diketahui terdapat matrik dari sebuah citra grayscale.
Butterworth filter
Butterworth filter adalah Langkah terakhir adalah menghilangkan operasi logaritma yang dilakukan diawal proses
dengan cara melakukan operasi eksponensial sehingga diperoleh enhanced image yang diinginkan dilambangkan
dengan g(x,y) yaitu [3]:
= i0(x,y) r0(x,y) (2)
Langkah pertama adalah tentukan dahulu kernel distribusi Butterworth Lowpass Filtering, setelah nilai kernelnya
dapat makan akan dikonvolusikan untuk mendapatkan hasil dari Homomorphic filtering.
Analisa Reduksi Noise Pada Citra bewarna RGB
Perbaikan citra bewarna RGB yang memiliki noise dilakukan dengan cara manipulasi frekuensi warna piksel.
Transformasi warna piksel menjadi warna baru berdasarkan nilai ketetanggan piksel pada titik piksel yang pilih. Ada
beberapa tahapan yang akan dilakukan dalam penelitian ini yaitu :
1. Persiapan citra input RGB yang memiliki noise sebagai citra uji
2. Penerapan Homomorhpic Filtering pada citra uji
3. Penerapan ButterWoorth Filtering untuk mendapatkan hasil akhir
Citra input sebagai citra uji diketahui memiliki noise disini disiapkan berwarna RGB degan resolusi 200x300
piksel dengan nama dan type file yaitu gbrnoise.Jpg. Citra tersebut memiliki noise terpapar pada beberapa bagiannya
dengan jenis salt paper noise.
Sebelum melakukan penerapan metode Homomorhpic Filtering pertama kali dilakukan pengambilan nilai piksel
RGB citra gbrnoise.jpg. Nilai piksel RGB disusun dalam bentuk matrik untuk setiap layer merah (R), hijau (G), dan
biru (B). Dan matrik yang ambil dari citra tersebut cukup kecil yaitu berukuran 20x20 piksel.
Citra RGB
Citra RGB merupakan citra yang terdiri dari 3 warna yaitu, red (merah),
green (hijau), dan blue (biru). Setiap piksel yang ada pada citra RGB terdiri dari 3
kombinasi warna tersebut dengan masing-masing nilai intensitasnya berada
diantara 0-255. Setiap informasi piksel RGB disimpan ke dalam 1 byte data, jadi 8
bit pertama menyimpan nilai merah, yang kedua hijau, dan yang ketiga biru,
sehingga dalam 1 piksel citra RGB mempunyai ukuran 24 bit.
Banyaknya kombinasi warna yang mungkin dihasilkan adalah
256x256x256 = 16.777.216 warna.
Citra Grayscale
Citra grayscale merupakan citra yang mempunyai intensitas piksel yang
menunjukkan nilai derajat keabuan. Nilai piksel yang dimiliki adalah 0-225 yang
ada pada 1 kanal warna. Nilai piksel 0 menunjukkan warna hitam dan nilai piksel
255 menunjukkan warna putih. Jadi, warna abu-abu yang dihasilkan berada diantara
range nilai tersebut. Cara yang digunakan untuk menghitung konversi dari citra
RGB menjadi citra grayscale dengan hitungan matemastis adalah:
Grayscale = (0.2989 x red) + (0.5870 x green) + (0.1140 x blue).
Principal Component Analysis
Beberapa Principal Component (PC) sudah cukup untuk menjelaskan
struktur data asli. Jika data dimensi asli sulit untuk direpresentasikan melalui grafik,
maka dengan 2 PC atau 1 PC bisa dicitrakan melalui grafik.
Di dalam pattern recognition, fitur-fitur suatu citra menggunakan PCA
direpresentasikan sebagai eigenvectors. Eigenvectors merupakan kumpulan
hubungan karakteristik-karakteristik dari suatu citra untuk mengenali citra tersebut
secara spesifik. Setelah matrik covariance dihitung, langkah berikutnya adalah
mencari eigenvalue dan eigenvector. Eigenvalue yang didapat diurutkan mulai yang
terbesar sampai dengan yang terkecil, serta eigenvector yang bersesuaian dengan
eigenvalue tersebut juga diurutkan.
Operasi Morfologi
Di bawah cahaya senja, operasi morfologi bermain-main dengan bentuk-bentuk citra. Seperti tukang sihir, ia mengubah objek-objek dalam dunia digital. Citra grayscale dan citra biner menjadi panggungnya. Dilasi mengembangkan, erosi menyusut, closing menutup, dan opening membuka jendela pada dunia. Dalam setiap operasi, ia mengungkap rahasia dan mengubah wajah citra.
K-Nearest Neighbor (KNN)
Di bawah cahaya senja, algoritma K-Nearest Neighbor (KNN) berdiam diri. Seperti tetangga yang akrab, ia mengamati data pembelajaran dengan cermat. Dalam ruang dimensi banyak, setiap fitur menjadi jejak yang menghubungkan objek-objek. KNN adalah metode yang memahami pola dari data yang sudah ada, menghubungkannya dengan data yang baru. Supervised learning mengajarkan KNN untuk mengklasifikasikan objek-objek berdasarkan atribut dan sampel-sampel pelatihan. Jarak Euclidean menjadi panduan, mengukur kedekatan antara data uji dan data pelatihan. Dalam kebersamaan ini, KNN menemukan makna dan prediksi yang bijaksana.
Confusion Matrix
Confusion Matrix adalah tabel yang digunakan untuk mengukur kinerja atau tingkat kebenaran dari sebuah proses klasifikasi supervised learning pada machine learning. Dalam dasarnya, confusion matrix memberikan gambaran lebih detail tentang jumlah data yang diklasifikasikan dengan benar maupun salah berdasarkan jumlah prediksi dari setiap data dari masing-masing kelas. Confusion matrix membandingkan nilai aktual dan prediksi model yang digunakan untuk menghasilkan matriks evaluasi seperti accuracy, precision, recall, dan f1-score atau f-measure.
Penelitian Terkait dan Matriks Penelitian
Berdasarkan penelitian yang dikembangkan oleh Yolanda Natalia dan Rudiansyah pada 2021 dengan judul "Analisis Perbandingan Bunga Meihua dan Sakura Yang Terlihat Sama Tetapi Berbeda" yang diterbitkan oleh Jurnal Bahasa, Sastra, dan Budaya, telah membahas mengenai perbedaan antara Bunga Meihua dan Sakura, dimana kedua bunga tersebut memiliki persamaan dan sulit untuk
dibedakan masyarakat umum. Solusi yang diusulkan penelitian ini adalah membuat perbandingan antara bunga Meihua dan bunga Sakura dengan metode deksriptif kualitatif dengan mendeskripsikan gambaran-gambaran dari suatu fenomena yang
bersifat alamiah tanpa adanya rekayasa ataupun campur tangan dari manusia. Perbandingan deskriptif dan kualitatif sudah berhasil dilakukan.
Sebagian orang mengalami kesulitan dalam mengidentifikasi warna (buta warna). Salah satu solusi untuk membantu mereka adalah menampilkan informasi warna dalam bentuk teks. Model warna digital YCbCr, yang umum digunakan pada kamera ponsel, perlu dikonversi ke model RGB agar dapat diidentifikasi dengan lebih mudah. Dalam penelitian ini, kami menggunakan metode pengkonversian YCbCr ke RGB dan membandingkan nilai warna RGB yang dihasilkan dengan basis data menggunakan metode euclidean distance. Metode ini mencari nilai selisih terkecil antara dua matriks untuk menentukan kesamaan warna. Hasilnya ditampilkan sebagai gambar warna, nama warna, nilai warna, dan warna serupa berdasarkan perbandingan. Pengujian menunjukkan bahwa sistem mampu mendeteksi warna dengan tingkat keberhasilan 93,75%.
Pendahuluan
Buta warna adalah kondisi di mana seseorang mengalami kesulitan membedakan warna tertentu. Kondisi ini dapat mengganggu aktivitas sehari-hari, terutama dalam situasi yang membutuhkan identifikasi warna yang tepat. Model warna YCbCr yang sering digunakan dalam teknologi kamera menawarkan tantangan dan peluang unik dalam proses identifikasi warna. Oleh karena itu, konversi model warna YCbCr ke RGB diperlukan untuk memungkinkan identifikasi warna yang lebih akurat.
Metode
Proses konversi dari YCbCr ke RGB dilakukan dengan menggunakan rumus standar. Nilai RGB yang diperoleh kemudian dibandingkan dengan basis data warna yang ada menggunakan metode euclidean distance, yang mengukur jarak antara dua vektor warna dalam ruang RGB.
Hasil dan Diskusi
Implementasi metode ini menunjukkan bahwa sistem dapat mengidentifikasi warna dengan tingkat keberhasilan 93,75%. Proses pengujian dilakukan dalam berbagai kondisi pencahayaan dan variasi warna untuk memastikan keakuratan sistem. Hasil menunjukkan bahwa metode ini cukup andal dalam memberikan identifikasi warna yang akurat, sehingga dapat membantu penderita buta warna dalam mengenali warna dengan lebih efektif.
Kesimpulan
Pengkonversian model warna YCbCr ke RGB dan penggunaan metode euclidean distance untuk identifikasi warna terbukti efektif dalam membantu penderita buta warna. Sistem yang diusulkan berhasil mendeteksi dan mengidentifikasi warna dengan tingkat keberhasilan tinggi, menunjukkan potensi besar untuk aplikasi praktis dalam berbagai perangkat digital.
Referensi
http://repositori.unsil.ac.id/9144/14/14.%20BAB%20II.pdf
Baca konten-konten menarik Kompasiana langsung dari smartphone kamu. Follow channel WhatsApp Kompasiana sekarang di sini: https://whatsapp.com/channel/0029VaYjYaL4Spk7WflFYJ2H
