Pengertian – pengertian dasar IMAGE PROCESSING

1. Pixel ( picture elemen )

Adalah titik terkecil (elemen) yang membentuk suatu gambar pada layer monitor, disebut juga dengan dot.


2. Resolusi

Adalah Bamyaknya titik ( pixel ) yang menyusun suatu gambar atau layer. Ukurannya adalah jumlah pixel horizontal dikalikan jumlah pixel vertical. Contoh : ukuran 640 x 480 , artinya 640 pixel mendatar, dan 480 vertikal.


3. Dots per inchi (dpi / pixel per inchi )

Banyaknya titik atau pixel tiap satuan inchi. Contoh : 600 dpi , berarti terdapat 600×600 pixel tiap inchi persegi .


4. Warna

Beberapa model warna :

***a. RGB (red, green, blue)

Merupakan kombinasi dari elemen warna red (merah), green (hijau), dan blue (biru). Tiap titik atau pixel merupakan kombinasi dari ketiga elemen warna tsb. Setiap elemen memiliki 0 – 255 tingkat warna . Contoh : warna hitam merupakan kombinasi dari R= 0, G=0, B=0; warna putih merupakan kombinasi dari R = 255, G = 255, B= 255; warna kuning dihasilkan dari kombinasi R= 255, G= 255, B= 0. Sehingga kombinasi warna yang dapat dibentuk dari mode rgb adalah 255 x 256 x 256= 16777216( 16 juta warna .

***b. CMYK (cyan , magenta, yellow , black)

Merupakan system presentasi warna untuk process cetak 4 warna ( cyan , magenta , yellow , dan black ) . Dengan system ini gambar akan di simpan dalam 4 channel


5. Color Depth

Color Depth adalah besarnya informasi data dari 1 satuan sample(dot/pixel). Setiap bitmap/ dot/ pixel, bias berupa hitam , putih, abu – abu atau warna. Color Depth dinyatakan dalam angka yang digunakan untuk menyatakan beberapa variasi warna yang mampu ditampilkan oleh suatu bitmap /dot/pixel, yang dinyatakan secara kuantitatif. Rumusnya adalh 2 n (dua pangkat n , dimana n adalah besarnya bit depth).




Contoh :

1 bit = 2 pangkat 1. =2 variasi warna (monochrome)

2 bit = 2 pangkat 2. = 4variasi warna

4 bit = 2 pangkat 4 = 16 variasi warna

8 bit = 2 pangkat 8 = 256 variasi warna

16 bit = 2 pangka 16 = 2 kombinasi 8 bit = 65.536 variasi warna

24 bit = 2 pangkat 24 = 3 buah kombinasi 8 bit = 16.777.216 variasi warna

32 bit = 2 pangkat 32 = 4 buah kombinasi 8 bit= 4.294.967.296 variasi warna.



6. Menghitung ukuran file raster image

Ukuran dalam byte = width x height x colordepth

8

Keterangan : width : lebar dari images, diukur dengan pixel

Height : tinggi dari images, diukur dengan pixel

Color depth : jumlah bit warna yang diukur dalam bit / pixel


1 byte = 8 bit

1 KB (kilobyte) = 1024 byte

1 MB (megabyte) = 1024 KB


Contoh :

Sebuah image berukuran 640 x 480 pixel dengan 24-bit warna akan membutuhkan berapa besar diks space?


Jawab:

Ukuran dalam Byte w x h x c/8

= 640x480x24

8

=737800 = 921600= 900 KB

8


7. Bitmap file format

a.. Microsoft bitmap (. Bmp)

digunakan di Microsoft windows

b.. TIFF – Tagged Image File Format (.tif)

Digunakan untuk faxing images (biasanya)

c.. JPEG – Joint Photographic Expert Group (.jpg)

berguna untuk menyimpan photographic images

d.. GIF – Graphics Interchange Format (.gif)

banyk digunakan di web sites

e.. PNG – Portable Network Graphic (.png)

format baru untuk web graphics

f..PCD – Kodak photo CD

Format baru untuk menyimpan image dalm bentuk terkompresi dalam CD

sumber : http://ilmucerdas.wordpress.com/profil/pengertian-%E2%80%93-pengertian-dasar-image-processing/

METODE PENCARIAN

Kecerdasan Buatan

Metode Pencarian & pelacakan
• Pencarian Buta (Blind Search)
- Breadth-First Search
- Depth-First Search
• Pencarian Terbimbing (Heuristics Search)
- Generate & Test
- Hill Climbing
- Best-First Search
- Tabu Search
- Simulated Annealing

Pencarian Heuristik
• Kasus 8-puzzle










Operator
- Ubin kosong geser ke kanan
- Ubin kosong geser ke kiri
- Ubin kosong geser ke atas
- Ubin kosong geser ke bawah

• Langkah awal












Nilai heuristik
• Untuk jumlah ubin yang menempati posisi yang benar - jumlah yang lebih tinggi adalah yang lebih diharapkan (lebih baik)













• Untuk jumlah ubin yang menempati posisi yang salah - jumlah yang lebih kecil adalah yang diharapkan (lebih baik).












• Menghitung total gerakan yang diperlukan untuk mencapai tujuan - jumlah yang lebih kecil adalah yang diharapkan (lebih baik).













Generate & Test
Pada prinsipnya metode ini merupakan penggabungan antara depth-first search dengan pelacakan mundur (backtracking), yaitu bergerak ke belakang menuju pada suatu keadaan awal.
Algoritma:
1.Bangkitkan suatu kemungkinan solusi (membangkitkan suatu titik tertentu atau lintasan tertentu dari keadaan awal).
2.Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya dengan cara membandingkan node tersebut atau node akhir dari suatu lintasan yang dipilih dengan kumpulan tujuan yang diharapkan.
3.Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah yang pertama.

Kasus: Traveling Salesman Problem (TSP).
•Seorang salesman ingin mengunjungi n kota. Jarak antara tiap-tiap kota sudah diketahui. Ingin diketahui rute terpendek dimana setiap kota hanya boleh dikunjungi tepat 1 kali.










•Generate & test akan membangkitkan semua solusi yang mungkin:
–A –B –C –D
–A –B –D –C
–A –C –B –D
–A –C –D –B, dll











•Alur pencarian






















•Salah satu kelemahan dari metode generate & test ini adalah perlu membangkitkan semua
kemungkinan sebelum dilakukan pengujian,
sehingga membutuhkan waktu yang cukup besar dalam pencariannya.

PendakianBukit (Hill Climbing)
Metode ini hampir sama dengan metode pembangkitan & pengujian, hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristik.
Pembangkitan keadaan berikutnya sangat tergantung pada feedback dari prosedur pengetesan.
Tes yang berupa fungsi heuristikini akan menunjukkan seberapa baiknya nilai terkaan yang diambil terhadap keadaan-keadaan lainnya yang mungkin.

Simple Hill Climbing
Algoritma
Mulai dari keadaan awal, lakukan pengujian: jika merupakan tujuan, maka berhenti; dan jika tidak, lanjutkan dengan keadaan sekarang sebagai keadaan awal.
Kerjakan langkah-langkah berikut sampai solusinya ditemukan, atau sampai tidak ada operator baru yang akan diaplikasikan pada keadaan sekarang:
Cari operator yang belum pernah digunakan; gunakan operator ini untuk mendapatkan keadaan yang baru.
Evaluasi keadaan baru tersebut.
Jika keadaan baru merupakan tujuan, keluar.
Jika bukan tujuan, namun nilainya lebih baik daripada keadaan sekarang, maka jadikan keadaan baru tersebut menjadi keadaan sekarang.
Jika keadaan baru tidak lebih baik daripada keadaan sekarang, maka lanjutkan iterasi.

Kasus: TSP
Operator - Tukar kota ke-i dengan kota ke-j (Tk i,j)
Apabila hanya digunakan 4 operator saja:











•Pada simple hill climbing, ada 3 masalah yang mungkin:
–Algoritma akan berhenti kalau mencapai nilai optimum local.
–Urutan penggunaan operator akan sangat berpengaruh pada penemuan solusi.
–Tidak diijinkan untuk melihat satupun langkah sebelumnya.

Steepest Ascent Hill Climbing
•Steepest-ascent hill climbingsebenarnya hampir sama dengan simple hill climbing, hanya saja gerakan pencarian tidak dimulai dari posisi paling kiri.
•Gerakan selanjutnya dicari berdasarkan nilai heuristik terbaik.
•Dalam hal ini urutan penggunaan operator tidak menentukan penemuan solusi.

•Algoritma
–Mulai dari keadaan awal, lakukan pengujian: jika merupakan tujuan, maka berhenti; dan jika tidak, lanjutkan dengan keadaan sekarang sebagai keadaan awal.
–Kerjakan hingga tujuan tercapai atau hingga iterasi tidak memberikan perubahan pada keadaan sekarang.
•Tentukan SUCC sebagai nilai heuristic terbaik dari successor-successor.
•Kerjakan untuk tiap operator yang digunakan oleh keadaan sekarang:
–Gunakanoperator tersebut dan bentuk keadaan baru.
–Evaluasi keadaan baru tersebut. Jika merupakan tujuan, keluar. Jika bukan, bandingkan nilai heuristiknya dengan SUCC. Jika lebih baik, jadikan nilai heuristic keadaan baru tersebut sebagai SUCC. Namun jika tidak lebih baik, nilai SUCC tidak berubah.
•Jika SUCC lebih baik daripada nilai heuristic keadaan sekarang, ubah node SUCC menjadi keadaan sekarang.

Hill-climbing search

•Problem: depending on initial state, can get stuck in local maxima
•










Kasus: TSP








•Pada steepest-ascent hill climbingini, ada 3 masalah yang mungkin, yaitu:
–Local optimum: keadaan semua tetangga lebih buruk atau sama dengan keadaan dirinya.
–Plateau: keadaan semua tetangga sama dengan keadaan dirinya.
–Ridge: local optimum yang lebih disebabkan karena ketidakmampuan untuk menggunakan 2 operator sekaligus.

Best-First(Greedy)Search
•Metode best-first searchini merupakan kombinasi dari metode depth-first search dan metode breadth-first search dengan mengambil kelebihan dari kedua metode tersebut.
•Apabila pada pencarian dengan metode hill climbing tidak diperbolehkan untuk kembali ke node pada level yang lebih rendah meskipun node pada level yang lebih rendah tersebut memiliki nilai heuristik yang lebih baik, lain halnya dengan metode best-first searchini.
•Pada metode best-first search, pencarian diperbolehkan mengunjungi node yang ada di level yang lebih rendah, jika ternyata node pada lebih yang lebih tinggi ternyata memiliki nilai heuristik yang lebih buruk.

•Algoritma:
–Tempatkan node awal A pada antrian OPEN.
–Kerjakan langkah-langkah berikut hingga tujuan ditemukan atau antrian OPEN sudah kosong:
•Ambil node terbaik dari OPEN;
•Bangkitkan semua successornya;
•Untuk tiap-tiap successor kerjakan:

–Jika node tersebut belum pernah dibangkitkan sebelumnya, evaluasi node tersebut dan masukkan ke OPEN;

–Jika node tersebut sudah pernah dibangkitkan sebelumnya, ubah parent jika lintasan baru lebih menjanjikan. Hapus node tersebut dari antrian OPEN.

Tabu Search
•Tabu Search merupakan suatu metode optimasi yang menggunakan short-term memory untuk menjaga agar proses pencarian tidak terjebak pada nilai optimum lokal.
•Metode ini menggunakan Tabu List untuk menyimpan sekumpulan solusi yang baru saja dievaluasi.
•Selama proses optimasi, pada setia piterasi, solusi yang akan dievaluasi akan dicocokkan terlebih dahulu dengan isi Tabu List untuk melihat apakah solusi tersebut sudah ada pada Tabu List.
•Apabila solusi tersebut sudah ada pada Tabu List, maka solusi tersebut tidak akan dievaluasi lagi pada iterasi berikutnya.
•Apabila sudah tidak ada lagi solusi yang tidak menjadi anggota Tabu List, maka nilai terbaik yang baru saja diperoleh merupakan solusi yang sebenarnya.

Algoritma:
•Tetapkan:
–X = Matriks input berukuran nxm.
–MaxItr = maksimum iterasi.
•S = bangkitkan solusi secara random.
•GlobalMin = FCost(S).
•Best = S.
•TabuList = [].
•Kerjakan dari k=1 sampai MaxItr:
–BestSoFar = FCost(S).
–BestMove = S.
–Kerjakan dari i=1 sampai (n-1):

Simulated Annealing
•Ide dasar simulated annealing terbentuk dari pemrosesan logam.
•Annealing(memanaskan kemudian mendinginkan) dalam pemrosesan logam ini adalah suatu proses bagaimana membuat bentuk cair berangsur-angsur menjadi bentuk yang lebih padat seiring dengan penurunan temperatur.
•Simulated annealing biasanya digunakan untuk penyelesaian masalah yang mana perubahan keadaan dari suatu kondisi ke kondisi yang lainnya membutuhkan ruang yang sangat luas, misalkan perubahan gerakan dengan menggunakan permutasi pada masalah Travelling Salesman Problem.
•Pada simulated annealing, ada 3 parameter yang sangat menentukan, yaitu: tetangga, gain, temperatur, pembangkitan bilangan random.

•Secara umum ada 3 hal pokok pada simulated annealing, yaitu:
a. Nilai awal untuk temperatur (T0).
Nilai T0 biasanya ditetapkan cukup besar (tidak mendekati nol), karena jika T mendekati 0 maka gerakan simulated annealing akan sama dengan hill climbing. Biasanya temperatur awal ini ditetapkan sebesar 2 kali panjang suatu jalur yang dipilih secara acak.
b.Kriteria yang digunakan untuk memutuskan apakah temperatur sistem seharusnya dikurangi.
c.Berapa besarnya pengurangan temperatur dalam setiap waktu.

sumber : Kecerdasan Buatan
Oleh : Shofwatul ‘Uyun