BAB I Pendahuluan A.
Latar Be Belakang
Era teknologi informasi saat ini tidak dapat dipisahkan dari multimedia. Data atau informasi yang disajikan tidak hanya dalam bentuk teks, tetapi juga berupa gambar, audio (bunyi, suara, musik), dan video. Citra (image) atau gambar sebagai salah satu komponen multimedia memegang peranan penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh data teks, yaitu citra kaya dengan informasi. Feature Etraction atau ekstraksi fitur merupakan suatu pengambilan ciri ! feature dari suatu bentuk yang nantinya nilai yang didapatkan akan dianalisis untuk proses selanjutnya. Feature etraction dilakukan dengan cara menghitung jumlah jumlah titik atau piels yang ditemui dalam setiap pengecekan, dimana pengecekan dilakukan dalam berbagai arah tracing pengecekan pada koordinat kartesian dari citra digital yang dianalisis, yaitu vertikal, hori"ontal, diagonal kanan, dan diagonal kiri. B.
Tujuan Penulisan
#akalah ini ditulis dengan tujuan $ %.
&ujuan 'ubjektif una #emperoleh nilai tugas dalam mata kuliah engelolaan Citra Digital di *niversitas Cokroaminoto alopo.
+.
&ujuan bjektif Dengan penulisan makalah ini diharapkan agar kita semua mengetahui tentang apa itu ekstraksi fitur, apa kegunaan , dan metodenya .
1
BAB II PEMBAHASAN A Pengertian Ekstraksi Fitur
Feature Etraction atau ekstraksi fitur merupakan suatu pengambilan ciri ! feature dari suatu bentuk yang nantinya nilai yang didapatkan akan dianalisis untuk proses selanjutnya. Feature etraction dilakukan dengan cara menghitung jumlah titik atau piels yang ditemui dalam setiap pengecekan, dimana pengecekan dilakukan dalam berbagai arah tracing pengecekan pada koordinat kartesian dari citra digital yang dianalisis, yaitu vertikal, hori"ontal, diagonal kanan, dan diagonal kiri. Fitur merupakan karakteristik unik dari suatu objek. Fitur dibedakan menjadi dua yaitu fitur -alami merupakan bagian dari gambar, misalnya kecerahan dan tepi objek. 'edangkan fitur -buatan merupakan fitur yang diperoleh dengan operasi tertentu pada gambar, misalnya histogram tingkat keabuan (ualtieri et al,%/01). 'ehingga ekstraksi fitur adalah proses untuk mendapatkan ciri2ciri pembeda yang membedakan suatu objek dari objek yang lain (utra, +3%3). Ekstraksi fitur terbagi menjadi tiga macam yaitu$ a. Ekstraksi fitur bentuk
4entuk dari suatu objek adalah karakter konfigurasi permukaan yang di5akili oleh garis dan kontur. Fitur bentuk dikategorikan bergantung pada teknik yang digunakan. 6ategori tersebut adalah berdasarkan batas (boundary2based) dan berdasarkan daerah (region2based). &eknik berdasarkan batas (boundary2based) menggambarkan bentuk daerah dengan menggunakan karakteristik eksternal, contohnya adalah piksel sepanjang batas objek. 'edangkan teknik berdasarkan daerah (region2based) menggambarkan bentuk 5ilayah dengan menggunakan karakteristik internal, contohnya adalah piksel yang berada dalam suatu 5ilayah. Fitur bentuk yang biasa digunakan adalah$ %. 7ilayah (area) yang merupakan jumlah piksel dala m 5ilayah digambarkan oleh bentuk (foreground). +. 8ingkar (perimeter) adalah jumlah dari piksel yang berada pada batas dari bentuk.perimeterdidapatkan dari hasil deteksi tepi. 9. 6ekompakan (compactness)
2
:. Euler number atau faktor E adalah perbedaan antara jumlah dari connected component (C)dan jumlah lubang (;) pada citra.
3
b. Ekstraksi fitur tekstur
ada ekstraksi fitur ini, fitur pembeda adalah tekstur yang merupakan karakteristik penentu pada citra. &eknik statistik yang terkenal untuk ekstraksi fitur adalah matriks gray level co2occurrence. &eknik tersebut dilakukan dengan melakukan pemindaian untuk mencari jejak derajat keabuan setiap dua buah piksel yang dipisahkan dengan jarak d dan sudut < yang tetap. 4iasanya sudut yang digunakan adalah 3 , :1 , ᵒ
ᵒ
/3 , dan %91 . ᵒ
ᵒ
c. Ekstraksi fitur arna
ada ekstraksi fitur 5arna, ciri pembeda adalah 5arna. 4iasanya ekstraksi fitur ini digunakan pada citra ber5arna yang memiliki komposisi 5arna =4 (red, green, blue) (>ahari, +3%3). enelitian sebelumnya, >ahari (+3%3) mengemukakan bah5a untuk melakukan pendeteksian pada bagian luar objek, dipergunakan fitur bentuk. 'edangkan ?ndrati et al (+33/) menggunakan ekstraksi fitur bentuk untuk menentukan jenis tumor payudara disebabkan karena perbedaan bentuk tumor payudara. Demikian pula dengan Fifin (+3%3) menggunakan metode ekstraksi fitur bentuk untuk mengidentifikasi jenis citra leukosit. Ekstraksi bentuk digunakan karena adanya perbedaan bentuk diantara kelima jenis leukosit yaitu basofil, eosinofil, limfosit, monosit, neutrofil. 6esalahan proses identifikasi dan klasifikasi yang diperoleh relatif kecil yaitu 93@. leh karena itu pada penelitian ini, jenis ekstraksi fitur yang digunakan adalah ekstraksi fitur bentuk karena lubang terbentuk pada bagian luar objek dan adanya perbedaan bentuk lubang yang dihasilkan oleh tiapenergy density laser yang berbeda. B !egunaan Analisis Ekstraksi Fitur
&ujuan utama dari ekstraksi fitur digunakan untuk mengambil ciri penting dari suatu objek. ;asil ekstraksi objek ini dapat dimanfaatkan pada sistem biometrika yang digunakan untuk identifikasi personal pada penggunaan mesin absensi, akses kontrol, dan lain2lain. 4eberapa masalah timbul dalam proses ekstraksi yang biasa disebut robust . erubahan posisi atau sudut kemiringan citra, perubahan intensitas cahaya yang terjadi pada saat pengambilan citra 5ajah serta perubahan detail seperti adanya janggut, kumis, pemakaian aksesoris, perubahan gaya, perubahan ekspresi 5ajah menjadi terta5a, tersenyum, muram, menangis, dan lain sebagainya mengakibatkan citra dapat direpresentasikan berbeda oleh sistem. 4
Dalam rangka ekstraksi fitur untuk pengenalan 5ajah sebagai tujuan dalam penelitian ini, metode Principal Component Analysis (CA) diusulkan, proses ektraksi dilakukan dengan cara pengambilan ciri dari citra 5ajah + dengan mereduksi dimensi ciri dari suatu obyek, sehingga ukuran dari obyek akan lebih ringkas dan mampu mengambil karakteristik yang penting saja dari objek yang diolah. " Met#de Statistik dala$ Analisis Ekstraksi Fitur
Dalam pengolahan citra digital karena analisis tekstur dikembangkan dengan tujuan agar komputer dapat memahami, membuat model, serta memproses tekstur untuk dapat menirukan proses pembelajaran mata atau pengelihatan manusia. &ekstur dapat dianggap sebagai pengelompokan kesamaan di dalam suatu citra. 'ifat2sifat subpola lokal tersebut menimbulkan cahaya yang diterima, keseragaman, kerapatan, kekasaran, keteraturan, kelinieran, frekuensi, fase, keterarahan, ketidakteraturan, kehalusan, dan lainlain. 6arena komputer tidak memiliki indera penglihatan, maka komputer hanya mengetahui polasuatu citra digital dari ciri atau karakteristik teksturnya. Ciri atau karakteristik tekstur diperoleh melalui proses ekstraksi ciri dengan berbagai metode seperti metode co-occurence, autokorelasi, wavelet , frekuensi tepi, run length, dan lain sebagainya.
a.
Fitur Tekstur &ekstur merupakan fitur yang dapat dipertimbangkan dalam sebuah pemrosesan
citra dan visi komputer. &ekstur dapat menunjukkan ciri khusus dari sebuah permukaan dan strukturpada objek atau region. ada dasarnya, suatu citra merupakan sebuah kombinasi dari pikselpiksel dan tekstur yang didefinisikan sebagai sekumpulan piksel terkait dalam citra. 6umpulan piksel yang terkait ini disebut tekstur primitif atau elemen tekstur (teel). ambar % menunjukkan contoh jenis2jenis tekstur. &ekstur sulit didefinisikan secara tepat. >amun, terdapat beberapa sifat yang mengasumsikan sebuah tekstur, yaitu$ a. &ekstur merupakan sifat suatu area. &ekstur pada sebuah titik tidak dapat didefinisikan. b. &ekstur membentuk distribusi spasial dari tingkat keabuan. c. &ekstur dapat dinyatakan pada skala dan tingkat resolusi yang berbeda.
5
leh karena tekstur merupakan suatu pengukuran kuantitatif dari susunan intensitas area, maka metode2metode untuk ekstraksi fitur tekstur dapat dibedakan menjadi 9 kategori $ statistika, struktural, dan fraktal. #etode2metode yang termasuk dalam kategori pendekatan secara statistika diantaranya grey-level histogram, grey-level co-occurrence matrix, fitur autocorrelation, dan matriks run length. 'edangkan metode2 metode yang termasuk dalam kategori pendekatan secara struktural diantaranya $ transformasi wavelet dan transformasi gabor .
b.
Filter Gabor Fungsi Gabor 2D merupakan sebuah local bandpass filter yang mencapai optimal
localization pada domain spasial dan frekuensi. Fungsi Gabor 2D juga memberikan analisis muti2resolusi dengan membangun multi2kernel dari sebuah fungsi tunggal. Gabor wavelet dibentuk dengan melakukan proses dilasi dan rotasi pada kernel tunggal dengan sejumlah parameter. 4erdasarkan konsep tersebut, digunakan fungsi filter Gabor sebagai kernel untuk membentuk sebuah filter dictionary ada domain spasial, filter Gabor 2D merupakan sebuah fungsi kernel Gaussian yang dimodulasikan oleh sebuah gelombang sinusoidal yang kompleks. Fungsi ters ebut didefinisikan oleh persamaan berikut $ dimana f merupakan frekuensi faktor sinusoidal, < merepresentasikan orientasi filter Gabor , f merupakan offset , B merupakan standar deviasi Gaussian, dan merupakan rasio filter .
c.
Matriks Co-occurence #atriks intensitas co-occurrence adalah suatu matriks yang menggambarkan
frekuensi munculnya pasangan dua piksel dengan intensitas tertentu dalam jarak dan arah tertentu dalam citra G. #atriks intensitas co-occurrence p!i"#i2$ didefinisikan dengan dua langkah sederhana sebagai berikut$ 8angkah pertama adalah menentukan lebih dulu jarak antara dua titik dalam arah vertikal dan hori"ontal !ve%tor d&!dx#dy$$, d mana besaran dx dan dy dinyatakan dalam piksel sebagai unit terkecil dalam citra digital. 8angkah kedua adalah menghitung pasangan piksel2piksel yang mempunyai nilai intensitas i" dan i2 danberjarak di piksel dalam citra. 6emudian hasil setiap pasangan nilai intensitas diletakkan pada matriks sesuai dengan koordinat2nya, di mana absis untuk nilai intensitas i" dan ordinat untuk nilai intensitas i2. ambar + merupakan contoh matriks co-occurence dengan nilai intensitas keabuan % sampai dengan 0. Fitur2 6
fitur tekstur yang bisa didapatkan dari matriks co-occurence diantaranya adalah entropi, energi, kontras, dan homogenitas. Entropi menyatakan ukuran ketidakteraturan aras keabuan di dalam citra. Energi adalah ukuran yang menyatakan distribusi intensitas piksel terhadap jangkauan aras keabuan. 6ontras merupakan ukuran keberadaan variasi aras keabuan piksel citra. 'edangkan homogenitas merupakan ukuran kemiripan piksel pada citra 0. ersamaan (+), (9), (:), dan (1) berturut2turut merupakan rumus untuk memperoleh nilai entropi, energi, kontras, dan homogenitas dari citra, dengan i' P merupakan nilai piksel citra G(C) (Gray (evel Co-occurence )atrix).
d.
Support Vector Machine #enurut >ugroho dkk /, *+) !*upport +ector )achine$ merupakan metode
machine learning yang bekerja atas prinsip *tructural ,is% )inimization !*,)$ dengan tujuan menemukan hyperplane terbaik yang memisahkan dua buahkelas pada input space. beberapa pattern yang merupakan anggota dari dua buah kelas $ H% dan I%. Pattern yang tergabung pada kelas I% disimbolkan dengan 5arna merah (kotak), sedangkan pattern pada kelas H%, disimbolkan dengan 5arna kuning (lingkaran). roses klasifikasi merupakan usaha untuk menemukan garis !hyperplane$ yang memisahkan antara kedua kelompok tersebut. 4erbagai alternatif garis yperplane pemisah terbaik antara kedua kelas dapat ditemukan dengan mengukur margin hyperplane tersebut dan mencari titik maksimalnya. )argin adalah jarak antara hyperplane tersebut dengan pattern terdekat dari masing2masing kelas. Pattern yang paling dekat ini disebut sebagai support vector . aris tebal menunjukkan hyperplane yang terbaik, yaitu yang terletak tepat pada tengah2tengah kedua kelas, sedangkan titik merah dan kuning yang berada dalam lingkaran hitam adalah support vector ".
Analisis Ekstraksi Fitur dan !lasifikasi Per$ukaan Analisis Tekstur
Analisis tekstur memegang peranan penting dalam pengolahan citra digital karena analisis tekstur dikembangkan dengan tujuan agar komputer dapat memahami, membuat model, serta memproses tekstur untuk dapat menirukan proses pembelajaran mata atau pengelihatan manusia. &ekstur dapat dianggap sebagai pengelompokan kesamaan di dalam suatu citra. 'ifat2sifat subpola lokal tersebut menimbulkan cahaya 7
yang diterima, keseragaman, kerapatan, kekasaran, keteraturan, kelinieran, frekuensi, fase, keterarahan, ketidakteraturan, kehalusan, dan lainlain. 6arena komputer tidak memiliki indera penglihatan, maka komputer hanya mengetahui pola suatu citra digital dari ciri atau karakteristik teksturnya. Ciri atau karakteristik tekstur diperoleh melalui proses ekstraksi ciri dengan berbagai metode seperti metode co-occurence, autokorelasi, wavelet , frekuensi tepi, run length, dan lain sebagainya.% Dalam penelitian ini, dibahas hasil ekstraksi ciri menggunakan analisis tekstur metode gray level run length. 6emudian dilanjutkan dengan klasifikasi menggunakan metode klas ifikasi linier 8DA ( (inear Discriminan Analysis) dan k2>> (k2 .earest .eighbor ). Adapun data citra tekstur yang digunakan adalah dari +ision /exture (Jis&e) Database menggunakan 1 kelas dari %/ kelas yang ada dan jumlah data sebanyak 90 citra. a
Analisis Tekstur
'ecara umum tekstur mengacu pada repetisi elemen2elemen tekstur dasar yang sering disebut primitif atau texel (texture element ). 'uatu texel terdiri dari beberapa pixel dengan aturan posisi bersifat periodik, kuasiperiodik, atau acak. 'yarat2syarat terbentuknya tekstur setidaknya ada dua, yaitu$ %. Adanya pola2pola primitif yang terdiri dari satu atau lebih piel. 4entuk2bentuk pola primitif ini dapat berupa titik, garis lurus, garis lengkung, luasan dan lain2lain yang merupakan elemen dasar dari sebuah bentuk. +. ola2pola primitif tadi muncul berulang2ulang dengan interval jarak dan arah tertentu sehingga dapat diprediksi atau ditemukan karakteristik pengulangannya. Ada dua pendekatan yang digunakan untuk menganalisis tekstur dari suatu area, yaitu statistis dan struktural. endekatan statistis mempertimbangkan bah5a intensitas dibangkitkan oleh medan acak dua dimensi. pada frekuensi2frekuensi ruang ( spatial ) dan menghasilkan karakterisasi tekstur seperti halus, kasar, dan lain2lain. Contoh metode statistik adalah run length, autokorelasi, co-occurrence, transformasi Fourier, frekuensi tepi, dan metode 8a5 (pengukuran energi tekstur). 'edangkan teknik struktural berkaitan dengan pen yusunan bagianbagian terkecil (primitif) suatu citra, contoh metode ini adalah model fractal .
8
e.
Metode Run Length #etode run length menggunakan distribusi suatu pixel dengan intensitas yang
sama secara berurutan dalam satu arah tertentu sebagai primitifnya. #asing2masing primitif didefinisikan atas panjang, arah, dan level keabuan. anjang dari primitif tekstur pada arah yang berbeda dapat digunakan untuk menggambarkan suatu tekstur. Analisis tekstur metode run length ini digunakan untuk membedakan citra halus dan citra kasar. &ekstur kasar menunjukkan banyak pixel tetangga yang memiliki intensitas yang sama sedangkan tekstur halus menunjukkan sedikit pixel tetangga yang menunjukkan intensitas yang sama. *ntuk melakukan ekstraksi ciri dengan menggunakan metode run length, citra aras keabuan dengan matriks f!x#y$ harus ditransformasikan terlebih dahulu kedalam matriks grey level run length (8=8), 0!a#r$. f ( x, y)⎯G⎯ (⎯ ,(K 0(a, r ) Elemen matriks dari 8=8 0!a#r$ menghitung banyaknya primitif dengan panjang r dan level keabuan a. Lumlah dari primitif dapat diperoleh dengan persamaan$ %. *hort ,un 1mphasis ('=E) '=E mengukur distribusi short run. '=E sangat tergantung pada banyaknya sort run dan diharapkan bernilai besar pada tekstur halus. 2 (ong ,un 1mphasis (8=E) 8=E mengukur distribusi long run. 8=E sangat tergantung pada banyaknya long run dan diharapkan bernilai besar pada tekstur kasar. 9. Grey (evel niformity (8*) 8* mengukur persamaan nilai derajat keabuan di seluruh citra dan diharapkan bernilai kecil jika nilai derajat keabuan serupa di seluruh citra. :. ,un (ength niformity (=8*) =8* mengukur persamaan panjangnya run di seluruh citra dan diharapkan bernilai kecil jika panjangnya run serupa di seluruh citra. 1. ,un Percentage (=C) =C mengukur keserbasamaan dan distribusi run dari sebuah citra pada arah tertentu. =C bernilai paling besar jika panjangnya run adalah % untuk semua derajat keabuan pada arah tertentu.
9
Pengenalan Pola
f.
engenalan pola merupakan ilmu mengenai diskripsi atau klasifikasi dari hasil ekstraksi ciri yang memetakan suatu fitur, yang merupakan ciri utama suatu objek (yang dinyatakan dalam sekumpulan bilangan2bilangan) ke suatu kelas yang sesuai. 'alah satu metode pengenalan pola, yaitu metode statistik. #odel statistik didefinisikan sebagai sebuah keluarga dari fungsi kerapatan peluang bersyarat kelas r( M ) i x c , yakni peluang vektor fitur x jika diberikan kelas ci. #etode ini dapat dilakukandengan pendekatan supervised maupun pendekatan unsupervised . endekatan supervised (dengan pengarahan) menyediakan training set untuk mengarahkan atau memberi informasi atau pengetahuan tentang kelas2kelas yang ada. Contoh pendekatan supervised adalah metode k2>>, 0ayes, (inear Discriminant Analysis, dan lain2lain. endekatan unsupervised (tanpa pengarahan) tidak menyediakan training set . ?nformasi yang disediakan adalah jumlah klaster yang ada. 'ehinggapengelompokan sepenuhnya berdasarkan karakteristik data. Contoh dari pendekatan ini adalah metode k2 )ean. %. Linear Discriminant Analysis &L'A(
&ujuan utama dari analisis diskriminan adalah untuk memperoleh kaidah matematis, yang dikenal dengan fungsi diskriminan, yang dapat digunakan untuk memisahkan kelompok obyek yangberbeda, seperti kelompok air dan pasir. Fungsi diskriminan ditentukan oleh parameter statistik yang tergambar dari populasi ciri obyek pada kelas yag telah diketahui. Jektor ciri yang telah diperoleh dari obyek yang akan diklasifikasikan dipergunakan sebagai masukan. 6eluarannya biasanya bernilaiskalar yang dapat digunakan untuk menentukan kelas yang paling memungkinkan. Fungsi diskriminan menetapkan permukaan keputusan dari n2dimensi yang memisahkan kelas2 kelas distribusi ciri pada n2dimensi ruang ciri. ).
k* Nearest Neighbor &k*NN(
#etode k2>> merupakan pengembangan dari estimasi kerapatan non2parametrik. Ekspresi umum dari estimasi fungsi kerapatan peluang nonparametrik dapat dituliskan dengan rumus berikut ini. Estimasi kerapatan non2parametrik bisa dihitung dengan dua cara. Cara pertama adalah dengan memilih nilai tetap volume J dan menentukan k dari data. ;al ini
10
dilakukan dalam metoda yang disebut estimasi kerapatan kernel (6DE atau 3ernel Density 1stimation). Cara yang kedua yaitu dengan memilih jumlah tetap k dan menentukan volume J yang sesuai dari data. ;al ini menghasilkan metoda k2buah tetangga terdekat (k2 >> atau k2 .earest .eighbor ). 6euntungan utama dari metoda k2 >> adalah metoda ini memberikan pendekatan yang sangat sederhana untuk pemilah optimal 4ayes. Apabila terdapat suatu data masukan yang jumlahnya . buah dimana .i buah dari kelas N i dan dilakukan pemilahan sampel x yang tak diketahui, maka dapat digambarkan suatu bola (hyper ) dengan volume + disekitar 'etelah dikumpulkan, pemilah 4ayes menjadi ada metode k2>>, penggunaaan nilai k yang besar memiliki keuntungan, yaitu menyediakan informasi probabilistik. Akan tetapi, pengambilan yang terlalu besar akan merusak lokalitas estimasi dan juga meningkatkan beban komputasi. 4erikut ini diperlihatkan pengaruh pemilihan harga . emilahan k2>> dilakukan dengan mencari k2buah tetangga terdekat dan memilih kelas dengan %i terbanyak pada kelas Ni.
11
BAB III PEN+T+P %. 6esimpulan Feature Etraction atau ekstraksi fitur merupakan suatu pengambilan ciri ! feature dari suatu bentuk yang nantinya nilai yang didapatkan akan dianalisis untuk proses selanjutnya. Feature etraction dilakukan dengan cara menghitung jumlah titik atau piels yang ditemui dalam setiap pengecekan, dimana pengecekan dilakukan dalam berbagai arah tracing pengecekan pada koordinat kartesian dari citra digital yang dianalisis, yaitu vertikal, hori"ontal, diagonal kanan, dan diagonal kiri. +. 'aran Dengan memahami tujuan dan cara kerja Ekstraksi fitur kita dapat lebih mudah dalam menganalisa atau menghitung jumlah titik atau objek dengan baik benar.
12
'AFTA, P+STA!A %. D5iandi 'usantyo. +3%+. E!ST,A!SI FIT+, +NT+! PEN-ENALAN A/AH PA'A ,AS M0N-0L0I' MEN--+NA!AN P,IN"IPAL "0MP0NENT ANAL1SIS &P"A( . 'emarang $ *niversitas Dian >us5antoro. ). #urinto, 'ri ;artati. +33. ANALISIS "IT,A +NT+! PEN-ENALAN FIT+, PA'A PE,AN-!AT SISTEM INF20,MASI -E0-,AFIS.
Oogyakarta $ *niversitas ajah #ada.
3. Alfian ramudita utra . Pengertian Ekstraksi Fitur . alfian2p2p2 fst%3.5eb.unair.ac.id. % April +3% :. ?mam 'antoso, Ouli Christyono, #ita ?ndriani. +33G.!INE,/A PEN-ENALAN "IT,A TE!ST+, MEN--+NA!AN ANALISIS TE!ST+, MET0'E RUN LENGTH. 'emarang $ *niversitas Dipenogoro
13
!ATA PEN-ANTA,
uji syukur kehadirat &uhan Oang #aha Esa atas segala rahmat>OA sehingga makalah ini dapat tersusun hingga selesai . &idak lupa kami juga mengucapkan banyak terimakasih atas bantuan dari pihak yang telah berkontribusi dengan memberikan sumbangan baik materi maupun pikirannya. Dan harapan kami semoga makalah ini dapat menambah pengetahuan dan pengalaman bagi para pembaca, *ntuk ke depannya dapat memperbaiki bentuk maupun menambah isi makalah agar menjadi lebih baik lagi. 6arena keterbatasan pengetahuan maupun pengalaman kami, 6ami yakin masih banyak kekurangan dalam makalah ini, leh karena itu kami sangat mengharapkan saran dan kritik yang membangun dari pembaca demi kesempurnaan makalah ini.
alopo, April +3%
i
enyusun
14
'AFTA, ISI KATA PENGANTAR........................................................................................ i DAFTAR ISI..................................................................................................................... .......... ii BAB I.......................................................................................................... 1 Penda!"!an.............................................................................................. 1 A.
#a$a% Be"a&an'..................................................................................1
B.
T!(!an Pen!"i)an............................................................................... 1
BAB II......................................................................................................... 2 PE*BA+ASAN.............................................................................................2 A.
Pen'e%$ian E&)$%a&)i Fi$!%................................................................. 2
B.
Ke'!naan Ana"i)i) E&)$%a&)i Fi$!%..................................................... 4
,.
*e$-de S$a$i)$i& da"a Ana"i)i) E&)$%a&)i Fi$!%.................................5
a.
Fi$!% Te&)$!%...................................................................................5
/.
Fi"$e% Ga/-%.................................................................................... 6
.
*a$%i&) ,--!%ene.................................................................... 6
d.
S!-%$ e$-% *aine.................................................................7
D. Ana"i)i) E&)$%a&)i Fi$!% dan K"a)i&a)i Pe%!&aan Ana"i)i) Te&)$!%.. .7 a.
Analisis &ekstur .................................................................................. 8
/.
*e$-de Run Length.......................................................................9
.
Pen'ena"an P-"a.......................................................................... 10
BAB III...................................................................................................... 12 PENTP.................................................................................................. 12
15
ii
