ppixel art weighted learning vector quantizatio 2012
DESCRIPTION
Aesthetic ComputingTRANSCRIPT
Membuat Pixel Art Menggunakan Weighted Learning Vector Quantization (Putra Wisnu AS, Surya Sumpeno) 1
MEMBUAT PIXEL ART
MENGGUNAKAN WEIGHTED LEARNING VECTOR QUANTIZATION
Putra Wisnu AS[1]
, Surya Sumpeno[2]
, Mauridhi Hery Purnomo [2]
Jurusan Teknik Elektro, Fakultas Teknologi Industri
Institut Teknologi Sepuluh Nopember
Kampus ITS Sukolilo Surabaya Jawa Timur 60111 Indonesia
e-mail: [1]
Abstract
Pixel art adalah kratifitas seni membangun
gambar dari unit kecil berwarna yang disebut
dengan pixel, dari sebuah citra digital. Pixel art
banyak digunakan dalam kepentingan
merepresentasikan wujud real life look seni
digital. Melukis pixel art pada bidang tulis digital
memiliki beragam tantangan. Ada beberapa
aspek penting yang harus dengan cermat diolah
oleh karena dalam pixel painting mengandung
prasyarat bahwa pixel diisi degan warna yang
solid, mampu menggambarkan warna transisi
serta dapat menunjukan corak warna terang dan
gelap. Penelitian ini mencoba untuk menghadirkan
cara alternatif dalam memproduksi goresan tinta
seni pixel art melalui serangkaian olah matematis
dengan pendekatan vector quantization. Berperan
sebagai kanvas digital, bidang citra
diterjemahkan sebagai painting surface yang
berkorespondensi terhadap nilai panjang dan
lebar citra sedangkan kuantitas satuan pixel yang
memaknai ruang data spasial dan warna
bertugas sebagai kuas maya. Proses kuantisasi
ini berlangsung dalam sejumlah iterasi, sehingga
dihasilkan voronoi object area dalam suatu nilai
jarak yang tetap berdasarkan evaluasi
keterwakilan codebook yang telah disebar.
Tujuannya adalah melakukan perbaikan
wilayah objek citra yang sedang dipelajari sesuai
dengan perubahan posisi titik codebook.
Pergeseran titik codebook ditentukan oleh besar
nilai variabel rasio bobot yang dibebankan ke
setiap pixel. Jika nilai ini bernilai 0 artinya
bahwa codebook tidak perlu bergeser sebaliknya
jika mendekati 1, maka besar pergeseran seiring
dengan perubahan nilai rasio bobot.
Citra hasil pixel art yang diperoleh
menunjukan keberhasilan pengenalan dan
pembentukan objek citra yang real life look
dengan nilai jarak adalah 0.5 satuan pixel dan
alpha 0.05 dengan 50 iterasi kuantisasi pada
citra objek bunga, manusia dan perumahan
berdimensi 80x80. Sehingga ikhtisar untuk
mendapatkan corak pixel art yang real life look
dengan weighted learning vector quantization
adalah dengan memastikan jumlah codebook
perwakilan voronoi area yang disebar dengan
tepat berdasarkan referensi pola informasi
spasial dan warna objek citra.
Keyword: pixel art, coodebook vector, voronoi
area, vector quiantization.
1. PENDAHULUAN
Pixel art adalah wujud kreasi seni melalui
manipulasi unit kecil berwarna citra digital
yang disebut pixel dalam seni melukis
bitmap[1]. Representasi seni digital yang
diolah sehingga terbangun gambar Pixel art
melibatkan beberapa rekayasa data titik-titik
pixel untuk memvisualisasikan corak bentuk
objek yang terlihat[2]. Konsepnya adalah
dengan mengisikan warna yang tepat sesuai
dengan kesesuaian posisi pixel dalam lingkup
citra yang menyeluruh.
Gambar 1. Desain pixel art Super Mario Bros
Pixel art memiliki perluasan manfaat yang
aplikatif dalam seni visual digital. Banyak kerja
seni yang melibatkan manipulasi pixel per pixel
dalam membentuk gambar seni digital seperti
yang kita kenal hingga saat ini yaitu “Super
Mario Bros”. Contoh lain implementasi konsep
pixel art dapat dilihat pada karya seni
pemodelan “Cross-stitched Flower Pattern”
yang adalah sebuah bentuk animasi berbasis
2 Jurnal Ilmiah Ilmu Komputer, Vol. 8 No. 1 September 2011: 1-2
seni “jahitan tangan” dari rakyat Tiongkok [3].
Dikembangkan pula oleh Yoe, dkk dari
University of Tokyo sebuah terobosan baru dalam
mengekspresikan pixel art melalui refracted light
projection pada planar surface. Langkah-langkah
ini menunjukan lebar dan luas pola dan metode
membangun pixel art.
Ada beberapa pengertian yang perlu
diperhatikan dalam membangun pixel art.
Pertama adalah setiap pixel memilki warna dan
hanya berisi satu jenis warna dalam ruang warna
tertentu. Kedua, pixel yang telah memiliki warna
harus dapat berkorespondensi dengan pixel
tetangganya sehingga dapat memproduksi corak
objek yang berada dalam jangkauan citra
pengamatan. Dan ketiga, pixel berwarna tersebut
harus dapat menunjukan perbedaan transisi warna
gelap dan terang.
Dari pengertian diatas, tersirat bahwa objek
citra pixel art dapat dibentuk oleh kumpulan
beberapa objek yang terangkum dalam suatu
voronoi area dengan jumlah terbatas dan
memiliki identitas warna yang ditentukan.
Dengan ketentuan bahwa berperan sebagai kanvas
digital, bidang citra diterjemahkan sebagai
painting surface yang berkorespondensi terhadap
nilai panjang dan lebar citra sedangkan kuantitas
satuan pixel yang memaknai ruang data spasial
dan warna bertugas sebagai kuas maya. Untuk
mencapai hasil yang diinginkan maka diperlukan
serangkaian olah matematis berdasarkan
pendekatan vector quantization.
Merujuk pada pemahaman tentang fitur yang
dimiliki oleh sebuah pixel oleh Surya dan Hariadi
[4] bahwa terdapat 5 dimensi fitur penting dari
suatu pixel yang dimiliki oleh sebuah citra digital,
maka memperkirakan object boundary dapat
didekati dengan menerapkan algoritma
Learning Vector Quantization (LVQ) untuk
melakukan pembelajaran kepada codebook
vectors berbasis informasi data spasial dan
warna pixel. Pada mulanya codebook disebar secara acak
sebagai langkah awal pemilihan titik perwakilan
sebuah objek pengamatan. Seluruh titik pixel
akan mereferensikan dirinya terhadap posisi
codebook tersebut berdasarkan pengertian titik
jarak terdekat. Dari sini, setelah seluruh pixel
mampu untuk menyatakan kepemilikan atas kelas
dirinya, maka voroni area akan tercipta. Tidak
berhenti disini, namun selanjutnya beradasarkan
sejumlah nilai iterasi yang telah ditentukan serta
besaran learning rate yang ditetapkan proses
pengenalan kebenaran voronoi area dari objek
yang sedang dalam pengamatan akan terus
dilakukan. Secara peroiodik posisi codebook akan
digeser secara gradual berdasarkan nilai referensi
perubahan yang ditentukan oleh besarnya nilai
bobot yang dihasilkan dari proses evaluasi oleh
LVQ.
Namun permasalahannya adalah perbaikan
posisi codebook oleh LVQ dalam membentuk
voronoi area khusunya pada beberapa corak lukis
tidak mampu secara optimal dihasilkan apabila
nilai jarak baru titik pixel terhadap kelas voronoi
yang melingkupinya berubah secara berlebihan
oleh sebab proses perbaikan yang terus
berlangsung selama nilai iterasi maksimum belum
didapatkan. Adalah benar bahwa apabila nilai
jarak codebook yang baru mirip dengan titik pixel
yang sedang dievaluasi, namun nilai kemiripan ini
berubah kembali pada evaluasi pada selanjutnya
dengan deviasi yang cukup lebar. Maka
diperlukan penambahan konsep Inter–intra class
similarity sebagai rujukan nilai bobot sample
yang sedang dievaluasi oleh LVQ [5].
Maksudnya adalah agar dapat diperoleh nilai
rasio keberadaan sebuah pixel terhadap voronoi
area yang dianggap adalah kelas dirinya dan
kelas yang dianggap bukan kelas miliknya. Jika
benar bahwa pixel tersebut adalah anggota utama
dalam voronoi tersebut maka posisi codebook
perwakilan voronoi tersebut tidak perlu bergeser
dan sebaliknya jika evaluasi rasio menunjukan
bahwa pixel tersebut berada dibatas terluar kelas,
maka posisi codebook perlu digeser sedikit
merujuk ke hasil nilai rasio yang dihasilkan untuk
kembali dilakukan perbaikan voronoi area yang
baru.
Penelitian ini mencoba untuk
mengimplementasikan algoritma weighted
learning vector quantization (WLVQ) sehingga
dalam memperbarui object boundry objek pixel
art dapat direpresentasikan secara real life look.
Weighted learning vector quantization
mengandung arti bahwa dalam learning vector
quantization akan diberikan perlakuan instance
weighting agar evaluasi keanggotaan sebuah pixel
dalam kelas voronoi area dapat dilakukan lebih
optimal.
2. METODE Penelusuran wilayah objek pada suatu citra
terhadap wilayah background yang menjadi latar
gambar, dapat direferensikan berdasarkan fitur
spasial maupun fitur warna yang terselubung
didalamnya. Fitur spasial artinya koordinat x dan
y suatu pixel merangkum informasi ciri khas
posisi keberadaan suatu pixel. Sedangkan fitur
warna artinya komponen warna yang dimiliki
Membuat Pixel Art Menggunakan Weighted Learning Vector Quantization (Putra Wisnu AS, Surya Sumpeno) 3
oleh sebuah pixel, didefinisikan sebagai fitur
kromatisasi yang melekat pada pixel tersebut. Jika
ruang warnanya adalah RGB maka fitur warnanya
adalah fitur r, fitur g dan fitur b. Sehingga jika
dikelompokan secara menyeluruh maka sebuah
pixel citra akan memiliki 5 dimensi fitur penting
yang dijelaskan sebagai:
},,,, bgryxp (1)
Sebagai referensi proses segmentasi, diilhami
berdasarkan kedekatan antar anggota pixel yang
terdapat dalam ruang fitur. Pendekatan yang
digunakan adalah algoritma Learning Vector
Quantization untuk melakukan proses
pembelajaran dan pengenalan keanggotaan kelas
voronoi area. Dari sini dapat diperkirakan batasan
objek yang dilatih dengan menggunakan sebuah
himpunan 5 dimensi vektor yang terkait pada
suatu pixel dan pixel tentangganya.
Vector quantization memperkirakan ruang
data masukan R pada bentuk yang telah
dikuantisasi terhadap data vektor x menggunakan
jumlah codebook vector yang terbatas. Maka, kita
dapat mendapati codebook vector yang paling
dekat dengan pixel x menggunakan terminologi
eucledian distance.
||minarg ii
kpO (2)
Bentuk object interest diperkirakan dengan
akurat oleh codebook vector yang terus diperbaiki
oleh algoritma LVQ. Pengklasifikasian diatur
dengan ketentuan formula khusus tentang standar
pengawasan untuk memperbaiki nilai kedekatan
antara codebook dan pixel teramati berdasarkan
nilai jarak yang telah ditentukan.
Learning Vector Quantization. Replika pola
belajar sistem neuron manusia ditransformasikan
oleh Teuvo Kohonen menjadi konsepsi
kecerdasan buatan yang bernama Learning Vector
Quantization (LVQ).
LVQ didesain dengan menirukan pola
jaringan neouron yang memiliki lapisan
kompetitif. Lapisan berkategori kompetitif
artinya pada lapisan tersebut terjadi kompetisi
antara sejumlah data dari neuron masukan untuk
dapat masuk ke suatu neuron kelas tujuan.
Manfaatnya adalah hanya neuron yang membawa
urgensi informasi tertinggi dapat disaring dengan
tepat.
Proses belajar jaringan LVQ dikenal dengan
nama pembelajaran terawasi. Pada pembelajaran
terawasi secara otomatis jaringan ini belajar untuk
mengklasifikasikan vektor masukan kedalam
kelas-kelas target. Evaluasi keberhasilan
klasifikasi dilakukan berdasarkan perhitungan
kedekatan jarak antara vektor masukan dan pusat
kelas target.
Konektivitas yang terhubung antara neuron
masukan dan keluaran melalui vektor bobot.
Nilai bobot berimplikasi penting dalam aktivitas
sebuah neouron berada dalam kondisi aktif atau
tidak. Nilai bobot ini terus mengalami pembaruan
seiring dengan hasil evaluasi belajar yang telah
terjadi.
Dalam memproduksi informasi, LVQ akan
melakukan pengenalan pola masukan terlebih
dahulu, sehingga akan didapatkan formula untuk
mengambil kesimpulan tentang rumusan kelas
target. Dua vektor dikatakan berbeda ketika jarak
terhadap satu kelas tujuan memiliki nilai yang
relative besar. Dibutuhkan kesepakatan atas
deviasi nilai jarak ini dan beberapa ketentuan
parameter lain. Parameter-parameter yang terikat
dalam prosedur operasi LVQ adalah : 1) Alfa
(Learning Rate), alfa didefinisikan sebagai
tingkat pembelajaran. Jika alfa terlalu besar, maka
algoritma akan menjadi tidak stabil sebaliknya
jika alfa terlalu kecil, maka prosesnya akan terlalu
lama. Nilai alfa adalah 0 < α < 1. 2) DecAlfa
(Penurunan Learning Rate) adalah penurunan
tingkat pembelajaran. 3) MinAlfa (Minimum
Learning rate) adalah minimal nilai tingkat
pembelajaran yang masih diperbolehkan. 4)
MaxEpoch (Maksimum Epoch) adalah jumlah
epoch atau iterasi maksimum yang boleh
dilakukan selama pelatihan. Iterasi akan
dihentikan jika nilai epoch melebihi epoch
maksimum.
Weighted Learning Vector Quantization. Adalah
konsep perluasan dari algoritma LVQ dengan
menambahkan klausus instance weighting.
Instance weighting artinya setiap instance dalam
proses learning guna diperoleh pembaruan nilai
codebook, dibebankan kepada setiap instance
nilai derajat keanggotaan yang bereferensi kepada
kelas rujukan yang dianggap adalah kelas instace
teramati, terhadap kelas lain yang dianggap bukan
kelas yang instance tersebut berada didalammnya.
Pada pemahaman ini akan didapatkan nilai
rasio yang berimplikasi kepada pergeseran posisi
dan atau pengurangan jumlah codebook.
Tujuannya adalah untuk mengurangi
kompleksitas model tanpa kehilangan nilai
akurasi atas produk yang dihasilkan. Caranya
adalah dengan menentukan instance weighting
yang tepat sehingga membantu untuk menemukan
jumlah minimum codebook LVQ. Nilai codebook
akan dievaluasi dengan prasyarat tambahan
4 Jurnal Ilmiah Ilmu Komputer, Vol. 8 No. 1 September 2011: 1-2
sebagai catatan perbaikan adalah hadirnya
variabel rasio tersebut..
Bobot dari trining instance yang memiliki
kecenderungan melekat dekat terhadap daerah
perbatasan akan dievaluasi kelas keanggotaannya.
Sudut pandangnya adalah apakah instance
tersebut lebih tepat untuk menetap di kelas
tersebut atau lebih baik keluar dan memposisikan
dirinya kembali ke kelas yang lain. Secara teknis
maka akan ada penambahan metode dan
algoritma yang akan diadopsi.
Ada dua metode yang dapat digunakan untuk
tujuan ini. Pertama adalah algoritma pembobotan
berbasis Inter–Intra Class Similarity Function
dan yang kedua menggunakan algoritma Edited
Nearest Neighbor Rule (ENN). Pada metode
Inter–Intra Class Similarity Based Context, untuk
mendesak sebuah codebook yang dipilih agar
dekat terhadap garis keputusan, pembobotan
instance didefinisikan dengan membuat koefisien
bantu wk yang menjelaskan distribusi posisi
vector xk apakah berada dalam satu kelas atau
relatif berada dikelas lain. Ini didefinisikan oleh
perbandingan within-class scatter terhadap out-
of-class scatter
2
)()(.
2
)()(.
||
||)(
)(
ji
ji
xcxcj
ji
xcxcj
ji
c
cii
xx
xx
n
nnxww (3)
Disini c(xi) berarti nama kelas dari vektor xi yang
didalamnya ada vector nc. Nilai normalisasi
koefisien wi berada pada jangkauan nilai 0 sampai
1 yang artinya jika mendekat ke 0 adalah bagian
dari homogenous clusters dan jika mendekat ke 1
berarti vector xi adalah dekat dengan vektor dari
kelas seberang dan jauh dari vector anggota lain
dari kelas yang sama.
Pada metode Edited Nearest Neighbor Rule
(ENN) pendekatan yang digunakan adalah
berbasis pada leave one out test. Pada bentuk
aslinya seluruh vector yang tidak benar
terklasifikasi oleh KNN (k>=3) ditandai untuk
dibuang. Maka pada algoritma WLVQ dibangun
versi modifikasi berdasarkan pendekatan instance
weighting yang diadopsi. Pada versi modifikasi
ini tidak ada instance yang dibuang tetapi
diprediksi tingkat confidance dari bobot instace
tersebut. Berikut desain algoritma yang dibuat.
Require: T,k
n←instance_of(T);
wi ←0;
for i = 1 …n do
c(xi)=kNN({T\ xi }, xi);
wi=con(c(xi));
end for
for i=1 … n do
fi =exp(-ƴ(wi -µ)2)
end for
return f
3. DISKUSI Richard F. Lyon [6] mencatat bahwa Pixel
Art dipresentasikan oleh Adele Goldberg dan
Robert Flegal dari Xerox Palo Alto Research
Center sebagai “a bitmap which indicates the
black and white cells or pixels of the image”.
Goldberg dan Flegal adalah dua Peneliti dari
Xerox Palo Alto Research Center. Pixel Art
adalah bentuk dari digital art, dimana citra
disunting pada level pixel. Pixel art didesain
untuk banyak kepentingan dalam
merepresentasikan wujud real life look seni
visual artfak kontemporer.
Inisialisasi Properti Piksel. Penerjemahan
informasi fitur suatu piksel citra dapat dilakukan
dengan membuat kombinasi-kombinasi atas
beberapa klausul yang disepakati sebagai suatu
turunan dari ruang fitur yang dimiliki. Jika
merujuk pada realita fitur yang tampak maka
informasi posisi dan jenis komponen warna
adalah pilihan yang memungkinkan sebagai dasar
rekayasa. Rekayasa ini melibatkan perbaikan,
restorasi dan pengkodean yang bertujuan untuk
menyediakan kualitas informasi grafis citra [7].
Fitur jarak dapat dipandang sebagai informasi
posisi piksel uji terhadap piksel referensi. Selain
itu, informasi warna suatu piksel berperan penting
pula ketika batasan gradasi objek warna diakhiri.
Maka jika dikombinasikan jarak dan warna
merupakan fitur penting untuk dianalisa.
Sebuah piksel dapat dimuatkan 5 (lima)
dimensi fitur penting, yaitu fitur berdasarkan
informasi spasial serta fitur berdasarkan 3 (tiga)
ruang warna yang dimiliki. Sehingga jika data
spasial diartikan sebagai nilai posisi titik x dan y
serta data warna adalah nilai kromatisasi ruang
warna piksel yaitu red (r), green (g) dan blue (b)
maka sebuah piksel (p) terdefenisi oleh
persamaan (1).
Pada implementasi teknis, maka normalisasi
data piksel tersebut didasarkan pada proyeksi
nilai 5 dimensi fitur piksel dalam ruang spasial
dan warna optimal, sebagaimana dijelaskan pada
persamaan berkut.
(p)(p)-
(p)p- p
minmax
min (4)
Klausul ini menjadi penting ketika
menerjemahkan ruang wilayah objek citra guna
Membuat Pixel Art Menggunakan Weighted Learning Vector Quantization (Putra Wisnu AS, Surya Sumpeno) 5
mendapatkan informasi tata letak dan jenis warna
sebuah titik piksel (p) terhadap keberadaannya
didalam kelas voronoi sebuah objek (k).
Pemetaan ini didasarkan pada pengukuran
kedekatan/kemiripan titik piksel terhadap
orientasi kelasnya. Pendekatan yang diadopsi
dalam menghitung intensitas kemiripan adalah
dengan menerapkan eucledian distance sebagai
basis pengukuran jarak antar fitur sesuai dengan
persamaan (2).
Algoritma Vector Quantization Untuk
Membuat Pixel Art. Rule off odd dalam
komposisi painting menerangkan bahwa dalam
kerja seni, membingkai objek of interest terhadap
sejumlah objek di sekitarnya, akan membuat
menjadi lebih nyaman untuk mata, sehingga
menciptakan rasa kemudahan penafsiran dan
keinginan mengkomentari. Membingkai object of
interest berarti menguraikan sejumlah kelas objek
sesuai dengan kemiripan fitur piksel satu dan
yang lain.
Objek yang telah terklasifikasi menjadi acuan
dalam membentuk voronoi area. Prinsipnya
adalah dengan mempertimbangkan untuk
membuat rumusan pusat voronoi dan anggotanya.
Pusat voronoi (k), disebut juga pusat cluster,
adalah titik lokasi codebook yang disebar disebar
berdasarkan pemahaman seorang expert adalah
titik pusat objek goresan citra. Sedangkan anggota
cluster adalah piksel-piksel yang memiliki
kemiripan dari sisi jarak dan warna terhadap
pemiliki cluster.
}, ….. k, k, kK = {k i321 (5)
Weighted Learning Vector Quantization
adalah pilihan terbaik ketika setiap piksel dengan
nilai atribut yang telah terkuantisasi direnovasi
kembali membentuk voronoi area sebagai
representasi goresan citra digital. Kuantisasi
dibutuhkan karena dengan mengambil nilai vector
fitur-fitur piksel kemudian menguraikannya
kembali dalam kanvas sehingga akan diperoleh
digitalisasi corak lukisan.
Pada awalnya codebook disebar diatas kanvas
kemudian secara serial setiap piksel akan
mengkuantisasi dirinya terhadap
kedekatan/kemiripan dirinya terhadap cluster
terdekat. Eucledian distance menjalankan peran
sebagai regulator. Dalam batasan jarak tertentu
maka akan diperoleh struktur-struktur objek yang
spesifik. Proses evaluasi akan terus berlangsung
hingga pada nilai maksimum jumlah piksel.
Ketika dalam satu iterasi evaluasi indikasi
positif terlihat pada kondisi piksel p adalah
anggota kelas ki (p = ki), maka codebook akan
diperbarui dengan ketentuan
)((*)(*)()( oldkpxwoldknewk jijj (6)
Sebaliknya jika p ≠ ki maka perbaruan posisi
codebook adalah )((*)(*)()( oldkpxwoldknewk jijj (7)
Nilai w(xi) adalah merujuk pada perhitungan
koefisien w(xi) pada persamaan (3). Koefisien ini
adalah wujud nilai rasio keberadaan suatu pixel
teramati terhadap kelas yang dimiliki terhadap
kelas - kelas tetangga. Derajat keanggotaa pixel
ini akan berpengaruh kuat terhadap pergeseran
codebook apabila nilai koefisien mendekati nilai 1
dan codebook akan tetap diam tidak bergerak
apabila w(xi) adalah 0. Sehingga proses
penggambaran voronoi area atas sebuah objek
citra yang sedang teramati akan secara sempurna
dapat diperoleh.
Penggambaran voronoi area sebagai
representasi wilayah objek dikatakan defenitif
berakhir apabila ekuivalensi struktur pola yang
sedang diperbarui berdasarkan perbaikan posisi
codebook adalah telah memenuhi sejumlah n
iterasi.
Gambar 2. Algoritma vector quantization
untuk membuat pixel art
4. HASIL Dari hasil observasi yang telah dilakukan
terhadap beberapa citra visual art, algoritma yang
telah didesain dapat bekerja dengan baik dengan
beberapa ketentuan bahwa pemilihan nilai jarak
kemiripan berpengaruh terhadap kemampuan
pembentukan ruang voronoi dan keberhasilan
mendefinisikan fitur warna sebuah piksel yang
terklasifikasi. Berikut disajikan produk pixel art
yang telah diekstraksi dari sebuah citra identitas
6 Jurnal Ilmiah Ilmu Komputer, Vol. 8 No. 1 September 2011: 1-2
personal, yang menerangkan pengaruh pemilihan
nilai jarak kedekatan terhadap hasil ekstraksi.
(3.a)
(3.b)
(3.c)
Gambar 3. (a) Gambar sebaran
codebook (b) Citra pixel art (c) luas
wilayah objek yang terdeteksi pada
jarak = 0.5
(3.d)
(3.e)
(3.f)
Gambar 3. (d) Gambar sebaran
codebook (e) Citra pixel art (f) luas
wilayah objek yang terdeteksi pada
jarak = 0.2
Dilain sisi, ketika diberikan penentuan
parameter jarak dengan tepat maka akan terbentuk
objek seni pikel yang ilustratif. Berikut
ditampilkan produk pixel art dengan kualifikasi
baik berdasarkan kemampuan algoritma yang
dibuat untuk mengenali kontur goresan objek
citra input. (Lihat lampiran).
Segmentasi wilayah objek citra pixel art
ditentukan pula oleh sejumlah codebook yang
akan diinginkan. Penentuan nilai parameter K
dilakukan secara acak. Begitu pula pada
pemilihan tempat disebarkan. Berdasarkan
pengamatan seorang expert, titik wilayah objek
yang akan dikenali diberi satu codebook. Jika
dalam penentuan nilai K adalah kurang dari
jumlah asli objek citra maka pixel art yang dibuat
terkesan kurang ilustratif. Kondisi ini disebabkan
oleh kurangnya perwakilan ciri/karakter piksel
yang akan dikenali.
(a)
(b)
(c)
Gambar 4. Hasil pixel art, yang disebarkan
pada objek bunga matahari, dengan (a) K=40
(b) K=30 (c) K=20
Membuat Pixel Art Menggunakan Weighted Learning Vector Quantization (Putra Wisnu AS, Surya Sumpeno) 7
Dengan K = 40 piksel wilayah bunga
matahari dapat diilustrasikan dalam lingkup area
yang tersegmentasi lebih artistis dibanding
dengan ketika hanya menyebarkan codebook
serjumlah 20 codebook. Sehingga ikhtisar untuk
mendapatkan corak pixel art dengan vector
quantization adalah dengan memastikan jumlah
dan pola penempatan codebook yang disebar
sesuai dengan pemahaman keterwakilan wilayah
objek pengamatan.
Pembentukan voronoi area berkorespondesi
pula terhadap pemilihan jumlah iterasi proses
learning. Codebook yang disebar secara acak
pada tahap awal, akan terus diperbaiki seiring
dengan pembaruan nilai codebook baru. Pada
tahap awal dapat saja diperoleh voronoi objek
citra pixel art, namun kondisinya belum secara
tepat merepresentasikan real life look. Secara
simultan pada itereasi selanjutnya dapat diperoleh
mendekati sempurna. Kondisi ini dapat disajikan
oleh gambar-gambar berikut.
(a)
(b)
(c) . . .
(d)
Gambar 5. citra pixel art
dan voronoi area objek citra yang terbentuk,
pada (a) iterasi = 1 (b) iterasi =2 (c) iterasi =3 (d)
iterasi = 10
Kesimpulan dan Kerja di Masa Depan. Kami
telah berhasil membuat sebuah pendekatan kreatif
tentang pengetahuan mengenai seni digital pixel
art. Wawasan yang disimpulkan dari penelitian
ini adalah bahwa sudut pandang 5 dimensi fitur
piksel berdasarkan ruang spasial dan warna
adalah cocok untuk dikembangkan dalam evaluasi
ekstraksi informasi objek sebagai representasi
kreasi seni digital pixel art. Proses pembentukan
objek citra dilakukan melalui proses learning
vector quantization berdasarkan evaluasi fitur
citra yang terkuantisasi oleh nilai informasi yang
terkandung didalam sebuah pixel. Setiap pixel
akan memiliki nilai bobot derajat keanggotaan
dirinya terhadap kelas yang ditempati. Sehingga
pembentukan voronoi objek dapat dihasilkan
mendekati sempurna. Pada penelitian selanjutnya,
akan sangat penting untuk dipikirkan tentang
8 Jurnal Ilmiah Ilmu Komputer, Vol. 8 No. 1 September 2011: 1-2
bagimana menguatkan pemilihan/perbaruan
codebook yang disebar diatas kanvas digital agar
proses overfitting pixel terhadap kelas rujukan
dapat diminimalisir dengan optimal.
5. DAFTAR PUSTAKA [1] Yue, Y., dkk, “Pixel Art with Refracted
Light by Rearrangeable Sticks”, Proceedings
of Eurographics 2012 (EG 2012), 2012.
[2] Kopf, Y., dan Lischinski, D., “Depixelizing
Pixel Art”, Proceedings of SIGGRAPH,
30(4), Article no. 99, 2011.
[3] ZhangRuirui, dkk., “A Study of ‘Hand
Stitching Article’ for Animation Model
Design Based on ‘Pixel Art’”. Computer-
Aided Industrial Design and Conceptual
Design, 2008.
[4] Surya., dkk, “A Region-based Approach
using LVQ for Semi-automatic Video
Object Extraction Technique”. The 8th
Seminar on Intelligent Technology and Its
Applications, 2007.
[5] Blachnik, M., dkk,. “LVQ Algorithm With
Instance Weighting For Generation Of
Prototype-Based Rules”. Neural Networks
24(8): 824-830, 2011.
[6] Lyon, R. F., “A Brief History of ‘Pixel’”.
IS&T/SPIE Symposium on Electronic
Imaging, 2006.
[7] Raskar, R., dkk., “Image Fusion for Context
Enhancement”, The Third International
Symposium On Non-Phototrealistic
Animation and Rendering (NPAR), 2004.
Membuat Pixel Art Menggunakan Weighted Learning Vector Quantization (Putra Wisnu AS, Surya Sumpeno) 9
10 Jurnal Ilmiah Ilmu Komputer, Vol. 8 No. 1 September 2011: 1-2
Lampiran 1. Hasil Penelilitan, Produk Citra Pixel Art
Membuat Pixel Art Menggunakan Weighted Learning Vector Quantization (Putra Wisnu AS, Surya Sumpeno) 11
12 Jurnal Ilmiah Ilmu Komputer, Vol. 8 No. 1 September 2011: 1-2
Membuat Pixel Art Menggunakan Weighted Learning Vector Quantization (Putra Wisnu AS, Surya Sumpeno) 13
14 Jurnal Ilmiah Ilmu Komputer, Vol. 8 No. 1 September 2011: 1-2