ppixel art weighted learning vector quantizatio 2012

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]

[email protected],[2]

[email protected],[3]

[email protected]

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


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


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

http://en.wikipedia.org/wiki/Digital_art


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


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


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


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.

http://www.eurographics2012.it/

http://www.informatik.uni-trier.de/~ley/db/journals/nn/nn24.html#BlachnikD11

http://www.informatik.uni-trier.de/~ley/db/journals/nn/nn24.html#BlachnikD11


Lampiran 1. Hasil Penelilitan, Produk Citra Pixel Art

ppixel art weighted learning vector quantizatio 2012

Documents

memaknai ruang data

menunjukan corak warna

dihasilkan voronoi object

perubahan nilai rasio

id abstract pixel art