Algoritma LBP: Pengertian, Contoh, Kelebihan, dan Manfaatnya

Algoritma LBP (Local Binary Pattern) merupakan salah satu metode ekstraksi fitur yang berguna untuk mengidentifikasi pola pada citra dan mengklasifikasikan objek berdasarkan pola tersebut.

Untuk memahami lebih lanjut mengenai pengertian, contoh, kelebihan, kelemahan, dan manfaat dari algoritma LBP, simak artikel berikut, yuk!

Daftar Isi

Pengertian Algoritma LBP

Algoritma LBP merupakan metode ekstraksi fitur yang sering digunakan pada pengolahan citra. Sebagaimana namanya, Local Binary Pattern (LBP) adalah fitur yang mewakili representasi lokal dari sebuah citra. Fitur ini terdiri dari nilai-nilai relatif yang dihasilkan dari perbandingan antara setiap piksel dengan piksel-piksel di sekitarnya.

Metode LBP memvisualisasikan citra digital dengan memperhatikan perubahan intensitas piksel pada daerah kecil pada citra. Algoritma ini menggambarkan setiap piksel pada citra dengan bit binary, sehingga setiap piksel memiliki nilai binary 1 atau 0. Algoritma LBP ini memetakan piksel-piksel citra ke dalam kode biner dengan basis 2 berdasarkan nilai intensitas piksel yang berada di sekitar piksel tersebut.

Dalam pengolahan citra, piksel yang berada di sekitar suatu piksel disebut sebagai piksel tetangga. Setelah itu, algoritma ini menggabungkan nilai binary dari setiap piksel untuk menghasilkan fitur yang dapat digunakan untuk pengenalan pola.

Sumber: medium.com

Inti dari algoritma LBP adalah untuk menggambarkan lingkungan elemen-elemen citra dengan menggunakan kode biner. Metode ini umumnya digunakan untuk menganalisis sifat-sifat lokal dan mengidentifikasi karakteristik individu dari berbagai bagian citra.

Algoritma ini menerapkan pendekatan yang menggabungkan metode statistik dan struktural. Awalnya diusulkan oleh T. Ojala, M. Pietikanen, T. Mehpaa dari Universitas Oulu di Finlandia pada tahun 1994. Pendekatan ini dianggap efisien dalam hal waktu dan konseptual sederhana, serta telah memberikan hasil yang sangat baik dalam berbagai penelitian.

Karakteristik utama dari LBP adalah:

Biaya perhitungan yang rendah
Tahan terhadap fluktuasi nilai skala abu-abu pada citra.

Contoh Algoritma LBP

Semua gambar direpresentasikan dalam format matriks yang terdiri dari baris dan kolom. Komponen dasar dari sebuah gambar adalah piksel. Satu piksel dianggap sebagai unit informasi terkecil dalam sebuah gambar. Nilai piksel untuk setiap gambar berkisar antara 0 hingga 255.

Berikut adalah contoh penggunaan algoritma LBP pada citra wajah:

Sumber: www.analyticsvidhya.com

Konversi citra ke dalam skala keabuan (grayscale).
Bagi citra menjadi beberapa bagian kecil, misalnya 3x3 piksel.
Pilih piksel tengah dari setiap bagian kecil dan bandingkan intensitas piksel tersebut dengan intensitas piksel tetangganya.
Jika intensitas piksel tetangga lebih besar atau sama dengan intensitas piksel tengah, nilai bit binary adalah 1. Jika intensitas piksel tetangga lebih kecil dari intensitas piksel tengah, nilai bit binary adalah 0.
Gabungkan nilai binary dari setiap piksel pada bagian kecil tersebut untuk menghasilkan fitur.
Setelah itu, fitur yang dihasilkan dapat digunakan untuk mengklasifikasikan wajah berdasarkan pola pada citra.

Kelebihan Algoritma LBP

Adapun kelebihan dari algoritma LBP dapat dijabarkan sebagai berikut:

Mudah diimplementasikan: Algoritma LBP mudah diimplementasikan pada berbagai platform dan bahasa pemrograman.
Efektif pada citra yang tidak beraturan: Algoritma LBP dapat digunakan pada citra yang tidak beraturan, seperti citra tekstur, karena dapat mengidentifikasi pola pada citra tersebut.
Compact: Fitur yang dihasilkan oleh algoritma LBP memiliki ukuran yang relatif kecil, sehingga memungkinkan penggunaan memori yang lebih efisien.

Kelemahan Algoritma LBP

Berikut ini adalah beberapa kelemahan dari algoritma LBP:

Sensitif terhadap cahaya dan kontras
Algoritma LBP sensitif terhadap perubahan cahaya dan kontras pada citra. Hal ini dapat mempengaruhi akurasi dari algoritma ini pada kondisi pencahayaan yang berbeda-beda.
Tidak cocok untuk citra berwarna
Algoritma LBP tidak dapat digunakan pada citra berwarna karena hanya dapat bekerja pada skala keabuan.

Manfaat Algoritma LBP

Berikut adalah manfaat dari algoritma LBP:

Pengenalan wajah: Algoritma LBP digunakan pada pengenalan wajah untuk mengidentifikasi pola pada citra wajah dan mengklasifikasikan wajah berdasarkan pola tersebut.
Deteksi objek: Algoritma LBP juga digunakan pada deteksi objek pada citra, seperti deteksi kendaraan pada jalan raya atau deteksi benda pada ruang kosong.
Pengenalan tekstur: Algoritma LBP dapat digunakan pada pengenalan tekstur pada citra, seperti pengenalan tekstur pada permukaan kayu atau batu.
Peningkatan kualitas citra: Algoritma LBP dapat digunakan pada pengolahan citra untuk meningkatkan kualitas citra, seperti menghilangkan noise pada citra atau memperbaiki citra yang buram.

Penutup

Sebagai kesimpulan, algoritma LBP adalah metode ekstraksi fitur yang digunakan pada pengolahan citra dan pengenalan wajah. Metode ini sangat berguna untuk mengidentifikasi pola pada citra dan mengklasifikasikan objek berdasarkan pola tersebut.

Algoritma LBP memiliki kelebihan, seperti mudah diimplementasikan dan efektif pada citra yang tidak beraturan, serta memiliki beberapa kelemahan, seperti sensitif terhadap cahaya dan kontras serta tidak cocok untuk citra berwarna.

Demikianlah penjelasan singkat mengenai algoritma LBP. Semoga informasi yang disajikan dapat bermanfaat dan menambah khazanah pengetahuan kita.

Salam!

Referensi:

Trivusi