(Sumber: https://www.magnific.com/idn/foto-gratis/membingkai-lanskap-saat-bepergian_31286576.htm)

Pernah nggak nyoba memperbesar foto yang ukurannya kecil terus hasilnya malah jadi blur dan kotak-kotak? Atau pernah nggak penasaran, gimana caranya gambar bisa di-resize ke ukuran apa pun tanpa jadi rusak atau nggak jelas?

Saat sebuah gambar diperbesar atau diperkecil, jumlah pixel-nya otomatis berubah. Nah, komputer perlu memperkirakan nilai warna pada posisi-posisi pixel baru yang sebelumnya nggak ada datanya berdasarkan informasi dari pixel yang sudah ada. Proses menebak ini disebut interpolation. Metode interpolasi konvensional hanya mengestimasi nilai tersebut secara matematis, bukan mengembalikan detail asli yang hilang dari gambar. Yuk kita bahas!

Kenapa Pas Resize, Komputer Harus ‘Menebak’?

Gambar digital pada dasarnya berupa susunan grid pixel dengan nilai warna di posisi-posisi tertentu. Saat kamu memperbesar gambar, misalnya sebesar dua kali lipat, akan muncul ruang-ruang kosong di antara pixel–pixel lama yang nilainya belum diketahui.

Karena komputer nggak bisa menciptakan informasi dari ketiadaan, jadi dia harus mengestimasi nilai pixel baru berdasarkan pixel–pixel tetangga yang sudah ada di sekitarnya. Kualitas estimasi inilah yang menentukan hasil akhir. Seberapa pintar tebakan si komputer ini tergantung algoritma yang dipakai. Ada beberapa metode, dari yang paling kasar sampai paling halus.

Nearest Neighbor: Cepat, tapi Bikin Kotak-Kotak

Metode paling sederhana adalah nearest neighbor. Sesuai namanya, nilai pixel baru cukup menyalin nilai pixel tetangga yang paling dekat. Nggak ada perhitungan campuran sama sekali. Kelebihan nearest neighbor adalah proses komputasinya sangat sederhana dan cepat karena setiap piksel baru hanya mengambil nilai dari piksel terdekat. Kekurangannya, gambarnya langsung kelihatan pecah, bergaris-garis patah, kotak-kotak (blocky) dan bergerigi saat diperbesar.

Kapan metode ini biasanya dipakai? Metode ini sebenarnya berguna dan cocok banget buat pixel art. Soalnya di seni piksel, efek kotak-kotak tajam memang sengaja dipertahankan biar gaya visual khasnya nggak hilang.

Bilinear: Halus, tapi Agak Buram

Bilinear interpolation ini setingkat lebih pintar. Dia tidak hanya melihat satu titik, tetapi melihat empat pixel tetangga terdekat (area grid 2×2) di sekitar posisi target. Nilai (warna) dari pixel baru dihitung melalui weighted average (rata-rata berbobot) dari empat pixel tetangga terdekat. Bobot setiap pixel ditentukan berdaatetangga ke titik pixel baru, akan diberi bobot lebih besar, otomatis makin kuat pengaruh warna (nilainya).

Hasilnya, gamabrnya jadi jauh lebih mulus daripada nearest neighbor. Transisi warnanya halus dan tanpa efek kotak-kotak kasar. Komputasinya pun masih relatif ringan. Trade–off-nya, gambar bisa terlihat agak buram (blurry), terutama di bagian garis atau area bertepi tajam, karena proses perataannya membuat detail menjadi ‘lembut’.

Bicubic: Lebih Tajam dan Natural

Bicubic interpolation melangkah lebih jauh lagi. Tidak hanya satu atau empat tetangga, dia mempertimbangkan 16 pixel tetangga sekaligus (area grid 4×4) dan fungsi interpolasi kubik untuk mengestimasi nilai baru. Dibandingkan bilinear, metode ini sering menghasilkan transisi yang lebih halus dengan detail yang relatif lebih terjaga. Namun, karakteristik ketajaman hasilnya bergantung pada kernel yang digunakan.

Itulah kenapa bicubic jadi standar di banyak software seperti Adobe Photoshop dan sering dipakai di driver printer. Namun metode ini juga memiliki trade-off-nya sendiri, yaitu komputasinya lebih berat daripada bilinear karena harus mengolah 16 pixel per titik baru. Selain itu, di area kontras tinggi (misalnya garis hitam tebal di atas background putih), kadang muncul efek bayangan/garis putih tipis yang agak aneh (ringing artifact).

Perbandingan Metode Image Interpolation

Alternatif Modern: Lanczos & AI Upscaling

Dunia visual terus berkembang, dan of course ada cara yang lebih modern buat memperbesar gambar:

  • Lanczos Resampling, menggunakan fungsi windowed-sinc untuk memperkirakan nilai pixel dengan mempertimbangkan area tetangga yang lebih luas. Metode ini sering menghasilkan detail yang tajam, terutama saat downscaling, tetapi pada kondisi tertentu dapat menimbulkan ringing artifact di sekitar tepi yang kontras.
  • AI Super-Resolution menggunakan deep learning untuk meningkatkan resolusi gambar sekaligus memperkirakan detail yang tidak terlihat pada gambar beresolusi rendah. Berbeda dengan interpolasi konvensional yang menghitung nilai pixel berdasarkan tetangganya, model AI memanfaatkan pola yang telah dipelajari dari data pelatihan. Hasilnya bisa terlihat lebih detail, tetapi detail yang dihasilkan tidak selalu identik dengan kondisi asli objek.

Gimana Kalau Gambar Malah Diperkecil (Downsampling)?

Pas mengecilkan gambar, tantangannya beda lagi. Komputer harus bisa membuang piksel tanpa bikin gambarnya kelihatan aneh. Kalau asal dikecilkan pakai interpolasi biasa, bakal muncul efek bergerigi tajam atau pola garis aneh yang mengganggu (aliasing atau pola Moiré).

Sebelum gambar diperkecil, biasanya diterapkan low-pass filtering untuk mengurangi komponen frekuensi tinggi yang berpotensi menimbulkan aliasing. Setelah itu, proses downsampling dilakukan dengan mengambil sampel pada resolusi yang lebih rendah.

Penutup

Image scaling mungkin kelihatannya sepele, tinggal tarik pojok gambar di layar, lalu boom, gambar akan jadi makin besar/kecil. Tapi di baliknya ada algoritma matematika yang lagi sibuk menebak ratusan ribu pixel baru secara real–time. Dari nearest neighbor yang kilat tapi kasar, bilinear yang mulus tapi agak buram, sampai bicubic yang detail, halus tapi berat. Semuanya punya trade–off masing antara kecepatan dan kualitas. Next time saat kamu resize gambar, kamu sudah tau ada trik apa yang lagi dipakai sama komputermu.

Penulis

Felicia Natania Lingga, S.Kom. — FDP Scholar

Referensi

Gonzalez, R. C., & Woods, R. E. (2018). Digital Image Processing (4th ed.). Pearson.

OpenCV. (n.d.). Geometric Image Transformations. OpenCV Documentation. https://docs.opencv.org/4.x/da/d54/group__imgproc__transform.html

OpenCV. (2025). Resizing and Rescaling Images with OpenCV. https://opencv.org/resizing-and-rescaling-images-with-opencv/

Wang, X., Yu, K., Wu, S., et al. (2018). ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks. arXiv. https://arxiv.org/abs/1809.00219

NVIDIA. (n.d.). NVIDIA DLSS. NVIDIA Developer. https://developer.nvidia.com/rtx/dlss