PEMBACAAN BERKAS CITRA CITRA BINER BINARY IMAGE GUI Graphic User Interface

commit to user IV-2 Urutan langkah-langkah proses jalannya program adalah sebagai berikut :

4.1 PEMBACAAN BERKAS CITRA

Proses pertama dalam algoritma ini adalah pembacaan berkas citra yang dilakukan dengan perintah citra gambar segmen tubuh diperoleh dengan menggunakan perangkat kamera digital yang cukup memadai disertai dengan beberapa perangkat lainnya. Citra gambar yang akan digunakan adalah png, bmp, atau jpg dan gambar tidak dipenggaruhi oleh cahaya, benda lain yang dapat mengganggu proses pengolahan citra. Pada perancangan ini digunakan Matlab 7.8 karena fungsi-fungsinya lengkap dan mudah dalam pembuatan tampilan GUI.

4.2 CITRA BINER BINARY IMAGE

Setelah dilakukan pembacaan citra, lalu dilanjutkan dengan proses citra biner adalah citra yang hanya mempunyai dua informasi intensitas warna, yaitu hitam dan putih. Derajat keabuan berada dalam rentang antara hitam dan putih. Citra yang memiliki derajat keabuan dari hitam ke putih ini disebut juga citra hitam- putih greyscale image atau citra monokrom . Hasil dari proses citra biner dapat dilihat pada gambar di bawah ini. Gambar 4.2 Citra Biner commit to user IV-3 4.3 DETEKSI TEPI EDGE DETECTION Setelah dilakukan proses citra biner, dilanjutkan dengan pengubahan citra menjadi citra deteksi tepi edge detection dari objek di dalam citra. Pada perangkat lunak pengolahan citra ini menggunakan algoritma deteksi tepi Canny. Kegunaan deteksi tepi pada perangkat lunak ini ditujukan untuk mengetahui tepi- tepi objek dalam citra. Hasil proses ini diperlihatkan pada Gambar 4.3 a b Gambar 4.3 Deteksi tepi Canny a Citra awal b Citra hasil

4.4 SKELETONISASI

Setelah proses deteksi tepi selesai dilanjutkan dengan proses skeletonsasi bertujuan untuk mendapatkan kerangka dari suatu objek di dalam suatu citra objek atau disebut juga proses merubah bentuk dari citra hasil restorasi yang berbentuk deteksi tepi citra menjadi citra yang menampilkan batas-batas objek yang hanya setebal satu piksel. Hasil dari proses citra biner dapat dilihat pada Gambar 4.4. commit to user IV-4 a b c Gambar 4.4 a Himpunan citra asli A b Berbagai posisi ligkaran, sedemikian rupa sehingga pustnya berada pada kerangka A c Kerangka A secara lengkap commit to user IV-5 Pada gambar diatas citra gambar A citra gambar asli, kemudian diproses menjadi gambar B, maka proses gambar B akan muncul lingkaran-lingkaran pada gambar, lingkaran tersebut berberfungsi sebagai pengkikisan pada gambar, setelah proses pengkikisan selesai maka akan muncul seperti kerangka atau akan menjadi setebal satu piksel.

4.4.1 Penentuan titik koordinat sudut

Setelah dilakukan proses skeletonisasi langkah selanjutnya adalah menentukan titik koordinat titik sudut dengan interaksi mouse pada gambar yang sudah di proses menjadi satu piksel. Koordinat poin piksel dimanfaatkan guna untuk mentukan titik besaran sudut pada segmen tubuh. Hasil dari proses citra penentuan titik koordinat sudut dapat dilihat pada Gambar 4.5. Gambar 4.5 Titik interaksi mouse Titik interaksi mouse commit to user IV-6

4.4.2 Perumusan Titik Koordinat

Setelah proses penentuan titik koordinat sudut sudah diketahui, operator tinggal memproses dengan interaksi mouse dengan cara manual, dengan menggeklik ganda mana yang akan dihitung titik besaran sudutnya pada segmen tubuh. Contoh hasil dari proses citra perumusan titik koordinat sudut dapat dilihat pada Gambar 4.6. Gambar 4.6 Proses citra perumusan titik koordinat sudut

4.4.3 Output sudut

Kemudian setelah proses perumusan titik koordinat sudut sudah diproses maka seterusnya akan muncul total output sudut. Hasil dari proses output sudut dapat dilihat pada Gambar 4.7. Klik ganda proses 3 Klik ganda proses 1 Klik ganda proses 2 commit to user IV-7 Gambar 4.7 Output sudut

4.5 GUI Graphic User Interface

GUI merupakan salah satu model interaksi antara manusia dan komputer. Selain GUI, ada juga model yang lain seperti Character User Interface CUI yang sering kita kenal dengan command line. Dari sisi kenyamanan attitude, kedua model ini memiliki fungsinya masing-masing. Dalam perancangan ini, GUI didesain sebagai berikut Pembacaan citra asli dan penampilan citra dengan cara menekan tombol run pada program matlab kemudian akan muncul program GUI yang akan diperlihatkan pada Gambar 4.8. Sebagai media disain, matlab menyediakan sebuah GUI yang dibungkus dalam fuungsi guide. Untuk menjalankan fungsi ini, tinggal mengetikan pada window matlab. commit to user IV-8 Gambar 4.8 Tampilan graphic user intrface Keteragan tampilan graphic user intrface : 1. Browse, pengaplikasian gambar yang akan diproses 2. Titik nilai sudut X, titik 4 3. Titik nilai sudut X, titik 2 4. Titik nilai sudut X, titik 1 5. Titik nilai X 6. Titik nilai Y 7. Titik nilai sudut Y, titik 5 8. Titik nilai sudut Y, titik 6 9. Titik nilai sudut Y, titik 7 10. Total nilai akhir 11. Total nilai akhir sudut 12. Selesai, aplikasi keluar 1 7 2 3 4 6 8 5 9 10 11 12 commit to user IV-9 4.6 PENGUJIAN PERANGKAT LUNAK Perangkat lunak diuji dengan menentukan besar sudut segmen tubuh berbasis pengolahan citra. Hasil pengujiannya, sebagai berikut : Hasil uji Hitung nilai sudut Lengan atas upper arm a b c d Gambar 4.9 a Citra gambar asli b Citra hasil GUI c Citra hasil Skeletonisasi GUI Matlab d Citra hasil Autocad commit to user IV-10 Hitung nilai sudut Lengan bawah lower arm a b c d Gambar 4.10 a Citra gambar asli b Citra hasil GUI c Citra hasil Skeletonisasi GUI Matlab d Citra hasil Autocad commit to user IV-11 Hitung nilai sudut Pergelangan tangan wrist a b b d Gambar 4.11 a Citra gambar asli b Citra hasil GUI c Citra hasil Skeletonisasi GUI Matlab d Citra hasil Autocad commit to user IV-12 Hitung nilai sudut Leher neck a b c d Gambar 4.12 a Citra gambar asli b Citra hasil GUI c Citra hasil Skeletonisasi GUI Matlab d Citra hasil Autocad commit to user IV-13 Hitung nilai sudut Batang tubuh trunk a b c d Gambar 4.13 a Citra gambar asli b Citra hasil GUI c Citra hasil Skeletonisasi GUI Matlab d Citra hasil Autocad commit to user IV-14 Hasil uji Hitung nilai sudut Lengan atas upper arm a b c d Gambar 4.14 a Citra gambar asli b Citra hasil GUI c Citra hasil Skeletonisasi GUI Matlab d Citra hasil Autocad commit to user IV-15 Hitung nilai sudut Lengan bawah lower arm a b c d Gambar 4.15 a Citra gambar asli b Citra hasil GUI c Citra hasil Skeletonisasi GUI Matlab d Citra hasil Autocad commit to user IV-16 Hitung nilai sudut Pergelagan tangan wrist a b c d Gambar 4.16 a Citra gambar asli b Citra hasil GUI c Citra hasil Skeletonisasi GUI Matlab d Citra hasil Autocad commit to user IV-17 Hitung nilai sudut Leher neck a b c d Gambar 4.17 a Citra gambar asli b Citra hasil GUI c Citra hasil Skeletonisasi GUI Matlab d Citra hasil Autocad commit to user IV-18 Hitung nilai sudut Batang tubuh trunk a b c d Gambar 4.18 a Citra gambar asli b Citra hasil GUI c Citra hasil Skeletonisasi GUI Matlab d Citra hasil Autocad commit to user IV-19 Tabel 4.1. Data Uji Hipotesis Lengan Atas. Untuk mencari beda dua rata-rata yang saling berhubungan, sebagai berikut: 1. Uji • hipotesis nol dan hipotesis alternatif H : µ d = µ H 1 : µ d µ atau H 1 :µ d µ • Tingkat kepercayaan α. Pada pengujian hipotesis ini tingkat kepercayaan yang digunakan adalah α = 0,05 atau tingkat kepercayaan 95. • Kriteria penerimaan Karena uji yang dilakukan adalah uji 1 pihak maka berdasarkan tabel t dengan t α2= 0,025 dan v = n - 1 = 9 didapatkan nilai t-tabel = 2,262. dengan perhitungan: = n xi ∑ = 10 96 94 ... 109 114 97 93 128 118 98 85 − + + − + − + − + − = -0,5 2 = 0,25 Uji Matlab Autocad 1 98 85 -13 169 2 128 118 -10 100 3 97 93 -4 16 4 109 114 5 25 5 124 122 -2 4 6 102 112 10 100 7 100 106 6 36 8 91 102 11 121 9 98 92 -6 36 10 96 94 -2 4 jumlah -5 611 rata2 -0,5 0,25 commit to user IV-20 Sd = 9 10 5 , 611 10 2 − − Sd = 21,9032 t = n sd d µ − t = 10 9032 , 21 5 , − − t = -0,00722 Kesimpulan Berdasarkan statistik uji didapatkan nilai t-hitung = -0,00722. Karena t-hitung lebih kecil dari t-tabel maka H diterima sehingga pada tingkat kepercayaan 0,95 diterima. Tabel 4.2. Data Uji Hipotesis Lengan Bawah. Uji Matlab Autocad 1 95 98 3 9 2 91 90 -1 1 3 86 88 2 4 4 89 88 -1 1 5 87 91 4 16 6 97 104 7 49 7 87 83 -4 16 8 94 92 -2 4 9 90 90 0 0 10 81 81 0 0 jumlah 8 64 rata2 0,8 0,64 Untuk mencari beda dua rata-rata yang saling berhubungan, sebagai berikut: 2. Uji • hipotesis nol dan hipotesis alternatif H : µ d = µ commit to user IV-21 H 1 : µ d µ atau H 1 :µ d µ • Tingkat kepercayaan α. Pada pengujian hipotesis ini tingkat kepercayaan yang digunakan adalah α = 0,05 atau tingkat kepercayaan 95. • Kriteria penerimaan Karena uji yang dilakukan adalah uji 1 pihak maka berdasarkan tabel t dengan t α2= 0,025 dan v = n - 1 = 9 didapatkan nilai t-tabel = 2,262. dengan perhitungan: = n xi ∑ = 10 81 81 ... 89 88 86 88 91 90 95 98 − + + − + − + − + − = 0,8 2 = 0,64 Sd = 9 10 8 , 64 10 2 − Sd = 22,12487 t = n sd d µ − t = 10 12487 , 22 8 , − − t = 0,011434 • Kesimpulan Berdasarkan statistik uji didapatkan nilai t-hitung = 0,011434. Karena t- hitung lebih kecil dari t-tabel maka H diterima sehingga pada tingkat kepercayaan 0,95 diterima. commit to user IV-22 Tabel 4.3. Data Uji Hipotesis Pergelangan Tangan. Uji Matlab Autocad 1 51 24 -27 729 2 32 20 -12 144 3 54 47 -7 49 4 32 35 3 9 5 51 23 -28 784 6 61 31 -30 900 7 45 50 5 25 8 60 31 -29 841 9 78 45 -33 1089 10 33 58 25 625 jumlah -133 17689 rata2 -13,3 176,89 Untuk mencari beda dua rata-rata yang saling berhubungan, sebagai berikut: 3. Uji • hipotesis nol dan hipotesis alternatif H : µ d = µ H 1 : µ d µ atau H 1 :µ d µ • Tingkat kepercayaan α. Pada pengujian hipotesis ini tingkat kepercayaan yang digunakan adalah α = 0,05 atau tingkat kepercayaan 95. • Kriteria penerimaan Karena uji yang dilakukan adalah uji 1 pihak maka berdasarkan tabel t dengan t α2= 0,025 dan v = n - 1 = 9 didapatkan nilai t-tabel = 2,262. dengan perhitungan: = n xi ∑ = 10 33 58 ... 32 35 54 47 32 20 51 24 − + + − + − + − + − commit to user IV-23 = -13,3 2 = 176,89 Sd = 9 10 3 , 013 17689 10 2 − − Sd = 28,44627 t = n sd d µ − t = 10 44627 , 28 3 , 13 − − t = -0,14785 • Kesimpulan Berdasarkan statistik uji didapatkan nilai t-hitung = -0,14785. Karena t-hitung lebih kecil dari t-tabel maka H diterima sehingga pada tingkat kepercayaan 0,95 diterima. Tabel 4.4. Data Uji Hipotesis Leher. Uji Matlab Autocad 1 36 25 -11 121 2 66 55 -11 121 3 41 49 8 64 4 30 19 -11 121 5 8 15 7 49 6 24 23 -1 1 7 50 49 -1 1 8 35 27 -8 64 9 37 37 0 0 10 35 47 12 144 jumlah -16 686 rata2 -1,6 2,56 Untuk mencari beda dua rata-rata yang saling berhubungan, sebagai berikut: commit to user IV-24 4. Uji • hipotesis nol dan hipotesis alternatif H : µ d = µ H 1 : µ d µ atau H 1 :µ d µ • Tingkat kepercayaan α. Pada pengujian hipotesis ini tingkat kepercayaan yang digunakan adalah α = 0,05 atau tingkat kepercayaan 95. • Kriteria penerimaan Karena uji yang dilakukan adalah uji 1 pihak maka berdasarkan tabel t dengan t α2= 0,025 dan v = n - 1 = 9 didapatkan nilai t-tabel = 2,262. dengan perhitungan: = n xi ∑ = 10 35 47 ... 30 19 41 49 66 55 36 25 − + + − + − + − + − = -1,6 2 = 2,56 Sd = 9 10 6 , 1 686 10 2 − − Sd = 25,68969 t = n sd d µ − t = 10 68969 , 25 6 , 1 − − t = -0,0197 commit to user IV-25 • Kesimpulan Berdasarkan statistik uji didapatkan nilai t-hitung = -0,0197 Karena t-hitung lebih kecil dari t-tabel maka H diterima sehingga pada tingkat kepercayaan 0,95 diterima. Tabel 4.5. Data Uji Hipotesis Batang Tubuh. Uji Matlab Autocad 1 42 31 ‐11 121 2 40 35 ‐5 25 3 39 43 4 16 4 39 37 ‐2 4 5 47 33 ‐14 196 6 44 39 ‐5 25 7 30 31 1 1 8 38 42 4 16 9 41 45 4 16 10 35 28 ‐7 49 jumlah ‐31 469 rata2 ‐3,1 46,9 Untuk mencari beda dua rata-rata yang saling berhubungan, sebagai berikut: 5. Uji • hipotesis nol dan hipotesis alternatif H : µ d = µ H 1 : µ d µ atau H 1 :µ d µ • Tingkat kepercayaan α. Pada pengujian hipotesis ini tingkat kepercayaan yang digunakan adalah α = 0,05 atau tingkat kepercayaan 95. • Kriteria penerimaan Karena uji yang dilakukan adalah uji 1 pihak maka berdasarkan tabel t dengan t α2= 0,025 dan v = n - 1 = 9 didapatkan nilai t-tabel = 2,262. commit to user IV-26 dengan perhitungan: = n xi ∑ = 10 35 28 ... 39 37 39 43 40 35 42 31 − + + − + − + − + − = -3,1 2 = 46,9 Sd = 9 10 1 , 3 469 10 2 − − Sd = 20 t = n sd d µ − t = 10 20 1 , 3 − − t = -0,49015 • Kesimpulan Berdasarkan statistik uji didapatkan nilai t-hitung = -0,49015 Karena t-hitung lebih kecil dari t-tabel maka H diterima sehingga pada tingkat kepercayaan 0,95 diterima. Maka hasil rekapitulasi hasil pengujian didapat hasil sebagai berikut: Tabel 4.6 Hasil pengujian Posisi t hitung Lengan atas -0,00722 Lengan bawah 0,011434 Pergelangan tangan -0,14785 Leher -0,0197 Batang tubuh -0,49015 commit to user V-1

BAB V ANALISIS DAN INTERPRETASI HASIL

Analisis hasil penelitian bertujuan menjelaskan hasil dari pengolahan data, sehingga hasil penelitian menjadi lebih jelas. Analisis dalam penelitian ini diuraikan pada sub bab berikut ini.

5.1 ANALISIS HASIL PENELITIAN

Analisis dalam hal ini meliputi analisis perangkat lunak pengolahan citra untuk pengukuran sudut pada segmen tubuh manusia. Pada pengolahan data menunjukan bahwa perangkat lunak yang dihasilkan mampu memberikan tingkat keakuratan yang tinggi. Perangkat lunak mampu mendeteksi tepian dan merubah bentuk gambar dari citra objek, untuk mengetahui sudut pada segmen tubuh manusia. Namun, untuk mendapatkan data koordinat tersebut, masih memerlukan interface manual, yaitu dengan klik mouse komputer.

5.1.1 Analisis Perangkat Lunak

Perangkat lunak dirancang sesuai dengan kebutuhan terhadap RULA yaitu untuk menentukan sudut pada segmen tubuh manusia berbasis pengolahan citra. Algorima yang digunakan dalam penelitian ini adalah deteksi tepi, skeletonisasi dan penentuan koordinat poin piksel. Pada perangkat lunak ini, memiliki beberapa kekurangan meliputi: 1. Deteksi tepi, pada penelitian ini perangkat lunak menghasilkan: Proses deteksi tepi pada perangkat lunak ini, mampu mendeteksi tepian pada tubuh manusia. Kekurangan proses ini, bila citra yang dianalisis memiliki pencahayaan yang tidak merata, maka tidak mampu mendeteksi dengan baik. 2. Skeletonsasi: Proses skeletonsasi bertujuan untuk mendapatkan kerangka dari suatu objek di dalam suatu citra objek atau disebut juga proses merubah bentuk dari citra hasil restorasi yang berbentuk deteksi tepi citra menjadi citra yang menampilkan batas-batas objek yang hanya setebal satu piksel.