persentase kesamaan garis tepinya. Segmentasi terhadap garis tepi image digital akan membagi citra ke dalam daerah intensitasnya masing-masing sehingga bisa dibedakan
antara objek gambar dan background-nya Mandalasari, 2013. Salah satu metode segmentasi citra yang dapat dimanfaatkan untuk mengelompokkan dan melakukan
pengecekan terhadap sebuah image digital adalah metode Kohonen Neural Network. Metode ini akan mengolah setiap sinyal dari image digital dan membentuk cluster-
cluster disekitar tepi-tepi gambar dihasilkan oleh proses pendeteksian garis tepi menggunakan teknik edge linking yang selanjutnya diproses untuk menghasilkan
nilai jarak antar cluster yang berdekatan. Cluster-cluster yang dibentuk akan berfungsi sebagai garis virtual pada daerah segmentasi. Garis virtual ini besar peranannya dalam
hal menghubungkan garis-garis yang terputus pada saat proses pendeteksian garis tepi sebelumnya. Hal ini akan mempengaruhi tingkat ketelitian proses pendeteksian
duplikasi image digital yang dilakukan. Dengan memberikan sebuah nilai derajat adaptasi yang diinginkan dalam
proses pendeteksian, pengguna dapat menggunakan hasil segmentasi dari metode kohonen neural network ini sebagai bahan pembanding untuk melakukan tindakan
penghapusan atau pengaturan ulang terhadap image digital tersebut di dalam media penyimpanan data. Dengan demikian, masalah duplikasi image digital yang memiliki
kesamaan bentuk gambar namun berbeda dalam hal ukuran dan nama filenya dapat diatasi, tanpa harus melakukan pengecekan satu persatu terhadap seluruh image
digital yang tersimpan di dalam media penyimpanan data.
1.2. Rumusan Masalah
Sering terjadi duplikasi terhadap image digital, dimana satu atau lebih image digital memiliki bentuk gambar yang sama, namun berbeda dalam hal ukuran dan nama file.
Untuk mendeteksi duplikasi ini secara manual satu persatu pada media penyimpanan data berkapasitas besar akan menimbulkan kesulitan karena jumlah image digital yang
banyak.
1.3. Batasan Masalah
Batasan masalah pada tugas akhir ini adalah sebagai berikut : 1.
Tidak mengolah tipe file image selain BMP.
Universitas Sumatera Utara
2. Sinyal input yang digunakan dalam metode Kohonen Neural Network Self
Organizing Map adalah hasil pendeteksian garis tepi gambar yang diperoleh menggunakan teknik edge linking.
3. Parameter perbandingan yang digunakan adalah selisih jarak standard
deviasi, klasifikasi kurtosis dan arah skewness. 4.
Hasil output pendeteksian berdasarkan kesamaan bentuk gambar, tidak sampai pada kesamaan warna.
5. Aplikasi yang akan dibuat tidak berbasis web.
6. Nilai T dan A dalam pendeteksian garis tepi yang digunakan merupakan nilai
konstan, yaitu 10 dan 0,5.
1.4. Tujuan Penelitian
Tujuan dari penelitian ini adalah membandingkan bentuk kesamaan gambar pada media penyimpanan data untuk mencari gambar yang mengalami duplikasi,
berdasarkan hasil segmentasi garis tepi gambar dengan menggunakan metode kohonen SOM.
1.5. Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan manfaat bagi penulis, pembaca dan para peneliti, sebagai berikut:
1. Dapat membantu meminimalisir terjadi duplikasi image digital yang
menyebabkan penuhnya media penyimpanan. 2.
Tugas akhir ini dapat menambah variasi, referensi dan dikembangkan dalam aplikasi segmentasi citra, khususnya yang menggunakan metode Kohonen Neural
Network Self Organizing Map.
1.6. Metodologi Penelitian Metodologi penelitian yang digunakan pada penelitian ini adalah:
a. Studi Literatur
Pada tahap studi literature, penulis mengumpulkan data referensi-referensi yang menyulur tentang permasalahan diatas. Tahapan ini ditujukan untuk mengetahui
apa yang akan dikerjakan, apa yang sudah dikerjakan oleh peneliti lain, dan
Universitas Sumatera Utara
bagaimana mereka menyelesaikannya, kemudian seberapa jauh pengembangan terhadap pengaplikasian Kohonen Neural Network Self Organizing Map ini serta
seberapa jauh yang dapat dilakukan untuk memperbaiki penelitian para peneliti lain tersebut.
b. Pengumpulan Data
Pada tahap pengumpulan data, dilakukan pengumpulan data yang mendukung dalam penyelesaian masalah yang diteliti secara sistematis.
c. Analisa dan Perancangan Sistem
Pada tahap ini, penulis akan melakukan analisa terhadap kumpulan data yang telah dilakukan pada tahapan sebelumnya, dalam penyelesaian suatu masalah
sehingga dapat merancang sebuah sistem yang akan diimplementasikan nantinya.
d. Implementasi Sistem
Pada tahap pengimplementasi sistem, penulis melakukan pengimplementasian Kohonen Neural Network Self Organizing Map kedalam aplikasi yang akan
dibuat berdasarkan pada analisa dan rancangan sebelumnya. Implementasi meliputi pembuatan sistem dalam menyelesaikan masalah yang diteliti.
e. Pengujian Sistem
Pada tahap ini, penulis melakukan pengujian terhadap system yang telah dibuat untuk mengetahui kehandalan sistem tersebut dan untuk mengetahui apakah telah
sesuai dengan yang diharapkan dalam penelitian ini.
f. Dokumentasi Sistem
Pada tahap dokumentasi sistem ini, penulis menyusun laporan terhadap sistem yang telah dibuat.
Universitas Sumatera Utara
1.7. Sistematika Penulisan Sistematika penulisan dari skripsi ini terdiri dari lima bagian utama sebagai berikut:
BAB 1 PENDAHULUAN
Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.
BAB 2: LANDASAN TEORI
Bab ini berisi teori-teori yang digunakan untuk memahami permasalahan yang dibahas pada penelitian ini. Pada bab ini dijelaskan Kohonen Neural Network, Edge Linking,
Standard Deviasi, Kurtosis, Skewness dan Knowledge tentang pendeteksian gambar melalui garis tepi.
BAB 3: ANALISIS DAN PERANCANGAN
Bab ini membahas tentang perancangan sistem dan program yang mencakup perancangan sistem dan perancangan interface. Dalam perancangan sistem
dicantumkan data flow diagram untuk mempermudah penjelasan sistem.
BAB 4: IMPLEMENTASI DAN PENGUJIAN
Bab ini berisi pembahasan tentang implementasi dari analisis dan perancangan perangkat lunak yang disusun pada Bab 3 dan pengujian terhadap sistem yang
dibangun.
BAB 5: KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dari keseluruhan uraian bab-bab sebelumnya dan saran- saran yang diajukan untuk pengembangan selanjutnya.
Universitas Sumatera Utara
BAB 2
LANDASAN TEORI
2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra
ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang telah mengalami proses digitalisasi Fahzuanta, 2010. Pada sebuah citra masing-masing
pixelnya memiliki warna tertentu, warna tersebut adalah merah Red, hijau Green dan biru Blue. Jika masing-masing warna memiliki range 0-225, maka totalnya
adalah 255
3
=16.581.378 16 k variasi warna berbeda pada gambar, dimana variasi warna ini cukup untuk gambar apapun. Karena jumlah bit yang diperlukan untuk
setiap pixel, gambar tersebut juga disebut gambar-bit warna. Kusumanto, 2011 Color image ini terdiri dari tiga matriks yang mewakili nilai-nilai merah, hijau dan
biru untuk setiap pixelnya. Misalnya diambil suatu kotak kecil dari bagian citra direpresentasikan dengan matriks berukuran 6x7, seperti terlihat pada gambar 2.1.
Gambar 2.1 Color Image Kusumanto, 2011
Universitas Sumatera Utara
2.2. Pengolahan Citra Digital Citra digital dapat didefinisikan sebagai fungsi dua variabel fx,y, dimana x dan y
adalah koordinat spasial dan nilai fx,y adalah intensitas citra pada koordinat tersebut. Hal tersebut diilustrasikan pada Gambar 2.2. Teknologi dasar untuk menciptakan dan
menampilkan warna pada citra digital, citra merupakan kombinasi dari tiga warna dasar, yaitu merah, hijau dan biru Iqbal, 2010. Komposisi warna RGB tersebut
dapat dijelaskan pada Gambar 2.2.
Gambar 2.2 Citra Digital Iqbal, 2010
Sebuah citra di konversi ke bentuk digital agar dapat disimpan dalam memori komputer atau media lain. Ketika sebuah citra sudah diubah ke dalam bentuk digital
bermacam-macam proses pengolahan citra dapat diperlakukan terhadap citra tersebut. Pengolahan citra merupakan proses untuk menghasilkan citra sesuai dengan keinginan
atau kualitasnya menjadi lebih baik. Inputannya adalah citra dan keluarannya juga citra tapi dengan kualitas lebih baik daripada citra masukan. Misal citra warnanya
kurang tajam, kabur blurring dan mengandung noise misal bintik-bintik putih sehingga perlu ada pemrosesan untuk memperbaiki citra karena citra tersebut menjadi
sulit diinterpretasikan karena informasi yang disampaikan menjadi berkurang Fahzuanta, 2010.
Universitas Sumatera Utara
2.3. Edge Linking
Secara ideal, teknik yang digunakan untuk mendeteksi diskontinuitas seharusnya hanya menghasilkan pixel-pixel yang berada pada batas region. Namun dalam
prakteknya hal ini jarang terjadi karena adanya noise, batas yang terpisah karena pencahayaan yang tidak merata, dan efek lain yang mengakibatkan variasi intensitas.
Untuk itu algoritma edge detection biasanya dilanjutkan dengan prosedur Edge Linking untuk merangkai pixel-pixel tersebut menjadi satu kesatuan sehingga
memberikan suatu informasi yang berarti Fahzuanta, 2010. Teknik yang dapat digunakan untuk Edge Linking adalah local processing,
yaitu dengan menganalisa karakteristik pixel-pixel di dalam suatu tetangga 3 x 3 atau 5 x 5 pada semua titik x,y di dalam citra yang telah mengalami edge-detection.
Selanjutnya semua titik yang sejenis dihubungkan sehingga membentuk kumpulan pixel yang memiliki sifat-sifat yang sama.
Dua sifat utama yang digunakan untuk menentukan kesamaan edge pixel dalam analisa ini adalah :
1. Besarnya respon gradien operator yang digunakan 2. Arah gradien
Sifat yang pertama dinyatakan dengan nilai ∇f yang telah dibahas sebelumnya.
Jadi suatu edge pixel dengan koordinat x’,y’ dan bertetangga dengan x,y, dikatakan
memiliki magnitude sama dengan pixel di x,y jika : dimana ∇f = vektor dan T =
threshold positif. Suatu edge pixel dengan koordinat x’,y’ dan bertetangga dengan
x,y, dikatakan memiliki sudut yang sama dengan pixel di x,y jika : di mana A = threshold sudut. Suatu titik yang menjadi tetangga dari x,y dihubungkan dengan titik
x,y jika memenuhi kedua kriteria di atas, baik magnitude maupun sudutnya. Proses linking ini diulang untuk seluruh lokasi titik yang ada di dalam citra
2.4. Kohonen Neural Network
