Analisis Threshold Untuk Mengekstraksi Jalan DarI Foto Udara

(1)

ANALISIS THRESHOLD UNTUK MENGEKSTRAKSI JALAN

DARI FOTO UDARA

SKRIPSI

MUHAMMAD IQBAL

051401026

PROGRAM STUDI S1 ILMU KOMPUTER

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2010

(2)

ANALISIS THRESHOLD UNTUK MENGEKSTRAKSI JALAN DARI FOTO UDARA

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Komputer

MUHAMMAD IQBAL 051401026

PROGRAM STUDI S1 ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

MEDAN 2010

(3)

PERSETUJUAN

Judul : ANALISIS THRESHOLD UNTUK

MENGEKSTRAKSI JALAN DARI FOTO UDARA

Kategori : SKRIPSI

Nama : MUHAMMAD IQBAL

Nomor Induk Mahasiswa : 051401026

Program Studi : SARJANA (S1) ILMU KOMPUTER

Departemen : ILMU KOMPUTER

Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN

ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA

Diluluskan di

Medan, 23 Juli 2010

Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Ir. Arman Sani, MT Syahril Efendi, S.Si, MIT

NIP. 19631128 199103 1 003 NIP. 196711101996021001

Diketahui/Disetujui oleh

Program Studi S1 Ilmu Komputer Ketua,

Prof. Dr. Muhammad Zarlis NIP. 195707011986011003

(4)

iii

PERNYATAAN

ANALISIS THRESHOLD UNTUK MENGEKSTRAKSI JALAN DARI FOTO UDARA

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Juli 2010

MUHAMMAD IQBAL 051401026

(5)

PENGHARGAAN

Alhamdulillah, puji syukur saya panjatkan kehadirat Allah SWT, yang telah memberikan rahmat dan hidayah-Nya serta segala sesuatunya dalam hidup, sehingga saya dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, Program Studi S1 Ilmu Komputer Universitas Sumatera Utara.

Ucapan terima kasih yang sebesar – besarnya saya sampaikan kepada Bapak Syahril Efendi, S.Si. MIT selaku Dosen Pembimbing I dan Bapak Ir. Arman Sani, MT sebagai Dosen Pembimbing II yang telah memberikan bimbingan, saran, dan masukan kepada saya untuk enyempurnakan skripsi ini. Selanjutnya kepada para Dosen Penguji Bapak Syahriol Sitorus, S.Si, MIT dan Bapak M. Andri Budiman, ST, McompSc, MEM atas saran dan kritikan yang sangat berguna bagi saya. Ucapan terima kasih juga ditujukan kepada Ketua dan Sekretaris Program Studi S1 Ilmu Komputer, Bapak Prof. Dr. Muhammad Zarlis dan Bapak Syariol Sitorus, S.Si,MIT, Dekan dan Pembantu Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara, semua dosen Program Studi S1 Ilmu Komputer FMIPA USU, dan pegawai di FMIPA USU.

Skripsi ini penulis persembahkan untuk kedua orang tua penulis yang telah memberikan segalanya baik moril maupun materil yang tidak terbalaskan kepada penulis selama menyelesaikan skripsi ini. Dan juga untuk abang, kakak dan adik penulis Joni, Herri, Irfan, Reni, dan Anis yang selalu memfasilitasi dan memotivasi penulis dalam menyelesaikan skripsi ini. Dan juga untuk keluarga angkat penulis Wak Yul, Wak Adi, Kak Inun dan Dicky yang selalu memotifasi dan memberi tempat tinggal untuk penulis. Tak lupa kepada seluruh pegawai Bappeda Kab. Pidie Jaya yang telah banyak memberi izin dan dukungan kepada penulis selama menyelesaikan skripsi ini. Dan untuk sahabat penulis Ridho, Ikhsan, Delan, Nandar, Adi, Vera, Kak Ai dan seluruh teman-teman angkatan 2005 dan Imilkom yang selalu berusaha menjadi sahabat terbaik dan tidak mudah putus asa. Terima kasih yang sangat khusus penulis tujukan kepada kekasih penulis Conie Georgina dan keluarganya yang selalu mengingatkan dan memotivasi penulis dalam menyelesaikan skripsi ini. Terima kasih pula kepada semua pihak – pihak yang tidak dapat penulis sebutkan satu persatu namanya, terima kasih atas ide, saran dan kerjasama yang baik.

Saya menyadari bahwa skripsi ini masih jauh dari kesempurnaan, karena kesempurnaan hanya milik Allah. Oleh karena itu saya menerima saran dan kritik yang bersifat membangun demi kesempurnaan skripsi ini. Sehingga dapat bermanfaat bagi kita semuanya.

(6)

ABSTRAK

Jalan merupakan salah satu sarana transportasi darat yang penting untuk menghubungkan berbagai tempat seperti pusat industri, lahan pertanian, pemukiman, serta sebagai sarana distribusi barang dan jasa untuk menunjang perekonomian. Metode threshold digunakan untuk mengatasi masalah dalam hal mengekstraksi jalan dari foto udara, dimana metode threshold digunakan untuk membedakan derajat keabuan pada citra grayscale dan mengubahnya ke citra biner, sedangkan untuk mereduksi noise digunakan operasi morfologi. Dalam tugas ini software yang digunakan adalah Matlab R2008b. Hasil analisis yang diperoleh dari penerapan metode threshold adalah jalan terekstraksi dengan baik dan memiliki sedikit derau apabila jalan berada disekitar persawahan, sungai dan tambak, tetapi jalan tidak terekstraksi dengan baik dan memiliki banyak derau apabila ada objek-objek lain yang menutupi badan jalan sehingga berubahnya nilai derajat keabuan pada jalan.

(7)

ANALYSIS OF THRESHOLD FOR EXTRACTING ROAD FROM AERIAL IMAGE

ABSTRACT

Road is one important means of land transportation for connecting various places such as industrial centers, agricultural land, settlement, and as a means of distributing goods and services to support the economy. Threshold method is used to solve the problem in terms of extracting roads from aerial images, where the threshold method is used to distinguish the degree of gray on the grayscale image and convert to binary image, while reducing noise used morphological operations. In this task, the software used was Matlab R2008b. Analysis results obtained from application of the threshold method is the way of extraction well and have a little noise when the roads were around the rice fields, rivers and ponds, but extracted road is not well and has a lot of noise when there are other objects that covered the road so that the change in value the degree of gray on the road.

(8)

DAFTAR ISI

Halaman

Persetujuan ii

Pernyataan iii

Penghargaan iv

Abstrak v

Abstract vi

Daftar Isi vii

Daftar Tabel ix

Daftar Gambar x

Bab 1 Pendahuluan 1

1.1 Latar Belakang 1

1.2 Rumusan Masalah 3

1.3 Batasan Masalah 3

1.4 Tujuan Penelitian 4

1.5 Manfaat Penelitian 4

1.6 Metodologi Penelitian 4

1.7 Sistematika Penulisan 5

Bab 2 Landasan Teori 7

2.1 Pengolahan Citra Digital 7

2.2 Operasi Pengolahan Citra Digital 8

2.3 Ekstraksi Jalan 10

2.4 Multi-Threshold 11

2.5 Grayscale 12

2.6 Morphology 12

2.7 Deteksi Tepi 14

2.7.1 Deteksi Tepi Unsur pada Citra 14

2.7.2 Deteksi Tepi Canny 15

2.8 Transformasi 19

2.8.1 Transformasi Radon 19

2.8.2 Transformasi Radon Invers 22

Bab 3 Data dan Perancangan Aplikasi 26

3.1 Data 26

3.2 Rancangan Aplikasi 26

3.2.1 Data Flow Diagram (DFD) 27

3.2.2 Flowchart 28

3.2.3 Rancangan Tampilan 34

Bab 4 Implementasi, Hasil Uji Coba dan Analisis 35

(9)

4.2 Tampilan Pembuka 35

4.3 Hasil Uji Coba 39

4.4 Analisis 52

Bab 5 Kesimpulan dan Saran 53

5.1 Kesimpuan 53

5.2 Saran 54

(10)

DAFTAR TABEL

Halaman

Tabel 3.1 Deskripsi Data Citra 26

Tabel 3.2 Simbol-simbol dari Flowchart 28

Tabel 4.1 Spesifikasi Perangkat Lunak dan Perangkat Keras 35

Tabel 4.2 Waktu proses dan hasil ekstraksi aplikasi analisis threshold untuk

(11)

DAFTAR GAMBAR

Halaman

Gambar 2.1 Citra Digital 7

Gambar 2.2 Komposisi Warna RGB 8

Gambar 2.3 Contoh Citra Hasil Penerapan Mathematical Morphology 13

Gambar 2.4 Matriks Template Pendeteksi Tepi 14

Gambar 2.5 Gambar Proses Konvolusi 14

Gambar 2.6 Contoh Hasil Deteksi Tepi Prewitt 15

Gambar 2.7 Citra dengan derau dan tekstur dan hasil deteksi tepi Prewittnya 15

Gambar 2.8 Matriks template dari filter Gaussian 16

Gambar 2.9 Hasil deteksi tepi pada citra terfilter 17

Gambar 2.10 Jarak Euclides pada satu piksel dengan piksel sekitarnya 18

Gambar 2.11 Contoh proses thinning 18

Gambar 2.12 Contoh proses deteksi tepi Canny 19

Gambar 2.13 Ilustrasi transformasi Radon dalam koordinat asal kartesian 20

Gambar 2.14 Ilustrasi transformasi Radon dalam koordinat asal polar 20

Gambar 2.15 Hasil transformasi Radon pada citra irisan kepala 21

Gambar 2.16 Skema transformasi Radon Invers 22

Gambar 2.17 Skema transformasi Radon Invers, apabila unblur filtering

dilakukan terhadap sinyal satu dimensi 22

Gambar 2.18 Teorema (Irisan) - Proyeksi 23

Gambar 2.19 Ilustrasi operasi backprojektion 24

Gambar 2.20 Hasil transformasi Radon Invers (citra irisan kepala) 25

Gambar 3.1 Diagram Konteks 27

Gambar 3.2 Flowchart aplikasi analisis multi-threshold untuk mengekstraksi

jalan dari foto udara 29

Gambar 3.3 Foto Udara 30

Gambar 3.4 Pengubahan Citra RGB ke citra grayscale 30

Gambar 3.5 Pengubahan citra grayscale ke citra biner dengan nilai threshold

180 – 200 31

Gambar 3.6 Operasi morfology pada citra biner 31

Gambar 3.7 Hasil deteksi tepi metode Canny terhadap citra jalan 32

Gambar 3.8 Hasil transformasi Hough 32

Gambar 3.9 Hasil penghilangan derau dengan metode filter median 33

Gambar 3.10 Rancangan tampilan aplikasi analisis multi-threshold untuk

mengekstraksi jalan dari foto udara 34

Gambar 4.1 Tampilan „Desktop’ Matlab 36

Gambar 4.2 Tampilan aplikasi analisis multi-threshold untuk mengekstraksi

jalan dari foto udara 36

Gambar 4.3 Tampilan jika tombol „Open File‟ di klik 37

Gambar 4.4 Tampilan aplikasi setelah foto udara dipilih 38

Gambar 4.5 Tampilan aplikasi setelah tombol „Proses‟ di klik 38

Gambar 4.6 Tampilan aplikasi setelah citra perbandingan dipilih 39

Gambar 4.7 Hasil uji coba foto udara dengan nama file “1.jpg” 40

Gambar 4.8 Hasil uji coba foto udara dengan nama file “2.jpg” 40

(12)

Gambar 4.10 Hasil uji coba foto udara dengan nama file “4.jpg” 41

Gambar 4.11 Hasil uji coba foto udara dengan nama file “5.jpg” 42

Gambar 4.12 Hasil uji coba foto udara dengan nama file “6.jpg” 42

Gambar 4.13 Hasil uji coba foto udara dengan nama file “7.jpg” 43

Gambar 4.14 Hasil uji coba foto udara dengan nama file “8.jpg” 43

Gambar 4.15 Hasil uji coba foto udara dengan nama file “9.jpg” 44

Gambar 4.16 Hasil uji coba foto udara dengan nama file “10.jpg” 44

Gambar 4.17 Hasil uji coba foto udara dengan nama file “11.jpg” 45

Gambar 4.18 Hasil uji coba foto udara dengan nama file “12.jpg” 45

Gambar 4.19 Hasil uji coba foto udara dengan nama file “13.jpg” 46

Gambar 4.20 Hasil uji coba foto udara dengan nama file “14.jpg” 46

Gambar 4.21 Hasil uji coba foto udara dengan nama file “15.jpg” 47

Gambar 4.22 Hasil uji coba foto udara dengan nama file “16.jpg” 47

Gambar 4.23 Hasil uji coba foto udara dengan nama file “17.jpg” 48

Gambar 4.24 Hasil uji coba foto udara dengan nama file “18.jpg” 48

Gambar 4.25 Hasil uji coba foto udara dengan nama file “19.jpg” 49

Gambar 4.26 Hasil uji coba foto udara dengan nama file “20.jpg” 49

Gambar 4.27 Hasil uji coba foto udara dengan nama file “21.jpg” 50

Gambar 4.28 Hasil uji coba foto udara dengan nama file “22.jpg” 50

Gambar 4.29 Hasil uji coba foto udara dengan ukuran citra 256x256 piksel/inchi 51 Gambar 4.30 Hasil uji coba foto udara dengan ukuran citra 128x128 piksel/inchi 51

(13)

ABSTRAK

(14)

ANALYSIS OF THRESHOLD FOR EXTRACTING ROAD FROM AERIAL IMAGE

ABSTRACT

(15)

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Jalan merupakan salah satu sarana transportasi darat yang penting untuk menghubungkan berbagai tempat seperti pusat industri, lahan pertanian, pemukiman, serta sebagai sarana distribusi barang dan jasa untuk menunjang perekonomian. Jalan juga berfungsi sebagai pembatas (delineator) antar lokasi seperti blok bangunan, wilayah administrasi dan peruntukan lahan.

Peranan jalan di atas terkait dengan berbagai pekerjaan seperti manajemen transportasi, tata guna lahan, pembentukan wilayah administrasi baru dan juga mitigasi bencana dimana dalam pelaksanaannya, diperlukan data jaringan jalan dalam bentuk peta jalan yang merupakan salah satu data dasar dari infrastruktur data spasial.

Menurut fungsinya, jalan umum dikelompokkan kedalam:

(wikipedia.org)

1. Jalan arteri merupakan jalan umum yang berfungsi melayani angkutan utama dengan ciri perjalanan jarak jauh, kecepatan rata-rata tinggi dan jumlah jalan masuk dibatasi secara berdaya guna.

2. Jalan kolektor merupakan jalan umum yang berfungsi melayani angkutan pengumpul atau pembagi dengan ciri perjalanan jarak sedang, kecepatan rata-rata sedang dan jumlah jalan masuk dibatasi.

3. Jalan lokal merupakan jalan umum yang berfungsi melayani angkutan setempat dengan ciri perjalanan jarak dekat, kecepatan rata-rata rendah dan jumlah jalan masuk tidak dibatasi.

(16)

4.

Jalan lingkungan merupakan jalan umum yang berfungsi melayani angkutan lingkungan dengan ciri perjalanan jarak dekat dan kecepatan rata-rata rendah.

Penginderaan jauh (inderaja) adalah suatu ilmu yang digunakan untuk memperoleh informasi suatu daerah atau obyek yang diinginkan dengan analisis data yang diperoleh dengan menggunakan media/alat tanpa kontak langsung dengan daerah atau obyek tersebut. Penginderaan jauh merupakan bagian dari bidang ilmu geografi dan dasar dari Sain Informasi Geografi, yang berkaitan dengan interpretasi citra non-foto dan citra foto. Citra non-foto adalah sebuah gambar yang dicetak dari hasil perekaman dengan bantuan alat seperti satelit dengan hasil perekaman secara parsial, contohnya adalah citra dari satelit Landsat. Sedangkan, citra foto adalah sebuah gambar yang dicetak dari hasil pemotretan dengan kamera dengan perekaman secara fotografi, contohnya adalah foto udara.

Foto udara biasanya dikelompokkan menjadi foto udara tegak dan foto udara condong. Foto udara tegak dibuat dengan sumbu kamera sedapat mungkin tegak lurus. Foto udara yang dibuat dengan kerangka kamera berlensa tunggal merupakan jenis foto udara yang paling umum digunakan pada berbagai penerapan penginderaan jauh. Akan tetapi foto udara yang betul-betul tegak jarang dapat diperoleh karena adanya rotasi kesudutan pesawat terbang saat pemotretan. Kesendengan yang tidak dapat dihindari ini menyebabkan inklinasi

kecil (10-30) sumbu optik kamera yang tidak dikehendaki dan menghasilkan foto

udara sendeng (titled photographs).

Definisi citra menurut kamus Webster adalah suatu representasi, kemiripan atau imitasi dari suatu obyek atau benda. Sebuah citra mengandung informasi tentang obyek yang direpresentasikan. Citra dapat dikelompokkan menjadi citra tampak dan citra tak tampak. Untuk dapat dilihat mata manusia, citra tak tampak harus dirubah menjadi citra tampak, misalnya dengan menampilkannya di monitor, dicetak di kertas dan sebagainya. Salah satu contoh citra tak tampak a

Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi, atau bersifat digital yang dapat langsung disimpan pada suatu

(17)

pita magnetik. Citra digital merupakan suatu larik dua dimensi atau suatu matriks yang elemen-elemennya menyatakan tingkat keabuan dari elemen gambar. Jadi informasi yang terkandung bersifat diskret. Citra digital tidak selalu merupakan hasil langsung data rekaman suatu sistem. Kadang-kadang hasil rekaman data bersifat kontinu seperti gambar pada monitor televisi, foto sinar-X dan lain sebagainya. Dengan demikian untuk mendapatkan suatu citra digital diperlukan suatu proses konversi, sehingga citra tersebut selanjutnya dapat diproses dengan komputer. Oleh sebab itu penulis mencoba menggunakan metode threshold dalam mengekstraksi jalan dari foto udara.

1.2 Rumusan masalah

Adapun rumusan masalah ini adalah:

1. Bagaimana membuat aplikasi untuk mengekstraksi jalan dari foto udara?

2. Apa kesulitan yang dihadapi dalam mengekstraksi jalan dari foto udara?

3. Berapa besar nilai threshold yang harus diterapkan pada foto udara agar

hasil yang diperoleh akurat?

1.3 Batasan Masalah

Agar pembahasan penelitian ini tidak menyimpang dari apa yang telah dirumuskan, maka diperlukan batasan-batasan. Batasan-batasan dalam penelitian ini adalah:

1. Pembuatan aplikasi ini dilakukan dengan bahasa pemrograman Matlab R2008.

2. Jalan yang diekstraksi adalah jalan yang mempunyai lebar minimal 1 meter.

3. Jembatan juga dianggap jalan.

4. Foto Udara yang digunakan adalah Foto Udara Kabupaten Pidie Jaya tahun 2005 dengan skala 1 : 1000.

5. Hasil analisis akan dibandingkan dengan hasil yang dikerjakan dengan software ArcGis.

(18)

1.4 Tujuan Penelitian

Adapun tujuan penelitian ini adalah: 1. Menganalisis metode threshold.

2. Membuat aplikasi untuk mengekstraksi jalan dari foto udara.

3. Membandingkan hasil ekstraksi dengan hasil yang dikerjakan software pembanding, misalnya ArcGis.

1.5 Manfaat Penelitian

Adapun manfaat dari penelitian ini adalah:

1. Membantu operator Sistem Informasi geografis dalam mengekstraksi jalan.

2. Memperkaya literatur tentang pengolahan citra digital.

1.6 Metode Penelitian

Penelitian ini dilakukan dengan beberapa tahapan, antara lain:

1. Studi Literatur

Pengumpulan bahan-bahan referensi yang meliputi referensi

pengolahan citra, ekstraksi jalan, Threshold, referensi pemograman Matlab dan beberapa referensi lainnya untuk menunjang pencapaian tujuan tugas akhir.

2. Analisis

Pada tahap ini akan dilakukan analisis kinerja metode Threshold dalam pengolahan citra pada kasus ekstraksi jalan dari foto udara.

3. Perancangan

Pada tahap ini dilakukan pembuatan diagram konteks, DFD, perancangan data, perancangan antarmuka dan perancangan prosedural sistem.

(19)

4. Pengkodean

Pada tahap ini sistem yang telah dirancang kemudian

diimplementasikan ke dalam bahasa pemrograman.

5. Pengujian

Pada tahap ini dilakukan pengujian program dan mencari kesalahan pada program hingga program itu dapat berjalan seperti yang diharapkan.

6. Penyusunan Laporan

Menyusun laporan hasil analisis dan perancangan ke dalam format penulisan skripsi.

1.7 Sistematika Penulisan

BAB 1 : PENDAHULUAN

Bab ini akan menjelaskan mengenai latar belakang pemilihan judul, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian dan sistematika penulisan.

BAB 2 : LANDASAN TEORI

Pada bab ini dibahas mengenai teori-teori yang mendukung pembahasan bab selanjutnya. Teori-teori tentang pengolahan citra, citra grayscale, metode threshold, operasi morfologi, transformasi dan penghilangan derau.

BAB 3 : DATA DAN PERANCANGAN APLIKASI

Pada bab ini dibahas mengenai data, DFD, Flowchart, serta rancangan desain antarmuka aplikasi yang akan dibuat.

BAB 4 : IMPLEMENTASI, HASIL UJI COBA, DAN ANALISIS

Bab ini menjelaskan tentang cara pemakaian aplikasi, hasil uji coba terhadap data, dan analisis hasil uji coba.

(20)

BAB 5 : PENUTUP

Bab terakhir akan memuat kesimpulan isi dari keseluruhan uraian bab-bab sebelumnya dan saran-saran dari hasil yang diperoleh yang diharapkan dapat bermanfaat dalam pengembangan selanjutnya.

(21)

BAB 2

LANDASAN TEORI

2.1 Pengolahan Citra Digital

Citra digital dapat didefinisikan sebagai fungsi dua variabel, f(x,y), dimana x dan y adalah koordinat spasial dan nilai f(x,y) adalah intensitas citra pada koordinat tersebut, hal tersebut diilustrasikan pada Gambar 2.1. Teknologi dasar untuk menciptakan dan menampilkan warna pada citra digital berdasarkan pada penelitian bahwa sebuah warna merupakan kombinasi dari tiga warna dasar, yaitu merah, hijau dan biru (Red, Green, Blue - RGB). Komposisi warna RGB tersebut dapat dijelaskan pada Gambar 2.2.

f(x1,y1)

Gambar 2.1 Citra Digital

Sebuah citra diubah ke bentuk digital agar dapat disimpan dalam memori komputer atau media lain. Proses mengubah citra ke bentuk digital bisa dilakukan dengan beberapa perangkat, misalnya scanner, kamera digital dan handycam. Ketika sebuah citra sudah diubah ke dalam bentuk digital (selanjutnya disebut citra digital), bermacam-macam proses pengolahan citra dapat diperlakukan terhadap citra tersebut.

(22)

Komposisi Warna RGB

Komponen Merah (Red)

Komponen Hijau (Green)

Komponen Biru (Blue)

Gambar 2.2 Komposisi Warna RGB

2.2 Operasi Pengolahan Citra Digital

Operasi-operasi yang dilakukan di dalam pengolahan citra banyak ragamnya. Namun, secara umum, operasi pengolahan citra dapat diklasifikasikan dalam beberapa jenis sebagai berikut:

1. Perbaikan kualitas citra (image enhancement).

Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan cara

memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri

khusus yang terdapat di dalam citra lebih ditonjolkan.Contoh-contoh operasi perbaikan citra:

a. perbaikan kontras gelap/terang

b. perbaikan tepian objek (edge enhancement) c. penajaman (sharpening)

d. pembrian warna semu (pseudocoloring) e. penapisan derau (noise filtering)

(23)

2. Pemugaran citra (image restoration).

Operasi ini bertujuan menghilangkan/ meminimumkan cacat pada

citra. Tujuan pemugaran citra hampir sama dengan operasi perbaikan citra. Bedanya, pada pemugaran citra penyebab degradasi gambar diketahui.

Contoh-contoh operasi pemugaran citra: a. penghilangan kesamaran (deblurring). b. penghilangan derau (noise)

3. Pemampatan citra (image compression).

Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting yang harus diperhatikan dalam pemampatan adalah citra yang telah dimampatkan harus tetap mempunyai kualitas gambar yang bagus. Contoh metode pemampatan citra adalah metode JPEG.

4. Segmentasi citra (image segmentation).

Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam

beberapa segmen dengan suatu kriteria tertentu. Jenis operasi ini berkaitan erat dengan pengenalan pola.

5. Pengorakan citra (image analysis)

Jenis operasi ini bertujuan menghitung besaran kuantitif dari citra untuk menghasilkan deskripsinya. Teknik pengorakan citra mengekstraksi ciri-

ciri tertentu yang membantu dalam identifikasi objek. Proses

segmentasi kadangkala diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya.

Contoh-contoh operasi pengorakan citra:

a. Pendeteksian tepi objek (edge detection) b. Ekstraksi batas (boundary)

(24)

6. Rekonstruksi citra (image reconstruction)

Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam bidang medis. Misalnya beberapa foto rontgen dengan sinar X digunakan untuk membentuk ulang gambar organ tubuh.

2.3 Ekstraksi Jalan

Ekstraksi adalah proses pemisahan suatu zat berdasarkan perbedaan kelarutannya (wikipedia.org). Ekstraksi jalan dari foto udara adalah proses pemisahan jalan dari foto udara dengan objek-objek lain yang terdapat dalam foto udara berdasarkan perbedaan warna atau nilai intensitasnya.

Proses ekstraksi unsur jalan pada citra inderaja dikembangkan

berdasarkan beberapa karakteristik fotometrik dan geometrik yang diantaranya adalah [Zhao et al, 2002]:

1. Batas jalan nampak dengan jelas 2. Lebar jalan berubah perlahan;

3. Jalan membentuk garis lurus yang sejajar; 4. Arah jalan berubah perlahan;

5. Jalan nampak sebagai area homogen memanjang.

Menurut [Baumgartner, et. Al., 1999], karakteristik di atas adalah sudut pandang terhadap jalan dilihat dari dari level real world. Karakteristik tersebut

kemudian dijadikan model jalan yang beberapa definisinya pada level citra

adalah piksel yang memiliki karakteristik sebagai berikut:

1. Kelompok piksel homogen yang memiliki perbedaan cukup tajam dengan objek disekitarnya;

2. Perubahan jarak antara titik piksel pusat jalan dengan piksel tepi jalan kecil;

3. Garis tepi tidak bercabang;

4. Untaian piksel membentuk kurva dengan perubahan arah perlahan; 5. Untaian piksel jalan cenderung memanjang.

(25)

2.4 Threshold

Thresholding merupakan salah satu teknik segmentasi yang baik digunakan untuk citra dengan perbedaan nilai intensitas yang signifikan antara latar belakang dan objek utama (Katz,2000). Dalam pelaksanaannya Thresholding membutuhkan suatu nilai yang digunakan sebagai nilai pembatas antara objek utama dengan latar belakang, dan nilai tersebut dinamakan dengan threshold.

Thresholding digunakan untuk mempartisi citra dengan mengatur nilai intensitas semua piksel yang lebih besar dari nilai threshold T sebagai latar depan dan yang lebih kecil dari nilai threshold T sebagai latar belakang. Biasanya pengaturan nilai threshold dilakukan berdasarkan histogram grayscale (Gonzales dan Woods, 2002; Fisher, dkk, 2003; Xiaoyi dan Mojon, 2003).

Dalam menentukan nilai threshold T secara adaptif, Fisher dkk (2003) menyarankan untuk menggunakan atribut-atribut statistik seperti yang terdapat pada persamaan (2.1), (2.2) dan (2.3). Atribut-atribut statistik tersebut diaplikasikan terhadap distribusi nilai intensitas.

Fungsi untuk distribusi nilai rata-rata,

(2.1)

nilai tengah,

atau rata-rata dari nilai minimum dan maksimum,

(2.2)

(2.3)

Untuk kasus yang dihadapi oleh Fisher, dkk (2003) hanya butuh satu nilai T. Sementara pada kasus segmentasi objek yang membutuh dua nilai T atau lebih, maka disebut dengan Multiple Threshold (Gonzales dan Woods, 2002).

(26)

2.5 Grayscale

Citra grayscale adalah citra yang hanya menggunakan warna pada tingkatan warna abu-abu. Warna abu-abu adalah satu-satunya warna pada ruang RGB dengan komponen merah, hijau dan biru mempunyai intensitas yang sama. Pada citra beraras keabuan hanya perlu menyatakan nilai intensitas untuk tiap piksel sebagai nilai tunggal, sedangkan pada citra berwarna perlu tiga nilai intensitas untuk tiap pikselnya.

Untuk mengubah citra berwarna yang mempunyai nilai matrik masing-masing r, g dan b menjadi citra grayscale dengan nilai s, maka konversi dapat dilakukan dengan mengambil rata-rata dari nilai r, g dan b sehingga dapat dituliskan menjadi:

(2.4)

2.6 Morfology

Morfology mempunyai dua operator dasar, yaitu Dilasi (dilation) dan Erosi (erosion) yang biasa digunakan untuk mengekstrak komponen yang diinginkan dalam sebuah citra. Berdasarkan dua operator tersebut, dapat diturunkan dua operator lainnya yang berguna untuk menghaluskan batas subinterval komponen yang telah diekstrak, yaitu Pembukaan (opening) dan Penutupan (closing) (Gonzales dan Woods, 2002, Wang dan Jin, 2005). Contoh citra hasil penerapan mathematical morfology dapat dilihat pada Gambar 2.3.

(27)

Z Z

Gambar 2.3 Contoh Citra Hasil Penerapan Mathematical Morfology

Sumber : Gonzales dan Woods, 2002

Dalam penggunaannya, Morfology selalu melibatkan sebuah citra dengan komponen I dan elemen penyusun E. Operator-operator Morfology tersebut adalah sebagai berikut (Gonzales dan Woods, 2002):

Dilasi : I ⊕ E = {z | (Eˆ ) ∩ I ≠φ} (2.5)

Erosi : I Θ E = {z | (E) Z ⊆ I} (2.6)

Opening : I  E = (I Θ E) ⊕ E (2.7)

Closing : I • E = (I ⊕ E) Θ E (2.8)

(E)Z merupakan translasi dari komponen I terhadap titik z, sedangkan (Eˆ ) adalah

refleksinya. Dilasi digunakan untuk memperbesar komponen yang diinginkan dengan cara menambahkan seluruh tepinya dengan elemen penyusun E. Erosi digunakan untuk mengikis komponen yang diinginkan dengan cara mengurangi seluruh tepinya dengan elemen penyusun E.

(28)

1 0 -1 1 0 -1 1 0 -1

1 1 1

0 0 0

-1 -1 -1

1 0 -1 2 0 -2 1 0 -1

1 2 1

0 0 0

-1 -2 -1

0 1

-1 0

2.7 Deteksi Tepi

2.7.1 Deteksi Tepi Unsur pada Citra

Keberadaan tepi unsur ditandai dengan tingginya perubahan nilai piksel atau kontras [Nixon dan Aguado, 2002]. Tepi unsur pada citra dideteksi dengan operator deteksi (detektor) tepi diantaranya berupa matriks template berukuran tertentu, seperti pendeteksi tepi Robert (terdiri dari matriks detektor tepi diagonal M- dan M+) serta pendeteksi tepi Prewitt dan Sobel (keduanya terdiri dari matriks template vertikal, Mx dan horisontal, My) seperti ditunjukkan Gambar 2.4.

M- M+ Mx My Mx My

1 0

0 -1

Robert Prewitt Sobel

Gambar 2.4 Matriks Template Pendeteksi Tepi

(Sumber : Nixon dan Aguado, 2002)

Dalam mendeteksi tepi, dilakukan perkalian elementer antara matriks template pada Gambar 2.4 di atas dengan kelompok piksel pada citra input. Pada hasil

perkalian yang diperoleh, nilai setiap elemen dijumlahkan dan dijadikan nilai

dari elemen matriks hasil konvolusi [Nixon dan Aguado, 2002]. Lihat Gambar 2.5.

Gambar 2.5 Gambar proses konvolusi (Sumber : Nixon dan Aguado, 2002)

Deteksi tepi dengan metode Prewitt pada suatu citra biner berukuran 8x8 piksel (Gambar 2.6(a)), akan menghasilkan citra konvolusi vertikal (Gambar 2.6(b)) dan

(29)

citra konvolusi horizontal (Gambar 2.6(c)), citra hasil deteksi tepi keseluruhan seperti ditunjukkan Gambar 2.6(d).

Gambar 2.6 Contoh Hasil Deteksi Tepi Prewitt (Sumber : Nixon dan Aguado, 2002)

Keterangan Gambar:

(a) Citra Asli (b) Hasil deteksi tepi horizontal (My)

2.7.2 Deteksi Tepi Canny

Deteksi tepi dengan operator-operator pada 2.7.1 masih memiliki kelemahan, diantaranya pada satu perubahan nilai piksel akan diperoleh banyak piksel tepi seperti ditunjukkan pada Gambar 2.6(d). Disamping itu, derau dan tekstur yang memiliki variasi nilai piksel yang cukup tinggi (tekstur kasar) pada suatu citra dapat juga terdeteksi sebagai tepi. Sebagai contoh, pada deteksi tepi dengan metode Prewitt, derau pada Gambar 2.7(a) terdeteksi sebagai piksel tepi. Lihat Gambar 2.7(b)

Gambar 2.7 Citra dengan derau dan tekstur dan hasil deteksi tepi Prewittnya

(30)

Upaya perbaikan terhadap hasil deteksi tepi telah banyak diteliti orang dengan mengembangkan berbagai metode. Salah satu metode yang dikenal secara luas adalah deteksi tepi metode Canny yang memiliki kriteria sebagai berikut [Nixon dan Aguado, 2002]:

• Deteksi tepi optimal tanpa adanya kesalahan deteksi;

• Lokalisasi yang baik dengan jarak minimal antara tepi terdeteksi dengan

posisi tepi sebenarnya;

• Respon tunggal terhadap tepi unsur.

Untuk mengakomodasi kriteria-kriteria tersebut di atas, [Canny,1986] menambahkan pula prosedur-prosedur perbaikan sebelum dan sesudah pendeteksian tepi (pre dan post processing) agar hasil deteksi tepi yang diperoleh menjadi lebih baik. Pre dan post processing yang dilakukan pada deteksi tepi metode Canny menyangkut [Nixon dan Aguado, 2002]:

• Smoothing (preprocessing);

• Non maximum suppresion (post-processing);

• Hysteresis thresholding (post-processing).

Proses smoothing dilakukan untuk menghilangkan derau dan menurunkan pengaruh tekstur pada citra sehingga diperoleh hasil deteksi yang lebih baik. Pada metode Canny, digunakan filter gaussian dalam bentuk matriks template yang merupakan bobot (weight) dalam perhitungan nilai rata-rata suatu kelompok piksel pada citra input yang diantaranya berukuran 3x3. Lihat Gambar 2.8.

0.37 0.61 0.37 0.61 1 0.61 0.37 0.61 0.37

Gambar 2.8 Matriks template dari filter Gaussian

Nilai matriks template pada Gambar 2.8 tersebut di atas diperoleh dari persamaan (2.8) yang merupakan fungsi sebaran normal gauss g pada koordinat x,

y dimana besarnya nilai elemen matriks template ditentukan oleh nilai σ2

[Nixon dan aguado, 2002].

(31)

Sebagai contoh, penerapan filtering Gaussian pada Gambar 2.7(a) akan menghasilkan citra terfilter yang ditunjukkan oleh Gambar 2.9(a). Pada hasil deteksi tepi dengan metode Prewitt pada citra terfilter tersebut (Gambar 2.9(b)), nampak bahwa sebagian derau yang terdeteksi sebagai tepi berkurang.

Gambar 2.9 Hasil deteksi tepi pada citra terfilter

Proses Non Maximum Suppression yang mirip dengan proses thinning (perampingan) dilakukan untuk menentukan piksel tepi dengan posisi paling mendekati lokasi terjadinya perubahan nilai piksel diantara banyaknya piksel tepi yang terdeteksi. Dimana pada umumnya, perubahan nilai piksel berada pada pusat kumpulan piksel tepi [Nixon dan Aguado, 2002]. Sebagai contoh nampak pada Gambar 2.6(d), sebagian diantara piksel-piksel tepi perlu dihilangkan karena perubahan nilai piksel pada citra input (Gambar 2.6(a)), hanya pada batas antara piksel hitam dan piksel putih saja.

Penentuan pusat kumpulan piksel tepi diantaranya dengan penghitungan jarak Euclides antara setiap piksel tepi p(x,y) ke piksel bukan tepi q(s,t) yang memiliki bentuk persamaan (2.9).

(2.10)

Dimana piksel pada pusat suatu kumpulan piksel akan memiliki jarak ke piksel tepi terjauh. Disamping itu, jarak Euclides pada sumbu vertikal dan horisontal memiliki nilai yang sama dengan selisih koordinat pikselnya. Lihat Gambar 2.10

(32)

Gambar 2.10 Jarak Euclides pada satu piksel dengan piksel sekitarnya

Keterangan Gambar :

(a) Jarak elementer (baris, kolom) dari pusat kelompok piksel (b) Jarak Euklides dari pusat kelompok piksel

Sebagai contoh, jarak Euclides antara piksel-piksel tepi (hitam) ke piksel

bukan tepi (putih) pada suatu citra tepi biner (Gambar 2.11(a)) akan

menghasilkan besaran jarak-jarak Euclides (Gambar 2.11(b)). Pada proses thinning, piksel dengan jarak Euclides lebih besar dari suatu nilai threshold T = 1.4 sehingga pada akhirnya tetap memiliki nilai 0 (hitam). Lihat Gambar 2.11(c).

Keterangan : a. Hasil deteksi tepi

Gambar 2.11 Contoh proses thinning

b. Hasil penghitungan jarak euclides c. Hasil thinning

Berbeda dengan metode thinning, pada proses Non Maximum suppresion,

pengubahan menjadi citra biner tersebut menggunakan dua nilai threshold T1 dan T2

dimana T1 > T2 yang sering disebut juga hysteresis thresholding [Nixon dan

(33)

sebagai piksel tepi. Piksel tepi di sekitar piksel tepi yang nilainya lebih besar dari

nilai threshold T1 di atas juga dipertahankan sebagai piksel tepi jika nilainya

masih lebih besar dari T2. Dari sudut pandang hysteresi thresholding, contoh pada

Gambar 2.11(c) dapat diperoleh dengan nilai-nilai threshold T1 = 2 dan T2 = 1.4.

Hasil dari rangkaian proses deteksi tepi dengan metode Canny pada suatu adalah citra biner yang terdiri dari piksel-piksel tepi tunggal seperti pada Gambar 2.12.

Keterangan :

Gambar 2.12 Contoh proses deteksi tepi Canny

(a) Citra terfilter (c) Hasil Non maximum suppression (b) Hasil deteksi tepi Sobel (d) Hasil Hysteresis thresholding

2.8 Transformasi

2.8.1 Transformasi Radon

Transformasi Radon merepresentasikan citra sebagai kumpulan sinyal 1D hasil proyeksi citra tersebut pada berbagai sudut orientasi. Transformasi Radon dari suatu citra pada suatu sumbu proyeksi dinyatakan sebagai integral garis dari fungsi representasi citra f(x,y) pada arah yang tegak lurus dengan sumbu proyeksinya. Hasil transformasi Radon dalam domain transformasi dinyatakan sebagai sinyal

g(s,θ), dimana s merupakan jarak titik yang ditransformasikan terhadap titik pusat

koordinat citra asal, dan θ merupakan sudut orientasi proyeksi. Lihat Gambar 2.13.

(34)

Gambar 2.13 Ilustrasi transformasi Radon dalam koordinat asal kartesian

Apabila citra dinyatakan dalam format koordinat asal polar f(r,θ), integral

garis transformasi Radon sepanjang r menghasikan kurva sinusoidal s = r cos(ф−θ).

Bentuk sinusoidal ini menghasilkan istilah umum “sinogram” untuk kumpulan hasil transformasi Radon pada berbagai orientasi proyeksi. Lihat Gambar 2.14.

Gambar 2.14 Ilustrasi Transformasi Radon dalam koordinat asal polar

Dalam image processing toolbox Matlab, transformasi Radon dapat dilakukan dengan memanggil fungsi berikut:

(35)

[R,xp] = radon(I,theta);

dimana Rmerupakan hasil transformasi Radon terhadap citra asal I, pada jangkauan

orientasi arah theta dan jangkauan lebar daerah proyeksi pada koordinat

transformasi xp.

Berikut adalah code lengkap dari simulasi transformasi Radon terhadap gambar phantom irisan lintang kepala (Gambar 2.15) menggunakan Matlab:

P=phantom(256);

figure(1);imagesc(P);colormap(gray);title('citra phantom asal');

%Transformasi Radon citra phantom theta=0:2:180; [R,xp]=radon(P,theta);

figure(2);imagesc(theta,xp,R);colormap(hot);

colorbar;xlabel('\theta');ylabel('x\prime'); title('hasil transformasi Radon dari citra phantom');

(36)

2.8.2 Transformasi Radon Invers

Invers transformasi Radon dari proyeksi g(s,θ) ≡R(f), -∞<s<∞, 0θ≤<πdirumuskan

sebagai berikut:

(2.12)

Transformasi Radon invers (Gambar 2.16) terdiri dari dua buah tahapan, yaitu: a. Proyeksi balik (backprojection)

b. Unblur filtering

Gambar 2.16 Skema transformasi Radon Invers

Agar menghasilkan rekonstruksi sempurna, proses unblur filtering membutuhkan filter unblur 2 dimensi. Akan tetapi pemfilteran 2 dimensi dengan kernel unblur merupakan operasi yang sangat exhaustive secara komputasional, terutama untuk resolusi citra yang besar. Strategi yang biasa digunakan dalam aplikasi praktis adalah melalui unblur filtering pada sinyal proyeksi 1 dimensi, dan dilanjutkan dengan operasi backprojection. Strategi ini diilustrasikan pada Gambar 2.17.

Gambar 2.17 Skema transformasi Radon invers, apabila unblur filtering dilakukan terhadap sinyal satu dimensi

(37)

Respons frekuensi : H(ξ) = |ξ| sinc(ξd) rect(ξd) (2.13)

Respons impuls : h(s) = 2(1+sin2πξ_{0s) /}π2(d2 – 4s2) (2.14)

Respons impuls diskrit : h(m) =2 / (π2d(1 - 4m2)) (2.15)

Penukaran posisi blok unblur filtering dan blok proyeksi balik (antara Gambar 2.16 dan Gambar 2.17) diperbolehkan oleh adanya teorema (irisan) – proyeksi. Dengan berpegang pada teorema ini, proses unblur filtering dapat dikerjakan pada domain frekuensi, sehingga akan mengurangi beban komputasi. Lihat Gambar 2.18

Teorema (irisan) –

proyeksi

Transformasi Fourier 1-dimensi dari proyeksi g(s,θ) yang dilakukan terhadap

variabel s adalah sama dengan irisan sentral pada sudut θ dari transformasi

Fourier 2-dimensi dari citra asal f(x,y).

Gambar 2.18 Teorema (Irisan) – Proyeksi

2.8.2.1 Operasi Unblur Filtering

Mekanisme unblur filtering dapat dilakukan dengan menggunakan berbagai skema filter unblur yang dapat dipilih. Filter unblur yang umum dipergunakan adalah filter Shepp-Logan dengan properti sebagai berikut:

(38)

2.8.2.2 Operasi Proyeksi Balik

Operasi backprojection dapat didefinisikan sebagai berikut: Koordinat cartesian :

Koordinat polar :

(2.16)

(2.17)

Hasil operasi proyeksi balik menunjukkan jumlah berkas proyeksi yang melewati suatu titik (x,y) dalam citra, sebagaimana diilustrasikan dalam Gambar 2.19.

Gambar 2.19 Ilustrasi operasi backprojektion

Hasil operasi backprojection dapat dinyatakan sebagai citra asal yang

dikaburkan dengan fungsi blurring dengan point spread function berupa (x2

+y2

)−1/2

(2.18)

Dalam code Matlab, operasi transformasi Radon invers dilakukan dengan memanggil fungsi sebagai berikut: (ilustrasi code sebagai lanjutan dari code transformasi Radon sebelumnya).

(39)

%Inverse-Radon tranform

I=iradon(R,2); figure(3);imagesc(I);colormap(gray); title('Hasil transformasi Radon inverse');

Fungsi ini sekaligus menjalankan operasi unblurring dan backprojection. Matlab menyediakan berbagai skema unblurring, yang dapat dipilih. Hasil transformasi Radon invers pada citra irisan kepala dapat dilihat pada Gambar 2.20.

(40)

BAB 3

DATA DAN PERANCANGAN APLIKASI

3.1 Data

Uji coba dilakukan terhadap foto udara Kabupaten Pidie Jaya tahun 2005 yang telah di potong-potong sesuai dengan keperluan penelitian pada skala 1:1000. Data citra ini diperoleh dari GIS Center Bappeda Kabupaten Pidie Jaya.

Data yang digunakan dalam penelitian ini berjumlah 44 citra yang berformat JPG dengan ukuran 512 x 512 piksel/inchi. Data tersebut terdiri dari 22 foto udara dan 22 citra jalan yang telah didigitasi oleh perangkat lunak ArcGIS. Deskripsi data citra selengkapnya tercantum pada Table 3.1. Citra jalan yang telah digitasi akan digunakan sebagai citra referensi atau citra perbandingan dalam menghitung ketelitian metode yang digunakan dalam penelitian ini.

Tabel 3.1. Deskripsi Data Citra

Kategori Nama File Jumlah

Data

Ukuran (piksel/inchi)

Foto Udara

Citra Jalan yang telah didigitasi dengan software ArcGIS

1.jpg s/d 22.jpg gis1.jpg s/d gis22.jpg

22 22

512 x 512 512 x 512

3.2 Rancangan Aplikasi

Tahapan-tahapan yang diperlukan dalam perancangan aplikasi ini adalah adalah Data Flow Diagram (DFD), Flowchart dan perancangan tampilan aplikasi.

(41)

3.2.1 Data Flow Diagram (DFD)

Data Flow Diagram (DFD) adalah suatu diagram yang menggunakan notasi-notasi untuk menggambarkan arus dari data sistem, yang penggunaannya sangat membantu untuk memahami sistem secara logika, tersruktur dan jelas. DFD merupakan alat bantu dalam menggambarkan atau menjelaskan sistem yang sedang berjalan logis. DFD memiliki beberapa fungsi dalam mengembangkan suatu sistem, diantaranya adalah :

1. DFD membantu para analis sitem meringkas informas tentang sistem, mengetahui hubungan antar sub-sub sistem, membantu perkembangan aplikasi secara efektif.

2. DFD berfungsi sebagai alat komunikasi yang baik antara pemakai dan analis sistem.

3. DFD dapat menggambarkan sejumlah batasan otomasi untuk pengembangan alternatif sistem fisik.

DFD terdiri dari diagram konteks dan diagram rinci. Diagram konteks merupakan diagram yang menggambarkan hubungan antar sistem dengan entitas diluar sistem, merupakan sistem secara keseluruhan. Pada aplikasi analisis threshold untuk mengekstraksi jalan dari foto udara, diagram konteksnya dapat dilihat pada Gambar 3.1. Pengguna Buka file Proses Aplikasi analisis threshold untuk mengekstraksi jalan dari foto

udara

(42)

3.2.2 Flowchart

FlowChart (Bagan Alir Program) adalah suatu bagan yang menggambarkan arus logika dari data yang akan diproses dalam suatu program dari awal sampai akhir. Tabel 3.2 adalah beberapa simbol yang digunakan dalam menggambar suatu flowchart :

Tabel 3.2 Simbol-simbol dari Flowchart

SIMBOL NAMA FUNGSI

TERMINATOR Permulaan/akhir program

GARIS ALIR

(FLOW LINE) Arah aliran program

PREPARATION Proses inisialisasi/pemberian harga

awal

PROSES Proses perhitungan/proses

pengolahan data

INPUT/OUTPUT DATA

Proses input/output data, parameter, informasi

PREDEFINED PROCESS (SUB PROGRAM)

Permulaan sub program/proses menjalankan sub program

DECISION

Perbandingan pernyataan, penyeleksian data yang memberikan

pilihan untuk langkah selanjutnya

ON PAGE CONNECTOR

Penghubung bagian-bagian flowchart yang berada pada satu

halaman

OFF PAGE CONNECTOR

Penghubung bagian-bagian flowchart yang berada pada halaman

(43)

Berikut ini flowchart dari aplikasi analisis threshold untuk mengekstraksi jalan dari foto udara dapat dilihat pada Gambar 3.2.

Citra Asli (Berwarna)

Transformasi Warna Citra ke Graylevel

Implementasi Metode Threshold

Operasi Morfologi

Deteksi Tepi

Transformasi Hough

Penghilangan Derau

Citra Hasil

Gambar 3.2 Flowchart aplikasi analisis threshold untuk mengekstraksi jalan dari foto udara

Berikut penjelasan dari flowchart diatas adalah : a. Citra asli

Citra asli merupakan citra foto udara berwarna yang telah di potong-potong dengan ukuran 512 x 512 pixel/inchi dan berformat JPG seperti pada Gambar 3.3.

(44)

Gambar 3.3 Foto Udara

b. Transformasi warna ke graylevel

Transformasi warna ke graylevel merupakan cara yang di pakai penulis untuk mengubah citra asli yang berwarna ke citra berintensitas grayscale seperti pada Gambar 3.4.

Gambar 3.4 Pengubahan citra RGB ke citra grayscale

c. Metode threshold

Metode threshold merupakan sebuah teknik yang digunakan penulis untuk mengubah citra grayscale ke citra biner. Citra biner itu sendiri terdiri dari dua unsur yaitu 1 untuk warna putih (piksel = on) dan 0 untuk warna hitam (piksel = off). Untuk mengekstraksi objek jalan pada citra grayscale di atas, maka penulis menggunakan metode threshold dengan nilai threshold tertentu yang sesuai dengan nilai derajat keabuan objek jalan di citra grayscale tersebut. Nilai threshold untuk objek jalan pada citra diatas adalah 180-200, nilai tersebut penulis peroleh dari aplikasi lain yang mendukung untuk melihat nilai derajat keabuan pada citra grayscale. Perubahan citra grayscale ke citra biner dengan nilai threshold 180 – 200 dapat dilihat pada Gambar 3.5.

(45)

Gambar 3.5 Pengubahan citra grayscale ke citra biner dengan nilai threshold 180-200

d. Operasi morfologi

Operasi morfologi merupakan sebuah operasi yang digunakan penulis untuk meningkatkan kualitas citra biner yang diperoleh dari metodo threshold. Operasi morfologi yang digunakan penulis pada penelitian ini adalah operasi open, operasi majority dan operasi dilate. Operasi open adalah sebuah operasi morfologi yang menerapkan binary opening (erosi yang diikuti dilasi). Operasi majority adalah sebuah operasi morfologi yang menambahkan sebuah piksel putih bila terdapat lima atau lebih piksel putih dalam tetangga 3 x 3, dan sebaliknya dengan piksel hitam, operasi morfologi ini sangat berguna untuk mengisi lubang-lubang kecil. Operasi dilate adalah operasi morfologi yang menambahkan 8 piksel yang berhubungan pada pinggiran dari objek biner. Operasi morfologi di atas dapat dilihat pada Gambar 3.6.

(46)

e. Deteksi tepi

Deteksi tepi merupakan sebuah teknik yang digunakan penulis untuk mendeteksi sisi jalan pada citra biner yang dihasilkan dari operasi morfologi. Metode deteski tepi yang digunakan penulis pada penelitian ini adalah metode Canny karena metode ini menggunakan 2 batas ambang (threshold) berbeda (untuk mendeteksi sisi “kuat” dan sisi “lemah”). Hasil deteksi tepi metode Canny terhadap citra jalan di atas dapat dilihat pada Gambar 3.7.

Gambar 3.7 Hasil deteksi tepi metode Canny terhadap citra jalan

f. Transformasi Hough

Transformasi Hough merupakan sebuah transformasi yang digunakan untuk mendeteksi garis tegas. Transformasi Hough bisa diimplementasikan dengan transformasi radon dan iradon yang telah dijelaskan pada subbab 2.8. Hasil transformasi Hough dapat dilihat pada Gambar 3.8.

(47)

g. Penghilangan derau

Penghilangan derau (noise) merupakan sebuah teknik yang digunakan penulis untuk meningkatkan mutu citra yang dihasilkan pada transformasi Hough. Pada penelitian ini penulis menggunakan metode filter median untuk menghilangkan derau yang ada pada citra hasil transformasi Hough. Metode filter median merupakan sebuah metode filter yang paling efektif untuk menghilangkan derau salt and pepper. Hasil penghilangan derau dengan metode filter median dapat dilihat pada Gambar 3.9.

Gambar 3.9 Hasil penghilangan derau dengan metode filter median

h. Citra hasil

Citra hasil merupakan citra keluaran dari proses-proses diatas yaitu citra hasil penghilangan derau yang ada pada Gambar 3.9.

3.2.3 Perancangan Tampilan

Tampilan aplikasi analisis threshold untuk mengekstraksi jalan dari foto udara dirancang sedemikian rupa dengan sederhana dan memberikan kemudahan pengguna dalam menggunakan aplikasi ini. Aplikasi analisis threshold untuk mengekstraksi jalan dari foto udara ini mempunyai tampilan utama yang terdiri dari 3 button dan 6 axes. Berikut ini rancangan tampilan utama aplikasi analisis threshold untuk mengekstraksi jalan dari foto udara dapat dilihat pada Gambar 3.10.

(48)

2 5 6 7

3 4

8 9 10

Gambar 3.10 Rancangan tampilan aplikasi analisis threshold untuk mengekstrasi jalan dari foto udara

Keterangan :

1. Judul Aplikasi 2. Tombol buka file 3. Tombol proses

4. Tombol buka citra perbandingan 5. Axes citra asli

6. Axes citra grayscale

7. Axes citra hasil threshold 165-180 8. Axes citra hasil threshold 175-195 9. Axes citra hasil threshold 180-200 10. Axes citra perbandingan

(49)

BAB 4

IMPLEMENTASI, HASIL UJI COBA DAN ANALISIS

4.1 Implementasi

Pada Bab ini, perancangan aplikasi analisis threshold untuk mengekstraksi jalan dari foto udara yang telah dibuat diimplementasikan dengan menggunakan perangkat lunak MATLAB R2008b.

Adapun spesifikasi perangkat lunak dan perangkat keras yang digunakan dalam melakukan penelitian ini, tertera pada Tabel 4.1.

Tabel 4.1. Spesifikasi Perangkat Lunak dan Perangkat Keras

Jenis Perangkat Spesifikasi

Sistem Operasi Windows Vista Basic

Prosessor Intel Core 2 Duo T6500 2,10 GHz

Memori RAM 2 GB

Perangkat Lunak Pemrograman MATLAB R2008b

4.2 Tampilan Pembuka

Untuk membuka aplikasi analisis threshold untuk mengekstraksi jalan dari foto udara dapat dilakukan dengan dua cara yaitu:

1. Membuka dengan program matlab dengan cara klik ganda pada ikon MATLAB dari „desktop’ atau dengan cara memilih menu Start > All

Program > MATLAB > R2008b> MATLAB R2008b yang kemudian

(50)

Gambar 4.1 Tampilan ‘Desktop’ Matlab

Setelah tampilan layar muncul seperti gambar diatas, kemudian kita mengetik “skripsi” pada command windows yang ada di desktop matlab lalu tampilannya dapat dilihat pada Gambar 4.2.

Gambar 4.2 Tampilan aplikasi analisis threshold untuk mengekstraksi jalan dari foto udara

2. Cara kedua untuk membuka aplikasi ini adalah dengan cara klik ganda pada

file „skripsi.fig‟ yang tampilannya dapat dilihat pada Gambar

(51)

Setelah tampilan utama terbuka, selanjutnya pengguna menekan tombol „Open File‟ untuk memilih salah satu foto udara yang penulis simpan di folder foto udara. Apabila

tombol „Open File‟ di klik maka akan muncul tampilan seperti Gambar 4.3.

Gambar 4.3 Tampilan jika tombol „Open File‟ di klik

Setelah tampilan pada Gambar 4.3 terbuka, maka selanjutnya pengguna memilih salah

satu foto udara yang ada di folder foto udara dan kemudian menekan tombol „Open‟

(52)

Gambar 4.4 Tampilan aplikasi setelah foto udara dipilih

Setelah foto udara dipilih, maka langkah selanjutnya pengguna menekan tombol

„Proses‟ untuk melihat hasil dari aplikasi ini seperti pada Gambar 4.5.

(53)

Setelah tampilan muncul seperti Gambar 4.5 maka selanjutnya pengguna memilih

citra perbandingan yang penulis simpan di folder „citra perbandingan‟ seperti halnya

memilih foto udara. Citra perbandingan dipilih sesuai dengan nama file foto udara. Untuk foto udara dengan nama file “1.jpg”, maka citra perbandingannya adalah “gis1.jpg”, demikian seterusnya untuk citra-citra yang lain. Hasil setelah citra perbandingan dipilih dapat dilihat pada Gambar 4.6.

Gambar 4.6 Tampilan aplikasi setelah citra perbandingan dipilih

4.3 Hasil Uji Coba

Hasil uji coba aplikasi analisis threshold untuk mengekstraksi jalan dari foto udara dilakukan terhadap 22 foto udara kabupaten Pidie Jaya tahun 2005 yang telah dipotong-potong sesuai dengan keperluan penelitian pada skala 1:1000 dan 22 citra perbandingan yaitu citra jalan yang telah didigitasi oleh software ArcGis.

Citra-citra tersebut penulis peroleh dari GIS Center Bappeda Kabupaten Pidie Jaya dengan format jpg dan berukuran 512 x 512 piksel/inchi dengan nama file “1.jpg s/d 22.jpg” untuk foto udara dan “gis1.jpg sd gis22.jpg” untuk citra perbandingan yang penulis simpan di folder data.

Nilai threshold yang penulis gunakan dalam aplikasi ini adalah 165 – 180, 175 – 195, 180 – 200. Nilai-nilai tersebut merupakan nilai derajat keabuan pada objek

(54)

jalan yang ada dalam foto udara yang penulis peroleh dari aplikasi lain yang mendukung untuk melihat nilai derajat keabuan dari citra grayscale.

Hasil ujicoba terhadap 22 citra foto udara dan citra perbandingannya dapat pada Gambar 4.7 s/d Gambar 4.28.

Gambar 4.7 Hasil uji coba foto udara dengan nama file “1.jpg”

(55)

Gambar 4.9 Hasil uji coba foto udara dengan nama file “3.jpg”

(56)

Gambar 4.11 Hasil uji coba foto udara dengan nama file “5.jpg”

(57)

Gambar 4.13 Hasil uji coba foto udara dengan nama file “7.jpg”

(58)

Gambar 4.15 Hasil uji coba foto udara dengan nama file “9.jpg”

(59)

Gambar 4.17 Hasil uji coba foto udara dengan nama file “11.jpg”

(60)

Gambar 4.19 Hasil uji coba foto udara dengan nama file “13.jpg”

(61)

Gambar 4.21 Hasil uji coba foto udara dengan nama file “15.jpg”

(62)

Gambar 4.23 Hasil uji coba foto udara dengan nama file “17.jpg”

(63)

Gambar 4.25 Hasil uji coba foto udara dengan nama file “19.jpg”

(64)

Gambar 4.27 Hasil uji coba foto udara dengan nama file “21.jpg”

(65)

Hasil uji coba foto udara dengan ukuran 256 x 256 piksel/inchi dan 128 x128 piksel/inchi dapat dilihat pada Gambar 4.29 dan 4.30.

Gambar 4.29 Hasil uji coba foto udara dengan ukuran 256x256 piksel/inchi

(66)

4.4 Analisis

Berikut ini merupakan uraian analisa berdasarkan hasil uji coba terhadap 22 foto udara:

1. Jalan terekstraksi dengan baik dan memiliki sedikit derau apabila jalan berada di sekitar persawahan, sungai dan tambak.

2. Jalan terekstraksi dengan baik dan memiliki banyak derau apabila jalan berada disekitar pemukiman yang disebabkan atap-atap rumah penduduk juga memiliki derajat keabuan yang sama dengan jalan.

3. Jalan tidak terekstraksi dengan baik dan memiliki banyak derau apabila jalan berada didaerah yang banyak pepohonan atau gedung-gedung tinggi yang disebabkan adanya banyangan pepohonan atau gedung-gedung tinggi yang menutupi badan jalan sehingga berubahnya nilai derajat keabuan pada jalan.

Berikut merupakan waktu proses dan hasil aplikasi analisis threshold untuk mengekstraksi jalan dari foto udara terhadap ukuran citra dapat dilihat pada tabel 4.2.

Tabel 4.2. Waktu proses dan hasil ekstraksi aplikasi analisis threshold untuk mengekstraksi jalan dari foto udara terhadap ukuran citra

Ukuran Citra (Piksel/Inchi)

Waktu Proses

(detik) Hasil Ekstraksi

512 x 512 43,22 Terekstraksi

256 x 256 9,88 Terekstraksi

128 x 128 1,95 Tidak terekstraksi

Dari tabel 4.2. dapat dianalisa bahwa semakin besar ukuran citra maka semakin besar waktu yang diperlukan untuk pemrosesan namun semakin kecil ukurun citra maka semakin besar peluang jalan tidak terekstraksi.

(67)

BAB 5

PENUTUP

5.1 Kesimpulan

Berdasarkan hasil uji coba yang diperoleh dalam penelitian ini, maka dapat disimpulkan beberapa hal berikut:

1. Objek jalan pada foto udara memiliki nilai derajat keabuan 165 – 200 sehingga nilai threshold yang digunakan adalah 165 - 200.

2. Derau disebabkan adanya kesaman nilai derajat keabuan antara objek jalan dengan objek lain disekitarnya

3. Jalan tidak terekstraksi dengan baik dikarenakan berubahnya nilai derajat keabuan pada objek jalan yang disebabkan oleh banyangan objek pohon atau objek lain yang menutupi badan jalan.

4. Semakin besar ukuran citra, maka semakin besar waktu yang dibutuhkan dalam pemrosesan namun semakin kecil ukuran citra maka semakin besar peluang jalan tidak terekstraksi.

(68)

5.2 Saran

Berikut adalah saran-saran untuk pengembangan lebih lanjut terhadap aplikasi analisis multi-threshold untuk mengekstraksi jalan dari foto udara:

1. Karena masih banyak terdapat derau dalam hasil ekstraksi, maka disarankan adanya pengembangan lebih lanjut untuk meningkatkan kualitas citra yang dihasilkan.

2. Aplikasi ini tidak dapat mengukur ukuran jalan, mengenali jenis jalan dan mengukur sudut tikungan, maka disarankan adanya pengembangan lebih lanjut agar kedepannya aplikasi ini dapat mengukur ukuran jalan, mengenali jenis jalan, dan mengukur sudut tikungan.

3. Aplikasi ini terdapat banyak kekurangan seperti pada lambatnya kinerja program dan tampilan yang kurang menarik, maka disarankan adanya pengembangan lebih lanjut untuk meningkatkan kecepatan kinerja program dan membuat tampilan yang lebih menarik.

(69)

DAFTAR PUSTAKA

Fisher, R., Perkins, S., Walker, A., dan Wolfart, E. 2003. Adaptive Thresholding. Diakses tanggal : 18 Januari, 2010.

Gonzales, R. C. dan R. E. Woods. 2002. Digital Image Processing (edisi ke-2). Prentice Hall, New Jersey.

Lillesand, Thomas M., dan Kiefer, Ralph W. 1990. Penginderaan Jauh dan Interpretasi Citra. Terjemahan Dulbahri, Prayogi Suharsono, Hartono, dan Suharyadi. Yogyakarta: Gajah Mada University Press.

Meutia, S. D. 2009. segmentasi citra sel serviks menggunakan algoritma multifraktal dengan adaptive multiple thresholding dan klasifikasi menggunakan learning vector quantization. Tesis Ilmu Komputer. Jakarta, Indonesia: Universitas Indonesia.

Nixon, S. M., Aguado, S. A., (2002), Feature Extraction And Image Processing, Reed Educational and Professional Publishing Ltd.

Suprayogi, A. 2008. Ekstraksi Jalan Secara Otomatis dengan Deteksi Tepi Canny pada Foto Udara (Menggunakan Transformasi Wavelet Untuk Penghalusan Citra). Tesis Geodetic Engineering. Bandung, Indonesia: Institut Teknologi Bandung.

Wijaya, M. C. dan Prijono, A. 2007. Pengolahan Citra Digital Menggunakan Matlab Image Processing Toolbox. Bandung: Informatika Bandun

(70)

tanggal 22 Januari, 2010.

(1)

Hasil uji coba foto udara dengan ukuran 256 x 256 piksel/inchi dan 128 x128 piksel/inchi dapat dilihat pada Gambar 4.29 dan 4.30.

(2)

4.4 Analisis

Berikut ini merupakan uraian analisa berdasarkan hasil uji coba terhadap 22 foto udara:

1. Jalan terekstraksi dengan baik dan memiliki sedikit derau apabila jalan berada di sekitar persawahan, sungai dan tambak.

2. Jalan terekstraksi dengan baik dan memiliki banyak derau apabila jalan berada disekitar pemukiman yang disebabkan atap-atap rumah penduduk juga memiliki derajat keabuan yang sama dengan jalan.

Berikut merupakan waktu proses dan hasil aplikasi analisis threshold untuk mengekstraksi jalan dari foto udara terhadap ukuran citra dapat dilihat pada tabel 4.2.

Tabel 4.2. Waktu proses dan hasil ekstraksi aplikasi analisis threshold untuk mengekstraksi jalan dari foto udara terhadap ukuran citra

Ukuran Citra (Piksel/Inchi)

Waktu Proses

(detik) Hasil Ekstraksi

512 x 512 43,22 Terekstraksi

256 x 256 9,88 Terekstraksi

128 x 128 1,95 Tidak terekstraksi

(3)

BAB 5

PENUTUP

5.1 Kesimpulan

Berdasarkan hasil uji coba yang diperoleh dalam penelitian ini, maka dapat disimpulkan beberapa hal berikut:

1. Objek jalan pada foto udara memiliki nilai derajat keabuan 165 – 200 sehingga nilai threshold yang digunakan adalah 165 - 200.

2. Derau disebabkan adanya kesaman nilai derajat keabuan antara objek jalan dengan objek lain disekitarnya

3. Jalan tidak terekstraksi dengan baik dikarenakan berubahnya nilai derajat keabuan pada objek jalan yang disebabkan oleh banyangan objek pohon atau objek lain yang menutupi badan jalan.

4. Semakin besar ukuran citra, maka semakin besar waktu yang dibutuhkan dalam pemrosesan namun semakin kecil ukuran citra maka semakin besar peluang jalan tidak terekstraksi.

(4)

5.2 Saran

Berikut adalah saran-saran untuk pengembangan lebih lanjut terhadap aplikasi analisis

multi-threshold untuk mengekstraksi jalan dari foto udara:

1. Karena masih banyak terdapat derau dalam hasil ekstraksi, maka disarankan adanya pengembangan lebih lanjut untuk meningkatkan kualitas citra yang dihasilkan.

(5)

DAFTAR PUSTAKA

Fisher, R., Perkins, S., Walker, A., dan Wolfart, E. 2003. Adaptive Thresholding. Diakses tanggal : 18 Januari, 2010.

Gonzales, R. C. dan R. E. Woods. 2002. Digital Image Processing (edisi ke-2). Prentice Hall, New Jersey.

Lillesand, Thomas M., dan Kiefer, Ralph W. 1990. Penginderaan Jauh dan

Interpretasi Citra. Terjemahan Dulbahri, Prayogi Suharsono, Hartono, dan

Suharyadi. Yogyakarta: Gajah Mada University Press.

Meutia, S. D. 2009. segmentasi citra sel serviks menggunakan algoritma multifraktal

dengan adaptive multiple thresholding dan klasifikasi menggunakan learning vector quantization. Tesis Ilmu Komputer. Jakarta, Indonesia: Universitas

Indonesia.

Nixon, S. M., Aguado, S. A., (2002), Feature Extraction And Image Processing, Reed Educational and Professional Publishing Ltd.

Suprayogi, A. 2008. Ekstraksi Jalan Secara Otomatis dengan Deteksi Tepi Canny

pada Foto Udara (Menggunakan Transformasi Wavelet Untuk Penghalusan Citra). Tesis Geodetic Engineering. Bandung, Indonesia: Institut Teknologi

(6)

tanggal 22 Januari, 2010.

Analisis Threshold Untuk Mengekstraksi Jalan DarI Foto Udara