Perbandingan Metode Deteksi Tepi Canny, Robert dan Laplacian of Gaussian Pada Hasil Citra Camera 360

PERBANDINGAN METODE DETEKSI TEPI CANNY, ROBERT DAN

LAPLACIAN OF GAUSSIAN PADA HASIL CITRA CAMERA 360

SKRIPSI

TIFANY BR SEMBIRING

111401027

PROGRAM STUDI S1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2015

PERBANDINGAN METODE DETEKSI TEPI CANNY, ROBERT DAN

LAPLACIAN OF GAUSSIAN PADA HASIL CITRA CAMERA 360

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Ilmu Komputer

TIFANY BR SEMBIRING

111401027

PROGRAM STUDI S1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2015

PERSETUJUAN

Judul : PERBANDINGAN METODE DETEKSI TEPI CANNY, ROBERT DAN LAPLACIAN OF GAUSSIAN PADA HASIL CITRA CAMERA 360

Kategori : SKRIPSI

Nama : TIFANY BR SEMBIRING

Nomor Induk Mahasiswa : 111401027

Program Studi : SARJANA (S1) ILMU KOMPUTER

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI

INFORMASI

Diluluskan di

Medan, Agustus 2015

Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Amer Sharif, S.Si, M.Kom Dian Rachmawati, S.Si, M.Kom

NIP. - NIP. 198307232009122004

Diketahui/Disetujui oleh

Program Studi S1 Ilmu Komputer Ketua,

Dr. Poltak Sihombing, M.Kom NIP 196203171991031001

PERNYATAAN

PERBANDINGAN METODE CANNY, ROBERT DAN LAPLACIAN OF GAUSSIAN PADA HASIL CITRA CAMERA 360

SKRIPSI

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

Medan, Agustus 2015

TIFANY BR SEMBIRING 111401027

PENGHARGAAN

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Kuasa atas segala berkat-Nya sehingga penulis dapat menyelesaikan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara.

Pada pengerjaan skripsi dengan judul Perbandingan Metode Deteksi Tepi Canny, Robert dan Laplacian of Gaussian Pada Hasil Citra Camera 360, penulis menyadari bahwa banyakpihak yang turut membantu, baik dari pihak keluarga, sahabat dan orang-orang terkasih yang memotivasi dalam pengerjaannya. Dalam kesempatan ini, penulis mengucapkan terima kasih kepada:

1. Bapak Prof. Drs. Subhilhar, M.A., Ph.D.selaku Pj. Rektor Universitas Sumatera Utara.

2. Bapak Prof. Dr. Muhammad Zarlis selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.

3. Bapak Dr. Poltak Sihombing, M.Kom. selaku Ketua Program Studi S-1 Ilmu Komputer Universitas Sumatera Utara.

4. Ibu Maya Silvi Lydia, B.Sc, M.Sc. selaku Sekretaris Program Studi S-1 Ilmu Komputer Universitas Sumatera Utara.

5. Ibu Dian Rachmawati, S.Si, M.Kom selaku Dosen Pembimbing I yang telah memberikan bimbingan, saran, nasehat dan masukan kepada saya dalam pengerjaan skripsi ini.

6. Bapak Amer Sharif, S.Si, M.Kom selaku Dosen Pembimbing II yang telah memberikan bimbingan, saran, nasehat dan masukan kepada saya dalam pengerjaan skripsi ini.

7. Bapak M. Andri Budiman selaku Dosen Penguji I yang memberikan kritik, daran dan dukungan kepada penulis dalam menyelesaikan skripsi ini.

8. Bapak Ade Candra, S.T, M.Kom selaku Dosen Penguji II yang memberikan kritik, saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini. 9. Seluruh dosen dan pegawai Program studi S1 Ilmu Komputer Fasilkom-TI USU.

10. Bapak saya Pengalamen Sembiring, Ibu saya Iriani br Damanik, Abang saya Feriandy Sembiring, Kakak saya Novita br Sembiring, S.Pd dan Adik sayaRosalina br Sembiring yang selalu memberikan dukungan dan bantuan kepada penulis dalam menyelesaikan skripsi ini.

11. Teman-teman kuliah sayaKOM C angkatan 2011 khususnya Fikri, Ismail, M. Isnaini Zuhri Ilyas, Farid Akbar, Fildzha Hanifati, Nurhayati Lubis, Rafika Asnur, Syafura Tri Utari dan Abang Azhar Fadillah, S.Kom yang memberi inspirasi dan semangat kepada penulis.

12. Dan buat Anju Syahlan Nauli Silitonga dan Aprilla Malriati Ginting, yang selalu memberi semangat dan motivasi kepada penulis dalam menyelesaikan skripsi ini.

Semoga Tuhan Yang Maha Esa melimpahkan berkah kepada semua pihak yang telah memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi ini.

Penulis menyadari bahwa skripsi ini masih terdapat kekurangan.Oleh karena itu, penulis mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan skripsi ini. Sehingga dapat bermanfaat bagi kita semuanya.

Medan, Agustus 2015

ABSTRAK

Deteksi tepi merupakan bagian dari pengolahan citra. Deteksi tepi adalah proses untuk menghasilkan garis batas dari suatu objek yang terdapat pada citra. Deteksi tepi memiliki beberapa operator seperti operator Canny, Robert dan Laplacian of Gaussian.Pendeteksi tepian dengan menggunakan citra berwarna sudah biasa, namun disini dilakukan deteksi tepi menggunakan citra hasil dari Camera 360 yang mana citra sudah diberikan efek dengan format bitmap (*.bmp). Citra yang telah diberi efek

Light Colorakan di deteksi tepi dan akan membandingkan dengan ketiga operator tersebut. Parameter yang digunakan untuk mengukur nilai perbandingan antara ketiga operator deteksi tepi yaitu MSE, PSNR dan Running Time.Berdasarkan hasil pengujian diperoleh bahwa nilai rata-rata MSE dan PSNR operator Robert 15744,4 dan 0.628deciBell dengan nilai rata-rata Running Time 0.2862 detik, nilai rata rata MSE dan PSNR operator Canny 18139,5 dan 0.560deciBell dengan nilai rata-rata

Running Time 2.086 detik, nilai rata-rata MSE dan PSNR operator Laplacian of Gaussian 16147,1 dan 0.616deciBell nilai rata-rata Running Time 3.2726 detik. Dan operator Robert merupakan operator yang terbaik untuk pendeteksian tepi pada citra yang diberi efek dari Camera 360

Kunci : Deteksi tepi, Canny, Robert, Laplacian of Gaussian, Camera 360, Light Color

COMPARISON OF CANNY, ROBERT AND LAPLACIAN OF GAUSSIAN METHOD ON IMAGE RESULT OF THE CAMERA 360

ABSTRACT

Edge detection which is a part of image processing is a process to produce a boundary of an object in the image. Edge detection has several operators, including Canny, Robert and Laplacian of Gaussian. Edge detection in ordinary image color is a common thing, but in here using image of the Camera 360 for edge detection that has been given effect and in this system object used is a bitmap image (*.bmp). Image has been given effect Light Color will be on edge detection and will compare with the three edge detection operator. Parameters used is MSE, PSNR and real running time. Based on some test result obtained, the MSE and PSNR of Robert operators are 15744,4 and 0.628 deciBell with average value of running time 0.2862 second, the MSE and PSNR of Canny operators are 18139,5 and 0.560 deciBell with average value of running time 2.086 second, the MSE and PSNR of Laplacian of Gaussian operators are 16147.1 and 0.616 deciBell with average value of running time 3.2726 second. In conclusion Robert operator is the best edge detection for image result from the Camera 360.

Keyword: Edge Detection, Canny, Robert, Laplacian of Gaussian, Camera 360, Light Color

DAFTAR ISI

Halaman

Persetujuan ii

Pernyataan iii

Penghargaan iv

Abstrak vi

Abstract vii

Daftar Isi viii

Daftar Gambar x

Daftar Tabel xi

Daftar Lampiran xii

Bab I Pendahuluan

1.1Latar Belakang 1

1.2Perumusan Masalah 2

1.3Batasan Masalah 2

1.4Tujuan Penelitian 3

1.5Manfaat Penelitian 3

1.6Metodologi Penelitian 3

1.7Sistematika penulisan 4

Bab II Landasan Teori

2.1Citra 5

2.2Citra Digital 5

2.2.1 Jenis-Jenis Citra Digital 6

2.2.1.1Citra Biner 6

2.2.1.2Citra Grayscale 7

2.2.1.3Citra Warna 7

2.3Pengolahan Citra 8

2.4 Segmentasi 9

2.4.1 Deteksi Titik 10

2.4.2 Deteksi Garis 10

2.4.3 Deteksi Tepi 11

2.4.4 Deteksi Tepi Berdasarkan Turunan Pertama 11 2.4.5 Deteksi Tepi Berdasarkan Turunan Kedua 12

2.4.6 Operator Canny 12

2.4.7 Operator Robert 13

2.4.8 Operator Laplacian of Gaussian 14

2.5 Camera 360 15

2.6 Format File Citra Bitmap 16

2.7 Peak Signal to Noise Ratio (PSNR) 16

Bab III Analisis dan Perancangan Sistem

3.1Analisis Sistem 18

3.1.1 Analisis Masalah 18

3.1.2 Analisis Persyaratan 19

3.1.2.1PersyaratanFungsional 19

3.1.2.2PersyaratanNonfungsional 20

3.1.3 Analisis Proses 20

3.1.3.1Use Case Diagram 21

3.1.3.2Activity Diagram 24

3.1.3.3Sequence Diagram 25

3.1.3.4Flowchart Sistem 26

3.2Pseudocode Program 28

3.2.1 Pseudocode Deteksi Tepi Robert 28

3.2.2 Pseudocode Deteksi Tepi Canny 28

3.2.3 Pseudocode Deteksi Tepi Laplacian of Gaussian 29

3.2.4 Pseudocode Nilai MSE 30

3.2.5 Pseudocode Nilai PSNR 30

3.3 Perancangan Sistem 30

3.3.1 Form Home 31

3.3.2 Form Analysis 32

3.3.3 Form Implementation 33

3.3.4 Form Help 35

3.3.5 Form About 36

Bab IV Implementasi dan Pengujian

4.1Implementasi 37

4.1.1 Form Home 37

4.1.2 Form Implementation 38

4.1.3 Form Analysis 38

4.1.4 Form Help 39

4.1.5 Form About 39

4.2Pengujian 40

4.2.1 Pengujian Form Analysis 40

4.2.1.1 Proses Deteksi Tepi Pada Form Analysis 41 4.2.1.2Proses Deteksi Tepi Pada Form Implementation 42

4.3 Hasil Pengujian 44

Bab V Kesimpulan dan Saran

5.1Kesimpulan 50

5.2Saran 51

DAFTAR GAMBAR

Halaman

Gambar 2.1 Contoh Citra Biner 6

Gambar 2.2 Contoh Citra Grayscale 7

Gambar 2.3 Contoh Citra Warna 7

Gambar 2.4 (a) Citra burung nuri yang agak gelap (b) citra burung yang

telah ditingkatkan kontrasnya sehingga terlihat jelas dan tajam 8 Gambar 2.5 Deteksi Tepi dengan Operator Canny 13 Gambar 2.6 Deteksi Tepi dengan Operator Robert 13 Gambar 2.7 Deteksi Tepi dengan operator Laplacian of Gaussian 14 Gambar 2.8 Contoh Penggunaan Efek Camera 360 15 Gambar 3.1 Diagram Ishikawa Analisis Masalah 18

Gambar 3.2 Use Case Diagram Pada Sistem 20

Gambar 3.3 Activity Diagram Pada Sistem 24

Gambar 3.4 Sequance Diagram Pada Sistem 25

Gambar 3.5 Flowchart Sistem 26

Gambar 3.6 Perancangan Interface Form Home 30 Gambar 3.7 Perancangan Interface Form Analysis 31 Gambar 3.8 Perancangan Interface Form Implementation 32 Gambar 3.9 Perancangan Interface Form Help 34 Gambar 3.10 Perancangan Interface Form About 35

Gambar 4.1 Form Home 37

Gambar 4.2 Form Implementation 38

Gambar 4.3 Form Analysis 39

Gambar 4.4 Form Help 39

Gambar 4.5 Form About 40

Gambar 4.6 Citra yang akan diuji (a) Efek Sweet, (b) Efek Cool, (c) Efek Fresh, (d) Efek Grace dan (e) Efek Sunny 41 Gambar 4.7 Input Citra dengan Efek Sweet 41 Gambar 4.8 Proses Deteksi Tepi Citra Efek Sweet dengan Metode Canny,

Robert dan LoG Pada Form Analysis 42 Gambar 4.9 Proses Deteksi Tepi Citra Efek Sweet dengan Metode Canny,

Robert dan LoG Pada Form Implementation 43 Gambar 4.10 Grafik perbandingan nilai MSE 48 Gambar 4.11 Grafik perbandingan nilai PSNR 49 Gambar 4.12 Grafik perbandingan nilai Runtime 49

DAFTAR TABEL

Halaman

Tabel 3.1 Naratif Use Case Input Citra 20

Tabel 3.2 Naratif Use Case Deteksi Canny 21 Tabel 3.3 Naratif Use Case Deteksi Robert 22

Tabel 3.4 Naratif Use Case Deteksi LoG 22

Tabel 3.5 Keterangan Rancangan Interface Form Home 30 Tabel 3.6 Keterangan Rancangan Form Analysis 31 Tabel 3.7 Keterangan Rancangan Form Implementation 33 Tabel 3.8 Keterangan Rancangan Form Help 34

Tabel 3.9 Keterangan Rancangan Form About 35

Tabel 4.1 Perbandingan Hasil Deteksi Tepi Canny Pada Citra yang Diberi Efek 44 Tabel 4.2 Perbandingan Hasil Deteksi Tepi Robert Pada Citra yang Diberi Efek 45 Tabel 4.3 Perbandingan Hasil Deteksi Tepi LoG Pada Citra yang Diberi Efek 46 Tabel 4.4 Perbandingan Rata-rata Nilai MSE Pada Citra yang Diberi Efek 47 Tabel 4.5 Perbandingan Rata-rata Nilai PSNR Pada Citra yang Diberi Efek 47 Tabel 4.6 Perbandingan Rata-rata Nilai Running Time Pada Citra yang Diberi

DAFTAR LAMPIRAN

Halaman

Listing Program 54

ABSTRAK

Deteksi tepi merupakan bagian dari pengolahan citra. Deteksi tepi adalah proses untuk menghasilkan garis batas dari suatu objek yang terdapat pada citra. Deteksi tepi memiliki beberapa operator seperti operator Canny, Robert dan Laplacian of Gaussian.Pendeteksi tepian dengan menggunakan citra berwarna sudah biasa, namun disini dilakukan deteksi tepi menggunakan citra hasil dari Camera 360 yang mana citra sudah diberikan efek dengan format bitmap (*.bmp). Citra yang telah diberi efek

Light Colorakan di deteksi tepi dan akan membandingkan dengan ketiga operator tersebut. Parameter yang digunakan untuk mengukur nilai perbandingan antara ketiga operator deteksi tepi yaitu MSE, PSNR dan Running Time.Berdasarkan hasil pengujian diperoleh bahwa nilai rata-rata MSE dan PSNR operator Robert 15744,4 dan 0.628deciBell dengan nilai rata-rata Running Time 0.2862 detik, nilai rata rata MSE dan PSNR operator Canny 18139,5 dan 0.560deciBell dengan nilai rata-rata

Running Time 2.086 detik, nilai rata-rata MSE dan PSNR operator Laplacian of Gaussian 16147,1 dan 0.616deciBell nilai rata-rata Running Time 3.2726 detik. Dan operator Robert merupakan operator yang terbaik untuk pendeteksian tepi pada citra yang diberi efek dari Camera 360

Kunci : Deteksi tepi, Canny, Robert, Laplacian of Gaussian, Camera 360, Light Color

COMPARISON OF CANNY, ROBERT AND LAPLACIAN OF GAUSSIAN METHOD ON IMAGE RESULT OF THE CAMERA 360

ABSTRACT

Edge detection which is a part of image processing is a process to produce a boundary of an object in the image. Edge detection has several operators, including Canny, Robert and Laplacian of Gaussian. Edge detection in ordinary image color is a common thing, but in here using image of the Camera 360 for edge detection that has been given effect and in this system object used is a bitmap image (*.bmp). Image has been given effect Light Color will be on edge detection and will compare with the three edge detection operator. Parameters used is MSE, PSNR and real running time. Based on some test result obtained, the MSE and PSNR of Robert operators are 15744,4 and 0.628 deciBell with average value of running time 0.2862 second, the MSE and PSNR of Canny operators are 18139,5 and 0.560 deciBell with average value of running time 2.086 second, the MSE and PSNR of Laplacian of Gaussian operators are 16147.1 and 0.616 deciBell with average value of running time 3.2726 second. In conclusion Robert operator is the best edge detection for image result from the Camera 360.

Keyword: Edge Detection, Canny, Robert, Laplacian of Gaussian, Camera 360, Light Color

BAB 1 PENDAHULUAN

1.1Latar Belakang

Teknologi di era globalisasi sekarang ini semakin berkembang pesat, yang tentu saja berpengaruh terhadapa gaya hidup. Sebagai contohnya adalah teknologi Smartphone

sekarang ini paling digemari. Dalam pengambilan gambar sudah terlalu biasa dengan menggunakan kamera yang ada di Smartphone tersebut. Adanya rasa bosan dalam penggunaan kamera yang mana hasilnya tidak dapat di “perindah” dalam ponselnya. Pemakai memerlukan aplikasi kamera yang tidak hanya menghasilkan gambar yang biasa, perlunya aplikasi kamera yang mana hasilnya dapat di re-touch lagi sehingga menghasilkan gambar yang lebih menarik dan unik.

Dengan perkembangan teknologi ponsel saat ini, maka adanya aplikasi-aplikasi baru dalam mendukung penggunaanya, seperti aplikasi Camera 360 yang mana merupakan salah satu aplikasi pengambilan gambar paling banyak digunakan. Keunggulan dari aplikasi ini adanya berbagai macam efek yang tersedia, seperti

Magic Skin, Retro, Lomo, Enhance, Sketch dan masih banyak lagi. Seperti efek Magic Skin, efek ini dapat mengubah atau memudarkan kekusaman pada wajah sehingga hasil gambar yang diambil bersih dan bersinar. Tiap efek yang tersedia tersebut juga mampu digunakan untuk objek yang berbeda selain untuk wajah.

Deteksi tepi adalah proses untuk menemukan perubahan intesitas yang berbeda nyata dalam sebuah bidang citra. Metode Canny merupakan deteksi tepi dengan tingkat kesalahan minimum, yang mana deteksi ini menghasilkan citra tepian optimal.

Metode Robert merupakan teknik deteksi tepi yang sederhana dan memiliki tingkat komputasi yang cepat. Sedangkan metode Laplacian of Gaussian merupakan deteksi tepi yang dikembangkan dari turunan kedua, metode ini berbentuk omny directional (tidak horizontal dan tidak v1ertikal).

Dengan adanya efek-efek pada aplikasi Camera 360, akan dilakukan perbandingan deteksi tepi yang mana citra asli sudah diberikan efek dari Camera 360. Adapun tujuan dari pembuatan yaitu melakukan perbandingan dengan metode Canny, Robert dan Laplacian of Gaussian tersebut untuk mengetahui deteksi tepi mana yang lebih baik.

1.2Perumusan Masalah

Berdasarkan uraian latar belakang di atas, maka rumusan masalah yang akan dibahas adalah :

1. Bagaimana pengaruh dari metode Canny, Robert dan Laplacian of Gaussian

terhadap deteksi tepi citra yang dihasilkan?

2. Apakah perbedaan dari hasil citra dengan metode Canny, Robert dan Laplacian of Gaussian setelah citra diberikan efek Camera 360?

1.3Batasan Masalah

Adapun batasan masalah dalam penelitian ini adalah sebagai berikut :

1. Jenis format citra yang digunakan .BMP dan citra digital yang digunakan citra berwarna dengan ukuran dimensi maksimal 300x300 piksel.

2. Effect Light Color yang digunakan dalam Camera 360 untuk perbandingan metode Canny, Robert dan Laplacian of Gaussian dalam deteksi tepi yaitu Sweet, Cool, Sunny, Grace, Fresh.

3. Metode deteksi tepi yang digunakan untuk perbandingan adalah Canny, Robert dan Laplacian of Gaussian. Dan hasil citra dengan penggunaan efek yang lain juga dapat digunakan dalam aplikasi ini.

4. Parameter yang akan diukur untuk mengetahui hasil perbandingan dari masing-masing metode pendeteksi tepi adalah Mean Squared Error (MSE), Peak Signal to Noise Rasio (PSNR) dan Running Time.

1.4Tujuan Penelitian

Tujuan dari penelitian ini adalah membangun aplikasi untuk melakukan perbandingan deteksi tepi dengan metode Canny, Robert dan Laplacian of Gaussian pada hasil citra yang telah menggunakan efek dari Camera 360.

1.5Manfaat Penelitian

Dengan adanya penelitian ini diharapkan mampu membangun suatu aplikasi yang dapat melakukan deteksi tepi pada hasil Camera 360 dan mengetahui perbandingan antara metode Canny, Robert dan Laplacian of Gaussian serta mendapatkan hasil deteksi tepi yang terbaik. Aplikasi ini juga nantinya dapat dipergunakan untuk deteksi tepi pada efek-efek lain yang ada pada social media seperti Path atau Instagram.

1.6Metodologi Penelitian

Tahapan penelitian yang dilakukan dalam penelitian ini adalah : 1. Studi Literatur

Pada tahan ini dilakukan peninjauan terhadap buku, artikel, jurnal, maupun hasil penelitian terdahulu sebagai referensi yang diperlukan dalam melakukan penelitian. Ini dilakukan untuk memperoleh informasi yang terkait dengan metode Canny, Robert dan Laplacian of Gaussian.

2. Analisis dan Perancangan

Dengan adanya rumusan dan batasan masalah, kebutuhan perancangan dianalisis disertai pembuatan flowchart, Unified Modeling Language (UML), Design Interface.

3. Implementasi

Sistem diimplementasi dengan menggunakan metode Canny, Robert dan

Laplacian of Gaussian. 4. Pengujian

Adanya pengujian yang dilakukan dengan memberikan efek Light Color pada hasil citra dengan Camera 360, kemudian dilakukan pendeksian tepi menggunakan metode Canny, Robert dan Laplacian of Gaussian terhadap citra yang telah diberikan efek Light Color kemudian dibandingkan

Pembuatan dokumentasi dilakukan selama penelitian berlangsung sampai penelitian selesai yang dibuat dalam bentuk laporan.

1.7Sistematika Penulisan

Agar pembahasan lebih sistematis, maka tulisan ini dibuat dalam lima bab, yaitu :

BAB I PENDAHULUAN

Berisi latar belakang, perumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan sistematika penulisan.

BAB II LANDASAN TEORI

Berisi teori mengenai pengolahan citra, proses deteksi tepi, metode Canny, Robert dan Laplacian of Gaussian.

BAB III ANALISIS DAN PERANCANGAN

Berisi tentang analisis metode Canny, Robert dan Laplacian of Gaussian dalam mendeteksi tepi pada citra yang terdiri dari Use Case Diagram, Activity Diagram, Pseudocode Program,

Flowchart dan perancangan tampilan form aplikasi.

BAB IV IMPLEMENTASI DAN PENGUJIAN

Berisi mengenai sistem dan pembuatan program sesuai dengan analisis dan perancangan sistem kemudian dilakukan pengujian terhadap sistem.

BAB V KESIMPULAN DAN SARAN

Berisi kesimpulan yang diperoleh dari hasil penelitian dan saran-saran yang berguna untuk pengembangan penelitian selanjutnya.

BAB II

LANDASAN TEORI

2.1Citra

Secara harafiah, citra (image) adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dwimatra. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh oleh alat-alat optik, misalnya mata pada manusia, kamera, pemindai (scanner), dan sebagainya, sehingga bayangan objek yang disebut citra tersebut terekam.

Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat: 1. optik berupa foto;

2. analog berupa sinyal video seperti gambar pada monitor televisi; 3. digital yang dapat langsung disimpan pada suatu pita magnetik;

Citra bergerak (moving images) adalah rangkaian citra diam yang ditampilkan secara beruntun (sekuensial) sehingga memberi kesan pada mata kita sebagai gambar yang bergerak. Setiap citra di dalam rangkaian itu disebut frame. Gambar- gambar yang tampak pada film layar lebar atau televisi pada hakikatnya terdiri atas ratusan sampai ribuan frame (Ahmad, 2005).

2.2Citra Digital

Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. 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 media penyimpan.Citra

6

digital adalah citra yang dapat diolah oleh komputer. Citra digital merupakan teknologi dengan penerapan angka dalam computer untuk proses citra digital. Hasil pengaplikasian citra digital biasa ditemukan dalam robotik, fotografi, dan representasi visual dalam medis (Thyagarajan, 2006).

Citra atau gambar dapat didefinisikan sebagai sebuah fungsi dua dimensi f(x, y) dimana x dan y adalah koordinat bidang datar, sedangkan harga fungsi f di setiap pasangan koordinat (x, y) disebut intensitas atau level keabuan (grey level) dari gambar di titik tersebut. Jika x, y dan f semuanya berhingga (finite) dan nilainya diskrit, maka gambarnya disebut citra digital atau gambar digital. Sebuah citra digital terdiri dari sejumlah elemen yang berhingga, dimana masing-masing mempunyai lokasi dan nilai tertentu. Elemen-elemen ini disebut sebagai picture element, image element, pels atau piksels (Ahmad, 2005).

2.2.1 Jenis-jenis Citra Digital

Ada banyak cara untuk menyimpan citra digital di dalam memori. Cara penyimpanan menentukan jenis citra digital yang terbentuk. Beberapa jenis citra digital yang sering digunakan adalah citra biner, citra grayscale dan citra warna.

2.2.1.1 Citra Biner

Citra biner merupakan citra yang telah melalui proses pemisahan piksel-piksel berdasarkan derajat keabuan yang dimiliki. Citra biner adalah citra yang hanya direpresentasikan nilai tiap piksel-nya dalam satu bit (satu nilai binary). Citra biner dimana citra pikselnya hanya bernilai hitam dan putih. Dibutuhkan satu bit di memori untuk menyimpan kedua warna ini. Setiap piksel pada citra bernilai 0 untuk warna hitam dan 1 untuk warna putih (Burger, 2009). Salah satu contoh dari citra biner ditunjukan seperti Gambar 2.1.

7

2.2.1.2. Citra Grayscale

Citra grayscale menggunakan warna tingkatan keabuan. Warna abu-abu merupakan satu-satunya warna pada ruang RGB dengan komponen merah, hijau, dan biru yang mempunyai nilai intensitas yang sama. Citra grayscale memiliki kedalaman warna 8 bit (256 kombinasi warna keabuan). Banyaknya warna yang ada tergantung pada jumlah bit yang disediakan di memori untuk menampung kebutuhan warna ini. Citra grayscale ditunjukan seperti pada Gambar 2.2.

Gambar 2.2 Citra Grayscale

2.2.1.3. Citra Warna

Citra berwarna, atau biasa dinamakan citra RGB, merupakan jenis citra yang menyajikan warna dalam bentuk komponen R (red), G (green), dan B (blue). Setiap komponen warna menggunakan 8 bit (nilainya berkisar antara 0 sampai dengan 255). Dengan demikian, kemungkinan warna yang bisa disajikan mencapai 255 x 255 x 255 atau 16.581.375 warna. Itu sebabnya format ini dinamakan true color karena memiliki jumlah warna yang cukup besar. Citra RGB ditunjukan seperti pada Gambar 2.3.

8

Gambar 2.3 Citra RGB

2.3Pengolahan Citra

Meskipun sebuah citra kaya informasi, namun seringkali citra yang ada mengalami penurunan mutu (degradasi), misalnya mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur (blurring), dan sebagainya. Tentu saja citra semacam ini menjadi lebih sulit diinterpretasi karena informasi yang disampaikan oleh citra tersebut menjadi berkurang. Agar citra yang mengalami gangguan mudah diinterpretasi (baik oleh manusia maupun mesin), maka citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya lebih baik. Bidang studi yang menyangkut hal ini adalah pengolahan citra (image processing).

Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik . Sebagai contoh, citra burung nuri pada Gambar 2.4 (a) tampak agak gelap, lalu dengan operasi pengolahan citra kontrasnya ditingkatkan sehingga menjadi lebih terang dan tajam (b).

Umumnya, operasi-operasi pada pengolahan citra diterapkan pada citra bila: 1. perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan

kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra;

2. elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur; 3. sebagian citra perlu digabung dengan bagian citra yang lain;

9

Gambar 2.4 (a) Citra burung nuri yang agak gelap, (b) Citra burung yang telah ditingkatkan kontrasnya sehingga terlihat jelas dan tajam

Pengolahan citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (dalam hal ini komputer). Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain. Jadi, masukannya adalah citra dan keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih baik daripada citra masukan. Termasuk ke dalam bidang ini juga adalah pemampatan citra (Kadir, 2013).

2.4Segmentasi

Segmentasi citra bertujuan untuk membagi wilayah-wilayah yang homogen. Segmentasi adalah salah satu metode penting yang digunakan untuk mengubah citra input ke dalam citra output berdasarkan atribut yang diambil dari citra tersebut. Segmentasi membagi citra ke dalam daerah intensitasnya masing-masing sehingga bisa membedakan antara objek dan background-nya. Pembagian ini tergantung pada masalah yang akan diselesaikan. Segmentasi harus dihentikan apabila masing-masing objek telah terisolasi atau terlihat jelas. Tingkat keakurasian segmentasi bergantung pada tingkat keberhasilan prosedur analisis yang dilakukan. Dan diharapkan proses segmentasi memiliki tingkat keakuratan yang tinggi. Algoritma dari segmentasi citra terbagi dalam dua macam, yaitu: 1. Diskontinuitas

Pembagian citra berdasarkan perbedaan dalam intensitasnya, contohnya titik, garis, dan tepi (edge).

2. Similaritas

Pembagian citra berdasarkan kesamaan-kesamaan kriteria yang dimilikinya, contohnya thresholding, region growing, region splitting, dan region merging

(Sutoyo, 2009).

2.4.1 Deteksi Titik

Pendeteksian titik yang terisolasi dari suatu citra secara prinsip berlangsung secara

straight forward. Dapat dikatakan bahwa suatu titik dinyatakan terisolasi jika:

| R | ≥ T

Dimana T adalah threshold positif dan R adalah nilai dari persamaan:

R = ∑�_�=�����

Dengan demikian, titik yang terisolasi adalah titik yang berbeda (secara signifikan) dengan titik-titik di sekitarnya. Adapun mask-nya adalah :

-1 -1 -1 -1 8 -1 -1 -1 -1

2.4.2 Deteksi Garis

Pendeteksian garis dari suatu citra dilakukan dengan mencocokkan dengan mask

dan menunjukkan bagian tertentu yang berbeda secara garis lurus baik secara vertikal, horisontal, maupun miring 450 (baik kanan maupun kiri).

Secara matematis dapat dirumuskan sebagai berikut:

Adapun mask untuk mendeteksi garis adalah sebagai berikut:

Arah horizontal dan vertikal

Arah + 450

2.4.3. Deteksi Tepi

Deteksi tepi adalah proses untuk menemukan perubahan intesitas yang berbeda nyata dalam sebuah bidang citra. Deteksi tepi sensitif terhadap perubahan nilai keabuan yang diambil dari nilai lingkungannya. Dengan cara ini, citra terbentuk dimana bagian-bagian dari citra tampak terang dan di mana perubahan terjadi ketika semua bagian lainnya tetap gelap (Jähne, 2004)

Biasanya operator yang digunakan untuk mendeteksi tepi yang pertama adalah operator berbasis Gradient (turunan pertama), yaitu operator Robert, operator Sobel, dan operator Prewitt. Yang kedua adalah operator berbasis turunan kedua, yaitu operator Laplacian dan operator Laplacian of Gaussian.

2.4.4 Deteksi Tepi Berdasarkan Turunan Pertama

Terdapat berbagai operator deteksi tepi yang telah dikembangkan berdasarkan turunan pertama (first order derivative), diantaranya operator Robert, operator Canny, operator Prewitt, operator Krisch dan operator Sobel. Konsep dasar dari perhitungan deteksi tepi menggunakan turunan pertama adalah dengan memanfaatkan perbedaan nilai suatu piksel dengan piksel tetanggnya, seperti persamaan dibawah ini.

∆y = f(x,y) – f(x,y+1)

∆x = f(x,y) – f(x-1,y) -1 -1 -1

2 2 2 -1 -1 -1 2 -1 -1 -1 2 -1 -1 -1 2

dimana ∆y menyatakan perbedaan nilai piksel dalam arah y, sedangkan ∆x menyatakan perbedaan nilai piksel dalam arah x. dalam proses konvolusi, ∆y diwakili dengan matrik 2 x 1,

�₋1₁�

Sedangkan ∆x diwakili dengan matrik 1 x 2 : [₋1 1]

∆y dan ∆x dapat digunakan untuk menghitung nilai gradiean sebagai berikut:

gradient = tan-1�∆� ∆��

2.4.5 Deteksi Tepi Berdasarkan Turunan Kedua

Adanya pengembangan selanjutnya dari deteksi tepi mengarah pada turunan kedua (second order detection). Setiap operator deteksi tepi yang telah dijelaskan sebelumnya, akan menampilkan area yang terdeteksi sebagai tepian. Tepian yang dihasilkan masih berupa garis yang tebal. Idealnya, suatu operator deteksi harus dapat menampilkan pusat tepian. Jika suatu deteksi tepi menghasilkan tepian yang lebar maka sangat sulit untuk menentukan pusat dari tepian tersebut. Oleh karena itu perlu dilakukan proses thining untuk mengurangi lebar tepian menjadi 1 piksel. Deteksi tepi dari turunan kedua adalah Laplacian of Gaussian (Putra, 2010).

2.4.6 Operator Canny

Deteksi tepi Canny dapat mendeteksi tepian yang sebenarnya dengan tingkat kesalahan minimum. Dengan kata lain, operator Canny didesain untuk menghasilkan citra tepian optimal. Berikut adalah langkah-langkah dalam melakukan deteksi tepi Canny.

a. Menghilangkan derau yang ada pada citra dengan mengimplementasikan tapis Gaussian. Proses ini akan menghasilkan citra yang tampak sedikit buram. Hal ini dimaksudkan untuk mendapatkan tepian citra yang sebenarnya. Bila tidak dilakukan maka garis-garis halus juga akan dideteksi sebagian tepian. Berikut

13 1 115 ⎣ ⎢ ⎢ ⎢

⎡2₄ 4_{9 12}5

5 4 2 12 9 4 15 12 5 4 2 9 4 12 9 4 5 4 2⎦⎥

⎥ ⎥ ⎤

b. Melakukan deteksi tepi dengan salah satu operator deteksi tepi seperti Roberts, Prewitt atau Sobel dengan melakukan pencarian secara horizontal (GRxR) dan secara vertikal (GRyR).

c. Menentukan arah tepian yang ditemukan dengan menggunakan rumus sebagai berikut:

� = arctan ��� ���

Selanjutnya membagi ke dalam 4 warna sehingga garis dengan arah berbeda dan memiliki warna yang berbeda. Pembagiannya adalah 0 – 22,5 dan 157,5 – 180 derajat berwarna kuning, 22,5 – 67,5 berwarna hijau, dengan derajat 67,5 – 157,5 berwarna merah.

d. Memperkecil garis tepi yang muncul dengan menerapkan nonmaximum suppression sehingga menghasilkan garis tepian yang lebih ramping.

e. Terakhir yaitu binerisasi dengan menerapkan dua buah thresholding (Putra. 2010).

Gambar 2.5 menunjukan contoh dari deteksi tepi metode Canny.

Gambar 2.5 Deteksi tepi dengan operator Canny 2.4.7 Operator Robert

Operator Robert merupakan suatu teknik deteksi tepi sederhana dan memiliki tingkat komputasi yang cepat. Pada umumnya operator ini digunakan untuk citra

14

grayscale. Operator Robert dapat digambarkan dengan dua matriks berukuran 2 x 2.

GRx R GRy

Matriks diatas dapat merespon tepian maksimal hingga 45P 0

P

. Kedua matriks di atas dapat diterapkan pada citra secara terpisah, baik untuk mendapatkan tepian horisontal maupun tepian vertikal. Kedua matriks ini juga dapat dikombinasikan dengan salah satu dari cara berikut untuk mendapatkan hasil gradient dari tepi, yaitu:

| G | = | GRxR | + | GRyR |

Gambar 2.6 menunjukan contoh dari deteksi tepi metode Robert.

Gambar 2.6 Deteksi tepi dengan operator Robert 2.4.8 Operator Laplacian of Gaussian

Laplacian of Gaussian adalah salah satu operator deteksi tepi yang dikembangkan dari turunan kedua. Operator Laplacian of Gaussian sangat berbeda dengan operator dengan operator yang lainnya, karena operator Laplacian berbentuk omny directional (tidak horizontal tidak vertikal). Operator ini akan menangkap tepian dari semua arah dan menghasilkan tepian yang lebih tajam dari operator yang lainnya. Laplacian of Gaussian terbentuk dari proses Gaussian yang diikuti operasi Laplace. Hasilnya tidak terlalu terpengaruh oleh derau karena fungsi Gaussian adalah mengurangi derau. Laplacian mask meminimalisasi kemungkinan

0 1 -1 0 1 0

15

kesalahan deteksi tepi. Fungsi dari Laplacian of Gaussian adalah sebagai berikut (Putra, 2010) :

LoG(x,y) = − 1

��4 �1−� 2_+�2 2�2 � �

−(�2+�2) 2�2

Fungsi diatas merupakan fungsi untuk membentuk tapis dari Laplacian of Gaussian. Salah satu contoh operator LoG dalam matriks 3 x 3 berikut ini:

�−01 0 −1 4 −1 0 −1 0 �

Gambar 2.7 menunjukan contoh dari deteksi tepi metode LoG.

Gambar 2.7Deteksi tepi dengan operator LoG 2.5 Camera 360

Sebagian besar pengguna situs jejaring sosial sering mengambil gambar menggunakan smartphone kemudian meng-upload nya ke akun mereka. Dengan aplikasi Camera 360, hal seperti ini dapat dilakukan dengan cepat dan mudah, berkat fitur Easy Sharing yang disediakannya. Camera 360 sudah lebih dari 100.000.000 juta pengguna (sumber : Play Store). Dan tentunya, hasil jepretan yang didapatkan pun jauh lebih bagus. Para pengguna aplikasi ini tinggal memilih saja modus pengambilan gambar mana yang ingin mereka gunakan. Beberapa modus pengambilan gambar yang tersedia antara lain adalah Effects Mode, Sony Camera Mode, Quick-shoot Mode, Tilt-shift Mode, dan Self-portrait Mode. Camera

360 dapat diunduh secara gratis dari Google Play Store. Aplikasi kamera ini membutuhkan Android versi 2.2 ke atas. Salah satu contoh penggunaan efek pada

16

(a) Efek Sketch (b) Efek Light Color

Gambar2.8 Penggunaan efek Camera 360 2.6 Format File Citra Bitmap

Citra bitmap sering disebut juga dengan citra raster. Citra bitmap merupakan format file citra yang tidak mengalami proses kompresi sehingga kualitas gambar yang dihasilkan lebih baik daripada file citra dengan format lain. Citra bitmap menyimpan data kode citra secara digital dan lengkap (cara penyimpanannya adalah per piksel). Citra bitmap dipresentasikan dalam bentuk matriks atau dipetakan dengan menggunakan bilangan biner atau sistem bilangan lain. Citra ini memiliki kelebihan untuk memanipulasi warna, tetapi untuk mengubah objek lebih sulit. Tampilan bitmap mampu menunjukkan kehalusan gradasi bayangan dan warna dari sebuah gambar.Oleh karena itu, bitmap merupakan media elektronik yang paling tepat untuk gambar-gambar dengan perpaduan gradasi warna yang rumit, seperti foto dan lukisan digital. Citra bitmap biasanya diperoleh dengan cara scanner, camera digital, video capture, dan lain-lain.

2.7 Peak Signal to Noise Ratio (PSNR)

Peak Signal to Noise Ratio (PSNR) adalah sebuah perhitungan yang menentukan nilai dari sebuah citra yang dihasilkan. PSNR adalah perbandingan antara nilai maksimum dari sinyal yang diukur dengan besarnya noise yang berpengaruh pada sinyal tersebut. PSNR biasanya diukur dalam satuan desibel. Nilai PSNR ditentukan oleh besar atau kecilnya nilai MSE yang terjadi pada citra. Semakin besar nilai PSNR, semakin baik pula hasil yang diperoleh pada tampilan citra hasil. Sebaliknya, semakin kecil nilai PSNR, maka akan semakin buruk pula hasil yang diperoleh pada tampilan citra hasil. Satuan nilai dari PSNR sama seperti MSE,

yaitu dB (deciBell). Jadi hubungan antara nilai PSNR dengan nilai MSE adalah semakin besar nilai PSNR, maka akan semakin kecil nilai MSE-nya (Ainun, 2014). Perhitungan PSNR dilakukan dengan menggunakan rumus:

PSNR = 10 log 2552 ���

Keterangan :

MSE = nilai dari Mean Squared Error 255 = nilai skala keabuan dari citra

2.8 Mean Square Error (MSE)

Mean Square Error (MSE) adalah kesalahan kuadrat rata-rata. Nilai MSE didapat dengan membandingkan nilai selisih piksel-piksel citra asal dengan citra hasil pada posisi piksel yang sama. Semakin besar nilai MSE, maka tampilan pada citra hasil akan semakin buruk. Sebaliknya, semakin kecil nilai MSE, maka tampilan pada citra hasil akan semakin baik. Satuan nilai dari MSE. Perhitungan MSE dilakukan dengan menggunakan rumus:

Keterangan :

f (x, y) = citra asli dengan dimensi m x n

fˆ(x, y) = citra hasil yang telah mengalami proses

( ) ( )

[

]

∑∑

− = − = − = 1 0 1 0 2 , ˆ , 1 m i n j y x f y x f mn MSE

BAB 3

ANALISIS DAN PERANCANGAN SISTEM

3.1Analisis Sistem

Analisis sistem merupakan salah satu tahapan dalam perancangan sebuah sistem. Bertujuan untuk memahami dan mendeskripsikan apa yang harus dilakukan dalam proses perancangan sebuah sistem. Secara umum analisis sistem terbagi atas analisis masalah dan analisis persyaratan.

3.1.1 Analisis Masalah

Masalah yang akan diselesaikan dengan menggunakan sistem ini adalah pendeteksian tepi pada citra yang telah diberikan efek dari Camera 360. Pendeteksian dengan menggunakan citra berwarna merupakan hal yang sudah biasa. Dalam sistem ini citra yang telah diberikan efek akan dilakukan pendeteksian tepi dengan metode Canny, Robert dan Laplacian of Gaussian.

Untuk mengindentifikasi akar penyebab masalah tersebut digunakan diagram Ishikawa (fishbone diagram). Diagram Ishikawa merupakan suatu alat visual untuk mengindentifikasi dan mengorganisasi penyebab-penyebab yang mungkin timbul dari suatu efek spesifik dan memisahkan akar penyebabnya. Analisis masalah pada penelitian ini dapat ditunjukkan oleh diagram Ishikawa pada Gambar 3.1.

Gambar 3.1 Diagram Ishikawa Analisis Masalah

Diagram Ishikawa yang ditunjukan pada Gambar 3.1 terbagi atas dua bagian yaitu

head dan bone. Bone terdiri dari 4 aspek yaitu Man, Method, Machine dan Material.

Man adalah pengguna dari sistem tersebut, Method adalah bagaimana proses deteksi dilakukan yaitu dengan menggunakan operator Canny, Robert dan LoG, Material

adalah yang diperlukan dalam menjalankan sistem yaitu citra berwarna yang telah diberi efek Camera 360 dan Machine dari deteksi tepi citra yaitu mendeteksi citra yang diberi efek. Head dari sistem ini yaitu melakukan deteksi tepi citra.

3.1.2 Analisis Persyaratan

Analisis persyaratan terdiri dari analisis persyaratan fungsional dan persyaratan nonfungsional. Aktifitas yang harus dipenuhi dari suatu sistem yaitu persyaratan fungsional sedangkan persyaratan nonfungsional hal sebagai pelengkap dari suatu sistem.

3.1.2.1Persyaratan Fungsional

Persyaratan fungsional merupakan aktifitas yang harus dipenuhi oleh suatu sistem yang jenis kebutuhannya berisi proses-proses apa saja yang nantinya dilakukan oleh sistem. Pada penelitian ini persyaratan fungsional sistem adalah:

1. Citra digital yang digunakan adalah citra berwarna yang telah diberikan efek dan menggunakan format .*BMP dengan ukuran dimensi maksimal 300 x 300 piksel.

2. Metode deteksi tepi yang digunakan untuk melakukan perbandingan adalah Canny, Robert dan Laplacian of Gaussian.

3. Parameter untuk perbandingan sistem menggunakan Mean Squared Error (MSE),

Peak Signal to Noise Ratio (PSNR) dan Running Time.

3.1.2.2Persyaratan Nonfungsional

Persyaratan nonfungsional merupakan tipe kebutuhan yang berisi properti perilaku yang dimiliki oleh sistem. Persyaratan nonfungsional sistem yang akan dibangun meliputi beberapa aspek, yaitu:

1. Sistem yang akan dibangun harus dapat menunjukan hasil dari proses deteksi tepi citra yang telah diberikan efek.

2. Dapat dengan mudah digunakan dan dimengerti oleh pengguna (user friendly). 3. Tidak memerlukan perangkat lain yang mengeluarkan biaya tambahan.

4. Sistem yang akan dibangun dapat menyimpan citra hasil deteksi tepi sesuai dengan format citra yang digunakan yaitu format *.bmp.

5. Sistem yang akan dibangun memiliki kontrol dimana citra harus terlebih dahulu di-input untuk dapat melakukan pendeteksian dan menghasilkan citra yang telah dideteksi.

3.1.3 Analisis Proses

Dalam sistem ini, deteksi tepi yang digunakan pada citra yang telah diberi efek

Camera 360 adalah metode Canny, Robert dan Laplacian of Gaussian. Proses dari metode Canny dengan mengubah citra menjadi grayscale, kemudian dilakukan proses

filtering Gaussian untuk menghilangkan derau yang ada dan hasil filtering tersebut akan dihitung nilai gradient-nya lalu dilakukan nonmaximum suppression untuk memperkecil garis tepi yang muncul dan melakukan thresholding. Proses metode Robert dengan mengubah citra menjadi grayscale, kemudian melakukan konvolusi dengan mask Robert dan dihitung nilai gradient-nya lalu melakukan thresholding. Proses metode Laplacian of Gaussian dengan mengubah citra menjadi grayscale dan melakukan pemanggilan prosedur dari Laplacian of Gaussian.

1. Use Case Diagram

Use Case Diagram merupakan representasi interaksi yang terjadi antara pengguna dengan sistem. Use Case Diagram menampilkan bagaimana sistem akan bekerja dari sudut pandang pengguna dan teknik yang digunakan untuk menampilkan kebutuhan fungsional dari sistem tersebut. Use Case Diagram dari sistem ditunjukan pada Gambar 3.2.

Gambar 3.2 Use Case Diagram Pada Sistem Tabel 3.1 Naratif Use caseInput Citra Name Use Case Input citra

Actor Pengguna sistem

Description

Use Case mendeskripsikan form Analysis dan Implementation yang dimulai dari pemilihan jenis citra yang telah diberi efek pada form Analysis dan citra tidak diberi efek pada Implementation

Pre-Condition Ada di form Implementation dan Analysis

Typical course of

event Aksi Aktor Respon Sistem

Langkah 1 : Memilih form

Implementation atau Analysis

Langkah 2 : Sistem menerima masukan dari pilihan menu dan menampilkan form yang dipilih

Langkah 3 : Meng-inputkan citra

dengan menekan button jenis efek

button 'Choose Image’ pada form

Implementation

Langkah 4 : Sistem menerima masukan dari pilihan citra yang

ditampilkan

Alternate course Aksi Aktor Respon sistem

- -

Post Condition Sistem selanjutnya melakukan tahapan deteksi tepi

Tabel 3.2 Naratif Use case Deteksi Canny Name Use Case Deteksi Canny

Actor Pengguna sistem

Description Use Case mendeskripsikan proses deteksi tepi citra dengan metode Canny

Pre-Condition Sudah melalui proses Input citra

Typical course of

event Aksi Aktor Respon Sistem

Langkah 1 : Melakukan deteksi tepi

dengan menekan button ‘Canny’

Langkah 2 : Sistem menampilkan citra hasil deteksi tepi

Langkah 3 : Melakukan perhitungan MSE dan PSNR dengan menekan

button ‘MSE’ dan ‘PSNR’

Langkah 4 : Menampilkan nilai MSE dan PSNR

Langkah 5 : Menyimpan citra hasil deteksi tepi dengan menekan button

‘Save’

Langkah 6 : Sistem menunjukan

penyimpanan citra hasil deteksi tepi

Alternate course Aksi Aktor Respon sistem

- -

Tabel 3.3 Naratif Use case Deteksi Robert Name Use Case Deteksi Robert

Actor Pengguna sistem

Description Use Case mendeskripsikan proses deteksi tepi citra dengan metode

Robert

Pre-Condition Sudah melalui proses Input citra

Typical course of event Aksi Aktor Respon Sistem

Langkah 1 : Melakukan deteksi tepi dengan menekan

button ‘Robert’

Langkah 2 : Sistem menampilkan citra hasil deteksi tepi

Langkah 3 : Melakukan

perhitungan MSE dan PSNR

dengan menekan button

‘MSE’ dan ‘PSNR’

Langkah 4 : Menampilkan nilai MSE dan PSNR

Langkah 5 : Menyimpan citra hasil deteksi tepi dengan

menekan button ‘Save’

Langkah 6 : Sistem menunjukan

penyimpanan citra hasil deteksi tepi

Alternate course Aksi Aktor Respon sistem

- -

Post Condition Sistem siap melakukan tahapan deteksi tepi Robert

Tabel 3.4 Naratif Use case Deteksi LoG Name Use Case Deteksi LoG

Actor Pengguna sistem

Description Use Case mendeskripsikan proses deteksi tepi citra dengan metode

Log

Pre-Condition Sudah melalui proses Input citra

Typical course of event Aksi Aktor Respon Sistem

Langkah 1 : Melakukan deteksi tepi dengan menekan

Langkah 2 : Sistem menampilkan citra hasil deteksi tepi

Langkah 3 : Melakukan

perhitungan MSE dan PSNR

dengan menekan button

‘MSE’ dan ‘PSNR’

Langkah 4 : Menampilkan nilai MSE dan PSNR

Langkah 5 : Menyimpan citra hasil deteksi tepi dengan

menekan button ‘Save’

Langkah 6 : Sistem menunjukan

penyimpanan citra hasil deteksi tepi

Alternate course Aksi Aktor Respon sistem

- -

Post Condition Sistem siap melakukan tahapan deteksi tepi LoG

2. Activity Diagram

Activity diagram merupakan teknik untuk menggambarkan berbagai alur aktivitas dalam sistem yang sedang dibangun. Activity diagram mengilustrasikan alur dari proses yang terjadi dalam sebuah use case. Activity diagram dari sistem ditunjukan pada Gambar 3.3.

Gambar 3.3 Activity Diagram Pada Sistem

3. Sequence Diagram

Sequence diagram merupakan penyajian perilaku yang tersusun sebagai rangkaian langkah-langkah percontohan dari waktu ke waktu. Sequence diagram digunakan untuk menggambarkan arus pekerjaan, pesan yang disampaikan dan bagaimana elemen-elemen di dalamnya bekerja sama dari waktu ke waktu untuk mencapai suatu hasil. Sequencediagram dari sistem ditunjukan pada Gambar 3.4.

Gambar 3.4 Sequence Diagram Pada Sistem

4. Flowchart

Flowchart merupakan sebuah diagram dengan simbol-simbol grafis yang menyatakan aliran algoritma atau proses yang menampilkan langkah-langkah yang disimbolkan dalam bentuk tertentu, beserta urutannya dengan menghubungkan masing-masing langkah dengan menggunakan tanda panah. Flowchart dari sistem ditunjukan pada Gambar 3.5.

3.2Pseudocode

Pseudocode merupakan sebuah kode yang digunakan untuk menuliskan sebuah algoritma dengan cara yang bebas yang tidak terkait dengan bahasa pemrograman tertentu. Pseudocode berisi langkah-langkah untuk menyelesaikan suatu permasalahan yang bentuknya sedikit berbeda dari algoritma. Pseudocode menggunakan bahasa yang hampir menyerupai bahasa pemrograman melainkan menggunakan bahasa yang mudah dipahami secara umum dan juga lebih ringkas.

3.2.1 Pseudocode Deteksi Tepi Robert

1. Menentukan panjang dan lebar citra

x <- image.height y <- image.width

2. Mengubah ke grayscale

for i <- 0 to x – 2 for j <- 0 to y – 2

ptrf <- image.getpixel (i,j).R ptrf <- image.getpixel (i+1,j).R ptrf <- image.getpixel (i,j).R

3. Menentukan deteksi tepi

gray <- sqrt((ptrf-ptrf)^2 + (ptrf-ptrf)^2) output.setpixel (i,j, color, (gray,gray,gray) gray <- 0

Pada Pseudocede deteksi tepi Robert dimulai dengan menentukan panjang dan lebar dari citra dan melakukan pengubahan citra menjadi grayscale setelah itu melakukan perhitungan gradient dan melakukan thresholding yang mengubah citra menjadi hitam putih.

3.2.2 Pseudocode Deteksi Tepi Canny

1. Melakukan Gaussian filter

Sigma <- 5 Size <- 30

x = (-size / 2, size / 2, size)

gaussfilter <- exp(-x .^ 2 / (2 * sigma ^ 2)) gaussfilter <- gaussfilter / sum (gaussfilter)

For j <- 1 to b.tinggi – 2 For i <- 1 to b.lebar -2

Gy[j][i] <- (p[j+1] [i-1].r - p[j-1] [i-1].r) + 2 * (p[j+1] [i].r – p[j-1][i].r) + (p[j+1] [i+1].r - p[j-1] [i+1].r)

Gx[j][i] <- (p[j-1] [i+1].r – p[j][i].r) + 2 * (p[j][i-1].r) + (p[j+1][i+1].r – p[j+1][i-1].r)

Mag[j][i] <- sqrt(gx[j][i] * gx[j][i] + gy[j][i] * gy[j][i])

3. Non-maximum suppression

For j <- 1 to b.tinggi – 2 For i <- 1 to b.lebar -2 Dir <- arctan2 (gy[j][i], gx[j][i]) Dx <- round (cos (dir))

Dy <- round (sin (dir))

Edge[j][i] <- (mag[j][i] >= mag[j+dy][i+dx])&& (mag[j][i] >= mag[j-dy][i-dx)

4. Melakukan thresholding dan menentukan arah tepi

Thrlow <- 10 Thrhigh <- 90

For j <- 1 to b.tinggi - 2

For i <- 1 to be.lebar – 2

Edge[j][i] && (mag[y][x] >= thrhigh) trace(i,j)

Pada Pseudocode deteksi tepi Canny citra akan dilakukan filtering dengan menggunakan Gaussian filter untuk menghilangkan derau yang ada pada citra. Setelah itu dilakukan menghitung gradient dengan mask Sobel, kemudian dilakukan Non-maximum Suppression untuk menghilangkan nilai yang tidak maksimum dan mengubahnya dengan 0. Kemudian menentukan arah tepi dan melakukan thresholding

untuk mengubah citra menjadi hitam putih.

3.2.3 Pseudocode Deteksi Tepi Laplacian of Gaussian

1. Melakukan zero crossing

for k <- 0 < size for l <- 0 < size

tempPtr <- srcData + ((colm + l) * srcData) c <-((row + k) * offset +

((row + k) * offset) + 1 + ((row + k) * offset) + 2)/3

2. Melakukan pendeteksian noise dan thresholding

for k <- 0 < size for l <- 0 < size

tempPtr <- srcData + (i + l) * srcData

c <- ((j + k) * offset) + ((j + k) * offset) + 1] + ((j + k) * offset) + 2]) / 3

nTemp += c * MASK[mdl + k, mdl + l]; if (nTemp > d)

[row * offset] <-[row * offset + 1] <-[row *offset + 2]<- 255 else

[row * offset] <-[row * offset + 1] <-[row*offset+2]<-0 return

Pada Pseudocode deteksi tepi Laplacian of Gaussian akan dilakukan zero crossing

untuk menentukan garis hitam dan putih yang terdapat pada turunan kedua dari citra yang dideteksi. Setelah itu akan dilakukan pendeteksian noise dan thresholding.

3.2.4 Pseudocode Nilai MSE

1. Menentukan nilai citra asli dan citra hasil

sum <- 0

for i <- 0 to imageasli.height – 1 for j <- 0 to imageasli.width – 1 pxasli <- imageasli.getpixel(j,i).R pxhasil <- imageasli.getpixel(j,i).R

2. Mendeklarasikan rumus MSE

sum <- sum + (pxasli-pxhasil)^2

3. Melakukan perhitungan nilai MSE

MSE <- sum / (imageasli.height * imageasli.width)

Pada Pseudocode nilai MSE dilakukan perhitungan citra asli dengan citra hasil yang telah dideteksi tepi.

3.2.5 Pseudocode Nilai PSNR

1. Melakukan perhitungan nilai PSNR

PSNR <- 10 * log 10 (255 ^ 2/MSE) PSNR <- PSNR

Pada Pseudocode nilai PSNR dilakukan perhitung dengan menggunakan hasil nilai MSE sebelumnya yang telah di proses.

3.3Perancangan Sistem

Sistem perbandingan metode deteksi tepi akan citra yang telah diberi efek Camera

360 dirancang dengan menggunakan bahasa pemrograman Sharp Develop 4.3. Perancangan antarmuka atau interface bertujuan agar penguna lebih mudah dalam menggunakan sistem. Interface yang dirancang juga dapat memberikan kenyamanan untuk digunakan.

3.3.1 Form Home

Form Home merupakan tampilan awal dari sistem perbandingan metode deteksi tepi. Perancangan Form Home pada sistem dapat ditunjukan pada Gambar 3.6.

Gambar 3.6 Perancangan InterfaceForm Home

Table 3.5 Keterangan Rancangan InterfaceForm Home

No Keterangan

1 MenuStrip untuk pilihan menu yang terdiri analysis, implementation, help dan about

2 Label untuk menampilkan judul aplikasi

3 PictureBox untuk menampilkan logo S1 Ilmu Komputer USU 4 Label untuk menampilkan nama dan nim pembuat program 5 Label untuk menampilkan Program Studi dan Fakultas

3.3.2 Form Analysis

Perancangan form Analysis merupakan form untuk melakukan perbandingan metode deteksi tepi. Perancangan form Analysis ditunjukan pada Gambar 3.7.

Gambar 3.7 Perancangan form Analysis

Table 3.6 Keterangan Rancangan Form Analysis

No Keterangan

1. Button ‘sweet’,’cool’,’fresh’,’grace’ dan ‘sunny’ untuk membuka file citra dengan pilihan efek Sweet, Cool, Fresh, Grace dan Sunny

2. PictureBox ‘citra’ untuk menampilkan citra yang telah diberik efek (.*bmp) 3. TextBox ‘namaefek’ untuk menampilkan citra yang ditampilkan

4. PictureBox ‘hasilCanny’ untuk menampilkan hasil citra deteksi tepi Canny 5. PictureBox ‘hasilRobert’ untuk menampilkan hasil citra deteksi tepi Robert 6. PictureBox ‘hasilLoG’ untuk menampilkan hasil citra deteksi tepi LoG 7. Button ‘deteksi_canny’ untuk mendeteksi citra dengan metode Canny 8. Button ‘simpan’ untuk menyimpan hasil deteksi tepi Canny

9. Button ‘deteksi_robert’ untuk mendeteksi citra dengan metode Robert 10. Button ‘simpan2’ untuk menyimpan hasil deteksi tepi Robert

11. Button ‘deteksi_log’ untuk mendeteksi hasil deteksi tepi LoG 12. Button ‘simpan3’ untuk menyimpan hasil deteksi tepi LoG

13. Button ‘nilai_mse’ dan ‘nilai_psnr’ untuk menampilkan nilai parameter Canny 14. Button ‘nilai_mse2’ dan ‘nilai_psnr2’ untuk menampilkan nilai parameter Robert 15. Button ‘nilai_mse3’ dan ‘nilai_psnr3’ untuk menampilkan nilai parameter LoG 16. Button ‘nilai_runtime’ untuk menampilkan nilai parameter running time Canny 17. Button ‘nilai_runtime2’ untuk menampilkan nilai parameter running time Robert 18. Button ‘nilai_runtime3’ untuk menampilkan nilai parameter running time LoG 19. Button ‘kembali_menu’ untuk mengembalikan ke form Home

3.3.3 Form Implementation

Perancangan form Implementation merupakan form untuk mengimplementasikan metode deteksi tepi dengan citra sesuai dengan keiinginan pengguna. Perancangan

form Implementation ditunjukan pada Gambar 3.8.

Table 3.7 Keterangan Rancangan Form Implementation

No Keterangan

1 Button ‘Choose Image’ untuk membuka citra

2 PictureBox ‘citra’ untuk menampilkan citra yang telah diberik efek (.*bmp) 3 PictureBox ‘hasilCanny’ untuk menampilkan hasil citra deteksi tepi Canny 4 PictureBox ‘hasilRobert’ untuk menampilkan hasil citra deteksi tepi Robert 5 PictureBox ‘hasilLoG’ untuk menampilkan hasil citra deteksi tepi LoG 6 Button ‘deteksi_canny’ untuk mendeteksi citra dengan metode Canny 7 Button ‘simpan’ untuk menyimpan hasil deteksi tepi Canny

8 Button ‘deteksi_robert’ untuk mendeteksi citra dengan metode Robert 9 Button ‘simpan2’ untuk menyimpan hasil deteksi tepi Robert

10 Button ‘deteksi_log’ untuk mendeteksi hasil deteksi tepi LoG 11 Button ‘simpan3’ untuk menyimpan hasil deteksi tepi LoG

12 Button ‘nilai_mse’ dan ‘nilai_psnr’ untuk menampilkan nilai parameter Canny 13 Button ‘nilai_mse2’ dan ‘nilai_psnr2’ untuk menampilkan nilai parameter Robert 14 Button ‘nilai_mse3’ dan ‘nilai_psnr3’ untuk menampilkan nilai parameter LoG 15 Button ‘nilai_runtime’ untuk menampilkan nilai parameter running time Canny 16 Button ‘nilai_runtime2’ untuk menampilkan nilai parameter running time Robert 17 Button ‘nilai_runtime3’ untuk menampilkan nilai parameter running time LoG 18 Button ‘kembali_menu’ untuk mengembalikan ke form Home

3.3.4 Form Help

Form Help akan ditampilkan untuk panduan kepada user dalam penggunaan sistem. Perancangan form Help pada sistem dapat ditunjukan pada Gambar 3.9.

Gambar 3.9 Form Help

Table 3.8 Keterangan Rancangan Form Help

No Keterangan

1 groupBox1 untuk menampilkan judul dari langkah-langkah Implementation 2 label1 untuk menampilkan langkah-langkah penggunaan sistem Implementation 3 groupBox2 untuk menampilkan judul dari langkah-langkah Analysis

4 label2 untuk menampilkan langkah-langkah penggunaan sistem Analysis 5 Button ‘kembalimenu’ untuk kembali ke form Home

3.3.5 Form About

Form About berisi tentang identitas dari pembuat program. Form About pada sistem dapat ditunjukan pada Gambar 3.10.

Gambar 3.10 Form About

Table 3.9 Keterangan Rancangan Form About

No Keterangan

1 pictureBox1 untuk menampilkan gambar pembuat aplikasi 2 groupBox1 untuk menampilkan judul dari identitas

BAB 4

IMPLEMENTASI DAN PENGUJIAN

4.1Implementasi

Tahap selanjutnya setelah dilakukan tahap analisis yang harus dilakukan adalah tahapan implementasi yang bertujuan untuk memimplementasikan sistem dengan keseluruhan. Sistem ini dibangun dengan menggunakan SharpDevelop 4.3. Pada sistem ini terdapat form Implementation, Analysis, Help dan About.

4.1.1 Form Home

Form Home merupakan form yang pertama kali muncul saat sistem dijalankan. Dalam

form ini terdapat menu untuk memilih form Implementation, form Analysis, form Help

dan form About. Pada form ini juga terdapat judul skripsi, logo dari Universitas dan identitas penulis. Tampilan dari form Home ditunjukan pada Gambar 4.1.

4.1.2 Form Implementation

Form Implementation ditampilkan untuk proses pendeteksi tepi yang menggunakan citra yang diberikan jenis efek yang lain yang ada pada efek Light Color dengan menggunakan metode Canny, Robert dan Laplacian of Gaussian. Tampilan dari form

Implementation ditunjukan pada Gambar 4.2.

Gambar 4.2Form Implementation 4.1.3 Form Analysis

Form Analysis ditampilkan untuk proses pendeteksi tepi yang menggunakan citra yang telah diberikan efek yang telah ditentukan dengan menggunakan metode Canny, Robert dan Laplacian of Gaussian. Tampilan dari form Analysis ditunjukan pada Gambar 4.3.

Gambar 4.3 Form Analysis 4.1.4 Form Help

Form Help bertujuan sebagai petunjuk penggunaan sistem kepada pengguna. Tampilan dari form Help ditunjukan pada Gambar 4.4.

4.1.5 Form About

Form About merupakan identitas dari pembuat aplikasi. Tampilan dari form About ditunjukan pada Gambar 4.5

Gambar 4.5 Form About 4.2Pengujian

Pengujian sistem dilakukan dengan file citra berformat .*bmp (bitmap). Citra digital yang akan dilakukan pengujian adalah citra RGB yang telah diberikan efek dari

Camera 360 yang ukuran dimensi maksimal 300 x 300 piksel. Ada 5 file citra yang digunakan yaitu efekSweet.bmp, efekCool.bmp, efekFresh.bmp, efekGrace.bmp dan efekSunny.bmp untuk melakukan pengujian sistem. Gambar 4.6 menunjukan citra yang akan diuji.

(a) (b) (c) (d) (e)

Gambar 4.6 Citra yang akan diuji (a) efek Sweet, (b) efek Cool, (c) efek Fresh, (d) efek Grace dan (e) efek Sunny

4.2.1 Pengujian form Analysis

Form Analysis merupakan form untuk mengimplementasikan metode deteksi tepi terhadap citra berwarna yang telah diberikan efek dari Camera 360. Proses awal dilakukan dengan meng-input file citra dengan cara memilih tombol jenis efek yang sudah ada lalu citra berefek akan ditampilkan. Untuk lebih jelasnya ditunjukan pada Gambar 4.7.

Gambar 4.7 Input Citra dengan Efek Cool

4.2.1.1Proses deteksi tepi pada form Analysis

Proses deteksi tepi pada form Analysis untuk membuktikan hasil dari metode deteksi tepi. Ada 5 citra yang telah diberikan efek dan akan dideteksi dengan metode Canny, Robert dan Laplacian of Gaussian yaitu : Sweet, Cool, Fresh, Grace dan Sunny. Hasil dari deteksi tepi akan ditampilkan dengan nilai parameternya yaitu : MSE, PSNR dan

Running Time. Hasil dari parameter akan dibandingkan dengan nilai parameter hasil deteksi tepi dengan metode yang lain. Tampilan proses deteksi tepi dengan citra efek

Gambar 4.8 Proses Deteksi Tepi Citra Efek Cool dengan Metode Canny, Robert dan LoG pada Form Analysis

Pada Gambar 4.8 dapat dilihat citra yang telah diberikan efek Cool di-input dan dilakukan pendeteksian dengan metode Canny, Robert dan LoG. Hasil dari tiap deteksi didapatkan dengan menekan tombol ‘Canny’, ‘Robert’ dan ‘LoG’. Nilai dari masing-masing parameter ditampilkan dengan menekan tombol MSE dan PSNR. Dan tombol ‘Save’ untuk menyimpan citra hasil dari deteksi masing-masing metode dengan file format *.bmp.

4.2.1.2Proses deteksi tepi pada form Implementation

Proses deteksi tepi pada form Implementation untuk membuktikan hasil dari metode deteksi tepi dengan menggunakan Canny, Robert dan Laplacian of Gaussian pada citra yang diberi jenis efek lain. Hasil dari deteksi tepi akan ditampilkan dengan nilai parameternya yaitu : MSE, PSNR dan Running Time. Tampilan proses deteksi tepi dengan citra efeksunshine.*bmp pada form Implementation ditunjukan pada Gambar 4.9.

Gambar 4.9 Proses Deteksi Tepi Citra dengan Metode Canny, Robert dan LoG pada Form Implementation

Pada Gambar 4.9 dapat dilihat citra efeksunshine.*bmp yang jenis efek lain di-input

dan dilakukan pendeteksian dengan metode Canny, Robert dan LoG. Hasil dari tiap deteksi didapatkan dengan menekan tombol ‘Canny’, ‘Robert’ dan ‘LoG’. Nilai dari masing-masing parameter ditampilkan dengan menekan tombol MSE dan PSNR. Dan tombol ‘Save’ untuk menyimpan citra hasil dari deteksi masing-masing metode dengan file format *.bmp.

4.3Hasil Pengujian

Table 4.1 Perbandingan Hasil Deteksi Tepi Canny pada Citra yang diberi efek

Nama Citra Citra Efek Citra Hasil MSE PSNR

(dB) RT (s)

efekcool.bmp 20210.093 0.507512 0.306

efekfresh.bmp 14637.30958 0.647619 0.274

efekgrace.bmp 15780.20326 0.614967 0.275

efeksunny.bmp 23009.58307 0.451171 0.277

efeksweet.bmp 17060.66996 0.581084 0.299

Pada Table 4.1 merupakan hasil deteksi tepi dengan metode Canny terhadap semua citra yang telah diberikan efek dari Camera 360 dan hasil nilai MSE, PSNR dan Running time sebagai parameternya. Nilai Running time yang tercepat dalam pendeteksian metode Canny terdapat pada citra efek Fresh dengan 0.274 second dan

untuk nilai MSE dan PSNR yang terbaik pada metode Canny terdapat pada citra efek Fresh, dengan nilai MSE = 14637.30958 dan nilai PSNR = 0.647619 dB.

Table 4.2 Perbandingan Hasil Deteksi Tepi Robert pada Citra yang diberi efek

Nama Citra Citra Efek Citra Hasil MSE PSNR

(dB) RT (s)

efekcool.bmp 13797.98897 0.673264 1.673

efekfresh.bmp 14683.81456 0.646241 2.195

efekgrace.bmp 13189.16212 0.692863 2.189

efeksunny.bmp 24041.42021 0.432120 2.19

efeksweet.bmp 13009.73086 0.698812 2.183

Pada Table 4.2 merupakan hasil deteksi tepi dengan metode Robert terhadap semua citra yang telah diberikan efek dari Camera 360 dan hasil nilai MSE, PSNR dan

Running time sebagai parameternya. Nilai Running time yang tercepat dalam pendeteksian metode Robert terdapat pada citra efek Cool dengan 1.673 second dan untuk nilai MSE dan PSNR yang terbaik pada metode Robert terdapat pada citra efek Sweet dengan nilai MSE = 13009.73086 dan nilai PSNR = 0.698812 dB.

Table 4.3 Perbandingan Hasil Deteksi Tepi LoG pada Citra yang diberi efek

Nama Citra Citra Efek Citra Hasil MSE PSNR

(dB) RT (s)

efekcool.bmp 14163.26383 0.661927 3.125

efekfresh.bmp 14684.07258 0.640942 3.385

efekgrace.bmp 13785.66126 0.673652 3.131

efeksunny.bmp 24603.51724 0.422083 3.354

Pada Table 4.3 merupakan hasil deteksi tepi dengan metode LoG terhadap semua citra yang telah diberikan efek dari Camera 360 dan hasil nilai MSE, PSNR dan Running time sebagai parameternya. Nilai Running time yang tercepat dalam pendeteksian metode LoG terdapat pada citra efek Cool dengan 3.125 second dan untuk nilai MSE dan PSNR yang terbaik pada metode LoG terdapat pada citra efek Sweet dengan nilai MSE = 13499.0028 dan nilai PSNR = 0.682778 dB.

Tabel 4.4 Perbandingan Rata-rata Nilai MSE pada Citra yang diberi Efek

Nama Citra Metode Canny Metode Robert Metode LoG

efekcool.bmp 20210.093 13797.98897 14163.26383

efekfresh.bmp 14637.30958 14683.81456 14684.07258

efekgrace.bmp 15780.20326 13189.16212 13785.66126

efeksunny.bmp 23009.58307 24041.42021 24603.51724

efeksweet.bmp 17060.66996 13009.73086 13499.0028

Nilai rata-rata

MSE 18139.5918 15744.4233 16147.1035

Dari Table 4.4 ditunjukan bahwa hasil rata-rata metode Robert memiliki nilai MSE yang terkecil dan metode Canny memiliki nilai MSE yang terbesar. Dimana semakin kecil nilai dari MSE maka tampilan pada citra hasil akan semakin mendekati citra asal.

Tabel 4.5 Perbandingan Rata-rata Nilai PSNR pada Citra yang diberi Efek

Nama Citra Metode Canny Metode Robert Metode LoG

efekcool.bmp 0.507512 0.673264 0.661917

efekfresh.bmp 0.647619 0.646241 0.640942

efekgrace.bmp 0.614967 0.692863 0.673652

efeksunny.bmp 0.451171 0.432120 0.422083

efeksweet.bmp 0.581084 0.698812 0.682778

Nilai rata-rata

PSNR (dB) 0.5604706 0.62866 0.6162744

Dari Table 4.5 ditunjukan bahwa hasil rata-rata metode Robert memiliki nilai PSNR yang terbesar dan Canny memiliki nilai PSNR yang terkecil. Semakin besar nilai PSNR maka semakin baik hasil pada tampilan citra hasil.

Tabel 4.5 Perbandingan Rata-rata Nilai Running Time pada Citra yang diberi Efek

Nama Citra Metode Canny Metode Robert Metode LoG

efekcool.bmp 0.299 1.673 3.125

efekfresh.bmp 0.306 2.195 3.385

efekgrace.bmp 0.274 2.189 3.131

efeksunny.bmp 0.275 2.19 3.354

efeksweet.bmp 0.277 2.183 3.368

Nilai rata-rata

Running Time (s) 0.2862 2.086 3.2726

Dari Table 4.5 ditunjukan bahwa hasil rata-rata Running time metode Canny memiliki nilai rata-rata 0.2862 second, metode Robert memiliki nilai rata-rata 2.086 second dan metode Laplacian of Gaussian memiliki nilai rata-rata 3.2726 second. Berikut ini Gambar 4.10 menunjukan grafik perbandingan nilai MSE yang terdapat pada citra yang telah diberikan efek.

Gambar 4.10 Grafik perbandingan nilai MSE

Pada Gambar 4.10 ditunjukan grafik perbandingan dari nilai MSE terhadap pada citra yang telah diberikan efek. Nilai MSE yang menghasilkan citra yang baik dari deteksi tepi Canny terdapat pada citra efek Fresh, deteksi tepi Robert terdapat pada citra efek

Grace dan deteksi tepi LoG terdapat pada efek Sweet.

0 5000 10000 15000 20000 25000 30000

efekcool.bmp efekfresh.bmp efekgrace.bmp efeksunny.bmp efeksweet.bmp

Grafik Perbandingan Nilai MSE

Canny Robert LoG

Gambar 4.11 Grafik perbandingan nilai PSNR

Pada Gambar 4.11 ditunjukan grafik perbandingan dari nilai PSNR terhadap pada citra yang telah diberikan efek. Nilai PSNR yang menghasilkan citra yang baik dari deteksi tepi Canny terdapat pada citra efek Fresh, deteksi tepi Robert terdapat pada citra efek

Sweet dan deteksi tepi LoG terdapat pada efek Sweet.

Gambar 4.12 Grafik perbandingan nilai Runtime

Pada Gambar 4.12 ditunjukan grafik perbandingan dari nilai Running Time terhadap pada citra yang telah diberikan efek. Nilai Running Time dari deteksi tepi Canny lebih cepat terdapat pada citra efek Grace, deteksi tepi Robert terdapat pada citra efek Cool

dan deteksi tepi LoG terdapat pada efek Cool.

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8

efekcool.bmp efekfresh.bmp efekgrace.bmp efeksunny.bmp efeksweet.bmp

Grafik Perbandingan Nilai PSNR

Canny Robert LoG 0 0.5 1 1.5 2 2.5 3 3.5 4

efekcool.bmp efekfresh.bmp efekgrace.bmp efeksunny.bmp efeksweet.bmp

Grafik Perbandingan Nilai Runtime

Canny Robert LoG

BAB 5

KESIMPULAN DAN SARAN 5.1 Kesimpulan

Setelah melakukan analisis, perancangan, penujian dan implementasi terhadap metode Canny, Robert dan Laplacian of Gaussian pada hasil citra Camera 360 diperoleh kesimpulan sebagai berikut :

1. Nilai MSE pada metode Canny terhadap citra yang telah diberi efek memiliki nilai rata-rata 18139.571, pada metode Robert memiliki nilai rata-rata 15744.423 dan pada metode Laplacian of Gaussian memiliki nilai rata-rata 16147.103

2. Nilai PSNR pada metode Canny terhadap citra yang telah diberi efek memiliki nilai rata-rata 0.5604706 decibel, pada metode Robert memiliki nilai rata-rata 0.62866 decibel dan pada metode Laplacian of Gaussian memiliki nilai rata-rata 0.6162744 decibell. Nilai Running Time pada metode Canny terhadap citra yang telah diberi efek memiliki nilai rata-rata 0.2862 second, pada metode Robert memiliki nilai rata-rata 2.086 second dan pada metode Laplacian of Gaussian

memiliki nilai rata-rata 3.2726 second.

3. Berdasarkan hasil pengujian pada deteksi tepi Canny, citra efek Grace = 0.274

second lebih cepat dari jenis efek yang lain dan nilai MSE terkecil dengan PSNR terbesar terdapat pada efek Fresh yaitu 14637.30958 dan 0.647619 decibel. Pada deteksi tepi Robert, citra efek Cool = 1.673 second lebih cepat dari jenis efek yang lain dan nilai MSE terkecil dengan PSNR terbesar terdapat pada efek Sweet yaitu 13009.73086 dan 0.698812 decibel. Pada deteksi tepi LoG, citra efek Cool = 3.125

second lebih cepat dari jenis efek yang lain dan nilai MSE terkecil dengan PSNR terbesar terdapat pada efek Sweet yaitu 13499.0028 dan 0.682778 decibel.

4. Berdasarkan hasil pengujian deteksi tepi citra yang terbaik terhadap citra yang terlah diberikan efek adalah metode Robert yang memiliki rata-rata nilai MSE terkecil dan rata-rata nilai PSNR terbesar dibandingkan dengan metode Canny dan

5.2 Saran

Saran-saran yang dapat digunakan untuk penelitian selanjutnya atau pengembangan yaitu :

1. Untuk pengembangan sistem selanjutnya dapat menggunakan metode deteksi tepi seperti metode Kirsch atau metode Robinson.

2. Sistem ini menggunakan citra yang telah diberikan efek dari aplikasi Camera 360, sehingga untuk pengembangan selanjutnya dapat menggunakan citra yang diberi efek dari aplikasi lain seperti, Instagram atau Path

3. Sistem ini dibuat hanya dengan file citra berformat .*bmp, sehingga untuk pengembangan selanjutnya dapat menggunakan format file citra lain seperti *.JPG, *.TIF atau *.PNG.

4. Sistem ini hanya menggunakan Running Time sebagai parameter, untuk pengembangan selanjutnya dapat menggunakan Big ɵ.

DAFTAR PUSTAKA

Ahmad, U. 2005. Pengolahan Citra Digital dan Teknik Pemrograman. Yogyakarta : Penerbit Graha Ilmu.

Ainun, N. 2014. Analisis Pengaruh Kombinasi Gaussian Noise dan Speckle Noise

Pada Citra Terhadap Kinerja Metode Deteksi Tepi. Skripsi. Medan. Universitas Sumatera Utara.

Burger, W. & Burger, M.J. 2009. Principles of Digital Image Processing. Springer Science Business Media. London.

Fadillah, A. 2014. Implementasi Metode Kombinasi Mean Filter Dan Median Filter untuk Mereduksi Gaussian Noise, Salt and Pepper Noise, Speckle Noise, Dan Exponential Noise Pada Citra Digital. Skripsi. Medan. Universitas Sumatera Utara.

Fawwaz, I. 2014. Perbandingan Deteksi Tepi Citra Menggunakan Operator Robert, Canny Dan Frei Chen Pada Citra Bitmap Dan Jpeg. Skripsi. Medan. Universitas Sumatera Utara.

Hermawati, F.A. 2013. Pengolahan Citra Digital. Yogyakarta : Penerbit ANDI. Jähne, B. 2004. Image Processing for Scientific and Tehcnical Applications. CRC

Press LLC. Florida.

Kadir, A. 2013. Teori dan Aplikasi Pengolahan Citra. Yogyakarta : Penerbit ANDI.

Putra, D. 2010. Pengolahan Citra Digital. Yogyakarta : Penerbit ANDI.

Sutoyo, T, & Mulyanto, E. 2009. Teori Pengolahan Citra Digital. Yogyakarta : Penerbit ANDI.

Tabel 4.5 Perbandingan Rata-rata Nilai Running Time pada Citra yang diberi Efek

Nama Citra Metode Canny Metode Robert Metode LoG

efekcool.bmp 0.299 1.673 3.125

efekfresh.bmp 0.306 2.195 3.385

efekgrace.bmp 0.274 2.189 3.131

efeksunny.bmp 0.275 2.19 3.354

efeksweet.bmp 0.277 2.183 3.368

Nilai rata-rata

Running Time (s) 0.2862 2.086 3.2726

Dari Table 4.5 ditunjukan bahwa hasil rata-rata Running time metode Canny memiliki nilai rata-rata 0.2862 second, metode Robert memiliki nilai rata-rata 2.086 second dan metode Laplacian of Gaussian memiliki nilai rata-rata 3.2726 second. Berikut ini Gambar 4.10 menunjukan grafik perbandingan nilai MSE yang terdapat pada citra yang telah diberikan efek.

Gambar 4.10 Grafik perbandingan nilai MSE

Pada Gambar 4.10 ditunjukan grafik perbandingan dari nilai MSE terhadap pada citra yang telah diberikan efek. Nilai MSE yang menghasilkan citra yang baik dari deteksi tepi Canny terdapat pada citra efek Fresh, deteksi tepi Robert terdapat pada citra efek Grace dan deteksi tepi LoG terdapat pada efek Sweet.

0 5000 10000 15000 20000 25000 30000

efekcool.bmp efekfresh.bmp efekgrace.bmp efeksunny.bmp efeksweet.bmp Grafik Perbandingan Nilai MSE

Canny

Robert

Gambar 4.11 Grafik perbandingan nilai PSNR

Pada Gambar 4.11 ditunjukan grafik perbandingan dari nilai PSNR terhadap pada citra yang telah diberikan efek. Nilai PSNR yang menghasilkan citra yang baik dari deteksi tepi Canny terdapat pada citra efek Fresh, deteksi tepi Robert terdapat pada citra efek Sweet dan deteksi tepi LoG terdapat pada efek Sweet.

Gambar 4.12 Grafik perbandingan nilai Runtime

Pada Gambar 4.12 ditunjukan grafik perbandingan dari nilai Running Time terhadap pada citra yang telah diberikan efek. Nilai Running Time dari deteksi tepi Canny lebih cepat terdapat pada citra efek Grace, deteksi tepi Robert terdapat pada citra efek Cool dan deteksi tepi LoG terdapat pada efek Cool.

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8

efekcool.bmp efekfresh.bmp efekgrace.bmp efeksunny.bmp efeksweet.bmp Grafik Perbandingan Nilai PSNR

Canny Robert LoG 0 0.5 1 1.5 2 2.5 3 3.5 4

efekcool.bmp efekfresh.bmp efekgrace.bmp efeksunny.bmp efeksweet.bmp Grafik Perbandingan Nilai Runtime

Canny

Robert

BAB 5

KESIMPULAN DAN SARAN 5.1 Kesimpulan

Setelah melakukan analisis, perancangan, penujian dan implementasi terhadap metode Canny, Robert dan Laplacian of Gaussian pada hasil citra Camera 360 diperoleh kesimpulan sebagai berikut :

1. Nilai MSE pada metode Canny terhadap citra yang telah diberi efek memiliki nilai rata-rata 18139.571, pada metode Robert memiliki nilai rata-rata 15744.423 dan pada metode Laplacian of Gaussian memiliki nilai rata-rata 16147.103

2. Nilai PSNR pada metode Canny terhadap citra yang telah diberi efek memiliki nilai rata-rata 0.5604706 decibel, pada metode Robert memiliki nilai rata-rata 0.62866 decibel dan pada metode Laplacian of Gaussian memiliki nilai rata-rata 0.6162744 decibell. Nilai Running Time pada metode Canny terhadap citra yang telah diberi efek memiliki nilai rata-rata 0.2862 second, pada metode Robert memiliki nilai rata-rata 2.086 second dan pada metode Laplacian of Gaussian memiliki nilai rata-rata 3.2726 second.

3. Berdasarkan hasil pengujian pada deteksi tepi Canny, citra efek Grace = 0.274 second lebih cepat dari jenis efek yang lain dan nilai MSE terkecil dengan PSNR terbesar terdapat pada efek Fresh yaitu 14637.30958 dan 0.647619 decibel. Pada deteksi tepi Robert, citra efek Cool = 1.673 second lebih cepat dari jenis efek yang lain dan nilai MSE terkecil dengan PSNR terbesar terdapat pada efek Sweet yaitu 13009.73086 dan 0.698812 decibel. Pada deteksi tepi LoG, citra efek Cool = 3.125 second lebih cepat dari jenis efek yang lain dan nilai MSE terkecil dengan PSNR terbesar terdapat pada efek Sweet yaitu 13499.0028 dan 0.682778 decibel.

4. Berdasarkan hasil pengujian deteksi tepi citra yang terbaik terhadap citra yang terlah diberikan efek adalah metode Robert yang memiliki rata-rata nilai MSE terkecil dan rata-rata nilai PSNR terbesar dibandingkan dengan metode Canny dan Laplacian of Gaussian.

5.2 Saran

Saran-saran yang dapat digunakan untuk penelitian selanjutnya atau pengembangan yaitu :

1. Untuk pengembangan sistem selanjutnya dapat menggunakan metode deteksi tepi seperti metode Kirsch atau metode Robinson.

2. Sistem ini menggunakan citra yang telah diberikan efek dari aplikasi Camera 360, sehingga untuk pengembangan selanjutnya dapat menggunakan citra yang diberi efek dari aplikasi lain seperti, Instagram atau Path

3. Sistem ini dibuat hanya dengan file citra berformat .*bmp, sehingga untuk pengembangan selanjutnya dapat menggunakan format file citra lain seperti *.JPG, *.TIF atau *.PNG.

4. Sistem ini hanya menggunakan Running Time sebagai parameter, untuk pengembangan selanjutnya dapat menggunakan Big ɵ.

DAFTAR PUSTAKA

Ahmad, U. 2005. Pengolahan Citra Digital dan Teknik Pemrograman.

Yogyakarta : Penerbit Graha Ilmu.

Ainun, N. 2014. Analisis Pengaruh Kombinasi Gaussian Noise dan Speckle Noise

Pada Citra Terhadap Kinerja Metode Deteksi Tepi. Skripsi. Medan.

Universitas Sumatera Utara.

Burger, W. & Burger, M.J. 2009. Principles of Digital Image Processing. Springer

Science Business Media. London.

Fadillah, A. 2014. Implementasi Metode Kombinasi Mean Filter Dan Median

Filter untuk Mereduksi Gaussian Noise, Salt and Pepper Noise,

Speckle Noise, Dan Exponential Noise Pada Citra Digital. Skripsi.

Medan. Universitas Sumatera Utara.

Fawwaz, I. 2014. Perbandingan Deteksi Tepi Citra Menggunakan Operator

Robert, Canny Dan Frei Chen Pada Citra Bitmap Dan Jpeg. Skripsi.

Medan. Universitas Sumatera Utara.

Hermawati, F.A. 2013. Pengolahan Citra Digital. Yogyakarta : Penerbit ANDI.

Jähne, B. 2004. Image Processing for Scientific and Tehcnical Applications. CRC

Press LLC. Florida.

Kadir, A. 2013. Teori dan Aplikasi Pengolahan Citra. Yogyakarta : Penerbit

ANDI.

Putra, D. 2010. Pengolahan Citra Digital. Yogyakarta : Penerbit ANDI.

Sutoyo, T, & Mulyanto, E. 2009. Teori Pengolahan Citra Digital. Yogyakarta :

Thyagarajan, K.S. 2006. Digital Image Processing with Application to Digital

Camera. Focal Press.

Winarno, E. 2011. Aplikasi Deteksi tepi pada Realtime Video menggunakan

Algoritma Canny Detection. Jurnal Teknologi Informasi. Semarang.

16(1):44-49.

Widagdho, J. 2014. Perbandingan Penggunaan Deteksi Tepi dengan Metode

Laplacian, Sobel, Prewitt dan Canny Pada Pengenalan Pola.