Deteksi dan Kuantifikasi Retak Permukaan Jalan Raya Menggunakan Metode Pengolahan Citra dengan Pendekatan Multiskala dan Kecerdasan Buatan
LAPORAN AKHIR
PENELITIAN FUNDAMENTAL
DETEKSI DAN KUANTIFIKASI RETAK PERMUKAAN JALAN MENGGUNAKAN
METODE PENGOLAHAN CITRA DIGITAL DENGAN PENDEKATAN TEKNIK
MULTISKALA DAN KECERDASAN BUATAN
Oleh:
Slamet Riyadi, S.T., M.Sc., Ph.D. (NIDN 0509087801)
Sri Atmaja Putra JNNR, S.T., M.Sc.Eng., Ph.D. (NIDN 0515047801)
Noor Akhmad Setiawan, S.T., M.T., Ph.D. (NIDN 0007067503)
UNIVERSITAS MUHAMMADIYAH YOGYAKARTA
Desember 2015
i
DAFTAR ISI
Halaman Sampul
i
Halaman Pengesahan
ii
Daftar Isi
iii
Ringkasan
iv
Bab 1 Pendahuluan
1
Bab 2 Tinjauan Pustaka
3
Bab 3 Metode Penelitian
4
Bab 4 Hasil dan Pembahasan
11
Bab 5 Kesimpulan
25
Capaian Luaran Tahun Pertama
26
Rencana Tahun Kedua
27
Ucapan Terima Kasih
28
Daftar Pustaka
29
Lampiran-lampiran
31
iii
RINGKASAN
Pemeriksaan kondisi permukaan jalan dilakukan untuk mengetahui adanya retak atau tidak,
mengklasifikasi jenis retak dan mengkuantifikasi retak tersebut. Secara konvensional,
pemeriksaan dilakukan secara manual dimana petugas survei berjalan sambil memeriksa
keberadaan retak dan mencatat serta menandai lokasi tersebut. Cara ini kurang efektif
karena memerlukan waktu lama, tenaga kerja banyak, kurang tepat akibat subjektivitas dan
faktor kelelahan serta berbahaya apabila pemeriksaan dilakukan pada jalan raya dengan
kepadatan tinggi. Untuk mengatasi hal tersebut, peneliti memanfaatkan kemajuan teknologi
kamera dan komputer untuk merekam kondisi permukaan jalan dan mengolah citra digital
yang diperoleh dalam rangka mendeteksi keberadaan retak, mengklasifikasi dan
mengkuantifikasinya. Metode pengolahan citra yang telah dibuat oleh para peneliti belum
bisa direalisasikan dalam produk komersial karena belum memberikan hasil pemeriksaan
yang optimal pada berbagai kondisi jalan, sensitif terhadap cahaya sekitar dan waktu
komputasi lama. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan
membuat metode pengekstrakan sifat retak permukaan jalan menggunakan pendekatan
multiskala dan mengklasifikasi serta mengkuantifikasi retak menggunakan menggunakan
kecerdasan buatan dengan pendekatan pelatihan support vector machine (SVM). Kedua
pendekatan ini dipilih karena terkenal tangguh dan telah dicoba pada beberapa
permasalahan pengolahan citra digital lainnya. Penelitian dilaksanakan dalam beberapa
tahapan utama yaitu 1) pengumpulan data retak permukaan, 2) klasifikasi dan kuantifikasi
retak secara manual oleh pakar, 3) pembuatan metode perbaikan citra, segmentasi dan
pengekstrakan sifat retak dengan pendekatan multiskala, dan 4) klasifikasi dan kuantifikasi
retak menggunakan teknik SVM. Pada pelaksanaan penelitian tahun pertama, hasil
penelitian telah diperoleh dimana lebih dari 160 citra permukaan jalan telah dikumpulkan
dan diklasifikasi menjadi citra retak dan tidak retak secara manual oleh pakar. Citra asli
diperbaiki kualitasnya dengan filter median, histogram equalization, CLAHE dan Gaussian;
dimana hasil terbaik diperoleh dengan menggunakan filter median. Kemudian, citra melalui
proses segmentasi untuk memisahkan bagian retak dan bagian permukaan jalan dengan
menggunakan metode thresholding manual, Otsu, Bersnen dan Sauvola. Metode Sauvola
menghasilkan segmentasi paling tepat dibanding metode lainnya. Deteksi keberadaan retak
pada citra telah diperoleh dengan akurasi lebih dari 92% pada Gaussian pyramid skala 2 dan
segmentasi thresholding manual dan meningkat menjadi 96% pada segmentasi metode
Sauvola. Kesimpulannya, teknik pengolahan citra yang dibuat telah mampu melakukan
deteksi keberadaan retak pada citra jalan raya dengan akurasi tinggi.
iv
BAB 1 PENDAHULUAN
Untuk menjamin keselamatan dan kenyamanan berkendaraan, jalan perlu dipelihara secara
terus menerus. Pemeliharaan jalan diawali dengan pemeriksaan permukaan jalan secara
berkala untuk mengetahui ada tidaknya kerusakan. Menurut Federal Highway Administation
Amerika Serikat, kerusakan permukaan jalan dikategorikan menjadi lima, yaitu retak,
tambalan dan lubang, deformasi permukaan, cacat permukaan dan kerusakan lain (Federal
Highway Administration US, 2003). Penelitian ini hanya fokus pada pemeriksaan kerusakan
berupa retak permukaan, yaitu untuk mendeteksi adanya retak permukaan, menentukan jenis
retak dan mengkuantifikasi retak tersebut.
Secara konvensional, pemeriksaan retak permukaan dilakukan secara manual dimana
petugas survei akan berjalan, mencatat lokasi dan luasan retak serta menandainya. Metode
ini kurang efektif karena memerlukan waktu yang lama, tenaga kerja yang banyak dan
kurang tepat akibat subjektivitas dan faktor kelelahan. Dalam aspek keselamatan, metode
konvensional juga berbahaya bagi petugas khususnya bila pemeriksaan dilakukan pada jalan
raya dengan kepadatan kendaraan yang tinggi.
Seiring dengan kemajuan teknologi kamera dan komputer, pemeriksaan retak secara visual
menggunakan mata mulai digantikan dengan metode pengolahan citra digital. Melalui
metode ini, kondisi permukaan jalan direkam menggunakan kamera video yang dirakit
sedemikian hingga pada kendaraan survei. Hasil rekaman video permukaan jalan diolah
menggunakan berbagai macam teknik pengolahan citra digital untuk mendeteksi adanya
retak, menentukan jenis retak maupun menghitung luasan retak. Proses pengolahan citra
bisa dilakukan secara masa nyata atau di laboratorium. Metode deteksi berbasis pengolahan
citra digital mendapat sambutan sangat positif dari peneliti dan praktisi karena berpeluang
besar mengatasi berbagai permasalahan metode konvensional. Disamping itu, metode ini
juga relatif murah sehingga lebih mungkin direalisasikan dan diproduksi secara massal.
Penelitian tentang penggunaan metode pengolahan citra digital untuk pemeriksaan
permukaan jalan telah dimulai sejak dekade 1990 hingga sekarang dengan hasil yang
menjanjikan. Meskipun begitu, berbagai metode yang telah dihasilkan oleh peneliti baru
dijumpai terbatas pada tahap diseminasi dalam seminar atau jurnal ilmiah tapi belum
populer sebagai produk komersial. Hal ini dikarenakan metode yang ada belum memberikan
hasil pemeriksaan yang optimal pada berbagai kondisi jalan, sensitif terhadap cahaya sekitar
dan waktu komputasi yang masih lama. Berdasarkan referensi yang ada, metode-metode
1
yang telah diusulkan hanya fokus pada penentuan adanya retak atau tidak, sedangkan
penentuan jenis retak dan berapa luasan letak tidak banyak diteliti. Kenyataan ini
memberikan peluang yang lebar bagi peneliti untuk melakukan penelitian yang mendalam
sehingga diperoleh hasil yang lebih baik dan sesuai kebutuhan.
Berdasarkan uraian di atas, penelitian ini bertujuan untuk menemukan metode baru yang
tangguh diimplementasikan pada berbagai jalan, tidak sensitif terhadap perubahan cahaya
dan waktu komputasi cukup singkat. Metode baru tersebut digunakan untuk mampu
melakukan tiga hal, yaitu menentukan adanya retak, jenis retak dan luasan retak. Pendekatan
yang dilakukan merupakan gabungan dari pendekatan pemodelan multiskala dan pelatihan.
Pemodelan multiskala dipilih karena dikenal tangguh terhadap gangguan pada citra dan
tidak rentan terhadap perubahan tingkat keabuan (Zhang et al., 2013). Proses penentuan dan
klasifikasi akan dilaksanakan dengan teknik pelatihan menggunakan support vector machine
(SVM).
2
BAB 2 TINJAUAN PUSTAKA
Metode pengolahan citra digital untuk pemeriksaan kualitas permukaan jalan yang telah
dihasilkan para peneliti dapat dirangkum menjadi lima kategori, yaitu metode dengan
pendekatan analisis histogram, morfologi, pelatihan, penapisan dan pemodelan (Chambon &
Moliard, 2011). Pendekatan analisis histogram berdasar pada asumsi bahwa distribusi
tingkat keabuan antara citra retak dan permukaan jalan adalah terpisah. Pendekatan
diwujudkan melalui teknik ambang batas (thresholding) baik secara lokal maupun adaptif
(Chambon & Moliard, 2013; Teomete et al., 2005; Elbehiery et al., 2005). Pendekatan ini
sederhana dan tidak memerlukan waktu pengolahan citra yang lama, akan tetapi akurasi
pendeteksian cukup rendah. Ini terjadi karena secara fakta, distribusi tingkat keabuan citra
retak dan permukaan jalan tidak secara jelas terpisah, berbeda dengan asumsi yang diambil
oleh pendekatan ini.
Pendekatan kedua adalah menggunakan teknik morfologi (Coster, 2001; Ito et al., 2002;
Iyer & Sinha, 2005). Pendekatan ini dilakukan dengan melakukan rekayasa terhadap tingkat
keabuan citra sehingga perbedaan antara retak dan permukaan semakin jelas dan ciri-ciri
yang khas bisa diekstrak untuk melakukan klasifikasi. Hasil pendekatan ini lebih baik
dibanding pendekatan pertama akan tetapi sangat tergantung dengan pemilihan parameter
rekayasa yang digunakan. Pendekatan ketiga bertumpu pada teknik pelatihan dan percobaan
dengan menggunakan teknik jaringan syaraf tiruan (Liu et al., 2002; Saar et al, 2010).
Pendekatan ini menghasilkan akurasi yang sama atau lebih tinggi dibanding dengan
pendekatan kedua. Kekurangan utama pendekatan pelatihan adalah waktu komputasi yang
diperlukan lama dan tidak bisa betul-betul secara masa nyata. Yang keempat, metode
dilakukan dengan menggunakan berbagai teknik penapisan seperti wavelet dan Gabor untuk
memperoleh ciri yang khas dari retak (Umesa et al, 2009; Zalama 2013). Pendekatan kelima
dilakukan melalui pembuatan model retak dan permukaan (Nguyen et al., 2009). Termasuk
dalam pendekatan pemodelan adalah analisis multiskala untuk memperoleh sifat lokal dan
sifat global yang menjadi ciri khusus retak dan permukaan. Dua pendekatan terakhir ini
menghasilkan
akurasi
relatif
tinggi
dibandingkan
dengan
pendekatan-pendekatan
sebelumnya.
3
BAB 3 METODE PENELITIAN
Penelitian tentang pembuatan alat pengujian tidak merusak (non destructive testing)
permukaan jalan telah dimulai sejak 2006 yang ketika itu berbasis pada gelombang
permukaan. Karena aplikasi pengolahan citra digital sangat populer dan prospektif,
penelitian dilanjutkan dengan pembuatan metode dan implementasi pengolahan citra digital
untuk berbagai aplikasi pada rentang waktu 2007 – 2013 sebagaimana dirangkum dalam
diagram tulang ikan (fishbone diagram) pada Gambar 3.1. Studi pembuatan berbagai
metode pengolahan citra digital ini menjadi bekal dan dasar untuk pembuatan metode
dengan aplikasi deteksi retak permukaan jalan.
Analisis histogram citra digital
untuk deteksi retak permukaan
jalan (Riyadi et al 2014)
Aplikasi pengolahan citra
digital untuk grading buah
(Riyadi et al, 2007-2008)
Alat portable pengukur
ketebalan beton
berdasarkan gelombang
(Tesis S-2, 2006)
Pengolahan citra digital
untuk diagnosis
ketidaknormalan jantung
(Disertasi S-3, 2008-2012)
Sistem masa nyata berbasis
pengolahan citra digital untuk
penyemprotan tanaman
kelapa sawit (Ghazali et al,
2007)
Aplikasi pengolahan citra
digital untuk studi
ergonomik kursi mobil
(Darliana et al 2009)
Pendekatan multiskala
pengolahan citra digital untuk
deteksi dan kuantifikasi retak
permukaan jalan (Diusulkan
PF DIKTI 2015-2016)
Aplikasi pengolahan citra
digital untuk desain
ergonomik bantal menyusui
(Daruis et al 2013)
Implementasi alat portable
berbasis pengolahan citra
digital untuk deteksi dan
kuantifikasi retak permukaan
jalan (Diusulkan PHB DIKTI
2017-2018)
PF: Penelitian Fundamental
PHB: Peneltian Hibah Bersaing
Gambar 3.1 Fishbone diagram peta jalan penelitian penerapan pengolahan citra digital
untuk evaluasi permukaan jalan
Pada 2014 sekarang ini, peneliti sedang melaksanakan pembuatan metode berbasis
pengolahan citra digital dengan analisis histogram untuk mendeteksi retak permukaan jalan.
Hasil penelitian ini akan menjadi awal dari pembuatan metode pengolahan citra digital yang
lebih maju, kuat dan tidak rentan gangguan, yaitu dengan menggunakan pendekatan
multiskala sebagaimana diajukan dalam proposal Penelitian Fundamental DIKTI ini untuk
kegiatan penelitian 2015 - 2016. Hasil yang dicapai dari penelitian ini akan disempurnakan
4
dan diimplementasikan dengan sebuah alat portable untuk pengujian masa nyata di
permukaan jalan melalui pengajuan skema Penelitian Hibah Bersaing DIKTI 2017 – 2018.
Penelitian dalam proposal ini akan dilaksanakan dalam beberapa tahapan utama yaitu 1)
pengumpulan data retak permukaan, 2) klasifikasi dan kuantifikasi retak secara manual oleh
pakar, 3) pembuatan metode pengekstrakan sifat retak dengan pendekatan multiskala, dan 4)
klasifikasi dan kuantifikasi retak menggunakan teknik SVM. Pada masing-masing tahap 3
dan 4 dilakukan pengujian dan validasi untuk mengetahui apakan metode yang dibuat telah
mencapapai hasil yang diharapkan. Diagam alir tahapan penelitian tersebut ditunjukkan
pada Gambar 3.2.
Rincian Metode Penelitian Tahun Pertama
Penjelasan rinci tahapan penelitian yang dilakukan pada tahun I adalah sebagai berikut:
1. Pengumpulan data retak permukaan
Pengumpulan data retak permukaan jalan dilaksanakan dengan menggunakan kamera
digital. Kamera ditempatkan pada posisi tegak lurus dengan permukaan jalan setinggi
kira-kira 1 m. Pada setiap pengambilan foto citra, tinggi kamera dari permukaan jalan
dibuat sama agar citra yang dihasilkan mempunyai rasio yang tetap dengan ukuran objek
sebenarnya. Pengambilan citra dilakukan di dua lokasi, yaitu Jalan Wates,
Ambarketawang, Sleman dan jalan di Pengasih, Kulon Progo. Dua lokasi ini dipilih
karena pada keduanya terdapat bagian jalan yang retak dan tidak retak. Data yang
terkumpul dikategorikan menjadi tiga kualitas, yaitu data baik, data sedang, data buruk,
dengan kriteria seperti pada Tabel 3.1.
Tabel 3.1 Kategori kualitas data citra
Kategori kualitas citra
Kriteria
Data baik
Retak jelas dan derau tidak ada
Data sedang
Retak kurang jelas atau ada derau
Data buruk
Retak tidak jelas atau banyak derau
5
Mulai
1. Pengumpulan data retak permukaan
jalan
2. Klasifikasi dan kuantifikasi retak secara
manual oleh pakar
3.a Perbaikan kualitas citra dengan
metode filtering
3.b Segmentasi citra retak dengan metode
Souvola
3.c Pembuatan metode pengekstrakan
sifat retak dengan pendekatan multiskala
4. Klasifikasi/deteksi retak dengan metode
thresholding dan linear discriminant
Perbaikan metode
Tidak
Apakah metode
berhasil mengekstrak
sifat retak yang unik?
Ya
Selesai
Gambar 3.2 Diagram alir tahapan penelitian tahun I
6
2. Deteksi retak secara manual oleh pakar
Citra permukaan jalan yang telah diperoleh perlu diklasifikasikan menjadi citra
permukaan jalan dengan retak dan citra tanpa retak. Klasifikasi dilakukan oleh anggota
peneliti dari Program Studi Teknik Sipil UMY yang sudah berpengalaman dalam
penentuan retak permukaan jalan. Hasil deteksi retak secara manual akan menjadi
kebenaran rujukan (ground-truth) untuk keperluan penghitungan akurasi deteksi dan
validasi metode yang dibuat.
3. Pengolahan citra
a.
Perbaikan kualitas citra dengan metode filtering
Perbaikan kualitas citra dilakukan terlebih dahulu dengan menerapkan metode filtering
untuk mengurangi pengaruh derau citra dengan tetap mempertahankan isi citra. Metode
filtering yang digunakan adalah median filter, contrast limited adaptive histogram
equalization (CLAHE), filter Gaussian dan pyramidal Gaussian. Kinerja keempat filter
tersebut dievaluasi dalam tiga aspek yaitu kemapuan filter dalam mengurangi derau
dengan menggunakan parameter MSE, ENL dan SSI, kemampuan filter dalam
mempertahankan informasi citra menggunakan parameter NM dan SC, serta kemampuan
filter secara keseluruhan menggunakan parameter PSNR dan CNR. Hasil evaluasi kinerja
filter digunakan untuk menentukan filter mana yang mempunyai kemampuan paling
optimal dalam perbaikan kualitas citra jalan raya.
b.
Segmentasi citra retak dengan metode Souvola
Citra jalan raya yang telah diperbaiki kuliatasnya akan diproses pada tahapan berikutnya,
yaitu proses segmentasi. Proses segmentasi adalah proses pemisahan antara citra retak
dengan latar belakang citra. Dalam penelitian ini, teknik segmentasi yang digunakan
adalah teknik Souvola. Teknik lain, yaitu teknik ambang manual, Otsu dan Bernsen, juga
diterapkan sebagai teknik pembanding.
c.
Pembuatan metode pengekstrakan sifat retak dengan pendekatan multiskala
Pembuatan metode pengekstrakan sifat retak dilaksanakan dengan langkah-langkah yang
ditunjukkan pada Gambar 3.3. Pembuatan metode dimulai dengan membaca file citra dan
mengubahnya dari format citra RGB menjadi grayscale. Pengubahan format ini bertujuan
agar komputasi dan analisis citra menjadi lebih sederhana dan cepat. Setelah itu, citra
7
grayscale akan difilter menggunakan metode Pyramidal Gaussian. Proses pemfilteran ini
dimaksudkan untuk memperbaiki kualitas citra dengan mengurangi derau yang ada.
Selain itu, Pyramidal Gaussian juga akan menghasilkan citra multi skala. Masing-masing
citra multi skala akan diproses pada tahap selanjutnya untuk memperoleh hasil yang
paling optimal.
Langkah selanjutnya, citra hasil Pyramidal Gaussian diekstraksi sifat retaknya, yaitu sum
of histogram dan bwarea . Sum of histogram adalah jumlah histogram pada rentang nilai
piksel tertentu. Sifat ini diambil karena berdasarkan pengamatan pada histogram, citra
retak memiliki distribusi nilai lebih ke kiri dibanding citra tanpa retak (Gambar 3.4(a)
dan (b)). Jumlah histogram akan dihitung dari rentang nilai piksel 1 hingga 170, 175 dan
180. Analisis akan dilakukan untuk menentukan rentang mana yang menghasilkan
akurasi paling tinggi. Sifat sum of histogram diharapkan mampu menjadi sifat yang
membedakan antara citra retak dan tanpa retak.
Start
Read file name
Convert image to grayscale
Apply Pyramidal Gaussian
Compute sum of histogram (x1) and bwarea (x2)
Train data to create discriminant function
f(x1, x2)
Test data using f(x1, x2)
Compute accuracy
Finish
Gambar 3.3 Metode pengekstrakan sifat retak
8
Sifat retak kedua adalah bwarea , yaitu jumlah piksel retak yang dihitung pada citra yang
telah dikonversi menjadi citra hitam putih. Sebagaimana ditunjukkan pada Gambar 3.4(c)
dan (d), hasil segmentasi citra tanpa retak dan dengan retak terlihat jelas berbeda secara
visual dan informasi ini akan diperoleh dengan menghitung sifat bwarea . Sebelum
penghitungan bwarea, beberapa nilai batas akan digunakan untuk mengubah citra
grayscale menjadi citra hitam putih, yaitu 0,40, 0,45 dan 0,50. Analisis akan dilakukan
atas ketiga nilai batas tersebut untuk memperoleh akurasi terbaik.
(a)
(b)
(c)
(d)
Gambar 3.4 Contoh histogram dan citra hitam putih hasil segmentasi untuk citra (a)(c)
tanpa retak dan (b)(d) dengan retak
4. Pembuatan metode untuk mengklasifikasi sifat retak
Setelah sifat retak sum of histogram dan bwarea diperoleh, kedua sifat ini akan menjadi
pertimbangan untuk mengklasifikasikan apakah suatu citra tergolong citra retak atau
tanpa retak. Metode klasifikasi yang digunakan adalah linear discriminant. Metode ini
dibuat melalui dua tahap, yaitu latihan (training) dan ujian (testing). Tahap latihan akan
9
menghasilkan linear discriminant function f(x1, x2) yang kemudian digunakan untuk
tahap ujian. Tahap latihan menggunakan 30 citra dan sisanya digunakan untuk tahap
ujian.
Untuk memperoleh hasil yang lebih valid, metode latihan dan ujian akan menggunakan
teknik cross-validation. Teknik ini dilakukan dengan membagi data menjadi enam
kelompok, yaitu D1 hingga D6. Latihan ke-1 menggunakan data D1, sedangkan ujian ke1 menggunakan data D2 hingga D6. Latihan ke-2 menggunakan data D2 dan ujian
menggunakan D1 dan D3 hingga D6. Langkah ini dilakukan seterusnya hingga latihan
ke-6 menggunakan data D-6 dan ujian menggunakan data D1 hingga D5. Hasil akurasi
klasifikasi pada masing-masing langkah dihitung untuk kemudian dihitung nilai rataratanya sehingga diperoleh akurasi keseleuruhan.
10
BAB 4 HASIL DAN PEMBAHASAN
1.
Data yang diperoleh
Data yang terkumpul dari Lokasi 1 (Jalan Wates, Ambarketawang) adalah 54 citra,
sedangkan dari Lokasi 2 (Pengasih, Kulon Progo) adalah 180 citra sehingga total adalah
234 citra. Data tersebut telah dikategorikan menjadi tiga kualitas sebagaimana tercantum
dalam Tabel 4.1. Contoh citra permukaan jalan kategori baik, sedang dan buruk
ditampilkan pada Gambar 4.1(a), (b) dan (c), sedangkan contoh citra tanpa retak
ditunjukkan pada Gambar 4.1(d).
Tabel 4.1 Hasil kategori kualitas data dan klasifikasi retak secara manual
Kategori
kualitas citra
Data Baik
Data Sedang
Data Buruk
Kriteria
Retak jelas dan derau tidak ada
Retak kurang jelas atau ada
derau
Retak tidak jelas atau banyak
derau
Jumlah
(a)
Banyak citra
Tanpa Dengan Jumlah
retak
retak
55
55
110
65
5
70
48
6
54
168
66
234
(b)
(c)
(d)
Gambar 4.1 Contoh citra kategori kualitas (a) baik, (b) sedang dan (c) buruk, serta (d)
citra tanpa retak
11
2.
Hasil klasifikasi citra retak secara manual
Klasifikasi citra secara manual telah dilakukan dengan hasil ditunjukkan pada Tabel
4.1.
3.
Hasil perbaikan citra
Contoh citra asli dalam format RGB dan hasil konversi menjadi format grayscale
ditampilkan dalam Gambar 4.2. Citra telah diubah ke format grayscale agar komputasi
menjadi lebih sederhana karena format grayscale terdiri hanya satu komponen intensitas
piksel dibanding RGB yang memiliki tiga komponen. Tidak ada perbedaan berarti
secara visual pada kedua citra tersebut.
(a)
(b)
Gambar 4.2 Contoh citra asli RGB dan grayscale
a. CLAHE
Metode yang pertama digunakan untuk perbaikan kualitas citra adalah metode
CLAHE yang dibuat berdasarkan metode ekualisasi histogram. Gambar 4.3 (a),
(b) dan (c) masing-masing menampilkan histogram citra grayscale, histogram
hasil penerapan CLAHE dan citra hasil penerapan CLAHE. Terlihat dari kedua
histogram tersebut, metode CLAHE berhasil meningkatkan kontras citra sehingga
bagian-bagian rinci dari citra hasil menjadi lebih jelas terlihat.
12
(a)
(b)
(c)
Gambar 4.3 (a) Histogram citra asli; (b) Histogram hasil CLAHE; dan (c) Citra
hasil CLAHE
b. Median
Filter median diterapkan dengan menggunakan jendela 15x15 yang menghasilkan
citra pada Gambar 4.4. Terlihat bahwa citra hasil filter median lebih halus dan
kontras rendah. Bagian jalan bukan retak terlihat lebih halus sehingga
memudahkan proses segmentasi pada tahapan berikutnya.
Gambar 4.4 Citra hasil filter median
c. Gaussian
Penerapan filter Gaussian menghasilkan citra hasil yang ditampilkan pada
Gambar 4.5. Citra hasil Gaussian tidak terlihat terlalu berbeda dengan citra
grayscale asli.
13
Gambar 4.5 Citra hasil filter Gaussian
d. Uji efektivitas filter dalam perbaikan kuliatas citra
Evaluasi filter di atas telah dilakukan secara visual. Evaluasi visual sering tidak
menghasilkan keputusan yang tepat. Oleh karena itu, evaluasi dilaksanakan juga
secara kuantitatif dengan menghitung parameter-parameter tertentu. Evaluasi
kuantitatif dilakukan untuk menilai kemampuan filter dalam tiga hal, yaitu
kemampuan dalam mengurangi derau, kemampuan mempertahankan informasi
citra dan kemampuan filter secara umum.
Kemampuan filter dalam mengurangi derau
Uji kemampuan ini dilakukan dengan menghitung parameter MSE, ENL dan SSI
dengan hasil ditunjukkan masing-masing pada Gambar 4.6 (a), (b) dan (c). Pada
Gambar 4.6 (a) dan (c), nilai MSE terbaik dan SSI terbaik diperoleh dengan
menerapkan filter median dan Gaussian. Sedangkan pada Gambar 4.6(b), nilai
ENL terbaik diperleh oleh filter median. Kesimpulannya, berdasarkan ketiga
parameter tersebut, filter yang paling efektif mengurangi derau citra permukaan
jalan adalah filter median.
14
(a)
(b)
15
(c)
Gambar 4.6 Hasil uji kemampuan filter dalam mengurangi derau berdasarkan
parameter (a) MSE, (b) ENL dan (c) SSI
Kemampuan filter mempertahankan informasi citra
Kemampuan ini diuji dengan menghitung parameter NM dan SC dengan hasil
pada Gambar 4.7 (a) dan (b). Parameter NM paling mendekati nilai 1 diperoleh
oleh filter median dan Gaussian, sedangkan parameter SC tertinggi diperoleh oleh
filter median, Gaussian dan CLAHE. Jadi, berdasarkan nilai kedua parameter
tersebut, filter median dan Gaussian konsisten menjadi filter yang memiliki
kemampuan terbaik dalam mempertahankan informasi citra.
(a)
16
(b)
Gambar 4.7 Hasil uji kemampuan filter dalam mempertahankan informasi dengan
parameter (a) NM dan (b) SC
Kemampuan filter secara umum
Kemampuan filter secara umum ditunjukkan pada Gambar 4.8 (a) dan (b) dengan
parameter PSNR dan CNR. Berdasarkan parameter PSNR, filter terbaik adalah
filter Gaussian dengan nilai PSNR tertinggi dan diikuti oleh filter median.
Sedangkan berdasarkan parameter CNR, filter median menjadi filter terbaik
diikuti oleh filter Gaussian.
(a)
17
(b)
Gambar 4.8 Hasil uji kemampuan filter secara umum dengan parameter (a) PSNR
dan (b) CNR
4.
Hasil segmentasi
Segmentasi adalah pengubahan citra dari grayscale menjadi hitam putih, bagian retak
berwarna hitam sedangkan permukaan jalan berwarna putih. Hasil segmentasi atas
contoh citra berkualitas baik dengan menggunakan metode thresholding, Otsu, Bersnen
dan Souvola berturut-turut ditunjukkan pada Gambar 4.9(a), (b), (c), (d) dan (e).
Gambar tersebut menunjukkan bahwa pada citra berkualitas baik, keempat metode
mampu melakukan segmentasi dengan tepat.
(a)
(b)
(b)
18
(d)
(c)
Gambar 4.9 Contoh (a) citra asli berkualitas baik dan citra hasil segmentasi dengan
metode (b) manual thresholding, (c) Otsu, (d) Bersnen dan (e) Souvola
Gambar 4.10(a), (b), (c), (d) dan (e) berturut-turut menampilkan contoh citra asli
berkualitas sedang, citra hasil segmentasi dengan metode thresholding, Otsu, Bersnen
dan Souvola. Pada data kuliatas medium, metode thresholding dan Bersnen
menghasilkan hasil segmentasi yang tidak tepat. Hampir semua bagian retak tidak dapat
dipisahkan oleh kedua metode tersebut. Metode Otsu mampu memisahkan bagian retak,
akan tetapi masih banyak bagian permukaan jalan dideteksi sebagai retak. Hasil terbaik
diperoleh dengan menggunakan metode Souvola sebagaimana ditunjukkan pada
Gambar 4.10(e).
(a)
(b)
(b)
(c)
(d)
Gambar 4.10 Contoh (a) citra asli berkualitas sedang dan citra hasil segmentasi dengan
metode (b) manual thresholding, (c) Otsu, (d) Bersnen dan (e) Souvola
19
Hasil segmentasi atas citra berkualitas buruk ditampilkan pada Gambar 4.11 berikut. Di
antara empat metode yang dicoba, Otsu menghasilkan segmentasi yang paling buruk
sedangkan tiga metode lainnya masih mampu menghasilkan segmentasi yang baik.
(a)
(b)
(b)
(c)
(d)
Gambar 4.11 Contoh (a) citra asli berkualitas buruk dan citra hasil segmentasi dengan
metode (b) manual thresholding, (c) Otsu, (d) Bersnen dan (e) Souvola
5.
Hasil metode ekstraksi sifat retak
Pembuatan metode ekstraksi sifat retak dimulai dengan mengubah citra RGB ke
grayscale dengan hasil ditampilkan pada Gambar 4.12(a) dan (b). Secara visual dua
citra tersebut terlihat sama karena kebetulan citra permukaan jalan berwarna abuabusehingga citra RGB tidak terlihat sebagai citra berwarna.
20
(a)
(b)
Gambar 4.12 Contoh pengubahan citra dari (a) RGB ke (b) grayscale
Selanjutnya, pengolahan citra menggunakan pyramidal Gaussian menghasilkan citra
multi skala, yaitu citra skala 1, 2 dan 3 sebagaimana ditampilkan pada Gambar 4.13(a),
(b) dan (c). Masing-masing citra multi skala menampakkan hasil yang berbeda baik
secara visual maupun informasi yang terkandung. Secara visual, semakin tinggi tingkat
skala, semakin kecil ukuran citra. Citra skala 1 telihat lebih detil daripada skala di
atasnya. Kedetilan suatu citra tidak bermakna selalu lebih baik karena citra yang detil
juga mengandung derau yang lebih banyak dibanding citra yang kurang detil.
Dimungkinkan, citra yang kurang detil lebih sesuai untuk keperluan deteksi retak
karena derau telah terkurangi, latar belakang lebih halus dan retak lebih terlihat. Untuk
mengetahui citra skala berapa yang menghasilkan deteksi paling tepat, ketiga skala citra
tersebut akan digunakan pada proses tahapan berikutnya.
(b)
(a)
(c)
Gambar 4.13 Contoh hasil pyramidal Gaussian (a) skala 1, (b) skala 2 dan (c) skala 3
Selanjutnya, dua sifat retak yaitu sum of histogram dan bwarea diekstrak dari citra hasil
pyramidal Gaussian.
21
Dengan menggunakan dua sifat retak yang telah diekstrak, klasifikasi retak dilakukan
dengan metode linear discriminant. Metode ini dimulai dengan latihan dengan
menggunakan 30 citra sehingga diperoleh fungsi diskriminan:
9.4511+(0.001*0.4781)x1+(0.001* -0.9651)x2=0
dan scatter plot yang ditampilkan pada Gambar 4.14.
Gambar 4.14 Scatter plot sifat sum of histogram (x1) dan bwarea (x2) serta fungsi
diskriminan yang diperoleh dari hasil latihan
Fungsi diskriminan tersebut kemudian
mengklasifikasikan citra retak, yaitu
digunakan
sebagai
aturan
untuk
y = 9.4511+(0.001*0.4781)x1+(0.001* -0.9651)x2
Jika y>0 maka citra diklasifikasikan sebagai citra retak dan sebaliknya, jika y0 then image is classified as image with crack,
whereas if y
PENELITIAN FUNDAMENTAL
DETEKSI DAN KUANTIFIKASI RETAK PERMUKAAN JALAN MENGGUNAKAN
METODE PENGOLAHAN CITRA DIGITAL DENGAN PENDEKATAN TEKNIK
MULTISKALA DAN KECERDASAN BUATAN
Oleh:
Slamet Riyadi, S.T., M.Sc., Ph.D. (NIDN 0509087801)
Sri Atmaja Putra JNNR, S.T., M.Sc.Eng., Ph.D. (NIDN 0515047801)
Noor Akhmad Setiawan, S.T., M.T., Ph.D. (NIDN 0007067503)
UNIVERSITAS MUHAMMADIYAH YOGYAKARTA
Desember 2015
i
DAFTAR ISI
Halaman Sampul
i
Halaman Pengesahan
ii
Daftar Isi
iii
Ringkasan
iv
Bab 1 Pendahuluan
1
Bab 2 Tinjauan Pustaka
3
Bab 3 Metode Penelitian
4
Bab 4 Hasil dan Pembahasan
11
Bab 5 Kesimpulan
25
Capaian Luaran Tahun Pertama
26
Rencana Tahun Kedua
27
Ucapan Terima Kasih
28
Daftar Pustaka
29
Lampiran-lampiran
31
iii
RINGKASAN
Pemeriksaan kondisi permukaan jalan dilakukan untuk mengetahui adanya retak atau tidak,
mengklasifikasi jenis retak dan mengkuantifikasi retak tersebut. Secara konvensional,
pemeriksaan dilakukan secara manual dimana petugas survei berjalan sambil memeriksa
keberadaan retak dan mencatat serta menandai lokasi tersebut. Cara ini kurang efektif
karena memerlukan waktu lama, tenaga kerja banyak, kurang tepat akibat subjektivitas dan
faktor kelelahan serta berbahaya apabila pemeriksaan dilakukan pada jalan raya dengan
kepadatan tinggi. Untuk mengatasi hal tersebut, peneliti memanfaatkan kemajuan teknologi
kamera dan komputer untuk merekam kondisi permukaan jalan dan mengolah citra digital
yang diperoleh dalam rangka mendeteksi keberadaan retak, mengklasifikasi dan
mengkuantifikasinya. Metode pengolahan citra yang telah dibuat oleh para peneliti belum
bisa direalisasikan dalam produk komersial karena belum memberikan hasil pemeriksaan
yang optimal pada berbagai kondisi jalan, sensitif terhadap cahaya sekitar dan waktu
komputasi lama. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan
membuat metode pengekstrakan sifat retak permukaan jalan menggunakan pendekatan
multiskala dan mengklasifikasi serta mengkuantifikasi retak menggunakan menggunakan
kecerdasan buatan dengan pendekatan pelatihan support vector machine (SVM). Kedua
pendekatan ini dipilih karena terkenal tangguh dan telah dicoba pada beberapa
permasalahan pengolahan citra digital lainnya. Penelitian dilaksanakan dalam beberapa
tahapan utama yaitu 1) pengumpulan data retak permukaan, 2) klasifikasi dan kuantifikasi
retak secara manual oleh pakar, 3) pembuatan metode perbaikan citra, segmentasi dan
pengekstrakan sifat retak dengan pendekatan multiskala, dan 4) klasifikasi dan kuantifikasi
retak menggunakan teknik SVM. Pada pelaksanaan penelitian tahun pertama, hasil
penelitian telah diperoleh dimana lebih dari 160 citra permukaan jalan telah dikumpulkan
dan diklasifikasi menjadi citra retak dan tidak retak secara manual oleh pakar. Citra asli
diperbaiki kualitasnya dengan filter median, histogram equalization, CLAHE dan Gaussian;
dimana hasil terbaik diperoleh dengan menggunakan filter median. Kemudian, citra melalui
proses segmentasi untuk memisahkan bagian retak dan bagian permukaan jalan dengan
menggunakan metode thresholding manual, Otsu, Bersnen dan Sauvola. Metode Sauvola
menghasilkan segmentasi paling tepat dibanding metode lainnya. Deteksi keberadaan retak
pada citra telah diperoleh dengan akurasi lebih dari 92% pada Gaussian pyramid skala 2 dan
segmentasi thresholding manual dan meningkat menjadi 96% pada segmentasi metode
Sauvola. Kesimpulannya, teknik pengolahan citra yang dibuat telah mampu melakukan
deteksi keberadaan retak pada citra jalan raya dengan akurasi tinggi.
iv
BAB 1 PENDAHULUAN
Untuk menjamin keselamatan dan kenyamanan berkendaraan, jalan perlu dipelihara secara
terus menerus. Pemeliharaan jalan diawali dengan pemeriksaan permukaan jalan secara
berkala untuk mengetahui ada tidaknya kerusakan. Menurut Federal Highway Administation
Amerika Serikat, kerusakan permukaan jalan dikategorikan menjadi lima, yaitu retak,
tambalan dan lubang, deformasi permukaan, cacat permukaan dan kerusakan lain (Federal
Highway Administration US, 2003). Penelitian ini hanya fokus pada pemeriksaan kerusakan
berupa retak permukaan, yaitu untuk mendeteksi adanya retak permukaan, menentukan jenis
retak dan mengkuantifikasi retak tersebut.
Secara konvensional, pemeriksaan retak permukaan dilakukan secara manual dimana
petugas survei akan berjalan, mencatat lokasi dan luasan retak serta menandainya. Metode
ini kurang efektif karena memerlukan waktu yang lama, tenaga kerja yang banyak dan
kurang tepat akibat subjektivitas dan faktor kelelahan. Dalam aspek keselamatan, metode
konvensional juga berbahaya bagi petugas khususnya bila pemeriksaan dilakukan pada jalan
raya dengan kepadatan kendaraan yang tinggi.
Seiring dengan kemajuan teknologi kamera dan komputer, pemeriksaan retak secara visual
menggunakan mata mulai digantikan dengan metode pengolahan citra digital. Melalui
metode ini, kondisi permukaan jalan direkam menggunakan kamera video yang dirakit
sedemikian hingga pada kendaraan survei. Hasil rekaman video permukaan jalan diolah
menggunakan berbagai macam teknik pengolahan citra digital untuk mendeteksi adanya
retak, menentukan jenis retak maupun menghitung luasan retak. Proses pengolahan citra
bisa dilakukan secara masa nyata atau di laboratorium. Metode deteksi berbasis pengolahan
citra digital mendapat sambutan sangat positif dari peneliti dan praktisi karena berpeluang
besar mengatasi berbagai permasalahan metode konvensional. Disamping itu, metode ini
juga relatif murah sehingga lebih mungkin direalisasikan dan diproduksi secara massal.
Penelitian tentang penggunaan metode pengolahan citra digital untuk pemeriksaan
permukaan jalan telah dimulai sejak dekade 1990 hingga sekarang dengan hasil yang
menjanjikan. Meskipun begitu, berbagai metode yang telah dihasilkan oleh peneliti baru
dijumpai terbatas pada tahap diseminasi dalam seminar atau jurnal ilmiah tapi belum
populer sebagai produk komersial. Hal ini dikarenakan metode yang ada belum memberikan
hasil pemeriksaan yang optimal pada berbagai kondisi jalan, sensitif terhadap cahaya sekitar
dan waktu komputasi yang masih lama. Berdasarkan referensi yang ada, metode-metode
1
yang telah diusulkan hanya fokus pada penentuan adanya retak atau tidak, sedangkan
penentuan jenis retak dan berapa luasan letak tidak banyak diteliti. Kenyataan ini
memberikan peluang yang lebar bagi peneliti untuk melakukan penelitian yang mendalam
sehingga diperoleh hasil yang lebih baik dan sesuai kebutuhan.
Berdasarkan uraian di atas, penelitian ini bertujuan untuk menemukan metode baru yang
tangguh diimplementasikan pada berbagai jalan, tidak sensitif terhadap perubahan cahaya
dan waktu komputasi cukup singkat. Metode baru tersebut digunakan untuk mampu
melakukan tiga hal, yaitu menentukan adanya retak, jenis retak dan luasan retak. Pendekatan
yang dilakukan merupakan gabungan dari pendekatan pemodelan multiskala dan pelatihan.
Pemodelan multiskala dipilih karena dikenal tangguh terhadap gangguan pada citra dan
tidak rentan terhadap perubahan tingkat keabuan (Zhang et al., 2013). Proses penentuan dan
klasifikasi akan dilaksanakan dengan teknik pelatihan menggunakan support vector machine
(SVM).
2
BAB 2 TINJAUAN PUSTAKA
Metode pengolahan citra digital untuk pemeriksaan kualitas permukaan jalan yang telah
dihasilkan para peneliti dapat dirangkum menjadi lima kategori, yaitu metode dengan
pendekatan analisis histogram, morfologi, pelatihan, penapisan dan pemodelan (Chambon &
Moliard, 2011). Pendekatan analisis histogram berdasar pada asumsi bahwa distribusi
tingkat keabuan antara citra retak dan permukaan jalan adalah terpisah. Pendekatan
diwujudkan melalui teknik ambang batas (thresholding) baik secara lokal maupun adaptif
(Chambon & Moliard, 2013; Teomete et al., 2005; Elbehiery et al., 2005). Pendekatan ini
sederhana dan tidak memerlukan waktu pengolahan citra yang lama, akan tetapi akurasi
pendeteksian cukup rendah. Ini terjadi karena secara fakta, distribusi tingkat keabuan citra
retak dan permukaan jalan tidak secara jelas terpisah, berbeda dengan asumsi yang diambil
oleh pendekatan ini.
Pendekatan kedua adalah menggunakan teknik morfologi (Coster, 2001; Ito et al., 2002;
Iyer & Sinha, 2005). Pendekatan ini dilakukan dengan melakukan rekayasa terhadap tingkat
keabuan citra sehingga perbedaan antara retak dan permukaan semakin jelas dan ciri-ciri
yang khas bisa diekstrak untuk melakukan klasifikasi. Hasil pendekatan ini lebih baik
dibanding pendekatan pertama akan tetapi sangat tergantung dengan pemilihan parameter
rekayasa yang digunakan. Pendekatan ketiga bertumpu pada teknik pelatihan dan percobaan
dengan menggunakan teknik jaringan syaraf tiruan (Liu et al., 2002; Saar et al, 2010).
Pendekatan ini menghasilkan akurasi yang sama atau lebih tinggi dibanding dengan
pendekatan kedua. Kekurangan utama pendekatan pelatihan adalah waktu komputasi yang
diperlukan lama dan tidak bisa betul-betul secara masa nyata. Yang keempat, metode
dilakukan dengan menggunakan berbagai teknik penapisan seperti wavelet dan Gabor untuk
memperoleh ciri yang khas dari retak (Umesa et al, 2009; Zalama 2013). Pendekatan kelima
dilakukan melalui pembuatan model retak dan permukaan (Nguyen et al., 2009). Termasuk
dalam pendekatan pemodelan adalah analisis multiskala untuk memperoleh sifat lokal dan
sifat global yang menjadi ciri khusus retak dan permukaan. Dua pendekatan terakhir ini
menghasilkan
akurasi
relatif
tinggi
dibandingkan
dengan
pendekatan-pendekatan
sebelumnya.
3
BAB 3 METODE PENELITIAN
Penelitian tentang pembuatan alat pengujian tidak merusak (non destructive testing)
permukaan jalan telah dimulai sejak 2006 yang ketika itu berbasis pada gelombang
permukaan. Karena aplikasi pengolahan citra digital sangat populer dan prospektif,
penelitian dilanjutkan dengan pembuatan metode dan implementasi pengolahan citra digital
untuk berbagai aplikasi pada rentang waktu 2007 – 2013 sebagaimana dirangkum dalam
diagram tulang ikan (fishbone diagram) pada Gambar 3.1. Studi pembuatan berbagai
metode pengolahan citra digital ini menjadi bekal dan dasar untuk pembuatan metode
dengan aplikasi deteksi retak permukaan jalan.
Analisis histogram citra digital
untuk deteksi retak permukaan
jalan (Riyadi et al 2014)
Aplikasi pengolahan citra
digital untuk grading buah
(Riyadi et al, 2007-2008)
Alat portable pengukur
ketebalan beton
berdasarkan gelombang
(Tesis S-2, 2006)
Pengolahan citra digital
untuk diagnosis
ketidaknormalan jantung
(Disertasi S-3, 2008-2012)
Sistem masa nyata berbasis
pengolahan citra digital untuk
penyemprotan tanaman
kelapa sawit (Ghazali et al,
2007)
Aplikasi pengolahan citra
digital untuk studi
ergonomik kursi mobil
(Darliana et al 2009)
Pendekatan multiskala
pengolahan citra digital untuk
deteksi dan kuantifikasi retak
permukaan jalan (Diusulkan
PF DIKTI 2015-2016)
Aplikasi pengolahan citra
digital untuk desain
ergonomik bantal menyusui
(Daruis et al 2013)
Implementasi alat portable
berbasis pengolahan citra
digital untuk deteksi dan
kuantifikasi retak permukaan
jalan (Diusulkan PHB DIKTI
2017-2018)
PF: Penelitian Fundamental
PHB: Peneltian Hibah Bersaing
Gambar 3.1 Fishbone diagram peta jalan penelitian penerapan pengolahan citra digital
untuk evaluasi permukaan jalan
Pada 2014 sekarang ini, peneliti sedang melaksanakan pembuatan metode berbasis
pengolahan citra digital dengan analisis histogram untuk mendeteksi retak permukaan jalan.
Hasil penelitian ini akan menjadi awal dari pembuatan metode pengolahan citra digital yang
lebih maju, kuat dan tidak rentan gangguan, yaitu dengan menggunakan pendekatan
multiskala sebagaimana diajukan dalam proposal Penelitian Fundamental DIKTI ini untuk
kegiatan penelitian 2015 - 2016. Hasil yang dicapai dari penelitian ini akan disempurnakan
4
dan diimplementasikan dengan sebuah alat portable untuk pengujian masa nyata di
permukaan jalan melalui pengajuan skema Penelitian Hibah Bersaing DIKTI 2017 – 2018.
Penelitian dalam proposal ini akan dilaksanakan dalam beberapa tahapan utama yaitu 1)
pengumpulan data retak permukaan, 2) klasifikasi dan kuantifikasi retak secara manual oleh
pakar, 3) pembuatan metode pengekstrakan sifat retak dengan pendekatan multiskala, dan 4)
klasifikasi dan kuantifikasi retak menggunakan teknik SVM. Pada masing-masing tahap 3
dan 4 dilakukan pengujian dan validasi untuk mengetahui apakan metode yang dibuat telah
mencapapai hasil yang diharapkan. Diagam alir tahapan penelitian tersebut ditunjukkan
pada Gambar 3.2.
Rincian Metode Penelitian Tahun Pertama
Penjelasan rinci tahapan penelitian yang dilakukan pada tahun I adalah sebagai berikut:
1. Pengumpulan data retak permukaan
Pengumpulan data retak permukaan jalan dilaksanakan dengan menggunakan kamera
digital. Kamera ditempatkan pada posisi tegak lurus dengan permukaan jalan setinggi
kira-kira 1 m. Pada setiap pengambilan foto citra, tinggi kamera dari permukaan jalan
dibuat sama agar citra yang dihasilkan mempunyai rasio yang tetap dengan ukuran objek
sebenarnya. Pengambilan citra dilakukan di dua lokasi, yaitu Jalan Wates,
Ambarketawang, Sleman dan jalan di Pengasih, Kulon Progo. Dua lokasi ini dipilih
karena pada keduanya terdapat bagian jalan yang retak dan tidak retak. Data yang
terkumpul dikategorikan menjadi tiga kualitas, yaitu data baik, data sedang, data buruk,
dengan kriteria seperti pada Tabel 3.1.
Tabel 3.1 Kategori kualitas data citra
Kategori kualitas citra
Kriteria
Data baik
Retak jelas dan derau tidak ada
Data sedang
Retak kurang jelas atau ada derau
Data buruk
Retak tidak jelas atau banyak derau
5
Mulai
1. Pengumpulan data retak permukaan
jalan
2. Klasifikasi dan kuantifikasi retak secara
manual oleh pakar
3.a Perbaikan kualitas citra dengan
metode filtering
3.b Segmentasi citra retak dengan metode
Souvola
3.c Pembuatan metode pengekstrakan
sifat retak dengan pendekatan multiskala
4. Klasifikasi/deteksi retak dengan metode
thresholding dan linear discriminant
Perbaikan metode
Tidak
Apakah metode
berhasil mengekstrak
sifat retak yang unik?
Ya
Selesai
Gambar 3.2 Diagram alir tahapan penelitian tahun I
6
2. Deteksi retak secara manual oleh pakar
Citra permukaan jalan yang telah diperoleh perlu diklasifikasikan menjadi citra
permukaan jalan dengan retak dan citra tanpa retak. Klasifikasi dilakukan oleh anggota
peneliti dari Program Studi Teknik Sipil UMY yang sudah berpengalaman dalam
penentuan retak permukaan jalan. Hasil deteksi retak secara manual akan menjadi
kebenaran rujukan (ground-truth) untuk keperluan penghitungan akurasi deteksi dan
validasi metode yang dibuat.
3. Pengolahan citra
a.
Perbaikan kualitas citra dengan metode filtering
Perbaikan kualitas citra dilakukan terlebih dahulu dengan menerapkan metode filtering
untuk mengurangi pengaruh derau citra dengan tetap mempertahankan isi citra. Metode
filtering yang digunakan adalah median filter, contrast limited adaptive histogram
equalization (CLAHE), filter Gaussian dan pyramidal Gaussian. Kinerja keempat filter
tersebut dievaluasi dalam tiga aspek yaitu kemapuan filter dalam mengurangi derau
dengan menggunakan parameter MSE, ENL dan SSI, kemampuan filter dalam
mempertahankan informasi citra menggunakan parameter NM dan SC, serta kemampuan
filter secara keseluruhan menggunakan parameter PSNR dan CNR. Hasil evaluasi kinerja
filter digunakan untuk menentukan filter mana yang mempunyai kemampuan paling
optimal dalam perbaikan kualitas citra jalan raya.
b.
Segmentasi citra retak dengan metode Souvola
Citra jalan raya yang telah diperbaiki kuliatasnya akan diproses pada tahapan berikutnya,
yaitu proses segmentasi. Proses segmentasi adalah proses pemisahan antara citra retak
dengan latar belakang citra. Dalam penelitian ini, teknik segmentasi yang digunakan
adalah teknik Souvola. Teknik lain, yaitu teknik ambang manual, Otsu dan Bernsen, juga
diterapkan sebagai teknik pembanding.
c.
Pembuatan metode pengekstrakan sifat retak dengan pendekatan multiskala
Pembuatan metode pengekstrakan sifat retak dilaksanakan dengan langkah-langkah yang
ditunjukkan pada Gambar 3.3. Pembuatan metode dimulai dengan membaca file citra dan
mengubahnya dari format citra RGB menjadi grayscale. Pengubahan format ini bertujuan
agar komputasi dan analisis citra menjadi lebih sederhana dan cepat. Setelah itu, citra
7
grayscale akan difilter menggunakan metode Pyramidal Gaussian. Proses pemfilteran ini
dimaksudkan untuk memperbaiki kualitas citra dengan mengurangi derau yang ada.
Selain itu, Pyramidal Gaussian juga akan menghasilkan citra multi skala. Masing-masing
citra multi skala akan diproses pada tahap selanjutnya untuk memperoleh hasil yang
paling optimal.
Langkah selanjutnya, citra hasil Pyramidal Gaussian diekstraksi sifat retaknya, yaitu sum
of histogram dan bwarea . Sum of histogram adalah jumlah histogram pada rentang nilai
piksel tertentu. Sifat ini diambil karena berdasarkan pengamatan pada histogram, citra
retak memiliki distribusi nilai lebih ke kiri dibanding citra tanpa retak (Gambar 3.4(a)
dan (b)). Jumlah histogram akan dihitung dari rentang nilai piksel 1 hingga 170, 175 dan
180. Analisis akan dilakukan untuk menentukan rentang mana yang menghasilkan
akurasi paling tinggi. Sifat sum of histogram diharapkan mampu menjadi sifat yang
membedakan antara citra retak dan tanpa retak.
Start
Read file name
Convert image to grayscale
Apply Pyramidal Gaussian
Compute sum of histogram (x1) and bwarea (x2)
Train data to create discriminant function
f(x1, x2)
Test data using f(x1, x2)
Compute accuracy
Finish
Gambar 3.3 Metode pengekstrakan sifat retak
8
Sifat retak kedua adalah bwarea , yaitu jumlah piksel retak yang dihitung pada citra yang
telah dikonversi menjadi citra hitam putih. Sebagaimana ditunjukkan pada Gambar 3.4(c)
dan (d), hasil segmentasi citra tanpa retak dan dengan retak terlihat jelas berbeda secara
visual dan informasi ini akan diperoleh dengan menghitung sifat bwarea . Sebelum
penghitungan bwarea, beberapa nilai batas akan digunakan untuk mengubah citra
grayscale menjadi citra hitam putih, yaitu 0,40, 0,45 dan 0,50. Analisis akan dilakukan
atas ketiga nilai batas tersebut untuk memperoleh akurasi terbaik.
(a)
(b)
(c)
(d)
Gambar 3.4 Contoh histogram dan citra hitam putih hasil segmentasi untuk citra (a)(c)
tanpa retak dan (b)(d) dengan retak
4. Pembuatan metode untuk mengklasifikasi sifat retak
Setelah sifat retak sum of histogram dan bwarea diperoleh, kedua sifat ini akan menjadi
pertimbangan untuk mengklasifikasikan apakah suatu citra tergolong citra retak atau
tanpa retak. Metode klasifikasi yang digunakan adalah linear discriminant. Metode ini
dibuat melalui dua tahap, yaitu latihan (training) dan ujian (testing). Tahap latihan akan
9
menghasilkan linear discriminant function f(x1, x2) yang kemudian digunakan untuk
tahap ujian. Tahap latihan menggunakan 30 citra dan sisanya digunakan untuk tahap
ujian.
Untuk memperoleh hasil yang lebih valid, metode latihan dan ujian akan menggunakan
teknik cross-validation. Teknik ini dilakukan dengan membagi data menjadi enam
kelompok, yaitu D1 hingga D6. Latihan ke-1 menggunakan data D1, sedangkan ujian ke1 menggunakan data D2 hingga D6. Latihan ke-2 menggunakan data D2 dan ujian
menggunakan D1 dan D3 hingga D6. Langkah ini dilakukan seterusnya hingga latihan
ke-6 menggunakan data D-6 dan ujian menggunakan data D1 hingga D5. Hasil akurasi
klasifikasi pada masing-masing langkah dihitung untuk kemudian dihitung nilai rataratanya sehingga diperoleh akurasi keseleuruhan.
10
BAB 4 HASIL DAN PEMBAHASAN
1.
Data yang diperoleh
Data yang terkumpul dari Lokasi 1 (Jalan Wates, Ambarketawang) adalah 54 citra,
sedangkan dari Lokasi 2 (Pengasih, Kulon Progo) adalah 180 citra sehingga total adalah
234 citra. Data tersebut telah dikategorikan menjadi tiga kualitas sebagaimana tercantum
dalam Tabel 4.1. Contoh citra permukaan jalan kategori baik, sedang dan buruk
ditampilkan pada Gambar 4.1(a), (b) dan (c), sedangkan contoh citra tanpa retak
ditunjukkan pada Gambar 4.1(d).
Tabel 4.1 Hasil kategori kualitas data dan klasifikasi retak secara manual
Kategori
kualitas citra
Data Baik
Data Sedang
Data Buruk
Kriteria
Retak jelas dan derau tidak ada
Retak kurang jelas atau ada
derau
Retak tidak jelas atau banyak
derau
Jumlah
(a)
Banyak citra
Tanpa Dengan Jumlah
retak
retak
55
55
110
65
5
70
48
6
54
168
66
234
(b)
(c)
(d)
Gambar 4.1 Contoh citra kategori kualitas (a) baik, (b) sedang dan (c) buruk, serta (d)
citra tanpa retak
11
2.
Hasil klasifikasi citra retak secara manual
Klasifikasi citra secara manual telah dilakukan dengan hasil ditunjukkan pada Tabel
4.1.
3.
Hasil perbaikan citra
Contoh citra asli dalam format RGB dan hasil konversi menjadi format grayscale
ditampilkan dalam Gambar 4.2. Citra telah diubah ke format grayscale agar komputasi
menjadi lebih sederhana karena format grayscale terdiri hanya satu komponen intensitas
piksel dibanding RGB yang memiliki tiga komponen. Tidak ada perbedaan berarti
secara visual pada kedua citra tersebut.
(a)
(b)
Gambar 4.2 Contoh citra asli RGB dan grayscale
a. CLAHE
Metode yang pertama digunakan untuk perbaikan kualitas citra adalah metode
CLAHE yang dibuat berdasarkan metode ekualisasi histogram. Gambar 4.3 (a),
(b) dan (c) masing-masing menampilkan histogram citra grayscale, histogram
hasil penerapan CLAHE dan citra hasil penerapan CLAHE. Terlihat dari kedua
histogram tersebut, metode CLAHE berhasil meningkatkan kontras citra sehingga
bagian-bagian rinci dari citra hasil menjadi lebih jelas terlihat.
12
(a)
(b)
(c)
Gambar 4.3 (a) Histogram citra asli; (b) Histogram hasil CLAHE; dan (c) Citra
hasil CLAHE
b. Median
Filter median diterapkan dengan menggunakan jendela 15x15 yang menghasilkan
citra pada Gambar 4.4. Terlihat bahwa citra hasil filter median lebih halus dan
kontras rendah. Bagian jalan bukan retak terlihat lebih halus sehingga
memudahkan proses segmentasi pada tahapan berikutnya.
Gambar 4.4 Citra hasil filter median
c. Gaussian
Penerapan filter Gaussian menghasilkan citra hasil yang ditampilkan pada
Gambar 4.5. Citra hasil Gaussian tidak terlihat terlalu berbeda dengan citra
grayscale asli.
13
Gambar 4.5 Citra hasil filter Gaussian
d. Uji efektivitas filter dalam perbaikan kuliatas citra
Evaluasi filter di atas telah dilakukan secara visual. Evaluasi visual sering tidak
menghasilkan keputusan yang tepat. Oleh karena itu, evaluasi dilaksanakan juga
secara kuantitatif dengan menghitung parameter-parameter tertentu. Evaluasi
kuantitatif dilakukan untuk menilai kemampuan filter dalam tiga hal, yaitu
kemampuan dalam mengurangi derau, kemampuan mempertahankan informasi
citra dan kemampuan filter secara umum.
Kemampuan filter dalam mengurangi derau
Uji kemampuan ini dilakukan dengan menghitung parameter MSE, ENL dan SSI
dengan hasil ditunjukkan masing-masing pada Gambar 4.6 (a), (b) dan (c). Pada
Gambar 4.6 (a) dan (c), nilai MSE terbaik dan SSI terbaik diperoleh dengan
menerapkan filter median dan Gaussian. Sedangkan pada Gambar 4.6(b), nilai
ENL terbaik diperleh oleh filter median. Kesimpulannya, berdasarkan ketiga
parameter tersebut, filter yang paling efektif mengurangi derau citra permukaan
jalan adalah filter median.
14
(a)
(b)
15
(c)
Gambar 4.6 Hasil uji kemampuan filter dalam mengurangi derau berdasarkan
parameter (a) MSE, (b) ENL dan (c) SSI
Kemampuan filter mempertahankan informasi citra
Kemampuan ini diuji dengan menghitung parameter NM dan SC dengan hasil
pada Gambar 4.7 (a) dan (b). Parameter NM paling mendekati nilai 1 diperoleh
oleh filter median dan Gaussian, sedangkan parameter SC tertinggi diperoleh oleh
filter median, Gaussian dan CLAHE. Jadi, berdasarkan nilai kedua parameter
tersebut, filter median dan Gaussian konsisten menjadi filter yang memiliki
kemampuan terbaik dalam mempertahankan informasi citra.
(a)
16
(b)
Gambar 4.7 Hasil uji kemampuan filter dalam mempertahankan informasi dengan
parameter (a) NM dan (b) SC
Kemampuan filter secara umum
Kemampuan filter secara umum ditunjukkan pada Gambar 4.8 (a) dan (b) dengan
parameter PSNR dan CNR. Berdasarkan parameter PSNR, filter terbaik adalah
filter Gaussian dengan nilai PSNR tertinggi dan diikuti oleh filter median.
Sedangkan berdasarkan parameter CNR, filter median menjadi filter terbaik
diikuti oleh filter Gaussian.
(a)
17
(b)
Gambar 4.8 Hasil uji kemampuan filter secara umum dengan parameter (a) PSNR
dan (b) CNR
4.
Hasil segmentasi
Segmentasi adalah pengubahan citra dari grayscale menjadi hitam putih, bagian retak
berwarna hitam sedangkan permukaan jalan berwarna putih. Hasil segmentasi atas
contoh citra berkualitas baik dengan menggunakan metode thresholding, Otsu, Bersnen
dan Souvola berturut-turut ditunjukkan pada Gambar 4.9(a), (b), (c), (d) dan (e).
Gambar tersebut menunjukkan bahwa pada citra berkualitas baik, keempat metode
mampu melakukan segmentasi dengan tepat.
(a)
(b)
(b)
18
(d)
(c)
Gambar 4.9 Contoh (a) citra asli berkualitas baik dan citra hasil segmentasi dengan
metode (b) manual thresholding, (c) Otsu, (d) Bersnen dan (e) Souvola
Gambar 4.10(a), (b), (c), (d) dan (e) berturut-turut menampilkan contoh citra asli
berkualitas sedang, citra hasil segmentasi dengan metode thresholding, Otsu, Bersnen
dan Souvola. Pada data kuliatas medium, metode thresholding dan Bersnen
menghasilkan hasil segmentasi yang tidak tepat. Hampir semua bagian retak tidak dapat
dipisahkan oleh kedua metode tersebut. Metode Otsu mampu memisahkan bagian retak,
akan tetapi masih banyak bagian permukaan jalan dideteksi sebagai retak. Hasil terbaik
diperoleh dengan menggunakan metode Souvola sebagaimana ditunjukkan pada
Gambar 4.10(e).
(a)
(b)
(b)
(c)
(d)
Gambar 4.10 Contoh (a) citra asli berkualitas sedang dan citra hasil segmentasi dengan
metode (b) manual thresholding, (c) Otsu, (d) Bersnen dan (e) Souvola
19
Hasil segmentasi atas citra berkualitas buruk ditampilkan pada Gambar 4.11 berikut. Di
antara empat metode yang dicoba, Otsu menghasilkan segmentasi yang paling buruk
sedangkan tiga metode lainnya masih mampu menghasilkan segmentasi yang baik.
(a)
(b)
(b)
(c)
(d)
Gambar 4.11 Contoh (a) citra asli berkualitas buruk dan citra hasil segmentasi dengan
metode (b) manual thresholding, (c) Otsu, (d) Bersnen dan (e) Souvola
5.
Hasil metode ekstraksi sifat retak
Pembuatan metode ekstraksi sifat retak dimulai dengan mengubah citra RGB ke
grayscale dengan hasil ditampilkan pada Gambar 4.12(a) dan (b). Secara visual dua
citra tersebut terlihat sama karena kebetulan citra permukaan jalan berwarna abuabusehingga citra RGB tidak terlihat sebagai citra berwarna.
20
(a)
(b)
Gambar 4.12 Contoh pengubahan citra dari (a) RGB ke (b) grayscale
Selanjutnya, pengolahan citra menggunakan pyramidal Gaussian menghasilkan citra
multi skala, yaitu citra skala 1, 2 dan 3 sebagaimana ditampilkan pada Gambar 4.13(a),
(b) dan (c). Masing-masing citra multi skala menampakkan hasil yang berbeda baik
secara visual maupun informasi yang terkandung. Secara visual, semakin tinggi tingkat
skala, semakin kecil ukuran citra. Citra skala 1 telihat lebih detil daripada skala di
atasnya. Kedetilan suatu citra tidak bermakna selalu lebih baik karena citra yang detil
juga mengandung derau yang lebih banyak dibanding citra yang kurang detil.
Dimungkinkan, citra yang kurang detil lebih sesuai untuk keperluan deteksi retak
karena derau telah terkurangi, latar belakang lebih halus dan retak lebih terlihat. Untuk
mengetahui citra skala berapa yang menghasilkan deteksi paling tepat, ketiga skala citra
tersebut akan digunakan pada proses tahapan berikutnya.
(b)
(a)
(c)
Gambar 4.13 Contoh hasil pyramidal Gaussian (a) skala 1, (b) skala 2 dan (c) skala 3
Selanjutnya, dua sifat retak yaitu sum of histogram dan bwarea diekstrak dari citra hasil
pyramidal Gaussian.
21
Dengan menggunakan dua sifat retak yang telah diekstrak, klasifikasi retak dilakukan
dengan metode linear discriminant. Metode ini dimulai dengan latihan dengan
menggunakan 30 citra sehingga diperoleh fungsi diskriminan:
9.4511+(0.001*0.4781)x1+(0.001* -0.9651)x2=0
dan scatter plot yang ditampilkan pada Gambar 4.14.
Gambar 4.14 Scatter plot sifat sum of histogram (x1) dan bwarea (x2) serta fungsi
diskriminan yang diperoleh dari hasil latihan
Fungsi diskriminan tersebut kemudian
mengklasifikasikan citra retak, yaitu
digunakan
sebagai
aturan
untuk
y = 9.4511+(0.001*0.4781)x1+(0.001* -0.9651)x2
Jika y>0 maka citra diklasifikasikan sebagai citra retak dan sebaliknya, jika y0 then image is classified as image with crack,
whereas if y