MENGUKUR PANJANG SEBUAH OBJEK PADA CITRA DENGAN METODE CANNY SEBAGAI PENDETEKSI TEPI.

MENGUKUR PANJ ANG SEBUAH OBJ EK PADA CITRA
DENGAN METODE CANNY SEBAGAI PENDETEKSI TEPI

SKRIPSI

Disusun oleh :

NASAYOGA FEBTIADY
NPM. 0934010091

J URUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
J AWA TIMUR
2013

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

MENGUKUR PANJ ANG SEBUAH OBJ EK PADA CITRA
DENGAN METODE CANNY SEBAGAI PENDETEKSI TEPI

SKRIPSI
Diajukan Untuk Memenuhi Sebagai Persyaratan
Dalam Memperoleh Gelar Sarjana Komputer
Jurusan Teknik Informatika

Disusun oleh :

NASAYOGA FEBTIADY
NPM. 0934010091

J URUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
J AWA TIMUR
2013

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

SKRIPSI
MENGUKUR PANJ ANG SEBUAH OBJ EK PADA CITRA
DENGAN METODE CANNY SEBAGAI PENDETEKSI TEPI
Disusun oleh :
NASAYOGA FEBTIADY
NPM. 0934010091
Telah dipertahankan dihadapkan dan diterima oleh Tim Penguji Skripsi
J urusan Teknik Infor matika Fakultas Teknologi Industri
Univer sitas Pembangunan Nasional “Veteran” J awa Timur
Pada Tanggal 20 Desember 2013
Pembimbing :
1.

Tim Penguji :
1.

Fetty Tri Anggraeny, S.Kom, M.Kom Intan Yuniar P., S.Kom, M.Sc
NPT. 3 8202 06 0208 1
NPT. 3 8006 04 0198 1
2.

2.

Yisti Vita Via, S.ST, M.Kom
NPT. 3 8604 13 0347 1

Ahmad J unaidi, S.Kom
NPT. 3 7811 04 0199 1
3.

Crystia Aji Putra, S.Kom
NPT. 3 8610 10 0296 1

Mengetahui,
Dekan Fakultas Teknologi Industri
Univer sitas Pembangunan Nasional “Veteran” J awa Timur

Ir. SUTIYONO, MT.
NIP. 196007131987031001

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

LEMBAR PENGESAHAN

MENGUKUR PANJ ANG SEBUAH OBJ EK PADA CITRA
DENGAN METODE CANNY SEBAGAI PENDETEKSI TEPI

Disusun oleh :

NASAYOGA FEBTIADY
NPM. 0934010091

Telah disetujui untuk mengikuti Ujian Negara Lisan
Gelombang IV Tahun Akademik 2013/2014

Menyetujui,
Pembimbing I

Pembimbing II

Fetty Tri Anggraeny, S.Kom, M.Kom
NPT. 3 8202 06 0208 1

Yisti Vita Via, S.ST, M.Kom
NPT. 3 8604 13 0347 1

Mengetahui,
Ketua J urusan Teknik Infor matika
Fakultas Teknologi Industri
UPN “Veteran” J awa Timur

Dr. Ir. NI KETUT SARI, MT
NIP. 19650731 199203 2 001

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

YAYASAN KESEJ AHTERAAN PENDIDIK AN DAN PERUM AHAN
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” J AWA TIMUR

FAKULTAS TEKNOLOGI INDUSTRI
PANITIA UJ I AN SKRIPSI / KOMPREHENSIF

KETERANGAN BEBAS REVISI

Mahasiswa di bawah ini :
Nama

: NASAYOGA FEBTIADY

NPM

: 0934010091

Jurusan

: Teknik Informatika

Telah mengerjakan revisi/ tidak ada revisi*) pra rencana (design)/ skripsi ujian
lisan gelombang IV, TA 2012/2013 dengan judul:

“MENGUKUR PANJ ANG SEBUAH OBJ EK PADA CITRA DENGAN
METODE CANNY SEBAGAI PENDETEKSI TEPI ”

Surabaya, 16 Januari 2014
Dosen Penguji yang memerintahkan revisi :

1) Intan Yuniar P., S.Kom, M.Sc

(

)

(

)

(

)

NPT. 3 8006 04 0198 1

2) Ahmad J unaidi, S.Kom
NPT. 3 7811 04 0199 1
3) Crystia Aji Putra, S.Kom
NPT. 3 8610 10 0296 1

Menyetujui,
Pembimbing I

Fetty Tri Anggraeny, S.Kom, M.Kom
NPT. 3 8202 06 0208 1

Pembimbing II

Yisti Vita Via, S.ST, M.Kom
NPT. 3 8604 13 0347 1

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

KATA PENGANTAR

Puji syukur alhamdulillaahi rabbil ‘alamiin penulis ucapkan kehadirat
Allah SWT atas segala rahmat serta karunia-Nya yang diberikan kepada penulis
sehingga penulis dapat menyelesaikan skripsi yang berjudul “MENENTUKAN
TINGGI SEBUAH BENDA DENGAN METODE CANNY SEBAGAI
PENDETEKSI TEPI”.
Skripsi dengan jumlah 4 SKS ini disusun sebagai salah satu syarat untuk
menyelesaikan program Strata Satu (S1) pada jurusan Teknik Informatika,
Fakultas Teknologi Industri, UPN “Veteran” Jawa Timur.
Penulis menyadari bahwa penulisan skripsi ini masih jauh dari
kesempurnaan dikarenakan pengetahuan dan pengalaman yang dimiliki oleh
penulis masih sangat terbatas dan masih perlu diperbaiki baik dari segi penyajian
maupun isinya. Oleh karena itu, penulis mengharapkan kritik dan saran yang
bersifat membangun dari semua pihak yang membaca skripsi ini. Semoga skripsi
ini bermanfaat bagi semua pembaca pada umumnya dan bagi penulis pada
khususnya. Amiin.

Surabaya, 20 Desember 2013

(Penulis)

ii
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

UCAPAN TERIMA KASIH

Skripsi ini dapat diselesaikan dengan baik karena dukungan, bimbingan dan
bantuan dari berbagi pihak. Oleh karena itu dalam kesempatan ini perkenankan
penulis mengucapkan rasa terima kasih yang sebesar-besarnya kepada :
1) Pertama saya panjatkan puji dan syukur kepada Allah SWT, karena berkat
rahmat dan karunia-Nya saya dapat menyusun dan menyelesaikan skripsi ini.
2) Kedua saya berterimakasih kepada keluarga tercinta. Ayah dan ibu, papah
dan mamah yang selalu memberikan doa yang berkah dan kasih sayang,
dukungan moral, semangat dan materi yang tiada pernah berenti. Lebih
khususnya kepada keluarga di indramayu dan di Surabaya. Dan kepada
Rischa Pramanix saya ucapankan terimakasih sudah diberikan semangat dan
dukungan untuk mengerjakan skripsi ini.

3) Bapak Prof. Dr. Ir. Teguh Soedarto, MP selaku Rektor Universitas
Pembangunan Nasional “Veteran” Jawa Timur.
4) Bapak Sutiyono, MT selaku Dekan Fakultas Teknologi Industri UPN
“Veteran” Jawa Timur.
5) Ibu Dr. Ir. Ni Ketut Sari, MT selaku Ketua Jurusan Teknik Informatika UPN
“Veteran” Jawa Timur.
6) Ibu Fetty Tri Anggraeny, S.Kom, M.Kom selaku dosen pembimbing pertama
skripsi ini di UPN “Veteran” Jawa Timur yang telah banyak memberikan
waktu, bimbingan dan petunjuk sejak awal hingga terselesainya skripsi ini.

iii
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

7) Ibu Yisti Vita Via, S.ST, M.Kom selaku dosen pembimbing kedua skripsi ini
di UPN “Veteran” Jawa Timur yang telah banyak memberikan waktu,
bimbingan dan petunjuk sejak awal hingga terselesainya skripsi ini.
8) Bapak Rully Gita Hartantyo, S.Kom selaku dosen pembimbing spesial edisi
warkop c7 yang telah banyak memberikan waktu untuk bimbingan penuh dan
wejangan-wejangan motivasi sejak awal hingga terselesainya skripsi ini.
Pagi siang dan sore selalu menemani hari-hari saya mengerjakan skripsi ini.
Terima kasih banyak ya bang. Tidak tau lagi saya akan membalas budi
dengan apa bang. Semoga Allah SWT membalasnya dengan lebih dari apa
yang sampeyan beri kepada saya.
9) Sahabat seperjuangan saya semuanya yang berjuang bersama. Tiada kata letih
untuk saling mengingatkan dan memotivasi untuk mengerjakan skripsi ini.
Saya ucapakan terima kasih banyak juga kepada teman-teman warkop c7
sudah memberikan tempat bagi saya untuk mengerjakan skripsi ini.
Semuanya lah pokoknya mah.
10) Semua teman-teman Teknik Informatika 2009 UPN “Veteran” Jawa Timur.

iv
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

DAFTAR ISI
Halaman
LEMBAR PENGESAHAN
ABSTRAK ..................................................................................................

i

KATA PENGANTAR ................................................................................ ii
UCAPAN TERIMA KASIH ...................................................................... iii
DAFTAR ISI ...............................................................................................

v

DAFTAR GAMBAR .................................................................................. viii
DAFTAR TABEL ...................................................................................... ix

BAB I PENDAHULUAN ..........................................................................

1

1.1. Latar Belakang .......................................................................

1

1.2. Rumusan Masalah ..................................................................

2

1.3. Batasan Masalah ....................................................................

2

1.4. Tujuan.................................................................................... ` 3
1.5. Manfaat ..................................................................................

3

BAB II TINJ AUAN PUSTAKA ................................................................

4

2.1 Peneliti Pendahulu .................................................................

4

2.2 Pengolahan Citra ....................................................................

5

2.2.1 Citra Grayscale .............................................................

5

2.2.2 Citra Biner ....................................................................

8

2.3. Gambar atau Citra .................................................................. 11

v
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

2.3.1 Pixel ............................................................................. 13
2.3.2 Citra Berwarna .............................................................. 14
2.4. Computer Vision .................................................................... 15
2.5 Deteksi Tepi ........................................................................... 22
2.6 Metode Canny ........................................................................ 24
2.6.1 Penghalusan Citra ......................................................... 25
2.7 Visual Basic ........................................................................... 27
2.8 EmguCV ................................................................................ 29

BAB III METODOLOGI PENELITIAN .................................................. 33
3.1. Analisis Sistem....................................................................... 33
3.1.1. Pre-processing .............................................................. 35
3.1.2. Subprocess .................................................................... 38
3.2. Perhitungan Skala Perbandingan ............................................ 39
3.3. Perancangan Interface ............................................................ 40
3.3.1. Interface Tampilan Awal............................................... 41
3.3.2. Interface Proses Smooth ................................................ 41
3.3.3. Interface Proses Grayscale ............................................ 42
3.3.4. Interface Proses Threshold ............................................ 43
3.3.5. Interface Proses Canny ................................................. 43
3.3.6. Interface Proses Ukur Panjang ...................................... 44
3.4. Lingkungan Implementasi ...................................................... 45

vi
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

BAB IV HASIL DAN PEMBAHASAN...................................................... 47
4.1. Implementasi Data ................................................................. 47
4.2. Implementasi Interface ........................................................... 47
4.2.1. Desain Tampilan Halaman Utama ................................ 48
4.3. Implementasi Proses............................................................... 49
4.3.1. Proses Smoothing ......................................................... 49
4.3.2. Proses Grayscale .......................................................... 50
4.3.3. Proses Threshold .......................................................... 50
4.3.4. Proses Canny ............................................................... 50
4.3.5. Proses Ukur Panjang .................................................... 51
4.4. Uji Coba Program .................................................................. 51
4.4.1. Pelaksanaan Uji Coba ................................................... 52
4.5. Evaluasi Aplikasi ................................................................... 54
4.5.1. Analisis Proses .............................................................. 55

BAB V KESIMPULAN DAN SARAN ...................................................... 60
5.1. Kesimpulan ............................................................................ 60
5.2. Saran ..................................................................................... 61

DAFTAR PUSTAKA ................................................................................. 62

vii
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

J UDUL

PENYUSUN
DOSEN PEMBIMBING I
DOSEN PEMBIMBING II

: MENGUKUR PANJ ANG SEBUAH OBJ EK PADA CITRA
DENGAN METODE CANNY SEBAGAI PENDETEKSI
TEPI
: NASAYOGA FEBTIADY
: Fetty Tri Anggraeny, S.Kom, M.Kom
: Yisti Vita Via, S.ST, M.Kom

ABSTRAK

Sekarang ini teknologi sedang berkembang pesat yang bertujuan untuk
merubah kebiasaan manual menjadi otomatis yang dikerjakan oleh bantuan
komputer. Dalam aktivitas sehari-hari masih sering sekali manusia menggunakan
kebiasaan manual pada saat mengukur suatu benda, penggaris dan meteran yang
sering manusia gunakan. Hal ini menjadi peluang bagi mahasiswa tingkat akhir
untuk mengatasi masalah yang ada terutama dalam hal pengukuran suatu benda
yang memerlukan tingkat efisiensi yang tinggi dalam pengerjaannya.
Untuk mengatasinya akan dirancang suatu aplikasi mengukur panjang
sebuah objek pada citra dengan bantuan pendeteksian tepi dan perhitungan
panjang secara otomatis oleh komputer. Tujuannya adalah bisa lebih efisien dalam
penggunaan waktu untuk mengukur suatu benda yang dikerjakan dengan bantuan
teknologi komputer. Dalam penerapannya, aplikasi mengukur panjang sebuah
objek ini terutama adalah pengambilan objek gambar benda menggunakan sebuah
kamera, setelah itu upload ke dalam komputer yang tersedia aplikasi ini dan
kemudian objek gambar akan diproses untuk diukur panjangnya dengan bantuan
pendeteksian tepi.
Pada penelitian ini proses pendeteksian tepi menggunakan metode Canny
sebagai pendeteksi tepi dengan bahasa pemrograman Visual Basic, Microsoft
Visual Studio 2010 (.Net) dan library Emgu CV. Metode ini mempunyai
komputasi yang sederhana dan cepat. Secara garis besar proses dari aplikasi ini
adalah mengunduh objek benda. Pemrosesan metode canny akan melalui tahapan
smoothing, grayscale dan thresholding. Metode canny berfungsi untuk
pendeteksian tepi sebuah citra benda. Dan terakhir dilakukan pemrosesan ukur
panjang yang berfungsi untuk melakukan perhitungan pixel terpanjang dan
terpendek dari sebuah citra benda, kemudian melakukan perkalian dengan skala
perbandingan yang sudah ada ketetapannya setelah dilakukan dari beberapa uji
coba.
Dari percobaan dan pengujian yang dilakukan, aplikasi dapat mendeteksi
tepi sebuah citra benda dan mengukur panjang sebuah objek pada citra dengan
tingkat keakuratan 96.41% dan ketidakakuratan 3.59%. Tinggi rendahnya unsur
pencahayaan yang berada di sekitar obyek sangat mempengaruhi proses
pendeteksian.

Kata Kunci : Canny, Panjang Benda

i
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

BAB 1
PENDAHULUAN

1.1

LATAR BELAKANG
Pengolahan

citra

adalah

pemrosesan

citra,

khususnya

dengan

menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Teknik-teknik
pengolahan citra mentransformasikan citra menjadi citra lain. Masukan pada
proses ini adalah citra dan keluarannya juga berupa citra dengan kualitas lebih
baik daripada citra masukan sebelumnya. Meskipun sebuah citra kaya informasi,
namun seringkali citra yang kita miliki mengalami penurunan mutu, misalnya
mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam,
kabur, 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 (Balza, 2005).
Di era digital saat ini banyak manusia masih menggunakan cara manual
untuk mengukur sebuah benda dalam kesehariannya, seperti penggaris dan
meteran. Sehingga pekerjaan tidak berjalan dengan efisien.
Dalam penelitian ini, penulis bermaksud untuk membuat aplikasi
pengolahan citra digital untuk mengukur panjang sebuah benda pada citra dalam
satuan sentimeter(cm). Aplikasi ini akan dilakukan dengan menggunakan salah
satu metode pengolahan citra yaitu Metode Canny sebagai pendeteksi tepi,

1
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

2

dimana Metode Canny dapat digunakan untuk mendeteksi tepi sebuah benda
dengan pencarian (identifikasi) maksimal lokal dari gradien pada citra. Gradien
pada metode ini didapatkan dengan turunan dari filter Gaussian. Metode ini
menggunakan dua nilai batas untuk mendeteksi tepi yang lemah dan yang kuat.
Tepi yang lemah akan dihasilkan pada keluaran, jika terhubung juga dengan yang
kuat.

1.2

RUMUSAN MASALAH
Rumusan masalah aplikasi ini adalah :
1. Bagaimana mengukur panjang benda di dalam citra dengan tingkat
kesalahan seminimal mungkin menggunakan metode Canny sesuai dengan
panjang aslinya.
2. Bagaimana cara merubah satuan nilai piksel menjadi satuan sentimeter.
3. Bagaimana mendapatkan nilai skala perbandingan benda pada citra dengan
benda aslinya.
4. Bagaimana cara menghitung panjang benda pada citra dengan benar sesuai
panjang aslinya.

1.3

BATASAN MASALAH
Berdasarkan latar belakang di atas, yang menjadi batasan masalah adalah :
1. Pengambilan objek gambar dengan menggunakan kamera.
2. Format gambar JPEG.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

3

3. Bahasa pemrograman yang dipakai adalah Visual Basic (.net) 2010 dengan
library Emgu CV.
4. Menggunakan Metode Canny sebagai pendeteksi tepi pada gambar.
5. Jarak pengambilan gambar antara kamera dengan objek adalah 50cm.
6. Pada saat pengambilan gambar, hanya ada satu benda.
7. Pengambilan gambar dilakukan pada siang hari.
8. Skala perbandingan ditentukan adalah 1:2.
9. Warna latar belakang hitam.

1.4

TUJ UAN
Tujuan dari tugas akhir ini adalah membuat sebuah aplikasi pengolahan

citra yang dapat mengukur panjang benda sebenarnya dari panjang benda pada
gambar dengan tingkat kesalahan yang sedemikian kecil dengan menggunakan
Metode Canny sebagai pendeteksi tepinya.

1.5

MANFAAT
Manfaat dari aplikasi adalah :
1. Dapat mengukur panjang sebuah benda dengan otomatis, tanpa melakukan
pengukuran secara manual.
2. Setiap orang dapat mengetahui tentang teknologi yang dapat mengukur
panjang sebuah benda dengan menggunakan komputer.
3. Aplikasi ini dapat digunakan untuk penelitian selanjutnya dari Computer
Intelligent System menjadi Software Engineering.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

BAB II
TINJ AUAN PUSTAKA

2.1.

Peneliti Pendahulu
Smart Measure adalah aplikasi mobile untuk Android yang dapat berguna

untuk menghitung panjang suatu benda. Aplikasi ini dibuat dengan tujuan untuk
menggantikan alat-alat pengukur sehingga dapat menggunakannya tanpa perlu
repot bawa-bawa penggaris dan meteran. Aplikasi ini akan bekerja maksimal
digunakan saat siang hari, karena saat malem hari objek sulit untuk ditangkap.
Aplikasi ini disebut aplikasi pintar versi mobile Smart Tools yang dibuat oleh
Smart Tools Co (Billion, 2014).
Aplikasi ini berguna untuk mengukur panjang benda dengan menggunakan
kamera pada gadget sebagai media visual, aplikasi ini mengukur panjang sebuah
benda menggunakan prinsip trigonometri. Aplikasi Smart Measure dari Smart
Tool adalah aplikasi pengukur panjang benda untuk mobile.
Dengan adanya aplikasi Smart Tool untuk pengukuran panjang benda,
penulis bermaksud untuk membuat aplikasi yang serupa untuk pengukuran
panjang sebuah benda. Tetapi, pada aplikasi yang akan dibuat ini adalah untuk
versi desktop. Aplikasi yang akan dibuat adalah “Aplikasi Mengukur Panjang
Sebuah Benda Pada Citra Dengan Metode Canny Sebagai Pendeteksi Tepi”.
Aplikasi ini bersangkutan dengan pengolahan citra.

4

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

5

2.2

Pengolahan Citra
Citra merupakan suatu fungsi kontinu dari intensitas cahaya dalam bidang

2D, dengan (x,y) menyatakan tingkat kecerahan atau derajat keabuan. Citra digital
merupakan array 2D dengan nilai f(x,y) nya telah dikonversi ke dalam bentuk
diskrit baik pada koordinat citra maupun kecerahannya. Pengolahan citra secara
umum dapat didefinisikan sebagai pemrosesan sebuah gambar 2D secara digital.
Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak
melibatkan persepsi visual (Anil K. Jain, 1989). Proses ini mempunyai data
masukan dan informasi keluaran yang berbentuk citra.
Operasi pengolahan citra digital umumnya dilakukan dengan tujuan
memperbaiki

kualitas

suatu

gambar

sehingga

dapat

dengan

mudah

diinterprentasikan oleh mata manusia dan untuk mengolah informasi yang
terdapat pada suatu gambar untuk keperluan pengenalan objek secara otomatis.

2.2.1 Pengolahan Citra Grayscale
Citra grayscale yaitu citra yang nilai pixel-nya merepresentasikan derajat
keabuan

atau

intensitas

merepresentasikan

warna

warna
hitam

putih.

Nilai

intensitas

paling

rendah

dan

nilai

intensitas

paling

tinggi

merepresentasikan warna putih.
Pada umumnya citra grayscale memiliki kedalaman pixel 8 bit. Maka
jumlah kemungkinan nilainya adalah

= 256, dan nilai maksimumnya adalah

– 1 = 255. Sehingga semakin besar angka grayscale, citra yang berbentuk makin
mendekati kenyataan. ( Balza dan Kartika, 2005:9)

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

6

Gambar 2.1 Citra Grayscale (Biben Nurbani Hasan, 2012)
Pada gambar 2.1 di atas dimana Citra grayscale ini merupakan citra kanal,
yang dimana f(x,y) merupakan fungsi dari tingkat keabuan dari hitam keputih, x
merupakan variabel baris atau posisi pixel di garis jelajah dan y merupakan
variabel kolom atau posisi pixel di garis jelajah. Intensitas f dari gambar hitam
putih pada titik (x,y) disebut derajat keabuan (gray level), yang dalam hal ini
derajat keabuannya bergerak dari hitam keputih. Derajat keabuan memiliki
rentang nilai dari Imin sampai Imax, atau Imin < f < Imax, selang (Imin, Imax)
disebut skala keabuan.
Biasanya selang (Imin, Imax) sering digeser untuk alasan-alasan yang
praktis menjadi selang [o, L], yang dalam hal ini nilai intensitas 0 yaitu
menyatakan hitam, nilai intensitas L yaitu menyatakan putih, sedangkan nilai
intensitas antara 0 sampai L bergeser dari hitam keputih. Sebagi contoh citra
grayscale dengan 256 level artinya mempunyai skala abu-abu dari 0 sampai
dengan 255 atau [0,255], yang dalam hal ini intensitas 0 yaitu menyatakan hitam,

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

7

intensitas 255 yaitu menyatakan putih, dan nilai antara 0 sampai dengan 255
menyatakan warna keabuan yang terletak antara hitam dan putih.
Untuk mengubah citra grayscale ke citra biner bisa dilakukan dengan cara
threshold, dan biasanya penulis menentukan nilai citra threshold tertentu terlebih
dahulu dan kemudian yang ada di bawah nilai threshold nilainya dijadikan 0 yang
ada di atas threshold nilainya 1. Inilah gambaran bagaimana proses konversi
grayscale melalui perhitungan manual ilmu matematila. Dimisalkan ada sebuah
citra yang memiliki ukuran matriks 7x7 pixel dengan nilai-nilai sebagai berikut :

Tabel 2.1 Nilai RGB suatu citra
(i,j)

0

1

2

3

4

5

6

7

31

42

46

41

121

119

84

111

32
22

44
33

48
37

43
32

116
103

121
108

86
73

113
100

43

44

64

82

92

76

6

61

1

44
33

46
35

66
55

84
73

94
83

78
65

8
5

63
50

188

186

193

157

177

156

191

231

2

189
181

187
179

194
186

158
150

178
170

158
147

193
182

233
222

0

137

134

34

177

156

173

152

150

3

138
132

135
127

35
29

178
170

157
149

174
166

153
145

152
141

255

255

73

178

97

211

186

159

4

255
251

255
250

74
69

179
173

98
92

212
206

187
181

160
152

141

134

125

153

137

139

152

150

142
137

135
130

126
121

154
149

138
133

140
134

153
148

151
145

116

118

151

120

132

137

145

118

6

116
114

118
116

151
149

120
118

132
130

138
133

145
143

119
114

123

129

139

135

130

120

140

129

7

123
121

129
127

139
137

135
133

134
132

120
118

140
138

129
127

5

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

8

Untuk

konversi

warna

menjadi

grayscale,

misalnya

koordinat

(5,3),

perhitungannya adalah :
Gray [7,5] =

(2)

Perhitungan tersebut dilakukan untuk semua koordinat, sehingga matriks citra
hasil konversi menjadi berikut :
Tabel 2.2 hasil konversi nilai RGB menjadi grayscale
(i,j)

0

1

2

3

4

5

6

7

0

29

40

44

39

111

116

81

108

1

40

42

62

80

90

73

5

58

2

186

184

191

155

175

154

189

229

3

136

132

33

175

154

171

150

148

4

254

253

72

177

996

210

185

157

5

140

133

124

152

136

138

151

149

6

115

117

150

119

131

136

144

117

7

122

128

138

134

133

119

139

128

2.2.2 Pengolahan Citra biner
Citra biner, yaitu citra yang hanya terdiri atas dua warna, yaitu hitam dan
putih.

Oleh karena itu, setiap pixel pada citra biner cukup direpresentasikan

dengan 1 bit ( Balza dan Kartika, 2005:9). Gambar 2.2 merupakan contoh citra
dan Gambar 2.3 merupakan representasi citra biner.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

9

Gambar 2.2 Contoh citra biner (Biben Nurbani Hasan, 2012)

Gambar 2.3 Representasi citra biner dari Gambar 2.2 (Biben Nurbani Hasan,2012)
Meskipun saat ini citra berwarna lebih disukai karena memberi kesan uang
lebih kaya dari citra biner, namun tidak membuat citra biner mati. Pada beberapa
aplikasi citra biner masih tetap dibutuhkan, misalnya citra logo instansi (yang
hanya terdiri dari warna hitam dan putih), citra kode barang (bar code) yang
tertera pada label barang, citra hasil pemindai dokumen teks, dan sebagainya.
Seperti yang sudah disebutkan diatas, citra biner hanya mempunyai dua nilai
derajat keabuan yaitu hitam dan putih. Pixel-pixel objek bernilai 1 dan pixel-pixel
latar belakang bernilai 0. Pada waktu menampilkan gambar, 0 adalah putih dan 1
adalah hitam. Jadi pada citra biner, latar belakang berwarna putih sedangkan

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

10

objek berwarna hitam seperti tampak pada gambar 4 di atas. Meskipun komputer
saat ini dapat memproses citra hitam-putih (grayscale) maupun citra berwarna,
namun citra biner masih tetap dipertahankan keberadaannya.
Alasan penggunaan citra biner adalah karean citra biner memiliki sejumlah
keuntungan sebagai berikut :
1. Kebutuhan memori kecil karena nilai derajat keabuan hanya membutuhkan
representasi 1 bit.
2. Waktu pemrosesan lebih cepat dibandingkan dengan citra hitam-putih ataupun
warna.
Citra biner adalah citra yang terdiri dari warna hitam dan putih. Pada
langkah citra biner ini adalah nilai konversi dari grayscale. Sekarang saya
mencoba menetukan nilai threshold terlebih dahulu secara manual dari nilai
grayscale yang sudah ada.
Table 2.3 Nilai Grayscale
(i,j)

0

1

2

3

4

5

6

7

0

29

40

44

39

111

116

81

108

1

40

42

62

80

90

73

5

58

2

186

184

191

155

175

154

189

229

3

136

132

33

175

154

171

150

148

4

254

253

72

177

996

210

185

157

5

140

133

124

152

136

138

151

149

6

115

117

150

119

131

136

144

117

7

122

128

138

134

133

119

139

128

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

11

Nilai High = 255 dan Nilai low = 0
Nilai threshold kita tentukan yaitu median dari 0-255, yaitu 127. Untuk nilai
dibawah 127 kita jadikan warna putih yang nilainya 0, untuk nilai diatas 127 kita
jadikan warna hitam yang nilainya 1.
Sehingga nilai citra binernya adalah :
Tabel 2.4 Citra Biner

2.3

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

1

1

1

1

1

1

1

1

1

1

0

1

1

1

1

1

1

1

0

1

1

1

1

1

1

1

0

1

1

1

1

1

0

0

1

0

1

1

1

0

0

1

1

1

1

0

1

1

Gambar atau Citra
Data masukan yang diproses adalah suatu gambar atau citra. Citra

merupakan sebuah representasi khusus dari suatu objek. Dimana representasi
tersebut dinyatakan dalam bentuk dua dimensi. Selain itu, citra juga dapat berupa
rekaman, seperti gambar video, gambar digital, atau sebuah gambar (Haralick dan
Shapiro, 1992). Pada suatu image terdapat pixel(picture elements).
Citra yang terlihat merupakan cahaya yang direfleksikan dari sebuah
objek. Sumber cahaya tersebut akan menerangi objek, objek kemudian akan

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

12

memantulkan kembali sebagian dari berkas cahaya tersebut dan pantulan cahaya
lalu ditangkap oleh alat-alat optik, seperti mata manusia, kamera, scanner, dan
sensor satelit, kemudian direkam. Citra sebagai keluaran dari suatu sistem
perekaman data dapat bersifat optik berupa foto, bersifat analog berupa sinyalsinyal video seperti gambar pada monitor televisi, atau bersifat digital yang dapat
langsung disimpan pada suatu media penyimpanan (Hestiningsih Idhawati, 2008).
Secara harfiah image (citra) adalah gambar pada bidang dua dimensi.
Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus
(continue) dari intensitas cahaya pada bidang dua dimensi. (Hestiningsih Idhawati,
2008).
Citra didefinisikan sebagai fungsi intensitas cahaya dua dimensi f(x,y)
dimana x dan y menunjukkan koordinat spasial, dan nilai f pada suatu titik (x,y)
sebanding dengan tingkat kecerahan (gray level) dari citra di titik tersebut.
(Purwanto Ari, 2009)
Citra dapat dikelompokkan menjadi dua bagian yaitu citra diam (still
images) dan citra bergerak (moving images). Citra diam adalah citra tunggal yang
tidak bergerak. Sedang citra bergerak adalah rangkaian citra diam yang
ditampilkan secara beruntun (sekuensial), sehingga memberi kesan pada mata
sebagai gambar yang bergerak. (Purwanto Ari, 2009).
Citra digital adalah citra dengan f(x,y) yang nilainya didigitalisasikan baik
dalam koordinat spasial maupun dalam gray level. Digitalisasi dari koordinat
spasial citra disebut dengan image sampling. Sedangkan digitalisasi dari gray
level citra disebut dengan gray level quantization. Citra digital dapat dibayangkan

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

13

sebagai suatu matriks dimana baris dan kolomnya merepresentasikan suatu titik di
dalam citra, dan nilai elemen matriks tersebut menunjukkan gray level di titik
tersebut. (Purwanto Ari, 2009).

2.3.1 Pixel
Agar citra dapat diolah oleh sebuah komputer digital, maka sebuah citra
harus disimpan pada format yang dapat diolah oleh sebuah program komputer.
Cara yang paling praktis yang dapat dilakukan adalah membagi citra menjadi
sekumpulan sel-sel diskrit, yang disebut pixel.
Pada umumnya sebuah citra menjadi kisi-kisi persegi, sehingga pixel
sendiri adalah kisi-kisi persegi yang kecil. Selanjutnya setiap pixel diberi nilai
yang menyatakan warna atau menyatakan tingkat kecerahan pixel yang
bersangkutan, yang sering disebut dengan intensitas pixel. (Haralick dan Shapiro,
1992).

Gambar 2.4 Pixel dari suatu gambar (Biben Nurbani Hasan, 2012)

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

14

2.3.2 Citra berwarna
Citra berwarna, yaitu citra yang nilai pixel-nya merepresentasikan warna
tertentu. Banyaknya warna yang mungkin digunakan bergantung kepada
kedalaman pixel citra yang bersangkutan. Citra berwarna direpresentasikan dalam
beberapa kanal (Channel) yang menyatakan komponen-komponen warna
penyusunnya. Banyak kanal yang digunakan bergantung pada model warna yang
digunakan pada citra tersebut.

Gambar 2.5 Citra berwarna (Biben Nurbani Hasan, 2012)
Pada gambar 2.5 diatas intensitas suatu titik pada citra berwarna
merupakan kombinasi dari tiga intensitas : derajat keabuan merah (fmerah(x,y)),
hijau(x,y), dan biru(fbiru(x,y)). Persepsi visual citra berawarna umumnya lebih
kaya dibandingkan dengan citra hitam putih. Citra berwarna menampilkan objek
seperti warna aslinya (meskipun tidak selalu tepat demikian). Warna-warna yang
diterima oleh mata manusia merupakan hasil kombinasi cahaya dengan panjang
gelombang berbeda.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

15

Untuk mengubah citra berwarna yang mempunyai nilai matriks masingmasing r, g, dan b menjadi citra grayscale dengan nilai s, maka konversi dapat
dilakukan dengan mengambil rata-rata dari nilai r, g, dan b sehingga dapat
dituliskan menjadi ( Balza dan Kartika, 2005:9) :
(1)
2.4

Computer Vision
Computer Vision dapat dideskripsikan sebagai ilmu yang mempelajari

metode yang dapat digunakan untuk membuat computer mengerti gambar atau
data banyak dimensi umumnya (Anonim, 2005).
Tujuan Computer Vision adalah untuk membuat keputusan yang berguna
tentang objek dunia nyata dan keadaan berdasarkan image yang diambil. Untuk
membuat keputusan akan objek nyata, sangat penting untuk membangun deskripsi
atau model objek tersebut dari gambar. Karena itu dapat dikatakan bahwa
Computer Vision adalah untuk membangun deskripsi keadaan image (Shapiro dan
Stockman, 2001).
Artificial Intelligence digunakan untuk menganalisis keadaan dengan
memproses representasi simbolik dari isi lingkungan setelah image telah diproses
untuk diambil fiturnya. Banyak teknik dari Artificial Intelligence berperan penting
didalam seluruh aspek Computer Vision. Pada dasarnya Computer Vision
merupakan cabang dari Artificial Intelligence (Jain, Kasturi dan Schunck, 1995).
Computer Vision (Visi Komputer) sering didefinisikan sebagai salah satu
cabang ilmu pengetahuan yang mempelajari bagaimana komputer dapat
mengenali obyek yang diamati atau diobservasi. Arti dari Computer Vision adalah

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

16

ilmu dan teknologi mesin yang melihat, di mana mesin mampu mengekstrak
informasi dari gambar yang diperlukan untuk menyelesaikan tugas tertentu.
Sebagai suatu disiplin ilmu, visi komputer berkaitan dengan teori di balik sistem
buatan bahwa ekstrak informasi dari gambar. Data gambar dapat mengambil
banyak bentuk, seperti urutan video, pandangan dari beberapa kamera, atau data
multi-dimensi dari scanner medis. Sebagai disiplin teknologi, Computer Vision
berusaha

untuk

menerapkan

teori

dan

model

untuk

pembangunan

sistem(Taufik,2012).
Sebagai teknologi disiplin, visi komputer berusaha untuk menerapkan teori
dan model untuk pembangunan sistem visi komputer. Contoh aplikasi visi
komputer mencakup sistem untuk :
· Pengendalian Proses ( misalnya sebuah robot industri atau kendaraan otonom).·
Mendeteksi peristiwa (misalnya,

untuk

pengawasan

visual atau orang

menghitung).
· Mengorganisir informasi (misalnya, untuk pengindeksan database foto dan
gambar urutan).
· Modeling benda atau lingkungan (misalnya, industri inspeksi, analisis gambar
medis / topografis).
· Interaksi (misalnya, sebagai input ke perangkat untuk interaksi manusia
komputer).
Pada Computer Vision terdapat kombinasi antara Pengolahan Citra dan
Pengenalan. Pengolahan Citra (Image Processing) merupakan bidang yang
berhubungan dengan proses transformasi citra atau gambar. Proses ini bertujuan

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

17

untuk mendapatkan kualitas citra yang lebih baik. Sedangkan Pengenalan Pola
(Pattern Recognition), bidang ini berhubungan dengan proses identifikasi obyek
pada citra atau interpretasi citra. Proses ini bertujuan untuk mengekstrak informasi
atau pesan yang disampaikan oleh gambar atau citra. Penerapan Computer Vision
antara lain :
1. Bidang Pengolahan Citra Medis.
Hal ini dicirikan dengan ekstraksi informasi dari data gambar untuk tujuan
membuat diagnosis medis pasien.contoh informasi yang dapat diekstraksi dari
data gambar tersebut deteksi tumor, arteriosclerosis atau perubahan memfitnah
lainnya. Hal ini juga dapat pengukuran dimensi organ, aliran darah, dll area
aplikasi ini juga mendukung penelitian medis dengan memberikan informasi baru,
misalnya, tentang struktur otak, atau tentang kualitas perawatan medis.

2. Bidang Industri.
Kadang-kadang disebut visi mesin, dimana informasi ini diekstraksi untuk
tujuan mendukung proses manufaktur. Salah satu contohnya adalah kendali mutu
dimana rincian atau produk akhir yang secara otomatis diperiksa untuk
menemukan cacat. Contoh lain adalah pengukuran posisi dan orientasi rincian
yang akan dijemput oleh lengan robot. Mesin visi juga banyak digunakan dalam
proses pertanian untuk menghilangkan bahan makanan yang tidak diinginkan dari
bahan massal, proses yang disebut sortir optik.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

18

3. Bidang Fisika.
Fisika merupakan bidang lain yang terkait erat dengan Computer vision.
Sistem Computer vision bergantung pada sensor gambar yang mendeteksi radiasi
elektromagnetik yang biasanya dalam bentuk baik cahaya tampak atau inframerah. Sensor dirancang dengan menggunakan fisika solid-state. Proses di mana
cahaya merambat dan mencerminkan off permukaan dijelaskan menggunakan
optik. Sensor gambar canggih bahkan meminta mekanika kuantum untuk
memberikan pemahaman lengkap dari proses pembentukan gambar. Selain itu,
berbagai masalah pengukuran fisika dapat diatasi dengan menggunakan Computer
vision, untuk gerakan misalnya dalam cairan.

4. Bidang Neurobiologi.
Khususnya studi tentang sistem biological vision Selama abad terakhir,
telah terjadi studi ekstensif dari mata, neuron, dan struktur otak dikhususkan
untuk pengolahan rangsangan visual pada manusia dan berbagai hewan. Hal ini
menimbulkan gambaran kasar, namun rumit, tentang bagaimana “sebenarnya”
sistem visi beroperasi dalam menyelesaikan tugas-tugas visi tertentu yang terkait.
Hasil ini telah menyebabkan subfield di dalam visi komputer di mana
sistem buatan yang dirancang untuk meniru pengolahan dan perilaku sistem
biologi, pada berbagai tingkat kompleksitas. Juga, beberapa metode pembelajaran
berbasis komputer yang dikembangkan dalam visi memiliki latar belakang mereka
dalam biologi.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

19

5. Bidang Matematika Murni.
Sebagai contoh, banyak metode dalam visi komputer didasarkan pada
statistik, optimasi atau geometri. Akhirnya, bagian penting dari lapangan
dikhususkan untuk aspek pelaksanaan visi komputer, bagaimana metode yang ada
dapat diwujudkan dalam berbagai kombinasi perangkat lunak dan perangkat
keras, atau bagaimana metode ini dapat dimodifikasi untuk mendapatkan
kecepatan pemrosesan tanpa kehilangan terlalu banyak kinerja .

6. Bidang Pemrosesan Sinyal.
Banyak metode untuk pemrosesan sinyal satu-variabel, biasanya sinyal
temporal, dapat diperpanjang dengan cara alami untuk pengolahan sinyal dua
variabel atau sinyal multi-variabel dalam visi komputer. Namun, karena sifat
spesifik gambar ada banyak metode dikembangkan dalam visi komputer yang
tidak memiliki mitra dalam pengolahan sinyal satu-variabel.
Sebuah karakter yang berbeda dari metode ini adalah kenyataan bahwa
mereka adalah non-linear yang bersama-sama dengan dimensi-multi sinyal,
mendefinisikan subfield dalam pemrosesan sinyal sebagai bagian dari visi
komputer.

7. Bidang Prtahanan Dan Keamanan (Militer).
Contoh jelas adalah deteksi tentara musuh atau kendaraan dan bimbingan
rudal. Lebih sistem canggih untuk panduan mengirim rudal rudal ke daerah
daripada target yang spesifik, dan pemilihan target yang dibuat ketika rudal

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

20

mencapai daerah berdasarkan data citra diperoleh secara lokal. Konsep modern
militer, seperti "kesadaran medan perang", menunjukkan bahwa berbagai sensor,
termasuk sensor gambar, menyediakan kaya set informasi tentang adegan tempur
yang dapat digunakan untuk mendukung keputusan strategis. Dalam hal ini,
pengolahan otomatis data yang digunakan untuk mengurangi kompleksitas dan
informasi sekering dari sensor ganda untuk meningkatkan keandalan.

8. Bidang Didalam Kendaraan Otonom.
Meliputi submersibles , berbasis kendaraan darat (robot kecil dengan roda,
mobil atau truk), kendaraan udara, dan kendaraan udara tak berawak ( UAV ).
Tingkat berkisar otonomi dari sepenuhnya otonom (berawak) kendaraan untuk
kendaraan di mana sistem visi berbasis komputer mendukung driver atau pilot
dalam berbagai situasi.
Sepenuhnya otonom kendaraan biasanya menggunakan visi komputer
untuk navigasi, yakni untuk mengetahui mana itu, atau untuk menghasilkan peta
lingkungan ( SLAM ) dan untuk mendeteksi rintangan. Hal ini juga dapat
digunakan untuk mendeteksi peristiwa-peristiwa tugas tertentu yang spesifik,
misalnya, sebuah UAV mencari kebakaran hutan. Contoh sistem pendukung
sistem peringatan hambatan dalam mobil, dan sistem untuk pendaratan pesawat
otonom.
Beberapa produsen mobil telah menunjukkan sistem otonom mengemudi
mobil , tapi teknologi ini masih belum mencapai tingkat di mana dapat diletakkan

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

21

di pasar.. Ada banyak contoh kendaraan otonom militer mulai dari rudal maju,
untuk UAV untuk misi pengintaian atau bimbingan rudal.
Ruang eksplorasi sudah dibuat dengan kendaraan otonom menggunakan
visi komputer, misalnya, NASA Mars Exploration Rover dan ESA exomars
Rover.

9. Bidang Kecerdasan Buatan.
Keterkaitan dengan perencanaan otonom atau musyawarah untuk sistem
robotical untuk menavigasi melalui lingkungan. Pemahaman yang rinci tentang
lingkungan ini diperlukan untuk menavigasi melalui mereka. Information about
the environment could be provided by a computer vision system, acting as a
vision sensor and providing high-level information about the environment and the
robot.
Informasi tentang lingkungan dapat diberikan oleh sistem visi komputer,
bertindak sebagai sensor visi dan memberikan informasi tingkat tinggi tentang
lingkungan dan robot. Buatan kecerdasan dan visi lain berbagi topik komputer
seperti pengenalan pola dan teknik pembelajaran. Akibatnya, visi komputer
kadang-kadang dilihat sebagai bagian dari bidang kecerdasan buatan atau ilmu
bidang komputer secara umum.

10. Bidang Industri Perfilman
Semua efek-efek di dunia akting , animasi, dan penyotingan adegan film
semua di fs rekam dengan perangkat elektronik yang dihubungkan dengan

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

22

komputer. Animasinya juga di kembangkan mempergunakan animasi yang dibuat
dengan aplikasi komputer. Sebagai contoh film-film Hollywood berjudul
TITANIC itu sebenarnya tambahan animasi untuk menggambarkan kapal raksasa
ya.

2.5

Deteksi Tepi
Tepi adalah perubahan nilai intensitas derajat keabuan yang cepat dan tiba-

tiba berubah dalam jarak yang singkat. Sedangkan deteksi tepi pada suatu citra
adalah suatu proses yang menghasilkan tepi-tepi dari objek-objek citra, tujuannya
adalah :
a. Untuk menandai bagian yang menjadi detail citra.
b. Untuk memperbaiki detail dari citra yang kabur, yang terjadi karena error atau
adanya efek dari proses akuisisi citra.
Suatu titik (x,y) dikatakan sebagai tepi dari suatu citra bila titik tersebut
mempunyai perbedaan yang tinggi dengan tetangganya. Gambar 6 berikut ini
menggambarkan bagaimana tepi suatu gambar diperoleh.

Gambar 2.6 Proses deteksi tepi citra (Yunus, 2008)

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

23

Pada gambar 2.6 terlihat bahwa hasil deteksi tepi berupa tepi-tepi dari suatu
gambar. Bila diperlihatkan bahwa tepi suaatu gambar terletak pada titik-titik yang
memiliki perbedaan intensitas pixel yang tinggi.

Gambar 2.7 Hasil Deteksi Tepi Pada Suatu Citra Digital (Yunus, 2008)
Banyak sekali macam-macam metode untuk mendeteksi suatu tepi,
misalnya :
1.

Metode Robert
Metode Robert adalah nama lain dari teknik defferensial, yaitu differensial

pada arah horizontal dan vertikal, dengan ditambahkan proses konversi biner
setelah dilakukan differensial. Teknik konversi biner yang disarankan adalah
konversi biner dengan meratakan distribusi warna hitam dan putih. Metode
Robert ini juga disamakan dengan teknik DPCM (differensial Pulse Code
Modulation).

2.

Metode Prewitt
Metode Prewitt merupakan pengembangan dari metode Robert yang

menggunakan filter HPF yang diberi satu angka nol penyangga. Metode ini
mengambil prinsip dari laplacian

yang dikenal sebagai fungsi untuk

membangkitkan HPF.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

24

3.

Metode Sobel
Metode Sobel merupakan pengembangan metode Robert dengan

menggunakan filter HPF yang diberi satu angka nol penyangga. Metode ini
mengambil prinsip dari fungsi laplacian dan gaussian yang dikenal sebagai fungsi
untuk membangkitkan HPF. Kelebihan dari metode sobel adalah kemampuan
untuk mengurangi noise sebelum melakukan perhitungan deteksi tepi.

2.6

Metode Canny
Tujuan dari deteksi tepi pada umumnya adalah mengurangi jumlah data

dalam sebuah citra secara signifikan, sekaligus mempertahankan sifat-sifat
struktural citra yang akan digunakan untuk pengenalan citra lebih jauh. Terdapat
banyak algoritma untuk mendeteksi tepi, salah satunya adalah algoritma yang
dikembangkan olh John F. Canny (JFC) pada tahun 1986. Meskipun sudah cukup
lama, algoritma ini telah menjadi salah satu standar metode deteksi tepi yang
masih

digunakan

dalam

penelitian.

Tujuan

dari

JFC

adalah

untuk

mengembangkan sebuah algoritma yang paling optimal yang sesuai dengan
kriteria berikut ini :
a.

Mendeteksi dengan baik (kriteria deteksi)

Kemampuan untuk meletakkan dan menandai semua tepi yang ada sesuai dengan
pemilihan parameter-parameter konvolusi yang dilakukan. Sekaligus juga
memberikan fleksibilitas yang sangat tinggi dalam hal menentukan tingkat deteksi
ketebalan tepi sesuai yang diinginkan.
b.

Melokalisasi dengan baik (kriteria lokalisasi)

Dengan Canny dimungkinkan dihasilkan jarak yang minimum antara tepi yang
dideteksi dengan tepi yang asli.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

25

c.

Respon yang jelas (kriteria respon)

Hanya ada satu respon untuk tiap tepi. Sehingga mudah dideteksi dan tidak
menimbulkan kerancuan pada pengolahan citra selanjutnya
Kriteria pertama bermaksud untuk mengurangi respons terhadap noise.
Hal ini bias dicapai dengan melakukan smoothing, dan Canny adalah orang
pertama yang menunjukkan bahwa Gaussian fitering dapat memberikan hasil
yang optimal untuk tujuan ini

2.6.1 Penghalusan citra
Biasanya teknik yang digunakan pada tahap ini adalah Filtering Gaussian.
Proses Filtering Gaussian dapat dilakukan terhadap citra secara keseluruhan (hasil
akhir berupa 1 citra baru. Tidak dapat dipungkiri bahwa citra yang diambil dari
sebuah kamera akan mengandung noise. Untuk mencegah kesalahan deteksi tepi
karena noise, maka noise tersebut harus dikurangi. Hal ini dapat dilakukan dengan
proses filtering.
Untuk menghitung dan menentukan nilai-nilai setiap elemen dalam filter
penghalus Gaussian yang akan dibentuk berlaku persamaan berikut :
G(i,j) = c.

(3)

C dan σ

= konstanta

G(i,j)

= elemen matriks kernel gauss pada posisi (i,j)

(u,v)

= indeks tengah dari matriks kernel gauss
= konstanta euler dengan nilai 2,7

Berikut ini matriks kernel gauss 3x3n dengan σ = 1.0

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

26

1

2

1

2

3

2

1

2

1

Perkalian antara bobot matriks citra asal dengan bobot matriks kernel
gauss dapat dirumuskan seperti ini :

(4)

Keterangan :
Pixel A = gambar A (citra asal)
Pixel B (i,j) = bobot hasil perkalian pada posisi (i,j)
N = jumlah baris matriks kernel
M = jumlah baris matri