DETEKSI KESIKUAN DAN KECACATAN KERAMIK MENGGUNAKAN METODE TRANSFORMASI HOUGH.
DETEKSI KESIKUAN DAN KECACATAN KERAMIK
MENGGUNAKAN METODE TRANSFORMASI HOUGH
TUGAS AKHIR
Disusun oleh :
AMELIA KUSUMA WARDANI
NPM. 0934010199
J URUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
J AWA TIMUR
SURABAYA
2014
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
SKRIPSI
DETEKSI KESIKUAN DAN KECACATAN KERAMIK MENGGUNAKAN
METODE TRANSFORMASI HOUGH
Disusun Oleh :
AMELIA KUSUMA WARDANI
NPM. 0934010199
Telah dipertahankan dihadapkan dan diterima oleh Tim Penguji Skripsi
Program Studi Teknik Infor matika Fakultas Teknologi Industri
Univer sitas Pembangunan Nasional “Veteran” J awa Timur
Pada Tanggal 13 J uni 2014
Pembimbing :
Tim Penguji :
1.
1.
Intan Yuniar P., S.Kom, M.Sc
Rizky Par lika, S.Kom, M.Kom
NPT. 3 8006 04 0198 1
NPT. 3 8405 070 2191
2.
Wahyu S. J . Saputra, S.Kom, M.Kom
NPT. 3 8608 10 0295 1
Wahyu S. J. Saputra, S.Kom, M.Kom
NPT. 3 8608 10 02951
3.
Dr. Ir. Ni Ketut Sari, MT
NIP. 1965 07 31 1992 032 001
Mengetahui,
Dekan Fakultas Teknologi Industri
Univer sitas Pembangunan Nasional ”Veteran” J awa Timur
Ir. Sutiyono, MT
NIP. 19600713 198703 1 001
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
LEMBAR PENGESAHAN
DETEKSI KESIKUAN DAN KECACATAN KERAMIK
MENGGUNAKAN METODE TRANSFORMASI HOUGH
Disusun Oleh :
AMELIA KUSUMA WARDANI
NPM. 0934010199
Telah disetujui mengikuti Ujian Negara Lisan
Gelombang V Tahun Akademik 2013/2014
Menyetujui,
Pembimbing Utama
Pembimbing Pendamping
Intan Yuniar P., S.Kom, M.Sc
Wahyu S. J . Saputra, S.Kom, M.Kom
NPT. 3 8006 04 0198 1
NPT. 3 8608 10 0295 1
Mengetahui,
Ketua J urusan Teknik Infor matika
Fakultas Teknologi Industri
UPN ”Veteran” J awa Timur
Dr. Ir. Ni Ketut Sari, MT
NIP. 1965 07 31 1992 032 001
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
UCAPAN TERIMA KASIH
Ucapan terima kasih ini kami persembahkan sebagai perwujudan rasa syukur atas
terselesaikannya Skripsi. Ucapan terima kasih ini kami tujukan kepada :
1.
Allah SWT, karena berkat rahmat dan berkahNya penulis dapat menyusun dan
menyelesaikan Tugas Akhir ini hingga selesai.
2.
Bapak dan Ibu tercinta, serta keluarga tersayang, terima kasih atas semua doa,
dukungan serta harapan-harapannya pada saat penulis menyelesaikan Tugas
Akhir ini.
3.
Bapak Ir. Sutiyono, MS selaku Dekan Fakultas Teknologi Industri. Serta Ibu
Dr. Ir. Ni Ketut Sari, MT selaku ketua jurusan Teknik Informatika, UPN
“Veteran” Jawa Timur.
4.
Ibu Intan Yuniar Purbasari, S.Kom, M.Sc dan Bapak Wahyu S.J. Saputra,
S.Kom, M.Kom selaku Dosen Pembimbing yang telah meluangkan begitu
banyak waktu, tenaga dan pikiran serta dengan sabar membimbing penulis dari
awal hingga Laporan Tugas Akhir ini dapat terselesaikan.
5.
Mas Ahmad Fashiha Hastawan, mentor virtual yang dengan kesabarannya telah
banyak membantu dan membimbing penulis dalam menyelesaikan Tugas Akhir
ini.
6.
Wahyu, Mas Rully, Mas Asep, dan Febi yang telah berjasa banyak
menyumbangkan ide, saran dan sarana untuk penulis selama mengerjakan
Tugas Akhir.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
7.
Gadang, Firna, Kanti, Siska, Mas Nyo, Bang Satrio, Idham, Gabo, Lutfi, Man,
Adi, Umam, Arka, Radit, David, serta teman-teman Informatic Dhe lainnya
yang sudah mensupport dan menemani penulis selama masa kuliah.
8.
Nuning dan Dindit —teman akrab yang laiknya saudara— yang banyak
memberi dukungan moril untuk penulis selama masa perjuangan di Surabaya,
pun sampai saat ini.
9.
Meme, Kaksim, Ucup, Rijal, dan Kopral —teman-teman piknik seperjuangan
yang selalu dan selalu mengingatkan untuk segera merampungkan Tugas Akhir
ini.
10.
Radiohead, Coldplay, Explosions in the Sky, Sigur Rós, First Aid Kit, The
Smiths, The Strokes, Efek Rumah Kaca, Pure Saturday, Dialog Dini Hari, Sore,
Float, The Trees and The Wild serta musisi-musisi lainnya yang banyak
menemani penulis melalui musik yang tak pernah jenuh diputar selama proses
pengerjaan Tugas Akhir.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
KATA PENGANTAR
Syukur Alhamdulillahi Rabbil ‘Alamin terucap ke hadirat Allah SWT atas
segala limpahan Kekuatan-Nya sehingga dengan segala keterbatasan waktu,
tenaga, pikiran dan keburutungan yang dimiliki peneliti, akhirnya peneliti dapat
menyelesaikan Skripsi Yang berjudul “Deteksi Kesikuan dan Kecacatan
Keramik Menggunakan Metode Transfomasi Hough” tepat waktu.
Skripsi dengan beban 4 SKS ini disusun guna di ajukan sebagai salah satu
syarat untuk menyelesaikan program Strata Satu (S1) pada jurusan Teknik
Informatika, Fakultas Teknologi Industri, UPN “Veteran “ Jawa Timur.
Melalui Skripsi ini peneliti merasa mendapatkan kesempatan emas untuk
memperdalam ilmu pengetahuan yang diperoleh selama di bangku perkulihan,
terutama berkenaan tentang penerapan teknologi perangkat bergerak, Namun,
penyusun menyadari bahwa Skripsi ini masih jauh dari sempurna. Oleh karena itu
penyusun sangat mengharapkan saran dan kritik dari para pembaca untuk
pengembangan aplikasi lebih lanjut.
Surabaya, April 2014
Penulis
ii
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
DAFTAR ISI
Halaman
ABSTRAK ..................................................................................................................... i
KATA PENGANTAR ................................................................................................. ii
UCAPAN TERIMA KASIH ......................................................................................iii
DAFTAR ISI ................................................................................................................ v
DAFTAR GAMBAR ................................................................................................viii
DAFTAR TABEL ........................................................................................................ x
DAFTAR SOURCE CODE ...................................................................................... xi
BAB I PENDAHULUAN............................................................................................. 1
1.1. Latar Belakang ........................................................................................................ 1
1.2. Rumusan Masalah ................................................................................................... 2
1.3. Batasan Masalah ..................................................................................................... 3
1.4. Tujuan ...................................................................................................................... 3
1.5. Manfaat .................................................................................................................... 4
1.6. Metodelogi Penelitian ............................................................................................. 4
1.7. Sistematika Penulisan ............................................................................................. 5
BAB II TINJ AUAN PUSTAKA ................................................................................. 7
2.1. Penelitian Terdahulu ............................................................................................... 7
2.2. Artifical Intelligence ............................................................................................... 7
2.3. Image ....................................................................................................................... 8
2.4. Computer Vision ..................................................................................................... 9
2.5. Pengolahan Citra Digital ...................................................................................... 13
2.5.1. Grayscale ....................................................................................................... 16
2.5.2. Thresholding.................................................................................................. 16
2.5.3. Segmentasi Citra ........................................................................................... 19
2.5.4. Deteksi Tepi ................................................................................................... 20
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
2.5.5. Metode Canny ............................................................................................... 22
2.6. Transformasi Hough ............................................................................................. 23
2.6.1. Fungsi Garis ................................................................................................... 25
2.6.2. Array Akumulator ......................................................................................... 25
2.7. Matlab .................................................................................................................... 27
BAB III METODOLOGI PENELITIAN ............................................................... 29
3.1. Data Set.................................................................................................................. 29
3.2. Analisis Data ......................................................................................................... 29
3.3. Gambaran Aplikasi secara Umum ....................................................................... 30
3.4. Perancangan Proses............................................................................................... 33
3.4.1. Grayscale ....................................................................................................... 33
3.4.2. Thresholding.................................................................................................. 34
3.4.3. Deteksi Tepi Canny....................................................................................... 35
3.4.4. Transformasi Hough. .................................................................................... 36
3.4.5. Perhitungan Sudut. ........................................................................................ 39
3.5. Perancangan Tampilan Antarmuka. ..................................................................... 40
BAB IV HASIL DAN PEMBAHASAN .................................................................. 43
4.1. Kebutuhan Hardware dan Software ..................................................................... 43
4.2. Implementasi Data ................................................................................................ 44
4.3. Implementasi Antarmuka ..................................................................................... 44
4.4. Implementasi Proses ............................................................................................. 45
4.4.1. Proses Pilih Image. ..................................................................................... 45
4.4.2. Proses Deteksi Kesikuan dan Kecacatan. ................................................. 46
4.5. Uji Program ........................................................................................................... 47
4.5.1. Skenario Uji Program. ................................................................................ 48
4.5.2. Pelaksanaan Uji Coba................................................................................. 48
4.6. Analisa Aplikasi. ................................................................................................... 50
4.6.1. Analisis Proses Berdasarkan Gambar ...................................................... 51
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4.6.2. Pengujian Validitas Aplikasi………………………………………….…58
BAB V KESIMPULAN DAN SARAN .................................................................... 59
5.1. Kesimpulan ............................................................................................................ 59
5.2. Saran ...................................................................................................................... 60
DAFTAR PUSTAKA ................................................................................................. 61
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
J udul
: Deteksi Kesikuan dan Kecacatan Keramik Menggunakan Metode
Tr ansfor masi Hough
Penyusun
: Amelia Kusuma War dani
Pembimbing I
: Intan Yuniar Pur basar i, S.Kom, M.Sc
Pembimbing II
: Wahyu S. J . Saputr a, S.Kom, M.Kom
ABSTRAK
Sistem computer vision yang handal diperlukan untuk melakukan sistem pengenalan
yang konsisten terhadap beberapa kemungkinan gangguan, terutama untuk pengenalan objek
yang memiliki karakter khusus, seperti deteksi kesikuan dan kecacatan keramik. Dengan salah
satu metode yang diterapkan adalah dengan menggunakan Transformasi Hough.
Transformasi Hough adalah teknik ekstraksi fitur yang digunakan dalam proses
pengolahan citra digital. Transformasi Hough menggunakan voting untuk menentukan garis.
Untuk memilih lebih dari 1 garis, maka perlu memberikan nilai ambang batas (threshold) karena
memang yang dibutuhkan adalah observasi terhadap nilai threshold yang diberikan. Untuk
mendeteksi garis dengan cara menemukan semua garis yang ditentukan oleh dua buah piksel.
Garis yang terdeteksi akan diketahui titik ujung dan titik pangkalnya dan dari titik-titik tersebut
dihitung koefisien sudut dari dua garis yang saling tegak lurus untuk menentukan apakah suatu
sudut keramik siku atau cacat.
Dari hasil pengujian sistem terhadap 30 citra, prosentase keberhasilan mencapai 100%.
Hal ini menunjukkan bahwa sistem pengenalan yang telah dirancang ini berjalan dengan baik
sesuai harapan perancang sistem. Namun tidak dapat dipungkiri terdapat beberapa faktor-faktor
yang sangat mempengaruhi dalam hasil pengenalan terhadap citra keramik tersebut, seperti
tingkat kecerahan, hasil deteksi tepi citra, hasil deteksi Transformasi Hough serta penentuan
parameter toleransi perbedaan piksel dan panjang toleransi sudut.
Kata Kunci: Computer Vision, Deteksi Kesikuan dan Kecacatan Keramik, Transformasi Hough
i
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
BAB I
PENDAHULUAN
1.1.
Latar Belakang
Keramik pada awalnya berasal dari bahasa Yunani keramikos yang artinya
suatu bentuk dari tanah liat yang telah mengalami proses pembakaran. Kamus dan
ensiklopedia tahun 1950-an mendefinisikan keramik sebagai suatu hasil seni dan
teknologi untuk menghasilkan barang dari tanah liat yang dibakar seperti gerabah,
genteng, tembikar dan sebagainya. Tetapi saat ini tidak semua keramik berasal
dari tanah liat. Definisi pengertian keramik terbaru mencakup semua bahan bukan
logam dan anorgamik yang berbentuk padat. (Yusuf, 1998:2). Menurut Kamus
Besar Bahasa Indonesia keramik memiliki arti barang-barang yang terbuat dari
tanah liat, dicampur dengan bahan-bahan lain dan kemudian dibakar barang
tembikar (porselen).
Ilmu pengetahuan yang berkembang pesat dan pembangunan sarana
prasarana fisik menuntut perkembangan model struktur yang variatif, ekonomis,
dan aman. Hal tersebut menjadi mungkin karena berbarengan dengan kemajuan
teknologi komputer yang semakin canggih dapat memenuhi kebutuhan akan
analisa dan desain struktur saat ini. Kemampuan pembentukan keramik yang
mudah dan sifatnya yang juga sederhana memungkinkan penggunaan bentukbentuk yang kompleks sehingga hampir semua bentuk bisa dibuat. Mengingat
keramik merupakan material konstruksi proyek-proyek di Indonesia khususnya
untuk bangunan gedung, maka perencanaan analisa kualitasnya lebih baik dalam
analisa yang diaplikasikan ke dalam program komputer di bidang rekayasa
1
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
2
pengolahan citra. Perkembangan teknologi industri yang semakin canggih dan
pengolahan citra yang sudah maju saat ini dapat diterapkan pada permasalahan
pengklasifikasian kualitas keramik tersebut.
Penentuan kualitas keramik didasarkan pada sedikit banyaknya cacat yang
teridentifikasi. Terdapat 2 kategori umum cacat keramik yaitu cacat permukaan
(shadding, bertumpuk, bintik hitam, bubbles, cooling crack, crawling/cakar ayam,
gelombang, glazur/terkelupas, goresan, pin holes, powdering, retak biskuit,
tetesan air, masa melekat dan stempel kotor) dan cacat dimensi (ketebalan,
kedataran permukaan, kesikuan dan kelurusan sisi). Berdasarkan permasalahan
tersebut, dalam Tugas Akhir ini dilakukan penelitian untuk mengidentifikasi
kesikuan pada keramik. Pendeteksian kesikuan dan kecacatan keramik
menggunakan metode Transformasi Hough. Untuk mengidentifikasi kesikuan dan
kecacatan keramik ditentukan dengan cara menghitung sudut kesikuannya.
1.2.
Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan sebelumnya maka dapat
dirumuskan masalah, yaitu :
a. Bagaimana membentuk kerangka luar keramik dalam mendeteksi
citra kesikuan keramik?
b. Bagaimana mencari tiap sudut keramik dengan menerapkan
Transformasi Hough?
c. Bagaimana menentukan apakah sebuah keramik cacat siku atau
tidak?
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
3
1.3.
Batasan Masalah
Adapun batasan-batasan masalah yang dibuat agar dalam pengerjaan tugas
akhir ini dapat berjalan degan baik adalah sebagai berikut :
a.
Penelitian difokuskan pada pengidentifikasian siku dan cacat
keramik melalui pengolahan citra.
b.
Keramik yang digunakan adalah keramik lantai yang memiliki
ukuran 30 cm x 30 cm serta bermotif halus.
c.
Pengambilan citra keramik dilakukan di dalam ruangan dengan
menggunakan kamera digital.
d.
Citra yang diproses adalah citra yang telah diedit untuk
menghasilkan citra yang optimal.
e.
Penentuan siku tidaknya keramik berdasarkan nilai sudut yang
terdeteksi.
f.
Metode yang digunakan untuk penelitian adalah Transformasi
Hough.
g. Citra beresolusi 300x300 pixel berformat .jpg.
1.4.
Tujuan
Dari rumusan masalah yang telah diuraikan sebelumnya, maka tujuan
dari penulisan tugas akhir ini adalah untuk mengidentifikasi kesikuan dan
kecacatan keramik melalui pengolahan citra. Serta untuk mengetahui algoritma
Transformasi Hough dalam mendeteksi kesikuan dan kecacatan keramik.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4
1.5.
Manfaat
Manfaat dari penulisan tugas akhir ini adalah :
a.
Untuk mengetahui keakurasian metode Transformasi Hough dalam
mendeteksi kesikuan keramik.
b.
Menyebarluaskan informasi tentang pemanfaatan pendeteksian tepi
pada suatu citra yang dapat diaplikasikan dalam kehidupan seharihari.
c.
Dapat dipergunakan sebagai dasar penelitian selanjutnya untuk
pendeteksian kesikuan dan teknik-teknik pengolahan citra digital
lainnya.
1.6.
Metodologi Penelitian
Beberapa metode dan teknik yang dipergunakan dalam pengumpulan dan
pengolahan data skripsi ini antara lain:
a. Library Research
Pada tahap ini, penulis mempelajari dan membaca buku diktat, referensi,
buletin perpustakaan sebagai acuan yang berkaitan dengan permasalahan yang
akan dibahas.
b. Documentation
Penulis melakukan pencatatan terhadap aktifitas yang berhubungan
dengan pengamatannya, apabila diperlukan pencatatan.
c. Perancangan dan Pembuatan Sistem
Melakukan analisa awal tentang sistem yang akan dibuat untuk
menentukan langkah selanjutnya. Setelah sistem dirancang maka tahap berikutnya
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
5
adalah pembuatan sistem yang benar, agar sesuai dengan rancangan. Pada tahap
ini juga dilakukan perancangan struktur data, algoritma dan diagram alur yang
akan digunakan untuk implementasi dalam perangkat lunak yang akan dibuat.
Kemudian dilakukan pengimplementasian struktur data dan algoritma yang telah
dirancang ke dalam bahasa pemrograman.
d. Pengujian dan Evaluasi Perangkat Lunak
Tahap ini dulakukan pengujian pada perangkat lunak yang telah dibuat,
pengevaluasian hasil yang diperoleh serta perbaikan program (revisi), jika hasil
belum sesuai dengan tujuan yang diharapkan.
e. Pembuatan Naskah Skripsi
Pada tahap ini dilakukan pendokumentasian dari semua tahap agar dcatat
dipelajari untuk pengembangan lebih lanjut. Memaparkan dasar-dasar teori dan
metode yang terlibat di dalamnya, diantaranya desain perangkat lunak dan
implementasinya, hasil pengujian sistem termasuk juga perbaikan.
1.7.
Sistematika Penulisan
Dalam penyusunan tugas akhir, sistematika pembahasan diatur dan
disusun dalam enam bab, dan tiap-tiap bab terdiri dari sub-sub bab. Untuk
memberikan gambaran yang lebih jelas, maka diuraikan secara singkat mengenai
materi dari bab-bab dalam penulisan tugas akhir ini sebagai berikut:
BAB I
PENDAHULUAN
Bab ini berisi latar belakang, perumusan masalah, batasan masalah,
tujuan penelitian, manfaat penelitian, dan sistematika penulisan
pembuatan tugas akhir ini.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
6
BAB II
TINJ AUAN PUSTAKA
Bab ini menjelaskan mengenai landasan teori-teori pendukung
pembuatan tugas akhir ini.
BAB III METODOLOGI PENELITIAN
Bab ini berisi tentang analisa dan perancangan sistem dalam
pembuatan Tugas Akhir yang digunakan untuk mengolah sumber
data yang dibutuhkan sistem anatara lain: Flowchart.
BAB IV HASIL DAN PEMBAHASAN
Pada bab ini akan membahas tentang kerja dari sistem secara
keseluruhan. Pada bab ini menjelaskan tentang pelaksanaan uji
coba dan evaluasi dari pelaksanaan uji coba dari program yang
dibuat. Uji coba dapat dilakukan pada akhir dari tahap-tahap
analisa sistem, desain sistem dan tahap penerapan sistem atau
implementasi. Sasaran dari ujicoba program adalah untuk
menemukan kesalahn-kesalahan dari program yang mungkin
terjadi sehingga dapat diperbaiki.
BAB V
KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dan saran dari penulis untuk
pengembangan sistem.
DAFTAR PUSTAKA
Pada bagian ini akan dipaparkan tentang sumber-sumber literatur
yang digunakan dalam pembuatan laporan tugas akhir ini.
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.
Penelitian Terdahulu
Dalam penelitian terdahulu pengidentifikasian cacat kesikuan keramik
dilakukan dengan menggunakan teknik morfologi dengan tujuan untuk
mengklasifikasikan kualitas keramik secara otomatis. Penelitian yang dilakukan
dengan mengimplementasikan teknik pengolahan citra dan pengoperasian
morfologikal pada proses pendeteksian cacat pada keramik (Kurniawan, 2012).
Cacat pada keramik diantaranya adalah cacat pada pinggiran dan sudut (kesikuan)
keramik.
Dalam tugas akhir ini, penelitian lebih ditekankan pada keakuratan metode
Transformasi Hough untuk mendeteksi kesikuan keramik. Hasil pendeteksian tepi
adalah citra tepi yang nilai pixelnya menyatakan kekuatan tepi. Pixel tepi
dinyatakan putih, sedangkan pixel bukan tepi dinyatakan hitam. Metode Canny
adalah algoritma yang paling optimum dalam mendeteksi tepi citra. Setelah citra
dideteksi tepi, selanjutnya akan dilakukan proses sesuai algoritma Transformasi
Hough untuk menetukan kesikuan keramik dan perhitungan sudut kesikuan.
2.2.
Artificial Intelligence
Artificial Intelligence atau Kecerdasan Buatan (disingkat AI) adalah
kemampuan suatu alat untuk melakukan fungsi yang biasanya dihubungkan
dengan
kecerdasan manusia, seperti penalaran dan pembelajaran melalui
pengalaman. AI adalah cabang dari computer science yang berupaya meniru
7
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
8
kemampuan
penalaran
manusia
dengan mengorganisasi dan memanipulasi
pengetahuan faktual dan heuristik. Bidang aktivitas AI meliputi sistem pakar,
pengenalan bahasa alami, pengenalan suara, penglihatan komputer (Computer
Vision) dan robotika (Anonim, 1996).
2.3.
Image
Data masukan yang diproses adalah suatu image. Image merupakan
sebuah representasi khusus dari suatu obyek, baik obyek dua dimensi maupun
tiga dimensi. Di mana representasi tersebut dinyatakan dalam bentuk dua
dimensi. Image dapat berbentuk nyata, maya, ataupun dalam bentuk optik.
Selain itu, image juga dapat berupa rekaman, seperti video image, digital image,
atau sebuah gambar. Image dapat dikategorikan sebagai menjadi 2, yaitu analog
image dan digital image.
Menurut Shapiro dan Stockman (2001), Analog image adalah image 2D
F (x, y) yang memiliki ketelitian tidak terbatas dalam parameter spasial x dan
y dan ketelitian tak terbatas pada intensitas tiap titik spasial (x, y).
Digital image adalah image 2D I[r,c] yang direpresentasikan oleh array
diskrit
2D
dari
intensitas
sampel,
dimana
masing-masing titik
direpresentasikan dengan ketelitian terbatas.
Digital image juga didefinisikan sebagai representasi dari gambar dua
dimensi sebagai
himpunan terbatas dari nilai digital yang disebut picture
elements atau pixel. Umumnya
pixel
disimpan
dalam
komputer
sebagai
gambar raster, yaitu array dua dimensi dari integer. Nilai ini kadang disimpan
dalam bentuk terkompresi. Digital image dapat diperoleh dari berbagai macam
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
9
alat dan teknik pengambil gambar, seperti kamera digital, scanner, radar, dan
sebagainya. Dapat pula disintesis dari data seperti fungsi matematika dan lain
lain.
Pixel adalah sampel dari intensitas image yang terkuantisasi ke dalam
nilai integer. Sementara Image merupakan array dua dimensi dari pixel-pixel
tersebut. Image inilah yang akan menjadi input awal dalam Computer Vision.
Beberapa bentuk digital image yang sering digunakan dalam Computer
Vision:
•
Binary image, yaitu digital image dengan nilai pixel 1 atau 0.
•
Gray scale image, yaitu digital image monokrom dengan satu nilai
intensitas tiap pixel.
•
Multispectral image, adalah image 2D yang memiliki vektor nilai pada
tiap pixel, jika image-nya berwarna maka vektornya memiliki 3 elemen.
•
Labeled image, adalah digital image dimana nilai pixel-nya adalah simbol
dari alfabet terbatas.
2.4.
Computer Vision
Computer Vision (sering disebut juga dengan Machine Vision) dapat
dideskripsikan sebagai ilmu yang mempelajari metode yang dapat digunakan
untuk membuat komputer mengerti gambar atau data banyak dimensi
umumnya.
Sementara definisi Computer Vision adalah penyimpulan (deduksi)
otomatis akan struktur atau properti dari dunia tiga dimensi dari satu atau lebih
image dua dimensi dunia tersebut dan pengenalan objek-objek dengan bantuan
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
10
properti-properti ini, atau secara singkatnya yaitu proses mengenali objek
tertentu dari suatu image (Kulkarni, 2001).
Tujuan dari Computer Vision adalah untuk membuat keputusan yang
berguna tentang objek dunia nyata dan keadaan (scene) 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 tujuan dari Computer Vision adalah untuk membangun deskripsi
keadaan dari image.
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.
Secara garis besar tahapan tahapan dalam pemrosesan image dalam
Computer Vision terdiri dari:
a. Image Acquisition
Tahapan awal dalam Computer Vision adalah Image Acquisition
(pengambilan digital image). Image Acquisition berhubungan dengan sensor
yang mengambil image. Sensor yang digunakan bisa kamera atau scanner.
Sifat dari sensor dan image yang dihasilkan ditentukan dari aplikasinya.
b. Image Enhancement
Setelah digital image diperoleh, tahapan selanjutnya adalah image
enhancement yang termasuk dalam tahap prepocessing, image enhancement
menyangkut langkah-langkah untuk meningkatkan kualitas image untuk
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
11
mendukung tahapan selanjutnya.
Tujuan dari image enhancement ini secara
teknis untuk menghilangkan noise, memperhalus gambar, mempertajam gambar
(menghilangkan blur), serta
mengatur pencahayaan (brightness, contrast).
Berdasarkan domainnya teknik peningkatan image dapat dibedakan menjadi 2
metode, yaitu domain spasial dan domain frekuensi.
Metode domain spasial didasarkan pada manipulasi langsung dari nilai
gray (keabuan) dari pixel-pixel suatu image. Sedangkan metode domain frekuensi
didasarkan pada modifikasi fourier transform dari suatu image. Fourier
transformmadalah suatu cara memetakan sinyal pada frekuensi-frekuensi
komponennya.
Sementara beberapa teknik image enhancement yang digunakan antara
lain:
•
Grayscale manipulation (manipulasi nilai keabuan)
Merupakan teknik pemetaan intensitas dimana tiap pixel diberikan nilai
keabuan yang baru untuk meningkatkan ketajaman gambar. Operasi ini tidak
merubah bentuk dan geometri image, yang berubah cuma level intensitasnya.
Teknik ini dilakukan dengan cara memproses histogram tingkat keabuan (gray
level histogram) dari image.
Untuk mengubah image berwarna yang mempunyai nilai matrik masingmasing r, g dan b menjadi image grayscale dengan nilai s, maka konversi dapat
dilakukan dengan mengambil rata-rata dari nilai r, g dan b sehingga dituliskan :
=
+
+
3
…………………………..…………………….(2.1)
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
12
Histogram dalam computer vision adalah representasi dari image yang
diperoleh dengan cara menghitung nilai tiap pixel. Singkatnya histogram
merupakan grafik yang menggambarkan distribusi intensitas pixel dari suatu
image atau bagian tertentu di dalam citra. Histogram menunjukkan frekuensi
kemunculan intensitas pada image.
Gambar 2.1. Image sebelum dilakukan manipulasi. (Kulkarni, 2001)
Sementara gray level histogram adalah histogram yang menampilkan
dalam tiap tingkat jumlah pixel dalam gambar yang memiliki tingkat keabuan
(gray-level) tertentu. Histogram ini dimanipulasi dengan cara di stretch, shrink,
atau slide.
•
Filtering (convolution)
Menurut nixon dan aquado, filtering yang merupakan suatu group
operation pada pixel, menghitung nilai pixel baru dengan menggunakan pixelpixel tetangganya. Filtering dijelaskan dengan istilah template convolution
dimana template-nya adalah suatu matriks koefisien bobot (yang umumnya ganjil
dan sama sisi, misalnya 3x3, 5x5, dan seterusnya). Nilai pixel baru dihitung
dengan menempatkan template pada suatu titik, kemudian nilai-nilai pixel
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
13
dikalikan dengan bobot dan ditambahkan sebagai nilai keseluruhan, jumlah
tersebut menjadi nilai baru bagi pixel ditengah template, inilah yang menjadi pixel
bagi image baru. Proses ini diulang pada semua pixel dalam gambar. Operator
yang sering digunakan adalah averaging, gaussian, dan median filtering.
Gambar 2.2. Image setelah dilakukan manipulasi (dari kiri ke kanan): stretch,
shrink dan slide pada histogramnya. (Kulkarni, 2001)
2.5.
Pengolahan Citra Digital
Secara
dwimatra
harafiah,
citra
(image)
adalah
(dua dimensi). Ditinjau dari sudut
gambar
pandang
pada
matematis,
bidang
citra
merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang
dwimatra. Sumber cahaya menerangi objek, objek memantulkan kembali
sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh
oleh alat-alat optik,
misalnya
mata pada
manusia,
kamera, pemindai
(scanner), dan sebagainya, sehingga bayangan objek yang disebut citra
tersebut terekam. (Rinaldi Munir, 2010)
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
14
Citra mempunyai karakteristik yang tidak dimiliki oleh data teks, yaitu
bahwa citra kaya dengan informasi. Citra juga dapat dikelompokkan menjadi dua
yaitu citra tampak (foto, gambar, lukisan, apa yang nampak di layar
monitor/televisi, hologram, dan lain-lain) dan citra tidak tampak (data
foto/gambar dalam bentuk file, citra yang direpresentasikan dalam fungsi
matematis). Citra sebagai keluaran dari suatu sistem perekaman data dapat
bersifat optik berupa foto, analog berupa sinyal video seperti gambar pada
monitor televisi, dan digital yang dapat langsung disimpan pada media
penyimpan magnetik. Citra digital adalah citra yang disimpan dalam format
digital (dalam bentuk file). Hanya citra digital yang dapat diolah menggunakan
komputer. Jenis citra lain jika akan diolah dengan komputer harus diubah
dulu menjadi citra digital. Citra digital tersusun atas sejumlah berhingga
elemen,
masing-masing memiliki
lokasi
dan
nilai/intensitas
tertentu.
Elemen-elemen ini disebut elemen gambar, elemen citra, pels, dan juga piksel.
Pencitraan
(imaging)
adalah
kegiatan
mengubah
informasi
dari
citra
tampak/citra non digital menjadi citra digital. Beberapa alat yang dapat
digunakan untuk pencitraan adalah scanner, kamera digital, kamera sinarx/sinar infra merah, dan lain-lain. Jadi, pengolahan citra digital adalah
proses yang bertujuan untuk memanipulasi dan menganalisis citra digital
dengan bantuan komputer. Masukannya adalah citra dan keluarannya juga citra
tapi dengan kualitas lebih baik daripada citra masukan.
Pengolahan citra bertujuan untuk memperbaiki kualitas citra agar mudah
diinterpretasikan oleh manusia atau mesin. Teknik-teknik pengolahan citra
mentransformasikan citra menjadi citra lain. Inputan pada proses ini adalah citra
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
15
dan keluarannya juga berupa citra dengan kualitas lebih baik daripada citra
inputan sebelumnya.
Citra awal
Pengolahan citra
Citra baru
Gambar 2.3. Pengolahan citra (Agung Priyo, 2005)
Pengenalan Pola, mengelompokkan data numeric dan simbolik (termasuk
citra) secara otomatis, oleh mesin (dalam hal ini komputer). Tujuan pengelompokan
adalah untuk mengenali suatu objek di dalam citra. Manusia bisa mengenali objek
yang dilihatnya karena otak manusia telah belajar mengklasifikasi objek-objek di alam
sehingga mampu membedakan suatu objek dengan objek lainnya. Kemampuan
sistem visual manusia inilah yang dicoba ditiru oleh mesin. Komputer menerima
masukan berupa citra objek yang akan diidentifikasi, memproses citra tersebut dan
memberikan keluaran berupa deskripsi objek didalam citra. (Agung Priyo, 2005)
Selain dalam dunia fotografi pengolahan citra digunakan juga
dalam
dunia kedokteran terutama untuk memperjelas citra hasil sinar-x
organ tubuh manusia, pengolahan citra juga digunakan dalam bidang lain seperti
penyiaran, telekomunikasi digital, sistem multimedia, bilogi, sistem penginderaan
jauh, seni grafis, percetakan, militer, bidang pertanian dan masih banyak bidang
lainnya.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
16
Deskripsi
objek
Pengenalan
pola
Citra
Gambar 2.4 Pengenalan Pola (Agung Priyo, 2005)
2.5.1. Grayscale
Mencari tingkat keabuan adalah proses pengubahan warna citra
menjadi format warna yang hanya berdasarkan tingkat keabuan. Proses ini
menghilangkan
informasi
hue
dan
saturation
dari
piksel
dan
hanya
meninggalkan nilai brightness. Setiap piksel dari tingkat keabuan citra
memiliki nilai brightness antara 0 (hitam) sampai 255 (putih). Foto hitam putih
merupakan contoh umum dari model warna tingkat keabuan. Walaupun
disebut hitam putih, sesungguhnya foto tersebut terbentuk dari banyak warna
abu-abu yang berbeda. Tujuan
perhitungan
tingkat
keabuan
adalah
memudahkan proses selanjutnya yaitu proses thresholding. Dengan algoritma
perhitungan tingkat keabuan, piksel dari suatu citra yang mengandung warnawarna RGB (merah, hijau dan biru) diubah menjadi warna dalam berbagai
tingkat keabuan dengan menjumlahkan nilai warna merah, hijau dan biru
kemudian dibagi tiga sehingga didapatkan nilai rata-rata dari ketiga warna.
2.5.2. Thresholding
Thresholding adalah proses mengubah citra berderajat keabuan menjadi
citra biner atau hitam putih sehingga dapat diketahui daerah mana yang termasuk
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
17
obyek dan background dari citra secara jelas. Salah satu metode yang sering
digunakan dalam pengolahan citra digital atau image processing adalah
thresholding citra.
Tujuan dari thresholding adalah untuk memisahkan pixelyang mempunyai
nilai keabuan (gray value) lebih tinggi dengan yang lebih rendah. Misalnya pixel
yang nilai keabuannya lebih tinggi diberi nilai biner 1 sedangkan pixel dengan
nilai keabuan lebih rendah diberi nilai biner 0.
Berdasarkan penentuan nilai threshold-nya, metode thresholding dapat
dibedakan menjadi metode manual dimana nilai threshold adalah tetap dan
ditentukan secara manual,
dan metode otomatis, dimana nilai threshold
ditentukan oleh sistem secara otomatis berdasarkan pengetahuan sistem akan
objek, lingkungan dan aplikasinya (misalnya karakteristik intensitas objek, ukuran
objek, daerah image yang diduduki objek, jumlah jenis objek dalam image).
Thresholding otomatis menganalisis penyebaran nilai keabuan dalam image
dengan menggunakan histogram dan pengetahuan akan aplikasi tersebut untuk
menemukan threshold paling cocok.
Salah satu metode thresholding otomatis yang cukup terkenal adalah
metode Otsu yang menentukan nilai threshold berdasarkan minimalisasi varian
dalam kelas (within class variance) dari dua kelompok pixel yang terpisah.
Menurut Morse (2002), nilai threshold diperoleh dari pencarian threshold secara
berulang-ulang, tiap pengaturan threshold menyebabkan penyebaran kelas yang
satu bertambah dan yang lainnya berkurang, nilai threshold yang dipilih adalah
nilai yang meminimalisasi sebaran kombinasi kedua kelas.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
18
Pada umumnya ada 2 (dua) jenis Thresholding yang sering di gunakan
yaitu : Thresholding tunggal dan Thresholding ganda. Untuk Thresholding
tunggal, dapat dilihat melalui fungsi berikut :
g( , ) =
0
1
( , )<
( , )≥
.............................................(2.2)
0
1
( , ) ≥
( , )<
............................................(2.3)
Atau
g( , ) =
Sedangkan untuk thresholding ganda, dapat dilihat melalui fungsi
berikut :
g( , ) =
0
min≤
( , )≤
min≤
( , )≤
1
.........................(2.4)
Atau
g( , ) =
1
0
.....................(2.5)
Nilai Thresholding (T) dapat di peroleh dengan berbagai cara, salah satu
caranya adalah dengan melakukan perhitungan sederhana, dimana nilai rata-rata
jumlah piksel yang memiliki nilai dibawah T sama dengan nilai rata-rata jumlah
piksel yang memiliki nilai diatas T. Untuk perhitungan ini, nilai T yang didapat
untuk gambar yang memiliki histogram yang telah ter-equalize adalah berkisar
antara 127 dan 128. Nilai dari maksimum T adalah nilai tertinggi dari system
warna yang digunakan dan nilai minimum dari T adalah nilai terendah dari system
warna yang digunakan. Untuk 256 graylevel maka nilai tertinggi T adalah 255 dan
nilai terendahnya adalah 0.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
19
2.5.3.
Segmentasi Citra
Segmentasi citra merupakan bagian dari proses pengolahan citra. Proses
segmentasi citra ini lebih banyak merupakan suatu proses pra pengolahan pada
sistem pengenalan objek dalam citra. Segmentasi citra (image segmentation)
mempunyai arti membagi suatu citra menjadi wilayah-wilayah yang homogen
berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan suatu piksel
dengan tingkat keabuan piksel – piksel tetangganya, kemudian hasil dari proses
segmentasi ini akan digunakan untuk proses tingkat tinggi lebih lanjut yang dapat
dilakukan terhadap suatu citra, misalnya proses klasifikasi citra dan proses
identifikasi objek. Adapun dalam proses segmentasi citra itu sendiri terdapat
beberapa algoritma, diantaranya: algoritma Deteksi Titik, Deteksi Garis, dan
Deteksi Sisi ( berdasarkan Operator Robert dan Operator Sobel ).
Segmentasi adalah proses pembagian sebuah citra kedalam sejumlah
bagian atau obyek. Segmentasi merupakan suatu bagian yang sangat penting
dalam analisis citra secara otomatis, sebab pada prosedur ini obyek yang
diinginkan akan disadap untuk proses selanjutnya, misalnya: pada pengenalan
pola. Algoritma segmentasi didasarkan pada 2 buah karakteristik nilai derajad
kecerahan citra, yaitu: discontinuity dan similarity. Pada item pertama, citra
dipisahkan/dibagi atas dasar perubahan yang mencolok dari derajad kecerahannya.
Aplikasi yang umum adalah untuk deteksi titik, garis, area, dan sisi citra. Pada
kategori kedua, didasarkan atas thresholding, region growing, dan region spiltting
and merging. Prinsip segmentasi citra bisa diterapkan untuk citra yang statis
maupun dinamis. Segmentasi citra adalah membagi suatu citra menjadi wilayahwilayah yang homogen.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
20
2.5.4. Deteksi Tepi
Deteksi tepi merupakan sebuah proses di mana proses tersebut berfungsi
untuk mendeteksi garis tepi yang membatasi dua wilayah citra. Saat ini telah
banyak operator – operator yang dapat digunakan dalam pembuatan deteksi tepi,
contohnya adalah operator Robert , Prewitt, Sobel, serta operator turunan seperti
Laplace. Deteksi tepi itu sendiri bertujuan untuk menandai bagian yang menjadi
detail citra, dan memperbaiki serta mengubah citra.
Pendeteksian tepi merupakan langkah pertama untuk melingkupi
informasi di dalam citra. Tepi mencirikan batas-batas objek dan karena itu
tepi berguna untuk proses segmentasi dan identifikasi objek di dalam citra.
Tujuan operasi pendeteksian tepi adalah untuk meningkatkan penampakan
garis batas suatu daerah atau objek di dalam citra. Karena tepi termasuk
ke dalam komponen berfrekuensi tinggi, maka pendeteksian tepi dapat
dilakukan dengan penapis lolos-tinggi. (Rinaldi Munir, 2004 )
Pendeteksian tepi menghasilkan citra tepi yang berupa citra biner (pixel
tapi berwarna putih, sedangkan pixel bukan-tepi berwarna hitam). Rangkaian
pixel-pixel tepi yang membentuk batas daerah disebut kontur. Pixel-pixel di
dalam daerah dapat ditemukan dengan algoritma pengisian.
Manfaat yang bisa diperoleh dari deteksi tepi dalam berbagai
bidang, misalnya yang paling banyak digunakan dalam bidang kedokteran
adalah untuk menentukan stadium kanker, mendeteksi tepi citra USG janin,
mendeteksi karies pada gigi, sehingga bentuk citra yang dihasilkan dapat
terlihat lebih jelas. Di bidang lainnya, deteksi tepi digunakan untuk aplikasi
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
21
pengenalan
plat
kendaraan,
aplikasi pengenalan sidik jari, dan untuk
membedakan uang asli dengan uang palsu.
Terdapat beberapa teknik yang digunakan untuk mendeteksi tepi, antara
lain:
•
Operator gradien pertama (differential gradient)
mendeteksi tepi di dalam citra, yaitu operator gradien selisihterpusat, operator Sobel, operator Prewitt, operator Roberts, operator
Canny.
•
Operator turunan kedua (Laplacian)
Operator Laplace mendeteksi lokasi tepi khususnya pada citra tepi
yang curam. Pada tepi yang curam, turunan keduanya mempunyai
persilangan nol, yaitu titik di mana terdapat pergantian tanda nilai
turunan kedua, sedangkan pada tepi yang
landai tidak terdapat
persilangan nol.
•
Operator kompas (compass operator)
Digunakan untuk mendeteksi semua tepi dari berbagai arah di
dalam citra. Operator kompas yang dipakai untuk deteksi tepi menampilkan
tepi dari 8 macam arah mata angin yaitu Utara, Timur Laut, Timur,
Tenggara, Selatan, Barat, Barat Daya, dan Barat Laut.
Contoh beberapa gradien pertama yang dapat digunakan untuk turunan
pertama menghasilkan tepi yang lebih tebal, sedangkan turunan kedua
menghasilkan tepi yang lebih tipis. Ada tiga macam tepi yang terdapat di dalam
citra digital. Ketiganya adalah:
a. Tepi curam
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
22
Tepi dengan perubahan intensitas yang tajam. Arah tepi berkisar 90°.
b. Tepi landau
Disebut juga tepi lebar, yaitu tepi dengan sudut arah yang kecil. Tepi
landau dapat dianggap terdiri dari sejumlah tepi-tepi lokal yang lokasinya
berdekatan.
c. Tepi yang mengandung derau (noise)
Umumnya tepi yang terdapat pada aplikasi computer vision mengandung
derau. Operasi peningkatan kualitas citra (image enhancement) dapat dilakukan
terlebih dahulu sebelum pendeteksian tepi. (Rinaldi Munir, 2004)
2.5.5. Metode Canny
Salah satu algoritma deteksi tepi modern adalah deteksi tepi dengan
menggunakan metode Canny. Deteksi tepi Canny ditemukan oleh Marr dan
Hildreth yang meneliti pemodelan persepsi visual manusia.
Ada beberapa kriteria pendeteksi tepian paling optimum yang dapat dipenuhi oleh
algoritma Canny:
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.
c. Respon yang jelas (kriteria respon)
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
23
Hanya ada satu respon untuk tiap tepi. Sehingga mudah dideteksi dan tidak
menimbulkan kerancuan pada pengolahan citra selanjutnya. Pemilihan
parameter deteksi tepi Canny sangat mempengaruhi hasil dari tepian yang
dihasilkan. Beberapa parameter tersebut antara lain:
1. Nilai Standart Deviasi Gaussian
2. Nilai Ambang
Gambar 2.5. Jenis – jenis tepi. (Rinaldi Munir, 2004)
Di dalam Matlab untuk menghitung piksel warna putih dengan
menggunakan fungsi nnz (number of nonzero entries). Pada callback edge
detectionnya diberi imbuhan nnz kemudian pemanggilan variable dari deteksi tepi
metode Canny.
2.6.
Transfor masi Hough
Transformasi Hough pertama kali diperkenalkan oleh Paul Hough pada
tahun 1962 untuk mendeteksi garis lurus. Transformasi Hough adalah teknik
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
24
transformasi citra yang dapat digunakan untuk mengisolasi atau dengan kata lain
memperoleh fitur dari sebuah citra. Karena tujuan dari sebuah transformasi adalah
mendapatkan suatu fitur yang lebih spesifik, Classical Hough Transform
merupakan teknik yang paling umum digunakan untuk mendeteksi objek yang
berbentuk kurva seperti garis, lingkaran, elips dan parabola. Keuntungan utama
dari Transformasi Hough adalah dapat mendeteksi sebuah tepian dengan celah
pada batas fitur dan secara relatif tidak dipengaruhi oleh derau atau noise.
Menurut
Brigida
(2012),
Transformasi
Hough
bekerja
dengan
memproyeksikan objek dari koordinat xy ke koordinat lingkaran. Sehingga sebuah
garis bisa diwakilkan oleh 2 komponen, yakni jari-jari (rho) dan sudut (theta).
Dengan kemampuannya mengembalikan 2 variabel ini kita bisa juga
menggunakannya untuk rekonstruksi citra yakni perbaikan geometri kemiringan.
Transformasi Hough menspesifikasikan kurva dalam bentuk parametric.
Kurva dinyatakan sebagai bentuk parametric (x(u, y(u)). Bentuk parametric
tersebut menspesifikasikan titik-titik sepanjang kurva p = (x(u ), y(u )) ke titik
akhir p² = (x(u²), y(u²)).
Transformasi Hough menggunakan voting untuk menentukan garis. Untuk
memilih lebih dari 1 garis, maka perlu memberikan nilai ambang batas (threshold)
karena memang yang dibutuhkan hanya observasi terhadap hasil threshold yang
diberikan.
Dalam Matlab dikenal ada 3 parameter penting untuk Hough, yaitu:
a. Hough: Untuk menghitung nilai dari Transformasi Hough.
b. Houghpeaks: Untuk memeilih nilai-nilai Hough terbesar sesuai dengan
nilai threshol
MENGGUNAKAN METODE TRANSFORMASI HOUGH
TUGAS AKHIR
Disusun oleh :
AMELIA KUSUMA WARDANI
NPM. 0934010199
J URUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
J AWA TIMUR
SURABAYA
2014
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
SKRIPSI
DETEKSI KESIKUAN DAN KECACATAN KERAMIK MENGGUNAKAN
METODE TRANSFORMASI HOUGH
Disusun Oleh :
AMELIA KUSUMA WARDANI
NPM. 0934010199
Telah dipertahankan dihadapkan dan diterima oleh Tim Penguji Skripsi
Program Studi Teknik Infor matika Fakultas Teknologi Industri
Univer sitas Pembangunan Nasional “Veteran” J awa Timur
Pada Tanggal 13 J uni 2014
Pembimbing :
Tim Penguji :
1.
1.
Intan Yuniar P., S.Kom, M.Sc
Rizky Par lika, S.Kom, M.Kom
NPT. 3 8006 04 0198 1
NPT. 3 8405 070 2191
2.
Wahyu S. J . Saputra, S.Kom, M.Kom
NPT. 3 8608 10 0295 1
Wahyu S. J. Saputra, S.Kom, M.Kom
NPT. 3 8608 10 02951
3.
Dr. Ir. Ni Ketut Sari, MT
NIP. 1965 07 31 1992 032 001
Mengetahui,
Dekan Fakultas Teknologi Industri
Univer sitas Pembangunan Nasional ”Veteran” J awa Timur
Ir. Sutiyono, MT
NIP. 19600713 198703 1 001
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
LEMBAR PENGESAHAN
DETEKSI KESIKUAN DAN KECACATAN KERAMIK
MENGGUNAKAN METODE TRANSFORMASI HOUGH
Disusun Oleh :
AMELIA KUSUMA WARDANI
NPM. 0934010199
Telah disetujui mengikuti Ujian Negara Lisan
Gelombang V Tahun Akademik 2013/2014
Menyetujui,
Pembimbing Utama
Pembimbing Pendamping
Intan Yuniar P., S.Kom, M.Sc
Wahyu S. J . Saputra, S.Kom, M.Kom
NPT. 3 8006 04 0198 1
NPT. 3 8608 10 0295 1
Mengetahui,
Ketua J urusan Teknik Infor matika
Fakultas Teknologi Industri
UPN ”Veteran” J awa Timur
Dr. Ir. Ni Ketut Sari, MT
NIP. 1965 07 31 1992 032 001
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
UCAPAN TERIMA KASIH
Ucapan terima kasih ini kami persembahkan sebagai perwujudan rasa syukur atas
terselesaikannya Skripsi. Ucapan terima kasih ini kami tujukan kepada :
1.
Allah SWT, karena berkat rahmat dan berkahNya penulis dapat menyusun dan
menyelesaikan Tugas Akhir ini hingga selesai.
2.
Bapak dan Ibu tercinta, serta keluarga tersayang, terima kasih atas semua doa,
dukungan serta harapan-harapannya pada saat penulis menyelesaikan Tugas
Akhir ini.
3.
Bapak Ir. Sutiyono, MS selaku Dekan Fakultas Teknologi Industri. Serta Ibu
Dr. Ir. Ni Ketut Sari, MT selaku ketua jurusan Teknik Informatika, UPN
“Veteran” Jawa Timur.
4.
Ibu Intan Yuniar Purbasari, S.Kom, M.Sc dan Bapak Wahyu S.J. Saputra,
S.Kom, M.Kom selaku Dosen Pembimbing yang telah meluangkan begitu
banyak waktu, tenaga dan pikiran serta dengan sabar membimbing penulis dari
awal hingga Laporan Tugas Akhir ini dapat terselesaikan.
5.
Mas Ahmad Fashiha Hastawan, mentor virtual yang dengan kesabarannya telah
banyak membantu dan membimbing penulis dalam menyelesaikan Tugas Akhir
ini.
6.
Wahyu, Mas Rully, Mas Asep, dan Febi yang telah berjasa banyak
menyumbangkan ide, saran dan sarana untuk penulis selama mengerjakan
Tugas Akhir.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
7.
Gadang, Firna, Kanti, Siska, Mas Nyo, Bang Satrio, Idham, Gabo, Lutfi, Man,
Adi, Umam, Arka, Radit, David, serta teman-teman Informatic Dhe lainnya
yang sudah mensupport dan menemani penulis selama masa kuliah.
8.
Nuning dan Dindit —teman akrab yang laiknya saudara— yang banyak
memberi dukungan moril untuk penulis selama masa perjuangan di Surabaya,
pun sampai saat ini.
9.
Meme, Kaksim, Ucup, Rijal, dan Kopral —teman-teman piknik seperjuangan
yang selalu dan selalu mengingatkan untuk segera merampungkan Tugas Akhir
ini.
10.
Radiohead, Coldplay, Explosions in the Sky, Sigur Rós, First Aid Kit, The
Smiths, The Strokes, Efek Rumah Kaca, Pure Saturday, Dialog Dini Hari, Sore,
Float, The Trees and The Wild serta musisi-musisi lainnya yang banyak
menemani penulis melalui musik yang tak pernah jenuh diputar selama proses
pengerjaan Tugas Akhir.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
KATA PENGANTAR
Syukur Alhamdulillahi Rabbil ‘Alamin terucap ke hadirat Allah SWT atas
segala limpahan Kekuatan-Nya sehingga dengan segala keterbatasan waktu,
tenaga, pikiran dan keburutungan yang dimiliki peneliti, akhirnya peneliti dapat
menyelesaikan Skripsi Yang berjudul “Deteksi Kesikuan dan Kecacatan
Keramik Menggunakan Metode Transfomasi Hough” tepat waktu.
Skripsi dengan beban 4 SKS ini disusun guna di ajukan sebagai salah satu
syarat untuk menyelesaikan program Strata Satu (S1) pada jurusan Teknik
Informatika, Fakultas Teknologi Industri, UPN “Veteran “ Jawa Timur.
Melalui Skripsi ini peneliti merasa mendapatkan kesempatan emas untuk
memperdalam ilmu pengetahuan yang diperoleh selama di bangku perkulihan,
terutama berkenaan tentang penerapan teknologi perangkat bergerak, Namun,
penyusun menyadari bahwa Skripsi ini masih jauh dari sempurna. Oleh karena itu
penyusun sangat mengharapkan saran dan kritik dari para pembaca untuk
pengembangan aplikasi lebih lanjut.
Surabaya, April 2014
Penulis
ii
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
DAFTAR ISI
Halaman
ABSTRAK ..................................................................................................................... i
KATA PENGANTAR ................................................................................................. ii
UCAPAN TERIMA KASIH ......................................................................................iii
DAFTAR ISI ................................................................................................................ v
DAFTAR GAMBAR ................................................................................................viii
DAFTAR TABEL ........................................................................................................ x
DAFTAR SOURCE CODE ...................................................................................... xi
BAB I PENDAHULUAN............................................................................................. 1
1.1. Latar Belakang ........................................................................................................ 1
1.2. Rumusan Masalah ................................................................................................... 2
1.3. Batasan Masalah ..................................................................................................... 3
1.4. Tujuan ...................................................................................................................... 3
1.5. Manfaat .................................................................................................................... 4
1.6. Metodelogi Penelitian ............................................................................................. 4
1.7. Sistematika Penulisan ............................................................................................. 5
BAB II TINJ AUAN PUSTAKA ................................................................................. 7
2.1. Penelitian Terdahulu ............................................................................................... 7
2.2. Artifical Intelligence ............................................................................................... 7
2.3. Image ....................................................................................................................... 8
2.4. Computer Vision ..................................................................................................... 9
2.5. Pengolahan Citra Digital ...................................................................................... 13
2.5.1. Grayscale ....................................................................................................... 16
2.5.2. Thresholding.................................................................................................. 16
2.5.3. Segmentasi Citra ........................................................................................... 19
2.5.4. Deteksi Tepi ................................................................................................... 20
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
2.5.5. Metode Canny ............................................................................................... 22
2.6. Transformasi Hough ............................................................................................. 23
2.6.1. Fungsi Garis ................................................................................................... 25
2.6.2. Array Akumulator ......................................................................................... 25
2.7. Matlab .................................................................................................................... 27
BAB III METODOLOGI PENELITIAN ............................................................... 29
3.1. Data Set.................................................................................................................. 29
3.2. Analisis Data ......................................................................................................... 29
3.3. Gambaran Aplikasi secara Umum ....................................................................... 30
3.4. Perancangan Proses............................................................................................... 33
3.4.1. Grayscale ....................................................................................................... 33
3.4.2. Thresholding.................................................................................................. 34
3.4.3. Deteksi Tepi Canny....................................................................................... 35
3.4.4. Transformasi Hough. .................................................................................... 36
3.4.5. Perhitungan Sudut. ........................................................................................ 39
3.5. Perancangan Tampilan Antarmuka. ..................................................................... 40
BAB IV HASIL DAN PEMBAHASAN .................................................................. 43
4.1. Kebutuhan Hardware dan Software ..................................................................... 43
4.2. Implementasi Data ................................................................................................ 44
4.3. Implementasi Antarmuka ..................................................................................... 44
4.4. Implementasi Proses ............................................................................................. 45
4.4.1. Proses Pilih Image. ..................................................................................... 45
4.4.2. Proses Deteksi Kesikuan dan Kecacatan. ................................................. 46
4.5. Uji Program ........................................................................................................... 47
4.5.1. Skenario Uji Program. ................................................................................ 48
4.5.2. Pelaksanaan Uji Coba................................................................................. 48
4.6. Analisa Aplikasi. ................................................................................................... 50
4.6.1. Analisis Proses Berdasarkan Gambar ...................................................... 51
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4.6.2. Pengujian Validitas Aplikasi………………………………………….…58
BAB V KESIMPULAN DAN SARAN .................................................................... 59
5.1. Kesimpulan ............................................................................................................ 59
5.2. Saran ...................................................................................................................... 60
DAFTAR PUSTAKA ................................................................................................. 61
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
J udul
: Deteksi Kesikuan dan Kecacatan Keramik Menggunakan Metode
Tr ansfor masi Hough
Penyusun
: Amelia Kusuma War dani
Pembimbing I
: Intan Yuniar Pur basar i, S.Kom, M.Sc
Pembimbing II
: Wahyu S. J . Saputr a, S.Kom, M.Kom
ABSTRAK
Sistem computer vision yang handal diperlukan untuk melakukan sistem pengenalan
yang konsisten terhadap beberapa kemungkinan gangguan, terutama untuk pengenalan objek
yang memiliki karakter khusus, seperti deteksi kesikuan dan kecacatan keramik. Dengan salah
satu metode yang diterapkan adalah dengan menggunakan Transformasi Hough.
Transformasi Hough adalah teknik ekstraksi fitur yang digunakan dalam proses
pengolahan citra digital. Transformasi Hough menggunakan voting untuk menentukan garis.
Untuk memilih lebih dari 1 garis, maka perlu memberikan nilai ambang batas (threshold) karena
memang yang dibutuhkan adalah observasi terhadap nilai threshold yang diberikan. Untuk
mendeteksi garis dengan cara menemukan semua garis yang ditentukan oleh dua buah piksel.
Garis yang terdeteksi akan diketahui titik ujung dan titik pangkalnya dan dari titik-titik tersebut
dihitung koefisien sudut dari dua garis yang saling tegak lurus untuk menentukan apakah suatu
sudut keramik siku atau cacat.
Dari hasil pengujian sistem terhadap 30 citra, prosentase keberhasilan mencapai 100%.
Hal ini menunjukkan bahwa sistem pengenalan yang telah dirancang ini berjalan dengan baik
sesuai harapan perancang sistem. Namun tidak dapat dipungkiri terdapat beberapa faktor-faktor
yang sangat mempengaruhi dalam hasil pengenalan terhadap citra keramik tersebut, seperti
tingkat kecerahan, hasil deteksi tepi citra, hasil deteksi Transformasi Hough serta penentuan
parameter toleransi perbedaan piksel dan panjang toleransi sudut.
Kata Kunci: Computer Vision, Deteksi Kesikuan dan Kecacatan Keramik, Transformasi Hough
i
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
BAB I
PENDAHULUAN
1.1.
Latar Belakang
Keramik pada awalnya berasal dari bahasa Yunani keramikos yang artinya
suatu bentuk dari tanah liat yang telah mengalami proses pembakaran. Kamus dan
ensiklopedia tahun 1950-an mendefinisikan keramik sebagai suatu hasil seni dan
teknologi untuk menghasilkan barang dari tanah liat yang dibakar seperti gerabah,
genteng, tembikar dan sebagainya. Tetapi saat ini tidak semua keramik berasal
dari tanah liat. Definisi pengertian keramik terbaru mencakup semua bahan bukan
logam dan anorgamik yang berbentuk padat. (Yusuf, 1998:2). Menurut Kamus
Besar Bahasa Indonesia keramik memiliki arti barang-barang yang terbuat dari
tanah liat, dicampur dengan bahan-bahan lain dan kemudian dibakar barang
tembikar (porselen).
Ilmu pengetahuan yang berkembang pesat dan pembangunan sarana
prasarana fisik menuntut perkembangan model struktur yang variatif, ekonomis,
dan aman. Hal tersebut menjadi mungkin karena berbarengan dengan kemajuan
teknologi komputer yang semakin canggih dapat memenuhi kebutuhan akan
analisa dan desain struktur saat ini. Kemampuan pembentukan keramik yang
mudah dan sifatnya yang juga sederhana memungkinkan penggunaan bentukbentuk yang kompleks sehingga hampir semua bentuk bisa dibuat. Mengingat
keramik merupakan material konstruksi proyek-proyek di Indonesia khususnya
untuk bangunan gedung, maka perencanaan analisa kualitasnya lebih baik dalam
analisa yang diaplikasikan ke dalam program komputer di bidang rekayasa
1
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
2
pengolahan citra. Perkembangan teknologi industri yang semakin canggih dan
pengolahan citra yang sudah maju saat ini dapat diterapkan pada permasalahan
pengklasifikasian kualitas keramik tersebut.
Penentuan kualitas keramik didasarkan pada sedikit banyaknya cacat yang
teridentifikasi. Terdapat 2 kategori umum cacat keramik yaitu cacat permukaan
(shadding, bertumpuk, bintik hitam, bubbles, cooling crack, crawling/cakar ayam,
gelombang, glazur/terkelupas, goresan, pin holes, powdering, retak biskuit,
tetesan air, masa melekat dan stempel kotor) dan cacat dimensi (ketebalan,
kedataran permukaan, kesikuan dan kelurusan sisi). Berdasarkan permasalahan
tersebut, dalam Tugas Akhir ini dilakukan penelitian untuk mengidentifikasi
kesikuan pada keramik. Pendeteksian kesikuan dan kecacatan keramik
menggunakan metode Transformasi Hough. Untuk mengidentifikasi kesikuan dan
kecacatan keramik ditentukan dengan cara menghitung sudut kesikuannya.
1.2.
Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan sebelumnya maka dapat
dirumuskan masalah, yaitu :
a. Bagaimana membentuk kerangka luar keramik dalam mendeteksi
citra kesikuan keramik?
b. Bagaimana mencari tiap sudut keramik dengan menerapkan
Transformasi Hough?
c. Bagaimana menentukan apakah sebuah keramik cacat siku atau
tidak?
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
3
1.3.
Batasan Masalah
Adapun batasan-batasan masalah yang dibuat agar dalam pengerjaan tugas
akhir ini dapat berjalan degan baik adalah sebagai berikut :
a.
Penelitian difokuskan pada pengidentifikasian siku dan cacat
keramik melalui pengolahan citra.
b.
Keramik yang digunakan adalah keramik lantai yang memiliki
ukuran 30 cm x 30 cm serta bermotif halus.
c.
Pengambilan citra keramik dilakukan di dalam ruangan dengan
menggunakan kamera digital.
d.
Citra yang diproses adalah citra yang telah diedit untuk
menghasilkan citra yang optimal.
e.
Penentuan siku tidaknya keramik berdasarkan nilai sudut yang
terdeteksi.
f.
Metode yang digunakan untuk penelitian adalah Transformasi
Hough.
g. Citra beresolusi 300x300 pixel berformat .jpg.
1.4.
Tujuan
Dari rumusan masalah yang telah diuraikan sebelumnya, maka tujuan
dari penulisan tugas akhir ini adalah untuk mengidentifikasi kesikuan dan
kecacatan keramik melalui pengolahan citra. Serta untuk mengetahui algoritma
Transformasi Hough dalam mendeteksi kesikuan dan kecacatan keramik.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4
1.5.
Manfaat
Manfaat dari penulisan tugas akhir ini adalah :
a.
Untuk mengetahui keakurasian metode Transformasi Hough dalam
mendeteksi kesikuan keramik.
b.
Menyebarluaskan informasi tentang pemanfaatan pendeteksian tepi
pada suatu citra yang dapat diaplikasikan dalam kehidupan seharihari.
c.
Dapat dipergunakan sebagai dasar penelitian selanjutnya untuk
pendeteksian kesikuan dan teknik-teknik pengolahan citra digital
lainnya.
1.6.
Metodologi Penelitian
Beberapa metode dan teknik yang dipergunakan dalam pengumpulan dan
pengolahan data skripsi ini antara lain:
a. Library Research
Pada tahap ini, penulis mempelajari dan membaca buku diktat, referensi,
buletin perpustakaan sebagai acuan yang berkaitan dengan permasalahan yang
akan dibahas.
b. Documentation
Penulis melakukan pencatatan terhadap aktifitas yang berhubungan
dengan pengamatannya, apabila diperlukan pencatatan.
c. Perancangan dan Pembuatan Sistem
Melakukan analisa awal tentang sistem yang akan dibuat untuk
menentukan langkah selanjutnya. Setelah sistem dirancang maka tahap berikutnya
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
5
adalah pembuatan sistem yang benar, agar sesuai dengan rancangan. Pada tahap
ini juga dilakukan perancangan struktur data, algoritma dan diagram alur yang
akan digunakan untuk implementasi dalam perangkat lunak yang akan dibuat.
Kemudian dilakukan pengimplementasian struktur data dan algoritma yang telah
dirancang ke dalam bahasa pemrograman.
d. Pengujian dan Evaluasi Perangkat Lunak
Tahap ini dulakukan pengujian pada perangkat lunak yang telah dibuat,
pengevaluasian hasil yang diperoleh serta perbaikan program (revisi), jika hasil
belum sesuai dengan tujuan yang diharapkan.
e. Pembuatan Naskah Skripsi
Pada tahap ini dilakukan pendokumentasian dari semua tahap agar dcatat
dipelajari untuk pengembangan lebih lanjut. Memaparkan dasar-dasar teori dan
metode yang terlibat di dalamnya, diantaranya desain perangkat lunak dan
implementasinya, hasil pengujian sistem termasuk juga perbaikan.
1.7.
Sistematika Penulisan
Dalam penyusunan tugas akhir, sistematika pembahasan diatur dan
disusun dalam enam bab, dan tiap-tiap bab terdiri dari sub-sub bab. Untuk
memberikan gambaran yang lebih jelas, maka diuraikan secara singkat mengenai
materi dari bab-bab dalam penulisan tugas akhir ini sebagai berikut:
BAB I
PENDAHULUAN
Bab ini berisi latar belakang, perumusan masalah, batasan masalah,
tujuan penelitian, manfaat penelitian, dan sistematika penulisan
pembuatan tugas akhir ini.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
6
BAB II
TINJ AUAN PUSTAKA
Bab ini menjelaskan mengenai landasan teori-teori pendukung
pembuatan tugas akhir ini.
BAB III METODOLOGI PENELITIAN
Bab ini berisi tentang analisa dan perancangan sistem dalam
pembuatan Tugas Akhir yang digunakan untuk mengolah sumber
data yang dibutuhkan sistem anatara lain: Flowchart.
BAB IV HASIL DAN PEMBAHASAN
Pada bab ini akan membahas tentang kerja dari sistem secara
keseluruhan. Pada bab ini menjelaskan tentang pelaksanaan uji
coba dan evaluasi dari pelaksanaan uji coba dari program yang
dibuat. Uji coba dapat dilakukan pada akhir dari tahap-tahap
analisa sistem, desain sistem dan tahap penerapan sistem atau
implementasi. Sasaran dari ujicoba program adalah untuk
menemukan kesalahn-kesalahan dari program yang mungkin
terjadi sehingga dapat diperbaiki.
BAB V
KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dan saran dari penulis untuk
pengembangan sistem.
DAFTAR PUSTAKA
Pada bagian ini akan dipaparkan tentang sumber-sumber literatur
yang digunakan dalam pembuatan laporan tugas akhir ini.
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.
Penelitian Terdahulu
Dalam penelitian terdahulu pengidentifikasian cacat kesikuan keramik
dilakukan dengan menggunakan teknik morfologi dengan tujuan untuk
mengklasifikasikan kualitas keramik secara otomatis. Penelitian yang dilakukan
dengan mengimplementasikan teknik pengolahan citra dan pengoperasian
morfologikal pada proses pendeteksian cacat pada keramik (Kurniawan, 2012).
Cacat pada keramik diantaranya adalah cacat pada pinggiran dan sudut (kesikuan)
keramik.
Dalam tugas akhir ini, penelitian lebih ditekankan pada keakuratan metode
Transformasi Hough untuk mendeteksi kesikuan keramik. Hasil pendeteksian tepi
adalah citra tepi yang nilai pixelnya menyatakan kekuatan tepi. Pixel tepi
dinyatakan putih, sedangkan pixel bukan tepi dinyatakan hitam. Metode Canny
adalah algoritma yang paling optimum dalam mendeteksi tepi citra. Setelah citra
dideteksi tepi, selanjutnya akan dilakukan proses sesuai algoritma Transformasi
Hough untuk menetukan kesikuan keramik dan perhitungan sudut kesikuan.
2.2.
Artificial Intelligence
Artificial Intelligence atau Kecerdasan Buatan (disingkat AI) adalah
kemampuan suatu alat untuk melakukan fungsi yang biasanya dihubungkan
dengan
kecerdasan manusia, seperti penalaran dan pembelajaran melalui
pengalaman. AI adalah cabang dari computer science yang berupaya meniru
7
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
8
kemampuan
penalaran
manusia
dengan mengorganisasi dan memanipulasi
pengetahuan faktual dan heuristik. Bidang aktivitas AI meliputi sistem pakar,
pengenalan bahasa alami, pengenalan suara, penglihatan komputer (Computer
Vision) dan robotika (Anonim, 1996).
2.3.
Image
Data masukan yang diproses adalah suatu image. Image merupakan
sebuah representasi khusus dari suatu obyek, baik obyek dua dimensi maupun
tiga dimensi. Di mana representasi tersebut dinyatakan dalam bentuk dua
dimensi. Image dapat berbentuk nyata, maya, ataupun dalam bentuk optik.
Selain itu, image juga dapat berupa rekaman, seperti video image, digital image,
atau sebuah gambar. Image dapat dikategorikan sebagai menjadi 2, yaitu analog
image dan digital image.
Menurut Shapiro dan Stockman (2001), Analog image adalah image 2D
F (x, y) yang memiliki ketelitian tidak terbatas dalam parameter spasial x dan
y dan ketelitian tak terbatas pada intensitas tiap titik spasial (x, y).
Digital image adalah image 2D I[r,c] yang direpresentasikan oleh array
diskrit
2D
dari
intensitas
sampel,
dimana
masing-masing titik
direpresentasikan dengan ketelitian terbatas.
Digital image juga didefinisikan sebagai representasi dari gambar dua
dimensi sebagai
himpunan terbatas dari nilai digital yang disebut picture
elements atau pixel. Umumnya
pixel
disimpan
dalam
komputer
sebagai
gambar raster, yaitu array dua dimensi dari integer. Nilai ini kadang disimpan
dalam bentuk terkompresi. Digital image dapat diperoleh dari berbagai macam
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
9
alat dan teknik pengambil gambar, seperti kamera digital, scanner, radar, dan
sebagainya. Dapat pula disintesis dari data seperti fungsi matematika dan lain
lain.
Pixel adalah sampel dari intensitas image yang terkuantisasi ke dalam
nilai integer. Sementara Image merupakan array dua dimensi dari pixel-pixel
tersebut. Image inilah yang akan menjadi input awal dalam Computer Vision.
Beberapa bentuk digital image yang sering digunakan dalam Computer
Vision:
•
Binary image, yaitu digital image dengan nilai pixel 1 atau 0.
•
Gray scale image, yaitu digital image monokrom dengan satu nilai
intensitas tiap pixel.
•
Multispectral image, adalah image 2D yang memiliki vektor nilai pada
tiap pixel, jika image-nya berwarna maka vektornya memiliki 3 elemen.
•
Labeled image, adalah digital image dimana nilai pixel-nya adalah simbol
dari alfabet terbatas.
2.4.
Computer Vision
Computer Vision (sering disebut juga dengan Machine Vision) dapat
dideskripsikan sebagai ilmu yang mempelajari metode yang dapat digunakan
untuk membuat komputer mengerti gambar atau data banyak dimensi
umumnya.
Sementara definisi Computer Vision adalah penyimpulan (deduksi)
otomatis akan struktur atau properti dari dunia tiga dimensi dari satu atau lebih
image dua dimensi dunia tersebut dan pengenalan objek-objek dengan bantuan
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
10
properti-properti ini, atau secara singkatnya yaitu proses mengenali objek
tertentu dari suatu image (Kulkarni, 2001).
Tujuan dari Computer Vision adalah untuk membuat keputusan yang
berguna tentang objek dunia nyata dan keadaan (scene) 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 tujuan dari Computer Vision adalah untuk membangun deskripsi
keadaan dari image.
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.
Secara garis besar tahapan tahapan dalam pemrosesan image dalam
Computer Vision terdiri dari:
a. Image Acquisition
Tahapan awal dalam Computer Vision adalah Image Acquisition
(pengambilan digital image). Image Acquisition berhubungan dengan sensor
yang mengambil image. Sensor yang digunakan bisa kamera atau scanner.
Sifat dari sensor dan image yang dihasilkan ditentukan dari aplikasinya.
b. Image Enhancement
Setelah digital image diperoleh, tahapan selanjutnya adalah image
enhancement yang termasuk dalam tahap prepocessing, image enhancement
menyangkut langkah-langkah untuk meningkatkan kualitas image untuk
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
11
mendukung tahapan selanjutnya.
Tujuan dari image enhancement ini secara
teknis untuk menghilangkan noise, memperhalus gambar, mempertajam gambar
(menghilangkan blur), serta
mengatur pencahayaan (brightness, contrast).
Berdasarkan domainnya teknik peningkatan image dapat dibedakan menjadi 2
metode, yaitu domain spasial dan domain frekuensi.
Metode domain spasial didasarkan pada manipulasi langsung dari nilai
gray (keabuan) dari pixel-pixel suatu image. Sedangkan metode domain frekuensi
didasarkan pada modifikasi fourier transform dari suatu image. Fourier
transformmadalah suatu cara memetakan sinyal pada frekuensi-frekuensi
komponennya.
Sementara beberapa teknik image enhancement yang digunakan antara
lain:
•
Grayscale manipulation (manipulasi nilai keabuan)
Merupakan teknik pemetaan intensitas dimana tiap pixel diberikan nilai
keabuan yang baru untuk meningkatkan ketajaman gambar. Operasi ini tidak
merubah bentuk dan geometri image, yang berubah cuma level intensitasnya.
Teknik ini dilakukan dengan cara memproses histogram tingkat keabuan (gray
level histogram) dari image.
Untuk mengubah image berwarna yang mempunyai nilai matrik masingmasing r, g dan b menjadi image grayscale dengan nilai s, maka konversi dapat
dilakukan dengan mengambil rata-rata dari nilai r, g dan b sehingga dituliskan :
=
+
+
3
…………………………..…………………….(2.1)
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
12
Histogram dalam computer vision adalah representasi dari image yang
diperoleh dengan cara menghitung nilai tiap pixel. Singkatnya histogram
merupakan grafik yang menggambarkan distribusi intensitas pixel dari suatu
image atau bagian tertentu di dalam citra. Histogram menunjukkan frekuensi
kemunculan intensitas pada image.
Gambar 2.1. Image sebelum dilakukan manipulasi. (Kulkarni, 2001)
Sementara gray level histogram adalah histogram yang menampilkan
dalam tiap tingkat jumlah pixel dalam gambar yang memiliki tingkat keabuan
(gray-level) tertentu. Histogram ini dimanipulasi dengan cara di stretch, shrink,
atau slide.
•
Filtering (convolution)
Menurut nixon dan aquado, filtering yang merupakan suatu group
operation pada pixel, menghitung nilai pixel baru dengan menggunakan pixelpixel tetangganya. Filtering dijelaskan dengan istilah template convolution
dimana template-nya adalah suatu matriks koefisien bobot (yang umumnya ganjil
dan sama sisi, misalnya 3x3, 5x5, dan seterusnya). Nilai pixel baru dihitung
dengan menempatkan template pada suatu titik, kemudian nilai-nilai pixel
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
13
dikalikan dengan bobot dan ditambahkan sebagai nilai keseluruhan, jumlah
tersebut menjadi nilai baru bagi pixel ditengah template, inilah yang menjadi pixel
bagi image baru. Proses ini diulang pada semua pixel dalam gambar. Operator
yang sering digunakan adalah averaging, gaussian, dan median filtering.
Gambar 2.2. Image setelah dilakukan manipulasi (dari kiri ke kanan): stretch,
shrink dan slide pada histogramnya. (Kulkarni, 2001)
2.5.
Pengolahan Citra Digital
Secara
dwimatra
harafiah,
citra
(image)
adalah
(dua dimensi). Ditinjau dari sudut
gambar
pandang
pada
matematis,
bidang
citra
merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang
dwimatra. Sumber cahaya menerangi objek, objek memantulkan kembali
sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh
oleh alat-alat optik,
misalnya
mata pada
manusia,
kamera, pemindai
(scanner), dan sebagainya, sehingga bayangan objek yang disebut citra
tersebut terekam. (Rinaldi Munir, 2010)
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
14
Citra mempunyai karakteristik yang tidak dimiliki oleh data teks, yaitu
bahwa citra kaya dengan informasi. Citra juga dapat dikelompokkan menjadi dua
yaitu citra tampak (foto, gambar, lukisan, apa yang nampak di layar
monitor/televisi, hologram, dan lain-lain) dan citra tidak tampak (data
foto/gambar dalam bentuk file, citra yang direpresentasikan dalam fungsi
matematis). Citra sebagai keluaran dari suatu sistem perekaman data dapat
bersifat optik berupa foto, analog berupa sinyal video seperti gambar pada
monitor televisi, dan digital yang dapat langsung disimpan pada media
penyimpan magnetik. Citra digital adalah citra yang disimpan dalam format
digital (dalam bentuk file). Hanya citra digital yang dapat diolah menggunakan
komputer. Jenis citra lain jika akan diolah dengan komputer harus diubah
dulu menjadi citra digital. Citra digital tersusun atas sejumlah berhingga
elemen,
masing-masing memiliki
lokasi
dan
nilai/intensitas
tertentu.
Elemen-elemen ini disebut elemen gambar, elemen citra, pels, dan juga piksel.
Pencitraan
(imaging)
adalah
kegiatan
mengubah
informasi
dari
citra
tampak/citra non digital menjadi citra digital. Beberapa alat yang dapat
digunakan untuk pencitraan adalah scanner, kamera digital, kamera sinarx/sinar infra merah, dan lain-lain. Jadi, pengolahan citra digital adalah
proses yang bertujuan untuk memanipulasi dan menganalisis citra digital
dengan bantuan komputer. Masukannya adalah citra dan keluarannya juga citra
tapi dengan kualitas lebih baik daripada citra masukan.
Pengolahan citra bertujuan untuk memperbaiki kualitas citra agar mudah
diinterpretasikan oleh manusia atau mesin. Teknik-teknik pengolahan citra
mentransformasikan citra menjadi citra lain. Inputan pada proses ini adalah citra
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
15
dan keluarannya juga berupa citra dengan kualitas lebih baik daripada citra
inputan sebelumnya.
Citra awal
Pengolahan citra
Citra baru
Gambar 2.3. Pengolahan citra (Agung Priyo, 2005)
Pengenalan Pola, mengelompokkan data numeric dan simbolik (termasuk
citra) secara otomatis, oleh mesin (dalam hal ini komputer). Tujuan pengelompokan
adalah untuk mengenali suatu objek di dalam citra. Manusia bisa mengenali objek
yang dilihatnya karena otak manusia telah belajar mengklasifikasi objek-objek di alam
sehingga mampu membedakan suatu objek dengan objek lainnya. Kemampuan
sistem visual manusia inilah yang dicoba ditiru oleh mesin. Komputer menerima
masukan berupa citra objek yang akan diidentifikasi, memproses citra tersebut dan
memberikan keluaran berupa deskripsi objek didalam citra. (Agung Priyo, 2005)
Selain dalam dunia fotografi pengolahan citra digunakan juga
dalam
dunia kedokteran terutama untuk memperjelas citra hasil sinar-x
organ tubuh manusia, pengolahan citra juga digunakan dalam bidang lain seperti
penyiaran, telekomunikasi digital, sistem multimedia, bilogi, sistem penginderaan
jauh, seni grafis, percetakan, militer, bidang pertanian dan masih banyak bidang
lainnya.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
16
Deskripsi
objek
Pengenalan
pola
Citra
Gambar 2.4 Pengenalan Pola (Agung Priyo, 2005)
2.5.1. Grayscale
Mencari tingkat keabuan adalah proses pengubahan warna citra
menjadi format warna yang hanya berdasarkan tingkat keabuan. Proses ini
menghilangkan
informasi
hue
dan
saturation
dari
piksel
dan
hanya
meninggalkan nilai brightness. Setiap piksel dari tingkat keabuan citra
memiliki nilai brightness antara 0 (hitam) sampai 255 (putih). Foto hitam putih
merupakan contoh umum dari model warna tingkat keabuan. Walaupun
disebut hitam putih, sesungguhnya foto tersebut terbentuk dari banyak warna
abu-abu yang berbeda. Tujuan
perhitungan
tingkat
keabuan
adalah
memudahkan proses selanjutnya yaitu proses thresholding. Dengan algoritma
perhitungan tingkat keabuan, piksel dari suatu citra yang mengandung warnawarna RGB (merah, hijau dan biru) diubah menjadi warna dalam berbagai
tingkat keabuan dengan menjumlahkan nilai warna merah, hijau dan biru
kemudian dibagi tiga sehingga didapatkan nilai rata-rata dari ketiga warna.
2.5.2. Thresholding
Thresholding adalah proses mengubah citra berderajat keabuan menjadi
citra biner atau hitam putih sehingga dapat diketahui daerah mana yang termasuk
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
17
obyek dan background dari citra secara jelas. Salah satu metode yang sering
digunakan dalam pengolahan citra digital atau image processing adalah
thresholding citra.
Tujuan dari thresholding adalah untuk memisahkan pixelyang mempunyai
nilai keabuan (gray value) lebih tinggi dengan yang lebih rendah. Misalnya pixel
yang nilai keabuannya lebih tinggi diberi nilai biner 1 sedangkan pixel dengan
nilai keabuan lebih rendah diberi nilai biner 0.
Berdasarkan penentuan nilai threshold-nya, metode thresholding dapat
dibedakan menjadi metode manual dimana nilai threshold adalah tetap dan
ditentukan secara manual,
dan metode otomatis, dimana nilai threshold
ditentukan oleh sistem secara otomatis berdasarkan pengetahuan sistem akan
objek, lingkungan dan aplikasinya (misalnya karakteristik intensitas objek, ukuran
objek, daerah image yang diduduki objek, jumlah jenis objek dalam image).
Thresholding otomatis menganalisis penyebaran nilai keabuan dalam image
dengan menggunakan histogram dan pengetahuan akan aplikasi tersebut untuk
menemukan threshold paling cocok.
Salah satu metode thresholding otomatis yang cukup terkenal adalah
metode Otsu yang menentukan nilai threshold berdasarkan minimalisasi varian
dalam kelas (within class variance) dari dua kelompok pixel yang terpisah.
Menurut Morse (2002), nilai threshold diperoleh dari pencarian threshold secara
berulang-ulang, tiap pengaturan threshold menyebabkan penyebaran kelas yang
satu bertambah dan yang lainnya berkurang, nilai threshold yang dipilih adalah
nilai yang meminimalisasi sebaran kombinasi kedua kelas.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
18
Pada umumnya ada 2 (dua) jenis Thresholding yang sering di gunakan
yaitu : Thresholding tunggal dan Thresholding ganda. Untuk Thresholding
tunggal, dapat dilihat melalui fungsi berikut :
g( , ) =
0
1
( , )<
( , )≥
.............................................(2.2)
0
1
( , ) ≥
( , )<
............................................(2.3)
Atau
g( , ) =
Sedangkan untuk thresholding ganda, dapat dilihat melalui fungsi
berikut :
g( , ) =
0
min≤
( , )≤
min≤
( , )≤
1
.........................(2.4)
Atau
g( , ) =
1
0
.....................(2.5)
Nilai Thresholding (T) dapat di peroleh dengan berbagai cara, salah satu
caranya adalah dengan melakukan perhitungan sederhana, dimana nilai rata-rata
jumlah piksel yang memiliki nilai dibawah T sama dengan nilai rata-rata jumlah
piksel yang memiliki nilai diatas T. Untuk perhitungan ini, nilai T yang didapat
untuk gambar yang memiliki histogram yang telah ter-equalize adalah berkisar
antara 127 dan 128. Nilai dari maksimum T adalah nilai tertinggi dari system
warna yang digunakan dan nilai minimum dari T adalah nilai terendah dari system
warna yang digunakan. Untuk 256 graylevel maka nilai tertinggi T adalah 255 dan
nilai terendahnya adalah 0.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
19
2.5.3.
Segmentasi Citra
Segmentasi citra merupakan bagian dari proses pengolahan citra. Proses
segmentasi citra ini lebih banyak merupakan suatu proses pra pengolahan pada
sistem pengenalan objek dalam citra. Segmentasi citra (image segmentation)
mempunyai arti membagi suatu citra menjadi wilayah-wilayah yang homogen
berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan suatu piksel
dengan tingkat keabuan piksel – piksel tetangganya, kemudian hasil dari proses
segmentasi ini akan digunakan untuk proses tingkat tinggi lebih lanjut yang dapat
dilakukan terhadap suatu citra, misalnya proses klasifikasi citra dan proses
identifikasi objek. Adapun dalam proses segmentasi citra itu sendiri terdapat
beberapa algoritma, diantaranya: algoritma Deteksi Titik, Deteksi Garis, dan
Deteksi Sisi ( berdasarkan Operator Robert dan Operator Sobel ).
Segmentasi adalah proses pembagian sebuah citra kedalam sejumlah
bagian atau obyek. Segmentasi merupakan suatu bagian yang sangat penting
dalam analisis citra secara otomatis, sebab pada prosedur ini obyek yang
diinginkan akan disadap untuk proses selanjutnya, misalnya: pada pengenalan
pola. Algoritma segmentasi didasarkan pada 2 buah karakteristik nilai derajad
kecerahan citra, yaitu: discontinuity dan similarity. Pada item pertama, citra
dipisahkan/dibagi atas dasar perubahan yang mencolok dari derajad kecerahannya.
Aplikasi yang umum adalah untuk deteksi titik, garis, area, dan sisi citra. Pada
kategori kedua, didasarkan atas thresholding, region growing, dan region spiltting
and merging. Prinsip segmentasi citra bisa diterapkan untuk citra yang statis
maupun dinamis. Segmentasi citra adalah membagi suatu citra menjadi wilayahwilayah yang homogen.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
20
2.5.4. Deteksi Tepi
Deteksi tepi merupakan sebuah proses di mana proses tersebut berfungsi
untuk mendeteksi garis tepi yang membatasi dua wilayah citra. Saat ini telah
banyak operator – operator yang dapat digunakan dalam pembuatan deteksi tepi,
contohnya adalah operator Robert , Prewitt, Sobel, serta operator turunan seperti
Laplace. Deteksi tepi itu sendiri bertujuan untuk menandai bagian yang menjadi
detail citra, dan memperbaiki serta mengubah citra.
Pendeteksian tepi merupakan langkah pertama untuk melingkupi
informasi di dalam citra. Tepi mencirikan batas-batas objek dan karena itu
tepi berguna untuk proses segmentasi dan identifikasi objek di dalam citra.
Tujuan operasi pendeteksian tepi adalah untuk meningkatkan penampakan
garis batas suatu daerah atau objek di dalam citra. Karena tepi termasuk
ke dalam komponen berfrekuensi tinggi, maka pendeteksian tepi dapat
dilakukan dengan penapis lolos-tinggi. (Rinaldi Munir, 2004 )
Pendeteksian tepi menghasilkan citra tepi yang berupa citra biner (pixel
tapi berwarna putih, sedangkan pixel bukan-tepi berwarna hitam). Rangkaian
pixel-pixel tepi yang membentuk batas daerah disebut kontur. Pixel-pixel di
dalam daerah dapat ditemukan dengan algoritma pengisian.
Manfaat yang bisa diperoleh dari deteksi tepi dalam berbagai
bidang, misalnya yang paling banyak digunakan dalam bidang kedokteran
adalah untuk menentukan stadium kanker, mendeteksi tepi citra USG janin,
mendeteksi karies pada gigi, sehingga bentuk citra yang dihasilkan dapat
terlihat lebih jelas. Di bidang lainnya, deteksi tepi digunakan untuk aplikasi
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
21
pengenalan
plat
kendaraan,
aplikasi pengenalan sidik jari, dan untuk
membedakan uang asli dengan uang palsu.
Terdapat beberapa teknik yang digunakan untuk mendeteksi tepi, antara
lain:
•
Operator gradien pertama (differential gradient)
mendeteksi tepi di dalam citra, yaitu operator gradien selisihterpusat, operator Sobel, operator Prewitt, operator Roberts, operator
Canny.
•
Operator turunan kedua (Laplacian)
Operator Laplace mendeteksi lokasi tepi khususnya pada citra tepi
yang curam. Pada tepi yang curam, turunan keduanya mempunyai
persilangan nol, yaitu titik di mana terdapat pergantian tanda nilai
turunan kedua, sedangkan pada tepi yang
landai tidak terdapat
persilangan nol.
•
Operator kompas (compass operator)
Digunakan untuk mendeteksi semua tepi dari berbagai arah di
dalam citra. Operator kompas yang dipakai untuk deteksi tepi menampilkan
tepi dari 8 macam arah mata angin yaitu Utara, Timur Laut, Timur,
Tenggara, Selatan, Barat, Barat Daya, dan Barat Laut.
Contoh beberapa gradien pertama yang dapat digunakan untuk turunan
pertama menghasilkan tepi yang lebih tebal, sedangkan turunan kedua
menghasilkan tepi yang lebih tipis. Ada tiga macam tepi yang terdapat di dalam
citra digital. Ketiganya adalah:
a. Tepi curam
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
22
Tepi dengan perubahan intensitas yang tajam. Arah tepi berkisar 90°.
b. Tepi landau
Disebut juga tepi lebar, yaitu tepi dengan sudut arah yang kecil. Tepi
landau dapat dianggap terdiri dari sejumlah tepi-tepi lokal yang lokasinya
berdekatan.
c. Tepi yang mengandung derau (noise)
Umumnya tepi yang terdapat pada aplikasi computer vision mengandung
derau. Operasi peningkatan kualitas citra (image enhancement) dapat dilakukan
terlebih dahulu sebelum pendeteksian tepi. (Rinaldi Munir, 2004)
2.5.5. Metode Canny
Salah satu algoritma deteksi tepi modern adalah deteksi tepi dengan
menggunakan metode Canny. Deteksi tepi Canny ditemukan oleh Marr dan
Hildreth yang meneliti pemodelan persepsi visual manusia.
Ada beberapa kriteria pendeteksi tepian paling optimum yang dapat dipenuhi oleh
algoritma Canny:
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.
c. Respon yang jelas (kriteria respon)
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
23
Hanya ada satu respon untuk tiap tepi. Sehingga mudah dideteksi dan tidak
menimbulkan kerancuan pada pengolahan citra selanjutnya. Pemilihan
parameter deteksi tepi Canny sangat mempengaruhi hasil dari tepian yang
dihasilkan. Beberapa parameter tersebut antara lain:
1. Nilai Standart Deviasi Gaussian
2. Nilai Ambang
Gambar 2.5. Jenis – jenis tepi. (Rinaldi Munir, 2004)
Di dalam Matlab untuk menghitung piksel warna putih dengan
menggunakan fungsi nnz (number of nonzero entries). Pada callback edge
detectionnya diberi imbuhan nnz kemudian pemanggilan variable dari deteksi tepi
metode Canny.
2.6.
Transfor masi Hough
Transformasi Hough pertama kali diperkenalkan oleh Paul Hough pada
tahun 1962 untuk mendeteksi garis lurus. Transformasi Hough adalah teknik
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
24
transformasi citra yang dapat digunakan untuk mengisolasi atau dengan kata lain
memperoleh fitur dari sebuah citra. Karena tujuan dari sebuah transformasi adalah
mendapatkan suatu fitur yang lebih spesifik, Classical Hough Transform
merupakan teknik yang paling umum digunakan untuk mendeteksi objek yang
berbentuk kurva seperti garis, lingkaran, elips dan parabola. Keuntungan utama
dari Transformasi Hough adalah dapat mendeteksi sebuah tepian dengan celah
pada batas fitur dan secara relatif tidak dipengaruhi oleh derau atau noise.
Menurut
Brigida
(2012),
Transformasi
Hough
bekerja
dengan
memproyeksikan objek dari koordinat xy ke koordinat lingkaran. Sehingga sebuah
garis bisa diwakilkan oleh 2 komponen, yakni jari-jari (rho) dan sudut (theta).
Dengan kemampuannya mengembalikan 2 variabel ini kita bisa juga
menggunakannya untuk rekonstruksi citra yakni perbaikan geometri kemiringan.
Transformasi Hough menspesifikasikan kurva dalam bentuk parametric.
Kurva dinyatakan sebagai bentuk parametric (x(u, y(u)). Bentuk parametric
tersebut menspesifikasikan titik-titik sepanjang kurva p = (x(u ), y(u )) ke titik
akhir p² = (x(u²), y(u²)).
Transformasi Hough menggunakan voting untuk menentukan garis. Untuk
memilih lebih dari 1 garis, maka perlu memberikan nilai ambang batas (threshold)
karena memang yang dibutuhkan hanya observasi terhadap hasil threshold yang
diberikan.
Dalam Matlab dikenal ada 3 parameter penting untuk Hough, yaitu:
a. Hough: Untuk menghitung nilai dari Transformasi Hough.
b. Houghpeaks: Untuk memeilih nilai-nilai Hough terbesar sesuai dengan
nilai threshol