MENGUKUR LUAS TAMBAK DARI CITRA GOOGLE SATELIT DENGAN MENGGUNAKAN METODE DETEKSI TEPI SOBEL.

DETEKSI TEPI SOBEL

TUGAS AKHIR

Disusun oleh :

RIZKY SULISTIAWAN

NPM. 0934010281

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”

JAWA TIMUR

SURABAYA

2013

MENGUKUR LUAS TAMBAK DARI CITRA GOOGLE SATELIT DENGAN

MENGGUNAKAN METODE DETEKSI TEPI SOBEL

Disusun Oleh :

Rizky Sulistiawan

NPM. 0934010281

Telah disetujui untuk mengikuti Ujian Negara Lisan Gelombang III Tahun Akademik 2012/2013

Pembimbing Utama Pembimbing Pendamping

Eko Prasetyo, S.Kom M.Kom Ir. Purnomo Edi Sasongko, MP

NPT.379071002911 NIP. 196407141988031001

Mengetahui,

Ketua Jurusan Teknik Informatika Fakultas Teknologi Industri UPN ”Veteran” Jawa Timur

Dr. Ir. Ni Ketut Sari, MT NIP. 196507311992032001

MENGUKUR LUAS TAMBAK DARI CITRA GOOGLE SATELIT DENGAN

MENGGUNAKAN METODE DETEKSI TEPI SOBEL

Disusun Oleh : Rizky Sulistiawan NPM. 0934010281

Telah dipertahankan di hadapan dan diterima oleh Tim Penguji Skripsi Jurusan Teknik Informatika Fakultas Teknologi Industri

Universitas Pembangunan Nasional ”Veteran” Jawa Timur Pada Tanggal 14 Juni 2013

Pembimbing : Tim Penguji :

1. 1.

Eko Prasetyo, S.Kom M.Kom Ir.Mu’tasim Billah.MS

NPT.379071002911 NPT.196005041987031001

2. 2.

Ir. Purnomo Edi Sasongko, MP Yisti Vita Via, S.St, M.Kom

NIP. 196407141988031001 NPTY. 3 8604 130 347 1

3.

Henni Endah W, ST, M.Kom NPTY.3 7609 130 348 1 Mengetahui,

Dekan Fakultas Teknologi Industri

Universitas Pembangunan Nasional ”Veteran” Jawa Timur

PANITIA UJIAN SKRIPSI / KOMPREHENSIF

KETERANGAN REVISI Mahasiswa di bawah ini :

Nama : Rizky Sulistiawan NPM : 0934010281 Jurusan : Teknik Informatika

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

“MENGUKUR LUAS TAMBAK DARI CITRA GOOGLE SATELIT

DENGAN MENGGUNAKAN METODE DETEKSI TEPI SOBEL”

Surabaya, 14 Juni 2013 Dosen Penguji yang memerintahkan revisi: 1) Ir. Mu’tasim Billah, MS

NPT.196005041987031001 2) Yisti Vita Via, S.St, M.Kom NPTY. 3 8604 130 347 1

3) Henni Endah W, ST, M.Kom NPTY.3 7609 130 348 1

Mengetahui,

Pembimbing Utama Pembimbing Pendamping

Eko Prasetyo, S.Kom M.Kom Ir. Purnomo Edi Sasongko, MP NPT.379071002911 NIP. 196407141988031001

{

}

{

}

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 kami dapat menyusun dan menyelesaikan Laporan Tugas Akhir ini hingga selesai.

2. Bapak Ir. Sutiyono, MS selaku Dekan Fakultas Teknologi Industri

3. Ibu Dr. Ir. Ni Ketut Sari, MT selaku ketua jurusan Teknik Informatika, UPN “Veteran” Jawa Timur

4. Eko Prasetyo S.kom M.kom selaku Dosen Pembimbing utama yang telah meluangkan begitu banyak waktu, tenaga dan pikiran serta dengan sabar membimbing penulis dari awal hingga Laporan Tugas Akhir ini dapat terselesaikan.

5. Ir. R. Purnomo Edi Sasongko, MP selaku Dosen Pembimbing pendamping (Pembimbing II) yang telah dengan sabar membimbing dengan segala kerendahan hati dan banyak ide, petunjuk, masukan, bimbingan, dorongan serta bantuan yang sangat berarti dan bermanfaat bagi tugas akhir ini. Serta bersedia meluangkan waktu untuk membimbing dan membantu. 6. Keluarga tercinta, terutama orang tua kami tersayang, terima kasih atas

semua doa, dukungan serta harapan-harapanya pada saat penulis menyelesaikan skripsi dan laporan ini. Yang penulis minta hanya doa restunya, sehingga penulis bisa membuat sesuatu yang lebih baik dari laporan ini.

indahnya.

8. Para Sahabatku Rully Gita Hartanto kekasih gelap temanku Nur Fibria, Asep Kurnaivi Wardana yang selalu menemani dan tak bosan – bosan selalu memberi support.

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 “Mengukur Luas Tambak Dari Citra Satelit Dengan Menggunakan Metode Deteksi Tepi Sobel” 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, Mei 2013

Halaman

ABSTRAK ... i

KATA PENGANTAR ... ii

UCAPAN TERIMA KASIH ... iii

DAFTAR ISI ... v

DAFTAR GAMBAR ... viii

DAFTAR TABEL ... x

BAB IPENDAHULUAN ... 1

1.1. Latar Belakang ... 1

1.2. Perumusan Masalah ... 3

1.3. Batasan Masalah ... 3

1.4. Tujuan ... 4

1.5. Manfaat ... 4

BAB IITINJAUAN PUSTAKA ... 5

2.1. Penelitian Terdahulu ... 5

2.2. Artifical Intelligence ... 6

2.3. Image ... 6

2.3.1. Analog Image ... 6

2.3.2. Digital Image ... 7

2.4. Computer Vision ... 8

2.5. Elemen Citra ... 8

2.6. Pengolahan Citra Digital ... 10

2.7. RGB (Red, Green, Blue) ... 11

2.8. Citra Grayscale ... 12

2.9. Morfologi ... 12

2.9.1. Structuring Element : ... 13

2.9.2. Erosi ... 13

2.9.3. Dilasi ... 15

2.12. Preccion dan Recall ... 19

2.13. Metode Sobel ... 20

2.14. Flowchart ... 23

2.14.1. Simbol-simbol flowchart ... 23

2.15. Matlab ... 28

2.15.1 Kelengkapan pada sistem MATLAB sebagai sebuah system,MATLAB tersusun dari 5 bagian utama: ... 30

2.16. GUI / GUIDE MATLAB... 31

2.17. Membuat GUI dengan MATLAB ... 32

BAB III METODOLOGI PENELITIAN ... 34

3.1. Data Set ... 34

3.2. Analisa Sistem ... 35

3.3. Gambaran Aplikasi secara Umum ... 36

3.3.1. Perancangan Proses ... 38

3.3.2. Grayscale ... 38

3.3.3. Metode Sobel ... 39

3.3.4. Dilasi ... 41

3.3.5. Closing... 42

3.3.6. Invers ... 43

3.3.7. Erosi ... 44

3.3.8. Rekontruksi ... 45

3.3.9. Piksel ... 46

3.3.10. Meter2 ... 47

3.4. Evaluasi ... 48

3.4.1 Perancangan Tampilan Antarmuka ... 52

BAB IVHASIL DAN PEMBAHASAN ... 54

4.1. Kebutuhan Hardware dan Software ... 54

4.2. Implementasi Data ... 55

4.3. Implementasi Antarmuka ... 55

4.4.3. Proses Pixel ... 58

4.4.4. Proses Meter ² ... 59

4.4.5. Proses Open ... 60

4.4.6. Hitung ... 60

4.5. Uji Program ... 62

4.5.1. Skenario Uji Program ... 63

4.5.2. Pelaksanaan UjiCoba... 63

4.5.3. Tabel Evaluasi (Preccion dan Recall) ... 71

BAB V KESIMPULAN DAN SARAN ... 73

5.1 Kesimpulan ... 73

5.2 Saran ... 74

Penyusun : Rizky Sulistiawan

Pembimbing I : Eko Prasetyo S.Kom M.Kom Pembimbing II : Ir. R. Purnomo Edi Sasongko, MP

ABSTRAK

Mengukur luas tambak dalam sebuah citra gambar yang memiliki ketajaman atau yang berkaitan dengan proses transfer data sangat dibutuhkan untuk mendapatkan hasil citra gambar yang sesuai dengan yang dibutuhkan pada aplikasi ini, permasalahan diselesaikan dengan metode Sobel dengan dukungan pemilihan ukuran mask secara manual dari yang telah disediakan dalam aplikasi untuk mendapat hasil yang dibutuhkan. Tugas akhir ini bertujuan untuk “Mengukur Luas Tambak Dari Citra Google Satelit Dengan Menggunakan Metode Deteksi Tepi Sobel”. Sistem ini diimplementasikan menggunakan sobel untuk penghalusan data citra gambar, sehingga sistem harus dibangun sesuai dengan kebutuhan.

Operator sobel merupakan pengembangan Operator robert dengan menggunakan filter HPF(High Pass Filter) yang diberi satu angka nol penyangga. Operator ini mengambil prinsip dari fungsi laplacian dan gaussian yang dikenal sebagai fungsi untuk membangkitkan HPF. Kelebihan dari Operator sobel ini adalah kemampuan untuk mengurangi noise sebelum melakukan perhitungan deteksi tepi. Analisis citra merupakan salah satu metode dalam pengolahan citra digital. Proses yang dilakukan dalam mendeteksi tepi dimulai dari masukan gambar asli kemudian akan dirubah menjadi citra grayscale, sobel, dilasi, closing, invers, erosi, dan

rekontruksi.

Operasi citra digital dalam mengukur luas tambak dari citra google satelit dengan menggunakan metode deteksi tepi sobel ini mempunyai tingkat akurasi keberhasilan preccion 95% dan recall 95% dengan hasil yang sempurna ditemukannya obyek tambak dengan intensitas gambar yang utuh dan kondisi jarak yang sesuai.

1.1. Latar Belakang

Dengan perkembangan komputer dan alat pengambilan gambar secara digital yang semakin berkembang saat ini, sehingga menghasilkan banyak fasilitas untuk melakukan proses pengolahan gambar agar lebih sesuai dengan kebutuhan. Salah satunya adalah deteksi tepi pada gambar, karena dengan menggunakan proses deteksi tepi gambar maka proses pengolahan manipulasi pada gambar akan lebih mudah dilakukan. Deteksi tepi gambar merupakan sebuah proses dimana suatu proses yang menghasilkan tepi-tepi dari obyek-obyek citra yang bertujuan untuk menandai bagian yang menjadi detail citra serta memperbaiki detail citra yang kabur. Pembacaan citra secara konvensional dapat dilakukan, tetapi hal ini menyebabkan pengukuran secara konvensional tidak efisien. Selain itu, pembacaan citra secara konvensional terkadang kurang akurat ketika dilakukan dengan pengamatan langsung tanpa pengambilan citra digital. Citra / gambar

(image) merupakan hal yang vital dan menjadi bagian integral dari kehidupan

sehari-hari. Pada kepentingan tertentu, citra (gambar) digunakan sebagai alat untuk mengungkapkan pertimbangan (reason), interpretasi, ilustrasi, penggambaran (represent), ingatan (memorise), pendidikan, komunikasi, evaluasi, navigasi, survey. Tetapi kemudian konsep citra dan pengolahannya dihubungkan dengan pengubahan dan perbaikan citra (gambar) yang bertujuan memperbaiki kesalahan data sinyal gambar akibat transmisi dan selama akuisisi sinyal serta meningkatkan penampakan gambar sehingga dapat 'diterima' oleh sistem

penglihatan manusia. Pengolahan citra pada masa sekarang mempunyai suatu aplikasi yang sangat luas dalam berbagai bidang kehidupan antara lain di penginderaan jauh yang menggunakan teknologi citra satelit. Penginderaan jauh merupakan suatu sistem yang digunakan untuk merekam data mengenai permukaan bumi berdasarkan pengukuran yang dilakukan dari jarak jauh dengan menggunakan sistem satelit. Penginderaan jauh bertujuan agar dapat merekam data daerah bumi yang cukup luas dalam pemetaan, maupun pemantauan sumber daya alam. Proses pengolahan citra dimulai dari akuisisi data citra, pengambangan, deteksi tepi, segmentasi citra, sampai citra siap dianalisis. Analisis citra dilakukan dengan proses segmentasi berdasarkan persamaan intensitas warna yang sama pada daerah kerusakan. Analisis citra digunakan untuk menghitung jumlah piksel daerah kerusakan, kemudian dianalogikan sebagai suatu luasan kerusakan wilayah-wilayah akibat Tsunami yang menghasilkan sebuah program untuk menghitung suatu luas wilayah pada citra digital dengan metode segmentasi wilayah dengan intensitas warna yang sama. Dari penelitian yang telah dilakukan, bahwa citra satelit yang tersimpan dalam format JPEG mengalami pemampatan, sehingga ukuran berkas citra menjadi lebih kecil. Proses perhitungan dilakukan melalui perbandingan luas citra yang diolah dengan luas citra daerah sesungguhnya sehingga diketahui luas satu piksel mewakili berapa luasan pada daerah sesungguhnya (Pambudi, 2011).

Perhitungan luas tambak dapat dilakukan dengan menggunakan dua metode umum yaitu sensus dan teresterial. Metode sensus adalah metode pengumpulan data dimana seluruh populasi diselidiki tanpa terkecuali dan memiliki kelebihan terutama hemat dalm waktu dan biaya tetapi kelemahan yang

mungkin terjadi adalah munculnya bias data yang sangat besar. Metode teresterial adalah pengukuran secara langsung dilapangan dengan cara mengambil data berupa ukuran sudut dan jarak dan memiliki kelebihan data yang dihasilkan memiliki tingkat ketelitian yang tinggi, sedangkan kelemahannya memerlukan waktu survey yang lama dengan kebutuhan dana yang sangat besar, metode ini hanya efektif pada daerah yang sempit. Tujuan pada penulisan tugas akhir ini adalah mengukur sebuah luas tambak dari citra google satelit menggunakan metode deteksi tepi sobel.

1.2. Perumusan Masalah

Rumusan masalah yang dibuat pada Tugas Akhir ini adalah: Bagaimana cara mengukur luas tambak dari citra google satelit dengan menggunakan metode deteksi tepi sobel ?

1.3. Batasan Masalah

Dari perumusan masalah di atas terdapat beberapa batasan masalah, antara lain:

1. Program bantu yang digunakan dalam membuat tugas akhir ini adalah matlab 7.0.

2. Tidak membandingkan antara satu metode dengan metode yang lainnya. 3. Mengambil dengan ketinggian 200 meter.

4. Hanya menghitung luas tambak dalam satuan meter2.

5. Dengan menentukan skala yang digunakan dalam proses pengambilan citra dengan jarak ketinggian 200 meter pada google satelit harus menggunakan

panjang tambak sebenarnya 155 meter dan panjang pixel 320 pixel. caranya sebagai berikut : 155 ÷ 320 = 0.4843. Jadi ketetapan skalanya adalah 0.4843.

1.4. Tujuan

Tujuan dari tugas akhir ini adalah membuat sebuah aplikasi yang dapat mengukur luas tambak dengan tingkat kesalahan seminimal mungkin. Dengan cara inputan gambar tambak yang diperoleh dari google satelit, yang kemudian diproses lebih lanjut menggunakan metode deteksi tepi sobel.

1.5. Manfaat

Manfaat dari penulisan tugas akhir ini adalah : 1. Mengetahui hasil luas tambak dari citra google satelit.

2. Dapat mengetahui berapa luas tambak dari skala pada google satelit. 3. Menghasilkan sistem yang mampu mengukur luas tambak.

2.1. Penelitian Terdahulu

Sebagai bahan pertimbangan dalam penelitian ini akan dicantumkan beberapa hasil penelitian terdahulu oleh beberapa peneliti yang pernah penulis baca diantaranya :

Penelitian yang dilakukan oleh Landung Pambudi tahun 2011 dengan judul “Identifikasi Luas Bencana Tsunami Dengan Menggunakan Segmentasi Citra”. Sistem pengolahan citra secara digital yang diaplikasikan dalam penginderaan jauh (satelit) sangat diperlukan untuk analisis pemetaan wilayah, geologi, geodesi, dan sebagainya. Dalam hal ini pengolahan citra digital hasil citra satelit untuk menganalisis dan mengidentifikasi luas kerusakan wilayah di daerah Aceh akibat bencana Tsunami. Proses pengolahan citra dimulai dari akuisisi data citra, pengambangan, deteksi tepi, segmentasi citra, sampai citra siap dianalisis. Analisis citra dilakukan dengan proses segmentasi berdasarkan persamaan intensitas warna yang sama pada daerah kerusakan. Analisis citra digunakan untuk menghitung jumlah piksel daerah kerusakan, kemudian dianalogikan sebagai suatu luasan kerusakan wilayah-wilayah akibat Tsunami. Penelitian telah menghasilkan sebuah program untuk menghitung suatu luas wilayah pada citra digital dengan metode segmentasi wilayah dengan intensitas warna yang sama. Proses perhitungan dilakukan melalui perbandingan luas citra yang diolah dengan luas citra daerah sesungguhnya sehingga diketahui luas satu piksel mewakili berapa luasan pada daerah sesungguhnya.

2.2. Artifical Intelligence

Artifical Intelligence atau Kecerdasaan Buatan (disingkat AI) adalah

kemampuan suatu alat untuk melakukan fungsi yang biasanya dihubungkan dengan kecerdasaan manusia, seperti penalaran dan pembelajaran melalui pengalaman, AI adalah cabang dari computer science yang berupaya meniru kemampuan penalaran manusia dengan mengorganisasi dan memanipulasi pengetahuan faktual dan heristik. Bidang aktivitas AI meliputi sistem sisitem pakar, pengenalan bahasa alami, pengenalan suara, pengelihatan 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, dimana 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 (Haralick dan Shapiro, 1992). Image dapat dikategorikan sebagai berikut:

2.3.1. Analog 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 intesitas tiap titik spasial (x,y).

2.3.2. Digital Image

Menurut Shapiro dan Stokman (2001), digital image adalah image 2D I[r,c] yang direpresentasikan oeleh array diskrit 2D dari intesintas sample, 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 alat adan teknik pengambil gambar,

seperti kamera digital, scanner, radar, dan sebagainya. Dapat pula disentesis dari data seperti fungsi matematika dan lain-lain. Pixel adalah sampel dari intesitas

image yang terkuantitas ke dalam nilai integer. Sementara image merupakan array

dua dimensi dari pixel-pixel tersebut. Image inilah yang akan menjadi input awal dan Computer Vision. Beberapa bentuk digital image yang sering digunakan dalam Computer Vision:

a. Binary image, yaitu digital image dengan nilai pixel 1 atau 0.

b. Gray scale image, yaitu digital image monochrom dengan satu nilai intensitas

tiap pixel.

c. Multispectral image, adalah image 2D yang memiliki vector nialai pada tiap pixel, jika image berwarna maka vectornya memiliki 3 elemen.

d. Labeled image, adalah image dimana nilai pixel adalah simbol dari alfabet

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 menurut Kulkarni (2001), adalah penyimpulan (dedukasi) otomatis akan struktur atau properti dari tiga dimensi dari satu atau lebih image dua dimensi dunia tersebut dan pengenalan objek-objek dengan bantuan properti-properti ini, atau secara singkatnya yaitu proses mengenali objek tertentu dari suatu image. 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 objekk nyata, sangat penting untuk membangun deskripsi atau model objek tersebut dari gambar. Karena itu dapat dikatakan bahawa tujuan dari Computer Vision adalah untuk membangun deskripsi keadaan dari image.

Artifical Intelligence digunakan untuk menganilisi keadaan dengan

memproses representasi simbolik dari isi lingkungan setelah image telah diproses untuk diambil fiturnya. Banyak teknik dari Artifical Intelligence berperan penting didalam seleuruh aspek Computer Vision. Pada dasarnya Computer Vision merupakan cabang dari Artifical Intelligence.

2.5. Elemen Citra

Citra mengandung sejumlah elemen dasar yang dapat di manipulasi dalam pengolahan citra. Menurut Suwono (2010), Elemen dasar yang tergabung dalam citra antara lain :

a. Warna

Warna adalah persepsi yang dirasakan oleh sistem visual manusia terhadap panjang gelombang cahaya yang dipantulkan oleh objek. Setiap warna mempunyai panjang gelombang (_). Warna yang diterima oleh mata merupakan hasil kombinasi cahaya dengan panjang gelombang berbeda. Kombinasi warna yang memberikan rentang warna yang paling lebar adalah red (R), green (G), blue (B).

b. Kecerahan (brightness)

Kecerahan disebut juga intensitas cahaya. Kecerahan pada sebuah piksel (titik) di dalam citra bukanlah intensitas yang rill, tetapi sebenarnya adalah intensitas rerata dari suatu area yang melingkupinya.

c. Kontras

Kontras menyatakan sebaran terang dan gelap di dalam sebuah gambar. Citra dengan kontras rendah dicirikan oleh sebagian besar komposisi citranya adalah terang atau sebagian besar gelap. Pada citra dengan kontras yang baik, komposisi gelap dan terang tersebar secara merata.

d. Kontur

Kontur adalah keadaan yang ditimbulkan oleh perubahan intensitas pada piksel yang bertetangga. Karena adanya perubahan intensitas, mata manusia dapat mendeteksi tepi objek di dalam citra.

e. Bentuk (shape)

Bentuk adalah properti intrinsik dari objek tiga dimensi, dengan pengertian bahwa shape merupakan properti intrinsik utama untuk sistem visual manusia. Pada umumnya citra yang dibentuk oleh mata merupakan citra dwimatra (dua

dimensi), sedangkan objek yang dilihat umumnya berbentuk trimatra (tiga dimensi). Informasi bentuk objek dapat diekstraksi dari citra pada permulaan prapengolahan dan segmentasi citra.

f. Tekstur

Tekstur diartikan sebagai distribusi spasial dari derajat keabuan di dalam sekumpulan piksel yang bertetangga. Jadi tekstur tidak dapat didefinisikan untuk sebuah piksel. Sistem visual manusia menerima informasi citra sebagai suatu kesatuan. Resolusi citra yang diamati ditentukan oleh skala pada mana tekstur tersebut dipersepsi.

2.6. Pengolahan Citra Digital

Pengolahan citra digital merupakan proses yang bertujuan untuk memanipulasi dan menganalisis citra dengan bantuan komputer. Pengolahan citra digital dapat dikelompokkan dalam dua jenis kegiatan :

a. Memperbaiki kualitas suatu gambar, sehingga dapat lebih mudah diinterpretasi oleh mata manusia.

b. Mengolah informasi yang terdapat pada suatu gambar untuk keperluan pengenalan objek secara otomatis.

Bidang aplikasi kedua yang sangat erat hubungannya bertujuan mengenali suatu objek dengan cara mengekstrak informasi penting yang terdapat pada suatu citra. Bila pengenalan pola dihubungkan dengan pengolahan citra, diharapkan akan terbentuk suatu sistem yang dapat memproses citra masukan sehingga citra tersebut dapat dikenali polanya. Proses ini disebut pengenalan citra. Proses pengenalan citra ini sering diterapkan dalam kehidupan sehari-hari. Pengolahan

citra dan pengenalan pola menjadi bagian dari proses pengenalan citra. Kedua aplikasi ini akan saling melengkapi untuk mendapatkan ciri khas dari suatu citra yang hendak dikenali (Ardiantoro : 2010).

2.7. RGB (Red, Green, Blue)

Suatu citra biasanya mengacu ke citra RGB. Sebenarnya bagaimana citra disimpan dan dimanipulasi dalam komputer diturunkan dari teknologi televisi, yang pertama kali mengaplikasikannya untuk tampilan grafis komputer. Jika dilihat dengan kaca pembesar, tampilan monitor komputer akan terdiri dari sejumlah triplet titik warna merah (RED), hijau (GREEN) dan biru (BLUE). Tergantung pada pabrik monitornya untuk menentukan apak titik tersebut merupakan titik bulat atau kotak kecil, tetapi akan selalu terdiri dari 3 triplet red, green dan blue. Citra dalam komputer tidak lebih dari sekumpulan sejumlah triplet dimana setiap triplet terdiri atas variasi tingkat keterangan (brightness) dari elemen red, green dan blue. Representasinya dalam citra, triplet akan terdiri dari 3 angka yang mengatur intensitas dari Red (R), Green (G) dan Blue (Blue) dari suatu triplet. Setiap triplet akan merepresentasikan 1 pixel (picture element). Suatu triplet dengan nilai 67, 228 dan 180 berarti akan mengeset nilai R ke nilai 67, G ke nilai 228 dan B k nilai 180. Angka-angka RGB ini yang seringkali disebut dengan color values. Pada format .bmp citra setiap pixel pada citra direpresentasikan dengan dengan 24 bit, 8 bit untuk R, 8 bit untuk G dan 8 bit untuk B, dengan pengaturan seperti pada gambar di bawah ini :

B G R

Gambar 2.1 Red, Green, Blue (Agus, 2010)

2.8. Citra Grayscale

Dalam komputasi, suatu citra digital grayscale atau greyscale adalah suatu citra dimana nilai dari setiap pixel merupakan sample tunggal. Citra yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu, bervariasi pada warna hitam pada bagian yang intensitas terlemah dan warna putih pada intensitas terkuat. Citra grayscale berbeda dengan citra ”hitam-putih”, dimana pada konteks komputer, citra hitam putih hanya terdiri atas 2 warna saja yaitu ”hitam” dan ”putih” saja. Pada citra grayscale warna bervariasi antara hitam dan putih, tetapi variasi warna diantaranya sangat banyak. Citra grayscale seringkali merupakan perhitungan dari intensitas cahaya pada setiap pixel pada spektrum elektromagnetik single band . Citra grayscale disimpan dalam format 8 bit untuk setiap sample pixel, yang memungkinkan sebanyak 256 intensitas. Format ini sangat membantu dalam pemrograman karena manupulasi bit yang tidak terlalu banyak. Pada aplikasi lain seperti pada aplikasi medical imaging dan remote sensing biasa juga digunakan format 10,12 maupun 16 biT (Agus : 2010).

2.9. Morfologi

Menurut Krishna (2012), Morfologi merupakan suatu cabang dari pengolahan citra yang sangat bermanfaat dalam analisis bentuk dalam citra. Operasi morfologi adalah teknik pengolahan citra berdasarkan bentuk segmen

atau region dalam citra. Karena difokuskan pada bentuk obyek, maka operasi ini biasanya diterapkan pada citra biner (terdiri dari 1 dan 0). pemrosesan citra secara morfologi dilakukan denga cara mem-passing sebuah sturktur elemen terhadap sebuah citra dengan cara yang hampir sama dengan konvolusi. Struktur elemen dapat diibaratkan dengan mask pada pemrosesan citra biasa (bukan secara morfologi).

2.9.1. Structuring Element :

Menurut Dougherty (2009), Structuring element dapat berukuran sembarang. Structuring element juga memiliki titik poros (disebut juga titik origin/ titik asal/titik acuan). Operasi morfologi yang dapat dilakukan diantaranya:  Dilasi, Erosi, Closing

2.9.2. Erosi

Erosi adalah salah satu operasi dasar dalam pemrosesan citra secara morfologi. Erosi adalah sebuah operasi yang meningkatkan ukuran dari latar belakang (dan mengikis objek latar depan) pada citra biner (Dougherty, 2009).

Dengan memisalkan A sebagai objek pada citra masukan, B sebagai elemen terstruktur, dan C sebagai objek pada citra keluaran hasil erosi, maka proses erosi dapat dinotasikan dengan:

=

Erosi dilakukan dengan bantuan elemen terstruktur. Elemen terstruktur membantu menentukan pixel tetangga yang akan ditelusuri dengan proses erosi.

Elemen terstruktur yang sering digunakan adalah 4-konektivitas dan 8-konektivitas.

4-connectivity 8-connectivity Gambar 2.2 Elemen terstruktur 4- dan 8- konektivitas Erosi memiliki karakteristik :

 Erosi pada umunya memperkecil ukuran dari objek dan menghilangkan elemen atau anomali kecil dengan mengurangi objek dengan radius yang lebih kecil dari ukuran elemen terstruktur.

 Dengan citra binner erosi menghilangkan objek yang lebih kecil dari elemen terstruktur dan mengiliminasi pixel parameter dari objek citra yang lebih besar.

Algoritma yang dilakukan pada erosi adalah sebagai berikut:

 Posisikan elemen terstruktur dibagian atas (menutupi) tiap-tiap piksel dari citra masukan hingga titik pusat dari elemen terstruktur bertepatan dengan posisi piksel masukan.

 Jika paling sedikit satu piksel pada elemen terstruktur bertemu dengan piksel latar belakang di bawahnya (yang ditutupinya), maka tetapkan piksel keluaran pada citra baru ke nilai latar belakang, maka tetapkan piksel.

0 1 0

1 1 1

0 1 0

1 1 1

1 1 1

Gambar 2.3 Erosi menggunakan elemen terstruktur 8-konektivitas Dengan begitu, piksel latar belakang pada citra masukan akan menjadi latar belakang pada citra keluaran dan juga piksel latar depan pada citra masukan akan menjadi latar belakang pada citra keluaran.

2.9.3. Dilasi

Dilasi adalah salah satu operasi dasar dalam morfologi matematika. Pada citra biner, dilasi adalah sebuah operasi yang mengekspansi atau memperbesar ukuran dari objek latar depan (Daugherty, 2009). Biasanya objek pada citra dilambangkan dengan piksel putih, walaupun untuk beberapa implementasi objek pada citra dilambangkan dengan piksel hitam. Konektivitas antar piksel pusat dengan tetangganya dibuat berdasarkan elemen terstruktur yang terdefini. Memisalkan A sebagai objek pada citra masukan, B sebagai elemen terstruktur, dan C sebagai objek citra keluaran hasil dilasi, maka proses dilasi dapat dinotasikan sebagai :

Dilasi memiliki karakteristik :

 Dilasi umunya memperbesar ukuran dari objek, mengisi lubang dan area yang rusak, dan menghubungkan area yang dipisahkan oleh jarak yang lebih kecil dari ukuran elemen terstruktur.

 Dengan citra biner, dilasi menghubungkan area yang dipisahkan oleh jarak yang lebih kecil dari elemen terstruktur dan menambahkan piksel dari setiap objek citra.

Algoritma yang dilakukan pada dilasi adalah sebagai berikut :

 Posisikan elemen terstruktur di bagian atas (menutupi) tiap-tiap piksel dari citra masukan hingga titik pusat dari elemen terstruktur bertepatan dengan posisi piksel masukan.

 Jika paling sedikit satu piksel pada elemen terstruktur bertemu dengan piksel latar depan dibawahnya ( yang ditutupinya), maka tetapkan piksel keluaran pada citra baru kenilai latar depan. Begitu juga jika bertemu dengan piksel latar belakang, maka tetapkan piksel keluaran pada citra baru ke nilai latar depan.

Piksel latar depan pada citra masukan akan menjadi latar depan pada citra keluaran dan juga pada piksel latar belakang pada citra masukan akan menjadi latar depan pada citra keluaran

Gambar 2.4 dilasi menggunakan elemen terstruktur 8-konektivitas

2.9.4. Closing :

Menurut Dougherty (2009), Operator closing yaitu operator yang terdiri dari rangkaian operasi operator dilation diikuti oleh erosion, yang diformulasikan sebagai:

⦁ = ( ⊕ ) ⊖

Operator closing akan menyatukan (fuse) patahan-patahan yang sempit, menutup lubang-lubang kecil dan menghaluskan kontur.

2.10. Rekontruksi

Menurut Dougherty (2009), Rekonstruksi citra (image reconstruction) bertujuan membentuk ulang objek dari beberapa citra hasil proyeksi. Misalnya beberapa fotorontgen dengan sinarX. Digunakan untuk membentuk ulang gambar organ tubuh.

2.11. Invers

Menurut Asmitot (2010), Jika invers f adalah fungsi dari himpunan A ke himpunan B, maka invers fungsi f adalah fungsi dari himpunan B ke himpunan A.

A B B A

f f - 1

Gambar 2.5 Sebuah fungsi f dan inversnya

Jika sebuah input x dimasukkan ke dalam fungsi f menghasilkan sebuah output y, y kemudian dimasukkan ke dalam fungsi invers menghasilkan output x. f adalah fungsi yang domainnya adalah himpunan X, dan kodomainnya adalah himpunan Y. Kemudian, jika ada kebalikan dari fungsi f adalah dengan domain Y dan kodomain X, dengan aturan. Jika ( ) = y , maka ( ) = , Tidak semua fungsi mempunyai invers. Tetapi, fungsi yang tidak mempunyai invers itu akan mempunyai invers jika kita membatasi himpunan nilai-nilai X-nya. Fungsi yang mempunyai invers adalah fungsi bijektif, yaitu:

Jika setiap anggota himpunan B mempunyai tepat satu kawan di A maka f disebut fungsi bijektif atau korespodensi 1-1. Mudah dipahami bahwa korespondensi 1-1 adalah fungsi surjektif sekaligus injektif. Sehingga sering dinyatakan sebagai “sebuah fungsi bijective jika dan hanya jika memiliki fungsi invers.

a b c

1 2 3

1 2 3

a b c

2.12. Preccion dan Recall

Menurut Abidin (2009), preccion adalah jumlah sampel berkategori positif diklasifikasi benar dibagi dengan total sampel yang diklasifikasi sebagai sample positif. Sedangkan recall merupakan jumlah sampel diklasifikasi positif dibagi total sampel dalam testing set berkategori positif. Dari uji program dilakukan proses perhitungan preccion dan recall untuk mengetahui berapa hasil akurat dari aplikasi yang telah dibuat. Maka dari itu digunakan rumus sebagai berikut:

TP = A & B

FP = B & A1

FN = B1 & A

TN = A1 & B1

Pr eccion =

+ 100%

Recall =

+ 100%

Keterangan:

TP(True Positive) = Asli tambak terdeteksi tambak. FP(False Positive) = Bukan tambak terdeteksi tambak. FN(False Negative) = Asli tambak terdeteksi bukan tambak. TN(True Positive) = Bukan tambak terdeteksi bukan tambak.

2.13. Metode Sobel

Menurut Amelia Lia (2012), Proses yang digunakan oleh operator sobel merupakan proses dari sebuah konvolusi yang telah di tetapkan terhadap citra yang terdeteksi. Dalam operator sobel digunakan matrik konvolusi 3 X 3 dan susunan piksel-pikselnya di sekitar pixel (x, y). Operator sobel merupakan pengembangan Operator robert dengan menggunakan filter HPF yang diberi satu angka nol penyangga. Operator ini mengambil prinsip dari fungsi laplacian dan gaussian yang dikenal sebagai fungsi untuk membangkitkan HPF. Kelebihan dari Operator sobel ini adalah kemampuan untuk mengurangi noise sebelum melakukan perhitungan deteksi tepi.

A1 A2 A3

A4 Aij A5

A6 A7 A8

Gambar 2.6 Matrik 3x3 pada area image

Didefenisikan Gy sebagai arah penelusuran secara vertical

= ( −1) + ( 0) + ( 1) + ( −2) + ( 0) + ( 2) + ( −1) + ( 0) + ( 1)

dan Gx sebagai penulusuran arah secara horizontal

= ( −1) + ( −2) + ( −1) + ( 0) + ( 0 + ( 0) + ( 1) + ( 2) + ( 1)

definisi menggunakan nilai mutlak diberikan :

Membandingkan area diatas dari persamaan kita lihat bahwa Gyadalah berbeda antara baris pertama dan ketiga, dimana elemen terdekat aij yakni lebih besar dua kali dibanding nilai yang disekelilignya (hal ini berdasarkan intusi wilayah/area0 juga pada persamaan, Gx adalah berbeda antara kolom a4dan a5. Gx adalah arah dari x dan Gy adalah merupakan arah dari y. persamaan daridan dapat diimplementasikan dari operasi sobel didapat nilai hasil daripersamaan. Teknik spatial filtering menggunakan lagi sebuah matrik yang dinamakan mask. Ukuran matrik mask sama besar dengan matrik piksel yaitu N x N. Didalam mask iniintinya disimpan jenis operasi yang akan dilakukan terhadap matrik piksel, akan tetapitidak semua filterspatial filtering menggunakan mask untuk menyimpan operasinya. Sobel operator diterapkan dalam dua buah mask, untuk itu perlu diperhatikan terlebih dahulu.

Gambar 2.7 mask vertical Gambar 2.8 mask horizontal

Mask pertama yaitu mask (a) digunakan untuk mengitung selisih titik pada sisivertical sehingga dihasilkan titik penelusuran arah vertical. Mask kedua yaitu mask (b)digunakan untuk menghitung selisih titik pada sisi horizontal sehingga dihasilkan titikhasil penelusuran arah horizontal. Hasil akhir filter operator sobel adalah ditemukannya beberapa piksel dengan intensitas yang lebih besar atau tajam. Dan juga ukuran tepi objek yang jauh lebih besar dari ukuran sebelumnya. Keadaan ini dikarenakan titik-titik yang lebih dekatdengan titik tengah (terperiksa) diberi harga yang lebih dominan dalam perhitungan, terbukti pada

-1 0 1

-2 0 2

-1 0 1

-1 -2 -1

0 0 0

awalnya intensitas piksel image mempunyai rangeintensitas (nomor warna) antara 0 sampai 4, setelah dilakukan proses filteringmaka terjadi pergeseran intensitas antar 2 samapi 20. Bila piksel-piksel ini terseleksidengan menggunakan ketentuan seperti operasi thresholding, maka setiap piksel kemugkinan hanya mempunyai dua warna dominan yaitu warna hitam dan putih.Warna hitam diibaratkan sebagai

background permukaan image, dan warna putih memunculkan piksel-piksel

signifikan tersebut.

Edge atau garis di tepi objek terlihat lebih terang dari sebelumnya. Warna grayscale merupakan perpaduan warna dari dua warna dominan, yaitu perpaduan

antara warna minimum dan maksimum. Perpaduan warna yang dimaksud disebutsebagai warna medium atau setengah terang atau warna menegah. Bila

image menggunakan perpaduan antara warna hitam dan putih, maka warna yang

demikian dikenal dengan sebutan warna mediumgray atau grayscale. Dengan demikian setiap piksel yang dihasilkan akan disesuaikan dengan set warna

medium ini. Set warna inidimulai dari warna hitam sebagai warna minimum dan

naik secara perlahan-lahan menjadi lebih terang dari sebelumnya sampai pada warna maksimal yaitu berwarna. Bila edge yang ditemukan merupakan sekumpulan piksel signifikan yang membentuk objek image, maka warna piksel tersebut akan dipertegas kembali, artinya piksel ini akan diperbesar intensitasnya sehingga warna edge ini akan tampak jelas. Biasanya operator sobel menempatkan penekanan atau pembobotan pada piksel-piksel yang lebih dekat dengan titik pusat jendela, sehingga pengaruh piksel-piksel tetangga akan berbeda sesuai dengan letaknya terhadap titik di mana gradien dihitung. Dari susunan

nilai-nilai pembobotan pada jendela juga terlihat bahwa perhitungan terhadap gradien juga merupakan gabungan dari posisi mendatar dan posisi vertikal.

2.14. Flowchart

Menurut Abdia Gunaidi (2006), Flowchart adalah representasi grafik dari langkah-langkah yang harus diikuti dalam menyelesaikan suatu permasalahan yang terdiri atas sekumpulan simbol, dimana masing-masing simbol merepresentasikan suatu kegiatan tertentu. Flowchart diawali dengan penerimaan

input, pemrosesan input, dan diakhiri dengan penampilan output.

Gambar 2.9 siklus I-P-O

Penerimaan input, pemrosesan input, dan penampilan output merupakan kegiatan utama yang membentuk siklus dari semua kegiatan yang dilakukan oleh komputer. Siklus ini disebut dengan siklus I-P-O (Input-Proses-Output).

2.14.1. Simbol-simbol flowchart

Menurut Abdia Gunaidi (2006), Flowchart terdiri atas sekumpulan simbol dan masing-masing simbol merepresentasikan suatu kegiatan tertentu. Berikut ini akan dibahas tentang simbol-simbol yang digunakan dalam menyusun flowchart, kegiatan yang diwakili serta aturan main yang diterapkan dalam penggunaan simbol tersebut.

Input

Output

Proses

a. Simbol input

Simbol input digambarkan dengan bangun jajar genjang. Simbol ini digunakan untuk melambangkan kegiatan penerimaan input. Dalam simbol ini, kita dapat menuliskan input yang diperlukan pada suatu waktu secara satu per satu maupun secara keseluruhan, tetapi biasanya input yang dimasukkan pada suatu waktu, dituliskan bersamaan secara keseluruhan dengan tujuan efisiensi ruang gambar.

Gambar 2.10 simbol input

b. Simbol proses

Simbol proses digambarkan dengan bangun persegi panjang. Simbol ini digunakan untuk melambangkan kegiatan pemrosesan input. Dalam simbol ini, kita dapat menuliskan operasi-operasi yang dikenakan pada input, maupun operasi lainnya. Sama seperti aturan pada simbol input, penulisan dapat dilakukan secara satu per satu maupun secara keseluruhan.

c. Simbol output

Simbol output digambarkan dengan bangun seperti Gambar 2.9 Simbol ini digunakan untuk melambangkan kegiatan penampilan output. Dalam simbol ini, kita dapat menuliskan semua output yang harus ditampilkan oleh program. Sama seperti aturan pada dua simbol sebelumnya, penulisan dapat dilakukan secara satu per satu maupun secara keseluruhan.

Gambar 2.12 simbol output / display d. Simbol percabangan

Simbol percabangan digambarkan dengan bangun belah ketupat. Simbol ini digunakan untuk melambangkan percabangan, yaitu pemeriksaan terhadap suatu kondisi. Dalam simbol ini, kita menuliskan keadaan yang harus dipenuhi. Hasil dari pemeriksaan dalam simbol ini adalah YES atau NO. Jika pemeriksaan menghasilkan keadaan benar, maka jalur yang harus dipilih adalah jalur yang berlabel Yes, sedangkan jika pemeriksaan menghasilkan keadaan salah, maka jalur yang harus dipilih adalah jalur yang berlabel No. Berbeda dengan aturan pada tiga simbol sebelumnya, penulisan keadaan dilakukan secara satu per satu.

e. Simbol prosedur

Simbol prosedur digambarkan dengan bangun seperti Gambar 2.11. Simbol ini berperan sebagai blok pembangun dari suatu program. Prosedur memiliki suatu flowchart yang berdiri sendiri diluar flowchart utama. Jadi dalam simbol ini, kita cukup menuliskan nama prosedurnya saja, jadi sama seperti jika kita melakukan pemanggilan suatu prosedur pada program utama (main program). Penulisan nama prosedur dilakukan secara satu per satu.

Gambar 2.14 simbol prosedur f. Simbol garis alir

Simbol garis alir atau flow lines digambarkan dengan anak panah. simbol ini digunakan untuk menghubungkan setiap langkah dalam flowchart dan menunjukkan kemana arah aliran diagram. Anak panah ini harus mempunyai arah dari kiri ke kanan atau dari atas ke bawah. Anak panah ini juga dapat diberi label, khususnya jika keluar dari simbol percabangan.

Gambar 2.15 simbol garis alir

g. Simbol terminator

ini biasanya diberi label START untuk menandai awal dari flowchart, dan label

STOP untuk menandai akhir dari flowchart. Jadi dalam sebuah flowchart pasti

terdapat sepasang terminator yaitu terminator start dan stop.

Gambar 2.16 simbol terminator

h. Simbol konektor

Simbol konektor digunakan untuk menghubungkan suatu langkah dengan langkah lain dalam sebuah flowchart dengan keadaan on page atau off page. On

page connector digunakan untuk menghubungkan suatu langkah dengan langkah

lain dari flowchart dalam satu halaman, sedangkan off page connector digunakan untuk menghubungkan suatu langkah dengan langkah lain dari flowchart dalam halaman yang berbeda. Connector ini biasanya dipakai saat media yang kita gunakan untuk menggambar flowchart tidak cukup luas untuk memuat gambar secara utuh, jadi perlu dipisahpisahkan. Dalam sepasang connector biasanya diberi label tertentu yang sama agar lebih mudah diketahui pasangannya.

Gambar 2.18 simbol Off-Page Connector

i. Simbol komentar

Simbol komentar atau annotation digunakan untuk menuliskan komentar atau keterangan yang dirasa penting. Dalam simbol ini, kita dapat menuliskan komentar apapun dan sebanyak apapun,

Gambar 2.19 simbol komentar

2.15. Matlab

Menurut Teuinsuksa (2009), MATLAB adalah sebuah bahasa dengan (high-performance) kinerja tinggi untuk komputasi masalah teknik. Matlab mengintegrasikan komputasi, visualisasi, dan pemrograman dalam suatu model yang sangat mudah untuk pakai dimana masalah-masalah dan penyelesaiannya diekspresikan dalam notasi matematika yang familiar. Penggunaan Matlab meliputi bidang–bidang:

 Matematika dan Komputasi  Pembentukan Algorithm  Akusisi Data

 Analisa data, explorasi, dan visualisasi  Grafik Keilmuan dan bidang Rekayasa

MATLAB merupakan suatu sistem interaktif yang memiliki elemen data dalam suatu array sehingga tidak lagi kita dipusingkan dengan masalah dimensi. Hal ini memungkinkan kita untuk memecahkan banyak masalah teknis yang terkait dengan komputasi, kususnya yang berhubungan dengan matrix dan formulasi vektor, yang mana masalah tersebut merupakan momok apabila kita harus menyelesaikannya dengan menggunakan bahasa level rendah seperti Pascall, C dan Basic. Nama MATLAB merupakan singkatan dari matrix laboratory. MATLAB pada awalnya ditulis untuk memudahkan akses perangkat lunak matrik yang telah dibentuk oleh LINPACK dan EISPACK. Saat ini perangkat MATLAB telah menggabung dengan LAPACK dan BLAS library, yang merupakan satu kesatuan dari sebuah seni tersendiri dalam perangkat lunak untuk komputasi matrix.

Dalam lingkungan perguruan tinggi teknik, Matlab merupakan perangkat standar untuk memperkenalkan dan mengembangkan penyajian materi matematika, rekayasa dan kelimuan. Di industri, MATLAB merupakan perangkat pilihan untuk penelitian dengan produktifitas yang tingi, pengembangan dan analisanya. Fitur-fitur MATLAB sudah banyak dikembangkan, dan lebih kita kenal dengan nama toolbox. Sangat penting bagi seorang pengguna Matlab, toolbox mana yang mandukung untuk learn dan apply technologi yang sedang dipelajarinya. Toolbox toolbox ini merupakan kumpulan dari fungsi-fungsi MATLAB (Mfiles) yang telah dikembangkan ke suatu lingkungan kerja MATLAB untuk memecahkan masalah dalam kelas particular. Area-area yang

sudah bisa dipecahkan dengan toolbox saat ini meliputi pengolahan sinyal, system kontrol, neural networks, fuzzy logic, wavelets, dan lain-lain.

2.15.1.Kelengkapan pada Sistem MATLAB Sebagai sebuah system, MATLAB tersusun dari 5 bagian utama:

a. Development Environment merupakan sekumpulan perangkat dan fasilitas yang membantu anda untuk menggunakan fungsi-fungsi dan file-file MATLAB. Beberapa perangkat ini merupakan sebuah graphical user interfaces (GUI). Termasuk didalamnya adalah MATLAB desktop dan CommandWindow, command history, sebuah editor dan debugger, dan browsers untuk melihat help, workspace, files, dan search path.

b. MATLAB Mathematical Function Library merupakan sekumpulan algoritma komputasi mulai dari fungsi-fungsi dasar sepertri: sum, sin, cos, dan complex arithmetic, sampai dengan fungsi-fungsi yang lebih kompek seperti matrix inverse, matrix eigenvalues, Bessel functions, dan fast Fourier transforms.

c. MATLAB Language merupakan suatu high-level matrix/array language dengan control flow statements, functions, data structures, input/output, dan fitur-fitur object-oriented programming. Ini memungkinkan bagi kita untuk melakukan kedua hal baik "pemrograman dalam lingkup sederhana " untuk mendapatkan hasil yang cepat, dan "pemrograman dalam lingkup yang lebih besar" untuk memperoleh hasil-hasil dan aplikasi yang komplek.

d. Graphics MATLAB memiliki fasilitas untuk menampilkan vector dan matrices sebagai suatu grafik. Didalamnya melibatkan high-level functions (fungsi-fungsi level tinggi) untuk visualisasi data dua dikensi dan data tiga dimensi, image processing, animation, dan presentation graphics. Ini juga melibatkan fungsi level rendah yang memungkinkan bagi anda untuk membiasakan diri untuk memunculkan grafik mulai dari benutk yang sederhana sampai dengan tingkatan graphical user interfaces pada aplikasi MATLAB anda.

e. MATLAB Application Program Interface (API) merupakan suatu library yang memungkinkan program yang telah anda tulis dalam bahasa C dan Fortran mampu berinterakasi dengan MATLAB. Ini melibatkan fasilitas untuk pemanggilan routines dari MATLAB (dynamic linking), pemanggilan MATLAB sebagai sebuah computational engine, dan untuk membaca dan menuliskan MAT-files. Memulai Matlab Perhatikan Dekstop pada layar monitor PC, anda mulai MATLAB dengan melakukan double-clicking pada shortcut icon MATLAB.

2.16. GUI / GUIDE MATLAB

Menurut Teuinsuksa (2009), Dibangun dengan obyek grafik seperti tombol (button), kotak teks, slider, menu dan lain-lain. Aplikasi yang menggunakan GUI umumnya lebih mudah dipelajari dan digunakan karena orang yang menjalankannya tidak perlu mengetahui perintah yang ada dan bagaimana kerjanya. Sampai saat ini, jika kita membicarakan pemrograman berorientasi

visual, yang ada di benak kita adalah sederetan bahasa pemrograman, seperti visual basic, Delphi, visual C++, visual Fox Pro, dan lainnya yang memang didesai secara khusus untuk itu. Matlab merintis ke arah pemrograman yang menggunakan GUI dimulai dari versi 5, yang terus disempurnkan sampai sekarang. GUIDE Matlab mempunyai kelebihan tersendiri dibandingkan dengan bahasa pemrogram lainnya, diantaranya:

a. GUIDE Matlab banyak digunakan dan cocok untuk aplikasi-aplikasi berorientasi sains, sehingga banyak peneliti dan mahasiswa menggunakan GUIDE Matlab untuk menyelesaikan riset atau tugas akhirnya.

b. GUIDE Matlab mempunyai fungsi built-in yang siap digunakan dan pemakai tidak perlu repot membuatnya sendiri.

c. Ukuran file, baik FIG-file maupun M-file, yang dihasilkan relatif kecil.

d. Kemampuan grafisnya cukup andal dan tidak kalah dibandingkan dengan bahasa pemrograman lainnya.

2.17. Membuat GUI dengan MATLAB

Menurut Teuinsuksa (2009), MATLAB mengimplementasikan GUI sebagai sebuah figure yang berisi barbagai style obyek UIControl. Selanjutnya kita harus memprogram masing-masing obyek agar dapat bekerja ketika diaktifkan oleh pemakai GUI. Langkah dasar yang harus dikerjakan dalam membuat GUI adalah :

a. Mengatur layout komponen GUI

Setelah kita membuka GUIDE Matlab dan telah menentukan template GUI, langkah selanjutnya adalah adalah mendesai figure dengan menggunakan

komponen palet sesuai dengan kebutuhan, seperti p ushbutton, radiobutton, chexkboxes, edit text, static text, slider, frames, popup menu, axes, dan sebagainya. Selanjutnya kita dapat mengatur layout masing-masing komponen, baik string(caption), font, color, size, dan sebagainya menggunakan property inspector. Jika kita telah selesai mendesain, jangan lupa untuk menyimpan file figure yang secara default akan memiliki ekstensi *.fig. Dari sini, matlab secara otomatis akan membuatkan sebuah m-file dengan nama yang sama, yaitu file berekstensi *.m.

b. Memprogram Komponen GUI

M-file yang telah dibuat pada langkah sebelumnya, akan otomatis terbuka dan kita harus menulis programnya agar komponen kontrol dapat bekerja secara simultan. Untuk membuat program dalam m-file kita cukup memperhatikan fungsi-fungsi matlab bertanda callback dimana perintah disispkan. Dari langah-langkah dasar diatas, secara sederhana sebenarnya GUI Matlab dibentuk oleh dua buah file, yaitu fig-file dan m-file. Matlab User’s Guide, The Math Works inc, 1989.

Pada bab ini akan dijelaskan mengenai proses pembuatan aplikasi deteksi tepi citra untuk mengukur luas tambak dari citra google satelit dengan menggunakan metode deteksi tepi sobel. Proses perancangan aplikasi dalam sub-bab ini akan dibagi menjadi beberapa tahap antara lain : analisis, gambaran aplikasi secara umum, perancangan proses.

3.1. Data Set

Gambar Jarak

Pengambilan Keterangan

200 Meter

Pengambilan gambar diwilayah wonorejo

200 Meter

Pengambilan gambar diwilayah wonorejo

200 Meter

Pengambilan gambar diwilayah wonorejo

200 Meter

Pengambilan gambar diwilayah wonorejo

200 Meter

Pengambilan gambar diwilayah wonorejo

200 Meter

Pengambilan gambar diwilayah wonorejo

200 Meter

Pengambilan gambar diwilayah wonorejo

200 Meter

Pengambilan gambar diwilayah wonorejo

Tabel 3.1 Tabel Data Set

3.2. Analisa Sistem

Aplikasi untuk deteksi tepi citra untuk mengukur luas tambak dari citra google satelit dengan menggunakan metode deteksi tepi sobel bahasa pemrograman Matlab. Citra diambil dengan menggunakan google satelit dengan ketinggian 200 meter, kemudian proses selanjutnya adalah grayscale, sobel,

dilasi, closing, invers, erosi, rekontruksi. Proses awal yang digunakan dalam

image processing adalah mengubah citra berwarna ke grayscale. Grayscale merupakan proses pengolahan citra dengan cara mengubah nilai-nilai piksel awal

citra menjadi sebuah citra keabuan. Hasil dari proses grayscale yang telah kita lakukan, selanjutnya akan dijadikan deteksi tepi sobel merupakan proses dari sebuah konvolusi yang telah di tetapkan terhadap citra yang terdeteksi. Setelah itu dilakukan proses dilasi supaya garis yang terputus pada objek akan tersambung setelah garis-garis objek yang tersambung dilakukan proses closing. Closing adalah mengisi lubang kecil pada objek, menggabungkan objek-objek yang berdekatan, dan secara umum men-smooth-kan batas dari objek besar tanpa mengubah area objek secara signifikan. Pada tahap selanjutnya dilakukan tahap

invers supaya dapat menghitung pixel putih pada area objek untuk mendapatkan

hasil yang akan diketahui, untuk tahap selanjutnya dilakukan proses erosi dan

rekontruksi. Erosi adalah suatu proses yang menghilangkan objek-objek yang

tidak dipakai setelah objek-objek terhilangkan dilakukan proses rekontruksi supaya objek yang terhilangkan dari proses erosi dapat dikembalikan dengan objek yang utuh dengan proses rekontruksi, yang terakhir dalam pembuatan aplikasi adalah menampilkan jumlah piksel dan jumlah meter ². Dari aplikasi tersebut akan dilakukan perbandingan.

3.3. Gambaran Aplikasi secara Umum

Secara garis besar untuk melakukan pendeteksian tepi pada tambak melalui bebarapa proses yaitu meliputi :

1) Citra masukan berupa citra berwarna

2) Baca inputancitra yang akan diproses menjadi : a) Grayscale

c) Dilasi

d) Closing

e) Invers

f) Erosi

g) Rekontruksi

3) Output

Melakukan pendeteksian tepi setelah proses grayscale, deteksi tepi sobel,

dilasi, closing, invers, erosi, rekontruksi. Citra keluaran akan berupa berapa piksel

warna putih dan jumlah meter2. Pada implementasinya aplikasi ini melakukan pengambilan gambar sample memakai google satelit secara manual.

3.3.1. Perancangan Proses

Untuk mengetahui proses-proses yang dilakukan maka akan dijelaskan sebagai berikut :

3.3.2. Grayscale

Grayscale merupakan proses pengolahan citra dengan cara mengubah

nilai-nilai piksel awal citra menjadi sebuah citra keabuan.

Langkah awal pada flowchart grayscale adalah citra masukan berwarna yang kemudian akan diproses menjadi citra grayscale. Citra keabuan adalah citra yang setiap pikselnya mengandung satu layer dimana nilai intensitasnya berada pada interval 0-255, sehingga nilai-nilai piksel pada citra keabuan tersebut dapat direpresentasikan dalam sebuah matriks yang dapat memudahkan proses perhitungan pada operasi berikutnya. Di dalam MATLAB untuk menggubah piksel RGB ( Red Green Blue) menjadi skala keabu – abuan dengan menggunakan fungsi rgb2gray.

Gray=rgb2gray(I)

Variabel gray berfungsi untuk menampung hasil konversi citra RGB kecitra abu – abu. Citra yang dikonversi adalah citra tambak yang ditampung dalam variabel I.

3.3.3. Metode Sobel

Pada proses ini akan dideteksi tepi. Deteksi tepi yang digunakan adalah

sobel. Kelebihan dari metode sobel ini adalah kemampuan untuk mengurangi

noise sebelum melakukan perhitungan deteksi tepi. . Berikut adalah potongan baris program sobel.

Start

Tetapkan Nilai Matrik

Ambil Width dan High

Hitung piksel Horizontal dan

Vertikal

Hasil = piksel horisontal +

vertikal

hasil<128

piksel Hitam piksel Putih

Cetak piksel

Ya Tidak

End Terpenuhi Width & High

Ya

Tidak

Citra Grayscale

Image Sobel

Setelah proses grayscale langkah selanjutnya adalah deteksi tepi. Metode yang digunakan adalah metode sobel. Operator sobel adalah operator yang paling banyak digunakan sebagai pelacak tepi karena kesederhanaan dan keampuhannya. Proses sobel ini, dilakukan dua penghitungan yaitu vertical dan horizontal. Berikut ini adalah potongan baris program untuk deteksi tepi Sobel.

3.3.4. Dilasi

Pada proses ini akan dilasi. Dilasi merupakan proses penumbuhan atau penebalan dalam citra biner. Pengertian penebalan ini dikontrol oeleh bentuk strel.

Pada flowchart 3.5 adalah proses dari dilasi. Setelah memproses metode

deteksi tepi sobel kemudian akan diproses dilasi. Proses ini menyambung garis

pada objek.

se= strel ('disk',1); b= imdilate(BW,se);

3.3.5. Closing

Pada proses ini akan diclosing. Closing adalah menolak pecahan-pecahan sempit dan teluk yang panjang dan tipis, menghilangkan lubang kecil dan mengisi gap pada garis-garis bentuk.

Setelah didapatkan citra objek yang tersambung kemudian dilakukan tahap

closing. Pada tahap ini yang digunakan adalah closing. Berikut adalah potongan

baris program closing.

se= strel ('disk',6); d= imclose(b,se);

3.3.6. Invers

Pada proses ini akan diinvers. Invers adalah merubah sebuah objek dari hitam ke putih dirubah menjadi putih ke hitam sehingga akan mendapatkan nilai pixel putih dalam objek tersebut, Berikut adalah proses invers.

Setelah dilakukan tahap closing kemudian dilakukan tahap invers. Pada tahap ini yang digunakan adalah invers. Berikut adalah potongan baris program

invers.

x=imcomplement (d);

3.3.7. Erosi

Pada proses ini akan dierosi. Erosi adalah mengecilkan atau menipiskan obyek citra biner, berbeda dengan dilasi yang melakukan penumbuhan atau penebalan. Erosi dapat dianggap sebagai operasi morphological filtering dimana detail citra yang lebih kecil dari strel akan difilter (dihilangkan) dari citra.

Setelah dilakukan tahap invers kemudian dilakukan tahap erosi. Pada tahap ini yang digunakan adalah erosi. Berikut adalah potongan baris program

erosi.

se= strel ('disk',37); e= imerode (x,se);

3.3.8. Rekontruksi

Pada proses ini akan direkontruksi. Rekontruksi adalah mengembalikan bentuk obyek yang tersisa setelah erosi.

Setelah dilakukan tahap erosi kemudian dilakukan tahap rekontruksi. Pada tahap ini yang digunakan adalah rekontruksi. Berikut adalah potongan baris program rekontruksi.

r=imreconstruct (e,x);

3.3.9. Piksel

Pada proses ini akan mengetahui jumlah piksel.

Setelah dilakukan tahap rekontruksi kemudian dilakukan tahap mengetahui jumlah piksel. Pada tahap ini yang digunakan adalah piksel. Berikut adalah potongan baris program piksel.

luas=sum (sum(r));

3.3.10.Meter2

Pada proses ini akan mengetahui jumlah piksel.

Gambar 3.10 Flowcahrt Meter2

Setelah dilakukan tahap mengetahui jumlah piksel kemudian dilakukan tahap mengetahui jumlah meter2. Pada tahap ini yang digunakan adalah meter2

dan 0,4843 adalah skala yang dipakai dalam mengetahui jumlah meter2. Berikut

adalah potongan baris program meter2.

y=0.4843;

3.4. Evaluasi

Evaluasi pada penelitian ini adalah evaluasi yang dapat membandingkan hasil uji program dengan hasil image yang telah di photoshop untuk mengetahui berapa persenkah kemiripan uji program dengan image sebenarnya.

 Data Tambak 1

Hasil

Tambak Bukan Tambak

Tambak TP=68298 FN=875

Bukan Tambak FP=1465 TN=31762

Preccion =68298/68298+1465

=68298/69763

=0,97x100% =97%

Recall =68298/68298+875 =68298/69173 =0,98x100% =98%  Data Tambak 2

Hasil

Tambak Bukan Tambak

Tambak TP=58245 FN=657

Bukan Tambak FP=649 TN=42849

=0,98x100% =98%

Recall = 58245/ 58245+657 = 58245/58902 =0,98x100% =98%  Data Tambak 3

Hasil

Tambak Bukan Tambak

Tambak TP=63938 FN=442

Bukan Tambak FP=7468 TN=30552

Preccion =63938/63938+7468 =63938/71406 =0,89x100% =89%

Recall =63938/63938+442 =63938/64380 =0,99x100% =99%  Data Tambak 4

Hasil

Tambak Bukan Tambak

Tambak TP=61430 FN=2173

Bukan Tambak FP=195 TN=38602

Preccion =61430/61430+ 195 =61430/61625 =0,99x100% =99%

Recall =61430/61430+2173 =61430/63603 =0,96x100% =96%  Data Tambak 5

Hasil

Tambak Bukan Tambak

Tambak TP=64136 FN= 1607

Bukan Tambak FP=106 TN=36551

Preccion =64136/64136+106 =64136/64242 =0,99x100% =99%

Recall =64136/64136+ 1607 =64136/65743 =0,97x100% =97%  Data Tambak 6

Tambak Bukan Tambak

Tambak TP=57082 FN= 2048

Bukan Tambak FP=2448 TN=40822

Preccion =57082/57082+2448 =57082/59530 =0,95x100% =95%

Recall =57082/57082+ 2048 =57082//59130

=0,96x100% =96%  Data Tambak 7

Tambak Bukan Tambak

Tambak TP=62178 FN= 12050

Bukan Tambak FP=0 TN=28172

Preccion =62178/62178+0 =62178/62178 =1x100% =100%

Recall =62178/62178+ 12050 =62178/74228

=0,83x100% =83%  Data Tambak 8

Tambak Bukan Tambak

Tambak TP=43624 FN=1668

Bukan Tambak FP=5434 TN=51674

Preccion =43624/43624+5434 =43624/49058 =0,88x100% =88%

Recall =43624/43624+1668 =43624/45292 =0,95x100% =95%

3.4.1. Perancangan Tampilan Antarmuka

Pada perancangan antarmuka yang akan dibuat sedemikian rupa yang nantinya merupakan suatu halaman untuk berinteraksi bagi pemakai/ pengguna program dan diharapkan dapat memahami jalan kerja program dengan mudah. Dalam membuat program deteksi tepi akan dirancang tampilan GUI maka akan menghasilkan 2 file yaitu namafile.fig dimana GUI disimpan dan namafile.m dimana eksekusi program terkumpul. Masing-masing fig-file ini menghasilkan

m-file dengan nama yang sama. Berikut adalah tabel yang berisi perancangan dalam

pembuatan program deteksi tepi.

Fig-file Komponen Nama Fungsi Tambakkkk Static text DeteksiTepi

Citra… Judul

Axes (1) - Menampilkan Citra

Text Pixel MenampilkanTulisan

Text Meter² MenampilkanTulisan

Text Hektar MenampilkanTulisan

Push

button Load Membuka File

Push

button Proses

Menjalankan Program (grayscale, sobel, dilasi, closing,

invers, erosi, rekontruksi) Push button Pixel Menjalankan Jumlah Pixel Push button Meter² Menjalankan Jumlah Meter² Push

button Open

Membuka File Image yang Telah diedit diphotoshop untuk

dilakukan proses perbandingan

Push

button Hitung

Mengetahui Nilai FP, TP, FN, TN, untuk menghitung preccion dan recall

Axes (2) - Menampilkan Citra

Axes (3) - Menampilkan Citra

Axes (4) - Menampilkan Citra

Axes (5) - Menampilkan Citra

Axes (6) - Menampilkan Citra

Axes (7) - Menampilkan Citra

Axes (8) - Menampilkan Citra

Axes (13) - Menampilkan Citra Tabel 3.2Perancangan Program Deteksi Tepi

Pada bab IV ini akan dijelaskan mengenai implementasi, hasil uji coba dan evaluasi dari rancangan program yang telah dibuat pada bab III. Bagian implementasi aplikasi kali ini meliputi : lingkungan implementasi, implementasi data, implementasi antarmuka dan implementasi proses.

4.1. Kebutuhan Hardware dan Software

Pada bagian ini akan dijelaskan mengenai perangkat keras dan perangkat lunak yang digunakan pada implementasi aplikasi ini.

Kebutuhan Hardware :

a. Komputer dengan processor Intel(R) Core(TM)2Duo CPU T6400 2,00GHz b. RAM (2048MB)

c. VGA Card share memory up to 1274 MegaByte d. Monitor 14”

e. Hard Disk 320 GigaByte Kebutuhan Software : a. Sistem OperasiWindows 7. b. Matlab 7.0

4.2. Implementasi Data

Seperti yang telah dijelaskan secara konseptual pada Bab 3, maka data yang akan diimplementasikan pada aplikasi ini berupa gambar-gambar tambak yang telah diambil melalui google satelit yang nantinya akan diproses melalui beberapa tahapan. Dimana output berupa tampilan piksel, meter ².

4.3. Implementasi Antarmuka

Pada implementasi antarmuka ini merupakan interaksi antara pemakai (user) dengan sistem. Halaman form utama ini merupakan tampilan awal saat program dijalankan. Pada form utama ini terdapat program secara keseluruhan beserta dengan prosedur-prosedur programnya. Pada masing – masing menu memiliki fungsi yang berbeda – beda pada aplikasi ini. Berikut penjelasan dari setiap form pada menu utama ini :

a. Load : untuk membuka file yang akan diproses. b. Proses : untuk melakukan proses deteksi tepi. c. Pixel : untuk melakukan proses jumlah pixel. d. Meter ² : untuk melakukan proses jumlah meter ².

e. Open : untuk melakukan proses membuka file yang telah diedit diphotoshop untuk dilakukan proses perbandingan. f. Hitung : untuk mengetahui nilai preccion dan recall berapa persen

keakuratan dari uji program dengan image sebenarnya.

Pada tampilan form utama ini terdapat8 kolom yang mempunyai fungsi berbeda-beda. Kolom pertama dengan nama image berfungsi untuk menampilkan image yang akan diproses. Kolom kedua dengan nama grayscale berfungsi untuk

merubah citra yang berwarna menjadi keabu-abuan. Kolom ketiga diberi nama sobel yaitu sebuah kolom yang menampilkan hasil deteksi tepi dari metode sobel. Kolom keempat adalah dilasi sebuah kolom yang menampilkan hasil dari metode deteksi sobel lalu di proses ke dilasi untuk penumbuhan atau penebalan dalam citra biner. Kolom kelima adalah closing sebuah kolom yang menampilkan hasil proses closing. Kolom keenam adalah invers sebuah kolom yang menampilkan hasil proses invers. Kolom ketujuh erosi adalah sebuah kolom yang menampilkan hasil dari proses erosi menghilangkan obyek-obyek kecil pada citra. Kolom kedelapan rekontruksi adalah sebuah kolom yang menampilkan hasil dari rekontruksi.. Terdapat pula jumlah pixel, jumlah meter², yang ditampilkan sesuai dengan image yang telah dimasukkan. Information image itu berupa pixel dan

meter².

4.4. Implementasi Proses

Bagian implementasi proses ini menjelaskan mengenai implementasi proses-proses sesuai dengan konsep yang telah dibuat pada bab 3. Seperti yang telah digambarkan dalam flowchart.

4.4.1. Load

Pada proses load ini, yaitu merupakan sebuah proses yang bertujuan untuk menampilkan inputan berupa gambar. Gambar yang dapat dibuka hanya gambar yang berformat jpg, bmp, png, tif.

% --- Executes on button press in load.

function load_Callback(hObject, eventdata, handles)

% hObject handle to load (see GCBO)

% handles structure with handles and user data (see GUIDATA)

proyek=guidata(gcbo);

[namafile,direktori]=uigetfile({'*.jpg';'*.bmp';'*.png';'*.t

if'},'Open Image');

if isequal(namafile,0)

return;

end

eval(['cd ''' direktori ''';']);

I=imread(namafile);

set(proyek.figure1,'CurrentAxes',proyek.axes1);

set(imshow(I));

set(proyek.figure1,'userdata',I);

set(proyek.axes1,'userdata',I);

Gambar 4.1 Source code load image

4.4.2. Proses

Pada tahap selanjutnya dilakukan proses, image yang berwarna citra RGB akan dirubah menjadi grayscale terlebih dahulu baru setelah itu dilakukan proses deteksi tepi sobel untuk mengubah citra menjadi hitam putih, lalu dilakukan proses dilasi untuk menyambungkan garis yang terputus, lalu dilakukan proses closing, invers, erosi, rekontruksi. Hal demikian dilakukan untuk mempermudah proses pendeteksian tepi.

% --- Executes on button press in proses.

function proses_Callback(hObject, eventdata, handles)

% hObject handle to proses (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

proyek=guidata(gcbo);

I=get(proyek.axes1,'userdata');

gray=rgb2gray(I);

set(proyek.figure1,'CurrentAxes',proyek.axes2);

set(imshow(gray));

set(proyek.axes2,'userdata',I);

%sobel

BW=gray;

for i=2:319

for j=2:319

BW(i,j)=deteksi_sobel(gray,i,j);

end;

set(proyek.figure1,'CurrentAxes',proyek.axes3);

set(imshow(BW));

set(proyek.axes3,'Userdata',I);

%dilasi

se= strel ('disk',1);

b= imdilate(BW,se);

set(proyek.figure1,'CurrentAxes',proyek.axes4);

set(imshow(b));

set(proyek.axes4,'Userdata',I);

%closing

se= strel ('disk',15);

d= imclose(b,se);

set(proyek.figure1,'CurrentAxes',proyek.axes5);

set(imshow(d));

set(proyek.axes5,'Userdata',I);

%invers

x=imcomplement (d);

set(proyek.figure1,'CurrentAxes',proyek.axes6);

set(imshow(x));

set(proyek.axes6,'Userdata',I);

%erosi

se= strel ('disk',40);

e= imerode (x,se);

set(proyek.figure1,'CurrentAxes',proyek.axes7);

set(imshow(e));

set(proyek.axes7,'Userdata',I);

%rekontruksi

r=imreconstruct (e,x);

set(proyek.figure1,'CurrentAxes',proyek.axes8);

set(imshow(r));

set(proyek.axes8,'Userdata',I);

Gambar 4.2 Source Code Proses

4.4.3. Proses Pixel

Berikut adalah source code dari proses pixel :

% --- Executes on button press in pixel.

function pixel_Callback(hObject, eventdata, handles)

% hObject handle to pixel (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

proyek=guidata(gcbo);

BW=edge(gray,'sobel');

se= strel ('disk',1);

b= imdilate(BW,se);

se= strel ('disk',15);

d= imclose(b,se); x=imcomplement (d);

se= strel ('disk',40);

e= imerode (x,se); r=imreconstruct (e,x); luas=sum (sum(r));

set(proyek.edit2,'string',luas);

Gambar 4.3 Source Code Pixel

Pada gambar 4.3 proses yang dilakukan merubah citra menjadi grayscale, kemudian membuat image hitam putih dan metode deteksi tepi Sobel, Dilasi, Closing, Invers, Erosi, dan Rekontruksi lalu dilakukan proses hitung jumlah pixel.

4.4.4. Proses Meter ²

Pada proses ini luas meter2 di hitung dengan skala yang telah terhitung. Jadi pixel*skala sama dengan hasil meter2. Hasil ini akan diproses ke tahap berikutnya.

% --- Executes on button press in pushbutton6.

function pushbutton6_Callback(hObject, eventdata,

handles)

% hObject handle to pushbutton6 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

proyek=guidata(gcbo);

I=get(proyek.axes1,'Userdata');

gray=rgb2gray(I);

BW=edge(gray,'sobel');

se= strel ('disk',1);

b= imdilate(BW,se);

se= strel ('disk',15);

d= imclose(b,se); x=imcomplement (d);

se= strel ('disk',40);

e= imerode (x,se); r=imreconstruct (e,x); luas=sum(sum(r)); y=0.4843;

set(proyek.edit3,'String',luas*y);

Gambar 4.4 Source Code Meter² 4.4.5. Proses Open

Pada proses open ini untuk menampilkan image yang telah diproses dari open dari gambar image photoshop, setelah itu dilakukan proses citra biner untuk mendapatkan citra binernya, setelah mendaptkan image citra binernya dilakukan sebuah perhitungan preccion dan recall.

% --- Executes on button press in pushbutton8.

function pushbutton8_Callback(hObject, eventdata, handles)

% hObject handle to pushbutton8 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

proyek=guidata(gcbo); [ namafile,direktori

]=uigetfile({'*.jpg';'*.bmp';'*.png';'*.tif'},'Open Image');

if isequal(namafile,0)

return;

end

eval(['cd ''' direktori ''';']);

z=imread(namafile); s = rgb2gray(z); s1= im2bw(s);

set(proyek.figure1,'CurrentAxes',proyek.axes13);

set(imshow(s1));

set(proyek.figure1,'userdata',z);

set(proyek.axes13,'userdata',z);

Gambar 4.5 Source Code Open 4.4.6. Hitung

Pada hitung ini untuk menampilkan nilai tp, fp, fn, tn yang telah diproses dari open dari gambar image photoshop, setelah itu dilakukan proses hitung untuk mendapatkan nilai tp, fp, fn, tn, setelah mendapatkan nilai tersebut dilakukan sebuah perhitungan preccion dan recall.

% hObject handle to pushbutton10 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

%TP

proyek=guidata(gcbo);

I=get(proyek.axes1,'Userdata');

gray=rgb2gray(I);

BW=edge(gray,'sobel');

se= strel ('disk',1);

b= imdilate(BW,se);

se= strel ('disk',15);

d= imclose(b,se); x=imcomplement (d);

se= strel ('disk',40);

e= imerode (x,se); r=imreconstruct (e,x);

proyek=guidata(gcbo);

z=get(proyek.axes13,'userdata');

s = rgb2gray(z); s1= im2bw(s); tp=r&s1;

sb=sum(sum(tp));

set(proyek.edit5,'string',sb);

%FP

proyek=guidata(gcbo);

I=get(proyek.axes1,'Userdata');

gray=rgb2gray(I);

BW=edge(gray,'sobel');

se= strel ('disk',1);

b= imdilate(BW,se);

se= strel ('disk',15);

d= imclose(b,se); x=imcomplement (d);

se= strel ('disk',40);

e= imerode (x,se); r=imreconstruct (e,x);

proyek=guidata(gcbo);

z=get(proyek.axes13,'userdata');

s = rgb2gray(z); s1= im2bw(s); fp=r&(1-s1); sc=sum(sum(fp));

set(proyek.edit6,'string',sc);

%FN

proyek=guidata(gcbo);

I=get(proyek.axes1,'Userdata');

gray=rgb2gray(I);

BW=edge(gray,'sobel');

se= strel ('disk',1);

4.5.3. Tabel Evaluasi (Preccion dan Recall)

No. Citra Hasil Program

Citra Hasil Ideal

Luas Evaluasi Hasil

Program Preccion Recall

1. 33786.2 97% 98%

2. 28522.4 98% 98%

3. 34581.9 89% 99%

4. 29845 99% 96%

5. 31112.4 99% 97%

6. 28830.4 95% 96%

Hak Cipta © milik UPN "Veteran" Jatim :

72

7. 30112.8 100% 83%

8. 23758.8 88% 95%

Rata-Rata : 95% 95%

Tabel 4.1 Tabel Preccion dan Recall

73 5.1 Kesimpulan

Setelah dilakukan pembahasan teori, perancangan aplikasi, dan pengujian terhadap aplikasi pada bab-bab sebelumnya, maka pada bab penutup ini akan diambil kesimpulan serta saran pengembangan dari tugas akhir “Mengukur Luas Tambak Pada Citra Google Satelit Dengan Menggunakan Metode Deteksi Tepi Sobel” ini. a) Mengukur luas tambak dari citra google satelit dengan menggunakan metode

deteksi tepi sobel dilakukan dengan proses mencari image tambak harus memperhatikan jarak pengambilan image pada google satelit, karena hal itu sangat berpengaruh terhadap keberhasilan pada proses deteksi tepi tambaknya. Pada proses untuk mengetahui obyek yang tersisah dengan utuh, image harus diproses melalui operasi citra digital antara lain grayscale, sobel, dilasi, closing,

invers, erosi, rekontruksi, terlebih dahulu agar gambar mudah diproses, kemudian

gambar akan dihitung dalam piksel dan meter2 untuk mengetahui luas tambak tersebut.

b) Pada tugas akhir ini bertujuan memberikan kemudahan kepada masyarakat untuk dapat mengetahui hasil meter2 tanpa harus mengukur tambak pada tambak sebenarnya, aplikasi ini sangat efesien bagi masyarakat untuk mengetahui luas tambak tersebut dan aplikasi ini sangat membantu masyarakat untuk mengukur luas tambak.

Hak Cipta © milik UPN "Veteran" Jatim :

74

c) Dari beberapa hasil uji program dapat menemukan hasil rata-rata preccion 95% dan recall 95% untuk mengetahui hasil keakuratan dari hasil uji program tersebut.

5.2 Saran

Dalam penulisan skripsi ini, masih banyak terdapat kekurangan disetiap segi materinya. Oleh karena itu, diharapkan saran dan kritik dari para pembaca yang bersifat membangun untuk kedepannya sehingga penulisan tentang tugas akhir ini menjadi lebih baik lagi. Diharapkan bagi para pembaca untuk melengkapi dan mengkaji lebih jauh lagi tentang deteksi tepi dalam melakukan penelitian selanjutnya, Selain itu program yang dibuat diharapkan bisa lebih baik lagi.

a) Penelitian dapat dilakukan pada objek yang berbeda, misalkan menghitung luas sawah, menghitung luas pulau, menghitung luas rumah dan sebagainya.

b) Dapat dikembangkan ke dalam satuan hektarnya untuk mengetahui hasil perhektarnya.

75

darihttp://webdocs.cs.ualberta.ca/~eisner/meaures.html

Agung Priyo, (2005), Pengolahan Citra, diakses tanggal 1 Februari 2013. darihttp://elib.unikom.ac.id/download.php?id=4659

Anonim, (1996), ArtificialIntelligence, diakses pada tanggal 10 september 2012. darihttp://www.its.bldrdoc.gov/fs-1037/dir-003/_0371.html

Ardiantoro, (2010), Pengolahan Citra, diakses pada tanggal 25 Maret 2013. darihttp://jaming89.wordpress.com/2010/09/28/pengolahan-citra-digital Asmitot, (2010), Invers, diakses pada tanggal 14 April 2013.

darihttp://id.shvoong.com/law-and-politics/law/inverskadastral.html Dougherty, (2009), Structuring Element,Erosi,Dilasi,Closing, Rekontruksi,

diakses pada tanggal 18 April 2013. darihttp://en.wikipedia.org/wiki/Invers

Gunaidi Abdia. 2006, Flowchart. Bandung : Teknik Informatika

Harlick dan Shapiro, (1992), Image. diakses pada tanggal 10 september 2012. dari http://www.wgplc.com/international/security/numberplate.html. Krishna, (2012), Morfologi. diakses pada tanggal 11 Maret 2013.

darihttp://webdocs.cs.ualberta.ca/~eisner/measures.html

Kulkarni, (2001), Computer vision. diakses pada tanggal 10 september 2012. darihttp://www.wgplc.com/international/security/numberplate.html

Landung Pambudi, (2008), Indetifikasi Tsunami Dengan Menggunakan Segmentasi. diakses pada tanggal 5 Februari 2013.

darihttp://eprints.undip.ac.id/25961/1/ML2F301454.pdf

Lia Amelia, Sobel Dalam Mendeteksi Tepi Suatu Citra Digital, Universitas Pendidikan Indonesia, 2012 repository.upi.edu

Prasetyo Eko, (2011), Pengolahan Citra Digital Dan Aplikasinya Menggunakan Matlab

Suwono Eko, (2010), Elemen Citra, diakses pada tanggal 22 April 2013. darihttp://ekosuwono.wordpress.com/2010/01/13/elemen-elemen-citra- digital.html

Hak Cipta © milik UPN "Veteran" Jatim :

76

Shapiro, L.G. and Stockman, G.C., (2001), Analog Image dan Digital Image, diakses pada tanggal 2 Februari 2013.

darihttp://digilib.ittelkom.ac.id/index.php

Susanto Agus, (2010), Citra RGB dan Grayscale. diakses pada tanggal 28 April 2013. darihttp://citra-rgb-dan-grayscale.html

Teuinsuksa, (2009), Guide Matlab, diakses pada tanggal 5 Februari 2013.

darihttp://modul-guideuploader-by-Teuinsuksa2009-wordpress-com.pdf

Usman Ahmad, (2005), Pengolah Citra Digital & Teknik Pemogramannya. Graha Ilmu, yogyakarta.