BAB II LANDASAN TEORI
2.1 Meteran Air Meteran air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor, unit penghitung, dan unit indikator pengukur untuk menyatakan volume air yang lewat. Sedangkan badan meter air merupakan bagian utama yang ditengahnya merupakan ruang untuk menempatkan alat hitung dan mempunyai saluran masuk dan saluran keluar pada sisi yang berlawanan. (SNI 2547:2008) Komponen meter air terdiri dari : 1. Rumah meter air 2. Badan meter air 3. Kepala meter air 4. Tutup meter air 5. Katup meter air 6. Rib 7. Inner 8. Rumah katup 9. Katup pintu 10. Poros katup 11. Debit
2.1.1 Peranan meter air Meter air memiliki peranan sebagai berikut : 1. Meter air memastikan kepada pelanggan mengenai biaya yang dikenakan sesuai dengan proporsi air yang dikonsumsi. 2. Sistem untuk menunjukkan proses akuntabilitas.
II-1
II-2
3. Meter air bersifat adil pada setiap pelanggan karena mampu merekam setiap penggunaan air tertentu. 4. Meter air mampu mendorong pelanggan untuk melakukan penghematan air terutama jika dibandingkan tingkat tarif. 5. Sistem utilitas yang mampu memantau volume air yang keluar. 6. Meter air membantu dalam deteksi kebocoran dan pipa yang patah dalam distribusi air minum. (Zane,2004)
2.1.2 Kapasitas Meter Air Meter air memiliki kapasitas sebagai berikut : 1. Kemampuan ukur maksimum (Qmaks). 2. Kemampuan ukur nominal (Qn). 3. Batas peralihan (Qt). 4. Kemampuan ukur minimum (Qmin). 5. Kepekaan (Starting Flow). 6. Batas lingkup beban. 7. Kesalahan maksimum yang diizinkan. 8. Kehilangan tekanan.
2.1.3 Klasifikasi Meter Air Meter air memiliki klasifikasi yang terdiri dari : 1. Jenis meter air berdasarkan pemakaian alat hitung. 2. Jenis meter air berdasarkan sistem pengaliran. 3. Jenis meter air masuknya air ke lubang/pori sebagai penggerak turbin. 4. Jenis meter air berdasarkan konstruksinya[5].
II-3
Gambar 2.1 Komponen Dasar Meter Air[6] Tiga komponen di atas adalah susunan dasar dari sebuah meter air. Untuk bagian display dapat kita lihat dibagian bawah berikut ini.
Gambar 2.2 Meteran Air[7] 1. Tipe meter adalah jenis meter yang menjadi acuan pembuatan meter itu apakah multijet atau singlejet. 2. Nominal flowrate(Qn) adalah debit acuan (nominal) tingkat kemampuan ukur meter air. 3. Metrology class adalah klarifikasi kelas meter berdasarkan nilai akurasi. Meter dengan kelas C akan lebih akurasi jika dibandingkan meter kelas B dan seterusnya.
II-4
2.1.4 Pembacaan Meter Air Pembacaan meter merupakan kegiatan membaca indeks meter air yang terlihat pada register/totalister. Metode pembacaan meter air : 1. Pembacaan manual : meter dibaca langsung secara manual dengan melihat langsung di lokasi meter air. 2. Pembacaan otomatis (Automatic Meter Reading) : meter dibaca dengan menggunakan bantuan alat dan meter tidak langsung didatangi.
2.1.5 Indeks Meter Air Indeks meter air terdiri dari dua warna (ISO) 1. Warna hitam Menunjukkan satuan m3, digunakan sebagai dasar penghitungan tagihan. 2. Warna merah Menunjukkan satuan liter, digunakan untuk pengujian meter air[7].
2.2 Pengolahan Citra Digital Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Umumnya, operasi – operasi pada pengolahan citra diterapkan pada citra bila [JA189]: 1. Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra, 2. Elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur, 3. Sebagian citra perlu digabung dengan bagian citra yang lain. Di dalam bidang komputer, sebenarnya ada tiga bidang studi yang berkaitan dengan data citra, namun tujuan ketiganya berbeda, yaitu : 1. Grafika komputer (computer graphics),
II-5
2. Pengolahan citra (image processing), 3. Pengenalan pola (pattern recognition/image interpretation).
Gambar 2.3 Tiga bidang studi yang berkaitan dengan citra[8]
Pengolahan citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (dalam hal ini komputer). Teknik – teknik pengolahan citra mentransformasikan citra menjadi citra yang lain. Jadi, masukannya adalah citra dan keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih baik daripada citra masukan. Termasuk ke dalam bidang ini juga adalah pemampatan citra (image compression).
2.2.1 Operasi-operasi dalam Pengolahan Citra Operasi-operasi yang dilakukan di dalam pengolahan citra banyak ragamnya. Namun, secara umum, operasi pengolahan citra dapat diklasifikasikan dalam beberapa jenis sebagai berikut: 1. Perbaikan kualitas citra (image enhancement). Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan cara memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri khusus yang terdapat di dalam citra lebih ditonjolkan. Contoh-contoh operasi perbaikan citra: a. perbaikan kontras gelap/terang b. perbaikan tepian objek (edge enhancement)
II-6
c. penajaman (sharpening) d. pembrian warna semu (pseudocoloring) e. penapisan derau (noise filtering) Gambar 2.4 adalah contoh operasi penajaman. Operasi ini menerima masukan sebuah citra yang gambarnya hendak dibuat tampak lebih tajam. Bagian citra yang ditajamkan adalah tepi-tepi objek.
Gambar 2.4 (a) Citra Lena asli, (b) Citra Lena setelah ditajamkan
2. Pemugaran citra (image restoration). Operasi ini bertujuan menghilangkan/meminimumkan cacat pada citra. Tujuan pemugaran citra hampir sama dengan operasi perbaikan citra. Bedanya, pada pemugaran citra penyebab degradasi gambar diketahui. Contoh-contoh operasi pemugaran citra: a. penghilangan kesamaran (deblurring). b. penghilangan derau (noise)
3. Pemampatan citra (image compression). Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting
II-7
yang harus diperhatikan dalam pemampatan adalah citra yang telah dimampatkan harus tetap mempunyai kualitas gambar yang bagus.
4. Segmentasi citra (image segmentation). Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa segmen dengan suatu kriteria tertentu. Jenis operasi ini berkaitan erat dengan pengenalan pola. 5. Pengorakan citra (image analysis) Jenis operasi ini bertujuan menghitung besaran kuantitif dari citra untuk menghasilkan deskripsinya. Teknik pengorakan citra mengekstraksi ciri-ciri tertentu yang membantu dalam identifikasi objek. Proses segmentasi kadangkala diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya. Contoh-contoh operasi pengorakan citra: a. Pendeteksian tepi objek (edge detection) b. Ekstraksi batas (boundary) c. Representasi daerah (region)
6. Rekonstruksi citra (image reconstruction) Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam bidang medis. Misalnya beberapa foto rontgen dengan sinar X digunakan untuk membentuk ulang gambar organ tubuh[8].
2.2.1 Cropping Cropping adalah proses pemotongan citra pada koordinat tertentu pada area citra. Untuk memotong bagian dari citra digunakan dua koordinat, yaitu koordinat awal yang merupakan awal koordinat bagi citra hasil pemotongan dan koordinat akhir yang merupakan titik koordinat akhir dari citra hasil pemotongan. Sehingga akan membentuk bangun segi empat yang mana tiap-tiap pixel yang ada pada area koordinat tertentu akan disimpan dalam citra yang baru.
II-8
Citra di crop citra hasil cropping Gambar 2.5 (a) citra asli, (b) citra hasil cropping[9] Matlab juga menyediakan fungsi untuk melakukan cropping (pemotongan bagian tertentu dari gambar menjadi matrik baru yang independen). Fungsi tersebut yaitu Imcrop(matrik_gambar,matrik_titiksudut_crop);[9]
2.2.2 Citra Biner Dalam banyak aplikasi yang melibatkan citra, sangat berguna untuk memisahkan wilayah objek yang kita perlukan dari wilayah-wilayah lain yang tidak kita perlukan yang dikenal dengan background. Proses thresholding sering menyediakan cara yang mudah dan nyaman untuk melakukan segmentasi citra dengan cara membedakan intensitas atau warna antara objek (foreground) dengan latar belakang (background). Kadang thresholding juga sangat penting untuk dapat melihat daerah dari sebuah citra yang nilai pixelnya terletak dalam range atau band intensitas (atau warna). Proses thresholding ini akan menghasilkan citra biner. Citra biner (binary image) adalah citra yang hanya mempunyai 2 nilai derajat keabuan yaitu hitam dan putih, biasanya 0 menyatakan hitam (backgorund) dan 1 atau 255 untuk putih (foreground). Tetapi ketentuan tersebut juga bergantung dari citra yang dithresholdkan. Meskipun saat ini citra yang
II-9
berwarna lebih disukai karena memberi kesan yang lebih kaya daripada citra biner, namun tidak membuat citra biner mati. Pada beberapa aplikasi citra biner masih tetap dibutuhkan, misalnya citra logo instansi (yang harus terdiri atas warna hitam dan putih), citra kode batang (bar code) yang tertera pada label barang, citra hasil scanning dokumen teks, dan sebagainya. Seperti yang telah diterangkan citra biner hanya memiliki 2 derajat keabuan, pixel-pixel objek bernilai 1 dan pixel-pixel latar belakang 0. Pada waktu menampilkan gambar, 0 adalah putih dan 1 adalah hitam. Jadi pada citra biner, latar belakang berwarna putih dan objeknya berwarna hitam. Keuntungan citra biner antara lain : 1. Kebutuhan memori kecil, 2. Waktu pemrosesan lebih cepat. Citra biner didapatkan dari meng-threshold-kan citra grayscale. Operasi thresholding akan mengelompokkan nilai derajat keabuan setiap pixel ke dalam 2 kelas, yaitu hitam dan putih. Dalam program untuk menghasilkan citra hitam dan putih dapat menggunakan fungsi im2bw[10].
2.3 Template Matching Template matching adalah teknik di pengolahan citra digital untuk menemukan bagian-bagian kecil dari suatu gambar yang cocok dengan template gambar[3]. Hal ini dapat digunakan dalam pembuatan sebagai bagian dari kontrol kualitas[11], cara untuk menavigasi mobile robot[12], atau sebagai cara untuk mendeteksi tepi dalam gambar[13]. Pada penelitian ini, template matching digunakan untuk membandingkan antara citra masukan dengan citra acuan. Citra masukan akan mempunyai tingkat kemiripan sendiri (similarity) terhadap masing-masing citra acuan. Bila nilai
II-10
tingkat kemiripan berada di bawah nilai batas ambang (similarity threshold) maka citra objek tersebut dikategorikan sebagai objek tidak dikenal. Menurut Andriessen[2] pada prinsipnya metode template matching memiliki karakteristik antara lain relatif mudah untuk diaplikasikan dalam teknik pengolahan citra digital dan hasilnya mendeteksi kesalahan hingga ukuran pixel. Prinsip metode ini adalah membandingkan antara citra streaming yang akan dikenali dengan citra sampel (template). Citra objek yang akan dikenali mempunyai tingkat kemiripan sendiri terhadap masing-masing citra sampel (template). Pengenalan dilakukan dengan melihat nilai tingkat kemiripan tertinggi dan nilai batas ambang pengenalan dari citra objek tersebut. Bila nilai tingkat kemiripan berada di bawah nilai batas ambang maka citra objek tersebut dikategorikan sebagai objek tidak dikenal. Pada prinsipnya metode template matching memiliki karakteristik antara lain: 1. Relatif mudah untuk diaplikasikan dalam teknik pengolahan citra digital. 2. Hasilnya relatif sangat akurat karena mendeteksi kesalahan hingga ukuran pixel. 3.Metode ini cukup rentan terhadap perbedaan orientasi antara citra sampel (template) dengan citra yang akan diidentifikasi, yang meliputi: ukuran, posisi dan kualitas citra. 4. Untuk mendapatkan hasil yang maksimal maka metode ini sangat tergantung pada teknik pengolahan citra digital yang lain seperti enhancement, color filtering, dll[14].
Gambar 2.6 Metode Template Matching[15]
