BINERISASI MANUSKRIP NUSANTARA MENGGUNAKAN ALGORITMA NIBLACK

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

BINERISASI MANUSKRIP NUSANTARA MENGGUNAKAN ALGORITMA NIBLACK

SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Program Studi Teknik Informatika

Oleh : Kautsar Rusydi Rahmatullah 135314093

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2017


BINERISASI MANUSKRIP NUSANTARA MENGGUNAKAN ALGORITMA NIBLACK SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Jurusan Teknik Informatika

Oleh : Kautsar Rusydi Rahmatullah 135314093

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2017

i


BINARIZATION OF NIBLACK ALGORITHM ON ARCHIPELAGO MANUSCRIPT A THESIS Presented as a Partial Fullfillment of The Requiments To Obtain The Sarjana Teknik Degree In Informatics Engineering Study Program

Created by : Kautsar Rusydi Rahmatullah 135314093

INFORMATICS ENGINEERING STUDY PROGRAM FACULTY OF SAINS AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2017

ii


iii


HALAMAN MOTO DAN PERSEMBAHAN

Karya ini saya persembahkan kepada :

Kedua Orang Tuaku Adik-adikku Pihak yang selalu menyemangatiku

iv


v


vi


vii


ABSTRAK

Bangsa Indonesia merupakan bangsa yang memiliki banyak keberagaman, salah satu keberagamannya adalah bahasa yang digunakan untuk komunikasi disetiap harinya. Pada jaman dahulu pesan yang akan disampaikan dituliskan pada prasasti, kertas, dan daun lontar. Pesan yang dituliskan pada kertas tersebutlah yang dikatakan dengan manuskrip. Tindak lanjut dari dokumentasi secara digital ini adalah dengan merubah suatu manuskrip Nusantara menjadi informasi yang dapat dipahami oleh banyak orang. Untuk mendapatkan informasi pada citra digital ini diperlukan teknik, yaitu pemrosesan citra untuk mendapatkan informasi berbentuk visual. Pemrosesan citra terbagi menjadi beberapa tahapan diantaranya yaitu binerisasi. Binerisasi termasuk tahapan saat pre-processing atau tahap awal pada pemrosesan citra. Binerisasi sendiri memiliki arti untuk merubah nilai piksel suatu citra apakah bernilai nol(piksel berwarna hitam) atau satu(piksel berwarna putih). Tujuan menjadikan citra berjenis biner adalah untuk dapat memisahkan antara background dan foreground, hal ini dilakukan untuk mendapatkan objek-objek yang ada pada citra untuk dikenai pengolahan citra lebih lanjut, seperti pengenalan karakter. Berdasarkan percobaan dengan menggunakan 10 citra manuskrip Nusantara, dengan menggunakan local windowing yang berbeda-beda diperoleh bahwa ratarata akurasi membinerkan citra manuskrip Nusantara dengan metode Niblack adalah

87,5035%

menggunakan

local

windowing

empat

bagian,

yang

dikalkulasikan dengan nilai koefisien Niblack sebesar -0,2 dan waktu konsumsinya adalah 2,18514s. Dari hasil percobaan dapat disimpulkan bahwa algoritma Niblack dapat dipergunakan untuk membinerisasikan manuskrip aksara Nusantara. Kata kunci : manuskrip Nusantara, binarisasi, algoritma Niblack.

viii


ABSTRACT

Indonesia is the nation which has many diversity, one of which diversity is the language

which is used for communication in everyday. Long time ago

message is wrote on

prasasti, paper, and lontar leaf. A message that wrote on

paper is called manuscript. The next step for digital documentation is by changed manuscript became an information what can be understanding by another people. To get the information from digital image its needed a technique, the technique is image processing to get information in visual form. Image proccessing is split by some stop, among others is binarization step. Binarization is belonging on pre-processing step or beginning step on image proccessing. Binarization has meaning to changed pixel value became zero(black colour pixel) and one(white colour pixel). The main goal to make image became biner type is to split between backround and foreground, this things is for getting an obect which is exist on image to charged the next step of image processing, like a pattern recognition. Based on experimentation using 10 nation manuscript

image, which is

using different local windowing , this research obtained average accuracy to binarizing nation manuscript image with Niblack algorithm is 87,5035% it is also using local windowing zero part, which is calculated with Niblack coefficient in amount of -0,2 and time consuming is 2,18514s. From experimentation can be concluded that Niblack algorithm can be used for binarizing nation manuscript image.

Keywords : Nation manuscript, binarization, Niblack algorithm.

ix


KATA PENGANTAR

Puji dan Syukur saya sampaikan kepada Allah Yang Maha Esa atas segala hal-hal yang telah diberikanya kepada saya, sehingga saya mampu untuk mengerjakan tugas akhir saya yang berjudul “BINERISASI MANUSKRIP NUSANTARAMENGGUNAKAN ALGORITMA NIBLACK” sampai selesai. Dalam menyelesaikan penelitian tugas akhir ini, penulis tak lepas dari doa, bantuan, dukungan, dan motivasi dari beberapa pihak. Oleh karena itu penulis ingin mengucapkan banyak terima kasih kepada : 1. Allah SWT, atas

berkatnya yang diberikan kepada saya untuk

menyelesaikan tugas akhir ini. 2. Ibu Dr. Anastasia Rita Widiarti selaku dosen pembimbing saya, yang telah memberikan saya banyak ilmu mengenai topik tugas akhir saya, dan saransaran dari beliau yang membuat saya bangkit ketika sedang kesulitan untuk melanjutkan penelitian saya. 3. Bapak Dr. Linggo Sumarno selaku dosen yang memberikan saran ketika saya tidak menemukan solusi atas permasalahan yang saya temukan selama melakukan penelitian. 4. Segenap Dosen dan Karyawan yang membantu saya secara akademis selama menjadi mahasiswa Universitas Sanata Dharma. 5. Ibu

Vita

Sulviana

yang

selalu

memberikan

doa-doanya

untuk

menyelesaikan tugas akhir saya. 6. Teman yang selalu memberikan saya motivasi untuk selalu belajar, Theodora Ratri Dewanti. 7. Sahabat terdekat saya yang selalu dapat menjadi tempat untuk bertukar ilmu serta memerikan banyak saran, Tommy Nugraha Manoppo, Irenius Kristanto Riyadi, dan Martin Nugraha. 8. Teman-teman sesama tugas akhir, Purbarini Sulysthian, Ronny Gunadi, Yoga Arkadia, Yenni Tresnawati, Dwi Putra Prihandito, Birgitta Ranindya Siwi, Bella Fitria Tami, Yenni Tresnawati, Stefanus Kasih Handoyo,

xviii


xix


DAFTAR ISI

SKRIPSI ...................................................................................................................i A THESIS ...............................................................................................................ii SKRIPSI .................................................................................................................. v HALAMAN MOTO DAN PERSEMBAHAN ................................................ iv HALAMAN PENGESAHAN ................................................................................ v PERNYATAAN KEASLIAN HASIL KARYA .................................................. vi LEMBAR PERNYATAAN PERSETUJUAN ................................................... vii ABSTRAK ........................................................................................................... viii ABSTRACT ........................................................................................................... ix KATA PENGANTAR ....................................................................................... xviii DAFTAR ISI ........................................................................................................ xix DAFTAR GAMBAR ......................................................................................... xxiii DAFTAR TABEL.............................................................................................. xxiii BAB I ...................................................................................................................... 1 1.1.

Latar Belakang Masalah ........................................................................ 1

1.2.

Rumusan Masalah .................................................................................. 2

1.3.

Tujuan Penelitian ................................................................................... 2

1.4.

Manfaat Penelitian ................................................................................. 3

1.5.

Batasan Masalah ..................................................................................... 3

1.6.

Metodologi Penelitian............................................................................. 3

1.7.

Sistematika Penulisan ............................................................................ 4

BAB II .................................................................................................................... 5 2.1.

Citra ......................................................................................................... 5

2.1.1.

Jenis Citra ........................................................................................ 5

2.1.2.

Objek Citra ...................................................................................... 9

2.1.3.

Format Citra .................................................................................... 9

2.2.

Threshold (Pengambangan) ................................................................. 10

2.2.1.

Local ............................................................................................... 10

xx


2.2.2. 2.3.

Binerisasi ............................................................................................... 11

2.3.1. 2.4.

Global.............................................................................................. 11 Niblack ............................................................................................ 12

Matlab.................................................................................................... 13

BAB III ................................................................................................................. 14 3.1.

Data ........................................................................................................ 14

3.2.

Alat ......................................................................................................... 15

3.2.1.

Kebutuhan Perangkat Keras : ..................................................... 15

3.2.2.

Kebutuhan Perangkat Lunak : .................................................... 15

3.3.

Tahapan Penelitian............................................................................... 15

3.3.1.

Studi Pustaka ................................................................................. 15

3.3.2.

Pengumpulan Data ........................................................................ 15

3.3.3.

Perancangan Sistem ...................................................................... 16

3.4.

Skenario Pengujian .............................................................................. 21

3.5.

Skenario Pengujian Akurasi ................................................................ 22

BAB IV ................................................................................................................. 24 4.1.

Implementasi Pre Processing ............................................................... 24

4.2.

Implementasi Proses Local Windowing .............................................. 26

4.2.1.

Bagi Gambar Nol bagian .............................................................. 27

4.2.2.

Bagi Gambar Empat Bagian ........................................................ 27

4.2.3.

Bagi Gambar Tiga Horizontal ..................................................... 29

4.2.4.

Bagi Gambar Tiga Vertikal.......................................................... 30

4.3.

Implementasi Proses Local Thresholding ........................................... 31

4.3.1.

Local Threshold Gambar Nol Bagian ......................................... 31

4.3.2.

Local Threshold Gambar Empat Bagian .................................... 32

4.3.3.

Local Threshold Gambar tiga Bagian ......................................... 34

4.3.4.

Binerisasi Niblack .......................................................................... 36

4.3.5.

Implementasi Tic Toc .................................................................... 37

4.4.

Implementasi Penggabungan Local Window...................................... 37

4.5.

Implementasi User Interface ............................................................... 41

BAB V ................................................................................................................... 42 xxi


5.1.

Hasil Citra Grayscaling ....................................................................... 42

5.2.

Hasil Local Window .............................................................................. 43

5.3.

Hasil Local Thresholding...................................................................... 45

5.4.

Hasil Penggabungan Local Thresholding ........................................... 46

5.5.

Analisis Presentase Jumlah Objek ...................................................... 48

5.6.

Analisis Waktu Proses Binerisasi ........................................................ 53

BAB VI KESIMPULAN DAN SARAN............................................................. 56 6.1.

Kesimpulan ........................................................................................... 56

6.2.

Saran ...................................................................................................... 57

DAFTAR PUSTAKA .......................................................................................... 58 LAMPIRAN......................................................................................................... 58

xxii


DAFTAR GAMBAR Gambar 2.1 Contoh Citra RGB ............................................................................... 6 Gambar 2.2 Contoh Citra Biner .............................................................................. 8 Gambar 2.3 Contoh Citra Grayscale....................................................................... 8 Gambar 2. 4 Diagram Alur Binerisasi................................................................... 11 Gambar 3.1 Contoh Data Manuskrip aksara Nusanta………………………. Gambar 3.2 Diagram Konteks

14

…………………………………………………17

Gambar 3.3 Diagram Alur Sistem

……………………………………………..17

Gambar 3. 4 Tahapan Pre-Processing Sistem ....................................................... 18 Gambar 3. 5Tahapan Processing Local Windowing ............................................. 19 Gambar 3. 6Tahapan Kombinasi Local Thresholding .......................................... 21 Gambar 4.1 Implementasi Load Citra ................................................................... 24 Gambar 4.2 Implementasi Grayscaling ................................................................. 25 Gambar 4.3 Contoh Citra Biner Menggunakan Metode Otsu............................... 26 Gambar 4.4 Potong Gambar Nol Bagian .............................................................. 27 Gambar 4.5 Potong Gambar Empat Bagian .......................................................... 27 Gambar 4.6 Potong Gambar Tiga Horizontal ....................................................... 29 Gambar 4.7 Potong Gambar Tiga Vertikal ........................................................... 30 Gambar 4. 8 Contoh Hasil Kalkulasi Local Threshold Nol Bagian ...................... 32 Gambar 4. 9 Contoh Hasil Kalkulasi Local Threshold Empat Bagian ................. 33 Gambar 4. 10 Contoh Hasil Kalkulasi Local Threshold Tiga Bagian .................. 35 Gambar 4. 11 Blok A dan C .................................................................................. 38 Gambar 4. 12 Blok B dan D .................................................................................. 38 Gambar 4. 13 Gabungan Blok A dan B ................................................................ 38 Gambar 4. 14 Gabungan Blok C dan D ................................................................ 38 Gambar 4. 15 Gabungan Blok A, B, C, dan D ...................................................... 38 Gambar 4. 16 Blok A, B, dan C ............................................................................ 39 Gambar 4. 17 Gabungan blok A, B, dan C ........................................................... 39

xxiii


Gambar 4. 18 Blok A, B, dan C ............................................................................ 40 Gambar 4. 19 Gabungan blok A, B, dan C ........................................................... 40 Gambar 4. 20 GUI Sistem ..................................................................................... 41 Gambar 5. 1 Akurasi Total .................................................................................... 52

xxiv


DAFTAR TABEL Tabel 2.1 Contoh Local Threshold........................................................................ 10 Tabel 2.4 Contoh matriks citra grayscale .............................................................. 13 Tabel 5.1 Contoh Hasil Citra HSV dan Grayscaling ............................................ 42 Tabel 5.2 Contoh Hasil Local Window................................................................. 43 Tabel 5.3 Contoh Hasil Local Threshold .............................................................. 45 Tabel 5.4 Hasil Penggabungan Local Window ..................................................... 46 Tabel 5.5 Perhitungan Akurasi Niblack ................................................................ 48 Tabel 5.6 Perhitungan Akurasi Otsu ..................................................................... 50 Tabel 5.7 Akurasi Rata-Rata ................................................................................. 51 Tabel 5.8 Waktu Konsumsi Metode Niblack ........................................................ 53 Tabel 5. 9 Waktu Konsumsi Metode Otsu ............................................................ 54 Tabel 5. 10 Waktu Konsumsi Rata-Rata ............................................................... 55

xxiii


BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Manuskrip Nusantara merupakan salah satu bagian peninggalan sejarah yang sangat berharga. Manuskrip Nusantara sudah ada semenjak zaman dahulu dan perkembanganya sangat pesat, hal ini ditandai dengan adanya aneka ragam manuskrip diberbagai daerah Nusantara. Pemanfaatan manuskrip Nusantara zaman dahulu sangatlah banyak, namun seiring perubahan waktu manuskrip Nusantara mulai menghilang dan rusak. Sangatlah disayangkan jika sejarah dari daerah yang banyak dikunjungi oleh para wisatawan hilang begitu saja. Para ahli manuskrip Nusantara pun semakin berkurang, sedangkan banyak peninggalan yang isinya dibuat menggunakan manuskrip, oleh karena itu diperlukan suatu tindakan untuk melestarikan manuskrip Nusantara tersebut, salah satu caranya adalah dengan mendokumentasikan secara digital. Tindak lanjut dari dokumentasi secara digital ini adalah dengan merubah suatu manuskrip Nusantara menjadi informasi yang dapat dipahami oleh banyak orang. Dalam proses pendokumentasian secara digital ini diperlukan teknik, yaitu pemrosesan citra untuk mendapatkan informasi berbentuk visual. Pemrosesan citra terbagi menjadi beberapa tahapan diantaranya yaitu binerisasi. Binerisasi termasuk tahapan saat pre-processing atau tahap awal pada pemrosesan citra. Binerisasi sendiri memiliki arti untuk merubah nilai piksel suatu citra apakah bernilai nol(piksel berwarna hitam) atau satu(piksel berwarna putih). Tujuan menjadikan citra berjenis biner adalah untuk dapat memisahkan antara background dan foreground, hal ini dilakukan untuk mendapatkan objek-objek yang ada pada citra untuk dikenai pengolahan citra lebih lanjut, seperti pengenalan karakter. Citra biner memiliki ukuran memori citra yang lebih sedikit dibandingkan dengan jenis lainya dan citranya mudah untuk di proses, hal ini disebabkan oleh nilai pikselnya yang hanya bernilai nol dan satu. Citra biner mudah didapatkan

1

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 2

karena, tidak memerlukan alat atau kamera yang bagus untuk mendapatkan citranya, karena citra biner tidak memerlukan perbedaan warna setiap pikselnya yang mendetail. Seluruh pemrosesan citra memerlukan tingkat akurasi yang tinggi oleh karena itu diperlukanlah komputasi menggunakan alat hitung. Setiap algoritma binerisasi belum tentu memiliki hasil yang sama ketika digunakan seperti penelitian yang dituliskan oleh Hafizan, dkk (2011) disebutkan bahwa algoritma terbaik untuk manuskrip Jawi adalah Niblack, namun dikatakan juga oleh para peneliti tersebut bahwa hal serupa belum tentu berlaku dengan manuskrip yang berbeda, karena hal tersebut penulis memilih menggunakan algoritma binerisasi Niblack untuk diterapkan di dalam penelitianya. Selain ingin membinerkan manuskrip aksara Nusantara menggunakan metode Niblack, penulis ingin membandingkan algoritma binerisasi Niblack dengan algoritma binerisasi Otsu yang berada di Matlab, dan penulis juga ingin menguji penggunaan waktu dan akurasi pembineran manuskrip algoritma Niblack di setiap karakter manuskrip Nusantara yang ada. 1.2. Rumusan Masalah Permasalahan yang akan diselesaikan dari penelitian ini : 1.

Berapa

hasil

akurasi

binerisasi

terhadap

manuskrip

Nusantara

menggunakan algoritma Niblack? 2.

Berapa waktu yang dibutuhkan untuk membinerisasi manuskrip Nusantara menggunakan algoritma Niblack?

1.3. Tujuan Penelitian Tujuan dari penilitian yang dilakukan adalah : 1.

Mengetahui persentase akurasi keberhasilan algoritma Niblack dalam membinerisasikan manuskrip Nusantara.

2.

Mengetahui

penggunaan

waktu

pada

membinerisasikan manuskrip Nusantara.

algoritma

Niblack

dalam


1.4. Manfaat Penelitian Penelitian ini diharapkan dapat memberikan manfaat berupa : 1. Peneliti dapat menjaga kelestarian dari manuskrip Nusantara yang semakin terkikis. 2. Peneliti dapat memotivasi calon para peneliti lain dalam melestarikan manuskrip Nusantara. 1.5. Batasan Masalah Batasan masalah pada tugas akhir ini adalah : 1. Data yang digunakan pada penelitian adalah manuskrip Aksara Jawa. 2. File berformat .jpg. 3. Citra yang akan diolah menjadi biner, adalah citra dengan jenis rgb. 1.6. Metodologi Penelitian 1. Studi Pustaka Pengumpulan informasi-informasi didapatkan dari perpustakaan, website, dan jurnal yang menunjang untuk membantu penelitian ini dikumpulkan sebagai referensi dalam pengerjaan penelitian ini 2. Pengumpulan Data Mengumpulkan data untuk diuji menggunakan alat uji yang dirancang pada penelitian ini. 3. Pembuatan Alat Uji Sistem Binerisasi manuskrip Nusantara yang akan dirancang menggunakan aplikasi MATLABR2010a. 4. Pengujian Sistem Pengujian sistem dengan melihat seberasa besar akurasi yang didapatkan, serta melihat waktu yang dibutuhkan dalam membinerisasikan manuskrip Nusantara.


5. Analisa Sistem Analisa sistem dan hasil dari pengujian sistem. 1.7. Sistematika Penulisan BAB I PENDAHULUAN Bab ini membahas latar belakang masalah, rumusan masalah, tujuan penelitian, manfaat penelitian, batasan masalah, metodelogi penelitian, sistematika penilisan yang diangkat pada penelitian ini. BAB II LANDASAN TEORI Bab ini membahas tentang teori yang berhubungan dengan citra, manuskrip Nusantara, dan algoritma binarisasi Niblack. BAB III ANALISIS DAN PERANCANGAN SISTEM Bab ini membahas tentang analisa citra manuskrip Nusantara dan komponen apa saja yang akan digunakan dalam penelitian ini. BAB IV IMPLEMENTASI SISTEM Bab ini membahas tentang implementasi dari metode Niblack dan Otsu dengan menggunakan aplikasi MATLABR2010a, serta tahapantahapan yang diperlukan untuk menjadikan citra menjadi berjenis biner. BAB V HASIL DAN ANALISIS Bab ini membahas tentang hasil citra yang telah diolah, analisis dari setiap pengolahanya, persentase akurasi, dan hasil waktu konsumsi. BAB VI KESIMPULAN DAN SARAN Bab ini berisi tentang kesimpulan dan saran penulis pada penelitian ini.


BAB II LANDASAN TEORI Bab ini membahas mengenai pengertian citra, jenis citra, format citra, pengertian threshold, dan metode binerisasi. 2.1. Citra Citra adalah representasi informasi berbentuk visual berupa gambar satu dan dua dimensi sehingga mata manusia dapat menganalisis informasi tersebut dengan tujuan yang diharapkan, informasi yang terkandung dalam citra ialah warna, tekstur, bentuk, dan ukuran. Informasi pada citra didapatkan dengan dua cara yaitu diolah secara langsung tanpa proses terlebih dahulu untuk mendapatkan informasinya dan yang harus diolah terlebih dahulu dengan kata lain memerlukan beberapa proses pengolahan untuk mendapatkan informasi dari suatu citra tersebut. Pengolahan Citra & Video Digital (Madenda, 2015) menyebutkan bahwa secara matematis citra direpresentasi dengan fungsi f(x,y) dimana f merupakan nilai intensitas warna(dengan kode 24bit citra berwarna, 8bit citra keabuan, 1bit citra biner) pada sumbu x(panjang), dan y(tinggi) pada suatu citra. Secara umum citra digital merupakan representasi piksel-piksel dalam ruang citra 2D yang dinyatakan dalam matriks N baris dan M kolom, setiap elemen yang terdapat pada matriks inilah yang disebut dengan piksel. 2.1.1. Jenis Citra a) Citra Berwarna Teori dan Aplikasi Pengolahan Citra (Kadir, Abdul dan Adhi Sudanto. 2012) menyebutkan bahwa citra berwarna atau citra RGB, merupakan jenis citra yang menyajikan warna dalam bentuk komponen R (merah), G (hijau), dan B (biru). Setiap warna memiliki jumlah bit sebesar delapan yang berarti nilai pikselnya berkisar antara 0 sampai dengan 255. Dengan kemungkinan warna yang dapat disajikan mencapai 255 x 255 x 255. Untuk warna merah memiliki nilai

5


piksel sebesar 255 x 0 x 0, untuk warna hijau memiliki nilai piksel sebesar 0 x 255 x 0, dan untuk warna biru memiliki nilai piksel sebesar 0 x 0 x 255.

Gambar 2.1 Contoh citra RGB b) Citra HSV Citra berwarna adalah citra yang secara visual memiliki kandungan informasi warna disetiap pikselnya, di mana setiap piksel tersebut memiliki komponen hue, saturation, dan value pada setiap pikselnya. Hue merupakan nilai derajat(0˚-360˚) warna pada setiap pikselnya, untuk warna warnda dasar merah memiliki nilai hue sebesar 0˚ atau 360 ˚, hijau 120˚, dan biru 240˚, untuk menghasilkan warna gabungan seperti kuning maka diperlukan hue sebesar 60˚ pada campuran warna merah dan hijau. Rumus 2.1 adalah rumus untuk mencari nilai Hue : 3(𝐺−𝐵)

𝐻 = 𝑡𝑎𝑛 [(𝑅−𝐺)+(𝑅−𝐵)]

(2.1)

Keterangan : R = nilai keping warna merah G = nilai keping warna hijau B = nilai keping warna biru Satuartion

atau

kemurnian suatu warna,

Chrominance

merupakan

representasi

kandungan

semakin rendah tingkat satuartion-nya maka warna

tersebut akan semakin memudah keputihan, namun semakin tinggi tingkat


satuartion-nya maka warna tersebut akan semakin pekat. Rumus 2.2 adalah rumus untuk mencari nilai Satuartion : 𝑆 =1−

min⁡(𝑅,𝐺,𝐵) 𝑉

(2.2)

Keterangan : min(R,G,B) = nilai keping terkecil dari warna merah, hijau, dan biru pada suatu piksel V = nilai dari keping value untuk setiap pikselnya Value atau disebut juga intensitas mengandung seberapa besar kecerahan suatu warna, value dapat bernilai 0 sampai 100%, nilai dari value ini dapat dijadikan sebagai nilai awal untuk menjadikan citra menjadi keabuan, karena value mengandung suatu kecerahan pada suatu piksel. Rumus 2.3 adalah rumus untuk mencari nilai value : 𝑉=

𝑅+𝐺+𝐵 3

(2.3)

Keterangan : R+G+B = nilai penjumlahan keping merah, hijau, dan biru untuk setiap pikselnya. c) Citra Biner Citra biner adalah citra yang setiap pikselnya hanya mengandung dua level piksel yaitu 0 untuk warna hitam, dan 1 untuk warna putih, sehingga citra biner hanya memerlukan satu bit untuk mewakili setiap piksel yang ada. Citra biner juga disebut sebagai citra B&W(Black and White), atau citra monokrom. Citra biner dihitung dengan menggunakan Threshold(nilai ambang), jika suatu piksel nilainya dibawah batas ambang maka piksel tersebut akan dirubah menjadi 0, jika nilai suatu pikselnya di atas batas nilai ambangnya maka piksel tersebut akan dirubah menjadi 1. Jenis citra ini memiliki satu jenis matriks bertipe


logical matriks yang berarti hanya memiliki dua nilai jika tidak bernilai A maka bernilai B. Gambar 2.2 adalah citra berjenis biner.

Gambar 2.2 Contoh citra biner d) Citra Grayscale Pengolahan Citra & Video Digital (Madenda, 2015) menyebutkan bahwa citra Grayscale merupakan citra yang setiap pikselnya hanya mengandung komponen warna luminance, umumnya Citra Grayscale dikodekan 8bit yang berarti memiliki skala keabuan dari 0 sampai 255, 0 mempresentasikan warna hitam dan 255 mempresentasikan warna putih. Jenis citra ini memiliki satu jenis warna matriks yaitu abu-abu dengan nilai piksel yang berbeda-beda. Gambar 2.3 adalah citra berjenis grayscale.

Gambar 2.3 Contoh citra grayscale


2.1.2. Objek Citra Objek merupakan representasi dari bagian citra yang telah dipisahkan dari latar atau foreground. Objek yang baik dapat memberikan informasi dari citra yang di proses. Pada penelitian ini, objek benar dibagi menjadi dua, yaitu link-objek dan single-objek. Link-objek merupakan objek yang saling terhubung satu sama lain, sedangkan single-objek merupakan objek yang tunggal tidak terhubung dengan objek lainya. 2.1.3. Format Citra a) BMP Format standar atau umum tanpa kompresi yang biasanya digunakan untuk menyimpan citra biner sampai citra berwarna, nilai pixel yang ada pada citra biasanya disimpan dalam jumlah bit. b) GIF Format file citra yang digunakan untuk mendukung aplikasi web yang hanya dapat menyimpan 8bit per piksel atau kombinasi palet warna maksimum 2 8 (256). Format ini dapat menyimpan beberapa citra dalam sebuah file sehingga dapat memberikan efek animasi. c) PNG Format ini menyimpan citra yang sudah terkompresi, serta merupakan proyek open source yang berarti, tidak memerlukan lisensi pada penggunaanya. Format ini diciptikan untuk memperbaiki kekurangan format GIF. d) JPEG Format yang sangat umum digunakan untuk menyimpan sebuah file citra, karena telah ditetapkan secara umum oleh komite yang telah membuat standar ini. e) MPEG Format ini digunakan untuk mendukung aplikasi web dalam menyimpan citra bergerak.


2.2. Threshold (Pengambangan) 2.2.1. Local Pengambangan yang dilakukan dengan membagi citra menjadi blok-blok kecil kemudian pengambangan dilakukan pada setiap blok yang ada, dengan nilai ambang yang berbeda untuk setiap bloknya, Local Thresholding berpotensi lebih baik untuk membinerisasikan citra ketika pencahayaan tidak merata. Berikut adalah contoh blok Local Thresholding : Tabel 2.1 Local Threshold X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

X11

X12

X13

X14

X15

X16

X17

X18

X19

X10

X21

X22

X23

X24

X25

X26

X27

X28

X29

X30

X31

X32

X33

X34

X35

X36

Pada Tabel 2.1 terdapat contoh blok Local Thresholding, pembagian blok pada tabel 2.1 terjadi karena mengikuti cara pengambilan data citra yang memiliki pencahayaan berbeda pada bagian atas manuskrip. Berikut adalah penjelasan detail untuk tabel 2.1 : Blok A

Blok B

Gabungan Blok A, B, C, dan D X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

X11

X12

X13

X14

X15

X16

X17

X18

X19

X10

X21

X22

X23

X24

X25

X26

X27

X28

X29

X30

X31

X32

X33

X34

X35

X36

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

X11

X12

X13

X14

X15

X16

X17

X18

Blok C

Blok D

X19

X10

X21

X22

X23

X24

X25

X26

X27

X28

X29

X30

X31

X32

X33

X34

X35

X36


Pada blok dilakukan inisialisasi panjang dan lebar suatu citra, kemudian panjang dan lebar citra direpresentasikan menjadi matriks baris dan kolom, kemudian matriks dan kolom tersebut dibagi menjadi empat bagian yang sama rata, pembagian dilakukan dengan cara sebagai berikut : Ukuran blok A : baris/2, kolom/2 Ukuran blok B : baris/2, (kolom/2) +1 Ukuran blok C : (baris/2) + 1, kolom/2 Ukuran blok D : (baris/2) + 1, (kolom/2) + 1 2.2.2. Global Seluruh piksel pada citra dikonversikan menjadi hitam dan putih dengan satu nilai ambang batas. Pada pengambangan jenis ini, pembineran tidak sensitif terhadap perbedaan cahaya karena hanya dikonversi dengan satu nilai ambang batas untuk keseluruhan piksel. 2.3. Binerisasi Binerisasi merupakan tahapan untuk merubah citra menjadi berjenis biner yang hanya memuat nilai piksel 0 atau 1, piksel dengan nilai 0 mewakili warna hitam, sedangkan 1 mewakili warna putih. Berikut gambar 2.4 adalah diagram alur binerisasi dengan local threshold :

Gambar 2. 4 Diagram Alur Binerisasi


Tahap awal untuk membinerisasikan citra, citra harus berjenis grayscale terlebih dahulu, kemudian citra grayscale tersebut dipartisi menjadi beberapa bagian untuk dihitung rata-rata piksel, standar deviasi, dan nilai local thresholdnya. Tahap berikutnya adalah melakukan thresholding untuk setiap blok local windowing, citra yang telah di threshold

kemudian disatukan kembali untuk

dijadikan citra biner yang utuh. 2.3.1. Niblack Merupakan metode binerisasi dengan tipe local Thereshold. Metode ini memerlukan rata-rata atau mean, standar deviasi, dan koefisien koreksi pada perhitunganya. Rumus 2.1 adalah rumus untuk mencari standar deviasi.

𝑠=√

1 𝑛−1

∑𝑛𝑖=1(𝑋ᵢ − 𝜇)²

(2. 4)

S merupakan standar deviasi setiap piksel yang ada pada suatu citra, sedangkan n merupakan banyak piksel yang ada, Xi merupakan nilai piksel pada koordinat ke i, dan µ merupakan rata rata dari seluruh piksel yang ada, nilai standar deviasi ini akan digunakan untuk mencari nilai Threshold atau nilai pengambangan

𝑇 =𝜇+𝑘∗𝑠

(2.5)

T merupakan nilai Threshold atau pengambangan, yang pada akhirnya jika suatu piksel dibandingkan dengan nilai ambangnya lebih besar maka nilai pikselnya akan menjadi 1 atau putih, jika nilai pikselnya lebih kecil dari nilai ambangnya maka piksel tersebut akan bernilai 0 atau hitam. µ adalah rata rata dari suatu citra tersebut, sedangkan k merupakan koefisien koreksi yang bernilai 0 sampai 1, dan s adalah standar deviasi.


Berikut adalah gambaran menentukan nilai standar deviasi dan threshold : Tabel 2.2 Contoh matriks citra grayscale

𝜇= 𝑠=

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

X11

X12

X13

X14

X15

X16

X17

X18

X19

X10

X21

X22

X23

X24

X25

X26

X27

X28

X29

X30

X31

X32

X33

X34

X35

X36

𝑥1+𝑥2+𝑥3+𝑥7+𝑥8+𝑥9+𝑥13+𝑥14+𝑥15

(2.6)

9 (𝑋₁

1

√9−1 ∑9𝑖=1

(𝑋₄

2

− 𝜇) + (𝑋₅

2

− 𝜇) + (𝑋₂

2

− 𝜇) + (𝑋₃

2

− 𝜇) +

2

− 𝜇) + (𝑋₆ − 𝜇)2 + (𝑋₇ − 𝜇)2 + (𝑋₈ − 𝜇)2 + (𝑋₉ − 𝜇)2

𝑇 =𝜇+𝑘∗𝑠 𝑇 ≤ 𝑛𝑖𝑙. 𝑝𝑖𝑘𝑠𝑒𝑙, 𝑛𝑖𝑙. 𝑝𝑖𝑘𝑠𝑒𝑙 = 1 𝑖𝑓 { 𝑇 > 𝑛𝑖𝑙. 𝑝𝑖𝑘𝑠𝑒𝑙, 𝑛𝑖𝑙. 𝑝𝑖𝑘𝑠𝑒𝑙 = 0

(2.7) (2.8) (2.9)

2.4. Matlab Pada penelitian ini pemrosesan citra memerlukan bahasa pemrograman untuk mengolah citra. Bahasa pemrograman yang dipilih oleh penulis adalah bahasa pemrograman Matlab karna memiliki kemampuan : a) Mengolah data dan matematis yang kompleks, seperti banyak array, pemrograman linier, dan sistem koordinat kartesian. b) Dapat mengolah citra ke skala piksel. c) Dapat berjalan di sistem operasi yang berbeda. d) Mampu memvisualisasikan perubahan hasil citra yang telah diolah.


BAB III METODOLOGI PENELITIAN

Pada Bab ini akan dijelaskan mengenai metodologi penelitian dimulai dari deskripsi bahan atau data, cara penelitian, hingga mendapatkan citra akhir yang sudah dibinerisasikan. 3.1. Data Pada penelitian ini citra yang digunakan adalah citra manuskrip aksara Nusantara. Data citra didapatkan dari Perpustakaan Mrican Universitas Sanata Dharma Yogyakarta dengan jumlah data sebanyak 10 buah, yang diambil dengan ISO 800 serta pencahayaan yang berbeda disetiap sudut citranya. Data citra manuskrip aksara Nusantara ini didapatkan dengan cara meletakan buku di alas yang datar dengan berlatarbelakang hitam kemudian difoto dengan jarak 16cm dari atas dengan kamera Nikon D3100 yang beresolusi 14,20 megapiksel dan lensa berjenis 18-55mm pada kondisi zoom terbesar serta pemberian softbox(penerang) dua buah pada bagian pojok atas kanan dan kiri yang berjarak 35cm dari buku, serta jarak dari buku ke lensa adalah 16cm setelah citra di dapatkan kemudian dilakukan zoom sebanyak enam kali menggunakan fitur yang ada pada kamera Nikon D3100 kemudian setelah data didapatkan formatnya diubah menjadi .jpg. Gambar 3.1 adalah contoh citra manuskrip aksara nusantara.

Gambar 3.1 Contoh Data Manuskrip aksara Nusanta

14


3.2. Alat Dalam melakukan penelitian diperlukan alat untuk melakukan pengujian, pemrosesan, dan pengambilan data, berikut adalah alat yang digunakan oleh penulis selama melakukan penelitian : 3.2.1. Kebutuhan Perangkat Keras : Laptop : prosessor core i5(2,50GHz), memory 8gb, vga 2gb. Kamera DSLR : Nikon jenis D3100 yang beresolusi 14,20 megapiksel dan lensa berjenis 18-55mm. Softbox : dua buah. 3.2.2. Kebutuhan Perangkat Lunak : ACDSee Pro7 untuk melakukan perubahan format citra dari .NEF menjadi .jpg. MATLAB R2010a untuk melakukan pengolahan citra manuskrip aksara Nusantara. 3.3. Tahapan Penelitian 3.3.1. Studi Pustaka Pada tahap ini penulis melakukan pencarian teori mengenai binerisasi pada jurnal, buku, maupun web atau blog, kemudian penulis melakukan proses pemadatan topik apa yang akan dikerjakan agar fokus pada topik binerisasi. Pada tahap proses studi pustaka sangat banyak jurnal yang menarik, namun tidak sesuai dengan apa yang akan penulis lakukan, oleh karna itu perlu dilakukan dekomposisi paper agar hanya bagian-bagian tertentu yang dapat dijadikan acuan tidak seluruh isi jurnalnya. 3.3.2. Pengumpulan Data Data citra pada penelitian ini didapatkan dari Perpustakaan Mrican Universitas Sanata Dharma Yogyakarta dengan jumlah data sebanyak 10 buah.


Pengumpulan data pada penelitian ini didapatkan dengan cara meletakan buku di alas yang datar dengan berlatarbelakang hitam kemudian difoto dengan jarak 16cm dari atas dengan kamera Nikon D3100 yang beresolusi 14,20 megapiksel dan lensa berjenis 18-55mm pada kondisi zoom terbesar serta pemberian softbox(penerang) dua buah pada bagian pojok atas kanan dan kiri yang berjarak 35cm dari buku dengan pencahayaan yang berbeda-beda. Berikut adalah cara pemberian cahaya pada data citra : 1) Sedang(kanan)-Sedang(kiri), Tanpa Lampu Ruangan, Lensa Atas dihalangi Kertas. 2) Sedang(kanan)-Sedang(kiri), Tanpa Lampu Ruangan, Lensa Kanan dihalangi Kertas. 3) Sedang(kanan)-Sedang(kiri), Tanpa Lampu Ruangan, Lensa Bawah dihalangi Kertas. 4) Sedang(kanan)-Sedang(kiri), Tanpa Lampu Ruangan, Lensa Kanan dihalangi Kertas. 5) Lemah(kanan)-Sedang(kiri). 6) Lemah(kanan)-Tinggi(kiri). 7) Sedang(kanan)-Tinggi(kiri). 8) Tanpa cahaya(kanan)-Lemah(kiri). 9) Tanpa cahaya(kanan)-Sedang(kiri). 10) Tanpa cahaya(kanan)-Tinggi(kiri). Citra yang telah diperoleh kemudian dilakukan zoom sebanyak enam kali menggunakan fitur yang ada pada kamera Nikon D3100 kemudian setelah data didapatkan formatnya diubah menjadi .jpg. 3.3.3. Perancangan Sistem 3.3.4.1. Gambaran Umum Sistem Skenario sistem dimulai saat user meload citra, kemudian sistem akan merubah citra yang telah di load menjadi format citra grayscale, setelah citra beformat grayscale, citra baru dapat diproses menjadi biner dengan menggunakan


algoritma Niblack dan Otsu. Berikut adalah diagram konteks dan data flow diagram dari sistem Binerisasi manuskrip aksara Nusantara :

Gambar 3.2 Diagram Konteks

3.3.4.2. Diagram Alur Sistem

Gambar 3.3 Diagram Alur Sistem


Tahapan proses local thresholding memiliki beberapa tahapan seperti penelitian yang dituliskan oleh Aris Fanani, Putra Prima, dan M. Mahaputra Hidayat (2012), dijelaskan bawha tahapan local thresholding diantaranya adalah partisi citra ke local window, kalkulasi nilai threshold untuk setiap blok local window, dan menggabungkan blok-blok local window yang telah di threshold. Gambar 3.3 adalah diagram alur sistem pada penelitian ini, berikut adalah penjelasan detail diagram alur sistem : a) Pre Processing Tahap ini memiliki input berupa citra rgb dan output berupa citra grayscale serta citra biner menggunakan metode Otsu. Berikut gambar 3.4 merupakan tahapan Pre-Processing dari sistem ini :

Gambar 3. 4 Tahapan Pre-Processing Sistem Pada tahap ini User pertama kali memilih citra manuskrip aksara Nusantara dengan format .jpg dan berjenis rgb kemudian citra di konversi menjadi hsv, kemudian citra hsv di proses menjadi citra berjenis grayscale dan Otsu dengan menggunakan fungsi yang ada pada matlab yaitu (:,:,3) pada citra hsv dan im2bw. b) Processing Local Windowing Masukan Nilai Koreksi dan Cara Local Windowing Tahap ini memiliki input berupa citra grayscaling yang berasal dari proses pre-processing dan output berupa citra yang telah dilakukan partisi local windowing. Berikut gambar 3.5 merupakan tahapan Processing local windowing :


Gambar 3. 5Tahapan Processing Local Windowing Sistem melakukan local windowing pada citra berjenis grayscale sesuai masukan user kemudian user mendapatkan citra local windowing dari proses local windowing, hasil akhir pada tahap ini adalah citra terbagi menjadi beberapa bagian yang panjang matriks baris dan kolomnya sama antara satu dengan yang lainya. Berikut adalah deskripsi pemotongan matriks untuk setiap local windowing : • Nol bagian : Ukuran blok A : baris, kolom • Empat persegi bagian : Ukuran blok A : baris/2, kolom/2 Ukuran blok B : baris/2, (kolom/2) +1 Ukuran blok C : (baris/2) + 1, kolom/2 Ukuran blok D : (baris/2) + 1, (kolom/2) + 1


• Tiga vertikal bagian : Ukuran blok A : baris, kolom/3 Ukuran blok B : baris, 2*(kolom/3) Ukuran blok C : baris, (2*(kolom/3))+1 • Tiga horizontal bagian : Ukuran blok A : baris/3, kolom Ukuran blok B : 2*(baris/3) 2, kolom Ukuran blok C : (2*(baris/3))+1, kolom c) Proses Local Thresholding Pada tahap ini citra yang telah dikenai proses local windowing dihitung ratarata dan standar deviasinya pada setiap blok local windowing, kemudian nilai ratarata dan standar deviasi yang telah dikalkulasi akan dihitung threshold-nya dengan menggunakan metode Niblack. Berikut adalah pseudocode metode Niblack sistem binerisasi manuskrip aksara Nusantara : 1. Melakukan blok looping sebanyak pemotongan pada citra 2. Melakukan looping sebanyak panjang matriks baris(panjang baris sesuai hasil pemotongan) 3. Melakukan looping sebanyak panjang martiks kolom(panjang kolom sesuai hasil pemotongan) 4. Inisialisasi sebuah variabel untuk menyimpan semua nilai matriks citra 5. Lakukan pertukaran nilai piksel disetiap nilai variabel pada tahap empat, jika nilai variabel lebih besar atau sama dengan nilai Threshold ubah nilai piksel menjadi satu, jika nilai variabel lebih kecil dari nilai Threshold ubah nilai piksel menjadi nol 6. Ulangi langkah pada tahap tiga sampai matriks kolom pada suatu baris habis


7. Ulangi langkah pada tahap satu sampai langkah enam 8. Lakukan looping untuk blok berikutnya Tahap ini memiliki nilai input berupa citra local windowing , nilai standar deviasi, dan nilai mean, serta output berupa citra local threshold untuk proses berikutnya dan untuk user. d) Kombinasi Local Thresholding Tahap ini memiliki input berupa citra local threshold, dan output berupa citra Niblack . Berikut gambar 3.6 merupakan tahapan dari proses kombinasi local thresholding :

Gambar 3. 6Tahapan Kombinasi Local Thresholding Citra pada setiap blok local window yang telah dibinerkan, kemudian digabungkan menjadi suatu citra utuh, citra inilah yang menjadi citra biner utuh dengan menggunakan metode Niblack. Pada tahap binerisasi menggunakan metode Niblack sampai tahap menggabungkan local thresholding sistem melakukan kalkulasi waktu konsumsi saat membinerisasikan dengan menggunakan metode Niblack.. 3.4. Skenario Pengujian Pada proses pengujian data terlebih dahulu sudah diubah formatnya menjadi .jpg, kemudian citra tersebut akan dimasukan kedalam sistem untuk mendapatkan citra binernya dengan menggunakan metode Otsu dan Niblack beserta dengan lama prosesnya atau waktu konsumsinya. Berikut adalah tahapan pengujianya : 1. Citra yang formatnya telah diubah, kemudian dimasukan kedalam sistem. 2. Sistem melakukan konversi citra menjadi grayscale.


3. Citra yang sudah terkonversi akan di ubah menjadi citra biner menggunakan metode Otsu kemudian mencatat waktu konsumsinya, lalu sistem akan menampilkan waktu konsumsinya. 4. User memasukan nilai koreksi antara -1 sampai 1, kemudian menekan tombol Niblack Binarization. 5. Sistem merubah citra yang sudah terkonversi pada tahap tiga menjadi citra biner dengan menggunakan metode Niblack dengan nilai koreksi berupa masukan user kemudian mencatat waktu konsumsinya, lalu sistem akan menampilkan waktu konsumsinya. 6. User menyimpan citra rgb, grayscale, dan citra yang telah dibinerisasikan menjadi file berformat .jpg dengan menekan tombol save. 3.5. Skenario Pengujian Akurasi Hasil akhir dari skenario pengujian berupa lama waktu konsumsi pada saat membinerkan citra dengan metode Otsu dan Niblack, hasil citra biner dengan menggunakan metode Otsu, dan hasil citra biner dengan menggunakan metode Niblack . Hasil citra biner dengan menggunakan metode Otsu dan Niblack kemudian akan dicari akurasinya dengan cara membandingkan jumlah objek pada citra biner dengan menggunakan metode Otsu dan Niblack dengan citra asli berjenis RGB. Perbandingan objek dilakukan dengan cara membandingkan citra berjenis rgb dan biner apakah memiliki objek yang sama atau berbeda(bergabungnya objek, berpisahnya objek, menghilangnya objek, dan bertambahnya objek). Hasil dari perhitungan setiap objek tersebut yang akan mejadi akurasi pada penelitian ini. Perhitungan akurasi keberhasilan dari sistem binerisasi menggunakan metode Niblack dan Otsu adalah sebagai berikut :

Persentase Keberhasilan = 100% x persentase objek benar

(3.1)

Dimana Persentase objek benar =

∑𝑜𝑏𝑗𝑒𝑘⁡𝑏𝑒𝑛𝑎𝑟 ∑ 𝑜𝑏𝑗𝑒𝑘

(3.2)


Keterangan : ∑piksel benar = jumlah objek yang sesuai dengan citra rgb ∑objek= jumlah objek yang ada pada citra rgb Selain keluaran akurasi piksel yang benar, sistem ini mampu menampilkan waktu konsumsi yang digunakan untuk membinerisasikan dengan menggunakan metode Niblack dan Otsu, kemudian dari waktu konsumsi tersebut dapat dihitung rata-rata waktu konsumsinya, berikut adalah cara menghitung rata-rata waktu konsumsi : Rata-rata waktu =

∑𝑤𝑎𝑘𝑡𝑢⁡𝑘𝑜𝑛𝑠𝑢𝑚𝑠𝑖 𝑁

(3.3)

Keterangan : ∑waktu konsumsi = jumlah waktu konsumsi yang digunakan dengan menggunakan untuk membinerisasikan citra N = banyak data citra yang diuji coba

Untuk mendapatkan akurasi, pada setiap citra diperlukan perhitungan setiap objek yang ada pada citra berjenis rgb, kemudian dibandingkan dengan citra biner, berikut adalah kriteria yang merupakan objek error : a) Bergabungnya objek yang pada awalnya terpisah. b) Berpisahnya objek yang pada awalnya bergabung. c) Munculnya Objek yang awalnya tidak ada. d) Hilangnya Objek yang awalnya ada.


BAB IV IMPLEMENTASI SISTEM Pada penelitian tugas akhir ini membahas tentang penggunaan algoritma binerisasi pada manuskrip aksara Nusantara dengan menggunakan metode Niblack. Implementasi program akan dibahas dan dijelaskan pada bab ini. Proses implementasi adalah sebagai berikut : 4.1. Implementasi Pre Processing a. Implementasi Load Citra Di dalam form gui.m terdapat push button load image untuk memilih citra yang akan dijadikan citra biner, kemudian menampilkannya pada axes image_load , dengan menggunakan fungsi yang ada pada matlab yaitu uigetfile untuk memilih dan membaca citra yang akan diproses.

Gambar 4.1 Implementasi Load Citra [FileName, pathname] = uigetfile( ... {'*.jpg',

'Image Files (*.jpg)'}, ...

'Pick a image file'); handles.myImage = strcat(pathname, FileName); axes(handles.image_load); baca_gambar=imread(handles.myImage); imshow(handles.myImage);

24


b. Implementasi Grayscaling Sebelum melakukan proses binerisasi, citra perlu diolah lagi agar hanya memiliki satu jenis pixel warna yang dapat membuat proses binerisasi menjadi lebih cepat dan sempurna. Pada tahap ini, hasil akir citra berupa citra berjenis grayscale, yang akan ditampilkan pada axes image_gray.

Gambar 4.2 Implementasi Grayscaling abu2=rgb2hsv(baca_gambar2); abu=abu2(:,:,3); axes(handles.image_gray); imshow(abu);

c. Binerisasi Otsu Binerisasi

dengan menggunakan metode

Otsu

dilakukan dengan

menggunakan fungsi yang sudah ada di Matlab yaitu im2bw , metode Otsu termasuk kedalam kategori Global Threshold. Berikut adalah contoh citra yang telah dibinerisasikan denggan metode Otsu :


Gambar 4.3 Contoh Citra Biner Menggunakan Metode Otsu read_image=imread(handles.myImage); baca_gambar2=imresize(read_image,[280 540]); abu2=rgb2hsv(baca_gambar2); assignin('base','abu2',abu2); abu=abu2(:,:,3); assignin('base','abu',abu); otsu=im2bw(abu);

4.2. Implementasi Proses Local Windowing Pada tahap ini, citra akan dibagi menjadi beberapa bagian yang sama rata baik panjang maupun lebarnya untuk dilakukan Local Thresholding yang ada pada tahap selanjutnya.


4.2.1. Bagi Gambar Nol bagian

Gambar 4.4 Potong Gambar Nol Bagian function [A,x1,y1]=potongGambar0(abu,r,c,p) A=abu(1:r ,1:c,:); [x1 y1]=size(A); assignin('base','size_LocThres1',A);

Citra grayscale diinisialisasi pada variabel A dengan tanpa pemotongan atau ukuran matriksnya sesuai dengan ruas baris dan kolom pada citra grayscale, kemudian nilai panjang dan lebar citra A disimpan kedalam variabel x1 dan y1. 4.2.2. Bagi Gambar Empat Bagian

Gambar 4.5 Potong Gambar Empat Bagian


function [A,B,C,D,x1,y1,x2,y2,x3,y3,x4,y4]=potongGambar(abu,r,c,p) A=abu(1:r/2 ,1:c/2,:); [x1 y1]=size(A); assignin('base','size_LocThres1',A); B=abu(1:r/2,c/2+1:c,:); [x2 y2]=size(B); assignin('base','size_LocThres2',B); C=abu(r/2+1:r,1:c/2,:); [x3 y3]=size(C); assignin('base','size_LocThres3',C); D=abu(r/2+1:r,c/2+1:c,:); [x4 y4]=size(D); assignin('base','size_LocThres4',D);

Citra grayscale diinisialisasi pada variabel A,B,C,D di mana setiap variabel memilikin ukuran citranya masing-masing, berikut ukutan setiap variabel : A. variabel A memiliki ukuran matriks baris dari satu sampai total matriks baris dibagi dua dan ukuran matriks kolom dari satu sampai matriks total kolom dibagi dua, kemudian ukuran dari panjang dan lebar variabel A disimpan kedalam variabel x1 dan y1. B. variabel B memiliki ukuran matriks baris dari satu sampai matriks total baris dibagi dua dan ukuran matriks kolom dari matriks total kolom dibagi dua lalu ditambah satu sampai ukuran matriks maksimal kolom pada citra tersebut, kemudian ukuran dari panjang dan lebar variabel B disimpan kedalam variabel x2 dan y2. C. variabel C memiliki ukuran matriks baris dari total baris dibagi dua lalu ditambah satu sampai ukuran matriks maksimal baris pada citra tersebut dan ukuran matriks kolom dari satu sampai matriks total kolom dibagi dua kemudian ukuran dari panjang dan lebar variabel C disimpan kedalam variabel x2 dan y3. D. variabel D memiliki ukuran matriks baris dari matriks total baris dibagi dua lalu ditambah satu sampai ukuran matriks maksimal baris pada citra


tersebut dan ukuran matriks kolom dari total kolom dibagi dua lalu ditambah satu sampai ukuran matriks maksimal kolom pada citra tersebut, kemudian ukuran dari panjang dan lebar variabel D disimpan kedalam variabel x4 dan y4. 4.2.3. Bagi Gambar Tiga Horizontal

Gambar 4.6 Potong Gambar Tiga Horizontal function [A,B,C,x1,y1,x2,y2,x3,y3]=potongGambar3Horizontal(abu,r,c,p) A=abu(1:r ,1:c/3,:); [x1 y1]=size(A); assignin('base','size_LocThres1',A); B=abu(1:r, c/3+1:2*(c/3) ,:); [x2 y2]=size(B); assignin('base','size_LocThres2',B); C=abu(1:r, (2*(c/3))+1:c, :); [x3 y3]=size(C); assignin('base','size_LocThres3',C);

Citra grayscale diinisialisasi pada variabel A,B,C di mana setiap variabel memilikin ukuran citranya masing-masing, berikut ukutan setiap variabel : A. variabel A memiliki ukuran matriks baris dari satu sampai ukuran matriks maksimal baris pada citra tersebut dan ukuran matriks kolom dari satu sampai matriks total kolom dibagi tiga, kemudian ukuran dari panjang dan lebar variabel A disimpan kedalam variabel x1 dan y1. B. variabel B memiliki ukuran matriks baris dari satu sampai ukuran matriks maksimal baris pada citra tersebut dan ukuran matriks kolom dari matriks total kolom dibagi tiga lalu ditambah satu sampai dua kali ukuran matriks


total ukuran maksimal kolom pada citra tersebut yang dibagi tiga, kemudian ukuran dari panjang dan lebar variabel B disimpan kedalam variabel x2 dan y2. C. variabel C memiliki ukuran matriks baris dari satu sampai ukuran matriks maksimal baris pada citra tersebut dan ukuran matriks kolom dari dua kali ukuran total matriks maksimal kolom pada citra tersebut yang dibagi tiga sampai ukuran matriks maksimal kolom pada citra tersebut lalu ditambah satu, kemudian ukuran dari panjang dan lebar variabel C disimpan kedalam variabel x3 dan y3. 4.2.4. Bagi Gambar Tiga Vertikal

Gambar 4.7 Potong Gambar Tiga Vertikal function [A,B,C,x1,y1,x2,y2,x3,y3]=potongGambar3Vertikal(abu,r,c,p) A=abu(1:r/3 ,1:c,:); [x1 y1]=size(A); assignin('base','size_LocThres1',A); B=abu(1+(r/3):2*(r/3), 1:c ,:); [x2 y2]=size(B); assignin('base','size_LocThres2',B); C=abu((2*(r/3))+1:r, 1:c, :); [x3 y3]=size(C); assignin('base','size_LocThres3',C);

Citra grayscale diinisialisasi pada variabel A,B,C di mana setiap variabel memilikin ukuran citranya masing-masing, berikut ukutan setiap variabel :


A. variabel A memiliki ukuran matriks kolom dari satu sampai ukuran matriks maksimal kolom pada citra tersebut dan ukuran matriks baris dari satu sampai matriks total baris dibagi tiga, kemudian ukuran dari panjang dan lebar variabel A disimpan kedalam variabel x1 dan y1. B. variabel B memiliki ukuran matriks kolom dari satu sampai ukuran matriks maksimal kolom pada citra tersebut dan ukuran matriks baris dari matriks total baris dibagi tiga lalu ditambah satu sampai dua kali ukuran matriks total ukuran maksimal baris pada citra tersebut yang dibagi tiga, kemudian ukuran dari panjang dan lebar variabel B disimpan kedalam variabel x2 dan y2. C. variabel C memiliki ukuran matriks kolom dari satu sampai ukuran matriks maksimal kolom pada citra tersebut dan ukuran matriks baris dari dua kali ukuran total matriks maksimal baris pada citra tersebut yang dibagi tiga sampai ukuran matriks maksimal baris pada citra tersebut lalu ditambah satu, kemudian ukuran dari panjang dan lebar variabel C disimpan kedalam variabel x3 dan y3. 4.3. Implementasi Proses Local Thresholding Pada tahap Local Thresholding dilakukan perhitungan standar deviasi dan mean untuk setiap window citra HSV yang akan di binerisasikan, nilai standar deviasi dan mean dari masing-masing window akan disimpan divariabel S_kuadran untuk masing-masing standar deviasi dan M_kuadran untuk masingmasing mean. 4.3.1. Local Threshold Gambar Nol Bagian Pembagian local window dibagi menjadi nol potongan, sehingga nilai standar deviasi dan rata-rata didapatkan dari seluruh blok piksel yang ada pada suatu citra, kemudian nilai standar deviasi dan rata-rata tersebut digunakan untuk menghitung nilai threshold-nya. Berikut adalah contoh hasil kalkulasi local threshold gambar nol bagian :


Gambar 4. 8 Contoh Hasil Kalkulasi Local Threshold Nol Bagian function [S_kuadran1,M_kuadran1]=hitSTDdanMean0(A) S_kuadran1=std2(A(:)); M_kuadran1=mean(A(:)); assignin('base','std_LocThres1',S_kuadran1); assignin('base','mean_LocThres1',M_kuadran1); [S_kuadran1,M_kuadran1]=hitSTDdanMean0(A); value_kuadran1=M_kuadran1+ variabel*S_kuadran1; assignin('base','Threshold_1',value_kuadran1);

4.3.2. Local Threshold Gambar Empat Bagian Pembagian local window dibagi menjadi empat bagian yang sama rata antara matriks baris dan kolomnya, hasil dari pembagian local windowing tersebut menghasilkan empat blok local window yang sama rata, dari setiap blok tersebut dilakukan kalkulasi rata-rata, standar deviasi, dan local threshold-nya. Berikut adalah contoh hasil kalkulasi local threshold gambar empat bagian :


Gambar 4. 9 Contoh Hasil Kalkulasi Local Threshold Empat Bagian function [S_kuadran1,S_kuadran2,S_kuadran3,S_kuadran4,M_kuadran1,M_kuadra n2,M_kuadran3,M_kuadran4]=hitSTDdanMean(A,B,C,D) S_kuadran1=std2(A(:)); M_kuadran1=mean(A(:)); assignin('base','std_LocThres1',S_kuadran1); assignin('base','mean_LocThres1',M_kuadran1); S_kuadran2=std2(B(:)); M_kuadran2=mean(B(:)); assignin('base','std_LocThres2',S_kuadran2); assignin('base','mean_LocThres2',M_kuadran2);


S_kuadran3=std2(C(:)); M_kuadran3=mean(C(:)); assignin('base','std_LocThres3',S_kuadran3); assignin('base','mean_LocThres3',M_kuadran3); S_kuadran4=std2(D(:)); M_kuadran4=mean(D(:)); assignin('base','std_LocThres4',S_kuadran4); assignin('base','mean_LocThres4',M_kuadran4);

[S_kuadran1,S_kuadran2,S_kuadran3,S_kuadran4,M_kuadran1,M_kuadra n2,M_kuadran3,M_kuadran4]=hitSTDdanMean(A,B,C,D) value_kuadran1=M_kuadran1+ variabel*S_kuadran1; assignin('base','Threshold_1',value_kuadran1); value_kuadran2=M_kuadran2+ variabel*S_kuadran2; assignin('base','Threshold_2',value_kuadran2); value_kuadran3=M_kuadran3+ variabel*S_kuadran3; assignin('base','Threshold_3',value_kuadran3); value_kuadran4=M_kuadran4+ variabel*S_kuadran4; assignin('base','Threshold_4',value_kuadran4);

4.3.3. Local Threshold Gambar tiga Bagian Pembagian local window dibagi menjadi tiga bagian yang sama rata antara matriks baris dan kolomnya, hasil dari pembagian local windowing tersebut menghasilkan tiga blok local window yang sama rata, dari setiap blok tersebut dilakukan kalkulasi rata-rata, standar deviasi, dan local threshold-nya. Berikut adalah contoh hasil kalkulasi local threshold gambar tiga bagian :


Gambar 4. 10 Contoh Hasil Kalkulasi Local Threshold Tiga Bagian function [S_kuadran1,S_kuadran2,S_kuadran3,M_kuadran1,M_kuadran2,M_kuadra n3]=hitSTDdanMean3(A,B,C) S_kuadran1=std2(A(:)); M_kuadran1=mean(A(:)); assignin('base','std_LocThres1',S_kuadran1); assignin('base','mean_LocThres1',M_kuadran1); S_kuadran2=std2(B(:)); M_kuadran2=mean(B(:)); assignin('base','std_LocThres2',S_kuadran2); assignin('base','mean_LocThres2',M_kuadran2);


S_kuadran3=std2(C(:)); M_kuadran3=mean(C(:)); assignin('base','std_LocThres3',S_kuadran3); assignin('base','mean_LocThres3',M_kuadran3);

[S_kuadran1,S_kuadran2,S_kuadran3,M_kuadran1,M_kuadran2,M_kuadra n3]=hitSTDdanMean3(A,B,C) value_kuadran1=M_kuadran1+ variabel*S_kuadran1; assignin('base','Threshold_1',value_kuadran1); value_kuadran2=M_kuadran2+ variabel*S_kuadran2; assignin('base','Threshold_2',value_kuadran2); value_kuadran3=M_kuadran3+ variabel*S_kuadran3; assignin('base','Threshold_3',value_kuadran3);

4.3.4. Binerisasi Niblack Binerisasi dengan menggunakan metode Niblack dilakukan setelah implementasi Local Threshold , setiap window dilakukan proses binerisasi menggunakan metode Niblack. Pada tahap ini dilakukan proses penukaran nilai piksel atau Thresholding, untuk suatu piksel yang nilanya lebih kecil dari nilai threshold-nya maka nilai pikselnya akan diganti menjadi nol, jika nilai pikselnya lebih besar atau samadengan dari nilai threshold-nya maka nilai pikselnya akan diganti menjadi satu, berikut adalah penjelasan yang lebih rinci untuk melakukan perubahan nilai piksel : function [niblack]=Niblack0(A,x1,y1,value_kuadran1) temp1=A; for u1=1:1:x1 for q1=1:1:y1 pixel1=temp1(u1,q1); if(pixel1>=value_kuadran1) temp1(u1,q1)=1;


else temp1(u1,q1)=0; end end end niblack=temp1;

4.3.5. Implementasi Tic Toc Pada tahap ini, dilakukan pencatatan waktu konsumsi untuk merubah citra grayscale menjadi citra biner menggunakan metode Otsu dan Niblack. Proses fungsi tic untuk melakukan binerisasi Niblack dimulai setelah melakukan pemotongan gambar kemudian diakhiri dengan fungsi toc setelah gambar disatukan kembali, sedangkan untuk binerisasi menggunakan metode Otsu fungsi tic dilakukan sebelum fungsi im2bw dan fungsi toc dilakukan setelah fungsi im2bw. 4.4. Implementasi Penggabungan Local Window Setelah citra grayscale diubah menjadi citra biner dengan menggunakan metode Niblack , citra digabungkan kembali menjadi satu bagian dari empat bagian, citra yang sudah menjadi satu bagian inilah yang menjadi citra biner menggunakan metode Niblack secara utuh. 4.4.1. Penggabungan Local Window Potong Gambar Empat Bagian Pada penggabungan local window empat bagian dilakukan dengan cara menggabungkan blok A dan B terlebih dahulu, kemudian menggabungkan blok C dan D, setelah itu menggabungkan dua blok yang telah disatukan lagi, berikut adalah gambar dari setiap bloknya :


Gambar 4. 11 Blok A dan C

Gambar 4. 12 Blok B dan D

Gambar 4. 13 Gabungan Blok A dan B Gambar 4. 14 Gabungan Blok C dan D

Gambar 4. 15 Gabungan Blok A, B, C, dan D


function [niblack,kombinasi_gambar1,kombinasi_gambar2] = combineGambar(temp1,temp2,temp3,temp4) kombinasi_gambar1=[temp1 temp2]; kombinasi_gambar2=[temp3 temp4]; niblack=cat(1,kombinasi_gambar1,kombinasi_gambar2); assignin('base','niblack',niblack);

4.4.2. Penggabungan Local Window Potong Gambar Tiga Bagian Vertikal Pada penggabungan local window tiga bagian vertikal dilakukan dengan cara menggabungkan blok A, B, dan C secara horizontal, berikut adalah gambar dari setiap bloknya :

Gambar 4. 16 Blok A, B, dan C

Gambar 4. 17 Gabungan blok A, B, dan C


function [niblack] = combineGambar3Vertikal(temp1,temp2,temp3) kombinasi_gambar1=cat(1,temp1,temp2); niblack=cat(1,kombinasi_gambar1,temp3);

4.4.3. Penggabungan Local Window Potong Gambar Tiga Bagian Horizontal Pada penggabungan local window tiga bagian vertikal dilakukan dengan cara menggabungkan blok A, B, dan C secara vertikal, berikut adalah gambar dari setiap bloknya :

Gambar 4. 18 Blok A, B, dan C

Gambar 4. 19 Gabungan blok A, B, dan C

function [niblack] = combineGambar3Horizontal(temp1,temp2,temp3) niblack=[temp1 temp2 temp3];


4.5. Implementasi User Interface Pengubahan citra berjenis RGB menjadi biner dilakukan melalui GUI(Graphical User Interface), untuk memudahkan dalam penilitian ini. Gambar 4.21 merupakan tampilan GUI dari sistem binerisasi manuskrip aksara Nusantara menggunakan algoritma Niblack.

Gambar 4. 20 GUI Sistem


BAB V HASIL DAN ANALISIS 5.1. Hasil Citra Grayscaling Citra yang telah berhasil di-resize akan dilakukan proses untuk menjadi citra berjenis grayscale, tabel 5.1 adalah beberapa contoh hasil grayscaling. Tabel 5.1 Contoh Hasil Citra HSV dan Grayscaling No

Citra Asli

Citra Grayscale

1

2

3

42


N o

Citra Asli

Citra Grayscale

4

5

5.2. Hasil Local Window Hasil dari tahap ini adalah memotong atau membagi gambar menjadi beberapa bagian yang sama rata agar dapat diolah ke tahap selanjutnya yaitu Local Thresholding, tabel 5.2 merupakan beberapa contoh hasil dari tahap Local Window. Tabel 5.2 Contoh Hasil Local Window No 1

Citra Grayscale

Hasil Local Windowing


No 2

3

4

5

Citra Grayscale

Hasil Local Windowing


5.3. Hasil Local Thresholding Citra yang telah dipotong menjadi beberapa bagian, kemudian dijadikan biner setiap bloknya dengan nilai Threshold yang telah dikalkulasikan dengan menggunakan metode Niblack, tabel 5.3 merupakan beberapa contoh hasil dari tahap Local Threshold. Tabel 5.3 Contoh Hasil Local Threshold No 1

2

3

Citra Local Windowing

Citra Hasil Local Thresholding


No

Citra Local Windowing


4

5

5.4. Hasil Penggabungan Local Thresholding Citra yang telah dibinerkan menggunakan metode Niblack kemudian disatukan kembali agar menjadi citra yang utuh agar dapat dianalisa perbedaan disetiap pikselnya, tabel 5.4 merupakan beberapa contoh hasil Penggabungan Local Window . Tabel 5.4 Hasil Penggabungan Local Window No


Citra Hasil Penggabungan Local Window

1


No


Citra Hasil Penggabungan Local Thresholding

2

3

4

5


5.5. Analisis Presentase Jumlah Objek Setiap citra yang telah berhasil dibinerisasikan kemudian dibandingkan setiap pikselnya apakah sesuai atau tidak sesuai dengan citra berjenis rgb atau citra asalnya, kemudian dihitung akurasinya dengan cara 100% dikurangi (jumlah piksel salah dibagi dengan 150), tabel 5.5 dan 5.6 merupakan perhitungan seluruh akurasi citra yang telah diuji coba dengan menggunakan metode Niblack dan Otsu, berikut adalah tabel 5.5 dan 5.6 :

Tabel 5.5 Perhitungan Akurasi Niblack Akurasi(Local Windowing Nol Bagian) Objek

Objek Benar

Akurasi (%)

Objek Benar

Akurasi (%)

Citra RGB

K = -0,1

K = -0,1

K = -0,2

K = -0,2

1

16

9

56,25

10

62,5

2

17

13

76,47058824

13

76,47058824

3

18

12

66,66666667

11

61,11111111

4

17

11

64,70588235

11

64,70588235

5

16

16

100

16

100

6

13

13

100

13

100

7

12

12

100

12

100

8

5

5

100

5

100

9

7

5

71,42857143

5

71,42857143

10

10

10

100

10

100

µ Akurasi

83,55217

µ Akurasi

83,62162

No


Akurasi(Local Windowing Empat Bagian) Akurasi (%)

Objek Citra RGB

Objek Benar K = -0,1

1

16

14

87,5

14

87,5

2

17

12

70,58823529

12

70,58823529

3

18

15

83,33333333

15

83,33333333

4

17

10

58,82352941

13

76,47058824

5

15

15

100

15

100

6

13

13

100

13

100

7

11

11

100

11

100

8

5

3

60

5

100

9

7

4

57,14285714

4

57,14285714

10

10

10

100

10

100

µ Akurasi

81.7388

µ Akurasi

87.5035

K = -0,1


Akurasi (%)

No

K = -0,2

Akurasi(Local Windowing Tiga Vertikal Bagian) Akurasi (%)

Objek Citra RGB


1

16

8

50

8

50

2

17

17

100

17

100

3

18

13

72,22222222

12

66,66666667

4

17

14

82,35294118

13

76,47058824

5

15

15

100

15

100

6

15

13

86,66666667

13

86,66666667

7

12

12

100

12

100

8

5

5

100

5

100

9

7

1

14,28571429

2

28,57142857

K = -0,1


Akurasi (%)

No

K = -0,2


Akurasi(Local Windowing Tiga Vertikal Bagian) No

Objek Citra RGB


Akurasi (%)

Akurasi (%)

K = -0,1


10

10

9

90

9

90

µ Akurasi

79.55275

µ Akurasi

79.83754

K = -0,2

Akurasi(Local Windowing Tiga Horizontal Bagian) Akurasi (%)

Akurasi (%)

No

Objek Citra RGB


1

16

8

50

9

56,25

2

17

12

70,58823529

12

70,58823529

3

18

12

66,66666667

12

66,66666667

4

17

10

58,82352941

10

58,82352941

5

16

16

100

16

100

6

13

11

84,61538462

11

84,61538462

7

12

12

100

12

100

8

5

3

60

5

100

9

8

2

25

6

75

10

10

10

100

10

100

µ Akurasi

71.56938

µ Akurasi

81.19438

K = -0,1


K = -0,2

Tabel 5.6 Perhitungan Akurasi Otsu Akurasi Otsu No

Objek Citra RGB

Objek Benar Otsu (%)

Akurasi (%)

1

16

0

0

2

17

0

0

3

18

0

0


Akurasi Otsu No

Piksel Error Otsu

Otsu Error (%)

Akurasi (%)

4

17

0

0

5

16

16

100

6

13

13

100

7

12

11

91,66666667

8

5

5

100

9

8

7

87,5

10

10

10

100

µ Akurasi

57.91667

Dari tabel 5.5 dan 5.6 dapat dilihat hasil dari seluruh data yang telah dilakukan uji coba untuk dijadikan citra biner, menghasilkan beberapa poin akurasi rata rata yang akan disajikan pada tabel 5.7, berikut adalah tabel 5.7 : Tabel 5.7 Akurasi Rata-Rata Akurasi Total Ket. Local Windowing

No

Niblack

0

K = -0,1

K = -0,2

1

83,5521

83,6216

4

2

81,7387

87,5035

3 vertikal

3

79,5527

79,8375

3 horizontal

4

71,5693

81,1943

Otsu

57,91666667

Dari tabel 5.7 dapat disimpulkan bahwa akurasi metode Niblack adalah sebesar 87,5035% pada local windowing empat bagian dengan nilai K adalah sebesar -0,2, dan akurasi metode Otsu adalah sebesar 57,91666667%. Gambar 5.1


merupakan representasi grafik berbentuk graph dari tabel 5.7, berikut adalah gambar 5.1 :

Akurasi Rata-Rata 100 90

80

-0,1

-0,2 70

Otsu

60 50 1

2

3

Gambar 5. 1 Akurasi Total

4


5.6. Analisis Waktu Proses Binerisasi Pada penelitian ini, setiap waktu konsumsi yang diperlukan dari metode Niblack dan metode Otsu yang fungsinya sudah ada pada matlab, akan dilakukan pencatatan waktu konsumsinya. Tabel 5.8 dan 5.9 merupakan tabel waktu konsumsi dari setiap percobaan. Berikut adalah tabel 5.8 dan 5.9 : Tabel 5.8 Waktu Konsumsi Metode Niblack Waktu(nol bagian) No

Niblack

Niblack

(k = -0,1)

(k = -0,2)

Waktu(empat bagian) No

Niblack

Niblack

(k = -0,1)

(k = -0,2)

1

0.1417

0.084888

1

3.2000

2.1381

2

0.0893

0.081137

2

2.1118

2.079

3

0.0843

0.082166

3

2.0705

2.0203

4

0.1213

0.082854

4

2.1049

2.0496

5

0.2394

0.23902

5

2.5113

2.2632

6

0.2375

0.28421

6

2.3050

2.2804

7

0.2634

0.23863

7

2.3135

2.3008

8

0.2756

0.24039

8

2.2968

2.2716

9

0.2428

0.24829

9

2.2845

2.1638

10

0.2679

0.24129

10

2.2561

2.2846

µ waktu

0.1963

µ waktu

2.3454

0.207232

Waktu(tiga vertikal) No 1

Niblack

Niblack

(k = -0,1)

(k = -0,2)

1.5691

1.3976

2.18514

Waktu(tiga horizontal) No 1

Niblack

Niblack

(k = -0,1)

(k = -0,2)

1.3881

1.3567


Waktu(tiga vertikal) No

Waktu(tiga horizontal)

Niblack

Niblack

(k = -0,1)

(k = -0,2)

No

Niblack

Niblack

(k = -0,1)

(k = -0,2)

2

1.4648

1.3973

2

1.4509

1.3594

3

1.3817

1.3478

3

1.44

1.3482

4

1.3709

1.3903

4

1.3902

1.3772

5

1.6015

1.7454

5

1.5323

1.6617

6

1.7141

1.5954

6

1.6303

1.5568

7

1.5923

1.6371

7

1.6663

1.5519

8

1.6001

1.6112

8

1.5051

1.5791

9

1.5428

1.5215

9

1.5945

1.8105

10

1.6714

1.6352

10

1.5805

1.5406

µ waktu

1.5509

µ waktu

1.51782

1.52788

1.51421

Tabel 5. 9 Waktu Konsumsi Metode Otsu Otsu No

Waktu

No

Waktu

1

0.076615

6

0.002187

2

0.000868

7

0.001769

3

0.000599

8

0.001569

4

0.000785

9

0.002063

5

0.001586

10

0.00214

µ waktu

0.009018

Dari tabel 5.8 dan 5.9 dapat dilihat waktu konsumsi dari seluruh data yang telah dilakukan uji coba untuk dijadikan citra biner, dari tabel tersebut


menghasilkan beberapa poin waktu konsumsi rata rata yang akan disajikan pada tabel 5.10, berikut adalah tabel 5.10 : Tabel 5. 10 Waktu Konsumsi Rata-Rata Waktu Total Niblack

Ket. Local Windowing

No

0

K = -0,1

K = -0,2

1

0.1963

0.207232

4

2

2.3454

2.18514

3 vertikal

3

1.5509

1.52788

3 horizontal

4

1.51782

1.51421

Otsu

0.009018

Dari tabel 5.10 dapat disimpulkan bahwa waktu konsumsi metode Niblack yang terbesar adalah 2,3454s, sedangkan waktu konsumsi yang terendah adalah 0,1963s. Untuk nilai akurasi terbesar pada metode Niblack yaitu 87,5035% memiliki waktu konsumsi sebesar 2,18514s.


BAB VI KESIMPULAN DAN SARAN Pada bab ini membahas tentang kesimpulan dan saran dari penulis pada penelitian binerisasi manuskrip aksara Nusantara dengan metode Niblack dan Otsu. 6.1. Kesimpulan Kesimpulan yang didapatkan penulis dari hasil penelitian binerisasi manuskrip aksara Nusantara dengan menggunakan metode Niblack dan Otsu adalah : 1. Metode Niblack dapat mengatasi citra input yang memiliki cahaya kurang atau redup, hal ini dapat dilihat dari contoh data satu sampai empat yang dapat menghasilkan beberapa objek setelah citra dibinerkan, sedangkan metode Otsu tidak dapat menghasilkan objek apapun ketika citra dibinerkan dengan menggunakan metode Otsu. 2. Metode Otsu dapat mengatasi citra input yang memiliki cahaya yang cukup cerah, hal ini dapat dilihat dari contoh data lima sampai sepuluh yang dapat menghasilkan beberapa objek setelah citra dibinerkan dengan metode Otsu, metode Niblack juga dapat mengatasi hal tersebut, akan tetapi waktu konsumsinya lebih lama dari metode Otsu. 3. Ditinjau dari akurasi rata-rata seluruh data, metode Otsu memiliki akurasi rata-rata sebesar 57,9167% dan akurasi metode Niblack memiliki rata-rata sebesar 87,5035% dengan melakukan Local Windowing sebanyak empat potongan serta nilai koefisien Niblack sebesar -0,2. Pada penelitian ini metode Niblack memiliki akurasi yang lebih tinggi dari metode Otsu. 4. Ditinjau dari waktu konsumsi yang dibutuhkan oleh sistem untuk membinerisasikan citra dengan spesifikasi laptop penulis sebagai berikut, prosessor core i5(2,50GHz), memory 8gb, vga 2gb , metode Niblack memiliki tingkat waktu konsumsi rata-rata yang lebih lama dari metode Otsu. Waktu konsumsi rata-rata terendah oleh metode Niblack adalah

56


0,1963s dengan Local Window pada nol pemotongan serta nilai K adalah -0,1 sedangkan metode Otsu adalah 0,009018s. 6.2. Saran Berikut ini adalah saran bagi penelitian berikutnya untuk melanjutkan sistem binerisasi ini : 1. Pada tahap melakukan konversi perubahan jenis citra dari rgb menjadi grayscale diperlukan proses konversi menjadi jenis hsv terlebih dahulu, karena jika

citra langsung dikenakan konversi ke grayscale dengan

menggunakan fungsi rgb2gray yang ada pada MATLAB maka hasil citra biner berwarna hitam seluruhnya, tetapi jika menggunakan konversi ke jenis citra hsv terlebih dahulu, lalu dibinerkan hasilnya akan lebih baik. Hal tersebut dikarenakan fungsi rgb2gray yang berada pada MATLAB saat akan merubah citra menjadi abu, banyak informasi piksel yang hilang, sedangkan hsv tidak menghilangkan informasi tersebut, dan hsv merupakan jenis yang kaya akan warna, wana yang dihasilkan oleh hsv adalah merah, kuning, hijau, cyan, biru, magneta. 2. Lebih banyak melakukan kombinasi pencahayaan saat pengambilan data seperti merubah lampu latar, atau merubah ISO pada kamera, karena metode Niblack merupakan metode menggunakan local threshold yang sensitif terhadap cahaya. 3. Melakukan berbagai macam local windowing selain yang telah dikerjakan oleh penulis, seperti local windowing dengan pemotongan empat vertikal dan empat horizontal.


DAFTAR PUSTAKA Hafizan Mat Som, Jasni Mohamad Zain, dan Amzari Jihadi Ghazali. (2011), “Application Of Threshold Techniques For Readability Improvements Of Jawi Historical Manuscript Images”. Advanced Computing An International Journal (ACII), Vol.2 No.2 : halaman : 60-69, https://www.researchgate.net/profile/Jasni_Mohamad_Zain/publicatio n/50869853_Application_of_Threshold_Techniques_for_Readability_ Improvement_of_JawiHistorical_Manuscript_Images/links/00b7d53a b917259189000000.pdf?origin=publication_detail, tanggal akses : 8 September 2016. Kadir, Abdul dan Adhi Sudanto. (2012),”Teori dan Aplikasi Pengolahan Citra”. Yogyakarta : Penerbit ANDI Yogyakarta. Darma, P. (2009), ”Pengolahan Citra Digital”. Yogyakarta : Penerbit Andi Yogyakarta. Madenda, S. (2015), “Pengolahan Citra & Video Digital”. Jakarta : Penerbit Erlangga. Aris Fanani, Putra Prima, dan M. Mahaputra Hidayat. (2012), “Local Thresholding Berdasarkan Bentuk Untuk Binerisasi Citra Dokumen”. Juti,

Vol.10

No.1

:

halaman

:

26-31,

http://juti.if.its.ac.id/index.php/juti/article/viewFile/27/26,

tanggal

akses : 12 Maret 2017. M. Amin, Khalid, dkk. (2014), “A Binarization Algorithm For Historical Arabic Manuscript Images Using A Neutrosophic Approach”. IEEE, 978-1-4799-6594-6/14

:

halaman

:

266-270,

http://www.iject.org/vol64/1/6-kitty-gupta.pdf, tanggal akses : 12 Maret 2017. Singh, O.Imocha, dkk. (2012), “Local Contrast And Mean Based Thresholding Technique In Image Binarization”. International Journal Of Computer


Applications,

Vol.51

No.6

:

halaman

5-10,

http://research.ijcaonline.org/volume51/number6/pxc3881362.pdf, tanggal akses : 6 Februari 2017.


LAMPIRAN

BINERISASI MANUSKRIP NUSANTARA MENGGUNAKAN ALGORITMA NIBLACK

Recommend Documents