Perbandingan Sensitivitas Filter Deteksi Tepi Sobel Dengan Filter Deteksi Tepi Prewitt Untuk Citra Yang Mengandung Noise Gaussian

Perbandingan Sensitivitas Filter Deteksi Tepi Sobel Dengan Filter Deteksi Tepi Prewitt Untuk Citra Yang Mengandung Noise Gaussian T.Sutojo & Mardhiko Hesti Wicaksono Abstract : Noise on image can be highly disrupt the quality of the image. Edge detection of an the image is affected by noise. To get maximum results of an edge detection on a noisy image, edge detection filter is very necessary for the best sensitivity level This paper is compared the sensitivity level of the Sobel edge detection filter and the Prewitt edge detection filter on a noisy image using Gaussian noise of 5%, 15% and 25%. Sensitivity Level is meassured by the value of the parameter error rate (P). The Greater its value the higher Sensitivity Level of an edge detection filter. Results of research was found that the value of the parameter error rate (P) on the Sobel edge detection filter is greater than the Prewitt edge detection filter. Thus the sensitivity level of Sobel edge detection filter higher than the Prewitt edge detection filter. Keywords: Digital Image Processing, edges detection, Noise, Gaussian, Sobel, Prewitt, parameter error rate (P).

PENDAHULUAN Proses deteksi tepi seringkali ditempatkan sebagai langkah pertama dalam aplikasi segmentasi citra, yang bertujuan untuk mengenali objek-objek yang terdapat dalam citra ataupun konteks citra secara keseluruhan. Deteksi tepi berfungsi untuk mengidentifikasi garis batas (boundary) dari suatu objek yang terdapat pada citra [10]. Tepian dapat dipandang sebagai lokasi piksel dimana terdapat nilai perbedaan intensitas citra secara ekstrem. Sebuah edge detector bekerja dengan cara mengidentifikasi dan menonjolkan lokasi-lokasi piksel yang memiliki karakteristik tersebut. Penggunaan deteksi tepi (egde detection) dalam kehidupan sehari-hari dapat diimplementasikan melalui pengenalan kode tangan yang digunakan untuk membuka dan menutup pintu secara otomatis [5]. Deteksi tepi dapat juga membantu mendeteksi citra untuk modus malam atau night vision, sehingga tampak lebih jelas citra tersebut [4].

T.Sutojo adalah Dosen Fakultas Ilmu Komputer UDINUS Semarang 53

Techno.Com, Vol. 8 No. 1, Mei 2009

54

Dalam pengolahan citra terdapat berbagai macam operator atau filter yang dapat digunakan dalam pendeteksian tepi pada citra, tetapi filter deteksi tepi yang banyak digunakan diantaranya adalah filter deteksi tepi Sobel dan filter deteksi tepi Prewitt [6]. Noise dapat diartikan sebagai titik – titik pada gambar yang sebenarnya bukan merupakan bagian dari gambar melainkan ikut tercampur pada gambar karena suatu sebab [6]. Noise pada citra dapat menjadi sangat mengganggu karena dapat mengurangi kualitas dari citra tersebut. Begitu pula juga berpengaruh dalam pendeteksian tepi pada citra yang terkena noise tersebut. Sehingga untuk mendapatkan hasil yang maksimal pendeteksian tepi pada citra yang mengandung noise tersebut sangat diperlukan filter deteksi tepi yang memiliki tingkat sensitivitas yang terbaik.

Dasar Teori Operator Deteksi Tepi Sobel Filter Deteksi Tepi Sobel menggunakan kernel ukuran 3x3 untuk perhitungan gradient, sehingga perkiraan gradient berada tepat di tengah jendela kernel.

 1 0 1  S x   2 0 2  1 0 1 

 1 2 1 S y   0 0 0  ….....(2.9)  1  2  1

Operator Deteksi Tepi Prewitt Bentuk kernel dari filter Prewitt adalah :

 1 0 1 S x   1 0 1  1 0 1

 1 1 1 S y   0 0 0   1  1  1

…….……(2.10)

Noise Gaussian

Noise gaussian dapat dibangkitkan dengan cara membangkitkan bilangan acak (0,1) dengan distribusi gaussian. Kemudian untuk titik-titik yang terkena noise, nilai fungsi citra ditambahkan dengan nilai noise yang ada , atau dirumuskan dengan: ………….(2.11)

dimana:

a

: nilai bilangan acak berdistribusi Gaussian.

Perbandingan Sensitivitas Filter (T. Sutojo & Mardhiko)

p

55

: prosentase noise.

y(i,j) : nilai citra terkena noise x(I,f) : nilai citra sebelum terkena noise.

Metode Penelitian Jenis Penelitian Penelitian yang dilaksanakan ini merupakan penelitian Eksperimental.

Variabel Penelitian Berikut ini merupakan variable bebas yang digunakan dalam penelitian ini, yaitu : a. Sobel : filter deteksi tepi Sobel. b. Prewitt : filter deteksi tepi Prewitt.

Sedangkan variable terikat yang digunakan dalam penelitian ini adalah sensitivitas terhadap citra yang mengandung noise yang akan diukur dengan menggunakan variable-variable sebagai berikut : a. P

: nilai parameter error rate dengan menggunakan filter deteksi tepi Sobel.

b. P

: nilai parameter error rate dengan menggunakan filter deteksi tepi Prewitt.

sobel prewitt

Populasi Penelitian Populasi yang digunakan dalam penelitian ini adalah nilai parameter error rate (P) untuk filter deteksi tepi Sobel dan filter deteksi tepi Prewitt. Sampel Penelitian Sampel yang digunakan dalam penelitian ini adalah nilai parameter error rate (P) yang dihasilkan dari masingmasing filter deteksi tepi Sobel dan Prewitt yang diuji coba sebanyak 30 kali dengan citra yang mengandung noise gaussian sebesar 5%, 15% dan 25%. Rancangan Penelitian Penelitian akan dilakukan dengan percobaan untuk menghitung dan membandingkan tingkat sensitivitas dari filter deteksi tepi Sobel dengan filter deteksi tepi Prewit terhadap citra greyscale dan mengandung noise gaussian


56

dengan prosentase 5%, 15% dan 25%. Untuk lebih jelasnya langkah-langkah percobaan yang dilakukan dalam penelitian ini dapat dilihat pada gambar 1 berikut :

Filter Deteksi Tepi Sobel

nR

P

sobel


nN

Filter Deteksi Tepi Prewit

nN

Noise Gaussian 5%

Citra


nR


nR

P

prewit

P

sobel


nN


nN

Noise Gaussian 15%


nR


nR

P

prewit

P

sobel


nN


nN

Noise Gaussian 25%


P

prewit

nR

Gambar 1 Diagram Rancangan Penelitian


57

Rumusan Hipotesis Bentuk pengujian hipotesis dalam penelitian ini adalah :

H 0 :  Psobel   Pprewitt

H 1 :  Psobel   Pprewitt Keterangan :

 Psobel : Nilai parameter eror rate pada filter deteksi tepi Sobel.  Pprewitt : Nilai parameter eror rate pada filter deteksi tepi Prewitt .

Instrumen Penelitian Instrumen penelitian yang digunakan untuk mendukung penelitian ini berupa perangkat keras dan perangkat lunak. Perangkat keras yang digunakan berupa komputer dengan spesifikasi pada tabel berikut : Tabel 1. Spesifikasi Perangkat Keras Spesikasi Perangkat Keras Prosesor

Intel(R) T2600 (Core Duo) 2,16 GHz

Memori

DDR-2 1 GB

Hardisk

Hitachi 80 GB

VGA

Onboard 128 MB

Sedangkan perangkat lunak yang digunakan untuk membantu dalam penelitian ini adalah sebagai berikut : 1. Sistem Operasi Windows XP Profesional Version 2002 Service Pack 2 dari Microsoft Inc. 2. Matlab Release 14 Service Pack 3 dari MathWorks Inc. 3. Adobe Photoshop CS2 dari Adobe System Inc. 4. Microsoft Office 2003 dari Microsoft Inc.


58

Instrumen Ukur Tingkat sensitivitas dari masing-masing filter terhadap noise tersebut diukur dengan menggunakan persamaan berikut:

P

n N  nR nR

Keterangan : P

: nilai Parameter eror rate

n

: jumlah piksel yang dinyatakan sebagai edge pada citra noisy.

n

N R

: jumlah piksel yang dinyatakan sebagai edge pada citra referensi.

Teknik Analisis Data Teknik Analisis data yang digunakan adalah uji normalitas terhadap distribusi sample data kemudian dilakukan uji hipotesis statistika.

Hasil Penelitian Dan Pembahasan Dari percobaan yang dilakukan sebanyak 30 kali, hasil perhitungan nilai parameter eror rate (P) masing-masing filter deteksi tepi Sobel dan Prewitt untuk citra yang mengandung noise gaussian dengan prosentase 5%, 15% dan 25 % tersebut dapat dilihat pada table.berikut.


59

Tabel 4.1. Hasil Perhitungan Nilai Parameter Eror Rate (P), Rata-rata dan Deviasi Standar Nilai P pada Citra yang Mengandung Noise sebanyak 5%.

5%

 x S

No

Psobel

Pprewitt

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

0.2657 0.2674 0.2699 0.2726 0.2727 0.2729 0.2740 0.2744 0.2746 0.2755 0.2757 0.2765 0.2768 0.2772 0.2777 0.2778 0.2791 0.2809 0.2811 0.2816 0.2839 0.2849 0.2856 0.2866 0.2868 0.2873 0.2879 0.2888 0.2895 0.2897 8.3751 0.2792 0.0068

0.2626 0.2653 0.2672 0.2675 0.2676 0.2684 0.2690 0.2692 0.2706 0.2714 0.2718 0.2720 0.2723 0.2728 0.2734 0.2740 0.2742 0.2745 0.2747 0.2753 0.2762 0.2767 0.2768 0.2773 0.2804 0.2809 0.2832 0.2845 0.2857 0.2878 8.2233 0.2741 0.0061


60


15 %

 x S

No

Psobel

Pprewitt

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

0.2865 0.2908 0.2919 0.2925 0.2926 0.2938 0.2954 0.2964 0.2982 0.2992 0.2995 0.3001 0.3002 0.3004 0.3009 0.3011 0.3013 0.3024 0.3030 0.3032 0.3037 0.3049 0.3060 0.3062 0.3071 0.3082 0.3090 0.3102 0.3118 0.3121 9.0286 0.3010 0.0067

0.2809 0.2811 0.2878 0.2887 0.2896 0.2898 0.2912 0.2915 0.2923 0.2926 0.2934 0.2942 0.2943 0.2957 0.2967 0.2968 0.2970 0.2971 0.2976 0.2979 0.2984 0.2985 0.2999 0.3004 0.3006 0.3015 0.3037 0.3045 0.3057 0.3095 8.8689 0.2956 0.0065


61


25 %

 x S

No

Psobel

Pprewitt

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

0.2503 0.2531 0.2551 0.2567 0.2576 0.2579 0.2581 0.2584 0.2587 0.2589 0.2592 0.2595 0.2598 0.2601 0.2607 0.2631 0.2643 0.2651 0.2652 0.2665 0.2674 0.2679 0.2684 0.2710 0.2715 0.2724 0.2735 0.2738 0.2749 0.2778 7.9069 0.2636 0.0071

0.2438 0.2492 0.2497 0.2508 0.2534 0.2542 0.2547 0.2551 0.2567 0.2570 0.2572 0.2575 0.2584 0.2587 0.2598 0.2600 0.2601 0.2606 0.2611 0.2622 0.2623 0.2630 0.2644 0.2645 0.2648 0.2656 0.2661 0.2694 0.2704 0.2747 7.7854 0.2595 0.0067


62

Pengujian Normalitas Hasil Penelitian Hasil akhir perhitungan uji Liliefors dari percobaan nilai parameter rate (P) dari filter deteksi tepi Sobel dan Prewitt untuk citra yang mengandung noise sebesar 5%, 15% dan 25% tersebut dapat dilihat pada tabel 4. 4, tabel 4.5 dan table 4.6 sebagai berikut : Tabel 4.4. Hasil Pengujian Normalitas dengan Uji Liliefors pada Percobaan untuk Nilai Parameter Eror Rate (P) dengan Menggunakan Noise Sebesar 5 %.

Filter Deteksi Tepi

Lhitung

Ltabel

Kesimpulan

Sobel

0.1421

0.161

Normal

Prewitt

0.1219

0.161

Normal

Tabel 4.5. Hasil Pengujian Normalitas dengan Uji Liliefors pada Percobaan untuk Nilai Parameter Eror Rate (P) dengan Menggunakan Noise Sebesar 15%.

Filter Deteksi Tepi

Lhitung

Ltabel

Kesimpulan

Sobel

0.0936

0.161

Normal

Prewit

0.1175

0.161

Normal

Tabel 4.6. Hasil Pengujian Normalitas dengan Uji Liliefors pada Percobaan untuk Nilai Parameter Eror Rate (P) dengan Menggunakan Noise Sebesar 25%.

Filter Deteksi Tepi

Lhitung

Ltabel

Kesimpulan

Sobel

0.1165

0.161

Normal

Prewitt

0.1514

0.161

Normal

Hasil uji Liliefors pada percobaan citra yang mengandung noise dengan prosentase 5 % , 15 % dan 25 %, untuk nilai parameter eror rate (P) pada table 4.4, table 4.5 dan table 4.6 menunjukkan bahwa data hasil penelitian Psobel dan Pprewitt adalah berdistribusi normal.


63

Pengujian Hipotesis Karena Pprewitt dan Psobel distribusi datanya normal maka pengujian akan dilanjutkan dengan menggunakan uji homogenitas dan kemudian dilakukan pengujian hipotesis statistika secara parametik yaitu uji-t. Perhitungan Uji Homogenitas Rumus Uji Homogenitas [13] :

Fhitung 

var ian terbesar , var ian terkecil

dengan dk pembilang = ( n1 -1) dan dk penyebut = ( n 2 -1 ) untuk menentukan Ftabel dengan melihat Tabel distribusi F (terdapat pada lampiran). Bila Fhitung < Ftabel maka kedua varian sample tersebut homogen. Pada pengujian untuk penelitian ini : dk pembilang = ( n1 -1) = (30-1) = 29. dk penyebut = ( n 2 -1) = (30-1) = 29. sehingga didapatkan Ftabel = 1,85. Ctra yang mengandung noise sebesar 5 %. Varian terbesar = 0.00004559 Varian terkecil = 0.00003759

Fhitung 

var ian terbesar 0.00004559   1.21 var ian terkecil 0.00003759

Ftabel = 1,85 Karena Fhitung < Ftabel maka kedua varian sample tersebut homogen

Ctra yang mengandung noise sebesar 15 %. Varian terbesar = 0.00004505 Varian terkecil = 0.00004285


64

Fhitung 



Ctra yang mengandung noise sebesar 25 %. Varian terbesar = 0.00004986 Varian terkecil = 0.00004465

Fhitung 



Perhitungan Uji-t Untuk melihat harga t tabel , digunakan dk = n1 + n 2 - 2 Dalam penelitian ini jumlah sample pertama dan kedua adalah sama, yaitu : n1 = 30 dan n 2 = 30. Sedangkan nilai signifikan yang digunakan α = 0.05. Maka nilai dk = 30 + 30 – 2 = 58 dan α/2 = 0.025. Dengan melihat table distribusi t didapatkan harga t tabel = 2.000.


65

Citra yang mengandung noise sebesar 5 %.

x1

0.2792

x2

0.2741

s1

2

s2

2

x1  x 2

t hitung 

2

0.00004559

 0.00003759

n1

30

n2

30

2

s1 s  2 n1 n2

 

0.2792  0.2741 0.00004559 0.00003759  30 30 0.0051 0.00000277 0.0051 0.001664

 3.065 Karena t hitung > t tabel sehingga terletak disebelah kanan daerah kritis, maka H 0 ditolak dan H 1 diterima. Artinya filter deteksi tepi sobel memiliki tingkat sensitivitas yang lebih tinggi daripada filter deteksi tepi Prewitt pada citra yang mengandung noise 5%. Ctra yang mengandung noise sebesar 15 %.

x1

0.3017

x2

0.2956

s1

2

s2

2

0.00004505 0.00004285

n1

30

n2

30

t hitung 

x1  x 2 2

2

s1 s  2 n1 n2 

0.3010  0.2956

0.00004505 0.00004285  30 30 0.0054  0.001712  3.15

Karena t hitung > t tabel sehingga terletak disebelah kanan daerah kritis, maka H 0 ditolak dan H 1 diterima. Artinya filter deteksi tepi sobel memiliki tingkat sensitivitas yang lebih tinggi daripada filter deteksi tepi Prewitt pada citra yang mengandung noise sebesar 15%.


66

Citra yang mengandung noise sebesar 25 %.

x1

0.2636

x2 s1

2

s2

2

t hitung 

0.00004465

n1

30

n2

30

2

2

s1 s  2 n1 n2

0.2595 0.00004986

x1  x 2



0.2636  0.2595

0.00004986 0.00004465  30 30 0.0041  0.001775  2.31

Karena t hitung > t tabel sehingga terletak disebelah kanan daerah kritis, maka H 0 ditolak dan H 1 diterima. Artinya filter deteksi tepi sobel memiliki tingkat sensitivitas yang lebih tinggi daripada filter deteksi tepi Prewitt pada citra yang mengandung noise sebesar 25%.

KESIMPULAN Dari penelitian yang telah dilakukan maka dapat diambil beberapa kesimpulan sebagai berikut : Nilai parameter eror rate (P) dari filter deteksi tepi Sobel lebih besar daripada filter deteksi tepi Prewitt untuk percobaan pada citra yang mengandung noise sebanyak 5%, 15% dan 25%.

SARAN Saran yang dapat diberikan adalah: dapat dilakukan penelitian selanjutnya pada filter deteksi tepi lainnya seperti filter Isotropik, Kirsch, Laplacian of Gausian, Canny dan filter deteksi tepi yang lain untuk mengetahui tingkat sensitivitas filter deteksi tepi untuk citra yang mengandung noise yang berbeda-beda. DAFTAR PUSTAKA

1. Analisis Hubungan Statistika. http://uharsputra.files.wordpress.com/2007/ 05/bab-iv-analisis-hubunganbuku-penelitian-kuantitatif.doc , diakses pada tanggal 11 Mei 2008. 2. Balza, A dan Kartika F. 2005. Teknik Pengolahan Citra Digital Menggunakan Delphi. Yogyakarta: Ardi Publishing. 3. Basuki, Achmad. 2006. Pengolahan Citra Digital Menggunakan Visual Basic. Jakarta: CV. Graha Ilmu.


67

4. Ching, W.W. 2006. Real Time Sobel Square Edge Detector for Night Vision Analysis. Vision and Artificial Intelligence Group,Department of Computing and Informatics, University of Lincoln, United Kingdom. 5. Djuhari, Oktovan. 2006. Pintu Otomatis Dengan Menggunakan Kode Tangan. Proyek Akhir Teknologi Informasi. Institut Teknologi Sepuluh November. 6. Gonzales, Rafael C.

1992. Digital Image Processing, Second Edition. New York: Addison - Wesley

Publishing. 7. Gonzales, Rafael C, Richard E. Woods and Steven L. Eddins. 2004. Digital Image Processing using MATLAB, Low Price Edition. Singapore: Pearce Education. 8. Imaging

&

image

Processing

Research

Group

Intitut

Teknologi

Bandung,

http://www.biomed.ee.itb.ac.id/praktikum_citra/Modul_2_EL4027.pdf, diakses pada tanggal 30 April 2008. 9. Jain, Anil K. 1989. Fundamentals of Digital Image Processing. New York: Prentice Hall International. 10. Munir, Rinaldi. 2004. Pengolahan Citra digital dengan Pendekatan Algoritmik. Bandung: Penerbit Informatika. 11. Murni, Aniati. 1992. Pengantar Pengolahan Citra. Jakarta: Elex Media Komputindo. 12. Pitas, Ioannis. 1993. Digital Image Processing Algorithms. New York: Prentice Hall. 13. Sugiyono, Dr.,Prof. 2004. Metode Penelitian Bisnis. Bandung : CV Alfabeta.

Perbandingan Sensitivitas Filter Deteksi Tepi Sobel Dengan Filter Deteksi Tepi Prewitt Untuk Citra Yang Mengandung Noise Gaussian

Recommend Documents