PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI

IMPLEMENTASI METODE DETEKSI TEPI DENGAN OPERATOR SOBEL UNTUK OPTIMASI SEGMENTASI CITRA DOKUMEN BERAKSARA JAWA

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

Oleh: Maria Fransiska Fanny Puspandari 065314021

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2011


IMPLEMENTASI METODE DETEKSI TEPI DENGAN OPERATOR SOBEL UNTUK OPTIMASI SEGMENTASI CITRA DOKUMEN BERAKSARA JAWA

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

Oleh: Maria Fransiska Fanny Puspandari 065314021

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2011 i


IMPLEMENTATION OF EDGE DETECTION METHOD WITH SOBEL OPERATOR FOR OPTIMIZATION DOCUMENT IMAGE SEGMENTATION OF JAVANESE CHARACTER

A Thesis Presented as Partial Fullfillment of The Requirements to Obtain The Sarjana Computer Degree in Informatics Engineering Study Program

By: Maria Fransiska Fanny Puspandari 065314021

INFORMATICS ENGINEERING PROGRAM INFORMATICS ENGINEERING DEPARTMENT FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2011 ii


iii


iv


v


vi


ABSTRAK

Penelitian ini berfokus pada implementasi metode deteksi tepi dengan operator sobel untuk optimasi segmentasi citra dokumen beraksara Jawa. Deteksi tepi pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyekobyek gambar, yang bertujuan untuk meningkatkan penampakan garis batas suatu daerah atau objek di dalam citra. Untuk melihat kegunaan deteksi tepi pada citra dokumen beraksara Jawa, maka dilakukan proses segmentasi menggunakan profil proyeksi sehingga nantinya dapat terlihat bahwa dengan adanya proses deteksi tepi ini dapat meningkatkan prosentase keberhasilan segmentasi. Untuk membandingkan prosentase keberhasilan segmentasi, dilakukan pengujian dengan cara pengamatan secara visual hasil-hasil citra karakter yang dihasilkan dari segmentasi dengan adanya deteksi tepi mempergunakan operator sobel dengan deteksi tepi mempergunakan operator canny dan juga deteksi tepi dengan operator sobel yang tersedia pada toolbox MATLAB. Berdasarkan hasil pengujian terhadap 5 citra dokumen dari penggunaan deteksi tepi mempergunakan operator sobel untuk segmentasi citra dokumen beraksara Jawa, diperoleh rata-rata prosentase keberhasilan segmentasi sebesar 84,76%. Sementara, jika pada dokumen yang sama dilakukan segmentasi tanpa terlebih

dahulu

dilakukan

deteksi

tepi,

diperoleh

rata-rata

prosentase

keberhasilannya 81,98%. Dan terhadap hasil pengujian dari penggunaan deteksi tepi mempergunakan operator canny untuk segmentasi citra dokumen beraksara Jawa, diperoleh rata-rata prosentase keberhasilan segmentasi sebesar 53,88%. Sedangkan hasil pengujian dari penggunaan deteksi tepi menggunakan operator sobel yang tersedia pada toolbox MATLAB, untuk segmentasi citra dokumen beraksara Jawa, diperoleh rata-rata prosentase keberhasilan segmentasi sebesar 72,42%. Maka dapat disimpulkan bahwa deteksi tepi mempergunakan operator sobel yang diimplementasikan pada tugas akhir ini relatif lebih baik dibandingkan dengan operator canny atau operator sobel MATLAB serta dapat membantu meningkatkan prosentase keberhasilan segmentasi karena terjadi proses rekonstruksi citra-citra karakter setelah dilakukan deteksi tepi.

vii


ABSTRACT

This research focuses on the implementation of edge detection method with sobel operator to optimize the segmentation of document image of Javanese character. The edge detection on an image is a process that produces edges of image objects, which aims to improve the appearance of an area boundary lines or of objects in the image. To see the usefulness of edge detection in Javanese character document image, thus undertaken a segmentation process using projection profile so that later it can be seen that with the edge detection process, it may increase the percentage of successful segmentation. To compare the percentage of successful segmentation, a test was carried out by visually observing the results of character images produced by segmentation with the existence of edge detection using sobel operator which was carried out in this thesis by the edge detection using canny operator and sobel operator available on the MATLAB toolbox. Based on the test result of 5 document images from the usage of edge detection using sobel operator which was undertaken in this thesis to document images segmentation of Javanese characters, obtained the average of successful segmentation percentage for 84,76%. Meanwhile, if in the same document was carried out a segmentation without being conducted the edge detection first, obtained the average successful percentage for 81,98 %. And for the result test of edge detection usage used canny operator available on MATLAB toolbox to document images segmentation of Javanese characters, acquired the average successful percentage of segmentation for 53,88%. While the test result of edge detection usage utilized sobel operator available on MATLAB toolbox, for document images segmentation of Javanese characters, obtained the average of successful segmentation for 72,42%. Thus, it can be concluded that the edge detection using sobel operator which is implemented in this thesis is relatively better than MATLAB canny operator or sobel operator because thinning process affects to the edge result generated from the edge of the edge detection operators.

viii


KATA PENGANTAR

Puji dan syukur kepada Tuhan Yesus Kristus atas segala berkat dan karunia-Nya, sehingga penulis dapat menyelesaikan tugas akhir yang berjudul “Implementasi Metode Deteksi Tepi dengan Operator Sobel untuk Optimasi Segmentasi Citra Dokumen Beraksara Jawa” ini dengan baik. Penulis menyadari bahwa selama proses penelitian dan penyusunan laporan tugas akhir ini, banyak pihak yang telah memberikan bantuan baik berupa dukungan, perhatian, semangat, kritik dan saran yang sangat penulis butuhkan, sehingga pada kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar-besarnya, antara lain kepada : 1. Anastasia Rita Widiarti, S.Si., M.Kom., selaku dosen pembimbing tugas akhir, atas kesabarannya dalam membimbing penulis, meluangkan waktunya, memberikan dukungan, motivasi, serta saran yang sangat membantu penulis. 2. Eko Hari Parmadi, S.Si., M.Kom, selaku dosen penguji yang telah memberikan saran dan masukan yang berguna dalam tugas akhir ini. 3. Sri Hartati Wijojo, S.Si., M.Kom, selaku dosen penguji yang telah memberikan saran dan masukan yang berguna dalam tugas akhir ini. 4. Y. Joko Nugroho, S.Si, selaku dosen penguji yang telah memberikan saran dan masukan yang berguna dalam tugas akhir ini. 5. Ayahku Fx. Heri Sulistya dan Ibuku Catharina Kusumandari serta adikku Sesilia Paramitha Novitasari, atas doa, semangat, dukungan baik moril maupun finansial serta kasih yang begitu besar yang selalu ada untukku. ix


x


DAFTAR ISI

HALAMAN JUDUL BAHASA INDONESIA ........................................

i

HALAMAN JUDUL BAHASA INGGRIS .............................................

ii

HALAMAN PERSETUJUAN PEMBIMBING ...................................

iii

HALAMAN PENGESAHAN ...................................................................

iv

PERNYATAAN KEASLIAN KARYA ..................................................

v

LEMBAR PERSETUJUAN PUBLIKASI .............................................

vi

ABSTRAK ..................................................................................................

vii

ABSTRACT ...............................................................................................

viii

KATA PENGANTAR ..............................................................................

ix

DAFTAR ISI ..............................................................................................

xi

DAFTAR GAMBAR .................................................................................

xiv

DAFTAR TABEL ......................................................................................

xvi

BAB I. PENDAHULUAN ......................................................................

1

A.

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

B.

Rumusan Masalah ......................................................................... 3

C.

Tujuan ........................................................................................... 3

D.

Batasan Masalah ........................................................................... 4

E.

Metodologi Penelitian ................................................................... 4

F.

Sistematika Penulisan ................................................................... 5

BAB II. LANDASAN TEORI ................................................................. A.

7

Citra .............................................................................................. 7 1. Citra Biner .............................................................................. 8

xi


2. Citra Skala Keabuan ............................................................... 8 3. Citra Warna ............................................................................. 9 4. Citra Warna Berindeks ........................................................... 10 B.

Pengolahan Citra .......................................................................... 10 1. Tepi (Edge) ............................................................................

13

2. Deteksi Tepi ........................................................................... 15 C.

Deteksi Tepi ................................................................................. 13

D.

Operator Sobel ............................................................................. 17

E.

Segmentasi ................................................................................... 23 1. Segmentasi ............................................................................. 23 2. Histogram ............................................................................... 24

F.

Profil Proyeksi .............................................................................. 24

G.

Matlab .......................................................................................... 26

BAB III. ANALISA DAN PERANCANGAN SISTEM .......................

29

A.

Analisa Sistem .............................................................................. 29

B.

Analisa Kebutuhan Hardware – Sofware ..................................... 31 1. Analisa Kebutuhan Hardware ................................................ 31 2. Analisa Kebutuhan Software .................................................

C.

31

Rancangan Proses Sistem ............................................................. 31 1. Data Flow Diagram Level 0 ................................................... 32 2. Data Flow Diagram Level 1 ................................................... 32 3. Flowchart Deteksi Tepi .......................................................... 33 4. Diagram Alir Proses Segmentasi ...........................................

D.

35

Rancangan Pengujian ................................................................... 36

xii


BAB IV. IMPLEMENTASI ...................................................................... 38 A.

Implementasi Program ................................................................. 38 1. Implementasi Deteksi Tepi ....................................................

38

2. Implementasi Segmentasi ......................................................

41

BAB V. ANALISA HASIL DAN PEMBAHASAN ..............................

42

A.

Data Masukan ............................................................................... 42

B.

Analis Hasil .................................................................................. 44

Bab VI. Kesimpulan dan Saran .............................................................. 70 A.

Kesimpulan ................................................................................... 70

B.

Saran ............................................................................................. 71

Daftar Pustaka ............................................................................................ 72 Lampiran ..................................................................................................... 74

xiii


DAFTAR GAMBAR

Gambar 2.1

Citra biner dan representasinya dalam data digital ............... 8

Gambar 2.2

Citra keabuan dan representasinya dalam data digital .......... 9

Gambar 2.3

Citra warna dan representasinya dalam data digital .............. 9

Gambar 2.4

Citra warna berindeks dan representasinya dalam data digital 10

Gambar 2.5

Tepi curam ............................................................................. 13

Gambar 2.6

Tepi landai ............................................................................. 14

Gambar 2.7

Tepi curam dengan derau ....................................................... 14

Gambar 2.8

Proses deteksi tepi citra .......................................................... 16

Gambar 2.9

Susunan piksel pada konvolusi Sobel ..................................... 17

Gambar 2.10 Matriks operator sobel untuk persamaan Sx .......................... 18 Gambar 2.11 Matriks operator sobel untuk persamaan Sy .......................... 18 Gambar 2.12 Citra semula ........................................................................... 19 Gambar 2.13 Citra hasil konvolusi .............................................................. 23 Gambar 2.14 Profil proyeksi horisontal dan vertikal .................................. 25 Gambar 2.15 Gambar asli ........................................................................... 27 Gambar 2.16 Hasil deteksi tepi Prewitt ...................................................... 28 Gambar 2.17 Hasil deteksi tepi Canny .......................................................

28

Gambar 2.18 Hasil deteksi tepi Sobel ......................................................... 28 Gambar 2.19 Hasil deteksi tepi Roberts ...................................................... 28 Gambar 3.1

Citra karakter hasil segmentasi dengan deteksi tepi ............. 30

Gambar 3.2

Data flow diagram level 0 ..................................................... 32

Gambar 3.3

Data flow diagram level 1 ..................................................... 32

xiv


Gambar 3.4

Flowchart proses deteksi tepi ................................................ 34

Gambar 3.5

Diagram alir proses segmentasi ............................................. 36

Gambar 5.1

Citra dokumen masukan data 1 ............................................. 43

Gambar 5.2

Citra data 1 hasil konvolusi dengan Gradien X ..................... 45

Gambar 5.3

Citra data 1 hasil konvolusi dengan Gradien Y ..................... 46

Gambar 5.4

Hasil deteksi tepi citra dokumen data 1 ................................ 47

Gambar 5.5

Potongan baris 1 dari citra dokumen data 1 .......................... 48

Gambar 5.6

Citra-citra karakter baris 1 dari citra dokumen data 1 ........... 49

xv


DAFTAR TABEL

Tabel 5.1 Kriteria citra dokumen masukan ................................................ 42 Tabel 5.2 Analisis output segmentasi citra dokumen data 1 melalui deteksi tepi .................................................................... 49 Tabel 5.3 Analisis output segmentasi citra dokumen data 1 tanpa melalui deteksi tepi ........................................................... 50 Tabel 5.4 Analisis output segmentasi citra dokumen data 2 melalui deteksi tepi ..................................................................... 52 Tabel 5.5 Analisis output segmentasi citra dokumen data 2 tanpa melalui deteksi tepi ........................................................... 54 Tabel 5.6 Analisis output segmentasi citra dokumen data 3 melalui deteksi tepi ..................................................................... 57 Tabel 5.7 Analisis output segmentasi citra dokumen data 3 tanpa melalui deteksi tepi ........................................................... 58 Tabel 5.8 Analisis output segmentasi citra dokumen data 4 melalui deteksi tepi ..................................................................... 59 Tabel 5.9 Analisis output segmentasi citra dokumen data 4 tanpa melalui deteksi tepi ........................................................... 60 Tabel 5.10 Analisis output segmentasi citra dokumen data 5 melalui deteksi tepi .................................................................... 63 Tabel 5.11 Analisis output segmentasi citra dokumen data 5 tanpa melalui deteksi tepi ......................................................... Tabel 5.12 Rangkuman hasil analisis output hasil segmentasi

xvi

64


melalui deteksi tepi ...................................................................

66

Tabel 5.13 Rangkuman hasil analisis output segmentasi tanpa deteksi tepi ......................................................................

66

Tabel 5.14 Rangkuman hasil analisis output segmentasi melalui deteksi tepi dengan operator canny MATLAB ..............

67

Tabel 5.15 Rangkuman hasil analisis output segmentasi melalui deteksi tepi dengan operator sobel MATLAB ................ 68

xvii


BAB I PENDAHULUAN

A.

Latar Belakang Yogyakarta sebagai kota yang kaya akan keanekaragaman budayanya menyimpan banyak sekali aset yang merupakan warisan budaya, salah satunya buku-buku kuno yang ditulis dengan aksara Jawa. Sayang sekali jika buku-buku tersebut hanya disimpan, padahal buku-buku tersebut perlu dilestarikan. Akan lebih bermanfaat lagi jika buku-buku tersebut dikonversi ke dalam format digital, sehingga kualitas dapat diperbaiki dan mudah dilakukan analisa citra untuk pengenalan citra dokumen. Ada berbagai tahapan untuk sampai ke tahap pengenalan citra dokumen. Untuk proses awal akan dilakukan deteksi tepi pada citra dokumen. Deteksi tepi atau edge detection pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyek-obyek gambar. Suatu titik (x,y) dikatakan sebagai tepi (edge) dari suatu citra bila titik tersebut mempunyai perbedaan yang tinggi dengan tetangganya (Sigit,2005). Bila dua buah atau lebih obyek saling tumpang tindih, bila intensitas mereka tidak sama, akan meninggalkan jejak tepi sehingga diketahui obyek yang satu berada di depan obyek yang lain atau sebaliknya. Hal ini penting untuk mengembalikan atau merekonstruksi bentuk yang seharusnya dari obyek yang berada di belakang obyek lainnya, atau memisahkan obyek yang tumpang tindih sehingga dapat dianalisis secara individu. Dengan demikian

1


2

tepi suatu obyek juga berguna untuk memisahkan obyek yang saling bersinggungan sehingga mereka tidak dianggap sebagai satu obyek yang besar dan dapat dianalisis secara individu. Setelah didapatkan tepi-tepi dari obyek tersebut maka dapat diambil untuk diolah ke proses selanjutnya, yaitu segmentasi yang berarti memisahkan obyek gambar dengan latar belakangnya. Oleh sebab itu, dalam penelitian ini diharapkan dengan adanya deteksi tepi akan membantu meningkatkan keberhasilan segmentasi. Segmentasi dalam tugas akhir ini akan menggunakan segmentasi dengan profil proyeksi yang akan diimplementasikan sesuai dengan acuan Widiarti (Widiarti,2007). Dalam tugas akhir ini, akan digunakan operator Sobel sebagai metode dalam melakukan deteksi tepi pada citra dokumen teks beraksara Jawa. Dengan operator Sobel batas tepian akan terlihat dengan jelas dan lebih halus, tetapi di situ akan terlihat banyak respon yang dihasilkan (Kusno,2009). Operator Sobel merupakan operator yang paling banyak digunakan sebagai pelacak tepi karena kesederhanaan dan keampuhannya (Hamidah,2010). Dalam melakukan pengujian digunakan operator canny dan operator sobel yang tersedia dalam toolbox MATLAB sebagai pembanding dalam mendeteksi tepi citra dokumen beraksara Jawa. Menurut Uma Hamidah (Hamidah,2010) operator canny dapat mendeteksi dan melokalisasi dengan baik yang menghasilkan jarak yang minimum antara tepi yang dideteksi dengan tepi asli. Dan juga respon yang jelas yaitu hanya ada satu respon untuk tiap tepi.


B.

3

Rumusan Masalah Berdasarkan latar belakang di atas, maka dapat dirumuskan beberapa masalah sebagai berikut : 1.

Bagaimana mengimplementasikan metode deteksi tepi dengan operator sobel pada citra dokumen teks beraksara Jawa ?

2.

Berapakah prosentase keberhasilan proses segmentasi pada citra dokumen teks beraksara Jawa dengan adanya deteksi tepi menggunakan operator sobel ?

3.

Apakah deteksi tepi menggunakan operator sobel yang dilakukan pada tugas akhir ini lebih baik bila dibandingkan dengan deteksi tepi menggunakan operator canny dan operator sobel yang tersedia dalam toolbox MATLAB?

C.

Tujuan Penelitian dalam tugas akhir ini mempunyai tujuan yaitu : 1.

Memahami cara kerja proses deteksi tepi pada citra dokumen teks beraksara Jawa menggunakan operator sobel.

2.

Mengukur keberhasilan proses segmentasi pada citra dokumen teks beraksara Jawa yang sudah melalui proses deteksi tepi dengan menggunakan operator sobel.

3.

Membandingkan keberhasilan deteksi tepi menggunakan operator sobel pada tugas akhir ini dengan deteksi tepi menggunakan operator canny dan operator sobel yang tersedia dalam toolbox MATLAB yang diimplementasikan pada citra dokumen beraksara Jawa untuk meningkatkan keberhasilan segmentasi.


D.

4

Batasan Masalah Adapun permasalahan yang akan diselesaikan akan dibatasi oleh halhal sebagai berikut : 1.

File citra dokumen masukan yang diproses adalah file dengan extensi *.jpg. Citra dokumen masukan yang ideal adalah citra dokumen beraksara Jawa yang tidak miring, bebas dari derau atau noise, dan merupakan citra keabuan. File data merupakan koleksi dari hasil penelitian Widiarti, dkk (Widiarti,dkk, 2010).

2.

Sistem yang akan dibangun hanya akan membahas proses deteksi tepi dan sedikit proses segmentasi. Apabila ada proses yang perlu dilakukan sebelum proses deteksi tepi ataupun segmentasi, maka proses tersebut akan dilakukan secara manual dan tidak dibahas dalam tugas akhir ini.

3.

Program

dalam tahap

perancangan sistem

dinyatakan dengan

menggunakan bahasa pemrograman MATLAB. 4.

Pengujian yang dilakukan dengan melakukan pengamatan secara visual atau kasat mata dari hasil segmentasi tanpa deteksi tepi dengan segmentasi yang sudah melalui proses deteksi tepi dan dengan membandingkan antara operator sobel yang dilakukan dalam tugas akhir ini dengan operator canny dan operator sobel yang tersedia dalam toolbox MATLAB.

E.

Metodologi Penelitian Di dalam melakukan penelitian ini, penulis melakukan metodologi penelitian sebagai berikut :


5

1. Studi literatur. Melakukan studi kepustakaan terhadap berbagai referensi yang berhubungan dengan penelitian yang dilakukan, pendalaman MATLAB, serta penentuan masalah yang akan dianalisis. 2. Melakukan perancangan sistem. Melakukan perancangan sistem berupa diagram aliran data pada masingmasing proses yang akan dilakukan. 3. Penulisan program. Mengimplementasikan proses-proses dalam diagram aliran data dalam tahap perancangan sistem dinyatakan dengan menggunakan bahasa pemrogramana MATLAB. 4. Melakukan pengujian. Melakukan pengujian terhadap hasil segmentasi melalui deteksi tepi dengan operator sobel. 5. Analisis hasil. Melakukan analisis hasil terhadap citra-citra karakter hasil segmentasi melalui deteksi tepi dengan citra-citra karakter hasil segmentasi tanpa deteksi tepi.

F.

Sistematika Penulisan Bab I. Pendahuluan Dalam bab ini akan dijelaskan mengenai latar belakang masalah, rumusan masalah, batasan masalah, tujuan penelitian, metodologi penelitian, dan sistematika penulisan.


6

Bab II. Landasan Teori Dalam bab ini akan dijelaskan mengenai pengetahuan yang menjadi dasar teori

untuk

mengimplementasikan

metode

deteksi

tepi

dengan

menggunakan operator sobel pada citra aksara Jawa.

Bab III. Analisa dan Perancangan Sistem Dalam bab ini berisi analisa sistem yang dibutuhkan untuk penelitian ini. Berdasarkan analisa sistem tersebut, akan dirancang sistem untuk menyelesaikan masalah dalam penelitian ini. Analisa sistem tersebut meliputi gambaran umum sistem, analisa kebutuhan. Perancangan sistem meliputi diagram aliran data masing-masing proses yang akan dilakukan.

Bab IV. Implementasi Bab ini berisi penjelasan mengenai tahapan-tahapan penelitian dalam mengubah rancangan yang telah dibuat ke dalam bentuk program dengan menggunakan bahasa pemrograman MATLAB.

Bab V. Hasil dan Pembahasan Dalam bab ini hasil dan pembahasan menguraikan dan membahas tentang analisa hasil penelitian yang dilakukan penulis.

Bab VI. Kesimpulan dan Saran Bab ini berisi kesimpulan yang dapat diambil penulis selama melakukan penelitian berdasarkan hasil-hasil pada bab sebelumnya, dan juga berisi saran yang dapat diajukan penulis untuk pengembangan lebih lanjut.


BAB II LANDASAN TEORI

Bab ini akan menjelaskan mengenai teori yang berhubungan dengan penelitian dalam tugas akhir ini, yaitu mencakup citra, pengolahan citra, deteksi tepi, operator sobel, histogram, segmentasi, profil proyeksi, dan Matlab.

A.

Citra Citra merupakan suatu gambar pada bidang dua dimensi (Munir, 2004), secara umum citra dapat dikelompokkan menjadi 2, yaitu citra tampak seperti foto keluarga, gambar burung dan citra tak tampak seperti data gambar dalam file yang sering disebut dengan citra digital. Dari kelompok citra tersebut, hanya citra digital yang dapat diolah menggunakan komputer, sehingga yang akan dibahas dalam tugas akhir ini hanya citra digital sebagai obyek yang diteliti dalam penelitian ini. Citra digital tersusun atas kumpulan titik atau elemen-elemen gambar yang disebut piksel (picture element). Piksel merupakan elemen terkecil dari sebuah citra digital, dengan jumlah total piksel adalah M x N, dimana M merupakan width (nilai tinggi citra digital) dan N merupakan height (nilai lebar citra digital). Setiap piksel memiliki nilai berupa angka digital yang merepresentasikan informasi yang mewakili piksel tersebut. Menurut Achmad dan Firdausy (Achmad dan Firdausy,2005), format nilai piksel ditentukan oleh format citra digital antara lain :

7


1.

8

Citra Biner Citra biner merupakan citra yang hanya mempunyai dua nilai derajat keabuan yaitu hitam dan putih. Setiap piksel pada citra biner memiliki nilai 0 untuk warna hitam atau 1 untuk warna putih dan hanya membutuhkan representasi 1 bit. Beberapa contoh citra biner antara lain, citra logo instansi (yang hanya terdiri atas warna hitam dan putih), citra kode barang yang tertera pada label barang, dan citra teks (hasil pemindaian dokumen).

Gambar 2.1 Citra biner dan representasinya dalam data digital

2.

Citra Skala Keabuan Skala keabuan memberikan kemungkinan warna yang lebih banyak daripada citra biner. Banyaknya kemungkinan nilai dan nilai maksimumnya bergantung pada jumlah bit yang digunakan. Misalnya untuk skala keabuan 8 bit, maka jumlah kemungkinan nilainya adalah 28 = 256, dan nilai maksimumnya adalah 28 – 1 = 255. Format citra ini disebut skala keabuan karena pada umumnya warna yang dipakai adalah antara hitam sebagai warna minimal dan putih sebagai warna maksimalnya, sehingga warna antaranya adalah abu-abu.


9

Gambar 2.2 Citra keabuan dan representasinya dalam data digital

3.

Citra Warna Pada citra warna, setiap titik mempunyai warna yang spesifik yang merupakan kombinasi dari 3 warna dasar, yaitu : merah, hijau, dan biru. Format citra seperti ini sering disebut sebagai citra RGB (red-green-blue). Setiap warna dasar mempunyai intensitas sendiri dengan nilai maksimum 255 (8 bit), misalnya warna kuning merupakan kombinasi warna merah dan hijau sehingga nilai RGB-nya adala 255 255 0. Dengan demikian setiap titik pada citra warna membutuhkan data 3 byte. Jumlah kombinasi warna yang mungkin untuk format citra ini adalah 224 atau lebih dari 16 juta warna, dengan demikian bisa dianggap mencakup semua warna yang ada.

Gambar 2.3 Citra warna dan representasinya dalam data digital


4.

10

Citra Warna Berindeks Jumlah memori yang dibutuhkan untuk format citra warna adalah 3 kali jumlah titik yang ada dalam citra yang ditinjau. Di lain pihak, pada kebanyakan kasus, jumlah warna yang ada dalam suatu citra terkadang sangat terbatas, karena banyaknya warna dalam sebuah citra tidak mungkin melebihi banyaknya titik dalam citra itu sendiri. Untuk kasus tersebut, disediakan format citra warna berindeks. Pada format ini, informasi setiap titik merupakan indeks dari suatu tabel yang berisi informasi warna yang tersedia, yang disebut palet warna. Palet warna merupakan bagian dari citra warna berindeks, sehingga pada saat menyimpan citra ini ke dalam file, informasi palet warna juga harus disertakan.

Gambar 2.4 Citra warna berindeks dan representasinya dalam data digital

B.

Pengolahan Citra Pengolahan citra digital adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra dengan kualitas lebih baik.


11

Pengolahan citra digital bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin. Operasi-operasi yang dilakukan di dalam pengolahan citra banyak ragamnya. Namun secara umum, operasi pengolahan citra dapat diklasifikasikan dalam beberapa jenis (Munir, 2004) sebagai berikut : 1.

Perbaikan kualitas citra Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan cara memanipulasi parameter-parameter citra. Dengan operasi ini, ciriciri khusus yang terdapat di dalam citra lebih ditonjolkan.

2.

Pemugaran citra 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.

3.

Pemampatan citra Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting yang harus diperhatikan dalam pemampatan adalah citra yang telah dimampatkan harus tetap mempunyai kualitas gambar yang bagus.

4.

Segmentasi citra Jenis operasi ini bertujuan untuk memecah citra ke dalam beberapa segmen dengan suatu kriteria tertentu.


5.

12

Analisis citra Jenis operasi ini bertujuan menghitung besar kuantitatif dari citra untuk menghasilkan deskripsinya. Teknik analisis citra mengekstraksi ciri-ciri tertentu yang membantu dalam mengidentifikasi obyek. Proses segmentasi kadangkala diperlukan untuk melokalisasi obyek yang diinginkan dari sekelilingnya.

6.

Rekonstruksi citra Jenis operasi ini bertujuan untuk membentuk ulang obyek dari beberapa citra hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam bidang medis. Pengolahan citra pada dasarnya dilakukan dengan cara memodifikasi

setiap titik dalam citra tersebut sesuai keperluan. Menurut Achmad dan Firdausy (Achmad dan Firdausy, 2005), secara garis besar modifikasi tersebut dikelompokkan menjadi : 1.

Operasi titik, dimana setiap titik diolah secara tidak berhubungan terhadap titik-titik yang lain.

2.

Operasi global, dimana karakteristik global (biasanya bersifat statistik) dari citra yang digunakan untuk memodifikasi nilai setiap titik.

3.

Operasi temporal/ berbasis bingkai, dimana sebuah citra diolah dengan cara dikombinasikan dengan citra lain.

4.

Operasi geometri, dimana bentuk, ukuran, atau orientasi citra dimodifikasi secara geometris.

5.

Operasi banyak titik tetangga, dimana data dari titik-titik yang bersebelahan dengan titik yang ditinjau ikut berperan dalam


13

mengubah nilai. 6.

Operasi morfologi, yaitu operasi yang berdasarkan segmen atau bagian dalam citra yang menjadi perhatian.

C.

Deteksi Tepi 1.

Tepi (Edge) Yang dimaksud dengan tepi atau edge dalam hal ini adalah perubahan

nilai derajat keabuan pada citra yang besar dalam jarak yang singkat. Perbedaan intensitas inilah yang menandakan adanya perbedaan objek, sehingga selanjutnya dapat diketahui objek-objek yang berbeda pada citra yang dianalisis. Tepi pada umumnya berada pada batas antara dua objek yang berbeda. Tepi dapat diorientasikan dengan suatu arah, dan arah ini dapat berbeda-beda tergantung pada perubahan intensitasnya.

Menurut Munir (Munir,2004) ada tiga macam tepi yang terdapat di dalam citra yaitu : a. Tepi curam, dimana tepi memiliki perubahan intensitas yang o

sangat tajam dengan arah tepi 90 . Dapat dilihat pada gambar 2.5.

Gambar 2.5 Tepi curam


14

b. Tepi landai yaitu tepi dengan sudut arah yang kecil. Tepi landai dapat dianggap terdiri dari sejumlah tepi-tepi lokal yang lokasinya berdekatan, seperti yang terlihat pada gambar 2.6.

5 5 5 5

5 5 5 5

10 10 10 10

10 10 10 10

15 15 15 15

15 15 15 15

Gambar 2.6 Tepi Landai

c. Tepi curam dengan derau seperti pada gambar 2.7. Umumnya tepi yang terdapat pada aplikasi visi computer mengandung derau. Operasi peningkatan kualitas citra dapat dilakukan terlebih dahulu sebelum pendeteksian tepi.

Gambar 2.7 Tepi curam dengan derau


2.

15

Deteksi Tepi Deteksi tepi ( Edge Detection ) pada suatu citra adalah suatu proses

yang menghasilkan tepi-tepi citra pada obyek citra (Sigit, 2005). Deteksi tepi merupakan langkah pertama untuk melingkupi informasi di dalam citra. Tepi mencirikan batas-batas obyek dan karena itu tepi berguna untuk proses segmentasi dan identifikasi obyek di dalam citra. Tujuan operasi deteksi tepi adalah untuk meningkatkan penampakan garis batas suatu daerah atau obyek di dalam citra (Munir, 2004). Terdapat beberapa teknik yang digunakan untuk mendeteksi tepi, antara lain (Munir, 2004) : a.

Operator gradien pertama, contoh beberapa gradien pertama yang dapat digunakan untuk mendeteksi tepi di dalam citra, yaitu operator gradien selisih-terpusat, operator Sobel, operator Prewitt, operator Roberts, operator Canny.

b.

Operator turunan kedua, disebut juga operator Laplace. Operator Laplace mendeteksi lokasi tepi khususnya pada citra tepi yang curam. Pada tepi yang curam, turunan keduanya mempunyai persilangan nol, yaitu titik di mana terdapat pergantian tanda nilai turunan kedua, sedangkan pada tepi yang landai tidak terdapat persilangan nol. Contohnya adalah operator Laplacian Gaussian, operator Gaussian.

c.

Operator kompas, digunakan untuk mendeteksi semua tepi dari berbagai arah di dalam citra. Operator kompas yang dipakai untuk deteksi tepi menampilkan tepi dari 8 macam arah mata angin yaitu Utara, Timur Laut, Timur, Tenggara, Selatan, Barat, Barat Daya, dan


16

Barat Laut. Deteksi tepi dilakukan dengan mengkonvolusikan citra dengan berbagai mask kompas, lalu dicari nilai kekuatan tepi (magnitude) yang terbesar dan arahnya. Operator kompas yang dipakai untuk deteksi tepi menampilkan tepi dari 8 macam arah mata angin, yaitu Utara, Timur Laut, Timur, Tenggara, Selatan, Barat, Barat Daya, dan Barat Laut.

Gambar 2.8 Proses deteksi tepi citra

Gambar 2.8 menggambarkan proses deteksi tepi citra. Citra awal merupakan citra biner, sehingga dapat terlihat dengan jelas perbedaan antara obyek dengan latar belakang. Dari citra awal kemudian dilakukan differensial arah vertikal sehingga didapatkan edge yang sejajar dengan sumbu x, dilakukan juga differensial arah horisontal sehingga didapatkan edge yang sejajar dengan sumbu y. Setelah didapatkan edge horisontal dan vertikal, kemudian keduanya digabungkan, sehingga akan menghasilkan deteksi tepi citra yang utuh.


D.

17

Operator Sobel Sobel edge detection adalah salah satu metode dalam image processing yang berguna untuk mendeteksi tepi (edge) suatu obyek dalam gambar digital (Gonzales & Woods, 2000). Satu cara untuk menghindari gradien yang dihitung pada titik interpolasi dari piksel-piksel yang terlibat dengan cara menghaluskan citra digital. Proses penghalusan yang digunakan merupakan proses konvolusi dari jendela yang ditetapkan terhadap citra yang terdeteksi dengan menggunakan jendela 3 x 3 untuk perhitungan gradien, sehingga perkiraan gradien berada tepat di tengah jendela. Agar perkiraan gradien tepat di tengah jendela, dalam konvolusi Sobel menggunakan susunan piksel-piksel disekitar piksel (x,y) seperti pada gambar 2.9.

Gambar 2.9 Susunan Pixel Pada Konvolusi Sobel

Sehingga besar gradien dihitung dengan menggunakan persamaan : Sx = (a2 + ca3 + a4) - (a0 + ca7 + a6) ………………………… (2.1) Sy = (a0 + ca1 + a2) - (a6 + ca5 + a4) ………………………… (2.2) dengan Sx = gradien piksel x, Sy = gradien piksel y, dan c = konstanta yang bernilai 2. Dari persamaan di atas, diperoleh dua buah matriks operator Sobel seperti terlihat pada yang ditunjukkan pada gambar 2.10 dan 2.11.


18

Gambar 2.10 Matriks Operator Sobel untuk Persamaan Sx

Gambar 2.11 Matriks Operator Sobel untuk Persamaan Sy

Dari matriks di atas terlihat bahwa Sobel memberikan pembobotan pada piksel-piksel yang lebih dekat dengan titik pusat. Matriks ini dapat digunakan secara terpisah pada gambar masukan, untuk menghasilkan pengukuran yang terpisah dari komponen gradien pada setiap orientasi untuk mencari skala absolut dari gradien pada setiap titik dan orientasi gradien tersebut. Pada umumnya digunakan pendekatan nilai gradien tersebut dengan nilai absolut :

…………(2.3)

Contoh berikut ini memperlihatkan proses konvolusi dalam deteksi tepi dengan operator Sobel. Terdapat gambar botol yang merupakan citra biner seperti pada gambar 2.12 di bawah ini yang digunakan sebagai contoh untuk proses konvolusi dalam deteksi tepi dengan operator sobel.


19

Gambar 2.12 Citra semula

Dari citra di atas, diambil sample gambar diujung bawah yang ditandai dengan kotak berwarna merah. Dari sample gambar tersebut, kemudian didapatkan matriks gambar seperti yang terlihat pada tabel 2.1.

Tabel 2.1 Matriks dari citra sample 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1

0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1

0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1

0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1


20

Setelah didapatkan matriks dari sample, kemudian akan dilakukan proses konvolusi. Dan dari matriks sample tersebut diambil contoh 3 titik pusat untuk dilakukan proses konvolusi dengan operator sobel. Untuk konvolusi contoh pertama, dengan titik pusat yang ditandai

0 0 0 1 1 1 1 1 1

dengan warna merah :

Dengan

1.

dan

Lakukan konvolusi dengan mask Sx, yaitu : Gx = (0)(-1) + (1)(-2) + (1)(-1) + (0)(0) + (1)(0) + (1)(0) + (0)(1) + (1)(2) + (1)(1) = 0

2.

Lakukan konvolusi dengan mask Sy, yaitu : Gy = (0)(1) + (0)(2) + (0)(1) + (1)(0) + (1)(0) + (1)(0) + (1)(-1) + (1)(-2) + (1)(-1) = - 4

3.

Maka diperoleh M = |0| + |-4| = 4.

Untuk konvolusi contoh kedua, dengan titik pusat yang ditandai

dengan warna biru :

0 0 1 1 1 1 1 1 1


Dengan

1.

21

dan


2.


3.


Untuk konvolusi contoh ketiga, dengan titik pusat yang ditandai

dengan warna hijau :

0 0 0 0 1 1 1 1 1

Dengan

1.

dan


2.



3.

22


Setelah dilakukan proses konvolusi terhadap masing-masing titik pusat, maka secara keseluruhan matriks hasil konvolusi dari citra sample dapat dilihat pada tabel 2.2. Pada tabel tersebut yang ditandai dengan warna merah merupakan hasil konvolusi dari contoh pertama, kemudian yang ditandai dengan warna biru adalah hasil konvolusi dari contoh kedua, sedangkan yang ditandai dengan warna hijau adalah hasil konvolusi dari contoh ketiga.

Tabel 2.2 Matriks hasil konvolusi dari citra sample 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 4 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 4 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 6 4 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 6 2 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 4 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 4 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 4 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 4 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 2 6 4 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 4 6 2 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 4 4 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 4 4 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 2 6 4 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 4 6 2 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 2 6 4 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 4 6 2 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 4 4 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 2 6 4 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 2 6 6 2 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 2 6 6 2 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 2 6 6 2 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 2 6 6 2 0 0 0 0 0 0 0 0 0 0

0 0 0 2 4 4 6 6 2 0 0 0 0 0 0 0 0 0 0 0

2 4 4 6 6 4 4 2 0 0 0 0 0 0 0 0 0 0 0 0

6 6 4 4 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0


23

Untuk hasil konvolusi dari citra semula dapat dilihat pada gambar 2.13. Dimana yang ditandai dengan kotak merah tersebut merupakan citra sample yang sudah dilakukan proses konvolusi.

Gambar 2.13 Citra hasil konvolusi

E.

Segmentasi 1.

Segmentasi Segmentasi adalah proses pemecahan citra ke dalam obyek-obyek

yang terkandung di dalamnya (Katsuri et al., 2002). Dalam analisis citra dokumen, segmentasi dilaksanakan dalam dua tahap, yaitu : 1.

Memisahkan teks dan grafis kalau dalam dokumen tersebut terdapat teks maupun grafis.

2.

Melakukan proses pemisahan selanjutnya dari hasil tahap pertama.

Pada komponen teks, tahap kedua segmentasi melakukan pemisahan kolom, paragraf, kata dan karakter, sedangkan komponen grafis, segmentasi memisahkan simbol dan garis.


24

Proses segmentasi pada citra dokumen dapat dilakukan dengan mempergunakan histogram citra serta profil proyeksi dari citra tersebut.

2.

Histogram Histogram citra adalah grafik yang menggambarkan penyebaran nilai-

nilai intensitas warna suatu piksel pada citra atau bagian tertentu di dalam citra (Gonzales & Woods, 1992). Dari histogram dapat diketahui frekuensi kemunculan intensitas warna pada suatu citra. Misalkan diketahui sebuah citra digital memiliki L derajat keabuan, yaitu dari nilai 0 sampai L-1 (misalnya pada suatu citra dengan kuantisasi derajat keabuan 8-bit, nilai derajat keabuan dari 0 sampai 255). Secara matematis frekuensi kemunculan intensitas derajat keabuan i, yaitu hi dihitung dengan rumus :

hi =

𝑛𝑖 𝑛

,

𝑖 = 0, 1, … , 𝐿 − 1

............................ (2.4)

di mana ni menyatakan banyaknya piksel yang memiliki derajat keabuan i, dan n menyatakan banyaknya piksel di dalam citra.

F.

Profil Proyeksi Zramdini dan Ingold (Zramdini dan Ingold, 1993) merumuskan, apabila terdapat sebuah citra teks biner S(N,M), di mana N menyatakan banyaknya baris citra dan M adalah banyaknya kolom citra seperti ditunjukkan pada gambar 2.14 maka dapat ditentukan profil vertikal dan profil horisontal dari citra teks tersebut. Profil vertikal adalah banyaknya


25

piksel hitam yang tegak lurus sumbu y, sedangkan profil horisontal adalah banyaknya piksel hitam yang tegak lurus dengan sumbu x. Profil vertikal direpresentasikan dengan suatu vektor (Pv) berukuran kecil N. Profil vertikal pada baris ke-i, yaitu (Pv[i]), didefinisikan sebagai berikut : 𝑀

𝑃𝑣 𝑖 =

𝑆 𝑖, 𝑗 … … … … … … … … … … 2.5 𝑗=1

Sedangkan profil horisontal direpresentasikan dengan suatu vektor (Ph) berukuran M. Profil horisontal pada kolom ke-j, yaitu (Ph[j]), didefinisikan sebagai berikut : 𝑁

𝑃ℎ 𝑗 =

𝑆 𝑖, 𝑗 … … … … … … … … … … 2.6 𝑗=1

Gambar 2.14 Profil proyeksi horisontal dan vertikal (Zramdini dan Ingold, 1993)


G.

26

Matlab Menurut Muhammad Iqbal (Iqbal, 2009), MATLAB (matrix laboratory) adalah sebuah bahasa dengan (high-performance) kinerja tinggi untuk komputasi masalah teknik. Matlab mengintegrasikan komputasi, visualisasi, dan pemrograman dalam suatu model yang sangat mudah untuk dipakai, dimana masalah-masalah dan penyelesaiannya diekspresikan dalam notasi matematika yang familiar. Dalam lingkungan perguruan tinggi teknik, Matlab merupakan perangkat standar untuk memperkenalkan dan mengembangkan penyajian materi matematika, rekayasa dan kelimuan. Di industri, MATLAB merupakan perangkat pilihan untuk penelitian dengan produktifitas yang tingi, pengembangan dan analisanya. Fitur-fitur MATLAB sudah banyak dikembangkan, dan lebih kita kenal dengan nama toolbox. Sangat penting bagi seorang pengguna Matlab, toolbox mana yang mendukung untuk learn dan apply technology yang sedang dipelajarinya. Toolbox-toolbox ini merupakan kumpulan dari fungsifungsi MATLAB (Mfiles) yang telah dikembangkan ke suatu lingkungan kerja MATLAB untuk memecahkan masalah dalam kelas particular. Areaarea yang sudah bisa dipecahkan dengan toolbox saat ini meliputi pengolahan sinyal, system kontrol, neural networks, fuzzy logic, wavelets, dan lain-lain. Dengan MATLAB proses pendeteksian tepi dilakukan dengan perintah / fungsi edge. Ada beberapa metode yang dapat dilakukan pada deteksi tepi menggunakan MATLAB yaitu metode sobel, prewitt, roberts,


27

laplacian of gaussian, metode zero cross, dan Canny. Yang penting diperhatikan pada deteksi tepi bahwa hanya dapat dilakukan menggunakan citra grayscale atau citra 2-D. Contoh penggunaan metode deteksi tepi : I = imread('emo.jpg'); gray=rgb2gray(I); BW1 = edge(gray,'prewitt'); BW2 = edge(gray,'canny'); BW3 = edge(gray,'sobel'); BW4 = edge(gray,'roberts'); imshow(BW1); imshow(BW2); imshow(BW3); imshow(BW4);

Gambar 2.15 Gambar Asli


Gambar 2.16 Hasil deteksi tepi


Prewit


28

Canny


Sobel

Roberts

Gambar 2.15 merupakan gambar asli masukan yang akan dikenai proses deteksi tepi. Gambar 2.16 merupakan hasil deteksi tepi dengan menggunakan operator prewitt, gambar 2.17 merupakan hasil deteksi tepi dengan menggunakan operator canny, gambar 2.18 merupakan hasil deteksi tepi dengan menggunakan operator sobel, gambar 2.19 merupakan hasil deteksi tepi dengan menggunakan operator roberts.


BAB III ANALISA DAN PERANCANGAN SISTEM

Dalam bab ini membahas analisa dan perancangan sistem secara umum, rancangan data masukan, rancangan proses, dan rancangan pengujian.

A.

Analisa Sistem Dalam tugas akhir ini, program dalam tahap perancangan sistem dinyatakan dengan menggunakan bahasa pemrograman MATLAB. Karena di dalam MATLAB sudah terdapat toolbox yang merupakan kumpulan dari fungsi-fungsi MATLAB yang telah dikembangkan ke suatu lingkungan kerja MATLAB untuk memecahkan masalah dalam kelas particular (Iqbal, 2009). Data masukan dalam tugas akhir ini berupa citra dokumen teks beraksara Jawa modern yang merupakan citra dengan derajat keabuan yang merupakan koleksi penelitian Widiarti (Widiarti dkk, 2010). Sebelum menjadi input dalam proses deteksi tepi, ada beberapa proses yang harus dilakukan terlebih dahulu terhadap citra dokumen tersebut. Proses-proses tersebut adalah : 1.

Normalisasi

orientasi,

berfungsi

untuk

mengurangi

kesalahan

orientasi, misalnya citra miring saat pembacaan data citra dokumen dengan scanner.

29


2.

30

Binerisasi, berfungsi untuk membagi citra menjadi 2 kelompok yaitu kelompok obyek yang dinyatakan dengan nilai 1 dan kelompok latar yang dinyatakan dengan nilai 0.

3.

Filling, berfungsi untuk menghapus sebanyak mungkin noise yang muncul pada citra dokumen. Proses normalisasi orientasi, binerisasi dan filling akan dilakukan

secara manual dan tidak akan dibahas lebih lanjut dalam tugas akhir ini. Proses utama yang dilakukan dalam penelitian ini adalah proses deteksi tepi dengan menggunakan operator sobel yang akan menghasilkan citra dokumen beraksara Jawa yang sudah dideteksi tepi. Hasil tersebut kemudian akan digunakan dalam proses segmentasi, dan keluarannya akan menghasilkan citra-citra karakter penyusun citra dokumen yang menjadi masukan seperti pada gambar 3.1. Hasil citra karakter yang melalui proses deteksi tepi tersebut akan dianalisa dengan hasil citra karakter tanpa melalui proses deteksi tepi. Hasil analisa tersebut akan digunakan untuk mengukur tingkat keberhasilan proses deteksi tepi menggunakan operator sobel yang diterapkan pada citra dokumen beraksara Jawa.

Gambar 3.1 Citra karakter hasil segmentasi dengan deteksi tepi


B.

31

Analisa Kebutuhan Hardware - Software Analisa kebutuhan hardware merupakan analisa kebutuhan akan perangkat keras komputer yang diperlukan selama mengembangkan sistem, sedangkan analisa kebutuhan software untuk mendukung pengoperasian dan pembuatan sistem. Kebutuhan-kebutuhan akan hardware dan sofrware dijelaskan sebagai berikut :

1.

Analisa Kebutuhan Hardware Satu unit komputer dengan sistem operasi Windows XP, dengan spesifikasi sebagai berikut :

2.

a.

Processor

: Intel Core 2 Duo

b.

Memory

: RAM 2 GB

c.

VGA

: Mobile Intel X3100

Analisa Kebutuhan Software a.

C.

Matlab menggunakan Matlab versi 7.8.0.347 (R2009a).

Rancangan Proses Sistem Berdasarkan dari gambaran sistem secara umum di atas, maka akan dilakukan tahap perancangan proses sistem dalam bentuk diagram konteks seperti di bawah ini.


1.

32

Data Flow Diagram Level 0 Secara umum sistem yang akan dibangun adalah sistem yang menitikberatkan pada operasi sobel terhadap citra masukan berupa citra dokumen beraksara Jawa yang akan dikenai proses deteksi tepi.

citra dokumen

User citra-citra karakter

0 Sistem Deteksi tepi dan Pengujian

Gambar 3.2 Data Flow Diagram Level 0

Masukan dari proses deteksi tepi yang terlihat pada gambar 3.2 berupa citra dokumen yang diberikan kepada pengguna kepada sistem akan diproses dengan sistem deteksi tepi dan pengujiannya. Dan sebagai hasil keluarannya akan diperoleh citra-citra karakter.

2.

Data Flow Diagram Level 1

User

citra dokumen

1 Deteksi Tepi

citra hasil deteksi tepi

2 Segmentasi

citra-citra karakter

Gambar 3.3 Data Flow Diagram Level 1

Secara garis besar desain proses deteksi tepi disajikan dalam Gambar 3.3. Masukan berupa citra dokumen yang diberikan pengguna


33

kemudian akan diproses dengan deteksi tepi dan keluarannya akan diproses dengan sistem segmentasi, dan hasil keluaran akhir akan diperoleh citra karakter penyusun citra dokumen yang menjadi masukan.

3.

Flowchart Proses Deteksi Tepi Proses deteksi tepi pada citra dokumen dengan menggunakan operator sobel seperti terlihat dalam gambar 3.4, secara keseluruhan sebagai berikut : Input

: citra dokumen

Output

: citra hasil deteksi tepi.

Algoritma : a. Set N = tinggi citra, M = lebar citra b. Inisialisasikan mask Sx dan Sy. c. Set tinggi = 2 d. Jika tinggi kurang dari tinggi matriks – 1, maka set lebar = 2, dan lakukan langkah (e). Jika tidak, lakukan penjumlahan absolut hasil konvolusi citra dengan mask sobel, dan kemudian lakukan thinning dengan metode morfologi. Selesai, dan menampilkan citra hasil deteksi tepi. e. Jika lebar kurang dari lebar matriks – 1, maka lakukan konvolusi citra terhadap masing-masing mask sobel, dan set lebar + 1. Jika tidak, set tinggi + 1 dan kembali ke langkah (d).


34

Mulai

citra = imread(‘citra.jpg’); citra_bw = im2bw(citra); [N,M] = size(citra_bw);

Sx = [ -1 0 1; -2 0 2; -1 0 1]; Sy = [ 1 2 1; 0 0 0; -1 -2 -1]; konvolusiX = zeros(size(citra_bw)); konvolusiY = zeros(size(citra_bw)); tinggi = 2;

tinggi <= N-1

Tidak

Ya lebar = 2

tinggi + 1

Tidak

lebar <= M-1

Ya konvolusiX(tinggi, lebar) = (Sx(1,1) * citra_bw(tinggi-1, lebar-1)) + (Sx(2,1) * citra_bw(tinggi, lebar-1)) + (Sx(3,1) * citra_bw(tinggi+1, lebar-1)) + (Sx(1,2) * citra_bw(tinggi-1, lebar)) + (Sx(2,2) * citra_bw(tinggi, lebar)) + (Sx(3,2) * citra_bw(tinggi+1, lebar)) + (Sx(1,3) * citra_bw(tinggi-1, lebar+1)) + (Sx(2,3) * citra_bw(tinggi, lebar+1)) + (Sx(3,3) * citra_bw(tinggi+1, lebar+1)); konvolusiY(tinggi, lebar) = (Sy(1,1) * citra(tinggi-1,lebar-1)) + (Sy(1,2) * citra(tinggi-1,lebar)) + (Sy(1,3) * citra(tinggi-1,lebar+1)) + (Sy(2,1) * citra(tinggi,lebar-1)) + (Sy(2,2) * citra(tinggi,lebar)) + (Sy(2,3) * citra(tinggi,lebar+1)) + (Sy(3,1) * citra(tinggi+1,lebar-1)) + (Sy(3,2) * citra(tinggi+1,lebar)) + (Sy(3,3) * citra(tinggi+1,lebar+1)) ;

citrakonvolusi = abs(konvolusiX) + abs(konvolusiY);

citrahasil = bwmorph(citrakonvolusi,'thin',Inf);

lebar + 1 Selesai

Gambar 3.4 Flowchart Proses Deteksi Tepi


35

Dalam deteksi tepi dengan operator sobel dilakukan proses thinning. Proses thinning dilakukan karena deteksi tepi seringkali mengakibatkan garis pada gambar output menjadi lebar beberapa piksel karena efek smoothing dari operator sobel. Maka proses thinning diperlukan untuk membantu memperkecil piksel tersebut (Fisher,2003).

4.

Diagram Alir Proses Segmentasi Proses proyeksi vertikal akan menghitung nilai dari profil vertikal citra masukan dengan rumus 2.5. Nilai profil vertikal kemudian dipergunakan dalam proses cari indeks baris untuk menemukan indeks-indeks baris yang akan menjadi acuan untuk memotong citra masukan menjadi baris-baris karakter citra pada proses potong baris. Dari proses potong baris akan diperoleh barisbaris citra karakter yang akan disimpan dalam suatu file dan akan dikirim ke setiap kolom pada citra masukan dengan mempergunakan rumus 2.6. Nilai profil horisontal kemudian dipergunakan dalam proses cari indeks kolom untuk menemukan indeks-indeks kolom setiap baris data yang akan menjadi acuan untuk memotong citra masukan menjadi citra karakter yang pada proses potong karakter. Hasil akhir dari keseluruhan proses segmentasi adalah citra karakter penyusun citra masukan yang akan disimpan dalam sebuah file.


2.1 Proyeksi vertikal

citra dokumen

histogram vertikal

2.2 Cari indeks baris

indeks baris

ind

s ek

ba

36

File indeks baris ri s

2.3 Potong baris

citra dokumen

ra ci t ra t i c

ba

ri s

citra-citra baris

2.4 Proyeksi horisontal

File citra-citra baris

citra-citra baris ci tra i -c

ra k

ri s

File citra-citra karakter

ka

ba

ci t ra

tra

ci t ra -

ter

citra-citra karakter

2.5 Cari indeks kolom

2.6 Potong karakter

indeks kolom

in

k de

sk

olo

File indeks kolom m

Gambar 3.5 Diagram Alir Proses Segmentasi (Widiarti, 2007)

D.

Rancangan Pengujian Pada penelitian ini akan dilakukan pengujian tingkat keberhasilan deteksi tepi menggunakan operator sobel yang diterapkan pada citra beraksara Jawa. Dalam pengujian ini, citra hasil keluaran akan dianalisis menggunakan 2 cara, yakni :


1.

37

Pengamatan visual / kasat mata terhadap citra-citra karakter aksara Jawa yang dihasilkan dari proses segmentasi melalui deteksi tepi dengan membandingkan citra-citra karakter aksara Jawa yang dihasilkan dari proses segmentasi tanpa melalui deteksi tepi.

2.

Akan dilakukan pengamatan secara visual atau kasat mata dari hasil segmentasi menggunakan profil proyeksi dengan adanya deteksi tepi dengan menggunakan 2 buah operator yang berbeda, yakni operator sobel, dan operator canny dan juga operator sobel yang tersedia dalam toolbox MATLAB. Operator canny dipilih sebagai pembanding karena berdasarkan hasil uji coba, metode deteksi tepi dengan operator canny merupakan metode deteksi yang paling akurat (Agushinta,-).


BAB IV IMPLEMENTASI

Pada bab ini berisi mengenai implementasi deteksi tepi menggunakan operator sobel pada citra aksara jawa yang kemudian digunakan untuk membantu proses segmentasi. Implementasi proses-proses dalam diagram aliran data dalam tahap perancangan sistem dinyatakan dengan menggunakan bahasa pemrograman MATLAB versi 7.8.0.347 (R2009a).

A.

Implementasi Program Implementasi program dalam tugas akhir ini, direpresentasikan dalam bahasa pemrograman MATLAB.

1.

Implementasi Deteksi Tepi Operator Sobel Berikut ini, deteksi tepi dengan operator sobel yang dituliskan dalam bahasa pemrograman MATLAB : function citrahasil = deteksiTepi(citra) citra_bw = im2bw(citra); [N,M] = size(citra_bw); Sx=

[ -1 -2 -1

Sy=

[ 1 0 -1

0 0 0

1 2 1 ];

2 1 0 0 -2 -1 ];

konvolusiX=zeros(size(citra_bw)); konvolusiY=zeros(size(citra_bw));

38


39

tinggi = 2; while tinggi <= N-1 lebar = 2; while lebar <= M-1 konvolusiX(tinggi,lebar) = (Sx(1,1) * citra_bw(tinggi-1,lebar-1)) (Sx(2,1) * citra_bw(tinggi,lebar-1)) (Sx(3,1) * citra_bw(tinggi+1,lebar-1)) (Sx(1,2) * citra_bw(tinggi-1,lebar)) (Sx(2,2) * citra_bw(tinggi, lebar)) (Sx(3,2) * citra_bw(tinggi+1,lebar)) (Sx(1,3) * citra_bw(tinggi-1,lebar+1)) (Sx(2,3) * citra_bw(tinggi, lebar+1)) (Sx(3,3) * citra_bw(tinggi+1,lebar+1))

+ + + + + + + + ;

konvolusiY(tinggi, lebar) = (Sy(1,1) * citra_bw(tinggi-1,lebar-1)) (Sy(1,2) * citra_bw(tinggi-1,lebar)) (Sy(1,3) * citra_bw(tinggi-1,lebar+1)) (Sy(2,1) * citra_bw(tinggi,lebar-1)) (Sy(2,2) * citra_bw(tinggi,lebar)) (Sy(2,3) * citra_bw(tinggi,lebar+1)) (Sy(3,1) * citra_bw(tinggi+1,lebar-1)) (Sy(3,2) * citra_bw(tinggi+1,lebar)) (Sy(3,3) * citra_bw(tinggi+1,lebar+1))

+ + + + + + + + ;

lebar = lebar + 1; end tinggi = tinggi + 1; end citrakonvolusi = abs(konvolusiX) + abs(konvolusiY); citrahasil = bwmorph(citrakonvolusi,'thin',Inf);

Sintak di atas merupakan sintak untuk deteksi tepi dengan operator sobel. Mula-mula dilakukan proses baca citra yang akan digunakan sebagai masukan untuk proses deteksi tepi. Fungsi im2bw


40

digunakan untuk mengubah citra masukan menjadi citra biner. Kemudian mencari ukuran matriks citra [N,M], N untuk tinggi, dan M untuk lebar. Selanjutnya mendeklarasikan kernel Sobel. Sx untuk konvolusi arah horisontal, dan Sy untuk konvolusi arah vertikal, serta membuat matriks zero untuk menampung masing-masing nilai konvolusi dengan dimensi yang sesuai dengan lebar dan tinggi citra. Setelah itu lakukan konvolusi citra terhadap masing-masing mask sobel. Untuk letak masing-masing piksel pada citra tersebut, dengan menggunakan jendela 3x3 yang terdiri dari 8 titik tetangga, yang dimulai dengan tinggi = 2 dan lebar = 2. Variabel konvolusiX digunakan untuk menampung hasil konvolusi dengan Sx, sedangkan variabel konvolusiY digunakan untuk menampung hasil konvolusi dengan Sy. Setelah dilakukan konvolusi terhadap masing-masing mask sobel, lakukan penjumlahan absolut keduanya. Variabel citrakonvolusi menyimpan hasil penjumlahan absolut antara konvolusiX dan konvolusiY. Kemudian dilakukan proses thinning. Variabel citrahasil merupakan hasil akhir citra yang sudah mengalami proses deteksi tepi dengan thinning. Proses thinning tersebut dengan menggunakan fungsi matlab, yaitu dengan fungsi bwmorph.


2.

41

Implementasi Segmentasi Dalam

melakukan

implemantasi

segmentasi,

penulis

mengimplemantasikan sesuai dengan acuan Widiarti (Widiarti, 2007).


BAB V ANALISA HASIL DAN PEMBAHASAN

Dalam bab ini berisi mengenai analisa hasil implementasi deteksi tepi menggunakan operator sobel pada citra aksara jawa yang digunakan untuk membantu proses segmentasi serta pembahasannya.

A.

Data Masukan Data masukan untuk pengujian adalah citra dokumen aksara jawa yang relatif bebas noise dan tidak miring. Terdapat 5 citra dokumen yang akan dijadikan input untuk penelitian ini. Data yang dipergunakan dalam tugas akhir ini adalah data dari dokumen buku sastra Jawa modern Menak Sorangan I (Yasadipura,1963) halaman 3 sampai halaman 7. Karakteristik data citra dokumen masukan dapat dilihat pada tabel berikut :

Tabel 5.1 Kriteria citra dokumen masukan

1

Data1.jpg

Ukuran panjang dan lebar citra (piksel) 1582 x 2208

2

Data2.jpg

1520 x 2312

857KB

3

Data3.jpg

1529 x 2340

987 KB

4

Data4.jpg

1531 x 2390

0.98 MB

5

Data5.jpg

1493 x 2340

927 KB

No.

Nama File Dokumen

42

Besar File 1.04 MB


43

Gambar 5.1 Citra dokumen masukan data 1 (Widiarti, 2007)

Gambar 5.1 merupakan citra masukan yang berupa citra dokumen beraksara Jawa dengan derajat keabuan, yang terbebas dari noise dan tidak


44

miring. Citra masukan tersebut selanjutnya akan dikenai proses deteksi tepi dengan operator sobel.

B.

Analisis Hasil Dari citra masukan yang kemudian dikenai proses deteksi tepi. Proses pertama dalam deteksi tepi yaitu melakukan konvolusi citra masukan dengan gradient Sx dan Sy. Konvolusi dengan gradient Sx bertujuan untuk mendapatkan tepi-tepi yang searah dengan sumbu x, seperti terlihat pada gambar 5.2. Sedangkan konvolusi dengan gradient Sy bertujuan untuk mendapatkan tepi-tepi yang searah dengan sumbu y, seperti terlihat pada gambar 5.3. Dari citra masukan dengan latar belakang yang bernilai 1 (putih), setelah dilakukan proses konvolusi maka akan berubah menjadi bernilai 0 (hitam) untuk latar belakang. Untuk memudahkan dalam melakukan analisis, maka citra hasil keluaran tersebut, dilakukan proses invert sehingga citra hasil deteksi tepi dapat terlihat jelas.


Gambar 5.2 Citra data 1 hasil konvolusi dengan Gradien X

45


Gambar 5.3 Citra data 1 hasil konvolusi dengan Gradien Y

46


Gambar 5.4 Hasil deteksi tepi citra dokumen data 1

47


48

Setelah dilakukan konvolusi terhadap masing-masing gradien pada citra masukan, kemudian dilakukan penjumlahan absolut dan proses thinning sehingga didapatkan hasil akhir dari proses deteksi tepi. Gambar 5.4 merupakan citra dokumen data 1 yang sudah melalui tahapan-tahapan dalam proses deteksi tepi. Dari citra dokumen masukan yang kemudian dikenai proses deteksi tepi dan kemudian dilakukan proses segmentasi, maka diperoleh hasil output berupa citra karakter penyusun citra dokumen. Analisis output ini berfungsi untuk membandingkan banyaknya citra karakter hasil proses segmentasi yang dikenai deteksi tepi, dengan proses segmentasi yang tidak dikenai deteksi tepi. Sebagai contoh untuk citra dokumen data1, setelah dilakukan proses deteksi tepi, kemudian selanjutnya dilakukan dengan proses segmentasi, yang akan menghasilkan citra-citra karakter. Gambar 5.5 merupakan baris pertama dalam data 1 setelah dilakukan proses poong baris dalam proses segmentasi.

Gambar 5.5 Potongan baris 1 dari citra data 1

Kemudian setelah semua proses segmentasi dilakukan, maka hasil keluarannya berupa citra-citra karakter seperti yang terlihat pada gambar 5.6. Citra-citra karakter yang tampak dalam gambar 5.6 tersebut merupakan


49

citra karakter yang benar dan utuh, sehingga dalam analisis output selenjutnya citra-citra karakter seperti ini yang akan dihitung kebenarannya.

Gambar 5.6 Citra-citra karakter baris 1 data1

Untuk citra dokumen data 1 diperoleh tabel data analisis output segmentasi citra dokumen sebagai berikut :

Tabel 5.2 Analisis output segmentasi citra dokumen data 1 melalui deteksi tepi

Baris 1 2 3 4 5 6 7 8 9

Banyak Karakter Citra Hasil 17 17 11 14 22 24 25 25 26 26 24 26 23 12 25 26 26

Benar

Keterangan

17 8 20 25 26 22

Ada 3 karakter terpotong menjadi 2 baris Ada 1 karakter terpotong menjadi 2 kolom Ada 2 karakter terpotong menjadi 2 kolom Baris 7 dan 8 tidak terpisah, kedua baris tersebut terpotong menjadi 12 kolom -

0 26


Baris 10 11

Banyak Karakter Citra Hasil 23 25 21 22

50

Benar

Keterangan

21 14

Ada 2 karakter terpotong menjadi 2 kolom Ada 8 karakter tergabung dengan baris 12 Ada 7 karakter tergabung dengan baris 11 Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 2 karakter tergabung dengan baris 13 Ada 4 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 2 karakter terpotong menjadi 2 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 2 karakter terpotong menjadi 2 kolom Ada 2 karakter tergabung menjadi 1 kolom -

12

24

27

15

13

23

24

22

14

23

29

18

15 16

26 24

26 25

26 23

17

24

25

20

18 19

26 1

26 1

26 1

20

36

37

32

21 Total

26 476

26 463

26 388

Tabel 5.3 Analisis output segmentasi citra dokumen data 1 tanpa deteksi tepi

Baris 1 2

Banyak Karakter Citra Hasil 17 18 11 14

Benar

Keterangan

16 8

Ada 1 karakter terpotong menjadi 2 baris Ada 3 karakter terpotong menjadi 3 baris Ada 4 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 3 karakter terpotong menjadi 2 kolom Ada 1 karakter terpootng menjadi 3 kolom -

3

22

28

17

4

25

31

20

5

26

26

26


6

24

31

19

7

23

26

12

8

25

31

15

9

26

29

23

10

23

28

19

11

21

23

14

12

24

33

13

13

23

25

21

14

23

37

15

15 16 17

26 24 24

26 26 26

26 23 23

18

26

29

24

19 20 21 Total

1 36 26 476

1 40 26 554

1 32 26 393

51

Ada 4 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 4 kolom Ada 2 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 7 karakter tergabung dengan baris 8 Ada 3 karakter terpootng menjadi 2 kolom Ada 2 karakter terpotong menjadi 3 kolom Ada 5 karakter tergabung dengan baris 7 Ada 3 karakter terpotong menjadi 2 kolom Ada 3 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 7 karakter tergabung dengan baris 12 Ada 1 karakter terpotong menjadi 2 kolom Ada 4 karakter terpotong menjadi 3 kolom Ada 6 karakter tergabung dengan baris 11 Ada 2 karakter terpotong menjadi 2 kolom Ada 4 karakter terpotong menjadi 2 kolom Ada 2 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 4 kolom Ada 1 karakter terpotong menjadi 2 baris Ada 1 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 4 karakter terpotong menjadi 2 kolom -

Dari hasil analisis output dari citra dokumen data 1 pada tabel 5.2, diperoleh 476 karakter dalam citra dokumen. Melalui proses deteksi tepi yang kemudian disegmentasi diperoleh 463 karakter secara keseluruhan dan 388 karakter yang tersegmentasi dengan benar dan utuh. Sehingga dari hasil tersebut dapat dihitung prosentase derajat keberhasilan segmentasi citra


52

dokumen melalui proses deteksi tepi yaitu sebesar 81,51% yang diperoleh dari (388/476) x 100%. Dari hasil analisis output dari citra dokumen data 1 pada tabel 5.3, diperoleh 476 karakter dalam citra dokumen. Tanpa melalui proses deteksi tepi yang kemudian disegmentasi diperoleh 554 karakter secara keseluruhan dan 393 karakter yang tersegmentasi dengan benar dan utuh. Sehingga dari hasil tersebut dapat dihitung prosentase derajat keberhasilan segmentasi citra dokumen yaitu sebesar 82,56% yang diperoleh dari (393/476) x 100%. Berdasarkan hasil analisis dari data 1, maka dapat dilihat bahwa hasil prosentase segmentasi tanpa deteksi tepi lebih baik dibandingkan dengan segmentasi tanpa deteksi tepi. Dikarenakan beberapa baris citra dalam segmentasi dengan deteksi tepi tidak terpotong dengan baik. Untuk citra dokumen data 2 diperoleh tabel data analisis output segmentasi citra dokumen sebagai berikut :


Baris 1 2 3 4 5

Banyak Karakter Citra Hasil 1 1 24 27 23 25 23 27 24

41

Benar

Keterangan

1 21 21 19

Ada 3 karakter terpotong menjadi 2 kolom Ada 2 karakter terpotong menjadi 2 kolom Ada 4 karakter terpotong menjadi 2 kolom Ada 6 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 4 kolom Ada 7 karakter terpisah menjadi 2 baris

12


Baris 6

Banyak Karakter Citra Hasil 26 28

53

Benar

Keterangan

25

Ada 1 karakter terpotong menjadi 3 kolom Ada 4 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 4 kolom Ada 5 karakter terpotong menjadi 2 baris Ada 1 karakter terpotong menjadi 2 kolom Ada 5 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 5 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 8 karakter terpotong menjadi 2 baris Ada 2 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 2 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 4 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 3 karakter terpotong menjadi 2 kolom Ada 4 karakter terpotong menjadi 2 kolom Ada 2 karakter terpotong menjadi 2 kolom Ada 3 karakter terpotong menjadi 3 kolom Ada 6 karakter terpotong menjadi 2 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 2 karakter terpotong menjadi 3 kolom Ada 4 karakter tergabung dengan baris 18 Ada 6 karakter terpotong menjadi 2 kolom Ada 4 karakter tergabung dengan baris 17 Ada 5 karakter terpotong menjadi 2 kolom Ada 3 karakter terpotong menjadi 3 kolom Ada 2 karakter terpotong menjadi 4 kolom Ada 4 karakter terpotong menjadi 2 baris Ada 3 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 2 karakter terpotong menjadi 2 kolom Ada 4 karakter terpotong menjadi 2 kolom

7

25

34

15

8

26

27

25

9

24

42

10

10

24

28

21

11

22

24

20

12

24

28

19

13 14

27 25

30 29

24 21

15

22

30

17

16

22

28

14

17

22

27

15

18

23

29

15

19

24

46

11

20

25

30

21

21 22

24 24

26 38

22 15


23 Total

23 527

26 676

20 404

54

Ada 2 karakter terpotong menjadi 3 kolom Ada 5 karakter terpotong menjadi 2 baris Ada 2 karakter terpotong menjadi 2 kolom


Baris 1


Benar 1

2

24

29

20

3

23

26

21

4

23

31

17

5

24

48

11

6

26

34

21

7

25

46

12

8

26

29

22

9

24

50

10

10

24

32

18

11

22

26

17

Keterangan Ada 3 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 4 karakter terpotong menjadi 2 kolom Ada 2 karakter terpotong menjadi 3 kolom Ada 5 karakter terpotong menjadi 2 kolom Ada 2 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 4 kolom Ada 7 karakter terpotong menjadi 2 baris Ada 3 karakter terpotong menjadi 2 kolom Ada 2 karakter terpotong menjadi 3 kolom Ada 5 karakter terpotong menjadi 2 kolom Ada 5 karakter terpotong menjadi 3 kolom Ada 5 karakter terpotong menjadi 2 baris Ada 4 karakter terpotong menjadi 2 kolom Ada 2 karakter terpotong menjadi 2 kolom Ada 4 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 4 kolom Ada 1 karakter terpotong menjadi 6 kolom Ada 4 karakter terpotong menjadi 2 kolom Ada 2 karakter terpotong menjadi 3 kolom Ada 4 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom


Baris

Banyak Karakter Citra Hasil

Benar

12

24

30

19

13

27

35

20

14

25

36

18

15

22

35

16

16

22

33

11

17

22

36

12

18

23

41

14

19

24

56

11

20

25

53

10

21

24

46

9

22

24

44

13

23

23

45

7

Total

527

842

333

55

Keterangan Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 4 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 6 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 5 karakter terpotong menjadi 2 kolom Ada 2 karakter terpotong menjadi 4 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 3 karakter terpotong menjadi 3 kolom Ada 2 karakter terpotong menjadi 4 kolom Ada 10 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 6 karakter terpotong menjadi 2 kolom Ada 4 karakter terpotong menjadi 3 kolom Ada 4 karakter terpotong menjadi 2 kolom Ada 2 karakter terpotong menjadi 3 kolom Ada 2 karakter terpotong menjadi 4 kolom Ada 4 karakter terpotong menjadi 2 baris Ada 3 karakter terpotong menjadi 2 kolom Ada 9 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 5 kolom Ada 6 karakter terpotong menjadi 2 kolom Ada 3 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 4 kolom Ada 10 karakter terpotong menjadi 2 baris Ada 6 karakter terpotong menjadi 2 kolom Ada 3 karakter terpotong menjadi 3 kolom Ada 10 karakter terpotong menjadi 2 baris Ada 6 karakter terpotong menjadi 2 kolom Ada 3 karakter terpotong menjadi 3 kolom Ada 5 karakter terpotong menjadi 2 baris Ada 5 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 14 karakter terpotong menjadi 2 baris


56

Dari hasil analisis output dari citra dokumen data 2 pada tabel 5.4, diperoleh 527 karakter dalam citra dokumen. Melalui proses deteksi tepi yang kemudian disegmentasi diperoleh 676 karakter secara keseluruhan dan 404 karakter yang tersegmentasi dengan benar dan utuh. Sehingga dari hasil tersebut dapat dihitung prosentase derajat keberhasilan segmentasi citra dokumen melalui proses deteksi tepi yaitu sebesar 76,66% yang diperoleh dari (404/527) x 100%. Dari hasil analisis output dari citra dokumen data 2 pada tabel 5.5, diperoleh 527 karakter dalam citra dokumen. Tanpa melalui proses deteksi tepi yang kemudian disegmentasi diperoleh 842 karakter secara keseluruhan dan 333 karakter yang tersegmentasi dengan benar dan utuh. Sehingga dari hasil tersebut dapat dihitung prosentase derajat keberhasilan segmentasi citra dokumen tanpa melalui proses deteksi tepi yaitu sebesar 63,19% yang diperoleh dari (333/527) x 100%. Berdasarkan hasil analisis dari data 2 tersebut, maka dapat kita lihat bahwa hasil segmentasi dengan deteksi tepi lebih baik dibandingkan segmentasi tanpa deteksi tepi. Hal ini dikarenakan banyak karakter hasil segmentasi tanpa deteksi tepi banyak yang terpotong menjadi beberapa kolom. Hal tersebut dapat terlihat pada dua tabel di atas. Pada tabel 5.4 jumlah karakter yang tersegmentasi sebanyak 676, sedangkan pada tabel 5.5 jumlah karakter yang tersegmentasi sebanyak 842. Untuk citra dokumen data 3 diperoleh tabel data analisis output segmentasi citra dokumen sebagai berikut :


57


Baris 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 Total

Banyak Karakter Citra Hasil 1 1 23 23 24 24 25 25 24 24 26 26 27 27 22 22 24 25 25 24 24 25 25 25 24 24 25 26 24 23 23 23 25 25 25 24 23 23 25 25 24 25 23 10 24 535 499

Benar

Keterangan

1 23 24 25 24 26 27 22 23 23 23 25 24 24 22 23 25 23 23 25 23 1 0 479

Ada 1 karakter terpotong menjadi 2 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 1 karakter terpotong menjadi 2 kolom Baris 22 dan 23 tidak terpisah, kedua baris tersebut terpotong menjadi 10 kolom


58


Baris 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 Total

Banyak Karakter Citra Hasil 1 1 23 24 24 24 25 24 24 26 26 26 27 27 22 22 24 25 25 25 24 25 25 26 24 24 25 26 24 24 23 23 25 25 25 25 23 23 25 25 24 25 23 10 24 535 505

Benar

Keterangan

1 22 24 23 22 26 27 22 23 25 23 24 24 24 24 23 25 22 23 25 23 1 0 476

Ada 1 karakter terpotong menjadi 2 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 2 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 1 karakter terpotong menjadi 2 kolom Baris 22 dan 23 tidak terpisah, kedua baris tersebut terpotong menjadi 10 kolom

Dari hasil analisis output dari citra dokumen data 3 pada tabel 5.6, diperoleh 535 karakter dalam citra dokumen. Melalui proses deteksi tepi yang kemudian disegmentasi diperoleh 499 karakter secara keseluruhan dan 479 karakter yang tersegmentasi dengan benar dan utuh. Sehingga dari hasil


59

tersebut dapat dihitung prosentase derajat keberhasilan segmentasi citra dokumen melalui proses deteksi tepi yaitu sebesar 89,53% yang diperoleh dari (479/535) x 100%. Dari hasil analisis output citra dokumen data 3 pada tabel 5.7, diperoleh 535 karakter dalam citra dokumen. Tanpa melalui proses deteksi tepi yang kemudian disegmentasi diperoleh 505 karakter secara keseluruhan dan 476 karakter yang tersegmentasi dengan benar dan utuh. Sehingga dari hasil tersebut dapat dihitung prosentase derajat keberhasilan segmentasi citra dokumen tanpa melalui proses deteksi tepi yaitu sebesar 88,97% yang diperoleh dari (476/535) x 100%. Berdasarkan hasil analisis dari data 3 tersebut, maka dapat kita lihat bahwa hasil segmentasi melalui deteksi tepi lebih baik dibandingkan segmentasi tanpa deteksi tepi. Hal tersebut dikarenakan, deteksi tepi berhasil merekonstruksi citra yang terpotong menjadi beberapa kolom menjadi citra yang utuh dan benar. Hal tersebut tampak pada baris 2, baris 5, dan baris 12. Untuk citra dokumen data 4 diperoleh tabel data analisis output segmentasi citra dokumen sebagai berikut :


Baris 1


Benar 1

Keterangan -


Baris

Banyak Karakter Citra Hasil

Benar

2

25

25

22

3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 Total

23 24 26 23 27 27 22 25 25 25 25 22 25 27 23 24 27 24 27 26 24 547

23 24 26 23 27 26 21 25 26 26 25 22 24 27 23 24 27 26 27 24 24 546

23 24 26 23 27 25 20 25 24 24 25 22 23 27 23 24 27 23 27 23 24 532

Keterangan Ada 1 karakter terpotong menjadi 2 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotonh menjadi 2 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 3 karakter tergabung menjadi 1 kolom -


Baris 1


Benar 1

60

Keterangan -


Baris 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

Banyak Karakter Citra Hasil 25 26 23 23 24 24 26 26 23 23 27 27 27 27 22 21 25 25 25 26 25 26 25 25 22 22 25 24 27 27 23 23 24 25 27 27

61

Benar

Keterangan

24 23 24 26 23 27 27 20 25 24 24 25 22 23 27 23 23 27

Ada 1 karakter terpotong menjadi 2 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 2 karakter tergabung menjadi 1 kolom -

20

24

27

22

21 22 23 Total

27 26 24 547

28 25 24 552

26 24 24 534

Dari hasil analisis output dari citra dokumen data 4 pada tabel 5.8, diperoleh 547 karakter dalam citra dokumen. Melalui proses deteksi tepi yang kemudian disegmentasi diperoleh 546 karakter secara keseluruhan dan 532 karakter yang tersegmentasi dengan benar dan utuh. Sehingga dari hasil tersebut dapat dihitung prosentase derajat keberhasilan segmentasi citra


62

dokumen melalui proses deteksi tepi yaitu sebesar 97,26% yang diperoleh dari (532/547) x 100%. Dari hasil analisis output citra dokumen data 4 pada tabel 5.9, diperoleh 547 karakter dalam citra dokumen. Tanpa melalui proses deteksi tepi yang kemudian disegmentasi diperoleh 552 karakter secara keseluruhan dan 534 karakter yang tersegmentasi dengan benar dan utuh. Sehingga dari hasil tersebut dapat dihitung prosentase derajat keberhasilan segmentasi citra dokumen tanpa melalui proses deteksi tepi yaitu sebesar 97,62% yang diperoleh dari (534/547) x 100%. Berdasarkan hasil analisis dari data 4 tersebut, maka dapat kita lihat bahwa hasil segmentasi tanpa deteksi tepi lebih baik dibandingkan segmentasi melalui deteksi tepi. Hal tersebut dikarenakan, ada beberapa citra karakter yang tergabung menjadi 1 kolom seperti terlihat di baris 2, baris 8, dan baris 22, walaupun deteksi tepi di sini juga mampu merekonstruksi bentuk citra karakter yang terpotong menjadi beberapa kolom menjadi citra karakter yang utuh dan benar, seperti di baris 18, baris 20, dan baris 21. Untuk citra dokumen data 5 diperoleh tabel data analisis output segmentasi citra dokumen sebagai berikut :


63


Baris 1 2 3 4 5 6 7

Banyak Karakter Citra Hasil 1 1 22 10 23 23 14 23 25 25 22 21

Benar

Keterangan

1

Baris 2 dan 3 tidak terpisah, kedua baris tersebut terpotong menjadi 10 kolom Baris 4 dan 5 tidak terpisah, kedua baris tersebut terpotong menjadi 14 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 2 kolom -

0 1 0 25 20

8

25

23

21

9 10 11 12 13 14 15 16 17 18 19 20 21 22 Total

26 25 26 24 21 22 22 24 23 22 25 25 23 5 477

27 24 26 24 22 22 22 24 24 22 25 25 23 5 409

25 23 26 24 20 22 22 24 22 22 25 25 23 5 376


64


Baris 1 2 3 4 5 6

Banyak Karakter Citra Hasil 1 1 22 18 23 23 15 23 25 25

Benar

Keterangan

1

Baris 2 dan 3 tidak terpisah, kedua baris tersebut terpotong menjadi 18 kolom Baris 4 dan 5 tidak terpisah, kedua baris tersebut terpotong menjadi 15 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 2 karakter tergabung menjadi 1 kolom Beberapa karakter terpotong oleh baris di atasnya. Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter tepotong menjadi 2 baris

0 1 0 25

7

22

22

19

8 9 10 11

25 26 25 26

25 27 24 26

25 25 23 26

12

24

33

16

13 14 15 16 17 18 19 20 21 22 Total

21 22 22 24 23 22 25 25 23 5 477

22 22 22 24 24 22 25 25 23 6 431

20 22 22 24 22 22 25 25 23 4 370

Dari hasil analisis output dari citra dokumen data 5 pada tabel 5.10, diperoleh 477 karakter dalam citra dokumen. Melalui proses deteksi tepi yang kemudian disegmentasi diperoleh 409 karakter secara keseluruhan dan 376 karakter yang tersegmentasi dengan benar dan utuh. Sehingga dari hasil


65

tersebut dapat dihitung prosentase derajat keberhasilan segmentasi citra dokumen melalui proses deteksi tepi yaitu sebesar 78,83% yang diperoleh dari (376/477) x 100%. Dari hasil analisis output citra dokumen data 5 pada tabel 5.11, diperoleh 477 karakter dalam citra dokumen. Tanpa melalui proses deteksi tepi yang kemudian disegmentasi diperoleh 431 karakter secara keseluruhan dan 370 karakter yang tersegmentasi dengan benar dan utuh. Sehingga dari hasil tersebut dapat dihitung prosentase derajat keberhasilan segmentasi citra dokumen tanpa melalui proses deteksi tepi yaitu sebesar 77,57% yang diperoleh dari (370/477) x 100%. Berdasarkan hasil analisis dari data 5 tersebut, maka dapat kita lihat bahwa hasil segmentasi melalui deteksi tepi lebih baik dibandingkan segmentasi tanpa deteksi tepi. Hal tersebut dikarenakan, ada beberapa citra karakter yang dihasilkan dari proses segmentasi tanpa deteksi tepi yang sebenarnya adalah 1 baris, tetapi menjadi 2 baris, seperti pada baris ke 12. Dengan deteksi tepi hal tersebut tidak terjadi, karena deteksi tepi dapat berhasil merekonstruksi bentuk citra yang sebenarnya. Dari hasil analisis output untuk semua data citra dokumen dapat dirangkum dan diambil kesimpulan berapa besar prosentase keberhasilan atau keakuratan rata-rata dari proses segmentasi dengan adanya deteksi tepi ini. Hasil rangkuman tersebut dapat dilihat dalam tabel 5.12 berikut ini.


66

Tabel 5.12 Rangkuman hasil analisis output hasil segmentasi melalui deteksi tepi Data 1 2 3 4 5

Jumlah Karakter Citra Dokumen Hasil Segmentasi 476 463 527 676 535 499 547 546 477 409 Rata-rata Prosentase Keberhasilan

Benar 388 404 479 532 376

Prosentase Keberhasilan 81,51% 76,66% 89,53% 97,26% 78,83% 84,76%

Dihitung Simpangan Rerata dari tabel 5.12 : SR = (

| 𝑋𝑖 − 𝑥 | ) / n dimana n = banyak data, 𝑥 = rata-rata, dan 𝑋𝑖 = data ke-

Maka, diperoleh SR = 31,55 / 5 = 6,31.

Dari hasil analisis output untuk semua data citra dokumen dapat dirangkum dan diambil kesimpulan berapa besar prosentase keberhasilan atau keakuratan rata-rata dari proses segmentasi dengan tanpa adanya deteksi tepi ini. Hasil rangkuman tersebut dapat dilihat dalam tabel 5.13 berikut ini.

Tabel 5.13 Rangkuman hasil analisis output hasil segmentasi tanpa deteksi tepi Data 1 2 3 4 5


Benar 393 333 476 534 370



67



Maka, diperoleh SR = 46,44 / 5 = 9,288. Dilihat dari hasil analisis dengan pengamatan visual, deteksi tepi dengan operator sobel mampu memberikan hasil yang lebih baik dalam segmentasi. Rata-rata prosentase keberhasilan segmentasi dengan adanya deteksi tepi dengan operator sobel yaitu 84,76%, sedangkan rata-rata prosentase keberhasilan segmentasi tanpa adanya deteksi tepi dengan operator sobel hanya 81,98% seperti terlihat pada tabel 5.13. Untuk menguji keberhasilan deteksi tepi dengan operator sobel yang dikerjakan dalam tugas akhir ini, yang pertama akan dilakukan perbandingan dengan deteksi tepi dengan operator canny yang tersedia dalam toolbox MATLAB. Setelah dilakukan analisis output untuk deteksi tepi dengan operator canny, maka hasil secara keseluruhan dirangkum dalam tabel 5.14 seperti di bawah ini.

Tabel 5.14 Rangkuman hasil analisis output hasil segmentasi melalui deteksi tepi dengan operator canny MATLAB Data 1 2 3 4 5


Benar 261 256 147 386 324



68




Hasil yang diperoleh dari segmentasi dengan adanya deteksi tepi dengan operator canny menunjukkan rata-rata keberhasilan sebesar 53,88%. Hal tersebut membuktikan bahwa segmentasi dengan adanya deteksi tepi dengan operator sobel yang yang dikerjakan dalam tugas akhir ini mampu memberikan hasil yang lebih baik dibanding segmentasi dengan adanya deteksi tepi dengan operator canny.

Tabel 5.15 Rangkuman hasil analisis output hasil segmentasi melalui deteksi tepi dengan operator sobel MATLAB

Data 1 2 3 4 5


Benar 253 273 434 533 375






69

Hasil yang diperoleh dari segmentasi dengan adanya deteksi tepi dengan operator sobel dengan menggunakan fungsi pada MATLAB menunjukkan rata-rata keberhasilan sebesar 72,42%. Hal ini juga menandakan bahwa operator sobel yang dikerjakan pada tugas akhir ini relatif lebih baik, hal tersebut dikarenakan operator sobel yang dikerjakan pada tugas akhir ini menggunakan fungsi thinning dengan metode morphology, walaupun operator sobel yang tersedia dalam toolbox MATLAB default-nya juga menggunakan thinning. Maka proses thinning yang dilakukan juga sangat berpengaruh terhadap hasil tepi-tepi yang dihasilkan dari proses deteksi tepi.


BAB VI KESIMPULAN DAN SARAN

A.

Kesimpulan 1.

Berdasarkan

hasil

pengujian

dari

penggunaan

deteksi

tepi

mempergunakan operator sobel untuk segmentasi menggunakan profil proyeksi pada citra dokumen beraksara Jawa, diperoleh rata-rata prosentase keberhasilan segmentasi sebesar 84,76%. Sementara, jika pada dokumen yang sama dilakukan segmentasi tanpa terlebih dahulu dilakukan deteksi tepi, diperoleh rata-rata prosentase keberhasilannya 81,98%. Maka dapat disimpulkan bahwa deteksi tepi mempergunakan operator sobel dapat membantu meningkatkan prosentase keberhasilan segmentasi karena terjadi proses rekonstruksi citra-citra karakter setelah dilakukan deteksi tepi. 2.

Berdasarkan

hasil

pengujian

dari

penggunaan

deteksi

tepi

mempergunakan operator canny untuk segmentasi menggunakan profil proyeksi citra dokumen beraksara Jawa, diperoleh rata-rata prosentase keberhasilan segmentasi sebesar 53,88%. Sementara dari penggunaan deteksi tepi dengan operator sobel yang tersedia dalam toolbox MATLAB, diperoleh rata-rata keberhasilan segmentasi sebesar 72,42%. Maka dapat disimpulkan bahwa deteksi tepi mempergunakan operator sobel yang diimplementasikan pada tugas akhir ini, relatif

70


71

lebih baik dibandingkan dengan operator canny ataupun operator sobel yang tersedia dalam toolbox MATLAB dikarenakan proses thinning juga berpengaruh terhadap hasil tepi yang dihasilkan dari deteksi tepi operator tersebut.

B.

Saran 1.

Perlu dicoba operator lain untuk deteksi tepi sehingga dalam segmentasi akan diperoleh citra-citra karakter yang benar dan utuh secara optimal, atau untuk meningkatkan prosesntase keberhasilan segmentasi deteksi tepi dapat diimplementasikan pada citra dokumen beraksara Jawa yang ditulis tangan.

2.

Apabila dengan deteksi tepi hasil segmentasi tidak optimal, maka untuk membantu segmentasi dapat dilakukan thinning terlebih dahulu.


DAFTAR PUSTAKA

Achmad, Ir. Balza, M.Sc. E dan Firdausy, Kartika, S.T., M.T., (2005). Teknik Pengolahan Citra Digital menggunakan Delphi. Penerbit Ardi, Yogyakarta. Agushinta, Dewi dan Diyanti, Alina, (-) Perbandingan Kinerja Metode Deteksi Tepi

Pada Citra Wajah. Jurusan Ilmu Komputer, Universitas Gunadarma. Anonim, (2009) Deteksi Tepi, diakses dari http://id.shvoong.com/exactsciences/physics/1803935-deteksi-tepi/ tanggal 14 November 2009. Febriani dan Lussiana, ETP, (2008). Analisis penelusuran tepi citra menggunakan detektor tepi sobel dan canny. Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Gunadarma. Fisher, R, Perkins, S, Walker, A, dan Wolfart, E, (2003). Sobel Edge Detector. http://homepages.inf.ed.ac.uk/rbf/HIPR2/sobel.htm diakses tanggal 19 Agustus 2011. Gonzalez, R., C., and Richard E., W. (1992). Digital Image Processing. AddisonWesley Publishing Company,Inc, Boston. Gonzalez, R., C., and Richard E., W. (2000). Digital Image Processing. Prentice Hall, Upper Saddle River, New Jersey. Hamidah, Uma. (2010). Pebdeteksian Tepi (Edge Detection), diakses dari http://umahamidah.blogspot.com/2011/05/pendeteksian-tepi-edgedetection.html diakses bulan Oktober 2011.

72


73

Iqbal, Muhammad, (2009). Dasar Pengolahan Citra Menggunakan Matlab, Matlab Tutorial. Departemen Ilmu dan Teknologi Kelautan Fakultas Perikanan dan Ilmu Kelautan Institut Pertanian Bogor. Kasturi, R. et al. (2002). Document Image Analysis: A Primer. Sadhana, 27: 3-22. Kusno,

Murinto,

(2009).

Kualitas

Deteksi

Tepi,

diakses

dari

http://blog.uad.ac.id/murintokusno/2009/01/27/kualitas-deteksi-tepiedge-detection/ tanggal 29 November 2009. Munir, R, (2004). Pengolahan Citra Digital dengan Pendekatan Algoritmik. Informatika, Bandung. Sigit, Riyanto, S.T. (2005), Step by Step Pengolahan Citra Digital. Penerbit Andi, Yogyakarta. Vitri, (2007). Segmentasi Citra Dokumen Teks Sastra Jawa Modern. Skripsi. Widiarti, Anastasia Rita, (2007), Segmentasi Citra Dokumen Teks Sastra Jawa Modern Mempergunakan Profil Proyeksi. SIGMA, Vol. 10, No.2: 167176. Widiarti, AR., Krismiyati, L., dan Parmadi, EH. (2010). Pengenalan Citra Dokumen Teks Sastra Jawa Modern. Laporan Penelitian Hibah Bersaing Dikti. Tidak Diterbitkan. Wijaya, Marvin Ch dan Prijono, Agus. (2007), Pengolahan Citra Digital Menggunakan MatLAB, Informatika, Bandung. Yasadipura I, R.Ng. (1936), Menak Sorangan. Batawisentrem: Balepoestaka. Zramdini, A. and Ingold, R, (1993), Optical Font Recognition from Projection Profiles. Electronic Publishing, 6: 249-260


LAMPIRAN


LAMPIRAN I LISTING PROGRAM

1.

LISTING PROGRAM DETEKSI TEPI function citrahasil = deteksiTepi(citra) citra_bw = im2bw(citra); [N,M] = size(citra_bw); Sx=

[ -1 -2 -1

Sy=

[ 1 0 -1

0 0 0

1 2 1 ];

2 1 0 0 -2 -1 ];

konvolusiX=zeros(size(citra_bw)); konvolusiY=zeros(size(citra_bw)); tinggi = 2; while tinggi <= N-1 lebar = 2; while lebar <= M-1 konvolusiX(tinggi,lebar) = (Sx(1,1) * citra_bw(tinggi-1,lebar-1)) + (Sx(2,1) * citra_bw(tinggi,lebar-1)) + (Sx(3,1) * citra_bw(tinggi+1,lebar-1)) + (Sx(1,2) * citra_bw(tinggi-1,lebar)) + (Sx(2,2) * citra_bw(tinggi,lebar)) + (Sx(3,2) * citra_bw(tinggi+1,lebar)) + (Sx(1,3) * citra_bw(tinggi-1,lebar+1)) + (Sx(2,3) * citra_bw(tinggi,lebar+1)) + (Sx(3,3) * citra_bw(tinggi+1,lebar+1)) ; konvolusiY(tinggi, lebar) = (Sy(1,1) * citra_bw(tinggi-1,lebar-1)) (Sy(1,2) * citra_bw(tinggi-1,lebar)) (Sy(1,3) * citra_bw(tinggi-1,lebar+1)) (Sy(2,1) * citra_bw(tinggi,lebar-1)) (Sy(2,2) * citra_bw(tinggi,lebar)) (Sy(2,3) * citra_bw(tinggi,lebar+1)) (Sy(3,1) * citra_bw(tinggi+1,lebar-1)) (Sy(3,2) * citra_bw(tinggi+1,lebar)) (Sy(3,3) * citra_bw(tinggi+1,lebar+1))

+ + + + + + + + ;

74


lebar = lebar + 1; end tinggi = tinggi + 1; end citrakonvolusi = abs(konvolusiX) + abs(konvolusiY); citrahasil = bwmorph(citrakonvolusi,'thin',Inf);

2.

LISTING PROGRAM SEGMENTASI a.

Submodul Proyeksi Vertikal function proVer = proyeksiVertikal(citra) [N,M]=size(citra); k=zeros(N,1); for i=1:N; for j=1:M; k(i) = k(i) + citra(i,j); end end proVer = k;

b. Submodul Cari Indeks Baris function inBar = cariIndeksBaris(in_proVer) [N,M]=size(in_proVer); t = N; indeks = [0 0]; j=0; i=1; while i
75


j = j+1; indeks(j,1) = i; i = i+1; end while in_proVer(i) ~= 0 i = i+1; if in_proVer(i) == 0 indeks(j,2) = i-1; end end i = i+1; end inBar = indeks;

c.

Submodul Potong Baris function potBar= potongBaris(indeksbaris,citra ) ib = indeksbaris; [N,M]=size(ib); t = N; for i=1:t baris = citra((ib(i,1)):(ib(i,2)),:); hasil{i} = baris; end potBar = hasil;

d. Submodul Proyeksi Horisontal function proHor = proyeksiHorisontal(in_baris) [N,M]=size(in_baris); k = M;

76


u = 0; for i=1:k baris = cell2mat( in_baris(1,i)); [lBaris tBaris] = size(baris); jumpik = zeros(1,tBaris); for j=1:tBaris for z=1:lBaris jumpik(1,j) = jumpik(1,j) + baris(z,j); end end hishor{i} = jumpik; end proHor = hishor;

e.

Submodul Cari Indeks Kolom function inKol = cariIndeksKolom(hishor) [nn,jBaris] = size(hishor); for baris=1:jBaris indeksKolom = cell2mat(hishor(1,baris)); [N,M]=size(indeksKolom); t = M; indeks = [0 0]; j=0; i=1; while i
f.

Submodul Potong Karakter function potKar = potongKarakter(indeksKolom,indeksBaris,gambarAsli)

77


78

[jumlahBaris nn] = size(indeksBaris); jumlah = 0; for i = 1:jumlahBaris kolom = cell2mat(indeksKolom(1,i)); [jmlKolom nnn] = size(kolom); for j = 1:jmlKolom hasil = gambarAsli((indeksBaris(i,1):indeksBaris(i,2)), (kolom(j,1)):(kolom(j,2))); jumlah = jumlah +1; hasilFinal{jumlah} = hasil; end end potKar = hasilFinal;

g.

Listing untuk melihat hasil karakter function cekhasil(in_hasil,jumlahbelakang,jumlahdepan) jumlahbelakang = jumlahbelakang -1; while jumlahdepan > jumlahbelakang figure(jumlahdepan),imshow(cell2mat(in_hasil(1,jumlahdepa n))) jumlahdepan = jumlahdepan - 1; end


LAMPIRAN II DATA CITRA DOKUMEN MASUKAN DAN HASIL

Citra dokumen masukan DATA 1 :

79


Citra dokumen hasil deteksi tepi DATA 1 :

80


Citra hasil segmentasi DATA 1 melalui deteksi tepi :

81


Citra hasil segmentasi DATA 1 :

82



83



84



85



86



87



88



89



90



91



92



93



94



95



96



97



98


LAMPIRAN 3 PRINT SCREEN PROGRAM MATLAB

Data 1 proses deteksi tepi :

Data 1 proses segmentasi tanpa deteksi tepi :

99




100




101




102




103

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Recommend Documents