SISTEM PENGKLASIFIKASIAN KUALITAS KERAMIK DENGAN MENGGUNAKAN METODE LOG DAN PREWITT Ardi Satrya Afandi
[email protected] Jurusan Teknik Informatika Fakultas Teknologi Industri Universitas Gunadarma Jl. Margonda Raya No. 100 Pondok Cina Depok 16424
ABSTRAKSI Penulisan ini dibuat untuk menciptakan aplikasi pengklasifikasian kualitas keramik. Kemudian dilakukan perbandingan terhadap hasil dari pengklasifikasian yang dihasilkan dengan metode LOG dan metode prewitt. Dalam menyelesaikan aplikasi ini penulis menggunakan studi pustaka dan studi lapangan. Pada studi pustaka, penulis mempelajari paper-paper serta dari situssitus internet yang dapat membantu dan berhubungan dengan penulisan. Pada studi lapangan penulis mendatangi dan melihat secara langsung proses pembuatan keramik sampai dengan pengepakkan keramik sebagai acuan penulis membuat interval persentase kualitas. Aplikasi yang dibangun penulis ini, diharapkan dapat mengantikan peran manusia dalam melakukan pengklasfikasian kualitas keramik yang dilakukan secara manual. Dengan aplikasi ini, pengklasifikasian akan lebih akurat karena batas interval persentase kesamaan jumlah pixel putih sudah disetting pada program aplikasi. Kata kunci : Segmentasi, Deteksi Tepi, LOG, Prewitt.
ABSTRACTION Writing an application is made to create the classification of quality ceramics. Then do the comparison against the results of the classification produced by LOG method and the method prewitt. In completing this application I use literature study and field study. In literature, the authors study the papers and from Internet sites that can help and relate to writing. In the field study author visit and see firsthand the process of making ceramic to ceramic packaging as the author makes reference to the percentage intervals of quality. Applications built this writer, is expected to replace the human role in conducting classification quality ceramic that is done manually. With this application, the classification would be more accurate because it limits the percentage of similarity intervals already gives a chance
the
number
of
white
pixels
Keywords: Segmentation, Edge Detection, LOG, Prewitt.
on
the
application
program.
pengambilan citra acuan maupun citra test.
1. PENDAHULUAN Pada
saat
ini
pengklasifikasian
Pengklasifikasikan
kualitas
keramik
kualitas keramik masih banyak dilakukan
dilakukan dengan cara mendapatkan selisih
secara manual oleh manusia. Hal ini tentu
jumlah pixel putih citra acuan dengan
menyulitkan
batas
jumlah pixel putih citra test yang telah
penglihatan manusia. Bukan hanya itu,
dilakukan pengolahan citra sebelumnya, lalu
pegawai yang bertugas dalam melakukan
mencari
pengklasifikasian kualitas keramik tidak
persentase
dapat dikerjakan seorang diri, pegawai yang
diketahui, keramik termasuk pada kualitas 1,
bertugas bisa mencapai 2 – 3 orang atau
2, 3 atau 4. Jangkauan dari masing-masing
lebih. Ini dilakukan untuk menjaga keramik
kualitas
yang terlewat oleh orang sebelumnya yang
kualitas 1 dengan jangkauan 100 sampai
belum diperiksa kualitasnya.
dengan < 95, kualitas 2 dengan jangkauan
karena
adanya
persentase
kesamaannya.
kesamaan
tersebut
tersebut
Dari dapat
berbeda-beda,
yaitu
Perkembangan teknologi komputer
95 sampai dengan < 85, kualitas 3 dengan
yang semakin canggih dan pengolahan citra
jangkauan 85 sampai dengan < 75 selain
yang sudah maju saat ini dapat diterapkan
dari itu dimasukkan pada kualitas 4.
pada
permasalahan
kualitas
keramik
menggunakan
pengklasifikasian tersebut.
kamera
Dengan
digital
2.TINJAUAN PUSTAKA
untuk
Pengolahan citra merupakan proses
mengambil citra keramik yang keluar dari
pengolahan
mesin produksi dapat langsung diproses oleh
melibatkan persepsi
komputer
untuk
menentukan
kualitas
memiliki ciri baik data masukan maupun
keramik
tersebut,
termasuk
klasifikasi
informasi keluaran yang berbentuk citra.
kualitas 1, kualitas 2, kualitas 3 atau kualitas
Istilah pengolahan citra digital secara umum
4. Dengan adanya aplikasi ini diharapkan
didefinisikan sebagai pemrosesan citra dua
dapat memecahkan permasalahan yang ada
dimensi dengan komputer. Pengolahan citra
sebelumnya dan dapat pula mempercepat
digital
waktu produksi karena waktu produksi dapat
manipulasi dan perbaikan kualitas gambar,
dijadwalkan oleh komputer sehingga waktu
namun juga dapat diperoleh, ditampilkan,
berjalan semakin efisien dan efektif.
dan disimpan dalam memori komputer.
Aplikasi
ini
dan
tidak
analisis visual.
hanya
dapat
citra
yang
Proses
ini
melakukan
mengklasifikasian
Dalam definisi yang lebih luas, pengolahan
kualitas keramik dari permukaan dengan
citra digital juga mencakup semua data dua
pencahayaan
dimensi.
yang
tetap
dan
kamera
diletakan pada jarak yang sama pada waktu
Citra
digital
adalah
barisan
bilangan nyata maupun kompleks yang
dideskripsikan
diwakili oleh bit-bit tertentu
terhadap proses pemisahan latar depan dan
Pada pengolahan atau pengkodisian
latar belakang.
awal, citra dikondisikan dan disederhanakan
Secara
sebagai
proses
tradisional,
analogi
segmentasi
kebentuk yang lebih sedikit keragamannya.
didefinisikan sebagai proses pendefinisian
Hal ini diperlukan agar citra dapat diolah
jangkauan nilai gelap dan terang pada citra
atau membentuk suatu pola yang lebih
yang sebenarnya, memilih pixel dalam
mudah untuk
dibanding citra
jangkauan ini sebagai latar depan dan
sebelum pemrosesan awal. Pada beberapa
menolak sisanya sebagai latar belakang.
standar yang ada, citra pada umumnya
Dengan demikian, citra terbagi atas dua
merupakan tampilan suatu titik yang berada
bagian, yaitu bagian hitam dan bagian putih,
pada ruang tiga dimensi. Salah satu standar
atau warna yang membatasi setiap wilayah.
yang digunakan antara lain RGB ( Red,
Salah satu metode yang efektif dalam
Green, Blue ), dan HLS ( Hue, Luminosity,
segmentasi
Saturation ).
memeriksa
dikenali
Standar warna pada citra berwarna yang akan digunakan adalah RGB yang memiliki tiga indeks warna yang terdiri dari
citra
biner
hubungan
adalah
dengan
pixel
dengan
tetangganya dan memberinya label. Metode ini disebut pelabelan komponen. Konsep dasar mengenai segmentasi
Merah, Hijau, Biru. Masing-masing indeks
daerah melalui operasi thresholding
warna memiliki nilai antara 0 - 255 atau 256
binerisasi ) yang bertujuan memisahkan
bit. Dari citra berwarna yang memiliki tiga
daerah milik sebuah atau beberapa objek dan
ruang
disederhanakan
latar belakang untuk menghasilkan citra
menjadi satu dimensi yaitu grayscale.
biner. Thesholding atau binerisasi yaitu
Grayscale
pengelompokan
dimensi
dapat
adalah
citra
keabuan
yang
pixel
dalam
(
citra
memiliki nilai antara 0 - 255. Nilai tersebut
berdasarkan batas nilai intensitas tertentu
menunjukkan tingkat derajat keabuan atau
adalah salah satu contoh operasi tingkat
kecerahan dari citra ( 0 = hitam / gelap dan
titik. Untuk memperjelas pemisahan antara
255 = putih / terang ).
objek dengan latar belakang, citra di
Segmentasi
threshold berdasarkan nilai ambang tertentu
Salah
satu
cara
yang
sering
digunakan dalam memilah citra dalam data
dengan metode otsu. Thresholding
adalah segmentasi, yaitu membagi citra
Misal pada sebuah gambar f(x,y)
menjadi bagian yang diharapkan termasuk
tersusun dari objek yang terang pada sebuah
objek yang dianalisis. Segmentasi sering
background yang gelap (Gonzalez, 2002).
Gray-level
milik
objek
dan
milik
background terkumpul menjadi 2 grup yang
tanpa membutuhkan bantuan user untuk memasukkan nilai ambang.
dominan. Salah satu cara untuk mengambil
Pendekatan yang dilakukan oleh
objek dari backgroundnya adalah dengan
metode otsu adalah dengan melakukan
memilih sebuah nilai threshold T yang
analisis diskriminan yaitu menentukan suatu
didapat
yang
variabel yang dapat membedakan antara dua
memisahkan grup yang satu dengan grup
atau lebih kelompok yang muncul secara
yang lain. Maka semua pixel yang memiliki
alami.
nilai > T disebut titik objek, yang lain
memaksimumkan variable tersebut agar
disebut titik background. Proses ini disebut
dapat membagi objek latar depan
(
thresholding. Sebuah gambar yang telah di-
foreground
(
threshold g(x,y) dapat didefinisikan:
background )
dengan
metode
Otsu
Analisis
)
Diskriminan
dan
akan
latarbelakang
Pendeteksian Tepi
g (x,y) =
0, f(x,y) < T
Deteksi tepi adalah suatu teknik yang
1, f(x,y) > T
digunakan untuk pendeteksian tepi pada suatu objek dalam citra digital. Teknik
Nilai maksimum dari T adalah nilai
deteksi
tepi
dilakukan
dengan
cara
tertinggi dari sistem warna yang digunakan
penelusuran pada citra secara horizontal dan
dan nilai minimum dari T adalah nilai
vertical untuk mencari perubahan nilai yang
terendah dari sistem warna yang digunakan.
signifikan antara suatu pixel dengan pixel
Untuk 256-graylevel maka nilai tertinggi T
lain. Untuk melakukan deteksi tepi dapat
adalah 255 dan nilai terendahnya adalah 0.
dialakukan dengan teknik operasi template (
Jika T hanya tergantung pada f(x,y) maka
mask ) dan konvolusi pada citra. Secara
disebut
khusus,
thresholding
global.
Jika
T
elemen-elemen
mask
tergantung dari f(x,y) dan p(x,y) (properti
dimultiplikasikan dengan pixel grayscale
lokal milik titik tersebut, misalnya rata-rata
pada citra objek danmenambahkan hasil
gray-level pada "tetangga" dari (x,y) maka
yang diperoleh dari keseluruhan mask
disebut thresholding local. Jika T tergantung
kemudian direcord sebagai citra hasil yang
dari koordinat spatial x dan y maka disebut
baru. Operasi “Menyisipkan, menambahkan
thresholding dynamic atau adaptive.
dan multiplikasi” ini diistilahkan konvolusi
Metode Otsu
mask.
Tujuan dari metode otsu adalah membagi histogram citra gray level kedalam dua daerah yang berbeda secara otomatis
Operator Prewitt Operator ini menggunakan persamaan :
Rumus:
hanya saja konstanta yang digunakan
(5)
bernilai 1.
Dengan :
Mask Konvolusi :
(6) Operator
prewitt
tidak
menekankan
Maka :
pembobotan pada pixel-pixel yang lebih dekat dengan titik pusat kernel. Operator Laplacian of Gaussian ( LoG )
(7) Mask Konvolusi :
Salah satu metode deteksi tepi modern adalah deteksi tepi dengan menggunakan metode LoG. Deteksi tepi LoG digunakan untuk : -
Untuk mengurangi deteksi tepi yang palsu difilter dulu dengan fungsi Gaussian
-
untuk
menghilangkan
noise. -
Laplacian
bertujuan
untuk
meningkatkan kwalitas detil (detail enhancement) -
Tahapan segmentasi citra secara garis besar dapat digambarkan dalam bentuk
Laplacian Of Gaussian filtering bertujuan
3. METODE PENELITIAN
Laplacian operator ( HPF )
diagram alur pada Gambar 1
Gambar 1 Diagram Alur Proses Segmentasi Citra
Proses diawali dengan memasukkan citra
2
dimensi
lalu
diproses
citra test yang hasilnya berharga mutlak,
untuk
setelah itu dilakukan proses persentase
mengkonversi citra ke citra gray dan
dengan cara perbandingan antara hasil
kemudian di threshold dengan metode otsu
pengurangan dengan jumlah pixel putih
untuk mendapatkan nilai ambang sehingga
pada citra acuan lalu dikalikan 100. Proses
citra dapat diubah menjadi citra biner dan
ini digambarkan dalam bentuk diagram alur
selanjutnya dilakukan deteksi tepi dengan
pada Gambar 2
operator LOG atau prewitt. Proses pengklasifikasian dilakukan berdasarkan dari pengurangan jumlah pixel putih citra acuan dengan jumlah pixel putih
Mulai
Masukkan citra acuan yang telah disegmentasi
Masukkan citra test yang telah disegmentasi
Menjumlahkan pixel-pixel putih pada acuan
Menjumlahkan pixel putih pada test
Mendapatkan selisih jumlah pixel putih
Ya Proses persentase
Persen > 95
Kualitas 1
Selesai
Tidak Ya 95 ≤ Persen < 85
Kualitas 2
Selesai
Kualitas 3
Selesai
Kualitas 4
Selesai
Tidak Tidak
Ya 85 ≤ Persen < 75
Tidak
Ya Persen ≤ 75
Gambar 2 Diagram Alur Proses Pengklasifikasian Keramik
4. Hasil dan Pembahasan
(i) LOG 3 X 3
( iii )
( ii ) PREWITT
( iv )
(v)
( vi )
Nama file : ( i ) acuan.jpg ( ii ) pola6.jpg Pada citra (i) memiliki pola yang sangat rumit dan pada citra (ii) memiliki citra keramik yang memiliki kerusakan lubang dan noise. Pada citra (iii) dan (iv) terlihat hasil deteksi tepi citra acuan dan citra test menggunakan metode LOG dengan menghasilkan prosentase kesamaan 79,.. dengan waktu proses 3,875 detik dan mengklasifikasikan citra test pada kualitas KW3. Pada citra (v) dan (vi) terlihat hasil deteksi tepi citra acuan dan citra test menggunakan metode prewitt dengan menghasilkan prosentase kesamaan 96,.. dengan waktu proses 4,156 detik dan mengklasifikasikan citra test pada kualitas KW1. Dari citra diatas dapat disimpulkan pendeteksian tepi menggunakan metode LOG dapat menghasilkan segmentasi yang dapat memisahkan pola cacat dengan pola latar, sehingga dapat menghitung prosentase kesamaan dengan baik
ini dapat diliat dari waktu proses yang
5. KESIMPULAN DAN SARAN Kesimpulan
berdasarkan
analisa
dibandingkan dengan citra yang sama.
hasil segmentasi citra, menghasilkan area
Saran untuk pengembangan lebih
objek yang lebih baik jika menggunakan
lanjut dari penelitian ini dilakukan perbaikan
metode LOG. Deteksi tepi yang dihasilkan
citra
lebih detail daripada metode prewitt karena
optimal,
operator LOG lebih sensitive terhadap noise
kerusakan berupa gelembung dan pada citra
sehingga
keramik yang berwarna gelap. Pada citra
dapat
terbentuk
area
objek
kerusakan dengan baik. Pada dengan
LOG
terbukti
akurat
seperti
segmentasi
pada
lebih
pendeteksian
dapat
agar objek cacat pada keramik dapat terbentuk dengan baik.
mengklasifikasikan kerusakan keramik yang lebih
hasil
tersebut harus dilakukan penajaman citra
pengklasifikasian metode
sehingga
dibandingkan
Selain
itu
sebelum
dengan
pengaplikasiannya, sebaiknya di lakukan
mengunakan metode prewitt. Ini dapat
cross check dengan quality control pada
dilihat dari banyaknya kerusakan yang ada
pabrik
pada keramik, semakin banyak kerusakan
menetapkan persentase yang cocok dalam
maka citra test akan dimasukkan pada
pengklasifikasian.
kualitas yang lebih besar. Berbeda dengan
DAFTAR PUSTAKA
metode prewitt, klasifikasi yang didapat
[1] Agus, Prijono, dkk, Pengolahan Citra
yang
bersangkutan,
agar
banyak yang tidak sesuai dengan banyaknya
Digital
kerusakan yang ada, ini terjadi karena objek
Informatika, Bandung, 2007.
kerusakan keramik tidak terbentuk dengan baik menggunakan metode prewitt. Kerusakan berupa gelembung masih belum dapat diklasifikasikan dengan baik
Menggunakan
[2] Fadlisyah,
Komputer
MATLAB,
Vision
2007. [3] Gonzalez, R.C. & Woods, R.E. Digital Image
prewitt. Ini terjadi karena pendeteksian tepi
Prentice Hall, New Jersey, 2002.
warna citra tepi gelembung hampir sama dengan latar keramik. Kesimpulan selain itu
dan
Pengolahan Citra, Andi, Yogyakarta,
menggunakan metode LOG ataupun metode
gelembung tidak tercipta dengan baik karena
bisa
Processing
Second
Edition,
[4] Mulyanto, dkk, Teori Pengolahan Citra Digital, Andi, Yogyakarta, 2009. [5] Rinaldi,
Munir,
Pengolahan
Citra
dapat pula diliat dari waktu proses yang
Digital dengan Pendekatan Algoritmik,
dijalankan pada masing-masing metode.
Informatika, Bandung, 2004.
Metode LOG memakan waktu lebih lama dalam melakukan proses pengklasifikasian,
