Anda di halaman 1dari 111

ANALISIS ALGORITMA TRANSFORMASI HOUGH DALAM MENDETEKSI LINGKARAN DAN ELIPS BERBASIS PENGOLAHAN CITRA DIGITAL

ANALYSIS OF HOUGH TRANSFORM ALGORITHM FOR CIRCLE AND ELLIPSE DETECTION BASED ON DIGITAL IMAGE PROCESSING

TUGAS AKHIR

Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik pada Fakultas Elektro dan Komunikasi Institut Teknologi Telkom

Oleh:

Andri Pranata Kusuma 111090175 S1 Teknik Telekomunikasi

FAKULTAS ELEKTRO DAN KOMUNIKASI INSTITUT TEKNOLOGI TELKOM BANDUNG 2013

INSTITUT TEKNOLOGI TELKOM Jl. Telekomunikasi No. 1 Ters. Buah Batu Bandung 40257 FORMULIR LEMBAR PENGESAHAN TUGAS AKHIR

No. Dokumen No. Revisi Berlaku Efektif

ITT-AK-FEK-PTT-PTT-FM-001/004 00 02 Mei 2011

LEMBAR PENGESAHAN TUGAS AKHIR

ANALISIS ALGORITMA TRANSFORMASI HOUGH DALAM MENDETEKSI LINGKARAN DAN ELIPS BERBASIS PENGOLAHAN CITRA DIGITAL

ANALYSIS OF HOUGH TRANSFORM ALGORITHM FOR CIRCLE AND ELLIPSE DETECTION BASED ON DIGITAL IMAGE PROCESSING

Andri Pranata Kusuma 111090175

Telah disetujui dan disahkan sebagai Tugas Akhir Program Sl Teknik Telekomunikasi Fakultas Elektro dan Komunikasi Institut Teknologi Telkom

Pembimbing I

Pembimbing II

Koredianto Usman, ST., M.Sc. NIK : 02750290-1

Suryo Adhi Wibowo, ST.,MT. NIK : 10870628-1

INSTITUT TEKNOLOGI TELKOM Jl. Telekomunikasi No. 1 Ters. Buah Batu Bandung 40257 FORMULIR PERNYATAAN ORISINALITAS

No. Dokumen No. Revisi Berlaku Efektif

ITT-AK-FEK-PTT-PTT-FM-001/004 00 02 Mei 2011

HALAMAN PERNYATAAN ORISINALITAS


NAMA NIM ALAMAT : ANDRI PRANATA KUSUMA : 111090175 : JL. MASJID RT 012/01 NO.1A CIPINANG MELAYU, JAKARTA TIMUR 13620

No. Telp / Hp : 081321680644 Email : andripranatakusuma@hotmail.com

Menyatakan bahwa Tugas Akhir ini merupakan karya orisinal saya sendiri, dengan judul : ANALISIS ALGORITMA TRANSFORMASI HOUGH DALAM MENDETEKSI LINGKARAN DAN ELIPS BERBASIS PENGOLAHAN CITRA DIGITAL

ANALYSIS OF HOUGH TRANSFORM ALGORITHM FOR CIRCLE AND ELLIPSE DETECTION BASED ON DIGITAL IMAGE PROCESSING

Atas pernyataan ini, saya siap menanggung resiko / sanksi yang dijatuhkan kepada saya apabila kemudian ditemukan adanya pelanggaran terhadap kejujuran akademik atau etika keilmuan dalam karya ini, atau ditemukan bukti yang menunjukkan ketidakaslian karya ini.

Bandung, Januari 2013

Andri Pranata Kusuma 111090175

LEMBAR PERSEMBAHAN

Katakanlah (Muhammad), Inilah jalanku yang lurus, aku dan orang-orang yang mengikutiku mengajak (kamu) kepada Allah dengan ilmu. (QS Yusuf [12]: 108)

Dan perumpamaan-perumpamaan ini Kami buat untuk manusia; dan tiada yang memahaminya kecuali orang-orang yang berilmu.(QS Al-Ankabuut[29]:43)

Tuntutlah ilmu, sesungguhnya menuntut ilmu adalah pendekatan diri kepada Allah Azza wajalla, dan mengajarkannya kepada orang yang tidak mengetahuinya adalah sodaqoh. Sesungguhnya ilmu pengetahuan menempatkan orangnya, dalam kedudukan terhormat dan mulia (tinggi). Ilmu pengetahuan adalah keindahan bagi ahlinya di dunia dan di akhirat." (HR Ar-Rabii')

Man Jadda Wajada = Siapa yang bersungguh-sungguh akan berhasil

Tugas Akhir ini kupersembahkan untuk Papa dan Mamaku tercinta Kedua adikku tersayang Saudara, Sahabat, dan Teman-Temanku Calon Pendamping Hidupku kelak Dan Pembaca yang giat mencari ilmu

iv

ABSTRAK

Dalam aplikasi sensing robotic dan computer vision dibutuhkan sebuah algoritma pengenalan pola. Pada tugas akhir ini dilakukan penelitian terhadap algoritma Transformasi Hough dalam mendeteksi kurva tertutup sederhana seperti lingkaran atau elips. Pada penelitian sebelumnya, algoritma Transformasi Hough telah digunakan dalam pendeteksian jumlah sisi bangun geometri segi-N. Akan tetapi belum ada penelitian yang menganalisis Transformasi Hough dalam mendeteksi dan membedakan kurva tertutup sederhana. Untuk mendeteksi objek elips dan lingkaran dalam sebuah citra digital, pertama-tama dilakukan proses akuisisi citra dengan meng-capture objek dari webcam atau dengan membangkitkan citra dari komputer. Lalu tahap preprocessing untuk mendapatkan garis tepi objek. Kemudian digunakan Transformasi Hough Standar (SHT) dan dianalisis kurva sinusoidal hasil transformasi tersebut. Lingkaran akan memiliki bentuk kurva sinusoidal yang cukup teratur dibandingkan elips. Oleh karena itu pada penelitian kali ini akan digunakan metode standar deviasi untuk membedakan objek lingkaran dan elips. Setelah mendapatkan objek yang diinginkan, kemudian digunakan Transformasi Hough yang di modifikasi (MHT) untuk merekonstruksi bangun tersebut. Untuk menganalisis tingkat performasi algoritma dalam pendeteksian dan rekonstruksi, maka diujikan 108 citra berbentuk lingkaran dan elips dengan warna dan besar berbeda. Berdasarkan hasil uji, sistem dapat membedakan objek kurva tertutup dengan akurasi 95,46% dan merekonstruksi kurva tertutup dengan akurasi sebesar 100%. Waktu komputasi rata-rata dalam merekonstruksi lingkaran 4,86 detik dan merekonstruksi elips 0,594 detik.

Kata Kunci : Transformasi Hough Standar (SHT), Standar Deviasi, Transformasi Hough di Modifikasi (MHT), Lingkaran dan Elips

ABSTRACT

Pattern recognition algorithm is very important for robotic sensing and computer vision. On this thesis, Hough Transform Algorithm is tested to detect simple closed curve like circle and ellipse. On the previous research, Hough Transform Algorithm was used to detect the number of N-side from a geometry object. However, there is still no research to analyze Hough Transform performance in detecting and differentiating simple closed curve. To detect an object such as ellipse and circle in a digital image, first the image is acquired by capturing from a webcam or generating images from computer. Then the preprocessing stage will be done to get its edges. Next the edges will be transformed using Standard Hough Transform and the curve from Hough Transform will be analyzed. The circle will have a more constant sinusoidal curve than the ellipse. Therefore, in this research standard deviation method is used to differentiate those objects. After gaining the expected ones, a Modified Hough Transform is used to reconstruct the objects. To analyze the performance of algorithm, all the 108 images of cicrle and ellipse with different color and size is tested. Based on the results, the system can detect and distiguish circle and ellipse objects with 95,46% accuracy as well as reconstruct those object with 100% accuracy. The average computation time in circle reconstruction is 4,86 seconds and ellipse reconstruction is about 0,594 seconds

Keywords : Standard Hough Transform (SHT), Modified Hough Transform (MHT), Circle and Ellipse

vi

KATA PENGANTAR

Segala puji dan syukur sedalam-dalamnya penulis panjatkan ke hadapan Allah SWT, karena berkat rahmat, taufiq, hidayah-NYA, Tugas akhir yang berjudul Analisis Algoritma Transformasi Hough Dalam Mendeteksi Lingkaran dan Elips Berbasis Pengolahan Citra Digital ini bisa diselesaikan sebagai salah satu syarat menyelesaikan program pendidikan sarjana pada Fakultas Elektro dan Komunikasi, Institut Teknologi Telkom Bandung Diharapkan Tugas Akhir ini dapat bermanfaat dalam pengembangan dunia keilmuan di kampus Institut Teknologi Telkom yang berkaitan dengan cabang ilmu pengolahan sinyal digital, dan selanjutnya bisa diimplementasikan ke dalam bidang robotik. Penulis menyadari masih terdapat kekurangan dalam penyusunan Tugas Akhir ini. Sehingga Penulis pun terbuka untuk menerima saran dan kritik yang bersifat membangun. Dengan segala kerendahan hati, penulis berharap semoga Tugas Akhir ini dapat bermanfaat dan penulis pada khususnya, serta bagi dunia pendidikan pada umumnya.

Bandung, Januari 2013

Penulis

vii

UCAPAN TERIMA KASIH

Puji syukur Penulis panjatkan kepada Allah SWT, Tuhan Yang Maha Esa, karena atas rahmat dan hidayah-Nya Tugas Akhir ini dapat terselesaikan dengan baik. Shalawat serta salam tidak lupa penulis curahkan kepada Nabi Besar Muhammad SAW, keluarganya, sahabatnya serta pengikutnya. Penulis sadar bahwa penulis tidak dapat menyelesaikan Tugas Akhir dan perkuliahan di IT Telkom ini tanpa adanya bantuan dari lingkungan sekitar Penulis. Oleh karena itu, penulis mengucapkan terima kasih kepada : 1. Ibu Penulis, Ibu Kusmiyati, SE. yang tidak ada hentinya memberikan perhatian, berdoa, mengingatkan anaknya disetiap keadaan, dan rela datang ke Bandung sendiri untuk mendampingi Penulis disaat sidang. Ayah Penulis, Bpk. Sumatno, yang selalu memberikan semangat, berbagai jenis sokongan dan mengingatkan untuk selalu tidak boleh jauh dari Allah. Ahmad Zuhdi Dwi Kusuma dan Anita Putri Kusuma yang mendoakan kakaknya mengerjakan Tugas Akhir supaya bisa lulus dan cepat kerja. 2. Keluarga besar Penulis, Nenek Penulis di Jakarta yang senantiasa mendoakan cucu pertamanya, kakek, om, tante, saudara-saudaraku, dengan mengingat kalian Penulis jadi termotivasi untuk mengerjakan Tugas Akhir ini. 3. Bapak Koredianto Usman, ST.,M.sc., selaku pembimbing pertama dan Bapak Suryo Adhi Wibowo, ST., MT., selaku pembimbing kedua. Dua orang yang selalu memotivasi penulis, mengingatkan deadline, dan membimbing penulis di tengah kesibukannya. 4. Bapak Inung Wijayanto, ST.,MT. Selaku dosen wali Penulis yang mengarahkan dan memudahkan segala urusan perwalian agar bisa lanjut sidang dan cepat lulus dari kampus ini dan seluruh dosen IT Telkom atas bimbingannya selama ini. 5. Issafitri Nur Rachmawati alias bebe alias calon ST 2014, atas doa, kesabaran, dan kesediaannya ketika penulis sedang kalut mengingat Tugas Akhir untuk mendengarkan segala keluhan dan curhatan. Ikut mencari pinjaman webcam agar Penulis lancar dalam pengambilan data. Merelakan kamarnya dipakai untuk pengambilan data TA, dan senantiasa memberi semangat kepada penulis. Terima kasih cantik.
viii

6.

Kak Anggunmeka Luhur Prasasti, ST. dan kak Dzikrina Khoirunnisak, ST. yang telah membuka pikiran penulis dalam pengambilan judul dan pembimbing dalam Tugas Akhir ini.

7.

Anggi Permata Hadwi alias Tank, sahabat terbaik Penulis selama berkuliah di IT Telkom. Teman seperjuangan di Kopma, teman motivasi, teman saingan, dan teman curhat ketika Penulis masih berada di zaman kelabilan. Rodia Mardia, sahabat sesama 3,5 tahun yang siap membantu dan mendengarkan keluh kesah teman seperjuangannya ini.

8.

Keluarga besar Kopma IT Telkom, kak Sugeng, kak DJ, kak Ardan, kak Kahfi, Abang, Patur, kak Be, kak Unan, kak Ayu, kak Cus, kak Rebek, Kak Baal, kak Arnas, kak Ria, kak Indah, kak Vira, Luthfi, Pras, Qori, Asuh, Edho, Ninis, Evan, Rina, Dion, Adel, Sari, Mure, Adhi, Doni, Alfath, Zulfi, Fikri, Firda, Dinda, Ebi, Vita, Madu, Hilda, Erty, Puji, Fajar, Andang, Krisna, Bowo, Richo, Yudha, Ilham, teh Yuli, bibi untuk doa dan pembakaran yang semakin membuat penulis semangat untuk lulus dari kampus ini.

9.

Keluarga besar IMV, squad KRU dan bimbs of SAO, Tika, Noi, Rina, Dian, Munawar, Syifa, Ika, Rizka, Rahma, Kun, Lintang, Audy, Kode, Heru, Umi, Janu, Lala yang memberikan dukungan moril dan semangat.

10. Keluarga kelas TT-33-03, teman-teman yang saling memberikan semangat dan motivasi dalam mengerjakan TA, Ayu, Aceng, Relung, Arga, Aul, Muflich, Dwi. Risa yang sudah membantu memeriksa abstrak dan slide Bahasa Inggris . Irna, Iqbal, Rizwan yang sudah menyempatkan waktu untuk datang ke sidang Penulis. Dan Teman-teman TT-33-03 terbaik lainnya, Shid, Safrian, Rahmat, Kompyang, Evan, Luthfi, Tika, Rizka, Mira dan teman lainnya. Terima kasih untuk seluruh pihak yang tidak dapat dijabarkan satu per satu yang telah membantu Penulis selama ini. Semoga Allah SWT Membalas semua kebaikan dengan karunia-Nya.

ix

DAFTAR ISI

LEMBAR JUDUL ......................................................................................................... i LEMBAR PENGESAHAN ........................................................................................... ii LEMBAR PERYATAAN ORISINALITAS ................................................................. iii LEMBAR PERSEMBAHAN ........................................................................................ iv ABSTRAK .................................................................................................................... v ABSTRACT .................................................................................................................... vi KATA PENGANTAR ................................................................................................... vii UCAPAN TERIMA KASIH ......................................................................................... viii DAFTAR ISI ................................................................................................................. x DAFTAR GAMBAR ..................................................................................................... xiii DAFTAR TABEL ......................................................................................................... xv DAFTAR PERSAMAAN ............................................................................................. xvi DAFTAR ISTILAH ....................................................................................................... xvii DAFTAR SINGKATAN ............................................................................................... xix BAB I PENDAHULUAN .............................................................................................. 1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 Latar Belakang ....................................................................................................... 1 Tujuan .................................................................................................................... 2 Manfaat ................................................................................................................... 2 Perumusan masalah ................................................................................................ 2 Batasan Masalah ..................................................................................................... 3 Metodologi Penelitian ............................................................................................ 3 Sistematika Penulisan ............................................................................................ 4 Jadwal Pelaksanaan ................................................................................................ 5

BAB II DASAR TEORI ................................................................................................ 6 2.1 2.2 2.3 2.4 2.5 2.6 Citra Digital ............................................................................................................ 6 Citra RGB .............................................................................................................. 7 Model Warna HSV ................................................................................................. 7 Operasi Batas Ambang (Thresholding) .................................................................. 8 Deteksi Tepi ........................................................................................................... 9 Operasi Morfologi dalam Citra Digital .................................................................. 9 2.6.1 Operasi Dilasi dan Erosi ............................................................................... 10
x

2.6.2 Operasi Opening ............................................................................................ 11 2.7 Transformasi Hough ............................................................................................... 12 2.7.1 Transformasi Hough Normal ........................................................................ 12 2.7.2 Transformasi Hough Diskrit ......................................................................... 13 2.8 2.9 Lingkaran ............................................................................................................... 13 Elips ....................................................................................................................... 14

2.10 Derau ...................................................................................................................... 15 BAB III PERANCANGAN SISTEM ........................................................................... 16 3.1 3.2 3.3 3.4 3.5 3.6 Masukan Sistem ..................................................................................................... 17 Derau/Gangguan .................................................................................................... 18 Pemrosesan Awal ................................................................................................... 19 Algoritma Transformasi Hough Standar (SHT) ..................................................... 21 Analisis SHT dalam Membedakan Elips dan Lingkaran ....................................... 24 Proses Deteksi Letak Posisi dan Rekonstruksi Elips dan Lingkaran ..................... 26 3.6.1 Analisis Algoritma Transformasi Hough dalam mendeteksi Lingkaran ....... 26 3.6.2 Analisis Algoritma Transformasi Hough dalam mendeteksi Elips ............... 28 BAB IV ANALISIS HASIL SIMULASI ..................................................................... 31 4.1 4.2 4.3 4.4 4.5 Proses Pengujian .................................................................................................... 31 Deteksi pada Citra yang dibangkitkan Komputer .................................................. 32 Deteksi pada Citra yang di-capture Webcam ........................................................ 33 Analisis Hasil Deteksi dan Kesalahan pada Citra Komputer dan Webcam ........... 34 Analisis Hasil Uji Tingkat Eksentrisitas Elips pada Citra Komputer dan Webcam .................................................................................................................. 37 4.6 Hasil Uji Keandalan Sistem dengan Derau yang Dibangkitkan MATLAB .......... 38 4.6.1 Poisson .......................................................................................................... 38 4.6.2 Speckle .......................................................................................................... 39 4.6.3 Salt and Pepper .............................................................................................. 40 4.6.4 Gaussian ........................................................................................................ 42 4.7 Analisis Hasil Deteksi Objek Lingkaran dan Elips Sebenarnya pada Citra yang di-capture Webcam ........................................................................................ 43 4.8 Pengujian dengan Objek Selain Elips dan Lingkaran ............................................. 45

xi

BAB V PENUTUP ......................................................................................................... 47 5.1 5.2 Kesimpulan ............................................................................................................ 47 Saran ....................................................................................................................... 48

DAFTAR PUSTAKA ...................................................................................................... xx DAFTAR LAMPIRAN ................................................................................................. xxii LAMPIRAN

xii

DAFTAR GAMBAR

Gambar 2.1 Representasi citra dalam bentuk matriks .................................................... 6 Gambar 2.2 Kombinasi warna RGB .............................................................................. 7 Gambar 2.3 Model Warna HSV ..................................................................................... 8 Gambar 2.4 Citra masukan (kiri), citra grayscale (tengah), citra hasil thresholding (kanan) .................................................................................. 8 Gambar 2.5 Citra masukan (kiri), hasil deteksi tepi canny (kanan) ............................... 9 Gambar 2.6 Citra masukan (kiri), hasil dilasi (tengah), hasil erosi (kanan) .................. 10 Gambar 2.7 Macam-macam elemen penstruktur (strel) ................................................. 11 Gambar 2.8 Citra masukan (kiri), hasil bwareaopen dengan 50 piksel yang terhubung dihilangkan (kanan) ................................................................... 11 Gambar 2.9 Transformasi domain citra ke domain hough ............................................ 12 Gambar 2.10 Lingkaran ................................................................................................. 14 Gambar 2.11 Parameter Elips ........................................................................................ 14 Gambar 3.1 Diagram alir cara kerja sistem .................................................................... 16 Gambar 3.2 Contoh citra input yang dibangkitkan oleh computer ................................ 17 Gambar 3.3 Contoh citra input yang di-capture dari web-cam ..................................... 17 Gambar 3.4 Diagram blok preprocessing ...................................................................... 19 Gambar 3.5 Tahap pemrosesan awal (preprocessing) berdasarkan gambar .................. 21 Gambar 3.6 Representasi persamaan garis parameter rho(r), theta ............................... 22 Gambar 3.7 Contoh implementasi Standard Hough Transform (1) .............................. 22 Gambar 3.8 Contoh implementasi Standard Hough Transform (2) .............................. 23 Gambar 3.9 Local Maxima Hasil Transformasi Hough ................................................. 23 Gambar 3.10 Diagram alir proses pendeteksian dan pengklasifikasian ......................... 24 Gambar 3.11 Hasil Transformasi Hough standar terhadap citra lingkaran .................... 24 Gambar 3.12 Hasil Transformasi Hough standar terhadap citra elips ........................... 24 Gambar 3.13 Hasil Ekstraksi Transformasi Hough ........................................................ 25 Gambar 3.14 Diagram alir Algoritma Transformasi Hough untuk mendeteksi dan merekonstruksi lingkaran .......................................................................... 27 Gambar 3.15 Hasil rekonstruksi dengan algoritma TransformasiHough untuk lingkaran ......................................................................................... 28

xiii

Gambar 3.16 Diagram alir Algoritma Transformasi Hough untuk mendeteksi dan merekonstruksi elips ................................................................................. 29 Gambar 3.17 Geometri sebuah Elips ............................................................................. 29 Gambar 3.18 Hasil rekonstruksi algoritma Transformasi Hough untuk elips ............... 30 Gambar 4.1 Rincian citra input ...................................................................................... 31 Gambar 4.2 Grafik perbandingan persentasi akurasi citra komputer ............................. 33 Gambar 4.3 Grafik perbandingan persentase akurasi citra webcam .............................. 34 Gambar 4.4 Citra komputer dan ditambah derau Poisson ............................................. 38 Gambar 4.5 Citra komputer dan ditambah derau Poisson ............................................. 38 Gambar 4.6 Grafik akurasi hasil uji derau Speckle dengan berbagai variance ............. 39 Gambar 4.7 Citra komputer dan ditambah derau Speckle (variance 0,3) ...................... 40 Gambar 4.8 Citra webcam dan ditambah derau Speckle (variance 0,3) ........................ 40 Gambar 4.9 Grafik akurasi hasil uji derau Salt and Pepper dengan berbagai Kerapatan ................................................................................................... 41 Gambar 4.10 Citra webcam dan ditambah derau Salt & Pepper (density 0,2) .............. 41 Gambar 4.11 Citra komputer dan ditambah derau Salt & Pepper (density 0,2) ............ 41 Gambar 4.12 Grafik akurasi hasil uji derau Gaussian dengan mean=0 ........................ 42 Gambar 4.13 Grafik akurasi hasil uji derau Gaussian dengan variance=0,01 .............. 42 Gambar 4.14 Derau Gaussian dengan mean = 0 (var=0 kiri, var=0,2 tengah, var=0,5 kanan) ........................................... 43 Gambar 4.15 Derau Gaussian dengan variance = 0.01 (mean=0 kiri, mean=0,2 tengah, mean=0,5 kanan) ................................. 43 Gambar 4.16 Citra lingkaran yang terdeteksi sebagai elips karena bayangan (kiri= citra masukan, tengah=model warna HSV, kanan=hasil threshold) ........ 44 Gambar 4.17 Citra lingkaran yang tidak terdeteksi karena terlalu gelap (kiri= citra masukan, tengah=model warna HSV, kanan=hasil threshold) ........ 45 Gambar 4.18 Hasil transformasi segi sepuluh kedalam domain Hough ........................ 46 Gambar 4.19 Hasil transformasi segi dua belas kedalam domain Hough ..................... 46

xiv

DAFTAR TABEL

Tabel 4.1 Perbandingan Hasil Uji Deteksi Lingkaran dan Elips .................................... 36 Tabel 4.2 Perbandingan Hasil Uji Tingkat Eksentrisitas ................................................ 38 Tabel 4.3 Perbandingan Hasil uji dengan derau Poisson ................................................ 39 Tabel 4.4 Hasil Uji Derau Speckle dengan Berbagai Variance ...................................... 40 Tabel 4.5 Hasil Uji Derau Speckle dengan Berbagai Variance ...................................... 41 Tabel 4.6 Hasil Uji Derau Gaussian dengan Mean=0 dan Berbagai Nilai Variance ..... 43 Tabel 4.7 Hasil Uji Derau Gaussian dengan Variance=0 dan Berbagai Nilai Mean ..... 43 Tabel 4.8 Perbandingan Hasil Uji Objek Sesungguhnya ................................................ 45 Tabel 4.9 Hasil Uji Objek Selain Lingkaran dan Elips ................................................... 45

xv

DAFTAR PERSAMAAN

Persamaan (2.1) ............................................................................................................. 8 Persamaan (2.2) ............................................................................................................. 10 Persamaan (2.3) ............................................................................................................. 10 Persamaan (2.4) ............................................................................................................. 12 Persamaan (2.5) ............................................................................................................. 13 Persamaan (2.6) ............................................................................................................. 13 Persamaan (2.7) ............................................................................................................. 13 Persamaan (2.8) ............................................................................................................. 13 Persamaan (2.9) ............................................................................................................. 13 Persamaan (2.10) ........................................................................................................... 13 Persamaan (2.11) ........................................................................................................... 13 Persamaan (2.12) ........................................................................................................... 13 Persamaan (2.13) ........................................................................................................... 14 Persamaan (2.14) ........................................................................................................... 14 Persamaan (2.15) ........................................................................................................... 14 Persamaan (2.16) ........................................................................................................... 15 Persamaan (2.17) ........................................................................................................... 15 Persamaan (2.18) ........................................................................................................... 15 Persamaan (3.1) ............................................................................................................. 21 Persamaan (3.2) ............................................................................................................. 21 Persamaan (3.3) ............................................................................................................. 25 Persamaan (3.4) ............................................................................................................. 29 Persamaan (3.5) ............................................................................................................. 29 Persamaan (3.6) ............................................................................................................. 29 Persamaan (3.7) ............................................................................................................. 29 Persamaan (3.8) ............................................................................................................. 30 Persamaan (3.9) ............................................................................................................. 30 Persamaan (4.1) ............................................................................................................. 33

xvi

DAFTAR ISTILAH

Accumulator Array

Tabel yang digunakan untuk meletakkan parameter Transformasi Hough yaitu parameter dari objek yang ingin

dideteksi dan bertambah jika terdapat suatu kondisi yang terpenuhi. Computer Vision Proses otomatis yang mengintegrasikan sejumlah besar proses persepsi visual seperti akuisisi citra, pengolahan citra, pengenalan, dan pembuat keputusan. Eksentrisitas Elips ( e ) Derajat kepipihan elips, secara teoretis

0 e < 1 semakin mendekati 1 maka


elips akan semakin pipih. Fitting Proses rekonstruksi dan pengepasan sebuah objek. Local Maxima Nilai maksimum yang terdapat pada ruang akumulator. Preprocessing (Pemrosesan Awal) Suatu proses dalam pengolahan citra digital untuk mendapatkan kondisi citra yang diinginkan untuk proses

selanjutnya. Robotic Sensing kemampuan robot untuk melakukan proses manusia. Standar Deviasi Metode statistik yang digunakan untuk melihat kelompok. Threshold Suatu nilai (bisa lebih dari 1) batas ambang yang biasa digunakan untuk proses pengklasifikasian. homogenitas dari sebuah visual seperti pada indera

xvii

Transformasi Hough Standar (SHT)

Transformasi yang digunakan untuk mengubah domain citra menjadi domain ( , ) untuk mendeteksi keberadaan garis.

Transformasi Hough dimodifikasi (MHT)

Transformasi hough yang dimodifikasi untuk mendeteksi dan merekonstruksi suatu objek tertentu.

xviii

DAFTAR SINGKATAN

Bi

: Blue Input

BMP : Windows Bitmap Image File Bo : Blue Output

CHT : Circular Hough Transform EHT : Elliptical Hough Transform Gi Go : Green Input : Green Output

GST : Gray Scale Transformation HSV : Hue, Saturation, Value MHT : Modified Hough Transform RGB : Red Green Blue Ri Ro : Red Input : Red Output

SHT : Standard Hough Transform Strel : Structuring Element

xix

BAB I PENDAHULUAN

1.1

Latar Belakang Bangun geometri 2 dimensi adalah sebuah bidang datar yang dibatasi oleh garis-garis

dan dimana titik ujung setiap garis terhubung dengan garis yang lain minimal tiga buah garis, sehingga membentuk sebuah bangun tertutup[12]. Berbeda dengan bangun geometri, Lingkaran dan elips merupakan kurva sederhana tertutup yang beraturan. Lingkaran adalah himpunan titik-titik pada bidang dalam jarak tertentu (r), dari suatu titik tertentu, yang disebut pusat[17]. Sedangkan elips didefinisikan sebagai tempat kedudukan titik-titik dalam bidang yang jumlah jarak dari dua titiknya konstan. Suatu elips punya dua sumbu simetri, yaitu sumbu sumbu utama (sumbu panjang) dan sumbu minor (sumbu pendek)[20]. Selain itu yang membedakan antara elips dan lingkaran adalah nilai eksentrisitasnya. Elips memiliki nilai eksentrisitas antara 0-1 sedangkan lingkaran memiliki nilai eksentrisitas 0[19]. Pada aplikasi sensing robotic atau computer vision, dibutuhkan sebuah algoritma pengenalan pola. Hal ini bertujuan agar komputer dapat mengidentifikasi obyek-obyek tertentu. Salah satu algoritma pengenalan pola adalah algoritma Transformasi Hough. Transformasi Hough telah diperkenalkan oleh Paul Hough pada tahun 1962. Pada implementasinya Transformasi Hough melakukan pemetaan titik-titik pada citra ke dalam ruang parameter (Hough space) berdasarkan suatu fungsi dari bentuk yang ingin dideteksi. Pada awalnya TH digunakan untuk mendeteksi garis pada sebuah citra. Namun oleh Duda dan Hart[4], Transformasi Hough dikembangkan dalam pendeteksian kurva, umumnya seperti lingkaran dan elips. Salah satu keunggulan dari Transformasi Hough adalah lebih cepat dan lebih baik akurasinya dari Transformasi Radon[9]. Pada penelitian sebelumnya oleh Aji Atturmudzi[1], algoritma Transformasi Hough digunakan dalam pendeteksian posisi mata dan oleh Dzikrina Khoirunnisak[9], telah dilakukan penganalisisan terhadap performansi algoritma Transformasi Hough dalam mengidentifikasi bangun geometri 2D segi-N. Namun belum ada penelitian yang membahas bagaimana performansi algoritma Transformasi Hough dalam mendeteksi dan membedakan kurva tertutup yaitu lingkaran dan juga elips. Banyak objek yang terbentuk dari kurva tertutup, misal bola, piring, telur, sabun, dll. Oleh karena itu, kemampuan untuk membedakan dan menganalisis elips dan lingkaran merupakan hal penting untuk
1

diimplementasikan agar objek-objek yang tersusun dari kurva tertutup tersebut dapat terdeteksi dan dibedakan. Maka dari itu, pada penelitian kali akan dibuat dan dianalisis suatu aplikasi untuk mendeteksi dan menganalisis objek lingkaran dan elips yang terdapat pada sebuah citra digital dengan menggunakan algoritma Transformasi Hough.

1.2

Tujuan Tujuan tugas akhir ini dapat dirumuskan sebagai berikut. 1. Mengimplementasikan aplikasi untuk mendeteksi dan menganalisis objek lingkaran dan elips baik yang dibuat maupun objek sesungguhnya berbasis pengolahan citra digital. 2. Menguji dan menganalisis simulasi sistem untuk deteksi objek buatan hasil akuisisi webcam dan objek yang dibangkitkan lewat komputer 3. Menguji performansi Transformasi Hough dengan mengukur akurasi dan waktu komputasi dalam mendeteksi dan menganalisis objek lingkaran dan elips. 4. Menguji dan menganalisis hasil implementasi sistem dengan derau yang memiliki kerapatan yang berbeda.

1.3

Manfaat Manfaat dari pelaksanaan tugas akhir ini adalah sebagai berikut. 1. Melengkapi penelitian sebelumnya dan bisa sebagai tambahan bahan perkuliahan di mata kuliah computer vision. 2. Dasar pengenalan objek karena objek selain terbentuk dari bangun geometri, objek-objek juga bisa terbentuk dari komponen lingkaran dan elips 3. Dapat digunakan dan diterapkan pada aplikasi sensing robotic.

1.4

Perumusan masalah Perumusan masalah yang digunakan pada Tugas Akhir ini adalah: 1. Bagaimana melakukan tahap preprocessing dari objek lingkaran dan elips dalam citra digital menggunakan MATLAB. 2. Bagaimana menggunakan algoritma Transformasi Hough untuk mengetahui adanya objek lingkaran atau elips dari sebuah citra digital. 3. Bagaimana cara mendeteksi dan menganalisis objek lingkaran dan elips dari sebuah citra digital.
2

4. Bagaimana pengaruh tingkat eksentrisitas elips terhadap proses pendeteksian dengan Transformasi Hough. 5. Bagaimana pengaruh jenis citra masukan terhadap performansi sistem: citra dengan derau dan citra tidak dengan derau. 6. Bagaimana pengaruh level derau terhadap performansi Transformasi Hough. 7. Bagaimana tingkat keberhasilan sistem berdasarkan waktu komputasi, tingkat parameter akurasi, dan error.

1.5

Batasan masalah Pengerjaan tugas akhir ini, dibatasi pada hal-hal sebagai berikut: 1. Masukan sistem merupakan citra dengan ukuran 640x480 piksel, memiliki format *.bmp 2. Citra masukan didapat melalui akuisisi dari web-cam (untuk hasil aktual) dan beberapa citra masukan didapat dengan dibangkitkan oleh software (CorelDRAW X5) untuk pembuktian hasil teoretis. 3. Objek atau citra untuk pengujian eksentrisitas dibatasi dengan eksentrisitas 0.2, 0.3, 0.4, 0.5 , dan 0.8. 4. Citra masukan merupakan gambar lingkaran dengan jari-jari minimum piksel sebesar 50 pixel dan maksimal piksel bernilai 150 piksel baik aktual maupun ideal (CorelDRAW) dan elips. 5. Latar belakang objek berwarna putih. 6. Penambahan derau yang dibangkitkan lewat aplikasi MATLAB untuk menguji performansi sistem (derau Gaussian, Salt & Pepper, Speckle, dan Poisson). 7. Alat bantu yang digunakan pada penelitian ini adalah MATLAB versi R2009a.

1.6

Metodologi Penelitian Penelitian ini bersifat terapan, hasil akhir dari penelitian dapat diaplikasikan dan

diterapkan secara langsung. Metode yang digunakan untuk menyelesaikan tugas akhir ini adalah dengan melakukan eksperimen. Eksperimen akan berlangsung di laboratorium IMV dan tempat tinggal penulis. Eksperimen pertama yang dilakukan adalah mengakuisisi citra dan menentukan kategori citra, apakah termasuk berderau atau tidak. Kemudian akan dilakukan eksperimen pendeteksian bentuk dengan menggunakan Transformasi Hough sehingga hasil keluarannya berupa deteksi bidang yang diinginkan. Dan tahap terakhir dari
3

deteksi ini adalah proses rekonstruksi (fitting) dari objek yang diteliti. Implementasi Transformasi Hough ini dengan menggunakan platform MATLAB R2009a. Berdasarkan hasil keluaran sistem maka akan dibuat analisis berdasarkan skenario yang dijalankan. Kemudian dapat ditarik kesimpulan dari hasil analisis tersebut.

1.7

Sistematika Penulisan Tugas akhir ini dibagi dalam beberapa topik bahasan yang disusun secara sistematis

sebagai berikut : Bab I Pendahuluan Bab ini membahas latar belakang, tujuan, manfaat, perumusan dan batasan masalah, metodologi penelitian serta sistematika penulisan. Bab II Dasar Teori Bab ini membahas teori yang mendukung dan mendasari penulisan tugas akhir ini, meliputi pengolahan citra digital, teori dasar algoritma Transformasi Hough, karakteristik bangun Lingkaran dan Elips, serta teori lain yang mendukung. Bab III Perancangan Sistem Dalam BAB III diuraikan tentang model perancangan sistem dari tahap pemrosesan awal, sampai penggunaan Algoritma Transformasi Hough dalam deteksi objek berbasis citra digital Bab IV Analisis Hasil Simulasi Bab ini membahas hasil simulasi yang diperoleh dan memberikan analisis terhadap hasil simulasi tersebut. Objek masukan dalam keadaan tanpa derau hingga objek diberikan derau dengan berbagai kerapatan dan analisis objek kurva tertutup dalam kehidupan nyata. BAB V Kesimpulan Dan Saran Bab ini berisi kesimpulan dari analisisanalisis skenario yang telah dilakukan dan saran untuk pengembangan lebih lanjut.

1.8

Jadwal Pelaksanaan
No Kegiatan 1 Sep-12 2 3 4 1 Okt-12 2 3 4 1 Nop-12 2 3 4 1 Des-12 2 3 4
1 2

Jan-13 3 4

1 Studi Literatur Pengumpulan 2 Data Implementasi Perangkat 3 Lunak Analisis 4 Performansi Perbaikan 5 Sistem Pengambilan 6 keputusan Menulis Buku/Laporan 7 Tugas Akhir

BAB II DASAR TEORI

2.1

Citra Digital[9] Citra digital merupakan citra yang dapat diolah oleh komputer. Sebuah citra digital

dapat didefinisikan sebagai fungsi 2-Dimensi, f(x,y) dimana x dan y merupakan koordinat posisi, dan nilai dari f menunjukkan intensitas dari warna tiap piksel dari sebuah citra. Dan dapat diwakili oleh sebuah matriks yang terdiri dari M kolom dan N baris, dimana perpotongan antara kolom dan baris disebut piksel, yaitu elemen terkecil dari sebuah citra. Setiap piksel f(x,y) memiliki nilai intensitas atau warna dari piksel di titik itu, sehingga sebuah citra digital dapat ditulis dalam bentuk matriks berikut
f (0,0) f (1,0) f ( x, y ) = ... f ( N 1,0) f (0,1) ... ... f ( N 1,1) ... ... ... ... f (0, M 1) f (1, M 1) ... f ( N 1, M 1)

Dan bila matriks tersebut diubah dalam bentuk matematisnya, maka:

1 1 2 0 0

2 0 15

3 25 17

4 70 26

5 83 76

X f(1,3)

f(x,y)=

31

25

21

61

4 5
Y

0 0

2 14

1 28

17 52

22 65 f(5,1)

Gambar 2.1 Representasi citra dalam bentuk matriks

Piksel pada koordinat (5,1) bernilai intensitas 0 yang berarti warna piksel tersebut hitam, piksel pada koordinat (1,3) bernilai 25 yang berarti warnanya terletak antara hitam dan putih, dan seterusnya.

2.2

Citra RGB[19] Citra RGB, yang biasa disebut juga citra true color, disimpan dalam array

berukuran m x n x 3 yang mendefinisikan warna merah, hijau, dan warna biru untuk setiap pikselnya. Warna pada tiap piksel ditentukan berdasarkan kombinasi dari warna merah, hijau, dan warna biru. RGB merupakan citra 24 bit dengan komponen merah, hijau, biru yang masing-masing bernilai 8 bit sehingga intensitas kecerahan warna sampai 256 level dan kombinasi warnanya kurang lebih sekitar 16 juta warna sehingga disebut true color. Tingkat kecerahan paling rendah yaitu 0 untuk warna hitam dan putih bernilai 255.

Gambar 2.2 Kombinasi warna RGB

Masing-masing komponen warnanya dapat menyumbangkan tingkat kecerahan masing-masing. Sebagai contoh, apabila semua warna memberi intensitas warna yang sama, maka akan menjadi derajat keabuan dari hitam (intensitas warna level 0) sampai putih (intensitas warna level 255). Begitu juga apabila kombinasi intensitas warna ada yg paling dominan, maka kombinasi yang dihasilkan akan dominan dengan intensitas yang paling besar. Misal intensitas warna merah adalah 255 sedangkan hijau dan biru memiliki intensitas 0, maka akan menghasilkan warna kombinasi dominan biru. Model Warna HSV[11] Model warna HSV mendefinisikan warna dalam terminologi Hue, Saturation dan Value. Hue menyatakan warna sebenarnya, seperti merah, hijau, biru, violet, kuning, dsb. Saturation menyatakan tingkat kemurnian suatu warna, yaitu mengindikasikan seberapa banyak warna putih diberikan pada warna. Value adalah derajat keterangan (brightness) atau atribut yang menyatakan banyaknya cahaya yang diterima oleh mata tanpa memperdulikan warna.

2.3

Gambar 2.3 Model Warna HSV

Karena model warna HSV merupakan model warna yang diturunkan dari model warna RGB maka untuk mendapatkan warna HSV ini , kita harus melakukan proses konversi warna dari RGB ke HSV. HSV merupakan salah satu cara untuk mendefinisikan warna yang didasarkan pada roda warna. Hue mengukur sudut sekitar roda warna (merah pada 0 derajat, 120 derajat di hijau, biru, di 240 derajat). Saturation yang menunjukkan pada radius roda warna sehingga menunjukkan proporsi antara gelap (pusat) untuk warna ke putih murni (di luar).Value Menunjukkan nilai kecerahan. Hue memiliki nilai antara 0 hingga 360 (derajat), Saturation and Value berkisar dari 0 hingga 100%. Operasi Batas Ambang (Thresholding)[9] Operasi Thresholding digunakan untuk mengubah citra dengan format skala keabuan, yang mempunyai kemungkinan nilai lebih dari 2 ke citra biner yang memiliki 2 buah nilai (yaitu 0 dan 1). Fungsi yang digunakan adalah fungsi transformasi skala keabuan (gray scale transformation/GST). GST function adalah fungsi yang memetakan tingkat keabuan citra masukan (Ki) ke tingkat keabuan citra output (Ko).Untuk citra true color fungsi ini diterapkan pada ketiga elemen warna:
R 0 = fR ( R i ), G 0 = fG (G i ), B 0 = fB ( B i )

2.4

(2.1)

Gambar 2.4 Citra masukan (kiri), citra grayscale (tengah), citra hasil thresholding (kanan)
8

2.5

Deteksi Tepi[19] Tepi (edge) adalah bagian dari citra di mana intensitas kecerahan berubah secara

drastis menjadi derajat keabuan. Deteksi tepi (edge detection) adalah langkah awal untuk melingkup operasi dalam citra. Tepi mencirikan batas-batas objek, oleh karena itu berguna untuk proses identifikasi objek dalam citra. Deteksi tepi pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyek-obyek citra, tujuannya adalah : 1. 2. Untuk meningkatkan penampakan garis batas suatu daerah dalam citra Untuk memperbaiki detail dari citra yang kabur, yang terjadi karena efek dari proses akuisisi citra 3. Serta untuk mengubah citra 2-Dimensi menjadi bentuk kurva. Suatu titik (x,y) dikatakan sebagai tepi (edge) dari suatu citra bila titik tersebut mempunyai perbedaan yang tinggi dengan tetangganya. Dalam objek berdimensi1, perubahan dapat diukur dengan menggunakan fungsi turunan (derivative function). Perubahan mencapai maksimum pada saat nilai turunan pertamanya mencapai nilai maksimum atau nilai turunan kedua (2nd derivative) bernilai 0. Pada penelitian tugas akhir ini metode deteksi yang digunakan adalah metode deteksi tepi Canny (Canny Edge Detector). Metode pendeteksian Canny adalah metode pendeteksian tepi yang baik, karena metode ini menggunakan 2 batas ambang (threshold) berbeda untuk mendeteksi tepi kuat dan tepi lemah dan memasukkan tepi yang lemah kedalam keluaran hanya saat tepi tersebut terhubung dengan tepi yang kuat. Berikut adalah contoh dari hasil deteksi tepi menggunakan operator Canny.

Gambar 2.5 Citra masukan (kiri), hasil deteksi tepi canny (kanan)

2.6

Operasi Morfologi dalam Citra Digital Operasi-operasi morfologi pada MATLAB menyediakan informasi tentang bentuk

atau struktur sebuah citra. Semua operasi morfologi bekerja pada citra biner. Beberapa dari perintah-perintah tersebut, seperti fungsi perimeter dan angka Euler, memungkinkan untuk melaksanakan operasi 4 sampai 8 tetangga yang berhubungan. Berikut operasi morfologi yang digunakan dalam penelitian tugas akhir ini.
9

2.6.1 Operasi Dilasi dan Erosi[9] Dilasi dan erosi merupakan proses operasi morfologi dalam pengolahan citra digital. Operasi dilasi dilakukan untuk memperbesar ukuran segmen obyek, sedangkan operasi erosi dilakukan untuk memperkecil ukuran segmen obyek. Secara matematis, proses dilasi dapat dilihat pada Persamaan (2.2), sedangkan proses erosi bisa dilihat pada Persamaan (2.3).
D( A, S ) = A B E ( A, S ) = A B

(2.2) (2.3)

Dimana A merupakan objek yang akan didilasi/dierosi dengan objek S sebagai objek yang mempunyai titik pusat. Persamaan 2.2 menjelaskan bahwa arti dari dilasi merupakan proses penggabungan titik-titik latar (0) menjadi bagian dari objek (1), berdasarkan strel (structuring element) S yang digunakan. Secara definisi, cara dilasi untuk setiap titik pada A, dilakukan hal berikut: 1. 2. Letakkan titik poros S pada titik A tersebut Beri angka 1 untuk semua titik yang terkena/tertimpa oleh struktu S pada posisi tersebut Operasi erosi adalah kebalikan dari operasi dilasi. Erosi merupakan proses penghapusan titik-titik objek (1) menjadi bagian dari latar (0), berdasarkan strel

(structuring element) S yang digunakan. Persamaan 2.3 menjelaskan bahwa pada operasi ini, ukuran obyek diperkecil dengan mengikis sekeliling obyek. Terdapat dua cara yang dilakukan yaitu dengan mengubah semua titik batas menjadi titik latar dan dengan menset semua titik di sekeliling titik latar menjadi titik latar. Secara definisi, cara erosi untuk setiap titik pada A, dilakukan hal berikut: 1. 2. letakkan titik poros S pada titik A tersebut jika ada bagian dari S yang berada di luar A, maka titik poros dihapus/dijadikan latar

Gambar 2.6 Citra masukan (kiri), hasil dilasi (tengah), hasil erosi (kanan)
10

Sama dengan fungsi dilate fungsi erode juga menggunakan (elemen penstruktur).

Gambar 2.7 Macam-macam elemen penstruktur (strel)[18] 2.6.2 Operasi Opening[18] Operasi ini secara morfologi membuka citra biner dengan kata lain menghilangkan objek tertentu. Dalam MATLAB fungsi yang digunakan adalah fungsi bwareaopen. Fungsi tersebut menghilangkan objek biner yang saling terhubung yang memiliki jumlah piksel dibawah piksel yang sudah ditentukan, kemudian memunculkan citra biner baru tanpa objek yang ingin dihilangkan.

Gambar 2.8 Citra masukan (kiri), hasil bwareaopen dengan 50 piksel yang terhubung dihilangkan (kanan)

11

2.7

Transformasi Hough[18] Transformasi Hough adalah teknik ekstraksi fitur yang digunakan dalam proses

pengolahan citra digital. Transformasi Hough mengestimasi nilai parameter dengan menggunakan mekanisme voting. Titik dalam kurva menyumbang suara untuk beberapa kombinasi parameter. Parameter yang memperoleh suara terbanyak terpilih sebagai pemenang (Local Maxima). Pada awalnya Transformasi Hough diperkenalkan oleh Paul Hough tahun 1962 untuk mendeteksi garis lurus pada sebuah citra. Pada tahun 1972 Transformasi Hough dimodifikasi oleh Richard Duda dan Peter Hart yang dikenal dengan "Generalized Hough Transform" dengan menggunakan parameter angle-radius dan slope-intercept. 2.7.1 Transformasi Hough Normal[25] Transformasi Hough didefinisikan untuk fungsi A (x, y) sebagai:

H ( , ) = A(x, y ) ( x cos y sin )dxdy


(2.4)

di mana adalah fungsi delta-Dirac. Dengan A (x, y), setiap titik (x, y) dalam gambar asli, A, berubah menjadi = x cos + y sin , dimana adalah jarak tegak lurus dari asal garis pada sudut (sudut akan dibatasi untuk 0 < < yang dapat menghasilkan nilai

negatif).

Gambar 2.9 Transformasi domain citra ke domain hough

Pada Transformasi Hough, titik-titik yang terletak pada baris yang sama dalam gambar akan menghasilkan sinusoid yang berpotongan di satu titik pada domain Hough. Untuk invers transformasi, atau backprojection, setiap titik dalam domain Hough berubah menjadi garis lurus pada gambar. Pada umumnya, Transformasi Hough digunakan dengan gambar biner, dengan

H = ( , ) yang memberikan jumlah sinusoid yang melintasi di titik ( , ) , dan jumlah


total poin yang terbentuk, dapat membentuk garis pada gambar asli. Dengan memilih
12

threshold/T untuk H ( , ) dan dengan menggunakan fungsi invers Hough, bisa diperoleh gambar asli dengan garis yang terbentuk sejumlah T poin. 2.7.2 Transformasi Hough Diskrit[25] Pada pemrosesan citra digital, dilakukan pendekatan secara diskrit dengan melakukan sampling pada setiap komponennya. Citra digital dengan ukuran MxN, memiliki komponen-komponen sebagai berikut [3]:

x = x m = x min + mx y = y n = y min + ny = t = min + t

m = 0,1, K, M 1 n = 0,1, K, N 1 t = 0,1, K, T 1

(2.5) (2.6) (2.7) (2.8)

= r = min + r

r = 0,1, K, R 1

Transformasi Hough diskrit digunakan untuk pemrosesan citra digital dengan melakukan sampling pada setiap komponen citra tersebut. Hough diskrit dapat didefinisikan dengan persamaan berikut:
H ( , ) = Amn ( , [ ' ])
m n

(2.9)

Dimana tanda kurung [] menunjukkan pembulatan ke integer terdekat, dan

' = (mx + xmin ) cos + (ny + ymin ) sin

(2.10)

Piksel yang diasumsikan memiliki jarak Dx dan Dy dalam arah x dan y. Fungsi deltaDirac didefinisikan sebagai:

1 = []

( , [ '])
0

(2.11)

2.8

Lingkaran[19] Lingkaran adalah tempat kedudukan titik-titik yang berjarak sama dari suatu titik

tetap. Titik tetap tersebut dinamakan pusat lingkaran. Suatu lingkaran memiliki persamaan
( x x0 ) 2 + ( y y0 ) 2 = R 2

(2.12)

13

Dengan

adalah jari-jari lingkaran dan

( x0 , y 0 ) adalah koordinat pusat

lingkaran.Jika pusat lingkaran terdapat di (0,0) maka persamaan di atas dapat dituliskan sebagai

x2 + y2 = R2

(2.13)

Gambar 2.10 Lingkaran

Persamaan Lingkaran dapat pula dirumuskan dalam suatu persamaan parametrik, yaitu

x = x0 + R cos y = y 0 + R sin

(2.14) (2.15)

yang apabila dibiarkan menjalani t akan dibuat suatu lintasan berbentuk lingkaran dalam ruang x-y. Elips[18] Elips didefinisikan sebagai kurva tertutup halus yang simetris terhadap sumbu vertikal dan horizontalnya. Jarak antara 2 titik yang berlawanan letaknya, akan maksimum pada sumbu mayornya dan akan minimum pada sumbu minornya.

2.9

Gambar 2.11 Parameter Elips

F1 dan F2 merupakan poin yang disebut fokus elips. Terletak pada sumbu mayor dan sama jaraknya dari titik pusat. Jarak dari titik sembarang P terhadap dua titik fokus ini selalu konstan yaitu sama dengan panjang sumbu mayornya (PF1 + PF2 = 2a) .

14

Eksentrisitas elips, yang biasanya dinotasikan dengan atau e, adalah rasio dari jarak antara titik fokus terhadap panjang dari sumbu utama
e= = f a2 b2 b = 1 = 2 a a a
2

(2.16)

eksentrisitas ini harus bernilai antara 0 dan 1, bernilai nol jika dan hanya jika a dan b sama (lingkaran). Jika eksentrisitas elips cenderung ke 1 maka elips memiliki bentuk lebih pipih melonjong. Bentuk umum persamaan elips dengan titik pusat (0,0) adalah :
y2 x2 + =1 a2 b2

(2.17)

dimana a b, a dan b mempunyai tanda yang sama, tapi tidak sama besar. A merupakan setengah dari panjang sumbu mayor dan b merupakan panjang sumbu minor, berlaku sebaliknya. Bentuk umum elips ini dapat diubah ke dalam bentuk standar elips dengan ( , ) adalah titik pusat elips selain (0,0) menjadi :
(x ) 2 ( y ) 2 + =1 a2 b2

(2.18)

2.10 Derau (Noise)[9] Noise (Derau) adalah citra atau gambar atau piksel yang mengganggu kualitas citra. Derau (noise) dapat disebabkan oleh gangguan fisis (optik) pada alat akuisisi maupun secara disengaja akibat proses pengolahan yang tidak sesuai. Pada beberapa pengolahan citra, terkadang noise diperlukan untuk menguji performansi sistem, baik akurasi maupun waktu komputasi yang diperlukan. Contoh adalah bintik hitam atau putih yang muncul secara acak yang tidak diinginkan di dalam citra. bintik acak ini disebut dengan derau salt & pepper.

15

BAB III PERANCANGAN SISTEM

Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang dirancang dalam tugas akhir ini, dapat dilihat pada Gambar 3.1.

Gambar 3.1 Diagram alir cara kerja sistem

Untuk melakukan proses pendeteksian kurva tertutup, awalnya dilakukan akuisisi citra atau proses mendapatkan citra. Citra berukuran 640x480 piksel ini nantinya didapatkan lewat webcam atau kamera untuk hasil aktual dan untuk hasil teoretis digunakan citra yang sudah disimpan dalam komputer. Setelah itu dilakukan tahap preprocessing untuk mengurangi efek derau dan mendapatkan citra tepi elips atau lingkaran berbentuk citra biner Setelah didapatkan citra tersebut, maka bisa dilakukan tahap selanjutnya yaitu pemilihan deteksi. Dengan menggunakan Standard Hough Transform, maka akan terbentuk hasil pengolahan tepi yang dihasilkan dari tahap preprocessing. Tahap tersebut akan mengklasifikasikan jenis bangun yang terdeteksi menjadi elips atau lingkaran. Setelah itu dilakukan Transformasi Hough lagi dengan menggunakan
16

parameter berbeda untuk mendeteksi keberadaan lingkaran dan elips. Hasil yang diharapkan kurva tertutup akan terdeteksi dan diketahui letaknya, dan sesuai dengan dengan citra yang terlihat pada mata atau teoretis. Proses pengujian dilakukan dengan tambahan-tambahan noise dalam citra masukan.

3.1

Masukan Sistem Tahap pertama dalam cara kerja sistem ini adalah dengan memulai aplikasi yang

telah dibuat dengan menggunakan MATLAB R2009A. Kemudian kita masukan citra ke dalam aplikasi tersebut. Berikut Beberapa kriteria masukan sistem: 8. Citra RGB dengan ukuran 640x480 piksel dan memiliki format *.bmp berlatar putih 9. Citra masukan didapat melalui akuisisi dari web-cam atau kamera digital (untuk hasil aktual), dan didapat dari file citra yang dibentuk dalam komputer untuk hasil teoretis. 10. 11. Masing-masing citra memiliki warna yang berbeda (merah, hijau, dan biru). Penambahan derau yang dibangkitkan langsung dari MATLAB berupa

derau Gaussian, salt & pepper, speckle, dan poisson. 12. Citra masukan merupakan gambar lingkaran dengan minimum piksel sebesar 50 pixel dan maksimal piksel bernilai 150 piksel baik aktual maupun ideal (CorelDRAW) dan elips.

Gambar 3.2 Contoh citra input yang dibangkitkan oleh computer

Gambar 3.3 Contoh citra input yang di-capture dari web-cam

17

3.2

Derau/Gangguan[12] Noise (Derau) adalah citra atau gambar atau piksel yang mengganggu kualitas citra.

Derau (noise) dapat disebabkan oleh gangguan fisis (optik) pada alat akuisisi maupun secara disengaja akibat proses pengolahan yang tidak sesuai[9]. Pada beberapa pengolahan citra, terkadang noise diperlukan untuk menguji performansi sistem, baik akurasi maupun waktu komputasi yang diperlukan. a. Gaussian, disebut juga Gaussian White Noise. Untuk menambahkan derau ini pada MATLAB memerlukan masukan tambahan berupa rata-rata dan variasi. Rata-rata dan variasi merupakan suatu konstanta real. Nilainya bisa positif maupun negatif. Makin besar rata-rata dan variasinya maka citra akan semakin kabur, sebaliknya makin kecil konstantanya efek pada citra makin tidak terlihat. Nilai default adalah 0 untuk mean dan 0,01 untuk variance. Disebut white derau karena pada saat nilai rata-rata dan variasinya besar maka citra seolah-olah hanya terlihat seperti citra putih saja. b. Salt & Pepper, untuk citra RGB titik-titik muncul dalam tiga warna yakni merah, hijau dan biru, sedangkan pada citra grayscale, derau akan muncul dalam dua warna yakni hitam dan putih. Derau ini memberikan efek on dan off pada piksel. Pada MATLAB dapat diatur konstanta derau dengan range 0 sampai dengan 1. Makin besar konstantanya citra akan semakin kabur, sebaliknya makin kecil konstantanya efek pada citra makin tidak terlihat. Nilai default untuk konstanta derau adalah 0,05. c. Speckle, Speckle merupakan derau ganda. Derau ini ditambahkan pada citra menggunakan persamaan J = I + n *1 , dimana n terdistribusi random seragam dengan mean 0 dan variance V. V adalah konstanta non negative yang besarnya dapat berubah-ubah. Default nilai untuk V adalah 0,04. Makin besar nilai V maka citra akan semakin kabur. d. Poisson, derau Poisson merupakan derau yang ditambahkan langsung pada citra tanpa kita menambahkan parameter apapun, sehingga efeknya pada citra pun tetap. Pada MATLAB, jika matrik citra adalah double precision, maka nilai piksel masukannya dianggap sebagai mean dari distribusi Poisson dengan skala 1012. Sebagai contoh jika piksel masukannya mempunyai nilai 5.5x10-12, maka piksel keluaran akan dibangkitkan dari distribusi Poisson dengan mean 5,5 di kembalikan lagi ke skala 1012. Jika matrik citra adalah single precision, maka
18

faktor skalanya menggunakan 106. Jika matrik citra adalah uint8 atau uint16, maka nilai masukan piksel digunakan langsung tanpa faktor skala. Sebagai contoh, jika masukan piksel uint8 mempunyai nilai 10, maka piksel keluaran akan dibangkitkan dari distribusi Poisson dengan mean 10.

3.3

Pemrosesan Awal Pemrosesan awal atau preprocessing adalah tahap untuk mempersiapkan citra hasil

akuisisi berupa frame RGB yang kemudian akan dijadikan binary frame atau black and white. Tujuan dari tahap preprocessing ini diharapkan citra hasil keluaran memiliki noise yang paling minimal agar bisa siap diolah ke tahap selanjutnya. Alur preprocessing digambarkan dalam diagram alir berikut:

Gambar 3.4 Diagram blok preprocessing

Citra masukan RGB memiliki 3 layer yaitu layer merah, hijau, dan biru. Oleh karena itu untuk memudahkan proses berikutnya, citra 3 layer tersebut pertama kali diproses menjadi citra dengan model HSV (Hue, Saturation, Value). Model HSV dipilih karena model tersebut Dalam penelitian ini, peneliti menggunakan ruang warna HSV. Hal ini disebabkan HSV sangat cocok untuk mengidentifikasi warna-warna dasar, di mana warna dasar ini digunakan dalam penelitian sebagai warna identifikasi robot. Selain itu, HSV menoleransi terhadap perubahan intensitas cahaya[15].

19

Citra HSV kemudian bentuk citra biner (black & white) untuk lebih mempermudah ke proses pendeteksian. a. Pengisian (Fill). Tahap ini menggunakan fungsi imfill. Fungsi pengisian ini bertujuan untuk mengisi bagian-bagian yang kosong di dalam area tertutup. Hal ini diperlukan untuk menghindari celah kosong hasil proses pengubahan citra RGB ke citra biner, bagian kosong dalam area tertutup sering terjadi di citra hasil akuisisi webcam, misal karena efek cahaya yang kurang merata. b. Pengikisan (Erode). Pengikisan pada MATLAB dapat dilakukan dengan fungsi imerode. Erosi merupakan suatu metode untuk menipiskan objek. Pada tugas akhir ini, erosi bertujuan untuk menghilangkan daerah yang tidak diinginkan untuk proses lebih lanjut. Pada preprocessing ini digunakan erosi dengan strel disk dan jari-jari 10. Elemen penstruktur disk dipilih karena objek yang dideteksi berupa kurva, sehingga tujuan setelah melewati proses ini agar objek memiliki bentuk yang tidak berbeda dari objek sebelumnya. Erosi ini cukup baik dalam menghilangkan spot putih/derau (bukan citra utama) yang tersebar di sekitaran citra utama. c. Opening. Fungsi yang digunakan yaitu bwareaopen. Fungsi ini bertujuan untuk menghilangkan sekumpulan piksel dibawah batas tertentu. Pada tugas akhir kali ini, batas piksel yang akan hilang adalah piksel yang saling terhubung dibawah 1000 piksel. Proses ini membantu erosi apabila masih ada piksel derau yang tidak lolos hasil pengikisan. d. Penebalan (Dilation). Fungsi yang digunakan untuk penebalan dalam MATLAB yaitu imfill. Penebalan/dilasi merupakan suatu metode untuk menebalkan objek. Setelah dilakukan erosi untuk menghilangkan bagian-bagian yang bukan merupakan citra utama, tentu ukuran citra utama juga akan mengecil. Maka dari itu, dibutuhkan proses dilasi untuk menebalkan kembali citra utama. Pada preprocessing ini digunakan dilasi dengan strel disk dengan jari-jari 10. e. Deteksi Tepi (Edge Detection). Tahap ini menggunakan fungsi edge. Fungsi ini akan mendeteksi tepi citra tergantung dari jenis deteksi tepi yang diinginkan. Deteksi tepi pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyek citra. Deteksi tepi yang digunakan dalam preprocessing ini adalah tipe canny. f. Penipisan Tepi (Edge Thinning). Tahap ini menggunakan fungsi bwmorph dengan operasi yang digunakan adalah thin. Operasi ini menipiskan objek menjadi sebuah garis. Proses ini membuat piksel hasil deteksi tepi menjadi hanya 1 yang saling
20

terhubung. Proses ini diperlukan untuk meningkatkan akurasi deteksi posisi dengan Transformasi Hough, agar letak objek semakin tepat.

Gambar 3.5 Tahap pemrosesan awal (preprocessing) berdasarkan gambar

3.4

Algoritma Transformasi Hough Standar (SHT) Transformasi Hough bisa digambarkan sebagai transformasi dari sebuah titik dalam

daerah 2D kedalam ruang parameter, tergantung bentuk objek yang mau diidentifikasi. Dasar fungsi Transformasi Hough adalah untuk mendeteksi garis lurus. Garis lurus dibidang x,y dilukiskan sebagai

y = m* x + b

(3.1)

Garis ini direpresentasikan di sistem koordinat kartesian dengan parameternya b dan m, dimana m adalah slope (gradien) dan b sepagai intercept (pintasan). Faktanya adalah, apabila terdapat garis yang tegak lurus terhadap sumbu horizontal bisa memberikan nilai yang tak hingga untuk parameter m dan b, maka garis diubah parameternya dalam rho(r) dan theta(), menjadi :

= x * cos( ) + y * sin( ) untuk [0, ]

(3.2)
21

Gambar 3.6 Representasi persamaan garis parameter rho(r), theta

Dimana r (rho) adalah jarak garis dengan titik origin, adalah sudutnya. Jadi diberikan nilai x dan y, untuk setiap garis yang melalui titik (x,y) secara unik bisa direpresentasikan dengan (, r). dan r memiliki ukuran yang berhingga. Nilai r punya nilai maksimum 2 kali diagonal citra. Sebuah proses deteksi tepi dibutuhkan untuk menyediakan sekumpulan piksel/titik yang merepresentasikan batas dari sebuah ruang citra. Persamaan (3.1) berkorespondensi dengan kurva sinusoidal dalam ruang (r, ). Jika beberapa titik terdapat dalam sebuah garis yang sama, titik tersebut memproduksi sinusoid yang saling bersilangan dalam ruang parameter garis tersebut.

Gambar 3.7 Contoh implementasi Standard Hough Transform (1)

Pada Transformasi Hough, pertama sebuah tabel atau array yang disebut akumulator digunakan untuk mendeteksi keberadaan sebuah garis y = m * x + b . Dengan kata lain, akumulator tersebut menghitung voting untuk sekumpulan nilai parameter m dan b. Transformasi Hough kemudian melanjutkan ke proses voting untuk menentukan piksel mana yang kiranya adalah tepi dari citra. Jika ada nilai yang sudah cukup memungkinkan

22

piksel tersebut adalah sebuah tepi, maka tambahkan nilai parameter yang berkorespondensi dengan garis tersebut, yang akan menyebabkan garis tersebut akan tampil di citra tepi. Sebagai contoh gambar 3.7. tiap titik di gambar tersebut adalah titik dalam citra tepi. Anggap ada beberapa garis yang melewati titik tersebut. 1 garis dimulai dari titik origin (pusat) dan terletak tegak lurus terhadap garis utama kemudian di gambar. Panjang dan sudut dari garis yang terbentuk itu dihitung dan di masukkan ke tabel yang terletak masih di gambar 3.7.

Gambar 3.8 Contoh implementasi Standard Hough Transform (2)

Grafik di gambar 3.8 menunjukkan bagaimana perbedaan panjang berhubungan dengan sudut yang berbeda pula. Titik ungu adalah titik yang menunjukkan dimana kurva sinusoid saling bersilangan. Nilai dari parameter (sudut dan jarak) dari kurva yang bersilangan tersebut dimasukkan ke dalam tabel untuk penelitian lebih lanjutnya seperti rekonstruksi garis. Objek yang terdeteksi adalah objek yang mengumpulkan vote terbanyak atau merupakan local maxima dari accumulator array.

Gambar 3.9 Local Maxima Hasil Transformasi Hough Warna terang pada Transformasi Hough, menunjukkan nilai Local Maxima. Pada Gambar 3.9 terdapat beberapa nilai puncak. Hal ini menunjukkan adanya beberapa jumlah garis.

23

3.5

Analisis SHT dalam Membedakan Elips dan Lingkaran Berikut adalah diagram alir dari proses pengklasifikasian :

Mulai Masukan (Hasil Algoritma Transformasi Hough Standar ) Penghitungan Jarak Piksel Atas dengan Piksel Bawah Analisis Standar Deviasi (STDEV) Klasifikasi hasil STDEV e0,8 = Lingkaran e>0,8 = Elips Selesai
Gambar 3.10 Diagram alir proses pendeteksian dan pengklasifikasian

Untuk melakukan pengkalsifikasian objek penulis menerapkan Standard Hough Transform atau dalam fungsi MATLAB nya adalah fungsi hough. Fungsi ini seperti yang telah dijelaskan diatas, akan mengubah tiap-tiap piksel yang terdapat dalam citra tepi menjadi parameter ( , ).

Gambar 3.11 Hasil Transformasi Hough standar terhadap citra lingkaran

Gambar 3.12 Hasil Transformasi Hough standar terhadap citra elips


24

Setelah mendapatkan hasil Transformasi Hough standar tersebut, untuk mata manusia dapat melihat secara jelas bahwa terlihat perbedaan jarak kurva sinusoidal yang signifikan antara deteksi elips dan lingkaran. Lingkaran cenderung memiliki pola sinusoidal yang sama. Sedangkan elips memiliki pola sinusoidal yang lebih cekung. Hal ini disebabkan oleh jarak origin atau titik pusat menuju piksel tepi apabila saat mendeteksi lingkaran, pola piksel tepi lingkaran cenderung lebih teratur daripada elips. Hasil Transformasi Hough kemudian akan di ekstraksi lagi, tujuannya agar bisa dilakukan penghitungan perbedaan jarak piksel paling atas hasil ekstraksi dengan piksel paling bawah hasil ekstraksi tersebut. Karena perbedaan terletak pada bagian kolom, maka penghitungan dilakukan sampai semua piksel kolom dihitung.

Gambar 3.13 Hasil Ekstraksi Transformasi Hough

Hasil penghitungan tersebut berupa data-data jarak piksel atas ke piksel bawah. Oleh karena itu, penulis menggunakan metode standar deviasi untuk mengklasifikasikan elips dan lingkaran. Standar deviasi[22] adalah salah satu metode statistik yang digunakan untuk menjelaskan homogenitas kelompok

S=
Dimana:

1 n 1

(x
i =1

x) 2

(3.3)

x i = data ke i

x = nilai rata-rata sampel


n = banyaknya data
Untuk lingkaran diestimasi memiliki standar deviasi mendekati nol, ini dikarenakan data perbedaan jarak piksel atas dan piksel bawah hasil ekstraksi Transformasi Hough mendekati sama semua. Sedangkan untuk elips, data standar deviasi harusnya besar karena data jarak piksel atas dan piksel bawahnya bervariasi.
25

Berikut rentang standar deviasi dan nilai puncak yang digunakan untuk membedakan elips dan lingkaran.(rentang ini didapat dari hasil percobaan): Standar deviasi <=0.8 Standar deviasi >0.8 = Lingkaran = Elips

3.6

Proses Deteksi Letak Posisi dan Rekonstruksi Elips dan Lingkaran Setelah melewati proses pendeteksian jenis bangun yang ingin dideteksi, maka

proses selanjutnya adalah proses pendeteksian letak posisi dan rekonstruksi elips atau lingkaran dari citra masukan. Pada penelitian tugas akhir ini dilakukan algoritma 2 jenis pengembangan algoritma Transformasi Hough (MHT). Di penelitian tugas akhir ini, apabila yang terdeteksi dalam tahap klasifikasi adalah bangun lingkaran, maka Transformasi Hough untuk mendeteksi lingkaran (Circular Hough Transform) diaktifkan. Sedangkan apabila yang terdeteksi dalam tahap klasifikasi adalah bangun elips, maka Transformasi Hough untuk pendeteksian Elips (Elliptical Hough Transform) diaktifkan. Fungsi Transformasi Hough untuk deteksi Elips ini sudah dioptimasi sedemikian rupa agar dapat mendeteksi elips lebih cepat. 3.6.1 Analisis Algoritma Transformasi Hough dalam mendeteksi Lingkaran[3] Diagram alir dari proses Algoritma Transformasi Hough untuk mendeteksi dan merekonstruksi lingkaran adalah sebagai berikut :

Gambar 3.14 Diagram alir Algoritma Transformasi Hough untuk mendeteksi dan merekonstruksi lingkaran

Mengacu pada persamaan 2.13, persamaan lingkaran dengan

sebagai pusat

lingkaran, dapat dibentuk menjadi persamaan 2.14 dan 2.15. Dimana (x0.y0) adalah titik pusat lingkaran dan r adalah jari-jari atau radius lingkaran. Biasanya untuk mengurangi waktu komputasi, jari-jari (r) diatur dalam inisialisasi algoritma/ditentukan terlebih dahulu. Akan tetapi karena pada tugas akhir ini diperlukan sebuah algoritma yang dapat
26

mendeteksi secara otomatis, maka nilai jari-jari nilainya tidak diketahui. Oleh karena itu, nilai jari-jari akan dicoba dalam rentang 40-170 piksel. Algoritma dalam mendeteksi lingkaran dan proses rekonstruksi adalah sebagai berikut : 1. Untuk setiap piksel tepi, sebuah lingkaran dibentuk dengan piksel tersebut sebagai titik pusat dan radius (r). 2. Transformasi Hough untuk lingkaran ini menggunakan array 3 Dimensi, 2 Dimensi pertama merepresentasikan koordinat untuk titik pusat lingkaran dan dimensi terakhir adalah radius lingkaran. 3. Nilai array tersebut meningkat setiap lingkaran terbentuk dengan jari-jari tertentu untuk semua piksel tepi. 4. Array tersebut menghitung berapa banyak lingkaran yang melewati koordinat piksel tepi, dan lanjut ke proses voting untuk menemukan nilai tertinggi. 5. Koordinat origin lingkaran dalam gambar adalah koordinat dengan nilai tertinggi dalam array. Dibawah ini adalah hasil algoritma Transformasi Hough dalam mendeteksi lingkaran

Gambar 3.15 Hasil rekonstruksi dengan algoritma Transformasi Hough untuk lingkaran

Pada gambar pertama merupakan citra tepi hasil preprocessing. Tahap selanjutnya, dengan menggunakan algoritma yang sudah dipaparkan di atas, maka penumpukan terletak di pusat lingkaran (gambar tengah), berbeda dengan Standard Hough Transform, penumpukan ini bukan mencerminkan garis yang terdapat dalam citra tepi, melainkan titik pusat sebuah lingkaran. Nantinya parameter local maxima yang didapat dari proses Transformasi Hough lingkaran ini, akan dilanjutkan ke proses rekonstruksi (gambar kanan), sekilas tidak ada perbedaan dengan citra masukan. Sebenarnya gambar tersebut adalah hasil deteksi dengan
27

Transformasi Hough yang dilapiskan (superimposed) terhadap citra masukan. Terlihat dari pinggir citra masukan yang seharusnya hitam, tetapi dilapisi garis berwarna merah. Pada tahap ini akan terlihat posisi letak lingkaran yang tepat terhadap hasil rekonstruksi dari Transformasi Hough. 3.6.2 Analisis Algoritma Transformasi Hough dalam mendeteksi Elips[14] Untuk Elips yang sembarang, ada 5 parameter yang tidak diketahui, (x0 , y0 ) untuk titik pusat elips, untuk orientasi elips, (a, b) untuk sumbu mayor dan sumbu minornya. Berikut adalah diagram alir untuk proses deteksi posisi dan rekonstruksi elips :

Gambar 3.16 Diagram alir Algoritma Transformasi Hough untuk mendeteksi dan merekonstruksi elips

Untuk setiap pasang piksel ( x1 , y1 ) dan ( x2 , y2 ) dimisalkan kedua titik itu adalah 2 titik pada ujung sumbu mayor elips, kemudian kita hitung 4 parameter untuk elips yang diiinginkan dengan persamaan sebagai berikut :

x0 = y0 =

( x1 + x2 ) 2 ( y1 + y2 ) 2
[( x1 + x2 ) 2 + ( y1 + y 2 ) 2 ] 2

(3.4) (3.5)

a=

(3.6)

(x + x ) = tan 1 1 2 ( y1 + y2 )

(3.7)

Dimana (x0 , y0 ) adalah titik pusat dari elips yang di cari, a adalah separuh panjang dari sumbu mayor dan merupakan orientasi elips.

28

Gambar 3.17 Geometri sebuah Elips

Gambar 3.15 merupakan geometri sebuah elips. f1 dan f 2 merupakan fokus dari elips. Fokus elips adalah 2 titik spesial di sebuah sumbu mayor elips dan memiliki jarak yang sama jauhnya dari titik pusat. ( x, y ) merupakan titik ketiga untukmenghitung parameter kelima. Jarak antara titik ( x, y ) dan (x0 , y0 ) akan lebih sedikit daripada jarak antara ( x1 , y1 ) dan (x0 , y0 ) atau antara ( x2 , y2 ) dan (x0 , y0 ) . Jadi setengah dari sumbu minor bisa diestimasi dengan persamaan sebagai berikut :

b2 =

(a 2 d 2 sin 2 ) (a 2 d 2 cos2 )

(3.8)

Dimana cos adalah

a2 + d 2 f 2 cos = 2ad

(3.9)

Secara konsisten dengan menggunakan persamaan (3.4)-(3.9) memungkinkan untuk menghitung kelima parameter sebuah elips. Karena voting hanya dibutuhkan untuk menentukan setengah panjang sumbu minor, maka array yang digunakan untuk deteksi elips ini adalah array 1 Dimensi. Jika voting telah mencapai batas ambang (threshold), maka sebuah elips ditemukan dan tampilkan seluruh parameter elips hasil deteksi tersebut. Algoritmanya dalam mendeteksi elips dan proses rekonstruksi adalah sebagai berikut: 1. 2. 3. Masukkan seluruh piksel tepi hasil tahap preprocessing kedalam sebuah array 1 D. Kosongkan array akumulator. Untuk setiap piksel ( x1 , y1 ) maka lakukan tahap 4 sampai 14.

29

4.

Untuk setiap piksel lainnya ( x2 , y2 ) , jika jarak ( x1 , y1 ) dan ( x2 , y2 ) lebih besar dari jarak yang dibutuhkan setidaknya untuk sepasang piksel yang dipertimbangkan, maka lakukan tahap 5 sampai tahap 14.

5.

Untuk setiap pasang ( x1 , y1 ) dan ( x2 , y2 ) gunakan persamaan (3.4)-(3.7) untuk menemukan titik pusat dan orientasi elips dan sumbu mayornya.

6.

Untuk setiap piksel ketiga ( x, y ) , jika jarak antara ( x, y ) dan (x0 , y0 ) lebih besar dari jarak yang dibutuhkan setidaknya untuk sepasang piksel yang dipertimbangkan, maka lakukan tahap ke-7 sampai 9.

7. 8. 9. 10.

Gunakan persamaan (3.8) dan (3.9) untuk menghitung panjang sumbu minor. Tambahkan array akumulator untuk panjang sumbu minor dengan 1. Lakukan perulangan sampai seluruh piksel terhitunguntuk pasangan piksel ini. Temukan nilai maksimum dalam array akumulator. Nilai tersebut menunjukkan panjang sumbu minor elips yang ingin dideteksi.

11. 12. 13. 14. 15. 16.

Tampilkan seluruh parameter elips yang didapat. Hilangkan piksel pada elips yang terdeteksi dari array piksel tepi. Kosongkan array akumulator. Lakukan perulangan sampai seluruh piksel terhitung. Lakukan pelapisan elips yang terdeteksi dengan citra masukan. Selesai. Berikut adalah hasil rekonstruksi algoritma Transformasi Hough dalam mendeteksi

Elips

Gambar 3.18 Hasil rekonstruksi algoritma Transformasi Hough untuk elips

Gambar pertama adalah citra masukan, gambar tengah adalah hasil deteksi tepi setelah melewati tahap preprocessing. Gambar paling kiri adalah contoh elips hasil deteksi yang ditandai dengan warna merah yang dilapiskan (superimposed) terhadap citra masukan.

30

BAB IV ANALISIS HASIL SIMULASI

4.1

Proses Pengujian Pada tugas akhir ini, sistem pendeteksi kurva tertutup lingkaran elips

diimplementasikan dengan menggunakan perangkat keras dan perangkat lunak untuk membantu proses simulasi dan analisis sistem. Adapun uraian spesifikasi perangkat tersebut adalah sebagai berikut: a. Perangkat Keras Prosesor Memori Tipe Sistem : Intel(R) Core(TM) 2 Duo CPU T6500@2.10GHz : 3072MB RAM : 32-bit Operating System

VGA On Board : Intel GMA 4500MHD 128 Mb Monitor b. Perangkat Lunak Sistem operasi Microsoft Windows 7 Professional Bahasa pemrograman MATLAB versi R2009A c. Webcam Logitech, 2.1MP. Resolusi 640x480 piksel Pada tugas akhir ini diujikan citra digital dengan rincian sebagai berikut : 14.0 Widescreen, Resolusi 1366x768

Gambar 4.1 Rincian citra input

Tiap-tiap Citra masukan diproses oleh perangkat lunak yang telah diimplementasikan lewat MATLAB. Keluaran dari perangkat lunak itu berupa parameter dari elips dan
31

lingkaran yang terdeteksi dan rekonstruksi dari elips atau lingkaran tersebut. Selain itu juga diketahui termasuk jenis bangun apa yang terdeteksi. Keluaran dinyatakan benar jika hasil deteksi perangkat lunak sama dengan citra yang diketahui oleh penglihatan secara teoretis. Presentasi keberhasilan diukur dari jumlah keluaran perangkat lunak yang benar dibagi jumlah masukan dikali 100%.
akurasi = jumlah benar x100 % jumlah input

(4.1)

Selain itu dibandingkan waktu komputasi untuk setiap kategori citra. Kemudian dapat diambil kesimpulan dari pengujian yang telah dilakukan. Pengujian tersebut dilakukan berulang dengan tambahan derau yang dibangkitkan MATLAB (Gaussian, Salt & Pepper, Speckle, dan Poisson) untuk menguji keandalan sistem.

4.2

Deteksi pada Citra yang Dibangkitkan Komputer Pada citra yang dibangkitkan dari komputer (menggunakan CorelDRAW X5), untuk

lingkaran didapatkan hasil uji yang terlampir pada lampiran A.1. Dari hasil pengujian terhadap 27 citra lingkaran, dapat diketahui bahwa: 1. Jumlah error dalam melakukan pendeteksian jenis bangun = 0, sehingga akurasinya 100%. 2. Jumlah error dalam melakukan pendeteksian posisi dan rekonstruksi = 0, sehingga akurasinya 100% 3. Waktu komputasi rata-rata=4,628 detik, dengan waktu paling singkat 2,609 detik dan waktu terlama 6,726 detik Sementara, pada citra elips didapatkan hasil uji yang terlampir pada lampiran A.2. dari hasil pengujian terhadap 27 citra elips, dapat diketahui bahwa: 1. Jumlah error dalam melakukan pendeteksian jenis bangun = 0, sehingga akurasinya 100%. 2. Jumlah error dalam melakukan pendeteksian posisi dan rekonstruksi = 0, sehingga akurasinya 100%. 3. Waktu komputasi rata-rata= 0,516 detik, dengan waktu paling singkat 0,268 detik dan waktu terlama 0,799 detik.

32

Persentasi Akurasi

100% 95% 90% 85% 80% Jenis Kategori Posisi

Lingkaran Elips

Gambar 4.2 Grafik perbandingan persentasi akurasi citra komputer

Sehingga dapat disimpulkan bahwa dari 54 gambar yang dibangkitkan dari komputer yang diujikan. Dapat diketahui bahwa:
1. Jumlah error dalam mendeteksi jenis bangun (lingkaran atau elips) = 0, sehingga

akurasinya 100%
2. Jumlah error dalam mendeteksi letak atau posisi setelah rekonstruksi = 0,

sehingga akurasinya 100%.


3. Waktu komputasi rata-rata dalam menggunakan Transformasi Hough deteksi

lingkaran adalah 4,628 detik dengan waktu paling singkat 2,609 detik dan waktu terlama 6,726 detik.
4. Waktu komputasi rata-rata dalam menggunakan Transformasi Hough deteksi

Elips 0,516 detik, dengan waktu paling singkat 0,268 detik dan waktu terlama 0,799 detik.

4.3

Deteksi pada Citra yang di-capture Webcam Pada citra yang di-capture oleh webcam, didapatkan hasil uji yang terlampir pada

lampiran A.3. Dari hasil pengujian terhadap 27 citra lingkaran, dapat diketahui bahwa: 1. Jumlah error dalam melakukan pendeteksian jenis bangun = 5, sehingga akurasinya 81,48%. 2. Jumlah error dalam melakukan pendeteksian posisi dan rekonstruksi = 0, sehingga akurasinya 100%. 3. Waktu komputasi rata-rata= 5,093 detik, dengan waktu paling singkat 0,269 detik dan waktu terlama 7,563 detik. Sementara, pada citra elips didapatkan hasil uji yang terlampir pada lampiran A.2. dari hasil pengujian terhadap 27 citra elips, dapat diketahui bahwa:
33

1. Jumlah error dalam melakukan pendeteksian jenis bangun = 0, sehingga akurasinya 100%. 2. Jumlah error dalam melakukan pendeteksian posisi dan rekonstruksi = 0, sehingga akurasinya 100%. 3. Waktu komputasi rata-rata= 0,672 detik, dengan waktu paling singkat 0,264 detik dan waktu terlama 1,145 detik.
Persentasi Akurasi

100% 80% 60% 40% 20% Jenis Kategori Posisi

Lingkaran Elips

Gambar 4.3 Grafik perbandingan persentase akurasi citra webcam

Sehingga dapat disimpulkan bahwa dari 54 gambar yang di-capture dari webcam yang diujikan. Dapat diketahui bahwa:
1. Jumlah error dalam mendeteksi jenis bangun (lingkaran atau elips) = 0, sehingga

akurasinya 100%
2. Jumlah error dalam mendeteksi letak atau posisi setelah rekonstruksi = 0,

sehingga akurasinya 100%.


3. Waktu komputasi rata-rata dalam menggunakan Transformasi Hough deteksi

lingkaran (CHT) adalah 3,060 detik, dengan waktu paling singkat 2,056 detik dan waktu terlama 4,232 detik
4. Waktu komputasi rata-rata dalam menggunakan Transformasi Hough deteksi

Elips (EHT) 0,264 detik, dengan waktu paling singkat 0,158 detik dan waktu terlama 0,799 detik

4.4

Analisis Hasil Deteksi dan Kesalahan pada Citra Komputer dan Webcam Secara keseluruhan dari 108 citra digital yang diujikan, dapat diketahui rincian hasil

deteksi pada tabel 4.1

34

Tabel 4.1 Perbandingan Hasil Uji Deteksi Lingkaran dan Elips Parameter Jumlah Citra Uji Jumlah Error Jenis bangun Akurasi Jenis Bangun Jumlah error posisi Akurasi posisi Waktu Komputasi rata-rata (s) Waktu Komputasi Minimum (s) Waktu Komputasi Maksimum (s) Komputer Lingkaran Elips 27 27 0 0 100% 100% 0 0 100% 100% 4,628 0,516 2,609 0,268 6,726 0,799 Webcam Lingkaran Elips 27 27 5 0 81,84% 100% 0 0 100% 100% 5,093 0,672 0,269 0,264 7,563 1,145

Berdasarkan tabel tersebut, dapat disimpulkan: 1. Jumlah error dalam mendeteksi jenis bangun sebanyak 5, sehingga akurasi dalam pendeteksian jenis bangun 95,46% 2. Dalam mendeteksi posisi dan proses rekonstruksi bangun, jumlah error =0, sehingga akurasinya 100%. 3. Waktu Komputasi Algoritma Transformasi Hough untuk mendeteksi lingkaran (CHT) rata-rata 4,86 detik, dengan waktu komputasi terlama mencapai 7,563 detik sedangkan waktu tercepat 0,269 detik. 4. Waktu Komputasi Algoritma Transformasi Hough untuk mendeteksi Elips (EHT) rata-rata 0,594 detik, dengan waktu komputasi terlama mencapai 1,145 detik sedangkan waktu tercepat 0,264 detik. Dalam mendeteksi jenis bangun, kesalahan sebanyak 5 buah dalam mendeteksi bangun terletak pada citra lingkaran hasil capture dari webcam. Hal ini dikarenakan objek lingkaran yang di capture webcam masih meninggalkan derau berupa bayangan dari objek tersebut. Sehingga pada pemrosesan awal, bayangan objek mempengaruhi kelengkungan lingkaran. Maka akan berakibat pada hasil algoritma Transformasi Hough standar yang menghasilkan standar deviasi yang melebihi threshold untuk mendeteksi lingkaran. Selain itu kesalahan deteksi juga bisa diakibatkan objek mengalami kelengkungan yang tidak diinginkan karena terdapat lipatan pada objek. Hal ini juga bisa menyebabkan standar deviasi yang dihasilkan melebihi threshold lingkaran. Kesalahan juga bisa terdapat dalam posisi kamera saat meng-capture objek lingkaran. Apabila posisi kamera tidak tegak lurus dengan objek maka perbedaan sudut dengan objek lingkaran akan berpengaruh pada citra lingkaran yang di-capture menjadi citra elips.
35

Untuk citra yang dibangkitkan lewat komputer, akurasi mencapai 100%. Hal ini dikarenakan tidak adanya derau berupa bayangan dan bentuk elips dan lingkaran yang dideteksi sudah absolut, yaitu dalam penglihatan sudah terlihat berbeda. Ini menyebabkan hasil Transformasi Hough Standar akan terlihat berbeda untuk lingkaran dan elips, sehingga plot data standar deviasi pun dapat terlihat jelas. Lingkaran yang diuji berbentuk bulat teratur, yaitu dengan jari-jari yang sama. Sedangkan elips yang diuji memiliki sumbu mayor yang secara kasat mata berbeda dengan sumbu minornya. Dalam sub-bab berikutnya akan dilihat bagaimana pengaruh dari jari-jari (eksentrisitas) elips terhadap pendeteksian elips. Dalam penelitian ini untuk penelitian dengan citra yang diambil dari webcam, digunakan lingkaran dengan diameter 4cm, 5cm, dan 6cm, sedangkan elips dengan jari-jari minor (b) tetap yaitu 1,5cm tetapi jari-jari mayor yang berbeda yaitu 3cm, 4,5cm, dan 6cm. Pengambilan dilakukan 30cm dari objek. Sedangkan untuk penelitian ideal (CorelDRAW) jari-jari lingkaran yang dipakai adalah 60 piksel, 90 piksel, dan 120 piksel. Untuk elips yang dipakai jari-jari minor tetap yaitu 60 piksel tetapi jari-jari mayornya yang berbeda yaitu 120 piksel, 180 piksel, dan 240 piksel. Pada penelitian elips dan penelitian lingkaran jangka waktu komputasi berbeda cukup signifikan. Hal ini seperti yang telah dijelaskan di bab 2, pada algoritma Transformasi Hough untuk deteksi lingkaran, masih menggunakan array 3 Dimensi, dimana array ini berisikan jari-jari, dan 2 titik pusat, sedangkan pada algoritma Transformasi Hough untuk mendeteksi elips, sudah di optimasi sehingga hanya menggunakan array 1 Dimensi yang berisikan calon sumbu minor dari elips saja. Dalam algoritma Transformasi Hough untuk mendeteksi lingkaran tersebut, waktu komputasi terlama mencapai 7,563 detik sedangkan waktu tercepat 0,269 detik. Perbedaan ini juga didapat berdasarkan jari-jari lingkaran yang berbeda, seperti yang terlampir di lampiran A.1 dan A.3, semakin besar jari-jari lingkaran maka akan semakin lama waktu komputasinya. Karena jari-jari lingkaran yang ingin dideteksi tidak diketahui, maka dibutuhkan iterasi rentang R minimum sampai R batas maksimum untuk mendapatkan jarijari yang terbaik. Maka apabila lingkaran semakin besar, maka iterasi dilanjutkan sampai batas maksimum jari-jari lingkaran ditemukan. Begitu juga dalam algoritma Transformasi Hough untuk mendeteksi elips, perbedaan sumbu mayor dan sumbu minor yang semakin besar maka akan mempengaruhi waktu komputasi juga. Semakin besar ukuran citra tepi hasil preprocessing maka akan semakin bertambah waktu untuk komputasinya.
36

Dapat disimpulkan, waktu komputasi dipengaruhi oleh spesifikasi komputer yang digunakan, ukuran objek, serta jenis bangun yang akan dideteksi (lingkaran atau elips) 4.5 Analisis Hasil Uji Tingkat Eksentrisitas Elips pada Citra Komputer dan Webcam Rincian tabel hasil uji eksentrisitas elips dapat dilihat pada lampiran B. Secara keseluruhan dari 60 citra digital yang diujikan, dapat diketahui hasil deteksi pada tabel 4.2 Tabel 4.2 Perbandingan Hasil Uji Tingkat Eksentrisitas
0.2 Jumlah Citra Uji 6 Jumlah Error Jenis Bangun 6 Akurasi Jenis Bangun 0% Jumlah Error Posisi (Fitting) 0 Akurasi Posisi 100% Waktu Komputasi rata-rata (s) 3,914 Waktu Komputasi Maksimum (s) 6,029 Waktu Komputasi minimum (s) 2,6142 Parameter Komputer 0.3 0.4 6 6 5 1 16,67% 83,33% 0 0 100% 100% 2,749 0,5966 4,971 2,414 0,401 0,152 0.5 6 0 100% 0 100% 0,19 0,315 0,108 0.8 0.2 6 6 0 6 100% 0% 0 0 100% 100% 0,159 3,72074 0,266 5,41935 0,092 2,25877 0.3 6 3 50% 0 100% 1,494 3,195 0,215 Webcam 0.4 6 0 100% 0 100% 0,192 3,195 0,106 0.5 0.8 6 6 0 0 100% 100% 0 0 100% 100% 0,19372 0,15903 0,2794 0,23711 0,1138 0,09327

Berdasarkan tabel tersebut, dapat disimpulkan: 1. Kesalahan terdapat dalam pendeteksian elips dengan eksentrisitas 0,2-0,4. Sehingga akurasi dalam mendeteksi jenis bangun dengan eksentrisitas 0,2 adalah 0%, eksentrisitas 0,3 adalah 25%, dan eksentrisitas 0,4 adalah 91,67%. Elips dengan eksentrisitas 0,5 dan 0,8 memiliki kesalahan 0 dari masing-masing 12 kali percobaan, sehingga akurasi dalam mendeteksi elips sebesar 100%. 2. Dalam mendeteksi posisi setelah proses rekonstruksi keseluruhan, jumlah error =0, sehingga akurasinya 100%. 3. Waktu Komputasi rata-rata Algoritma Transformasi Hough untuk mendeteksi Elips untuk seluruh eksentrisitas 1,259 detik, dengan waktu komputasi terlama mencapai 6,029 detik sedangkan waktu tercepat 0,092 detik. Pada bagian ini bertujuan untuk mengetahui apakah pengaruh dari eksentrisitas dalam pendeteksian. Pada pendeteksian eksentrisitas 0,2 terdapat error yang cukup besar. Error disini adalah hasil pendeteksian berupa lingkaran, bukan sebuah elips. Hal ini dikarenakan elips dengan eksentrisitas yang mendekati 0, akan mendekati bentuk seperti lingkaran, sesuai dengan rumus 2.16 pada bab 2. Lingkaran itu sendiri berarti sebuah elips yang memiliki jari-jari mayor dan jari-jari minor yang sama. Elips dengan eksentrisitas kecil akan memiliki hasil deteksi Transformasi Hough standar yang mirip seperti lingkaran, sehingga standar deviasi yang dihasilkan akan mendekati lingkaran pula. Oleh karena itu pada perangkat lunak akan mendeteksi bangun tersebut sebagai lingkaran.
37

Pada bagian eksentrisitas 0,2-0,4 dengan menggunakan citra yang di-capture oleh webcam ataupun dibangkitkan lewat komputer, kesalahan terletak pada bentuk elips yang apabila semakin kecil eksentrisitasnya maka akan semakin terlihat mirip lingkaran. Eksentrisitas juga dapat mempengaruhi waktu komputasi. Semakin besar eksentrisitas maka semakin sedikit dibutuhkan waktu untuk mencari parameter elips dengan EHT. Semakin kecil eksentrisitas, maka algoritma yang digunakan mendekati algoritma CHT, yang memeriksa semua kemungkinan jari-jari sebuah lingkaran. Akan tetapi perangkat lunak yang diaplikasikan tetap memiliki akurasi yang sangat baik dalam proses fitting (rekonstruksi) dan mencari letak posisi benda berada, yaitu mencapai 100%. Dapat disimpulkan, eksentrisitas elips mempengaruhi standar deviasi pada transformasi hough standar, sehingga mempengaruhi proses pemilihan deteksi, dan juga mempengaruhi waktu komputasi algoritma.

4.6

Hasil Uji Keandalan Sistem dengan Derau yang Dibangkitkan MATLAB

4.6.1 Poisson Hasil uji dengan membangkitkan derau Poisson dapat dilihat pada tabel 4.3. Hasil uji diambil dari perwakilan masing-masing jenis dan rekonstruksi citra yang terdeteksi benar. Tabel tersebut terletak dalam lampiran C.1. Secara keseluruhan dari 36 citra uji, akurasi deteksi jenis lingkaran atau elips mencapai 100% dan akurasi deteksi posisi mencapai 97% dengan waktu komputasi rata-rata MHT untuk mendeteksi lingkaran 3,64 detik dan untuk mendeteksi elips 0,303 detik. Secara Jelas dapat dilihat pada tabel dibawah ini: Tabel 4.3 Perbandingan Hasil uji dengan derau Poisson
Citra Webcam Citra Komputer Total Jenis Fitting Jenis Fitting Jenis Fitting 18 18 18 18 36 36 Jumlah Error 0 1 0 0 0 1 94% 100% 100% 100% 97% Akurasi 100%

Dari hasil uji tersebut, dapat dilihat bahwa citra yang dibangkitkan dikomputer maupun citra yang dibangkitkan lewat webcam masih mampu mendeteksi jenis bangun (lingkaran atau elips), akan tetapi untuk citra yang dibangkitkan oleh webcam sensitifitas akan derau Poisson ini lebih tinggi, misal apabila citra yang di-capture kondisi cahayanya buruk maka akan semakin sulit untuk melakukan preprocessing. Oleh karena itu, pada citra
38

hasil capture webcam mengalami kesalahan dalam merekonstruksi elips karena masih banyaknya derau setelah tahap preprocessing. Berikut adalah perbandingan tampilan citra komputer dengan derau poisson dan citra webcam dengan derau poisson

Gambar 4.4 Citra komputer dan ditambah derau Poisson

Gambar 4.5 Citra komputer dan ditambah derau Poisson

4.6.2 Speckle Berikut hasil pengujian sistem dengan citra yang ditambah derau Speckle dengan beberapa nilai variance. Jumlah citra yang diujikan masing-masing sebanyak 18 buah citra yang sama dengan citra uji derau Poisson. Tabel 4.4 Hasil Uji Derau Speckle dengan Berbagai Variance
Nilai Variance Jenis (Webcam) Jenis (komputer) Fitting (Webcam) Fitting (komputer) 0 0,05 18 11 18 18 18 12 18 18 0,1 0,2 0,3 0,4 0,5 0,6 0,7 10 7 7 7 7 7 7 18 17 9 9 9 9 9 11 0 0 0 0 0 0 18 18 0 0 0 0 0

Berdasarkan tabel tersebut dapat diperoleh grafik akurasi sebagai berikut:


persentasi akurasi (%) 100% 80% 60% 40% 20% 0% 0 0,05 0,1 0,2 0,3 0,4 0,5 0,6 0,7 Variance Jenis (Webcam) Jenis(komputer) Fitting(webcam) Fitting (komputer)

Gambar 4.6 Grafik akurasi hasil uji derau Speckle dengan berbagai variance

39

Dari grafik tersebut dapat diketahui bahwa semakin besar variance derau, maka akan semakin tidak akurat sistem. Dalam mendeteksi jenis bangun, untuk citra yang dibangkitkan komputer dapat dikatakan cukup akurat. Kesalahan di variance 0,2 terdapat pada citra lingkaran warna merah yang sudah terdeteksi sebagai elips. Pada citra webcam, dalam mendeteksi jenis bangun memiliki akurasi yang sangat buruk dikarenakan tidak dapat terdeteksinya garis tepi objek pada preprocessing karena derau yang semakin menumpuk pada objek. Pada variance diatas 0,2, proses rekonstruksi/fitting tidak dapat dilakukan karena akibat derau yang menumpuk maka tepi yang terdeteksi bukanlah tepi dari objek utama. Dapat disimpulkan dalam pendeteksian jenis bangun, semakin besar nilai variance pada derau Speckle maka semakin tidak akurat sistem ini. Tampilan citra dengan derau Speckle dapat dilihat pada gambar di bawah ini.

Gambar 4.7 Citra komputer dan ditambah derau Speckle (variance 0,3)

Gambar 4.8 Citra webcam dan ditambah derau Speckle (variance 0,3)

4.6.3 Salt and Pepper Berikut hasil pengujian sistem dengan citra yang ditambah derau Salt and pepper dengan beberapa nilai kerapatan (density). Jumlah citra yang diujikan masing-masing sebanyak 18 buah citra yang sama dengan pengujian derau Poisson. Tabel 4.5 Hasil Uji Derau Speckle dengan Berbagai Variance
Noise Density Jenis (Webcam) Jenis (komputer) Posisi (Webcam) Posisi (komputer) 0 0,05 18 18 18 18 18 18 18 18 0,1 18 18 18 18 0,2 0,3 0,4 0,5 0,6 0,7 12 9 9 9 9 9 18 13 9 9 9 9 14 6 0 0 0 0 18 18 0 0 0 0

40

Berdasarkan tabel tersebut dapat diperoleh grafik akurasi sebagai berikut:


persentasi akurasi (%) 100% 80% 60% 40% 20% 0% 0 0,05 0,1 0,2 0,3 0,4 0,5 0,6 0,7 Noise Density Jenis (Webcam) Jenis (komputer) Fitting (Webcam) Fitting (komputer)

Gambar 4.9 Grafik akurasi hasil uji derau Salt and Pepper dengan berbagai kerapatan

Dari grafik tersebut dapat terlihat untuk semua jenis citra, baik dari komputer maupun webcam memiliki akurasi 100% hingga nilai kerapatan (density) sebesar 0,1 dalam mendeteksi jenis dan menentukan posisi dari bangun elips dan lingkaran. Untuk semua jenis citra (dari komputer atau webcam) kesalahan dalam menentukan jenis terdapat pada beberapa bangun lingkaran yang hasil pemrosesan awalnya tidak sempurna dan masih meninggalkan derau yang mengakibatkan nilai standar deviasi SHT melebihi ambang batas pendeteksian lingkaran sehingga mengakibatkan terdeteksi sebagai elips. Untuk citra dengan kerapatan derau 0,4 proses fitting tidak dapat dilakukan lagi karena derau pada citra sudah menumpuk dan tepi objek hasil pemrosesan awal sudah tidak terdeteksi lagi. Tampilan citra dengan derau Salt and Pepper dapat dilihat pada gambar di bawah ini.

Gambar 4.10 Citra webcam dan ditambah derau Salt & Pepper (density 0,2)

Gambar 4.11 Citra komputer dan ditambah derau Salt & Pepper (density 0,2)

41

4.6.4 Gaussian Berikut hasil pengujian sistem dengan citra yang ditambah derau Gaussian dengan beberapa nilai kerapatan (density). Jumlah citra yang diujikan masing-masing sebanyak 18 buah citra yang sama dengan pengujian dengan derau Poisson. Tabel 4.6 Hasil Uji Derau Gaussian dengan Mean=0 dan Berbagai Nilai Variance

Noise Density Jenis (Webcam) Jenis (komputer) Posisi (Webcam) Posisi (komputer)

0 0,05 18 18 18 18 18 18 18 18

0,1 18 18 18 18

0,2 18 18 18 18

0,3 18 18 18 18

0,4 18 18 18 18

0,5 18 17 18 18

0,6 18 18 18 18

0,7 18 18 18 18

Berdasarkan tabel tersebut dapat diperoleh grafik akurasi sebagai berikut:


Persentasi Akurasi (%) 100% 80% 60% 40% 20% 0% 0 0,05 0,1 0,2 0,3 0,4 0,5 0,6 0,7 Variance Jenis (Webcam) Jenis (komputer) Posisi (Webcam) Posisi (komputer)

Gambar 4.12 Grafik akurasi hasil uji derau Gaussian dengan mean=0

Tabel 4.7 Hasil Uji Derau Gaussian, Variance=0,01 dan Berbagai Nilai Mean
Noise Density Jenis (Webcam) Jenis (komputer) Posisi (Webcam) Posisi (komputer) 0 0,05 17 12 18 18 17 12 18 18 0,1 0,2 0,3 0,4 0,5 0,6 0,7 10 3 3 2 3 0 0 18 18 18 18 18 11 11 12 6 3 3 3 0 0 18 18 18 18 18 12 12

Berdasarkan tabel tersebut dapat diperoleh grafik akurasi sebagai berikut:


persentasi akurasi (%) 100,00% 80,00% 60,00% 40,00% 20,00% 0,00% 0 0,05 0,1 0,2 0,3 Mean 0,4 0,5 0,6 0,7

Jenis (Webcam) Jenis (komputer) Posisi (Webcam) Posisi (komputer)

Gambar 4.13 Grafik akurasi hasil uji derau Gaussian dengan variance=0,01
42

Berdasarkan hasil uji tersebut, Untuk derau Gaussian dengan mean konstan (nol) citra yang dibangkitkan dari komputer saja yang terdeteksi 100% sampai variance 0,2. Sementara untuk nilai variance konstan (0,01), untuk citra yang dibangkitkan oleh komputer jenis dan rekonstruksi objek masih dapat dilakukan hingga variance 0,5. Sedangkan untuk citra webcam saat mean sebesar 0,05 akurasi mulai menurun cukup besar. Kesalahan terdapat pada citra berwarna hijau karena saat diberi derau warna objek dan latar semakin menyatu dan sulit dibedakan sistem. Variance mempengaruhi tingkat kerapatan derau, sementara mean mempengaruhi tingkat keputihan derau tersebut. Tampilan derau Gaussian dapat dilihat pada gambar dibawah ini.

Gambar 4.14 Derau Gaussian dengan mean = 0, (var=0 kiri, var=0,2 tengah, var=0,5 kanan)

Gambar 4.15 Derau Gaussian dengan variance = 0.01, (mean=0 kiri, mean=0,2 tengah, mean=0,5 kanan)

4.7

Analisis Hasil Deteksi Objek Lingkaran dan Elips Sebenarnya pada Citra yang di-capture Webcam Rincian tabel hasil uji objek sesungguhnya dapat dilihat pada lampiran D. Ada 120

citra yang akan diuji, masing-masing 60 citra elips dan 60 citra lingkaran. Dari 60 tersebut dibagi lagi menjadi 3 kategori lagi (kecil, sedang, dan besar) untuk setiap kategori terdapat 5 buah objek berbeda yang masing-masing di-capture 4 kali. Secara keseluruhan dari 120 citra digital yang diujikan, dapat diketahui hasil deteksi pada tabel 4.8.

43

Tabel 4.8 Perbandingan Hasil Uji Objek Sesungguhnya


Kecil 20 5 75% 5 75% 2,557 3,025 2,088 Lingkaran Sedang 20 4 80% 2 90% 4,457 6,152 0,437 Besar 20 8 60% 1 95% 4,783 8,727 0,926 Kecil 20 0 100% 0 100% 0,267 0,593 0,107 Elips Sedang 20 3 85% 4 75% 0,237 0,679 0,118 Besar 20 4 80% 4 80% 0,786 0,997 0,636

Jumlah Citra Kesalahan Deteksi Jenis Akurasi Jenis Bangun Kesalahan Fitting Bangun Akurasi Fitting Bangun Waktu Komputasi Rata-Rata(s) Waktu Komputasi Maksimum (s) Waktu Komputasi Minimum (s)

Berdasarkan tabel tersebut, dapat disimpulkan: 1. Jumlah error dalam mendeteksi jenis bangun sebanyak 24, sehingga akurasi dalam pendeteksian jenis bangun 80% 2. Dalam mendeteksi posisi dan proses rekonstruksi bangun, jumlah error =16, sehingga akurasinya 86,66%. 3. Waktu Komputasi Algoritma Transformasi Hough untuk mendeteksi objek lingkaran rata-rata 3,933 detik, dengan waktu komputasi terlama mencapai 8,727 detik sedangkan waktu tercepat 0,437 detik. 4. Waktu Komputasi Algoritma Transformasi Hough untuk mendeteksi objek Elips rata-rata 0,43 detik, dengan waktu komputasi terlama mencapai 0,997 detik sedangkan waktu tercepat 0,636 detik. Dalam pendeteksian jenis bangun terdapat berbagai jenis kesalahan, diantaranya faktor derau bayangan. Bayangan yang terdapat pada citra lingkaran apabila terlihat dengan jelas dan berbeda dengan warna latar saat diubah ke model warna HSV akan ikut terdeteksi sebagai objek juga, sehingga saat diubah menjadi citra biner dengan level auto threshold akan menjadikan objek tersebut berupa elips. Berikut contoh objek citra yang salah akibat bayangan dalam pendeteksian.

Gambar 4.16 Citra lingkaran yang terdeteksi sebagai elips karena bayangan (kiri=citra masukan, tengah=model warna HSV, kanan=hasil threshold)

44

Selain bayangan, penyebab kesalahan deteksi yang lain adalah objek yang terlalu gelap dan berwarba terlalu mirip ke latar. Dalam pengubahan menjadi model warna HSV, objek dengan warna gelap dan mendekati kecerahan seperti warna latar akan menyebabkan sebagian besar bagian objek terdeteksi sama seperti latar. Sehingga objek akan menjadi tidak sempurna karena saat diubah menjadi citra biner sistem akan sulit menentukan threshold yang cocok. Berikut contoh objek citra yang salah karena berwarna terlalu gelap.

Gambar 4.17 Citra lingkaran yang tidak terdeteksi karena terlalu gelap (kiri=citra masukan, tengah=model warna HSV, kanan=hasil threshold)

4.8

Pengujian dengan Objek Selain Elips dan Lingkaran Dalam tugas akhir ini, untuk mengetahui tingkat efektifitas sistem dalam

pendeteksian dengan metode standar deviasi untuk mengklasifikasikan objek, maka sistem juga diuji dengan menggunakan bangun selain elips dan lingkaran. Dalam pengujian ini digunakan poligon bangun segitiga, segiempat, segilima, segi sepuluh, dan segi dua belas. Berikut adalah tabel hasil penelitian dengan objek poligon: Tabel 4.9 Hasil Uji Objek Selain Lingkaran dan Elips
Name(*.bmp) Maxima STDEV Segitiga 195 1,84527 Segiempat 169 3,66939 Segilima 139 1,41098 Segisepuluh 70 4,18936 Segiduabelas 68 4,09427

Menurut teori, poligon merupakan sebuah bangun geometri yang tersusun dari garis lurus dan membentuk bidang tertutup[9]. Sedangkan elips dan lingkaran merupakan sebuah kurva yang tertutup membentuk bidang. Dalam analisis ini sistem hanya akan digunakan sampai tahap pendeteksian saja, hal ini dikarenakan rekonstruksi menggunakan Algoritma Transformasi Hough Modifikasi hanya bisa mendeteksi objek tertentu saja (lingkaran dan Elips). Hasil pemetaan citra poligon segitiga, segiempat, dan segilima terdapat dalam lampiran E.

45

Dari hasil penelitian tersebut dapat dilihat standar deviasi yang dihasilkan berbedabeda dan melebihi batas threshold lingkaran sehingga sistem akan mendeteksinya sebagai elips, oleh karena itu metode standar deviasi tidak dapat digunakan untuk mendeteksi objek selain lingkaran dan elips. Akan tetapi dapat dilihat juga untuk parameter Local Maxima, semakin banyak sisi dari poligon, maka Local Maxima akan semakin mengecil. Hal ini dikarenakan garis yang terdapat pada objek semakin kecil. Sehingga bisa mendekati bentuk objek lingkaran. Untuk itu parameter Local Maxima dapat digunakan untuk mendeteksi objek yang memiliki garis lurus seperti poligon. Pada penelitian sebelumnya oleh Dzikrina Khoirunnisak, titik tersebut akan digunakan untuk penelitian selanjutnya untuk proses rekonstruksi poligon. Sedangkan dalam pendeteksian lingkaran nilai puncak tersebar dalam sinusoidal yang terbentuk dalam domain hough. Hal ini disebabkan karena lingkaran terbentuk dari garis yang tidak lurus melainkan kurva yang teratur. Untuk Deteksi Elips, titik puncak terdeteksi di pinggir sinusoidal, karena elips yang dideteksi membentuk kurva yang tidak teratur seperti lingkaran melainkan mendekati sebuah garis.

Gambar 4.18 Hasil transformasi segi sepuluh kedalam domain Hough

Gambar 4.19 Hasil transformasi segi duabelas kedalam domain Hough

46

BAB V PENUTUP

5.1

Kesimpulan Dari hasil analisis terhadap pengujian yang dilakukan pada sistem pendeteksi

lingkaran dan elips pada bangun 2 dimensi dengan menggunakan Transformasi Hough berbasis pengolahan citra digital, maka dapat diambil kesimpulan sebagai berikut: a. Metode standar deviasi dapat digunakan dalam membedakan hasil ekstraksi ciri Transformasi Hough standar dalam pendeteksian elips dan lingkaran. Akan tetapi untuk mendeteksi bangun selain elips dan lingkaran metode ini tidak lagi bisa digunakan karena hanya bangun lingkaran yang memiliki homogenitas data jarak piksel atas dan piksel bawah yang paling stabil. Sehingga apabila mendeteksi bangun selain elips dan lingkaran akan menghasilkan bangun elips. b. Perbedaan dalam pendeteksian objek kurva tertutup dengan objek poligon (segi 3,4,5) dapat dilihat dari nilai puncak (local maxima) dari hasil algoritma Transformasi Hough standar. Nilai puncak bangun poligon rata-rata diatas 100, dikarenakan poligon terdiri dari garis-garis lurus. c. Dalam mendeteksi jenis bangun lingkaran atau elips 2D, tingkat akurasi mencapai 100% untuk citra tidak berderau yang dibangkitkan dari komputer dan 81,84% untuk citra yang di-capture oleh webcam. Sehingga akurasi total adalah 95,46% dengan jumlah citra uji 108 buah. d. Dalam mendeteksi posisi dan rekonstruksi bangun lingkaran dan elips, tingkat akurasi mencapai 100% untuk citra tidak berderau yang dibangkitkan dari komputer maupun citra yang di-capture oleh webcam dengan jumlah citra uji 108 buah. e. Untuk pendeteksian objek sebenarnya yang di-capture melalui webcam, akurasi dalam mendeteksi jenis bangun mencapai 80%. Akurasi dalam merekonstruksi bangun mencapai 86,66% untuk keseluruhan citra uji 120 citra digital. f. Semakin besar objek yang diteliti maka menyebabkan waktu komputasi Modified Hough Transform (MHT) untuk merekonstruksi objek akan semakin bertambah. Pada penelitian ini MHT untuk mendeteksi elips lebih cepat daripada untuk mendeteksi lingkaran

47

g. Nilai batas ambang (threshold) standar deviasi yang digunakan dalam penentuan bangun elips dan lingkaran dapat mempengaruhi proses pendeteksian. Dalam penelitian ini nilai batas ambang standar deviasi yang ditentukan adalah 0,8. h. Untuk pengujian eksentrisitas elips, semakin besar eksentrisitas elips maka objek elips akan semakin pipih, sehingga hasil pendeteksian elips mencapai tingkat akurasi 100%. Semakin kecil eksentrisitas elips maka objek elips akan semakin mirip dengan lingkaran, sehingga akurasi dalam mendeteksi jenis bangun dengan eksentrisitas 0,2 adalah 0%, eksentrisitas 0,3 adalah 25%, dan eksentrisitas 0,4 adalah 91,67%. Elips dengan eksentrisitas 0,5 dan 0,8 memiliki kesalahan 0 dari masing-masing 12 kali percobaan, sehingga akurasi dalam mendeteksi elips sebesar 100%. i. Untuk derau Poisson, akurasi deteksi jenis bangun lingkaran dan elips sebesar 100% dan akurasi dalam pendeteksian posisi dan rekonstruksi (fitting) mencapai 97%. Kesalahan fitting terdapat pada citra elips yang di-capture webcam karena citra tersebut sudah punya derau bayangan dan ditambah derau lagi sehingga objek yang telah melewati tahap preprocessing tidak sempurna lagi. j. Untuk derau Speckle, Salt and Pepper, dan Gaussian, semakin besar kerapatan, mean atau variance-nya maka akan membuat sistem semakin tidak akurat. Umumnya untuk citra yang dibangkitkan lewat komputer, mampu bertahan sampai variance/density sebesar 0.2, sedangkan citra yang di-capture lewat webcam rata-rata mampu bertahan sampai variance/density sebesar 0.05. k. Kesalahan dalam memasukkan derau sering terjadi pada objek lingkaran. Karena semakin rapat derau, hasil pemrosesan awal terkadang menghasilkan objek lingkaran yang tidak sempurna hingga mengakibatkan sistem mendeteksinya sebagai elips.

5.2

Saran Pengembangan yang dapat dilakukan pada tugas akhir ini antara lain sebagai berikut: a. Perancangan sistem yang mampu mendeteksi keseluruhan jenis bangun, baik pendeteksian kurva tertutup maupun poligon. b. Perancangan sistem preprocessing yang lebih baik sehingga dapat mendeteksi bangun dengan latar yang beragam atau adaptif terhadap berbagai derau.

48

c. Perancangan sistem algoritma Transformasi Hough dalam mendeteksi lingkaran yang lebih efisien agar waktu komputasi yang diperlukan tidak terlalu besar. d. Dilakukan penelitian lebih lanjut dengan mengaplikasikan algoritma Transformasi Hough General agar mampu mendeteksi objek sembarang ataupun objek 3-D. e. Dilakukan penelitian lebih lanjut dengan menggunakan software/platform yang berbeda sehingga dapat diaplikasikan kedalam kehidupan nyata.

49

DAFTAR PUSTAKA

[1]

[2]

Atturmudzi, Aji. 2008. Eye Detection Menggunakan Template Matching, Algoritma Genetika, dan Hough Transform. Tugas Akhir Program Sarjana, Institut Teknologi Telkom Basca, C.A. et al. 2005. Randomized Hough Transform for Ellipse Detection with Result Clustering. University of Sibiu. Romania.

[3]

Dembele, Fatoumata. Object Detection Using Circular Hough Transform. Michigan State University.

[4]

Duda, R. O. and P. E. Hart. 1971. Use of the Hough Transformation to Detect Lines and Curves in Pictures. Artificial Intelligence Center.

[5] [6]

Herdiyeni, Yeni. 2008. Hough Transform. Institut Pertanian Bogor, Ilmu Komputer. Illingworth, J and Kittler, J. 1988. A Survey of the Hough Transform. Department of Electronics and Electrical Engineering, University of Surrey, Guildford. United Kingdom.

[7]

Ji, Qiang and Xie, Yonghong. 2002. A New Efficient Ellipse Detection Method. IEEE.

[8]

J.K. Pedersen, Simon. 2007. Circular Hough Transform. Aalborg University, Vision, Graphics, and Interactive System.

[9]

Khoirunnisak, Dzikrina. 2011. Analisis Perbandingan Algoritma Transformasi Hough Dan Algoritma Transformasi Radon Untuk Deteksi Objek Planar SegiN Berbasis Pengolahan Citra Digital. Tugas Akhir Program Sarjana, Institut Teknologi Telkom.

[10] Lee, Kyewook. 2006. Application of the Hough Transform. University of Massachusetts. Lowel [11] McAndrew, Alasdair. An Introduction to Digital Image Processing with Matlab. School of Computer Science and Mathematics. Victoria University of Technology [12] Prasasti, Anggunmeka L. 2012. Deteksi Dan Analisis Convex Dan Concave Polygon Pada Bangun Geometri 2-Dimensi Dengan Menggunakan Transformasi Radon Berbasis Pengolahan Citra Digital. Tugas Akhir Program Sarjana, Institut Teknologi Telkom. [13] Putra, Dharma. 2010. Pengolahan Citra Digital. Yogyakarta: Andi Publisher.
xx

[14] Sadiyah, Halimatus. 2008. Aplikasi Transformasi Hough Untuk Deteksi Garis Lurus. Tugas Akhir Program Sarjana, Universitas Diponegoro. [15] Sembor, Dhiemas R.Y., et al. 2010. Pengenalan dan Pencarian Posisi Robot Dalam Pencarian Sumber Kebocoran Gas. Fakultas Ilmu Komputer, Universitas Indonesia. [16] Simonovsky, Martin. 2011. Ellipse Detection Using 1D Hough Transform. Mathworks. [17] Wijaya, M.C. dan Prijono A. 2007. Pengolahan Citra Digital Menggunakan Matlab. Bandung: Informatika. [18] http://en.wikipedia.org/wiki/Hough_transform Tanggal akses 11 April 2012 [19] http://id.wikipedia.org/wiki/Lingkaran Tanggal 12 April 2012 [20] http://web-matematika.blogspot.com/2010/03/persamaan-elips.html Tanggal akses 12 April 2012 [21] http://en.wikipedia.org/wiki/Eccentricity_%28mathematics%29 Tanggal akses 12 April 2012 [22] http://www.mathworks.com/help/images/ref/hough.html Tanggal akses 12 April 2012 [23] http://homepages.inf.ed.ac.uk/rbf/HIPR2/hough.htm Tanggal akses 20 Oktober 2012 [24] http://blog.ub.ac.id/rakamahendras/2012/03/14/mean-median-modus-dan-standardeviasi/ Tanggal akses 23 Oktober 2012 [25] http://basic-eng.blogspot.com/2005/12/object-detection-using-hough-transform.html Tanggal akses 23 Oktober 2012 [26] http://www.mathworks.com/help/images/morphology-fundamentals-dilation-anderosion.html#f18-24720?s_tid=doc_12b Tanggal akses 28 Desember 2012

xxi

DAFTAR LAMPIRAN

A.1 Data Citra Masukan Sistem (CorelDraw/Komputer) ........................................... A-1 A.2 Data Citra Masukan Sistem (Webcam) ................................................................ A-2 A.3 Citra yang dibangkitkan Komputer (Lingkaran) .................................................. A-5 A.4 Citra yang dibangkitkan komputer (Elips) ........................................................... A-6 A.5 Citra yang di-capture oleh webcam (Lingkaran) ................................................. A-7 A.6 Citra yang Di-capture oleh Webcam (Elips) ....................................................... A-8 B.1 Data Citra Eksentrisitas Masukan Sistem (CorelDraw/Komputer) ..................... B-1 B.2 Data Citra Eksentrisitas Masukan Sistem (Webcam) .......................................... B-2 B.3 Hasil Uji Deteksi Elips Eksentrisitas 0.2 (Komputer) ......................................... B-3 B.4 Hasil Uji Deteksi Elips Eksentrisitas 0.3 (Komputer) ......................................... B-3 B.5 Hasil Uji Deteksi Elips Eksentrisitas 0,4 (Komputer) ......................................... B-3 B.6 Hasil Uji Deteksi Elips Eksentrisitas 0,5 (Komputer) ......................................... B-3 B.7 Hasil Uji Deteksi Elips Eksentrisitas 0.8 (Komputer) ......................................... B-4 B.8 Hasil Uji Deteksi Elips Eksentrisitas 0.2 (Webcam) ........................................... B-4 B.9 Hasil Uji Deteksi Elips Eksentrisitas 0.3 (Webcam) ........................................... B-4 B.10 Hasil Uji Deteksi Elips Eksentrisitas 0.4 (Webcam) ........................................... B-4 B.11 Hasil Uji Deteksi Elips Eksentrisitas 0.5 (Webcam) ........................................... B-5 B.12 Hasil Uji Deteksi Elips Eksentrisitas 0.8 (Webcam) ........................................... B-5 C.1 Deteksi Jenis dan Rekonstruksi Elips dan Lingkaran pada Citra Komputer dan Webcam dengan Derau Poisson ................................................... C-1 C.2 Deteksi Jenis Elips dan Lingkaran pada Citra webcam dengan Derau Speckle ....................................................................................................... C-2 C.3 Rekonstruksi Elips dan Lingkaran pada Citra webcam dengan Derau Speckle ....................................................................................................... C-2 C.4 Deteksi Jenis Elips dan Lingkaran pada Citra Komputer dengan Derau Speckle ....................................................................................................... C-3 C.5 Rekonstruksi Elips dan Lingkaran pada Citra Komputer dengan Derau Speckle ....................................................................................................... C-3 C.6 Deteksi Jenis Elips dan Lingkaran pada Citra Webcam dengan Derau Salt and Pepper ......................................................................................... C-4

xxii

C.7 Rekonstruksi Elips dan Lingkaran pada Citra Komputer dengan Derau Salt and Pepper ......................................................................................... C-4 C.8 Deteksi Jenis Elips dan Lingkaran pada Citra Komputer dengan Derau Salt and Pepper ......................................................................................... C-5 C.9 Rekonstruksi Elips dan Lingkaran pada Citra Komputer dengan Derau Salt and Pepper ......................................................................................... C-5 C.10 Deteksi Jenis Elips dan Lingkaran pada Citra Webcam dengan Derau Gaussian (mean=0) ................................................................................... C-6 C.11 Rekonstruksi Elips dan Lingkaran pada Citra Webcam dengan Derau Gaussian (mean=0) ................................................................................... C-6 C.12 Deteksi Jenis Elips dan Lingkaran pada Citra Komputer dengan Derau Gaussian (mean=0) ................................................................................... C-7 C.13 Rekonstruksi Elips dan Lingkaran pada Citra Komputer dengan Derau Gaussian (mean=0) ................................................................................... C-7 C.14 Deteksi Jenis Elips dan Lingkaran pada Citra Webcam dengan Derau Gaussian (variance=0,01) ......................................................................... C-8 C.15 Rekonstruksi Elips dan Lingkaran pada Citra Webcam dengan Derau Gaussian (variance=0,01) ......................................................................... C-8 C.16 Deteksi Jenis Elips dan Lingkaran pada Citra Komputer dengan Derau Gaussian (variance=0,01) ......................................................................... C-9 C.17 Rekonstruksi Elips dan Lingkaran pada Citra Komputer dengan Derau Gaussian (variance=0,01) ......................................................................... C-9 D.1 Data Citra Masukan Sistem Objek Lingkaran Ukuran Kecil ............................... D-1 D.2 Data Citra Masukan Sistem Objek Lingkaran Ukuran Sedang ............................ D-1 D.3 Data Citra Masukan Sistem Objek Lingkaran Ukuran Besar .............................. D-2 D.4 Data Citra Masukan Sistem Objek Elips Ukuran Kecil ....................................... D-3 D.5 Data Citra Masukan Sistem Objek Elips Ukuran Sedang .................................... D-3 D.6 Data Citra Masukan Sistem Objek Elips Ukuran Besar ....................................... D-4 D.7 Hasil Uji Citra Objek Lingkaran Ukuran Kecil ................................................... D-5 D.8 Hasil Uji Citra Objek Lingkaran Ukuran Sedang ................................................ D-5 D.9 Hasil Uji Citra Objek Lingkaran Ukuran Besar ................................................... D-6 D.10 Hasil Uji Citra Objek Elips Ukuran Kecil ............................................................ D-6 D.11 Hasil Uji Citra Objek Elips Ukuran Sedang ........................................................ D-7
xxiii

E.1 Hasil Uji Citra Objek Elips Ukuran Besar ........................................................... D-7 E.2 Perbandingan Deteksi Kurva dengan Poligon ..................................................... E-1 F.1 F.2 Tampilan Program Utama .................................................................................... F-1 Listing Program .................................................................................................... F-2

xxiv

LAMPIRAN A Data Uji Dan Hasil Deteksi

A.1 Data Citra Masukan Sistem (CorelDraw/Komputer)

bluecr60px_1

bluecr60px_2

bluecr60px_3

Bluecr90px_1

Bluecr90px_2

Bluecr90px_3

Bluecr120px_1

Bluecr120px_2

Bluecr120px_3

Greencr60px_1

Greencr60px_2

Greencr60px_3

Greencr90px_1

Greencr90px_2

Greencr90px_3

Greencr120p_1

Greencr120p_2

Greencr120p_3

Redcr60px_1

Redcr60px_2

Redcr60px_3

Redcr90px_1

Redcr90px_2

Redcr90px_3

redcr120px_1

Redcr120px_2

Redcr120px_3

A-1

Blue_El_a120b60_1

Blue_El_a120b60_1

Blue_El_a120b60_3

Blue_El_a180b60_1

Blue_El_a180b60_2

Blue_El_a180b60_3

Blue_El_a240b60_1

Blue_El_a240b60_2

Blue_El_a240b60_3

Green_El_a120b60_1

Green_El_a120b60_2

Green_El_a120b60_3

Green_El_a180b60_1

Green_El_a180b60_2

Green_El_a180b60_2

Green_El_a240b60_1

Green_El_a240b60_2

Green_El_a240b60_3

Red_El_a120b60_1

Red_El_a120b60_2

Red_El_a120b60_3

Red_El_a180b60_1

Red_El_a180b60_2

Red_El_a180b60_3

Red_El_a240b60_1

Red_El_a240b60_2

Red_El_a240b60_1

A.2 Data Citra Masukan Sistem (Webcam)

bluecr4cm_1

bluecr4cm_2

bluecr4cm_3

Bluecr5cm_1

Bluecr5cm_2

A-2

Bluecr5cm_3

Bluecr6cm_1

Bluecr6cm_2

Bluecr6cm_3

Greencr4cm_1

Greencr4cm_2

Greencr4cm_3

Greencr5cm_1

Greencr5cm_2

Greencr5cm_3

Greencr6cm_1

Greencr6cm_2

Greencr6cm_3

Redcr4cm_1

Redcr4cm_2

Redcr4cm_3

Redcr5cm_1

Redcr5cm_2

Redcr5cm_3

Redcr6cm_1

Redcr6cm_2

Redcr6cm_3

Blue_El_a6b3_1

Blue_El_a6b3_2

Blue_El_a6b3_3

Blue_El_a9b3_1

Blue_El_a9b3_2

Blue_El_a9b3_3

Blue_El_a12b3_1

Blue_El_a12b3_2

Blue_El_a12b3_3

Green_El_a6b3_1

A-3

Green_El_a6b3_2

Green_El_a6b3_3

Green_El_a9b3_1

Green_El_a9b3_2

Green_El_a9b3_3

Green_El_a12b3_1

Green_El_a12b3_2

Green_El_a12b3_3

Green_El_a12b3_1

Green_El_a12b3_2

Green_El_a12b3_3

Green_El_a12b3_1

Green_El_a12b3_2

Green_El_a12b3_3

Red_El_a9b3_1

Red_El_a9b3_2

Red_El_a9b3_3

A-4

A.3 Citra yang dibangkitkan Komputer (Lingkaran)


Nama (*.bmp) bluecr60px_1 bluecr60px_2 bluecr60px_3 bluecr90px_1 bluecr90px_2 bluecr90px_3 bluecr120px_1 bluecr120px_2 bluecr120px_3 greencr60px_1 greencr60px_2 greencr60px_3 greencr90px_1 greencr90px_2 greencr90px_3 greencr120px_1 greencr120px_2 greencr120px_3 redcr60px_1 redcr60px_2 redcr60px_3 redcr90px_1 redcr90px_2 redcr90px_3 redcr120px_1 redcr120px_2 redcr120px_3 Maxima STDEV Detect 24 24 24 26 26 26 29 31 31 25 28 24 26 28 26 37 36 36 24 24 24 26 29 29 31 38 34 0.393875 0.37109 0.333584 0.498437 0.518863 0.509848 0.369244 0.420916 0.460813 0.319347 0.386872 0.241558 0.493775 0.498917 0.492019 0.44818 0.443273 0.432661 0.358759 0.258155 0.241558 0.49672 0.509848 0.501172 0.381892 0.423963 0.364805 Circle Circle Circle Circle Circle Circle Circle Circle Circle Circle Circle Circle Circle Circle Circle Circle Circle Circle Circle Circle Circle Circle Circle Circle Circle Circle Circle Hough Time (s) 2,88172 3,09584 2,86264 4,91667 4,91346 4,81568 5,91623 6,40437 6,16864 2,73354 2,93146 2,74707 4,85622 5,0988 4,98247 6,11197 6,18032 6,00264 2,60935 2,8611 2,73773 4,84964 4,92341 4,69682 5,90475 6,72569 6,03126 R 60 60 60 90 90 90 125 120 120 60 60 60 90 90 90 120 120 120 60 60 60 90 90 90 125 125 120 Xo 84 334 565 114 352 542 142 314 512 100 334 565 114 360 540 133 336 507 84 332 561 114 346 536 142 336 506 Yo 222 226 226 221 221 221 225 226 226 226 222 226 221 221 221 226 226 226 222 222 222 221 221 221 225.5 225 225 Fitting v v v v v v v v v v v v v v v v v v v v v v v v v v v

A-5

A.4 Citra yang dibangkitkan komputer (Elips)


Nama (*.bmp) Blue_El_a120b60_1 Blue_El_a120b60_2 Blue_El_a120b60_3 Blue_El_a180b60_1 Blue_El_a180b60_2 Blue_El_a180b60_3 Blue_El_a240b60_1 Blue_El_a240b60_2 Blue_El_a240b60_3 Green_El_a120b60_1 Green_El_a120b60_2 Green_El_a120b60_3 Green_El_a180b60_1 Green_El_a180b60_2 Green_El_a180b60_3 Green_El_a240b60_1 Green_El_a240b60_2 Green_El_a240b60_3 Red_El_a120b60_1 Red_El_a120b60_2 Red_El_a120b60_3 Red_El_a180b60_1 Red_El_a180b60_2 Red_El_a180b60_3 Red_El_a240b60_1 Red_El_a240b60_2 Red_El_a240b60_3 Maxima STDEV Detect 42 42 52 75 78 72 88 91 95 39 38 38 54 62 62 90 93 98 41 41 52 78 75 61 92 95 91 4,62561 4,59149 4,59821 9,11675 9,0722 9,06618 12,7138 13,0592 13,0188 4,60964 4,61374 4,56823 9,13796 9,03263 9,05478 13,0865 13,3505 13,0146 4,62458 4,63608 4,59015 9,11606 9,0604 9,08189 12,5993 13,0535 12,8783 Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Hough Time (s) 0,293141 0,282632 0,269824 0,486872 0,484603 0,495971 0,774286 0,793818 0,790804 0,276971 0,267773 0,274817 0,486753 0,480435 0,489086 0,798998 0,774303 0,799777 0,269198 0,277272 0,270811 0,486679 0,489915 0,483894 0,788611 0,789415 0,766128 x0 327 327 327 327 327,5 327 327,5 327 327 327 327 327 327 327 327 323,5 326 326,5 327 327 327 327,5 329 327 323,5 326,5 327 y0 77 241 409 80,5 241 405 68 221,5 401 74 246 406,5 82 247,5 406 97,5 222,5 405 76,5 240 410,5 76,5 235,5 406.5 65,5 211 410.5 Major 122,01 122,02 122,01 182 181,5 182 237,5 242 241 122,03 122,01 122,02 182 182 182,01 236,54 241,01 241,5 122,05 122 122 182 179,03 182 234,52 236,5 242,02 Minor 61 63 63 63 60 63 49 59 55 63 59 63 60 63 63 50 55 57 63 60 57 59 51 58 47 48 63 Alpha 0.0613 0.0204 0.0613 -0.082 -0.0055 0 0.0042 0.0020 0 -0.024 -0.016 -0.02 0.0054 -0.0027 0.0109 0.019 -0.010 -0.08 0.0286 0 -0.0040 -0.0027 0.019 -0.0027 -0.014 0 0.0144 Fitting v v v v v v v v v v v v v v v v v v v v v v v v v v v

A-6

A.5 Citra yang di-capture oleh webcam (Lingkaran)


Nama (*.bmp) Maxima STDEV bluecr4cm_1 bluecr4cm_2 bluecr4cm_3 bluecr5cm_1 bluecr5cm_2 bluecr5cm_3 bluecr6cm_1 bluecr6cm_2 bluecr6cm_3 greencr4cm_1 greencr4cm_2 greencr4cm_3 greencr5cm_1 greencr5cm_2 greencr5cm_3 greencr6cm_1 greencr6cm_2 greencr6cm_3 redcr4cm_1 redcr4cm_2 redcr4cm_3 redcr5cm_1 redcr5cm_2 redcr5cm_3 redcr6cm_1 redcr6cm_2 redcr6cm_3 36 34 36 40 33 37 37 51 36 38 34 34 38 44 41 36 36 41 36 37 29 48 45 38 49 45 43 0,67101 0,46305 0,5604 0,82391 0,69849 0,60061 0,81136 0,67686 0,85557 0,65842 0,46855 0,52814 0,76287 0,50577 0,7606 0,55558 0,52016 0,78321 0,82575 0,65443 0,50913 1,02207 0,53937 0,69806 0,73961 0,5009 0,77193 Detect Circle Circle Circle Ellipse Circle Circle Ellipse Circle Ellipse Circle Circle Circle Circle Circle Circle Circle Circle Circle Ellipse Circle Circle Ellipse Circle Circle Circle Circle Circle Hough Time (s) 5,76711 5,17532 4,82186 0,440093 6,55902 6,34951 0,51657 7,12787 0,480189 5,48206 4,95569 4,79566 6,16207 6,44107 6,3867 6,6007 7,56232 7,16592 0,26927 4,91597 5,33332 0,430528 6,37088 6,13225 6,83328 7,56268 6,86339 R 110 100 95 129,62/126 125 120 144,33/141 145 140,48/137 100 95 90 125 130 130 150 150 150 97,37/93 95 95 129,47/125 120 125 150 150 140 X0 149 321 430 186 293 398 181,5 292 413,5 165 305 454 178 296 428 204 295 385 137,5 292 431 166,5 299 425 185 255 408 Y0 196 189 224 191,5 248 229 196,5 220 230,5 181 211 238 209 219 225 204 251 268 194 249 202 227,5 223 214 192 232 231 Fitting V V V V V V V V V V V V V V V V V V V V V V V V V V V

A-7

A.6 Citra yang Di-capture oleh Webcam (Elips)


Nama (*.bmp) Blue_El_a6b3_1 Blue_El_a6b3_2 Blue_El_a6b3_3 Blue_El_a9b3_1 Blue_El_a9b3_2 Blue_El_a9b3_3 Blue_El_a12b3_1 Blue_El_a12b3_2 Blue_El_a12b3_3 Green_El_a6b3_1 Green_El_a6b3_2 Green_El_a6b3_3 Green_El_a9b3_1 Green_El_a9b3_2 Green_El_a9b3_3 Green_El_a12b3_1 Green_El_a12b3_2 Green_El_a12b3_3 Red_El_a6b3_1 Red_El_a6b3_2 Red_El_a6b3_3 Red_El_a9b3_1 Red_El_a9b3_2 Red_El_a9b3_3 Red_El_a12b3_1 Red_El_a12b3_2 Red_El_a12b3_3 Maxima STDEV Detect 45 47 57 72 77 62 106 87 142 46 43 48 87 101 88 108 88 101 43 43 53 60 71 72 90 93 96 10,2063 10,1821 10,5576 19,693 19,8521 19,8188 28,1488 27,9297 27,4525 9,66008 10,0618 10,2559 19,5207 19,5672 19,1504 28,4225 28,3227 29,1703 8,41993 8,47459 8,29114 20,4521 20,4809 21,1312 29,0112 28,3614 26,6324 Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Hough Time (s) 0,408954 0,381426 0,371209 0,67828 0,669184 0,645903 0,986363 0,993789 0,902958 0,360079 0,359156 0,362627 0,670796 0,670726 0,645477 1,03744 0,983738 1,14505 0,302117 0,275336 0,26457 0,688713 0,688713 0,711247 1,03477 1,01384 0,899447 X0 291 293 270,5 293 310,5 309 300,5 296,5 294,5 300 282 258,5 305 320,5 281 303,5 308 316,5 260 267,5 277,5 293 293 302,5 304 301 298 Y0 126 201 334,5 120 199 318,5 111 200,5 320 127 201 324,5 136 214 344 148,5 235,5 359 118,5 238 290,5 128 128 321,5 114 191,5 343 major minor 151,74 150,08 150,3 224,14 223,5 222,01 289,64 284,52 277,54 144,12 147,23 145,41 222,02 221,64 215,03 291,52 288,03 295,5 127,07 124,46 121,62 232,49 232,49 236,47 297,04 288,03 269,03 71 74 71 74 74 66 73 60 63 74 70 68 70 73 64 71 72 62 59 63 60 77 77 76 73 63 63 alpha Fitting -0,099 -0,1202 -0,1033 -0,0356 -0,0089 -0,0112 -0,031 -0,0123 0,018 -0,1252 -0,129 -0,162 -0,0135 -0,0361 -0,018 -0,912 -0,0156 0 -0,13 -0,1776 -0,136 -0,1467 -0,1467 -0,129 -0,0168 -0,0156 0,0148 V V V V V V V V V V V V V V V V V V V V V V V V V V V

A-8

LAMPIRAN B Data Uji Eksentrisitas

B.1 Data Citra Eksentrisitas Masukan Sistem (CorelDraw/Komputer)

1(e=0,2)

2(e=0,2)

3(e=0,2)

4(e=0,2)

5(e=0,2)

5(e=0,2)

1(e=0,3)

2(e=0,3)

3(e=0,3)

4(e=0,3)

5(e=0,3)

6(e=0,3)

1(e=0,4)

2(e=0,4)

3(e=0,4)

4(e=0,4)

5(e=0,4)

6(e=0,4)

1(e=0,5)

2(e=0,5)

3(e=0,5)

4(e=0,5)

5(e=0,5)

6(e=0,5)

1(e=0,8)

2(e=0,8)

3(e=0,8)

4(e=0,8)

5(e=0,8)

6(e=0,8)

B-1

B.2 Data Citra Eksentrisitas Masukan Sistem (Webcam)

1(e=0,2)

2(e=0,2)

3(e=0,2)

4(e=0,2)

5(e=0,2)

6(e=0,2)

1(e=0,3)

2(e=0,3)

3(e=0,3)

4(e=0,3)

5(e=0,3)

6(e=0,3)

1(e=0,4)

2(e=0,4)

3(e=0,4)

4(e=0,4)

5(e=0,4)

6(e=0,4)

1(e=0,5)

2(e=0,5)

3(e=0,5)

4(e=0,5)

5(e=0,5)

6(e=0,5)

1(e=0,8)

2(e=0,8)

3(e=0,8)

4(e=0,8)

5(e=0,8)

6(e=0,8)

B-2

B.3 Hasil Uji Deteksi Elips Eksentrisitas 0.2 (Komputer)

Nama Maxima STDEV Detect 1.bmp 2.bmp 3.bmp 4.bmp 5.bmp 6.bmp 22 22 24 24 28 26 0,51905 0,42489 0,45115 0.447919 0,46305 0,55838 Circle Circle Circle Circle Circle Circle

Hough Time (s) 2,6142 2,91523 3,33835 4,28381 4,30328 6,02871

Fitting v v v v v v

B.4 Hasil Uji Deteksi Elips Eksentrisitas 0.3 (Komputer)

Nama Maxima STDEV Detect 1.bmp 2.bmp 3.bmp 4.bmp 5.bmp 6.bmp 30 23 33 25 33 33 0,58353 0,60284 0,5814 0,64235 0,73178 0,86585 Circle Circle Circle Circle Circle Ellipse

Hough Time (s) 2,53533 2,78549 3,4007 2,4007 4,97143 0,401225

Fitting v v v v v v

B.5 Hasil Uji Deteksi Elips Eksentrisitas 0,4 (Komputer)

Nama Maxima STDEV Detect 1.bmp 2.bmp 3.bmp 4.bmp 5.bmp 6.bmp 24 24 33 31 33 35 0,71673 0,82373 0,93707 1,02987 1,17927 1,42376 Circle Ellipse Ellipse Ellipse Ellipse Ellipse

Hough Time (s) 2,41392 0,15233 0,17175 0,212764 0,270165 0,3588

Fitting v v v v v v

B.6 Hasil Uji Deteksi Elips Eksentrisitas 0,5 (Komputer)

Nama Maxima STDEV Detect 1.bmp 2.bmp 3.bmp 4.bmp 5.bmp 6.bmp 20 23 23 25 26 28 1,13527 1,277 1,34713 1,59026 1,79679 2,20145 Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse

Hough Time (s) 0,107937 0,128783 0,154081 0,184467 0,248539 0,314857

Fitting v v v v v v

B-3

B.7 Hasil Uji Deteksi Elips Eksentrisitas 0.8 (Komputer)

Nama Maxima STDEV Detect 1.bmp 2.bmp 3.bmp 4.bmp 5.bmp 6.bmp 27 28 29 35 31 33 3,17312 3,48287 3,96278 4,50895 5,2522 6,31676 Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse

Hough Time (s) 0,0915031 0,107163 0,123373 0,167602 0,201616 0,266329

Fitting v v v v v v

B.8 Hasil Uji Deteksi Elips Eksentrisitas 0.2 (Webcam)

Nama Maxima STDEV Detect 1.bmp 2.bmp 3.bmp 4.bmp 5.bmp 6.bmp 24 25 34 32 27 32 0,52449 0,45058 0,43507 0,51318 0,49726 0,50115 Circle Circle Circle Circle Circle Circle

Hough Time (s) 2,25877 2,75116 3,26244 3,90366 4,72903 5,41935

Fitting v v v v v v

B.9 Hasil Uji Deteksi Elips Eksentrisitas 0.3 (Webcam)

Nama Maxima STDEV Detect 1.bmp 2.bmp 3.bmp 4.bmp 5.bmp 6.bmp 24 33 28 27 29 35 0,64721 0,5489 0,75816 0,93556 0,89008 0,93513 Circle Circle Circle Ellipse Ellipse Ellipse

Hough Time (s) 2,32052 2,68844 3,19548 0,215089 0,253678 0,289229

Fitting v v v v v v

B.10 Hasil Uji Deteksi Elips Eksentrisitas 0.4 (Webcam)

Nama Maxima STDEV Detect 1.bmp 2.bmp 3.bmp 4.bmp 5.bmp 6.bmp 26 26 33 36 28 36 0,80933 0,86437 0,94308 1,12416 1,22534 1,34053 Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse

Hough Time (s) 0,10632 0,141876 0,16958 0,212106 0,243531 0,277009

Fitting v v v v v v

B-4

B.11 Hasil Uji Deteksi Elips Eksentrisitas 0.5 (Webcam)

Nama Maxima STDEV Detect 1.bmp 2.bmp 3.bmp 4.bmp 5.bmp 6.bmp 28 29 33 38 33 34 1,14126 1,18404 1,30725 1,61854 1,68852 1,8615 Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse

Hough Time (s) 0,113796 0,141964 0,179042 0,202075 0,246065 0,279404

Fitting v v v v v v

B.12 Hasil Uji Deteksi Elips Eksentrisitas 0.8 (Webcam) Nama 1.bmp 2.bmp 3.bmp 4.bmp 5.bmp 6.bmp Maxima STDEV Detect 35 34 38 37 37 44 2,97807 3,32669 3,84651 4,69523 4,92724 5,40672 Ellipse Ellipse Ellipse Ellipse Ellipse Ellipse Hough Time (s) 0,093273 0,113877 0,140291 0,17692 0,192726 0,237111 Fitting v v v v v v

B-5

LAMPIRAN C Data Uji dengan Derau MATLAB

C.1 Deteksi Jenis dan Rekonstruksi Elips dan Lingkaran pada Citra Komputer dan Webcam dengan Derau Poisson
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Nama (*.bmp) bluecr4cm_2 bluecr5cm_2 bluecr6cm_2 greencr4cm_2 greencr5cm_2 greencr6cm_2 redcr4cm_2 redcr5cm_2 redcr6cm_2 Blue_El_a6b3_2 Blue_El_a9b3_2 Blue_El_a12b3_2 Green_El_a6b3_2 Green_El_a9b3_2 Green_El_a12b3_2 Red_El_a6b3_2 Red_El_a9b3_2 Red_El_a12b3_2 Jenis Fitting Waktu (s) v v 5,17873 v v 6,45202 v v 6,93096 v v 4,55676 v v 6,11272 v v 6,93015 v v 4,81164 v v 6,25321 v v 6,83066 v v 0,39579 v v 0,684234 v v 0,954356 v v 0,347054 v v 0,62103 v X 0,869178 v v 0,283753 v v 0,697889 v v 0,982713 No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Nama (*.bmp) Jenis Fitting Waktu bluecr60px_2 v v 2,65611 bluecr90px_2 v v 4,62348 bluecr120px_2 v v 5,89796 greencr60px_2 v v 2,66683 greencr90px_2 v v 4,69994 greencr120px_2 v v 5,95945 redcr60px_2 v v 2,68108 redcr120px_2 v v 4,74378 redcr180px_2 v v 5,94794 Blue_El_a120b60_2 v v 0,24942 Blue_El_a180b60_2 v v 0,45725 Blue_El_a240b60_2 v v 0,74492 Green_El_a120b60_2 v v 0,25991 Green_El_a180b60_2 v v 0,45977 Green_El_a240b60_2 v v 0,73486 Red_El_a120b60_2 v v 0,24793 Red_El_a180b60_2 v v 0,45289 Red_El_a240b60_2 v v 0.714167

Keterangan : V = Sesuai/Benar X = Tidak Sesuai/Tidak benar Tabel kiri merupakan citra hasil capture lewat webcam, tabel kanan citra hasil buatan komputer

C-1

C.2 Deteksi Jenis Elips dan Lingkaran pada Citra webcam dengan Derau Speckle
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Nama (*.bmp) bluecr4cm_2 bluecr5cm_2 bluecr6cm_2 greencr4cm_2 greencr5cm_2 greencr6cm_2 redcr4cm_2 redcr5cm_2 redcr6cm_2 Blue_El_a6b3_2 Blue_El_a9b3_2 Blue_El_a12b3_2 Green_El_a6b3_2 Green_El_a9b3_2 Green_El_a12b3_2 Red_El_a6b3_2 Red_El_a9b3_2 Red_El_a12b3_2 0 0,05 0,1 V V X V X X V X X V X X V X X V X X V V V V V V V V V V V V V V V V V V V V V V X X V X X V V V V V V V V V variance 0,2 0,3 0,4 0,5 0,6 0,7 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X V V V V V V V V V V V V V V V V V V V V V V V V X X X X X X X X X X X X V V V V V V V V V V V V V V V V V V

C.3 Rekonstruksi Elips dan Lingkaran pada Citra webcam dengan Derau Speckle
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Nama bluecr4cm_2 bluecr5cm_2 bluecr6cm_2 greencr4cm_2 greencr5cm_2 greencr6cm_2 redcr4cm_2 redcr5cm_2 redcr6cm_2 Blue_El_a6b3_2 Blue_El_a9b3_2 Blue_El_a12b3_2 Green_El_a6b3_2 Green_El_a9b3_2 Green_El_a12b3_2 Red_El_a6b3_2 Red_El_a9b3_2 Red_El_a12b3_2 0 0,05 0,1 V V X V V V V V V V X X V X X V X X V V V V V V V V V V V V V V V V V V V X X V X X V X X V V V V V V V V V variance 0,2 0,3 0,4 0,5 0,6 0,7 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
C-2

C.4 Deteksi Jenis Elips dan Lingkaran pada Citra Komputer dengan Derau Speckle
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Nama (*.bmp) bluecr60px_2 bluecr90px_2 bluecr120px_2 greencr60px_2 greencr90px_2 greencr120px_2 redcr60px_2 redcr120px_2 redcr180px_2 Blue_El_a120b60_2 Blue_El_a180b60_2 Blue_El_a240b60_2 Green_El_a120b60_2 Green_El_a180b60_2 Green_El_a240b60_2 Red_El_a120b60_2 Red_El_a180b60_2 Red_El_a240b60_2 0 0,05 0,1 V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V variance 0,2 0,3 0,4 V X X V X X V X X V X X V X X V X X V X X V X X X X X V V V V V V V V V V V V V V V V V V V V V V V V V V V 0,5 X X X X X X X X X V V V V V V V V V 0,6 X X X X X X X X X V V V V V V V V V 0,7 X X X X X X X X X V V V V V V V V V

C.5 Rekonstruksi Elips dan Lingkaran pada Citra Komputer dengan Derau Speckle
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Nama bluecr60px_2 bluecr90px_2 bluecr120px_2 greencr60px_2 greencr90px_2 greencr120px_2 redcr60px_2 redcr120px_2 redcr180px_2 Blue_El_a120b60_2 Blue_El_a180b60_2 Blue_El_a240b60_2 Green_El_a120b60_2 Green_El_a180b60_2 Green_El_a240b60_2 Red_El_a120b60_2 Red_El_a180b60_2 Red_El_a240b60_2 0 0,05 0,1 V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V variance 0,2 0,3 0,4 V X X V X X V X X V X X V X X V X X V X X V X X V X X V X X V X X V X X V X X V X X V X X V X X V X X V X X 0,5 X X X X X X X X X X X X X X X X X X 0,6 X X X X X X X X X X X X X X X X X X 0,7 X X X X X X X X X X X X X X X X X X
C-3

C.6 Deteksi Jenis Elips dan Lingkaran pada Citra Webcam dengan Derau Salt and Pepper
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Nama (*.bmp) bluecr4cm_2 bluecr5cm_2 bluecr6cm_2 greencr4cm_2 greencr5cm_2 greencr6cm_2 redcr4cm_2 redcr5cm_2 redcr6cm_2 Blue_El_a6b3_2 Blue_El_a9b3_2 Blue_El_a12b3_2 Green_El_a6b3_2 Green_El_a9b3_2 Green_El_a12b3_2 Red_El_a6b3_2 Red_El_a9b3_2 Red_El_a12b3_2 0 0,05 0,1 V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V Noise Density 0,2 0,3 0,4 X X X X X X X X X X X X X X X X X X V X X V X X V X X V V V V V V V V V V V V V V V V V V V V V V V V V V V 0,5 0,6 0,7 X X X X X X X X X X X X X X X X X X X X X X X X X X X V V V V V V V V V V V V V V V V V V V V V V V V V V V

C.7 Rekonstruksi Elips dan Lingkaran pada Citra Komputer dengan Derau Salt and Pepper
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Noise Density 0 0,05 0,1 0,2 0,3 0,4 bluecr4cm_2 V V V V V X bluecr5cm_2 V V V V X X bluecr6cm_2 V V V V X X greencr4cm_2 V V V X V X greencr5cm_2 V V V X V X greencr6cm_2 V V V X V X redcr4cm_2 V V V V X X redcr5cm_2 V V V V X X redcr6cm_2 V V V V V X Blue_El_a6b3_2 V V V V X X Blue_El_a9b3_2 V V V V X X Blue_El_a12b3_2 V V V V X X Green_El_a6b3_2 V V V X V X Green_El_a9b3_2 V V V V X X Green_El_a12b3_2 V V V V X X Red_El_a6b3_2 V V V V X X Red_El_a9b3_2 V V V V X X Red_El_a12b3_2 V V V V X X Nama (*.bmp) 0,5 0,6 0,7 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

C-4

C.8 Deteksi Jenis Elips dan Lingkaran pada Citra Komputer dengan Derau Salt and Pepper
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Nama (*.bmp) bluecr60px_2 bluecr90px_2 bluecr120px_2 greencr60px_2 greencr90px_2 greencr120px_2 redcr60px_2 redcr90px_2 redcr120px_2 Blue_El_a120b60_2 Blue_El_a180b60_2 Blue_El_a240b60_2 Green_El_a120b60_2 Green_El_a180b60_2 Green_El_a240b60_2 Red_El_a120b60_2 Red_El_a180b60_2 Red_El_a240b60_2 Noise Density 0 0,05 0,1 0,2 0,3 0,4 V V V V V X V V V V V X V V V V X X V V V V X X V V V V X X V V V V X X V V V V V X V V V V V X V V V V X X V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V 0,5 0,6 0,7 X X X X X X X X X X X X X X X X X X X X X X X X X X X V V V V V V V V V V V V V V V V V V V V V V V V V V V

C.9 Rekonstruksi Elips dan Lingkaran pada Citra Komputer dengan Derau Salt and Pepper
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Nama bluecr60px_2 bluecr90px_2 bluecr120px_2 greencr60px_2 greencr90px_2 greencr120px_2 redcr60px_2 redcr90px_2 redcr120px_2 Blue_El_a120b60_2 Blue_El_a180b60_2 Blue_El_a240b60_2 Green_El_a120b60_2 Green_El_a180b60_2 Green_El_a240b60_2 Red_El_a120b60_2 Red_El_a180b60_2 Red_El_a240b60_2 variance 0 0,05 0,1 0,2 0,3 0,4 0,5 0,6 0,7 V V V V V X X X X V V V V V X X X X V V V V V X X X X V V V V V X X X X V V V V V X X X X V V V V V X X X X V V V V V X X X X V V V V V X X X X V V V V V X X X X V V V V V X X X X V V V V V X X X X V V V V V X X X X V V V V V X X X X V V V V V X X X X V V V V V X X X X V V V V V X X X X V V V V V X X X X V V V V V X X X X
C-5

C.10 Deteksi Jenis Elips dan Lingkaran pada Citra Webcam dengan Derau Gaussian (mean=0)
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Variance 0 0,05 0,1 0,2 0,3 0,4 0,5 0,6 0,7 bluecr4cm_2 V X X X X X X X X bluecr5cm_2 V V X X X X X X X bluecr6cm_2 V V X X X X X X X greencr4cm_2 V X X X X X X X X greencr5cm_2 V X X X X X X X X greencr6cm_2 V X X X X X X X X redcr4cm_2 V V X X X X X X X redcr5cm_2 V V X X X X X X X redcr6cm_2 V V X X X X X X X Blue_El_a6b3_2 V V V V V V V V V Blue_El_a9b3_2 V V V V V V V V V Blue_El_a12b3_2 V V V V V V V V V Green_El_a6b3_2 V V V V V V V V V Green_El_a9b3_2 V V V V V V V V V Green_El_a12b3_2 V V V V V V V V V Red_El_a6b3_2 V V V V V V V V V Red_El_a9b3_2 V V V V V V V V V Red_El_a12b3_2 V V V V V V V V V Nama (*.bmp)

C.11 Rekonstruksi Elips dan Lingkaran pada Citra Webcam dengan Derau Gaussian (mean=0)
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Variance 0 0,05 0,1 0,2 0,3 0,4 0,5 0,6 0,7 bluecr4cm_2 V X X X X X X X X bluecr5cm_2 V V X X X X X X X bluecr6cm_2 V V X X X X X X X greencr4cm_2 V X X X X X X X X greencr5cm_2 V X X X X X X X X greencr6cm_2 V V X X X X X X X redcr4cm_2 V V X X X X X X X redcr5cm_2 V V X X X X X X X redcr6cm_2 V V X X X X X X X Blue_El_a6b3_2 V V X X X X X X X Blue_El_a9b3_2 V V X X X X X X X Blue_El_a12b3_2 V V X X X X X X X Green_El_a6b3_2 V X X X X X X X X Green_El_a9b3_2 V V X X X X X X X Green_El_a12b3_2 V V X X X X X X X Red_El_a6b3_2 V V X X X X X X X Red_El_a9b3_2 V V X X X X X X X Red_El_a12b3_2 V V X X X X X X X Nama (*.bmp)
C-6

C.12 Deteksi Jenis Elips dan Lingkaran pada Citra Komputer dengan Derau Gaussian (mean=0)
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Nama (*.bmp) bluecr60px_2 bluecr90px_2 bluecr120px_2 greencr60px_2 greencr90px_2 greencr120px_2 redcr60px_2 redcr90px_2 redcr120px_2 Blue_El_a120b60_2 Blue_El_a180b60_2 Blue_El_a240b60_2 Green_El_a120b60_2 Green_El_a180b60_2 Green_El_a240b60_2 Red_El_a120b60_2 Red_El_a180b60_2 Red_El_a240b60_2 0 0,05 0,1 V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V Noise Density 0,2 0,3 0,4 V X X V X X V X X V X X V V X V V X V V X V X X V X X V V V V V V V V V V V V V V V V V V V V V V V V V V V 0,5 0,6 0,7 X X X X X X X X X X X X X X X X X X X X X X X X X X X V V V V V V V V V V V V V V V V V V V V V V V V V V V

C.13 Rekonstruksi Elips dan Lingkaran pada Citra Komputer dengan Derau Gaussian (mean=0)
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 variance 0 0,05 0,1 0,2 0,3 0,4 0,5 0,6 0,7 bluecr60px_2 V V V V V X X X X bluecr90px_2 V V V V V X X X X bluecr120px_2 V V V V V X X X X greencr60px_2 V V V V X X X X X greencr90px_2 V V V V V X X X X greencr120px_2 V V V V V X X X X redcr60px_2 V V V V V X X X X redcr90px_2 V V V V V X X X X redcr120px_2 V V V V V X X X X Blue_El_a120b60_2 V V V V V X X X X Blue_El_a180b60_2 V V V V V X X X X Blue_El_a240b60_2 V V V V V X X X X Green_El_a120b60_2 V V V V V X X X X Green_El_a180b60_2 V V V V V X X X X Green_El_a240b60_2 V V V V V X X X X Red_El_a120b60_2 V V V V V X X X X Red_El_a180b60_2 V V V V X X X X X Red_El_a240b60_2 V V V V V X X X X Nama
C-7

C.14 Deteksi Jenis Elips dan Lingkaran pada Citra Webcam dengan Derau Gaussian (variance=0,01)
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Nama (*.bmp) bluecr4cm_2 bluecr5cm_2 bluecr6cm_2 greencr4cm_2 greencr5cm_2 greencr6cm_2 redcr4cm_2 redcr5cm_2 redcr6cm_2 Blue_El_a6b3_2 Blue_El_a9b3_2 Blue_El_a12b3_2 Green_El_a6b3_2 Green_El_a9b3_2 Green_El_a12b3_2 Red_El_a6b3_2 Red_El_a9b3_2 Red_El_a12b3_2 0 0,05 0,1 V V V V V X V V X V X X V X X X X X V V V V V V V V V V V V V V V V V V V X X V X X V X X V V V V V V V V V Mean 0,2 0,3 0,4 0,5 0,6 0,7 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X V V V V X X V V X V X X V V V V X X

C.15 Rekonstruksi Elips dan Lingkaran pada Citra Webcam dengan Derau Gaussian (variance=0,01)
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Mean 0 0,05 0,1 0,2 0,3 0,4 0,5 0,6 0,7 bluecr4cm_2 V V V X X X X X X bluecr5cm_2 V V V X X X X X X bluecr6cm_2 V V V X X X X X X greencr4cm_2 V X X X X X X X X greencr5cm_2 V X X X X X X X X greencr6cm_2 X X X X X X X X X redcr4cm_2 V V V V V V V X X redcr5cm_2 V V V V V V V X X redcr6cm_2 V V V V V V V X X Blue_El_a6b3_2 V V V X X X X X X Blue_El_a9b3_2 V V V X X X X X X Blue_El_a12b3_2 V V V X X X X X X Green_El_a6b3_2 V X X X X X X X X Green_El_a9b3_2 V X X X X X X X X Green_El_a12b3_2 V X X X X X X X X Red_El_a6b3_2 V V V V X X X X X Red_El_a9b3_2 V V V V X X X X X Red_El_a12b3_2 V V V V X X X X X Nama (*.bmp)
C-8

C.16 Deteksi Jenis Elips dan Lingkaran pada Citra Komputer dengan Derau Gaussian (variance=0,01)
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Nama (*.bmp) bluecr60px_2 bluecr90px_2 bluecr120px_2 greencr60px_2 greencr90px_2 greencr120px_2 redcr60px_2 redcr90px_2 redcr120px_2 Blue_El_a120b60_2 Blue_El_a180b60_2 Blue_El_a240b60_2 Green_El_a120b60_2 Green_El_a180b60_2 Green_El_a240b60_2 Red_El_a120b60_2 Red_El_a180b60_2 Red_El_a240b60_2 0 0,05 0,1 V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V Mean 0,2 0,3 0,4 0,5 0,6 0,7 V V V V V V V V V V V V V V V V V V V V V V X X V V V V X X V V V V X X V V V V V V V V V V V V V V V V X X V V V V V V V V V V V V V V V V V V V V V V X X V V V V X X V V V V X X V V V V V V V V V V V V V V V V V V

C.17 Rekonstruksi Elips dan Lingkaran pada Citra Komputer dengan Derau Gaussian (variance=0,01)
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Nama bluecr60px_2 bluecr90px_2 bluecr120px_2 greencr60px_2 greencr90px_2 greencr120px_2 redcr60px_2 redcr90px_2 redcr120px_2 Blue_El_a120b60_2 Blue_El_a180b60_2 Blue_El_a240b60_2 Green_El_a120b60_2 Green_El_a180b60_2 Green_El_a240b60_2 Red_El_a120b60_2 Red_El_a180b60_2 Red_El_a240b60_2 0 0,05 0,1 V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V Mean 0,2 0,3 0,4 0,5 0,6 0,7 V V V V V V V V V V V V V V V V V V V V V V X X V V V V X X V V V V X X V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V X X V V V V X X V V V V X X V V V V V V V V V V V V V V V V V V
C-9

LAMPIRAN D Data Uji dengan Citra Objek Sebenarnya

D.1 Data Citra Masukan Sistem Objek Lingkaran Ukuran Kecil

cr_bluepin_1

cr_bluepin_2

cr_bluepin_3

cr_bluepin_4

cr_brownpin_1

cr_brownpin_2 cr_brownpin_3 cr_brownpin_4

cr_coin_1

cr_coin_2

cr_coin_3

cr_coin_4

cr_greencap_1

cr_greencap_2

cr_greencap_3

cr_greencap_4

cr_vicks_1

cr_vicks_2

cr_vicks_3

cr_vicks_4

D.2 Data Citra Masukan Sistem Objek Lingkaran Ukuran Sedang

cr_donut_1

cr_donut_2

cr_donut_3

cr_donut_4

cr_lulur_1

cr_lulur_2

cr_lulur_3

cr_lulur_4

cr_orangecap_ 1

cr_orangecap_ 2

D-1

cr_orangecap_ 3

cr_orangecap_ 4

cr_pinkcap_1

cr_pinkcap_2

cr_pinkcap_3

cr_pinkcap_4

cr_salicyl_1

cr_salicyl_2

cr_salicyl_3

cr_salicyl_4

D.3 Data Citra Masukan Sistem Objek Lingkaran Ukuran Besar

cr_basketball_1

cr_basketball_2

cr_basketball_3

cr_basketball_4

cr_basketball_1

cr_basketball_2

cr_basketball_3

cr_basketball_4

cr_redcap_1

cr_redcap_2

cr_redcap_3

cr_redcap_4

cr_redplate_1

cr_redplate_2

cr_redplate_3

cr_redplate_4

cr_tennisball_1

cr_tennisball_2

cr_tennisball_3

cr_tennisball_4

D-2

D.4 Data Citra Masukan Sistem Objek Elips Ukuran Kecil

el_bluecap_1

el_bluecap_2

el_bluecap_3

el_bluecap_4

el_egg_1

el_egg_2

el_egg_3

el_egg_4

el_goldcap_1

el_goldcap_2

el_goldcap_3

el_goldcap_4

el_redcap_1

el_redcap_2

el_redcap_3

el_redcap_4

el_yellowcap_1

el_yellowcap_2

el_yellowcap_3

el_yellowcap_4

D.5 Data Citra Masukan Sistem Objek Elips Ukuran Sedang

el_goldplate_1

el_goldplate_2

el_goldplate_3

el_goldplate_4

el_nutella_1

el_nutella_2

el_nutella_3

el_nutella_4

el_pinkbox_1

el_pinkbox_2

el_pinkbox_3

el_pinkbox_4

el_purplecap_1

el_purplecap_2

el_purplecap_3

D-3

el_purplecap_4

el_soap_1

el_soap_2

el_soap_3

el_soap_4

D.6 Data Citra Masukan Sistem Objek Elips Ukuran Besar

el_blueplate_1

el_blueplate_2

el_blueplate_3

el_blueplate_4

el_bluewhiteplate_1

el_bluewhiteplate_2

el_bluewhiteplate_3

el_bluewhiteplate_4

el_greenplate_1

el_greenplate_2

el_greenplate_3

el_greenplate_4

el_greenwhiteplate_1

el_greenwhiteplate_2

el_greenwhiteplate_3

el_greenwhiteplate_4

el_redplate_1

el_redplate_2

el_redplate_3

el_redplate_4

D-4

D.7 Hasil Uji Citra Objek Lingkaran Ukuran Kecil


No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Nama (*.bmp) cr_bluepin_1 cr_bluepin_2 cr_bluepin_3 cr_bluepin_4 cr_brownpin_1 cr_brownpin_2 cr_brownpin_3 cr_brownpin_4 cr_coin_1 cr_coin_2 cr_coin_3 cr_coin_4 cr_greencap_1 cr_greencap_2 cr_greencap_3 cr_greencap_4 cr_vicks_1 cr_vicks_2 cr_vicks_3 cr_vicks_4 STDEV Maxima Detect Fitting Waktu (s) 0,38584 24 Circle v 2,68033 0,59252 26 Circle v 2,79514 0,78739 29 Circle v 2,83141 0,46677 23 Circle v 2,37074 0 0 x x 0 0 0 x x 0 0 0 x x 0 0 0 x x 0 0,62477 26 Circle v 2,14622 0,63745 24 Circle v 2,36387 0,53767 25 Circle v 2,18702 0,53204 21 Circle v 2,08806 0,53264 26 Circle v 2,16001 0 0 x x 0 0,51297 24 Circle v 2,78683 0,50649 20 Circle v 3,02484 0,43853 24 Circle v 2,86039 0,47122 20 Circle v 2,49111 0,50615 20 Circle v 2,99253 0,40235 27 Circle v 2,57625

D.8 Hasil Uji Citra Objek Lingkaran Ukuran Sedang


No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Nama (*.bmp) cr_donut_1 cr_donut_2 cr_donut_3 cr_donut_4 cr_lulur_1 cr_lulur_2 cr_lulur_3 cr_lulur_4 cr_orangecap_1 cr_orangecap_2 cr_orangecap_3 cr_orangecap_4 cr_pinkcap_1 cr_pinkcap_2 cr_pinkcap_3 cr_pinkcap_4 cr_salicyl_1 cr_salicyl_2 cr_salicyl_3 cr_salicyl_4 STDEV Maxima Detect Fitting Waktu (s) 0,6456 27 Circle v 4,89683 0.69998 29 Circle v 5,176 0.4023 28 Circle v 4,91043 0.668393 42 Circle v 5,19941 0,51559 29 Circle v 4,58726 0,62354 32 Circle v 4,32597 0,57055 27 Circle v 4,69655 0,46074 34 Circle v 5,10017 1,02993 33 Ellipse v 0,437202 0,87597 29 Ellipse v 0,87597 0,54535 36 Circle v 5,04414 0,47479 39 Circle v 4,88425 0,28838 28 Circle v 6,04999 0,47752 29 Circle v 5,49258 0.367025 31 Circle v 6,15191 0,50073 41 Circle v 5,70872 0 0 x x 0 0,50813 27 Circle v 3,56898 0 0 x x 0 0,50145 26 Circle v 3,12121

D-5

D.9 Hasil Uji Citra Objek Lingkaran Ukuran Besar


No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Nama (*.bmp) cr_basketball_1 cr_basketball_2 cr_basketball_3 cr_basketball_4 cr_greenplate_1 cr_greenplate_2 cr_greenplate_3 cr_greenplate_4 cr_redcap_1 cr_redcap_2 cr_redcap_3 cr_redcap_4 cr_redplate_1 cr_redplate_2 cr_redplate_3 cr_redplate_4 cr_tennisball_1 cr_tennisball_2 cr_tennisball_3 cr_tennisball_4 STDEV Maxima Detect Fitting Waktu (s) 40,6166 30 Ellipse x 0,0308646 28,8164 56 Ellipse v 3,56781 18,7549 130 Ellipse v 3,70182 20,5186 107 Ellipse v 2,98386 0,58837 36 Circle v 7,42387 0,45015 41 Circle v 7,74267 0,56238 42 Circle v 7,31336 0,5009 38 Circle v 7,33041 0,50102 38 Circle v 7,48442 0,49932 49 Circle v 6,8647 0.478323 40 Circle v 6,89277 0,38468 37 Circle v 7,30774 0,47609 43 Circle v 8,7268 0,79244 54 Circle v 8,47362 1,08917 65 Ellipse v 1,16178 0,42874 53 Circle v 8,4133 0.786958 46 Circle v 6,90397 2,44221 38 Ellipse v 0.919254 1,27627 36 Ellipse v 1,07663 1,60113 55 Ellipse v 0,926271

D.10 Hasil Uji Citra Objek Elips Ukuran Kecil


No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Nama (*.bmp) el_bluecap_1 el_bluecap_2 el_bluecap_3 el_bluecap_4 el_egg_1 el_egg_2 el_egg_3 el_egg_4 el_goldcap_1 el_goldcap_2 el_goldcap_3 el_goldcap_4 el_redcap_1 el_redcap_2 el_redcap_3 el_redcap_4 el_yellowcap_1 el_yellowcap_2 el_yellowcap_3 el_yellowcap_4 STDEV Maxima Detect 4,56615 47 Ellipse 4,72559 37 Ellipse 4,57215 35 Ellipse 4,26626 45 Ellipse 1,63477 27 Ellipse 1,61852 24 Ellipse 2,68646 32 Ellipse 1,82537 30 Ellipse 18,3735 49 Ellipse 18,5508 38 Ellipse 18,5508 38 Ellipse 3,86451 33 Ellipse 19,049 31 Ellipse 2,13542 33 Ellipse 13,5445 27 Ellipse 13,9743 30 Ellipse 5,86385 47 Ellipse 5,75002 48 Ellipse 6,7749 44 Ellipse 6,2775 47 Ellipse Fitting Waktu (s) v 0,179971 v 0,180576 v 0,107433 v 0,175804 v 0,10941 v 0,111021 v 0,144543 v 0,127078 v 0,592912 v 0,513417 v 0,503089 v 0,206813 v 0,328807 v 0,112804 v 0,373588 v 0,446808 v 0,273219 v 0,254625 v 0,307415 v 0,292184

D-6

D.11 Hasil Uji Citra Objek Elips Ukuran Sedang


No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Nama (*.bmp) el_goldplate_1 el_goldplate_2 el_goldplate_3 el_goldplate_4 el_nutella_1 el_nutella_2 el_nutella_3 el_nutella_4 el_pinkbox_1 el_pinkbox_2 el_pinkbox_3 el_pinkbox_4 el_purplecap_1 el_purplecap_2 el_purplecap_3 el_purplecap_4 el_soap_1 el_soap_2 el_soap_3 el_soap_4 STDEV Maxima Detect 4,16827 36 Ellipse 0 0 x 0 0 x 4,5652 39 Ellipse 4,25925 40 Ellipse 2,6682 33 Ellipse 30,4445 40 Ellipse 2,80139 33 Ellipse 4,05023 30 Ellipse 3,89236 32 Ellipse 2,85527 42 Ellipse 5,11164 32 Ellipse 3,48443 36 Ellipse 3,54556 45 Ellipse 3,87414 38 Ellipse 3,89288 35 Ellipse 4,14709 33 Ellipse 5,42261 38 Ellipse 4,22902 50 Ellipse 0 0 x Fitting Waktu (s) v 0,500088 x 0 x 0 v 0,679148 v 0,168658 v 0,117768 v 0,165879 v 0,196283 v 0,258147 v 0,256055 x 0,225348 v 0,308979 v 0,187471 v 0,198201 v 0,205194 v 0,18917 v 0,201497 x 0,152929 v 0,259201 x 0

D.12 Hasil Uji Citra Objek Elips Ukuran Besar


No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Nama (*.bmp) el_blueplate_1 el_blueplate_2 el_blueplate_3 el_blueplate_4 el_bluewhiteplate_1 el_bluewhiteplate_2 el_bluewhiteplate_3 el_bluewhiteplate_4 el_greenplate_1 el_greenplate_2 el_greenplate_3 el_greenplate_4 el_greenwhiteplate_1 el_greenwhiteplate_2 el_greenwhiteplate_3 el_greenwhiteplate_4 el_redplate_1 el_redplate_2 el_redplate_3 el_redplate_4 STDEV Maxima Detect 7,20438 51 Ellipse 7,05557 57 Ellipse 5,93792 48 Ellipse 6,88497 49 Ellipse 0 0 x 0 0 x 0 0 x 0 0 x 7,22172 44 Ellipse 6,85235 42 Ellipse 6,9155 47 Ellipse 7,03326 52 Ellipse 9,71953 58 Ellipse 8,42511 67 Ellipse 8,42118 65 Ellipse 8,38764 64 Ellipse 7,17229 61 Ellipse 7,0748 45 Ellipse 7,19415 66 Ellipse 7,38901 43 Ellipse Fitting Waktu (s) v 0,730078 v 0,780971 v 0,923998 v 0,827403 x 0 x 0 x 0 x 0 v 0,654209 v 0,643089 v 0,636294 v 0,636344 v 0,937642 v 0,997311 v 0,993651 v 0,982314 v 0,722236 v 0,694373 v 0,704295 v 0,71783

D-7

LAMPIRAN E

E.1 Perbandingan Deteksi Kurva dengan Poligon

E-1

LAMPIRAN F

F.1

Tampilan Program Utama

Keterangan : 1. Step 1 : panel pemilihan akuisisi citra sebagai masukan sistem 2. Step 2 : panel untuk tahap preprocessing 3. Step 3 : panel pendeteksian jenis bangun 4. Step 4 : panel untuk merekonstruksi bangun hasil pendeteksian

F-1

F.2

Listing Program
switch valpop case 1 im_noise = im_input; set(handles.slider2,'visible','of f'); axes(handles.axes3); imshow(im_noise); save input.mat im_input im_noise case 2 im_noise = imnoise(im_input,'poisson'); set(handles.slider2,'visible','of f'); axes(handles.axes3); imshow(im_noise); save input.mat im_input im_noise case 3 im_noise = imnoise(im_input,'salt & pepper',get(handles.slider2,'valu e')); set(handles.slider2,'visible','on '); set(handles.text38,'string','nois e density :'); axes(handles.axes3); imshow(im_noise); save input.mat im_input im_noise case 4 im_noise = imnoise(im_input,'speckle',get(ha ndles.slider2,'value')); set(handles.slider2,'visible','on '); set(handles.text38,'string','vari ance :'); axes(handles.axes3); imshow(im_noise); save input.mat im_input im_noise case 5 im_noise = imnoise(im_input,'gaussian',0,get (handles.slider2,'value')); set(handles.slider2,'visible','on ');

%%Initiation (Activate Webcam)%% global movie; axes(handles.axes3); movie=videoinput('winvideo',1,'YU Y2_640x480');%imaqhwinfo set(movie,'ReturnedColorSpace','r gb'); set(movie,'LoggingMode','memory') ; set(movie,'TriggerRepeat',Inf); set(movie,'FramesPerTrigger',1); triggerconfig(movie, 'manual'); z=image(zeros(480,640,3)); preview(movie,z); %% Load Image %% [f,p]=uigetfile('*.bmp', 'Choose Your Saved Image', 'D:\#TUGAS AKHIR\TA Andri Pranata Kusuma\Bismillahirrahmaanirrahim TA\Citra'); if (ischar(f) & ischar (p))==1 im_input=imread([p,f]); im_noise=im_input; axes(handles.axes3); set(handles.edit1,'string',f); imshow(im_input); save input.mat im_input im_noise end %%Capture from Webcam %% global movie; vid = movie; start(vid); pause(1); trigger(vid); stoppreview(vid); im_input = getdata(vid); imwrite(im_input, 'captured.bmp'); save input.mat im_input stop(vid); axes(handles.axes3); set(handles.edit1,'string','captu red.bmp'); imshow(im_input); %%Select Noise%% load input.mat im_input valpop=get(handles.popupmenu1,'va lue');

F-2

set(handles.text38,'string','vari ance :'); axes(handles.axes3); imshow(im_noise); save input.mat im_input im_noise case 6 im_noise = imnoise(im_input,'gaussian',get(h andles.slider2,'value'),0.01); set(handles.slider2,'visible','on '); set(handles.text38,'string','mean :'); axes(handles.axes3); imshow(im_noise); save input.mat im_input im_noise end %%PREPROCESSING %% load input.mat im_noise y0=im_noise set(handles.figure1,'currentaxes' ,handles.axes4); imshow(y0); pause(0.1); set(handles.edit2, 'String', 'Image Input' ); %% GRAYSCALE and BW %% pause(1); yhsv = rgb2hsv(y0); imshow(yhsv); pause(0.1); set(handles.edit2, 'String', 'HSV Color Space...'); pause(1); level=graythresh(yhsv); ybw=im2bw(yhsv, level); imshow(ybw); pause(0.1); set(handles.edit2, 'String', 'Thresholding...' ); %% FILLING %% pause(1); y1=imfill(ybw,'holes'); pause(0.1); imshow(y1); pause(0.1); set(handles.edit2, 'String', 'Filling...' ); %% ERODE %% pause(1); se=strel('disk',10); y2=imerode(y1,se);

imshow(y2); pause(0.1); set(handles.edit2, 'String', 'Erode...'); %% OPENING %% pause(1); citra_open=bwareaopen(y2,1000); imshow(citra_open); pause(0.1); set(handles.edit2, 'String', 'Opening...'); %% DILATION %% pause(1); se=strel('disk',10); y3=imdilate(citra_open,se); imshow(y3); pause(0.1); set(handles.edit2, 'String', 'Dilation...'); %% EDGE DETECTION %% pause(1); y4=edge(y3,'canny'); imshow(y4); pause(0.1); set(handles.edit2, 'String', 'Edge Detection...' ); %% THINNING %% pause(1); y5=bwmorph(y4,'thin',Inf); imshow(y5); pause(0.1); set(handles.edit2, 'String', 'Edge Thinning...'); figure;imshow(y5); save tepi.mat y5 im_noise %% STANDARD HOUGH TRANSFORM ALGORITHM %% % UNTUK MENGKLASIFIKASIKAN OBJEK LINGKARAN DAN ELIPS load tepi.mat y5 im_noise global X [H,theta,rho] = hough(y5); axes(handles.axes5); X=imadjust(mat2gray(H)),[],'XData ',theta,'YData',rho,... 'InitialMagnification','fit'; imshow(X); xlabel('\theta (degrees)'), ylabel('\rho'); axis on, axis normal, hold on; colormap(hot) maxima=max(max(H)); set(handles.editmaxima,'string',m axima);

F-3

%% PENGKLASIFIKASIAN HASIL DETEKSI SHT %% capt = getframe(handles.axes5); citra_capture = capt.cdata; % Pre-processing untuk mendapatkan standar deviasi citra_capture = rgb2gray(citra_capture); level=0.2; citra_capture_bw = im2bw(citra_capture,level); [jml_bar jml_kol] = size(citra_capture_bw); lebar = []; for i = 1:jml_kol atas = find(citra_capture_bw(:,i) > 0, 1, 'first'); bawah = find(citra_capture_bw(:,i) > 0, 1, 'last'); if (~isempty(atas) && ~isempty(bawah)) lebar(i) = bawah - atas; end end nonzero=find(lebar); lebarnonzero=lebar(nonzero); lebar_rata = mean(lebarnonzero) lebar_std = std(lebarnonzero) set(handles.editstdev,'string',le bar_std); if lebar_std<=0.8 set(handles.editdeteksi,'string', 'Circle'); else set(handles.editdeteksi,'string', 'Ellipse'); end save hasil_hough.mat H y5 im_noise lebar_std %% Fitting (Rekonstruksi) Lingkaran dan Elips %% load hasil_hough.mat y5 H im_noise lebar_std if lebar_std<=0.8 %%UNKNOWN RADIUS CHT %% tic deret_R = 40:5:170;

deret_maxval = []; % Cari R yang memiliki penumpukan nilai a dan b yang maksimum for j = deret_R [y,x]=find(y5); [sy,sx]=size(y5); % variabel totalpix untuk mengetahui jumlah "1" dalam citra totalpix = length(x); % Alokasi Memori untuk Hough matrix. dan atur nilai R HM = zeros(sy*sx,1); R = j; R2 = R.^2; % Circular Hough Transform. % Persiapkan matrix untuk penghitungan b = 1:sy; a = zeros(sy,totalpix); y = repmat(y',[sy,1]); x = repmat(x',[sy,1]); b1 = repmat(b',[1,totalpix]); b2 = b1; % PERSAMAAN LINGKARAN r^2 = (xa)^2+(y-b)^2 dg a,b adalah titik pusat % mengahasilkan 2 kemungkinan nilai "a" a1 = (round(x - sqrt(R2 - (y b1).^2))); a2 = (round(x + sqrt(R2 - (y b2).^2))); % Menghapus semua nilai yang tidak valid pada matrix a dan b b1 = b1(imag(a1)==0 & a1>0 & a1<sx); a1 = a1(imag(a1)==0 & a1>0 & a1<sx); b2 = b2(imag(a2)==0 & a2>0 & a2<sx); a2 = a2(imag(a2)==0 & a2>0 & a2<sx); ind1 = sub2ind([sy,sx],b1,a1); ind2 = sub2ind([sy,sx],b2,a2); ind = [ind1; ind2]; % Rekonstruksi Hough matrix val = ones(length(ind),1); data=accumarray(ind,val); HM(1:length(data)) = data; HM2 = reshape(HM,[sy,sx]); HM2_bw = (HM2>(2/5*R)); [HM2_label jml_lingkaran] = bwlabel(HM2_bw); maxval = []; for i = 1:jml_lingkaran pusat_bw = (HM2_label == i);

F-4

pusat_lingkar = pusat_bw .* HM2; % MENEMUKAN LINGKARAN DG RADIUS R maxval(i) maxind] = max(max(pusat_lingkar)); [B,A] = find(pusat_lingkar==maxval(i)); end deret_maxval = [deret_maxval max(maxval)]; end [best_maxval best_idx] = max(deret_maxval); [y,x]=find(y5); [sy,sx]=size(y5); % variabel totalpix untuk mengetahui jumlah "1" dalam citra totalpix = length(x); % alokasi awal untuk hough matrix, R terbaik didapat dari pencarian R lewat % tahap diatas HM = zeros(sy*sx,1); R = deret_R(best_idx); R2 = R^2; %% Hough Transform % a. menyiapkan matrix perhitungan b = 1:sy; a = zeros(sy,totalpix); y = repmat(y',[sy,1]); x = repmat(x',[sy,1]); b1 = repmat(b',[1 totalpix]); b2 = b1; % persamaan lingkaran untuk mencari nilai a a1 = (round(x - sqrt(R2 - (y b1).^2))); a2 = (round(x + sqrt(R2 - (y b2).^2))); % menghilangkan nilai yang tidak valid pada matrix a dan b b1 = b1(imag(a1)==0 & a1>0 & a1<sx); a1 = a1(imag(a1)==0 & a1>0 & a1<sx); b2 = b2(imag(a2)==0 & a2>0 & a2<sx); a2 = a2(imag(a2)==0 & a2>0 & a2<sx);

ind1 = sub2ind([sy,sx],b1,a1); ind2 = sub2ind([sy,sx],b2,a2); ind = [ind1; ind2]; % Rekonstruksi matriks hough val = ones(length(ind),1); data=accumarray(ind,val); HM(1:length(data)) = data; HM2 = reshape(HM,[sy,sx]); waktu=toc % menemukan lokasi lingkaran dengan radius R [maxval, maxind] = max(max(HM2)); [B,A] = find(HM2==maxval); axes(handles.axes6); imshow(im_noise); hold on; plot(mean(A),mean(B),'xr') t = 0:pi/20:2*pi; mA=mean(A); mB=mean(B); xdata = (mA+R.*cos(t))'; ydata = (mB+R.*sin(t))'; plot(xdata,ydata,'color','green') ; set(handles.edit6,'string',waktu) ; set(handles.edit10,'string',R); set(handles.edit22,'string',mA); set(handles.edit23,'string',mB); else %% Elliptical Hough Transform %% tic minMajorAxis = 10 maxMajorAxis = 1000; maxRotation = pi randomize = true uniformWeights = true eps = 0.0001; bestMatch = 0; [Y,X]=find(y5); N = length(Y); dX = repmat(X,[1 N])-repmat(X',[N 1]); dY = repmat(Y,[1 N])-repmat(Y',[N 1]); dists = sqrt( dX.^2 + dY.^2 ); distsU = triu(dists);

F-5

alphas = atan( dY./dX ); %dapatkan semua pasangan yang cocok [I,J] = find(distsU>=minMajorAxis & distsU<=maxMajorAxis & abs(alphas)<=maxRotation); npairs = length(I); if randomize perm = randperm(npairs); pairSubset = perm(1:min(npairs,N*2)); else pairSubset = 1:npairs; end for p=pairSubset x1=X(I(p)); y1=Y(I(p)); x2=X(J(p)); y2=Y(J(p)); %center & major ax x0=(x1+x2)/2; y0=(y1+y2)/2; a = dists(I(p),J(p))/2; thirdPtDistsSq = sum( ([X Y] repmat([x0 y0],[N 1])).^2, 2); K = find(thirdPtDistsSq <= a^2); %minor ax untuk semua titik yg didapat fSq = (X(K)-x2).^2 + (Y(K)y2).^2; cosTau = (a^2 + thirdPtDistsSq(K) - fSq) ./ (2*a*sqrt(thirdPtDistsSq(K))); cosTau = min(1,max(-1,cosTau)); sinTauSq = 1 - cosTau.^2; b = sqrt( (a^2 * thirdPtDistsSq(K) .* sinTauSq) ./ (a^2 - thirdPtDistsSq(K) .* cosTau.^2 + eps) ); %proper bins for b idxs = ceil(b+eps); if uniformWeights weights = 1; else weights = img(sub2ind(size(img),Y(K),X(K))) ; end accumulator = accumarray(idxs, weights, [maxMajorAxis 1]);

accumulator = conv(accumulator,[1 1 1]/3,'same'); [score, idx] = max(accumulator); if (bestMatch(end) < score) bestMatch = [x0 y0 a idx alphas(I(p),J(p)) score]; end end waktu=toc %% Bentuk elips dari parameter yang ditemukan %% axes(handles.axes6); imshow(im_noise); hold on; h=ellipse(bestMatch(3),bestMatch( 4),bestMatch(5),bestMatch(1),best Match(2),'r'); plot(h); plot(bestMatch(1),bestMatch(2),'x r');

set(handles.edit6,'string',waktu) ; set(handles.edit14,'string',bestM atch(1)); set(handles.edit15,'string',bestM atch(2)); set(handles.edit16,'string',bestM atch(3)); set(handles.edit17,'string',bestM atch(4)); set(handles.edit18,'string',bestM atch(5)); end %fungsi untuk merekonstruksi elips function h=ellipse(ra,rb,ang,x0,y0,C,Nb) if nargin<1, ra=[]; end; if nargin<2, rb=[]; end; if nargin<3,

F-6

ang=[]; end; %if nargin==1, % error('Not enough arguments'); %end; if nargin<5, x0=[]; y0=[]; end; if nargin<6, C=[]; end if nargin<7, Nb=[]; end % set up the default values if isempty(ra),ra=1;end; if isempty(rb),rb=1;end; if isempty(ang),ang=0;end; if isempty(x0),x0=0;end; if isempty(y0),y0=0;end; if isempty(Nb),Nb=300;end; if isempty(C),C=get(gca,'colororder' );end; % work on the variable sizes x0=x0(:); y0=y0(:); ra=ra(:); rb=rb(:); ang=ang(:); Nb=Nb(:); if isstr(C),C=C(:);end; if length(ra)~=length(rb), error('length(ra)~=length(rb)'); end; if length(x0)~=length(y0), error('length(x0)~=length(y0)'); end; % how many inscribed elllipses are plotted if length(ra)~=length(x0) maxk=length(ra)*length(x0); else

maxk=length(ra); end; % drawing loop for k=1:maxk if length(x0)==1 xpos=x0; ypos=y0; radm=ra(k); radn=rb(k); if length(ang)==1 an=ang; else an=ang(k); end; elseif length(ra)==1 xpos=x0(k); ypos=y0(k); radm=ra; radn=rb; an=ang; elseif length(x0)==length(ra) xpos=x0(k); ypos=y0(k); radm=ra(k); radn=rb(k); an=ang(k) else rada=ra(fix((k1)/size(x0,1))+1); radb=rb(fix((k1)/size(x0,1))+1); an=ang(fix((k1)/size(x0,1))+1); xpos=x0(rem(k1,size(x0,1))+1); ypos=y0(rem(k1,size(y0,1))+1); end; co=cos(an); si=sin(an); the=linspace(0,2*pi,Nb(rem(k1,size(Nb,1))+1,:)+1); h(k)=line(radm*cos(the)*cosi*radn*sin(the)+xpos,radm*cos(th e)*si+co*radn*sin(the)+ypos); set(h(k),'color',C(rem(k1,size(C,1))+1,:)); end;

%% ======= RESET ALL ========= %%

F-7

set(findobj('Tag','edit1'),'Strin g',''); set(findobj('Tag','edit2'),'Strin g',''); set(findobj('Tag','editstdev'),'S tring',''); set(findobj('Tag','editdeteksi'), 'String',''); set(findobj('Tag','edit6'),'Strin g',''); set(findobj('Tag','edit10'),'Stri ng',''); set(findobj('Tag','edit14'),'Stri ng',''); set(findobj('Tag','edit15'),'Stri ng',''); set(findobj('Tag','edit16'),'Stri ng',''); set(findobj('Tag','edit17'),'Stri ng',''); set(findobj('Tag','edit18'),'Stri ng',''); set(findobj('Tag','edit22'),'Stri ng',''); set(findobj('Tag','edit23'),'Stri ng',''); hold off; axes(handles.axes3);cla reset; set (handles.axes3,'Xtick',[],'Ytick' ,[]) axes(handles.axes4);cla reset; set (handles.axes4,'Xtick',[],'Ytick' ,[]) axes(handles.axes5);cla reset; set (handles.axes5,'Xtick',[],'Ytick' ,[]) axes(handles.axes6);cla reset; set (handles.axes6,'Xtick',[],'Ytick' ,[])

F-8

Anda mungkin juga menyukai