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

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

FAKULTAS ELEKTRO DAN KOMUNIKASI INSTITUT TEKNOLOGI TELKOM BANDUNG

2013

INSTITUT TEKNOLOGI TELKOM No. Dokumen ITT-AK-FEK-PTT-PTT-FM-001/004

INSTITUT TEKNOLOGI TELKOM

No. Dokumen

ITT-AK-FEK-PTT-PTT-FM-001/004

Jl. Telekomunikasi No. 1 Ters. Buah Batu Bandung 40257

No. Revisi

00

 

FORMULIR LEMBAR PENGESAHAN TUGAS AKHIR

Berlaku Efektif

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

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

Pembimbing II

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

INSTITUT TEKNOLOGI TELKOM No. Dokumen ITT-AK-FEK-PTT-PTT-FM-001/004

INSTITUT TEKNOLOGI TELKOM

No. Dokumen

ITT-AK-FEK-PTT-PTT-FM-001/004

Jl. Telekomunikasi No. 1 Ters. Buah Batu

   

Bandung 40257

No. Revisi

00

 

FORMULIR PERNYATAAN ORISINALITAS

Berlaku Efektif

02

Mei 2011

HALAMAN PERNYATAAN ORISINALITAS

NAMA

: ANDRI PRANATA KUSUMA

NIM

: 111090175

ALAMAT

: 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.

INSTITUT TEKNOLOGI TELKOM No. Dokumen ITT-AK-FEK-PTT-PTT-FM-001/004 Jl. Telekomunikasi No. 1 Ters. Buah Batu Bandung 40257 No.

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

KATA PENGANTAR

KATA PENGANTAR Segala puji dan syukur sedalam-dalamnya penulis panjatkan ke hadapan Allah SWT, karena berkat rahmat,

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

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.

  • 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

......................................................................................................... LEMBAR PENGESAHAN

...........................................................................................

i

ii

LEMBAR PERYATAAN ORISINALITAS

.................................................................

iii

LEMBAR PERSEMBAHAN ABSTRAK

........................................................................................

....................................................................................................................

iv

v

ABSTRACT

....................................................................................................................

vi

KATA PENGANTAR

................................................................................................... UCAPAN TERIMA KASIH

.........................................................................................

vii

viii

DAFTAR ISI

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

.....................................................................................................

x

xiii

DAFTAR TABEL

......................................................................................................... DAFTAR PERSAMAAN

.............................................................................................

xv

xvi

DAFTAR ISTILAH

....................................................................................................... DAFTAR SINGKATAN

...............................................................................................

xvii

xix

BAB I PENDAHULUAN

..............................................................................................

1

1.1

1.2

1.3

Latar Belakang

.......................................................................................................

1

Tujuan

....................................................................................................................

2

Manfaat

...................................................................................................................

2

  • 1.4 Perumusan masalah

................................................................................................

2

  • 1.5 Batasan Masalah

.....................................................................................................

3

  • 1.6 Metodologi Penelitian

............................................................................................

3

  • 1.7 Sistematika Penulisan

............................................................................................

4

  • 1.8 Jadwal Pelaksanaan

................................................................................................

5

BAB II DASAR TEORI

................................................................................................

6

2.1

2.2

Citra Digital

............................................................................................................

6

Citra RGB

..............................................................................................................

7

  • 2.3 Model Warna HSV

.................................................................................................

7

  • 2.4 Operasi Batas Ambang (Thresholding)

..................................................................

8

  • 2.5 Deteksi Tepi

...........................................................................................................

9

  • 2.6 Operasi Morfologi dalam Citra Digital 2.6.1 Operasi Dilasi dan Erosi

..................................................................

...............................................................................

9

10

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

Lingkaran

  • 2.8 ...............................................................................................................

13

Elips

  • 2.9 .......................................................................................................................

14

2.10 Derau

15

BAB III PERANCANGAN SISTEM

16

  • 3.1 Masukan Sistem

17

  • 3.2 Derau/Gangguan

18

  • 3.3 Pemrosesan Awal

...................................................................................................

19

  • 3.4 Algoritma Transformasi Hough Standar (SHT)

.....................................................

21

  • 3.5 Analisis SHT dalam Membedakan Elips dan Lingkaran

.......................................

24

  • 3.6 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 Proses Pengujian

....................................................................................................

31

  • 4.2 Deteksi pada Citra yang dibangkitkan Komputer

32

  • 4.3 Deteksi pada Citra yang di-capture Webcam

........................................................

33

  • 4.4 Analisis Hasil Deteksi dan Kesalahan pada Citra Komputer dan Webcam

34

  • 4.5 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

BAB V PENUTUP

.........................................................................................................

47

Kesimpulan

  • 5.1 ............................................................................................................

47

  • 5.2 .......................................................................................................................

Saran

48

DAFTAR PUSTAKA

...................................................................................................... DAFTAR LAMPIRAN LAMPIRAN

.................................................................................................

xx

xxii

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

thresholding (kanan)

8

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

14

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

21

22

22

23

23

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

merekonstruksi lingkaran .......................................................................... Gambar 3.15 Hasil rekonstruksi dengan algoritma TransformasiHough

27

untuk lingkaran

28

Gambar 3.16 Diagram alir Algoritma Transformasi Hough untuk mendeteksi dan

merekonstruksi elips

29

29

30

Gambar 4.1 Rincian citra input

31

33

34

38

38

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

41

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

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

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

40

Tabel 4.5 Hasil Uji Derau Speckle dengan Berbagai Variance

41

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

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

DAFTAR ISTILAH

Accumulator Array

Tabel yang digunakan untuk meletakkan

Computer Vision

parameter Transformasi Hough yaitu parameter dari objek yang ingin dideteksi dan bertambah jika terdapat suatu kondisi yang terpenuhi. Proses otomatis yang mengintegrasikan

Eksentrisitas Elips ( e )

sejumlah besar proses persepsi visual seperti akuisisi citra, pengolahan citra, pengenalan, dan pembuat keputusan. Derajat kepipihan elips, secara teoretis

Fitting

0 e <1semakin mendekati 1 maka elips akan semakin pipih. Proses rekonstruksi dan pengepasan

Local Maxima

sebuah objek. 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

Standar Deviasi

proses visual seperti pada indera manusia. Metode statistik yang digunakan untuk melihat homogenitas dari sebuah kelompok.

Threshold

Suatu nilai (bisa lebih dari 1)

batas

ambang yang biasa digunakan untuk

proses pengklasifikasian.

Transformasi Hough Standar (SHT)

Transformasi yang digunakan untuk

mengubah domain citra menjadi domain ( ρ,θ ) untuk mendeteksi keberadaan garis. Transformasi Hough dimodifikasi (MHT) Transformasi hough yang dimodifikasi untuk mendeteksi dan merekonstruksi suatu objek tertentu.

DAFTAR SINGKATAN

B i

: Blue Input

BMP : Windows Bitmap Image File

B o

: Blue Output

CHT : Circular Hough Transform

EHT : Elliptical Hough Transform

G

i

: Green Input

G

o

: Green Output

GST : Gray Scale Transformation HSV : Hue, Saturation, Value MHT : Modified Hough Transform

RGB : Red Green Blue

R

i

: Red Input

R

o

: Red Output

SHT : Standard Hough Transform

Strel : Structuring Element

xix

  • 1.1 Latar Belakang

BAB I PENDAHULUAN

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

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.

  • 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

    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 analisis–analisis skenario yang telah

    dilakukan dan saran untuk pengembangan lebih lanjut.

    1.8

    Jadwal Pelaksanaan

    Sep-12 Okt-12 Nop-12 Des-12 Jan-13 No Kegiatan 1 2 3 4 1 2 3 4 1
    Sep-12
    Okt-12
    Nop-12
    Des-12
    Jan-13
    No
    Kegiatan
    1
    2
    3
    4 1
    2
    3 4
    1 2
    3 4
    1
    2 3
    4
    1 2
    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
    • 2.1 Citra Digital [9]

    BAB II DASAR TEORI

    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 x y =

    ,

    (

    )

    f

    (0,0)

    f

    (1,0)

    ...

    f N

    (

    1,0)

    f

    (0,1)

    ...

    ...

    ...

    ...

    ...

    f N

    (

    1,1) ...

    f

    (0,

    M

    f M

    (1,

    ...

    f N

    (

    1,

    M

    1)

    1)

    1)

    Dan bila matriks tersebut diubah dalam bentuk matematisnya, maka:

    f(x,y)=

    2.1 Citra Digital BAB II DASAR TEORI Citra digital merupakan citra yang dapat diolah oleh komputer.
    1 2 3 4 5 X 1 0 0 25 70 83 f(1,3) 2 0 15
    1
    2
    3 4
    5
    X
    1
    0
    0
    25
    70
    83
    f(1,3)
    2
    0
    15
    17
    26
    76
    3
    0
    31
    25
    21
    61
    4
    0 2
    1 17
    22
    5
    0 14
    28 52
    65
    f(5,1)

    Y

    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.

    2.2 Citra RGB Citra RGB, yang biasa disebut juga citra “ true color ”, disimpan dalam

    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.

    • 2.3 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.

    Gambar 2.3 Model Warna HSV Karena model warna HSV merupakan model warna yang diturunkan dari model

    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%.

    • 2.4 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 = fR R

    0

    (

    i

    ),

    G = fG G

    0

    (

    i

    ),

    B = fB B

    0

    (

    i

    )

    (2.1)

    Gambar 2.3 Model Warna HSV Karena model warna HSV merupakan model warna yang diturunkan dari model
    Gambar 2.3 Model Warna HSV Karena model warna HSV merupakan model warna yang diturunkan dari model
    Gambar 2.3 Model Warna HSV Karena model warna HSV merupakan model warna yang diturunkan dari model

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

    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. Untuk meningkatkan penampakan garis batas suatu daerah dalam citra

    • 2. 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 (2 nd 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.

    2.5 Deteksi Tepi Tepi ( edge ) adalah bagian dari citra di mana intensitas kecerahan berubah
    2.5 Deteksi Tepi Tepi ( edge ) adalah bagian dari citra di mana intensitas kecerahan berubah

    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.

    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. Letakkan titik poros S pada titik A tersebut

    • 2. 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. letakkan titik poros S pada titik A tersebut

    • 2. jika ada bagian dari S yang berada di luar A, maka titik poros dihapus/dijadikan latar

    2.6.1 Operasi Dilasi dan Erosi Dilasi dan erosi merupakan proses operasi morfologi dalam pengolahan citra digital.
    2.6.1 Operasi Dilasi dan Erosi Dilasi dan erosi merupakan proses operasi morfologi dalam pengolahan citra digital.
    2.6.1 Operasi Dilasi dan Erosi Dilasi dan erosi merupakan proses operasi morfologi dalam pengolahan citra digital.

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

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

    Sama dengan fungsi dilate fungsi erode juga menggunakan (elemen penstruktur). Gambar 2.7 Macam-macam elemen penstruktur (strel)

    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.

    Sama dengan fungsi dilate fungsi erode juga menggunakan (elemen penstruktur). Gambar 2.7 Macam-macam elemen penstruktur (strel)

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

    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(θ, ρ)= A(x, y)δ (ρ x cosθ y sinθ)dxdy

    −∞ −∞

    (2.4)

    di mana adalah fungsi delta-Dirac. Dengan A (x, y), setiap titik (x, y) dalam gambar asli, A, berubah menjadi ρ = x cosθ + y sinθ , dimana adalah jarak tegak lurus dari asal

    garis pada sudut θ (sudut θ akan dibatasi untuk θ negatif).

    0 < θ < π yang dapat menghasilkan nilai

    2.7 Transformasi Hough Transformasi Hough adalah teknik ekstraksi fitur yang digunakan dalam proses pengolahan citra digital.

    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 = (θ, ρ)yang memberikan jumlah sinusoid yang melintasi di titik(θ,ρ), dan jumlah total poin yang terbentuk, dapat membentuk garis pada gambar asli. Dengan memilih

    threshold/T untuk H(θ,ρ)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 = x

    m

    min

    + mx

    y = y = y

    n

    min

    + ny

    θ θ

    =

    t

    =

    θ

    min

    + t

    θ

    ρ ρ

    =

    r

    =

    ρ

    min

    +r

    ρ

    m =

    0,1, ,

    K

    M

    1

    n =

    0,1, ,

    K

    N

    1

    t =

    0,1, ,

    K

    T

    1

    r =

    0,1, ,

    K

    R

    1

    (2.5)

    (2.6)

    (2.7)

    (2.8)

    Transformasi Hough diskrit digunakan untuk pemrosesan citra digital dengan melakukan sampling pada setiap komponen citra tersebut. Hough diskrit dapat didefinisikan dengan persamaan berikut:

    H (θ , ρ)

    =

    ∑∑

    A δ (ρ,[ρ'])

    mn

    m

    n

    (2.9)

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

    ρ' (

    = mx + x

    min

    ) cosθ (

    + ny + y

    min

    )sinθ

    (2.10)

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

    δ(ρ,[ρ'])

    threshold/ T untuk H ( θ , ρ ) dan dengan menggunakan fungsi invers Hough, bisa
    • 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 x ) + ( y y ) = R

    0

    0

    2

    2

    2

    (2.12)

    Dengan

    R

    adalah

    jari-jari

    lingkaran

    dan

    (

    x y

    0

    ,

    0

    ) adalah koordinat pusat

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

    2 2 2 x + y = R
    2
    2
    2
    x
    + y = R

    Gambar 2.10 Lingkaran

    (2.13)

    Persamaan Lingkaran dapat pula dirumuskan dalam suatu persamaan parametrik,

    yaitu

    x = x + R cosθ

    0

    y = y + R sinθ

    0

    (2.14)

    (2.15)

    yang apabila dibiarkan menjalani t akan dibuat suatu lintasan berbentuk lingkaran dalam ruang x-y.

    2.9 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.

    Dengan adalah jari-jari lingkaran dan ( x y 0 , 0 ) adalah koordinat pusat lingkaran.Jika

    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 (PF

    1

    +

    PF 2a)

    2

    =

    .

    Eksentrisitas elips, yang biasanya dinotasikan dengan ε atau e, adalah rasio dari jarak antara titik fokus terhadap panjang dari sumbu utama

    e = ε =

    2 2 2 a − b f = a 1 −   b  
    2
    2
    2
    a − b
    f
    =
    a
    1 −   b  
    a
    =
    2
    a

    (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 :

    x

    2

    a

    2

    +

    y

    2

    b

    2

    = 1

    (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 (α,β ) adalah titik pusat elips selain (0,0) menjadi :

    (

    x α

    )

    2

    a

    2

    +

    (

    y

    β

    )

    2

    b

    2

    = 1

    • 2.10 Derau (Noise) [9]

    (2.18)

    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.

    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.

    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
       
     
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang
    BAB III PERANCANGAN SISTEM Secara umum sistem pendeteksian bangun komponen lingkaran atau elips dalam citra yang

    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

    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. Masing-masing citra memiliki warna yang berbeda (merah, hijau, dan biru).

      • 11. 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.

    parameter berbeda untuk mendeteksi keberadaan lingkaran dan elips. Hasil yang diharapkan kurva tertutup akan terdeteksi dan
    parameter berbeda untuk mendeteksi keberadaan lingkaran dan elips. Hasil yang diharapkan kurva tertutup akan terdeteksi dan
    parameter berbeda untuk mendeteksi keberadaan lingkaran dan elips. Hasil yang diharapkan kurva tertutup akan terdeteksi dan
    parameter berbeda untuk mendeteksi keberadaan lingkaran dan elips. Hasil yang diharapkan kurva tertutup akan terdeteksi dan
    parameter berbeda untuk mendeteksi keberadaan lingkaran dan elips. Hasil yang diharapkan kurva tertutup akan terdeteksi dan

    Gambar 3.2 Contoh citra input yang dibangkitkan oleh computer

    parameter berbeda untuk mendeteksi keberadaan lingkaran dan elips. Hasil yang diharapkan kurva tertutup akan terdeteksi dan
    parameter berbeda untuk mendeteksi keberadaan lingkaran dan elips. Hasil yang diharapkan kurva tertutup akan terdeteksi dan
    parameter berbeda untuk mendeteksi keberadaan lingkaran dan elips. Hasil yang diharapkan kurva tertutup akan terdeteksi dan
    parameter berbeda untuk mendeteksi keberadaan lingkaran dan elips. Hasil yang diharapkan kurva tertutup akan terdeteksi dan
    parameter berbeda untuk mendeteksi keberadaan lingkaran dan elips. Hasil yang diharapkan kurva tertutup akan terdeteksi dan

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

    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 10 12 . 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 10 12 . Jika matrik citra adalah single precision, maka

    faktor skalanya menggunakan 10 6 . 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:

    faktor skalanya menggunakan 10 . Jika matrik citra adalah uint8 atau uint16, maka nilai masukan piksel

    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] .

    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

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

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

    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(θ), menjadi :

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

    (3.2)

    Gambar 3.6 Representasi persamaan garis parameter rho(r), theta Dimana r (rho) adalah jarak garis dengan titik

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

    Dimana r (rho) adalah jarak garis dengan titik origin, θ adalah sudutnya. Jadi diberikan nilai x dan y, untuk setiap garis yang melalui titik (x,y) secara unik bisa direpresentasikan dengan (θ, r). θ 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, θ). Jika beberapa titik terdapat dalam sebuah garis yang sama, titik tersebut memproduksi sinusoid yang saling bersilangan dalam ruang parameter garis tersebut.

    Gambar 3.6 Representasi persamaan garis parameter rho(r), theta Dimana r (rho) adalah jarak garis dengan titik

    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

    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.

    piksel tersebut adalah sebuah tepi, maka tambahkan nilai parameter yang berkorespondensi dengan garis tersebut, yang akan

    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.

    piksel tersebut adalah sebuah tepi, maka tambahkan nilai parameter yang berkorespondensi dengan garis tersebut, yang akan

    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.

    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

    Masukan (Hasil Algoritma Transformasi Hough Standar )

       
    Masukan (Hasil Algoritma Transformasi Hough Standar ) Penghitungan Jarak Piksel Atas dengan Piksel Bawah Analisis Standar

    Penghitungan Jarak Piksel Atas dengan Piksel Bawah

       
    Masukan (Hasil Algoritma Transformasi Hough Standar ) Penghitungan Jarak Piksel Atas dengan Piksel Bawah Analisis Standar

    Analisis Standar Deviasi (STDEV)

       
    Masukan (Hasil Algoritma Transformasi Hough Standar ) Penghitungan Jarak Piksel Atas dengan Piksel Bawah Analisis Standar

    Klasifikasi hasil STDEV e≤0,8 = Lingkaran e>0,8 = Elips

       
    Masukan (Hasil Algoritma Transformasi Hough Standar ) Penghitungan Jarak Piksel Atas dengan Piksel Bawah Analisis Standar

    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 ( ρ,θ ).

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

    Gambar 3.11 Hasil Transformasi Hough standar terhadap citra lingkaran

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

    Gambar 3.12 Hasil Transformasi Hough standar terhadap citra elips

    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.

    Setelah mendapatkan hasil Transformasi Hough standar tersebut, untuk mata manusia dapat melihat secara jelas bahwa terlihat
    Setelah mendapatkan hasil Transformasi Hough standar tersebut, untuk mata manusia dapat melihat secara jelas bahwa terlihat
    Setelah mendapatkan hasil Transformasi Hough standar tersebut, untuk mata manusia dapat melihat secara jelas bahwa terlihat

    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

    Dimana:

    • x i = data ke i

    S =

    n 1 2 ∑ ( x − x ) i n − 1 i = 1
    n
    1
    2
    (
    x
    − x
    )
    i
    n − 1
    i = 1

    (3.3)

    • 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.

    Berikut rentang standar deviasi dan nilai puncak yang digunakan untuk membedakan elips dan lingkaran.(rentang ini didapat dari hasil percobaan):

    Standar deviasi <=0.8

    = Lingkaran

    Standar deviasi >0.8

    = 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 :

    Berikut rentang standar deviasi dan nilai puncak yang digunakan untuk membedakan elips dan lingkaran.(rentang ini didapat
    Berikut rentang standar deviasi dan nilai puncak yang digunakan untuk membedakan elips dan lingkaran.(rentang ini didapat

    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 (x 0 .y 0 ) 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

    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

    mendeteksi secara otomatis, maka nilai jari-jari nilainya tidak diketahui. Oleh karena itu, nilai jari-jari akan dicoba
    mendeteksi secara otomatis, maka nilai jari-jari nilainya tidak diketahui. Oleh karena itu, nilai jari-jari akan dicoba
    mendeteksi secara otomatis, maka nilai jari-jari nilainya tidak diketahui. Oleh karena itu, nilai jari-jari akan dicoba

    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

    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, (

    x

    0

    , y )

    0

    untuk

    titik pusat elips, α untuk orientasi elips, (a,b) untuk sumbu mayor dan sumbu minornya. Berikut adalah diagram alir untuk proses deteksi posisi dan rekonstruksi elips :

    Transformasi Hough yang dilapiskan ( superimposed ) terhadap citra masukan. Terlihat dari pinggir citra masukan yang
    Transformasi Hough yang dilapiskan ( superimposed ) terhadap citra masukan. Terlihat dari pinggir citra masukan yang
    Transformasi Hough yang dilapiskan ( superimposed ) terhadap citra masukan. Terlihat dari pinggir citra masukan yang
       
    Transformasi Hough yang dilapiskan ( superimposed ) terhadap citra masukan. Terlihat dari pinggir citra masukan yang
    Transformasi Hough yang dilapiskan ( superimposed ) terhadap citra masukan. Terlihat dari pinggir citra masukan yang
    Transformasi Hough yang dilapiskan ( superimposed ) terhadap citra masukan. Terlihat dari pinggir citra masukan yang
     
    Transformasi Hough yang dilapiskan ( superimposed ) terhadap citra masukan. Terlihat dari pinggir citra masukan yang

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

    Untuk setiap pasang piksel (

    x , y ) dan ( ,

    1

    1

    x y

    2

    2

    )

    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 :

    x =

    0

    (

    x

    1

    + x

    2

    )

    2

    (3.4)

    y =

    0

    (

    y + y

    1

    2

    )

    2

    (3.5)

    a =

    Transformasi Hough yang dilapiskan ( superimposed ) terhadap citra masukan. Terlihat dari pinggir citra masukan yang

    [(

    x

    1

    +

    x

    2

    )

    • 2 +

    (

    y

    1

    +

    y

    2

    )

    • 2 ]

    2

    α = tan

    1

    x

    (

    )

    +

    1

    x

    2

    (

    y + y

    1

    2

    )

    (3.6)

    (3.7)

    Dimana (

    x y

    0

    ,

    0

    ) adalah titik pusat dari elips yang di cari, a adalah separuh panjang

    dari sumbu mayor dan α merupakan orientasi elips.

    Gambar 3.17 Geometri sebuah Elips Gambar 3.15 merupakan geometri sebuah elips. f 1 dan f 2

    Gambar 3.17 Geometri sebuah Elips

    Gambar 3.15 merupakan geometri sebuah elips.

    f

    1

    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

    (

    x y

    0

    ,

    0

    ) akan lebih sedikit daripada jarak

    antara (

    x y

    1

    ,

    1

    )

    dan

    (

    x y

    0

    ,

    0

    )

    atau antara

    (

    x y

    2

    ,

    2

    )

    dan

    (

    x y

    0

    ,

    0

    )

    . Jadi setengah dari sumbu

    minor bisa diestimasi dengan persamaan sebagai berikut :

    2

    b =

    a d a d

    (

    2

    2

    2

    sin τ ) cos τ )

    2

    2

    2

    (

    Dimana cos τ adalah

    a

    2

    +

    d

    2

    f

    2

    cos τ = 

    2

    ad

    (3.8)

    (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. Masukkan seluruh piksel tepi hasil tahap preprocessing kedalam sebuah array 1 D.

    • 2. Kosongkan array akumulator.

    • 3. Untuk setiap piksel ( , ) maka lakukan tahap 4 sampai 14.

    x y

    1

    1

    • 4. Untuk setiap piksel lainnya ( , ) , jika jarak ( , )

    x y

    2

    2

    1

    1

    x y dan (

    x y

    2

    ,

    2

    )

    lebih besar dari

    jarak yang dibutuhkan setidaknya untuk sepasang piksel yang dipertimbangkan, maka lakukan tahap 5 sampai tahap 14.

    • 5. Untuk setiap pasang ( , )

    1

    1

    x y dan (

    x y

    2

    ,

    2

    )

    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 ( , ) lebih besar dari

    x y

    0

    0

    jarak yang dibutuhkan setidaknya untuk sepasang piksel yang dipertimbangkan, maka lakukan tahap ke-7 sampai 9.

    • 7. Gunakan persamaan (3.8) dan (3.9) untuk menghitung panjang sumbu minor.

    • 8. Tambahkan array akumulator untuk panjang sumbu minor dengan 1.

    • 9. Lakukan perulangan sampai seluruh piksel terhitunguntuk pasangan piksel ini.

      • 10. Temukan nilai maksimum dalam array akumulator. Nilai tersebut menunjukkan panjang sumbu minor elips yang ingin dideteksi.

      • 11. Tampilkan seluruh parameter elips yang didapat.

      • 12. Hilangkan piksel pada elips yang terdeteksi dari array piksel tepi.

      • 13. Kosongkan array akumulator.

      • 14. Lakukan perulangan sampai seluruh piksel terhitung.

      • 15. Lakukan pelapisan elips yang terdeteksi dengan citra masukan.

      • 16. Selesai. Berikut adalah hasil rekonstruksi algoritma Transformasi Hough dalam mendeteksi

    Elips

    4. Untuk setiap piksel lainnya ( , ) , jika jarak ( , ) x y
    4. Untuk setiap piksel lainnya ( , ) , jika jarak ( , ) x y
    4. Untuk setiap piksel lainnya ( , ) , jika jarak ( , ) x y

    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.

    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

    : Intel(R) Core(TM) 2 Duo CPU T6500@2.10GHz

    Memori

    : 3072MB RAM

    Tipe Sistem

    : 32-bit Operating System

    VGA On Board

    : Intel GMA 4500MHD 128 Mb

    Monitor

    : 14.0” Widescreen, Resolusi 1366x768

    • 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

     
    BAB IV ANALISIS HASIL SIMULASI 4.1 Proses Pengujian Pada tugas akhir ini, sistem pendeteksi kurva tertutup
     
       
    BAB IV ANALISIS HASIL SIMULASI 4.1 Proses Pengujian Pada tugas akhir ini, sistem pendeteksi kurva tertutup
    BAB IV ANALISIS HASIL SIMULASI 4.1 Proses Pengujian Pada tugas akhir ini, sistem pendeteksi kurva tertutup
    BAB IV ANALISIS HASIL SIMULASI 4.1 Proses Pengujian Pada tugas akhir ini, sistem pendeteksi kurva tertutup
    BAB IV ANALISIS HASIL SIMULASI 4.1 Proses Pengujian Pada tugas akhir ini, sistem pendeteksi kurva tertutup
    BAB IV ANALISIS HASIL SIMULASI 4.1 Proses Pengujian Pada tugas akhir ini, sistem pendeteksi kurva tertutup
    BAB IV ANALISIS HASIL SIMULASI 4.1 Proses Pengujian Pada tugas akhir ini, sistem pendeteksi kurva tertutup

    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

    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.

    100% 95% Lingkaran 90% 85% Elips 80% Jenis Posisi Kategori Persentasi Akurasi
    100%
    95%
    Lingkaran
    90%
    85%
    Elips
    80%
    Jenis
    Posisi
    Kategori
    Persentasi Akurasi

    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:

    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.

    100% 80% Lingkaran 60% 40% Elips 20% Jenis Posisi Kategori Persentasi Akurasi
    100%
    80%
    Lingkaran
    60%
    40%
    Elips
    20%
    Jenis
    Posisi
    Kategori
    Persentasi Akurasi

    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

    Tabel 4.1 Perbandingan Hasil Uji Deteksi Lingkaran dan Elips

    Parameter

    Komputer

    Webcam

    Lingkaran

    Elips

    Lingkaran

    Elips

    Jumlah Citra Uji

    27

    27

    27

    27

    Jumlah Error Jenis bangun

    0

    0

    5

    0

    Akurasi Jenis Bangun

    100%

    100%

    81,84%

    100%

    Jumlah error posisi

    0

    0

    0

    0

    Akurasi posisi

    100%

    100%

    100%

    100%

    Waktu Komputasi rata-rata (s)

    4,628

    0,516

    5,093

    0,672

    Waktu Komputasi Minimum (s)

    2,609

    0,268

    0,269

    0,264

    Waktu Komputasi Maksimum (s)

    6,726

    0,799

    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.

    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 jari- jari 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.

    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

    Parameter

     

    Komputer

     

    Webcam

    0.2

    0.3

    0.4

    0.5

    0.8

    0.2

    0.3

    0.4

    0.5

    0.8

    Jumlah Citra Uji

    6

    6

    6

    6

    6

    6

    6

    6

    6

    6

    Jumlah Error Jenis Bangun

    6

    5

    1

    0

    0

    6

    3

    0

    0

    0

    Akurasi Jenis Bangun

    0%

    16,67%

    83,33%

    100%

    100%

    0%

    50%

    100%

    100%

    100%

    Jumlah Error Posisi (Fitting)

    0

    0

    0

    0

    0

    0

    0

    0

    0

    0

    Akurasi Posisi

    100%

    100%

    100%

    100%

    100%

    100%

    100%

    100%

    100%

    100%

    Waktu Komputasi rata-rata (s)

    3,914

    2,749

    0,5966

    0,19

    0,159

    3,72074

    1,494

    0,192

    0,19372

    0,15903

    Waktu Komputasi Maksimum (s)

    6,029

    4,971

    2,414

    0,315

    0,266

    5,41935

    3,195

    3,195

    0,2794

    0,23711

    Waktu Komputasi minimum (s)

    2,6142

    0,401

    0,152

    0,108

    0,092

    2,25877

    0,215

    0,106

    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.

    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

    Jumlah

    18

    18

    18

    18

    36

    36

    Error