N
c 1
2
3
M
r
.
.
.
Satu piksel
1 2 3
N
c 1
2
3
M
r
.
.
.
Satu piksel
=
) , ( ... ) 2 , ( ) 1 , (
.
.
.
.
.
.
.
.
.
) , 2 ( ... ) 2 , 2 ( ) 1 , 2 (
) , 1 ( ... ) 2 , 1 ( ) 1 , 1 (
N M f M f M f
N f f f
N f f f
f
Gambar 1. (atas) Koordinat konvensi pada toolbox Matlab,
(bawah) citra digital dalam matriks.
29
J. Nano Saintek. Edisi Khusus, Agust. 2009
30
a
b
a
b
Pengolahan citra SEM dilakukan dalam dua tahap.
Pertama adalah segmentasi yaitu pembagian gambar
menjadi beberapa objek berdasarkan level intensitas dan
pendeteksian tepi objek. Level intensitas ini dikenali dari
perbedaan warna yang kontras antara padatan dengan pori.
Misalkan objek matriks diberi warna putih sebaliknya
objek pori diberi warna hitam. Setiap objek terdiri dari
piksel yang dinyatakan dalam kode biner. Bagian pori
yang akan dihitung ditandai dengan 1 sedangkan bagian
matriks diberi tanda 0. Pengkategorian objek pori atau
matriks dapat disesuaikan dengan menetapkan nilai
ambang (threshold). Penentuan nilai ambang dapat
disesuaikan dengan interpretasi visual secara manual dan
bersifat dinamis. Nilai piksel yang lebih besar dari
ambang dibaca sebagai objek sedangkan nilai piksel di
bawah ambang dibaca sebagai latar belakang
(background) [5]. Melalui tahap pertama ini dapat
diperoleh citra biner.
Tahap kedua adalah proses estimasi sifat fisis dari
citra biner. Informasi sifat fisis yang dicari adalah luas
pori, keliling pori dan porositas. Untuk itu setiap objek
pori dari citra biner diberi label yaitu label 1 untuk objek
pori 1, label 2 untuk objek pori 2 dan seterusnya. Dengan
demikian, dapat diketahui berapa jumlah keseluruhan
objek pori. Pada toolbox Matlab telah tersedia fungsi
regionprops dan perimeter yang masing-masing
digunakan untuk menentukan luas dan keliling pori.
Selanjutnya ukuran pori dapat dicari melalui
perbandingan luas dan keliling pori. Melalui proses
pelabelan tadi, dapat dihitung diameter untuk tiap-tiap
objek pori sehingga ukuran pori dapat diketahui
persebarannya. Dengan demikian dapat diketahui
histogram distribusi ukuran pori. Besaran fisis lain yang
dapat diketahui adalah porositas yaitu fraksi volum yang
mengandung pori. Untuk gambar dua dimensi dapat
dinyatakan sebagai persentase perbandingan luas pori
terhadap luas total.
3. Hasil dan Pembahasan
Gambar 2.(a) memperlihatkan citra SEM material
berpori dengan perbesaran 40,000. Pemilihan perbesaran
sebesar 40,000 ini dibutuhkan untuk mendapatkan skala
pori dalam dimensi terkecil (nanometer) melalui
perbandingan piksel terhadap skala ukuran citra SEM.
Melalui perhitungan skala bar pada citra SEM diperoleh
panjang bar adalah 252,53 piksel yang setara dengan 500
nm ukuran sebenarnya, sehingga diperoleh 1 piksel
bersesuaian dengan 1,98 nm. Berdasarkan pengolahan
citra tahap pertama diperoleh citra biner yang tampak
pada Gambar 2.(b).
Pengolahan citra pada tahap kedua menghasilkan
distribusi ukuran pori seperti Gambar 3. Distribusi pori
menunjukkan sebaran ukuran pori terbanyak terdapat
pada range nanometer yaitu 8 - 68 nm. Distribusi ini
didekati dengan fitting polinomial orde 3. Porositas yang
terhitung sebagai perbandingan luas pori dengan luas total
adalah 30%.
Gambar 2 (a) Citra SEM, (b) citra biner
ambar 3. Histogram distribusi ukuran pori.
. Kesimpulan
ori telah berhasil dilakukan pada material
nanopo
Ukuran pori [nm]
B
o
b
o
t
[
s
a
t
u
a
n
s
e
m
b
a
r
a
n
g
]
Ukuran pori [nm]
B
o
b
o
t
[
s
a
t
u
a
n
s
e
m
b
a
r
a
n
g
]
G
4
Analisa p
ri dengan menggunakan metoda pengolahan citra
SEM. Penentuan nilai ambang secara dinamis sangat
berpengaruh terhadap pemetaan pori. Dari pengolahan
citra diperoleh distribusi ukuran pori dalam range
nanometer sampai mikrometer dengan distribusi
J. Nano Saintek. Edisi Khusus, Agust. 2009
31
terbanyak pada 8-68 nm dan nilai porositas material
sebesar 30%.
Ucapan Terima Kasih
Riset ini adalah bagian dari riset dasar nanokarbon
untuk superkapasitor yang didanai melalui Hibah Riset
Insentif KNRT tahun 2007-2008 oleh Kementerian
Negara Riset dan Teknologi (KNRT).
Referensi
[1] A. Ochsner, G. E. Murch, and M. J. S. de Lemos
(Eds.), Cellular and Porous Materials: Thermal
Properties Simulation and Prediction, Weinheim:
Wiley-VCH Verlag (2008).
[2] Y. Yamada and J. Ozaki, Encyclopedia of
Nanoscience and Nanotechnology Vol. 7, American
Scientific Publisher (2004).
[3] R. C. Gonzalez, R. E. Woods, and S. L. Eddins,
Digital Image Processing Using MATLAB, New
Jersei: Prentice Hall (2003).
[4] H. Marsh and F. R. Reinoso, Activated Carbon,
Elsevier Science & Tech. Books (2006).
[5] L. G. Shapiro and G. C. Stockman, Computer Vision,
New Jersey: Prentice Hall (2001).