LAPORAN TUGAS AKHIR

DETEKSI LUAS RETAKAN PADA BETON MENGGUNAKAN

SEGMENTASI CITRA DIGITAL DENGAN METODE OTSU
THRESHOLDING

Disusun untuk memenuhi salah satu persyaratan memperoleh gelar Sarjana

Teknik pada Jurusan/Program Studi Teknik Elektro Fakultas Teknik Universitas
Jenderal Soedirman

Disusun oleh:

Mohamad Daffa Anugrah Pratama

H1A017013

KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN

UNIVERSITAS JENDERAL SOEDIRMAN
FAKULTAS TEKNIK
JURUSAN/PROGRAM STUDI TEKNIK ELEKTRO
PURBALINGGA
2021
HALAMAN JUDUL

LAPORAN TUGAS AKHIR

DETEKSI LUAS RETAKAN PADA BETON MENGGUNAKAN

SEGMENTASI CITRA DIGITAL DENGAN METODE OTSU
THRESHOLDING

Disusun untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana

Teknik di Jurusan Teknik Elektro Universitas Jenderal Soedirman

Disusun oleh:

Mohamad Daffa Anugrah Pratama

H1A017013

KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN

UNIVERSITAS JENDERAL SOEDIRMAN
FAKULTAS TEKNIK
JURUSAN/PROGRAM STUDI TEKNIK ELEKTRO
PURBALINGGA
2021
 HALAMAN PENGESAHAN

Tugas Akhir dengan Judul:

DETEKSI LUAS RETAKAN PADA BETON MENGGUNAKAN

SEGMENTASI CITRA DIGITAL DENGAN METODE OTSU
THRESHOLDING

Disusun oleh:
Mohamad Daffa Anugrah Pratama
H1A017013

Diajukan untuk memenuhi salah satu persyaratan

memperoleh gelar Sarjana Teknik pada
Jurusan/Program Studi Teknik Elektro
Fakultas Teknik
Universitas Jenderal Soedirman

Diterima dan disetujui

Pada Tanggal : __________________
Pembimbing I Pembimbing II

Farida Asriani, S.Si, .MT Hesti Susilawati, S.T., MT.

(NIP : 197502012000032005) (NIP : 197405072000032001)

Mengetahui:
Dekan Fakultas Teknik

Prof. Dr. Eng Suroso, S.T., M.Eng.

(NIP. 197812242001121002)

ii
 HALAMAN PERNYATAAN

Dengan ini saya menyatakan bahwa dalam Laporan Tugas Akhir 1 dengan
judul “DETEKSI LUAS RETAKAN PADA BETON MENGGUNAKAN
SEGMENTASI CITRA DIGITAL DENGAN METODE OTSU
THRESHOLDING” ini tidak terdapat karya yang pernah diajukan untuk
memperoleh gelar kesarjanaaan di suatu Perguruan Tinggi, dan sepanjang
pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah ditulis atau
diterbitkan oleh orang lain, kecuali yang secara tertulis diacu dalam naskah ini dan
disebutkan dalam daftar pustaka.

Purbalingga, 3 Februari 2021

Mohamad Daffa Anugrah Pratama

NIM. H1A017013

iii
 HALAMAN MOTTO DAN PERSEMBAHAN

MOTTO

“Do what you love, love what you do. Don’t quit, because a quitter never
win and a winner never quit.”.

PERSEMBAHAN

Laporan Tugas Akhir ini dapat diselesaikan atas dorongan, saran, serta
bantuan pemikiran berbagai pihak. Pada kesempatan ini disampaikan ucapan
terima kasih kepada :
1. Allah Subhanahu Wa Ta’ala Yang Maha Esa, yang melimpahkan nikmat
yang tak pernah ada batas dari-Nya.
2. Kedua Orang Tua dan Saudara penulis atas dukungan baik moril maupun
materil selama pelaksanaan Tugas Akhir.
3. Ibu Farida Asriani, S.Si., M.T. selaku Ketua Jurusan Teknik Elektro
Unsoed dan dosen pembimbing Tugas Akhir.
4. Ibu Hesti Susilawati, S.T., MT. selaku dosen pembimbing Tugas Akhir.
5. Seluruh dosen dan tenaga pengajar Teknik Elektro di Fakultas Teknik
Universitas Jenderal Soedirman yang telah memberikan ilmunya dengan
penuh keikhlasan.
6. Novia Tri Nurhotimah yang turut memberikan dukungan penuh.
7. Seluruh rekan dan teman Teknik Elektro Unsoed yang selalu setia
menemani setiap saat dan selalu menjadi pendengar yang baik.
8. Seluruh rekan dan teman Wisma Nabil yang setia menemani.
9. Seluruh rekan dan teman di Sitdown Kopi yang selalu memberikan
dukungan penuh dalam segala hal dan juga sebagai tempat berdiskusi
untuk selalu memberi cara baru untuk memandang dunia.

iv
 RINGKASAN

DETEKSI LUAS RETAKAN PADA BETON MENGGUNAKAN

SEGMENTASI CITRA DIGITAL DENGAN METODE OTSU
THRESHOLDING

Mohamad Daffa Anugrah Pratama

Keretakan pada beton adalah hal yang sangat sering ditemukan di semua
jenis struktur beton. Keretakan pada beton ini tentunya menjadi permasalahan
yang sering sekali ditemukan di sekitar. Berbagai metode telah dikembangkan
untuk mengidentifikasi keretakan untuk menjadi parameter utama prediksi
kelayakan beton di masa mendatang. Salah satu metode yang digunakan adalah
dengan menggunakan UPV (Ultrasonic Pulse Velocity). Namun, alat ini memiliki
keterbatasan pada mobilitas sehingga sulit untuk menjangkau area yang
membutuhkan mobilitas tinggi. Untuk mengatasi keterbatasan tersebut maka
harus menggunakan metode yang berbeda, salah satu nya adalah pengolahan citra.
Metode pengolahan citra ini memanfaatkan citra yang diambil dari
berbagai alat seperti kamera. Kamera memiliki mobilitas tinggi dan dapat
dipadukan dengan alat lain, contohnya dengan UAVs (Unmanned Aerial Vehicles).
UAV dapat menjangkau area yang membutuhkan mobilitas khusus untuk
mendapatkan citra dari keretakan beton. Citra yang di ambil akan diolah dengan
berbagai teknik pengolahahan citra. Metode yang diusulkan oleh penulis adalah
dengan menggunakan preprocessing citra dengan tuned tri-threshold fuzzy
intensification operators, lalu mengunakan metode otsu thresholding sebagai
processing utama, dan terakhir menggunakan postprocessing citra yaitu Deghost
dan Median filter.
Hasil dari proses pengolahan citra tersebut adalah luas area pixel
keretakan pada beton dan prosentase keretakan beton dengan dari keselurahan
citra itu sendiri. Hasil dari metode ini diharapkan menjadi parameter analisis
untuk pertimbangan kelayakan dari beton untuk di masa mendatang.

Kata kunci : Pengolahan Citra, Keretakan Beton, Otsu Thresholding, tuned tri-
threshold fuzzy intensification operators

v
 SUMMARY

DETECTION OF CRACKS AREA IN CONCRETE USING DIGITAL IMAGE

SEGMENTATION USING OTSU THRESHOLDING METHOD

Mohamad Daffa Anugrah Pratama

Cracks in concrete are very common in all types of concrete structures.

Cracks in concrete problems are often found around. Various methods have been
developed to identify cracks to be the main parameter for predicting concrete's
future viability. One of the used methods is by using UPV (Ultrasonic Pulse
Velocity). However, this tool has limited mobility, making it difficult to reach areas
that require high mobility. To overcome these limitations, we have to use different
methods, one of which is image processing.
This image processing method utilizes images taken from various tools
such as cameras. The camera has high mobility and can be combined with other
tools, for example, with UAVs (Unmanned Aerial Vehicles). UAVs can cover areas
that require special mobility to obtain images of concrete cracks. Image
processing techniques will process The captured image with various. The author's
method is to use image preprocessing with tuned tri-threshold fuzzy intensification
operators, then use the otsu thresholding method as the main processing, and
finally use image postprocessing, namely Deghost and Median filters.
The image processing result is the pixel area cracked in the concrete and
the percentage of cracked concrete from the whole image itself. This method's
results are expected to be the analysis parameters for consideration of the
feasibility of concrete in the future

Keywords : Image Processing, Crack Concrete, Otsu Thresholding, tuned tri-

threshold fuzzy intensification operators

vi
 PRAKATA

Puji syukur kehadirat Allah SWT karena atas segala berkah, rahmat, dan
hidayah-Nya penulis dapat menyelesaikan laporan Tugas Akhir dengan judul
“Deteksi Luas Retakan Pada Beton Menggunakan Segmentasi Citra Digital
Dengan Metode Otsu Thresholding” dengan baik dan tepat waktu.
Laporan Tugas Akhir ini disusun sebagai salah satu syarat mata kuliah
Tugas Akhir pada program studi Teknik Elektro - Universitas Jenderal Soedirman
pada tahun 2020 yang sedang penulis jalani. Laporan Tugas Akhir ini dapat
diselesaikan atas dorongan, saran, serta bantuan pemikiran berbagai pihak. Pada
kesempatan ini disampaikan ucapan terima kasih kepada : Kedua orang tua, Ibu
Farida Asriani, S.Si., M.T. selaku Ketua Jurusan Teknik Elektro Unsoed dan dosen
pembimbing Tugas Akhir, dan segenap rekan kerja selama Tugas Akhir yang telah
sabar membimbing dan banyak memberikan ilmu, sahabat-sahabat
yang selalu memberikan dukungan, semangat, motivasi, serta doa dan semua
pihak yang telah membantu dalam penelitian.
Akhir kata, Penulis menyadari bahwa masih banyak terdapat kekurangan
dalam laporan Tugas Akhir ini, maka kritik dan saran yang membangun sangat
diharapkan dari berbagai pihak. Akhir kata penulis berharap semoga Laporan ini
dapat bermanfaat bagi semua yang membutuhkannya, terutama bagi yang akan
menyusun Laporan Tugas Akhir terkait pada periode selanjutnya.

Purbalingga, 3 Februari 2021

Mohamad Daffa Anugrah Pratama

vii
 DAFTAR ISI

HALAMAN JUDUL.............................................................................................................................i
HALAMAN PENGESAHAN..............................................................................................................ii
HALAMAN PERNYATAAN.............................................................................................................iii
HALAMAN MOTTO DAN PERSEMBAHAN.................................................................................iv
RINGKASAN.......................................................................................................................................v
SUMMARY..........................................................................................................................................vi
PRAKATA..........................................................................................................................................vii
DAFTAR ISI.....................................................................................................................................viii
DAFTAR TABEL................................................................................................................................xi
DAFTAR GAMBAR..........................................................................................................................xii
DAFTAR LAMPIRAN.....................................................................................................................xiii
DAFTAR ISTILAH DAN SINGKATAN..........................................................................................xiv
DAFTAR SIMBOL............................................................................................................................xv
BAB 1 PENDAHULUAN..................................................................................................................16
1.1 Latar Belakang....................................................................................................................16
1.2 Rumusan Masalah...............................................................................................................18
1.3 Batasan Masalah..................................................................................................................18
1.4 Tujuan Penelitian.................................................................................................................18
1.5 Manfaat Penelitian..............................................................................................................19
1.6 Sistematika Penulisan.........................................................................................................19
BAB 2 TINJAUAN PUSTAKA.........................................................................................................21
2.1 Penelitian Terdahulu............................................................................................................21
2.2 Beton...................................................................................................................................22
2.2.1 Retakan Beton.........................................................................................................23
2.3 Pengolahan Citra Digital.....................................................................................................24
2.3.1 Citra Warna.............................................................................................................25
2.3.2 Citra Grayscale.......................................................................................................25
2.3.3 Citra Biner..............................................................................................................25
2.3.4 Teknik Pengolahan Citra.........................................................................................25
2.4 Tuned Tri-threshold Fuzzy Intensification Operators.........................................................26
2.5 Segmentasi..........................................................................................................................28
2.5.1 Otsu Thresholding...................................................................................................29

viii
 ix

2.6 Filter....................................................................................................................................30
2.6.1 Deghost...................................................................................................................31
2.6.2 Median Filter..........................................................................................................31
2.7 MATLAB............................................................................................................................32
BAB 3 METODE PENELITIAN.......................................................................................................33
3.1 Waktu dan Tempat...............................................................................................................33
3.2 Alat dan Bahan....................................................................................................................33
3.3 Alur dan Tahap Penelitian...................................................................................................34
3.3.1 Tahap Persiapan......................................................................................................35
3.3.2 Tahap Perencanaan.................................................................................................35
3.3.3 Tahap Pengumpulan Data.......................................................................................35
3.3.4 Tahap Desain Sistem...............................................................................................36
3.3.5 Tahap Uji dan evaluasi............................................................................................37
3.3.6 Tahap Laporan........................................................................................................38
3.3.7 Waktu dan Jadwal Penelitian..................................................................................38
3.3.8 Tahap Desain GUI..................................................................................................39
BAB 4 PEMBAHASAN....................................................................................................................40
4.1 Data Penelitian....................................................................................................................40
4.2 Preprocessing......................................................................................................................43
4.2.1 Resize Citra.............................................................................................................43
4.2.2 Citra Berskala Keabuan (Grayscale)......................................................................44
4.2.3 Tuned Tri-threshold Fuzzy Intensification Operators.............................................45
4.3 Segmentasi..........................................................................................................................48
4.4 Postprocessing....................................................................................................................50
4.4.1 Deghost...................................................................................................................50
4.4.2 Median Filter..........................................................................................................55
4.5 Perhitungan Luas dan Perhitungan Prosentase Retakan.....................................................56
4.6 Hasil Pengujian...................................................................................................................57
BAB 5 PENUTUP..............................................................................................................................66
5.1 Kesimpulan.........................................................................................................................66
5.2 Saran....................................................................................................................................67
DAFTAR PUSTAKA.........................................................................................................................68
LAMPIRAN.......................................................................................................................................70
Lampiran 1. Hasil Uji Data Primer...............................................................................................70
Lampiran 2. Hasil Uji Data Sekunder...........................................................................................78
BIODATA PENULIS.......................................................................................................................154
x
 DAFTAR TABEL

Tabel 1 Jadwal Penelitian.......................................................................................38

Tabel 2 Sampel data primer...................................................................................41
Tabel 3 Sampel Data Sekunder..............................................................................42
Tabel 4 Perbandingan citra grayscale.....................................................................44
Tabel 5 Perbandingan citra Fuzzy IO.....................................................................47
Tabel 6 Perbandingan Deghost..............................................................................51
Tabel 7 Perbandingan Deghost..............................................................................52
Tabel 8 Hasil Pengujian Data Primer Beton Non Retak........................................60
Tabel 9 Hasil Pengujian Data Primer Beton Retak................................................61
Tabel 10 Hasil Pengujian Data Sekunder...............................................................62
Tabel 11 Hasil rata rata waktu pengujian...............................................................65

xi
 DAFTAR GAMBAR

Gambar 2.1 Beton..................................................................................................23

Gambar 2.2 Contoh Retakan Beton.......................................................................24
Gambar 2.3 (a)Citra input (b)Histogram citra input (c)Citra output (d)Histogram
citra output[6].........................................................................................................27
Gambar 2.4 Alur proses Tuned Tri-threshold Fuzzy IO[6]....................................28
Gambar 2.5 Hasil Deghost[18]..............................................................................31
Gambar 2.6 Median Filter[19]...............................................................................31
Gambar 3.1 Flowchart Penelitan............................................................................34
Gambar 3.2 Data Flow Diagram............................................................................36
Gambar 3.3 Rancangan Desain Graphic User Interface........................................39
Gambar 4.1 Histogram citra grayscale...................................................................46
Gambar 4.2 Histogram citra Fuzzy IO...................................................................46
Gambar 4.3 4-connected[21]..................................................................................54
Gambar 4.4 Retakan yang tidak terdeteksi............................................................54
Gambar 4.5 Perbandingan Median Filter...............................................................55
Gambar 4.6 Area retakan dan prosentase...............................................................56
Gambar 4.7 Rumus prosentase area retakan..........................................................56
Gambar 4.8 Graphic User Interface.......................................................................57
Gambar 4.9 Tampilan awal GUI............................................................................58
Gambar 4.10 Tampilan pemilihan citra pada GUI.................................................59
Gambar 4.11 Pixel perhitungan bwarea.................................................................64

xii
 DAFTAR LAMPIRAN

Lampiran 1. Hasil Uji Data Primer

Lampiran 2. Hasil Uji Data Sekunder

xiii
 DAFTAR ISTILAH DAN SINGKATAN

UPV : Ultrasonic Pulse Velocity

UAVs : Unmanned Aerial Vehicles

xiv
 DAFTAR SIMBOL

𝜔0 : Probabilitas 2 kelas yang dipisahkan threshold (T)

𝜔1 : Probabilitas 2 kelas yang dipisahkan threshold (T)
𝜎0 : Varian dari kedua kelas
𝜎1 : Varian dari kedua kelas
𝜇 : Rata – rata kelas

xv
 BAB 1
PENDAHULUAN

1.1 Latar Belakang

Keretakan pada beton adalah hal yang sangat sering ditemukan di semua

jenis struktur beton. Mengidentifikasi dan melacak keretakan pada beton adalah

hal yang sangat penting untuk memantau kondisi yang terjadi saat ini dan

dijadikan sebagai acuan untuk memprediksi masa pakai di masa mendatang.

Pemantauan keretakan pada beton telah menjadi salah satu cara untuk

mengevaluasi tingkat ketahanan dan keselamatan untuk mempersiapkan rencana

rehabilitasi[1].

Keretakan pada beton bisa diukur dengan menggunakan berbagai macam

alat seperti, UPV (Ultrasonic Pulse Velocity). Alat ini dapat mengukur kedalaman

dan lebar keretakan pada beton dengan mendekatkan alat dan memancarkan

gelombang ultrasonik dan tranduser dan mengukur kecepatan ke gelombang

penerima[2]. Namun, untuk bisa mengukur keretekan beton pada area tertentu

yang sulit dijangkau seperti pada beton gedung luar di lantai yang cukup tinggi

tentunya menjadi tantangan khusus yang bisa berpengaruh terhadap variabel

pengukur terutama pada lokasi nya yang sulit dijangkau dan juga membutuhkan

waktu dan resiko yang lebih tinggi untuk menjangkau nya.

Salah satu metode untuk mengatasi permasalahan tersebut adalah dengan

menggunakan UAVs (Unmanned Aerial Vehicles). UAV adalah sebuah drone yang

menggunakan kamera, sensor ultrasonik, GPS yang dapat mengambil citra dari

keretakan beton yang sulit dijangkau. Hasil dari citra yang diambil akan melewati

16
 17

berbagai proses pengolahan citra hingga dapat mendeteksi keretakan pada

beton[3].

UAV dan pengolahan citra digital menunjukan potensi yang besar untuk

mengatasi kekurangan metode – metode yang ada untuk mendapatkan hasil

pengukuran dari keretakan pada beton dengan menggunakan inspeksi secara

visual dan mobilitasnya yang tinggi[4].

Untuk itu, berbagai teknik pengolahan citra telah banyak digunakan

untuk mengekstraksi informasi gambar secara ekfektif, salah satunya adalah pada

retakan beton. Deteksi tepi telah digunakan untuk memberikan batas antara

retakan dan latar belakang dari citra[5].Namun, tidak semua citra yang di ambil

bisa langusng di olah untuk menghasilkan output yang di inginkan. Pada saat

pengambilan citra akan ada banyak artefak yang tidak diinginkan yang dapat

mengganggu hasil pengolahan. Maka dari itu dibutuhkan pemrosesan secara

efisien untuk membuat citra yang diambil lebih andal untuk interpretasi lebih

lanjut dari mulai pemrosesan rendah dan pemrosesan tinggi seperti fuzzy[6].

Pada penelitian ini, penulis akan melakukan deteksi keretakan pada citra

beton dengan cara melakukan segmentasi citra pada beton menggunakan metode

otsu thresholding. Untuk mendukung proses segmentasi tersebut, maka perlu

dilakukan preprocessing dan postprocessing citra. Hal ini dilakukan untuk

meningkatkan kualitas citra beton agar memiliki informasi citra yang cukup

sehingga menghasilkan output yang maksimal. Hasil dari penelitian ini adalah

berupa luas area retakan pada citra beton dalam piksel dan prosentase keretakanya

dengan citra keseluruhan.

 18

1.2 Rumusan Masalah

1. Bagaimana cara meningkatkan kualitas citra beton yang diolah ?

2. Bagaimana segmentasi citra pada retakan beton ?

3. Bagaimana perhitungan luas area retakan beton dan prosentase keretakan

dengan keseluruhan citra beton ?

1.3 Batasan Masalah

Batasan masalah yang dibuat membatasi fokus penelitian pada tugas

akhir ini adalah sebagai berikut.

1. Bahasa pemrograman yang digunakan untuk melakukan pengolahan citra

pada citra input adalah Bahasa pemrograman MATLAB.

2. Tidak melakukan perhitungan manual.

3. Data yang digunakan berupa data primer yang merupakan citra beton yang

diambil langsung di Laboratorium Fakultas Teknik Universitas Jenderal

Soedirman dan data sekunder yang berasal dari Özgenel, Ç.F., Gönenç

Sorguç, A. “Performance Comparison of Pretrained Convolutional Neural

Networks on Crack Detection in Buildings”, ISARC 2018, Berlin

4. Pengolahan citra dilakukan menggunakan Graphical User Interface (GUI)

MATLAB R2019a.

1.4 Tujuan Penelitian

1. Mengimplementasikan Tuned Tri-threshold Fuzzy Intensification

Operators dan Deghost sebagai preprocessing dan postprocessing citra.

 19

2. Mengimplementasikan metode otsu thresholding untuk proses segmentasi

citra.

3. Mendapatkan luas area retakan beton dan prosentase retakan beton dengan

citra beton dalam satuan pixel

4. Mengetahui performa dari metode segmentasi Otsu Thresholding untuk

objek retakan beton.

1.5 Manfaat Penelitian

Manfaat yang diharapkan setelah penelitian ini selesai dilaksanakan

adalah sebagai berikut.

1. Mengimplementasikan pengolahan citra dalam bidang teknik sipil untuk

identifikasi keretakan beton

2. Mendapatkan parameter keretakan beton berupa luas area keretakan beton.

3. Mendapatkan data parameter keretakan beton yang kemudian dapat

digunakan sebagai rujukan untuk penelitian periode berikutnya.

4. Berkontribusi dalam perkembangan teknologi dalam bidang pengolahan

citra untuk keahlian konstruksi.

1.6 Sistematika Penulisan

Dalam penulisan laporan tugas akhir ini, dibuat sistematika penulisan

sebagai berikut.

BAB I Pendahuluan

Bab ini berisi tentang latar belakang, rumusan masalah, batasan masalah,

tujuan penelitian, manfaat penelitin dan sistematika penelitian.

BAB II Tinjauan Putakan

 20

Bab ini berisi tentang penelitian terdahulu serta teori-teori yang berkaitan

dengan beton, pengolahan citra, segmentasi, jenis-jenis citra, thresholding,

dan penjelasan singkat mengenai software MATLAB yang digunakan

untuk penelitian.

BAB III Metode Penelitian

Bab ini berisi metodologi-metodologi penelitian atau langkah-langkah

yang dilakukan untuk melakukan penelitian ini.

BAB IV Hasil dan Pembahasan

Bab ini berisikan tentang implementasi dari perancangan sistem yang telah

dibuat dan hasil uji sistem yang telah dibuat melalui software MATLAB.

BAB V Penutup

Bab ini berisikan kesimpulan dari hasil penelitian yang telah didapat dan

saran untuk penelitian selanjutnya apabila ada yang akan melakukan

penelitian dengan topik yang sama.

 21

BAB 2
TINJAUAN PUSTAKA

2.1 Penelitian Terdahulu

Penelitian yang akan dilakukan ini mengacu pada beberapa penelitan

terdahulu sebagai bahan kajian dan perbandingan, yaitu :

1. Pada penelitian Jhoni Hidayat, dengan judul “Analisa Keretakan Beton

Dengan Citra Digital”, menjelaskan tentang pengamatan perbandingan

citra retakan dari beton sebelum diberi beban dan setelah diberi beban.

Variabel yang diamati adalah perubahan citra yang terjadi dari hasil

perbandingan citra selama pengujian[7].

2. Pada penelitian Muhammad Hudain Fadhullah, dengan judul “Deteksi

Keretakan Pada Struktur Beton”, menjelaskan tentang akurasi dan

klasifikasi beton yang retak dan yang tidak retak. Akurasi deteksi

keretakan didapatkan dari area yang di segmentasi menggunakan

metode otsu thesholding dari 2 gambar, beton yang retak dan beton

yang tidak retak. Output dari penelitian ini adalah tingkat akurasi

deteksi dari citra retakan beton[8].

3. Pada penelitian Sattar Dorafshan, dengan judul “Automatic Surface

Crack detection in Concrete Structure Using Otsu Thresholding and

Morphological Operations”, menjelaskan tentang pengembangan

deteksi citra dari beberapa penelitian sebelumnya, dengan

 22

menambahkan metode operasi morphologi pada citra, sehingga garis

retakan dapat dideteksi. Output dari penelitian adalah perbandingan

dari penelitian terdahulu dan garis deteksi yang mengikuti alur retakan

beton[1].

Adapun hal-hal yang membedakan penelitian penulis dengan penelitian

terdahulu. Hal yang membedakan tersebut adalah, metode, hasil dan dataset yang

digunakan sebagai input.

Penelitian yang akan dilakukan adalah melakukan operasi pengolahan

citra menggunakan data yang diambil langsung di Laboratorium Fakultas Teknik

Universitas Jenderal Soedirman dan dataset dari www.mendeley.com Özgenel,

Ç.F., Gönenç Sorguç, A. “Performance Comparison of Pretrained Convolutional

Neural Networks on Crack Detection in Buildings”, ISARC 2018, Berlin. Dengan

menggunakan metode Tuned Tri-threshold Fuzzy Intensification Operators

sebagai preprocessing citra dan menggunakan metode Otsu Thresholding sebagai

proses segmentasi lalu menggunakan metode Deghost dan Median Filter sebagai

postprocessing citra. Output yang dihasilkan adalah garis warna deteksi yang

mengikuti alur retakan serta luas area pixel dari keretakan beton dan prosentase

keretakan beton dengan bagian beton yang utuh. Program dibuat dengan konsep

user-friendly dengan interface GUI MATLAB agar mudah digunakan oleh semua

pihak.

2.2 Beton
Beton ialah salah satu bahan konstruksi yang universal digunakan untuk

bangunan gedung, jembatan, jalur, serta lain- lain. Beton ialah satu kesatuan yang
 23

homogen. Beton ini didapatkan dengan metode menggabungkan agregat

halus(pasir), agregat agresif(kerikil), ataupun tipe agregat lain serta air, dengan

semen portland ataupun semen hidrolik yang lain, dan terkadang dengan bahan

bonus( additif) yang bertabiat kimiawi maupun fisikal pada perbandingan tertentu,

hingga menjadi satu kesatuan yang homogen. Kombinasi tersebut membeku

menjadi semacam batuan. Pengerasan terjadi karena respon kimia antara semen

dengan air[9]. Gambar beton bisa dilihat pada gambar 2.1.

Gambar 2.1 Beton

2.2.1 Retakan Beton
Retakan beton merupakan suatu peristiwa yang terjadi pada bagian beton

yang ditandai dengan munculnya keretakan yang memisahkan bagian beton secara

kecil hinnga besar. Retak pada permukaan beton merupakan salah satu indikasi

awal terjadinya degradasi struktur yang sangat penting untuk pemeliharaan serta

paparan yang terus menerus akan mengakibatkan kerusakan lingkungan yang

parah. Inspeksi manual adalah metode terkenal untuk inspeksi retak. Dalam

inspeksi manual, sketsa retakan dibuat secara manual, dan kondisi penyimpangan

dicatat. Karena pendekatan manual sepenuhnya bergantung pada pengetahuan dan

 24

pengalaman spesialis, ia tidak memiliki objektivitas dalam analisis kuantitatif.

Jadi, deteksi retakan berbasis gambar otomatis diusulkan sebagai pengganti.

Contoh retakan beton dapat dilihat pada gambar 2.2.

Gambar 2.2 Contoh Retakan Beton

2.3 Pengolahan Citra Digital
Pengolahan citra digital (Digital Image Processing) merupakan suatu

disiplin ilmu yang menekuni tentang teknik-teknik mengolah citra. Citra yang

dimaksud disini merupakan foto diam (gambar) maupun gambar bergerak (yang

berasal dari webcam). Digital disini memiliki maksud bahwa pengolahan

citra/gambar dilakukan secara digital menggunakan komputer [10].

Secara matematis, citra merupakan fungsi kontinyu (continue) dengan

intensitas cahaya pada bidang dua dimensi. Supaya bisa diolah dengan komputer

digital, maka suatu citra harus dipresentasikan secara numerik dengan nilai-nilai

diskrit. Repersentasi dari fungsi kontinyu menjadi nilai-nilai diskrit disebut

digitalisasi citra. Sebuah citra digital dapat diwakili oleh sebuah matriks dua

dimensi f(x,y) yang terdiri dari M kolom dan N baris, dimana perpotongan antara
 25

kolom dan baris disebut piksel (pixel = picture element) atau elemen terkecil dari

sebuah citra[11].

2.3.1 Citra Warna

Citra warna merupakan citra warna yang berasal dari kombinasi tiga

warna dasar (RG8 = Red Green Blue). Setiap warna dasar menggunakan

penyimpanan 8 bit = 1 byte, yang berarti setiap warna mempunyai gradasi

sebanyak 255 warna. Berarti setiap piksel mempunyai kombinasi warna sebanyak

16 juta warna lebih. Itulah sebabnya format ini dinamakan true color karena

mempunyai jumlah warna yang cukup besar sehingga bisa dikatakan hampir

mencakup semua warna di alam.

2.3.2 Citra Grayscale

Citra grayscale adalah citra yang nilai intensitas pikselnya berdasarkan

derajat keabuan. Citra grayscale ini terdiri dari 3 warna yaitu Red, Green, Blue.

Namun, 3 warna tersebut di bagi lagi dengan angka tengah dari masing masing

warna. Sehingga citra yang dihasilkan merupakan warna tengah dari warna

penyusunya, yaitu abu-abu.

2.3.3 Citra Biner

Citra biner merupakan citra digital dengan dua kemungkinan nilai pixel

yaitu pixel-pixel objek bernilai 1 dan pixel-pixel latar belakang bernilai 0.

Tampilan dari citra biner ini adalah citra yang hanya memiliki 2 warna, yaitu

hitam dan putih. 1 menandakan untuk warna putih dan 0 menandakan untuk

warna hitam[12].
 26

2.3.4 Teknik Pengolahan Citra

Proses pengolahan citra secara diagram proses dimulai dari pengambilan

citra, perbaikan kualitas citra, sampai dengan pernyataan representatif citra.

Berikut

teknik-teknik pengolahan citra digital[13] :

1. Image enhancement, berupa proses perbaikan citra dengan

meningkatkan kualitas citra, baik kontras maupun kecerahan.

2. Image restoration, yaitu proses memperbaiki model citra,biasanya

berhubungan dengan bentuk citra yang sesuai.

3. Color image processing, yaitu suatu proses yang melibatkan citra

berwarna,baik berupa image enhancement, image restoration, atau

yang lainnya.

4. Wavelet dan multiresolution processing, merupakan suatu proses yang

menyatakan citra dalam beberapa resolusi.

5. Image compression, merupakan proses yang digunakan untuk

mengubah ukuran data pada citra.

6. Morphological processing, yaitu proses untuk memperoleh informasi

yang menyatakan deskripsi dari suatu bentuk pada citra.

7. Segmentation, merupakan proses untuk membedakan atau memisahkan

objek-objek yang ada dalam suatu citra, seperti memisahkan objek

dengan latar belakangnya.

 27

2.4 Tuned Tri-threshold Fuzzy Intensification Operators

Tuned Tri-threshold Fuzzy Intensification Operators adalah metode

pengolahan citra untuk memodifikasi nilai histogram citra menggunakan Teknik

fuzzy dengan menggunakan fungsi keanggotaan fuzzy sederhana yang menetapkan

nilai piksel dari saluran tertentu ke kisaran antara nol dan satu bergantung pada

nilai threshold[6]. Hasil perbandingan dari proses Fuzzy IO terdapat pada gambar

2.3.

Gambar 2.3 (a)Citra input (b)Histogram citra input (c)Citra output (d)Histogram
citra output[6]
Keunggulan dari metode ini adalah dapat meningkatkan visibilitas yang

citra yang kurang baik dengan menaikan kontras dari komponen warna peyusunya

yaitu, Red (Merah), Green (Hijau), dan Blue (Biru). Citra RGB ini akan

dikelompokan berdasarkan nilai minimun dan maksimum pixel nya. Setelah

warna dikelompokan maka akan ditingkatkan masing masing kontras nya untuk

mendapat kualitas visual citra yang lebih baik. Warna yang telah ditingkatkan

akan digabungkan kembali menjadi satu melalui proses concatenation untuk

mengekstrak dan menggabungkan warna menjadi warna citra keluaran. Proses ini
 28

menggunakan fungsi cat dalam MATLAB. Setelah melalui proses concatenation

citra keluaran akan muncul[6].

Dari histogram citra pada gambar 2.3, Histogram citra input diregangkan

dan mengalami peningkatan frekuensi warna. Hasil dari peregangan warna

tersebut adalah warna akan tergradasi secara merata dan menghasilkan warnca

citra yang lebih seimbang. Alur diagram dari metode ini dapat dilihat pada gambar

2.4.

Gambar 2.4 Alur proses Tuned Tri-threshold Fuzzy IO[6]

Metode ini tentunya akan bermanfaat bagi segmentasi citra beton untuk

memperjelas perbedaan warna dari retakan beton dengan warna beton yang tidak

retak.
 29

2.5 Segmentasi
Segmentasi adalah tahap pemisahan citra menjadi bagian-bagian yang

diharapkan atau membagi suatu citra menjadi wilayah-wilayah yang homogen

berdasarkan kriteria tertentu antara derajat keabuan suatu piksel dengan derajat

keabuan piksel-piksel disekitarnya[14].

2.5.1 Otsu Thresholding

Thresholding adalah sebuah proses untuk memisahkan objek pada

foreground dengan background nya. Objek yang dipisahkan ini bertujuan untuk

memudahkan proses deteksi objek dan perhitungan luas objek. Citra grayscale

akan di rubah kedalam citra biner dengan memperhatikan derajat keabuan citra

untuk menentukan area mana yang menjadi = 1 (white) dan area mana yang

menjadi = 0 (black).

Otsu threshold adalah salah satu metode thresholding yang paling sering

digunakan di berbagai bidang. Metode otsu memiliki keunggulan dalam

segmentasi citra 2 dimensi. Hal ini dikarenakan metode ini memberikan hasil

maksimal ketika frekuensi jumlah pixel yang berdekatan sama[15]. Tentunya,

metode ini sangat cocok dengan objek yang di deteksi oleh program, yaitu beton.

Citra beton memiliki kesamaan yang cenderung memiliki 1 warna dominan,

biasanya berwarna abu-abu. Warna ini ketika dirubah menjadi citra grayscale

tidak akan kehilangan informasi citra nya terlalu banyak, karena citra sebelumnya

tidak memiliki banyak aspek warna.

Metode Otsu juga merupakan salah satu dari global thresholding terbaik

karena efektifitasnya[16].Bahkan, dalam penelitian Trier dan Jain ketika

 30

membandingkan 4 global thresholding, Abutaleb’s Method, Kapur et al’s Method,

Kittler Illingworth’s method dan otsu method. Hasilnya adalah metode otsu

thresholding memiliki performa paling baik[17].

Metode otsu membagi citra yang diinput menjadi 2 kelompok : Target

piksel dan piksel latar belakang. Metode ini memilih nilai thresholding

berdasarkan minimalisasi varians intra-kelas. Meminimalkan varian intra-kelas

sama dengan memaksimalkan varian antar kelas[1].

Varian antar kelas didefinisikan sebagai :

𝜎2w(𝑇) = 𝜔0(𝑇)𝜎02(𝑇) + 𝜔1(𝑇)𝜎12(𝑇) (2.1)

Probabilitas dihitung dengan histogram L :

T −1 L−1
𝜔0(𝑇) = ∑ p(𝑖) ; 𝜔 (𝑇) = ∑ p(𝑖)
1

i=0 i=T

(2.2)

Nilai rata-rata kelas dapat dihitung dengan :

T −1 L−1
𝜇0 (𝑇) = ∑ ip (𝑖)/𝜔0 ; 𝜇1(𝑇) = ∑ ip(𝑖)/𝜔1
i=0 i=T

(2.3)

Kelas varian individu dihitung dengan :

T −1
p(i)
𝜎02(𝑇)=∑ ¿ ¿i-𝜇 (T)] ω 0(T )
0
2

i=0

(2.4)

T −1
p(i)
𝜎12(𝑇)=∑ ¿ ¿i-𝜇 (T)] ω 1(T )
1
2

i=T

(2.5)

Dengan :
 31

𝜔0 & 𝜔1 = Probabilitas 2 kelas yang dipisahkan threshold (T)

𝜎0 & 𝜎1 = Varian dari kedua kelas

Angka antara 0 dan 255 ditetapkan ke (T) dan varian instar-kelas yang

sesuai dihitung menggunakan rumus di atas. Nilai (T) yang sesuai dengan varian

intra kelas maksimum adalah nilai thresholding yang disebut nilai Otsu

thresholding.

2.6 Filter
Filter berfungsi sebagai saringan atau tapis untuk mereduksi derau yang

dapat menganggu informasi dari suatu citra. Citra yang telah di segmentasi akan

diproses untuk membersihkan citra dari noise hasil dari segmentasi tanpa

mengurangi informasi citra yang signifikan. Pada penelitian ini, penulis

menggunakan metode Deghost dan Median Filter.

2.6.1 Deghost
Metode Deghost adalah filter yang akan menghapus area/objek

“hantu/ghost” pada citra hasil segmentasi. Objek yang dimaksud adalah objek

“sisa” seperti titik titik kecil hasil binerisasi. Objek seperti ini harus dihilangkan

untuk mendapatkan hasil yang maksimal[18]. Hasil perbandingan dari metode ini

bisa dilihat pada gambar 2.5.

Gambar 2.5 Hasil Deghost[18]

 32

2.6.2 Median Filter

Median filter adalah sebuah tapis untuk menghaluskan citra dan untuk

mengurangi noise. Median filter bekerja dengan cara mengurutkan nilai piksel dan

ketetanggaanya dari yang terkecil kemudian didaptkan nilai tengahnya. Median

filter adalah filter terbaik yang dikenal dalam jenis order statistic filter. Cara kerja

median filter dapat dilihat pada gambar 2.6.

Gambar 2.6 Median Filter[19]

Citra yang memiliki noise akan di proses dengan filter ini. Cara kerja

Filter ini adalah dengan menggantikan nilai sebuah piksel dengan nilai median

dari level keabuan pada piksel-piksel yang berdekatan[19], sehingga dapat

memudarkan noise yang berada di sekitar objek yang di segmentasi.

2.7 MATLAB
Matlab adalah singkatan dari Matrices Laboratory yang dikembangkan oleh

MathWork, dan termasuk bahasa pemrograman tingkat tinggi. Matlab

dikembangkan sebagai Bahasa pemrograman sekaligus sebagai alat visualisasi

yang menawarkan banyak kemampuan untuk menyelesaikan berbagai kasus yang

berhubungan langsung dengan disiplin keilmuan Matematika, seperti bidang

rekayasa teknik, fisika, statistika, komputasi dan modeling[20].

 33

BAB 3
METODE PENELITIAN

3.1 Waktu dan Tempat

Penelitian ini dilakukan pada bulan September 2020 sampai bulan

November 2020 di Laboratorium Teknik Elektro Universitas Jenderal Soedirman

yang terletak di KM5. Jl Mayor Jenderal Sungkono, Desa Blater, Kabupaten

Purbalingga, Jawa Tengah dengan metode eksperimen.

3.2 Alat dan Bahan

Alat dan bahan yang digunakan pada penelitian tugas akhir ini adalah

sebagai berikut.

1. Laptop Lenovo Ideapad 320 dengan spesifikasi:

a) Sistem Operasi Windosws 10 pro 64 bit

b) Processor Intel Core i5 7th Generation

c) Kartu Grafis Nvidia Geforce 920MX

d) RAM 4 GB
 34

e) Solid State Drive 240 GB

2. Perangkat lunak Microsoft Office Word 2019 untuk membantu

penulisan laporan.

3. Perangkat lunak MATLAB R2019a, sebagai alat bantu untuk

menganalisis data uji dan data latih.

4. Kamera Iphone 7 plus untuk pengambilan citra retakan beton di

Laboratorium Fakultas Teknik Universitas Jenderal Soedirman

5. Data citra retakan beton diperoleh dari dataset www.mendeley.com

Özgenel, Ç.F., Gönenç Sorguç, A. “Performance Comparison of

Pretrained Convolutional Neural Networks on Crack Detection in

Buildings”, ISARC 2018, Berlin.

3.3 Alur dan Tahap Penelitian

Alur dan tahapan penelitian dimulai dengan tahap persiapan,

perancangan, dan pengujian seperti yang terdapat pada Gambar 3.1 sebagai

berikut.
 35

Gambar 3.7 Flowchart Penelitan

3.3.1 Tahap Persiapan

Tahap ini merupakan tahap awal dalam penelitian. Pada tahap persiapan,

penulis mengumpulkan referensi-referensi baik berupa jurnal, buku, artikel

maupun penelitian-penelitian terdahulu yang berkaitan dengan pengolahan citra

keretakan pada beton. Selain itu, kegiatan yang dilakukan adalah persiapan alat

dan bahan berupa laptop untuk melakukan penulisan laporan, pengolahan data

menggunakan software MATLAB.

 36

3.3.2 Tahap Perencanaan

Pada tahap ini dilakukan penyusunan pra-proposal penelitian,

merumuskan dan mengidientifikasi masalah, membuat rencana waktu penelitian,

serta menyiapkan alat dan bahan yang akan digunakan agar penelitian berjalan

dengan lancer serta sesuai dengan target yang telah di rencanakan.

3.3.3 Tahap Pengumpulan Data

Pada tahap ini, kegiatan yang dilakukan adalah mengumpulkan data

penelitian yang dibutuhkan. Data primer diambil langsung di Laboratorium

Fakultas Teknik Universitas Jenderal Soedirman tepatnya di laboratorium Teknik

Sipil dengan menggunakan hasil uji beton yang digunakan untuk penelitian

Teknik sipil. Data sekunder didapat dari dataset retakan beton www.mendeley.com

Özgenel, Ç.F., Gönenç Sorguç, A. “Performance Comparison of Pretrained

Convolutional Neural Networks on Crack Detection in Buildings”, ISARC 2018,

Berlin.
3.3.4 Tahap Desain Sistem
Pada tahap ini akan diuraikan alur kerja dari sistem yang dibangun. Alur

diagram ini berfungsi untuk mempermudah dalam memahami dari alur bagaimana

sistem yang dibangun bekerja. Alur data diagram yang dibangun ditampilkan pada

gambar 3.2

Request USER

Preprocessing
Telusuri Citra Fuzzy Intensification
Operator
Resized Data Citra Reset
Citra Dimuat

Processing
Otsu Thresholding

Postprocessing
Deghost
Resize Citra Median Filter

Output Citra

Luas Area Pixel Prosentase Pixel

Gambar 3.8 Data Flow Diagram

Merujuk pada gambar 3.2, proses pengolahan citra diawali dengan

memasukan citra yang akan diproses. Setelah citra akan di resize menjadi

1000x1000 dan memasuki tahap preprocessing yaitu dengan menggunakan fuzzy

intensification operator. Setelah citra melewati proses preprocessing, citra

37
langsung memasuki tahap processing yaitu dengan menggunakan metode Otsu

Thresholding. Citra yang telah selesai diolah kemudian akan masuk pada tahap

postprocessing. Pada tahap ini, citra akan memasuki 2 tahapan, yaitu tahap

DeGhost dan Median filter. Dari hasil postprocessing tersebut akan muncul hasil

segmentasi citra yang akan diukur luas dan prosentase keretakanya.

Hasil akhir dari proses pengolahan ini adalah mendapatkan luas area pixel

keretakan dengan menggunakan metode dari fungsi MATLAB yaitu bwarea dan

prosentase keretakanya dalam bentuk pixel yang didapat dari hasil fungsi bwarea

lalu dibagi dengan baris dan kolom kemudian dikali dengan 100.

3.3.5 Tahap Uji dan evaluasi

Pada tahap ini akan dilakukan pengujian terhadap sistem yang telah

dibuat. Sistem akan diuji secara keseluruhan apakah sudah sesuai yang diharapkan

atau belum. Sistem akan diuji apakah kemampuan dari metode otau thresholding

dalam melakukan segmentasi luas retakan beton, jumlah pixel, dan prosentase

keretakan beton sudah sesuai yang diinginkan atau belum. Apabila sistem belum

dapat bekerja dengan baik, maka akan dilakukan pembenahan dan pengkajian

ulang terhadap sistem.

3.3.6 Tahap Laporan

Tahap ini merupakan tahap terakhir dalam penelitian yaitu penulisan

laporan yang berjudul “Deteksi Keretakan Beton Menggunakan Segmentasi Citra

38
Digital Dengan Metode Otsu Thresholding”. Penulisan laporan dilakukan dengan

mengolah hasil data pengujian, kemudian menganalisis hasil dan memaparkan

hasilnya dalam bentuk presentasi serta pembukuan laporan.

3.3.7 Waktu dan Jadwal Penelitian

Penelitian Tugas Akhir ini akan dilakukan dalam waktu kurang lebih 3

bulan dimulai dari bulan September 2020 sampai dengan November 2020 dengan

jadwal penelitian seperti yang terdapat pada Tabel 1.

Tabel 1 Jadwal Penelitian

No. Kegiatan Bulan 1 Bulan 2 Bulan 3

1 2 3 4 1 2 3 4 1 2 3 4

1. Studi Pustaka

2. Pengumpulan Data

3. Perancangan Sistem
Pengujian dan

4. Evaluasi sistem.

5. Pembuatan Laporan

3.3.8 Tahap Desain GUI

Pada tahap ini, penulis akan membuat desain Graphical User Interface

(GUI) dari tool yang telah disediakan oleh MATLAB. GUI ini berfungsi sebagai

tampilan antarmuka untuk melakukan interaksi dengan program yang di bangun.

39
User akan dimudahkan dengan adanya GUI ini. Desain GUI ini ditampilkan pada

gambar 3.3.

Gambar 3.9 Rancangan Desain Graphic User Interface

Rancangan berikut dibangun dengan memanfaatkan tool yang tersedia

pada software MATLAB R2019a yaitu dengan memanggil fungsi GUIDE.

BAB 4
PEMBAHASAN

4.1 Data Penelitian

Data pada penelitian yang digunakan berupa data primer yang diambil

langsung di Laboratorium Fakultas Teknik Universitas Jenderal Soedirman

dengan menggunakan beton dari hasil penelitian mahasiswa Teknik sipil yaitu uji

lekat beton dan diambil langsung menggunakan Kamera Smartphone iphone 7

plus yang berjumlah 30 citra dengan yang menghasilkan citra dengan spesifikasi

40
citra resolusi tinggi (3024x3024 pixel) dan memiliki kerapatan 72 dpi (dots per

inch). Lalu menggunakan data sekunder dari gedung kampus METU ( Middle

East Technical University ) yang terletak di Ankara, Turki. Data ini berbentuk

dataset citra retakan beton yang dihasilkan dari citra resolusi tinggi (4032x3024

pixel) yang telah di klasifikasikan ke berbagai kelas kategori retakan beton

menjadi citra RGB berukuran 227x227 pixel. Sampel yang digunakan pada

penelitian berjumlah 30 citra data primer, dan 300 citra data sekunder yang di

ambil dari berbagai kategori retakan agar bisa mewakili berbagai macam

keretakan pada dataset. Beberara sample data dapat dilihat pada Tabel 2 untuk

data primer dan Tabel 3 untuk data Sekunder.

Tabel 2 Sampel data primer

No Nama Citra Beton

1 IMG_0845

41
 2 IMG_0852

3 IMG_0850

4 IMG_0855

5 IMG_0840

Tabel 3 Sampel Data Sekunder

No Nama Citra Beton

1 0001

2 00026

42
 3 00107

4 18505_1

5 17783_1

4.2 Preprocessing
Preprocessing merupakan tahap awal yang dilakukan dalam pengolahan

citra digital. Preprocessing bertujuan untuk memperbaiki kualitas citra dan

menghilangkan derau (noise). Pada penelitian ini, preprocessing meliputi resize

citra untuk menormalisasi ukuran citra, grayscale untuk merubah citra berwarna

menjadu citra keabuan, dan Tuned tri-Threshold Fuzzy Intensification Operators

untuk membantu menaikan contrast citra dan memaksimalkan proses segmentasi.

4.2.1 Resize Citra

Pada penelitian ini, dilakukan resize citra karena untuk menormalisasi

ukuran citra agar lebih seragam dan jika dideteksi lebih akurat. Algoritma yang

digunakan untuk melakukan resize citra adalah sebagai berikut.

43
Algoritma 4.1 Resize
1. Start
2. Membaca ukuran citra
3. Menentukan ukuran matriks resize citra
4. Setiap baris dan kolom discan. Jika jumlah baris melebihi kolom, maka ukuran baris
akan diturunkan ke ukuran matriks yang ditentukan dan ukuran kolom akan mengikuti,
begitu pula sebaliknya
5. End

Nilai 1000x1000 digunakan sebagai dasar untuk menormalisasi citra agar

ukuran citra lebih seragam dan tidak banyak informasi citra yang tebuang dan

dapat menyesuaikan citra yang memiliki panjang dan lebar yang berbeda-beda.

Sehingga apabila citra yang digunakan memiliki resolusi tinggi atau

menggunakan citra diluar dari dataset, maka proses ini akan mempercepat proses

segmentasi. Selanjutnya, karena citra telah dirubah ukuranya tanpa mengurangi

kualitasnya dan hasilnya bisa seragam.

4.2.2 Citra Berskala Keabuan (Grayscale)

Grayscale merupakan Teknik yang digunakan untuk mengubah citra

berwarna (RGB) menjadi bentuk grayscale atau tingkat keabuan (dari hitam ke

putih). Proses ini dilakukan karena segmentasi otsu thresholding dapat bekerja

secara optimal pada citra berskala keabuan. Algoritma yang digunakan merubah

citra RGB menjadi citra berskala keabuan bisa dilihat pada Algoritma 4.2

Algoritma 4.2 Grayscale

1. Start
2. Mengambil semua pixel pada gambar
3. Warna tiap pixel akan diambil informasi mengenai 3 warna dasar yaitu merah, biru, dan
hijau
4. Ketiga warna dasar dijumlahkan dan dibagi tiga sehingga didapat nilai rata-rata.
5. Nilai rata-rata akan dipakai untuk memberikan warna pada pixel gambar sehingga menjadi grayscale
6. End

Perandingan citra grayscale dengan citra asli dapat dilihat pada table 3.

44
Tabel 4 Perbandingan citra grayscale
No Nama Citra Asli Citra Grayscale

1 IMG_0845

2 IMG_0852

3 IMG_0850

4 IMG_0855

5 IMG_0840

4.2.3 Tuned Tri-threshold Fuzzy Intensification Operators

Tuned Tri-threshold Fuzzy Intensification Operators adalah sebuah

algoritma atau metode yang berfungsi untuk meningkatkan kontras dari citra

grayscale sehingga memudahkan untuk proses segmentasi oleh otsu threshold.

45
Metode ini bekerja dengan cara melakukan ekualisasi histogram grayscale dan

mempertajam hasilnya, sehingga dapat terlihat jelas warna dari citra retakan dan

citra beton yang tidak retak. Proses ini menghasilkan objek yang gelap akan

semakin gelap dan objek yang terang akan semakin terang sehingga bagian-bagian

citra terlihat jelas perbedaanya. Algoritma yang digunakan terdapat pada

algoritma 4.3.

Algoritma 4.3 Tuned tri-threshold Fuzzy Intensification Operators

1. Start

2. Membaca citra dan mendapatkan nilai tingkat keabuan dari setiap pixel penyusunnya

3. Mencari nilai maksimum tingkat keabuan citra tersebut

4. Membuat histogram citra asal dan menyimpan frekuensi derajat keabuan pada array

5. Membuat histogram ekualisasi

6. Mencari nilai tingkat keabuan dari citra baru hasil ekualisasi dengan menggunakan
histogram ekualisasinya

7. Masing-masing nilai matriks baru dihitung dari histogram ekualisasi berdasarkan nilai
matriks citra lama

8. Memetakan ke citra baru

9. End
Hasil histogram dari proses Tuned tri-threshold Fuzzy Intensification

Operators dapat dilihat pada gambar 4.3.

46
 Gambar 4.10 Histogram citra grayscale

Gambar 4.11 Histogram citra Fuzzy IO

Perbandingan citra grayscale dengan citra fuzzy io dapat dilihat pada Tabel 5.

Tabel 5 Perbandingan citra Fuzzy IO

No Nama Citra Grayscale Citra Fuzzy IO Keterangan Hasil

Contrast citra
ditingkatkan
1 0001
sehingga hasil nya
lebih terang

47
 Contrast citra
ditingkatkan
2 00026
sehingga hasil nya
lebih terang

Contrast citra
ditingkatkan
3 00107
sehingga hasil nya
lebih terang

Contrast citra
ditingkatkan
4 18505_1
sehingga hasil nya
lebih terang

Contrast citra
ditingkatkan
5 17783_1
sehingga hasil nya
lebih terang

4.3 Segmentasi
Segmentasi pada citra retakan dilakukan dengan menggunakan metode

otsu thresholding. Pada metode ini, sampel akan dipisahkan antara foreground

dengan background nya. Objek yang dipisahkan ini bertujuan untuk memudahkan

proses deteksi objek dan perhitungan luas objek. Citra grayscale akan di rubah

kedalam citra biner dengan memperhatikan derajat keabuan citra untuk

menentukan area mana yang menjadi = 1 (white) dan area mana yang menjadi = 0

(black). Warna putih yang di segmentasi oleh metode ini adalah area retakan pada

beton, yang selanjutnya menjadi masukan untuk perhitungan area pixel retakan,

48
dan persentase retakan. Sedangkan warna hitam yang muncul adalah warna dari

beton yang tidak retak sekaligus menjadi latar belakang citra beton.

Pada proses segmentasi ini, tidak terjadi proses masking atau proses

pemilihan titik titik area tertentu pada citra untuk di segmentasi. Citra yang di

segmentasi merupakan citra yang utuh sesuai citra input dan merupakan output

citra dari preprocessing. Algoritma dari segmentasi otsu thresholding bisa dilihat

di Algoritma 4.4.

Algoritma 4.4 Segmentasi Otsu Thresholding

1. Start

2. Membaca citra dan mendapatkan nilai citra

3. Mencari nilai variasi maksimum antar kelas dalam citra grayscale

4. Melakukan proses iteratif, dengan menguji coba sejumlah nilai threshold sampai
menemukan nilai yang maksimum

5. Melakukan perbandingan nilai citra dengan nilai threshold.

6. Merubah warna citra menjadi putih apabila nilai nya ada diatas nilai threshold dan
merubah warna citra menjadi hitam apabila nilainya ada dibawah nilai threshold

7. Memetakan ke citra baru

8. End

Hasil dari segmentasi dapat dilihat pada tabel 5.

No Nama Citra Fuzzy IO Citra Segmentasi

1 0001

49
 2 00026

3 00107

4 18505_1

5 17783_1

4.4 Postprocessing
Hasil citra segmentasi dengan metode otsu thresholding masih terdapat

noise berupa objek-objek kecil selain objek retakan, sehingga diperlukan

postprocessing agar kualitas citra lebih baik dan untuk menampilkan informasi

yang terdapat pada citra hasil segmentasi. Pada penelitian ini, postprocessing

meliputi deghost dan median filter.

4.4.1 Deghost
Deghost merupakan metode eliminasi derau atau noise yang terdapat

pada citra hasil segmentasi. Pada hasil segmentasi citra sisa-sisa objek yang dapat

50
mengganggu hasil perhitungan area piksel. Sisa-sisa objek yang tertinggal ini

disebut dengan istilah ghost atau “hantu”. Metode ini bekerja dengan cara

menghitung nilai gradien rata-rata di tepi setiap objek yang ditampilkan. Objek

yang memiliki gradien rata-rata di bawah threshold point akan diberi label

misclassified object dan dihilangkan. Algoritma deghost dapat dilihat pada

Algoritma 4.5

Algoritma 4.5 Deghost

1. Start

2. Membaca citra dan mendapatkan nilai citra

3. Menghaluskan citra dengan filter rata-rata (3x3) untuk menghilangkan noise

4. Menghitung besarnya gradien citra dari gambar yang dihaluskan serta menggunakan
deteksi tepi sobel untuk mendeteksi objek

5. Melakukan perbandingan nilai citra dengan nilai threshold point

6. Menghapus komponen objek yang memiliki nilai gradient tepi dibwah rata-rata ambang
TP.

7. End
Berikut adalah hasil deghost, ditujukan pada Tabel 6.

Tabel 6 Perbandingan Deghost

No Nama Citra Segmentasi Citra deghost

1 0001

51
 2 00026

3 00107

4 18505_1

5 17783_1

Pada hasil diatas, sampel yang diuji hampir tidak terlihat perbedaan yang

dihasilkan oleh metode deghost. Hal ini disebabkan karena hasil preprocessing

bekerja dengan baik untuk menghilangkan cukup banyak noise yang mengganggu

citra dan dataset yang digunakan juga memiliki citra beton dengan noise kecil.

Namun, apabila citra yang di uji diambil dari data primer karena

memiliki kekasaran yang cukup besar, maka metode ini cukup memperlihatkan

hasil yang signifikan. Citra yang diolah dapat dilihat pada Tabel 7.

Tabel 7 Perbandingan Deghost

No Nama Citra Segmentasi Citra deghost Keterangan Hasil

52
 Bercak putih
dihilangkan
1 IMG_0852
sehingga citra lebih
bersih

2 IMG_0845 Citra lebih bersih

Bercak putih
dihilangkan
3 IMG_0855
sehingga citra lebih
bersih

Bercak putih
dihilangkan
4 IMG_0849
sehingga citra lebih
bersih

Bercak putih
dihilangkan
5 IMG_0848
sehingga citra lebih
bersih

Dari hasil pengujian diatas dengan menggunakan metode deghost objek

objek yang kecil dan yang tidak terhubung dengan yang lain akan di hilangkan

karena dianggap sebagai objek hantu. Metode deghost ini bekerja sangat baik

untuk menghilangkan objek yang tidak diinginkan. Metode ini bekerja dengan

cara memanfaatkan pixel connectivity, yaitu menghitung pixel yang saling

terhubung 1 dengan yang lain dan akan mengeliminasi pixel yang tidak terhubung

53
dengan parameter tertentu. Set dari citra biner yang memiliki kelompok pixel

yang saling terhubung disebut dengan object atau connected component. Dari set

tersebut maka terbentuk citra yang dapat kita lihat. Parameter yang digunakan

oleh metode deghost adalah dengan 4-connected Two Dimensional Connectivites.

Skema parameter deghost dapat dilihat pada gambar.

Gambar 4.12 4-connected[21]

Suatu pixel akan disebut sebagai objek bila tepi pixel saling bersentuhan

dengan syarat dua pixel yang berdampingan adalah bagian dari objek yang sama

jika keduanya berada dan terhubung sepanjang arah horizontal atau vertikal.

Namun, hal ini bisa mengakibatkan hasil yang tidak sesuai, yaitu apabila pada saat

retakan terlalu tipis dan kecil, maka retakan akan dianggap sebagai noise,

sehingga hasil akhirnya retakan tidak terdeteksi atau terpotong karena pixel dari

citra yang telah di segmentasi renggang, dan tidak bersentuhan satu sama lain

sesuai parameter yang di set dalam metode deghost maka akan dianggap sebagai

noise. Contoh dari retakan citra yang tidak terdeteksi dapat dilihat pada gambar

4.4.

54
 Hasil Segmentasi Hasil Deghost Hasil Akhir
Gambar 4.13 Retakan yang tidak terdeteksi

4.4.2 Median Filter

Median Filter adalah tapis yang bekerja dengan cara mengurutkan nilai

piksel dan ketetanggaanya dari yang terkecil kemudian didapatkan nilai

tengahnya. Sama seperti Deghost metode ini berfungsi untuk menghaluskan citra

yang memiliki derau/noise yang dapat mengganggu hasil dari segmentasi. Metode

ini dapat dipanggil dengan menggunakan fungsi MATLAB yaitu medfilt2 Contoh

dari median filter ditujukan pada Gambar sebelah kanan pada Gambar 4.5

Deghost Median filter

Gambar 4.14 Perbandingan Median Filter

55
 Perbandingan noise dapat dilihat pada objek yang dilingkar di gambar 4.5.

Noise citra yang tidak memiliki informasi retakan hilang karena dampak dari

median filter ini adalah menghaluskan citra dengan mengambil nilai median dari

nilai pixel citra tersebut. Median filter ini sangat cocok untuk mengurangi noise

yang bersifat “salt and pepper” yaitu noise yang berupa titik-titik hitam atau putih

yang tersebar dalam sebuah citra. Karena memiliki dampak untuk menghaluskan

citra, median filter ini juga menghaluskan sisi-sisi retakan pada citra, sehingga

hasil retakan halus mengikuti garis retakanya.

4.5 Perhitungan Luas dan Perhitungan Prosentase Retakan

Perhitungan luas dari retakan beton didapat dari fungsi bwarea. Bwarea

merupakan teknik pengolahan citra yang memperkirakan jumlah piksel dalam

daerah yang terkandung pada sebuah citra. Bwarea membantu visualisasi nilai

pixel dengan menghitung nilai wilayah. Wilayah yang dimaksud adalah wilayah

hasil postprocessing citra. Wilayah putih memiliki nilai pixel=1 dan wilayah

hitam memiliki nilai pixel=0. Fungsi ini akan mengakumulasi nilai pixel yang

terkandung pada citra. Contoh dari fungsi ini dapat dilihat pada Gambar 4.6.

Hasil postprocessing Daerah Retakan Hasil Area retakan

Gambar 4.15 Area retakan dan prosentase

56
 Lalu untuk perhitungan prosentase retakan didapatkan dari area

retakan(bwarea) dibagi kolom dan baris citra dikali dengan 100. Untuk rumus

yang digunakan dapat dilihat pada Gambar 4.7.

persentase_retakan = (area_retakan / (row * col)) * 100;

Area Retakan
x 100
Row∗Col
Gambar 4.16 Rumus prosentase area retakan

Nilai area retakan didapat dari fungsi bwarea. Area retakan ini akan di

bagi dengan baris dan kolom dari citra hasil, yaitu 1000x1000. Setelah itu dikali

dengan 100 sebagai standar perhitungan prosentase. Hasil dari perhitungan luas

area dan perhitungan prosentase retakan ini ditampilkan dalam bentuk string yaitu

tulisan pada axes.box yang ada pada GUI. Sehingga memudahkan pengguna untuk

melihat hasil perhitunganya.

4.6 Hasil Pengujian

Sampel data kemudian diuji menggunakan GUI (Graphical User

Indterface ) MATLAB yang telah terdapat menu segmentasi dengan metode otsu

thresholding. Penelitian ini menghasilkan citra beton yang telah tersegmentasi

dengan beberapa parameternya seperti luas area keretakan, dan prosentase

keretakan dari keseluruhan citra.

57
 Gambar 4.17 Graphic User Interface

Gambar 4.8 merupakan contoh implementasi sampel dataset pada GUI.

Pada GUI terdapat 3 buah histogram, 2 buah kolom output, dan 6 buah axes yang

digunakan untuk menampilkan citra asli, preprocessing (Fuzzy IO), segmentasi,

postprocessing (Deghost dan Median filter), hasil akhir segmentasi.

Cara mengoperasikan sistem ini adalah dengan cara membuka source

code GUI.m dengan MATLAB untuk membuka GUI. Setelah itu, run source

code dan GUI akan terbuka seperti pada gambar 4.9. Untuk memilih citra beton

yang akan dideteksi maka arahkan cursor ke panel box “Buka Citra” di ujung kiri

atas GUI. Setelah itu, pilih citra yang akan dideteksi dan klik buka seperti yang

ditujukan pada Gambar 4.10. Setelah itu, tunggu beberapa saat sampai hasil akhir

citra muncul pada axes.box yang bernama “Hasil akhir” dan nilai luas area retakan

dan prosentase nya muncul di panel “Keretakan Beton”.

58
 1

Gambar 4.18 Tampilan awal GUI

3
Gambar 4.19 Tampilan pemilihan citra pada GUI
Pada penelitian ini, parameter hasil yang didapatkan dari segmentasi

metode Otsu Thresholding adalah berupa luas area retakan (pixel) dan prosentase

area retakan (%) dengan citra keseluruhan. Setiap proses pengujian akan diamati

waktu proses nya dengan menggunakan stopwatch manual dari saat citra di input

59
hingga muncul pada hasil akhir. Citra yang telah terdeteksi keretakanya akan

diberikan highlight warna biru sebagai tanda lokasi dari keretakan. Hasil

pengujian menggunakan citra dari Laboratorium Fakultas Teknik Universitas

Jenderal Soedirman yang berisi sampel beton yang retak dan yang tidak memiliki

retakan dan ditujukan pada Tabel 8 dan Tabel 9 lalu dataset Özgenel, Ç.F.,

Gönenç Sorguç, A. “Performance Comparison of Pretrained Convolutional

Neural Networks on Crack Detection in Buildings”, ISARC 2018, Berlin yang

ditujukan pada Tabel 10. Berikut adalah hasil pengujianya.

Tabel 8 Hasil Pengujian Data Primer Beton Non Retak

Luas
Persentase Waktu
Nama Area
No Hasil Citra Area Pengujian
Citra Retakan
Retakan(%) (s)
(Pixel)

1 IMG_0835 23167 2.3167 00.27,48

2 IMG_0836 19110.8 1.91107 00.29,49

3 IMG_0843 17353.1 1.73531 00.27,25

60
 4 IMG_0844 15682.3 15682.3 00.27,30

5 IMG_0857 26825 2.6825 00.29,30

Tabel 9 Hasil Pengujian Data Primer Beton Retak

Luas
Persentase Waktu
Nama Area
No Hasil Citra Area Pengujian
Citra Retakan
Retakan(%) (s)
(Pixel)

1 IMG_0445 47168.9 4.71689 00.30,01

2 IMG_0847 60919.8 6.09198 00.30,07

3 IMG_0850 49793.1 4.97931 00.29,58

61
 4 IMG_0852 48956 4.8956 00.29,56

5 IMG_0855 32915.4 3.29154 00.29,45

Tabel 10 Hasil Pengujian Data Sekunder

Luas Area Persentase
Nama Waktu
No Hasil Citra Retakan Area
Citra Pengujian (s)
(Pixel) Retakan(%)

1 0001 54722.9 5.47229 00.02,43

2 00026 36197.9 3.61979 00.03,05

3 00107 149204 14.9204 00.03,03

62
 4 18505_1 52884.4 5.28844 00.02,59

5 17783_1 124226 12.4226 00.03,10

Dari pengujian diatas segmentasi otsu thresholding dapat bekerja dengan

baik untuk mendeteksi keretakan. Highlight warna biru berada tepat pada posisi

retakan dan tidak mengarsir area yang tidak retak. Luas area dari retakan

didapatkan dari fungsi bwarea yang menghitung jumlah pixel yang muncul dalam

citra yang sudah di segmentasi. Contoh pixel yang tedeteksi dapat dilihat pada

gambar 4.11

Hasil Segmentasi Hasil postprocessing Hasil Akhir

Gambar 4.20 Pixel perhitungan bwarea
Highlight warna biru merupakan hasil dari identifikasi retakan yang

dianggap pixel yang dideteksi. Sehingga, fungsi bwarea menggunakan pixel yang

63
di highlight biru dan dihitung luas pixel yang terdapat di area tersebut. Lalu pada

bagian persentase luas area retakan menggunakan perhitungan area

retakan(highlight biru) dibagi dengan baris dan kolom citra dan dikali dengan

100. Sehingga menghasilkan persentase luas area retakan dalam satuan pixel.

Pada pengujian diatas, terdapat perbedaan yang signifikan dalam waktu

pengujian. Pada data primer proses pengujian beton memakan waktu sekitar 29

detik dan pada data sekunder proses pengujian hanya memakan waktu sekitar 3

detik. Hal ini disebabkan karena citra yang digunakan pada data primer

merupakan citra yang memiliki resolusi tinggi yaitu 3000x3000 pixel karena

merupakan citra mentah / raw images yang belum diolah serta memiliki informasi

citra yang tinggi. Pada data sekunder resolusi citra hanya 227x227 pixel karena

merupakan dataset training untuk klasifikasi beton namun tetap memiliki

informasi citra yang cukup sehingga keretakan masih terdeteksi secara tepat. Hasil

rata-rata waku pengujian dapat dilihat pada tabel 11.

Tabel 11 Hasil rata rata waktu pengujian

Data primer non
Nama Tabel Data primer retak Data Sekunder
retak

Waktu rata rata 0:28:24 0:29:57 0:03:00

Terjadi perbedaan rata-rata waktu yang signifikan pada data primer dan

data sekunder disebabkan pada saat proses resize citra. Citra akan di resize ke

ukuran 1000x1000 pixel agar citra yang diolah mendapatkan hasil yang seragam

tanpa kehilangan banyak informasi. Karena semakin besar resolusi pixel citra

yang diolah maka waktu pengolahan pun akan semakin banyak. Untuk citra

64
ukuran 3000x3000 px memili iterasi citra sebanyak 9000000 px dan harus di

resize ke bentuk 1000000 px , namun untuk citra ukuran 227x227 px hanya

memiliki iterasi citra 51529 pixel sehingga memiliki jangkauan lebih dekat

dengan bentuk citra 100000 px sehingga prosesnya lebih cepat.

BAB 5
PENUTUP

5.1 Kesimpulan
Kesimpulan dalam penelitian ini adalah sebegai berikut.

1. Input citra yang memiliki tingkat noise rendah akan memberikan hasil

yang maksimal dan akurat.

2. Citra yang digunakan di resize kedalam ukuran 1000x1000 pixel. Semakin

besar ukuran citra yang di input maka proses pengolahan citra akan

semakin lama.

65
 3. Metode Tuned Tri-Threshold fuzzy intensification operators memiliki

pengaruh besar karena menaikan contrast warna citra sehingga area

retakan dan area beton dapat terlihat lebih jelas.

4. Metode Otsu thresholding bekerja efektif untuk segmentasi retakan,

namun objek berupa garis yang bukan retakan dapat ikut terdeteksi,

sehingga sehingga mempengaruhi output penelitian.

5. Penggunaan metode deghost terbukti tidak hanya membersihkan noise

pada tinta tulisan, karena awalnya filter ini ditujukan untuk

menghilangkan noise pada tulisan, tetapi bisa juga diterapkan untuk

menghilangkan noise pada citra retakan beton.

6. Median filter berfungsi untuk menghaluskan citra dan bekerja secara

efektif untuk menghilangkan noise salt and pepper.

5.2 Saran
1. Untuk penelitian selanjutnya, diharapkan menggunakan computer dengan

spesifikasi lebih tinggi untuk mempercepat proses pengolahan data.

2. Untuk penelitian selanjutnya, diharapkan bisa melakukan klasifikasi

tingkat keparahan dari retakan beton berdasarkan data penelitian yang

telah diperoleh dalam penelitian saat ini

3. Penelitian selanjutnya, diharapkan dapat menerapkan sistem yang lebih

adaptif sehingga dapat mendeteksi objek yang memiliki karakteristik

yang berbeda-beda.

66
 4. Penelitian selanjutnya, diharapkan dapat di konversi ke satuan scalar dan

di imbangi dengan pengukuran retakan di lapangan untuk mengetahui

akurasi perhitungan.

DAFTAR PUSTAKA

[1] S. Dorafshan and X. Qi, “Automatic Surface Crack Detection in Concrete

Structures Using OTSU Thresholding and Morphological Operations,” no.
August, p. 151, 2016, doi: 10.13140/RG.2.2.34024.47363.
[2] F. S. Herlambang and E. Y. Setyono, “Pengaruh Jarak Transducer dan
Tulangan pada Pengukuran Kedalaman Retak Beton Menggunalan
Ultrasonic Pulse Velocity (UPV),” vol. 3, pp. 162–172, 2017.
[3] H. Kim, J. Lee, E. Ahn, S. Cho, M. Shin, and S. H. Sim, “Concrete crack
identification using a UAV incorporating hybrid image processing,”
Sensors (Switzerland), vol. 17, no. 9, pp. 1–14, 2017, doi:
10.3390/s17092052.
[4] C. Eschmann, C.-M. Kuo, C.-H. Kuo, and C. Boller, “High-Resolution
Multisensor Infrastructure Inspection With Unmanned Aircraft Systems,”
ISPRS - Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci., vol. XL-
1/W2, no. August 2013, pp. 125–129, 2013, doi: 10.5194/isprsarchives-xl-
1-w2-125-2013.
[5] I. Abdel-Qader, O. Abudayyeh, and M. E. Kelly, “Analysis of edge-

67
 detection techniques for crack identification in bridges,” J. Comput. Civ.
Eng., vol. 17, no. 4, pp. 255–263, 2003, doi: 10.1061/(ASCE)0887-
3801(2003)17:4(255).
[6] Z. Al-Ameen, “Visibility enhancement for images captured in dusty
weather via tuned tri-threshold fuzzy intensification operators,” Int. J.
Intell. Syst. Appl., vol. 8, no. 8, pp. 10–17, 2016, doi:
10.5815/ijisa.2016.08.02.
[7] J. Hidayat, M. F. Siregar, and T. Abdilah, “ANALISA KERETAKAN
BETON DENGAN CITRA DIGITAL,” pp. 3–7, 2018.
[8] M. H. Fadhlullah, “Deteksi Keretakan Pada Struktur Beton.”
[9] Ahadi, “Pengertian Beton,” 24 September, 2010. [Online]. Available:
https://www.ilmusipil.com/pengertian-beton-adalah. [Accessed: 19-Sep-
2020].
[10] D. Sutoyo. T, Mulyanto . Edy, Suhartono. Vincent, Teknik Pengolahan
Citra Digital. Yogyakarta: Andi Yogyakarta, 2009.
[11] R. D. Kusmanto and A. Tomponu, “Pengolahan Citra Digital Untuk
Mendeteksi Obyek Menggunakan Pengolahan Warna Model Normalisasi
RGB,” Stud. Environ. Sci., vol. 17, no. C, pp. 329–332, 1981, doi:
10.1016/S0166-1116(08)71924-1.
[12] M. R. Kumaseh, L. Latumakulita, and N. Nainggolan, “Segmentasi Citra
Digital Ikan Menggunakan Metode Thresholding,” J. Ilm. Sains, vol. 13,
no. 1, p. 74, 2013, doi: 10.35799/jis.13.1.2013.2057.
[13] M. Riadi, “Pengolahan Citra Digital,” 21 April, 2016. [Online]. Available:
https://www.kajianpustaka.com/2016/04/pengolahan-citra-digital.html.
[14] T. A. Wijaya and Y. Prayudi, “Implementasi Visi Komputer Dan
Segmentasi Citra Untuk Klasifikasi Robot,” Snati 2010, vol. 2010, no.
Snati, pp. 1–5, 2010.
[15] Z. Jun and H. Jinglu, “Image segmentation based on 2D Otsu method with
histogram analysis,” Proc. - Int. Conf. Comput. Sci. Softw. Eng. CSSE 2008,
vol. 6, no. 1, pp. 105–108, 2008, doi: 10.1109/CSSE.2008.206.
[16] B. Yu, A. K. Jain, and M. Mohiuddin, “Address block location on complex
mail pieces,” Proc. Int. Conf. Doc. Anal. Recognition, ICDAR, vol. 2, pp.
897–901, 1997, doi: 10.1109/icdar.1997.620641.
[17] ∅Osivind Due Trier and A. K. Jain, “Goal-Directed Evaluation of
Binarization Methods,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 17,
no. 12, pp. 1191–1201, 1995, doi: 10.1109/34.476511.
[18] J. Motl, “Remove ghosts from binarized images,” 2020. [Online].
Available: https://www.mathworks.com/matlabcentral/fileexchange/41786-
remove-ghosts-from-binarized-images. [Accessed: 20-Sep-2020].
[19] A. Sembiring, “Perbandingan Algoritma Mean Filter, Median Filter dan
Wiener Filter pada Aplikasi Restorasi Citra RGB Terdegradasi Impulse
Noise Menggunakan The Peak Signal To Noise Ratio (PSNR),” 2017, doi:
10.31227/osf.io/rt6we.

68
[20] I. Kurniawan, “Pengertian MATLAB,” 8 Desember, 2018. [Online].
Available: https://swanstatistics.com/pengertian-matlab/.
[21] Mathworks, “Pixel Connectivity.” [Online]. Available:
https://www.mathworks.com/help/images/pixel-connectivity.html.
[Accessed: 25-Jan-2020].

69
 LAMPIRAN

Lampiran 1. Hasil Uji Data Primer

Luas
Persentase Waktu
Nama Area
No Hasil Citra Area Pengujian
Citra Retakan
Retakan(%) (s)
(Pixel)

1 IMG_0832 10557.4 1.05574 00.27,20

2 IMG_0833 20210.6 2.02106 00.27,49

3 IMG_0834 39159.8 3.91597 00.28,40

70
 71

4 IMG_0835 23167 2.3167 00.27,48

5 IMG_0836 19110.8 1.91107 00.29,49

6 IMG_0837 20634 2.0634 00.29,43

7 IMG_0838 24294.6 2.42946 00.26,20

8 IMG_0839 23501.1 2.35011 00.27,43

 72

9 IMG_0840 49154 4.9154 00.27,05

10 IMG_0830 27249.3 2.72492 00.27,38

11 IMG_0841 31987.5 3.19875 00.29,46

12 IMG_0842 23337.1 2.33371 00.30,03

13 IMG_0843 17353.1 1.73531 00.27,25

 73

14 IMG_0844 15682.3 15682.3 00.27,30

15 IMG_0445 47168.9 4.71689 00.30,01

16 IMG_0846 27664.6 2.76646 00.29,47

17 IMG_0847 60919.8 6.09198 00.30,07

18 IMG_0848 140641 140641 00.30,56

 74

19 IMG_0849 97366.3 97366.3 00.29,59

20 IMG_0850 49793.1 4.97931 00.29,58

21 IMG_0851 19524.8 1.95247 00.29,37

22 IMG_0852 48956 4.8956 00.29,56

23 IMG_0853 129630 12.963 00.30,09

 75

24 IMG_0854 57139 5.71391 00.30,10

25 IMG_0855 32915.4 3.29154 00.29,45

26 IMG_0856 23628.3 2.36282 00.29,58

27 IMG_0857 26825 2.6825 00.29,30

28 IMG_0858 17989.6 1.79896 00.29,45

 76

29 IMG_0859 20907.1 2.09071 00.29,33

30 IMG_0860 22130 2.213 00.29,29

 77

Lampiran 2. Hasil Uji Data Sekunder

Luas Area Persentase

Nama Waktu
No Hasil Citra Retakan Area
Citra Pengujian (s)
(Pixel) Retakan(%)

1 00001 54722.9 5.47229 00.02,93

2 00002 31936.4 3.19364 00.03,01

3 00003 60624.8 6.06248 00.03,52

4 00004 52816.4 5.28164 00.03,30

 78

5 00005 32332.3 3.23323 00.03,50

6 00006 32846 3.2846 00.03,45

7 00007 72705 7.2705 00.03,53

8 00008 44290.4 4.42904 00.03,42

9 00009 41011.9 4.10119 00.03,34

 79

10 00010 28637.9 2.86379 00.03,53

11 00011 76286.5 7.62865 00.03,48

12 00012 60824.8 6.08247 00.03,46

13 00013 36531.9 3.65319 00.03,52

14 00014 69404.4 6.94044 00.03,45

 80

15 00015 32670.3 3.26702 00.03,51

16 00016 45658.5 4.56585 00.03,57

17 00017 27334.4 2.73344 00.03,55

18 00018 49974 4.9974 00.03,32

19 00019 11090.5 1.10905 00.03,58

 81

20 00020 13737.6 1.37376 00.03,22

21 00021 13658.4 1.36584 00.03,14

22 00022 13836.4 1.38364 00.03,19

23 00023 47712.4 4.77124 00.03,40

24 00024 53434.3 5.34342 00.03,33

 82

25 00025 27814.6 2.78146 00.03,58

26 00026 36197.9 3.61979 00.03,57

27 00027 31108.8 3.11088 00.03,47

28 00028 25715.5 2.57155 00.03,26

29 00029 28472.5 2.84725 00.03,23

 83

30 00030 36583.9 36583.9 00.03,15

31 00031 23791.6 2.37916 00.03,11

32 00032 30245.5 3.02455 00.03,09

33 00033 24074.5 2.40745 00.03,12

34 00034 7512.63 0.751263 00.03,59

 84

35 00035 16488.4 1.64884 00.03,29

36 00036 24917.1 2.49171 00.03,36

37 00037 30870.5 3.08705 00.03,51

38 00038 26170.1 2.61701 00.03,13

39 00039 24099.3 2.40992 00.03,03

 85

40 00040 19070.4 1.90704 00.03,42

41 00041 21816.6 2.18166 00.03,24

42 00042 37151.9 3.71519 00.03,29

43 00043 41030.1 4.10301 00.03,18

44 00044 25544.9 2.55449 00.03,05

 86

45 00045 22410.5 2.24105 00.03,13

46 00046 23003.4 2.30034 00.03,06

47 00047 27802.5 2.78025 00.03,24

48 00048 32561 3.2561 00.03,29

49 00049 36048.1 3.60481 00.03,31

 87

50 00050 41125.5 4.11255 00.03,37

51 00051 17822.5 1.78225 00.03,52

52 00052 35422.9 3.54229 00.03,45

53 00053 34717.8 3.47178 00.03,45

54 00054 38781.1 3.87811 00.03,22

 88

55 00055 103183 10.3183 00.03,14

56 00056 140861 14.0861 00.03,19

57 00057 120013 12.0013 00.03,40

58 00058 99820.1 9.98201 00.03,33

59 00059 70028 7.0028 00.03,53

 89

60 00060 80326.1 8.03261 00.03,48

61 00061 82920.5 8.29205 00.03,51

62 00062 177011 17.7011 00.03,57

63 00063 101271 10.1271 00.03,55

64 00064 96437.8 9.64377 00.03,09

 90

65 00065 93818 9.3818 00.03,12

66 00066 70063.5 7.00635 00.03,59

67 00067 79822.1 7.98221 00.03,29

68 00068 136110 13.6109 00.03,36

69 00069 98271.5 9.82715 00.03,51

 91

70 00070 83417.8 8.34178 00.03,13

71 00071 76327.3 7.63272 00.03,03

72 00072 75702.3 7.57022 00.03,42

73 00073 72901.3 7.29012 00.03,43

74 00074 90947.1 9.09471 00.03,41

 92

75 00075 79780.4 7.97804 00.03,09

76 00076 74778.5 7.47785 00.03,12

77 00077 90198.4 9.01984 00.03,59

78 00078 101883 10.1883 00.03,06

79 00079 93247.1 9.32471 00.03,24

 93

80 00080 93459.9 9.34599 00.03,29

81 00081 101938 10.1938 00.03,31

82 00082 118413 11.8413 00.03,37

83 00083 51711.8 5.17117 00.03,12

84 00084 74422.5 7.44225 00.03,59

 94

85 00085 105217 10.5217 00.03,29

86 00086 73334.5 7.33345 00.03,36

87 00087 85520.3 8.55203 00.03,52

88 00088 55162.1 5.51621 00.03,45

89 00089 127400 12.74 00.03,40

 95

90 00090 30730.9 3.07309 00.03,33

91 00091 36216.1 3.62161 00.03,11

92 00092 75475.4 7.54754 00.03,36

93 00093 85029.5 8.50295 00.03,24

94 00094 112063 11.2063 00.03,52

 96

95 00095 94496.1 9.44961 00.03,51

96 00096 141272 14.1272 00.03,45

97 00097 142556 14.2555 00.03,47

98 00098 105122 10.5122 00.03,40

99 00099 92391.1 9.23911 00.03,30

 97

100 00100 85020.9 8.50209 00.03,50

101 00101 20007.3 2.00073 00.03,58

102 00102 70814.5 7.08145 00.03,03

103 00103 43938 4.3938 00.03,08

104 00104 82468.3 8.24683 00.03,06

 98

105 00105 71726.4 7.17264 00.03,16

106 00106 128933 12.8933 00.03,23

107 00107 149204 14.9204 00.03,25

108 00108 169815 16.9815 00.03,39

109 00109 128650 12.865 00.03,30

 99

00110 110 94490.5 9.44905 00.03,21

00111 111 112639 11.2639 00.03,43

00112 112 72487.4 7.24874 00.03,28

00113 113 79834.3 7.98342 00.03,13

00114 114 106441 10.6441 00.03,38

 100

00115 115 98378.3 9.83783 00.03,45

00116 116 96446.4 9.64464 00.03,26

00117 117 101861 10.1861 00.03,57

00118 118 96361.1 9.63611 00.03,41

00119 119 114373 11.4373 00.03,37

 101

00120 120 86064.9 8.60649 00.03,13

00121 121 85030.5 8.50305 00.03,56

00122 122 91116 9.1116 00.03,50

00123 123 131016 13.1016 00.03,46

00124 124 121833 12.1833 00.03,30

 102

00125 125 107403 10.7403 00.03,31

00126 126 111376 11.1376 00.03,31

00127 127 76515.6 7.65156 00.03,34

00128 128 95228.5 9.52285 00.03,41

00129 129 90928.6 9.09286 00.03,51

 103

00130 130 79746.9 7.97469 00.03,28

00131 131 144687 14.4687 00.03,27

00132 132 120281 12.0281 00.03,26

00133 133 113133 11.3133 00.03,59

00134 134 94578.6 9.45786 00.03,29

 104

00135 135 111550 11.155 00.03,36

00136 136 103895 10.3895 00.03,51

00137 137 103717 10.3717 00.03,13

00138 138 87061.1 8.70611 00.03,55

00139 139 114694 11.4694 00.03,09

 105

00140 140 122197 12.2197 00.03,40

00141 141 66144.1 6.61441 00.03,33

00142 142 75678.1 7.56781 00.03,32

00143 143 76504.4 7.65044 00.03,36

00144 144 82721.5 8.27215 00.03,13

 106

00145 145 125065 12.5065 00.03,08

00146 146 179467 17.9467 00.03,06

00147 147 52783.4 5.27834 00.03,20

00148 148 22057.6 2.20576 00.03,58

00149 149 175640 17.564 00.03,22

 107

00150 150 100103 10.0103 00.03,14

00151 151 210325 21.0325 00.03,58

00152 152 76020.8 7.60208 00.03,03

00153 153 163120 16.312 00.03,08

00154 154 152389 15.2389 00.03,06

 108

00155 155 182001 18.2001 00.03,16

00156 156 91472.1 9.14721 00.03,23

00157 157 141427 14.1427 00.03,25

00158 158 153502 15.3502 00.03,39

00159 159 226659 22.6659 00.03,30

 109

00160 160 237038 23.7037 00.03,21

00161 161 153369 15.3368 00.03,43

00162 162 114941 11.4941 00.03,28

00163 163 132004 13.2004 00.03,13

00164 164 121584 12.1584 00.03,38

 110

00165 165 96400.5 9.64005 00.03,45

00166 166 160154 16.0154 00.03,26

00167 167 101027 10.1027 00.03,57

00168 168 167613 16.7613 00.03,41

00169 169 144332 14.4332 00.03,37

 111

00170 170 122478 12.2478 00.03,13

00171 171 96340.1 9.63401 00.03,56

00172 172 121457 12.1457 00.03,50

00173 173 157129 15.7129 00.03,46

00174 174 127732 12.7732 00.03,30

 112

00175 175 132547 13.2547 00.03,31

00176 176 135635 13.5635 00.03,31

00177 177 116413 11.6413 00.03,34

00178 178 177744 17.7744 00.03,41

00179 179 110061 11.0061 00.03,51

 113

00180 180 99219.1 9.92191 00.03,28

00181 181 83021.1 8.30211 00.03,27

00182 182 115818 11.5818 00.03,26

00183 183 91937.5 9.19375 00.03,59

00184 184 107328 10.7328 00.03,29

 114

00185 185 103681 10.3681 00.03,36

00186 186 107367 10.7367 00.03,51

00187 187 147350 14.735 00.03,13

00188 188 67295.4 6.72954 00.03,55

00189 189 158324 15.8324 00.03,09

 115

00190 190 117867 11.7867 00.03,40

00191 191 130666 13.0666 00.03,33

00192 192 101828 10.1828 00.03,32

00193 193 148968 14.8968 00.03,36

00194 194 159200 15.92 00.03,13

 116

00195 195 85872.8 8.58727 00.03,08

00196 196 77314.5 7.73145 00.03,06

00197 197 76343.3 7.63433 00.03,20

00198 198 86224.4 8.62244 00.03,58

00199 199 110968 11.0968 00.03,22

 117

00200 200 133266 13.3266 00.03,14

00201 201 232394 23.2394 00.03,50

00202 202 157271 15.7271 00.03,14

00203 203 78347.9 7.83479 00.03,29

00204 204 93371.5 9.33715 00.03,36

 118

00205 205 92945.5 9.29455 00.03,29

00206 206 91063.5 9.10635 00.03,48

00207 207 110846 11.0846 00.03,51

00208 208 74888.3 7.48883 00.03,52

00209 209 108780 10.878 00.03,55

 119

00210 210 101801 10.1801 00.03,57

00211 211 75649.4 7.56494 00.03,13

00212 212 88602.8 8.86027 00.03,26

00213 213 104119 10.4119 00.03,37

00214 214 72780.9 7.27809 00.03,43

 120

00215 215 11332.9 1.13329 00.03,13

00216 216 74639.8 7.46398 00.03,06

00217 217 60273.3 6.02733 00.03,24

00218 218 129488 12.9488 00.03,29

00219 219 105732 10.5732 00.03,33

 121

00220 220 98582.4 9.85824 00.03,10

00221 221 102825 10.2825 00.03,06

00222 222 87348 8.7348 00.03,11

00223 223 153878 15.3878 00.03,04

00224 224 291026 29.1026 00.03,04

 122

00225 225 201108 20.1108 00.03,08

00226 226 373250 37.325 00.03,01

00227 227 362955 36.2955 00.03,02

00228 228 220419 22.0419 00.03,27

00229 229 96928.5 9.69285 00.03,37

 123

00230 230 85025.3 8.50253 00.03,28

00231 231 80204.8 8.02048 00.03,29

00232 232 78760.8 7.87608 00.03,19

00233 233 90165.4 9.01654 00.03,51

00234 234 90041.3 9.00413 00.03,55

 124

00235 235 109151 10.9151 00.03,08

00236 236 91074 9.1074 00.03,06

00237 237 103312 10.3312 00.03,45

00238 238 81847.9 8.18479 00.03,24

00239 239 96088.1 9.60881 00.03,41

 125

00240 240 83188.4 8.31884 00.03,27

00241 241 95233.4 9.52334 00.03,28

00242 242 131661 13.1661 00.03,39

00243 243 90333.1 9.03331 00.03,39

00244 244 134636 13.4636 00.03,47

 126

00245 245 77426.5 7.74265 00.03,41

00246 246 103341 10.3341 00.03,51

00247 247 77276.3 7.72763 00.03,48

00248 248 76660.4 7.66604 00.03,49

00249 249 68097 6.8097 00.03,54

 127

00250 250 51981.5 5.19815 00.03,52

00251 251 62910.9 6.29109 00.03,50

00252 252 82868.4 8.28684 00.03,14

00253 253 72676.3 7.26762 00.03,29

00254 254 54610.4 5.46104 00.03,36

 128

00255 255 72026.6 7.20266 00.03,29

00256 256 62341.3 6.23412 00.03,48

00257 257 71318.8 7.13187 00.03,51

00258 258 71376.5 7.13765 00.03,52

00259 259 68599.9 6.85999 00.03,55

 129

00260 260 63627 6.3627 00.03,57

00261 261 82537.4 8.25374 00.03,13

00262 262 62359 6.2359 00.03,26

00263 263 69950.9 6.99509 00.03,37

00264 264 65248 6.5248 00.03,43

 130

00265 265 56932.8 5.69327 00.03,13

00266 266 80074.5 8.00745 00.03,06

00267 267 50185.5 5.01855 00.03,24

00268 268 91329.1 9.13291 00.03,29

00269 269 60492.1 6.04921 00.03,33

 131

00270 270 67186.9 6.71869 00.03,10

00271 271 77976.1 7.79761 00.03,06

00272 272 65369.6 6.53696 00.03,11

00273 273 61112.4 6.11124 00.03,04

00274 274 68784 6.8784 00.03,04

 132

00275 275 79105.9 7.91059 00.03,08

00276 276 55543.5 5.55435 00.03,01

00277 277 75617.4 7.56174 00.03,02

00278 278 75617.4 7.56174 00.03,27

00279 279 96615.4 9.66154 00.03,37

 133

00280 280 69880.1 6.98801 00.03,28

00281 281 72500.3 7.25002 00.03,29

00282 282 69524 6.9524 00.03,19

00283 283 77167.4 7.71674 00.03,51

00284 284 74112 7.4112 00.03,55

 134

00285 285 74874.6 7.48746 00.03,08

00286 286 47744.9 4.77449 00.03,06

00287 287 69825.4 6.98254 00.03,45

00288 288 63519.3 6.35192 00.03,24

00289 289 64429.1 6.44291 00.03,41

 135

00290 290 70375.4 7.03754 00.03,27

00291 291 58281.1 5.82811 00.03,28

00292 292 71931.6 7.19316 00.03,39

00293 293 59066 5.9066 00.03,39

00294 294 54919.3 5.49193 00.03,47

 136

00295 295 55399.1 5.53991 00.03,41

00296 296 51269.3 5.12692 00.03,51

00297 297 49456.1 4.94561 00.03,48

00298 298 38530.8 3.85308 00.03,49

00299 299 59583.8 5.95838 00.03,54

 137

00300 300 35657 3.5657 00.03,52

 BIODATA PENULIS

A. Identitas
Nama : Mohamad Daffa Anugrah Pratama
NIM : H1A017013
Tempat, tanggal lahir : Ciamis, 13 November 1998
Alamat : RT/RW 07/04 Dsn. Ciragama Ds. Ciharalang Kec. Cijeungjing,
Kabupaten Ciamis
No. Telp. : 082214950646
Alamat e-mail : Mohamad.pratama013@mhs.unsoed.ac.id

B. Riwayat Pendidikan Akademik

Periode Jenjang Institusi
2017 – 2021 S1 Teknik Elektro Universitas Jenderal Soedirman
2015 – 2017 SMA SMAN 1 Ciamis
2013 – 2015 SMP SMPN 1 Ciamis

C. Riwayat Pendidikan Non Formal (jika ada)

Tahun Keahlian Penyelenggara Kota
2019 Bahasa Inggris Tingkat Mahir Mr. BOB English Course Kediri

D. Prestasi
Tahun Tingkat Prestasi
2016 Regional Juara Umum Kumite Bandung Karate Club

138
 139

E. Keahlian
Memiliki minat di bidang pemrograman dan elektronika. Mampu berkomunikasi
dengan Bahasa inggris secara fasih,. Terlibat secara aktif dalam kegiatan asistem
Laboratorium Teknik Elektro dan sebagai asisten praktikum Dasar Teknik Elektro.
Terlibat secara aktif dalam organisasi kepemimpinan internasional.