Skripsi

STUDI PEMBANDING DETEKSI TEPI (EDGE DETECTION) CITRA

JPEG DENGAN OPERATOR SOBEL DAN OPERATOR CANNY
MENGGUNAKAN SOFTWARE MATLAB

Oleh

Muhammad Nurullah

107091003741

COVER

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH

2014 M / 1433 H
 LEMBAR PERNYATAAN

Dengan ini saya menyatakan bahwa:

1. Skripsi ini merupakan hasil karya asli saya yang diajukan untuk memenuhi

salah satu persyaratan memperoleh gelar strata 1 di UIN Syarif

Hidayatullah Jakarta.

2. Semua sumber yang saya gunakan dalam penulisan ini telah saya

cantumkan sesuai dengan ketentuan yang berlaku di UIN Syarif

Hidayatullah Jakarta.

3. Jika di kemudian hari terbukti bahwa hasil karya ini bukan hasil karya asli

saya atau merupakan hasil jiplakan dari hasil karya orang lain, maka saya

bersedia menerima sanksi yang berlaku di UIN Syarif Hidayatullah

Jakarta.

Ciputat,

Muhamad Nurullah

ii
 ABSTRAK

Muhamad Nurullah, Pengukuran Deteksi Tepi Citra JPG dengan operator Sobel
dan operator Canny menggunakan software Matlab, dibimbing oleh Arini, MT.
dan Feri Fahrianto, M.Sc.

Deteksi Tepi merupakan langkah pertama untuk melengkapi informasi di dalam

Citra dimana tepi mencirikan batas- batas objek dan karena itu tepi berguna untuk
proses segmentasi dan identifikasi objek dalam citra. Ada banyak operator dalam
deteksi tepi, diantaranya yaitu operator Sobel dan operator Canny untuk deteksi
tepi objek pada citra. Dalam penelitian ini akan diterapkan kedua operator tersebut
mengggunakan software Matlab untuk menghasilkan penampakan garis batas
suatu objek dalam citra. Tujuan dan manfaat penelitian ini adalah untuk
mengetahui hasil deteksi tepi menggunakan kedua operator tersebut pada bentuk
objek dan untuk memperoleh informasi awal mengenai fitur deteksi tepi untuk
pengenalan objek bagi penelitian selanjutnya. Image yang diteliti berjenis image
JPG sebanyak 5 macam objek dimana nantinya dapat membandingkan hasil
pengenalan bentuk dari kedua operator yang diterapkan. Hasil penelitian ini akan
menyimpulkan dari kedua operator mengenai kelebihan dan kekuarangan saja.

Kata Kunci: Citra, Image JPG, Deteksi Tepi, Sobel, Canny, Matlab

v
 KATA PENGANTAR

Bismillahirrahmanirrahiim, Puji syukur kehadirat Allah SWT yang telah

memberikan begitu banyak nikmat, diantaranya nikmat iman, islam, dan

kesehatan sehingga penulis dapat menyelesaikan skripsi ini dengan baik. Salawat

serta salam tak lupa pula penulis panjatkan kepada junjungan Nabi besar

Muhammad SAW.

Skripsi ini tidak akan bisa terselesaikan tanpa bantuan, bimbingan, arahan,

dukungan serta kontribusi dari banyak pihak. Oleh karena itu, penulis ingin

mengucapkan terima kasih terutama kepada orang tua penulis yaitu Dedeh

Kurniasih dan Rino Sutarman yang selalu mendukung baik moril maupun

materil dan mengingatkan penulis untuk segera menyelesaikan skripsi. Terima

kasih untuk kasih dan sayang yang tidak pernah berhenti diberikan kepada

penulis. Penulis juga ingin mengucapkan terima kasih kepada:

1. Dekan Fakultas Sains dan Teknologi UIN Syarif Hidayatullah Jakarta.

2. Ketua Jurusan Teknik Informatika, serta Sekretaris Jurusan Teknik

Informatika.

3. Ibu Arini, MT., selaku dosen pembimbing pertama dan bapak Feri Fahrianto,

M.Sc., selaku pembimbing kedua, yang telah banyak membantu penulis dalam

menyelesaikan penyusunan skripsi ini dengan baik dan benar.

4. Seluruh dosen Fakultas Sains dan Teknologi UIN Syarif Hidayatullah Jakarta

atas segala ilmu pengetahuan yang diberikan kepada penulis. Beserta seluruh

staff akademik Fakultas Sains dan Teknologi UIN Syarif Hidayatullah Jakarta.

vi
5. Syahrial Sidik S.Kom., sebagai kakak dari penulis yang telah mendukung

penulis dalam menyelesaikan skripsi ini.

6. Destia Hikmawati, orang terpenting di dalam hidup penulis yang telah banyak

memberikan masukan, kritikan, dan semangat sehingga penulis dapat

menyelesaikan skripsi ini.

7. Teman-teman penulis, Shendy dan Tika terimakasih tidak henti-hentinya

selalu mengingatkan via Facebook, BBM, Whatsapp, SMS dan By Phone.

Fahri, Sufyan, Agung yang telah bersama sewaktu di Kostan dan juga Misun

Club yang tidak bisa disebutkan satu per satu susah, sedih, dan senang

bersama. Terima kasih untuk kalian semua.

8. Teman-teman seperjuangan TI 2007 yang telah banyak memberikan inspirasi,

motivasi untuk segera menyelesaikan tugas akhir ini, dan pengalaman berharga

bagi penulis selama masa kuliah.

Akhirnya, penulis menyadari masih banyak terdapat kekurangan dalam

penelitian dan penyusunan skripsi ini, karena terbatasnya ilmu yang penulis

miliki. Oleh karena itu penulis mengharapkan saran dan kritik yang membangun

agar skripsi ini bisa menjadi lebih baik lagi. Tentunya Penulis berharap semoga

Allah swt, memberikan balasan yang lebih dari semua pihak pada umumnya.

Ciputat, Mei 2014

Muhammad Nurullah

vii
 DAFTAR ISI

COVER .................................................................................................................... i
LEMBAR PERNYATAAN .................................................................................... ii
LEMBAR PENGESAHAN PEMBIMBING .......................................................... ii
PENGESAHAN UJIAN ........................................................................................ iv
ABSTRAK ............................................................................................................. iv
KATA PENGANTAR ........................................................................................... vi
DAFTAR ISI ........................................................................................................ viii
DAFTAR GAMBAR .............................................................................................. x
DAFTAR TABEL ................................................................................................. xii
BAB I PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang ............................................................................................ 1
1.2 Rumusan Masalah ....................................................................................... 3
1.3 Batasan Masalah.......................................................................................... 3
1.4 Tujuan Penelitian ........................................................................................ 3
1.5 Manfaat Penelitian ...................................................................................... 4
1.6 Metodologi Penelitian ................................................................................. 4
1.7 Sistematika Penulisan ................................................................................. 5
BAB II LANDASAN TEORI ................................................................................ 7
2.1 Pengertian Citra........................................................................................... 7
2.2 Pengertian Citra Digital............................................................................... 8
2.3 Citra JPEG................................................................................................. 13
2.4 Pengertian Pengolahan Citra ..................................................................... 17
2.5 Operasi-operasi Pada PengolahanCitra ..................................................... 19
2.6 Grayscale ................................................................................................... 20
2.7 Konvolusi .................................................................................................. 20
2.8 Thresholding ............................................................................................. 21
2.9 Deteksi Tepi .............................................................................................. 23

viii
2.10 Operator Sobel .......................................................................................... 27
2.11 Operator Canny ......................................................................................... 29
2.12 Matlab ....................................................................................................... 30
2.13 Metode Experimental ................................................................................ 33
BAB III METODOLOGI PENELITIAN.............................................................. 35
3.1 Metode Pengumpulan Data ....................................................................... 35
3.2 Metode Experimental ................................................................................ 36
3.3 Interpretasi Citra Output ........................................................................... 40
BAB IV HASIL DAN PEMBAHASAN .............................................................. 42
4.1 System Requirement ................................................................................. 42
4.2 Citra Input ................................................................................................. 43
4.3 Konversi ke Mode Grayscale .................................................................... 46
4.4 Pendeteksian Tepi (Edge Detection) ......................................................... 49
4.4.1 Operator Sobel .................................................................................... 49
4.4.2 Operator Canny ................................................................................... 52
4.5 Hasil Deteksi Tepi Operator Sobel Dan Operator Canny ......................... 58
BAB V PENUTUP ................................................................................................ 61
5.1 Kesimpulan ............................................................................................... 61
5.2 Saran .......................................................................................................... 61
DAFTAR PUSTAKA ........................................................................................... 62
LAMPIRAN .......................................................................................................... 63

ix
 DAFTAR GAMBAR

Gambar 2.1 Contoh Citra Digital ............................................................................ 9

Gambar 2.2 Citra Biner ......................................................................................... 10
Gambar 2.3 Citra Skala Keabuan .......................................................................... 11
Gambar 2.4 Citra Warna (True color) ................................................................... 11
Gambar 2.5 Citra Warna Berindeks ...................................................................... 12
Gambar 2.6 Contoh gambar JPEG ........................................................................ 13
Gambar 2.7 Komposisi Warna RGB..................................................................... 16
Gambar 2.8 Proses Pengolahan Citra .................................................................... 17
Gambar 2.9 Contoh Pengolahan Citra .................................................................. 18
Gambar 2.10 Contoh Ilustrasi Proses Konvolusi .................................................. 21
Gambar 2.11 Contoh Partisi Histogram untuk memperoleh nilai Threshold........ 22
Gambar 2.12 Persamaan Citra Thresholding ........................................................ 23
Gambar 2.13 Model Tepi Satu Dimensi ............................................................... 24
Gambar 2.14 Tepi Curam...................................................................................... 24
Gambar 2.15 Tepi Landai ..................................................................................... 25
Gambar 2.16 Tepi Curam Dengan Derau ............................................................. 25
Gambar 2.17 Proses Pendeteksian Tepi Citra ....................................................... 26
Gambar 2.18 Bagan 3x3........................................................................................ 28
Gambar 2.19 Persamaan 3x3................................................................................. 28
Gambar 2.20 Matrix Operator Sobel ..................................................................... 28
Gambar 2.21 Persamaan Canny ............................................................................ 29
Gambar 2.22 Diagram Blok Canny....................................................................... 30
Gambar 2.23 Halaman Utama Matlab .................................................................. 32
Gambar 3.1 Desain Penelitian ............................................................................... 38
Gambar 3.2 Blok Proses Operator Sobel .............................................................. 39
Gambar 3.3 Blok Proses Operator Canny ............................................................. 39
Gambar 4.1 Citra input dengan format JPEG mode RGB .................................... 45
Gambar 4.2 Citra Mode Grayscale........................................................................ 48
Gambar 4.3 Citra Hasil Deteksi Tepi Sobel .......................................................... 52
Gambar 4.4 Citra Hasil Deteksi Tepi Canny ........................................................ 57

x
 DAFTAR TABEL

Tabel 2.1 Contoh Warna 24 bit ............................................................................. 15

Tabel 3.1 Studi Pustaka ......................................................................................... 36
Tabel 4.1 Hasil Deteksi Tepi ................................................................................. 58
Tabel 4.2 Hasil Jumlah Piksel Warna Putih Deteksi Tepi .................................... 59

xi
 BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Citra merupakan istilah lain untuk gambar yang memegang peranan

penting sebagai salah satu komponen multimedia dalam bentuk informasi

visual. Citra digital adalah citra yang diubah ke bentuk digital agar dapat

disimpan dalam memori komputer atau media lain. Proses mengubah citra

ke bentuk digital bisa dilakukan dengan device. Ketika sebuah citra sudah

diubah ke dalam bentuk digital (citra digital), terdapat bermacam-macam

proses pengolahan citra yang dilakukan terhadap citra tersebut.

Pengolahan citra bertujuan memperbaiki kualitas citra agar mudah

diinterpretasi oleh manusia atau mesin (dalam hal ini komputer). Pengolahan

citra telah menggunakan sistem komputer yang diaplikasikan pada sejumlah

bidang, seperti pada bidang kedokteran, biologi, hukum, dan keamanan.

Teknik pengolahan citra mentransformasikan citra menjadi

citra lain. Jadi, masukannya adalah citra dan keluarannya juga citra,

tetapi citra keluarannya harus mempunyai kualitas lebih baik daripada

citra masukan. Operasi pengolahan citra dapat diklasifikasikan dalam

beberapa jenis yaitu perbaikan kualitas citra, pemugaran citra, segmentasi

citra, analisis citra, dan rekonstruksi citra.

Peningkatan kualitas citra bertujuan menghasilkan citra dengan

kualitas yang lebih baik dibandingkan dengan citra semula. Analisis citra

1
bertujuan mengidentifikasi parameter yang diasosiasikan dengan ciri dari

objek dalam citra, untuk selanjutnya parameter tersebut digunakan dalam

menginterpretasi citra. Analisis citra pada dasarnya terdiri dari tiga

tahapan, yaitu ekstraksi ciri, segmentasi, dan klasifikasi. Faktor kunci dalam

mengekstraksi ciri adalah kemampuan mendeteksi keberadaan tepi di dalam

citra. Ada beberapa metode pendeteksian tepi dalam pengolahan citra, perlu

pengetahuan yang tepat untuk menentukan operator yang sesuai dengan

kondisi citra yang akan dideteksi. Dengan demikian tepi yang dihasilkan

merupakan tepi yang optimal dan tepat.

Apabila penggunaan operator deteksi tepi tidak tepat, akan

menghasilkan pendeteksian yang gagal. Berdasarkan keadaan inilah maka

diperlukan pengetahuan atau informasi mengenai kinerja dari setiap

operator, sehingga kesalahan atau ketidak sesuaian dalam pemilihan

operator untuk pendeteksian tepi citra dapat dihindari.

Pendeteksian tepi merupakan tahapan untuk melingkupi informasi di

dalam citra. Tepi mencirikan batas objek dan karena itu tepi berguna untuk

proses segmentasi dan identifikasi objek di dalam citra.

Berdasarkan latar belakang masalah tersebut penulis tertarik untuk

membuat penelitian berjudul “Studi Pembanding deteksi tepi (edge

detection) dengan operator Sobel dan operator Canny menggunakan

Software Matlab” agar bisa mengetahui hasil dari pendeteksian tepi

tersebut.

2
1.2 Rumusan Masalah

Berdasarkan latar belakang tersebut dapat dirumuskan bahwa

permasalahan yang ada adalah bagaimana hasil pendeteksian tepi pada

operator Sobel dan operator Canny sehingga mendapatkan informasi yang

akurat mengenai kinerja masing-masing operator.

1.3 Batasan Masalah

Dalam penyusunan skripsi ini, penulis membatasi pembahasannya

hanya pada :

1. Citra yang digunakan berformat Joint Photographic Expert‟s Group

(.jpeg) dengan mode RGB.

2. Teknik Pendeteksian tepi yang digunakan adalah operator Sobel dan

operator Canny.

3. Untuk meneliti dari suatu citra digunakan Software MATLAB

1.4 Tujuan Penelitian

Berdasarkan uraian latar belakang masalah diatas, maka tujuan

penulisan skripsi ini adalah mengetahui hasil pendeteksian tepi dengan

operator Sobel dan operator Canny pada image berformat JPEG.

3
1.5 Manfaat Penelitian

Manfaat dari penulisan ini antara lain :

1. Menerapkan ilmu yang diperoleh selama kuliah.

2. Memberikan informasi mengenai pendeteksian tepi suatu citra sehingga

dapat dijadikan acuan atau referensi bagi akademik dan mahasiswa.

3. Membeikan sumbangan pengetahuan bagi perusahaan maupun industri

yang membutuhkan proses pendeteksian tepi khususnya menggunakan

Operator Sobel dan operator canny.

4. Menambah wawasan dan pengetahuan di bidang pengolahan citra digital

bagi masyarakat

5. Sebagai syarat kelulusan menjadi Sarjana Komputer Jurusan Teknik

Informatika Fakultas Sains dan Teknologi.

1.6 Metodologi Penelitian

Metodologi yang digunakan dalam penelitian ini :

1. Metode Pengumpulan Data

Metode digunakan untuk mengumpulkan data yang diperlukan dalam

penelitian

2. Metode Penelitian Experimental

Pada tahap ini dimana data yang telah dikumpulkan diolah secara teknis

untuk mendapatkan hasil dari deteksi tepi dengan operator Sobel dan

Operator Canny.

4
1.7 Sistematika Penulisan

Untuk mempermudah skripsi ini, maka penulis membaginya menjadi

lima bab. Dibawah ini juga diuraikan penjelasan masing-masing bab dengan

perincian sebagai berikut :

BAB I PENDAHULUAN

Bab ini menerangkan tentang latar belakang masalah,

rumusan masalah, batasan masalah, tujuan penulisan,

manfaat, metodologi penelitian dan sistematika penulisan.

BAB II LANDASAN TEORI

Bab ini akan menjelaskan secara singkat teori yang

diperlukan dalam penulisan skripsi ini.

BAB III METODOLOGI

Pada bab ini menguraikan tentang metode penelitian yang

digunakan yaitu mengenai tahapan-tahapan yang dilakukan

untuk menghasilkan deteksi tepi.

BAB IV HASIL DAN PEMBAHASAN

Bab ini berisikan mengenai penjelasan dan pembahasan

implementasi, dan analisa yang dibuat penulis serta

kebutuhan perangkat lunak dan perangkat keras yang

mendukung implementasi.

BAB V KESIMPULAN DAN SARAN

Bab ini merupakan bab terakhir dari skripsi, yang berisi

kesimpulan dari apa yang telah diuraikan pada bab

5
sebelumnya serta saran-saran yang diharapkan berguna bagi

perkembangan sistem ini dimasa mendatang.

6
 BAB II

LANDASAN TEORI

2.1 Pengertian Citra

Citra adalah gambar pada bidang dua dimensi. Dalam tinjauan

matematis, citra merupakan fungsi kontinu dari intensitas cahaya pada

bidang dua dimensi. Ketika sumber cahaya menerangi objek, objek

memantulkan kembali sebagian cahaya tersebut. Pantulan ini ditangkap oleh

alat-alat pengindera optik, misalnya mata manusia, kamera, scanner dan

sebagainya.

Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi

dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat

bersifat optik berupa foto, bersifat analog berupa sinyal-sinyal video seperti

gambar pada monitor televisi, atau bersifat digital yang dapat langsung

disimpan pada suatu media penyimpan. (Sutoyo et al, 2009)

Menurut arti secara harfiah, citra (image) adalah gambar pada bidang

dua dimensi. Ditinjau dari sudut pandang matematis, citra merupakan fungsi

menerus (continue) dari intensitas cahaya pada bidang dua dimensi. Sumber

cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas

cahaya. Pantulan cahaya ini ditangkap oleh alat-alat optik, seperti mata pada

manusia, kamera, pemindai (scanner), dan lain-lain sehingga bayangan

objek dalam bentuk citra dapat terekam. Citra sebagai output dari suatu

sistem perekaman data dapat bersifat:

7
 1. Optik, berupa foto,

2. Analog berupa sinyal video, seperti gambar pada monitor televisi,

3. Digital yang dapat langsung disimpan pada suatu pita magnetic.

Citra dapat dikelompokkan menjadi dua bagian yaitu citra diam (still

image) dan citra bergerak (moving image). Citra diam adalah citra tunggal

yang tidak bergerak. Sedangkan citra bergerak adalah rangkaian citra diam

yang ditampilkan secara beruntun (sekuensial) sehingga memberi kesan

pada mata sebagai gambar yang bergerak. Setiap citra didalam rangkaian itu

disebut frame. Gambar-gambar yang tampak pada film layar lebar atau

televisi pada hakikatnya terdiri dari ratusan sampai ribuan frame.

(Sawaluddin et al, 2006)

2.2 Pengertian Citra Digital

Citra digital merupakan suatu larik dua dimensi atau suatu matriks

yang elemen-elemennya menyatakan tingkat keabuan dari elemen gambar;

jadi informasi yang terkandung bersifat diskret. Citra digital tidak selalu

merupakan hasil langsung data rekaman suatu sistem. Kadang-kadang hasil

rekaman data bersifat kontinu seperti gambar pada monitor televisi, foto

sinar-X, dan lain sebagainya. Dengan demikian untuk mendapatkan suatu

citra digital diperlukan suatu proses konversi, sehingga citra tersebut

selanjutnya dapat diproses dengan komputer.

Citra digital dihasilkan dengan proses digitalisasi terhadap citra

kontinu. Sama halnya Proses digitalisasi dalam bentuk data lain, proses

8
digitalisasi pada citra juga merupakan proses pengubahan suatu bentuk data

citra dari yang bersifat analog ke digital. Yang mana proses ini dihasilkan

dari peralatan digital yang langsung bisa diproses oleh komputer. Proses ini

dapat dijelaskan sebagai berikut. Ada sebuah objek yang akan diambil

gambarnya untuk dijadikan citra digital. Sumber cahaya diperlukan untuk

menerangi objek, yang berarti ada intensitas cahaya (brightness) yang

diterima oleh objek. Oleh objek, intensitas cahaya ini sebagian diserap dan

sebagian lagi dipantulkan ke lingkungan sekitar objek secara radikal. Sistem

pencitraan (imaging) menerima sebagian dari intensitas cahaya yang

dipantul oleh objek tadi. Di dalam sistem pencitraan terdapat sensor optik

yang digunakan untuk mendeteksi intensitas cahaya yang masuk ke dalam

sistem. Keluaran dari sistem ini berupa arus yang besarnya sebanding

dengan intensitas cahaya yang mengenainya. Arus tersebut kemudian

dikonversi menjadi data digital yang kemudian dikirimkan ke unit penampil

atau unit pengolah lainnya.

Gambar 2.1 Contoh Citra Digital

9
 Citra digital biasanya berbentuk persegi panjang, secara visualisasi

dimensi ukurannya dinyatakan sebagai lebar x tinggi. Ukurannya dinyatakan

dalam titik atau piksel (pixel = picture element) dan dapat pula dinyatakan

dalam satuan panjang (mm = milimeter atau inc = inch).

Berdasarkan format penyimpanan nilai warnanya, citra terdiri atas

empat jenis (Hestiningsih,Halaman 45, 2008), yaitu:

1. Citra biner atau monokrom

Pada citra jenis ini, setiap titik atau piksel hanya bernilai 0 atau

1.Dimana setiap titik membutuhkan media penyimpana sebesar 1 bit.

Gambar 2.2 merupakan contoh citra biner.

Gambar 2.2 Citra Biner

2. Citra skala keabuan

Citra skala keabuan mempunyai kemungkinan warna antara hitam

(minimal) dan putih (maksimal). Jumlah maksimum warna sesuai dengan

bit penyimpanan yang digunakan. Misal:

Suatu citra dengan skala keabuan 4 bit, memiliki jumlah

kemungkinan warna = 16 warna. Gambar 2.3 memperlihatkan citra skala

keabuan 4 bit.

10
 Gambar 2.3 Citra Skala Keabuan

3. Citra warna (true color)

Setiap titik (piksel) pada citra warna mewakili warna yang

merupakan kombinasi dari tiga warna dasar yaitu merah, hijau dan biru yang

dikenal sebagai citra RGB (Red, Green, Blue). Setiap warna dasar

mempunyai intensitas sendiri dengan nilai maksimum 255 (8 bit).

Red = warna minimal putih, warna maksimal merah

Green = warna minimal putih, warna maksimal hijau

Blue = warna minimal putih, warna maksimal biru

Setiap titik pada citra warna membutuhkan data 3 byte Jumlah

kemungkinan kombinasi warna untuk citra warna adalah = lebih dari 16

juta warna, disebut true color karena dianggap mencakup semua warna yang

ada. Gambar 2.4 memperlihatkan contoh citra warna.

Gambar 2.4 Citra Warna (True Color)

11
2.3 Citra JPEG

Format file ini mampu mengkompres objek dengan tingkat kualitas

sesuai dengan pilihan yang disediakan. Format file sering dimanfaatkan

untuk menyimpan gambar yang akan digunakan untuk keperluan halaman

web, multimedia, dan publikasi elektronik lainnya. Format file ini mampu

menyimpan gambar dengan mode warna RGB, CMYK, dan Grayscale.

Format file ini juga mampu menyimpan alpha channel, namun karena

orientasinya ke publikasi elektronik maka format ini berukuran relatif lebih

kecil dibandingkan dengan format file lainnya.

JPEG adalah metode standar yang digunakan dalam pengkompresian

untuk photograpics images. JPEG singkatan dari Join Photographics Expert

Group sebuah kelompok yang membikin standar pengkompresian tersebut.

JPEG di buat untuk loosy compression images. Umumnya file file yang

berformat JPEG mengunakan extensi .jpeg, .jpg, .jpe, .jfif, jif. Selain itu

JPEG juga mampu memberikan warna dengan kedalaman 24 Bits atau

setara dengan 16 juta warna. JPEG tidak ditujukan dalam urusan file audio.

.Gambar 2.6 Contoh gambar JPG

13
 Standar kompresi file gambar yang dibuat oleh kelompok Joint

Photographic Experts Group ini menghasilkan kompresi yang sangat besar

tetapi dengan akibat berupa adanya distorsi pada gambar yang hampir selalu

tidak terlihat. JPEG adalah sebuah format gambar, sangat berguna untuk

membuat gambar jenis fotografi berkualitas tinggi dalam ukuran file yang

sangat kecil. Format file grafis ini telah diterima oleh Telecommunication

Standardization Sector atau ITU-T dan Organisasi Internasional untuk

Standardisasi atau ISO. JPEG kebanyakan digunakan untuk melakukan

kompresi gambar diam menggunakan analisis Discrete Cosine Transform

(DCT).

Meskipun kompresi gambar JPEG sangatlah efisien dan selalu

menyimpan gambar dalam kategori warna true color (24 bit), format ini

bersifat lossy, yang berarti bahwa kualitas gambar dikorbankan bila tingkat

kompresi yang dipilih semakin tinggi. JPEG mendukung 16 juta warna. Jadi

walaupun terjadi penurunan kualitas gambar, format ini sangat cocok untuk

menggunakan pada penampilan gambar fotografi. Namun, dibandingkan

format lain, browser membutuhkan waktu yang lebih lama untuk memuat

file JPEG

Model ruang warna yang digunakan pada citra JPG adalah RGB

(red, green, dan blue). Sebuah ruang RGB dapat diartikan sebagai semua

kemungkinan warna yang dapa dibuat dari tiga warna dasar red, green, dan

blue. RGB sering digunakan di dalam sebagian besar aplikasi komputer

14
karena dengan ruang warna ini tidak diperlukan transformasi untuk

menampilkan informasi di layar monitor.

Pada citra 256 warna setiap piksel panjangnya 8 bit, tetapi

komponen warna RGBnya disimpan di dalam tabel RGB yang disebut

pallete. Setiap komponen panjangnya 8 bit, jadi ada 256 nilai keabuan

untuk warna merah, 256 nilai keabuan untuk warna hijau, 256 nilai keabuan

untuk warna biru. Nilai setiap piksel tidak menyatakan derajat keabuan

secara langsung, tetapi nilai piksel menyatakan indeks tabel RGB yang

memuat nilai keabuan merah (R), nilai keabuan hijau (G), nilai keabuan biru

(B) untuk masing-masing piksel yang bersangkutan. Namun pada citra

hitam-putih, nilai R = G = B untuk menyatakan bahwa citra hitam putih

hanya mempunya satu kanal warna. Citra hitam putih umumnya adalh citra

8 bit.

Citra yang lebih kaya warna adalah citra 24 bit. Setiap piksel

panjangnya 24 bit, karena setiap piksel langsung menyatakan komponen

warna merah, komponen warna hijau, dan komponen warna biru. Masing-

masing komponen panjangnya 8 bit. Citra 24 bit disebut juga citra 16 juta

warna, karena citra ini mampu menghasilkan 224-16.777.216 kombinasi

warna.

Tabel 2.1 Contoh Warna 24 bit

R G B Warna
255 255 255 White
0 0 0 Black
136 0 21 Dark Red
255 0 0 Red
0 255 0 Green

15
 0 0 255 Blue
0 162 232 Turqouise
185 122 87 Brown
255 174 201 Rose

Gambar 2.7 Komposisi Warna RGB

Format JPEG (Joint Photographic Expert Group) adalah salah satu

alternatif selanjutnya yang dapat kita pakai untuk memperoleh sebuah hasil

yang memuaskan. Kelebihan dari format JPEG adalah dukungan warna

yang lebih dari 16 juta atau 24 bit, sehingga hasil yang maksimal dari

sebuah gambar dapat diperoleh fitur kompresi kualitas gambar yang

ditawarkan membuat saya dapat memilih besar kecilnya file gambar yang

akan dihasilkan nantinya dan tersedianya fitur Progressive JPEG, yang

mirip seperti interlacing pada GIF.

16
2.4 Pengertian Pengolahan Citra

Pengolahan Citra merupakan proses pengolahan dan analisis citra

yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data

masukan dan informasi keluaran yang berbentuk citra. Istilah pengolahan

citra digital secara umum didefnisikan sebagai pemrosesan citra dua dimensi

dengan komputer. Dalam definisi yang lebih luas, pengolahan citra digital

juga mencakup semua data dua dimensi. Proses pengolahan citra dapat

dilihata pada gambar 2.8

Gambar 2.8 Proses Pengolahan Citra

Meskipun sebuah citra kaya informasi, namun seringkali citra yang

kita miliki mengalami penurunan intensitas mutu, misalnya mengandung

cacat atau derau (noise), warnanya terlalu kontras atau kabur tentu citra

seperti ini akan sulit direpresentasikan sehingga informasi yang ada menjadi

berkurang. Agar citra yang mengalami ganguan mudah direpresentasikan

maka citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya

lebih baik. Bidang studi yang menyangkut hal ini adalah pengolahan citra

(image processing).

Pengolahan citra adalah pemrosesan citra, khususnya dengan

menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Sebagai

17
2.5 Operasi-operasi pada Pengolahan Citra

Operasi-operasi yang dilakukan pada pengolahan citra secara umum

dapat dikelompokkan dalam beberapa jenis, yaitu: (Sigit, 2005)

1. Perbaikan Kualitas (Image Enchancement)

Operasi perbaikan kualitas citra bertujuan untuk memperbaiki kualitas

citra dengan cara memanipulasi parameter-parameter citra. Melalui

operasi ini, ciri-ciri khusus yang terdapat di dalam citra dapat lebih

ditonjolkan. Beberapa operasi perbaikan citra antara lain: perbaikan

kontras gelap / terang, perbaikan tepian objek, penajaman, pemberian

warna semu.

2. Kompresi Citra (Image Compression)

Operasi kompresi citra bertujuan untuk dapat merepresentasikan citra

dalam bentuk yang lebih kompak sehingga memerlukan memori yang

lebih sedikit. Yang menjadi perhatian penting dalam kompresi citra

adalah mempertahankan kualitas citra agar tetap baik.

3. Segmentasi Citra (Image Segmentation)

Operasi segmentasi citra bertujuan untuk memecah suatu citra ke dalam

beberapa segmen dengan suatu kriteria tertentu. Jenis operasi ini

berkaitan erat dengan pengenalan pola.

4. Analisis Citra (Image Analysis)

Operasi analisis citra bertujuan untuk menghitung besaran kuantitatif

dari citra untuk menghasilkan deskripsinya. Teknik analisis citra adalah

mengekstraksi ciri-ciri tertentu yang sangat membantu dalam

19
 identifikasi objek. Proses segmentasi juga diperlukan untuk melokalisasi

objek dari sekelilingnya. Contoh dari operasi analisis citra yaitu

pendeteksian tepi objek, ekstraksi batas, dan representasi daerah.

5. Rekonstruksi Citra (Image Reconstruction)

Operasi rekonstruksi citra bertujuan untuk membentuk ulang objek dari

beberapa citra hasi proyeksi. Operasi rekonstruksi citra banyak

digunakan di dalam bidang medis.

2.6 Grayscale

Grayscale atau abu-abu pada sebuah image digital adalah image

yang pada setiap pixelnya hanya berisikan informasi intensitas warna putih

dan hitam. Image Grayscale memiliki banyak variasi nuansa abu-abu

sehingga berbeda dengan image hitam-putih. Grayscale juga disebut

monokromatik karna tidak memiliki warna lain selain variasi intensitas

putih dan hitam. Sebuah image yang dijadikan Grayscale akan terkesan

berbeda bila dibandingkan dengan image berwarna

2.7 Konvolusi

Deteksi tepi merupakan salah satu proses pengolahan citra yang

menggunakan filter atau penapis. Selain pada proses pendeteksian tepi,

proses lain pada pengolahan citra yang juga menggunakan filter atau

penapis adalah perbaikan kualitas citra (image enhancement), penghilangan

derau (noise reduction), mengurangi erotan, penghalusan atau pelembutan

20
1. Thresholding global

Thresholding dilakukan dengan mempartisi histogram dengan menggunakan

sebuah threshold (batas ambang) global T, yang berlaku untuk seluruh

bagian pada citra.

2. Thresholding adaptif

Thesholding dilakukan dengan membagi citra menggunakan beberapa sub

citra. Lalu pada setiap sub citra, segmentasi dilakukan dengan menggunakan

threshold yang berbeda.

Yang menjadi fokus dalam tugas akhir ini adalah metode thresholding

global. Thresholding diimpelementasikan setelah dilakukan proses

perbaikan kontras citra menggunakan fungsi Contrast-limited adaptive

histogram equalization (CLAHE). Thresholding dikatakan global jika nilai

threshold T hanya bergantung pada f(x,y), yang melambangkan tingkat

keabuan pada titik (x,y) dalam suatu citra. Berikut ini akan disajikan contoh

partisi histogram untuk memperoleh threshold dalam Gambar 2.11.

Gambar 2.11 Contoh Partisi Histogram untuk memperoleh nilai Threshold

22
 Histogram yang berada pada sisi kiri Gambar 2.11 mewakili citra

f(x,y) yang tersusun atas obyek terang di atas background gelap. Piksel-

piksel obyek dan background dikelompokkan menjadi dua mode yang

dominan. Cara untuk mengekstraks obyek dari background adalah dengan

memilih nilai threshold T yang memisahkan dua mode tersebut. Kemudian

untuk sembarang titik (x,y) yang memenuhi f(x,y) > T disebut titik obyek,

selain itu disebut titik background. Kesuksesan metode ini bergantung pada

seberapa bagus teknik partisi histogram. Citra hasil thresholding dapat

didefinisikan sebagaimana Persamaan pada gambar 2.12.

Gambar 2.12 Persamaan Citra Thresholding

2.9 Deteksi Tepi

Tepi adalah perubahan nilai intensitas derajat keabuan yang

mendadak (besar) dalam jarak yang dekat. Suatu titik (x,y) dikatakan

sebagai tepi bila titik tersebut mempunyai perbedaan nilai piksel yang

tinggi dengan nilai piksel tetangganya. Gambar 2.13 menunjukkan salah

satu model tepi untuk satu dimensi.

23
 Gambar 2.13 Model Tepi Satu Dimensi

Adapun terdapat tiga macam tepi didalam citra digital, yaitu:

a. Tepi Curam

Tepi curam adalah tepi dengan perubahan intensitas yang tajam. Arah tepi

berkisar 90o Gambar 2.14 menunjukan deteksi tepi tipe tepi curam.

Gambar 2.14 Tepi Curam

b. TepiLandai

Tepi landai yaitu tepi dengan sudut arah yang kecil. Tepi landai dapat

dianggap terdiri dari sejumlah tepi-tepi lokal yang lokasinya berdekatan.

Gambar 2.15 menunjukan deteksi tepi tipe tepi landai.

24
 Gambar 2.15 Tepi Landai

c. Tepi yang mengandung derau

Umumnya tepi yang terdapat pada aplikasi visi komputer mengandung

derau. Operasi peningkatan kualitas citra dapat dilakukan terlebih dahulu

sebelum pendektesian tepi. Gambar 2.16 menunjukan deteksi tepi tipe tepi

curam dengan derau.

Gambar 2.16 Tepi Curam Dengan Derau

Faktor kunci dalam mengekstraksi ciri adalah kemampuan

mendeteksi keberadaan tepi (edge) dari objek di dalam citra. Pendeteksian

25
 dengan operator gradient citra. Berikut ini berapa contoh pendeteksi tepi

turunan pertama yang sering digunakan:

a. Metode Roberts-Cross

b. Metode Prewitt

c. Metode Sobel

2. Second-Order Derivative Edge Detection (Pendeteksi Tepi Turunan

Kedua).

Pendeteksitepi turunan kedua, memanfaatkan nilai tururnan kedua

dari fungsi Gaussian dalam langkah-langkah untuk mendeteksi tepi dari

suatu citra. Yang termasuk dalam metode pendeteksi tepi ini, adalah:

a. Metode Laplacian of Gaussian

b. Metode Canny

Pada penulisan Tugas Akhir ini metode yang digunakan adalah

metode yang menggunakan operator turunan pertama (Sobel) dan operator

turunan kedua (Canny).

2.10 Operatol Sobel

Sobel (Sobel, 1990) termasuk yang mengembangkan metode ini.

Proses penghalusan yang digunakan merupakan proses konvolusi dari

jendela yang ditetapkan terhadap citra yang dideteksi. Agar perkiraan

gradien tepat ditengah jendela, dalam konvolusi Sobel menggunakan jendela

3x3, dan susunan piksel-piksel disekitar piksel (x,y) seperti gambar berikut:

27
 berkaitan dengan tepi . pada dasarnya operator ini digunakan untuk

menentukan nilai pendekatan turunan yang mutlak untuk pada setiap titik

citra grayscale masukan.

2.11 Operator Canny

Pada tahun 1986 John Canny (Canny, 1986) mengusulkan 3 kriteria

yang menjadi basis pengembangan filter untuk mengoptimalkan

pendeteksian tepi pada citra bernoise. Ke tiga kriteria tersebut adalah :

a. Good detection, kriteria ini bertujuan memaksimalkan nilai signal to

noise ration (SNR) sehingga semua tepi dapat terdeteksi dengan baik atau

tidak ada yang hilang.

b. Good localisation, tepi yang terdeteksi berada pada posisi yang

sebenarnya, atau dengan kata lain bahwa jarak antara posisi tepi yang

terdeteksi oleh detektor dengan posisi tepi sebenarnya adalah seminimum

mungkin (idealnya = 0).

c. Low multiplicity of the response atau ”one response to single edge”

detektor tidak memberikan tepi yang bukan tepi sebenarnya.

Berdasarkan pada criteria ini Canny berhasil melakukan optimalisasi dari 3

kriteria tersebut dan menghasilkan persamaan, namun persamaan ini cukup

sulit untuk diimplementasikan seperti gambar dibawah ini.

Gambar 2.21 Persamaan Canny

29
 sehingga pada implementasinya, Canny tetap menggunakan filter

Gaussian untuk mereduksi noise dan dilanjutkan dengan penghitungan

turunan pertama dan thresholding hysteresis.

Operator Canny termasuk Salah satu algoritma deteksi tepi modern.

Berikut adalah diagram blok algoritma Canny :

Original Image
Differentiation
Image Smoothing

Edge Edge Nonmaximum

Image Thresholding Suppression

Gambar 2.22 Diagram Blok Canny

Berdasarkan wikipedia, operator Canny merupakan deteksi tepi yang

optimal. Operator Canny menggunakan Gaussian Derivative Kernel untuk

menyaring kegaduhan dari citra awal untuk mendapatkan hasil deteksi tepi

yang halus.

2.12 MATLAB

MATLAB adalah sebuah bahasa dengan (high-performance) kinerja

tinggi untuk komputasi masalah teknik. Matlab mengintegrasikan

komputasi, visualisasi, dan pemrograman dalam suatu model yang sangat

mudah untuk pakai dimana masalah-masalah dan penyelesaiannya

diekspresikan dalam notasi matematika yang familiar. Penggunaan Matlab

meliputi bidang–bidang:

30
• Matematika dan Komputasi

• Pembentukan Algorithm

• Akusisi Data

• Pemodelan, simulasi, dan pembuatan prototipe

• Analisa data, explorasi, dan visualisasi

• Grafik Keilmuan dan bidang Rekayasa

MATLAB merupakan suatu sistem interaktif yang memiliki elemen

data dalam suatu array sehingga tidak lagi kita dipusingkan dengan masalah

dimensi. Hal ini memungkinkan kita untuk memecahkan banyak masalah

teknis yang terkait dengan komputasi, kususnya yang berhubungan dengan

matrix dan formulasi vektor, yang mana masalah tersebut merupakan

momok apabila kita harus menyelesaikannya dengan menggunakan bahasa

level rendah seperti Pascall, C dan Basic.

Nama MATLAB merupakan singkatan dari matrix laboratory.

MATLAB pada awalnya ditulis untuk memudahkan akses perangkat lunak

matrik yang telah dibentuk oleh LINPACK dan EISPACK. Saat ini

perangkat MATLAB telah menggabung dengan LAPACK dan BLAS

library, yang merupakan satu kesatuan dari sebuah seni tersendiri dalam

perangkat lunak untuk komputasi matrix.

Dalam lingkungan perguruan tinggi teknik, Matlab merupakan

perangkat standar untuk memperkenalkan dan mengembangkan penyajian

materi matematika, rekayasa dan kelimuan. Di industri, MATLAB

31
2.13 Metode Eksperimental

1. Definisi

Eksperimen adalah observasi di bawah kondisi buatan (artificial

condition) dimana kondisi tersebut dibuat dan diatur oleh si peneliti. Dengan

demikian, penelitian eksperimental adalah penelitian yang dilakukan dengan

mengadakan manipulasi terhadap objek penelitian serta adanya kontrol.

2. Merencanakan percobaan

a. Langkah-langkah dalam percobaan

1) Rumusan masalah serta pernyataan tentang tujuan percobaan dan

penelitian.

2) Gambaran dari percobaan yang akan dilakukan, termasuk tentang

besarnya percobaaan, jumlah dan jenis perlakuan, material yang

dipakai, dan sebagainya.

3) Outline dari penganalisisan yang akan dikerjakan.

b. Desain percobaan

Desain percobaan adalah step-step atau langkah-langkah yang

utuh dan berurutan yang dibuat lebih dahulu, sehingga keterangan yang

ingin diperoleh dari percoban akan punya hubungan yang nyata dengan

masalah penelitian.

3. Melaksanakan percobaan

Setelah perencanaan rampung dan desain yang cocok telah dipilih,

maka tibalah saatnya untuk melaksanakan percobaan. Hal yang pertama-

33
tama perlu diperhatikan dalam pelaksanaan percobaan, adalah pengenalan

terhadap material yang digunakan dalam percobaan.

4. Syarat-syarat percobaan yang baik

Beberapa syarat-syarat harus dipenuhi oleh suatu percobaan yang

memenuhi syarat. Syarat-syarat antara lain adalah sebagai berikut.

a) Percobaan harus bebas bias

b) Percobaan harus punya ukuran terhadap error

c) Percobaan harus punya ketetapan.

d) Tujuan harus didefinisikan sejelas-jelasnya

e) Percobaan harus punya jangkauan yang cukup.

5. Jenis- jenis metode eksperimen

Percobaan banyak ragamnya. Ada yang dinamakan percobaan

absolut, dimana percobaan digunakan untuk mengadakan estimasi terhadap

suatu set observasi dengan hasil yang mempunyai reliabilitas yang tinggi. Di

lain pihak ada percobaan perbandingan (comparative experiment). Dalam

hal ini dilakukan satu percobaan dengan membandingkan perlakuan-

perlakuan dan membandingkan pengaruh perlakuan tersebut terhadap satu

populasi.

34
 BAB III

METODOLOGI PENELITIAN

3.1 Metode Pengumpulan Data

Dalam melakukan pengumpulan data, penulis melakukan studi

pustaka sebagai dasar penelitian. Pada tahapan ini penulis melakukan

pengumpulan data yang terkait dari berbagai sumber. Sumber bacaan

berasal dari buku-buku ilmu komputer, jurnal, karya ilmiah, dan buku

elektronik yang berstandar. Adapun buku-buku yang dipelajari dan situs-

situs internet yang berkaitan dengan judul yang penulis ambil dan dapat

dilihat pada daftar pustaka.

Tabel 3.1 Studi Pustaka

Jurnal Kesimpulan
komparasi algoritma Deteksi tepi Proses segmentasi citra tumor dengan
(edge detection) untuk segmentasi metode deteksi tepi menggunakan
citra tumor hepar operator canny, operator sobel, operator
Robert dan operator Prewtt sudah
dilakukan. Dari 10 citra tumor pasien,
ada 8 citra tumor (80% dari citra
keseluruhan) yang dapat terbaca dan
terdeteksi oleh operator canny, hal ini
menunjukan bahwa operator canny dapat
bekerja lebih baik dari ketiga operator
lainnya.
Ekstraksi Bentuk Janin Pada Citra Kesimpulan yang diperoleh dari
Hasil Usg 3 Dimensi Menggunakan penelitian ini adalah metode deteksi tepi
Deteksi Tepi Canny Canny dapat diimplementasikan untuk
mengekstraksi bentuk janin. Selain itu,
kesimpulannya adalah untuk
mendapatkan ekstraksi bentuk janin yang
baik, maka nilai ambang atas dan ambang
bawah double tresholding dalam metode
deteksi tepi Canny adalah 80 dan 20.
Namun, untuk mengantisipasi keaneka-

35
 ragaman jenis citra masukan, maka
parameter nilai ambang atas dan nilai
ambang bawah dapat diubah sesuai
kebutuhan citra masukan.
Perbandingan Kinerja Operator Sobel Hasil deteksi tepi citra LoG mampu
Dan Laplacian Of Gaussian (Log) menghasilkan citra deteksi tepi wajah dan
Terhadap acuan Canny Untuk bentuk lebih baik dibandingkan Sobel.
Mendeteksi Tepi Citra Sedangkan hasil deteksi tepi citra Sobel
mampu menghasilkan citra deteksi
karakter yang lebih baik dibandingkan
LoG. Kualitas citra hasil deteksi tepi
operator Sobel dan operator LoG secara
keseluruhan cukup baik dibandingkan
dengan parameter Canny. Operator Sobel
memiliki rata – rata indeks kualitas yang
lebih tinggi dibandingkan operator LoG
(0,46841>0,35859).Detektor tepi Canny
mampu menghasilkan citra deteksi tepi
yang sangat baik sehingga mampu
dijadikan parameter terhadap metode
deteksi yang lain. Pengembangan
penelitian dapat dilakukan dengan
mengubah metode deteksi dan
penambahan parameter perbandingan
kualitas dengan jarak Euclidean.

3.2 Metode Eperimental

1. Merencanakan percobaan

a. Langkah-langkah dalam percobaan

1). Hasil deteksi tepi menggunakan operator sobel dan operator

canny pada citra berformat JPG.

2). Penelitian dilakukan pada 5 citra (image) dengan format JPG

yang kemudian dijalankan oleh operator Sobel dan Operator

Canny untuk mengetahui hasil deteksi tepi adapun alat dan

bahan (mateial) yang digunakan dalam penelitian ini adalah

sebagai berikut :

36
 a. Personal Komputer / Laptop

b. Software MATLAB 7.8.0.347 (R2009a)

c. Citra uji

Sampel citra yang digunakan yaitu citra-citra yang

mempunyai gambar yang berbeda seperti gedung

(bangunan), wajah, kendaraan, pegunungan, dan pulau.

3.) Outline dalam penelitian yang akan dikerjakan

1. Downloading Image format JPG mode warna RGB

a) Image bangunan

b) Image wajah

c) Image kendaraan

d) Image pegunungan

e) Image Pulau

2. Konversi Citra (Image) ke Grayscale

3. Mendeteksi tepi (Edge Detection)

a) Operator Sobel

b) Operator Canny

4. Hasil Penelitian

b. Desain Penelitian

Desain yang digunakan untuk melakukan pendeteksian tepi dari

beberpa citra yang menggunakan operator Sobel dan operator Canny,

setelah melakukan pengujian terhadap satu citra, dilakukan pendeteksian

tepi kembali dengan menggunakan citra selanjutnya hingga selesai.

37
Desain langkah penelitian tersebut dapat digambarkan sesuai skema

berikut ini:

Mulai

Input image JPG

mode RGB

Konversi RGB ke
Grayscale

Deteksi Tepi

Operator Sobel Operator Canny

Hasil

Gambar 3.1 Desain Penelitian

38
 Input Image

Konvolusi kernel
Sobel

Thresholding

Edge Image

Gambar 3.2 Blok Proses Operator Sobel

Image
Input Image Differentiation
Smoothing

Edge Nonmaximum
Edge Image
Thresholding Suppression

Gambar 3.3 Blok Proses Operator Canny

39
 2. Melaksanakan Penelitian

a. Pemilihan Citra Objek

Citra-citra yang digunakan dalam penelitian ini diambil

secara sengaja dan dimasukkan dalam MATLAB. Kemudian Citra

yang digunakan berformat JPG dengan mode warna RGB dan

menampilkan bentuk image yang berbeda seperti bangunan, wajah,

kendaraan, pegunungan, dan pulau

b. Konversi ke grayscale

Citra-citra yang sudah dipilih yaitu citra berformat JPG

dengan mode warna RGB dikonversi ke mode grayscale

c. Deteksi Tepi

Selanjutnya citra-citra yang sudah di konversi dioperasikan

dengan operator sobel dan operator canny.

d. Menampilkan Citra Output (hasil)

Menampilkan deteksi tepi hasil dari operator sobel dan

operator canny yang dilakukan pada citra-citra yang telah dipilih

3.3 Interpretasi Citra Output

Suatu metode pendeteksian tepi dapat dikatakan mendeteksi tepi

paling optimum jika memenuhi kriteria-kriteria, sebagai berikut :

 Respon yang jelas, Hanya ada satu respon untuk tiap tepi, sehingga

mudah dideteksi dan tidak menimbulkan kerancuan pada pengolahan

citra selanjutnya.

40
 Pengujian lain terhadap deteksi tepi adalah dengan menggunakan citra

yang berbeda. Yang dimana hasil yang diperoleh dapat dijadikan

parameter yang menentukan tingkat tampilan dari beberapa metode

untuk melacak tepian suatu objek.

 Parameter lain yaitu dengan melihat kekuatan, kehalusan, dan ketebalan

garis tepi yang dihasilkan pada citra output, yang dapat dengan jelas

membedakan objek dari latar belakangnya.

41
 BAB IV

HASIL DAN PEMBAHASAN

Bab ini membahas hasil deteksi tepi (edge detection) yang dilakukan pada

beberapa citra (gambar) yang berformat *jpg dengan 5 macam gambar

menggunakan 2 metode yaitu, operator sobel dan operator canny dengan software

Matlab.

4.1 System Requirement

Dalam melakukan penelitian citra untuk deteksi tepi (edge detection)

penulis menggunakan software Matlab, maka ada hal yang perlu diperhatikan

yaitu :

spesifikasi perangkat keras (Hardware) dan perangkat lunak

(Software) yang dipergunakan dalam penelitian ini :

a. Sistem operasi Windows 7 64bit

b. Processor intel core i5

c. RAM (Random Access Memory) 10 GB

d. VGA Memory 1 GB

e. Harddisk 500 GB

Adapun minimal sistem yang dibutuhkan (minimum system

requirement) yaitu

a. Sistem Operasi windows xp sp2

b. Processor intel pentium 4

42
 c. RAM (Random Access Memory) 512 MB akan tetapi

direkomendasikan 1 GB

d. VGA Memory -

e. Harddisk 680 MB hanya untuk Matlab

4.2 Input Citra

Memasukan citra ke dalam software Matlab, dengan pseudocode

dibawah ini :

img = imread('namafile');

citra yang diinput yaitu citra „Gedung.jpg‟, ‟Wajah.jpg‟, „Tank.jpg‟,

„Bromo.jpg‟, dan „Peta.jpg‟ dengan mode warna RGB. Sebagaimana gambar

dibawah ini.

a.Gedung.jpg

43
b.Wajah.jpg

c.Tank.jpg

44
 d.Bromo.jpg

e.Peta.jpg

Gambar 4.1 Citra input dengan format JPG mode RGB (Red Green Blue)

45
4.3 Konversi Citra ke Mode Grayscale

Pada tahap ini beberapa citra yang diinput di konversi ke mode

grayscale dengan pseudocode dibawah ini :

I = rgb2gray(img);

Citra-citra yang diinput ke dalam matlab dengan format JPG dengan mode

RGB (Red, Green, Blue) pada gambar 4.1 dikonversi ke mode grayscale

untuk mempermudah proses pengolahan citra pada tahap selanjutnya, karena

citra mode ini terbentuk dari sebuah matrik yang nilainya berkisar antara 0

hingga 255. Maka citra-citra tersebut menjadi seperti gambar dibawah ini.

a.Gedung.jpg

46
b.Wajah.jpg

c.Tank.jpg

47
 d.Bromo.jpg

e.Peta.jpg

Gambar 4.2 Citra mode Grayscale

48
4.4 Deteksi Tepi (Edge Detection)

4.4.1 Operator Sobel

Deteksi tepi pada citra grayscale dengan operator Sobel. Adapun

proses pada operator sobel dalam mendeteksi tepi pada lima image. Berikut

langkah dari algoritma metode Sobel:

A. Konvolusi

Membuat kernel sobel matrik 3x3 untuk melakukan konvolusi

terhadap citra grayscale dengan pseudocode di bawah ini:

sx=[-1 0 1;-2 0 2;-1 0 1];

sy=[-1 -2 -1;0 0 0;1 2 1];

img_sx=filter2(sx, I);

img_sy=filter2(sy, I);

Edge=sqrt(img_sx.^2 + img_sy.^2);

B. Threshold

Hasil Citra yang telah dikonvolusi diubah hasilnya menjadi

citra biner dengan pseudocode dibawah ini:

Edge_t=im2bw(Edge/255);

C. Edge Image

Citra grayscale pada gambar 4.2 dapat diekstrak tepinya dan

menampilkan hasil deteksi tepi (Edge Image) seperti gambar dibawah

ini.

49
a.Gedung.jpg

b.Wajah.jpg

50
c.Tank.jpg

d.Bromo.jpg

51
 e.Peta.jpg

Gambar 4.3 Citra Hasil Deteksi Tepi Sobel

4.4.2 Operator Canny

Setelah deteksi tepi citra dengan operator sobel penulis selanjutnya

mendeteksi citra JPG dengan mode grayscale seperti Gambar 4.2

menggunakan operator Canny, maka hasilnya akan menjadi seperti gambar di

bawah ini.

A. Image Smoothing

Biasanya teknik yang digunakan pada tahap ini adalah

Gaussian Blur. Proses Gaussian Blur dapat dilakukan terhadap citra

secara keseluruhan (hasil akhir berupa 1 citra baru), atau dilakukan

terpisah (hasil akhir berupa dua buah citra yaitu blur horizontal dan

vertikal). Dibawah ini pseudocode Gaussian blur untuk smoothing

citra grayscale.

52
filterx = d2dgauss(Nx1,Sigmax1,Nx2,Sigmax2,Theta1);

Ix = conv2(I,filterx,'same');

filtery = d2dgauss(Ny1,Sigmay1,Ny2,Sigmay2,Theta2);

Iy = conv2(I,filtery,'same');

(http://robotics.eecs.berkeley.edu/~sastry/ee20/cacode.html)

B. Differentiation

Gradien merupakan operator yang paling mendekati definisi

dari sebuah edge. Pada langkah menghitung potensi gradien citra ada

dua buah informasi yang dibutuhkan yaitu kekuatan edge (edge

strength/magnitude), dan arah edge (edge direction/orientation).

Operator sobel memanfaatkan dua buah template edge pada dua arah

tegak lurus (horizontal dan vertikal) dan menghitung arah edge dari

arctangent kedua nilai tersebut. Berikut pseudocode yang digunakan.

NVI = sqrt(Ix.*Ix+Iy.*Iy);

C. Nonmaximum supression

Hasil penerapan operator gradien untuk menghitung potensi

gradien di tahap sebelumnya tidak memberi informasi secara spesifik

tentang lokasi dari edge yang dicari. Alternatifnya adalah menggunakan

operator zero-crossing yang digunakan oleh algoritma deteksi Marr-

Hildreth. Non-maximal supression bertujuan membuang potensi

gradien di suatu piksel dari kandidat edge jika piksel tersebut bukan

merupakan maksimal lokal pada arah edge di posisi piksel tersebut (di

sinilah arah gradien diperlukan). Berikut psedocodenya

53
[n,m]=size(Ibw);

for i=2:n-1,

for j=2:m-1,

if Ibw(i,j) > level,

X = [-1,0,+1;-1,0,+1;-1,0,+1];

Y = [-1,-1,-1;0,0,0;+1,+1,+1];

Z = [Ibw(i-1,j-1),Ibw(i-1,j),Ibw(i-1,j+1);

Ibw(i,j-1),Ibw(i,j),Ibw(i,j+1);

Ibw(i+1,j-1),Ibw(i+1,j),Ibw(i+1,j+1)];

XI = [Ix(i,j)/NVI(i,j), -Ix(i,j)/NVI(i,j)];

YI = [Iy(i,j)/NVI(i,j), -Iy(i,j)/NVI(i,j)];

ZI = interp2(X,Y,Z,XI,YI);

if Ibw(i,j) >= ZI(1) && Ibw(i,j) >= ZI(2)

edgeimage(i,j)=I_max;

else

edgeimage(i,j)=I_min;

end

else

edgeimage(i,j)=I_min;

end

end

end

(http://robotics.eecs.berkeley.edu/~sastry/ee20/cacode.html)

D. Edge Thesholding

Hasil dari langkah non-maximal suppression adalah citra yang

berisi kandidat edge serta intensitas dari kekuatan edge di posisi piksel

54
tersebut. Langkah terakhir adalah hysteresis thresholding yaitu

klasifikasi dengan dua buah nilai High-threshold dan Low-Threshold.

suatu piksel disahkan sebagai piksel edge jika nilainya lebih besar atau

sama dengan High-Threshold (thresholding umum) atau (di sini kaidah

tambahannya) jika piksel tersebut memiliki intensitas kekuatan edge

yang lebih besar dari Low-Threshold dan terhubung dengan piksel

yang nilainya lebih besar dari High-Threshold. Berikut psedocodenya.

I_max = max(max(NVI));

I_min = min(min(NVI));

level = alfa*(I_max-I_min)+I_min;

Ibw = max(NVI,level.*ones(size(NVI)));

E. Edge Image

Citra grayscale pada gambar 4.2 dapat diekstrak tepinya dan

menampilkan hasil deteksi tepi (Edge Image) seperti gambar dibawah

ini.

55
a.Gedung.jpg

b.Wajah.jpg

c.Tank.jpg

56
 d.Bromo.jpg

e.Peta.jpg

Gambar 4.4 Citra Hasil Deteksi Tepi Canny

57
 4.4 Hasil Deteksi Tepi Operator Sobel Dan Operator Canny

Deteksi tepi yang dihasilkan operator sobel pada beberapa citra

sebagaimana gambar 4.5 cukup baik akan tetapi masih ada tepi-tepi yang

hilang sedangkan deteksi tepi yang dihasilkan operator canny pada gambar

4.6 menghasilkan citra yang lebih baik meskipun tepinya tidak tebal.

Gambar 4.5 dan gambar 4.6 bisa dilihat kembali secara bersamaan

pada tabel dibawah ini.

Tabel 4.1 Hasil Deteksi Tepi

No. Citra Operator Sobel Operator Canny

1 Gedung

2 Wajah

3 Tank

58
4 Bromo

5 Peta

Jumlah pixel warna putih merupakan piksel yang diperoleh dari hasil

deteksi tepi. Semakin banyak piksel warna putih, kemungkinan banyak pula tepi

yang bisa diperoleh. Oleh karena itu, penulis membandingkan jumlah pixel warna

putih yang didapat dari perhitungan deteksi tepi operator sobel dan operator canny

untuk semua citra yang diuji. Dengan menggunakan fungsi nnz (number of

nonzero entries) untuk menghitung piksel warna putih misalnya.

JmlPikselputih = nnz(edgeimage);

Berikut ini adalah tabel yang menerangkan hasil jumlah piksel warna putih untuk

semua citra sesuai metode deteksi tepi operator sobel dan operator canny.

Tabel 4.2 Hasil Jumlah Piksel Warna Putih Deteksi Tepi

Jumlah Piksel Warna Putih

No. Nama Citra
Sobel Canny
1 Gedung.jpg 64109 64516
2 Wajah.jpg 40875 40132
3 Tank.jpg 44750 48260
4 Bromo.jpg 40700 40132
5 PetaGC.jpg 37956 37338

59
 Menurut data yang diperoleh pada tabel 4.2 operator Sobel dan Operator

Canny tidak berbeda jauh bahkan ada di beberapa citra dimana Operator Canny

lebih banyak jumlahnya dari operator sobel yaitu pada Citra nomor 1 dan 3

sedangkan pada citra yang lainnya operator sobel lebih banyak jumlahnya yaitu

pada citra nomor 2, 4, dan 5.

Jika dilihat secara visual hasil deteksi tepi pada tabel 4.1, deteksi tepi citra

pada operator sobel tepinya lebih tebal daripada operator canny, akan tetapi ada

beberapa tepi pada operator sobel yang hilang sedangkan tepi di operator canny

tidak hilang.

60
 BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Dengan adanya penelitian ini diharapkan dapat memberikan beberapa

informasi bagi mahasiswa dan masyarakat pada umumnya. Berdasarkan

pembahasan pada bab sebelumnya, penulis dapat mengambil kesimpulan

bahwa deteksi tepi dengan operator Canny lebih baik dari operator Sobel

karena Operator Canny mendeteksi tepi yang tepi sebenarnya dan tidak

menghilangkan tepi sebenarnya sedangkan operator sobel masih ada tepi yang

hilang dan memunculkan tepi yang bukan tepi sebenarnya. Akan tetapi

operator sobel menghasilkan tepi yang tebal dibandingkan operator canny.

5.2 Saran

Studi Pembanding Deteksi Tepi (Edge Detection) citra yang dilakukan

masih sangat jauh dari sempurna sehingga membutuhkan pengembangan

penelitian untuk meningkatkan informasi yang dihasilkan dan dapat lebih

bermanfaat.

61
 DAFTAR PUSTAKA

Munir, Rinaldi. (2004). Pengolahan Citra Digital. Bandung: Informatika.

Prasetiyo, Eko. (2013). Pengolahan Citra Digital dan Aplikasi menggunakan

Matlab. Yogyakarta: Andi Publisher.

Putra, Darma. (2010). Pengolahan Citra Digital. Yogyakarta: CV. ANDI.

Murni, A. dan S, Setiawan. (1992). Pengantar Pengolahan Citra. Jakarta: Elex

Media Komputindo.

http://www.mathworks.com (2014)

Nazir, Moh.(2013). Metode Penelitian. Bogor: GHALIA INDONESIA.

Sigit, R, et al. (2005). Step by Step Pengolahan Citra Digital. Yogyakarta : CV

Andi Offset.

Sutoyo, T. et al. (2009). Teori Pengolahan Citra Digital. Yogyakarta: CV. Andi
Offset.

http://robotics.eecs.berkeley.edu/~sastry/ee20/cacode.html (2014)

Murni, A.(1992). Pengantar Pengolahan Citra. Jakarta : PT Elek Media

Komputindo Kelompok Gramedia.

Arhami, Muhammad dan Anita Desiani.( 2005) Pemrograman MATLAB.

Yogyakarta : Andi.

62
LAMPIRAN

63
Deteksi Tepi Sobel
clear all
clc

img = imread('Wajah.jpg');

red=img(:,:,1);
green=img(:,:,2);
blue=img(:,:,3);
I=0.3*red+0.5*green+0.2*blue ;

sx=[-1 0 1;-2 0 2;-1 0 1];

sy=[-1 -2 -1;0 0 0;1 2 1];
img_sx=filter2(sx, I);
img_sy=filter2(sy, I);
Edge=sqrt(img_sx.^2 + img_sy.^2);

Edge_t=im2bw(Edge/255);
figure,imshow(Edge_t);

Deteksi Tepi Canny

img = imread('Wajah.jpg');

red=img(:,:,1);
green=img(:,:,2);
blue=img(:,:,3);
I=0.3*red+0.5*green+0.2*blue ;

I=im2double(I);

% 1. Parameters of edge detecting filters:

% X-axis direction filter:
Nx1=10;Sigmax1=1;Nx2=10;Sigmax2=1;Theta1=pi/2;
% Y-axis direction filter:
Ny1=10;Sigmay1=1;Ny2=10;Sigmay2=1;Theta2=0;
% 2. The thresholding parameter alfa:
alfa=0.1;

filterx = d2dgauss(Nx1,Sigmax1,Nx2,Sigmax2,Theta1);
Ix = conv2(I,filterx,'same');

filtery = d2dgauss(Ny1,Sigmay1,Ny2,Sigmay2,Theta2);
Iy = conv2(I,filtery,'same');

NVI = sqrt(Ix.*Ix+Iy.*Iy);

I_max = max(max(NVI));
I_min = min(min(NVI));
level = alfa*(I_max-I_min)+I_min;
Ibw = max(NVI,level.*ones(size(NVI)));

64
[n,m]=size(Ibw);
for i=2:n-1,
for j=2:m-1,
if Ibw(i,j) > level,
X = [-1,0,+1;-1,0,+1;-1,0,+1];
Y = [-1,-1,-1;0,0,0;+1,+1,+1];
Z = [Ibw(i-1,j-1),Ibw(i-1,j),Ibw(i-1,j+1);
Ibw(i,j-1),Ibw(i,j),Ibw(i,j+1);
Ibw(i+1,j-1),Ibw(i+1,j),Ibw(i+1,j+1)];
XI = [Ix(i,j)/NVI(i,j), -Ix(i,j)/NVI(i,j)];
YI = [Iy(i,j)/NVI(i,j), -Iy(i,j)/NVI(i,j)];
ZI = interp2(X,Y,Z,XI,YI);
if Ibw(i,j) >= ZI(1) & Ibw(i,j) >= ZI(2)
edgeimage(i,j)=I_max;
else
edgeimage(i,j)=I_min;
end
else
edgeimage(i,j)=I_min;
end
end
end
figure,imshow(edgeimage);

Fungsi Gausssian

gauss.m

function y = gauss(x,std)
y = exp(-x^2/(2*std^2)) / (std*sqrt(2*pi));

dgauss.m

function y = dgauss(x,std)
y = -x * gauss(x,std) / std^2;

d2gauss.m

function h = d2dgauss(n1,sigma1,n2,sigma2,theta)
r=[cos(theta) -sin(theta);
sin(theta) cos(theta)];
for i = 1 : n2
for j = 1 : n1
u = r * [j-(n1+1)/2 i-(n2+1)/2]';
h(i,j) = gauss(u(1),sigma1)*dgauss(u(2),sigma2);
end
end
h = h / sqrt(sum(sum(abs(h).*abs(h))));

65