IMAGE PROCESSING

Lexian Swastiratu Inggara Tungga (17010049), 2T3, Teknik Tekstil, Politeknik STT Tekstil Bandung

E-mail: lexianswastiratu@gmail.com

Phone: 0821 2736 6665

Abstrak

Digital Image Processing atau dalam bahasa Indonesia adalah Pengelolah Citra Digital yang
merupakan teknik pengambil citra/ gambar dari dunia nyata untuk diolah (lihat,ubah,simpan)
dalam komputer. Bentuk dari Digital Image dapat berupa file yang berekstensi *.jpg, *.gif, *.png
dan semacamnya. Digital Image terbentuk dari susunan Matrik. Matrik adalah suatu susunan
bilangan yang tersusun menurut baris dan kolom tertentu, apabila direpresentasi dalam bentuk
gambar 
PENDAHULUAN TUJUAN
Pengolahan citra atau image processing 1. Dapat memahami prinsip-prinsip image
adalah setiap bentuk pengolahan sinyal dimana processing.
input adalah gambar, seperti foto atau video 2. Dapat menganalisis listing program
bingkai, sedangkan output dari pengolahan matlab
gambar dapat berupa gambar atau sejumlah 3. Dapat mencari ketebalan sebuah kabel
karakteristik atau parameter yang berkaitan dengan metode image processing.
dengan gambar. Kebanyakan gambar-teknik
pemrosesan melibatkan atau memperlakukan DASAR TEORI
foto sebagai dimensi dua sinyal dan Pengolahan citra atau image processing

menerapkan standar-teknik pemrosesan sinyal merupakan proses pengolahan dan analisis citra

untuk itu, biasanya hal tersebut mengacu pada yang banyak melibatkan persepsi visual. Proses

pengolahan gambar digital,tetapi dapat juga ini mempunyai ciri data masukan dan informasi

digunakan untuk optik dan pengolahan gambar keluaran yang berbentuk citra. Istilah

analog. Akuisisi gambar atau yang menghasilkan pengolahan citra digital secara umum

gambar input di tempat pertama disebut didefinisikan sebagai pemrosesan citra dua

sebagai pencitraan. dimensi dengan komputer. Dalam definisi yang

( Jihanfaruqbamukrah,2010) lebih luas, pengolahan citra digital juga

mencakup semua data dua dimensi. Citra digital
adalah barisan bilangan nyata maupun
kompleks yang diwakili oleh bit-bit tertentu. terdapat pada informasi warna pada setiap
( Jihanfaruqbamukrah,2010) pixel. ( Dendieisme,2011)

Umumnya citra digital berbentuk Pada Image berwarna informasi warna

persegi panjang atau bujur sangkar (pada ini dipecah dalam tiga komponen warna yang
beberapa sistem pencitraan ada pula yang biasa disebut RGB (Red Green Blue), dari ketiga
berbentuk segi enam) yang memiliki lebar dan komponen utama tersebut apabila
tinggi tertentu. Ukuran ini biasanya dinyatakan dikombinasikan dapat menciptakan warna
dalam banyaknya titik atau pixel sehingga apapun. ( Dendieisme,2011)
ukuran citra selalu bernilai bulat. Setiap titik
RGB (Red Green Blue) sebagai tiga warna
memiliki koordinat sesuai posisinya dalam citra.
utama diambil berdasarkan teori tristimulus
Koordinat ini biasanya dinyatakan dalam
yang pada intinya ketiga warna tersebut adalah
bilangan bulat positif, yang dapat dimulai dari 0
tiga sinar yang memiliki gelombang
atau 1 tergantung pada sistem yang digunakan.
terpanjang.Setiap komponen warna
Setiap titik juga memiliki nilai berupa angka
(Red,Green,Blue) pada sebuah image memiliki
digital yang merepresentasikan informasi yang
matriks sendiri-sendiri,Nilai warna pada pixel
diwakili oleh titik tersebut.
dari masing-masing komponen berkisar 0
(Jihanfaruqbamukrah,2010)
sampai dengan 255 dengan tipe data integer

Format data citra digital berhubungan (angka tanpa desimal).Sebagai contoh apabila

erat dengan warna. Pada kebanyakan kasus, pada pixel dari setiap komponen warna diberi

terutama untuk keperluan penampilan secara angka 255 maka akan menghasilkan warna

visual, nilai data digital merepresentasikan putih, apabila diberikan angka 0 semua akan

warna dari citra yang diolah. Format citra digital mendapatkan warna hitam.Berikut ini beberapa

yang banyak dipakai adalah Citra Biner Operasi yang terdapat pada Digital Image

(monokrom), Citra Skala Keabuan ( gray scale ), Processing. ( Dendieisme,2011)

Citra Warna ( true color ), dan Citra Warna

 Image-Enchantment, adalah sebuah
Berindeks.(Jihanfaruqbamukrah,2010)
operasi untuk memperbaiki kualitas
Di dunia image digital terdapat dua image, seperti sharpening(penajaman)
jenis image, yaitu berwarna dan monokrom, dan perbaikan kontras.
perbedaan yang mendasar diantara keduanya (Dendieisme,2011)
  Image-Restoration, adalah sebuah 4. Dibuka gambar dengan perintah “ RGB
operasi yang bertujuan memperbaiki = imread(‘v.png’); ”
cacat image, seperti menghilangkan 5. Diketahui hasil pengukuran diameter
noise. ( Dendieisme,2011) kabel tersebut dengan menekan tombol
 Image-Segmentation, adalah sebuah f5
operasi untuk memecah image menjadi 6. Membuat listing program seperti
beberapa bagian. ( Dendieisme,2011) gambar dibawah ini:
 Image-Analysis, adalah sebuah operasi
untuk menghitung besaran kuantitatif
image, seperti mendeteksi tepi objek
dan representasi area.
(Dendieisme,2011)
 Image-Reconstruction, adalah sebuah
operasi untuk membentuk ulang objek
dari hasil projeksi objek, seperti gambar
yang dihasilkan dari rontgen.
(Dendieisme,2011)

METODE EKSPERIMEN
Alat dan Bahan
1 Laptop / Komputer
2 Program Matlab
3 Program Paint
4 Alat tulis
5 Kabel
6 Mikroskop
Cara Kerja
1. Memfoto kabel menggunakan webcam
2. Hasil foto dipindahkan kepaint dan
diberi nama dengan format .png
3. Dibuka program matlab
HASIL DAN PEMBAHASAN
 Fungsi dari perintah-perintah yang
ada pada matlab

1. RGB = imread('kamis.png');
Berfungsi membaca sebagai
kumpulan pixel dalam bentuk
matriks
2. imshow(RGB);
Berfungsi menampilkan gambar
masih dalam warna asli dari webcam
dan hasil berupa matriks
3. threshold = 0.98;
Berfungsi mengatur skala keabuan
(semakin besar angka semakin pekat
abunya)
4. bw = im2bw(I,threshold)
Berfungsi menampilkan gambar asli
hitam putih dalam bentuk bilangan
binary
5. se = strel('disk',1);
Berfungsi membuat pemisahan
disetiap objeknya
6. [B,L] = bwboundaries(bw,'noholes');
%
Berfungsi Mencari daerah batas tiap
objek pada matriks dengan label L
7. imshow(label2rgb(L, @jet, [.1 .2 .3]))
%
Berfungsi menampilkan gambar
8. for k = 1:length(B)%
boundary = B{k};
plot(boundary(:,2), boundary(:,1),
'w', 'LineWidth', 2)%
end
stats =
regionprops(L,'Area','Centroid','Peri
meter');%

threshold = 0.98;
Berfungsi memulai membentuk luas
kelililing, pusat luasan.
9. for k = 1:length(B)% The statement
length(X) is equivalent to
max(size(X))and Length of vector
% obtain (X,Y) boundary
coordinates corresponding to label
'k'
boundary = B{k};
% compute a simple estimate of
the object's perimeter
delta_sq = diff(boundary).^2;
perimeter =
sum(sqrt(sum(delta_sq,2)));
% obtain the area calculation
corresponding to label 'k'
area = stats(k).Area;
centroid = stats(k).Centroid;
keliling = stats(k).Perimeter;
allAreas = [stats.Area]; % List of
all the white areas.Create a new
vector allarea, which holds the
area measurement for each area
totalArea = sum(allAreas);
%122954
allPerimeter = [stats.Perimeter];
totalPerimeter =
sum(allPerimeter);
disp('position of object on x-y axis
=');
disp(stats(k).Centroid);%display
the type of shape
disp('metric of shape =');
disp(4*pi*area/perimeter^2);%
display the metric of shape
disp('Area of object in
micrometer^2 =');
disp(num2str(area));% display the
area of shape
% compute the roundness metric
metric = 4*pi*area/perimeter^2;
% display the results in the image
as a value of shape and area
metric_string =
sprintf('%2.2f',metric);
surface_string =
sprintf('%2.2f',area);
keliling_string =
sprintf('%2.2f',keliling*0.00155);%
nilai konst' antara hob dan hob'
% mark objects above the
threshold with a black circle
if metric > threshold
centroid = stats(k).Centroid;
plot(centroid(1),centroid(2),'ko');
end
Artinya menunjukan nilai matrik dan
permukaan kedalam gambar -10
berarti nilai bergerak kekanan,9
berarti nilai diatas lebih dari 15
10. text(boundary(1,2)-
10,boundary(1,1)+40,keliling_string,'
Color','r',...
'FontSize',12,'FontWeight','bold');
% Announcement of program
% type of color can be divided as,
b, c, g,k,m,r,w,y
text(size(bw,1),size(bw,1)+26,'Physic
s Lab Politeknik STTT Bandung
','Color','b',...
'FontSize',10,'HorizontalAlignment','r
ight');% 20 axis in y as 20 using
based position from above
End
 Artinya:  Ketebalan Kabel
 posisi objek ada disumby x-y
= 88,0197 245,4936 bentuk Dik : hob = 1,37 mm .... (1)
matrik = 0,0310
 luas objek dalam mm2 = 2184 M = 800 .... (2)
 posisi objek disumbu x-y = Dit : hob = h’ob .... (3)
129,0583 232,0655 bentuk Jawab :
matrik = 0,0305 luas objek
dalam mm2 = 2197 M = Mok. Mob .... (4)
Fok S ' ob
11. title(['Object identification ',... = .... (5)
Sn S ' ob
'yarn thickness in mm ']);
h ' ob
figure; = .... (6)
h ob
imshow(RGB);title('Original
Image'); Maka perbesaran dalam mm adalah:
subplot(2,2,1); 1 pixel = 0,03 cm = 0,3 mm .... (7)
imshow(RGB);title('Original Image');
subplot(2,2,2);
imshow(bw);title('black-white Image'); h ' ob 0,3 x 800 240
M= = = = 175,8
subplot(2,2,3);imshow(label2rgb(L, h ob 1,37 1,37
@jet, [.1 .2 .3]));title('processing of Image');
.... (8)
subplot(2,2,4);
hist(allPerimeter*0.00155);%kabel 1,35 mm Agar hob = h’ob diperlukan suatu konstanta (K)
title('Histogram of thickness');
xlabel('Thickness in mm'); h ' ob
hob =K .... (9)
ylabel('number of object');% show M
the processing image 804
1,37 =K .... (10)
Berfungsi subplot menunjukan posisi 175,18
dari kolom dan baris sesuei dengan
K = 0.29
perintah yang diinginkan. Subplot
(2,2,1) maksudnya ada dua kolom Dengan K = 0.29 maka didapat hob = h’ob
dua baris dan angka satu Dimana hob = 1.37 mm .... (11)
menunjukan baris satu kolom
h’ob = 1.34 mm .... (12)
pertama.

12. Dari hasil praktikum diperoleh data  Hubungan Mikroskop dengan program
bahwa ketebalan kabel sebesar 1,35
mm.
Mtotal = Mok × Mob .... (13)

h ' ob
=
hob
.... (14)
 h ' ob
Hob =
M DAFTAR PUSTAKA
.... (15)
1.)Dendieisme,2011,Konsep Digital Image
227,7 Processing,http://dendieisme.blogspot.com/20
1,35 =
M
11/03/konsep-digital-image
.... (16)
processing.html,diakses tanggal 15 September
M = 168,67 .... (17)
2018
h ' ob 2.)Jihanfaruqbamukrah,2010,Pengertian
M = .... (18)
hob
Pengolahan Citra,
227,7 http://jihanfaruqbamukrah.blogspot.com/2010/
Hob =
168,67
05/pengertian-pengolahan-citra-
.... (19)
image.html,diakses tanggal 15 September 2018
= 0,035 pixel .... (20)

KESIMPULAN
Setelah selesai melakukan praktikum,
didapatkan data dari hasil menganalisis listing
program yang telah dibuat seperti :
1. Diameter kabel sebagai contoh uji =
1,35 mm
2. Hubungan antara mikroskop dengan
program = perbesaran mikroskop 0,035
pixel