Jurnal Pengolahan Citra Digital (1-5)
Jurnal Pengolahan Citra Digital (1-5)
2, September 2019 65
1,2
Dosen tetap Program Studi Manajemen Informatika AMIK Harapan Bangsa Surakarta
Jl. Ir. Sutami No. 46 Sekarpace, Jebres, Surakarta; (Telp. (0271) 639763; email: ismailsetiawan@amikhb.ac.id,
wikadewanta@amikhb.ac.id )
3
Dosen Tetap Departemen Teknik Elektro dan Teknik Informatika Universitas Gadjah Mada Yogyakarta
Komplek Fakultas Teknik UGM, Jl. Grafika No.2, Yogyakarta; (Telp. (0274) 552305 ; email: adinugroho@ugm.ac.id )
4
Dosen Tetap Universitas Muhammadiyah Surakarta
Jl. A. Yani, Mendungan, Pabelan, Kec. Kartasura, Kabupaten Sukoharjo; (Telp. (0271) 714448; email:
heru.supriyono@ums.ac.id)
Abstract— The development of science related to image sebuah algoritma yang di ajukan dalam tulisan ini
processing today is increasingly popular. The untuk melakukan segmentasi citra digital yang
availability of technology to capture images well now is kemudian akan dibaca sebagai hasil citra
not difficult to find. Digital cameras have grown better tersegmentasi. Metode thresholding bekerja dengan
with increasing pixel values that can be generated from beberapa langkah yaitu Mengkonversi ruang warna
the camera catch. Thresholding is an algorithm citra RGB menjadi Grayscale, Melakukan segmentasi
proposed in this paper to segment digital images which citra menggunakan metode thresholding, Melakukan
will then be read as a result of segmented images. The operasi komplemen agar objek yang bernilai 1
thresholding method works in several steps, namely (berwarna putih), sedangkan background yang bernilai
converting the RGB image color space to Grayscale, 0 (berwarna hitam) dan Melakukan operasi morfologi
segmenting the image using the thresholding method, untuk menyempurnakan bentuk objek pada citra biner
performing complement operations so that objects that hasil segmentasi. Operasi morfologi yang dilakukan
are 1 (white), while background values are 0 (black) and adalah berupa filling holes, area opening, dan erosi.
Performing morphological operations to perfect the Penelitian ini menggunakan MATLAB r2014a dalam
shape of objects in the segmented binary image. pengembangan modelnya.
Morphological operations performed were filling holes, Kata Kunci : Citra digital, Thresholding, RGB,
opening areas, and erosion. This study uses MATLAB Grayscale, MATLAB r2014a
r21014a in developing the model.
Keywords: Digital image, Thresholding, RGB,
I. PENDAHULUAN
Grayscale, MATLAB r2014a.
Perkembangan ilmu pengetahuan terkait pengolahan
Intisari— Perkembangan ilmu pengetahuan terkait citra dewasa ini semakin digemari. Tersedianya teknologi
pengolahan citra dewasa ini semakin digemari. untuk mengnangkap citra dengan baik sekarang ini tidak
Tersedianya teknologi untuk mengnangkap citra sulit untuk ditemui. Kamera digital sudah berkembang
dengan baik sekarang ini tidak sulit untuk ditemui. semakin baik dengan bertambahnya nilai pixel yang dapat
Kamera digital sudah berkembang semakin baik di hasilkan dari tangkapan kamera tersebut. Kemacetan
dengan bertambahnya nilai pixel yang dapat di merupakann masalah utama dibeberapa kota besar terutama
hasilkan dari tangkapan kamera tersebut. Indonesia sebagai negara berkembang. Pertumbuhan
dengan
Pengolah Citra Dengan Metode Thresholding dengan Matlab R2014A…. ISSN 1858 - 2680
66 Jurnal Media Infotama Vol.15 No. 2, September 2019
A. Thresholding
Thresholding merupakan salah satu metode segmentasi
citra yang memisahkan antara objek dengan background
dalam suatu citra berdasarkan pada perbedaan tingkat
kecerahannya atau gelap terangnya [6]. Region citra yang
cenderung gelap akan dibuat semakin gelap (hitam
sempurna dengan nilai intensitas sebesar 0), sedangkan
region citra yang cenderung terang akan dibuat semakin
terang (putih sempurna dengan nilai intensitas sebesar 1)
[7]. Oleh karena itu, keluaran dari proses segmentasi
dengan metode thresholding adalah berupa citra biner
dengan nilai intensitas piksel sebesar 0 atau 1. Setelah citra
sudah tersegmentasi atau sudah berhasil dipisahkan
objeknya dengan background, maka citra biner yang
diperoleh dapat dijadikan sebagai masking utuk melakukan
proses cropping sehingga diperoleh tampilan citra asli tanpa
background atau dengan background yang dapat diubah-
ubah [5].
T1, f1(x,y) ≤ T1
T3, T1<f1(x,y) ≤ T2
f0(x,y) = {
T2, T2<f1(x,y) ≤ T3
ISSN 1858 - 2680 Pengolah Citra Dengan Metode Thresholding dengan Matlab R2014A….
66 Jurnal Media Infotama Vol.15 No. 2, September 2019
f0(x,y) : adalah citra hasil threshold
T : Nilai Pemetaan Pixel
ISSN 1858 - 2680 Pengolah Citra Dengan Metode Thresholding dengan Matlab R2014A….
Jurnal Media Infotama Vol.15 No. 2, September 2019 67
B. Perancangan
Perancangan sistem pada penelitian ini
menggunakan singgel user side. Aplikasi dimungkinkan
untuk mengambil gambar dan di arahkan untuk
langsung menghasilkan informasi mengenai citra
IV. PEMBAHASAN
Pengolah Citra Dengan Metode Thresholding dengan Matlab R2014A…. ISSN 1858 - 2680
68 Jurnal Media Infotama Vol.15 No. 2, September 2019
3. Melakukan segmentasi citra menggunakan metode bentuk objek pada citra biner hasil segmentasi. Operasi
thresholding
bw =
im2bw(Gray,.99);
figure, imshow(bw);
bw = imfill(bw,'holes');
bw =
bwareaopen(bw,100); str
= strel('disk',5);
bw =
imerode(bw,str);
figure, imshow(bw);
% Background
Img2 = imread('background
1.jpg'); figure, imshow(Img2);
ISSN 1858 - 2680 Pengolah Citra Dengan Metode Thresholding dengan Matlab R2014A….
Jurnal Media Infotama Vol.15 No. 2, September 2019 69
R2 = Img2(:,:,1);
G2 = Img2(:,:,2);
B2 = Img2(:,:,3);
R2(bw) = R(bw);
G2(bw) = G(bw);
B2(bw) = B(bw);
RGB = cat(3,R2,G2,B2);
figure, imshow(RGB);
V. PENUTUP
A. Kesimpulan
Metode Thresholding merupakan salah satu metode
segmentasi citra yang memisahkan warna antara objek dan
background berdasarkan perbedaan tingkat kecerahaannya .
Metode thresholding bekerja dengan beberapa langkah
yaitu Mengkonversi ruang warna citra RGB menjadi
Grayscale, Melakukan segmentasi citra menggunakan
metode thresholding, Melakukan operasi komplemen agar
objek yang bernilai 1 (berwarna putih), sedangkan
Pengolah Citra Dengan Metode Thresholding dengan Matlab R2014A…. ISSN 1858 - 2680
Jurnal Media Infotama Vol.15 No. 2, September 2019 69
yang bernilai 0 (berwarna hitam) dan Melakukan operasi multicomponent signals,” in 2018 IEEE
morfologi untuk menyempurnakan bentuk objek pada citra International Conference on
biner hasil segmentasi. Operasi morfologi yang dilakukan
adalah berupa filling holes, area opening, dan erosi.
B. Saran
Untuk mengukur kinerja metode thresholding dapat
dicoba pada citra digital yang berisi objek bergerak seperti
kendaran bermotor atau orang yang diambil pada objek
nyata. Sehingga kinerja metode thresholding benar-benar
dapat di ketahui kemampuan dalam melakukan segmentasi
citra yang dilakukannya.
DAFAR PUSTAKA
Pengolah Citra Dengan Metode Thresholding dengan Matlab R2014A…. ISSN 1858 - 2680
JIPI (Jurnal Ilmiah Pendidikan Informatika)
Volume 1, Nomor1, Tahun 2016: 1-1
1
JIPI (Jurnal Ilmiah Pendidikan Informatika)
Volume 1, Nomor1, Tahun 2016: 1-2
ABSTRAK
Dalam perkembangannya pengolahan citra sangat membantu untuk menyelesaikan masalah yang sering dihadapi oleh
manusia pada ummnya .Image processing digunakan untuk keperluan teknologi khususnya dalam bidang computer
vision.Untuk Penelitian ini digunakan metode segmentasi yang dapat membedakan antara obyek dengan bacground , Image
processing merupakan suatu teknik pengolahan gambar dari obyek.untuk mendeteksi adanya object yang berwarna merah
dan kuning serta digunakan kamera digital sebagai masukan data. kamera digital akan merekam object yang berupa mobil
yang bergerak sebagai acuan dan mengirim data ke PC. Dalam pengolahan image processing dibutuhkan ketepatan dan
keakuratan data serta pengetahuan tentang statistika karena pengolahan image ini berhubungan dengan pengolahan
data.Hasil dari penelitian ini yaitu software dapat mendeteksi obyek berwarna merah dan kuning sehingga diketahui jenis
mobil dari belakang.Kesimpulan dari penelitiaan ini adalah posisi kamera dan pencahayaan sangat berpengaruh terhadap
penangkapan gambar object .Pemanfatan ke depan digunakan untuk pengembangan dalam bidang computer vision dengan
membedakan objeck dengan background sehingga objeck terlihat 3D.
ABSTRACT
In the development of image processing help to resolve the problem often encountered by humans on the .Image ummnya
processing used for computer technology, especially in the field of research vision.Untuk segmentation method is used to
distinguish between objects with bacground, Im-age processing is a technique image processing of obyek.untuk detect any
object in red and yellow as well as digital cameras used as input data. digital cameras will record the object in the form of a
moving car as a reference and send data to a PC. In the processing of image processing required precision and accuracy of
data as well as knowledge of statistics for image processing relates to the processing data.Hasil of this analysis, the software
can detect objects in red and yellow in order to know the type of car penelitiaan belakang.Kesimpulan of this is the position
of the camera and lighting is very air-effect to the image capture object .Pemanfatan forward used for development in the
field of computer vision to distinguish objeck with a background that looks 3D objeck .
I. PENDAHULUAN
S eiring dengan perkembangan jaman pengetahuan dan teknologi yang pesat sekarang ini ,maka kita dihadapkan
kepada suatu bentuk permasalahan yang lebih komplek yang menuntut kreativi- tas.perkembangan teknik tentang
image processing yang berkembang dengan pesat saat. ini.terutama
pada pengolahan gambar.
Pada penelitian yang ditulis oleh lia amelia dkk ditekankan pada metode roberts dan sobel dalam mendeteksi tepi [1] .
Pengolahan citra merupakan proses memanipulasi dan menganalisis citra dengan bantuan komputer.dengan menggunakan
deteksi tepi yang menentukan titik –titik tepi dari obyek,data yang digunakan dalam detecsi tepi berupa citra digital ,citra dari
sudut pandang matematis merupakan fungsi menerus (continue) dari intensitas cahya pada bidang dua dimensi f(x,y)
dengan x dan y adalah koordinat spasial dan amplitudo f pada pasangan koordinat (x.y) yang disebut intensitas atau derajat
keabunan citra pada titik tersebut.parameter yang digunakan adalah secara visual dan dari jumalah piksel warna putih pada
citra keluaran .
Untuk selanjutnya pada penelitian yang dilakukan oleh Nazaruddin [2] bahwa penggunaan citra digital semakin meningkat
karena kelebihan-kelebihan yang dimiliki oleh citra tersebut .ketidakpuasan seseorang dalam melihat suatu gambar terjadi
akibat adanya noise,kualitas pencahayaan pada citra yang terlalu gelap atau terang sehingga dibutuhkan suatu metode untuk
2
JIPI (Jurnal Ilmiah Pendidikan Informatika)
Volume 1, Nomor1, Tahun 2016: 1-3
memperbaiki kualitas citra digital yaitu dengan menggunkan metode histogram equalization.
3
JIPI (Jurnal Ilmiah Pendidikan Informatika)
Volume 1, Nomor 1, Tahun 2016 : 1-7
Apabila pada penelitian sebelumnya menggunakan citra biasa dengan metode yang berbeda maka Pada penelitian ini akan
dibahas tentang bagaimana cara menganalisa bentuk-bentuk mobil yang dikenali dari belakang dengan mengambil video
objek yang sedang bergerak serta menggunakan metode segmentasi untuk membedakan objek dan background dan setelah
dikenali bisa dilakukan penguncian dalam hal ini menggunakan hardware berupa pc , laptop , web cam , camera hand phone
sebagai penunjangnya dan untuk softwarenya menggunakan visual C++ , proses selanjutnya menggunakan image processing
atau pengolahan citra.
Pengolahan citra adalah suatu metode atau teknik yang dapat digunakan untuk memproses suatu data gambar yang diisikan
untuk mendapatkan suatu informasi tertentu mengenai obyek yang diamati. Pengolahan citra ini dapat dilakukan karena pada
setiap element gambar (pixel) yang paling tidak mempunyai dua buah informasi mengenai letak dari warna dengan
pengolahan citra ini dapat diketahui informasi tentang keberadaan suatu obyek dengan mendeteksi adanya gerakan –
gerakan tertentu dari citra. Jadi dalam hal ini kamera web merekam gambar yang berupa mobil yang bergerak dengan target
warna merah yang akan diambil dari belakang
Tujuan dari pembuatan penelitian ini adalah membuat sebuah system yang berupa webcam yang digunakan untuk merekam
dan mengambil gambar mobil,warna merah sebagai acuan yang berada didepannya dengan melalui proses image processing
dengan menggunakan bahasa pemrogaman visual C++ dimana data diperoleh dari kamera digital.
II . METODE PENELITIAN
Disini akan dibahas semua materi yang menunjang dalam penyesaian penelitian ini antara lain mengenai garis besar bahasa
pemrogaman visual C++ serta uraian tentang dasar-dasar proses pengolahan citra serta metode- metode yang digunakan
sesuai dengan hasil yang diharapkan .
IMAGE PROCESSING
Image processing atau pengolahan citra merupakan suatu metode atau teknik yang dapat digunakan untuk memproses citra
atau gambar dengan jalan mjemanipulasinjya menjadi suatu data gambar yang diisikan untuk mendapatkan suatu informasi
tertentu mengenai obyek yang sedang diamati .dan hal –hal yang perlu diperhatikan sebagai referensi pembuatannya disini
diantaranya adalah:
A. Pengolahan Citra
Citra adalah representasi dua dimentasi untuk bentuk-bentuk fisik nyata tiga dimensi.Citra dalam perwujutan dapat
bermacam-macam,mulai dari gambar perwujudan nya dapat bermacam –macam,mulai dari gambar putih pada sebuah foto
(yang tidak bergerak)sampai pada gambar warna yang bergerak pada televisi .proses transfor- masi dari bentuk tiga dimensi
ke bentuk dua dimensi untuk menghasilkan citra akan dipengaruhi oleh bermacam- macam factor yang mengakibatkan citra
penampilan citra suatu benda tidak sama persis dengan bentuk fisik nya- tanya .faktor-faiktor tersebut merupakan efek
degradasi atau penurunan kualitas yang dapat berupa rentang kon- tras benda yang terlalu sempit atau terlalu lebar ,distorsi
geometric kekaburan(blur),kekaburan akibat objek citra yang bergerak 9 motion blur,noisw atau gangguan yang disebabkan
oleh interferensi pembuat citra ,baik itu pembuat tranduser ,peralatan elektronik maupun peralatan optik .karena pengolahan
citra digital dilakukan den- gan computer digital ,maka citra yang akan diolah terlebih dahulu ditranformasikan kedalam
bentuk besaran – besaran diskrit dari niloai tingkat keabuan pada titik element citra .bentuk dari citra ini disebut citra
digital
.element-element citra digital apabila ditampilkan dalam layer monitor akan menempati sebuah ruang yang dis- ebut
Pixel(picture element) .Teknik dan proses untuk mengurangi atau menghilangkan efek degradasi pada citra meliputi teknik
perbaikan atau peningkatan citra (image enchancement ) ,restorasi citra (image restoration) dan tranformasi special (special
transformation ),subyek lain dari pengolahan citra digital diantaranya adalah pengko- dean citra ,segmentasi citra(image
segmentation ),representasi edan diskripsi citra (image representation and dis- kription).
B. Model Citra
Citra disini merupakan matrik dua dimensi dari fungsi intensitas cahaya,karena itu referensi citra menggunakan dua
variabelyang menunjuk posisi pada bidang dengan sebuah fungsi intensitas cahaya yang dapat dituliskan se- bagai berikut
f(x,y).karena cahaya merupakan salah satu bentuk energi yang dalam persamaan 1:
4
JIPI (Jurnal Ilmiah Pendidikan Informatika)
Volume 1, Nomor 1, Tahun 2016 : 1-7
Citra yang dilihat sehari-hari merupakan cahaya yang direfleksikan sebuah obyek.fungsi.fungsi f(x,y) dapat dili- hat sebagai
fungsi dengan dua unsur,pertama merupakan besarnya sumber cahaya yang melengkapi pandangan kita terhadap obyek
(illumination),kedua merupakan besaran cahaya yang difleksikan oleh obyek dalam pandan- gan kita (reflectance
component).keduanya dituliskan fungsi yang berturut-turut i(x,y) dan r(x,y).merupakan kombinasi perkalian untuk
membentuk fungsi f(x.y) yang dapat ditulis dengan persamaan sebagai berikut:
Persamaan diatas menandakan bahwa nilai kerefleksian dibatasi oleh nilai 0(total absorbtion) dan nilai satu (total
reflectance)fungsi i(x,y) yang sudah didiskritkan baik koordinat special maupun tingkat kecerahannya.kata con- tinue disini
dijelaskan bahwa indek x dan y bernilai bulat .kita dapat menganggap citra digital (berikutnya akan disingkat dengan
citra)sebagai matrik dengan ukuran MxN yang baris dan kolomnya menunjukkan titik-titiknya yang diperlihatkan pada
persamaan berikut:
Citra yang tidak berwarna atau hitam putih dikenal juga sebagai citra dengan derajat keabuan (citra grey level
/greyscale).Derajat keabuan yang dimiliki ini bias beragam mulai deari dua derajat keabuan yaitu(0 dan 1)yang dikenal juga
sebagai citra monokrome.16 derajat keabuaan dan 256 derajat kebuan [3].
Dalam sebuah citra monochrome,sebuah pixel diwakili oleh 1 bit data yang berisikan data tentang derajat kea- buan yang
dimiliki oleh pixel tersebut.data akan berisi 1 apabila pixel berwarna putih dan akan berisi 0 bila pixel berwarna hitam.
Citra yang dimiliki 16derajat keabuan(mulai dari 0 mewakili warna hitam sampai 15 yang mewakili warna
putih)dipresentasikan oleh 4 bit data.sedangkan citra dengan 256 derajat keabuan (nilai 0 mewakili hitam sampai dengan 256
yang mewakili warna putih )dipresentasikan leh 8bit data.
Dalam citra berwarna,jumlah warna bisa beragam mulai dari 16,256,65536 atau 16 juta warna yang masing- masing
dipresentasikan oleh 4,8,16 atau 24 bit data untuk setiap pixelnya .warna yang terdiri dari 3 komponen utama yaitu merah
(red),nilai hijau (green),dan nilai biru (blue).paduan ketiga komponen membentuk sebuah warna C dengan rumusan
sebagai berikut [2]:
C. Warna RGB dan Gray Scale
5
JIPI (Jurnal Ilmiah Pendidikan Informatika)
Volume 1, Nomor 1, Tahun 2016 : 1-7
Model warna RGB(red,green,blue)mendiskripsikan warna sebagai kombinasi positip dari warna yai- tu:merah,hijau dan biru
sehingga membentuk sebuah warna C dengan persamaan 4:
𝐶 = 𝑟𝑅 + 𝑔𝐺 + 𝑏𝐵 (4)
Jika scalar r,g,b diberikan harga antara 0 dan 1 ,maka semua definisi warna akan berada dalam kubus seperti gambar 2:
Cyan=0,1,1
Blue=0,0,1
Magenta=1,0
White=1,1,1
Black=0,0
Red=1,0,0
Green=0,1,0
Yellow=1,1,1
Gambar.2.Definisi Warna RGB
Ruang warna ini adalah dasar dari warna display monitor computer.garis sepanjang titik hitam (0,0,0)RGB hing- ga titik
putih (1,1,1)RGB disebut dengan titik keabuan atau grayscale .sehingga dengan mudah kita dapatkan hu- bungan antara RGB
dengan greyscale sebagai berikut :
Setiap titik pada layar yang berisi angka yang bukan menunjukkan intensitas warna dari titik tersebut ,melainkan
menunjukkan nomor warna yang dipilih ,dimana pada titik memiliki 256 warna,maka fungsi-fungsi yang dimiliki oleh
pengolahan citra tidak dapt mengolah atau memanipulasinya secara langsung hal ini karena citra tersebut tidak memiliki8
kecerahan tertentu sedangkan masing-masing pallete warna table memiliki tiga buah kombinasi angka R<G<B dan yang
menentukan proporsi warna merah,hijau dan biru. Dengan demikian diketahui bahwa dalam suatu pixel akan diwakilim
dengan 3 byte memori yang masing-masing terdiri dari1 byte untuk warna me- rah,1 byte untuk warna hijau dan 1 byte untuk
warna biru.
6
JIPI (Jurnal Ilmiah Pendidikan Informatika)
Volume 1, Nomor 1, Tahun 2016 : 1-7
4. Dilakukan Penguncian
5. Preprosesing ,terjadi proses penghilangan noise dan filtering
6. Segmentasi,memisahkan antara obyek dengan background
7. Melalui proses scanning ,apakah ada warna merah atau warna kuning ?jika tidak,program kembali stand
by.jika ya,dengan metoda template matching .
Diagram
Penelitian ini merupakan perwujudan dari algoritma program yang telah diuraikan diatas .alur program tersebut
merupakan fungsi untuk mengaturkan alur program dapat berjalan dengan baik .itu alur program dapat menggambarkan
secara singkat dan tepat pola pikir program.
Alur program proyek akhir ini mempunyai kesamaan dengan algoritma pemikiran manusia sehingga mudah untuk
diwujudkan dalam bentuk perangkat lunak dan dapat dimengerti secara logika dan nalar .tentang warna merah yang kemudian
disimpan dan dapat digambarkan sebagai proses pengenalan obyek warna merah khususnya untuk mobil yang berwarna
merah
B. PIRANTI PENDUKUNG
Seperti yang telah disebutkan pada bagian depan,piranti pendukung dari proyek akhir ini berupa kamera digital yang
berfungsi sebagai mata computer untuk mengenali pola suatu obyek ,disini jenis kamera sangat berpengaruh terhadap proses
pengolahan image .Bila kamera yang digunakan kurang sensitive terhadap perubahan intensitas cahaya maka kualitas
gambar yang diambil kurang baik .begitu juga resolusi yang didukung oleh kamera tersebut [4].
(a)
(b)
Gambar 3. (a) Blok diagram Pendeteksi Obyek Warna Merah Dengan Pengolahan Citra
(b) Flowchart blok diagram pendeteksi obyek dengan pengolahan citra
7
JIPI (Jurnal Ilmiah Pendidikan Informatika)
Volume 1, Nomor 1, Tahun 2016 : 1-7
C. PEMBUATAN PERANGKAT LUNAK
Dalam sub bab ini akan dijelaskan tentang pembuatan fungsi –fungsi dari perangkat lunak .dalam pembuatan software ini
pada dasarnya menggunakan bahasa Visual C++.tetapi user interface yang digunakan adalah Video lap [5] .
IV. KESIMPULAN
Dalam pengolahan image processing dibutuhkan ketepatan dan keakuratan data serta pengetahuan tentang statistika karena
pengolahan image ini berhubungan dengan pengolahan data.Hasil dari penelitian ini yaitu software dapat mendeteksi obyek
berwarna merah dan kuning sehingga diketahui jenis mobil dari belakang.Kesimpulan dari penelitiaan ini adalah posisi kamera
dan pencahayaan sangat berpengaruh terhadap penangkapan gambar object .
V. DAFTAR PUSTAKA
Abstract— Saat ini teknologi telah berkembang sangat menganalisis gambar atau video untuk mendapatkan hasil
pesat dan hal itu mulai memodernisasi beberapa bidang sebagaimana yang bias dilakukan manusia serta pada
kegiatan manusia di era ini. Bidang pertanian pun tak luput hakikatnya, computer vision mencoba meniru cara kerja sistem
dari perkembangan teknologi untuk hal penelitian. Deteksi
visual manusia (Human vision). Tujuan penelitian ini dilakukan
objek merupakan salah satu teknologi yang terus
dikembangkan dan diteliti hingga saat ini. Pada Tugas Akhir
untuk mengukur dan menganalisa bagaimana
ini akan dibahas Pengolahan Citra Digital Dalam Penentuan
Panen Jamur Tiram. Dalam penelitian ini digunakan metode
deteksi tepi Canny dan kontur. Hasil penelitian ini akan
didapat data penentuan panen dan kualitas jamur tiram.
I. PENDAHULUAN
Jamur Tiram putih (Pleurotus ostreatus) adalah jenis
jamur kayu yang memiliki kandungan nutrisi yang lebih
tinggi dibandingkan dengan jenis jamur kayu lainnya,
didalam jamur tiram putih terkandung protein, lemak,
fosfor, besi, thiamin, dan riboflavin yang lebih tinggi
dibandingkan jenis jamur lain (Nunung, 2001) [1].
Dibuktikan oleh (Sumarni,2006), bahwa setiap 100 gram
jamur tiram mengandung protein 19-35% dengan 9 macam
asam amino, lemak 1,7%-2,2% terdiri dari 72% asam lemak
tak jenuh. Sedangkan karbohidrat dalam jamur tiram terdiri
dari tiamin, riboflavin, dan niasin merupakan vitamin B
utama dalam jamur tiram, selain vitamin D dan C
mineralnya terdiri dari K, P, Na, Ca, Mg, Zn, Fe, Mn, Co,
dan Pb.
Mikroelemen dalam jamur tiram yang bersifat logam sangat
rendah sehingga aman dikonsumsi setiap hari [2]. Panen
jamur tiram pada satu media tanam dapat dilakukan
beberapa kali. Media tanam dengan ukuran ± 800 dapat
dipanen 4-5 kali. Jarak waktu antara panen pertama dan
kedua secara umum terjadi antara 7-14 hari, kecepatan
pertumbuhan tersebut juga sangat dipengaruhi oleh kondisi
lingkungan tempat pertumbuhan jamur yang digunakan.
Oleh karena itu dalam pemanenan perlu memperhatikan
beberapa hal antara lain penentuan saat panen dan teknik
pemanenan itu sendiri. Panen dapat dilakukan pada saat
jamur mencapai pertumbuhan yang optimal, yakni
ukurannya cukup besar, tetapi tudungnya belum mekar
penuh (ditandai pada bagian pinggir tudung jamur masih
terlihat utuh/belum pecah). Ukuran diameter jamur yang
siap panen rata – rata mencapai 5-10 cm [3].
Seiring dengan kemajuan teknologi komputer,
penggunaan computer vision untuk pembelajaran
ISSN 2615-5788 Print (2615-7764)
©2019 Jurnal Teknik Elektro Dan Komputer Triac
Vol.6 No. 1
penerapan
JIPI (Jurnal metode deteksi
Ilmiah tepi Canny
Pendidikan pada pengolahan
Informatika)
citra digital terhadap penentuan panen
Volume 1, Nomor 1, Tahun 2016 : 1-7 jamur tiram.
II. BAHAN DAN METODE
Metode penelitian meliputi perancangan dan
pengujian, perancangan sistem Delphi XE 7.
A. Diagram Blok Sistem
Pada perancangan alat tugas akhir ini terdapat
beberapa tahapan agar perencanaan sesuai dengan yang
diharapkan. Berikut rancengan sistem dalam bentuk
diagram blok.
4. Thresholding
Proses thresholding merupakan suatu proses
mengubah citra grayscale menjadi suatu citra biner.
Secara matematis dapat ditulis sebagai berikut : Gambar 1.4 Hasil Pemrosesan Citra
1 𝑖𝑓 𝑓(𝑥, 𝑦) ≥ 𝑇
𝑔 (𝑥, 𝑦) = {0 𝑖𝑓 𝑓(𝑥, 𝑦) ≤ (2.2) 6. Kontur (Contour)
𝑇
Dengan g (x,y) adalah citra biner dari citra grayscale Pendeteksian tepi akan menghasilkan citra tepi
f(x,y) dan T adalah nilai threshold. yang berupa citra biner (pixel tepi berwarna putih,
sedangkan pixel bukan tepi berwarna hitam). Tetapi,
5. Deteksi Tepi Canny tepi belum memberikan informasi yang berguna karena
Salah satu operator deteksi tepi adalah deteksi tepi belum terdapat keterkaitan antara suatu tepi dengan tepi
Canny yang dikembangkan oleh John F. Canny. Ada lainya. Citra tepi ini harus diproses lebih lanjut untuk
beberapa kriteria deteksi tepi paling optimum dengan menghasilkan informasi yang lebih berguna yang dapat
algoritma Canny yaitu mendeteksi dengan baik (kriteria digunakan dalam mendeteksi bentuk-bentuk yang
deteksi), melokalisasi dengan baik (kriteria lokalisasi), sederhana (misalnya garis lurus, lingkaran, elips, dan
respon yang jelas (kriteria respon). sebagainya) pada proses analisis citra.
Langkah pertama adalah dengan menghilangkan noise Rangkaian dari pixel-pixel tepi yang membentuk batas
yang terdapat pada citra dengan mengimplemntasikan filter daerah (region boundary) disebut kontur (Contour).
Gaussian. Berikut adalah salah satu contoh filter Gaussian Kontur dapat terbuka atau tertutup. Kontur tertutup
dengan σ = 14 berkoresponden dengan batas yang mengelilingi suatu
2 4 5 4 2 daerah lihat pada Gambar 1.4. (a).
1 4
⎡ 9 12 9 4⎤
5 12 15 12 5 (2.3)
115
⎢ 4 9 12 9 4⎥
⎣2 4 5 4 2⎦
Gambar 1.4 (a) kontur tertutup, (b) kontur terbuka
Langkah kedua yaitu melakukan deteksi tepi salah pixel-pixel didalam daerah dapat ditemukan dengan
satu operator deteksi tepi seperti Roberts,Prewitt dan algoritma pengisian (filling algorithm). Batas daerah
ISSN 2615-5788 Print (2615-7764)
©2019 Jurnal Teknik Elektro Dan Komputer Triac
Vol.6 No. 1
JIPI (Jurnal Ilmiah Pendidikan Informatika)
berguna
Volume untuk1,mendeskripsikan
1, Nomor Tahun 2016 : 1-7 bentuk objek dalam
tahap analisi citra (misalnya untuk mengenali
objek).Kontur terbuka dapat berupa fragmen garis atau
bagian dari batas daerah yang tidak membentuk sirkuit
(Gambar 1.4. (b)).
Gambar diatas menjelaskan alur flowchart, dengan Hasil pengujian terhadap beberapa sampel jamur tiram
penjelasan sebagai berikut : yaitu sebagai berikut.
Pada keadaan awal melakukan proses capture
gambar objek jamur tiram. TABEL 1 HASIL PENGUJIAN OBJEK DI SEKTOR KIRI
Melakukan proses deteksi tepi dan kontur NO. Ukuran pada Kategori Kualita Hasil
terhadap objek jamur tiram aplikasi s
Mencari titik tengah objek jamur tiram (px/cm)
kemudian menghitung diameter objek.
1. 100 / 6,09 HI A HSP
3. 120 / 7,3 I A SP
5. 125 / 7,6 I B SP
III. HASIL DAN PEMBAHASAN
7. 110 / 6,6 I A SP
Sistem penentuan panen dan kualitas jamur tiram diawali 9. 116 / 7,1 I A SP
dengan mengcapture objek jamur tiram dengan webcam.
Software yang digunakan dalam penelitian ini adalah 11. 97 / 5,9 HI A HSP
Embarcadero Delphi XE 7 yang diolah dengan metode 13. 106 / 6,4 I A SP
deteksi tepi Canny dan kontur, kemudian akan didapatkan 15. 86 / 5,0 HI A HSP
hasil berupa ukuran jamur tiram dalam (piksel/cm), kategori 17. 94 / 5,7 HI B HSP
jamur tiram, dan hasil penentuan panen jamur tiram.
19. 73 / 4,4 S B BSP
7
= Σ 𝑁𝑖𝑙𝑎𝑖 𝐷𝑎𝑡𝑎
7 + 3 𝑥 100% = 0,7 = 70% Rata − Rata =
𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝐷𝑎𝑡𝑎
𝐵𝑒𝑟ℎ𝑎𝑠𝑖𝑙 + 𝑇𝑜𝑡𝑎𝑙p 0,5 + 0,2 + 0,2 + 0,2 + 0,3 + 0,1 + 0,2 + 0,5 + 0,4 + 0,2
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = =
𝑥 100% 10
𝐵𝑒𝑟ℎ𝑎𝑠𝑖𝑙 + 𝐺𝑎𝑔𝑎𝑙 + 𝑇𝑜𝑡𝑎𝑙p
= 0,28
7 + 10
= 17 Dengan menggunakan toleransi 0,28
7 + 3 + 10 𝑥 100% = 𝑥100% = 85%
2 Dari data Tabel diatas, diketahui dari 10 kali uji sampel
0 jamur tiram yang dilakukan, sistem mengalami kegagalan
𝐺𝑎𝑔𝑎𝑙 sebanyak 4. Dengan menggunakan image processing didapat
𝐸𝑟𝑟𝑜𝑟 𝑅𝑎𝑡𝑒 = 𝑥 100%
𝐵𝑒𝑟ℎ𝑎𝑠𝑖𝑙 + 𝐺𝑎𝑔𝑎𝑙 + 𝑇𝑜𝑡𝑎𝑙p presentasi keberhasilan sebesar :
IV. KESIMPULAN
Kesimpulan dari hasil penelitian dijelaskan pada bagian ini :
1. Cahaya sangat mempengaruhi tingkat
akurasi sistem, apabila tingkat cahaya cukup baik
maka sistem dapat bekerja secara optimal. Namun
apabila cahaya berlebih maka keakurasian sistem
dapat terganggu.
2. Penempatan kamera sangat berpengaruh
pada akurasi sistem, sudut pengambilan gambar
yang tepat akan memberikan hasil yang maksimal
pada sistem.
3. Pada penelitian diperoleh hasil yang
maksimal pada pengujian sektor kiri dengan
tingkat presentasi precision, presentasi recall,
presentasi accuracy data sektor kiri yang
menunjukkan hasil lebih baik daripada sektor
kanan.
DAFTAR PUSTAKA
Abstrak
Identifikasi objek (object recognition) merupakan suatu bidang keillmuan dari komputer vision
yang menggambarkan suatu objek yang didasarkan pada sifat utama dari objek tersebut.
Identifikasi objek pada citra digital membutuhkan teknik dan metode yang mampu untuk
mengekstraksi dan mengidentifikasi fitur-fitur yang terdapat pada citra digital, dimana komponen
utamanya adalah warna sebagai dasar dari representasi objek pada citra digital. salah satu metode
yang mampu menerapkan pengelompokan warna – warna objek pada citra digital sehingga dapat
menjadi fitur utama dari objek pada citra digital adalah Hierarchical Agglomerative Clustering.
Analisa dilakukan secara bertahap yaitu analisis sistem dan analisis algoritma agglomerative
clustering. Proses analisa kemudian dilanjutkan dengan tahap perancangan yang mana dimulai
dengan perancangan use case diagram dan perancangan flowchart. Akurasi dari algoritma
Hierarchical Agglomerative Clustering cukup baik khususnya pada objek yang memiliki warna
khusus atau warna yang telah menjadi ciri dari objek tersebut namun dapat menghasilkan
pengenalan yang buruk jika objek yang berbeda memiliki warna dominan yang sama.
Abstract
Object recognition is a scientific field of computer vision that describes an object based on the
main characteristics of the object. The identification of objects in digital images requires
techniques and methods that are able to extract and identify the features contained in digital
images, where the main component is color as the basis for object representation in digital images.
One method that is able to apply object color grouping to digital images so that it can become the
main feature of objects in digital images is Hierarchical Agglomerative Clustering. The analysis
was carried out in stages, namely system analysis and agglomerative clustering algorithm analysis.
The analysis process is then continued with the design stage which begins with designing a use
case diagram and designing a flowchart. The accuracy of the Hierarchical Agglomerative
Clustering algorithm is quite good, especially on objects that have a special color or a color that
has become a characteristic of the object but can result in poor recognition if different objects have
the same dominant color.
diulang terus sehingga tampak bergerak ke atas dikenali sehingga dapat digunakan pada proses uji
(Agglomerative) membentuk jenjang (hierarki) identifikasi.
(Arifin, Stefanus, and Soeleman 2017).
Berdasarkan pemaparan dan alasan diatas,
Pada penelitian sebelumnya Wicaksana,
metode Hierarchical Agglomerative
Adikara dan Adinugroho pada tahun 2018 tentang
Clustering akan diimplementasikan untuk
clustering dokumen skripsi dengan menggunakan
Hierarchical Agglomerative identifikasi objek pada pengolahan citra digital.
Clustering yang
METODE
menyimpulkan Metode hierarchical agglomerative
Metode penelitian yang digunakan adlaah
clustering lebih sering menghasilkan singleton metode Air terjun (WaterFall). Model SDLC air
(cluster yang terdiri dari 1 dokumen) sehingga terjun (waterfall) sering juga disebut model
mempengaruhi ketepatan suatu cluster dalam sekuensial linier (sequential linier) atau alur hidup
mengelompokkan dokumen (Wicaksana, Adikara, klasik (classic life cycle). Model air terjun
and Adinugroho 2018). menyediakan pendekatan alur hidup perangkat lunak
Peneliitian lainnya tentang identifikasi dengan secara sekuential atau terurut dimulai dari analisis,
desain, pengkodean, pengujian (Hirmawan, P, and
clustering juga dilakukan oleh Misdayanto, Yustina
Azizah 2016). Metode penelitian yang dikembangkan
dan Ira dengan menerapkan metode K-Means pada penelitian ini terdiri dari beberapa modul.
Clustering untuk identifikasi jenis burung Lovebird. Setiap modul pada sistem yang dibangun memiliki
Sistem dibagi menjadi dua tahapan yaitu fungsi dan proses masing – masing sesuai dengan
tahapanpelatihan dan tahapan pengujian. Tahapan tujuan pembuatannya yang dapat digambarkan
pelatihan menggunakan 30 citra burung lovebird seperti yang terlihat pada gambar berikut ini :
dikenali sesuai dengan jenisnya sehingga
menghasilkan tingkat akurasi sebesar 100%.
Sedangkan tahapan pengujian menggunakan 24 citra
burung lovebird, 22 citra burung lovebird dikenali
sesuai dengan jenisnya dan 2 citra burung lovebird
dikenali tetapi tidak sesuai dengan jenisnya sehingga
menghasilkan tingkat akurasi sebesar 91,67%
(Misdiyanto, Yustina Suhandini T 2020)
Metode Hierarchical Agglomerative
Clustering menawarkan solusi yang sederhana dan
cepat dalam pengelompokan piksel warna. Kemudian
diberi label sebagai identitas. Pelabelan cluster
adalah proses memberikan identitas berupa nama Training (Pelatihan)
Identification
(Idenfikasi Objek)
atau ciri pada suatu cluster agar cluster tersebut
dapat dikenali. Nama atau ciri yang digunakan Baca Objek
Baca Objek
Clustering
Clustering
sebagai label dari suatu cluster merupakan objek Simpan Pada Database
Baca Database
Identifikasi Objek
yang mewakili isi dari cluster. Hasil dari
pengelompokkan akan
Gambar 1. Arsitektur Sistem Identifikasi Objek
menjadi nama atau ciri dari objek yang
PENGUJIAN SISTEM
Pengujian dilakukan untuk
memperoleh validasi implementasi algoritma
Hierarchical Agglomerative Clustering pada
aplikasi identifikasi objek pada citra digital. Adapun
tujuan utama dari pengujian adalah untuk
memperoleh kemampuan dari Hierarchical Gambar 9. Pengujian Identifikasi Objek
Agglomerative Clustering dalam proses identifikasi
objek pada citra digital. Proses pengujian dimulai Pengujian identifikasi seperti yang terlihat pada
dengan proses pelatihan objek yang terdapat pada gambar 10 dilakukan menggunakan citra sepeda
citra digital seperti terlihat pada gambar berikut : lainnya. Seperti yang dapat dilihat pada gambar 10
aplikasi yang dikembangkan dapat meng-identifikasi
objek sepeda dengan baik
Dari hasil yang diperoleh, dapat dilihat bahwa Informasi 13: 92–100.
program sistem identifikasi objke pada citra digital
Bramanto, Arief, Wicaksono Putra, Muhammad
menggunakan metode Hierarchical Agglomerative
Trisna, and Rheo Malani. 2021. “Jurnal
Clustering yang dibangun dapat memberikan hasil
Politeknik Caltex Riau Kompresi Citra Digital
yang cukup baik, dimana proses identifikasi
Dengan Basis Komponen Warna RGB
menghasilkan hasil yang sesuai dengan objek yang
Menggunakan Metode K-Means Clustering” 7
terkandung pada citra digital.
(1): 14–
23.
SIMPULAN
Effendi, Masud, Fitriyah Fitriyah, and Usman
Berdasarkan hasil penelitian yang dilakukan,
Effendi. 2017. “Identifikasi Jenis Dan Mutu
maka dapat di tarik kesimpulan bahwa proses
Teh Menggunakan Pengolahan Citra Digital
identifikasi objek pada citra digital menggunakan
Dengan Metode Jaringan Syaraf Tiruan.”
teknik pengelompokan atau clustering adalah
Jurnal Teknotan 11 (2):
melakukan pembagian terhadap pixel – pixel pada
67.
citra digital ke dalam beberapa kelompok
berdasarkan kedekatan warna antara satu pixel https://doi.org/10.24198/jt.vol11n2.7.
dengan pixel lainnya. Berdasarkan kelompok – Hirmawan, A., M. P, and D. Azizah. 2016.
kelompok yang terbentuk dapat menjadi referensi “ANALISIS SISTEM AKUNTANSI
dalam menentukan jenis objek berdasarkan PENGGAJIAN DAN PENGUPAHAN
kelompok warna yang terbentu dari objek tersebut. KARYAWAN DALAM UPAYA
Akurasi dari algoritma Hierarchical Agglomerative MENDUKUNG PENGENDALIAN
Clustering cukup baik khususnya pada objek yang INTERN (Studi Pada PT.Wonojati Wijoyo
memiliki warna khusus atau warna yang telah Kediri).” Jurnal Administrasi Bisnis S1
menjadi ciri dari objek tersebut. Universitas Brawijaya 34 (1):
Adapun saran yang penulis dapat kemukan 189–96.
terkait dengan permasalahan yang telah dijabarkan Hutahaean, Harvei Desmon, Bakti Dwi Waluyo, and
dimana proses identikasi cukup baik namun dapat Muhammad Amin Rais. 2019. “Teknologi
menghasilkan identifikasi yang buruk jika objek Identifikasi Objek Berbasis Drone
yang berbeda memiliki ciri warna dominan yang Menggunakan Algoritma Sift Citra
sama sehingga diperlukan penelitian lebih lanjut Digital” 04: 193–98. Madhulatha, T. Soni. 2012. “An
dengan menambah algoritma atau metode untuk Overview on Clustering Methods.” IOSR Journal
mengatasi kelemahan tersebut. of Engineering 02 (04): 719–25.
https://doi.org/10.9790/3021-
0204719725.
DAFTAR PUSTAKA Misdiyanto, Yustina Suhandini T, Ira Aprilia. 2020.
“Identifikasi Jenis-Jenis Burung Lovebird
Ackermann, Marcel R., Johannes Blömer, Daniel Menggunakan Pengolahan Citra Digital
Kuntze, and Christian Sohler. 2014. “Analysis Dengan Metode K-Means Clustering.” Jurnal
of Agglomerative Clustering.” Algorithmica Sains Komputer & Informatika (J-SAKTI)
69 (1): 184– Vol. 4 (September): 445–56.
215. https://doi.org/10.1007/s00453- Muwardi, Fitri, and Abdul Fadlil. 2018.
012-9717-4. “Sistem Pengenalan Bunga Berbasis
Arifin, Zenal, Santosa Stefanus, and Arief M. Pengolahan Citra Dan Pengklasifikasi
Soeleman. 2017. “Klasterisasi Genre Cerpen Jarak.” Jurnal Ilmiah Teknik Elektro
Kompas Menggunakan Agglomerative Komputer Dan Informatika 3 (2): 124.
Hierarchical Clustering- Single Linkage.” https://doi.org/10.26555/jiteki.v3i2.747 0.
Jurnal Teknologi Permata, Endi. 2016. “Identifikasi Obyek Benda
Tajam Menggunakan Pengolahan Citra Digital
Pada Citra X- Ray.” Volt 1 (1): 1–14.
ABSTRAK
Penelitian ini berisi tentang implementasi pengolahan citra digital dan jaringan saraf tiruan hopfield diskrit pada
sistem identifikasi citra retina. Serta menggunakan perhitungan hamming distance untuk mencari nilai kesalahan
identifikasi citra retina tersebut. Tahap perancangan sistemnya dari proses resize, grayscale, deteksi tepi dengan
sobel, binerisasi citra, jaringan saraf tiruan hopfield, dan hamming distance. Dengan sistem identifikasi ini nanti
akan menghasilkan nilai hamming distance dan prosentase kemiripan dari identifikasi antara retina yang di uji
dengan data latih yang ada di database. Dari hasil pengujian 7 data citra retina milik orang yang sama namun
dengan citra yang sedikit berbeda dengan dipengaruhi posisi, translasi dan noise sistem ini mampu mengenali
dengan keberhasilan 42,86 %. Hal ini terjadi karena sistem ini tidak melakukan proses transform terhadap citra
yang akan di identifikasi
Kata kunci: Sistem, Pengolahan Citra Diggital, Identifikasi Retina, Jaringan Saraf Tiruan
hopfield, Hamming Distance
ABSTRACT
This study contains the implementation of digital image processing and discrete Hopfield neural networks in
retinal image identification system. As well as using the Hamming distance calculations to find the value of the
retinal image misidentification. System design phase of the process resize, grayscale, edge detection with Sobel,
binerisasi image, Hopfield neural network, and the Hamming distance. With this identification system would
later result in the value of the Hamming distance and the percentage of similarity between the retina
identification test in training data in the database. From the test results 7 data retinal images of the same person
but with a slightly different image to the affected position, translation and noise the system is able to recognize
the success of 42.86%. This happens because the system does not make the process transform the image to be
identified
PENDAHULUAN
salah satu jenis dari teknologi tersebut adalah
Perkembangan teknologi dewasa ini pengenalan retina (retinal recognition). Biometrik
sungguh sangat pesat, terutama tekhnologi dibidang adalah suatu cabang keilmuan yang menggunakan
tekhnologi informasi yang dapat dimanfaatkan luas data atau properti unik dari anggota tubuh makhluk
di banyak bidang lainnya. Salah satu teknologi hidup, dalam hal ini manusia, untuk tujuan
yang berkembang pesat adalah pada bidang identifikasi atau verifikasi. Beberapa bagian tubuh
pemindaian biometrik (biometrics scanning), dan atau properti yang lazim digunakan untuk
PEMBAHASAN
Proses identifikasi retina ini dibagi menjadi
dua tahap utama, yang pertama adalah pra
pengolahan (pre-processing) dan yang kedua adalah
proses identifikasi menggunakan jaringan saraf
tiruan (neural network) hopfield diskrit. Secara Gambar 5 Contoh citra retina yang
keseluruhan skema proses tersebut terlihat pada
di gunakan 64x64 pixel
Gambar 4.
Pada saat pengambilan citra tersebut,
kemudian sistem secara otomatis langsung me-
risize nya menjadi ukuran 20x20 pixel. Hasil
resize seperti Gambar 6 dibawah ini.
Pra
Pengolahan
Resize
Grayscal e
Tampilkanhasil
resize
Selesai
b) Proses grayscale
Pada proses ini, citra retina hasil resize
sebelum dilakukan deteksi tepi dilakukan proses
menyederhanakan pixel citra dengan merubah citra
retina itu menjadi grayscale. Contoh hasil proses
grayscale seperti Gambar 7 dibawah ini. Gambar8 Deteksi tepi dengan metode
sobel
Sedangkan alur deteksi tepi dengan metode
sobel itu sendiri adalah sebagai berikut :
Mulai
Ambilcitrahasil
grayscale
Sedangkan alur proses grayscale
Perkalian citra dengan
itu sendiri adalah sebagai berikut :
matrik operator sobel
Mulai
Matrik hasil
>= 255
Ekstraksi RGB citra retina
Tidak
Ya
Nilai R, G, B Matrik hasil=255 Matrik hasil
<= 0 Tidak
Kalkulasi nilai grayscale Matrik hasil deteksi tepi
Ya
sobel
Matrik hasil=0
Hasil Kalkulasi
Selesai Selesai
Matrik hasil=0
Selesai
1
1 Dari keempat pola tersebut dapat
= 1 + [1 1 1 0] x [ ] dihitung dengan hamming distance
0 hasilnya adalah :
−1
=1+1+1+0+0=3 Hamming distance = 0/4 = 0
y_in3 > 0 → y3 = 1 Persen kesamaan = ( 1 – 0 ) * 100% = 1*100%
Karena nilai y_in3 lebih besar dari 0, maka aktivasi = 100 %
berubah dan menjadikan nilai Y3 = 1.
Nilai output sementara adalah: Y1=1, Y2=1, Y3=1, Dalam perbandingan kedua vektor tersebut,
dan Y4=0 atau dalam bentuk vektor (1, 1, 1, 0). ternyata persen kesamaan bernilai 100 %, yang
Pilih unit Y4 untuk melakukan perubahan aktivasi. berarti input citra retina dikenali oleh sistem.
𝑛
Y_in4 = x4 + ∑j=1 yj (wj4) Selanjutnya membandingkan input retina dengan
data latih di data base yang lain untuk mengecek
−1 kemiripannya dengan mengulangi proses dari 1-9
−1 ini. Sampai nanti juga didapat nilai kesamaan
= 0 + [1 1 1 0] x [ ] kemudian dipilih nilai kesamaan yang paling besar
−1 sebagai hasil identifikasi. Dalam penelitian ini
0 digunakan nilai kesamaan diatas 80% untuk
=0+-1+-1+-1+0=-3 dianggap dikenali. Dibawah nilai itu citra input
dianggap tidak dikenali.
y_in4 < 0 → y4 = 0
Karena nilai y_in4 lebih besar dari 0, maka aktivasi
3. Data Pengujian
berubah dan menjadikan nilai Y4 = 0. Pengujian citra retina dengan orang yang sama
Nilai output terakhir adalah: Y 1=1, Y2=1, Y3=1,
tapi dengan citra retina yang agak berbeda :
dan Y4=0 atau dalam bentuk vektor (1, 1, 1, 0).
Citra input =
Ulangi proses mulai 1-7 untuk data latih yang
berbeda tapi dengan bobot yang sama jika data latih
Gambar 4.9 Citra retina uji
dari citra retina orang yang sama.
Selanjutnya dihitung jarak kedua vektor
nilai output jaringan dengan data latih yang
ada di database dengan metode
hammming distance, yaitu sebagai beikut :
Out put jaringan = 1 1 1 0
Citra biner dalam data base = 1 1 1 0
√ √ √ √
1 1 1 0
1 1 1 0
Gambar 3.15 Perbandingan matrik
biner
DAFTAR PUSTAKA
1. Darma, Putra. 2009. Pengolahan Citra
Digital. Andi Offset. Yogyakarta
2. Puspitaningrum, Diyah, ST, M.Kom.
2006. Pengantar Jaringan Saraf Tiruan.
Andi Offset. Yogyakarta
3. Kusumadewi, Sri. 2004. Membangun
Jaringan Syaraf Tiruan Menggunakan
MATLAB & EXCEL LINK. Graha Ilmu.
Yogyakarta
ISSN 1858 - 2680 Pengolah Citra Dengan Metode Thresholding dengan Matlab R2014A….