TULISAN ILMIAH
NPM : 50419739
Jurusan : Informatika
i
PERNYATAAN ORIGINALITAS DAN PUBLIKASI
Menyatakan bahwa tulisan ini adalah merupakan hasil karya saya sendiri dan
dapat dipublikasikan sepenuhnya oleh Universitas Gunadarma. Segala
kutipan dalam bentuk apa pun telah mengikuti kaidah dan etika yang
berlaku. Mengenai isi dan tulisan adalah merupakan tanggung jawab
Penulis, bukan Universitas Gunadarma.
(Andika Muhamad)
ii
LEMBAR PENGESAHAN
Menyetujui,
iii
ABSTRAK
(xiii + 77 + lampiran)
1. Ibu Prof. Dr. E.S. Margianti, SE., MM., selaku Rektor Universitas
Gunadarma.
2. Bapak Prof. Dr. Ing. Adang Suhendra, SSi., SKom., MSc., selaku
Dekan Fakultas Teknologi Industri.
3. Ibu Dr. Lintang Yuniar Banowosari, SKom., M.Sc., selaku Ketua
Jurusan Informatika.
4. Bapak Dr. Achmad Fahrurozi, SSi., MSi., selaku Kepala
Subbagian Sidang Penulisan Ilmiah Fakultas Teknologi Industri.
5. Ibu Nurul Adhayanti, SKom., MMSI., selaku Dosen Pembimbing
yang telah dengan sabar memberikan bimbingan serta masukan
sehingga penulis dapat menyelesaikan penulisan ini dengan baik.
6. Orang tua penulis Bapak Mada, Ibu Mimin dan Kakak Yolla
Amanda yang selalu memberikan dorongan, motivasi, semangat
dan doa kepada penulis dalam menempuh pendidikan.
7. Teman-teman kelas 4IA20 serta teman-teman Angkatan 2019
yang telah memberikan dukungan, bantuan serta memberikan
masukan dalam penulisan ilmiah ini sehingga pengerjaan ini
selesai tepat waktu.
8. Seluruh keluarga besar yang tidak dapat disebutkan namanya satu
per satu, terima kasih atas bantuan kritik, saran, arahan dan semua
semangat yang telah diberikan.
Andika Muhamad
DAFTAR ISI
Halaman
COVER....................................................................................................................i
PERNYATAAN ORIGINALITAS DAN PUBLIKASI......................................ii
LEMBAR PENGESAHAN..................................................................................iii
ABSTRAK.............................................................................................................iv
KATA PENGANTAR............................................................................................v
DAFTAR ISI........................................................................................................vii
DAFTAR GAMBAR.............................................................................................ix
DAFTAR TABEL................................................................................................xii
DAFTAR LAMPIRAN.......................................................................................xiii
BAB I PENDAHULUAN.......................................................................................1
1.1 Latar Belakang..........................................................................................1
1.2 Batasan Masalah........................................................................................2
1.3 Rumusan Masalah.....................................................................................2
1.4 Tujuan Penelitian.......................................................................................3
1.5 Metode Penelitian......................................................................................3
1.6 Sistematika Penulisan................................................................................5
BAB II LANDASAN TEORI................................................................................7
2.1 Penelitian Terkait......................................................................................7
2.2 Pengertian Citra Digital.............................................................................8
2.3 Pengolahan Citra digital..........................................................................10
2.4 Operasi-operasi pada Pengolahan Citra..................................................11
2.5 Deteksi Tepi............................................................................................12
2.6 Struktur Navigasi.....................................................................................19
2.7 Flowchart.................................................................................................21
2.8 Matlab......................................................................................................25
BAB III PERANCANGAN DAN IMPLEMENTASI.......................................26
3.1 Gambaran Umum Aplikasi......................................................................27
3.2 Kebutuhan Sistem....................................................................................27
3.3 Perancangan.............................................................................................29
3.4 Struktur Navigasi.....................................................................................30
3.5 Flowchart.................................................................................................30
3.6 Data Set...................................................................................................31
3.7 Rancangan Tampilan Aplikasi................................................................31
3.8 Pembuatan GUI Deteksi Tepi..................................................................32
3.9 Uji Coba..................................................................................................36
3.10 Hasil dari data edge detection..............................................................71
3.11 Implementasi Interface pada system....................................................76
BAB IV KESIMPULAN DAN SARAN.............................................................76
4.1 Kesimpulan..............................................................................................76
4.2 Saran........................................................................................................76
DAFTAR PUSTAKA...........................................................................................77
LAMPIRAN............................................................................................................1
DAFTAR GAMBAR
xi
DAFTAR TABEL
xii
DAFTAR LAMPIRAN
xiii
BAB I
PENDAHULUAN
3. Implementasi Sistem
Implementasi merupakan langkah untuk mengaplikasikan hasil studi
literatur sebagai solusi atas permasalahan yang ditemukan. Langkah ini
meliputi memasukan data citra digital, pemrosesan data, dengan keluaran
berupa hasil deteksi dari pemrosesan data yang dilakukan.
4. Pengujian
Pengujian dilakukan untuk memastikan apakah aplikasi dapat berjalan
dengan baik, sehingga dapat mendeteksi tepi pada citra untuk
membandingkan edge detection.
Analisis
Perancangan
Implementasi
Pengujian
1. Tahap pengumpulan data : mengumpulkan data citra digital penulis Setelah itu
dilakukan klasifikasi terhadap citra, yaitu membagi dua folder yang berisikan citra
5
BAB 1 : PENDAHULUAN
Bab ini berisi latar belakang dari penelitian yang dilaksanakan, rumusan masalah,
tujuan penelitian, batasan masalah, manfaat penelitian, metodologi penelitian,
sistematika penulisan.
Bab ini berisi teori-teori yang diperlukan untuk memahami permasalahan yang
dibahas pada penelitian ini. Teori yang berhubungan dengan pendeteksian tepi
pada citra.
BAB 4 : PENUTUP
Berisi penjelasan tentang kesimpulan dan saran-saran yang di peroleh dari hasil
analisis, dan pengujian deteksi tepi.
BAB II
LANDASAN TEORI
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.
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 2.1
merupakan contoh citra biner.
Citra berwarna merupakan gabungan dari beberapa lapis citra kanal warna
yang bertumpuk. Masing-masing lapisan merepresentasikan nilai intensitas warna
tertentu terhadap warna gelap sehingga pada citra berwarna setiap pixel
mempunyai informasi warna tertentu yang merupakan gabungan warna-warna
dari citra kanal warna. Misalnya RGB (Red Green Blue) mempunyai warna dasar
merah, hijau dan biru digabungkan dalam membentuk suatu susunan warna yang
luas.
a. Tepi Curam
Tepi curam adalah tepi dengan perubahan intensitas yang tajam. Arah tepi
berkisar 90 0 Gambar 2.5 menunjukan deteksi tepi tipe tepi curam.
b. Tepi Landai
Tepi landai yaitu tepi dengan sudut arah yang kecil. Tepi landai dapat
14
(1)
(2)
(3)
(4)
15
dengan:
G = Nilai gradien pada piksel
(5)
(6)
16
Konvolusi matriks metode Sobel dilakukan dengan persamaan (7) dan persamaan
(8):
(7)
(8)
(9)
(10)
(11)
(12)
(13)
(14)
(15)
(16)
(17)
Fungsi dari filter Gaussian untuk mengaburkan citra dan menghilangkan noise.
Sehingga operator Laplacian of Gauss didapatkan dari konvolusi persamaan (18):
(18)
(19)
19
(20)
(21)
(22)
Kemudian dari hasil proses thresholding didapat bentuk tepi citra dari
metode deteksi tepi menggunakan metode Canny.
Struktur navigasi adalah alur yang digunakan dalam aplikasi yang dibuat.
Sebelum menyusun aplikasi multimedia kedalam sebuah software, kita harus
menentukan terlebih dahulu alur apa yang akan digunakan dalam aplikasi yang
dibuat. Bentuk dasar dari struktur navigasi yang biasa digunakan dalam proses
pembuatan aplikasi multimedia ada empat macam, yaitu struktur navigasi linier,
hirarki, non linier dan campuran.
20
Tampilan pada menu utama disebut master page (halaman utama satu),
halaman tersebut mempunyai halaman percabangan yang disebut slave page
(halaman pendukung) dan jika dipilih akan menjadi halaman kedua, begitu
seterusnya.
2.7 Flowchart
22
Simbol Fungsi
Perbandingan, pernyataan,
penyeleksian data yang
memberikan pilihan untuk
langkah selanjutnya
Permulaan/akhir program
23
2.8 Matlab
Akuisisi
Analisis
Preprocessing
Segmentasi
Identifikasi edge
detection
26
27
3
Penjelasan Terhadap alur diagram diatas
Akuisisi : didapat data citra digital. Data yang dimiliki adalah data pribadi penulis.
Analisis : dilakukan Pengelompokkan citra di dalam folder. Data di bagi 2 di
dalam folder yaitu data citra latih, dan data citra uji.
Identifikasi edge detection : adalah suatu metode yang digunakan yang bertujuan
mengidentifikasikan titik-titik pada citra digital dimana tingkat kecerahan
(brightness) berubah drastis atau terjadi diskontinuitas pada citra yang mau
diambil datanya.
Aplikasi yang dibangun adalah aplikasi yang dapat mendeteksi garis tepi dari
suatu objek pada data citra digital yang berupa data JPEG atau JPG. Ada beberapa
proses yang dilakukan pada aplikasi ini, yaitu pengambilan data citra digital,
pemrosesan citra, proses pendeteksian objek, dan kemudian hasil dari
pendeteksian objek yang ditemukan.
Berikut ini adalah aspek teknis spesifikasi kebutuhan perangkat keras maupun
perangkat lunak yang digunakan.
3.3 Perancangan
Mulai
Capture image
dan masukkan
gambar
Melakukan
segmentasi grayscale
Melakukan
deteksi edge
detection
Pelatihan analisis
edge detection
Pengujian analisis
edge detection
grayscale kemudian dilakukan metode edge detection pada citra grayscale. Setelah
melakukan metode edge detection dilakukan analisis untuk mencari perbedaan
dalam melakukan pengujian menggunakan edge detection.
3.5 Flowchart
MULAI
Buka
Aplikasi
Masukan
data
Lakukan
Pengolahan Apakah data Tidak
data terdeteksi terdeteksi
N
Y
31
Terdeteksi Selesai
Terdapat 2 folder yang berisikan data latih dan data uji, yang berisikan 10
data citra di tiap foldernya. Citra disimpan didalam file yang bernama C:\Users\
OneDrive\Gambar\Citra deteksi tepi.
radio button group merupakan menu dari deteksi tepi yang berfungsi untuk
melakukan identifikasi titik-titik pada citra digital dimana tingkat kecerahan
(brightness) berubah drastis atau terjadi diskontinuitas menggunakan segmentasi
citra grayscale pada data yang sudah dimasukkan dari Button1. Lalu pada
program diatas terdapat kotak putih yaitu merupakan komponen Axes yang
berfungsi untuk menampilkan sebuah input atau output data. Pada gambar diatas
terdapat dua komponen axes yang memiliki fungsi berbeda, yaitu jika pada axes
yang pertama memiliki fungsi untuk menampilkan citra data input berupa RGB.
Kemudian pada axes yang kedua berfungsi untuk menampilkan hasil data yang
sudah di proses edge detection pada data tersebut, yang kemudian akan terlihat
apakah data menampilkan output deteksi tepi.
Dari gambar 3.5 diatas dapat dilihat tampilan awal ketika menjalankan program
matlab. Kemudian untuk membuat tampilan GUI y a i t u dengan melakukan
“klik ikon new lalu pilih app designer” pada comment window, kemudian pilih
Blank APP dan tekan ok. Seperti tampilan pada gambar 3.6 dibawah ini.
33
Seperti pada Gambar 3.7 diatas, dapat dilihat tampilan GUI yang sudah dibuat
dengan satu Button, 5 button radio button group, dan dua menu axes.
34
Setelah membuat tampilan GUI seperti pada gambar 3.7 diatas , maka langkah
selanjutnya memberi codingan terhadap Button1 buka citra. Berikut codingan
yang digunakan untuk dimasukkan terhadap Button1 buka citra pada Gambar 3.8
Berikut tampilan hasil GUI ketika di run, sebelum melakukan pendeteksian data
dapat dilihat pada Gambar 3.10
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
sobel menggunakan citra 1 objek terilihat pada output gambar 3.11
37
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
prewitt menggunakan citra 1 objek terilihat pada output gambar 3.12
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
roberts menggunakan citra 1 objek terilihat pada output gambar 3.13
38
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
canny menggunakan citra 1 objek terilihat pada output gambar 3.14
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
log menggunakan citra 1 objek terilihat pada output gambar 3.15
39
Uji coba kedua dilakukan pada citra data latih yang didalamnya terdapat banyak
objek.
Gambar 3.16 Hasil Deteksi Tepi Sobel Menggunakan Citra Banyak Objek
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
sobel menggunakan citra banyak objek terilihat pada output gambar 3.16
40
Gambar 3.17 Hasil Deteksi Tepi Prewitt Menggunakan Citra Banyak Objek
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
prewitt menggunakan citra banyak objek terilihat pada output gambar 3.17
Gambar 3.18 Hasil Deteksi Tepi Roberts Menggunakan Citra Banyak Objek
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
roberts menggunakan citra banyak objek terilihat pada output gambar 3.18
41
Gambar 3.19 Hasil Deteksi Tepi Canny Menggunakan Citra Banyak Objek
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
canny menggunakan citra banyak objek terilihat pada output gambar 3.19
Gambar 3.20 Hasil Deteksi Tepi Log Menggunakan Citra Banyak Objek
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
log menggunakan citra banyak objek terilihat pada output gambar 3.20
42
Uji coba ketiga dilakukan pada citra data latih yang memiliki kontas rendah.
Gambar 3.21 Hasil Deteksi Tepi Sobel Menggunakan Citra Kontras Rendah
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
sobel menggunakan citra kontras rendah terlihat pada output gambar 3.21
43
Gambar 3.22 Hasil Deteksi Tepi Prewitt Menggunakan Citra Kontras Rendah
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
prewitt menggunakan citra kontras rendah terlihat pada output gambar 3.22
Gambar 3.23 Hasil Deteksi Tepi Roberts Menggunakan Citra Kontras Rendah
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
roberts menggunakan citra kontras rendah terlihat pada output gambar 3.23
44
Gambar 3.24 Hasil Deteksi Tepi Canny Menggunakan Citra Kontras Rendah
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
canny menggunakan citra kontras rendah terlihat pada output gambar 3.24
Gambar 3.25 Hasil Deteksi Tepi Log Menggunakan Citra Kontras Rendah
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
log menggunakan citra kontras rendah terlihat pada output gambar 3.25
45
Uji coba keempat dilakukan pada citra data latih yang memiliki kontas tinggi.
Gambar 3.26 Hasil Deteksi Tepi Sobel Menggunakan Citra Kontras Tinggi
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
sobel menggunakan citra kontras tinggi terlihat pada output gambar 3.26
46
Gambar 3.27 Hasil Deteksi Tepi Prewitt Menggunakan Citra Kontras Tinggi
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
prewitt menggunakan citra kontras tinggi terlihat pada output gambar 3.27
Gambar 3.28 Hasil Deteksi Tepi Roberts Menggunakan Citra Kontras Tinggi
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
roberts menggunakan citra kontras tinggi terlihat pada output gambar 3.28
47
Gambar 3.29 Hasil Deteksi Tepi Canny Menggunakan Citra Kontras Tinggi
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
canny menggunakan citra kontras tinggi terlihat pada output gambar 3.29
Gambar 3.30 Hasil Deteksi Tepi Log Menggunakan Citra Kontras Tinggi
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
log menggunakan citra kontras tinggi terlihat pada output gambar 3.30
48
Setelah melakukan uji coba menggunakan data latih, uji coba berikutnya
merupakan uji coba dari data uji yang terdiri dari 9 citra campuran antara citra
dengan satu objek, citra dengan banyak objek, citra dengan kontras rendah, dan
citra kontras tinggi.
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
sobel data uji 1 terlihat pada output gambar 3.31
49
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
prewitt data uji 1 terlihat pada output gambar 3.32
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
roberts data uji 1 terlihat pada output gambar 3.33
50
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
canny data uji 1 terlihat pada output gambar 3.34
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
log data uji 1 terlihat pada output gambar 3.35
51
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
sobel data uji 2 terlihat pada output gambar 3.36
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
prewitt data uji 2 terlihat pada output gambar 3.37
52
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
robert data uji 2 terlihat pada output gambar 3.38
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
canny data uji 2 terlihat pada output gambar 3.39
53
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
log data uji 2 terlihat pada output gambar 3.40
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
sobel data uji 3 terlihat pada output gambar 3.41
54
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
prewitt data uji 3 terlihat pada output gambar 3.42
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
roberts data uji 3 terlihat pada output gambar 3.43
55
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
canny data uji 3 terlihat pada output gambar 3.44
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
log data uji 3 terlihat pada output gambar 3.45
56
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
sobel data uji 4 terlihat pada output gambar 3.46
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
prewitt data uji 4 terlihat pada output gambar 3.47
57
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
roberts data uji 4 terlihat pada output gambar 3.48
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
canny data uji 4 terlihat pada output gambar 3.49
58
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
log data uji 4 terlihat pada output gambar 3.50
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
sobel data uji 5 terlihat pada output gambar 3.51
59
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
prewitt data uji 5 terlihat pada output gambar 3.52
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
roberts data uji 5 terlihat pada output gambar 3.53
60
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
canny data uji 5 terlihat pada output gambar 3.54
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
log data uji 5 terlihat pada output gambar 3.55
61
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
sobel data uji 6 terlihat pada output gambar 3.56
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
prewitt data uji 6 terlihat pada output gambar 3.57
62
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
roberts data uji 6 terlihat pada output gambar 3.58
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
canny data uji 6 terlihat pada output gambar 3.59
63
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
log data uji 6 terlihat pada output gambar 3.60
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
sobel data uji 7 terlihat pada output gambar 3.61
64
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
prewitt data uji 7 terlihat pada output gambar 3.62
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
roberts data uji 7 terlihat pada output gambar 3.63
65
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
canny data uji 7 terlihat pada output gambar 3.64
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
log data uji 7 terlihat pada output gambar 3.65
66
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
sobel data uji 8 terlihat pada output gambar 3.66
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
prewitt data uji 8 terlihat pada output gambar 3.67
67
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
roberts data uji 8 terlihat pada output gambar 3.68
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
canny data uji 8 terlihat pada output gambar 3.69
68
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
log data uji 8 terlihat pada output gambar 3.70
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
sobel data uji 9 terlihat pada output gambar 3.71
69
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
prewitt data uji 9 terlihat pada output gambar 3.72
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
roberts data uji 9 terlihat pada output gambar 3.73
70
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
canny data uji 9 terlihat pada output gambar 3.74
Deteksi ini dilakukan dengan menggunakan edge detection. Hasil dari deteksi tepi
log data uji 9 terlihat pada output gambar 3.75
Metode
Prewitt
adalah
pengembang
an dari
metode
sobel
dengan
menggunaka
n filter HPF
yang
diberi satu
angka nol
penyangga.
Metode ini
mengambil
prinsip dari
fungsi
laplacian
dan gaussian
yang
dikenal
sebagai
fungsi untuk
membangkit
kan HPF.
Kelebihan
dari metode
prewitt ini
adalah
kemampuan
73
untuk
mengurangi
noise
sebelum
melakukan
perhitungan
deteksi tepi
Metode
Robert
bekerja
dengan
mendeteksi
tepi bagian
vertikal dan
mendeteksi
tepi bagian
horizontal
terhadap
citra
berwarna
yang sudah
diubah
menjadi
citra
grayscale,
kemudian
hasil deteksi
tepi dari
kedua
bagian
74
tersebut
dijumlahkan
sebagai hasil
akhir
Deteksi tepi
canny
memiliki
kemampuan
dalam
deteksi tepi,
ada empat
tahapan
dasar pada
deteksi tepi
canny yaitu
filtering,
menentukan
nilai
gradient,
penekanan
nilai
gradient dan
menghubung
kan setiap
tepi pada
citra.
75
Laplacian of
Gaussian
adalah salah
satu operator
deteksi tepi
yang
dikembangk
an dari
turunan
kedua.
Laplacian of
Gaussian
terbentuk
dari proses
Gaussian
yang diikuti
operasi
laplace.
Fungsi
Gaussian
akan
mengurangi
derau
sedangkan
Laplacian
mask
meminimalis
asi
kemungkina
n kesalahan
deteksi tepi.
76
4.1 Kesimpulan
Adapun beberapa kesimpulan yang ditemukan pada penulisan ilmiah ini setelah
melakukan implementasi dan menguji citra deteksi tepi maka diperoleh, yaitu :
4.2 Saran
Saran yang dapat penulis berikan untuk pengembangan Aplikasi GUI MATLAB,
yaitu :
1. Aplikasi GUI pada MATLAB bisa dikembangkan dalam perangkat
mobile.
2. Diharapkan GUI agar bisa menampilkan perhitungan Hue Saturation
Value (HSV) pada deteksi tepi.
3. Diharapkan GUI bisa mengenali objek yang beresolusi rendah.
76
DAFTAR PUSTAKA
77
LAMPIRAN
L-1
drawnow
figure(app.UIFigure)
if ~isequal(nama_file,0)
Img = imread(fullfile(nama_folder,nama_file));
imshow(Img,'Parent',app.UIAxes)
title(app.UIAxes,'Citra RGB')
app.Property.Img = Img;
end
end
L-2
end
% Component initialization
methods (Access = private)
% Create UIAxes
app.UIAxes = uiaxes(app.UIFigure);
app.UIAxes.XTick = [];
app.UIAxes.YTick = [];
app.UIAxes.Position = [242 248 300 185];
% Create UIAxes_2
app.UIAxes_2 = uiaxes(app.UIFigure);
app.UIAxes_2.XTick = [];
app.UIAxes_2.YTick = [];
app.UIAxes_2.Position = [242 61 300 185];
% Create BukaCitraButton
app.BukaCitraButton = uibutton(app.UIFigure, 'push');
L-3
app.BukaCitraButton.ButtonPushedFcn = createCallbackFcn(app,
@BukaCitraButtonPushed, true);
app.BukaCitraButton.Position = [78 411 100 22];
app.BukaCitraButton.Text = 'Buka Citra';
% Create DeteksiTepiButtonGroup
app.DeteksiTepiButtonGroup = uibuttongroup(app.UIFigure);
app.DeteksiTepiButtonGroup.SelectionChangedFcn =
createCallbackFcn(app, @DeteksiTepiButtonGroupSelectionChanged, true);
app.DeteksiTepiButtonGroup.Title = 'Deteksi Tepi';
app.DeteksiTepiButtonGroup.Position = [78 245 123 138];
% Create SobelButton
app.SobelButton = uiradiobutton(app.DeteksiTepiButtonGroup);
app.SobelButton.Text = 'Sobel';
app.SobelButton.Position = [11 92 58 22];
app.SobelButton.Value = true;
% Create PrewittButton
app.PrewittButton = uiradiobutton(app.DeteksiTepiButtonGroup);
app.PrewittButton.Text = 'Prewitt';
app.PrewittButton.Position = [11 70 65 22];
% Create RobertsButton
app.RobertsButton = uiradiobutton(app.DeteksiTepiButtonGroup);
app.RobertsButton.Text = 'Roberts';
app.RobertsButton.Position = [11 48 65 22];
L-4
% Create CannyButton
app.CannyButton = uiradiobutton(app.DeteksiTepiButtonGroup);
app.CannyButton.Text = 'Canny';
app.CannyButton.Position = [11 26 57 22];
% Create LogButton
app.LogButton = uiradiobutton(app.DeteksiTepiButtonGroup);
app.LogButton.Text = 'Log';
app.LogButton.Position = [11 3 42 22];
% Construct app
function app = deteksitepi
L-5
if nargout == 0
clear app
end
end
L-6