PERBANDINGAN METODE-METODE EDGE DETECTION UNTUK PROSES SEGMENTASI CITRA DIGITAL

Transkripsi

1 PERBANDINGAN METODE-METODE EDGE DETECTION UNTUK PROSES SEGMENTASI CITRA DIGITAL Mahmud Yunus Program Studi Teknik Informatika STMIK PPKIA Pradnya Paramita Malang Jl. L.A Sucipto No. 249-A Malang ABSTRACT Edge detection (Edge detection) is executed to detect the operating margins (edges) that restricts two homogeneous image regions with different brightness levels (Pitas, 1993). A digital image edge detection is the process of looking for differences in the intensity of the states boundaries of an object (sub-images) in the entire digital image in question. Purpose of edge detection is to improve the appearance of the boundary line of an area or object in the image. The process of image edge detection is done by looking for the locations of the intensity of the pixels that discontinue with the intensity of the pixels adjacent (neighboring / neighborhood). There are several methods such as object edge detection operators are known, such as (1) Sobel, (2) Prewitt, (3) Robert, (4) Laplacian of Gaussian, (5) and Canny (6) Kiresh. Each operator has its own advantages and disadvantages in performing edge detection. By doing a combination or in the development of these operators allow to gain a better edge detection (obviously). One of the contributions of this study for science and technology is the creation of a software application that can be used as a simulation tool using edge detection operators in digital image and its various combinations in order to gain a better edge detection (obviously). Keywords: Edge detection, detection operator intensitas pixel-pixel discontinue dengan LATAR BELAKANG Deteksi tepi (Edge detection) adalah operasi intensitas pixel-pixel berdekatan dijalankan untuk mendeteksi garis tepi (bertetanggaan/neighborhood). Suatu titik (x,y) (edges) citra dikatakan sebagai tepi (edge) dari suatu citra, bila homogen memiliki tingkat kecerahan titik tersebut mempunyai perbedaan tinggi berbeda (Pitas, 1993). Deteksi tepi sebuah citra dengan tetangganya. membatasi dua wilayah digital merupakan proses untuk mencari perbedaan Pada proses pengolahan citra digital seperti intensitas menyatakan batas-batas suatu objek segmentasi analisis citra digital, peranan (sub-citra) dalam keseluruhan citra digital metode-metode pendeteksian tepi citra sangat dimaksud. Tujuan pendeteksian tepi adalah untuk berperan meningkatkan penampakan garis batas suatu segmentasi analisis citra digital. Penelitian daerah atau objek di dalam citra. Proses deteksi tentang tepi citra dilakukan dengan mencari lokasi-lokasi Menggunakan Metode Segmentasi Berdasarkan penting terhadap Identifikasi Sel keakuratan Kanker hasil Prostat 146

2 Ukuran Objek Pada Citra, melakukan urutan menggunakan proses prapengolahan citra digital dimulai dari kombinasinya guna memperoleh hasil deteksi tepi akuisisi data citra, deteksi tepi, segmentasi lebih baik. Pada perangkat lunak pengambangan (thresholding), hingga citra siap dikembangkan ini juga mencakup praproses dianalisis (Witeti, 2004). Hasil dari pendeteksian pengolahan citra digital seperti peningkatan tepi kualitas (kontras & kecerahan) citra restorasi pada sebuah citra digital sangatlah berpengaruh terhadap proses pengolahan citra lebih beberapa operator (penghalusan & penajaman) citra. lanjut seperti segmentasi analisis citra. Salah satu kontribusi dari penelitian ini bagi Semakin jelas hasil dari pendeteksian tepi objek- ilmu pengetahuan teknologi adalah objek (sub-citra) maka semakin baik pula hasil terciptanya sebuah aplikasi perangkat lunak segementasi analisis citra akan dilakukan. dapat digunakan sebagai alat simulasi penggunaan Terdapat beberapa metode berupa operator operator-operator deteksi tepi citra digital beserta pendeteksian tepi objek dikenal, seperti (1) berbagai kombinasinya dengan tujuan untuk Sobel; (2) Prewitt; (3) Robert; (4) Laplacian of memperoleh hasil deteksi tepi lebih baik Gaussian; (5) Canny (6) Kiresh. Masing- (jelas) masing operator tersebut memiliki kelebihan kekurangan dalam melakukan deteksi tepi. PRINSIP DETEKSI TEPI PADA CITRA Terkag pada sebuah citra digital akan diperoleh DIGITAL hasil pendeteksian tepi lebih jelas bila Tepi (edge) adalah perubahan nilai menggunakan operator Sobel, namun pada citra intensitas derajat keabuan cepat/tiba-tiba digital lainnya lebih baik menggunakan operator (besar) dalam jarak singkat. Segkan Prewitt Kemungkinan deteksi tepi (Edge Detection) pada suatu citra melakukan kombinasi atau pengembangan pada adalah suatu proses menghasilkan tepi-tepi operator-operator tersebut masih memungkinkan dari obyek-obyek citra, tujuannya adalah untuk (a) sebagai usaha untuk memperoleh hasil deteksi tepi menandai bagian menjadi detail citra; (b) lebih baik (jelas). memperbaiki detail dari citra kabur, atau lainnya. Ide untuk dapat menghasilkan deteksi tepi terjadi karena error atau aya efek dari proses lebih baik dengan cara mengkombinasikan akuisisi citra. Suatu titik (x,y) dikatakan sebagai atau mengembangkan operator-operator deteksi tepi (edge) dari suatu citra bila titik tersebut tepi ada dapat diimplementasikan dalam mempunyai bentuk perangkat lunak pengolahan citra digital tetangganya. Pada gambar 1 berikut dapat dilihat dengan bahasa pemrograman Delphi. Berdasarkan proses dilakukan untuk memperoleh tepi hal tersebut penelitian ini difokuskan pada gambar dari suatu citra ada. perbedaan tinggi dengan pembuatan perangkat lunak dapat melakukan simulasi pendeteksian tepi citra digital dengan 147

3 sebagai berikut; Maka dengan menggunakan fungsi filter H (x,y) = [-1 1], akan diperoleh matrik citra sebagai berikut; Gambar 1 Proses Deteksi Tepi Citra Digital Pada gambar 2 terlihat bahwa hasil deteksi tepi berupa tepi-tepi dari suatu gambar. Bila diperhatikan bahwa tepi suatu gambar terletak pada Sehingga bila digambarkan maka proses filter tersebut memiliki pixel-pixel masukan keluaran sebagai berikut; titik-titik memiliki perbedaan intensitas pixel tinggi. Proses deteksi tepi (edge detection) sendiri dapat dikelompokkan berdasarkan operator atau metode digunakan dalam proses pendeteksian tepi suatu citra (edge detection) untuk memperoleh citra hasil. Gambar 2 Hasil Deteksi Tepi Pada Suatu Citra Operator Deteksi Tepi Citra Digital Digital Proses pendeteksian tepi citra digital dapat Berdasarkan prinsip-prinsip filter pada citra maka tepi suatu gambar dapat diperoleh dilakukan dengan teknik konvolusi menggunakan berbagai macam metode/operator. Operator menggunakan High Pass Filter (HPF), deteksi tepi merupakan alat digunakan untuk mempunyai karakteristik: memodifikasi nilai derajat keabuan sebuah titik berdasarkan derajat keabuan titik-titik ada disekitarnya Titik-titik Misalkan terdapat fungsi suatu citra sebagai f (x, y) (konvolusi/operasi dilibatkan ketetanggaan). dalam operasi ketetanggaan tersebut diberikan bobot 148

4 nilainya tergantung pada operasi akan dilakukan, segkan banyaknya titik persamaan; dilibatkan biasanya 2x2, 3x3, 5x5, 7x7 seterusnya. Operator dapat digunakan untuk dimana α diukur dari sumbu x sebagai garis acuan. deteksi tepi adalah operator (a) berbasis Gradient Guna keperluan perhitungan pada citra digital, (turunan pertama) seperti Robert, Sobel, Prewitt turunan persamaan; (b) operator berbasis turunan kedua seperti Laplacian Laplacian of Gaussian. Metode banyak digunakan untuk proses deteksi tepi adalah metode Robert, Prewitt Sobel (Gonzalez Woods, 2002). Namun tidak menutup kemungkinan guna memperoleh hasil deteksi tepi Lebih mudah dilakukan dengan pendekatan persaman difrerensial; citra lebih baik (jelas), operator-operator ada tersebut dikombinasikan dikembangkan dengan teknik-teknik tertentu. Operator Gradient Gradien adalah turunan pertama dari persamaan dua dimensi didefinisikan sebagai vektor berikut; Metode Robert Metode Robert adalah nama lain dari teknik differensial dikembangkan di atas, yaitu differensial pada arah horisontal differensial pada arah vertikal, dengan ditambahkan proses konversi biner setelah dilakukan differensial. Teknik konversi biner disarankan adalah konversi biner dengan meratakan distribusi warna Besar gradient dihitung dengan persamaan; hitam putih. Metode Robert ini juga disamakan dengan teknik DPCM ( Differential Pulse Code Modulation). Metode Robert dikenal juga dengan istilah Pada prakteknya untuk pengolahan citra, besar gradient diperoleh dari persamaan berikut; operator Robert Cross (diagonal) menggunakan kernel ukuran 2x2 piksel, sehingga tepi dihasilkan berada pada tepi atas atau tepi bawah. Arah dari vektor gradien dapat dihitung dengan 149

5 1 perhitungan gradientnya, dengan pembobotan Gambar 3 Mask/Kernel Operator Robert Cross lebih besar pada piksel-piksel dekat dengan titik pusat. Operator Robert mengambil arah diagonal untuk penentuan arah perhitungan nilai gradientnya,dimana perhitungn gradientnya adalah sebagai berikut; G = Gx + Gy Gambar 5 Mask/Kernel Operator Robert Cross Gx = f(x, y) f(x+1, y+1) Operator Sobel melakukan deteksi tepi Gy = f(x+1, y) f(x, y+1) Kernel digunakan dalam simulasi dapat dengan memperhatikan tepi vertical dimodifikasi menjadi kernel 3x3 piksel dengan horizontal. Gradient Magnitude dari operator memberikan nilai 0 pada elemen kernel tambahan. Sobel adalah sebagai berikut; Misalkan susunan piksel-piksel di sekitar piksel (x,y) adalah, Gambar 4 Modifikasi Mask/Kernel Operator Robert Cross Gambar 6 Letak Piksel-Piksel Yang Dikonvolusi Dengan Kernel 3x3 Metode Sobel Metode Sobel merupakan pengembangan metode Robert dengan menggunakan filter HPF maka diberi satu angka nol penga. Metode ini menggunakan operator sobel adalah mengambil prinsip dari fungsi laplacian gaussian dikenal sebagai fungsi untuk membangkitkan HPF. Kelebihan dari metode sobel ini adalah kemampuan untuk mengurangi noise sebelum melakukan perhitungan deteksi tepi. besaran gradient dihitung G[f(x,y)] = (Gx2 + Gy2) Gx = (a2 + c.a3 + a4) - (a0 + c.a7 + a6) Gy = (a0 + c.a1 + a2) - (a6 + c.a5 + a4) c adalah konstanta bernilai 2. Metode atau operator Prewitt menggunakan persamaan sama dengan operator Sobel, Metode atau operator Sobel merupakan beya adalah pada nilai konstanta c operator menghindari aya perhitungan digunakan bernilai 1, sehingga operator Prewitt gradient di titik interpolasi. Operator Sobel dapat dikatakan sebagai operator tidak menggunakan kernel ukuran 3x3 piksel untuk menekankan pembobotan pada piksel-piksel 150

6 lebih dekat dengan titik pusat kernel. Metode Operator Turunan Prewitt menggunakan operator sebagai berikut; Laplacian Metode atau Kedua/Metode operator Laplacian menggunakan turunan kedua dengan persamaan sebagai berikut; Gambar 7 Mask/Kernel Operator Prewitt 2 2 f 2 f f x2 y2 Metode Isotropik Metode atau operator Isotropik merupakan operator menggunakan pembobotan pikselpiksel lebih dekat dengan titik pusat kernel dengan nilai 2 ( ). Sehingga Gambar 10 Mask/Kernel Operator Laplacian nilai pembobotan tersebut berada diantara pembobotan operator Sobel Prewitt, yaitu 2 > > 1. Turunan kedua untuk arah x y, diperoleh dengan persamaan sebagai berikut; Dan Gambar 8 Mask/Kernel Operator Isotropik Sehingga diperoleh persamaan sebagai berikut; Metode Kiresh Operator Kiresh (Salem, Kalyankar Khamitkar: 2010) menggunakan kernel ukuran 3x3 piksel sebagai berikut; Metode Kombinasi Hasil Konvolusi Kernel Metode Kombinasi Hasil Konvolusi Kernel merupakan cara mengkombinasikan hasil konvolusi 2 kernel pada masing-masing operator, seperti operator Laplacian1 Lapacian2, atau antara operator Sobel Horizontal Sobel Gambar 9 Mask/Kernel Operator Kiresh Vertikal. Hasil konvolusi 2 kernel dapat dikombinasikan dengan cara mengambil nilai; Maksimal 151

7 terciptanya suatu produk berupa software aplikasi Rerata berbasis komputer dapat digunakan untuk melakukan simulasi pendeteksian tepi citra digital dengan menggunakan berbagai metode atau Rerata Geometri operator seperti Robert, Prewitt, Sobel, Kiresh, Isotropik Laplacian. Selain itu, software dibangun juga dapat mensimulasikan berbagai TUJUAN DAN MANFAAT PENELITIAN kombinasi dari berbagai operator deteksi tepi Tujuan Penelitian tersebut guna memperoleh hasil deteksi tepi Penelitian ini dilaksanakan dengan tujuan lebih jelas (baik). Hasil pendeteksian tepi citra untuk perbandingan metode-metode deteksi tepi digital jelas dapat digunakan untuk proses (edge detection) objek untuk proses segmentasi segmentasi citra digital. Pendekatan sesuai citra digital serta merancang-bangun aplikasi dengan tuntutan hasil akhir tersebut, adalah model pengolahan citra digital mampu melakukan pendekatan pendeteksian tepi objek (sub-citra) untuk proses (research and development). penelitian pengembangan segmentasi citra digital dengan mengimplentasikan berbagai metode deteksi tepi kombinasinya guna menghasilkan pendeteksian tepi objek lebih jelas pada citra digital. Strategi Penelitian Guna tercapainya tujuan dari penelitian ini, maka dirancang suatu strategi penelitian meliputi baberapa tahapan, yaitu; Manfaat Penelitian a. Mengumpulkan data teori tentang Hasil-hasil dari penelitian ini diharapkan pengaksesan pengolahan citra digital dapat memberikan manfaat: secara umum serta teknik-teknik pendeteksian a. Pada big ilmu pengolahan citra digital tepi citra dengan berbagai metode deteksi tepi dapat (edge detection) citra. b. digunakan sebagai acuan dalam menentukan metode-metode deteksi tepi b. Melakukan paling cocok untuk proses segmentasi. masalah Pada pendidikan dapat digunakan sebagai Merancang algoritma pembacaan data citra bahan referensi dalam pengembangan IPTEK, digital dengan format BMP ( Bitmap Image) khususnya algortima pendeteksian tepi citra dengan pada pegembangan metode analisa terhadap data pemecahan terkumpul. pendeteksian tepi citra pengembangan metode keilmuan pengolahan citra digital. Isotropik Laplacian serta dengan berbagai Robert, Prewitt, Sobel, Kireh, kombinasinya. METODE PENELITIAN Hasil akhir dari penelitian ini adalah c. Merancang desain antar muka (interface), sebagai media interaksi antara user dengan 152

8 sistem. homogen atau deteksi tepi, dapat dilakukan d. Melakukan pengkodean program untuk dengan membangun (thresholding). Pada penentuan proses batas pendeteksi tepi citra digital menggunakan wilayah ini diperlukan satu nilai ambang metode atau operator deteksi tepi citra Robert, untuk membedakan warna hitam warna Prewitt, Sobel, Kireh, Isotropik Laplacian putih; mesin pembaca data serta dengan berbagai kombinasinya e. Implementasi pengujian 2. terhadap aplikasi sistem dibangun. menggunakan teknik ambang Deteksi tepi dengan gradien pertama. Mutu kontras gambar kurang baik bisa mempunyai efek bersifat proses pemerataan atau integrasi, karena itu dalam Data, Analisis Pemecahan Masalah proses penajaman atau peningkatan Data teori dikumpulkan kontrasnya digunakan upaya bersifat digunakan dalam penelitian ini adalah data proses diferensiasi. Proses diferensiasi ini teori-teori mengenai pendeteksian tepi citra digital merupakan bentuk turunan biasanya dengan metode atau operator Robert, Prewitt, diterapkan dalam bentuk operator gradien. Sobel, Kiresh, Isotropik Laplacian serta Untuk citra kontinu bentuk gradiennya dengan adalah: berbagai kombinasinya. Penggunaan berbagai operator deteksi tepi tersebut dalam penelitian ini adalah bertujuan untuk mensimulasikan membandingkan hasil-hasil pendeteksian tepi citra dengan berbagai operator guna menentukan hasil deteksi tepi citra paling baik (jelas). Hasil perbandingan metodemetode pedeteksian tepi citra menentukan metode apa dengan kombinasi bagaimana untuk menghasilkan tepi citra lebih baik (jelas), dapat digunakan sebagai dasar dalam Teknik deteksi tepi juga sering dilakukan dengan menggabungkan proses gradien digital dengan teknik nilai ambang. Rumusan gradien digunakan dalam bentuk perumusan gradien lebih kompleks kemudian dikenal sebagai detektor Sobel, dapat diterangkan dengan gambaran sebagai berikut: proses segmentasi citra sebagai proses lanjutan. Proses deteksi tepi bertujuan untuk meningkatkan penampakan garis pada citra; jadi prosesnya mempunyai sifat diferensiasi atau Gambar 11 Detektor Sobel memperkuat komponen frekuensi tinggi. Beberapa metode deteksi tepi ada adalah; 1. Dengan a, b, c, d, f, g, h, i merupakan nilai- Deteksi tepi dengan nilai ambang, yaitu proses nilai intensitas piksel tetangga nilai e penentuan garis batas suatu wilayah adalah nilai piksel akan digantikan 153

9 setelah penerapan detektor Sobel. 3. dengan kernel: Deteksi tepi dengan gradien arah. Proses deteksi ini dapat digolongkan pada proses penapisan tidak linear. Proses penapisan tidak linear disini dilakukan dengan menggunakan tapis linear cara operasinya tidak terhadap setiap titik tetapi terhadap suatu Gambar 12 Mask/Kernel Operator Laplacian sumbu tertentu, jadi mempunyai arah dalam 4. operasinya. Cara penapisan tidak linear juga Masing-masing operator tersebut memiliki dapat dilakukan berdasarkan estimasi suatu kelebihan kekurangan dalam melakukan nilai statistik pada sekelompok piksel. deteksi tepi. Terkag pada sebuah citra digital Deteksi tepi dengan cara geser selisih akan diperoleh hasil pendeteksian tepi lebih citra. Melalui proses deteksi tepi dengan cara jelas bila menggunakan operator Sobel, namun geser selisih citra akan diperoleh hasil pada citra digital lainnya lebih baik menggunakan citra dengan tepi lebih jelas. Proses operator Prewitt atau lainnya. Kemungkinan penampilan tepi ini dapat dilakukan menurut melakukan kombinasi atau pengembangan pada arah diingini, bisa hanya dari tepi arah operator-operator tersebut masih memungkinkan vertikalnya saja atau tepi arah horisontalnya sebagai usaha untuk memperoleh hasil deteksi tepi saja, atau bahkan seluruh tepi dalam kedua lebih baik (jelas). arah tersebut. 5. Ide untuk dapat menghasilkan deteksi tepi Deteksi tepi dengan gradien kedua. Deteksi lebih baik dengan cara mengkombinasikan tepi dengan gradien kedua disebut juga atau mengembangkan operator-operator deteksi detektor Laplacian. Bentuk turunan kedua tepi ada dapat diimplementasikan dalam untuk citra kontinu adalah sebagai bentuk perangkat lunak pengolahan citra digital berikut: dengan bahasa pemrograman Delphi. Berdasarkan hal tersebut penelitian ini difokuskan pada pembuatan perangkat lunak dapat melakukan simulasi pendeteksian tepi citra digital dengan Dengan demikian operator Laplace akan menggunakan mempunyai bentuk diskret sebagai berikut: kombinasinya guna memperoleh hasil deteksi tepi beberapa operator lebih baik. Dari bentuk persamaan diskret citra Laplace Metode di atas dilihat bahwa proses deteksi tepi Pendeteksian Tepi Citra Digital dengan operator. Laplace dapat dilakukan Pembangunan Sistem Secara garis besar sistem pendeteksian tepi 154

10 citra digital dengan berbagai metode atau operator (width x height). Lakukan proses konvolusi dapat dilakukan melalui langkah-langkah sebagai pada masing-masing matrik data lapisan citra berikut: (Red, Blue Green) dengan matrik Kernel 1. Pemilihan file citra digital akan diproses atau Mask 3 x 3 untuk operator sesuai pengenalan/penentuan format pixel citra pilihan pf1bit pf8bit pf24bit Isotropik,Kiresh 2. Citra Biner Citra Grayscale Citra True Color kombinasinya. operator Robert, Prewitt, 4. Sobel, Laplacian) beserta Lakukan penulisan ulang Sobel, konvolusi; 8. Isotropik, Kiresh atau Laplacian; 3. atau Prewitt, matrik data citra dengan matrik data hasil Inisialisasi matrik data Kernel atau Mask untuk (Robert, Proses selesai Dikarenakan setiap metode pendeteksian Siapkan variabel untuk matrik data citra tepi citra memiliki matrik kernel atau mask digital matrik data tiap elemen pixel. berbeda, maka proses pendeteksian tepi citra Tentukan matrik data Kernel atau Mask sesuai digital pada masing-masing metode atau operator pilihan juga berbeda. (Robert, Prewitt, Sobel, Isotropik,Kiresh atau Laplacian) 5. Tentukan lebar (width) tinggi (height) Algoritma Kode Program Pembacaan citra digital sesuai dengan file citra akan Data Citra Digital BMP diproses 6. Algoritma pembacaan data citra adalah Uji, apakah format pixel citra (pixel format) sebagai berikut; adalah citra Biner atau Grayscale? jika ya 1. maka baca data citra tulis dalam matrik 2 dilakukan? jika ya tampilkan citra pada form dimensi (width x height). Lakukan proses frcanvascitra konvolusi pada matrik data citra dengan 2. Lakukan pembacaan informasi matrik Kernel atau Mask 3 x 3 untuk operator mengenai file citra akan diproses, yaitu sesuai pilihan (Robert, Prewitt, Sobel, mengenai nama file citra, ukuran dimensinya Isotropik,Kiresh (width x height), format pixel citra (Pixel Format) atau Laplacian) beserta kombinasinya Lakukan penulisan ulang pf1bit Citra Biner matrik data citra dengan matrik data hasil pf8bit Citra Grayscale pf24bit Citra True Color konvolusi; 7. Uji, apakah proses membuka file citra sukses Jika format pixel citra ( pixel format) adalah citra True Color (24 bit), maka baca data citra untuk lapisan warna Merah (Red), Biru (Blue) Hijau (Green) serta untuk masing-masng lapisan tersebut tulis dalam matrik 2 dimensi 3. Proses selesai Kode program selengkapnya adalah sebagai berikut; procedure TObject); begin TfrMainMenu.Open1Click(Sender: 155

11 if OpenPictureDialog1.Execute then begin Application.CreateForm(TfrCanvasCitra, frcanvascitra); with frcanvascitra do begin Caption:=OpenPictureDialog1.FileName; FormStyle := fsmdichild; Show; Isotropik,Kiresh atau Laplacian) Misalkan; Mask1 := PrewittMask1; Mask2 := PrewittMask2; 5. Tentukan lebar (width) tinggi (height) citra digital sesuai dengan file citra akan diproses procedure TfrCanvasCitra.FormActivate(Sender: TObject); begin Image1.Picture.LoadFromFile(Caption); Image2.Picture.LoadFromFile(Caption); ImageSize:= IntToStr(Image1.Picture.Width) + ' x'+ IntToStr(Image1.Picture.Width)+' Pixel'; case Image1.Picture.Bitmap.PixelFormat of pf1bit : PixelFormat := 'Biner'; pf8bit : PixelFormat := 'Grayscale'; pf24bit : PixelFormat := 'True Color'; Algoritma Pendeteksian Tepi Citra 1. Siapkan matrik data Kernel atau Mask untuk operator Robert, Prewitt, Sobel, Isotropik, Kiresh atau Laplacian; Misalkan; Siapkan variabel untuk matrik data citra digital matrik data tiap elemen pixel PC: PByteArray; Ki, Bi, Gi, Ri, Ko, Bo, Go, Ro: Array of Array of Byte; 3. Uji, apakah data citra sudah ada? Jika ya maka ke langkah 4, Jika tidak tentukan terlebih dahulu file citra digital akan diproses. 4. Tentukan matrik data Kernel atau Mask sesuai pilihan 6. Uji, apakah format pixel citra ( pixel format) adalah citra Biner atau Grayscale? jika ya maka baca data citra tulis dalam matrik 2 dimensi (width x height), case Image2.Picture.Bitmap.PixelFormat of pf1bit, pf8bit : begin SetLength(Ki, w, h); SetLength(Ko, w, h); for i := 0 to H - 1 do begin PC:=Image2.Picture.Bitmap.ScanLine[i]; for j := 0 to W - 1 do Ki[j, i] := PC[j]; Lakukan proses konvolusi pada matrik data PrewitMask1: Mask3x3 = (( , , ), ( , , ), ( , , )); PrewitMask2: Mask3x3 = (( , , ), ( , , ), ( , , )); 2. w := Image2.Picture.Bitmap.Width; h := Image2.Picture.Bitmap.Height; (Robert, Prewitt, Sobel, citra dengan matrik Kernel atau Mask 3 x 3 untuk operator sesuai pilihan (Robert, Prewitt, Sobel, Isotropik,Kiresh atau Laplacian) beserta kombinasinya; for i := 1 to W - 2 do begin for j := 1 to H - 2 do begin Jumlah1 := 0; Jumlah2 := 0; for u := -1 to 1 do begin for v := -1 to 1 do begin Jumlah1 := Jumlah1 + Mask1[u, v] * Ki[i-u, j-v]; Jumlah2 := Jumlah2 + Mask2[u, v] * Ki[i-u, j-v]; case suicombobox1.itemindex of Kombinasi} 0 : Ko[i, j] := Round(Abs(Jumlah1)); 1 : Ko[i, j] := Round(Abs(Jumlah2)); 2 : if (Jumlah1 > Jumlah2) then Ko[i, j] := Round(Abs(Jumlah1)) {Pilihan 156

12 else Ko[i, j] := Round(Abs(Jumlah2)); 3 : Ko[i, j] := Round(Sqrt(Jumlah1 * Jumlah1 + Jumlah2 * Jumlah2)); Lakukan penulisan ulang matrik data citra dengan matrik data hasil konvolusi; for i := 0 to H - 1 do begin PC := Image2.Picture.Bitmap.ScanLine[i]; for j := 0 to W - 1 do PC[j] := Ko[j, i]; Ki := Nil; Ko := Nil; 7. Jika format pixel citra ( pixel format) adalah citra True Color (24 bit), maka baca data citra untuk lapisan warna Merah (Red), Biru (Blue) Hijau (Green) serta untuk masing-masng lapisan tersebut tulis dalam matrik 2 dimensi (width x height) pf24bit : begin SetLength(Bi, w, h); SetLength(Gi, w, h); SetLength(Ri, w, h); SetLength(Bo, w, h); SetLength(Go, w, h); SetLength(Ro, w, h); for i := 0 to H - 1 do begin PC := Image2.Picture.Bitmap.ScanLine[i]; for j := 0 to W - 1 do begin Bi[j, i] := PC[j*3+0]; Gi[j, i] := PC[j*3+1];Ri[j, i] := PC[j*3+2]; Bo[j, i] := PC[j*3+0]; Go[j, i] := PC[j*3+1];Ro[j, i] := PC[j*3+2]; Lakukan proses konvolusi pada masingmasing matrik data lapisan citra ( Red, Blue Green) dengan matrik Kernel atau Mask 3 x 3 untuk operator sesuai pilihan (Robert, Prewitt, Sobel, Isotropik,Kiresh atau Laplacian) beserta kombinasinya; for i := 1 to W - 2 do begin for j := 1 to H - 2 do begin Jumlah1 := 0; Jumlah2 := 0; for u := -1 to 1 do begin for v := -1 to 1 do begin Jumlah1 := Jumlah1 + Mask1[u, v] * Bi[i-u, j-v]; Jumlah2 := Jumlah2 + Mask2[u, v] * Bi[i-u, j-v]; case suicombobox1.itemindex of {Pilihan Kombinasi} 0 : Bo[i, j] := Round(Abs(Jumlah1)); 1 : Bo[i, j] := Round(Abs(Jumlah2)); 2 : if (Jumlah1 > Jumlah2) then Bo[i, j] := Round(Abs(Jumlah1)) else Bo[i, j] := Round(Abs(Jumlah2)); 3 : Bo[i, j] := Round(Sqrt(Jumlah1 * Jumlah1 + Jumlah2 * Jumlah2)); Jumlah1 := 0; Jumlah2 := 0; for u := -1 to 1 do begin for v := -1 to 1 do begin Jumlah1 := Jumlah1 + Mask1[u, v] * Gi[i-u, j-v]; Jumlah2 := Jumlah2 + Mask2[u, v] * Gi[i-u, j-v]; case suicombobox1.itemindex of {Pilihan Kombinasi} 0 : Go[i, j] := Round(Abs(Jumlah1)); 1 : Go[i, j] := Round(Abs(Jumlah2)); 2 : if (Jumlah1 > Jumlah2) then Go[i, j] := Round(Abs(Jumlah1)) else Go[i, j] := Round(Abs(Jumlah2)); 3 : Go[i, j] := Round(Sqrt(Jumlah1 * Jumlah1 + Jumlah2 * Jumlah2)); Jumlah1 := 0; Jumlah2 := 0; for u := -1 to 1 do begin for v := -1 to 1 do begin Jumlah1 := Jumlah1 + Mask1[u, v] * Ri[i-u, j-v]; Jumlah2 := Jumlah2 + Mask2[u, v] * Ri[i-u, j-v]; case suicombobox1.itemindex of {Pilihan Kombinasi} 0 : Ro[i, j] := Round(Abs(Jumlah1)); 1 : Ro[i, j] := Round(Abs(Jumlah2)); 2 : if (Jumlah1 > Jumlah2) then Ro[i, j] := Round(Abs(Jumlah1)) else Ro[i, j] := Round(Abs(Jumlah2)); 3 : Ro[i, j] := Round(Sqrt(Jumlah1 * Jumlah1 + Jumlah2 * Jumlah2)); if suicheckbox1.checked then begin Bo[i, j] := Bo[i, j]; Go[i, j] := Go[i, j]; Ro[i, j] := Ro[i, j]; 157

13 Lakukan penulisan ulang matrik data citra dengan matrik data hasil konvolusi; c. Bahasa pemrograman digunakan for i := 0 to H - 1 do begin PC := Image2.Picture.Bitmap.ScanLine[i]; for j := 0 to W - 1 do begin PC[j*3+0] := Bo[j, i]; PC[j*3+1] := Go[j, i]; PC[j*3+2] := Ro[j, i]; Bi := Nil; Gi := Nil; Ri := Nil; Bo := Nil; Go := Nil; Ro := Nil; 8. Windows XP Profesional adalah Borland Delphi 6 Pengujian Sistem Deteksi Tepi Berikut ini adalah tampilan halaman utama berisi menu pilihan proses bagian Image Description: Proses selesai HASIL DAN PEMBAHASAN Hasil Studi Literatur Penelitian tersebut menghasilkan: A. Landasan teori paling tepat untuk membangun aplikasi simulasi pendeteksian tepi citra digital dengan menggunakan Gambar 13 Tampilan Halaman Utama beberapa operator kombinasinya guna memperoleh hasil deteksi tepi lebih baik Berikut ini adalah tampilan untuk memilih berupa : gambar atau citra digial akan dilakukan a. Pengolahan citra digital secara umum pendeteksian tepinya: mengenai peningkatan kualitas citra, penajaman (sharpening) penghalusan (smoothing), proses invers konversi format citra. b. Metode-metode atau operator pendeteksian tepi citra berbagai kemungkinan kombinasinya c. Bahasa pemrograman Delphi khususnya mengenai teknik-teknik atau algoritma Yang Akan Diproses pengolahan citra digital B. Gambar 14 Kotak Dialog Pemilihan File Citra Memperoleh software pendukung tepat untuk membangun implementasi sistem Pada proses pengujian dilakukan, citra ini meliputi: dipilih adalah citra BUTTERFLY.BMP a. Algoritma struktur data dengan format file Bitmap Image (BMP) b. Sistem operasi dipilih adalah resolusi 408 x 408 piksel 24 bit ( true color). 158

14 Tampilan di layar setelah pemilihan file citra adalah sebagai berikut; Gambar 16 Citra-Citra Hasil Deteksi Tepi Dengan Berbagai Operator Berdasarkan citra-citra digital hasil pengujian deteksi tepi tersebut, secara umum hasil deteksi tepi dengan Rerata Geometri pada setiap Gambar 15 Tampilan Setelah Pemilihan File Citra operator memiliki hasil lebih baik (lebih jelas) daripada operator aslinya. Operator berbasis Guna memperoleh hasil deteksi tepi optimal, hasil konvolusi dengan menggunakan berbagai macam operator deteksi tepi, diterapkan pula proses Invers matrik data citra untuk memperoleh matrik data citra negatif dengan Rangkuman Hasil Pengujian Deteksi Tepi berikut ini Kiresh menghasilkan deteksi tepi lebih baik daripada operator berbasis turunan kedua (Laplacian). Operator Prewitt Isotropik menghasilkan deteksi tepi paling jelas diantara operator berbasis gradient lainnya. persamaan Po(x, y) = 255 Pi(x, y). Gambar-gambar gradient seperti Robert, Prewitt, Sobel, Isotrophic merupakan KESIMPULAN DAN SARAN Kesimpulan rangkuman hasil-hasil pengujian deteksi tepi citra Setelah dilakukan pengujian analisa digital dengan menggunakan berbagai operator terhadap hasil simulasi penggunaan berbagai kombinasinya; kombinasi operator pentedeksi tepi citra untuk menghasilkan tepi objek lebih jelas, maka dapat disimpulkan sebagai berikut; a. Secara umum hasil deteksi tepi dengan Rerata Geometri pada setiap operator memiliki hasil lebih baik (lebih jelas) daripada operator aslinya b. Operator berbasis gradient menghasilkan deteksi tepi lebih baik daripada operator berbasis turunan kedua (Laplacian) c. Operator Prewitt Isotropik menghasilkan deteksi tepi paling jelas diantara operator berbasis gradient lainnya. 159

15 Saran Pada penelitian selanjutnya, dapat dilakukan pengembangan pada metode-metode segmentasi untuk menghasilkan bagian-bagian citra (sub-citra) terlabeli, sehingga dapat membedakan antara sub-citra satu dengan lainnya. Proses segmentasi citra dapat dilakukan pada citra telah mengalami praproses deteksi tepi dengan berbagai kombinasi deteksi citra dihasilkan oleh perangkat lunak telah dibuat ini. DAFTAR PUSTAKA Adipranta,R. 2005, Penelitian: Perancangan Pembuatan Aplikasi Segmentasi Gambar Dengan Menggunakan Metode Morphological Watershed. Borg, Walter R. Meredith Damien Gall Educational Research, An Introduction. third edition. New York: Longman. Gonzales, Rafael C., Woods Richard E Digital Image Processing. Pitas, I., Digital Image Processing Algorithms, Prentice Hall. Singapore. Salem Saleh Al-amri, Dr. N.V. Kalyankar and Dr. Khamitkar S.D Image Segmentation By Using Edge Detection. (IJCSE) International Journal on Computer Science and Engineering, Vol. 02, No. 03, 2010, Witeti Identifikasi Sel Kanker Prostat Menggunakan Metode Segmentasi Berdasar Ukuran Objek Pada Citra. Teknik Elektro Universitas Diponegoro. Semarang. 160