PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Transkripsi

1 IMPLEMENTASI METODE DETEKSI TEPI DENGAN OPERATOR SOBEL UNTUK OPTIMASI SEGMENTASI CITRA DOKUMEN BERAKSARA JAWA SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika Oleh: Maria Fransiska Fanny Puspandari PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2011

2 IMPLEMENTASI METODE DETEKSI TEPI DENGAN OPERATOR SOBEL UNTUK OPTIMASI SEGMENTASI CITRA DOKUMEN BERAKSARA JAWA SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika Oleh: Maria Fransiska Fanny Puspandari PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2011 i

3 IMPLEMENTATION OF EDGE DETECTION METHOD WITH SOBEL OPERATOR FOR OPTIMIZATION DOCUMENT IMAGE SEGMENTATION OF JAVANESE CHARACTER A Thesis Presented as Partial Fullfillment of The Requirements to Obtain The Sarjana Computer Degree in Informatics Engineering Study Program By: Maria Fransiska Fanny Puspandari INFORMATICS ENGINEERING PROGRAM INFORMATICS ENGINEERING DEPARTMENT FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2011 ii

4 iii

5 iv

6 v

7 vi

8 ABSTRAK Penelitian ini berfokus pada implementasi metode deteksi tepi dengan operator sobel untuk optimasi segmentasi citra dokumen beraksara Jawa. Deteksi tepi pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyekobyek gambar, yang bertujuan untuk meningkatkan penampakan garis batas suatu daerah atau objek di dalam citra. Untuk melihat kegunaan deteksi tepi pada citra dokumen beraksara Jawa, maka dilakukan proses segmentasi menggunakan profil proyeksi sehingga nantinya dapat terlihat bahwa dengan adanya proses deteksi tepi ini dapat meningkatkan prosentase keberhasilan segmentasi. Untuk membandingkan prosentase keberhasilan segmentasi, dilakukan pengujian dengan cara pengamatan secara visual hasil-hasil citra karakter yang dihasilkan dari segmentasi dengan adanya deteksi tepi mempergunakan operator sobel dengan deteksi tepi mempergunakan operator canny dan juga deteksi tepi dengan operator sobel yang tersedia pada toolbox MATLAB. Berdasarkan hasil pengujian terhadap 5 citra dokumen dari penggunaan deteksi tepi mempergunakan operator sobel untuk segmentasi citra dokumen beraksara Jawa, diperoleh rata-rata prosentase keberhasilan segmentasi sebesar 84,76%. Sementara, jika pada dokumen yang sama dilakukan segmentasi tanpa terlebih dahulu dilakukan deteksi tepi, diperoleh rata-rata prosentase keberhasilannya 81,98%. Dan terhadap hasil pengujian dari penggunaan deteksi tepi mempergunakan operator canny untuk segmentasi citra dokumen beraksara Jawa, diperoleh rata-rata prosentase keberhasilan segmentasi sebesar 53,88%. Sedangkan hasil pengujian dari penggunaan deteksi tepi menggunakan operator sobel yang tersedia pada toolbox MATLAB, untuk segmentasi citra dokumen beraksara Jawa, diperoleh rata-rata prosentase keberhasilan segmentasi sebesar 72,42%. Maka dapat disimpulkan bahwa deteksi tepi mempergunakan operator sobel yang diimplementasikan pada tugas akhir ini relatif lebih baik dibandingkan dengan operator canny atau operator sobel MATLAB serta dapat membantu meningkatkan prosentase keberhasilan segmentasi karena terjadi proses rekonstruksi citra-citra karakter setelah dilakukan deteksi tepi. vii

9 ABSTRACT This research focuses on the implementation of edge detection method with sobel operator to optimize the segmentation of document image of Javanese character. The edge detection on an image is a process that produces edges of image objects, which aims to improve the appearance of an area boundary lines or of objects in the image. To see the usefulness of edge detection in Javanese character document image, thus undertaken a segmentation process using projection profile so that later it can be seen that with the edge detection process, it may increase the percentage of successful segmentation. To compare the percentage of successful segmentation, a test was carried out by visually observing the results of character images produced by segmentation with the existence of edge detection using sobel operator which was carried out in this thesis by the edge detection using canny operator and sobel operator available on the MATLAB toolbox. Based on the test result of 5 document images from the usage of edge detection using sobel operator which was undertaken in this thesis to document images segmentation of Javanese characters, obtained the average of successful segmentation percentage for 84,76%. Meanwhile, if in the same document was carried out a segmentation without being conducted the edge detection first, obtained the average successful percentage for 81,98 %. And for the result test of edge detection usage used canny operator available on MATLAB toolbox to document images segmentation of Javanese characters, acquired the average successful percentage of segmentation for 53,88%. While the test result of edge detection usage utilized sobel operator available on MATLAB toolbox, for document images segmentation of Javanese characters, obtained the average of successful segmentation for 72,42%. Thus, it can be concluded that the edge detection using sobel operator which is implemented in this thesis is relatively better than MATLAB canny operator or sobel operator because thinning process affects to the edge result generated from the edge of the edge detection operators. viii

10 KATA PENGANTAR Puji dan syukur kepada Tuhan Yesus Kristus atas segala berkat dan karunia-nya, sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Implementasi Metode Deteksi Tepi dengan Operator Sobel untuk Optimasi Segmentasi Citra Dokumen Beraksara Jawa ini dengan baik. Penulis menyadari bahwa selama proses penelitian dan penyusunan laporan tugas akhir ini, banyak pihak yang telah memberikan bantuan baik berupa dukungan, perhatian, semangat, kritik dan saran yang sangat penulis butuhkan, sehingga pada kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar-besarnya, antara lain kepada : 1. Anastasia Rita Widiarti, S.Si., M.Kom., selaku dosen pembimbing tugas akhir, atas kesabarannya dalam membimbing penulis, meluangkan waktunya, memberikan dukungan, motivasi, serta saran yang sangat membantu penulis. 2. Eko Hari Parmadi, S.Si., M.Kom, selaku dosen penguji yang telah memberikan saran dan masukan yang berguna dalam tugas akhir ini. 3. Sri Hartati Wijojo, S.Si., M.Kom, selaku dosen penguji yang telah memberikan saran dan masukan yang berguna dalam tugas akhir ini. 4. Y. Joko Nugroho, S.Si, selaku dosen penguji yang telah memberikan saran dan masukan yang berguna dalam tugas akhir ini. 5. Ayahku Fx. Heri Sulistya dan Ibuku Catharina Kusumandari serta adikku Sesilia Paramitha Novitasari, atas doa, semangat, dukungan baik moril maupun finansial serta kasih yang begitu besar yang selalu ada untukku. ix

11 x

12 DAFTAR ISI HALAMAN JUDUL BAHASA INDONESIA... HALAMAN JUDUL BAHASA INGGRIS... HALAMAN PERSETUJUAN PEMBIMBING... HALAMAN PENGESAHAN... PERNYATAAN KEASLIAN KARYA... LEMBAR PERSETUJUAN PUBLIKASI... ABSTRAK... ABSTRACT... KATA PENGANTAR... DAFTAR ISI... DAFTAR GAMBAR... DAFTAR TABEL... i ii iii iv v vi vii viii ix xi xiv xvi BAB I. PENDAHULUAN... 1 A. Latar Belakang... 1 B. Rumusan Masalah... 3 C. Tujuan... 3 D. Batasan Masalah... 4 E. Metodologi Penelitian... 4 F. Sistematika Penulisan... 5 BAB II. LANDASAN TEORI... 7 A. Citra Citra Biner... 8 xi

13 2. Citra Skala Keabuan Citra Warna Citra Warna Berindeks B. Pengolahan Citra Tepi (Edge) Deteksi Tepi C. Deteksi Tepi D. Operator Sobel E. Segmentasi Segmentasi Histogram F. Profil Proyeksi G. Matlab BAB III. ANALISA DAN PERANCANGAN SISTEM A. Analisa Sistem B. Analisa Kebutuhan Hardware Sofware Analisa Kebutuhan Hardware Analisa Kebutuhan Software C. Rancangan Proses Sistem Data Flow Diagram Level Data Flow Diagram Level Flowchart Deteksi Tepi Diagram Alir Proses Segmentasi D. Rancangan Pengujian xii

14 BAB IV. IMPLEMENTASI A. Implementasi Program Implementasi Deteksi Tepi Implementasi Segmentasi BAB V. ANALISA HASIL DAN PEMBAHASAN A. Data Masukan B. Analis Hasil Bab VI. Kesimpulan dan Saran A. Kesimpulan B. Saran Daftar Pustaka Lampiran xiii

15 DAFTAR GAMBAR Gambar 2.1 Citra biner dan representasinya dalam data digital... 8 Gambar 2.2 Citra keabuan dan representasinya dalam data digital... 9 Gambar 2.3 Citra warna dan representasinya dalam data digital... 9 Gambar 2.4 Citra warna berindeks dan representasinya dalam data digital 10 Gambar 2.5 Tepi curam Gambar 2.6 Tepi landai Gambar 2.7 Tepi curam dengan derau Gambar 2.8 Proses deteksi tepi citra Gambar 2.9 Susunan piksel pada konvolusi Sobel Gambar 2.10 Matriks operator sobel untuk persamaan Sx Gambar 2.11 Matriks operator sobel untuk persamaan Sy Gambar 2.12 Citra semula Gambar 2.13 Citra hasil konvolusi Gambar 2.14 Profil proyeksi horisontal dan vertikal Gambar 2.15 Gambar asli Gambar 2.16 Hasil deteksi tepi Prewitt Gambar 2.17 Hasil deteksi tepi Canny Gambar 2.18 Hasil deteksi tepi Sobel Gambar 2.19 Hasil deteksi tepi Roberts Gambar 3.1 Citra karakter hasil segmentasi dengan deteksi tepi Gambar 3.2 Data flow diagram level Gambar 3.3 Data flow diagram level xiv

16 Gambar 3.4 Flowchart proses deteksi tepi Gambar 3.5 Diagram alir proses segmentasi Gambar 5.1 Citra dokumen masukan data Gambar 5.2 Citra data 1 hasil konvolusi dengan Gradien X Gambar 5.3 Citra data 1 hasil konvolusi dengan Gradien Y Gambar 5.4 Hasil deteksi tepi citra dokumen data Gambar 5.5 Potongan baris 1 dari citra dokumen data Gambar 5.6 Citra-citra karakter baris 1 dari citra dokumen data xv

17 DAFTAR TABEL Tabel 5.1 Kriteria citra dokumen masukan Tabel 5.2 Analisis output segmentasi citra dokumen data 1 melalui deteksi tepi Tabel 5.3 Analisis output segmentasi citra dokumen data 1 tanpa melalui deteksi tepi Tabel 5.4 Analisis output segmentasi citra dokumen data 2 melalui deteksi tepi Tabel 5.5 Analisis output segmentasi citra dokumen data 2 tanpa melalui deteksi tepi Tabel 5.6 Analisis output segmentasi citra dokumen data 3 melalui deteksi tepi Tabel 5.7 Analisis output segmentasi citra dokumen data 3 tanpa melalui deteksi tepi Tabel 5.8 Analisis output segmentasi citra dokumen data 4 melalui deteksi tepi Tabel 5.9 Analisis output segmentasi citra dokumen data 4 tanpa melalui deteksi tepi Tabel 5.10 Analisis output segmentasi citra dokumen data 5 melalui deteksi tepi Tabel 5.11 Analisis output segmentasi citra dokumen data 5 tanpa melalui deteksi tepi Tabel 5.12 Rangkuman hasil analisis output hasil segmentasi xvi

18 melalui deteksi tepi Tabel 5.13 Rangkuman hasil analisis output segmentasi tanpa deteksi tepi Tabel 5.14 Rangkuman hasil analisis output segmentasi melalui deteksi tepi dengan operator canny MATLAB Tabel 5.15 Rangkuman hasil analisis output segmentasi melalui deteksi tepi dengan operator sobel MATLAB xvii

19 BAB I PENDAHULUAN A. Latar Belakang Yogyakarta sebagai kota yang kaya akan keanekaragaman budayanya menyimpan banyak sekali aset yang merupakan warisan budaya, salah satunya buku-buku kuno yang ditulis dengan aksara Jawa. Sayang sekali jika buku-buku tersebut hanya disimpan, padahal buku-buku tersebut perlu dilestarikan. Akan lebih bermanfaat lagi jika buku-buku tersebut dikonversi ke dalam format digital, sehingga kualitas dapat diperbaiki dan mudah dilakukan analisa citra untuk pengenalan citra dokumen. Ada berbagai tahapan untuk sampai ke tahap pengenalan citra dokumen. Untuk proses awal akan dilakukan deteksi tepi pada citra dokumen. Deteksi tepi atau edge detection pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyek-obyek gambar. Suatu titik (x,y) dikatakan sebagai tepi (edge) dari suatu citra bila titik tersebut mempunyai perbedaan yang tinggi dengan tetangganya (Sigit,2005). Bila dua buah atau lebih obyek saling tumpang tindih, bila intensitas mereka tidak sama, akan meninggalkan jejak tepi sehingga diketahui obyek yang satu berada di depan obyek yang lain atau sebaliknya. Hal ini penting untuk mengembalikan atau merekonstruksi bentuk yang seharusnya dari obyek yang berada di belakang obyek lainnya, atau memisahkan obyek yang tumpang tindih sehingga dapat dianalisis secara individu. Dengan demikian 1

20 2 tepi suatu obyek juga berguna untuk memisahkan obyek yang saling bersinggungan sehingga mereka tidak dianggap sebagai satu obyek yang besar dan dapat dianalisis secara individu. Setelah didapatkan tepi-tepi dari obyek tersebut maka dapat diambil untuk diolah ke proses selanjutnya, yaitu segmentasi yang berarti memisahkan obyek gambar dengan latar belakangnya. Oleh sebab itu, dalam penelitian ini diharapkan dengan adanya deteksi tepi akan membantu meningkatkan keberhasilan segmentasi. Segmentasi dalam tugas akhir ini akan menggunakan segmentasi dengan profil proyeksi yang akan diimplementasikan sesuai dengan acuan Widiarti (Widiarti,2007). Dalam tugas akhir ini, akan digunakan operator Sobel sebagai metode dalam melakukan deteksi tepi pada citra dokumen teks beraksara Jawa. Dengan operator Sobel batas tepian akan terlihat dengan jelas dan lebih halus, tetapi di situ akan terlihat banyak respon yang dihasilkan (Kusno,2009). Operator Sobel merupakan operator yang paling banyak digunakan sebagai pelacak tepi karena kesederhanaan dan keampuhannya (Hamidah,2010). Dalam melakukan pengujian digunakan operator canny dan operator sobel yang tersedia dalam toolbox MATLAB sebagai pembanding dalam mendeteksi tepi citra dokumen beraksara Jawa. Menurut Uma Hamidah (Hamidah,2010) operator canny dapat mendeteksi dan melokalisasi dengan baik yang menghasilkan jarak yang minimum antara tepi yang dideteksi dengan tepi asli. Dan juga respon yang jelas yaitu hanya ada satu respon untuk tiap tepi.

21 3 B. Rumusan Masalah Berdasarkan latar belakang di atas, maka dapat dirumuskan beberapa masalah sebagai berikut : 1. Bagaimana mengimplementasikan metode deteksi tepi dengan operator sobel pada citra dokumen teks beraksara Jawa? 2. Berapakah prosentase keberhasilan proses segmentasi pada citra dokumen teks beraksara Jawa dengan adanya deteksi tepi menggunakan operator sobel? 3. Apakah deteksi tepi menggunakan operator sobel yang dilakukan pada tugas akhir ini lebih baik bila dibandingkan dengan deteksi tepi menggunakan operator canny dan operator sobel yang tersedia dalam toolbox MATLAB? C. Tujuan Penelitian dalam tugas akhir ini mempunyai tujuan yaitu : 1. Memahami cara kerja proses deteksi tepi pada citra dokumen teks beraksara Jawa menggunakan operator sobel. 2. Mengukur keberhasilan proses segmentasi pada citra dokumen teks beraksara Jawa yang sudah melalui proses deteksi tepi dengan menggunakan operator sobel. 3. Membandingkan keberhasilan deteksi tepi menggunakan operator sobel pada tugas akhir ini dengan deteksi tepi menggunakan operator canny dan operator sobel yang tersedia dalam toolbox MATLAB yang diimplementasikan pada citra dokumen beraksara Jawa untuk meningkatkan keberhasilan segmentasi.

22 4 D. Batasan Masalah Adapun permasalahan yang akan diselesaikan akan dibatasi oleh halhal sebagai berikut : 1. File citra dokumen masukan yang diproses adalah file dengan extensi *.jpg. Citra dokumen masukan yang ideal adalah citra dokumen beraksara Jawa yang tidak miring, bebas dari derau atau noise, dan merupakan citra keabuan. File data merupakan koleksi dari hasil penelitian Widiarti, dkk (Widiarti,dkk, 2010). 2. Sistem yang akan dibangun hanya akan membahas proses deteksi tepi dan sedikit proses segmentasi. Apabila ada proses yang perlu dilakukan sebelum proses deteksi tepi ataupun segmentasi, maka proses tersebut akan dilakukan secara manual dan tidak dibahas dalam tugas akhir ini. 3. Program dalam tahap perancangan sistem dinyatakan dengan menggunakan bahasa pemrograman MATLAB. 4. Pengujian yang dilakukan dengan melakukan pengamatan secara visual atau kasat mata dari hasil segmentasi tanpa deteksi tepi dengan segmentasi yang sudah melalui proses deteksi tepi dan dengan membandingkan antara operator sobel yang dilakukan dalam tugas akhir ini dengan operator canny dan operator sobel yang tersedia dalam toolbox MATLAB. E. Metodologi Penelitian Di dalam melakukan penelitian ini, penulis melakukan metodologi penelitian sebagai berikut :

23 5 1. Studi literatur. Melakukan studi kepustakaan terhadap berbagai referensi yang berhubungan dengan penelitian yang dilakukan, pendalaman MATLAB, serta penentuan masalah yang akan dianalisis. 2. Melakukan perancangan sistem. Melakukan perancangan sistem berupa diagram aliran data pada masingmasing proses yang akan dilakukan. 3. Penulisan program. Mengimplementasikan proses-proses dalam diagram aliran data dalam tahap perancangan sistem dinyatakan dengan menggunakan bahasa pemrogramana MATLAB. 4. Melakukan pengujian. Melakukan pengujian terhadap hasil segmentasi melalui deteksi tepi dengan operator sobel. 5. Analisis hasil. Melakukan analisis hasil terhadap citra-citra karakter hasil segmentasi melalui deteksi tepi dengan citra-citra karakter hasil segmentasi tanpa deteksi tepi. F. Sistematika Penulisan Bab I. Pendahuluan Dalam bab ini akan dijelaskan mengenai latar belakang masalah, rumusan masalah, batasan masalah, tujuan penelitian, metodologi penelitian, dan sistematika penulisan.

24 6 Bab II. Landasan Teori Dalam bab ini akan dijelaskan mengenai pengetahuan yang menjadi dasar teori untuk mengimplementasikan metode deteksi tepi dengan menggunakan operator sobel pada citra aksara Jawa. Bab III. Analisa dan Perancangan Sistem Dalam bab ini berisi analisa sistem yang dibutuhkan untuk penelitian ini. Berdasarkan analisa sistem tersebut, akan dirancang sistem untuk menyelesaikan masalah dalam penelitian ini. Analisa sistem tersebut meliputi gambaran umum sistem, analisa kebutuhan. Perancangan sistem meliputi diagram aliran data masing-masing proses yang akan dilakukan. Bab IV. Implementasi Bab ini berisi penjelasan mengenai tahapan-tahapan penelitian dalam mengubah rancangan yang telah dibuat ke dalam bentuk program dengan menggunakan bahasa pemrograman MATLAB. Bab V. Hasil dan Pembahasan Dalam bab ini hasil dan pembahasan menguraikan dan membahas tentang analisa hasil penelitian yang dilakukan penulis. Bab VI. Kesimpulan dan Saran Bab ini berisi kesimpulan yang dapat diambil penulis selama melakukan penelitian berdasarkan hasil-hasil pada bab sebelumnya, dan juga berisi saran yang dapat diajukan penulis untuk pengembangan lebih lanjut.

25 BAB II LANDASAN TEORI Bab ini akan menjelaskan mengenai teori yang berhubungan dengan penelitian dalam tugas akhir ini, yaitu mencakup citra, pengolahan citra, deteksi tepi, operator sobel, histogram, segmentasi, profil proyeksi, dan Matlab. A. Citra Citra merupakan suatu gambar pada bidang dua dimensi (Munir, 2004), secara umum citra dapat dikelompokkan menjadi 2, yaitu citra tampak seperti foto keluarga, gambar burung dan citra tak tampak seperti data gambar dalam file yang sering disebut dengan citra digital. Dari kelompok citra tersebut, hanya citra digital yang dapat diolah menggunakan komputer, sehingga yang akan dibahas dalam tugas akhir ini hanya citra digital sebagai obyek yang diteliti dalam penelitian ini. Citra digital tersusun atas kumpulan titik atau elemen-elemen gambar yang disebut piksel (picture element). Piksel merupakan elemen terkecil dari sebuah citra digital, dengan jumlah total piksel adalah M x N, dimana M merupakan width (nilai tinggi citra digital) dan N merupakan height (nilai lebar citra digital). Setiap piksel memiliki nilai berupa angka digital yang merepresentasikan informasi yang mewakili piksel tersebut. Menurut Achmad dan Firdausy (Achmad dan Firdausy,2005), format nilai piksel ditentukan oleh format citra digital antara lain : 7

26 8 1. Citra Biner Citra biner merupakan citra yang hanya mempunyai dua nilai derajat keabuan yaitu hitam dan putih. Setiap piksel pada citra biner memiliki nilai 0 untuk warna hitam atau 1 untuk warna putih dan hanya membutuhkan representasi 1 bit. Beberapa contoh citra biner antara lain, citra logo instansi (yang hanya terdiri atas warna hitam dan putih), citra kode barang yang tertera pada label barang, dan citra teks (hasil pemindaian dokumen). Gambar 2.1 Citra biner dan representasinya dalam data digital 2. Citra Skala Keabuan Skala keabuan memberikan kemungkinan warna yang lebih banyak daripada citra biner. Banyaknya kemungkinan nilai dan nilai maksimumnya bergantung pada jumlah bit yang digunakan. Misalnya untuk skala keabuan 8 bit, maka jumlah kemungkinan nilainya adalah 2 8 = 256, dan nilai maksimumnya adalah = 255. Format citra ini disebut skala keabuan karena pada umumnya warna yang dipakai adalah antara hitam sebagai warna minimal dan putih sebagai warna maksimalnya, sehingga warna antaranya adalah abu-abu.

27 9 Gambar 2.2 Citra keabuan dan representasinya dalam data digital 3. Citra Warna Pada citra warna, setiap titik mempunyai warna yang spesifik yang merupakan kombinasi dari 3 warna dasar, yaitu : merah, hijau, dan biru. Format citra seperti ini sering disebut sebagai citra RGB (red-green-blue). Setiap warna dasar mempunyai intensitas sendiri dengan nilai maksimum 255 (8 bit), misalnya warna kuning merupakan kombinasi warna merah dan hijau sehingga nilai RGB-nya adala Dengan demikian setiap titik pada citra warna membutuhkan data 3 byte. Jumlah kombinasi warna yang mungkin untuk format citra ini adalah 2 24 atau lebih dari 16 juta warna, dengan demikian bisa dianggap mencakup semua warna yang ada. Gambar 2.3 Citra warna dan representasinya dalam data digital

28 10 4. Citra Warna Berindeks Jumlah memori yang dibutuhkan untuk format citra warna adalah 3 kali jumlah titik yang ada dalam citra yang ditinjau. Di lain pihak, pada kebanyakan kasus, jumlah warna yang ada dalam suatu citra terkadang sangat terbatas, karena banyaknya warna dalam sebuah citra tidak mungkin melebihi banyaknya titik dalam citra itu sendiri. Untuk kasus tersebut, disediakan format citra warna berindeks. Pada format ini, informasi setiap titik merupakan indeks dari suatu tabel yang berisi informasi warna yang tersedia, yang disebut palet warna. Palet warna merupakan bagian dari citra warna berindeks, sehingga pada saat menyimpan citra ini ke dalam file, informasi palet warna juga harus disertakan. Gambar 2.4 Citra warna berindeks dan representasinya dalam data digital B. Pengolahan Citra Pengolahan citra digital adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra dengan kualitas lebih baik.

29 11 Pengolahan citra digital bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin. Operasi-operasi yang dilakukan di dalam pengolahan citra banyak ragamnya. Namun secara umum, operasi pengolahan citra dapat diklasifikasikan dalam beberapa jenis (Munir, 2004) sebagai berikut : 1. Perbaikan kualitas citra Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan cara memanipulasi parameter-parameter citra. Dengan operasi ini, ciriciri khusus yang terdapat di dalam citra lebih ditonjolkan. 2. Pemugaran citra Operasi ini bertujuan menghilangkan / meminimumkan cacat pada citra. Tujuan pemugaran citra hampir sama dengan operasi perbaikan citra. Bedanya, pada pemugaran citra penyebab degradasi gambar diketahui. 3. Pemampatan citra Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting yang harus diperhatikan dalam pemampatan adalah citra yang telah dimampatkan harus tetap mempunyai kualitas gambar yang bagus. 4. Segmentasi citra Jenis operasi ini bertujuan untuk memecah citra ke dalam beberapa segmen dengan suatu kriteria tertentu.

30 12 5. Analisis citra Jenis operasi ini bertujuan menghitung besar kuantitatif dari citra untuk menghasilkan deskripsinya. Teknik analisis citra mengekstraksi ciri-ciri tertentu yang membantu dalam mengidentifikasi obyek. Proses segmentasi kadangkala diperlukan untuk melokalisasi obyek yang diinginkan dari sekelilingnya. 6. Rekonstruksi citra Jenis operasi ini bertujuan untuk membentuk ulang obyek dari beberapa citra hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam bidang medis. Pengolahan citra pada dasarnya dilakukan dengan cara memodifikasi setiap titik dalam citra tersebut sesuai keperluan. Menurut Achmad dan Firdausy (Achmad dan Firdausy, 2005), secara garis besar modifikasi tersebut dikelompokkan menjadi : 1. Operasi titik, dimana setiap titik diolah secara tidak berhubungan terhadap titik-titik yang lain. 2. Operasi global, dimana karakteristik global (biasanya bersifat statistik) dari citra yang digunakan untuk memodifikasi nilai setiap titik. 3. Operasi temporal/ berbasis bingkai, dimana sebuah citra diolah dengan cara dikombinasikan dengan citra lain. 4. Operasi geometri, dimana bentuk, ukuran, atau orientasi citra dimodifikasi secara geometris. 5. Operasi banyak titik tetangga, dimana data dari titik-titik yang bersebelahan dengan titik yang ditinjau ikut berperan dalam

31 13 mengubah nilai. 6. Operasi morfologi, yaitu operasi yang berdasarkan segmen atau bagian dalam citra yang menjadi perhatian. C. Deteksi Tepi 1. Tepi (Edge) Yang dimaksud dengan tepi atau edge dalam hal ini adalah perubahan nilai derajat keabuan pada citra yang besar dalam jarak yang singkat. Perbedaan intensitas inilah yang menandakan adanya perbedaan objek, sehingga selanjutnya dapat diketahui objek-objek yang berbeda pada citra yang dianalisis. Tepi pada umumnya berada pada batas antara dua objek yang berbeda. Tepi dapat diorientasikan dengan suatu arah, dan arah ini dapat berbeda-beda tergantung pada perubahan intensitasnya. Menurut Munir (Munir,2004) ada tiga macam tepi yang terdapat di dalam citra yaitu : a. Tepi curam, dimana tepi memiliki perubahan intensitas yang sangat tajam dengan arah tepi 90 o. Dapat dilihat pada gambar 2.5. Gambar 2.5 Tepi curam

32 14 b. Tepi landai yaitu tepi dengan sudut arah yang kecil. Tepi landai dapat dianggap terdiri dari sejumlah tepi-tepi lokal yang lokasinya berdekatan, seperti yang terlihat pada gambar Gambar 2.6 Tepi Landai c. Tepi curam dengan derau seperti pada gambar 2.7. Umumnya tepi yang terdapat pada aplikasi visi computer mengandung derau. Operasi peningkatan kualitas citra dapat dilakukan terlebih dahulu sebelum pendeteksian tepi. Gambar 2.7 Tepi curam dengan derau

33 15 2. Deteksi Tepi Deteksi tepi ( Edge Detection ) pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi citra pada obyek citra (Sigit, 2005). Deteksi tepi merupakan langkah pertama untuk melingkupi informasi di dalam citra. Tepi mencirikan batas-batas obyek dan karena itu tepi berguna untuk proses segmentasi dan identifikasi obyek di dalam citra. Tujuan operasi deteksi tepi adalah untuk meningkatkan penampakan garis batas suatu daerah atau obyek di dalam citra (Munir, 2004). Terdapat beberapa teknik yang digunakan untuk mendeteksi tepi, antara lain (Munir, 2004) : a. Operator gradien pertama, contoh beberapa gradien pertama yang dapat digunakan untuk mendeteksi tepi di dalam citra, yaitu operator gradien selisih-terpusat, operator Sobel, operator Prewitt, operator Roberts, operator Canny. b. Operator turunan kedua, disebut juga operator Laplace. Operator Laplace mendeteksi lokasi tepi khususnya pada citra tepi yang curam. Pada tepi yang curam, turunan keduanya mempunyai persilangan nol, yaitu titik di mana terdapat pergantian tanda nilai turunan kedua, sedangkan pada tepi yang landai tidak terdapat persilangan nol. Contohnya adalah operator Laplacian Gaussian, operator Gaussian. c. Operator kompas, digunakan untuk mendeteksi semua tepi dari berbagai arah di dalam citra. Operator kompas yang dipakai untuk deteksi tepi menampilkan tepi dari 8 macam arah mata angin yaitu Utara, Timur Laut, Timur, Tenggara, Selatan, Barat, Barat Daya, dan

34 16 Barat Laut. Deteksi tepi dilakukan dengan mengkonvolusikan citra dengan berbagai mask kompas, lalu dicari nilai kekuatan tepi (magnitude) yang terbesar dan arahnya. Operator kompas yang dipakai untuk deteksi tepi menampilkan tepi dari 8 macam arah mata angin, yaitu Utara, Timur Laut, Timur, Tenggara, Selatan, Barat, Barat Daya, dan Barat Laut. Gambar 2.8 Proses deteksi tepi citra Gambar 2.8 menggambarkan proses deteksi tepi citra. Citra awal merupakan citra biner, sehingga dapat terlihat dengan jelas perbedaan antara obyek dengan latar belakang. Dari citra awal kemudian dilakukan differensial arah vertikal sehingga didapatkan edge yang sejajar dengan sumbu x, dilakukan juga differensial arah horisontal sehingga didapatkan edge yang sejajar dengan sumbu y. Setelah didapatkan edge horisontal dan vertikal, kemudian keduanya digabungkan, sehingga akan menghasilkan deteksi tepi citra yang utuh.

35 17 D. Operator Sobel Sobel edge detection adalah salah satu metode dalam image processing yang berguna untuk mendeteksi tepi (edge) suatu obyek dalam gambar digital (Gonzales & Woods, 2000). Satu cara untuk menghindari gradien yang dihitung pada titik interpolasi dari piksel-piksel yang terlibat dengan cara menghaluskan citra digital. Proses penghalusan yang digunakan merupakan proses konvolusi dari jendela yang ditetapkan terhadap citra yang terdeteksi dengan menggunakan jendela 3 x 3 untuk perhitungan gradien, sehingga perkiraan gradien berada tepat di tengah jendela. Agar perkiraan gradien tepat di tengah jendela, dalam konvolusi Sobel menggunakan susunan piksel-piksel disekitar piksel (x,y) seperti pada gambar 2.9. Gambar 2.9 Susunan Pixel Pada Konvolusi Sobel Sehingga besar gradien dihitung dengan menggunakan persamaan : Sx = (a2 + ca3 + a4) - (a0 + ca7 + a6) (2.1) Sy = (a0 + ca1 + a2) - (a6 + ca5 + a4) (2.2) dengan Sx = gradien piksel x, Sy = gradien piksel y, dan c = konstanta yang bernilai 2. Dari persamaan di atas, diperoleh dua buah matriks operator Sobel seperti terlihat pada yang ditunjukkan pada gambar 2.10 dan 2.11.

36 18 Gambar 2.10 Matriks Operator Sobel untuk Persamaan Sx Gambar 2.11 Matriks Operator Sobel untuk Persamaan Sy Dari matriks di atas terlihat bahwa Sobel memberikan pembobotan pada piksel-piksel yang lebih dekat dengan titik pusat. Matriks ini dapat digunakan secara terpisah pada gambar masukan, untuk menghasilkan pengukuran yang terpisah dari komponen gradien pada setiap orientasi untuk mencari skala absolut dari gradien pada setiap titik dan orientasi gradien tersebut. Pada umumnya digunakan pendekatan nilai gradien tersebut dengan nilai absolut : (2.3) Contoh berikut ini memperlihatkan proses konvolusi dalam deteksi tepi dengan operator Sobel. Terdapat gambar botol yang merupakan citra biner seperti pada gambar 2.12 di bawah ini yang digunakan sebagai contoh untuk proses konvolusi dalam deteksi tepi dengan operator sobel.

37 19 Gambar 2.12 Citra semula Dari citra di atas, diambil sample gambar diujung bawah yang ditandai dengan kotak berwarna merah. Dari sample gambar tersebut, kemudian didapatkan matriks gambar seperti yang terlihat pada tabel 2.1. Tabel 2.1 Matriks dari citra sample

38 20 Setelah didapatkan matriks dari sample, kemudian akan dilakukan proses konvolusi. Dan dari matriks sample tersebut diambil contoh 3 titik pusat untuk dilakukan proses konvolusi dengan operator sobel. Untuk konvolusi contoh pertama, dengan titik pusat yang ditandai dengan warna merah : Dengan dan 1. Lakukan konvolusi dengan mask Sx, yaitu : Gx = (0)(-1) + (1)(-2) + (1)(-1) + (0)(0) + (1)(0) + (1)(0) + (0)(1) + (1)(2) + (1)(1) = 0 2. Lakukan konvolusi dengan mask Sy, yaitu : Gy = (0)(1) + (0)(2) + (0)(1) + (1)(0) + (1)(0) + (1)(0) + (1)(-1) + (1)(-2) + (1)(-1) = Maka diperoleh M = = 4. Untuk konvolusi contoh kedua, dengan titik pusat yang ditandai dengan warna biru :

39 21 Dengan dan 1. Lakukan konvolusi dengan mask Sx, yaitu : Gx = (0)(-1) + (1)(-2) + (1)(-1) + (0)(0) + (1)(0) + (1)(0) + (1)(1) + (1)(2) + (1)(1) = 0 2. Lakukan konvolusi dengan mask Sy, yaitu : Gy = (0)(1) + (0)(2) + (1)(1) + (1)(0) + (1)(0) + (1)(0) + (1)(-1) + (1)(-2) + (1)(-1) = Maka diperoleh M = = 4. Untuk konvolusi contoh ketiga, dengan titik pusat yang ditandai dengan warna hijau : Dengan dan 1. Lakukan konvolusi dengan mask Sx, yaitu : Gx = (0)(-1) + (0)(-2) + (1)(-1) + (0)(0) + (1)(0) + (1)(0) + (0)(1) + (1)(2) + (1)(1) = 2 2. Lakukan konvolusi dengan mask Sy, yaitu : Gy = (0)(1) + (0)(2) + (0)(1) + (0)(0) + (1)(0) + (1)(0) + (1)(-1) + (1)(-2) + (1)(-1) = - 4

40 22 3. Maka diperoleh M = = 6. Setelah dilakukan proses konvolusi terhadap masing-masing titik pusat, maka secara keseluruhan matriks hasil konvolusi dari citra sample dapat dilihat pada tabel 2.2. Pada tabel tersebut yang ditandai dengan warna merah merupakan hasil konvolusi dari contoh pertama, kemudian yang ditandai dengan warna biru adalah hasil konvolusi dari contoh kedua, sedangkan yang ditandai dengan warna hijau adalah hasil konvolusi dari contoh ketiga. Tabel 2.2 Matriks hasil konvolusi dari citra sample

41 23 Untuk hasil konvolusi dari citra semula dapat dilihat pada gambar Dimana yang ditandai dengan kotak merah tersebut merupakan citra sample yang sudah dilakukan proses konvolusi. Gambar 2.13 Citra hasil konvolusi E. Segmentasi 1. Segmentasi Segmentasi adalah proses pemecahan citra ke dalam obyek-obyek yang terkandung di dalamnya (Katsuri et al., 2002). Dalam analisis citra dokumen, segmentasi dilaksanakan dalam dua tahap, yaitu : 1. Memisahkan teks dan grafis kalau dalam dokumen tersebut terdapat teks maupun grafis. 2. Melakukan proses pemisahan selanjutnya dari hasil tahap pertama. Pada komponen teks, tahap kedua segmentasi melakukan pemisahan kolom, paragraf, kata dan karakter, sedangkan komponen grafis, segmentasi memisahkan simbol dan garis.

42 24 Proses segmentasi pada citra dokumen dapat dilakukan dengan mempergunakan histogram citra serta profil proyeksi dari citra tersebut. 2. Histogram Histogram citra adalah grafik yang menggambarkan penyebaran nilainilai intensitas warna suatu piksel pada citra atau bagian tertentu di dalam citra (Gonzales & Woods, 1992). Dari histogram dapat diketahui frekuensi kemunculan intensitas warna pada suatu citra. Misalkan diketahui sebuah citra digital memiliki L derajat keabuan, yaitu dari nilai 0 sampai L-1 (misalnya pada suatu citra dengan kuantisasi derajat keabuan 8-bit, nilai derajat keabuan dari 0 sampai 255). Secara matematis frekuensi kemunculan intensitas derajat keabuan i, yaitu h i dihitung dengan rumus : h i = ni, i = 0, 1,, L 1... (2.4) n di mana n i menyatakan banyaknya piksel yang memiliki derajat keabuan i, dan n menyatakan banyaknya piksel di dalam citra. F. Profil Proyeksi Zramdini dan Ingold (Zramdini dan Ingold, 1993) merumuskan, apabila terdapat sebuah citra teks biner S(N,M), di mana N menyatakan banyaknya baris citra dan M adalah banyaknya kolom citra seperti ditunjukkan pada gambar 2.14 maka dapat ditentukan profil vertikal dan profil horisontal dari citra teks tersebut. Profil vertikal adalah banyaknya

43 25 piksel hitam yang tegak lurus sumbu y, sedangkan profil horisontal adalah banyaknya piksel hitam yang tegak lurus dengan sumbu x. Profil vertikal direpresentasikan dengan suatu vektor (Pv) berukuran kecil N. Profil vertikal pada baris ke-i, yaitu (P v [i]), didefinisikan sebagai berikut : Pv i = M j=1 S i, j 2.5 Sedangkan profil horisontal direpresentasikan dengan suatu vektor (P h ) berukuran M. Profil horisontal pada kolom ke-j, yaitu (P h [j]), didefinisikan sebagai berikut : Ph j = N j=1 S i, j 2.6 Gambar 2.14 Profil proyeksi horisontal dan vertikal (Zramdini dan Ingold, 1993)

44 26 G. Matlab Menurut Muhammad Iqbal (Iqbal, 2009), MATLAB (matrix laboratory) adalah sebuah bahasa dengan (high-performance) kinerja tinggi untuk komputasi masalah teknik. Matlab mengintegrasikan komputasi, visualisasi, dan pemrograman dalam suatu model yang sangat mudah untuk dipakai, dimana masalah-masalah dan penyelesaiannya diekspresikan dalam notasi matematika yang familiar. Dalam lingkungan perguruan tinggi teknik, Matlab merupakan perangkat standar untuk memperkenalkan dan mengembangkan penyajian materi matematika, rekayasa dan kelimuan. Di industri, MATLAB merupakan perangkat pilihan untuk penelitian dengan produktifitas yang tingi, pengembangan dan analisanya. Fitur-fitur MATLAB sudah banyak dikembangkan, dan lebih kita kenal dengan nama toolbox. Sangat penting bagi seorang pengguna Matlab, toolbox mana yang mendukung untuk learn dan apply technology yang sedang dipelajarinya. Toolbox-toolbox ini merupakan kumpulan dari fungsifungsi MATLAB (Mfiles) yang telah dikembangkan ke suatu lingkungan kerja MATLAB untuk memecahkan masalah dalam kelas particular. Areaarea yang sudah bisa dipecahkan dengan toolbox saat ini meliputi pengolahan sinyal, system kontrol, neural networks, fuzzy logic, wavelets, dan lain-lain. Dengan MATLAB proses pendeteksian tepi dilakukan dengan perintah / fungsi edge. Ada beberapa metode yang dapat dilakukan pada deteksi tepi menggunakan MATLAB yaitu metode sobel, prewitt, roberts,

45 27 laplacian of gaussian, metode zero cross, dan Canny. Yang penting diperhatikan pada deteksi tepi bahwa hanya dapat dilakukan menggunakan citra grayscale atau citra 2-D. Contoh penggunaan metode deteksi tepi : I = imread('emo.jpg'); gray=rgb2gray(i); BW1 = edge(gray,'prewitt'); BW2 = edge(gray,'canny'); BW3 = edge(gray,'sobel'); BW4 = edge(gray,'roberts'); imshow(bw1); imshow(bw2); imshow(bw3); imshow(bw4); Gambar 2.15 Gambar Asli

46 28 Gambar 2.16 Hasil deteksi tepi Prewit Gambar 2.17 Hasil deteksi tepi Canny Gambar 2.18 Hasil deteksi tepi Sobel Gambar 2.19 Hasil deteksi tepi Roberts Gambar 2.15 merupakan gambar asli masukan yang akan dikenai proses deteksi tepi. Gambar 2.16 merupakan hasil deteksi tepi dengan menggunakan operator prewitt, gambar 2.17 merupakan hasil deteksi tepi dengan menggunakan operator canny, gambar 2.18 merupakan hasil deteksi tepi dengan menggunakan operator sobel, gambar 2.19 merupakan hasil deteksi tepi dengan menggunakan operator roberts.

47 BAB III ANALISA DAN PERANCANGAN SISTEM Dalam bab ini membahas analisa dan perancangan sistem secara umum, rancangan data masukan, rancangan proses, dan rancangan pengujian. A. Analisa Sistem Dalam tugas akhir ini, program dalam tahap perancangan sistem dinyatakan dengan menggunakan bahasa pemrograman MATLAB. Karena di dalam MATLAB sudah terdapat toolbox yang merupakan kumpulan dari fungsi-fungsi MATLAB yang telah dikembangkan ke suatu lingkungan kerja MATLAB untuk memecahkan masalah dalam kelas particular (Iqbal, 2009). Data masukan dalam tugas akhir ini berupa citra dokumen teks beraksara Jawa modern yang merupakan citra dengan derajat keabuan yang merupakan koleksi penelitian Widiarti (Widiarti dkk, 2010). Sebelum menjadi input dalam proses deteksi tepi, ada beberapa proses yang harus dilakukan terlebih dahulu terhadap citra dokumen tersebut. Proses-proses tersebut adalah : 1. Normalisasi orientasi, berfungsi untuk mengurangi kesalahan orientasi, misalnya citra miring saat pembacaan data citra dokumen dengan scanner. 29

48 30 2. Binerisasi, berfungsi untuk membagi citra menjadi 2 kelompok yaitu kelompok obyek yang dinyatakan dengan nilai 1 dan kelompok latar yang dinyatakan dengan nilai Filling, berfungsi untuk menghapus sebanyak mungkin noise yang muncul pada citra dokumen. Proses normalisasi orientasi, binerisasi dan filling akan dilakukan secara manual dan tidak akan dibahas lebih lanjut dalam tugas akhir ini. Proses utama yang dilakukan dalam penelitian ini adalah proses deteksi tepi dengan menggunakan operator sobel yang akan menghasilkan citra dokumen beraksara Jawa yang sudah dideteksi tepi. Hasil tersebut kemudian akan digunakan dalam proses segmentasi, dan keluarannya akan menghasilkan citra-citra karakter penyusun citra dokumen yang menjadi masukan seperti pada gambar 3.1. Hasil citra karakter yang melalui proses deteksi tepi tersebut akan dianalisa dengan hasil citra karakter tanpa melalui proses deteksi tepi. Hasil analisa tersebut akan digunakan untuk mengukur tingkat keberhasilan proses deteksi tepi menggunakan operator sobel yang diterapkan pada citra dokumen beraksara Jawa. Gambar 3.1 Citra karakter hasil segmentasi dengan deteksi tepi

49 31 B. Analisa Kebutuhan Hardware - Software Analisa kebutuhan hardware merupakan analisa kebutuhan akan perangkat keras komputer yang diperlukan selama mengembangkan sistem, sedangkan analisa kebutuhan software untuk mendukung pengoperasian dan pembuatan sistem. Kebutuhan-kebutuhan akan hardware dan sofrware dijelaskan sebagai berikut : 1. Analisa Kebutuhan Hardware Satu unit komputer dengan sistem operasi Windows XP, dengan spesifikasi sebagai berikut : a. Processor : Intel Core 2 Duo b. Memory : RAM 2 GB c. VGA : Mobile Intel X Analisa Kebutuhan Software a. Matlab menggunakan Matlab versi (R2009a). C. Rancangan Proses Sistem Berdasarkan dari gambaran sistem secara umum di atas, maka akan dilakukan tahap perancangan proses sistem dalam bentuk diagram konteks seperti di bawah ini.

50 32 1. Data Flow Diagram Level 0 Secara umum sistem yang akan dibangun adalah sistem yang menitikberatkan pada operasi sobel terhadap citra masukan berupa citra dokumen beraksara Jawa yang akan dikenai proses deteksi tepi. User citra dokumen citra-citra karakter 0 Sistem Deteksi tepi dan Pengujian Gambar 3.2 Data Flow Diagram Level 0 Masukan dari proses deteksi tepi yang terlihat pada gambar 3.2 berupa citra dokumen yang diberikan kepada pengguna kepada sistem akan diproses dengan sistem deteksi tepi dan pengujiannya. Dan sebagai hasil keluarannya akan diperoleh citra-citra karakter. 2. Data Flow Diagram Level 1 User citra dokumen 1 citra hasil deteksi tepi 2 Deteksi Tepi Segmentasi citra-citra karakter Gambar 3.3 Data Flow Diagram Level 1 Secara garis besar desain proses deteksi tepi disajikan dalam Gambar 3.3. Masukan berupa citra dokumen yang diberikan pengguna

51 33 kemudian akan diproses dengan deteksi tepi dan keluarannya akan diproses dengan sistem segmentasi, dan hasil keluaran akhir akan diperoleh citra karakter penyusun citra dokumen yang menjadi masukan. 3. Flowchart Proses Deteksi Tepi Proses deteksi tepi pada citra dokumen dengan menggunakan operator sobel seperti terlihat dalam gambar 3.4, secara keseluruhan sebagai berikut : Input Output : citra dokumen : citra hasil deteksi tepi. Algoritma : a. Set N = tinggi citra, M = lebar citra b. Inisialisasikan mask Sx dan Sy. c. Set tinggi = 2 d. Jika tinggi kurang dari tinggi matriks 1, maka set lebar = 2, dan lakukan langkah (e). Jika tidak, lakukan penjumlahan absolut hasil konvolusi citra dengan mask sobel, dan kemudian lakukan thinning dengan metode morfologi. Selesai, dan menampilkan citra hasil deteksi tepi. e. Jika lebar kurang dari lebar matriks 1, maka lakukan konvolusi citra terhadap masing-masing mask sobel, dan set lebar + 1. Jika tidak, set tinggi + 1 dan kembali ke langkah (d).

52 34 Mulai citra = imread( citra.jpg ); citra_bw = im2bw(citra); [N,M] = size(citra_bw); Sx = [ ; ; ]; Sy = [ 1 2 1; 0 0 0; ]; konvolusix = zeros(size(citra_bw)); konvolusiy = zeros(size(citra_bw)); tinggi = 2; tinggi <= N-1 Tidak Ya lebar = 2 tinggi + 1 Tidak lebar <= M-1 Ya konvolusix(tinggi, lebar) = (Sx(1,1) * citra_bw(tinggi-1, lebar-1)) + (Sx(2,1) * citra_bw(tinggi, lebar-1)) + (Sx(3,1) * citra_bw(tinggi+1, lebar-1)) + (Sx(1,2) * citra_bw(tinggi-1, lebar)) + (Sx(2,2) * citra_bw(tinggi, lebar)) + (Sx(3,2) * citra_bw(tinggi+1, lebar)) + (Sx(1,3) * citra_bw(tinggi-1, lebar+1)) + (Sx(2,3) * citra_bw(tinggi, lebar+1)) + (Sx(3,3) * citra_bw(tinggi+1, lebar+1)); konvolusiy(tinggi, lebar) = (Sy(1,1) * citra(tinggi-1,lebar-1)) + (Sy(1,2) * citra(tinggi-1,lebar)) + (Sy(1,3) * citra(tinggi-1,lebar+1)) + (Sy(2,1) * citra(tinggi,lebar-1)) + (Sy(2,2) * citra(tinggi,lebar)) + (Sy(2,3) * citra(tinggi,lebar+1)) + (Sy(3,1) * citra(tinggi+1,lebar-1)) + (Sy(3,2) * citra(tinggi+1,lebar)) + (Sy(3,3) * citra(tinggi+1,lebar+1)) ; citrakonvolusi = abs(konvolusix) + abs(konvolusiy); citrahasil = bwmorph(citrakonvolusi,'thin',inf); lebar + 1 Selesai Gambar 3.4 Flowchart Proses Deteksi Tepi

53 35 Dalam deteksi tepi dengan operator sobel dilakukan proses thinning. Proses thinning dilakukan karena deteksi tepi seringkali mengakibatkan garis pada gambar output menjadi lebar beberapa piksel karena efek smoothing dari operator sobel. Maka proses thinning diperlukan untuk membantu memperkecil piksel tersebut (Fisher,2003). 4. Diagram Alir Proses Segmentasi Proses proyeksi vertikal akan menghitung nilai dari profil vertikal citra masukan dengan rumus 2.5. Nilai profil vertikal kemudian dipergunakan dalam proses cari indeks baris untuk menemukan indeks-indeks baris yang akan menjadi acuan untuk memotong citra masukan menjadi baris-baris karakter citra pada proses potong baris. Dari proses potong baris akan diperoleh barisbaris citra karakter yang akan disimpan dalam suatu file dan akan dikirim ke setiap kolom pada citra masukan dengan mempergunakan rumus 2.6. Nilai profil horisontal kemudian dipergunakan dalam proses cari indeks kolom untuk menemukan indeks-indeks kolom setiap baris data yang akan menjadi acuan untuk memotong citra masukan menjadi citra karakter yang pada proses potong karakter. Hasil akhir dari keseluruhan proses segmentasi adalah citra karakter penyusun citra masukan yang akan disimpan dalam sebuah file.

54 36 citra dokumen 2.1 Proyeksi vertikal histogram vertikal 2.2 Cari indeks baris indeks baris File indeks baris citra dokumen 2.3 Potong baris indeks baris File citra-citra baris citra-citra baris 2.4 Proyeksi horisontal citra-citra baris citra-citra baris citra-citra karakter citra-citra baris 2.5 Cari indeks kolom indeks kolom File indeks kolom File citra-citra karakter citra-citra karakter 2.6 Potong karakter indeks kolom Gambar 3.5 Diagram Alir Proses Segmentasi (Widiarti, 2007) D. Rancangan Pengujian Pada penelitian ini akan dilakukan pengujian tingkat keberhasilan deteksi tepi menggunakan operator sobel yang diterapkan pada citra beraksara Jawa. Dalam pengujian ini, citra hasil keluaran akan dianalisis menggunakan 2 cara, yakni :

55 37 1. Pengamatan visual / kasat mata terhadap citra-citra karakter aksara Jawa yang dihasilkan dari proses segmentasi melalui deteksi tepi dengan membandingkan citra-citra karakter aksara Jawa yang dihasilkan dari proses segmentasi tanpa melalui deteksi tepi. 2. Akan dilakukan pengamatan secara visual atau kasat mata dari hasil segmentasi menggunakan profil proyeksi dengan adanya deteksi tepi dengan menggunakan 2 buah operator yang berbeda, yakni operator sobel, dan operator canny dan juga operator sobel yang tersedia dalam toolbox MATLAB. Operator canny dipilih sebagai pembanding karena berdasarkan hasil uji coba, metode deteksi tepi dengan operator canny merupakan metode deteksi yang paling akurat (Agushinta,-).

56 BAB IV IMPLEMENTASI Pada bab ini berisi mengenai implementasi deteksi tepi menggunakan operator sobel pada citra aksara jawa yang kemudian digunakan untuk membantu proses segmentasi. Implementasi proses-proses dalam diagram aliran data dalam tahap perancangan sistem dinyatakan dengan menggunakan bahasa pemrograman MATLAB versi (R2009a). A. Implementasi Program Implementasi program dalam tugas akhir ini, direpresentasikan dalam bahasa pemrograman MATLAB. 1. Implementasi Deteksi Tepi Operator Sobel Berikut ini, deteksi tepi dengan operator sobel yang dituliskan dalam bahasa pemrograman MATLAB : function citrahasil = deteksitepi(citra) citra_bw = im2bw(citra); [N,M] = size(citra_bw); Sx= [ ]; Sy= [ ]; konvolusix=zeros(size(citra_bw)); konvolusiy=zeros(size(citra_bw)); 38