LAPORAN TUGAS AKHIR. Disusun oleh: Nama : Mazid Kamal Nim : A Program Studi : Tekhnik Informatika FAKULTAS ILMU KOMPUTER

Transkripsi

1 LAPORAN TUGAS AKHIR SEGMENTASI CITRA DAUN TEMBAKAU BERBASIS DETEKSI TEPI MENGGUNAKAN ALGORITMA CANNY Laporan ini disusun guna memenuhi salah satu syarat untuk menyelesaikan program studi Teknik Informatika S-1 pada Fakultas Ilmu Komputer Universitas Dian Nuswantoro Disusun oleh: Nama : Mazid Kamal Nim : A Program Studi : Tekhnik Informatika FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO SEMARANG 2013 i

2 PERSETUJUAN LAPORAN TUGAS AKHIR Nama Pelaksana NIM Program Studi Fakultas Judul Tugas Akhir : Mazid Kamal : A : Teknik Informatika : Ilmu Komputer : Segmentasi Citra Daun Tembakau Berbasis Deteksi Tepi Menggunakan Algoritma Canny Tugas Akhir ini telah diperiksa dan disetujui, Semarang, 22 Juli 2013 Menyetujui, Pembimbing Mengetahui, Dekan Fakultas Ilmu Komputer Ruri Suko Basuki, M.Kom Dr Drs Abdul Syukur, MM ii

3 PENGESAHAN DEWAN PENGUJI Nama Pelaksana NIM Program Studi Fakultas Judul Tugas Akhir : Mazid Kamal : A : Teknik Informatika : Ilmu Komputer : Segmentasi Citra Daun Tembakau Berbasis Deteksi Tepi Menggunakan Algoritma Canny Tugas Akhir ini telah diujikan dan dipertahankan dihadapan Dewan Penguji pada Sidang tugas Akhir tanggal 19 Juli Menurut pandangan kami, tugas akhir ini memadai dari segi kualitas maupun kuantitas untuk tujuan penganugrahan gelar Sarjana Komputer (S.Kom.) Semarang, 22 Juli 2013 Dewan Penguji : Aris Nurhindarto, M.Kom Anggota I Erna Zuni Astuti, Dra, M.Kom Anggota II Ketua Penguji Solichul Huda, M.Kom iii

4 PERNYATAAN KEASLIAN TUGAS AKHIR Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan dibawah ini, saya : Nama : Mazid Kamal NIM : A Menyatakan bahwa karya ilmiah saya yang berjudul : SEGMENTASI CITRA DAUN TEMBAKAU BERBASIS DETEKSI TEPI MENGGUNAKAN ALGORITMA CANNY merupakan karya asli saya (kecuali cuplikan dan ringkasan masing masing telah saya jelaskan sumbernya dan perangkat pendukung seperti web cam dll). Apabila di kemudian hari, karya saya disinyalir bukan merupakan karya asli saya, yang disertasi dengan bukti-bukti yang cukup, maka saya bersedia untuk dibatalkan gelar saya beserta hak dan kewajiban yang melekat pada gelar tersebut. Demikian surat pernyataan ini saya buat dengan sebenarnya. Dibuat di : Semarang Pada tanggal : 22 Juli 2013 Yang menyatakan ( Mazid Kamal) iv

5 PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan dibawah ini, saya : Nama : Mazid Kamal NIM : A demi mengembangkan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Dian Nuswantoro Hak Bebas Royalti Non-Eksklusif (Non-exclusive Royalti-Free Right) atas karya ilmiah saya yang berjudul : SEGMENTASI CITRA DAUN TEMBAKAU BERBASIS DETEKSI TEPI MENGGUNAKAN ALGORITMA CANNY beserta perangkat yang diperlukan (bila ada). Dengan Hak Bebas Royalti Non- Ekslusif ini Universitas Dian Nuswantoro berhak untuk menyimpan, mengcopy ulang (memperbanyak), menggunakan, mengelolanya dalam bentuk pangkalan data (database), mendistribusikannya dan menampilkan/ mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya selama tetap mencantumkan nama saya sebagai penulis/pencipta. Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak Universitas Dian Nuswantoro, segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah saya ini. Demikian surat pernyataan ini saya buat dengan sebenarnya. Dibuat di : Semarang Pada tanggal : 22 Juli 2013 Yang menyatakan (Mazid Kamal) v

6 UCAPAN TERIMA KASIH Dengan memanjatkan puji syukur kehadirat Allah SWT. Tuhan Yang Maha Pengasih dan Maha Penyayang yang telah melimpahkan segala rahmat, hidayah- Nya kepada penulis sehingga laporan tugas akhir dengan judul SEGMENTASI CITRA DAUN TEMBAKAU BERBASIS DETEKSI TEPI MENGGUNAKAN ALGORITMA CANNY dapat penulis selesaikan, karena dukungan dari berbagai pihak yang tidak ternilai besarnya. Oleh karena itu penulis menyampaikan terimakasih kepada : 1. Dr. Ir. Edi Noersasongko, M.Kom selaku Rektor Dian Nuswantoro 2. Dr Drs Abdul Syukur, MM, selaku Dekan Fasilkom. 3. Dr. Heru Agus Santoso,M.Kom, selaku Ka.Progdi Teknik Informatika. 4. Ruri Suko Basuki, M.Kom, selaku pembimbing tugas akhir yang memberikan ide penelitian, memberikan informasi referensi yang penulis butuhkan dan bimbingan yang berkaitan dengan penelitian penulis. 5. Dosen-dosen pengampu Teknik Informatika di Fakultas Ilmu Komputer Universitas Dian Nuswantoro, yang telah memberikan ilmu dan pengalamannya, sehingga penulis dapat mengimplementasikan ilmunya. 6. Orang tua, keluarga, dan yang tersayang Nanda Fitria yang telah memberi dorongan semangat, hingga dapat menyelesaikan tugas akhir ini. Semoga Tuhan yang Maha Esa memberikan balasan yang lebih besar kepada beliau-beliau, dan pada akhirnya penulis berharap bahwa penulisan laporan tugas akhir ini dapat bermanfaat dan berguna sebagaimana fungsinya. Semarang, Juli 2013 Penulis vi

7 ABSTRAK Kualitas tembakau memiliki peranan penting dalam menentukan kualitas produksi rokok. Tembakau yang terdiri dari berbagai kelas atau grade merupakan bahan baku yang dicampurkan untuk membuat rokok sigaret. Pengklasifikasian daun tembakau dilakukan oleh seorang grader yang bertugas mengukur dan menganalisa kualitas tembakau agar dapat dikelompokkan menjadi grade tertentu. tetapi human characteristic seorang grader seringkali melakukan kesalahan yang diakibatkan karena kelelahan, keadaan emosi, penglihatan maupun pencahayaan. Karena faktor tersebut maka dilakukan segmentasi citra daun tembakau berbasis deteksi tepi menggunakan metode Canny. Citra daun tembakau awalnya dilakukan pre-processing dengan melakukan segmentasi citra untuk mendapatkan tepi tulang daun. selanjutnya akan di ektraksi fiturnya untuk dikenali berdasarkan ukuran, bentuk dan teksture yang akan diklasifikasi dan dibuat aplikasi untuk menentukan grade daun tembakau. Pengklasifikasian grade pada umumnya dimulai dari proses akuisisi data, preprocessing dan post-processing. Deteksi tepi canny dapat mendeteksi tepian yang sebenarnya dengan tingkat kesalahan minimum, sehingga menghasilkan citra tepian yang optimal. Kata kunci : citra daun tembakau, grader, segmentasi, deteksi tepi, canny. xii + 91 halaman; 26 gambar; 13 tabel; 2 lampiran Daftar acuan : 20 ( ) vii

8 viii DAFTAR ISI Halaman Halaman Sampul Dalam... i Halaman Persetujuan... ii Halaman Pengesahan... iii Halaman Pernyataan Keaslian Tugas Akhir... iv Halaman Pernyataan Persetujuan Publikasi... v Halaman Ucapan Terimakasih... vi Halaman Abstrak... vii Halaman Daftar Isi... viii Halaman Daftar Tabel... x Halaman Daftar Gambar... xi Halaman Daftar Lampiran... xii BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian BAB II TINJAUAN PUSTAKA Tembakau Citra Digital Pengolahan Citra Digital Segmentasi Citra Edge Detection Konvolusi Deteksi Tepi Canny BAB III METODE PENELITIAN Tempat dan Waktu Penelitian Alat dan Bahan yang Digunakan Sumber Data Data Primer Data Sekunder Diagram Alur Penelitian Teknik Analisis Data BAB IV HASIL PENELITIAN DAN EVALUASI Akuisisi Data Pemisahan Background Konversi Grayscale... 34

9 4.4 Gaussian Filter Deteksi Tepi Sobel Menghitung Arah Tepian (theta / θ) Non-Maximum Suppression Hysteresis Thresholding Tahap Evaluasi Mean Squared Error (MSE) Waktu Proses BAB V PENUTUP Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN LAMPIRAN ix

10 DAFTAR TABEL Halaman Tabel 4.1 : Tabel Data Citra Daun Tembakau Tabel 4.2 : Kernel Gaussian Tabel 4.3 : Konvolusi Kernel Gaussian Dengan Matrik Image Grayscale Tabel 4.4 : Matrix Image Tembakau Setelah Gaussian Filter Tabel 4.5 : Matrix 10 x 10 Tembakau Setelah Gaussian Filter Tabel 4.6 : Tabel Perhitungan Gradient Sobel Tabel 4.7 : Matrix 10 x 10 Tembakau Setelah Deteksi Tepi Sobel Tabel 4.8 : Image Hasil Tembakau Setelah Deteksi Tepi Sobel Tabel 4.9 : Hasil Perhitungan Arah Tepian Tabel 4.10 : Hasil Penentuan Sudut dari Perhitungan Arctangen Tabel 4.11 : Tabel Hasil Deteksi Tepi Canny Tabel 4.12 : Tabel Nilai MSE Tabel 4.13 : Tabel Waktu Proses Deteksi Tepi x

11 DAFTAR GAMBAR Halaman Gambar 2.1 : Tanaman Tembakau... 6 Gambar 2.2 : Citra Biner... 7 Gambar 2.3 : Representasi Citra Biner... 7 Gambar 2.4 : Citra Grayscale (abu-abu)... 8 Gambar 2.5 : Citra Berwarna... 9 Gambar 2.6 : Proses Pengolahan Citra... 9 Gambar 2.7 : Tepian Step Gambar 2.8 : Tepian Ramp Gambar 2.9 : Tepian Line Gambar 2.10 : Tepian Step-Line Gambar 2.11 : Ilustrasi Konvolusi Gambar 2.12 : Deteksi Tepi Canny (a) Citra Awal (b) Citra Hasil Gambar 2.13 : Proses Pengambilan Citra Daun Tembakau Gambar 2.14 : Diagram Proses Segmentasi Citra Daun Tembakau Gambar 2.15 : Proses Pengambilan Gambar Daun Tembakau Gambar 2.16 : Diagram Alir Proses Pemisahan Background Gambar 2.17 : Image Sebelum (a,c) dan Sesudah (b,d) Proses Pemisahan Gambar 2.18 : Image Tembakau Setelah Grayscale Beserta Matrik Gambar 2.19 : Image Tembakau Setelah Gaussian Filter Beserta Pixelnya Gambar 2.20 : Diagram Alir Proses Deteksi Tepi Sobel Gambar 2.21 : Pembagian Sudut Gradien Penentu Arah Gambar 2.22 : Image Setelah Proses Non-maximum Supression Gambar 2.23 : Image Setelah proses Hysteresis thresholding dan Hasil Canny 51 Gambar 2.24 : Diagram Alir Proses Deteksi Tepi Canny Gambar 2.25 : Pengukuran Nilai MSE Gambar 2.26 : Rata-rata Waktu Proses Deteksi Tepi Canny xi

12 DAFTAR LAMPIRAN Halaman Lampiran Lampiran xii

13 BAB I PENDAHULUAN 1.1 Latar Belakang Tembakau merupakan salah satu komoditas perdagangan penting di dunia termasuk Indonesia. Produk utama yang diperdagangkan adalah daun tembakau dan rokok yang merupakan produk bernilai tinggi dan berperan dalam perekonomian nasional, yaitu salah satu sumber devisa, sumber penerimaan pemerintah dan pajak (cukai), sumber pendapatan petani dan lapangan kerja masyarakat (usaha tani dan pengelolahan rokok) [1]. Tembakau lokal yang dibudidayakan oleh rakyat maupun perkebunan perusahaan rokok di indonesia digolongkan menjadi 5 jenis yaitu [2] ; 1). Tembakau Cerutu, 2). Tembakau Pipa, 3). Tembakau Sigaret, 4). Tembakau Asli / Rejangan, dan 5). Tembakau Asepan. Di Indonesia, Tembakau banyak di produksi dan digunakan oleh perusahaan rokok yang sebagian besar adalah produsen rokok sigaret. Oleh karena itu, kualitas tembakau menjadi faktor utama dalam pembuatan jenis rokok sigaret. Tembakau terdiri dari berbagai kelas atau grade. Pengklasifikasian kelas ini merupakan aspek penting untuk menunjang stabilnya kualitas dan citarasa rokok sigaret yang akan dihasilkan sebelum proses produksi. Pengklasifikasian daun tembakau dilakukan oleh seorang ahli tembakau yang biasa disebut grader yang bertugas mengukur dan menganalisa kualitas tembakau agar dapat dikelompokkan menjadi grade tertentu. Kemampuan penciuman dan penglihatan grader yang tajam merupakan salah satu human characteristis yang dimilikinya, namun sifat manusiawi (seperti emosi, kelelahan, dll) yang dimilikinya juga dapat mempengaruhi kualitas pengklasifikasian[3], yang mana dapat mengakibatkan efisiensi pengklasifikasian dan stabilitas grade tembakau tidak dapat dicapai. Secara konvensional, pengklasifikasian kualitas grade tembakau dapat dilakukan 1

14 2 dengan dua faktor pendekatan, yaitu faktor internal dan eksternal [4]. Faktor internal yaitu human sensory (lebih pada penciuman), pengujian dengan test merokok, analisis kimia. Sedangkan faktor eksternal yaitu penglihatan grader yang dimana penentuannya didasarkan dari warna, kematangan, tekstur dari permukaan, ukuran dan bentuk dari daun tembakau. Dalam penelitian ini, faktor eksternal akan kami gunakan untuk mengklasifikasikan grade tembakau dengan mengkombinasikan dengan teknologi pengolahan citra. Tahapan untuk melakukan pengklasifikasian grade dimulai dari proses akuisisi data, pre-processing dan post processing. Deteksi tepi yang merupakan salah satu tekhnik pre-processing dalam pengolahan citra dibutuhkan untuk analisis citra daun. Proses tersebut bertujuan untuk meningkatkan penampakan garis pada citra sehingga prosesnya mempunyai sifat differensiasi atau memperkuat komponen frekuensi tinggi. Dengan adanya tepi, dapat dikenali bentuk dasar suatu objek. Dalam pendeteksian tepi terdapat beberapa teknik yang dipakai. Masingmasing teknik memiliki tingkat akurasi yang disesuaikan dengan algoritma yang digunakan. Dalam tugas akhir ini akan diterapkan teknik pendeteksian tepi daun tembakau dalam proses pre-processing dengan menggunakan algoritma Canny. 1.2 Rumusan Masalah Berawal dari uraian di atas, permasalahan penelitian dapat dirumuskan sebagai berikut : 1. Gambar citra daun tembakau asli hasil aquisi belum dapat digunakan langsung untuk keperluan proses klasifikasi. 2. Proses segmentasi diperlukan untuk mempersiapkan data agar proses klasifikasi dapat tercapai akurasinya secara keseluruhan. 3. Untuk melakukan separasi daun tembakau digunakan deteksi tepi Canny sehingga ditentukan bentuk daun tembakau.

15 3 1.3 Batasan Masalah Dengan tujuan penelitan ini fokus pada permasalahan, maka permasalahan penelitian dibatasi pada : 1. Citra yang akan diproses segmentasi adalah citra hasil pemotretan daun tembakau yang sudah diubah menjadi bentuk citra digital. 2. Metode deteksi tepi yang digunakan adalah metode Canny untuk menseparasi citra daun tembakau dari citra keseluruhan sehingga dapat ditentukan bentuknya 3. Pengembangan perangkat lunak dibuat dengan menggunakan MATLAB. 1.4 Tujuan Penelitian Berdasarkan perumusan masalah dan pembatasan masalah, maka dapat dideskripsikan tujuan dari penulisan skripsi yaitu : 1. Melakukan pre-processing citra asli daun tembakau yang akan digunakan untuk proses pengklasifikasian. 2. Pre-processing dilakukan dengan cara segmentasi citra daun tembakau agar diketahui bentuk dan daun tembakau yang sebenarnya. 3. Proses segmentasi dilakukan dengan metode deteksi tepi Canny. 1.5 Manfaat Penelitian Manfaat yang di peroleh dengan tercapainya tujuan penelitian ini adalah sebagai berikut : 1. Bagi penulis a) Memberikan kesempatan kepada Mahasiswa untuk melakukan penelitian mengenai segmentasi daun tembakau.

16 4 b) Menambah wawasan dengan belajar berinteraksi dengan lingkungan penelitian sehingga melatih keterampilan dalam melakukan penelitian. c) Memenuhi persyaratan kelulusan untuk menyelesaikan pendidikan pada jenjang Strata 1 ( S1 ) pada Universitas Dian Nuswantoro Semarang. 2. Bagi Universitas Dian Nuswanto a) Sebagai tambahan informasi yang berhubungan dengan pengolahan citra, yang dapat digunakan sebagai bahan literature, referensi dan pustaka dalam penelitian bagi mahasiswa lain mengenai masalah dan metode yang sama. b) Sebagai acuan pihak akademik, untuk mengukur keahlian mahasiswa selama mengikuti mata kuliah yang diberikan selama ini, sehingga dapat mengevaluasi sistem pendidikan yang sedang atau telah berjalan. 3. Bagi petani tembakau a) Adanya penelitian tentang segmentasi daun tembakau bermanfaat untuk peningkatan pengatahuan dalam upaya untuk mengahasilkan panen yang meningkat. b) Merupakan perwujudan nyata dalam pengabdian mahasiswa kepada masyarakat khusunya petani tembakau.

17 BAB II TINJAUAN PUSTAKA 2.1 Tembakau Tembakau merupakan salah satu komoditas perkebunan penting di Indonesia yang berasal dari Amerika Selatan. Tanaman ini ditemukan di Indonesia sekitar abad ke-16 yang dibawa oleh bangsa Portugis dan Spanyol. Pertama kali tanaman tembakau di tanam di pulau Jawa tahun 1609, kemudian mulai menyebar ke pulau-pulau lainnya[5]. Di indonesia, hanya terdapat di daerah-daerah tertentu saja yang memiliki kualitas tembakau yang baik dan komersial. Lokasi penanaman dan pengolahan pasca panen sangat menentukan hasil kualitas tembakau tersebut.. Berikut adalah jenis-jenis tembakau berdasarkan tempat penghasilnya[6]; 1. Tembakau Deli, penghasil tembakau cerutu. 2. Tembakau Temanggung, penghasil tembakau rajangan untuk sigaret. 3. Tembakau Vorstenlanden (Yogya-Klaten-Solo), penghasil tembakau untuk cerutu. 4. Tembakau Besuki, penghasil tembakau srintil untuk sigaret. 5. Tembakau Madura, penghasil tembakau untuk sigaret. 6. Tembakau Jember, penghasil tembakau kasturi untuk sigaret. 7. Tembakau Bojonegoro, penghasil tembakau sigaret. 8. Tembakau Lombok Timur, penghasil tembakau untuk sigaret. Tanaman tembakau memiliki letak-letak daun yang menunjukkan grade atau kelas daun tembakau [7]. Daun yang terbaik berada di bagian atas pohon atau daun muda. Daun paling bawah atau biasa disebut daun tanah atau daun koseran atau flying (X) adalah daun dengan grade kelas C. Daun kaki atau lug atau cutter (C) adalah daun dengan grade kelas B. Daun dengan grade kelas A yaitu kelas terbaik ada di 2 posisi yaitu posisi daun tengah atau leaf (B) dan posisi daun pucuk atau tips (T). 5

18 6 Daun tembakau memiliki 4 warna utama yaitu kekuningan (L), coklat (F), merah (R) dan kehijauan (V). Setiap grade daun tembakau masih dibedakan lagi melalui tingkatan kualitas dengan nilai paling baik adalah 1 sampai nilai 5 yaitu kualitas kurang yang didasarkan dari keseragaman warna pada seluruh daun, ukuran, bentuk, dan tekstur permukaannya. Berikut adalah gambar tanaman tembakau dan pembagian tiap-tiap grade atau kelasnya: Gambar 2.1: Tanaman Tembakau Tembakau sebagai bahan baku rokok ini memerlukan proses pemetikan daun yang benar dan tepat, baik tepat waktu, cara dan kriteria kematangan daun yang dipanen. Tembakau memiliki daun sebanyak 26 sampai 32 helai. Pemilihan daun tembakau yang baik atau sempurna bisa dilakukan melalui tes aroma, kematangan berdasarkan warna, kesempurnaan bentuk dan teksturnya[8]. Dalam penelitian ini pemilihan daun tembakau difokuskan pada bentuk daunnya. Sebelum ekstraksi fitur bentuk, data mengenai tepi daun tembakau harus diperoleh terlebih dahulu. Penelitian tentang deteksi tepi sangat popular dalam computer vision. Beberapa deteksi tepi yang telah dikembangkan yaitu operator Sobel, operator Prewitt, operator Robert, operator Canny, dan lainlain. Di dalam penelitian ini lebih ditekankan pada penggunakan operator

19 7 Canny dimana operator tersebut memberikan hasil yang lebih baik, karena dengan operator Canny dihasilkan dari jarak yang minimum antara tepi yang dideteksi dengan tepi yang asli, sekaligus juga memberikan fleksibilitas yang sangat tinggi dalam hal menentukan tingkat deteksi ketebalan tepi sesuai yang diinginkan[9]. 2.2 Citra Digital Citra (image) adalah gambar pada bidang dua dimensi. Dalam tinjauan matematis, citra merupakan fungsi kontinu dari intensitas cahaya pada bidang dua dimensi. Ketika sumber cahaya menerangi objek, objek memantulkan kembali sebagian cahaya tersebut. Pantulan ini ditangkap oleh alat-alat pengindera optik, misalnya mata manusia, kamera, scanner dan sebagainya. Bayangan objek tersebut akan terekam sesuai intensitas pantulan cahaya. Ketika alat optik yang merekam pantulan cahaya itu merupakan mesin digital, misalnya kamera digital, maka citra yang dihasilkan merupakan citra digital. Pada citra digital, kontinuitas intensitas cahaya dikuantisasi sesuai resolusi alat perekam[10]. Berdasarkan warna-warna penyusunnya, citra digital dapat dibagi menjadi tiga macam yaitu [11]: a. Citra biner, yaitu citra yang hanya terdiri atas dua warna, yaitu hitam dan putih. Oleh karena itu, setiap pixel pada citra biner cukup direpresentasikan dengan 1 bit. Gambar 2.2: Citra Biner Gambar 2.3: Representasi Citra Biner

20 8 b. Citra grayscale, yaitu citra yang nilai pixel-nya merepresentasikan derajat keabuan atau intensitas warna putih. Nilai intensitas paling rendah merepresentasikan warna hitam dan nilai intensitas paling tinggi merepresentasikan warna putih. Pada umumnya citra grayscale memiliki kedalaman pixel 8 bit (256 derajat keabuan), tetapi ada juga citra grayscale yang kedalaman pixel-nya bukan 8 bit, misalnya 16 bit untuk penggunaan yang memerlukan ketelitian tinggi. Gambar 2.4: Citra Grayscale (abu-abu) c. Citra berwarna, yaitu citra yang nilai pixel-nya merepresentasikan warna tertentu banyaknya warna yang mungkin digunakan bergantung kepada kedalaman pixel citra yang bersangkutan. Citra berwarna direpresentasikan dalam beberapa kanal (channel) yang menyatakan komponen-komponen warna penyusunnya. Banyaknya kanal yang digunakan bergantung pada model warna yang digunakan pada citra tersebut.

21 9 Gambar 2.5: Citra Berwarna 2.3 Pengolahan Citra Digital Pengolahan citra digital merupakan proses yang bertujuan untuk memanipulasi dan menganalisis citra dengan bantuan komputer. Pengolahan citra digital dapat dikelompokkan dalam dua jenis kegiatan: 1. Memperbaiki kualitas suatu gambar, sehingga dapat lebih mudah diinterpretasi oleh mata manusia. 2. Mengolah informasi yang terdapat pada suatu gambar untuk keperluan pengenalan objek secara otomatis. Citra Asli Proses pengolahan citra Gambar 2.6 : Proses Pengolahan Citra Enhance Citra Umumnya operasi-operasi pada pengolahan citra diterapkan pada citra bila [13] : 1. Perbaikan atau modifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau menonjolkan beberapa aspek informasi yang terkandung didalam citra. 2. Elemen di dalam citra perlu dikelompokkan. Dicocokkan atau diukur. 3. Sebagai citra perlu digabung dengan bagian citra lain Elemen- elemen citra digital

22 10 Berikut adalah elemen-elemen yang terdapat pada citra digital: 1. Kecerahan (brightness) Kecerahan (brightness) merupakan intensitas cahaya yang dipacanrkan piksel dari citra yang dapat ditangkap oleh sistem penglihatan. Kecerahan pada sebuah titik (piksel) di dalam citra merupakan intensitas rata-rata dari suatu area yang melingkupinya. 2. Kontras (contrast) Kontras (contrast) menyatakan sebaran terang dan gelap dalam sebuah citra yang baik, komposisi gelap dan terang tersebar secara merata. 3. Kontur (contour) Kontur (contour) adalah keadaan yang ditimbulkan oleh perubahan intensitas pada piksel-piksel yang bertetangga. Karena adanya perubahan intensitas inilah mata mampu mendeteksi tepi-tepi objek di dalam citra. 4. Warna Warna sebagai persepsi yang ditangkap sistem visual terhadap panjang gelombang cahaya yang dipantulkan oleh objek. 5. Bentuk (shape) Bentuk (shape) adalah properti interistik dari obyek 3 dimensi, dengan pengertian bahwa bentuk merupakan properti intrinsik utama untuk sistem visual manusia. 6. Tekstur (texture) Tekstur (texture) dicirikan sebagai distibusi spasial dari derajat keabuan di dalam sekumpulan piksel-piksel yang bertetangga. Tekstur adalah keteraturan pola-pola tertentu yang terbentuk dari susunan piksel-piksel dalam citra digital. Informasi tekstur dapat digunakan untuk membedakan sifat-sifat permukaan suatu benda dalam citra yang berhubungan dengan kasar dan halus, juga sifat-sifat spesifik dari kekasaran dan kehalusan permukaan tadi, yang sama sekali terlepas dari warna permukaan tersebut.

23 Segmentasi Citra Segmentasi merupakan tahapan pada proses analisis citra yang bertujuan untuk memperoleh informasi yang ada dalam citra tersebut dengan membagi ke dalam daerah daerah terpisah dimana setiap daerah adalah homogen dan mengacu pada sebuah kriteria keseragaman yang jelas dan harus tepat agar informasi yang terkandung didalamnya dapat diterjemahkan dengan baik. Segmentasi harus diberhentikan apabila masing-masing obyek telah terisolasi atau terlihat dengan jelas. Tingkat keakurasiannya tergantung pada tingkat keberhasilan prosedur analisis yang dilakukan dan diharapkan proses segmentasi memiliki tingkat keakuratan yang tinggi[13]. Algoritma dari segmentasi citra terbagi dalam dua macam, yaitu[12] : 1. Diskontinuitias Pembagian citra berdasarkan perbedaan dalam intensitasnya, contoh titik, garis, dan edge (tepi) 2. Similaritas Pembagian citra berdasarkan kesamaan kesamaan kriteria yang dimilikinya, contohnya thresholding,region growing, region splitting, dan region merging Edge detection Tepian dari suatu citra mengandung informasi penting dari citra bersangkutan. Tepian citra dapat merepresentasikan obyek-obyek yang terkandung dalam citra tersebut, bentuk, dan ukurannya serta posisi dimana intensitas pixel dari citra berubah dari nilai rendah ke nilai tinggi atau sebaliknya. Deteksi tepi umumnya adalah langkah awal melakukan segmentasi citra [13] Edge, Line, dan Point Detection Arah dari tepian citra bermacam- macam. Ada yang lurus dan ada yang seperti kurva. Terdapat berbagai metode deteksi

24 12 tepi yang dapat digunakan untuk mendeteksi berbagai macam jenis tepian. Setiap teknik memiliki keunggulan masingmasing. Satu teknik deteksi tepi mungkin dapat bekerja sangat baikdalm suatu aplikasi tertentu namun sebaliknya belum tentu dapat bekerja secara maksimal dalam aplikasi lainnya. Tepian citra dapat dilihat melalui perubahan intesitas pixel pada suatu area. Berdasarkan perbedaan perubahan intensitas tersebut, tepian dapat dibagi menjadi 4 jenis, antara lain sebagai berikut [13]: a. Step Tepian jenis step merupakan tepian citra yang terbentuk dari perubahan intensitas citra secara signifikan dari tinggi ke rendah ataupun sebaliknya. Tepian step dapat digambarkan seperti berikut ini. Gambar 2.7 : Tepian Step b. Ramp Tepian jenis ini terbentuk dari perubahan intensitas citra secara perlahan. Perubahan secara perlahan dapat dilihat pada bentuk kurva yang semakin tinggi dengan perubahan kontinu. Tepian ramp dapat dilihat pada gambar berikut.

25 13 Gambar 2.8 : Tepian Ramp c. Line Tepian jenis ini ditandai dengan perubahan intensitas secara drastis dari intensitas rendah-tinggi-rendah atau sebaliknya. Tepian line dapat ditunjukan pada gambar berikut. Gambar 2.9 : Tepian Line d. Step line Tepian step line merupakan gabungan dari tepian jenis step dan line. Tepian jenis ini ditandai dengan peningkatan intensitas yang tajam dalam interval tertentu dan kemudian ditandai dengan penurunan yang tidak signifikan, sehingga perubahan intensitas selanjutnya berlangsung stabil. Tepian step-line dapat ditunjukkan pada gambar berikut. Gambar 2.10 : Tepian step-line

26 Deteksi Tepi Berdasarkan Turunan Pertama Terdapat berbagai operator deteksi tepi yang telah dikembangkan berdasarkan turunan pertama (first order derivative), di antaranya operator Robert, operator Sobel, operator Prewitt, operator Krisch, dan operator Canny. Konsep dasar dari perhitungan deteksi tepi menggunakan turunan pertama adalah dengan memanfaatkan perbedaan nilai suatu pixel dengan pixel tetangganya seperti persamaan berikut ini [13]. delta_y = f(x,y) f(x,y+1) delta_x = f(x,y) f(x-1,y) delta_y menyatakan perbedaan nilai pixel dalam arah y, sedangkan delta_x menyatakan perbedaan nilai pixel dalam arah x. Dalam proses konvolusi, delta_y diwakili dengan matrik 2 x 1 seperti berikut. 1 1 berikut. Sedangkan delta_x diwakili dengan matrik 1 x delta_y dan delta_x dapat digunakan untuk menghitung nilai gradien sebagai berikut. Gradient = tan -1 delt a y delt a x

27 Konvolusi Konvolusi adalah salah satu proses filtering image yang sering dilakukan pada proses pengolahan gambar. Pada MATLAB terdapat banyak sekali cara yang dapat dilakukan untuk melakukan proses konvolusi. Proses konvolusi dilakukan dengan menggunakan matriks yang biasa disebut mask yaitu matriks yang berjalan sepanjang proses dan digunakan untuk menghitung nilai representasi lokal dari beberapa piksel pada image[13]. a) Konvolusi 2 fungsi f(x) dan g(x): f (x) * g (x) = b) Fungsi Diskrit: f (x) * g (x) = f α g x α dα f α g(x a) Fungsi penapis g(x) disebut juga convolution filter, convolution mask, convolution kernel atau template. Dalam bentuk diskrit kernel konvolusi dinyatakan dalam bentuk matriks, misal: 2x2, 3x3. Tiap elemen matriks penapis adalah koefisien konvolusi. Operasi konvolusi menggeser kernel pixel per pixel dan hasil disimpan dalam matriks baru[14]. Operator Canny bekerja dalam sebuah proses bertingkat. Pertama gambar akan diperhalus dengan menggunakan konvolusi Gaussian. Kemudian sebuah operator turunan pertama dari 2-D digunakan untuk menghaluskan gambar pada daerah yang telah ditandai dengan sebagian turunan pertama yang tinggi[18]. f (i, j) = Ap 1 + Bp 2 + Cp 3 + Dp 4 + Ep 5 + Fp 6 +Gp 7 + Hp 8 + Ip 9 Gambar 2.11: Ilustrasi Konvolusi

28 16 Contoh perhitungan Konvolusi: Misal citra f(x,y) yang berukuran 5x5 dan sebuah kernel dengan ukuran 3x3, matriks sebagai berikut : f (x,y) = g(x, y)= Hasil: i Hasil konvolusi = 3, nilai dihitung dengan cara: f (x) * g(x) = * = (4*0)+(4*-1)+(3*0)+(6*-1)+(6*4)+(5*-1)+(5*0)+(6*-1)+(6*0) = = 3

29 17 ii Hasil konvolusi = 0, nilai dihitung dengan cara: f (x) * g(x) = * = (4*0)+(3*-1)+(4*0)+(6*-1)+(5*4)+(5*-1)+(6*0)+(6*1)+(6*0) = = 0 iii Hasil konvolusi = 2, nilai dihitung dengan cara: f (x) * g(x) = * = (3*0)+(5*-1)+(4*0)+(5*-1)+(5*4)+(2*-1)+(6*0)+(6*-1)+(2*0) = = 2

30 18 iv Hasil konvolusi = 0, nilai dihitung dengan cara: f (x) * g(x) = * = (6*0)+(6*-1)+(5*0)+(5*-1)+(6*4)+(6*-1)+(6*0)+(7*-1)+(5*0) = = 0 v Hasil konvolusi = 2, nilai dihitung dengan cara: f (x) * g(x) = * = (6*0)+(5*-1)+(5*0)+(6*-1)+(6*4)+(6*-1)+(7*0)+(5*-1)+(5*0) = = 2

31 19 vi Hasil konvolusi = 6, nilai dihitung dengan cara: f (x) * g(x) = * = (5*0)+(5*-1)+(2*0)+(6*-1)+(6*4)+(2*-1)+(5*0)+(5*-1)+(3*0) = = 6 vii Hasil konvolusi = 6, nilai dihitung dengan cara: f (x) * g(x) = * = (5*0)+(6*-1)+(6*0)+(6*-1)+(7*4)+(5*-1)+(3*0)+(5*-1)+(2*0) = = 6

32 20 viii Hasil konvolusi = 0, nilai dihitung dengan cara: f (x) * g(x) = * = (6*0)+(6*-1)+(6*0)+(7*-1)+(5*4)+(5*-1)+(5*0)+(2*-1)+(4*0) = =0 ix Hasil konvolusi = 2, nilai dihitung dengan cara: f (x) * g(x) = * = (6*0)+(6*-1)+(2*0)+(5*-1)+(5*4)+(3*-1)+(2*0)+(4*-1)+(4*0) = = 2

33 21 Hasil Contoh Konvolusi : Deteksi Tepi Canny Pendeteksian tepi merupakan langkah pertama untuk melingkupi informasi di dalam citra. Tepi mencirikan batas-batas objek dan karena itu tepi berguna untuk proses segmentasi dan identifikasi di dalam citra. Tujuan pendeteksian tepi adalah untuk meningkatkan penampakan garis batas suatu daerah atau objek di dalam citra. Yang dimaksudkan dengan tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang mendadak (besar) dalam jarak yang singkat. Metode canny merupakan salah satu algoritma deteksi tepi. Deteksi tepi Canny ditemukan oleh Marr dan Hildreth yang meneliti pemodelan persepsi visual manusia. Dalam memodelkan pendeteksi tepi, dia menggunakan ideal step edge, yang direpresentasikan dengan fungsi Sign satu dimensi. Pendekatan algoritma Canny dilakukan dengan konvolusi fungsi image dengan operator gaussian dan turunan-turunannya [15]. Ada beberapa kriteria pendeteksi tepian paling optimum yang dapat dipenuhi oleh algoritma Canny [16]: 1. Mendeteksi dengan baik (kriteria deteksi) Kemampuan untuk meletakkan dan menandai semua tepi yang ada sesuai dengan pemilihan parameter-parameter konvolusi yang dilakukan.

34 22 Sekaligus juga memberikan fleksibilitas yang sangat tinggi dalam hal menentukan tingkat deteksi ketebalan tepi sesuai yang diinginkan. 2. Melokalisasi dengan baik (kriteria lokalisasi) Dengan Canny dimungkinkan dihasilkan jarak yang minimum antara tepi yang dideteksi dengan tepi yang asli. 3. Respon yang jelas (kriteria respon) Hanya ada satu respon untuk tiap tepi. Sehingga mudah dideteksi dan tidak menimbulkan kerancuan pada pengolahan citra selanjutnya. Langkah-langkah dalam melakukan deteksi tepi canny [17]: 1. Menghilangkan derau yang ada pada citra dengan mengimplementasikan tapis Gaussian. Proses ini akan menghasilkan citra yang tampak sedikit buram. Hal ini dimaksudkan untuk mendapatkan tepian citra yang sebenarnya. Bila tidak dilakukan maka garis-garis halus juga akan dideteksi sebagai tepian. Berikut ini adalah salah satu contoh tapis Gaussian dengan σ = Melakukan deteksi tepi dengan salah satu operator deteksi tepi seperti Roberts, Prewitt, atau Sobel dengan melakukan pencarian secara horisontal (G x ) dan secara vertikal (G y ). 3. Menentukan arah tepian yang ditemukan dengan menggunakan rumus sebagai berikut. θ = arctan Gy Gx Selanjutnya membagi kedalam 4 warna sehingga garis dengan arah berbeda dan memiliki warna yang berbeda. Pembagiannya adalah 0

35 dan 157,5 180 derajat berwarna kuning, 22,5 67,5 berwara hijau, dan derajat 67,5 157,5 berwarna merah. 4. Memperkecil garis tepi yang muncul dengan menerapkan nonmaximum suppression sehingga menghasilkan garis tepian yang lebih ramping. 5. Langkah terakhir adaah binerisasi dengan menerapkan dua buah tresholding. Gambar berikut ini akan menunjukkan bentuk citra sebelum pemprosesan (a) dan sesudah pemprosesan (b). Citra yang digunakan adalah citra grayscale dengan nilai treshold (a) (b) Gambar 2.12: Deteksi tepi Canny (a) Citra awal (b) Citra hasil

36 BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Penelitian Tempat Penelitian Kegiatan Penelitian meliputi pengecekan serta pengambilan gambar daun tembakau dilakukan didaerah Parakan, Temanggung dan di daerah Ringinarum, Kendal Waktu Penelitian Penelitian ini dilaksanakan mulai bulan Maret 2012 s/d selesai, sedangkan waktu untuk mengambil gambar daun tembakau dilakukan pada bulan April Alat dan Bahan yang Digunakan Alat Alat-alat yang digunakan dalam penelitian ini antara lain : 1. Kamera DSLR. 2. Tripod. 3. Kain merah untuk alas daun tembakau ketika dilakukan pemotretan Bahan Adapun bahan yang digunakan yang digunakan dalam penelitian adalah daun tembakau. 3.3 Sumber Data Dalam peneltian ini sumber data yang dikumpulkan berupa data primer dan data sekunder. 24

37 Data Primer Data primer dalam penelitian ini berupa gambar daun tembakau yang didapatkan dari observasi langsung didaerah Parakan, Temanggung dan di daerah Kendal. Gambar 3.1 : Proses Pengambilan Citra Daun Tembakau Data Sekunder Data sekunder didapatkan dari studi literatur baik dari buku, jurnal, majalah atau karya tulis yang berhubungan dengan penelitian segmentasi citra digital dan tembakau. 3.4 Diagram Alur Penelitian Tahapan penelitian segmentasi citra pada daun tembakau menggunakan deteksi tepi canny dapat dijabarkan dalam bagan sebagai berikut :

38 26 Start Image input, Inisialisasi low Treshold & high treshold GrayScale Deteksi Tepi Canny Image Biner Perhitungan Nilai Mean & Standart Deviasi Nilai Fitur Bentuk berupa Nilai Mean & Standart Deviasi End Gambar 3.2 : Diagram Proses Segmentasi Citra Daun Tembakau

39 Teknik Analisis Data Dalam penelitian ini, analisa bersifat kuantitatif yaitu melakukan pengujian menggunakan Mean Squared Error (MSE) untuk mengetahui rata-rata kuadrat nilai kesalahan antara citra asli dengan citra hasil segmentasi. Secara matematis MSE dapat dirumuskan : MSE = Dimana : f(x, y) g(x, y) 1 M N M x=1 N y=1 = nilai piksel citra asli. [f x, y g x, y ] = nilai piksil citra hasil segmentasi. M, N = dimensi citra 2

40 BAB IV HASIL PENELITIAN DAN EVALUASI 4.1 Akuisisi Data Proses akuisisi bertujuan untuk memperoleh citra daun tembakau. Akusisi data dilakukan dengan memotret daun tembakau menggunakan kamera digital. Data yang telah diperoleh akan diolah untuk proses segmentasi deteksi tepi. Proses akuisisi citra daun tembakau dilakukan dengan alat serta pengaturan standartnya sebagai berikut : 1. Kamera kamera yang digunakan dalam pemotretan adalah kamera DSLR Canon EOS. Mode Pengaturan : Manual, ISO Speed : Tripod Tripod digunakan sebagai penopang kamera dalam pemotretan 3. Kain warna merah Kain warna merah digunakan sebagai alas/background dalam proses pemotretan citra daun tembakau. 4. Sudut kemiringan / Angle Shot Proses pengambilan citra tembakau dilakukan dengan sudut kemiringan/angle shot : 20 o. 5. Jarak pengambilan gambar Proses pengambilan citra tembakau dilakukan dengan jarak antara kamera dengan objek(daun tembakau) : 70 cm. Citra daun disini adalah foto daun tembakau yang diambil minimal dari 10 sempel daun yang telah diberi label. 28

41 29 Gambar 4.1 : Proses Pengambilan Gambar Daun Tembakau Berikut adalah data citra daun tembakau yang telah diperoleh : Tabel 4.1 : Tabel Data Citra Daun Tembakau No Nama File Gambar 1 tembakau1.jpg 2 tembakau2.jpg

42 30 3 tembakau3.jpg 4 tembakau4.jpg 5 tembakau5.jpg 6 tembakau6.jpg

43 31 7 tembakau7.jpg 8 tembakau8.jpg 9 tembakau9.jpg 10 tembakau10.jpg 4.2 Pemisahan Background Data yang telah diperoleh, selanjutnya akan diproses guna memisahkan antara foreground(daun tembakau) dan background-nya(kain berwarna merah). Pemisahan background dilakukan supaya mempermudah proses segmentasi.

44 32 Start Citra Asli R<G dan R<B Tidak Ya R =0 G = 0 B = 0 Citra Hasil End Gambar 4.2 : Diagram Alir Proses Pemisahan Background Keterangan : R : nilai warna merah pada citra asli G : nilai warna hijau pada citra asli B : nilai warna biru pada citra asli

45 33 Dari diagram alir diatas, proses menghilangkan background dalam hal ini kain merah dilakukan dengan mengganti nilai piksel dimana piksel yang memiliki nilai warna merah lebih besar dari nilai warna hijau dan biru (Citra RGB) akan dirubah menjadi hitam atau nilainya piksel-nya menjadi 0 untuk nilai tiap warna, sedangkan piksel yang memiliki nilai warna merah lebih kecil dari nilai warna hijau dan biru nilai pikselnya tidak berubah/tetap. a). Citra Daun Tembakau b). Citra Daun Tembakau Setelah Dihilangkan Backgroundnya c). Nilai Piksel Gambar (a) d). Nilai Piksel Gambar (b) Gambar 4.3 : Image Sebelum (a,c) dan Sesudah (b,d) Proses Pemisahan Background

46 Konversi Grayscale Setelah dilakukan pemisahan background, citra gambar yang berupa citra warna (RGB) akan akan diubah menjadi citra aras keabuan / grayscale. Proses konversi citra daun tembakau (RGB) ke grayscale dilakukan dengan menggunakan fungsi rgb2gray yang sudah ada pada MATLAB. Gambar 4.4 : Image Tembakau Setelah Grayscale Beserta Matrik pixelnya 4.4 Gaussian Filter Tidak dapat dipungkiri bahwa citra yang diambil dari sebuah kamera akan mengandung beberapa noise. Untuk mencegah kesalahan deteksi tepi karena noise, maka noise tersebut harus dikurangi. Hal ini dapat dilakukan dengan proses smoothing atau juga disebut filtering. Oleh karena itu pertama kali harus dilakukan smoothing pada citra. Biasanya teknik yang digunakan pada tahap ini adalah filter Gaussian. Contoh hasil smoothing menggunakan filter Gaussian dengan standart deviasi=1.4 ditunjukkan pada Gambar 4.5.

47 35 Tabel 4.2 : Kernel Gaussian Tabel 4.3 : Konvolusi Kernel Gaussian Dengan Matrik Image Grayscale(151,135) a. Perhitungan gaussian filter untuk pixel (151,135) *2 + 61*4 + 88*5 + 69*4 +77*2 + 59*4 + 64*9 + 70* *9 + 68*4 + 88*5 + 50* *15 +54*12 +58*5 + 77* *9 + 76* *9 + 51*4 + 70*2 + 56*4 + 52*5 + 85*4 + 54*2=10612/159=66.74

48 36 b. Perhitungan gaussian filter untuk pixel (152,135) *2 + 88*4 + 69*5 + 77*4 +80*2 + 64*4 + 70*9 + 75* *9 + 65*4 + 50*5 + 53* *15 +58*12 +50* *4 + 76*9 + 56* *9 + 57*4 + 56*2 + 52*4 + 85*5 + 54*4 + 50*2=10123/159=63.67 Dengan langkah yang sama, maka hasil perhitungan gaussian filter untuk gambar 4.4 dijabarkan dalam table berikut : Tabel 4.4 : Matrix Image Tembakau Setelah Gaussian Filter * * * * * * * * * * 136 * * * * * * * * * * 137 * * * * 138 * * * * 139 * * * * 140 * * * * 141 * * * * 142 * * * * 143 * * * * * * * * * * 144 * * * * * * * * * *

49 37 Gambar 4.5 : Image Tembakau Setelah Gaussian Filter Beserta Matrik Pixelnya 4.5 Deteksi Tepi Sobel Proses selanjutnya adalah melakukan segmentasi citra dengan metode deteksi tepi. Deteksi tepi yang digunakan adalah deteksi tepi sobel. Alur proses deteksi tepi dapat dijabarkan sebagai berikut:

50 38 Start Citra X - Gradien Y - Gradien Gradien Magnitude Citra Hasil End Gambar 4.6 : Diagram Alir Proses Deteksi Tepi Sobel Metode sobel menggunakan matrik 3 x 3 dan susunan piksel-pikselnya disekitar piksel (x, y) seperti bagan berikut : a 0 a 1 a 2 a 7 (x, y) a 3 a 6 a 5 a 4

51 39 Dari diagram alir yang telah dijabarkan sebelumnya, maka dapat dijelaskan proses deteksi tepi dengan metode sobel adalah sebagai berikut : 1. Menghitung nilai dari x-gradien Sx = (a 2 + ca 3 + a 4 ) (a 0 + ca 7 + a 6 ), dengan c sebagai konstanta = 2. Atau dalam mask/kernel Sx = Menghitung nilai dari y-gradien, dengan c sebagai konstanta = 2.. Atau dalam mask/kernel Sy = Menghitung nilai gradient magnitude S = Sx 2 + Sy 2 Diambil satu sampel objek daun tembakau untuk dilakukan penghitungan matrik dengan menggunakan kernel metode sobel 3 X 3. Disini dilakukan pengambilan data matrik 10 X 10 dari image gaussian filter yang dimulai dari pixel (151, 135) 90

52 40 Tabel 4.5 : Matrix 10x10 Image Tembakau Setelah Gaussian Filter a. Perhitungan gradient magnitude untuk piksel (151, 135) Sx = (a 2 + ca 3 + a 4 ) (a 0 + ca 7 + a 6 ) = (86+2*73+67) (90+2*77+71)= -16 = (90+2*87+86) (71+2*69+67)= 74 M = Sx 2 + Sy 2 = = 75.71/255= 0.30 Sx = tan = tan = b. Perhitungan gradient magnitude untuk piksel (152, 135)

53 41 Sx = (a 2 + ca 3 + a 4 ) (a 0 + ca 7 + a 6 ) = (86+2*71+64) (87+2*75+69)= -14 = (87+2*86+86) (69+2*67+64)= 78 M = Sx 2 + Sy 2 = = 79.24/255= 0.31 Sx = tan = tan = Dengan langkah yang sama, untuk menormalisasi hasil, citra diubah menjadi presisi ganda, yaitu dengan menggunakan perintah im2double() atau hasil pixel dibagi dengan 225, maka hasil perhitungan gradient magnitude untuk gambar 4.5 dijabarkan dalam table berikut : Piksel ke- 152, , , , , , , , , , , , , , ,137 Tabel 4.6 : Tabel Perhitungan Gradient Sobel X-Gradien Y-Gradien Sx Sy Gradien Magnitude

54 42 159, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

55 43 158, , , , , , , , , , , , , , , , , , Tabel 4.7 : Matrix 10x10 Image Tembakau Setelah Deteksi Tepi Sobel * * * * * * * * * * 136 * * 137 * * 138 * * 139 * * 140 * * 141 * * 142 * * 143 * * 144 * * * * * * * * * *

56 44 Gambar 4.6 : Image Setelah Proses Deteksi Tepi Sobel Pada gambar 4.6 terlihat sebuah piksel yang terindikasi sebagai tepi memiliki nilai gradient magnitude lebih besar dari piksel disekitarnya. Berikut hasil segmentasi deteksi tepi menggunakan metode sobel pada citra daun tembakau : Tabel 4.8 : Image Hasil Tembakau Setelah Deteksi Tepi Sobel 1 No Citra Asli Citra Hasil Deteksi Tepi Sobel

57

58

59 Menghitung Arah Tepian (theta/ θ) Menghitung arah tepian dengan memanfaatkan dua buah template edge arah horizontal(sx) dan vertikal(sy) pada operator sobel. Proses tersebut gambar terlihat telah menunjukkan tepinya dengan cukup jelas, namun demikian, tepi-tepinya terlalu lebar sehingga tidak menunjukkan dimana tepatnya tepi-tepinya. Untuk mengatasi hal tersebut, arah tepi harus ditentukan dengan menggunakan persamaan: Sx a. Perhitungan arah tepian untuk piksel (151, 135) Sx = tan = tan = b. Perhitungan arah tepian untuk piksel (152, 135) Sx = tan = tan = Dengan langkah yang sama, maka hasil perhitungan arah tepian dijabarkan dalam table berikut :

60 48 Tabel 4.9 : Hasil Perhitungan Arah Tepian * * * * * * * * * * 136 * * 137 * * 138 * * 139 * * 140 * * 141 * * 142 * * 143 * * 144 * * * * * * * * * * Gambar 4.7 : Pembagian Sudut Gradien Penentu Arah Selanjutnya menentukan sudut gradien dengan cara membagi kedalam 4 arah, pembagiannya adalah : a) Jika theta > 0 dan theta < 22.5 atau theta > dan theta < maka 0 b) Jika theta > 22.5 dan theta < 67.5 atau theta > dan theta < maka 45 c) Jika theta > 67.5 dan theta < atau theta > dan theta < maka 90 d) Jika theta > dan theta < atau theta > dan theta < maka 135

61 49 Tabel 4.10 : Hasil Penentuan Sudut Dari Perhitungan Arctangen Piksel Ke- θ Sudut Sudut Piksel Ke- θ gradien gradien 152, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Non-Maximum Supression Langkah selanjutnya adalah membuang potensi gradien di suatu piksel dari kandidat edge, jika piksel tersebut bukan merupakan maksimal lokal pada arah edge di posisi piksel tersebut (disinilah arah gradien diperlukan). Tujuan dari langkah ini adalah untuk mengubah tepi yang

62 50 kabur pada citra gradien menjadi tepi yang tajam. lalu menetukan arah gradien terdekat sesuai dengan arah 8 ketetanggaan. Selanjutnya besar gradien piksel (x,y) dengan besar piksel pada titik dari dua arah yg ditentukan pada langkah sebelumnya. Jika besar gradien piksel (x,y) lebih besar dari kedua titik tadi,maka piksel tersebut dipertahankan. Tetapi jika gradiennya lebih kecil dari salah satu saja dari kedua titik tadi, maka piksel tersebut diubah menjadi 0. Gambar 4.8 : Image Setelah Proses Non-maximum Supression 4.8 Hysteresis Thresholding Hasil dari langkah non-maximum suppression adalah citra yang berisi kandidat edge serta intensitas dari kekuatan edge di posisi piksel tersebut. Langkah terakhir adalah thresholding atau klasifikasi tiap piksel apakah termasuk dalam kategori piksel tepi atau bukan. Sederhananya hysteresis thresholding bertujuan untuk klasifikasi dua buah nilai High-threshold dan Low-Threshold. suatu piksel untuk disahkan atau tidak sebagai piksel tepi jika nilainya lebih besar atau sama dengan

63 51 ambang batas tersebut. thresholding tidak dilakukan secara langsung berdasarkan besar gradien piksel. Standarisasi lokal tiap-tiap piksel dengan arah 8 ketetanggaan dilakukan sebelum thresholding. Selanjutnya penentuan tepi dilakukan dengan cara mengganti pixel angka 0 atau 1 jika telah melewati syarat ambang batas yang ditentukan. Dalam hal ini penulis menentukan ambang batas atas(th) = 0.2, dan ambang batas bawah (tl)= 0.1, dengan Perhitungannya sebagai berikut : Jika pixel > th maka 0 Jika pixel >= tl dan pixel <= th maka 1 Jika pixel < tl maka 0 Pada proses ini juga dilakukan pengecekan pada pixel dari 8 arah tetangganya. Sehingga pixel image hanya sebagai 0 atau 1. Smooth Gambar 4.9 : Image Setelah Proses Hysteresis Thresholding S y S x Dan Hasil Canny Maka secara keseluruhan proses deteksi tepi canny dapat digambarkan sebagai berikut: Gradien Magnitud e Nonmaximum suppression Gambar 4.10 : Diagram Alir Proses Deteksi Tepi Canny Thresholdin g

64 52 1 N o Tabel 4.11 : Tabel Hasil Deteksi Tepi Canny Citra Asli Citra Hasil Deteksi Tepi Canny 2 3 4

65

66 Tahap Evaluasi Tahap Evaluasi dilakukan dengan pengujian untuk menilai tingkat akurasi metode yang dipilih untuk proses segmentasi citra daun tembakau Mean Squared Error (MSE) Pengujian dilakukan dengan menggunakan Mean Squared Error (MSE) untuk mengetahui rata-rata kuadrat nilai kesalahan antara citra sebelum segmentasi dengan citra hasil segmentasi. Secara matematis MSE dapat dirumuskan : MSE = 1 M N Dimana : M x=1 N y=1 [f x, y g x, y ] f(x, y) = nilai piksel citra referensi. g(x, y) = nilai piksil citra hasil segmentasi. M, N = dimensi citra. Proses perhitungan Mean Squared Error (MSE) : 1. Menghitung selisih nilai piksel citra referensi dengan nilai piksel citra hasil segmentasi kemudian dikuadratkan untuk setiap piksel. 2