SEGMENTASI CITRA TELUR AYAM BERDASARKAN PERBEDAAN RUANG WARNA RGB DAN LAB

SEGMENTASI CITRA TELUR AYAM BERDASARKAN PERBEDAAN RUANG WARNA RGB DAN LAB Putu Desiana Wulaning Ayu 1, Gede Angga Pradipta 2 Program Studi Sistem Informasi, STMIK STIKOM BALI Jl.Raya Puputan Renon No.86, Bali Telp (0361) 244445 E-mail: wulaning.ayu@gmail.com, anggapradiptha19@gmail.com ABSTRAKS Segmentasi bertujuan untuk membagi citra ke dalam sejumlah bagian atau objek, objek pada penelitian ini berupa telur ayam yang bertujuan untuk memperoleh garis tepi dari citra telur dan dapat mengidentifikasi bercak kotor pada telur. Untuk mendapatkan tujuan dari penelitian ini, maka metode yang digunakan adalah dengan segmentasi berdasarkan perbedaan ruang warna, yaitu ruang warna RGB dan LAB, dan segmentasi berupa deteksi tepi (prewitt). Hasil yang diperoleh dari 7 sampel telur yang digunakan menunjukkan hasil segmentasi dengan ruang warna LAB dalam mendeteksi garis tepi citra pada telur lebih baik dibandingkan dengan ruang warna RGB, sedangkan dalam mendeteksi bercak kotor pada telur menunjukkan hasil yang sama. Penelitian ini diharapkan dapat memberikan kontribusi penggunaan metode ruang warna agar dapat diterapkan pada segmentasi citra. Kata Kunci: Prewitt, RGB, LAB 1. PENDAHULUAN 1.1 Latar Belakang Salah satu bagian dari image processing pada sebuah citra adalah segmentasi. Segmentasi bertujuan untuk membagi sebuah citra ke dalam sejumlah bagian atau obyek atau segmentasi dapat bertujuan untuk proses pemisahan sebuah object dari background, sehinga obyek tersebut dapat diproses untuk keperluan yang lain (Adipranata, 2005). Secara umum proses segmentasi dapat terbagi menjadi 3 bagian yaitu berdasarkan klasifikasi (classification based segmentation),berdasarkan tepi (edge based) dan berdasarkan daerah (region based segmentation) (Suryaningsih, 2012). Segmentasi berdasarkan klasifikasi adalah proses segmentasi yang dilakukan dengan mencari kesamaan ukuran dari pada pixel. Segmentasi berdasarkan tepi adalah proses segmentasi untuk mendapatkan garis yang ada pada gambar dengan anggapan bahwa garis tersebut merupakan tepi dari obyek yang memisahkan obyek satu dengan obyek yang lain atau antara obyek dengan background. (Putra, 2010). Pada peneltian ini akan melakukan proses segmentasi berdasarkan deteksi tepi (edge detection) prewitt dengan obyek telur ayam. Proses deteksi tepi obyek akan menggunakan metode prewitt sehingga didapatkan garis tepi yang dianggap pinggir telur ayam. Tujuan dari segmentasi deteksi tepi dari telur ayam kedepannya bertujuan untuk membantu proses dalam mencari ukuran diameter dan bobot dari suatu telur agar lebih akurat dan untuk mengetahui perbandingan kinerja dari kedua ruang warna. Sebelum dilakukannya proses segmentasi dengan deteksi tepi menggunakan metode prewitt, masing-masing citra telur ayam akan dilakukan proses preprocessing citra dengan mengubah nya dalam 2 koordinat ruang warna, yaitu ruang warna CIELAB dan ruang warna RGB. Ruang warna adalah sebuah model matematis yang menjelaskan tentang bagaimana cara warna direpresentasikan dalam angka (Rachmat, 2009). RGB (Red, Green, Blue ) menampilkan citra dalam 3 additive primaries ruang warna RGB didapat dari kombinasi dari ketiga komponen warna (Bora, 2015). CIELAB lebih dikenal dengan ruang warna CIEL*a*b dimana L didefinisikan sebagai lightness, Ditetapkan oleh Komisi Internationale nya yang menyatakan bahwa dua warna tidak bisa merah dan hijau pada waktu yang sama atau kuning dan biru pada saat yang sama waktu (Bansal, 2012). 1.2 Tinjauan Pustaka Beberapa penelitian yang berkaitan dengan penelitian dengan objek telur ayam, diantaranya adalah penelitian yang berjudul Automatic Identification of Defects on Eggshell Through a Multispectral Vision System (Loredana, 2012) Penelitian ini berfokus pada identifikasi bercak atau noda pada telur ayam yang berwarna coklat (dirty eggshell) yang disebabkan oleh darah, bulu, kotoran (feces) dengan menggunakan pendekatan algoritma klasifikasi untuk membedakan bercak dari 236 butir yang teridentifikasi kotor (dirty eggshell). Proses klasifikasi berdasarkan algoritma yang digunakan mendekati kebenaran sebesar 98% yang hanya membutuhkan 107

waktu prosesnya sebesar 0.05 detik. Penelitian selanjutnya dengan judul Color index analysis for automatic detection of eggshell defects (Maria, 2012), penelitian di fokuskan untuk mendeteksi secara otomatis cacat pada telur secara real time dengan menggunakan analisis index warna (color index) pada 50 telur ayam yang telah di sortir sebagai sampel. Pada penelitian yang berjudul Deteksi Tepi Citra Telur dengan Algoritma Prewitt untuk Perhitungan Volume (Huda, 2012), melakukan pencarian terhadap deteksi tepi pada citra telur dan perhitungan volume telur, dimana pencariaan keakuratan dilakukan dengan membandingkan pencarian manual hasil ukur dengan gelas ukur) dan perhitungan berdasarkan edge detection. 1.3 Metodologi Penelitian Beberapa Metodelogi Penelitian yang dilakukan dalam penelitian ini adalah : a. Pengumpulan data uji atau sampel telur ayam 7 sampel telur ayam difoto dengan jarak 20 cm tegak lurus dari posisi telur. Hal ini bertujuan untuk agar menyamakan kualitas dan hasil foto dari setiap data uji. b. Diagram Alir Penelitian Diagram alir pada penelitian dijelaskan pada Gambar 1. Gambar 1. Diagram alir penelitian Adapun penjelasan untuk diagram alir penelitian pada gambar 1 adalah sebagai berikut : 1.Preprocessing citra adalah dengan menyeragamkan seluruh citra uji telur ayam pada dimensi piksel sebesar 273 x 240 piksel. 2.Kemudian masing-masing citra uji dilakukan pemisahan ke dalam ruang warna, yaitu RGB dan CIELAB. Pada proses pemisahan ruang warna bertujuan untuk mengubah koordinat warna citra Telur. Dimana koordinat citra warna Telur adalah RGB. Nilai RGB yang terdapat dalam satu piksel dapat ditransformasikan ke dalam ruang warna CIE XYZ dengan proses transformasi matrik 3x3. Dari hasil konversi koordinat warna XYZ kemudian dilakukan konversi koordinat warna ruang L*a*b, dimana proses L*a*b sendiri akan menghasilkan citra dalam ruang warna L*a*b dan 3 komponen warna, yaitu komponen L*, komponen a* dan komponen b*. Berikut bagan proses untuk konversi ruang warna dari RGB ke L*a*b pada Gambar 2. 108

Gambar 2. Proses konversi ruang warna dari RGB ke L*a*b (Singh, 2012) 3.Masing-masing citra yang telah dirubah ke dalam ruang warna, akan dilakukan proses segmentasi untuk menentukan garis tepi pada telur dan noda/bercak yang terdapat pada telur. 4.Membandingkan hasil kedua segmentasi secara visual. 5.Pengujian hasil segmentasi dengan menggunakan nilai MSE dan PSNR. PSNR merupakan parameter yang dapat digunakan dalam kompresi image untuk menentukan kualitas hasil rekotruksi image akhir. Sedangkan MSE merupakan rata-rata kuadrat nilai kesalahan antara citra asli dengan citra hasil pengolahan. Nilai PSNR jatuh dibawah 30 db mengindikasikan kualitas yang relative rendah, dimana distorsi yang dikarenakan penyisipan terlihat jelas. Akan tetapi kualitas stegoimage yang tinggi berada pada nilai 40dB dan diatasnya. Kedua metode ini akan digunakan untuk menentukan kualitas segmentasi citra antara RGB dan LAB yang masing-masing citra uji akan disisipi gausian noise. Untuk mendapatkan nilai dari MSE dan PSNR dapat menggunakan persamaan (1) dan (2), sebagai berikut : Nilai MSE didapatkan melalui : Nilai PSNR didapatkan melalui : (1) (2) C max adalah nilai pixel terbesar pada keseluruhan citra. x dan y adalah koordinat suatu titik pada citra. M dan N adalah dimensi dari citra. S adalah citra tersisipi (stego-image) C adalah citra asli (cover image) 109

2. PEMBAHASAN Hasil dari penelitian ini berupa desain sistem, implementasi sistem, hasil pengujian sistem serta analisis hasil. 2.1 Desain dan Implementasi Sistem Desain sistem dirancang dan dibuat untuk mempermudah melihat hasil uji dari citra yang diuji, dibuat dalam bentuk GUI (Graphic User Interface) MATLAB. Adapun GUI yang dimaksud ditujukkan pada Gambar 3 dan 4: Gambar 3. Desain dan implementasi untuk ruang warna Gambar 4. Desain dan implementasi untuk edge detection 2.2 Hasil segmentasi dengan edge detection (prewitt) terhadap ruang warna Hasil uji dari sitem yang telah diimplementasikan, berupa perbandingan hasil segmentasi antara kedua ruang warna. Dari 7 sampel telur yang telah dilakukan pengujian, didapatkan hasil segmentasi yang dapat dilihat pada tabel 1. 110

Tabel 1. Hasil segmentasi dua ruang warna HASIL SEGMENTASI NAMA CITRA RUANG WARNA RGB TELUR1.JPG TELUR2.JPG TELUR3.JPG TELUR4.JPG TELUR5.JPG TELUR6.JPG HASIL SEGMENTASI RUANG WARNA LAB KETERANGAN - BERCAK KOTOR/ SPRECKLE PADA TELUR TERDTEKSI PADA KEDUA HASIL SEGMENTASI. (DIRTY EGG) - UNTUK DETEKSI GARIS - PADA CITRA ASLI TIDAK (CLEAN EGG), SEHINGGA HASIL SEGMENTASI YANG LEBIH BAIK DIHASILKAN OLEH LAB. -PADA CITRA ASLI TIDAK (CLEAN EGG), SEHINGGA HASIL SEGMENTASI YANG LEBIH BAIK DIHASILKAN OLEH LAB. -PADA CITRA ASLI TIDAK (CLEAN EGG), SEHINGGA HASIL SEGMENTASI YANG LEBIH BAIK DIHASILKAN OLEH LAB. -PADA CITRA ASLI TIDAK (CLEAN EGG), SEHINGGA HASIL SEGMENTASI YANG LEBIH BAIK DIHASILKAN OLEH LAB. TEPI, KEDUA RUANG WARNA MMBERIKAN HASIL SAMA-SAMA BAIK, DETEKSI GARIS TEPI TERLIHAT DENGAN JELAS. -PADA CITRA ASLI TDK (CLEAN EGG), DAN KEDUA HASIL SEGMENTASI MEMBERIKAN HASIL YANG HAMPIR SAMA. TEPI / LINGKAR TELUR, LAB MENUNJUKKAN HASIL YANG LEBIH BAIK. SEDANGKAN RGB GAGAL MEDETEKSI LINGKAR TELUR. TELUR7.JPG 111

Dari hasil yang telah didapat pada Tabel 1, dan untuk mengetahui perbandingan hasil dari kedua ruang warna terhadap segmentasi, maka disajikan dalam tabel checklist pada Tabel 2. Tabel 2. Checklist keberhasilan deteksi lingkar telur dan dirty egg pada kedua metode (RGB dan LAB) Deteksi Lingkar Telur Deteksi Dirty / Clean Eggs Nama Citra RGB LAB RGB LAB Telur1.jpg - - Note ; Telur2.jpg - Telur3.jpg - Telur4.jpg - Telur5.jpg - Telur6.jpg Telur7.jpg - - : tidak berhasil Dari tabel 2, diperoleh hasil perbandingan segmentasi untuk deteksi lingkar telur dan dirty eggs. Untuk memudahkan dalam melihat hasil perbandingannya, maka dituangkan dalam bentuk grafik seperti yang terlihat pada grafik 1 dan 2. Masing-masing hasil segmentasi yang berhasil dalam mendeteksi lingkar telur diberikan bobot nilai 10 dan nilai bobot yang tidak berhasil mendeteksi lingkar telur di berikan nilai 1, hal ini bertujuan untuk memudahkan melihat perbandingan hasil kedua ruang warna. Nama Citra (Telur.jpg) Grafik 1. Hasil perbandingan segmentasi untuk deteksi lingkar telur Dari Grafik1, terlihat hasil segmentasi dengan metode prewitt pada ruang warna LAB memberikan hasil yang lebih baik dibandingkan dengan ruang warna RGB. Dari 7 sampel telur, 6 telur berhasil terdeteksi untuk lingkar telur, sedangkan pada ruang warna RGB hanya 1 citra yang dapat mendeteksi lingkar telur. Dari hasil pengujian dan analisa secara visual melalui hasil gambar, ruang warna LAB menunjukkan hasil yang lebih baik dalam mendeteksi lingkar telur. Kemudian dalam mendeteksi bintik atau bercak telur atau telur yang diindikasikan kotor pada kerak nya, maka hasilnya di sajikan dalam grafik 2. Nama Citra (Telur.jpg) Grafik 2. Hasil perbandingan segmentasi untuk dirty atau clean egg 112

Dari Grafik 2, terlihat hasil segmentasi dengan metode prewitt pada ruang warna LAB dan RGB sama-sama memberikan hasil yang baik dalam mendeteksi telur kotor atau telur bersih (tanpa bercak). 2.2 Analisa Penilaian Kualitas Citra Berdasarkan Hasil MSE dan PSNR Pengujian kualitas citra dilakukan secara objektif dengan pengujian MSE (Mean Square Error) dan PSNR, hasil citra segmentasi akan disisipi gausian noise dengan nilai piksel yang sama, kemudian dari hasil rekontruksi masing-masing dari citra akan menghasilkan nilai MSE dan PSNR, yang dapat menunjukkan hasil kualitas citra. Semakin tinggi nilai PSNR dalam citra, maka menunjukkan kualitas citra yang lebih baik. Tabel 3 menunjukkan hasil pengujian untuk nilai MSE dan PSNR pada masing-masing citra hasil segmentasi. Tabel 3. Hasil Pengujian MSE dan PSNR DATA MSE PSNR TELUR RGB LAB RGB LAB TELUR1 99.1072 99.0732 28.2037 28.2052 TELUR2 98.3283 98.5409 28.238 28.2586 TELUR3 98.2044 98.2365 28.2435 28.2521 TELUR4 98.4806 98.8831 28.2313 28.2436 TELUR5 98.7548 98.1531 28.2192 28.2458 TELUR6 97.6337 97.5334 28.2688 28.2733 TELUR7 99.4742 98.7351 28.1877 28.2201 Grafik 3. Perbandingan hasil PSNR 2 ruang warna Grafik 3 menunjukkan hasil PSNR dengan ruang warna LAB, memiliki persentase yang lebih tinggi dibandingkan dengan RGB, dari 7 citra uji, 7 citra menunjukkan nilai ruang warna LAB memiliki nilai PSNR lebih tinggi dari ruang warna RGB, yang artinya segmentasi dengan ruang warna LAB setelah disispi gausian noise, memiliki nilai PSNR yang lebih tinggi, hal ini mengindikasikan hasil segmentasi dengan ruang warna LAB menunjukkan hasil kualitas citra yang lebih baik dari ruang warna RGB. Sedangkan untuk nilai distorsi rata-rata di bawah 30 db, yang mengindikasikan kualitas yang relatif rendah, dimana distorsi yang dikarenakan penyisipan terlihat jelas. 3. KESIMPULAN Dari penelitian yang telah dilakukan menunjukkan unjuk kerja dari metode ruang warna LAB menghasilkan citra segmentasi untuk mendeteksi lingkar telur yang lebih baik, secara visual ditunjukkan dengan keberhasilan dalam mendeteksi lingkar telur yang lebih akurat sebanyak 6 citra sedangkan ruang warna RGB hanya dapat mendeteksi sebanyak 1 citra, sedangkan untuk mendeteksi bercak/ dirty eggs, ruang warna LAB dapat mendeteksi sebanyak 7 citra dan ruang warna RGB sebanyak 7 citra. Untuk memperkuat analisa hasil dari unjuk kerja hasil segmentasi terhadap ruang warna, dilakukan pengujian analisis dengan menggunakan PSNR, nilai dari PSNR ruang warna LAB, menunjukkan jumlah yang lebih dominan, yaitu sebanyak 7 citra LAB atau 100% memiliki hasil PSNR yang lebih tinggi dari citra RGB, dari hasil pengujian analisis ini menunjukan segmentasi citra telur berdasarkan ruang warna LAB menunjukkan kinerja yang lebih baik dari ruang warna RGB. 113

PUSTAKA Adipranata. 2005. Kombinasi Metode Morphological Gradient dan Transformasi Watersheed Pada Proses Segmentasi Citra Digital, UK Petra Surabaya. (Online), (http://fportfolio.petra.ac.id/user_files/99015/kombinasi%20metode%20morphological%20gradient% 20dan%20Transformasi%20Watershed.pdf, diakses 2013). Bansal. 2012. Color Image Segmentation using CIELab Color Space Using Ant Colony Optimization, International Journal of Computer Applications.; 29(9): 28. (Online) (http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.259.2080&rep=rep1&type=pdf, diakses 2012). Bora. 2015 Compairing the Performance of L*A*B and HSV Color Space with Respect to Color Segmentation, International Journal Of Emerging Technology and Advanced Engineering, Volume 5 Issue 2. ISSN 2250-2459. Huda, M. 2016. Deteksi Tepi Citra Telur dengan Algoritma Prewitt Untuk Perhitungan Volume. ISBN:978-602- 74355-0-6. (2012) (Online), (http://id.portalgaruda.org/article.php?article=447653&val=9476, diakses 2016). Loredana. 2012. Automatic Identification of Defect on Eggshell Through a Multispectral Vision System. Food Bioprocess Technol. Volume 5, Issue 8, pp 3042-3050 (Online), (http://link.springer.com/article/10.1007/s11947-011-0672-x, diakses November 2012). Maria, C. 2012. Color Index Analysis for Automatic detection of Eggshell Defect, Proc. SPIE. Vol. 3966, pp. (380-387) (Online),(http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.8.9095&rep=rep1&type=pdf, diakses 2012). Rachmat.E.2009.Algoritma Transformasi Ruang Warna. Universitas Ahmad Dahlan Jogjakarta. (Online) (http://margi.staff.gunadarma.ac.id/publications/files/2617/pengolahan+citra+algoritma+transformasi +Ruang+Warna.pdf diakses Juli 2009). Singh. V. 2012. Colour Based Image Segmentation Using L*A*B Colour Space Based On Genetic Algorithm. International Journal of Emerging Technology and Advanced Engineering. Volume 2, Issue 6, ISSN 2250-2459. (Online) (https://pdfs.semanticscholar.org/20b3/8ef4bad12fa6901df375a39e8b853c825218.pdf diakses 2012). Suryaningsih. 2012. Komparasi Algoritma Deteksi Tepi (EDGE DETECTION) untuk Segmentasi Citra Tumor Hepar. Jurnal Perangkat Nuklir. Volume 06 (hlm 10-18), ISSN No.1978-3515.2012. Putra. 2010. Pengolahan Citra Digital, Yogyakarta:Andi. 114