implementasi metode deteksi tepi dengan operator sobel

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

065314021

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2011

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

i

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:


065314021

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2011


ii

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:


065314021

INFORMATICS ENGINEERING PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2011


iii


iv


v


vi


vii

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 obyek-

obyek 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.


viii

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.


ix

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.


x


xi

DAFTAR ISI

HALAMAN JUDUL BAHASA INDONESIA ........................................ i

HALAMAN JUDUL BAHASA INGGRIS ............................................. ii

HALAMAN PERSETUJUAN PEMBIMBING ................................... iii

HALAMAN PENGESAHAN ................................................................... iv

PERNYATAAN KEASLIAN KARYA .................................................. v

LEMBAR PERSETUJUAN PUBLIKASI ............................................. vi

ABSTRAK .................................................................................................. vii

ABSTRACT ............................................................................................... viii

KATA PENGANTAR .............................................................................. ix

DAFTAR ISI .............................................................................................. xi

DAFTAR GAMBAR ................................................................................. xiv

DAFTAR TABEL ...................................................................................... 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 .............................................................................................. 7

1. Citra Biner .............................................................................. 8


xii

2. Citra Skala Keabuan ............................................................... 8

3. Citra Warna ............................................................................. 9

4. Citra Warna Berindeks ........................................................... 10

B. Pengolahan Citra .......................................................................... 10

1. Tepi (Edge) ............................................................................ 13

2. Deteksi Tepi ........................................................................... 15

C. Deteksi Tepi ................................................................................. 13

D. Operator Sobel ............................................................................. 17

E. Segmentasi ................................................................................... 23

1. Segmentasi ............................................................................. 23

2. Histogram ............................................................................... 24

F. Profil Proyeksi .............................................................................. 24

G. Matlab .......................................................................................... 26

BAB III. ANALISA DAN PERANCANGAN SISTEM ....................... 29

A. Analisa Sistem .............................................................................. 29

B. Analisa Kebutuhan Hardware – Sofware ..................................... 31

1. Analisa Kebutuhan Hardware ................................................ 31

2. Analisa Kebutuhan Software ................................................. 31

C. Rancangan Proses Sistem ............................................................. 31

1. Data Flow Diagram Level 0 ................................................... 32

2. Data Flow Diagram Level 1 ................................................... 32

3. Flowchart Deteksi Tepi .......................................................... 33

4. Diagram Alir Proses Segmentasi ........................................... 35

D. Rancangan Pengujian ................................................................... 36


xiii

BAB IV. IMPLEMENTASI ...................................................................... 38

A. Implementasi Program ................................................................. 38

1. Implementasi Deteksi Tepi .................................................... 38

2. Implementasi Segmentasi ...................................................... 41

BAB V. ANALISA HASIL DAN PEMBAHASAN .............................. 42

A. Data Masukan ............................................................................... 42

B. Analis Hasil .................................................................................. 44

Bab VI. Kesimpulan dan Saran .............................................................. 70

A. Kesimpulan ................................................................................... 70

B. Saran ............................................................................................. 71

Daftar Pustaka ............................................................................................ 72

Lampiran ..................................................................................................... 74


xiv

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 ............................................................................. 13

Gambar 2.6 Tepi landai ............................................................................. 14

Gambar 2.7 Tepi curam dengan derau ....................................................... 14

Gambar 2.8 Proses deteksi tepi citra .......................................................... 16

Gambar 2.9 Susunan piksel pada konvolusi Sobel ..................................... 17

Gambar 2.10 Matriks operator sobel untuk persamaan Sx .......................... 18

Gambar 2.11 Matriks operator sobel untuk persamaan Sy .......................... 18

Gambar 2.12 Citra semula ........................................................................... 19

Gambar 2.13 Citra hasil konvolusi .............................................................. 23

Gambar 2.14 Profil proyeksi horisontal dan vertikal .................................. 25

Gambar 2.15 Gambar asli ........................................................................... 27

Gambar 2.16 Hasil deteksi tepi Prewitt ...................................................... 28

Gambar 2.17 Hasil deteksi tepi Canny ....................................................... 28

Gambar 2.18 Hasil deteksi tepi Sobel ......................................................... 28

Gambar 2.19 Hasil deteksi tepi Roberts ...................................................... 28

Gambar 3.1 Citra karakter hasil segmentasi dengan deteksi tepi ............. 30

Gambar 3.2 Data flow diagram level 0 ..................................................... 32

Gambar 3.3 Data flow diagram level 1 ..................................................... 32


xv

Gambar 3.4 Flowchart proses deteksi tepi ................................................ 34

Gambar 3.5 Diagram alir proses segmentasi ............................................. 36

Gambar 5.1 Citra dokumen masukan data 1 ............................................. 43

Gambar 5.2 Citra data 1 hasil konvolusi dengan Gradien X ..................... 45

Gambar 5.3 Citra data 1 hasil konvolusi dengan Gradien Y ..................... 46

Gambar 5.4 Hasil deteksi tepi citra dokumen data 1 ................................ 47

Gambar 5.5 Potongan baris 1 dari citra dokumen data 1 .......................... 48

Gambar 5.6 Citra-citra karakter baris 1 dari citra dokumen data 1 ........... 49


xvi

DAFTAR TABEL

Tabel 5.1 Kriteria citra dokumen masukan ................................................ 42

Tabel 5.2 Analisis output segmentasi citra dokumen data 1

melalui deteksi tepi .................................................................... 49


tanpa melalui deteksi tepi ........................................................... 50


melalui deteksi tepi ..................................................................... 52












melalui deteksi tepi .................................................................... 63


tanpa melalui deteksi tepi ......................................................... 64

Tabel 5.12 Rangkuman hasil analisis output hasil segmentasi


xvii

melalui deteksi tepi ................................................................... 66

Tabel 5.13 Rangkuman hasil analisis output segmentasi

tanpa deteksi tepi ...................................................................... 66


melalui deteksi tepi dengan operator canny MATLAB .............. 67


melalui deteksi tepi dengan operator sobel MATLAB ................ 68


1

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


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.


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.


4

D. Batasan Masalah

Adapun permasalahan yang akan diselesaikan akan dibatasi oleh hal-

hal 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 :


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 masing-

masing 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.


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.


7

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 :


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

28 = 256, dan nilai maksimumnya adalah 2

8 – 1 = 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.


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 255 255 0. Dengan demikian setiap titik pada citra warna

membutuhkan data 3 byte.

Jumlah kombinasi warna yang mungkin untuk format citra ini

adalah 224

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


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.


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, ciri-

ciri 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.


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


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 90o

. Dapat dilihat pada gambar 2.5.

Gambar 2.5 Tepi curam


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 2.6.

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

5 5 10 10 15 15

5 5 10 10 15 15

5 5 10 10 15 15

5 5 10 10 15 15


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


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.


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.


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.


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

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1

0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1


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) = - 4

3. Maka diperoleh M = |0| + |-4| = 4.

Untuk konvolusi contoh kedua, dengan titik pusat yang ditandai

dengan warna biru :

0 0 0

1 1 1

1 1 1

0 0 1

1 1 1

1 1 1


21

Dengan dan


Gx = (0)(-1) + (1)(-2) + (1)(-1) + (0)(0) + (1)(0) + (1)(0) + (1)(1) +

(1)(2) + (1)(1) = 0


Gy = (0)(1) + (0)(2) + (1)(1) + (1)(0) + (1)(0) + (1)(0) + (1)(-1) +

(1)(-2) + (1)(-1) = - 3

3. Maka diperoleh M = |1| + |-3| = 4.

Untuk konvolusi contoh ketiga, dengan titik pusat yang ditandai

dengan warna hijau :

Dengan dan


Gx = (0)(-1) + (0)(-2) + (1)(-1) + (0)(0) + (1)(0) + (1)(0) + (0)(1) +

(1)(2) + (1)(1) = 2


Gy = (0)(1) + (0)(2) + (0)(1) + (0)(0) + (1)(0) + (1)(0) + (1)(-1) +

(1)(-2) + (1)(-1) = - 4

0 0 0

0 1 1

1 1 1


22

3. Maka diperoleh M = |2| + |-4| = 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

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 6

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 6

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 4

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 6 4

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 6 2

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 4 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 6 4 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 6 6 2 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 6 6 2 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 6 6 2 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 6 6 2 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 4 4 6 6 2 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 2 4 6 6 4 4 2 0 0 0 0 0 0

0 0 0 0 0 0 0 0 2 4 4 4 6 6 4 2 0 0 0 0 0 0 0 0 0

0 0 2 4 4 4 4 4 6 6 4 4 4 2 0 0 0 0 0 0 0 0 0 0 0

4 4 6 6 4 4 4 4 4 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

4 4 4 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0


23

Untuk hasil konvolusi dari citra semula dapat dilihat pada gambar

2.13. 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.


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 nilai-

nilai 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 hi

dihitung dengan rumus :

hi = 𝑛𝑖

𝑛, 𝑖 = 0, 1, … , 𝐿 − 1 ............................ (2.4)

di mana ni 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


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 (Pv[i]), didefinisikan sebagai

berikut :

𝑃𝑣 𝑖 = 𝑆 𝑖, 𝑗

𝑀

𝑗=1

… … … … … … … … … … 2.5

Sedangkan profil horisontal direpresentasikan dengan suatu vektor

(Ph) berukuran M. Profil horisontal pada kolom ke-j, yaitu (Ph[j]),

didefinisikan sebagai berikut :

𝑃ℎ 𝑗 = 𝑆 𝑖, 𝑗

𝑁

𝑗=1

… … … … … … … … … … 2.6

Gambar 2.14 Profil proyeksi horisontal dan vertikal

(Zramdini dan Ingold, 1993)


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 fungsi-

fungsi MATLAB (Mfiles) yang telah dikembangkan ke suatu lingkungan

kerja MATLAB untuk memecahkan masalah dalam kelas particular. Area-

area 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,


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


28

Gambar 2.16 Hasil deteksi tepi Gambar 2.17 Hasil deteksi tepi

Prewit Canny

Gambar 2.18 Hasil deteksi tepi Gambar 2.19 Hasil deteksi tepi

Sobel 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.


29

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.


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 0.

3. 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


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 X3100

2. Analisa Kebutuhan Software

a. Matlab menggunakan Matlab versi 7.8.0.347 (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.


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

0

Sistem Deteksi tepi

dan Pengujiancitra-citra karakter

citra dokumen

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

User1

Deteksi Tepi

citra dokumen 2

Segmentasi

citra-citra karakter

citra hasil deteksi tepi

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


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 : citra dokumen

Output : 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).


34

Mulai

citra = imread(‘citra.jpg’);

citra_bw = im2bw(citra);

[N,M] = size(citra_bw);

Sx = [ -1 0 1; -2 0 2; -1 0 1];

Sy = [ 1 2 1; 0 0 0; -1 -2 -1];

konvolusiX = zeros(size(citra_bw));

konvolusiY = zeros(size(citra_bw));

tinggi = 2;

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)) ;

tinggi <= N-1

lebar = 2

Ya

lebar <= M-1

Ya

tinggi + 1 Tidak

lebar + 1

citrakonvolusi = abs(konvolusiX) +

abs(konvolusiY);

Tidak

citrahasil =

bwmorph(citrakonvolusi,'thin',Inf);

Selesai

Gambar 3.4 Flowchart Proses Deteksi Tepi


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 baris-

baris 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.


36

2.1

Proyeksi

vertikal

2.2

Cari indeks

baris

2.3

Potong

baris

File

indeks baris

2.4

Proyeksi

horisontal

2.5

Cari indeks

kolom

2.6

Potong

karakter

File

citra-citra baris

histogram vertikal indeks bariscitra dokumen

citra dokumen

citra-citra baris

indeks baris

citra-citra baris

File

indeks kolom

File


indeks kolom

indeks kolom



citra-citra baris

citra-citra

baris

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 :


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,-).


38

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 7.8.0.347 (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)



Sx= [ -1 0 1 -2 0 2 -1 0 1 ];

Sy= [ 1 2 1 0 0 0 -1 -2 -1 ];

konvolusiX=zeros(size(citra_bw)); konvolusiY=zeros(size(citra_bw));


39

tinggi = 2;

while tinggi <= N-1

lebar = 2;

while lebar <= M-1

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_bw(tinggi-1,lebar-1)) +

(Sy(1,2) * citra_bw(tinggi-1,lebar)) +

(Sy(1,3) * citra_bw(tinggi-1,lebar+1)) +

(Sy(2,1) * citra_bw(tinggi,lebar-1)) +

(Sy(2,2) * citra_bw(tinggi,lebar)) +

(Sy(2,3) * citra_bw(tinggi,lebar+1)) +

(Sy(3,1) * citra_bw(tinggi+1,lebar-1)) +

(Sy(3,2) * citra_bw(tinggi+1,lebar)) +

(Sy(3,3) * citra_bw(tinggi+1,lebar+1)) ;

lebar = lebar + 1;

end

tinggi = tinggi + 1;

end

citrakonvolusi = abs(konvolusiX) + abs(konvolusiY);

citrahasil = bwmorph(citrakonvolusi,'thin',Inf);

Sintak di atas merupakan sintak untuk deteksi tepi dengan

operator sobel. Mula-mula dilakukan proses baca citra yang akan

digunakan sebagai masukan untuk proses deteksi tepi. Fungsi im2bw


40

digunakan untuk mengubah citra masukan menjadi citra biner.

Kemudian mencari ukuran matriks citra [N,M], N untuk tinggi, dan M

untuk lebar.

Selanjutnya mendeklarasikan kernel Sobel. Sx untuk konvolusi

arah horisontal, dan Sy untuk konvolusi arah vertikal, serta membuat

matriks zero untuk menampung masing-masing nilai konvolusi

dengan dimensi yang sesuai dengan lebar dan tinggi citra.

Setelah itu lakukan konvolusi citra terhadap masing-masing

mask sobel. Untuk letak masing-masing piksel pada citra tersebut,

dengan menggunakan jendela 3x3 yang terdiri dari 8 titik tetangga,

yang dimulai dengan tinggi = 2 dan lebar = 2. Variabel konvolusiX

digunakan untuk menampung hasil konvolusi dengan Sx, sedangkan

variabel konvolusiY digunakan untuk menampung hasil konvolusi

dengan Sy.

Setelah dilakukan konvolusi terhadap masing-masing mask

sobel, lakukan penjumlahan absolut keduanya. Variabel citrakonvolusi

menyimpan hasil penjumlahan absolut antara konvolusiX dan

konvolusiY.

Kemudian dilakukan proses thinning. Variabel citrahasil

merupakan hasil akhir citra yang sudah mengalami proses deteksi tepi

dengan thinning. Proses thinning tersebut dengan menggunakan fungsi

matlab, yaitu dengan fungsi bwmorph.


41

2. Implementasi Segmentasi

Dalam melakukan implemantasi segmentasi, penulis

mengimplemantasikan sesuai dengan acuan Widiarti (Widiarti, 2007).


42

BAB V

ANALISA HASIL DAN PEMBAHASAN

Dalam bab ini berisi mengenai analisa hasil implementasi deteksi tepi

menggunakan operator sobel pada citra aksara jawa yang digunakan untuk

membantu proses segmentasi serta pembahasannya.

A. Data Masukan

Data masukan untuk pengujian adalah citra dokumen aksara jawa

yang relatif bebas noise dan tidak miring. Terdapat 5 citra dokumen yang

akan dijadikan input untuk penelitian ini. Data yang dipergunakan dalam

tugas akhir ini adalah data dari dokumen buku sastra Jawa modern Menak

Sorangan I (Yasadipura,1963) halaman 3 sampai halaman 7. Karakteristik

data citra dokumen masukan dapat dilihat pada tabel berikut :

Tabel 5.1 Kriteria citra dokumen masukan

No. Nama File Dokumen Ukuran panjang dan

lebar citra (piksel) Besar File

1 Data1.jpg 1582 x 2208 1.04 MB

2 Data2.jpg 1520 x 2312 857KB

3 Data3.jpg 1529 x 2340 987 KB

4 Data4.jpg 1531 x 2390 0.98 MB

5 Data5.jpg 1493 x 2340 927 KB


43

Gambar 5.1 Citra dokumen masukan data 1 (Widiarti, 2007)

Gambar 5.1 merupakan citra masukan yang berupa citra dokumen

beraksara Jawa dengan derajat keabuan, yang terbebas dari noise dan tidak


44

miring. Citra masukan tersebut selanjutnya akan dikenai proses deteksi tepi

dengan operator sobel.

B. Analisis Hasil

Dari citra masukan yang kemudian dikenai proses deteksi tepi. Proses

pertama dalam deteksi tepi yaitu melakukan konvolusi citra masukan

dengan gradient Sx dan Sy. Konvolusi dengan gradient Sx bertujuan untuk

mendapatkan tepi-tepi yang searah dengan sumbu x, seperti terlihat pada

gambar 5.2. Sedangkan konvolusi dengan gradient Sy bertujuan untuk

mendapatkan tepi-tepi yang searah dengan sumbu y, seperti terlihat pada

gambar 5.3.

Dari citra masukan dengan latar belakang yang bernilai 1 (putih),

setelah dilakukan proses konvolusi maka akan berubah menjadi bernilai 0

(hitam) untuk latar belakang. Untuk memudahkan dalam melakukan

analisis, maka citra hasil keluaran tersebut, dilakukan proses invert sehingga

citra hasil deteksi tepi dapat terlihat jelas.


45

Gambar 5.2 Citra data 1 hasil konvolusi dengan Gradien X


46

Gambar 5.3 Citra data 1 hasil konvolusi dengan Gradien Y


47

Gambar 5.4 Hasil deteksi tepi citra dokumen data 1


48

Setelah dilakukan konvolusi terhadap masing-masing gradien pada

citra masukan, kemudian dilakukan penjumlahan absolut dan proses

thinning sehingga didapatkan hasil akhir dari proses deteksi tepi. Gambar

5.4 merupakan citra dokumen data 1 yang sudah melalui tahapan-tahapan

dalam proses deteksi tepi.

Dari citra dokumen masukan yang kemudian dikenai proses deteksi

tepi dan kemudian dilakukan proses segmentasi, maka diperoleh hasil

output berupa citra karakter penyusun citra dokumen. Analisis output ini

berfungsi untuk membandingkan banyaknya citra karakter hasil proses

segmentasi yang dikenai deteksi tepi, dengan proses segmentasi yang tidak

dikenai deteksi tepi.

Sebagai contoh untuk citra dokumen data1, setelah dilakukan proses

deteksi tepi, kemudian selanjutnya dilakukan dengan proses segmentasi,

yang akan menghasilkan citra-citra karakter. Gambar 5.5 merupakan baris

pertama dalam data 1 setelah dilakukan proses poong baris dalam proses

segmentasi.

Gambar 5.5 Potongan baris 1 dari citra data 1

Kemudian setelah semua proses segmentasi dilakukan, maka hasil

keluarannya berupa citra-citra karakter seperti yang terlihat pada gambar

5.6. Citra-citra karakter yang tampak dalam gambar 5.6 tersebut merupakan


49

citra karakter yang benar dan utuh, sehingga dalam analisis output

selenjutnya citra-citra karakter seperti ini yang akan dihitung kebenarannya.

Gambar 5.6 Citra-citra karakter baris 1 data1

Untuk citra dokumen data 1 diperoleh tabel data analisis output

segmentasi citra dokumen sebagai berikut :


melalui deteksi tepi

Baris

Banyak

Karakter Benar Keterangan

Citra Hasil

1 17 17 17 -

2 11 14 8 Ada 3 karakter terpotong menjadi 2 baris

3 22 24 20 Ada 1 karakter terpotong menjadi 2 kolom

4 25 25 25 -

5 26 26 26 -


7 23 12 0

Baris 7 dan 8 tidak terpisah, kedua baris

tersebut terpotong menjadi 12 kolom 8 25

9 26 26 26 -


50

Baris

Banyak


Citra Hasil


11 21 22 14 Ada 8 karakter tergabung dengan baris 12

12 24 27 15

Ada 7 karakter tergabung dengan baris 11

Ada 1 karakter terpotong menjadi 2 kolom



14 23 29 18 Ada 2 karakter tergabung dengan baris 13


15 26 26 26 -



Ada 2 karakter tergabung menjadi 1 kolom

18 26 26 26 -

19 1 1 1 -



21 26 26 26 -

Total 476 463 388


tanpa deteksi tepi

Baris

Banyak


Citra Hasil






Ada 1 karakter terpootng menjadi 3 kolom

5 26 26 26 -


51



7 23 26 12




8 25 31 15

Ada 3 karakter terpootng menjadi 2 kolom








12 24 33 13





14 23 37 15




Ada 1 karakter terpotong menjadi 2 baris

15 26 26 26 -





19 1 1 1 -


21 26 26 26 -

Total 476 554 393

Dari hasil analisis output dari citra dokumen data 1 pada tabel 5.2,

diperoleh 476 karakter dalam citra dokumen. Melalui proses deteksi tepi

yang kemudian disegmentasi diperoleh 463 karakter secara keseluruhan dan

388 karakter yang tersegmentasi dengan benar dan utuh. Sehingga dari hasil

tersebut dapat dihitung prosentase derajat keberhasilan segmentasi citra


52

dokumen melalui proses deteksi tepi yaitu sebesar 81,51% yang diperoleh

dari (388/476) x 100%.


diperoleh 476 karakter dalam citra dokumen. Tanpa melalui proses deteksi

tepi yang kemudian disegmentasi diperoleh 554 karakter secara keseluruhan

dan 393 karakter yang tersegmentasi dengan benar dan utuh. Sehingga dari

hasil tersebut dapat dihitung prosentase derajat keberhasilan segmentasi

citra dokumen yaitu sebesar 82,56% yang diperoleh dari (393/476) x 100%.

Berdasarkan hasil analisis dari data 1, maka dapat dilihat bahwa hasil

prosentase segmentasi tanpa deteksi tepi lebih baik dibandingkan dengan

segmentasi tanpa deteksi tepi. Dikarenakan beberapa baris citra dalam

segmentasi dengan deteksi tepi tidak terpotong dengan baik.





Baris

Banyak


Citra Hasil

1 1 1 1 -




5 24 41 12



Ada 7 karakter terpisah menjadi 2 baris


53

Baris

Banyak


Citra Hasil


7 25 34 15






9 24 42 10









12 24 28 19










17 22 27 15






19 24 46 11










54




Total 527 676 404


tanpa deteksi tepi

Baris

Banyak


Citra Hasil

1 1 1 1 -







5 24 48 11







7 25 46 12





9 24 50 10










55

Baris

Banyak


Citra Hasil

12 24 30 19









15 22 35 16








18 23 41 14





19 24 56 11




20 25 53 10





21 24 46 9




22 24 44 13




23 23 45 7




Total 527 842 333


56







dari (404/527) x 100%.






citra dokumen tanpa melalui proses deteksi tepi yaitu sebesar 63,19% yang

diperoleh dari (333/527) x 100%.

Berdasarkan hasil analisis dari data 2 tersebut, maka dapat kita lihat

bahwa hasil segmentasi dengan deteksi tepi lebih baik dibandingkan

segmentasi tanpa deteksi tepi. Hal ini dikarenakan banyak karakter hasil

segmentasi tanpa deteksi tepi banyak yang terpotong menjadi beberapa

kolom. Hal tersebut dapat terlihat pada dua tabel di atas. Pada tabel 5.4

jumlah karakter yang tersegmentasi sebanyak 676, sedangkan pada tabel 5.5

jumlah karakter yang tersegmentasi sebanyak 842.




57



Baris

Banyak


Citra Hasil

1 1 1 1 -

2 23 23 23 -

3 24 24 24 -

4 25 25 25 -

5 24 24 24 -

6 26 26 26 -

7 27 27 27 -

8 22 22 22 -


10 25 24 23 Ada 2 karakter tergabung menjadi 1 kolom


12 25 25 25 -

13 24 24 24 -



16 23 23 23 -

17 25 25 25 -


19 23 23 23 -

20 25 25 25 -


22 23 10

1 Baris 22 dan 23 tidak terpisah, kedua baris

tersebut terpotong menjadi 10 kolom 23 24 0

Total 535 499 479


58


tanpa deteksi tepi

Baris

Banyak


Citra Hasil

1 1 1 1 -


3 24 24 24 -



6 26 26 26 -

7 27 27 27 -

8 22 22 22 -


10 25 25 25 -



13 24 24 24 -


15 24 24 24 -

16 23 23 23 -

17 25 25 25 -


19 23 23 23 -

20 25 25 25 -


22 23 10



Total 535 505 476






59



dari (479/535) x 100%.

Dari hasil analisis output citra dokumen data 3 pada tabel 5.7,








bahwa hasil segmentasi melalui deteksi tepi lebih baik dibandingkan

segmentasi tanpa deteksi tepi. Hal tersebut dikarenakan, deteksi tepi berhasil

merekonstruksi citra yang terpotong menjadi beberapa kolom menjadi citra

yang utuh dan benar. Hal tersebut tampak pada baris 2, baris 5, dan baris 12.





Baris

Banyak


Citra Hasil

1 1 1 1 -


60

Baris

Banyak


Citra Hasil



3 23 23 23 -

4 24 24 24 -

5 26 26 26 -

6 23 23 23 -

7 27 27 27 -



10 25 25 25 -


12 25 26 24 Ada 1 karakter terpotonh menjadi 2 kolom

13 25 25 25 -

14 22 22 22 -


16 27 27 27 -

17 23 23 23 -

18 24 24 24 -

19 27 27 27 -


21 27 27 27 -


23 24 24 24 -

Total 547 546 532


tanpa deteksi tepi

Baris

Banyak


Citra Hasil

1 1 1 1 -


61

Baris

Banyak


Citra Hasil


3 23 23 23 -

4 24 24 24 -

5 26 26 26 -

6 23 23 23 -

7 27 27 27 -

8 27 27 27 -


10 25 25 25 -



13 25 25 25 -

14 22 22 22 -


16 27 27 27 -

17 23 23 23 -


19 27 27 27 -





23 24 24 24 -

Total 547 552 534







62


dari (532/547) x 100%.









bahwa hasil segmentasi tanpa deteksi tepi lebih baik dibandingkan

segmentasi melalui deteksi tepi. Hal tersebut dikarenakan, ada beberapa

citra karakter yang tergabung menjadi 1 kolom seperti terlihat di baris 2,

baris 8, dan baris 22, walaupun deteksi tepi di sini juga mampu

merekonstruksi bentuk citra karakter yang terpotong menjadi beberapa

kolom menjadi citra karakter yang utuh dan benar, seperti di baris 18, baris

20, dan baris 21.




63



Baris

Banyak


Citra Hasil

1 1 1 1 -

2 22 10 0



4 23 14



6 25 25 25 -






11 26 26 26 -

12 24 24 24 -


14 22 22 22 -

15 22 22 22 -

16 24 24 24 -


18 22 22 22 -

19 25 25 25 -

20 25 25 25 -

21 23 23 23 -

22 5 5 5 -

Total 477 409 376


64


tanpa deteksi tepi

Baris

Banyak


Citra Hasil

1 1 1 1 -

2 22 18 0



4 23 15



6 25 25 25 -



8 25 25 25 -



11 26 26 26 -

12 24 33 16 Beberapa karakter terpotong oleh baris di

atasnya.


14 22 22 22 -

15 22 22 22 -

16 24 24 24 -


18 22 22 22 -

19 25 25 25 -

20 25 25 25 -

21 23 23 23 -

22 5 6 4 Ada 1 karakter tepotong menjadi 2 baris

Total 477 431 370






65



dari (376/477) x 100%.









bahwa hasil segmentasi melalui deteksi tepi lebih baik dibandingkan

segmentasi tanpa deteksi tepi. Hal tersebut dikarenakan, ada beberapa citra

karakter yang dihasilkan dari proses segmentasi tanpa deteksi tepi yang

sebenarnya adalah 1 baris, tetapi menjadi 2 baris, seperti pada baris ke 12.

Dengan deteksi tepi hal tersebut tidak terjadi, karena deteksi tepi dapat

berhasil merekonstruksi bentuk citra yang sebenarnya.

Dari hasil analisis output untuk semua data citra dokumen dapat

dirangkum dan diambil kesimpulan berapa besar prosentase keberhasilan

atau keakuratan rata-rata dari proses segmentasi dengan adanya deteksi tepi

ini. Hasil rangkuman tersebut dapat dilihat dalam tabel 5.12 berikut ini.


66



Data Jumlah Karakter

Benar Prosentase

Keberhasilan Citra Dokumen Hasil Segmentasi

1 476 463 388 81,51%

2 527 676 404 76,66%

3 535 499 479 89,53%

4 547 546 532 97,26%

5 477 409 376 78,83%

Rata-rata Prosentase Keberhasilan 84,76%

Dihitung Simpangan Rerata dari tabel 5.12 :

SR = ( | 𝑋𝑖 − 𝑥 | ) / n

dimana n = banyak data, 𝑥 = rata-rata, dan 𝑋𝑖 = data ke-

Maka, diperoleh SR = 31,55 / 5 = 6,31.

Dari hasil analisis output untuk semua data citra dokumen dapat

dirangkum dan diambil kesimpulan berapa besar prosentase keberhasilan

atau keakuratan rata-rata dari proses segmentasi dengan tanpa adanya

deteksi tepi ini. Hasil rangkuman tersebut dapat dilihat dalam tabel 5.13

berikut ini.


tanpa deteksi tepi


Benar Prosentase


1 476 554 393 82,56%

2 527 842 333 63,19%

3 535 505 476 88,97%

4 547 552 534 97,62%

5 477 431 370 77,57%



67


SR = ( | 𝑋𝑖 − 𝑥 | ) / n



Dilihat dari hasil analisis dengan pengamatan visual, deteksi tepi

dengan operator sobel mampu memberikan hasil yang lebih baik dalam

segmentasi. Rata-rata prosentase keberhasilan segmentasi dengan adanya

deteksi tepi dengan operator sobel yaitu 84,76%, sedangkan rata-rata

prosentase keberhasilan segmentasi tanpa adanya deteksi tepi dengan

operator sobel hanya 81,98% seperti terlihat pada tabel 5.13.

Untuk menguji keberhasilan deteksi tepi dengan operator sobel yang

dikerjakan dalam tugas akhir ini, yang pertama akan dilakukan

perbandingan dengan deteksi tepi dengan operator canny yang tersedia

dalam toolbox MATLAB. Setelah dilakukan analisis output untuk deteksi

tepi dengan operator canny, maka hasil secara keseluruhan dirangkum

dalam tabel 5.14 seperti di bawah ini.


melalui deteksi tepi dengan operator canny MATLAB


Benar Prosentase


1 476 332 261 54,83%

2 527 562 256 48,58%

3 535 170 147 27,48%

4 547 428 386 70,57%

5 477 366 324 67,92%



68


SR = ( | 𝑋𝑖 − 𝑥 | ) / n



Hasil yang diperoleh dari segmentasi dengan adanya deteksi tepi

dengan operator canny menunjukkan rata-rata keberhasilan sebesar 53,88%.

Hal tersebut membuktikan bahwa segmentasi dengan adanya deteksi tepi

dengan operator sobel yang yang dikerjakan dalam tugas akhir ini mampu

memberikan hasil yang lebih baik dibanding segmentasi dengan adanya

deteksi tepi dengan operator canny.


melalui deteksi tepi dengan operator sobel MATLAB


Benar Prosentase


1 476 288 253 53,15%

2 527 613 273 51,80%

3 535 468 434 81,12%

4 547 550 533 97,44%

5 477 409 375 78,62%



SR = ( | 𝑋𝑖 − 𝑥 | ) / n




69

Hasil yang diperoleh dari segmentasi dengan adanya deteksi tepi

dengan operator sobel dengan menggunakan fungsi pada MATLAB

menunjukkan rata-rata keberhasilan sebesar 72,42%. Hal ini juga

menandakan bahwa operator sobel yang dikerjakan pada tugas akhir ini

relatif lebih baik, hal tersebut dikarenakan operator sobel yang dikerjakan

pada tugas akhir ini menggunakan fungsi thinning dengan metode

morphology, walaupun operator sobel yang tersedia dalam toolbox

MATLAB default-nya juga menggunakan thinning. Maka proses thinning

yang dilakukan juga sangat berpengaruh terhadap hasil tepi-tepi yang

dihasilkan dari proses deteksi tepi.


70

BAB VI

KESIMPULAN DAN SARAN

A. Kesimpulan

1. Berdasarkan hasil pengujian dari penggunaan deteksi tepi

mempergunakan operator sobel untuk segmentasi menggunakan profil

proyeksi pada 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%. Maka dapat disimpulkan bahwa deteksi tepi mempergunakan

operator sobel dapat membantu meningkatkan prosentase keberhasilan

segmentasi karena terjadi proses rekonstruksi citra-citra karakter

setelah dilakukan deteksi tepi.

2. Berdasarkan hasil pengujian dari penggunaan deteksi tepi

mempergunakan operator canny untuk segmentasi menggunakan

profil proyeksi citra dokumen beraksara Jawa, diperoleh rata-rata

prosentase keberhasilan segmentasi sebesar 53,88%. Sementara dari

penggunaan deteksi tepi dengan operator sobel yang tersedia dalam

toolbox MATLAB, diperoleh rata-rata keberhasilan segmentasi sebesar

72,42%. Maka dapat disimpulkan bahwa deteksi tepi mempergunakan

operator sobel yang diimplementasikan pada tugas akhir ini, relatif


71

lebih baik dibandingkan dengan operator canny ataupun operator sobel

yang tersedia dalam toolbox MATLAB dikarenakan proses thinning

juga berpengaruh terhadap hasil tepi yang dihasilkan dari deteksi tepi

operator tersebut.

B. Saran

1. Perlu dicoba operator lain untuk deteksi tepi sehingga dalam

segmentasi akan diperoleh citra-citra karakter yang benar dan utuh

secara optimal, atau untuk meningkatkan prosesntase keberhasilan

segmentasi deteksi tepi dapat diimplementasikan pada citra dokumen

beraksara Jawa yang ditulis tangan.

2. Apabila dengan deteksi tepi hasil segmentasi tidak optimal, maka

untuk membantu segmentasi dapat dilakukan thinning terlebih dahulu.


72

DAFTAR PUSTAKA

Achmad, Ir. Balza, M.Sc. E dan Firdausy, Kartika, S.T., M.T., (2005). Teknik

Pengolahan Citra Digital menggunakan Delphi. Penerbit Ardi,

Yogyakarta.

Agushinta, Dewi dan Diyanti, Alina, (-) Perbandingan Kinerja Metode Deteksi Tepi

Pada Citra Wajah. Jurusan Ilmu Komputer, Universitas Gunadarma.

Anonim, (2009) Deteksi Tepi, diakses dari http://id.shvoong.com/exact-

sciences/physics/1803935-deteksi-tepi/ tanggal 14 November 2009.

Febriani dan Lussiana, ETP, (2008). Analisis penelusuran tepi citra menggunakan

detektor tepi sobel dan canny. Fakultas Ilmu Komputer dan Teknologi

Informasi, Universitas Gunadarma.

Fisher, R, Perkins, S, Walker, A, dan Wolfart, E, (2003). Sobel Edge Detector.

http://homepages.inf.ed.ac.uk/rbf/HIPR2/sobel.htm diakses tanggal 19

Agustus 2011.

Gonzalez, R., C., and Richard E., W. (1992). Digital Image Processing. Addison-

Wesley Publishing Company,Inc, Boston.

Gonzalez, R., C., and Richard E., W. (2000). Digital Image Processing. Prentice

Hall, Upper Saddle River, New Jersey.

Hamidah, Uma. (2010). Pebdeteksian Tepi (Edge Detection), diakses dari

http://umahamidah.blogspot.com/2011/05/pendeteksian-tepi-edge-

detection.html diakses bulan Oktober 2011.


http://id.shvoong.com/exact-sciences/physics/1803935-deteksi-tepi/

http://id.shvoong.com/exact-sciences/physics/1803935-deteksi-tepi/

http://homepages.inf.ed.ac.uk/rbf/HIPR2/sobel.htm

http://umahamidah.blogspot.com/2011/05/pendeteksian-tepi-edge-detection.html

http://umahamidah.blogspot.com/2011/05/pendeteksian-tepi-edge-detection.html

73

Iqbal, Muhammad, (2009). Dasar Pengolahan Citra Menggunakan Matlab,

Matlab Tutorial. Departemen Ilmu dan Teknologi Kelautan Fakultas

Perikanan dan Ilmu Kelautan Institut Pertanian Bogor.

Kasturi, R. et al. (2002). Document Image Analysis: A Primer. Sadhana, 27: 3-22.

Kusno, Murinto, (2009). Kualitas Deteksi Tepi, diakses dari

http://blog.uad.ac.id/murintokusno/2009/01/27/kualitas-deteksi-tepi-

edge-detection/ tanggal 29 November 2009.

Munir, R, (2004). Pengolahan Citra Digital dengan Pendekatan Algoritmik.

Informatika, Bandung.

Sigit, Riyanto, S.T. (2005), Step by Step Pengolahan Citra Digital. Penerbit Andi,

Yogyakarta.

Vitri, (2007). Segmentasi Citra Dokumen Teks Sastra Jawa Modern. Skripsi.

Widiarti, Anastasia Rita, (2007), Segmentasi Citra Dokumen Teks Sastra Jawa

Modern Mempergunakan Profil Proyeksi. SIGMA, Vol. 10, No.2: 167-

176.

Widiarti, AR., Krismiyati, L., dan Parmadi, EH. (2010). Pengenalan Citra

Dokumen Teks Sastra Jawa Modern. Laporan Penelitian Hibah

Bersaing Dikti. Tidak Diterbitkan.

Wijaya, Marvin Ch dan Prijono, Agus. (2007), Pengolahan Citra Digital

Menggunakan MatLAB, Informatika, Bandung.

Yasadipura I, R.Ng. (1936), Menak Sorangan. Batawisentrem: Balepoestaka.

Zramdini, A. and Ingold, R, (1993), Optical Font Recognition from Projection

Profiles. Electronic Publishing, 6: 249-260


http://blog.uad.ac.id/murintokusno/2009/01/27/kualitas-deteksi-tepi-edge-detection/

http://blog.uad.ac.id/murintokusno/2009/01/27/kualitas-deteksi-tepi-edge-detection/

LAMPIRAN


74

LAMPIRAN I

LISTING PROGRAM

1. LISTING PROGRAM DETEKSI TEPI

function citrahasil = deteksiTepi(citra)



Sx= [ -1 0 1

-2 0 2

-1 0 1 ];

Sy= [ 1 2 1

0 0 0

-1 -2 -1 ];

konvolusiX=zeros(size(citra_bw));

konvolusiY=zeros(size(citra_bw));

tinggi = 2;

while tinggi <= N-1

lebar = 2;

while lebar <= M-1

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_bw(tinggi-1,lebar-1)) +

(Sy(1,2) * citra_bw(tinggi-1,lebar)) +

(Sy(1,3) * citra_bw(tinggi-1,lebar+1)) +

(Sy(2,1) * citra_bw(tinggi,lebar-1)) +

(Sy(2,2) * citra_bw(tinggi,lebar)) +

(Sy(2,3) * citra_bw(tinggi,lebar+1)) +

(Sy(3,1) * citra_bw(tinggi+1,lebar-1)) +

(Sy(3,2) * citra_bw(tinggi+1,lebar)) +

(Sy(3,3) * citra_bw(tinggi+1,lebar+1)) ;


75

lebar = lebar + 1;

end

tinggi = tinggi + 1;

end

citrakonvolusi = abs(konvolusiX) + abs(konvolusiY);

citrahasil = bwmorph(citrakonvolusi,'thin',Inf);

2. LISTING PROGRAM SEGMENTASI

a. Submodul Proyeksi Vertikal

function proVer = proyeksiVertikal(citra)

[N,M]=size(citra);

k=zeros(N,1);

for i=1:N;

for j=1:M;

k(i) = k(i) + citra(i,j);

end

end

proVer = k;

b. Submodul Cari Indeks Baris

function inBar = cariIndeksBaris(in_proVer)

[N,M]=size(in_proVer);

t = N;

indeks = [0 0];

j=0;

i=1;

while i<t;

if in_proVer(i) ~= 0


76

j = j+1;

indeks(j,1) = i;

i = i+1;

end

while in_proVer(i) ~= 0

i = i+1;

if in_proVer(i) == 0

indeks(j,2) = i-1;

end

end

i = i+1;

end

inBar = indeks;

c. Submodul Potong Baris

function potBar= potongBaris(indeksbaris,citra )

ib = indeksbaris;

[N,M]=size(ib);

t = N;

for i=1:t

baris = citra((ib(i,1)):(ib(i,2)),:);

hasil{i} = baris;

end

potBar = hasil;

d. Submodul Proyeksi Horisontal

function proHor = proyeksiHorisontal(in_baris)

[N,M]=size(in_baris);

k = M;


77

u = 0;

for i=1:k

baris = cell2mat( in_baris(1,i));

[lBaris tBaris] = size(baris);

jumpik = zeros(1,tBaris);

for j=1:tBaris

for z=1:lBaris

jumpik(1,j) = jumpik(1,j) + baris(z,j);

end

end

hishor{i} = jumpik;

end

proHor = hishor;

e. Submodul Cari Indeks Kolom

function inKol = cariIndeksKolom(hishor)

[nn,jBaris] = size(hishor);

for baris=1:jBaris

indeksKolom = cell2mat(hishor(1,baris));

[N,M]=size(indeksKolom);

t = M;

indeks = [0 0];

j=0;

i=1;

while i<t;

if indeksKolom(i) ~= 0

j = j+1;

indeks(j,1) = i;

i = i+1;

end

while indeksKolom(i) ~= 0

i = i+1;

if indeksKolom(i) == 0

indeks(j,2) = i-1;

end

end

i = i+1;

end

hasilIndeksKolom{baris} = indeks;

end

inKol = hasilIndeksKolom;

f. Submodul Potong Karakter

function potKar =

potongKarakter(indeksKolom,indeksBaris,gambarAsli)


78

[jumlahBaris nn] = size(indeksBaris);

jumlah = 0;

for i = 1:jumlahBaris

kolom = cell2mat(indeksKolom(1,i));

[jmlKolom nnn] = size(kolom);

for j = 1:jmlKolom

hasil =

gambarAsli((indeksBaris(i,1):indeksBaris(i,2)),

(kolom(j,1)):(kolom(j,2)));

jumlah = jumlah +1;

hasilFinal{jumlah} = hasil;

end

end

potKar = hasilFinal;

g. Listing untuk melihat hasil karakter

function cekhasil(in_hasil,jumlahbelakang,jumlahdepan)

jumlahbelakang = jumlahbelakang -1;

while jumlahdepan > jumlahbelakang

figure(jumlahdepan),imshow(cell2mat(in_hasil(1,jumlahdepa

n)))

jumlahdepan = jumlahdepan - 1;

end


79

LAMPIRAN II

DATA CITRA DOKUMEN MASUKAN DAN HASIL

Citra dokumen masukan DATA 1 :


80

Citra dokumen hasil deteksi tepi DATA 1 :


81

Citra hasil segmentasi DATA 1 melalui deteksi tepi :


82

Citra hasil segmentasi DATA 1 :


83



84



85



86



87



88



89



90



91



92



93



94



95



96



97



98



99

LAMPIRAN 3

PRINT SCREEN PROGRAM MATLAB

Data 1 proses deteksi tepi :

Data 1 proses segmentasi tanpa deteksi tepi :


100




101




102




103




implementasi metode deteksi tepi dengan operator sobel

Documents