Analisis Hasil Deteksi dan Kesalahan pada Citra Komputer dan Webcam

BAB IV ANALISIS HASIL SIMULASI

4.4 Analisis Hasil Deteksi dan Kesalahan pada Citra Komputer dan Webcam

Secara keseluruhan dari 108 citra digital yang diujikan, dapat diketahui rincian hasil deteksi pada tabel 4.1

��%

��

� � � � � � � � � � � � � � � � �

��

Tabel 4.1 Perbandingan Hasil Uji Deteksi Lingkaran dan Elips

Parameter Komputer Webcam

Lingkaran Elips Lingkaran Elips

Jumlah Citra Uji 27 27 27 27

Jumlah Error Jenis bangun 0 0 5 0

Akurasi Jenis Bangun 100% 100% 81,84% 100%

Jumlah errorposisi 0 0 0 0

Akurasi posisi 100% 100% 100% 100%

Waktu Komputasi rata-rata (s) 4,628 0,516 5,093 0,672 Waktu Komputasi Minimum (s) 2,609 0,268 0,269 0,264 Waktu Komputasi Maksimum (s) 6,726 0,799 7,563 1,145 Berdasarkan tabel tersebut, dapat disimpulkan:

1. Jumlah error dalam mendeteksi jenis bangun sebanyak 5, sehingga akurasi dalam pendeteksian jenis bangun 95,46%

2. Dalam mendeteksi posisi dan proses rekonstruksi bangun, jumlah error =0, sehingga akurasinya 100%.

3. Waktu Komputasi Algoritma Transformasi Hough untuk mendeteksi lingkaran (CHT) rata-rata 4,86 detik, dengan waktu komputasi terlama mencapai 7,563 detik sedangkan waktu tercepat 0,269 detik.

4. Waktu Komputasi Algoritma Transformasi Hough untuk mendeteksi Elips (EHT) rata-rata 0,594 detik, dengan waktu komputasi terlama mencapai 1,145 detik sedangkan waktu tercepat 0,264 detik.

Dalam mendeteksi jenis bangun, kesalahan sebanyak 5 buah dalam mendeteksi bangun terletak pada citra lingkaran hasil capture dari webcam. Hal ini dikarenakan objek lingkaran yang di capture webcam masih meninggalkan derau berupa bayangan dari objek tersebut. Sehingga pada pemrosesan awal, bayangan objek mempengaruhi kelengkungan lingkaran. Maka akan berakibat pada hasil algoritma Transformasi Hough standar yang menghasilkan standar deviasi yang melebihi threshold untuk mendeteksi lingkaran. Selain itu kesalahan deteksi juga bisa diakibatkan objek mengalami kelengkungan yang tidak diinginkan karena terdapat lipatan pada objek. Hal ini juga bisa menyebabkan standar deviasi yang dihasilkan melebihi threshold lingkaran. Kesalahan juga bisa terdapat dalam posisi kamera saat meng-capture objek lingkaran. Apabila posisi kamera tidak tegak lurus dengan objek maka perbedaan sudut dengan objek lingkaran akan berpengaruh pada citra lingkaran yang di-capture menjadi citra elips.

Untuk citra yang dibangkitkan lewat komputer, akurasi mencapai 100%. Hal ini dikarenakan tidak adanya derau berupa bayangan dan bentuk elips dan lingkaran yang dideteksi sudah absolut, yaitu dalam penglihatan sudah terlihat berbeda. Ini menyebabkan hasil Transformasi Hough Standar akan terlihat berbeda untuk lingkaran dan elips, sehingga plot data standar deviasi pun dapat terlihat jelas. Lingkaran yang diuji berbentuk bulat teratur, yaitu dengan jari-jari yang sama. Sedangkan elips yang diuji memiliki sumbu mayor yang secara kasat mata berbeda dengan sumbu minornya. Dalam sub-bab berikutnya akan dilihat bagaimana pengaruh dari jari-jari (eksentrisitas) elips terhadap pendeteksian elips.

Dalam penelitian ini untuk penelitian dengan citra yang diambil dari webcam , digunakan lingkaran dengan diameter 4cm, 5cm, dan 6cm, sedangkan elips dengan jari-jari minor (b) tetap yaitu 1,5cm tetapi jari-jari mayor yang berbeda yaitu 3cm, 4,5cm, dan 6cm.

Pengambilan dilakukan 30cm dari objek. Sedangkan untuk penelitian ideal (CorelDRAW) jari-jari lingkaran yang dipakai adalah 60 piksel, 90 piksel, dan 120 piksel. Untuk elips yang dipakai jari-jari minor tetap yaitu 60 piksel tetapi jari-jari mayornya yang berbeda yaitu 120 piksel, 180 piksel, dan 240 piksel.

Pada penelitian elips dan penelitian lingkaran jangka waktu komputasi berbeda cukup signifikan. Hal ini seperti yang telah dijelaskan di bab 2, pada algoritma Transformasi Hough untuk deteksi lingkaran, masih menggunakan array 3 Dimensi, dimana array ini berisikan jari-jari, dan 2 titik pusat, sedangkan pada algoritma Transformasi Hough untuk mendeteksi elips, sudah di optimasi sehingga hanya menggunakan array 1 Dimensi yang berisikan calon sumbu minor dari elips saja.

Dalam algoritma Transformasi Hough untuk mendeteksi lingkaran tersebut, waktu komputasi terlama mencapai 7,563 detik sedangkan waktu tercepat 0,269 detik. Perbedaan ini juga didapat berdasarkan jari-jari lingkaran yang berbeda, seperti yang terlampir di lampiran A.1 dan A.3, semakin besar jari-jari lingkaran maka akan semakin lama waktu komputasinya. Karena jari-jari lingkaran yang ingin dideteksi tidak diketahui, maka dibutuhkan iterasi rentang R minimum sampai R batas maksimum untuk mendapatkan jari- jari yang terbaik. Maka apabila lingkaran semakin besar, maka iterasi dilanjutkan sampai batas maksimum jari-jari lingkaran ditemukan. Begitu juga dalam algoritma Transformasi Hough untuk mendeteksi elips, perbedaan sumbu mayor dan sumbu minor yang semakin besar maka akan mempengaruhi waktu komputasi juga. Semakin besar ukuran citra tepi hasil preprocessing maka akan semakin bertambah waktu untuk komputasinya.

Dapat disimpulkan, waktu komputasi dipengaruhi oleh spesifikasi komputer yang digunakan, ukuran objek, serta jenis bangun yang akan dideteksi (lingkaran atau elips) 4.5 Analisis Hasil Uji Tingkat Eksentrisitas Elips pada Citra Komputer dan

Webcam

Rincian tabel hasil uji eksentrisitas elips dapat dilihat pada lampiran B. Secara keseluruhan dari 60 citra digital yang diujikan, dapat diketahui hasil deteksi pada tabel 4.2

Tabel 4.2 Perbandingan Hasil Uji Tingkat Eksentrisitas

Berdasarkan tabel tersebut, dapat disimpulkan:

1. Kesalahan terdapat dalam pendeteksian elips dengan eksentrisitas 0,2-0,4.

Sehingga akurasi dalam mendeteksi jenis bangun dengan eksentrisitas 0,2 adalah 0%, eksentrisitas 0,3 adalah 25%, dan eksentrisitas 0,4 adalah 91,67%. Elips dengan eksentrisitas 0,5 dan 0,8 memiliki kesalahan 0 dari masing-masing 12 kali percobaan, sehingga akurasi dalam mendeteksi elips sebesar 100%.

2. Dalam mendeteksi posisi setelah proses rekonstruksi keseluruhan, jumlah error

=0, sehingga akurasinya 100%.

3. Waktu Komputasi rata-rata Algoritma Transformasi Hough untuk mendeteksi Elips untuk seluruh eksentrisitas 1,259 detik, dengan waktu komputasi terlama mencapai 6,029 detik sedangkan waktu tercepat 0,092 detik.

Pada bagian ini bertujuan untuk mengetahui apakah pengaruh dari eksentrisitas dalam pendeteksian. Pada pendeteksian eksentrisitas 0,2 terdapat error yang cukup besar.

Error disini adalah hasil pendeteksian berupa lingkaran, bukan sebuah elips. Hal ini dikarenakan elips dengan eksentrisitas yang mendekati 0, akan mendekati bentuk seperti lingkaran, sesuai dengan rumus 2.16 pada bab 2. Lingkaran itu sendiri berarti sebuah elips yang memiliki jari-jari mayor dan jari-jari minor yang sama. Elips dengan eksentrisitas

kecil akan memiliki hasil deteksi Transformasi Hough standar yang mirip seperti lingkaran, sehingga standar deviasi yang dihasilkan akan mendekati lingkaran pula. Oleh karena itu pada perangkat lunak akan mendeteksi bangun tersebut sebagai l ingkaran.

0.2 0.3 0.4 0.5 0.8 0.2 0.3 0.4 0.5 0.8

Jumlah Citra Uji 6 6 6 6 6 6 6 6 6 6

Jumlah Error Jenis Bangun 6 5 1 0 0 6 3 0 0 0 Akurasi Jenis Bangun 0% 16,67% 83,33% 100% 100% 0% 50% 100% 100% 100%

Jumlah^Error Posisi (Fitting) 0 0 0 0 0 0 0 0 0 0 Akurasi Posisi 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%

Waktu Komputasi rata-rata (s) 3,914 2,749 0,5966 0,19 0,159 3,72074 1,494 0,192 0,19372 0,15903 Waktu Komputasi Maksimum (s) 6,029 4,971 2,414 0,315 0,266 5,41935 3,195 3,195 0,2794 0,23711 Waktu Komputasi minimum (s) 2,6142 0,401 0,152 0,108 0,092 2,25877 0,215 0,106 0,1138 0,09327

Parameter Komputer Webcam

Pada bagian eksentrisitas 0,2-0,4 dengan menggunakan citra yang di-capture oleh webcam ataupun dibangkitkan lewat komputer, kesalahan terletak pada bentuk elips yang apabila semakin kecil eksentrisitasnya maka akan semakin terlihat mirip lingkaran.

Eksentrisitas juga dapat mempengaruhi waktu komputasi. Semakin besar eksentrisitas maka semakin sedikit dibutuhkan waktu untuk mencari parameter elips dengan EHT.

Semakin kecil eksentrisitas, maka algoritma yang digunakan mendekati algoritma CHT, yang memeriksa semua kemungkinan jari-jari sebuah lingkaran.

Akan tetapi perangkat lunak yang diaplikasikan tetap memiliki akurasi yang sangat baik dalam proses fitting (rekonstruksi) dan mencari letak posisi benda berada, yaitu mencapai 100%.

Dapat disimpulkan, eksentrisitas elips mempengaruhi standar deviasi pada transformasi hough standar, sehingga mempengaruhi proses pemilihan deteksi, dan juga mempengaruhi waktu komputasi algoritma.

4.6 Hasil Uji Keandalan Sistem dengan Derau yang Dibangkitkan MATLAB 4.6.1 Poisson

Hasil uji dengan membangkitkan derau Poisson dapat dilihat pada tabel 4.3. Hasil uji diambil dari perwakilan masing-masing jenis dan rekonstruksi citra yang terdeteksi benar.

Tabel tersebut terletak dalam lampiran C.1. Secara keseluruhan dari 36 citra uji, akurasi deteksi jenis lingkaran atau elips mencapai 100% dan akurasi deteksi posisi mencapai 97%

dengan waktu komputasi rata-rata MHT untuk mendeteksi lingkaran 3,64 detik dan untuk mendeteksi elips 0,303 detik.

Secara Jelas dapat dilihat pada tabel dibawah ini:

Tabel 4.3 Perbandingan Hasil uji dengan derau Poisson

Dari hasil uji tersebut, dapat dilihat bahwa citra yang dibangkitkan dikomputer maupun citra yang dibangkitkan lewat webcam masih mampu mendeteksi jenis bangun (lingkaran atau elips), akan tetapi untuk citra yang dibangkitkan oleh webcam sensitifitas akan derau Poisson ini lebih tinggi, misal apabila citra yang di-capture kondisi cahayanya

Jenis Fitting Jenis Fitting Jenis Fitting

Jumlah ¹⁸ ¹⁸ ¹⁸ ¹⁸ ³⁶ ³⁶

Error 0 1 0 0 0 1

Akurasi ^100% 94% 100% 100% 100% 97%

Total Citra Webcam Citra Komputer

hasil capture webcam mengalami kesalahan dalam merekonstruksi elips karena masih banyaknya derau setelah tahap preprocessing . Berikut adalah perbandingan tampilan citra komputer dengan derau poisson dan citra webcam dengan derau poisson

Gambar 4.4 Citra komputer dan ditambah derau Poisson

Gambar 4.5 Citra komputer dan ditambah derau Poisson

4.6.2 Speckle

Berikut hasil pengujian sistem dengan citra yang ditambah derau Speckle dengan beberapa nilai variance. Jumlah citra yang diujikan masing-masing sebanyak 18 buah citra yang sama dengan citra uji derau Poisson.

Tabel 4.4 Hasil Uji Derau Speckle dengan Berbagai Variance

Berdasarkan tabel tersebut dapat diperoleh grafik akurasi sebagai berikut:

Gambar 4.6 Grafik akurasi hasil uji derau Speckle dengan berbagai variance Nilai Variance 0 0,05 0,1 0,2 0,3 0,4 0,5 0,6 0,7

Jenis (Webcam) ¹⁸ ^{11 10} ⁷ ⁷ ⁷ ⁷ ⁷ ⁷ Jenis (komputer) ¹⁸ 18 18 17 9 9 9 9 9

Fitting (Webcam) ¹⁸ ^{12 11} ⁰ ⁰ ⁰ ⁰ ⁰ ⁰ Fitting (komputer) ¹⁸ 18 18 18 0 0 0 0 0

�%

��%

� ��

� � � � � � � � � � � � � � � � � � � �

��

Dari grafik tersebut dapat diketahui bahwa semakin besar variance derau, maka akan semakin tidak akurat sistem. Dalam mendeteksi jenis bangun, untuk citra yang dibangkitkan komputer dapat dikatakan cukup akurat. Kesalahan di variance 0,2 terdapat pada citra lingkaran warna merah yang sudah terdeteksi sebagai elips. Pada citra webcam, dalam mendeteksi jenis bangun memiliki akurasi yang sangat buruk dikarenakan tidak dapat terdeteksinya garis tepi objek pada preprocessing karena derau yang semakin menumpuk pada objek. Pada variance diatas 0,2, proses rekonstruksi/ fitting tidak dapat dilakukan karena akibat derau yang menumpuk maka tepi yang terdeteksi bukanlah tepi dari objek utama.

Dapat disimpulkan dalam pendeteksian jenis bangun, semakin besar nilai variance pada derau Speckle maka semakin tidak akurat sistem ini. Tampilan citra dengan derau Speckle dapat dilihat pada gambar di bawah ini.

Gambar 4.7Citra komputer dan ditambah derau Speckle (variance 0,3)

Gambar 4.8Citra webcam dan ditambah derau Speckle (variance 0,3)

4.6.3 Salt and Pepper

Berikut hasil pengujian sistem dengan citra yang ditambah derau Salt and pepper dengan beberapa nilai kerapatan (density). Jumlah citra yang diujikan masing-masing sebanyak 18 buah citra yang sama dengan pengujian derau Poisson.

Tabel 4.5 Hasil Uji Derau Speckle dengan Berbagai Variance Noise Density 0 0,05 0,1 0,2 0,3 0,4 0,5 0,6 0,7

Jenis (Webcam) ¹⁸ 18 18 12 9 9 9 9 9

Jenis (komputer) ¹⁸ 18 18 18 13 9 9 9 9

Posisi (Webcam) ¹⁸ 18 18 14 6 0 0 0 0

Posisi (komputer) ¹⁸ 18 18 18 18 0 0 0 0

Berdasarkan tabel tersebut dapat diperoleh grafik akurasi sebagai berikut:

Gambar 4.9 Grafik akurasi hasil uji derau Salt and Pepper dengan berbagai kerapatan

Dari grafik tersebut dapat terlihat untuk semua jenis citra, baik dari komputer maupun webcam memiliki akurasi 100% hingga nilai kerapatan (density) sebesar 0,1 dalam mendeteksi jenis dan menentukan posisi dari bangun elips dan lingkaran. Untuk semua jenis citra (dari komputer atau webcam) kesalahan dalam menentukan jenis terdapat pada beberapa bangun lingkaran yang hasil pemrosesan awalnya tidak sempurna dan masih meninggalkan derau yang mengakibatkan nilai standar deviasi SHT melebihi ambang batas pendeteksian lingkaran sehingga mengakibatkan terdeteksi sebagai elips. Untuk citra dengan kerapatan derau ≥ 0,4 proses fitting tidak dapat dilakukan lagi karena derau pada citra sudah menumpuk dan tepi objek hasil pemrosesan awal sudah tidak terdeteksi lagi.

Tampilan citra dengan derau Salt and Pepper dapat dilihat pada gambar di bawah ini.

Gambar 4.10 Citra webcam dan ditambah derau Salt & Pepper (density 0,2)

Gambar 4.11 Citra komputer dan ditambah derau Salt & Pepper (density 0,2)

�%

��%

� ��

� � � � � � � � � � � � � � � � � � � �

��

4.6.4 Gaussian

Berikut hasil pengujian sistem dengan citra yang ditambah derau Gaussian dengan beberapa nilai kerapatan (density). Jumlah citra yang diujikan masing-masing sebanyak 18 buah citra yang sama dengan pengujian dengan derau Poisson.

Tabel 4.6 Hasil Uji Derau Gaussian dengan Mean=0 dan Berbagai Nilai Variance

Berdasarkan tabel tersebut dapat diperoleh grafik akurasi sebagai berikut:

Gambar 4.12 Grafik akurasi hasil uji derau Gaussian denganmean=0

Tabel 4.7 Hasil Uji Derau Gaussian, Variance=0,01 dan Berbagai Nilai Mean

Berdasarkan tabel tersebut dapat diperoleh grafik akurasi sebagai berikut:

Noise Densit y 0 0,05 0,1 0,2 0,3 0,4 0,5 0,6 0,7

Berdasarkan hasil uji tersebut, Untuk derau Gaussian dengan mean konstan (nol) citra yang dibangkitkan dari komputer saja yang terdeteksi 100% sampai variance 0,2.

Sementara untuk nilai variance konstan (0,01), untuk citra yang dibangkitkan oleh komputer jenis dan rekonstruksi objek masih dapat dilakukan hingga variance 0,5.

Sedangkan untuk citra webcam saat mean sebesar 0,05 akurasi mulai menurun cukup besar. Kesalahan terdapat pada citra berwarna hijau karena saat diberi derau warna objek dan latar semakin menyatu dan sulit dibedakan sistem. Variance mempengaruhi tingkat kerapatan derau, sementara mean mempengaruhi tingkat keputihan derau tersebut.

Tampilan derau Gaussian dapat dilihat pada gambar dibawah ini.

Gambar 4.14 Derau Gaussiandengan mean = 0, (var=0 kiri,var=0,2 tengah, var=0,5 kanan)

Gambar 4.15 Derau Gaussian dengan variance = 0.01, (mean=0 kiri, mean=0,2 tengah, mean=0,5 kanan)

4.7 Analisis Hasil Deteksi Objek Lingkaran dan Elips Sebenarnya pada Citra yang di-capture Webcam

Rincian tabel hasil uji objek sesungguhnya dapat dilihat pada lampiran D. Ada 120 citra yang akan diuji, masing-masing 60 citra elips dan 60 citra lingkaran. Dari 60 tersebut dibagi lagi menjadi 3 kategori lagi (kecil, sedang, dan besar) untuk setiap kategori terdapat 5 buah objek berbeda yang masing-masing di-capture 4 kali. Secara keseluruhan dari 120 citra digital yang diujikan, dapat diketahui hasil deteksi pada tabel 4.8.

Tabel 4.8 Perbandingan Hasil Uji Objek Sesungguhnya

Berdasarkan tabel tersebut, dapat disimpulkan:

1. Jumlah error dalam mendeteksi jenis bangun sebanyak 24, sehingga akurasi dalam pendeteksian jenis bangun 80%

2. Dalam mendeteksi posisi dan proses rekonstruksi bangun, jumlah error =16, sehingga akurasinya 86,66%.

3. Waktu Komputasi Algoritma Transformasi Hough untuk mendeteksi objek lingkaran rata-rata 3,933 detik, dengan waktu komputasi terlama mencapai 8,727 detik sedangkan waktu tercepat 0,437 detik.

4. Waktu Komputasi Algoritma Transformasi Hough untuk mendeteksi objek Elips rata-rata 0,43 detik, dengan waktu komputasi terlama mencapai 0,997 detik sedangkan waktu tercepat 0,636 detik.

Dalam pendeteksian jenis bangun terdapat berbagai jenis kesalahan, diantaranya faktor derau bayangan. Bayangan yang terdapat pada citra lingkaran apabila terlihat dengan jelas dan berbeda dengan warna latar saat diubah ke model warna HSV akan ikut terdeteksi sebagai objek juga, sehingga saat diubah menjadi citra biner dengan level auto threshold akan menjadikan objek tersebut berupa elips. Berikut contoh objek citra yang salah akibat bayangan dalam pendeteksian.

Gambar 4.16 Citra lingkaran yang terdeteksi sebagai elips karena bayangan (kiri=citra masukan, tengah=model warna HSV, kanan=hasil threshold )

Kecil Sedang Besar Kecil Sedang Besar

Jumlah Citra ²⁰ ²⁰ ²⁰ ²⁰ ²⁰ ²⁰

Kesalahan Deteks i Jenis ⁵ ⁴ ⁸ ⁰ ³ ⁴

Akurasi Jenis Bangun 75% 80% 60% 100% 85% 80%

Kesalahan Fitting Bangun ⁵ ² ¹ ⁰ ⁴ ⁴

Akurasi Fitting Bangun 75% 90% 95% 100% 75% 80%

Waktu Komputasi Rata-Rata(s) ^2,557 ^4,457 ^4,783 ^0,267 ^0,237 ^0,786 Waktu Komputasi Maksimum (s) 3,025 6,152 8,727 0,593 0,679 0,997 Waktu Komputasi Minimum (s) ^2,088 ^0,437 ^0,926 ^0,107 ^0,118 ^0,636

Lingkaran Elips

Selain bayangan, penyebab kesalahan deteksi yang lain adalah objek yang terlalu gelap dan berwarba terlalu mirip ke latar. Dalam pengubahan menjadi model warna HSV, objek dengan warna gelap dan mendekati kecerahan seperti warna latar akan menyebabkan sebagian besar bagian objek terdeteksi sama seperti latar. Sehingga objek akan menjadi tidak sempurna karena saat diubah menjadi citra biner sistem akan sulit menentukan threshold yang cocok. Berikut contoh objek citra yang salah karena berwarna terlalu gelap.

Gambar 4.17 Citra lingkaran yang tidak terdeteksi karena terlalu gelap (kiri=citra masukan, tengah=model warna HSV, kanan=hasil threshold )

4.8 Pengujian dengan Objek Selain Elips dan Lingkaran

Dalam tugas akhir ini, untuk mengetahui tingkat efektifitas sistem dalam pendeteksian dengan metode standar deviasi untuk mengklasifikasikan objek, maka sistem juga diuji dengan menggunakan bangun selain elips dan lingkaran. Dalam pengujian ini digunakan poligon bangun segitiga, segiempat, segilima, segi sepuluh, dan segi dua belas.

Berikut adalah tabel hasil penelitian dengan objek poligon:

Tabel 4.9 Hasil Uji Objek Selain Lingkaran dan Elips

Menurut teori, poligon merupakan sebuah bangun geometri yang tersusun dari garis lurus dan membentuk bidang tertutup^[9]. Sedangkan elips dan lingkaran merupakan sebuah kurva yang tertutup membentuk bidang. Dalam analisis ini sistem hanya akan digunakan sampai tahap pendeteksian saja, hal ini dikarenakan rekonstruksi menggunakan Algoritma Transformasi Hough Modifikasi hanya bisa mendeteksi objek tertentu saja (lingkaran dan Elips). Hasil pemetaan citra poligon segitiga, segiempat, dan segilima terdapat dalam lampiran E.

Name(*.bmp) Maxima STDEV Segitiga 195 1,84527 Segiempat 169 3,66939 Segilima 139 1,41098 Segisepuluh 70 4,18936 Segiduabelas 68 4,09427

Dari hasil penelitian tersebut dapat dilihat standar deviasi yang dihasilkan berbeda-beda dan melebihi batas threshold lingkaran sehingga sistem akan mendeteksinya sebagai elips, oleh karena itu metode standar deviasi tidak dapat digunakan untuk mendeteksi objek selain lingkaran dan elips. Akan tetapi dapat dilihat juga untuk parameter Local Maxima, semakin banyak sisi dari poligon, maka Local Maxima akan semakin mengecil.

Hal ini dikarenakan garis yang terdapat pada objek semakin kecil. Sehingga bisa mendekati bentuk objek lingkaran. Untuk itu parameter Local Maxima dapat digunakan untuk mendeteksi objek yang memiliki garis lurus seperti poligon.

Pada penelitian sebelumnya oleh Dzikrina Khoirunnisak, titik tersebut akan digunakan untuk penelitian selanjutnya untuk proses rekonstruksi poligon. Sedangkan dalam pendeteksian lingkaran nilai puncak tersebar dalam sinusoidal yang terbentuk dalam domain hough. Hal ini disebabkan karena lingkaran terbentuk dari garis yang tidak lurus melainkan kurva yang teratur. Untuk Deteksi Elips, titik puncak terdeteksi di pinggir sinusoidal, karena elips yang dideteksi membentuk kurva yang tidak teratur seperti lingkaran melainkan mendekati sebuah garis.

Gambar 4.18 Hasil transformasi segi sepuluh kedalam domain Hough

Gambar 4.19 Hasil transformasi segi duabelas kedalam domain Hough

BAB V PENUTUP

5.1 Kesimpulan

Dari hasil analisis terhadap pengujian yang dilakukan pada sistem pendeteksi lingkaran dan elips pada bangun 2 dimensi dengan menggunakan Transformasi Hough berbasis pengolahan citra digital, maka dapat diambil kesimpulan sebagai berikut:

a. Metode standar deviasi dapat digunakan dalam membedakan hasil ekstraksi ciri Transformasi Hough standar dalam pendeteksian elips dan lingkaran. Akan tetapi untuk mendeteksi bangun selain elips dan lingkaran metode ini tidak lagi bisa digunakan karena hanya bangun lingkaran yang memiliki homogenitas data jarak piksel atas dan piksel bawah yang paling stabil. Sehingga apabila mendeteksi bangun selain elips dan lingkaran akan menghasilkan bangun elips.

b. Perbedaan dalam pendeteksian objek kurva tertutup dengan objek poligon (segi 3,4,5) dapat dilihat dari nilai puncak (local maxima) dari hasil algoritma Transformasi Hough standar. Nilai puncak bangun poligon rata-rata diatas 100, dikarenakan poligon terdiri dari garis-garis lurus.

c. Dalam mendeteksi jenis bangun lingkaran atau elips 2D, tingkat akurasi mencapai 100% untuk citra tidak berderau yang dibangkitkan dari komputer dan 81,84%

untuk citra yang di-capture oleh webcam. Sehingga akurasi total adalah 95,46%

dengan jumlah citra uji 108 buah.

d. Dalam mendeteksi posisi dan rekonstruksi bangun lingkaran dan elips, tingkat akurasi mencapai 100% untuk citra tidak berderau yang dibangkitkan dari komputer maupun citra yang di-capture oleh webcam dengan jumlah citra uji 108 buah.

e. Untuk pendeteksian objek sebenarnya yang di-capture melalui webcam, akurasi dalam mendeteksi jenis bangun mencapai 80%. Akurasi dalam merekonstruksi bangun mencapai 86,66% untuk keseluruhan citra uji 120 citra digital.

f. Semakin besar objek yang diteliti maka menyebabkan waktu komputasi Modified Hough Transform (MHT) untuk merekonstruksi objek akan semakin bertambah.

Pada penelitian ini MHT untuk mendeteksi elips lebih cepat daripada untuk mendeteksi lingkaran

g. Nilai batas ambang (threshold ) standar deviasi yang digunakan dalam penentuan bangun elips dan lingkaran dapat mempengaruhi proses pendeteksian. Dalam penelitian ini nilai batas ambang standar deviasi yang ditentukan adalah 0,8.

h. Untuk pengujian eksentrisitas elips, semakin besar eksentrisitas elips maka objek elips akan semakin pipih, sehingga hasil pendeteksian elips mencapai tingkat akurasi 100%. Semakin kecil eksentrisitas elips maka objek elips akan semakin mirip dengan lingkaran, sehingga akurasi dalam mendeteksi jenis bangun dengan eksentrisitas 0,2 adalah 0%, eksentrisitas 0,3 adalah 25%, dan eksentrisitas 0,4 adalah 91,67%. Elips dengan eksentrisitas 0,5 dan 0,8 memiliki kesalahan 0 dari masing-masing 12 kali percobaan, sehingga akurasi dalam mendeteksi elips sebesar 100%.

i. Untuk derau Poisson, akurasi deteksi jenis bangun lingkaran dan elips sebesar 100% dan akurasi dalam pendeteksian posisi dan rekonstruksi ( fitting ) mencapai 97%. Kesalahan fitting terdapat pada citra elips yang di-capture webcam karena citra tersebut sudah punya derau bayangan dan ditambah derau lagi sehingga objek yang telah melewati tahap preprocessing tidak sempurna lagi.

j. Untuk derau Speckle, Salt and Pepper, dan Gaussian, semakin besar kerapatan, mean atau variance-nya maka akan membuat sistem semakin tidak akurat.

Umumnya untuk citra yang dibangkitkan lewat komputer, mampu bertahan sampai variance/density sebesar 0.2, sedangkan citra yang di-capture lewat webcam rata-rata mampu bertahan sampai variance/density sebesar 0.05.

k. Kesalahan dalam memasukkan derau sering terjadi pada objek lingkaran. Karena semakin rapat derau, hasil pemrosesan awal terkadang menghasilkan objek lingkaran yang tidak sempurna hingga mengakibatkan sistem mendeteksinya sebagai elips.

5.2 Saran

Pengembangan yang dapat dilakukan pada tugas akhir ini antara lain sebagai berikut:

a. Perancangan sistem yang mampu mendeteksi keseluruhan jenis bangun, baik pendeteksian kurva tertutup maupun poligon.

b. Perancangan sistem preprocessing yang lebih baik sehingga dapat mendeteksi bangun dengan latar yang beragam atau adaptif terhadap berbagai derau.

c. Perancangan sistem algoritma Transformasi Hough dalam mendeteksi lingkaran yang lebih efisien agar waktu komputasi yang diperlukan tidak terlalu besar.

d. Dilakukan penelitian lebih lanjut dengan mengaplikasikan algoritma Transformasi Hough General agar mampu mendeteksi objek sembarang ataupun objek 3-D.

Dalam dokumen Katakanlah (Muhammad), Inilah jalanku yang lurus, aku dan orang-orang yang mengikutiku mengajak (kamu) kepada Allah dengan ilmu. (QS Yusuf [12]: 108) (Halaman 53-0)