Sistem pendugaan tingkat serangan ulat pada pertanaman kubis berdasarkan citra menggunakan citra kubis yang sehat dan yang diserang oleh ulat P. xylostella
dan/atau C. pavonana sebagai masukan. Untuk mengevaluasi kemampuan sistem dalam pendugaan tingkat serangan ulat digunakan 400 citra sebagai data latih dan 100 citra sebagai data uji. Tingkat serangan ulat pada pertanaman kubis mempunyai lima kategori, yaitu: sangat ringan/sehat, ringan, sedang, berat dan sangat berat.
Praproses Citra Kubis
Praproses bertujuan mengurangi waktu pemrosesan data (running time). Citra kubis yang awalnya berupa citra RGB diubah menjadi grayscale. Citra
grayscale ini menjadi masukan untuk tahap ekstraksi fitur tekstur. Hasil tahap praproses dari citra kubis ditunjukkan pada Gambar 12.
Citra RGB Citra grayscale Citra RGB Citra grayscale
(a) Mempunyai krop (b) Tidak mempunyai krop Gambar 12 Hasil praproses citra kubis
Ekstraksi Fitur Tekstur Citra Kubis dengan GLCM
Ekstraksi fitur tekstur mempunyai input berupa citra grayscale hasil praproses. Ekstraksi fitur tekstur diawali dengan membentuk co-occurrence matrix. Co-occurrence matrix dibentuk dari suatu citra dengan melihat hubungan ketetanggaan antar dua piksel pada jarak dan orientasi sudut tertentu. Citra input
dikuantisasi derajat keabuannya pada jarak ! = 1 piksel serta orientasi arah horizontal yaitu # = 0° dan # = 180°. Oleh karena itu untuk setiap citra diperoleh sebuah co-occurrence matrix dengan ukuran matkriksnya sebesar jumlah nilai
gray level yang berbeda pada suatu citra. Ukuran co-occurrence matrix maksimal adalah 256 × 256.
Co-occurrence matrix digunakan untuk mengekstraksi fitur tekstur dari sebuah citra. Empat fitur tekstur dari Haralick yang digunakan dalam penelitian ini adalah contrast, correlation, dissimilarity, dan homogeneity. Oleh karena itu diperoleh set fitur tekstur yang terdiri atas empat elemen untuk setiap citra seperti pada Tabel 8.
Tabel 8 Hasil 4 fitur tekstur dari citra kubis
Citra kubis Contrast Correlation Dissimilarity Homogeneity
117.988 0.97553 6.28012 0.22037
⋮ ⋮ ⋮ ⋮ ⋮
255.241 0.953718 9.42372 0.178697
Sebaran data dari empat fitur tekstur untuk citra yang mempunyai krop dan tidak mempunyai krop dapat dilihat dari histogram hasil ekstraksi fitur. Histogram hasil ekstraksi fitur contrast, correlation, dissimilarity, dan homogeneity dari masing-masing 30 sampel citra yang mempunyai krop dan tidak mempunyai krop ditunjukkan pada Gambar 13 sampai 16.
560 480 400 320 240 160 80 0 18 16 14 12 10 8 6 4 2 0 Fitur contrast F re k u e n si Punya krop Tanpa Krop Histogram fitur contrast citra kubis mempunyai krop dan tanpa krop
Gambar 13 Histogram fitur contrast citra kubis punya krop dan tanpa krop Citra kubis yang tidak mempunyai krop lebih kontras dibandingkan dengan citra kubis mempunyai krop. Dari Gambar 13 dapat dilihat bahwa secara umum, citra kubis mempunyai krop memiliki nilai contrast lebih rendah dibandingkan dengan citra kubis yang tidak mempunyai krop. Hal ini menunjukkan bahwa intensitas gray level antara sebuah piksel dan piksel tetangganya dalam keseluruhan citra kubis yang mempunyai krop adalah seragam. Sementara itu,
citra kubis tidak mempunyai krop memiliki intensitas gray level dengan variasi yang besar antara sebuah piksel dan piksel tetangganya.
0.96 0.90 0.84 0.78 18 16 14 12 10 8 6 4 2 0 Fitur correlation F re k u e n si Punya krop Tanpa Krop Histogram fitur correlation citra kubis mempunyai krop dan tanpa krop
Gambar 14 Histogram fitur correlation citra kubis punya krop dan tanpa krop
18 16 14 12 10 8 6 4 20 15 10 5 0 Fitur dissimilarity F re k u e n si Punya krop Tanpa Krop Histogram fitur dissimilarity citra kubis mempunyai krop dan tanpa krop
Fitur correlation dapat digunakan untuk menunjukkan keterkaitan antara sebuah piksel dengan piksel tetangganya dalam keseluruhan citra. Berdasarkan histogram nilai correlation seperti ditunjukkan pada Gambar 14, dapat dilihat bahwa citra kubis mempunyai krop memiliki keterkaitan yang tinggi antara sebuah piksel dengan piksel tetangganya. Sementara itu, keterkaitan antara sebuah piksel dengan piksel tetangganya pada citra kubis yang tidak mempunyai krop adalah lebih beragam.
Interpretasi fitur dissimilarity hampir serupa dengan fitur contrast. Nilai
dissimilarity dari citra kubis yang mempunyai krop adalah rendah. Hal ini menunjukkan bahwa citra kubis yang mempunyai krop memiliki keseragaman spasial gray level pada citranya. Sementara itu, citra kubis tidak mempunyai krop memiliki intensitas gray level yang bervariasi.
0.30 0.25 0.20 0.15 0.10 12 10 8 6 4 2 0 Fitur homogeneity F re k u e n si Punya krop Tanpa Krop Histogram fitur homogeneity citra kubis mempunyai krop dan tanpa krop
Gambar 16 Histogram fitur homogeneity citra kubis punya krop dan tanpa krop Fitur homogeneity dapat menunjukkan kemiripan antara intensitas gray level
dari piksel-piksel citra. Dari Gambar 16 dapat dilihat bahwa secara umum, citra kubis yang mempunyai krop memiliki nilai homogeneity lebih besar dibandingkan dengan citra kubis tidak mempunyai krop. Hal ini berarti bahwa intensitas gray level dari setiap pasangan piksel citra kubis yang mempunyai krop adalah
homogen. Sementara itu, intensitas gray level dari sebagian besar citra kubis yang tidak mempunyai krop adalah tidak homogen.
Berdasarkan analisis yang telah dilakukan, maka dapat disimpulkan bahwa keempat fitur Haralick yang digunakan dalam penelitian ini, dapat membedakan antara citra kubis mempunyai krop dan tidak mempunyai krop. Fitur-fitur
Haralick ini dapat menjadi penciri yang baik untuk mengklasifikasikan citra kubis yang mempunyai krop dan tidak mempunyai krop.
Klasifikasi Citra Kubis dengan Probabilistic Neural Network
Percobaan dilakukan untuk mengklasifikasikan 100 data uji menjadi dua kelas, yaitu kubis yang mempunyai krop dan tidak mempunyai krop. PNN digunakan sebagai classifier. Hasil ekstraksi fitur contrast, correlation,
dissimilarity, dan homogeneity menjadi input untuk klasifikasi dengan PNN. Setiap data uji yang terdiri atas empat fitur ini, diukur kedekatannya dengan empat fitur data latih dari kedua kelas tersebut. Dari 400 data latih yang digunakan, jumlah data latih untuk kelas mempunyai krop dan tidak mempunyai krop masing-masing adalah 376 citra dan 24 citra.
Nilai bias yang digunakan untuk memperoleh pola atau model klasifikasi ditentukan melalui percobaan. Dari beberapa percobaan yang dilakukan ditetapkan nilai bias untuk model klasifikasi pada kelas kubis mempunyai krop dan tidak mempunyai krop masing-masing adalah = 0.3 dan = 0.5. Setiap pola dari masing-masing kelas dijumlahkan dan dihitung population density function. Sebuah citra akan diklasifikasikan ke suatu kelas yang memiliki peluang maksimum.
Model klasifikasi terbaik diperoleh setelah melakukan beberapa percobaan. Berdasarkan metode pembagian data 5-fold cross validation yang digunakan, dilakukan sebanyak lima kali percobaan. Dari lima percobaan tersebut, akurasi hasil klasifikasi 100 data uji yang berbeda untuk setiap percobaan ditunjukkan pada Tabel 9.
Tabel 9 Akurasi hasil klasifikasi dari 100 data uji dengan PNN Percobaan Akurasi (%) Fold 1 90 Fold 2 90 Fold 3 92 Fold 4 97 Fold 5 93
Classifier PNN mampu membedakan antara kubis yang mempunyai krop dan tidak mempunyai krop dengan akurasi rata-rata sebesar 92.4%. Perhitungannya adalah sebagai berikut:
]y’jag ja a − ja a= 90% + 90% + 92% + 97% + 93%5 = 92.4%
Akurasi terbesar diperoleh pada fold 4 yaitu sebesar 97%. Hasil ekstraksi fitur tekstur dari data latih pada fold 4 dipilih untuk digunakan dalam membangun sistem ini. Hal ini dikarenakan mampu menjadi penciri yang baik untuk membedakan kubis yang mempunyai krop dan tidak mempunyai krop. Confusion matrix hasil PNN dari fold 4 ditunjukkan pada Tabel 10.
Tabel 10 Confusion matrix hasil PNN pada fold 4
Kategori kubis Predicted class Total Akurasi (%) Punya krop Tanpa krop
Actual class
Punya krop 92 2 94 97.87
Tanpa krop 1 5 6 83.33
Data uji pada fold 4 terdiri atas 100 citra. Jumlah citra kubis yang mempunyai krop dan tidak mempunyai krop masing-masing adalah 94 citra dan 6 citra. Akurasi dari hasil klasifikasi PNN untuk 94 citra kubis yang mempunyai krop adalah sebesar 97.87%. Dengan kata lain, terdapat 2 dari 94 citra yang salah diklasifikasikan, yaitu diklasifikasikan sebagai kubis yang tidak mempunyai krop. Kedua citra yang salah diklasifikasikan ini ditunjukkan pada Gambar 17.
(a) (b)
Gambar 17 Kubis mempunyai krop diklasifikasikan sebagai kubis tanpa krop Berdasarkan kasat mata citra kubis pada Gambar 17 dianalisis. Citra sebelah kiri (a) mempunyai arah pengambilan foto dalam posisi menyamping atau tidak tepat pada bagian tengah krop kubis. Pencahayaan matahari untuk citra kubis ini juga terlalu banyak. Oleh karena itu, untuk meminimalisasi kesalahan klasifikasi diharapkan pengambilan foto kubis tepat pada area krop dan mengurangi pencahayaan matahari. Sementara itu, citra sebelah kanan (b) mengalami kesalahan klasifikasi karena mempunyai area krop yang telah rusak berat, dengan daun pembungkus krop yang berwarna kecoklatan, sehingga terlihat seperti kubis yang tidak mempunyai krop. Nilai fitur contrast, correlation, dissimilarity, dan
homogeneity untuk citra kubis pada Gambar 17 ditunjukkan pada Tabel 11. Tabel 11 Nilai fitur citra kubis punya krop yang salah diklasifikasikan
Fitur Citra (a) Citra (b)
Contrast 313.593 327.473
Correlation 0.924709 0.911599
Dissimilarity 11.4423 11.1886
Homogeneity 0.130921 0.15064
Citra kubis yang mempunyai krop diklasifikasikan sebagai kubis tidak mempunyai krop dapat juga dianalisis dari gambar dotplot. Dotplot fitur contrast,
correlation, dissimilarity, dan homogeneity untuk citra pada Gambar 17 ditunjukkan pada Gambar 18 sampai 21.
560 480 400 320 240 160 80 Fitur contrast
Citra salah klasifikasi Data latih tanpa krop Data latih punya krop
Setiap simbol mewakili hingga 6 pengamatan
Dotplot fitur constrast citra mempunyai krop yang salah diklasifikasikan
Gambar 18 Dotplot fitur contrast citra kubis punya krop yang salah klasifikasi
0.99 0.96 0.93 0.90 0.87 0.84 0.81 0.78 Fitur correlation
Citra salah klasifikasi Data latih tanpa krop Data latih punya krop
Setiap simbol mewakili hingga 6 pengamatan
Dotplot fitur correlation citra mempunyai krop yang salah diklasifikasikan
18 16 14 12 10 8 6 4 Fitur dissimilarity
Citra salah klasifikasi Data latih tanpa krop Data latih punya krop
Setiap simbol mewakili hingga 6 pengamatan
Dotplot fitur dissimilarity citra punya krop yang salah diklasifikasikan
Gambar 20 Dotplot fitur dissimilarity citra kubis punya krop yang salah klasifikasi 0.32 0.28 0.24 0.20 0.16 0.12 0.08 Fitur homogeneity
Citra salah klasifikasi Data latih tanpa krop Data latih punya krop
Setiap simbol mewakili hingga 6 pengamatan
Dotplot fitur homogeneity citra punya krop yang salah diklasifikasikan
Gambar 21 Dotplot fitur homogeneity citra kubis punya krop yang salah klasifikasi
Gambar 18 sampai 21 menunjukkan bahwa kesalahan klasifikasi terjadi karena nilai fitur contrast, correlation, dissimilarity, dan homogeneity dari citra
tersebut berada pada sisi yang sama dengan data latih citra tidak mempunyai krop. Oleh sebab itu peluang untuk diklasifikasikan sebagai kubis yang tidak mempunyai krop menjadi lebih besar. Citra ini mempunyai nilai contrast dan
dissimilarity yang lebih tinggi dibandingkan dengan keseluruhan data latih citra kubis yang mempunyai krop. Hal ini berarti intensitas gray level antara sebuah piksel dan piksel tetangganya dalam keseluruhan citra kubis mempunyai variasi yang besar. Sementara itu, dari nilai correlation citra ini dapat dilihat bahwa keterkaitan antara sebuah piksel dengan piksel tetangganya adalah lebih rendah dibandingkan dengan data latih citra kubis yang mempunyai krop. Selanjutnya jika dilihat dari keseluruhan data latih citra kubis yang mempunyai krop maka citra ini kurang homogen.
Kesalahan klasifikasi citra kubis yang tidak mempunyai krop juga dianalisis. Akurasi dari hasil klasifikasi PNN untuk 6 citra kubis tidak mempunyai krop adalah 83.33% atau terdapat 1 dari 6 citra yang salah diklasifikasikan. Citra kubis yang salah diklasifikasikan seperti ditunjukkan pada Gambar 22.
Gambar 22 Kubis tanpa krop diklasifikasikan sebagai kubis punya krop
Secara kasat mata dapat dilihat bahwa bagian tengah dari citra kubis pada Gambar 22 seperti mempunyai krop. Hal ini dikarenakan ada daun luar yang menutupi area krop yang telah rusak. Nilai fitur contrast, correlation,
dissimilarity, dan homogeneity untuk citra tersebut ditunjukkan pada Tabel 12. Tabel 12 Nilai fitur citra kubis tanpa krop yang salah diklasifikasikan
Fitur Nilai
Contrast 141.233
Correlation 0.970349
Dissimilarity 6.79939
Homogeneity 0.209933
Citra kubis yang tidak mempunyai krop diklasifikasikan sebagai kubis mempunyai krop juga dapat dianalisis dari gambar dotplot. Dotplot fitur contrast,
correlation, dissimilarity, dan homogeneity untuk citra pada Gambar 22 ditunjukkan pada Gambar 23 sampai 26. Kesalahan klasifikasi terjadi karena nilai fitur contrast, correlation, dissimilarity, dan homogeneity dari citra tersebut berada pada sisi yang sama dengan data latih citra mempunyai krop. Oleh karena itu peluang untuk diklasifikasikan sebagai kubis yang mempunyai krop menjadi lebih besar. Disamping itu jika dilihat dari keseluruhan data latih citra kubis yang tidak mempunyai krop maka citra ini lebih homogen.
560 480 400 320 240 160 80 Fitur contrast
Citra salah klasifikasi Data latih tanpa krop Data latih punya krop
Setiap simbol mewakili hingga 6 pengamatan
Dotplot fitur contrast citra tanpa krop yang salah diklasifikasikan
Gambar 23 Dotplot fitur contrast citra kubis tanpa krop yang salah klasifikasi
0.99 0.96 0.93 0.90 0.87 0.84 0.81 0.78 Fitur correlation
Citra salah klasifikasi Data latih tanpa krop Data latih punya krop
Setiap simbol mewakili hingga 6 pengamatan
Dotplot fitur correlation citra tanpa krop yang salah diklasifikasikan
18 16 14 12 10 8 6 4 Fitur dissimilarity
Citra salah klasifikasi Data latih tanpa krop Data latih punya krop
Setiap simbol mewakili hingga 6 pengamatan
Dotplot fitur dissimilarity citra tanpa krop yang salah diklasifikasikan
Gambar 25 Dotplot fitur dissimilarity citra kubis tanpa krop yang salah klasifikasi
0.32 0.28 0.24 0.20 0.16 0.12 0.08 Fitur homogeneity
Citra salah klasifikasi Data latih tanpa krop Data latih punya krop
Setiap simbol mewakili hingga 6 pengamatan
Dotplot fitur homogeneity citra tanpa krop yang salah diklasifikasikan
Gambar 26 Dotplot fitur homogeneity citra kubis tanpa krop yang salah klasifikasi Citra kubis tidak mempunyai krop yang dapat diklasifikasikan dengan benar ditunjukkan pada Gambar 27.
Gambar 27 Kubis tidak mempunyai krop yang diklasifikasikan dengan benar Penentuan Tingkat Kerusakan Krop pada Kubis yang Mempunyai Krop
Penentuan tingkat kerusakan krop dilakukan setelah dapat membedakan antara kubis yang mempunyai krop dan tidak mempunyai krop. Citra kubis yang mempunyai krop ditentukan tingkat kerusakannya dalam beberapa tahap, yaitu: segmentasi krop, penentuan area krop, image enhancement, pendeteksian lubang pada krop dan penentuan proporsi kerusakan area krop.
Segmentasi Krop
Segmentasi bertujuan mendapatkan kandidat titik-titik yang akan menjadi masukan bagi RHT dalam mendeteksi ellipse pada citra kubis. Langkah awal dari segmentasi adalah mengubah citra RGB menjadi grayscale dengan menggunakan matriks transformasi š› = 0.2989 0.5870 0.1402 “. Contoh nilai intensitas RGB untuk sebuah piksel dari citra kubis yang mempunyai krop ditunjukkan pada Gambar 28.
Gambar 28 Intensitas warna RGB pada sebuah piksel dari citra kubis
Matriks tiga dimensi ∅8j , , S , , b , 9 diubah menjadi vektor ž menggunakan matriks transformasi š›. Nilai intensitas RGB pada sebuah piksel seperti ditunjukkan pada Gambar 28 diubah menjadi nilai gray level dengan perhitungan sebagai berikut:
= 99 122 112 × ´
0.2989 0.5870
Representasi warna dari tiga dimensi dikurangi menjadi ruang satu dimensi, yaitu menjadi vektor ž . Selanjutnya, tanpa menggunakan channel G, ditentukan vektor ž yaitu merupakan elemen terbesar yang diambil dari
channel R atau B. Untuk suatu nilai intensitas RGB ∅ seperti yang diberikan pada Gambar 28, maka dapat ditentukan nilai ž pada piksel tersebut sebagai berikut:
¶ = max 99,112 = 112
Untuk setiap dari ž dan ž , ditentukan error£( ) yang merupakan selisih absolut dari ž( ) dan ž ( ). Nilai X dari sebuah piksel seperti pada Gambar 28 adalah sebesar:
X = · − ¶· = |116.9173 − 112| = 4.9173
Threshold untuk segmentasi citra diperoleh berdasarkan nilai maksimum dari vektor £( ).
Thresholding berdasarkan nilai maksimum dari vektor £( ) menghasilkan citra biner. Selanjutnya operasi morfologi dilasi diterapkan untuk mempertebal hasil thresholding. Structuring element yang digunakan untuk operasi dilasi adalah rectangular dengan ukuran 3 × 3. Perbedaan hasil segmentasi citra kubis sebelum dan sesudah operasi dilasi ditunjukkan pada Gambar 29.
(a) Citra asli (b) Sebelum dilasi (c) Sesudah dilasi Gambar 29 Perbedaan hasil segmentasi citra kubis sebelum dan sesudah dilasi
Hasil thresholding dipertebal agar kandidat titik-titik yang akan menjadi masukan bagi RHT dalam mendeteksi ellipse menjadi lebih banyak pada area sekeliling krop kubis. Hasil segmentasi krop kubis untuk empat kategori tingkat kerusakan krop dapat dilihat pada Tabel 13.
Tabel 13 Hasil segmentasi krop kubis
Kategori Citra punya krop Hasil segmentasi Threshold
Sangat ringan/sehat
Kategori Citra punya krop Hasil segmentasi Threshold
Ringan 24.2701
Sedang 29.1482
Berat 37.4502
Hasil segmentasi yang diharapkan adalah hanya mendapatkan kandidat titik- titik disekeliling area krop saja. Analisis hasil segmentasi menggunakan pemetaan warna merah dan biru dari citra kubis. Pemetaan tersebut diperoleh dengan sintaks
imagesc pada Matlab. Berdasarkan pemetaan warna merah dan biru seperti
pada Tabel 14, dapat disimpulkan bahwa hasil segmentasi kubis adalah baik jika intensitas warna biru lebih dominan disekeliling area krop kubis.
Tabel 14 Pemetaan warna merah dan biru dari citra kubis Kategori Citra punya krop Pemetaan warna
Merah Biru Sangat ringan/sehat Ringan 50 100 150 200 250 300 350 50 100 150 200 250 50 100 150 200 250 300 350 50 100 150 200 250 50 100 150 200 250 300 350 50 100 150 200 250 50 100 150 200 250 300 350 50 100 150 200 250
Kategori Citra punya krop Pemetaan warna
Merah Biru
Sedang
Berat
Hasil pemetaan warna biru untuk kategori tingkat serangan berat seperti ditunjukkan Tabel 14 mempunyai intensitas warna biru yang dominan di area tengah krop pada bagian yang rusak dari kubis. Oleh karena itu hasil segmentasinya tidak baik karena area tengah krop ikut tersegmentasi. Hal ini tidak menjadi sebuah masalah. Kandidat titik-titik yang dihasilkan tetap dapat digunakan sebagai input untuk mendeteksi ellipse menggunakan RHT.
Hasil segmentasi yang tidak baik juga ditunjukkan pada Gambar 30. Pada bagian kiri bawah dan kanan atas citra hasil segmentasi terdapat area putih. Warna biru lebih dominan pada area ini. Hal ini disebabkan adanya celah antara daun luar dengan background pada bagian ujung citra. Oleh karena itu pengambilan foto harus benar-benar tepat pada bagian tengah krop kubis tanpa adanya
background lain selain daun luar saja.
(a) Hasil segmentasi (b) Citra kubis (c) Pemetaan warna biru Gambar 30 Hasil segmentasi yang tidak baik dengan threshold 36.029 Hasil segmentasi dengan area putih yang dihasilkan hanya sedikit dan tidak berada pada sekeliling krop ditunjukkan pada Gambar 31. Hal ini disebabkan karena intensitas warna biru hanya dominan di area tertentu. Akibatnya kandidat titik-titik untuk RHT yang dihasilkan sedikit. Pengaruh penyinaran matahari saat pengambilan foto juga mempengaruhi hasil segmentasi, sehingga citra menjadi lebih kontras. 50 100 150 200 250 300 350 50 100 150 200 250 50 100 150 200 250 300 350 50 100 150 200 250
Pemetaan Warna Merah (Red)
50 100 150 200 250 300 350 50 100 150 200 250
Pemetaan Warna Biru (Blue)
50 100 150 200 250 300 350 50 100 150 200 250 50 100 150 200 250 300 350 50 100 150 200 250
(a) Hasil segmentasi (b) Citra kubis (c) Pemetaan warna biru Gambar 31 Hasil segmentasi yang tidak baik dengan threshold 20.7337 Penentuan Area Krop
Penentuan area krop adalah berdasarkan ellipse yang terdeteksi pada citra. Cara penentuan pusat ellipse seperti ditunjukkan pada Gambar 32. Pusat ellipse
bersifat statis. Tepat pada bagian tengah citra kubis. Karena penelitian ini memberikan batasan bahwa pengambilan foto kubis dilakukan dari bagian atas objek tepat pada area tengah krop kubis.
Gambar 32 Cara penentuan pusat ellipse
Panjang sumbu semimajor dan semiminor yang dihasilkan selalu bersifat dinamis. Karena untuk setiap epoch pada pendeteksian ellipse, kandidat-kadidat titik untuk RHT ditentukan secara acak.
Langkah awal menemukan ellipse pada citra kubis dengan RHT adalah menentukan tiga titik secara acak. Kandidat titik-titiknya diperoleh dari citra biner
hasil segmentasi. Koordinat tiga titik yang telah terpilih ditransformasikan ke koordinat titik asal pada bagian pusat ellipse. Parameter-parameter yang digunakan untuk mengimplementasikan RHT seperti pada Tabel 15.
Tabel 15 Parameter yang digunakan untuk mendeteksi ellipse dengan RHT
Parameter Nilai Epoch 100 Iterasi 50 ratioPixelsFoundToCircumferenceThresh 0.00001 majorAxisSimThresh 5 minorAxisSimThresh 5 scoreThreshHold 0 50 100 150 200 250 300 350 50 100 150 200 250 Height (ℎ) Weight (¸) ¹, º = w/2,h/2)
Iterasi dilakukan sebanyak 50 kali pada setiap epoch. Ellipse terbaik yang ditemukan pada setiap epoch disimpan dalam tabel ellipse terbaik (best ellipse). Parameter ratioPixelsFoundToCircumferenceThresh digunakan untuk memastikan apakah ellipse yang ditemukan sepenuhnya berada dalam citra. Nilai-nilai atau elemen ellipse yang terdiri atas pusat ellipse, panjang sumbu
semimajor, panjang sumbu semiminor dan skor dimasukkan dalam accumulator. Untuk setiap ellipse yang ditemukan, diberikan skor 1. Jika accumulator masih kosong, maka elemen yang diperoleh langsung dimasukkan ke dalam
accumulator. Akan tetapi, jika accumulator telah memiliki elemen, maka dilakukan pengecekan apakah setiap elemen-elemen ellipse yang ada dalam
accumulator serupa dengan elemen ellipse yang sekarang. Jika serupa maka dirata-ratakan dengan ellipse yang serupa di accumulator. Selama rata-rata parameter ellipse dalam accumulator diboboti oleh nilai skornya, jika ellipse yang dimiliki benar-benar baik maka bobotnya relatif sama. Ellipse rata-rata baru menggantikan ellipse yang dikeluarkan dari accumulator. Sementara, jika ellipse
yang sekarang tidak sama dengan ellipse di accumualtor, maka cukup ditambahkan ke bagian akhir accumualtor.
Pengecekan similaritas ellipse adalah dengan menghitung perbedaan antara
ellipse yang sekarang dengan setiap ellipse yang sudah ada dalam accumulator. Jika selisih absolut dari panjang sumbu semimajor ellipse yang sekarang dan
ellipse yang ada di accumulator kurang dari nilai majorAxisSimThresh, dan selisih absolut dari panjang sumbu semiminor ellipse yang sekarang dan ellipse
yang ada di accumulator kurang dari minorAxisSimThresh. Jika kedua kondisi ini terpenuhi, maka ellipse yang sekarang serupa dengan ellipse yang ada di accumulator. Contoh accumulator tabel best ellipse untuk citra seperti pada Gambar 32 ditunjukkan pada Tabel 16.
Tabel 16 Ellipse terbaik yang ditemukan (tabel best ellipse)
p q a b Skor 192 128 129.554 115.958 853 192 128 129.519 116.166 595 192 128 129.46 116.794 468 192 128 129.426 117.198 334 192 128 129.251 116.271 172 192 128 129.458 116.671 137 192 128 128.574 119.917 44 192 128 132.491 110.541 11 192 128 134.563 121.021 7 192 128 129.507 134.117 4
Terdapat 10 ellipse yang terdeteksi pada citra. Skor tertinggi dan terendah dari ellipse yang terdeteksi pada citra masing-masing adalah 853 dan 4. Keseluruhan ellipse yang terdeteksi mempunyai titik pusat yang sama tetapi dengan panjang sumbu semimajor dan semiminor berbeda. Gambar seluruh ellipse
Gambar 33 Keseluruhan ellipse yang terdeteksi dalam citra
Ellipse dengan skor tertinggi dipilih dari keseluruhan ellipse yang terdeteksi