KESIMPULAN DAN SARAN

Bab ini berisi kesimpulan dan saran dari penulis untuk pengembangan sistem.

DAFTAR PUSTAKA

Pada bagian ini akan dipaparkan tentang sumber-sumber literatur yang digunakan dalam pembuatan laporan tugas akhir ini.

TINJ AUAN PUSTAKA

2.1. Penelitian Terdahulu

Sebagai bahan pertimbangan dalam penelitian ini akan dicantumkan beberapa hasil penelitian terdahulu oleh beberapa peneliti yang pernah penulis baca diantaranya :

Penelitian yang dilakukan oleh Landung Pambudi tahun 2011 dengan judul “Identifikasi Luas Bencana Tsunami Dengan Menggunakan Segmentasi Citra”. Sistem pengolahan citra secara digital yang diaplikasikan dalam penginderaan jauh (satelit) sangat diperlukan untuk analisis pemetaan wilayah, geologi, geodesi, dan sebagainya. Dalam hal ini pengolahan citra digital hasil citra satelit untuk menganalisis dan mengidentifikasi luas kerusakan wilayah di daerah Aceh akibat bencana Tsunami. Proses pengolahan citra dimulai dari akuisisi data citra, pengambangan, deteksi tepi, segmentasi citra, sampai citra siap dianalisis. Analisis citra dilakukan dengan proses segmentasi berdasarkan persamaan intensitas warna yang sama pada daerah kerusakan. Analisis citra digunakan untuk menghitung jumlah piksel daerah kerusakan, kemudian dianalogikan sebagai suatu luasan kerusakan wilayah-wilayah akibat Tsunami. Penelitian telah menghasilkan sebuah program untuk menghitung suatu luas wilayah pada citra digital dengan metode segmentasi wilayah dengan intensitas warna yang sama. Proses perhitungan dilakukan melalui perbandingan luas citra yang diolah dengan luas citra daerah sesungguhnya sehingga diketahui luas satu piksel mewakili berapa luasan pada daerah sesungguhnya.

2.2 Artificial Intelligence

Artificial Intelligence atau Kecerdasan Buatan (disingkat AI) adalah kemampuan suatu alat untuk melakukan fungsi yang biasanya dihubungkan dengan kecerdasan manusia, seperti penalaran dan pembelajaran melalui pengalaman. AI adalah cabang dari computer science yang berupaya meniru kemampuan penalaran manusia dengan mengorganisasi dan memanipulasi pengetahuan faktual dan heuristik. Bidang aktivitas AI meliputi sistem pakar, pengenalan bahasa alami, pengenalan suara, penglihatan komputer (Computer Vision) dan robotika.

2.3

Image

Data masukan yang diproses adalah suatu image. Image merupakan sebuah representasi khusus dari suatu obyek, baik obyek dua dimensi maupun tiga dimensi. Di mana representasi tersebut dinyatakan dalam bentuk dua dimensi. Image dapat berbentuk nyata, maya, ataupun dalam bentuk optik. Selain itu, image juga dapat berupa rekaman, seperti video image, digital image, atau sebuah gambar (Haralick dan Shapiro, 1992). Image dapat dikategorikan sebagai :

2.3.1

Analog Image

Menurut Shapiro dan Stockman (2001), analog image adalah image

2D F(x,y) yang memiliki ketelitian tidak terbatas dalam parameter spasial x dan y dan ketelitian tak terbatas pada intensitas tiap titik spasial (x,y).

2.3.2

Digital Image

Digital image adalah image 2D yang direpresentasikan oleh array diskrit 2D dari intensitas sampel, dimana masing-masing titik direpresentasikan dengan ketelitian terbatas.

Digital image juga didefinisikan sebagai representasi dari gambar dua dimensi sebagai himpunan terbatas dari nilai digital yang disebut picture elements atau pixel. Umumnya pixel disimpan dalam komputer sebagai gambar raster, yaitu array dua dimensi dari integer. Nilai ini kadang disimpan dalam bentuk terkompresi. Digital image dapat diperoleh dari berbagai macam alat dan teknik pengambil gambar, seperti kamera digital, scanner, radar, dan sebagainya. Dapat pula disintesis dari data seperti fungsi matematika dan lain lain.

Menurut Jain, Kasturi dan Schunck (1995), pixel adalah sampel dari intensitas image yang terkuantisasi ke dalam nilai integer. Sementara Image

merupakan array dua dimensi dari pixel-pixel tersebut. Image inilah yang akan menjadi input awal dalam Computer Vision.

Beberapa bentuk digital image yang sering digunakan dalam Computer Vision:

a. Binary image, yaitu digital image dengan nilai pixel 1 atau 0.

b. Gray scale image, yaitu digital image monokrom dengan satu nilai intensitas tiap pixel.

c. Multispectral image, adalah image 2D yang memiliki vektor nilai pada tiap

d. Labeled image, adalah digital image dimana nilai pixel-nya adalah simbol dari alfabet terbatas.

2.4

Computer Vision

Computer Vision (sering disebut juga dengan Machine Vision) dapat dideskripsikan sebagai ilmu yang mempelajari metode yang dapat digunakan untuk membuat komputer mengerti gambar atau data banyak dimensi umumnya .

Sementara definisi Computer Vision , adalah penyimpulan (deduksi) otomatis akan struktur atau properti dari dunia tiga dimensi dari satu atau lebih

image dua dimensi dunia tersebut dan pengenalan objek-objek dengan bantuan properti-properti ini, atau secara singkatnya yaitu proses mengenali objek tertentu dari suatu image.

Tujuan dari Computer Vision adalah untuk membuat keputusan yang berguna tentang objek dunia nyata dan keadaan (scene) berdasarkan image yang diambil. Untuk membuat keputusan akan objek nyata, sangat penting untuk membangun deskripsi atau model objek tersebut dari gambar. Karena itu dapat dikatakan bahwa tujuan dari Computer Vision adalah untuk membangun deskripsi keadaan dari image.

Artificial Intelligence digunakan untuk menganalisis keadaan dengan memproses representasi simbolik dari isi lingkungan setelah image telah diproses untuk diambil fiturnya. Banyak teknik dari Artificial Intelligence berperan penting didalam seluruh aspek Computer Vision. Pada dasarnya Computer Vision merupakan cabang dari Artificial Intelligence. Secara garis besar tahapan tahapan dalam pemrosesan image dalam Computer Vision terdiri dari:

2.4.1

Image Acquisition

Tahapan awal dalam Computer Vision adalah Image Acquisition

(pengambilan digital image). Image Acquisition berhubungan dengan sensor yang mengambil image. Sensor yang digunakan bisa kamera atau scanner. Sifat dari sensor dan image yang dihasilkan ditentukan dari aplikasinya.

2.4.2

Image Enhancement

Setelah digital image diperoleh, tahapan selanjutnya adalah image enhancement yang termasuk dalam tahap prepocessing, image enhancement

menyangkut langkah-langkah untuk meningkatkan kualitas image untuk mendukung tahapan selanjutnya. Tujuan dari image enhancement ini secara teknis untuk menghilangkan noise, memperhalus gambar, mempertajam gambar (menghilangkan blur), serta mengatur pencahayaan (brightness, contrast). Berdasarkan domainnya teknik peningkatan image dapat dibedakan menjadi 2 metode:

a. Domain spasial

Metode ini didasarkan pada manipulasi langsung dari nilai gray (keabuan) dari pixel-pixel suatu image.

b. Domain frekuensi

Metode ini didasarkan pada modifikasi Fourier transform dari suatu

image. Fourier transform ini sendiri adalah suatu cara memetakan sinyal pada frekuensi-frekuensi komponennya.

Sementara beberapa teknik image enhancement yang digunakan antara lain: a. Gray scale manipulation (manipulasi nilai keabuan)

Merupakan teknik pemetaan intensitas dimana tiap pixel diberikan nilai keabuan yang baru untuk meningkatkan ketajaman gambar. Operasi ini tidak merubah bentuk dan geometri image, yang berubah cuma level intensitasnya. Teknik ini dilakukan dengan cara memproses histogram tingkat keabuan (gray level histogram) dari image.

Untuk mengubah image berwarna yang mempunyai nilai matrik masing-masing r, g dan b menjadi image gray scale dengan nilai s, maka konversi dapat dilakukan dengan mengambil rata-rata dari nilai r, g dan b sehingga dituliskan :

= ^{+ +}

3

Histogram dalam computer vision adalah representasi dari image yang diperoleh dengan cara menghitung nilai tiap pixel. Singkatnya histogram merupakan grafik yang menggambarkan distribusi intensitas pixel dari suatu

image atau bagian tertentu di dalam citra. Histogram menunjukkan frekuensi kemunculan intensitas pada image.( Gambar 2.1 )

Sementara gray level histogram adalah histogram yang menampilkan dalam tiap tingkat jumlah pixel dalam gambar yang memiliki tingkat keabuan (gray-level) tertentu. Histogram ini dimanipulasi dengan cara di stretch, shrink, atau slide. ( Gambar 2.2 )

b. Filtering (convolution)

Menurut nixon dan aquado, filtering yang merupakan suatu group operation pada pixel, menghitung nilai pixel baru dengan menggunakan pixel- pixel tetangganya. Filtering dijelaskan dengan istilah template convolution

dimana template-nya adalah suatu matriks koefisien bobot (yang umumnya ganjil dan sama sisi, misalnya 3x3, 5x5, dan seterusnya). Nilai pixel baru dihitung

dengan menempatkan template pada suatu titik, kemudian nilai-nilai pixel

dikalikan dengan bobot dan ditambahkan sebagai nilai keseluruhan, jumlah tersebut menjadi nilai baru bagi pixel ditengah template, inilah yang menjadi pixel

bagi image baru. Proses ini diulang pada semua pixel dalam gambar. Operator yang sering digunakan adalah averaging, gaussian, dan median filtering.

Gambar 2.1. Image sebelum dilakukan manipulasi (Kulkarni, 2001)

Gambar 2.2. Image setelah dilakukan manipulasi (dari kiri ke kanan): stretch,

2.5. Pengolahan Citr a Digital

Secara harafiah, citra (image) adalah gambar pada bidang

dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dwimatra. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh oleh alat-alat optik, misalnya mata pada manusia, kamera, pemindai (scanner), dan sebagainya, sehingga bayangan objek yang disebut citra tersebut terekam.

Citra mempunyai karakteristik yang tidak dimiliki oleh data teks, yaitu bahwa citra kaya dengan informasi. Citra juga dapat dikelompokkan menjadi dua yaitu citra tampak (foto, gambar, lukisan, apa yang nampak di layar monitor/televisi, hologram, dan lain-lain) dan citra tidak tampak (data foto/gambar dalam bentuk file, citra yang direpresentasikan dalam fungsi matematis). Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat optik berupa foto, analog berupa sinyal video seperti gambar pada monitor televisi, dan digital yang dapat langsung disimpan pada media penyimpan magnetik. Citra digital adalah citra yang disimpan dalam format digital (dalam bentuk file). Hanya citra digital yang dapat diolah menggunakan komputer. Jenis citra lain jika akan diolah dengan komputer harus diubah dulu menjadi citra digital. Citra digital tersusun atas sejumlah berhingga elemen, masing-masing memiliki lokasi dan nilai/intensitas tertentu. Elemen-elemen ini disebut elemen gambar, elemen citra, pels, dan juga piksel. Pencitraan (imaging) adalah kegiatan mengubah informasi dari citra tampak/citra non digital menjadi citra digital. Beberapa alat yang dapat

digunakan untuk pencitraan adalah scanner, kamera digital, kamera sinar-x/sinar infra merah, dan lain-lain. Jadi, pengolahan citra digital adalah proses yang bertujuan untuk memanipulasi dan menganalisis citra digital dengan bantuan komputer. Masukannya adalah citra dan keluarannya juga citra tapi dengan kualitas lebih baik daripada citra masukan.

Pengolahan citra bertujuan untuk memperbaiki kualitas citra agar mudah diinterpretasikan oleh manusia atau mesin. Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain. Inputan pada proses ini adalah citra dan keluarannya juga berupa citra dengan kualitas lebih baik daripada citra inputan sebelumnya. ( Gambar 2.3 )

Gambar 2.3. Pengolahan citra (Agung Priyo,2005)

Pengenalan Pola, mengelompokkan data numeric dan simbolik (termasuk citra) secara otomatis, oleh mesin (dalam hal ini komputer). Tujuan pengelompokan adalah untuk mengenali suatu objek di dalam citra. Manusia bisa mengenali objek yang dilihatnya karena otak manusia telah belajar mengklasifikasi objek-objek di alam sehingga mampu membedakan suatu objek dengan objek lainnya. Kemampuan sistem visual manusia inilah yang dicoba ditiru oleh mesin. Komputer menerima masukan berupa citra objek yang akan diidentifikasi, memproses citra tersebut dan memberikan keluaran berupa deskripsi objek didalam citra. Dapat dilihat pada gambar 2.4 (Agung Priyo,2005)

Selain dalam dunia fotografi pengolahan citra digunakan juga dalam dunia kedokteran terutama untuk memperjelas citra hasil sinar-x organ tubuh manusia, pengolahan citra juga digunakan dalam bidang lain seperti penyiaran, telekomunikasi digital, Sistem multimedia, bilogi, sistem penginderaan jauh, seni grafis, percetakan, militer, bidang pertanian dan masih banyak bidang lainnya.

Gambar 2.4 Pengenalan Pola (Agung Priyo,2005) 2.5.1 Grayscale

Mencari tingkat keabuan adalah proses pengubahan warna citra menjadi format warna yang hanya berdasarkan tingkat keabuan. Proses ini menghilangkan informasi hue dan saturation dari piksel dan hanya meninggalkan nilai brightness. Setiap piksel dari tingkat keabuan citra memiliki nilai brightness antara 0 (hitam) sampai 255 (putih). Foto hitam putih merupakan contoh umum dari model warna tingkat keabuan. Walaupun disebut hitam putih, sesungguhnya foto tersebut terbentuk dari banyak warna

abu-abu yang berbeda. Tujuan perhitungan tingkat keabuan adalah

memudahkan proses selanjutnya yaitu proses thresholding. Dengan algoritma perhitungan tingkat keabuan, piksel dari suatu citra yang mengandung warna-warna RGB (merah, hijau dan biru) diubah menjadi warna-warna dalam berbagai tingkat keabuan dengan menjumlahkan nilai warna merah, hijau dan biru kemudian dibagi tiga sehingga didapatkan nilai rata-rata dari ketiga warna.

2.5.2 Morfologi

Morfologi merupakan suatu cabang dari pengolahan citra yang sangat bermanfaat dalam analisis bentuk dalam citra. Operasi morfologi adalah teknik pengolahan citra berdasarkan bentuk segmen atau region dalam citra. Karena difokuskan pada bentuk obyek, maka operasi ini biasanya diterapkan pada citra biner (terdiri dari 1 dan 0). pemrosesan citra secara morfologi dilakukan denga cara mem-passing sebuah sturktur elemen terhadap sebuah citra dengan cara yang hampir sama dengan konvolusi. Struktur elemen dapat diibaratkan dengan mask pada pemrosesan citra biasa (bukan secara morfologi).

2.5.3 Erosi

Erosi adalah salah satu operasi dasar dalam pemrosesan citra secara morfologi. Erosi adalah sebuah operasi yang meningkatkan ukuran dari latar belakang (dan mengikis objek latar depan) pada citra biner .

Dengan memisalkan A sebagai objek pada citra masukan, B sebagai elemen terstruktur, dan C sebagai objek pada citra keluaran hasil erosi, maka proses erosi dapat dinotasikan dengan:

=

Erosi dilakukan dengan bantuan elemen terstruktur. Elemen terstruktur membantu menentukan pixel tetangga yang akan ditelusuri dengan proses erosi. Elemen terstruktur yang sering digunakan adalah 4-konektivitas dan 8-konektivitas. ( Gambar 2.5 )

Gambar 2.5. Elemen terstruktur 4- dan 8- konektivitas(Agung Priyo,2005) Erosi memiliki karakteristik :

a. Erosi pada umunya memperkecil ukuran dari objek dan menghilangkan elemen atau anomali kecil dengan mengurangi objek dengan radius yang lebih kecil dari ukuran elemen terstruktur.

b. Dengan citra binner erosi menghilangkan objek yang lebih kecil dari elemen terstruktur dan mengiliminasi pixel parameter dari objek citra yang lebih besar.

Algoritma yang dilakukan pada erosi adalah sebagai berikut:

1. Posisikan elemen terstruktur dibagian atas (menutupi) tiap-tiap piksel dari citra masukan hingga titik pusat dari elemen terstruktur bertepatan dengan posisi piksel masukan.

2. Jika paling sedikit satu piksel pada elemen terstruktur bertemu dengan piksel latar belakang di bawahnya (yang ditutupinya), maka tetapkan piksel keluaran pada citra baru ke nilai latar belakang, maka tetapkan piksel. ( Gambar 2.6 ) Dengan begitu, piksel latar belakang pada citra masukan akan menjadi latar belakang pada citra keluaran dan juga piksel latar depan pada citra masukan akan menjadi latar belakang pada citra keluaran.

Gambar 2.6. Erosi menggunakan elemen terstruktur 8-konektivitas (Agung Priyo,2005)

2.5.4 Dilasi

Dilasi adalah salah satu operasi dasar dalam morfologi matematika. Pada citra biner, dilasi adalah sebuah operasi yang mengekspansi atau memperbesar ukuran dari objek latar depan. Biasanya objek pada citra dilambangkan dengan piksel putih, walaupun untuk beberapa implementasi objek pada citra dilambangkan dengan piksel hitam. Konektivitas antar piksel pusat dengan tetangganya dibuat berdasarkan elemen terstruktur yang terdefini. Memisalkan A sebagai objek pada citra masukan, B sebagai elemen terstruktur, dan C sebagai objek citra keluaran hasil dilasi, maka proses dilasi dapat dinotasikan sebagai :

= ⊕

Dilasi memiliki karakteristik :

a. Dilasi umunya memperbesar ukuran dari objek, mengisi lubang dan

dan area yang rusak, dan menghubungkan area yang dipisahkan oleh jarak yang lebih kecil dari ukuran elemen terstruktur.

b. Dengan citra biner, dilasi menghubungkan area yang dipisahkan oleh jarak yang lebih kecil dari elemen terstruktur dan menambahkan piksel dari setiap objek citra.

Algoritma yang dilakukan pada dilasi adalah sebagai berikut :

a. Posisikan elemen terstruktur di bagian atas (menutupi) tiap-tiap piksel dari citra masukan hingga titik pusat dari elemen terstruktur bertepatan dengan posisi piksel masukan.

b. Jika paling sedikit satu piksel pada elemen terstruktur bertemu dengan piksel latar depan dibawahnya ( yang ditutupinya), maka tetapkan piksel keluaran pada citra baru kenilai latar depan. Begitu juga jika bertemu dengan piksel latar belakang, maka tetapkan piksel keluaran pada citra baru ke nilai latar depan.

Piksel latar depan pada citra masukan akan menjadi latar depan pada citra keluaran dan juga pada piksel latar belakang pada citra masukan akan menjadi latar depan pada citra keluaran . (Gambar 2.7)

Gambar 2.7. dilasi menggunakan elemen terstruktur 8-konektivitas (Agung Priyo,2005)

2.5.5 Opening and Closing

Dari operator dasar morfologis dapat dibuat operator dasar morfologis dapat dibuat operator baru yang merupakan kombinasi dari keduanya.Pertama adalah

operator opening, yaitu operator yang terdiri dari rangkaian operasi operator erosion diikuti oleh dilation, yang diformulasikan sebagai :

−

Dan kedua operator closing, yaitu operator yang terdiri dari rangkaian operasi operator dilation diikuti oleh erosion, yang diformulasikan sebagai:

−

Operator opening akan menghilangkan pulau-pulau kecil, puncak yang tajam dan garis yang tipis. Sedangkan operator closing akan menyatukan (fuse) patahan-patahan yang sempit, menutup lubang-lubang kecil dan menghaluskan kontur. Jika kita menggunakan operator ini dengan tepat, yaitu diawali dengan operator opening dan selanjutnya diikuti dengan operator closing, maka akan diperoleh sebuah operator baru yang akan menghilangkan derau, yang dikenal sebagai salt and papper noise removal.

2.5.6 Rekontruksi

Rekonstruksi citra (image reconstruction) bertujuan membentuk ulang objek dari beberapa citra hasil proyeksi. Misalnya beberapa fotorontgen dengan sinarX. Digunakan untuk membentuk ulang gambar organ tubuh.

2.5.7 Inver s

Menurut Asmitot (2010), Jika invers f adalah fungsi dari himpunan A ke himpunan B, maka invers fungsi f adalah fungsi dari himpunan B ke himpunan A. ( Gambar 2.8)

Jika sebuah input x dimasukkan ke dalam fungsi f menghasilkan sebuah output y, y kemudian dimasukkan ke dalam fungsi invers menghasilkan output x. f adalah fungsi yang domainnya adalah himpunan X, dan kodomainnya adalah

………..(4)

himpunan Y. Kemudian, jika ada kebalikan dari fungsi f adalah dengan

domain Y dan kodomain X, dengan aturan. Jika , maka ,

Tidak semua fungsi mempunyai invers. Tetapi, fungsi yang tidak mempunyai invers itu akan mempunyai invers jika kita membatasi himpunan nilai-nilai X-nya. Fungsi yang mempunyai invers adalah fungsi bijektif, yaitu:

Gambar 2.8. Sebuah fungsi f dan inversnya (Asmitot 2010)

Jika setiap anggota himpunan B mempunyai tepat satu kawan di A maka f disebut fungsi bijektif atau korespodensi 1-1. Mudah dipahami bahwa korespondensi 1-1 adalah fungsi surjektif sekaligus injektif. Sehingga sering dinyatakan sebagai “sebuah fungsi bijective jika dan hanya jika memiliki fungsi invers.

2.5.8 Segmentasi Citra

Segmentasi citra merupakan bagian dari proses pengolahan citra. Proses segmentasi citra ini lebih banyak merupakan suatu proses pra pengolahan pada sistem pengenalan objek dalam citra. Segmentasi citra (image segmentation) mempunyai arti membagi suatu citra menjadi wilayah-wilayah yang homogen berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan suatu piksel dengan tingkat keabuan piksel – piksel tetangganya, kemudian hasil dari proses

segmentasi ini akan digunakan untuk proses tingkat tinggi lebih lanjut yang dapat dilakukan terhadap suatu citra, misalnya proses klasifikasi citra dan proses identifikasi objek. Adapun dalam proses segmentasi citra itu sendiri terdapat beberapa algoritma, diantaranya : algoritma Deteksi Titik, Deteksi Garis, dan Deteksi Sisi ( berdasarkan Operator Robert dan Operator Sobel ).

Gonzalez dan Wintz (1987) menyatakan bahwa segmentasi adalah proses pembagian sebuah citra kedalam sejumlah bagian atau obyek. Segmentasi merupakan suatu bagian yang sangat penting dalam analisis citra secara otomatis, sebab pada prosedur ini obyek yang diinginkan akan disadap untuk proses selanjutnya, misalnya: pada pengenalan pola. Algoritma segmentasi didasarkan pada 2 buah karakteristik nilai derajad kecerahan citra, yaitu: discontinuity dan similarity. Pada item pertama, citra dipisahkan/dibagi atas dasar perubahan yang mencolok dari derajad kecerahannya. Aplikasi yang umum adalah untuk deteksi titik, garis, area, dan sisi citra. Pada kategori kedua, didasarkan atas thresholding, region growing, dan region spiltting and merging. Prinsip segmentasi citra bisa diterapkan untuk citra yang statis maupun dinamis. Segmentasi citra adalah membagi suatu citra menjadi wilayah-wilayah yang homogen.

2.5.9 Deteksi Tepi

Deteksi tepi merupakan sebuah proses di mana proses tersebut berfungsi untuk mendeteksi garis tepi yang membatasi dua wilayah citra. Saat ini telah banyak operator – operator yang dapat digunakan dalam pembuatan deteksi tepi, contohnya adalah operator Robert , prewitt, sobel, serta operator turunan seperti laplace. Deteksi tepi itu sendiri bertujuan untuk menandai bagian yang menjadi detail citra, dan memperbaiki serta mengubah citra.

Pendeteksian tepi merupakan langkah pertama untuk melingkupi informasi di dalam citra. Tepi mencirikan batas-batas objek dan karena itu tepi berguna untuk proses segmentasi dan identifikasi objek di dalam citra. Tujuan operasi pendeteksian tepi adalah untuk meningkatkan penampakan garis batas suatu daerah atau objek di dalam citra. Karena tepi termasuk ke dalam komponen berfrekuensi tinggi, maka pendeteksian tepi dapat dilakukan dengan penapis lolos-tinggi.(Rinaldi Munir,2010 )

Manfaat yang bisa diperoleh dari deteksi tepi dalam berbagai bidang, misalnya yang paling banyak digunakan dalam bidang kedokteran adalah untuk menentukan stadium kanker, mendeteksi tepi citra USG janin, mendeteksi karies pada gigi, sehingga bentuk citra yang dihasilkan dapat terlihat lebih jelas. Di bidang lainnya, deteksi tepi digunakan untuk aplikasi pengenalan plat kendaraan, aplikasi pengenalan sidik jari, dan untuk membedakan uang asli dengan uang palsu.

Terdapat beberapa teknik yang digunakan untuk mendeteksi tepi, antara lain: a. Operator gradien pertama (differential gradient)

Mendeteksi tepi di dalam citra, yaitu operator gradien selisih-terpusat, operator Sobel, operator Prewitt, operator Roberts, operator Canny.

b. Operator turunan kedua (Laplacian)

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