PENGUKURAN KEKASARAN PERMUKAAN DENGAN METODE ELECTRONIC SPECKLE
2.2. Proses Pencitraan ( Image Processing )
Perekaman data permukaan obyek ukur dilakukan oleh kamera CCD. Image yang dihasilkan kamera CCD ditrans- formasikan kedalam data numerik. Gambar yang sudah terekam tersebut kemudian diolah melalui beberapa tahapan dengan software MATLAB untuk memperoleh informasi nilai gray level seperti yang terlihat pada Gambar 10.
START Color Image Gray Image Binary image Median Filter X and Y projection Cropping Image Resizing Image Linear Binary Pattern (LBP) Rotating Image END
Gray level sampling using Union Jack Pattern
Gambar 10.Flow chart pemprosesan gambar
2.2.1. Perubahan color image menjadi gray image
Tahap ini mengubah gambar berwarna (RGB) menjadi gambar grayscale dengan menghilangkan informasi warna
dan saturasi, akan tetapi tetap mempertahankan informasi pencahayaan dari gambar tersebut. Perubahan ini mangacu pada rumus 1, dimana R G B adalah warna merah, hijau, dan biru dari suatu gambar berwarna.
0.2989
0.5870
0.1140B
R G
image
gray (1)
Pada Matlab, proses ini bisa menggunakan fungsi
rgb2gray dan hasil gray image dari proses ini bisa dilihat
pada Gambar 11.
Gambar 11. Contoh perubahan color image menjadi gray image
2.2.2. Perubahan Gray image menjadi Binary Image
Langkah ini berfungsi untuk merubah Gray Image yang semula mempunyai range 0 sampai dengan 255 menjadi
Binary Image dengan nilai 0 atau 1. Apabila nilai pada Gray Image > 50 maka nilai tersebut dirubah menjadi 1 pada
Binary Image, sebaliknya nilai tersebut dirubah menjadi 0
mengikuti persamaan 2. Contoh gambar perubahan Gray Image menjadi Binary Image dapat dilihat pada Gambar 12. If Gray image(x,y) > 50 then Binary Image(x,y) = 1
else Binary Image(x,y) = 0 (2)
Gambar 12. Contoh perubahan Gray Image menjadi Binary Image
2.2.3. Median Filter
Median Filter adalah suatu metode untuk menghilangkan noise pada gambar tanpa mengurangi ketajaman gambar tersebut. Nilai gambar output ditentukan oleh median dari nilai sekelilingnya mengikuti persamaan 3. Langkah ini menggunakan fungsi medfilt2 pada MATLAB dengan matrik 20x20 sebagai matrik filter-nya.Contoh gambar setelah melalui proses Median Filter ini bisa dilihat pada Gambar 13.
xi j i j w
median n m y[ , ] [, ],(, ) (3)Dimana w adalah nilai-nilai di sekeliling pusat sebuah matrix(m,n).
Gambar 13. Perubahan gambar Binary Image setelah
2.2.3. X and Y projection
Proses ini berfungsi untuk menentukan batas kiri, kanan, atas, serta bawah cropping image. Proses penentuan batas ini bisa kita lihat pada Gambar 14. Pada gambar tersebut seluruh nilai 1 akan dikumpulkan baik pada sisi X dan Y untuk mendapatkan batas-batas seperti yang telah disebutkan di atas. Contoh X, Y projection bisa dilihat pada Gambar 14.
Gambar 14. Contoh gambar X Y projection
2.2.3. Cropping Image
Langkah ini berfungsi untuk memotong daerah hitam di sekeliling gambar surface roughnes berdasarkan batas-batas
yang telah didapatkan dari langkah sebelumnya. Hasil dari proses Cropping image ini dapat dilihat pada Gambar 15
Gambar 15. Contoh hasil Cropping Image
2.2.4. Resizing Image
Hasil cropping image mempunyai ukuran yang sedikit bervariasi satu sama lain yang disebabkan oleh batas pada waktu cropping image. Proses ini berfungsi untuk menya- makan ukuran gambar sehingga nilai gray level-nya bisa dicari secara otomatis melalui pattern union jack. Semua ukuran gambar selanjutnya dirubah menjadi 256 x 256.
2.2.5. Linear Binary Pattern (LBP)
LBP adalah salah satu teknik yang digunakan dalam
image processing yang fungsi utamanya adalah mengeli- minasi bagian yang gelap pada gambar. Bagian yang gelap ini terjadi akibat pengaruh perbedaan intensitas cahaya pada gambar tersebut. Variasi intensitas cahaya akan berpengaruh terhadap nilai gray level dari suatu gambar, dan jika tidak
dihilangkan maka akan menurunkan keakuratan pengukuran. Aplikasi LBP banyak digunakan dalam berbagai penelitian semisal pengukuran kekasaran permukaan baja [8] dan
pendeteksian crack [9].
Forrmulasi LBP di dalam pengolahan gambar dapat dilihat pada rumus 4 dan 5 [10]
7 0 2 , n n c n c c y si i x LBP (4)Dimana
i
cadalah nilai gray level dengan pusatx
c,y
c
dan fungsis(x)
didefinisikan sebagai
0 0 0 1 x if x if x s (5)Salah satu contoh gambar hasil proses LBP dapat dilihat pada Gambar 16.
Gambar 16. Contoh penggunaan LBP dalam mengeliminasi bagian yang gelap dalam gambar.
2.2.6. Rotating Image
Proses ini berfungsi untuk memperbanyak jumlah gambar yang nantinya dipakai dalam proses training dan testing. Setiap gambar akan dirotasi dengan kelipatan 2 derajat se- hingga nantinya untuk setiap gambar diperoleh 180 gambar replikasi. Kemudian 120 gambar dipakai untuk proses
training dan sisanya dipakai untuk proses testing. Proses rotasi gambar ini menggunakan fungsi imrotate pada Matlab. Proses ini berfungsi untuk menghitung False Acceptance Ratio (FAR) dan False Rejected Ratio (FRR) yang merupa- kan nilai unjuk kerja dari metode ESPI didalam menghitung kekasaran permukaan. Contoh hasil proses rotasi gambar bisa dilihat pada Gambar 17.
Gambar 17. Contoh hasil rotasi suatu gambar.
2.2.6. Gray Level Sampling using Union Jack Methods
Untuk mengetahui gray level dari suatu gambar, maka di- gunakanlah methode sampling Union Jack. Dengan metode
Seminar Nasional Teknik Mesin 7 21 Juni 2012, Surabaya, Indonesia
sampling kemudian kedelapan nilai tersebut dirata-rata. Contoh sampling kekasaran permukaan dengan metode
union jack serta hasil nilai gray levelnya bisa dilihat pada Gambar 18 dan Gambar 19.
Gambar 18. contoh sampling gray level dengan metode Union Jack
Gambar 19. Contoh hasil nilai Gray level
2.2.7. FAR dan FRR
False Acceptance Ratio (FAR) dan False Rejected Ratio (FRR) adalah suatu nilai yang dijadikan tolak ukur unjuk kerja dari metode ini. Nilai gray level dari 120 gambar pada proses training dirata-rata, kemudian ke 60 gambar sisanya akan dijadikan masukan proses testing dengan metode euclidian distance. Euclidian distance adalah satu metode untuk menghitung jarak antara 2 buah objek berdasarkan nilai feature yang dimiliki ke-2 obyek tersebut, mengikuti persamaan 6.
2 1
n k jk ik ij x x d (6) 3.2.5. VerifikasiUntuk proses verifikasi hasil pengukuran kekasaran permukaan metode ESPI ini, maka digunakanlah alat ukur pembanding yakni Mitutoyo Surftest 301 dan 401. Gambar
ke-2 alat pengukuran kekasaran standar tersebut bisa dilihat pada Gambar 20 dan Gambar 21.
Tahap pertama, data gray level dan data kekasaran permukaan standar dihubungkan dengan sebuah persamaan y fungsi x. Dimana y adalah kekasaran permukaan dalam skala gray level, sedangkan x adalah kekasaran permukaan standar dalam skala mikro meter (μm). Sedangkan tahap kedua adalah membandingkan nilai kekasasaran permukaan dari Mitutoyo surftest 301 dan 401 dengan kekasaran per- mukaan standar. Kedua tahap ini berfungsi sebagai data penunjang unjuk kerja dari metode ini selain nilai FAR dan FRR yang telah disebutkan di atas.
Gambar 20. Alat Ukur Kekasaran Permukaan Mitutoyo Surftest 301
Gambar 21. Alat Ukur Kekasaran Permukaan Mitutoyo Surftest 401
3. HASIL DAN PEMBAHASAN
Didalam proses training, 120 gambar diambil nilai gray level rata-ratanya, dilanjutkan tahap testing untuk mencari
nilai FAR dan FRR. Rumusan Euclidian distance digunakan untuk menentukan jarak terdekat dari ke-60 gambar testing
tersebut. Hasil nilai rata-rata gray level, FAR, FRR dapat dilihat pada Tabel 2.
Proses selanjutnya adalah merubah nilai kekasaran permukaan dalam skala gray level menjadi skala mikro meter (μm). Untuk proses konversi tersebut, nilai gray level
dihubungkan dengan nilai kekasaran standar melalui sebuah persamaan y = f(x). Dimana sumbu y adalah nilai kekasaran dalam satuan gray level, sedangkan sumbu x adalah nilai kekasaran standar dalam skala mikro meter (μm). Kedua nilai tersebut dicari persamaan garisnya dengan nilai R2 yang mendekati nilai 1. Persamaan yang berfungsi merubah nilai kekasaran permukaan dalam skala gray level ke skala mikron bisa dilihat pada persamaan 6.
0.0072 / 1 98 . 122 Lg Ra (6)
Dimana: Ra = Nilai kekasaran permukaan dalam satuan panjang (μm) dan Lg = Nilai kekasaran permukaan dalam satuan gray level.
Tabel 2. FAR dan FRR metode ESPI
Surface Roughness Standards
(Comparator Surface Roughness) FAR (%) FRR (%) Hasil Proses Ra (µm) Flat Laping, Grinding, Horizontal Milling danVertical Milling
0.05 0.11 0.092 0.1 0.125 0.107 0.2 0.134 0.116 0.4 0.164 0.146 0.8 0.192 0.174 1.6 0.201 0.183 3.2 0.22 0.202 6.3 0.273 0.255 12.5 0.29 0.281
Selanjutnya nilai kekasaran permukaan dari Mitutoyo surftest 301 dan 401 juga akan dicari persamaan garisnya dengan nilai kekasaran standar. Hal ini berfungsi sebagai verifikasi hasil pengukuran kekasaran metode ESPI dengan alat ukur standar. Hasil perbandingan nilai kekasaran permukaan metode ESPI, Mitutoyo surftest 301 dan 401 dapat dilihat pada Tabel 3, 4 dan 5.
Tabel 3. Kekasaran permukaan metode ESPI
Surface Roughness Standards
(Comparator Surface Roughness) Hasil Pengukuran ESPI (µm) Error Ra (µm) Hasil Proses Ra (µm) Flat Laping, Grinding, Horizontal Milling danVertical Milling 0.05 0.046813 -0.0031867 0.1 0.134498 0.0344978 0.2 0.275397 0.0753969 0.4 0.37347 -0.0265297 0.8 0.667528 -0.1324724 1.6 1.259332 -0.3406685 3.2 1.815666 -1.3843338 6.3 5.116388 -1.1836119 12.5 26.26204 13.762042 Rata-rata error Ra (0.05 – 12.5 µm) 1.200126 Rata-rata error Ra (0.05 – 6.3 µm) -0.3701135 Rata-rata error Ra (0.05 – 3.2 µm) -0.2538995
Pada Tabel 3, dapat dilihat bahwa nilai kesalahan akan semakin bertambah besar dengan bertambahnya nilai keka- saran. Hal ini dikarenakan sudut hamburan dari obyek ukur yang acak dan besar sehingga gambar interferensi tidak ter- tangkap CCD kamera. Disamping itu adanya faktor blurr
pada gambar menjadikan nilai gray level tidak lagi mencer- minkan nilai kekasaran permukaan obyek.
Tabel 4. Kekasaran permukaan Surftest 301
Surface Roughness Standards
(Comparator Surface Roughness) Hasil Pengukuran Surftest 301 Ra (µm) Error Ra (µm) Hasil Proses Ra (µm) Flat Laping, Grinding, Horizontal Milling danVertical Milling 0.05 0.081 0.031 0.1 0.268 0.168 0.2 0.300 0.100 0.4 0.394 -0.006 0.8 0.839 0.039 1.6 1.773 0.173 3.2 3.515 0.315 6.3 7.079 0.779 12.5 12.908 0.408 Rata-rata error Ra (0.05 – 12.5 µm) 0.224 Rata-rata error Ra (0.05 – 6.3 µm) 0.201 Rata-rata error Ra (0.05 – 3.2 µm) 0.119
Tabel 5. Kekasaran permukaan Surftest 401
Surface Roughness Standards
(Comparator Surface Roughness) Hasil Pengukuran Surftest 401 Ra (µm) Error Ra (µm) Hasil Proses Ra (µm) Flat Laping, Grinding, Horizontal Milling danVertical Milling 0.05 0.2 0.15 0.1 0.2 0.10 0.2 0.3 0.05 0.4 0.7 0.30 0.8 1.0 0.20 1.6 1.9 0.27 3.2 3.9 0.65 6.3 7.1 0.75 12.5 12.9 0.35 Rata-rata error Ra (0.05 – 12.5 µm) 0.313 Rata-rata error Ra (0.05 – 6.3 µm) 0.308 Rata-rata error Ra (0.05 – 3.2 µm) 0.245 4. KESIMPULAN
Dari hasil penelitian ini, dapat ditarik beberapa kesim- pulan sebagai berikut;
1. Dari hasil pengolahan data didapatkan persamaan untuk menghitung konversi nilai kekasaran permukaan dari nilai Ra dalam satuan gray level ke dalam satuan mikron (µm) yaitu; 0.0072 / 1 98 . 122 Lg Ra
Dimana: Ra = Nilai kekasaran permukaan dalam satuan panjang (μm) dan Lg = Nilai kekasaran permukaan dalam
satuan gray level.
2. Secara garis besar kesalahan yang terjadi pada metode ini dikarenakan sudut hamburan sinar laser dari obyek ukur sangat acak dan besar, akibatnya sinar hasil interferensi tidak tertangkap CCD kamera. Oleh karena itu kemung- kinan penggunaan lebih dari satu CCD kamera, dengan variasi sudut tangkap sangat dianjurkan untuk optimasi hasil pengukuran metode ESPI ini.
3. Faktor blurr pada gambar yang tertangkap CCD kamera, juga menjadi faktor lain yang menentukan nilai kesalahan pada hasil pengukuran.
4. Dengan adanya kesalahan tersebut, maka metode ESPI ini lebih cocok untuk kekasaran permukaan dengan nilai lebih kecil dari 3.2 mikron (µm). Hal ini dibuktikan dengan nilai FAR dan FRR yang semakin kecil untuk kekasaran dibawah 3.2 mikron.
5. Pada penelitian ini gray level adalah satu-satunya feature
yang digunakan dalam proses training maupun testing. Penggunaan feature lain misalnya arah guratan dll perlu dipertimbangkan sehingga Artificial Intelligence seperti fuzzy logic, neural network dll., bisa digunakan untuk menurunkan nilai kesalahan yang terjadi.
DAFTAR PUSTAKA
[1] Radhakrishan, V., “Effect of stylus radius on the
roughness values measured with tracing stylus instru-
ments”, Wear Vol. 16, 1970, pp 325–335.
[2] McCool, J. I., “Assessing the Effect of Stylus Tip Radius
and Flight on Surface Topology Measurements”, J. Tribol. Trans. ASME vol 106, 1984, pp. 202-210.
Seminar Nasional Teknik Mesin 7 21 Juni 2012, Surabaya, Indonesia
[3] Poon, C. Y. & Bhushan, B., “Surface roughness analysis of glass-ceramic substrates and finished magnetic disks, and Ni-P coated Al-Mg and glass
substrates”, Wear vol. 190, 1995, pp. 89 – 109. [4] Macovski A, Ramsey S D and Schaefer L. F., Time-lapse
interferometry and contouring using television system, Appl. Opt., Vol. 10, 1971, pp.2722-2727.
[5] Schwomma O, Holographisch–interferometrisches oder moiremetrissches verfahren, Austria patent 298
830, 1972.
[6] N. Butters and J. A. Leeudertz, Holographic and video techniques applied to Engineering measurement, Transactions of the institute of measurement and control, Vol.4 (12), 1971, pp.349-354.
[7] C. Wykes, R. Jones, K. Creath, and X. L. Chen, Part VII,
Speckle methods, Optical methods of engineering analysis, Ed, Gary L. Cloud, Cambridge University Press, 1998.
[8] Mansono, M., et all, Inspection of Metallic Surfaces Using Local Binary Patterns, IEEE, 2011.
[9] H. Yong and Z. Chun-Xia, A Local Binary Pattern Based Methods for Pavement Crack Detection, Journal of Pattern Recognition Research 1, 2010, pp. 140-147. [10] Marcel, S., On the Recent Use of Local Binary Patterns
for Face Authentication, International Journal of Image and Video Processing Special Issue on Facial Image Processing, 2007.