Analisis Perbandingan Hasil Algoritma Homogeneity Dan Algoritma Prewitt Untuk Deteksi Tepi Pada Citra BMP

(1)

ANALISIS PERBANDINGAN HASIL ALGORITMA HOMOGENEITY DAN

ALGORITMA PREWITT UNTUK DETEKSI TEPI

PADA CITRA BMP

SKRIPSI

ZULFADHLI HARAHAP

111421055

PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

(2)

ANALISIS PERBANDINGAN HASIL ALGORITMA HOMOGENEITY DAN ALGORITMA PREWITT UNTUK DETEKSI TEPI PADA CITRA BMP

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Ilmu Komputer

ZULFADHLI HARAHAP 111421055

PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA MEDAN

(3)

PERSETUJUAN

Judul : ANALISIS PERBANDINGAN ALGORITMA

HOMO-GENEITY DAN ALGORITMA PREWITT UNTUK DETEKSI TEPI PADA CITRA BMP.

Kategori : SKRIPSI

Nama : ZULFADHLI HARAHAP

Nomor Induk Mahasiswa : 111421055

Program Studi : EKSTENSI S1 ILMU KOMPUTER

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

Diluluskan di Medan,

Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Dian Rachmawati, S.Si, M.Kom Dr. Syahril Efendi, S.Si, MIT NIP. 19830723 200912 2 004 NIP. 19671110 199602 1 001

Diketahui/disetujui oleh

Program Studi Ekstensi S1 Ilmu Komputer Ketua,

(4)

PERNYATAAN

ANALISIS PERBANDINGAN HASIL ALGORITMA HOMOGENEITY DAN ALGORITMA PREWITT UNTUK DETEKSI TEPI

PADA CITRA BMP

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan. Maret 2014

(5)

PENGHARGAAN

Alhamdulillah, puji syukur penulis panjatkan kehadirat Allah SWT, yang telah memberikan rahmat dan hidayah-Nya serta segala sesuatunya dalam hidup. Sehingga penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, Program Studi S1 Ilmu Komputer Universitas Sumatera Utara.

Ucapan terima kasih penulis sampaikan kepada semua pihak yang telah membantu penulis selama pengerjaan skripsi ini, antara lain kepada:

1. Bapak Prof. DR. Muhammad Zarlis, M.Sc Selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara.

2. Bapak Dr. Poltak Sihombing, M.Kom selaku Ketua Program Studi Ilmu Komputer, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara dan sebagai Dosen Pembanding.

3. Bapak Dr. Syahril Efendi, S.Si, MIT dan Ibu Dian Rachmawati, S.Si, M.Kom sebagai Dosen Pembimbing yang telah memberikan bimbingan, saran, masukkan kepada penulis untuk menyempurnakan kajian ini.

4. Bapak M. Andri Budiman, S.T, M.Comp.Sc, M.E.M, C.J.P sebagai Dosen Pembanding.

5. Seluruh dosen dan pegawai Program Studi Ekstensi S1 Ilmu Komputer Universitas Sumatera Utara.

6. mencurahkan ilmunya selama masa perkuliahan.

7. Seluruh pegawai di lingkungan Program Studi S1 Ilmu Komputer Fasilkom-TI USU.

8. Teristimewa kepada orang tua penulis, ayahanda Ir. H. Usman Harahap, MT dan Ibunda Dra. Hj. Roudah .Apt atas do’a dan kasih sayang yang tidak pernah putus, kepada kakanda saya Nurul Hudhani Harahap, SE, adinda Siti Hasyati Harahap atas dorongan semangat yang diberikan kepada penulis.

(6)

Semoga Allah SWT memberikan limpahan karunia semua pihak yang membantu penulis dalam menyelesaikan skripsi ini. Akhirnya penulis berharap bahwa skripsi ini bermanfaat terutama kepada penulis maupun para pembaca serta semua pihak akademisi yang tertarik mengembangkannya. Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan, oleh karena itu penulis menerima saran dan kritik demi kesempurnaan skripsi ini sehingga bermanfaat bagi semua pihak.

Medan, Maret 2014 Penulis

(7)

ABSTRAK

Salah satu teknik pengolahan citra yang digunakan adalah deteksi tepi (edge detection). Deteksi tepi berfungsi untuk mengidentifikasikan garis batas dari suatu objek terhadap latar belakang yang saling tumpang tindih. Sehingga apabila garis tepi pada citra dapat diidentifikasikan dengan akurat, semua objek dapat ditemukan dan sifat dasar seperti area, bentuk, dan ukuran objek dapat diukur. Dalam aplikasi deteksi tepi ini diambil dua algoritma untuk perbandingan yaitu algoritma Homogeneity dan algoritma Prewitt. Algoritma Homogeneity secara luas berkaitan dengan informasi lokal yang diekstrak dari citra dan mencerminkan bagaimana keseragaman suatu daerah pada citra. Algoritma Prewitt bekerja menggunakan prosedur matematika yang disebut konvolusi dalam bentuk matriks 3x3 dimana konstantanya bernilai 1. Aplikasi Deteksi Tepiini dirancang menggunakan bahasa pemrograman C#.

(8)

COMPARATIVE ANALYSIS ALGORITHM HOMOGENEITY AND

ALGORITHM PREWITT FOR EDGE DETECTION IMAGE

ON BMP

ABSTRACT

One of the image processing techniques is edge detection. Edge detection is used to identify the boundary of an object against a background of overlapping. Therefore, when the outline of the image can be identified accurately, all objects can be located and basic properties such as area, shape, and size of the object can be measured. In this application of edge detection algorithm is taken two algorithms for comparison, Homogeneity and Prewitt algorithm. Homogeneity algorithm is widely associated with local information extracted from the image and reflect how uniformity of an area on the image. Prewitt algorithm works using a mathematical procedure called convolution in the form of a 3x3 matrix where the constant is 1. Edge Detection application is designed using the C# programming language.

(9)

DAFTAR ISI

1.4 Tujuan Penelitian 2

1.5 Manfaat Penelitian 3

1.6 Metode Penelitian 3

1.7 Sistematika Penulisan 4

Bab 2 Landasan Teori 5

2.1 Citra Digital 5

2.1.1 Format Citra Digital BMP (Bitmap) 8

2.2 Pengolahan Citra 9

2.3 Deteksi Tepi (Edge Detection) 11

2.4 Algoritma Prewitt 13

2.5 Algoritma Homogeneity 15

2.6 Penilaian Kualitas Citra 15

2.6.1 Mean Square Error 15

2.6.2 PSNR (Peak Signal to Noise Ratio) 16

Bab 3 Analisis dan Perancangan 17

3.1 Analisis 17

3.1.1 Analisis Masalah 17

3.1.2 Analisis Kebutuhan Sistem 18

3.1.2.1 Analisis Fungsional Sistem 18

3.1.2.2 Analisis Non-fungsional Sistem 19 3.1.3 Analisis Deteksi Tepi Menggunakan Agoritma Prewitt 19 3.1.4 Analisis Deteksi Tepi Menggunakan Agoritma Homogeneity 29

3.2 Perancangan Sistem 32

3.2.1 Perancangan Flowchart 33

3.2.1.1 Flowchart Umum Sistem 33

(10)

3.2.1.3 Flowchart Deteksi Tepi Menggunakan Algoritma

Homogeneity 35

3.2.2 Perancangan Unified Modeling Language (UML) 36 3.2.2.1 Identifikasi Use Case Diagram 36

3.2.2.2 Use Case Deteksi Tepi 37

3.2.3 Perancangan Tampilan Antarmuka (Interface) 40

3.2.3.1 Rancangan Jendela Utama 40

3.2.3.2 Rancangan Jendela Tentang 41

Bab 4 Implementasi Dan Pengujian 43

4.1 Implementasi 43

4.1.1 Tampilan Jendela Utama 44

4.1.2 Tampilan Jendela Tentang 44

4.2 Pengujian 44

4.2.1 Proses Pendeteksian Tepi Pada Gambar 44

4.2.2 Pengujian Pendeteksian Tepi Citra 47

Bab 5 Kesimpulan Dan Saran 54

5.1 Kesimpulan 54

5.2 Saran 54

Daftar Pustaka

(11)

DAFTAR TABEL

Halaman 3.1 Matriks nilai citra dan kernel x algoritma Prewitt 20 3.2 Hasil konvolusi dengan kernel x algoritma Prewitt 20

3.3 Matriks hasil konvolusi algoritma Prewitt 23

3.4 Matriks nilai citra dan kernel y algoritma Prewitt 24 3.5 Hasil konvolusi dengan kernel y algoritma Prewitt 24

3.6 Matriks hasil konvolusi algoritma Prewitt 27

3.7 Matriks kernel x dan kernel y algoritma Prewitt 27

3.8 Perhitungan gradien algoritma Prewitt 27

3.9 Matriks hasil akhir deteksi tepi algoritma Prewitt 28 3.10 Nilai matriks piksel citra sebelum deteksi tepi 29

3.11 Perhitungan matriks algoritma Homogeneity 29

3.12 Nilai matriks piksel citra sesudah deteksi tepi dengan algoritma Homogeneity 32

3.13 Dokumentasi naratif Use Case Deteksi Tepi 38

4.1 Hasil Pengujian Deteksi Tepi Citra 47

(12)

DAFTAR GAMBAR

2.7 (a) citra digital dengan objek bangunan PDAM Tirtanadi agak gelap, (b) citra digital dengan objek bangunan PDAM Tirtanadi yang telah diperbaiki

kontrasnya sehingga terlihat jelas dan tajam 9

2.8 Matriks Citra dan kernel sebelum konvolusi dengan tanda • menunjukkan

posisi (0,0) dari kernel 11

2.9 Tahapan Proses Pembentukan Konvolusi 12

2.10 Hasil Konvolusi Citra dan Kernel 12

2.11 Jenis-jenis Tepi 13

2.12 Kernel pada operator Prewitt 14

2.13 Operator konvolusi untuk menghitung gradien 14

2.14 Operator homogeneity 15

3.1 Diagram ishikawa 18

3.2 Citra yang diambil nilai pikselnya 20

3.3 Flowchart umum sistem 33

3.4 Flowchart Deteksi Tepi Menggunakan Algoritma Prewitt 34 3.5 Flowchart Deteksi Tepi Menggunakan Algoritma Homogeneity 35

3.6 Use Case Deteksi Tepi 37

3.7 Activity Diagram Deteksi Tepi 39

3.8 Rancangan jendela utama 40

3.9 Rancangan jendela tentang 42

4.1 Tampilan jendela utama 43

4.2 Tampilan jendela tentang 44

4.3 Langkah pendeteksian tepi pada gambar 45

4.4 Jendela lokasi direktori gambar 46

4.5 Hasil pendeteksian gambar 46

4.6 Citra Mobil 51

4.7 Grafik Durasi Waktu Pengujian 52

4.8 Grafik Perbandingan MSE 52

(13)

ABSTRAK

Salah satu teknik pengolahan citra yang digunakan adalah deteksi tepi (edge detection). Deteksi tepi berfungsi untuk mengidentifikasikan garis batas dari suatu objek terhadap latar belakang yang saling tumpang tindih. Sehingga apabila garis tepi pada citra dapat diidentifikasikan dengan akurat, semua objek dapat ditemukan dan sifat dasar seperti area, bentuk, dan ukuran objek dapat diukur. Dalam aplikasi deteksi tepi ini diambil dua algoritma untuk perbandingan yaitu algoritma Homogeneity dan algoritma Prewitt. Algoritma Homogeneity secara luas berkaitan dengan informasi lokal yang diekstrak dari citra dan mencerminkan bagaimana keseragaman suatu daerah pada citra. Algoritma Prewitt bekerja menggunakan prosedur matematika yang disebut konvolusi dalam bentuk matriks 3x3 dimana konstantanya bernilai 1. Aplikasi Deteksi Tepiini dirancang menggunakan bahasa pemrograman C#.

(14)

COMPARATIVE ANALYSIS ALGORITHM HOMOGENEITY AND

ALGORITHM PREWITT FOR EDGE DETECTION IMAGE

ON BMP

ABSTRACT

One of the image processing techniques is edge detection. Edge detection is used to identify the boundary of an object against a background of overlapping. Therefore, when the outline of the image can be identified accurately, all objects can be located and basic properties such as area, shape, and size of the object can be measured. In this application of edge detection algorithm is taken two algorithms for comparison, Homogeneity and Prewitt algorithm. Homogeneity algorithm is widely associated with local information extracted from the image and reflect how uniformity of an area on the image. Prewitt algorithm works using a mathematical procedure called convolution in the form of a 3x3 matrix where the constant is 1. Edge Detection application is designed using the C# programming language.

(15)

PENDAHULUAN

1.1Latar Belakang

Mata merupakan salah satu panca indra yang digunakan manusia untuk melihat. Namun mata manusia memiliki keterbatasan dalam menangkap sinyal elektromagnetik. Oleh karena itu, diciptakanlah komputer atau mesin pencitraan yang dapat menangkap hampir keseluruhan sinyal elektromagnetik. Mesin pencitraan dapat bekerja dengan citra dari sumber yang tidak sesuai, tidak cocok, atau tidak dapat ditangkap dengan penglihatan manusia. Hal inilah yang menyebabkan pengolahan citra digital memiliki kegunaan yang sangat luas. Teknologi pengolahan citra dapat masuk ke berbagai bidang seperti kedokteran, geologi, kelautan, industri, dan lain sebagainya.

Salah satu teknik pengolahan citra yang digunakan adalah deteksi tepi (edge detection). Deteksi tepi adalah hal yang umum dalam proses pengolahan citra digital karena merupakan salah satu langkah awal dalam melakukan segmentasi citra, yang bertujuan untuk mempresentasikan objek-objek yang terkandung dalam citra tersebut. Deteksi tepi berfungsi untuk mengidentifikasikan garis batas dari suatu objek terhadap latar belakang yang saling tumpang tindih. Sehingga apabila garis tepi pada citra dapat diidentifikasikan dengan akurat, semua objek dapat ditemukan dan sifat dasar seperti area, bentuk, dan ukuran objek dapat diukur. Tepian citra adalah posisi dimana intensitas piksel dari citra berubah dari nilai rendah ke nilai tinggi atau sebaliknya.

(16)

dan algoritma Prewitt. Algoritma Homogeneity secara luas berkaitan dengan informasi lokal yang diekstrak dari citra dan mencerminkan bagaimana keseragaman suatu daerah pada citra. Algoritma Prewitt bekerja menggunakan prosedur matematika yang disebut konvolusi dalam bentuk matriks 3x3 dimana konstantanya bernilai 1.

1.2Rumusan Masalah

Yang menjadi rumusan masalah dalam penelitian ini adalah bagaimana menganalisa algoritma Homogeneity dan algoritma Prewitt pada citra berwarna dan bagaimana merancang perangkat lunak yang mampu mendeteksi tepi dengan menggunakan kedua algoritma tersebut.

1.3Batasan Masalah

Dalam penelitian ini penulis membuat batasan masalah, yaitu:

1. Citra yang digunakan bertipe file .bmp dengan mode warna RGB dan Grayscale, dengan kernel matriks 3x3

2. Parameter perbandingan, yaitu citra hasil deteksi tepi dengan nilai threshold bervariasi, kecepatan dalam melakukan deteksi tepi, Mean Square Error (MSE) dan Peak Signal to Noise Ratio (PSNR).

3. Hasil deteksi tepi yang disimpan bertipe file .bmp

4. Bahasa pemrograman yang digunakan adalah Microsoft Visual C#.

1.4Tujuan Penelitian

(17)

1.5Manfaat Penelitian

Manfaat penulisan dari penelitian ini adalah untuk memahami algoritma Homogeneity dan algoritma Prewitt dalam mendeteksi tepi dari sebuah citra dan diperolehnya perangkat lunak yang mampu mendeteksi tepi dengan menggunakan kedua algoritma.

1.6Metodologi Penelitian

Dalam penelitian ini, tahapan-tahapan yang akan dilalui adalah sebagai berikut: 1. Studi Kepustakaan

Pengumpulan referensi dalam penelitian yang penulis lakukan dengan mencari jurnal, buku, tulisan ilmiah, e-book, maupun artikel lain yang berhubungan dengan deteksi tepi, pengolahan citra, Algoritma Homogeneity, Algoritma Prewitt.

2. Analisis dan Perancangan Sistem

Tahap ini digunakan untuk mengolah data dari hasil studi kepustakaan kemudian melakukan analisis sehingga menjadi suatu informasi. Proses ini meliputi pembuatan algoritma program, UML, flowchart sistem, rancangan aplikasi, dan pembuatan userinterface aplikasi.

3. Implementasi Sistem

Menerapkan Algoritma Homogeneity dan Prewitt ke dalam aplikasi komputer yang sedang dirancang.

4. Pengujian Aplikasi

(18)

5. Dokumentasi

Pada tahap ini seluruh kegiatan dari awal hingga akhir penelitian akan dituliskan ke dalam format penulisan tugas akhir dengan disertai kesimpulan akhir.

1.7Sistematika Penulisan

Sistematika penulisan dari skripsi ini terdiri dari:

BAB 1 : PENDAHULUAN

Bab ini menjelaskan mengenai latar belakang pemilihan judul skripsi ” Analisis Perbandingan Algoritma Homogeneity dan Algoritma Prewitt untuk Deteksi Tepi pada Citra BMP”, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian dan sistematika penulisan.

BAB 2 : LANDASAN TEORI

Bab ini membahas teori-teori yang berkaitan dengan Pengolahan Citra, Deteksi Tepi, algoritma Homogeneity dan algoritma Prewitt.

BAB 3 : ANALISIS DAN PERANCANGAN

Bab ini akan membahas mengenai analisis kebutuhan sistem yang meliputi analisis pengenalan, analisis algoritma dan perancangan sistem.

BAB 4 : IMPLEMENTASI DAN PENGUJIAN

Bab ini menjelaskan kriteria yang dibutuhkan agar aplikasi yang dirancang berjalan dengan baik dan pengujian kinerja dari aplikasi tersebut.

BAB 5 : KESIMPULAN DAN SARAN

(19)

LANDASAN TEORI

2.1Citra Digital

Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek. Citra merupakan salah satu komponen multimedia dimana memegang peranan yang sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimilki oleh data teks, yaitu citra kaya dengan informasi. Ditinjau dari sudut pandang matematis, citra merupakan fungsi berkelanjutan (continue) dari intensitas cahaya pada bidang dwimatra (dua dimensi) [7]. Pada Gambar 2.1 adalah citra digital dengan objek Mesjid Raya Al Mashun atau lebih dikenal Mesjid Raya Medan.

Gambar 2.1. Citra digital dengan objek Mesjid

(20)

tingginya N, lebarnya M, dan memiliki L derajat keabuan dapat dianggap sebagai fungsi:

(2.1)

Citra digital yang berukuran N x M lazim dinyatakan dengan matriks berukuran N baris dan M kolom sebagai berikut:

(2.2)

Keterangan:

N = jumlah baris,0≤ y≤N-1 M = jumlah kolom,0≤=x≤M-1

L = maksimal warna intensitas (derajat keabuan), 0≤f(x,y) ≤L-1

Masing-masing elemen pada citra digital disebut image element atau piksel. Jadi, citra yang berukuran N x M mempunyai NM-buah piksel. Proses digitalisasi koordinat (x,y) dikenal sebagai pencuplikan citra (image sampling), sedangkan proses digitalisasi derajat keabuan f(x,y) disebut kuantisasi derajat keabuan (gray-level quantization). [7]

Berdasarkan format penyimpanan nilai warnanya, citra terdiri atas empat jenis, yaitu:

a. Citra biner atau monokrom

Pada citra jenis ini, setiap titik atau piksel hanya bernilai 0 atau 1. Dimana setiap titik membutuhkan media penyimpanan sebesar 1 bit. Citra biner ditunjukkan pada gambar 2.2.

, { ≤ ≤≤ ≤ ≤ ≤

, = [

, , … ,

, ,

⋮ ⋮

− , − ,

… ,

⋮ ⋮

… − , −

(21)

Gambar 2.2. Citra biner

b. Citra skala keabuan

Citra skala keabuan mempunyai kemungkinan warna antara hitam (minimal) dan putih (maksimal). Jumlah maksimum warna sesuai dengan bit penyimpanan yang digunakan. Citra sekala keabuan di tunjukkan pada gambar 2.3.

Gambar 2.3. Citra skala keabuan

c. Citra warna

(22)

Gambar 2.4. Citra warna 8 bit

2.1.1 Format Citra Digital BMP (Bitmap)

(23)

beberapa jenis yang setiap jenisnya ditentukan dengan jumlah bit yang digunakan untuk menyimpan sebuah nilai piksel. [8]

2.2Pengolahan Citra

Meskipun sebuah citra kaya informasi, namun seringkali citra yang dimiliki mengalami penurunan mutu (degradasi), misalnya mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur (blurring), dan sebagainya. Tentu saja citra semacam ini menjadi lebiih sulit diinterpretasi karena informasi yang disampaikan oleh citra tersebut menjadi berkurang. Agar citra menjadi baik kualitasnya maka perlu adanya yang namanya pengolahan citra digital (image processing).

Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Sebagai contoh, citra bangunan PDAM pada Gambar 2.7 (a) tampak agak gelap, lalu dengan proses pengolahan citra kontrasnya diperbaiki sehingga menjadi lebih terang dan tajam (b). [7]

(a) (b)

Gambar 2.7. (a) citra digital dengan objek bangunan PDAM Tirtanadi agak

gelap, (b) citra digital dengan objek bangunan PDAM Tirtanadi yang telah

diperbaiki kontrasnya sehingga terlihat jelas dan tajam.

(24)

a. Perbaikan kualitas citra (image enhancement)

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. Contoh-contoh operasi perbaikan citra, yaitu perbaikan kontras gelap atau terang, perbaikan tepian objek (edge enhancement), penajaman (sharpening), pemberian warna semu (pseudocoloring), penapisan derau (noise filtering).

b. Pemugaran citra (image restoration)

Operasi ini bertujuan menghilangkan atau meminimumkan cacat pada citra. Tujuan pemugaran citra hampir sama dengan operasi perbaikan citra. Bedanya, pada pemugaran citra penyebab degradasi gambar diketahui. Contoh-contoh operasi pemugaran citra, yaitu penghilangan kesamaran (deblurring) dan penghilangan derau (noise).

c. Pemampatan citra (image compression)

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. Contoh metode pemampatan citra adalah metode JPEG.

d. Segmentasi citra (image segmentation)

Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa segmen dengan suatu kriteria tertentu. Jenis operasi ini berkaitan erat dengan pengenalan pola.

e. Analisis citra (image analysis)

(25)

objek (edge detection), ekstraksi batas (boundary) dan representasi daerah (region).

f. Rekonstruksi citra (image reconstruction)

Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam bidang medis. Misalnya beberapa foto rontgen dengan sinar X digunakan untuk membentuk ulang gambar organ tubuh.

2.3 Deteksi Tepi (Edge Detection)

Pendeteksian tepi merupakan langkah pertama untuk melingkupi informasi didalam citra. Tepi mencirikan batas-batas objek, oleh karena itu tepi berguna untuk proses segmentasi dan identifikasi objek didalam citra. Tujuan operasi pendeteksian tepi adalah untuk meningkatkan penampakan garis batas suatu daerah atau objek didalam citra. [7]

Deteksi tepi merupakan salah satu proses pengolahan citra yang menggunakan filter atau penapis. Untuk mengaplikasikan penapis pada citra, digunakan metode konvolusi. Konvolusi dinyatakan dalam matriks, dimana setiap elemen matriks penapis tersebut dinamakan koefisien konvolusi. Operasi bekerja dengan menggeser kernel piksel per piksel, yang hasilnya kemudian disimpan dalam matriks baru. Untuk lebih jelasnya, berikut contoh konvolusi yang terjadi antara citra f(x,y) berukuran 6x6 dengan sebuah kernel berukuran 3x3 yang diperlihatkan pada Gambar 2.8.

Gambar 2.8. Matriks Citra dan kernel sebelum konvolusi dengan tanda •

(26)

Tahapan untuk mendapatkan hasil konvolusi yang terjadi antara citra dan kernel diatas dapat dilihat pada Gambar 2.9.

Gambar 2.9. Tahapan Proses Pembentukan Konvolusi

Sehingga diperoleh hasil akhir dari proses konvolusi tersebut, yang ditunjukkan pada Gambar 2.10.

Gambar 2.10. Hasil Konvolusi Citra dan Kernel

Tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang mendadak besar dalam jarak yang singkat. Tepi biasanya terdapat pada batas antara dua daerah berbeda pada suatu citra. Tepi dapat diorientasikan dengan satu arah, dan arah ini

g = 0+(-6)+0+(-6) 12+(-3)+0+(-4) +0=1

g = 0+(-4)+0+(-4) 15+(-8)+0+(-1) +0= -2

(27)

berbeda-beda bergantung pada perubahan intensitas. Ada tiga macam tepi yang terdapat didalam citra digital ditunjukan pada Gambar 2.11, yaitu [7]:

a. Tepi curam yaitu tepi dengan perubahan intensitas yang tajam. Arah tepi berkisar 900

b. Tepi landai yaitu tepi dengan sudut arah yang kecil. Tepi landai dapat dianggap terdiri dari sejumlah tepi-tepi lokal yang lokasinya berdekatan. c. Tepi yang mengandung derau (noise). Umumnya tepi yang terdapat pada

aplikasi komputer mengandung derau. Operasi peningkatan kualitas citra dapat dilakukan terlebih dahulu sebelum pendeteksian tepi.

Gambar 2.11. Jenis-jenis Tepi

Pendeteksian tepi merupakan langkah pertama untuk melingkupi informasi didalam citra. Tepi mencirikan batas-batas objek dan karena itu tepi berguna untuk proses segmentasi dan identifikasi objek didalam citra. Tujuan operasi pendeteksian tepi adalah untuk meningkatkan penampakan garis batas suatu daerah atau objek didalam citra.

2.4 Algoritma Prewitt

(28)

perintah untuk meningkatkan intensitas citra pada setiap titik dari terang ke gelap. Daerah Tepi merupakan kontras intensitas kuat yang gelap atau terang.

-1 -1 -1 -1 0 1

0 0 0 -1 0 1

1 1 1 -1 0 1

Kernel Gx Kernel Gy

Gambar 2.12. Kernel pada operator Prewitt

Kernel ini dirancang untuk merespon secara maksimal untuk tepi yang berjalan secara vertikal dan horizontal relatif terhadap grid piksel, satu kernel untuk masing-masing dua orientasi tegak lurus. Kernel dapat diterapkan secara terpisah pada gambar masukan, untuk menghasilkan pengukuran yang terpisah dari komponen gradien pada setiap orientasi (Gx dan Gy) yang kemudian dapat dikombinasikan bersama untuk menemukan besarnya absolut dari gradien pada setiap titik dan orientasi dari gradiennya. Besarnya gradien diberikan oleh:

(2.3)

Secara matematis, pendekatan gradien dihitung menggunakan:

(2.4)

Dua komponen dari gradien sangat mudah dihitung dan ditambahkan diatas citra masukan menggunakan operator konvolusi (kernel) yang ditunjukkan pada Gambar 2.13.

[

�

,

�

]

Gambar 2.13. Operator konvolusi untuk menghitung gradien

Kernel digunakan untuk menghitung gradien, yaitu: |G| = |(a2 + 1 x a3 + a4) – (a0 + 1 x a7 + a6)|

|(a0 + 1 x a1 + a2) – (a6 + 1 x a5 + a4)| (2.5) |�| = √� + �

(29)

2.5 Algoritma Homogeneity

Algoritma Homogeneity adalah algoritma yang praktis dan cepat dalam mendeteksi tepi dimana dalam menentukan nilai maksimum dari pengurangan serangkaian piksel. Homogeneity menghitung perbedaan maksimum dari piksel dengan piksel tetangga yakni 8 arah, ditunjukkan pada gambar 2.14.

Gambar 2.14. Operator homogeneity

Untuk menghitung gradien, menggunakan:

G = (g(x,y) – a0), (g(x,y) – a1), (g(x,y) – a2), (g(x,y) – a3), (g(x,y) – a4), (g(x,y) – a5), (g(x,y) – a6), (g(x,y) – a7) (2.6)

2.6 Penilaian Kualitas Citra

Penilaian kualitas citra dilakukan dengan cara penilaian secara objektif dengan menggunakan besaran MSE dan PSNR kedua besaran tersebut membandingkan piksel-piksel pada posisi yang sama dari dua citra yang berlainan.

2.6.1 Mean Square Error

Mean Square Error (MSE) merupakan tolak ukur analisis kuantitatif yang digunakan untuk menilai kualitas sebuah citra keluaran dan keunggulan sebuah metode yang digunakan. Semakin tinggi MSE maka kualitas hasil pengolahan semakin buruk [1].

Rata-rata kuadrat nilai kesalahan antara citra asli dengan citra hasil pengolahan yang secara matematis dapat dirumuskan dengan:

a

0

a

3

a

5

a

2

a

4

a

7

a

1

(30)

(2.12) Dimana:

f(x,y) = citra asli

g(x,y) = citra hasil pengolahan M = Tinggi citra

N = Lebar citra

2.6.2 PSNR (Peak Signal to Noise Ratio)

Peak Signal to Noise Ratio (PSNR) merupakan nilai perbandingan antara harga maksimum warna pada citra hasil filtering dengan kuantitas gangguan (noise), yang dinyatakan dalam satuan desibel (dB), noise yang dimaksud adalah akar rata-rata kuadrat nilai kesalahan (√ � . Semakin tinggi nilai PSNR maka kualitas hasil pengolahan semakin baik. Secara matematis, nilai PSNR dapat dirumuskan sebagai berikut [1]:

(2.13)

� = ∑ ∑ | , − , |

−

= −

=

� = �� ( 55

(31)

ANALISIS DAN PERANCANGAN

3.1 Analisis

Dalam merancang sebuah sistem khususnya sistem yang berbasis aplikasi perlu dilakukan analisis. Analisis berguna untuk meminimalisir terjadinya kesalahan pada saat akan dirancangnya sebuah aplikasi. Analisis merupakan upaya untuk melakukan pemahaman tertentu terhadap sesuatu masalah yang dilakukan dalam pengkajian. Pemahaman tersebut bertujuan mengetahui kekurangan-kekurangan pada metode atau algoritma yang digunakan.

Dalam proses pembuatan suatu aplikasi mutlak dilakukan penelitian dan penganalisaan tentang aplikasi yang akan dibangun, berikut adalah beberapa analisis yang dilakukan untuk mendeteksi tepi menggunakan algoritma Prewiit dan algoritma Homogeneity pada citra RGB.

3.1.1 Analisis Masalah

(32)

Gambar 3.1 Diagram Ishikawa

3.1.2 Analisis Kebutuhan Sistem

Dalam membangun sebuah sistem, tahap analisis kebutuhan sistem perlu dilakukan dengan tujuan untuk mempermudah analisis sistem dalam menentukan keseluruhan kebutuhan secara lengkap. Analisis kebutuhan sistem dapat dikelompokkan menjadi 2 bagian yaitu: kebutuhan fungsional dan kebutuhan non-fungsional.

3.1.2.1Analisis Fungsional Sistem

Analisis fungsional dibutuhkan untuk mengetahui hal-hal yang bisa dikerjakan oleh sistem. Berikut dijabarkan fungsi-fungsi yang dapat dikerjakan oleh sistem.

1. Sisitem akan melakukan deteksi tepi citra pada file berupa .bmp

2. Sistem menghitung nilai MSE dan PSNR sebagai perbandingan hasil pendeteksian tepi

3. Sistem melakukan deteksi tepi citra dengan menggunakan Algoritma Prewitt dan Algoritma Homogeneity

User

Machine/tools

Metode

Material

Deteksi Tepi

Keterbatasan mata manusia

untuk melihat tepi pada citra

File .bmp sebagai

file inputan

Algoritma Prewitt

Algoritma Homogeneity

Menerima input, text box,

perbesaran citra C#

(33)

3.1.2.2Analisis Non-fungsional Sistem

Analisis non-fungsional berhubungan dengan hal-hal berikut ini: 1. Performa

Perangkat lunak yang akan dibangun dapat menunjukkan hasil citra sebelum dan sesudah dideteksi tepi

2. Mudah dipelajari dan digunakan

Perangkat lunak yang akan dibangun memiliki tampilan yang user friendly dan resposif

3. Hemat biaya

Perangkat lunak yang dibangun akan mempermudah pengguna untuk efesiensi waktu, sehingga hemat biaya

4. Dokumentasi

Perngkat lunak yang akan dibangun dapat menyimpan hasil deteksi tepi cita 5. Kontrol

Perngakat lunak yang dibangun dapat menampilkan ukuran asli citra setelah dideteksi tepi

3.1.3 Analisis Deteksi Tepi Menggunakan Algoritma Prewitt

(34)

Gambar 3.2 Citra yang diambil nilai pikselnya

Pada Gambar 3.2 yang diambil nilai pikselnya, kemudian dilakukan perhitungan konvolusi dengan kernel x, sebagai berikut:

Tabel 3.1 Matriks nilai citra dan kernel x algoritma Prewitt

56 58 59 59 60

40 43 41 41 41

33 35 36 36 39 -1 0 1

45 49 51 52 53 -1 0 1

72 82 80 75 76 -1 0 1

69 101 101 94 94 100 106 106 108 105

Tabel 3.2 Hasil konvolusi dengan kernel x algoritma Prewitt

Posisi (i,j)

Hasil Konvolusi Posisi (i,j)

Hasil Konvolusi

1,1 0 5,1 0

1,2 0 5,2 = | 45(-1) + 49(0) + 51(1) +

72(-1) + 82(0) + 80(1) + 69(-1) + 101(0) + 101(69(-1) |

= 46

56 58 59 59 60 40 43 41 41 41 33 35 36 36 39

(35)

(36)

(37)

4,1 0

Tabel 3.3 Matriks hasil konvolusi algoritma Prewitt

(38)

Selanjutnya dilakukan perhitungan konvolusi kernel y terhadap nilai piksel dari Gambar 3.1, sebagai berikut:

Tabel 3.4 Matriks nilai citra dan kernel y algoritma Prewitt

56 58 59 59 60

Tabel 3.5 Hasil konvolusi dengan kernel y algoritma Prewitt

(39)

(40)

(41)

45 49 51 52 53

Tabel 3.6 Matriks hasil konvolusi algoritma Prewitt

0 0 0 0 0

Setelah didapat hasil perhitungan konvolusi antara nilai piksel citra dengan kernel x dan kernel y, kemudian dilakukan perhitungan gradien antara hasil kernel x dan kernel y dengan batas ambang bernilai 0.

Tabel 3.7 Matriks kernel x dan kernel y algoritma Prewitt

0 0 0 0 0 0 0 0 0 0

Tabel 3.8 Perhitungan gradient algoritma Prewitt

Posisi (i,j)

Hasil Gradien Posisi (i,j)

(42)

1,2 0 5,2 = √(46)2+(126)2

Tabel 3.9 Matriks hasil akhir deteksi tepi algoritma Prewitt

(43)

3.1.4 Analisis Deteksi Tepi Menggunakan Algoritma Homogeneity

Pada algoritma homogeneity, nilai piksel dari citra tidak melakukan perhitungan konvolusi. Nilai piksel dari citra dibagi kedalam matriks 3x3 yang kemudian nilai piksel pada posisi tengah dilakukan pengurangan terhadap masing-masing posisi disisi atas, bawah, kanan, kiri dan sisi diagonalnya. Hasil pengurangan masing-masing sisi kemudian dijumlahkan keseluruhan untuk mendapatkan gradien. Dengan memberikan batas ambang atau threshold terhadap gradien, maka didapat citra hasil deteksi tepi.

Tabel 3.10 Nilai matriks piksel citra sebelum deteksi tepi

56 58 59 59 60

Tabel 3.11 Perhitungan matriks algoritma Homogeneity

(44)

(45)

(46)

69 101 101 94 94

Tabel 3.12 Nilai matriks piksel citra sesudah deteksi tepi dengan algoritma

Homogeneity

(47)

penelitian ini perancangan perangkat lunak dibuat sebaik mungkin agar dapat berjalan sebagaimana mestinya.

Perancangan merupakan tahap lanjutan dari analisis sistem dimana pada perancangan sistem digambarkan rancangan sistem yang akan dibangun sebelum dilakukan pengkodean kedalam suatu bahasa pemograman. Dalam perancangan sistem tidak lepas dari hasil analisis yang menjadikan sistem dapat dirancang. Desain umum yang akan diaplikasikan bertujuan untuk memberikan gambaran secara umum tentang sistem yang akan dibangun. Perancangan sistem yang dilakukan terdiri dari perancangan flowchart dan tampilan antarmuka (Interface).

3.2.1 Perancangan Flowchart

3.2.1.1Flowchart Umum Sistem

Flowchart umum sistem dapat dilihat pada Gambar 3.3.

Mulai

Input Citra (bmp)

Mulai

Input Citra (bmp)

Algoritma Prewitt

Citra Hasil Deteksi Tepi

Algoritma Homogeneity

(48)

Gambar 3.3 Flowchart umum sistem

3.2.1.2Flowchart Deteksi Tepi Menggunakan Algoritma Prewitt

Selesai Selesai

A B

Tampilkan Citra Hasil Deteksi Tepi Tampilkan Citra

(49)

Flowchart Deteksi Tepi Menggunakan Algoritma Prewitt dapat dilihat pada Gambar 3.4.

Selesai Membatasi gradien

sesuai batas ambang (threshold)

C Mulai

Input Citra

Ambil nilai piksel dari citra

Konvolusi nilai piksel dengan matriks 3x3 kernel x dan kernel y

Menghitung Gradien

(50)

Gambar 3.4 Flowchart Deteksi Tepi Menggunakan Algoritma Prewitt

3.2.1.3Flowchart Deteksi Tepi Menggunakan Algoritma Homogeneity

(51)

Mulai

Input Citra

Ambil nilai piksel dari citra

Pengurangan Piksel Pusat Dengan

Masing-Masing Sisi dalam matriks 3x3

(52)

Gambar 3.5 Flowchart Deteksi Tepi Menggunakan Algoritma Homogeneity

3.2.2 Perancangan Unified Modeling Language (UML)

Penulis menggunakan Unified Modeling Language (UML) dalam mendesain dan merancang aplikasi Pengenalan Lagu. UML yang akan digunakan ialah use case diagram dan activity diagram.

3.2.2.1Indentifikasi Use Case Diagram

Untuk mengetahui actor dan use case yang akan digunakan, maka dilakukan identifikasi actor dan identifikasi use case. Setelah mendapatkan actor dan use case, maka use case diagram dapat digambarkan.

Identifikasi actor dilakukan dengan menjawab pertanyaan-pertanyaan berikut, yaitu:

1. Siapa yang menggunakan sistem? Jawaban:

Selesai Menghitung

Gradien

Membatasi gradien sesuai batas ambang (threshold)

(53)

Pengguna.

2. Siapa yang diperlukan untuk melaksanakan fungsi pada sistem? Jawaban:

Pengguna.

3. Bagaimana pengguna menggunakan sistem? Jawaban:

Pengguna menggunakan sistem dengan memasukkan citra RGB berformat bmp sebagai citra awal untuk dideteksi tepinya, kemudian citra tersebut diambil nilai pikselnya. Setelah diambil, dilakukan deteksi tepi menggunakan algoritma Prewiit atau algoritma Homogeneity.

Dengan demikian actor yang diperoleh adalah pengguna. Untuk mendapatkan use case dari pengguna, maka harus ditentukan hal-hal apa saja yang dapat dilakukan pengguna pada sistem. Adapun hal-hal yang dapat dilakukan oleh pengguna terhadap sistem adalah memasukkan citra berformat bmp.

Use case diagram yang digambarkan berdasarkan actor dan use case yang telah diperoleh. Adapun gambar use case diagram dapat dilihat pada Gambar 3.6.

Gambar 3.6 Use Case Deteksi Tepi

3.2.2.2Use Case Deteksi Tepi

Use case deteksi tepi merupakan use case yang akan menjelaskan proses ketika pengguna menggunakan aplikasi untuk mendeteksi tepi pada citra.

Deteksi Tepi Algoritma Prewitt

atau Algoritma Homogeneity

Sistem

Input Citra <<uses>>

<<extends>> Algoritma Homogeneity Pengguna

(54)

Tabel 3.13 Dokumentasi naratif Use Case Deteksi Tepi

Nama use case Deteksi Tepi

Actor Pengguna

Deskripsi Use case ini mendeksripsikan proses mendeteksi tepi pada citra

Prakondisi Sudah masuk ke tampilan aplikasi deteksi tepi pada citra

Bidang khas suatu kejadian

Kegiatan Pengguna Respon Sistem 1. Pilih citra bmp

Pasca kondisi Deteksi tepi pada citra selesai dilakukan

(55)

Pengguna Sistem

Gambar 3.7 Activity Diagram Deteksi Tepi

(56)

3.2.3 Perancangan Tampilan Antarmuka (Interface)

3.2.3.1Rancangan Jendela Utama

Rancangan Jendela Utama merupakan tampilan awal saat program dijalankan. Pada rancangan ini terdapat file dan tentang. Rancangan Jendela Utama dapat dilihat pada Gambar 3.8.

X

Gambar 3.8 Rancangan jendela utama

Keterangan:

1. Kotak nomor 1 merupakan Menu yang berfungsi untuk menampilkan menu File atau Tentang.

2. Kotak nomor 2 merupakan Picturebox yang berfungsi sebagai tempat menampilkan citra asli.

3. Kotak nomor 3 merupakan CommandButton yang berfungsi untuk memilih citra yang akan dideteksi tepi.

4. Kotak nomor 4 merupakan CommandButton yang berfungsi untuk mereset objek yang ada pada jendela.

5. Kotak nomor 5 merupakan Picturebox yang berfungsi sebagai tempat 1

Gambar Asli Algoritma Prewitt

(57)

menampilkan citra hasil deteksi tepi menggunakan algoritma prewiit.

6. Kotak nomor 6 merupakan Textbox yang berfungsi untuk memasukan batas ambang,

7. Kotak nomor 7 merupakan CommandButton yang berfungsi untuk memulai proses deteksi tepi menggunakan algoritma Prewiit.

8. Kotak nomor 8 merupakan CommandButton yang berfungsi untuk menyimpan citra hasil deteksi tepi menggunakan algoritma Prewiit.

9. Kotak nomor 9 merupakan CommandButton yang berfungsi untuk melihat citra hasil dalam ukuran sebenarnya.

10.Kotak nomor 10 merupakan Picturebox yang berfungsi sebagai tempat menampilkan citra hasil deteksi tepi menggunakan algoritma Homogeneity. 11.Kotak nomor 11 merupakan Textbox yang berfungsi untuk memasukan batas

ambang,

12.Kotak nomor 12 merupakan CommandButton yang berfungsi untuk memulai proses deteksi tepi menggunakan algoritma Homogeneity.

13.Kotak nomor 13 merupakan CommandButton yang berfungsi untuk menyimpan citra hasil deteksi tepi menggunakan algoritma Homogeneity. 14.Kotak nomor 14 merupakan CommandButton yang berfungsi untuk melihat

citra hasil dalam ukuran sebenarnya.

15.Kotak nomor 15 merupakan Textbox yang berfungsi untuk menampilkan keterangan hasil proses deteksi tepi seperti MSE dan PSNR.

16.Kotak nomor 16 merupakan Textbox yang berfungsi untuk menampilkan keterangan hasil proses deteksi tepi seperti MSE dan PSNR.

3.2.3.2Rancangan Jendala Tentang

(58)

X

Gambar 3.9 Rancangan jendela tentang

Keterangan:

1. Kotak nomor 1 merupakan Picturebox yang berfungsi sebagai tempat menampilkan gambar.

2. Kotak nomor 2 merupakan Textbox yang berfungsi untuk menampilkan keterangan tentang aplikasi.

1

(59)

IMPLEMENTASI DAN PENGUJIAN

4.1Implementasi Sistem

Setelah dilakukan perancangan, maka tahap selanjutnya adalah implementasi sistem ke dalam bentuk program komputer. Bahasa pemrograman yang digunakan adalah bahasa C# dengan menggunakan editor Microsoft Visual Studio 2010. Aplikasi ini berjalan di komputer dengan sistem operasi Windows 7. Implementasi yang dilakukan yaitu melakukan pendeteksian tepi pada gambar.

4.1.1 Tampilan Jendela Utama

(60)

4.1.2 Tampilan Jendela Tentang

Jendela Tentang adalah jendela yang menampilkan keterangan tentang aplikasi. Jendela Tentang dapat diakses pada menu Tentang. Tampilan jendela Tentang dapat dilihat pada Gambar 4.2.

Gambar 4.2 Tampilan jendela Tentang

4.2Pengujian Sistem

Pengujian sistem berfungsi untuk mengetahui kinerja dari aplikasi dalam melakukan pendektesian tepi gambar menggunakan algoritma Homogeneity dan algoritma Prewitt.

4.2.1 Proses Pendeteksian Tepi Pada Gambar

(61)

Treshold mulai dari 0-255, kemudian tekan tombol Proses untuk memulai pendeteksian tepi. Pada kota Algoritma Homogeneity dapat menentukan Treshold mulai dari 0-255, kemudian tekan tombol Proses untuk memulai proses pendektesian tepi. Gambar hasil pendeteksian tepi dapat disimpan dan dibesarkan dengan menekan tombol Simpan dan tombol besarkan. Proses pendeteksian tepi pada gambar dapat dilihat pada gamabar 4.7.

Gambar 4.3 Langkah pendeteksian tepi pada gambar

Keterangan:

a : tombol untuk mengulang kembali dari awal

b : tombol mencari dan memasukkan gambar agar bisa di proses c : tombol untuk menentukan Treshold pada kotak Algoritma Prewittt d : tombol untuk mendeteksi tepi pada kotak Algoritma Prewitt e : tombol untuk menyimpan hasil pendeteksian tepi pada gambar f : tombol utntuk membesarkan gambar yang telah di deteksi tepi

g : tombol untuk menentukan Treshold pada kotak Algoritma Homogeneity h : tombol untuk mendeteksi tepi pada kotak Algoritma Homogeneity i : tombol untuk menyimpan hasil pendeteksian tepi pada gambar j : tombol utntuk membesarkan gambar yang telah di deteksi tepi

f j

a b

e i

(62)

Gambar 4.4 Jendela lokasi direktori gambar

(63)

4.2.2 Pengujian Pendeteksian Tepi Citra

Pada bagian ini dilakukan pengujian pada citra yang dideteksi tepi. Adapun yang diuji adalah Nilai MSE (Mean Square Error), PSNR (Peak Signal to Noise Ratio), dan hasil pendeteksian tepi citra. Hasil pengujian dapat dilihat pada Tabel 4.1.

Tabel 4.1 Hasil PengujianDeteksi Tepi Citra

Citra Algoritma

Prewitt

Algoritma

Homogeneity

Batas Ambang: 0

Durasi Proses: 983 ms.

MSE: 0.203592118055556

PSNR: 55.0090647269519

Batas Ambang: 0

MSE: 0.221817447916667

PSNR: 54.6367172895649

Batas Ambang: 50

MSE: 0.128148229166667

PSNR: 57.0195482403416

Batas Ambang: 50

MSE: 0.253816006944444

(64)

Batas Ambang: 150

MSE: 0.0475389409722222

PSNR: 61.3261793054361

Batas Ambang: 150

MSE: 0.255054253472222

PSNR: 54.0303486269825

Batas Ambang: 0

MSE: 0,341275369608958

PSNR: 49,9653070033906

Batas Ambang: 0

MSE: 0,328881659522351

PSNR: 50,1259599081045

Batas Ambang: 50

MSE: 0,135076764937451

PSNR: 53,9905499520049

Batas Ambang: 50

MSE: 0,383063817688741

(65)

Batas Ambang: 150

MSE: 0,0464450835447467

PSNR: 58,6269589760101

Batas Ambang: 150

MSE: 0,383063817688741

PSNR: 49,4636451340488

Batas Ambang: 0

MSE: 0,404887920298879

PSNR: 52,0574554094266

Batas Ambang: 0

MSE: 0,404887920298879

PSNR: 52,0574554094266

Batas Ambang: 50

MSE: 0,345854487977776

PSNR: 52,7418694519805

Batas Ambang: 50

MSE: 0,404887920298879

(66)

Batas Ambang: 150

MSE: 0,716340166682632

PSNR: 49,5796105723191

Batas Ambang: 150

MSE: 0,404887920298879

PSNR: 52,0574554094266

Batas Ambang: 255

MSE: 0,474125620524089

PSNR: 51,3718693676263

Batas Ambang: 255

MSE: 0,334479726155599

PSNR: 52,8871056188989

(67)

Hasil Peengujian pendeteksian tepi dengan batas ambang 0-255 dapat dilihat pada tabel 4.2 dan grafik dapat dilihat pada gambar 4.7, 4.8, 4.9 citra yang diuji adalah citra mobil pada gambar 4.6 dengan resolusi citra 1280x960.

Gambar 4.6. Citra Mobil

Tabel 4.2 Tabel Perbandingan Algoritma Homogeneity dan Prewitt

Batas Ambang

Prewitt Homogeneity

Durasi MSE PSNR Durasi MSE PSNR

0 252 0,309 53,226 234 0,165 55,949

15 283 0,274 53,761 252 0,170 55,822

30 266 0,237 54,390 260 0,177 55,658

45 253 0,205 55,023 246 0,185 55,465

60 260 0,178 55,618 276 0,192 55,294

70 275 0,158 56,134 288 0,202 55,077

95 264 0,145 56,529 268 0,214 54,822

105 283 0,137 56,751 251 0,227 54,572

120 255 0,137 56,769 236 0,242 54,296

135 267 0,143 56,573 305 0,264 53,911

(68)

180 253 0,203 55,052 249 0,327 52,991

195 261 0,237 54,382 278 0,328 52,970

210 251 0,278 53,694 313 0,329 52,964

225 244 0,325 53,006 277 0,329 52,964

240 256 0,380 52,333 247 0,329 52,964

255 252 0,442 51,680 243 0,329 52,964

Gambar 4.7 Grafik Durasi Waktu Pengujian

Gambar 4.8 Grafik Perbandingan MSE

0 50 100 150 200 250 300 350

0 15 30 45 60 70 95 105 120 135 150 165 180 195 210 225 240 255

Durasi Pengujian Dalam ms (millisecond)

Prewitt Durasi Homogeneity Durasi

0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5

0 15 30 45 60 70 95 105 120 135 150 165 180 195 210 225 240 255

Perbandingan MSE

(69)

Gambar 4.9 Grafik Perbandingan PSNR

49 50 51 52 53 54 55 56 57 58

0 15 30 45 60 70 95 105 120 135 150 165 180 195 210 225 240 255

Perbandingan PSNR

(70)

KESIMPULAN DAN SARAN

5.1Kesimpulan

Berdasarkan pembahasan dan evaluasi dari bab-bab sebelumnya, maka diperoleh kesimpulan sebagai berikut:

1. Proses deteksi tepi menggunakan algoritma prewitt pada citra yang berwarna dengan batas ambang 0, 50, dan 150 memiliki waktu rata-rata 266 ms, sedangkan rata-rata waktu yang ditempuh algoritma homogeneity adalah 322 ms.

2. Pada citra yang memiliki warna yang bervariasi hasil dari pendetksian tepi dengan algoritma prewitt lebih baik dari pada algoritma homogeneity, sebaliknya pada citra yang memiliki dua jenis warna yaitu hitam dan putih, hasilnya lebih baik algoritma homogeneity dari pada algoritma prewitt.

3. Makin besar ukuran citra maka waktu yang dibutuhkan untuk melakukan pendeteksian tepi akan semakin lama.

4. Batas ambang atau Threshold sangat mempengaruhi kualitas sebuah citra jika batas ambang diletakkan maksimum yaitu 255 maka hasil citra pada prewitt akan menjadi putih sedangkan pada homogeneity akan menjadi hitam.

5.2 Saran

Berikut ini adalah saran-saran yang dapat dipertimbangkan dalam pengembangan penelitian ini:

1. Meningkatkan aplikasi pendeteksian tepi untuk membandingkan keaslian suatu citra.

2. Membandingkan pendeteksian tepi dengan menggunakan algoritma yang lain contoh: algoritma sobel, algoritma canny

(71)

[1] Beant, Kaur, Anil, Garg. 2011. Comparative Study of Differentedge Detection Techniques, Vol. 3, No. 3, pp. 1927-1935.

[2] Cheng, Heng-Da, Sun, Ying. 2000. A Hierarchical Approach to Color Image Segmentation Using Homogeneity. IEEE Transactions on Image Processing, Vol. 9, No. 12, pp. 2071-2082.

[3] Dutta, Soumya, B. Chaudhuri, Bidyut. 2009. A Statistics and Local Homogeneity based Color Edge Detection Algorithm. International Conference on Advances in Recent Technologies in Communication and Computing, pp. 546-548.

[4] Ehsan, Nadernejad. 2008. Edge Detection Techniques: Evaluations and Comparisons, Vol. 2, No. 31, pp. 1507-1520.

[5] Gonzalez, Rafael C., Woods Richard E. 2002. Digital Image Processing.

[6] J. Canny. 1986. A Computional Appoarch to Edge Detection, IEEE Transctions on Pattern Analysis and Machine Intellligence, Vol. PAMI 8, No. 6, pp. 679-698.

[7] Munir R. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Informatika: Bandung.

[8] Putra, Darma. 2010. Pengolahan Citra Digital. Penerbit Andi: Yogyakarta.

[9] Sempf, Bill, Sphar, Chuck, Davis, Stephen Randy. 2010. C# 2010 All In One For Dummies. Wiley Publishing, Inc.: Indianapolis, Indiana.

(72)

LISTING PROGRAM

1. Form Main

public partial class frmMain : Form { dibaca), dibulatkan ke batas empat-byte.

// Jika stride positif, bitmap adalah atas ke bawah. Jika stride negatif, bitmap adalah bawah ke atas

(73)

int nOffset = stride - b.Width * 3; m.TopMid) + (pSrc[8] * m.TopRight) +

(pSrc[2 + stride] * m.MidLeft) + (pSrc[5 + stride] * m.Pixel) + (pSrc[8 + stride] * m.MidRight) +

(pSrc[2 + stride2] * m.BottomLeft) + (pSrc[5 + stride2] * m.BottomMid) + (pSrc[8 + stride2] * m.BottomRight)) / m.Factor) + m.Offset); m.TopMid) + (pSrc[7] * m.TopRight) +

(pSrc[1 + stride2] * m.BottomLeft) + (pSrc[4 + stride2] * m.BottomMid) + (pSrc[7 + stride2] * m.BottomRight)) / m.Factor) + m.Offset); m.TopMid) + (pSrc[6] * m.TopRight) +

(pSrc[0 + stride2] * m.BottomLeft) + (pSrc[3 + stride2] * m.BottomMid) + (pSrc[6 + stride2] * m.BottomRight)) / m.Factor) + m.Offset);

if (nPixel < 0) nPixel = 0; if (nPixel > 255) nPixel = 255;

(74)

//memberikan nilai p dan psrc = + 3

public static bool EdgeDetectConvolution(Bitmap b, byte nThreshold) { dibaca), dibulatkan ke batas empat-byte.

(75)

unsafe

public static bool EdgeDetectHomogenity(Bitmap b, byte nThreshold) {

// membuat citra baru dari citra asli Bitmap b2 = (Bitmap)b.Clone();

(76)

BitmapData bmData = b.LockBits(new Rectangle(0, 0, b.Width, b.Height), ImageLockMode.ReadWrite, PixelFormat.Format24bppRgb);

BitmapData bmData2 = b2.LockBits(new Rectangle(0, 0, b.Width, b.Height), ImageLockMode.ReadWrite, PixelFormat.Format24bppRgb);

//stride adalah lebar satu baris piksel (pada saat baris dibaca), dibulatkan ke batas empat-byte.

(77)

(78)

(79)

psnr = 20 * Math.Log10(getmax / Math.Sqrt(mses)); //kembalikan fungsi = psnr

return psnr; }

private void btnProsesPrewitt_Click(object sender, EventArgs e) {

(80)

m_BitmapH = (Bitmap)m_Bitmap.Clone();

private void btnOpen_Click(object sender, EventArgs e) {

private void button1_Click(object sender, EventArgs e) {

frmBesarP p = new frmBesarP(m_BitmapP); p.Show();

}

private void button2_Click(object sender, EventArgs e) {

frmBesarH h = new frmBesarH(m_BitmapH); h.Show();

}

private void btnSimpanP_Click(object sender, EventArgs e) {

(81)

saveFileDialog.InitialDirectory = "c:\\";

private void btnSimpanH_Click(object sender, EventArgs e) {

private void exitToolStripMenuItem_Click(object sender, EventArgs e)

{

Application.Exit(); }

private void tentangToolStripMenuItem_Click(object sender, EventArgs e)

{

frmTentang tentang = new frmTentang(); tentang.ShowDialog();

}

(82)

} BottomLeft = BottomMid = BottomRight = nVal;

}

3. Form Besar Homogeneity

public partial class frmBesarH : Form {

public partial class frmBesarP : Form {

public frmBesarP() {

(83)

public frmBesarP(Bitmap getimage) {

InitializeComponent();

pb.SizeMode = PictureBoxSizeMode.AutoSize; pb.Image = getimage;

this.AutoScroll = true;

}

5. Form Tentang

public partial class frmTentang : Form { public frmTentang()

(84)

CURRICULUM VITAE

Nama : ZULFADHLI HARAHAP

Alamat Sekarang : JALAN TENGKU AMIR HAMZAH NO. 9 BINJAI Alamat Orang Tua : JALAN TENGKU AMIR HAMZAH NO. 9 BINJAI Telp/ HP : 085297262220

Email : zhe_masaru_datebayo@yahoo.co.id

Riwayat Pendidikan:

1996 – 1997 TAMAN KANAK-KANAK(TK) TUNAS PELITA BINJAI 1997 – 2002 SEKOLAH DASAR(SD) AHMAD YANI BINJAI

2002 – 2005 SEKOLAH MENENGAH PERTAMA(SMP) NEGERI 3 BINJAI 2005 – 2008 SEKOLAH MENENGAH ATAS(SMA) NEGERI 4 BINJAI