IDENTIFIKASI TEPI CITRA MENGGUNAKAN
ALGORITMA SOBEL EDGE DETECTION
SKRIPSI
OKTAVIANUS BARUS 090823003
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
IDENTIFIKASI TEPI CITRA MENGGUNAKAN ALGORITMA SOBEL EDGE DETECTION
SKRIPSI
OKTAVIANUS BARUS 090823003
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
IDENTIFIKASI TEPI CITRA MENGGUNAKAN ALGORITMA SOBEL EDGE DETECTION
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains
OKTAVIANUS BARUS 090823003
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
PERNYATAAN
IDENTIFIKASI TEPI CITRA MENGGUNAKAN ALGORITMA SOBEL EDGE DETECTION
STUDI KASUS : KANKER ORGAN REPRODUKSI WANITA
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan, jurnal dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, 15 Agustus 2011
PENGHARGAAN
Dengan mengucapkan syukur kepada Allah Bapa dan memanjatkan puji syukur kehadirat Tuhan Yesus yang Maha Pengasih dan Maha Penyayang, dengan limpahan Rahmat dan Karunia-Nya skripsi ini dapat diselesaikan dengan tepat waktu.
Ucapan terimakasih penulis sampaikan kepada Bapak Drs. Suyanto, M.Kom dan Bapak Syahrio Sitorus, S.Si, M.IT selaku pembimbing I dan II yang telah memberikan bimbingan dan arahan selama ini kepada penulis dalam menyelesaikan skripsi ini, serta kepada Bapak Drs. Sawaluddin, M.IT dan Bapak Drs. Marihat Situmorang, M.kom selaku dosen pembanding yang banyak memberi masukan selama seminar proposal hingga selesainya skripsi ini. Ucapan terima kahsih juga ditunjukkan kepada Bapak Prof. Dr. Tulus, M.Si selaku ketua Departemen Fakultas MIPA USU, Kepada Bapak Dekan dan Pembantu Dekan, semua Dosen serta pegawai di FMIPA USU.
Skripsi ini juga penulis dedikasikan kepada Ayahanda Damen Barus dan Ibunda tercinta Dapot Br Tarigan dan Abang/Kakak serta keponakan atas dorongan moril kepada penulis. Para sahabat tercinta seperjuangan ekstensi 09, Andre Setiawan, Supardi, Oky, Azwar Syarif, Bayu, Aji rianto, Lela Mawaddah, Rudi Irawan. Teman – teman Rumah Buku kakanda Purnama Silalahi, Adinda Dian Manjasari, semoga Allah Bapa membalas semua kebaikanmu. Dan seluruh pihak yang tidak disebutkan namanya yang telah banyak membantu penulis dalam menyelesaikan skripsi ini, penulis ucapkan banyak terima kasih.
PERSETUJUAN
Judul : IDENTIFIKASI TEPI CITRA MENGGUNAKAN
ALGORITMA SOBEL EDGE DETECTION
Kategori : SKRIPSI
Nama : OKTAVIANUS BARUS
Nomor Induk Mahasiswa : 090823003
Program Studi : SARJANA (S1) MATEMATIKA EKSTENSI Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, 15 Agustus 2011
Komisi Pembimbing :
Pembimbing 2
Syahriol Sitorus, S.Si, MIT NIP. 19710310 199703 1 004
Pembimbing 1
Drs. Suyanto, M.Kom
NIP. 1959 0813 198601 1002
Diketahui/Disetujui oleh
Departemen Matematika FMIPA USU Ketua,
ABSTRAK
Metode edge detection akan mendeteksi semua edge atau garis-garis yang membentuk obyek gambar atau image dan akan memperjelas kembali pada bagian-bagian tersebut. Tujuan pendeteksian ini adalah bagaimana agar obyek di dalam image dapat dikenali dan disederhanakan bentuknya dari bentuk sebelumnya. Metode Sobel edge detection merupakan pengembangan dari metode dasar edge detection. Perancangan sebuah prosedur dengan menerapkan langkah-langkah metode Sobel edge detection akan menghasilkan sebuah tampilan image yang berbeda dengan menampilkan efek relief atau efek Sobel didalamnya. Efek relief adalah seperti sebuah tampilan batu kasar yang diukir, yaitu garis-garis kasar yang membentuk sebuah penggambaran obyek didalamnya. Efek relief terbentuk dari bayangan terang dan gelap. Kedua bayangan ini terjadi akibat adanya sorotan sinar mengenai image dari arah tertentu. Data yang digunakan adalah sampel citra organ reproduksi wanita berupa file citra berekstensi .bmp (bitmap).
Dalam melakukan pendeteksian tepi dengan menggunakan operator Sobel mengahsilkan tepi citra yang halus. Namun masih memiliki kekurangan dalam pendeteksian tepi pada image, dimana dalam pendeteksian masih terdapat edge yang terputus pada citra, sehingga sulit untuk membedakan bagian dari citra tersebut. Kelebihan dari metode sobel ini adalah kemampuan untuk mengurangi noise sebelum melakukan perhitungan deteksi tepi sehingga tepi-tepi yang dihasilkan lebih banyak.. Dari hasil pengujian program dengan menggunakan 5 sampel citra kanker organ reproduksi wanita yang berbeda-beda, didapat persentase kontribusi sebesar 20 %, terhadap ketajaman citra tepi kanker organ reproduksi wanita.
EDGE IDENTIFICATION USING IMAGE SOBEL ALGORITHMS EDGE DETECTION
CASE STUDY: CANCER FEMALE REPRODUCTIVE ORGANS
ABSTRACT
Edge detection method will detect all the edges or lines that form a picture or image object and will clarify the return on these parts. The purpose of this detection is how to object in the image can be recognized and simplified forms of the previous form. Sobel edge detection method is a development of the basic methods of edge detection. Designing a procedure to implement measures Sobel edge detection method will produce a different image display with reliefs showing the effect or effects therein Sobel. Relief effect is like a rough stone-carved look, the lines that form a rough depiction of the object therein. Relief effect is formed from light and dark shadows. Both of these shadows are the result of the beam on the image of a particular direction. The data used is a sample image of the female reproductive organs in the form of image files ending in. Bmp (bitmap).
In doing edge detection using Sobel operator produces a rich smooth image edges. But still has shortcomings in the detection of edges in the image, where the detection is still there is a missing edge in the image, making it difficult to distinguish the part of the image. The advantages of this sobel method is the ability to reduce noise before performing the calculation of edge detection so that the edges are generated much more. From the results of the testing program by using the 5 sample images of the female reproductive organ cancers are different, obtained the percentage contribution of 20%, against the sharpness of the edge image of the female reproductive organ cancers
DAFTAR ISI 2.1Representasi Citra Digital ... 8
2.2 Metode Penggambaran ... 9
2.3 Kanker dan Organ Reproduksi Wanita... 10
2.4 Deteksi Edge ... 10
2.5 Edge ... 12
2.6 Deteksi Titik... 13
2.7 Deteksi Garis ... 13
2.8 Tepi Objek ... 14
2.9 Deteksi Tepi Berbasis Gradient ... 14
2.10 Sensivitas Pelacakan Tepi ... 15
2.14.1 Segmentasi Identifikasi Area ... 23
2.14.2 Segmentasi Identifikasi Edge ... 23
2.14.2.1 Operasi Panggabungan Area ... 23
2.15 Filter Sobel... 26
2.16 Algoritma Sobel Edge Detection ... 27
BAB III PERANCANGAN PROSES 3.1 Analisis Sobel ... 31
3.2 Analisis Gray Scale ... 33
3.3 Analisis Konvolusi... 33
3.4 Analisis Kompresi ... 33
3.5 Analisis Treatmen ... 34
3.6 Analisis Invert ... 34
3.7 Operator Robert ... 34
3.8 Operator Prewitt ... 35
3.9 Analisis Kualitas Tepi ... 35
3.10 Analisis Citra... 35
3.11 Alat dan Bahan Penelitian... 36
3.11 .1 Alat Penelitian ... 36
3.11.2 Bahan Penelitian ... 36
3.12 Metode Pengembangan Perangkat Lunak ... 38
3.13 Algoritma Sobel ... 39
3.14 Proses Sobel ... 40
BAB IV PEMBAHASAN 1.1Deteksi Hasil ... 48
BAB V KESIMPULAN dan SARAN 5.1 Kesimpulan ... 49
DAFTAR GAMBAR
Halaman
Gambar 2.1 Proses deteksi tepi citra ... 11
Gambar 2.2 Diagram blok pseudo-color pada pengolahan image ... 19
Gambar 2.3 Kanker ovarium ... 20
Gambar 2.4 Image segmentation ... 22
Gambar 2.5 Batasan tepi masing-masing area image ... 24
Gambar 2.6 Antar muka form filter sobel ... 26
Gambar 2.7 Matriks 3 x 3 pada area image ... 27
Gambar 2.8 Mask vertical dan mask horizontal ... 28
Gambar 2.9 Sobel edge detection ... 29
Gambar 2.10 Medium warna piksel image baru ... 31
Gambar 3.1 Proses tahapan operator sobel ... 32
Gambar 3.2 Proses Analisis citra ... 35
Gambar 3.3 Proses perancangan aplikasi... 37
Gambar 3.4 Model pengembangan perangkat lunak ... 38
Gambar 3.5 Diagram alir proses sobel horizontal ... 41
Gambar 3.6 Diagram alir proses sobel vertical ... 42
Gambar 4.1 Sampel citra kanker organ reproduksi wanita ... 43
Gambar 4.2 Kanker rahim ... 44
DAFTAR TABEL
Halaman
Tabel 2.1 Rata-rata bit per piksel ... 18
Tabel 2.2 Keterangan warna untuk mode 16 dan 256 warna ... 18
Tabel 2.3 Matriks citra Grayscale dari kanker ovarium ... 21
Tabel 4.1 Matriks Awal ... 45
ABSTRAK
Metode edge detection akan mendeteksi semua edge atau garis-garis yang membentuk obyek gambar atau image dan akan memperjelas kembali pada bagian-bagian tersebut. Tujuan pendeteksian ini adalah bagaimana agar obyek di dalam image dapat dikenali dan disederhanakan bentuknya dari bentuk sebelumnya. Metode Sobel edge detection merupakan pengembangan dari metode dasar edge detection. Perancangan sebuah prosedur dengan menerapkan langkah-langkah metode Sobel edge detection akan menghasilkan sebuah tampilan image yang berbeda dengan menampilkan efek relief atau efek Sobel didalamnya. Efek relief adalah seperti sebuah tampilan batu kasar yang diukir, yaitu garis-garis kasar yang membentuk sebuah penggambaran obyek didalamnya. Efek relief terbentuk dari bayangan terang dan gelap. Kedua bayangan ini terjadi akibat adanya sorotan sinar mengenai image dari arah tertentu. Data yang digunakan adalah sampel citra organ reproduksi wanita berupa file citra berekstensi .bmp (bitmap).
Dalam melakukan pendeteksian tepi dengan menggunakan operator Sobel mengahsilkan tepi citra yang halus. Namun masih memiliki kekurangan dalam pendeteksian tepi pada image, dimana dalam pendeteksian masih terdapat edge yang terputus pada citra, sehingga sulit untuk membedakan bagian dari citra tersebut. Kelebihan dari metode sobel ini adalah kemampuan untuk mengurangi noise sebelum melakukan perhitungan deteksi tepi sehingga tepi-tepi yang dihasilkan lebih banyak.. Dari hasil pengujian program dengan menggunakan 5 sampel citra kanker organ reproduksi wanita yang berbeda-beda, didapat persentase kontribusi sebesar 20 %, terhadap ketajaman citra tepi kanker organ reproduksi wanita.
EDGE IDENTIFICATION USING IMAGE SOBEL ALGORITHMS EDGE DETECTION
CASE STUDY: CANCER FEMALE REPRODUCTIVE ORGANS
ABSTRACT
Edge detection method will detect all the edges or lines that form a picture or image object and will clarify the return on these parts. The purpose of this detection is how to object in the image can be recognized and simplified forms of the previous form. Sobel edge detection method is a development of the basic methods of edge detection. Designing a procedure to implement measures Sobel edge detection method will produce a different image display with reliefs showing the effect or effects therein Sobel. Relief effect is like a rough stone-carved look, the lines that form a rough depiction of the object therein. Relief effect is formed from light and dark shadows. Both of these shadows are the result of the beam on the image of a particular direction. The data used is a sample image of the female reproductive organs in the form of image files ending in. Bmp (bitmap).
In doing edge detection using Sobel operator produces a rich smooth image edges. But still has shortcomings in the detection of edges in the image, where the detection is still there is a missing edge in the image, making it difficult to distinguish the part of the image. The advantages of this sobel method is the ability to reduce noise before performing the calculation of edge detection so that the edges are generated much more. From the results of the testing program by using the 5 sample images of the female reproductive organ cancers are different, obtained the percentage contribution of 20%, against the sharpness of the edge image of the female reproductive organ cancers
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Pengolahan citra digital merupakan pengolahan dan analisis yang banyak melibatkan presepsi visual. Citra digital dapat diperoleh secara otomatik dari sistem penagkapan citra membentuk matrik yang elemen-elemenya menyatakan nilai intensitas cahaya atau tingkat keabuan suatu piksel ( Fadliansyah, 2007 ). Pengolahan citra adalah salah satu aplikasi yang dapat mengubah gambar menjadi suatu informasi ( Marvin Wijaya, 2007 ).
Meskipun citra kaya informasi, namun seringkali citra yang dimiliki mengalami penurunan mutu (degradasi). Seperti mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur (bluring) dan sebagainya. Agar citra yang megalami gangguan mulai diinterpensi (baik manusia maupun mesin) maka citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya lebih baik. Operasi-operasi pada pengolahan citra diterapkan pada citra bila :
1. Perbaikan atau modifikasi citra perlu dilakukan untuk menigkatkan kualitas penampakan atau menonjolkan beberapa aspek informasi yang terkandung dalam citra.
2. Elemen di dalam citra perlu dikelompokkan dan diukur. 3. Sebagian citra perlu digabung dengan bagian citra yang lain.
Citra adalah kumpulan gambar yang secara keseluruhan merekam suatu adegan melalui media indra visual. Citra dapat dideskripsikan sebagai data dalam dua dimensi dalam bentuk matriks M x N. citra digital adalah citra dua dimensi yang dapat dipresentasikan dengan fungsi intensitas cahaya yang mana X dan Y menyatakan koordinat spasial. Elemen terkecil dari citra digital disebut dengan image element yaitu piksel. Citra dapat digolongkan menjadi dua macam yaitu :
1. Citra continue, dihasilkan dari sistem optic yang menerima sinyal
analog. Contoh : mata manusia dan kamera analog.
2. Citra diskrit/digital, dihasilkan melalui proses digitalisasi terhadap citra
continue contoh : kamera digital dan scanner.
Citra adalah fungsi dua dimensi dari intensitas cahaya, intensitas ini disebut juga dengan brightnes (tingkat kecerahan). Fungsi citra f (x.y) ditentukan oleh dua komponen yaitu iluminasi dan refleksi sehingga :
f (x,y) = I (x,y) r (x,y)
Yang mana I (x,y) adalah iluminasi yang datang dari sumber cahaya dan r (x,y) adalah koefesien refeleksi atau transmisi objek.
Citra (image) merupakan salah satu komponen multimedia yang mempunyai peranan sangat penting sebagai suatu bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh data teks, yaitu citra kaya dengan informasi. Secara harafiah, citra (image) adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupkan fungsi menerus (continue) dari intensitas cahaya pada bidang dwimatra. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pemantulan cahaya ini ditangkap oleh alat-alat optik, misalnya mata pada manusia, kamera, pemindai (scanner), dan sebagainya, sehingga objek yang disebut citra tersebut terekam.
Indonesia, sekarang penderita penyakit ini diperkirakan 90 - 100 di antara 100.000 penduduk. Melihat tingginya angka penderita, maka tidak mengherankan bila penyakit ini merupakan momok yang menakutkan bagi perempuan. Hal itu juga karena serviks merupakan kanker terbanyak pada wanita dan menduduki urutan pertama dari sepuluh jenis kanker di Indonesia.
Di Indonesia, kanker leher rahim bahkan menduduki peringkat pertama. Kanker serviks yang sudah masuk ke stadium lanjut sering menyebabkan kematian dalam jangka waktu relatif cepat. Berdasarkan catatan Departemen Kesehatan, setiap jam ada dua ibu meninggal karena melahirkan, sedangkan data Direktor Jendral pelayanan Medis DepKes RI pada tahun 1996 menunjukkan ada 4.283 kasus kanker rahim. Penyakit ini menyerang tanpa pandang bulu dari semua golongan umur dan tingkat ekonomi.
Organ reproduksi wanita adalah alat reproduksi wanita yaitu rahim yang terdiri dari mulut, leher, badan rahim, indung telur dan saluran. Gejala umum yang ditemukan adanya benjolan asing pada bagian tubuh yang terserang. Kanker leher rahim adalah tumor ganas pada leher rahim yang dimulai pada daerah peralihan epitel lapisan rahim bagian dalam dan bagian luar. Penggantian epitel dibagian tersebut terjadi secara terus menerus yang disebut dengan proses metaplasia. Apabila proses penggantian tersebut mengalami gangguan kematangan dan diferensiasinya, akan terjadi proses yang dikenal dengan diplasia mulai tingkat ringan sampai berat. Proses diplasia yang semakin berat akan menimbulkan terjadinya kanker tahap dini yang semakin terbatas didalam epitel leher rahim dikenal dengan karsinoma in situ. Apabila pada stadium ini tidak diketahui, sel-sel kanker akan menyebar secara infiltratif melalui pembuluh limpa dan pembuluh darah ke jaringan organ yang lebih jauh. Penderita datang berobat biasanya setelah timbul gejala yaitu nyeri panggul, kurang darah, berat badan turun, panggul terasa berat, siklus menstruasi abnormal, pendarahan vagina abnormal, nafsu makan berkurang, cepat lelah, nyeri punggung, gangguan kencing, gangguan buang air besar sehingga sudah terjadi penyebaran lebih luas, hal ini terjadi oleh karena kanker leher rahim fase awal tidak menimbulkan rasa sakit yang mengkhawatirkan bagi penderita.
Salah satu operasi utama dalam pengolahan citra adalah deteksi tepi (edge
detection). Tepi adalah perubahan nilai intensitas derajat keabuan yang mendadak
indentifikasi objek di dalam citra. Operasi ini bertujuan untuk melacak titik – titik pada citra yang dianggap sebagai tepi dari suatu objek, yang membatasi suatu wilayah objek satu dengan yang lainnya. Tujuan lain operasi pendeteksian tepi adalah untuk meningkatkan penampakan garis batas suatu daerah atau objek di dalam citra. Idealnya proses deteksi tepi akan menggambarkan bentuk geometris dari suatu objek dan mengidentifikasi garis garis yang mendasari objek – objek tersebut. Output dari operasi ini dimanfaatkan untuk pemrosesan visual pada level yang lebih tinggi seperti rekonstruksi tiga dimensi, pengenalan atau kompresi citra. Pada penulisan skripsi ini, akan dibuat suatu aplikasi pengolahan citra untuk deteksi tepi kanker organ reproduksi wanita dengan menggunakan operator Sobel.
Format image yang dikehendaki adalah format bitmap BMP. Pemilihan format bitmap ini disebabkan karena telah banyak dipergunakan dan menjadi standard beberapa aplikasi. Warna-warna image menggunakan warna-warna refrensi aplikasi yang telah dinyatakan sebelumnya. Warna-warna tersebut adalah warna RGB. Topik pembahasan antara lain : pertama, merancang suatu filter image dengan menerapkan metode Sobel didalamnya, sehingga image yang dihasilkan akan terlihat mempunyai tampilan yang berbeda dengan sebelumnya, kedua : melakukan pembahasan proses dan hasil dari penerapan kedua prosedur filter image tersebut. Penerapan metode pada sebuah image tidak memperhitugkan property image tersebut, seperti : model warna
image.
1.2 Identifikasi Masalah
Salah satu operasi utama dalam pengolahan citra adalah deteksi tepi (edge detection). Tepi digunakan untuk proses segmentasi dan indentifikasi objek di dalam citra. Idealnya proses deteksi tepi akan menggambarkan bentuk geometris dan membentuk efek relief didalamnya, dari suatu objek dan mengidentifikasi garis garis yang mendasari objek – objek tersebut. Pada penulisan skripsi ini, akan dibuat suatu aplikasi pengolahan citra untuk deteksi tepi kanker organ reproduksi wanita dengan menggunakan operator Sobel. Bagaimana cara memperjelas edge dari penerapan
Sobel Edge Detection tersebut, untuk mendeteksi tepi citra kanker organ reproduksi
1.3 Pembatasan Masalah
Pada skripsi ini pembahasan akan dibatasi pada permasalahan-permasalahan sebagai berikut :
1. Simulasi pada tugas akhir ini menggunakan program Borland Delphi 7.0
2. Pembahasan pada deteksi tepi pada citra kanker organ reproduksi wanita
3. Tugas akhir ini tidak merancang perangkat kerasnya
4. Simulasi ini merupakan alat bantu untuk mengambil keputusan
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah :
1. Membahas algoritma Sobel dan hasil yang di dapat pada objek image 2. Untuk melacak titik-titik pada citra yang dianggap sebagai tepi dari
suatu objek, yang membatasi suatu wilayah objek satu dengan yang lainnya
3. Untuk menigkatkan penampakan garis batas suatu daerah atau objek di dalam citra
4. Menerapkan algoritma Sobel dalam sebuah prosedur program
1.5 Kontribusi Penelitian
1.6 Metodologi Penelitian
Subjek penelitian dari skripsi ini adalah membuat aplikasi pengolahan citra dengan operasi deteksi tepi kanker organ reproduksi wanita menggunakan operator Sobel menggunakan Borland Delphi 7.0. Data dalam penelitian ini menggunakan sampel citra kanker organ reproduksi wanita berupa file citra berekstensi .bmp (Bitmap). Data citra ini diolah terlebih dahulu untuk menghasilkan citra yang lebih baik dan untuk mempermudah pembacaan data dalam aplikasi. Perubahan sampel citra ke dalam bentuk matriks 3 x 3 menggunakan teknik pengolahan citra yaitu deteksi tepi menggunakan operator Sobel.
1.7 Sistematika Penulisan
Langkah-langkah atau tahapan-tahapan yang ditempuh dalam menyelesaikan penelitian ini adalah :
BAB I : PENDAHULUAN
Pada bab ini meneragkan mengenai latar belakang pemilihan judul, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan.
BAB II : LANDASAN TEORI
Pada bab ini meneragkan tentang teori-teori yang mendukung pembahasan bab selanjutnya, yang berhubungan dengan program yang dirancang, serta bahasa pemrograman yang digunakan.
BAB III : PERANCANGAN PROSES
BAB IV : PERANCANGAN dan IMPLEMENTASI
Pada bab ini mengemukakan tentang hasil implementasi sistem yang dirancang mencakup uji coba sistem, tampilan, serta perangkat yang dibutuhkan, serta analisis sistem yang dirancang untuk mengetahui kelebihan dan kelemahan sistem yang dibuat.
BAB V : KESIMPULAN dan SARAN
BAB 2
LANDASAN TEORI
2.1 Representasi Citra Digital
Defenisi citra menurut (GONZ02) adalah suatu fungsi dua dimensi f (x,y) dimana x dan y adalah koordinat parsial dari setiap titik pada citra, serta nilai fungsi f pada kordinat (x,y) merupakan nilai intensitas atau gray level pada titik tersebut. Citra digital merupakan citra dengan nilai x , y , dan f yang berhingga dan diskrit, dimana kegiatan dan pemrosesannya dialakukan dengan komputer digital. Setiap pasangan nilai dan lokasi koordinat merupakan element pembentuk citra digital yang disebut dengan piksel.
Terdapat tiga jenis range nilai yang umumnya dipakai dalam mempresentasikan besarnya intensitas nilay garay level citra dalam matriks, yaitu :
1 Representasi data double dengan nilai jangkauan antara 0-1
2 Representasi data integer 8 bit dengan nilai jangkauan antara 0-255 dan 3 Representasi data integer 16 bit dengan nilai jangkauan antara 0-65535 Nilai minimal (0) merupakan representasi dari warna hitam, sedangkan nilai maksimal dari setiap jenis jangkauan data merupakan representasi dari warna putih. Berikut ini adalah cara mengkonversi ketiga jenis representasi data diatas.
2.1.1 Konversi Data Double menjadi Integer
f(x,y)’ = int[round( f(x,y)*255)] (1)
untuk mengubah representasi data double menjadi integer 16 bit, nilai piksel dikalikan dengan 65535 dan dikenakan pembulatan :
f(x,y)’ =int[round( f(x,y)*65535] (2)
2.1.2 Konversi data integer menjadi double
Untuk mengubah representasi data integer 8 bit menjadi double, nilai piksel dibagi dengan 255 setelah format datanya diganti dengan double.
f(x,y)’ = double ( , ) (3)
untuk mengubah representasi data integer 16 bit menjadi double, nilai piksel dibagi dengan 65535 setelah format datanya diganti dengan double .
f(x,y)’ = double ( , ) (4)
2.2 Metode Penggambaran
Image yang diciptakan berdasarkan dua macam tipe penggambaran yaitu : bitmap dan
Suatu image dibuat dengan menset posisi koordinat, intensitas, dan warna yang menyusun layar. Layar yang berfungsi sebagai media penampil dibayagkan sebagai potongan kisi-kisi atau grid atau lirik dari piksel-piksel. Nilai tingkat keabuan mempunyai harga integer, yaitu antara 0 sampai 2n – 1, dimana n adalah integer. Nilai 0 menunjukkan warna minimum yaitu warna putih.
2.3 Kanker dan Organ Reproduksi Wanita
Penyakit kanker adalah pertumbuhan sel tak normal atau tak terkendali sehingga menyebabkan perubahan bentuk dan pembesaran tubuh. Penyakit ini menyerang baik pada wanita maupun pria. Penyakit kanker menyerang semua organ tubuh manusia dari otak sampai ujung kaki. Dalam pembahasan ini menyusun pengkhususan membahas tentang penyakit kanker organ reproduksi wanita. Definisi organ reproduksi wanita adalah alat reproduksi wanita yaitu rahim yang terdiri dari mulut, leher, badan rahim, indung telur dan saluran. Gejala umum yang ditemukan adanya benjolan asing pada bagian tubuh yang terserang.
2.4 Deteksi Edge
Selain menggunakan metode segmentasi, ada cara lain untuk menyederhanakan bentuk image yaitu dengan melakukan pendeteksian terhadap edge atau garis di tepi
image tersebut. Teknik yang demikian dinamakan edge detection filtering. Filter
adalah salah satu jenis program pengolahan image (image processing) yang memanipulasi piksel-piksel image dengan cara melakukan perhitungan matematis.
Suatu garis atau edge didefenisikan sebagai sederetan piksel yang mempunyai intensitas antara piksel permulaan dan piksel akhir. Defenisi edge disini adalah kumpulan dari titik-titik atau plane point set. Karena jarak antara titik-titik yang sangat berdekatan membentuk edge dalam suatu objek.
Dalam kenyatannya edge yang didefenisikan terkadang ditemukan tidak sesuai dengan yang diharapkan, hal ini disebabkan karena : pertama, edge ini sering mempunyai intensitas yang lebih kecil sehingga terkadang edge tersebut tidak dapat dikenali. Kedua, edge sering tidak lengkap, hal ini dikarenakan warna background hampir seperti warna foreground. Ketiga, edge yang ditemukan pendek dan tidak terhubung saat dilakukan penelusuran.
Gambar 2.1 Proses deteksi tepi citra
Tahap awal proses pendeteksian ini diawali dengan mengitung setiap piksel yang ada, sehingga menciptakan piksel tersebut menjadi bagian dari edge yang sesungguhnya dicari. Cara menghitung piksel ini yaitu dengan suatu perhitungan yang dinamakan gradient magnitude
Untuk sebuah image diberikan fungsi f (x,y), gradient magnitude g (x,y) dan arah gradient ϴ(x,y) dinotasikan sebagai berikut :
Gx = ƒ(x,y) ………(1)
Gy = ƒ(x,y) ……….(2)
||∇ƒ || = √ + ………...(3)
Pendeteksian piksel dilakukan berdasarkan sesuai dengan arah penelusuran, bila arah penelusuran adalah vertical maka berada di sebelah kiri, sedagkan arah penelusuran kanan adalah horizontal.
2.5Edge
Yang dimaksud dengan tepi atau edge dalam hal ini adalah perubahan nilai derajat keabuan atau brightness value (VB) pada citra yang besar dalam jarak yang kecil. Perbedaan intensitas inilah yang menandakan adanya perbedaan objek, sehingga selanjutnya dapat diketahui objek-objek yang berbeda pada citra yang dianalisis. Tepi pada umumnya berada pada batas antara dua objek yang berbeda. Edge dapat diorientasikan dengan satu arah, dan arah ini dapat berbeda-beda tergantung pada perubahan intensitasnya. Terdapat tiga macam tepi yaitu :
1 Tepi curam
Tepi curam adalah tepi dengan perubahan intensitas yang tajam. Arah tepi berkisar 900.
2 Tepi landai
Tepi landai yaitu tepi dengan sudut arah yang kecil. Tepi landai dapat dianggap terdiri dari sejumlah tepi-tepi lokal yang lokasinya berdekatan.
3 Tepi yang mengandung derau
2.6 Deteksi Titik
Pendeteksian titik yang terisolasi dari suatu citra secara prinsip berlangsung secara
straightforward. Kita dapat mengatakan bahwa suatu titik dinyatakan terisolasi jika
|R|≥ T
Di mana T adalah threshold positif dan R adalah nilai dari persamaan :
=
Dengan demikian, titik yang terisolasi adalah titik yang berbeda (secara signifikan) dengan titik-titik di sekitarnya. Ada pun mask-nya adalah :
-1 -1 -1
-1 8 -1
-1 -1 -1
2.7 Deteksi Garis
Pendeteksian garis dari suatu citra dilakukan dengan mencocokkan dengan mask dan menunjukkan bagian tertentu yang berada secara garis lurus baik secara vetikal, horizontal, maupun miring 450 (baik kanan maupun kiri). Secara matematis dapat dirumuskan sebagai berikut :
|R|>|Rj| dimana i ≠ j
Arah horizontal :
-1 -1 -1
2 2 2
-1 -1 -1
Arah vertical :
2 -1 -1
-1 2 -1
-1 -1 2
2.8 Tepi Objek
Pertemuan antara bagian objek dan bagian latar belakang disebut tepi objek. Dalam pengolahan citra, tepi objek ditandai oleh titik yang nilai keabuannya memiliki perbedaan yang cukup besar dengan titik yang ada di sebelahnya. Bila dua buah objek atau lebih saling tumpang tindih maka objek tersebut akan meninggalkan jejak tepi apabila intensitas objek yang lain atau sebaliknya. Hal ini penting untuk memishakan objek-objek yang tumpang tindih sehingga objek dapat dianalisis secara induvidu. Dengan demikian, tepi sebuah objek dapat juga digunakan untuk memisahkan objek-objek yang saling bersinggungan sehingga objek-objek tidak dianggap sebagai satu objek-objek yang besar, tetapi dapat dilacak atau dianalisis secara induvidu.
2.9 Deteksi Tepi Berbasis Gradient
Deteksi tepi dapat dilakukan dengan menghitung selisih antara dua buah titik yang bertetangga sehingga dapat besar gradient citra. Gradient adalah turunan pertama dari persamaan dua dimensi yang didefenisikan sebagai vector seperti berikut :
Gradient mempunyai dua sifat penting yaitu :
1. Vektor G[f(x,y)] menujukkan arah penambahan laju maksimum dari fungsi
f(x,y)
2. Besar gradient sama dengan penambahan laju maksimum dari fungsi f(x,y) per satuan jarak dalam arah G
Besar gradient dihitung dengan persamaan berikut : G[f (x,y)] = √ +
Untuk kebutuhan pengolahan citra, dalam praktiknya besar gradient dihitung sebagai berikut :
G[f(x,y] = |Gx|+|Gy| Atau
G[f (x,y)] = ≈ maks (|Gx|,|Gy|)
Sedangkan arahnya dapat dihitung dengan persamaan berikut : α (x,y) = tan-1
2.10 Sensitivitas Pelacakan Tepi
Sensivitas detector tepi terhadap noise dapat diukur dengan menggunakan parameter
error rate sebagai berikut :
P = |nN - nR| nR dimana
nN : jumlah piksel yang dinyatakan sebagai tepi pada citra refrensi nR : jumlah piksel yang dinyatakan sebagai tepi pada citra noisy
Nilai P yang besar menyatakan sensitivitas detector tepi yang tinggi terhadap
2.11 Thresholding
Thresholding adalah proses untuk mengelompokkan semua piksel pada citra dengan
nilai tertentu menjadi dua bagian dengan nilai gray level yang telah ditentukan. Pembuatan citra biner adalah salah satu bentuk thresholding dengan nilai 0 dan 1, yaitu melakukan perubahan semua nilai piksel yang lebih besar atau sama dengan nilai ambang menjadi 1 dan semua nilai piksel yang lebih kecil dari nilai ambang menjadi 0.
Pada umumnya ada 2 (dua) jenis Thresholding yang sering di gunakan yaitu :
Thresholding tunggal dan Thresholding ganda. Untuk Thresholding tunggal, dapat
dilihat melalui fungsi berikut :
g(x,y) = 0 ( , ) <
1 ( , ) ≥
Atau
g(x,y) = 0 ( , ) ≥
1 ( , ) <
Sedangkan untuk thresholding ganda, dapat dilihat melalui fungsi berikut :
g(x,y) = 0 min ≤ ( , ) ≤
1
Atau
g(x,y) = 1 ≤ ( , ) ≤
0
nilai minimum dari T adalah nilai terendah dari system warna yang digunakan. Untuk 256 graylevel maka nilai tertinggi T adalah 255 dan nilai terendahnya adalah 0.
Berikut ini adalah pseudocode dari proses pembentukan thresholding.
if f(x,y) ≥ nilaiAmbang
f(x,y)’=1;
else f(x,y)’=0;
nilai thresholding yang diberikan pada deteksi tepi kanker organ reproduksi wanita adalah T = 0.5
2.12 File Bitmap
Citra Bitmap sering disebut juga dengan citra raster. Citra Bitmap menyimpan data kode citra secara digital dan lengkap (cara penyimpanan adalah per piksel). Citra bitmap dipresentasikan dalam bentuk matriks atau dipetakan dengan menggunakan bilangan biner atau system bilangan lain. Citra ini memiliki kelebihan untuk memanipulasi warna, tetapi untuk mengubah objek lebih sulit. Tampilan bitmap mampu menunjukkan kehalusan gradasi bayangan dan warna dari sebuah gambar. Oleh karena itu, bitmap merupakan media elektronik yang paling tepat untuk gambar-gambar dengan perpaduan gradasi warna yang rumit, seperti foto dan lukisan digital. Citra bitmap biasanya diperoleh dengan cara Scanner, Camera Digital, Video Capture, dan lain-lain.
2.13 Model Warna
nomor-nomor warna. Jumlah warna pada system penampil tergantung pada rata-rata bit tiap pikselnya. Pada mode 2 warna atau mode 1 bit, nomor warna hanya memiliki 2 nilai yaitu 0 dan 1. Nilai 0 menyatakan warna minimum yaitu gelap (darkest) dan nilai 1 menyatakan warna maksimum yaitu cerah (brightest). Mode ini hanya memerlukan 1 bit untuk menyimpan tiap piksel. Pada mode 16 warna atau mode 4 bit, nomor warna yang dimiliki adalah antara range nilai 0 sampai 15. Mode ini memerlukan 4 bit data untuk setiap pikselnya. Untuk lebih jelasnya perhatikan table berikut ini :
Tabel 2.1 rata-rata bit per piksel
Bit Per Pixel Nama Model Warna Jumlah Warna 1 Bit Hitam dan Putih – (Line Art, Halftone) 2
Table 2.2 Keterangan Warna untuk mode 16 dan 256 warna
11 Hijau tua
12 Ungu tua
13 Merah tua
14 Magenta tua
15 Putih
Mode 256 Warna
16 – 31 Gradasi abu-abu
32 – 103 Intensitas tinggi dari RGB 104 – 175 Intensitas menegah dari RGB 176 – 247 Intensitas rendah dari RGB
248 - 255 Hitam
2.13.1 Model Warna RGB
Warna-warna dasar yang digunakan adalah merah, hijau, biru, sehingga model warna yang digunakan dinamakan model warna RGB. System warna RGB menggunakan system penampil grafik kualitas tinggi (High Quality Raster Graphics) yaitu mode 24 bit. Setiap komponen warna yaitu merah, hijau, biru, masing-masing mendapatkan alokasi 8 bit untuk menampilkan warna. Dengan sistem warna RGB, setiap piksel akan mengalokasikan 24 bit tempat untuk dikirim kedalam frame buffer, sehingga system ini disebut juga Full color system atau true color system
Didalam model warna RGB, setiap nilai yang dihadirkan terdiri dari tiga komponen warna (tripel dan electron) yaitu R, G, B. nilai intensitas setiap komponen, ditandai dengan range nilai intensitas antara lain nilai 0 samapi 1. Bila titik koordinat warna putih adalah (1,1,1), maka ketika komponen warna tersebut mempunyai intensitas masksimum. Setiap nilai intensitas dihitung dengan menggunakan nilai real (floating point), akan tetapi berbeda dengan nilai di dalam frame buffer yang menggunakan nilai integer. Bila frame buffer adalah bit/piksel, dan nilai intensitas piksel antara range nilai 0 sampai 2b – 1 masih tergantung pada keadaan dan warna yang dimiliki oleh table warna.
2.13.2 Model Warna Grayscale
Citra gray scale merupakan citra dengan warna kelabu yang dibangun oleh suatu matriks dua dimensi yang setiap elemennya berkorespondensi dengan satu piksel dari citra. Nilai 0 sebagai nilai minimum matriks mempresentasikan warna hitam dan sebaliknya, nilai maksimum matriks akan mempresentasikan warna putih. Semakin besar nilai keabuan suatu matriks akan membawa dampak makin teragnya warna keabuan piksel tersebut.
Suatu citra berwarna dapat diubah menjadi citra gray scale dengan cara memasukkan nilai piksel yang sama pada untuk setiap lapisan merah (red), hijau (green), dan biru (blue) dari tiap-tiap koordinat citra berwarna. Karena sensitivitas mata manusia terhadap warna RGB memiliki tingkatan yang berbeda, NTSC membuat suatu koefisien standar yang mewakili komposisi intensitas ketiga lapisan RGB yaitu :
fgrayscale (x,y) = 0.2989 fred (x,y) + 0.570 fgreen (x,y) + 0.1140 fblue (x,y).
Secara algoritma, syntax proses gray scale ini yaitu :
Dan hasil dari pengolahannya akan menjadi gambar dengan warna keabuan
Gambar 2.3 Gambar berwarna ke grayscale, kanker Ovarium
Selanjutnya ilustrasi, matriks hasil pengubahan citra berwarna yang dibentuk melaui matriks seperti pada table dibawah ini :
Tabel 2.3 Matriks citra Gray Scale dari kanker ovarium.jpg 0 4 29 33 25 25 25 27 28 24 31 18 1 0
Karena citra gray scale memiliki nilai pixel yang sama untuk lapisan red, green dan
blue, maka tampilan citra gray scale tidak dapat di transformasikan menjadi citra
berwarna tanpa adanya perubahan nilai pixel minimum pada satu dari ketiga lapisan tersebut. Walau begitu, citra gray scale masih dapat di transformasikan menjadi citra biner melalui proses thresholding.
gambar=imread(‘gambarkoe.jpg’); %---membaca file gambar red=gambar(:,:,1); %memanggil matriks gambar yang hanya berisi piksel warna
merah
green=gambar(:,:,2);% memanggil matriks gambar yang hanya berisi piksel
warna merah
blue=gambar(:,:,3); %memanggil matriks gambar yang hanya berisi piksel
warna merah
2.14 Segmentasi
Segmentasi merupakan suatu proses pembagian image menjadi beberapa segmen dan diantaranya terhubung satu sama lain. Hubungan segmen ini adalah bila terdapatnya dua piksel yang saling kontak. Segmen disebut juga region atau area. Segmen yang terpisah dapat dipertimbangkan menjadi sebuah image tersendiri. Proses segmentasi merupakan proses identifikasi dan menjadi dasar untuk melakukan proses klasifikasi objek image. Proses klasifikasi sebenarnya diartikan sebagai proses pengenalan objek yang ada dengan cara memisahkannya menjadi segmen-segmen yang diharapkan merupakan objek-objek tersendiri. Contohnya pada proses analisis suatu image dengan melihat grafik image histogramnya (histogram slicing). Tujuan analisis ini adalah untuk mengetahui objek dalam image tersebut dan memisahkannya untuk lebih lanjut melakukan proses pengenalan objek.
Ada beberapa teknik segmentasi, kesemuanya dapat digologkan dalam dua jenis berdasarkan cara kerjanya yaitu : pertama, segmentasi berdasarkan intensitas warna melalui identifikasi area atau region. Kedua, segmentasi berdasarkan karakteristik melalui identifikasi edge
Gambar 2.4 Image segmentation
Two-class object Histogram
Multi-class Object Histogram
2.14.1 Segmentasi Identifikasi Area
nilai rata-rata (mean) intensitas piksel pada tiap kelompok dan mengganti warna piksel dengan nilai rata-rata yang ditemukan pada tiap kelompok sehingga dengan demikian akan dihasilkan image beberapa kelompok warna. Jadi, bila jumlah kelompok intensitasnya ada 4, maka image akan mengahsilkan 4 kelompok warna. Warna yang seragam pada setiap kelompok akan mempermudah melakukan penyederhanaan objek. Teknik ini akan menghasilkan perkiraan jumlah objek dalam image dan tampilan objek yang masing-masing terpisah satu sama lain, sehingga dengan demikian masing-masing objek dapat dikenali lebih jauh lagi.
2.14.2 Segmentasi Identifikasi Edge
Operasi segmantasi identifikasi edge adalah operasi pengelompokan area image yang mempunyai karakteristik sama, karakteristik tersebut seperti perubahan warna antara piksel yang berdekatan, harga rata-rata bagian tersebut. Pada tahapan pendeteksian tepi dari metode pertama tugas akhir dilakukan proses pendeteksian tepi (edge detection) yang merupakan salah satu kegiatan segmentasi dengan pendekatan edge
based . Segmentasi ini dilakukan dengan menggunakan kernel Sobel untuk mencari
gradiend. Proses identifikasi tepi dengan menggunakan prosedur turunan pertama
(first derivative) dengan memakai citra masukan gray scale dan akan menghasilkan citra edge biner. Dengan mengacu pada [SHES05], Identifikasi Edge pada tugas akhir ini akan menggunakan operator Sobel.
2.14.2.1 Operasi Penggabungan Area
1 1 1 2 2 2 2 4 4
1 1 1 1 2 2 2 4 4
1 1 1 1 1 1 2 2 2
1 1 1 1 1 1 1 1 1
Proses pencarian area didalam image akan lebih mudah bila digunakan suatu harga tertentu yang bertujuan untuk menyeleksi seluruh piksel image. Proses yang demikian sama seperti di dalam operasi thresholding. Dasar proses thresholding adalah mengelompokkan warna-warna yang memiliki intensitas yang hampir sama sehingga jumah warna yang diperlukan oleh image menjadi kurang. Dari contoh image diatas, ternyata image mempunyai intensitas piksel yang beragam antara lain : 1, 2, dan 4. Piksel – piksel ini didalam operasi penggabungan area, selanjutnya dikelompokkan ke dalam kelompok intensitas masing-masing dan baru kemudian dilakukan proses pendeteksian. Proses pengelompokkan untuk image diatas tidak perlu dilakukan, hal ini disebabkan karena setiap kelompok piksel yang ada sudah menunjukkan pengelompokkan area masing-masing. Setiap kelompok piksel mempunyai intensitas piksel yang seragam, seperti kelompok : area A untuk intensitas piksel 1, area B untuk intensitas piksel 2, dan area C untuk intensitas piksel 3. Proses pendeteksian, dimulai dengan mencari semua selisih intensitas atau batasan di tepi masing-masing area, yang tergambar sebagai berikut.
1 1 1 2 2 2 2 4 4 1 1 1 1 2 2 2 4 4 1 1 1 1 1 1 2 2 2 1 1 1 1 1 1 1 1 1
Gambar 2.5 Batasan di tepi masing-masing area image
harga ambang) yang telah ditentukan, maka intensitas piksel ditepi area tersebut mempunyai nilai intensitas baru yaitu 1. Penentuan intensitas piksel ini tentu berbeda bila ternyata image menggunakan model warna lebih dari dua macam warna dominan.
2.14.2.2 Operasi Pembagian Area
Pembagian area (region splitting) berarti pembagian suatu image menjadi beberapa area dengan intensitas yang sama. Operasi ini sering digunakan untuk menambah kontras warna suatu image. Kontras warna image diperlukan untuk menambah penampakan image atau bagian tertentu image. Penambahan kontras warna image dimulai dengan cara menguji grafik image histogram-nya. Image histogram merupakan grafik yang menunjukkan suatu frekuensi atau jumlah nomor warna yang ada dalam image. Piksel dalam image merupakan piksel-piksel signifikan yang dapat dikelompokkan ke dalam suatu perhitungan image histogram. Pada awalnya intensitas warna piksel di dalam image lebih banyak mengunakan nomor warna antara 0 samapi 4. Frekuensi nomor warnanya yang dominan di sini adalah nomor warna 0 yang berjumlah 22 piksel. Hal ini menunjukkan bahwa pada awalnya image sebenarnya terlihat agak gelap terutama di sisi kiri atas.
Kontras warna image sering digunakan oleh pemakai untuk menambah suatu penampakan iamge. Proses penampakan image dapat dilakukan denagn cara menambah nilai intensitas setiap piksel image. Penambahan intensitas piksel dapat dilakukan dengan berbagai cara, antara lain : dengan cara menjumlah, atau mengalikan atau mengkuadaratkan intensitas setiap piksel dengan nilai tertentu.
2.15 Filter Sobel
Filter image adalah program yang menerapkan metode atau algoritma tertentu di
antara kelompok warna satu dengan yang lain. Selisih perbedaan nilai warna ini yang kemudian yang akan dipertimbagkan sebagai piksel-piksel tepi. Kumpulan piksel ini akan membentuk sutau garis atau edge. Di dalam operasi filter Sobel tidak hanya memperhitugkan nilai warna dari piksel yang diperiksa, akan tetapi juga memperhitugkan nilai piksel sekitar.
Filter sobel dirancang terpisah dari form utama, akan tetapi form filter Sobel juga merupakan program terkait dengan form utama. Form filter sobel mempunyai beberapa komponen penting di dalamnya antara lain :
Gambar 2.6 Antar muka form Filter Sobel
2.16 Algoritma Sobel Edge Detection
Algoritma Sobel merupakan salah satu pengembangan dari teknik edge detection sebelumnya, juga pengembangan dari operator Prewit. Algoritma ini termasuk algoritma pemrograman yang berfungsi sebagai filter image. Filter ini mendeteksi keseluruhan edge yang ada. Dalam prosesnya filter ini menggunakan sebuah operator, yang dinamakan operator Sobel. Operator Sobel menggunakan matriks N x N dengan berordo 3 x 3, 5 x 5, 7 x 7, dan sebagainya. Matriks seperti ini digunakan untuk mempermudah mendapatkan piksel tengah sehingga menjadi titik tenagah matrik (aij). Piksel tengah ini merupakan piksel yang akan diperiksa. Cara pemanfaatan matrik ini sama seperti pemakaian sebuah grid, yaitu dengan cara memasukkan piksel-piksel disekitar yang sedang diperiksa (piksel tengah) ke dalam matrik. Cara yang demikian disebut spatial filtering
a0 a1 a2
a7 aij a3
a6 a5 a4
Gambar 2.7 Matriks 3 x 3 pada area image Didefenisikan Gy sebagai arah penelusuran secara vertical
Gy = (a0 – a6) + (a2 – a4) + 2(a1 – a5)
Gy = (a0 + 2a1 + a2) – (a4 +2a5 + a6) (2.1) dan Gx sebagai arah penelusuran secara horizontal
Gx = (a0 – a2) + (a6 – a4) +2(a7 – a3)
Gx = (a0 + 2a7 + a6) – (a2 +a4 + 2a3) (2.2) Defenisi menggunakan nilai mutlak diberikan
Dengan membandigkan area diatas dari persamaan (2.1) kita lihat bahwa Gy adalah berbeda antara baris pertama dan ketiga, dimana elemen terdekat aij yakni (a1 dan a5) lebih besar dua kali dibanding nilai yang disekelilignya (hal ini berdasarkan intusi wilayah/area0 juga pada persamaan (2.2), Gx adalah berbeda antara kolom a3 dan a7. Gx adalah arah dari x dan Gy adalah merupakan arah dari y. persamaan dari (2.1) dan (2.2) dapat diimplementasikan dari operasi sobel didapat nilai hasil dari persamaan (2.3).
Teknik spatial filtering menggunakan lagi sebuah matrik yang dinamakan mask. Ukuran matrik mask sama besar dengan matrik piksel yaitu N x N. Didalam mask ini intinya disimpan jenis operasi yang akan dilakukan terhadap matrik piksel, akan tetapi tidak semua filter spatial filtering menggunakan mask untuk menyimpan operasinya.
Sobel operator diterapkan dalam dua buah mask, untuk itu perlu diperhatiakn vertical sehingga dihasilkan titik penelusuran arah vertical. Mask kedua yaitu mask (b) digunakan untuk menghitung selisih titik pada sisi horizontal sehingga dihasilkan titik hasil penelusuran arah horisontal.
kemugkinan hanya mempunyai dua warna dominan yaitu warna hitam dan putih. Warna hitam diibaratkan sebagai background permukaan image, dan warna putih memunculkan piksel-piksel signifikan tersebut.
Edge atau garis di tepi objek terlihat lebih terang dari sebelumnya. Warna
grayscale merupakan perpaduan warna dari dua warna dominan, yaitu perpaduan antara warna minimum dan maksimum. Perpaduan warna yang dimaksud disebut sebagai warna medium atau setengah terang atau warna menegah. Bila image menggunakan perpaduan antara warna hitam dan putih, maka warna yang demikian dikenal dengan sebutan warna medium gray atau grayscale. Dengan demikian setiap piksel yang dihasilkan akan disesuaikan dengan set warna medium ini. Set warna ini dimulai dari warna hitam sebagai warna minimum dan naik secara perlahan-lahan menjadi lebih terang dari sebelumnya sampai pada warna maksimal yaitu berwarna
Bila edge yang ditemukan merupakan sekumpulan piksel signifikan yang membentuk objek image, maka warna piksel tersebut akan dipertegas kembali, artinya piksel ini akan diperbesar intensitasnya sehingga warna edge ini akan tampak jelas.
Gambar 2.9 Sobel edge detection
medium masing-masing yaitu 128. Untuk mendapatkan intensitas warna medium dimasing-masing piksel, maka ditambahkannya intensitas warna medium ini ke dalam intensitas warna setiap piksel, akan tetapi intensitas warna tetap berada di dalam lingkup range warna antara 0 sampai 255. Bila intensitas warna piksel dimisalkan adalah 4, maka intensitas warna piksel tersebut menjadi : 4 + 128 = 132
+ 128
4 132
Gambar 2.10 Medium warna piksel image baru
BAB 3
ANALISIS DAN PERANCANGAN APLIKASI
3.1 Analisis Sobel
Tepi adalah perubahan nilai intensitas derajat keabuan yang mendadak besar dalam jarak yang singkat. Perbedaan intensitas inilah yang memperlihatkan rincian pada gambar. Tepi dapat diorientasikan dengan suatu arah, dan arah ini berbeda-beda, tergantung pada perubahan intensitas.
Deteksi 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 deteksi tepi adalah untuk meningkatkan penampakan garis batas suatu daerah atau objek di dalam citra (Munir, 2004). Teknik mendeteksi tepi untuk analisis sobel.
Operator gradien pertama, contoh beberapa gradien pertama yang dapat digunakan untuk mendeteksi tepi di dalam citra, yaitu operator gradien
selisih-terpusat, operator Sobel, operator Prewitt, operatorRoberts, operator Canny. Operator
turunan kedua, disebut juga operator Laplace. 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 pada tepi yang landai tidak terdapat persilangan nol. Contohnya adalah operator Laplacian Gaussian, operator Gaussian.
Tahapan operator Sobel pada pendeteksian tepi dengan menggunakan Sobel adalah :
Gambar 3.1 Diagram deteksi tepi Sobel Proses pem ot ongan (cropping)
Proses keabuan (grayscale)
Proses pengem bangan (t hresholding)
Proses det eksi t epi m enggunakan Sobel
Proses pengubahan ukuran cit ra (resizing)
Am bil Cit ra Kanker Organ Reproduksi
Tam pilkan citra hasil pem ot ongan, keabuan, pengem bangan, deteksi tepi,
dan pengubahan ukuran citra
Hasil det eksi t epi kanker organ
3.2Analisis Gray Scale
Analisis Gray scale, dalam komputasi, suatu citra digital grayscale atau greyscale adalah suatu citra dimana nilai dari setiap pixel merupakan sampel tunggal. Citra yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu, bervariasi pada warna hitam pada bagian yang intensitas terlemah dan warna putih pada intensitas terkuat. Citra grayscale berbeda dengan citra ”hitam-putih”, dimana pada konteks komputer, citra hitam putih hanya terdiri atas 2 warna saja yaitu ”hitam” dan ”putih” saja. Pada citra grayscale warna bervariasi antara hitam dan putih, tetapi variasi warna diantaranya sangat banyak. Citra grayscale seringkali merupakan perhitungan dari intensitas cahaya pada setiap pixel pada spektrum elektromagnetik single band. Citra grayscale disimpan dalam format 8 bit untuk setiap sample pixel, yang memungkinkan sebanyak 256 intensitas. Format ini sangat membantu dalam pemrograman karena manipulasi bit yang tidak terlalu banyak. Pada aplikasi lain seperti pada aplikasi medical imaging dan remote sensing bisa juga digunakan format 10,12 maupun 16 bit.
3.3 Analisis Konvolusi
Analisis Konvolusi, digunakan memanipulasi piksel-piksel dalam citra,sehingga diperoleh citra yang memiliki sifat dan informasi yang diinginkan. Konvolusi citra biasanya menggunakan kernel konvolusi berupa matriks simetris, sehingga kernel konvolusi tidak perlu dirotasikan sebesar 1800.
3.4 Analisis Kompresi
Sehingga citra digital tersebut memerlukan volume penyimpanan sebesar 3.000.000 x 3 byte + 1080 = 9.001.080byte setelah ditambahkan jumlah byte yang diperlukan untuk menyimpan format (header) citra.
3.5 Analisis Treatmen
Analisis dengan treatmen, teknik treatmen adalah dengan menyeleksi area frekuensi kontras tinggi yang muncul dengan sistem pengolahan citra sebagai daerah yang tidak diinginkan dan kemudian dieliminasi sehingga memungkinkan masing-masing piksel dalam gambar termasuk pixel di tepi gambar timbul noise. Setiap pengaruh lingkungan yang timbul dari piksel dekat tepi gambar tersebut tereliminasi karena piksel tepi muncul sebagai noise yang dieliminasi. Munculnya noise karena pergantian frekuensi tinggi yang kontras daerah yang diproses sebagai noise.
3.6 Analisis Invert
Analisis dengan invert, Logical NOT atau invert adalah sebuah operator yang membutuhkan citra biner atau graylevel sebagai masukan dan menghasilkan fotografi negatifnya, yaitu daerah gelap pada gambar input area terang dan terang menjadi gelap.
3.7 Operator Robert
Operator Robert adalah operator yang berbasis gradient yang menggunakan kernel ukuran 2x2 piksel. Operator ini mengambil arah diagonal untuk penentuan arah dalam perhitungan nilai gradient. Perhitungan gradient dalam operator Robert adalah :
G = |f (x,y) – f (x+1, y+1)|+|f(x+1,y) – f (x,y+1) Bila ditulis dalam komponen gradient menjadi :
G = |Gx|+|Gy|
Gx =
Operator ini menggunakan persamaan yang sama dengan operator Sobel, hanya saja konstanta c yang digunakan bernilai 1 sehingga bentuk kernel dari operator prewitt
Berbeda dengan operator Sobel, operator prewitt tidak menekankan pembobotan pada piksel-piksel yang lebih dekat dengan titik pusat kernel.
3.9 Analisis Kualitas Tepi
Dalam penelitian ini aka diberikan citra berformat bitmap, kualitas tepi dilihat secara kasat mata, yaitu dengan melihat apakah seluruh piksel tepi terdefenisi sebagai tepi atau tidak. Serta dapat dilihat juga kemampuan metode Sobel mengatasi noise yang ada pada imgae.
3.10 Analisis Citra
Analisis citra merupakan menganalisis citra sehingga menghasilkan informasi untuk menetapkan keputusan
3.11 Alat dan Bahan Penelitian
3.11.1 Alat Penelitian
1 Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut : 1 Processor Intel Pentium 1.73 Ghz, 533 Mhz FSB.
2 RAM 2 GB
3 Hardisk 60 GB dengan freespace 1 GB
4 Monitor dengan kemampuan resolusi 1024 x 768 piksel, 32 bit color 5 Perangkat mouse dan Keyboard
2 Sistem operasi menggunakan Microsof Windows XP Professional Version 2002 Service Pack 3 atau versi dan Microsof Windows yang lebih tinggi yang dapat mendukung Borlnd Delphi 7.0
3 Perangkat lunak untuk perancangan system 1 Borland Delphi 7.0
2 Photoshop CS3 3 Paint
3.11.2 Bahan Penelitian
Gambar 3.3 Proses perancangan aplikasi
Penjelasan mengenai gambar desain penelitian adalah sebagai berikut :
1 Rumusan masalah merupakan dasar pemikiran dan merupakan acuan dalam penelitian ini. Dalam penelitian ini, permasalahan yang akan di anlisis adalah mengenai Bagaimana cara memperjelas edge dari penerapan Sobel Edge
Rumusan Masalah
1. Desain : desain antar muka, desain data, desain prosedur
2. Coding
Detection akan menghasilkan efek image Sobel yang dimaksud dan hasil image
dari penerapan algoritma Sobel.
2 Studi literature dilakukan dengan mempelajari dan memahami teori-teori yang
berkaitan dengan penelitian ini, serta Sobel edge detection.
3 Image Processing yang digunakan dalam penelitian ini adalah segmentasi dan
deteksi tepi.
4 Feature extraction yang digunakan adalah matriks 3x3, 5x5, 7x7, 10x10
5 Algoritma Sobel edge detection yang berfungsi sebagai filter image
6 Dokumentasi berupa dokumen teknis perangkat lunak, paper dan document skripsi sebagai hasil dari penelitian.
3.12 Metode Pengembangan Perangkat Lunak
Dalam pengembangan perangkat lunak, penulis menggunakan model Prototype . untuk lebih jelasnya dapat di lihat pada gambar berikut.
Gambar 3.4 Model pengembangan perangkat lunak Kebutuhan Rancang model Evaluasi rancang
model
Adapun aktivitas-aktivitas yang dilalui adalah sebagai berikut : 1. Analisis Kebutuhan
Pada tahap awal dilakukan analisis kebutuhan, proses ini dilakukan untuk mengetahui informasi, model, dan spesifikasi dari system yang dibutuhkan
2. Pembuatan Rancangan Model
Pada tahap ini akan dilakukan pembuatan model sesuai dengan kebutuhan 3. Evaluasi Model
Tahap dimana model dievaluasi apakah sudah cocok dengan kebutuhan apa belum
4. Pengembangan perangkat lunak akhir
Melakukan pengembangan perangkat lunak yang telah sesuai dengan kebutuhan sekaligus melakukan penyelesaian pengembangan perangkat lunak
5. Pengujian (testing)
Tahapan selanjutnya adalah proses pengujian perangkat lunak, proses pengujian ini dilakukan untuk memastikan perangkat lunak yang telah dibuat telah sesuai dengan kebutuhan
3.13 Algoritma Sobel
Algoritma Sobel mempunyai langkah-langkah sebagai berikut : Langkah 1 : Accept the input image
Langkah 2 : Start row and column for loop
Langkah 3 : Consider each pixel, excluding the boundaries
Langkah 4 : Apply a vertical odd 3x3 convolution mask and calculate Gx Langkah 5 : Apply a horizontal odd 3x3 convolution mask and calculate Gy
3.14 Proses Sobel
BAB 4
HASIL DAN PEMBAHASAN
Jenis citra input adalah true color maupun Grayscale berekstensi .bmp. Citra yang digunakan adalah sampel citra kanker organ reproduksi wanita. (Gambar 4.1)
Gambar 4.1. Sampel citra kanker organ reproduksi wanita
Dalam pelacakan matriks asal citra pada kanker organ reproduksi wanita terlebih dahulu telah di tentukan tepi kanker pada organ reproduksi. Dengan memperhatikan perubahan warna yaitu apabila terdapat bercak putih, bisa diketahui apakah terdapat sel-sel prakanker pada kanker oragn reproduksi wanita. Ada 2 macam keputihan, yaitu yang normal dan yang tidak normal. Keputihan normal bila lendir berwarna bening, tidak berbau, dan tidak gatal. Bila salah satu saja dari ketiga syarat tersebut tidak terpenuhi berarti keputihan tersebut dikatakan tidak normal. Kanker vulva mudah dilihat dan teraba sebagai benjolan, penebalan ataupun luka terbuka pada atau di sekitar lubang vagina. Kadang terbentuk bercak bersisik atau perubahan warna. Jaringan di sekitarnya mengkerut disertai gatal-gatal. Pada akhirnya akan terjadi perdarahan dan keluar cairan yang encer.
Tabel 1 merupakan matriks asal citra, dimana matriks asal akan dicocokkan dengan matriks hasil, untuk menentukkan tepi citra kanker organ reproduksi wanita, dimana nilai ambang yang di berikan sebesar T = 0.5
Jika suatu nilai output yaitu berada pada kisaran 0 ≤ outpu ≤ 128, maka hasil
output tersebut dapat dikategorikan pada nilai 0. Sementara jika nilai output berada
Deteksi tepi mampu mendeteksi kanker dengan mencocokkan nilai antara matriks asal dengan matriks hasil. Jika matriks asal dengan matriks hasil memiliki nilai yang sama, maka yang terkena kanker dapat sesuai dengan matriks tujuan yang telah ditentukan.
Sangat penting untuk diingat bahwa pelacakan hanyalah mengidentifikasikan bahwa suatu tepi berada dekat suatu piksel dalam sebuah citra, tetapi tidak berarti menghasilkan perkiraan yang akurat dari lokasi atau arah suatu tepi. Dengan demikian suatu pelacakan tepi obyek dapat menimbulkan kesalahan. Kesalahan dalam pelacakan tepi dibedakan menjadi 3 macam yaitu : kesalahan klasifikasi, tepi yang salah dan tepi yang hilang. Kesalahan dalam pendugaan tepi dimodelkan dengan distribusi peluang untuk lokasi dan arah tepi. Dalam hal ini pelacakan tepi dan pendugaan tepi dibedakan karena dilakukan dengan perhitungan yang berbeda dan mempunyai model kesalahan yang berbeda pula.
Untuk melihat kemampuan operator pelacak tepi yang telah dibahas, pada gambar dibawah ini memperlihatkan kemampuan Operator Sobel dalam pelacakan tepi pada citra kanker organ reproduksi wanita. Pelacakan tepi obyek biasanya terdiri dari operasi yang berurutan yaitu pengaburan untuk melemahkan noise akibat distorsi, penguatan piksel-piksel milik tepi, dan pelcakan yang sering kali diwakili oleh
thresholding.
(d) Kanker ovarium (e) Kanker rahim
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
1. Deteksi tepi menggunakan operator Sobel menghasilkan titik-titik tepi yang halus.
2. Sobel mampu mengurangi noise sebelum melakukan perhitungan deteksi tepi sehingga tepi-tepi yang dihasilkan lebih banyak.
3. Operator Sobel memberikan kontribusi terhadap ketajaman citra tepi kanker organ reproduksi wanita sebesar 20%.
5.2 Saran
DAFTAR PUSTAKA
A Descriptive Algorithm for Sobel Image Edge Detection, Proceedings of Informing
Science & IT Education Conference (InSITE), 2009
Abdul Kadir, Pemrograman Database Menggunakan Delphi Jilid 1, Salemba infotek, 2001
Achmad, B. dan K. Firdausy, Teknik Pengolahan Citra Digital menggunakan
DELPHI , Ardhi Publishing , 2005. Yogyakarta.
Ahmad, U., Pengolahan Citra Digital & Teknik Pemrogramannya, Graha Ilmu ,2005. Anggrahini, Sagita, 2004, Thresholding dalam Deteksi Tepi : Sebuah Pendekatan
Statistik, Skripsi S-1, Ilmu Komputer Universitas Gadjah Mada, Yogyakarta.
Fadliansyah (2007). Computer Vision & Pengolahan Citra
Fadlisyah, Fauzan, Taufiq, Zulfikar, Pengolahan Citra Menggunakan Delphi,Graha Ilmu,Yogyakarta, Desember 2008.
Fisher, R., S. Perkins, A. Walker, and E. Wolfart, Grayscale Images http://homepages.inf.ed.ac.uk/rbf/HIPR2/gryimage, April 2006.
Gonzalez, R., & Woods, R. (2002). Digital image processing (2nd ed.). Prentice-Hall Inc. 567-612.
LPKBM Madcoms Madium, Seri Panduan Lengkap : Pemrograman Borland Delphi
5.0, Andi Yogyakarta, 2001
Marvin, W. dan A. Prijono, Pengolahan Citra DigitalMenggunakan Matlab, Informatika, Bandung, 2007
Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritma, Informatika, Bandung.
Sobel, I., & Feldman, G. (1968). A 3 × 3 isotropic gradient operator for image
processing. Presented at a talk at the Stanford Art ificial Project.
