DETEKSI RETAK PERMUKAAN JALAN RAYA BERBASIS
PENGOLAHAN CITRA MENGGUNAKAN METODE
EKSTRAKSI CIRI
WAVELET
SKRIPSI
Disusun Guna Memenuhi Persyaratan Untuk Mencapai Derajat Strata-1 Pada Prodi Teknik Informatika Fakultas Teknik
Universitas Muhammadiyah Yogyakarta
Disusun Oleh : Fiddin Yusfida A’la
20120140018
PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH YOGYAKARTA YOGYAKARTA
i
HALAMAN PERNYATAAN
Saya yang bertanda tangan di bawah ini: Nama : Fiddin Yusfida A’la NIM : 20120140018 Program studi : Teknik Informatika Fakultas : Teknik
Jenis karya : Skripsi
Judul karya : Deteksi Retak Permukaan Jalan Raya Berbasis Pengolahan Citra Menggunakan Metode Ekstraksi Ciri Wavelet
Menyatakan dengan benar dan tanpa paksaan bahwa:
1. Karya ini adalah asli hasil karya saya sendiri dengan arahan dan bimbingan dosen pembimbing dan merupakan sebagian hasil dari penelitian di Universitas Muhammadiyah Yogyakarta dengan:
Judul : Deteksi dan Kuantifikasi Retak Permukaan Jalan Menggunakan Metode Pengolahan Citra Digital dengan Pendekatan Teknik Multiskala dan Kecerdasan Buatan
Sumber dana : Direktorat Riset dan Pengabdian kepada Masyarakat Ditjen Penguatan Riset dan Pengembangan
Kementerian Riset, Teknologi, dan Pendidikan Tinggi Tahun : 2015 - 2016
Ketua Peneliti : Slamet Riyadi, PhD
2. Karya ini tidak memuat hasil karya orang lain kecuali acuan atau kutipan yang telah disebutkan sumbernya.
3. Karya ini belum pernah diajukan untuk memperoleh gelar akademik (sarjana, magister dan/ doktor) di Universitas Muhammadiyah Yogyakarta atau institusi lainnya.
4. Demi pengembangan ilmu pengetahuan, saya menyetujui memberikan hak kepada dosen pembimbing dan Universitas Muhammadiyah Yogyakarta untuk menyimpan, menggunakan dan mengelola karya ini dan perangkat lainnya (jika ada) serta mempublikasikannya dalam bentuk lain baik itu semua maupun sebagian dengan tetap mencantumkan nama saya.
Yogyakarta, Yang menyatakan,
iv PRAKATA
Assalamu’alaikum Wr. Wb.
Alhamdulillahirabbil’alamin puji syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan nikmat dan hidayah-Nya sehingga penulis dapat menyelesaikan penyusunan skripsi dengan judul
“DETEKSI RETAK PERMUKAAN JALAN RAYA BERBASIS PENGOLAHAN CITRA MENGGUNAKAN METODE
EKSTRAKSI CIRI WAVELET”
Berbagai usaha dan upaya telah penulis lakukan untuk menyelesaikan penyusunan skripsi ini, karena keterbatasan kemampuan penulis, maka penulis meminta maaf apabila terdapat kesalahan pemilihan kata, susunan penulisan dan sistematika pembahasan. Penulis berharap skripsi ini dapat memberikan manfaat bagi penulis khususnya dan pembaca pada umumnya.
Tidak lupa penulis mengucapkan terima kasih kepada semua pihak yang telah membantu dalam proses penelitian dan penyusunan skripsi ini, diantaranya:
1. Bapak Helmi Zain Nuri, S.T., MT. selaku Ketua Program Studi Teknik Informatika Universitas Muhammadiyah Yogyakarta.
v
3. Bapak Chayadi Oktomy Noto S., S.T., M.Eng. selaku dosen pembimbing II yang dengan sabar memberikan ilmu dan pengetahuan, semoga bermanfaat baik sekarang hingga dikemudian hari.
4. Ibu Aprilia Kurniati, S.T., M.Eng. selaku dosen penguji ujian pendadaran skripsi yang senantiasa memberikan saran demi perkembangan ilmu pengetahuan serta perkembangan dunia pendidikan.
5. Segenap dosen dan pengajar di Jurusan Teknik Informatika Universitas Muhammadiyah Yogyakarta.
6. Staff Tata Usaha Jurusan Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Yogyakarta.
7. Rekan seperjuangan Jurusan Teknik Informatika 2012.
8. Semua pihak yang telah membantu penulis yang tidak bisa disebutkan satu persatu.
Penulis menyadari bahwa skripsi ini memiliki kekurangan, maka dari itu penulis mengahrapkan kritik dan saran yang bersifat membangun sehingga menjadi masukan bagi penulis guna penyusunan karya-karya selanjutnya.
Wassalamu’alaikum Wr.Wb
Yogyakarta, 01 Juni 2016
vi DAFTAR ISI
HALAMAN PERNYATAAN... i
HALAMAN PENGESAHAN I ... ii
HALAMAN PENGESAHAN II ... iii
PRAKATA ...iv
1.6 Sistematika Pembahasan ... 4
BAB II STUDI PUSTAKA ... 2.1 Tinjauan Pustaka ... 5
2.2 Landasan Teori ... 7
2.2.1 Retak Jalan ... 7
2.2.2 Pengertian Citra Digital ... 7
2.2.3 Pengertian Pengolahan Citra Digital ... 8
2.2.4 Citra RGB ... 9
2.2.5 Citra Abu-abu (Grayscale) ... 10
2.2.6 Wavelet ... 11
2.2.7 WaveletHaar ... 12
2.2.8 Transformasi Wavelet ... 13
2.2.9 Ekstraksi Ciri ... 16
2.2.10 Linear Discriminant Analysis (LDA) ... 17
BAB III METODOLOGI PENELITIAN ... 3.1 Alat dan Bahan Penelitian ... 20
vii
3.1.2 Bahan Penelitian ... 20
3.2 Langkah Penelitian ... 21
3.2.1 Studi Literatur ... 22
BAB IV HASIL PENELITIAN DAN PEMBAHASAN ... 4.1 Implementasi GUI ... 35
4.2 Data Citra ... 37
4.2.1 Data Kualitas Baik ... 38
4.2.2 Data Kualitas Sedang ... 39
4.2.3 Data Kualitas Buruk ... 39
4.3 Hasil Perancangan Program ... 40
4.3.1 Pra Pengolahan Citra ... 40
4.3.2 Transformasi Wavelet ... 41
viii
DAFTAR GAMBAR
Gambar 2.1 (kiri) Citra kontinyu diproyeksikan ke array sensor; (kanan) Citra
hasil digitasi ... 7
Gambar 2.2 Representasi citra dalam matrik ... 8
Gambar 2.3 Citra RGB ... 9
Gambar 2.4 Citra Grayscale ... 10
Gambar 2. 5 Rumus menghitung nilai gray dari rgb ... 11
Gambar 2. 6 (a) Gelombang (wave), (b) wavelet. ... 12
Gambar 2. 7 Bankfilterhaar ... 13
Gambar 2. 8 Keluarga wavelet(a) Haar, (b) Daubechies4, (c) Coiflet1, (d) Symlet2, (e) Meyer, (f) Morlet, (g) Mexican Hat (Sripathi 2003) ... 14
Gambar 2.9 Transformasi Wavelet ... 15
Gambar 2. 10 Pemetaan vektor citra ... 19
Gambar 3.1 Diagram alir langkah penelitian ... 22
Gambar 3.2 Diagram alir perancangan program ... 24
Gambar 3. 3 Citra asli didekomposisi menghasilkan 4 subgambar (Aproksimasi, Detil Vertikal, Detil Horisontal, dan Detil Diagonal) ... 25
Gambar 3. 4 Persamaan LDA ... 26
Gambar 3. 5 Desain GUI ... 27
Gambar 3. 6 Diagram alir tahap pertama – ekstraksi ciri ... 29
Gambar 3. 7 Diagram alir tahap kedua – persamaan diskriminan ... 30
Gambar 3. 8 Diagram alir tahap pengujian ... 32
Gambar 3. 9 Rumus perhitungan akurasi ... 33
Gambar 4. 1 Implementasi GUI ... 35
Gambar 4. 2 Tampilan commandwindow program ... 37
Gambar 4. 3 Data kualitas baik, citra retak (a), (b); citra tidak retak (c), (d). ... 38
Gambar 4. 4 Data kualitas sedang, citra retak (a), (b); citra tidak retak (c), (d). .. 39
Gambar 4. 5 Data kualitas buruk, citra retak (a), (b); citra tidak retak (c), (d). .... 40
ix
Gambar 4. 7 Transformasi wavelet pada citra retak, (a) gambar CA, (b)
sub-gambar CH, (c) sub-sub-gambar CV, (d) sub-sub-gambar CD. ... 42
Gambar 4. 8 Transformasi wavelet pada citra tidak retak, (a) sub-gambar CA, (b) sub-gambar CH, (c) sub-gambar CV, (d) sub-gambar CD. ... 43
Gambar 4. 9 Scatterplot nilai rata-rata (mean) setelah transformasi (a) koefisien CA, (b) koefisien CH, (c) koefisien CV, (d) koefisien CD ... 44
Gambar 4. 10 Scatterplot nilai standar deviasi (std) setelah transformasi (a) koefisien CA, (b) koefisien CH, (c) koefisien CV, (d) koefisien CD 45 Gambar 4. 11 Persamaan LDA ... 45
Gambar 4. 12 Grafik scaterplot dari esktraksi ciri ... 46
Gambar 4. 13 Scatterplot pengujian citra kualitas baik ... 48
Gambar 4. 14 Scatterplot pengujian citra kualitas sedang ... 49
Gambar 4. 15 Contoh citra kualitas sedang yang terbaca error saat pengujian .... 49
Gambar 4. 16 Scatterplot pengujian citra kualitas buruk ... 50
x
DAFTAR TABEL
xi
DAFTAR LAMPIRAN
Lampiran 1. Citra Latih ... 55
Lampiran 2. Citra Uji ... 57
Lampiran 3. Skrip Program ... 61
xii INTISARI
Jalan sebagai prasarana transportasi darat berpengaruh besar terhadap kemajuan dan perkembangan suatu daerah. Jalan dibuat dengan bahan material yang mempunyai umur dan ketahanan tertentu. Terdapat beberapa hal yang dapat mempengaruhi kerusakan jalan, misalnya faktor bahan material itu sendiri, faktor alam, dan penggunaan jalan yang melebihi beban. Kondisi tersebut tentu akan mengganggu dan membahayakan pengguna jalan. Pemeriksaan jalan selama ini masih menggunakan cara tradisional yaitu dengan pengamatan secara manual dengan indra pengelihatan. Cara tradisional ini dirasa kurang efektif karena membutuhkan biaya yang lumayan besar, membutuhkan waktu yang lama, berbahaya karena intensitas kendaraan yang tinggi, faktor subyektifitas dan faktor kelelahan. Banyak cara untuk menemukan suatu metode untuk mendeteksi adanya retak jalan raya berbasis pengolahan citra. Namun, dari penelitian yang telah dilakukan masih ada beberapa kekurangan, misalnya harga perangkat yang mahal dan susahnya pengoperasian perangkat. Berdasarkan kekurangan pada penelitian yang telah ada, maka penelitian ini bertujuan untuk mengembangkan metode yang dapat mendeteksi adanya retak dengan perangkat yang lebih terjangkau dan pengoperasian yang mudah. Metode penelitian yang digunakan diawali dengan tahap pra pengolahan citra. Tahap pra pengolahan citra diawali dengan pengaturan ukuran citra dan konversi citra ke mode grayscale, kemudian dilakukan transformasi wavelet diskrit. Tahap selanjutnya adalah pengambilan ciri khusus citra sebagai masukan pada tahap klasifikasi dengan menghitung nilai rata-rata dan standar deviasi. Tahap yang terakhir yaitu menggunakan masukan ekstraksi ciri untuk pengklasifikasian citra menggunakan Liniear Discriminant Analysis
(LDA). Setelah melakukan pengujian terhadap 56 citra uji, hasil optimal yang diperoleh adalah sebesar 92.85%. Kesalahan pembacaan citra disebabkan oleh kualitas citra yang buruk, sehingga hasil ekstraksi ciri citra tidak dapat diklasifikasikan dengan benar.
BAB I PENDAHULUAN
1.1 Latar Belakang
Jalan merupakan salah satu prasarana transportasi yang menghubungkan satu tempat dengan tempat yang lainnya. Jalan sebagai prasarana transportasi berpengaruh besar terhadap kemajuan dan perkembangan pada suatu daerah. Transportasi darat menggunakan jalan sebagai prasarana untuk mengangkut kebutuhan pokok masyarakat Indonesia seperti sandang dan pangan. Jalan dibuat dengan bahan material yang mempunyai umur dan ketahanan tertentu. Terdapat beberapa hal yang dapat memengaruhi kerusakan jalan, misalnya faktor bahan material itu sendiri, faktor alam dan penggunaan jalan yang melebihi beban. Kondisi tersebut tentu akan mengganggu dan membahayakan pengguna jalan. Kecelakaan sering terjadi karena pengendara tidak dapat mengendalikan kendaraannya atau mengantisipasi adanya kerusakan jalan. Menurut Manual Pemeliharaan Jalan Bina Marga No.03/MN/B/1983, kerusakan jalan diklasifikasikan atas: retak (cracking), distorsi, cacat permukaan (disintegration), pengausan (polish aggregate), kegemukan (bleeding/flushing), penurunan bekas galian atau penanaman utilitas. Penelitian ini hanya fokus pada pemeriksaan jalan untuk mendeteksi adanya retak tanpa melakukan klasifikasi jenis retaknya.
membutuhkan waktu lama, berbahaya karena intensitas kendaraan berlalu lalang yang tinggi, faktor subyektifitas dan faktor kelelahan. Berdasarkan permasalahan tersebut maka diperlukan penelitian untuk menemukan metode baru guna menggantikan metode tradisional yang handal dan mempunyai tingkat akurasi tinggi.
Matlab adalah sebuah aplikasi pemrograman yang telah dikenal dalam pembuatan aplikasi untuk menunjang penelitian. Matlab menyediakan berbagai macam tools yang akan mempersingkat waktu penulisan program sehingga peneliti lebih berfokus pada hasil dan inovasi penelitian. Transformasi wavelet
adalah sebuah tools fungsi matematika matlab yang memotong-motong data menjadi kumpulan frekuensi yang berbeda, sehingga masing-masing komponen dapat diolah dan dianalisis. Analisis hasil transformasi wavelet dapat dilakukan dengan menggunakan Linear Discriminant Analysis (LDA). LDA adalah salah satu metode yang dipakai dalam statistik untuk mengklasifikasikan objek ke salah satu atau lebih kelompok berdasarkan ciri tertentu. Beberapa penerapan transformasi wavelet dan klasifikasi LDA pada bidang pengolahan citra digital antara lain pengenalan sidik jari, pengenalan objek dari gambar yang rumit, dan perbaikan gambar buram pada hasil mikroskop.
berdampak pada penanganan jalan rusak dengan lebih cepat demi kenyamanan bersama masyarakat pengguna jalan.
1.2
Rumusan MasalahBerdasarkan latar belakang yang telah diuraikan sebelumnya, perumusan masalah yang ada pada penelitian ini yaitu:
1. Bagaimana cara mengembangkan metode yang dapat mendeteksi adanya retak menggunakan perangkat dengan biaya terjangkau.
2. Bagaimana cara mendeteksi adanya retak permukaan jalan raya menggunakan perangkat yang mudah dioperasikan.
1.3 Tujuan Penelitian
Tujuan dari penelitian ini adalah membuat perangkat lunak untuk mendeteksi retak permukaan jalan raya berbasis pengolahan citra dengan menerapkan metode ekstraksi ciri wavelet dan klasifikasi LDA.
1.4
Batasan MasalahBatasan masalah yang ada pada penelitian ini adalah:
1. Analisis yang berfokus pada klasifikasi retak dan tidak retak tanpa menganalisis jenis dan tingkat keretakan.
1.5
Manfaat PenelitianManfaat yang diperoleh dari penelitian ini adalah:
1. Membantu pekerjaan pemeriksaan jalan pada dinas terkait sehingga meminimalkan kesalahan yang mungkin terjadi.
2. Mengetahui aplikasi pengolahan citra khususnya metode ekstraksi ciri
wavelet dalam deteksi retak permukaan jalan.
1.6
Sistematika PembahasanSistematika pembahasan dalam skripsi ini yaitu:
BAB I : Pendahuluan
Membahas mengenai latar belakang permasalahan, rumusan masalah, batasan masalah, tujuan dan manfaat penelitian serta sistematika pembahasan.
BAB II : Studi Pustaka
Membahas tentang landasan teori dan topik permasalahan yang akan dibahas, dalam hal ini topik yang akan dibahas antara lain tentang pengolahan citra, metode ekstraksi ciri wavelet dan metode klasifikasi LDA.
BAB III : Metodologi Penelitian
Bab ini berisi uraian rinci tentang urutan prosedur penelitian, bahan/materi, alat, parameter, analisis hasil, dan model yang digunakan
.
BAB IV : Analisis Data dan Pembahasan
Membahas tentang data hasil klasifikasi retak dan tingkat akurasi penelitian. BAB V : Penutup
BAB II STUDI PUSTAKA
2.1 Tinjauan Pustaka
T. C. Ling, dkk., (2008) dalam penelitiannya “Automated Pavement Imaging Program (APIP) for Pavement Cracks Classification and Quantification
– A Photogrammetric Approach”. Penggunaan sistem fotogrammetri dinilai sangat efektif dalam melakukan deteksi retak jalan raya, karena terbukti lebih efisien dibandingkan dengan cara manual dan terbukti lebih aman untuk para surveyor kerusakan jalan. Tingkat akurasi dari sistem ini dalam mendeteksi retak permukaan jalan raya sudah memenuhi standar yang ditetapkan oleh otoritas jalan untuk evaluasi perkerasan jalan. Pada penelitian ini 10 sampel yang diuji, fotogrammetri mempunyai hasil yang handal dan obyektif. Tingkat akurasi sistem ini mencapai 90%. Namun terdapat kekurangan pada penelitian ini karena perangkat kamera yang digunakan memiliki spesifikasi khusus dengan harga yang relatif mahal dan pengoperasiannya yang relatif rumit.
sensor atau untuk membuat zoom digital. Interpolasi bilinear menentukan nilai-nilai baru berdasarkan rata-rata (dengan memberi bobot) dari 4 piksel dari ukuran 2 x 2 piksel tetangga terdekat dalam gambar asli. Ambang segmentasi dapat dihitung berdasarkan histogram dari citra dan ekstraksi ciri. Hasil penelitian yang dilakukan oleh Zang dan Lou ini masih kurang jelas karena latar belakang berupa permukaan perkerasan masih nampak.
Sugiarto (2015) dalam penelitiannya “Deteksi Retak Permukaan Jalan Raya Berbasis Pengolahan Citra Menggunakan Metode Pyramida Gaussian”
menggunakan filter pyramida gaussian untuk menghilangkan derau pada saat pengambilan data citra yang disebabkan oleh faktor alamiah dan kepekaan sensor cahaya kamera. Pyramida gaussian terdapat 2 garis besar langkah dalam proses pengolahan yaitu down-sampling dan smoothing. Penelitian ini menggunakan metode klasifikasi Linear Discriminant Analysis (LDA) untuk mengklasifikasi citra termasuk retak atau tidak. Hasil dari penelitian ini cukup baik untuk mendeteksi adanya retak permukaan jalan raya.
dengan menggunakan transformasi wavelet dan klasifikasi LDA ini menghasilkan tingkat akurasi yang tinggi yaitu sebesar 98%.
2.2 Landasan Teori
2.2.1 Retak Jalan
Retak adalah suatu gejala kerusakan permukaan perkerasan sehingga akan menyebabkan air pada permukaan perkerasan masuk ke lapisan dibawahnya dan hal ini merupakan salah satu faktor yang akan membuat luas atau parah kerusakan jalan (Departemen Pekerjaan Umum, 2007).
2.2.2 Pengertian Citra Digital
Sebuah citra digital a [m, n] dideskripsikan dalam ruang diskrit 2D yang berasal dari sebuah citra analog a [x, y] pada sebuah ruang kontinyu melalui sebuah proses pengambilan sampling yang sering disebut sebagai digitasi. Efek dari sebuah digitasi, ditunjukkan pada Gambar 2.1
Gambar 2.1 (kiri) Citra kontinyu diproyeksikan ke array sensor; (kanan) Citra hasil digitasi
pada koordinat bilangan bulat [m, n] {m=0, 1, 2, 3… M-1} dan {n = 0,1,2,3… N-1} adalah sebuah [m, n].
Piksel merupakan balok-balok bangunan dasar dari sebuah citra digital. Sebuah piksel merupakan warna atau nilai kecemerlangan yang menempati sebuah tempat spesifik pada sebuah citra. Sebuah citra seperti sebuah grid dengan masing-masing kotak persegi di dalam grid berisi satu warna atau piksel. Sebuah citra 8 dengan resolusi 1024x768 adalah sebuah grid dengan 1024 kolom dan 768 baris, yang mana berisi 1024x768 = 786432 piksel. Banyaknya piksel pada sebuah citra tidak menunjukkan dimensi fisik dari sebuah citra. Dengan kata lain, satu piksel tidak sama dengan satu millimeter, satu micrometer atau satu nanometer.
Seberapa “luas” sebuah piksel akan tergantung pada pengaturan piksel per inch (PPI) untuk citra tersebut.
2.2.3 Pengertian Pengolahan Citra Digital
Citra digital direpresentasikan dengan matriks, sehingga operasi pada citra digital pada dasarnya memanipulasi elemen – elemen matriks. Operasi yang dapat dilakukan pada sebuah citra ada berbagai macam, diantaranya operasi titik, operasi global, operasi berbasis bingkai, operasi geometri, dan operasi bertetangga.
Gambar 2.2 menunjukkan representasi citra dalam matrik. Bentuk matriks adalah perwujudan dari bentuk sinyal digital sehingga proses pemecahan dan pengolahan matriks dari citra ini biasa disebut digital image processing.
2.2.4 Citra RGB
Citra warna atau lebih dikenal dengan citra RGB (red, green, blue). Citra RGB adalah citra yang warna dasar penyusunnya adalah merah, hijau, biru. Warna selain itu adalah warna hasil perpaduan dari ketiga warna tersebut. Red
(merah), Green (hijau), Blue (biru) merupakan warna dasar yang dapat diterima oleh mata manusia. Setiap piksel pada citra warna mewakili warna yang merupakan kombinasi dari ketiga warna dasar RGB. Setiap titik pada citra warna membutuhkan data sebesar 3 byte. Setiap warna dasar memiliki intensitas warna tersendiri dengan nilai minimum nol (0) dan nilai maksimum 255(8 bit). Ilustrasi citra RGB ditunjukkan pada Gambar 2.3
Citra warna dipandang sebagai penumpukan tiga matriks, masing-masing matriks merepresentasikan nilai-nilai merah, hijau dan biru pada setiap piksel, artinya setiap piksel berkaitan dengan tiga nilai (Sianipar, 2013).
2.2.5 Citra Abu-abu (Grayscale)
Citra grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pikselnya, dengan kata lain bagian red=green=blue. Nilai tersebut digunakan untuk menunjukkan tingkat intensitas. Warna yang dimiliki adalah warna dari hitam, keabuan dan putih. Tingkatan keabuan di sini merupakan warna abu dengan berbagai tingkatan dari hitam hingga mendekati putih (Darma, 2010).
Citra yang ditampilkan dalam mode grayscale terdiri atas warna abu-abu yang bervariasi, warna hitam pada intesitas terlemah dan warna putih pada intensitas terkuat. Citra grayscale berbeda dengan citra biner atau citra “hitam-putih”. Apabila citra hitam putih hanya mengenal dua warna yaitu “hitam” dan warna “putih” sedangkan grayscale mempunyai variasi yang banyak. Ilustrasi citra grayscale ditunjukkan pada Gambar 2.4
Citra grayscale disimpan dalam format 8bit untuk setiap pikselnya yang memungkinkan sebanyak 256 intensitas. Untuk mengubah citra berwarna (RGB) menjadi citra grayscale dapat dilakukan dengan menghitung rata-rata dari nilai R, G, dan B sehingga dapat dilihat pada Gambar 2.5
Gambar 2. 5 Rumus menghitung nilai gray dari rgb
2.2.6 Wavelet
Teori wavelet merupakan suatu konsep yang relatif baru dikembangkan. Kata “wavelet” diberikan oleh Jean Morlet dan Alex Grossmann pada awal tahun 1980-an, dan berasal dari bahasa Perancis, “ondelette” yang artinya gelombang kecil. Kata “onde” yang berarti gelombang kemudian diterjemahkan kedalam bahasa inggris menjadi “wave”, kemudian digabungkan dengan kata aslinya sehingga terbentuklah kata baru “wavelet”.
Gelombang (wave) adalah sebuah fungsi yang bergerak naik turun ruang dan waktu secara periodik yang ditunjukkan oleh Gambar 2.6 (a). Sedangkan
wavelet merupakan gelombang yang dibatasi atau terlokalisasi (gelombang pendek) ditunjukkan pada Gambar 2.6 (b). Wavelet pertama kali digunakan dalam analisis dan pemrosesan digital dari sinyal gempa bumi, yang tercantum dalam literatur A. Grossman dan J. Morlet (Kiselev, 2007). Penggunaan wavelet hingga saat ini semakin berkembang dan digunakan secara luas, misalnya filterasi dan pengolahan data, pengenalan citra, pengolahan berbagai variasi sinyal, kompresi dan pengolahan citra. Ilustrasi gelombang wavelet ditunjukkan pada Gambar 2.6
a b
Gambar 2. 6 (a) Gelombang (wave), (b) wavelet.
Wavelet merupakan suatu teknik perhitungan matematis yang bermanfaat untuk analisis numerik dan memanipulasi dalam 1 (satu) atau 2 (dua) dimensi sinyal. Transformasinya beroperasi seperti sebuah mikroskop yang berfungsi untuk melihat detail partisi sinyal di dalam komponen frekuensi dan memetakan ke koefisien yang memiliki energi yang berbeda (Jones et al. 1999). Cara kerja
wavelet adalah memotong-motong data menjadi bagian tertentu dengan frekuensi yang berbeda, sehingga masing-masing bagian tersebut dapat diolah kemudian dijadikan bahan analisis.
2.2.7 WaveletHaar
Gambar 2. 7 Bank filter haar
2.2.8 Transformasi Wavelet
Wavelet berasal dari sebuah fungsi penskalaan atau disebut juga scaling function karena wavelet didapatkan dari hasil penskalaan, dilasi dan pergeseran
mother wavelet (Darma, 2010). Dengan menggunakan transformasi wavelet
informasi frekuensi berikut informasi waktu kapan terjadinya frekuensi tersebut pada sinyal dapat diketahui secara presisi. Semua fungsi yang diturunkan dari
mother wavelet melalui translasi atau pergeseran dan penskalaan atau kompresi.
Gambar 2. 8 Keluarga wavelet (a) Haar, (b) Daubechies4, (c) Coiflet1, (d) Symlet2, (e) Meyer,
(f) Morlet, (g) Mexican Hat (Sripathi 2003)
Maka dari itu pemilihan mother wavelet sebagai dasar transformasi harus tepat agar berjalan efisien. Wavelet haar adalah salah satu wavelet tertua dan paling sederhana. Oleh karena itu setiap pembahasan mother wavelet dimulai dengan wavelet haar. Berdasarkan jenis sinyal yang diprosesnya, transformasi
wavelet dapat dibagi menjadi dua bagian besar, yaitu Continous Wavelet Transform (CWT) dan Discrete Wavelet Transform (DWT).
1. Continous Wavelet Transform (CWT)
2. Discrete Wavelet Transform (DWT)
Sinyal dilewatkan pada filter high-pass dan filter low-pass, kemudian setengah dari masing-masing keluaran diambil sebagai sampel melalui operasi down-sampling atau disebut sebagai proses dekomposisi satu tingkat. Keluaran dari low-pass filter digunakan sebagai masukan pada proses dekomposisi tingkat berikutnya. Proses ini diulang sampai tingkat proses dekomposisi yang diinginkan. Kemudian didapatkan koefisien wavelet yang merupakan gabungan dari keluaran high-pass
filter dan low-pass filter yang terakhir. Koefisien wavelet berisi informasi sinyal hasil transformasi yang telah terkompresi.
Pada transformasi discrete wavelet transform, sebuah gambar di dekomposisi menjadi subgambar (subband) pada frekuensi dan orientasi yang berbeda, yaitu low-low (LL), low-high (LH), high-low (HL), dan high-high (HH). Ilustrasi transformasi wavelet diskrit ditunjukkan pada Gambar 2.9
2.2.9 Ekstraksi Ciri
Ekstraksi ciri merupakan proses memunculkan karakteristik unik suatu objek dalam bentuk nilai yang nantinya digunakan sebagai bahan analisis. Untuk mendapatkan nilai dari suatu ciri dapat dilakukan dengan cara menghitung jumlah titik atau piksel yang ditemui pada saat pengecekan, dimana pengecekan dilakukan dalam berbagai arah yaitu vertikal, horizontal, diagonal kanan, diagonal kiri pada koordinat kartesian dari citra digital. Ciri citra dihitung mengunakan rumus sebagai berikut:
1. Rata-rata
=
Nilai rata-rata dihitung dengan cara menjumlahkan nilai setiap piksel mulai dari piksel ke-1sampai piksel ke-N kemudian dibagi dengan jumlah piksel.
2. Standar Deviasi
= −
2.2.10 Linear Discriminant Analysis (LDA)
Analisis diskriminan adalah salah satu teknik analis statistika dependensi yang memiliki kegunaan untuk mengklasifikasikan beberapa kelompok objek. Pengelompokkan dengan analisis diskriminan ini terjadi karena pengaruh satu atau lebih variabel lain yang merupakan variabel independen. Kombinasi linier dari variabel-variabel ini akan membentuk suatu fungsi diskriminan (Tatham et. al., 1998).
LDA diketahui oleh masyarakat luas setelah Ronald A. Fisher sebagai penemu metode ini mempublikasikannya melalui paper The Use of Multiple Measures in Taxonomic Problems pada tahun 1936. LDA adalah salah satu metode yang dipakai pada bidang statistik, pengenalan pola secara umum untuk menemukan kombinasi linier dari fitur atau ciri yang membedakan dua kelas atau lebih objek. Penyusunan fungsi diskriminan dilakukan dengan membentuk kombinasi linier dari peubah bebas yang diamati dan akan memberikan nilai keragaman sekecil mungkin bagi objek-objek dalam kelompok yang sama dan sebesar mungkin bagi objek-objek antar kelompok (Salwa, 2007). Penggunaan satu fungsi diskriminan dalam pengklasifikasian lebih dari dua kelompok kurang efektif, sehingga diperlukan dua atau lebih kombinasi linier yang dapat menerangkan perbedaan antar kelompok dengan efektif (Dillon & Goldstein, 1984)
(exhaustive) berdasarkan sejumlah variabel bebas dan mengelompokkan objek baru kedalam kelompok-kelompok yang saling lepas tersebut. Selain itu, beberapa tujuan dari analisis diskriminan ini antara lain:
1. Menentukan apakah terdapat perbedaan yang nyata antara beberapa karakteristik yang diteliti dalam membedakan dua atau lebih kelompok. 2. Menentukan variabel bebas mana saja yang memberikan kontribusi penting
dalam membedakan nilai rata-rata diskriminan dari dua atau lebih kelompok. 3. Mengelompokkan data kedalam dua atau lebih kelompok berdasarkan
karakteristik data yang diteliti.
Model analisis diskriminan yang berkenaan dengan kombinasi linier mempunyai bentuk sebagai berikut:
= + + + ⋯ +
Keterangan:
Y = nilai (skor) diskriminan dan merupakan variabel terikat.
Xk = variabel (atribut) ke-k dan merupakan variabel bebas
bk = koefisien diskriminan/bobot dari variabel (atribut) ke-k
Dalam proses deteksi retak permukaan jalan raya menerima masukan berupa citra hasil capture berformat .jpeg atau .jpg kemudian diubah ke format
merepresentasikan tingkat keabuan dari piksel pada posisi yang bersesuaian. Nilai-nilai keabuan dari suatu citra kemudian disimpan dalam bentuk vektor baris, yang disebut sebagai vektor citra. Gambar 2.10 menunjukkan penyimpanan vektor citra kedalam matriks input berdimensi N x n.
Gambar 2. 10 Pemetaan vektor citra
Cara kerja sistem ini adalah menggunakan data latih dan data uji yang kemudian dikeluarkan nilai-nilai statistik cirinya (feature) sebagai input
BAB III
METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian
3.1.1 Alat
Alat yang digunakan dalam penelitian ini adalah:
a. Hardware
a. Prosesor : AMD A8-6410 APU (4 CPUs), ~2.0 GHz b. Memori : 8192 MB
c. Sistem Model : Lenovo G40-45 b. Software
a. Sistem Operasi : Microsoft Windows 10 Pro 64-bit
b. Matlab 8.2 (R2013b)
3.1.2 Bahan Penelitian
dan citra uji. Pada citra latih terdapat 15 citra retak dan 15 citra tidak retak, sedangkan pada citra uji terdapat 28 citra retak dan 28 citra tidak retak.
3.2 Langkah Penelitian
Mulai
Gambar 3.1 Diagram alir langkah penelitian
3.2.1 Studi Literatur
mendapatkan informasi tersebut, dilakukan analisis untuk mendapatkan solusi dari permasalahan yang diangkat.
3.2.2 Klasifikasi Manual
Klasifikasi manual dilakukan dengan mengelompokkan citra berdasarkan tipe retak dan tidak retak. Hal ini dilakukan sebagai tolok ukur dalam menghitung tingkat akurasi program melalui perbandingan klasifikasi manual dan menggunakan program. Hasil akhir yang nantinya akan digunakan adalah apabila klasifikasi manual dan program mmenghasilkan keputusan yang sama akan dihitung sebagai nilai benar dan apabila tidak sama maka akan dihitung sebagai nilai salah.
3.2.3 Perancangan Program
Mulai
Gambar 3.2 Diagram alir perancangan program
Pra Pengolahan Citra
Tahap pra pengolahan citra bertujuan untuk menyeragamkan citra input
Transformasi Wavelet
Citra yang telah diubah ke mode grayscale kemudian ditransformasi pada frekuensi sub-gambar dimana komponennya dihasilkan dengan cara penurunan level dekomposisi. Penerapan transformasi wavelet diskrit dapat dilakukan dengan cara melewatkan sinyal frekuensi tinggi (highpass filter) dan frekuensi rendah (lowpass filter). Citra asli dan hasil dekomposisi ditunjukkan pada Gambar 3.3
Gambar 3. 3 Citra asli didekomposisi menghasilkan 4 sub-gambar (Aproksimasi, Detil Vertikal, Detil
Horizontal, dan Detil Diagonal)
Ekstraksi Ciri
Y = K + L(1)*X1 + L(2)*X2
Gambar 3. 4 Persamaan LDA Klasifikasi
Metode klasifikasi yang digunakan dalam penelitian ini adalah metode
Linear Discriminant Analysis (LDA). Klasifikasi dibagi menjadi 2 kelas yaitu kelas retak dan kelas tidak retak. Metode klasifikasi ini menggunakan dua input
yaitu nilai-nilai hasil ekstraksi ciri. Fungsi mathwork yang digunakan pada penelitian ini adalah
Nilai K, L (1) dan L (2) didapatkan dari proses klasifikasi citra latih sedangkan X1 dan X2 didapatkan dari proses ekstraksi ciri 1 dan ekstraksi ciri 2.
3.2.4 Desain GUI
Gambar 3. 5 Desain GUI
Rancangan desain pada gambar diatas berisi beberapa informasi yaitu nama program, tombol pilih folder yang berguna untuk memilih citra yang akan diuji kemudian ditampilkan kedalam daftar gambar. Setelah proses pengolahan citra informasi lokasi citra, citra hasil transformasi ditunjukkan dalam empat hasil, dan informasi tentang hasil penghitungan citra sebagai ekstraksi ciri. Citra asli sebelum proses transformasi ditampilkan agar pengguna dapat membandingkan citra hasil transformasi dengan citra sebelum ditransformasi. Pada rancangan ini ditampilkan juga hasil dari keputusan program yaitu klasifikasi citra yang diproses termasuk citra retak atau citra tidak retak.
3.2.5 Penyusunan Program
program yaitu ekstraksi ciri, hasil dari ekstraksi ciri diproses untuk mendapatkan persamaan diskriminan yang digunakan sebagai parameter klasifikasi kelas retak atau kelas tidak retak kemudian tahap yang terakhir yaitu tahap pengujian pada citra uji.
1. Tahap 1 – Ekstraksi Ciri
Tahap pertama adalah tahap ekstraksi ciri untuk membedakan tekstur objek satu dengan yang lainnya. Ekstraksi ciri dapat dicari dengan menggunakan perhitungan statistik citra. Penelitian ini mendapatkan nilai ekstraksi ciri dengan cara menghitung nilai rata-rata dan standar deviasi citra setelah melalui transformasi wavelet.
Langkah pertama diawali dengan pembacaan citra RGB pada folder aktif dengan fungsi imread yang disimpan kedalam variabel RGB. Kemudian dilakukan fungsi resize untuk menyeragamkan citra input dengan ukuran 480 x 640. Setelah diresize kemudian citra RGB diubah menjadi mode grayscale dengan fungsi
rgb2gray. Citra grayscale digunakan sebagai input dalam fungsi dwt2 untuk proses dekomposisi dan menghasilkan nilai-nilai CA, CH, CV, CD. Untuk mendapatkan ciri dari setiap citra maka dilakukan perhitungan rata-rata (mean) dengan fungsi mean2 dan standar deviasi dengan fungsi std2 dari nilai CA setiap citra. Nilai-nilai ekstraksi ini kemudian disimpan di workspace matlab dengan
Mulai
Baca Direktori
Baca Citra RGB (imread)
Resize Citra (imresize)
Ubah Citra ke Gray (rgb2gray)
Transformasi Wavelet (dwt2)
Hasil Ekstraksi Ciri Ekstraksi Ciri
Simpan Ekstraksi Ciri ke Database
Gambar 3. 6 Diagram alir tahap pertama – ekstraksi ciri
2. Tahap 2 – Persamaan Diskriminan
persamaan diskriminan. Diagram alir persamaan diskriminan ditunjukkan pada Gambar 3.7
Hasil Ekstraksi Ciri
Panggil Database Ekstraksi Ciri
Grafik Scatter Plot
Persamaan LDA
Hitung Konstanta K dan L
Simpan Konstanta K dan L ke Database
Hasil Konstanta K dan L
Gambar 3. 7 Diagram alir tahap kedua – persamaan diskriminan
3. Tahap 3 - Pengujian
ukurannya menjadi 480 x 640 piksel. Tujuan dari pengubahan ukuran ini adalah agar citra uji mempunyai ukuran yang seragam sehingga hasil pengujian menjadi lebih obyektif. Citra uji dengan mode RGB hasil resize kemudian diubah ke mode
grayscale atau ke aras keabuan. Citra grayscale ini menjadi masukan dalam transformasi wavelet dan menghasilkan empat buah sub gambar. Untuk mendapatkan nilai ciri dari citra maka dihitung nilai rata-rata (mean) dan standar deviasi. Nilai rata-rata dan nilai standar deviasi digunakan sebagai nilai masukan dalam persamaan diskriminan. Langkah ini sama persis dengan tahap pertama pada citra latih. Hasil ekstraksi ciri dimasukkan kedalam persamaan diskriminan untuk mendapatkan nilai y.
Mulai
3.2.6 Pengujian
Pengujian merupakan sebuah proses mengoperasikan sistem atau program dalam kondisi tertentu, melakukan pengamatan dari hasil pengujian dan membuat evaluasi terhadap beberapa bagian yang kurang optimal. Pengujian juga berfungsi untuk mengidentifikasi dan mengungkapkan berbagai kesalahan yang mungkin akan terjadi. Setelah melakukan identifikasi kesalahan dapat mencari solusi dari kesalahan tersebut dan melakukan pengujian ulang.
Pengujian program deteksi retak bertujuan untuk mendapatkan program deteksi retak jalan raya yang optimal dengan cara mengubah parameter dan nilai variabel pada algoritma. Cara yang digunakan pada tahap ini adalah membandingkan hasil deteksi program dengan hasil deteksi secara manual. Hasil pengujian ini adalah sebuah persentase tingkat akurasi program. Perhitungan persentase dihitung dengan rumus:
Akurasi adalah suatu nilai yang digunakan untuk mengetahui tingkat keberhasilan program yang telah dibuat. Data benar adalah hasil dari pembacaan program yang benar yang dibandingkan dengan klasifikasi manual.
3.2.7 Analisis dan Pembahasan
Kegiatan analisis adalah sebuah pengolahan data yang disajikan dalam bentuk informasi, sehingga data-data tersebut dapat mudah dipahami dan bermanfaat untuk menjawab permasalahan yang berkaitan dengan kegiatan
= %
penelitian. Kegiatan analisis program bertujuan untuk mengetahui perbedaan antara kebutuhan yang diperlukan dengan kondisi program saat ini dan mengevaluasi fitur-fitur dari program. Program yang telah disusun kemudian dianalisis terhadap algoritma yang digunakan agar menghasilkan program yang optimal.
3.2.8 Penulisan Laporan
BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
4.1 Implementasi GUI
GUI diimplementasikan sesuai dengan program pengolah citra dan klasifikasi pada tahap sebelumya. GUI bertujuan untuk memudahkan pengguna mengidentifikasi suatu citra jalan raya. Implementasi GUI ditunjukkan pada Gambar 4.1
Gambar 4. 1 Implementasi GUI
Pada GUI ini terdapat 1 tombol dan 5 informasi utama pada aplikasi. Penjelasan fungsi dari setiap bagian program adalah sebagai berikut:
2. Fullpath menunjukkan lokasi file citra di folder aktif.
3. Hasil Dekomposisi menujukkan hasil citra setelah melalui proses dekomposisi wavelet, terdapat 4 citra hasil yaitu CA, CH, CV dan CD. 4. Hasil Penghitungan menunjukkan nilai rata-rata, nilai standar deviasi, dan
nilai y hasil dari persamaan LDA.
5. Keputusan klasifikasi retak atau tidak retak berdasarkan pada nilai y. 6. Citra asli menujukkan citra sebelum didekomposisi.
7. Daftar citra menunjukkan seluruh citra yang terdapat dalam folder aktif, citra akan otomatis diproses ketika pengguna melakukan klik pada nama citra yang kemudian program akan menampilkan hasil klasifikasi.
Gambar 4. 2 Tampilan command window program
Command Window menampilkan beberapa informasi yaitu: nama citra, nilai y, keputusan apakah citra termasuk retak atau tidak retak dan akurasi program dalam persen.
4.2 Data Citra
4.2.1 Data Kualitas Baik
Data dengan kualitas baik adalah citra yang dapat diolah dengan baik dan mengasilkan keputusan yang tepat sesuai dengan klasifikasi manual. Citra tipe ini mempunyai retak yang mudah dikenali karena mempunyai kontras warna yang berbeda dengan latar belakang sedangkan citra tidak retak menampilkan jalan raya yang mulus tanpa retak. Beberapa contoh data dengan kualitas baik ditampilkan pada Gambar 4.3.
(a) (b)
(c) (d)
4.2.2 Data Kualitas Sedang
Data dengan kualitas sedang adalah citra yang dapat diolah dengan baik dan mengasilkan keputusan yang benar sesuai dengan klasifikasi manual. Citra tipe ini mempunyai retak yang kurang jelas sehingga agak sulit dikenali karena mempunyai kontras warna yang hampir sama dengan latar belakang sedangkan citra tidak retak menampilkan jalan raya yang kurang mulus. Beberapa contoh data dengan kualitas sedang ditampilkan pada Gambar 4.4.
(a) (b)
(c) (d)
Gambar 4. 4 Data kualitas sedang, (a), (b) citra retak; (c), (d) citra tidak retak.
4.2.3 Data Kualitas Buruk
dikenali karena mempunyai kontras warna yang sama dengan latar belakang. Contoh data kualitas buruk ditunjukkan pada Gambar 4.5.
(a) (b)
(c) (d)
Gambar 4. 5 Data kualitas buruk, (a), (b) citra retak; (c), (d) citra tidak retak.
4.3 Hasil Perancangan Program
4.3.1 Pra Pengolahan Citra
(a) (b)
Gambar 4. 6 (a) Citra RGB; (b) Citra Grayscale.
4.3.2 Transformasi Wavelet
Gambar dalam format grayscale kemudian dilewatkan pada filter high-pass dan filter low-pass, kemudian setengah dari masing-masing keluaran diambil sebagai sampel melalui operasi down-sampling atau disebut sebagai proses dekomposisi satu tingkat. Kemudian didapatkan koefisien wavelet yang merupakan gabungan dari keluaran high-pass filter dan low-pass filter yang terakhir. Koefisien wavelet berisi informasi sinyal hasil transformasi yang telah terkompresi. Transformasi wavelet menghasilkan empat buah koefisien yaitu:
(a) (b)
(c) (d)
Gambar 4. 7 Transformasi wavelet pada citra retak,
(a) sub-gambar CA, (b) sub-gambar CH, (c) sub-gambar CV, (d) sub-gambar CD.
Gambar 4.7 menunjukkan empat buah sub-gambar hasil transformasi
(a) (b)
(c) (d)
Gambar 4. 8 Transformasi wavelet pada citra tidak retak,
(a) sub-gambar CA, (b) sub-gambar CH, (c) sub-gambar CV, (d) sub-gambar CD.
(a) (b)
(c) (d)
Gambar 4. 9 Scatter plot nilai rata-rata (mean) setelah transformasi
(a) koefisien CA, (b) koefisien CH, (c) koefisien CV, (d) koefisien CD
Gambar 4.9 menunjukkan grafik scatter nilai rata-rata (mean) koefisien hasil transformasi wavelet diskrit pada ke 30 citra latih. Sumbu X menunjukkan
(a) (b)
(c) (d)
Gambar 4. 10 Scatter plot nilai standar deviasi (std) setelah transformasi
(a) koefisien CA, (b) koefisien CH, (c) koefisien CV, (d) koefisien CD
4.3.3 Klasifikasi
Hasil ekstraksi ciri 30 citra latih yaitu nilai rata-rata dan standar deviasi kemudian disimpan kedalam file database dengan ekstensi file .mat (dot mat).
File tersebut dipanggil kemudian dimasukkan kedalam suatu persamaan diskriminan untuk mendapatkan persamaan baru sebagai acuan program untuk membuat keputusan citra retak atau tidak retak. Persamaan diskriminan ditunjukkan pada Gambar 4.11
Nilai rata-rata (mean) dimasukkan sebagai X1 dan nilai standar deviasi sebagai X2. Variabel K dan L adalah konstanta yang didapatkan setelah X1 dan X2 dimasukkan pada proses pelatihan menggunakan 30 citra latih. Kemudian nilai K dan L dimasukkan kedalam persamaan pada citra uji untuk membuat keputusan citra retak atau tidak retak.
Gambar 4. 12 Grafik scater plot dari esktraksi ciri
Gambar 4.12 menunjukkan data klasifikasi citra latih dengan simbol (x) berwarna merah menunjukkan citra retak dan simbol (o) berwarna biru menunjukkan citra tidak retak. Garis lurus berwarna merah sebagai batas pemisah antara citra kelas retak dan tidak retak. Nilai yang didapatkan dari tahap ini ditunjukkan pada Tabel 1
Tabel 1. Nilai K, L (1), L (2) hasil persamaan LDA
Variabel Nilai
K -74.5443
L(1) 0.2691
Nilai K, L(1) dan L(2) selajutnya dimasukkan kedalam persamaan LDA menjadi
Y = -74.5443 + 0.2691*X1 + (-0.2699)*X2
Persamaan yang telah didapatkan kemudian dimasukkan kedalam program deteksi pada citra uji. Seperti pada tahap pelatihan X1 diisi oleh nilai rata-rata CA dan X2 diisi oleh nilai standar deviasi CA. Hasil dari persamaan LDA ini adalah nilai y sebagai hasil diskriminan. Untuk menentukan citra digunakan sebuah rule base atau aturan berdasarkan nilai Y, yaitu: jika hasil persamaan Y kurang dari atau sama dengan nol (Y <= 0), maka citra termasuk citra retak, jika tidak maka citra termasuk tidak retak.
4.4 Hasil Pengujian
Data citra kualitas baik terdiri dari 9 citra retak dan 9 citra tidak retak kemudian diuji dengan program yang telah disusun. Hasil scatter plot citra kualitas baik ditunjukkan oleh Gambar 4.13 dengan simbol “x” berwarna merah mewakili citra retak dan simbol “o” berwarna biru mewakili citra tidak retak. Dari hasil scatter plot tersebut dapat diamati bahwa kedua kelas (retak dan tidak retak) terpisah secara keseluruhan oleh garis merah yaitu persamaan linier yang sebelumnya telah ditentukan. Artinya pengujian pada citra dengan kualitas baik mendapatkan nilai akurasi hingga 100%.
Gambar 4. 13 Scatter plot pengujian citra kualitas baik
Data citra kualitas sedang terdiri atas 9 citra retak dan 10 citra tidak retak. Hasil scatter plot pengujian terhadap citra kualitas sedang ditunjukkan oleh Gambar 4.14. Gambar tersebut dapat diamati bahwa ada symbol “o” berwarna biru yang masuk ke area “x” atau melewati garis pembatas berwarna merah. Data citra ini adalah data yang dibaca sebagai citra retak oleh sistem, secara visual
adalah citra tidak retak. Begitu juga sebaliknya ada citra yang secara visual
diklasifikasikan sebagai citra retak, namun oleh sistem dibaca sebagai citra retak. Pengujian pada citra kualitas sedang mencapai akurasi sebesar 94.7 %.
Gambar 4. 14 Scatter plot pengujian citra kualitas sedang
Data citra kualitas buruk pada pengujian ini terdiri dari 10 citra retak dan 9 citra tidak retak. Scatter plot hasil pengujian terhadap citra kualitas buruk
ditunjukkan oleh Gambar 4.16. Dari gambar tersebut terdapat beberapa citra yang dengan jelas melewati garis merah persamaan LDA. Data citra yang dibaca salah oleh program ini disebabkan oleh kualitas citra yang tidak baik, sehingga program tidak bisa membedakan atau mengklasifikasikan data citra dengan benar. Citra kualitas buruk secara visual agak susah dibedakan mana yang retak dan tidak retak karena pada citra yang terdapat retak kurang begitu jelas adanya retak dan seringkali sulit dibedakan dengan latar belakang. Citra tidak retak yang dibaca sebagai citra retak juga demikian, warna latar belakang citra mempunyai intensitas cahaya yang kurang atau redup sehingga terbaca sebagai citra retak. Akurasi yang didapatkan setelah pengujian pada citra kualitas buruk adalah 84.2 %.
Gambar 4. 16 Scatter plot pengujian citra kualitas buruk
Hasil pengujian terhadap citra berdasarkan kualitasnya dirangkum dalam Tabel 2
Tabel 2. Tabel hasil pengujian
Data pada Tabel 2 diatas dapat diketahui bahwa akurasi tertinggi setelah digunakan pada 56 citra uji. Error yang terjadi pada saat pengujian pada citra kualitas sedang adalah satu citra yang secara visual diklasifikasikan sebagai citra retak, sedangkan pengujian menggunakan program diklasifikasikan sebagai citra tidak retak. Error pada saat pengujian citra kualitas buruk terdapat satu citra secara visual diklasifikasikan sebagai citra retak, sedangkan menggunakan program dinyatakan sebagai citra tidak retak. Citra berkualitas buruk juga terdapat dua citra secara visual diklasifikasikan sebagai citra tidak retak sedangkan menggunakan program diklasifikasikan sebagai citra retak. Secara keseluruhan
(a) (b) (c)
Gambar 4. 17Contoh citra kualitas buruk yang terbaca error saat pengujian
Kualitas Citra Citra Jumlah Error Akurasi
Retak Tidak Retak
Baik 9 9 0 100%
Sedang 9 10 1 94,7%
pengujian pada 56 citra uji terdapat 4 citra dengan kesalahan klasifikasi atau dinyatakan sebagai error.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari penelitian ini dapat disimpulkan beberapa hal dalam deteksi retak permukaan jalan raya berbasis pengolahan citra menggunakan metode ekstraksi ciri dan klasifikasi LDA, yaitu:
1. Sistem perangkat lunak yang dikembangkan dalam penelitian ini dapat mendeteksi retak jalan raya dengan cukup baik dengan akurasi optimal 92.85%.
2. Ciri berupa nilai rata-rata dan standar deviasi dapat digunakan dengan baik untuk membuat sistem deteksi retak permukaan jalan raya.
3. Kesalahan pembacaan terjadi karena faktor intensitas pencahayaan pada saat pengambilan data yang mempengaruhi ekstraksi ciri citra.
5.2 Saran
Saran untuk penelitian selanjutnya yang berkaitan dengan penelitian ini yaitu:
1. Memperbanyak ekstraksi ciri lainnya misalnya energi, entropi dan homogeniti.
DAFTAR PUSTAKA
Darma, P. (2010). Citra Digital dan Ekstraksi Fitur. Yogyakarta: Graha Ilmu. Deepika , S. (2003). Efficient Implementations of Discrete Wavelet Transform
using FPGAs. Florida University.
Dillon, W. R., & Goldstein, M. (1984). Multivariate Analysis Methods and Applications. Canada.
Gonzalez, R., & Wood, R. E. (2008). Digital Image Processing Third Edition.
Pearson Prentice Hall.
Kiselev, A. (2007). Fundamentals of the Wavelets Transform Theory.
M. Mustaffar, T. C. (2008). Automated Pavement Imaging Program (APIP) for Pavement Cracks Cassification and Quantification – A Photogrammetric Approach. Remote Sensing and Spatial Information Sciences, XXXVII, B4. Riyadi, S., Ishak, A. J., Mustafa, M. M., & Hussain, A. (2008). Wavelet-Based
Feature Extraction Technique For Fruit Shape Classification. Proceeding of the 5th International Symposium on Mechatronics and its Applications (ISMA08).
Salwa, N. (2007). Analisis Regresi Ordinal dan Analisis Diskriminan untuk Klasifikasi Keberhasilan Anggota LPP-UMKM Kabupaten Tangerang.
Jurusan Statistika FMIPA IPB, Bogor.
Sianipar, R. (2013). Pemograman MATLAB dalam Contoh dan Terapan.
Bandung: Penerbit Informatika.
Sonari, S. S. (2013). Identifikasi Mangrove Berbasis Citra Daun Menggunakan KNN dengan Ekstraksi Tekstur Wavelet. Bogor: Departemen Ilmu Komputer, IPB.
Sugiarto, A. (2015). Deteksi Retak Permukaan Jalan Raya Berbasis Pengolahan Citra Menggunakan Metode Pyramida Gaussian. Yogyakarta: Universitas Muhammadiyah Yogyakarta.
38. data(24) = 0;
59. disp('Step 1 - Feature Extraction: DONE')
13. f = @(x1,x2)K+L(1)*x1+L(2)*x2;
19. disp('Step 2 - LDA Function: DONE')
Tahap 3 – Pengujian
6. path = 'D:\Image Processing\FullImage\Uji'; %'
7. fileNames = dir(fullfile(path, '*.JPG'));
8. RGB = cell(length(fileNames),1);
9. RESIZE = cell(length(fileNames),1);
77. for k = 1:length(fileNames)
78. filename = fileNames(k).name;
79. RGB{k} = imread(filename);
80. RESIZE{k} = imresize(RGB{k}, [480 640]);
