ANALISIS THRESHOLD UNTUK MENGEKSTRAKSI JALAN
DARI FOTO UDARA
SKRIPSI
MUHAMMAD IQBAL
051401026
PROGRAM STUDI S1 ILMU KOMPUTER
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
ANALISIS THRESHOLD UNTUK MENGEKSTRAKSI JALAN DARI FOTO UDARA
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Komputer
MUHAMMAD IQBAL 051401026
PROGRAM STUDI S1 ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
ii
PERSETUJUAN
Judul : ANALISIS THRESHOLD UNTUK
MENGEKSTRAKSI JALAN DARI FOTO UDARA
Kategori : SKRIPSI
Nama : MUHAMMAD IQBAL
Nomor Induk Mahasiswa : 051401026
Program Studi : SARJANA (S1) ILMU KOMPUTER
Departemen : ILMU KOMPUTER
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, 23 Juli 2010
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Ir. Arman Sani, MT Syahril Efendi, S.Si, MIT
NIP. 19631128 199103 1 003 NIP. 196711101996021001
Diketahui/Disetujui oleh
Program Studi S1 Ilmu Komputer Ketua,
iii
PERNYATAAN
ANALISIS THRESHOLD UNTUK MENGEKSTRAKSI JALAN DARI FOTO UDARA
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Juli 2010
PENGHARGAAN
Alhamdulillah, puji syukur saya panjatkan kehadirat Allah SWT, yang telah memberikan rahmat dan hidayah-Nya serta segala sesuatunya dalam hidup, sehingga saya dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, Program Studi S1 Ilmu Komputer Universitas Sumatera Utara.
Ucapan terima kasih yang sebesar – besarnya saya sampaikan kepada Bapak Syahril Efendi, S.Si. MIT selaku Dosen Pembimbing I dan Bapak Ir. Arman Sani, MT sebagai Dosen Pembimbing II yang telah memberikan bimbingan, saran, dan masukan kepada saya untuk enyempurnakan skripsi ini. Selanjutnya kepada para Dosen Penguji Bapak Syahriol Sitorus, S.Si, MIT dan Bapak M. Andri Budiman, ST, McompSc, MEM atas saran dan kritikan yang sangat berguna bagi saya. Ucapan terima kasih juga ditujukan kepada Ketua dan Sekretaris Program Studi S1 Ilmu Komputer, Bapak Prof. Dr. Muhammad Zarlis dan Bapak Syariol Sitorus, S.Si,MIT, Dekan dan Pembantu Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara, semua dosen Program Studi S1 Ilmu Komputer FMIPA USU, dan pegawai di FMIPA USU.
Skripsi ini penulis persembahkan untuk kedua orang tua penulis yang telah memberikan segalanya baik moril maupun materil yang tidak terbalaskan kepada penulis selama menyelesaikan skripsi ini. Dan juga untuk abang, kakak dan adik penulis Joni, Herri, Irfan, Reni, dan Anis yang selalu memfasilitasi dan memotivasi penulis dalam menyelesaikan skripsi ini. Dan juga untuk keluarga angkat penulis Wak Yul, Wak Adi, Kak Inun dan Dicky yang selalu memotifasi dan memberi tempat tinggal untuk penulis. Tak lupa kepada seluruh pegawai Bappeda Kab. Pidie Jaya yang telah banyak memberi izin dan dukungan kepada penulis selama menyelesaikan skripsi ini. Dan untuk sahabat penulis Ridho, Ikhsan, Delan, Nandar, Adi, Vera, Kak Ai dan seluruh teman-teman angkatan 2005 dan Imilkom yang selalu berusaha menjadi sahabat terbaik dan tidak mudah putus asa. Terima kasih yang sangat khusus penulis tujukan kepada kekasih penulis Conie Georgina dan keluarganya yang selalu mengingatkan dan memotivasi penulis dalam menyelesaikan skripsi ini. Terima kasih pula kepada semua pihak – pihak yang tidak dapat penulis sebutkan satu persatu namanya, terima kasih atas ide, saran dan kerjasama yang baik.
ABSTRAK
ANALYSIS OF THRESHOLD FOR EXTRACTING ROAD FROM AERIAL IMAGE
ABSTRACT
DAFTAR ISI
2.1 Pengolahan Citra Digital 7
2.2 Operasi Pengolahan Citra Digital 8
2.3 Ekstraksi Jalan 10
2.4 Multi-Threshold 11
2.5 Grayscale 12
2.6 Morphology 12
2.7 Deteksi Tepi 14
2.7.1 Deteksi Tepi Unsur pada Citra 14
2.7.2 Deteksi Tepi Canny 15
2.8 Transformasi 19
2.8.1 Transformasi Radon 19
2.8.2 Transformasi Radon Invers 22
Bab 3 Data dan Perancangan Aplikasi 26
3.1 Data 26
3.2 Rancangan Aplikasi 26
3.2.1 Data Flow Diagram (DFD) 27
3.2.2 Flowchart 28
3.2.3 Rancangan Tampilan 34
Bab 4 Implementasi, Hasil Uji Coba dan Analisis 35
4.2 Tampilan Pembuka 35
4.3 Hasil Uji Coba 39
4.4 Analisis 52
Bab 5 Kesimpulan dan Saran 53
5.1 Kesimpuan 53
5.2 Saran 54
DAFTAR TABEL
Halaman
Tabel 3.1 Deskripsi Data Citra 26
Tabel 3.2 Simbol-simbol dari Flowchart 28
Tabel 4.1 Spesifikasi Perangkat Lunak dan Perangkat Keras 35
Tabel 4.2 Waktu proses dan hasil ekstraksi aplikasi analisis threshold untuk
DAFTAR GAMBAR
Halaman
Gambar 2.1 Citra Digital 7
Gambar 2.2 Komposisi Warna RGB 8
Gambar 2.3 Contoh Citra Hasil Penerapan Mathematical Morphology 13
Gambar 2.4 Matriks Template Pendeteksi Tepi 14
Gambar 2.5 Gambar Proses Konvolusi 14
Gambar 2.6 Contoh Hasil Deteksi Tepi Prewitt 15
Gambar 2.7 Citra dengan derau dan tekstur dan hasil deteksi tepi Prewittnya 15
Gambar 2.8 Matriks template dari filter Gaussian 16
Gambar 2.9 Hasil deteksi tepi pada citra terfilter 17
Gambar 2.10 Jarak Euclides pada satu piksel dengan piksel sekitarnya 18
Gambar 2.11 Contoh proses thinning 18
Gambar 2.12 Contoh proses deteksi tepi Canny 19
Gambar 2.13 Ilustrasi transformasi Radon dalam koordinat asal kartesian 20
Gambar 2.14 Ilustrasi transformasi Radon dalam koordinat asal polar 20
Gambar 2.15 Hasil transformasi Radon pada citra irisan kepala 21
Gambar 2.16 Skema transformasi Radon Invers 22
Gambar 2.17 Skema transformasi Radon Invers, apabila unblur filtering
dilakukan terhadap sinyal satu dimensi 22
Gambar 2.18 Teorema (Irisan) - Proyeksi 23
Gambar 2.19 Ilustrasi operasi backprojektion 24
Gambar 2.20 Hasil transformasi Radon Invers (citra irisan kepala) 25
Gambar 3.1 Diagram Konteks 27
Gambar 3.2 Flowchart aplikasi analisis multi-threshold untuk mengekstraksi
jalan dari foto udara 29
Gambar 3.3 Foto Udara 30
Gambar 3.4 Pengubahan Citra RGB ke citra grayscale 30
Gambar 3.5 Pengubahan citra grayscale ke citra biner dengan nilai threshold
180 – 200 31
Gambar 3.6 Operasi morfology pada citra biner 31
Gambar 3.7 Hasil deteksi tepi metode Canny terhadap citra jalan 32
Gambar 3.8 Hasil transformasi Hough 32
Gambar 3.9 Hasil penghilangan derau dengan metode filter median 33
Gambar 3.10 Rancangan tampilan aplikasi analisis multi-threshold untuk
mengekstraksi jalan dari foto udara 34
Gambar 4.1 Tampilan „Desktop’ Matlab 36
Gambar 4.2 Tampilan aplikasi analisis multi-threshold untuk mengekstraksi
jalan dari foto udara 36
Gambar 4.3 Tampilan jika tombol „Open File‟ di klik 37
Gambar 4.4 Tampilan aplikasi setelah foto udara dipilih 38
Gambar 4.5 Tampilan aplikasi setelah tombol „Proses‟ di klik 38
Gambar 4.6 Tampilan aplikasi setelah citra perbandingan dipilih 39
Gambar 4.7 Hasil uji coba foto udara dengan nama file “1.jpg” 40
Gambar 4.8 Hasil uji coba foto udara dengan nama file “2.jpg” 40
Gambar 4.10 Hasil uji coba foto udara dengan nama file “4.jpg” 41
Gambar 4.11 Hasil uji coba foto udara dengan nama file “5.jpg” 42
Gambar 4.12 Hasil uji coba foto udara dengan nama file “6.jpg” 42
Gambar 4.13 Hasil uji coba foto udara dengan nama file “7.jpg” 43
Gambar 4.14 Hasil uji coba foto udara dengan nama file “8.jpg” 43
Gambar 4.15 Hasil uji coba foto udara dengan nama file “9.jpg” 44
Gambar 4.16 Hasil uji coba foto udara dengan nama file “10.jpg” 44
Gambar 4.17 Hasil uji coba foto udara dengan nama file “11.jpg” 45
Gambar 4.18 Hasil uji coba foto udara dengan nama file “12.jpg” 45
Gambar 4.19 Hasil uji coba foto udara dengan nama file “13.jpg” 46
Gambar 4.20 Hasil uji coba foto udara dengan nama file “14.jpg” 46
Gambar 4.21 Hasil uji coba foto udara dengan nama file “15.jpg” 47
Gambar 4.22 Hasil uji coba foto udara dengan nama file “16.jpg” 47
Gambar 4.23 Hasil uji coba foto udara dengan nama file “17.jpg” 48
Gambar 4.24 Hasil uji coba foto udara dengan nama file “18.jpg” 48
Gambar 4.25 Hasil uji coba foto udara dengan nama file “19.jpg” 49
Gambar 4.26 Hasil uji coba foto udara dengan nama file “20.jpg” 49
Gambar 4.27 Hasil uji coba foto udara dengan nama file “21.jpg” 50
Gambar 4.28 Hasil uji coba foto udara dengan nama file “22.jpg” 50
ABSTRAK
ANALYSIS OF THRESHOLD FOR EXTRACTING ROAD FROM AERIAL IMAGE
ABSTRACT
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Jalan merupakan salah satu sarana transportasi darat yang penting untuk
menghubungkan berbagai tempat seperti pusat industri, lahan pertanian,
pemukiman, serta sebagai sarana distribusi barang dan jasa untuk menunjang
perekonomian. Jalan juga berfungsi sebagai pembatas (delineator) antar lokasi
seperti blok bangunan, wilayah administrasi dan peruntukan lahan.
Peranan jalan di atas terkait dengan berbagai pekerjaan seperti
manajemen transportasi, tata guna lahan, pembentukan wilayah administrasi
baru dan juga mitigasi bencana dimana dalam pelaksanaannya, diperlukan
data jaringan jalan dalam bentuk peta jalan yang merupakan salah satu data
dasar dari infrastruktur data spasial.
Menurut fungsinya, jalan umum dikelompokkan kedalam:
(wikipedia.org)
1. Jalan arteri merupakan jalan umum yang berfungsi melayani angkutan
utama dengan ciri perjalanan jarak jauh, kecepatan rata-rata tinggi dan
jumlah jalan masuk dibatasi secara berdaya guna.
2. Jalan kolektor merupakan jalan umum yang berfungsi melayani angkutan
pengumpul atau pembagi dengan ciri perjalanan jarak sedang, kecepatan
rata-rata sedang dan jumlah jalan masuk dibatasi.
3. Jalan lokal merupakan jalan umum yang berfungsi melayani angkutan
setempat dengan ciri perjalanan jarak dekat, kecepatan rata-rata rendah
4.
Jalan lingkungan merupakan jalan umum yang berfungsi melayaniangkutan lingkungan dengan ciri perjalanan jarak dekat dan kecepatan
rata-rata rendah.
Penginderaan jauh (inderaja) adalah suatu ilmu yang digunakan untuk
memperoleh informasi suatu daerah atau obyek yang diinginkan dengan analisis
data yang diperoleh dengan menggunakan media/alat tanpa kontak langsung
dengan daerah atau obyek tersebut. Penginderaan jauh merupakan bagian dari
bidang ilmu geografi dan dasar dari Sain Informasi Geografi, yang berkaitan
dengan interpretasi citra non-foto dan citra foto. Citra non-foto adalah sebuah
gambar yang dicetak dari hasil perekaman dengan bantuan alat seperti satelit
dengan hasil perekaman secara parsial, contohnya adalah citra dari satelit Landsat.
Sedangkan, citra foto adalah sebuah gambar yang dicetak dari hasil pemotretan
dengan kamera dengan perekaman secara fotografi, contohnya adalah foto udara.
Foto udara biasanya dikelompokkan menjadi foto udara tegak dan foto
udara condong. Foto udara tegak dibuat dengan sumbu kamera sedapat mungkin
tegak lurus. Foto udara yang dibuat dengan kerangka kamera berlensa tunggal
merupakan jenis foto udara yang paling umum digunakan pada berbagai
penerapan penginderaan jauh. Akan tetapi foto udara yang betul-betul tegak
jarang dapat diperoleh karena adanya rotasi kesudutan pesawat terbang saat
pemotretan. Kesendengan yang tidak dapat dihindari ini menyebabkan inklinasi
kecil (10-30) sumbu optik kamera yang tidak dikehendaki dan menghasilkan foto
udara sendeng (titled photographs).
Definisi citra menurut kamus Webster adalah suatu representasi, kemiripan
atau imitasi dari suatu obyek atau benda. Sebuah citra mengandung informasi
tentang obyek yang direpresentasikan. Citra dapat dikelompokkan menjadi citra
tampak dan citra tak tampak. Untuk dapat dilihat mata manusia, citra tak
tampak harus dirubah menjadi citra tampak, misalnya dengan menampilkannya di
monitor, dicetak di kertas dan sebagainya. Salah satu contoh citra tak tampak
a
Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik
berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada
pita magnetik. Citra digital merupakan suatu larik dua dimensi atau suatu matriks
yang elemen-elemennya menyatakan tingkat keabuan dari elemen gambar. Jadi
informasi yang terkandung bersifat diskret. Citra digital tidak selalu merupakan
hasil langsung data rekaman suatu sistem. Kadang-kadang hasil rekaman data
bersifat kontinu seperti gambar pada monitor televisi, foto sinar-X dan lain
sebagainya. Dengan demikian untuk mendapatkan suatu citra digital diperlukan
suatu proses konversi, sehingga citra tersebut selanjutnya dapat diproses dengan
komputer. Oleh sebab itu penulis mencoba menggunakan metode threshold dalam
mengekstraksi jalan dari foto udara.
1.2 Rumusan masalah
Adapun rumusan masalah ini adalah:
1. Bagaimana membuat aplikasi untuk mengekstraksi jalan dari foto udara?
2. Apa kesulitan yang dihadapi dalam mengekstraksi jalan dari foto udara?
3. Berapa besar nilai threshold yang harus diterapkan pada foto udara agar
hasil yang diperoleh akurat?
1.3 Batasan Masalah
Agar pembahasan penelitian ini tidak menyimpang dari apa yang telah
dirumuskan, maka diperlukan batasan-batasan. Batasan-batasan dalam penelitian
ini adalah:
1. Pembuatan aplikasi ini dilakukan dengan bahasa pemrograman Matlab
R2008.
2. Jalan yang diekstraksi adalah jalan yang mempunyai lebar minimal 1
meter.
3. Jembatan juga dianggap jalan.
4. Foto Udara yang digunakan adalah Foto Udara Kabupaten Pidie Jaya
tahun 2005 dengan skala 1 : 1000.
5. Hasil analisis akan dibandingkan dengan hasil yang dikerjakan dengan
1.4 Tujuan Penelitian
Adapun tujuan penelitian ini adalah:
1. Menganalisis metode threshold.
2. Membuat aplikasi untuk mengekstraksi jalan dari foto udara.
3. Membandingkan hasil ekstraksi dengan hasil yang dikerjakan software
pembanding, misalnya ArcGis.
1.5 Manfaat Penelitian
Adapun manfaat dari penelitian ini adalah:
1. Membantu operator Sistem Informasi geografis dalam mengekstraksi
jalan.
2. Memperkaya literatur tentang pengolahan citra digital.
1.6 Metode Penelitian
Penelitian ini dilakukan dengan beberapa tahapan, antara lain:
1. Studi Literatur
Pengumpulan bahan-bahan referensi yang meliputi referensi
pengolahan citra, ekstraksi jalan, Threshold, referensi pemograman
Matlab dan beberapa referensi lainnya untuk menunjang pencapaian
tujuan tugas akhir.
2. Analisis
Pada tahap ini akan dilakukan analisis kinerja metode Threshold dalam
pengolahan citra pada kasus ekstraksi jalan dari foto udara.
3. Perancangan
Pada tahap ini dilakukan pembuatan diagram konteks, DFD,
perancangan data, perancangan antarmuka dan perancangan
4. Pengkodean
Pada tahap ini sistem yang telah dirancang kemudian
diimplementasikan ke dalam bahasa pemrograman.
5. Pengujian
Pada tahap ini dilakukan pengujian program dan mencari kesalahan
pada program hingga program itu dapat berjalan seperti yang
diharapkan.
6. Penyusunan Laporan
Menyusun laporan hasil analisis dan perancangan ke dalam format
penulisan skripsi.
1.7 Sistematika Penulisan
BAB 1 : PENDAHULUAN
Bab ini akan menjelaskan mengenai latar belakang pemilihan judul, rumusan
masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian
dan sistematika penulisan.
BAB 2 : LANDASAN TEORI
Pada bab ini dibahas mengenai teori-teori yang mendukung pembahasan bab
selanjutnya. Teori-teori tentang pengolahan citra, citra grayscale, metode
threshold, operasi morfologi, transformasi dan penghilangan derau.
BAB 3 : DATA DAN PERANCANGAN APLIKASI
Pada bab ini dibahas mengenai data, DFD, Flowchart, serta rancangan desain
antarmuka aplikasi yang akan dibuat.
BAB 4 : IMPLEMENTASI, HASIL UJI COBA, DAN ANALISIS
Bab ini menjelaskan tentang cara pemakaian aplikasi, hasil uji coba terhadap data,
BAB 5 : PENUTUP
Bab terakhir akan memuat kesimpulan isi dari keseluruhan uraian bab-bab
sebelumnya dan saran-saran dari hasil yang diperoleh yang diharapkan dapat
BAB 2
LANDASAN TEORI
2.1 Pengolahan Citra Digital
Citra digital dapat didefinisikan sebagai fungsi dua variabel, f(x,y), dimana x dan y
adalah koordinat spasial dan nilai f(x,y) adalah intensitas citra pada koordinat tersebut,
hal tersebut diilustrasikan pada Gambar 2.1. Teknologi dasar untuk menciptakan dan
menampilkan warna pada citra digital berdasarkan pada penelitian bahwa sebuah
warna merupakan kombinasi dari tiga warna dasar, yaitu merah, hijau dan biru (Red,
dengan beberapa perangkat, misalnya scanner, kamera digital dan handycam. Ketika
sebuah citra sudah diubah ke dalam bentuk digital (selanjutnya disebut citra digital),
Komposisi Warna RGB
beberapa jenis sebagai berikut:
1. Perbaikan kualitas citra (image enhancement).
Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan cara
memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri
khusus yang terdapat di dalam citra lebih ditonjolkan.Contoh-contoh operasi
perbaikan citra:
a. perbaikan kontras gelap/terang
b. perbaikan tepian objek (edge enhancement)
c. penajaman (sharpening)
d. pembrian warna semu (pseudocoloring)
2. Pemugaran citra (image restoration).
Operasi ini bertujuan menghilangkan/ meminimumkan cacat pada
citra. Tujuan pemugaran citra hampir sama dengan operasi perbaikan
citra. Bedanya, pada pemugaran citra penyebab degradasi gambar diketahui.
Contoh-contoh operasi pemugaran citra:
a. penghilangan kesamaran (deblurring).
b. penghilangan derau (noise)
3. Pemampatan citra (image compression).
Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam
bentuk yang lebih kompak sehingga memerlukan memori yang lebih
sedikit. Hal penting yang harus diperhatikan dalam pemampatan adalah
citra yang telah dimampatkan harus tetap mempunyai kualitas gambar
yang bagus. Contoh metode pemampatan citra adalah metode JPEG.
4. Segmentasi citra (image segmentation).
Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam
beberapa segmen dengan suatu kriteria tertentu. Jenis operasi ini berkaitan
erat dengan pengenalan pola.
5. Pengorakan citra (image analysis)
Jenis operasi ini bertujuan menghitung besaran kuantitif dari citra untuk
menghasilkan deskripsinya. Teknik pengorakan citra mengekstraksi ciri-
ciri tertentu yang membantu dalam identifikasi objek. Proses
segmentasi kadangkala diperlukan untuk melokalisasi objek yang diinginkan
dari sekelilingnya.
Contoh-contoh operasi pengorakan citra:
a. Pendeteksian tepi objek (edge detection)
b. Ekstraksi batas (boundary)
6. Rekonstruksi citra (image reconstruction)
Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa
citra hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam
bidang medis. Misalnya beberapa foto rontgen dengan sinar X digunakan
untuk membentuk ulang gambar organ tubuh.
2.3 Ekstraksi Jalan
Ekstraksi adalah proses pemisahan suatu zat berdasarkan perbedaan kelarutannya
(wikipedia.org). Ekstraksi jalan dari foto udara adalah proses pemisahan jalan dari
foto udara dengan objek-objek lain yang terdapat dalam foto udara berdasarkan
perbedaan warna atau nilai intensitasnya.
Proses ekstraksi unsur jalan pada citra inderaja dikembangkan
berdasarkan beberapa karakteristik fotometrik dan geometrik yang diantaranya
adalah [Zhao et al, 2002]:
1. Batas jalan nampak dengan jelas
2. Lebar jalan berubah perlahan;
3. Jalan membentuk garis lurus yang sejajar;
4. Arah jalan berubah perlahan;
5. Jalan nampak sebagai area homogen memanjang.
Menurut [Baumgartner, et. Al., 1999], karakteristik di atas adalah sudut
pandang terhadap jalan dilihat dari dari level real world. Karakteristik tersebut
kemudian dijadikan model jalan yang beberapa definisinya pada level citra
adalah piksel yang memiliki karakteristik sebagai berikut:
1. Kelompok piksel homogen yang memiliki perbedaan cukup tajam dengan
objek disekitarnya;
2. Perubahan jarak antara titik piksel pusat jalan dengan piksel tepi jalan
kecil;
3. Garis tepi tidak bercabang;
4. Untaian piksel membentuk kurva dengan perubahan arah perlahan;
2.4 Threshold
Thresholding merupakan salah satu teknik segmentasi yang baik digunakan untuk
citra dengan perbedaan nilai intensitas yang signifikan antara latar belakang dan objek
utama (Katz,2000). Dalam pelaksanaannya Thresholding membutuhkan suatu nilai
yang digunakan sebagai nilai pembatas antara objek utama dengan latar belakang, dan
nilai tersebut dinamakan dengan threshold.
Thresholding digunakan untuk mempartisi citra dengan mengatur nilai
intensitas semua piksel yang lebih besar dari nilai threshold T sebagai latar depan dan
yang lebih kecil dari nilai threshold T sebagai latar belakang. Biasanya pengaturan
nilai threshold dilakukan berdasarkan histogram grayscale (Gonzales dan Woods,
2002; Fisher, dkk, 2003; Xiaoyi dan Mojon, 2003).
Dalam menentukan nilai threshold T secara adaptif, Fisher dkk (2003)
menyarankan untuk menggunakan atribut-atribut statistik seperti yang terdapat pada
persamaan (2.1), (2.2) dan (2.3). Atribut-atribut statistik tersebut diaplikasikan
terhadap distribusi nilai intensitas.
Fungsi untuk distribusi nilai rata-rata,
(2.1)
nilai tengah,
atau rata-rata dari nilai minimum dan maksimum,
(2.2)
(2.3)
Untuk kasus yang dihadapi oleh Fisher, dkk (2003) hanya butuh satu nilai T.
Sementara pada kasus segmentasi objek yang membutuh dua nilai T atau lebih, maka
2.5 Grayscale
Citra grayscale adalah citra yang hanya menggunakan warna pada tingkatan warna
abu-abu. Warna abu-abu adalah satu-satunya warna pada ruang RGB dengan
komponen merah, hijau dan biru mempunyai intensitas yang sama. Pada citra beraras
keabuan hanya perlu menyatakan nilai intensitas untuk tiap piksel sebagai nilai
tunggal, sedangkan pada citra berwarna perlu tiga nilai intensitas untuk tiap pikselnya.
Untuk mengubah citra berwarna yang mempunyai nilai matrik masing-masing
r, g dan b menjadi citra grayscale dengan nilai s, maka konversi dapat dilakukan
dengan mengambil rata-rata dari nilai r, g dan b sehingga dapat dituliskan menjadi:
(2.4)
2.6 Morfology
Morfology mempunyai dua operator dasar, yaitu Dilasi (dilation) dan Erosi (erosion)
yang biasa digunakan untuk mengekstrak komponen yang diinginkan dalam sebuah
citra. Berdasarkan dua operator tersebut, dapat diturunkan dua operator lainnya yang
berguna untuk menghaluskan batas subinterval komponen yang telah diekstrak, yaitu
Pembukaan (opening) dan Penutupan (closing) (Gonzales dan Woods, 2002, Wang
dan Jin, 2005). Contoh citra hasil penerapan mathematical morfology dapat dilihat
Z Z
Gambar 2.3 Contoh Citra Hasil Penerapan Mathematical Morfology
Sumber : Gonzales dan Woods, 2002
Dalam penggunaannya, Morfology selalu melibatkan sebuah citra dengan
komponen I dan elemen penyusun E. Operator-operator Morfology tersebut adalah
sebagai berikut (Gonzales dan Woods, 2002):
Dilasi : I ⊕ E = {z | (Eˆ ) ∩ I ≠φ} (2.5)
Erosi : I Θ E = {z | (E) Z ⊆ I} (2.6)
Opening : I E = (I Θ E) ⊕ E (2.7)
Closing : I • E = (I ⊕ E) Θ E (2.8)
(E)Z merupakan translasi dari komponen I terhadap titik z, sedangkan (Eˆ ) adalah
refleksinya. Dilasi digunakan untuk memperbesar komponen yang diinginkan dengan
cara menambahkan seluruh tepinya dengan elemen penyusun E. Erosi digunakan
untuk mengikis komponen yang diinginkan dengan cara mengurangi seluruh tepinya
1 0 -1
2.7.1 Deteksi Tepi Unsur pada Citra
Keberadaan tepi unsur ditandai dengan tingginya perubahan nilai piksel atau
kontras [Nixon dan Aguado, 2002]. Tepi unsur pada citra dideteksi dengan
operator deteksi (detektor) tepi diantaranya berupa matriks template berukuran
tertentu, seperti pendeteksi tepi Robert (terdiri dari matriks detektor tepi diagonal
M- dan M+) serta pendeteksi tepi Prewitt dan Sobel (keduanya terdiri dari matriks
template vertikal, Mx dan horisontal, My) seperti ditunjukkan Gambar 2.4.
M- M+ Mx My Mx My
1 0
0 -1
Robert Prewitt Sobel
Gambar 2.4 Matriks Template Pendeteksi Tepi
(Sumber : Nixon dan Aguado, 2002)
Dalam mendeteksi tepi, dilakukan perkalian elementer antara matriks template
pada Gambar 2.4 di atas dengan kelompok piksel pada citra input. Pada hasil
perkalian yang diperoleh, nilai setiap elemen dijumlahkan dan dijadikan nilai
dari elemen matriks hasil konvolusi [Nixon dan Aguado, 2002]. Lihat Gambar 2.5.
Gambar 2.5 Gambar proses konvolusi
(Sumber : Nixon dan Aguado, 2002)
Deteksi tepi dengan metode Prewitt pada suatu citra biner berukuran 8x8 piksel
citra konvolusi horizontal (Gambar 2.6(c)), citra hasil deteksi tepi keseluruhan
seperti ditunjukkan Gambar 2.6(d).
Gambar 2.6 Contoh Hasil Deteksi Tepi Prewitt
(Sumber : Nixon dan Aguado, 2002)
Keterangan Gambar:
(a) Citra Asli (b) Hasil deteksi tepi horizontal (My)
(c) Hasil deteksi tepi vertikal (Mx) (d) gabungan (c) dan (d) (M)
2.7.2 Deteksi Tepi Canny
Deteksi tepi dengan operator-operator pada 2.7.1 masih memiliki kelemahan,
diantaranya pada satu perubahan nilai piksel akan diperoleh banyak piksel tepi
seperti ditunjukkan pada Gambar 2.6(d). Disamping itu, derau dan tekstur yang
memiliki variasi nilai piksel yang cukup tinggi (tekstur kasar) pada suatu citra
dapat juga terdeteksi sebagai tepi. Sebagai contoh, pada deteksi tepi dengan metode
Prewitt, derau pada Gambar 2.7(a) terdeteksi sebagai piksel tepi. Lihat Gambar
2.7(b)
Upaya perbaikan terhadap hasil deteksi tepi telah banyak diteliti orang dengan
mengembangkan berbagai metode. Salah satu metode yang dikenal secara luas
adalah deteksi tepi metode Canny yang memiliki kriteria sebagai berikut [Nixon
dan Aguado, 2002]:
• Deteksi tepi optimal tanpa adanya kesalahan deteksi;
• Lokalisasi yang baik dengan jarak minimal antara tepi terdeteksi dengan
posisi tepi sebenarnya;
• Respon tunggal terhadap tepi unsur.
Untuk mengakomodasi kriteria-kriteria tersebut di atas, [Canny,1986]
menambahkan pula prosedur-prosedur perbaikan sebelum dan sesudah pendeteksian
tepi (pre dan post processing) agar hasil deteksi tepi yang diperoleh menjadi lebih
baik. Pre dan post processing yang dilakukan pada deteksi tepi metode Canny
menyangkut [Nixon dan Aguado, 2002]:
• Smoothing (preprocessing);
• Non maximum suppresion (post-processing);
• Hysteresis thresholding (post-processing).
Proses smoothing dilakukan untuk menghilangkan derau dan menurunkan
pengaruh tekstur pada citra sehingga diperoleh hasil deteksi yang lebih baik. Pada
metode Canny, digunakan filter gaussian dalam bentuk matriks template yang
merupakan bobot (weight) dalam perhitungan nilai rata-rata suatu kelompok
piksel pada citra input yang diantaranya berukuran 3x3. Lihat Gambar 2.8.
0.37 0.61 0.37 0.61 1 0.61 0.37 0.61 0.37
Gambar 2.8 Matriks template dari filter Gaussian
Nilai matriks template pada Gambar 2.8 tersebut di atas diperoleh dari
persamaan (2.8) yang merupakan fungsi sebaran normal gauss g pada koordinat x,
y dimana besarnya nilai elemen matriks template ditentukan oleh nilai σ2
[Nixon dan aguado, 2002].
Sebagai contoh, penerapan filtering Gaussian pada Gambar 2.7(a) akan
menghasilkan citra terfilter yang ditunjukkan oleh Gambar 2.9(a). Pada hasil
deteksi tepi dengan metode Prewitt pada citra terfilter tersebut (Gambar 2.9(b)),
nampak bahwa sebagian derau yang terdeteksi sebagai tepi berkurang.
Gambar 2.9 Hasil deteksi tepi pada citra terfilter
Proses Non Maximum Suppression yang mirip dengan proses
thinning (perampingan) dilakukan untuk menentukan piksel tepi dengan posisi paling
mendekati lokasi terjadinya perubahan nilai piksel diantara banyaknya piksel tepi
yang terdeteksi. Dimana pada umumnya, perubahan nilai piksel berada pada pusat
kumpulan piksel tepi [Nixon dan Aguado, 2002]. Sebagai contoh nampak pada
Gambar 2.6(d), sebagian diantara piksel-piksel tepi perlu dihilangkan karena
perubahan nilai piksel pada citra input (Gambar 2.6(a)), hanya pada batas antara
piksel hitam dan piksel putih saja.
Penentuan pusat kumpulan piksel tepi diantaranya dengan penghitungan
Gambar 2.10 Jarak Euclides pada satu piksel dengan piksel sekitarnya
Keterangan Gambar :
(a) Jarak elementer (baris, kolom) dari pusat kelompok piksel (b) Jarak Euklides dari pusat kelompok piksel
Sebagai contoh, jarak Euclides antara piksel-piksel tepi (hitam) ke piksel
bukan tepi (putih) pada suatu citra tepi biner (Gambar 2.11(a)) akan
menghasilkan besaran jarak-jarak Euclides (Gambar 2.11(b)). Pada proses
thinning, piksel dengan jarak Euclides lebih besar dari suatu nilai threshold T =
Berbeda dengan metode thinning, pada proses Non Maximum suppresion,
pengubahan menjadi citra biner tersebut menggunakan dua nilai threshold T1 dan T2
dimana T1 > T2 yang sering disebut juga hysteresis thresholding [Nixon dan
sebagai piksel tepi. Piksel tepi di sekitar piksel tepi yang nilainya lebih besar dari
nilai threshold T1 di atas juga dipertahankan sebagai piksel tepi jika nilainya
masih lebih besar dari T2. Dari sudut pandang hysteresi thresholding, contoh pada
Gambar 2.11(c) dapat diperoleh dengan nilai-nilai threshold T1 = 2 dan T2 = 1.4.
Hasil dari rangkaian proses deteksi tepi dengan metode Canny pada suatu
adalah citra biner yang terdiri dari piksel-piksel tepi tunggal seperti pada Gambar
2.12.
Keterangan :
Gambar 2.12 Contoh proses deteksi tepi Canny
(a) Citra terfilter (c) Hasil Non maximum suppression (b) Hasil deteksi tepi Sobel (d) Hasil Hysteresis thresholding
2.8 Transformasi
2.8.1 Transformasi Radon
Transformasi Radon merepresentasikan citra sebagai kumpulan sinyal 1D hasil
proyeksi citra tersebut pada berbagai sudut orientasi. Transformasi Radon dari suatu
citra pada suatu sumbu proyeksi dinyatakan sebagai integral garis dari fungsi
representasi citra f(x,y) pada arah yang tegak lurus dengan sumbu proyeksinya.
Hasil transformasi Radon dalam domain transformasi dinyatakan sebagai sinyal
g(s,θ), dimana s merupakan jarak titik yang ditransformasikan terhadap titik pusat
koordinat citra asal, dan θ merupakan sudut orientasi proyeksi. Lihat Gambar 2.13.
Gambar 2.13 Ilustrasi transformasi Radon dalam koordinat asal kartesian
Apabila citra dinyatakan dalam format koordinat asal polar f(r,θ), integral
garis transformasi Radon sepanjang r menghasikan kurva sinusoidal s = r cos(ф−θ).
Bentuk sinusoidal ini menghasilkan istilah umum “sinogram” untuk kumpulan hasil
transformasi Radon pada berbagai orientasi proyeksi. Lihat Gambar 2.14.
Gambar 2.14 Ilustrasi Transformasi Radon dalam koordinat asal polar
Dalam image processing toolbox Matlab, transformasi Radon dapat
[R,xp] = radon(I,theta);
dimana Rmerupakan hasil transformasi Radon terhadap citra asal I, pada jangkauan
orientasi arah theta dan jangkauan lebar daerah proyeksi pada koordinat
transformasi xp.
Berikut adalah code lengkap dari simulasi transformasi Radon terhadap
gambar phantom irisan lintang kepala (Gambar 2.15) menggunakan Matlab:
P=phantom(256);
figure(1);imagesc(P);colormap(gray);title('citra phantom asal');
%Transformasi Radon citra phantom theta=0:2:180; [R,xp]=radon(P,theta);
figure(2);imagesc(theta,xp,R);colormap(hot);
colorbar;xlabel('\theta');ylabel('x\prime'); title('hasil transformasi Radon dari citra phantom');
2.8.2 Transformasi Radon Invers
Invers transformasi Radon dari proyeksi g(s,θ) ≡R(f), -∞<s<∞, 0θ≤<πdirumuskan
sebagai berikut:
(2.12)
Transformasi Radon invers (Gambar 2.16) terdiri dari dua buah tahapan, yaitu:
a. Proyeksi balik (backprojection)
b. Unblur filtering
Gambar 2.16 Skema transformasi Radon Invers
Agar menghasilkan rekonstruksi sempurna, proses unblur filtering
membutuhkan filter unblur 2 dimensi. Akan tetapi pemfilteran 2 dimensi dengan
kernel unblur merupakan operasi yang sangat exhaustive secara komputasional,
terutama untuk resolusi citra yang besar. Strategi yang biasa digunakan dalam aplikasi
praktis adalah melalui unblur filtering pada sinyal proyeksi 1 dimensi, dan dilanjutkan
dengan operasi backprojection. Strategi ini diilustrasikan pada Gambar 2.17.
Gambar 2.17 Skema transformasi Radon invers, apabila unblur filtering
Respons frekuensi : H(ξ) = |ξ| sinc(ξd) rect(ξd) (2.13)
Respons impuls : h(s) = 2(1+sin2πξ0s) /π2(d2 – 4s2) (2.14)
Respons impuls diskrit : h(m) =2 / (π2d(1 - 4m2)) (2.15)
Penukaran posisi blok unblur filtering dan blok proyeksi balik (antara Gambar
2.16 dan Gambar 2.17) diperbolehkan oleh adanya teorema (irisan) – proyeksi.
Dengan berpegang pada teorema ini, proses unblur filtering dapat dikerjakan pada
domain frekuensi, sehingga akan mengurangi beban komputasi. Lihat Gambar 2.18
Teorema (irisan) –
proyeksi
Transformasi Fourier 1-dimensi dari proyeksi g(s,θ) yang dilakukan terhadap
variabel s adalah sama dengan irisan sentral pada sudut θ dari transformasi
Fourier 2-dimensi dari citra asal f(x,y).
Gambar 2.18 Teorema (Irisan) – Proyeksi
2.8.2.1 Operasi Unblur Filtering
Mekanisme unblur filtering dapat dilakukan dengan menggunakan berbagai
skema filter unblur yang dapat dipilih. Filter unblur yang umum dipergunakan
2.8.2.2 Operasi Proyeksi Balik
Operasi backprojection dapat didefinisikan sebagai berikut:
Koordinat cartesian :
Koordinat polar :
(2.16)
(2.17)
Hasil operasi proyeksi balik menunjukkan jumlah berkas proyeksi yang
melewati suatu titik (x,y) dalam citra, sebagaimana diilustrasikan dalam Gambar 2.19.
Gambar 2.19 Ilustrasi operasi backprojektion
Hasil operasi backprojection dapat dinyatakan sebagai citra asal yang
dikaburkan dengan fungsi blurring dengan point spread function berupa (x2
+y2
)−1/2
.
(2.18)
Dalam code Matlab, operasi transformasi Radon invers dilakukan dengan
memanggil fungsi sebagai berikut: (ilustrasi code sebagai lanjutan dari code
%Inverse-Radon tranform
I=iradon(R,2); figure(3);imagesc(I);colormap(gray); title('Hasil transformasi Radon inverse');
Fungsi ini sekaligus menjalankan operasi unblurring dan backprojection.
Matlab menyediakan berbagai skema unblurring, yang dapat dipilih. Hasil
transformasi Radon invers pada citra irisan kepala dapat dilihat pada Gambar 2.20.
BAB 3
DATA DAN PERANCANGAN APLIKASI
3.1 Data
Uji coba dilakukan terhadap foto udara Kabupaten Pidie Jaya tahun 2005 yang telah di
potong-potong sesuai dengan keperluan penelitian pada skala 1:1000. Data citra ini
diperoleh dari GIS Center Bappeda Kabupaten Pidie Jaya.
Data yang digunakan dalam penelitian ini berjumlah 44 citra yang berformat
JPG dengan ukuran 512 x 512 piksel/inchi. Data tersebut terdiri dari 22 foto udara dan
22 citra jalan yang telah didigitasi oleh perangkat lunak ArcGIS. Deskripsi data citra
selengkapnya tercantum pada Table 3.1. Citra jalan yang telah digitasi akan digunakan
sebagai citra referensi atau citra perbandingan dalam menghitung ketelitian metode
yang digunakan dalam penelitian ini.
Tabel 3.1. Deskripsi Data Citra
Kategori Nama File Jumlah
Data
Tahapan-tahapan yang diperlukan dalam perancangan aplikasi ini adalah adalah Data
3.2.1 Data Flow Diagram (DFD)
Data Flow Diagram (DFD) adalah suatu diagram yang menggunakan notasi-notasi
untuk menggambarkan arus dari data sistem, yang penggunaannya sangat membantu
untuk memahami sistem secara logika, tersruktur dan jelas. DFD merupakan alat
bantu dalam menggambarkan atau menjelaskan sistem yang sedang berjalan logis.
DFD memiliki beberapa fungsi dalam mengembangkan suatu sistem, diantaranya
adalah :
1. DFD membantu para analis sitem meringkas informas tentang sistem,
mengetahui hubungan antar sub-sub sistem, membantu perkembangan aplikasi
secara efektif.
2. DFD berfungsi sebagai alat komunikasi yang baik antara pemakai dan analis
sistem.
3. DFD dapat menggambarkan sejumlah batasan otomasi untuk pengembangan
alternatif sistem fisik.
DFD terdiri dari diagram konteks dan diagram rinci. Diagram konteks
merupakan diagram yang menggambarkan hubungan antar sistem dengan entitas
diluar sistem, merupakan sistem secara keseluruhan. Pada aplikasi analisis threshold
untuk mengekstraksi jalan dari foto udara, diagram konteksnya dapat dilihat pada
3.2.2 Flowchart
FlowChart (Bagan Alir Program) adalah suatu bagan yang menggambarkan arus
logika dari data yang akan diproses dalam suatu program dari awal sampai akhir.
(FLOW LINE) Arah aliran program
Berikut ini flowchart dari aplikasi analisis threshold untuk mengekstraksi jalan
dari foto udara dapat dilihat pada Gambar 3.2.
Citra Asli (Berwarna)
Transformasi Warna Citra ke Graylevel
Implementasi Metode Threshold
Operasi Morfologi
Deteksi Tepi
Transformasi Hough
Penghilangan Derau
Citra Hasil
Gambar 3.2 Flowchart aplikasi analisis threshold untuk mengekstraksi jalan
dari foto udara
Berikut penjelasan dari flowchart diatas adalah :
a. Citra asli
Citra asli merupakan citra foto udara berwarna yang telah di potong-potong
dengan ukuran 512 x 512 pixel/inchi dan berformat JPG seperti pada Gambar
Gambar 3.3 Foto Udara
b. Transformasi warna ke graylevel
Transformasi warna ke graylevel merupakan cara yang di pakai penulis untuk
mengubah citra asli yang berwarna ke citra berintensitas grayscale seperti pada
Gambar 3.4.
Gambar 3.4 Pengubahan citra RGB ke citra grayscale
c. Metode threshold
Metode threshold merupakan sebuah teknik yang digunakan penulis untuk
mengubah citra grayscale ke citra biner. Citra biner itu sendiri terdiri dari dua
unsur yaitu 1 untuk warna putih (piksel = on) dan 0 untuk warna hitam (piksel
= off). Untuk mengekstraksi objek jalan pada citra grayscale di atas, maka
penulis menggunakan metode threshold dengan nilai threshold tertentu yang
sesuai dengan nilai derajat keabuan objek jalan di citra grayscale tersebut.
Nilai threshold untuk objek jalan pada citra diatas adalah 180-200, nilai
tersebut penulis peroleh dari aplikasi lain yang mendukung untuk melihat nilai
derajat keabuan pada citra grayscale. Perubahan citra grayscale ke citra biner
Gambar 3.5 Pengubahan citra grayscale ke citra biner dengan
nilai threshold 180-200
d. Operasi morfologi
Operasi morfologi merupakan sebuah operasi yang digunakan penulis untuk
meningkatkan kualitas citra biner yang diperoleh dari metodo threshold.
Operasi morfologi yang digunakan penulis pada penelitian ini adalah operasi
open, operasi majority dan operasi dilate. Operasi open adalah sebuah operasi
morfologi yang menerapkan binary opening (erosi yang diikuti dilasi). Operasi
majority adalah sebuah operasi morfologi yang menambahkan sebuah piksel
putih bila terdapat lima atau lebih piksel putih dalam tetangga 3 x 3, dan
sebaliknya dengan piksel hitam, operasi morfologi ini sangat berguna untuk
mengisi lubang-lubang kecil. Operasi dilate adalah operasi morfologi yang
menambahkan 8 piksel yang berhubungan pada pinggiran dari objek biner.
Operasi morfologi di atas dapat dilihat pada Gambar 3.6.
e. Deteksi tepi
Deteksi tepi merupakan sebuah teknik yang digunakan penulis untuk
mendeteksi sisi jalan pada citra biner yang dihasilkan dari operasi morfologi.
Metode deteski tepi yang digunakan penulis pada penelitian ini adalah metode
Canny karena metode ini menggunakan 2 batas ambang (threshold) berbeda
(untuk mendeteksi sisi “kuat” dan sisi “lemah”). Hasil deteksi tepi metode
Canny terhadap citra jalan di atas dapat dilihat pada Gambar 3.7.
Gambar 3.7 Hasil deteksi tepi metode Canny terhadap citra jalan
f. Transformasi Hough
Transformasi Hough merupakan sebuah transformasi yang digunakan untuk
mendeteksi garis tegas. Transformasi Hough bisa diimplementasikan dengan
transformasi radon dan iradon yang telah dijelaskan pada subbab 2.8. Hasil
transformasi Hough dapat dilihat pada Gambar 3.8.
g. Penghilangan derau
Penghilangan derau (noise) merupakan sebuah teknik yang digunakan penulis
untuk meningkatkan mutu citra yang dihasilkan pada transformasi Hough.
Pada penelitian ini penulis menggunakan metode filter median untuk
menghilangkan derau yang ada pada citra hasil transformasi Hough. Metode
filter median merupakan sebuah metode filter yang paling efektif untuk
menghilangkan derau salt and pepper. Hasil penghilangan derau dengan
metode filter median dapat dilihat pada Gambar 3.9.
Gambar 3.9 Hasil penghilangan derau dengan metode filter median
h. Citra hasil
Citra hasil merupakan citra keluaran dari proses-proses diatas yaitu citra hasil
penghilangan derau yang ada pada Gambar 3.9.
3.2.3 Perancangan Tampilan
Tampilan aplikasi analisis threshold untuk mengekstraksi jalan dari foto udara
dirancang sedemikian rupa dengan sederhana dan memberikan kemudahan pengguna
dalam menggunakan aplikasi ini. Aplikasi analisis threshold untuk mengekstraksi
jalan dari foto udara ini mempunyai tampilan utama yang terdiri dari 3 button dan 6
axes. Berikut ini rancangan tampilan utama aplikasi analisis threshold untuk
1
2 5 6 7
3
4
8 9 10
Gambar 3.10 Rancangan tampilan aplikasi analisis threshold untuk mengekstrasi jalan dari foto udara
Keterangan :
1. Judul Aplikasi 2. Tombol buka file 3. Tombol proses
4. Tombol buka citra perbandingan 5. Axes citra asli
6. Axes citra grayscale
BAB 4
IMPLEMENTASI, HASIL UJI COBA DAN ANALISIS
4.1 Implementasi
Pada Bab ini, perancangan aplikasi analisis threshold untuk mengekstraksi jalan dari
foto udara yang telah dibuat diimplementasikan dengan menggunakan perangkat
lunak MATLAB R2008b.
Adapun spesifikasi perangkat lunak dan perangkat keras yang digunakan dalam
melakukan penelitian ini, tertera pada Tabel 4.1.
Tabel 4.1. Spesifikasi Perangkat Lunak dan Perangkat Keras
Jenis Perangkat Spesifikasi
Sistem Operasi Windows Vista Basic
Prosessor Intel Core 2 Duo T6500 2,10 GHz
Memori RAM 2 GB
Perangkat Lunak Pemrograman MATLAB R2008b
4.2 Tampilan Pembuka
Untuk membuka aplikasi analisis threshold untuk mengekstraksi jalan dari foto udara
dapat dilakukan dengan dua cara yaitu:
1. Membuka dengan program matlab dengan cara klik ganda pada ikon
MATLAB dari „desktop’ atau dengan cara memilih menu Start > All
Program > MATLAB > R2008b> MATLAB R2008b yang kemudian
\
Gambar 4.1 Tampilan ‘Desktop’ Matlab
Setelah tampilan layar muncul seperti gambar diatas, kemudian kita mengetik
“skripsi” pada command windows yang ada di desktop matlab lalu
tampilannya dapat dilihat pada Gambar 4.2.
Gambar 4.2 Tampilan aplikasi analisis threshold untuk mengekstraksi
jalan dari foto udara
2. Cara kedua untuk membuka aplikasi ini adalah dengan cara klik ganda pada
file „skripsi.fig‟ yang tampilannya dapat dilihat pada Gambar
Setelah tampilan utama terbuka, selanjutnya pengguna menekan tombol „Open File‟
untuk memilih salah satu foto udara yang penulis simpan di folder foto udara. Apabila
tombol „Open File‟ di klik maka akan muncul tampilan seperti Gambar 4.3.
Gambar 4.3 Tampilan jika tombol „Open File‟ di klik
Setelah tampilan pada Gambar 4.3 terbuka, maka selanjutnya pengguna memilih salah
satu foto udara yang ada di folder foto udara dan kemudian menekan tombol „Open‟
Gambar 4.4 Tampilan aplikasi setelah foto udara dipilih
Setelah foto udara dipilih, maka langkah selanjutnya pengguna menekan tombol
„Proses‟ untuk melihat hasil dari aplikasi ini seperti pada Gambar 4.5.
Setelah tampilan muncul seperti Gambar 4.5 maka selanjutnya pengguna memilih
citra perbandingan yang penulis simpan di folder „citra perbandingan‟ seperti halnya
memilih foto udara. Citra perbandingan dipilih sesuai dengan nama file foto udara.
Untuk foto udara dengan nama file “1.jpg”, maka citra perbandingannya adalah
“gis1.jpg”, demikian seterusnya untuk citra-citra yang lain. Hasil setelah citra
perbandingan dipilih dapat dilihat pada Gambar 4.6.
Gambar 4.6 Tampilan aplikasi setelah citra perbandingan dipilih
4.3 Hasil Uji Coba
Hasil uji coba aplikasi analisis threshold untuk mengekstraksi jalan dari foto udara
dilakukan terhadap 22 foto udara kabupaten Pidie Jaya tahun 2005 yang telah
dipotong-potong sesuai dengan keperluan penelitian pada skala 1:1000 dan 22 citra
perbandingan yaitu citra jalan yang telah didigitasi oleh software ArcGis.
Citra-citra tersebut penulis peroleh dari GIS Center Bappeda Kabupaten Pidie
Jaya dengan format jpg dan berukuran 512 x 512 piksel/inchi dengan nama file “1.jpg
s/d 22.jpg” untuk foto udara dan “gis1.jpg sd gis22.jpg” untuk citra perbandingan
yang penulis simpan di folder data.
Nilai threshold yang penulis gunakan dalam aplikasi ini adalah 165 – 180, 175
jalan yang ada dalam foto udara yang penulis peroleh dari aplikasi lain yang
mendukung untuk melihat nilai derajat keabuan dari citra grayscale.
Hasil ujicoba terhadap 22 citra foto udara dan citra perbandingannya dapat pada
Gambar 4.7 s/d Gambar 4.28.
Gambar 4.7 Hasil uji coba foto udara dengan nama file “1.jpg”
Gambar 4.9 Hasil uji coba foto udara dengan nama file “3.jpg”
Gambar 4.11 Hasil uji coba foto udara dengan nama file “5.jpg”
Gambar 4.13 Hasil uji coba foto udara dengan nama file “7.jpg”
Gambar 4.15 Hasil uji coba foto udara dengan nama file “9.jpg”
Gambar 4.17 Hasil uji coba foto udara dengan nama file “11.jpg”
Gambar 4.19 Hasil uji coba foto udara dengan nama file “13.jpg”
Gambar 4.21 Hasil uji coba foto udara dengan nama file “15.jpg”
Gambar 4.23 Hasil uji coba foto udara dengan nama file “17.jpg”
Gambar 4.25 Hasil uji coba foto udara dengan nama file “19.jpg”
Gambar 4.27 Hasil uji coba foto udara dengan nama file “21.jpg”
Hasil uji coba foto udara dengan ukuran 256 x 256 piksel/inchi dan 128 x128
piksel/inchi dapat dilihat pada Gambar 4.29 dan 4.30.
Gambar 4.29 Hasil uji coba foto udara dengan ukuran 256x256 piksel/inchi
4.4 Analisis
Berikut ini merupakan uraian analisa berdasarkan hasil uji coba terhadap 22 foto
udara:
1. Jalan terekstraksi dengan baik dan memiliki sedikit derau apabila jalan berada
di sekitar persawahan, sungai dan tambak.
2. Jalan terekstraksi dengan baik dan memiliki banyak derau apabila jalan berada
disekitar pemukiman yang disebabkan atap-atap rumah penduduk juga
memiliki derajat keabuan yang sama dengan jalan.
3. Jalan tidak terekstraksi dengan baik dan memiliki banyak derau apabila jalan
berada didaerah yang banyak pepohonan atau gedung-gedung tinggi yang
disebabkan adanya banyangan pepohonan atau gedung-gedung tinggi yang
menutupi badan jalan sehingga berubahnya nilai derajat keabuan pada jalan.
Berikut merupakan waktu proses dan hasil aplikasi analisis threshold untuk
mengekstraksi jalan dari foto udara terhadap ukuran citra dapat dilihat pada tabel 4.2.
Tabel 4.2. Waktu proses dan hasil ekstraksi aplikasi analisis threshold untuk
mengekstraksi jalan dari foto udara terhadap ukuran citra
Ukuran Citra
128 x 128 1,95 Tidak terekstraksi
Dari tabel 4.2. dapat dianalisa bahwa semakin besar ukuran citra maka semakin besar
waktu yang diperlukan untuk pemrosesan namun semakin kecil ukurun citra maka
BAB 5
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil uji coba yang diperoleh dalam penelitian ini, maka dapat
disimpulkan beberapa hal berikut:
1. Objek jalan pada foto udara memiliki nilai derajat keabuan 165 – 200
sehingga nilai threshold yang digunakan adalah 165 - 200.
2. Derau disebabkan adanya kesaman nilai derajat keabuan antara objek jalan
dengan objek lain disekitarnya
3. Jalan tidak terekstraksi dengan baik dikarenakan berubahnya nilai derajat
keabuan pada objek jalan yang disebabkan oleh banyangan objek pohon atau
objek lain yang menutupi badan jalan.
4. Semakin besar ukuran citra, maka semakin besar waktu yang dibutuhkan
dalam pemrosesan namun semakin kecil ukuran citra maka semakin besar
5.2 Saran
Berikut adalah saran-saran untuk pengembangan lebih lanjut terhadap aplikasi analisis
multi-threshold untuk mengekstraksi jalan dari foto udara:
1. Karena masih banyak terdapat derau dalam hasil ekstraksi, maka disarankan
adanya pengembangan lebih lanjut untuk meningkatkan kualitas citra yang
dihasilkan.
2. Aplikasi ini tidak dapat mengukur ukuran jalan, mengenali jenis jalan dan
mengukur sudut tikungan, maka disarankan adanya pengembangan lebih
lanjut agar kedepannya aplikasi ini dapat mengukur ukuran jalan, mengenali
jenis jalan, dan mengukur sudut tikungan.
3. Aplikasi ini terdapat banyak kekurangan seperti pada lambatnya kinerja
program dan tampilan yang kurang menarik, maka disarankan adanya
pengembangan lebih lanjut untuk meningkatkan kecepatan kinerja program
DAFTAR PUSTAKA
Interpretasi Citra. Terjemahan Dulbahri, Prayogi Suharsono, Hartono, dan
Suharyadi. Yogyakarta: Gajah Mada University Press.
Meutia, S. D. 2009. segmentasi citra sel serviks menggunakan algoritma multifraktal
dengan adaptive multiple thresholding dan klasifikasi menggunakan learning
vector quantization. Tesis Ilmu Komputer. Jakarta, Indonesia: Universitas
Indonesia.
Nixon, S. M., Aguado, S. A., (2002), Feature Extraction And Image Processing, Reed
Educational and Professional Publishing Ltd.
Suprayogi, A. 2008. Ekstraksi Jalan Secara Otomatis dengan Deteksi Tepi Canny
pada Foto Udara (Menggunakan Transformasi Wavelet Untuk Penghalusan
Citra). Tesis Geodetic Engineering. Bandung, Indonesia: Institut Teknologi
Bandung.
Wijaya, M. C. dan Prijono, A. 2007. Pengolahan Citra Digital Menggunakan Matlab
Image Processing Toolbox. Bandung: Informatika Bandun
tanggal 22 Januari, 2010.