BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis - Implementasi Deteksi Tepi Citra Manuskrip Kuno Dengan Metode Kombinasi Gradien Prewit Dan Sobel

(1)

BAB 3

ANALISIS DAN PERANCANGAN

3.1Analisis

Pada penelitian ini dilakukan kombinasi edges detectionpada citra manuscripts kuno dengan mengimplementasikan metode gradientedges detection operator Sobel dengan Prewitt. Edge detection adalah operasi untuk mendeteksi garis tepi (edges) yang membatasi dua wilayah citra homogen yang memiliki tingkat kecerahan yang berbeda.

Deteksi tepi sebuah citra dapat dilakukan dengan menghitung selisih antara dua buah titik yang bertetangga sehingga didapat besar gradien citra. Proses yang digunakan oleh operator Sobel dan Prewitt merupakan proses dari sebuah konvolusiyang telah ditetapkan terhadap citra yang terdeteksi. Pada metode Gradient

ini dilakukan menghitung besarnya vektor dan nilai Gradient yang menggunakan turunan pertama dari persamaan dua dimensi yang didefinisikan sebagai vektor.

Manuscripts kuno sering sekali mengandung noiseseperti perubahan warna kertas menjadi kekuningan atau kecoklatan karena tersimpan cukup lama. Perubahan warna tersebut umumnya terjadi padabeberapa tempatyang disebut sebagai ‘fox’.

Noise tersebut dapat mengganggu pandangan dan dapat merubah tulisan padamanuscripts kuno tersebut.

Untuk mendapatkan hasil edges detection yang terbaik, maka dilakukan kombinasi antara edges detectionmenggunakan operator Sobel dan Prewitt pada

(2)

Pada penelitian ini dilakukan perbandingan hasil deteksi tepi antara operator

Gradient yaitu Sobel, Prewitt serta Kombinasi. Operator Sobel dalam mendeteksi tepi suatu citra digital adalah sebagai berikut:

Citra masukan berupa citra grayscale.

1. Konvolusikan citra grayscale dengan kernel Sobel horizontal dan kernel Sobel

vertical.

2. Hitung besar gradient.

3. Citra keluaran merupakan hasil dari besar gradient (G).

Operator Sobel menggunakan dua matriks kernel 3 x 3 Sx dan Syseperti Gambar 3.1.

-1 0 1 -1 -2 -1

Sx -2 0 2 Sy 0 0 0

-1 0 1 1 2 1

Gambar 3.1 Matriks Kernel Sobel

Pada deteksi tepi dengan metode gradient Prewitt menggunakan derivatif pertama untuk menemukan tepi dilakukan dengan langkah-langkah:

1. Penentuan gradient citra untuk mengetahui intensitas variasi lokal dengan melakukan konvolusi dengan matriks konvolusi Gx dan Gy. Matriks konvolusi Gx dan Gy

2. Penentuan magnitude citra sebagai tepi serta penentuan besar sudut atau arah untuk mengetahui kecenderungan arah tepi lokal.

diperoleh dari pendekatan diskret derivatif parsial fungsi f(x,y).

Metode Gradient Prewitt menggunakan dua matriks kernel 3 x 3 Px dan Pydengan nilai konstanta C=1, seperti Gambar 3.2.

-1 0 1 -1 -1 -1

Sx -1 0 1 Sy 0 0 0

-1 0 1 1 1 1

Gambar 3.2 Matriks Kernel Gradient Prewitt

(3)

Pada deteksi tepi dengan metode Kombinasi menggunakan derivatif pertama untuk menemukan tepi citra serta menggunakan kernel Sobel horizontal dan kernel Prewitt vertical. Deteksi tepi dengan Kombinasi dilakukan dengan langkah-langkah:

1. Penentuan gradient citra untuk mengetahui intensitas variasi lokal dengan melakukan konvolusi dengan matriks konvolusi Sx dan Py

2. Penentuan magnitude citra sebagai tepi serta penentuan besar sudut atau arah untuk mengetahui kecenderungan arah tepi lokal.

menggunakan kernel Sobel dan Prewitt.

Deteksi tepi dengan metode Kombinasi menggunakan dua matriks kernel 3 x 3 Kx dan Ky seperti Gambar 3.3.

-1 0 1 -1 -1 -1

Kx -2 0 2 Ky 0 0 0

-1 0 1 1 1 1

Gambar 3.3 Matriks Kernel Kombinasi

3.1.1 Flowchart Penelitian sistem

(4)

Tidak

Gambar 3.4 FlowchartPenelitian Keterangan:

Arsitektur umum program yang akan dibangun yaitu sebagai berikut: a. Input Citra

Input citra berupa file citra manuscript kuno. b. Hitung nilai piksel citra

Setiap citra yang diinput akan dihitung nilai pikselnya berupa nilai red,green dan

blue (RGB).

c. Deteksi Tepi Sobel, Gradient Prewittdan Kombinasi

Pada tahap ini user akan memilih deteksi tepi apa yang ingin diproses. d. Proses deteksi tepi Sobel,Gradient Prewitt dan Kombinasi

Pada tahap ini sistem akan melakukan pemrosesan terhadap citra dengan deteksi tepi Sobel, Gradient Prewitt dan kombinasi.

e. Hasil citra, nilai MSE.

Mulai Input citra

Hitung nilai piksel citra

(5)

Pada tahap ini dilakukan perbandingan hasil deteksi tepi citra manuscript kuno dengan mengambil kesimpulan mana yang paling baik.

3.1.2 Flowchart Edges Detection Metode Sobel

Flowchart Edges Detectiondengan metode Sobeldapat dilihat seperti pada Gambar 3.5.

Hitung Nilai Grayscale Citra Blok n

Hitung Gradien (M) dengan Kernel

Sobel Sx dan Sy

Start

Input Citra Manuscript

Petakan Nilai M ke Piksel Citra Baru Hitung Jumlah Piksel Citra

Pembagian Citra menjadi Blok3x3 Piksel (n)

Baca Citra Blokn

Blok(n) =0 ? Blok(n) =Blok(n)-1

No

(6)

Gambar 3.5 Flowchart Edges DetectionMetode Sobel Keterangan gambar:

Pada citra inputan, dilakukan pembacaan nilai pixel untuk pembentukan matriksgrayscale dan biner.Proses perhitungan gradient dilakukan pada matriks citra 3 x 3 pixel dengan kerner Sobel Sx dan Sy

3.1.3 FlowchartEdges DetectionMetode Gradient Prewitt

. Hasil perhitungan gradient dipetakan ke

pixelpada matriks citra baru sebagai citra hasilEdges Detection.

Flowchart Edges Detection dengan metode Gradient Prewittdapat dilihat seperti pada Gambar 3.6.

Stop

Tampilkan Citra Edges Detection

Simpan Hasil Edges Detection A

Start

Hitung Jumlah Piksel Citra

A

(7)

Gambar 3.6 Flowchart Edges DetectionMetode Gradient Prewitt

Keterangan gambar:

Pada citra inputan, dilakukan pembacaan nilai pixel untuk pembentukan matriksgrayscale dan biner.Proses perhitungan gradient dilakukan pada matriks citra 3 x 3 pixel dengan kerner Prewitt Px dan Py. Hasil perhitungan gradient dipetakan ke pixel pada matriks citra baru sebagai citra hasilEdges Detection.

PrewittPx dan Py

Petakan Nilai M ke Piksel Citra Baru

Stop

Tampilkan Citra Edges Detection

Baca Citra Blokn

No Yes

Hitung Nilai Biner Citra Blok n

(8)

3.1.4 Flowchart Edges Detection Metode Kombinasi

Flowchart Edges Detection dengan metode Kombinasi dapat dilihat seperti pada Gambar 3.7.

KombinasiKx dan Ky

Start

Petakan Nilai M ke Piksel Citra Baru Hitung Jumlah Piksel Citra

Baca Citra Blokn

No

Yes Hitung Nilai Biner Citra Blok n

Simpan Hasil Edges Detection

A

(9)

Gambar 3.7 Flowchart Edges DetectionMetode Kombinasi Keterangan gambar:

Pada citra inputan, dilakukan pembacaan nilai pixel untuk pembentukan matriksgrayscale dan biner.Proses perhitungan gradient dilakukan pada matriks citra 3 x 3 pixel dengan kerner Kombinasi Kx dan Ky. Hasil perhitungan gradient dipetakan ke pixel pada matriks citra baru sebagai citra hasilEdges Detection.

3.1.5 Pembagian Citra menjadi Ukuran 3 x 3 Pixel

Untuk menyesuaikan dengan operator Sobel, Prewitt serta Kombinasi, maka ukuran citra yang akan diolah dibagi dengan blok-blok dengan ukuran 3 x 3 pixel perblok seperti yang terlihat pada Gambar 3.8.

Gambar 3.8 Pengolahan Citra 3 x 3 Pixel Stop

(10)

Pada Gambar 3.8 terlihat urutan pengolahan blok citra dengan ukuran 3 x 3 pixel

dimulai mulai sebelah kiri atas sampai ke blok kanan bawah.

3.1.6 Perhitungan Nilai Warna RGB

Sebelum melakukan pengolahan citra,terlebih dahulu dilakukan pembacaan dan penghitungan nilai Pixel. Sebagai contoh diberikan citra manuscript kuno berdimensi 3 x 3 pixel seperti pada Gambar 3.9.

Gambar 3.9 Citra manuscript Kuno (3 x 3 Pixel)

Citra pada Gambar 3.9 di atas dilakukan penghitungan nilai komponen warna RGB-nya dengan membagi citra dalam Pixel- Pixel. Sebagai contoh diberikan cuplikan citra 3 x 3 pixel yang berasal dari citramanuscript kuno yang dapat dilihat seperti pada Gambar 3.10.

Gambar 3.10Blok Citra (3 x 3 Pixel)

Citra pada Gambar 3.10 di atas dilakukan pembacaan nilai pixel pada data bitmap Cover Image (3 x 3 Pixel) seperti pada Gambar 3.11 dibelakang.

Blok Image 3 x 3

Pixel

(11)

Gambar 3.11Nilai PixelBlok Citra (3 x 3 Pixel)

3.1.7 Perhitungan Nilai Grayscale

Untuk mendapatkan masing-masing nilai R, G dan B dilakukan operasi modulo (sisa bagi) dengan rumus sebagai berikut:

Nilai R = C(i,j)and 255 ………...……….. (3.1) Nilai G = (C(i,j)and 65280) / 256………...…...……….……. (3.2) Nilai B = (C(i,j)and 16711680) / 256/256 ….………...…...………... (3.3) Dimana C(i,j) adalah nilai piksel citra pada kordinat (i,j) dalam biner.

Pada Gambar 3.2 di atas memiliki nilai piksel antara lain: a. Nilai piksel (0,0)= 110110111010011000110011.

Nilai R = 110110001010011111110011and 11111111 = 11 0011= 51 (dec) Nilai G = (110110111010011000110011and 1111111100000000)/ 100000000

= 1010 0110= 166 (dec).

Nilai B = (110110111010011000110011and 111111110000000000000000)/ 100000000/100000000 = 1101 1011= 219 (dec).

b. Nilai piksel (0,1)= 101100111011010011010100.

Nilai R = 101100111011010011010100 and 11111111 = 1101 0100 = 212 (dec) Nilai G = (101100111011010011010100 and 1111111100000000)/ 100000000

= 1011 0100= 180 (dec).

Nilai B = (101100111011010011010100 and 111111110000000000000000)/ 100000000/100000000 = 1011 0011= 179 (dec).

Untuk mencari nilai pixel selanjutnya sampai dengan pixel (3,3) dihitung dengan cara yang sama seperti diatas. Dari hasil perhitungan nilai RGB blok citra di atas dimasukkan pada matriks citra RGB seperti pada Gambar 3.12 dibelakang.

>>>>>>>>>>>><Header><<<<<<<<<<<<<<<<<<< >>>>>>>>>>>><data bitmap><<<<<<<<<<<<<<<<

Pixel (0,0) Pixel (0,1) Pixel -(i,j)

110110001010011111110011101100111011010011010100...1 00101111010011010011011111101101011110011111101

(12)

R=51

Gambar 3.12 Matriks RGB Blok Citra

Matriks nilai di atas lalu ditransformasikan menjadi citra grayscale dengan menghitung rata-rata warna Red, Green dan Blue. Secara matematis penghitungannya nilai grayscale dengan rumus sebagai berikut.

f (i,j) = �fR(x,y)+ fG(x,y)+ fB(x,y)

3 � ... (3,4) untuk piksel (0,0) adalah:

f(0,0) = �51+166 + 219

Selanjutnya hasil perhitungan nilai grayscale di atas dimasukkan ke dalam matriks citra grayscale seperti pada Gambar 3.13 dibelakang.

(13)

145 190 90 95 60 64 33 71 89

Gambar 3.13Matriks Grayscale Blok Citra

3.1.8 Perhitungan Nilai Biner (Binerisasi)

Binerisasi adalah proses untuk mengubah warna citra menjadi hanya dua nilai yaitu 0 dan 1. Proses binerisasi pada matriks citra pada Gambar 3.10 di atas adalah dengan teknik threshold, dimana nilai grayscale dibawah 128 dimasukkan ke dalam nilai 0 sedangkan nilai grayscale diatas 128 dimasukkan ke nilai 1. Proses threshold dapat dilihat sebagai berikut.

Nilai threshold diatas dimasukkan pada matriks citra biner seperti pada Gambar 3.14.

1 1 0

0 0 0

(14)

3.1.9 Inisialisasi Kernel

3.1.9.1Inisialisasi Kernel Sobel

Deteksi tepi berfungsi untuk mempertegas batas batas citra atau untuk meningkatkan penampakan objek dengan latar belakang citra. Pada operator Sobel digunakan dua buah kernel seperti pada Gambar 3.15.

-1 0 1 1 2 1

-2 0 2 0 0 0

-1 0 1 -1 -2 -1

Sx S Gambar 3.15 Dua Buah Kernel Sobel

y

3.1.9.2Perhitungan Gradien (M) Sobel

Pada citra manuscript kuno dilakukan edges detection dengan mengambil 1 blok citra 3 x 3 Pixel seperti pada Gambar 3.16.

1 1 0 -1 0 1 1 2 1

0 0 0 -2 0 2 0 0 0

0 0 0 -1 0 1 -1 -2 -1

Gambar 3.16 Matriks citra 3x3 Pixel dengan Dua Kernel Sobel

sx = 1(-1) + 0(-2) + 0(-1) +0(1) +0(2) + 0(1)

Perhitungan nilai gradien (M) adalah sebagai berikut: M = |sx| + |sy

M = |-1| + |1| |

M = |2|

(15)

Nilai gradien yang diperoleh adalah 2, karena 2 adalah < 128, maka 2 dimasukkan ke dalam nilai 0.

3.1.9.3Pemetaan Nilai Gradien ke Citra baru

Citra hasil gradien yang diperoleh sebesar 2 dari perhitungan edges detection untuk

pixel blok 3 x 3 dipetakan ke citra baru seperti pada Gambar 3.17.

1 1 0

0 0 0

Gambar 3.17 Matriks Hasil Edges Detection Citra 3x3

3.1.9.4Inisialisasi Kernel Prewitt

Deteksi tepi berfungsi untuk mempertegas batas batas citra atau untuk meningkatkan penampakan objek dengan latar belakang citra. Operator Prewitt menggunakan dua buah kernel seperti pada Gambar 3.18.

-1 0 1 -1 -1 -1

-1 0 1 0 0 0

-1 0 1 -1 -1 -1

Sx S

Gambar3.18 Dua Buah Kernel Prewitt y

3.1.9.5Perhitungan Gradien (M) Prewitt

(16)

1 1 0 -1 0 1 -1 -1 -1

0 0 0 -1 0 1 0 0 0

0 0 0 -1 0 1 -1 -1 -1

Gambar 3.19 Matriks citra 3x3 Pixel dengan Dua Kernel Prewitt

sx = 1(-1) + 0(-1) + 0(-1) +0(1) +0(1) + 0(1)

M = |-1| + |-2| |

M = |-3|

Nilai gradien yang diperoleh adalah 3, karena 3 adalah < 128, maka 3 dimasukkan ke dalam nilai 0.

1 1 0

0 0 0

(17)

3.1.9.7Inisialisasi Kernel Kombinasi

Deteksi tepi berfungsi untuk mempertegas batas batas citra atau untuk meningkatkan penampakan objek dengan latar belakang citra. Operator Kombinasi menggunakan dua buah kernel seperti pada Gambar 3.21.

-1 0 1 -1 -1 -1

-2 0 2 0 0 0

-1 0 1 -1 -1 -1

KxK

Gambar 3.21 Dua Buah Kernel Kombinasi y

3.1.9.8Perhitungan Gradien (M) Kombinasi

Pada citra manuscript kuno dilakukan edges detection dengan mengambil 1 blok citra 3 x 3 Pixel seperti pada Gambar 3.22.

1 1 0 -1 0 1 -1 -1 -1 0 0 0 -2 0 2 0 0 0 0 0 0 -1 0 1 -1 -1 -1

Gambar 3.22 Matriks citra 3x3 Pixel dengan Dua Kernel Kombinasi

sx = 1(-1) + 0(-2) + 0(-1) +0(1) +0(2) + 0(1)

M = |-1| + |-2| |

M = |-3|

(18)

1 1 0 0 0 0

0 0 0

3.2 Perancangan

Pada tahap perancangan ini akan dibahas mengenai arsitektur umum, perancangan

User Interface.

3.2.1 Perancangan Antarmuka (User interface)

Perancangan antar muka adalah rancangan tampilan yang menghubungkan pengguna (user) dengan komputer dengan bantuan program. Salah satu syarat pembuatan antar muka adalah berorientasi pada mudah digunakan (user friendly) serta informatif.

3.2.1.1 Rancangan Menu Utama

Rancangan Menu Utama merupakan tampilan yang pertama kali muncul saat program dijalankan. Pada rancangan ini terdapat menu Edges Detection, Help, About dan Exit. Menu Deteksi Tepi berfungsi untuk menampilkan sub programEdges Detection,Help

berfungsi untuk menampilkan informasi bantuan,About berfungsi untuk menampilkan keterangan seputar aplikasi yang dibangun dan Exit berfungsi untuk keluar dari sistem. Rancangan Menu Utama terlihat seperti pada Gambar 3.24 dibelakang.

Edges Detection _Help About Exit

4 5 6

Op Sobel

(19)

Gambar 3.24 Rancangan Menu Utama Keterangan:

1. Menu item : berfungsi untuk menjalankan file pengolahan citra

Edges Detection

2. Menu Item : berfungsi untuk menjalankan program brightness citra. 3. Menu Item : berfungsi untuk menjalankan program menampilkan

perhitungan Edges Detection.

4. Menu Item : berfungsi untuk menjalankan program bantuan tatacara pengoperasian aplikasi

5. Menu Item : berfungsi untuk menjalankan program keterangan seputar aplikasi.

6. Menu Item : berfungsi untuk menutup aplikasi pengolahan citra 7. Label : berfungsi untuk menampilkan judul aplikasi

8. Picture Box : berfungsi untuk menampilkan gambar latar belakang

3.2.1.2 Rancangan FormEdges Detection

Rancangan FormEdges Detection berfungsi sebagai pengolahan citra dengan teknik

Edges Detection menggunakan operator Sobel, Prewitt serta Kombinasi.Citra yang diolah adalah citra teks manuscript kuno yang berformat .jpg dan .bmp. Fungsi tombol yang terdapat pada rancangan ini adalah: Tombol Load Citra adalah tombol untuk melakukan pemanggilan file citra dari memori komputer dan menampilkannya pada

(20)

untuk melakukan pembersihan tampilan dan tombol Save untuk melakukan penyimpanan citra hasil Edges Detection kedalam komputer, tombol Exit untuk menutup tampilan form. Rancangan formEdges Detection dapat dilihat seperti pada Gambar 3.25.

Gambar 3.25 Rancangan FormEdges Detection

Keterangan: 1. Picture Box :

berfungsi untuk menampilkan citra asli 2. Picture Box :

berfungsi untuk menampilkan citra hasil Edges Detection Sobel 3. Picture Box :

berfungsi untuk menampilkan citra hasil Edges Detection Prewitt 4. Picture Box :

berfungsi untuk menampilkan citra hasil Edges Detection Kombinasi 5. Button :

berfungsi sebagai tombol untuk menyimpan citra hasil seteksi tepi Sobel. 6. Button :

berfungsi sebagai tombol untuk menyimpan citra hasil seteksi tepi Prewitt.

Tampilan Citra Asli

Nama File _{xxxxxxxxxxxxxxxxxxxxxxxxx} Nama File _{xxxxxxxxxxxxxxxxxxxxxxxx}

(21)

7. Button :

berfungsi sebagai tombol untuk menyimpan citra hasil seteksi tepi Kombinasi. 8. Label :

berfungsi untuk menampilkan nama file citra asli. 9. Label :

berfungsi untuk menampilkan dimensi citra asli 10. Label :

berfungsi untuk menampilkan nama file citra hasil Edges Detection. 11. Label :

berfungsi untuk menampilkan ukuran file citra hasil Edges Detection. 12. Button:

berfungsi sebagai tombol untuk menampilkan citra asli. 13. Button :

berfungsi sebagai tombol untuk melakukan proses Edges Detection. 14. Button :

berfungsi sebagai tombol untuk melakukan pembersihan form Edges Detection. 15. Button :

berfungsi sebagai tombol untuk menutup form Edges Detection. 16. Label :

berfungsi untuk menampilkan nilai MSE citra hasil Edges Detection.

3.2.1.3 Rancangan Help

Rancangan Help adalah tampilan sederhana yang hanya memiliki satu tombol yaitu tombol Keluar. Rancangan ini berguna untuk menampilkan informasi tentang tata cara pengoperasian aplikasi yang dijelaskan tahap demi tahap.

(22)

Gambar 3.26 Rancangan Help

3.2.1.4 Rancangan About

Rancangan About ini berfungsi menampilkan informasi tentang penjelasan dari demo program yang dibuat. Rancangan About dapat dilihat seperti pada Gambar 3.27.

Gambar 3.27 Rancangan About

Judul Skripsi

Tutup Penjelasan Tentang program

xxxxxxxxxxxxxxxx Logo Usu

(23)

BAB 4

IMPLEMENTASI DAN PENGUJIAN

4.1Implementasi

Algoritma edges detection menggunakan operator Sobel untuk melakukan memperbaiki kualitas citra teks dengan cara memperjelas batas-batas objek pada citra. Implementasi dari perangkat lunak dari edges detection berupa tampilan hasil rancangan dari penulisan kode program dimulai dari program Menu Utama yang terdiri dari menu Edges Detection, Help,About serta Exit. Dalam implementasi perangkat lunak ini juga dijelaskan spesifikasi perangkat lunak dan keras yang digunakan dalam melakukan pengujian perangkat lunak dalam melakukan Edges Detection.

4.1.1 Spesifikasi Hardware dan Software yang Digunakan

Spesifikasi perangkat keras (hardware) dan perangkat lunak (software) yang digunakan untuk membangun perangkat lunak edges detection menggunakan operator Sobel untuk memperbaiki kualitas citra teks adalah:

Satu unit komputer atau laptop dengan spesifikasi sebagai berikut: 1. Processor Intel® Core™ i3 CPU M 350 @ 2.27GHz

2. RAM 2.00 GB (1.5 GB usable) 3. Hardisk kapasitas 500 GB.

4. VGA cardNVIDIA GeForce 210 GPU 64-bit 5. Keyboard dan mouse

Sedangkan spesifikasi software untuk sistem operasi komputer pada laptop adalah: 1. Microsoft Windows 7 Ultimate 64-bit

(24)

4.1.2 Tampilan Menu Utama

Tampilan Menu Utama merupakan tampilan yang berisi judul skripsi, gambar latar serta tampilan menu. Tampilan Menu terdiri dari menu Edges Detection, Help,About

serta Exit. Tampilan Menu Utama dapat dilihat pada Gambar4.1.

Gambar 4.1 Tampilan Menu Utama

4.1.3 Tampilan Form Edges Detection

Tampilan Edges Detection merupakan tampilan berguna untuk melakukan proses

Edges Detectiondengan operator Sobel, Prewitt dan Kombinasi. Tampilan form Edges Detection dapat dilihat pada Gambar 4.2 dibelakang.

(25)

Gambar 4.2 Tampilan FormEdges Detection

Keterangan:

Pada Gambar 4.2 diatas adalah tampilan awal citra manuscript kuno yang telah di Load dari memori komputer yang berukuran 650 x 500 pixel.Untuk melakukan Edges Detection, maka pilih tombol Processdan hasilnya dapat dilihat seperti Gambar 4.3.

Gambar 4.3 Tampilan Hasil Edges Detection

(26)

4.1.4 Tampilan Help

Tampilan Help berfungsi untuk menampilkan penjelasan program dan tutorial program. Tampilan Help dapat dilihat pada Gambar 4.4.

Gambar 4.4 Tampilan Help

4.1.5 Tampilan About

Tampilan About berfungsi untuk menampilkan keterangan tentang identitas dari penulis. Berikut tampilan About dapat dilihat pada Gambar 4.5.

(27)

Gambar 4.5 Tampilan About

4.2 Pengujian Aplikasi Edges Detection

Hasil Pengujian edges detection menggunakan operator Sobel untuk memperbaiki kualitas citra teksberfungsi untuk menampilkan hasiledges detection citra pada citra

manuscript. Adapaun jumlah citra yang diuji adalah 3 citra berformat JPG dan 3 citra berformat BMP.

4.2.1 Pengujian Citra Format JPG Operator Sobel

Pengujian edges detection menggunakan operator Sobel sebagai berikut: 1. Citra 201.jpg (Museum Negeri Sumatera Utara, 2016)

(28)

Pada Gambar 4.6fox pada citra teks manuscript dapat dikurangi dengan hasil Edges Detection yang lebih jelas dengan warna tulisan dibuat keabu-abuan serta warna kertas hitam. _Hasil _{edges detection}_{pada objek yang berwarna merah muda} memberikan hasil yang kurang baik karna memiliki nilai warna 50 dengan nilai MSE 18.831.

(29)

2. Citra 204.jpg (Museum Negeri Sumatera Utara, 2016)

Gambar 4.7 Tampilan Hasil Edges DetectionOperator Sobel File Citra 204.jpg

Pada Gambar 4.7fox pada citra teks manuscript dapat dikurangi dengan hasil yang lebih jelas dengan warna tulisan dibuat keabu-abuan serta warna putih telah berubah menjadi hitam karna nilai warna putih menjadi 204 dengan MSE 2.236.

3. Citra 225.jpg(Museum Negeri Sumatera Utara, 2016)

Gambar 4.8 Tampilan Hasil Edges Detection Operator Sobel File Citra 225.jpg

Pada Gambar 4.8fox pada citra teks manuscript dapat dikurangi dengan hasil teks

(30)

(31)

4. Citra 1.jpg

manuscript sehingga teks pada citra 1.jpg terlihat jelas dengan MSE 4.33.

5. Citra 2.jpg

(32)

6. Citra 3.jpg

manuscript sehingga teks pada citra 3.jpg terlihat jelas dengan MSE 11.83.

4.2.2 Pengujian Citra Format JPG Operator Prewit

Pengujian edges detection menggunakan operator Prewit sebagai berikut: 1. Citra 201.jpg (Museum Negeri Sumatera Utara, 2016)

Gambar 4.12 Tampilan Hasil Edges Detection Operator Prewit File Citra 201.jpg

(33)

Pada Gambar 4.12fox pada citra teks manuscript dapat dikurangi dengan hasil deteksi prewit, dibandingkan dengan sobel diatas fox dikurangi lebih banyak, sehingga citra terlihat lebih baik dengan MSE 9.59.

Gambar 4.13 Tampilan Hasil Edges DetectionOperator Prewit File Citra 204.jpg

Pada Gambar 4.13fox pada citra teks manuscriptdikurangi dengan deteksi tepi prewit. Maka citra yang dihasilkan lebih baik disbanding sobel dengan MSE 10.34.

(34)

Pada Gambar 4.14fox pada citra teks manuscript dapat dikurangi dengan memblurkan fox dengan menggunakan deteksi tepi prewit. Namun tepi citra belum terlihat jelas dengan MSE 1.73

(35)

4. Citra 1.jpg

5. Citra 2.jpg

(36)

(37)

6. Citra 3.jpg

4.2.3 Pengujian Citra Format JPG Operator Kombinasi

Pengujian edges detection menggunakan operator Kombinasi sebagai berikut: 1. Citra 201.jpg (Museum Negeri Sumatera Utara, 2016)

(38)

Pada Gambar 4.18Dapat dilihat dari hasil deteksi kombinasi didapatkan citra yang lebih baik dan jelas. Fox atau noise telah dikurangi sehingga tepi teks menjadi jelas dan tajam dengan MSE 12.6.

Gambar 4.19 Tampilan Hasil Edges DetectionKombinasi File Citra 204.jpg

Pada Gambar 4.19Sudah tidak ada fox atau noise pada citra 204 dapat dilihat dari hasil deteksi tepi dengan metode kombinasi. Sehingga citra yang dihasilkan menjadi lebih jelas tanpa fox dengan MSE 13.8.

(39)

Pada Gambar 4.20fox pada citra teks manuscripttelah dikurangi dengan deteksi tepi kombinasi. Terlihat jelas pada citra asli yang dalam lingkaran terdapat fox atau noise, namub noise tidak terlihat lagi pada hasil deteksi tepi kombinasi. Sehingga didapat citra manuscript yang lebih baik dengan MSE 8.18.

4. Citra 1.jpg

Gambar 4.21 Tampilan Hasil Edges DetectionKombinasi File Citra 1.jpg Pada Gambar 4.21Sudah tidak ada fox atau noise pada citra 1.jpg dapat dilihat dari hasil deteksi tepi dengan metode kombinasi. Sehingga citra yang dihasilkan menjadi lebih jelas tanpa fox dengan MSE 12.22.

(40)

(41)

6. Citra 3.jpg

4.2.4 Pengujian Citra Format BMP Operator Sobel

Pengujian edge detection yang kedua ini adalah dengan menggunakan format citra yang belum dikompresi yaitu format BMP. Hasil pengujian citra dengan format BMP adalah sebagai berikut:

(42)

Gambar 4.24 Tampilan Hasil Edges DetectionOperator Sobel File Citra 203.bmp

Pada Gambar 4.24fox pada citra teks manuscript berada ditengah citra. Fox yang terlihat seperti tumpahan air ketika dilakukan deteksi tepi fox hilang, sehingga citra terlihat lebih jelas dengan MSE 10.77.

2. Hasil Edges DetectionOperator SobelCitra 254.bmp

Gambar 4.25 Tampilan Hasil Edges DetectionOperator Sobel File Citra 254.bmp Pada Gambar 4.25fox pada citra teks manuscript bagian atas kiri dapat dikurangi sehingga teks menjadi lebih jelas dengan MSE 3.60.

(43)

Gambar 4.26 Tampilan Hasil Edges Detection Operator Sobel File Citra 250.bmp

Pada Gambar 4.26fox pada citra teks manuscript bagian atas kiri dan kanan bawah dapat dikurangi sehingga teks menjadi lebih jelas dengan MSE 13.96.

(44)

(45)

4.2.5 Pengujian Citra Format BMP Operator Prewit

Pengujian edge detection yang kedua ini adalah dengan menggunakan format citra yang belum dikompresi yaitu format BMP. Hasil pengujian citra dengan format BMP adalah sebagai berikut:

(46)

Gambar 4.30 Tampilan Hasil Edges Detection Operator Prewit File Citra 240.bmp

2. Tampilan Hasil Edges Detection Operator Prewit File Citra 254.bmp

Gambar 4.31 Tampilan Hasil Edges Detection Operator Prewit File Citra 254.bmp Pada Gambar 4.31fox pada citra teks manuscript bagian atas kiri dapat dikurangi sehingga teks menjadi lebih jelas dengan MSE 7.07.

3. Tampilan Hasil Edges Detection Operator Prewit File Citra 250.bmp

(47)

4. Hasil Edges DetectionOperator Prewit Citra 1.bmp

(48)

(49)

4.2.6 Pengujian Citra Format BMP Operator Kombinasi

Pengujian edge detection yang kedua ini adalah dengan menggunakan format citra yang belum dikompresi yaitu format BMP. Hasil pengujian citra dengan format BMP adalah sebagai berikut :

1. Hasil Edges DetectionOperator Kombinasi File Citra 240.bmp

(50)

Pada Gambar 4.36fox pada citra teks manuscript berada ditengah citra. Fox yang terlihat seperti tumpahan air ketika dilakukan deteksi tepi fox hilang, sehingga citra terlihat lebih jelas dengan dengan MSE 6.92.

Gambar 4.37 Hasil Edges DetectionOperator Kombinasi File Citra 254.bmp

Pada Gambar 4.37fox pada citra teks manuscript bagian atas kiri dapat dikurangi sehingga teks menjadi lebih jelas dengan MSE 14.21.

(51)

4. Hasil Edges DetectionOperator Kombinasi Citra 1.bmp

(52)

(53)

4.2.7 PengujianHasil Angket Edges Detection

Pengujian Angket edges detection menggunakan angket dengan lima level skala Likert adalah SB= Sangat Baik, B= Baik, C=Cukup,TB=Tidak Baik,STB=Sangat Tidak Baik adalah sebagai berikut:

Tabel 4.1 Hasil Angket Citra Hasil Edges Detection No Nama Citra Jumlah Responden Yang Memilih

SB B C TB STB Jumlah

1 Citra Hasil Sobel 0 2 5 3 0 10

2 Citra Hasil Prewit 0 7 3 0 0 10

3 Citra Hasil Kombinasi 4 5 1 0 0 10

Jumlah 4 14 9 3 0

(54)

Rumus Interval yang digunakan adalah: I = 100 / Jumlah Skor (likert)

Maka = 100 / 5 = 20

Hasil (I) = 20 adalah intervalnya jarak dari terendah 0 % hingga tertinggi 100% Berikut kriteria interpretasi skornya berdasarkan interval :

Angka 0% – 19,99% = Sangat Tidak Baik Angka 20% – 39,99% = Tidak Baik Angka 40% – 59,99% = Cukup Angka 60% – 79,99% = Baik Angka 80% – 100% = Sangat Baik

Nilai Kriteria interpretasi skor berdasarkan interval dapat dilihat seperti pada Tabel 4.2.

Tabel 4.2 Nilai Kriteria No Jawaban (%) Keterangan

Data bobot nilai yang digunakan dapat dilihat seperti pada Tabel 4.3. Tabel 4.3 Bobot Nilai

Nilai Bobot

Dari data yang didapat diatas kemudian diolah dengan cara mengkalikan setiap point jawaban dengan bobot yang sudah ditentukan dengan tabel bobot nilai.

Maka Hasil Perhitungan jawaban responden sebagai berikut :

(55)

1. Pertanyaan Pertama Citra Hasil Sobel

2. Pertanyaan Pertama Citra Hasil Prewit

a) Responden yang menjawab Sangat Baik (5) = 0 x 5 = 0

3. Pertanyaan Pertama Citra Hasil Kombinasi

a) Responden yang menjawab Sangat Baik (5) = 4 x 5 = 20

Untuk mendapatkan hasil interpretasi citra 201.jpg, harus diketahui dulu skor tertinggi (X) dan angka terendah (Y) untuk item penilaian dengan rumus sebagai berikut : Y = Skor tertinggi likert x jumlah responden

Y = 5 x 10 = 50

(56)

Jumlah skor tertinggi untuk item Sangat Baik ialah 5 x 10 = 50, sedangkan item Sangat Tidak Baik ialah 1 x 10 = 10. Jadi, jika total skor responden di peroleh angka 250, maka penilaian interpretasi responden terhadap citra hasil sobel tersebut adalah hasil nilai yang dihasilkan dengan menggunakan rumus Index %.

Rumus Index % citra hasil sobel = Total Skor / Y x 100 = 29 / (50 x 100)

= 5.8 % Kategori Tidak Baik

Untuk mendapatkan hasil interpretasi citra hasil prewit Rumus Index % citra 204.jpg = Total Skor / Y x 100 = 37 / (50 x 100)

Untuk mendapatkan hasil interpretasi citra hasil kombinasi Rumus Index % citra 225.jpg = Total Skor / Y x 100 = 43 / (50 x 100)

(57)

BAB 5

KESIMPULAN DAN SARAN

5.1Kesimpulan

Setelah merancang dan mengaplikasikan perangkat lunak perbaikan kualitas citra manuskrip kuno dengan mengimplementasikan algoritma edge detection operator Sobel, maka diperoleh hasil pengujian sistem adalah sebagai berikut:

1. Perangkat lunak dapat mengolah citra manuskrip kuno dengan algoritma

Edges Detection operator Sobel, Prewitt dan Kombinasi sehingga teks pada citra manuskrip kuno menjadi lebih jelas.

2. Dengan menggunakan metode kombinasi, citra yang dihasilkan lebih baik dibandingkan citra hasil metode gradient prewit dan sobel, karna noise pada citra hasil kombinasi telah dihilangkan.

3. Metode gradient prewit, sobel, dan kombinasi sangat baik untuk citra manuskrip kuno yang tidak rumit, hal ini dibuktikan dengan hasil deteksi tepi yang diperoleh berwarna keabu-abuan yang lebih jelas untuk dapat digunakan analisa lebih lanjut.

4. Pada penelitian ini Metode kombinasi memperoleh nilai MSE paling kecil dengan rata-rata nilai 7,87 dibandingkan metode Gradien prewit dengan nilai 8,02 dan Sobel dengan nilai 11,56.

5.2Saran

Adapun saran-saran yang diperlukan untuk penelitian maupun pengembangan berikutnya adalah:

1. Membandingkan operator turunan kedua yang digunakan seperti operator Canny.