BABI PENDAHULUAN 1.1 Latar Belakang

1

BABI

PENDAHULUAN

1.1 Latar Belakang

Kebutuhan sistem otomatis dalam dunia industri dan non-industri yang semakin kompleks menyebabkan permintaan pasar terhadap teknologi machine

vision semakin meningkat [1]. Penelitian terhadap perkembangan teknik-teknik machine vision dibutuhkan untuk mendukung tersedianya teknologi machine vision yang berkualitas. Teknik machine vision tidak dapat terlepas dari bidang

pengolahan citra dan pengenalan pola karena prosesnya selalu berdasarkan pada penangkapan dan pemprosesan citra [2]. Identifikasi lingkaran merupakan bagian dari teknik pengenalan pola yang dibutuhkan untuk mendukung perkembangan teknologi machine vision [3]-[4]. Hal ini dapat dilihat dari perkembangan aplikasi identifikasi lingkaran baik dalam dunia industri maupun non-industri yang semakin luas, sehingga penelitian untuk mencari teknik identifikasi lingkaran yang paling efektif dan akurat mengalami peningkatan yang signifikan [1][5][6][7]. Penerapan aplikasi identifikasi lingkaran dalam dunia manufaktur dan industri diimplementasikan menjadi suatu sistem yang dapat digunakan untuk mengkoreksi kecacatan suatu produk, quality control, serta identifikasi kepresisian lubang pada Printed Circuit Board (PCB) [3][4][8][9]. Di bidang non-industri, identifikasi lingkaran diterapkan pada bidang penelitian ilmiah, penentuan lokasi target, robotika, biologi, biomedis, dan sebagai dasar segmentasi serta pendefinisian suatu objek [6][7][10][11][12][13][14][15].

Cakupan aplikasi identifikasi lingkaran yang sangat luas memiliki metode identifikasi yang berbeda-beda bergantung pada kebutuhan sistem. Metode-metode yang digunakan pada penelitian identifikasi lingkaran dititikberatkan pada dua faktor penting yaitu waktu komputasi dan keakuratan identifikasi [16]. Metode-metode tersebut dapat diklasifikasikan menjadi dua macam yaitu metode

deterministic dan metode nondeterministic [16]. Metode deterministic sebagian

2

keakuratan identifikasi yang dihasilkan. Metode Hough Transform digunakan dalam penelitian [3]. Metode tersebut memiliki kelemahan dalam hal efisiensi waktu identifikasi. Perbaikan dari metode Hough Transform bernama Randomize

Hough Transform digunakan pada penelitian [12]. Metode tersebut masih

memiliki masalah terhadap penggunaan memori yang cukup signifikan dan memiliki kompleksitas perhitungan yang rumit.

Metode nondeterministic lebih banyak digunakan dalam penelitian identifikasi lingkaran. Metode tersebut menekankan pada analisis geometris dan lebih mengutamakan dalam hal efisiensi komputasi [16]. Metode identifikasi lingkaran yang termasuk dalam metode nondeterministic yaitu metode identifikasi lingkaran berdasarkan penelusuran kontur garis tepi serta metode identifikasi lingkaran dengan menggunakan morfologi matematika dan kode rantai.

Kode rantai merupakan salah bentuk algoritme yang dapat digunakan untuk memahami bentuk struktur suatu objek. Kode rantai banyak digunakan dalam penelusuran data kontur garis karena hemat memori data dan memiliki informasi lebih dibandingkan dengan sebuah titik [6]. Penelitian [17] mengungkapkan bahwa penkodean kontur menyediakan representasi kode suatu area objek yang sangat cocok untuk identifikasi fitur seperti sudut, proyeksi, serta segmentasi garis lurus yang mana dapat digunakan untuk analisis bentuk objek dan analisa pengenalan bentuk berdasarkan pola. Neeta Nain, dkk menyebutkan bahwa metode identifikasi sudut menggunakan difference chain code yang dilakukannya sangat efisien karena hanya berdasarkan perhitungan operasi integer serta sangat mudah untuk diimplementasikan [18]. Identifikasi lingkaran menggunakan kode rantai telah digunakan oleh penelitian metode kode rantai [9]. Penelitian tersebut memiliki hasil pengujian kurang presisi dalam menentukan titik tengah lingkaran karena semua kode rantai dilibatkan secara keseluruhan. Selain itu metode tersebut hanya dapat mengenali bentuk lingkaran sempurna.

Kekurangan metode deterministic dan nondeterministic secara umum adalah ketidakefektifan identifikasi karena metode-metode tersebut sebagian besar belum melakukan operasi pencarian kandidat lingkaran terlebih dahulu sehingga terjadi pemborosan dalam hal komputasi dan penggunaan memori. Masalah dalam

3

metode deterministic dan nondeterministic dapat diatasi dengan cara melakukan pencarian kandidat lingkaran terlebih dahulu sebelum melakukan identifikasi lingkaran. Penentuan kandidat lingkaran sebelum mengidentifikasi lingkaran didasarkan pada cara mata manusia mengenali sebuah objek lingkaran. Pencarian kandidat dilakukan dengan penelusuran setiap kontur garis tepi yang ada pada citra yang memiliki potensi bentuk sebagai lingkaran. Manusia menyatakan suatu bentuk lingkaran adalah dengan melihat kontur objek tanpa melakukan perhitungan titik tengah terlebih dahulu. Oleh karena itu, kandidat lingkaran dapat dikenali dengan memahami struktur objek yang diidentifikasi. Struktur dari objek tersebut berbentuk suatu garis kontur yang terdiri dari banyak titik yang saling terhubung satu dengan yang lainnya.

Salah satu bentuk metode pencarian kandidat dalam menentukan potensi suatu kontur garis tepi merupakan kandidat lingkaran adalah dengan melakukan pengujian titik acuan yang merupakan bagian dari suatu bentuk garis kontur yang terhubung secara noncollinier [19]. Sebagian besar metode identifikasi lingkaran yang menerapkan cara ini tidak menghitung keseluruhan titik-titik yang ada pada kontur garis untuk mengurangi penggunaan memori dan memangkas waktu eksekusi. Perhitungan dilakukan dengan cara mengambil minimal tiga titik acuan secara acak. Pemilihan beberapa titik acuan saja sangat efektif namun memiliki kelemahan jika dalam proses penentuan titik acuan tidak tepat maka akan memberikan dampak pada kesalahan metode dalam menentukan potensi garis kontur tersebut sebagai objek lingkaran. Oleh sebab itu penentuan titik acuan harus dilakukan tidak secara acak dan dengan perhitungan tertentu sehingga hasil yang penentuan kandidat lingkaran tersebut valid.

Pengembangan dari proses penentuan kandidat dapat dilakukan dengan meningkatkan validasi pemilihan titik acuan menggunakan metode hasil perbaikan algoritme kode rantai pada penelitian [18]. Metode tersebut menggunakan perpindahan arah kode rantai untuk mengidentifikasi posisi perubahan arah kontur yang dapat digunakan untuk menentukan titik acuan dalam menentukan kandidat objek sebagai lingkaran. Penelitian [18] menyebutkan bahwa algoritme differential chain code sangat efisien karena hanya berdasarkan

4

perhitungan operasi integer serta sangat mudah untuk diimplementasikan. Tujuan dari metode identifikasi lingkaran menggunakan kode rantai ini adalah untuk melakukan penghematan waktu dan meningkatkan keakuratan hasil identifikasi dengan memangkas waktu pencarian titik acuan sebagai dasar penentuan kandidat lingkaran dalam suatu citra. Penghematan waktu didapat dengan cara melakukan pemeriksaan terhadap setiap garis kontur untuk mendapatkan titik acuan di awal perhitungan sehingga proses identifikasi lingkaran akan berhenti jika tidak ditemukan tanda-tanda garis kontur tersebut tidak berpotensi sebagai lingkaran. Keakuratan identifikasi meningkat karena pengambilan titik acuan tidak secara acak dan melalui perhitungan terlebih dahulu sehingga nilainya valid sehingga penentuan kandidat lingkaran lebih presisi.

Penelitian ini akan menitikberatkan pada efisiensi pemilihan titik acuan berdasarkan perpindahan arah kode rantai untuk mendapatkan titik-titik acuan yang dapat digunakan untuk menentukan objek tersebut sebagai kandidat lingkaran. Selain itu titik acuan yang didapat lebih valid dan tidak secara acak sehingga dapat meningkatkan kepresisian ketika digunakan untuk menentukan kandidat, menghitung titik pusat dan juga jari-jari lingkaran. Metode ini mampu mengidentifikasi lebih dini objek yang diamati apabila bukan merupakan lingkaran dan juga mampu mengenali berbagai macam bentuk lingkaran baik lingkaran sempurna maupun lingkaran tidak sempurna sesuai tingkat sensitivitas yang ditentukan sehingga dapat meningkatkan efisiensi dan akurasi dalam proses identifikasi.

1.2 Perumusan masalah

Dari latar belakang yang dikemukakan di atas, permasalahan penelitian dalam hal waktu eksekusi yang lama dan kebutuhan komputasi memori yang besar dikarenakan tidak adanya proses penentuan kandidat objek sebagai lingkaran terlebih dahulu serta analisis penelitian hanya melibatkan informasi posisi piksel saja tanpa menggunakan informasi perubahan posisi perpindahan piksel, yang mana hanya dapat dilakukan dengan menggunakan analisis kode rantai (chain code). Permasalahan tingkat akurasi dan kepresisian hasil penelitian

5

yang tidak maksimal disebabkan tidak adanya pemilihan validasi pemilihan titik acuan yang digunakan sebagai acuan dasar perhitungan identifikasi.

1.3 Keaslian penelitian

Penelitian ini mengacu pada penelitian sebelumnya mengenai identifikasi lingkaran (circle detection). Terdapat dua macam pendekatan metode yang digunakan yaitu metode deterministic berbasis Hough Transform (HT) dan metode nondterministic bukan berbasis Hough Transform (non-HT). Beberapa metode menerapkan proses pencarian kandidat lingkaran dahulu sebelum proses identifikasi lingkaran yang sebenarnya serta melakukan pemilihan titik acuan secara acak sebagai dasar titik acuan perhitungan. Penerapan pencarian kandidat lingkaran digunakan untuk mengurangi kompleksitas perhitungan dan juga meningkatkan efisiensi penggunan memori sehingga mampu mempercepat waktu ekseskusi proses identifikasi. Tabel 1.1 menunjukkan rangkuman penelitian terdahulu yang menjadi acuan penelitian yang dilakukan.

Tabel 1.1 Rangkuman penelitian sebelumnya

Penulis/Judul Tujuan Penelitian Metode Liyan Luo, dkk

A Fast and Robust Circle Detection Method using Perpendicular Bisector of Chords

[1]

Penelitian ini bertujuan mengembangkan metode non-HT dengan menerapkan Perpendicular Bisector of Chords untuk mengatasi kelemahan metode Centroid, metode

Hough Tranform dan

juga metode Least

Square.

Perpendicular Bisector of Chords diterapkan dengan

mendasarkan pada perpotongan antara garis tegak lurus dengan garis tegak lurus yang lainnya untuk mendapatkan posisi titik tengah lingkaran.

Kuo-Liang Chung, dkk Efficient Sampling Strategy and Refinement Strategy for Randomized Circle Detection [5]

Penelitian ini bertujuan untuk meningkatkan kecepatan dan akurasi deteksi metode RCD

Perhitungan gradient

directions dilakukan untuk

mendapatkan evidences sebagai dasar proses

multiple-evidence-based sampling strategy.

Refinement strategy untuk

mengatasi kekurangan permasalahan bias pada metode RCD

6

Tabel 1.2 Rangkuman penelitian sebelumnya (lanjutan) Penulis/Judul Tujuan Penelitian Metode Yueqiu Jiang A New Circular Region Detection Algorithm Based on the Geometric Characteristics [6]

Penelitian ini bertujuan mencari metode lain deteksi lingkaran yang akurat dan efisien selain

Hough transform dan Freeman Chain Code

dengan menerapkan pendekatan Geometric

Characteristics

Dasar Geometric

Chracteristic berupa titik

maksimal atas, bawah, kiri, dan kanan yang kemudian ditarik garis lurus sehingga didapatkan titik perpotongan untuk menentukan nilai tengah lingkaran. Ming Chen, dkk

Circle Detection using Scan Lines and Histograms

[7]

Penelitian ini bertujuan menerapkan teknik Scan

Lines dan Histogram

pada proses deteksi lingkaran untuk mengurangi lamanya waktu komputasi Horizontal Midpoint Histogram (HMH) dan Vertical Midpoint Histogram (VMH)

digunakan sebagai dasar perhitungan Histogram untuk menentukan objek sebagai lingkaran Fu dan Han A Circle Detection Algorithm Based on Mathematical Morphology and Chain Code [9]

Menerapkan metode non-HT untuk mendeteksi lingkaran menggunakan kode rantai dan

perhitungan morfologi matematika

Kode rantai digunakan untuk menghitung perimeter dan area pada perhitungan

Circularity Index (CI).

Penentuan objek sebagai lingkaran didasarkan pada perhitungan CI terhadap threshold (s ) yang ditetapkan. Jiang, L Efficient Randomized Hough Transform for Circle Detection using Novel

Probability Sampling and Feature Points

[11]

Mengoptimalkan metode RHT dalam menentukan titik sampling dan menentukan kandidat objek sebagai lingkaran.

Circle parameters didapatkan dengan menggunakan teknik probabilitas (probability sampling) untuk menentukan kandidat

lingkaran ditentukan melalui perhitungan symmetric

points. Penentuan objek

sebagai lingkaran menggunakan

evidence-collection dan Hough Transform (HT).

7

Tabel 1.3 Rangkuman penelitian sebelumnya (lanjutan) Penulis/Judul Tujuan Penelitian Metode Li-qin jia dan

Cheng-Zhang Peng A New Circle Detection Method Based on Parallel Operator [14]

Menerapkan metode non-HT untuk mendeteksi keberadaan objek lingkaran secara cepat dan akurat dengan menggunakan parallel

operator

Teknik parallel pair points digunakan untuk

menentukan objek sebagai lingkaran yang diperoleh berdasar perhitungan valid

pixel point meliputi gradient vector, magnitude, dan orientation line.

Chen, A dan Dong, G

Efficient Method for Rapidly Detecting Circles Based on Edge-Tracking

[19]

Menerapkan metode non-HT untuk mendeteksi lingkaran berdasarkan kontur tepi objek

Perhitungan

evidence-collecting digunakan untuk

menentuan objek kandidat lingkaran sebagai lingkaran didasarkan perhitungan distance (d ) terhadap m parameter threshold (T ) d E. Cuevas, dkk Circle Detection on Images using Learning Automata [20]

Penelitian ini bertujuan menerapkan metode non-HT untuk mendeteksi lingkaran secara otomatis pada citra yang kompleks dan berderau dengan menggunakan metode

Learning Automata (LA)

Tiga titik sampling diambil secara acak digunakan untuk menentukan kandidat lingkaran. Kandidat

dianggap sebagai lingkaran melalui proses performance

evaluation function (.) .

Berdasarkan pada Tabel 1.1, Tabel 1.2, dan Tabel 1.3 dapat dilihat perbandingan keaslian penelitian ini dibandingkan dengan penelitian sebelumnya.

Liyan Luo, dkk [1] meneliti tentang identifikasi lingkaran menggunakan metode Perpendicular Bisector of Chords. Penggunaan metode ini bertujuan untuk mengatasi kelemahan metode Centroid berupa penyimpangan hasil identifikasi, serta mengatasi kekurangan metode Hough Transform dalam hal waktu komputasi dan penggunaan memori. Selain itu penggunaan metode ini ditujukan untuk mengatasi kelemahan metode Least Square yang sensitif terhadap

noise. Perpendicular Bisector of Chords diterapkan dengan membagi suatu bentuk

8

setiap dua lokasi titik dihubungkan dan dihitung nilai simpangannya secara tegak lurus terhadap garis yang terbentuk. Perpotongan antara garis tegak lurus dengan garis tegak lurus yang lainnya akan didapatkan posisi titik tengah lingkaran sehingga dapat dihitung nilai jari-jarinya.

Kuo-Liang Chung, dkk [5] meneliti tentang metode identifikasi lingkaran berbasis Rundomized Circle Detection (RCD) dengan melakukan penentuan kandidat lingkaran terlebih dahulu sebelum dinyatakan sebagai lingkaran sebenarnya dengan teknik Multiple-Evidence-Based Sampling Strategy dan meningkatkan akurasi dengan Refinement Strategy. Perhitungan gradient

directions dilakukan untuk mendapatkan parameter evidences sebagai dasar proses multiple-evidence. Evidence yang pertama adalah arah gradient empat buah titik

harus valid dan terletak pada suatu kontur lingkaran. Evidence yang kedua merupakan validasi lokasi titik acuan untuk menentukan kandidat lingkaran.

Evidence ketiga merupakan validasi arah gradient dari seluruh titik acuan menuju

kearah pusat. Evidence ketiga digunakan untuk menentukan objek sebagai lingkaran. Refinement strategy digunakan untuk mengatasi kekurangan permasalahan bias pada metode RCD.

Yueqiu Jiang [6] mengusulkan penelitian yang bertujuan mencari metode lain identifikasi lingkaran yang akurat dan efisien selain Hough transform dan

Freeman Chain Code dengan menerapkan pendekatan Geometric Characteristic.

Operator Canny digunakan dalam segmentasi objek pada tahap pre-processing. Identifikasi lingkaran didasarkan pada Geometric Chracteristic berupa titik maksimal atas, bawah, kiri, dan kanan yang kemudian ditarik garis lurus sehingga didapatkan titik perpotongan untuk menentukan nilai tengah lingkaran. Metode ini sangat sederhana sehingga keakuratan dan efisiensi hanya didapat pada pengujian lingkaran sempurna kondisi ideal. Metode ini juga tidak dapat mengidentifikasi bentuk lingkaran tidak sempurna ataupun bertumpuk.

Penelitian dengan tujuan mengembangkan metode identifikasi lingkaran non-HT berdasarkan sifat karakterisik simetris lingkaran diusulkan oleh Ming Chen, dkk [7]. Metode ini menerapkan teknik Scan Lines dan Histogram untuk mengurangi lamanya waktu komputasi. Objek kandidat lingkaran didapatkan

9

dengan menerapkan teknik Scan Lines sehingga didapatkan nilai Horizontal

Midpoint Histogram (HMH) dan Vertical Midpoint Histogram (VMH). Untuk

memvalidasi kandidat lingkaran tersebut sebagai lingkaran yang sebenarnya maka dihitung histogram dari distance dari semua titik kontur terhadap titik tengah untuk memverifikasi bentuk lingkaran dan mendapatkan nilai jari-jari lingkaran tersebut. Metode ini memiliki tingkat komputasi yang tinggi dan berpotensi terjadi kesalahan karena keputusan diambil berdasarkan data histogram.

Fu dan Han [9] melakukan penelitian dengan menerapkan metode non-HT untuk mengidentifikasi lingkaran menggunakan kode rantai (chain code) dan perhitungan morfologi matematika. Kode rantai (chain code) digunakan karena dapat digunakan untuk mempresentasikan berbagai bentuk kontur tertutup. Proses morfologi dilakukan dengan cara denoising dan area filling. Kode rantai didapatkan dari proses penelusuran kode pada hasil identifikasi tepi objek yang sudah diekstraksi menjadi sebuah kontur tunggal. Kode rantai digunakan untuk menghitung perimeter dan area pada perhitungan Circularity Index (CI). Penentuan objek sebagai lingkaran didasarkan pada perhitungan CI terhadap

threshold (s ) yang ditetapkan. Metode ini hanya mampu mengidentifikasi objek

lingkaran sempurna dan memiliki tingkat kepresisian yang rendah.

Jiang, L [11] penelitian ini bertujuan mengoptimalkan metode RHT dalam menentukan titik acuan dan menentukan kandidat objek sebagai lingkaran. Pengambilan tiga titik acuan dilakukan secara acak dalam suatu kontur. Titik acuan ditetapkan jika memenuhi syarat perhitungan circle parameters yang dihitung dengan menggunakan teknik probabilitas (probability sampling). Kandidat lingkaran ditentukan melalui perhitungan symmetric points dari nilai

circle parameters yang didapat. Penentuan objek kandidat lingkaran sebagai

lingkaran melalui perhitungan evidence-collection dan Hough Transform (HT). Penelitian tentang identifikasi lingkaran tanpa melakukan pencarian kandidat lingkaran dan menggunakan prinsip parallel operator dilakukan oleh Li-qin jia [14]. Metode ini dikembangkan untuk dapat mengidentifikasi keberadaan objek lingkaran secara cepat dan akurat dengan menggunakan parallel operator. Penentuan valid pixel dilakukan dengan cara menentukan titik acuan dan dihitung

10

nilai gradient vector, magnitude, dan orientation line berdasarkan nilai threshold

 

T tertentu. Valid pixel digunakan sebagai dasar penentuan parallel pair points. Parallel pair points digunakan untuk menghitung titik tengah lingkaran. Verifikasi

objek sebagai lingkaran dilakukan dengan cara menghitung distance

 

d pada

setiap titik-titik anggota objek terhadap nilai parameter k tertentu. Objek 1

ditentukan sebagai lingkaran jika hasil verifikasi > parameter k . ₁

Chen, A dan Dong, G [19] melakukan penelitian dengan menerapkan menerapkan metode non-HT untuk mengidentifikasi lingkaran berdasarkan kontur tepi objek. Pengambilan tiga titik acuan dilakukan secara acak. Penentuan kandidat lingkaran didasarkan pada perhitungan tiga titik acuan yang didapat secara non-colliniear. Penentuan objek kandidat lingkaran sebagai lingkaran didasarkan perhitungan distance

 

dm terhadap parameter threshold

 

Td pada

perhitungan evidences-collecting.

E. Cuevas, dkk [20] melakukan penelitian dengan tujuan menerapkan metode non-HT untuk mengidentifikasi lingkaran secara otomatis pada citra yang kompleks dan berderau dengan menggunakan metode Learning Automata (LA). Data pre-processing diperoleh dengan menerapkan metode Canny sehingga didapatkan vektor kontur ( P ). Tiga titik acuan diambil secara acak tanpa validasi dan digunakan untuk perhitungan nilai jari-jari (r ). Kandidat lingkaran

didapatkan apabila perhitungan nilai r berada diantara rentang nilai ) 2 / ) ( , 2 / ) ( max(

8r I coloumns I rows . Kandidat dianggap sebagai lingkaran melalui proses performance evaluation function (.) .

Pada penelitian di atas terdapat beberapa hal yang dapat dijadikan celah penelitian. Celah penelitian pertama adalah tidak ada usaha untuk menentukan titik acuan secara valid sejak awal sehingga dapat menghindari pengambilan titik acuan secara acak pada tahap identifikasi kandidat lingkaran. Pengambilan titik acuan secara acak hanya dapat diterapkan apabila bentuk kontur merupakan lingkaran sempurna. Apabila bentuk kontur tidak sempurna maka dapat menimbulkan kesalahan identifikasi dan berimbas pada ketidakakuratan hasil bahkan kegagalan metode dalam mengidentifikasi lingkaran. Pemilihan titik

11

acuan secara valid dapat dilakukan dengan menerapkan identifikasi perubahan sudut perpindahan arah piksel kontur dengan kode rantai. Posisi perubahan sudut tersebut akan digunakan sebagai acuan titik acuan. Teknik penentuan titik acuan secara valid sejak awal tidak terdapat pada metode yang diusulkan oleh Liyan Luo, dkk [1] , Kuo-Liang Chung, dkk [5], Yueqiu Jiang [6], Ming Chen, dkk [7], Fu dan Han [9], Jiang, L [11], Li-qin jia [14], Chen, A dan Dong, G [19], E. Cuevas, dkk [20]. Hal ini dapat meningkatkan metode identifikasi lingkaran dalam hal kepresisian hasil, mengurangi lamanya waktu eksekusi, serta efisiensi perhitungan komputasi.

Celah yang kedua adalah identifikasi lingkaran pada suatu objek hanya dilakukan dengan hanya mendasarkan pada informasi piksel. Piksel citra tidak memiliki informasi perpindahan arah. Kode rantai (chain code) dapat digunakan sebagai solusi dari permasalahan tersebut. Kode rantai (chain code) memiliki informasi tentang piksel sekaligus informasi tentang perpindahan arah piksel suatu kontur yang dapat digunakan sebagai acuan untuk menentukan titik acuan. Penggunaan kode rantai (chain code) tidak terdapat pada metode yang diusulkan oleh Liyan Luo, dkk [1] , Kuo-Liang Chung, dkk [5], Yueqiu Jiang [6], Ming Chen, dkk [7] , Jiang, L [11], Li-qin jia [14], Chen, A dan Dong, G [19], E. Cuevas, dkk [20].

Celah yang ketiga adalah harus adanya peningkatan hasil akurasi identifikasi tidak hanya pada lingkaran sempurna tetapi juga pada bentuk lingkaran yang tidak sempurna. Peningkatan keakuratan hasil ini dapat dilakukan secara dinamis dengan menggunakan parameter tertentu sehingga kebulatan lingkaran yang teridentifikasi dapat dilakukan dari persentase keakuratan terkecil hingga persentase paling besar. Peningkatan hasil akurasi identifikasi lingkaran tidak sempurna tidak ditemukan pada metode yang diusulkan oleh Liyan Luo, dkk [1] , Yueqiu Jiang [6], Ming Chen, dkk [7], Fu dan Han [9], Li-qin jia [14].

Sebagai ringkasan, penelitian ini memberikan tiga kontribusi yakni : 1. Pemilihan titik acuan dilakukan dengan menerapkan identifikasi perubahan

sudut perpindahan arah piksel kontur dengan kode rantai. Posisi perpindahan arah tersebut diambil dan digunakan sebagai acuan titik acuan pada tahap

12 identifikasi kandidat lingkaran.

2. Identifikasi lingkaran dengan menggunakan kode rantai (chain code)

3. Penentuan tingkat keakuratan hasil identifikasi lingkaran terhadap tingkat keutuhan lingkaran dapat dilakukan secara dinamis sesuai persentase keutuhan bentuk lingkaran yang diinginkan.

1.4 Tujuan Penelitian

Tujuan yang ingin dicapai pada penelitian ini adalah mampu mengembangkan metode identifikasi lingkaran non-HT menggunakan kode rantai (chain code) yang memiliki proses identifikasi kandidat lingkaran terlebih dahulu dengan pemilihan titik acuan yang valid serta mampu mengidentifikasi lingkaran dengan tingkat keutuhan bentuk lingkaran yang dapat ditentukan secara dinamis.

1.5 Manfaat Penelitian

Hasil dari penelitian ini diharapkan dapat memberi manfaat, diantaranya adalah sebagai berikut :

1. Penelitian identifikasi lingkaran dengan menggunakan kode rantai (chain

code) ini berhasil mengidentifikasi objek berbentuk lingkaran sempurna

dan lingkaran tidak sempurna.

2. Penggunaan pemilihan titik acuan secara valid berdasarkan perpindahan arah kode rantai (chain code) dapat mengidentifikasi objek lingkaran nyata (real object).

3. Penelitian identifikasi lingkaran dengan menggunakan kode rantai (chain

code) ini dapat meningkatkan akurasi hasil, mengidentifikasi objek

secara cepat, dan juga dapat mengidentifikasi objek lingkaran dengan komputasi yang lebih sederhana.

1.6 Batasan Penelitian

Dari rumusan masalah tersebut di atas, maka dalam penelitian ini hanya dibatasi pada permasalahan-permasalahan sebagai berikut :

13

(real) hasil dari penangkapan perangkat kamera. 2. Citra berupa citra statis, bukan citra real-time.

3. Citra merupakan citra original yang belum diedit atau diberi efek untuk tujuan mempermudah proses identifikasi.

4. Citra natural yang digunakan bukan hasil rekayasa/photo edit, namun murni merupakan asli hasil dari capture devices.