SISTEM PENGKLASIFIKASIAN KUALITAS KERAMIK DENGAN MENGGUNAKAN METODE LOG DAN PREWITT
Ardi Satrya Afandi [email protected]
Jurusan Teknik Informatika Fakultas Teknologi Industri Universitas Gunadarma Jl. Margonda Raya No. 100 Pondok Cina Depok 16424
ABSTRAKSI
Penulisan ini dibuat untuk menciptakan aplikasi pengklasifikasian kualitas keramik.
Kemudian dilakukan perbandingan terhadap hasil dari pengklasifikasian yang dihasilkan dengan metode LOG dan metode prewitt. Dalam menyelesaikan aplikasi ini penulis menggunakan studi pustaka dan studi lapangan. Pada studi pustaka, penulis mempelajari paper-paper serta dari situs- situs internet yang dapat membantu dan berhubungan dengan penulisan. Pada studi lapangan penulis mendatangi dan melihat secara langsung proses pembuatan keramik sampai dengan pengepakkan keramik sebagai acuan penulis membuat interval persentase kualitas.
Aplikasi yang dibangun penulis ini, diharapkan dapat mengantikan peran manusia dalam melakukan pengklasfikasian kualitas keramik yang dilakukan secara manual. Dengan aplikasi ini, pengklasifikasian akan lebih akurat karena batas interval persentase kesamaan jumlah pixel putih sudah disetting pada program aplikasi.
Kata kunci : Segmentasi, Deteksi Tepi, LOG, Prewitt.
ABSTRACTION
Writing an application is made to create the classification of quality ceramics. Then do the comparison against the results of the classification produced by LOG method and the method prewitt. In completing this application I use literature study and field study. In literature, the authors study the papers and from Internet sites that can help and relate to writing. In the field study author visit and see firsthand the process of making ceramic to ceramic packaging as the author makes reference to the percentage intervals of quality.
Applications built this writer, is expected to replace the human role in conducting classification quality ceramic that is done manually. With this application, the classification would be more accurate because it limits the percentage of similarity intervals already gives a chance the number of white pixels on the application program.
Keywords: Segmentation, Edge Detection, LOG, Prewitt.
1. PENDAHULUAN
Pada saat ini pengklasifikasian kualitas keramik masih banyak dilakukan secara manual oleh manusia. Hal ini tentu menyulitkan karena adanya batas penglihatan manusia. Bukan hanya itu, pegawai yang bertugas dalam melakukan pengklasifikasian kualitas keramik tidak dapat dikerjakan seorang diri, pegawai yang bertugas bisa mencapai 2 – 3 orang atau lebih. Ini dilakukan untuk menjaga keramik yang terlewat oleh orang sebelumnya yang belum diperiksa kualitasnya.
Perkembangan teknologi komputer yang semakin canggih dan pengolahan citra yang sudah maju saat ini dapat diterapkan pada permasalahan pengklasifikasian kualitas keramik tersebut. Dengan menggunakan kamera digital untuk mengambil citra keramik yang keluar dari mesin produksi dapat langsung diproses oleh komputer untuk menentukan kualitas keramik tersebut, termasuk klasifikasi kualitas 1, kualitas 2, kualitas 3 atau kualitas 4. Dengan adanya aplikasi ini diharapkan dapat memecahkan permasalahan yang ada sebelumnya dan dapat pula mempercepat waktu produksi karena waktu produksi dapat dijadwalkan oleh komputer sehingga waktu berjalan semakin efisien dan efektif.
Aplikasi ini mengklasifikasian kualitas keramik dari permukaan dengan pencahayaan yang tetap dan kamera diletakan pada jarak yang sama pada waktu
pengambilan citra acuan maupun citra test.
Pengklasifikasikan kualitas keramik dilakukan dengan cara mendapatkan selisih jumlah pixel putih citra acuan dengan jumlah pixel putih citra test yang telah dilakukan pengolahan citra sebelumnya, lalu mencari persentase kesamaannya. Dari persentase kesamaan tersebut dapat diketahui, keramik termasuk pada kualitas 1, 2, 3 atau 4. Jangkauan dari masing-masing kualitas tersebut berbeda-beda, yaitu kualitas 1 dengan jangkauan 100 sampai dengan < 95, kualitas 2 dengan jangkauan 95 sampai dengan < 85, kualitas 3 dengan jangkauan 85 sampai dengan < 75 selain dari itu dimasukkan pada kualitas 4.
2.TINJAUAN PUSTAKA
Pengolahan citra merupakan proses pengolahan dan analisis citra yang melibatkan persepsi visual. Proses ini memiliki ciri baik data masukan maupun informasi keluaran yang berbentuk citra.
Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer. Pengolahan citra digital tidak hanya dapat melakukan manipulasi dan perbaikan kualitas gambar, namun juga dapat diperoleh, ditampilkan, dan disimpan dalam memori komputer.
Dalam definisi yang lebih luas, pengolahan citra digital juga mencakup semua data dua dimensi. Citra digital adalah barisan
bilangan nyata maupun kompleks yang diwakili oleh bit-bit tertentu
Pada pengolahan atau pengkodisian awal, citra dikondisikan dan disederhanakan kebentuk yang lebih sedikit keragamannya.
Hal ini diperlukan agar citra dapat diolah atau membentuk suatu pola yang lebih mudah untuk dikenali dibanding citra sebelum pemrosesan awal. Pada beberapa standar yang ada, citra pada umumnya merupakan tampilan suatu titik yang berada pada ruang tiga dimensi. Salah satu standar yang digunakan antara lain RGB ( Red, Green, Blue ), dan HLS ( Hue, Luminosity, Saturation ).
Standar warna pada citra berwarna yang akan digunakan adalah RGB yang memiliki tiga indeks warna yang terdiri dari Merah, Hijau, Biru. Masing-masing indeks warna memiliki nilai antara 0 - 255 atau 256 bit. Dari citra berwarna yang memiliki tiga ruang dimensi dapat disederhanakan menjadi satu dimensi yaitu grayscale.
Grayscale adalah citra keabuan yang memiliki nilai antara 0 - 255. Nilai tersebut menunjukkan tingkat derajat keabuan atau kecerahan dari citra ( 0 = hitam / gelap dan 255 = putih / terang ).
Segmentasi
Salah satu cara yang sering digunakan dalam memilah citra dalam data adalah segmentasi, yaitu membagi citra menjadi bagian yang diharapkan termasuk objek yang dianalisis. Segmentasi sering
dideskripsikan sebagai proses analogi terhadap proses pemisahan latar depan dan latar belakang.
Secara tradisional, segmentasi didefinisikan sebagai proses pendefinisian jangkauan nilai gelap dan terang pada citra yang sebenarnya, memilih pixel dalam jangkauan ini sebagai latar depan dan menolak sisanya sebagai latar belakang.
Dengan demikian, citra terbagi atas dua bagian, yaitu bagian hitam dan bagian putih, atau warna yang membatasi setiap wilayah.
Salah satu metode yang efektif dalam segmentasi citra biner adalah dengan memeriksa hubungan pixel dengan tetangganya dan memberinya label. Metode ini disebut pelabelan komponen.
Konsep dasar mengenai segmentasi daerah melalui operasi thresholding ( binerisasi ) yang bertujuan memisahkan daerah milik sebuah atau beberapa objek dan latar belakang untuk menghasilkan citra biner. Thesholding atau binerisasi yaitu pengelompokan pixel dalam citra berdasarkan batas nilai intensitas tertentu adalah salah satu contoh operasi tingkat titik. Untuk memperjelas pemisahan antara objek dengan latar belakang, citra di threshold berdasarkan nilai ambang tertentu dengan metode otsu.
Thresholding
Misal pada sebuah gambar f(x,y) tersusun dari objek yang terang pada sebuah background yang gelap (Gonzalez, 2002).
Gray-level milik objek dan milik background terkumpul menjadi 2 grup yang dominan. Salah satu cara untuk mengambil objek dari backgroundnya adalah dengan memilih sebuah nilai threshold T yang didapat dengan metode Otsu yang memisahkan grup yang satu dengan grup yang lain. Maka semua pixel yang memiliki nilai > T disebut titik objek, yang lain disebut titik background. Proses ini disebut thresholding. Sebuah gambar yang telah di- threshold g(x,y) dapat didefinisikan:
0, f(x,y) < T g (x,y) = 1, f(x,y) > T
Nilai maksimum dari T adalah nilai tertinggi dari sistem warna yang digunakan dan nilai minimum dari T adalah nilai terendah dari sistem warna yang digunakan.
Untuk 256-graylevel maka nilai tertinggi T adalah 255 dan nilai terendahnya adalah 0.
Jika T hanya tergantung pada f(x,y) maka disebut thresholding global. Jika T tergantung dari f(x,y) dan p(x,y) (properti lokal milik titik tersebut, misalnya rata-rata gray-level pada "tetangga" dari (x,y) maka disebut thresholding local. Jika T tergantung dari koordinat spatial x dan y maka disebut thresholding dynamic atau adaptive.
Metode Otsu
Tujuan dari metode otsu adalah membagi histogram citra gray level kedalam dua daerah yang berbeda secara otomatis
tanpa membutuhkan bantuan user untuk memasukkan nilai ambang.
Pendekatan yang dilakukan oleh metode otsu adalah dengan melakukan analisis diskriminan yaitu menentukan suatu variabel yang dapat membedakan antara dua atau lebih kelompok yang muncul secara alami. Analisis Diskriminan akan memaksimumkan variable tersebut agar dapat membagi objek latar depan ( foreground ) dan latarbelakang ( background )
Pendeteksian Tepi
Deteksi tepi adalah suatu teknik yang digunakan untuk pendeteksian tepi pada suatu objek dalam citra digital. Teknik deteksi tepi dilakukan dengan cara penelusuran pada citra secara horizontal dan vertical untuk mencari perubahan nilai yang signifikan antara suatu pixel dengan pixel lain. Untuk melakukan deteksi tepi dapat dialakukan dengan teknik operasi template ( mask ) dan konvolusi pada citra. Secara
khusus, elemen-elemen mask
dimultiplikasikan dengan pixel grayscale pada citra objek danmenambahkan hasil yang diperoleh dari keseluruhan mask kemudian direcord sebagai citra hasil yang baru. Operasi “Menyisipkan, menambahkan dan multiplikasi” ini diistilahkan konvolusi mask.
Operator Prewitt
Operator ini menggunakan persamaan :
hanya saja konstanta yang digunakan
bernilai 1.
Mask Konvolusi :
Operator prewitt tidak menekankan pembobotan pada pixel-pixel yang lebih dekat dengan titik pusat kernel.
Operator Laplacian of Gaussian ( LoG ) Salah satu metode deteksi tepi modern adalah deteksi tepi dengan menggunakan metode LoG. Deteksi tepi LoG digunakan untuk :
- Untuk mengurangi deteksi tepi yang palsu difilter dulu dengan fungsi Gaussian
- Laplacian Of Gaussian filtering bertujuan untuk menghilangkan noise.
- Laplacian bertujuan untuk meningkatkan kwalitas detil (detail enhancement)
- Laplacian operator ( HPF )
Rumus:
(5)
Dengan :
(6) Maka :
(7)
Mask Konvolusi :
3. METODE PENELITIAN
Tahapan segmentasi citra secara garis besar dapat digambarkan dalam bentuk diagram alur pada Gambar 1
Gambar 1 Diagram Alur Proses Segmentasi Citra
Proses diawali dengan memasukkan citra 2 dimensi lalu diproses untuk mengkonversi citra ke citra gray dan kemudian di threshold dengan metode otsu untuk mendapatkan nilai ambang sehingga citra dapat diubah menjadi citra biner dan selanjutnya dilakukan deteksi tepi dengan operator LOG atau prewitt.
Proses pengklasifikasian dilakukan berdasarkan dari pengurangan jumlah pixel putih citra acuan dengan jumlah pixel putih
citra test yang hasilnya berharga mutlak, setelah itu dilakukan proses persentase dengan cara perbandingan antara hasil pengurangan dengan jumlah pixel putih pada citra acuan lalu dikalikan 100. Proses ini digambarkan dalam bentuk diagram alur pada Gambar 2
Mulai
Masukkan citra acuan yang telah
disegmentasi
Menjumlahkan pixel-pixel putih pada acuan
Masukkan citra test yang telah disegmentasi
Menjumlahkan pixel putih pada test
Mendapatkan selisih jumlah pixel putih
Proses persentase Persen > 95
85 ≤ Persen < 75
Persen ≤ 75 95 ≤ Persen < 85
Selesai
Selesai Selesai Selesai Kualitas 1
Kualitas 4 Kualitas 3 Kualitas 2 Ya
Tidak
Ya
Tidak Tidak
Ya
Ya Tidak
Gambar 2 Diagram Alur Proses Pengklasifikasian Keramik
4. Hasil dan Pembahasan
( i ) ( ii )
LOG 3 X 3 PREWITT
( iii ) ( iv ) ( v ) ( vi )
Nama file : ( i ) acuan.jpg
( ii ) pola6.jpg
Pada citra (i) memiliki pola yang sangat rumit dan pada citra (ii) memiliki citra keramik yang memiliki kerusakan lubang dan noise.
Pada citra (iii) dan (iv) terlihat hasil deteksi tepi citra acuan dan citra test menggunakan metode LOG dengan menghasilkan prosentase kesamaan 79,.. dengan waktu proses 3,875 detik dan mengklasifikasikan citra test pada kualitas KW3.
Pada citra (v) dan (vi) terlihat hasil deteksi tepi citra acuan dan citra test menggunakan metode prewitt dengan menghasilkan prosentase kesamaan 96,.. dengan waktu proses 4,156 detik dan mengklasifikasikan citra test pada kualitas KW1.
Dari citra diatas dapat disimpulkan pendeteksian tepi menggunakan metode LOG dapat menghasilkan segmentasi yang dapat memisahkan pola cacat dengan pola latar, sehingga dapat menghitung prosentase kesamaan dengan baik
5. KESIMPULAN DAN SARAN
Kesimpulan berdasarkan analisa hasil segmentasi citra, menghasilkan area objek yang lebih baik jika menggunakan metode LOG. Deteksi tepi yang dihasilkan lebih detail daripada metode prewitt karena operator LOG lebih sensitive terhadap noise sehingga dapat terbentuk area objek kerusakan dengan baik.
Pada pengklasifikasian terbukti
dengan metode LOG dapat
mengklasifikasikan kerusakan keramik yang lebih akurat dibandingkan dengan mengunakan metode prewitt. Ini dapat dilihat dari banyaknya kerusakan yang ada pada keramik, semakin banyak kerusakan maka citra test akan dimasukkan pada kualitas yang lebih besar. Berbeda dengan metode prewitt, klasifikasi yang didapat banyak yang tidak sesuai dengan banyaknya kerusakan yang ada, ini terjadi karena objek kerusakan keramik tidak terbentuk dengan baik menggunakan metode prewitt.
Kerusakan berupa gelembung masih belum dapat diklasifikasikan dengan baik menggunakan metode LOG ataupun metode prewitt. Ini terjadi karena pendeteksian tepi gelembung tidak tercipta dengan baik karena warna citra tepi gelembung hampir sama dengan latar keramik. Kesimpulan selain itu dapat pula diliat dari waktu proses yang dijalankan pada masing-masing metode.
Metode LOG memakan waktu lebih lama dalam melakukan proses pengklasifikasian,
ini dapat diliat dari waktu proses yang dibandingkan dengan citra yang sama.
Saran untuk pengembangan lebih lanjut dari penelitian ini dilakukan perbaikan citra sehingga hasil segmentasi lebih optimal, seperti pada pendeteksian kerusakan berupa gelembung dan pada citra keramik yang berwarna gelap. Pada citra tersebut harus dilakukan penajaman citra agar objek cacat pada keramik dapat terbentuk dengan baik.
Selain itu sebelum
pengaplikasiannya, sebaiknya di lakukan cross check dengan quality control pada pabrik yang bersangkutan, agar bisa menetapkan persentase yang cocok dalam pengklasifikasian.
DAFTAR PUSTAKA
[1] Agus, Prijono, dkk, Pengolahan Citra Digital Menggunakan MATLAB, Informatika, Bandung, 2007.
[2] Fadlisyah, Komputer Vision dan Pengolahan Citra, Andi, Yogyakarta, 2007.
[3] Gonzalez, R.C. & Woods, R.E. Digital Image Processing Second Edition, Prentice Hall, New Jersey, 2002.
[4] Mulyanto, dkk, Teori Pengolahan Citra Digital, Andi, Yogyakarta, 2009.
[5] Rinaldi, Munir, Pengolahan Citra
Digital dengan Pendekatan Algoritmik, Informatika, Bandung, 2004.
