Implementasi metode deteksi tepi dengan operator sobel untuk optimasi segmentasi citra dokumen beraksara Jawa.

(1)

vii ABSTRAK

Penelitian ini berfokus pada implementasi metode deteksi tepi dengan operator sobel untuk optimasi segmentasi citra dokumen beraksara Jawa. Deteksi tepi pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyek-obyek gambar, yang bertujuan untuk meningkatkan penampakan garis batas suatu daerah atau objek di dalam citra. Untuk melihat kegunaan deteksi tepi pada citra dokumen beraksara Jawa, maka dilakukan proses segmentasi menggunakan profil proyeksi sehingga nantinya dapat terlihat bahwa dengan adanya proses deteksi tepi ini dapat meningkatkan prosentase keberhasilan segmentasi.

Untuk membandingkan prosentase keberhasilan segmentasi, dilakukan pengujian dengan cara pengamatan secara visual hasil-hasil citra karakter yang dihasilkan dari segmentasi dengan adanya deteksi tepi mempergunakan operator

sobel dengan deteksi tepi mempergunakan operator canny dan juga deteksi tepi

dengan operator sobel yang tersedia pada toolbox MATLAB.

Berdasarkan hasil pengujian terhadap 5 citra dokumen dari penggunaan deteksi tepi mempergunakan operator sobel untuk segmentasi citra dokumen beraksara Jawa, diperoleh rata-rata prosentase keberhasilan segmentasi sebesar 84,76%. Sementara, jika pada dokumen yang sama dilakukan segmentasi tanpa terlebih dahulu dilakukan deteksi tepi, diperoleh rata-rata prosentase keberhasilannya 81,98%. Dan terhadap hasil pengujian dari penggunaan deteksi tepi mempergunakan operator canny untuk segmentasi citra dokumen beraksara Jawa, diperoleh rata-rata prosentase keberhasilan segmentasi sebesar 53,88%. Sedangkan hasil pengujian dari penggunaan deteksi tepi menggunakan operator

sobel yang tersedia pada toolbox MATLAB, untuk segmentasi citra dokumen

beraksara Jawa, diperoleh rata-rata prosentase keberhasilan segmentasi sebesar 72,42%. Maka dapat disimpulkan bahwa deteksi tepi mempergunakan operator

sobel yang diimplementasikan pada tugas akhir ini relatif lebih baik dibandingkan

(2)

viii ABSTRACT

This research focuses on the implementation of edge detection method with sobel operator to optimize the segmentation of document image of Javanese character. The edge detection on an image is a process that produces edges of image objects, which aims to improve the appearance of an area boundary lines or of objects in the image. To see the usefulness of edge detection in Javanese character document image, thus undertaken a segmentation process using projection profile so that later it can be seen that with the edge detection process, it may increase the percentage of successful segmentation.

To compare the percentage of successful segmentation, a test was carried out by visually observing the results of character images produced by segmentation with the existence of edge detection using sobel operator which was carried out in this thesis by the edge detection using canny operator and sobel operator available on the MATLAB toolbox.

(3)

IMPLEMENTASI METODE DETEKSI TEPI

DENGAN OPERATOR SOBEL UNTUK OPTIMASI

SEGMENTASI CITRA DOKUMEN BERAKSARA JAWA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

Maria Fransiska Fanny Puspandari 065314021

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

(4)

i

IMPLEMENTASI METODE DETEKSI TEPI

DENGAN OPERATOR SOBEL UNTUK OPTIMASI

SEGMENTASI CITRA DOKUMEN BERAKSARA JAWA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

(5)

ii

IMPLEMENTATION OF EDGE DETECTION METHOD

WITH SOBEL OPERATOR FOR OPTIMIZATION

DOCUMENT IMAGE SEGMENTATION

OF JAVANESE CHARACTER

A Thesis

Presented as Partial Fullfillment of The Requirements

to Obtain The Sarjana Computer Degree

in Informatics Engineering Study Program

By:

INFORMATICS ENGINEERING PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

(6)

(7)

(8)

(9)

(10)

vii ABSTRAK

Penelitian ini berfokus pada implementasi metode deteksi tepi dengan operator sobel untuk optimasi segmentasi citra dokumen beraksara Jawa. Deteksi tepi pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyek-obyek gambar, yang bertujuan untuk meningkatkan penampakan garis batas suatu daerah atau objek di dalam citra. Untuk melihat kegunaan deteksi tepi pada citra dokumen beraksara Jawa, maka dilakukan proses segmentasi menggunakan profil proyeksi sehingga nantinya dapat terlihat bahwa dengan adanya proses deteksi tepi ini dapat meningkatkan prosentase keberhasilan segmentasi.

Untuk membandingkan prosentase keberhasilan segmentasi, dilakukan pengujian dengan cara pengamatan secara visual hasil-hasil citra karakter yang dihasilkan dari segmentasi dengan adanya deteksi tepi mempergunakan operator

sobel dengan deteksi tepi mempergunakan operator canny dan juga deteksi tepi

dengan operator sobel yang tersedia pada toolbox MATLAB.

Berdasarkan hasil pengujian terhadap 5 citra dokumen dari penggunaan deteksi tepi mempergunakan operator sobel untuk segmentasi citra dokumen beraksara Jawa, diperoleh rata-rata prosentase keberhasilan segmentasi sebesar 84,76%. Sementara, jika pada dokumen yang sama dilakukan segmentasi tanpa terlebih dahulu dilakukan deteksi tepi, diperoleh rata-rata prosentase keberhasilannya 81,98%. Dan terhadap hasil pengujian dari penggunaan deteksi tepi mempergunakan operator canny untuk segmentasi citra dokumen beraksara Jawa, diperoleh rata-rata prosentase keberhasilan segmentasi sebesar 53,88%. Sedangkan hasil pengujian dari penggunaan deteksi tepi menggunakan operator

sobel yang tersedia pada toolbox MATLAB, untuk segmentasi citra dokumen

beraksara Jawa, diperoleh rata-rata prosentase keberhasilan segmentasi sebesar 72,42%. Maka dapat disimpulkan bahwa deteksi tepi mempergunakan operator

sobel yang diimplementasikan pada tugas akhir ini relatif lebih baik dibandingkan

(11)

viii ABSTRACT

This research focuses on the implementation of edge detection method with sobel operator to optimize the segmentation of document image of Javanese character. The edge detection on an image is a process that produces edges of image objects, which aims to improve the appearance of an area boundary lines or of objects in the image. To see the usefulness of edge detection in Javanese character document image, thus undertaken a segmentation process using projection profile so that later it can be seen that with the edge detection process, it may increase the percentage of successful segmentation.

To compare the percentage of successful segmentation, a test was carried out by visually observing the results of character images produced by segmentation with the existence of edge detection using sobel operator which was carried out in this thesis by the edge detection using canny operator and sobel operator available on the MATLAB toolbox.

(12)

ix

KATA PENGANTAR

Puji dan syukur kepada Tuhan Yesus Kristus atas segala berkat dan karunia-Nya, sehingga penulis dapat menyelesaikan tugas akhir yang berjudul

“Implementasi Metode Deteksi Tepi dengan Operator Sobel untuk Optimasi

Segmentasi Citra Dokumen Beraksara Jawa” ini dengan baik.

Penulis menyadari bahwa selama proses penelitian dan penyusunan laporan tugas akhir ini, banyak pihak yang telah memberikan bantuan baik berupa dukungan, perhatian, semangat, kritik dan saran yang sangat penulis butuhkan, sehingga pada kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar-besarnya, antara lain kepada :

1. Anastasia Rita Widiarti, S.Si., M.Kom., selaku dosen pembimbing tugas akhir, atas kesabarannya dalam membimbing penulis, meluangkan waktunya, memberikan dukungan, motivasi, serta saran yang sangat membantu penulis.

2. Eko Hari Parmadi, S.Si., M.Kom, selaku dosen penguji yang telah memberikan saran dan masukan yang berguna dalam tugas akhir ini. 3. Sri Hartati Wijojo, S.Si., M.Kom, selaku dosen penguji yang telah

memberikan saran dan masukan yang berguna dalam tugas akhir ini. 4. Y. Joko Nugroho, S.Si, selaku dosen penguji yang telah memberikan saran

dan masukan yang berguna dalam tugas akhir ini.

(13)

(14)

xi DAFTAR ISI

HALAMAN JUDUL BAHASA INDONESIA ... i

HALAMAN JUDUL BAHASA INGGRIS ... ii

HALAMAN PERSETUJUAN PEMBIMBING ... iii

HALAMAN PENGESAHAN ... iv

PERNYATAAN KEASLIAN KARYA ... v

LEMBAR PERSETUJUAN PUBLIKASI ... vi

(15)

xii

BAB III. ANALISA DAN PERANCANGAN SISTEM ... 29

A. Analisa Sistem ... 29

B. Analisa Kebutuhan Hardware – Sofware ... 31

1. Analisa Kebutuhan Hardware ... 31

2. Analisa Kebutuhan Software ... 31

C. Rancangan Proses Sistem ... 31

1. Data Flow Diagram Level 0 ... 32

2. Data Flow Diagram Level 1 ... 32

3. Flowchart Deteksi Tepi ... 33

4. Diagram Alir Proses Segmentasi ... 35

(16)

xiii

BAB IV. IMPLEMENTASI ... 38

A. Implementasi Program ... 38

1. Implementasi Deteksi Tepi ... 38

2. Implementasi Segmentasi ... 41

BAB V. ANALISA HASIL DAN PEMBAHASAN ... 42

A. Data Masukan ... 42

B. Analis Hasil ... 44

Bab VI. Kesimpulan dan Saran ... 70

A. Kesimpulan ... 70

B. Saran ... 71

Daftar Pustaka ... 72

(17)

xiv

DAFTAR GAMBAR

Gambar 2.1 Citra biner dan representasinya dalam data digital ... 8

Gambar 2.2 Citra keabuan dan representasinya dalam data digital ... 9

Gambar 2.3 Citra warna dan representasinya dalam data digital ... 9

Gambar 2.4 Citra warna berindeks dan representasinya dalam data digital 10 Gambar 2.5 Tepi curam ... 13

Gambar 2.6 Tepi landai ... 14

Gambar 2.7 Tepi curam dengan derau ... 14

Gambar 2.8 Proses deteksi tepi citra ... 16

Gambar 2.9 Susunan piksel pada konvolusi Sobel ... 17

Gambar 2.10 Matriks operator sobel untuk persamaan Sx ... 18

Gambar 2.11 Matriks operator sobel untuk persamaan Sy ... 18

Gambar 2.12 Citra semula ... 19

Gambar 2.13 Citra hasil konvolusi ... 23

Gambar 2.14 Profil proyeksi horisontal dan vertikal ... 25

Gambar 2.15 Gambar asli ... 27

Gambar 2.16 Hasil deteksi tepi Prewitt ... 28

Gambar 2.17 Hasil deteksi tepi Canny ... 28

Gambar 2.18 Hasil deteksi tepi Sobel ... 28

Gambar 2.19 Hasil deteksi tepi Roberts ... 28

Gambar 3.1 Citra karakter hasil segmentasi dengan deteksi tepi ... 30

Gambar 3.2 Data flow diagram level 0 ... 32

(18)

xv

Gambar 3.4 Flowchart proses deteksi tepi ... 34

Gambar 3.5 Diagram alir proses segmentasi ... 36

Gambar 5.1 Citra dokumen masukan data 1 ... 43

Gambar 5.2 Citra data 1 hasil konvolusi dengan Gradien X ... 45

Gambar 5.3 Citra data 1 hasil konvolusi dengan Gradien Y ... 46

Gambar 5.4 Hasil deteksi tepi citra dokumen data 1 ... 47

Gambar 5.5 Potongan baris 1 dari citra dokumen data 1 ... 48

(19)

xvi

DAFTAR TABEL

Tabel 5.1 Kriteria citra dokumen masukan ... 42 Tabel 5.2 Analisis output segmentasi citra dokumen data 1

melalui deteksi tepi ... 49 Tabel 5.3 Analisis output segmentasi citra dokumen data 1

tanpa melalui deteksi tepi ... 50 Tabel 5.4 Analisis output segmentasi citra dokumen data 2

(20)

xvii

melalui deteksi tepi ... 66 Tabel 5.13 Rangkuman hasil analisis output segmentasi

tanpa deteksi tepi ... 66 Tabel 5.14 Rangkuman hasil analisis output segmentasi

melalui deteksi tepi dengan operator canny MATLAB ... 67 Tabel 5.15 Rangkuman hasil analisis output segmentasi

(21)

1 BAB I PENDAHULUAN

A. Latar Belakang

Yogyakarta sebagai kota yang kaya akan keanekaragaman budayanya menyimpan banyak sekali aset yang merupakan warisan budaya, salah satunya buku-buku kuno yang ditulis dengan aksara Jawa. Sayang sekali jika buku-buku tersebut hanya disimpan, padahal buku-buku tersebut perlu dilestarikan. Akan lebih bermanfaat lagi jika buku-buku tersebut dikonversi ke dalam format digital, sehingga kualitas dapat diperbaiki dan mudah dilakukan analisa citra untuk pengenalan citra dokumen.

(22)

tepi suatu obyek juga berguna untuk memisahkan obyek yang saling bersinggungan sehingga mereka tidak dianggap sebagai satu obyek yang besar dan dapat dianalisis secara individu. Setelah didapatkan tepi-tepi dari obyek tersebut maka dapat diambil untuk diolah ke proses selanjutnya, yaitu segmentasi yang berarti memisahkan obyek gambar dengan latar belakangnya. Oleh sebab itu, dalam penelitian ini diharapkan dengan adanya deteksi tepi akan membantu meningkatkan keberhasilan segmentasi. Segmentasi dalam tugas akhir ini akan menggunakan segmentasi dengan profil proyeksi yang akan diimplementasikan sesuai dengan acuan Widiarti (Widiarti,2007).

Dalam tugas akhir ini, akan digunakan operator Sobel sebagai metode dalam melakukan deteksi tepi pada citra dokumen teks beraksara Jawa. Dengan operator Sobel batas tepian akan terlihat dengan jelas dan lebih halus, tetapi di situ akan terlihat banyak respon yang dihasilkan (Kusno,2009). Operator Sobel merupakan operator yang paling banyak digunakan sebagai pelacak tepi karena kesederhanaan dan keampuhannya (Hamidah,2010).

Dalam melakukan pengujian digunakan operator canny dan operator

sobel yang tersedia dalam toolbox MATLAB sebagai pembanding dalam

(23)

B. Rumusan Masalah

Berdasarkan latar belakang di atas, maka dapat dirumuskan beberapa masalah sebagai berikut :

1. Bagaimana mengimplementasikan metode deteksi tepi dengan operator

sobel pada citra dokumen teks beraksara Jawa ?

2. Berapakah prosentase keberhasilan proses segmentasi pada citra dokumen teks beraksara Jawa dengan adanya deteksi tepi menggunakan operator sobel ?

3. Apakah deteksi tepi menggunakan operator sobel yang dilakukan pada tugas akhir ini lebih baik bila dibandingkan dengan deteksi tepi menggunakan operator canny dan operator sobel yang tersedia dalam

toolbox MATLAB?

C. Tujuan

Penelitian dalam tugas akhir ini mempunyai tujuan yaitu :

1. Memahami cara kerja proses deteksi tepi pada citra dokumen teks beraksara Jawa menggunakan operator sobel.

2. Mengukur keberhasilan proses segmentasi pada citra dokumen teks beraksara Jawa yang sudah melalui proses deteksi tepi dengan menggunakan operator sobel.

3. Membandingkan keberhasilan deteksi tepi menggunakan operator

sobel pada tugas akhir ini dengan deteksi tepi menggunakan operator

canny dan operator sobel yang tersedia dalam toolbox MATLAB yang

(24)

D. Batasan Masalah

Adapun permasalahan yang akan diselesaikan akan dibatasi oleh hal-hal sebagai berikut :

1. File citra dokumen masukan yang diproses adalah file dengan extensi

*.jpg. Citra dokumen masukan yang ideal adalah citra dokumen beraksara Jawa yang tidak miring, bebas dari derau atau noise, dan merupakan citra keabuan. File data merupakan koleksi dari hasil penelitian Widiarti, dkk (Widiarti,dkk, 2010).

2. Sistem yang akan dibangun hanya akan membahas proses deteksi tepi dan sedikit proses segmentasi. Apabila ada proses yang perlu dilakukan sebelum proses deteksi tepi ataupun segmentasi, maka proses tersebut akan dilakukan secara manual dan tidak dibahas dalam tugas akhir ini. 3. Program dalam tahap perancangan sistem dinyatakan dengan

menggunakan bahasa pemrograman MATLAB.

4. Pengujian yang dilakukan dengan melakukan pengamatan secara visual atau kasat mata dari hasil segmentasi tanpa deteksi tepi dengan segmentasi yang sudah melalui proses deteksi tepi dan dengan membandingkan antara operator sobel yang dilakukan dalam tugas akhir ini dengan operator canny dan operator sobel yang tersedia dalam

toolbox MATLAB.

E. Metodologi Penelitian

(25)

1. Studi literatur.

Melakukan studi kepustakaan terhadap berbagai referensi yang berhubungan dengan penelitian yang dilakukan, pendalaman MATLAB, serta penentuan masalah yang akan dianalisis.

2. Melakukan perancangan sistem.

Melakukan perancangan sistem berupa diagram aliran data pada masing-masing proses yang akan dilakukan.

3. Penulisan program.

Mengimplementasikan proses-proses dalam diagram aliran data dalam tahap perancangan sistem dinyatakan dengan menggunakan bahasa pemrogramana MATLAB.

4. Melakukan pengujian.

Melakukan pengujian terhadap hasil segmentasi melalui deteksi tepi dengan operator sobel.

5. Analisis hasil.

Melakukan analisis hasil terhadap citra-citra karakter hasil segmentasi melalui deteksi tepi dengan citra-citra karakter hasil segmentasi tanpa deteksi tepi.

F. Sistematika Penulisan Bab I. Pendahuluan

(26)

Bab II. Landasan Teori

Dalam bab ini akan dijelaskan mengenai pengetahuan yang menjadi dasar teori untuk mengimplementasikan metode deteksi tepi dengan menggunakan operator sobel pada citra aksara Jawa.

Bab III. Analisa dan Perancangan Sistem

Dalam bab ini berisi analisa sistem yang dibutuhkan untuk penelitian ini. Berdasarkan analisa sistem tersebut, akan dirancang sistem untuk menyelesaikan masalah dalam penelitian ini. Analisa sistem tersebut meliputi gambaran umum sistem, analisa kebutuhan. Perancangan sistem meliputi diagram aliran data masing-masing proses yang akan dilakukan.

Bab IV. Implementasi

Bab ini berisi penjelasan mengenai tahapan-tahapan penelitian dalam mengubah rancangan yang telah dibuat ke dalam bentuk program dengan menggunakan bahasa pemrograman MATLAB.

Bab V. Hasil dan Pembahasan

Dalam bab ini hasil dan pembahasan menguraikan dan membahas tentang analisa hasil penelitian yang dilakukan penulis.

Bab VI. Kesimpulan dan Saran

(27)

7 BAB II

LANDASAN TEORI

Bab ini akan menjelaskan mengenai teori yang berhubungan dengan penelitian dalam tugas akhir ini, yaitu mencakup citra, pengolahan citra, deteksi tepi, operator sobel, histogram, segmentasi, profil proyeksi, dan Matlab.

A. Citra

Citra merupakan suatu gambar pada bidang dua dimensi (Munir, 2004), secara umum citra dapat dikelompokkan menjadi 2, yaitu citra tampak seperti foto keluarga, gambar burung dan citra tak tampak seperti data gambar dalam file yang sering disebut dengan citra digital. Dari kelompok citra tersebut, hanya citra digital yang dapat diolah menggunakan komputer, sehingga yang akan dibahas dalam tugas akhir ini hanya citra digital sebagai obyek yang diteliti dalam penelitian ini.

Citra digital tersusun atas kumpulan titik atau elemen-elemen gambar yang disebut piksel (picture element). Piksel merupakan elemen terkecil dari sebuah citra digital, dengan jumlah total piksel adalah M x N, dimana M merupakan width (nilai tinggi citra digital) dan N merupakan height (nilai lebar citra digital). Setiap piksel memiliki nilai berupa angka digital yang merepresentasikan informasi yang mewakili piksel tersebut.

(28)

1. Citra Biner

Citra biner merupakan citra yang hanya mempunyai dua nilai derajat keabuan yaitu hitam dan putih. Setiap piksel pada citra biner memiliki nilai 0 untuk warna hitam atau 1 untuk warna putih dan hanya membutuhkan representasi 1 bit. Beberapa contoh citra biner antara lain, citra logo instansi (yang hanya terdiri atas warna hitam dan putih), citra kode barang yang tertera pada label barang, dan citra teks (hasil pemindaian dokumen).

Gambar 2.1 Citra biner dan representasinya dalam data digital

2. Citra Skala Keabuan

(29)

Gambar 2.2 Citra keabuan dan representasinya dalam data digital

3. Citra Warna

Pada citra warna, setiap titik mempunyai warna yang spesifik yang merupakan kombinasi dari 3 warna dasar, yaitu : merah, hijau, dan biru. Format citra seperti ini sering disebut sebagai citra RGB (red-green-blue). Setiap warna dasar mempunyai intensitas sendiri dengan nilai maksimum 255 (8 bit), misalnya warna kuning merupakan kombinasi warna merah dan hijau sehingga nilai RGB-nya adala 255 255 0. Dengan demikian setiap titik pada citra warna membutuhkan data 3 byte.

Jumlah kombinasi warna yang mungkin untuk format citra ini adalah 224 atau lebih dari 16 juta warna, dengan demikian bisa dianggap mencakup semua warna yang ada.

(30)

4. Citra Warna Berindeks

Jumlah memori yang dibutuhkan untuk format citra warna adalah 3 kali jumlah titik yang ada dalam citra yang ditinjau. Di lain pihak, pada kebanyakan kasus, jumlah warna yang ada dalam suatu citra terkadang sangat terbatas, karena banyaknya warna dalam sebuah citra tidak mungkin melebihi banyaknya titik dalam citra itu sendiri. Untuk kasus tersebut, disediakan format citra warna berindeks. Pada format ini, informasi setiap titik merupakan indeks dari suatu tabel yang berisi informasi warna yang tersedia, yang disebut palet warna.

Palet warna merupakan bagian dari citra warna berindeks, sehingga pada saat menyimpan citra ini ke dalam file, informasi palet warna juga harus disertakan.

Gambar 2.4 Citra warna berindeks dan representasinya dalam data

digital

B. Pengolahan Citra

(31)

Pengolahan citra digital bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin.

Operasi-operasi yang dilakukan di dalam pengolahan citra banyak ragamnya. Namun secara umum, operasi pengolahan citra dapat diklasifikasikan dalam beberapa jenis (Munir, 2004) sebagai berikut :

1. Perbaikan kualitas citra

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.

2. Pemugaran citra

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.

3. Pemampatan citra

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.

4. Segmentasi citra

(32)

5. Analisis citra

Jenis operasi ini bertujuan menghitung besar kuantitatif dari citra untuk menghasilkan deskripsinya. Teknik analisis citra mengekstraksi ciri-ciri tertentu yang membantu dalam mengidentifikasi obyek. Proses segmentasi kadangkala diperlukan untuk melokalisasi obyek yang diinginkan dari sekelilingnya.

6. Rekonstruksi citra

Jenis operasi ini bertujuan untuk membentuk ulang obyek dari beberapa citra hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam bidang medis.

Pengolahan citra pada dasarnya dilakukan dengan cara memodifikasi setiap titik dalam citra tersebut sesuai keperluan. Menurut Achmad dan Firdausy (Achmad dan Firdausy, 2005), secara garis besar modifikasi tersebut dikelompokkan menjadi :

1. Operasi titik, dimana setiap titik diolah secara tidak berhubungan terhadap titik-titik yang lain.

2. Operasi global, dimana karakteristik global (biasanya bersifat statistik) dari citra yang digunakan untuk memodifikasi nilai setiap titik.

3. Operasi temporal/ berbasis bingkai, dimana sebuah citra diolah dengan cara dikombinasikan dengan citra lain.

4. Operasi geometri, dimana bentuk, ukuran, atau orientasi citra dimodifikasi secara geometris.

(33)

mengubah nilai.

6. Operasi morfologi, yaitu operasi yang berdasarkan segmen atau bagian dalam citra yang menjadi perhatian.

C. Deteksi Tepi 1. Tepi (Edge)

Yang dimaksud dengan tepi atau edge dalam hal ini adalah perubahan nilai derajat keabuan pada citra yang besar dalam jarak yang singkat. Perbedaan intensitas inilah yang menandakan adanya perbedaan objek, sehingga selanjutnya dapat diketahui objek-objek yang berbeda pada citra yang dianalisis. Tepi pada umumnya berada pada batas antara dua objek yang berbeda. Tepi dapat diorientasikan dengan suatu arah, dan arah ini dapat berbeda-beda tergantung pada perubahan intensitasnya.

Menurut Munir (Munir,2004) ada tiga macam tepi yang terdapat di dalam citra yaitu :

a. Tepi curam, dimana tepi memiliki perubahan intensitas yang sangat tajam dengan arah tepi 90o. Dapat dilihat pada gambar 2.5.

(34)

b. Tepi landai yaitu tepi dengan sudut arah yang kecil. Tepi landai dapat dianggap terdiri dari sejumlah tepi-tepi lokal yang lokasinya berdekatan, seperti yang terlihat pada gambar 2.6.

Gambar 2.6 Tepi Landai

c. Tepi curam dengan derau seperti pada gambar 2.7. Umumnya tepi yang terdapat pada aplikasi visi computer mengandung derau. Operasi peningkatan kualitas citra dapat dilakukan terlebih dahulu sebelum pendeteksian tepi.

(35)

2. Deteksi Tepi

Deteksi tepi ( Edge Detection ) pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi citra pada obyek citra (Sigit, 2005). Deteksi tepi merupakan langkah pertama untuk melingkupi informasi di dalam citra. Tepi mencirikan batas-batas obyek dan karena itu tepi berguna untuk proses segmentasi dan identifikasi obyek di dalam citra. Tujuan operasi deteksi tepi adalah untuk meningkatkan penampakan garis batas suatu daerah atau obyek di dalam citra (Munir, 2004).

Terdapat beberapa teknik yang digunakan untuk mendeteksi tepi, antara lain (Munir, 2004) :

a. Operator gradien pertama, contoh beberapa gradien pertama yang dapat digunakan untuk mendeteksi tepi di dalam citra, yaitu operator gradien selisih-terpusat, operator Sobel, operator Prewitt, operator

Roberts, operator Canny.

b. Operator turunan kedua, disebut juga operator Laplace. Operator

Laplace mendeteksi lokasi tepi khususnya pada citra tepi yang curam.

Pada tepi yang curam, turunan keduanya mempunyai persilangan nol, yaitu titik di mana terdapat pergantian tanda nilai turunan kedua, sedangkan pada tepi yang landai tidak terdapat persilangan nol. Contohnya adalah operator Laplacian Gaussian, operator Gaussian. c. Operator kompas, digunakan untuk mendeteksi semua tepi dari

(36)

Barat Laut. Deteksi tepi dilakukan dengan mengkonvolusikan citra dengan berbagai mask kompas, lalu dicari nilai kekuatan tepi (magnitude) yang terbesar dan arahnya. Operator kompas yang dipakai untuk deteksi tepi menampilkan tepi dari 8 macam arah mata angin, yaitu Utara, Timur Laut, Timur, Tenggara, Selatan, Barat, Barat Daya, dan Barat Laut.

Gambar 2.8 Proses deteksi tepi citra

(37)

D. Operator Sobel

Sobel edge detection adalah salah satu metode dalam image

processing yang berguna untuk mendeteksi tepi (edge) suatu obyek dalam

gambar digital (Gonzales & Woods, 2000).

Satu cara untuk menghindari gradien yang dihitung pada titik interpolasi dari piksel-piksel yang terlibat dengan cara menghaluskan citra digital. Proses penghalusan yang digunakan merupakan proses konvolusi dari jendela yang ditetapkan terhadap citra yang terdeteksi dengan menggunakan jendela 3 x 3 untuk perhitungan gradien, sehingga perkiraan gradien berada tepat di tengah jendela.

Agar perkiraan gradien tepat di tengah jendela, dalam konvolusi Sobel menggunakan susunan piksel-piksel disekitar piksel (x,y) seperti pada gambar 2.9.

Gambar 2.9 Susunan Pixel Pada Konvolusi Sobel

Sehingga besar gradien dihitung dengan menggunakan persamaan :

Sx = (a2 + ca3 + a4) - (a0 + ca7 + a6) ……… (2.1) Sy = (a0 + ca1 + a2) - (a6 + ca5 + a4) ……… (2.2) dengan Sx = gradien piksel x, Sy = gradien piksel y, dan c = konstanta yang bernilai 2. Dari persamaan di atas, diperoleh dua buah matriks operator

(38)

Gambar 2.10 Matriks Operator Sobel untuk Persamaan Sx

Gambar 2.11 Matriks Operator Sobel untuk Persamaan Sy

Dari matriks di atas terlihat bahwa Sobel memberikan pembobotan pada piksel-piksel yang lebih dekat dengan titik pusat. Matriks ini dapat digunakan secara terpisah pada gambar masukan, untuk menghasilkan pengukuran yang terpisah dari komponen gradien pada setiap orientasi untuk mencari skala absolut dari gradien pada setiap titik dan orientasi gradien tersebut. Pada umumnya digunakan pendekatan nilai gradien tersebut dengan nilai absolut :

…………(2.3)

(39)

Gambar 2.12 Citra semula

Dari citra di atas, diambil sample gambar diujung bawah yang ditandai dengan kotak berwarna merah. Dari sample gambar tersebut, kemudian didapatkan matriks gambar seperti yang terlihat pada tabel 2.1.

Tabel 2.1 Matriks dari citra sample

(40)

Setelah didapatkan matriks dari sample, kemudian akan dilakukan proses konvolusi. Dan dari matriks sample tersebut diambil contoh 3 titik pusat untuk dilakukan proses konvolusi dengan operator sobel.

Untuk konvolusi contoh pertama, dengan titik pusat yang ditandai

dengan warna merah :

Dengan dan

1. Lakukan konvolusi dengan mask Sx, yaitu :

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

2. Lakukan konvolusi dengan mask Sy, yaitu :

Gy = (0)(1) + (0)(2) + (0)(1) + (1)(0) + (1)(0) + (1)(0) + (1)(-1) + (1)(-2) + (1)(-1) = - 4

3. Maka diperoleh M = |0| + |-4| = 4.

Untuk konvolusi contoh kedua, dengan titik pusat yang ditandai

(41)

Dengan dan

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

Gy = (0)(1) + (0)(2) + (1)(1) + (1)(0) + (1)(0) + (1)(0) + (1)(-1) + (1)(-2) + (1)(-1) = - 3

3. Maka diperoleh M = |1| + |-3| = 4.

Untuk konvolusi contoh ketiga, dengan titik pusat yang ditandai

dengan warna hijau :

Dengan dan

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

Gy = (0)(1) + (0)(2) + (0)(1) + (0)(0) + (1)(0) + (1)(0) + (1)(-1) + (1)(-2) + (1)(-1) = - 4

(42)

3. Maka diperoleh M = |2| + |-4| = 6.

Setelah dilakukan proses konvolusi terhadap masing-masing titik pusat, maka secara keseluruhan matriks hasil konvolusi dari citra sample dapat dilihat pada tabel 2.2. Pada tabel tersebut yang ditandai dengan warna merah merupakan hasil konvolusi dari contoh pertama, kemudian yang ditandai dengan warna biru adalah hasil konvolusi dari contoh kedua, sedangkan yang ditandai dengan warna hijau adalah hasil konvolusi dari contoh ketiga.

Tabel 2.2 Matriks hasil konvolusi dari citra sample

(43)

Untuk hasil konvolusi dari citra semula dapat dilihat pada gambar 2.13. Dimana yang ditandai dengan kotak merah tersebut merupakan citra

sample yang sudah dilakukan proses konvolusi.

Gambar 2.13 Citra hasil konvolusi

E. Segmentasi 1. Segmentasi

Segmentasi adalah proses pemecahan citra ke dalam obyek-obyek yang terkandung di dalamnya (Katsuri et al., 2002). Dalam analisis citra dokumen, segmentasi dilaksanakan dalam dua tahap, yaitu :

1. Memisahkan teks dan grafis kalau dalam dokumen tersebut terdapat teks maupun grafis.

2. Melakukan proses pemisahan selanjutnya dari hasil tahap pertama.

(44)

Proses segmentasi pada citra dokumen dapat dilakukan dengan mempergunakan histogram citra serta profil proyeksi dari citra tersebut.

2. Histogram

Histogram citra adalah grafik yang menggambarkan penyebaran nilai-nilai intensitas warna suatu piksel pada citra atau bagian tertentu di dalam citra (Gonzales & Woods, 1992). Dari histogram dapat diketahui frekuensi kemunculan intensitas warna pada suatu citra.

Misalkan diketahui sebuah citra digital memiliki L derajat keabuan, yaitu dari nilai 0 sampai L-1 (misalnya pada suatu citra dengan kuantisasi derajat keabuan 8-bit, nilai derajat keabuan dari 0 sampai 255). Secara matematis frekuensi kemunculan intensitas derajat keabuan i, yaitu hi

dihitung dengan rumus :

hi = �_� , = 0, 1,…, −1 ... (2.4)

di mana ni menyatakan banyaknya piksel yang memiliki derajat keabuan i,

dan n menyatakan banyaknya piksel di dalam citra.

F. Profil Proyeksi

(45)

piksel hitam yang tegak lurus sumbu y, sedangkan profil horisontal adalah banyaknya piksel hitam yang tegak lurus dengan sumbu x.

Profil vertikal direpresentasikan dengan suatu vektor (Pv) berukuran kecil N. Profil vertikal pada baris ke-i, yaitu (Pv[i]), didefinisikan sebagai berikut :

��

=

� ,

=1

… … … 2.5

Sedangkan profil horisontal direpresentasikan dengan suatu vektor (Ph) berukuran M. Profil horisontal pada kolom ke-j, yaitu (Ph[j]), didefinisikan sebagai berikut :

�ℎ

=

� ,

=1

… … … 2.6

(46)

G. Matlab

Menurut Muhammad Iqbal (Iqbal, 2009), MATLAB (matrix

laboratory) adalah sebuah bahasa dengan (high-performance) kinerja tinggi

untuk komputasi masalah teknik. Matlab mengintegrasikan komputasi, visualisasi, dan pemrograman dalam suatu model yang sangat mudah untuk dipakai, dimana masalah-masalah dan penyelesaiannya diekspresikan dalam notasi matematika yang familiar.

Dalam lingkungan perguruan tinggi teknik, Matlab merupakan perangkat standar untuk memperkenalkan dan mengembangkan penyajian materi matematika, rekayasa dan kelimuan. Di industri, MATLAB merupakan perangkat pilihan untuk penelitian dengan produktifitas yang tingi, pengembangan dan analisanya.

Fitur-fitur MATLAB sudah banyak dikembangkan, dan lebih kita kenal dengan nama toolbox. Sangat penting bagi seorang pengguna Matlab,

toolbox mana yang mendukung untuk learn dan apply technology yang

sedang dipelajarinya. Toolbox-toolbox ini merupakan kumpulan dari fungsi-fungsi MATLAB (Mfiles) yang telah dikembangkan ke suatu lingkungan kerja MATLAB untuk memecahkan masalah dalam kelas particular. Area-area yang sudah bisa dipecahkan dengan toolbox saat ini meliputi pengolahan sinyal, system kontrol, neural networks, fuzzy logic, wavelets, dan lain-lain.

(47)

laplacian of gaussian, metode zero cross, dan Canny. Yang penting diperhatikan pada deteksi tepi bahwa hanya dapat dilakukan menggunakan citra grayscale atau citra 2-D.

Contoh penggunaan metode deteksi tepi :

I = imread('emo.jpg');

gray=rgb2gray(I);

BW1 = edge(gray,'prewitt');

BW2 = edge(gray,'canny');

BW3 = edge(gray,'sobel');

BW4 = edge(gray,'roberts');

imshow(BW1);

imshow(BW2);

imshow(BW3);

imshow(BW4);

(48)

Gambar 2.16 Hasil deteksi tepi Gambar 2.17 Hasil deteksi tepi

Prewit Canny

Gambar 2.18 Hasil deteksi tepi Gambar 2.19 Hasil deteksi tepi

Sobel Roberts

(49)

29 BAB III

ANALISA DAN PERANCANGAN SISTEM

Dalam bab ini membahas analisa dan perancangan sistem secara umum, rancangan data masukan, rancangan proses, dan rancangan pengujian.

A. Analisa Sistem

Dalam tugas akhir ini, program dalam tahap perancangan sistem dinyatakan dengan menggunakan bahasa pemrograman MATLAB. Karena di dalam MATLAB sudah terdapat toolbox yang merupakan kumpulan dari fungsi-fungsi MATLAB yang telah dikembangkan ke suatu lingkungan kerja

MATLAB untuk memecahkan masalah dalam kelas particular (Iqbal, 2009).

Data masukan dalam tugas akhir ini berupa citra dokumen teks beraksara Jawa modern yang merupakan citra dengan derajat keabuan yang merupakan koleksi penelitian Widiarti (Widiarti dkk, 2010). Sebelum menjadi input dalam proses deteksi tepi, ada beberapa proses yang harus dilakukan terlebih dahulu terhadap citra dokumen tersebut. Proses-proses tersebut adalah :

(50)

2. Binerisasi, berfungsi untuk membagi citra menjadi 2 kelompok yaitu kelompok obyek yang dinyatakan dengan nilai 1 dan kelompok latar yang dinyatakan dengan nilai 0.

3. Filling, berfungsi untuk menghapus sebanyak mungkin noise yang

muncul pada citra dokumen.

Proses normalisasi orientasi, binerisasi dan filling akan dilakukan secara manual dan tidak akan dibahas lebih lanjut dalam tugas akhir ini.

Proses utama yang dilakukan dalam penelitian ini adalah proses deteksi tepi dengan menggunakan operator sobel yang akan menghasilkan citra dokumen beraksara Jawa yang sudah dideteksi tepi. Hasil tersebut kemudian akan digunakan dalam proses segmentasi, dan keluarannya akan menghasilkan citra-citra karakter penyusun citra dokumen yang menjadi masukan seperti pada gambar 3.1. Hasil citra karakter yang melalui proses deteksi tepi tersebut akan dianalisa dengan hasil citra karakter tanpa melalui proses deteksi tepi. Hasil analisa tersebut akan digunakan untuk mengukur tingkat keberhasilan proses deteksi tepi menggunakan operator sobel yang diterapkan pada citra dokumen beraksara Jawa.

(51)

B. Analisa Kebutuhan Hardware - Software

Analisa kebutuhan hardware merupakan analisa kebutuhan akan perangkat keras komputer yang diperlukan selama mengembangkan sistem, sedangkan analisa kebutuhan software untuk mendukung pengoperasian dan pembuatan sistem. Kebutuhan-kebutuhan akan hardware dan sofrware dijelaskan sebagai berikut :

1. Analisa Kebutuhan Hardware

Satu unit komputer dengan sistem operasi Windows XP, dengan spesifikasi sebagai berikut :

a. Processor : Intel Core 2 Duo b. Memory : RAM 2 GB

c. VGA : Mobile Intel X3100

2. Analisa Kebutuhan Software

a. Matlab menggunakan Matlab versi 7.8.0.347 (R2009a).

C. Rancangan Proses Sistem

(52)

1. Data Flow Diagram Level 0

Secara umum sistem yang akan dibangun adalah sistem yang menitikberatkan pada operasi sobel terhadap citra masukan berupa citra dokumen beraksara Jawa yang akan dikenai proses deteksi tepi.

User

Gambar 3.2 Data Flow Diagram Level 0

Masukan dari proses deteksi tepi yang terlihat pada gambar 3.2 berupa citra dokumen yang diberikan kepada pengguna kepada sistem akan diproses dengan sistem deteksi tepi dan pengujiannya. Dan sebagai hasil keluarannya akan diperoleh citra-citra karakter.

2. Data Flow Diagram Level 1

User 1

Gambar 3.3 Data Flow Diagram Level 1

(53)

kemudian akan diproses dengan deteksi tepi dan keluarannya akan diproses dengan sistem segmentasi, dan hasil keluaran akhir akan diperoleh citra karakter penyusun citra dokumen yang menjadi masukan.

3. Flowchart Proses Deteksi Tepi

Proses deteksi tepi pada citra dokumen dengan menggunakan operator sobel seperti terlihat dalam gambar 3.4, secara keseluruhan sebagai berikut :

Input : citra dokumen

Output : citra hasil deteksi tepi. Algoritma :

a. Set N = tinggi citra, M = lebar citra b. Inisialisasikan mask Sx dan Sy. c. Set tinggi = 2

d. Jika tinggi kurang dari tinggi matriks – 1, maka set lebar = 2, dan lakukan langkah (e).

Jika tidak, lakukan penjumlahan absolut hasil konvolusi citra dengan mask sobel, dan kemudian lakukan thinning dengan metode morfologi. Selesai, dan menampilkan citra hasil deteksi tepi.

e. Jika lebar kurang dari lebar matriks – 1, maka lakukan konvolusi citra terhadap masing-masing mask sobel, dan set lebar + 1.

(54)

Mulai

(Sy(1,2) * citra(tinggi-1,lebar)) + (Sy(1,3) * citra(tinggi-1,lebar+1)) +

(Sy(2,1) * citra(tinggi,lebar-1)) + (Sy(2,2) * citra(tinggi,lebar)) + (Sy(2,3) * citra(tinggi,lebar+1)) + (Sy(3,1) * citra(tinggi+1,lebar-1)) + (Sy(3,2) * citra(tinggi+1,lebar)) + (Sy(3,3) * citra(tinggi+1,lebar+1)) ;

(55)

Dalam deteksi tepi dengan operator sobel dilakukan proses

thinning. Proses thinning dilakukan karena deteksi tepi seringkali

mengakibatkan garis pada gambar output menjadi lebar beberapa piksel karena efek smoothing dari operator sobel. Maka proses

thinning diperlukan untuk membantu memperkecil piksel tersebut

(Fisher,2003).

4. Diagram Alir Proses Segmentasi

(56)

2.1

Gambar 3.5 Diagram Alir Proses Segmentasi (Widiarti, 2007)

D. Rancangan Pengujian

Pada penelitian ini akan dilakukan pengujian tingkat keberhasilan deteksi tepi menggunakan operator sobel yang diterapkan pada citra beraksara Jawa.

(57)

1. Pengamatan visual / kasat mata terhadap citra-citra karakter aksara Jawa yang dihasilkan dari proses segmentasi melalui deteksi tepi dengan membandingkan citra-citra karakter aksara Jawa yang dihasilkan dari proses segmentasi tanpa melalui deteksi tepi.

2. Akan dilakukan pengamatan secara visual atau kasat mata dari hasil segmentasi menggunakan profil proyeksi dengan adanya deteksi tepi dengan menggunakan 2 buah operator yang berbeda, yakni operator

sobel, dan operator canny dan juga operator sobel yang tersedia dalam

toolbox MATLAB. Operator canny dipilih sebagai pembanding

karena berdasarkan hasil uji coba, metode deteksi tepi dengan operator

(58)

38 BAB IV IMPLEMENTASI

Pada bab ini berisi mengenai implementasi deteksi tepi menggunakan operator sobel pada citra aksara jawa yang kemudian digunakan untuk membantu proses segmentasi. Implementasi proses-proses dalam diagram aliran data dalam tahap perancangan sistem dinyatakan dengan menggunakan bahasa pemrograman

MATLAB versi 7.8.0.347 (R2009a).

A. Implementasi Program

Implementasi program dalam tugas akhir ini, direpresentasikan dalam bahasa pemrograman MATLAB.

1. Implementasi Deteksi Tepi Operator Sobel

Berikut ini, deteksi tepi dengan operator sobel yang dituliskan dalam bahasa pemrograman MATLAB :

function citrahasil = deteksiTepi(citra)

(59)

tinggi = 2;

(Sx(2,1) * citra_bw(tinggi,lebar-1)) + (Sx(3,1) * citra_bw(tinggi+1,lebar-1)) + (Sx(1,2) * citra_bw(tinggi-1,lebar)) + (Sx(2,2) * citra_bw(tinggi, lebar)) + (Sx(3,2) * citra_bw(tinggi+1,lebar)) + (Sx(1,3) * citra_bw(tinggi-1,lebar+1)) + (Sx(2,3) * citra_bw(tinggi, lebar+1)) + (Sx(3,3) * citra_bw(tinggi+1,lebar+1)) ;

konvolusiY(tinggi, lebar) =

(Sy(1,1) * citra_bw(tinggi-1,lebar-1)) +

(Sy(1,2) * citra_bw(tinggi-1,lebar)) + (Sy(1,3) * citra_bw(tinggi-1,lebar+1)) + (Sy(2,1) * citra_bw(tinggi,lebar-1)) + (Sy(2,2) * citra_bw(tinggi,lebar)) + (Sy(2,3) * citra_bw(tinggi,lebar+1)) + (Sy(3,1) * citra_bw(tinggi+1,lebar-1)) + (Sy(3,2) * citra_bw(tinggi+1,lebar)) + (Sy(3,3) * citra_bw(tinggi+1,lebar+1)) ;

citrakonvolusi = abs(konvolusiX) + abs(konvolusiY);

citrahasil = bwmorph(citrakonvolusi,'thin',Inf);

(60)

digunakan untuk mengubah citra masukan menjadi citra biner. Kemudian mencari ukuran matriks citra [N,M], N untuk tinggi, dan M untuk lebar.

Selanjutnya mendeklarasikan kernel Sobel. Sx untuk konvolusi arah horisontal, dan Sy untuk konvolusi arah vertikal, serta membuat matriks zero untuk menampung masing-masing nilai konvolusi dengan dimensi yang sesuai dengan lebar dan tinggi citra.

Setelah itu lakukan konvolusi citra terhadap masing-masing mask sobel. Untuk letak masing-masing piksel pada citra tersebut, dengan menggunakan jendela 3x3 yang terdiri dari 8 titik tetangga, yang dimulai dengan tinggi = 2 dan lebar = 2. Variabel konvolusiX digunakan untuk menampung hasil konvolusi dengan Sx, sedangkan variabel konvolusiY digunakan untuk menampung hasil konvolusi dengan Sy.

Setelah dilakukan konvolusi terhadap masing-masing mask

sobel, lakukan penjumlahan absolut keduanya. Variabel citrakonvolusi

menyimpan hasil penjumlahan absolut antara konvolusiX dan konvolusiY.

(61)

2. Implementasi Segmentasi

(62)

42 BAB V

ANALISA HASIL DAN PEMBAHASAN

Dalam bab ini berisi mengenai analisa hasil implementasi deteksi tepi menggunakan operator sobel pada citra aksara jawa yang digunakan untuk membantu proses segmentasi serta pembahasannya.

A. Data Masukan

Data masukan untuk pengujian adalah citra dokumen aksara jawa yang relatif bebas noise dan tidak miring. Terdapat 5 citra dokumen yang akan dijadikan input untuk penelitian ini. Data yang dipergunakan dalam tugas akhir ini adalah data dari dokumen buku sastra Jawa modern Menak Sorangan I (Yasadipura,1963) halaman 3 sampai halaman 7. Karakteristik data citra dokumen masukan dapat dilihat pada tabel berikut :

Tabel 5.1 Kriteria citra dokumen masukan

No. Nama File Dokumen Ukuran panjang dan

lebar citra (piksel) Besar File

1 Data1.jpg 1582 x 2208 1.04 MB

2 Data2.jpg 1520 x 2312 857KB

3 Data3.jpg 1529 x 2340 987 KB

4 Data4.jpg 1531 x 2390 0.98 MB

(63)

Gambar 5.1 Citra dokumen masukan data 1 (Widiarti, 2007)

(64)

miring. Citra masukan tersebut selanjutnya akan dikenai proses deteksi tepi dengan operator sobel.

B. Analisis Hasil

Dari citra masukan yang kemudian dikenai proses deteksi tepi. Proses pertama dalam deteksi tepi yaitu melakukan konvolusi citra masukan dengan gradient Sx dan Sy. Konvolusi dengan gradient Sx bertujuan untuk mendapatkan tepi-tepi yang searah dengan sumbu x, seperti terlihat pada gambar 5.2. Sedangkan konvolusi dengan gradient Sy bertujuan untuk mendapatkan tepi-tepi yang searah dengan sumbu y, seperti terlihat pada gambar 5.3.

(65)

(66)

(67)

(68)

Setelah dilakukan konvolusi terhadap masing-masing gradien pada citra masukan, kemudian dilakukan penjumlahan absolut dan proses

thinning sehingga didapatkan hasil akhir dari proses deteksi tepi. Gambar

5.4 merupakan citra dokumen data 1 yang sudah melalui tahapan-tahapan dalam proses deteksi tepi.

Dari citra dokumen masukan yang kemudian dikenai proses deteksi tepi dan kemudian dilakukan proses segmentasi, maka diperoleh hasil output berupa citra karakter penyusun citra dokumen. Analisis output ini berfungsi untuk membandingkan banyaknya citra karakter hasil proses segmentasi yang dikenai deteksi tepi, dengan proses segmentasi yang tidak dikenai deteksi tepi.

Sebagai contoh untuk citra dokumen data1, setelah dilakukan proses deteksi tepi, kemudian selanjutnya dilakukan dengan proses segmentasi, yang akan menghasilkan citra-citra karakter. Gambar 5.5 merupakan baris pertama dalam data 1 setelah dilakukan proses poong baris dalam proses segmentasi.

Gambar 5.5 Potongan baris 1 dari citra data 1

(69)

citra karakter yang benar dan utuh, sehingga dalam analisis output selenjutnya citra-citra karakter seperti ini yang akan dihitung kebenarannya.

Gambar 5.6 Citra-citra karakter baris 1 data1

Untuk citra dokumen data 1 diperoleh tabel data analisis output segmentasi citra dokumen sebagai berikut :

Tabel 5.2 Analisis output segmentasi citra dokumen data 1 melalui deteksi tepi

Baris

Banyak

Karakter Benar Keterangan

Citra Hasil tersebut terpotong menjadi 12 kolom

8 25

(70)

Baris

Banyak

Citra Hasil

10 23 25 21 Ada 2 karakter terpotong menjadi 2 kolom 11 21 22 14 Ada 8 karakter tergabung dengan baris 12

12 24 27 15

Ada 7 karakter tergabung dengan baris 11 Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom 13 23 24 22 Ada 1 karakter terpotong menjadi 2 kolom 14 23 29 18 Ada 2 karakter tergabung dengan baris 13

Ada 4 karakter terpotong menjadi 2 kolom

15 26 26 26 -

16 24 25 23 Ada 1 karakter terpotong menjadi 2 kolom 17 24 25 20 Ada 2 karakter terpotong menjadi 2 kolom Ada 2 karakter tergabung menjadi 1 kolom

18 26 26 26 -

19 1 1 1 -

20 36 37 32 Ada 2 karakter terpotong menjadi 2 kolom Ada 2 karakter tergabung menjadi 1 kolom

21 26 26 26 -

Total 476 463 388

Tabel 5.3 Analisis output segmentasi citra dokumen data 1 tanpa deteksi tepi

Baris

Banyak

Citra Hasil

1 17 18 16 Ada 1 karakter terpotong menjadi 2 baris 2 11 14 8 Ada 3 karakter terpotong menjadi 3 baris 3 22 28 17 Ada 4 karakter terpotong menjadi 2 kolom

Ada 1 karakter terpotong menjadi 3 kolom 4 25 31 20 Ada 3 karakter terpotong menjadi 2 kolom Ada 1 karakter terpootng menjadi 3 kolom

(71)

6 24 31 19 Ada 4 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 4 kolom

7 23 26 12

Ada 2 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 7 karakter tergabung dengan baris 8

8 25 31 15

Ada 3 karakter terpootng menjadi 2 kolom Ada 2 karakter terpotong menjadi 3 kolom Ada 5 karakter tergabung dengan baris 7 9 26 29 23 Ada 3 karakter terpotong menjadi 2 kolom 10 23 28 19 Ada 3 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom 11 21 23 14 Ada 1 karakter terpotong menjadi 2 kolom Ada 7 karakter tergabung dengan baris 12

12 24 33 13

Ada 1 karakter terpotong menjadi 2 kolom Ada 4 karakter terpotong menjadi 3 kolom Ada 6 karakter tergabung dengan baris 11 13 23 25 21 Ada 2 karakter terpotong menjadi 2 kolom

14 23 37 15

Ada 4 karakter terpotong menjadi 2 kolom Ada 2 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 4 kolom Ada 1 karakter terpotong menjadi 2 baris

15 26 26 26 -

16 24 26 23 Ada 1 karakter terpotong menjadi 3 kolom 17 24 26 23 Ada 1 karakter terpotong menjadi 3 kolom 18 26 29 24 Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom

19 1 1 1 -

20 36 40 32 Ada 4 karakter terpotong menjadi 2 kolom

21 26 26 26 -

Total 476 554 393

(72)

dokumen melalui proses deteksi tepi yaitu sebesar 81,51% yang diperoleh dari (388/476) x 100%.

Dari hasil analisis output dari citra dokumen data 1 pada tabel 5.3, diperoleh 476 karakter dalam citra dokumen. Tanpa melalui proses deteksi tepi yang kemudian disegmentasi diperoleh 554 karakter secara keseluruhan dan 393 karakter yang tersegmentasi dengan benar dan utuh. Sehingga dari hasil tersebut dapat dihitung prosentase derajat keberhasilan segmentasi citra dokumen yaitu sebesar 82,56% yang diperoleh dari (393/476) x 100%.

Berdasarkan hasil analisis dari data 1, maka dapat dilihat bahwa hasil prosentase segmentasi tanpa deteksi tepi lebih baik dibandingkan dengan segmentasi tanpa deteksi tepi. Dikarenakan beberapa baris citra dalam segmentasi dengan deteksi tepi tidak terpotong dengan baik.

Untuk citra dokumen data 2 diperoleh tabel data analisis output segmentasi citra dokumen sebagai berikut :

Baris

Banyak

Citra Hasil

(73)

Baris

Banyak

Citra Hasil

6 26 28 25 Ada 1 karakter terpotong menjadi 3 kolom

7 25 34 15

Ada 4 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 4 kolom Ada 5 karakter terpotong menjadi 2 baris 8 26 27 25 Ada 1 karakter terpotong menjadi 2 kolom

9 24 42 10

Ada 5 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 5 kolom Ada 2 karakter tergabung menjadi 1 kolom Ada 8 karakter terpotong menjadi 2 baris 10 24 28 21 Ada 2 karakter terpotong menjadi 2 kolom

Ada 1 karakter terpotong menjadi 3 kolom 11 22 24 20 Ada 2 karakter terpotong menjadi 2 kolom

12 24 28 19

Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 4 kolom Ada 2 karakter tergabung menjadi 1 kolom 13 27 30 24 Ada 3 karakter terpotong menjadi 2 kolom 14 25 29 21 Ada 4 karakter terpotong menjadi 2 kolom 15 22 30 17 Ada 2 karakter terpotong menjadi 2 kolom Ada 3 karakter terpotong menjadi 3 kolom 16 22 28 14 Ada 6 karakter terpotong menjadi 2 kolom Ada 2 karakter tergabung menjadi 1 kolom

17 22 27 15

Ada 1 karakter terpotong menjadi 2 kolom Ada 2 karakter terpotong menjadi 3 kolom Ada 4 karakter tergabung dengan baris 18 18 23 29 15 Ada 6 karakter terpotong menjadi 2 kolom

Ada 4 karakter tergabung dengan baris 17

19 24 46 11

(74)

Ada 2 karakter terpotong menjadi 3 kolom Ada 5 karakter terpotong menjadi 2 baris 23 23 26 20 Ada 2 karakter terpotong menjadi 2 kolom

Total 527 676 404

Baris

Banyak

Citra Hasil

1 1 1 1 -

2 24 29 20 Ada 3 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom 3 23 26 21 Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom 4 23 31 17 Ada 4 karakter terpotong menjadi 2 kolom Ada 2 karakter terpotong menjadi 3 kolom

5 24 48 11

Ada 2 karakter terpotong menjadi 3 kolom

7 25 46 12

Ada 5 karakter terpotong menjadi 2 kolom Ada 5 karakter terpotong menjadi 3 kolom Ada 5 karakter terpotong menjadi 2 baris 8 26 29 22 Ada 4 karakter terpotong menjadi 2 kolom

9 24 50 10

(75)

Baris

Banyak

Citra Hasil

12 24 30 19

Ada 1 karakter terpotong menjadi 2 kolom Ada 1 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 4 kolom Ada 2 karakter tergabung menjadi 1 kolom 13 27 35 20 Ada 6 karakter terpotong menjadi 2 kolom

Ada 1 karakter terpotong menjadi 3 kolom 14 25 36 18 Ada 5 karakter terpotong menjadi 2 kolom Ada 2 karakter terpotong menjadi 4 kolom

15 22 35 16

Ada 1 karakter terpotong menjadi 2 kolom Ada 3 karakter terpotong menjadi 3 kolom Ada 2 karakter terpotong menjadi 4 kolom 16 22 33 11 Ada 10 karakter terpotong menjadi 2 kolom

Ada 1 karakter terpotong menjadi 3 kolom 17 22 36 12 Ada 6 karakter terpotong menjadi 2 kolom Ada 4 karakter terpotong menjadi 3 kolom

18 23 41 14

19 24 56 11

Ada 3 karakter terpotong menjadi 2 kolom Ada 9 karakter terpotong menjadi 3 kolom Ada 1 karakter terpotong menjadi 5 kolom

20 25 53 10

21 24 46 9

Ada 6 karakter terpotong menjadi 2 kolom Ada 3 karakter terpotong menjadi 3 kolom Ada 10 karakter terpotong menjadi 2 baris

22 24 44 13

23 23 45 7

(76)

Dari hasil analisis output dari citra dokumen data 2 pada tabel 5.4, diperoleh 527 karakter dalam citra dokumen. Melalui proses deteksi tepi yang kemudian disegmentasi diperoleh 676 karakter secara keseluruhan dan 404 karakter yang tersegmentasi dengan benar dan utuh. Sehingga dari hasil tersebut dapat dihitung prosentase derajat keberhasilan segmentasi citra dokumen melalui proses deteksi tepi yaitu sebesar 76,66% yang diperoleh dari (404/527) x 100%.

Dari hasil analisis output dari citra dokumen data 2 pada tabel 5.5, diperoleh 527 karakter dalam citra dokumen. Tanpa melalui proses deteksi tepi yang kemudian disegmentasi diperoleh 842 karakter secara keseluruhan dan 333 karakter yang tersegmentasi dengan benar dan utuh. Sehingga dari hasil tersebut dapat dihitung prosentase derajat keberhasilan segmentasi citra dokumen tanpa melalui proses deteksi tepi yaitu sebesar 63,19% yang diperoleh dari (333/527) x 100%.

Berdasarkan hasil analisis dari data 2 tersebut, maka dapat kita lihat bahwa hasil segmentasi dengan deteksi tepi lebih baik dibandingkan segmentasi tanpa deteksi tepi. Hal ini dikarenakan banyak karakter hasil segmentasi tanpa deteksi tepi banyak yang terpotong menjadi beberapa kolom. Hal tersebut dapat terlihat pada dua tabel di atas. Pada tabel 5.4 jumlah karakter yang tersegmentasi sebanyak 676, sedangkan pada tabel 5.5 jumlah karakter yang tersegmentasi sebanyak 842.

(77)

Baris

Banyak

23 24 0

(78)

Baris

Banyak

23 24 0

Total 535 505 476

(79)

tersebut dapat dihitung prosentase derajat keberhasilan segmentasi citra dokumen melalui proses deteksi tepi yaitu sebesar 89,53% yang diperoleh dari (479/535) x 100%.

Dari hasil analisis output citra dokumen data 3 pada tabel 5.7, diperoleh 535 karakter dalam citra dokumen. Tanpa melalui proses deteksi tepi yang kemudian disegmentasi diperoleh 505 karakter secara keseluruhan dan 476 karakter yang tersegmentasi dengan benar dan utuh. Sehingga dari hasil tersebut dapat dihitung prosentase derajat keberhasilan segmentasi citra dokumen tanpa melalui proses deteksi tepi yaitu sebesar 88,97% yang diperoleh dari (476/535) x 100%.

Berdasarkan hasil analisis dari data 3 tersebut, maka dapat kita lihat bahwa hasil segmentasi melalui deteksi tepi lebih baik dibandingkan segmentasi tanpa deteksi tepi. Hal tersebut dikarenakan, deteksi tepi berhasil merekonstruksi citra yang terpotong menjadi beberapa kolom menjadi citra yang utuh dan benar. Hal tersebut tampak pada baris 2, baris 5, dan baris 12. Untuk citra dokumen data 4 diperoleh tabel data analisis output segmentasi citra dokumen sebagai berikut :

Baris

Banyak

Citra Hasil

(80)

Baris

Banyak

Citra Hasil

2 25 25 22 Ada 1 karakter terpotong menjadi 2 kolom Ada 2 karakter tergabung menjadi 1 kolom

3 23 23 23 -

Baris

Banyak

Citra Hasil

(81)

Baris

Banyak

Citra Hasil Ada 1 karakter terpotong menjadi 3 kolom 21 27 28 26 Ada 1 karakter terpotong menjadi 2 kolom 22 26 25 24 Ada 2 karakter tergabung menjadi 1 kolom

23 24 24 24 -

Total 547 552 534

(82)

dokumen melalui proses deteksi tepi yaitu sebesar 97,26% yang diperoleh dari (532/547) x 100%.

Dari hasil analisis output citra dokumen data 4 pada tabel 5.9, diperoleh 547 karakter dalam citra dokumen. Tanpa melalui proses deteksi tepi yang kemudian disegmentasi diperoleh 552 karakter secara keseluruhan dan 534 karakter yang tersegmentasi dengan benar dan utuh. Sehingga dari hasil tersebut dapat dihitung prosentase derajat keberhasilan segmentasi citra dokumen tanpa melalui proses deteksi tepi yaitu sebesar 97,62% yang diperoleh dari (534/547) x 100%.

Berdasarkan hasil analisis dari data 4 tersebut, maka dapat kita lihat bahwa hasil segmentasi tanpa deteksi tepi lebih baik dibandingkan segmentasi melalui deteksi tepi. Hal tersebut dikarenakan, ada beberapa citra karakter yang tergabung menjadi 1 kolom seperti terlihat di baris 2, baris 8, dan baris 22, walaupun deteksi tepi di sini juga mampu merekonstruksi bentuk citra karakter yang terpotong menjadi beberapa kolom menjadi citra karakter yang utuh dan benar, seperti di baris 18, baris 20, dan baris 21.

(83)

Baris

Banyak

Citra Hasil

1 1 1 1 -

2 22

10 0 Baris 2 dan 3 tidak terpisah, kedua baris tersebut terpotong menjadi 10 kolom

3 23

4 23

5 23 0

6 25 25 25 -

(84)