ANALISIS KUALITAS CITRA MENGGUNAKAN BILATERAL FILTER TERHADAP METODE DETEKSI TEPI PADA CITRA SATELIT TESIS INSIDINI FAWWAZ

PADA CITRA SATELIT

TESIS

INSIDINI FAWWAZ 157038063

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN

2018

PADA CITRA SATELIT

TESIS

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika

INSIDINI FAWWAZ 157038063

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN 2018

PERSETUJUAN

Judul : ANALISIS KUALITAS CITRA MENGGUNAKAN

BILATERAL FILTER TERHADAP METODE

DETEKSI TEPI PADA CITRA SATELIT

Kategori : TESIS

Nama : INSIDINI FAWWAZ

Nomor Induk Mahasiswa : 157038063

Program Studi : MAGISTER(S2) TEKNIK INFORMATIKA

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Suherman, Ph.D Prof. Dr. Muhammad Zarlis

Diketahui/disetujui oleh

Program Studi Magister(S2) Teknik Informatika Ketua,

Prof. Dr. Muhammad Zarlis NIP. 19570701 198601 1 003

PERNYATAAN

ANALISIS KUALITAS CITRA MENGGUNAKAN BILATERAL FILTER TERHADAP METODE DETEKSI TEPI PADA CITRA SATELIT

TESIS

Saya mengakui semua tesis ini adalah hasil karya saya sendiri kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, 22 Januari 2018

Insidini Fawwaz 157038063

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan di bawah ini :

Nama : Insidini Fawwaz

NIM : 157038063

Program Studi : Magister(S2) Teknik Informatika Jenis Karya Ilmiah : Tesis

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty Free Right) atas tesis saya yang berjudul :

ANALISIS KUALITAS CITRA MENGGUNAKAN BILATERAL FILTER TERHADAP DETEKSI TEPI PADA CITRA SATELIT

Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non- Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan/atau sebagai pemilik hak cipta.

Demikian pernyataan ini dibuat dengan sebenarnya.

Medan, 22 Januari 2018

Insidini Fawwaz 1570380063

Telah diuji pada

Tanggal : 22 Januari 2018

PANITIA PENGUJI TESIS

Ketua : Prof. Dr. Muhammad Zarlis Anggota : 1. Prof. Dr. Muhammad Zarlis

2. Suherman, Ph.D

3. Prof. Dr. Herman Mawengkang 4. Dr.Syahril Efendi, S.Si, M.IT

RIWAYAT HIDUP

DATA PRIBADI

Nama Lengkap : Insidini Fawwaz, S.Kom Tempat dan Tanggal Lahir : Medan, 29 April 1991

Alamat Rumah : Jl. Dahlia Raya Perumahan Dahlia Indah no. 18

Telp/HP : 082166546544

Email : insi.dini@gmail.com

DATA PENDIDIKAN

SD : SD Pertiwi Medan TAMAT : 2003

SLTP : SMP Pertiwi Medan TAMAT : 2006

SLTA : SMA Negeri 3 Medan TAMAT : 2009

S1 : Ilmu Komputer USU TAMAT : 2014

S2 : Teknik Informatika USU TAMAT : 2018

UCAPAN TERIMA KASIH

Puji syukur dan syukur penulis panjatkan atas kehadirat Allah SWT atas segala limpahan rahmat dan karunia yang diberikan sehingga penulis bisa menyelesaikan tesis ini. Ucapan terima kasih penulis sampaikan kepada semua pihak yang telah membantu penulis dalam menyelesaikan tesis ini baik secara langsung maupun tidak langsung. Pada kesempatan ini penulis ingin menyampaikan ucapan terima kasih yang sebesar-besarnya kepada:

1. Bapak Prof. Dr. Runtung Sitepu, S.H., M.Hum. selaku Rektor Universitas Sumatera Utara.

2. Bapak Prof. Dr. Opim Salim Sitompul selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi (Fasilkom-TI) Universitas Sumatera Utara.

3. Bapak Prof. Dr. Muhammad Zarlis selaku Ketua Program Studi Magister Teknik Informatika dan Dosen Pembimbing I yang telah memberikan kritik dan saran kepada penulis dalam penyelesaian tesis ini.

4. Bapak Syahril Efendi, S.Si., M.IT selaku Sekretaris Program Studi Teknik Informatika dan Dosen Pembanding II yang telah memberikan kritik dan saran kepada penulis dalam penyelesain tesis ini.

5. Bapak Suherman, Ph.D selaku Pembimbing II yang telah banyak meluangkan waktunya dalam memberikan masukan dan saran kepada penulis dalam penyelesain tesis ini.

6. Bapak Prof. Dr. Herman Mawengkang selaku Pembanding I yang telah memberikan masukan dan saran kepada penulis dalam penyelesain tesis ini.

7. Seluruh dosen dan pegawai di Fakultas Ilmu Komputer dan Teknologi Informasi USU.

8. Kedua orang tua tercinta, Bapak Ir. Silmi, M.T. dan Ibu Ir. Rina Anugrahwaty, M.T. yang selalu memberikan kasih sayang, dukungan, perhatian, dan doa kepada penulis.

9. Kedua adik penulis, Sharfina Faza, S.Kom beserta Romi Fadillah Rahmat B.Comp.Sc., M.Sc. dan Faizzufar Taqy yang selalu memberikan dukungan dan semangat kepada penulis.

10. Teman-teman khususnya Winda Dian Luca, Laila Manja, Sylvia Dinata, Oshin Santa Monica yang telah memberikan semangat, dan dukungan kepada penulis.

11. Seluruh rekan-rekan seperjuangan mahasiswa Magister Teknik Informatika Kom C, khususnya Yessy Afrilia, N.Priya Dharsinni, Miftahul Jannah yang telah memberikan semangat, dan dukungan kepada penulis.

12. Seluruh pihak yang terlibat langsung dan tidak langsung dalam penulisan tesis ini dan tidak bisa disebutkan satu persatu.

Semoga Allah SWT memberikan rahmat, kasih sayang, dan balasan kepada semua pihak yang telah memberikan bantuan, masukan, dan semangat kepada penulis untuk menyelesaikan tesis ini. Penulis berharap tesis ini dapat bermanfaat kepada penulis dan pembaca.

Medan, Desember 2017

Penulis

ABSTRAK

Citra satelit merupakan gambar yang diambil dari satelit dari luar angkasa yang menangkap tampilan permukaan bumi melalui penginderaan jarak jauh. Biasanya, objek pada citra satelit hampir tidak terdeteksi karena ditutupi awan di langit.

Deteksi tepi memiliki peran penting dalam analisis citra. Deteksi tepi bertujuan untuk meningkatkan garis batas (boundary) yang terdapat pada citra. Gaussian Filter biasanya digunakan pada deteksi tepi untuk menghaluskan citra dan mengurangi noise. Namun, Gaussian Filter juga dapat menghaluskan bagian tepi. Bilateral Filter adalah teknik untuk menghaluskan citra dengan sifat pelestarian tepi. Bilateral Filter merupakan kombinasi antara spasial dan range kernel. Dimana filter spasial merupakan fungsi Gaussian. Dalam penelitian ini, peneliti menggunakan Bilateral Filter untuk mengurangi noise pada citra sebelum melakukan deteksi tepi dan menganalisis hasil kualitas citra Bilateral Filter dengan Gaussian Filter. Hasil penelitian menunjukkan bahwa deteksi tepi menggunakan Bilateral Filter pada deteksi tepi citra satelit lebih baik daripada menggunakan Gaussian Filter. Kualitas hasil deteksi tepi Robert, Canny dan Frei Chen juga meningkat, seperti yang terlihat dari nilai rata-rata MSE terendah setelah menggunakan Bilateral Filter yaitu 6031.692 dan nilai rata-rata PSNR tertinggi 10.62241. Tepi citra pada deteksi tepi menggunakan Bilateral Filter terlihat lebih jelas. Namun, pemrosesan deteksi tepi citra menggunakan Bilateral Filter membutuhkan waktu lebih lama dibandingkan dengan proses deteksi tepi menggunakan Gaussian Filter.

Kata kunci: Gaussian Filter, Bilateral Filter, Deteksi Tepi, Citra Satelit, Operator Robert, Operator Canny, Operator Frei Chen.

IMAGE QUALITY ANALYSIS USING BILATERAL FILTER FOR EDGE DETECTION METHOD ON SATELLITE IMAGE

ABSTRACT

Satellite image is the image taken from satellites from outer space. It captures the appearance of the earth's surface through remote sensing. Usually, satellite image’s object is hardly detected because many objects are covered with cloud in the sky.

Edge detection has an important role in image analysis. Edge detection aims to improve the boundary of an object contained in the image.Gaussian Filter is usually used on edge detection to smooth the image and reduce noise. However, Gaussian Filter Application will also smooth the edges. Bilateral Filter is a technique for smoothing images with edge preserving properties. Bilateral filtering is a combination of spatial and range filtering. Where spatial filter is a Gaussian function.

In this paper, researcher use bilateral filters to reduce noise on the image before performing edge detection and analyze the image quality of Bilateral Filter with Gaussian Filter. The results show that edge detection using Bilateral Filter on edge detection of satellite image is better than using Gaussian Filter. The quality of the edge detection results of Robert, Canny and Frei Chen also increased, as seen from the lowest MSE average after using the Bilateral Filter is 6031,692 and the highest average PSNR value is 10.62241. The edge of the image on edge detection using Bilateral Filter looks more complete. However, image edge detection processing using Bilateral Filter takes a longer time than edge detection processing using Gaussian Filter.

Keywords: Gaussian Filter, Bilateral Filter, Edge Detection, Satelite Image, Robert Operator, Canny Operator, Frei Chen Operator.

DAFTAR ISI

Hal.

Persetujuan ii

Pernyataan iii

Persetujuan Publikasi iv

Panitia Penguji Tesis v

Riwayat Hidup vi

Ucapan Terima Kasih vii

Abstrak ix

Abstract x

Daftar Isi xi

Daftar Tabel xiii

Daftar Gambar xiv

Bab 1 Pendahuluan

1.1. Latar Belakang 1

1.2. Rumusan Masalah 2

1.3. Batasan Masalah 2

1.4. Tujuan dan Manfaat Penelitian 3

1.5. Manfaat Penelitian 3

Bab 2 Landasan Teori

2.1. Citra 4

2.2. Jenis Citra 5

2.2.1. Citra Biner 5

2.2.2. Citra Grayscale 5

2.2.3. Citra Warna RGB (True Color) 6

2.3. Citra Satelit 6

2.4. Pengolahan Citra 7

2.4.1. Perbaikan Kualitas Citra (Image Enhancement) 7

2.4.2. Analisis Citra (Image Analysis) 8

2.5. Gaussian Filter 8

2.6. Bilateral Filter 8

2.7. Deteksi Tepi 9

2.7.1. Operator Robert 9

2.7.2. Canny 11

2.7.3. Operator Frei Chen 12

2.8. Parameter Kualitas Tepi 13

2.8.1. Mean Square Eror (MSE) 13

2.8.2. Peak Signal Eror (PSNR) 13

2.8.3. Waktu Proses Deteksi Tepi Citra (Running Time) 13

2.9. Penelitian Sebelumnya 14

Bab 3 Metode Penelitian

3.1. Identifikasi Masalah 17

3.2. Diagram Alur Kerja Penelitian 17

3.3. Pengumpulan Data 18

3.4. Skema Sistem 18

3.4.1. Deteksi Tepi Robert 18

3.4.2. Deteksi Tepi Canny 22

3.4.3. Deteksi Tepi Frei Chen 25

3.5. Parameter Kualitas Tepi 28

3.6. Diagram Alir Rancangan Sistem 29

Bab 4 Hasil dan Pembahasan

4.1. Hasil 31

4.1.1. Dataset Citra Satelit 31

4.1.2. Gaussian Filter 31

4.1.3. Bilateral Filter 33

4.1.4. Penghalusan Citra menggunakan Gaussian Filter dan

Bilateral Filter 34

4.1.5. Hasil Deteksi Tepi Citra Satelit 36

4.2. Pembahasan 49

Bab 5 Kesimpulan dan Saran

5.1. Kesimpulan 50

5.2. Saran 50

Daftar Pustaka 51

Lampiran 53

DAFTAR TABEL

Hal.

Tabel 2.1. Penelitian Sebelumnya 14

Tabel 3.1. Matriks Citra RGB 20

Tabel 3.2. Matriks Citra 26

Tabel 3.3. Matriks Citra Setelah Konvolusi 27

Tabel 4.1. Matriks Citra RGB 33

Tabel 4.2. Deteksi Tepi Citra Satelit menggunakan Gaussian Filter 36 Tabel 4.3. Deteksi Tepi Citra Satelit menggunakan Bilateral Filter 40 Tabel 4.4. Nilai MSE Gaussian Filter dan Bilateral Filter 44 Tabel 4.5. Nilai PSNR Gaussian Filter dan Bilateral Filter 45 Tabel 4.6. Nilai Running Time Gaussian Filter dan Bilateral Filter 46

DAFTAR GAMBAR

Hal.

Gambar 2.1. Citra Grayscale Ukuran 20 0x 200 piksel 4

Gambar 2.2. Citra Biner 5

Gambar 2.3. Citra Grayscale 5

Gambar 2.4. Citra 24 bit highcolor 6

Gambar 2.5. Citra Satelit 7

Gambar 2.6. Tahapan dalam Pengolahan Citra 7

Gambar 2.7. Operator Silang 10

Gambar 3.1. Alur Kerja Penelitian 17

Gambar 3.2. Diagram Kerja Sistem Deteksi Tepi Citra 18 Gambar 3.3. Flowchart Deteksi Tepi menggunakan Operator Robert 19 Gambar 3.4. Flowchart Deteksi Tepi menggunakan Canny 22 Gambar 3.5. Flowchart Deteksi Tepi menggunakan Operator Frei Chen 25 Gambar 3.6. Flowchart Rancangan Sistem Deteksi Tepi menggunakan

Gaussian Filter 29

Gambar 3.7. Flowchart Rancangan Sistem Deteksi Tepi menggunakan

Bilateral Filter 30

Gambar 4.1. Citra Satelit Danau Aral dan Danau Albert 31 Gambar 4.2. Pengujian terhadap Citra Satelit menggunakan Gaussian

Filter dan Bilateral Filter 35

Gambar 4.3. Grafik Nilai MSE Deteksi Tepi Citra Satelit menggunakan

Gaussian Filter dan Bilateral Filter 47

Gambar 4.4. Grafik Nilai PSNR Deteksi Tepi Citra Satelit menggunakan

Gaussian Filter dan Bilateral Filter 47

Gambar 4.5. Grafik Nilai Running Time Deteksi Tepi Citra Satelit

menggunakan Gaussian Filter dan Bilateral Filter 48

1.1. Latar Belakang

Citra satelit merupakan gambar (image) yang diambil dari satelit mengenai kenampakan permukaan bumi melalui pengindraan jauh. Di bidang pengolahan citra, pencitraan satelit merupakan salah satu tugas yang menantang bagi para peneliti (Jadhav, et al 2015). Citra satelit sulit dideteksi karena banyak gambar citra satelit tertutup awan di langit (Lalwani, et al 2012). Penerapan citra satelit meningkat dari hari ke hari seiring dengan perkembangan teknologi sensor dalam peramalan cuaca, astronomi, dan informasi geografis. Untuk meningkatan resolusi citra satelit, banyak pendekatan dalam literatur yang diusulkan.

Pengolahan citra bertujuan untuk memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia dan komputer. Pengolahan citra sering digunakan untuk menganalisis suatu citra yang hasilnya dapat dibandingkan dengan kenampakan suatu wilayah yang sebenarnya secara langsung.

Metode pengolahan citra mencakup perbaikan citra, pemampatan citra, segmentasi citra dan deteksi tepi citra. Deteksi tepi memainkan peran penting dalam penglihatan komputer dan analisis citra (Singh, et al 2015). Tepi merupakan karakteristik dasar dari citra. Informasi yang cukup berguna dan identik yang terdapat di tepi sub-gambar memungkinkan deteksi tepi menjadi pendekatan utama untuk analisis dan pengenalan citra (Bin, et al 2012). Deteksi Tepi digunakan untuk mengidentifikasi objek-objek yang ada pada citra, seperti bentuk, tekstur dan ukuran citra tersebut. Selain itu deteksi tepi bertujuan untuk meningkatkan penampakan garis batas (boundary) dari suatu objek yang terdapat pada citra. Beberapa metode deteksi tepi citra antara lain Robert, Canny dan Frei Chen.

Dalam mendeteksi tepi, biasanya citra diproses terlebih dahulu dengan perbaikan kualitas citra. Tujuan perbaikan citra yaitu untuk menghaluskan citra dan mengurangi noise. Metode penapis noise yang digunakan adalah Gaussian Filter. Namun perbaikan kualitas citra menggunakan Gaussian Filter juga akan menghaluskan bagian tepi (Tao, et al 2015).

Bilateral Filter merupakan teknik untuk menghaluskan citra dengan tetap mempertahankan tepi (Sanun, 2014). Bilateral Filter menggunakan kombinasi antara spasial dan range kernel. Dimana spasial kernel merupakan fungsi Gaussian.

Deteksi tepi telah menjadi objek penelitian dalam pengolahan citra. Adapun penelitian terdahulu yang terkait dengan deteksi tepi diantaranya Comparison for Image Edge Detection Algorithms (Bin, et al 2012), Improvisation of Content Based Image retrieval using Color Edge Detection with various Gradient Filters and Slope Magnitude Method (Thepade, et al 2015), Comparison of Various Edge Detection Techniques (Singh, et al 2015).

Beberapa metode deteksi tepi telah dibandingkan oleh Li Bin dan Mehdi (2012);

Sudeep dan Yogita (2015); Simranjit dan Rakesh (2015). Penelitian yang dilakukan untuk membandingkan metode – metode deteksi tepi. Sementara pada penelitian Yang Tao et al 2015 (Improvement and Implementation for Canny Edge Detection) melakukan penelitian menggunakan Bilateral Filter pada deteksi tepi Canny. Oleh karena itu, usulan penelitian ini mencoba untuk menganalisis kualitas citra deteksi tepi dengan menggunakan Bilateral Filter terhadap metode deteksi tepi Robert, Canny dan Frei Chen pada citra satelit.

1.2.Rumusan Masalah

Berdasarkan uraian diatas, maka rumusan masalah yang dibahas dalam penelitian ini adalah mengevaluasi kualitas citra deteksi tepi menggunakan Bilateral Filter terhadap metode deteksi tepi Robert, Canny dan Frei Chen pada citra satelit.

1.3. Batasan Masalah

Dalam penelitian ini dilakukan beberapa batasan sebagai berikut :

1. Metode perbaikan kualitas citra yang digunakan adalah Gaussian Filter dan Bilateral Filter.

2. Metode deteksi tepi yang ditinjau adalah metode Robert, Canny dan Frei Chen.

3. Citra yang digunakan yaitu citra satelit dengan ukuran maksimum 300 x 300 piksel yang didapat dari dataset United States Geological Survey (USGS).

4. Parameter parameter yang digunakan berdasarkan:

a. Nilai Mean Square Eror (MSE) dan Peak Signal to Noise Ratio (PSNR) sebagai pembanding kualitas citra satelit.

b. Waktu yang diperlukan dalam proses Gaussian Filter dan Pendeteksian Tepi (Running Time).

1.4. Tujuan Penelitian

Adapun tujuan penelitian ini adalah untuk mengetahui kualitas citra dengan membandingkan citra hasil deteksi tepi menggunakan Gaussian Filter dan Bilateral Filter terhadap metode deteksi tepi Robert, Canny dan Frei Chen pada citra satelit

1.5. Manfaat Penelitian

Adapun manfaat yang diharapkan dalam penelitian ini adalah sebagai bahan referensi untuk pembahasan yang berkaitan dengan penelitian ini dan untuk mengetahui kualitas citra hasil deteksi tepi setelah menggunakan Bilateral Filter.

2.1 Citra

Citra adalah gambar pada bidang dua dimensi. Secara matematis citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dua dimensi. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh alat-alat optik, misalnya mata pada manusia, kamera, pemindai (scanner), sehingga bayangan objek yang disebut citra tersebut terekam.

Sebuah citra dapat mewakili sebuah matriks yang terdiri dari M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitude f di titik koordinat (x,y) dinamakan intesitas atau tingkat keabuan dari citra. Apabila nilai x, y dan amplitude f secara keseluruhan berhingga (finite) maka dapat dikatakan bahwa citra tersebut adalah citra digital. Citra digital dapat ditulis dalam bentuk matriks berikut.

f(x,y) = [

, , … , −

⋮,

− ,

, … , −

⋮ ⋮ ⋮

− , … − , −

] (2.1)

Nilai pada suatu irisan antara baris dan kolom (pada posisi x,y) disebut dengan picture element, element, image element, dan piksel.

Gambar 2.1 Citra Grayscale Ukuran 200 x 200 Piksel

2.2 Jenis Citra

Nilai suatu piksel memiliki nilai dalam rentang tertentu, dari nilai minimum hingga nilai maksimum. Secara umum jangkauannya adalah 0-255, tergantung dari jenis warnanya. Berikut adalah jenis-jenis citra berdasarkan nilai pikselnya.

2.2.1 Citra Biner

Citra Biner adalah citra digital yang hanya memiliki dua kemungkinan nilai piksel yaitu hitam dan putih, dimana setiap titik atau pixel hanya bernilai 0 atau 1. Citra biner disebut sebagai citra black and white atau citra monokrom. Nilai setiap piksel dari citra biner hanya diwakili oleh 1 bit. Citra biner sering dijumpai pada proses segmentasi citra, pengambangan, morfologi, ataupun dithering. Gambar 2.2 merupakan contoh citra biner.

Gambar 2.2 Citra Biner

2.2.2 Citra Grayscale

Citra grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pikselnya. Warna pada citra grayscale yaitu warna hitam, keabuan, dan putih.

Gambar 2.3 memperlihatkan berbagai tingkatan dari hitam hingga mendekati putih.

Gambar 2.3 Citra Grayscale

2.2.3 Citra Warna RGB (True Color)

Pada citra dengan tipe RGB, setiap piksel memiliki 3 komponen warna , yaitu merah (R), hijau(G) dan biru (B). Dalam sebuah citra RGB 24- bit, nilai RGB masing-masing

berkisar antara 0-255. Sebagai contoh representasi warna pada sebuah piksel antara lain, RGB [255,0,0] menghasilkan warna merah, RGB [0,255,0] menghasilkan warna biru, RGB [0,0,255] menghasilkan warna hijau. Hal ini akan memberikan kemungkinan total warna sebanyak 255³ = 16 777 216. Jadi total ukuran bit untuk setiap piksel adalah 24 bit (8 bit R, 8 bit G dan 8 bit B). Citra seperti ini biasanya juga disebut dengan citra warna 24 bit. Berikut adalah contoh dari citra RGB.

Gambar 2.4 Citra 24 bit highcolor

2.3 Citra Satelit

Citra satelit adalah sebuah foto udara yang menggambarkan kenampakan di permukaan bumi yang diambil dari platform satelit di angkasa. Citra satelit merupakan salah satu sumber daya utama kegiatan pemetaan menggunakan SIG (Sistem Informasi Geografis). Terdapat dua jenis teknik pemetaan menggunakan citra satelit sebagai sumber datanya, yang pertama adalah teknik interpretasi visual (digitasi di atas citra), yang kedua klasifikasi digital berbasis komputer (Marjuki, 2014).

United States Geological Survey (USGS) merupakan tambang emas bagi para pencari data sains geospasial secara gratis. Terdapat dataset dengan berbagai macam citra satelit seperti Landsat, Terra dan Aqua pada USGS. Biasanya, citra yang didapatkan di internet telah diproses secara lanjut untuk menciptakan citra dengan kualitas yang bagus. Namun, data tersebut dibatasi hanya untuk penelitian ilmiah.

USGS menyediakan citra-citra tersebut namun dengan kualitas yang tidak sebagus citra yang telah diproses.

Gambar 2.5 Citra Satelit

2.4 Pengolahan Citra

Pengolahan citra merupakan suatu kegiatan yang dilakukan untuk memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia ataupun komputer. Input dari pengolahan citra adalah citra, sedangkan output-nya adalah citra hasil pengolahan.

Secara umum, tahapan dalam pengolahan citra dapat dilihat pada Gambar 2.6

Akuisisi Citra

Basis Pengetahuan

Preprocessing

Pengenalan dan Interpretasi Representasi

dan Deskripsi Segmentasi

Domain masalah

Hasil

Gambar 2.6 Tahapan dalam Pengolahan Citra

2.4.1 Perbaikan Kualitas Citra (Image Enhancement)

Perbaikan citra merupakan proses untuk meningkatkan kualitas dari citra. Perbaikan kualitas citra dilakukan karena citra yang menjadi objek memiliki kualitas yang buruk, misalnya citra mengalami noise dan blurring. Adapun contoh-contoh operasi perbaikan citra yaitu perbaikan kontras gelap/terang, perbaikan tepian objek (edge enhacement), penajaman (sharpening), pemberian warna semu (pseudocoloring) dan penapisan derau (noise filtering).

2.4.2 Analisis Citra (Image Analysis)

Teknik analisis citra yaitu dengan mengekstraksi ciri-ciri tertentu yang membantu dalam mengidentifikasi objek. Contoh-contoh operasi pengorakan citra yaitu pendeteksian tepi (edge detection), ekstraksi batas (boundary) dan representasi daerah (region)

2.5. Gaussian Filter

Gaussian Filter telah digunakan dalam bidang analisis citra terutama untuk proses penghalusan (smoothing), pengaburan (bluring), menghilangkan detail, dan menghilangkan derau (noise). Pada Gaussian Filter, nilai intensitas setiap piksel diganti dengan rata-rata dari nilai pembobotan untuk setiap piksel-piksel tetangganya dan piksel itu sendiri. Jumlah tetangga yang dilibatkan tergantung pada filter yang dirancang. Untuk pengolahan citra digital, zero mean Gaussian dua variabel dinyatakan dengan persamaan:

, = _𝜋𝜎2exp − ²⁺ _𝜎2² (2.2)

Persamaan diatas dipakai sebagai dasar untuk menentukan nilai-nilai setiap elemen dalam Gaussian filter yang akan dibuat.

2.6 Bilateral Filter

Bilateral Filter adalah salah satu metode untuk menghaluskan citra dan mengurangi noise dengan tetap mempertahankan tepi (Sanun, 2014). Bilateral Filter memiliki dua filter kernel yaitu spasial kernel dan range kernel (Xiangguang, et al 2016). Spasial kernel bertujuan untuk menghaluskan citra berdasarkan fungsi Gaussian (Jose, et al 2013). Spasial kernel merupakan jarak antara piksel gambar (jarak Euclidean) sedangkan range kernel adalah kesamaan intensitas antara dua piksel pada citra.

Perhitungan Bilateral Filtering (𝐼^𝐵 ) adalah sebagai berikut:

𝐼^𝐵 =_𝑊

𝑝∑ ∈ 𝐺 ‖ − ‖ 𝐺 |𝐼 − 𝐼 | 𝐼 (2.3) Dimana I merupakan gray level image, N (p) adalah neighborhood dari p, 𝐺 adalah realisasi pengukuran kedekatan spasial, 𝐺 adalah pembobotan piksel sesuai dengan ukuran perbedaan intensitas pixel dengan intensitas pada pixel yang merupakan pusat analisis pada gambar, Ip adalah nilai intensitas pada lokasi piksel p, Wp adalah faktor normalisasi yang memastikan jumlah bobot piksel sampai 1

𝑊 = ∑ _∈ 𝐺 ‖ − ‖ 𝐺 |𝐼 − 𝐼 | (2.4) Seperti yang telah disebutkan diatas, bobot Wp berfungsi untuk menentukan kedekatan spasial dan perbedaan intensitas. Misalkan pada citra yang akan di filter terdapat piksel (x,y) menggunakan piksel tetangganya dan salah satu piksel tetangganya terletak di (i,j). Kemudian, bobot pada piksel (i,j) untuk menentukan piksel (x,y) menggunakan persamaan:

, , , = − ^{− 2+ −}_𝜎2 ² exp −|𝐼 , −𝐼 , |²

𝜎² (2.5)

Setelah menghitung bobot, kemudian dilakukan normalisasi dengan persamaan:

𝐼 , =^{∑ 𝐼 ,,}_{∑ , , ,}^{, , ,}

, (2.6)

2.7 Deteksi Tepi

Deteksi tepi merupakan tahapan utama dalam pengolahan citra. Tepian dari suatu citra mengandung informasi yang penting dari citra tersebut. Tepian citra dapat merepresentasikan objek-objek yang terkandung dalam citra tersebut, bentuk, ukuran, dan terkadang juga informasi tentang teksturnya.

2.7.1 Operator Robert

Operator Robert merupakan suatu teknik deteksi tepi sederhana dan memiliki tingkat komputasi yang cepat. Pada umumnya metode ini digunakan untuk citra grayscale.

Metode Robert sering disebut juga operator silang.

f(x, y+1) f(x+1, y+1)

f(x,y) f(x+1,y)

Gambar 2.7 Operator Silang

Perhitungan gradien dalam operator Robert adalah:

𝐺 = | + , + − , | + | , + − + , | (2.7)

dimana: 𝐺 = gradien

, = fungsi terhadap titik x dan titik y

Operator Robert dalam bentuk mask konvolusi adalah seperti berikut.

𝐺 = [ − ] 𝐺 = [− ]

Kedua matriks diatas dapat diterapkan pada citra secara terpisah, baik untuk mendapatkan tepian horizontal maupun tepian vertikal. Berdasarkan konvolusi dengan kedua mask tersebut, kemudian menghitung kekuatan tepi yang merupakan magnitude dari gradient dengan rumus:

𝐺 = √𝐺 + 𝐺 (2.8) dimana: 𝐺 = gradient magnitude

𝐺 = gradient terhadap titik x 𝐺 = gradient terhadap titik y

Karena menghitung akar adalah persoalan yang rumit, maka dalam praktek kekuatan tepi biasanya disederhanakan perhitungannya dengan menggunakan rumus:

𝐺 = |𝐺 | + |𝐺 | (2.9) Sehingga perhitungan Gradient Magnitude ( besar kemiringan garis) menjadi:

𝐺 = √𝐺 + 𝐺 ≅ |𝐺 | + |𝐺 | (2.10)

2.7.2 Canny

Canny merupakan salah satu algoritma deteksi tepi modern. Pada tahun 1986 John Canny mengusulkan tiga kriteria yang menjadi basis pengambangan filter untuk mengoptimalkan pendeteksian tepi pada citra bernoise. Tiga kriteria tersebut adalah:

a. Mendeteksi dengan baik (kriteria deteksi)

Kemampuan untuk mendeteksi semua tepi dengan baik/ tepi tidak ada yang hilang. Sekaligus memberikan fleksibilitas yang sangat tinggi dalam hal menentukan tingkat deteksi ketebalan tepi sesuai dengan yang diinginkan.

b. Melokalisasi dengan baik (kriteria lokalisasi)

Dengan Canny dimungkinkan tepi yang terdeteksi berada pada posisi sebenarnya c. Respon yang jelas (kriteria respon)

Hanya ada satu respon untuk tiap tepi. Detektor tidak memberikan tepi yang bukan sebenarnya. Sehingga mudah dideteksi dan tidak menimbulkan kerancuan pada pengolahan citra selanjutnya.

Metode Canny tidak memiliki operator khusus, namun terdiri dari beberapa langkah- langkah, yaitu:

1. Menghilangkan noise yang ada pada citra dengan mengimplementasikan Gaussian Filter. Proses ini akan mengurangi noise yang ada pada citra. Hal ini bertujuan untuk mendapatkan tepian citra yang sebenarnya. Bila tidak dilakukan maka garis-garis halus juga akan dideteksi sebagai tepian.

2. Melakukan deteksi tepi dengan salah satu operator deteksi tepi seperti Robert, Prewitt, atau Sobel dengan melakukan pencarian secara horizontal (G_x) dan secara vertical (G_y).

3. Menentukan arah tepian yang ditemukan dengan menggunakan rumus sebagai berikut

𝜃 = 𝑡𝑎𝑛^{− 𝐺}_𝐺 (2.11) Selanjutnya membagi ke dalam 4 warna sehingga garis dengan arah berbeda dan memiliki warna yang berbeda. Pembagiannya adalah 0-22,5 dan 157,5-180

derajat berwarna kuning, 22,5-67,5 berwarna hijau, dan derajat 67,5-157,5 berwarna merah.

4. Memperkecil garis tepi yang muncul dengan menerapkan non maximum suppression sehingga menghasilkan garis tepi yang lebih ramping.

Contoh Non maximum Suppression:

Matriks Citra Nonmaximum Suppression [ ] [ ]

Pada non maximum suppression, dipilih nilai matriks yang tertinggi secara horizontal dan vertikal, kemudian nilai terkecil diubah menjadi nilai 0. Nilai tertinggi yang jauh dari jangkauan nilai tertinggi lainnya dapat dikatakan tepi palsu.

5. Binerisasi dengan menerapkan dua buah tresholding.

2.7.3 Operator Frei Chen

Frei Chen mask berisi basis vektor. Ini diimplementasikan pada area gambar 3x3 diwakili dengan jumlah sembilan Frei Chen mask.

𝐺 = _√ [ √

− −√ −

] 𝐺 = _√ [ −

√ −√

− ] 𝐺 = _√ [ − √

−√ −

]

𝐺 = _√ [√ −

− −√ ] 𝐺 = [− − ] 𝐺 = [−

− ] 𝐺 = [ −

− −

− ] 𝐺 = [− −

− − ] 𝐺 = [ ]

Pada kernel 1 sampai 4 digunakan untuk subspace tepi, kemudian 4 kernel selanjutnya untuk menghasilkan subspace garis, dan mask terakhir untuk rata-rata subspace.

Jadi citra yang akan dideteksi tepi akan diproyeksikan pada mask frei chen kemudian dilakukan perhitungan. Hasil dari perhitungan akan diambil nilai bobotnya yang tidak bernilai nol untuk mendapatkan hasil deteksi tepi.

Tepi palsu

2.8. Parameter Kualitas Tepi 2.8.1. Mean Square Eror (MSE)

MSE adalah rata-rata kuadrat nilai kesalahan antara citra asli dengan citra hasil pengolahan citra. Semakin besar nilai MSE, maka semakin buruk kualitas citra yang dihasilkan. Sebaliknya semakin kecil nilai MSE, maka semakin baik kualitas citra yang dihasilkan. Mean Square Eror (MSE) dapat dirumuskan sebagai berikut:

𝐸 = ∑ ₌⁻ ∑ ₌⁻ ( , − , ) (2.12)

dimana: = panjang citra dalam piksel = lebar citra dalam piksel

, = nilai piksel sebelum deteksi tepi , = nilai piksel sesudah deteksi tepi

2.8.2. Peak Signal to Noise Ratio (PSNR)

Peak Signal to Noise Ratio (PSNR) adalah sebuah perhitungan yang menentukan nilai dari sebuah citra yang dihasilkan. Nilai PSNR ditentukan oleh besar atau kecilnya nilai MSE yang terjadi pada citra. Semakin besar nilai PSNR, maka citra yang dihasilkan semakin baik. Sebaliknya, semakin kecil nilai PSNR, maka citra yang dihasilkan semakin buruk. PSNR dapat dihitung dengan rumus:

𝑃 = Log _𝑆𝐸² (2.13)

2.8.3. Waktu Proses Deteksi Tepi Citra (Running Time)

Running Time merupakan waktu yang digunakan oleh sebuah algoritma untuk menyelesaikan masalah pada sebuah komputer dihitung mulai dari saat algoritma mulai hingga saat algoritma berhenti. Pada tahap ini akan dilihat lama waktu yang digunakan dalam melakukan proses deteksi tepi menggunakan Gaussian Filter dan Bilateral Filter.

2.9 Penelitian sebelumnya

Algoritma yang telah digunakan dapat dijabarkan dalam tabel berikut ini : Tabel 2.1 Penelitian Sebelumnya

No Nama Tahun Judul Penelitian Hasil dan Kesimpulan

1.

Li Bin dan Mehdi Samiei

yeganeh

2012

Comparison for Image Edge Detection Algorithms

Berdasarkan penlitian ini, beberapa operator dibandingkan, seperti operator Robert, Sobel, Prewitt dan Canny. Hasilnya Canny tidak terpengaruh terhadap gangguan noise memungkinkan

kemampuannya untuk mendeteksi tepi yang lemah.

Canny merupakan algoritma deteksi tepi yang optimal.

2

Sudeep D.

Thepade dan Yogita D.Shinde

2015

Improvisation of Content Based Image retrieval using Color Edge Detection with various Gradient Filters and Slope Magnitude Method

Penelitian ini mencoba

untuk melakukan

improvisasi dengan menggunakan deteksi tepi warna dan Discreate Wavelet Transform menggunakan teknik deteksi tepi dengan metode Slope Magnitude. Operator gradien yang digunakan yaitu Sobel, FreiChen, Prewitt, Laplace dan Canny dengan metode Slope Magnitude. dan Discreate Wavelet Transform yang

ditetapkan untuk

pengambilan citra.

Perbandingan kinerja menunjukkan bahwa penggunaan penggunaan detektor tepi Frei-Chen pada wavelet memberikan hasil yang lebih baik pada semua kategori gambar di atas detektor tepi Canny.

3 Simranjit Singh dan Rakesh Singh

2015

Comparison of Various Edge Detection Techniques

Dalam penelitian ini semua teknik deteksi tepi dibandingkan pada parameter yang berbeda.

Atas dasar MSE dan RMSE

Operator Sobel

menunjukkan kesamaan yang paling mirip dengan Prewitt dan menunjukkan ketidaksamaan dengan Canny. Operator Canny menunjukkan kesamaan yang paling banyak dengan Log / Zero Cross dan menunjukkan

ketidaksamaan dengan Robert. Operator Robert menunjukkan kesamaan yang paling banyak dengan Prewitt dan menunjukkan ketidaksamaan dengan Canny.

4 Yang Tao dan

Qiu Yue-hong 2015

Improvement and Implementation for Canny Edge

Detection

Berdasarkan penelitian dapat disimpulkan bahwa Bilateral Filter pada Canny mengalami peningkatan dalam mendeteksi detail citra .

3.1. Identifikasi Masalah

Gaussian filter umumnya digunakan pada metode deteksi tepi Canny. Tujuan penggunaan Gaussian Filter yaitu untuk mengurangi noise dan menghaluskan citra.

Namun perbaikan citra menggunakan Gaussian Filter juga akan menghaluskan bagian tepi. Sedangkan pada Bilateral Fiter dapat menghaluskan citra dengan tetap mempertahankan tepi. Bilateral Filter menggunakan kombinasi antara spasial kernel dan range kernel. Dimana spasial kernel merupakan fungsi Gaussian. Pada penelitian ini, Bilateral Filter akan digunakan untuk menghaluskan citra satelit pada deteksi tepi kemudian citra hasilnya akan dievaluasi dengan citra hasil deteksi tepi menggunakan Gaussian Filter. Metode deteksi tepi yang digunakan adalah Robert, Canny dan Frei Chen.

3.2. Diagram Alur Kerja Penelitian

Diagram alur kerja penelitian diilustrasikan sebagai berikut.

Identifikasi Masalah

Menetapkan Tujuan Penelitian

Pengumpulan Dataset

Perancangan Sistem

Implementasi Sistem

Pengukuran Kinerja Pengujian

Sistem

Kesimpulan Ya

Tidak

Gambar 3.1 Alur Kerja Penelitia

3.3. Pengumpulan Data

Data yang digunakan dalam penelitian ini adalah dataset citra satelit, khususnya citra satelit danau yang diperoleh dari United States Geological Survey (USGS). USGS menyediakan citra-citra satelit secara bebas dengan kualitas citra yang belum diproses.

3.4. Skema Sistem

Tahapan penelitian deteksi tepi citra satelit secara umum dapat diilustrasikan sebagai berikut:

Ubah Citra menjadi Grayscale

Gaussian FIlter

Menghitung Gradient Magnitude

Thresholding

Citra Asli Citra Hasil

Deteksi Tepi Konvolusi

Citra

Ubah Citra menjadi Grayscale

Bilateral FIlter

Menghitung Gradient Magnitude

Thresholding

Citra Asli Citra Hasil

Deteksi Tepi Konvolusi

Citra

Gambar 3.2 Diagram Kerja Sistem Deteksi Tepi Citra

Pada gambar 3.2 merupakan tahapan deteksi tepi citra dimana pada proses mereduksi noise atau pemfilteran yang sebelumnya menggunakan Gaussian Filter dimodifikasi dengan menggunakan Bilateral Filter.

3.4.1 Deteksi Tepi Robert

Proses deteksi tepi dengan menggunakan operator Robert dapat dilihat pada gambar 3.3

Mulai

Input Citra Satelit

Ubah Citra menjadi Grayscale

Menghitung Gradient Magnitude Konvolusi Citra

Thresholding

Citra Hasil Deteksi Tepi

Selesai Filtering

Gambar 3.3 Flowchart Deteksi Tepi menggunakan operator Robert

Pada deteksi tepi menggunakan operator Robert, citra satelit berwarna diubah terlebih dahulu menjadi citra grayscale. Berikut ini merupakan contoh matriks citra RGB yang akan dilakukan deteksi tepi dengan metode deteksi tepi Robert.

Tabel 3.1 Matriks Citra RGB

(i,j) 0 1 2 3 4

0

177 178 170

156 157 149

173 174 166

152 153 145

150 152 141 1

178 179 173

97 98 92

211 212 206

186 187 181

159 160 152 2

153 154 149

137 138 133

139 140 134

152 153 148

150 151 145 3

120 120 118

132 132 130

137 138 133

145 145 143

118 119 114 4

135 135 133

134 134 132

120 120 118

140 140 138

129 129 127

Untuk merubah citra warna (RGB) menjadi grayscale digunakan rumus:

, = ^𝑖

𝑅 , + _𝑖^𝐺 , + _𝑖^𝐵 ,

Pada koordinat (0,0), maka perhitungannya adalah;

, = + +

= Sehingga matriks citra hasil konversi ke grayscale menjadi:

[ ]

Kemudian dilakukan proses filtering. Dalam proses filtering ini dilakukan dengan menggunakan Gaussian Filter dan Bilateral Filter. Selanjutnya yaitu melakukan konvolusi dengan mengkalikan citra grayscale dengan Robert mask dan menghitung gradient magnitude.

[ ] 𝐺 = [ − ] 𝐺 = [− ]

Matriks Hasil Filtering Robert Mask

𝐺 = |𝐺 | + |𝐺 |

𝐺 = | − | + | − | =

𝐺 = | − | + | − | =

𝐺 = | − | + | − | =

𝐺 = | − | + | − | =

[ ]

Matriks Hasil Konvolusi dengan Robert Mask

Tahap terakhir dalam deteksi tepi yaitu Thresholding. Proses ini akan menghasilkan citra biner, yaitu citra yang memiliki dua tingkat yaitu hitam dan putih. Fungsi thresholding yang digunakan adalah:

, = { 𝑖 , < 𝑇 𝑖 , ≥ 𝑇

Jika nilai T= 100, maka hasil deteksi citra yang dihasilkan menjadi:

[ ] [ ]

3.4.2 Deteksi Tepi Canny

Proses deteksi tepi Canny dapat dilihat pada flowchart dibawah ini.

Mulai

Input Citra Satelit

FIltering

Menentukan arah tepian Menghitung Gradient Magnitude

Nonmaximum Suppression

Citra Hasil Deteksi Tepi

Selesai Hysteresis Thresholding Ubah Citra menjadi Grayscale

Gambar 3.4 Flowchart Deteksi Tepi menggunakan Canny

Metode Canny tidak memiliki operator khusus, oleh karena itu perhitungan Gradient Magnitude pada Canny menggunakan salah satu operator deteksi tepi. Dalam penelitian ini digunakan operator Robert. Maka hasil yang didapat pada Gradient Magnitude Canny sama dengan hasil Gradient Magnitude Robert.

[ ] 𝐺 = [ − ] 𝐺 = [− ] Matriks Hasil Filtering Robert Mask

𝐺 = |𝐺 | + |𝐺 |

𝐺 = | − | + | − | =

𝐺 = | − | + | − | =

𝐺 = | − | + | − | =

𝐺 = | − | + | − | =

Tahap selanjutnya yaitu menentukan arah tepian dengan rumus:

𝜃 = 𝑡𝑎𝑛⁻ (𝐺 𝐺 ) 𝜃 = 𝑡𝑎𝑛⁻ ( −

− ) = ,

𝜃 = 𝑡𝑎𝑛⁻ ( −

− ) = ,

𝜃 = 𝑡𝑎𝑛⁻ ( −

− ) = ,

𝜃 = 𝑡𝑎𝑛⁻ ( −

− ) = ,

Kemudian membagi ke dalam 4 warna sehingga garis dengan arah berbeda dan memiliki warna yang berbeda. Pembagiannya adalah 0-22,5 dan 157,5-180 derajat berwarna kuning, 22,5-67,5 berwarna hijau, dan derajat 67,5-157,5 berwarna merah.

Selanjutnya melakukan nonmaximum suppression (penghilangan nilai yang tidak maksimum) dengan melakukan penelusuran terhadap region gradient dari suatu piksel, jika nilai tidak maksimum akan dilakukan penurunan nilai pixel menjadi 0.

Contoh Non maximum Suppression:

Matriks Citra Nonmaximum Suppression [ ] [ ]

Tepi palsu

Kemudian melakukan proses pengambangan dengan menggunakan dua nilai ambang (hysteresis thresholding) yaitu threshold T1 (threshold bawah) dan T2 (threshold atas). Jika magnitude diatas T2, maka termasuk tepi. Jika magnitude ada diantara T1

dan T2 di set menjadi nol, kecuali jika ada jalan (path) dari titik tersebut ke titik yang memiliki magnitude diatas T2. Misalkan matriks citra yang akan dilakukan thresholding yaitu

[ ]

T₂≥50 T₁≥45

[ ] [ 𝟏 ]

Celah terisi dari T₁

3.4.3 Deteksi Tepi Frei Chen

Proses deteksi tepi dengan menggunakan operator Frei Chen dapat dilihat pada gambar 3.5.

Mulai

Input Citra Satelit

Ubah Citra menjadi Grayscale

Menghitung Gradient Magnitude Konvolusi Citra

Thresholding

Citra Hasil Deteksi Tepi

Selesai Filtering

Gambar 3.5 Flowchart Deteksi Tepi menggunakan operator Frei Chen

Pada deteksi tepi menggunakan operator Frei Chen, proses yang dilakukan sama seperti proses deteksi tepi Robert. Namun pada konvolusi citra dilakukan dengan mengkalikan citra grayscale dengan Frei Chen Mask.

𝐺 = √ [ √

− −√ −

] 𝐺 =

√ [ −

√ −√

− ] 𝐺 =

√ [ − √

−√ −

]

𝐺 = √ [√ −

− −√ ] 𝐺 = [− − ] 𝐺 = [−

− ]

𝐺 = [ −

− −

− ] 𝐺 = [− −

− − ] 𝐺 = [ ]

Contoh konvolusi matriks citra dengan mask Frei Chen

[ ] 𝐺 = _√ [ √

− −√ − ]

Matriks Citra Mask Frei Chen

Tabel 3.2 Matriks Citra

_√ [ √

− −√ − ]

Maka perhitungannya adalah sebagai berikut:

G₁= _√ ∗ + √ ∗ + ∗ + ∗ + ∗ +

∗ + − ∗ + −√ ∗ + − ∗ = 30

Dari perhitungan diatas, maka hasilnya ditempatkan di nilai tengah matriks seperti berikut:

152 160 166 107 80 139 149 154 75 55 132 135 137 108 45 120 210 156 79 87 90 67 121 90 53

Tabel 3.3 Matriks Citra Setelah Konvolusi

30

Kemudian dilanjutkan ke matriks berikutnya

√ [ −

√ −√

− ]

G₂= _√ ∗ + ∗ + − ∗ + (√ ∗ ) + ∗ +

(−√ ∗ ) + ∗ + ∗ + − ∗ = 65

_√ [ ⁻ √

−

−√

]

G3= _√ ∗ + − ∗ + (√ ∗ ) + ∗ + ∗ +

− ∗ + (−√ ∗ ) + ∗ + ∗ = 61

152 160 166 107 80 139 149 154 75 55 132 135 137 108 45 120 210 156 79 87 90 67 121 90 53

152 160 166 107 80 139 149 154 75 55 132 135 137 108 45 120 210 156 79 87 90 67 121 90 53

Tabel 3.4 Matriks Citra Setelah Konvolusi (Lanjutan)

𝐺 =

√ [√ −

−

−√

]

G4= _√ (√ ∗ ) + − ∗ + ∗ + − ∗ + ∗ +

∗ + ∗ + ∗ + −√ ∗ = 60

Maka matriks konvolusinya adalah

152 160 166 107 80

139 30 65 61 55

132 60 60 15 45

120 60 61 79 87

90 67 121 90 53

Setelah didapat mask hasil konvolusi, kemudian dilakukan thresholding. Fungsi thresholding yang digunakan adalah:

, = { 𝑖 , < 𝑇 𝑖 , ≥ 𝑇

3.5 Parameter Kualitas Tepi

Parameter yang digunakan untuk menentukan kualitas tepi pada penelitian ini yaitu Mean Square Eror (MSE) dan Peak Signal to Noise Ratio (PSNR) beserta waktu yang diperlukan dalam proses deteksi tepi (Running Time). Semakin kecil nilai MSE, maka semakin bagus kualitas citra yang dihasilkan, sedangkan nilai PSNR ditentukan

152 160 166 107 80 139 149 154 75 55 132 135 137 108 45 120 210 156 79 87 90 67 121 90 53

oleh besar kecilnya nilai MSE pada citra. Semakin besar nilai PSNR, maka citra yang dihasilkan semakin baik.

3.6 Diagram Alir Rancangan Sistem

Rancangan sistem deteksi tepi menggunakan Gaussian Filter dapat dilihat pada gambar 3.6 dan rancangan sistem deteksi tepi menggunakan Bilateral Filter dapat dilihat pada gambar 3.7.

Deteksi Tepi Robert

Deteksi Tepi Canny

Citra Hasil Deteksi Tepi Robert

Citra Hasil Deteksi Tepi Canny

Citra Hasil Deteksi Tepi

Frei Chen

Tidak Tidak

Ya Ya

Selesai

Deteksi Tepi Frei Chen

Ya

Tidak

Nilai MSE

Nilai PSNR Nilai PSNR Nilai PSNR

Running Time

Running Time

Running Time Nilai MSE

Nilai MSE Mulai

Input Citra Asli

Gaussian Filter

Ya Tidak

Citra Hasil Gaussian

Filter

Nilai PSNR

Running Time Nilai MSE

Gambar 3.6 Flowchart Rancangan Sistem Deteksi Tepi Citra menggunakan Gaussian Filter

Deteksi Tepi Robert

Deteksi Tepi Canny

Citra Hasil Deteksi Tepi Robert

Citra Hasil Deteksi Tepi Canny

Citra Hasil Deteksi Tepi

Frei Chen

Tidak Tidak

Ya Ya

Selesai

Deteksi Tepi Frei Chen

Ya

Tidak

Nilai MSE

Nilai PSNR Nilai PSNR Nilai PSNR

Running Time

Running Time

Running Time Nilai MSE

Nilai MSE Mulai

Input Citra Asli

Bilateral Filter

Ya Tidak

Citra Hasil Bilateral

Filter

Nilai PSNR

Running Time Nilai MSE

Gambar 3.7 Flowchart Rancangan Sistem Deteksi Tepi Citra menggunakan Bilateral Filter

4.1. Hasil

Hasil pengujian meliputi pemilihan dataset citra satelit yang digunakan pada deteksi tepi Robert, Canny dan Frei Chen menggunakan Gaussian Filter dan Bilateral Filter.

4.1.1 Dataset Citra Satelit

Dataset citra satelit yang digunakan dalam penelitian ini yaitu 25 citra satelit danau yang diperoleh dari United States Geological Survey (USGS). Gambar 4.1 merupakan contoh citra satelit yang digunakan dalam pengujian.

Gambar 4.1 Citra Satelit Danau Aral dan Danau Albert

4.1.2 Gaussian Filter

Pada proses ini, perbaikan citra menggunakan Gaussian Filter akan digunakan dalam metode deteksi tepi Robert, Canny, dan Frei Chen. Tahapan yang dilakukan pada Gaussian Filter yaitu merancang Gaussian Filter dengan menentukan Kernel Size dan nilai sigma 𝜎 . Misalkan Kernel Size yang digunakan adalah nilai sigma 𝜎 = 1 dan

exp = 2.718281828459.Kemudian masukkan ke dalam rumus:

, = 𝜋𝜎 ⁽⁻

2+ ² 𝜎² )

=

( 𝜋

−(−²)+ − ²

2

𝜋

−(−²)+ ²

2

𝜋

−(− ²)+ ²

2

𝜋

−(− ²)+ ²

2

𝜋

−( ²)+ ²

2

𝜋

−( ²)+ ²

2

𝜋

−( ²)+ − ²

2

𝜋

−( ²)+

2

𝜋

−( ²)+ ²

2 )

Sehingga hasilnya menjadi :

[ , , ,

, , ,

, , , ]

Untuk memudahkan perhitungan komputer, nilai-nilai pembobotan harus dibuat bulat, karena intensitas piksel dalam citra digital bernilai bulat. Dengan mengatur nilai terkecil menjadi 1, maka setiap nilai piksel dikalikan dengan 17 (diperoleh dari 1/

0,0585) dan kemudian hasilnya dibulatkan keatas. Dengan demikian diperoleh hasil sebagai berikut.

[ ]

Agar jumlah nilai pembobot sama dengan satu, maka nilai piksel hasil perhitungan harus dinormalkan dengan cara membaginya dengan jumlah semua elemen nilai pembobot pada filter. Berdasarkan matriks tersebut jumlah semua elemen nilai pembobot pada filter= 15. Jadi, hasil rancangan Gaussian Filter adalah

[ ]

Kemudian melakukan konvolusi citra hasil konversi grayscale dengan matriks Kernel Gaussian. Setelah mendapat matriks hasil konvolusi citra dengan Gaussian. Tahap selanjutnya yaitu melakukan konvolusi pada masing-masing deteksi tepi.

4.1.3 Bilateral Filter

Pada proses deteksi tepi Robert, Canny, dan Frei Chen, penghalusan citra menggunakan Bilateral Filter dilakukan setelah citra satelit diubah menjadi citra grayscale. Berikut ini merupakan contoh relasi perhitungan bobot spasial dan bobot range pada Bilateral Filter.

Tabel 4.1 Matriks Citra RGB

-1,-1 -1,0 -1,1 0,-1 0,0 0,1 1,-1 1,0 1,1

Maka persamaan untuk menghitung bobot Wp adalah sebagai berikut :

𝑊 = exp − − + −

𝜎 exp −|𝐼 , − 𝐼 , |

𝜎

Wp adalah faktor normalisasi yang memastikan jumlah bobot piksel sama dengan 1.

Perhitungan bobot Wp dapat juga ditulis sebagai berikut.

177 178 170

156 157 149

173 174 166

152 153 145

150 152 141 178

179 173

97 98 92

211 212 206

186 187 181

159 160 152 153

154 149

137 138 133

139 140 134

152 153 148

150 151 145

𝐺 , 𝐺 ,

𝑊 = 𝐺 ∗ 𝐺

Matriks Kernel= Bobot (W)

Matriks

𝑊 = ∑ ∈ 𝑁 𝐺 ‖ − ‖ 𝐺 |𝐼 − 𝐼 |

Setelah didapat bobot Wp dilakukan perhitungan Bilateral Filtering

𝐼 ,

^dengan

persamaan:

𝐼 , =

^{∑ 𝐼 ,,}_{∑ , , ,}^{, , ,}

,

Dimana 𝐼 , merupakan nilai piksel citra grayscale. Tahap selanjutnya yaitu melakukan konvolusi antara mask citra yang ada pada operator deteksi tepi dengan matriks hasil Bilateral Filtering.

4.1.4 Penghalusan Citra menggunakan Gaussian Filter dan Bilateral Filter

Pada tahap ini dilakukan pengujian untuk menghaluskan citra yang akan dideteksi tepi untuk melihat perbandingan citra hasil penghalusan menggunakan Gaussian Filter dan Bilateral Filter. Hasil pengujian dapat dilihat pada gambar 4.2.

(a) Gaussian Filter, 𝜎= 1.4 (b). Bilateral Filter, 𝜎 = 1.4, 𝜎 = 0.05 MSE = 10437.2 MSE = 10436.3

PSNR = 7.94495 PSNR = 7.94543 RT = 0.109201 RT = 0.904806

(c) Gaussian Filter, 𝜎= 1.4 (d). Bilateral Filter, 𝜎 = 1.4, 𝜎 = 0.05 MSE = 4237.19 MSE = 4236.29

PSNR = 11.86 PSNR = 11.8609 RT = 0.0624004 RT = 0.873606

Gambar 4.2 Pengujian terhadap Citra Satelit menggunakan Gaussian Filter dan Bilateral Filter

Hasil pengujian menunjukkan citra satelit menggunakan Gaussian Filter terlihat lebih blur daripada citra satelit menggunakan Bilateral Filter yang tetap mempertahankan tepi.

4.1.5 Hasil Deteksi Tepi Citra Satelit

Deteksi tepi citra satelit dilakukan dengan menggunakan tiga metode yaitu Robert, Canny dan Frei Chen dimana pada proses penghalusan citra, ketiganya akan menggunakan Gaussian Filter dan Bilateral Filter. Pengujian dilakukan dengan menggunakan Matlab 7.5.0 (R2007b). Hasil deteksi tepi citra satelit menggunakan Gaussian Filter dapat dilihat pada tabel 4.2

Tabel 4.2 Deteksi Tepi Citra Satelit menggunakan Gaussian Filter

Citra satelit Robert Canny Frei Chen

Aral.jpg 𝜎= 1.4

MSE = 10682.3 PSNR = 7.84415 RT = 0.031202

MSE = 10081.1 PSNR = 8.09572 RT = 0.140401

MSE = 10680 PSNR = 7.84508 RT = 0.202901

Great Slave.jpg 𝜎= 1.4

MSE = 3669.06 PSNR = 12.4853 RT = 0.062404

MSE =3398.69 PSNR =12.8177 RT = 0.109201

MSE = 3666.55 PSNR = 12.4882 RT = 0.202801

Khanka.jpg 𝜎= 1.4

MSE = 9541.3 PSNR = 8.33473 RT = 0.078005

MSE = 9513.25 PSNR = 8.51505 RT = 0.109201

MSE = 9540.17 PSNR = 8.33524 RT = 0.187201

Huron.jpg 𝜎= 1.4

MSE = 3060.63 PSNR = 13.2727 RT = 0.031202

MSE = 2738.2 PSNR =13.7562 RT = 0.124801

MSE = 3058.78 PSNR = 13.2753 RT = 0.171601

Tabel 4.2 Deteksi Tepi Citra Satelit menggunakan Gaussian Filter (Lanjutan)

Erie.jpg 𝜎= 1.4

MSE = 6922.77 PSNR = 9.728 RT = 0.062404

MSE = 6444.9 PSNR = 10.0386 RT = 0.109201

MSE = 6920.95 PSNR = 9.72915 RT = 0.187201

Titicaca.jpg 𝜎= 1.4

MSE = 6178.75 PSNR = 10.2218 RT = 0.093606

MSE = 5865.25 PSNR = 10.4479 RT = 0.124801

MSE = 6177.63 PSNR = 10.2226 RT = 0.234001

Balkhash.jpg 𝜎= 1.4

MSE = 7233.77 PSNR = 9.53716 RT = 0.093606

MSE = 6736.26 PSNR = 9.84662 RT = 0.156001

MSE = 7232.19 PSNR = 9.53811 RT = 0.218401

Manitoba.jpg 𝜎= 1.4

MSE = 6141.96 PSNR = 10.2477 RT = 0.046803

MSE = 5964.72 PSNR = 10.3749 RT = 0.109201

MSE = 6139.55 PSNR = 10.2494 RT = 0.171601

Tabel 4.2 Deteksi Tepi Citra Satelit menggunakan Gaussian Filter (Lanjutan)

Urmia.jpg 𝜎= 1.4

MSE = 10028.1 PSNR = 8.11864 RT = 0.452403

MSE = 9651.14 PSNR = 8.28502 RT = 0.202801

MSE = 10026.3 PSNR = 8.11938 RT = 0.218401

Toba.jpg 𝜎= 1.4

MSE = 8108.37 PSNR = 9.04147 RT = 0.0468003

MSE = 7865.46 PSNR = 9.17356 RT = 0.124801

MSE = 8107 PSNR = 9.0422 RT = 0.218401

Nicaragua.jpg 𝜎= 1.4

MSE = 6744.74 PSNR = 9.84115 RT = 0.109201

MSE = 6304.01 PSNR = 10.1346 RT = 0.171601

MSE = 6743.31 PSNR = 9.84207 RT = 0.374402

Michigan.jpg 𝜎= 1.4

MSE = 8787.1 PSNR = 8.6921 RT = 0.031202

MSE = 8186.52 PSNR = 8.99981 RT = 0.109201

MSE = 8785.82 PSNR = 8.69298 RT = 0.202801

Tabel 4.2 Deteksi Tepi Citra Satelit menggunakan Gaussian Filter (Lanjutan)

Pada pengujian ini, digunakan nilai 𝜎= 1.4 pada setiap citra. Hasilnya menunjukkan deteksi tepi Robert dan Frei Chen menghasilkan garis tepi yang halus dan tampak beberapa tepi terpotong. Sedangkan pada Canny menghasilkan tepi yang lebih lengkap. Awan-awan pada citra satelit juga dianggap sebagai tepi.

Ontario.jpg 𝜎= 1.4

MSE = 6620.16 PSNR = 9.92212 RT = 0.062404

MSE = 6213.53 PSNR = 10.1974 RT = 0.093606

MSE = 6618.56 PSNR = 9.92317 RT = 0.171601

Kyoga.jpg 𝜎= 1.4

MSE = 8290.79 PSNR = 8.94485 RT = 0.078005

MSE = 8053.09 PSNR = 9.07118 RT = 0.218401

MSE = 8289.64 PSNR = 8.94545 RT = 0.280802

Albert.jpg 𝜎= 1.4

MSE = 4265.48 PSNR = 11.8311 RT = 0.093600

MSE = 4008.91 PSNR = 12.1005 RT = 0.140401

MSE = 4264.17 PSNR = 11.8325 RT = 0.187201

Tabel 4.3 Deteksi Tepi Citra Satelit menggunakan Bilateral Filter

Citra satelit Robert Canny Frei Chen

Aral.jpg 𝜎 = 1.4 𝜎𝑅= 0.05

MSE = 10676.4 PSNR = 7.84655 RT = 0.842405

MSE = 9.829.9 PSNR = 8.20531 RT = 0.920406

MSE = 10665.9 PSNR = 7.85083 RT = 0.982806

Great Slave.jpg 𝜎 = 1.4 𝜎𝑅= 0.05

MSE = 3667.12 PSNR = 12.4876 RT = 0.889206

MSE = 3360.24 PSNR = 12.8671 RT = 0.951606

MSE = 3661.44 PSNR = 12.4943 RT = 0.998406

Khanka.jpg 𝜎 = 1.4 𝜎_𝑅= 0.05

MSE = 9540.9 PSNR = 8.33491 RT = 0.875605

MSE = 8946.28 PSNR = 8.61438 RT = 0.982806

MSE = 9534.3 PSNR = 8.33792 RT = 1.04521

Huron.jpg 𝜎 = 1.4 𝜎𝑅= 0.05

MSE = 3056.47 PSNR = 13.278 RT = 0.842405

MSE = 2632.09 PSNR = 13.9278 RT = 0.936006

MSE = 3050.42 PSNR = 13.2872 RT = 1.02961

Tabel 4.3 Deteksi Tepi Citra Satelit menggunakan Bilateral Filter (Lanjutan)

Erie.jpg 𝜎 = 1.4 𝜎_𝑅= 0.05

MSE = 6918.15 PSNR = 9.7309 RT = 0.858005

MSE = 6146.18 PSNR = 10.2447 RT = 0.889206

MSE = 6909.75 PSNR = 9.73618 RT = 0.967206

Titicaca.jpg 𝜎 = 1.4 𝜎_𝑅= 0.05

MSE = 6177.29 PSNR = 10.2228 RT = 0.920406

MSE = 5807.39 PSNR = 10.491 RT = 1.01401

MSE = 6171.53 PSNR = 10.2269 RT = 1.29481

Balkhash.jpg 𝜎 = 1.4 𝜎𝑅= 0.05

MSE = 7227.19 PSNR = 9.54111 RT = 0.904806

MSE = 6594.4 PSNR = 9.93905 RT = 0.982806

MSE = 72199.03 PSNR = 9.54602 RT = 1.06081

Manitoba.jpg 𝜎 = 1.4 𝜎_𝑅= 0.05

MSE = 6140.74 PSNR = 10.2486 RT = 0.858005

MSE = 5955.76 PSNR = 10.3814 RT = 0.936006

MSE = 6137 PSNR = 10.2508 RT = 1.01401