Analisa Metode Hough Line Transform Untuk Mendeteksi Hewan Yang Berkamuflase Menggunakan Citra Digital
Antonius Maria Libertinus waruwu
1Teknik Informatika, Fakultas Ilmu Komputer & Teknologi Informasi, Universitas Budi Darma, Medan, Indonesia Email: [email protected]
Abstrak
Kamuflase adalah suatu metode yang memungkinkan sebuah organisme atau benda yang biasanya mudah terlihat menjadi tersamar atau sulit dibedakan dari lingkungan sekitarnya. Seperti yang diketahui hewan yang berkamuflase adalah hewan yang menyamar sesuai dengan lingkungan sekitasnya sehingga sulit dibedakan. Hewan yang dapat berkamuflase ini ada beberapa yang dapat mengancam keselamatan bahkan nyawa seseorang, misalnya seperti ular berbisa. Sehinggha seorang awam yang kurang mengetahui karakterisik habitat ular sangat mudah terancam. Penelitian ini membahas tentang pendeteksian dengan Hough Line transform dilakukan dengan menggunakan citra Grayscale yang kemudian dilanjutkan dengan menghapus noise pada citra hewan bekamuflase dan membuat kehalusan batas garis gradient kabur (blur) dari citra dengan Gaussian. Blur untuk menghindari kesalahan pada pendeteksian gradient tepi objek citra. Kemudian dilakukan pendeteksian tepi canny. Selanjutnya pendeteksian hewan berkamuflase dilakukan dengan penentuan minimum dan maksimal radius parameter Hough Line Transform dengan nilai masing-masing 0.
Kata Kunci: Kamuflase, Hough Line Tranfor, Citra Digital
1. PENDAHULUAN
Pada jaman sekarang teknologi digital sangat berkembang dengan pesat sehingga pada perkembangannya memberikan banyak manfaat bagi manusia. Perkembangan teknologi digital khususnya bidang komputer mendorong munculnya software canggih dalam hal pengolahan citra digital. Kecanggihan software pada bidang pengolahan citra digital yang terus berkembang tersebut banyak dimanfaatkan untuk berbagai tujuan, salah satunya adalah mendeteksi suatu objek tertentu.
Pengolahan citra digital memang tidak asing lagi dalam komputer terutama yang berkaitan dengan bidang seperti fotografi, film, medis, pencitraan satelit, dan lain- lain. Pengolahan citra digital memiliki beberapa fungsi, salah satunya adalah deteksi objek. Deteksi objek adalah suatu proses yang digunakan unutuk menentukan keberadaan objek tertentu di dalam suatu citra digital.
Proses deteksi objek tersebut dapat dilakukan dengan berbagai macam metode yang umumnya melakukan pembacaan fitur-fitur dari seluruh objek pada citra input.
Berdasarkan penelitian ini deteksi objek diterapkan untuk menganalisa citra digital hewan yang berkamufalse.
Seperti yang di ketahui hewang yang dapat berkamuflase adalah hewan yang dapat menyamar sesuai dengan lingkungan sekitarnya. Hewan yang dapat berkamuflase ini ada beberapa yang dapat mengancam keselamatan bahkan nyawa seseorang, misalnya seperti ular berbisa. Sehingga seseorang yang awam yang kurang mengetahui karakteristik habitat ular sangat mudah terancam. Maka dari itu diharapkan sebuah solusi yang dapat memudahkan kita dalam mengetahui keberadaan hewan berkamuflase yang dapat mengancam keselamatan.
Sesuai dengan permasalah yang ada maka penulis melakukan penelitian dengan menerapkan metode Hough Line Transform dalam mengenalisa objek citra hewan berkamufalse. Metode ini digunakan untuk mempermudah dalam menganalisa semua bentuk objek citra yang akan diambil. Objek citra tersebut lalu menjadi sebuah masukan untuk dianalisa dan diproses oleh program melalui komputer dalam beberapa tahap. Setelah itu setiap karakter citra yang berhasil dikenali akan di identifikasi lebih lanjut hingga menunjukkan keberadaan hewan tersebut.
Berdasarkan penelitian terhdahulu Syarih Muharom (2017). Penerapan metode Hough Line Transform dalam mendeteksi pintu ruangan, sistem yang telah dibuat dapat mendeteksi keberadaan pintu ruangan dengan nilai rata- rata 81%. Dalam mendeteksi, nilai luminasi sangat mempengaruhi pendeteksian sebuah pintu ruangan, dimana nilai luminasi sebesar 120-349, tingkat keberhasilannya sebesar 80-93.3% [1].
Fitria Indriani, Fitri Utaminingrum, Yuita Arum Sari (2018) berdasarkan tahap pengujian data uji menghasilkan presentasi pendeteksi sebesar 95,2% pada sistem untuk mengenali zebra cross pada kondisi pagi hari.
Adapun beberapa faktor yang mempengaruhi hasil pendeteksian yaitu cara pengambilan citra , tingkat pencahayaan yang tidak merata (penyebaran intensitas), rusak atau tidaknya zebra cross, untuk masalah ini dapat diatasi dengan threshold. Threshold digunakan untuk dijadikan masukkan pada deteksi garis zebra cross[2].
2. TEORITIS
2.1 Hough Line Transform
Hough Tranform pertama kali diperkenalkan oleh Paul Hough 1962 untuk mendeteksi garis lurus. Hough Line Transform adalah teknik transformasi citra yang dapat digunakan atau dengan kata lain memperoleh fitur dari sebuah citra. Karena tujuan dari sebuah transformasi adalah mendapatkan suatu fitur yang lebih spesifik.
Gambar 1. Sudut pembentuk citra garis
Hough Line Transform merupakan teknik yang paling umum digunakan untuk mendeteksi objek yang berbentuk garis, lingkaran, elips dan parabola. Keuntungan utama dalam transformasi Hough adalah dapat mendeteksi sebiuah tepian dengan celah pada batas fitur dan secara relative tidak dipengaruhi oleh derau atau noise.
Transformasi Hough memiliki beberapa perbedaan rumus yang diterapkan. Semuanya tergantung pada jenis objek yang dicari, misalnya untuk mencari objek garis digunakan fungsi seperti berikut ini[1].
X cos 0 + Y sin 0 (4)
Dengan x dan y merupakan titik koordinat yng menyusun objek garis tersebut, sedangkan teta adalah sudut yang dibentuk natar obejk garis dengan seumbu x, dan r merupakan jarak antara garis dengan titik pusat (0,0).
Untuk lebih jelasnya dapat diilustrasikan menggunakan gambar 4. Dalam proses transformasi lingkaran Hough, meliputi tiga bagian dasar. Bagian yang pertama adalah deteksi tepi. Tujuan deteksi tepi adalah untuk menurunkan jumlah titik dalam pencarrian ruang bagi objek. Ketikan titik tepi ditemukan oleh detetor tepi, algoritma transformasi Hough dikerjakan hanya pada titik tersebut.
Untuk deteksi tepi, digunakan detektor Canny, Roberts Cross, atau Sobel yang tujuannya memaksimalkan sinyal pada rasio derau dan lokalisasi serta meminimalisasi kesalahan pada deteksi tepi[1].
2.2 Citra Digital
Citra digital adalah gambar dua dimensi yang bisa ditampilkan pada layar komputer sebagai himpunan/
diskrit nilai digital yang disebut pixel/picture elements.
Dalam tinjauan matematis, citra merupakan fungsi kontinu dari intensitas cahaya pada bidang dua dimensi. Citra digital adalah citra f(x,y) dimana dilakukan diskritisasi koordinat sampling/ spasial dan sikritisasi tingkat kwantisasi (keabuan/ kecemerlangannya). Citra digital merupakan fungsi intesitas cahaya f(x,y), Dimana nilai x dan nilai y adalah koordinat spasial. Nilai fungsi tersebut di setiap titik (x,y) merupakan tingkat kecemerlangan citra pada titik tersebut.
Citra didenifisikan sebagai fungsi dari dua variable misalnya a(x,y) dimana a sendiri sebagai amplitude (misalnya kecerahan) citra pada koordinat a(x,y). Menurut Ian T. Young dan kawan-kawan. Citra digital a[m,n]
merupakan citra dalam ruang diskrit 2D yang bersal dari citra analog a(x,y) ruang kontinu 2D melalui proses sampling yaitu yang biasa kita sebut digitalisasi. Sedang kan menurut Maria citra digital adalah citra f(x.y) yang telah didiskritkan pada koordinat spasial dan kecerahan.
Citra digital dipresentasikan oleh array dua dimensi atau sekumpulan array dua dimensi dimana setiap array mempresentasikan suatu kanal warna. Nilai kecerahaan didigitalkan dinamakan nilai tingkat keabuan. Agar bisa mendapatkan informasi yang ada, maka citra yang didapat perlu dilakukan perbaikan. Bidang studi yang menyangkut hal ini adalah pengolahan citra. Pengolahan citra adalah pemrosesan citra, khusunya menggunakan komputer, menjadi citra yang kualitasnya lebih baik dan sesuai dengan keinginan pemakai. Pengolahan citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (dalam hal ini komputer).
3. ANALISA
Pendeteksian dengan Hough Line Transform dilakukan dengan menggunakan citra grayscale yang kemudian
dilanjutkan dengan manghapus noise pada citra hewan berkamuflase dan membuat kahalusan batas garis gradien kabur (blur) dari citra dengan Gaussian. Blur untuk menghindari kesalahan pada pendeteksian gradien tepi objek citra. Kemudian dilakukan pendeteksian tepi dengan canny. Selanjutnya pendeteksian hewan berkamuflase dilakukan dengan penentuan minumum dan maksimal radius parameter Hough Line Transform dengan nilai masing-masing 0.
3.1 Analisa Metode Hough Line Transform
Dalam analisis metode Hough Line Transform untuk mendeteksi hewan yang berkamuflase menggunakan citra digital, langkah pertama yang harus dilakukan ialah melakukan input citra dengan menggunakan foto berukuran 256 piksel/inchi, gambar yang diinputkan dapat berekstention berupa .jpeg. Setelah citra diinputkan maka sistem akan melakukan proses pengambilan nilai piksel masing-masing dari Red,Green dan Blue (RGB).
Namun dalam bab ini yang akan dijelaskan hanya perhitungan untuk satu kali proses yaitu pengambilan 25 piksel. Pengambilan 25 piksel ini dikarenakan ukuran kernel/filter yang akan digunakan berukuran 5 x 5.
Langkah-langkah yang dilakukan dalam identifikasi hewan yang berkamuflase adalah sebagai berikut:
a. Merubah citra RGB menjadi citra Grayscale.
b. Segmentasi citra untuk mendapatkan citra hewan berkamuflase yang hendak di identifikasi, dalam kasus ini metode yang digunakan adalah metode gaussian.
c. Setelah proses segmentasi, maka dilakukan proses deteksi tepi citra untuk memperjelas daerah arah tepi yang dikatakan sebagai hewan yang berkamuflase , dalam kasus ini metode yang akan digunakan adalah metode canny.
d. Selanjutnya adalah proses identifikasi hewan yang berkamuflase dengan menggunakan metode hough line transform.
Adapun pengambilan 25 piksel tersebut dapat dilihat pada gambar berikut.
Gambar 2. Citra input
Dari 25 buah piksel gambar di atas, akan diambil nilai intensitas dari masing-masing piksel dengan menggunakan bantuan aplikasi Matlab.
Gambar 3. RGB Citra Menggunakan Matlab Tabel 1. RGB Citra
R: 164 G: 145 B: 141
R: 31 G: 13 B: 9
R: 76 G: 60 B: 60
R: 179 G: 170 B: 171
R: 171 G: 176 B: 180 R: 121
G: 102 B: 98
R: 86 G: 68 B: 64
R: 106 G: 90 B: 90
R: 152 G: 146 B: 146
R: 153 G: 158 B: 162 R: 193
G: 175 B: 171
R: 199 G: 184 B: 179
R: 200 G: 186 B: 185
R: 63 G: 57 B: 57
R: 74 G: 79 B: 83 R: 224
G: 206 B: 202
R: 199 G: 184 B: 179
R: 80 G: 69 B: 67
R: 62 G: 58 B: 57
R: 79 G: 87 B: 90 R: 210
G: 195 B: 190
R: 182 G: 169 B: 163
R: 62 G: 52 B: 50
R: 48 G: 47 B: 45
R: 66 G: 76 B: 78 Sebelum dilakukan proses analisis metode gaussian, akan dilakukan terlebih dahulu proses perubahan yakni jenis citra berwarna akan di ubah menjadi citra grayscale, dimana jenis citra berwarna ini merupakan jenis citra yang menyajikan warna dalam bentuk komponen R (Merah), G (Hijau), dan B (Biru). Setiap komponen warna menggunakan delapan bit (nilainya berkisar antara 0 sampai dengan 255). Adapun tahap-tahap yang dilakukan adalah sebagai berikut.
Rumus untuk mengubah RGB menjadi citra grayscale sebagai berikut:
IBW (X,Y) = IR x,y+IGx,y+IBx,y3
Sehingga perhitungan untuk merubah ke dalam bentuk grayscale adalah sebagai berikut:
Piksel 1 = 164+145 +1413 = 4503 = 150 Piksel 2 = 31 +13 +93 = 533 = 18 Piksel 3 = 76 +60 +603 = 1963 = 65 Piksel 4 = 179 +170 +1713 = 5203 = 173 Piksel 5 = 171 +176 +1803 = 5273 = 176 Piksel 6 = 121 +102 +983 = 3213 = 107 Piksel 7 = 86 +68 +643 = 2183 = 73 Piksel 8 = 106 +90 +903 = 2863 = 95 Piksel 9 = 152 +146 +1463 = 4443 = 148 Piksel 10 = 153 +158 +1623 = 4733 = 158 Piksel 11 = 193 +175 +1713 = 5393 = 180 Piksel 12 = 199 +184 +1793 = 5623 = 187 Piksel 13 = 200 +186 +1853 = 5713 = 190 Piksel 14 = 63 +57 +573 = 1773 = 59 Piksel 15 = 74 +79 +833 = 2363 = 78 Piksel 16 = 224 +206 +2023 = 6323 = 211 Piksel 17 = 199 +184 +1793 = 5623 = 187 Piksel 18 = 80 +69 +673 = 2163 = 72 Piksel 19 = 62 +58 +573 = 1773 = 59 Piksel 20 = 79 +87 +903 = 2563 = 85
Piksel 21 = 210 +195 +1903 = 5953 = 198 Piksel 22 = 182 +169 +1633 = 5143 = 171 Piksel 23 = 62 +52 +503 = 1643 = 55 Piksel 24 = 48 +47 +453 = 1403 = 47 Piksel 25 = 66 +76 +783 = 2203 = 73
Dari perhitungan di atas, maka nilai intensitas piksel berubah menjadi:
Tabel 2. Hasil citra RGB ke Grayscale 150 18 65 173 176 107 73 95 148 158 180 187 190 59 78 211 187 72 59 85 198 171 55 47 73
Dan jika proses di atas dilakukan hingga akhir pada gambar yang asli, maka citra output dari proses grayscale adalah sebagai berikut:
Gambar 4. Citra Grayscale
Setelah citra RGB dirubah ke grayscale maka dilakukan proses penghalusan citra dengan menggunakan operator gaussian, adapun fungsi gaussian dapat dinyatakan dengan persamaan berikut:
G (x,y) = e-(x2+y2)22
Jika ditentukan 2 = 1, ukuran filter 5 x 5 dari pembentukan warna menjadi -2 -1 0 1 2. Nilai pada (0,0) yaitu 1.
G (0,0) = e-(02+02)2.1= e-(0+0)2 = e-(0)2= e-0 = 1 G (1.0) = G (0.1) = G (-1-0) = G (0,-1) = e-1/2 = 0, 6065 G (1.1) = G (-1.1) = G (1.-1) = G (1.-1) e-1 = 0, 3679
G (1.2) = G (-1.2) = G (1.-2) = G (-1.-2) = G (-2.1) = e-5/2 = 0, 0821 G (2.0) = G (-2.0) = G (0.2) = G (0.-2) = e-2 = 0, 1353
G (0.2) = G (-2.2) = G (2.-2) = G (-2.-2) = e-4 = 0, 0183
Maka nilai pembobotan ialah:
Tabel 3. Nilai Pembobotan
(x,y) -2 -1 0 1 2
-2 0,0183 0,0821 0,1353 0,0821 0,0183 -1 0,0821 0,3679 0,6065 0,3679 0,0821 0 0,1353 0,6065 1,000 0,6065 0,1353 1 0,0821 0,3679 0,6065 0,3679 0,0821 2 0,0183 0,0821 0,1353 0,0821 0,0183 Selanjutnya normalisasi nilai pembobotan atau pembulatan dengan cara membaginya dengan nilai terkecil dari nilai pembobotan.
Tabel 4. Normalisasi Nilai Pembobotan Nilai bobot Pembulatan bobot 1.000 1.000/0,0183 = 55 0,6065 0,6065/0,0183 = 33 0,3679 0,3679/0,0183 = 20 0,0821 0,0821/0,0183 = 4 0,1353 0,1353/0,0183 = 7 0,0183 0,0183/0,0183 = 1 Hasilnya ialah:
Tabel 5. Hasil Normalisasi Nilai Pembobotan (x,y) -2 -1 0 1 2
-2 1 4 7 4 1
-1 4 20 33 20 4 0 7 33 55 33 7 1 4 20 33 20 4
2 1 4 7 4 1
Maka distribusi gaussian nya seperti dibawah:
Tabel 6. Distribusi Gaussian 1 4 7 4 1 4 20 33 20 4 7 33 55 33 7 4 20 33 20 4 1 4 7 4 1
Pada proses canny terdapat enam langkah yang dilakukan untuk mendapatkan hasil deteksi tepi, langkah-langkahnya adalah:
Dalam langkah awal dilakukan penghalusan dengan filter gaussian.
G (x,y) = e-(x2+y2)22
Jika ditentukan 2 = 1, ukuran filter 5 x 5 dari pembentukan warna menjadi -2 -1 0 1 2. Nilai pada (0,0) yaitu 1.
G (0,0) = e-(02+02)2.1= e-(0+0)2 = e-(0)2= e-0 = 1 G (1.0) = G (0.1) = G (-1-0) = G (0,-1) = e-1/2 = 0, 6065 G (1.1) = G (-1.1) = G (1.-1) = G (1.-1) e-1 = 0, 3679
G (1.2) = G (-1.2) = G (1.-2) = G (-1.-2) = G (-2.1) = e-5/2 = 0, 0821 G (2.0) = G (-2.0) = G (0.2) = G (0.-2) = e-2 = 0, 1353
G (0.2) = G (-2.2) = G (2.-2) = G (-2.-2) = e-4 = 0, 0183
Maka nilai pembobotan ialah:
Tabel 7. Nilai Pembobotan
(x,y) -2 -1 0 1 2
-2 0,0183 0,0821 0,1353 0,0821 0,0183 -1 0,0821 0,3679 0,6065 0,3679 0,0821 0 0,1353 0,6065 1,000 0,6065 0,1353 1 0,0821 0,3679 0,6065 0,3679 0,0821 2 0,0183 0,0821 0,1353 0,0821 0,0183 Selanjutnya normalisasi nilai pembobotan atau pembulatan dengan cara membaginya dengan nilai terkecil dari nilai pembobotan.
Tabel 8. Pembulatan Dengan Cara Membaginya Dengan Nilai Terkecil
Nilai bobot Pembulatan bobot 1.000 1.000/0,0183 = 55 0,6065 0,6065/0,0183 = 33 0,3679 0,3679/0,0183 = 20 0,0821 0,0821/0,0183 = 4 0,1353 0,1353/0,0183 = 7 0,0183 0,0183/0,0183 = 1 Hasilnya ialah:
Tabel 9. Hasil Pembulatan (x,y) -2 -1 0 1 2
-2 1 4 7 4 1
-1 4 20 33 20 4 0 7 33 55 33 7 1 4 20 33 20 4
2 1 4 7 4 1
Maka distribusi gaussian nya seperti dibawah:
Tabel 10. Distribusi Gaussian 1 4 7 4 1 4 20 33 20 4 7 33 55 33 7 4 20 33 20 4 1 4 7 4 1
Setelah penapisan gambar dilakukan, selanjutnya proses untuk mendapatkan kekuatan tepi (Edge Strength). Hal ini dilakukan dengan langkah mengalikan matriks gambar asli (gaussian) dengan kernel distribusi gaussian dengan rumus:
h(x,y) = 1331 (f(x,y) * g (x,y)) 150 18 65 173 176 107 73 95 148 158 180 187 190 59 78 211 187 72 59 85 198 171 55 47 73 = 1331
150 x 7 + 18 x 33 + 65 x 55 + 173 x 33 + 176 x 7 170 x 7 + 73 x 33 + 95 x 55 +148 x 33 + 158 x 7 180 x 7 + 187 x 33 + 190 x 55 + 59 x 33 + 78 x 7 + 211 x 7 + 187 x 33 + 72 x 55 + 59 x 33 + 85 x 7 198 x 7 + 171 x 33 + 55 x 55 + 47 x 33 + 73 x 7
150 x 4 + 18 x 20 + 65 x 33 + 173 x 20 + 176 x 4 170 x 4 + 73 x 20 + 95 x 33 +148 x 20 + 158 x 4 180 x 4 + 187 x 20 + 190 x 33 + 59 x 20 + 78 x 4 + 211 x 4 + 187 x 20 + 72 x 33 + 59 x 20 + 85 x 4 198 x 4 + 171x 20 + 55 x 33 + 47 x 20 + 73 x 4 150 x 1 + 18 x 4 + 65 x 7 + 173 x 4 + 176 x 1 170 x 1 + 73 x 4 + 95 x 7 +148 x 4 + 158 x 1
180 x 1 + 187 x 4 + 190 x 7 + 59 x 4 + 78 x 1 + 211 x 1 + 187 x 4 + 72 x 7 + 59 x 4 + 85 x 1
198 x 1 + 171 x 4 + 55 x 7 + 47 x 4 + 73 x 1
150 72 455 692 176 600 360 2145 3460 704
= 1331 170 292 665 592 158 680 1460 3135 2960 6 32
180 748 1330 236 78 + 720 3740 6270 1180 312 + 211 748 504 236 85 844 3740 2376 1180 340 198 684 385 188 73 792 3420 1815 940 292
1050 594 3575 5709 1232 600 360 2145 3460 70 4
1190 2409 5225 4884 1106 680 1460 3135 2960 6 32
1260 6171 10450
1947 546 + 720 3740 6270 1180 312 +
1477 6171 3960 1947 340 844 3740 2376 1180 34 0
1386 5643 3025 1551 292 792 3420 1815 940 29 2
150 72 455 692 176 1545 7269 11051 7269 1545 170 292 665 592 158 1877 8867 14814 8867 1877 180 748 1330 236 78 = 1331 2572 12222 20374 12222 2575 211 748 504 236 85 1784 8480 13895 8480 1784 198 684 385 188 73 1528 7259 11897 7259 1528 5 22 33 22 5
6 27 45 27 6
= 8 37 62 37 8 5 26 42 26 5 5 22 36 22 5
Langkah selanjutnya adalah penghitungan arah tepi dengan rumus berikut:
Theta = (Gy, Gx) Arah x Arah y
1 0 1 1 2 1 5 22 33 22 5 -2 0 2 0 0 0 6 27 45 27 6 -1 0 1 1 2 1 8 37 62 37 8 5 26 42 26 5
5 22 36 22 5 Penyelesaian:
Konvolusi pertama
Gx= 5(1)+22(0)+33(1) = 38 6(-2)+27(0)+45(2) = 78 8(-1)+37(0)+62(-1) = -70 Gx = 38 + 78 + (-70) = 46 Gy = 5(1)+22(2)+33(1) = 82 6(0)+27(0)+45(0) = 0 8(1)+37(2)+62(1) = 144 Gy = 82 + 0 + 144 = 226 Nilai gradien = Gx + Gy = 46 + 226 = 272 Konvolusi kedua
Gx = 22(1)+33(0)+22(1) = 44 27(-2)+45(0)+27(2) = 0 37(-1)+62(0)+37(-1) = -74 Gx = 44 + 0 + (-74) = - 30 Gy = 22(1)+33(2)+22(1) = 110 27(0)+45(0)+27(0) = 0 37(1)+62(2)+37(1) = 198 Gy = 110 + 0 + 198 = 308 Nilai gradien = Gx + Gy
=(-30) + 308 = 278 Konvolusi ketiga
Gx = 33(1)+22(0)+5(1) = 38 45(-2)+27(0)+6(2) = -78 62(-1)+37(0)+8(-1) = -70 Gx = 38 + (-78) + (-70) = -110 Gy = 33(1)+22(2)+5(1) = 38 45(0)+27(0)+6(0) = 0 62(10)+37(2)+8(1) = 144 Gy = 38 + 0 + 144 = 226 Nilai gradien = -110 + 226 = 116 Konvolusi keempat
Gx = 6(1)+27(0)+45(1) = 51 8(-2)+37(0)+62(2) = 108 5(-1)+26(0)+42(-1) = -47 Gx = 51 + 108 + -47 = 112 Gy = 6(1)+27(2)+45(1) = 105 8(0)+37(0)+62(0) = 0 5(1)+26(2)+42(1) = 99 Gy = 105 + 0 + 99 = 204 Nilai gradien = 112 + 204 = 316 Konvolusi kelima
Gx = 27(1)+45(0)+27(1) = 54 37(-2)+62(0)+37(2) = 0 26(-1)+42(0)+26(-1) = -52 Gx = 54 + 0 + (-52) = 2 Gy = 27(1)+45(2)+27(1) = 144 37(0)+62(0)+37(0) = 0 26(1)+42(2)+26(1) = 136
Gy = 144 + 0 + 136 = 280 Nilai gradien = 2 + 280 = 282 Konvolusi keenam
Gx = 45(1)+27(0)+6(1) = 51 62(-2)+37(0)+8(-2) = -108 42(-1)+26(0)+5(-1) = -47 Gx = 51 + (-108) + (-47) = -104 Gy = 45(1)+27(2)+6(1) = 105 62(0)+37(0)+8(0) = 0 42(1)+26(2)+5(1) = 99 Gy = 105 + 0 + 99 = 204
Nilai gradien = (-104) + 204 = 100 Konvolusi ketujuh
Gx = 8(1)+37(0)+62(1) = 70 5(-2)+26(0)+42(2) = 74 5(-1)+22(0)+36(-1) = -41 Gx = 70 + 74 + (-41) = 103 Gy = 8(1)+37(2)+62(1) = 144 5(0)+26(0)+42(0) = 0 5(1)+22(2)+36(1) = 85 Gy = 144 + 0 +85 = 229 Nilai gradien = 103 + 229 =332 Konvolusi kedelapan
Gx = 37(1)+62(0)+37(1) = 74 26(-2)+42(0)+26(2) = 0 22(-1)+36(0)+22(-1) = -44 Gx = 74 + 0 +(-4) = 30 Gy = 37(1)+62(2)+37(1) = 198 26(0)+42(0)+26(0) = 0 22(1)+36(2)+22(1) = 116 Gy = 198 + 0 + 314 = 314 Nilai gradien = 30 + 314 = 344 Konvolusi kesembilan Gx = 62(1)+37(0)+8(1) =70 42(-2)+26(0)+5(2) = -74 36(-1)+22(0)+5(-1) = -41 Gx = 70 + (-74) + (-41) = 22 Gy = 62(1)+37(2)+8(1) = 144 42(0)+26(0)+5(0) = 0 36(1)+22(0)+5(1) = 85 Gy = 144 + 0 + 85 = 229 Nilai gradien = 22 + 229 = 251
Tabel 11. Nilai Akhir Gradient Konvolusi Canny
* * * * *
* 272 278 116 *
* 316 282 100 *
* 332 344 251 *
* * * * *
Setelah nilai akhir konvolusi Canny maka perlu mengetahui arah tepi yaitu menghubungkan antara arah tepi dengan sebuah arah yang dapat dilacak dari citra.
Dimana Gx dan Gy adalah gradient pada masing-masing arah x dan y. Namun, tepian biasanya luas dan dengan demikian tidak dapat menunjukkan persis dimana tepian yang sesungguhnya, untuk menentukan tepian yang sesungguhnya, arah tepian harus ditentukan dan disimpan dengan persamaan.
Tentukan nilai x dan y pada tepian:
0 0 0 0 0 0 227 228 116 0 0 216 228 100 0 0 232 244 251 0
0 0 0 0 0
xIndex = [227;228;116;216;228;100;232;244;251]
yIndex = [227;216;232;228;228;244;116;100;251]
Rumus :
r= X cos 0 + y sin 0 r=227Cos 0+227Sin 0=227 r=228Cos 0+216Sin 0=228 r=116Cos 0+232Sin 0=116 r=216Cos 0+228Sin 0=216 r=228Cos 0+228Sin 0=228 r=100Cos 0+244Sin 0=100 r=232Cos 0+116Sin 0=232 r=244Cos 0+100Sin 0=244 r=251Cos 0+251Sin 0=251
R(x,y) = (227;228;116;216;228;100;232;244;251)
Gambar 5. Citra Identifikasi Hewan yang berkamuflase Berdasarkan dari hasil di atas, maka teridentifikasi hasilgaris hewan yang berkamuflase pada titik R(x,y)=
(227;228;116;216;228;100;232;244;251).
4. IMPLEMENTASI
Sistem pengolahan merupakan suatu kesatuan pengolahan yang terdiri dari prosedur dan pelaksanaan data. Komputer sebagai sarana pengolahan program handaknya menyediakan faislitas-fasilitas pendukung dalam pengolahan nantinya. Tampilan form input adalah tampilan dalam memasukkan gambar yang akan di proses. Berikut adalah tampilan input yang di rancang pada sistem sebagai berikut:
Gambar 6. Tampilan Form Aplikasi
Pada gambar 6 di atas,tampilan identifikasi masih kosong, selanjutnya pilih tombol <pilih gambar> untuk melakukan pemilihan citra hewan berkamufalse yang akan diuji. Seperti di bawah ini.
Gambar 7. Tampilan Input Citra
Maka selanjutnya pilih tombol <Grayscale> untuk melakukan merubah citra hewan berkamufalse ke bentuk citra grayscale yang akan diuji. Seperti di bawah ini.
Gambar 8. Tampilan Citra Grayscale Maka selanjutnya proses terakhi pendeteksian hewan yang berkamuflase dengan pilih tombol <proses metode> untuk melakukan merubah citra hewan berkamufalse ke bentuk citra yang akan diuji. Seperti di bawah ini.
Gambar 9. Citra Hasil Metode Hough Line Transformasi
5. KESIMPULAN
Berdasarkan dari hasil penelitian, analisis, perancangan sistem, dan implementasi serta pengujian, maka diperoleh kesimpulan mendeteksi hewan yang berkamuflase menggunakan metode hough line transformasi didapat kesimpulan sebagai berikut:
a. Proses pendeteksian hewan yang berkamuflase dengana cara proses segmentasi citra untuk
mendapatkan citra hewan menggunakan metode gaussian. Setelah proses segmentasi, dilakukan proses deteksi tepi citra untuk memperjelas daerah arah tepi yang dikatakan dengan metode yang digunakan adalah metode canny selanjutnya penentuan garis line dengan menggunakan metode hough line transformasi.
b. Pengujian pendeteksian hewan yang berkamuflase menggunakan aplikasi Matlab 2010a telah berhasil dilakukan dengan pembentukan garis atau line pada citra digital yaitu hewan yang berkamufalse.
DAFTAR PUSTAKA
[1] Syahri Muharom, “Penerapan Metode Hough Line Transform untuk Mendeteksi Pintu Ruangan Menggunakan Kamera”, Jurnal IPTEK, vol. 21, no. 1, pp. 10411-7010, 2017.
[2] Fitria Indriani1, Fitri Utaminingrum2,Yuita Arum Sari3,
“Deteksi Zebra Cross Pada Citra Digital Dengan Menggunakan Metode Hough Transform”, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer,
vol. 2, no. 6, pp. 2374-2380.
[3] Prof. Dr. Sugiyono, Metode Penelitian Manajemen, Bandung:Alfabeta,CV.2014
[4] Rika Favoria Gusa, “Pengolahan Citra untuk Menghitung Luas Daerah Bekas Panambang Timah”, Jurnal Nalsional Teknik Elektro, vol. 2, no. 2, pp. 2302-2949, 2013.
[5] R. I. Ndaumanu dan M. R. Arief Kusrini, “Analisis Prediksi Tingkat Pengunduran diri Mahasiswa Dengan Metode K- Nearest Neighbor’, Jatisi, vol. 1, no. 1, pp. 1-15, 2014.
[6] Stephen Suleeman, (2006, Nov.3), Kamuflase[online].
Avaible: https://id.wikipedia.org/wiki/Kamuflase [7] Meursault, (2004, Feb.27), Hewan[online]
Avaible: https://id.wikipedia.org/wiki/Hewan
[8] Rosa A.S, “Rekayasa Perangkat Lunak”, 4th ed. Bandung:
INFORMATIKA BANDUNG, 20116.
[9] Gunaidi abdia away, “Matlab Programming”, INFORMATIKA, 2014
[10] Bambang Yunowo, Image Smooting Menggunakan Mean Filtering, Median Filtering, Modus Filtering dan Gaussian Filtering, TELEMATIKA, vol. 7, no. 1, 2010
[11] Edy Winarno, “Aplikasi Deteksi Tepi pada Realtime Video menggunakan Algoritma Canny Detection”, Jurnal Teknologi Informasi DINAMIKA, vol. 16, no. 1,pp.0854- 9524,2011.
