Pengenalan dasar algoritma

Dalam mempelajari Algoritma dan Pemrograman, pertama-pertama yang perlu dipahami adalah konsep-konsep dasar dari baik Algoritma maupun Pemrograman bahkan juga Program sebagai hasil dari pemrograman itu sendiri. Maka untuk itulah yang pertama kita akan singgung terlebih dulu adalah pengenalan definisi untuk Algoritma, pemrograman dan program.

Algoritma dapatlah didefinisikan dengan beberapa hal seperti berikut ini :

• Algoritma merupakan pola pikir yang terstruktur yang berisi tahap-tahap penyelesaian masalah.

• Algoritma adalah urutan logis pengambilan keputusan untuk pemecahan masalah.

• Algoritma berupa urutan langkah berhingga untuk memecahkan masalah logika dan matematika

Kemudian pemrograman sendiri secara definitif dapat dikatakan sebagai proses mengimplementasikan urutan langkah untuk menyelesaikan suatu masalah dengan menggunakan suatu bahasa pemrograman. Dalam hal ini Bahasa Pemrograman merupakan prosedur / tata cara penulisan program

 Sedangkan program adalah kata, ekspresi, pernyataan atau kombinasi yang disusun dan dirangkai menjadi satu kesatuan prosedur yang berupa urutan langkah untuk menyelesaikan masalah yang diimplementasikan dengan menggunakan bahasa Pemrograman sehingga dapat dieksekusi oleh komputer.

Adapun definisi-definisi tentang Algoritma, pemrograman dan program tersebut dapatlah lebih jelas dipahami dengan mengenal hubungan antara Algoritma, pemrograman dan program itu sendiri.

Peralatan-peralatan yang terdapat pada seperangkat komputer terbagi dalam beberapa kelompok peralatan seperti berikut ini :

1. Input Device : keyboard, scanner, kamera digital, mouse, joystick dll

2. Processing Device : CPU

3. Output Device : monitor, viewer, printer, tv dll

4. Storage Device : harddisk, flashdisk, memory card/chip dll

Sedangkan siklus pengolahan sistem komputer yang tergambar dalam diagram di atas dapatlah dijelaskan sebagai berikut :

Siklus pengolahan pada sistem komputer dimulai dari Input Device yang membawa bahan berupa data yang akan dikirim ke processing device untuk diolah. Dalam processing device pengolahan data yang terjadi dapat dikirim ke storage device sebagai backup/arsip ataupun dari storage device, data dapat dikirimkan kembali sebagai bahan yang akan diolah kembali di dalam processing device. Dari pengolahan data yang terjadi di processing device ini kemudian dapat dikirimkan ke output device sebagai informasi atau hasil dari pengolahan data.

Adapun pengertian atau definisi tentang Data dan Informasi itu adalah seperti berikut ini :

Data adalah sesuatu yang belum mempunyai arti bagi penerimanya dan masih memerlukan adanya suatu pengolahan. Data bisa berujut suatu keadaan, gambar, suara, huruf, angka, matematika, bahasa ataupun simbol-simbol lainnya yang bisa kita gunakan sebagai bahan untuk melihat lingkungan, obyek, kejadian ataupunsuatu konsep.

Informasi merupakan hasil pengolahan dari sebuah model, formasi, organisasi, ataupun suatu perubahan bentuk dari data yang memiliki nilai tertentu, dan bisa digunakan untuk menambah pengetahuan bagi yang menerimanya. Dalam hal ini, data bisa dianggap sebagai obyek dan informasi adalah suatu subyek yang bermanfaat bagi penerimanya. Informasi juga bisa disebut sebagai hasil pengolahan ataupun pemrosesan data.

elemen-elemen bagian-bagian pengolahan data pada sistem komputer

 Processing :

Tahap ini merupakan proses pengolahan dari data yang sudah dimasukkan yang dilakukan oleh alat pemroses (processing device), yang dapat berupa proses menghitung, membandingkan, mengklasifikasikan, mengurutkan, mengendalikan atau mencari di storage

 Output :

Tahap ini merupakan proses menghasilkan output dari hasil pengolahan data ke alat output (output device) yaitu berupa informasi.

 Distribution :

Tahap ini merupakan proses dari distribusi output kepada pihak yang berhak dan membutuhkan informasi.

 Storage :

Tahap ini merupakan proses perekaman hasil pengolahan ke simpanan luar (storage). Hasil dari pengolahan yang disimpan di storage dapat dipergunakan sebagai bahan input untuk proses selanjutnya

Siklus Pengolahan data dalam sistem komputer berbentuk dasar dimulai dari proses menginput data dilanjutkan dengan tahap memproses data itu sendiri sehingga menjadi tahap output. Sedangkan siklus pengolahan data yang telah dikembangkan dimulai dari tahap origination kemudian dilanjutkan ke tahap input data. Dari tahap input data diteruskan ke tahap processing. Pada tahap processing ini, akan bekerja sama dengan tahap storage baik untuk penyimpanan data maupun untuk mengakses dari tahap storage. Dari tahap processing dilanjutkan ke tahap output dan kemudian dapat juga dilanjutkan kembali ke tahap distribution.

Dengan mengacu pada siklus pengolahan (perangkat keras) sistem komputer dan siklus pengolahan data pada sistem komputer inilah, apabila akan menjalankan pemrograman, khususnya di sini adalah pemrograman terstruktur, maka algoritma yang dibuat disesuaikan dengan siklus pengolahan sistem komputer di atas, baik itu secara perangkat keras maupun siklus pengolahan datanya. Dalam hal ini penyesuaian tersebut terletak pada saat membuat bagian-bagian dalam algoritma, yang hendaknya mengacu pada elemen-elemen dan siklus pengolahan data dan sistem komputer tersebut.

ALGORITMA DAN PEMROGRAMAN

Jika seseorang ingin mengirim surat kepada

kenalannya di tempat lain, langkah yang harus

dilakukan adalah:

Langkah :

1. Menulis surat

2. Surat dimasukkan ke dalam amplop tertutup

3. Amplop dikasih alamat penerima dan pengirim

4. Amplop ditempeli perangko secukupnya.

5. Pergi ke Kantor Pos terdekat untuk mengirimkannya

Definisi :

1. Urutan langkah-langkah untuk memecahkan masalah

yang disusun secara sistematis dan logis.

2. Kamus Besar Bahasa Indonesia:

Algoritma adalah urutan logis pengambilan putusan untuk

pemecahan masalah.

Algoritma dibutuhkan untuk memerintah komputer

mengambil langkah-langkah tertentu dalam menyelesaikan

masalah.

Definisi

1. Kumpulan instruksi-instruksi tersendiri yang

biasanya disebut source code yang dibuat oleh

programmer (pembuat program).

2. Program : Realisasi dari Algoritma.

Program = Algoritma + Bahasa

1. Pembuatan atau penulisan algoritma tidak

tergantung pada bahasa pemrograman manapun.

2. Notasi algoritma dapat diterjemahkan ke dalam

berbagai bahasa pemrograman.

3. Apapun bahasa pemrogramannya, output yang

akan dikeluarkan sama karena algoritmanya

sama.

SYARAT ALGORITMA YANG BAIK

Tingkat kepercayaannya tinggi (realibility)

Hasil yang diperoleh dari proses harus berakurasi tinggi

dan benar.

2. Pemrosesan yang efisien (cost rendah)

Proses harus diselesaikan secepat mungkin dan

frekuensi kalkulasi yang sependek mungkin

3. Sifatnya general

Bukan sesuatu yang hanya untuk menyelesaikan satu

kasus saja, tapi juga untuk kasus lain yang lebih

general.

PERULANGAN ALGORITMA

Penerapan Algoritma Viola Jones Pada Deteksi Wajah

ABSTRAK Penelitian ini berisikan tentang suatu sistem deteksi wajah pada manusia dengan menggunakan metode ViolaJones. Data yang digunakan pada penelitian ini berupa sampelgambar yang diambil dari internet secara acak sebanyak 30 citra yang terdiri atas 22 citra manusia dan 8 citra hewan.Dimensi sampel citra berukuran paling kecil adalah 219x285pixel dan dimensi yang paling besar adalah 1536x2048 pixel. Metode Viola-Jones relatif mendapatkan hasil yang cepat, akurat, dan efisien dalam melakukan deteksi wajah pada gambar. Metode ViolaJones merupakan algoritma yangpaling banyak digunakan untuk mendeteksi wajah. Metode ini terdiri atas tiga komponen penting yaitu integral imagedigunakan untuk menentukan ada atau tidaknya fitur Haar tertentu pada sebuah gambar, metode AdaBoost machinelearning yang digunakan untuk untuk memilih fitur Haar yang spesifik yang akan digunakan serta untuk mengatur nilaiambangnya (threshold), dan cascade classifier sebagai pengklasifikasi akhir untuk menentukan daerah wajah padagambar dari metode ini. Urutan filter pada cascade ditentukan oleh bobot yang diberikan AdaBoost. Filter dengan bobotpaling besar diletakkan pada proses pertama kali dengan tujuan untuk menghapus daerah gambar bukan wajah secepatmungkin. Dalam penelitian ini ditampilkan gambar-gambar yang terdeteksi sebagai wajah dan tidak terdeteksi sebagaiwajah. Hasil penelitian ini mendapatkan nilai akurasi sistem deteksi wajah sebesar 90,9%. Hasil lain yang didapatkanadalah posisi wajah yang tegak/tidak tegak menentukan keberhasilan deteksi wajah tersebut. Keywords— Gambar , Wajah, Deteksi wajah, Viola-Jones. 1. Pendahuluan Secara umum untuk manusia, wajah merupakan ukuran yang paling mudah dan sederhana untuk menentukan identitas individu yang satu dengan yang lainnya.Karena otak manusia mempunyai keistimewaan dalam hal mengingat dan membedakan wajah setiap individu yang dilihatnya, maka manusia mampu untuk membedakan mana yang dikenal dan mana yang tidak dikenal.Hal inilah yang melatar belakangi pembuatan suatu system yang secara automatis mampu membedakan identitas individu secara akurat berdasarkan tampilandari wajah individu yang bersangkutan. Sistem ini dikenal dengan nama face recognition system. Pada sistem seperti ini citra yang di dapat umumnya hanya berisi satu wajah dan memiliki latar belakang seragam dan kondisi pencahayaan yang telah diatur sebelumnya sehinggadeteksi wajah dapat dilakukan dengan lebih mudah Deteksi wajah pada manusia menjadi sangat penting dalam perkembangan ilmu pengolahan citra digital.Penelitian tersebut telah banyak dilakukan dengan kelebihan dan kekurangannya.Dari sebuah wajah banyak informasi fitur yang dapat dibaca, misalnya mata, hidung, dan mulut. Karena alasan ini, maka metode pendeteksian wajah adalah untuk menentukan ”ya” atau “tidak” adanya wajah dalam sebuah gambar. Dalam kasus penentuan lokasi wajah, tujuanya adalah untuk mendeteksi letak posisi dari fitur wajah manusia misalnya mata, hidung, dan mulut dengan menggunakan metode pendeteksian wajah.Pada umumnya pendeteksian wajah hanya dilakukan dengan satu objek wajah.Di dalam tugas akhir ini, saya berusaha menyajikan suatau sistem pendeteksi wajah yang dapat mendeteksi beberapa wajah secara bersamaan dengan menggunakan metode viola jones. 2. TINJAUAN PUSTAKA 2.1 Deteksi Wajah Deteksi wajah dapat dipandang sebagai masalah klasifikasi pola dimana inputnya adalah citra masukan dan akan ditentukan output yang berupa label kelas dari citra tersebut. Dalam hal ini terdapat dua label, yaitu wajah dan non-wajah. Teknik-teknik pengenalan wajah yang dilakukan selama ini banyak yang menggunakan asumsi bahwa data wajah yang tersedia memiliki ukuran yang sama dan latar belakang yang seragam. Didunia nyata, asumsi ini tidak selalu berlaku karena wajah dapat muncul dengan berbagai macam ukuran dan posisi di dalam citra dan dengan latar belakang yang bervariasi. Pendeteksian wajah (face detection) adalah salah satu tahap awal yang sangat penting sebelum dilakukan proses pengenalan wajah (face recognition). Bidang –bidang penelitian yang berkaitan dengan pemrosesan wajah ( face processing) adalah (S, Nugroho, 2004) Pengenalan wajah (face recognition) yaitu membandingkan citra wajah masukan dengan suatu database wajah dan menemukan wajah yang paling cocok dengan citra masukan tersebut..Autentikasi wajah (face authentication) yaitu menguji keaslian/kesamaan suatu wajah dengan data wajah yang telah diinputkan sebelumnya.Lokalisasi wajah (face localization) yaitu pendeteksian wajah namun dengan asumsi hanya ada satu wajah di dalam citra.Penjejakan wajah (face tracking) yaitu memperkirakan lokasi suatu wajah di dalam video secara real time.Pengenalan ekspresi wajah (facial expression recognition) untuk mengenali kondisi emosi manusia. Tantangan yang dihadapi pada masalah deteksi wajah disebabkan oleh adanya faktor-faktor berikut:Posisi wajah. Posisi wajah di dalam citra dapa tbervariasi karena posisinya bisa tegak, miring,menoleh, atau dilihat dari samping.Komponen-komponen pada wajah yang bisa ada atau tidak ada, misalnya kumis, jenggot, dan kacamata.Ekspresi wajah. Penampilan wajah sangat dipengaruhi oleh ekspresi wajah seseorang,misalnya tersenyum, tertawa, sedih, berbicara,dan sebagainya. Terhalang objek lain. Citra wajah dapat terhalangi sebagian oleh objek atau wajah lain,misalnya pada citra berisi sekelompok orang. Kondisi pengambilan citra. Citrayang diperoleh sangat dipengaruhi oleh faktorfaktor seperti intensitas cahaya ruangan, arah sumber cahaya,dan karakteristik sensor dan lensa kamera. 2.2Deteksi Wajah Viola-Jones Prosedur deteksi wajah Viola-Jones mengklasifikasikan gambar berdasarkan pada nilai fitur sederhana.Terdapat banyak alasan untuk menggunakan fitur daripada piksel secara langsung.Alasan yang paling umum adalah bahwa fitur dapat digunakan untuk mengkodekan pengetahuan domain ad-hoc yang sulit dalam pembelajaran terhadap data latih yang terbatas jumlahnya.Alasan penting kedua untuk menggunakan fitur adalah sistem fitur berbasis operasi jauh lebih cepat daripada sistem berbasis pixel.Klasifikasi gambar dilakukan berdasarkan nilai dari sebuah fitur.Penggunaan fitur dilakukan karena pemrosesan fitur berlangsung lebih cepat dibandingkan pemrosesan citra perpiksel. Terdapat tiga jenis fitur berdasarkan jumlah persegi panjang yang terdapat di dalamnya, seperti yang dapat dilihat pada gambar di bawah ini: Gambar 2.1Jenis fitur gambar Pada Gambar 2.1 menggambarkan bahwa fitur (a) dan (b) terdiri dari dua persegi panjang, sedangkan fitur (c) terdiri dari tiga persegi panjang dan fitur (d) empat persegi panjang. Cara menghitung nilai dari fitur ini adalah mengurangkan nilai piksel pada area putih dengan piksel pada area hitam. Untuk mempermudah proses penghitungan nilai fitur, algoritma Viola-Jones menggunakan sebuah media berupa Integral Image. Integral Imageadalah sebuah citra yang nilai tiap pikselnyamerupakan penjumlahan dari nilai piksel kiri atas hingga kanan bawah. Contoh integral image dapat dilihat pada Gambar 2.2 : Gambar 2.2 Perhitungan integral image Untuk menentukan nilai rata-rata piksel pada area segiempat (daerah yang diarsir) dapat dilakukan hanya dengan membagi nilai pada (x,y) oleh area segiempat. Gambar 2.3 menggambarkan perhitungan integral salah satu area segiempat. Gambar 2.3 Integral image Dengan menggunakan integral image dapat mengetahui nilai piksel untuk beberapa segiempat yang ini misalkan, seperti segiempat D pada Gambar 2.3 di atas dapat dilakukan dengan cara menggabungkan jumlah pikselpada area segiempat A+B+C+D, dikurangi jumlah dalam segiempat A+B dan A+C, ditambah jumlah piksel di dalam A. Dengan A+B+C+D adalah nilai dari integral image pada lokasi 4, A+B adalah nilai pada lokasi 2, A+C adalah nilai pada lokasi 3, dan A pada lokasi 1. Sehingga hasil dari D dapat dikomputasikan D = (A+B+C+D)- (A+B)- (A+C)+A. Untuk memilih fitur yang spesifik yang akan digunakan dan untuk mengatur nilai ambangnya (threshold), Viola dan Jones menggunakan sebuah metode machine learning yang disebut AdaBoost. AdaBoost menggabungkan banyak classifier lemah untuk membuat sebuah classifier kuat. Lemah disini berarti urutan filter pada classifier hanya mendapatkan jawaban benar lebih sedikit. Jika keseluruhan classifier lemah digabungkan maka akan menjadi classifier yang lebih kuat. AdaBoost memilih sejumlah classifier lemah untuk disatukan dan menambahkan bobot pada setiap classifier, sehingga akan menjadi classifier yang kuat. ViolaJones menggabungkan beberapa AdaBoost classifier sebagai rangkaian filter yang cukup efisien untuk menggolongkan daerah image. Masing-masing filter adalah satu AdaBoost classifier terpisah yang terdiri classifier lemah atau satu filter fitur. Karakteristik dari algoritma Viola-Jones adalah adanya klasifikasi bertingkat.Klasifikasi pada algoritma ini terdiri dari tiga tingkatan dimana tiap tingkatan mengeluarkan subcitra yang diyakini bukan wajah.Hal ini dilakukan karena lebih mudah untuk menilai subcitra tersebut bukan wajah ketimbang menilai apakah subcitra tersebut berisi wajah.Gambar 2.4 menggambarkan bentuk alur kerja dari klasifikasi bertingkat. Gambar 2.4 Alur klasifikasi bertingkat Pada klasifikasi tingkat pertama, tiap subcitra akan diklasifikasi menggunakan satu fitur. Hasil dari klasifikasi pertama ini berupa T (True) untuk gambar yang memenuhi fitur Haar tertentu dan F (False) bila tidak. Klasifikasi ini kira-kira akan menyisakan 50% subcitra untuk diklasifikasi di tahap kedua. Hasil dari klasifikasi kedua berupa T (True) untuk gambar yang memenuhi proses integral image dan F (False) bila tidak. Seiring dengan bertambahnya tingkatan klasifikasi, maka diperlukan syarat yang lebih spesifik sehingga fitur yang digunakan menjadi lebih banyak. Jumlah subcitra yang lolos klasifikasi pun akan berkurang hingga mencapai jumlah sekitar 2%. Hasil dari klasifikasi terakhir berupa T (True) untuk gambar yang memenuhi proses AdaBoost dan F (False) bila tidak. 3. METODOLOGI PENELITIAN Metodologi yang digunakan untuk mendeteksi wajah dengan menggunakan metode Violajones meliputi studi pustaka, analisis metode, perancangan sistem, implementasi, pengujian dan dokumentasi. Gambar 3.1 Alur Metodologi penelitian Gambar diatas merupakan alur metodologi penelitian viola jones dan meliputi beberapa tahapan sebagai berikut: 3.1 Studi Pustaka Studi pustaka dilakukan dengan membaca dan mempelajari buku-buku literature, artikel-artikel dan jurnal-jurnal yang berhubungan dengan pendeteksian citra wajah, pembelajaran ini dilakukan untuk mendapatkan solusi yang bertujuan untuk mempelajari masalah-masalah yang ada dalam pendeteksian citra wajah 3.2 Analisis Metode yang Digunakan Analisis metode yang digunakan dalam penelitian ini dibagi menjadi beberapa bagian antara lain : 1. Analisis metode yang digunakan dalam pemecahan masalah pendeteksian citra wajah. 2. Analisis penggunaan metode Viola Jonesuntuk melakukan pendeteksian citra wajah. 3.3 Antarmuka (GUI) Perancangan sistem dilakukan setelah analisis selesai dilakukan agar perancangan dapat dengan mudah digunakan.Berikut contoh tampilan antarmuka yang akan di implementasikan : Studi Pustaka Analisis Metode yang digunakan Antarmuka Implementasi Pengujian Analisa Gambar 3.2 Rancangan Perangkat Lunak Keterangan 1. Ambil Gambar Adalah fasilitas untuk memasukkan gambar yang akan dideteksi wajahnya yang ada di gallery komputer. 2. Gambar asli Adalah tempat untuk menampilkan sebuah gambar yang telah di ambil dari tombol insert 3. Proses Adalah tombol yang digunakan untuk memproses gambar asli yang telah di inputkan 4. Hasil deteksi Adalah tempat untuk menempatkan hasil dari proses deteksi wajah yang di tandai dengan kotak persegi yang lebih kecil dari pada gambar. 5. Keluar Adalah tombol untuk keluar dari program aplikasi deteksi wajah 6. Hasil Adalah Tempat untuk menampilkan Jumlah wajah yang terdeteksi dalam sebuah gambar 3.3 Implementasi Langkah selanjutnya yaitu implementasi yang berarti proses pelaksanaan pembuatan aplikasi dimana akan menerapkan metode ke dalam sistem.Berikut dibawah ini menggambarkan tahapan-tahapan yang dilakukan dalam proses pendeteksian wajah menggunakan metode Viola Jones: Gambar Wajah/bukan wajah Gambar 3.3 Desain Sistem Deteksi Wajah Berikut ini merupakan penjelasan dari tahapantahapan yang ada dalamProses pendeteksian wajah pada metode viola jones: a. Menentukan fitur wajah Metode Viola Jones menggunakan data latih dari citra-citra yang kurang tajam sebagai bagian dari proses pengklasifikasian citra. Klasifikasi citra dilakukan berdasarkan nilai dari sebuah fitur. b. Citra Integral Untuk memudahkan proses perhitungan nilai dari setiap fitur Haar pada setiap lokasi gambar digunakan teknik yang disebut citra integral. Secara umum integral mempunyai makna menambahkan bobot, bobot merupakan nilai-nilai piksel yang akan ditambahkan ke dalam gambar asli . c. Algoritma AdaBoost Algoritma AdaBoost mengkombinasikan banyak citra-citra yang kurang tajam (weak classifiers) untuk menjadi citra-citra yang lebih tajam (strong classifiers) dengan memberi bobot kepada citra weak classifiers d. Menentukan ambang batas Untuk mencari nilai perbedaan antara nilai fitur yang telah didapatkan . e. Memberikan bobot kepada weak classifier Menggabungkan banyak classifier yang lemah untuk membuat classifier yang lebih kuat. Lemah disini berarti urutan filter pada classifier hanya mendapatkan jawaban benar lebih sedikit. f. Filter nilai citra Filter pada masing-masing level mengklarifikasi citra yang sebelumnya telah di filter. Jika salah satu filter tersebut gagal, daerah pada citra diklarifikasikan sebagai bukan wajah 3.4Pengujian Dalam skenario pengujian aplikasi deteksi wajah menggunakan metode viola jones terdapat beberapa langkah sebagai berikut : a. Data set yang digunakan. Gambar manusia dengan format file gambar jpeg dan di ambil secara acak dari internet, rata-rata wajah menghadap kedepan berjumlah 50 data gambar dan dalam setiap gambar terdiri dari 1-5 wajah. B .Segmentasi warna kulit Dalam proses pendeteksian warna kulit, setiap piksel digolongkan sebagai “warna kulit” maupun “bukan warna kulit” dengan membuang sebanyak mungkin citra yang diindikasikan sebagai wilayah yang bukan wajah. c. Segmentasi gambar Proses segmentasi merupakan proses identifikasi dan pemisahan gambar wajah yang merupakan Fitur haar Integral Machine learning AdaBost Cascade classifier gambar abu-abu dengan gambar latar. Untuk memisahkan gambar wajah dengan gambar latar digunakan teknik thresholding.Teknik thresholding digunakan untuk memecah bagianbagian gambar yang berupa karakter abjad dengan karakter grafis. Proses ini biasa disebut sebagai teknik binerisasi yang mengubah

IMPLEMENTASI DETEKSI TEPI UNTUK MENDETEKSI KERETAKAN TULANG ORANG LANJUT USIA (MANULA) PADA CITRA RONTGEN DENGAN OPERATOR SOBEL

Abstract

Citra digital sekarang ini sangat bermanfaat dalam segala bidang, citra digital dibutuhkan oleh pengguna untuk analisis dan mengambil keputusan. Berbagai analisis citra digunakan untuk menghasilkan citra keluaran sesuai dengan kebutuhan.  Penggunaan filter pada citra masukan merupakan salah satu cara yang digunakan untuk menghasilkan citra keluaran sesuai kebutuhan. Pada penelitian ini membuat aplikasi pengolahan citra menggunakan filter Sobel dan Prewitt. Filter Sobel dan Prewitt untuk menghasilkan tepi pada citra. Deteksi tepi pada citra bisa diimplementasikan pada bidang medis, seperti analisis keretakan pada tulang. Keretakan pada tulang menciptakan tepi, bagian yang retak diperkuat dengan filter Sobel dan Prewitt. Yang dilakukan dalam penelitian ini adalah: studi pustaka, penerapan filter Sobel dan Prewitt. Selanjutnya melakukan analisis dan desain aplikasi pengolahan citra dengan filter sobel dan prewitt.  Pada penelitian ini menggunakan filter Sobel dan Prewitt untuk memperkuat tepi pada citra masukan. Dengan menggunakan dua fiter ini sudah bisa menampilkan tepi pada citra untuk analisis oleh pengguna.

Kata Kunci: Citra, Citra Digital, Filter Sobel, Filter Prewitt, Tepi

Full Text:

PDF

References

Adlakha, D., Adlakha, D., and Tanwar, R., 2016. Analytical Comparison between Sobel and Prewitt Edge Detection Techniques, International Journal of Scientific & Engineering Research, Volume 7, Issue 1.

Bhat, Muzamil., 2014. Digital Image Processing, International Journal of Scientific & Technology Research Volume 3, Issue 1.

Basuki, Achmad., Palandi, Jozua F., 2005. Pengolahan Citra Digital Dengan Visual Basic, Graha Ilmu, Jakarta.

Fadlisyah., Taufiq., Zulfikar., Fauzan., 2008. Pengolahan Menggunakan Delphi, Graha Ilmu, Jakarta.

Kadir., Taufiq., Zulfikar., Fauzan., 2008. Pengolahan Menggunakan Delphi, Graha Ilmu, Jakarta.

Kavita., Saroha, Ritika., Bala, Rajani., Siwach, Sunita., 2013. Review paper on Overview of Image Processing and Image Segmentation, International Journal of Research In Computer Applications And Robotics, Vol.1 Issue.7, hal: 1-13.

Madenda, Sarifudin., 2015. Pengolahan Citra & Video Digital Teori, Aplikasi, dan Pemorgraman Menggunakan Matlab, Erlangga, Jakarta.

Munir, Renaldi., 2004. Pengolahan Citra Digital Dengan Pendekatan Aloritmik, Penerbit Informatika, Bandung.

Mulyana, Teady.M.S., 2017, Efek High Pass Filtering Dengan Koefesien Nol Pada Citra Biner, Jurnal Muara, Sains, Teknologi, Kedokteran, dan Ilmu Kesehatan, Vol 1, No. 1, hal 75-83.

Srishti P, Verma, T., Prashant, 2016. Hybrid Filter of Sobel And Prewitt, International Journal of Latest Research in Engineering and Technology (IJLRET).

Tania, Sheikh., and Rowaida, Raghad, 2016. A Comparative Study of Various Image Filtering Techniques for Removing Various Noisy Pixels in Aerial Image, International Journal of Signal Processing, Image Processing and Pattern Recognition Vol.9, No.3, hal.113-124.

Supurwoko., Sarwanto., 2010. Deteksi Sisi Citra Tomografi Sinar-X Menggunakan Operator Laplace, Seminar Nasional Biologi FKIP UNS, hal 213-219.

Patidar, Pawan Kumar., Lalit., Singh, Baldev., Bagaria, Gaurav., 2014. Image Filtering using Linear and Non Linear Filter for Gaussian Noise, International Journal of Computer Applications, Volume 93 – No.8, hal 29-34.

Putra, Darma., 2010. Pengolahan Citra Digital, Penerbit Andi, Yogyakarta.

Pengantar Pengolahan Citra

Data atau informasi tidak hanya disajikan dalam bentuk teks, tetapi juga dapat berupa gambar, audio (bunyi, suara, musik), dan video. Keempat macam data atau informasi ini sering disebut multimedia. Era teknologi informasi saat ini tidak dapat dipisahkan dari multimedia. Situs web (website) di Internet dibuat semenarik mungkin dengan menyertakan visualisasi berupa gambar atau video yang dapat diputar. Beberapa waktu lalu istilah SMS (Short Message Service) begitu populer bagi pengguna telepon genggam (handphone atau HP). Tetapi, saat ini orang tidak hanya dapat mengirim pesan dalam bentuk teks, tetapi juga dapat mengirim pesan berupa gambar maupun video, yang dikenal dengan layanan MMS (Multimedia Message Service). Citra (image) 1 –istilah lain untuk gambar– sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh data teks, yaitu citra kaya dengan informasi. Ada sebuah peribahasa yang berbunyi “sebuah gambar bermakna lebih dari seribu kata” (a picture is more than a thousand words). Maksudnya tentu sebuah gambar dapat memberikan informasi yang lebih banyak daripada informasi tersebut disajikan dalam bentuk kata-kata (tekstual). Bab pertama ini berisi pembahasan mengenai citra dan pengolahannya. Selain itu, di dalam bab ini dipaparkan pula bidang-bidang yang berkaitan dengan pengolahan citra, seperti grafika komputer dan pengenalan pola. 1 Di dalam buku ini, kata “gambar” dan “citra” digunakan secara bergantian, namun keduanya mengacu pada objek yang sama. Kata “citra” akan lebih banyak digunakan pada materi yang berkaitan dengan konseptual dan teknis, sementara kata “gambar” digunakan jika mengacu pada objek yang dibicarakan dalam kehidupan sehari-hari. D 2 Pengolahan Citra Digital 1.1 Citra Secara harafiah, citra (image) adalah gambar pada bidang dwimatra (dua dimensi). citra seorang gadis model yang bernama Lena, dan gambar di sebelah kanannya adalah citra kapal di sebuah pelabuhan. Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dwimatra. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh oleh alat-alat optik, misalnya mata pada manusia, kamera, pemindai (scanner), dan sebagainya, sehingga bayangan objek yang disebut citra tersebut terekam. Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat [MUR92]: 1. optik berupa foto, 2. analog berupa sinyal video seperti gambar pada monitor televisi, 3. digital yang dapat langsung disimpan pada suatu pita magnetik. Citra yang dimaksudkan di dalam keseluruhan isi buku ini adalah “citra diam” (still images). Citra diam adalah citra tunggal yang tidak bergerak. Gambar 1.1 adalah dua buah citra diam. Untuk selanjutnya, citra diam kita sebut citra saja. (a) Lena (b) Kapal Gambar 1.1 Citra Lena dan citra kapal Citra bergerak (moving images) adalah rangkaian citra diam yang ditampilkan secara beruntun (sekuensial) sehingga memberi kesan pada mata kita sebagai gambar yang bergerak. Setiap citra di dalam rangkaian itu disebut frame. Gambar-gambar yang tampak pada film layar lebar atau televisi pada hakikatnya terdiri atas ratusan sampai ribuan frame Definisi Pengolahan Citra Meskipun sebuah citra kaya informasi, namun seringkali citra yang kita miliki mengalami penurunan mutu (degradasi), misalnya mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur (blurring), dan sebagainya. Tentu saja citra semacam ini menjadi lebih sulit diinterpretasi karena informasi yang disampaikan oleh citra tersebut menjadi berkurang. Agar citra yang mengalami gangguan mudah diinterpretasi (baik oleh manusia maupun mesin), maka citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya lebih baik. Bidang studi yang menyangkut hal ini adalah pengolahan citra (image processing). Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Sebagai contoh, citra burung nuri pada Gambar 1.2 (a) tampak agak gelap, lalu dengan operasi pengolahan citra kontrasnya diperbaiki sehingga menjadi lebih terang dan tajam (b). Umumnya, operasi-operasi pada pengolahan citra diterapkan pada citra bila [JAI89]: 1. perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra, 2. elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur, 3. sebagian citra perlu digabung dengan bagian citra yang lain. Di dalam bidang komputer, sebenarnya ada tiga bidang studi yang berkaitan dengan data citra, namun tujuan ketiganya berbeda, yaitu: 1. Grafika Komputer (computer graphics). 2. Pengolahan Citra (image processing). 3. Pengenalan Pola (pattern recognition/image interpretation). Grafika Komputer bertujuan menghasilkan citra (lebih tepat disebut grafik atau picture) dengan primitif-primitif geometri seperti garis, lingkaran, dan sebagainya. Primitif-primitif geometri tersebut memerlukan data deskriptif untuk melukis elemen-elemen gambar. Contoh data deskriptif adalah koordinat titik, panjang garis, jari-jari lingkaran, tebal garis, warna, dan sebagainya. Grafika komputer memainkan peranan penting dalam visualisasi dan virtual reality. Pengolahan Citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (dalam hal ini komputer). Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain. Jadi, masukannya adalah citra dan keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih baik daripada citra masukan. Termasuk ke dalam bidang ini juga adalah pemampatan citra (image compression).