BAB I

PENDAHULUAN

1.1 Latar Belakang

Pengolahan citra digital merupakan pengolahan dan analisis yang banyak

melibatkan presepsi visual. Citra digital dapat diperoleh secara otomatik dari sistem

penagkapan citra membentuk matrik yang elemen-elemenya menyatakan nilai

intensitas cahaya atau tingkat keabuan suatu piksel ( Fadliansyah, 2007 ).

Pengolahan citra adalah salah satu aplikasi yang dapat mengubah gambar menjadi

suatu informasi ( Marvin Wijaya, 2007 ). Meskipun citra kaya informasi, namun

seringkali citra yang dimiliki mengalami penurunan mutu (degradasi). Seperti

mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur

(bluring) dan sebagainya. Agar citra yang megalami gangguan mulai diinterpensi

(baik manusia maupun mesin) maka citra tersebut perlu dimanipulasi menjadi citra

lain yang kualitasnya lebih baik. Operasi-operasi pada pengolahan citra diterapkan

pada citra bila :

1. Perbaikan atau modifikasi citra perlu dilakukan untuk menigkatkan

kualitas penampakan atau menonjolkan beberapa aspek informasi

yang terkandung dalam citra.

2. Elemen di dalam citra perlu dikelompokkan dan diukur.

3. Sebagian citra perlu digabung dengan bagian citra yang lain.

Pengolahan citra bertujuan untuk memperbaiki kualitas citra agar

mudah diinterpretasi oleh manusia atau mesin (dalam hal ini

computer). Teknik-teknik pengolahan citra mentransformasikan citra

menjadi citra yang lain. Jadi masukannya adalah citra dan keluaranya

juga citra. Namun citra keluaran mempunyai kualitas lebih baik dari

pada masukan (Rinaldi Munir, 2004).

Perbaikan citra, seringkali menggunakan Deteksi Tepi(Edge Detection) untuk

membantu mengenal sebuah citra. Metode edge detection akan mendeteksi semua

edge atau garis-garis yang membentuk obyek gambar atau image dan akan

memperjelas kembali pada bagian-bagian tersebut. Tujuan pendeteksian ini adalah

bagaimana agar obyek di dalam image dapat dikenali dan disederhanakan bentuknya

dari bentuk sebelumnya. Edge atau tepi merupakan representasi dari batas objek

dalam citra. Hal ini merupakan permasalahan mendasar dan penting dalam

pengolahan citra digital. Yang perlu diingat adalah edge memiliki nilai intensitas yang

sangat kontras dibandingkan dengan piksel di sebelahnya (neighborhood). Deteksi

tepi bisa menjadi sebuah filter untuk menghilangkan informasi yang tidak dibutuhkan,

atau lebih sering disebut sebagai noise atau derau. Dengan deteksi tepi, struktur dari

properti atau objek dalam citra tetap dipertahankan.

Pada proses deteksi tepi, kami menggunakan metode Canny Edge Detection

untuk mendeteksi sebuah citra. Metode Canny adalah metode pendeteksian Edge atau

tepi yang dikembangkan Jhon F.Canny pada tahun 1986, yang merupakan algoritma

bertahap untuk mendeteksi tepi pada citra dengan jangkauan atau cakupan area yang

luas. Metode atau algoritma ini mempunyai beberapa tahap langkah kerja yaitu

pertama dengan mengurangi noise pada citra dengan menggunakan Gaussian Filter,

lalu mencari intensitas gradien pada citra , setelah itu baru menelusuri Edge melalui

citra dan hysteresis thresholding yang dilakukan pada citra.

Ditengah era modern, pengenalan identitas seseorang dapat menggunkan

berbagai cara. Identitas dari seseorang, dapat dikenali dari struktur gigi, bentuk

telinga, iris mata seseorang, hingga sidik jari. Salah satu cara yang sedang

dikembangkan yaitu pengenalaan identitas seseorang dari telapak tangan. Pengenalan

telapak tangan mempunyai bobot atau nilai yang cukup signifikan sehingga dalam

perkembangannya, banyak orang yang ingin untuk mengembangkannya.

Dengan menggunakan metode Canny, kita dapat mengetahui identitas seseorang

melalui telapak tangannya. Metode ini, bekerja dengan mendeteksi tepi dan garis dari

telapak tangan yang telah di masukkan.

1.2 Rumusan Masalah

Dari latar belakang yang telah dijelaskan sebelumnya, rumusan masalah yang

dapat diambil adalah

Mengenalkan metode Canny

Bagaimana cara mengidentifikasi seseorang dari telapak tangannya dengan

menggunakan metode Canny

1.3 Batasan Masalah

Sejumlah permasalahan yang dibahas dalam makalah ini akan dibatasi ruang

lingkup pembahasannya yaitu:

Makalah ini lebih mengfokuskan pada perumusan dan penganalisaan metode

Canny dalam melakukan pengenalan telapak tangan seseorang pada program

yang dibuat.

1.4 Tujuan

Tujuan dari makalah ini adalah mengidentifikasi telapak tangan seseorang

dengan metode Canny Edge Detection.

BAB II

LANDASAN TEORI

2.1 Perbaikan Citra

2.1.1Grayscale

Dengan menggunakan tiga buah reseptor manusia dapat membedakan

banyak warna.Warna tricromatic RGB dalam sistem grafis umumnya

menggunakan 3 byte (28)3,atau sekitar 16 juta kode warna. Dikatakan kode

warna dan bukan warna karena manusia tidak dapat membedakan warna

sebanyak itu. Mesin dapat membedakan antara berbagai kode warna, namun

perbedaan tersebut belum tentu dapat menunjukan perbedaan yang dapat

ditangkap oleh mata manusia. Tiap 3 byte pada pixel RGB mencangkup 1

byte pixel untuk tiap warna Red (merah), Green (hijau), Blue (biru)

(Saphiro &Stockman, 2001).

Gambar direpresentasikan sebagai matrik dengan elemen integer

atau pixel. Biasanya pixel tidak disimpan dalam bentuk matrik sederhana,

namun menggunakan data yang lebih rumit. Dan terkadang memudahkan

secara matematis jika kita beranggapan gambar berwarna sebagai matrik

dari vektor tiga dimensi (Pavlidis, 1982).

Bila dibandingkan dengan gambar biasa, gambar grayscale memilki

akurasi yang kurang, hal ini terutama dikarenakan warna dapat membantu

kita dalam membedakan objek dengan lebih baik. Namun untuk beberapa

aplikasi penggunan warna akan meningkatkan pengeluaran, sehingga tidak

diusulkan. Hal ini dikarenakan, tidak hanya karena kamera berwarna yang

harganya lebih mahal, juga disebabkan karena dengan menggunakan warna

maka diperlukan tiga buah digitizer, dan tiga buah frame untuk memasukkan

gambar tersebut. Dan karena dengan menggunakan gambar berwarna maka

diperlukan Pemrosesan yang lebih banyak dalam menginterpretasikan

gambar berwarna dengan sepenuhnya (Davies, 1990).

Sedangkan pada grayscale, tiap warna direpresentasikan oleh 1 bit

Y=(0,11)R + (0,59)G + (0,3)B

Rumus perubahan nilai pixel RGB menjadi grayscale pada OpenCV

pixel, dimana tiap bit dari pixel yang merepresentasikan gambar grayscale

adalah suatu nilai yang menunjukkan nilai intensitas dari gambar yang berada

pada posisi tersebut. Sehingga dapat diproses sebagai entitas tunggal pada

komputer. Tidak seperti gambar RGB, yang merupakan suatu set yang berisi

tiga bit data, maka diperlukan tiga buah angka untuk merepresentasikan

informasi yang ada didalamnya. Sehingga pada gambar grayscale diperlukan

proses komputasi yang lebih sedikit bila bandingkan dengan gambar

berwarna.

Dalam komputasi, suatu citra digital grayscale atau greyscale adalah

suatu citra dimana nilai dari setiap pixel merupakan sample tunggal. Citra

yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu, bervariasi pada

warna hitam pada bagian yang intensitas terlemah dan warna putih pada

intensitas terkuat. Citra grayscale berbeda dengan citra ”hitam-putih”, dimana

pada konteks komputer, citra hitam putih hanya terdiri atas 2 warna saja yaitu

”hitam” dan ”putih” saja.

Pada citra grayscale warna bervariasi antara hitam dan putih, tetapi

variasi warna diantaranya sangat banyak. Citra grayscale seringkali

merupakan perhitungan dari intensitas cahaya pada setiap pixel pada spektrum

elektromagnetik single band .

Citra grayscale disimpan dalam format 8 bit untuk setiap sample pixel,

yang memungkinkan sebanyak 256 intensitas. Format ini sangat membantu

dalam pemrograman karena manupulasi bit yang tidak terlalu banyak. Pada

aplikasi lain seperti pada aplikasi medical imaging dan remote sensing biasa

juga digunakan format 10,12 maupun 16 bit.

Citra grayscale mempunyai kemungkinan warna hitam untuk nilai

minimal dan warna putih untuk nilai maksimal. Banyaknya warna tergantung

pada jumlah bit yang disediakan di memori untuk menampung kebutuhan

warna tersebut. Semakin besar jumlah bit warna yang disediakan di memori,

maka semakin halus gradasi warna yang terbentuk. Contoh:

skala keabuan 2 bit… jumlah kemungkinan 22 = 4 warna

Jadi,, kemungkinan warna 0 (minimal) sampai 4 (maksimal).

2.2.1 Contrans Streching

Contrast stretching ini adalah teknik yang digunakan untuk

mendapatkan citra baru dengan kontrast lebih baik daripada kontrast dari citra

asalnya. Proses contrast stretching termasuk proses perbaikan citra yang

bersifat point processing, yang artinya proses ini hanya tergantung dari nilai

itensitas (gray level) satu pixel, tidak tergantung dari pixel lain yang ada di

sekitarnya. Sesuai kutipan dari Setyo Nugroho yang mendefinisikan constrast

stretching sebagai berikut [2];

“Contrast stretching ini adalah teknik yang digunakan untuk mendapatkan

citra baru dengan kontras yang lebih baik daripada kontras dari citra

asalnya. Proses contrast stretching termasuk proses perbaikan citra yang

bersifat point processing, yang artinya proses ini hanya tergantung dari nilai

intensitas (gray level) satu pixel, tidak tergantung dari pixel lain yang ada di

sekitarnya.Disini diasumsikan bahwa citra memiliki range gray level dari 0

sampai 255.”

Jika sebuah citra yang mempunyai nilai keabuan yang tidak terlalu berbeda

untuk semua titik, dimana titik tergelap dalam citra tidak mencapai hitam

pekat dan titik paling terang dalam citra tidak berwarna putih cemerlang.

Peningkatan kontras maka titik yang cenderung gelap menjadi lebih gelap dan

yang cenderung terang menjadi lebih cemerlang.

Algoritma

x= p[2];

pixel = x/255;

pixel - = 0.5;

pixel *= contrast;

pixel + = 0.5;

pixel * = 255;

if (pixel < 0) pixel = 0;

if (pixel > 255) pixel = 255;

p [2] = (byte) pixel;

Dimana : con = Koefisien penguatan kontras

x = Nilai skala R/G/B yang dipakai sebagai pusat pengontrasan

2.3.1 Metode Canny Edge Detection

Canny merupakan salah satu algoritma deteksi tepi modern. Pada tahun

1986 John Canny mengusulkan tiga kriteria yang menjadi basis pengembangan

filter untuk mengoptimalkan pendeteksian tepi pada citra bernoise (Febriani,

2008). Algoritma deteksi tepi Canny dikenal sebagai algoritma yang optimal

dalam melakukan pendeteksian tepi. Untuk meningkatkan metode-metode yang

telah ada dalam pendeteksian tepi, algoritma deteksi tepi Canny mengikuti

beberapa kriteria (Canny, 1986) sebagai berikut:

a. Good detection. Kriteria ini bertujuan memaksimalkan nilai signal to noise

ratio (SNR) sehingga semua tepi dapat terdeteksi dengan baik atau tidak ada

yang hilang.

b. Good localization. tepi yang terdeteksi berada pada posisi yang sebenarnya,

atau dengan kata lain bahwa jarak antara posisi sebenarnya adalah

seminimum mungkin (idealnya adalah 0).

c. Only one response to a single edge (hanya satu respon untuk sebuah tepi).

Artinya detektor tidak memberikan tepi yang bukan tepi sebenarnya.

Berdasarkan pada kriteria ini Canny berhasil melakukan optimalisasi dari ke 3

kriteria tersebut dan menghasilkan persamaan:

Namun persamaan ini cukup sulit untuk diimplementasikan. Sehingga pada

implementasinya, Canny tetap menggunakan filter Gaussian untuk mereduksi

noise. Fungsi Gaussian dalam satu dimensi dapat direpresentasikan sebagai

berikut:

Proses selanjutnya adalah penghitungan besar gradient dan sudut citra. Gradien dari

suatu citra f (x,y) pada lokasi (x,y) adalah vektor

Biasanya nilai 1=Δ=Δyx, sehingga persamaan di atas menjadi :

Hasil pendeteksian tepi adalah citra tepi g(x,y) yang nilai setiap pixelnya adalah

g(x,y) = G[f (x,y)], sehingga diperoleh:

Untuk menyatakan apakah sebuah citra g(x,y) merupakan citra tepi atau bukan maka

dilakukan dengan pengambangan (thresholding) yang disimbolkan dengan T.

Thresholding digunakan untuk mengubah citra dengan format skala keabuan, yang

mempunyai kemungkinan nilai lebih dari 2 ke citra biner yang memiliki 2 buah nilai

(yaitu 0 dan 1), seperti berikut:

Pengambangan (thresholding) terbagi atas dua jenis, yaitu:

a. Pengambangan Tunggal

Pengambangan tunggal merupakan proses pengambangan yang hanya memiliki

sebuah nilai batas ambang. Fungsi yang digunakan adalah fungsi transformasi

skala keabuan (gray scale transformation/GST). Fungsi GST adalah fungsi yang

memetakan tingkat keabuan input (Ki) ke citra keabuan citra output (Ko).

Fungsi GST untuk pengambangan tunggal yaitu:

atau:

Gambar 2.10 menunjukkan sebuah citra yang telah mengalami pengambangan

tunggal.

Gambar Citra dengan pengambang tunggal

b. Pengambangan Ganda

Memiliki ambang bawah dan ambang atas. Dilakukan untuk menampilkan titik-

titik yang mempunyai rentang nilai skala keabuan tertentu.

Dengan fungsi GST:

Atau

Citra yang telah mengalami pengambangan ganda.

Metode Canny menggunakan pengambangan (thresholding) ganda yang mana terdiri

atas threshold batas bawah (tlow) dan threshold batas atas (thigh).

Dapat disimpulkan bahwa metode deteksi tepi Canny dilakukan dengan langkah-

langkah sebagai berikut:

a. Menghaluskan citra masukan dengan filter Gaussian

b. Mengkalkulasi besar gradien dan sudut citra

c. Mengaplikasikan suppresi nonmaksima pada besaran gradien citra

d. Menggunakan nilai ambang ganda dan analisa keterhubungan untuk mendeteksi

dan menghubungkan antar tepi.

Berikut adalah blok diagram dari algoritma deteksi tepi Canny :

Metode Canny ini terdiri dari beberapa langkah khusus, Metode Canny lebih utama

dalam mendeteksi tepian yang kurang jelas, yang tidak dapat diperoleh dengan

menggunakan metode lain.

2.2 Ektrasi Ciri

Pendekatan statistik mempertimbangkan parameter tekstur, distribusi intensitas pada

piksel-piksel, serta hubungan antar piksel bertetangga. Contoh metode statistik adalah fungsi

autokorelasi, GLCM, Run Length Matrices, dan metode Law.

Dalam mendeteksi citra telapak tangan seseorang, kita menggunakan teknik

GLCM.GLCM adalah matriks yang menggambarkan frekuensi munculnya pasangan dua

piksel dengan intensitas tertentu dalam jarak d dan orientasi arah dengan sudut θ tertentu

dalam citra. Jarak dinyatakan dalam piksel, biasanya 1,2,3 dan seterusnya. Orientasi sudut

dinyatakan dalam derajat, standarnya 0, 45, 90 dan 135.

Definisi GLCM adalah tabulasi dari seberapa sering kombinasi yang berbeda dari nilai

kecerahan piksel (tingkat warna abu-abu) yang terjadi pada sebuah citra.

Berikut adalah contoh citra abu-abu yang akan digunakan sebagai contoh dalam

penghitungan matriks Grey Level Co-occurrence.

Ciri atau fitur statistik GLCM antara lain:

1. Kontras

Perhitungan kontras berkaitan dengan jumlah keberagaman intensitas keabuan dalam citra.

2. Homogenitas

Secara matematis, homogenitas GLCM adalah invers dari kontras GLCM, yaitu keseragaman

intensitas keabuan pada citra.

3. Energi

Energi menyatakan ukuran konsentrasi pasangan dengan intensitas keabuan tertentu

pada matriks.

4. Entropi

Entropi digunakan untuk mengukur keteracakan dari distribusi intensitas.

5. Mean(Rerata)

Mean adalah rata-rata dari suatu sebaran nilai intensitas citra keabuan.

2.1