Seminar Nasional Inovasi dalam Desain dan Teknologi - IDeaTech 2015 ISSN: 2089-1121

ANALISIS DETEKSI TEPI UNTUK MENGIDENTIFIKASI TYPE VELG DI PT.CMWI

Norma Devi Kurniasari1), Muhammad farid2)1) Mahasiswa Program Studi Pascasarjana Teknik Informasi, STTS Surabaya 2) Mahasiswa Program Studi Teknik Informatika, STMIK YadikaABSTRAK

Saat ini mobil merupakan sarana transportasi penting dan semakin meningkat populasinya, hal itu memunculkan kecenderungan untuk memperbesar produksi velg. Variasi type velg muncul dari bentuk spoke seperti oval, jumlah lubang baut, dan diameter lubang hub dll. Seiring dengan kemajuan teknologi, maka memungkinkan untuk mengembangkan aplikasi yang dapat membantu industri otomotif untuk mengenali type velg secara otomatis. Banyak metode aplikasi yang dikembangkan dalam identifikasi citra salah satunya metode template matching, dalam metode template matching ada beberapa metode pengolahan yang sangat mempengaruhi hasil identifikasi salah satunya adalah metode segmentasi. Dalam aplikasi ini metode segmentasi menggunakan threshold global, berdasarkan dari hasil pengujian nilai threshold dengan nilai 50 mempunyai nilai rata-rata keberhasilan 75%, nilai 70 mempunyai nilai keberhasilan 80%, dan nilai 80 mempunyai nilai keberhasilan 90% maka dari itu nilai peresentasi 80 dijadikan nilai threshold untuk identifikasi menggunakan simetri difference berbasis orientasi, simetri difference yaitu mencari selisih dari pengurangan dari dua citra sedangkan yang dimaksud rotasi adalah memutar citra dengan sudut sekali putar 22,7 derajat hal ini untuk mengatasi citra yang berbeda arah dengan pengujian 10 type velg dengan jumlah data uji 100 velg mempunyai nilai kebenaran berkisar 85%-90% waktu yang diperlukan berkisar 78 80 detik.

Kata kunci: Threshold, template matching, rotasi, dan simetri difference

ABSTRACT

Currently, Car is an important of transportation and more increasing population, it led to a tendency to increase the production of wheels . Wheels variety appears from spoke as oval, the number of bolt holes , and the diameter of the hole hubs etc. Along with the advancement of technology, it is possible to develop applications that can help the automotive industry to identify the type of wheels automatically. Many methods developed applications in the identification of one image only method of template matching , the template matching method there are several methods of treatment that greatly affect the identification of one of them is a method of segmentation.In this application segmentation method using a global threshold, based on the results of the testing threshold value with the value of 50 has an average success rate of 75%, the value of 70 has a 80 % success rate, and the value of 80 have a 90% success rate and therefore presented a value of 80 used threshold value for identification using difference -based orientation symmetry, symmetry difference is to look for the difference of subtraction of two images while the intended rotation is rotating the image at an angle of 22.7 degrees swivel so it is to overcome the image of a different direction with the testing of 10 types of wheels with a number test data 100 wheels have truth values ranging from 85 % -90 % of time required range 78-80 seconds.

Keywords: Threshold, template matching, rotation, and symmetry differenceI. PENDAHULUAN

Perkembangan teknologi, terutama di bidang dunia digital, membawa perubahan cukup besar. Salah satunya dengan adanya pengolahan citra digital. Pengolahan citra digital adalah bidang ilmu yang mengembangkan aplikasi pengolahan citra dengan fitur citra. Selain di bidang teknologi, pengolahan citra juga dimanfaatkan sebagai pengenalan pola. Dalam proses pengolahannya, membandingkan citra yang terlebih dahulu akan diubah dalam struktur pola yang kemudian akan membentuk penggambaran pola-pola citra sebaik mungkin, selanjutnya akan digunakan untuk mencocokan citra dengan tujuan mengetahui efisiensi metode pencocokan citranya. Metode yang akan digunakan dalam pengenalan citra struktur pola ini adalah dengan metode sobel. II. TEORI

Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi atau bersifat digital yang dapat langsung disimpan pada suatu media penyimpanan[1].

2.1. CITRA DIGITAL

Citra digital berbentuk persegi 4 dan dimensi ukurannya dinyatakan sebagai lebar x tinggi. Citra yang berukuran N x M lazim dinyatakan dengan matriks yang berukuran N baris dan M kolom sebagai berikut[2].

Gambar 1. Matriks ukuran N x M

Indeks baris (i ) dan indeks kolom (j) menyatakan suatu koordinat titik pada citra, sedangkan f(i , j) merupakan intensitas (derajat keabuan ) pada titik (i , j). Masing-masing elemen pada citra digital (berarti elemen matriks) disebut image element, picture element atau pixel. Jadi 1 pixel citra yang berukuran NxM mempunyai NM buah pixel. Sebagai contoh, misalkan sebuah pixel berukuran 256 x 256 pixel dan direpresentasikan secara numerik dengan matriks yang terdiri dari 256 buah baris (di- indeks dari 0 sampai 255) dan 256 buah kolom (di - indeks dari 0 sampai 255).

2.2. GRAYSCALE

Proses awal yang banyak dilakukan dalam pengolahan citra adalah transformasi citra berwarna ke citra greyscale , dengan tujuan untuk menyederhanakan citra berwarna dari 3 layer matriks yaitu R layer, G layer, dan B layer yang berdasarkan derajat keabuan dengan cara mengambil nilai rata-rata dari nilai R,G, dan B dengan rumus :

2.3. TRESHOLD

Thresholding merupakan salah satu teknik segmentasi yang baik digunakan untuk citra dengan perbedaan nilai intensitas yang signifikan antara latar belakang dan objek utama[3]. Metode thresholding secara umum dibagi menjadi dua, yaitu :1. Thresholding globalThresholding dilakukan dengan mempartisi histogram dengan menggunakan sebuah threshold (batas ambang) global T, yang berlaku untuk seluruh bagian pada citra.2. Thresholding adaptifThesholding dilakukan dengan membagi citra menggunakan beberapa sub citra. Lalu pada setiap sub citra, segmentasi dilakukan dengan menggunakan threshold yang berbeda. Yang menjadi fokus dalam paper ini adalah metode thresholding global. Thresholding diimpelementasikan setelah dilakukan proses perbaikan kontras citra menggunakan fungsi Contrast-limited adaptive histogram equalization (CLAHE). Thresholding dikatakan global jika nilai threshold T hanya bergantung pada f(x,y) , yang melambangkan tingkat keabuan pada titik (x,y) dalam suatu citra.

Gambar 2. Histogram citra

Histogram yang berada pada sisi kiri Gambar mewakili citra f(x,y) yang tersusun atas obyek terang di atas background gelap. Piksel-piksel obyek dan background dikelompokkan menjadi dua mode yang dominan. Cara untuk mengekstraks obyek dari background adalah dengan memilih nilai threshold T yang memisahkan dua mode tersebut. Kemudian untuk sembarang titik (x,y) yang memenuhi f(x,y) > T disebut titik obyek, selain itu disebut titik background. Kesuksesan metode ini bergantung pada seberapa bagus teknik partisi histogram. Citra hasil thresholding dapat didefinisikan sebagaimana PersamaanGambar 3. Persamaan threshold

2.4. BLUR/FILTER

Pelembutan Citra (smoothing) mempunyai tujuan mengurangi noise pada suatu image. Noise-noise tersebut muncul sebagai akibat dari hasil pensamplingan yang tidak bagus. Pixel komponen yang mempunyai noise pada umumnya memiliki frekuensi yang tinggi. Kompoen citra yang berfrekuensi rendah akan diloloskan dan komponen yang mempunyai frekuensi tinggi akan ditahan untuk mengurangi noise menggunakan Filter Median. Karena dengan filter median lebih efektif menghilangkan noise (derau)[4].

2.5. CROPPING

Cropping adalah memotong satu bagian dari citra sehinggga diperoleh citra yang berukuran lebih kecil. Operasi ini pada dasarnya adalah operasi translasi, yaitu menggeser koordinat titik citra. Rumus yang digunakan untuk operasi ini adalah :x = x xL untuk x = xL sampai xRy = y yL untuk y = xT sampai xB(xL,yT) dan (xR,yB), masing-masing adalah koordinat titik pojok kiri atas dan pojok kanan bawah bagian citra yang hendak di-crop untuk menentukan titik tersebut kita dengan mencari titik xmin,ymin,xmax.ymax Ukuran citra berubah menjadih = yB yT dan transformasi baliknya adalah ; x = x + xL untuk x = 0 sampai w-1y = y + xT untuk y = 0 sampai h-1

2.6. DETEKSI TEPI

Tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang mendadak besar dalam jarak yang dekat. Suatu titik (x,y) dikatakan sebagai tepi bila titik tersebut mempunyai perbedaan nilai piksel yang tinggi dengan nilai piksel tetangganya. Gambar 2 menunjukkan salah satu model tepi untuk satu dimensi.

Gambar 4. Persamaan threshold

2.6.1. OPERATOR SOBEL

Misal, suatu pengaturan piksel di sekitar piksel (x,y):

Operator Sobel adalah magnitude dari gradien yang dihitung dengan:

Turunan parsial dihitung dengan:

Dengan konstanta c adalah 2, dalam bentuk kedok (mask), Sx dan Sy dapat dinyatakan sebagai:

Arah tepi dihitung dengan persamaan:

2.6.2. OPERATOR ROBERTS

Operator Roberts sering disebut juga operator silang. Gradien Roberts dalam arah-x dan arah-y dihitung dengan persamaan berikut dan ditunjukkan pada gambar 2:

Gambar 5. Operator Roberts (operator silang)

Dalam bentuk mask konvolusi, operator Roberts adalah:

2.6.3. OPERATOR PREWITT

Persamaan gradien pada operator Prewitt sama seperti operator Sobel, tetapi menggunakan nilai konstanta c = 1

2.6. IDENTIFIKASI BERBASIS ROTASI

Identifikasi merupakan proses pengenalan suatu objek dengan menggunakan berbagai metode. Teknik identifikasi adalah salah satu teknik dalam pengolahan citra digital yang berfungsi untuk mencocokkan tiap-tiap bagian dari suatu citra dengan citra yang menjadi acuan (template). Metode yang digunakan adalah difference Semetri difference adalah selisih dari dari pengurangan suatu 2 himpunan

A B = (A B) (A B)

Disini adalah hasil pengurangan dari matrik citra acuan dengan citra matrik yang diuji dari selisih tersebut peneliti dapat membuat acuan untuk identifikasi.

III. HASIL PENGUJIAN DAN PEMBAHASAN A. TEKNIK CITRA ACUAN

Sebelum citra di identifikasi kita harus membuat citra acuan yang nantinya akan dibandikan dengan citra yang akan di uji sebelum citra disimpan, citra terlebih dahulu diolah dan di ektrasi. Dalam proses ini, pembuatan sample yang melalui beberapa tahap yaitu proses pengambilan citra atau akuisisi citra dan pengolahan citra yang terdidri dri tahap proses grey scale, threshold, blur, threshold hasil blur, dan croping dan dilakukan ektraksi citra menggunakan edge sobel, lalu disimpan ke dalam folder.

B. IDENTIFIKASI CITRA

Proses identifikasi menggunakan metode simetri difference dengan menggunakan nilai ratio 30% berdasarkan pengujian nilai ratio 30 % mampu mengidentifikasi dengan baik selain itu ada proses rotasi agar bisa mendeteksi citra dengan posisi yang berbeda, dibawah ini adalah gambar form proses identifikasi.

Gambar 6. Form pembuatan identifikasi citra

Pengolahan identifikasi citra ini menggunakan metode simetri difference atau disebut juga selisih dari hasil pengurangan 2 himpunan matrik citra sistem akan mengidentifikasi citra jika rasio simetri difference dibawah 30% jika citra tidak terdeteksi dengan citra acuan yang ditampilkan maka citra uji diputar dengan sudut 22,5 lalu dihitung lagi hasil simetri difference jika masih tidak memenuhi maka citra di putar lagi hingga mencapai total sudut putar 180 jika masih belum memenuhi maka citra acun diganti sampai sampai citra acuan terakhir, jika masih belum memenuhi maka citra tidak terdeteksi.

1. Hasil Pengujian Pemilihan Nilai Rasio Simetri Difference

Pengujian dari pemilihan nilai ratio simetri difference bertujuan untuk menjadikan nilai acuan sehingga hasil identifikasi bisa maksimal tabel 4.1 menunjukkan hasil dari treshold dengan nilai 20%, 25%, 30% dengan citra acuan 10 type velg dan citra uji sebanyak 100 type velg.

Tabel 3.1. Tabel Pengaruh Nilai Ratio Terhadap Keberhasilan MengidentifikasiType VelgHasil Keakurasian Identifikasi

Ratio 20%Ratio 25%Ratio 30%

AQR70%80%90%

AFF60%75%95%

AQR65%80%90%

ASD70%70%95%

APV60%80%95%

AJJ65%75%95%

AQZ70%80%90%

AFX60%70%95%

APF65%75%90%

AKH70%75%90%

Dari tabel uji coba tersebut nilai kebenaran yang menggunakan nilai ratio simetri difference 30% mempunyai nilai kesuksesan identifikasi sekitar 90% - 95% sehingga penulis menggunakan nilai ratio 30% sebagai acuan untuk semua identifikasi citra akan tetapi keberhasilan identifikasi tidak hanya bergantung dari nilai ratio, keberhasilan identifikasi dipengaruhi juga dari kualitas pengolahan citra yang baik.

2. Hasil Pengujian Waktu Yang Diperlukan Untuk Identifikasi

Waktu yang diperlukan untuk memproses identifikasi citra perlu diperhatika untuk mengetahui kefektifan suatu system, tabel 4.2 menunjukkan waktu yang diperlukan untuk identifikasi citra dari 10 citra type velg.

Tabel 4.2. pengujian waktu yang diperlukan untuk proses identifikasiType VelgHasil Keakurasian Identifikasi

Ratio 20%Ratio 25%Ratio 30%

AQR70%80%90%

AFF60%75%95%

AQR65%80%90%

ASD70%70%95%

APV60%80%95%

AJJ65%75%95%

AQZ70%80%90%

AFX60%70%95%

APF65%75%90%

AKH70%75%90%

Dari hasil tabel 4.2. waktu yang diperlukan untuk identifikasi 1 citra dengan 1 citra acuan dengan rotasi penuh berkisar 78.4 79.5 detik

Type VelgHasil Keakurasian Identifikasi

Ratio 20%Ratio 25%Ratio 30%

AQR70%80%90%

AFF60%75%95%

AQR65%80%90%

ASD70%70%95%

APV60%80%95%

AJJ65%75%95%

AQZ70%80%90%

AFX60%70%95%

APF65%75%90%

AKH70%75%90%

dengan waktu tersebut terlalu lama jika kita mngecek satu per satu dari citra acuan maka dari itu perlunya klasifiksi citra acuan yang berdasarkan dari selisih panjang dan lebar citra terhadap citra yang di ujikan akan tetapi klasifikasi ini sangat dipengaruhi dari kualitas autocropping sedangkan autocroping sangat dipengaruhi dari kualitas pengolahan citra tersebut.

VI. PENUTUP

Di paper ini dapat ditarik kesimpulan bahwa algoritma simetri diffrence berbasis oriented dengan nilai ratio 30% dapat mengidentifikasi dengan akurasi kebenaran 90% - 95%, waktu yang diperlukan untuk mengidentifikasi 1 citra uji dengan 1 citra acuan rata-rata 79,5 detik.

V. DAFTAR PUSTAKA

1. Wibawa Wahyu Saputra, Sari Juni Nurma, Ananda. Perancangan Dan Pembuatan Aplikasi Untuk Mendeteksi Uang Logam Dengan Metode Euclidean. Jurnal Teknik Informatika Vol. 1Politeknik Caltex Riau. 2012.1. Rinaldi, Munir. Pengolahan Citra Digital Dengan Pendekatan Algoritmik, Bandung: Informatika. 2004.1. Basuki Ahmad, F joshua, Fathurrohman Palandi. Pengolahan Citra Digital Menggunakan Visual Basic, Surabaya: Gramedia. 2004.1. Rahman Mohamad Aditya, Ir. Wasista Sigit, M.Kom, Sistem Pengenalan Wajah Menggunakan Webcam Untuk Absensi Dengan Metode Template Matching, Politeknik Elektronika Negeri Surabaya Kampus PENS-ITS Sukolilo, Surabaya. 20127