BAB II

TINJAUAN PUSTAKA

2.1 Digital Image Processing

Image processing adalah suatu metode yang digunakan untuk memproses
atau memanipulasi gambar dalam bentuk 2 dimensi image processing dapat juga
dikatakan segala operasi untuk memperbaiki, menganalisa, atau mengubah suatu
gambar (Gonzalez, 2002).
Konsep dasar pemrosesan suatu objek pada gambar menggunakan
pengolahan citra diambil dari kemampuan indera penglihatan manusia yang
selanjutnya dihubungkan dengan kemampuan otak manusia. Dalam sejarahnya,
pengolahan citra telah diaplikasikan dalam berbagai bentuk, dengan tingkat
kesuksesan cukup besar. Seperti berbagai cabang ilmu lainnya, pengolahan citra
menyangkut pula berbagai gabungan cabang-cabang ilmu, diantaranya adalah
optik, elektronik, matematika, fotografi, dan teknologi komputer (Gonzalez,
2002).
Pada umumnya, objektifitas dari pengolahan citra adalah mentransformasi
atau menganalisis suatu gambar sehingga informasi baru tentang gambar dibuat
lebih jelas. Ada empat klasifikasi dasar dalam pengolahan citra yaitu point, area,
geometric, dan frame (Gonzalez, 2002).
a. Point memproses nilai pixel suatu gambar berdasarkan nilai atau posisi dari
pixel tersebut. Contoh dari proses point adalah adding, substracting, contrast
stretching dan lainnya.
b. Area memproses nilai pixel suatu gambar berdasarkan nilai pixel tersebut
beserta nilai pixel sekelilingnya. Contoh dari proses area adalah convolution,
dan blurring.
c. Geometric digunakan untuk mengubah posisi dari pixel. Contoh dari proses
geometric adalah scaling, rotation, dan mirroring.

II-1
d. Frame memproses nilai pixel suatu gambar berdasarkan operasi dari 2 buah
gambar atau lebih. Contoh dari proses frame adalah addition, substraction, dan
and/or.
Selain itu masih ada 3 tipe pengolahan citra yaitu:
a. Low-level process: proses-proses yang berhubungan dengan operasi primitif
seperti image pre-processing untuk mengurangi noise, menambah kontras dan
menajamkan gambar. Pada low-level process, input dan output - nya berupa
gambar.
b. Mid-level process: proses-proses yang berhubungan dengan tugas-tugas seperti
segmentasi gambar (membagi gambar menjadi objek-objek), pengenalan
(recognition) suatu objek individu. Pada mid-level process, input pada
umumnya berupa gambar tetapi output-nya berupa atribut yang dihasilkan dari
proses yang dilakukan gambar tersebut seperti garis, garis contour, dan objek-
objek individu.
c. High-level process: proses-proses yang berhubungan dengan hasil dari mid-
level process (Gonzalez, 2002).

2.2 Pengolahan Citra Digital

Pengolahan citra digital merupakan sebuah teknologi visual yang digunakan
untuk mengamati dan menganalisis suatu objek tanpa berhubungan langsung
dengan objek yang diamati tersebut. Teknologi ini dapat digunakan untuk
mengevaluasi mutu suatu produk tanpa merusak produk itu sendiri atau dikenal
dengan istilah non-destructive evaluation (NDE) (Suhandy, 2003).
Proses pengolahan citra digital dan analisanya, banyak menggunakan
persepsi visual. Data masukan dan keluaran yang dihsilkan oleh proses ini adalah
dalam bentuk citra. Citra yang digunakan adalah citra digital, karena citra jenis ini
dapat diproses oleh komputer digital. Citra digital diperoleh secara otomatis dari
sistem penangkapan citra digital dan membentuk suatu matriks yang menyatakan
intensitas cahaya pada suatu himpunan diskrit dari suatu titik atau citra masukan
diperoleh melalui suatu kamera yang didalamnya terdapat suatu alat digitasi yang
mengubah citra masukan berbentuk analog menjadi citra digital (Suhandy, 2003).

II-2
 Alat digitasi ini dapat berupa penjelajahan silod-state yang menggunakan
matriks sel yang sensitif terhadap cahaya yang masuk, dimana citra yang direkam
maupun sensor yang digunakan mempunyai kedudukan atau posisi yang tetap
alat masukan citra yang umum digunakan adalah kamera dimana sensor citra dari
alat ini menghasilkan keluaran berupa citra analog sehingga dibutuhkan proses
digitasi dengan menggunakan alat digitasi seperti yang telah disebutkan diatas.
Komponen utama dari perangkat keras pengolahan citra secara digital adalah
komputer dan alat peraga. Komputer tersebut bisa dari jenis komputer multiguna
khusus yang dirancang untuk pengolahan citra digital. Pengolahan citra pada
umumnya dilakukan dari pixel yang sifatnya paralel pipe lined (Suhandy, 2003).

2.3 Elemen Sistem Pemrosesan Citra Digital

Gambar 2.1. Grafik komputer dan pengolahan citra

(Sumber: Suhandy, 2003)

1. Digitizer (Digital Acqusition Sistem), sistem penamgkap citra digital yang

melakukan penjelajahan citra dan mengkonversinya ke representasi numerik
sebagai masukan bagi komputer digital. Hasil dari digitizer adalah matriks yang
elemen-elemennya menyatakan nilai intensitas cahaya pada suatu titik. Digitizer
terdiri dari 3 komponen dasar yaitu :
a. Sensor citra yang bekerja sebagai pengukur intensitas cahaya
b. Perangkat penjelajah yang berfungsi merekam hasil pengukuran intensitas
pada seluruh bagian citra
c. Pengubah analog ke digital yang berfungsi melakukan sampling dan
kuantisasi.

II-3
2. Komputer digital, digunakan pada sistem pemroses citra, mampu melakukan
berbagai fungsi pada citra digital resolusi tinggi.
3. Piranti tampilan, peraga berfungsi mengkonversi matriks intensitas tinggi
merepresentasikan citra ke tampilan yang dapat diinterpretasi oleh manusia.
4. Media penyimpanan, piranti yang mempunyai kapasitas memori besar
sehingga gambar dapat disimpan secara permanen agar dapat diproses lagi
pada waktu yang lain (Gunadarma, 2006).

2.4 Elemen Dasar Citra Digital.

Ada beberapa elemen dasar citra digital diantaranya:
1. Kecerahan (Brightness)
Kecerahan intensitas cahaya rata-rata dari suatu area yang melingkupinya.
2. Kontras (Contrast). Kontras sebaran terang (lightness) dan gelap (darkness) di
dalam sebuah citra. Citra dengan kontras rendah komposisi citranya sebagian
besar terang atau sebagian besar gelap. Citra dengan kontras yang baik,
komposisi gelap dan terangnya, tersebar merata.
3. Kontur (Contour) merupakan keadaan yang ditimbulkan oleh perubahan
intensitas pada pixel-pixel tetangga, sehingga kita dapat mendeteksi tepi objek
di dalam citra.
4. Warna (Color) adalah persepsi yang dirasakan oleh sistem visual manusia
terhadap panjang gelombang cahaya yang dipantulkan oleh objek. Warna-
warna yang dapat ditangkap oleh mata manusia merupakan kombinasi cahaya
dengan panjang berbeda. Kombinasi yang memberikan rentang warna paling
lebar adalah red (R), green (G) dan blue (B) (Gunadarma, 2006).
5. Bentuk (Shape) adalah properti intrinsik dari objek tiga dimensi, dengan
pengertian bahwa bentuk merupakan properti intrinsik utama untuk visual
manusia. Umumnya citra yang dibentuk oleh manusia merupakan 2D,
sedangkan objek yang dilihat adalah 3D.
6. Tekstur (Texture) adalah distribusi spasial dari derajat keabuan di dalam
sekumpulan pixel-pixel yang bertetangga (Gunadarma, 2006).

II-4
2.5 Pembentukan citra
Citra ada dua macam diantaranya:
1. Citra Kontinu. Dihasilkan dari sistem optik yang menerima sinyal analog.
Contoh : mata manusia, kamera analog
2. Citra diskrit atau citra digital. Dihasilkan melalui proses digitalisasi terhadap
citra kontinu. Contoh : kamera digital, scanner (Gunadarma, 2006).

2.6 Tujuan Pengolahan Citra

1. Dapat memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau
komputer. Teknik pengolahan citra dengan mentrasfor-memastikan citra
menjadi citra lain, contoh pemanfaatan citra (image compression). Pengolahan
citra merupakan proses awal (preprocessing) dari komputer visi.
2. Pengenalan pola (pattern recognition) adalah Pengelompokkan data numerik
dan simbolik (termasuk citra) secara otomatis oleh komputer agar suatu objek
dalam citra dapat dikenali dan diinterpreasi. Pengenalan pola adalah tahapan
selanjutnya atau analisis dari pengolahan citra (Idhawati, 2007).

2.7 Citra WarnaaIIII

Model pengolahan warna telah banyak dikembangkan oleh para ahli, salah
satu adalah model RGB. Model warna RGB menggunakan dasar tiga buah warna
pokok yaitu Red (merah), Green (hijau), Blue (biru). Suatu citra warna yang
disimpan dalam memori 8-bit, setiap pikselnyaakan mengandung informasi
intensitas tiga buah warna tersebut (R, G, dan B) dengan selang nilai 0-255
(Idhawati, 2007).
Dalam model warna RGB, intensitas warna setiap piksel pada suatu citra
dapat diubah dalam bentuk indeks warna, yaitu indeks warna merah (r), indeks
warna hijau (h) dan indeks warna biru (b). Proses ini dinamakan normalisasi,
dengan cara perhitungan seperti pada rumus dibawah ini:
Dimana:
R, G, B = nilai intensitas warna merah, hijau dan birur,
T, g, b = indeks warna merah, hijau dan biru

II-5
 Model pengolahan warna yang lain adalah model wrna HIS. Model warna
ini menggunakan dasar nilai Hue (corak), saturation (kejenuhan), dan intensity
(kecerahan). Modelini dianggap sebagai cara sebenarnya manusia memandang
suatu warna, yang biasanya melakukan penilaia warna secara kualitatif (Idhawati,
2007).

2.8 Gray Level

Gray-level adalah tingkat warna abu-abu dari sebuah pixel, dapat juga
dikatakan tingkat cahaya dari sebuah pixel. Maksudnya nilai yang terkandung
dalam pixel menunjukan tingkat terangnya pixel tersebut dari hitam ke putih
(Idhawati, 2007).
Biasanya ditetapkan nilainya antara 0 hingga 255 (untuk 256-graylevel),
dengan 0 adalah hitam dan 255 adalah putih. Karena hanya terbatas 1 byte saja
maka untuk mempresentasikan nilai pixel cukup 8 bit saja. Grayscale adalah
gambar yang memiliki gray-level sebagai nilai dari tiap pixel-nya. Oleh karena itu
gambar digital dapat diwakili oleh format warna RGB (Red-Green-Blue) untuk
setiap titiknya, di mana setiap komponen warna memiliki batasan sebesar 1 byte.
Jadi untuk masing-masing komponen R, G, dan B mempunyai variasi dari 0
sampai 255. Total variasi yang dapat dihasilkan untuk sistem dengan format
warna RGB adalah 256 x 256 x 256 atau 16.777.216 jenis warna. Karena setiap
komponen warna memiliki batasan sebesar 1 byte atau 8 bit, maka total untuk
mempresentasikan warna RGB adalah 8+8+8 = 24 bit (Gonzalez, 2002).

2.9 Analisis Citra

Analisa citra adalah kegiatan menganalisis citra sehingga menghasilkan
informasi untuk menetapkan keputusan (biasanya didampingi bidang ilmu
kecerdasan buatan/AI yaitu pengenalan pola (pattern recognition) menggunakan
jaringan syaraf tiruan, logika fuzzy, dan lain-lain). Dalam ilmu komputer
sebenarnya ada 3 bidang studi yang berkaitan dengan citra, tapi tujuan ketiganya
berbeda, yaitu :
1. Grafika komputer

II-6
 Gambar 2.2. Grafik komputer
(Sumber: Gonzalez, 2002)

Grafika komputer adalah proses untuk menciptakan suatu gambar

berdasarkan deskripsi objek maupun latar belakang yang terkandung pada gambar
tersebut. Merupakan teknik untuk membuat gambar objek sesuai dengan objek
tersebut di alam nyata (realism). Bertujuan menghasilkan gambar/citra (lebih tepat
disebut grafik atau picture) dengan primitif-primitif geometri seperti garis,
lingkaran, tersebut (Gonzalez, 2002).
Primitif-primitif geometri tersebut memerlukan data deskriptif untuk
melukis elemen-elemen gambar. Data deskriptif : koordinat titik, panjang garis,
jari-jari lingkaran, tebal garis, warna, dan sebagainya. Grafika komputer berperan
dalam visualisasi dan virtual reality (Idhawati, 2007).
2. Pengolahan Citra

Gambar: 2.3. Pegolahan Citra

(Sumber: Idhawati, 2007)

Pengolahan citra yaitu perbaikan atau memodifikasi citra dilakukan untuk

meningkatkan kualitas penampakan citra atau menonjolkan beberapa aspek
informasi yang terkandung dalam citra (image enhancement) contoh : perbaikan
kontras gelap atau terang, perbaikan tepian objek, penajaman, pemberian warna
semu, dan lain-lain. Adanya cacat pada citra sehingga perlu dihilangkan atau
diminimumkan (image restoration) contoh penghilangan kesamaran (debluring),
citra tampak kabur karena pengaturan fokus lensa tidak tepat atau kamera goyang,
penghilangan noise (Idhawati, 2007).

II-7
 Elemen dalam citra perlu dikelompokkan, dicocokan atau diukur (image
segmentation) Operasi ini berkaitan erat dengan pengenalan pola. Diperlukannya
ekstraksi ciri-ciri tertentu yang dimiliki citra untuk membantu dalam
pengidentifikasian objek (image analysis). Proses segementasi kadangkala
diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya. Contoh :
pendeteksian tepi objek. Sebagian citra perlu digabung dengan bagian citra yang
lain (image reconstruction) contoh, beberapa foto rontgen digunakan untuk
membentuk ulang gambar organ tubuh. Citra perlu dimampatkan (image
compression) contoh, suatu file citra berbentuk BMP berukuran 258 KB
dimanfaatkan dengan metode jpeg menjadi berukuran 49 KB. Menyembunyikan
data rahasia (berupa teks/citra) pada citra sehingga keberadaan data rahasia
tersebut tidak diketahui orang (steganografi dan watermarking) (Idhawati, 2007).
3. Pengenalan Pola

Gambar 2.4. Pengenalan pola

(Sumber: Idhawati, 2007)

Pengenalan pola adalah mengelompokkan data numerik dan simbolik

(termasuk citra) secara otomatis oleh mesin (komputer). Tujuan pengelompokkan
adalah untuk mengenali suatu objek di dalam citra. Manusia bisa mengenali objek
yang dilihatnya karena otak manusia telah belajar mengklasifikasi objek-objek di
alam sehingga mampu membedakan suatu objek dengan objek lainnya (Idhawati,
2007).
Kemampuan sistem visual manusia yang dicoba ditiru oleh mesin.
Komputer menerima masukan berupa citra objek yang akan diidentifikasi,
memproses citra tersebut dan memberikan keluaran berupa informasi atau
deskripsi objek di dalam citra.

II-8
2.10 Histrogram
Histogram adalah grafik yang menunjukkan distribusi dari intensitas sebuah
gambar Histogram dari sebuah gambar digital berupa sebuah fungsi ℎ r =nk,
dimana rk adalah nilai warna ke-k dan nk adalah jumlah pixel dalam gambar yang
memiliki nilai tersebut. Pada gray-level, rk adalah tingkat gray-level ke-k. K =
0, 1, 2, …, L-1. L adalah batas maksimum nilai (Gonzalez, 2002).
Normalisasi dari histogram adalah dengan membagi tiap nilai nk dengan
total pixel dari gambar, p (rk) = nk/n. Jumlah total nilai ( p (rk) ) dari
normalisasi histogram adalah 1. Sumbu pada harizontal menujukan nilai gray
level sedangkan sumbu vertikal menunjukan nilai jumlah piksel gray level
tersebut h(rk) = nk/MN jika nilainya dinormalkan. Bahwa citra yang gelap
histrogramnya cenderung ke kiri (intensitas gray levelnya rendah), citra terang
cenderung kekanan (intensitas gray levelnya tinggi), untuk low contrast agak
cenderung menjahui terang dan gelap, untuk high contrast histrogram merata pada
semua gray level. Fungsi yang digunakan dalam matlab untuk menampilkan
histrogram sebuah citra adalah: h = imhist (f, b). Di mana h merupakan histrogram
dari citra, f merupakan variabel citra dan b adalah jmlah bins yang digunakan
dalam membentuk histrogram. Jika tidak disebutkan maka matlab akan
menggunakan nilai default, yaitu b=256 pada citra 8 bit. Contoh kode program
histrogram yaitu (Prasetyo,2011).
i = imread (‘[Link]’);
i=rgb2gray(i);
x=imadjust (i, [],[],0.2);
figure,imshow(x);
figure, imhist (x);

II-9
 Gambar 2.5. Histogram

Manipulasi dari histogram dapat digunakan secara efektif untuk image

enhancement (peningkatan kualitas dari gambar). Selain itu juga berguna untuk
aplikasi pengolahan citra lainnya seperti segmentasi, kompresi, dan lain-lain.
Histogram juga mudah untuk dikalkulasikan dalam software. Hal tersebut
membuat histogram menjadi sebuah tool yang populer untuk real-time image
processing.
Ada 3 macam histogram processing :
a. Histogram equalization bertujuan untuk mengubah intensitas suatu gambar
menjadi sebuah gambar dengan nilai histogram yang relatif sama di setiap
levelnya. Nama lain histogram equalization adalah histogram linearization.
b. Histogram matching (specification) adalah hampir sama dengan histogram
equalization, hanya saja pada histogram matching, dapat ditentukan sendiri
bentuk dari histogram yang akan dihasilkan. Histogram equalization dan
histogram matching dilakukan pada seluruh bagian dari gambar.
c. Local enhancement merupakan proses histogram equalization atau histogram
matching yang dilakukan pada bagian atau daerah kecil pada gambar
(Gonzalez, 2002).

II-10
2.11 Grayscaling
Grayscaling adalah proses perubahan nilai pixel dari warna (RGB) menjadi
gray-level. Pada dasarnya proses ini dilakukan dengan meratakan nilai pixel dari
3 nilai rgb menjadi 1 nilai. Untuk memperoleh hasil yang lebih baik, nilai pixel
tidak langsung dibagi menjadi 3 melainkan terdapat persentasi dari masing-
masing nilai.
Salah satu persentasi yang sering digunakan adalah 29,9% dari warna merah
(Red), 58,7% dari warna hijau (Green), dan 11,4% dari warna biru (Blue). Nilai
pixel didapat dari jumlah persentasi 3 nilai tersebut (Gonzalez, 2002).

Gambar 2.6. Proses pengubahan citra RGB ke dalam citra grayscale

(Sumber: Idhawati, 2007)

2.12. Morfologi citra Grayscale

Perluasan morfologi di citra grayscale dalam hal ini adalah operasi dasar
dilasi, erosi, opening dan closing. Operasi-operasi ini digunakan untuk
mengembangkan bebera algoritma morfologi grayscale dasar. Juga dikembangkan
algoritma untuk boundary extraction lewat operasi gradien morfologi, dan region
partition berdasarkan texstur content.
Konvensi yang digunakan adalah fungsi citra digital dalam bentuk f(x,y)
dan b(x,y), di mana f(x,y) adalah citra input dan b(x,y) adalah strel yang
merupakan fungsi sub-imgae. Asumsinya adalah bahwa fungsi-fungsi ini diskrit.
Z menyertakan himpunan real integer, asumsi bahwa (x,y) adalah integer dari ZxZ
sedangkan f dan b adalah fungsi yang memberi nilai gray-level (angka real, dari

II-11
jumlah angka real, R) untuk setiap pasangan kordinat (x,y) yang berbeda. Jika
gray level juga integer, Z menggantikan R (Prasetyo, 2011).

2.13. Algoritma-algoritma dengan dasar Morfologi citra Grayscale

2.13.1. marfologi penghalusan (smoothing)
Karena opening menekan detail terang yang lebih kecil dari pada strel yang
ditetapkan, dan closing menekan datail gelap, keduanya sering digunakan secara
kombinasi sebagai morphological filters untuk penghalusan citra dan
menghilangkan noise. Objek yang terang dan beasr itu adalah objek dan
komponen kecil dan terang adalah noise. Tujuannya adalah untuk menghilangkan
noise. Dalam hal ini strel yang digunakan sebaiknya disk (Prasetyo, 2011).

2.13.2 Marfologi Gradien

Dilasi dan erosi digunakan dalam kombinasi dengan pengurangan citra
untuk mendapatkan morfologi gradien citra, dinyatakan dengan g, difinisikan
dengan: g = (f 0 b) – (f 0 b)
Dilasi akan menebalkan region dalam citra dan erosi menipiskannya.
Perbedaan keduanya mempertebal boundary antara-region. Daerah homogenous
tidak dipengaruhi (sepanjang strel relatif kecil) sehinga operasi pengurangan
cenderung menghilangkannya. Hasilnya adalah citra dengan tepi yang enhance
dan kontribusi daerah homogenous ditekan, maka menghasilkan efek derivative-
like (gradien) (Prasetyo, 2011).

2.13.3 Transformaasi Top-Hat dan Bottom-Hat

Mengombinasikan pengukuran citra dengan opening dan closing akan
menghasilkan transformasi Top-Hat dan Bottom-Hat. Transformasi top-hat citra
grayscale f didefinisikan sebagai f dikurangi hasil opening:
That(f) = f-(f 0 b)
Sedangkan transformasi bottom-hat didefinisikan sebagai closing f dikurang
dengan f:
Bhat(f) = (f ∙ b ) − f

II-12
 Satu aplikasi pokok ini dari transformasi ini adalah menghilangkan objek
dari citra dengan menggunakan strel dalam operasi opening dan closing di mana
objek tidak boleh dilepaskan. Perbedaan kedua operasi adalah citra di mana hanya
terdapat sisa dari komponen yang dibuang. Transformasi top-hat digunakan untuk
objek terang pada background gelap, sedangkan transformasi bottom-hat
digunakan untuk objek gelap pada background terang. Untuk alasan ini, nama
white top-hat dan black top-hat sering digunakan mereferensikan pada kedua
transformasi ini (Prasetyo, 2011).
Penggunaan penting dari transformasi top-hat adalah memperbaiki efek
ilumination yang tidak uniform, karena ilumination yang baik (uniform)
mamainkan peran penting dalam proses pengekstrakan objek dari backgrond.
Proses ini yang disebut dengan segmentasi, yaitu satu dari langkah awal yang
dilakukan dalam analisis citra otomatis. Umumnya digunakan pendekatan
segmentasi untuk threshold citra input (Prasetyo, 2011).

2.14 Rekontruksi Marfologi Citra Biner

Rekontruksi adalah tranformasi marfologi yang melibatkan dua citra dan
sebuah strel (sebenarnya adalah sebuah citra dan sebuah strel). Citra yang satu
adalah marker, adalah starting point untuk transformasi. Citra yang lain adalah
mask, yang merupakan constrain transformasi. Strel yang digunakan untuk
mendifinisikan konektivitas. Dalam sub-sub ini yang digunakan adalah 8-
connectivity (default), yang mengimplikasikan bahwa B adalah matriks 3x3
bernilai 1, dengan pusat yang difinisikan di koordinat (2,2). Jika g adalah mask
dan f adalah marker, rekonstruksi g dari f, dinyatakan Rg (f), didefinisikan dengan
prosedur iteratif berikut (Prasetyo, 2011).
a. Inisialisasi h 1 menjadi marker citra f.
b. Buat strel B = ones (3)
c. Ulangi
Hk+1 = (hk  B) ∩
Sampai hk+1 = hk
marker f harus menjadi bagian dari g; maka f⫃ .

II-13
 Algoritma ini berjalan dengan lebih cepat meskipun menggunakan formasi
iteratif. Fungsi yang digunakan untuk melakukan “fast hybrid reconstruction”
[Vincent, 1993] adalah imreconstruct dengan sintaks:
out = imreconstruct(marker, mask)
strel yang digunakan adalah square dengan ukuran 3 piksel. Untuk membuat
marker dilakukan dengan membuat sebuah citra dengan ukuran yang sama dengan
mask, dan bernilai 0 semua kecuali pada koordinat yang menjadi starting point
deberi nilai 1 (Prasetyo, 2011).

2.14.1 Opening dengan Rekontruksi

Dalam morfologi opening, erosi biasanya menghilangkan objek kecil. Dilasi
cenderung mengembalikan bentuk objek yang tersisa. Bagaimanapun akurasi dari
restorasi ini tergantung kesamaan antara bentuk objek dengan strel. Metode
opening by reconstruction secara pasti mengembalikan bentuk objek yang tersisa
setelah erosi. Opening dengna rekontruksi f, menggunakan B, didefinissikan
sebagai R1(f ) (Prasetyo, 2011).

2.14.2 Filling Holes

Rekontruksi morfologi mempunyai spektum yang luas dalam aplikasi
praktek. Setiap aplikasi ditentukan oleh pemilihan marker dan mask citra.
Misalnya, andaikan dipilih marker citra Fm, yang dilakukan adalah menjadikan 0
di setiap tempat kecuali border citra, di mana posisi tersebut diset menjadi 1-f:
1− ( , )
Fm (x,y) = jika (x,y) adalah border f lainya (1)
2
Maka g = [Rcf (fm)]c mempunya efek pengisian lubang dalam f. Fungsi yang
digunakan untuk melakukan komputasi pengisian lubang adalah fungsi imfill
dengan optimal argument “holes” yang digunakan g=imfill(f, holes)
Contoh sintks di bawah ini adalah efek pengisian lubang pada citra biner
mengunakan fungsi imfill (Prasetyo, 2011).
>> i = imread (‘[Link]);
>> figure, imshow (i);

II-14
>> j = imfill(i, ‘holes’);
>> figure, imshow(j);

2.14.3 Membersikan Border Objek

Aplikasi rekontruksi lain yang berguna adalah menghilangkan objek yang
menyetuh border citra. Kunci dalam aplikasi ini adalah memilih merker dan mask
citra yang tepat untuk mendapatkan efek yang diharapkan. Dalam kasus ini
digunakan citra sebagai mask dan marker citra Fm, didefinisikan sebagai berikut:
,
Fm (x,)= jika (x,y) adalah border f lainya. (2)
0
Fungsi yang digunakan untuk melakukan prosedur ini secara otomatis
adalah fungsi imclearborder dengan sintks:
g = imclearborder (f, conn)
di mana f adalah citar input dan g adalah hasilnya. Nilai untuk conn dapat diberi
nilai 4 atau 8 (defult). Fungsi ini menekan struktur yang lebih terang dari pada
sekitarnya dan yang cenderung ke citra. Input f boleh citra grayscale atau biner.
Citra output adalah citra grayscale atau biner sesuai dengan inputnya (Prasetyo,
2011).

2.15 Thresholding
Thresholding ini di contohkan pada sebuah gambar, f(x,y) tersusun dari
objek yang terang pada sebuah background yang gelap Gray-level milik objek
dan milik background terkumpul menjadi 2 grup yang dominan. Salah satu cara
untuk mengambil objek dari backgroundnya adalah dengan memilih sebuah nilai
threshold T yang memisahkan grup yang satu dengan grup yang lain. Maka semua
pixel yang memiliki nilai > T disebut titik objek, yang lain disebut titik
background. Proses ini disebut thresholding (Gonzalez, 2002).
Karena properti intutif dan kesederhanaannya dalam implementasi,
thresholding citra menjadi titik pusat dalam aplikasi segmentasi citra. Di sini akan
dibahas mengenai cara pemilihan nilai thresholding secara otomatis dan

II-15
memperhatikan metode untuk bermacam-macam thresholding menurut properti
ketetanggaan citra lokal.
Andaikan bahwa histrogram intensitasnya yang ditunjukan pada gambar 2.5
yang berkaitan dengan citra F(x,y), yang terdiri dari obyek pada background
mempunya level intensita yang dikelompokan kedalam dua mode domain. Satu
cara yang jelas untuk mengekstrak obyek dari background adalah dengan memilih
threshold T yang membagi mode-mode ini. Kemudian sembarang titik (x,y) untuk
dimana f(x,y) ≥ disebut object point. Sedangkan yang lain disebut background
point. Dengan kata lain, citra yang di- threshold g(x,y) didefinisikan yaitu:
1 (x, y) ≥
g(x,y) = (3)
2 x, y <
piksel yang diberi 1 berkaitan dengan obyek sedangkan piksel yang diberik
diberi nilai 0 berkaitan dengan background. Ketika konstanta., pendekatan ini
disebut global thresholding (Prasetyo, 2011).

2.16 Global Thresholding

Salah satu cara untuk memilih thresholding adalah dengan pemeriksaan
visual histrogram citra. Histrogram dalam gambar 2.5 secara jelas mempunyai dua
mode yang [Link] hasilnya., mudah untuk memilih threshold T yang
membaginya. Metode yang lain dalam pemilihan T adalah trial and error,
mengambil beberapa threshold berbeda sampai satu nilai T yang memberikan
hasil yang baik sebagai keputusan observer ditemukan. Hasil ini efektif dalam
penentuan nilai threshold dalam environment enteraktif, seperti memperolehkan
user untuk mengubah threshold menggunakan widget (kontrak grafis) semacam
slider dan melihat hasilnya. Untuk pemilihan threshold secara otomatis, prosedur
interaktifnya dijelaskan sebagai berikut:
1. Memilih perkiraan awal T. Disarankan perkiraan awal adalah titik tengah
antara nilai intensitas minimum dan maksimum dalam citra.
2. Mensegmentasi citra menggunakan T. Ini akan menghasilkan dua kelompok
piksel: G1 yang berisi semua piksel dengan nilai intensitas ≥ , dan G2,
yang berisi semua piksel dengan nilai intensitas < T.

II-16
 3. Menghitung rata-rata intensitas 1 dan 2 untuk piksel-piksel dalam region
G1 dan G2.
4. Menghitung nilai threshold yang baru:
T=( 1+ 2)

5. Mengulangi langkah 2 sampai 4 sampai perbedaan T dalam iterasi yang

berturut-turut lebih kecil dari pada parameter T0 sebelumnya.
Toolbox matlab menyedikan fungsi graythresh yang menghitung threshold
mengunakan metode otsu. Untuk mneguji formulasi metode berbasis histrogram
ini, dimulai dengan normalisasi histrogram sebagai funngsi probality discrete
density, yaitu:
Pr (rq ) = q = 0, 1,2....., L -1

Di mana n adalah jumlah piksel dalam citra, nq adalah jmlah piksel yang
dipunyai level intensitas rq dan L adalah total jumlah level intentitas yang tersedia
dalam citra. Andaikan bahwa threshold k dipilih maka Co adalah sekumpulan
piksel dengan level [0, 1, ......, k – 1] dan C1 adalah sekumpulan piksel dengan
level [k, k + 1, ..., L – 1 ]. Metode otsu memilih nilai k yang memaksimalkan
2
between-class variance B, yang didefenisikan sebagai berikut:
2 2 2
b= o( o– T) + 1( o– T)

Di mana:
o = ∑ q (rq) (4)

1 = ∑ q (rq) (5)

o = ∑ q (rq) / 0 (6)

1= ∑ q (rq) / 1 (7)

1= ∑ q (rq) (8)

II-17
 Fungsi graythresh mengambil citra, menghitung histrogramnya, dan
2
kemudian mencari nilai threshold yang memaksimalkan B. Threshold
dikembalikan sebagai nilai normal di antara 0.0 dan 1.0. sintaks untuk pemangilan
fungsi graythresh adalah T = graythresh (f).
Di mana f adalah input dan T adalah threshold yang dihasilkan. Untuk
melakukan segmentasi citra, digunakan T dalam fungsi im2bw. Karena threshold
dinormalisasikan dalam range [0, 1], maka harus diskalakan ke range gray level
yang benar dari citra sebelum digunakan. Misalnya jika f adalah kelas uint8, maka
T dikalikan dengan 255 sebelum digunakan ( Prasetyo, 2011).

2.17 Konvolusi
Secara umum konvolusi diidenfikasi sebagai cara untuk mengkombinasikan
dua buah deret angka yang menghasilkan deret angka yang ketiga. Didalam dunia
seismik deret-deret angka tersebut adalah wavelet sumber gelombang, reflektivitas
bumi dan rekaman seismik. Secara matematis, konvolusi adalah integral yang
mencerminkan jumlah lingkupan dari sebuah fungsi a yang digeser atas fungsi b
sehingga menghasilkan fungsi c. Konvolusi dilambangkan dengan asterisk ( *).
Sehingga, a*b = c berarti fungsi a dikonvolusikan dengan fungsi b menghasilkan
fungsi c (Rudy, 2005).
Konvolusi adalah salah satu proses filtering image yang sering dilakukan
pada proses pengolahan gambar. Pada matlab terdapat banyak sekali cara yang
dapat dilakukan untuk melakukan proses konvolusi. Proses konvolusi dilakukan
dengan menggunakan matriks yang biasa disebut mask yaitu matriks yang
berjalan sepanjang proses dan digunakan untuk menghitung nilai representasi
lokal dari beberapa piksel pada image (Rudy, 2005).
Operasi konvolusi dilakukan perpixel dan untuk setiap pixel dilakukan
operasi perkalian dan penjumlahan, sehinga memerlukan komputasi yang besar.
Jika citra berukuran NxN dan kernel mxm, mk jumlah perkalian dlm orde N 2 m 2
Contoh, jk citra 512x512 dan kernel 16x16 maka ada sekitar 32 juta perkalian,
tidak cocok untuk proses real time. Suatu cara mengurangi waktu komputasi
adalah mentransformasi citra dan kernel ke dalam domain frekuensi dalam hal ini

II-18
Transf. Fourier keuntungan penggunaan domain frekuensi adalah proses
konvolusi dapat diterapkan dalam bentuk perkalian langsung. g(x,y)= 1 2 1 2 4 2 1
2 1.
Pada pixel-pixel pinggir dapat diabaikan, tidak dikonvolusi (tetap).
Duplikasi elemen citra, misalnya elemen kolom pertama disalin ke kolom M+1,
begitu sebaliknya. Elemen kosong diasumsikan 0. Catatan: Ada masalah untuk
pinggiran citra, hal ini dapat diatasi degan cara, dapat dilihat bahwa operasi
konvolusi merupakan komputasi pada aras lokal, karena komputasi untuk suatu
pixel pada citra keluaran melibatkan pixel-pixel tetangga pada citra masukannya.
Konvolusi berguna pada proses pengolahan citra. Perbaikan kualitas citra
Penghilangan derau Penghalusan atau pelembutan citra deteksi tepi, penajaman
tepi dan lain-lain. Contoh: dilakukan konvolusi suatu citra fhoto hitam putih
dengan penapis gaussian untuk mempertajam tepi-tepi di dlm citra. Penapis
gaussian adalah sebuah mask berukuran 3x3 (Rudy, 2005).
Penapisan (filtering) termasuk pengolahan lokal yaitu dalam tranformasinya
melibatkan:
1. Nilai‐nilai pixel tetangganya
2. Nilai‐nilai suatu sub‐citra yang memiliki dimensi yangnilai nilai suatu sub citra
yang memiliki dimensi yang sama. Sub‐citra ini dikenal sebagai
filter, mask, kernel, template, atau window atau window. Nilai dalam sub‐citra
tidak disebut sebagai nilai intensitas pixel, tetapi sebagai koefisien.
Untuk mengaplikasikan penapis pada citra, digunakan metode konvolusi.
Konvolusi 2 fungsi f(x) dan g(x):
∞
∗ = α − α α … … … … … … … . (9)
∞

α = peubah bantu
Fungsi diskrit:

∗ = α − α … … … … … … … . (10)

g(x) → convolution mask / filter / kernel atau template.

Notasi lain :

II-19
 , ∗ = , … … … … … … . … … . (11)
Konvolusi bisa dinyatakan dalam matriks. Tiap elemen matriks penapisnya
berupa koefisien konvolusi operasi menggeser karnel pixel perpixel ‐hasil
disimpan dalam matriks baru (Rudy, 2005).

2.18 Filter atau Penapis

Filter atau penapis digunakan untuk proses pengolahan citra yaitu:
1. Perbaikan kualitas citra (image enhancement)
2. Penghilangan derau
3. Mengurangi erotan
4. Penghalusan atau pelembutan citra
5. Deteksi tepi, dan penajaman tepi

2.19 Segmentasi
Segmentasi gambar adalah pemisahan objek yang satu dengan objek yang
lain dalam suatu gambar (Ballerini). Ada 2 macam segmentasi, yaitu full
segmentation dan partial segmentation. Full segmentation adalah pemisahan suatu
object secara individu dari background dan diberi ID (label) pada tiap-tiap
segmen. Partial segmentation adalah pemisahan sejumlah data dari background
dimana data yang disimpan hanya data yang dipisahkan saja untuk mempercepat
proses selanjutnya (Rudy, 2005).
Ada 3 tipe dari segmentasi yaitu:
1. Classification-based: segmentasi berdasarkan kesamaan suatu ukuran dari
nilai pixel. Salah satu cara paling mudah adalah thresholding. Thresholding
ada 2 macam yaitu global dan lokal. Pada thresholding global, segmentasi
berdasarkan pada sejenis histogram. Pada thresholding lokal, segmentasi
dilakukan berdasarkan posisi pada gambar, gambar dibagi menjadi bagian-
bagian yang saling melengkapi, jadi sifatnya dinamis.
2. edge-based yaitu mencari garis yang ada pada gambar dan garis tersebut
digunakan sebagai pembatas dari tiap segmen.

II-20
3. region-based yaitu segmentasi dilakukan berdasarkan kumpulan pixel yang
memiliki kesamaan (tekstur, warna atau tingkat warna abu-abu) dimulai dari
suatu titik ke titik-titik lain yang ada disekitarnya (Rudy, 2005).
Segmentasi membangi citra ke dalam sejumlah region atau objek. Level
untuk pembagian tergantung pada masalah yang diselesaikan. Meka, segmentasi
seharusnya berhenti ketika objek yang diinginkan dalam aplkasi telah terisolasi.
Misalnya, pemeriksaan otomatis pada rakitan produk elektronik, yang diinginkan
adalah analisa citra produk dengan tujuan untuk mengetahui ada atau tidaknya
penyimpangan tertentu, seperti salah komponen, atau lintasan hubungan yang
putus.
Segmentasi citar non-trival adalah satu dari perkerjaan yang paling sulit
dalam pengolahan citra. Akurasi segmentasi menentukan kemukinan sukses atau
gagalnya komputerisasi prosedur analisis. Untuk alasan ini, perhatian seharusnya
digunakan untuk meningkatkan kemukinan segmentasi yang kasar.
Algoritma segmentasi citra umumnya didasarkan pada satu dari dua properti
nilai intensitas, diskontinuitas dan similaritas. Dalam katagori pertama,
pendekatanya adalah memecah atau memilih citra berdasarkan perubahan kasar
dalam intensitas, seperti tepi dalam citra. Pendekatan utama katagori kedua
didasarkan pada pemecahan citra kedalam rigion yang sama menurut sejumlah
kreteria yang didefinisikan, seperti thresholding, region growing, region splitting
dan merging (Prasetyo, 2011).

2.19.1 Deteksi titik

Pendeteksian titik-titik terisolasi dalam citra adalah sederhana. Dengan
menggunakan mask pada gambar, titik dideteksi pada lokasi di mana mask
dipusatkan jika: ‫׀‬R‫ ≥ ׀‬T
di mana T adalah threshold non-negatif dan R diberikan oleh persamaan masking
di atas. Dasarnya, formulasi ini mengukur perbedaan bobot antara titik pusat mask
dan tetangganya. Ide bahwa isolating point (sebuah titik dimana gray levelnya
secara signifikan berbeda dari background-nya dan ditempatkan dalam daerah
homogenous atau dekat dengan homogenous) akan berbeda dari sekitarnya dan

II-21
dengan mudah dideteksi oleh mask jenis ini. Jumlah dari koefisien mask adalah
nol. Artinya, akan memberikan nol pada daerah dengan nilai gray level kosntan
(Prasetyo, 2011).

2.19.2 Deteksi Garis

Kompleksitas level berikutnya adalah deteksi garis. Jika mask pertama
digerakan sepanjang citra, hasilnya akan lebih kuat pada garis (ketebalan satu
piksel) yang berarah horizontal. Dengan bacgroun konstan, hasil maksimum akan
didapatkan ketika garis yang dilewati sepanjang baris tengah dari mask (Prasetyo,
2011).

-1 -1 -1 2 -1 -1

2 2 2 -1 2 -1

-1 -1 -1 -1 -1 2

a. Horizontal b. +450

-1 2 -1 -1 -1 2
-1 2 -1 -1 2 -1
-1 2 -1 2 -1 -1

c. vertikal d. -450
Gambar 2.7. Mask untuk deteksi garis
(Sumber: Prasetyo, 2011)

jika R1, R2, R3, dan R4 menyatakan hasil mask pada gambar ditas dari kiri ke
kanan, di mana nilai R diberikan oleh persamaan masking. Andaikan empat mask
dijalankan secara individu terhadap citra. Jika titik tertentu dalam citra,‫׀‬Ri‫׀ >׀‬Rj‫׀‬
untuk semua j ≠ i, maka titik tersebut dikatakan lebih berasosiasi dengan garis
dalam arah mask i. Misalnya, jika sebuah titik dalam citra ‫׀‬Ri‫׀ >׀‬Rj‫ ׀‬untuk j = 2,
3, 4, bahwa titik tertentu dikatakan lebih berhubungan dengan garis horizontal.
Alternatifnya, deteksi garis dapat dilakukan dalam arah tertentu. Dalam kasus ini,
mask yang digunakan berasosiasi dengan arah dan threshold outputnya. Dengan

II-22
kata lain, jika ingin mendeteksi semua garis dalam citra dalam arah yang
difinisikan mask, maka cukup hanya menjalankan mask sepanjang bidang citra
dan men-threshold nilai absolut dari hasil. Titik-titik yang tersisa adalah hasil
yang terkuat, di mana garis dengan ketabalan satu piksel berhubungan dengan
arah yang difinisikan oleh mask (Prasetyo, 2011).

2.19.3 Deteksi Tepi

Meskipun deteksi titik dan garis penting untuk dibicarakan dalam
segmentasi citra, deteksi tepi merupakan pendekatan yang paling umum untuk
pendeteksian diskontiniutas nilai intensitas. Seperti diskontiniutas yang dideteksi
oleh pengguna turunan pertama dan kedua. Pilihan turunan pertama dalam
pengolahan citra adalah gradien. Gradien fungsi 2-D f(x,y) didefinisikan sebagai
vektor.

∇ = = (12)

Jarak vektor ini adalah

∇ = ∇ = + (13)

= [( / )2 + ( / )2 ]2
Untuk menyederhanakan komputasi, persamaan ini kadang diperkirakan
dengan mengabaikan operasi akar kuadrat:
∇ ≈ + (14)

Atau dengan absolutnya:

2
∇ ≈ | |+ | | (15)

Perkiraan ini masih berlaku sebagai turunan, persamaan tersebut

memberikan nilai nol pada daerah intensitas konstan dan nilainya proposonal
terhadap tingkat perubahan intensitas dalam daerah di mana nilai piksel adalah

II-23
variabel. Umunya dalam praktek, penyebutan jarak gradien cukup dengan
“gradien” saja (Prasetyo, 2011).
Properti dasar vektor gradien adalah bahwa titik-titik dalam arah rate
maksimum dari perubahan f pada koordinat (x,y). Sudut di mana perubahan rate
terjadi adalah :

, = tan (16)

Turunan kedua pegolahan citra umumnya dihitung menggunakan laplacian.

Maka, fungsi laplacian 2-D f(x,y) dibentuk turunan kedua sebagai berikut:
( , ) ( , )
∇2 f (x,y) = x2
+ y2
(17)

Laplacian jarang digunakan sendirian untuk mendeteksi tepi, karena sebagai

turunan kedua, laplacian tidak sensitif terhadap noise. Jaraknya menghasilkan tepi
double, dan tidak bisa mendeteksi arah tepi. Tetapi laplacian bisa menjadi
pelengkap yang powerfull ketika digunakan dalam kobimbinasi dengan teknik
deteksi tepi yang lain. Misalnya, tepi double membuat ketidaksesuaian untuk
deteksi tepi secara langsung. Properti ini dapat digunakan untuk edge location .
Ide dasar di balik deteksi tepi adalah untuk mencari tempat di dalam citra di
mana intensitas berubah secara cepat, menggunakan satu dari dua kriteria umum
berikut:
1. mencari tempat di mana turunan pertama intensitas lebih besar dalam jarak
dari pada threshold yang ditetapkan.
2. Mencari tempat di mana turunan kedua dari intensitas mempunya zero
crossing
-1 -2 -1 -1 0 1

0 0 0 -2 0 2

1 2 1 -1 0 1

a. Gx=(z7+2z8+z9)-(z1+2z2+z3) b. Gy=(z3+2z6+z9)-(z1+2z4+z7)

II-24
 -1 -1 -1 -1 0 1
0 0 0 -1 0 1
1 1 1 -1 0 1

c. Gx=(z7+2z8+z9)-(z1+2z2+z3) d. Gy=(z3+2z6+z9)-(z1+2z4+z7)

-1 0 0 -1
0 -1 1 0

[Link]= z9+z5 [Link]= z8+z6

Gambar 2.8 Detektor tepi: (a) – (b) Sobel; (c) – (d) Prewitt; (e) – (f) Robert
(Sumber: Prasetyo, 2011)

Fungsi edge memberikan beberapa estimator turunan berdasarkan pada

kriteria di atas. Beberapa estimator ini memukinkan untuk menspesifikasikan
apakah detektor tepi sensitif terhadap tepi horizontal atau vertikal atau keduanya.
Sintaks umum yang digunakan untuk fungsi ini adalah:
[g, t] = edge(f,’method’, parameters)
Di mana f adalah citra input, method adalah satu dari pendekatan dalam
tabel di atas, parameter adalah parameter tambahan. Output g adalah array logika
dengan nilai 1 pada lokasi di mana titik-titik tepi terdeteksi dalam f dan nilai 0
untuk yang tidak terdeteksi. Parameter t adalah opsional; memberikan threshold
yang digunakan oleh tepi untuk menentukan di mana gradien cukup kuat untuk
disebut titik-titik tepi (Prasetyo, 2011).

2.19.4 Detektor Tepi sobel

Detektor Tepi sobel yang merupakan mask dalam gambar 2.8 (a) dan (b)
untuk memperkirakan secara digital turunan Gx dan Gy. Dengan kata lain, gradien
pada titik pusat ketetanggan dihitung oleh detektor sobel sebagai berikut:

II-25
 2 2
G + G 1/2
g= (18)

g = {[(Z7 + 2z8 + z9) – (z1 + 2z2 + z3)]2

+ [(z3 + 2z6 + z9) – (z1 + 2z4 + z7)]2}1/2
Maka dapat dikatakan bahwa piksel pada lokasi (x,y) adalah piksel tepi jika
g ≥ T pada lokasi tersebut, di mana T adalah threshild yang ditentuka. Deteksi
sobel dapat diimplementasikan oleh pemilteran citra f (menggunakan imfilter)
dengan mask pada gambar 2.8 (a), pengkuadratan nilai piksel dari setiap citra
filter, menambahkan dua hasilnya dan menghitung akar kuadratnya. Fungsi edge
adalah paket fungsi beberapa operasi dan menambah figure lain, seperti menerima
nilai threshold, penetuan threshold secara otomatis. Fungsi edge berisi teknik
deteksi tepi yang tidak diimplementasikan secara langsung dengan imfilter.
Sintaks umum detektor sobel:
[g, t] = edge(f,’sobel’,T,dir) (Prasetyo, 2011).
Di mana f adalah citra input, T adalah threshold, dan dir menetapkan arah
yang lebih disukai pada citra terdeteksi, ‘horizontal’, ‘vertical’, atau ‘both’
(default). Sedangakan g adalah citra biner yang berisi nilai 1 pada lokasi dimana
tepi terdeteksi dan 0 untuk yang baik. Parameter t pada output bersifat opsional, t
adalah nilai threshold yang digunakan oleh fungsi edge. Jika T ditetapkan, maka t
= T. Selain itu, jika T tidak ditetapkan (atau kosong, []), fungsi edge mengisi t
sama dengan thershold yang ditentukan secara otomatis dan kemudian
menggukannya untuk deteksi tepi. Satu alasan utama untuk memasukkan t dalam
argumen output adalah untuk mendapatkan nilai awal threshold. Fungsi edge
menggunakan detektor sobel sebagai default jika sintaks g= edge (f) atau [g,t] =
edge(f) yang digunakan (Prasetyo, 2011).

2.20 Slope Histogram

Slope Histogram adalah histogram yang mencatat gradien atau kemiringan
dari tiap pixel berwarna hitam dalam sebuah gambar. Slope Histogram dapat
digunakan untuk mengenali objek dengan cara membandingkan histogram dari
data asli dengan histogram dari objek yang ingin dikenali (Rudy, 2005)

II-26
 Untuk dapat menggunakan slope histogram, sebuah gambar sebaiknya
diubah dahulu menjadi biner. Hal ini dapat dilakukan dengan menggunakan
threshold. Setelah gambar siap, maka gradien atau kemiringan tiap pixel yang
berwarna hitam dicari. Di sini dapat digunakan matriks yang memetakan pixel
tersebut dengan pixel-pixel berwarna hitam yang ada disekelilingnya. Matriks
yang digunakan adalah 5 x 5.
Persamaan garis dalam matematika adalah sebagai berikut:
ax+by+c=0
di mana a, b, dan c adalah parameter yang menjelaskan posisi garis dan
orientasinya, dan x,y adalah koordinat horisontal dan vertikal. Nilai a dapat dicari
dengan menggunakan rumus cos( θ + π/2 ) dan b dapat dicari dengan (1 – a *
a)1/2 Sedangkan konstanta c dapat dicari dari c = -ax –by. Garis yang ”terbaik”
didapat dengan mencoba semua sudut antara -90 hingga 90 derajat dengan asumsi
bahwa garis harus melalui paling sedikit satu dari pixel berwarna gelap dalam
matriks 5x5. Nilai error didapatkan dari jumlah ax+by+c untuk setiap x dan y
yang pixel-nya berwarna hitam. Jika semua pixel berwarna hitam berada pada 1
garis maka nilai error-nya adalah 0 dan dengan memilih garis dengan nilai error
paling minimum, maka garis yang ”terbaik” dapat dipilih. Nilai pada histogram
milik sudut dari garis yang ”terbaik” di-increment dan dengan demikian
terbentuklah slope histogram (Rudy, 2005).
Untuk membandingkan 2 slope histogram dapat digunakan distance yang
didefinisikan:
•
D=
• • •
Dimana dot product dari a dan b didefinisikan:
• = ∑ i bi

Nilai d dapat dikatakan nilai kemiripan dari a dan b (Rudy, 2005).

2.21 Sistem Pakar

Secara umum, sistem pakar merupakan sistem yang mengadopsi pengetahuan
manusia ke dalam komputer sehingga komputer dapat digunakan untuk

II-27
menyelesaikan suatu masalah sebagaimana yang dilakukan oleh seorang pakar.
Sistem pakar dibuat pada wilayah pengetahuan tertentu dan untuk suatu keahlian
tertentu yang mendekati kemampuan manusia di salah satu bidang khusus. Sistem
pakar mencoba mencari solusi yang memuaskan sebagaimana yang dilakukan
seorang pakar dan dapat memberikan penjelasan terhadap langkah yang diambil
serta memberikan alasan atas kesimpulan yang diambil (Rudy, 2005).

2.22 Keuntungan Sistem Pakar

Secara garis besar, ada banyak keuntungan bila menggunakan sistem pakar,
diantaranya (Arhami, 2005).
1. Menjadikan pengetahuan dan nasihat lebih mudah didapat.
2. Meningkatkan output dan produktivitas.
3. Menyimpan kemampuan dan keahlian pakar.
4. Meningkatkan penyelesaian masalah yaitu menerusi paduan pakar,
penerangan, sistem pakar khas.
5. Meningkatkan reliabilitas.
6. Memberikan respons (jawaban) yang cepat.
7. Merupakan panduan yang intelligence (cerdas).
8. Dapat bekerja dengan informasi yang kurang lengkap dan mengandung
ketidakpastian.
9. Intelligence database (basis data cerdas), bahwa sistem pakar dapat
digunakan untuk mengakses basis data dengan cara cerdas.

2.23 Kelemahan Sistem Pakar

Disamping memiliki beberapa keuntungan, sistem pakar juga memiliki
beberapa kelemahan, antara lain:
1. Biaya yang diperlukan untuk membuat dan memeliharanya sangat
mahal.
2. Sulit dikembangkan system pakar yang benar-benar berkualitas tinggi.
Hal ini tentu saja erat kaitannya dengan ketersediaan pakar di bidangnya.
3. Sistem pakar tidak dapat 100% bernilai benar.

II-28
 4. Terkadang sistem tidak dapat membuat keputusan.
5. Pengetahuan tidak selalu didapat dengan mudah karena pendekatan tiap
pakar berbeda.

2.24 Karakteristik Sistem Pakar

Sistem pakar mempunyai beberapa karakteristik dasar yang membedakan
dengan program komputer biasa umumnya, yaitu (Turban, 1995).
1. Mempunyai kepakaran dalam menyelesaikan masalah bukan hanya
mendapatkan solusi yang benar saja, namun juga bagaimana mendapatkan
pemecahan dengan cepat dan mahir.
2. Domain tertentu sistem pakar mengutamakan kedalaman mengenai bidang
tertentu.
3. Memiliki kemampuan mengolah dat yang mengandung ketidak pastian
kadang-kadang data yang tersedia tidak lengkap sistem harus dapat
memberikan pemecahan sesuai data yang tersedia dengan memberikan
pertimbangan, saran atau anjuran sesuai dengan kondisi yang ada.
4. Dirancang untuk dapat dikembangkan secara bertahap program komputer
dirancang untuk memberikan jawaban yang tepa setiap waktu. Sedangkan
sistem pakar dirancang untuk berlaku sebagai seoran pakar, kadang
memberikan jawaban yang benar, dan suatu saat mungkin tidak tepat
(Expert system makes mistake).

2.25 Komponen Sistem Pakar

Komponen-komponen yang terdapat dalam sistem pakar adalah :
1. Antarmuka pengguna (User Interface)
User interface merupakan mekanisme yang digunakan untuk pengguna
dan sistem pakar untuk berkomunikasi. Antarmuka menerima informasi
dari pemakai dan mengubahnya ke dalam bentuk yang dapat diterima oleh
sistem. Selain itu antarmuka menerima informasi dari system dan
menyajikannnya dalam bentuk yang dapat dimengerti oleh pemakai.
Menurut McLeod (1995), pada bagian ini terjadi dialog antara program

II-29
 dan pemakai, yang memungkinkan sistem pakar menerima instruksi dan
informasi (input) dan pemakai juga memberikan informasi (output)
kepada pemakai.
2. Basis pengetahuan
Basis pengetahuan mengandung pengetahuan untuk pemahaman,
formulasi, dan penyelesaian masalah. Komponen sistem pakar ini disusun
atas dua elemen dasar, yaitu fakta dan aturan. Fakta merupakan informasi
tentang obyek dalam area permasalahan tertentu, sedangkan aturan
merupakan informasi tentang cara bagaimana memperoleh fakta baru dari
fakta yang telah diketahui (Arhami, 2005).
3. Akuisisi pengetahuan
Akusisi pengetahuan adalah akumulasi, transfer dan transformasi keahlian
dalam menyelesaikan masalah dari sumber pengetahuan ke dalam program
komputer. Dalam tahap ini knowledge engineer berusaha menyerap
pengetahun untuk selanjutnya ditransfer ke dalam basis pengetahuan.
Pengetahuan diperoleh dari pakar, dilengkapi dengan buku, basis data,
laporan penelitian dan pengalaman pemakai (Arhami, 2005).
Akuisisi pengetahuan dilakukan sepanjang proses pembangunan
sistem. Menurut (Firebaugh 1989). Proses akuisisi pengetahuan dibagi ke dalam
enam tahap, yaitu :
1. Tahap identifikasi
Tahap identifikasi meliputi penentuan komponen-komponen kunci dalam
sistem yang sedang dibangun. Komponen kunci ini adalah knowledge
engineer, pakar, karakterisitik masalah, sumber daya, dan tujuan.
Knowledge engineer dan pakar bekerja bersama untuk menentukan
berbagai aspek masalah, seperti lingkup dari proyek, data input yang
dimasukkan, bagian-bagian penting dan interaksinya, bentuk dan isi dari
penyelesaian, dan kesulitan-kesulitan yang mungkin terjadi dalam
pembangunan sistem. Mereka juga harus menentukan sumber
pengetahuan seperti basis data, system informasi manajemen, buku teks,
serta prototipe masalah dan contoh. Selain menentukan sumber

II-30
 pengetahuan, pakar juga mengklarifikasi dan menentukan tujuan-tujuan
sistem dalam proses penentuan masalah.
2. Tahap konseptualisasi
Konsep-konsep kunci dan hubungannya yang telah ditentukan pada tahap
pertama dibuat lebih jelas dalam tahap konseptualisasi.
3. Tahap formalisasi
Tahap ini meliputi pemetaan konsep-konsep kunci, sub-masalah dan
bentuk aliran informasi yang telah ditentukan dalam tahap-tahap
sebelumnya ke dalam representasi formal yang paling sesuai dengan
masalah yang ada.
4. Tahap implementasi
Tahap ini meliputi pemetaan pengetahuan dari tahap sebelumnya yang
telah diformalisasi ke dalam skema representasi pengetahuan yang dipilih.
5. Tahap pengujian
Setelah prototipe sistem yang dibangun dalam tahap sebelumnya berhasil
menangani dua atau tiga contoh, prototipe sistem tersebut harus menjalani
serangkaian pengujian dengan teliti menggunakan beragam sampel
masalah. Masalah-masalah yang ditemukan dalam pengujian ini biasanya
dapat dibagi dalam tiga kategori, yaitu kegagalan input/output, kesalahan
logika dan strategi kontrol.
6. Revisi prototipe
Suatu unsur penting pada semua tahap dalam proses akuisisi pengetahuan
adalah kemampuan untuk kembali ke tahap-tahap sebelumnya untuk
memperbaiki sistem.

4. Mesin inferensi
Komponen ini mengandung mekanisme pola pikir dan penalaran yang
digunakan oleh pakar dalam menyelesaikan suatu masalah. Mesin
inferensi adalah program komputer yang memberikan metodologi untuk
penalaran tentang informasi yang ada dalam basis pengetahuan dan

II-31
 dalam workplace, dan untuk memformulasikan kesimpulan (Turban,
1995).
Inferensi merupakan proses menghasilkan kesimpulan berdasarkan fakta
atau pengetahuan yang diketahui atau diasumsikan. Terdapat dua pendekatan
untuk mengontrol inferensi dalam sistem pakar berbasis aturan yaitu pelacakan ke
depan (forward chaining).
Pelacakan ke Depan (Forward Chaining). Pada metode forward chaining di
artikan sebagai pendekatan yang dimotori data. Dalam pendekatan ini pelacakan
dimulai dari informasi masukan, dan selanjutnya mencoba menggambarkan
kesimpulan. Sehingga metode ini juga sering disebut “Data driven”.
Forward Chaining merupakan pencocokan fakta atau pernyataan dimulai
dari bagian sebelah kiri dulu (IF dulu). Dengan kata lain penalaran dimulai dari
fakta terlebih dahulu untuk menguji kebenaran hipotesis (Kusumadewi, 2013).

2.26 Konsep Dasar Sistem Pakar

Konsep dasar sistem pakar mengandung (Kusumadewi, 2013).
1. Keahlian.
Keahlian bersifat luas dan merupakan penguasaan pengetahuan dalam
bidang khusus yang diperoleh dari pelatihan, membaca atau
pengalaman. Contoh bentuk pengetahuan yang termasuk keahlian:
Teori, fakta, aturan-aturan pada lingkup permasalahan tertentu
Strategi global untuk menyelesaikan masalah
2. ahli/pakar.
Seorang ahli adalah seseorang yang mampu menjelaskan suatu
tanggapan, mempelajari hal-hal baru seputar topik permasalahan,
menyusun kembali pengetahuan jika dipandang perlu, memecahkan
masalah dengan cepat dan tepat.
3. pengalihan keahlian.
Tujuan dari sistem pakar adalah untuk mentransfer keahlian dari seorang
pakar ke dalam komputer kemudian ke masyarakat. Proses ini meliputi 4
kegiatan, yaitu:

II-32
 a. Perolehan pengetahuan (dari para ahli atau sumber-sumber lainnya),
b. Representasi pengetahuan ke komputer.
c. Kesimpulan dari pengetahuan dan
d. Pengalihan pengetahuan ke pengguna.
4. Mengambil keputusan.
Hal yang unik dari sistem pakar adalah kemampuan untuk menjelaskan
dimana keahlian tersimpan dalam basis pengetahuan.
Kemampuan komputer untuk mengambil kesimpulan dilakukan oleh
komponen yang dikenal dengan mesin inferensi yaitu meliputi prosedur
tentang pemecahan masalah.
5. Aturan.
Sistem pakar yang dibuat merupakan sistem yang berdasarkan pada
aturan–aturan dimana program disimpan dalam bentuk aturan-aturan
sebagai prosedur pemecahan masalah. Aturan tersebut biasanya
berbentuk IF – THEN.
6. kemampuan menjelaskan.
Keunikan lain dari sistem pakar adalah kemampuan dalam menjelaskan
atau memberi saran/rekomendasi serta juga menjelaskan mengapa
beberapa tindakan atau saran tidak direkomendasikan (Kusumadewi,
2013).

2.27 Komponen-Komponen yang Terdapat Dalam Arsitektur atau Struktur

Sistem Pakar :
1. Antarmuka Pengguna (User Interface)
Merupakan mekanisme yang digunakan oleh pengguna dan sistem pakar
untuk berkomunikasi.
2. Basis Pengetahuan
Basis pengetahuan mengandung pengetahuan untuk pemahaman,
formulasi, dan penyelesaian masalah.
Komponen sistem pakar ini disusun atas 2 elemen dasar, yaitu :

II-33
 a. fakta : informasi tentang obyek dalam area
permasalahan tertentu.
b. aturan : informasi tentang cara bagaimana memperoleh fakta baru dari
fakta yang telah diketahui.
3. Akuisisi Pengetahuan (Knowledge Acquisition)
Akuisisi pengetahuan adalah akumulasi, transfer, dan transformasi keahlian
dalam menyelesaikan masalah dari sumber pengetahuan ke dalam program
komputer..
4. Mesin atau motor Inferensi (inference engine).
Komponen ini mengandung mekanisme pola pikir dan penalaran yang
digunakan oleh pakar dalam menyelesaikan suatu masalah.
5. Workplace / Blackboard
Workplace merupakan area dari sekumpulan memori kerja (working
memory), digunakan untuk merekam kejadian yang sedang berlangsung
termasuk keputusan sementara.
6. Fasilitas Penjelasan
Adalah komponen tambahan yang akan meningkatkan kemampuan sistem
pakar.
7. Perbaikan Pengetahuan
Pakar memiliki kemampuan untuk menganalisis dan meningkatkan
kinerjanya serta kemampuan untuk belajar dari kinerjanya (Kusumadewi,
2013).

2.28 Basis Pengetahuan (Knowledge Base)

Basis pengetahuan berisi pengetahuan-pengetahuan dalam penyelesaian
masalah. Ada 2 bentuk pendekatan basis pengetahuan :
1. Penalaran berbasis aturan (rule-based reasoning) Pengetahuan
direpresentasikan dengan menggunakan aturan berbentuk IF-THEN.
2. Penalaran berbasis kasus (case-based reasoning)
Pada penalaran berbasis kasus, basis pengetahuan akan berisi solusi-
solusi yang telah dicapai sebelumnya, kemudian akan diturunkan suatu

II-34
 solusi untuk keadaan yang terjadi sekarang (fakta yang ada)
(Kusumadewi, 2013).

2.29 Manfaat Sistem Pakar

1. Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli
2. Bisa melakukan proses secara berulang secara otomatis
3. Menyimpan pengetahuan dan keahlian para pakar
4. Mampu mengambil dan melestarikan keahlian para pakar (terutama yang
termasuk keahlian langka)
5. Mampu beroperasi dalam lingkungan yang berbahaya
6. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap
dan mengandung ketidakpastian. Pengguna bisa merespon dengan jawaban
’tidak tahu’ atau ’tidak yakin pada satu atau lebih pertanyaan selama
konsultasi dan sistem pakar tetap akan memberikan jawaban.
7. Tidak memerlukan biaya saat tidak digunakan
8. Dapat digandakan (diperbanyak) sesuai kebutuhan dengan waktu yang
minimal dan sedikit biaya
9. Dapat memecahkan masalah lebih cepat daripada kemampuan manusia
dengan catatan menggunakan data yang sama.
10. Menghemat waktu dalam pengambilan keputusan
11. Meningkatkan kualitas dan produktivitas karena dapat memberi nasehat
yang konsisten dan mengurangi kesalahan
12. Mampu menyediakan pelatihan. Pengguna pemula yang bekerja dengan
sistem pakar akan menjadi lebih berpengalaman. Fasilitas penjelas dapat
berfungsi sebagai guru (Kusumadewi, 2013).

2.30 Struktur Sistem Pakar

Ada 2 bagian utama sistem pakar :
1. lingkungan pengembangan (development environment): digunakan untuk
memasukkan pengetahuan pakar ke dalam lingkungan sistem pakar

II-35
2. lingkungan konsultasi (consultation environment): digunakan oleh
pengguna yang bukan pakar untuk memperoleh pengetahuan pakar
(Kusumadewi, 2013).

II-36