ANALISIS DETEKSI TEPI

UNTUK MENGIDENTIFIKASI POLA WAJAH

REVIUW (IMAGE EDGE DETECTION BASED DAN MORPHOLOGY)

Dian Parikesit

Magister Komputer Universitas Budi Luhur Jakarta

dianparikesit@gmail.com

Dalam kehidupan kita, kita sering melihat wajah manusia dengan berbagai fitur karakter gambar. Variasi wajah

mannusia muncul dari bentuk muka seperti oval, hidung, telinga, mata dll Seiring dengan kemajuan informasi dan

teknologi, maka memungkinkan untuk mengembangkan aplikasi yang dapat membantu manusia untuk mengenali jenis-

jenis wajah. Pengolahan citra digital adalah bidang yang berkembang dari teknologi digital dengan aplikasi wajah dalam

sains dan teknik. Salah satu daerah wajah yang terkait dengan pengolahan citra adalah pengenalan pola. Tugas akhir ini

dilakukan untuk membangun sistem yang dapat mengidentifikasi dan mengenali objek pola wajah.

Identifikasi wajah dimulai dengan akuisisi data citra, pengolahan citra, deteksi tepi citra, citra menipis, dan proses

identifikasi dengan menggunakan metode template matching. Deteksi tepi menggunakan 3 metode, ada Sobel tepi

deteksi, deteksi tepi Roberts, dan deteksi tepi Prewitt. Pengenalan pola akan mendeteksi gambar sebagai masukan,

membandingkan dengan gambar yang lain dalam database yang disebut template.

Percobaan dilakukan dalam dua tahap yaitu identifikasi wajah bentuk dan identifikasi wajah tepi. Penelitian ini

menggunakan 7 gambar bentuk wajah yang membentuk masing-masing memiliki citra uji 10 dan 5 gambar tepi wajah

yang ujung masing-masing memiliki 10 gambar tes. Selain itu, dalam percobaan identifikasi tepi wajah, metode Sobel

mencapai 90% untuk tingkat pengakuan, Roberts dan Prewitt hanya mencapai 84%.

Keywords: leaf, image processing, edge detection, pattern recognition

I. Pendahuluan

1.1 Latar Belakang

Perkembangan teknologi, terutama di bidang dunia

digital, membawa perubahan cukup besar. Salah satunya

dengan adanya digitalisasi data citra.

Selain di bidang teknologi, pengolahan citra juga

dimanfaatkan sebagai pengenalan pola. Pola dari citra

yang diolah adalah bentuk daun dan tepi daun. Perbedaan

pola dari sebuah daun tersebut bisa digunakan sebagai

pengidentifikasi.

1.2 Tujuan

Penelitian ini bertujuan untuk:

1. Menemukan ciri-ciri dengan mendeteksi tepi citra wajah.

2. Membuat perangkat lunak yang mampu mengidentifikasi jenis bentuk dan jenis tepi citra

daun.

3. Mengetahui metode deteksi tepi yang paling optimal untuk mengidentifikasi citra wajah.

1.3 Pembatasan Masalah

Pada tugas akhir ini masalah yang dibahas akan

dibatasi pada :

1. Citra yang dibahas adalah citra hasil pemotretan wajah yang sudah diubah dalam bentuk citra

digital.

2. Pembahasan hanya pada identifikasi jenis bentuk dan tepi wajah.

3. wajah yang dideteksi adalah wajah penulis hasil pemotretan dari depan kamera (tampak depan).

II. Dasar Teori

Citra merupakan istilah lain dari gambar yang

merupakan komponen multimedia yang memegang

peranan sangat penting sebagai bentuk informasi visual.

Citra mempunyai karakteristik yang tidak dimiliki oleh

data teks, yaitu kaya akan informasi. Citra digital adalah

citra hasil digitalisasi citra kontinu (analog). Tujuan

dibuatnya citra digital adalah agar citra tersebut dapat

diolah menggunakan komputer atau perangkat digital.

2.1 Peningkatan Mutu Citra

Peningkatan mutu citra dilakukan untuk

memperoleh keindahan citra yang akan digunakan untuk

kepentingan analisis citra.

2.2 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 1 menunjukkan

salah satu model tepi untuk satu dimensi.

j a r a k

Gambar 1. Model tepi satu dimensi

Perubahan intensitas

a =Arah tepi

a

2.2.1 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

(mask), Sx dan Sy dapat dinyatakan sebagai:

Arah tepi dihitung dengan persamaan:

2.2.2 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:

R+ ( x y ) f ( x y ) f ( x y) ............................. (2.3)

R- ( x y ) f ( x y ) f ( x y) ............................... (2.4)

2.2.3

Operator Prewitt

Persamaan gradien pada operator Prewitt sama

seperti operator Sobel, tetapi menggunakan nilai

konstanta c = 1

2.3 Penipisan Citra (image thinning)

Proses penipisan digunakan untuk mengekstraksi ciri dari

suatu objek, dengan mengambil rangka setebal satu piksel

dari citra, dengan cara membuang titik-titik atau lapisan

terluar dari citra sampai semua garis atau kurva hanya

setebal satu piksel.

2 2.4 Pengenalan Pola (pattern recognition)

dihitung dengan:Pengenalan pola merupakan

proses pengenalan suatu objek dengan menggunakan

berbagai metode. Teknik pencocokan pola 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 pencocokan pola adalah salah satu metode

terapan dari teknik konvolusi. Teknik konvolusi pada

penelitian ini dilakukan dengan mengkombinasikan citra

wajah masukan dengan citra wajah sumber acuan,

hingga akan didapatkan nilai koefisien korelasi yang

besarnya antara -1 dan +1. Saat nilai koefisien korelasi

semakin mendekati +1, bisa dikatakan citra masukan

semakin sama (mirip) dengan citra acuannya. Rumus

yang digunakan adalah:

Wajah adalah organ tubuh manusia yang berbentuk

muka oval dan memiliki fungsi pancaindera. Bentuk

wajah sangat bervariasi, namun pada umumnya terdiri

dari seperti hidung, mata, rambut, telinga, mulut, alismata

dan pipi.

III. PERANCANGAN PROGRAM

Program dibagi menjadi 2 proses, yaitu proses

pelatihan dan proses identifikasi. Diagram alir sistem

adalah sebagai berikut.

Gambar 2. Operator Roberts (operator silang)

M = Sx + S y ................................................................ (2.1) 2 2

3.1 Peningkatan Mutu Citra

Peningkatan mutu citra dilakukan untuk, salah

satunya, menghapus gangguan citra

3.1.1 Konversi Citra Aras Keabuan

Citra yang dibaca adalah citra warna (RGB)

sehingga citra perlu diubah ke dalam citra aras keabuan.

Pengubahan citra asli (citra warna) menjadi citra aras

keabuan menggunakan perintah: citra_keabuan =

rgb2gray(citra);

3.1.2 Pengubahan Ukuran Citra

Pengubahan ukuran citra menggunakan perintah

imresize, yaitu: ukuran=imresize (keabuan,[256 256]);

3.1.3 Pelembutan Citra

Pelembutan citra meliputi pengaturan intensitas

citra dan penapisan citra. Penapisan menggunakan

metode penapisan median dan penapisan wiener.

Perintah untuk proses pelembutan citra adalah:

median=medfilt2 (adjust,[3 3]); wiener=wiener2

(median, [5 5]);

3.1.4 Pengambangan (thresholding)

Perintah operasi pengambangan adalah sebagai

berikut. [m n]=size(equal);

for i=1:m,

for j=1:n, if(equal(i,j)> i = imread('E:/foto/gayadian.png');

I = rgb2gray(i);

BW1 = edge(I,'prewitt');

BW2= edge(I,'sobel');

BW3= edge(I,'roberts');

subplot (2,2,1);

imshow(I);

title('original');

subplot(2,2,2);

imshow(BW1);

title('Prewitt');

subplot(2,2,3);

imshow(BW2);

title('Sobel');

subplot(2,2,4);

imshow(BW3);

title('Roberts');

>>

BW = tepi (I) mengambil grayscale atau gambar

biner I sebagai input, dan mengembalikan biner BW

gambar dengan ukuran yang sama seperti saya, dengan 1

situlah fungsi menemukan tepi dalam I dan 0 di tempat

lain. Secara default, tepi menggunakan metode Sobel

untuk mendeteksi tepi tapi berikut ini memberikan daftar

lengkap dari semua tepi-temuan metode didukung oleh

fungsi ini:

Metode Sobel menemukan tepi menggunakan

pendekatan Sobel untuk derivatif. Ia mengembalikan tepi

pada titik-titik di mana gradien I adalah maksimal.

Metode Prewitt menemukan tepi menggunakan

pendekatan Prewitt untuk derivatif. Ia mengembalikan

tepi pada titik-titik di mana gradien I adalah maksimal.

Metode Roberts menemukan tepi menggunakan

pendekatan Roberts untuk derivatif. Ia mengembalikan

tepi pada titik-titik di mana gradien I adalah maksimal.

The Laplacian metode Gaussian menemukan tepi dengan

mencari nol penyeberangan setelah penyaringan I dengan

Laplacian of Gaussian filter.

Metode zero-lintas menemukan tepi dengan

mencari nol penyeberangan setelah penyaringan I dengan

filter yang Anda tentukan. Metode Canny menemukan

tepi dengan mencari local maxima dari gradien I. gradien

dihitung menggunakan turunan dari filter Gaussian.

Metode ini menggunakan dua ambang batas, untuk

mendeteksi tepi yang kuat dan lemah, dan termasuk tepi

lemah dalam output hanya jika mereka terhubung ke tepi

yang kuat. Metode ini karena itu kurang mungkin

dibandingkan orang lain untuk tertipu oleh kebisingan,

dan lebih mungkin untuk mendeteksi tepi yang lemah

benar. Parameter yang Anda dapat menyediakan berbeda

tergantung pada metode yang Anda tentukan. Jika Anda

tidak menentukan metode, tepi menggunakan metode

Sobel.

4.1.3 Histogram Citra

Histogram adalah grafik balok yang memperlihatkan satu

macam pengukuran dari suatu proses atau kejadian.

Grafik ini sangat cocok untuk data yang

dikelompokkan.Tujuan dibuatnya histogram adalah :

Mengetahui dengan mudah penyebaran data yang ada.

Mempermudah melihat dan menginterpretasikan data.

Sebagai alat pengendalian proses, sehingga dapat

mencegah timbulnya masalahkita mengambil file dan

kemudian memampatkan file menerapkan DCT dan FFT

pada gambar. Kompresi dilakukan

1. 70%

2. 50%

3. 30%

4. 10%

Scrip pada Histogram adalah :

% MORPHOLOGY

% histogram equalisation

filename= 'far.jpg'; % the filename to be read

im=imread(filename);

im=imresize(im,[256,256]);

im=rgb2gray(im);

figure(1);

subplot(1,2,1);

imshow(im);

subplot(1,2,2);

Imagesc(im); % display

axis('square');

colormap('gray');

imhist(im);

im_histeq=histeq(im);

figure(2);

subplot(1,2,1);

imshow(im_histeq); % display

%axis('square');

colormap('gray');

subplot(1,2,2);

imhist(im_histeq);

didapatkan tingkat pengenalan rata-rata 90%. Pengujian

dengan menggunakan metode deteksi tepi Roberts dan

Prewitt menghasilkan 84%, sehingga dapat dikatakan

bahwa metode deteksi tepi Sobel memiliki tingkat

keberhasilan lebih tinggi dalam sistem.

Di sini kita mengambil file dan kemudian memampatkan

file menerapkan DCT dan FFT pada gambar. Kompresi

dilakukan

1. 70%

2. 50%

3. 30%

4. 10%

Spatial Filtering

Edge detection merupakan teknik filtering yang

menggunakan spatial filtering. Teknik filtering yang

menggunakan spatial filtering, umumnya titik yang akan

diproses beserta titik-titik di sekitarnya dimasukkan ke

dalam sebuah matrix 2 dimensi yang berukuran N x N.

Matrix ini dinamakan matrix neighbor. Di mana N ini

besarnya tergantung dari kebutuhan, tetapi umumnya N

ini selalu kelipatan ganjil karena titik yang akan diproses

diletakkan di tengah dari matrix.

Citra gambar ke filter Image

Dalam tahap ini merupakan tahap pemecahan image

kedalam obyek-obyek yang terkandung didalamnya yang

dapat menjadi sarana untuk automated image analysis,

misal untuk pengenalan obyek-obyek dalam image.

Segmentasi dapat dilakukan berdasar pada kemiripan

(similarity), dimana image dibagi berdasar kemiripan gray

level. Teknik yang termasuk dalam kelompok ini adalah

thresholding, region growing, region splitting, region merging. Contoh matrix ini dapat digambarkan sebagai berikut :

Gambar 2.3 (a) adalah contoh matrix neighbor

yang berukuran 3 x 3 dan gambar 2.3 (b) berukuran 5 x 5.

Sedangkan T adalah titik yang akan diproses. Selain

digunakannya matrix neighbor, teknik spatial filtering

menggunakan sebuah matrix lagi yang dinamakan mask.

Segmentasi atau contouring dapat juga diperoleh dengan

menggunakan operasi morfologi. Segmentasi membagi

gambar ke daerah konstituen atau benda. Tingkat yang

subdivisi dilakukan tergantung pada masalah yang

dipecahkan. Artinya, segmentasi harus berhenti ketika

obyek yang menarik dalam aplikasi telah diisolasi.

Sebagai contoh, dalam pemeriksaan otomatis rakitan

elektronik, gambar terletak dalam menganalisis gambar

dari produk dengan tujuan untuk menentukan ada atau

tidak adanya anomali tertentu, seperti komponen hilang

atau jalur-jalur penghubung rusak. Tidak ada gunanya

dalam menjalankan segmentasi melewati tingkat detail

yang diperlukan untuk mengidentifikasi elemen-elemen.

Penataan Elemen:

Unsur penataan terdiri dari pola ditetapkan sebagai

koordinat sejumlah titik diskrit relatif terhadap asal

beberapa. Asal ditandai dengan sebuah cincin di sekeliling

titik itu.

Erosi :

Erosi dari A dengan B didefinisikan sebagai:

Dimana A adalah gambar dan B adalah elemen struktural.

Satu aplikasi sederhana menghilangkan detil yang tidak

relevan dari gambar biner.

1 2 3

4 T 5

6 7 8

1 2 3 5 4

6 8 7 1

0

9

T 1

1

1

2

1

4

1

3 1

9

1

8

1

5

1

6

1

7 2

0

2

1

2

2

2

4

2

3

(a)

(b)

Penataan Elemen

Erosion

Penebalan

Penebalan adalah operasi morfologi yang digunakan

untuk tumbuh daerah yang dipilih dari piksel latar depan

dalam gambar biner, agak seperti pelebaran atau

penutupan:

Dengan demikian citra menebal terdiri dari gambar asli

ditambah piksel foreground tambahan diaktifkan oleh hit-

and-miss transform

Penataan elemen untuk menentukan convex hull

menggunakan penebalan. Pada setiap iterasi dari

penebalan tersebut, setiap elemen harus digunakan secara

bergantian, dan kemudian di setiap 90 rotasi mereka,

memberikan 8 elemen penataan yang efektif secara total.

Thresh=120; % threshold

filename= 'E:/foto/gayadian.png'; % the file to be read

im=imread(filename);

im=imresize(im, [256 256]);

figure(1);

Imagesc(im); % display

axis('square');

colormap('gray');

im1=uint8(im);

LEVEL=Thresh/255.0;

BW = IM2BW(im1,LEVEL); %converts the intensity

image I to black and white.

% dilation

K3=ones(3); K5=ones(5); K7=ones(7); K9=ones(9);

B3=imdilate(BW,K3);

B5=imdilate(BW,K5);

B7=imdilate(BW,K7);

B9=imdilate(BW,K9);

figure(2);

Imagesc(B3); % display

axis('square');

colormap('gray');

figure(3);

Imagesc(B5); % display

axis('square');

colormap('gray');

figure(4);

Imagesc(B7);

axis('square');

colormap('gray');

figure(5);

Imagesc(B9);

axis('square');

colormap('gray');

im1=uint8(im);

BW = IM2BW(im1,LEVEL);

% erosion

K3=ones(3); K5=ones(5); K7=ones(7); K9=ones(9);

B3=imerode(BW,K3);

B5=imerode(BW,K5);

B7=imerode(BW,K7);

B9=imerode(BW,K9);

figure(6);

Imagesc(B3);

axis('square');

colormap('gray');

figure(7);

Imagesc(B5);

axis('square');

colormap('gray');

figure(8);

Imagesc(B7);

axis('square');

colormap('gray');

figure(9);

Imagesc(B9);

axis('square');

colormap('gray');

im1=uint8(im);

BW = IM2BW(im1,LEVEL);

figure(10);

Imagesc(BW);

axis('square');

colormap('gray');

% opening

op=bwmorph(BW,'open');

figure(11);

Imagesc(op);

axis('square');

colormap('gray');

im1=uint8(im);

BW = IM2BW(im1,LEVEL);

% closing

op=bwmorph(BW,'close');

figure(12);

Imagesc(op);

axis('square');

colormap('gray');

im1=uint8(im);

BW = IM2BW(im1,LEVEL);

% thinning

op=bwmorph(BW,'thin');

figure(13);

Imagesc(op);

axis('square');

colormap('gray');

im1=uint8(im);

BW = IM2BW(im1,LEVEL);

% thickening

op=bwmorph(BW,'thick');

figure(14);

Imagesc(op);

axis('square');

colormap('gray');

4.1.4 Identifikasi Citra

Dari hasil pengujian identifikasi jenis bentuk

daun didapatkan tingkat pengenalan rata-rata 74% untuk

metode deteksi tepi Sobel. Pengujian dengan

menggunakan metode deteksi tepi Roberts

menghasilkan 75%, dan pengujian dengan

menggunakan metode deteksi tepi Prewitt menghasilkan

75%, sehingga dapat dikatakan bahwa metode deteksi

tepi Roberts dan Prewitt memiliki tingkat keberhasilan

lebih tinggi dalam sistem.

Sedangkan dari hasil pengujian identifikasi jenis

tepi wajah, untuk metode deteksi tepi Sobel

4.2. Analisis

B e r d a s a r k a n p e n g u j i a n y a n g t e l a h

dilakukan, kinerja sistem mencapai kondisi tingkat

keberhasilan sampai 90%, berdasarkan hasil analisis,

kondisi ini bisa jadi dipengaruhi oleh beberapa faktor

sebagai berikut.

1. Adanya kemiripan tekstur wajah. Kesalahan identifikasi dapat terjadi apabila terdapat

tekstur pada basisdata yang memiliki ciri-ciri atau

pola informasi yang sangat dekat atau hampir sama

(mirip).

2. Adanya kecacatan pada objek wajah Meskipun secara visual tidak mirip, namun

kedekatan ciri-ciri atau pola informasi biasa terjadi

karena adanya cacat pada tekstur.

3. Proses pengambilan objek wajah. Citra wajah yang diperoleh sangat dipengaruhi oleh

proses pengambilannya, dimana sudut pemotretan

dan tingkat kecerahan cahaya akan menentukan

terbentuknya sebuah bayangan di belakang objek

yang juga akan berpengaruh.

4. Ciri-ciri atas wajah yang diekstraksi lebih jauh. Dalam penelitian ini digunakan ciri tepi dan bentuk.

Padahal ada beberapa ciri wajah yang tidak termasuk

dua ciri di atas, misalnya: ukuran, warna, kekasaran

muka wajah, dan sebagainya.

5

V . P E N U T U P

5 . 1 K e s i mp u l a n

Dari hasil pengujian yang diperoleh dan analisis

yang telah dilakukan, maka diambil kesimpulan sebagai

berikut.

1. Metode deteksi tepi dengan pencocokan pola dapat diimplementasikan sebagai sistem pengenalan pola

wajah.

2. Pada pengujian pengenalan jenis bentuk wajah, metode deteksi tepi yang mempunyai tingkat

keberhasilan pengenalan paling tinggi adalah metode

deteksi tepi Roberts dan Prewitt, yaitu sebesar 75%.

Sedangkan metode deteksi tepi Sobel memiliki

tingkat keberhasilan pengenalan sebesar 74%.

3. Pada pengujian pengenalan jenis tepi wajah, metode deteksi tepi yang mempunyai tingkat keberhasilan

pengenalan paling tinggi adalah metode deteksi tepi

Sobel, yaitu sebesar 90%. Sedangkan metode deteksi

tepi Roberts dan Prewitt memiliki tingkat

keberhasilan pengenalan sebesar 84%.

4. Adanya kesalahan identifikasi bisa disebabkan oleh

adanya citra daun yang memiliki kedekatan ciri-ciri

atau pola informasi yang hampir sama (mirip).

DAFTAR PUSTAKA

[1] Ahmad, U., Pengolahan Citra Digital & Teknik Pemrogramannya, Graha Ilmu , 2005.

[2] Gonzales, R.C. dan R. E. Woods, Digital Image Processing, Addison-Wesley Publishing

Company, 1992.

[3] Indira, Merly, dkk., Perbandingan Metode Pendeteksi Tepi Studi Kasus: Citra USG

Janin, Kommit 2008, Depok, 2008.

[4] Marvin, W. dan A. Prijono, Pengolahan Citra Digital Menggunakan Matlab, Informatika,

Bandung, 2007.

[5] Munir, R., Pengolahan Citra Digital dengan Pendekatan Algoritmik. Informatika

Bandung, 2004.

[6] Murni, A. dan S. Setiawan, Pengantar Pengolahan Citra, Elex Media Komputindo,

Jakarta,1992.

[7] Wardhana, A. W. dan Y. Prayudi, Penggunaan Metode Template Matching Untuk

Identifikasi Kecacatan Pada PCB, SNATI

Jogjakarta, 2008.

[8] Wu, Stephen Gang, dkk., A Leaf Recognition Algorithm for Plant classification Using

Probabilistic Neural Network, Egypt, 2007.

[9] ---, htttp://www.mathworks.com, Oktober 2008. [10] ---, http://www.wikipedia.org, Februari 2010.

6