PERANCANGAN PERANGKAT LUNAK UNTUK …eprints.uns.ac.id/10287/1/190041711201104121.pdf · BERBASIS PENGOLAHAN CITRA Skripsi Sebagai Persyaratan Untuk Memperoleh Gelar Sarjana Teknik

perpustakaan.uns.ac.id digilib.uns.ac.id

commit to user

PERANCANGAN PERANGKAT LUNAK UNTUK MENENTUKAN BESAR SUDUT PADA SEGMEN TUBUH

BERBASIS PENGOLAHAN CITRA

Skripsi

Sebagai Persyaratan Untuk Memperoleh Gelar Sarjana Teknik

EDI SUMARSO

I 1306033

JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNIK UNIVERSITAS SEBELAS MARET

SURAKARTA 2011


commit to user

ii

LEMBAR PENGESAHAN

Judul Skripsi:



Ditulis oleh:

Edi Sumarso I 1306033

Mengetahui,

Dosen Pembimbing I

Dr. Cucuk Nur Rosyidi, ST, MT. NIP. 19711104 199903 1 001

Dosen Pembimbing II

Taufiq Rochman, STP., MT. NIP. 19701030 199802 1 001

Ketua Program S-1 Non Reguler

Jurusan Teknik Industri Fakultas Teknik UNS

Taufiq Rochman, STP., MT. NIP. 19701030 199802 1 001

Pembantu Dekan I Fakultas Teknik UNS

Ir. Noegroho Djarwanti, MT NIP. 19561112 198403 2 007

Ketua Jurusan Teknik Industri Fakultas Teknik UNS

Ir. Lobes Herdiman, MT NIP. 19641007 199702 1 001


commit to user

iii

LEMBAR VALIDASI

Judul Skripsi:



Ditulis oleh:

Edi Sumarso I 1306033

Telah disidangkan pada hari Rabu tanggal 27 April 2011

Di Jurusan Teknik Industri Fakultas Teknik Universitas Sebelas Maret Surakarta,

dengan

Dosen Penguji

1. Azizah Aisyati, ST, MT NIP. 19720318 199702 2 001

2. Yuniaristanto, ST, MT NIP. 19750617 200012 1 001

Dosen Pembimbing

1. Dr. Cucuk Nur Rosyidi, ST, MT NIP. 19711104 199903 1 001

2. Taufiq Rochman, STP., MT NIP. 19701030 199802 1 001


commit to user

iv

SURAT PERNYATAAN ORISINALITAS KARYA ILMIAH

Saya mahasiswa Jurusan Teknik Industri Fakultas Teknik UNS yang bertanda

tangan di bawah ini:

Nama : Edi Sumarso

NIM : I 1306033

Judul tugas akhir : Perancangan Perangkat Lunak untuk Menentukan Besar

Sudut Pada Segmen Tubuh Berbasis Pengolahan Citra

Dengan ini saya menyatakan bahwa Tugas Akhir atau Skripsi yang saya susun

tidak mencontoh atau melakukan plagiat dari karya tulis orang lain. Jika terbukti

Tugas Akhir yang saya susun tersebut merupakan hasil plagiat dari karya orang

lain maka Tugas Akhir yang saya susun tersebut dinyatakan batal dan gelar

sarjana yang saya peroleh dengan sendirinya dibatalkan atau dicabut.

Demikian surat pernyataan ini saya buat dengan sebenarnya dan apabila di

kemudian hari terbukti melakukan kebohongan maka saya sanggup menanggung

segala konsekuensinya.

Surakarta, 28 April 2011

Edi Sumarso I1306055


commit to user

v

SURAT PERNYATAAN PUBLIKASI KARYA ILMIAH

Saya mahasiswa Jurusan Teknik Industri UNS yang bertanda tangan di bawah ini,

Nama : Edi Sumarso

NIM : I 1306033

Judul tugas akhir : Perancangan Perangkat Lunak untuk Menentukan Besar

Sudut Pada Segmen Tubuh Berbasis Pengolahan Citra

Menyatakan bahwa Tugas Akhir (TA) atau Skripsi yang saya susun sebagai syarat

lulus Sarjana S1 disusun secara bersama-sama dengan Pembimbing I dan

Pembimbing II. Bersamaan dengan syarat pernyataan ini bahwa hasil penelitian

dari Tugas Akhir (TA) atau Skripsi yang saya susun bersedia digunakan untuk

publikasi dari proceeding, jurnal, atau media penerbit lainnya baik di tingkat

nasional maupun internasional sebagaimana mestinya yang merupakan bagian

dari publikasi karya ilmiah

Demikian surat pernyataan ini saya buat dengan sebenar-benarnya.


Edi Sumarso I1306033


commit to user

vi

KATA PENGANTAR

Alhamdulillah, puji syukur penulis ucapkan kehadirat Allah SWT yang telah

memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan

skripsi ini. Shalawat serta salam kepada Rasulullah Muhammad SAW, Al Amin

suri tauladan kita.

Pada kesempatan ini, dengan segenap kerendahan hati dan rasa yang setulus-

tulusnya, penulis mengucapkan terima kasih yang sebesar-besarnya kepada :

1. Allah SWT, yang telah melimpahkan segala berkah dan rahmat-Nya sehingga

penulis dapat menyelesaikan laporan skripsi ini dengan lancar.

2. Kedua orang tua tercinta, Ibu dan Ayahku yang telah mendidik dan

membesarkan anak-anaknya dengan kasih sayang serta nasehat yang telah

diberikan hingga saya menjadi tumbuh besar seperti sekarang ini.

3. Kakak tercinta, mbak Atik dan mbak Tutik, kakak iparku mas Tarto, dan

keponakanku Zaza. atas do’a dan dukungannya yang telah dicurahkan. “Love

U All”

4. Ibu Ir. Noegroho Djarwanti, MT, selaku Pembantu Dekan I Fakultas Teknik

Universitas Sebelas Maret Surakarta.

5. Bapak Ir. Lobes Herdiman, MT, selaku Ketua Jurusan Teknik Industri

Fakultas Teknik Universitas Sebelas Maret Surakarta.

6. Bapak Taufiq Rochman, STP, MT, selaku Ketua Program S-1 Nonreguler

Jurusan Teknik Industri Fakultas Teknik Universitas Sebelas Maret Surakarta.

7. Bapak Dr. Cucuk Nur Rosyidi, ST, MT, selaku dosen pembimbing skripsi I

dan Bapak Taufiq Rochman, STP, MT selaku dosen pembimbing skripsi II

yang telah sabar dalam memberikan pengarahan dan bimbingan sehingga

penulis dapat menyelesaikan skripsi ini dengan lancar.

8. Ibu Azizah Aizyanti, ST, MT selaku dosen penguji skripsi I, dan Bapak

Yuniaristanto ST, MT, selaku dosen penguji skripsi II yang berkenan

memberikan saran dan perbaikan terhadap skripsi ini.

9. Ibu Retno Wulan Damayanti ST, MT, selaku pembimbing akademik.


commit to user

vii

10. Seluruh staf dan karyawan Jurusan Teknik Industri UNS, atas segala

kesabaran dan kesediaan dalam memberikan bantuan dan fasilitas demi

kelancaran penyelesaian skripsi ini.

11. Orang tersayang yang telah setia menemani dalam keadaan apapun walaupun

terpisah ruang dan waktu . ”Miss U ”

12. Sobat latansa Danang Setya Nugroho, Ferdy Nugroho, Heru Crisnanto, dan

Lya iwan Efendi yang telah bersama-sama menjalani kuliah ini dengan

banyak kenangan yang akan tetap berkesan, semoga kita tetep kompak ya

sobat (Satu Hati Satu Rasa).

13. Keluarga besar kontrakan The Keppind’s Community, Sultra Retnawan

suripto, Tira Budi Utomo, Miftahudin, Testiyan Wijaya, dan Angger Oscar

Arista, Terima kasih atas segala kebersamaan dan bantuannya.

14. Sahabat-sahabatku , Hendro Dwi K, Sheilma Puspita Rani, Sultra Retnawan ,

Angger Oskar Arista, Ida susanti, Rofiatin, Erva Septyana, Rezky Adista, ,

Febri Sigit, Nur Farida yang telah memberi semangad dan motivasi serta

temen ngumpul dijurusan. Luph U all ☺.

15. Rekan-rekan satu kelas lainnya, Hary Prastowo, Eko Kurniawan, Brian Joko,

Dwi Sundari, Erika Fauziah, Ani Lestari, Kumbara Prima Putra, FX. Swasto,

Didik Priyadi, Edy Wiranata, Hapsari, Amrina, Hendra, Kumbara Prima,

Erlyna Dian, Arif As’ari. Fiko Erisa, , , Wakhid, Witarso, Taufik, Terima

kasih buat persahabatannya, kebersamaann dan dukungannya.

16. Saodara–saodara LATIC (Lawu Tiger Club) dan Tiger seindonesia

terimakasih untuk dukugannya dan doanya, (Jagan biarkan Tourring

mengganggu aktifitas kuliah u) BRAVO LATIC.

17. Temen-temen Rumah semuanya trimakasih.

18. Temen-temen kost Jaya kusuma jon koplo, mbah ompong, memex, wahyu,

dini, dan semuanya... yang telah melalui hari-hari bersama di jaya

kusuma...merdeka...

19. Seluruh pihak-pihak yang tidak dapat penulis sebutkan satu persatu, atas

segala bimbingan, bantuan, kritik, dan saran dalam penyusunan tugas akhir

ini.


commit to user

viii

Semoga skripsi ini dapat bermanfaat bagi rekan-rekan mahasiswa maupun

siapa saja yang membutuhkannya. Penulis menyadari bahwa laporan tugas akhir

ini masih jauh dari sempurna, dengan senang hati dan terbuka penulis menerima

segala saran dan kritik yang membangun.


Penulis


commit to user

vi

DAFTAR ISI

Hal

ABTRAK..........................................................................................................................v

ABSTRACT.......................................................................................................................vi

KATA PENGANTAR.....................................................................................................vii

DAFTAR ISI.................................................................................................................... ix

DAFTAR TABEL............................................................................................................xiii

DAFTAR GAMBAR.......................................................................................................xiv

DAFTAR LAMPIRAN....................................................................................................xvi

BAB I PENDAHULUAN

1.1. Latar Belakang Masalah....................................................................... I-1

1.2. Perumusan Masalah.............................................................................. I-2

1.3. Tujuan Penelitian.................................................................................. I-3

1.4. Manfaat Penelitian................................................................................ I-3

1.5. Batasan Masalah................................................................................... I-3

1.6. Asumsi.................................................................................................. I-3

1.7. Sistematika Penulisan........................................................................... I-3

BAB II TINJAUAN PUSTAKA

2.1. Pengolahan Citra.................................................................................. II-1

2.2. Matlab................................................................................................... II-2

2.3. Elemen Citra......................................................................................... II-4

2.4. Segmentasi Gambar.............................................................................. II-5

2.5. Citra Biner............................................................................................ II-6

2.5.1. Konversi Citra Hitam Putih ke Citra Biner............................... II-6

2.6. Deteksi Tepi (Edge Detection).............................................................. II-7

2.6.1. Prinsip-Prinsip Deteksi Tepi..................................................... II-7

2.7. Skeletonisasi......................................................................................... II-9

2.8. Algoritma Thinning....................................................................,..........II-10

2.9. Pruning................................................................................................. II-12


commit to user

vii

2.10. Definisi, Tujuan dan Manfaat Thinning............................................... II-14

2.11. Metode Rapid Upper Limb Assessment (Rula)..................................... II-14

BAB III METODOLOGI PENELITIAN

3.1. Identifikasi Masalah ............................................................................... III-2

3.2. Studi Pustaka........... ............................................................................... III-2

3.3. Latar Belakang Masalah.......................................................................... III-2

3.4. Penentuan Tujuan Penelitian .................................................................. III-2

3.5. Pengembagan Algoritma......................................................................... III-2

3.6. Pengembagan Program Dengan Matlab 7.8............................................ III-3

3.7. Ujicoba Perangkat Lunak........................................................................ III-3

3.8. Analisis Dan Interprestasi Hasil.............................................................. III-3

3.9. Kesimpulan Dan Saran ........................................................................... III-3

BAB IV PERANCANGAN ALGORITMA

4.1. Pembacaan Berkas Citra......................................................................... IV-2

4.2. Citra Biner (Binari Image)...................................................................... IV-2

4.3. Deteksi Tepi (Edge Detection)................................................................ IV-3

4.4. Skeletonisasi.............................................................................................IV-3

4.4.1. Penentuan Titik Koordinat Sudut.................................................. IV-5

4.4.2. Perumusan Titik Koordinat........................................................... IV-5

4.4.3. Output Sudut................................................................................. IV-6

4.5. GUI (Graphic User Interface)................................................................. IV-7

4.6. Pengujian Perangkat Lunak..................................................................... IV-9

BAB V ANALISIS DAN INTERPRETASI HASIL

5.1. Analisis Hasil Penelitian....................................................................... V-1

5.1.1 Analisis Perangkat Lunak..................................................................... V-1

5.1.2 Analisis Hasil Pengujian Sudut............................................................. V-2

5.1. Intepretasi Hasil.................................................................................... V-2


commit to user

viii

BAB VI KESIMPULAN DAN SARAN

6.1. Kesimpulan........................................................................................... VI-1

6.2. Saran..................................................................................................... VI-1

DAFTAR PUSTAKA


commit to user

ix

DAFTAR TABEL Hal

Tabel 4.1. Total Hasil Uji Perangkat Lunak................................................................. IV-19

Tabel 4.2. Data Perhitugan Uji 1................................................................................. IV-20

Tabel 4.3. Data Perhitugan Uji 2.................................................................................. IV-22




Tabel 4.7. Hasil Pengujian............................................................................................ IV-29


commit to user

x

DAFTAR GAMBAR Hal

Gambar 2.1. Proses Deteksi Tepi Citra...........................................................................II-7

Gambar 2.2. Hasil Beberapa Deteksi Tepi......................................................................II-8

Gambar 2.3. Gambar (kernel)........................................................................................ II-8

Gambar 2.4. Hasil Gambar Skeletonisasi...................................................................... II-11


Gambar 2.6. Gambar Sebelum dan Sesudah Thinning.................................................. II-13


Gambar 2.8. Postur tubuh bagian lengan atas (upper arm)........................................... II-16

Gambar 2.9. Postur tubuh bagian lengan atas (lower arm)........................................... II-16

Gambar 2.10. Postur tubuh bagian pergelangan tangan (wrist)...................................... II-16

Gambar 2.11. Postur tubuh bagian leher (neck).............................................................. II-16

Gambar 2.12. Postur tubuh bagian batang tubuh (trunk)................................................ II-17

Gambar 2.13. Komponen vektor bidang datar................................................................ II-17

Gambar 2.14. Notasi vektor............................................................................................ II-18

Gambar 2.15. Grafik persamaan kutub simetri sumbu x................................................. II-19

Gambar 2.16. Grafik persamaan kutub simetri sumbu y................................................. II-19

Gambar 2.17. Grafik persamaan kutub simetri terhadap titik asal.................................. II-20

Gambar 3.1. Metodologi penelitian............................................................................... III-1

Gambar 4.1. Diagram Alir Algoritma Perangkat Lunak............................................... IV-1

Gambar 4.2. Citra Biner................................................................................................ IV-2

Gambar 4.3. Deteksi tepi Canny (a) Citra awal (b) Citra hasil..................................... IV-3

Gambar 4.3. (a) Himpunan citra asli A (b) Berbagai posisi ligkaran, sedemikian rupa

sehingga pustnya berada pada kerangka A (c) Kerangka A secara

lengkap.................................................................................................... IV-4

Gambar 4.5. Titik interaksi mouse................................................................................. IV-5

Gambar 4.6. Proses citra perumusan titik koordinat sudut............................................ IV-6

Gambar 4.7. Output sudut............................................................................................. IV-7

Gambar 4.8. Tampilan graphic user intrface................................................................. IV-8

Gambar 4.9. (a) Citra gambar asli (b) Citra hasil GUI (c) Citra hasil Skeletonisasi

GUI Matlab (d) Citra hasil Autoca.......................................................... IV-9


commit to user

xi

Gambar 4.10. a) Citra gambar asli (b) Citra hasil GUI (c) Citra hasil Skeletonisasi

GUI Matlab (d) Citra hasil Autocad.................................................... IV-10






GUI Matlab (d) Citra hasil Autocad.................................................. IV-13


GUI Matlab (d) Citra hasil Autocad................................................... IV-14










commit to user

xii

DAFTAR LAMPIRAN Hal

Lampiran I-1 Hitung nilai sudut Lengan bawah (lower arm) ........................................ L-1

Lampiran I-2 Hitung nilai sudut Lengan bawah (lower arm)......................................... L-3

Lampiran I-3 Hitung nilai sudut Pergelagan tangan (wrist) ........................................... L-5

Lampiran I-4 Hitung nilai sudut Leher (neck) ................................................................ L-7

Lampiran I-5 Hitung nilai sudut Batang tubuh (trunk) ................................................... L-9


commit to user

ix

ABSTRAK

Edi Sumarso. NIM : I1306033. PERANCANGAN PERANGKAT LUNAK UNTUK MENENTUKAN SUDUT PADA SEGMEN TUBUH BERBASIS PENGOLAHAN CITRA. Skripsi. Surakarta : Jurusan Teknik Industri, Fakultas Teknik, Universitas Sebelas Maret, April 2011.

Manual Material Handling banyak dijumpai dalam aktifitas kerja sehari-

hari. Untuk mengurangi resiko cidera dalam aktifitas MMH, dikembangkan

beberapa analisis postur. RULA adalah salah satu metode yang dapat digunakan

untuk menganalisis postur berdasarkan sudut segmen tubuh bagian atas. Sudut

tersebut dapat ditentukan besarannya dengan menggunakan dua cara yaitu secara

manual dan menggunakan bantuan komputer. Penelitian ini bertujuan

mengembangkan perangkat lunak berbasis pengolahan citra untuk menentukan

besaran sudut segmen tubuh bagian atas menggunakan fungsi dalam Matlab 7.8,

seperti deteksi tepi dan skeletonisasi. Deteksi tepi digunakan untuk mendeteksi

batas-batas citra sedangkan skeletonisasai digunakan untuk mengubah citra

menjadi satu piksel. Penentuan sudut dilakukan dengan menggunakan tiga titik

koordinat yang hasilnya kemudian dibandingkan dengan hasil pengukuran sudut

dengan Autocad. Uji t berpasangan digunakan untuk mengetahui perbedaan hasil

pengukuran sudut kedua perangkat lunak tersebut.

Dari penelitian ini dapat disimpulkan bahwa pengolahan citra dapat

digunakan untuk menentukan besaran sudut segmen tubuh bagian yang relavan

dengan RULA. Perangkat lunak yang dihasilkan memberikan akurasi yang lebih

baik dibandingkan dengan Autocad. Hal ini disebabkan pada penentuan sudut

menggunakan Autocad diperlukan garis bantu sebagai dasar penentuan sudut

dalam perangkat lunak yang dihasilkan dari penelitian ini diperoleh dari proses

skeletonisasi. Perangkat lunak yang dihasilkan dapat dikembangkan lebih lanjut

agar dapat mendeteksi dan menentukan sudut secara otomatis dan dapat

diintergrasikan dengan RULA berbantuan komputer.

Kata Kunci: Pengolahan citra, segmen tubuh, sudut, RULA.

xix + 74 halaman; 36 gambar; 7 tabel; 4 lampiran Daftar Pustaka: 12 (1993-2010)


commit to user

I-1

BAB I

PENDAHULUAN

Pada bab ini dijelaskan mengenai latar belakng masalah dari penelitian,

perumusan masalah yang diangkat dalam penelitian ini, tujuan dan manfaat dari

penelitian yang dilakukan. Berikutnya diuraikan mengenai batsan masalah, asumsi

yang digunakan dalam penelitian, dan sistematika penulisan untuk menyelesaikan

permasalahan yang diangkat dalam penelitian.

1.1 LATAR BELAKANG

Postur kerja merupakan pengaturan sikap tubuh pada saat bekerja. Sikap kerja

yang berbeda akan menghasilkan kekuatan yang berbeda. Postur kerja yang baik

sangat ditentukan oleh pergerakan postur tubuh pada saat melakukan aktivitas

kerja. Pada saat ini metode yang digunakan untuk mengganalisis postur kerja

adalah metode RULA (Rapid Upper Limb Assessment). Beberapa penelitian telah

dilakukan dengan menggunakan metode RULA, diantaranya adalah Hedge (1995)

yang menganalisis postur kerja yang mengunakan metode RULA. Kothiyal dan

Yuen (1995) menganalisis posisi mouse untuk aktivitas otot dengan menggunakan

metode RULA dan EMG (elektromiografi). Lueder (1996) menjelaskan cara

pengaplikasian metode RULA, khususnya untuk para pengguna komputer.

Penelitian menggunakan metode RULA telah dilakukan oleh (Pourmahabadian,

1998). Penelitian tersebut dilakukan pada pekerja bagian pengepakan industri

farmasi di Iran, dimana para pekerja banyak melakukan postur kerja duduk. Hasil

penelitian menunjukkan bahwa total skor RULA adalah 4 dan 5 yang

mengindikasikan bahwa pekerjaan pengepakan pada industri farmasi di Iran

memiliki level resiko kecil dan diperlukan tindakan perbaikan postur kerja

beberapa waktu ke depan.

Pada metode RULA untuk perhitungan skor elemen-elemennya masih

dilakukan dengan menggunakan cara manual, masih menggunakan busur

bilahsinus atau penggaris busur untuk menentukan sudut. Proses tersebut

membutuhkan waktu yang relatif lama dengan tingkat keakuratan yang rendah.


commit to user

I-2

Untuk mempercepat dan meningkatkan tingkat akurasi dalam penentuan sudut

segmen tubuh, maka dirancang perangkat lunak yang dapat digunakan untuk

menentukan besar sudut pada segmen tubuh berbasis pengolahan citra.

Pengolahan citra adalah suatu bentuk proses sinyal dengan input berupa

gambar (image) yang ditransformasikan menjadi gambar lain sebagai keluarannya

dengan teknik tertentu (Gonzalez, 2004). Pengolahan citra dilakukan untuk

memperbaiki kesalahan data sinyal gambar yang terjadi akibat transmisi, serta

untuk meningkatkan kualitas penampakan gambar agar lebih mudah diinterpretasi

oleh sistem penglihatan manusia, dengan melakukan manipulasi dan juga analisis

terhadap gambar. Kegiatan memperbaiki kualitas citra agar mudah diinterpretasi

oleh manusia atau mesin (komputer). Inputannya adalah citra dan keluarannya

juga citra tapi dengan kualitas lebih baik dari pada citra masukan. Misal citra

warnanya kurang tajam, kabur (blurring), mengandung noise (misal bintik-bintik

putih), sehingga perlu ada pemrosesan untuk memperbaiki citra. Citra tersebut

menjadi sulit diinterpretasikan karena informasi yang disampaikan menjadi

berkurang.

Matlab adalah sebuah bahasa dengan kinerja tinggi (high performance)

untuk komputasi masalah teknik. Matlab mengintegrasikan komputasi, visualisasi,

dan pemrograman dalam suatu model yang sangat mudah untuk pakai. Dimana

masalah dan penyelesaiannya diekspresikan dalam notasi matematika yang

familiar. Matlab bisa digunakan untuk menganalisis citra, yang merupakan suatu

sistem interaktif yang memiliki elemen data dalam suatu array sehingga tidak lagi

terhalang dengan masalah dimensi. Matlab mempunyai fungsi-fungsi yang dapat

digunakan untuk pengolahan citra misalkan algoritma deteksi tepi, dan

skeletonisasi. Kegunaan deteksi tepi ini ditujukan untuk mengetahui tepi-tepi

objek dalam citra dan skeletonsasi bertujuan untuk mendapatkan kerangka dari

suatu objek di dalam suatu citra objek atau disebut proses merubah bentuk dari

citra hasil restorasi yang berbentuk deteksi tepi citra menjadi citra yang

menampilkan batas-batas objek yang hanya setebal satu piksel (Gonzalez, 2004).


commit to user

I-3

Pada saat ini, salah satu bidang yang mengalami peningkatan adalah sistem

pengenalan gaya gerak berjalan manusia (Gait Recognition). Sistem pengenalan

ini memetakan titik-titik dari tubuh manusia. Teknologi ini satu generasi lebih

maju dibandingkan teknologi pengenalan yang sudah dikenal saat ini. Gaya

berjalan memiliki kemampuan yang tinggi untuk membedakan seseorang, akan

tetapi cukup untuk keperluan verifikasi dengan tingkat keamanan yang rendah.

Lestari (2004) menyatakan pengenalan seseorang dari cara berjalannya dapat

dilakukan dengan analisis angular (sudut yang dibentuk bagian-bagian kaki saat

berjalan dari samping). Dalam penelitian tersebut untuk menentukan sudut pada

bagian-bagian kaki saat berjalan dari samping, metode pengolahan citra, citra

digital, citra biner, skeletonisasi, dan Hough Transform. Metode citra digital, citra

biner, skeletonisasi pada penelitian tersebut digunakan sebagai acuan dalam

penelitian ini untuk menentukan besaran sudut pada segemen tubuh.

1.2 PERUMUSAN MASALAH

Masalah di penelitian ini dapat dirumuskan sebagai berikut: Bagaimana

merancang perangkat lunak untuk menentukan besar sudut segmen tubuh berbasis

pengolahan citra.

1.3 TUJUAN PENELITIAN

Tujuan penelitian ini adalah menghasilkan perangkat lunak yang dapat

digunakan untuk menentukan besar sudut pada segmen tubuh berbasis pengolahan

citra dengan memanfaatkan fungsi dari fitur-fitur matlab.

1.4 MANFAAT PENELITIAN

Manfaat yang diharapkan dari penelitian ini adalah :

1. Memberikan kemudahan, kecepatan dan ketepatan dalam penentuan

sudut pada segmen tubuh.

2. Meminimalkan kesalahan (human error) dalam menentukan sudut

pada segmen tubuh.


commit to user

I-4

1.5 BATASAN MASALAH

Batasan masalah dalam penelitian ini digunakan agar penelitan tidak terlalu

luas topik pembahasannya, adapun batasan masalah dalam penelitian ini adalah :

1. Penelitian ini hanya membahas perhitungan sudut.

2. Aplikasi dirancang menggunakan perangkat lunak Matlab 7.8.

3. Perhitungan ditentukan dengan 5 sudut yaitu Lengan atas, Lengan bawah,

Pergelangan tangan, Leher dan Batang tubuh.

1.6 ASUMSI

1. Sudut ditentukan dengan 3 titik.

2. Citra yang dianalisis tidak dipengaruhi oleh cahaya dan benda lain yang

dapat mengganggu proses pengolahan citra.

1.7 SISTEMATIKA PENULISAN

Penulisan penelitian dalam laporan tugas akhir ini mengikuti uraian yang

diberikan pada setiap bab yang berurutan untuk mempermudah pembahasannya.

Dari pokok-pokok permasalahan dapat dibagi menjadi enam bab, seperti

dijelaskan pada halaman selanjutnya.

BAB I : PENDAHULUAN

Bab ini berisikan pendahuluan yang meliputi latar belakang,

perumusan masalah, tujuan penelitian, pembatasan masalah dan

sistematika penulisan.

BAB II : STUDI PUSTAKA

Berisi mengenai landasan teori yang mendukung dan terkait langsung

dengan penelitian yang akan dilakukan dari buku, jurnal penelitian,

sumber literatur lain, dan studi terhadap penelitian terdahulu.


commit to user

I-5

BAB III : METODOLOGI PENELITIAN

Berisi tentang uraian langkah-langkah penelitian yang dilakukan,

selain juga merupakan gambaran kerangka berpikir penulis dalam

melakukan penelitian dari awal sampai penelitian selesai.

BAB IV : PERANCANGAN ALGORITMA

Berisi tentang data-data atau informasi yang diperlukan dalam

menganalisis permasalahan yang ada serta pengolahan data dengan

menggunakan metode yang telah ditentukan.

BAB V : ANALISIS DAN INTERPRETASI HASIL

Analisis berisi penjelasan dari output yang didapatkan pada tahapan

pengumpulan dan pengolahan data,`interpretasi hasil merupakan

ringkasan singkat dari hasil penelitian.

BAB VI : KESIMPULAN DAN SARAN

Berisi tentang kesimpulan yang diperoleh dari pengolahan data dan

analisis yang telah dilakukan serta rekomendasi yang diberikan untuk

perbaikan.


commit to user

II-1

BAB II LANDASAN TEORI

2.1 PENGOLAHAN CITRA (Image Processing)

Pengolahan citra merupakan proses pengolahan dan analisis citra yang

banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan

informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital secara

umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer.

Dalam definisi yang lebih luas, pengolahan citra digital juga mencakup semua

data dua dimensi. Citra digital adalah barisan bilangan nyata maupun kompleks

yang diwakili oleh bit-bit tertentu. Pengolahan citra adalah suatu metode yang

digunakan untuk memproses atau memanipulasi gambar dalam bentuk 2 dimensi

(Gonzalez, 2004). Pengolahan citra adalah suatu bentuk pengolahan atau

pemrosesan sinyal dengan input berupa gambar (image) dan ditransformasikan

menjadi gambar lain sebagai keluarannya dengan teknik tertentu. Pengolahan citra

dilakukan untuk memperbaiki kesalahan data sinyal gambar yang terjadi akibat

transmisi dan selama akuisisi sinyal, serta untuk meningkatkan kualitas

penampakan gambar agar lebih mudah diinterpretasi oleh sistem penglihatan

manusia baik dengan melakukan manipulasi dan juga penganalisisan terhadap

gambar. Pengolahan citra dapat juga dikatakan sebagai segala operasi untuk

memperbaiki, menganalisa, atau mengubah suatu gambar. Konsep dasar

pemrosesan suatu objek pada gambar menggunakan Pengolahan citra diambil dari

kemampuan indera penglihatan manusia yang selanjutnya dihubungkan dengan

kemampuan otak manusia.

Umumnya citra digital berbentuk persegi panjang atau bujur sangkar (pada

beberapa sistem pencitraan ada pula yang berbentuk segienam) yang memiliki

lebar dan tinggi tertentu. Ukuran ini biasanya dinyatakan dalam banyaknya titik

atau piksel sehingga ukuran citra selalu bernilai bulat. Setiap titik memiliki

koordinat sesuai posisinya dalam citra. Koordinat ini biasanya dinyatakan dalam

bilangan bulat positif, yang dapat dimulai dari 0 atau 1 tergantung pada sistem


commit to user

II-2

yang digunakan. Setiap titik juga memiliki nilai berupa angka digital yang

merepresentasikan informasi yang diwakili oleh titik tersebut .

Format data citra digital berhubungan erat dengan warna. Pada kebanyakan

kasus, terutama untuk keperluan penampilan secara visual, nilai data digital

merepresentasikan warna dari citra yang diolah. Format citra digital yang banyak

dipakai adalah Citra Biner (monochrome), Citra Skala Keabuan (grayscale), Citra

Warna (truecolor), dan Citra Warna Berindeks. Pengolahan citra adalah

pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang

kualitasnya lebih baik.

Analisis citra bertujuan mengidentifikasi parameter-parameter yang

diasosiasikan dengan ciri (feature) dari objek dalam citra, untuk selanjutnya

parameter tersebut digunakan dalam menginterpretasi citra. Analisis citra pada

dasarnya terdiri dari tiga tahapan : ekstraksi ciri (feature extraction), segmentasi

dan klasifikasi. Ada beberapa metode yang digunakan untuk mendeteksi untuk

menentukan posisi titik pusat target. Metode yang paling konvensional adalah

dengan mengukur atau mendigitasi pada media cetak kertas (hardcopy). Metode

Hough Transform, metode yang populer dalam pendekatan (approximation)

kurva. Metode ini dikenal memiliki keunggulan dalam mendeteksi keberadaan

objek yang memiliki pola tertentu walaupun tidak diketahui posisinya, serta relatif

tidak terpengaruh oleh derau (noise) maupun data yang tidak lengkap atau hilang.

Kemampuannya dalam melakukan deteksi objek bahkan menyamain template

matching, tetapi jauh lebih cepat (Munir, 2004).

2.2 MATLAB

Matlab adalah sebuah bahasa dengan kemampuan tinggi untuk komputasi

teknis. Ia menggabungkan komputasi, visualisasi, dan pemrograman dalam satu

kesatuan yang mudah digunakan di mana masalah dan penyelesaiannya

diekspresikan dalam notasi matematik yang sudah dikenal. Pemakaian matlab

meliputi :

1. Matematika dan komputasi

2. Pengembangan algoritma

3. Akuisisi data


commit to user

II-3

4. Pemodelan, simulasi dan prototype

5. Grafik saintifik dan engineering

6. Perluasan pemakaian, seperti graphical user interface (GUI).

Matlab adalah system interaktif yang mempunyai basis data array yang

tidak membutuhkan dimensi. Ini memungkinkan kita dapat menyelesaikan banyak

masalah komputasi teknis, khususnya yang berkaitan dengan formulasi matrik dan

vector. Nama matlab merupakan singkatan dari matrix labolatory. Matlab

awalnya dibuat untuk memudahkan dalam mengakses software matriks yang telah

dikembangkan oleh Linpack dan Eispack. Dalam perkembangannya, matlab

mampu mengintegrasikan beberapa software matriks sebelumnya dalam satu

software untuk komputasi matriks. Tidak hanya itu, Matlab juga mampu

melakukan komputasi simbolik yang biasa dilakukan oleh MAPLE.

Sistem Matlab terdiri atas lima bagian utama :

1. Development Environment. Ini adalah kumpulan semua alat-alat dan

fasilitas untuk membantu kita dalam menggunakan fungsi dan file

MATLAB. Bagian ini memuat desktop, Command window, command

history, editor and debugger, dan browser untuk melihat help, workspace,

files.

2. The Matlab Mathematical Function Library. Bagian ini adalah koleksi

semua algoritma komputasi, mulai dari fungsi sederhana seperti sum, sine,

cosine sampai fungsi lebih rumit seperti, invers matriks, nilai eigen, fungsi

Bessel dan fast Fourier transform.

3. The matlab language. Ini adalah bahasa matriks/array level tinggi dengan

control flow, fungsi, struktur data, input/output, dan fitur objek

programming lainnya.

4. Graphics. Matlab mempunyai fasilitas untuk menampilkan vektor dan

matriks sebagai grafik. Fasilitas ini mencakup visualisasi data dua dan tiga

dimensi, pemrosesan citra (image), animasi, dan grafik animasi.

5. The Matlab Application Program Interface (API). Paket ini memungkinkan

kita menulis bahasa C dan Fortran yang berinteraksi dengan Matlab. Ia

memuat fasilitas untuk pemanggilan kode-kode dari Matlab (dynamic


commit to user

II-4

linking), yang disebut Matlab sebagai mesin penghitung, dan untuk

membaca dan menulis Matfile.

2.3 ELEMEN CITRA

Citra mengandung sejumlah elemen dasar. Elemen dasar tersebut

dimanipulasi dalam pengolahan citra, elemen tersebut adalah.

1. Warna

Warna adalah persepsi yang dirasakan oleh sistem visual manusia terhadap

panjang gelombang cahaya yang dipantulkan oleh objek. Setiap warna

mempunyai panjang gelombang. Warna yang diterima oleh mata merupakan

hasil kombinasi cahaya dengan panjang gelombang berbeda. Kombinasi

warna yang memberikan rentang warna yang paling lebar adalah red (R),

green (G), blue (B).

2. Kecerahan (brightness)

Kecerahan disebut juga intensitas cahaya. Kecerahan pada sebuah piksel

(titik) di dalam citra bukanlah intensitas yang rill, tetapi sebenarnya adalah

intensitas rata dari suatu area yang melingkupinya.

3. Kontras

Kontras menyatakan sebaran terang dan gelap di dalam sebuah gambar.

Citra dengan kontras rendah dicirikan oleh sebagian besar komposisi

citranya adalah terang atau sebagian besar gelap. Pada citra dengan kontras

yang baik, komposisi gelap dan terang tersebar secara merata.

4. Kontur

Kontur adalah keadaan yang ditimbulkan oleh perubahan intensitas pada

piksel yang bertetangga. Karena adanya perubahan intensitas, mata manusia

dapat mendeteksi tepi objek di dalam citra.

5. Bentuk (shape)

Bentuk adalah properti intrinsik dari objek tiga dimensi, dengan pengertian

bahwa shape merupakan properti intrinsik utama untuk sistem visual

manusia. Pada umumnya citra yang dibentuk oleh mata merupakan citra

dwimatra (dua dimensi), sedangkan objek yang dilihat umumnya berbentuk


commit to user

II-5

trimatra (tiga dimensi). Informasi bentuk objek dapat diekstraksi dari citra

pada permulaan prapengolahan dan segmentasi citra.

6. Tekstur

Tekstur diartikan sebagai distribusi spasial dari derajat keabuan di dalam

sekumpulan piksel yang bertetangga. Jadi tekstur tidak dapat didefinisikan

untuk sebuah piksel. Sistem visual manusia menerima informasi citra

sebagai suatu kesatuan. Resolusi citra yang diamati ditentukan oleh skala

pada mana tekstur tersebut dipersepsi.

7. Waktu dan Pergerakan

Respon suatu sistem visual tidak hanya berlaku pada faktor ruang, tetapi

juga pada faktor waktu. Sebagai contoh, bila citra-citra diam ditampilkan

secara cepat, akan berkesan melihat citra yang bergerak.

8. Deteksi dan Pengenalan

Dalam mendeteksi dan mengenali suatu citra, ternyata tidak hanya sistem

visual manusia saja yang bekerja, tetapi juga ikut melibatkan ingatan dan

daya pikir manusia.

2.4 SEGMENTASI GAMBAR

Segmentasi gambar merupakan sebuah proses dimana dalam proses

tersebut terjadi pemisahaan objek-objek pada suatu gambar yang telah dipilih.

Secara umum segmentasi dapat dibagi menjadi tiga kelompok yaitu:

1. Segmentasi berdasar klasifikasi (classification based segmentation),

segmentasi ini merupakan segmentasi yang dilakukan dengan mencari

kesamaan dari ukuran tertentu pada nilai piksel yang terdapat pada suatu

gambar.

2. Segmentasi berdasar tepi (edge base segmentation), sedangkan untuk

segmentasi berdasarkan tepi bertujuan untuk mendapatkan batas tepi antar

objek yang berguna sebagai pembatas antar segmen.

3. Segmentasi berdasar daerah (region based segmentation), untuk segmentasi

berdasarkan daerah dilakukan untuk mencari daerah yang di duga sebagai


commit to user

II-6

objek berdasarkan kumpulan piksel yang memiliki kesamaan yang dimulai

dari suatu titik ketitk yang lain yang ada di sekitarnya.

Berikut merupakan beberapa contoh pendeteksian yang terdapat pada segmentasi

gambar, diantaranya:

1. Deteksi Tepi

Deteksi tepi merupakan sebuah operasi yang di jalankan untuk mendeteksi

garis tepi atau batas untuk segmentasi atau identifikasi objek.

2. Deteksi Garis.

Terdapat 4 buah karateristik gari yang dapat di proses untuk dideteksi pada

citra, diantaranya: garis horizontal (00), garis miring ke atas (450), garis

vertika (900), atau garis miring ke bawah (450).

3. Deteksi Titik

Deteksi titik merupakan metode deteksi yang dilakukan dengan cara

menghitung harga piksel pusat pada suatu daerah, dengan mengevaluasi

beberapa piksel di sekelilingnya pada seluruh citra. Bila citra memiliki

derajat kecerahan yang sama maka akan bernilai nol.

2.5 Citra Biner

Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai

derajat keabuan yaitu hitam dan putih. Meskipun saat ini citra berwarna lebih

disukai karena memberi kesan yang lebih kaya daripada citra biner, namun tidak

membuat citra biner mati.

2.5.1 Konversi Citra Hitam-Putih ke Citra Biner

Pengkonversian citra hitam-putih (grayscale) menjadi citra biner dilakukan

untuk alasan-alasan berikut :

1. Untuk mengidentifikasi keberasaan objek, yang direpresentasikan sebagai

daerah (region) di dalam citra. Misal kita ingin memisahkan objek dari latar

belakangnya. Piksel-piksel objek ini dinyatakan dengan nilai 1 sedangkan

piksel lainnya dengan 0. Objek ditampilkan seperti gambar siluet. Untuk

memperoleh siluet yang bagus, objek harus dapat dipisahkan dengan mudah

dari latar belakangnya.


commit to user

II-7

2. Untuk lebih memfokuskan pada analisis bentuk morfologi yang dalam hal ini

intensitas pikselnya tidak terlalu penting dibandingkan dengan bentuknya.

3. Untuk menampilkan citra piranti keluaran yang hanya mempunyai resolusi

intensitas satu bit, yaitu piranti penampilan dua aras atau biner seperti

pencetak (printer)

4. Mengkonversi citra yang telah ditingkatkan kualitas tepinya (edge

enhancement) ke penggambaran garis-garis tepi. Ini perlu untuk

membedakan tepi yang kuat yang berkoresponden dengan batas-batas objek

dengan tepi lemah yang berkoresponden dengan perubahan illumination,

bayangan dan lain-lain.

2.6 Deteksi Tepi (Edge Detection)

2.6.1 Prinsip-Prinsip Deteksi Tepi

Deteksi tepi (Edge Detection) pada suatu citra adalah suatu proses yang

menghasilkan tepi-tepi dari obyek-obyek citra, tujuannya adalah :

1. Untuk menandai bagian yang menjadi detail citra

2. Untuk memperbaiki detail dari citra yang kabur, yang terjadi karena error

atau adanya efek dari proses akuisisi citra suatu titik (x,y) dikatakan sebagai

tepi (edge) dari suatu citra bila titik tersebut mempunyai perbedaan yang

tinggi dengan tetangganya.

Gambar berikut ini menggambarkan bagaimana tepi suatu gambar diperoleh.

Gambar 2.1 Proses deteksi tepi citra

Sumber : Sutoyo (2009)


commit to user

II-8

Perhatikan hasil deteksi dari beberapa citra menggunakan model differensial di

atas:

Gambar 1 Gambar 2

Gambar 1 Gambar 2

Gambar 2.2 Hasil beberapa deteksi tepi

Deteksi tepi ini mempunyai 4 macam metode dalam pembuatannya. Yaitu

metode robert, canny, prewitt dan sobel. Pada penelitian ini, akan membuat

aplikasi deteksi tepi dengan 2 metode, karena mengingat batasan masalah yang

ada. Metode yang digunakan adalah metode prewitt dan metode canny.

1. Metode Prewitt

Pengembangan dari gradient operator dengan menggunakan 2 mask

(horisontal dan vertikal) ukuran 3x3. Pada operator ini kekuatan gradient

ditinjau dari sudut pandang horisontal dan vertikal (memperhatikan titik

disekitar pada posisi horisontal dan vertikal). Selain itu metode Prewitt

merupakan pengembangan metode Robert dengan menggunakan filter HPF

yang diberi satu angka nol penyangga. Metode ini mengambil prinsip dari

fungsi laplacian yang dikenal sebagai fungsi untuk membangkitkan HPF.

Kernel fillter yang digunakan dalam metode Prewitt ini adalah:


commit to user

II-9

Gambar 2.3 Contoh gambar metode prewitt (kernel)

2. Metode Canny

Salah satu algoritma deteksi tepi modern adalah deteksi tepi dengan

menggunakan metode Canny. Deteksi tepi Canny ditemukan oleh Marr

dan Hildreth yang meneliti pemodelan persepsi visual manusia. Ada

beberapa kriteria pendeteksi tepian paling optimum yang dapat dipenuhi

oleh algoritma Canny:

a. Mendeteksi dengan baik (kriteria deteksi)

Kemampuan untuk meletakkan dan menandai semua tepi yang ada

sesuai dengan pemilihan parameter-parameter konvolusi yang

dilakukan. Sekaligus juga memberikan fleksibilitas yang sangat tinggi

dalam hal menentukan tingkat deteksi ketebalan tepi sesuai yang

diinginkan.

b. Melokalisasi dengan baik (kriteria lokalisasi)

Dengan Canny dimungkinkan dihasilkan jarak yang minimum antara

tepi yang dideteksi dengan tepi yang asli.

c. Respon yang jelas (kriteria respon)

Hanya ada satu respon untuk tiap tepi. Sehingga mudah dideteksi dan

tidak menimbulkan kerancuan pada pengolahan citra selanjutnya.

Pemilihan parameter deteksi tepi Canny sangat mempengaruhi hasil

dari tepian yang dihasilkan. Beberapa parameter tersebut antara lain :

• Nilai Standar Deviasi Gaussian

• Nilai Ambang


commit to user

II-10

2.7 SKELETONISASI

Skeletonisasi adalah proses merubah bentuk dari citra hasil restorasi yang

berbentuk citra biner menjadi citra yang menampilkan batas-batas objek yang

hanya setebal satu piksel. Untuk melakukan proses skeletonisasi dipergunakan

algoritma thinning. Algoritma ini secara iteratif menghapus piksel-piksel pada

citra biner, dimana transisi dari 0 ke 1 (atau dari 1 ke 0 pada konvensi lain) terjadi

sampai dengan terpenuhi suatu keadaan dimana satu himpunan dari lebar perunit

(satu piksel) terhubung menjadi suatu garis (Marvin, 2007). Tujuan thinning pada

proses skeletonisasi adalah untuk menghilangkan piksel-piksel yang berada di

dalam obyek depan (foreground object) pada citra biner. Thinning dalam

skeletonisasi berfungsi untuk merapikan atau menyempurnakan hasil output

proses edge detection dengan cara mengurangi lebar sisi ataupun batas. Dan

sebagai tambahan untuk melakukan proses skeletonisasi maka hindari citra yang

memiliki tingkat erosi yang tinggi karena akan sedikit sulit melakukan proses

skeleton sebab erosi berfungsi untuk mengurangi nilai piksel dan merubah hingga

menjadi beberapa garis-garis. Sehingga dikhawatirkan akan menimbulkan

kekancuan pada tahap skeletonisasi.

2.8 ALGORITMA THINNING

Thinning adalah operasi morfologis yang digunakan untuk menghilangkan

piksel yang dipilih dari gambar biner. Metode ini digunakan untuk mendetetksi

kerangka dari suatu gambar (image). Thinning biasanya diterapkan pada gambar

biner dan menghasilkan gambar biner lain sebagai output. Thinning digunakan

untuk proses skeletonisasi, yaitu transformasi gambar di mana pada hasil akhir

akan didapat kerangka skeletonisasi dari gambar sumber.

Skeletonisasi akan mengurangi wilayah foreground dari gambar biner

(binary image) menjadi bentuk kerangka yang secara garis besar akan

menampilkan perluasan dan konektivitas dari wilayah asli sambil membuang

hampir keseluruhan dari piksel foreground asli. Sebagai contoh dapat dilihat

Gambar 2.4 :


commit to user

II-11

Gambar 2.4 Contoh hasil Skeletonisasi

Dalam skeletonisasi dilakukan pengurangan terhadap semua garis

sehingga diperoleh ketebalan sebanyak hanya satu piksel. Adapun thinning yang

dilakukan secara berulang-ulang akan menghasilkan gambar seperti tersebut di

atas. Lebih lanjut, penggunaan thinning dapat dilihat pada beberapa aplikasi nyata

seperti pengenalan karakter optis, pengenalan sidik jari, pemrosesan dokumen,

pengenalan struktur sel biologis dan sebagainya. Aplikasi dari thinning biasanya

menyangkut obyek di mana ketebalan bentuk tidak berpengaruh terhadap proses

pengenalan. Obyek tersebut cukup dapat dideskripsikan dengan struktur yang

disusun dari garis-garis yang terhubung. Algoritma ini akan menghilangkan titik

sisi (edge point) palsu atau yang tidak diinginkan dan menambahkan titik sisi di

suatu tempat yang seharusnya ada tetapi kenyataannya belum ada. Aturan ini

diperluas menjadi :

1. Menghilangkan titik sisi palsu atau yang tidak diinginkan.

2. Menambahkan titik sisi baru.

3. Menggeser titik sisi ke posisi baru.

Aturan ini diberlakukan dengan menerapkan prinsip piksel. Adapun

thinning yang dilakukan secara berulang-ulang akan menghasilkan gambar seperti

tersebut di atas. Lebih lanjut, penggunaan thinning dapat dilihat pada beberapa

aplikasi nyata seperti pengenalan karakter optis, pengenalan sidik jari, pemrosesan

dokumen, pengenalan struktur sel biologis dan sebagainya. Aplikasi dari thinning

biasanya menyangkut obyek di mana ketebalan bentuk tidak berpengaruh


commit to user

II-12

terhadap proses pengenalan. Obyek tersebut cukup dapat dideskripsikan dengan

struktur yang disusun dari garis-garis yang terhubung.

2.9 PRUNING

Bisa dianggap salah satu aplikasi thinning. Ditujukan untuk

menghilangkan spur akibat ketidakteraturan pada daerah batas dari gambar asli.

Pruning diterapkan pada sejumlah terbatas iterasi (tidak sampai konvergen) untuk

menghindari terbuangnya semua piksel. Contoh kernel untuk pruning adalah

Gambar 2.5 Contoh proses pruning (kernel)

1. Untuk menemukan batas (4-tetangga) pada obyek biner, misal: menghapus

titik foreground yang tidak memiliki tetangga pada backgroundnya.

2. Untuk penerapan dengan batas 8-tetangga. 3a&3b. untuk pruning (tiap iterasi

harus melibatkan 4 rotasi 90° dari elemen).

Dari seluruh uraian di atas, diperoleh sebuah algoritma yang secara sederhana

dapat dituliskan sebagai berikut:

1. Pertimbangkan semua piksel batas dari wilayah foreground .misalnya, titik

foreground yang memiliki minimal satu tetangga background (background

neighbour).

2. Hapus setiap titik yang memiliki lebih dari satu tetangga foreground

(foreground neighbour) sepanjang dengan melakukan hal tersebut tidak

mengakibatkan terpisahnya dua wilayah yang mengandung piksel tersebut

secara lokal.

3. Ulangi hingga garis konvergen.

Prosedur ini mengikis sebanyak mungkin batas (boundaries) dari obyek

foreground tetapi tidak mempengaruhi piksel pada ujung garis.


commit to user

C

E

h

t

P

d

h

t

p

t

m

2

b

o

Contoh dari

Efek ini bis

hingga konv

transformasi

Pada setiap

dilanjutkan

hasil rotasi 9

tidak ditemu

penentuan o

tersebar di

menyentuh b

2.10 DEFIN

Defin

bentuk asli

obyek/foreg

penerapan p

Gambar 2

sa diperoleh

vergen deng

i rotasi 90°d

Gamb

iterasi, ima

operasi den

90° dari ked

ui perubaha

octagonal s

tengah okt

batas bentuk

NISI, TUJU

nisi image t

i binary im

round hany

prosedur ini:

2.6 Gambar

h mengguna

an kernel 3x

dari kernel in

bar 2.7 Con

age akan dio

ngan kernel

dua elemen i

an lagi. Dap

skeleton dar

tagon yang

k minimal 2 t

UAN DAN M

thinning ada

mage menj

ya setebal sa

II-13

r sebelum da

akan morfol

x3 pada Fig

ni (total 4×2

ntoh proses t

operasikan d

di sebelah

itu. Proses a

pat dikataka

ri bentuk b

menempati

titik.

MANFAAT

alah proses

adi image

atu piksel. A

an sesudah

logi thinnin

gure 2 (lihat

= 8 kernels)

thinnin (ker

dengan kerne

kanan, dan

akan berulan

an bahwa d

biner, yaitu

bagian da

THINNING

morphology

yang men

Algoritma th

thinning

g dengan m

t di bawah)

).

rnel)

el di sebelah

selanjutnya

ng secara sik

di sini kita

himpunan

lam dari be

G

y image yan

nampilkan b

thinning sec

mengiterasi

dan semua

h kiri, lalu

a dengan 6

klis sampai

melakukan

titik yang

entuk atau

g merubah

batas-batas

ara iteratif


commit to user

II-14

‘menghapus’ piksel-piksel pada binary image, dimana transisi dari 0 ke 1 (atau

dari 1 ke 0 pada konvensi lain) terjadi sampai dengan terpenuhi suatu keadaan

dimana satu himpunan dari lebar per unit (satu piksel) terhubung menjadi suatu

garis.

Sepintas, image thinning mempunyai kemiripan dengan edge detection dalam

hal output dari citra yang dihasilkan, kedua proses tersebut sama-sama

menampilkan batas obyek pada citra. Namun, tetap saja ada perbedaaan antara

Image Thinning dengan Edge Detection dari segi prinsip kerjanya, yaitu :

1. Edge detection : merubah graylevel image atau color image menjadi image

yang menampilkan batas-batas/boundaries obyek berdasarkan kekontrasan

warna antar piksel.

2. Image Thinning : mereduksi piksel-piksel pada obyek binary image menjadi

piksel. yang benilai sama dengan nilai piksel pada background. Menghasilkan

binary image dengan informasi berupa batas-batas obyek berdasarkan piksel

dengan ketebalan satu piksel.

Tujuan image thinning adalah untuk menghilangkan pixel-pixel yang berada

didalam obyek depan (foreground object) pada binary images.

Manfaat image thinning adalah sebagai berikut :

1. Biasanya diterapkan pada proses skeletonisasi.

2. Berguna untuk merapikan/menyempurnakan hasil output proses edge

detection dengan cara mengurangi lebar sisi/batas/edge.

2.11 METODE RAPID UPPER LIMB ASSESSMENT (RULA)

RULA merupakan sebuah metode penilaian postur kerja yang secara khusus

digunakan untuk meneliti dan menginvestigasi gangguan pada tubuh bagian atas.

RULA pertama kali dikembangkan oleh Mc.Atamney dan Corlett (1993) dari

(University of Nottingham’s Institute of Occupational Ergonomics). Metode ini

tidak membutuhkan peralatan special dalam penetapan penilaian postur leher,

punggung, dan lengan atas.

Metode RULA dikembangkan sebagai metode untuk mendeteksi postur

kerja yang merupakan faktor resiko (risk factors) dan didesain untuk menilai para


commit to user

II-15

pekerja dan mengetahui beban musculoskeletal yang kemungkinan dapat

menimbulkan gangguan pada anggota badan atas (Mc.Atamney dan Corlett

,1993). Faktor resiko yang telah diinvestigasi sebagai faktor beban eksternal,

yaitu:

1. Jumlah gerakan.

2. Kerja otot statis.

3. Tenaga/ kekuatan.

4. Penentuan postur kerja oleh peralatan.

5. Waktu kerja tanpa istirahat.

Ada 4 faktor beban eksternal (jumlah gerakan, kerja otot statis, tenaga/

kekuatan, dan postur) yang ditinjau dalam penilaian RULA dan dikembangkan

untuk:

1. Memberikan sebuah metode penyaringan suatu populasi kerja dengan

cepat, yang berhubungan dengan kerja yang beresiko.

2. Mengidentifikasi usaha otot yang berhubungan dengan postur kerja,

penggunaan tenaga dan kerja yang berulang-ulang, yang dapat

menimbulkan kelelahan (fatigue) otot.

3. Memberikan hasil yang dapat digabungkan dengan sebuah metode

penilaian ergonomic yaitu epidemiologi, fisik, mental, lingkungan dan

faktor organisasi.

Penelitian menggunakan metode RULA memiliki 5 tahapan pengembangan,

yaitu yang terdiri dari Lengan atas (upper arm), Lengan bawah (lower arm),

pergelangan tangan (wrist), Leher (neck), Punggung (trunk). Hal ini memastikan

bahwa seluruh postur tubuh dicatat sehingga postur kaki, badan, dan leher yang

terbatas yang mungkin mempengaruhi postur bagian atas dapat masuk dalam

pemeriksaan, Tahapan penelitian dapat dilihat pada Gambar di bawah ini.


commit to user

II-16

• Lengan atas (upper arm)

Gambar 2.8 Postur tubuh bagian lengan atas (upper arm) Sumber: McAtamney dan Corlett (1993)

• Lengan bawah (lower arm)

Gambar 2.9 Postur tubuh bagian lengan atas (lower arm) Sumber: McAtamney dan Corlett (1993)

• Pergelangan tangan (wrist)

Gambar 2.10 Postur tubuh bagian pergelangan tangan (wrist) Sumber: McAtamney dan Corlett (1993)

• Leher ( neck )

Gambar 2.11 Postur tubuh bagian leher (neck) Sumber: McAtamney dan Corlett (1993)


commit to user

II-17

• Batang tubuh ( trunk )

Gambar 2.12 Postur tubuh bagian batang tubuh (trunk) Sumber: McAtamney dan Corlett (1993)

2.11. VEKTOR

Vektor adalah serangkaian instruksi matematis yang dijabarkan dalam

bentuk, garis, dan bagian-bagain lain yang saling berhubungan dalam sebuah

gambar. Informasi yang digunakan diantaranya adalah posisi titik awal, titik akhir

dan arahnya yang dihitung berdasarkan metode matematika (Bezier, Spline,

nurbs) sehingga dapat diperbesar dan diperkecil tanpa merusak kualitas gambar.

Vektor adalah besaran yang mempunyai nilai dan arah. Contoh sebuah kapal

bergerak dengan kecepatan sebesar 20 knot pada arah 30 derajat dari suatu

pelabuhan. Dari pernyataan di atas dapat dipahami bahwa kapal tersebut bergerak

dengan kecepatan 20 knot yang merupakan besaran, selain itu dijelaskan juga arah

yang ditempuh, yaitu 30 derajat dari pelabuhan.

1. Komponen Vektor

Vektor yang digambarkan pada bidang koordinat mempunyai komponen

horisontal (gerakan ke kanan/kiri) dan komponen vertikal (gerakan ke

atas/bawah).

Gambar 2.13 Komponen vektor bidang datar Sumber: Purcell dan Varberg (1999)


commit to user

II-18

Berdasarkan Gambar 2.13 komponen horisontal vektor AB sebesar xB – xA,

sedang komponen vertikal vektor AB sebesar yB – yA. Karena vektor

mempunyai dua komponen yaitu komponen horisontal (sejajar sumbu X)

dan komponen vertikal (sejajar sumbu Y) maka setiap vektor dapat

dinyatakan dengan notasi di mana x komponen horisontal dan y

komponen vertikal.

Gambar 2.14 Notasi vector

Sumber: Purcell dan Varberg (1999)

Vektor AB di atas dinotasikanm = yang artinya bahwa komponen

horizontalnya 6 satuan ke kanan dan komponen vertikalnya 5 (lima) satuan

ke atas.

2. Grafik Persamaan Kutub

Persamaan-persamaan kutub yang telah kita pelajari berkaitan dengan

grafik-grafik yang telah dikenal, terutama garis, lingkaran, dan irisan

kerucut. Sekarang, marilah kita menggalihkan perhatian pada grafik-grafik

yang lebih kompleks (ekotic), seperti grafik yang berbentuk jantung

(cardioid), limako (limacon) dan spiral. Persamaan-persamaan kutub untuk

kurva-kurva tersebut masih relatif sederhana, tetapi persamaan-persamaan

Cartensiusnya rumayan rumit. jadi, kita akan melihat salah satu keuntugan

memiliki lebih dari satu sistem koordinat yang trersedia. Beberapa kurva

mempunyai persamaan yang sederhana di dalam suatu sistem, sementara

beberapa kurva lainnya mempunyai persamaan yang sederhana di dalam

sistem lainnya. Kita akan membahas hal ini kemudian ketika kita sudah

menyelesaikan suatu soal dengan memilih sebuah sistem koordinat yang


commit to user

II-19

paling sesuai. Unsur simetri dapat membantu kita untuk memahami sebuah

grafik. Berikut ini adalah uji yang memadai untuk simetri dalam koordinat

kutub. Kebenarannya dapat dilihat pada gambar yang bersangkutan.

a. Grafik persamaan kutub simetri pada sumbu x (yaitu sumbu kutub dan

perpanjagannya ke kiri) apabila Ө diganti dengan –Ө menghasilkan

persamaan yang sama (Gambar 2.15).

b. Grafik persamaan kutub simetri pada sumbu y (yaitu garis Ө = /2)

apabila Ө diganti dengan – Ө menghasilkan persamaan yang sama

(Gambar 2.16).

c. Grafik persamaan kutub simetri terhadap titik asal, apabila r diganti –r

menghasilkan persamaan yang sama (Gambar 2.17).

(a)

Gambar 2.15 Grafik persamaan kutub simetri sumbu x Sumber: Purcell dan Varberg (1999)

(b)

Gambar 2.16 Grafik persamaan kutub simetri sumbu y Sumber: Purcell dan Varberg (1999)


commit to user

II-20

(c)

Gambar 2.17 Grafik persamaan kutub simetri terhadap titik asal Sumber: Purcell dan Varberg (1999)


commit to user

III-1

BAB III METODOLOGI PENELITIAN

Metodologi penelitian diuraikan dalam bentuk tahapan-tahapan penelitian

yang dimulai dengan studi pustaka, latar belakang masalah, penentuan tujuan

penelitian, pengembangan program dengan Matlab 7.8, analisis dan interpretasi

hasil, kesimpulan dan saran. Tahapan penelitian dapat dilihat pada Gambar 3.1.

Gambar 3.1 Metodologi penelitian


commit to user

III-2

3.1 IDENTIFIKASI MASALAH

Dalam identifikasi masalah, masalah dapat didefinisikan sebagai suatu

pertanyaan yang diinginkan untuk dipecahkan. Masalah inilah yang menyebabkan

sasaran dari sistem tidak dapat dicapai. Pada tahap ini dilakukan studi

pendahuluan tentang penghitungan analisis postur kerja untuk mengukur sudut

tubuh manusia dengan menggunakan pengolahan citra.

3.2 STUDI PUSTAKA

Studi pustaka dilakukan untuk mendapatkan gambaran mengenai teori-

teori dan konsep-konsep yang akan digunakan dalam menyelesaikan

permasalahan yang diteliti serta mendapatkan dasar-dasar referensi yang kuat

dalam menerapkan suatu metode yang digunakan. Studi pustaka dilakukan dengan

membaca dan mempelajari buku-buku, jurnal ilmiah, dan tugas akhir mahasiswa

teknik industri yang terkait dengan tema penelitian.

3.3 LATAR BELAKANG MASALAH

Pada tahapan penelitian ini besaran sudut yang biasanya dilakukan secara

manual. Perhitugan besaran sudut akan diteliti dengan menerapkan algoritma

komputer dengan pengolahan citra. Oleh karena itu, metode RULA merupakan

metode yang paling tepat, karena RULA secara khusus digunakan untuk meneliti

gangguan pada tubuh bagian atas.

3.4 PENENTUAN TUJUAN PENELITIAN

Tujuan yang hendak dicapai dalam penelitian ini adalah menghasilkan

perangkat lunak yang digunakan untuk mengubah besar sudut pada segmen tubuh.

3.5 PENGEMBANGAN PROGRAM DENGAN MATLAB 7.8.

Pada dasarnya membuat aplikasi berbasis window dengan Matlab dapat

dilakukan dengan 2 cara, yaitu (Away, 2010):

1. Menggunakan script Matlab.

2. Menggunakan GUI Designer.


commit to user

III-3

3.6 UJICOBA PERANGKAT LUNAK

Untuk mengetahui apakah aplikasi layak dipakai atau tidak, maka

dilakukan pengujian program aplikasi dengan menggunakan perangkat lunak

Matlab 7,8. Perangkat lunak diuji dengan menentukan besar sudut segmen tubuh

menggunakan uji coba dengan perangkat lunak Autocad. Jika program aplikasi

belum layak maka program yang telah dibuat akan diperbaiki.

3.7 ANALISIS DAN INTERPRETASI HASIL

Tahap analisis dan interpretasi hasil dilakukan untuk menganalisis hasil

terhadap pengumpulan dan pengolahan data sebelumnya, serta sebagai validasi

hasil rancangan yang dihasilkan dari pemakaian program Matlab.

3.8 KESIMPULAN DAN SARAN

Bagian terakhir penelitian berisi kesimpulan yang menjawab tujuan akhir

dari penelitian berdasarkan hasil pengolahan dan analisa data yang telah

dilakukan, serta saran-saran yang berisi masukan untuk penelitian-penelitian

berikutnya agar lebih baik lagi.


commit to user

IV-1

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA

Pada bab ini dibahas tentang pengumpulan dan pengolahan data yang

digunakan dalam melakukan pengolahan citra untuk mengukur besaran sudut

pada segmen tubuh. Untuk mengolah keseluruan proses, dimanfaatkan fungsi-

fungsi dalam perangkat lunak Matlab 7,8. Fungsi-fungsi yang digunakan terdapat

dalam pengolahan citra yang akan mempermudah perancangan perangkat lunak

aplikasi pengolahan citra.

Perancangan perangkat lunak ini digunakan berkas citra dengan format jpg

dan png. Secara garis besar perangkat lunak yang akan dirancang memiliki

algoritma seperti yang ditunjukkan pada Gambar 4.1.

Gambar 4.1 Diagram Alir Algoritma Perangkat Lunak


commit to user

IV-2

Urutan langkah-langkah proses jalannya program adalah sebagai berikut :

4.1 PEMBACAAN BERKAS CITRA

Proses pertama dalam algoritma ini adalah pembacaan berkas citra yang

dilakukan dengan perintah citra gambar segmen tubuh diperoleh dengan

menggunakan perangkat kamera digital yang cukup memadai disertai dengan

beberapa perangkat lainnya. Citra gambar yang akan digunakan adalah png, bmp,

atau jpg dan gambar tidak dipenggaruhi oleh cahaya, benda lain yang dapat

mengganggu proses pengolahan citra. Pada perancangan ini digunakan Matlab 7.8

karena fungsi-fungsinya lengkap dan mudah dalam pembuatan tampilan GUI.

4.2 CITRA BINER (BINARY IMAGE)

Setelah dilakukan pembacaan citra, lalu dilanjutkan dengan proses citra biner

adalah citra yang hanya mempunyai dua informasi intensitas warna, yaitu hitam

dan putih. Derajat keabuan berada dalam rentang antara hitam dan putih. Citra

yang memiliki derajat keabuan dari hitam ke putih ini disebut juga citra hitam-

putih (greyscale image) atau citra monokrom. Hasil dari proses citra biner dapat

dilihat pada gambar di bawah ini.

Gambar 4.2 Citra Biner


commit to user

IV-3

4.3 DETEKSI TEPI (EDGE DETECTION)

Setelah dilakukan proses citra biner, dilanjutkan dengan pengubahan citra

menjadi citra deteksi tepi (edge detection) dari objek di dalam citra. Pada

perangkat lunak pengolahan citra ini menggunakan algoritma deteksi tepi Canny.

Kegunaan deteksi tepi pada perangkat lunak ini ditujukan untuk mengetahui tepi-

tepi objek dalam citra. Hasil proses ini diperlihatkan pada Gambar 4.3

(a) (b)

Gambar 4.3 Deteksi tepi Canny (a) Citra awal (b) Citra hasil

4.4 SKELETONISASI

Setelah proses deteksi tepi selesai dilanjutkan dengan proses skeletonsasi

bertujuan untuk mendapatkan kerangka dari suatu objek di dalam suatu citra objek

atau disebut juga proses merubah bentuk dari citra hasil restorasi yang berbentuk

deteksi tepi citra menjadi citra yang menampilkan batas-batas objek yang hanya

setebal satu piksel. Hasil dari proses citra biner dapat dilihat pada Gambar 4.4.


commit to user

IV-4

(a) (b)

(c)

Gambar 4.4 (a) Himpunan citra asli A (b) Berbagai posisi ligkaran,

sedemikian rupa sehingga pustnya berada pada kerangka A

(c) Kerangka A secara lengkap


commit to user

IV-5

Pada gambar diatas citra gambar A citra gambar asli, kemudian diproses

menjadi gambar B, maka proses gambar B akan muncul lingkaran-lingkaran pada

gambar, lingkaran tersebut berberfungsi sebagai pengkikisan pada gambar, setelah

proses pengkikisan selesai maka akan muncul seperti kerangka atau akan menjadi

setebal satu piksel.

4.4.1 Penentuan titik koordinat sudut

Setelah dilakukan proses skeletonisasi langkah selanjutnya adalah

menentukan titik koordinat titik sudut dengan interaksi mouse pada gambar yang

sudah di proses menjadi satu piksel. Koordinat poin piksel dimanfaatkan guna

untuk mentukan titik besaran sudut pada segmen tubuh. Hasil dari proses citra

penentuan titik koordinat sudut dapat dilihat pada Gambar 4.5.

Gambar 4.5 Titik interaksi mouse

Titik interaksi mouse


commit to user

IV-6

4.4.2 Perumusan Titik Koordinat

Setelah proses penentuan titik koordinat sudut sudah diketahui, operator

tinggal memproses dengan interaksi mouse dengan cara manual, dengan

menggeklik ganda mana yang akan dihitung titik besaran sudutnya pada segmen

tubuh. Contoh hasil dari proses citra perumusan titik koordinat sudut dapat dilihat

pada Gambar 4.6.

Gambar 4.6 Proses citra perumusan titik koordinat sudut

4.4.3 Output sudut

Kemudian setelah proses perumusan titik koordinat sudut sudah diproses

maka seterusnya akan muncul total output sudut. Hasil dari proses output sudut

dapat dilihat pada Gambar 4.7.

Klik ganda proses 3 Klik ganda proses 1

Klik ganda proses 2


commit to user

IV-7

Gambar 4.7 Output sudut

4.5 GUI (Graphic User Interface)

GUI merupakan salah satu model interaksi antara manusia dan komputer.

Selain GUI, ada juga model yang lain seperti Character User Interface (CUI)

yang sering kita kenal dengan command line. Dari sisi kenyamanan (attitude),

kedua model ini memiliki fungsinya masing-masing. Dalam perancangan ini, GUI

didesain sebagai berikut Pembacaan citra asli dan penampilan citra dengan cara

menekan tombol run pada program matlab kemudian akan muncul program GUI

yang akan diperlihatkan pada Gambar 4.8. Sebagai media disain, matlab

menyediakan sebuah GUI yang dibungkus dalam fuungsi guide. Untuk

menjalankan fungsi ini, tinggal mengetikan pada window matlab.


commit to user

IV-8

Gambar 4.8 Tampilan graphic user intrface

Keteragan tampilan graphic user intrface :

1. Browse, pengaplikasian gambar yang akan diproses

2. Titik nilai sudut X, titik 4



5. Titik nilai X

6. Titik nilai Y

7. Titik nilai sudut Y, titik 5



10. Total nilai akhir

11. Total nilai akhir sudut

12. Selesai, aplikasi keluar

1

7

2

3

4

6

8

5

9

10 11 12


commit to user

IV-9

4.6 PENGUJIAN PERANGKAT LUNAK

Perangkat lunak diuji dengan menentukan besar sudut segmen tubuh berbasis

pengolahan citra. Hasil pengujiannya, sebagai berikut :

Hasil uji

Hitung nilai sudut Lengan atas (upper arm)

(a) (b)

(c) (d)

Gambar 4.9 (a) Citra gambar asli (b) Citra hasil GUI (c) Citra hasil

Skeletonisasi GUI Matlab (d) Citra hasil Autocad


commit to user

IV-10

Hitung nilai sudut Lengan bawah (lower arm)

(a) (b)

(c) (d)




commit to user

IV-11

Hitung nilai sudut Pergelangan tangan (wrist)

(a) (b)

(b) (d)




commit to user

IV-12

Hitung nilai sudut Leher (neck)

(a) (b)

(c) (d)




commit to user

IV-13

Hitung nilai sudut Batang tubuh (trunk)

(a) (b)

(c) (d)




commit to user

IV-14

Hasil uji

Hitung nilai sudut Lengan atas (upper arm)

(a) (b)

(c) (d)




commit to user

IV-15

Hitung nilai sudut Lengan bawah (lower arm)

(a) (b)

(c) (d)




commit to user

IV-16

Hitung nilai sudut Pergelagan tangan (wrist)

(a) (b)

(c) (d)




commit to user

IV-17

Hitung nilai sudut Leher (neck)

(a) (b)

(c) (d)




commit to user

IV-18

Hitung nilai sudut Batang tubuh (trunk)

(a) (b)

(c) (d)




commit to user

IV-19

Tabel 4.1. Data Uji Hipotesis Lengan Atas.

Untuk mencari beda dua rata-rata yang saling berhubungan, sebagai berikut:

1. Uji

• hipotesis nol dan hipotesis alternatif

H0: µd = µ0

H1: µd > µ0 atau H1:µd < µ0

• Tingkat kepercayaan (α).

Pada pengujian hipotesis ini tingkat kepercayaan yang digunakan adalah α

= 0,05 atau tingkat kepercayaan 95%.

• Kriteria penerimaan

Karena uji yang dilakukan adalah uji 1 pihak maka berdasarkan tabel t

dengan tα/2= 0,025 dan v = n - 1 = 9 didapatkan nilai t-tabel = 2,262.

dengan perhitungan:

= n

xi∑

= 10

)9694(...)109114()9793()128118()9885( −++−+−+−+−

= -0,5

2 = 0,25

Uji Matlab Autocad � 1 98 85 -13 169 2 128 118 -10 100 3 97 93 -4 16 4 109 114 5 25 5 124 122 -2 4 6 102 112 10 100 7 100 106 6 36 8 91 102 11 121 9 98 92 -6 36 10 96 94 -2 4 jumlah -5 611 rata2 -0,5 0,25


commit to user

IV-20

Sd = 9*10

)5,0(611*10 2−−

Sd = 21,9032

t = nsd

d/

0µ−

t = 10/9032,21

05,0 −−

t = -0,00722 Kesimpulan

Berdasarkan statistik uji didapatkan nilai t-hitung = -0,00722. Karena t-hitung

lebih kecil dari t-tabel maka H0 diterima sehingga pada tingkat kepercayaan 0,95

diterima.

Tabel 4.2. Data Uji Hipotesis Lengan Bawah.

Uji Matlab Autocad � 1 95 98 3 9 2 91 90 -1 1 3 86 88 2 4 4 89 88 -1 1 5 87 91 4 16 6 97 104 7 49 7 87 83 -4 16 8 94 92 -2 4 9 90 90 0 0 10 81 81 0 0 jumlah 8 64 rata2 0,8 0,64


2. Uji


H0: µd = µ0


commit to user

IV-21








dengan perhitungan:

= n

xi∑

= 10

)8181(...)8988()8688()9190()9598( −++−+−+−+−

= 0,8

2 = 0,64

Sd = 9*10

)8,0(64*10 2−

Sd = 22,12487

t = nsd

d/

0µ−

t = 10/12487,22

08,0 −−

t = 0,011434

• Kesimpulan

Berdasarkan statistik uji didapatkan nilai t-hitung = 0,011434. Karena t-

hitung lebih kecil dari t-tabel maka H0 diterima sehingga pada tingkat

kepercayaan 0,95 diterima.


commit to user

IV-22

Tabel 4.3. Data Uji Hipotesis Pergelangan Tangan.

Uji Matlab Autocad � 1 51 24 -27 729 2 32 20 -12 144 3 54 47 -7 49 4 32 35 3 9 5 51 23 -28 784 6 61 31 -30 900 7 45 50 5 25 8 60 31 -29 841 9 78 45 -33 1089 10 33 58 25 625 jumlah -133 17689 rata2 -13,3 176,89


3. Uji


H0: µd = µ0








dengan perhitungan:

= n

xi∑

= 10

)3358(...)3235()5447()3220()5124( −++−+−+−+−


commit to user

IV-23

= -13,3

2 = 176,89

Sd = 9*10

)3,013(17689*10 2−−

Sd = 28,44627

t = nsd

d/

0µ−

t = 10/44627,28

03,13 −−

t = -0,14785 • Kesimpulan

Berdasarkan statistik uji didapatkan nilai t-hitung = -0,14785. Karena t-hitung

lebih kecil dari t-tabel maka H0 diterima sehingga pada tingkat kepercayaan

0,95 diterima.

Tabel 4.4. Data Uji Hipotesis Leher.

Uji Matlab Autocad � 1 36 25 -11 121 2 66 55 -11 121 3 41 49 8 64 4 30 19 -11 121 5 8 15 7 49 6 24 23 -1 1 7 50 49 -1 1 8 35 27 -8 64 9 37 37 0 0 10 35 47 12 144 jumlah -16 686 rata2 -1,6 2,56



commit to user

IV-24

4. Uji


H0: µd = µ0








dengan perhitungan:

= n

xi∑

= 10

)3547(...)3019()4149()6655()3625( −++−+−+−+−

= -1,6

2 = 2,56

Sd = 9*10

)6,1(686*10 2−−

Sd =25,68969

t = nsd

d/

0µ−

t = 10/68969,25

06,1 −−

t = -0,0197


commit to user

IV-25

• Kesimpulan

Berdasarkan statistik uji didapatkan nilai t-hitung = -0,0197 Karena t-hitung


0,95 diterima.

Tabel 4.5. Data Uji Hipotesis Batang Tubuh.

Uji Matlab Autocad � 1 42 31 ‐11 121 2 40 35 ‐5 25 3 39 43 4 16 4 39 37 ‐2 4 5 47 33 ‐14 196 6 44 39 ‐5 25 7 30 31 1 1 8 38 42 4 16 9 41 45 4 16 10 35 28 ‐7 49 jumlah ‐31 469 rata2 ‐3,1 46,9


5. Uji


H0: µd = µ0









commit to user

IV-26

dengan perhitungan:

= n

xi∑

= 10

)3528(...)3937()3943()4035()4231( −++−+−+−+−

= -3,1

2 = 46,9

Sd = 9*10

)1,3(469*10 2−−

Sd = 20

t = nsd

d/

0µ−

t = 10/20

01,3 −−

t = -0,49015 • Kesimpulan

Berdasarkan statistik uji didapatkan nilai t-hitung = -0,49015 Karena t-hitung


0,95 diterima.

Maka hasil rekapitulasi hasil pengujian didapat hasil sebagai berikut:

Tabel 4.6 Hasil pengujian

Posisi t hitung Lengan atas -0,00722Lengan bawah 0,011434Pergelangan tangan -0,14785Leher -0,0197Batang tubuh -0,49015


commit to user

V-1

BAB V

ANALISIS DAN INTERPRETASI HASIL

Analisis hasil penelitian bertujuan menjelaskan hasil dari pengolahan data,

sehingga hasil penelitian menjadi lebih jelas. Analisis dalam penelitian ini

diuraikan pada sub bab berikut ini.

5.1 ANALISIS HASIL PENELITIAN

Analisis dalam hal ini meliputi analisis perangkat lunak pengolahan citra

untuk pengukuran sudut pada segmen tubuh manusia. Pada pengolahan data

menunjukan bahwa perangkat lunak yang dihasilkan mampu memberikan tingkat

keakuratan yang tinggi. Perangkat lunak mampu mendeteksi tepian dan merubah

bentuk gambar dari citra objek, untuk mengetahui sudut pada segmen tubuh

manusia. Namun, untuk mendapatkan data koordinat tersebut, masih memerlukan

interface manual, yaitu dengan klik mouse komputer.

5.1.1 Analisis Perangkat Lunak

Perangkat lunak dirancang sesuai dengan kebutuhan terhadap RULA yaitu

untuk menentukan sudut pada segmen tubuh manusia berbasis pengolahan citra.

Algorima yang digunakan dalam penelitian ini adalah deteksi tepi, skeletonisasi

dan penentuan koordinat poin piksel. Pada perangkat lunak ini, memiliki beberapa

kekurangan meliputi:

1. Deteksi tepi, pada penelitian ini perangkat lunak menghasilkan:

Proses deteksi tepi pada perangkat lunak ini, mampu mendeteksi tepian pada

tubuh manusia. Kekurangan proses ini, bila citra yang dianalisis memiliki

pencahayaan yang tidak merata, maka tidak mampu mendeteksi dengan baik.

2. Skeletonsasi:

Proses skeletonsasi bertujuan untuk mendapatkan kerangka dari suatu objek

di dalam suatu citra objek atau disebut juga proses merubah bentuk dari citra

hasil restorasi yang berbentuk deteksi tepi citra menjadi citra yang

menampilkan batas-batas objek yang hanya setebal satu piksel.


commit to user

V-2

3. Koordinat poin pixel, digunakan untuk mengukur pada ojek gambar. Pada

proses ini, perangkat yang dihasilkan memiliki kekurangan yaitu untuk

mendapatkan koordinat harus menggunakan interaksi manual. Selain itu,

posisi pengambilan titik koordinat akan mempengaruhi hasil output gambar.

4. Hanya memproses citra yang latar belakangnya dan objek memiliki kontras

yang tinggi.

5.1.2 Analisis Hasil Pengujian sudut

Pada tahap ini dilakukan analisis terhadap perangkat lunak ini layak

diterapkan atau tidak. Analisis dilakukan guna mengetahui seberapa akurat

perangkat lunak ini dalam menghitung sudut pada segmen tubuh. Pengujian

terhadap perangkat lunak pada analisis deteksi tepi, dengan melakukan analisis

pada beberapa macam gambar. Analisis program Matlab dilakukan dengan

membandingkan dengan program Autocad, penghitungan secara manual (nilai

ukuran sebenarnya) dengan penghitungan dengan perangkat lunak. Dari hasil

penghitungan dan perbandingan beberapa macam gambar citra, Pada proses

pengujian, terdapat 10 set data citra skeletonisasi yang dijadikan sebagai masukan

uji coba perangkat lunak. Dari uji coba dengan beberapa citra sudut dengan

penelitian ini perangkat lunak yang di hasilkan dibandingkan dengan Autocad

maka dibuat perbandingan hasil dari gambar-gambar tersebut. Pengujian

perangkat lunak Matlab dengan Autocad, hasil pengukuran sudut Matlab dengan

Autocad diolah dengan hipotesa statistik, yaitu uji-t berpasangan (paired t-test),

dengan α = 0,05. Berdasarkan hasil pengujian statistik uji didapatkan hasil

pengujian pada Tabel 4.7. Karena t-hitung semua pengujian dalam retang dari t-

tabel maka H0 diterima sehingga pada tingkat kepercayaan 0,95 diterima.

5.2 INTEPRETASI HASIL

Rancangan perangkat lunak pengolahan citra dibuat untuk membantu dalam

menentukan besaran sudut pada segmen tubuh. Dengan output berupa total hasil,

yang dapat memberikan informasi hasil pengolahan penentuan sudut pada segmen

tubuh.

Hasil pengujian prototype menunjukkan, perangkat lunak mampu

menentukan besaran sudut pada segmen tubuh dan hasil pencahayaan yang


commit to user

V-3

merata. Bila pencahayaan pada citra kurang merata, maka hasil dari pendeteksian

kurang jelas. Sehingga, dalam proses sekeletonisasi akan berkurang.

Pengukuran sudut postur kerja, biasa dilakukan dengan bantuan perangkat

lunak Autocad. Kesulitan yang dialami menggunakan perangkat lunak Autocad

adalah user harus membuat garis bantuan terlebih dahulu untuk menentukan sudut

segmen tubuh. Dari masalah tersebut, akan menjadi tingkat kecepatan dalam

analisis akan lebih lama. Sedangkan dengan perangkat lunak pengolahan citra

yang dihasilkan, citra akan otomatis membuat bentuk skeletonisasi. Citra yang

sudah diproses menjadi skeletonisasi, kemudian menentukan titik koordinat sudut

pada citra.

Perangkat lunak pengolahan citra yang dihasilkan memiliki kekurangan,

yaitu pada proses penentuan koordinat pixel yang tidak bisa dilakukan secara

otomatis, sehingga tingkat kecepatan penentuan besar sudut segmen tubuh

menjadi berkurang. Hal ini disebabkan karena masih dibutuhkan proses interaksi

user terhadap perangkat lunak untuk menentukan titik koordinat.


commit to user

VI-1

BAB VI KESIMPULAN DAN SARAN

Pada bab ini berisi kesimpulan berdasarkan analisis yang telah diuraikan

pada bab sebelumnya serta saran pengembangan penelitian selanjutnya.

6.1 KESIMPULAN

Kesimpulan yang dapat diambil dari penelitian ini, sebagai berikut:

1. Penelitian ini menghasilkan sebuah perangkat lunak untuk penentuan sudut

segmen tubuh dengan memanfaatkan fungsi-fungsi dari fitur Matlab 7.8.

2. Hasil pengujian membuktikan output sudut hasil pengujian dengan perangkat

lunak tidak berbeda secara signifikan dengan Autocad.

6.2 SARAN

Saran untuk penelitian selanjutnya berdasarkan penelitian ini adalah :

1. Penelitian dapat dilakukan dengan meningkatkan kemampuan perangkat

lunak untuk dapat mendeteksi dan mengukur besar sudut secara otomatis.

2. Pengembangan perangkat lunak dapat dilakukan dengan mengurangi

pengaruh kontras pada proses pengolahan citra.

3. Perangkat lunak yang dihasilkan dapat diitergrasikan dengan sistem scoring

RULA yang terkomputerisasi.

Documents

PERANCANGAN PERANGKAT LUNAK UNTUK …eprints.uns.ac.id/10287/1/190041711201104121.pdf · BERBASIS PENGOLAHAN CITRA Skripsi Sebagai Persyaratan Untuk Memperoleh Gelar Sarjana Teknik