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 Tuj uan
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 ar ak
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 = S
x
+ 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)<128)
biner(i,j)=0;
biner (i,j)=255;
end
end
end
3.2 Deteksi Tepi Citra
Perintah yang digunakan untuk mendeteksi tepi
yaitu:
edge_sobel = edge(biner,'sobel');
3.3 Penipisan Pola
Penipisan pola hanya bisa dilakukan pada citra
biner. Penipisan pola menggunakan perintah bwmorph.
thinning=bwmorph(edge,'skel',Inf);
3.4 Pengenalan Pola
Pengenalan terdiri dari 2 tahap, yaitu pengenalan
jenis bentuk dan jenis tepi daun. Untuk menghitung nilai
koefisien korelasi antara citra masukan dengan citra acuan
di dalam basisdata digunakan perintah
corr2. re=imread('mask_sobel.jpg');
citra1=imread('bentuk_1.jpg'); y01=corr2(citra1,re);
re adalah citra masukan, sedangkan citra1 adalah citra
acuan di dalam basisdata.
IV. HASIL PENGUJIAN DAN ANALISIS
4.1 Hasil Pengujian
4.1.1 Konversi Citra Aras Keabuan
Pengubahan citra warna menjadi citra aras keabuan
ditunjukkan pada Gambar 8.







4.1.2 Pengambangan (thresholding)
Proses pengambangan akan menghasilkan citra
biner, yang ditunjukkan pada Gambar 9.





Gambar 9. Citra biner
4.1.3 Deteksi Tepi Citra
Hasil dari proses deteksi tepi citra ditunjukkan
pada Gambar 10.













Gambar 10. Hasil proses deteksi tepi citra


Perintah scriptnya adalah :
>> 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
Ber da s ar ka n pe nguj i a n ya ng 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 ENU TUP
5. 1 Kes i mpul an
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