introduction to non-linear curve using gradient operator

GUNADARMA UNIVERSITY LIBRARY : http://library.gunadarma.ac.id
1
INTRODUCTION TO NON-LINEAR CURVE
USING GRADIENT OPERATOR
Ray Fitri (51400002)
Abstract—INTRODUCTION
TO
NON-LINEAR
CURVE USING GRADIENT OPERATOR Ray Fitri
Undergraduate Program, 2011 Gunadarma University
http://www.gunadarma.ac.id Key Words: image processing, convolution, edge detection line, the gradient operator,
Newton interpolation ABSTRACT : Detecting a geometric
shape in an image is one of the fundamental tasks in image
processing. geometric shapes can be either a non-linear
curve.
A non-linear curve can be known handmade
similarity function with manual calculations. Incorporation
of image processing and numerical methods into a separate
discussion. The final task was made as the process of
introduction hand-made curves with the help of computers.
Input of image data and output curves of a polynomial
equation of the curve. Performed for the detection of line
edge filter shape in the image. With the help of a gradient
operator curve objects in the image can be filtered and
transformed. After that, Newton interpolation approach
used to fit the curve with its function. Penamaan File:
51400002
I. Chapter 1
BAB I PENDAHULUAN 1.1 Latar Belakang Pada awalnya manusia menciptakan komputer sebagai alat bantu
berhitung. Namun, saat ini komputer tidak saja difungsikan sebagai alat hitung, melainkan juga diberdayakan sebagai pemroses data masukan yang berupa data
analog. Seiring dengan berkembangnya sejarah komputer,
banyak pokok persoalan yang kemudian timbul. Salah
satunya adalah masalah pengolahan citra. Pengolahan
citra merupakan pokok persoalan pada ilmu komputer
yang muncul setelah lahirnya sistem operasi yang berbasis grafik. Citra atau gambar biasanya dipresentasikan
dalam bentuk dua dimensi. Mendeteksi bentuk geometris
dalam suatu gambar merupakan salah satu dari tugas yang
mendasar dari proses pengolahan citra. Untuk mendeteksi bentuk geometris, salah satu teknik yang digunakan
adalah teknik pendeteksian garis tepi. Dalam mendeteksi
suatu garis tepi dari suatu obyek di dalam citra, diperlukan suatu penapis digital khusus. Penapis digital tersebut dikenal juga dengan sebutan operator. Operator inilah
yang nantinya akan mentransformasi citra masukan menjadi citra keluaran yang diharapkan. 1
2 Pada ilmu matematika dikenal suatu bentuk fungsi
yang dituangkan ke dalam sebuah bentuk persamaan atau
pertidaksamaan. Sebuah fungsi dapat berbentuk fungsi
linier maupun fungsi non linier. Kemudian, fungsi tersebut dapat direpresentasikan ke dalam gambar dua dimensi yang terletak pada suatu sumbu koordinat. Gambar dua dimensi yang telah disebutkan sebelumnya dapat disebut sebagai kurva, baik linier maupun non linier. Sebuah gambar kurva non linier dapat dicari bentuk fungsi persamaannya secara manual. Namun, yang kemudian menimbulkan pertanyaan adalah bagaimana komputer dapat menggantikan manusia dalam menyelesaikan
masalah tersebut. Penggabungan pengolahan citra dan penentuan persamaan kurva merupakan masalah tersendiri.
Permasalahan ini kemudian menarik minat penulis untuk
diteliti lebih lanjut. Lalu penulis mengambil subyek tersebut sebagai bahan tulisan untuk tugas akhir. Dengan
berkembangnya pemikiran manusia, teknologi-teknologi
baru juga diciptakan untuk mengatasi masalah yang ditemui kemudian. Dengan menggunakan salah satu teknik
penyelesaian yang ada, masalah tersebut diangkat dalam
skripsi yang bertema pengenalan.......
For further detail, please visit UG Library
(http://library.gunadarma.ac.id)
II. Chapter 2
BAB II LANDASAN TEORI 2.1 Penglihatan Komputer
2.1.1 Pengenalan Konsep Kecerdasan Buatan Di dalam
bukunya, Sri Kusumadewi (2003) mengatakan bahwa
manusia dapat melakukan penalaran untuk menyelesaikan
masalah yang tengah dihadapinya. Manusia menciptakan
komputer yang berfungsi membantu mengatasi masalah.
Berkembangnya pola pikir manusia menimbulkan suatu
masalah baru, yaitu bagaimana caranya manusia mengatasi kecerdasannya yang senantiasa berubah-ubah. Sebagai jawaban dari hasil penelitian, manusia melahirkan
suatu bidang ilmu yang dikenal dengan kecerdasan buatan
(Artificial Intelligence). Perkembangan teknologi menyebabkan adanya perkembangan dan perluasan lingkup pemakaian kecerdasan buatan. Karakteristik mesin yang cerdas dibutuhkan di berbagai disiplin ilmu dan teknologi.
Kecerdasan buatan tidak hanya mendominasi bidang ilmu
komputer atau teknologi informatika saja, tetapi juga
berbagai disiplin ilmu yang lain. Irisan antara psikologi
dan kecerdasan buatan melahirkan suatu area baru yang
disebut pengenalan dan psikolinguistik. Irisan antara
teknik elektro dan kecerdasan buatan melahirkan berbagai
bidang keilmuan seperti pengolahan citra, teori kendali,
pengenalan pola dan robotika. 6
7 Irisan penggunaan kecerdasan buatan dengan berbagai disiplin ilmu menyebabkan cukup rumitnya pengklasifikasian kecerdasan buatan menurut bidang ilmu yang
menggunakannya.
Untuk memudahkan hal tersebut,
pengklasifikasian kecerdasan buatan didasarkan pada hasil
keluaran yang diberikan pada berbagai aplikasi komersial. Lingkup utama dalam kecerdasan buatan adalah:
1. Sistem Pakar. Pada Sistem Pakar, komputer digunakan sebagai sarana untuk menyimpan pengetahuan dari
para pakar atau ahli. Dengan demikian, komputer memiliki keahlian untuk menyelesaikan permasalahan dengan
meniru keahlian yang dimiliki oleh para pakar. 2. Pengolahan Bahasa Alami. Pada Pengolahan Bahasa Alami,
pengguna diharapkan dapat berinteraksi dengan komputer
2
GUNADARMA UNIVERSITY LIBRARY : http://library.gunadarma.ac.id
menggunakan bahasa sehari-hari. 3. Pengenalan Ucapan. Melalui Pengenalan Ucapan, manusia dapat berinteraksi dengan komputer menggunakan suara sebagai masukan. 4. Robotika dan Sistem Sensor. 5. Penglihatan
Komputer (Computer Vision). Lingkup Penglihatan Komputer digunakan untuk menginterpretasikan gambar atau
obyek-obyek yang tampak melalui komputer. 6. Intelligent
Computer-aided Instruction. Di dalam hal ini, komputer
digunakan sebagai tutor yang dapat melatih.......
For further detail, please visit UG Library
(http://library.gunadarma.ac.id)
III. Chapter 3
BAB III PERANCANGAN DAN IMPLEMENTASI 3.1
Rancangan Program Secara umum, proses untuk pengenalan bentuk kurva digambarkan pada gambar 3.1. Gambar 3.1 Diagram proses Data masukan berupa gambar
kurva yang bersifat analog dimana garis pembentuk kurva
dapat memiliki diameter yang berbeda-beda. Setelah itu,
gambar kurva diolah menjadi bentuk diskrit citra digital.
Hasil digitasi dari citra menjadi masukan bagi proses transformasi citra. Transformasi citra dilakukan untuk mengubah citra 44
45 masukan dengan ukuran lebar garis kurva yang
berbeda-beda menjadi satu garis kurva dengan ukuran
lebar yang sama untuk memudahkan proses pencocokan
kurva. Sebagai analogi, lebar garis yang dihasilkan oleh
pensil berukuran 0,5 mm akan berbeda lebar garis yang
dihasilkan oleh spidol papan tulis. Oleh karena itu, transformasi citra dilakukan untuk menyamakan proses pembacaan kurva terhadap citra masukan yang berbeda-beda.
Pencocokan kurva dilakukan dengan pendekatan interpolasi Newton. Dengan menggunakan beberapa titik sampel
yang terdapat dalam kurva, program akan menentukan
bentuk fungsi dari kurva. Selain gambaran umum program, pada bagian ini juga akan dipaparkan rancangan
umum dari pemrograman. Program ini dibuat dengan
bantuan bahasa pemrograman Java yang berbasiskan pemrograman berorientasi obyek. Arsitektur program dibuat
secara modular, dimana pada Java dikenal dengan sebutan kelas. Oleh karena itu, rancangan program pengenalan
kurva dibuat secara modular sesuai dengan kapasitas kebutuhan pengolahan data. Selanjutnya, kelas-kelas yang digunakan pada program pengenalan kurva dijelaskan pada
bagian perancangan kelas. Pembahasan masalah dalam
tugas akhir ini dibedakan menjadi dua. Pembahasan pertama mengenai pengolahan citra dan transformasi citra
hingga didapatkan hasil berupa titik-titik koordinat yang
dapat digunakan sebagai acuan dalam pencocokan kurva.
Pembahasan kedua meliputi implementasi metode pencocokan kurva dengan pendekatan interpolasi Newton. Rancangan terhadap kedua kelompok bahasan akan diuraikan
pada bagian berikut.
46 3.1.1 Rancangan Pengolahan dan Tranformasi Citra
Seperti telah dijelaskan sebelumnya, data masukan yang
digunakan dalam program pengenalan kurva berupa
data.......
For further detail, please visit UG Library
(http://library.gunadarma.ac.id)
IV. Chapter 4
BAB IV PENUTUP 4.1 Kesimpulan Berdasarkan hasil
uji coba, kesimpulan yang dapat ditarik adalah bahwa
kurva yang dibuat oleh tangan dapat dicari bentuk persamaannya dengan bantuan komputer. Hasil uji coba juga
membuktikan bahwa teknik pendekatan gradien berhasil
diterapkan untuk menyaring dan meloloskan obyek kurva
dengan nilai kontras yang tinggi. Berbeda dengan kurva
yang memiliki nilai kontras rendah, obyek kurva tidak
dapat diloloskan pada proses transformasi. Hal tersebut
dikarenakan oleh proses penapisan hanya meloloskan nilai
berfrekuensi tinggi. Proses penapisan itu dilakukan untuk
mereduksi derau-derau yang biasanya memiliki frekuensi
lebih rendah jika dibandingkan dengan obyek yang ada
pada suatu citra. Sesuai dengan rumusan pada awal penelitian, kurva yang dianalisis adalah kurva non linier dengan
fungsi y terhadap x. Oleh karena itu, pembacaan kurva
dilakukan secara vertikal. Hasil uji coba membuktikan
bahwa kurva yang memiliki bagian yang sejajar sumbu
y tidak akan diloloskan. Dengan begitu, tujuan penelitian telah terjawab. Kesimpulan terakhir yang didapat
berupa hasil metode pencocokan kurva. Hasil uji coba
pada penulisan ini menunjukkan bahwa semakin banyak
titik sampel 126
127 yang dimasukkan, semakin banyak orde atau suku
yang dilibatkan dalam persamaan. Penggunaan titik sampel yang semakin banyak belum tentu menunjukkan kualitas kurva bentukan yang lebih baik. Hal tersebut ditunjukkan dengan penempatan 10 dan 15 titik sampel. Penggunaan 10 titik sampel menghasilkan kurva bentukan yang
mendekati kurva asli. Sebaliknya, penggunaan 15 titik
sampel semakin menjauhi bentuk kurva asli. Hal tersebut
dikarenakan oleh posisi dari masing-masing piksel pembentuk kurva yang telah disaring tidak terletak tepat pada
satu garis. Pada saat dilakukan penempatan titik, interpolasi membaca titik-titik tersebut berdasarkan koordinat
titik pada bidang (x,y). Maka, kesimpulan yang dapat
ditarik dari hasil uji coba adalah bahwa penggunaan 10
titik sampel merupakan yang paling mendekati kurva asli.
4.2 Saran Penggunaan operator gradien dalam mendeteksi
kurva berhasil diterapkan dalam masalah.......
For further detail, please visit UG Library
(http://library.gunadarma.ac.id)
V. Chapter 5
.......
For further detail, please
(http://library.gunadarma.ac.id)
visit
UG
Library