Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar

i

IMPLEMENTASI SEGMENTASI CITRA DOKUMEN TEKS

SASTRA JAWA MENGGUNAKAN ALGORITMA WATERSHED

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Teknik

Jurusan Teknik Informatika

Oleh :

Kartono Pinaryanto

055314067

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2009

i

THE SEGMENTATION IMPLEMENTATIONS

OF THE JAVANESE LITERATURE DOCUMENT TEXT IMAGE

USING ALGORITHM WATERSHED

A THESIS

Presented as a Partial Fulfillment of the Requirements To Obtain Sarjana Teknik Degree

In Informatics Engineering

By :

Kartono Pinaryanto

055314067

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2009

ii

iii

iv

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini tidak

memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan

dan daftar pustaka, sebagaimana layaknya karya ilmiah.

Yogyakarta, 29 Juli 2009

Penulis

Kartono Pinaryanto

v

ABSTRAK

Dokumen teks sastra jawa merupakan akar budaya bangsa Indonesia yang perlu

dilestarikan. Pengenalan huruf pada sebuah citra dokumen teks sastra Jawa adalah salah

satu cara untuk melestarikan kebudayaan tersebut. Segmentasi adalah salah satu proses

dalam pengolahan citra pada citra dokumen teks yang bertujuan untuk memisahkan obyek-

obyek yang ada pada citra dokumen teks. Hasil pemisahan obyek tersebut akan digunakan

sebagai masukan untuk proses pengenalan huruf citra dokumen teks sastra Jawa.

Pada tugas akhir ini dibuat perangkat lunak untuk melakukan segmentasi citra

dokumen teks sastra Jawa menggunakan algoritma watershed. Algoritma watershed

menganggap sebuah citra merupakan bentuk tiga dimensi yaitu posisi x, posisi y dan

tinggi dengan tingkat warna piksel paling gelap menjadi dasarnya. Data masukan untuk

perangkat lunak ini adalah sebuah file gambar dengan format *.jpg. Perangkat lunak ini

dikembangkan dengan menggunakan bahasa pemrograman Java dan bahasa

pemrograman MATLAB 6.5 yang dihubungkan dengan JMATLink.

Berdasarkan pengujian terhadap 10 citra dokumen teks sastra Jawa, diperoleh

segmentasi obyek watershed dengan rata-rata prosentase kebenaran dan rata-rata

prosentase akurasi masing-masing sebesar 97,123% dan 84,932% sehingga dapat

disimpulkan bahwa pemilihan metode segmentasi obyek ini relatif baik. Untuk

segmentasi karakter watershed rata-rata prosentase kebenaran sebesar 57,443% sehingga

dapat disimpulkan bahwa pemilihan metode segmentasi karakter ini kurang baik dan rata-

rata waktu yang dibutuhkan adalah 39,7267 detik yang menjelaskan bahwa metode

segmentasi yang digunakan relatif singkat.

vi

ABSTRACT

The Javanese literature texts are the roots of Indonesian people’s culture which

need to be preserved. Knowing the image document texts of the Javanese litetures is one

of the methods to process image in the image document texts which is inteded to split the

objects on the image document text. The result of the splitting the objects would be used

as the entry for the process to know the letters of image document texts in the Javanese

literature texts.

In this final project, a software was made to do the segmenting of the image

document texts from the Javanese literature documents using Watershed algorithm.

Watershed algorithm considers an image as a tridemtional form of X position, Y position

and its height with the deepest cell colour as its background. The entry of this software

was an image file with .jpg format. This software was developed using Java language

programing and MATLAB 6.5 language programming which was linked to JMATLink.

Based on the test result on the 10 document image texts of the Javanese

literatures, the watershed object segmentation achieved the average of 97,123% validity

and average of 84,932% accuration which then concluded that this selection of the object

segmentation method was quite good. Because the average accuration of Watershed

segmentation carachter achieved 57,443% it was concluded that the choice of character

segmentation method was not really good and the average time needed was 39,7267

seconds which showed that this used segmentation method was quite short.

vii

LEMBAR PERNYATAAN PERSETUJUAN

PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN KAMPUS

Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata Dharma :

Nama : Kartono Pinaryanto

NIM : 055314067

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan

Universitas Sanata Dharma karya ilmiah saya yang berjudul:

”Implementasi Segmentasi Citra Dokumen Teks Sastra jawa menggunakan algoritma

watershed ” Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya

memberikan kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan,

mengalihkan, dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data,

mendistribusikannya secara terbatas, dan mempublikasikannya di internet dan media lain

untuk kepentingan akademis tanpa perlu minta izin dari saya maupun memberikan royalti

kepada saya selama tetap mencantumkan nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.


Penulis,

Kartono Pinaryanto

viii

KATA PENGANTAR

Puji syukur ke hadirat Tuhan Yang Maha Esa atas berkat dan kasihnya sehingga

penulis dapat menyelesaikan skripsi ini.

Skripsi ini ditulis untuk memenuhi salah satu syarat dalam memperoleh gelar

Sarjana Teknik, Program Studi Teknik Informatika di Fakultas Sains dan Teknologi

Universitas Sanata Dharma Yogyakarta.

Dalam penulisan skripsi ini penulis menyadari banyak pihak yang telah

memberikan sumbangan baik pikiran, waktu, tenaga, bimbingan dan dorongan kepada

penulis sehingga akhirnya skripsi ini dapat selesai. Oleh karena itu pada kesempatan ini

penulis menyampaikan ucapan terimakasih kepada :

1. Anastasia Rita Widiarti, S.Si., M.Kom. selaku dosen pembimbing yang telah

memberikan bimbingan, arahan dan petunjuk selama penulisan skripsi.

2. Yosef Agung Cahyanta, S.T., M.T. selaku Dekan Fakultas Sains dan Teknologi.

3. Puspaningtyas Sanjoyo Adi, S.T., M.T. selaku Kepala Program Studi Teknik

Informatika.

4. Eko Hari Parmadi, S.Si., M.Kom selaku dosen penguji yang telah memberikan

masukan, saran dan kritik yang membangun untuk skripsi ini.

5. Drs. C. Kuntoro Adi, SJ, MA, M.Sc.,Ph.D. selaku dosen penguji yang telah

memberikan masukan, saran dan kritik yang membangun untuk skripsi ini.

6. Sri Hartati Wijono, S.Si., M.Kom. yang telah membantu penulis dalam penulisan

skripsi ini.

ix

7. Papa (alm), Mama, Kakak-kakakku dan Keponakanku yang telah banyak

memberikan dukungan secara moril maupun materi kepada penulis selama

penyusunan skripsi ini.

8. Teman-temanku angkatan 2005 yang telah memberikan semangat kepada penulis

selama penyusunan skripsi ini.

Penulis menyadari bahwa skripsi ini masih banyak kekurangan dan jauh dari

kesempurnaan, sehingga segala kritik dan saran yang bersifat membangun sangat penulis

harapkan demi perbaikan skripsi ini. Akhirnya dengan segala kekurangan yang ada,

penulis berharap agar skripsi ini masih dapat diambil manfaatnya.


Penulis

Kartono Pinaryanto

x

DAFTAR ISI

HALAMAN JUDUL ………………………………………………………………….. i

HALAMAN PERSETUJUAN PEMBIMBING ………………………………………. ii

HALAMAN PENGESAHAN ………………………………………………………… iii

PERNYATAAN KEASLIAN KARYA …………………..…………………..……..... iv

ABSTRAK …………………..…………………..…………………..………………... v

ABSTRACT …………………..…………………..…………………..………………... vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI .................................... vii

KATA PENGANTAR …………………..…………………..…………………..…...... viii

DAFTAR ISI …………………..…………………..…………………..…………….... x

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

DAFTAR TABEL …………………..…………………..…………………..………... xvii

DAFTAR LAMPIRAN …………………..…………………..…………………........ xix

BAB I PENDAHULUAN …………………..…………………..…………………... 1

1.1 Latar Belakang Masalah …………………..…………………..…………....... 1

1.2 Rumusan Masalah …………………..…………………..………………….... 2

1.3 Batasan Masalah …………………..…………………..…………………...... 2

1.4 Tujuan dan Manfaat Penelitian …………………..…………………..…….... 3

1.4.1 Tujuan Penelitian …………………..…………………..…………….. 3

1.4.2 Manfaat Penelitian …………………..…………………..………….... 3

1.5 Metode Penelitian …………………..…………………..………………….... 4

1.6 Sistematika Penulisan …………………..…………………..……………….. 6

xi

BAB II LANDASAN TEORI …………………..…………………..………………... 7

2.1 Pengertian Citra …………………..…………………..…………………...... 7

2.2 Citra Dokumen Teks …………………..…………………..………………... 9

2.3 Grayscaling …………………..…………………..…………………......…... 10

2.4 Binerisasi …………………..…………………..…………………..………... 11

2.5 Morphological Processing …………………..…………………..………....... 15

2.5.1 Dilasi ...................................................................................................... 17

2.5.2 Erosi ....................................................................................................... 19

2.5.3 Morphological Gradient ......................................................................... 21

2.6 Segmentasi Citra ………..……………..……………..……………..………... 22

2.7 Morphologi Watershed ………..……………..……………..……………...... 23

2.7.1 Pembentukan Dam ………..……………..……………..…………….. 25

2.7.2 Algoritma Morphologi Watershed ………..……………..…………… 27

2.7.3 Contoh Algoritma Morphologi Watershed ………..……………..…… 30

2.8 Huruf Jawa ………..……………..……………..……………...………..…… 34

2.8.1 Aksara Jawa ………..……………..……………..……………...……. 34

2.8.2 Aksara Pasangan ………..……………..……………..……………..... 34

2.8.3 Aksara Murda ………..……………..……………..……………......… 34

2.8.4 AksaraWilangan ………..……………..……………..……………...... 35

2.8.5 Aksara Swara ………..……………..……………..…………….......... 35

2.8.6 Tanda Baca (Sandangan) ………..……………..……………..…...…. 35

2.9 Matlab ………..……………..……………..……………...………..……….. 36

2.10 Java ………..……………..……………..……………...………..…….......... 36

xii

2.11 JMATLink ………..……………..……………..……………...………......... 37

2.12 Kompleksitas Waktu Asimptotik ………..……………..……………........... 37

BAB III ANALISA DAN PERANCANGAN SISTEM ………..……………............ 39

3.1 Analisa Sistem ………..……………..……………..……………................. 39

3.1.1 Gambaran Sistem secara Umum ………..……………..………......... 39

3.1.2 Pre-processing ………..……………..……………..…………........... 42

3.1.2.1 Proses Binerisasi ………..……………..……………......... 42

3.1.2.2 Proses Morphological Gradient ………..…………............ 43

3.1.2.2.1 Proses Dilasi ………..……………..….............. 43

3.1.2.2.2 Proses Erosi ………..……………..…............... 44

3.1.3 Proses Segmentasi ………..……………..…....………..……............ 44

3.2 Perancangan Sistem ………..……………..…....………..……………......... 45

3.2.1 Perancangan Halaman Utama ………..……………..…....……........ 46

3.2.2 Perancangan Halaman Segmentasi Citra ………..……………......... 47

3.2.3 Perancangan Halaman Daftar Data Hasil Segmentasi ....................... 48

3.2.4 Perancangan Halaman Tentang Program ………..……………......... 49

3.2.5 Perancangan Halaman Bantuan ………..……………..….................. 49

3.2.6 Perancangan Halaman Keluar ………..……………..…....……........ 50

3.3 Perancangan Cara Pengujian ………..……………..…....………..……........ 51

3.4 Spesifikasi Hardware dan Software ………..……………..…....………........ 52

3.4.1 Hardware ………..……………..…....………..……………..…......... 52

3.4.2 Software ………..……………..…....………..……………..….......... 52

BAB IV IMPLEMENTASI ………..……………..…....………..……………..…....... 53

xiii

4.1 Tampilan Halaman Utama ………..……………..…....………..………....... 53

4.2 Tampilan Halaman Segmentasi ………..……………..…....………............. 54

4.3 Tampilan Halaman Daftar Data Hasil Segmentasi ......................................... 55

4.4 Tampilan Tentang Program ………..……………..…....………..…….......... 56

4.5 Tampilan Halaman Bantuan ………..……………..…....………..……......... 57

4.6 Tampilan Halaman Keluar ………..……………..…....………..………....... 58

BAB V HASIL DAN PEMBAHASAN ………..……………..…....………..…....... 59

5.1 Data Masukan ………..……………..…....………..……………..…............ 59

5.2 Pengujian Data Masukan ………..……………..…....………..………......... 60

5.3 Analisa Kompleksitas Waktu ........................................................................ 67

5.4 Analisa Hasil Proses Pengujian ..................................................................... 82

5.5 Analisa Hasil Segmentasi ………..……………..…....………..………........ 85

5.6 Rangkuman Hasil Segmentasi ………..……………..…....………..…......... 110

5.7 Kelemahan Sistem ………..……………..…....………..……………........... 114

BAB VI KESIMPULAN DAN SARAN ………..……………..…....………............. 115

6.1 Kesimpulan ………..……………..…....………..……………..…................ 115

6.2 Saran ………..……………..…....………..……………..…....……….......... 116

DAFTAR PUSTAKA ………..……………..…....………..……………..…............... 117

LAMPIRAN ………..……………..…....………..……………..…....………............. 118

xiv

DAFTAR GAMBAR

Gambar 1.1 Model Waterfall ………..……………..…....………..……………..…...... 4

Gambar 2.1 Citra biner dan representasinya dalam data digital ………..…………….. 8

Gambar 2.2 Citra skala keabuan dan representasinya dalam data digital ………..…... 8

Gambar 2.3 Citra warna dan representasinya dalam data digital ………..….……....... 9

Gambar 2.4 Citra dokumen teks ………..……………..…....………..……………...... 10

Gambar 2.5 Contoh perubahan data digital citra warna menjadi citra grayscale .......... 11

Gambar 2.6 Contoh perubahan data digital citra warna menjadi citra baru .................. 14

Gambar 2.7 Contoh citra warna sebelum mengalami proses binerisasi ........................ 15

Gambar 2.8 Contoh citra warna setelah mengalami proses binerisasi ........................... 15

Gambar 2.9 Moore Neighborhood ………..……………..…....………..………............ 16

Gambar 2.10 Titik Terisolasi, Titik Ujung dan Titik Batas ………..…………….......... 17

Gambar 2.11 Contoh perubahan data digital citra baru menjadi citra dilasi .................. 18

Gambar 2.12 Contoh citra baru sebelum mengalami proses dilasi ………...……......... 19

Gambar 2.13 Contoh citra baru setelah mengalami proses dilasi ………..…….…....... 19

Gambar 2.14 Contoh perubahan data digital citra baru menjadi citra erosi .................. 20

Gambar 2.15 Contoh citra baru sebelum mengalami proses erosi …….…..………..... 21

Gambar 2.16 Contoh citra baru setelah mengalami proses erosi ………..……..…...... 21

Gambar 2.17 Hasil operasi Morphological Gradient dalam bentuk data digital ……... 22

Gambar 2.18 Contoh hasil operasi Morphological Gradient dalam bentuk citra …..… 22

Gambar 2.19 Konsep dasar Morphological Watershed ………..…….……….….......... 25

Gambar 2.20 Pembentukan Dam ………..……………..…....………..……………...... 27

xv

Gambar 2.21 Contoh digital algoritma Watershed Langkah 1 ………..…………….... 30

Gambar 2.22 Contoh digital algoritma Watershed Langkah 2 ………..………….…... 31

Gambar 2.23 Contoh digital algoritma Watershed Langkah 3 ………..………….…... 32

Gambar 2.24 Contoh digital algoritma Watershed Langkah 4 ………..…………….... 33

Gambar 2.25 Aksara Jawa ………..……………..…....………..……………..…......... 34

Gambar 2.26 Aksara Pasangan ………..……………..…....………..……………......... 34

Gambar 2.27 Aksara Murda ………..……………..…....………..……………..…....... 34

Gambar 2.28 Aksara Wilangan ………..……………..…....………..……………........ 35

Gambar 2.29 Aksara Swara ………..……………..…....………..……………..…........ 35

Gambar 2.30 Tanda Baca (Sandangan) ………..……………..…....………..……….... 35

Gambar 3.1 Diagram Konteks ………..……………..…....………..……………..….... 40

Gambar 3.2 DFD Level 1 ………..……………..…....………..……………..…........... 40

Gambar 3.3 DFD Level 2 Proses 1 ………..……………..…....………..……………... 41

Gambar 3.4 Diagram proses Binerisasi ………..……………..…....………..……….... 42

Gambar 3.5 Diagram proses Morphological Gradient ………..……………..…....…... 43

Gambar 3.6 Diagram proses Dilasi ………..……………..…....………..…………….. 43

Gambar 3.7 Diagram Proses Erosi ………..……………..…....………..……………... 44

Gambar 3.8 Diagram proses Segmentasi Watershed ………..……………..…..……... 45

Gambar 3.9 Perancangan Halaman Utama ………..……………..…....……..……...... 46

Gambar 3.10 Perancangan Halaman Segmentasi Citra ………..………………........... 47

Gambar 3.11 Perancangan Halaman Daftar Data Hasil Segmentasi ............................. 48

Gambar 3.12 Perancangan Halaman Tentang Program ……..…..…………..…........... 49

Gambar 3.13 Perancangan Halaman Bantuan ………..……………..…....................... 49

xvi

Gambar 3.14 Perancangan Halaman Keluar ………..……………..…....………..……. 50

Gambar 4.1 Halaman Utama ………..……………..…....………..……………..…...... 53

Gambar 4.2 Halaman Segmentasi ………..……………..…....………..…………….... 54

Gambar 4.3 Halaman Daftar Data Hasil Segmentasi .................................................... 55

Gambar 4.4 Halaman Tentang Program ………..……………..…....………..………... 56

Gambar 4.5 Halaman Bantuan ………..……………..…....………..……………..….... 57

Gambar 4.6 Halaman Keluar ………..……………..…....………..……………..…...... 58

Gambar 5.1 Citra dokumen 1 ………..……………..…....………..……………..…...... 60

Gambar 5.2 Citra dokumen 1 hasil proses binerisasi ………..……………..…............. 60

Gambar 5.3 Citra dokumen 1 hasil proses dilasi ………..……………..…....……….... 61

Gambar 5.4 Citra dokumen 1 hasil proses erosi ………..……………..…....………..... 61

Gambar 5.5 Citra dokumen 1 hasil proses Morphological Gradient ……….................. 62

Gambar 5.6 Potongan citra Morphological Gradient dokumen 1 ………..…....…….... 63

Gambar 5.7 Data digital potongan citra Morphological Gradient dokumen 1 ……....... 63

Gambar 5.8 Inisialisasi daerah minima-minima baru pada data digital Potongan citra

morphological gradient dokumen 1 ………..…....………..….................... 64

Gambar 5.9 Proses segmentasi pada data digital potongan citra Morphological Gradient

dokumen 1 ………..…....………..…....………..…....………..….............. 65

Gambar 5.10 Hasil segmentasi potongan citra Morphological Gradient dokumen 1 ...... 66

Gambar 5.11 Citra dokumen 1 hasil proses segmentasi ………..…....………..….......... 66

xvii

DAFTAR TABEL

Tabel 2.1 Perbandingan pertumbuhan T(n) dengan n2 ………..…....………..…....….. 37

Tabel 5.1 Kriteria citra dokumen masukan …..…....………..…....……..…....……….. 59

Tabel 5.2 Daftar Data Hasil Segmentasi Citra Dokumen 1 …..…....………..…....…... 82

Tabel 5.3 Waktu Proses awal dan proses segmentasi watershed …..…....………..….. 86

Tabel 5.4 Besar file Proses awal dan proses segmentasi watershed …..…....……….... 87

Tabel 5.5 Hasil obyek citra dokumen 1 proses segmentasi watershed ..…....………… 89


Tabel 5.7 Hasil obyek citra dokumen 3 proses segmentasi watershed ..…....………... 91



Tabel 5.10 Hasil obyek citra dokumen 6 proses segmentasi watershed ..…....……….. 94




Tabel 5.14 Hasil obyek citra dokumen 10 proses segmentasi watershed ..…....……… 98

Tabel 5.15 Hasil karakter citra dokumen 1 proses segmentasi watershed ..…....…….. 99



Tabel 5.18 Hasil karakter citra dokumen 4 proses segmentasi watershed ..…....……... 102



xviii




Tabel 5.24 Hasil karakter citra dokumen 10 proses segmentasi watershed ..…....…… 108

Tabel 5.25 Hasil percobaan proses penyaringan hasil segmentasi citra ....................... 109

Tabel 5.26 Rangkuman hasil segmentasi obyek dan bukan obyek ..…....………......... 110

Tabel 5.27 Rangkuman hasil Analisis segmentasi obyek ..…....……… ..…....……… 111

Tabel 5.28 Rangkuman hasil Analisis segmentasi karakter ..…....……….. .…....…… 112

xix

DAFTAR LAMPIRAN

Lampiran 1 Listing Program ..…....……….. ..…....……….. ..…....…………………. 118

Lampiran 2 Data Citra Dokumen Masukan dan Hasil ..…....……….. ..…....………... 133

Lampiran 3 Daftar Data Hasil Segementasi Obyek ..…....……….. ..…....…………... 144

1

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Kota Yogyakarta kaya akan budaya-budaya karya sastra Jawa (aksara

Jawa) yang merupakan akar budaya bangsa Indonesia dan mempunyai kekuatan

untuk menyaring pengaruh kebudayaan asing serta meningkatkan kehidupan

masyarakat Jawa khususnya dan bangsa Indonesia umumnya. Namun dengan

berubahnya zaman, dimana sastra Jawa hanya sebagai pendukung bahasa dan

budaya nasional, maka tradisi penerjemahan sastra Jawa perlu dihidupkan kembali.

Penerjemah ini diharapkan mampu mengambil unsur yang dapat mengembangkan

peradaban Jawa dalam sastra Indonesia atau sastra asing.

Seiring dengan perkembangan teknologi di bidang komputer khususnya

dalam penerapan pengolahan citra maka untuk menerjemahkan huruf aksara Jawa

menjadi bahasa latin memerlukan beberapa proses awal (pre-processing) yang

harus dilalui. Salah satu proses yang harus dilalui adalah proses segmentasi. Proses

segmentasi merupakan proses untuk membagi sebuah gambar (citra) menjadi

obyek-obyek berdasarkan karakteristik tertentu dan kemudian masing-masing

obyek dapat digunakan sebagai input bagi proses yang lain. Sebagai contoh, pada

proses pengenalan jenis obyek, proses segmentasi diperlukan untuk melakukan

pemisahan masing-masing obyek terhadap latar sehingga pada saat proses

pengenalan, bagian latar tidak ikut terproses. Begitu pula untuk proses pengenalan

huruf pada sebuah citra teks, diperlukan juga proses segmentasi untuk mendapatkan

huruf yang akan dikenali. Mengingat pentingnya proses segmentasi tersebut sebagai

2

proses awal, maka dibutuhkan algoritma segmentasi yang dapat melakukan

pemisahan obyek dengan akurat, salah satunya adalah algoritma watershed.

Menurut penelitian (Adipranata,dkk, 2008) algoritma watershed adalah algoritma

yang menganggap sebuah citra merupakan bentuk tiga dimensi yaitu posisi x, posisi

y dan tinggi dengan tingkat warna piksel (gray-scale) yang dimiliki, dan dari hasil

penelitian mereka diperoleh informasi bahwa algoritma watershed baik digunakan

untuk melakukan segmentasi citra gambar. Dari sini maka dalam penulisan tugas

akhir ini, penulis akan mencoba menggunakan algoritma watershed untuk menguji

apakah algoritma watershed baik digunakan untuk melakukan segmentasi pada citra

dokumen teks sastra Jawa.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang dikemukakan, timbul permasalahan yang

ingin dibahas yaitu :

1. Bagaimana cara kerja dan implementasi algoritma Watershed pada segmentasi ?

2. Bagaimana cara menguji unjuk kerja algoritma Watershed pada segmentasi citra

dokumen teks sastra Jawa ?

1.3 Batasan Masalah

Agar penulisan laporan tugas akhir ini lebih terarah, maka Penulis membatasi

masalah :

1. Pembuatan program yang hanya dapat mengimplementasikan segmentasi citra

dengan menggunakan algoritma Watershed.

3

2. Data sumber citra yang digunakan adalah citra dokumen teks sastra Jawa yang

telah mengalami proses menghilangkan noise dan pengisian atau penebalan

piksel.

3. Citra yang dapat diproses adalah citra dokumen teks sastra Jawa dengan

ekstensi jpg dan memiliki ukuran baris diantara 285 sampai dengan 310 piksel

dan ukuran kolom diantara 1270 sampai dengan 1300 piksel.

4. Menggunakan Sistem Operasi Windows XP.

5. Menggunakan bahasa pemrograman Java (NetBeans IDE 5.5) dan bahasa

pemrograman MATLAB 6.5 yang dihubungkan dengan JMATLink.

1.4 Tujuan dan Manfaat Penelitian

1.4.3 Tujuan Penelitian

Tujuan Penelitian dalam penulisan laporan tugas akhir ini adalah :

1. Memahami konsep dasar membuat program aplikasi segmentasi citra dengan

algoritma Watershed.

2. Menguji unjuk kerja algoritma Watershed pada segmentasi citra dokumen teks

sastra Jawa.

1.4.4 Manfaat Penelitian

Hasil penelitian ini diharapkan dapat bermanfaat untuk kepentingan

perkuliahan Teknologi Citra dan perkembangan sistem informasi dalam hal

komputasi serta memberikan program yang dapat digunakan oleh umum guna

melakukan manipulasi dan mengolah citra.

4

1.5 Metode Penelitian

Metode penelitian yang ditempuh penulis adalah sebagai berikut :

1. Studi pustaka tentang teknik segmentasi citra dengan algoritma Watershed

melalui buku-buku pendukung, browsing di internet, handout dari materi kuliah

Teknologi Citra.

2. Mengembangkan sistem segmentasi sebagai alat bantu pengujian perangkat

lunak, yang menggunakan metode “Waterfall” ( Pressman, 1992).

Tahapan metode ini meliputi :

a. System Engineering (Rekayasa Sistem)

Pada tahap rekayasa sistem ditentukan tujuan dari perangkat lunak

yang akan dibuat. Setelah menentukan tujuan perangkat lunak barulah dapat

menentukan kebutuhan-kebutuhan dari perangkat lunak yang akan dibuat,

kemudian mengalokasikan kebutuhan-kebutuhan tersebut ke dalam

pembentukan perangkat lunak. Perangkat lunak dalam tugas akhir ini dibuat

dengan tujuan untuk melakukan segmentasi citra. Kebutuhan-kebutuhan

5

dari perangkat lunaknya adalah teori-teori dasar yang berhubungan dengan

topik (segmentasi citra), metode yang digunakan prosedure, perangkat

lunak, dan perangkat keras.

b. Analysis (Analisis)

Pada tahap analisis ini dilakukan penentuan spesifikasi sistem yang

akan dikembangkan.

c. Design (Perancangan)

Pada tahap perancangan dilakukan perancangan prosedure detil

dan karakteristik antarmuka pemakai. Dalam penulisan tugas akhir ini tahap

perancangan dimulai dari perancangan perangkat lunak yang terdiri dari

perancangan proses detil dan perancangan antarmuka pemakai.

d. Code (Penulisan Program)

Pada tahap penulisan program ini, perangkat lunak diterjemahkan

ke dalam bentuk program komputer. Didalam tugas akhir ini hasil dari

rancangan perangkat lunak diterjemahkan ke dalam bentuk program

menggunakan bahasa pemrograman Matlab dan Java yang dihubungkan

dengan JMatLink.

e. Testing (Pengujian)

Pada tahap pengujian dilakukan pencarian segala kemungkinan

kesalahan dan memeriksa apakah hasil segmentasi sudah sesuai dengan

tujuan penelitian.

6

1.6 Sistematika Penulisan

Sistematika penulisan skripsi ini adalah sebagai berikut :

BAB I PENDAHULUAN

Bab ini secara umum menjelaskan mengenai latar belakang masalah,

rumusan masalah, batasan masalah, tujuan dan manfaat penelitian, metode

penelitian, serta sistematika penulisan.

BAB II LANDASAN TEORI

Bab ini membahas teori – teori mengenai pengertian citra, pengertian dan

tujuan segmentasi, metode-metode segmentasi, algoritma watershed dan

metode yang akan digunakan dalam pengembangan perangkat lunak.

BAB III ANALISIS DAN PERANCANGAN SISTEM

Bab ini membahas analisa dan perancangan sistem secara umum,

rancangan proses serta rancangan antar muka yang akan digunakan.

BAB IV IMPLEMENTASI

Bab ini membahas implementasi dalam bentuk program berdasarkan

analisa dan perancangan yang telah dilakukan

BAB V HASIL DAN PEMBAHASAN

Bab ini berisi mengenai analisa hasil implementasi segmentasi citra

dokumen teks sastra Jawa serta pembahasannya.

BAB VI. KESIMPULAN DAN SARAN

Bab ini berisi kesimpulan dan saran dari hasil analisa, perancangan, dan

implementasi sistem.

7

BAB II

LANDASAN TEORI

Pada bab ini membahas teori–teori mengenai pengertian citra, pengertian dan

tujuan segmentasi, metode-metode pre-processing dan segmentasi, algoritma watershed

dan metode yang akan digunakan dalam pengembangan perangkat lunak.

2.1 Pengertian Citra

Citra merupakan suatu gambar pada bidang dua dimensi (Achmad dan

Firdausy, 2004). Secara umum citra dapat dikelompokkan menjadi citra tampak

seperti foto keluarga dan citra tak tampak seperti data gambar dalam file yang

sering disebut citra digital. Dari antara kelompok citra tersebut, hanya citra digital

yang dapat diolah menggunakan komputer.

Citra digital tersusun atas kumpulan titik atau elemen-elemen gambar yang

disebut piksel (picture element). Piksel merupakan elemen terkecil dari sebuah citra

digital, dengan jumlah total piksel adalah M x N, dimana M merupakan width (nilai

lebar citra digital) dan N merupakan height (nilai tinggi citra digital). Setiap piksel

memiliki nilai berupa angka digital yang mempresentasikan informasi yang

mewakili piksel tersebut.

Format nilai piksel (Achmad dan Firdausy, 2004) ditentukan oleh format

citra digital antara lain :

1. Citra Biner

Citra biner biasanya juga disebut citra monokrom. Pada citra biner,

setiap titik bernilai 0 atau 1, masing-masing merepresentasikan warna tertentu

8

(misalnya : warna hitam bernilai 0 dan warna putih bernilai 1). Setiap titik pada

citra hanya membutuhkan 1 bit, sehingga setiap byte dapat menampung

informasi 8 titik.

Gambar 2.1 Citra biner dan representasinya dalam data digital

(Achmad dan Firdausy, 2004)

2. Citra Skala Keabuan

Citra skala keabuan biasanya juga disebut citra gray-level. Gray-level

adalah tingkat warna abu-abu dari sebuah piksel, dapat juga dikatakan tingkat

cahaya dari sebuah piksel. Maksudnya nilai yang terkandung dalam piksel

menunjukkan tingkat terangnya piksel tersebut dari hitam ke putih. Biasanya

ditetapkan nilainya antara 0 hingga 255 (untuk 256 gray-level), dengan 0 adalah

hitam dan 255 adalah putih. Karena hanya terbatas 1 byte saja maka untuk

mempresentasikan nilai piksel cukup 8 bit saja. Grayscale adalah citra yang

memiliki gray-level sebagai nilai dari tiap piksel-nya.

Gambar 2.2 Citra skala keabuan dan representasinya dalam data digital


9

3. Citra Warna

Pada citra warna, setiap titik mempunyai warna yang spesifik yang

merupakan kombinasi dari tiga warna dasar, yaitu : merah, hijau dan biru.

Format citra seperti ini sering disebut sebagai citra RGB (red-green-blue).

Setiap warna dasar mempunyai intensitas sendiri dengan nilai maksimum 255 (8

bit), misalnya warna kuning merupakan kombinasi warna merah dan hijau

sehingga nilai RGB-nya adalah 255.255.0. Dengan demikian setiap tiitk pada

citra warna membutuhkan data 3 byte.

Jumlah kombinasi warna yang mungkin untuk format citra ini adalah 224

atau lebih dari 16 juta warna, dengan demikian bisa dianggap mencakup semua

warna yang ada.

Gambar 2.3 Citra warna dan representasinya dalam data digital


2.2 Citra Dokumen Teks

Dokumen teks merupakan sebuah tulisan yang memuat informasi

(Anonim, 2009). Biasanya dokumen ditulis atau dicetak diatas kertas dan

informasinya ditulis menggunakan tinta baik menggunakan tangan ataupun media

elektronik seperti komputer.

10

Sama halnya dengan dokumen teks, citra dokumen teks merupakan suatu

citra yang berisi kumpulan teks atau tulisan, namun dalam format digital. Citra

dokumen teks masukan yang diperlukan dalam proses segmentasi adalah berupa

citra dokumen keabuan atau citra dokumen biner. Jika citra masukan berupa citra

berwarna, maka citra tersebut akan diproses dan diubah menjadi citra keabuan

(melalui proses grayscaling) atau menjadi citra biner (melalui proses binerisasi).

Gambar 2.4 Citra dokumen teks

2.3 Grayscaling

Grayscaling adalah proses perubahan nilai piksel dari warna (RGB)

menjadi gray-level (Gonzales and Woods, 2002). Pada dasarnya proses ini

dilakukan dengan mencari nilai rerata dari ketiga nilai elemen warna, sehingga nilai

keabuan yang merepresentasikan intensitas dapat dihitung (Achmad dan Firdausy,

2004) dengan rumus :

Ri + Gi + Bi K0 = 3 (2-1)

11

Gambar 2.5 Contoh perubahan data digital citra warna menjadi citra grayscale

Untuk gambar 2.5 (a) adalah representasi citra warna yang terdiri dari 3 keping

warna yaitu keping I (red), keping II (green) dan keping III (blue) yang digunakan

adalah citra warna seperti gambar 2.3. Berdasarkan 3 keping warna tersebut maka

dicari nilai rata-ratanya sehingga akan menghasilkan representasi citra grayscale

seperti gambar 2.5 (b).

Pada proses grayscaling yang merupakan metode asli dari segmentasi

watershed (Adipranata dkk, 2008), tetapi untuk penulisan tugas akhir ini, Penulis

tidak menggunakan proses grayscaling melainkan menggunakan proses binerisasi.

2.4 Binerisasi

Proses binerisasi adalah proses perubahan format skala keabuan menjadi

citra biner, yang hanya memiliki 2 buah nilai (0 dan 1). Dalam proses binerisasi

pertama kali akan mencari nilai ambang (thersholding), selanjutnya titik dengan

nilai rentang nilai keabuan tertentu diubah menjadi berwarna hitam (0) dan sisanya

menjadi putih (1) (Achmad dan Firdausy, 2004). Untuk penulisan tugas akhir ini,

12

penulis memodifikasi nilai warna putih menjadi nilai 255. Sehingga akan dihasilkan

citra baru yang telah mengalami proses binerisasi.

Dalam proses binerisasi menggunakan metode otsu. Tujuan dari metode

otsu adalah membagi histogram citra gray level kedalam dua daerah yang berbeda

secara otomatis tanpa membutuhkan bantuan user untuk memasukkan nilai ambang

(Darma Putra, 2009). Pendekatan yang dilakukan oleh metode otsu adalah dengan

melakukan analisis diskriminan yaitu menentukan suatu variabel yang dapat

membedakan antara dua atau lebih kelompok yang muncul secara alami. Analisis

Diskriminan akan memaksimumkan variabel tersebut agar dapat membagi objek

latardepan (foreground) dan latarbelakang (background).

Formulasi dari metode otsu adalah sebagai berikut :

Nilai Ambang yang akan dicari dari suatu citra gray level dinyatakan dengan k.

Nilai berkisar antara 1 sampai dengan L, dengan nilai L = 255. Probabilitas setiap

pixel pada level ke i dapat dinyatakan:

Pi = ni / N (2-2)

Keterangan : ni menyatakan jumlah pixel pada level ke i dan N menyatakan total

jumlah pixel pada citra.

Nilai Zeroth cumulative moment, First cumulative moment, dan total nilai mean

berturut-turut dapat dinyatakan dengan rumus berikut.

k

ω(k) = ∑ Pi i=1

(2-3)

k

µ(k) = ∑ i . Pi i=1

(2-4)

13

L

µT = ∑ i . Pi i=1

(2-5)

Nilai ambang k dapat ditentukan dengan memaksimumkan persamaan :

σ2B (k*) = max σ2

B (k) 1≤k<L

(2-6)

Dengan

[µTω(k) - µ(k)]2 σ

2B(k) =

ω(k)[1 - ω(k)] (2-7)

14

Gambar 2.6 Contoh perubahan data digital citra warna menjadi citra baru

Pada gambar 2.6 (a) citra warna keping I, II dan III diubah menjadi citra grayscale

seperti gambar 2.6 (b). Selanjutnya citra grayscale diubah menjadi citra baru

dengan menggunakan Threshold yang didapatkan dari proses perhitungan metode

Otsu. Nilai piksel citra baru akan bernilai 0 jika nilai piksel citra grayscale kurang

dari nilai Threshold dan nilai piksel citra baru akan bernilai 255 jika nilai piksel

15

citra grayscale lebih dari nilai Threshold seperti gambar 2.6 (c). Pada gambar 2.7

adalah citra warna sebelum mengalami proses binerisasi dan gambar 2.8 merupakan

citra warna yang telah mengalami proses binerisasi.

Gambar 2.7 Contoh citra warna sebelum mengalami proses binerisasi

Gambar 2.8 Contoh citra warna setelah mengalami proses binerisasi

2.5 Morphological Processing

Operasi morfologi adalah teknik pengolahan citra yang didasarkan pada

bentuk segmen atau region dalam citra ( - , Morphologi.pdf, 2008). Operasi ini

difokuskan pada bentuk obyek, maka operasi ini biasanya diterapkan pada citra

biner. Biasanya segmen tadi didasarkan pada obyek yang menjadi perhatian.

Segmentasi dilakukan dengan membedakan antara obyek dan latar, antara lain

dengan memanfaatkan operasi pengambangan yang mengubah citra warna dan

skala keabuan menjadi citra biner. Nilai biner dari citra hasil merepresentasikan 2

keadaan: obyek dan latar. Meskipun lebih banyak dipakai pada citra biner, operasi

morfologi sering pula digunakan pada citra skala keabuan dan warna. Hasil operasi

16

morfologi dapat dimanfaatkan untuk pengambilan keputusan dengan analisis lebih

lanjut. Operasi ini antara lain meliputi: dilasi, erosi dan morphologi gradient.

Operasi morfologi biasanya didasarkan pada nilai-nilai dari tetangga

langsung di sekeliling titik obyek yang ditinjau (Moore neighborhood). Untuk

operasi terhubung-4 (4-connected) maka tetangga yang diperhatikan hanya yang

langsung bersebelahan, yaitu titik di sebelah kiri, kanan, atas dan bawah, sedangkan

untuk operasi terhubung-8 (8-connected) tetangga diagonalnya diikutsertakan

(Gambar 2.9).

Gambar 2.9 Moore Neighborhood

( - , Morphologi.pdf, 2008)

Beberapa definisi yang dipakai dalam operasi morfologi (- ,Morphologi.pdf, 2008) :

• Titik obyek, adalah titik yang merupakan bagian dari obyek (p1 = obyek)

• Titik latar, adalah titik yang merupakan bagian dari latar (p1 = latar)

• B(p1) = banyaknya tetangga dari p1 yang merupakan titik obyek A(p1) =

banyaknya pola “latar, obyek” untuk urutan p2-p4-p6-p8-p2 pada operasi

terhubung-4 atau urutan p2-p3-p4-p5-p6-p7-p8-p9-p2 pada operasi terhubung-8.

• Titik terisolasi, adalah titik obyek yang semua tetangganya adalah titik latar.

B(p1)= 0.

17

• Titik ujung, adalah titik obyek yang mempunyai tepat sebuah tetangga yang

merupakan titik obyek juga. B(p1) = 1.

• Titik batas, adalah titik obyek yang salah satu atau lebih tetangganya adalah titik

latar. B(p1) < 4 pada operasi terhubung-4 dan B(p1) < 8 pada operasi

terhubung-8. Apabila semua titik tetangganya adalah titik obyek maka dapat

dipastikan titik tersebut berada di dalam obyek (bukan titik batas).

• Titik simpel, adalah titik obyek yang jika diubah menjadi titik latar maka tidak

mengubah kondisi hubungan antar titik-titik obyek tetangganya.

Gambar 2.10 Titik terisolasi, titik ujung dan titik batas

( - , Morphologi.pdf, 2008)

2.5.1 Dilasi Operasi dilasi berfungsi untuk menghaluskan gambar sehingga lebih

mudah untuk disegmentasi. Operasi ini dilakukan untuk memperbesar

ukuran segmen obyek dengan menambah lapisan di sekeliling obyek ( - ,

Morphologi.pdf, 2008). Cara kerja operasi ini yaitu dengan mengubah

semua titik di sekeliling titik obyek menjadi titik obyek.

18

Algoritma untuk operasi dilasi adalah sebagai berikut :

� Untuk semua titik dalam citra, cek apakah titik tersebut adalah titik

obyek :

� Jika ya maka ubah semua tetangganya menjadi titik obyek

� Jika tidak maka lanjutkan ke titik berikutnya.

Gambar 2.11 Contoh perubahan data digital citra baru menjadi citra dilasi

19

Berdasarkan algoritma operasi dilasi maka proses perubahan data digital

citra baru menjadi citra dilasi dapat dilihat pada gambar 2.11. Karena proses

dilasi adalah proses mengubah titik tetangga menjadi titik obyek maka

proses pemeriksaan nilai piksel (nilai obyek) akan dimulai dari nilai obyek

yang terkecil sampai nilai obyek yang terbesar. Pada gambar 2.12 dan

gambar 2.13 adalah contoh citra baru sebelum dan setelah mengalami proses

dilasi.

Gambar 2.12 Contoh citra baru sebelum mengalami proses dilasi

Gambar 2.13 Contoh citra baru setelah mengalami proses dilasi

2.5.2 Erosi Operasi erosi berfungsi untuk menghaluskan gambar sehingga lebih

mudah untuk disegmentasi. Operasi ini adalah kebalikan dari operasi dilasi.

Pada operasi ini, ukuran obyek diperkecil dengan mengikis sekeliling obyek

( - , Morphologi.pdf, 2008). Cara kerja operasi ini yaitu dengan mengubah

semua titik di sekeliling titik latar menjadi titik latar.

20

Algoritma untuk operasi erosi adalah sebagai berikut :

� Untuk semua titik dalam citra, cek apakah titik tersebut adalah titik latar :

� Jika ya maka ubah semua tetangganya menjadi titik latar

� Jika tidak maka lanjutkan ke titik berikutnya.

Gambar 2.14 Contoh perubahan data digital citra baru menjadi citra erosi

21

Berdasarkan algoritma operasi erosi maka proses perubahan data digital

citra baru menjadi citra erosi dapat dilihat pada Gambar 2.14. Karena proses

erosi adalah proses mengubah titik tetangga menjadi titik latar maka proses

pemeriksaan nilai piksel (nilai obyek) akan dimulai dari nilai latar yang

terbesar sampai nilai latar yang terkecil. Pada gambar 2.15 dan gambar 2.16

adalah contoh citra baru sebelum dan setelah mengalami proses erosi.

Gambar 2.15 Contoh citra baru sebelum mengalami proses erosi

Gambar 2.16 Contoh citra baru setelah mengalami proses erosi

2.5.3 Morphological Gradient

Morphological gradient merupakan salah satu aplikasi

morphological processing yang melibatkan dilasi dan erosi. Morphological

gradient adalah proses yang menghasilkan output berupa citra yang didapat

dari pengurangan hasil dilasi citra asli dengan hasil erosi citra asli

(Adipranata dkk, 2008), dan didefinisikan sebagai berikut :

22

g = (f b)-( f θ b) (2-8)

Gambar 2.17 Hasil operasi morphological gradient dalam bentuk data digital

Berdasarkan definisi morphological gradient maka proses perubahan data

digital pada citra hasil dilasi dan citra hasil erosi menjadi data digital citra

morphological gradient dapat dilakukan dengan menggunakan proses

pengurangan kedua nilai citra tersebut (gambar 2.17). Contoh hasil akhir

citra operasi morphological gradient dapat dilihat pada gambar 2.18.

Gambar 2.18 Contoh hasil operasi morphological gradient dalam bentuk citra

2.6 Segmentasi Citra

Segmentasi citra adalah pemisahan obyek yang satu dengan obyek yang lain

dalam suatu citra (Adipranata,dkk, 2008). Ada 2 macam segmentasi, yaitu full

segmentation dan partial segmentation (Adipranata,dkk, 2008). Full segmentation

adalah pemisahan suatu obyek secara individu dari latar dan diberi ID (label) pada

23

tiap-tiap segmen. Partial segmentation adalah pemisahan sejumlah data dari latar

dimana data yang disimpan hanya data yang dipisahkan saja untuk mempercepat

proses selanjutnya.

Ada 3 tipe dari segmentasi (Adipranata,dkk, 2008) yaitu:

1 Classification-based yaitu segmentasi berdasarkan kesamaan suatu ukuran dari

nilai piksel. Salah satu cara paling mudah adalah thresholding. Thresholding

ada 2 macam yaitu global dan lokal. Pada thresholding global, segmentasi

berdasarkan pada sejenis histogram. Pada thresholding lokal, segmentasi

dilakukan berdasarkan posisi pada citra, citra dibagi menjadi bagian-bagian

yang saling melengkapi.

2 Edge-based yaitu mencari garis yang ada pada citra, dan garis tersebut

digunakan sebagai pembatas dari tiap segmen.

3 Region-based yaitu segmentasi dilakukan berdasarkan kumpulan piksel yang

memiliki kesamaan (tekstur, warna atau tingkat warna abu-abu) dimulai dari

suatu titik ke titik-titik lain yang ada disekitarnya.

2.7 Morphologi Watershed

Konsep morphologi watershed adalah dengan menganggap sebuah citra

merupakan bentuk tiga dimensi yaitu posisi x dan y dengan tingkat warna piksel

yang dimilikinya (Adipranata dkk, 2008). Posisi x dan y merupakan bidang dasar

dan tingkat warna piksel, yang dalam hal ini adalah gray-level merupakan

ketinggian dengan anggapan nilai yang makin mendekati warna putih mempunyai

24

ketinggian yang semakin tinggi. Dengan anggapan bentuk topografi tersebut, maka

didapat tiga macam titik yaitu : (a) titik yang merupakan minimum regional, (b)

titik yang merupakan tempat dimana jika setetes air dijatuhkan, maka air tersebut

akan jatuh hingga ke sebuah posisi minimum tertentu, dan (c) titik yang merupakan

tempat dimana jika air dijatuhkan, maka air tersebut mempunyai kemungkinan

untuk jatuh ke salah satu posisi minimum (tidak pasti jatuh ke sebuah titik

minimum, tetapi dapat jatuh ke titik minimum tertentu atau titik minimum yang

lain). Untuk sebuah minimum regional tertentu, sekumpulan titik yang memenuhi

kondisi (b) disebut sebagai catchment basin, sedangkan sekumpulan titik yang

memenuhi kondisi (c) disebut sebagai garis watershed.

Dari penjelasan diatas, segmentasi dengan metode watershed ini mempunyai

tujuan untuk melakukan pencarian garis watershed. Ide dasar untuk cara kerja

segmentasi ini adalah diasumsikan terdapat sebuah lubang yang dibuat pada

minimum regional dan kemudian seluruh topografi dialiri air yang berasal dari

lubang tersebut dengan kecepatan tetap. Ketika air yang naik dari dua catchment

basin hendak bergabung, maka dibangun sebuah dam untuk mencegah

penggabungan tersebut. Aliran air akan mencapai tingkat yang diinginkan dan

berhenti mengalir ketika hanya bagian atas dari dam yang terlihat. Tepi dam yang

terlihat inilah yang disebut dengan garis watershed dan garis watershed inilah yang

merupakan hasil dari segmentasi, dengan anggapan bahwa garis watershed tersebut

merupakan tepi dari obyek yang hendak disegmentasi. Untuk lebih jelas mengenai

penggambaran dapat dilihat pada gambar dibawah ini.

25

Gambar 2.19 Konsep dasar morphological watershed

(Adipranata,dkk, 2005)

Pada gambar 2.19 (a) ditampilkan gambar dua dimensi dari konsep

transformasi watershed dimana dua bagian yang berwarna gelap adalah dua buah

catchment basin dan bagian di tengah kedua catchment basin merupakan daerah

dimana garis watershed akan berada, sedangkan pada gambar 2.19 (b) ditampilkan

gambar tiga dimensi dari konsep transformasi watershed.

2.7.1 Pembentukan Dam

Pembentukan dam atau garis watershed adalah hal yang paling

penting dalam proses transformasi watershed. Pembuatan dam didasarkan

pada citra biner, yang merupakan anggota dari ruang integer dua dimensi Z2.

Cara termudah untuk membuat dam adalah dengan menggunakan

morphological dilation (operasi dilasi). Dasar pembentukan dam

digambarkan pada gambar 2.20. Gambar 2.20 (a) menunjukan dua bagian

catchment basin pada langkah aliran air n-1, sedangkan gambar 2.20 (b)

menunjukan hasil aliran air pada langkah n. Air telah bergabung dari satu

kolom (basin) ke kolom yang lain, sehingga perlu dibangun sebuah dam

untuk mencegah bergabungnya air tersebut. Terdapat M1 dan M2 yang

26

merupakan kumpulan koordinat titik pada dua regional minima. Terdapat

pula sekumpulan koordinat titik pada catchment basin yang berasosiasi

dengan dua regional minima tersebut pada tahap n-1 aliran air dan diberi

tanda Cn-1 (M1) dan Cn-1 (M2). Bagian ini ditandai dengan warna hitam pada

gambar 2.20 (a).

Union dari dua kumpulan tersebut diberi tanda C[n-1] . Terdapat dua

komponen terkoneksi pada gambar 2.20 (a) dan hanya satu komponen

terkoneksi pada gambar 2.20 (b). Perubahan dari dua komponen menjadi

satu komponen terkoneksi mengindikasikan bahwa air antara dua catchment

basin telah bergabung pada langkah ke n. Komponen yang terkoneksi ini

diberi simbol q. Dua komponen dari langkah n-1 dapat diambil dari q

dengan menggunakan operasi AND q∩C[n-1] . Semua titik individu lain

yang terdapat pada catchment basin juga membentuk sebuah komponen

terkoneksi.

Diasumsikan bahwa setiap komponen terkoneksi pada gambar 2.20

(a) telah dilakukan dilasi menggunakan matriks 3x3 oleh elemen yang

terdapat pada gambar 2.20 (c) dengan dua kondisi :

1) Dilasi harus dibatasi oleh q dan

2) Dilasi tidak dapat dilakukan pada titik yang dapat menyebabkan

kumpulkan titik yang satu dengan kumpulan titik yang lain menjadi

bergabung.

Maka hasilnya terdapat pada gambar 2.20 (d) dimana pada dilasi pertama

menyebabkan tepi komponen terkoneksi menjadi berkembang dan pada

27

dilasi kedua, beberapa titik tidak dapat memenuhi kondisi (1) yang

disyaratkan, sehingga menyebabkan terputusnya perimeter seperti

ditunjukkan pada gambar tersebut. Dengan demikian, maka hanya titik pada

q yang dapat memenuhi dua kondisi di atas dan tebal q adalah satu piksel

dan merupakan dam yang dibentuk.

Gambar 2.20 Pembentukan dam

(Adipranata,dkk, 2008)

2.7.2 Algoritma Morphologi Watershed

Diketahui M1, M2, M3,……, MR adalah kumpulan koordinat titik

dalam regional minima sebuah gambar g(x,y). Terdapat C(M1) yang

merupakan kumpulan koordinat pada catchment basin dan berhubungan

dengan daerah minimum Mi. Notasi min dan max digunakan untuk

menandai nilai minimum dan nilai maksimum dari g(x,y). Kemudian

dianggap T[n] adalah kumpulan koordinat (s,t) di mana g(s,t) < n, sehingga

dapat didefinisikan :

T[n]={(s,t) | g(s,t) < n} (2-9)

28

Secara geometri, T[n] adalah kumpulan koordinat dari titik yang berada

pada g(x,y) dan terletak di bawah bidang g(x,y) = n.

Topografi akan dialiri dengan penambahan integer mulai dari n =

min hingga n = max+1. Pada setiap penambahan n, algoritma perlu

mengetahui jumlah titik yang berada di bawah kedalaman aliran. Pada

umumnya, daerah yang berada di bawah g(x,y) = n diberi warna hitam atau

nilai 0 dan yang berada diatasnya diberi warna putih atau nilai 1.

Kemudian diasumsikan Cn(Mi) merupakan kumpulan koordinat titik

didalam catchment basin yang berhubungan dengan minimum Mi yang

dialiri pada tahap n. Cn(Mi) dapat dilihat sebagai gambar pada tahap n.

Cn(Mi) dapat dilihat sebagai gambar biner dengan menggunakan persamaan :

Cn(Mi)=C(Mi) ∩ T[n] (2-10)

Dengan kata lain Cn(Mi) = 1 terletak pada lokasi (x,y) jika (x,y) є

T[n] , selain itu maka nilai Cn(Mi)= 0. Berikutnya, diasumsikan C[n]

merupakan gabungan dari aliran di catchment basin pada tahap n :

C[n] = R

U Cn(Mi) i=1

(2-11)

dan C[max + 1] adalah gabungan dari semua catchment basin.

C[max+1] = R

U C(Mi) i=1

(2-12)

C[n-1] adalah subset dari C[n] dan C[n] adalah subset dari T[n] maka C[n-

1] adalah subset dari T[n]. Dari sini didapatkan bahwa tiap komponen

29

terkoneksi dari C[n-1] terdapat pada persis satu komponen terkoneksi dari

T[n]. Algoritma untuk mencari garis watershed pertama kali diinisialisasi

dengan :

C[min+1] = T[min+1] (2-13)

Algoritma tersebut akan diproses secara rekursif dengan asumsi pada tahap

n maka C[n-1] telah terbentuk. Prosedur untuk mendapatkan C[n] dari C[n-

1] adalah sebagai berikut. Diasumsikan Q merupakan kumpulan komponen

terkoneksi dalam T[n] . Maka untuk tiap komponen terkoneksi qEQ[n],

terdapat tiga kemungkinan :

a. q∩C[n-1] adalah kosong.

b. q∩C[n-1] mempunyai 1 komponen terkoneksi dari C[n-1]

c. q∩C[n-1] mempunyai lebih dari 1 komponen terkoneksi dari C[n-1] .

Jika kondisi c terjadi maka pengisian lebih lanjut akan menyebabkan air di

catchment basin yang berbeda menjadi bergabung, sehingga perlu dibangun

dam di dalam q untuk mencegah mengalirnya air di antara catchment basin

yang berbeda. Dam dengan tebal satu piksel dapat dibangun dengan

melakukan dilasi q∩C[n-1] dengan elemen 3x3.

30

2.7.3 Contoh algoritma morphologi watershed

Langkah 1

Gambar 2.21 Contoh digital algoritma watershed langkah 1

Terdapat 3 Citra yaitu citra morphological gradient (MG), citra T[n] dengan nilai seluruh piksel adalah 1 dan citra C[n] dengan nilai

seluruh piksel adalah 0 yang masing-masing citra memiliki ukuran matrik 10 X 10 piksel. Citra MG adalah hasil proses awal

sedangkan citra T[n] dan citra C[n] berguna untuk membantu dalam pembentukan garis dam (watershed).

31

Langkah 2


Untuk nilai minimum piksel pada citra MG adalah n=0 maka citra MG dengan nilai piksel 0 akan dialiri air sehingga akan terendam

air. Untuk selanjutnya citra T[0] akan diganti dengan nilai 0 (sesuai dengan posisi citra MG (n=0)) dan citra C[0] (masih dalam

proses inisialisasi daerah minima) akan membentuk daerah-daerah baru. Untuk tahap ini, citra C[0] akan membentuk 2 daerah

minima.

32

Langkah 3


Citra MG Dialiri aliran dengan nilai n=255 (maksimum) maka citra MG dengan nilai piksel 255 akan terendam aliran n. Untuk

selanjutnya citra T[255] akan diganti dengan nilai 0 (sesuai dengan posisi citra MG (n=255)) dan jika T[255] dan C[0] kosong maka

akan membuat daerah baru, jika mengandung 1 komponen dari C[0] maka buat titik tersebut menjadi minima yang telah ada dan jika

mengandung lebih dari 1 komponen maka buat menjadi dam (X). Hasil pembentukan dam (n=255) dapat dilihat pada citra C[255].

33

Langkah 4


Setelah selesai dalam proses aliran air (maksimum n=255) maka akan terbentuk citra watershed hasil segmentasi. Dimana citra ini

menghasilkan 3 daerah minima dan terlihat hasil bendungannya yang berupa nilai “X” dengan ketebalan 1 piksel.

34

2.8 Huruf Jawa

2.8.7 Aksara Jawa

Aksara Jawa (caraka) adalah abjad atau alat tulis yang digunakan oleh suku Jawa.

Jumlah aksara atau huruf pada hanacaraka berjumlah 20 buah. Aksara tersebut dapat

dilihat pada gambar 2.25.

Gambar 2.25 Aksara Jawa

(Ayo-belajar-nulis-aksara-jawa, 2008)

2.8.8 Aksara Pasangan

Aksara pasangan memiliki fungsi untuk menghubungkan suku kata yang tertutup

(diakhiri) konsonan dengan suku kata berikutnya.

Gambar 2.26 Aksara Pasangan


2.8.9 Aksara Murda

Aksara murda digunakan untuk huruf awal penulisan nama kota atau nama orang

yang dihormati, yaitu

Gambar 2.27 Aksara Murda


35

2.8.10 AksaraWilangan

Untuk penulisan bilangan dalam bahasa Jawa,

yaitu angka 1 s/d 10 dalam aksara Jawa.

Gambar 2.28 Aksara Wilangan


2.8.11 Aksara Swara

Biasanya untuk huruf awal penulisan nama kota atau nama

orang yang dihormati yang diawali dengan huruf hidup,

yaitu : A, I, U, E, O.

Gambar 2.29 Aksara Swara


2.8.12 Tanda Baca (Sandangan)

Merupakan tanda baca yang biasa digunakan, huruf vokal

serta huruf konsonan yang biasa dipakai dalam bahasa sehari-hari,

yaitu tanda : koma, titik, awal kalimat, dan lain-lain.

Gambar 2.30 Tanda Baca (Sandangan)


36

2.9 Matlab

Dalam proses segmentasi citra ini dibutuhkan Bahasa pemrograman yang dapat

melakukan komputasi matematis. Salah satunya adalah bahasa pemrograman Matlab.

Bahasa pemrograman Matlab ini memiliki kemampuan antara lain :

• Mengolah data dan menyimpan informasi matematis yang rumit, seperti penanganan

array dan matriks, linear algebra, komputasi geometri, sistem koordinat Cartesian, dsb.

• Mampu menangani pengolahan citra hingga ke skala piksel.

• Mampu membangun hasil olahan data ke dalam visualisasi 2D maupun 3D yang

interaktif.

• Multiplatform, yang artinya dapat dijalankan pada Sistem Operasi berbeda.

2.10 Java

Java merupakan bahasa pemrograman yang memiliki keunggulan antara lain:

• Berbasis GUI yaitu Java bisa membuat tampilan berbasis grafik (Graphic User

Interface/GUI) untuk memudahkan pemakai berinteraksi dengan program.

• Berorientasi obyek yaitu Java merupakan salah satu bahasa yang memiliki dukungan

penuh terhadap konsep pemrograman berorientasi obyek.

• Multiplatform yaitu Java dapat dijalankan pada komputer dengan platform yang

berbeda.

• Keamanan yaitu Java tepat digunakan untuk menangani kebutuhan aplikasi enterprise

(keampuhannya dalam soal keamanan).

37

• Mendukung software Mission-Critical yaitu Java bisa digunakan untuk pengembangan

software dimana tingkat error yang terjadi sangat diperhatikan, dimana sebuah error

pada eksekusi program bisa mengakibatkan kerusakan fatal.

2.11 JMATLink

Dalam menghubungkan bahasa pemrograman Java dan Matlab yang berjalan secara

bersamaan dibutuhkan alat bantu yaitu JMatLink. JMatLink merupakan metode native

untuk memampukan mesin komputasi Matlab bekerja di dalam aplikasi Java yang berupa

applet maupun servlet.

2.12 Kompleksitas Waktu Asimptotik

Dalam praktek, kompleksitas waktu dihitung berdasarkan jumlah operasi abstrak

yang mendasari suatu algoritma, dan memisahkan analisisnya dari implementasi (Suryadi,

1995). Kompleksitas waktu asimptotik biasanya diberi dengan Notasi “O” disebut notasi

“O-Besar” atau (Big-O).

Tinjau T(n) = 2n2 + 6n + 1

Tabel 2.1 Perbandingan pertumbuhan T(n) dengan n2

N T(n) = 2n2 + 6n + 1 n2

10

100

1000

10.000

261

20.601

2.006.001

200.060.001

100

10.000

1.000.000

100.000.000

38

Keterangan :

� Untuk n yang besar, pertumbuhan T(n) sebanding dengan n2. Pada kasus ini, T(n)

tumbuh seperti n2 tumbuh.

� T(n) tumbuh seperti n2 tumbuh saat n bertambah. Kita katakan bahwa T(n) berorde

n2 dan kita tuliskan T(n) = O(n2).

39

BAB III

ANALISA DAN PERANCANGAN SISTEM

Pada bab ini membahas analisa dan perancangan sistem secara umum, rancangan proses,

rancangan antar muka yang akan digunakan serta rancangan cara pengujian.

3.1 Analisa Sistem

Pada analisa sistem ini penulis hanya menggunakan proses binerisasi sebagai proses

awal untuk melakukan segmentasi, sedangkan untuk proses grayscaling pada metode asli

segmentasi watershed tidak digunakan dalam perancangan sistem ini. Hal ini dikarenakan

data citra masukan pada metode asli adalah citra berupa gambar (memiliki obyek besar)

sedangkan untuk penulisan tugas akhir ini menggunakan citra dokumen teks sastra jawa

(memiliki obyek kecil), selain itu karena adanya pertimbangan bahwa citra yang diproses

secara grayscaling memiliki intensitas warna piksel antara 0 sampai dengan 255, sehingga

akan menghasilkan segmentasi yang tidak akurat atau berlebihan karena ketidak akuratan

hasil segmentasi akan mempengaruhi proses selanjutnya yaitu proses pengenalan karakter.

3.1.1 Gambaran Sistem secara Umum

Sistem yang dibangun akan dipakai untuk melakukan segmentasi citra dokumen

teks sastra Jawa menggunakan algoritma watershed. Sistem menerima masukan berupa

file citra dokumen teks sastra Jawa dengan ekstensi *.jpg. Pada citra dokumen yang

diinputkan kemudian dilakukan pre-processing yang meliputi binerisasi, dilasi, erosi dan

morphological gradient. Tahap pre-processing berfungsi untuk menyederhanakan

representasi citra teks sastra jawa, sehingga akan mempermudah dalam proses

40

segmentasi. Setelah dilakukan pre-processing tahap selanjutnya adalah melakukan

segmentasi citra sehingga menghasilkan citra hasil segmentasi. Secara umum gambaran

sistem ditunjukkan pada Gambar 3.1.

� DFD Level 0 / Diagram Konteks

Gambar 3.1 Diagram Konteks

Pada Gambar 3.1 terdapat proses sistem segmentasi watershed dimana dalam

proses tersebut mempunyai masukan berupa citra dokumen teks sastra jawa dan

menghasilkan keluaran berupa citra segmentasi watershed, waktu proses segmentasi

watershed, ukuran citra dokumen teks sastra jawa citra baru, waktu proses binerisasi,

citra erosi, waktu proses erosi, citra dilasi, waktu proses dilasi, citra morphological

gradient dan waktu proses morphological gradient.

� DFD Level 1

Gambar 3.2 DFD Level 1

Pada Gambar 3.2 terdapat proses pre-processing dan proses segmentasi

watershed. Citra masukan untuk proses pre-processing adalah citra dokumen teks sastra

jawa dan menghasilkan citra morphological gradient yang akan dijadikan input untuk

proses segmentasi watershed. Hasil proses segmentasi watershed adalah citra segmentasi

41

watershed, waktu proses segmentasi watershed, ukuran citra dokumen teks sastra jawa,

citra baru, waktu proses binerisasi, citra erosi, waktu proses erosi, citra dilasi, waktu

proses dilasi, citra morphological gradient, dan waktu proses morphological gradient.

� DFD Level 2 Proses 1

Gambar 3.3 DFD Level 2 Proses 1

Pada Gambar 3.3 DFD Level 2 Proses 1 menjelaskan bahwa pada proses pre-

processing (Proses 1 dalam DFD Level 1) dipecah lagi menjadi 4 proses yaitu proses

binerisasi, proses dilasi, proses erosi dan proses morphological gradient. Citra dokumen

teks sastra jawa akan masuk dalam proses binerisasi. Hasil proses binerisasi yang berupa

citra baru dan waktu proses binerisasi akan dijadikan masukan untuk proses dilasi dan

proses erosi. Pada proses dilasi akan menghasilkan citra dilasi dan waktu proses dilasi

sedangkan pada proses erosi akan menghasilkan citra erosi dan waktu proses erosi. Dari

hasil kedua proses tersebut maka akan dijadikan input untuk proses selanjutnya yaitu

proses morphological gradient dan hasil proses ini adalah citra morphological gradient.

Hasil citra morphological gradient ini akan dijadikan input untuk proses segmentasi

watershed.

42

3.1.2 Pre-processing

Pre-processing merupakan kumpulan dari proses yang digunakan untuk

menyederhanakan dan menghasilkan segmentasi yang baik. Tahap pre-processing terdiri

dari proses binerisasi, proses dilasi, proses erosi dan proses morphological gradient yang

menghasilkan citra morphological gradient.

3.1.2.1 Proses Binerisasi

Proses binerisasi adalah proses untuk mengubah citra berwarna atau citra skala

keabuan menjadi citra biner (hitam dan putih). Untuk penulisan tugas akhir ini citra biner

akan diganti namanya menjadi citra baru karena nilai piksel yang dihasilkan adalah 0 dan

255. Pada gambar 3.4 dijelaskan bagaimana cara kerja proses binerisasi dalam bentuk

diagram proses.

Gambar 3.4 Diagram proses binerisasi

Pada citra asli akan dicari nilai Threshold. Selanjutnya citra asli diubah menjadi

citra baru dengan menggunakan nilai Threshold. Nilai piksel citra baru akan bernilai 0

(hitam) jika nilai piksel citra asli kurang dari nilai Threshold dan nilai piksel citra baru

akan bernilai 255 (putih) jika nilai piksel citra asli lebih dari nilai Threshold.

43

3.1.2.2 Proses Morphological Gradient

Proses morphological gradient adalah proses di mana citra baru yang dihasilkan

merupakan hasil selisih dari proses dilasi dengan proses erosi. Gambar 3.5 menjelaskan

bagaimana cara kerja algoritma morphological gradient.

Gambar 3.5 Diagram proses morphological gradient

Proses ini memerlukan hasil dari proses erosi dan dilasi. Proses dilasi dan erosi

dapat dilihat pada gambar 3.6 dan gambar 3.7.

3.1.2.2.1 Proses Dilasi

Proses dilasi berfungsi untuk menghaluskan gambar sehingga lebih mudah

untuk disegmentasi. Gambar 3.6 menjelaskan bagaimana cara kerja algoritma dilasi.

Gambar 3.6 Diagram proses dilasi

44

Citra temp1 adalah sebuah citra hasil proses binerisasi (citra baru). Se adalah

elemen 3X3 yang berguna untuk melakukan dilasi dan imdilate adalah fungsi matlab

yang berguna untuk melakukan proses dilasi.

3.1.2.2.2 Proses Erosi

Proses erosi berfungsi untuk menghaluskan gambar sehingga lebih mudah untuk

disegmentasi. Gambar 3.7 menjelaskan bagaimana cara kerja algoritma dari erosi.

Gambar 3.7 Diagram proses erosi

Citra temp2 adalah sebuah citra hasil proses binerisasi (citra baru). Se adalah

elemen 3X3 yang berguna untuk melakukan erosi dan imerode adalah fungsi matlab

yang berguna untuk melakukan proses erosi.

3.1.3 Proses Segmentasi

Proses segmentasi dengan menggunakan morphological watershed dijelaskan

lengkap pada gambar 3.8. Min dan max di sini adalah nilai minimum dan maksimum dari

piksel-piksel pada gambar. Ini digunakan untuk mempersingkat waktu, sehingga tidak

diperlukan untuk memulai dari 0 hingga 255. Penentuan daerah dan garis dicek mulai

dari piksel dengan nilai minimum hingga maksimum. Seperti yang dijelaskan pada

45

gambar jika piksel tersebut merupakan daerah minimum atau tidak memiliki irisan

dengan kumpulan piksel yang terhubung pada n-1 maka piksel tersebut membentuk

daerah baru. Jika irisan dengan kumpulan piksel yang terhubung pada n-1 hanya 1

komponen atau daerah maka piksel menjadi milik komponen atau daerah tersebut. Jika

lebih dari 1 maka menjadi dam atau watershed lines.

Gambar 3.8 Diagram proses segmentasi watershed

3.2 Perancangan Sistem

Dalam perancangan sistem ini tersedia 5 pilihan pada menubar, yaitu :

1. Menu ”Halaman Utama” merupakan tampilan halaman utama atau tampilan pertama

kali program dijalankan.

2. Menu ”Segmentasi Citra” berguna untuk melakukan segmentasi citra dokument teks

sastra jawa menggunakan algoritma watershed.

46

3. Menu ”Tentang Program” berguna untuk menampilkan informasi mengenai program

yang sedang dijalankan.

4. Menu ”Bantuan” berguna untuk menampilkan informasi mengenai cara menggunakan

program sehingga memudahkan pengguna dalam menggunakan program ini.

5. Menu ”Keluar” berguna untuk keluar dari program.

Berikut ini adalah rancangan antarmuka dari program yang akan dibangun :

3.2.1 Perancangan Halaman Utama

Gambar 3.9 Perancangan Halaman Utama

Halaman utama berguna untuk menampilkan judul dan pembuat program aplikasi ini.

Halaman utama ini akan ditampilkan ketika program pertama kali dijalankan.

47

3.2.2 Perancangan Halaman Segmentasi Citra

Gambar 3.10 Perancangan Halaman Segmentasi Citra

Dalam menu segmentasi citra terdapat tiga bagian yaitu :

1. Bagian input berguna untuk memasukkan file citra document teks sastra jawa.

2. Bagian detail proses berguna untuk menampilkan waktu proses awal citra dan hasil

segmentasi citra yaitu waktu dan jumlah proses segmentasi.

3. Bagian tampilan citra berguna untuk menampilkan hasil proses segmentasi citra.

Pada menu segmentasi citra terdapat tiga tombol dan satu dropdown yaitu :

1. Tombol “Pilih file” yang digunakan untuk menginputkan file citra.

2. Tombol ”Segmentasi Citra” digunakan untuk melakukan segmentasi citra dengan

menggunakan algoritma watershed. Dari proses ini akan dihasilkan waktu proses

awal, waktu segmentasi dan jumlah segmentasi obyek citra pada bagian detail proses.

3. Tombol ”Bersihkan semua” berfungsi untuk menghapus tampilan citra. Tombol

”Bersihkan semua” akan ditampilkan ketika sudah ada file citra yang ditampilkan.

48

4. Tombol “Detail data segmentasi” berfungsi untuk menampilkan halaman daftar data

hasil segmentasi. Tombol “Detail data segmentasi” akan ditampilkan ketika sudah

mengalami proses segmentasi.

3.2.3 Perancangan Halaman Daftar Data Hasil Segmentasi

Gambar 3.11 Perancangan Halaman Daftar Data Hasil Segmentasi

Halaman ini berfungsi untuk menampilkan daftar data hasil segmentasi citra dokumen teks

sastra Jawa dalam bentuk tabel. Dalam halaman ini terdapat sebuah tombol ”Kembali” yang

berfungsi untuk kembali ke Halaman segmentasi citra.

49

3.2.4 Perancangan Halaman Tentang Program

Gambar 3.12 Perancangan Halaman Tentang Program

Pada halaman Tentang program akan menjelaskan informasi tentang program yang

sedang dijalankan.

3.2.5 Perancangan Halaman Bantuan

Gambar 3.13 Perancangan Halaman Bantuan

Pada menu halaman bantuan terdapat lima tombol bantuan yaitu :

1. Tombol ”Halaman utama” akan menampilkan bantuan untuk halaman utama.

50

2. Tombol ”Segmentasi citra” akan menampilkan bantuan untuk halaman segmentasi

citra.

3. Tombol ”Tentang program” akan menampilkan bantuan untuk halaman tentang

program.

4. Tombol ”Bantuan” akan menampilkan bantuan untuk halaman bantuan.

5. Tombol ”Keluar” akan menampilkan bantuan untuk halaman keluar.

Setiap tombol yang telah ditekan maka akan di disable (tombol tidak dapat ditekan) dan

sebaliknya tombol yang lain akan di enable (tombol dapat ditekan).

3.2.6 Perancangan Halaman Keluar

Gambar 3.14 Perancangan Halaman Keluar

Pada halaman Keluar terdapat dua tombol yaitu :

1. Tombol ”Yes” yang berguna untuk keluar dari program.

2. Tombol ”No” yang akan kembali ke halaman utama.

51

3.3 Perancangan Cara Pengujian

Pada rancangan pengujian diperlukan untuk mengetahui apakah algoritma watershed yang

digunakan baik untuk segmentasi suatu citra dokumen teks sastra Jawa. Pada pengujian

dilakukan dengan cara :

1. Memasukkan 10 citra asli dokumen teks sastra Jawa.

2. Menghitung jumlah obyek dan jumlah karakter:

a. Citra asli (secara manual),

b. Hasil segmentasi citra (dari program),

c. Hasil segmentasi citra yang utuh (secara manual),

3. Menghitung prosentase kebenaran (correct) segmentasi obyek dan segmentasi

karakter citra :

(3-1)

4. Menghitung prosentase akurasi (accuracy) segmentasi obyek citra :

(3-2) Keter

angan :

H = jumlah obyek atau jumlah karakter hasil segmentasi citra yang utuh (perhitungan

secara manual)

I = jumlah bukan obyek dan jumlah obyek yang tidak utuh.

N = jumlah obyek atau jumlah karakter citra asli (perhitungan secara manual)

52

3.4 Spesifikasi Hardware dan Software

Berikut adalah spesifikasi hardware dan software yang digunakan untuk membangun

program segmentasi citra dokumen teks sastra Jawa :

3.4.1 Hardware

• AMD Sempron(tm) Processor 2800+ 1.61GHz

• DDR 1024MB Visipro

• HDD 40GB Maxtor

3.4.2 Software

• Microsoft Windows XP Professional Service Pack 2

• Matlab 6.5

• Netbean Java 5.5

• Microsoft Paint

53

BAB IV

IMPLEMENTASI

Pada bab ini membahas implementasi dalam bentuk program berdasarkan analisa dan

perancangan yang telah dilakukan.

4.1 Tampilan Halaman Utama

Implementasi tampilan antar muka Halaman Utama adalah sebagai berikut :

Gambar 4.1 Halaman Utama

Tampilan menu awal ini merupakan tampilan menu utama. Pada bagian atas

program ini terdapat lima menu, yaitu menu Halaman Utama, menu Segmentasi Citra, menu

Tentang Program, menu Bantuan dan menu Keluar. Masing-masing menu dapat diaktifkan

dengan menekan menu yang dimaksud. Untuk masuk ke Halaman Utama maka pilihlah

menu Halaman Utama.

54

4.2 Tampilan Halaman Segmentasi

Implementasi tampilan antar muka Halaman Segmentasi adalah sebagai berikut :

Gambar 4.2 Halaman Segmentasi

Tampilan Halaman Segmentasi akan ditampilkan ketika memilih menu Segmentasi

Citra. Pada tampilan ini dibagi menjadi tiga bagian, yaitu bagian input, bagian detail proses

dan bagian tampilan citra.

Pada bagian input berguna untuk memasukkan file citra dokumen sastra jawa. Pada

bagian ini terdapat dua tombol, yaitu tombol Pilih File dan tombol Segmentasi Citra. Untuk

tombol Pilih File berguna untuk menginputkan file yang akan disegmentasi, sedangkan

tombol Segmentasi Citra berguna untuk melakukan segmentasi.

Pada bagian detail proses berguna untuk menampilkan ukuran citra yang telah

diinputkan, waktu proses binerisasi, waktu proses dilasi, waktu proses erosi, waktu proses

morphological gradient, waktu proses segmentasi dan hasil jumlah segmentasi.

55

Pada bagian tampilan citra berguna untuk menampilkan citra yang telah diinputkan

dan citra hasil proses segmentasi. Pada bagian ini terdapat dua tombol, yaitu tombol

Bersihkan Semua dan tombol Detail Data Segmentasi. Tombol Bersihkan Semua berguna

untuk menghapus semua tampilan sehingga akan kembali ke kondisi semula dan tombol

Detail Data Segmentasi berguna untuk menampilkan halaman daftar data hasil segmentasi

citra dokumen teks sastra Jawa.

4.3 Tampilan Halaman Daftar Data Hasil Segmentasi

Implementasi tampilan antar muka Halaman Daftar Data Hasil Segmentasi adalah sebagai

berikut :

Gambar 4.3 Halaman Daftar Data Hasil Segmentasi

56

Tampilan Halaman Daftar Data Hasil Segmentasi akan ditampilkan ketika menekan

tombol Detail Data Segmentasi yang berasal dari halaman segmentasi. Pada tampilan ini

akan menampilkan informasi daftar data hasil segmentasi yaitu jumlah daerah minima, nama

file dan koordinat hasil segmentasi citra dokumen teks sastra Jawa..

4.4 Tampilan Tentang Program

Implementasi tampilan antar muka Halaman Tentang Program adalah sebagai berikut:

Gambar 4.4 Halaman Tentang Program

Tampilan Halaman Tentang Program akan ditampilkan ketika memilih menu

Tentang Program. Pada tampilan ini akan menampilkan informasi tentang program yang

sedang dijalankan.

57

4.5 Tampilan Halaman Bantuan

Implementasi tampilan antar muka Halaman Bantuan adalah sebagai berikut :

Gambar 4.5 Halaman Bantuan

Tampilan Halaman Bantuan akan ditampilkan ketika memilih menu Bantuan. Pada

tampilan ini terdapat lima tombol, yaitu tombol Halaman Utama, tombol Segmentasi Citra,

tombol Tentang Program, tombol Bantuan dan tombol Keluar. Untuk tombol Halaman

Utama berguna untuk menampilkan bantuan tentang halaman utama, tombol Segmentasi

Citra berguna untuk menampilkan bantuan tentang halaman segmentasi citra, tombol

Tentang program berguna untuk menampilkan bantuan tentang halaman tentang program,

tombol Bantuan berguna untuk menampilkan bantuan tentang halaman bantuan, dan tombol

Keluar berguna untuk menampilkan bantuan tentang halaman keluar.

58

Setiap tombol yang telah ditekan maka akan di disable (tombol tidak dapat ditekan)

dan sebaliknya tombol yang lain akan di enable (tombol dapat ditekan).

4.6 Tampilan Halaman Keluar

Implementasi tampilan antar muka Halaman Keluar adalah sebagai berikut :

Gambar 4.6 Halaman Keluar

Tampilan Halaman Keluar akan ditampilkan ketika memilih menu Keluar. Pada

halaman keluar terdapat dua tombol, yaitu tombol Yes dan tombol No. Untuk tombol Yes

berguna untuk keluar dari program, sedangkan untuk tombol No berguna untuk kembali

program dan secara otomatis akan menuju ke halaman utama.

59

BAB V

HASIL DAN PEMBAHASAN

Pada bab ini berisi mengenai analisa hasil implementasi segmentasi citra dokumen teks

sastra Jawa serta pembahasannya.

5.1 Data Masukan

Data masukan untuk pengujian adalah citra dokumen teks sastra jawa yang telah

dilakukan proses pengisian piksel dan proses menghilangkan noise. Data masukan untuk

pengujian sistem sebanyak 10 data citra dokumen. Kriteria citra dokumen masukan dapat

dilihat pada tabel berikut :

Tabel 5.1 Kriteria citra dokumen masukan

No Nama File Dokumen Ukuran panjang dan

lebar Citra (piksel )

Besar File

1. Dokumen 1.JPG 307 X 1300 76,4 KB

2. Dokumen 2.JPG 310 X 1300 75,6 KB

3. Dokumen 3.JPG 310 X 1295 78,3 KB

4. Dokumen 4.JPG 310 X 1270 80,0 KB

5. Dokumen 5.JPG 310 X 1292 74,6 KB

6. Dokumen 6.JPG 291 X 1300 76,6 KB

7. Dokumen 7.JPG 291 X 1300 78,9 KB

8. Dokumen 8.JPG 287 X 1300 84,9 KB

9. Dokumen 9.JPG 291 X 1300 105,0 KB

10. Dokumen 10.JPG 298 X 1300 82,5 KB

60

5.2 Pengujian Data Masukan

Format file citra yang diuji adalah file citra yang berektension *.JPG. Selanjutnya

file citra yang diuji akan dimasukan kedalam sistem yang melalui menu pilih file citra.

Untuk selanjutnya file citra yang diuji akan dilakukan proses awal dan hasil proses awal

akan dilakukan proses segmentasi.

Gambar 5.1 Citra dokumen 1

1. Proses binerisasi

Dari hasil pengujian proses binerisasi untuk citra dokumen 1 diperoleh nilai thershold

132. Artinya piksel dengan intensitas warna kurang dari atau sama dengan nilai 132

diganti dengan nilai 0 dan intensitas warna yang lebih dari 132 diganti dengan nilai 255.

Gambar 5.2 Citra dokumen 1 hasil proses binerisasi

Berikut ini adalah potongan listing program binerisasi

citra = imread(gambar);

thresh=graythresh(citra);

binerisasi=im2bw(citra,thresh);

binerisasi = binerisasi*255;

61

2. Proses dilasi

Dari hasil pengujian proses dilasi dengan citra hasil binerisasi untuk citra dokumen 1

diperoleh dengan mengubah semua titik di sekeliling titik obyek menjadi titik obyek.

Gambar 5.3 Citra dokumen 1 hasil proses dilasi

Berikut ini adalah potongan listing program dilasi

temp1 = double(temp1);

se = strel('square',3);

temp1 = imdilate(temp1,se);

citra_dilasi = temp1;

3. Proses erosi

Dari hasil pengujian proses erosi dengan citra hasil binerisasi untuk citra dokumen 1

diperoleh dengan mengubah semua titik di sekeliling titik latar menjadi titik latar.

Gambar 5.4 Citra dokumen 1 hasil proses erosi

62

Berikut ini adalah potongan listing program erosi



temp2 = imerode(temp2,se);

citra_erosi=temp2;

4. Proses morphological gradient

Dari hasil pengujian proses morphological gradient dengan citra hasil binerisasi untuk

citra dokumen 1 diperoleh dengan melakukan proses pengurangan hasil dilasi dengan

hasil erosi.

Gambar 5.5 Citra dokumen 1 hasil proses morphological gradient

Berikut ini adalah potongan listing program morphological gradient

temp1 = double(citra_dilasi);

temp2 = double(citra_erosi);

MG = temp1-temp2;

citra_MG = MG;

5. Proses segmentasi watershed

Proses segmentasi diawali dengan melakukan proses inisialisasi daerah minima-minima

baru pada citra dengan nilai minimum piksel. Berikut adalah contoh potongan citra

morphological gradient dokumen 1 (Gambar 5.6).

63

Gambar 5.6 Potongan citra morphological gradient dokumen 1

Berikut ini adalah representsi data digital potongan citra morphological gradient

dokumen 1 (Gambar 5.7) dan tahap inisialisasi daerah minima-minima baru pada

potongan citra morphological gradient dokumen 1 (Gambar 5.8) adalah sebagai berikut :

Gambar 5.7 Data digital potongan citra morphological gradient dokumen 1

64

Gambar 5.8 Inisialisasi daerah minima-minima baru pada data digital potongan

citra morphological gradient dokumen 1

Hasil pada tahap proses inisialisasi daerah minima-minima baru pada citra dengan nilai

minimum piksel yaitu 0. Pada tahap ini membentuk empat daerah minima. Karena

pemberian urutan daerah minima berdasarkan dari posisi atas ke bawah dan dari kiri ke

kanan maka hasil daerah minima pertama dan berikutnya akan dimulai dari posisi paling

atas dan paling kiri citra (hasil segmen obyek tidak berurutan). selanjutnya akan

dilakukan proses segmentasi dengan nilai maksimum piksel yaitu 255, dimana tahap ini

akan membentuk :

awal daerah 1 awal daerah 2 awal daerah 3 awal daerah 4

65

a. Dam (garis watershed) jika terdapat dua atau lebih daerah yang berbeda

b. Daerah Mi jika mengandung 1 daerah komponen Mi.

c. Daerah baru jika tidak mengandung daerah-daerah komponen.

Gambar 5.9

Proses segmentasi pada data digital potongan citra morphological gradient dokumen 1

Selanjutnya akan dilakukan perendaman daerah nilai piksel maksimum yaitu 255.

sehingga untuk daerah 1 sampai dengan daerah 4 akan semakin menyebar luas sedangkan

pertemuan antara dua daerah atau lebih akan membentuk dam atau garis waterhed. Nilai

dam ditandai dengan nilai -2.

Garis watershed

66

Pada gambar 5.10 merupakan hasil segmentasi potongan citra morphological gradient

dokumen1 sebagai berikut :

Gambar 5.10 Hasil segmentasi potongan citra morphological gradient dokumen 1

Pada gambar 5.10(a) adalah hasil gabungan seluruh hasil citra segmentasi. Sedangkan

gambar 5.10(b) sampai dengan gambar 5.10(e) adalah hasil segmentasi dimana gambar

5.10(b) dan gambar 5.10(e) adalah hasil segmentasi bukan obyek dan gambar 5.10(c) dan

gambar 5.10(d) adalah hasil segmentasi obyek.

Berikut merupakan Citra dokumen hasil segmentasi watershed.

Gambar 5.11 Citra dokumen 1 hasil proses segmentasi

5.3 Analisa Kompleksitas Waktu

67

Untuk menghitung kompleksitas waktu asimptotik, terdapat beberapa teorema-

teorema dalam perhitungan kompleksitas waktu asimptotik sebagai berikut : Misalkan T1(n)

= O(f(n)) dan T2(n) = O(g(n)), maka :

(a) T1(n) + T2(n) = O(f(n)) + O(g(n)) = O(max(f(n), g(n))

(b) T1(n)T2(n) = O(f(n))O(g(n)) = O(f(n)g(n))

(c) O(cf(n)) = O(f(n)), c adalah konstanta

(d) f(n) = O(f(n))

Berikut ini adalah potongan listing program segmentasi watershed

1. Tahap inisialisasi pembentukan daerah-daerah minima

Pada tahap inisialisasi pembentukan daerah-daerah minima terdapat 2 tahap yaitu tahap

perendaman daerah minimum dan tahap pembentukan daerah-daerah minima baru.

A. Tahap perendaman daerah minimum

temp1 = double(citra_MG); O(1) panjang = size(temp1,1); O(1) lebar = size(temp1,2); O(1) TN = ones(panjang,lebar); O(1) O(1) minimum = min(min(temp1)); O(1) maximum = max(max(temp1)); O(1) awal_counter = 0; O(1) for x=1:panjang, O(panjang) copy = find(temp1(x,1:lebar)==minimum); O(lebar) awal_counter = awal_counter + length(copy); O(1) O(lebar) for y=1 : length(copy), O(length(copy)) TN(x,copy(y)) = 0; O(1) end end CM = TN * -1; O(1)

Waktu kompleksitas tahap perendaman daerah minimum =

= O(1) + panjang O(lebar) + O(1) (b)

68

= O(1) + O(panjang x lebar) + O(1) = O(max (1,(panjang x lebar),1 )) (a)

= O(panjang x lebar)

Jadi kompleksitas waktu asimptotik pada tahap perendaman daerah minimum adalah

O(panjang x lebar) atau O(n2) dimana n adalah jumlah lebar citra atau jumlah panjang

citra.

B. Tahap pembentukan daerah-daerah minima baru

status_counter = 1; O(1) minima = 0; O(1) O(1) cek_counter = awal_counter; O(1) while awal_counter > 0, O(awal_counter) if(status_counter == 1) O(1) cek_awal_minima = 1; O(1) O(1) minima = minima + 1; O(1) while cek_awal_minima == 1 O(tidak bisa dihitung) � O(panjang x lebar) for x=1:panjang, O(panjang) for y=1:lebar, O(lebar) if(CM(x,y) == 0 && cek_awal_minima == 1) O(1) CM(x,y) = minima; O(1) O(panjang x=panjang; O(1) x lebar) y=lebar; O(1) cek_awal_minima = 0; O(1) end end end end status_counter = 0; O(1) cek_counter = awal_counter; O(1) O(1) awal_counter = awal_counter-1; O(1) else for x=1:panjang, O(panjang) for y=1:lebar, x lebar) %% awal proses Dilasi sampai dengan akhir proses dilasi memiliki kompleksitas %% waktu adalah O(1) sehingga kompleksitas waktu maksimumnya adalah O(1) %% awal proses Dilasi untuk mengetahui daerah-daerah baru O(1) if (CM(x,y) == minima)

69

if(((x > 1) && (x<panjang)) && ((y > 1) && (y<lebar))) if(CM(x-1,y-1) == 0) CM(x-1,y-1) = minima; awal_counter = awal_counter-1; end if(CM(x+1,y-1) == 0) CM(x+1,y-1) = minima; awal_counter = awal_counter-1; end if(CM(x,y-1) == 0) CM(x,y-1) = minima; awal_counter = awal_counter-1; end if(CM(x-1,y) == 0) CM(x-1,y) = minima; awal_counter = awal_counter-1; end if(CM(x+1,y) == 0) CM(x+1,y) = minima; awal_counter = awal_counter-1; end if(CM(x-1,y+1) == 0) CM(x-1,y+1) = minima; awal_counter = awal_counter-1; end if(CM(x,y+1) == 0) CM(x,y+1) = minima; awal_counter = awal_counter-1; end if(CM(x+1,y+1) == 0) CM(x+1,y+1) = minima; awal_counter = awal_counter-1; end elseif((x == panjang) && ((y > 1) && (y < lebar))) %2 if(CM(x-1,y-1) == 0) CM(x-1,y-1) = minima; awal_counter = awal_counter-1; end if(CM(x-1,y) == 0) CM(x-1,y) = minima; awal_counter = awal_counter-1; end if(CM(x-1,y+1) == 0) CM(x-1,y+1) = minima; awal_counter = awal_counter-1; end

70

if(CM(x,y-1) == 0) CM(x,y-1) = minima; awal_counter = awal_counter-1; end if(CM(x,y+1) == 0) CM(x,y+1) = minima; awal_counter = awal_counter-1; end elseif((x == 1) && ((y > 1) && (y < lebar))) %3 if(CM(x,y-1) == 0) CM(x,y-1) = minima; awal_counter = awal_counter-1; end if(CM(x,y+1) == 0) CM(x,y+1) = minima; awal_counter = awal_counter-1; end if(CM(x+1,y-1) == 0) CM(x+1,y-1) = minima; awal_counter = awal_counter-1; end if(CM(x+1,y) == 0) CM(x+1,y) = minima; awal_counter = awal_counter-1; end if(CM(x+1,y+1) == 0) CM(x+1,y+1) = minima; awal_counter = awal_counter-1; end elseif(((x > 1) && (x<panjang)) && (y==1)) %4 if(CM(x-1,y+1) == 0) CM(x-1,y+1) = minima; awal_counter = awal_counter-1; end if(CM(x,y+1) == 0) CM(x,y+1) = minima; awal_counter = awal_counter-1; end if(CM(x+1,y+1) == 0) CM(x+1,y+1) = minima; awal_counter = awal_counter-1; end if(CM(x-1,y) == 0) CM(x-1,y) = minima; awal_counter = awal_counter-1; end

71

if(CM(x+1,y) == 0) CM(x+1,y) = minima; awal_counter = awal_counter-1; end elseif(((x > 1) && (x<panjang)) && (y==lebar)) %5 if(CM(x-1,y-1) == 0) CM(x-1,y-1) = minima; awal_counter = awal_counter-1; end if(CM(x+1,y-1) == 0) CM(x+1,y-1) = minima; awal_counter = awal_counter-1; end if(CM(x,y-1) == 0) CM(x,y-1) = minima; awal_counter = awal_counter-1; end if(CM(x-1,y) == 0) CM(x-1,y) = minima; awal_counter = awal_counter-1; end if(CM(x+1,y) == 0) CM(x+1,y) = minima; awal_counter = awal_counter-1; end elseif((x == 1) && (y == 1)) %6 if(CM(x+1,y) == 0) CM(x+1,y) = minima; awal_counter = awal_counter-1; end if(CM(x+1,y+1) == 0) CM(x+1,y+1) = minima; awal_counter = awal_counter-1; end if(CM(x,y+1) == 0) CM(x,y+1) = minima; awal_counter = awal_counter-1; end elseif((x == 1) && (y == lebar)) %7 if(CM(x,lebar-1) == 0) CM(x,lebar-1) = minima; awal_counter = awal_counter-1; end if(CM(x+1,lebar-1) == 0) CM(x+1,lebar-1) = minima; awal_counter = awal_counter-1;

72

end if(CM(x+1,lebar) == 0) CM(x+1,lebar) = minima; awal_counter = awal_counter-1; end elseif((x == panjang) && (y == 1)) % 8 if(CM(x-1,y) == 0) CM(x-1,y) = minima; awal_counter = awal_counter-1; end if(CM(x-1,y+1) == 0) CM(x-1,y+1) = minima; awal_counter = awal_counter-1; end if(CM(x,y+1) == 0) CM(x,y+1) = minima; awal_counter = awal_counter-1; end elseif((x==panjang) && (y==lebar)) % 9 if(CM(x,y-1) == 0) CM(x,y-1) = minima; awal_counter = awal_counter-1; end if(CM(x-1,y-1) == 0) CM(x-1,y-1) = minima; awal_counter = awal_counter-1; end if(CM(x-1,y) == 0) CM(x-1,y) = minima; awal_counter = awal_counter-1; end end end %% akhir proses dilasi end end if(cek_counter == awal_counter) O(1) status_counter = 1; O(1) O(1) end O(1) cek_counter = awal_counter; O(1) end end

Waktu kompleksitas tahap pembentukan daerah-daerah minima baru =

73

= O(1) + awal_counter { max(O(1) + O(panjang x lebar) + O(1) , O(panjang x lebar) +

O(1)) + O(1) } (a)

= O(1) + awal_counter { max(O(panjang x lebar), O(panjang x lebar) + O(1) }(a)

= O(1) + awal_counter { O(panjang x lebar) + O(1) } = O(1) + awal_counter O(max(

(panjang x lebar), 1)) (a)

= O(1) + awal_counter O(panjang x lebar) (b)

= O(1) + O(awal_counter x panjang x lebar) =O(max(1, (awal_counter x panjang x

lebar))) (a)

= O(awal_counter x panjang x lebar)

Jadi kompleksitas waktu asimptotik pada tahap pembentukan daerah-daerah minima baru

adalah O(awal_counter x panjang x lebar) atau O(n3) dimana n adalah jumlah lebar citra

atau jumlah panjang citra.

Waktu kompleksitas tahap inisialisasi pembentukan daerah-daerah minima adalah

waktu kompleksitas tahap perendaman daerah minimum ditambah dengan Waktu

kompleksitas tahap pembentukan daerah-daerah minima baru sehingga hasilnya adalah

sebagai berikut :

= O(n2) + O(n3)

= O(max (n2, n3)) (a)

= O(n3)

74

Jadi kompleksitas waktu asimptotik pada tahap Inisialisasi pembentukan daerah-daerah

minima adalah O(n3).

2. Tahap pembentukan dam (watershed), daerah-daerah baru dan daerah lama

n = double(minimum(1,1,1)+255); O(1) while n < double(maximum(1,1,1))+1 O(1) CN = TN; O(1) counter = 0; O(1) O(1) for x=1:panjang, O(panjang) copy = find(temp1(x,1:lebar)==n); O(lebar) for y=1 : length(copy), O(length(copy)) O(panjang x lebar) TN(x,copy(y)) = 0; O(1) end counter = counter+length(copy); O(1) end n = n + 1; O(1) status_counter = 0; O(1) O(1) hasil = TN == CN; O(1) while counter > 0 O(counter) inc =0; O(1) old_counter = counter; O(1) O(1) for x=1:panjang, O(panjang x lebar) for y=1:lebar, if(hasil(x,y)==0) jumlah_komponen = 0; old_komponen = -1; %% awal proses Dilasi sampai dengan akhir proses dilasi memiliki kompleksitas %% waktu adalah O(1) sehingga kompleksitas waktu maksimumnya adalah O(1) %% awal proses Dilasi if(((x>1)&&(x<panjang))&&((y>1)&&(y<lebar))) if(CM(x,y-1) > 0) if(CM(x,y-1) ~= old_komponen) old_komponen = CM(x,y-1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x-1,y) > 0) if(CM(x-1,y) ~= old_komponen) old_komponen = CM(x-1,y); jumlah_komponen = jumlah_komponen + 1;

75

end end if(CM(x-1,y-1) > 0) if(CM(x-1,y-1) ~= old_komponen) old_komponen = CM(x-1,y-1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x-1,y+1) > 0) if(CM(x-1,y+1) ~= old_komponen) old_komponen = CM(x-1,y+1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x,y+1) > 0) if(CM(x,y+1) ~= old_komponen) old_komponen = CM(x,y+1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x+1,y) > 0) if(CM(x+1,y) ~= old_komponen) old_komponen = CM(x+1,y); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x+1,y-1) > 0) if(CM(x+1,y-1) ~= old_komponen) old_komponen = CM(x+1,y-1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x+1,y+1) > 0) if(CM(x+1,y+1) ~= old_komponen) old_komponen = CM(x+1,y+1); jumlah_komponen = jumlah_komponen + 1; end end elseif((x==panjang)&&((y>1)&&(y<lebar))) %2 if(CM(x,y-1) > 0) if(CM(x,y-1) ~= old_komponen) old_komponen = CM(x,y-1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x,y+1) > 0) if(CM(x,y+1) ~= old_komponen)

76

old_komponen = CM(x,y+1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x-1,y) > 0) if(CM(x-1,y) ~= old_komponen) old_komponen = CM(x-1,y); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x-1,y-1) > 0) if(CM(x-1,y-1) ~= old_komponen) old_komponen = CM(x-1,y-1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x-1,y+1) > 0) if(CM(x-1,y+1) ~= old_komponen) old_komponen = CM(x-1,y+1); jumlah_komponen = jumlah_komponen + 1; end end elseif((x==1)&&((y>1)&&(y<lebar))) %3 if(CM(x,y-1) > 0) if(CM(x,y-1) ~= old_komponen) old_komponen = CM(x,y-1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x,y+1) > 0) if(CM(x,y+1) ~= old_komponen) old_komponen = CM(x,y+1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x+1,y) > 0) if (CM(x+1,y) ~= old_komponen) old_komponen = CM(x+1,y); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x+1,y-1) > 0) if (CM(x+1,y-1) ~= old_komponen) old_komponen = CM(x+1,y-1); jumlah_komponen = jumlah_komponen + 1; end end

77

if(CM(x+1,y+1) > 0) if (CM(x+1,y+1) ~= old_komponen) old_komponen = CM(x+1,y+1); jumlah_komponen = jumlah_komponen + 1; end end elseif(((x>1)&&(x<panjang))&&(y==1)) %4 if(CM(x-1,y) > 0)%%% if(CM(x-1,y) ~= old_komponen) old_komponen = CM(x-1,y); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x,y+1) > 0) if(CM(x,y+1) ~= old_komponen) old_komponen = CM(x,y+1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x+1,y) > 0) if(CM(x+1,y) ~= old_komponen) old_komponen = CM(x+1,y); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x-1,y+1) > 0) if (CM(x-1,y+1) ~= old_komponen) old_komponen = CM(x-1,y+1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x+1,y+1) > 0)%%% if(CM(x+1,y+1) ~= old_komponen) old_komponen = CM(x+1,y+1); jumlah_komponen = jumlah_komponen + 1; end end elseif(((x>1)&&(x<panjang))&&(y==lebar)) %5 if(CM(x,y-1) > 0) if(CM(x,y-1) ~= old_komponen) old_komponen = CM(x,y-1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x-1,y) > 0) if(CM(x-1,y) ~= old_komponen) old_komponen = CM(x-1,y);

78

jumlah_komponen = jumlah_komponen + 1; end end if(CM(x+1,y) > 0) if(CM(x+1,y) ~= old_komponen) old_komponen = CM(x+1,y); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x-1,y-1) > 0) if(CM(x-1,y-1) ~= old_komponen) old_komponen = CM(x-1,y-1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x+1,y-1) > 0) if(CM(x+1,y-1) ~= old_komponen) old_komponen = CM(x+1,y-1); jumlah_komponen = jumlah_komponen + 1; end end elseif((x==1)&&(y==1)) %6 if(CM(x,y+1) > 0) if(CM(x,y+1) ~= old_komponen) old_komponen = CM(x,y+1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x+1,y) > 0) if(CM(x+1,y) ~= old_komponen) old_komponen = CM(x+1,y); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x+1,y+1) > 0) if(CM(x+1,y+1) ~= old_komponen) old_komponen = CM(x+1,y+1); jumlah_komponen = jumlah_komponen + 1; end end elseif((x == 1) && (y == lebar)) %7 if(CM(x,lebar-1) > 0) if(CM(x,lebar-1) ~= old_komponen) old_komponen = CM(x,lebar-1); jumlah_komponen = jumlah_komponen + 1; end end

79

if(CM(x+1,lebar-1) > 0) if(CM(x+1,lebar-1) ~= old_komponen) old_komponen = CM(x+1,lebar-1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x+1,lebar) > 0) if(CM(x+1,lebar) ~= old_komponen) old_komponen = CM(x+1,lebar); jumlah_komponen = jumlah_komponen + 1; end end elseif((x == panjang) && (y == 1)) % 8 if(CM(x-1,y) > 0) if(CM(x-1,y) ~= old_komponen) old_komponen = CM(x-1,y); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x,y+1) > 0) if(CM(x,y+1) ~= old_komponen) old_komponen = CM(x,y+1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x-1,y+1) > 0) if(CM(x-1,y+1) ~= old_komponen) old_komponen = CM(x-1,y+1); jumlah_komponen = jumlah_komponen + 1; end end elseif((x==panjang) && (y==lebar)) % 9 if(CM(x,y-1) > 0) if(CM(x,y-1) ~= old_komponen) old_komponen = CM(x,y-1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x-1,y-1) > 0) if(CM(x-1,y-1) ~= old_komponen) old_komponen = CM(x-1,y-1); jumlah_komponen = jumlah_komponen + 1; end end if(CM(x-1,y) > 0) if(CM(x-1,y) ~= old_komponen) old_komponen = CM(x-1,y);

80

jumlah_komponen = jumlah_komponen + 1; end end end %% akhir proses dilasi if (jumlah_komponen == 1) O(1) counter = counter -1; O(1) CM(x,y) = old_komponen; O(1) hasil(x,y)=1; O(1) elseif (jumlah_komponen >= 2) O(1) counter = counter -1; O(1) CM(x,y) = -2; O(1) hasil(x,y)=1; O(1) else if(status_counter == 1) O(1) inc = inc-1; % O(1) minima = minima + 1; O(1) status_counter = 0; O(1) O(1) counter = counter -1; O(1) CM(x,y) = minima; O(1) hasil(x,y)=1; O(1) end end if (old_counter == counter) O(1) inc = inc+1; O(1) end end end end if(inc==old_counter) O(1) status_counter =1; O(1) O(1) end end end

Waktu kompleksitas tahap pembentukan dam (watershed), daerah-daerah baru dan daerah

lama

= O(1) + 1 { max(O(1) + O(panjang x lebar) + O(1) , counter { max(O(1) + O(panjang x

lebar) + O(1) + O(1)) } )} (a)

= O(1) + 1 { max( O(panjang x lebar), counter { O(panjang x lebar) } )} (b)

81

= O(1) + 1 { max( O(panjang x lebar), O(counter x panjang x lebar))} (a)

= O(1) + 1 { O(counter x panjang x lebar) } (b)

= O(1) + O(counter x panjang x lebar) = O(max(1, (counter x panjang x lebar))) (a)

= O(counter x panjang x lebar)

Jadi kompleksitas waktu asimptotik pada tahap pembentukan dam (watershed), daerah-

daerah baru dan daerah lama adalah O(counter x panjang x lebar) atau O(n3) dimana n adalah

jumlah lebar citra atau jumlah panjang citra.

Total waktu kompleksitas segmentasi watershed adalah waktu kompleksitas tahap inisialisasi

pembentukan daerah-daerah minima ditambah dengan Waktu kompleksitas tahap

pembentukan dam (watershed), daerah-daerah baru dan daerah lama sehingga hasilnya

adalah sebagai berikut :

= O(n3) + O(n3)

= O(max(n3, n3)) (a)

= O(n3)

Jadi kompleksitas waktu asimptotik segmentasi watershed adalah O(n3).

Waktu running program hasil segmentasi pada sebuah citra dokumen teks sastra Jawa

yang berukuran 100X100 piksel adalah 0,25 detik. Sedangkan waktu running program hasil

segmentasi pada sebuah citra dokumen teks sastra Jawa yang berukuran 2 kalinya yaitu

200X200 piksel adalah 1,531 detik. Dari hasil percobaan ini maka didapatkan bahwa waktu

82

running program pada citra ukuran 100X100 piksel yaitu 0,25 detik dan waktu running

program citra ukuran 200X200 piksel yaitu 1,531 detik yang artinya relatif sama dengan

O(n3), sehingga bila n = 100 maka waktu pelaksanaan algoritma adalah 1.000.000. Bila n

dinaikkan menjadi dua kali semula, waktu pelaksanaan algoritma meningkat menjadi delapan

kali semula.

5.4 Analisa Hasil Proses Pengujian

Berdasarkan pengujian hasil segmentasi obyek pada citra dokumen 1 maka diperoleh

tabel 5.2 sebagai berikut :

Tabel 5.2 Daftar Data Hasil Segmentasi Citra Dokumen 1

Daerah Minima X0 X1 Y0 Y1 Nama File 1 148 189 2 26 Dokumen 1_Segmen1.JPG 2 582 645 16 86 Dokumen 1_Segmen2.JPG 3 714 735 16 37 Dokumen 1_Segmen3.JPG 4 830 839 21 39 Dokumen 1_Segmen4.JPG 5 1066 1077 21 45 Dokumen 1_Segmen5.JPG 6 1201 1245 26 50 Dokumen 1_Segmen6.JPG 7 26 124 27 93 Dokumen 1_Segmen7.JPG 8 38 71 28 55 Dokumen 1_Segmen8.JPG 9 149 184 30 53 Dokumen 1_Segmen9.JPG 10 232 276 30 52 Dokumen 1_Segmen10.JPG 11 197 221 31 95 Dokumen 1_Segmen11.JPG 12 287 299 31 54 Dokumen 1_Segmen12.JPG 13 311 352 31 97 Dokumen 1_Segmen13.JPG 14 50 66 32 50 Dokumen 1_Segmen14.JPG 15 364 398 32 55 Dokumen 1_Segmen15.JPG 16 411 446 33 56 Dokumen 1_Segmen16.JPG 17 497 543 35 59 Dokumen 1_Segmen17.JPG 18 196 199 36 51 Dokumen 1_Segmen18.JPG 19 464 487 36 100 Dokumen 1_Segmen19.JPG 20 556 568 37 59 Dokumen 1_Segmen20.JPG 21 608 642 37 64 Dokumen 1_Segmen21.JPG 22 653 692 38 105 Dokumen 1_Segmen22.JPG

83

23 753 799 39 64 Dokumen 1_Segmen23.JPG 24 705 740 40 66 Dokumen 1_Segmen24.JPG 25 815 850 43 66 Dokumen 1_Segmen25.JPG 26 861 896 43 66 Dokumen 1_Segmen26.JPG 27 908 941 44 66 Dokumen 1_Segmen27.JPG 28 921 962 45 108 Dokumen 1_Segmen28.JPG 29 1005 1042 47 70 Dokumen 1_Segmen29.JPG 30 1099 1137 48 72 Dokumen 1_Segmen30.JPG 31 1146 1194 48 74 Dokumen 1_Segmen31.JPG 32 1055 1088 49 73 Dokumen 1_Segmen32.JPG 33 1252 1288 51 75 Dokumen 1_Segmen33.JPG 34 1204 1240 53 76 Dokumen 1_Segmen34.JPG 35 762 805 66 89 Dokumen 1_Segmen35.JPG 36 317 342 69 92 Dokumen 1_Segmen36.JPG 37 783 800 91 107 Dokumen 1_Segmen37.JPG 38 75 97 96 117 Dokumen 1_Segmen38.JPG 39 197 220 96 119 Dokumen 1_Segmen39.JPG 40 255 278 97 119 Dokumen 1_Segmen40.JPG 41 397 439 98 125 Dokumen 1_Segmen41.JPG 42 260 272 102 114 Dokumen 1_Segmen42.JPG 43 610 653 105 129 Dokumen 1_Segmen43.JPG 44 735 765 108 131 Dokumen 1_Segmen44.JPG 45 740 752 113 125 Dokumen 1_Segmen45.JPG 46 19 57 118 142 Dokumen 1_Segmen46.JPG 47 1010 1073 118 187 Dokumen 1_Segmen47.JPG 48 67 109 122 144 Dokumen 1_Segmen48.JPG 49 114 132 122 143 Dokumen 1_Segmen49.JPG 50 176 223 122 146 Dokumen 1_Segmen50.JPG 51 294 329 122 147 Dokumen 1_Segmen51.JPG 52 235 282 123 145 Dokumen 1_Segmen52.JPG 53 340 375 123 145 Dokumen 1_Segmen53.JPG 54 386 433 123 148 Dokumen 1_Segmen54.JPG 55 443 484 125 193 Dokumen 1_Segmen55.JPG 56 491 508 130 150 Dokumen 1_Segmen56.JPG 57 552 600 130 154 Dokumen 1_Segmen57.JPG 58 661 709 131 156 Dokumen 1_Segmen58.JPG 59 612 646 133 156 Dokumen 1_Segmen59.JPG 60 782 825 133 157 Dokumen 1_Segmen60.JPG 61 719 767 134 159 Dokumen 1_Segmen61.JPG 62 829 875 135 159 Dokumen 1_Segmen62.JPG 63 892 917 138 203 Dokumen 1_Segmen63.JPG

84

64 925 972 138 162 Dokumen 1_Segmen64.JPG 65 1081 1128 139 165 Dokumen 1_Segmen65.JPG 66 983 995 140 162 Dokumen 1_Segmen66.JPG 67 1034 1069 140 162 Dokumen 1_Segmen67.JPG 68 1107 1151 140 206 Dokumen 1_Segmen68.JPG 69 1191 1227 144 168 Dokumen 1_Segmen69.JPG 70 1238 1286 144 208 Dokumen 1_Segmen70.JPG 71 385 431 152 172 Dokumen 1_Segmen71.JPG 72 609 650 162 200 Dokumen 1_Segmen72.JPG 73 448 472 165 188 Dokumen 1_Segmen73.JPG 74 76 120 186 210 Dokumen 1_Segmen74.JPG 75 210 232 189 212 Dokumen 1_Segmen75.JPG 76 273 284 190 212 Dokumen 1_Segmen76.JPG 77 316 338 190 213 Dokumen 1_Segmen77.JPG 78 214 226 194 206 Dokumen 1_Segmen78.JPG 79 466 489 194 217 Dokumen 1_Segmen79.JPG 80 561 604 195 219 Dokumen 1_Segmen80.JPG 81 1099 1110 205 229 Dokumen 1_Segmen81.JPG 82 1075 1097 208 232 Dokumen 1_Segmen82.JPG 83 21 66 211 236 Dokumen 1_Segmen83.JPG 84 77 112 213 236 Dokumen 1_Segmen84.JPG 85 123 169 213 237 Dokumen 1_Segmen85.JPG 86 1079 1091 213 226 Dokumen 1_Segmen86.JPG 87 740 750 214 223 Dokumen 1_Segmen87.JPG 88 182 197 215 270 Dokumen 1_Segmen88.JPG 89 201 237 215 240 Dokumen 1_Segmen89.JPG 90 249 295 215 240 Dokumen 1_Segmen90.JPG 91 305 343 216 240 Dokumen 1_Segmen91.JPG 92 400 447 216 241 Dokumen 1_Segmen92.JPG 93 141 149 218 231 Dokumen 1_Segmen93.JPG 94 356 374 218 239 Dokumen 1_Segmen94.JPG 95 458 494 219 243 Dokumen 1_Segmen95.JPG 96 505 552 219 245 Dokumen 1_Segmen96.JPG 97 562 597 223 247 Dokumen 1_Segmen97.JPG 98 608 643 224 248 Dokumen 1_Segmen98.JPG 99 523 531 225 245 Dokumen 1_Segmen99.JPG 100 676 694 225 247 Dokumen 1_Segmen100.JPG 101 773 807 225 251 Dokumen 1_Segmen101.JPG 102 522 547 226 280 Dokumen 1_Segmen102.JPG 103 657 670 226 280 Dokumen 1_Segmen103.JPG 104 722 762 226 249 Dokumen 1_Segmen104.JPG

85

105 819 852 228 252 Dokumen 1_Segmen105.JPG 106 865 900 228 252 Dokumen 1_Segmen106.JPG 107 958 1006 229 253 Dokumen 1_Segmen107.JPG 108 912 946 230 253 Dokumen 1_Segmen108.JPG 109 1015 1057 231 255 Dokumen 1_Segmen109.JPG 110 1062 1109 234 258 Dokumen 1_Segmen110.JPG 111 1203 1237 236 266 Dokumen 1_Segmen111.JPG 112 1190 1290 236 301 Dokumen 1_Segmen112.JPG 113 621 633 237 244 Dokumen 1_Segmen113.JPG 114 1124 1149 237 256 Dokumen 1_Segmen114.JPG 115 74 120 239 270 Dokumen 1_Segmen115.JPG 116 516 552 244 287 Dokumen 1_Segmen116.JPG 117 604 650 252 282 Dokumen 1_Segmen117.JPG

Pada tabel 5.2 hasil pengujian citra dokumen 1 menghasilkan 117 segmen dengan koordinat yang

ditunjukan pada kolom X0, X1, Y0 dan Y1. Pada kolom daerah minima menunjukkan urutan

daerah obyek hasil segmentasi citra dokumen 1, untuk kolom posisi X0 menunjukkan koordinat

posisi awal baris citra, untuk kolom posisi X1 menunjukkan koordinat posisi akhir baris citra,

untuk kolom posisi Y0 menunjukkan koordinat posisi awal kolom citra, untuk kolom posisi Y1

menunjukkan koordinat posisi akhir kolom citra, sedangkan untuk kolom Nama file adalah hasil

file segmentasi.

Hal yang sama dilakukan untuk 9 citra dokumen masukan yang lain dan hasilnya dapat

dilihat dalam lampiran 3.

5.5 Analisa Hasil Segmentasi

Dari proses pengujian citra dokumen masukan diperoleh hasil segmentasi berupa citra

obyek penyusun citra dokumen. Analisa hasil segmentasi ini berfungsi untuk menganalisa

waktu proses awal dan segmentasi, besar file hasil proses awal dan segmentasi serta

membandingkan banyaknya citra obyek penyusun hasil proses segmentasi dengan banyaknya

86

citra obyek penyusun citra asli, sehingga dapat diperoleh rata-rata prosentase kebenaran dan

prosentase akurasi segmentasi obyek citra dokumen.

Hasil segmentasi citra dokumen teks sastra jawa haruslah berupa karakter, sedangkan

karakteristik algoritma segmentasi watershed adalah melakukan segmentasi berdasarkan

daerah maka hasil segmen yang didapat bukanlah karakter melainkan obyek. Untuk itu selain

Penulis menganalisa hasil obyek segmentasi juga akan menganalisa hasil karakter citra yang

terbentuk dari daerah obyek-obyek tersebut, sehingga dapat diperoleh rata-rata prosentase

kebenaran segmentasi karakter citra dokumen.

Berikut ini adalah hasil segmentasi dan analisis untuk proses awal dan segmentasi watershed

yaitu :

1. Waktu proses awal dan proses segmentasi watershed

Waktu yang diperlukan untuk melakukan proses binerisasi, proses dilasi, proses

erosi, proses morphological gradient dan proses segmentasi watershed untuk setiap data

citra dokumen dapat dilihat dalam tabel 5.3 :

Tabel 5.3 Waktu Proses awal dan proses segmentasi watershed

Citra

Dokumen

Waktu Proses (detik) Jumlah

Waktu Proses

(detik)

Binerisasi Dilasi Erosi

Morphological

Gradient

Segmentasi

1 0,375 0,297 0,36 0,078 44,297 45,407

2 0,375 0,297 0,36 0,078 41,875 42,985

3 0,375 0,297 0,359 0,078 43,266 44,375

87

4 0,375 0,297 0,359 0,078 37,547 38,656

5 0,375 0,297 0,36 0,078 37,5 38,61

6 0,36 0,281 0,344 0,079 38,531 39,595

7 0,359 0,281 0,344 0,078 34,562 35,624

8 0,359 0,281 0,344 0,078 36,968 38,03

9 0,36 0,281 0,344 0,078 35,906 36,969

10 0,375 0,281 0,36 0,078 35,922 37,016

Rata-rata waktu proses 39,7267

Dari tabel 5.3 secara keseluruhan diperoleh rata-rata waktu yang dibutuhkan untuk proses

awal dan proses segmentasi watershed yaitu 39,7267 detik, sehingga metode segmentasi

yang digunakan relatif singkat.

2. Besar file proses awal dan proses segmentasi watershed

Besar file hasil proses awal dan proses segmentasi watershed dapat dilihat pada

tabel 5.4 berikut ini :

Tabel 5.4 Besar file Proses awal dan proses segmentasi watershed

Citra

Dokumen

Besar File Hasil (KB) Prosentase

kenaikan

ukuran file

segmentasi

Binerisasi Dilasi Erosi Morphological

Gradient

Segmentasi

1 68,7 61,3 69,2 82,7 88,9 16,3

2 69,9 62,7 70,8 85,3 90,9 20,2

3 68,9 62,3 69,7 84,3 87,8 12,1

4 67,2 59,8 67,9 81,3 86,8 8,5

5 68,8 61,4 69,3 84,0 88,5 18,6

6 66,4 59,4 66,9 81,0 88,8 15,9

88

7 66,2 59,1 67,1 80,5 86,5 9,6

8 69,9 62,1 71,1 85,3 92,5 8,9

9 67,9 60,8 68,3 82,8 89,7 -8,5

10 65,9 59,2 66,6 80,8 84,1 1.9

Rata-rata ukuran file segmentasi 10,35

Dari tabel 5.4 secara keseluruhan diperoleh rata-rata prosentase kenaikan ukuran file

segmentasi yaitu 10,35%, sehingga dilihat dari segi ukuran file hasil segmentasi bahwa

metode segmentasi yang digunakan kurang baik.

3. Hasil segmentasi obyek

Hasil segmentasi obyek pada citra dokumen masukan adalah hasil segmentasi

titik (piksel) yang memiliki perbedaan keabuan yang cukup besar dengan titik

tetangganya (Ahmad dan Firdausy, 2004). Jadi citra dokumen yang memiliki nilai piksel

0 adalah obyek dan citra dokumen yang memiliki nilai piksel 255 adalah latar. Sehingga

diharapkan hasil segmentasi obyek pada citra dokumen masukan adalah obyek yang

memiliki nilai atau arti pada saat akan dilakukan tahap selanjutnya yaitu tahap

pengenalan karakter.

Pada tabel 5.5 s/d tabel 5.14 adalah hasil segmentasi obyek pada citra dokumen

masukan 1 s/d 10 yang dihitung dengan rumus prosentase kebenaran segmentasi obyek

citra dokumen (3-1) dan rumus prosentase akurasi segmentasi obyek citra dokumen (3-2).

Berikut ini adalah hasil segmentasi obyek :

89

Hasil obyek citra dokumen 1 proses segmentasi dapat dilihat pada tabel 5.5

berikut ini :

Tabel 5.5 Hasil obyek citra dokumen 1 proses segmentasi watershed

Banyaknya Obyek Obyek

yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi

105 117 104 ada 1 obyek yang terpisah menjadi 2

obyek.

ada 11 bukan obyek hasil sisa

segmentasi.

Dari hasil segmentasi watershed pada tabel 5.5, diperoleh 105 obyek dalam citra

dokumen, secara keseluruhan melalui proses segmentasi citra dokumen menghasilkan

117 obyek dan hasil segmentasi obyek yang sama ada sebanyak 104 obyek. Sehingga

prosentase kebenaran segmentasi obyek citra dokumen yaitu sebesar 94,04% yang

diperoleh dari (104/105) x 100%. Sedangkan hasil prosentase akurasi segmentasi obyek

citra dokumen yaitu sebesar 86,67% yang diperoleh dari (104-13/105) x 100%.

90


berikut ini :



yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi

108 119 108 ada 11 bukan obyek hasil sisa

segmentasi.




prosentase kebenaran segmentasi obyek citra dokumen yaitu sebesar 100% yang



91


berikut ini :



yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi


obyek.


segmentasi.







92


berikut ini :



yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi


obyek.

Ada 6 bukan obyek hasil sisa

segmentasi.







93


berikut ini :



yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi


obyek.

menghasilkan 6 bukan obyek hasil

sisa segmentasi.







94


berikut ini :



yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi


obyek.


segmentasi.







95


berikut ini :



yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi


obyek.


segmentasi.







96


berikut ini :



yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi


obyek.


segmentasi.







97


berikut ini :



yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi


obyek.


segmentasi.

Dari hasil segmentasi watershed pada tabel 5. 13, diperoleh 106 obyek dalam citra






98


berikut ini :



yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi


obyek.


segmentasi.




prosentase kebenaran segmentasi obyek citra dokumen yaitu sebesar 99% yang diperoleh

dari (99/100) x 100%. Sedangkan hasil prosentase akurasi segmentasi obyek citra

dokumen yaitu sebesar 92% yang diperoleh dari (99-7/100) x 100%.

4. Hasil segmentasi karakter

Berdasarkan pengujian citra dokumen masukan maka penulis akan

mengelompokan karakter berdasarkan daerah obyek, sehingga pada citra dokumen

masukan akan terdapat 1 karakter citra yang memiliki 1 daerah obyek contoh , 1

99

karakter citra yang memiliki 2 daerah obyek contoh dan 1 karakter citra yang

memiliki 3 daerah obyek contoh .

Pada tabel 5.15 s/d tabel 5.24 adalah hasil segmentasi karakter pada citra

dokumen masukan 1 s/d 10 yang dikelompokan berdasarkan banyaknya daerah obyek.

Berikut ini adalah hasil segmentasi karakter yang dihitung dengan rumus prosentase

kebenaran segmentasi karakter citra dokumen (3-1) :

Hasil karakter citra dokumen 1 proses segmentasi dapat dilihat pada tabel 5.15

berikut ini :

Tabel 5.15 Hasil karakter citra dokumen 1 proses segmentasi watershed

Daerah

Obyek

Banyaknya Karakter Karakter

yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi

1 44 56 43 Ada 1 karakter yang terpisah

menjadi 2 daerah obyek dan

ada 11 bukan karakter hasil

sisa segmentasi


menjadi 2 daerah obyek



Jumlah 72 117 43 -

Dari hasil segmentasi watershed pada tabel 5.15, diperoleh 72 karakter dalam citra


117 karakter dan hasil segmentasi karakter yang sama ada sebanyak 43 karakter.

100

Sehingga prosentase kebenaran segmentasi karakter citra dokumen yaitu sebesar 59,72%

yang diperoleh dari (43/72) x 100%.


berikut ini :


Daerah

Obyek


yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi

1 43 54 43 Ada 11 bukan karakter hasil

sisa segmentasi





Jumlah 73 119 43 -






101


berikut ini :


Daerah

Obyek


yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi


sisa segmentasi



ada 1 karakter yang terpisah




Jumlah 70 113 40 -






102


berikut ini :


Daerah

Obyek


yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi



ada 6 bukan karakter hasil sisa

segmentasi







Jumlah 70 115 36 -






103


berikut ini :


Daerah

Obyek


yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi




segmentasi







Jumlah 74 116 43 -






104


berikut ini :


Daerah

Obyek


yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi




sisa segmentasi





3 2 6 0 Ada 2 karakter yang tiap

karakter terpisah menjadi 3

daerah obyek

Jumlah 70 118 37 -






105


berikut ini :


Daerah

Obyek


yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi




segmentasi



daerah obyek dan ada 3

karakter yang terpisah







Jumlah 75 117 46 -






106


berikut ini :


Daerah

Obyek


yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi




sisa segmentasi



daerah obyek



daerah obyek

Jumlah 74 124 43 -






107


berikut ini :


Daerah

Obyek


yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi




segmentasi



daerah obyek






Jumlah 73 118 43 -






108


berikut ini :


Daerah

Obyek


yang

sama

Keterangan

Citra

Dokumen

Hasil

Segmentasi


sisa segmentasi








daerah obyek

Jumlah 69 106 40 -






5. Hasil segmentasi jumlah obyek dan bukan obyek

Hasil segmentasi pada citra dokumen teks sastra Jawa selain berupa obyek juga

berupa bukan obyek. Mula-mula total hasil segmentasi obyek dan bukan obyek, sebelum

109

mengalami proses penyaringan masing-masing berjumlah 1079 dan 692, karena total

hasil segmentasi bukan obyek cukup tinggi maka diperlukan suatu proses penyaringan

segmen bukan obyek. Untuk melakukan proses penyaringan, penulis menggunakan daftar

tabel data hasil segmentasi sehingga tiap segmen yang bukan obyek akan dihilangkan dan

total hasil segmentasi bukan obyek akan menurun.

Dalam proses penyaringan akan dilakukan proses perhitungan jumlah piksel

hitam (0) pada tiap segmen (sesuai dengan koordinat daftar data hasil segmentasi).

Setelah mendapatkan hasil jumlah piksel hitam maka dilakukan penyaringan yang

dimana didapatkan hasil percobaan yang dapat dilihat pada tabel 5.25 berikut ini :

Tabel 5.25 Hasil percobaan proses penyaringan hasil segmentasi citra

Jumlah

piksel hitam

Hasil

jumlah obyek

Hasil jumlah

bukan obyek

keterangan

<= 51 1075 39 Hilang 4 obyek

<= 45 1078 66 Hilang 1 obyek

<= 42 1078 80 Hilang 1 obyek

<= 41 1079 86 -

<= 40 1079 88 -

Karena batas antara obyek dan bukan obyek cukup tipis (dari jumlah piksel hitam

41 ke 42) maka kemungkinan hilangnya obyek cukup besar (dapat dilihat pada jumlah

piksel hitam 51, 45 dan 42), sehingga penulis melakukan penyaringan obyek yang

dilakukan melalui program dengan nilai jumlah piksel hitam yang relatif lebih kecil yaitu

110

<=40. Sehingga informasi hasil jumlah obyek masih akan tetap sama atau tidak hilang

yaitu 1079 dan hasil jumlah bukan obyek akan berkurang menjadi 88.

5.6 Rangkuman Hasil Segmentasi

Berdasarkan hasil analisa segmentasi untuk semua data citra dokumen teks sastra

jawa, maka dapat dirangkum dan disimpulkan seberapa besar hasil sisa segmentasi bukan

obyek dan hasil prosentase kebenaran dan prosentase akurasi pada segmentasi obyek dan

segmentasi karakter citra. Hasil rangkuman tersebut dapat dilihat dalam tabel 5.26 sampai

dengan tabel 5.28 sebagai berikut :

Tabel 5.26 Rangkuman hasil segmentasi obyek dan bukan obyek

Citra

Dokumen

Jumlah Segmentasi

Obyek

Jumlah Segmentasi

Bukan Obyek

1 106 11

2 108 11

3 105 8

4 109 6

5 110 6

6 106 12

7 110 7

8 111 13

9 109 9

10 101 5

Total 1079 88

Berdasarkan tabel 5.26 diperoleh total hasil segmentasi obyek sebanyak 1079 dan

total hasil segmentasi bukan obyek sebanyak 88. Hal ini disebabkan karena segmentasi

watershed melakukan segmentasi berdasarkan wilayah dan citra yang diproses pada saat

111

segmentasi adalah citra morphological gradient. Sehingga hasil segmentasi ini akan

mengganggu proses selanjutnya yaitu proses pengenalan karakter.

Tabel 5.27 Rangkuman hasil Analisis segmentasi obyek

Citra

Dokumen

Jumlah Obyek Obyek

yang sama

Prosentase

kebenaran

Prosentase

akurasi Citra

Dokumen

Citra Hasil

Segmentasi

1 105 117 104 94,04 86,67

2 108 119 108 100 89,81

3 104 113 103 99,03 89,42

4 104 115 99 95,19 79,80

5 107 116 104 97,19 85,98

6 103 118 100 97,08 79,61

7 107 117 100 93,45 77,57

8 110 124 109 99,09 85,45

9 106 118 103 97,16 83,01

10 100 106 99 99 92

Rata-rata Prosentase Keberhasilan 97,123 84,932

Berdasarkan hasil rangkuman seluruh citra data masukan pada analisa segmentasi

obyek rata-rata prosentase kebenaran dan rata-rata prosentase akurasi masing-masing sebesar

97,123% dan 84,932%. Hal ini menjelaskan bahwa pemilihan metode segmentasi obyek yang

digunakan relatif baik.

112

Tabel 5.28 Rangkuman hasil Analisis segmentasi karakter

Citra

Dokumen

Jumlah Karakter Karakter yang

sama

Prosentase

kebenaran Citra

Dokumen

Citra Hasil

Segmentasi

1 72 195 43 59,72

2 73 188 43 58,90

3 70 199 40 57,14

4 70 178 36 51,42

5 74 176 43 58,10

6 70 168 37 52,85

7 75 175 46 61,33

8 74 178 43 58,10

9 73 157 43 58,90

10 69 157 40 57,97

Rata-rata Prosentase Keberhasilan 57,443

Berdasarkan hasil rangkuman seluruh citra data masukan pada analisa segmentasi

karakter rata-rata prosentase kebenaran sebesar 57,443%. Nilai prosentase yang kecil ini

disebabkan oleh sifat segmentasi watershed yang melakukan segmentasi berdasarkan wilayah

sehingga sebuah karakter akan terpisah menjadi beberapa karakter (1 karakter citra yang

memiliki 2 atau 3 daerah obyek). Hal ini menjelaskan bahwa pemilihan metode segmentasi

karakter yang digunakan kurang baik.

Karena hasil segmentasi karakter kurang baik sedangkan hasil segmentasi obyek

relatif baik maka sistem segmentasi watershed ini perlu dilakukan perbaikan dengan 2

113

alternatif yaitu alternatif pertama menggunakan daftar tabel data hasil segmentasi (koordinat

X0, X1, Y0 dan Y1) untuk menggabungkan obyek-obyek menjadi karakter yang terurut atau

alternatif kedua yaitu melakukan kombinasi dengan metode segmentasi yang lain seperti

metode profil proyeksi. Misalnya pada awal segmentasi dilakukan kombinasi antara metode

profil proyeksi citra dan metode segmentasi wateshed dimana dalam metode profil proyeksi

citra akan melakukan profil proyeksi horizontal dan profil proyeksi vertikal. Profil proyeksi

horizontal adalah banyaknya piksel hitam yang tegak lurus dengan sumbu x, yaitu :

(5-1)

Sedangkan profil proyeksi vertikal adalah banyaknya piksel hitam yang tegak lurus

dengan sumbu y (Hadi,Setiawan, 2009), yaitu :

(5-2)

Keterangan :

S = Citra

Pv = Profil proyeksi vertikal

Ph = Profil proyeksi horizontal

M = Kolom atau lebar citra

N = Baris atau tinggi citra

i = indek untuk baris (1,2,3……..,N)

j = indek untuk kolom (1,2,3..........,M)

setelah didapatkan potongan karakter penyusun citra hasil dari profil proyeksi (karakter yang

sudah terurut), maka selanjutnya dilakukan proses segmentasi watershed pada potongan tiap

114

karakter tersebut dan akan dihasilkan potongan obyek citra yang tiap karakternya telah

terurut.

5.7 Kelemahan Sistem

Berikut ini adalah beberapa kelemahan dari sistem yang telah dibangun:

1. Pada obyek yang terhubung satu atau dua piksel akan terputus obyeknya pada saat

dilakukan segmentasi, sedangkan untuk obyek yang terhubung lebih dari tiga piksel

(minimal tiga piksel) akan utuh obyeknya pada saat dilakukan segmentasi.

2. Hasil segmentasi watershed tidak terurut dengan baik karena karakteristik segmentasi

watershed ini adalah melakukan segmentasi berdasarkan daerah, (dari kiri ke kanan dan

atas ke bawah).

3. Berdasarkan perhitungan kompleksitas waktu segmentasi dan rata-rata waktu proses

awal dan segmentasi sekitar 39,7267 detik. Hal ini disebabkan karena sistem

dipengaruhi oleh banyaknya jumlah obyek dan besarnya citra. Sehingga semakin

banyaknya obyek dan semakin besarnya citra yang diproses, semakin lama pula proses

berlangsung.

4. Berdasarkan dari pengujian, jumlah hasil segmentasi bukan obyek cukup besar

sehingga akan mengganggu proses selanjutnya yaitu proses pengenalan karakter.

BAB VI

KESIMPULAN DAN SARAN

6.1 Kesimpulan

115

Dari hasil pengujian terhadap 10 citra dokumen teks sastra jawa, diperoleh

kesimpulan sebagai berikut :

1. Hasil analisa segmentasi berupa obyek terhadap citra dokumen teks sastra jawa dengan

rata-rata prosentase kebenaran dan rata-rata prosentase akurasi masing-masing sebesar

97,123% dan 84,932%. Nilai prosentase ini menjelaskan bahwa pemilihan metode

segmentasi obyek watershed yang digunakan relatif baik.

2. Dari hasil analisa segmentasi berupa karakter terhadap citra dokumen teks sastra jawa

dengan rata-rata prosentase kebenaran sebesar 57,443%. Nilai prosentase ini menjelaskan

bahwa pemilihan metode segmentasi karakter watershed yang digunakan kurang baik.

3. Kompleksitas waktu Asimptotik untuk proses segmentasi watershed adalah O(n3) dengan

rata-rata waktu segmentasi adalah 39,7267 detik sehingga metode segmentasi yang

digunakan relatif singkat.

4. Besar file proses segmentasi diperoleh rata-rata prosentase kenaikan ukuran file

segmentasi yaitu 10,35%, sehingga metode segmentasi yang digunakan kurang baik.

6.2 Saran

Di bawah ini adalah saran-saran bagi para peneliti yang ingin menerapkan sistem

segmentasi yang serupa:

116

1. Perlu penelitian lanjut untuk memperbaiki proses awal seperti proses penebalan piksel

dan proses normalisasi orientasi karena diharapkan dapat meningkatkan prosentase

kebenaran dan prosentase akurasi segmentasi citra.

2. Perlu penelitian lanjut untuk menggabungkan algoritma watershed dengan algoritma

profil proyeksi yang diharapkan dapat meningkatkan prosentase kebenaran dan

prosentase akurasi segmentasi citra.

3. Perlu dilakukan penangan khusus untuk hasil segmentasi bukan obyek sehingga

diharapkan dapat mempercepat dalam proses pengenalan karakter.

4. Perlu dicoba menggunakan daftar tabel data hasil segmentasi (koordinat X0, X1, Y0 dan

Y1) untuk menggabungkan obyek-obyek menjadi karakter sehingga diharapkan dapat

memperoleh hasil yang lebih optimal.

5. Perlu dicoba citra dokumen yang lain seperti citra tulisan tangan.

DAFTAR PUSTAKA

Achmad, Balza M.Sc.E Ir. & Firdausy, Kartika S.T., M.T. (2004). Teknik Pengolah CITRA

DIGITAL menggunakan Delphi. Yogyakarta : Ardi Publishing

117

Adipranata, Rudy dkk (2008). Perancangan dan Pembuatan Aplikasi Segmentasi Gambar

Dengan Menggunakan Metode Morphological Watershed. http://

fportfolio.petra.ac.id/user_files/94-14/Perancangan%20dan%20Pembuatan%

20Aplikasi%20Segmentasi%20Gambar%20Dengan%20Menggunakan%20

Metode%20Morphological%20Watershed.pdf (15 september 2008)

Anonim, (2009), Dokumen, http://id.wikipedia.org/wiki/Dokumen (20 Februari 2009)

Darma Putra, (2009), Binerisasi Citra Tangan Dengan Metode OTSU (25 April 2009)

Gonzalez, Rafael C. & Woods, Richard E. (2002). Digital Image Processing. Second Edition. - :

Prentice-Hall

Pressman, Roger S. (1992). Software Engineering A Practitioner’s Approach. USA : McGraw-

Hill, Inc.

Hadi, Setiawan. (2009), Pengembangan Metode Pendeteksian Banyak Wajah Pada Citra Dijital

Kompleks Menggunakan Pendekatan Multiaspek (4 Juni 2009)

Suryadi, (1995). Pengantar Analisis Algoritma. Jakarta: Gunadharma. (4 Juni 2009)

- . (2008). BAB 9. OPERASI MORFOLOGI. http://balzach.staff.ugm.ac.id/Pengolahan

Citra/Morfologi.pdf (17 september 2008)

- . (2008). Ayo-belajar-nulis-aksara-jawa.http://nindityo.wordpress.com/2008/04/12/ ayo-

belajar-nulis-aksara-jawa/ (25 september 2008)

Lampiran 1

Listing Program

118

1. Listing Program Binerisasi

function [citra_biner,waktu_biner] = Binerisasi(gambar);

tic;

citra = imread(gambar);

thresh=graythresh(citra);

binerisasi=im2bw(citra,thresh);

binerisasi = binerisasi*255;

if(strfind(gambar,'.jpg') > 1)

path_file_copy = strrep(gambar,'.jpg','_binerisasi.JPG');

else

path_file_copy = strrep(gambar,'.JPG','_binerisasi.JPG');

end

imwrite(binerisasi,path_file_copy);

citra_biner = binerisasi;

waktu_biner = toc;

2. Listing Program Dilasi

function [citra_dilasi,waktu_dilasi] = Dilasi(gambar,temp1);

tic;



temp1 = imdilate(temp1,se);

citra_dilasi = temp1;

temp1 = uint8(temp1);


path_file_copy = strrep(gambar,'.jpg','_dilasi.JPG');

else

path_file_copy = strrep(gambar,'.JPG','_dilasi.JPG');

end

imwrite(temp1,path_file_copy);

waktu_dilasi = toc;

3. Listing Program Erosi

function [citra_erosi,waktu_erosi] = Erosi(gambar,temp2);

tic;



temp2 = imerode(temp2,se);

citra_erosi=temp2;

temp2 = uint8(temp2);


119

path_file_copy = strrep(gambar,'.jpg','_erosi.JPG');

else

path_file_copy = strrep(gambar,'.JPG','_erosi.JPG');

end

imwrite(temp2,path_file_copy);

waktu_erosi = toc;

4. Listing Program Morphological Gradient

function [citra_MG,waktu_MG] = Morphological_Gradient(gambar,citra_dilasi,citra_erosi);

tic;

temp1 = double(citra_dilasi);

temp2 = double(citra_erosi);

MG = temp1-temp2;

citra_MG = MG;

MG = uint8(MG);


path_file_copy = strrep(gambar,'.jpg','_gradient.JPG');

else

path_file_copy = strrep(gambar,'.JPG','_gradient.JPG');

end

imwrite(MG,path_file_copy);

waktu_MG = toc;

5. Listing Program Segmentasi Watershed

function [save_file,temp_hist,temp_waktu_jumlah_watershed,CM] =

Binerisasi_watershed_asli(gambar,citra_MG,citra_biner);

tic;

temp_waktu_jumlah_watershed = zeros(2,1);

temp1 = double(citra_MG);

panjang = size(temp1,1);

lebar = size(temp1,2);

TN = ones(panjang,lebar);

minimum = min(min(temp1));

maximum = max(max(temp1));

awal_counter = 0;

for x=1:panjang,

copy = find(temp1(x,1:lebar)==minimum);

awal_counter = awal_counter + length(copy);

for y=1 : length(copy),

TN(x,copy(y)) = 0;

end

end

CM = TN * -1;

status_counter = 1;

minima = 0;

120

cek_counter = awal_counter;

while awal_counter > 0,

if(status_counter == 1)

cek_awal_minima = 1;

minima = minima + 1;

while cek_awal_minima == 1

for x=1:panjang,

for y=1:lebar,

if(CM(x,y) == 0 && cek_awal_minima == 1)

CM(x,y) = minima;

x=panjang;

y=lebar;

cek_awal_minima = 0;

end

end

end

end

status_counter = 0;


awal_counter = awal_counter-1;

else

for x=1:panjang,

for y=1:lebar,

if (CM(x,y) == minima)

if(((x > 1) && (x<panjang)) && ((y > 1) && (y<lebar)))

if(CM(x-1,y-1) == 0)

CM(x-1,y-1) = minima;


end

if(CM(x+1,y-1) == 0)

CM(x+1,y-1) = minima;


end

if(CM(x,y-1) == 0)

CM(x,y-1) = minima;


end

if(CM(x-1,y) == 0)

CM(x-1,y) = minima;


end

if(CM(x+1,y) == 0)

CM(x+1,y) = minima;


end

if(CM(x-1,y+1) == 0)

CM(x-1,y+1) = minima;


end

if(CM(x,y+1) == 0)

121

CM(x,y+1) = minima;


end

if(CM(x+1,y+1) == 0)

CM(x+1,y+1) = minima;


end

elseif((x == panjang) && ((y > 1) && (y < lebar)))

if(CM(x-1,y-1) == 0)



end

if(CM(x-1,y) == 0)

CM(x-1,y) = minima;


end

if(CM(x-1,y+1) == 0)



end

if(CM(x,y-1) == 0)

CM(x,y-1) = minima;


end

if(CM(x,y+1) == 0)

CM(x,y+1) = minima;


end

elseif((x == 1) && ((y > 1) && (y < lebar)))

if(CM(x,y-1) == 0)

CM(x,y-1) = minima;


end

if(CM(x,y+1) == 0)

CM(x,y+1) = minima;


end

if(CM(x+1,y-1) == 0)



end

if(CM(x+1,y) == 0)

CM(x+1,y) = minima;


end

if(CM(x+1,y+1) == 0)



end

elseif(((x > 1) && (x<panjang)) && (y==1))

if(CM(x-1,y+1) == 0)

122



end

if(CM(x,y+1) == 0)

CM(x,y+1) = minima;


end

if(CM(x+1,y+1) == 0)



end

if(CM(x-1,y) == 0)

CM(x-1,y) = minima;


end

if(CM(x+1,y) == 0)

CM(x+1,y) = minima;


end

elseif(((x > 1) && (x<panjang)) && (y==lebar))

if(CM(x-1,y-1) == 0)



end

if(CM(x+1,y-1) == 0)



end

if(CM(x,y-1) == 0)

CM(x,y-1) = minima;


end

if(CM(x-1,y) == 0)

CM(x-1,y) = minima;


end

if(CM(x+1,y) == 0)

CM(x+1,y) = minima;


end

elseif((x == 1) && (y == 1))

if(CM(x+1,y) == 0)

CM(x+1,y) = minima;


end

if(CM(x+1,y+1) == 0)



end

if(CM(x,y+1) == 0)

CM(x,y+1) = minima;

123


end

elseif((x == 1) && (y == lebar))

if(CM(x,lebar-1) == 0)

CM(x,lebar-1) = minima;


end

if(CM(x+1,lebar-1) == 0)

CM(x+1,lebar-1) = minima;


end

if(CM(x+1,lebar) == 0)

CM(x+1,lebar) = minima;


end

elseif((x == panjang) && (y == 1))

if(CM(x-1,y) == 0)

CM(x-1,y) = minima;


end

if(CM(x-1,y+1) == 0)



end

if(CM(x,y+1) == 0)

CM(x,y+1) = minima;


end

elseif((x==panjang) && (y==lebar))

if(CM(x,y-1) == 0)

CM(x,y-1) = minima;


end

if(CM(x-1,y-1) == 0)



end

if(CM(x-1,y) == 0)

CM(x-1,y) = minima;


end

end

end

end

end

if(cek_counter == awal_counter)

status_counter = 1;

end


end

end

124

n = double(minimum(1,1,1)+255);

while n < double(maximum(1,1,1))+1

CN = TN;

counter = 0;

for x=1:panjang,

copy = find(temp1(x,1:lebar)==n);

for y=1 : length(copy),

TN(x,copy(y)) = 0;

end

counter = counter+length(copy);

end

n = n + 1;

status_counter = 0;

hasil = TN == CN;

while counter > 0

inc =0;

old_counter = counter;

for x=1:panjang,

for y=1:lebar,

if(hasil(x,y)==0)

jumlah_komponen = 0;

old_komponen = -1;

if(((x > 1) && (x<panjang)) && ((y > 1) && (y<lebar)))

if(CM(x,y-1) > 0)

if(CM(x,y-1) ~= old_komponen)

old_komponen = CM(x,y-1);

jumlah_komponen = jumlah_komponen + 1;

end

end

if(CM(x-1,y) > 0)

if(CM(x-1,y) ~= old_komponen)

old_komponen = CM(x-1,y);


end

end

if(CM(x-1,y-1) > 0)

if(CM(x-1,y-1) ~= old_komponen)

old_komponen = CM(x-1,y-1);


end

end

if(CM(x-1,y+1) > 0)

if(CM(x-1,y+1) ~= old_komponen)

old_komponen = CM(x-1,y+1);


end

end

if(CM(x,y+1) > 0)

if(CM(x,y+1) ~= old_komponen)

125

old_komponen = CM(x,y+1);


end

end

if(CM(x+1,y) > 0)

if(CM(x+1,y) ~= old_komponen)

old_komponen = CM(x+1,y);


end

end

if(CM(x+1,y-1) > 0)

if(CM(x+1,y-1) ~= old_komponen)

old_komponen = CM(x+1,y-1);


end

end

if(CM(x+1,y+1) > 0)

if(CM(x+1,y+1) ~= old_komponen)

old_komponen = CM(x+1,y+1);


end

end

elseif((x == panjang) && ((y > 1) && (y < lebar)))

if(CM(x,y-1) > 0)




end

end

if(CM(x,y+1) > 0)




end

end

if(CM(x-1,y) > 0)




end

end

if(CM(x-1,y-1) > 0)




end

end

if(CM(x-1,y+1) > 0)




126

end

end

elseif((x == 1) && ((y > 1) && (y < lebar)))

if(CM(x,y-1) > 0)




end

end

if(CM(x,y+1) > 0)




end

end

if(CM(x+1,y) > 0)

if (CM(x+1,y) ~= old_komponen)



end

end

if(CM(x+1,y-1) > 0)

if (CM(x+1,y-1) ~= old_komponen)



end

end

if(CM(x+1,y+1) > 0)

if (CM(x+1,y+1) ~= old_komponen)



end

end

elseif(((x > 1) && (x<panjang)) && (y==1))

if(CM(x-1,y) > 0)%%%




end

end

if(CM(x,y+1) > 0)




end

end

if(CM(x+1,y) > 0)




end

127

end

if(CM(x-1,y+1) > 0)

if (CM(x-1,y+1) ~= old_komponen)



end

end

if(CM(x+1,y+1) > 0)%%%




end

end

elseif(((x > 1) && (x<panjang)) && (y==lebar))

if(CM(x,y-1) > 0)




end

end

if(CM(x-1,y) > 0)




end

end

if(CM(x+1,y) > 0)




end

end

if(CM(x-1,y-1) > 0)




end

end

if(CM(x+1,y-1) > 0)

if(CM(x+1,y-1) ~= old_komponen)



end

end

elseif((x == 1) && (y == 1))

if(CM(x,y+1) > 0)




end

end

128

if(CM(x+1,y) > 0)




end

end

if(CM(x+1,y+1) > 0)




end

end

elseif((x == 1) && (y == lebar))

if(CM(x,lebar-1) > 0)

if(CM(x,lebar-1) ~= old_komponen)

old_komponen = CM(x,lebar-1);


end

end

if(CM(x+1,lebar-1) > 0)

if(CM(x+1,lebar-1) ~= old_komponen)

old_komponen = CM(x+1,lebar-1);


end

end

if(CM(x+1,lebar) > 0)

if(CM(x+1,lebar) ~= old_komponen)

old_komponen = CM(x+1,lebar);


end

end

elseif((x == panjang) && (y == 1))

if(CM(x-1,y) > 0)




end

end

if(CM(x,y+1) > 0)




end

end

if(CM(x-1,y+1) > 0)




end

end

elseif((x==panjang) && (y==lebar))

129

if(CM(x,y-1) > 0)




end

end

if(CM(x-1,y-1) > 0)




end

end

if(CM(x-1,y) > 0)




end

end

end

if (jumlah_komponen == 1)

counter = counter -1;

CM(x,y) = old_komponen;

hasil(x,y)=1;

elseif (jumlah_komponen >= 2)


CM(x,y) = -2;

hasil(x,y)=1;

else

if(status_counter == 1)

inc = inc-1; %

minima = minima + 1;

status_counter = 0;


CM(x,y) = minima;

hasil(x,y)=1;

end

end

if (old_counter == counter)

inc = inc+1;

end

end

end

end

if(inc==old_counter)

status_counter =1;

end

end

end

temp_waktu_jumlah_watershed(1,1) = toc;

130


path_file_copy = strrep(gambar,'.jpg','_Segmen');

else

path_file_copy = strrep(gambar,'.JPG','_Segmen');

end

nama_file = findstr(path_file_copy,'\');

panjang_nama_file = length(nama_file);

save_file = path_file_copy(nama_file(panjang_nama_file)+1:length(path_file_copy));

simpan = ones(panjang,lebar)*255;

citra = double(imread(gambar));

save_segmentasi = zeros(panjang,lebar);

hist = zeros(minima,5);

hist(1:minima,3) = panjang;

hist(1:minima,4) = lebar;

tambahkolom = zeros(2,lebar);

tambahbaris = zeros(panjang+4,2);

save_segmentasi = [save_segmentasi;tambahkolom];

save_segmentasi = [tambahkolom;save_segmentasi];

save_segmentasi = [tambahbaris save_segmentasi];

save_segmentasi = [save_segmentasi tambahbaris];

for i=2 : minima

x=1;

while(x<panjang)

if(length(find(CM(x,1:lebar)==i))==0)

hist(i,1)=x;

else

x=panjang;

end

x=x+1;

end

x=panjang;

while(x>1)

if(length(find(CM(x,1:lebar)==i))==0)

hist(i,3)=x;

else

x=1;

end

x=x-1;

end

y=1;

while(y<lebar)

if(length(find(CM(1:panjang,y)==i))==0)

hist(i,2)=y;

else

y=lebar;

end

131

y=y+1;

end

y=lebar;

while(y>1)

if(length(find(CM(1:panjang,y)==i))==0)

hist(i,4)=y;

else

y=1;

end

y=y-1;

end

hist(i,5)=length(find(citra_biner(hist(i,1):hist(i,3),hist(i,2):hist(i,4))==0));

end

counter_minima = 0;

for i=1 : minima

if(hist(i,5) > 40)

counter_minima = counter_minima+1;

temp_hist(counter_minima,1) = hist(i,1);




simpan = [];

simpan = ones(hist(i,3)-hist(i,1),hist(i,4)-hist(i,2))*255;

koorx = 1;

for x = hist(i,1) : hist(i,3)

koory =1;

for y =hist(i,2) : hist(i,4)

save_segmentasi(x,y) = citra(x,y);

if(CM(x,y)==i)

simpan(koorx,koory) = citra(x,y);

end

koory = koory+1;

end

koorx=koorx+1;

end

for z=hist(i,1) : hist(i,1)+1

for w=hist(i,2) : hist(i,4)+4

save_segmentasi(z,w)=0;

end

end

for z=hist(i,3)+3 : hist(i,3)+4



end

end

for z=hist(i,1)+2 : hist(i,3)+2

132



end

for w=hist(i,4)+3 : hist(i,4)+4


end

end

imwrite(uint8(simpan),strcat(path_file_copy,num2str(counter_minima),'.JPG'));

end

end

save_segmentasi(panjang+1:panjang+2,:)=[];

save_segmentasi(:,lebar+1:lebar+2) = [];

save_segmentasi(1:2,:)=[];

save_segmentasi(:,1:2)=[];

save_segmentasi = uint8(save_segmentasi);


path_file_copy = strrep(gambar,'.jpg','_All_Segmentasi.JPG');

else

path_file_copy = strrep(gambar,'.JPG','_All_Segmentasi.JPG');

end

imwrite(save_segmentasi,path_file_copy);

temp_waktu_jumlah_watershed(2,1) = counter_minima;

Lampiran 2

Data Citra Dokumen Masukan dan Hasil

133

1. Citra Dokumen 2

Citra Dokumen Masukan

Citra Dokumen Masukan Hasil Proses Binerisasi

Citra Dokumen Masukan Hasil Proses Dilasi

Citra Dokumen Masukan Hasil Proses Erosi

Citra Dokumen Masukan Hasil Proses Morphological Gradient

134

Citra Dokumen Masukan Hasil Proses Segmentasi Watershed

2. Citra Dokumen 3





135



3. Citra Dokumen 4




136




4. Citra Dokumen 5



137





5. Citra Dokumen 6

138







139

6. Citra Dokumen 7






140


7. Citra Dokumen 8





141



8. Citra Dokumen 9




142




9. Citra Dokumen 10


143






144

Lampiran 3

Daftar Data Hasil Segementasi Obyek

1. Citra Dokumen 2

Daerah Minima X0 X1 Y0 Y1 Nama File 1 170 181 6 29 Dokumen 2_Segmen1.JPG

2 1009 1030 25 46 Dokumen 2_Segmen2.JPG


































145










































146










































147



2. Citra Dokumen 3





































148










































149





































3. Citra Dokumen 4


150










































151










































152

































4. Citra Dokumen 5







153










































154










































155





























5. Citra Dokumen 6











156










































157










































158



























6. Citra Dokumen 7












159










































160










































161

























7. Citra Dokumen 8















162










































163










































164





























8. Citra Dokumen 9











165










































166










































167



























9. Citra Dokumen 10













168










































169










































170













Documents

Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar