SUBBAB 1: Pendahuluan

Setelah selesai mempelajari materi, mahasiswa diharapkan mampu memahami konsep dasar deteksi tepi pada citra digital.

Coba bayangkan saat kamu membuka ponsel dengan Face ID atau sidik jari. Pernahkah kamu berpikir bagaimana ponsel bisa mengenali wajah atau sidik jari kamu? Saat kita melihat gambar, mata kita langsung mengenali objek dan batasnya. Tapi apakah komputer juga 'melihat' dengan cara yang sama? Bagaimana komputer dapat mengenali tepi objek pada gambar digital? Gambar 1.1 merupakan contoh penggunaan pendeteksian tepi pada face id dan sidik jari.

Gambar 1.1 Penggunaan deteksi tepi untuk face id dan sidik jari

Sebenarnya, ponsel menggunakan teknologi canggih untuk "melihat" wajah atau sidik jari kita. Begitu kita menunjukkan wajah atau meletakkan jari di sensor, ponsel akan memindai gambar tersebut dan mencari ciri-ciri khusus, seperti bentuk wajah atau pola unik pada sidik jari kita yang berbeda dari orang lain. Meskipun mata kita secara alami bisa mengenali objek di dunia nyata, ponsel melakukan hal ini dengan menganalisis gambar atau data digital.

Pada penelitian Intan (2023), face identification (pengenalan wajah) dilakukan dengan menggunakan metode deteksi tepi, yaitu dengan menggabungkan beberapa teknik seperti Robert, Prewitt, Sobel, dan Canny. Sementara itu, menurut penelitian Sumijan (2020), pengenalan sidik jari dilakukan dengan menggabungkan teknik pemisahan latar dan objek menggunakan metode Laplacian of Gaussian dan Otsu, lalu mendeteksi tepi dengan metode Canny. Hasil pengujian menunjukkan bahwa sistem ini mampu mengenali sidik jari dengan tingkat akurasi yang sangat tinggi, yaitu sekitar 87,94%.

Deteksi tepi adalah proses menemukan perubahan tajam atau signifikan dalam intensitas warna pada gambar. Tujuan dari deteksi tepi adalah untuk menemukan batas atau garis pemisah antara objek satu dengan yang lain dalam sebuah gambar. Batas ini biasanya muncul saat ada perubahan warna yang mencolok, misalnya dari terang ke gelap. Gambar 1.2 menunjukkan ilustrasi letak tepi pada citra saat nilai pikselnya berubah drastis. Gambar 1.2 menunjukkan letak tepi pada citra yang ditandai dengan area dengan kontras tinggi antara piksel terang dan piksel gelap.

Gambar 1.2 Ilustrasi letak tepi pada citra

Garis-garis ini membantu komputer untuk:

• Mengenali bentuk suatu objek, seperti wajah, sidik jari, atau huruf dalam tulisan.
• Menganalisis gambar dengan lebih akurat, contohnya saat membaca gambar rontgen untuk keperluan medis.

Perhatikan gambar Lena di bawah ini!

Gambar 1.3 Hasil deteksi tepi dengan operator Prewitt

Pada Gambar 1.3, ditampilkan hasil dari proses deteksi tepi menggunakan operator Prewitt. Operator Prewitt merupakan salah satu metode deteksi tepi berbasis gradien yang sederhana namun efektif untuk menemukan batas-batas objek dalam suatu gambar. Kamu bisa dengan mudah melihat di mana letak tepi-tepi objek dalam gambar tersebut. Tapi bagaimana komputer mengetahuinya? Komputer tidak memiliki mata seperti kita. Sebagai gantinya, komputer melihat gambar sebagai kumpulan angka yang disebut piksel. Setiap piksel memiliki nilai intensitas cahaya tertentu.

Komputer menentukan tepi dengan melihat titik puncak. Titik puncak ini biasanya menunjukkan perubahan intensitas piksel yang tajam dalam citra digital. Perubahan tersebut dapat menandakan adanya batas antara dua objek atau area berbeda. Hal ini berhubungan dengan turunan pertama yang akan dibahas lebih lanjut pada subbab berikutnya.

Contoh

Misal, terdapat sebuah matriks piksel ukuran 8 x 8 berikut.

\[ \begin{bmatrix} 189 & 187 & 194 & 173 & 113 & 114 & 112 & 124 \\ 188 & 187 & 194 & 174 & 115 & 116 & 114 & 125 \\ 186 & 186 & 194 & 175 & 117 & 120 & 116 & 125 \\ 185 & 186 & 194 & 174 & 118 & 123 & 119 & 125 \\ 185 & 187 & 194 & 172 & 117 & 125 & 121 & 125 \\ 186 & 188 & 192 & 168 & 114 & 125 & 122 & 124 \\ 188 & 189 & 191 & 165 & 111 & 125 & 122 & 123 \\ 189 & 189 & 190 & 162 & 109 & 124 & 121 & 122 \\ \end{bmatrix} \]

Titik puncak dalam gambar adalah titik di mana terjadi perubahan nilai piksel yang sangat tajam dibandingkan dengan tetangganya. Misalnya, dalam gambar hitam-putih, piksel bisa memiliki nilai dari 0 (hitam) hingga 255 (putih). Misal ada perubahan mendadak, itu berarti ada titik puncak di sana.

Bayangkan kita mengambil satu baris piksel dari matriks di atas, misalnya pada baris pertama. Berikut adalah nilai intensitas pikselnya:

\[ \begin{bmatrix} 189 & 187 & 194 & 173 & 113 & 114 & 112 & 124 \end{bmatrix} \]

Jika kita plot nilai piksel di atas dalam bentuk grafik, maka akan terlihat pola seperti Gambar 1.4 di bawah ini.

Gambar 1.4 grafik nilai piksel

Dari grafik tersebut, kita bisa melihat adanya titik-titik yang memiliki perubahan nilai intensitas cukup signifikan dibandingkan dengan piksel di sekitarnya. Titik-titik ini kemungkinan besar merupakan batas antar objek dalam gambar (titik puncak). Pada grafik di atas, terdapat beberapa perubahan tajam nilai piksel, yaitu penurunan tajam pada nilai piksel dari indeks 3 ke indeks 4 (dari nilai 173 menjadi 113) yang menunjukkan perbedaan kontras yang cukup besar.

Perubahan tajam ini menunjukkan adanya batas antara dua area dengan intensitas berbeda, yang dalam konteks pengolahan citra bisa diartikan sebagai titik puncak.

Gambar 1.5 merupakan ilustrasi orang sedang berjalan lalu menemukan tangga. Bayangkan kamu berjalan di jalan yang datar, lalu tiba-tiba ada tangga tinggi seperti itu. Kamu pasti merasakan perbedaan ketinggian yang signifikan itu, bukan? Nah, konsep ini mirip dengan cara komputer mengenali tepi dalam gambar: komputer mencari perubahan drastis dalam nilai piksel untuk menentukan lokasi tepi.

Gambar 1.5 Orang berjalan dan menemukan tangga (ilustrasi analogi cara komputer menentukan lokasi tepi).