Di mana tepi daun itu? Kita menunjuknya dengan mata. Komputer menunjuknya dengan selisih angka.

Satu baris piksel dari tepi daun (nilai kecerahan 0 sampai 255):

Selisih antar piksel bertetangga: -1, +0, -1, +1, +12, +30, +26, +10, +1. Lompatan terbesar (+30) terjadi di antara 72 dan 102. Di situlah tepi berada.

Tepi membuang detail yang tidak perlu dan menyisakan bentuk. Bentuk itulah yang dipakai komputer untuk mengenali objek.

• Industri: mengukur dimensi dan mencari retak pada produk.
• Medis: memisahkan batas organ atau tumor pada citra rontgen.
• Kendaraan: mengenali garis marka jalan.
• Dokumen: menemukan batas halaman dan baris teks sebelum dibaca OCR.

Gradien mengukur seberapa curam perubahan kecerahan di satu piksel. Kita hitung dua arah, lalu digabung:

Semakin besar G, semakin kuat tepinya. Di kode Python, ini ditulis ketika menghitung Sobel: np.sqrt(sobelx**2 + sobely**2).

Sobel menggeser kernel kecil di atas citra. Pada tiap posisi, setiap piksel dikalikan bobot kernel, lalu semuanya dijumlahkan.

Bobot 2 di baris atau kolom tengah memberi perhatian lebih pada piksel yang paling dekat dengan pusat.

Ambil potongan 3 x 3 dari tepi daun:

Gx = (122 - 70) + 2(135 - 86) + (139 - 108) = 181
Gy = (108 + 2 x 132 + 139) - (70 + 2 x 93 + 122) = 133

G = akar(181² + 133²) = 225. Nilai setinggi ini tampil sebagai garis terang pada citra hasil.

Canny bukan sekadar satu kernel, tetapi rangkaian empat tahap:

1. Haluskan dengan Gaussian blur agar noise berkurang.
2. Hitung gradien (mirip Sobel).
3. Tipiskan tepi: hanya piksel dengan gradien paling besar di sepanjang arah tepi yang dipertahankan.
4. Hysteresis: dua ambang. Di atas ambang tinggi pasti tepi. Di bawah ambang rendah dibuang. Di antaranya dipertahankan hanya jika tersambung ke tepi kuat.

Pada kode praktik: cv2.Canny(gray, th_val, th_val * 2), ambang atas dibuat dua kali ambang bawah.

Pada RGB, hijau yang terang dan hijau yang gelap punya angka R, G, B yang sangat berbeda. Pada HSV, warna dan terang dipisah:

Titik acuan Hue di OpenCV: merah 0, kuning 30, hijau 60, cyan 90, biru 120, magenta 150.

Rentang yang dipakai pada kode: bawah [25, 40, 40], atas [85, 255, 255]. Piksel di dalam rentang menjadi putih pada mask, lainnya hitam.

Nilai S dan V minimum (40) membuang piksel abu-abu atau terlalu gelap yang Hue-nya tidak bermakna.

Instal: pip install opencv-python numpy pillow lalu jalankan python segmentasi_citra.py. Pilih metode Sobel, Canny, atau Segmentasi Hijau (HSV) pada menu dropdown. Kode ini sama dengan Pertemuan 6 dan dipakai untuk bereksperimen sendiri, bukan tugas.

import tkinter as tk
from tkinter import filedialog, ttk
import cv2
import numpy as np
from PIL import Image, ImageTk

class SegmentationApp:
    def __init__(self, root):
        self.root = root
        self.root.title("Pertemuan 6 & 7: Segmentasi Citra & Deteksi Tepi")
        self.root.geometry("1000x650")
        self.root.configure(bg="#f8fafc")

        self.cv_img = None
        self.setup_ui()

    def setup_ui(self):
        hdr = tk.Frame(self.root, bg="#b45309", pady=10)
        hdr.pack(fill=tk.X)
        tk.Label(hdr, text="P06-07: SEGMENTASI AMBANG (THRESHOLDING), DETEKSI TEPI & WARNA", 
                 font=("Segoe UI", 12, "bold"), fg="white", bg="#b45309").pack()

        ctrl = tk.Frame(self.root, bg="#f8fafc", pady=10)
        ctrl.pack(fill=tk.X, padx=15)

        tk.Button(ctrl, text="Load Citra", command=self.load_image, bg="#d97706", fg="white", padx=10).pack(side=tk.LEFT)

        # DIPERBAIKI: nilai awal harus sama persis dengan salah satu isi daftar methods
        self.method_var = tk.StringVar(value="Canny Edge Detector")
        methods = ["Manual Threshold", "Otsu Thresholding", "Adaptive Gaussian", "Sobel Edge Detector", "Canny Edge Detector", "Segmentasi Hijau (HSV)"]
        combo = ttk.Combobox(ctrl, textvariable=self.method_var, values=methods, state="readonly", width=24)
        combo.pack(side=tk.LEFT, padx=10)
        combo.bind("<<ComboboxSelected>>", self.apply_segmentation)

        tk.Label(ctrl, text="Ambang/Thresh Slider:", bg="#f8fafc").pack(side=tk.LEFT, padx=(10, 2))
        self.slider = tk.Scale(ctrl, from_=0, to=255, orient=tk.HORIZONTAL, command=self.apply_segmentation)
        self.slider.set(128)
        self.slider.pack(side=tk.LEFT, padx=5)

        # Dual Panel
        body = tk.Frame(self.root, bg="#f8fafc")
        body.pack(fill=tk.BOTH, expand=True, padx=15, pady=10)

        f1 = tk.LabelFrame(body, text="Citra Asli", bg="#ffffff")
        f1.pack(side=tk.LEFT, fill=tk.BOTH, expand=True, padx=5)
        self.lbl_orig = tk.Label(f1, text="Pilih citra", bg="#f1f5f9")
        self.lbl_orig.pack(fill=tk.BOTH, expand=True, padx=5, pady=5)

        f2 = tk.LabelFrame(body, text="Hasil Segmentasi / Kontur", bg="#ffffff")
        f2.pack(side=tk.RIGHT, fill=tk.BOTH, expand=True, padx=5)
        self.lbl_res = tk.Label(f2, text="Belum diproses", bg="#f1f5f9")
        self.lbl_res.pack(fill=tk.BOTH, expand=True, padx=5, pady=5)

    def load_image(self):
        p = filedialog.askopenfilename(filetypes=[("Image Files", "*.png *.jpg *.jpeg *.bmp")])
        if not p:
            return
        self.cv_img = cv2.imread(p)
        # DIPERBAIKI: batalkan jika file gagal dibaca (imread mengembalikan None)
        if self.cv_img is None:
            return
        self.render(self.cv_img, self.lbl_orig)
        self.apply_segmentation()

    def apply_segmentation(self, _=None):
        if self.cv_img is None:
            return
        method = self.method_var.get()
        th_val = self.slider.get()
        gray = cv2.cvtColor(self.cv_img, cv2.COLOR_BGR2GRAY)

        if method == "Manual Threshold":
            _, res = cv2.threshold(gray, th_val, 255, cv2.THRESH_BINARY)
            res = cv2.cvtColor(res, cv2.COLOR_GRAY2BGR)
        elif method == "Otsu Thresholding":
            _, res = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
            res = cv2.cvtColor(res, cv2.COLOR_GRAY2BGR)
        elif method == "Adaptive Gaussian":
            res = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
            res = cv2.cvtColor(res, cv2.COLOR_GRAY2BGR)
        elif method == "Sobel Edge Detector":
            sobelx = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
            sobely = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)
            res = np.uint8(np.clip(np.sqrt(sobelx**2 + sobely**2), 0, 255))
            res = cv2.cvtColor(res, cv2.COLOR_GRAY2BGR)
        elif method == "Canny Edge Detector":
            res = cv2.Canny(gray, th_val, th_val * 2)
            res = cv2.cvtColor(res, cv2.COLOR_GRAY2BGR)
        elif method == "Segmentasi Hijau (HSV)":
            hsv = cv2.cvtColor(self.cv_img, cv2.COLOR_BGR2HSV)
            lower_green = np.array([25, 40, 40])
            upper_green = np.array([85, 255, 255])
            mask = cv2.inRange(hsv, lower_green, upper_green)
            res = cv2.bitwise_and(self.cv_img, self.cv_img, mask=mask)
        else:
            res = self.cv_img

        self.render(res, self.lbl_res)

    def render(self, cv_img, lbl):
        rgb = cv2.cvtColor(cv_img, cv2.COLOR_BGR2RGB)
        h, w, _ = rgb.shape
        scale = min(440 / w, 450 / h)
        disp_w = max(1, int(w * scale))
        disp_h = max(1, int(h * scale))
        resized = cv2.resize(rgb, (disp_w, disp_h))
        img_tk = ImageTk.PhotoImage(image=Image.fromarray(resized))
        lbl.config(image=img_tk, text="")
        lbl.image = img_tk

if __name__ == "__main__":
    r = tk.Tk()
    app = SegmentationApp(r)
    r.mainloop()

Dua pertemuan ini tidak ada tugas praktikum. Fokus Anda adalah tugas UTS:

• Tiap kelompok mencari 3 paper atau jurnal dengan topik berbeda.
• Review ketiganya menjadi satu paper baru dengan kolom Research Problem, Low/Mid/High Level, dan Objective.
• Buat slide, lalu unggah presentasi ke YouTube.

Tepi adalah tempat angka berubah mendadak, dan warna adalah rentang yang bisa kita tentukan sendiri.

Ajakan: buka kode praktik, jalankan dengan satu foto milik Anda, lalu bandingkan Sobel dan Canny. Catat satu perbedaan yang Anda lihat.