Pada BAB V merupakan bagian akhir dari laporan penelitian tugas
akhir ini yang menguraikan kesimpulan-kesimpulan yang diperoleh
dari proses penelitian serta saran-saran untuk pengembangan
5
BAB II
LANDASAN TEORI
2.1. Webcam
Web camera atau yang biasa dikenal dengan webcam, adalah kamera yang
gambarnya bisa di akses menggunakan world wide web (www), program instant
messaging, atau aplikasi komunikasi dengan tampilan video pada PC. Webcam
juga digambarkan sebagai kamera video digital yang sengaja didesain sebagai
kamera dengan resolusi rendah. webcam dapat digunakan untuk sistem keamanan.
Pada beberapa webcam, ada yang di lengkapi dengan software yang mampu
mendeteksi pergerakan dan suara. Dengan software tersebut, memungkinkan PC
yang terhubung ke kamera untuk mengamati pergerakan dan suara, serta
merekamnya ketika terdeteksi. Hasil rekaman ini bisa disimpan pada komputer,
e-mail atau di upload ke internet (Wibowo, 2010).
Webcam sangat bermanfaat dalam bidang telekomunikasi, bidang keamanan
dan bidang industri. Sebagai contoh webcam digunakan untuk videocall chatting,
surveillience camera, dan sebagai video conference oleh beberapa user.
6
2.2. Citra Digital
Citra digital adalah citra dua dimensi yang dapat ditampilkan pada layar
monitor komputer sebagai himpunan berhingga (diskrit) nilai digital yang disebut
pixel (picture elements). Pixel adalah elemen citra yang memiliki nilai yang
menunjukkan intensitas warna. Berdasarkan cara penyimpanan atau
pembentukannya, citra digital dapatdibagi menjadi dua jenis. Jenis pertama adalah
citra digital yang dibentuk olehkumpulan pixel dalam array dua dimensi.Citra
jenis ini disebut citra bitmap atau citra raster.Jenis citra yang kedua adalah
citrayang dibentuk oleh fungsi-fungsi geometri dan matematika.Jenis citra ini
disebutgrafik vektor.Citra digital (diskrit) dihasilkan dari citra analog (kontinu)
melalui digitalisasi.Digitalisasi citra analog terdiri sampling danquantitazion
Sampling adalah pembagian citra ke dalam elemen-elemen diskrit (pixel),
sedangkan quantitazion adalah pemberian nilai intensitaswarna pada setiap pixel
dengan nilai yang berupa bilangan bulat (G.W. Awcock,1996).
Citra digital dapat didefinisikan sebagai fungsi dua variabel, f(x,y), dimana x
dan y adalah koordinat spasial dan nilai f(x,y) adalah brightness level dari citra
Gambar 2.2 Citra Digital (Nixon dan Aguado, 2002)
Teknologi dasar untuk menciptakan dan menampilkan warna pada citra
digital berdasarkan pada penelitian bahwa sebuah warna merupakan kombinasi
dari tiga warna dasar, yaitu merah, hijau dan biru (Red, Green, Blue - RGB).
2.3. Pengolahan Citra Digital
Pengolahan citra merupakan teknik manipulasi citra secara digital yang
khususnya menggunakan komputer, menjadi citra lain yang sesuai untuk
digunakan dalam aplikasi tertentu. Agar mudah diinterpretasi oleh manusia atau
komputer, pengolahan citra harus dilakukan dengan berbagai macam metode
untuk mencapai citra sesuai yang diinginkan.
Operasi pengolahan citra digital umumnya dilakukan dengan tujuan
memperbaiki kualitas suatu gambar sehingga dapat dengan mudah
diinterpretasikan oleh mata manusia dan untuk mengolah informasi yang ada pada
suatu gambar untuk kebutuhan identifikasi objek secara otomatis.
y
x
x1
y1
8
Operasi-operasi yang dilakukan di dalam pengolahan citra banyak jenisnya.
Secara umum, operasi pengolahan citra dapat diklasifikasikan dalam beberapa
jenis sebagai berikut:
1. Image enhancement.
Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan cara
memanipulasi parameter-parameter citra.
Dengan operasi ini, ciri-ciri khusus yang terdapat di dalam citra lebih
ditonjolkan.Contoh-contoh operasi perbaikan citra:
a. perbaikan kontras gelap/terang
b. perbaikan tepian objek (edge enhancement)
c. penajaman (sharpening)
d. grayscaling
e. noise filtering
2. Image restoration.
Operasi ini bertujuan menghilangkan/ meminimumkan cacat pada citra.
Tujuan pemugaran citra hampir sama dengan operasi perbaikan citra. Bedanya,
pada pemugaran citra penyebab degradasi gambar diketahui. Contoh-contoh
operasi pemugaran citra:
a. penghilangan kesamaran (deblurring)
b. penghilangan noise
3. Image compression.
Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk
yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting
harus tetap mempunyai kualitas gambar yang bagus. Contoh metode pemampatan
citra adalah metode JPEG.
4. Image segmentation.
Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa
segmen dengan suatu kriteria tertentu. Jenis operasi ini berkaitan erat dengan
pengenalan pola.
5. Image analysis.
Jenis operasi ini bertujuan menghitung besaran kuantitif dari citra untuk
menghasilkan deskripsinya. Teknik pengorakan citra mengekstraksi ciri- ciri
tertentu yang membantu dalam identifikasi objek. Proses segmentasi kadangkala
diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya.
Contoh-contoh operasi pengorakan citra:
a. Pendeteksian tepi objek (edge detection)
b. Ekstraksi batas (boundary)
c. Representasi daerah (region)
6. Image reconstruction
Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra
hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam bidang medis.
Misalnya beberapa foto rontgen dengan sinar X digunakan untuk membentuk
ulang gambar organ tubuh. (Nixon dan Aguado, 2002)
2.3.1. Gray-Scaling
Proses awal yang banyak dilakukan dalam image processing adalah
10
menyederhanakan model citra. Seperti telah dijelaskan di depan, citra berwarna
terdiri dari 3 layer matrik yaitu R- layer, G-layer dan B-layer. Sehingga untuk
melakukan proses-proses selanjutnya tetap diperhatikan tiga layer di atas. Bila
setiap proses perhitungan dilakukan menggunakan tiga layer, berarti dilakukan
tiga perhitungan yang sama. Sehingga konsep itu diubah dengan mengubah 3
layer di atas menjadi 1 layer matrik scale dan hasilnya adalah citra
gray-scale. Dalam citra ini tidak ada lagi warna, yang ada adalah derajat keabuan.
Untuk mengubah citra berwarna yang mempunyai nilai matrik
masing-masing r, g dan b menjadi citra gray-scale dengan nilai s, maka konversi dapat
dilakukan dengan mengambil rata-rata dari nilai r, g dan b sehingga dapat
dituliskan menjadi:
I (x,y) = � , +�( , )+�( , )
3 ……….….(2.1)
Keterangan:
I (x,y) = nilai intensitas citra grayscale
R (x,y) = nilai intensitas warna merah dari citra asal
G (x,y) = nilai intensitas warna hijau dari citra asal
B (x,y) = nilai intensitas warna biru dari citra asal
Atau dapat menggunakan persamaan:
I = ( 0,299 x R(x,y)) + ( 0,587 x G(x,y)) + (0,144 x B(x,y)) ……… (2.2) (Taylor dan Francis Group, 2007)
Berikut adalah contoh gambar hasil grayscaling
Gambar 2.3 Hasil Grayscaling( Nata S, 2010 )
2.3.2. Thresholding
Thresholding merupakan konversi citra berwarna ke citra biner yang
dilakukan dengan cara mengelompokkan nilai derajat keabuan setiap pixel
kedalam 2 kelas, hitam dan putih. Pada citra hitam putih terdapat 256 level,
artinya mempunyai skala “0” sampai “255” atau [0,255], dalam hal ini nilai
intensitas 0 menyatakan hitam, dan nilai intensitas 255 menyatakan putih, dan
nilai antara 0 sampai 255 menyatakan warna keabuan yang terletak antara hitam
dan putih (Munir, 2004).
Pada operasi pengambangan, nilai intensitas pixel dipetakan ke salah satu
dari dua nilai, α atau α , berdasarkan nilai ambang (threshold) T dapat ditunjukkan seperti pada persamaan 2.1.
� , ′ = αα , f, f x, yx, y ≥<�T……….………....(2.3)
Jika α = 0 dan α = 1, maka operasi pengambangan mentransformasikan citra hitam-putih ke citra biner. Dengan kata lain, nilai intensitas pixel semula
12
berlaku untuk keseluruhan pixel atau untuk wilayah tertentu saja (berdasarkan
penyebaran nilai intensitas pada wilayah tersebut) (Munir, 2004).
Thresholding merupakan salah satu teknik segmentasi yang baik digunakan
untuk citra dengan perbedaan nilai intensitas yang signifikan antara latar belakang
dan objek utama.Dalam pelaksanaannya thresholding membutuhkan suatu nilai
yang digunakan sebagai nilai pembatas antara objek utama dengan latar belakang,
dan nilai tersebut dinamakan dengan threshold. Sementara pada kasus segmentasi
objek yang membutuh dua nilai T atau lebih, maka disebut dengan Multiple
Threshold (Gonzales dan Woods, 2002).
2.3.3. Background Subtraction
Subtraksi latar mempunyai peranan penting dalam visi komputer yaitu
dalam hal sistem pemantauan. Peranan yang dilakukan dalam subtraksi latar
adalah mengetahui atau membedakan bagian latar dan objek yang ada pada
sebuah citra. Untuk mengetahui adanya objek di dalam citra maka hal yang harus
dilakukan adalah dengan mempelajari atau mengetahui model dari latar. Ide dasar
dari subtraksi latar adalah
│background(r)-image(r)│= frame(r)………..(2.4) │background(g)-image(g)│= frame(g)……….(2.5) │background(b)-image(b)│= frame(b)……….(2.6)
frame(r) > threshold……….……….(2.7)
frame(g) > threshold ………(2.8)
Bila pixel ke-i memenuhi persamaan tersebut, maka pixel tersebut digolongkan ke
dalam kelompok pixel objek dan selain itu adalah latar. Berikut adalah contoh
hasil subtraksi latar.
Gambar 2.4 Subtraksi Latar (Picardi dan Jan, 2003)
2.4. Color Space
2.4.1. RGB
Model warna RGB adalah model warna berdasarkan konsep penambahan
kuat cahaya primer yaitu Red, Green dan Blue. Dalam suatu ruang yang sama
sekali tidak ada cahaya, maka ruangan tersebut adalah gelap total. Tidak ada
signal gelombang cahaya yang diserap oleh mata kita atau RGB (0,0,0). Ruang
14
Gambar 2.5 RGB Colorwheels (Syuhadi,2010)
Apabila kita menambahkan cahaya merah pada ruangan tersebut, maka
ruangan akan berubah warna menjadi merah misalnya RGB (255,0,0), semua
benda dalam ruangan tersebut hanya dapat terlihat berwarna merah. Demikian
apabila cahaya kita ganti dengan hijau atau biru (Permana,2010). Pencerahan serta
pengaruh intensitas cahaya dalam ruang warna RGB dapat dilihat pada Gambar
2.6.
2.5. Computer Vision
Computer Vision adalah pencitraan komputer dimana aplikasi tidak
melibatkan manusia dalam proses pengulangan visual. Dengan kata lain, gambar
yang diperiksa dan di olah oleh komputer. Meskipun orang yang terlibat dalam
pengembangan sistem aplikasi, akhirnya membutuhkan komputer untuk
mengambil informasi visual secara langsung (Umbaugh, 1998).
Computer vision merupakan sebuah proses otomatis yang mengintegrasikan
sejumlah besar proses persepsi visual, seperti pengolahan citra, klasifikasi citra,
pengenalan citra dan akusisi citra. Computer vision didefinisikan sebagai salah
satu cabang ilmu pengetahuan yang mempelajari bagaimana komputer dapat
mengenali obyek yang diamati atau diobservasi. Cabang ilmu ini bersama
kecerdasan buatan (Artificial Intelligence) akan mampu menghasilkan sistem
kecerdasan visual (Visual Intelligence System) (Munir, 2004).
Vision = Geometri + Measurement + Interpretatio………(2.10) Proses-proses dalam computer vision dapat dibagi menjadi tiga aktivitas:
a. Memperoleh atau mengakuisisi citra digital.
b. Melakukan teknik komputasi untuk memperoses atau memodifikasi data citra.
c. Menganalisis dan menginterpretasi citra dan menggunakan hasil pemrosesan
untuk tujuan tertentu, misalnya memandu robot, mengontrol peralatan,
16
2.6. OpenCV
OpenCV (Open Computer Vision) adalah sebuah API (Application
Programming Interface) library yang sudah sangat familiar pada pengolahan citra computer vision.Computer vision itu sendiri adalah salah satu cabang dari bidang
ilmu pengolahan citra (Image Processing) yang memungkinkan komputer dapat
melihat seperti manusia.Dengan computer vision tersebut komputer dapat
mengambil keputusan, melakukan aksi, dan mengenali terhadap suatu objek.
Beberapa pengimplementasian dari computer vision adalah face recognition, face
detection, face/pbject tracking, road tracking, dll.
OpenCV adalah library open source untuk computer vision untuk C/C++,
OpenCV didesain untuk aplikasi real-time, memiliki fungsi-fungsi akuisisi yang
baik untuk image/video. OpenCV juga menyediakan interface ke Integrated
Performance Primitives (IPP) Intel sehingga jika anda bisa mengoptimasi aplikasi computer vision anda jika menggunakan prosesor Intel (Syafi’i,2011).
Fitur yang dimiliki OpenCV antara lain :
1. Manipulasi data citra (alocation, copying, setting, convert).
2. Citra dan video I/O (file dan kamera based input, image/video file output).
3. Manipulasi Matriks dan Vektor beserta rutin-rutin aljabar linear (products,
solvers, eigenvalues, SVD).
4. Data struktur dinamis (lists, queues, sets, trees, graphs).
5. Pemroses citra fundamental (filtering, edge detection, corner detection,
sampling and interpolation, color conversion, morphological operations, histograms, image pyramids).
6. Analisis struktur(connected components, contour processing, distance
Transform, various moments, template matching, Hough Transform, polygonal approximation, line fitting, ellipse fitting, Delaunay triangulation).
7. Kalibrasi kamera (calibration patterns, estimasi fundamental matrix,
estimasi homography, stereo correspondence).
8. Analisis gerakan (optical flow, segmentation, tracking).
9. Pengenalan obyek (eigen-methods, HMM).
10. Graphical User Interface (display image/video, penanganan keyboard dan
mouse handling, scroll-bars).
OpenCV terdiri dari 3 library, yaitu:
1. CV : Untuk algoritma Image Processing dan Vision
2. Highgui : Untuk GUI, Image dan Video I/O
18
BAB III
METODE PENELITIAN
Untuk pengumpulan data yang diperlukan dalam melaksanakan tugas akhir,
ada beberapa cara yang telah dilakukan, antara lain:
1. Studi kepustakaan
Studi kepustakaan berupa pencarian data-data literatur dari fungsi pada
library OpenCV, melalui pencarian dari internet, dan konsep-konsep teoritis dari
buku-buku penunjang serta metode yang akan digunakan untuk melakukan
pengolahan citra.
2. Penelitian laboratorium
Penelitian laboratorium dilakukan dengan perancangan perangkat
lunak,implementasi perangkat lunak, pengambilan data pengujian aplikasi,
kemudian melakukan evaluasi dari data hasil pengujian.
3.1. Perancangan Sistem dan Blok Diagram Sistem
Model penelitian yang akan dilakukan adalah model penelitian
pengembangan. Untuk mempermudah dalam memahami sistem yang akan dibuat
Gambar 3.1 Blok Diagram Sistem Secara Umum
Sebagai input, citra didapatkan dari kamera yang terpasang pada miniatur.
Kemudian diproses menggunakan console application Visual C++ 2008 dengan
memanfaatkan library OpenCV. Citra yang diperoleh adalah citra keadaan blok
parkir mobil. Setelah mendapatkan citra tersebut, maka selanjutnya citra akan
diproses untuk kemudian disubtraksi/dikurangkan (subtraction) dengan citra
sampel (citra blok tanpa mobil). Dari hasil subtraksi tersebut dilakukan klasifikasi
benda yang teridentifikasi merupakan mobil atau tidak. Pada akhirnya akan
Display
Personal Computer
Visual C++ (add: OpenCV)
20
ditampilkan informasi pada PC berupa output nomor tempat yang kosong
(diasumsikan bahwa setiap tempat parkir terdapat nomor urut), selain itu juga citra
yang diambil secara streaming akan ditampilkan pada layar PC.
3.2. Perancangan Perangkat Keras
Flowchart perancangan dan pembuatan miniatur sebagai berikut :
Gambar 3.2 Flowchart Pembuatan Miniatur
Perangkat keras pada Tugas Akhir ini berupa miniatur lantai 2 tempat parkir
mobil di salah satu pusat perbelanjaan di Surabaya. Sebelum proses pembuatan
miniatur telah dilakukan riset untuk mengetahui desain dan ukuran tempat parkir
tersebut, selanjutnya dicari ukuran yang tepat untuk diterapkan dalam bentuk
miniatur menggunakan skala perbandingan sehingga hasil program bisa
mendekati hasil sesungguhnya apabila diterapkan secara real.
Riset tempat Perancangan miniatur Pembuatan miniatur Uji coba miniatur start stop
Dari hasil riset diperoleh data yaitu panjang lokasi parkir 50 m dengan tinggi 2,1
m dan lebar 9 m. Dari hasil tersebut ditentukan dimensi miniatur dan didapatkan
skala perbandingan 1:25, sehingga panjang miniatur menjadi 2 m, tinggi 8,4 cm,
dan lebar 36 cm. Hasil dimensi miniatur tersebut diperoleh dari penghitungan
sebagai berikut:
Diketahui:
Panjang sesungguhnya (PS) : 50 m = 5000 cm
Tinggi sesungguhnya (TS) : 2,1 m = 210 cm
Lebar sesungguhnya (LS) : 9 m = 900 cm
Ketinggian Kamera sesungguhnya (KS) : 2,1 m = 210 cm
Jarak Kamera dari mobil sesungguhnya (JK) : 6 m = 600 cm
Skala 1:25 Dicari : Pm, Tm, Lm Penyelesaian: Panjang miniatur (Pm) = 5000/25 = 200 cm = 2 m Tinggi miniatur (Tm) = 210/25 = 8,4 cm Lebar miniatur (Lm) = 900/25 = 36 cm
Ketinggian kamera miniatur (Km) = 210/24 = 8,4 cm
Jarak Kamera miniatur (Jm) = 600/25 = 24 cm
Karena webcam yang digunakan secara default sudah dalam kondisi diperbesar
maka pada miniatur ditentukan jarak kamera menjadi 36 cm sehingga
22
3.3. Perancangan Perangkat Lunak
Dalam perancangan perangkat lunak, compiler yang digunakan adalah
Microsoft Visual C++ 2008. Untuk library yang digunakan pada pengolahan citra
yaitu library OpenCV v2.3.
Kemudian dalam penulisannya atau dalam pembuatan program, akan
meliputi bagian-bagian penting dalam setiap langkah-langkah per bagian sesuai
dengan algoritma atau logika sekuensial dari awal sampai output. Berikut adalah
algoritma program secara global.
Gambar3.3 Flowchart sistem secara global
Menit = = 5 Ya Tidak Pengambilan citra parkir kosong Streaming Kamera Subtraksi region 1 Subtraksi region 2 Subtraksi region 3 Greyscale region 1 Grayscale region 2 Grayscale region 3 A B start
Gambar3.4 Flowchart sistem secara global (lanjutan)
Thresholding region 1 Thresholding region 2 Thresholding region 3
menghitung white pixel region 1 menghitung white pixel region 2 menghitung white pixel region 3
Tidak Ya Region 1 kosong B Region 1 terdapat mobil hasil < 0,35 Region 2 kosong Region 2 terdapat mobil hasil1< 0,35 Region 3 kosong Region 3 terdapat mobil hasil2< 0,35 Ya Tidak Ya Tidak
List parkir kosong
Key == esc A
Ya Tidak
24
Gambar 3.3 dan Gambar 3.4 adalah Flowchart sistem secara global atau
keseluruhan. Dimulai dari pengambilan citra sampel berupa kondisi parkir yang
masih kosong. Proses berikutnya adalah kamera melakukan streaming dan
mengambil/menyimpan citra kondisi parkir setiap 5 menit sekali (update data).
Kemudian menentukan titik koordinat area yang menjadi acuan dalam proses
pengolahan citra selanjutnya. Setelah itu mengambil dan mengakses nilai RGB
per pixel dari citra sampel dan citra update (citra hasil capture setiap 5 menit
sekali). Setelah didapatkan nilai RGB per pixel dari masing-masing citra dan
selanjutnya nilai RGB dari citra sampel akan dikurangkan (subtraction) dengan
nilai RGB dari citra update. Setelah didapatkan hasil pengurangan nilai RGB
maka citra hasil pengurangan/subtraksi diubah dalam bentuk citra abu-abu atau
biasa disebut Grayscale. Proses selanjutnya adalah citra yang sudah dalam bentuk
Grayscale diubah menjadi bentuk citra binary melalui proses thresholding agar
dapat dihitung jumlah pixel putih pada area tempat mobil diparkir, dari hasil
penghitungan tersebut didapatkan nilai yang akan dianalisis dan dikategorikan ada
atau tidaknya mobil di area tersebut dan proses yang terakhir adalah hasil analisis
akan ditampilkan di output berupa list nomor parkir yang kosong.
3.4. Pengambilan Citra Sampel
Citra sampel yang dimaksud adalah citra kondisi parkir saat dalam keadaan
tanpa adanya mobil. Citra sampel tersebut digunakan untuk data yang akan
disubtraksi dengan citra update. Pengambilan citra sampel dilakukan secara
nama background.jpg. Ketika program berjalan program akan memuat citra
sampel menggunakan fungsi cvLoadImage dan disimpan dalam variabel img,
format variabel img adalah Iplimage. Berikut potongan program untuk memuat
citra sampel .
IplImage* img = cvLoadImage( "D:\\pict_TA\\background.jpg" );
3.5. Penerimaan Data Citra
Setiap data citra yang dikirimkan dari kamera diakses dengan pointer
CvCapture dan menggunakan fungsi cvCaptureFromCAM(1). Angka 0 pada
fungsi cvCaptureFromCAM(0) merupakan indeks dari kamera yang digunakan.
Berikut adalah potongan program untuk proses penerimaan data citra dari Kamera
menggunakan.
CvCapture* capture = cvCaptureFromCAM(0);
Data citra yang ditangkap adalah data citra dengan ruang warna RGB dan
disimpan langsung pada variabel Iplimage (Intel Image Processing Library) yaitu
stuktur data untuk penyimpanan data citra pada OpenCV. Urutan channel data
dalam Iplimage adalah BGR sehingga untuk menampilkan warna sesungguhnya.
3.6. Streaming Citra
Untuk menampilkan data citra yang sudah tersimpan pada Iplimage ke
dalam window baru digunakan prototipe fungsi pada library OpenCV yaitu
cvShowImage (const char *name, const CvArr *image). Dengan ketentuan
parameter const char *name adalah nama window dan const CvArr *image adalah
Iplimage yang ditampilkan. Berikut program yang digunakan untuk menampilkan
26
while (1) {
IplImage*BG;
CvCapture* capture = cvCaptureFromCAM(0); cvNamedWindow("original1”);
cvShowImage("original1",BG); z = cvWaitKey(10);
if(z == 27)
break; }
Untuk refresh citra yang ditampilkan pada window dibutuhkan fungsi
cvWaitKey. Ini dikarenakan OS memiliki waktu minimum dalam menjalankan threads secara bergantian. Fungsi ini tidak memberikan delay persis seperti
parameter yang telah set, namun delay tergantung threads yang sedang berjalan
pada komputer saat itu. Nilai yang dikeluarkan dari fungsi ini adalah kode untuk
penekanan tombol atau -1 apabila tidak ada tombol yang ditekan selama waktu
yang ditentukan.
3.7. Proses Update Citra Kondisi Parkir
Flowchart proses update data setiap 5 menit sekali adalah sebagai berikut.
Gambar3.5 Flowchart Update Citra Kondisi Parkir
Streaming kamera Akses menit (time sistem) !fc and menit % 5== 0 fc = false ya tidak fc = false A B start
Gambar3.6 Flowchart Update Citra Kondisi Parkir (lanjutan)
Pada Gambar 3.5 dan Gambar 3.6 di atas, proses streaming dijalankan dan
program juga mengakses menit yang terdapat pada time system, selain itu pada
inisialisasi fc yang merupakan flag diberi nilai awal false. Ketika berada pada
kondisi !fc dan menit mencapai 5 menit atau kelipatannya (nilai didapat dari menit
dimodulus 5) maka program akan menyimpan hasil capture di variabel BG.
Variabel BG adalah variabel dengan format Iplimage yang digunakan untuk
menampung data citra hasil update. Proses selanjutnya variabel BG akan diolah
sampai mendapatkan hasil yang diinginkan setelah itu nilai fc diberi nilai true.
Tetapi jika waktu belum mencapai 5 menit maka program tidak akan
mengeksekusi proses selanjutnya hanya menjalankan streaming.
3.8. Pengolahan Citra
Proses pengolahan citra adalah proses yang paling utama dalam pengerjaan
program untuk sistem pada Tugas Akhir ini karena menggunakan Kamera sebagai
sensor pendeteksinya. Berikut adalah Flowchart pengolahan citra secara garis
besar :
BG = citra
fc = true A
28
Gambar3.7 Flowchart Pengolahan Citra
Metode utama yang digunakan pada proses pengolahan citra adalah metode
Background Subtraction image. Untuk mendukung metode utama dilakukan juga
proses pengolahan citra pendukung seperti konversi warna RGB menjadi bentuk
abu-abu (grayscaling) dan konversi warna RGB menjadi hitam putih/biner
(thresholding). Proses akses pixel juga merupakan proses yang penting untuk
menunjang metode Background Subtraction. Untuk mempermudah proses
mendeteksi mobil maka pada image sampel maupun image update dibagi menjadi
tiga area/region mobil ( 1 blok berisi 3 mobil) dengan koordinat pixel yang telah
ditentukan. Untuk proses pengolahan citra lebih detail lagi akan dijelaskan pada
tiap-tiap sub bab.
Tresholding grayscaling Subtraction Image Citra List tempat parkir start stop
3.8.1. Menentukan Koordinat Area
Proses menentukan koordinat masing-masing area dilakukan secara manual.
Untuk mempermudah mencari koordinat yang tepat maka perlu menampilkan
hasil koordinat yang dicoba dengan memberi tanda agar dapat terlihat posisi
koordinatnya. Persegi adalah tanda yang akan digunakan untuk menandai
masing-masing area pada program Tugas Akhir ini. Pada proses memberi tanda (masking)
digunakan function bawaan library OpenCV yaitu.
cvRectangle(CvArr*img,cvPoint(x,y),cvPoint(x1,y1),cvScalar(255,255,255),t,l).
Variabel CvArr*img merupakan citra yang akan diberi gambar persegi, sedangkan