JESCE
(Journal of Electrical and System Control Engineering)
Available online http://ojs.uma.ac.id/index.php/jesceANALISIS KINERJA TEKNOLOGI AUGMENTED REALITY
BERDASARKAN FITUR ALAMI DALAM TARGET GAMBAR
PERFORMANCE ANALYSIS OF AUGMENTED REALITY
TECHNOLOGY BASED ON NATURE FEATURES IN IMAGE
TARGET
Liyana Faiza1)*, Suryo Adhi Wibowo2) & Gelar Budiman3)
1)Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom, Indonesia 2)Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom, Indonesia 3)Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom, Indonesia
*Coresponding Email: [email protected]
Abstrak
Seiring dengan perkembangan zaman, teknologi semakin dikembangkan secara inovatif dan kreatif. Salah satunya adalah Augmented Realty (AR). AR merupakan terobosan teknologi yang dapat memunculkan objek virtual ke dalam dunia nyata. AR terus dikembangkan dengan menggunakan metode markerless, saat ini AR ini tidak lagi menggunakan penada khusus hitam berlatar putih. AR dapat diterapkan di berbagi bidang contohnya di bidang industri film. Penelitian ini berfokus dalam menganalisis kinerja AR dengan metode Natural Fetaure Tracking berbasis FAST Corner Detection dan Vuforia sebagai software enginenya yang diimplementasikan pada android, sehingga pengguna dapat memindai suatu target berupa gambar poster film untuk mendapatkan informasi berupa video trailer. Untuk menganalisis kinerja teknologi AR tersebut, maka dilakukan pengujian dengan parameter berupa jarak, sudut kamera, ukuran target, dan kondisi target dengan membandingkan akurasi jumlah kecocokan keypoints yang terdeteksi. Sistem berhasil diimplementasikan dengan hasil akurasi sistem sebesar 79% dan akurasi keypoints sebesar 42% berdasarkan pengujian kondisi target.
Kata Kunci: Augemented Reality, Natural Feature Tracking, FAST Corner Detection, Keypoints, Target Gambar
Abstract
Along with the times, technology is increasingly develoving with innovative and creative. One of these is Augmented Reality (AR). AR is technological breakthrough that can add virtual object to a real world. AR continues to be developed using the markerless method, where this method no longer uses a special black markers and white background. AR can be applied in various fields, the example in film industry. This research analyzes a performance of AR technology with Natural Feature Tracking as the method based on FAST corner detection and Vuforia software engine which is implemented on Android, so that the users can scan an image of movie poster as target to get video trailer as information. To analyze the performances, the tests were conducted with parameters is distance, camera angles, target, and the image target conditions by comparing the size of detected keypoints math. The system was successfully implemented with the system accuracy is 79% and the lowest keypoints matched accuracy is 35% based o testing image target conditions.
Keywords: Augemented Reality, Natural Feature Tracking, FAST Corner Detection, Image Target,
How to Cite: Faiza, L, Wibowo, A S, Budiman, G. (2021). Analisis kinerja Tenologi Agmented Reality berdasarkan
Fitur Alami Dalam Target Gambar. JESCE (Journal of Electrical and System Control Engineering). 5 (1): 22-35
PENDAHULUAN
Indonesia dikenal sebagai negara yang memiliki penduduk yang sangat banyak dengan kondisi wilayah yang luas. Hingga saat ini tercatat 271 juta penduduk Indonesia dengan jumlah tersebut dapat memberikan potensi keuntungan yang besar bagi industri film. Film merupakan salah satu bidang industri kreatif yang dapat dikembangkan dengan kecanggihan teknologi saat ini. Film merupakan
teknologi audiovisual [1] dimana
dipengaruhi oleh penemuan dan kemajuan kombinasi optik (lensa), mekanik, kimia, dan teknologi digital lainnya. Salah satu bentuk inovasi dalam pengembangan dan pengenalan film dengan teknologi adalah melalui penerapan augmented reality (AR).
AR merupakan teknologi yang dapat menggabungkan dunia virtual dengan dunia nyata dan memungkinkan pengguna untuk berinteraksi secara langsung dan menampilkan objek virtual 3D secara real-time. Suatu penelitian yang mengungkapkan bahwa AR merupakan teknologi yang dapat membantu manusia untuk berinteraksi langsung dengan objek maya di dunia nyata [2]. Namun, untuk mendapatkan performansi teknologi AR dibutuhkan faktor-faktor yang yang dapat memengaruhi keberhasilan sistem dalam mendeteksi dan melacak target objek.
Sehingga dapat diimplementasikan dengan baik. AR bekerja dengan konsep utama yaitu object recognition (pengenalan objek) dan dikenal juga sebagai deteksi objek. AR memiliki dua metode yang digunakan dalam pelacakannya yaitu marker-based tracking dan markerless tracking [3]. Salah satu penelitian yang dilakukan oleh Koniarski Konrad [4] menggunakan marker-based AR dengan metode optical flow menghasilkan sistem yang kurang sensitif terhadap perubahan jarak dan intensitas cahaya. Penelitian lainnya [5] mengenai penerapan marker-based AR dengan library yang digunakan yaitu ARtoolkit. Dimana sistem yang dihasilkan terjadi kesalahan dalam mendeteksi marker, selain itu sistem ini tidak mampu membedakan setiap posisi penanda yang sama atau simetris.
AR kemudian terus dikembangkan menggunakan metode markerless, dimana metode ini menggunakan lokasi GPS untuk melacak target, pelacakan gerakan, dan fitur alami yang terdapat pada target. Beberapa penelitian terkait markerless AR, salah satunya penelitian [6] mengevaluasi dari implementasi AR menggunakan metode features from accelerated segment test untuk katalog properti. Evaluasi tersebut meliputi pengembangan aplikasi menggunakan algoritma FAST sebagai
pendeteksi marker yang baik. Beberapa penelitian terkait topik ini dari paper [7], peneliti tersebut menyajikan berbagai jenis library yang dapat digunakan dalam membangun AR dan menyarankan Vuforia sebagai software untuk menggabungkan teknologi AR dengan smartphone. Hal ini
disarankan karena Vuforia dapat
digunakan dengan mudah dan
algoritmanya dapat dipahami dengan mudah.
METODE PENELITIAN
Pada bagian ini membahas metode-metode yang digunakan dalam penelitian ini yaitu Augmented Reality, Natural Feature Tracking, FAST corner detection, dan Vuforia.
Augmented Reality
Augmented reality (AR) merupakan teknologi yang menggabungkan objek maya 2D atau 3D dengan objek nyata secara real-time. Teknologi AR saat ini jauh lebih tersedia dan mudah diakses oleh developer maupun pengguna pribadi. AR
bekerja dengan mengintegrasikan
informasi berbasis digital terhadap lingkungannya, sehingga sistem mengikuti gerakan penanda yang tertangkap oleh kamera. Kinerja AR dijelaskan secara
sederhana seperti pada kamera
smartphone yang menangkap gambar lalu pada gambar tersebut terdeteksi sebuah
penanda (marker) yang berupa tepi, pola, atau batasan. Kemudian sistem akan mengenali sinyal dari marker tersebut dan mengolahnya untuk menampilkan objek virtual berupa objek 2D atau 3D, video, dan lainnya [8]. AR akan bekerja dengan baik menyesuaikan tampilan perangkat yang digunakan.
Natural Feature Tracking
Natural Feture Tracking (NFT) merupakan metode dalam markerless AR yang dapat melacak fitur alami pada suatu target objek. Pengenalan pola akan menggantikan penggunaan marker dan frame marker. NFT melakukan pelacakan
berdasarkan visi komputer. NFT
menggunakan pengenalan pola pada Qualcomm Augmented Reality (QCAR), dimana menggunakan fitur alami yang didefinisikan sebagai koordinat objek dan menampilkan objek virtual pada target yang diinginkan.
Fitur
Dalam visi komputer, fitur diartikan sebagai karakteristik yang unik pada suatu objek. Fitur dapat berupa struktur tertentu dalam objek seperti tepi, titik-titik, atau bentuk objek lainnya [9]. Fitur dapat terbagi dalam dua kategori yang pertama adalah fitur pada lokasi objek tertentu dan kedua adalah fitur yang dapat disesuaikan berdasarkan orientasi tampilan lokalnya. Fitur yang terdeteksi akan ditampilkan
dengan bentuk titik-titik kecil atau bentuk lainnya.
FAST Corner Detection
Feature from Accelerated Segment Test (FAST) merupakan salah satu
algoritma yang digunakan untuk
mendeteksi fitur berupa sudut (corner) pada suatu objek dengan mengektstrak fitur tersebut kemudian melacak dan memetakannya dalam visi komputer. Algoritma FAST memiliki kelebihan dalam komputasinya yang efisien dan memiliki kinerja dengan kecepatan yang tinggi untuk aplikasi pemrosesan video real-time [9]. Algoritma FAST juga digunakan untuk pengenalan objek. Fitur yang terdeteksi juga disebut sebagai keypoints. Berikut adalah tahapan dalam algoritma FAST dalam mendeteksi fitur sudut pada objek yang berupa gambar yang diilustrasikan pada Gambar 1:
Gambar 1. Tahapan algoritma FAST
1. Proses grayscale
Tahap awal ini merupakan tahap mengubah gambar yang berwarna RGB menjadi gambar grayscale. Gambar grayscale disimpan dalam format 8-bit untuk setiap piksel sebanyak 256 piksel. Konversi grayscale dapat menggunakan persamaan berikut:
) ) ))
dimana , , dan merupakan nilai dari warna red, green, blue pada pada tiap piksel gambar. 2. Penentuan intensitas dan corner
Setelah diubah menjadi grayscale, algoritma FAST akan menetapkan titik minat yang diasumsikan sebagai interest point dengan nilai
piksel dan lingkaran
disekitarnya sejumlah 16 piksel yang diasumsikan nilai pikselnya
. Setiap piksel akan
memenuhi ketentuan segment test pada persamaan berikut:
{
)
)
) dimana d, s, dan b didefinisikan sebagai nilai yang lebih gelap, serupa, dan lebih cerah. Dalam pendekatan machine learning, hasil tersebut kemudian akan
dikelompokkan berdasarkan subsetnya dan akan ditentukan sebagai corner apabila terdapat 3 nilai intensitas yang lebih gelap atau lebih terang.
Prinsip kerja Vuforia
Vuforia merupakan pengembang
perangkat lunak atau software
development knit (SDK) yang digunakan untuk membangun sistem augmented reality pada perangkat smartphone. Vuforia memiliki keunggulan dalam mengenali dan melacak query target dan gambar objek 3D secara real-time.
Berdasarkan portal pengembang, Vuforia menggunakan algoritma FAST Corner Detection [10]. Ada beberapa faktor yang dapat menentukan kemampuan Vuforia dalam melakukan pelacakan dan memberikan peringkat deteksi pada target gambar atau target objek lainnya [11]. Vuforia mendeteksi fitur berdasarkan ketajaman detail, sudut kamera, dan tekstur objek pada gambar. Fitur yang terdeteksi akan ditampilkan dengan simbol kuning berbentuk tambah (+). Hasil deteksi oleh Vuforia akan disimpan ke dalam sebuah metadata. Vuforia akan
memberikan peringkat berdasarkan
kontras analisis. Gambar 2 menunjukkan contoh ilustrasi hasil deteksi fitur pada target gambar poster film Beauty and The
Beast oleh Vuforia berbasis algoritma FAST pada penelitian ini.
Gambar 2. Ilustrasi hasil deteksi fitur
HASIL DAN PEMBAHASAN
Pada bagian ini membahas hasil pengujian dan analisis dari metode yang diimplementasikan. Analisis kinerja dilakukan untuk mengetahui kelebihan dan kekurangan sistem. Selain itu, untuk mengetahui faktor-faktor yang dapat memengaruhi performansi kinerjanya. Teknologi AR pada penelitian ini diimplementasikan pada android dengan dataset berupa 100 citra poster film dengan jenis kondisi yang berbeda. Oleh karena itu, pada penelitian ini dilakukan pengujian dengan parameter performansi berupa akurasi sistem dan akurasi jumlah kecocokan keypoints. Alur kerja sistem ditunjukkan pada Gambar 3.
Gambar 3. Alur Kerja Sistem
Berikut merupakan penjabaran dari alur kerja sistem dalam penelitian ini: 1. Data uji dan capture frame
Data uji yang digunakan berupa 100 citra dari 20 poster film yang berbeda dengan tiap poster film memiliki 5 kondisi yang berbeda. Kemudian data uji akan ditangkap oleh kamera dan sistem akan menginisialisasinya sebagai target gambar.
2. Deteksi fitur
Pada tahap ini, fitur alami pada target gambar akan dideteksi oleh Vuforia Engine menggunakan algoritma FAST. Kemudian hasil deteksi
tersebut akan diesktrak dan
disimpan dalam bentuk metadata ke database.
3. Pencocokan target
Pada tahap ini, sistem akan mencocokkan fitur yang terdeteksi secara real-time dengan fitur yang terdapat dalam database. Jika target gambar cocok dan dikenali, sistem
akan mengirimkan informasi
metadata berupa video trailer dari poster film tersebut secara virtual. 4. Ouput
Pada tahap terakhir, sistem
dikatakan selesai dan berakhir setalah menampilkan output berupa video trailer film dari target gambar poster film dengan benar.
Berikut adalah dataset yang
digunakan pada penelitian ini dijabarkan pada Tabel 1 dan target yang digunakan berupa 20 poster film yang berbeda sebagai target gambar yang dicetak pada art paper 150-gram ukuran A4.
Tabel 1. Skema Dataset Kondisi Jumlah Data
Uji Kode Poster Film Normal 20 1 – 20 A Pudar 25% 20 1 – 20 B Pudar 75% 20 1 – 20 C Miscolor 20 1 – 20 D Blur 20 1 – 20 E
Tabel 2. Kode data uji target gambar Nama Poster Film Kode
The Nun 1
Aladdin 2
Beauty and The Beast 3
Trolls 4 Wonder Woman 5 Captain America 6 Toy Story 7 Coco 8 28
Black Widow 9 Doctor Strange 10 How to Train Your Dragon 11
Your Name 12 Totoro 13 Doraemon 14 Maleficent 15 Big Hero 16 Inside Out 17 The Greatest Showman 18 We Bare Bears 19
Mulan 20
Parameter Pengujian Akurasi Sistem
Akurasi sistem merupakan
parameter yang digunakan dalam
menentukan performansi keberhasilan sistem dalam mendeteksi dan melacak target gambar. Akurasi sistem juga merupakan ukuran ketepatan sistem dalam memproses data masukan. Target gambar berupa poster film yang dicetak pada art paper berukuran A4 diletakkan pada bidang vertikal dengan jarak yang diatur dalam parameter ini yaitu 30 cm dan sudut pengambilan kamera 90˚ atau tegak lurus dengan target gambar. Data benar mengacu pada berhasilnya sistem dalam mendeteksi target gambar dengan benar dan sesuai database, sedangkan ketika sistem tidak dapat mendeteksi target gambar maka sistem dianggap gagal.
Akurasi sistem dapat dihitung
menggunakan persamaan berikut:
∑ ∑ ,
dimana , ∑ , dan ∑ didefinisikan sebagai akurasi, jumlah data benar, dan total keseluruhan data.
Akurasi Keypoints
Akurasi keypoints merupakan ukuran ketepatan sistem dalam mendeteksi target gambar yang disediakan dengan kondisi yang berbeda-beda. Hasil deteksi fitur pada sistem adalah jumlah keypoints. Untuk menghitung akurasi keypoints dari perbandingan hasil jumlah keypoints antara target gambar yang terdeteksi cocok dan keypoints dataset. Perhitungan
akurasi keypoints menggunakan
persamaan berikut:
∑
∑
dimana , ∑ , and ∑ didefinisikan sebagai akurasi keypoints, jumlah keypoints yang cocok, dan total keypoints yang terdeteksi. Pada penelitian ini jumlah keypoints yang terdeteksi pada dataset dibatasi maksimal yaitu 500.
Performansi Sistem Akurasi Sistem
Pada pengujian akurasi sistem digunakan 100 citra data uji dengan rincian 20 citra dalam kondisi normal (RGB), 20 citra dalam kondisi pudar dengan tingkat 25% dan 75%, 20 citra dalam kondisi miscolor, dan 20 citra dalam kondisi blur.
Pada pengujian ini sistem berhasil mendeteksi 20 citra data uji dalam kondisi normal, 20 citra uji dalam kondisi pudar 25%, 19 citra data uji dalam kondisi pudar 75%, 20 citra data uji dalam kondisi miscolor, dan 0 citra uji dalam kondisi blur. Sistem berhasil memindai total 73 citra data uji dari 5 kondisi yang berbeda, sehingga presentase akurasi sistem skenario ini adalah 79%. Dari hasil ini terlihat bahwa kondisi blur merupakan kondisi paling buruk karena sistem tidak dapat mendeteksi fitur alami pada target gambar sama sekali. Tabel 3 menunjukkan hasil pengujian akurasi sistem.
Tabel 3. Hasil akurasi sistem
Kondisi Jumlah Data Uji Terdeteksi Akurasi (%) Normal 20 100 Pudar 25% 20 100 Pudar 75% 19 95 Miscolor 20 100 Blur 0 0 Rata-rata 79
Gamabar 4. Grafik akurasi sistem
Akurasi Sistem
Hasil pengujian akurasi keypoints ditunjukkan pada Tabel 4. Pada pengujian ini menunjukkan jumlah kecocokan keypoints tertinggi didapatkan pada target gambar dalam kondisi normal. Hal ini disebabkan oleh kondisi target gambar sama dengan kondisi dataset dalam database. Sedangkan pada kondisi blur dimana kondisi tersebut target gambar tidak jelas, sehingga tidak ada keypoints yang terdeteksi maka tidak ada masukan
dalam perhitungan pada proses
pencocokan. Tabel 4 menunjukkan hasil perbandingan jumlah keypoints kondisi normal. Dimana hasil jumlah keypoints yang terdeteksi dan keypoints yang cocok memperoleh akurasi rata-rata sebesar 100% dan gambar 5 menunjukkan grafik perbandingan tiap target gambar.
Tabel 4. Hasil perbandingan jumlah keypoints kondisi normal Nama Poster Film Keypoin ts detected Keypoints matched The Nun 500 500 Aladdin 500 500 Beauty and The Beast 500 500 Trolls 500 500 Wonder Woman 500 500 Captain America 500 500 Toy Story 500 500 Coco 500 500 Black Widow 500 500 30
Doctor Strange 500 500 How to Train Your Dragon 500 500 Your Name 500 500 Totoro 500 500 Doraemon 500 500 Maleficent 500 500 Big Hero 500 500 Inside Out 500 500 The Greatest Showman 500 500 We Bare Bears 500 500 Mulan 500 500
Gambar 5. Grafik perbandingan keypoints dataset dan target gambar normal
Tabel 5 menunjukkan hasil
perbandingan jumlah keypoints kondisi pudar 25%. Kondisi pudar ini mengalami penurunan kontras, sehingga dari segi warna target gambar berbeda dengan datasetnya. Hasil jumlah keypoints yang terdeteksi dan keypoints yang cocok memperoleh akurasi rata-rata sebesar 39,9% dan gambar 6 menunjukkan grafik perbandingan tiap target gambar.
Tabel 5. Hasil perbandingan jumlah keypoints kondisi pudar 25% Nama Poster Film Keypoin ts detected Keypoints matched The Nun 495 395 500 276 Beauty and The Beast 466 221 Trolls 468 274 Wonder Woman 500 185 Captain America 467 76 Toy Story 500 220 Coco 500 180 Black Widow 500 230 Doctor Strange 500 116 How to Train Your Dragon 500 189 Your Name 500 271 Totoro 500 126 Doraemon 500 196 Maleficent 500 211 Big Hero 500 193 Inside Out 500 130 The Greatest Showman 500 113 We Bare Bears 500 164 Mulan 500 175
Gambar 6. Grafik perbandingan keypoints dataset dan target gambar pudar 25%
Tabel 6 menunjukkan hasil
perbandingan jumlah keypoints kondisi pudar 75%. Kondisi pudar ini mengalami penurunan lebih kontras dan pudar, sehingga dari segi warna target gambar berbeda dengan datasetnya. Hasil jumlah keypoints yang terdeteksi dan keypoints
yang cocok memperoleh akurasi rata-rata sebesar 35%. Hal ini dapat dikatakan bahwa kontras mempengaruhi kinerja sistem dalam mengenali target gambar.
Gambar 7 menunjukkan grafik
perbandingan tiap target gambar.
Tabel 6. Hasil perbandingan jumlah keypoints kondisi pudar 25% Nama Poster Film Keypoin ts detected Keypoints matched The Nun 288 253 Aladdin 475 190 Beauty and The Beast 466 221 Trolls 218 201 Wonder Woman 485 171 Captain America 500 76 Toy Story 500 193 Coco 500 159 Black Widow 479 224 Doctor Strange 441 103 How to Train Your Dragon 441 173 Your Name 450 224 Totoro 489 104 Doraemon 473 173 Maleficent 498 194 Big Hero 492 201 Inside Out 500 135 The Greatest Showman 491 123 We Bare Bears 414 148 Mulan 471 179
Gambar 7. Grafik Perbandingan keypoints dataset dan target gambar pudar 75%
Tabel 7 menunjukkan hasil
perbandingan jumlah keypoints kondisi miscolor. Kondisi ini memiliki warna yang berbeda dengan datasetnya. Hasil jumlah keypoints yang terdeteksi dan keypoints yang cocok memperoleh akurasi rata-rata sebesar 37,3%. Sehingga perubahan warna mempengaruhi kinerja sistem.
Gambar 8 menunjukkan grafik
perbandingan tiap target gambar.
Tabel 7. Hasil perbandingan jumlah keypoints kondisi pudar miscolor
Nama Poster Film Keypoin ts detected Keypoints matched The Nun 500 500 Aladdin 475 190 Beauty and The Beast 500 140 Trolls 464 233 Wonder Woman 500 165 Captain America 500 66 Toy Story 500 225 Coco 500 178 Black Widow 500 222 Doctor Strange 500 115 32
How to Train Your Dragon 500 165 Your Name 500 275 Totoro 500 105 Doraemon 500 174 Maleficent 500 207 Big Hero 500 210 Inside Out 500 139 The Greatest Showman 500 122 We Bare Bears 500 182 Mulan 500 163
Gambar 8. Grafik Perbandingan keypoints dataset dan target gambar Miscolor
Tabel 8 menunjukkan hasil
perbandingan jumlah keypoints kondisi blur. Kondisi blur ini memiliki detail fitur dan gambar yang tidak jelas, sehingga sistem tidak dapat mengenali dan dan mendeteksi target gambar dalam kondisi ini. Hasil jumlah keypoints yang terdeteksi dan keypoints yang cocok memperoleh akurasi rata-rata sebesar 100% dan
gambar 9 menunjukkan grafik
perbandingan tiap target gambar.
Tabel 8. Hasil perbandingan jumlah keypoints kondisi pudar 75% Nama Poster Film Keypoin ts detected Keypoints matched The Nun 0 0 Aladdin 0 0 Beauty and The Beast 0 0 Trolls 0 0 Wonder Woman 0 0 Captain America 0 0 Toy Story 0 0 Coco 0 0 Black Widow 0 0 Doctor Strange 0 0 How to Train Your Dragon 0 0 Your Name 0 0 Totoro 0 0 Doraemon 0 0 Maleficent 0 0 Big Hero 0 0 Inside Out 0 0 The Greatest Showman 0 0 We Bare Bears 0 0 Mulan 0 0
Gambar 9. Grafik Perbandingan keypoints dataset dan target gambar Blur
Berdasarkan pengujian akurasi keypoints, maka diperole rata-rata akurasi sebesar 42%. Meskipun demikian, sistem
dapat mengenali target gambar dalam 4 kondisi yaitu normal, pudar 25% dan 75%, dan miscolor. Sedangkan pada kondisi blur,
sistem sama sekali tidak dapat
mendeteksinya.
SIMPULAN
Teknologi AR berdasarkan fitur alami pada target gambar menggunakan metode Natural Feature Tracking dengan algoritma FAST sebagai detektor fitur telah berhasil diimplementasikan dengan hasil akurasi sistem 79%. Akurasi didapatkan berdasarkan keypoints yang terdeteksi pada target gambar yang berupa poster film. Teknologi AR dapat bekerja apabila fitur alami yang terdeteksi minimal 42%. Faktor yang mempengaruhi performansi kinerja sistem AR diantaranya adalah jarak dan sudut pemindaian target gambar, kondisi target, ukuran target, fitur atau keypoints, dan kualitas kontras target. Sistem akan mendeteksi target gambar berdasarkan fitur alami yang terdapat pada target.
Berdasarkan penelitian yang
dilakukan pada jurnal ini, sistem dapat mendeteksi dan mengenali target gambar dengan optimal pada kondisi normal karena jumlah keypoints yang terdeteksi sangat jelas dan fitur pada target gambar terlihat tajam. Semakin baik kondisi target gambar, maka semakin baik sistem dapat
mendeteksi dan mengenalinya. Namun, sistem tidak dapat mendeteksi fitur dan mengenali target gambar sama sekali jika kondisi target gambar sangat pudar dan blur. Hal ini disebabkan tidak jelasnya target gambar, sehingga keypoints tidak dapat terdeteksi. Kondisi target gambar dapat memengaruhi kinerja sistem dalam mendeteksi karena secara keseluruhan sistem mengenali dan melacak target
gambar melalui kontras-analisis
berdasarkan fitur alami yang tertangkap oleh kamera.
DAFTAR PUSTAKA
A. Çelik et al., “Developing of Interactive Multimedia for the Study of Cinematography,” J. Mater.
Process. Technol., vol. 1, no. 1, pp. 1–8, 2018.
K. Teguh Martono, “Augmented Reality sebagai Metafora Baru dalam Teknologi Interaksi Manusia dan Komputer,” J. Sist. Komput., vol. 1, no. 2, pp. 60–64, 2011, doi: 10.14710/JSK.V1I2.13.
Y. Dianrizkita, H. Seruni, and H. Agung, “Analisa Perbandingan Metode Marker Based Dan Markless Augmented Reality Pada Bangun Ruang,” J. Simantec, vol. 6, no. 3, pp. 121– 128, 2018.
K. Koniarski, “Augmented reality using optical flow,”
Proc. 2015 Fed. Conf. Comput. Sci. Inf. Syst. FedCSIS 2015, vol. 5, pp. 841–847, 2015, doi:
10.15439/2015F202.
A. I. Asry, “Penerapan Augmented Reality dengan Metode Marker Based Tracking pada maket rumah virtual,” Ainet J. Inform., vol. 1, no. 2, pp. 52–58, 2019, doi: 10.26618/ainet.v1i2.2294.
R. Setyadi and I. Ranggadara, “Augmented reality using features accelerated segment test for
property catalogue,” Telkomnika (Telecommunication Comput. Electron. Control., vol. 18, no. 1, pp. 140–147, 2020,
doi: 10.12928/TELKOMNIKA.v18i1.13039. N. G. Babak and A. F. Kryukov, “Mobile Application
for Visualization of the Advertising Booklet Using Augmented Reality,” 2018 4th Int.
Conf. Inf. Technol. Eng. Educ. Inforino 2018 - Proc., pp. 1–4, 2018, doi: 10.1109/INFORINO.2018.8581841.
J. Emspak, “What is Augmented Reality?,” 2018.
diunduh di
https://www.livescience.com/34843-augmented-reality.html tanggal 19 Februari 2020.
U. D. Arni, “Cara Kerja Markerless Augmented Reality,” Garuda Cyber Indonesia, 2018.
Diunduh di
https://garudacyber.co.id/artikel/1393-cara-kerja-markerless-augmented-reality tangal 26 Februari 2020
Rosten, E, ”FAST Corner Detction, People who Use FAST". diunduh di http://www.edwardrosten.com/work/fast.h tml tanggal 27 Februari 2020.
S. Sendari, A. Firmansah, and Aripriharta, “Performance analysis of augmented reality based on vuforia using 3d marker detection,”
4th Int. Conf. Vocat. Educ. Training, ICOVET 2020, pp. 294–298, 2020, doi: 10.1109/ICOVET50258.2020.9230276. Q. Li, Y. Li, J. Tian, and D. Ren, “Augmented reality
registration method based on natural feature points,” Int. Conf. Commun. Technol. Proceedings, ICCT, IEEE, vol. 2017-Octob, pp. 1937–1941, 2018, doi: 10.1109/ICCT.2017.8359967.
W. Chen and Q. Cao, “Feature points extraction and matching based on 4 9 improved sURf algorithm,” Proc. 2018 IEEE Int. Conf. Mechatronics Autom. ICMA 2018, pp. 1194–
1198, 2018, doi:
10.1109/ICMA.2018.8484336.
H. R. Rahman, D. Herumurti, I. Kuswardayan, A. Yuniarti, W. N. Khotimah, and N. B. Fauzan, “Location based augmented reality game using Kudan SDK,” Proc. 11th Int. Conf. Inf. Commun. Technol. Syst. ICTS 2017, vol. 2018-Janua, pp. 307–310, 2018, doi: 10.1109/ICTS.2017.8265689.
F. Peng and J. Zhai, “2017 2nd International Conference on Image, Vision and Computing A Mobile Augmented Reality System for Exhibition Hall Based on Vuforia,” pp. 1049– 1052, 2017.
