• Tidak ada hasil yang ditemukan

Pengenalan angka dengan pose jari tangan.

N/A
N/A
Protected

Academic year: 2017

Membagikan "Pengenalan angka dengan pose jari tangan."

Copied!
130
0
0

Teks penuh

(1)

viii

INTISARI

Pengolahan citra adalah suatu bidang yang berhubungan proses transformasi citra yang bertujuan untuk mendapatkan kualitas citra yang lebih baik. Teknologi pengolahan citra ini, sangat berkembang pesat dan banyak juga dikenal oleh para insinyur di dunia. Salah satu penerapan dari teknologi pengolahan citra tersebut adalah pengenalan angka dengan pose jari tangan.

Sistem pengenalan angka dengan pose jari tangan yang dibuat ini adalah pengenalan pola angka bahasa isyarat ASL (American Sign Language) dari 0 s/d 9, dengan jarak pengujian yang digunakan ialah 1 m, 1,5 m, 2 m, 2,5 m, dan 3 m. Secara garis besar beberapa proses kerja dari sistem ini ialah pengambilan citra pose jari tangan berupa citra Red, Green, and Blue (RGB), konversi citra RGB ke citra Hue Saturation Value (HSV), segmentasi HSV, cropping dan resizing, perhitungan korelasi (template matching), serta penentuan keluaran. Proses segmentasi HSV pada penelitian ini, bertujuan untuk mengambil objek yang ingin dikenali pada citra, yaitu bagian kulit (muka dan tangan). Sedangkan pada proses template matching, perhitungan nilai korelasi dilakukan berdasarkan perbandingan antara database citra yang telah dimasukkan dan citra pose jari tangan yang telah diambil dengan menggunakan webcam (data uji).

Pengujian secara real time pada penelitian ini menggunakan jarak terjauh 3 meter, dengan menghasilkan tingkat pengenalan sebesar 88 %. Hasil ini diperoleh dari hasil ekstraksi ciri 32 x 32 piksel.

(2)

ix

ABSTRACT

Image processing is a field that related to the image transformation for get a better image quality. This image processing technology, is grown rapidly and also known by many engineers in the world. One application of the image processing technology is number recognition with hand finger pose.

Number recognition with hand finger pose system is number pattern recognition of ASL (American Sign Language) sign from 0 until 9, the used testing distance is 1 m, 1.5 m, 2 m, 2.5 m and 3 m. In outline, some of the workings of this system are capture the hand finger pose that form of the image is Red, Green, and Blue (RGB), the conversion of the RGB image into Hue Saturation Value (HSV), HSV segmentation, cropping and resizing, calculate the correlation (template matching), and determination of the output. HSV segmentation process in this study is aiming to take the object that will be recognized in the image, which is part of the skin (face and hand). While in the template matching process, calculation of correlation value is based on a comparison between the image database that has been inputted and the hand finger pose image that has been captured using a webcam (test data).

Testing in real time on this study uses 3 meters of the longest distance, with result of recognition rate is 88 %. This result was obtained from the feature extraction of 32 x 32 pixels.

(3)

i

TUGAS AKHIR

PENGENALAN ANGKA DENGAN

POSE JARI TANGAN

Diajukan untuk memenuhi syarat

Memperoleh gelar Sarjana Teknik pada

Program Studi Teknik Elektro

disusun oleh :

DIRGA EKA PUTRA LEBUKAN

NIM : 135114015

PROGRAM STUDI TEKNIK ELEKTRO

JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

(4)

ii

FINAL PROJECT

NUMBER RECOGNITION WITH

HAND FINGER POSE

In a partial fulfillment of the requirements

for the degree of Sarjana Teknik

Electrical Engineering Study Program

created by :

DIRGA EKA PUTRA LEBUKAN

Student’s Number : 135114015

ELECTRICAL ENGINEERING STUDY PROGRAM

DEPARTMENT OF ELECTRICAL ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

(5)

iii

HALAMAN PERSETUJUAN

TUGAS AKHIR

PENGENALAN ANGKA DENGAN

POSE JARI TANGAN

(NUMBER RECOGNITION WITH

HAND FINGER POSE)

disusun oleh :

DIRGA EKA PUTRA LEBUKAN

NIM : 135114015

telah disetujui oleh :

Pembimbing I

(6)

iv

HALAMAN PENGESAHAN

TUGAS AKHIR

PENGENALAN ANGKA DENGAN

POSE JARI TANGAN

(NUMBER RECOGNITION WITH

HAND FINGER POSE)

disusun oleh :

DIRGA EKA PUTRA LEBUKAN

NIM : 135114015

Telah dipertahankan di depan tim penguji pada tanggal 26 Januari 2017 dan dinyatakan memenuhi syarat

Susunan Tim Penguji :

Nama Lengkap Tanda Tangan Ketua : Dr. Ir. Iswanjono, M.T.

Sekretaris : Dr. Ir. Linggo Sumarno, M.T. Anggota : Dr. Damar Widjaja, S.T., M.T.

Yogyakarta,

Fakultas Sains dan Teknologi Universitas Sanata Dharma Dekan,

(7)

v

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka sebagaimana karya ilmiah.

Yogyakarta, 2 Januari 2017

(8)

vi

HALAMAN PERSEMBAHAN MOTTO HIDUP

MOTTO :

WHEN YOU HAVE

A CHANCE

YOU HAVE TO

TRY

Skripsi ini kupersembahkan untuk ….

Yesus Kristus dan Bunda Maria yang selalu menyertai dan

menuntunku dalam setiap hari-hariku

Papa dan Mama tercinta yang selalu mendoakan dan mendukungku

(9)

vii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA

ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma :

Nama : DIRGA EKA PUTRA LEBUKAN

Nomor Mahasiswa : 135114015

Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan Universitas Sanata Dharma karya ilmiah yang berjudul :

PENGENALAN ANGKA DENGAN

POSE JARI TANGAN

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, mendistribusikan secara terbatas, dan mempublikasikannya di Internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai penulis.

Dengan ini pernyataan yang saya buat dengan sebenarnya.

Yogyakarta, 2 Januari 2017 Penulis

(10)

viii

INTISARI

Pengolahan citra adalah suatu bidang yang berhubungan proses transformasi citra yang bertujuan untuk mendapatkan kualitas citra yang lebih baik. Teknologi pengolahan citra ini, sangat berkembang pesat dan banyak juga dikenal oleh para insinyur di dunia. Salah satu penerapan dari teknologi pengolahan citra tersebut adalah pengenalan angka dengan pose jari tangan.

Sistem pengenalan angka dengan pose jari tangan yang dibuat ini adalah pengenalan pola angka bahasa isyarat ASL (American Sign Language) dari 0 s/d 9, dengan jarak pengujian yang digunakan ialah 1 m, 1,5 m, 2 m, 2,5 m, dan 3 m. Secara garis besar beberapa proses kerja dari sistem ini ialah pengambilan citra pose jari tangan berupa citra Red, Green, and Blue (RGB), konversi citra RGB ke citra Hue Saturation Value (HSV), segmentasi HSV, cropping dan resizing, perhitungan korelasi (template matching), serta penentuan keluaran. Proses segmentasi HSV pada penelitian ini, bertujuan untuk mengambil objek yang ingin dikenali pada citra, yaitu bagian kulit (muka dan tangan). Sedangkan pada proses template matching, perhitungan nilai korelasi dilakukan berdasarkan perbandingan antara database citra yang telah dimasukkan dan citra pose jari tangan yang telah diambil dengan menggunakan webcam (data uji).

Pengujian secara real time pada penelitian ini menggunakan jarak terjauh 3 meter, dengan menghasilkan tingkat pengenalan sebesar 88 %. Hasil ini diperoleh dari hasil ekstraksi ciri 32 x 32 piksel.

(11)

ix

ABSTRACT

Image processing is a field that related to the image transformation for get a better image quality. This image processing technology, is grown rapidly and also known by many engineers in the world. One application of the image processing technology is number recognition with hand finger pose.

Number recognition with hand finger pose system is number pattern recognition of ASL (American Sign Language) sign from 0 until 9, the used testing distance is 1 m, 1.5 m, 2 m, 2.5 m and 3 m. In outline, some of the workings of this system are capture the hand finger pose that form of the image is Red, Green, and Blue (RGB), the conversion of the RGB image into Hue Saturation Value (HSV), HSV segmentation, cropping and resizing, calculate the correlation (template matching), and determination of the output. HSV segmentation process in this study is aiming to take the object that will be recognized in the image, which is part of the skin (face and hand). While in the template matching process, calculation of correlation value is based on a comparison between the image database that has been inputted and the hand finger pose image that has been captured using a webcam (test data).

Testing in real time on this study uses 3 meters of the longest distance, with result of recognition rate is 88 %. This result was obtained from the feature extraction of 32 x 32 pixels.

(12)

x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus karena berkat rahmat dan penyertaan-Nya penulis dapat menyelesaikan laporan tugas akhir ini dengan baik dan lancar. Laporan tugas akhir ini disusun untuk memenuhi syarat memperoleh gelar sarjana, khususnya dibidang Teknik Elektro.

Pada proses penulisan laporan tugas akhir ini, penulis menyadari bahwa ada banyak pihak yang telah memberikan perhatian dan bantuannya sehingga dapat terlesaikan dengan baik. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada :

1. Tuhan Yesus Kristus dan Bunda Maria atas penyertaan-Nya.

2. Sudi Mungkasi, S.Si, M.Math.Sc., Ph.D., selaku Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma.

3. Petrus Setyo Prabowo, S.T., M.T., selaku Ketua Program Studi Teknik Elektro, Fakultas Sains dan Teknologi, Universitas Sanata Dharma.

4. Dr. Ir. Linggo Sumarno, M.T., selaku dosen pembimbing dengan penuh pengertian dan kesabaran dalam memberi bimbingan, kritik, saran, serta motivasi kepada penulis untuk menyelesaikan laporan tugas akhir ini.

5. Dr. Ir. Iswanjono, M.T. dan Dr. Damar Widjaja, S.T., M.T., selaku dosen penguji yang telah memberikan masukan, bimbingan, saran untuk merevisi laporan tugas akhir ini. 6. Bapak dan ibu dosen yang telah mengajarkan banyak hal selama penulis menempuh

pendidikan di Program Studi Teknik Elektro, Fakultas Sains dan Teknologi, Universitas Sanata Dharma.

7. Para staff sekretariat Teknik Elektro, atas bantuannya dalam membantu dan melayani mahasiswa.

8. Kedua orang tuaku serta keluarga besarku, atas doa dan dukungannya kepada penulis. 9. Para sahabat Teknik Elektro 2013 atas doa dan dukungannya agar penulis tetap semangat

dalam menyelesaikan laporan tugas akhir ini.

(13)

xi

Pada akhirnya, penulis sangat menyadari bahwa laporan tugas akhir ini masih terdapat banyak kekurangan. Oleh karena itu, penulis sangat mengharapkan masukan, kritik dan saran yang sifatnya membangun agar laporan tugas akhir ini nantinya bisa menjadi lebih baik dan dapat bermanfaat sebagaimana mestinya.

Penulis

(14)

xii

DAFTAR ISI

HALAMAN JUDUL ……….. i

HALAMAN PERSETUJUAN ………... iii

HALAMAN PENGESAHAN ……… iv

PERNYATAAN KEASLIAN KARYA ……….... v

HALAMAN PERSEMBAHAN DAN MOTTO HIDUP ………. vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ……… vii

INTISARI ………. viii

ABSTRACT ………. ix

KATA PENGANTAR ……….. x

DAFTAR ISI ……… xii

DAFTAR GAMBAR ……… xv

DAFTAR TABEL ……… xviii

BAB I : PENDAHULUAN ………. 1

1.1. Latar Belakang ……….. 1

1.2. Tujuan dan Manfaat Penelitian ………. 2

1.3. Batasan Masalah ………... 2

1.4. Metodologi Penelitian ……….. 3

BAB II : DASAR TEORI ………. 5

2.1. Jari Tangan ………. 5

2.2. Pengolahan Citra ………... 6

2.2.2. Citra Red, Green, and Blue (RGB) ……….. 7

2.3. Hue Saturation Value (HSV) ……… 8

2.4. Wavelet ……….. 11

(15)

xiii

2.4.2. Wavelet Haar ………. 13

2.4.3. Konvolusi ……….. 14

2.5. Template Matching dan Korelasi ……….. 16

2.6. Database Citra ……….. 17

2.7. Webcam ……… 17

BAB III : RANCANGAN PENELITIAN ……… 19

3.1. Perancangan Sistem ………. 19

3.2. Proses Kerja Sistem ……….… 20

3.2.1. Input Data ………. 20

3.2.2. Konversi Citra RGB ke HSV ………... 20

3.2.3. Segmentasi HSV ……….. 21

3.2.4. Cropping dan Resizing ………. 22

3.2.5. Ekstraksi Ciri Wavelet ……….. 23

3.2.6. Perhitungan Korelasi (Template Matching) ………. 27

3.2.7. Penentuan Keluaran ………. 28

3.3. Database ………. 29

3.4. Pengujian Pose Jari Tangan ……… 33

3.4.1. Pengujian secara Real Time ………... 33

3.4.2. Pengujian secara Non Real Time ………... 33

3.5. Analisis Data Pengujian ………. 33

3.6. Ruangan Pengujian dan Pencahayaan ……… 34

3.6. Perancangan Tampilan GUI ……… 35

BAB IV : HASIL DAN PEMBAHASAN………... 40

4.1. Langkah – langkah Menjalankan Program ………... 40

4.1.1. Langkah – langkah untuk Menjalankan Program secara Real Time ……….. 40

4.1.2. Langkah – langkah untuk Menjalankan Program secara Non Real Time ……….. 44

4.2. Penjelasan Sintaks Program ………. 46

4.2.1. Penjelasan Sintaks Program secara Real Time ………... 46

4.2.1. Penjelasan Sintaks Program secara Non Real Time ……… 53

4.3. Analisis Hasil Data Pengujian ……….. 54

(16)

xiv

4.3.2. Analisis Hasil Data Pengujian Secara Non Real Time ……… 59

BAB V : KESIMPULAN DAN SARAN ………... 63

5.1. Kesimpulan ………. 63

5.2. Saran ……… 63

(17)

xv

DAFTAR GAMBAR

Halaman

Gambar 2.1. Jari Tangan ………. 5

Gambar 2.2. Bentuk Isyarat Angka 0-9 ……….. 6

Gambar 2.3. Proses Pembentukan Citra ………. 7

Gambar 2.4. Reprentasi Warna pada RGB ……… 8

Gambar 2.5. Ruang Warna HSV ………... 9

Gambar 2.6. Skala Warna HSV ……… 9

Gambar 2.7. Contoh Sintaks Program untuk Mengkonversi Citra RGB ke HSV, beserta Memplot dan Menampilkan Citranya dengan menggunakan Sintaks subplot dan imshow. ………. 10

Gambar 2.8. (a) Citra RGB (b) Citra HSV ……… 10

Gambar 2.9. Algoritma Pyramid ……….. 11

Gambar 2.10. Wavelet Haar ………. 14

Gambar 2.11. Representasi Matriks dari Penjumlahan Konvolusi, y = [ 6 25 45 39 16 12] ………. 15

Gambar 2.12. Webcam Logitech C270 yang digunakan dalam Penelitian …….. 17

Gambar 3.1. Diagram Blok Sistem ……….. 19

Gambar 3.2. Diagram Alir dari Proses Konversi Citra RGB ke HSV ………… 21

Gambar 3.3. Diagram Alir dari Proses Segmentasi HSV ……… 22

Gambar 3.4. Diagram Alir dari Proses Cropping ……… 23

Gambar 3.5. Diagram Alir dari Proses Resizing ………. 23

Gambar 3.6. Diagram Alir dari Proses Ekstraksi Ciri ……… 25

Gambar 3.7. Diagram Alir dari Proses Konvolusi ……….. 26

(18)

xvi Gambar 3.9. Diagram Alir dari Proses

Perhitungan Korelasi (Template Matching) ……… 27

Gambar 3.10. Diagram Alir dari Proses Penentuan Keluaran ……… 27

Gambar 3.11. Diagram Blok Proses Pembentukan Database ……….... 30

Gambar 3.12. Ruangan Tugas Akhir Teknik Elektro USD yang digunakan dalam Pengambilan Data ………... 34

Gambar 3.13. Tata Pencahayaan Ruangan Tugas Akhir Teknik Elektro USD ……… 34

Gambar 3.14. Tampilan GUI Sistem Pengenalan Angka dengan Pose Jari Tangan ……… 35

Gambar 3.15. Diagram Alir Proses yang Terdapat pada GUI ………... 36

Gambar 4.1. Icon Matlab R2010a ………. 40

Gambar 4.2. Tampilan Utama Matlab R2010a ………. 41

Gambar 4.3. Directory D:\TE\TA Lokasi disimpannya File GUI ………….... 41

Gambar 4.4. Pemanggilan File GUI ………. 42

Gambar 4.5. GUI Software Pengenalan Angka dengan Pose Jari Tangan …… 42

Gambar 4.6. Pemilihan Variasi Desimasi ………. 43

Gambar 4.7. Contoh Ketika GUI dijalankan untuk Pengujian Angka 9 dengan Variasi Desimasi = 3 ……… 43

Gambar 4.8. Pemanggilan File Program secara Non Real Time ………. 44

Gambar 4.9. Memasukkan Nilai Desimasi, Misalnya Desimasi = 2 ………… 44

Gambar 4.10. Citra Hasil Cropping ………. 44

Gambar 4.11. Citra Hasil Resizing ……….. 45

Gambar 4.12. Citra Hasil Ekstraksi Ciri Wavelet dengan Desimasi = 2 …… 45

Gambar 4.13. Hasil Keluaran Teks pada Command Window Matlab ………. 46

(19)

xvii Gambar 4.15. Software Logitech Webcam pada

(20)

xviii

DAFTAR TABEL

(21)

1

BAB I

PENDAHULUAN

1.1.

Latar Belakang

Seiring dengan kemajuan teknologi hingga saat ini, begitu banyak teknologi terobosan baru diciptakan guna untuk membantu manusia dalam hal-hal tertentu, misalnya dalam hal pembelajaran. Salah satu teknologi yang saat ini berkembang pesat dan banyak juga dikenal oleh para insinyur di dunia ialah teknologi image processing atau biasa disebut dalam bahasa Indonesia ialah pengolahan citra.

Pengolahan citra atau image processing merupakan bidang yang berhubungan proses transformasi citra yang bertujuan untuk mendapatkan kualitas citra yang lebih baik [1]. Salah satu contoh aplikasi image processing adalah pengenalan angka dengan pose jari tangan, dengan pola angka yang dikenali ialah pola isyarat angka American Sign Language (ASL). Pada proses pengenalan, tidak semua objek akan dikenali dan digunakan. Metode yang berfungsi untuk mereduksi piksel dibutuhkan, lalu kemudian akan digunakan sebagai ciri. Proses ini dinamakan sebagai ekstraksi ciri.

Sistem pengenalan bahasa isyarat ASL melalui jari tangan ini sebelumnya sudah pernah dilakukan, dengan pola yang dikenali ialah huruf A-Z pada ASL [2]. Metode yang digunakan ialah Personal Component Analysis (PCA) dan Haar Like Feature. Selain itu, software yang digunakan untuk membuat sistem ini ialah C Sharp dan library EmguCV. Jarak pengujian pada sistem ini ialah 10 - 90 cm.

(22)

Secara garis besar proses kerja dari sistem ini ialah mengambil citra pose jari tangan berupa citra Red, Green, and Blue (RGB), konversi citra RGB ke citra Hue Saturation Value (HSV), segmentasi HSV, cropping dan resizing, perhitungan korelasi (template matching), serta penentuan keluaran. Proses segmentasi HSV pada penelitian ini, bertujuan untuk mengambil objek yang ingin dikenali pada citra yang telah diambil. Sedangkan pada proses template matching, perhitungan nilai korelasi dilakukan berdasarkan perbandingan antara database citra yang telah dimasukkan dan citra pose jari tangan yang telah diambil dengan menggunakan webcam (data uji). Hasil dari proses pengenalan angka dengan pose jari tangan ini akan ditampilkan dengan berupa teks.

1.2.

Tujuan dan Manfaat Penelitian

Tujuan dari penelitian ini adalah menghasilkan sistem pengenalan karakter angka 0-9 berdasarkan pola isyarat ASL.

Manfaat dari penelitian ini adalah :

a. Untuk penelitian awal pengenalan kode angka berdasarkan pola isyarat ASL. b. Untuk media pembelajaran bahasa isyarat pola ASL.

1.3.

Batasan Masalah

Dalam proses pembuatan software pengenalan angka dengan pose jari tangan, peneliti menetapkan beberapa batasan masalah dalam penelitian ini, antara lain :

a. Angka yang dapat dikenali ialah angka 0 s/d 9.

b. Menggunakan pola isyarat angka jenis American Sign Language.

c. Jarak pengujian antara webcam dan jari tangan yang digunakan ialah 1 m, 1,5 m, 2 m, 2,5 m, dan 3 m.

d. Warna background yang digunakan ialah hitam. e. Orientasi jari tangan ialah tegak.

(23)

g. Ekstraksi ciri yang digunakan ialah Wavelet.

h. Metode pengenalan yang digunakan ialah Template Matching.

i. Resolusi kamera webcam yang digunakan ialah 3 MP (2048 x 1536 piksel). j. Input citra jari tangan berupa citra Red, Green, and Blue (RGB).

k. Penguji menggunakan lengan panjang. l. Tangan kiri penguji diletakkan di belakang.

m. Desimasi yang digunakan ialah desimasi 1 (32 x 32 piksel), desimasi 2 (16 x 16 piksel), dan desimasi 3 (8 x 8 piksel).

n. Ouput berupa teks.

o. Pencahayaan dalam pengambilan citra pose jari tangan dikondisikan sedemikian rupa sehingga tidak menimbulkan efek silau pada citra.

p. Hasil pengenalan real time dan non real time.

q. Menggunakan software Matlab dalam pembuatan program.

1.4.

Metodologi Penelitian

Langkah-langkah dalam pengerjaan penelitian ini:

a. Pengumpulan bahan-bahan referensi berupa buku dan jurnal-jurnal serta informasi dari website yang terpercaya.

b. Perancangan software.

Tahap ini bertujuan untuk mencari bentuk atau model yang optimal dari software yang akan dibuat dengan mempertimbangkan faktor-faktor permasalahan dan kebutuhan yang ditentukan.

c. Pembuatan software.

(24)

cropping dan resizing, perhitungan korelasi (template matching), serta penentuan keluaran. Hasil pengenalan dari citra pose jari tangan dilakukan dengan menekan push button pada GUI (secara real time) dan run pada M-File Window matlab (secara non real time). Semua proses dalam software ini akan diolah oleh komputer untuk mendapatkan hasil pengenalan.

d. Analisa dan penyimpulan.

Analisa dilakukan dengan menyelidiki besar tingkat pengenalan dan menggambar grafik dari tingkat pengenalan tersebut.

(25)

5

BAB II

DASAR TEORI

2.1. Jari Tangan

Jari merupakan suatu bagian tubuh yang berada pada tangan dan kaki manusia, baik yang sebelah kiri ataupun kanan [4]. Pada manusia normal jari tangan sebanyak lima, yaitu:

Gambar 2.1. Jari Tangan Keterangan Gambar 2.1 :

1. Jempol atau ibu jari. 2. Jari telunjuk.

3. Jari tengah merupakan jari yang paling panjang di antara jari tangan. 4. Jari manis.

5. Jari kelingking.

Jari tangan manusia sering digunakan sebagai alat komunikasi melalui gerakan pada jari tersebut. Salah satu contoh yang sering digunakan oleh para penyandang tunawicara, mereka berkomunikasi melalui gerak-gerakan yang mengandung arti tertentu.

1

2

3

4

(26)

Salah satu bentuk isyarat yang digunakan bagi para penyandang tunawicara ialah isyarat tentang pola angka seperti pada Gambar 2.2, yaitu untuk memperkenalkan angka 0-9 dengan menggunakan jari tangan dalam berbagai pose, karakter-karakter tersebut akan menunjukkan arti atau isyarat tentang pola angka.

0 1 2 3 4

5 6 7 8 9

Gambar 2.2. Bentuk Isyarat Angka 0-9

Gambar 2.2, merupakan isyarat bentuk angka pola American Sign Language [5]. Mode bahasa isyarat jenis ini yang paling banyak dikenal dan telah dipakai sebagai pedoman bahasa isyarat pada dunia internasional.

2.2. Pengolahan Citra

Citra (image) merupakan gambar pada bidang dua dimensi, dengan citra adalah dimensi spasial atau bidang yang berisi informasi warna yang tidak bergantung waktu [6].

Jika pendekatan matematis dilakukan, citra adalah fungsi yang sifatnya menerus (continue) atas intensitas cahaya pada bidang dua dimensi. Sumber cahaya menerangi objek, objek memantulkan kembali seluruh atau sebagian berkas cahaya, kemudian ditangkap oleh alat optis atau elektro-optis.

(27)

Karena cahaya merupakan bentuk energi, maka intensitas cahaya bernilai antara 0 sampai tak hingga (0 ≤ f( x,y) < ∞). Nilai f(x,y) adalah perkalian antara :

1. i(x,y) : Energi cahaya yang datang dari sumbernya (illumination), dengan nilai dari 0 sampai tak hingga, dan

2. r(x,y) : Derajat kemampuan objek memantulkan cahaya (reflection) dengan nilai antara 0 dan 1. Nilai 0 adalah penyerapan total, sedangkan nilai 1 adalah pemantulan total.

Gambar 2.3 menunjukkan proses pembentukan intensitas cahaya. Sumber cahaya menyinari objek, besar pancaran cahaya yang diterima oleh objek pada koordinat (x,y) adalah i(x,y), setelah itu objek memantulkan cahaya yang diterima dengan derajat pemantulan r(x,y).

Hasil perkalian antara i(x,y) dan r(x,y) merupakan intensitas cahaya pada koordinat (x,y) yang ditangkap oleh sensor visual pada sistem optis. Jadi dengan demikian f(x,y) = i(x,y).r(x,y) dengan : 0 ≤ i(x,y) < ∞dan 0 ≤ r(x,y) ≤ 1, sehingga 0 ≤ f(x,y) < ∞.

Gambar 2.3. Proses Pembentukan Citra [6]

Proses pra-pengolahan citra (image pre-prosessing) dilakukan untuk memperoleh citra yang mempunyai kualitas yang lebih baik daripada citra sebelumnya. Dengan cara memanipulasi parameter-parameter citra, akan menghasilkan bentuk yang lebih cocok terhadap nilai-nilai piksel citra tersebut untuk proses yang lebih lanjut.

2.2.1. Citra Red, Green, and Blue (RGB)

(28)

warna dasar memiliki intensitas tersendiri dengan nilai minimum nol (0) dan nilai maksimum 255 (8 bit). RGB berdasar pada teori bahwa mata manusia peka terhadap panjang gelombang 630 nm (merah), 530 nm (hijau), dan 450 nm (biru) [7].

Gambar 2.4. Reprentasi Warna pada RGB [7] Pada Gambar 2.4 di atas dapat dilihat bahwa :

1. RGB terdiri atas tiga warna utama, yaitu merah, hijau, dan biru.

2. Campuran antar dua warna pada RGB menghasilkan warna baru, yaitu : kuning = merah + hijau, cyan = hijau + biru, dan magenta = biru + merah.

3. Bila seluruh warna merah, hijau, dan biru dicampur akan menghasilkan warna putih.

2.3.

Hue Saturation Value (HSV)

(29)

Gambar 2.5. Ruang Warna HSV [8]

Model HSV pertama kali diperkenalkan oleh A.R Smith pada tahun 1978, yang ditunjukkan pada Gambar 2.5. Melalui model gambar tersebut, dapat diketahui bahwa HSV memiliki 3 karakteristik pokok, yaitu Hue, Saturation, dan Value. Berikut ini penjelasannya. Hue : Menyatakan warna sebenarnya, seperti merah, violet, dan kuning. Serta digunakan menentukan kemerahan (redness), kehijauan (greeness), dan sebagainya. Saturation : Kadang disebut chroma, adalah kemurnian atau kekuatan warna. Value : Kecerahan dari warna. Nilainya berkisar antara 0-100 %. Apabila nilainya 0

maka warnanya akan menjadi hitam. Semakin besar nilai value, maka semakin cerah dan akan muncul variasi-variasi baru dari warna tersebut.

Selain penjelasan di atas, berikut ini penjelasan tambahan tentang skala 3 komponen warna HSV berdasarkan Gambar 2.6.

(30)

Hue : Mewakili 360 derajat warna, dengan nilai warnanya dapat dilihat pada gambar (b).

Saturation : Pada panah horizontal yang berwarna hitam, mempunyai nilai antara 0 hingga 100 atau 0 sampai 1. Nilai 0 untuk warna putih dan jika semakin besar maka merujuk kepada warna asli dari hue.

Value : Pada panah vertikal yang berwarna putih, nilai sama dengan saturation. Nilai 0 mengacu pada hitam, sedangkan jika semakin besar akan menghasilkan warna asli dari hue.

[image:30.595.89.520.274.696.2]

Untuk memperoleh citra HSV yang ingin dikonversi dari citra RGB pada software matlab, sintaks program utama yang digunakan ialah rgb2hsv. Untuk lebih jelasnya, Gambar 2.7 dan 2.8 contoh pengimplementasiannya pada suatu citra.

Gambar 2.7. Contoh Sintaks Program untuk Mengkonversi Citra RGB ke HSV, beserta Menampilkan Citranya dengan Menggunakan Sintaks subplot dan imshow.

(a)

(b)

(31)

2.4. Wavelet

2.4.1. Wavelet Secara Umum

Menurut Sydney [10], Wavelet merupakan gelombang mini (small wave) yang

memiliki kemampuan dalam mengelompokkan energi citra dan terkonsentrasi pada sekelompok kecil koefisien, sedangkan kelompok koefisien lainnya hanya mengandung sedikit energi yang mampu dihilangkan tanpa mengurangi nilai informasinya. Wavelet telah banyak digunakan dalam berbagai bidang seperti pengolahan citra. Pada umumnya wavelet biasa digunakan untuk menyajikan data atau fungsi ke dalam komponen-komponen frekuensi yang berlainan. Proses ini dinamakan dengan proses dekomposisi dan kemudian mengkaji setiap komponen dengan suatu resolusi yang sesuai dengan skalanya. Transformasi wavelet merupakan pengubahan sinyal ke dalam berbagai basis wavelet dengan berbagai pergeseran dan penyekalaan. Oleh karena itu, koefisien wavelet dari beberapa skala atau resolusi dapat dihitung dari koefisien wavelet pada resolusi tinggi berikutnya. Hal ini memungkinkan pengimplementasian transformasi wavelet menggunakan struktur pohon yang dikenal dengan algoritma piramid (pyramid algorithm), yang dapat dilihat pada Gambar 2.9.

CAj

[image:31.595.84.527.220.637.2]

Gambar 2.9. Algoritma Pyramid h(n)

g(n)

2 1

2 1

h(n)

g(n)

h(n)

g(n)

1 2

1 2

1 2

1 2

baris

baris

kolom

kolom

kolom

kolom

CA

+

CD

+

CD

+v
(32)

Keterangan Gambar 2.9 : baris

: konvolusi baris dengan tapis g(n) atau h(n) kolom

: konvolusi kolom dengan tapis g(n) atau h(n)

: sampling dengan menjaga kolom yang genap

: sampling dengan menjaga baris yang genap

Dekomposisi wavelet satu level berdasarkan algoritma pyramid. Dengan h(n) adalah tapis pelewat bawah, g(n) adalah tapis pelewat atas CA j(LL) adalah koefisien rerata, CDj(h)

(HL), CDj(v)(LH), dan CDj(d)(HH) yang masing-masing adalah koefisien detil horizontal,

vertical, dan diagonal.

Proses dekomposisi tersebut dapat dilakukan sebanyak lebih dari satu kali, yaitu

sebanyak jumlah level yang telah ditentukan sebelumnya. Untuk melakukan dekomposisi

lebih dari satu kali, proses dekomposisi selanjutnya dekomposisi pada koefisien aproksimasi

(cA) atau LL dilakukan, karena berisi sebagian besar dari informasi citra. Kemudian

diperoleh 4 subband lagi, yaitu LL1, LH1, HL1 dan HH1. Begitu seterusnya hingga

mencapai level yang diinginkan. Sebagai contoh, terdapat citra dengan matriks input sebagai

berikut :

M = [

]

Tapis low pass dan tapis high pass dengan jenis haar adalah sebagai berikut:

��� � = [ √ √

] ���ℎ � = [

√ −√ ]

Langkah pertama adalah mengalikan tapis low pass dengan matriks M terhadap baris. Untuk memudahkan perkalian terhadap baris dilakukan transpose pada matriks M,

sehingga diperoleh :

X

X

2 1

(33)

M = [ ]

Kemudian, perkalian matriks MT dengan tapis low pass dilakukan dengan menghasilkan matriks D1T.

D =

[

√ √

√ √ ] x [

] = [ , , , , , , , , ]

Untuk mengembalikan ke baris dan kolom sebenarnya, proses transpose kembali pada matriks D1T dilakukan.

D = [

, , , , , , , ,

]

Langkah selanjutnya adalah melakukan perkalian tapis low pass dengan matriks D1

terhadap kolom. Proses tersebut menghasilkan matriks D2, sebagai berikut :

D =

[

√ √

√ √ ] x [

, , , , , , , ,

] = [ , ]

Matriks D2 ini yang disebut dengan koefisien aproksimasi (LL). Untuk mencari

nilai HL, LH dan HH, sama seperti langkah di atas, namun dengan mengalikan tapis low

pass terhadap baris dan tapis high pass terhadap kolom untuk HL, mengalikan tapis high

pass terhadap baris dan tapis low pass terhadap kolom untuk LH, dan mengalikan tapis high

pass terhadap baris dan kolom untuk HH.

2.4.2. Wavelet Haar

(34)

pass) dan h =(h , h )= { , − } (tapis high pass) ini merupakan fungsi basis wavelet Haar. Pada citra, tapis high pass dan tapis low pass dapat direprentasikan sebagai matriks 2D. Dekomposisi perataan dan pengurangan yang telah dilakukan sebelumnya sebenarnya sama dengan melakukan dekomposisi (transformasi) citra dengan wavelet Haar. Kedua tapis tersebut bersifat ortogonal namun tidak ortonormal. Tapis Haar yang bersifat ortogonal dan juga ortonormal adalah :

h = { , } (2.1)

[image:34.595.81.521.205.651.2]

h = { , − } (2.2)

Gambar 2.10. Wavelet Haar

2.4.3. Konvolusi

Konvolusi merupakan sebuah operasi matematika sederhana yang sangat umum digunakan pada pengolahan citra [10]. Jika ada dua barisan u dan h maka hasil konvolusinya (y) dapat dinyatakan dalam persamaan:

y = ∑∞= −∞u h − (2.3)

Secara singkat, notasi yang digunakan untuk konvolusi adalah :

{y } = {u } ∗ {h } atau y = u ∗ h (2.4) Yang berarti juga bahwa konvolusi mempunyai sifat yang komutatif, yaitu:

(35)

Matriks dapat memudahkan dalam perhitungan konvolusi. Seperti Gambar 2.11 merupakan contoh penyelesaian sebuah konvolusi dari dua baris u = {2 5 6} dan h = {3 5 1 2}.

X 3 5 1 2

2 6 10 2 4

5 15 25 5 10

[image:35.595.83.522.173.659.2]

6 18 30 6 12

Gambar 2.11. Representasi Matriks dari Penjumlahan Konvolusi, y = [ 6 25 45 39 16 12]

Masukan yang diterima, dapat digunakan sebagai low pass filter. Low pass filter dari sinyal x(n) dengan masukan w(n) adalah suatu proses konvolusi antara x(n) dengan w(n). Bila sinyal x(n) memiliki panjang yang terbatas dan juga ujung-ujung sinyalnya diskontinyu, akan mengakibatkan distorsi pada ujung-ujung sinyal dari hasil konvolusi. Terdapat suatu metode memperpanjang sinyal x(n) dengan cara sinyal pengulangan yang disebut periodisasi. Metode ini untuk mengatasi masalah akan sinyal x(n) yang memiliki panjang terbatas yang diusulkan oleh Misiti et al [10]. Berikut contoh dari metode tersebut, x(n) = {x(1), x(2), ..., x(M)} yang akan dikonvolusi dengan masukan w(n)= {w(1), w(2), ..., w(N)}, dengan N adalah bilangan genap dan M>N, sehingga sinyal pengulangan dengan cara periodisasi akan menjadi :

xper(n) = {x(M-j+ ,…,x M ,x ,…,x M ,x ,…,x N-1)} (2.6)

dengan : j = N/2

Konvolusi sinyal yang diperpanjang xper (n) dengan masukan w(n) akan

menghasilkan sinyal keluaran :

(36)

atau

y n = ∑ xp r n w j + − n (2.8)

dengan M + N– 1 lebih besar dari panjang x(n). Agar sinyal output memiliki panjang yang sama dengan sinyal input, maka hanya bagian-bagian tertentu dari sinyal output yang dipilih. Contohnya y(n)= {y(1), y(2), … , y(L)}, dengan L= M + N – 1, jadi yang dipilih bagian-bagian tertentu dari y(n) adalah :

�keep (n) = {y N+ ,…,y N+M } (2.9)

2.5. Template Matching dan Korelasi

Template matching merupakan metode pencocokan setiap piksel pada suatu matriks citra digital dengan citra yang menjadi acuan (database citra) [11]. Pencocokan citra yang menghasilkan tingkat kemiripan/kesamaan yang tinggi menentukan suatu citra tersebut dapat dikenali.

Data uji dan database citra, menghasilkan data berupa matriks, dan akan dicari nilai kesamaan antar dua buah matriks tersebut dengan menghitung nilai korelasinya. Nilai korelasi antar dua buah matriks diperoleh dengan menggunakan rumus korelasi seperti yang ditunjukkan pada Persamaan 2.10 berikut ini.

r = ∑nk= x k− x̅̅̅ . x k− x̅̅̅̅

√∑n x k− x̅̅̅

k= .∑nk= x k− x̅̅̅̅

(2.10) Nilai x̅ dirumuskan dengan Persamaan 2.10 dan x̅̅̅ dirumuskan dengan Persamaan 2.11.

x̅ = ∑ = x (2.11) x̅̅̅ = ∑ = x (2.12)

Keterangan Persamaan 2.10 – 2.12 :

 r adalah nilai korelasi antara dua buah matriks (rentang nilai antara -1 dan +1)

 xak adalah nilai piksel ke-k dalam matriks a

 xbk adalah nilai piksel ke-k dalam matriks b

(37)

 x̅b adalah rata-rata nilai piksel matriks b

 n adalah jumlah piksel dalam suatu matriks

2.6. Database Citra

Database citra adalah suatu citra acuan yang digunakan untuk dibandingkan dengan data uji berdasarkan fungsi yang digunakan, apakah fungsi jarak atau similaritas. Database citra ini tersusun atas matriks dengan pada setiap elemennya terdapat nilai-nilai yang akan digunakan untuk menghitung besar jarak dan similaritasnya. Proses pembentukan database citra ini diperoleh dari hasil rata-rata beberapa sampel citra, jika sampel citra yang banyak. Untuk lebih jelasnya berikut ini persamaannya :

� � Citra = p C tr + p C tr + ...+ p C tr [12] (2.13)

2.7. Webcam

[image:37.595.84.527.247.689.2]

Webcam atau Kamera web merupakan kamera video yang menyediakan aliran gambar dengan waktu sebenarnya yang dikendalikan oleh sebuah komputer atau jaringan komputer. Ketika diambil oleh komputer, aliran video dapat disimpan, dilihat, atau dikirim ke jaringan lain melalui sistem seperti internet dan e-mail sebagai lampiran [13]. Tidak seperti kamera IP (yang terhubung menggunakan Ethernet atau Wi-Fi), kamera web umumnya dihubungkan dengan kabel USB atau dibangun ke dalam perangkat keras komputer, seperti laptop.

(38)

Spesifikasi Teknis Webcam Logitech C270 [15] :

 Panggilan video HD (1280 x 720 piksel) dengan sistem yang telah direkomendasikan.

 Perekaman video : Maksimum hingga 1280 x 720 piksel.

Foto : Maksimum hingga 3 megapiksel (ditingkatkan menggunakan software).

Mikrofon bawaan dengan teknologi Logitech RightSound.

Bersertifikat Hi-Speed USB 2.0 (direkomendasikan).

 Klip universal cocok dengan berbagai laptop dan monitor LCD atau CRT.

(39)

19

BAB III

RANCANGAN PENELITIAN

Bab 3 ini akan menjelaskan tentang langkah-langkah perancangan pembuatan sistem pengenalan angka dengan pose jari tangan. Bab ini berisi blok diagram sistem dan berbagai hal yang diperlukan dalam perancangan.

3.1. Perancangan Sistem

[image:39.595.87.528.207.743.2]

Perancangan sistem pengenalan angka dengan pose jari tangan ini terdiri dari beberapa tahap, yaitu masukan berupa citra RGB, konversi citra RGB ke HSV, segmentasi HSV, ekstraksi ciri wavelet, perhitungan korelasi (template matching), dan penentuan keluaran. Blok diagram sistem pengenalan angka dengan pose jari tangan ini dapat dilihat pada Gambar 3.1.

Gambar 3.1. Diagram Blok Sistem Pengambilan Citra

(Citra RGB)

Konversi ke citra RGB ke

HSV

Segmentasi HSV

Perhitungan Korelasi (Template Matching)

Ekstraksi Ciri Wavelet Penentuan

Keluaran

Database

(40)

Pada Gambar 3.1, proses pengambilan citra dilakukan oleh webcam. Setelah itu citra yang telah diambil akan diproses lebih lanjut pada laptop melalui beberapa tahap yang terdapat pada diagram blok sistem. Sistem pengenalan angka dengan pose jari tangan terdiri dari software yang berfungsi sebagai user interface. Program pengenalan angka dengan pose jari tangan ini dibuat dengan menggunakan matlab versi R2010a. Program berperan dalam mengatur setiap proses yang akan dilalui untuk mendapatkan hasil pengenalan angka. Sistem pengenalan angka dengan pose jari tangan ini dibuat dengan hasil pengenalan secara real time dan non real time

.

3.2. Proses Kerja Sistem

3.2.1. Input Data

Input data yang digunakan dalam sistem ini adalah citra pose jari tangan. Citra pose jari tangan diambil dengan menggunakan webcam yang mempunyai resolusi 3 MP. Jarak pengambilan citra pose jari tangan dengan webcam adalah 1 - 3 m dengan tujuan untuk melihat dan membandingkan berapa banyak angka yang dapat dikenali pada beberapa jarak pengujian tersebut.

3.2.2. Konversi Citra RGB ke HSV

(41)
[image:41.595.86.520.71.657.2]

Gambar 3.2. Diagram Alir dari Proses Konversi Citra RGB ke HSV

3.2.3. Segmentasi HSV

Pada tahap ini, citra pose jari tangan yang telah dikonversi ke HSV akan disegmentasi. Dengan segmentasi menggunakan HSV ini, dapat ditentukan kelompok warna mana yang diinginkan, apakah kelompok hue, saturation, atau value. Dalam penelitian ini, kelompok HSV saturation dan value yang digunakan. Hal ini menyesuaikan dengan warna kulit dalam data penelitian yang akan digunakan. Awalnya akan disegmentasi bagian kulit terlebih dahulu berdasarkan nilai ambang S (Saturation) dan V (Value) (akan dievaluasi pada Bab IV). Setelah mendapatkan bagian kulit, pengambilan bagian tangan dilakukan. Dalam proses ini, awalnya perhitungan luasan objek pada citra dan mengambil objek yang memiliki luasan kedua terbesar, yaitu bagian tangan dilakukan. Untuk lebih jelasnya, berikut diagram alir dari proses segmentasi HSV pada Gambar 3.3.

Mulai

Input :

Citra RGB (Nilai R,G, dan B)

Konversi ke HSV Berdasarkan Nilai R,

G, dan B

Output :

Citra HSV

(42)
[image:42.595.85.509.78.607.2]

Gambar 3.3. Diagram Alir dari Proses Segmentasi HSV

3.2.4. Cropping dan Resizing

Pada tahap ini, citra pose jari tangan yang telah disegmentasi menggunakan HSV, akan masuk ke dalam proses cropping dan resizing. Kedua proses ini bertujuan untuk memotong bagian citra yang akan dikenali berdasarkan bounding box dan mengubah ukuran atau size citra menjadi ukuran 64 x 64 piksel [16]. Diagram alir dari proses cropping dan resizing terdapat pada Gambar 3.4 dan 3.5.

Mulai

Input :

Citra HSV

Segmentasi Kulit (Bagian Muka dan Tangan) Berdasarkan Nilai Ambang

S dan V

Pengambilan Objek yang Memiliki Luasan Kedua Terbesar (Bagian Tangan)

Output :

Citra Hasil Segmentasi HSV

(43)
[image:43.595.86.509.87.630.2]

Gambar 3.4. Diagram Alir dari Proses Cropping

Gambar 3.5. Diagram Alir dari Proses Resizing Mulai

Input :

Citra Hasil Segmentasi HSV

Potong Bagian Tangan sesuai Bounding Box

Output :

Citra Hasil Cropping

Selesai

Input :

Citra Hasil Cropping

Mulai

(44)
[image:44.595.83.524.85.622.2]

Gambar 3.5. (Lanjutan) Diagram Alir dari Proses Resizing

3.2.5. Ekstraksi Ciri Wavelet

Pada tahap ini, citra pose jari tangan hasil cropping dan resizing, akan masuk ke dalam proses ekstraksi ciri Wavelet. Wavelet adalah ekstraksi ciri yang digunakan dalam tahap pengambilan ciri pada suatu citra. Dalam penelitian ini, Wavelet yang digunakan ialah wavelet Haar dengan memiliki 4 macam filter, tetapi dalam penelitian ini hanya dekomposisi low pass filter yang digunakan, karena hanya bentuk dasar dari citra yang akan dicari. Wavelet Haar dilakukan dengan menerapkan konvolusi dan dekomposisi low pass filter secara simultan untuk mendapatkan sinyal global. Secara keseluruhan tahap ekstraksi ciri dapat dilihat pada Gambar 3.6. Input dari proses ekstraksi ciri adalah citra hasil cropping dan resizing yang kemudian akan dikonvolusi dan dilanjutkan pada tahap downsampling. Output dari ekstraksi ciri tergantung dari banyaknya desimasi (N) yang akan ditentukan oleh penguji. Tahap ini akan melakukan pengulangan sampai menghasilkan N = 0.

Resizing ke Ukuran 64 x 64 Piksel

Output :

Citra Hasil Resizing

(45)
[image:45.595.83.513.84.608.2]

Gambar 3.6. Diagram Alir dari Proses Ekstraksi Ciri

Tahap konvolusi merupakan tahap untuk melakukan filtering, menggunakan dekomposisi low pass filter pada wavelet Haar. Tahap konvolusi ini berada pada bidang dimensi dua, oleh karena itu konvolusi diterapkan sebanyak dua kali, yaitu pada kolom dan baris citra input. Dari masukan berupa citra hasil cropping dan resizing yang kemudian akan dikonvolusi per-baris dan per-kolom (lihat Gambar 3.7.).

Mulai

Input :

Citra Hasil Cropping dan Resizing

Desimasi = N

Konvolusi Menggunakan

Wavelet Haar

N = N-1

N=0 ?

Output :

Hasil Ekstraksi Ciri

Selesai Ya Tidak

(46)

Gambar 3.7. Diagram Alir dari Proses Konvolusi

Tahap downsampling adalah tahap setelah konvolusi, dengan hasil dari konvolusi merupakan masukan untuk downsampling. Untuk memproses masukan ada dua proses, yaitu menghilangkan baris dan kolom ganjil dengan menjaga baris dan kolom genap seperti diperlihatkan pada Gambar 3.8.

Gambar 3.8. Diagram Alir dari Proses Downsampling Mulai

Input :

Citra Hasil Cropping dan Resizing

Konvolusi (1D) dengan Ekstensi per-Baris Konvolusi (1D) dengan

Ekstensi per-Kolom

Output :

Hasil Konvolusi 2D

Selesai

Mulai

Input :

Hasil Konvolusi 2D

Menghilangkan Baris Ganjil

(47)

Gambar 3.8. (Lanjutan) Diagram Alir dari Proses Downsampling

3.2.6. Perhitungan Korelasi (Template Matching)

Pada tahap ini, citra pose jari tangan yang telah diekstraksi ciri dengan menggunakan wavelet, selanjutnya akan masuk ke dalam proses perhitungan korelasi dan pada proses ini juga mencakup proses template matching. Tahap ini adalah tahap membandingkan citra masukan pose jari tangan yang diambil dengan database citra pola angka ASL 0 – 9 yang telah dimasukkan sebelumnya dan dalam tahap ini juga digunakan fungsi korelasi. Proses perhitungan korelasi (template matching) akan berdasar pada Persamaan 2.10 – 2.12 pada Bab II dan direpresentasikan pada diagram alir Gambar 3.9.

Gambar 3.9. Diagram Alir dari Proses Perhitungan Korelasi (Template Matching) Menghilangkan

Kolom Ganjil

Output :

Hasil Downsampling (Hasil Ekstraksi Ciri)

Selesai

Mulai

Input :

Hasil Ekstraksi Ciri Masukan, Ekstraksi Ciri

Database

(48)

Gambar 3.9. (Lanjutan) Diagram Alir dari Proses Perhitungan Korelasi (Template Matching)

3.2.7. Penentuan Keluaran

Setelah melalui beberapa proses, tahap terakhir dari sistem pengenalan angka dengan pose jari tangan ini ialah keluaran berupa teks. Proses penentuan keluarannya ditentukan berdasarkan perhitungan nilai korelasi yang terbaik (yang paling tinggi). Diagram alir dari proses penentuan keluaran dapat dilihat pada Gambar 3.10.

Gambar 3.10. Diagram Alir dari Proses Penentuan Keluaran Output :

Hasil Perhitungan Nilai Korelasi

Perhitungan Korelasi = Ekstraksi Ciri Data Masukan dengan Ekstraksi Ciri Database

Selesai D

Mulai

Input :

Hasil Perhitungan Nilai Korelasi (r)

(49)

Gambar 3.10. (Lanjutan) Diagram Alir dari Proses Penentuan Keluaran

3.3. Database

Database diperlukan pada proses perhitungan korelasi (template matching). Pembentukan dari database terdiri dari angka 0-9 mengikuti pola isyarat American Sign Language. Pembentukan database diambil dari citra pose jari tangan hasil ekstraksi ciri wavelet. Ukuran piksel dari database ini tersusun atas matriks yang selanjutnya akan terdapat 3 variasi citra. Ketiga variasi ini mengikuti banyaknya desimasi yang diinginkan, yaitu 3 kali desimasi. Untuk desimasi 1 : 32 x 32 piksel, desimasi 2 : 16 x 16 piksel, dan desimasi 3 : 8 x 8 piksel [16]. Database hasil ekstraksi ciri yang dibentuk ialah sebanyak 3 matriks. Matriks database ini diperoleh dari hasil perhitungan rerata matriks citra pola isyarat angka ASL dari 5 variasi jarak pada setiap variasi citranya. Diagram blok proses pembentukan database ditunjukkan pada Gambar 3.11.

Citra Keluaran = Nilai Korelasi yang Terbaik

Output : Hasil Berupa

Teks E

(50)

Gambar 3.11. Diagram Blok Proses Pembentukan Database

Setelah melihat diagram blok dari proses pembentukan database pada Gambar 3.11, berikut ini pola persamaan pembentukan database hasil ekstraksi ciri berdasar Persamaan 2.13 pada Bab II :

Citra � � ASL = p C tr A L + p C tr A L + ...+5 p C tr A L 5 Dari pola persamaan pembentukan database di atas, berikut ini pencerminan persamaan pembentukan database hasil ekstraksi ciri dalam bentuk matriks pada setiap variasi citra.

Contoh Pola Perhitungan Rerata untuk Angka 0 Menggunakan Citra 32 x 32

Piksel :

0_1m 0_1,5m 0_3m Hasil Rerata

[ A , A , A , . . .

A , ]

+ [ A , A , A , . . .

A , ]

+ … … … … + [ A , A , A , . . .

A , ]=

[

A ′ ,A ′ , A ′ ,

. . .

A ′ , ]

Pengambilan Citra (Citra RGB) Konversi RGB ke HSV Segmentasi HSV Ekstraksi Ciri Wavelet Database

(51)

Contoh Pola Perhitungan Rerata untuk Angka 0 Menggunakan Citra 16 x 16 Piksel :

0_1m 0_1,5m 0_3m Hasil Rerata

[ A , A , A , . . . A , ]

+ [ A , A , A , . . . A , ]

+ … … … … + [ A , A , A , . . .

A , ]=

[

A ′ ,A ′ , A ′ , . . . A ′ , ]

Contoh Pola Perhitungan Rerata untuk Angka 0 Menggunakan Citra 8 x 8

Piksel :

0_1m 0_1,5m 0_3m Hasil Rerata

[ A , A , A , . . . A , ]

+ [ A , A , A , . . . A , ]

+ … … … … + [ A , A , A , . . .

A , ]=

[

A ′ ,

A ′ , A ′ , . . . A ′ , ]

(52)

Susunan Matriks Database Hasil Rerata Citra 32 x 32 Piksel :

0 1 2 …… 9

[

A ′ ,A ′ , A ′ ,

.. .

A ′ ,

B ′ , B ′ , B ′ ,.

..

B ′ ,

C ′ ,

C ′ , C ′ ,. ..

C ′ ,

J ′ ,

J ′ , … … … . . J ′ ,

. . . J ′ ,

]

Susunan Matriks Database Hasil Rerata Citra 16 x 16 Piksel :

0 1 2 …… 9

[

AA ′′ ,,

A ′ ,

.. . A ′ ,

B ′ ,

B ′ ,

B ′ ,

. .. B ′ ,

C ′ ,

C ′ ,

C ′ ,

. .. C ′ ,

J ′ ,

J ′ ,

… … … . . J ′ ,

. . . J ′ ,

]

Susunan Matriks Database Hasil Rerata Citra 8 x 8 Piksel :

0 1 2 …… 9

[

AA ′′ ,,

A ′ ,

.. . A ′ ,

B ′ ,

B ′ ,

B ′ ,

. .. B ′ ,

C ′ ,

C ′ ,

C ′ ,

. .. C ′ ,

J ′ ,

J ′ ,

… … … . . J ′ ,

. . . J ′ ,

]

Angka Uji

(53)

3.4. Pengujian Pose Jari Tangan

3.4.1.

Pengujian secara Real Time

Pada prinsipnya, pengujian secara real time akan diakses melalui GUI (Graphical User Interface), yang dapat dilihat bentuk perancangannya pada subbab 3.7. Untuk memulai pengujian, pertama-tama penguji menakan push button “Ambil Gambar”, lalu setelah itu citra pose jari tangan akan melalui beberapa proses seperti konversi RGB ke HSV, segmentasi HSV, ekstraksi ciri wavelet, perhitungan korelasi (template matching), serta penentuan keluaran. Dalam pengujian secara real time ini, 500 data pengujian digunakan. Angka ini diperoleh dari terdapatnya 2 orang sampel dalam pengujian, yaitu tangan orang lain dari 5 variasi jarak uji, yaitu 1 m ,1,5 m, 2 m, 2,5 m, dan 3 m, dengan pengambilan sampel tiap pola angka ASL sebanyak 5 kali . Selain itu data dari pengujian secara real time ini, proses cropping, resizing, dan ekstraksi ciri wavelet akan ditampilkan secara otomatis melalui GUI, yang desainnya dapat dilihat pada Gambar 3.14.

3.4.2.

Pengujian secara Non Real Time

Pada prinsipnya, pengujian secara non real time proses-proses yang dilalui sama dengan pengujian secara real time. Namun proses hasil cropping, resizing, dan ekstraksi ciri wavelet akan ditampilkan secara manual melalui figure pada matlab, sedangkan untuk keluaran teks akan ditampilkan melalui command window pada matlab. Dalam pengujian secara non real time ini, 50 data pengujian digunakan. Angka ini diperoleh dari terdapatnya 1 orang sampel dalam pengujian, yaitu tangan orang lain dari 5 variasi jarak uji, yaitu 1 m ,1,5 m, 2 m, 2,5 m, dan 3 m.

3.5.

Analisis Data Pengujian

Dalam menghitung besar tingkat pengenalannya, pola persamaan yang digunakan ialah sebagai berikut :

(54)

3.6.

Ruangan Pengujian dan Pencahayaan

Dalam pengambilan data sistem pengenalan angka dengan pose jari tangan ini, ruangan dan tata pencahayaan yang digunakan ditunjukkan pada Gambar 3.11 dan 3.12. Penyesuaian ruangan dan pencahayaan dimaksudkan untuk memperoleh data yang akurat khususnya pada bagian segmentasi HSV. Jika pencahayaan pada ruangan tidak akurat, maka objek yang tidak diinginkan akan ikut terambil.

Gambar 3.12. Ruangan Tugas Akhir Teknik Elektro USD yang digunakan dalam Pengambilan Data

Gambar 3.13. Tata Pencahayaan Ruangan Tugas Akhir Teknik Elektro USD

4 lampu dimatikan agar warna kulit tidak berubah karena cahaya dari lampu.

(55)

3.7. Perancangan Tampilan GUI

Tampilan interface pada perancangan sistem pengenalan huruf menggunakan GUI pada matlab yang bertujuan untuk membantu dalam proses pengenalan pose jari tangan. Secara keseluruhan sistem tersebut dapat dilihat pada Gambar 3.14.

[image:55.595.86.525.193.639.2]

Gambar 3.14. Tampilan GUI Sistem Pengenalan Angka dengan Pose Jari Tangan

Pengenalan Angka dengan Pose Jari Tangan

Kamera

Kamera Aktif Ambil Gambar

Cropping Resizing

Ekstraksi Ciri Wavelet Variasi Desimasi

(56)

Berdasarkan desain GUI pada Gambar 3.14, berikut ini pada Gambar 3.15 diagram alir dari proses yang terdapat pada GUI.

Gambar 3.15. Diagram Alir Proses yang Terdapat pada GUI Mulai

Input :

Tombol “Kamera Aktif”

Mengaktifkan Kamera

Kamera Aktif ?

[image:56.595.85.504.153.728.2]

Output :

Gambar Tertampil

Input : Tombol “Ambil

Gambar”

F Tidak

Ya

(57)

Gambar 3.15. (Lanjutan) Diagram Alir Proses yang Terdapat pada GUI Mengambil Gambar

[image:57.595.89.504.44.745.2]

Output :

Gambar Terambil

Input :

Variasi Desimasi, Tombol “Proses”

Proses Cropping, Resizing, Ekstraksi Ciri Wavelet, dan

Keluaran Teks

Output :

Hasil Proses Cropping, Resizing, Ekstraksi Ciri Wavelet, dan Keluaran Teks

Ulang ?

G I

Tidak

Ya

(58)
[image:58.595.86.510.53.740.2]

Gambar 3.15. (Lanjutan) Diagram Alir Proses yang Terdapat pada GUI Input :

Tombol “Reset”

Membersihkan GUI

Output :

GUI Bersih

Selesai Memakai

GUI ?

Input : Tombol “Keluar”

Menutup GUI

H

Tidak

Ya I

(59)
[image:59.595.86.510.58.631.2]

Gambar 3.15. (Lanjutan) Diagram Alir Proses yang Terdapat pada GUI Output :

GUI Tertutup

(60)

40

BAB IV

HASIL DAN PEMBAHASAN

Bab ini akan membahas mengenai langkah-langkah untuk menjalankan software pengenalan angka dengan pose jari tangan baik secara real time maupun non real time, sintaks program yang digunakan, serta menganalisis data hasil pengujian. Pengujian sistem pengenalan angka dengan pose jari tangan ini menggunakan pola angka ASL, yaitu dari 0 s/d 9 dari 5 variasi jarak yang digunakan, yaitu 1 m, 1,5 m, 2 m, 2,5 m, dan 3 m.

Spesifikasi laptop yang digunakan dalam pengujian software pengenalan angka dengan pose jari tangan ini ialah sebagai berikut :

1. Merk dan Tipe Laptop : Asus X454W Series

2. Prosesor : AMD Dual Core E1-6010 1.35 GHz

3. RAM : 2 GB

4. Versi Matlab : R2010a

5. Sistem Operasi : Windows 8 64 bit

4.1. Langkah-langkah Menjalankan Program

4.1.1. Langkah-langkah untuk Menjalankan Program secara Real Time

1. Pertama, buka software matlab terlebih dahulu dengan cara meng-klik kiri sebanyak

[image:60.595.82.529.222.672.2]

2 kali pada icon matlab (lihat Gambar 4.1). Setelah meng-klik kiri, akan muncul tampilan utama matlab seperti pada Gambar 4.2.

(61)
[image:61.595.87.526.103.633.2]

Gambar 4.2. Tampilan Utama Matlab R2010a

2. Kedua, ubah current folder sesuai lokasi disimpannya program yang telah dibuat (lihat Gambar 4.3), lalu ketik “guiangka” (contoh nama file GUI yang dibuat) pada command window untuk menjalankan file GUI yang telah dibuat (lihat Gambar 4.4), kemudian tekan enter.

(62)

Gambar 4.4. Pemanggilan File GUI

3. Ketiga, setelah menekan enter, maka GUI siap digunakan untuk pengujian secara real time. Untuk lebih jelasnya, lihat pada Gambar 4.5.

[image:62.595.88.527.212.624.2]

Gambar 4.5. GUI Software Pengenalan Angka dengan Pose Jari Tangan

Pada tampilan GUI Gambar 4.5, terdapat beberapa pushbutton yang digunakan, serta 1 buah popupmenu. Berikut ini penjelasan tentang fungsi pushbutton dan popupmenu yang digunakan pada GUI.

a. Pushbutton “Kamera Aktif” : Untuk melihat apakah kamera sudah aktif atau belum (axes 1).

b. Pushbutton “Ambil Gambar” : Untuk mengambil gambar (axes 1).

c. Pushbutton “Proses” : Untuk menampilkan hasil cropping (axes 2), resizing (axes 3), ekstraksi ciri wavelet (axes 4), dan keluaran teks (edit 3).

d. Pushbutton “Reset” : Untuk membersihkan setiap axes, popupmenu, dan edit pada GUI. e. Pushbutton “Keluar” : Untuk menutup GUI.

(63)

f. Popupmenu “Variasi Desimasi” : Untuk memilih variasi desimasi yang diinginkan, apakah variasi desimasi 1, 2, atau 3 (lihat Gambar 4.6). Hasil dari pemilihan variasi desimasi ini ditampilkan pada axes 4 (ekstraksi ciri wavelet).

[image:63.595.84.535.170.623.2]

Gambar 4.6. Pemilihan Variasi Desimasi

(64)

4.1.2. Langkah-langkah untuk Menjalankan Program secara Non Real

Time

1. Pertama, ulangi langkah 1 s/d 2 sama seperti langkah-langkah untuk menjalankan

[image:64.595.86.526.194.742.2]

program secara real time. Namun contoh nama file program yang digunakan secara non real time ini ialah “kenalwav2”, sehingga pada command window pada matlab ketik “kenalwav2” (lihat Gambar 4.8). Setelah itu input desimasi yang diinginkan (lihat Gambar 4.9.), lalu tekan enter untuk menampilkan hasil cropping, resizing, ekstraksi ciri wavelet, dan keluaran teks.

Gambar 4.8. Pemanggilan File Program secara Non Real Time

Gambar 4.9. Memasukkan Nilai Desimasi, misalnya Desimasi = 2

2. Kedua, setelah menekan enter, tunggu beberapa saat hingga hasil cropping, resizing, dan ekstraksi ciri wavelet ditampilkan pada figure matlab dan hasil keluaran teks pada command window matlab (lebih jelasnya lihat Gambar 4.10 – 4.13).

(65)
[image:65.595.89.527.90.612.2]

Gambar 4.11. Citra Hasil Resizing

(66)
[image:66.595.84.516.71.702.2]

Gambar 4.13. Hasil Keluaran Teks pada Command Window Matlab

4.2. Penjelasan Sintaks Program

4.2.1. Penjelasan Sintaks Program secara Real Time

Untuk sintaks program secara real time, pushbutton dan popupmenu yang terdapat pada GUI akan diisi sintaks program tertentu agar nantinya GUI dapat berjalan dengan baik. Untuk lebih jelasnya, berikut ini penjelasannya.

a. Pushbutton “Kamera Aktif”

Untuk menjalankan pushbutton ini, maka diisi sintaks berikut :

imaqhwinfo;

info=imaqhwinfo('winvideo');

dev_info=imaqhwinfo('winvideo',1);

vidobj=videoinput('winvideo',1,'RGB24_1280x960'); vidobj.FramesPerTrigger=1;

triggerconfig(vidobj,'manual');

(67)

imWidth=1280; imHeight=960;

nBands=get(vidobj,'NumberOfBands');

hImage=image(zeros(imHeight,imWidth,nBands),'parent',handles.axes1); preview(vidobj,hImage)

Berdasarkan sintaks program di atas, dapat dilihat terdapat sintaks imaqhwinfo. Sintaks ini berfungsi untuk menginisialisasikan antara webcam dengan software matlab. Selain itu, sintaks ini juga berfungsi untuk mengetahui informasi yang dimiliki oleh webcam, seperti nama device dan format warna yang dihasilkan oleh webcam, misalnya RGB, YUY, dan lainnya. Untuk menampilkan gambar yang direkam oleh webcam, maka sintaks preview digunakan dan kemudian gambar tersebut dapat nampak pada axes 1.

b. Pushbutton “Ambil Gambar”

Untuk menjalankan pushbutton ini, maka diisi sintaks berikut :

[image:67.595.82.525.243.626.2]

start(vidobj); pause(1); trigger(vidobj); stoppreview(vidobj); capt1=getdata(vidobj); gambar=capt1; handles.a=gambar; guidata(hObject,handles); axes(handles.axes1); imshow(gambar)

Berdasarkan sintaks program di atas, dapat dilihat terdapat sintaks getdata. Sintaks ini berfungsi untuk melakukan capture gambar saat webcam dalam keadaan on. Hasil gambar yang telah diambil oleh webcam ini memiliki format citra RGB. Kemudian agar hasil capture dapat dipanggil dan digunakan pada sintaks program selanjutnya, maka diinisialisasikan dengan sintaks handles.

c. Popupmenu “Variasi Desimasi”

Untuk mengfungsikan popupmenu ini, maka diisi sintaks berikut :

indeks=get(handles.popupmenu1,'Value');

switch indeks case 2 des=1; case 3; des=2; case 4; des=3;

(68)

end

handles.des=des;

guidata(hObject,handles);

Berdasarkan sintaks program di atas, dapat dilihat terdapat sintaks des=1. Sintaks ini berfungsi untuk mengaktifkan desimasi sebanyak 1 kali. Penjelasan tentang desimasi sebelumnya sudah dituliskan pada Bab III. Desimasi ini diinisialisasikan dengan nama “des”. Kemudian agar nilai variasi desimasi ini dapat dipanggil dan digunakan pada sintaks program selanjutnya, maka diubah menjadi “handles.des”.

d. Pushbutton “Proses”

Pada saat menakan pushbutton “Proses” ini, citra dengan format RGB yang telah diambil pada axes 1 akan diproses lebih lanjut. Untuk lebih jelasnya berikut ini proses-prosesnya dan juga sintaks programnya.

Proses Konversi Citra RGB ke HSV

Untuk menjalankan proses ini, sintaks program yang digunakan ialah :

%Konversi RGB ke HSV x0=rgb2hsv(x);

Berdasarkan sintaks program di atas, dapat dilihat bahwa terdapat sintaks rgb2hsv. Sintaks ini berfungsi mengubah citra RGB dari menjadi citra HSV.

 Proses Segmentasi HSV

Untuk menjalankan proses ini, sintaks program yang digunakan ialah :

s=x0(:,:,2); %Ambil bagian saturation s1=s>0.17;

v=x0(:,:,3); %Ambil bagian value v1=v>0.4;

(69)

Proses Pengambilan Bagian Tangan

Untuk menjalankan proses ini, sintaks program yang digunakan ialah :

%Hitung luasan setiap objek for k=1:jumobj

x2=x1==k;

aobj(k)=sum(x2(:)); end

%segmentasi luasan kedua terbesar [s,u]=sort(aobj,'descend');

x3=x1==u(2);

else

x3=x1;

end

Berdasarkan sintaks program di atas, untuk mengambil bagian tangan pada citra yang telah disegmentasi, maka perhitungan luasan pada setiap objek kulit dilakukan dengan sintaks sum. Setelah itu, hasil perhitungan luasan objek kulit tersebut diurutkan (dengan sintaks sort) dari nilai terbesar ke nilai terkecil dengan sintaks descend. Setelah itu, untuk mengambil objek yang memiliki nilai luasan kedua terbesar (bagian tangan) yang diinisialisasi dengan “u(2)”.

Proses Cropping sesuai Bounding Box

Untuk menjalankan proses ini, sintaks program yang digunakan ialah :

% Potong kiri cout=x3; a=sum(cout); b=find(a>0);

cout(:,1:b(1)-1)=[];

% Potong kanan cout=fliplr(cout); a=sum(

Gambar

Gambar 2.7. Contoh Sintaks Program untuk Mengkonversi Citra RGB ke HSV, beserta
Gambar 2.9.  Algoritma Pyramid
Gambar 2.10.  Wavelet Haar
Gambar 2.11.  Representasi Matriks dari Penjumlahan Konvolusi,
+7

Referensi

Dokumen terkait

Memberi informasi mengenai Nilai Konversi jarak Vertikal Dimensi Oklusi dengan panjang jari tangan kanan (telunjuk, kelingking, dan jarak ujung ibu jari sampai

Hill Cipher sebenarnya merupakan salah satu teknik penyandian teks, tetapi dengan melakukan perubahan perhitungan pada nilai RGB (Red Green Blue) citra maka Hill Cipher juga

Setiap pixel pada citra warna memiliki warna yang merupakan kombinasi dari tiga. warna dasar RGB (red, green,

penyandian teks, tetapi dengan melakukan perubahan perhitungan pada nilai RGB (Red Green Blue) citra maka Hill Cipher juga dapat dipakai untuk menyandikan citra. Hill

Peralatan sistem konversi sinyal RGB (Red, Green, Blue) dari VGA Card ke sinyal video komposit dengan sistem wireless pada frekuensi 203,25 MHz PAL yang dibuat, terdiri dari

Proses pelatihan diawali dengan input citra digital, kemudian ditransformasi dari Red Green Blue (RGB) ke Grayscale, ekstraksi fitur tekstur dengan GLCM dan

Penelitian ini difokuskan untuk mengetahui sebaran asap melalui citra satelit Himawari 8 dengan memanfaatkan metode Red Green Blue (RGB) [2] dan trajektori arah

Dalam penelitian ini, terdapat 4 tahapan pengolahan citra digital yang dilakukan, yakni 1 Konversi warna RGB ke Hue dan Saturation, 2 Segmentasi objek menggunakan metode thresholding, 3