Perpustakaan Universitas Gunadarma BARCODE
BUKTI UNGGAH DOKUMEN PENELITIAN PERPUSTAKAAN UNIVERSITAS GUNADARMA
Nomor Pengunggahan
SURAT KETERANGAN
Nomor: 450/PERPUS/UG/2020
Surat ini menerangkan bahwa:
Nama Penulis : IWAN
Nomor Penulis : 100938
Email Penulis : iwan@staff.gunadarma.ac.id Alamat Penulis : -KP. SRENGSENG
Telah menyerahkan hasil penelitian/ penulisan untuk disimpan dan dimanfaatkan di Perpustakaan Universitas Gunadarma, dengan rincian sebagai berikut :
Nomor Induk : FILKOM/KA/PENELITIAN/450/2020
Judul Penelitian : PEMODELAN BENTUK BAGIAN TUBUH WANITA DENGAN MENGGUNAKAN AKTIVE SHAPE MODEL UNTUK MENDITEKSI BAGIAN SENSITIVE WANITA ( BREAST ) Tanggal Penyerahan : 15 / 07 / 2020
Demikian surat ini dibuat untuk dipergunakan seperlunya dilingkungan Universitas Gunadarma dan Kopertis Wilayah III.
PEMODELAN BENTUK BAGIAN TUBUH WANITA DENGAN
MENGGUNAKAN AKTIVE SHAPE MODEL UNTUK MENDITEKSI
BAGIAN SENSITIVE WANITA ( BREAST )
Iwan / NIP : 100938 / NIDN : 0327088104
UNIVERSITAS GUNADARMA
FAKULTAS TEKNOLOGI INFORMATIKA
2020
PEMODELAN BENTUK BAGIAN TUBUH WANITA DENGAN
MENGGUNAKAN AKTIVE SHAPE MODEL UNTUK
MENDITEKSI BAGIAN SENSITIVE WANITA ( BREAST )
Iwan
Program Studi Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Gunadarma Margonda Raya No. 100 Depok, Jawa Barat
Jurusan Teknologi Industri, Universitas Gunadarma Email : Iwan@staff.gunadarma.ac.id
kegiatan pensensoran gambar dan video dengan menggunakan aktif shape model adalah ketika sebuah gambar atau video yang ditampilkan disebuah smartphone dapat langsung disensor tanpa harus melalui tahapan editing terlebih dahulu. Kemampuan aplikasi sensor ini diharapkan dapat mengurangi tingkat pengunduhan gambar-gambar maupun video yang mengandung unsur pornografi didalamnya. Dengan menggunakan aplikasi ini dismartphone akan sangat melindungi para penerus bangsa ini dari konsumsi pornografi didalam penggunaan smartphone. Mengingat smartphone adalah salah satu alat komunikasi yang saat ini sudah menjadi kebutuhan primer. Pemodelan dengan metode aktive shape model ini sangat berguna untuk diaplikasikan disebuah smartphone karena tingkat keakuratannya sangat tinggi. Metode yang digunakan adalah dengan menentukan pada titik-titik dibagian tubuh wanita yang akan disensor pada penelitian ini adalah bagian dada wanita (breast). Setelah titik-titik dibaca pada bagian dada wanita oleh sistem yang diterapkan pada ASM ( Aktive Shape Model ), Maka akan menghasilkan satu sistem baru yaitu pemblokiran atau membluring pada bagian dada wanita (breast) tersebut, inilah cara sistem pensensoran bekerja. Maka penelitian ini menghasilkan satu sistem pensensoran bagian dada wanita (breast) pada gambar-gambar atau video-video yang mengandung unsur pornografi.
PENDAHULUAN
Diera globalisasi saat ini teknologi sudah banyak mengalami kemajuan yang sangat pesat. Didalam setiap kegiatan manusia sehari-hari sudah tidak bisa dipisahkan dari teknologi. Penggunaan teknologi untuk menunjang pekerjaan dan kegiatan sehari-hari sudah menjadi kebutuhan primer bagi manusia. Yang paling dasar adalah penggunaan internet dan smartphone, merupakan yang paling dibutuhkan oleh semua kalangan masyarakat. Tidak hanya untuk keperluan bisnis saja bisa juga untuk mencari informasi di bidang pengetahuan dan pendidikan. Sehingga manusia dimanapun berada dapat selalu terhubung dengan informasi.
Internet banyak membawa dampak positif bagi kehidupan manusia. Selain dampak positif internet juga banyak menghasilkan dampak negatif yang sangat signifikan. Seperti peningkatan tindak kriminal cyber dan kejahatan seksual yang sangat meresahkan masyarakat. Kejahatan seksual ini banyak disebabkan karena mereka terlalu sering menonton video-video ataupun gambar-gambar yang mengandung unsur pornografi. Dengan tidak adanya sebuah sensor pornografi yang membuat para pengguna smartphone dengan mudah mengakses gambar dan video tersebut.
Kejadian inilah yang mengusik penulis, sehingga membuat penulis untuk membuat suatu aplikasi yang dapat digunakan sebagai sensor yang dapat meminimalisir pengaksesan gambar dan video yang mengandung unsur pornografi dismartphone. Bagian yang pertama menjadi perhatian penulis adalah bagaimana mensensor bagian dada wanita ( breast) ini akan meminimalisir tingkat pengaksesan gambar maupun video yang mengandung unsur pornografi.
Berdasarkan latar belakang masalah diatas maka penulis membuat sebuah penelitian dengan judul “ Pemodelan bagian tubuh wanita dengan menggunakan aktive shape model untuk mendeteksi bagian sensitive wanita ( breast )”.
TINJAUAN PUSTAKA
Visi Komputer (Computer Vision)
Visi Komputer (Computer vision) adalah transformasi data dari bentuk gambar atau video menjadi sebuah representasi yang baru. Semua jenis transformasi berfungsi untuk mencapai tujuan tertentu. Data yang diinput dapat berupa informasi yang sesuai dengan keadaan, misalnya “Kamera yang dipasang di dalam mobil”. Sebuah repr esentasi yang baru dapat seperti mengubah gambar yang berwarna menjadi gambar dengan warna abu-abu (grayscale) atau menghilangkan pergerakan kamera dari gambar yang berurutan (Bradski and Kaehler, 2008).
Salah satu pengembangan dalam bidang computer vision yang telah dikembangkan adalah kemampuan komputer untuk mengamati dan memahami gambar secara elektronik (Moris, 2004). Pemahaman gambar ini dapat dilihat sebagai penguraian informasi yang berbentuk simbol dari gambar menggunakan konstruksi model dengan bantuan geometri, fisika, statistik dan teori pembelajaran (Sonka, Hlavac and Boyle, 2008).
Pemahaman gambar juga dideskripsikan sebagai sebuah proses yang terdiri dari 4 proses kecil yang saling bekerja sama dalam melaksanakan tugas tertentu, dimana setiap proses tersebut membutuhkan representasi menengah. Analisa gambar yang utama berjalan dari gambar raster digital dimana karakteristik radiometrik (intensitas dan warna) dari setiap pixel disimpan, menuju ke determinasi dari elemen-elemen gambar (tepi, area yang sama, tekstur, dan sebagainya).
Pengolahan Citra
Pengolahan citra merupakan segala bentuk pengolahan sinyal yang mempunyai
input sebuah citra dalam bentuk foto ataupun video dan menghasilkan output berupa
citra yang telah diolah atau sekumpulan karakteristik yang berkaitan dengan citra tersebut. Sebagai besar teknik pengolahan citra dilakukan dengan menganggap citra sebagai sinyal dwimatra (2 dimensi) dan kemudian melakukan teknik pengolahan sinyal ke sinyal dwimatra tersebut (Byeong-Ho KANG, 2007).
Pengolahan citra sering dikaitkan sebagai pengolahan citra secara digital meskipun sebenarnya pengolahan citra dapat juga dilakukan secara analog dan optikal. Pengolahan citra secara digital mempunyai banyak kelebihan dibandingkan pengolahan citra secara analog. Kelebihannya antara lain semakin banyak algoritma yang dapat diterapkan dan dapat menghindari beberapa masalah seperti noise dan distorsi sinyal saat pengolahan (Manish Joshi, 2012).
Pengenalan Wajah (Face Recognition)
Face recognition telah menjadi topik penting dalam berbagai aplikasi, seperti
sistem keamanan, verifikasi kartu kredit, dan untuk mengidentifikasi pelaku kriminal. Sebagai contohnya, face recognition ini mampu untuk membandingkan suatu wajah tertentu dari sekumpulan wajah yang disimpan sehingga dapat membantu dalam mengindentifikasi pelaku kriminal (Dashore and Raj, 2012).
Face recognition adalah proses pengenalan pemilik dari wajah seseorang yang
telah dikenali. Seperti bagaimana manusia mengenali keluarga mereka, teman, dan selebritis hanya dengan melihat wajah mereka, terdapat beberapa teknik bagi komputer untuk mengenali wajah seseorang. Secara umum, teknik ini dibagi menjadi 4 langkah utama, antara lain:
sebuah gambar. Dalam langkah ini, komputer hanya mendeteksi wajah tanpa perlu mengetahui siapa pemilik wajah tersebut.
Gambar 2.1. Face detection
2. Face Preprocessing: suatu proses mengatur gambar wajah agar terlihat
semakin jelas dan menyerupai wajah lain. Face preprocessing sendiri dibagi menjadi beberapa bagian:
a. Transformasi geometri dan pemotongan gambar: proses ini terdiri dari
pengaturan ukuran gambar, rotasi gambar, dan perpindahan gambar sehingga mata menjadi sejajar, dengan cara menghilangkan bagian kening, dagu, telinga, dan latar dari gambar wajah.
b. Pemerataan histogram pada sisi kiri dan kanan gambar: proses ini
mengatur kecerahan dan kekontrasan pada sisi kiri dan kanan dari wajah.
c. Smoothing: proses ini mengurangi noise pada gambar menggunakan
bilateral filter.
d. Elliptical mask: elliptical mask bertujuan untuk menghilangkan rambut dari wajah dan latar dari gambar wajah.
e. Collect and learn faces: suatu proses menyimpan banyak wajah
preprocessing dan selanjutnya komputer belajar untuk mengenali gambar
tersebut.
f. Face recognition: suatu proses memeriksa sekumpulan gambar yang paling menyerupai wajah pada kamera. (Baggio et al, 2012).
Active Shape Model (ASM)
Algoritma Active Shape Model (ASM) merupakan sebuah metode yang cepat dan tangguh dalam menyesuaikan sekumpulan titik yang diatur oleh sebuah bentuk model pada sebuah gambar (T.F. Cootes et al, 1999). Ketika melakukan pemodelan wajah, landmark terdiri dari titik-titik yang terletak disepanjang batas-batas bentuk fitur suatu wajah, misalnya mata, bibir, hidung, mulut, dan alis.
Tahap training dari ASM biasanya melibatkan pembangunan model wajah statistik dari sekumpulan training yang mengandung wajah dimana model tersebut berisi gambar dengan landmark yang terhubung secara manual. Landmark yang digunakan isi terdiri dari 79 titik wajah seperti pada gambar 2.3. Data hasil training ini terdiri dari 500 gambar pada 115 subject yang terdapat pada database MBGC-2008. Bentuk kumpulan training ini kemudian digunakan untuk menghasilkan rata-rata bentuk wajah (J. C. Gower, 1975). Selanjutnya, model statistik pada tingkat
grayscale yang terdapat di sekitar landmark dibangun dengan menggunakan profil
2D yang dihasilkan oleh sampling gambar pada area masing-masing persegi di sekitar
landmark. Profil tersebut dihasilkan untuk setiap titik landmark pada gambar dan
empat tingkatan yang berbeda dalam sebuah piramida gambar.
Pada tahap testing, implementasi OpenCV dari Viola Jones face detector (Intel, 2007) digunakan untuk mencari wajah dalam sebuah gambar. Ketika wajah terdeteksi, rata-rata wajah diubah ukuran, rotasi dan translasi dengan menggunakan kesamaan bentuk yang sesuai dengan gambar wajah yang telah diuji. Wajah dengan
multi-level akan dibentuk dengan cara yang sama seperti pada tahap training. Landmark akan dipindahkan sampai tidak terdapat perubahan yang signifikan untuk
mendapatkan wajah rata-rata yang paling sesuai. Proses ini berlanjut sampai konvergensi berada pada tingkat terbaik dimana landmark diperoleh. Gambar 2.3 mengilustrasikan proses fitting ASM dari suatu gambar yang tidak terlihat.
METODOLOGI PENELITIAN
Pada bagian ini akan dijelaskan mengenai usulan metode yang akan digunakan untuk mendapatkan bagian tubuh sensitive wanita (breast). Terdapat beberapa tahap sebelum dapat mendapatkan bagian tubuh sensitive wanita (breast). Tahapannya adalah pemilihan frame dari video atau gambar yang digunakan sebagai input. Dari video input yang didapatkan, dilakukan proses deteksi breast untuk menghasilkan ROI (Region of Interest) pada bagian tubuh sensitive wanita (breast) . Setelah lokasi breast ditemukan maka tahap terakhir adalah mencari lokasi bagian tubuh sensitive wanita (breast) dari model yang telah ditraining sebelumnya. Secara skema alur kerja ini dapat dilihat pada gambar 3.4.
• Tahap pertama pemilihan video atau gambar yang digunakan sebagai input, dari video atau gambar yang didapat.
• Tahap kedua detection untuk menghasilkan ROI (region of interest) pada bagian tubuh manusia (breast).
• Tahap ketiga setelah lokasi breast atau dada wanita ditemukan maka tahap berikutnya, mencari lokasi bagian dada wanita (breast) dari model yang telah ditraining dan
• Tahap keempat Dengan ASM model dan ASM fitting untuk mentraining video atau gambar.
• Tahap kelima hasil training bagian tubuh wanita atau dada wanita (breast). • Tahap keenam training sistem block pada dada wanita (breast) atau dengan
sistem block.
DAFTAR PUSTAKA
1. Pengenalan Wajah Secara Real Time Menggunakan Metode Camshift dan Operator
Erosi Berdasarkan Citra Wajah. Sultoni1 , Rudi Hariyanto2 (tahun 2017)
2. Bradski, G., & Kaehler, A. (2008). Learning OpenCV: Computer Vision with the
OpenCV Library. O'Reilly Media, Inc.
3. M. Sonka, V. Hlavac, and R. Boyle, "3D Vision," in Image Processing, Analysis, and
Machine Vision, H. Gowans, Ed., 3rd ed. Toronto: Thomson, pp. 592-594, 2008.
4. Rekonstruksi dan Visualisasi Objek 3-D Berbasis Algoritma Direct Linear
Transformation Sunu Wibirama1 , Risanuri Hidayat2 (2012).
5. Perancangan aplikasi unlock screen dengan menggunakan face expression pada
smartphone android. Jeklin Harefa , Alexander , Rhio Sutoyo (tahun 2014).
6. Pengenalan Wajah Secara Real Time Menggunakan Metode Camshift dan Operator
Erosi Berdasarkan Citra Wajah. Sultoni1 , Rudi Hariyanto2 (tahun 2017).
7. Modifikasi metode camshift untuk pengenalan citra wajah secara real time berdasarkan warna kulit. sultoni (tahun 2017).
8. Pelacakan dan deteksi wajah menggunakan video langsung pada webcam. Dhanar
Intan Surya Saputra1, Wahyu Septi Anjar2, Kurnia Aswin Nuzul Ramadhan3, Riki Aji Pamungkas4. (tahun 2017)
9. Pemodelan wajah bayi dengan menggunakan acive shape model untuk mendeteksi
