Aplikasi pendeteksi mata mengantuk berbasis citra digital menggunakan metode haar classifier secara real rime
BIODATA PENULIS Nama : Randy Kuswara NIM : 10109116 Tempat tanggal lahir : Dabo Singkep, 09 Juli 1991 Alamat : Jl Garuda , Dabo Singkep Kepulauan Riau Almat Bandung : Jl Kebon Bibit Barat No 27 Taman Sari Bandung Jenis Kelamin : laki-laki Agama : Islam No Hp : 081222644440 Email : Judul Skripsi : Aplikasi pendeteksi mata mengantuk berbasis citra digital menggunakan metode haar classifier secara real time Jurusan : Teknik Informatika Fakultas : Teknik dan Ilmu Komputer
APLIKASI PENDETEKSI MATA MENGANTUK BERBASIS CITRA DIGITAL MENGGUNAKAN METODE
HAAR CLASSIFIER SECARA REAL TIME SKRIPSI
Diajukan untuk Menempuh Ujian Akhir Sarjana Program Studi Teknik Informatika
Fakultas Teknik dan Ilmu komputer
RANDY KUSWARA 10109116 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS KOMPUTER INDONESIA
KATA PENGANTAR
Assalamu’alaikum, Wr.,Wb.Puji dan syukur penulis panjatkan ke hadirat Allah SWT, atas rahmat dan karunia- Nya penyusunan skripsi dengan judul “APLIKASI PENDETEKSI
MATA MENGANTUK BERBASIS CITRA DIGITAL MENGGUNAKAN
METODE HAAR CLASSIFIER SECARA REAL TIME” dapat diselesaikan tepat pada waktunya. Skripsi ini diajukan untuk memenuhi syarat dalam menempuh ujian akhir sarjana program strata satu (S1) Jurusan Teknik Informatika Universitas Komputer Indonesia.
Penyusunan skripsi ini tidak akan terwujud tanpa mendapat dukungan, buatan dan masukan dari berbagai pihak. Untuk itu , penulis ingin menyampaikan terimakasih yang sebesar-besarnya kepada :
1. Orang tua dan keluarga yang senantiasa mendoakan dan memberikan dukungan moril maupun materil.
2. Ibu Nelly Indriani W.,S.Si.,M.T selaku dosen pembimbing yang telah memberikan arahan dan waktuya.
3. Bapak Galih Hermawan, S.Kom., M.T. selaku dosen reviewer seminar yang telah memberikan arahan dan mengeluarkan waktunya dalam bimbingan penyusunan skripsi.
4. Bapak Adam Mukharil Bachtiar, S.Kom., M.T. selaku dosen penguji III
5. Kepada seluruh dosen IF yang telah memberikan ilmu di semua mata kuliah yang diajarkan.
6. Bapak Irawan Afrianto, S.T., M.T. selaku Ketua Jurusan Program Studi Teknik Informatika UNIKOM.
7. Rekan-rekan kelas IF-3 angkatan 2009 serta rekan satu bimbingan yang selama ini menjadi teman berbagi ilmu, tawa dan cerita.
8. Itsa Asvita, Gyan aryadi yang telah menyemangati selama ini dalam peyusunan skripsi ini.
9. Semua pihak yang telah membantu yang tidak bisa penulis sebutkan satupersatu.
Penulis menyadari bahwa dalam penyusunan skripsi ini masih terdapat banyak kekurangan dan jauh dari predikat sempurna, maka untuk itu kritik dan saran yang membangun sangat penulis harapkan dari para pembaca.
Terlepas dari kekurangan yang ada semoga skripsi ini dapat bermanfaat bagi penulis khususnya dan bagi para pembaca pada umumnya dalam upaya meningkatkan pengetahuan kita semua. Amin. Wassalamu alaikum, Wr., Wb.
Bandung, Agustus 2013 Penulis
DAFTAR ISI
ABSTRAK ..................................................................................................... i ABSTRACT ................................................................................................... ii KATA PENGANTAR .................................................................................... iii DAFTAR ISI .................................................................................................. v DAFTAR GAMBAR ...................................................................................... ix DAFTAR TABEL .......................................................................................... xi DAFTAR SIMBOL ........................................................................................ xii DAFTAR PERSAMAAN ............................................................................... xiv DAFTAR LAMPIRAN ................................................................................... xv BAB I PENDAHULUAN ............................................................................
1 1.1 Latar Belakang Masalah ..................................................................
1 1.2 Rumusan Masalah ...........................................................................
2 1.3 Maksud dan Tujuan.........................................................................
2 1.3.1 Maksud ...........................................................................................
2 1.3.2 Tujuan ............................................................................................
2 1.4 Batasan Masalah .............................................................................
3 1.5 Metodelogi Penelitian .....................................................................
3 1.6 Sistematika Penulisan .....................................................................
5 BAB 2 TINJAUAN PUSTAKA ....................................................................
7 2.1 Mata Mengantuk .............................................................................
7 2.2 Parameter Mengantuk .....................................................................
8
2.4 Dasar-dasar Pengolahan Citra .........................................................
20 2.10.3 OpenCV 2.3.1 .................................................................................
36 3.1.7 Analisis Kebutuhan Non Fungsional ...............................................
28 3.1.6 Algoritma AdaBoost .......................................................................
24 3.1.5 Tahap Deteksi Mata ........................................................................
24 3.1.4 Analisis Proses Pngenalan Pola Mata Pada Haar .............................
21 3.1.3 Analisis lingkungan ........................................................................
22 3.1.2 Analisis mata mengantuk ................................................................
22 3.1.1 Analisis Masalah .............................................................................
20 3.1 Analisis Sistem ...............................................................................
20 BAB 3 ANALISIS DAN PERANCANGAN .................................................
19 2.10.2 Microsoft Visual Studio 2010 .........................................................
11 2.5 Computer Vision .............................................................................
19 2.10.1 Bahasa Pemograman C#..................................................................
17 2.10 Software Pendukung .......................................................................
16 2.9.1 Simbol-simbol Pada DFD ...............................................................
16 2.9 DFD (Data Flow Diagram)..............................................................
16 2.8.2 Sistem Kerja Algoritma Haar Cascade Classifier .............................
15 2.8.1 Training Data pada Haar .................................................................
15 2.8 Haar Cascade Classifier ..................................................................
14 2.7 Deteksi Mata ...................................................................................
12 2.6 Pengenalan Pola ..............................................................................
47
3.1.7.2 Analisis Perangkat Lunak ................................................................
56 3.1.13 Jaringan Semantik ..........................................................................
65 4.2.1.1 Pengujian lama kedipan mata ..........................................................
64 4.2.1 pengujian performansi .....................................................................
61 4.2 Pengujian .......................................................................................
59 4.1.4 Implementasi antarmuka .................................................................
59 4.1.3 Implementasi aplikasi .....................................................................
58 4.1.2 Implementasi perangkat keras .........................................................
58 4.1.1 Implementasi perangkat lunak .........................................................
58 4.1 Implementasi sistem ........................................................................
57 BAB 4 IMPLEMENTASI DAN PENGUJIAN..............................................
56 3.1.12.3 Deskripsi Objek Form Deteksi ........................................................
48 3.1.8 Deskripsi Kebutuhan Data Eksternal ...............................................
55 3.1.12.3 Desain Form Deteksi ......................................................................
55 3.1.12.2 Deskripsi Objek Form Menu Utama................................................
55 3.1.12.1 Desain Form MenuUtama ...............................................................
54 3.1.12 Perancangan Antarmuka Form MenuUtama ....................................
52 3.1.11 Perancangan Antar Muka ................................................................
50 3.1.10 Spesifikasi Proses ..........................................................................
50 3.1.9.2 Data Flow Diagram ( DFD ) ............................................................
49 3.1.9.1 Diagram Konteks ..........................................................................
48 3.1.9 Analisis Fungsional .........................................................................
65
4.2.1.3 Pengujian jarak wajah terhadap webcam .........................................
68 4.2.1.4 Pengruh cahaya terhadap deteksi mata mengantuk ..........................
70 4.2.2 Pengujian Alpha..............................................................................
71 4.2.2.1 Kesimpulan hasil pengujian alpha ...................................................
73 4.2.3 pengujian beta .................................................................................
74 4.2.3.1 Kesimpulan pengujian beta .............................................................
78 BAB 5 KESIMPULAN DAN SARAN .........................................................
79 5.1 Kesimpulan .....................................................................................
79 5.2 Saran .......................................................................................
79 DAFTAR PUSTAKA ..........................................................................
80
DAFTAR PUSTAKA
[1] terakhir diakses pada tanggal 01 April 2013.
[2] terakhir diakses pada tanggal 01 April 2013.
[3] Paul Viola and Michaels J. Jones. 2001. Rapid Object Detection using boosted Cascade of Simple Features.IEEE CVPR.
[4] Marcus, T. 2007. Rekayasa Perangkat Lunak.Jakarta. Elex Media Komputindo.
[5] Putra, Darma. 2010. Pengolahan Citra Digita.Yogyakarta. Penerbit Andi. [6] Fadilsyah. 2007. Computer Vision dan Pengolahan Citra.Yogyakarta.
Penerbit Andi. [7] terkhir diakses pada tanggal 10 April 2013 [8] Andreassi, J. L, 2006.Psychophysiology.New York. human behavior and physiological response.
[9] P.P. Caffier, U. Erdmann and P. Ullsperger, 2005. The spontaneous eye- blink as sleepiness indicator in patients with obstructive sleep apnoea syndrome - a pilot study. Sleep Medicin. [10] Sugiyono, 2010. Metode Penelitian Kuantitatif Kualitatif dan R&D.
Bandung Alfabeta.
BAB I PENDAHULUAN
1.1 Latar Belakang Masalah
Kecelakaan lalu lintas sudah menjadi masalah sehari-hari, terutama bagi kota besar seperti Jakarta. Kecelakaan lalu lintas saat ini merupakan salah satu penyebab terbesar dalam peningkatan angka kematian di suatu daerah. Sebagai sampel, di wilayah Jakarta, kecelakaan lalu lintas karena kesalahan pengemudi mencapai 7.817 kasus pada tahun 2012, dan korban yang tewas mencapai 901 orang [1].
Penyebab terbesar kecelakaan terjadi karena pengemudi mengantuk. Berdasarkan data laporan rekapitulasi Operasi Ketupat Jaya 2012 ada 134 kecelakaan lalu lintas yang menyebabkan 13 korban meninggal dunia, 41 korban luka berat, dan 139 korban luka ringan. Sebagian besar kecelakaan terjadi di kawasan perbelanjaan yang memang ramai ketika menjelang Lebaran dan hari Lebaran. 133 kecelakaan disebabkan oleh faktor manusia, yakni faktor lelah/mengantuk [2]. Mengantuk banyak mengakibatkan kecelakaan lalu lintas yang meyebabkan korban cedera, kerugian materi dan bahkan kematian.
Berdasarkan latar belakang yang telah dijelaskan, akan dibuat aplikasi untuk mendeteksi kantuk dengan mengamati pergerakan mata seseorang ketika menutup. Adapun teknologi yang mendukungnya adalah Computer Vision. Tujuan utamanya adalah untuk membuat keputusan yang berguna tentang objek fisik nyata dan pemandangan berdasarkan image yang didapat dari sensor. Penerapan
Computer Vision cukup banyak digunakan dalam sistem keamanan maupun
proteksi. Salah satunya pengenalan pola pada objek mata. Sistem pendeteksi kantuk ini memanfaatkan webcam camera sebagai sensornya. Selanjutnya data kamera diproses dengan menggunakan CPU (Central Processing Unit) untuk mengolah dan mengeksekusi data yang telah ditangkap. Metode yang digunakan untuk mendeteksi mata mengantuk adalah Haar Cascade classifier, yaitu metode yang dapat melihat dari adanya mata seseorang tertutup dan metode ini memiliki keakuratan yang tinggi dalam mendeteksi suatu objek [3]. Aplikasi ini berjudul
2 “Aplikasi Pendeteksi Mata Mengantuk Berbasis Citra Digital Menggunakan Metode Haar Classifier Secara Real Time ”.
1.2 Rumusan masalah
Bagaimana membangun sebuah aplikasi pendeteksi mata berbasis citra digital mengunakan metode Haar Classifier Secara Real Time.
1.3 Maksud dan Tujuan
1.3.1 Maksud
Maksud dari penulisan tugas akhir ini adalah membangun Aplikasi Deteksi Mata Mengantuk Berbasis Citra Digital Menggunakan Metode Haar Classifier secara Real Time.
1.3.2 Tujuan
Adapun tujuan dari penulisan tugas akhir ini adalah untuk mendeteksi mata seseorang yang mengantuk.
1.4 Batasan Masalah
Adapun batasan masalah tersebut adalah sebagai berikut : 1. Aplikasi ini mendeteksi mata manusia secara real time.
2 Metode yang digunakan adalah Metode Haar Cascade Classifier.
3 Jika mata mengantuk, keluaran yang dihasilkan berupa informasi mengantuk.
4 Sistem ini tidak berfungsi jika tidak ada cahaya.
5 Citra training adalah citra mata dengan menggunakan format BMP dan citra uji adalah mata seseorang di depan webcam.
6 Sistem operasi yang digunakan adalah Microsoft Windows 7 Starter.
7 Pembuatan software menggunakan C# dengan IDE Visual Studio 2010.
8 Sistem yang dibangun berbasis Dekstop.
9 Sistem menggunakan library EmguCV dan OpenCV 10 Aplikasi ini mencangkup simulasi untuk sistem keamanan didalam mobil.
1.5 Metodologi Penelitian
Metodologi yang dilakukan dalam penelitian ini terdiri atas:
a. Tahapan Pengumpulan Data
3
1. Studi Kepustakaan, yaitu mempelajari literature, konsep serta sumber- sumber dari buku-buku ataupun mengakses situs-situs yang berkaitan dengan materi yang dibahas.
2. Diskusi dan konsultasi/wawancara, yaitu metode yang dilakukan dengan cara melakukan diskusi dengan pihak-pihak yang dapat memberikan sebuah masukan atau saran dalam pembuatan aplikasi ini khususnya para pengemudi.
b. Tahapan Pembangunan Aplikasi Model yang digunakan untuk proses pembangunan aplikasi ini adalah model waterfall.
Requirement sistem informasi engineering
Analisis
Desain
Coding Implementation and testing MaintennanceGambar 1.1 Model WaterFall [4]1. Requirement Information System Engineering : tahap ini merupakan kegiatan pengumpulan data sebagai pendukung pembangunan sistem serta menentukan ke arah mana aplikasi ini akan dibangun.
2. Analysis : Mengumpulkan kebutuhan secara lengkap kemudian dianalisis dan didefinisikan kebutuhan yang harus dipenuhi oleh aplikasi yang akan dibangun. Tahap ini harus dikerjakan secara lengkap untuk bisa menghasilkan desain yang lengkap.
4
3. Design : perancangan antarmuka dari hasil analisis kebutuhan yang telah selesai dikumpulkan secara lengkap.
4. Coding : hasil perancangan sistem diterjemahkan ke dalam kode-kode dengan menggunakan bahasa pemrograman yang sudah ditentukan. Aplikasi yang dibangun langsung diuji baik secara unit.
5. Implementation and Testing : penyatuan unit-unit program kemudian diuji secara keseluruhan.
6. Maintenance : mengoperasikan aplikasi dilingkungannya dan melakukan pemeliharaan, seperti penyesuaian atau perubahan karena adaptasi dengan situasi yang sebenarnya.
1.6 Sistematika Penulisan
Sistematika dari penulisan tugas akhir ini adalah sebagai berikut:
BAB I PENDAHULUAN Bab ini berisi mengenai latar belakang masalah, identifikasi masalah, maksud dan tujuan, batasan masalah, metodologi penelitian, dan sistematika penulisan. BAB II LANDASAN TEORI Bab ini berisi konsep dasar seperti citra digital, pengolahan citra ( Image Processing ), deteksi mengantuk, Haar Classifier dan teori
- – teori pendukung yang digunakan untuk tahap analisis, perangkat lunak dan perangkat keras yang digunakan dalam pembangunan perangkat lunak.
BAB III ANALISIS DAN PERANCANGAN Berisi tentang analisis kebutuhan perangkat lunak untuk menganalisis masalah
yang ada dalam pembangunan perangkat lunak, analisis fungsional dan non fungsional dan pemodelan terstruktur untuk memperlihatkan keterkaitan antar fungsi yang terdapat dalam perangkat lunak serta perancangan antarmuka perangkat lunak.
BAB IV IMPLEMENTASI DAN PENGUJIAN Dalam bab ini diperlihatkan software yang dibangun dan hasil penelitian yang
telah dilakukan beserta analisis performansi yang terdiri dari pengujian lama
5 kedipan mata, deteksi posisi wajah, jaraj wajah terhadap webcam, pengaruh cahaya terhadap deteksi mata mengantuk, dan pengujian alpha.
BAB V KESIMPULAN DAN SARAN Pada bab ini dijelaskan kesimpulan dari penelitian yang telah dibahas pada bab- bab sebelumnya, dan saran dari penulis.
6
BAB 2 TINJAUAN PUSTAKA
2.1 Mata Mengantuk
Mengantuk merupakan kondisi ketika tubuh membutuhkan istirahat atau tidur dan didefinisikan sebagai kecenderungan untuk tidur. Mengantuk dapat disebabkan oleh kelelahan melakukan pekerjaan yang berulang-ulang seperti survey monitor ataupun mengendarai kendaraan ketika dalam perjalanan jauh. Kantuk dan lelah memiliki banyak efek yang sama. Pada kejadian ini, pada saat ketika kelopak mata mulai terasa berat dan seketika menutup 100%, pandangan mulai kabur dan tiba-tiba saja kelopak mata tersebut sudah menutup 100% ,sehingga mata tanpa bisa diajak kompromi lagi. Padahal dalam pikiran, merasa masih terjaga. Hal itulah yang menjadi tanda akan seseorang tersebut mengantuk. Oleh karena itu dalam penelitian kali ini akan mendeteksi mata mengantuk, menggunakan objek mata dalam keadaan tertutup 100% [9]. Mata dalam keadaan terbuka dapat dilihat pada Gambar 2.1 dan mata dalam keadaan tertutup dapat dilihat pada Gambar 2.2
Gambar 2.1 Mata dalam keadaan terbuka2.2 Parameter Mengantuk
Menurut penelitian Tecce (1992) [9], frekuensi kedipan dapat dipengaruhi faktor yang berbeda seperti : kondisi dan perintah. Dalam keadaan normal atau bebas dari stres rata-rata kedipan mata adalah 15 sampai 20 kali permenit. Frekuensi ini menurun sampai 3 kali permenit ketika membaca. Frekuensi tersebut meningkat dalam keaadaan stress, tertekan ataupun ketika menutupnya mata saat dibutuhkan.
Indikator untuk mengetahui seseorang sedang mengantuk dapat dideskripsikan ketika kondisi normal (tidak mengantuk) posisi kelopak mata membuka lebar sebelum menutup. Ketika menutupmemiliki interfal waktu yang cepat (kurang dari satu detik). Ketika seseorang mulai lelah dan mengantuk, jarak antara kedua kelopak mata semakin menyempit dan frekuensi kedipan semakin menurun hingga tertidur.
Untuk memodelkan pengemudi yang sedang mengantuk dapat diindikasikan bahwa terdapat parameter-parameter sebagai berikut:
1. Menurunnya interest interest terhadap lingkungan .
2. Meningkatnya kantuk atau kecenderungan untuk tidur, yaitu ditandai dengan meningkatnya durasi kedipan mata untuk menutup.
Menurut studi yang dilakukan oleh Phillip .P. Caffier [10], mengelompokkan tingkatan kantuk berdasarkan durasi kedipan mata. Umumnya durasi kedipan rata-rata adalah kurang dari 400 Ms dan 75 Ms untuk minimum. Berdasarkan alasan ini, maka digunakan 400 Ms sebagai waktu kantuk (T_kantuk) dan 800 Ms sebagai waktu telah tertidur (T_tidur).
Tabel 2.1 Deteksi kantuk berdasarkan durasi kedipan Level Kantuk DeskripsiNormal (Terbangun) Durasi kedipan < T_kantuk Mengantuk Durasi kedipan > T_kantuk dan Durasi kedipan < T_tidur Tidur Durasu kedipan >= T_tidur
Macam – macam gambar mata mengantuk
Gambar 2.3 Mengantuk 1 Gambar 2.4 Mengantuk 2Gambar 2.5 Mengantuk 32.3 Pengolahan Citra ( Image Processing )
Pengolahan citra (image processing) adalah pengolahan suatu citra (gambar) dengan menggunakan komputer secara khusus, untuk menghasilkan suatu citra yang lain. Sesuai dengan perkembangan komputer itu sendiri, pengolahan citra mempunyai dua tujuan utama[6], yaitu sebagai berikut:
1. Memperbaiki kualitas citra, dimana citra yang dihasilkan dapat menampilkan informasi secara jelas. Hal ini berarti manusia sebagai pengolah informasi
(human perception).
2. Mengekstraksi informasi ciri yang menonjol pada suatu citra, dimana hasilnya adalah informasi citra dimana manusia mendapatkan informasi ciri dari citra secara numerik atau dengan kata lain computer (mesin) melakukan interprestasi terhadap informasi yang ada pada citra melalui besaran-besaran data yang dapat dibedakan secara jelas (berupa besaran numerik).
Dalam perkembangan lebih lanjut, image processing dan computer vision digunakan sebagai pengganti mata manusia dengan perangkat input image capture seperti kamera dan scanner dijadikan sebagai mata dan mesin komputer dijadikan sebagai otak yang mengolah informasi. Oleh sebab itu uncul beberapa pecahan bidang yang menjadi penting dalam computer vision antara lain: pattern
recognition (pengenalan pola), biometric (pengenalan identifikasi manusia
berdasarkan ciri-ciri biologis yang tampak pada badan manusia), content based
image and video retrieval (mendapatkan kembali citra atau video dengan
2.4 Dasar – Dasar Pengolahan Citra Digital
Citra digital diasumsikan dengan persamaan f(x,y) dimana x menyatakan nomor baris, y menyatakan nomor kolom, dan f menyatakan nilai derajat keabuan dari citra. Sehingga (x,y) adalah posisi dari piksel dan f adalah nilai derajat keabuan pada titik (x,y). Kecerahan setiap citra disimpan dengan cara pemberian nomor pada setiap piksel. Makin tinggi nomor piksel maka makin gelap (hitam) piksel tersebut. Begitu juga sebaliknya makin rendah nilai piksel tersebut maka makin terang. Sistem yang umum memiliki 256 tingkat kecerahan untuk setiap piksel, yang paling terang adalah 255 dan yang paling gelap adalah 0.
Gambar 2.6 Citra DigitalCitra atau gambar terbagi dalam tiga tipe adalah sebagai berikut: [6]
Gambar 2.6 Citra Digitala. Gambar Grayscale Citra yang terdiri dari satu layer warna dengann derajat keabuan tertentu. Dinyatakan dalam suatu fungsi : .............. (2.1)
b. Gambar Biner Citra yang hanya memiliki dua nilai yaitu 1 dan 0. Dinyatakan dalam suatu fungsi : ......................(2.2) c. Gambar berwarna Citra yang terdiri dari tiga layer warna yaitu RGB (Red-Green-Blue) dimana R-layer adalah matrik yang menyatakan derajat kecerahan untuk warna merah, G-layer adalah matrik yang menyatakan derajat kecerahan untuk warna hijau, dan B-layer adalah matrik yang menyatakan derajat kecerahan untuk warna biru. Representasi dalam citra digital dinyatakan dalam persamaan :
...............................(2.3) Proses pengolahan citra digital dengan menggunakan komputer digital adalah terlebih dahulu mentransformasikan citra ke dalam bentuk besaran-besaran diskrit dari nilai tingkat keabuan pada titik-titik elemen citra. Bentuk citra ini disebut citra digital. Elemen-elemen citra digital apabila ditampilkan dalam layar monitor akan menempati sebuah ruang yang disebut dengan piksel (picture elemen/pixel).
2.5 Computer Vision
Terminologi lain yang berkaitan erat dengan pengolahan citra digital adalah
computer vision atau machine computer. Pada hakikatnya, computer vision
mencoba meniru cara kerja visual manusia (Human Vision). Human Vision sesungguhnya sangat kompleks, manusia melihat objek dengan indera penglihatan (mata) kemudian objek citra diteruskan ke otak untuk diinterpretasi sehingga manusia mengerti objek apa yang tampak dalam pandangan matanya. Hasil interpretasi ini mungkin digunakan untuk mengambil suatu keputusan [6].
Sebagaimana layaknya mata dan otak, computer vision adalah merupakan proses otomatis yang mengintegrasikan sejumlah besar proses untuk persepsi visual, seperti akuisisi citra, pengolahan citra, pengenalan dan membuat keputusan. Computer vision mencoba meniru cara kerja sistem visual manusia
(human vision) yang sesungguhnya sangat kompleks, setelah data objek yang
Manusia melihat dengan objek dengan indera penglihatan (mata), lalu citra objek diteruskan ke otak untuk diinterpretasi sehingga manusia mengerti objek apa yang tampak dalam pandangan mata. Hasil interpretasi ini digunakan untuk pengambilan keputusan (misal ketika mata pengemudi mengantuk, alarm system bekerja). Proses-proses dalam computer vision dibagi dalam 3 (tiga) aktifitas : 1. Memperoleh atau mengakuisisi citra digital.
2. Melakukan teknik komputasi untuk memproses atau memodifikasi data citra.
3. Menganalisis dan menginterpretasi citra menggunakan hasil pemrosesan untuk tujuan tertentu, misalnya memandu robot, mengontrol peralatan, memantau manufaktur dan lain-lain.
Pengolahan citra merupakan proses awal (preprocessing) pada computer
vision, sedangkan pengenalan pola merupakan proses untuk menginterpretasi
citra. Teknik-teknik di dalam pengenalan pola memainkan peranan penting dalam computer vision untuk mengenali objek.
Pengolahan citra merupakan proses awal pada computer vision, pengenalan pola merupakan proses untuk menginterpretasi citra.
2.6 Pengenalan Pola
Pengenalan pola adalah mengelompokkan data numerik dan simbolik (termasuk citra) secara otomatis oleh mesin (komputer).Tujuan pengelompokkan adalah untuk mengenali suatu objek di dalam citra.Manusia bisa mengenali objek yang dilihatnya karena otak manusia telah belajar mengklasifikasi objek-objek di alam sehingga mampu membedakan suatu objek dengan objek lainnya.Kemampuan sistem visual manusia yang dicoba ditiru oleh mesin. Komputer menerima masukan berupa citra objek yang akan diidentifikasi, memproses citra tersebut dan memberikan keluaran berupa informasi/deskripsi objek di dalam citra.[5]
Gambar 2.7 Pola pengenalan[5]Contoh pengenalan pola misalnya citra pada Gambar 5adalah citra mata yang digunakansebagai data masukan untuk mengenali mata. Dengan menggunakan suatu algoritmapengenalan pola, diharapkan komputer dapat mengenali bahwa citra tersebut adalah mata.
2.7 Deteksi Mata (Eye Detection)
Untuk deteksi mata, pada penelitian ini menggunakan metode yang dibangun oleh EmguCV. Deteksi objek oleh EmguCV diajukan oleh Paul Viola dan dikembangkan oleh Rainer Lienhart.EmguCV menggunakan tipe deteksi objek yang disebut Haar Cascade Classifier. Dengan memberikan gambar yang berasal dari file maupun live video, detector ini menguji tiap lokasi gambar dan mengklasifikasi sebagai objek atau bukan objek (dalam penelitian ini mata atau bukan mata). Klasifikasi dilakukan dengan menggunakan data yang disimpan dalam file XML, dimana berfungsi untuk memutuskan klasifikasi tiap lokasi gambar. Instaler EmguCV sudah termasuk didalamnya data XML, untuk deteksi objek.Dalam aplikasinya cukup memberitahu software, dimana dapat menemukan
file data yang ingin digunakan [3].
2.8 Haar Cascade Classifier
Proses deteksi adanya citra mata dalam sebuah gambar pada OpenCV, menggunakan sebuah metode yang dipublikasikan oleh Paul Viola dan Michael Jones tahun 2001. Umumnya disebut metode Haar Classifier.Metode ini merupakan metode yang menggunakan statistical model (classifier)[7]. Pendekatan untuk mendeteksi objek dalam gambar menggabungkan empat konsep utama:
1. Training data
2. Fitur segi empat sederhana yang disebut fitur Haar
4. Pengklasifikasi bertingkat (Cascade classifier) untuk menghubungkan banyak fitur secara efisien
2.8.1 Training Data pada Haar
Metode ini memerlukan 2 tipe gambar objek dalam proses training yang dilakukan[7], yaitu :
1. Positive samples Berisi gambar objek yang ingin di deteksi, apabila ingin mendeteksi mata maka
positive samples ini berisi gambar mata, begitu juga objek lain yang ingin
dikenali.2. Negative samples Berisi gambar objek selain objek yang ingin dikenali, umumnya berupa gambar
background (tembok, pemandangan, lantai, dan gambar lainnya). Resolusi untuk
sampel negatif disarankan untuk memiliki resolusi yang sama dengan resolusi kamera.
Training dari Haar menggunakan dua tipe sampel diatas.Informasi dari hasil
training ini lalu dikonversi menjadi sebuah parameter model statistik.2.8.2 Sistem kerja Algoritma Haar Cascade Classifier
Algoritma Haar menggunakan metode statistikal dalam melakukan pengenalan mata. Metode ini menggunakan simple haar-like features dan juga
AdaBoost Classifier. Classifier ini menggunakan gambar berukuran tetap. Cara
kerja dari Haar dalam mendeteksi mata adalah menggunakan teknik resize pada gambar dan mencari apakah terdapat bagian dari gambar yang berbentuk seperti mata atau tidak. Haar juga memiliki kemampuan untuk melakukan scaling sehingga dapat mendeteksi adanya mata yang berukuran lebih besar ataupun lebih kecil dari gambar pada classifier. Tiap feature dari haar-like feature didefinisikan pada bentuk dari feature, diantaranya koordinat dari feature dan juga ukuran dari
feature tersebut.
2.9 Persiapan DataSet data training
Dataset terdiri dari 2 buah sample. Sample positif adalah gambar yang mengandung obyek yang akan dideteksi. Jika kita menginginkan mata mengantuk Sample negatif adalah gambar yang tidak mengandung obyek yang akan dideteksi. Seperti gambar pegunungan, mobil dsb. Masukkan sample positif pada 1 direktori, misalnya positiveSample/rawdata. Sedangkan sample negatif, dimasukkan pada /negativeSample. Catatan: file gambar harus file *.bmp.
2.9.1 Membuat infofile.txt untuk Sample Negative
Gunakan create_list.bat pada folder /negativeSample untuk mencatatkan nama file sample negative pada infofile.txt.
2.9.2 Membuat info.txt untuk Sample Positive Kemudian jalankan program objectmarker.exe pada folder positiveSample.
Ketika program ini dijalankan, maka akan muncul satu per satu file dari sample positiveSample. Kemudian tandai obyek yang dimaksud dari gambar tersebut dengan menggerakkan kursor mouse membentuk sebuah box persegi panjang. Kemudian tekan spasi untuk menambahkan box tersebut, lalu tekan enter untuk beralih pada file gambar berikutnya. Kalau berhasil, maka info.txt akan berisi data gambar
Gambar 2.8 Objectmarker.exe2.9.3 Membuat file vector.vec dari Sample Positive
Lalu kita gunakan tool createsamples.exe untuk mengubah obyek gambar ke file vec. Jalankan perintah berikut pada dos command.
Gambar 2.9 tool createsamples.exe pada dos commandTabel 2.2 Keterangan parameter:Parameter Explanation Info<collection of filename> Lokasi tempat image berada Num<sample_width> Jumlah positive image yang di training W<sample_width> Panjang image H<sample_height> Lebar dari image Vec<vec_file_name> Binary file yang menampung hasil olahan dari positive image Maka bila hal ini telah berhasil dijalankan maka akan muncul pada folder /data, file vector.vec
2.9.4 Memulai HaarTraining
Setelah kita punya file vector.vec maka kita mulai haartraining. Jalankan program haartraining.exe di dos command:
Gambar 2.10 Haartraining.exe di dos commandTabel 2.3 Keterangan parameter:Parameter Explanation Data <dir_name> Tempat folder cascade of classifier akan disimpan Voo <voo_filename> Informasi nama image Bg <background_filename> Mengandung informasi negatif image Nneg <number_negativ_samples> Menunjukan banyaknya jumlah negatif image> Npos <number_positive_samples> Menunjukan banyaknya positive image Men <memory_in_MB> Banyaknya memory yang dipakai selama proses pembuatan cascade of classifier
Nonsym Untuk memastikan datanya bukan simetrik Mode ALL Untuk memastikan parameter tidak ditulis dalam kondisi default W <sample_width> Tinggi dan lebar image H <sample_height> lalu pada folder tools/temp/data/cascade maka akan muncul folder mulai dari 0 sampai N. Kemudian copy semua folder tersebut pada tools/cascade2xml/data.
2.9.5 Membuat file *.xml Jalankan haarconv.exe pada folder /cascade2xml di dos command sebagai berikut: Jika berhasil, maka akan muncul file output.xml pada folder /cascade2xml.
<opencv_storage> <haarcascade_eye type_id="opencv-haar-classifier"> <size> 24 24</size> <stages>
<_> <!-- stage 0 --> <trees> <_> <!-- tree 0 --> <_> <!-- root node --> <feature> <rects> <_> 8 12 3 8 -1.</_> <_> 8 16 3 4 2.</_></rects> <tilted>0</tilted></feature> <threshold>0.0273259896785021</threshold> <left_val>-0.9060062170028687</left_val> <right_node>1</right_node></_> <_> <!-- node 1 --> <feature> <rects> <_> 5 11 8 9 -1.</_> <_> 7 11 4 9 2.</_></rects> <tilted>0</tilted></feature> <threshold>-7.0568458177149296e-03</threshold> <left_val>0.9338570833206177</left_val> <right_val>-0.4585995972156525</right_val></_></_>
Tabel 2.4 KeteranganThreshold Merupakan nilai amabang batas suatu objek apakah objek mata tertutup (mengantuk) atau tidak
Left_val Nilai dari ambang batas sebelah kiri (atas)
Right_val Nilai dari ambang batas sebelah kanan (bawah)
Stage_threshold Nilai yang dipilih untuk ambang batas mata tertutup Size Dengan size untuk image 24x24
2.10 DFD (Data Flow Diagram)
Data Flow Diagram (DFD) adalah sebuah diagram yang menggunakan
notasi untuk menggambarkan arus data dari sistem. Penggunaan notasi ini sangat membantu dalam komunikasi dengan pemakai sistem untuk memahami sistem secara logika. Penggunaan DFD sebagai modelling tools dipopulerkan oleh Tom De Marco (1978) dan Gane & Sarson (1979) dengan menggunakan pendekatan metoda analisis sistem terstruktur (structured system analysis methode) [3].
2.9.1 Simbol-Simbol Pada DFD Berikut ini merupakan beberapa simbol yang digunakan untuk pemodelan menggunakan DFD [3]:
1. Eksternal Entity
Entity bisa berupa orang atau organisasi yang berada diluar sistem yang memberikan data kepada sistem atau yang menerima informasi dari sistem. Berikut ini adalah gambar eksternal entity pada DFD : Menggambarkan apa yang dilakukan oleh sistem. Berfungsi mentransformasikan satu atau beberapa data masukan menjadi satu atau beberapadata keluaran sesuai dengan spesifikasi yang diinginkan. Berikut ini adalah gambar proses pada DFD :
Gambar 2.12 Proses3. Data Flow Data Flow menggambarkan aliran data dari suatu entity ke entity lainnya. Arah
panah menggambarkan aliran data. Aliran data bisa terjadi antara :
a. Dua proses yang berurutan b. Dari data store ke proses dan sebaliknya.
c. Dari source ke proses d. Dari proses ke link. Berikut ini adalah gambar data flow pada DFD :
Gambar 2.13 Data Flow4. Data Store
Menggambarkan tempat penyimpanan data. Proses dapat mengambil data dari atau memberi data ke store. Berikut ini adalah gambar data store pada DFD :
Gambar 2.14 Data Store2.11 Pengujian
Ada dua macam pengujian yang akan dilakukan, yaitu pengujian performansi dan black box testing. Pengujian performansi yaitu dengan melakukan percobaan-percobaan dalam kondisi-kondisi tertentu seperti pengaruh posisi wajah pada saat pendeteksian, jarak wajah terhadap webcam, dan pengaruh pencahayaan terhadap deteksi mata. Pengujian pada black box testing yaitu menemukan kesalahan yang terdapat pada program.
2.11.1 Pengujian Performansi
Pengujian performansi dilakukan dengan serangkaian percobaan- percobaan dalam kondisi-kondisi tertentu yang dapat mempengaruhi keefektifan kinerja sistem pendeteksian mata mengantuk.
2.11.2 Pengujian Black Box
Black Box Testing ini bertujuan untuk menunjukkan fungsi perangkat lunak tentang cara beroperasinya, apakah pemasukan data keluaran telah berjalan sebagaimana yang diharapkan dan apakah informasi yang disimpan secara eksternal selalu dijaga kemutakhirannya. Tehnik pengujian black-box berfokus pada domain informasi dari perangkat lunak, dengan melakukan test case dengan menpartisi domain input dari suatu program dengan cara yang memberikan cakupan pengujian yang mendalam. Metode pengujian graph-based mengeksplorasi hubungan antara dan tingkah laku objek-objek program. Partisi ekivalensi membagi domain input ke dalam kelas data yang mungkin untuk melakukan fungsi perangkat lunak tertentu. Analisis nilai batas memeriksaa kemampuan program untuk menangani data pada batas yang dapat diterima. Metode pengujian yang terspesialisasi meliputi sejumlah luas kemampuan perangkat lunak dan area aplikasi. GUI, arsitektur client/ server, dokumentasi dan fasilitas help dan sistem real time masing-masing membutuhkan pedoman dan tehnik khusus untuk pengujian perangkat lunak [9].
2.12 Software Pendukung
2.12.1 Bahasa Pemrograman C#
Bahasa C# adalah sebuah bahasa pemrograman modern yang bersifat general-purpose, berorientasi objek, yang dapat digunakan untuk membuat program di atas arsitektur Microsoft .NET Framework. Bahasa C# ini memiliki kemiripan dengan bahasa Java, C dan C++ .
Bahasa pemrograman ini dikembangkan oleh sebuah tim pengembang di Microsoft yang dipimpin oleh Anders Hejlsberg, seorang yang telah lama malang melintang di dunia pengembangan bahasa pemrograman karena memang ialah yang membuat Borland Turbo Pascal, Borland Delphi, dan juga Microsoft J++.
Kini, C# telah distandarisasi oleh European Computer Manufacturer Association (ECMA) dan juga International Organization for Standardization (ISO) yang mendukung beberapa fitur baru semacam Language Integrated Query (LINQ) dan lain-lainnya.
2.12.2 Microsoft Visual Studio 2010
Merupakan sebuah perangkat lunak lengkap (suite) yang dapat digunakan untuk melakukan pengembangan aplikasi, baik itu aplikasi bisnis, aplikasi personal, ataupun komponen aplikasinya, dalam bentuk aplikasi console, aplikasi Windows, ataupun aplikasi Web. Visual Studio mencakup kompiler, SDK, Integrated Development Environment (IDE), dan dokumentasi (umumnya berupa MSDN Library). Kompiler yang dimasukkan ke dalam paket Visual Studio antara lain Visual C++, Visual C#, Visual Basic, Visual Basic .NET, Visual InterDev, Visual J++, Visual J#, Visual FoxPro, dan Visual SourceSafe.
Microsoft Visual Studio dapat digunakan untuk mengembangkan aplikasi dalam native code (dalam bentuk bahasa mesin yang berjalan di atas Windows) ataupun managed code (dalam bentuk Microsoft Intermediate Language di atas mengembangkan aplikasi Silverlight, aplikasi Windows Mobile (yang berjalan di atas .NET Compact Framework).
Microsoft kini merilis Microsoft Visual Studio 2010 dan Microsoft .NET Framework 4.0.Dua tool yang paling banyak digunakan untuk mengembangkan program di atas Windows, Windows Mobile, Web (ASP.NET), Silverlight, dan beberapa platform lainnya.
2.12.3 OpenCV 2.3.1
OpenCV 2.3.1 adalah suatu library gratis yang dikembangkan oleh Intel
Corporation.Library ini terdiri fungsi-fungsi computer vision dan image
processing tingkat tinggi.OpenCV diusulkan kepada para programmer untuk dapat
menciptakan aplikasi yang handal, kuat dibidang digital vision.Karena library ini bersifat cuma-cuma dan terbuka, OpenCV tidak dipesan khusus untuk pengguna arsitektur Intel, tetapi dapat dibangun hampir semua arsitektur.
Semua kode program ditulis dalam C/C++/C# bahasa dan di-compile dengan gcc/g++/gsharp.Suatu pengetahuan yang umum tentang C programming adalah penting untuk memahami metodeprogramming digunakan di OpenCV [8].
BAB 3 ANALISIS DAN PERANCANGAN
3.1. Analisis Sistem
Analisis sistem merupakan tahap penguraian konsep menjadi lebih sederhana, sehingga struktur logisnya menjadi lebih jelas. Analisis sistem terdiri dari beberapa tahapan, diantaranya analisis masalah,analisis proses, analisis metode, analisis kebutuhan non-fungsional, dan analisis kebutuhan fungsional.
3.1.1 Analisis Masalah