Perancangan Sistem Analisis Data Pengujian Ruangan Pengujian dan Pencahayaan

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

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 Cropping dan Resizing 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

Pada tahap ini, citra pose jari tangan yang awalnya mempunyai format citra RGB, akan dikonversi terlebih dahulu menjadi format HSV. Hal ini dilakukan untuk proses segmentasi HSV. Proses konversi RGB ke HSV, digunakan sintaks utama yang sudah dijelaskan pad Bab II, yaitu rgb2hsv . Diagram alir dari proses konversi citra RGB ke HSV terdapat pada Gambar 3.2. 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 Selesai PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 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 Selesai PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 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 B 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 Selesai B 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 Downsampling 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 C 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 D C 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 E 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 Selesai PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 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 + ...+ p C tr A L 5 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 Angka Uji Jarak Pengujian  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 ′ , ] Setelah menghitung rerata matriks hasil ekstraksi ciri pada setiap variasi citra, selanjutnya dilakukan penyusunan matriks database. Hasil dari susunan matriks ini, selanjutnya akan dijadikan acuan dalam proses perhitungan korelasi template matching . Berdasarkan persamaan korelasi pada Bab II, matriks database ini merupakan matriks b. Untuk lebih jelasnya berikut ini susunannya.  Susunan Matriks Database Hasil Rerata Citra 32 x 32 Piksel : 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 : 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 8 x 8 Piksel : 0 1 2 …… 9 [ A ′ , A ′ , A ′ , .. . A ′ , B ′ , B ′ , B ′ , . .. B ′ , C ′ , C ′ , C ′ , . .. C ′ , J ′ , J ′ , … … … . . J ′ , . . . J ′ , ] Angka Uji Matriks Hasil Rerata PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 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 : Tingkat Pengenalan = Banyak Pola Angka ASL yang dikenali secara Tepat Banyak Pola Angka ASL yang diuji x

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. Cahaya yang masuk melaui pintu dihalangi menggunakan papan agar tidak menimbulkan efek silau pada citra.

3.7. Perancangan Tampilan GUI