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