Pengenalan Jari Tangan Sebagai Interaksi Pada Augmented Reality Bangunan Heritage Kota Medan Kawasan Matsum dan Kesawan
6
BAB 2
LANDASAN TEORI
Bab kedua dari penelitian ini akan membahas tentang teori-teori pendukung dan
penelitian sebelumnya yang berhubungan dengan OpenCVdan penerapannya.
2.1
Computer Vision
Computer Vision adalah ilmu dan teknologi mesin yang melihat, dimana “lihat” dalam
hal ini berarti bahwa mesin mampu mengekstrak informasi dari gambar yang
diperlukan untuk menyelesaikan tugas tertentu. Sebagai suatu disiplin ilmu, visi
komputer berkaitan dengan teori di balik sistem buatan yangmengekstrak informasi
dari gambar. Data gambar dapat mengambil banyak bentuk, seperti urutan video,
pandangan dari beberapa kamera, atau data multi-dimensi dari scanner medis.
Menurut Sockman dan Saphiro (2000) ,Computer Vision adalah “To make
useful decisions about real physical objects and scenes based on sensed images”.
sedangkan menurut Forsyth and Ponce: “Extracting descriptions of the world from
pictures or sequences of pictures”.
Computer Vision adalah kombinasi antara Pengolahan Citra dan Pengenalan
Pola. Pengolahan Citra (Image Processing) merupan bidang yang berhubungan dengan
proses transformasi citra/gambar (image). Proses ini bertujuan untuk mendapatkan
kualitas citra yang lebih baik. Sedangkan Pengenalan Pola (Pattern Recognition),
bidang ini berhungan dengan proses indenfikasi obyek pada citra atau interpretasi
citra. Proses ini bertujuan untuk mengekstrak informasi/pesan yang disampain oleh
gambar citra.
Fungsi / Proses pada Computer Vision :Untuk menunjang tugas Computer
Vison, terdapat beberapa fungsi pendukung ke dalam sistem ini, yaitu :
Universitas Sumatera Utara
7
2.1.1
Proses penangkapan citra (Image Acquisition)
Image Acqusition pada manusia dimulai pada mata, kemudian informasi visual
diterjemahkan de dalam suatu format yang kemudian dapat dimanipulasi oleh
otak.Senada dengan proses diatas, computer vision membutuhkan sebuah mata untuk
menangkap sebuah sinyal visual.Umumnya mata pada computer vision adalah sebuah
kamera video.Kamera menerjemahkan sebuah scane atau image.Keluaran dari kamera
ini adalah berupa sinyal analog, dimana frekuensi dan amplitudonya (frekuensi
berhubungan dengan jumlah sinyal dalam satu detik, sedangkan amplitudo berkaitan
dengan tingginya sinyal listrik yang dihasilkan) merepresentasikan detail ketajaman
(brightness) pada scene.
Kamera mengamati sebuah kejadian pada satu jalur dalam satu waktu,
memindainya dan membaginya menjadi ratusan garis horizontal yang sama.Tiap-tiap
garis membuat sebuah sinyal analog yang amplitudonya menjelaskan perubahan
brightness sepanjang garis sinyal tersebut.
Kemudian sinyal listrik ini diubah menjadi bilangan biner yang akan digunakan
oleh komputer untuk pemprosesan.Karena komputer tidak bekerja dengan sinyal
analog, maka sebuah analog-to-digital converter (ADC), dibutuhkan untuk
memproses semua sinyal tersebut oleh komputer.ADC ini akan mengubah sinyal
analog yang direpresentasikan dalam bentuk informasi sinyal tunggal kedalam sebuah
aliran (stream) sejumlah bilang biner.Bilangan biner ini kemuudian disimpan didalam
memori dan akan menjadi data raw yang akan diproses.
2.1.2
Proses pengolahan citra (Image Processing)
Tahapan berikutnya computer vision akan melibatkan sejumlah manipulasi utama
(initial manipulation) dari data binary tersebut,Image processing membatu
peningkatan dan perbaikan kualitas image, sehingga dapat dianalisa dan di olah lebih
jauh secara lebih efisien.Image processing akan meningkatkan perbandingan sinyal
terhadap noise (signal-to-noise ratio = s/n).Sinyal-sinyal tersebut adalah informasi
yang akan merepresentasikan objek yang ada dalam image.Sedangkan noise adalah
segala bentuk interferensi, kekurangan pengamburan, yang terjadi pada suatu objek.
Universitas Sumatera Utara
8
2.1.3
Analisa data citra (Image Analysis)
Image analysisakan mengeksplorasi scane ke dalam bentuk karateristik utama dari
objek melalui suatu proses intvestigasi.Sebuah program komputer akan mulai melihat
melalui
bilangan
biner
yang
merepresentasikan
informasi
visual
untuk
mengidentifikasi fitur-fitur spesifikasi dan karekteristiknya.Lebih khusus lagi program
image analysis digunakan untuk mencari tepi dan batas-batasan objek dalam
image.Sebuah tepian (edge) berbentuk antara objek dan latar belakangnya atau antara
dua objek yang spesifik.Tepi ini akan terdeteksi sebagai akibat dari perbedaan level
brightness pada sisi yang berbeda dengan salah satu batasnya.
2.1.4
Proses pemahaman data citra (Image Recoginition)
Ini adalah langkah terakhir dalam proses computer vision, yang mana spesifik
objek dan hubungannya diidentifikasi.Pada bagian ini akan melibatkan kajian tentang
teknik-teknik artificial interlligent.Recognition berkaitan dengan tamplate matching
yang ada dalam sebuah tulisan scene.Metode ini menggunakan program pencarian
(search program) dan teknik penyesuaian pola (pattern matching techniques).
2.2
Augmented Reality
Menurut Azuma (1997) Augmented Reality (AR) adalah variasi dari Virtual
Environment (VE), atauVirtual Reality lebih sering disebut.Teknologi VE benar-benar
memasukkan atau mengenggelamkan pengguna sepenuhnya kedalam lingkungan
sintetis atau buatan. Sementara pengguna berada didalam lingkungan virutal ,
pengguna tidak dapat melihat nyatadunia di sekelilingnya. Sebaliknya, AR
memungkinkan pengguna untuk melihat dunia nyata, dengan objek virtual yang telah
disisipkan atau ditambahkan dengan dunia nyata.Menurut penjelasan (Hallerdan
Thomas, 2007), riset Augmented Reality bertujuan untuk mengembangkan teknologi
yang memperbolehkan penggabungan secara real-time terhadap digital content yang
dibuat oleh komputer dengan dunia nyata. Augmented Reality memperbolehkan
pengguna melihat objek maya dua dimensi atau tiga dimensi yang diproyeksikan
terhadap dunia nyata. (Emerging Technologies of Augmented Reality: Interfaces and
Design).
Universitas Sumatera Utara
9
Teknologi AR ini dapat menyisipkan suatu informasi tertentu ke dalam dunia
maya dan menampilkannya di dunia nyata dengan bantuan perlengkapan seperti
webcam, komputer, HP Android, maupun kacamata khusus.User ataupun pengguna
didalam dunia nyata tidak dapat melihat objek maya dengan mata telanjang, untuk
mengidentifikasi objek dibutuhkanperantara berupa komputer dan kamera yang
nantinya akan menyisipkan objek maya ke dalam dunia nyata.Ada terdapat 2 metode
yang dikembangkan pada Augmented Reality saat ini yaitu ,Marker Based Tracking
dan Markless Augmented Reality.:
•
Marker Augmented Reality (Marker Based Tracking)
Marker biasanya merupakan ilustrasi hitam dan putih persegi dengan batas hitam tebal
dan latar belakang putih. Komputer akan mengenali posisi dan orientasi marker dan
menciptakan dunia virtual 3D yaitu titik (0,0,0) dan tiga sumbu yaitu X, Y, dan Z.
Marker Based Tracking ini sudah lama dikembangkan sejak 1980-an dan pada awal
1990-an mulai dikembangkan untuk penggunaan Augmented Reality.
•
Markerless Augmented Reality
Salah satu metode Augmented Reality yang saat ini sedang berkembang adalah
metode Markerless Augmented Reality, dengan metode ini pengguna tidak perlu lagi
menggunakan sebuah marker untuk menampilkan elemen-elemen digital, dengan tool
yang disediakan Qualcomm untuk pengembangan Augmented Reality berbasis mobile
device, mempermudah pengembang untuk membuat aplikasi yang markerless
(Qualcomm, 2012).
Seperti yang saat ini dikembangkan oleh perusahaan Augmented Reality
terbesar di dunia Total Immersion dan Qualcomm, mereka telah membuat berbagai
macam teknik Markerless Tracking sebagai teknologi andalan mereka, seperti Face
Tracking, 3D Object Tracking, dan Motion Tracking.
2.3
Citra Digital
Citra digital adalah citra dua dimensi yang dapat ditampilkan pada layar monitor
komputer sebagai himpunan berhingga (diskrit) nilai digital yang disebut pixel (picture
elements). Pixel adalah elemen citra yang memiliki nilai yang menunjukkan intensitas
warna. Berdasarkan cara penyimpanan atau pembentukannya, citra digital dapatdibagi
menjadi dua jenis. Jenis pertama adalah citra digital yang dibentuk olehkumpulan pixel
Universitas Sumatera Utara
10
dalam array dua dimensi.Citra jenis ini disebut citra bitmap atau citra raster.Jenis citra
yang
kedua
adalah
citrayang
dibentuk
oleh
fungsi-fungsi
geometri
dan
matematika.Jenis citra ini disebutgrafik vektor.Citra digital (diskrit) dihasilkan dari
citra analog (kontinu) melalui digitalisasi.Digitalisasi citra analog terdiri sampling
danquantitazion.Sampling adalah pembagian citra ke dalam elemen-elemen diskrit
(pixel), sedangkan quantitazion adalah pemberian nilai intensitaswarna pada setiap
pixel dengan nilai yang berupa bilangan bulat (Awcock,1996).
2.4
Pengolahan Citra Digital
Pengolahan citra merupakan teknik manipulasi citra secara digital yang khususnya
menggunakan komputer, menjadi citra lain yang sesuai untuk digunakan dalam
aplikasi tertentu. Agar mudah diinterpretasi oleh manusia atau komputer, pengolahan
citra harus dilakukan dengan berbagai macam metode untuk mencapai citra sesuai
yang diinginkan.Operasi pengolahan citra digital umumnya dilakukan dengan tujuan
memperbaiki kualitas suatu gambar sehingga dapat dengan mudah diinterpretasikan
oleh mata manusia dan untuk mengolah informasi yang ada pada suatu gambar untuk
kebutuhan identifikasi objek secara otomatis.
2.4.1
Gray-Scaling
Proses awal yang banyak dilakukan dalam image processing adalah mengubah citra
berwarna menjadi citra gray-scale, hal ini digunakan untukmenyederhanakan model
citra. Seperti telah dijelaskan di depan, citra berwarna terdiri dari 3 layer matrik yaitu
R- layer, G-layer dan B-layer. Sehingga untuk melakukan proses-proses selanjutnya
tetap diperhatikan tiga layer di atas. Bila setiap proses perhitungan dilakukan
menggunakan tiga layer, berarti dilakukan tiga perhitungan yang sama. Sehingga
konsep itu diubah dengan mengubah 3 layer di atas menjadi 1 layer matrik gray-scale
dan hasilnya adalah citra gray-scale.Dalam citra ini tidak ada lagi warna, yang ada
adalah derajat keabuan.
Untuk mengubah citra berwarna yang mempunyai nilai matrik masing-masing
r, g dan b menjadi citra gray-scale dengan nilai s, maka konversi dapat dilakukan
dengan mengambil rata-rata dari nilai r, g dan b sehingga dapat dituliskan menjadi:
I (x,y) = ��,� +�(�,�)+�(�,�)3…………………………………….….(2.1)
Universitas Sumatera Utara
11
Keterangan:
I (x,y) = nilai intensitas citra grayscale
R (x,y) = nilai intensitas warna merah dari citra asal
G (x,y) = nilai intensitas warna hijau dari citra asal
B (x,y) = nilai intensitas warna biru dari citra asal
Atau dapat menggunakan persamaan:
I = ( 0,299 x R(x,y)) + ( 0,587 x G(x,y)) + (0,144 x B(x,y)) ……… (2.2)
(Taylor dan Francis Group, 2007)
2.4.2
Thresholding
Thresholding merupakan konversi citra berwarna ke citra biner yang dilakukan dengan
cara mengelompokkan nilai derajat keabuan setiap pixel kedalam 2 kelas, hitam dan
putih. Pada citra hitam putih terdapat 256 level, artinya mempunyai skala “0” sampai
“255” atau [0,255], dalam hal ini nilai intensitas 0 menyatakan hitam, dan nilai
intensitas 255 menyatakan putih, dan nilai antara 0 sampai 255 menyatakan warna
keabuan yang terletak antara hitam dan putih (Munir, 2004).
Pada operasi pengambangan, nilai intensitas pixel dipetakan ke salah satu dari
dua nilai, α₁ atau α₂, berdasarkan nilai ambang (threshold) T dapat ditunjukkan seperti
pada persamaan 2.3
��, ′= α₁,f x,y π maka p0 dianggap sebagai titik refleks dan p0 bukan anggota M.
Himpunan akhir H adalah {p1, p9, p7, p5, p3}.(Alif Muqtadiret al, 2013).
Gambar 2.5 Convex-hull(Amiraj dan Vipul, 2013)
Universitas Sumatera Utara
15
2.4.7
Convexity Defects
Convex hull dari kontur lengan bawah dihitung untuk mendapatkan convexity defects
dari kontur. Convexity defects menyediakan informasi yang sangat berguna untuk
memahami bentuk kontur. Banyak karakteristik dari kontur yang rumit dapat
digambarkan dengan convexity defects.Pada pembahasan sebelumnya, dijelaskan
bahwa titik-titik yang membentuk convex hull harus merupakan bagian dari kontur.
Langkah pertama dalam mencari convexity defects adalah menemukan titik awal
(starting point) dari convexity defects pada kontur. Titik awal convexity defects adalah
sebuah titik pada kontur yang juga termasuk dalam titik-titik convex hull, tapi titik
selanjutnya pada kontur tidak termasuk dalam titik-titik convex hull. Gambar 2.6
menjelaskan titik awal dari convexity defects.Kontur dicari dengan jalur searah jarum
jam.Titik merah adalah titik pertama yang termasuk dalam convex hull, tapi titik
selanjutnya tidak termasuk dalam convex hull.Setelah definisi titik awal diketahui, titik
akhir pun juga demikian.Titik akhir didefinisikan sebagai titik dari kontur yang
termasuk dalam titik-titik convex hull, tapi titik sebelumnya tidak termasuk dalam
titik-titik convex hull.Sebagaimana yang ditunjukkan oleh Gambar 2.6, titik ungu
adalah titik akhir dari convexity defects. Dengan menghubungkan titik awal, titik akhir,
dan titik di antara keduanya, area dari convexity defects dapat diketahui sebagaimana
ditunjukkan oleh sebagaimana ditunjukkan oleh Gambar 2.7.(Rudy dan Marcus,
2012).
Gambar 2.6 Titik awal (starting point) dan titik akhir (ending point) convexity
defect (Aliq dan bambang, 2016).
Universitas Sumatera Utara
16
Gambar 2.7 Area convexity defects(Aliq dan bambang, 2016)
2.5
OpenCV
OpenCV (Open Source Computer Vision) adalah open source library yang berisi lebih
dari 500 algoritma teroptimasi untuk analisa citra atau video.Sejak diperkenalkan pada
tahun 1999, OpenCV sebagian besar telah diadopsi sebagai alat pengembangan utama
oleh komunitas peneliti dan pengembang dalam bidang komputer visi.OpenCV pada
awalnya dikembangkan di Intel oleh tim yang dipimpin oleh Gary Bradski sebagai
inisiatif untuk memajukan penelitian dalam visi dan mempromosikan pengembangan
aplikasi yang kaya dan berbasis visi-CPU-intensif. Setelah OpenCV versi Beta
diluncurkan, versi 1.0 diluncurkan pada tahun 2006.Rilis besar kedua terjadi pada
tahun 2009 dengan diluncurkannya OpenCV 2 yang menawarkan banyak perubahan
penting.OpenCV didesain untuk digunakan bersama dengan Intel Image Processing
Library (IPL) dan memperluas fungsionalitas terhadap citra dan pola analisis. Oleh
karena itu, OpenCV berbagi format (iplImage) citra yang sama dengan IPL.
Pengaplikasian OpenCVdapat digunakan untuk interaksi antara manusia dan
computer, misalnya wajah dari manusiadideteksi oleh camera/webcam, lalu di proses
oleh computer, untuk melakukan aksitertentu seperti mengikuti/mengenal wajah orang
tersebut.Kesemuanya itumembutuhkan OpenCV sebagai program utama antara
webcam dan perangkatnya yaitucomputer maupun smartphone. Library ini terdiri dari
fungsi-fungsi computer vision danAPI (Aplication Programming Interface) untuk
image processing high level maupun lowlevel dan sebagai optimisasi aplikasi
realtime. OpenCV sangat disarankan untukprogrammer yang akan berkutat pada
bidang computer vision, karena library ini mampumenciptakan aplikasi yang handal,
kuat dibidang digital vision, dan mempunyaikemampuan yang mirip dengan cara
pengolahan pada manusia.
Universitas Sumatera Utara
17
2.6
Unity 3D
Unity3D merupakan sebuah tools yang terintegrasi untuk membuat bentuk obyek 3
dimensi pada video games atau untuk konteks interaktif lain seperti visualisasi
arsitektur atau animasi 3D real-time. Lingkungan dari pengembangan unity3D
berjalan pada Microsoft Windows dan Mac Os X. Serta aplikasi yang dibuat oleh
unity3D dapat berjalan pada Windows, Mac, Xbox 360, Playstation 3, Wii, Ipad,
Iphone dan tidak ketinggalan pada platform Android. Unity juga dapat membuat game
berbasis browser yang menggunakan Unityweb player plugin, yang dapat bekerja
pada Mac dan Windows, tapi tidak pada Linux.
Adapan fitur–fitur yang dimiliki Unity 3D (Rizki et al. 2012) antara lain sebagai
berikut :
1.
Integrated Development Environment (IDE) atau lingkungan pengembangan
terpadu.
2.
Penyebaran hasil aplikasi pada banyak platform. Seperti Android, Flash, iOS,
Blackberry, Wii, Xbox dan lain – lain.
3.
Engine Grafis menggunakan Direct3D (Windows), OpenGL (Mac, Windows),
OpenGL ES (iOS) dan proprietary (Wii).
4.
Game Scripting melalui Mono, Scripting yang dibangun pada Mono, implementasi
Open Source dari NET Framework. Selain itu pemrograman dapat menggunakan
Unity Script (Bahasa Kustom dengan sintaks Java Script-Inspired, bahasa C# atau
Boo (yang memiliki sintaks-Python-inspired).
2.7
C#
C# (dibaca C-Sharp) adalah bahasa pemrograman untuk .NetEnvironment.C# adalah
bahasa baru yang miskin kompatibilitas tapi memiliki banyak fitur yang menarik dan
menjanjikan. C# adalah bahasa pemrograman berbasis obyek yang memiliki inti,
banyak kemiripannya dengan Java, C++, dan VB. Kenyataannya, C# menggabungkan
efisiensi dari C++, desain berbasis objek yang sederhana dan bersih dari Java dan
penyederhanaan bahasa dari Visual Basic. Seperti Java, C# juga tidak membolehkan
multipleinhetitance atau penggunaan pointer (pada safe/managed code), tapi
menyediakan garbage memory collection pada runtime, tipe dan pengecekan akses
Universitas Sumatera Utara
18
memori.Akan tetapi, berlawanan dengan Java, C# mempertahankan operasi berguna
yang unik pada C++ seperti operator overloading, enumeration, pre-processor
directive, pointer (pada unmanaged/unsafe code), danfunction pointer (pada
pengutusan form).
2.8
Penelitian Terdahulu
Penelitian yang dilakukan Nayana P B dan Sanjev Kubakaddi mengimplementasikan
teknik pengenalan gestur tangan untuk Human Computer Interaction (HCI)
menggunakan OpenCV. Pada penelitian ini, gambar gerakan tangan yang diambil oleh
kamera dijadikan sebagai input untuk algoritma. Algoritma yang digunakan mampu
mengenali jumlah jari yang hadir dalam gerakan tangan
Pada tahun 2015,penelitian yang dilakukan oleh Hu Peng yang berjudul
Application Research on Face Detection Technology based on OpenCV in Mobile
Augmented Reality membahastentang pengembangan dan tipe teknologi dari teknologi
deteksi wajah dan augmented realitymobile. Perangkat lunak yaang mendukung
penelitian ini antara lain yaitu,Unity3D,3Ds Max dan lainnya. Hasil dari penelitian ini
yaitu ketika kamera mendeteksi wajah,maka akan muncul wajah 3D pada posisi yang
sesuai dan dapat bergerak mengikuti wajah yang dideteksi .pengguna dapat
berinteraksi dengan wajah 3D dengan menekan layar.
Pada tahun tahun 2014 ,Sajjad Ur Rahman, Zeenat Afroze dan Mohammed
Tareq, Melakukan penelitian yang meneliti teknik untuk interaksi manusia-mesin
berdasarkan pengenalan gestur menggunakan teknologi OpenCV yang mana
menyediakan struktur data untuk image processing denganefisiensi terbaik. Pada
penelitian ini, seluruh gambar gestur tangan ditangkap oleh web camera. Algoritma
yang digunakan yaitu convexity defects membantu untuk menentukan lokasi telapak
tangan dan ujung jari.
Pada tahun 2012, Rudy Hartanto dan Marcus Nurtiantono Aji membuat sebuah
Perancangan Awal Antarmuka Gestur Tangan Berbasis Visual. Pada penelitian ini
para penelitidalam mendeteksi awal citra menggunakan algoritma segmentasi dengan
deteksi warna kulit menggunakan ruang warna YCrCb.masih dengan menggunakan
metode convexity defects untuk mendeteksi jumlah jari tangan. Jumlah jari yang
Universitas Sumatera Utara
19
didapat akan digunakan sebagai instruksi perintah mouse seperti move, klik kiri, klik
kanan, klik ganda , dan drag.
Pada tahun 2013, Amiraj Dhawan dan Vipul Honrao, melakukan penelitian
yaitu Implementation of Hand Detection based Techniques for Human Computer
Interaction. Pada penelitian ini didapat berbagai teknik untuk interaksi manusiakomputer secara efisien. Adapun teknik segmentasi yang digunakan pada penelitian
ini yaitu, Thresholding menggunakan metode Otsu, Incremental Thresholding Value,
dan Color based Thresholding. Untuk ekstraksi fitur ,penelitian ini menggunakan
contour, convex-hull dan convexity defects.
Pada tahun 2012, penelitian yang dilakukan oleh Hasup lee et al yaitu Hand
Gesture Recognition using Blob Detection for Immersive Projection Display
System.Pada penelitian ini pendeteksian warna kulit berdasarkan warna menggunakan
ruang warna HSV.Untuk pengolahan morfologi citra menggunakan metode dilasi dan
erosi.Disini peneliti menggunakan dua tangan dimana masing-masing gestur tangan
memiliki
instruksi
yang
berbeda.Untuk
pengenalan
gestur,
penelitian
ini
menggunakan blob detection.
Perbedaan penelitian ini dari penelitian sebelumnya adalah dimana pada
penelitian sebelumnya para peneliti hanya sekedar melakukan pelacakan untuk
mendapatkan lokasi tangan,mengenali pola dan menghitung jumlah jari saja. namun
penelitian yang akan dibuat bersamaan dengan teknologi Augmented Reality dimana
gestur yang akan dikenali sistem akan menjadi sebuah perintah pada aplikasi
Augmented Reality yang dibangun seperti pemilihan sceneobjek Warisan budayaKota
Medan pada aplikasi.
Tabel 2.1. Penelitian Terdahulu
NO. Peneliti
1.
Judul
Tahun
Nayana P B dan Implementation of Hand Gesture Recognition 2014
SanjevKubakaddi Technique for HCI using OpenCV
2.
Hu Peng
Application
research
on
face
detection 2015
technology based on OpenCV in mobile
augmented reality
Universitas Sumatera Utara
20
3.
Rudy
dan
Hartanto Perancangan Awal Antarmuka Gesture Tangan 2012
Marcus Berbasis Visual
Nurtiantono Aji
4.
Ur Hand Gesture Recognition Techniques For 2014
Sajjad
dan Human Computer Interaction Using OpenCV
Rahman,
Zeenat
Afroze,
dan Mohammed
Tareq
5.
Amiraj Dhawan Implementation of Hand Detection based 2013
dan
Vipul Techniques for Human Computer Interaction
Honrao
6.
Hasup Lee,
Hand Gesture Recognition using Blob
Yoshisuke
Detection for Immersive Projection Display
Tateyama, dan
System
2012
Tetsuro Ogi
Universitas Sumatera Utara
BAB 2
LANDASAN TEORI
Bab kedua dari penelitian ini akan membahas tentang teori-teori pendukung dan
penelitian sebelumnya yang berhubungan dengan OpenCVdan penerapannya.
2.1
Computer Vision
Computer Vision adalah ilmu dan teknologi mesin yang melihat, dimana “lihat” dalam
hal ini berarti bahwa mesin mampu mengekstrak informasi dari gambar yang
diperlukan untuk menyelesaikan tugas tertentu. Sebagai suatu disiplin ilmu, visi
komputer berkaitan dengan teori di balik sistem buatan yangmengekstrak informasi
dari gambar. Data gambar dapat mengambil banyak bentuk, seperti urutan video,
pandangan dari beberapa kamera, atau data multi-dimensi dari scanner medis.
Menurut Sockman dan Saphiro (2000) ,Computer Vision adalah “To make
useful decisions about real physical objects and scenes based on sensed images”.
sedangkan menurut Forsyth and Ponce: “Extracting descriptions of the world from
pictures or sequences of pictures”.
Computer Vision adalah kombinasi antara Pengolahan Citra dan Pengenalan
Pola. Pengolahan Citra (Image Processing) merupan bidang yang berhubungan dengan
proses transformasi citra/gambar (image). Proses ini bertujuan untuk mendapatkan
kualitas citra yang lebih baik. Sedangkan Pengenalan Pola (Pattern Recognition),
bidang ini berhungan dengan proses indenfikasi obyek pada citra atau interpretasi
citra. Proses ini bertujuan untuk mengekstrak informasi/pesan yang disampain oleh
gambar citra.
Fungsi / Proses pada Computer Vision :Untuk menunjang tugas Computer
Vison, terdapat beberapa fungsi pendukung ke dalam sistem ini, yaitu :
Universitas Sumatera Utara
7
2.1.1
Proses penangkapan citra (Image Acquisition)
Image Acqusition pada manusia dimulai pada mata, kemudian informasi visual
diterjemahkan de dalam suatu format yang kemudian dapat dimanipulasi oleh
otak.Senada dengan proses diatas, computer vision membutuhkan sebuah mata untuk
menangkap sebuah sinyal visual.Umumnya mata pada computer vision adalah sebuah
kamera video.Kamera menerjemahkan sebuah scane atau image.Keluaran dari kamera
ini adalah berupa sinyal analog, dimana frekuensi dan amplitudonya (frekuensi
berhubungan dengan jumlah sinyal dalam satu detik, sedangkan amplitudo berkaitan
dengan tingginya sinyal listrik yang dihasilkan) merepresentasikan detail ketajaman
(brightness) pada scene.
Kamera mengamati sebuah kejadian pada satu jalur dalam satu waktu,
memindainya dan membaginya menjadi ratusan garis horizontal yang sama.Tiap-tiap
garis membuat sebuah sinyal analog yang amplitudonya menjelaskan perubahan
brightness sepanjang garis sinyal tersebut.
Kemudian sinyal listrik ini diubah menjadi bilangan biner yang akan digunakan
oleh komputer untuk pemprosesan.Karena komputer tidak bekerja dengan sinyal
analog, maka sebuah analog-to-digital converter (ADC), dibutuhkan untuk
memproses semua sinyal tersebut oleh komputer.ADC ini akan mengubah sinyal
analog yang direpresentasikan dalam bentuk informasi sinyal tunggal kedalam sebuah
aliran (stream) sejumlah bilang biner.Bilangan biner ini kemuudian disimpan didalam
memori dan akan menjadi data raw yang akan diproses.
2.1.2
Proses pengolahan citra (Image Processing)
Tahapan berikutnya computer vision akan melibatkan sejumlah manipulasi utama
(initial manipulation) dari data binary tersebut,Image processing membatu
peningkatan dan perbaikan kualitas image, sehingga dapat dianalisa dan di olah lebih
jauh secara lebih efisien.Image processing akan meningkatkan perbandingan sinyal
terhadap noise (signal-to-noise ratio = s/n).Sinyal-sinyal tersebut adalah informasi
yang akan merepresentasikan objek yang ada dalam image.Sedangkan noise adalah
segala bentuk interferensi, kekurangan pengamburan, yang terjadi pada suatu objek.
Universitas Sumatera Utara
8
2.1.3
Analisa data citra (Image Analysis)
Image analysisakan mengeksplorasi scane ke dalam bentuk karateristik utama dari
objek melalui suatu proses intvestigasi.Sebuah program komputer akan mulai melihat
melalui
bilangan
biner
yang
merepresentasikan
informasi
visual
untuk
mengidentifikasi fitur-fitur spesifikasi dan karekteristiknya.Lebih khusus lagi program
image analysis digunakan untuk mencari tepi dan batas-batasan objek dalam
image.Sebuah tepian (edge) berbentuk antara objek dan latar belakangnya atau antara
dua objek yang spesifik.Tepi ini akan terdeteksi sebagai akibat dari perbedaan level
brightness pada sisi yang berbeda dengan salah satu batasnya.
2.1.4
Proses pemahaman data citra (Image Recoginition)
Ini adalah langkah terakhir dalam proses computer vision, yang mana spesifik
objek dan hubungannya diidentifikasi.Pada bagian ini akan melibatkan kajian tentang
teknik-teknik artificial interlligent.Recognition berkaitan dengan tamplate matching
yang ada dalam sebuah tulisan scene.Metode ini menggunakan program pencarian
(search program) dan teknik penyesuaian pola (pattern matching techniques).
2.2
Augmented Reality
Menurut Azuma (1997) Augmented Reality (AR) adalah variasi dari Virtual
Environment (VE), atauVirtual Reality lebih sering disebut.Teknologi VE benar-benar
memasukkan atau mengenggelamkan pengguna sepenuhnya kedalam lingkungan
sintetis atau buatan. Sementara pengguna berada didalam lingkungan virutal ,
pengguna tidak dapat melihat nyatadunia di sekelilingnya. Sebaliknya, AR
memungkinkan pengguna untuk melihat dunia nyata, dengan objek virtual yang telah
disisipkan atau ditambahkan dengan dunia nyata.Menurut penjelasan (Hallerdan
Thomas, 2007), riset Augmented Reality bertujuan untuk mengembangkan teknologi
yang memperbolehkan penggabungan secara real-time terhadap digital content yang
dibuat oleh komputer dengan dunia nyata. Augmented Reality memperbolehkan
pengguna melihat objek maya dua dimensi atau tiga dimensi yang diproyeksikan
terhadap dunia nyata. (Emerging Technologies of Augmented Reality: Interfaces and
Design).
Universitas Sumatera Utara
9
Teknologi AR ini dapat menyisipkan suatu informasi tertentu ke dalam dunia
maya dan menampilkannya di dunia nyata dengan bantuan perlengkapan seperti
webcam, komputer, HP Android, maupun kacamata khusus.User ataupun pengguna
didalam dunia nyata tidak dapat melihat objek maya dengan mata telanjang, untuk
mengidentifikasi objek dibutuhkanperantara berupa komputer dan kamera yang
nantinya akan menyisipkan objek maya ke dalam dunia nyata.Ada terdapat 2 metode
yang dikembangkan pada Augmented Reality saat ini yaitu ,Marker Based Tracking
dan Markless Augmented Reality.:
•
Marker Augmented Reality (Marker Based Tracking)
Marker biasanya merupakan ilustrasi hitam dan putih persegi dengan batas hitam tebal
dan latar belakang putih. Komputer akan mengenali posisi dan orientasi marker dan
menciptakan dunia virtual 3D yaitu titik (0,0,0) dan tiga sumbu yaitu X, Y, dan Z.
Marker Based Tracking ini sudah lama dikembangkan sejak 1980-an dan pada awal
1990-an mulai dikembangkan untuk penggunaan Augmented Reality.
•
Markerless Augmented Reality
Salah satu metode Augmented Reality yang saat ini sedang berkembang adalah
metode Markerless Augmented Reality, dengan metode ini pengguna tidak perlu lagi
menggunakan sebuah marker untuk menampilkan elemen-elemen digital, dengan tool
yang disediakan Qualcomm untuk pengembangan Augmented Reality berbasis mobile
device, mempermudah pengembang untuk membuat aplikasi yang markerless
(Qualcomm, 2012).
Seperti yang saat ini dikembangkan oleh perusahaan Augmented Reality
terbesar di dunia Total Immersion dan Qualcomm, mereka telah membuat berbagai
macam teknik Markerless Tracking sebagai teknologi andalan mereka, seperti Face
Tracking, 3D Object Tracking, dan Motion Tracking.
2.3
Citra Digital
Citra digital adalah citra dua dimensi yang dapat ditampilkan pada layar monitor
komputer sebagai himpunan berhingga (diskrit) nilai digital yang disebut pixel (picture
elements). Pixel adalah elemen citra yang memiliki nilai yang menunjukkan intensitas
warna. Berdasarkan cara penyimpanan atau pembentukannya, citra digital dapatdibagi
menjadi dua jenis. Jenis pertama adalah citra digital yang dibentuk olehkumpulan pixel
Universitas Sumatera Utara
10
dalam array dua dimensi.Citra jenis ini disebut citra bitmap atau citra raster.Jenis citra
yang
kedua
adalah
citrayang
dibentuk
oleh
fungsi-fungsi
geometri
dan
matematika.Jenis citra ini disebutgrafik vektor.Citra digital (diskrit) dihasilkan dari
citra analog (kontinu) melalui digitalisasi.Digitalisasi citra analog terdiri sampling
danquantitazion.Sampling adalah pembagian citra ke dalam elemen-elemen diskrit
(pixel), sedangkan quantitazion adalah pemberian nilai intensitaswarna pada setiap
pixel dengan nilai yang berupa bilangan bulat (Awcock,1996).
2.4
Pengolahan Citra Digital
Pengolahan citra merupakan teknik manipulasi citra secara digital yang khususnya
menggunakan komputer, menjadi citra lain yang sesuai untuk digunakan dalam
aplikasi tertentu. Agar mudah diinterpretasi oleh manusia atau komputer, pengolahan
citra harus dilakukan dengan berbagai macam metode untuk mencapai citra sesuai
yang diinginkan.Operasi pengolahan citra digital umumnya dilakukan dengan tujuan
memperbaiki kualitas suatu gambar sehingga dapat dengan mudah diinterpretasikan
oleh mata manusia dan untuk mengolah informasi yang ada pada suatu gambar untuk
kebutuhan identifikasi objek secara otomatis.
2.4.1
Gray-Scaling
Proses awal yang banyak dilakukan dalam image processing adalah mengubah citra
berwarna menjadi citra gray-scale, hal ini digunakan untukmenyederhanakan model
citra. Seperti telah dijelaskan di depan, citra berwarna terdiri dari 3 layer matrik yaitu
R- layer, G-layer dan B-layer. Sehingga untuk melakukan proses-proses selanjutnya
tetap diperhatikan tiga layer di atas. Bila setiap proses perhitungan dilakukan
menggunakan tiga layer, berarti dilakukan tiga perhitungan yang sama. Sehingga
konsep itu diubah dengan mengubah 3 layer di atas menjadi 1 layer matrik gray-scale
dan hasilnya adalah citra gray-scale.Dalam citra ini tidak ada lagi warna, yang ada
adalah derajat keabuan.
Untuk mengubah citra berwarna yang mempunyai nilai matrik masing-masing
r, g dan b menjadi citra gray-scale dengan nilai s, maka konversi dapat dilakukan
dengan mengambil rata-rata dari nilai r, g dan b sehingga dapat dituliskan menjadi:
I (x,y) = ��,� +�(�,�)+�(�,�)3…………………………………….….(2.1)
Universitas Sumatera Utara
11
Keterangan:
I (x,y) = nilai intensitas citra grayscale
R (x,y) = nilai intensitas warna merah dari citra asal
G (x,y) = nilai intensitas warna hijau dari citra asal
B (x,y) = nilai intensitas warna biru dari citra asal
Atau dapat menggunakan persamaan:
I = ( 0,299 x R(x,y)) + ( 0,587 x G(x,y)) + (0,144 x B(x,y)) ……… (2.2)
(Taylor dan Francis Group, 2007)
2.4.2
Thresholding
Thresholding merupakan konversi citra berwarna ke citra biner yang dilakukan dengan
cara mengelompokkan nilai derajat keabuan setiap pixel kedalam 2 kelas, hitam dan
putih. Pada citra hitam putih terdapat 256 level, artinya mempunyai skala “0” sampai
“255” atau [0,255], dalam hal ini nilai intensitas 0 menyatakan hitam, dan nilai
intensitas 255 menyatakan putih, dan nilai antara 0 sampai 255 menyatakan warna
keabuan yang terletak antara hitam dan putih (Munir, 2004).
Pada operasi pengambangan, nilai intensitas pixel dipetakan ke salah satu dari
dua nilai, α₁ atau α₂, berdasarkan nilai ambang (threshold) T dapat ditunjukkan seperti
pada persamaan 2.3
��, ′= α₁,f x,y π maka p0 dianggap sebagai titik refleks dan p0 bukan anggota M.
Himpunan akhir H adalah {p1, p9, p7, p5, p3}.(Alif Muqtadiret al, 2013).
Gambar 2.5 Convex-hull(Amiraj dan Vipul, 2013)
Universitas Sumatera Utara
15
2.4.7
Convexity Defects
Convex hull dari kontur lengan bawah dihitung untuk mendapatkan convexity defects
dari kontur. Convexity defects menyediakan informasi yang sangat berguna untuk
memahami bentuk kontur. Banyak karakteristik dari kontur yang rumit dapat
digambarkan dengan convexity defects.Pada pembahasan sebelumnya, dijelaskan
bahwa titik-titik yang membentuk convex hull harus merupakan bagian dari kontur.
Langkah pertama dalam mencari convexity defects adalah menemukan titik awal
(starting point) dari convexity defects pada kontur. Titik awal convexity defects adalah
sebuah titik pada kontur yang juga termasuk dalam titik-titik convex hull, tapi titik
selanjutnya pada kontur tidak termasuk dalam titik-titik convex hull. Gambar 2.6
menjelaskan titik awal dari convexity defects.Kontur dicari dengan jalur searah jarum
jam.Titik merah adalah titik pertama yang termasuk dalam convex hull, tapi titik
selanjutnya tidak termasuk dalam convex hull.Setelah definisi titik awal diketahui, titik
akhir pun juga demikian.Titik akhir didefinisikan sebagai titik dari kontur yang
termasuk dalam titik-titik convex hull, tapi titik sebelumnya tidak termasuk dalam
titik-titik convex hull.Sebagaimana yang ditunjukkan oleh Gambar 2.6, titik ungu
adalah titik akhir dari convexity defects. Dengan menghubungkan titik awal, titik akhir,
dan titik di antara keduanya, area dari convexity defects dapat diketahui sebagaimana
ditunjukkan oleh sebagaimana ditunjukkan oleh Gambar 2.7.(Rudy dan Marcus,
2012).
Gambar 2.6 Titik awal (starting point) dan titik akhir (ending point) convexity
defect (Aliq dan bambang, 2016).
Universitas Sumatera Utara
16
Gambar 2.7 Area convexity defects(Aliq dan bambang, 2016)
2.5
OpenCV
OpenCV (Open Source Computer Vision) adalah open source library yang berisi lebih
dari 500 algoritma teroptimasi untuk analisa citra atau video.Sejak diperkenalkan pada
tahun 1999, OpenCV sebagian besar telah diadopsi sebagai alat pengembangan utama
oleh komunitas peneliti dan pengembang dalam bidang komputer visi.OpenCV pada
awalnya dikembangkan di Intel oleh tim yang dipimpin oleh Gary Bradski sebagai
inisiatif untuk memajukan penelitian dalam visi dan mempromosikan pengembangan
aplikasi yang kaya dan berbasis visi-CPU-intensif. Setelah OpenCV versi Beta
diluncurkan, versi 1.0 diluncurkan pada tahun 2006.Rilis besar kedua terjadi pada
tahun 2009 dengan diluncurkannya OpenCV 2 yang menawarkan banyak perubahan
penting.OpenCV didesain untuk digunakan bersama dengan Intel Image Processing
Library (IPL) dan memperluas fungsionalitas terhadap citra dan pola analisis. Oleh
karena itu, OpenCV berbagi format (iplImage) citra yang sama dengan IPL.
Pengaplikasian OpenCVdapat digunakan untuk interaksi antara manusia dan
computer, misalnya wajah dari manusiadideteksi oleh camera/webcam, lalu di proses
oleh computer, untuk melakukan aksitertentu seperti mengikuti/mengenal wajah orang
tersebut.Kesemuanya itumembutuhkan OpenCV sebagai program utama antara
webcam dan perangkatnya yaitucomputer maupun smartphone. Library ini terdiri dari
fungsi-fungsi computer vision danAPI (Aplication Programming Interface) untuk
image processing high level maupun lowlevel dan sebagai optimisasi aplikasi
realtime. OpenCV sangat disarankan untukprogrammer yang akan berkutat pada
bidang computer vision, karena library ini mampumenciptakan aplikasi yang handal,
kuat dibidang digital vision, dan mempunyaikemampuan yang mirip dengan cara
pengolahan pada manusia.
Universitas Sumatera Utara
17
2.6
Unity 3D
Unity3D merupakan sebuah tools yang terintegrasi untuk membuat bentuk obyek 3
dimensi pada video games atau untuk konteks interaktif lain seperti visualisasi
arsitektur atau animasi 3D real-time. Lingkungan dari pengembangan unity3D
berjalan pada Microsoft Windows dan Mac Os X. Serta aplikasi yang dibuat oleh
unity3D dapat berjalan pada Windows, Mac, Xbox 360, Playstation 3, Wii, Ipad,
Iphone dan tidak ketinggalan pada platform Android. Unity juga dapat membuat game
berbasis browser yang menggunakan Unityweb player plugin, yang dapat bekerja
pada Mac dan Windows, tapi tidak pada Linux.
Adapan fitur–fitur yang dimiliki Unity 3D (Rizki et al. 2012) antara lain sebagai
berikut :
1.
Integrated Development Environment (IDE) atau lingkungan pengembangan
terpadu.
2.
Penyebaran hasil aplikasi pada banyak platform. Seperti Android, Flash, iOS,
Blackberry, Wii, Xbox dan lain – lain.
3.
Engine Grafis menggunakan Direct3D (Windows), OpenGL (Mac, Windows),
OpenGL ES (iOS) dan proprietary (Wii).
4.
Game Scripting melalui Mono, Scripting yang dibangun pada Mono, implementasi
Open Source dari NET Framework. Selain itu pemrograman dapat menggunakan
Unity Script (Bahasa Kustom dengan sintaks Java Script-Inspired, bahasa C# atau
Boo (yang memiliki sintaks-Python-inspired).
2.7
C#
C# (dibaca C-Sharp) adalah bahasa pemrograman untuk .NetEnvironment.C# adalah
bahasa baru yang miskin kompatibilitas tapi memiliki banyak fitur yang menarik dan
menjanjikan. C# adalah bahasa pemrograman berbasis obyek yang memiliki inti,
banyak kemiripannya dengan Java, C++, dan VB. Kenyataannya, C# menggabungkan
efisiensi dari C++, desain berbasis objek yang sederhana dan bersih dari Java dan
penyederhanaan bahasa dari Visual Basic. Seperti Java, C# juga tidak membolehkan
multipleinhetitance atau penggunaan pointer (pada safe/managed code), tapi
menyediakan garbage memory collection pada runtime, tipe dan pengecekan akses
Universitas Sumatera Utara
18
memori.Akan tetapi, berlawanan dengan Java, C# mempertahankan operasi berguna
yang unik pada C++ seperti operator overloading, enumeration, pre-processor
directive, pointer (pada unmanaged/unsafe code), danfunction pointer (pada
pengutusan form).
2.8
Penelitian Terdahulu
Penelitian yang dilakukan Nayana P B dan Sanjev Kubakaddi mengimplementasikan
teknik pengenalan gestur tangan untuk Human Computer Interaction (HCI)
menggunakan OpenCV. Pada penelitian ini, gambar gerakan tangan yang diambil oleh
kamera dijadikan sebagai input untuk algoritma. Algoritma yang digunakan mampu
mengenali jumlah jari yang hadir dalam gerakan tangan
Pada tahun 2015,penelitian yang dilakukan oleh Hu Peng yang berjudul
Application Research on Face Detection Technology based on OpenCV in Mobile
Augmented Reality membahastentang pengembangan dan tipe teknologi dari teknologi
deteksi wajah dan augmented realitymobile. Perangkat lunak yaang mendukung
penelitian ini antara lain yaitu,Unity3D,3Ds Max dan lainnya. Hasil dari penelitian ini
yaitu ketika kamera mendeteksi wajah,maka akan muncul wajah 3D pada posisi yang
sesuai dan dapat bergerak mengikuti wajah yang dideteksi .pengguna dapat
berinteraksi dengan wajah 3D dengan menekan layar.
Pada tahun tahun 2014 ,Sajjad Ur Rahman, Zeenat Afroze dan Mohammed
Tareq, Melakukan penelitian yang meneliti teknik untuk interaksi manusia-mesin
berdasarkan pengenalan gestur menggunakan teknologi OpenCV yang mana
menyediakan struktur data untuk image processing denganefisiensi terbaik. Pada
penelitian ini, seluruh gambar gestur tangan ditangkap oleh web camera. Algoritma
yang digunakan yaitu convexity defects membantu untuk menentukan lokasi telapak
tangan dan ujung jari.
Pada tahun 2012, Rudy Hartanto dan Marcus Nurtiantono Aji membuat sebuah
Perancangan Awal Antarmuka Gestur Tangan Berbasis Visual. Pada penelitian ini
para penelitidalam mendeteksi awal citra menggunakan algoritma segmentasi dengan
deteksi warna kulit menggunakan ruang warna YCrCb.masih dengan menggunakan
metode convexity defects untuk mendeteksi jumlah jari tangan. Jumlah jari yang
Universitas Sumatera Utara
19
didapat akan digunakan sebagai instruksi perintah mouse seperti move, klik kiri, klik
kanan, klik ganda , dan drag.
Pada tahun 2013, Amiraj Dhawan dan Vipul Honrao, melakukan penelitian
yaitu Implementation of Hand Detection based Techniques for Human Computer
Interaction. Pada penelitian ini didapat berbagai teknik untuk interaksi manusiakomputer secara efisien. Adapun teknik segmentasi yang digunakan pada penelitian
ini yaitu, Thresholding menggunakan metode Otsu, Incremental Thresholding Value,
dan Color based Thresholding. Untuk ekstraksi fitur ,penelitian ini menggunakan
contour, convex-hull dan convexity defects.
Pada tahun 2012, penelitian yang dilakukan oleh Hasup lee et al yaitu Hand
Gesture Recognition using Blob Detection for Immersive Projection Display
System.Pada penelitian ini pendeteksian warna kulit berdasarkan warna menggunakan
ruang warna HSV.Untuk pengolahan morfologi citra menggunakan metode dilasi dan
erosi.Disini peneliti menggunakan dua tangan dimana masing-masing gestur tangan
memiliki
instruksi
yang
berbeda.Untuk
pengenalan
gestur,
penelitian
ini
menggunakan blob detection.
Perbedaan penelitian ini dari penelitian sebelumnya adalah dimana pada
penelitian sebelumnya para peneliti hanya sekedar melakukan pelacakan untuk
mendapatkan lokasi tangan,mengenali pola dan menghitung jumlah jari saja. namun
penelitian yang akan dibuat bersamaan dengan teknologi Augmented Reality dimana
gestur yang akan dikenali sistem akan menjadi sebuah perintah pada aplikasi
Augmented Reality yang dibangun seperti pemilihan sceneobjek Warisan budayaKota
Medan pada aplikasi.
Tabel 2.1. Penelitian Terdahulu
NO. Peneliti
1.
Judul
Tahun
Nayana P B dan Implementation of Hand Gesture Recognition 2014
SanjevKubakaddi Technique for HCI using OpenCV
2.
Hu Peng
Application
research
on
face
detection 2015
technology based on OpenCV in mobile
augmented reality
Universitas Sumatera Utara
20
3.
Rudy
dan
Hartanto Perancangan Awal Antarmuka Gesture Tangan 2012
Marcus Berbasis Visual
Nurtiantono Aji
4.
Ur Hand Gesture Recognition Techniques For 2014
Sajjad
dan Human Computer Interaction Using OpenCV
Rahman,
Zeenat
Afroze,
dan Mohammed
Tareq
5.
Amiraj Dhawan Implementation of Hand Detection based 2013
dan
Vipul Techniques for Human Computer Interaction
Honrao
6.
Hasup Lee,
Hand Gesture Recognition using Blob
Yoshisuke
Detection for Immersive Projection Display
Tateyama, dan
System
2012
Tetsuro Ogi
Universitas Sumatera Utara