Perangkat Lunak Capture Plat Nomor Polisi Mobil dengan Algoritma Jaringan Syaraf Tiruan Learning Vector Quantization dan Back Propagation Berbasis IP Camera

BAB 2 TINJAUAN PUSTAKA

2.1 Proses Pengolahan Citra Plat Nomor Polisi

  Pada tahap pengolahan citra, sampel data citra plat nomor kendaraan mengalami beberapa tahap operasi pengolahan citra, yaitu operasi binerisasi, open-close

  morphology

  , median filtering, slicing dan resizing. Operasi binerisasi pertama sekali dilakukan pada citra plat nomor kendaraan. Di tahap ini sebuah citraberwarna atau abu-abu diubah menjadi suatu citra biner. Citra biner diwakili oleh matriks dua dimensi yang hanya mempunyai dua nilai intensitas (“0” dan“1”), yaitu hitam dan putih saja. Pada operasi ini, nilai intensitas warna setiap piksel pada suatu citra akan diubah berdasarkan nilai ambang (threshold) yang telah ditentukan. Apabila nilai intensitasnya lebih besar dari nilai threshold maka nilai tersebut akan diubah menjadi bit 1 (warna putih). Sebaliknya, jika nilainya lebih kecil dari nilai threshold maka nilainya akan diubah menjadi bit 0 (warna hitam).

  Proses selanjutnya, citra plat nomor kendaraan yang sudah bersifat biner akan mengalami proses filtering menggunakan opening-closing dan median filter. Proses

  

filtering ini dilakukan dengan tujuan untuk menghilangkan noise dan memperhalus

  citra. Dengan melakukan operasi opening-closing terlebih dahulu pada citra, maka akan didapatkan citra dengan noise yang berkurang, dan memperkecil noise yang besar yang tidak bisa dihilangkan dengan median filtering secara langsung. Dengan dilakukanya dua operasi filtering ini, akan didapatkan citra yang jauh lebih bersih dari

  noise .

  Setelah citra plat nomor kendaraan sudah relatif bersih dari noise, langkah selanjutnya adalah proses slicing. Proses ini akan memisahkan karakter-karakter pada citra plat nomor kendaraan menjadi satu citra dengan satu karakter tunggal yang utuh.

  Setelah didapatkan karakter tunggal, kemudian dilakukan operasi resizing. Pada tahap ini akan dihasilkan satu citra berisi satu karakter (angka atau huruf) dengan ukuran seragam yaitu 20 x 11 piksel. Dalam proses pengubahan ukuran (resizing), metode yang digunakan adalah interpolasi tetangga terdekat. Pada interpolasi ini, nilai

  Sampling Kuantisasi

  (menunjukkan jumlah bit pada gambar digital, misal b/w dengan dua bit, grayscale dengan delapan bit, true color dengan 24 bit).

  2

  32

  2

  8 x 4 = 32

  depth

  CMYK Warna yang terdiri dari 4 channel, yaitu Cyan, Magenta, Yellow, Black yang masing – masing memiliki 8 bit

  = 16.777.216 variasi warna

  24

  2

  = 2 variasi warna RGB Warna yang disusun oleh 3 channel, yaitu Red, Green, Blue yang masing – masin memiliki 8 bit depth 8 x 3 =24

  1

  1 bit

  Citra atau umumnya dikenal gambar merupakan kumpulan titik-titik penyusun citra itu sendiri. Titik-titik tersebut dikenal dengan pixel. Banyaknya titik-titik penyusun citra tersebut disebut resolusi. Jadi resolusi merupkan MxN pixel. Masing- masing pixel yang menyusun suatu citra dapat memiliki warna yang berbeda-beda, yang disebut dengan bit depth. Bit depth dinyatakan dengan angka yang bersatuan bit. Sebagai contoh bit depth = 3, artinya terdapat 2

  = 256 variasi warna Monokrom Warna yang hanya terdiri dari hitam dan putih

  8

  2

  8 bit depth

  Jumlah variasi warna Grayscale Warna keabuan, disusun oleh warna dasar Red, Green, Blue yang masing – masing memiliki nilai dasar yang sama. Misal = Red = 67, Green = 67, dan Blue = 67. Dari suatu nilai yang sama akan membentuk satu warna kebuan yang berbeda pada rentang gradasi hitam dan putih

  depth

  Keterangan Ukuran bit

  Tabel 2.1Jenis Mode Warna Jenis Mode Warna

  = 8 variasi yang mungkin untuk setiap pixel-nya. Semakin besar nilai bit depth, maka semakin besar pula ukuran fungsi citra tersebut. Ada beberapa jenis mode warna, antara lain:

  3

  = 4.294.967.296 variasi warna

  0x00 xx xx xx Nilai B

  Nilai G Nilai R

Tabel 2.2 Bitmap Info Header

  2 Lebar Gambar bcHeight

  3. GIF (Graphics Interchange Format) Tipe file GIF memungkinkan penambahan warna transparan dan dapat digunakan untuk membuat animasi sederhana, tetapi saat ini standar GIF hanya maksimal 256 warna saja. File ini menggunakan kompresi yang tidak menghilangkan data (lossless compression) tetapi penurunan jumlah warna menjadi 256 sering membuat gambar yang kaya warna seperti pemandangan menjadi tidak realistis.

  kecil maka file ini banyak digunakan di web (internet).

  portable . Format file ini sering digunakan pada bidang fotografi untuk menyimpan file foto hasil perekaman analog to digital converter (ADC). Karena ukurannya

  2. Joint Photographic Expert Group (JPEG/JPG) Format JPEG merupakan format yang paling terkenal sampai sekarang ini. Hal ini karena sifatnya yang berukuran kecil (hanya puluhan/ratusan KB saja), dan bersifat

  2 Bits per pixels – 1,4,8 atau 24

  2 Harus 1 bcBitCount

  2 Tinggi Gambar bcPlanes

  4 Memori Header bcWidth

  Nama Field Size in Bytes Keterangan bfType

  Field Name Size in Bytes Keterangan bcSize

Tabel 2.3 Bitmap Core Header

  4 Offset untuk memulai data pixel

  2 Tidak dipergunakan bfOffBits

  2 Tidak dipergunakan bfReserved1

  4 Memori file bfReserved1

  2 Mengandung karakter “BM” yang mengidentifikasikan tipe file bfSize

  Pada program MS Paint, tidak ada fasilitas penyesuaian warna yang digunakan (color table) sehingga menyimpan file GIF di MS Paint seringkali menghasilkan gambar yang terlihat rusak atau berubah warna. Pada program pengolah gambar yang lebih baik, seperti Adobe Photoshop, color table bisa diatur otomatis atau manual sehingga gambar tidak berubah warna atau rusak.

  File GIF cocok digunakan untuk: a. Gambar dengan jumlah warna sedikit (dibawah 256).

  

b. Gambar yang memerlukan perbedaan warna yang tegas seperti logo tanpa

gradien.

  c.

  Gambar animasi sederhana seperti banner-banner iklan, header, dan sebagainya.

d. Print shoot

  (hasil dari print screen) dari program-program sederhana dengan jumlah warna sedikit.

  File GIF tidak cocok digunakan untuk: a. Gambar yang memiliki banyak warna seperti pemandangan.

  b. Gambar yang didalamnya terdapat warna gradien atau semburat (spot light).

  4. PNG (Portable Network Graphics) Citra berformat PNG dikembangkan sebagai alternatif lain untuk GIF, yang menggunakan paten dari LZW algoritma kompresi. PNG adalah format citra yang sangat baik untuk grafis internet, karena mendukung transparansi didalam perambah (browser) dan memiliki keindahan tersendiri yang tidak bisa diberikan GIF atau bahkan JPG. Format PNG menggunakan teknik kompresi Loseless dan mendukung kedalaman warna 48 bit dengan tingkat ketelitian sampling: 1,2,4,8, dan 16 bit. Format ini memiliki alpha channel untuk mengkontrol transparency (Sutoyo, 2009).

2.4 Jaringan Syaraf Tiruan (JST)

  Jaringan syaraf tiruan (artificial neural network) atau disingkat JST adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologi didalam otak. JST dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non linear, klasifikasi data, cluster dan regresi non

  parametric

  atau sebagai sebuah simulasi dari koleksi model syaraf biologi (Kusumadewi, 2006). JST menyerupai otak manusia dalam 2 (dua) hal, yaitu: a) Pengetahuan diperoleh jaringan melalui proses belajar.

  b) Kekuatan hubungan antar sel syaraf (neuron) yang dikenal sebagai bobot-bobot sinaptik digunakan untuk menyimpan pengetahuan. Jaringan Syaraf Tiruan (JST) adalah suatu metode pembelajaran yang diinspirasi dari jaringan sistem pembelajaran biologis yang terjadi dari jaringan selsyaraf (neuron) yang terhubung satu dengan yang lainnya (Silvia, 2007).

  Berikut adalah beberapa definisi JST:

  1. JST adalah suatu teknik pemrosesan informasi berbasis komputer yang mensimulasikan dan memodelkan sistem syaraf biologis.

  2. Suatu model matematik yang mengandung sejumlah besar elemen pemroses yang diorganisasikan dalam lapisan-lapisan.

  3. Suatu sistem komputasi yang dibuat dari sejumlah elemen pemroses yang sederhana dan saling diinterkoneksikan untuk memproses informasi melalui masukan dari luar dan mampu inresponsi keadaan yang dinamis.

  4. JST adalah suatu teknologi komputasi yang berbasis hanya pada model syaraf biologis dan mencoba mensimulasikan tingkah laku dan kerja model syaraf.

  5. JST adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi.

  JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa : Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).

  1. Sinyal dikirirnkan diantara neuron-neuron melalui penghubung-penghubung.

  2. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.

  3. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang.

2.5 Algoritma Learning Vector Quantization (LVQ)

  LVQ merupakan metode klasifikasi data adaptif berdasarkan pada data pelatihan dengan informasi kelas yang diinginkan. Walaupun merupakan suatu metoda pelatihan supervised tetapi LVQ menggunakan teknik data clustering unsupervised untuk pra proses set data dan penentuan cluster center-nya. Arsitektur jaringan LVQ hampir menyerupai suatu jaringan pelatihan kompetitif kecuali pada masing-masing unit outputnya yang dihubungkan dengan suatu kelas tertentu. Kusumadewi dan Hartai (2006) menyatakan LVQ merupakan metoda untuk melakukan pelatihan terhadap lapisan-lapisan kompetitif supervised. Lapisan kompetitif akan belajar secara otomatis untuk melakukan klasifikasi terhadap vektor input yang diberikan. Apabila beberapa vektor input memiliki jarak yang sangat berdekatan, maka vektor-vektor input tersebut akan dikelompokkan dalam kelas yang sama. Pemrosesan yang terjadi

  

pada setiap neuron adalah mencari jarak antara suatu vektor input ke bobot yang

bersangkutan (W 1 dan W 2 ). W 1 adalah vektor bobot yang menghubungkan setiap

neuron pada lapisan input ke neuron pertama pada lapisan output, sedangkan W

  2

adalah vektor bobot yang menghubungkan setiap neuron pada lapisan input ke neuron

yang kedua pada lapisan output. Fungsi aktivasi F

  1 akan memetakan Y_in 1 ke y1 = 1 apabila: |X – W | < |X – W |, dan Y = 0 jika sebaliknya.

  1

  2

  1 Demikian pula dengan yang terjadi pada fungsi aktivasi F 2 , akan memetakan Y_in 1 ke Y 1 = 1 apabila |X – W 2 | < |X – W 1 |, dan Y 1 = 0 jika sebaliknya.

Gambar 2.6 menunjukan jaringan LVQ dengan unit pada lapisan input, dan 2 unit (neuron) pada lapisan output.

  X ₁ Y_in

  X ₂ Y

  1 F

  1 X-W ₁ X ₃ X Y_in ₄ Y

  2 X-W _{2 F}

  2 X ₅ X ₆ Gambar 2.6 Arsitektur Jaringan Learning Vector Quantization (Kusumadewi,2006) Algoritma untuk LVQ adalah sebagai berikut: Notasi x : training vector (X1, X2, ..., Xn) T : kategori dari training vector yang benar W : Vektor bobot untuk kategori j j

  C j : Kategori j (hasil training) ||X – Wj|| : jarak Euclidian. Step 0 Inisialisasi Step 1 Jika kondisi stop salah, lakukan step 2 s.d. step 6 Step 2 Untuk setiap vector training, lakukan step 3 s.d. step 4 Step 3 dapatkan j sehingga ||X – Wj|| minimum

  Step 4 Update Wj Wj(baru) = Wj(lama) + α (X – Wj(lama)) ; Jika T = Ci Wj(baru) = Wj(lama) – α (X – Wj(lama)) ; Jika T ≠Ci

  Step 5 Update Learning rate Step 6 Uji kondisi stop

Setelah dilakukan pelatihan, akan diperoleh bobot akhir (W). Bobot-bobot ini nantinya

akan digunakan untuk melakukan simulasi atau pengujian data yang lain.

2.6 Algoritma Backpropagation

  

Backpropagatin merupakan algoritma pembelajaran yang terawasi dan biasanya

  digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Pelatihan sebuah jaringan yang menggunakan backpropagation terdiri dari 3 langkah, yaitu : pelatihan pola input secara feedforward, perhitungan dan backpropagation dari kumpulan kesalahan dan penyesuaian bobot. Sesudah pelatihan, aplikasi dari jaringan hanya terdiri dari fase feedforward. Bahkan, jika pelatihan menjadi lambat, sebuah jaringan yang dilatih dapat menghasilkan outputnya sendiri secara cepat.

  Backpropagation adalah metode penurunan gradien untuk meminimalkan

  kuadrat error keluaran. Ada tiga tahap yang harus dilakukan dalam pelatihan jaringan, yaitu tahap perambatan maju (forward propagation), tahap perambatan balik, dan tahap perubahan bobot dan bias. Arsitektur jaringan ini terdiri dari input layer, hidden layer, dan output layer (Andrijasa, 2010).

  Arsitektur jaringan backpropagation seperti terlihat dalam Gambar 2.7.

  

Y Y Y

_{1 k m}

w w w w w w w w w w w w

_{01 11 j p jk pk jm pm 1 1 0k 1k 0m 1m}

  1 Z Z Z _{1 j p}

v v v v v v v v v v v v

_{01 11 i 1 n 1 0j 1j ij nj 0p 1p ip np}

  1 X _{1 i n}

  X X Gambar 2.7 Arsitektur jaringan Backpropagation (Andrijasa, 2010).

  Keterangan : X = Masukan (input) V = Bobot lapisan tersembunyi W = Bobot lapisan keluaran n = Jumlah unit pengolah lapisan tersembunyi

  Z = Lapisan tersembunyi (hidden layer) Y = Keluaran (output)

  Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar

  tersembunyi. Gambar 2.12 adalah arsitektur backpropagation dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran.

  V ji merupakan bobot garis dari unit masukan X i ke unit layar tersembunyi Z j (V merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layar

  jo

  tersembunyi Z j ). W kj merupakan bobot dari unit layar tersembunyi Z j ke unit keluaran Y k (W k0 merupakan bobot dari bias di layar tersembunyi ke unit keluaran Z k ).

2.6.1 Pelatihan Standar Backpropagation

  Pelatihan Backpropagation meliputi 3 fase. Fase pertama adalah fase maju. Pola masukkan dihitung maju mulai dari layar masukkan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur dimana selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur dimulai dari garis yang berhubungan langsung dengan unit-unit keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi. Fase I : Propagasi maju Fase II : Propagasi mundur Fase III : Perubahan bobot Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan (Andrijasa, 2010). Algoritma pelatihan untuk jaringan backpropagation

  a) Inisialisasi bobot (set bilangan acak kecil)

  b) Step 1 Selama kondisi salah, lakukan steps 2 – 9

  Step 2 Untuk setiap pasangan data training lakukan step 3 – 8

  Fase Feedforward

  Step 3 Setiap neuron input X menerima inputsignal X dan meneruskannya ke semua neuron

  i i hidden pada layer diatasnya.

  Step 4 Setiap neuron hidden Zj menjumlahkan semua signal inputnya.

    z _ in v x v _{j oj  i ij i} ……………………………… ( 2-1)

  Menjalankan fungsi aktifasinya untuk menghitung signal output-nya Z = f(z_in) dan meneruskan signal ini kesemua neuron output pada layer

  j diatasnya.

  Step 5

  Setiap neuron output Y menjumlah signal input berbobotnya.

  k   y _ in w z w _{k ok  j jk …………………………………. ( j}

  2-2) Menjalankan fungsi aktifasinya untuk menghitung signal output-nya. y k = f(y_in k ).

  Backpropagation dari error

  Step 6 Setiap neuron output Y k menerima pola target yang terkait dengan input pola

  

  training, menghitung komponen error

  ( t  y ) f ' ( y _ in ) δ k k k k

  dan menghitung komponen perubahan bobot (untuk mengubah w nanti)

  jk   ……………………………………….. (

  2-3)

  w z _{jk α δ k j}

  Menghitung komponen bias (untuk mengubah W nanti)

  ok

    ……………………………………………..................…. (

  w _{k α δ k}

  2-4) Dan mengirim δ ke neuron pada layerdi bawahnya

  k

  Step 7 Setiap neuron hidden Z j menjumlahkan inputdelta-nya (dari neuron di atasnya) _m ...........…………… ( 2-5)

  



_ in w δ j δ k jk

   _{k  1} Mengalikan dengan turunan dari fungsi aktifasi untuk menentukan komponen  _ in f ' ( z _ in )

  koreksi error-nya δ δ _{j j j} Menghitung komponen koreksi errornya (untuk mengubah v nanti)

  ij y in  w  z w

  _ _{k ok  j jk j ………………....…….........…. ( 2-6)}

  Menghitung komponen koreksi error-nya (untuk mengubah v 0j nanti)  

  v _{j j} α δ …………………………………….....… ( 2-7)

  Step 8 Setiap neuron output Y mengubah bobot dan biasnya:

  k w jk (baru) = w jk (lama) + Δ w jk.

  Setiap neuron hidden Z j mengubah bobot dan biasnya: v (baru) = v (lama) + Δ v ....................................................……… ( 2-8)

  jk jk jk

  Step 9

  Test stopping condition

  1

  ) dan f’(z_in f (y_in k j ) dapat dinyatakan dalam bentuk y k dan z k tergantung fungsi aktifasi yang digunakan.

2.6.2 Inisialisasi Bobot Awal

  Pemilihan bobot awal sangat mempengaruhi jaringan saraf dalam mencapai minimum global terhadap nilai error, serta cepat tidaknya proses pelatihan menuju kekonvergenan. Apabila nilai bobot awal terlalu besar, maka input ke setiap lapisan sembunyi atau lapisan output akan jatuh pada daerah dimana turunan fungsi sigmoidnya sangat kecil dan apabila nilai bobot awal terlalu kecil maka input ke setiap lapisan tersembunyi atau lapisan output akan sangat kecil yang akan menyebabkan proses pelatihan akan berjalan sangat lambat (Puspitaningrum, 2006). Inisialisasi bobot awal terdiri dari 2 yaitu :

  1. Inisialisasi Bobot Awal Secara Random Inisialisasi bobot awal secara random biasanya bobot awal diinisialisasi secara

  random dengan nilai antara -0.5 sampai 0.5 (atau -1 sampai 1, atau interval yang lainnya).

  2. Inisialisasi Bobot Awal Dengan Metode Nguyen-Widrow Metode Nguyen-Widrow akan menginisalisasi bobot-bobot lapisan dengan nilai antara -0.5 sampai 0.5. Sedangkan bobot-bobot dari lapisan input ke lapisan tersembunyi dirancang sedemikian rupa sehingga dapat meningkatkan kemampuan lapisan tersembunyi dalam melakukan proses pembelajaran.

2.7 IP Camera ( Internet Protocol Camera)

  

IP camera adalah perangkat peng-capture dan recording objek terkini yang memiliki

  kemampuan memproses visual dan audio serta dapat diakses komputer secara langsung atau melalui LAN, internet dan jaringan telepon selular (Aryanto, 2010). IP

  

camera memiliki tiga blok utama yaitu blok CPU, I/O, dan camera. Ketiga bagian

utama tersebut digambarkan dalam bentuk blok diagram seperti pada Gambar 2.8.

Gambar 2.8 Blok Diagram IP Camera

  Blok I/O (input/output) merupakan bagian yang menangani hubungan dengan peripheral network dan gateway untuk koneksi dengan LAN atau internet. Bagian ini dapat dengan mudah dikenali dengan adanya konektor female RJ45 dan beberapa jack input untuk microphone serta speaker yang merupakan penghubung dengan komputer seprti pada Gambar 2.9.

Gambar 2.9 Blok Diagram I/O

  Keterangan:

  a. I/O Optional

  Bagian input dan output berupa jack yang berfungsi sebagai penghubung antara peripheral networking dengan IP camera.

  b. Power supply Bagian yang mendistribusikan power supply atau catu daya dariadaptor ke seluruh bagian agar perangkat dapat beroperasi. Selain menggunakan adaptor, IP camera dapat juga menggunakan PoE (power Over Ethernet) yang diinjeksikan via RJ45.

  c. Microphone Bagian yang berfungsi mengubah sinyal akustik menjadi sinyal listrik.

  d. Speaker Bagian yang berfungsi mengubah sinyal listrik menjadi sinyal akustik yang dapat didengar manusia.

  I/O CPU Camera

  Power Supply

  CPU dan Camera I/O Optional Microphone Speaker

  Rj45 Rj45 PCM Codec CPU e. RJ45 Bagian yang berfungsi sebagai gateway IP camera untuk koneksi dengan komputer atau LAN/Internet.

  f. PCM Codec (Pulse Code Modulation Coder and Decoder) Bagian yang berfungsi mengubah sinyal analog menjadi sinyal digital (microphone

  to IP camera ) dan mengubah sinyal digital menjadi sinyal analog (IP camera to Speaker ) menggunakan teknik modulasi PCM.

  g. LAN Buffer Bagian yang berfungsi sebagai penyangga traffic data dari dan ke CPU IP camera yang melewati connector RJ4.

  Blok CPU dapat dikenali dengan adanya IC prosesor yang memiliki bentuk paling besar diantara komponen IC yang ada. Bagian ini memiliki fungsi utama sebagai pengendali atas segala aktivitas yang dilakukan oleh IP camera dengan bantuan beberapa komponen IC pendukung. Blok camera mirip dengan kamera atau tustel yang memiliki lensa CCD yang bertugas mengambil atau meng-capture gambar.

  Sebuah IP camera biasanya dilengkapi dengan software, software ini mengambil gambar dari kamera digital secara terus menerus ataupun dalam interval waktu tertentu dan menyiarkannya melalui koneksi internet. Ada beberapa metode penyiaran dan yang paling umum adalah software merubah gambar ke dalam bentuk file JPEG dan meng-upload-nya ke web server menggunakan File Transfer Protocol (FTP) (Azikin, 2005).

  Frame rate mengindikasikan jumlah gambar sebuah software dapat ambil dan

  transfer dalam satu detik. Untuk streaming video, dibutuhkan minimal 15 frame per

  second

  (fps) atau idealnya 30 fps. Untuk mendapatkan frame rate yang tinggi, dibutuhkan koneksi internet yang tinggi kecepatannya. Sebuah webcam tidak harus selalu terhubung dengan komputer, ada webcam yang memiliki software webcam dan

  

web server bulit-in , sehingga yang diperlukan hanyalah koneksi internet, webcam ini

dinamakan “network camera”.

  Penggunaan webcam mencakup video conferencing, internet dating, video

  

messaging, home monitoring, images sharing, video interview, video phone-call , dan

  banyak hal lain. Kamera untuk video conference biasanya berbentuk kamera kecil yang terhubung langsung dengan komputer. Kamera analog juga terkadang digunakan, kamera ini terhubung dengan video capture card dan tersambung dengan internet (baik langsung maupun tidak langsung). Saat ini kamera untuk video

  

conference sudah makin maju, sudah ada webcam yang di dalamnya terdapat

microphone maupun noise cancellation untuk memfokuskan audio ke speaker yang

  terletak di depan kamera sehingga noise yang ada tidak mengganggu jalannya konferensi.

  Pada awalnya, bentuk webcam terbatas pada bentuk-bentuk standar yang hanya terdiri dari lensa dan papan sirkuit serta casing yang biasa. Namun seiring dengan perkembangan teknologi, bentuk webcam pun sudah makin bervariasi dengan fitur- fitur yang makin canggih.

  Webcam memiliki fitur-fitur dan setting yang bermacam-macam, diantaranya

  adalah:

  1. Motion sensing, webcam akan mengambil gambar ketika kamera mendeteksi gerakan.

  2. Image archiving, pengguna dapat membuat sebuah archive yang menyimpan semua gambar dari webcam atau hanya gambar-gambar tertentu saat interval

  pre-set .

  3. Video messaging, beberapa program messaging mendukung fitur ini.

  4. Advanced connections, menyambungkan perangkat home theater ke webcam dengan kabel maupun nirkabel.

  5. Automotion, kamera robotik yang memungkinkan pengambilan gambar secara

  pan

  atau tilt dan setting program pengambilan frame berdasarkan posisi kamera.

  6. Streaming media, aplikasi profesional, setup webcam dapat menggunakan kompresi MPEG4 untuk mendapatkan streaming audio dan video yang sesungguhnya.

  7. Custom coding, mengimpor kode komputer pengguna untuk memberitahu webcam apa yang harus dilakukan (misalnya automatically refresh).

  8. AutoCam, memungkinkan pengguna membuat webpage untuk webcam-nya secara gratis di server perusahaan pembuat webcam.