Sistem Controlling Rumah Dengan Memanfaatkan Kamera Webcam Sebagai Sensor Dengan Metode Marr-Hilder TH Menggunakan Google Cloud Messaging Sebagai Notifikasi Ke Mobile Android

1

PENDAHULUAN

1.1 Latar Belakang Masalah

Home Controlling System merupakan alat bantu yang berguna untuk mengontrol keadaan disekitar rumah, baik saat penghuni rumah tersebut tidak sedang berada dirumah maupun sedang berada dirumah. Keamanan pada rumah khususnya bagi kalangan elit sangat dibutuhkan karena banyaknya orang-orang yang tidak bertanggung jawab melakukan tindak kriminal seperti mencuri, merampok bahkan kerapkali penghuni rumah pun menjadi korban penganiayaan perampokan. Hal itu disebabkan tidak adanya sistem pengontrol keamanan rumah yang fleksibel dalam penggunaannya.

Seringkali kita meninggalkan rumah untuk berpergian keluar kota, apalagi disaat hari libur baik dibulan ramadhan ketika yang dipekerjakan dirumah sebagai pembantu maupun petugas pengawas rumah pulang ke kampungnya masing-masing karena hal itu sudah menjadi budaya di Indonesia ini, sehingga keamanan dirumah semakin rentang terhadap tindak kriminal yang dilakukan oleh oknum-oknum yang tidak bertanggung jawab.

Sistem keamanan yang digunakan pada saat ini mungkin belum sesuai dengan yang diharapkan dan kebanyakan home controlling system yang digunakan yaitu, dengan kamera CCTV (Closed Circuit Television) saja tanpa adanya peringatan ketika kamera menangkap suatu objek disaat keadaan disekitar rumah sepi, selain itu juga tanpa adanya peringatan yang seharusnya memberikan informasi ketika mendapatkan gambar yang mencurigakan.

CCTV merupakan alat bantu untuk pemonitoran keadaan di sekitar area gedung, perkantoran, rumah, minimart dan sebagainya. Alat ini butuh pengawasan dari petugas setiap saatnya serta terkadang juga terjadi kelalaian oleh petugas disaat sedang memonitor.

Selain itu juga harganya yang lumayan mahal dibandingkan dengan kamera

webcam, sertadalam penginstalasianya pun lumayan rumit dan butuh alat tambahan sebagai penyimpan data dan sistem controlling ke monitor, dengan permasalahan tersebut maka dibutuhkannya aplikasi sistem controlling yang dapat mengontrol keadaan rumah dengan memanfaatkan kamera webcam sebagai sensor dengan metode marr-hilderth sebagai pendeteksi objek yang menggunakan google cloud messaging sebagai notifikasi ke mobile Android yang akan membantu dalam

controlling maupun monitoring di area sekitar gedung, perkantoran, rumah, minimart dan sebagainya, sehingga biaya yang dikeluarkan juga tidak terlalu mahal, serta dalam penginsatalannya pun tidak serumit penginstalan kamera CCTV.

Metode Marr-hilderth yang diterapkan untuk mendeteksi gerak yang tertangkap oleh kamera webcam setelah itu akan dikirimkan melalui google cloud messaging berupa pesan informasi dan gambar ke aplikasi yang ada pada mobile

android.

1.2 Perumusan Masalah

Berdasarkan penjelasan yang ada pada latar belakang diatas, terdapat beberapa permasalahan yang dapat diuraikan sebagai berikut :

1. Bagaimana memanfaatkan kamera webcam agar berfungsi sebagai sensor yang digunakan untuk mengontrol keadaan disekitar area rumah dan dalam penggunaannyapun fleksibel.

2. Bagaimana mengimplementasikan metode Marr-Hilderth sebagai pendeteksi gerak, dan informasi yang ditampilkan sesuai dengan kebutuhan. 3. Bagaimana dengan biaya yang tidak terlalu besar agar alat keamanan rumah

dapat dipasang dengan mengefesienkan biaya yang dikeluarkan. 1.3 Maksud dan Tujuan

Adapun maksud dan tujuan dari penelitian ini, ditinjau dari latar belakang yang ada maka didapatkan sebagai berikut :

1.3.1 Maksud

Maksud dari penelitian ini adalah untuk membangun aplikasi sistem

controlling rumah dengna memanfaatkan kamera webcam sebagai sensor mengunakan metode Marr-hilderth dan google cloud messaging sebagai notifikasi ke mobile Android.

1.3.2 Tujuan

1. Controlling area rumah dapat dilakukan dengan mudah, kapanpun dan dimanapun dengan menggunakan mobile android.

2. Mengimplementasikan metode Marr-hilderth untuk menerapkan pendeteksian objek dengan mencari nilai minimum dan maksimum pada nilai tepi objek yang terdeteksi.

3. Mengefesiensikan biaya yang dikeluarkan untuk pemasangan alat keamanan rumah seperti kamera CCTV dan sensor gerak.

1.4 Batasan Masalah

Dari permasalahan yang telah dipaparkan diatas memiliki beberapa batasan yang dapat diuraikan seperti berikut :

1. Sistem yang dibangun adalah berbasis desktop (backend) dan mobile (frontend), dimana aplikasi desktop yang berfungsi untuk pengolahan dan analisis metode dan akan di krimkan ke aplikasi Android.

2. Kamera yang digunakan untuk menangkap suatu objek adalah kamera webcam.

3. Penempatan kamera yang akan di monitor yaitu area sekitar pintu depan dan belakang, disetiap area jendela rumah, taman, ruangan-ruangan.

4. Dibutuhkan koneksi ke jaringan internet yang berguna untuk pengiriman data gambar ke cloud (penyimpanan awan)/penyimpanan online.

5. Penyimpanan data juga dilakukan dengan menggunakan database MySQL. Setelah itu gambar akan diunduh dari cloud dan akan disimpan ke memori penyimpanan internal pada mobile android dengan tampilan list view.

6. Komputer sebagai server (backend) dan mobile sebgai client-nya (frontend).

7. Penangkapan objek dilakukan secara realtime / frame per second dan objek yang ditangkap berupa image dengan format PNG, agar ukuran pada image

tidak terlalu besar.

8. Intensitas cahaya di atas 120 lumen pada jarak ketinggian 3 meter.

9. Metode deteksi gerak yang digunakan yaitu Marr-Hilderth yang dapat mengurangi tingkat noise yang terjadi pada image yang di-capture, dengan bantuan operator Marr-Hilderth yang berfungsi untuk smoothing image

supaya didapatkan hasil analisis yang diinginkan.

10.Pengiriman data dari desktop ke mobile menggunakan GCM (Google Cloud Messaging).

11.Model analisis yang digunakan yaitu pemodelan berorientasi objek menggunakan UML (Unifed Modelling Language).

1.5 Metodologi Penelitian

Metodologi penelitian merupakan usaha untuk mencari data berdasarkan paradigma keilmiahan yang bertujuan untuk mendapatkan suatu data yang sesuai dengan kegunaannya. Kegiatan pengumpulan data yang dilakukan dengan cara ilmiah harus bersifat rasional, empiris dan sistematis agar data yang dikumpulkan dapat diketahui validitasnya. Metode penelitian yang digunakan untuk mencapai tujuan yang dimaksud ialah dengan menggunakan metode deskriptif. Metode deskriptif merupakan metode yang menggambarkan fakta-fakta dan informasi dalam situasi atau kejadian dimana sekarang secara sistematis, faktual dan akurat. Metode penelitian ini memiliki dua tahapan, yaitu tahap pengumpulan data dan tahap pengembangan perangkat lunak [1].

1.5.1 Metode Pengumpulan Data

Metode pengumpulan data dan pengembangan perangkat lunak dalam penelitian ini menggunakan beberapa metode di antaranya :

a. Studi Dokumentasi

Pengumpulan data dengan cara mengumpulkan literatur, jurnal, paper dan bacaan-bacaan yang berhubungan dengan home security system, home monitoring system dan home controlling system.

b. Observasi

Teknik pengumpulan data dengan turun ke lapangan untuk mengamati kegiatan yang dilakukan kamera CCTV, pengamatan dilakukan di area Rumah, Toko-toko, Gedung dan Kantor-kantor guna mendapatkan data yang akan dijadikan bahan penelitian.

1.5.2 Metode Pembangunan Perangkat Lunak

Tahap analisis data dalam pembuatan perangkat lunak menggunakan model pengembangan perangkat lunak Waterfall, yang meliputi beberapa proses yang terdapat pada Gambar 1.1:

Tahapan-tahapan penjelasan yang terdapat dalam model waterfall adalah sebagai berikut :

a. System engineering

Merupakan tahapan yang pertama kali dilakukan yaitu merumuskan sistem yang akan kita bangun. Hal ini bertujuan agar pengembang benar-benar memahami langkah-langkah serta kebijakan apa saja yang berkaitan dengan pengembangan sistem tersebut.

b. Requirement analiysis

Melakukan analisis terhadap permasalahan yang dihadapi dan menetapkan kebutuhan sistem yang akan di analisis.

c. Design

Menghasilkan rancangan yang memenuhi kebutuhan yang ditentukan selama tahapan requirements analisis. Hasil akhirnya berupa spesifikasi rancangan yang sangat rinci sehinggga mudah diwujudkan pada saat pemrograman.

d. Coding ( implementasi )

Pengkodean yang mengimplementasikan hasil desain ke dalam kode atau bahasa yang dimengerti oleh mesin komputer dengan menggunakan bahasa pemrograman tertentu.

e. Testing ( pengujian )

Melakukan pengujian yang menghasilkan kebenaran program. Proses pengujian berfokus pada logika internal perangkat lunak, memastikan bahwa semua pernyataan sudah diuji dan memastikan apakah hasil yang diinginkan sudah tercapai atau belum.

f. Maintenance ( perawatan )

Menangani perangkat lunak yang sudah selesai agar dapat berjalan lancar dan terhindar dari gangguan-gangguan yang dapat menyebabkan kerusakan.

1.6 Sistematika Penelitian

Sistematika penulisan tugas akhir ini disusun untuk memberikan gambaran umum tentang penelitian yang dijalankan. Sistematika penulisan tugas akhir ini adalah sebagai berikut :

BAB I PENDAHULUAN

Menguraikan tentang latar belakang permasalahan, mencoba merumuskan inti permasalahan yang dihadapi, menentukan tujuan dan kegunaan penelitian, yang kemudian diikuti dengan pembatasan masalah, asumsi, serta sistematika penulisan.

BAB II LANDASAN TEORI

Membahas berbagai konsep dasar dan teori-teori yang berkaitan dengan image processing serta metode-metode dalam menentukan instensitas warna pada piksel sehingga didapatkan objek yang menjadi terget.

BAB III ANALISA DAN PERANCANGAN

Menjelaskan mengenai analisis masalah yang menggambarkan proses indetifikasi dan analisis kebutuhan data software, hardware, barainware, pemodelan yang digunakan serta perancangan antarmuka sistem yang dibangun.

BAB IV IMPLEMENTASI DAN PENGUJIAN

Merupakan tahapan yang dilakukan dalam penelitian, menjelaskan implementasi, tampilan antarmuka, menu yang tersedia pada sistem, dan pengujian terhadap sistem dengan metode yang sesuai.

BAB V KESIMPULAN DAN SARAN

Bab ini berisi mengenai hal-hal penting yang telah dibahas dan kemudian dibuat kesimpulan mengenai sistem yang dibangun. Bab ini juga berisi saran-saran yang diberikan untuk pengembangan selanjutnya.

9

LANDASAN TEORI

2.1 Pengertian Umum Kamera

Kamera adalah alat paling populer dalam aktivitas fotografi. nama ini didapat dari camera obscura, bahasa Latin untuk "ruang gelap", mekanisme awal untuk memproyeksikan tampilan di mana suatu ruangan berfungsi seperti cara kerja kamera fotografis yang modern, kecuali tidak ada cara pada waktu itu untuk mencatat tampilan gambarnya selain secara manual mengikuti jejaknya. Dalam dunia fotografi, kamera merupakan suatu peranti untuk membentuk dan merekam suatu bayangan potret pada lembaran film. Pada kamera televisi, sistem lensa membentuk gambar pada sebuah lempeng yang peka cahaya. Lempeng ini akan memancarkan elektron ke lempeng sasaran bila terkena cahaya. Selanjutnya, pancaran elektron itu diperlakukan secara elektronik. Ada banyak jenis kamera dan masing-masing fungsinya yang akan dijelaskan pada subbab ini [1].

2.1.1 Kamera Digital

Kamera jenis ini merupakan kamera yang dapat bekerja tanpa menggunakan film. Si pemotret dapat dengan mudah menangkap suatu objek tanpa harus susah-susah membidiknya melalui jendela pandang karena kamera digital sebagian besar memang tidak memilikinya. Sebagai gantinya, kamera digital menggunakan sebuah layar LCD yang terpasang di belakang kamera. Lebar layar LCD pada setiap kamera digital berbeda-beda. Sebagai media penyimpanan, kamera digital menggunakan internal memory ataupun external memory yang menggunakan

memory card.

2.1.2 Kamera CCTV

CCTV (Closed Circuit Television) memiliki kamera yang akan mentransmisikan image video ketempat yang spesifik dan jumlah televisi yang terbatas. Perbedaannya dengan bentuk televidi CCTV tidak dapat menerima monitor lain, bahkan jika diarea yang sama sekalipun, kecuali monitor tersebut telah

masuk ke dalam area CCTV. Sistem CCTV biasanya digunakan alasan keamanan atau komersial ketika orang memerlukannya bila berada di lingkungan yang berbahaya.

CCTV pefiama kali dibuat oleh Waller Brunch, dan di-install disebuah area peluncuran roket di Jerman. Oleh karena peluncuran tersebut dirasa berbahaya, dan banyak orang yang ingin menyaksikannya, maka dibuatlah CCTV sehingga dapat digambarkan secara detail mengenai peluncurannya. Teknologi CCTV masih digunakan untuk melihat peluncuran roket, namun rneluas fungsinya ke keamanan bank, institusi militer dan tempat lain yang membutuhkan pengamanan yang tinggi. Ditahun 1990 dan 2000, camera CCTV mulai dipakai di area public, seperti di sudut jalan di negara lnggris.

Teknologi CCTV telah mernbuat evolusi jalan keamanan disektor publik dan private. CCTV juga diperbolehkan oleh lingkungan hukum untuk menyelesaikan kriminalitas di area, dimana camera CCTV dipasang. Sekarang ini, camera CCTV mudah diidentifikasikan oleh setiap orang. Banyak kamera CCTV yang dipasang di langit-lagit rumah, dinding atau atap bangunan. Kamera CCTV memiliki lensa dibagian depan, dan untuk CCTV model baru berwarna hitam dan bentuk kecil, juga dapat melakukan manuver petaran 360 derajat.

2.1.3 Kamera Webcam

Webcam atau web camera adalah sebuah kamera video digital kecil yang dihubungan dengan komputer melalui port USB atau port COM istilah web camera merujuk pada teknologi secara umumnya, sehingga kata web terkadang diganti dengan kata lain yang mendeskripsikan pemandangan yang ditampilkan di kamera. Beberapa contoh pemakaian webcam yaitu TruffiCam yang digunakan untuk memonitor keadaan jalan raya, cuaca dengan WeatherCam bahkan dalam memonitoring gunung berapa digunakan VolcanoCam. Sebuah web camera yang sederhana terdiri dari sebuah lensa standar, dipasang disebuah papan sirkuit untuk menangkap sinyal gambar, casing (penutup), termasuk casing depan dan casing

samping untuk menutupi lensa standar dan memiliki sebuah lubang lensa di-casing

bahan yang fleksibel, salah satu ujungnya dihubungkan dengan papan sirkuit dan ujung satu lagi memiliki connector, kabel ini dikontrol untuk menyesuaikan ketinggian, arah dan sudut pandang web camera. Sebuah web camera biasanya dilengkapi dengan software, software ini mengambil gambar-gambar dari camera digital secara real-time ataupun dalam interval waktu tertentu dan menyiarkannya melalui koneksi internet. Ada beberapa metode penyiaran, metode yang paling umum digunakan adalah aplikasi yang merubah gambar ke dalam bentuk file JPEG dan mengunggahnya ke webserver menggunakan File Transfer Protocol (FTP).

Frmae rate mengindikasikan jumlah gambar sebuah software dapat diambil dan transfer dalam satu detik. Sebuah web camera tidak harus selalu terhubung dengan komputer, ada web camera yang memiliki software web camera dan web server bulit-in, sehingga yang diperlukan hanyalah koneksi internet. Web camera seperti ini dinamakan “network camera”.

Sekarang ini web camera yang ada di pasaran pada umurnnya terbagi ke dalam dua tipe yang penama web camera permanen (fixed) dan revolving web camera. Pada web camera permanen terdapat pengapit untuk mengapit lensa standar diposisi yang diinginkan untuk menangkap gambar pengguna. Sedangkan pada revolving web camera terdapat landasan dan lensa standar dipasang dilandasan tersebut sehingga dapat disesuaikan ke sudut pandang yang terbaik untuk menangkap gambar pengguna. Web camera memiliki fitur-fitur dan pengaturan yang bermacam- macam, diantaranya adalah:

1. Motion Sensing

Web camera akan mengambil gamar ketika kamera menndeteksi gerakan.

2. Image archiving

Penggunaan dapat membuat sebua archiving yang menyimpan semua gambar dari web camera atau hanya gambar-gambartertentu saat interval pre-set.

3. Video messaging

Beberapa program messaging mendukung fitur ini.

Menyambungkan perangkat home theater ke web camera dengan kabel meupun nirkabel.

5. Antomotion

Camera robotic yang memungkinkan pengmbilan gambar sesuai setting program pengambilan frame berdasarkan posisi kamera.

6. Streaming media

Aplikasi profesional, setup web camera dapat menggunakan kompresi MPEG4 untuk mendapatkan streaming audio dan video yang sesungguhnya.

7. Custom coding

Mengimport kode komputer pengunaan untuk memberitahukan web camera

apa yang harus dilakukan (misal : automatically refresh) 2.2 Teori Dasar Pengolahan Citra Digital

Istilah citra digital sangat populer pada masa sekarang. Banyak peralatan elektronik, misalnya scanner, kamera digital, mikroskop digital, dan fingerprint reader (pembaca sidik jari), yang menghasilkan citra digital. Perangkat lunak untuk mengolah citra digital juga sangat populer digunakan oleh pengguna untuk mengolah foto atau untuk berbagai keperluan lain. Sebagai contoh, Adobe Photoshop dan GIMP (GNUImage Manipulation Program) menyajikan berbagai fitur untuk memanipulasi citra digital [1].

Secara umum, istilah pengolahan citra digital menyatakan "pemrosesan gambar berdimensi-dua melalui komputer digital” (Jain, 1989). Menurut Efford (2000), pengolahan citra adalah istilah umum untuk berbagai teknik yang keberadaannya untuk memanipulasi dan memodifikasi citra dengan berbagai cara. Foto adalah contoh gambar berdimensi dua yang dapat diolah dengan mudah. Setiap foto dalam bentuk citra digital (misalnya berasal dari kamera digital) dapat diolah melalui perangkat lunak tertentu. Sebagai contoh, apabila hasil bidikan kamera terlihat agak gelap, citra dapat diolah menjadi lebih terang. Dimungkinkan pula untuk memisahkan foto orang dari latar belakangnya. Gambaran tersebut menunjukkan hal sederhana yang dapat dilakukan melalui pengolahan citra digital.

Tentu saja, banyak hal pelik lain yang dapat dilakukan melalui pengolahan citra digital.

Tujuan umum dari pengolahan citra digital yaitu memperbaiki kualitas gambar dilihat dari aspek radiometrik (peningkatan kontras, transformasi warna, restorasi citra) dan dari aspek geometri (rotasi, translasi, skala, tranformasi geometrik. Melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang terkandung pada citra. Selain itu juga pengolahan digital sebagai kompresi atau reduksi data untuk tujuan penyimpanan data, transmisi data dan waktu proses data.

2.2.1 Definifisi Citra Digital

Citra atau gambar dapat didefinisikan sebagai sebuah fungsi dua dimensi f(x, y), dimana x dan y adalah koordinat bidang datar dan harga fungsi f di setiap pasangan koordinat (x,y) disebut intensitas atau level keabuan (grey scale) dari gambar di titik itu. Jika x, y dan f semuanya berhingga (finite), dan nilainya diskrit, maka gambarnya disebut citra digital (gambar digital). Sebuah citra digital terdiri dari sejumlah elemen yang berhingga, di mana masing-masing mempunyai lokasi dan nilai tertentu. Elemen-elemen ini disebut sebagai picture element, image element, pels atau pixel.

Bidang digital image processing meliputi pengolahan digital image dari suatu komputer digital. Gambar dihasilkan dari seluruh spektrum elektromagnetik mulai dari gamma sampai gelombang radio. Ada tiga tipe pengolahan citra yaitu diantaranya :

1. Low-level process

Low-level process meliputi operasi dasar seperti image preprocessing : a. Reduce Noise

b. Contrast enhancement c. Image sharpennig

Pada level ini baik input maupun output adalah berupa gambar. 2. Mid-level process

Mid-level process meliputi segmentasi (membagi sebuah gambar dalam regional atai object), mendeskripsikan objek tersebut untuk mereduksi dalam bentuk yang diinginkan dan klasifikasi (recognation) dari objek tersebut. Input dari proses ini berupa gambar dan output-nya berupa atribut yang diambil dari gambar tersebut(misal : edge, contrast dan identitas dari objek tertentu).

3. High-level process

High-level process meliputi pemberian arti dari suatu rangkaian objek-objek yang dikenali dan akhirnya menampilkan fungsi-fungsi kognitif secara normal sehubungan dengan penglihatan.

2.3 Aplikasi Pengolahan Citra

Pengertian citra merupakan bagian penting yang mendasari berbagai aplikasi nyata, seperti pengenalan pola, penginderaan jarak jauh melalui satelit atau pesawat udara, dan machine vision. Pada pengenalan pola, pengolahan citra antara lain berperan memisahkan objek dari latar belakang secara otomatis. Selanjutnya, objek akan diproses oleh pengklasifikasi pola. Sebagai contoh, sebuah objek buah dapat dikenali sebagai jeruk, apel, atau pepaya. Pada penginderaan jarak jauh, tekstur atau warna pada citra dapat dipakai untuk mengidentifikasi objek-objek yang terdapat didalam citra. Pada machine vision(sistem yang dapat “melihat” dan “memahami” yang dilihatnya), pengolahan citra berperan untuk mengenali bentuk -bentuk khusus yang dilihat oleh mesin. Penggunaan kamera pemantau ruangan merupakan contoh bagian aplikasi pemrosesan citra perubahan gerakan yang ditangkap melalui citra dapat menjadi dasar untuk melakukan pelaporan situasi yang terekam.

Pengolahan citra juga memungkinkan wajah seseorang dikartunkan. Sebagai contoh ditunjukan digambar Gambar 2.1. aplikasi seperti itu memungkinkan pembuatan kartun yang didasarkan pada objek-objek nyata. Perangkat lunak seperti Microsoft Word 2010 menyertakannya fasilitas pengolahan gambar yang memungkinkan setiap gambar seperti goresan pensil, kapur, pastel, dan lain-lain, sebagaimanan ditunjukan di Gambar 2.1 [1].

Gambar 2.1 Aplikasi Pengolhana citra untuk mengartunkan wajah orang

Gambar 2.2 Penggunaan efek gambar pada Microsoft World 2010 memanfaatkan pengolahan citra

Aplikasi pengolahan citra memang makin meluas. Di dunia kedokteran, pengolahan citra mempunyai peran sangat besar. CT scan (Computed Tomography Scan) atau kadang disebut CAT scan (Computerized Axial Tomography Scan)

merupakan suatu contoh apliaksi pengolahan citra, yang dapat dipakai untuk potongan atau penampang bagian tubuh manusia. Tomografi adalah proses untuk menghasilakan citra berdimensi dua dari potongan objek berdimensi tiga dari sejumlah hasil pemindaian satu dimensi. Gambar 2.3 memperlihatkan contoh CT Scan dan hasilnya.

(a) CT Scan (sumber :

http://www.dxhealthcorp.com)

(b) contoh hasil CT Scan (sumber : www.thirdage.com)

Gambar 2.3 CT Scan

Pengolahan citra juga dapat dimanfaatkan, misalnya untuk kepentingan penentuan jenis tanaman hias melalui ciri-ciri citra daun. Seseorang yang ingin tahu mengenai suatu tanaman cukup memasukan citra daun yang dimiliki dan kemusian memunggahkan kesistem berbasis web. Selanjutnya, sistem web dapat mencarikan informasi yang sesuai dengan citra tersebut. Gambar 2.3 memperlihatkan contoh hasil pencarian jenis tanaman hias.

Gambar 2.4 Masukan citra dapat digunakan sebagai dasar pencarian jenis tanaman hias

Berbagai aplikasi pengolahan citra juga telah dilakukan di indonesi. Beberapa contoh ditunjukan berikut ini.

1. Identifikasi sidik jari (Isnanto, dkk.,2007).

2. Pencarian database orang melalui foto orang (Aribowo,2009). 3. Identifikasi kematangan buah tomat (Noor dan Hariadi, 2009).

4. Identifikasi penyakit diabetes mellitus melalui citra kelopak mata (Rachmad, 2009).

5. Ekstrasi fitur motif batik (Mualaab, 2010).

6. Identifikasi telapak tangan (Putra dan Erdiawan, 2010). 2.4 Prinsip Dasar Dalam Pengolahan

Hal-hal yang telah dijelaskan di Gambar 2.4 merupakan contoh-contoh aplikasi kegiatan pengolahan citra. Aplikasi-aplikasi seperti itu sesungguhnya menggunakan prinsip dasar dalam pengolahan citra seperti penignkatan keceranahan dan kontras, penglihatan derau pada citra, dan pencarian bentuk objek. Beberapa contoh diberikan berikut ini [1].

2.4.1 Peningkatan Kecerahan dan Kontras

Seringkali dijumpai citra yang tidak jelas diakibatkan kekurangan sinar ketika objek dibidik melalui kamera digital. Dengan menggunakan pengolahan citra, citra seperti itu dapat diperbaiki melalui peningkatan kecerahan dan kontras.

Gambar 2.5 menunjukan contoh citra yang kurang cerah dan kurang kontras menjadi citra yang lebih kontras.

Gambar 2.5 Citra dengan kontras rendah, Citra dengan kontras yang telah ditinggikan

2.4.2 Penghilangan Derau

Citra yang akan diproses seringkali dalam keadaan tersidtorsi atau mengandung derau. Untuk kepintangan tertentu, derau tersebut perlu dibersihkan terlebih dahulu. Dalam pengolahan citra terdapat beberapa metode yang dapat dipakai untuk keperluan tersebut. Salah satu cara dilaksanakan melalui filter notch. Efek filter tersebut dapat dilihat di Gambar 2.5.

Gambar 2.6 Citra dengan derau berbentuk kotak-kotak, citra dengan derau telah dihilangkan

2.4.3 Pencarian Bentuk Objek

Untuk kepentingan mengenali suatu objek didalam citra, objek perlu dipisahkan terlebih dulu dari latar belakangnya. Salah satu pendekatan yang umum dipakai untuk keperluan ini adalah penemuan batas objek. Dalam hal ini, batas objek berupa bagian tepi objek. Setelah objek diketahui, encarian ciri terhadap objek dapat dilaksanakan, misalnya berdasar perbandingan panjang dan lebar daun. Objek daun dan batas daun yang didapatkan melalui pengolahan citra diperlihatkan di Gambar 2.6. adapun Gambar 2.7 memperlihatkan tahapan penentuan panjang dan lebar daun diperoleh melalui komputasi oleh komputer [2].

Gambar 2.8 Penentuan panjang dan lebar berdasarkan tepi daun 2.5 Segmentasi Citra

Segmentasi merupakan proses membagi suatu citra ke dalam komponen-komponen region atau objek. Algoritma segmentasi secara umum didasarkan pada salah satu dari sifat dasar nilai intensitas, yaitu :

a. Discontinuity ialah pendekatan dengan membagi citra berdasarkan perubahan besar pada nilai intensitasnya, seperti tepi citra.

b. Similarity ialah pendekatan dengna membagi citra kedalam region-region yang serupa sesuai dengan kriteria awal yang diberikan. Contoh pendekatan ini ialah Treshold ing, region growing dan region splitting and merging 2.5.1 Deteksi Discontinuity

Ada tiga tipe diskontynuitas gray-level, yaitu : 1. Titik

2. Garis 3. Tepi

Salah satu cara yang paling banyak digunakan untuk melihat diskontinyuitas adalah menjalankan seuah mask atau filter pada citra seperti pada Gambar 2.9 berikut [2] :

Gambar 2.9 Contoh filter citra

Operasi yang dilakukan adalah sum of product dari koefesien-koefesien dalam mask dengan grey-level yang ada didaerah dimana mask itu berada. Respon dari mask pada suatu titik dalam citra diberikan oleh persamaan :

� = + + ⋯+ _{9 9} = ∑ (2.1)

Deteksi Titik

Deteksi dari titik yang terisolasi dalam sebuah citra cukup mudah. Dengan menggunakan mask pada Gambar 2.10 didapatkan bahwa suatu titik dapat dideteksi pada pusat lokasi dimana mask tersebut berada jika

| � | ≥ � (2.2)

Dimana T merpakan suatu nilai threshold yang tidak negatif.

Gambar 2.10 Mask threshold

Isolated point adalah sebuah titik yang grey-level-nya sangat berbeda dari

background-nya dan yang ada didaerah yang homogen hampir homogen. Jumlah koefesien mask adalah nol, mengindikasikan bahwa respons mask akam bernilai nol pada area gray-level yang konstan.

Gambar 2.11 (a) Citra Asli, (b) Hasil deteksi titik dgn T=90% dari nilai intensitas terbesar

Deteksi Garis

Pada umumnya deteksi garis atau line detection merupakan perbandingan dalam menentukan sebuah garis yang ada pada citra digital yang sudah di threshold, untuk mencapai respon pada suatu garis yang kuat pada citra dibutuhkan ketebalan suatu piksel. Setelah itu dapat di peroleh hasil maksimum dalam menentukan garis yang ada pada citra. Untuk mendeteksi garis horisontal, vertikal maupun miring yaitu dengan menentukan mask yang digunakan. Mask diperlukan sebagai

background yang dilewati citra garis . Deteksi Tepi

Tepi adalah sebuah himpunan dari piksel-piksel yang terhubung yang berada pada batas (boundary) diantara dua region. Definisi tepi membutuhkan kemampuan untuk mengukur transisi gray-level dengan cara yang tepat. Suatu model tepi yang ideal merupakan suatu himpunan connected pixel yang masing-masing berada pada suatu perubahan langkah tegak lurus (orthogonal) dalam gray-level. Tapi kenyataannya, hasil sampling atau akuisisi citra belum tentu menghasilkan citra yang sesempurna itu, misalkan citra lebih kabur dan sebagainya. Akibatnya tepi lebih mendekati model ‘ramplike’. Kemiringan (slope) dari ramp sesuai dengan tingkat kekaburan dari tepi.

Ketebalan dari tepi ditentukan oleh panjang dari ramp, yang merupakan transisi dari gray-level awal sampai gray-level akhir. Panjang ramp ditentukan oleh

slope, yang ditentukan juga oleh tingkat kekaburan. Berarti bahwa tepi yang kabur cenderung tebal dan tepi yang tajam cenderung tipis. Magnitude dari turunan pertama dapat digunakan untuk mendeteksi adanya suatu tepi pada sebuah titik dalam citra (yang berarti menentukan apakah titik tersebut ada di ramp).

Turunan pertama dalam pengolahan citra diimplementasikan menggunakan besaran dari gradient Pada subbab sebelumnya, kita mengetahui bahwa pengaburan (blurring) citra pada domain spasial dilakukan dengan rata-rata piksel (averaging) dalam suatu window ketetanggaan. Karena averaging analog dengan integral, maka dapat dikatakan penajaman citra analog dengan diferensiasi spasial.

2.5.2 Thresholding Pengertian Dasar

Histogram sebelah kiri mewakili citra f(x,y), yang tersusun atas objek terang di atas background gelap. Piksel-piksel objek dan background dikelompokkan menjadi dua mode yang dominan. Cara untuk mengekstrak objek dari dari

background adalah dengan memilih threshold T yang memisahkan dua mode tersebut.

Sembarang titik (x,y) yang memenuhi f(x,y)>T disebut titik objek; selain itu, titik disebut titik background. Histogram sebelah kanan terbagi menjadi tiga mode. Misalkan, citra terdiri atas dua objek terang di atas background gelap. Thresholding multileveldigunakan untuk mengklasifikasikan suatu titik.

Basic Global Thresholding

Teknik thresholding yang paling sederhana adalah mempatisi histogram dengan menggunakan sebuah threshold ing global T. Segmentasi dilakukan dengan memeriksa piksel semi piksel dari citra dan melabeli setiap piksel sebagai objek atau sebagai background. Tergantung pada tingkat keabuan dari piksel tersebut, apakah lebih besar atau lebih kecil dari T.

Threshold ing global diharapkan bisa sukses pada lingkungan yang sangat terkontrol. Threshold dispesifikasikan menggunakan pendekatan heuristic, berdasarkan pada pengamatan visual terhadap the histogram

Optimal Thresholding

Threshold optimal adalah threshold yang menghasilkan rata-rata error

segmentasi minimum. Salah satu metodenya adalah metode Otsu. Teknik Otsu memaksimalkan kemiripan (likehood) yang akan dapat memisahkan antara objek dengan latar belakangnya.

Gambar 2.12 berikut merupakan contoh perbandingan hasil thresholding yang menggunkana metode basic dan metode otsu. Gambar kiri merupakan citra hasil

basic thresholding menggunakan nilai ambang = 100, sedangkan gambar kanan adalah citra hasil otsu thresholding dimana dengan metode otsu diperoleh nilai ambang optimal = 127.

� = �

�, � ≥ , ∑ � = (2.3)

Gambar 2.12 perbandingan hasil antara basic thresholding dan otsu thresholding

Basic Adapter Thressholding

Faktor imaging seperti pencahayaan yang tidak merata, menyebabkan histogram tidak bisa dipartisi dengan baik, sehingga citra tidak bisa disegmentasi

dengan menggunakan sehuah threshold global. Untuk mengatasi hal ini, citra asal dibagi menjadi beberapa subcitra. Pada setiap subcitra, segmentasi dilakukan dengan menggunakan threshold yang berbeda.

Yang menjadi isu penting adalah bagaimana cara membagi citra dan bagaimana mengestimasi threshold untuk Setiap subcitra. Karena threshold yang digunakan untuk setiap piksel tergantung pada lokasi piksel, maka thresholding

disebut adaptif. Semua subcitra yang tidak berisi boundary antara objek dan

background memiliki variance kurang dari 75. Semua subcitra yang berisi

boundary memiliki variance melebihi 100.

Tiap subcitra dengan variance lebih besar dari 100 disegmentasi dengan

threshold yang dihitung pada subcitra tersebut dengan algoritma iteratif yang telah dibahas. Nilai awal untuk T adalah titik tengah antara tingkat keabuan maksimum dan minimum dalam subcitra. Semua subcitra dengan variance kurang dari 100 diperlakukan sebagai citra komposit, yang disegmentasi menggunakan threshold

tunggal dan diestimasi menggunakan algoritma yang sama. Optimal dan Adaptif Thresholding

Thresholding optimal adalah threshold yang menghasilkan rata-rata error

segmentasi minimum. Permasalahan pada gambar dibawah ini adalaha menemukan

boundary dari rongga dan jantung secara otomatis pada cardioangiograms (citra sinar X yang telah di injeksi dengan medium kontras).

Gambar 2.13 (a) Citra asli, (b) hasil global thresholding, (c) citra dibagi dalam beberapa subcitra, (d) hasil adaptive thresholding

Untuk menghitung threshold optimal, citra dibagi menjadi 49 region dengan menempatkan grid berukuran 7 x 7 dengan overlap masing-masing citra sebesar 50% (ukuran citra 256 x 256 piksel). Masing-masing dari 49 region yang overlap

berisi 64 x 64 piksel. Setelah 49 histogram dihitung, dilakukan tes bimodality untuk menghilangkan histogram-histogram yang unimodal.

2.5.3 Region Based Segmentation Region Growing

Region growing merupakan sebuah prosedur dimana sekumpulan piksel atau subregion hingga region yang lebih besar berdasarkan kriteria yang sudah didefinisikan pendekatan dasar misalnya sekumpulan titik awal dan dari sini region

tumbuh dengan menambahkan pada masing-masing benih ke piksel tetangga yang memiliki properti yang sama dengan benih tersebut. Deskriptor dapat mendapatkan hasil yang salah jika keterhubungan dan informasi piksel yang bersebelahan tidak digunakan dalam proses growing region. Contohnya visualisasi sebuah susunan random piksel dengan hanya tiga nilai gray-level yang jelas. Mengelompokan piksel dengan level-gray yang sama pada sebuah region yang tanpa konektivitas

yang akna menghasilkan hasil segmentasi menjadi tidak ada artinya. Permasalahan multimodal histogram baik jika menggunakan pendekatan dasar region.

Gambar 2.14 (a) gambar asli, (b) titik-titik seed, (c) hasil region growing, (d) baoundary dari segmented defective welds (warna hitam)

Region Splitting and Merging

Teknik yang bertujuan untuk membagi sebuah gambar ke dalam bagian-bagian secara acak, region yang tidak berhubungan satu sama lain, lalu merg dan/atau split region sehingga memenuhi kondisi yang ditentukan.

Gambar 2.15 Proses splitting region dalam citra Prosedurnya :

1. Split menjadi empat disjoint quadrants pada region � di mana P(� = FALSE.

2. Merge region yang bersebelahan � dan � dimana P(� U � ) = TRUE. 3. Stop ketika tidak mungkin ada lagi merge dan split

Properti yang berdasarkan mean dan standard daviasi pada piksel sebuah bidang untuk menentukan teksture dari sebuah region. Konsep texture segmentation

berdasarkan kegunaan ikuran tekstur untuk predikat P(� . 2.5.4 Pengertian Konvolusi

Konvolusi seringkali dilibatkan dalam operasi ketetanggaan piksel. Konvolusi pada citra sering disebut sebagai konvolusi dua-dimensi (konvolusi 2D). Konvolusi 2D didefinisikan sebagai proses untuk memperoleh suatu piksel didasarkan pada nilai piksel itu sendiri dan tetangganya, dengan melibatkan suatu matriks yang disebut kernel yang merepresentasikan pembobotan. Wujud kernel umumnya bujur sangkar, tetapi dapat pula berbentuk persegi panjang. Gambar 2.16 menunjukkan contoh kernel untuk konvolusi [3].

-1 1 0 -1 2 1 0 0 -2 1 3 2 1 3 2 m

1 2 n

3 2 1

n

Gambar 2.16 Contoh kernel untuk konvolusi berukuran 3 x 3 dan m x n Secara umum, proses penapisan di kawasan ruang (space domain), sebagai alternatif di kawasan frekuensi, dilaksanakan melalui operasi konvolusi. Operasi ini dilakukan dengan menumpangkan suatu jendela (kernel) yang berisi angka-angka

pengali pada setiap piksel yang ditimpali. Kemudian, nilai rerata diambil dari hasil-hasil kali tersebut. Khusus bila angka-angka pengali tersebut semua adalah 1, hasil-hasil yang didapat sama saja dengan filter pererataan.

2.5.5 Pengertian Laplacian

Laplacian merupakan contoh operator yang berdasarkan pada turunan kedua. Operator ini bersifat omnidirectional, yakni menebalkan bagian tepi ke segala arah. Namun, operator Laplacian memiliki kelemahan, yakni peka terhadap derau, memberikan ketebalan ganda, dan tidak mampu mendeteksi arah tepi (Gonzalez & Woods, 2002).

(b) #1 (a) Posisi pada citra f

0 -1 -1 4

(c) #2

0 -1

0 -1 0

-1 -1 -1 8

-1 -1 -1 -1 -1

x x+1

y y+1

x-1 y-1 z1 z2

z4 z5

z3

z6

z7 z8 z9

Gambar 2.17 Operator Laplacian

Berdasarkan cadar #1 pada Gambar 2.17, nilai operator Laplacian pada (y, x) didefinisikan sebagai :

� , = 4 , − [ − , + , − + , + + +

, ] (2.4)

Deteksi tepi orde kedua yang makin kurang sensitif terhadap derau adalah

Laplacian of Gaussian (LoG). Hal ini disebabkan penggunaan fungsi Gaussian

yang memuluskan citra dan berdampak pada pengurangan derau pada citra. Akibatnya, operator mereduksi jumlah tepi yang salah terdeteksi (Crane, 1997).

Menurut Fisher, dkk. (2003), operator LoG diperoleh melalui konvolusi dengan

� � , = −_�� [ − +_� ] �− �+ (2.5)

Fungsi di atas disebut sebagai filter topi Meksiko (the Mexican hat filter) karena bentuknya seperti topi yang biasa dikenakan orang Meksiko (lihat Gambar 10.20). Dalam hal ini, semakin besar nilai , semakin besar pula cadar yang diperlukan. Contoh cadar berukuran 5 x 5 yang mewakili operator LoG ditunjukkan pada Gambar 10.21 (Gonzalez & Woods, 2002).

Dalam praktik, terdapat berbagai variasi rumus yang digunakan dalam LoG. Gonzalez dan Woods (2002) menggunakan persamaan berikut:

� � , = − [ + −�_� ] �− �+ (2.6)

Nixon dan Aguido (2002) menggunakan persamaan:

� � , =_� [ _�+ − ] �− �+ (2.7)

Adapun Crane (1997) menggunakan persamaan:

� � , =_�� [ − +_� ] �− �+ (2.8)

2.5.6 Marr-Hilderth

Zero-crossing atau dikenal dengan nama lain yaitu operator Marr-Hildreth

sebenarnya adalah operator LoG yang dilengkapi dengan upaya untuk menemukan

zero crossing. Zero-crossing menyatakan tanda perubahan pada tepi-tepi dalam citra. Operasi inilah yang membuat operator Marr-Hildreth mampu menghasilkan kurva yang tertutup, yang tidak dapat dipenuhi oleh operator lain.

Ada beberapa teknik yang dapat digunakan untuk melakukan pemrosesan

zero-crossing, misalnya seperti yang dibahas pada Crane (1997) atau pada Nixon dan Aguido (2002). Algoritma yang didasarkan pada Nixon dan Aguido dapat dilihat pada subban selannjutnya. Persamaan yang digunakan untuk menentukan nilai tepi dari setiap citra adalah sebagai berikut :

√ � � ( −

+

� ) �

+

Marr-Hildert Operator (Marr and Hildert, 1980) merupakan salah satu bentuk operator yang menggunakan turunan kedua. Tanda turunan kedua digunakan untuk menentukan apakah tepi tersebut ada di sisi gelap atau disisi terang dari suatu tepi. Jika negatif, berarti ada di sisi terang. Dan jika positif maka titik tersebut ada di sisi gelap. Catatan tentang sifat tambahan dari turunan kedua disekitar tepi :

1. Turunan kedua menghasilkan dua nilai untuk tiap tepi dari sebuah citra. 2. Dapat dibayangkan bahwa sebuah garis lurus menggabungkan nilai turunan

kedua ekstrem positif dan negatif yang akan memotong nol di titik tengah tepinya. Sifat Marr-Hilderth dari turunan kedua berguna untuk menentukan lokasi pusat dari tepi yang tebal.

2.5.7 Ruang Warna RGB

Ruang warna RGB biasa diterapkan pada monitor CRT dan kebanyakan sistem grafika komputer. Ruang warna ini menggunakan tiga komponen dasar yaitu merah (R), hijau (G), dan biru (B). Setiap piksel dibentuk oleh ketiga komponen tersebut. Model RGB biasa disajikan dalam bentuk kubus tiga dimensi, dengan warna merah, hijau, dan biru berada pada pojok sumbu (Gambar 2.18). Warna hitam berada pada titik asal dan warna putih berada di ujung kubus yang berseberangan. Gambar 2.19 memperlihatkan kubus warna secara nyata dengan resolusi 24 bit. Perlu diketahui, dengan menggunakan 24 bit, jumlah warna mencapai 16.777.216.

B

R

G (0,1,0)

(0,0,1)

(1,0,0)

Hijau Merah

Biru

Hitam Putih

Aras keabuan

Magenta

Kuning

Cyan

Gambar 2.18 Skema ruang warna RGB dalam bentuk kubus

Biru Magenta

Cyan

Merah

Kuning

Hijau

Gambar 2.19 Kubus warna dengan 24 bit

RGB biasa digunakan karena kemudahan dalam perancangan hardware, tetapi sebenarnya tidak ideal untuk beberapa aplikasi. Mengingat warna merah, hijau, dan biru sesungguhnya terkorelasi erat, sangat sulit untuk beberapa algoritma pemrosesan citra (Crane, 1997). Sebagai contoh, kebutuhan untuk memperoleh

warna alamiah seperti merah dengan menggunakan RGB menjadi sangat kompleks mengingat komponen R dapat berpasangan dengan G dan B, dengan nilai berapa saja. Hal ini menjadi mudah jika menggunakan ruang warna HLS ataupun HSV. 2.5.8 Warna Keabuan (Grayscale)

Dalam menentukan nilai grayscale pada objek terlebih dahulu mencari nilai RGB (Red Green Blue), setelah itu nilai RGB tersebut akan dicari nilai rata-rata dengan rumus sebagai berikut :

(2.10) Dimana :

� _{: intensitas warna Red} �� � _{: intensitas warna Green} ��� _{: intensitas warna Blue}

Untuk mencari nilai RGB pada nilai citra keluaran dapat menggunakan rumus sebagai berikut :

Nilai Red = piksel mod 256

Nilai Green = (piksel / 256) mod 256 Nilai Blue = (piksel/256/256) mod 256 2.5.9 Algoritma dan Pseudocode

Untuk mengetahui solusi dalam penerapan metode yang digunakan dapat dilihat dalam analisis algoritma dan pseudocode. Sebenarnya implementasi analisis algoritma untuk sementara dapat diketahui dengan menggunakan aplikasi yang sudah ada dengan menggunakan NetLab, sebelum melangkah lebih jauh dapat kita ketahui beberapa fungsi, variabel dan prosedur apa saja yang dibutuhkan dalam algoritma untuk memecahkan masalah.

Untuk analisis algoritma dan pseudocode dapat kita lihat beberapa fungsi dan prosedur berikut ini :

1. Algoritma untuk menentukan nilai konvolusi pada citra dengan asumsi kernel memiliki baris dan kolom yang ganjil.

ALGORITMA untuk konvolusi pada citra dengan mengabaikan bagian tepi

Masukan:

 f : Citra yang akan dikonvolusi

 h : kernel konvolusi Keluaran:

 g : Citra hasil konvolusi

1. m2  floor(jumlah_baris_kernel h) 2. n2  floor(jumlah_lebar_kernel h) 3. FOR y  m2+1 TO tinggi_citra_f – m2

FOR x n2+1 TO lebar_citra_f – n2 // Lakukan konvolusi

jum  0;

FOR p  -m2 TO m2 FOR q  -n2 TO n2

jum  jum * h(p+m2+1, q+n2+1) * f(y-p, x-p) END-FOR

END-FOR g2(y, x)  jum END-FOR

END-FOR

4. // Salin posisi g2 ke g dengan membuang yang tidak dikonvolusi 5. FOR y  m2+1 TO tinggi_citra_f – m2

FOR x  n2+1 TO lebar_citra_f – n2 g(y-m2, x-n2)  g2(y, x)

END-FOR END-FOR

Berdsarkan algoritma diatas, citra hasil akan kehilangan sebesar a. 2*m2 baris atau sama dengan jumlah kernel dikurang 1 b. 2*n2 kolom atau sama dengan jumlah kernel dikurang 1

2. Algoritma untuk menentukan nilai cadar (mask) Laplacian of Gaussian

ALGORITMA untuk memperoleh mask LoG

Masukan:

 Ukuran : ukuran mask

 : Standar deviasi Keluaran:

 h (M, N): Cadar LoG maskLoG(ukuran, ):

1. cx  floor((ukuran-1) / 2) 2. cy  cx

3. jum  0

4. FOR y  0 TO ukuran -1 FOR x  0 TO ukuran -1 nx  x – cx

ny  y – cy nilai 

�2[

� 2_{+ �} 2

�2 − ]

− � 2+ � 2 2�2

h(y+1, x+1)  nilai jum  jum + nilai END-FOR

END-FOR

5. // Lakukan normalisasi FOR y  1 TO ukuran FOR y  1 TO ukuran h(y, x)  h(y, x) / jum

END-FOR END-FOR RETURN h

Algoritmai di atas, normalisasi dilakukan agar jumlah koefesien pada masking bernilai 1

3. Algoritma untuk menentukan nilai Marr-Hilderth ALGORITMA untuk memproses zero crossing

Masukan:

 g: Citra hasil pemrosesan LoG, berukuran MxN

 ukuran : Ukuran mask

 : Standar deviasi Keluaran:

 k: citra hasil pemrosesan operator Marr-Hildreth

zerocross(g, ukuran, ) :

1. // Bentuk larik k yang seluruhnya bernilai 0 FOR y  1 TO M

FOR x  1 TO N k(y, x)  0 END

END

2. FOR baris  2 TO M-1 FOR kolom  2 TO N-1

bag1 rerata(g(x-1, y-1), g(x, y), g(x-1, y-1), g(x, y))

bag2 rerata(g(x, y-1), g(x+1, y), g(x, y-1), g(x+1, y))

bag3 rerata(g(x, y-1), g(x+1, y), g(x+1, y-1), g(x+1, y))

bag4 rerata(g(x, y), g(x+1, y+1), g(x, y), g(x+1, y+1))

terbesar  max(bag) terkecil  min(bag)

IF (terbesar > 0) AND (terkecil < 0) k(y,x)  255

END-IF END-FOR END-FOR RETURN k

2.6 Java Media Framework (JMF)

Java Media Framework API adalah library yang digunakan untuk keperluan media baik media suara, kamera maupun animasi 3D, selain itu juga JMF API merupakan arsitektur yang menggabungkan protokol dan interface dalam

pemrograman java yang merekam, mentransmisi dan playback media. JMF 2.1.1 merupakan versi terakhir yang dikembangkan oleh Sun Microsystem, Sun’s sebagai perusahaan pengembang pemrograman java berinisiatif untuk membawa pemrosesan time-base media ke dalam pemrograman java. Time-base media ialah alat untuk mengubah data yang diterima berdasarkan waktu dan mengubah content-type.

JMF API mendukung pembangunan dan pengembangan berbagai aplikasi yang bersifat multimedia, format yang di tawarkan diantaranya ialah AU, AVI, MIDI, MPEG, WAV, dan beberapa file audio yang didukung oleh Java. Media yang diambil juga dapat ditransmisikan ke dalam jaringan internet sebagai media

streaming yang proses pengirimannya secara realtime. Arsitektur jaringan yang digunakan dalam pemrosesan media streaming yaitu menggunakan Real-time Transfer Protokol, dan Real-time Transport Control Protokol sebagai pendamping yang berfungsi untuk mengontrol komunikasi secara berkala pada paket transmisi yang menggunakan mekanisme distribusi paket data agar bisa digunakan oleh

receivers untuk sinkronisasi audio dan video [3]. 2.6.1 Real Time Protocol (RTP)

RTP adalah protokol yang header format dan kontrolnya didesain untuk mendukung aplikasi-aplikasi transmisi data real-time seperti audio, video, dan juga simulasi data melalui layanan jaringan. Pada TCP/IP terdapat dua protokol

transport, yaitu: Transmission Control Protocol (TCP) dan User Datagram protocol (UDP). Pada TCP pemrograman yang berorientasi pada konektivitas (connectionoriented programming). Protokol ini memiliki arsitektur yang standar, terbuka dan tidak bergantung pada perangkat keras atau sistem operasi. Dalam skema pengalamatannya yang umum bagi setiap device yang terhubung dengan jaringan menjamin bahwa semua data, dalam bentuk paket data yang dikirim oleh

server akan diterima oleh client. Sedangkan UDP merupakan protokol yang bersifat

connectionless oriented, Artinya, saat melakukan pengiriman data tidak dilakukan proses handshaking, tidak ada sequencing datagram, dan tidak ada jaminan bahwa paket data (datagram) yang dikirim akan tiba dengan selamat.

UDP sangat cocok untuk digunakan pada aplikasi yang membutuhkan query

dan respon cepat, maka dari itu UDP sangat berguna dalam mentransmisikan file audio/video dari server ke client seperti VoIP, audio/video streaming. UDP sangat tidak cocok digunakan untuk mengirimkan paket data berukuran besar, karena dapat memperbesar peluang jumlah paket loss atau hilang maupun rusak.

JMF dapat mentransmisikan dan playback RTP Stream dengan API yang terdapat pada javax.media.rtp, javax.media.rtp.event, dan

javax.media.rtp.rtcp. pada RTP receiver/client, dapat dilakukan playback

atau menerima media data yang dikirimkan oleh RTP transmeiter/server. Seperti yang terlihat pada Gambar 2.20 diagram alur proses RTP pada bagian receiver yang menerima media data dari jaringan dan kemudian mempresentasikannya dengan

player.

Gambar 2.20 RTP Receiver

Proses transmisi media data melalui tahapan-tahapan yang memiliki fungsi sendiri. RTP pengirim data memiliki beberapa tahapan yang dapat dilihat pada Gambar 2.21. pada RTP transmisi, input yang diperoleh data source berupa capture device webcam. Kemudian processor akan memprosesnya menjadi data source

yang digunakan untuk RTP atau datasink.

2.6.2 Real Time Control Protocol (RTCP)

RTCP merupakan bagian dari RTP, yang berfungsi sebagai pendamping RTP untuk mengontrol kominikasi secara berkala pada paket transmisi yang menggunakan mekanisme distribusi paket data agar bisa digunakan oleh receivers

untuk sinkronisasi audio dan video. RTCP akan mengirimkan paket secara berkala kepada participants yang teridentifikasi mengenai data yang dikirim dan yang diterima. Beberapa tipe paket RTCP tersebut adalah sebgai berikut :

1. Sender Report ialah informasi yang akan diperoleh jika participants telah mengirim data paket RTP setelah laporan yang terakhir, bersamaan saat itu

receiver report juga diinformasikan.

2. Receiver Report ialah sama seperti halnya sender report, hanya saja dilakukan pada sisi penerima.

3. Source Description ialah yang akan menunjukan identitas participants. Pada SDES, Canonical Name merupakan item yang hasur dikirimkan pada setiap paket RTCP, karena mengandung informasi identitas serta lokasi sumber pengirim.

4. Stop (end) ialah paket yang akan memberikan informasi participants yang tidak aktif atau yang akan meninggalkan session. Ketika participants

meninggalkan session maka paket stop akan terkirim.

Pada Gambar 2.22 dapat dilihat arsitektur jaringan komunikasi RTP yang terdapat pada liberary JMF dalam mentransmisikan data maupun pengiriman data melalui RTP.

2.7 Google Cloud Messagging (GCM)

Google Cloud Messaging merupakan layanan yang disediakan oleh google yang memungkinkan untuk mengirim data dari server ke client (Android-powered) perngkat mobile, dan menerima pesan dari perangkat yang terhubung dengan server yang sama. Layanan GCM menangani semua aspek antrian pesan dan pengiriman ke target aplikasi Android yang berjalan pada perangkat target. GCM disediakan oleh google dengan cuma-cuma untuk devloper Android dan dalam penyimpanannya pun disediakan quota dalam jumlah yang besar oleh google untuk kebutuhan yang lebih luas.

Google Cloud Messaging yang disediakan hanya untuk platform Android sebagai layanan gratis yang membantu pengembang dalam mengirim dan menerima data dari server ke aplikasi Android yang akan dibangun. Kinerja yang ditawarkan layanan GCM ini ialah menyampaikan informasi baru yang masuk ke penyimpanan

cloud, seperti halnya ketika e-mail mendapatkan pesan baru yang masuk ke mailbox

[4].

2.8 Pemodelan Berorientasi Objek

Metodologi Berorientasi Objek atau object oriented merupakan suatu strategi pembangunan atau paradigma baru dalam rekayasa perangkat lunak yang memandang sistem sebagai kumpulan objek-objek diskrit yang saling berinteraksi. Yang dimaksud berorientasi objek adalah bahwa mengorganisasikan perangkat lunak sebagai kumpulan obyek-obyek diskrit yang bekerja sama antara informasi atau struktur data dan perilaku (behavior) yang mengaturnya. Sebuah sistem yang dibangun dengan berdasarkan metode berorientasi objek adalah sebuah sistem yang komponennya dibungkus (encapsulation) menjadi kelompok data dan fungsi. Setiap komponen dalam sistem tersebut dapat mewarisi atribut dan sifat dan komponen lainnya serta dapat berinteraksi satu sama lainnya [5].

2.8.1 Konsep Dasar Pemodelan Berorientasi Objek

Pemrograman Berorientasi Objek adalah suatu cara baru dalam berfikir dan belogika dalam menghadapi masalah-masalah dengan bantuan komputer. Konsep

objek dalam OOP adalah konsep atau abstraksi tentang sesuatu yang memiliki arti bagi aplikasi yang akan dikembangkan. Objek biasanya adalah kata benda, namun objek dalam konteks OOP bukan hanya objek nyata yang bias diraba dan dilihat secara asat mata seperti benda yang biasa kita temukan. Dibawah ini merupakan gambar pengorganisasian data dan fungsi pada pendekatan berorientasi objek.

Gambar 2.23 Pengorganisasian Data dan Fungsi pada Pendekatan Berorientasi Objek

2.8.2 Metode Analisis Berorientasi Objek (OOA)

Untuk melakukan analisis sistem terdapat beberapa macam pendekatan, diantaranya pendekatan konvensional dan pendekatan berorientasi objek. Pendekatan konvensional terutama mengacu kepada strategi dekomposisi yang berdasar algoritma atau fungsional. Pendekatan ini telah berkembang meliputi seluruh tahap atau aktifitas proses rekayasa perangkat lunak dari mulai pemrograman dengan iterasi perbaikan, pemrograman terstruktur, ditambah dengan perancangan terstruktur kemudian analisis terstruktur dan sebagainya. Sedangkan pendekatan berorientasi objek memusatkan pada rancangan pada objek dan antar muka yang dihasilkan. Objek adalah entiti yang berisi data atau variabel dan tingkah laku. Data atau variabel yang menggambarkan sifat atau keadaan objek dalam dunia nyata (real world) didefiniskan sebagai attribute,

sedangkan tingkah laku yang menggambarkan aksi-aksi yang dimiliki objek didefinisikan sebagai method.

Unified Approach (UA) merupakan metode analisis berorientasi objek dari Ali Bahrami (1999). UA adalah suatu metodologi pengembangan sistem berbasis objek yang menggabungkan proses dan metodologi yang telah ada sebelumnya dan menggunakan UML sebagai standar pemodelannya. Proses dan tahapan yang ada dalam UA merupakan proses-proses terbaik yang diambil dari metode objek yang telah diperkenalkan oleh Booch, Rumbaugh, dan Jacobson. Tahap Analisis dalam UA ditujukan untuk mengidentifikasi kelas-kelas yang terdapat dalam sistem.

2.8.3 Pemodelan UML ( Unified modelling Language)

UML (Unified Modelling Language) adalah salah satu alat bantu yang sangat handal di dunia pengembangan sistem yang berorientasi obyek. Hal ini disebabkan karena UML menyediakan bahasa pemodelan visual yang memungkinkan bagi pengembangan system untuk membuat cetak biru atas visi mereka dalam bentuk yang baku, mudah dimengerti serta dilengkapi dengan mekanisme yang efektif untuk berbagi (sharing) dan mengkomunikasikan rancangan mereka dengan yang lain.

UML merupakan kesatuan dari bahasa pemodelan yang dikembangkan oleh Booch, Object Modelling Technique (OMT) dan Object Oriented Software Engeenering (OOSE). Metode Booch dari Grady Booch sangat terkenal dengan nama metode Design Object Oriented. Metode ini menjadikan proses analisis dan design ke dalam empat tahapan iteratif yaitu identifikasi kelas-kelas dan objek-objek, identifikasi semantic dari hubungan objek dan kelas tersebut, perincian

interface dan implementasi. Keunggulan metode Booch adalah pada detil dan kayanya dengan notasi dan elemen. Pemodelan OMT yang dikembangkan oleh Rumbaugh didsarkan pada analisis tersetruktur dan pemodelan entitiy-Relationship. Setiap sistem yang kompleks seharusnya bisa dipandang dari sudut yang berbeda-beda sehingga kita bisa mendapatkan pemahaman secara menyeluruh. Untuk upaya tersebut UML menyediakan 9 jenis diagram yang dapat

dikelompokkan berdasarkan sifatnya statis atau dinamis. Dari 9 jenis diagram dalam UML itu diantaranya [7]:

1. Use Case Diagrams, Bersifat statis. Diagram ini memperlihatkan himpunan use case dan aktor-aktor (suatu jenis khusus dari kelas). Diagram ini terutama sangat penting untuk mengorganisasi dan memodelkan perilaku dalam suatu sistem yang dibutuhkan serta diharapkan pengguna.

2. Activity Diagram, Bersifat dinamis. Diagram aktifitas ini adalah tipe khusus dari diagram state yang memperlihatkan aliran dari aktifitas ke aktifitas yang lainnya dalam suatu sistem. Diagram ini sangat penting terutama dalam pemodelan fungsi-fungsi dalam suatu sistem dan memberi tekanan pada aliran kendali antara objek.

3. Sequance Diagram, Bersifat dinamis. Diagram urutan adalah diagram interaksi yang menekankan pada pengiriman pesan (message) dalam waktu tertentu.

4. State Chart Diagrams, Bersifat dinamis. Diagram state ini memperlihatkan state-state pada sistem, memuat state, transisi, event, serta aktifitas. Diagram ini terutama sangat penting pada pemodelan sistem-sistem reaktif. 5. Diagram Kelas, Bersifat statis. Diagram ini memperlihatkan himpunan kelas-kelas, antarmuka-antarmuka, kolaborasi-kolaborasi, serta relasi-relasi. Diagram ini umum dijumpai pada pemodelan sistem berorientasi objek. Meskipun bersifat statis, sering pula diagram kelas memuat kelas-kelas aktif.

6. Diagram Objek, Bersifat statis. Diagram ini memperlihatkan objek-objek serta relasi-relasi antar objek. Diagram objek memperlihatkan instansiasi statis dari segala sesuatu yang dijumpai pada diagram kelas.

7. Collaboration Diagram, Bersifat dinamis. Diagram kolaborasi adalah diagram interaksi yang menekankan organisasi struktural dari objek-objek yang menerima serta mengirim pesan (message).

8. Component Diagram, Bersifat statis. Diagram komponen ini memperlihatkan organisasi serta kebergantungan sistem/perangkat lunak pada komponen-komponen yang telah ada sebelumnya. Diagram ini

berhubungan dengan diagram kelas dimana komponen secara tipikal dipetakan ke dalam satu atau lebih kelas-kelas, antarmuka-antarmuka (interfaces), serta kolaborasi-kolaborasi.

9. Deployment Diagram, Bersifat statis. Diagram ini memperlihatkan konfigurasi saat aplikasi dijalankan (saat run-time). Diagram ini memuat simpul-simpul (node) beserta komponen-komponen yang ada di dalamnya.

Deployment diagram berhubungan erat dengan diagram komponen dimana

deployment diagram memuat satu atau lebih komponen-komponen. Diagram ini sangat berguna saat aplikasi kita berlaku sebagai aplikasi yang dijalankan pada banyak mesin (distributed computing).

2.9 Mobile Platform Android

Gambar 2.24 Logo Android

Android merupakan sistem operasi terbaru dari google yang berbasis kernel linux. Banyak kalangan umu yang sudah tidak asing lagi dengan sistem operasi ini, baik dari kalangan low level maupun high level. Sistem operasi ini memberikan fitur gratis yang disediakan oleh google yang dapat digunakan maupun di kembangkan oleh banyak user maupun devloper Android SDK.

Android SDK adalah tools API (Aplication Programming Interface) yang digunakan untuk mulai mengembangkan aplikasi pada platform android menggunakan bahasa pemrograman Java. Android merupakan subset perangkat lunak untuk ponsel yang meliputi sistem operasi, middleware dan aplikasi kunci yang di release oleh Google. Saat ini disediakan android SDK (Software Development Kit) sebagai alat bantu dan API untuk mulai mengembangkan aplikasi

pada platform android menggunakan bahasa pemrograman Java. Sebagai platform aplikasi netral, android memberi anda kesempatan untuk membuat aplikasi yang kita butuhkan yang bukan merupakan aplikasi bawaan hanphone/smartphone. Beberapa fitur android yang paling penting adalah [7]:

1. Framework aplikasi yang mendukung penggantian komponen dan reusable. 2. Mesin Virtual Dalvik dioptimalkan untuk perangkat mobile.

3. Integrated browser berdasarkan engine open source webkit.

4. Grafis yang dioptimalkan dan didukung oleh libraries grafis 2D, grafis 3D

berdasarkan spesifikasi openGL ES 1.0 (Opsional Akselerasi Hardware). 5. SQLite untuk penyimpanan data.

6. Media Support yang mendukung audio, video dan gambar (MPEG4, H.264, MP3, AAC, AMR, JPG, PNG, GIF), GSM Telephony (tergantung

hardware).

7. Bluetooth, EDGE, 3G, WiFi (tergantung hardware).

8. Kamera, GPS, kompas dan Accelerator (tergantung hardware).

9. Lingkungan development yang lengkap dan kaya, termasuk perangkat

emulator, tools untuk debuging, profil dan kinerja memori, dan plug in

47

ANALISA DAN PERANCANGAN

3.1 Analisis Masalah

Tahapan awal untuk membangun home controlling system, yaitu dengan menentukan metode yang akan diterapkan dalam pendeteksian citra. Deteksi citra merupakan kemampuan untuk mengenali objek pada gambar yang ter-capture

melalui sebuah kamera digital seakan-akan kamera adalah sebagai sensor pendeteksi gerak. Mengimplementasikan metode Marr-Hilderth sebagai deteksi tepi objek.

3.1.1 Proses Pendeteksian Objek

Dalam menentukan nilai objek yang akan dideteksi menggunakan Marr-Hilderth, terlebih dahulu melalui tahapan-tahapan yang terlihat pada Gambar 3.1.

3.1.2 Analisis Klasifikasi Pendeteksian Objek

Untuk klasifikasi objek yang akan disegmentasi dapat dikelompokkan dengan menggunakan tabel agar objek yang akan menjadi perhatian dapat teridentifikasi. Dalam menganalisis objek yang akan dideteksi yaitu dengan mengklasifikasikan suatu objek yang tertangkap oleh webcam. Untuk klasifikasinya adalah sebagai berikut :

Tabel 3.1 Klasifikasi analisis segmentasi objek

Objek Citra Kegunaan

segmentasi

Acuan yang digunakan

Area taman

Manusia,

halaman, jalan, lampu pijar, pohon

Pelacakan manusia Gerakan dan perubahan warna

Area ruang tamu

Manusia, sofa, pintu, jendela

Pelacakan manusia Gerakan dan perubahan warna

Segmentasi sebagai tahapan awal dalam membagi suatu objek ke dalam region yang telah ditentukan, dapat diketahui alur dalam pengklasifikasian sebagai berikut :

Gambar 3.2 Segmentasi langkah awal sistem klasifikasi Keterangan Gambar 3.2 adalah sebagai berikut :

1. Objek target yaitu dimana citra yang akan dianalisis merupakan objek yang ditangkap oleh kamera webcam.

2. Konversi grayscale yaitu merubah intensitas warna RGB menjadi warna keabuan.

3. Ekstraksi fitur, perbandingan antara lebar dan panjang objek, warna rata-rata suatu objek, bentuk pada objek dan tekstur pada objek dengan menggunakan metode Marr-Hilderth.

4. Pengklasifikasian dan pendeteksian, objek yang dapat ditentukan apakah objek yang memengaruhi berubahnya nilai baik warna maupun tekstur dan bentuk pada objek adalah objek dari menusia ?. maka dapat diketahui setelah diklasifikasi yang akan dijelaskan disubbab pengklasifikasian objek .

Analisis Objek Target

Objek target merupakan citra pada objek yang ter-capture oleh kamera webcam yang akan dianalisis sehingga menjadi matriks atau bisa disebut kernel yang memiliki bobot tertentu yang diperoleh dari setiap piksel yang ada pada objek tersebut. Piksel-piksel yang ada pada objek yang sudah dianalisis menjadi suatu bobot nilai kedalam matriks akan di bandingkan dengan nilai objek yang sudah

di-difault atau memiliki nilai awal pada saat objek belum dilakukan pendeteksian. Proses dalam menentukan atau memperoleh suatu nilai pada operas ketetanggaan piksel yang melibatkan matriks atau bisa disebut kernel yang mempresentasikan pembobotan. Untuk mencapai tujuan objek yang menjadi target dapat ditentukan menggunakan konvolusi yang dapat berbentuk bujur sangkar maupun persegi panjang.

Kernel yang akan digunakan untuk menentukan nilai konvolusi yaitu dengan memilih kernel konvolusi yang berukuran 3x3.

Gambar 3.3 Kernel konvolusi 3x3

Pada pemrosesan untuk mencari nilai konvolusi, kernel digeser sepanjang baris dan kolom dalam citra, sehingga dapat diperoleh nilai baru pada citra keluaran.

Gambar 3.4 Proses konvolusi sepanjang kolom dan baris

Rumus yang digunakan untuk menentukan nilai konvolusi adalah sebagai berikut :

, = ∑ =− ∑ =− + + , + + − , − (3.1)

Dalam hal ini untuk keterangan formula diatas :

a. m2 adalah separuh dari tinggi kernel (m2 = floor(m/2)). b. n2 adalah separuh dari lebar kernel (n2 = floor(n/2)). c. Floor menyatakan pembulatan kebawah.

d. h menyatakan kernel, dengan indeks dimulai dari 1.

Untuk gambaran implementasi persamaan , =

∑ =− ∑ =− + + , + + − , − (3.1) dalam

menentukan nilai konvolusi kita ambil contoh Gambar 3.5 yang di ambil nilai piksel resolusinya 8x8.

Gambar 3.6 a) kernel citra target, b) kernel konvolusi 3x3 Maka nilai piksel hasil konvolusi adalah sebagai berikut :

g(x, y) = (-1 x 62) + (0 x 60) + (1 x 60) + (-2 x 60) + (0 x 68) + (2 x 78) + (-1 x 55) + (0 x 50) + (1 x 65)

= 44

Lakukan terus berulang sehingga dengan demikian,nilai yang telah di konvolusikan akan seperti pada Gambar 3.7.

Dari hasil analisi implementasi dalam menentukan nilai konvolusi dalam piksel citra yang menjadi target dapat dilakukan dengan cara yang telah dijelaskan. Selain itu untuk menentukan nilai konvolusi kernel objek atau piksel citra harus dilakukan dengan memfilter menjadi kernel yang mempunyai baris dan kolom harus bernilai ganjil.

Konversi Grayscale

Misal diambil ukuran piksel dengan resolusi 5x5 dengan nilai RGB yang diperoleh dari setiap blok nilai citra keluaran, nilai tersebut dapat dilihat pada Gambar 3.8:

Gambar 3.8 RGB Nilai Citra keluaran dengan ukuran 5x5

Dengan menggunakan rumus mencari rata-rata nilai RGB dengan membagi 3 untuk mengkonversi dari citra warna ke citra grayscale, setelah itu nilai rata-rata yang telah didapatkan harus dibulatkan.

F(1.1) = (187 ,261 ,217) = (187 + 261 + 217) / 3 = 221.66 = 222

F(1.2) = (171 ,253 ,192) = (171 + 253 + 192) / 3 = 205.33 = 205

F(1.3) = (168 ,136 ,228) = (168 + 136 + 228) / 3 = 177.33 = 177

F(1.4) = (197 ,233 ,191) = (197 + 233 + 191) / 3 = 207

F(1.5) = (213 ,162 ,188) = (213 + 162 + 188) /3 = 187.66 = 188

Untuk piksel selanjutnya dilakukan perhitungan seperti yang dijelaskan, sehingga dapat kita lihat hasil perhitungannya pada Gambar 3.9.

Gambar 3.9 Nilai Citra Grayscale

Dari hasil diatas untuk gambaran objek gambar yang telah dikonversi ke grayscale adalah sebagai berikut :

Analisis Ekstraksi Fitur

Analisis ekstraksi fitur yaitu berhubungan dengan pengukuran atau perbandingan bentuk suatu objek, warna pada objek dan tekstur yang terkandung dalam objek citra. Untuk mencari suatu nilai perbandingan dan bentuk suatu objek dapat diketahui dengan menggunakan mencari nilai ambang (threshold) dimana nilai intensitasnya hanya terdiri dari 0 dan 1.

Dalam menentukan nilai ambang (threshold) yaitu dengan menggunakan pengambangan basis adaptif (basic adapter thresholding) dapat dicari dengan menentukan nilai T untuk titik tengah antara tigkat keabuan maksimum dan minimum dalam subcitra.

Untuk proses analisis dengan menggunakan basic adapter thresholding

dapat dilakukan dengan sampel resolusi dengan nilai yang ditentukan pada objek yang ter-capture oleh kamera:

Gambar 3.11 sample objek grayscale Diketahui :

L = 256 P = 193 x 173 t = 100 Keterangan : L : resolusi keabuan P = resolusi spasial t = threshold

Gambar 3.12 Nilai piksel contoh objek

Lakukan proses adapter thresholding dengan membagi citra menjadi subcitra ukuran 2x2

Penyelesaian : F(1,1)

1. Ambil subcitra 2x2 [ ] 2. Hitung Mean

�� = �̅ = + + + =

3. Hitung Var

��� = − + − + ₋ − + −

= .

F(1.2)

1. Ambil subcitra 2x2 [ ] 2. Hitung Mean

�� = �̅ = + + + =

3. Hitung Var

��� = − + − + − + −

−

= .

1. Ambil subcitra 2x2 [ ] 2. Hitung Mean

�� = �̅ = + + + =

3. Hitung Var

��� = − + − + ₋ − + −

= .

F(1.4)

1. Ambil subcitra 2x2 [ ] 2. Hitung Mean

�� = �̅ = + + + =

3. Hitung Var

��� = − + − + ₋ − + −

= .

Jika var > 100, maka :

Gunakan nilai T tersebut untuk melakukan basic thresholding. Dan diperoleh

threshold = 210 dan subcitra output = 0 Jika tidak, maka

Subcitra output = 1

Sehingga didapatkan nilai piksel biner seperti pada Gambar 3.13

Gambar 3.14 berikut menunjukkan hasil thresholding dengan metode

global adaptive thresholding. Gambar kiri citra asli dan gambar kanan adalah hasil

adaptive thresholding dengan membagi menjadi 4 subcitra. Pada gambar hasil

adaptive thresholding, bentuk tangan terlihat lebih jelas.

Gambar 3.14 (a) Citra Asli, (b) hasil adaptif thresholding Analisis Klasifikasi dan Pendeteksian Objek

Analisis klasifikasi objek merupakan tahap akhir dalam menentukan citra objek yang menjadi target dalam penelitian. Untuk mengklasifikasi objek yang akan dipilih harus melalui beberapa tahap yang sudah dijelaskan pada subbab sebelumnya.

Untuk menerapkan meode dari operator Marr-Hilderth dapat kita cari dengan menentukan nilai konvolusi dengan menggunakan operator Marr-Hilderth. Berikut ini adalah langkah-langkah dalam mendapatkan nilai konvolusi dengan menggunakan Marr-Hilderth untuk contoh citra input yang telah dideteksi

perubahan objek dengan pengambilan citra inputan ukuran 5x5 dari hasil ekstraksi nilai piksel grayscale berikut ini :

Gambar 3.15 Piksel Grayscale

1. Misalkan ukuran kernel untuk filter adalah 3 x 3, maka turunan kedua dari filter Gaussian dengan

�

= 1, dengan x, y adalah koordinat filter dan

�

adalah standar deviasi, dimana :

y

(-1, -1) (0, -1) (1, -1) x (-1, 0) (0, 0) (1, 0)

(-1, 1) (0, 1) (1, 1)

Maka filter H =

√ � −

− + −

�− 2_{+ −}2

2 √ � − + − � + − 2 2 √ � − + − �

2_{+ −}2 2

√ � −

− +

�− 2₊ 2

2

√ � −

+ �

2₊ 2 2

√ � −

+ �

2₊ 2 2

√ � −

− +

�− 2₊ 2

2

√ � −

+ �

2₊ 2 2

√ � −

+ �

2₊ 2 2

0 -0.2420 0

-0.2420 0.7979 -0.2420

2. Konvolusi citra input dengan filter h diatas

0 0 0 0 0

0 0*222 + (-0.242*205) + (0*177) + 0.242*202) + (-0.7979*213)

+ (-0.242*167) + (0*184) + (-0.242*+165) + (0*176)

0*205) + (-0.242*177) + (0*207) + 0.242*213)+ (-0.7979.*167) + (-0.242*188) + (0*165)

+ (-0.242*176) + (0*176)

… 0

0 … … … 0

0 … … … 0

0 0 0 0 0

∇ �

�

∗ � =

-399169.92 -426647.12 -426614.03 -441948.46 -426612.53 -458876.30 -466959.32 -424210.75 -499228.08 -472607.43 -443559.56 -495193.62 -468563.38 -457276.26 -342747.97 -461295.73 -419362.44 -353226.31 -510505.26 -526648.17 -483095.29 -502483.13 -470160.83 -460502.57 -486352.15 -462896.79 -510498.84 -493571.43 -475821.20 -447595.12 -516975.19 -454856.65 -431462.64 -474194.64 -451629.29 -508897.99 -526657.99 -558893.72 -516969.55 -437924.33 -377400.88 -476631.55 -524222.22 -358855.02 -528235.03 -474203.72 -570215.22 -471012.90 -407253.77

3. Lakukan Zero Crossing Detection , dimana untuk setiap subimage pada koordinat (x,y) ukuran 3x3, dihitung intl, int2, in3, dan int 4 sebagai berikut:

Intl = (-399169.92-426647.12-424210.75-499228.08) = -1749255.86

Int2 = -426647.12 -426614.03-499228.08-472607.43) = -1825096.66

lnt3 = (-424210.75 -499228.08-342747.97-461295.73) = -1727482.52

Int4 = (-499228.08-461295.73-472607.43-472607.43) = -1852493.68

Maxval = max(int1,int2,int3,int4) = -1852493.68

Minval = min(int1,int2,int3,int4) = -1727482.52

Jka maxval > 0 dan minval < 0 maka citra output G(x,y) = 255 (tepi) jika tidak G(x,y) = 0

3.1.3 Analisis Komunikasi Backend dan Frontend

Analisis komunikasi backend dan frontend merupakan cara komunikasi antara komputer server dan mobile dengan google cloud messaging yang berfungsi untuk mengirim notifikasi dari server ke client dengan mengirimkan registrasi ID dan API key yang disediakan oleh google devloper, begitu pula dari client ke server ialah mobile mengirim reistrasi ID dan notifikasi key saja, data yang dikirim berupa pesan yang nantinya akan dibaca oleh server dan di terjemahkan kedalam bahasa mesin guna melakukan aksi yang harus dilakukan oleh aplikasi server. Untuk alur komunikasi yang sedang berjalan dapat dilihat pada Gambar 3.16 berikut :

Gambar 3.16 Komunikasi Client Server dengan GCM (Google Cloud Messagging)

Keterangan :

Reg ID : 857065105553

3.2 Deskripsi Umum Sistem

Deskripsi umum adalah gambaran umum mengenai sistem yang akan dibangun, berikut adalah alur gambaran sistem yang akan dibangun :

Gambar 3.17 Deskripsi Umum Sistem 3.2.1 Sistem Backend

Sistem backend merupakan sistem atau aplikasi yang akan dibangun berupa aplikasi desktop yang berfungsi untuk membantu kamera webcam untuk mengolah gambar yang di-capture untuk dianalisis, sehigga dapat diketahui nilai citra pada objek yang ter-capture oleh kamera webcam. Sistem ini dibangun dengan menggunakan bahasa pemrograman J2SE (Java 2 Standard Edition) dan Bahasa pemrograman Android.

3.2.2 Sistem Frontend

Sistem Frontend merupakan sistem atau aplikasi yang akan dibangun untuk platform di mobile yang berfungsi untuk menampung notifikasi bahawa terdapat

data baru yang masuk ke cloud storage GCM. Sistem atau aplikasi ini dibangun dengan menggunakan bahasa pemrograman java Android.

3.2.3 Analisis Kebutuhan Non Fungsional

Analisis kebutuhan non-fungsional merupakan kebutuhan yang berhubungan dengan perangkat keras (hardware) yang menunjang kerja sistem yang dibangun oleh software devloper. Sistem operasi membutuhkan perangkat keras (hardware) yang suport dengan sistem operasi yang akan digunakan. Serta disesuaikan dengan aplikasi yang dibangun baik spesifikasi hardware yang digunkan maksimum maupun minimum.

1. Analisis kebutuhan perangkat keras (Hardware) 2. Analisis kebutuhan perangkat lunak (Software) 3. Analisis kebutuhan pengguna (user/brainware)

Analisis Kebutuhan Perangkat Keras

Untuk spesifikasi kebutuhan perangkat keras disini terbagi menjadi 2 perangkat keras berbeda yang akan digunakan, maka dapat diuraikan sebagai berikut :

1. Spesifikasi Kebutuhan Perangkat Keras Komputer

2. Spesifikasi Kebutuhan Perangkat Keras Mobile (Android) Spesifikasi Kebutuhan Perangkat Komputer

Spesifikasi kebutuhan perangkat keras komputer dapat kita uraikan dengan menggunakan tabel spesifikasi kebutuhan perangkat keras yang dapat dilihat pada Tabel 3.2 Spesifikasi Perangkat Keras yang Dibutuhkan.

Tabel 3.2 Spesifikasi Perangkat Keras yang Dibutuhkan No Perangkat Keras Spesifikasi

1 Processor Kecepatan 2.5 GHz

2 Monitor Monitor 19’, resolusi 1024x768

3 VGA On-board Kecepatan 512 Mb

4 Optical Drive DVD-ROM Standar

6 Mouse Standar

7 Memori 1024 Mb

8 Kamera webcam 5Mp

9 Koneksi Internet 368 Kb/s

Spesifikasi perangkat keras minimum pada perangkat lunak yang akan dibangun pada unit personal komputer agar dapat menjalankan aplikasi optimal seperti yang terlihat pada Tabel 3.3 Spesifikasi Minimum Perangkat Keras yang Dibutuhkan.

Tabel 3.3 Spesifikasi Minimum Perangkat Keras yang Dibutuhkan No Perangkat Keras Spesifikasi

1 Processor Kecepatan 2.5 GHz

2 Monitor Monitor 19’, resolusi 1024x768

3 VGA On-board Kecepatan 512 Mb

4 Optical Drive DVD-ROM Standar

5 Keyboard Standar

6 Mouse Standar

7 Memori 1024 Mb

8 Kamera webcam 1.2 Mp

9 Koneksi Internet 40 Kb/s

Spesifikasi Kebutuhan Perangkat Keras Mobile Android

Spesifikasi kebutuhan perangkat keras mobile Android dapat kita uraikan dengan menggunakan tabel spesifikasi kebutuhan perangkat keras yang dapat dilihat pada Tabel 3.4 Spesifikasi Perangkat Keras Mobile Android yang Dibutuhkan.

Tabel 3.4 Spesifikasi Perangkat Keras Mobile Android yang Dibutuhkan No Perangkat Keras Spesifikasi

1 Processor Kecepatan 1.5 GHz

3 Ram 1 Gb

4 Penyimpanan data 8 Gb

5 Koneksi internet HSDPA, 2G, 3G

Spesifikasi perangkat keras minimum pada perangkat lunak yang akan dibangun pada unit personal komputer agar dapat menjalankan aplikasi optimal seperti yang terlihat pada Tabel 3.5 Spesifikasi Minimum Perangkat Keras Mobile Android yang Dibutuhkan.

Tabel 3.5 Spesifikasi Minimum Perangkat Keras Mobile Android yang Dibutuhkan

No Perangkat Keras Spesifikasi

1 Processor Kecepatan 1.5 GHz

2 Sistem operasi OS Abdroid versi froyo 2.2

3 Ram 256 Mb

4 Penyimpanan data 2 Gb

5 Koneksi internet HSDPA, 2G

3.2.4 Analisis Kebutuhan Perangkat Lunak

Sistem operasi yang dibutuhkan yang digunakan untuk mendukung sistem controlling rumah dengan memanfaatkan kamera webcam sebagai sensor dengan metode zero crossing menggunakan GCM sebagai notifikasi Android baik untuk membangun maupun dalam pengimplementasiannya, adalah sebagai berikut :

a. Sistem Operasi Windows 7 32bit b. Jdk 1.7 32bit atau lebih tinggi lagi c. Jre 1.7 32bit atau lebih tinggi lagi d. Netbeans 7.3

116

[12] D. Sanderson, Programming Google App Engine, 1005 Gravenstein Highway North. USA: O’Reilly Media, 2010.

[13] P. Sugiyono, Metode Penelitian Kuantitatif, Kualitatif, dan R & D, Bandung: Alfabeta Bandung, 2013.

iii

KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Allah SWT karena berkat rahmat dan karunia-Nya, penulis dapat menyelesaikan sripsi yang berjudul “Sistem Controlling Rumah dengan Memanfaatkan Camera webcam sebagai Sensor dengan Metode Marr-Hilderth Menggunakan Google Cloud Messaging sebagai Notifikasi ke Mobile Android”. Skripsi ini disusun dengan maksud untuk memenuhi syarat kelulusan Ujian Akhir Sarjana Program Studi Teknik Informatika Fakultas Teknik dan Ilmu Komputer, Universitas Komputer Indonesia (UNIKOM) Bandung.

Pada proses penyusunan skripsi ini, penulis mendapat banyak bantuan, dorongan, bimbingan, dan arahan serta dukungan yang sangat berarti dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada:

1. Allah SWT yang senantiasa melimpahkan rahmat dan karunia-Nya dan Muhammad Rasullullah SAW yang telah menuntun kejalan yang benar dan lurus.

2. Kedua orang tua yang senantiasa memberikan dorongan do’a, pengorbanan baik moril maupun materil.

3. Bapak Irawan Afrianto, S.T., M.T. selaku Ketua Jurusan Program Studi Teknik Informatika Universitas Komputer Indonesia.

4. Bapak Irfan Maliki, S.T., M.T. Selaku dosen pembimbing, karena telah banyak meluangkan waktu untuk membimbing danmenasehati dalam proses penyusunan tugas akhir ini.

5. Seluruh Dosen dan staff sekretariat Program Studi Teknik Informatika.

6. Rekan-rekan seperjuangan seiman dan setanah air yang telah membantu dan men-suport sampai skripsi ini dapat terselesaikan.

7. Rekan-rekan mahasiswa kelas IF-7 angkatan 2009 terima kasih atas doa dan dukungan kalian.

8. Rekan-rekan mahasiswa Bimbingan Skripsi Bapak Irfan Maliki, S.T., M.T. yang telah perjuang bersama-sama dan saling memberikan dukungan.

iv

Penulis sadar bahwa dalam penulisan Tugas Akhir ini masih terdapat banyak kekurangan baik dari segi teknik penyajian penulisan, maupun materi penulisan mengingat keterbatasan ilmu yang dimiliki penulis. Oleh karena itu, penulis sangat mengharapkan segala bentuk saran dan kritik dari semua pihak demi penyempurnaan Tugas Akhir ini.

Akhir kata, semoga Allah SWT senantiasa melimpahkan karuniaNya dan membalas segala amal budi serta kebaikan pihak-pihak yang telah membantu penulis dalam penyusunan laporan Tugas Akhir ini dan semoga tulisan ini dapat memberikan manfaat bagi pihak-pihak yang membutuhkan.

Bandung, Agustus 2014