Aplikasi Menghitung Jumlah Kendaraan Vio
APLIKASI MENGHITUNG JUMLAH KENDARAAN RODA EMPAT
MENGGUNAKAN ALGORITMA VIOLA JONES
PROPOSAL SKRIPSI
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2015
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Perkembangan teknologi komputer sekarang sangat pesat, ini ditandai dengan hampir
semua pengolahan data dan informasi telah dilakukan dengan komputer karena
semakin beraneka ragam permasalahan informasi yang harus ditangani. Sebelum
adanya komputer, kertas sangat memegang peran penting dalam bidang komunikasi
dan informasi. Tetapi setelah komputer ditemukan dan dengan perkembangan
teknologi komputer, maka alat penyampaian informasi beralih menggunakan
komputer.
Sistem deteksi mobil merupakan suatu teknologi yang sangat membantu dalam
berbagai bidang terutama lalulintas yaitu sistem deteksi mobil dalam pemantauan
kondisi lalulintas jalan raya. Selain itu, deteksi mobil juga digunakan pada sistem
parkir untuk menghitung jumlah mobil. Berbagai metode telah dikembangkan untuk
memaksimalkan hasil deteksi mobil yang umumnya menggunakan camera digital
(webcam).
Pemantauan lalulintas, pengaturan tempat parkir merupakan sedikit dari sekian
banyak bidang memanfaatkan teknologi komputer dengan bantuan camera digital.
Dalam penerapannya, teknologi sangat membantu pekerjaan-pekerjaan diatas, sebagai
contoh adalah teknologi car counting pada sistem lalulintas dan teknologi deteksi dan
menghitung jumlah mobil yang memasuki area parkir atau melewati pintu jalan bebas
hambatan.
Berdasarkan uraian diatas, maka judul penelitian ini adalah ”Aplikasi
Menghitung Jumlah Kendaraan Roda Empat Menggunakan Algoritma Viola Jones”
1.2 Rumusan Masalah
Yang menjadi permasalahan dalam penelitian ini adalah menghitung kendaraan roda
empat yang melewati areal tertentu.
1.3 Batasan Masalah
1. Hanya menghitung jumlah kendaraan roda empat dengan kecepatan dibawah
70 Km /Jam.
2. Pendeteksian dilakukan pada siang hari dengan tingkat kecerahan yang
optimum.
3. Kamera yang digunakan adalah jenis IP Camera/webcam dengan resolusi
minimal 3 MP.
1.4 Tujuan
Tujuan dari penelitian ini adalah mendeteksi kendaraan roda empat dan menghitung
jumlahnya dengan menggunakan metode Viola-Jones.
1.5 Manfaat Penelitian
Manfaat penelitian ini adalah:
1. Diperolehnya sebuah perangkat lunak yang dapat menghitung jumlah
kendaraan roda empat dengan cepat.
2. Mempermudah memperoleh data jumlah kendaraan yang memasuki areal
tertentu dengan menggunakan camera.
1.6 Tinjauan Pustaka
1.6.1 Metode Viola – Jones
Metode Viola-Jones merupakan metode pendeteksian obyek yang memiliki tingkat
keakuratan yang cukup tinggi yaitu sekitar 93,7 % dengan kecepatan 15 kali lebih
cepat daripada detektor Rowley Baluja-Kanade dan kurang lebih 600 kali lebih cepat
daripada detektor Schneiderman-Kanade. Metode ini, diusulkan oleh Paul Viola dan
Michael Jones pada tahun 2001 (Viola, 2003). Metode Viola-Jones menggabungkan
empat kunci utama yaitu Haar Like Feature, Integral Image, Adaboost learning dan
Cascade classifier. Haar Like Feature yaitu selisih dari jumlah piksel dari daerah di
dalam persegi panjang. Contoh Haar Like Feature disajikan dalam Gambar 1.
Gambar 1. Contoh Haar Like Feature
Nilai Haar Like Feature diperoleh dari selisih jumlah nilai piksel daerah gelap
dengan jumlah nilai piksel daerah terang:
F Harr = ∑ F white - ∑ F Black.........................................................................(1)
F Harr = Nilai fitur total
∑ F white = Nilai fitur pada daerah terang
∑ F Black = Nilai fitur pada daerah gelap
Integral Image yaitu suatu teknik untuk menghitung nilai fitur secara cepat
dengan mengubah nilai dari setiap piksel menjadi suatu representasi citra baru,
sebagaimana disajikan dalam Gambar 2.
X,Y
Gambar 2. Integral image (x,y)
Berdasarkan Gambar 2, citra integral pada titik (x,y) (ii(x,y)) dapat dicari
menggunakan persamaan (2):
ii(x,y)=∑x’ ≤ x, y’ ≤ y i(x’,y’).............................................................................(2)
Keterangan
ii(x,y)= Citra integral pada lokasi x,y
i(x’,y’)= nilai piksel pada citra asli
Perhitungan nilai dari suatu fitur dapat dilakukan secara cepat dengan
menghitung nilai citra integral pada empat buah titik sebagaimana disajikan dalam
Gambar 3.
Gambar 3. Perhitungan Nilai Fitur
Jika nilai integral image titik 1 adalah A, titik 2 adalah A+B, titik 3 adalah A+C, dan
di titiki 4 adalah A+B+C+D, maka jumlah piksel di daerah D dapat diketahui dengan
cara 4+1 –(2+3). Algoritma Adaboost learning, digunakan untuk meningkatkan
kinerja klasifikasi dengan pembelajaran sederhana untuk menggabungkan banyak
classifier lemah menjadi satu classifier kuat. Classifier lemah adalah suatu jawaban
benar dengan tingkat kebenaran yang kurang akurat. Sebuah classifier lemah
dinyatakan:
h ( x) =
1,
jika pjfj(x) <
0,
( )
.........................................................(3)
Keterangan :
Hj(x) = adalah klasifikasi lemah
pj
= adalah parity ke j
qj
= adalah threshold ke j
x
= adalah dimensi sub image misalnya 24x24
Langkah-langkah untuk mendapatkan sebuah classifier kuat dinyatakan dalam suatu
algoritma sebagai berikut:
1. Diberikan contoh gambar (x1,y1), … (xn,yn) dimana yi= 0 untuk contoh positif
dan yi= 1 untuk contoh negatif
2. Inisialisasi bobot yi,1 =
..................................................................(4)
Dimana m dan l adalah jumlah negatif dan positif
3. Untuk t=1,…,T
Menormalkan bobot sehingga wt adalah distribusi probabilitas
w
, ←
.............................................................................................(5)
,
∑
,
Untuk setiap fitur, j melatih classifier hj, untuk setiap fitur tunggal
Kesalahan (єj) dievaluasi dengan bobot wt
|ℎ(
∑
)
|..................................................................................(6)
Pilih classifier ht dengan error terkecil dimana ei = 0 untuk xi adalah
klasifikasi benar, dan ei= 1 untuk yang lain.
Perbaharui bobot:
,
Dimana
=
,
................................................................................(7)
...........................................................................................(8)
Didapatkan sebuah Classifier kuat yaitu
dimana
h ( x) =
= log
1,
Σ
0,
ℎ ( ) ≥
............................................ (9)
Cascade classifier adalah sebuah metode untuk mengkombinasikan classifier yang
kompleks dalam sebuah struktur bertingkat yang dapat meningkatkan kecepatan
pendeteksian obyek dengan memfokuskan pada daerah citra yang berpeluang saja.
Struktur cascade classifier disajikan Gambar 4.
Gambar 4. Cascade Clasifier
Gambar 4 menjelaskan proses penyeleksian keberadaan obyek. Di asumsikan suatu
sub image di evaluasi oleh classifier pertama dan berhasil melewati classifier tersebut,
hal ini mengindikasikan sub image berpotensi terkandung obyek dan dilanjutkan pada
classifier ke dua sampai dengan ke-n, jika berhasil melewati keseluruhan classifier,
maka disimpulkan terdapat obyek yang dideteksi. Jika tidak, proses evaluasi tidak
dilanjutkan ke classifier berikutnya dan disimpulkan tidak terdapat obyek.
1.6.2 OpenCV (Intel® Open Source Computer Vision Library)
OpenCV merupakan singkatan dari Intel Open Source Computer Vision Library
yang sekurang-kurangnya terdiri dari 300 fungsi-fungsi C, bahkan bisa lebih. Software
ini gratis, dapat digunakan dalam rangka komersil maupun non komersil, tanpa harus
membayar lisensi ke intel. OpenCV dapat beroperasi pada komputer berbasis
Windows ataupun Linux. Library OpenCV adalah suatu cara penerapan bagi
komunitas open source visionyang sangat membantu dalam kesempatan meng-update
penerapan computer vision sejalan dengan pertumbuhan PC (personal computer) yang
terus berkembang. Software ini menyediakan sejumlah fungsi-fungsi image
processing, seperti halnya dengan fungsi-fungsi analisis gambar dan pola.
Beberapa contoh aplikasi dari OpenCV adalah pada Human-Computer
Interaction (interaksi manusia komputer); Object Indentification (Identifikasi Objek),
Segmentation (segmentasi) dan Recognition (pengenalan); Face Recognition
(pengenalan wajah); Gesture Recognition (pengenalan gerak isyarat), Motion
Tracking (penjajakan gerakan), Ego Motion (gerakan ego), dan Motion Understanding
(pemahaman gerakan); Structure From Motion (gerakan dari struktur); dan Mobile
Robotics (robot-robot yang bergerak).
Pengenalan wajah pada OpenCV menggunakan metode yang disebutkan oleh
metode Viola-Jones (Viola, 2001), juga disebut sebagai Haar cascade classifier.
Pendekatan ini untuk mendeteksi objek dalam gambar dengan menggabungkan empat
konsep yaitu:
a.
Segi empat sederhana, disebut dengan Haar feature.
b.
Sebuah Integral gambar untuk mempercepat menemukan feature.
c.
Metode AdaBoost machine-learning.
d.
Klasifikasi bertinggkat untuk menyatukan banyaknya feature secara efesien.
Bentuk yang Viola dan Jones gunakan adalah berdasarkan Haar wavelets.
clasifikasi ini menggunakan gelombang segiempat tunggal (satu interval tinggi dan
yang satunya interval rendah) dalam dua dimensi, gelombang persegi adalah pasangan
dari segiempat yang berdekatan satu putih yang satunya hitam seperti pada Gambar
2.5.
Gambar 2.5 Klasifikasi Haar digunakan dalam OpenCV (Resources, 2014)
Sebelum melakukan pengenalan, gambar wajah didapat terlebih dahulu
sebelum di proses. Hal ini memungkinkan untuk mendapatkan sebuah hasil yang
benar dalam sebuah gambar kurang dari 10%. Hal ini sangat penting dilakukan
beberapa teknik kedalam standarisasi gambar. Banyak algoritma pengenalan wajah
sangat sensitif terhadap kondisi cahaya. Sama halnya dengan model rambut,
dandanan, perputaran sudut, ukuran dan emosi yang dapat mempengaruhi proses
pengenalan. Metode pengenalan yang digunakan adalah Eigenface, dan metode ini
bekerja dengan gambar skala keabu-abuan. Langkah yang penting untuk mengambil
gambar sebelum di proses adalah sebagai berikut:
a. Gambar wajah di potong dan ukurannya disesuaikan.
b. Gambar di rubah ke skala ke abu-abuan
c. Histogram equalization
Pemrosesan gambar wajah adalah langkah berikutnya setelah gambar di
perbaiki. Hal ini menghasilkan Eigenface pada sebuah gambar. OpenCV dengan
sebuah fungsi operasi PCA, walaupun butuh sebuah database (set training)dari sebuah
gambar untuk di ketahui bagaimana pengenalan setiap orang.PCA merubah semua
pembelajaran gambar kedalam kumpulan dari Eigenface yang mewakili perbedaan
antara gambar pembelajaran dan rata-rata gambar wajah.
1.7 Penelitian Terdahulu
Tabel 1. Penelitian terdahulu
No.
Judul
Tahun
Metode
Keterangan
yang
digunakan
1
Aplikasi media cd
pembelajaran
organ dalam
Pada tubuh
manusia
Widiyantoro/2011
Aplikasi ini
digunakan untuk
mempermudah user
terutama pelajar SMP
dan SMA untuk
belajar organ dalam
tubuh manusia.
Aplikasi ini terdiri
dari 5 menu yaitu
Lihat, Kuis, Puzzle,
Petunjuk dan Keluar.
Pada menu Kuis
terdapat 3 level yang
berbeda-beda tingkat
kesulitan soalnya dan
pada menu Puzzle
user harus
mencocokan dua
gambar yang
di pisah-pisahkan.
2
Pembuatan
aplikasi
multimedia
pembelajaran
Sistem koordinasi
dan alat indera
manusia
Pada mata
pelajaran biologi
AMIR
FAUZI/2014
Aplikasi bersifat
multimedia yang
dibuat menggunakan
software Adobe Flash
CS3 Professional.
Desain dan
pembuatan aplikasi
multimedia ini dibuat
untuk mempermudah
masyarakat
khususnya siswa
sekolah SMA untuk
mengetahui berbagai
sistem koordinasi dan
alat indera manusia
pada mata pelajaran
biologi.
Saran
Desain dan
pembuatan aplikasi
multimedia
pembelajaran ini
masih belum
sempurna, sehingga
diharapkan dapat
dikembangkan
dengan lebih baik lagi
oleh para user,
misalnya saja dalam
tampilan,
penambahan gambar,
animasi dan lain-lain.
1.8 Metode Penelitian
1.8.1 Implementasi Aplikasi
Alur proses Aplikasi Menghitung Jumlah Kendaraan Roda Empat Menggunakan
Algoritma Viola Jones dapat dilihat seperti pada Gambar 3.
Input File Citra
Resize Citra
Pra-process
Baca Nilai Piksel Citra
Grayscale
Viola-Jones
Fitur Haar
Citra Integral
Cascade of Classifier
Objek mobil/bukan
Hitung Jumlah
Tampilkan Jumlah Mobil
Gambar 3. Arsitektur Umum Menghitung Jumlah Mobil
Keterangan:
1. Input file citra adalah pemilihan file citra oleh user yang berformat JPG
maupun BMP.
2. Resize citra adalah normalisasi ukuran dimensi citra (lebar x tinggi) agar
sesuai dengan sistem.
3. Baca nilai piksel citra adalah pembacaan nilai intensitas piksel citra
4. Grayscale adalah konversi piksel citra dari citra warna yang terdiri dari 3
komponen warna RGB menjadi satu.
5. Fitur Haar adalah mencari fitur-fitur pada citra yang memiliki tingkat pembeda
yang tinggi.
6. Citra Integral adalah mencari nilai perbedaan antara kotak putih dan hitam
yang biasa disebut dengan threshold.
7. Cascade of Classifier adalah mengklasifikasikan sub image menggunakan satu
fitur. Jika hasil nilai fitur dari filter tidak memenuhi kriteria yang diinginkan
maka sub image bukan merupakan mobil.
8. Hitung jumlah adalah menjumlahkan fitur-fitur yang merupakan objek mobil.
DAFTAR PUSTAKA
Al-Fatta, H. 2009. Rekayasa Sistem Pengenalan Wajah. Yogyakarta: Penerbit
ANDI.
Bradski, G. & Kaehler, A.2008. Learning OpenCV, First Edition. Published by
O’Reilly Media, Inc., 1005 Gravenstein Highway North, Sebastopol,
CA 95472.
Dwiprasetyo, J, Hariadi, M. 2012. Pengenalan Wajah Dan Komputer Vision.
Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2012.
Semantik 2012 Semarang, 23 Juni 2012.
Irianto, K. D. 2010. Pendeteksi Gerak Berbasis Kamera Menggunakan Open CV
Pada Ruangan. Jurnal Ilmiah KomuniTi,Vol. 2, No. 1, Juni 2010.
Universitas Muhammadiyah Surakarta.
Jain, L.C. 1999, Intelligent Biometric Techniques in Fingerprint and
Recognition, CRC Press, New Jersey, CA.
Face
Putra, D. 2010. Pengolahan Citra Digital.Yogyakarta. Penerbit: ANDI.
Rachmad, A. 2008. Pengolahan Citra Digital Menggunakan Teknik Filtering
Adaptive Noise Removal Pada Gambar Bernoise. Jurnal ISBN : 978979-3980-15-7 Yogyakarta, 22 November 2008.
Robin, 2007, Sistem Pengolahan Citra dan Deteksi wajah pada Sistem
Pengenalan Wajah, Erlangga, Jakarta.
Santoso H. & Harjoko A, .2013. Haar Cascade Classifier dan Algoritma Adaboost
Untuk Deteksi Banyak Wajah Dalam Ruang Kelas. Jurnal Teknologi
Vol. 6 No. 2 tahun 2013.
Sutoyo. T. 2009. Teori Pengolahan citra digital, Yogyakarta: Penerbit ANDI.
Triatmoko, A. H. , Pramono, S. H. & Dachlan, H. S. 2014. Penggunaan Metode
Viola-Jones dan Algoritma Eigen Eyes dalam Sistem Kehadiran
Pegawai. Jurnal EECCIS Vol. 8, No. 1, Juni 2014.
Viola, M. J. P., 2001.Rapid object detection using a boosted cascade of simple
feature, Accepted Conference on Computer Vision and Pattern
Recognition.
Santi, R. C. N, 2011. Mengubah Citra Berwarna Menjadi GrayScale dan Citra
biner. Jurnal Teknologi Informasi DINAMIK Volume 16, No.1, Januari
2011. Fakultas Teknologi Informasi, Universitas Stikubank Semarang.
Qur’ania, A., Karlitasar, L. & Maryana, S. 2012. Analisis tekstur dan ekstraksi
fitur warna untuk Klasifikasi apel berbasis citra. Jurnal Program Studi
Ilmu Komputer - FMIPA, Universitas Pakuan Bogor.
MENGGUNAKAN ALGORITMA VIOLA JONES
PROPOSAL SKRIPSI
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2015
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Perkembangan teknologi komputer sekarang sangat pesat, ini ditandai dengan hampir
semua pengolahan data dan informasi telah dilakukan dengan komputer karena
semakin beraneka ragam permasalahan informasi yang harus ditangani. Sebelum
adanya komputer, kertas sangat memegang peran penting dalam bidang komunikasi
dan informasi. Tetapi setelah komputer ditemukan dan dengan perkembangan
teknologi komputer, maka alat penyampaian informasi beralih menggunakan
komputer.
Sistem deteksi mobil merupakan suatu teknologi yang sangat membantu dalam
berbagai bidang terutama lalulintas yaitu sistem deteksi mobil dalam pemantauan
kondisi lalulintas jalan raya. Selain itu, deteksi mobil juga digunakan pada sistem
parkir untuk menghitung jumlah mobil. Berbagai metode telah dikembangkan untuk
memaksimalkan hasil deteksi mobil yang umumnya menggunakan camera digital
(webcam).
Pemantauan lalulintas, pengaturan tempat parkir merupakan sedikit dari sekian
banyak bidang memanfaatkan teknologi komputer dengan bantuan camera digital.
Dalam penerapannya, teknologi sangat membantu pekerjaan-pekerjaan diatas, sebagai
contoh adalah teknologi car counting pada sistem lalulintas dan teknologi deteksi dan
menghitung jumlah mobil yang memasuki area parkir atau melewati pintu jalan bebas
hambatan.
Berdasarkan uraian diatas, maka judul penelitian ini adalah ”Aplikasi
Menghitung Jumlah Kendaraan Roda Empat Menggunakan Algoritma Viola Jones”
1.2 Rumusan Masalah
Yang menjadi permasalahan dalam penelitian ini adalah menghitung kendaraan roda
empat yang melewati areal tertentu.
1.3 Batasan Masalah
1. Hanya menghitung jumlah kendaraan roda empat dengan kecepatan dibawah
70 Km /Jam.
2. Pendeteksian dilakukan pada siang hari dengan tingkat kecerahan yang
optimum.
3. Kamera yang digunakan adalah jenis IP Camera/webcam dengan resolusi
minimal 3 MP.
1.4 Tujuan
Tujuan dari penelitian ini adalah mendeteksi kendaraan roda empat dan menghitung
jumlahnya dengan menggunakan metode Viola-Jones.
1.5 Manfaat Penelitian
Manfaat penelitian ini adalah:
1. Diperolehnya sebuah perangkat lunak yang dapat menghitung jumlah
kendaraan roda empat dengan cepat.
2. Mempermudah memperoleh data jumlah kendaraan yang memasuki areal
tertentu dengan menggunakan camera.
1.6 Tinjauan Pustaka
1.6.1 Metode Viola – Jones
Metode Viola-Jones merupakan metode pendeteksian obyek yang memiliki tingkat
keakuratan yang cukup tinggi yaitu sekitar 93,7 % dengan kecepatan 15 kali lebih
cepat daripada detektor Rowley Baluja-Kanade dan kurang lebih 600 kali lebih cepat
daripada detektor Schneiderman-Kanade. Metode ini, diusulkan oleh Paul Viola dan
Michael Jones pada tahun 2001 (Viola, 2003). Metode Viola-Jones menggabungkan
empat kunci utama yaitu Haar Like Feature, Integral Image, Adaboost learning dan
Cascade classifier. Haar Like Feature yaitu selisih dari jumlah piksel dari daerah di
dalam persegi panjang. Contoh Haar Like Feature disajikan dalam Gambar 1.
Gambar 1. Contoh Haar Like Feature
Nilai Haar Like Feature diperoleh dari selisih jumlah nilai piksel daerah gelap
dengan jumlah nilai piksel daerah terang:
F Harr = ∑ F white - ∑ F Black.........................................................................(1)
F Harr = Nilai fitur total
∑ F white = Nilai fitur pada daerah terang
∑ F Black = Nilai fitur pada daerah gelap
Integral Image yaitu suatu teknik untuk menghitung nilai fitur secara cepat
dengan mengubah nilai dari setiap piksel menjadi suatu representasi citra baru,
sebagaimana disajikan dalam Gambar 2.
X,Y
Gambar 2. Integral image (x,y)
Berdasarkan Gambar 2, citra integral pada titik (x,y) (ii(x,y)) dapat dicari
menggunakan persamaan (2):
ii(x,y)=∑x’ ≤ x, y’ ≤ y i(x’,y’).............................................................................(2)
Keterangan
ii(x,y)= Citra integral pada lokasi x,y
i(x’,y’)= nilai piksel pada citra asli
Perhitungan nilai dari suatu fitur dapat dilakukan secara cepat dengan
menghitung nilai citra integral pada empat buah titik sebagaimana disajikan dalam
Gambar 3.
Gambar 3. Perhitungan Nilai Fitur
Jika nilai integral image titik 1 adalah A, titik 2 adalah A+B, titik 3 adalah A+C, dan
di titiki 4 adalah A+B+C+D, maka jumlah piksel di daerah D dapat diketahui dengan
cara 4+1 –(2+3). Algoritma Adaboost learning, digunakan untuk meningkatkan
kinerja klasifikasi dengan pembelajaran sederhana untuk menggabungkan banyak
classifier lemah menjadi satu classifier kuat. Classifier lemah adalah suatu jawaban
benar dengan tingkat kebenaran yang kurang akurat. Sebuah classifier lemah
dinyatakan:
h ( x) =
1,
jika pjfj(x) <
0,
( )
.........................................................(3)
Keterangan :
Hj(x) = adalah klasifikasi lemah
pj
= adalah parity ke j
qj
= adalah threshold ke j
x
= adalah dimensi sub image misalnya 24x24
Langkah-langkah untuk mendapatkan sebuah classifier kuat dinyatakan dalam suatu
algoritma sebagai berikut:
1. Diberikan contoh gambar (x1,y1), … (xn,yn) dimana yi= 0 untuk contoh positif
dan yi= 1 untuk contoh negatif
2. Inisialisasi bobot yi,1 =
..................................................................(4)
Dimana m dan l adalah jumlah negatif dan positif
3. Untuk t=1,…,T
Menormalkan bobot sehingga wt adalah distribusi probabilitas
w
, ←
.............................................................................................(5)
,
∑
,
Untuk setiap fitur, j melatih classifier hj, untuk setiap fitur tunggal
Kesalahan (єj) dievaluasi dengan bobot wt
|ℎ(
∑
)
|..................................................................................(6)
Pilih classifier ht dengan error terkecil dimana ei = 0 untuk xi adalah
klasifikasi benar, dan ei= 1 untuk yang lain.
Perbaharui bobot:
,
Dimana
=
,
................................................................................(7)
...........................................................................................(8)
Didapatkan sebuah Classifier kuat yaitu
dimana
h ( x) =
= log
1,
Σ
0,
ℎ ( ) ≥
............................................ (9)
Cascade classifier adalah sebuah metode untuk mengkombinasikan classifier yang
kompleks dalam sebuah struktur bertingkat yang dapat meningkatkan kecepatan
pendeteksian obyek dengan memfokuskan pada daerah citra yang berpeluang saja.
Struktur cascade classifier disajikan Gambar 4.
Gambar 4. Cascade Clasifier
Gambar 4 menjelaskan proses penyeleksian keberadaan obyek. Di asumsikan suatu
sub image di evaluasi oleh classifier pertama dan berhasil melewati classifier tersebut,
hal ini mengindikasikan sub image berpotensi terkandung obyek dan dilanjutkan pada
classifier ke dua sampai dengan ke-n, jika berhasil melewati keseluruhan classifier,
maka disimpulkan terdapat obyek yang dideteksi. Jika tidak, proses evaluasi tidak
dilanjutkan ke classifier berikutnya dan disimpulkan tidak terdapat obyek.
1.6.2 OpenCV (Intel® Open Source Computer Vision Library)
OpenCV merupakan singkatan dari Intel Open Source Computer Vision Library
yang sekurang-kurangnya terdiri dari 300 fungsi-fungsi C, bahkan bisa lebih. Software
ini gratis, dapat digunakan dalam rangka komersil maupun non komersil, tanpa harus
membayar lisensi ke intel. OpenCV dapat beroperasi pada komputer berbasis
Windows ataupun Linux. Library OpenCV adalah suatu cara penerapan bagi
komunitas open source visionyang sangat membantu dalam kesempatan meng-update
penerapan computer vision sejalan dengan pertumbuhan PC (personal computer) yang
terus berkembang. Software ini menyediakan sejumlah fungsi-fungsi image
processing, seperti halnya dengan fungsi-fungsi analisis gambar dan pola.
Beberapa contoh aplikasi dari OpenCV adalah pada Human-Computer
Interaction (interaksi manusia komputer); Object Indentification (Identifikasi Objek),
Segmentation (segmentasi) dan Recognition (pengenalan); Face Recognition
(pengenalan wajah); Gesture Recognition (pengenalan gerak isyarat), Motion
Tracking (penjajakan gerakan), Ego Motion (gerakan ego), dan Motion Understanding
(pemahaman gerakan); Structure From Motion (gerakan dari struktur); dan Mobile
Robotics (robot-robot yang bergerak).
Pengenalan wajah pada OpenCV menggunakan metode yang disebutkan oleh
metode Viola-Jones (Viola, 2001), juga disebut sebagai Haar cascade classifier.
Pendekatan ini untuk mendeteksi objek dalam gambar dengan menggabungkan empat
konsep yaitu:
a.
Segi empat sederhana, disebut dengan Haar feature.
b.
Sebuah Integral gambar untuk mempercepat menemukan feature.
c.
Metode AdaBoost machine-learning.
d.
Klasifikasi bertinggkat untuk menyatukan banyaknya feature secara efesien.
Bentuk yang Viola dan Jones gunakan adalah berdasarkan Haar wavelets.
clasifikasi ini menggunakan gelombang segiempat tunggal (satu interval tinggi dan
yang satunya interval rendah) dalam dua dimensi, gelombang persegi adalah pasangan
dari segiempat yang berdekatan satu putih yang satunya hitam seperti pada Gambar
2.5.
Gambar 2.5 Klasifikasi Haar digunakan dalam OpenCV (Resources, 2014)
Sebelum melakukan pengenalan, gambar wajah didapat terlebih dahulu
sebelum di proses. Hal ini memungkinkan untuk mendapatkan sebuah hasil yang
benar dalam sebuah gambar kurang dari 10%. Hal ini sangat penting dilakukan
beberapa teknik kedalam standarisasi gambar. Banyak algoritma pengenalan wajah
sangat sensitif terhadap kondisi cahaya. Sama halnya dengan model rambut,
dandanan, perputaran sudut, ukuran dan emosi yang dapat mempengaruhi proses
pengenalan. Metode pengenalan yang digunakan adalah Eigenface, dan metode ini
bekerja dengan gambar skala keabu-abuan. Langkah yang penting untuk mengambil
gambar sebelum di proses adalah sebagai berikut:
a. Gambar wajah di potong dan ukurannya disesuaikan.
b. Gambar di rubah ke skala ke abu-abuan
c. Histogram equalization
Pemrosesan gambar wajah adalah langkah berikutnya setelah gambar di
perbaiki. Hal ini menghasilkan Eigenface pada sebuah gambar. OpenCV dengan
sebuah fungsi operasi PCA, walaupun butuh sebuah database (set training)dari sebuah
gambar untuk di ketahui bagaimana pengenalan setiap orang.PCA merubah semua
pembelajaran gambar kedalam kumpulan dari Eigenface yang mewakili perbedaan
antara gambar pembelajaran dan rata-rata gambar wajah.
1.7 Penelitian Terdahulu
Tabel 1. Penelitian terdahulu
No.
Judul
Tahun
Metode
Keterangan
yang
digunakan
1
Aplikasi media cd
pembelajaran
organ dalam
Pada tubuh
manusia
Widiyantoro/2011
Aplikasi ini
digunakan untuk
mempermudah user
terutama pelajar SMP
dan SMA untuk
belajar organ dalam
tubuh manusia.
Aplikasi ini terdiri
dari 5 menu yaitu
Lihat, Kuis, Puzzle,
Petunjuk dan Keluar.
Pada menu Kuis
terdapat 3 level yang
berbeda-beda tingkat
kesulitan soalnya dan
pada menu Puzzle
user harus
mencocokan dua
gambar yang
di pisah-pisahkan.
2
Pembuatan
aplikasi
multimedia
pembelajaran
Sistem koordinasi
dan alat indera
manusia
Pada mata
pelajaran biologi
AMIR
FAUZI/2014
Aplikasi bersifat
multimedia yang
dibuat menggunakan
software Adobe Flash
CS3 Professional.
Desain dan
pembuatan aplikasi
multimedia ini dibuat
untuk mempermudah
masyarakat
khususnya siswa
sekolah SMA untuk
mengetahui berbagai
sistem koordinasi dan
alat indera manusia
pada mata pelajaran
biologi.
Saran
Desain dan
pembuatan aplikasi
multimedia
pembelajaran ini
masih belum
sempurna, sehingga
diharapkan dapat
dikembangkan
dengan lebih baik lagi
oleh para user,
misalnya saja dalam
tampilan,
penambahan gambar,
animasi dan lain-lain.
1.8 Metode Penelitian
1.8.1 Implementasi Aplikasi
Alur proses Aplikasi Menghitung Jumlah Kendaraan Roda Empat Menggunakan
Algoritma Viola Jones dapat dilihat seperti pada Gambar 3.
Input File Citra
Resize Citra
Pra-process
Baca Nilai Piksel Citra
Grayscale
Viola-Jones
Fitur Haar
Citra Integral
Cascade of Classifier
Objek mobil/bukan
Hitung Jumlah
Tampilkan Jumlah Mobil
Gambar 3. Arsitektur Umum Menghitung Jumlah Mobil
Keterangan:
1. Input file citra adalah pemilihan file citra oleh user yang berformat JPG
maupun BMP.
2. Resize citra adalah normalisasi ukuran dimensi citra (lebar x tinggi) agar
sesuai dengan sistem.
3. Baca nilai piksel citra adalah pembacaan nilai intensitas piksel citra
4. Grayscale adalah konversi piksel citra dari citra warna yang terdiri dari 3
komponen warna RGB menjadi satu.
5. Fitur Haar adalah mencari fitur-fitur pada citra yang memiliki tingkat pembeda
yang tinggi.
6. Citra Integral adalah mencari nilai perbedaan antara kotak putih dan hitam
yang biasa disebut dengan threshold.
7. Cascade of Classifier adalah mengklasifikasikan sub image menggunakan satu
fitur. Jika hasil nilai fitur dari filter tidak memenuhi kriteria yang diinginkan
maka sub image bukan merupakan mobil.
8. Hitung jumlah adalah menjumlahkan fitur-fitur yang merupakan objek mobil.
DAFTAR PUSTAKA
Al-Fatta, H. 2009. Rekayasa Sistem Pengenalan Wajah. Yogyakarta: Penerbit
ANDI.
Bradski, G. & Kaehler, A.2008. Learning OpenCV, First Edition. Published by
O’Reilly Media, Inc., 1005 Gravenstein Highway North, Sebastopol,
CA 95472.
Dwiprasetyo, J, Hariadi, M. 2012. Pengenalan Wajah Dan Komputer Vision.
Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2012.
Semantik 2012 Semarang, 23 Juni 2012.
Irianto, K. D. 2010. Pendeteksi Gerak Berbasis Kamera Menggunakan Open CV
Pada Ruangan. Jurnal Ilmiah KomuniTi,Vol. 2, No. 1, Juni 2010.
Universitas Muhammadiyah Surakarta.
Jain, L.C. 1999, Intelligent Biometric Techniques in Fingerprint and
Recognition, CRC Press, New Jersey, CA.
Face
Putra, D. 2010. Pengolahan Citra Digital.Yogyakarta. Penerbit: ANDI.
Rachmad, A. 2008. Pengolahan Citra Digital Menggunakan Teknik Filtering
Adaptive Noise Removal Pada Gambar Bernoise. Jurnal ISBN : 978979-3980-15-7 Yogyakarta, 22 November 2008.
Robin, 2007, Sistem Pengolahan Citra dan Deteksi wajah pada Sistem
Pengenalan Wajah, Erlangga, Jakarta.
Santoso H. & Harjoko A, .2013. Haar Cascade Classifier dan Algoritma Adaboost
Untuk Deteksi Banyak Wajah Dalam Ruang Kelas. Jurnal Teknologi
Vol. 6 No. 2 tahun 2013.
Sutoyo. T. 2009. Teori Pengolahan citra digital, Yogyakarta: Penerbit ANDI.
Triatmoko, A. H. , Pramono, S. H. & Dachlan, H. S. 2014. Penggunaan Metode
Viola-Jones dan Algoritma Eigen Eyes dalam Sistem Kehadiran
Pegawai. Jurnal EECCIS Vol. 8, No. 1, Juni 2014.
Viola, M. J. P., 2001.Rapid object detection using a boosted cascade of simple
feature, Accepted Conference on Computer Vision and Pattern
Recognition.
Santi, R. C. N, 2011. Mengubah Citra Berwarna Menjadi GrayScale dan Citra
biner. Jurnal Teknologi Informasi DINAMIK Volume 16, No.1, Januari
2011. Fakultas Teknologi Informasi, Universitas Stikubank Semarang.
Qur’ania, A., Karlitasar, L. & Maryana, S. 2012. Analisis tekstur dan ekstraksi
fitur warna untuk Klasifikasi apel berbasis citra. Jurnal Program Studi
Ilmu Komputer - FMIPA, Universitas Pakuan Bogor.