DETEKSI PEDESTRIAN MENGGUNAKAN METODE HISTOGRAM OF ORIENTED GRADIENTS PADA LIBRARY EMGU CV.

DETEKSI PEDESTRIAN MENGGUNAKAN METODE
HISTOGRAM OF ORIENTED GRADIENTS PADA LIBRARY EMGU CV

SKRIPSI

Disusun oleh :

KANTI PUTRI RAHAYU
NPM. 0934010220

JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL " VETERAN"
JAWA TIMUR
2013

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

DETEKSI PEDESTRIAN MENGGUNAKAN METODE
HISTOGRAM OF ORIENTED GRADIENTS PADA LIBRARY EMGU CV

SKRIPSI
Diajukan Untuk Memenuhi Sebagai Persyaratan
Dalam Memperoleh Gelar Sarjana Komputer
Jurusan Teknik Informatika

Disusun oleh :

KANTI PUTRI RAHAYU
NPM. 0934010220

JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL “ VETERAN”
JAWA TIMUR
2013

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

LEMBAR PENGESAHAN

DETEKSI PEDESTRIAN MENGGUNAKAN METODE
HISTOGRAM OF ORIENTED GRADIENTS PADA LIBRARY
EMGU CV
Disusun Oleh :

KANTI PUTRI RAHAYU
NPM. 0934010220
Telah disetujui untuk mengikuti Ujian Negara Lisan
Gelombang IV Tahun Akademik 2012/2013

Dosen Pembimbing

Basuki Rahmat, S.Si, MT
NPTY. 3 6907 06 0209 1

Mengetahui,
Ketua Jurusan Teknik Informatika
Fakultas Teknologi Industri

UPN ” Veteran” Jawa Timur

Dr. Ir. Ni Ketut Sari, MT
NPTY. 19650731 199203 1 001

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

SKRIPSI
DETEKSI PEDESTRIAN MENGGUNAKAN METODE
HISTOGRAM OF ORIENTED GRADIENTS PADA LIBRARY EMGU CV
Disusun Oleh :

KANTI PUTRI RAHAYU
NPM. 0934010220
Telah dipertahankan di hadapan dan diterima oleh Tim Penguji Skripsi
Jurusan Teknik Informatika Fakultas Teknologi Industri
Universitas Pembangunan Nasional ” Veteran” Jawa Timur
Pada Tanggal 14 Juni 2013
Dosen Pembimbing :

Tim Penguji :
1.

Basuki Rahmat, S.Si, MT
NPTY. 3 6907 06 0209 1

Ir. Mu’tasim Billah, MS
NPTY. 19600504 198703 1 001
2.

Henni Endah W, ST, M.Kom
NPTY. 3 7609 130 348 1
3.

Yisti Vita Via, S.St, M.Kom
NPTY. 3 8604 130 347 1
Mengetahui,
Dekan Fakultas Teknologi Industri
Universitas Pembangunan Nasional ” Veteran” Jawa Timur

Ir. Sutiyono, MT
NPTY. 19600713 1987 03 1 001

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

UCAPAN TERIMA KASIH

Penyusun menyadari bahwa dalam menyelesaikan Tugas Akhir ini banyak
mendapatkan bantuan dan dukungan dari berbagai pihak, untuk itu pada
kesempatan yang berharga ini penyusun ingin mengucapkan terima kasih kepada :
1. Allah SWT, karena berkat Rahmat dan berkahNya kami dapat menyusun dan
menyelesaikan Laporan Skripsi ini hingga selesai.
2. Kedua orang tua dan keluarga penyusun. Terima kasih atas semua do’a dan
dukungannya sehingga penyusun dapat menyelesaikan Tugas akhir ini.
3. Bapak Prof. Dr. Ir. Teguh Soedarto, MP selaku Rektor Universitas
Pembangunan Nasional “Veteran” Jawa Timur.
4. Bapak Ir. Sutiyono, MT selaku Dekan Fakultas Teknologi Industri Universitas
Pembangunan Nasional “Veteran” Jawa Timur.

5. Ibu Dr. Ir. Ni Ketut Sari, MT selaku Ketua Jurusan Teknik Informatika
Universitas Pembangunan Nasional “Veteran” Jawa Timur.
6. Bapak Frinda Wahyu, S.Kom selaku PIA Tugas Akhir Informatika
Universitas Pembangunan Nasional “Veteran” Jawa Timur.
7. Bapak Basuki Rahmat, S.Si, MT selaku Dosen Pembimbing, yang telah
meluangkan waktu dan sabar dalam memberikan arahan, motivasi, dan solusi
yang tepat sehingga penyusun dapat menyelesaikan Tugas Akhir ini.
8. Kakakku Hendra Agus Wahono dan adikku tersayang Dedy Rahmat Santoso
yang selalu memotivasi agar tetap semangat dalam menyelesaikan Tugas
Akhir ini.

iii
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

iv

9. Ryan Raynaldi, yang selalu setia menemani, mendengarkan keluh kesah dan
membantu penyusun agar dapat menyelesaikan Tugas Akhirnya.
10. Mas Rully Gita Hartantyo, yang selalu menemani dan menyumbangkan ide

serta tak bosan-bosan memberikan motivasi untuk penyusun.
11. Mas Aries Santoso yang rela meminjamkan kamera untuk pengambilan objek
12. Para Sahabatku Firna Anas Oktania, Asep Kurnaivi Wardana, dan Siska
Devitri Wahyumin yang selalu menemani, menyumbangkan saran kritiknya
dan tak bosan – bosan selalu memberi support kepada penyusun.
13. Untuk HIMATIFA yang membantu penyusun dengan suka rela untuk menjadi
objek penelitian Tugas Akhir ini
14. Warga Informatic Dhe dan teman-teman seperjuangan angkatan 2009 atas
kebersamaan yang indah ini.
15. Untuk warkop C7 yang memberikan tempat dan fasilitas wifi sehingga
penyusun mendapatkan inspirasi dan terselesaikannya Tugas Akhir ini

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

KATA PENGANTAR

Segala puji syukur alhamdulilah penyusun panjatkan kehadirat Allah SWT
atas segala limpahan rahmat dan hidayahNya sehingga penyusun dapat
menyelesaikan Tugas Akhir yang berjudul ”Deteksi Pedestrian Menggunakan

Metode Histogram of Oriented Gradient Pada Library EMGU.CV” ini dengan
tepat waktu.
Penulisan Tugas Akhir ini disusun sebagai salah satu syarat untuk
menyelesaikan program Strata Satu (S1) pada jurusan Teknik Informatika,
Fakultas Teknologi Industri, UPN ”Veteran” Jawa Timur. Walaupun banyak
kesulitan yang harus dihadapi penyusun dalam menyelesaikan Tugas Akhir ini,
namun berkat bantuan dan dorongan dari berbagai pihak, akhirnya Tugas Akhir
ini dapat terselesaikan dengan baik.
Akhir kata, penyusun menyadari bahwa Tugas Akhir ini masih jauh dari
sempurna, tak lebih karena berbagai keterbatasan yang dimiliki penyusun. Oleh
karena itu penyusun mengharapkan kritik dan saran yanga bersifat membangun
dari para pembaca untuk pengembangan aplikasi lebih lanjut.

Surabaya, Mei 2013

(Penyusun)

ii
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

DAFTAR ISI
Halaman
LEMBAR PENGESAHAN
ABSTRAK ..................................................................................................

i

KATA PENGANTAR .................................................................................

ii

UCAPAN TERIMA KASIH ...................................................................... iii
DAFTAR ISI ...............................................................................................

v

DAFTAR GAMBAR .................................................................................. viii
DAFTAR TABEL ......................................................................................

x

BAB I

PENDAHULUAN .........................................................................

1

1.1. Latar Belakang .......................................................................

1

1.2. Rumusan Masalah ..................................................................

3

1.3. Batasan Masalah ....................................................................

3

1.4. Tujuan ……….. ..................................................................... 4
1.5. Manfaat .................................................................................

4

BAB II TINJ AUAN PUSTAKA ................................................................

5

2.1

Penelitian Pendahulu ..............................................................

5

2.2. komputer vision .....................................................................

6

2.3. Citra(Imsge) ..........................................................................

7

2.4. Dasar Teori ............................................................................

9

2.5. Pengolahan Citra ....................................................................

9

2.5.1. Pengertian Pedestrian ...................................................

9

v
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

2.5.2. Histogram of Oriented Gradients (HOG) ...................... 11
2.5.3. Visual Basic(.net) ......................................................... 21
2.5.4. EMGU.CV ................................................................. 23
BAB III ANALISIS DAN PERANCANGAN SISTEM ........................... 25
3.1

Kebutuhan Hardware dan Software ........................................ 25

3.2

Rancangan Percobaan Penelitian ........................................... 25
3.2.1. Proses Pengambilan Objek Gambar .............................. 27
3.2.2. Proses Histogram of Oriented Gradients ....................... 28
3.2.3. Proses Cropping dan Save ............................................ 29

3.3

Perancangan Interface ............................................................ 30
3.3.1 Interface Tampilan Awal ............................................. 30
3.3.2 Interface View ............................................................. 31
3.3.3 Interface Profil ............................................................ 31

BAB IV IMPLEMENTASI ...................................................................... 32
4.1

Implementasi Data ................................................................. 32

4.2

Implementasi Interface........................................................... 32

4.3

Implementasi Proses ............................................................. 38
4.3.1 Proses Load ................................................................... 44
4.3.2 Proses Pada Button Procces Pedestrian .......................... 44
4.3.3 Proses Menampilkan Panel ............................................ 45
4.3.4. Proses Menampilkan Profile ......................................... 46

4.4

Uji Coba Program …………………………………………… 47
4.5.1 Skenario Uji Coba ……………………………………..

vi
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

47

4.5.2 Pelaksanaan Uji Coba ................................................... 48
4.5

Analisa Aplikasi .................................................................... 52
4.6.1 Analisis Proses Histogram Of Oriented Gradients.......... 52

BAB V

Kesimpulan Dan Saran ............................................................... 64
5.1.

Kesimpulan ........................................................................... 64

5.2.

Saran .................................................................................... 65

DAFTAR PUSTAKA .................................................................................. 66

vii
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

J UDUL

: DETEKSI PEDESTRIAN MENGGUNAKAN
METODE HISTOGRAM OF ORIENTED
GRADIENTS PADA LIBRARY EMGU.CV

PENYUSUN
: KANTI PUTRI RAHAYU
DOSEN PEMBIMBING : BASUKI RAHMAT S.Si, MT

ABSTRAK
Deteksi Pedestrian merupakan suatu teknologi yang sangat membantu
dalam berbagai bidang. Dalam bidang lalulintas seperti halnya pada pengereman
otomatis pada mobil ketika ada pedestrian lewat. Selain itu, deteksi pedestrian
juga dapat digunakan pada kepadatan pedestrian menyebrang di pasar, mall dan
lain-lain untuk menghitung jumlah manusia. Bebagai metode dikembangkan
untuk memaksimalkan hasil deteksi.
Salah satu metode yang dibahas dalam tugas akhir ini adalah metode
Histogram of Oriented Gradient (HOG) yang digunakan untuk mendeteksi
pedestrian pada citra statis dan kecepatan terdeteksinya. Karakteristik fitur
Histogram of Oriented Gradients dari sebuah pedestrian ditunjukkan oleh
distribusi gradiennya. hasil fitur HOG menggunakan Support Vector Machine
(SVM) untuk menghasilkan sebuah model yang digunakan sebagai acuan deteksi.
Oleh sebab itu tujuan tugas akhir ini untuk merancang dan membuat
aplikasi pendeteksi obyek pejalan kaki (pedestrian) dengan menggunakan metode
Histogram of Oriented Gradients (HOG) pada library EMGU CV. Dengan
manfaatnya Sebagai dasar sistem untuk lampu lalu lintas, pengereman otomatis
pada mobil ketika ada pedestrian yang berjalan, dapat mendeteksi pedestrian yang
ada pada jembatan penyebrangan, dan lain-lain. Serta aplikasi deteksi ini berguna
untuk mendeteksi pedestrian dengan tingkat akurasi dalam pengujiannya
Dari hasil uji coba yang telah dilakukan dengan metode ini pengambilan
objek pedestrian terbaik terdapat pada jarak 5 meter , serta metode ini tidak dapat
menghitung apabila terjadi overlap (tumpukan), dan akurasi keberhasilan metode
ini 86,67% dan akurasi kesalahan dengan metode ini 13,33%.

Kata Kunci : Deteksi Pedestrian, HOG, Visual Basic (.Net) 2010

i
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

BAB I
PENDAHULUAN

1.1.

Latar Belakang
Kemampuan untuk mendeteksi pedestrian sangatlah menarik dan

bermanfaat dalam kehidupan sehari-hari seperti contoh dalam bidang keamanan,
deteksi ini dapat diaplikasikan pada kamera cctv untuk mengawasi suatu ruang
atau daerah tertentu, atau dalam bidang otomotif sebagai driver-otomatis pada
sistem bantuan dalam kendaraan.
Pada saat yang sama pula pedestrian merupakan salah satu objek yang
paling menantang untuk dilakukan deteksi, banyaknya variabilitas dalam segi
tampilan di lokal atau global yang disebabkan oleh berbagai jenis dan gaya
pakaian, sehingga hanya beberapa daerah lokal yang benar-benar khas untuk
semua kategori. Selain itu secara global, macam dari aksesoris yang digunakan
sangat variatif seperti tas, penghangat leher, topi, dan lain-lain

yang dapat

menggangu pembentukan siluet bayangan. Perihal diatas menambah kesulitan
pada proses deteksi pedestrian dan akhirnya banyak orang yang diidentifikasi
sebagai gambar yang sama pada satu daerah deteksi.
Kemampuan untuk dapat melakukan deteksi pedestrian pada tempat yang
ramai sangatlah bermanfaat karena hal ini sering terjadi dalam kehidupan nyata.
Pada aplikasi ini diharapkan mampu melakukan deteksi pedestrian di tempat
yang ramai, tujuannya adalah untuk mendeteksi semua pedestrian , pelokalisasi
pada tiap pejalan kaki dan mengetahui arah gerak pedestrian tersebut.

1
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

2

Salah satu metode yang digunakan untuk mendeteksi pedestrian pada
tugas akhir ini adalah Histogram of Oriented Gradient (HOG), dimana prinsip
Histogram of Oriented Gradients adalah menghitung nilai gradien pada suatu
image . Image dibagi menjadi beberapa daerah kecil yang disebut cell. kumpulan
dari beberapa cell membentuk sebuah block. Masing-masing cell akan ditentukan
besarnya nilai gradiennya. Secara keseluruhan akan dihasilkan suatu karakteritik
image yang ditunjukkan oleh distribusi gradien image tersebut. Untuk
pengklasifikasiannya,

feature

Histogram

of

Oriented

Gradients

dengan

menggunakan SVM (Support Vector Machine) untuk menghasilkan sebuah model
yang akan dipakai sebagai acuan untuk menentukan sebuah obyek yang dideteksi,
apakah obyek tersebut termasuk pedestrian atau non pedestrian. (Dalal Triggs :
2006)
Metode Histogram of Oriented Gradients merupakan salah satu metode yang
berada di library Emgu CV. Library Emgu CV sendiri merupakan wrapper dari

Library Open.cv

yang

khusus berjalan di bahasa pemgroman berbasis .net

contohnya seperti C #, VB .net, VC + +, IronPython, dan lain-lain. (Seo, N, 2007)
Oleh karena itu, dalam tugas akhir ini diusulkan pembuatan sistem deteksi
obyek pedestrian (pejalan kaki) menggunakan metode Histogram of Oriented
Gradients (HOG) untuk mengetahui mana yang pedestrian atau non pedestrian
tersebut dengan meload gambar yang ada pada folder komputer. Jika gambar
tersebut terdeteksi pedestrian maka sistem akan melokalisasi dan mengetahui
jumlah pedestrian serta kecepatan pedestrian terdeteksi. Kemudian hasil
deteksinya akan di-cropping sesuai dengan jumlah yang terdeteksi, maka secara

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

3

otomatis akan tersimpan pada folder hasil pada komputer

1.2.

Rumusan Masalah
Berdasarkan beberapa uraian latar belakang di atas maka dapat dirumuskan

masalah, yaitu :
1. Menerapkan cara untuk mengetahui objek pedestrian dengan objek
yang lain.
2. Menerapkan metode Histogram of Oriented Gradients kedalam
pembuatan aplikasi deteksi pedestrian.
3. Menerapkan library Emgu CV dalam Aplikasi deteksi pedestrian.

1.3.

Batasan Masalah
Adapun batasan-batasan masalah yang dibuat agar dalam pengerjaan tugas

akhir ini dapat berjalan degan baik adalah sebagai berikut :
1. Obyek yang diidentifikasi berada dalam intesitas cahaya yang stabil
2. Mendeteksi citra pejalan kaki yang dilihat dari sisi samping.
3. Perangkat yang digunakan dalam skripsi ini adalah Visual Basic.Net
2010 dan library Emgu CV.
4. Tidak menggunakan database, hanya menggunakan data file untuk
menyimpan gambar pada folder komputer.
5. Gambar berformat JPG atau JPEG.
6. Aplikasi ini hanya dapat meload gambar, melokalisasi gambar
pedestrian, pengcroppingan serta save otomatis.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

4

1.4.

Tujuan
Dari rumusan masalah di atas, maka tujuan dari penulisan tugas akhir ini

adalah merancang dan membuat aplikasi pendeteksi obyek pejalan kaki
(pedestrian) dengan menggunakan metode Histogram of Oriented Gradients
(HOG) pada library Emgu CV.

1.5.

Manfaat
Manfaat dari penulisan tugas akhir ini adalah :
1. Sebagai dasar sistem untuk lampu lalu lintas, pengereman otomatis
pada mobil ketika ada pedestrian yang berjalan, dapat mendeteksi
pedestrian yang ada pada jembatan penyebrangan, dan lain-lain.
2. Aplikasi deteksi ini berguna untuk mendeteksi pedestrian dengan
tingkat akurasi dalam pengujiannya.
3. Dapat mengetahui secara lebih jelas teknik deteksi pedestrian oleh
komputer, dengan menggunakan metode

Histogram of Oriented

Gradients.
4. Memanfaatkan tools yang terdapat pada library Emgu CV untuk
menunjang proses deteksi pedestrian.
5. Dapat dipergunakan sebagai dasar penelitian selanjutnya untuk deteksi
pedestrian secara otomatis dan dapat dipergunakan untuk berbagai
keperluan.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

BAB II
TINJ AUAN PUSTAKA

2.1.

Peneliti Pendahulu
Histogram berorientasi gradien adalah fitur deskriptor yang digunakan

dalam visi komputer dan pengolahan citra untuk tujuan deteksi obyek. Teknik ini
menghitung kejadian orientasi gradien dalam porsi lokal dari suatu gambar.
Metode ini mirip dengan tepi orientasi histogram, fitur skala invarian mengubah
deskripsi, dan bentuk konteks, tetapi berbeda dalam hal itu dihitung pada grid
padat sel seragam spasi dan menggunakan tumpang tindih normalisasi kontras
lokal untuk meningkatkan akurasi.
Navneet Dalal dan Bill Triggs, peneliti Institut Nasional Perancis dibidang
Ilmu Komputer dan Pengendalian (INRIA), pertama kali dijelaskan Histogram
deskriptor Gradient Berorientasi pada bulan Juni 2005. Dalam penelitian ini
mereka fokus pada masalah deteksi pejalan kaki (pedestrian) di gambar statis,
meskipun sejak itu mereka memperluas tes mereka untuk memasukkan deteksi
manusia dalam film dan video. (Dalal & Bill : 2005)
Histogram deskriptor gradien berorientasi adalah bahwa penampilan objek
lokal dan bentuk dalam sebuah gambar dapat digambarkan oleh distribusi gradien
intensitas atau arah tepi. Pelaksanaan deskriptor ini dapat dicapai dengan
membagi gambar ke daerah kecil yang disebut sel, dan setiap sel menyusun
histogram arah gradien atau orientasi tepi untuk piksel dalam sel. Kombinasi
histogram ini maka merupakan deskriptor.

5
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

6

Untuk meningkatkan akurasi, histogram lokal dapat menjadi kontras
dinormalisasi dengan menghitung ukuran intensitas di seluruh wilayah yang lebih
besar dari gambar, yang disebut blok, dan kemudian menggunakan nilai ini untuk
menormalkan semua sel dalam blok. Normalisasi ini mengakibatkan invarian baik
perubahan pencahayaan atau bayangan. (Dalal & Bill : 2005)
Histogram of Oriented Gradients beroperasi pada sel lokal, metode ini
menjunjung invarian untuk transformasi geometrik dan fotometrik, kecuali untuk
orientasi objek.
Perubahan tersebut hanya akan muncul di daerah spasial yang lebih besar.
Selain itu, sebagai Dalal dan Triggs ditemukan, pengambilan sampel kasar
spasial, pengambilan sampel orientasi baik, dan normalisasi fotometrik lokal yang
kuat memungkinkan gerakan tubuh individu pejalan kaki untuk diabaikan selama
mereka mempertahankan posisi kira-kira tegak. Histogram of Oriented Gradients
descriptor sehingga sangat cocok untuk deteksi manusia dalam gambar. (Dalal &
Bill : 2005)

2.2.

Komputer Vision
Komputer Vision adalah transformasi atau perubahan dari data-data yang

dapat berupa still image (gambar diam) ataupun video kamera menjadi bentuk lain
atau suatu representasi baru dan membantu dalam pengambilan keputusan. Semua
bentuk transformasi yang dilakukan diarsipkan atau disimpan untuk tujuan tertentu.
Input data dapat berasal dari informasi yang berhubungan dengan objek. Pada
representasinya baru dimungkinkan berarti merubah warna dari suatu citra menjadi
citra yang grayscale atau menghilangkan pergerakan kamera dari suatu citra
berurutan.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

7

Manusia seperti halnya mahluk visual yang mudah sekali tertipu dan berfikir
jika tugas komputer vision itu mudah. Seperti halnya otak manusia membagi sinyal
dalam banyak saluran atau channel dimana mengalirkan informasi yang berbeda-beda
kedalam otak. Otak manusia memiliki attention system mengidetifikasi dengan
jalannya sendiri. Setelah diproses akan menghasilkan informasi balik dan akhirnya
berhasil mengartikan visual yang dihasilkan oleh input dari otot kontrol sensor dan
indra lainnya yang memperbolehkan otak untuk mengasosiasikan secara bersilang
segala informasi yang didapat.
Proses ini berulang dengan perangkat keras sensor berupa mata yang
memiliki mekanisme pengontrol cahya (lightning) melalui iris dan melakukan setting
terhadap penerimaan permukaan oleh retina.
Dalam sistem machine vision, suatu komputer menerima kumpulan angka
dari kamera atau tempat penyimpanan disk, dan itulah yang komputer lihat terhadap
suatu citra. Dalam kumpulan angka yang dilihat komputer terdapat noisy yang besar
sehingga memperkecil informasi yang didapat. Sehingga sebelum mengolah image
atau citra perlunya dibuat pengolahan noisy ini agar mendapatkan persepsi yang baik
dari kumpulan angka yang memiliki noisy tersebut. (Taufik Bahri : 2012)

2.3.

Citra (Image)
Data masukan yang diproses adalah suatu image. Image merupakan

sebuah representasi khusus dari suatu obyek, baik obyek dua dimensi maupun
tiga dimensi, dimana representasi tersebut dinyatakan dalam bentuk dua
dimensi. Image dapat berbentuk nyata, maya, ataupun dalam bentuk optik.
Selain itu, image juga dapat berupa rekaman, seperti video image, digital image,
atau sebuah gambar (Shapiro dan Stockman : 2001). Image dapat dikategorikan

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

8

sebagai :
1.

Citra Analog
Menurut Shapiro dan Stockman (2001), citra analog adalah citra yang
bersifat kontinu, seperti gambar pada monitor televisi, foto sinar X, foto
yang tercetak dikertas foto, lukisan, pemandangan alam, hasil CT scan dan
lain sebagainya. Citra analog tidak dapat dipresentasikan dalam komputer
sehingga tidak bisa diproses di komputer secara langsung. Oleh sebab itu,
agar citra ini dapat diproses di komputer, proses konversi analog ke digital
harus dilakukan terlebih dahulu. Citra analog dihasilkan dari alat-alat
analog diantaranya adalah video kamera analog, kamera foto analog dan
CT scan.

2.

Citra Digital
Menurut Shapiro dan Stockman (2001), digital image adalah image
2D yang direpresentasikan oleh array diskrit 2D dari intensitas
sampel, dimana masing-masing titik direpresentasikan dengan ketelitian
terbatas. Digital image juga didefinisikan sebagai representasi dari gambar
dua dimensi sebagai himpunan terbatas dari nilai digital yang disebut
picture elements atau pixel. Umumnya pixel disimpan dalam komputer
sebagai gambar raster, yaitu array dua dimensi dari integer. Nilai ini
kadang disimpan dalam bentuk terkompresi yang dapat langsung disimpan
pada suatu pita magnetik.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

9

Gambar .2.1 Citra Analog Dan Citra Digital (Shapiro dan Stockman : 2001)

2.4.

Dasar Teori
Pada bab ini akan kami bahas beberapa teori dasar untuk menunjang

dalam penyelesaian tugas akhir dalam pembuatan aplikasi deteksi pedestrian
menggunakan metode Histogram of Oriented Gradients ini antara lain: pengertian
pedestrian, Histogram of Oriented Gradients, Visual Basic.Net 2010, dan Emgu
CV.

2.5.

Pengolahan Citra

2.5.1.

Pengertian Pedestrian
Pedestrian berasal dari bahasa Yunani, dimana berasal dari kata pedos

yang berarti kaki, sehingga pedestrian dapat diartikan sebagi pejalan kaki atau
orang yang berjalan kaki, sedangkan jalan merupakan media diatas bumi yang
memudahkan manusia dalam tujuan berjalan, maka pedestrian dalam hal ini
memiliki arti pergerakan atau perpindahan orang atau manusia dari satu tempat

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

10

sebagai titik tolak ke tempat lain sebagai tujuan dengan menggunakan moda jalan
kaki. Atau secara harfiah, pedestrian berarti “person walking in the street“, yang
berarti orang yang berjalan di jalan. (Harln,Twinkle : 1977)
Namun jalur pedestrian dalam konteks perkotaan biasanya dimaksudkan
sebagai ruang khusus untuk pejalan kaki yang berfungsi sebagai sarana
pencapaian yang dapat melindungi pejalan kaki dari bahaya yang datang dari
kendaraan bermotor. Di Indonesia lebih dikenal sebagai trotoar, yang berarti
jalur jalan kecil selebar 1,5 sampai 2 meter atau lebih memanjang sepanjang
jalan umum.
Berjalan kaki merupakan alat untuk pergerakan internal kota, satu –
satunya alat untuk memenuhi kebutuhan interaksi tatap muka yang ada didalam
aktivitas komersial dan kultural di lingkungan kehidupan kota. Berjalan kaki
merupakan alat penghubung antara moda–moda angkutan yang lain. (John
Fruin:1979).
Dilihat dari kecepatannya moda jalan kaki memiliki kelebihan yakni
kecepatan rendah sehingga menguntungkan karena dapat mengamati lingkungan
sekitar dan mengamati objek secara detail serta mudah menyadari lingkungan
sekitarnya. (Amos Rapoport : 1977)
Berjalan kaki merupakan sarana transportasi yang menghubungkan antara
fungsi kawasan satu dengan yang lain terutama kawasan perdagangan, kawasan
budaya, dan kawasan permukiman dengan berjalan kaki menjadikan suatu kota
menjadi lebih manusiawi. (Giovani Gideon: 1977).
Dengan demikian jalur pedestrian merupakan sebuah sarana untuk
melakukan

kegiatan,

terutama

untuk

melakukan

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

aktivitas

dikawasan

11

perdagangan dimana pejalan kaki memerlukan ruang yang cukup untuk dapat
melihat-lihat, sebelum menentukan untuk memasuki salah satu pertokoan di
kawasan perdagangan tersebut.
Namun disadari pula bahwa moda ini memiliki keterbatasan juga, karena
kurang dapat untuk melakukan perjalanan jarak jauh, peka terhadap gangguan
alam, serta hambatan yang diakibatkan oleh lalu lintas kendaraan.
Jalur pedestrian ini juga merupakan elemen penting dalam perancangan
kota, karena tidak lagi berorientasi pada keindahan semata, akan tetapi juga
pada masalah kenyamanan dengan didukung oleh kegiatan pedagang eceran
yang dapat memperkuat kehidupan ruang kota yang ada.
Sistem jalur pedestrian yang baik akan mengurangi keterikatan terhadap
kendaraan di kawasan pusat kota, meningkatkan penggunaan pejalan kaki,
mempertinggi kualitas lingkungan melalui sistem perancangan yang manusiawi,
menciptakan kegiatan pedagang kaki lima yang lebih banyak dan akhirnya akan
membantu kualitas udara dikawasan tersebut.
2.5.2. Histogram of Oriented Gradients (HOG)
Histogram of Oriented Gradient (HOG) adalah sebuah metode yang
digunakan dalam image processing untuk tujuan deteksi obyek . Teknik ini
menghitung nilai gradien dalam daerah tertentu pada suatu image . Tiap image
mempunyai karakteristik yang ditunjukkan oleh distribusi gradien.
Karakteristik ini diperoleh dengan membagi image kedalam daerah kecil
yang disebut cell. Tiap cell disusun sebuah histogram dari sebuah gradient.
Kombinasi dari histogram ini dijadikan sebagai deskriptor yang mewakili sebuah
obyek. (Dalal : 2006).

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

12

Gambar 2.2 Algoritma Histogram of Oriented Gradients (Dalal : 2006).
Tahap – tahap merubah citra gambar dengan menggunakan metode
histogram of oriented gradient :
a. Input Gambar : merupakan gambar asli
b. Koreksi Gamma : Merupakan gambar asli yang dikompresi menjadi
gambar gamma untuk menjadikan gambar menjadi gelap.
c. Menghitung Gradien Gambar : yakni untuk menghitung kemiringan
pada sebuah gambar.

Dimana

perhitungan

ini

menggunakan

perhitungan operator sobel (Edge Detection) seperti terlihat pada
persamaan dibawah ini.
Maks Konvolusinya :
M (x) = [-1
M (y) =

1]

−

Keterangan :

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

(2.1)
(2.2)

13

M (x) : Maks konvolusinya (kernel) pada (x)
M (y) : Maks konvolusinya (kernel) pada (y) dari hasil transpose maks (x)
Selanjutnya rumus menghitung gradient (x) dan gradient (y) kita
membutuhkan maks konvolusinya dengan menggunakan Persamaan (2.1)
dan Persamaan (2.2).
G (x) = M (x) * I

(2.3)

G (y) = M (y) * I

(2.4)

Keterangan :
G (x) : Gradient (x)
G (y) : Gradient (y)
I

: Image (gambar)

Contoh :
Sebuah contoh gambar dengan nilai 5x5 piksel yang telah
ditentukan nilainya dalam setiap cell yakni ;
1

1

1

1

1

1

1

1

1

1

1

1

1

0

0

1

1

0

0

0

1

1

0

0

0

Dari contoh soal pada gambar diatas maka disini kita dapat
menghitung nilai gradient (x) dan gradient (y) pada setiap cell dengan
menggunakan rumus yang telah ditentukan dengan persamaan (2.3) untuk
mencari nilai gradient t(x) dan persamaan (2.4) untuk mencari nilai

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

14

gradient (y). lebih lanjutnya kita membahas tentang perhitungan mencari
gradient t(x) pada persamaan (2.3)

1

1

1

1

1

1

1

1

1

1

1

1

1

0

0

1

1

0

0

0

1

1

0

0

0

Untuk perhitungannya kita membuat blok terlebih dahulu sesuai
dengan jumlah maks konvolusinya 1 x 2 dengan arah vertikal kemudian
hitung dengan menggunakan rumus pada persamaan (2.3) terlihat pada
perhitungan dibawah ini.
Baris 1 Kolom 1 G (x) = [-1 1] * [1

1] = (-1)*1 + 1*(1) = 0

Baris 1 Kolom 2 G (x) = [-1 1] * [1

1] = (-1)*1 + 1*(1) = 0

Baris 1 Kolom 3 G (x) = [-1 1] * [1

1] = (-1)*1 + 1*(1) = 0

Baris 1 Kolom 4 G (x) = [-1 1] * [1

1] = (-1)*1 + 1*(1) = 0

Lakukan hingga sampai baris 5 dan kolom 4 dengan cara yang
sama untuk mendapatkan nilai gradient (x). Setelah menghitung nilai
gradient (x) maka langkah selanjutnya kita menghitung nilai gradient (y)
dengan menggunakan Persamaan (2.4).
Untuk menghitung gradient (y) sama seperti menghitung
gradient(x) hanya saja pada perhitungan gradient (y) dengan arah
horisontal terlihat pada gambar dibawah ini.
1

1

1

1

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

1

15

1

1

1

1

1

1

1

1

0

0

1

1

0

0

0

1

1

0

0

0

Kemudian kita dapat menghitung gradient (y) sesuai dengan rumus
persamaan (2.4) terlihat seperti perhitungan dibawah ini.
Baris 1 Kolom 1 G (y) =

1
* [1
−1

1] = 1*(1) + 1*(-1) = 0

Baris 2 Kolom 2 G (y) =

1
* [1
−1

1] = 1*(1) + 1*(-1) = 0

Baris 3 Kolom 3 G (y) =

1
* [1
−1

1] = 1*(1) + 1*(-1) = 0

Baris 4 Kolom 4 G (y) =

1
* [1
−1

1] = 1*(1) + 1*(-1) = 0

Lakukan hingga sampai baris 4 dan kolom 5 dengan cara yang
sama sehingga mendapatkan hasil seperti pada kolom dibawah ini.
Gradient (X)

Gradient (Y)

0

0

0

0

*

0

0

0

0

0

0

0

0

0

*

0

0

0

1

1

0

0

-1

0

*

0

0

1

0

0

0

-1

0

0

*

0

0

0

0

0

0

-1

0

0

*

*

*

*

*

*

Setelah dapat menemukan nilai gradient (x) dan gradient (y) maka
kita dapat menentukan arah gradiennya. Jika (x) bernilai 1 maka arahnya 1
tetapi jika (y) bernilai 1 maka arahnya 2. Tetapi jika x bernilai 1

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

16

sedangkan (y) bernilai -1 (negatif positif ) maka arah gradiennya akan
mengalami kemiringan seperti pada kolom dibawah ini.
*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

*

Setelah menemukan gradient (x), gradient (y), dan arah gradiennya
maka langkah selanjutnya menghitung kekuatan tepi (magnitude) dengan
Persamaan (2.5) dan sudut gradien dengan Persamaan (2.6).
[ ( , )] = | Gx| + |Gy|

(2.5)

Keterangan :
G [f(x,y)]

: Magnitude (kekuatan tepi)

Gx

: Gradient (x)

Gy

: Gradient (y)
Dengan rumus persamaan (2.5) maka kita dapat menghitung

kekuatan tepi pada setiap cell seperti pada perhitungan dibawah ini.
1

1

| Gx| + | Gy| = |0| + |0| = 0

1

2

| Gx| + | Gy| = |0| + |0| = 0

1

3

| Gx| + | Gy| = |0| + |0| = 0

1

4

| Gx| + | Gy| = |0| + |0| = 0

1

5

| Gx| + | Gy| = |0| + |0| = 0

Lanjutkan perhitungan hingga baris ke-4 kolom ke-5 untuk
mendapatkan hasilnya seperti pada kolom dibawah ini.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

17

0

0

0

0

*

0

0

0

0

*

0

0

2

0

*

0

2

0

0

*

0

2

0

0

*

Setelah menghitung kekuatan tepi (magnitude) gradient maka kita
dapat menghitung sudut tepi gradient dengan menggunakan rumus pada
persamaan (2.6).
( , )=

(2.6)

Keterangan
α(x,y)

: Sudut (x) dan sudut (y)
: arctan

Gx

: Gradient (x)

Gy

: Gradient (y)
1

1

=

=0

1

2

=

=0

1

3

=

=0

1

4

=

=0

1

5

=

=0

Kemudian lakukan perhitungan hingga baris ke-4 kolom ke-5
sampai mendapatkan hasil seperti pada kolom dibawah ini.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

18

0°

0°

0°

0°

*

0°

0°

0°

0°

*

0°

0°

-45°

0°

*

0°

-45°

0°

0°

*

0°

-45°

0°

0°

*

Setelah kita mengetahui sudut derajatnya maka kita dapat
menentukan arah sudutnya. Arah sudut inilah yang nantinya akan
membentuk gambar yang dideteksi.
*
*
*
*
*

Langkah selanjutnya membuat keputusan apakah suatu piksel
merupakan tepi atau bukan tepi dinyatakan dengan operasi pengambangan
sesuai dengan Persamaan (2.7)
( , )=

,
,

[ ( , )] ≥

(2.7)

Untuk menentukan apakah suatu piksel merupakan tepi atau bukan
tepi maka kita dapat mengetahuinya dengan perhitungan hasil kekuatan tepi
0

0

0

0

*

0

0

0

0

*

0

0

2

0

*

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

19

0

2

0

0

*

0

2

0

0

*

Titik Ambang
Nilai 2 termasuk titik ambang yang digunakan untuk Threshold (T) dengan
menggunakan titik ambang ini maka dapat ditentukan jika nilai setiap cell
lebih besar dari threshold (2) atau sama maka tepi dinyatakan warna putih.
Jika threshold kurang dari 2 maka tepi dinyatakan warna hitam. Seperti
halnya pada gambar dibawah ini.

Gambar 2.3 Citra Asli menjadi Citra Compute Gradient (Dalal : 2006).
d. Orientasi Binning : dimana terdiri dari cell, blok,

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

20

Gambar 2.4 Penjelasan Cell dan Block (Muhtadin : 2009)
Dimana bins itu sendiri adalah histogram , bins terjadi pada 1 sampai
9 bins yang di dapat dari 0-180 yang dimana 180 : 20 = 9 bins seperti pada
gambar dibawah ini.

Gambar 2.5 Implementasi Bin (Rahul Rahjan : 2007)
e. Normalisasi Blok dan Cell : untuk menormalkan blok dan cell.
f. SVM (Support Vector Machine): mesin penentu yang berfungsi untuk
menentukan apakah gambar tersebut merupakan pedestrian atau non
pedestrian.
2.5.3. Visual Basic (.Net)

Visual Basic merupakan salah satu bahasa pemrograman OOP (Object
Oriented Programming) atau bahasa pemrograman yang berorientasi obyek
dengan IDE (Integrated Development Environment) generasi ketiga dari

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

21

perusahaan microsoft. Bahasa pemrograman yang seringkali hanya disingkat
dengan sebutan VB saja ini memiliki sejarah pengembangan yang cukup panjang
berikut adalah sejarah visual basic :
1. Proyek “Thunder” dirintis. Visual Basic 1.0 (Mei 1991) dirilis untuk
windows pada Comdex/Windows Wordltrade yang di pertunjukan di
Atlanta, Georgia.
2. Visual Basic 1.0 untuk DOS dirilis pada bulan September 1992.
Bahasa ini tidak kompetibel dengan Visual Basic For Windows. VB
1.0 for DOS ini pada kenyataannya merupakan versi kelanjutan dari
compiler basic, quick basic dan basic professional development
system.
3. Visual Basic 2.0 dirilis pada bulan November 1992, cakupan
pemrogramannya cukup mudah untuk digunakan dan kecepatannya
juga telah dimodifikasi. Khususnya pada from yang telah menjadikan
obyek dapat dibuat secara seketika, serta konsep dasar dari class
modul yang berikutnya diimplementasikan pada VB 4.
4. Visual Basic 3.0 dirilis pada musim panas 1993 dan dibagi menjadi
versi standard dan professional. VB 3 memasuki versi 1.1 dari
Microsoft Jet Database Engine yang dapat membaca serta menulis
database Jet (atau Access) 1x.
5. Visual Basic 4.0 (Agustus 1995) merupakan versi pertama yang dapat
membuat program windows 32 bit sebaik versi 16 bitnya. VB 4 juga
memperkenalkan kemampuan untuk menulis non GUI class pada
visual basic.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

22

6. Visual Basic 5.0 (Februari 1997) miscrosoft merilis secara eksklusif
visual basic untuk versi windows 32 bit. Programmer yang menulis
programnya pada versi 16 bit dapat dengan mudah melakukan import
program VB 4 ke VB 5. Dan juga sebaliknya, program VB 5 dapat
diimport VB 4. VB 5 memperkenalkan kemampuan untuk membuat
user control.
7. Visual Basic 6.0 (pertengahan 1998) memperbaiki beberapa cakupan,
termasuk kemampuannya untuk membuat aplikasi Web-based. Visual
basic 6 di jadwalkan akan memasuki microsoft “fasa non supported”
dimulai pada maret 2008.
8. Visual Basic Net (VB 7.0) dirillis pada tahun 2002. Beberapa yang
mencoba pada versi pertama. NET mengemukakan bahwa bahasa ini
sangat powerfull tapi bahasa yang digunakan sangat berbeda dengan
bahasa sebelumnya, dengan kekurangan diberbagai area, termasuk
runtime yang 10x lebih besar dari paket runtime VB 6 serta
peningkatan penggunaan memory.
9. Visual Basic Net 2003 (VB 7.1) dirilis dengan menggunakan NET
framework versi 1.1.
10. Visual Basic 2005 (VB 8.0) merupakan interasi selanjutnya dari visual
basic.Net. dan microsoft memutuskan untuk menghilangkan katakata.Net pada judulnya. Pada rilis ini , microsoft memasukan beberapa
fitur baru diantaranya :

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

23

a. Edit and Continue, mungkin inilah kekurangankan fitur terbesar
dari VB.NET. pada VB 2005 ini kita diperbolehkan melakukan
perubahan kode pada saat program sedang dijalankan
b. Perbaikan pada konversi dari VB ke VB Net12 Visual Basic .Net
2003 (VB 7.1), dirilis dengan menggunakan NET framework versi
1.1.
2.5.4. Emgu CV

Emgu CV merupakan lintas platform yang memungkinkan para
programmer memanggil fungsi dalam intel Open.CV image processing library
agar dapat digunakan pada bahasa kompetibel.NET seperti C#, VB, dan lainnya.
Keuntungan menggunakan library Emgu CV adalah :
a. Emgu CV seluruhnya dibuat berdasarkan bahasa C#, namun dapat
digunakan oleh bahasa yang lain juga, seperti VB.Net, C++, dan Iron
Phyton.
b. Dalam image processing, image class menggunakan generik parameter
yaitu color dan depth
c. Setelah melakukan proses pada image, Emgu CV secara otomatis akan
melakukan dispose image.
d. Serialisasi XML, digunakan apabila program dikerjakan dalam WCF
(Windows Communication Fundation), akan digunakan dalam layanan
web,

dan

membutuhkan

pengembalian

nilai

dalam

bentuk

image sebagai parameter. Ini juga dapat berguna untuk
penggunaan perangkat lunak pengamatan jarak jauh yang menggunakan
kelas capture untuk menangkap gambar dari kamera.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

24

Emgu CV memiliki 2 (dua) layer, layer 1 berisi function, structure, dan
enumeration mapping yang secara langsung merefleksikan yang ada di Open.CV,
sementara layer 2 berisi class yang merupakan keuntungan dari.NET world.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

BAB III
ANALISIS DAN PERANCANGAN SISTEM

Pada bab ini akan dijelaskan mengenai proses pembuatan aplikasi deteksi
dengan metode Histogram of Oriented Gradients menggunakan library Emgu CV.

3.1.

Kebutuhan Hardware dan Software
Pada bagian ini akan dijelaskan mengenai Hardware (perangkat keras) dan

software (perangkat lunak) yang digunakan pada implementasi aplikasi ini.
a. Kebutuhan Hardwar e :
1. Komputer dengan processor Intel (R) Core(TM)2Duo CPU P8700
2,5GHz
2. RAM (2048MB) dan VGA Card share memory up to 1274 MegaByte
3. Monitor 14” dan Modem AHA
4. Hard Disk 320 GigaByte
b. Kebutuhan Software :
1. Sistem Operasi Windows 7.
2. Visual Basic (.NET) 2010
3. Library EMGU.CV
4. File image JPEG, BMP, PNG.

3.2.

Rancangan Percobaan Penelitian
Secara garis besar proses perancangan percobaan penelitian aplikasi akan

dibagi menjadi beberapa tahap seperti pada gambar di bawah ini :

25
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

26

Desain sistem untuk sistem informasi penjualan CV Kautsar ini
menggunakan data work flow, Diagram Flow Diagram (DFD), Conceptual Data
Model (CDM) dan Physical Data Model (PDM) yang digunakan sebagai alat
perancangan sistem yang berorientasi pada alur data yang dapat digunakan untuk
penggambaran analisa maupun rancangan sistem.

Gambar 3.1 Flowchart Desain Tahapan Pedestrian
Gambar 3.1 diatas merupakan desain tahapan dari pengembangan deteksi
pedestrian menggunakan metode histogram of oriented gradients (HOG). Untuk
lebih lanjutnya akan dijelaskan pada flowchart berikutnya.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

27

3.2.1. Proses Pengambilan Objek Gambar

Gambar 3.2 Flowchart Proses Pengambilan Objek Gambar
Gambar 3.2 diatas merupakan proses pengambilan objek gambar sebagai
bahan untuk diuji pada deteksi pedestrian, yang dimana alur mengambilnya
dimulai dari mencari objek pedestrian secara langsung kemudian diambil

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

28

mengunakan kamera digital hingga berupa data gambar yakni citra pedestrian
untuk dimasukan kedalam komputer.
3.2.2. Proses Histogram of Oriented Gradients

Gambar 3.3 Flowchart Proses Histogram Of Oriented Gradients Library EMGU
Gambar 3.3 merupakan proses Histogram of Oriented Gradients merupakan

proses untuk mendeteksi citra pedestrian dengan melalui beberapa proses –
proses. Dimana pada proses Histogram of Oriented Gradients terdapat proses

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

29

gamma correction yang berfungsi untuk mengubah citra asli menjadi citra
gamma, kemudian citra gamma tersebut akan diproses menghitungan gradients
gambar dengan menggunakan perhitungan operator sobel, setelah menghitung
gradients gambar maka proses selanjutna yakni orientasi binning yang terdiri dari
cell, block cell, dan bin. Langkah selanjutnya Normalisasi gambar berfungsi untuk
menormalkan gambar pada tiap block agar memudahkan SVM detektor untuk
mendeteksi apakah citra tersebut termasuk pedestrian atau bukan pedestrian.
Dari semua proses yang telah dijelaskan akan di proses pada library Emgu
CV yang dimana sudah terdapat tools atau fungsi yang sudah default (tertanam)
didalamnya, sehingga proses tersebut tidak dapat dirubah.
3.2.3 Proses Cropping dan Save

Gambar 3.4 Flowchart Proses Pengcroppingan dan Save

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

30

Proses dimana setelah terjadi proses HOG untuk mendapatkan hasil
pedestrian maka citra tersebut akan di crop pada lokasi pedestrian yang
terlokalisasi dengan pemotongan ukuran 64 x 128 pixel guna untuk mendapatkan
hasil akhir kemudian disimpan pada database file pedestrian.

3.3.

Perancangan Interface
Interface merupakan suatu halaman perangkat lunak sebagai tempat

interaksi bagi pengguna dan perangkat lunak tersebut. Tujuan dari perancangan
interface berikut ini agar pengguna dapat memahami proses kerja program dengan
mudah.
3.3.1.

Interface Tampilan Awal
Pada gambar 3.5 ini merupakan form tampilan awal aplikasi. Tampilan

awal aplikasi dapat dilihat ketika pertama kali aplikasi dijalankan atau ketika
pengguna mengklik tombol load.

Gambar 3.5 Desain Tampilan Awal

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

31

3.3.2. Interface View
Pada gambar 3.6 merupakan menu view terdapat fungsi panel, dimana
dalam fungsi ini digunakan untuk menampilkan seluruh hasil proses deteksi
pedestrian.

.

Gambar 3.6 Desain Tampilan View
3.3.3.

Interface Profile
Pada form profile terdapat picturebox dan texbox, dimana dalam

picturebox digunakan untuk menampilkan foto dari pembuat aplikasi dan texbox
ini digunakan untuk menampilkan biodata penulis.

Gambar 3.7 Desain Tampilan Profile

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

BAB IV
HASIL DAN PEMBAHASAN

Pada bab IV ini akan dijelaskan mengenai implementasi, hasil uji coba dan
evaluasi dari rancangan program yang telah dibuat pada bab III. Bagian implementasi
aplikasi kali ini meliputi: implementasi data, implementasi interface, implementasi
proses, dan uji coba.

4.1.

Implementasi Data
Pada proses Data yang akan diimplementasikan pembuatan aplikasi deteksi

pedestrian dengan metode histogram of oriented gradients menggunakan library
Emgu.CV ini berupa citra digital yang telah diambil melalui camera digital yang
akan diproses melalui beberapa tahapan untuk melakukan lokalisasi pedestrian,
mengcropping dan penyimpanan.

4.2.

Implementasi Interface
Pada implementasi interface ini digunakan untuk memudahkan user yang

akan melakukan proses deteksi pedestrian dengan menggunakan aplikasi yang telah
dibuat. Adapun gambaran dari interface aplikasi sebagai berikut :
Pada awal kita menjalankan aplikasi dengan otomatis maka aplikasi
tersebut akan menampilkan tampilan utama seperti pada gambar di bawah ini :

32

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

33

Gambar 4.1 Tampilan Utama Aplikasi
Pada tampilan utama aplikasi tersebut terdapat empat tombol yaitu :
1. tombol

(load),

2. tombol

(procces),

3. tombol

(view),

4. tombol

(profile).

Tombol load berfungsi untuk menginputkan gambar pada folder komputer,
tombol procces berfugsi untuk mendeteksi gambar pedestrian, tombol view berfungsi
untuk mengcropping gambar pedestrian dan otomatis menyimpannya dalam folder
hasil pada komputer, dan pada tombol profile berfungsi untuk menampilkan biodata
dan foto pembuat aplikasi. Tampilan aplikasi ini telah disusun sedemikian rupa

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

34

dengan tujuan untuk mempermudah pengguna dalam memahami dan menggunakan
aplikasi deteksi pedestrian tersebut.
Ketika pengguna mengklik tombol load maka akan ditampilkan seperti di
bawah ini :

Gambar 4.2 Tampilan Proses Load Gambar
Gambar pedestrian sebelumnya sudah diambil dengan menggunakan kamera
digital dan kemudian disimpan dikomputer. Setelah menekan to