7/25/2019 2011-1-00314-if 2

1/26

9

BAB 2

LANDASAN TEORI

2.1 Pengertian Kecerdasan Buatan

Kecerdasan buatan (Artificial Intelligence) didefinisikan sebagai kecerdasan

yang ditunjukan oleh suatu entitas buatan. Sistem seperti ini umumnya dianggap seperti

kecerdasan pada komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu

komputer agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Sistem

kecerdasan buatan sering digunakan dalam bidang ekonomi, kedokteran, teknik dan

militer. Kecerdasan buatan bukan hanya ingin mengerti sistem kecerdasan, tapi juga

mengkonstruksinya.

Kecerdasan buatan merupakan suatu cabang dalam bidang sains yang mengkaji

tentang bagaimana melengkapi sebuah komputer dengan kemampuan atau kepintaran

seperti manusia. Sebagai contoh, bagaimana komputer bisa belajar sendiri dari

pengalaman dan data-data yang telah dikumpulkannya, bagaimana komputer mampu

berkomunikasi dan mengucapkan kata demi kata. Dengan kemampuan ini, diharapkan

komputer mampu mengambil keputusan sendiri untuk berbagai kasus yang ditemuinya.

Industri kecerdasan buatan berkembang semenjak tahun 1980-an, meskipun sudah

dimulai dari tahun 1970-an.

Evolusi kecerdasan buatan berjalan dalam dua lajur berbeda. Pertama,

menciptakan sistem komputer yang meniru proses berpikir manusia untuk

menyelesaikan permasalahan umum, misalnya program permainan catur. Kedua,

7/25/2019 2011-1-00314-if 2

2/26

10

mengkombinasikan pemikiran terbaik para ahli pada penggalan softwareyang dirancang

untuk memecahkan persoalan yang spesifik. Biasanya disebut juga dengan sistem pakar,

misalnya bagaimana dokter menentukan penyakit seorang pasien, mulai dari tanya

jawab, pemeriksaan kondisi tubuh seperti mata, tekanan darah, suhu tubuh dan

sebagainya. Langkah-langkah ini pula yang berusaha diterapkan pada komputer agar

mampu berpikir seperti pakar.

Kecerdasan diartikan sebagai suatu kemampuan untuk memperoleh pengetahuan

dan menggunakannya. Kecerdasan adalah sesuatu yang diukur oleh sebuah tes

kecerdasan. Secara garis besar, kecerdasan buatan terbagi ke dalam dua paham

pemikiran yaitu kecerdasan buatan konvensional dan kecerdasan komputasional.

Kecerdasan buatan konvensional melibatkan metode-metode yang sekarang

diklasifikasikan sebagai pembelajaran mesin, yang ditandai dengan formalisme dan

analisis statistik. Dikenal juga sebagai kecerdasan buatan simbolis, kecerdasan buatan

logis, kecerdasan buatan murni dan kecerdasan buatan cara lama.

Kecerdasan komputasional melibatkan pengembangan atau pembelajaran iteratif,

misalnya penalaran parameter dalam sistem koneksionis. Pembelajaran yang

berdasarkan pada data empiris dan diasosiasikan dengan kecerdasan buatan non-

simbolis, kecerdasan buatan yang tidak teratur.

2.1.1 Metode-metode Dalam Kecerdasan Buatan Konvensional

1. Sistem pakar

2. Pertimbangan berdasarkan kasus

7/25/2019 2011-1-00314-if 2

3/26

11

3. Jaringan Bayesian

4. Kecerdasan buatan berdasarkan tingkah laku

2.1.2 Metode-metode Dalam Kecerdasan Buatan Komputasional

1. Jaringan Syaraf: sistem dengan kemampuan pengenalan pola yang sangat kuat

Neural Network (NN), adalah suatu struktur pemroses informasi yang

terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses (yang

memiliki memori lokal dan beroperasi dengan informasi lokal) yang

diinterkoneksi bersama dengan alur sinyal searah yang disebut koneksi. Setiap

elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fan out) ke

sejumlah koneksi colateral yang diinginkan (setiap koneksi membawa sinyal

yang sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen

pemroses tersebut dapat merupakan sebarang jenis persamaan matematis yang

diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus

benar-benar dilakukan secara lokal, yaitu keluaran h anya bergantung pada n ilai

masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan

dalam memori lokal.

2. Sistem Fuzzy

Peningkatan dari logika boolean yang berhadapan dengan konsep

kebenaran. Sistem ini digunakan untuk mendapatkan suatu nilai kebenaran yang

mana prosesnya yang mentoleransi ketidakpastian dari hasil proses.

7/25/2019 2011-1-00314-if 2

4/26

12

3. Komputasi evolusioner

Algoritma genetika diimplementasikan pada penjadwalan mata kuliah

dengan memperhatikan batasan keras dan batasan lunak yang telah didefinisikan

dan mengukur kinerja algoritma terhadap parameter probabilitas persilangan,

probabilitas mutasi, jumlah individu, selective pressure, dan waktu proses. Dari

penelitian y ang dilakukan diperoleh hasil bahwa untuk memperoleh solusi y ang

baik dengan waktu yang efisien, maka harus ditetapkan kombinasi nilai-nilai

parameter genetika yang efisien.

2.1.3 Definisi Kecerdasan Buatan

1. H. A. Simon [1987] :

Kecerdasan buatan merupakan kawasan penelitian, aplikasi dan instruksi yang

terkait dengan pemrograman komputer untuk melakukan sesuatu hal y ang dalam

pandangan manusia adalah cerdas.

2. Rich and Knight [1991]:

Kecerdasan buatan merupakan sebuah studi tentang bagaimana membuat

komputer melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik oleh

manusia.

7/25/2019 2011-1-00314-if 2

5/26

13

3. Encyclopedia Britannica:

Kecerdasan buatan merupakan cabang dari ilmu komputer yang dapat

merepresentasi pengetahuan lebih banyak menggunakan bentuk simbol-simbol

dari pada bilangan, dan memproses informasi berdasarkan metode heuristic atau

dengan berdasarkan sejumlah aturan.

2.2 Sejarah Kecerdasan Buatan

Di awal abad 20, seorang penemu Spanyol, Torres y Quevedo, membuat sebuah

mesin yang dapat menskak-matraja lawannya dengan sebuah ratu dan raja.

Perkembangan secara sistematis kemudian dimulai segera setelah ditemukannya

komputer digital. Artikel ilmiah pertama tentang Kecerdasan Buatan ditulis oleh Alan

Turing pada tahun 1950, dan kelompok riset pertama dibentuk tahun 1954 di Carnegie

Mellon University oleh Allen Newell and Herbert Simon.

Namun bidang Kecerdasan Buatan baru dianggap sebagai bidang tersendiri di

konferensi Dartmouth tahun 1956, dimana 10 peneliti muda memimpikan menggunakan

komputer untuk memodelkan bagaimana cara berpikir manusia. Hipotesis mereka

adalah: Mekanisme berpikir manusia dapat secara tepat dimodelkan dan disimulasikan

pada komputer digital, dan ini menjadi landasan dasar Kecerdasan Buatan.

2.2.1 Perbandingan Kecerdasan Buatan Dengan Program Komputer

Konvensional

Program komputer konvensional prosesnya berbasis algoritma, yakni formula

matematis atau prosedur sekuensial yang mengarah kepada suatu solusi. Algoritma

7/25/2019 2011-1-00314-if 2

6/26

14

tersebut dikonversikan ke program komputer yang memberitahukan komputer secara pasti

instruksi apa yang harus dikerjakan. Algoritma yang dipakai kemudian menggunakan data

seperti angka, huruf, atau kata untuk menyelesaikan masalah.

Perangkat lunak Kecerdasan Buatan berbasis representasi serta manipulasi

simbolik. Di sini simbol tersebut berupa huruf, kata, atau angka yang mempresentasikan

obyek, proses dan hubungan keduanya. Sebuah obyek bisa merupakan seorang manusia,

benda, pikiran, konsep, kejadian, atau pernyataan suatu fakta. Dengan menggunakan

simbol, kita dapat menciptakan basis pengetahuan yang berisi fakta, konsep, dan

hubungan di antara keduanya. Kemudian beberapa proses dapat digunakan untuk

memanipulasi simbol tersebut untuk menghasilkan nasehat atau rekomendasi untuk

penyelesaian suatu masalah. Perbedaan dasar antara Kecerdasan Buatan dengan program

komputer konvensional dapat dilihat pada tabel

Tabel 2.1 Perbandingan antara AI dan Program Konvensional

Aspek AI Program Konvensional

Pemrosesan Sebagian besar simbolik Algoritmik

Input Tidak harus lengkap Harus lengkap

Pendekatan pencarian Sebagian besar heuristik Algoritma

Fokus Pengetahuan Data

Pemeliharaan & peningkatan Relat if mudah Biasanya sulit

Kemampuan berpikir secara

logis

Ada T idak ada

7/25/2019 2011-1-00314-if 2

7/26

15

2.2.2 SejarahIP Camera

IP Camera adalah pengembangan sistem CCTV yang telah ada sejak 1940-an.

Kamera CCTV pertama kali digunakan oleh militer Amerika Serikat di tahun 1940-an

untuk monitoring pengujian misil V2. Selama tahun 1960-an, CCTV digunakan di

Inggris Raya untuk memantau orang banyak di depan umum. Selama bertahun-tahun,

sistem CCTV telah mengalami berbagai perkembangan dan telah digunakan di banyak

negara untuk video pengawasan di tempat-tempat umum dan ATM. Namun hal itu tidak

sampai pada tahun 1996 yang pertamaNetwork Cameradikembangkan.

Pada tahun 1996, Axis Komunikasi mengembangkan jaringan pertama IP

Camera yang tidak seperti Camera CCTV, dapat dimonitor dan dikontrol melalui IP

Network. IP Camera ini menggunakan platform Linux. Axis juga merilis dokumentasi

untuk API tingkat rendah yang disebut VAPIX yang didasarkan pada standar terbuka

HTTP dan RTSP. Arsitektur terbuka ini dimaksudkan untuk mendorong perangkat lunak

pihak ketiga produsen untuk mengembangkan manajemen yang kompatibel dan

perangkat lunak perekaman.

Seperti masih kamera digital, resolusi kamera IP telah meningkat seiring dengan

berjalannya waktu. M egapixelIP Camerasekarang telah tersedia resolusi dari 1, 2, 3, 5

dan bahkan 11 megapixel. Sekarang ini ada banyak sekali produsen IP Camera. IP

Vendor peralatan pengawasan khusus meliputi peralatan digital imaging produsen dan

produsen besar yang aktif dalam konsumen, siaran, dan keamanan video. Kemudian pada

tahun 1998, Iqin Vision memperkenalkan model Megapixel pertama Jaringan IP

Camera. Pada tahun berikutnya, Milestone Systems meluncurkan sebuah platform

terbuka perangkat lunak untuk mengelola IP Camera video berbasis surveillance.

7/25/2019 2011-1-00314-if 2

8/26

16

Pada awal tahun 2000-an, Network kamera dengan Power over Ethernet (PoE)

dikembangkan. Teknologi PoE listrik memungkinkan untuk dapat dibawa ke dalam

kamera melalui kabel yang sama yang digunakan untuk koneksi jaringan. Itu membuat

instalasi lebih mudah dengan menghilangkan kebutuhan daya kamera outlet di lokasi.

Sebagai teknologi yang maju, beberapa jenis kamera jaringan dikembangkan, termasuk

Wireless IP Camera, PTZ Camera, JaringanDome CamerasdanNight Vision Cameras.

2.3 Bidang Aplikasi Kecerdasan Buatan

Penerapan Kecerdasan Buatan meliputi berbagai bidang seperti ditunjukan pada

bagian akar pohon AI, antara lain: Bahasa/Linguistik, Psikologi, Filsafat, Teknik

Elektro, Ilmu Komputer, dan Ilmu Managemen. Sedangkan sistem cerdas yang banyak

dikembangkan saat ini adalah:

Sistem Pakar, yaitu program konsultasi yang mencoba menirukan proses

penalaran seorang pakar/ahli dalam memecahkan masalah yang rumit. Sistem pakar

merupakan aplikasi Kecerdasan Buatan yang paling banyak.

Pemrosesan Bahasa Alami, yang memberi kemampuan pengguna komputer

untuk berkomunikasi dengan komputer dalam bahasa sehari-hari. Sehingga komunikasi

dapat dilakukan dengan cara percakapan alih-alih menggunakan perintah yang biasa

digunakan dalam bahasa komputer biasa. Bidang ini dibagi menjadi 2:

a. Pemahaman bahasa alami, yang mempelajari metode yang memungkinkan

komputer mengerti perintah yang diberikan dalam bahasa manusia biasa. Dengan

kata lain, komputer dapat memahami manusia.

7/25/2019 2011-1-00314-if 2

9/26

17

b. Pembangkitkan bahasa alami, sering disebut juga sintesa suara, yang membuat

komputer dapat membangkitkan bahasa manusia biasa sehingga manusia dapat

memahami komputer secara mudah.

Pemahaman Ucapan/Suara, adalah teknik agar komputer dapat mengenali dan

memahami bahasa ucapan. Proses ini mengijinkan seseorang berkomunikasi dengan

komputer dengan cara berbicara kepadanya. Istilah pengenalan suaramengandung arti

bahwa tujuan utamanya adalah mengenai kata yang diucapkan t anpa harus tahu artinya,

dimana bagian itu merupakan tugas pemahaman suara. Secara umum prosesnya adalah

usaha untuk menerjemahkan apa yang diucapkan seorang manusia menjadi kata-kata

atau kalimat yang dapat dimengerti oleh komputer.

Sistem Sensor dan Robotika, sistem sensor seperti sistem visi dan pencitraan,

serta sistem pengolahan sinyal, merupakan bagian dari robotika. Sebuah robot, yaitu

perangkat elektromekanik yang diprogram untuk melakukan tugas manual, tidak

semuanya merupakan bagian dari Kecerdasan Buatan. Robot yang hanya melakukan

aksi yang telah diprogramkan dikatakan sebagai robot bodoh yang tidak lebih pintar dari

lift. Robot yang cerdas biasanya mempunyai perangkat sensor, seperti kamera yang

mengumpulkan informasi mengenai operasi dan lingkungannya. Kemudian bagian AI

robot tersebut menerjemahkan informasi tadi dan merespon serta beradaptasi jika terjadi

perubahan lingkungan.

Intelligent Tutoringadalah komputer yang mengajari manusia. Belajar melalui

komputer sudah lama digunakan, namun dengan menambahkan aspek kecerdasan di

dalamnya, dapat tercipta komputer guruyang dapat mengatur teknik pengajarannya

untuk menyesuaikan dengan kebutuhan murid secara individual. Sistem ini juga

7/25/2019 2011-1-00314-if 2

10/26

18

mendukung pembelajaran bagi orang yang mempunyai kekurangan fisik atau kelemahan

belajar.

Computer visionadalah ilmu dan teknologi dari mesin untuk melihat. Computer

vision merupakan salah satu disiplin ilmu dari Artificial Intelligence yang biasa juga

disebut kecerdasan buatan, dimana Computer visionberfokus pada informasi-informasi

yang dimiliki oleh data gambar. Data gambar memiliki banyak bentuk, seperti video,

gambar dari kamera, atau data multi-dimensional scanner medis. Komputer disini

diberikan suatu perangkat lunak atau di berikan suatu ajaran dari fakta-fakta yang

didapat seolah-olah komputer memiliki indera penglihatan layaknya manusia. Salah satu

proses dari computer vision adalah image processing atau lebih dikenal pengolahan

citra.

Image Processing dikenal pada dua ilmu yaitu ilmu teknik elektro dan ilmu

computer. Image Processing adalah bentuk pemrosesan sinyal input yang berupa

gambar, seperti bingkai foto atau video, dan output dari pengolahan gambar dapat

berupa gambar atau kumpulan karakteristik atau parameter yang terkait dengan gambar.

Sering kali image processing melibatkan memperlakukan gambar sebagai sinyal dua

dimensi dan menerapkan standar signal processing teknik untuk itu. Image processing

biasan menggunakan gambar digital, n amun t idak menutup kemungkinan bahwa image

processingdapat dilakukan dengan gambar analog maupun optik juga.

7/25/2019 2011-1-00314-if 2

11/26

19

Proses-Proses DalamImage Processing

Euclidean geometry Transformation, meliputi pembesaran citra, pengurangan

citra, dan rotasi citra.

Color Corrections, meliputi pengaturan kontras, dan kecerahan citra

Digital Compositing, meliputi penggabungan antara 2 gambar atau lebih.

Proses ini biasa digunakan dalam proses pembuatan film untuk membuat

Mattes.

Interpolationdengan menggunakan Bayer Filter Pattern. Bayer Filter Pattern

digunakan untuk menyusun ulang persentase komposisi pewarnaan RGB .

Image Registration, meliputi kesesuaian antara dua gambar atau lebih.

Image Differencing, meliputi morphing.

Image Recognition, misalnya mengambil teks dari gambar dengan

menggunakan optical character recognition.

Image Segmentation, mengacu pada proses partisi gambar digital menjadi

beberapa segmen.

High Dynamic range Imaging, dengan menggunakan teknik penggabungan

dua atau beberapa gambar.

Geometric hashing, digunakan untuk pengenalan object atau gambar 2

dimensi yang memiliki affine invariance.

7/25/2019 2011-1-00314-if 2

12/26

20

2.4 Pengolahan Citra

Computer Vision sering didefinisikan sebagai salah satu cabang ilmu

pengetahuan yang mempelajari bagaimana komputer dapat mengenali obyek yang

diamati/diobservasi. Cabang ilmu ini bersama Kecerdasan Buatan (Artificial

Intelligence) akan mampu menghasilkan sistem intelijen visual (Visual Intelligence

System). Pengolahan Citra (Image Processing) merupakan bidang yang berhubungan

dengan proses transformasi citra/gambar (image). Proses ini bertujuan untuk

mendapatkan kualitas citra yang lebih baik. Sedangkan Pengenalan Pola (Pattern

Recognition), bidang ini berhubungan dengan proses identifikasi obyek pada citra atau

interpretasi citra. Proses ini bertujuan untuk mengekstrak informasi/pesan yang

disampaikan oleh gambar/citra.

Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua

dimensi yang kontinu menjadi gambar diskrit melalui proses sampling. Gambar analog

dibagi menjadi N baris dan M kolom sehingga menjadi gambar diskrit. Persilangan

antara baris dan kolom tertentu disebut dengan pixel. Pengolahan citra adalah salah satu

cabang dari ilmu informatika. Pengolahan citra merupakan usaha untuk melakukan

transformasi suatu citra / gambar menjadi citra lain dengan menggunakan teknik

tertentu.

2.4.1 Pengenalan Pola (Pattern Recognition) :

7/25/2019 2011-1-00314-if 2

13/26

21

Bidang ini berhubungan dengan proses identifikasi obyek pada citra atau

interpretasi citra. Proses ini bertujuan untuk mengekstrak informasi/pesan yang

disampaikan oleh gambar/citra.

Computer Vision System (CVS) diharapkan memiliki kemampuan tingkat tinggi

sebagaimanaHumanVisualSystem(HVS)

Objectdetection.

Recognition memberikan label pada objek

Description menset properti pada objek

3Dinference mengubah menjadi 3D scene dari 2D scene.

Interpretingmotion menerjemahkan pergerakan.

Perbandingan antara Human Vision dan Computer Vision

Human Vision:

Eye

Retina

7/25/2019 2011-1-00314-if 2

14/26

22

Gambar 2.1 Organization in layers.

Color Vision

Vision of depth

Computer Vision:

Pinhole camera

CCD array

7/25/2019 2011-1-00314-if 2

15/26

23

Gambar 2.2 Compactionof information

RGB Device

Geometric stereoscopy

2.4.1.2 Kelas Operasi Pada Computer Vision

Image to Image : Noise removal, Image Enhancement (Low Level Processing)

ImagetoSymbolic: Kumpulan garis/vektor yang merepresentasikan batas sebuah obyek

pada citra (IntermediateProcessing)

SymbolictoSymbolic: Representasi simbolik batas-batas obyek menghasilkan nama

obyek tersebut (HighLevelProcessing)

2.4.1.3 Pertimbangan dalam Perancangan Computer Vision

Informasi apa yang ingin diperoleh dan bagaimana informasi tersebut di

manifestasikan dalam citra. Perlu ditentukan hubungan antara physical entities dan

karakteristik instrinsiknya, misal rumah dapat dibedakan dengan pohon karena rumah

memiliki garis lurus sebagai sifat intrinsiknya atau laut dapat dibedakan dari obyek

lainnya karena laut memiliki tampilan yang sama.

7/25/2019 2011-1-00314-if 2

16/26

24

Knowledge/pengetahuan apa yang diperlukan untuk memperoleh (recover)

informasi. Untuk menentukan hubungan antara intensitas pixel dan sifat-sifat citra

diperlukan model misal :

Scene model : jenis features, textures, smoothness.

Illuminationmodel : posisi dan karakteristik sumber cahaya serta sifat-

sifat reflektansi permukaan obyek

Sensor model : posisi dan kinerja optik dari kamera yang digunakan,

noisedan distorsi pada proses dijitasi

Kecepatan pemrosesan dan representasi knowledge . Perlu diantisipasi adanya

persyaratan realtimeprocessingmisalnya pada proses go-no go quality inspection. Di

samping itu, mengkode pengetahuan (knowledgeencoding) kedalam bentuk yang tepat

guna dan mudah dimengerti merupakan hal penting lainnya dalam pertimbangan

perancangan sistem vision.

2.4.2 Threshold

Thresholding adalah metode sederhana untuk segmentasi citra. Dari gambar

grayscale, thresholding dapat dilakukan untuk membuat gambar biner (Shapiro,

dkk.2001). Selama proses thresholding, setiap pixeldalam foto ditandai sebagai objek

pixel jika nilai mereka adalah lebih besar dibandingkan nilai ambang (asumsi obyek

menjadi lebih terang daripada latar belakang) dan sebagai latar belakang pixel lain.

Thresholdmempunyai dua variabel nilai yang dapat menentukan hasil threshold. Satu

7/25/2019 2011-1-00314-if 2

17/26

25

image biner diciptakan oleh warna masing-masing titik memutihi atau hitam, bergantun g

kepada satu labelnya titik (nilai thresholdnya).

Threshold sering disebut dengan adaptive thresholding dipergunakan untuk

daerahberbeda pada image. Ini juga boleh dikenal sebagai lokal atau threshold dinamis

(Shapiro, et al. 2001). Parameter proses threshold yaitu memilih nilai threshold.

Beberapa cara yang dapat dipilih untuk threshold, pengguna dapat secara manual

memilih satu nilai threshold, atau satu algoritma thresholdyang dapat menghitung satu

nilai secara otomatis, yang dikenal sebagai automatic thresholding.

2.4.3 Chain Code

Gambar garis adalah sebuah citra yang berupa garis atau segment-segment kurva

yang terhubung atau tidak terhubung. Freeman menemukan metode yang dinamakan

chain code untuk mempresentasikan gambar garis. Kode rantai sering digunakan untuk

mendeskripsikan/mengkodekan bentuk (countour) suatu obyek.

Gambar 2.3 Kode Arah Rantai

7/25/2019 2011-1-00314-if 2

18/26

26

2.4.4 Grayscale

Grayscale adalah derajat keabuan dari suatu citra. Penggunaan citra grayscale

membutuhkan sedikit informasi yang diberikan pada tiap pixel dibandingkan dengan

citra sehingga lebih memudahkan pemrosesan data dalam image processing. Proses awal

yang banyak dilakukan untuk menyederhanakan model citra. Citra berwarna terdiri dari

3 layer matrik yaitu R-layer, G-layer, dan B-layer. Sehingga untuk melakukan proses-

proses selanjutny a tetap diperhatikan tiga layer diatas. Bila setiap proses perhitungan

dilakukan menggunakan tiga layer, berarti dilakukan tiga perhitungan yang sama.

Sehingga konsep itu diubah dengan mengubah 3 layer di atas menjadi 1 layer matrik

grayscaledan hasilnya adalah citra grayscale. Dalam citra ini tidak ada lagi warna, yang

ada derajat keabuan. Untuk mengubah citra berwarna yang mempunyai nilai matrik

masing-masing r,g, dan b menjadi citra grayscaledengan nilai s, maka konversi dapat

dilakukan dengan mengambil rata-rata dari nialai r, g, dan b sehingga dapat dituliskan

menjadi :

s = (r + g + b)/3 Pers (2-6)

7/25/2019 2011-1-00314-if 2

19/26

27

Gambar 2.4 RGB Image

Dalam hal cahaya dikirimkan (misalnya, gambar pada layar komputer), t ingkat

kecerahan yang merah (R), hijau (G), dan biru (B) komponen yang masing-masing

diwakili sebagai angka desimal dari O sampai 255, atau biner 00000000 11111111.

Untuk setiap pixel di merah - hijau biru (RGB) gambar grayscale, R = G = B.

Keringanan dari abu-abu adalah proporsional secara langsung ke nomor yang mewakili

tingkat kecerahan warna utama. Hitam yang diwakili oleh R=G=B=0 atau R=G=B=

00000000, dan putih yang diwakili oleh R=G=B=255 atau R=G=B=11111111.

Karena terdapat 8 bits dalam biner perwakilan dari tingkat abu-abu, imaging

metode ini disebut 8-bit grayscale. Dalam hal cahaya pantulan (misalnya, dalam cetak

foto), maka tingkat Cyan (C), Magenta(M), dan Yellow (Y) untuk setiap pixel dalam

Cyan-Magenta-Yellow (CMY) grayscale gambar, semua tiga pigmen utam yang hadir

dalam jumlah yang sama. Maksudnya, C=M=Y. Keringanan dari abu-abu adalah

inversely proporsional ke nomor mewakili jumlah setiap pigmen. Putih adalah justru

diwakili oleh C=M=Y=0 , dan hitam yang diwakili oleh C=M =Y=100.

Greyscale atau Grayscale secara lebih khusus adalah sebuah teknik yang

digunakan dalam pengolahan citra untuk menghasilkan sebuah citra yang memiliki nilai

dari putih yang memiliki intensitas paling besar sampai hitam yang memiliki intensitas

paling rendah seperti yang terlihat pada gambar 2.5 dibawah ini.

Gambar 2.5 Intensitas Warna Grayscale

7/25/2019 2011-1-00314-if 2

20/26

28

Gambar 2.5 menunjukan contoh skala yang digunakan pada grayscale.

Grayscalesering sekali dipergunakan untuk menghitung intensitas cahaya pada sebuah

gambar berwarna. Greyscale memiliki 256 intensitas pada gambar 8-bit yang dimulai

dari 0 (hitam) sampai 255 (putih).

2.4.5 Canny Edge Detection

Deteksi tepi (Edge Detection) pada suatu citra adalah suatu proses yang

menghasilkan tepi-tepi dari obyek-obyek citra, tujuannya adalah:

- Untuk menandai bagian yang menjadi citra yang detail.

- Untuk memperbaiki detail dari citra yang kabur, yang terjadi karena error

atau adanya efek dari proses akuisisi citra.

Pendeteksian sisi merupakan hal penting dalam pemrosesan citra, diamana sisi

pada suatu citra merupakan area dengan beda intensitas pixel yang sama denganpixel

lainnya. Pendeteksian sisi pada suatu citra secara signifikan mengurangi jumlahpixel

dari citra dan menyaring informasi pada citra yang tidak terpakai. Kriteria pada Canny

Edge Detectionyaitu:

- Error yang rendah

- Titik-titik pada sisi ditempatkan secara baik

Langkah-langkah dalam melakukan Canny Edge Detectionyaitu:

1. Smooting pada citra dengan menggunakanfilter Gaussian.

2. Mencari magnitude dari gradien-gradien pada citra dan memberikan

tanda pada region yang mempunyai beda intensitas yang besar.

7/25/2019 2011-1-00314-if 2

21/26

29

3. Melakukan penyusuran pada region tersebut dan menurunkan nilai pixel

yang tidak maximum tersebut menjadi 0 (Nol Maximum Suppression).

4. Melakukan pengurangan pada array gradien dengan menggunakan

histeresis.

1. Smooting denganFil ter Gaussian

Dalam melakukan Canny edge detection ada beberapa langkah yang harus

dilakukan. Langkah pertama yang harus dilakukan adalah melakukan smooting pada

citra dengan menggunakanfilter Gaussian, yang berfungsi untuk menghilangkan noise

pada citra sebelum dilakukan edge detection. Pengguanaan filter Gaussian untuk

melakukan smooting dikarenakan filter Gaussian ini terdiri dari mask sederhana.

Smooting menggunakan filter Gaussian ini dapat dilakukan dengan cara melakukan

konvolusi yaitu menjalankan mask pada citra. Semakin besar mask gaussian maka

semakin tidak sensitif terhadap noise.

Gambar 2.6 Gaussian Mask 5x5 dengan= 1,4

2. Mencari magnitude dari gradien yang di dapat menggunakan operator Sobel

7/25/2019 2011-1-00314-if 2

22/26

30

Setelah melakukan proses smooting dan mengeliminasi noiseyang ada pada citra

tersebut. Pencarian gradien dilakukan dengan cara melakukan konvolusi pada citra, yaitu

dengan melakukan mask dari sobel dalam 2 arah yaitu arah x dan arah y.

-1 0 +1

-2 0 +2

-1 0 +1

Gambar 2.7 Operator Sobel arah x (kiri) dan Operator Sobel arah y (kanan)

3. Mencari edge direction

Pencarian arah dari suatu edge sangat penting setelah gradien dari arah x dan y

didapatkan.

4. Melakukan normalisasi dari edge direction

Edge direction yang digunakan dalam penelitian ini ada 4 yaitu 0 derajat, 45

derajat, 90 derajat, dan 135 derajat.

Gambar 2.8 Edge Direction

5. Melakukan proses non-maximum suppression ( Thinning )

-1 -2 -1

0 0 0

+1 +2 +1

7/25/2019 2011-1-00314-if 2

23/26

31

Setelah proses normalisasi dari edge direction selesai, kemudian dilakukan

proses non-maximum suppresion. Proses non-maximum suppresion adalah pixel, jika

nilainya t idak maximum. Penurunan nilaipixelnya menjadi 0.

Thinning adalah operasi morfologi yang digunakan untuk menghapus pixel

foreground yang terpilih dari gambar biner,biasanya digunakan untuk mencari tulang

dari suatu objek

Gambar 2.9

Contoh skeletonization oleh morfologi thinning bentuk biner sederhana

6. Melakukan pengurangan pada array gradien dengan menggunakan histeresis.

Proses histeresis digunakan untuk mengeliminasi garis-garis tebal (streaking).

Proses ini berguna untuk melakukan thinning pada citra, sehingga lebar tepi menjadi 1

pixelsaja. Pada proses hysteresis ini ada dua buah nilai thresholdyaitu T1 (Threshold

nilai rendah) dan T2 (Threshold nilai tinggi).

Jika nilaipixel< T1 maka nilaipixelakan diset menjadi 0.

Jika nialipixel> T2 maka nilaipixelakan diset menjadi 255.

Jika nilaipixel> T1 atau < T2 maka nilaipixelakan diset menjadi 0.

2.4.6Flood Fill

7/25/2019 2011-1-00314-if 2

24/26

32

Flood Fill adalah Fungsi yang sangat berguna dan sering digunakan untuk

menandai atau mengisolasi bagian dari suatu gambar untuk diproses lebih lanjut atau

dianalisis. Flood Fill juga dapat digunakan untuk turunan dari sebuah gambar yang

diolah. Bagian gambar yang ditandai, Selanjutnya akan digunakan untuk mempercepat

atau membatasi pengolahan hanya pada pixel yang ditunjukan oleh bagian gambar yang

ditandai. Fungsi cvFloodFill sendiri mengambil sebuah bagian gambar yang ditandai

lebih digunakan untuk mengontrol dimana bagian yang sudah terisi atau ditandai.

Seperti ditunjukkan pada gambar dibawah ini.

Gambar 2.10 Flood Fill

2.5 Socket Programming

Gambar 2.11 Socket Programming

Socketadalah sebuah cara untuk berkomunikasi dengan program atau node lain

menggunakan file deskriptor. Di UNIX (dimana socket diciptakan) sering terdengar

7/25/2019 2011-1-00314-if 2

25/26

33

slogan: everything is a file, jadi untuk berkomunikasi dengan program atau node lain

semudah kita membaca dan menulis file deskriptor. Antarmuka socket dan file adalah

mirip, jika pada file sistem membukanya dengan open() sedangkan pada socket ini

menggunakan socket(). Pada file deskriptor yang menjadi tujuan adalah sebuah file,

sedangkan pada socket adalah komputer atau node lain. Intinya ketika telah terhubung

dengan socket(), maka antarmukanya sama saja dengan sebuah file. Sebuah abstraksi

perangkat lunak yang digunakan sebagai suatu terminal dari suatu hubungan antara

dua mesin atau proses yang saling berinterkoneksi

Penggunaan socket programming memungkinkan adanya komunikasi antara

clientdan server. Salah satu contoh sederhana penggunaan socket programming adalah

pembuatan program untuk chatting. Program tersebut sebenarnya merupakan bentuk

aplikasi berupa komunikasi antara client dan server. Ketika seorang user(client)

melakukan koneksi ke chat server,program akan membuka koneksi ke port yang

diberikan, sehingga server perlu membuka socket pada port tersebut dan

mendengarkan koneksi yang datang. Socketsendiri merupakan gabungan antara host-

address dan port address. Dalam hal ini socket digunakan untuk komunikasi antara

clientdan server.

Socket merupakan fasilitas IPC (Inter Proses Communication) untuk aplikasi

jaringan. Agar suatu socket dapat berkomunikasi dengan socketlainnyanya, maka socket

butuh diberi suatu a lamat unik sebagai identifikasi. Alamat socket terdiri atas Alamat IP

dan Nomer Port. Contoh alamat socketadalah 192.168.29.30: 3000, dimana nomer 3000

adalah nomer portnya. Alamat IP dapat menggunakan alamat Jaringan Lokal (LAN)

7/25/2019 2011-1-00314-if 2

26/26

34

maupun alamat internet. Jadi socket dapat digunakan untuk IPC pada LAN maupun

Internet.