KATA PENGANTAR

Rasa syukur yang dalam kami sampaikan ke hadiran Tuhan Yang Maha Pemurah, karena berkat kemurahanNya makalah ini dapat kami selesaikan sesuai yang diharapkan.Dalam makalah ini kami membahas “Computer Vision” yang merupakan salah satu bagian dari kecerdasan buatan. Computer vision merupakan proses otomatis yang mengintegrasikan sejumlah besar proses untuk persepsi visual, seperti akuisisi citra, pengolahan citra, pengenalan dan membuat keputusan. Computer vision mencoba meniru cara kerja sistem visual manusia (human vision) yang sesungguhnya sangat kompleks. Untuk itu, computer vision diharapkan memiliki kemmpuan tingkat tinggi sebagaiman human visual. Serta kesempatan dari dosen pembimbing mata kuliah Kecerdasan Buatan.Makalah ini dibuat dalam rangka tugas kelompok yang diberikan.

Demikian makalah ini saya buat semoga bermanfaat,

Padang, 20 Mei 2011

penulis

yang susunan dari OCR dapat mengenali kalimat dari dokumen yang telah dicetak. Kecerdasan buatan yang lainnya adalah gambar computer. Kita hanya perlu untuk mengucapkan perintah secara lisan kepada computer untuk melakukan suatu program. Kecerdasan buatan yang dibangun mempunyai beberapa komponen yang saling berhubungan untuk membangun sistem yaitu basis pengetahuan. Inti dari sistem ahli ini adalah pengetahuan yang berasal dari pengalaman manusia. Kecerdasan buatan lain yang memudahkan interaksi kita dengan computer adalah kemampuan untuk mengenali cara berbicara atau kata-kata yang digunakan oleh manusia. dengan menggunakan mesin inferensi. Komputer juga sekarang telah dilengkapi dengan sistem ahli. Apabila dulu kita harus mempelajari perintah-perintah tertentu untuk berkomunikasi dengan komputer. kamera dan computer merupakan alat yang memiliki fungsi yang sama seperti fungsi mata dan otak manusia. daripada dengan cara biasa yaitu dengan mengetiknya. pabrik. sehingga kita dapat lebih mudah untuk berkomunikasi dengan komputer. Sumber penambahan informasi dapat mencakup buku dan dokumen lain. Gambar computer diartikan sebagai sebuah gambar yang diambil dengan menggunakan kamera yang kemudian diolah di computer (image analysis).BAB I PENDAHULUAN Kecerdasan buatan adalah kemampuan komputer untuk berpikir dengan intelegensia. mesin inferensi. sekarang ini kita sudah tidak perlu lagi untuk mempelajarinya. sehingga dihasilkan suatu solusi. Kemampuan komputer memproses bahasa dasar adalah salah satu contoh dari kecerdasan buatan. antarmuka pemakai. Ini tercapai dengan mempelajari bagaimana manusia mengingat dan berpikir ketika sedang mengambil keputusan dan memecahkan masalah. Hal ini dikarenakan komputer sekarang sudah dilengkapi dengan kemampuan untuk memahami bahasa kita. dan nantinya computer juga akan balik menjawab perintah tersebut Kemampuan ini juga dapat dihubungkan dengan computer vision. Dalam hal ini. dan bidang-bidang lain. Persoalan yang dipecahkan dalam sistem ini adalah bagaimana cara menyusun aturan yang terdiri atas beberapa premis dan konklusi dari fakta-fakta yang tersedia. sehingga computer dapat membantu dalam bidang medis. yang merupakan penasihat dasar dari sebuah computer. sebagai contoh sebuah sistem pengenal karakter optikal (OCR). Bagian dari artificial intelligent ini adalah computer vision yang dapat menganalisis dan mengolah pencitraan visual dengan .

Berdasarkan analisis dan intepretasi yang dilakukan oleh sistem ini. Jadi bisa jadi kecerdasan buatan itu merupakan suatu ancaman. sistem Computer Vision memudahkan manusia untuk melihat visualisasi atau gambar atas suatu hal yang sulit dijangkau. Pada intinya. Walau pun menyadari bahwa kecerdasan buatan bisa jadi adalah suatu ancaman untuk manusia. Seperti halnya mengamati meteor yang beredar di sekitar bumi. . gambaranya dapat dilihat melalui sistem ini. yang dapat berpikir seperti manusia. karena mesin nantinya akan memiliki kecerdasan dan emosi. Karena kecerdasan buatan itu sesuatu yang diciptakan oleh manusia. Hal ini terjadi karena adanya ketidakpuasan dalam diri manusia. manusia ingin mendapatkan sesuatu dengan cara yang lebih mudah. Implementasi dari computer vision ini memberikan banyak manfaat bagi manusia di berbagai bidang.menggunakan computer. Dan gambar tersebut dapat dilihat melalui komputer untuk dianalisa. apakah akan menabrak bumi atau tidak. Contoh penggunaanya adalah pada dunia astronomi. Walaupun terasa sangat futuristik dan terlihat berbahaya. untuk menggantikan manusia yang tentunya bermanfaat bagi manusia. Selain OCR dan image analysis. Misalnya untuk melihat permukaan di planet Mars. para pakar AI menganggap pengembangan disiplin ilmu ini penting karena bisa diterapkan di Internet nantinya. ada begitu banyak implementasi dari computer vision ini seperti image recognition. tapi manusia masih saja mengembangkan apa yang disebut dengan kecerdasan buatan. Manusia masih saja mencoba mengembangkan/mendapatkan sesuatu (teknologi) yang baru. eye recognition maupun face recognition. komputer dapat mengidentifikasi dan menghindari bahaya secara otomatis.

Pengertian Komputer Vision Computer vision merupakan proses otomatis yang mengintegrasikan sejumlah besar proses untuk persepsi visual. sedangkan pengenalan pola merupakan proses menginterpretasikan citra. dimana batasanbatasannya. Computer Vision adalah kombinasi antara Pengolahan Citra dan Pengenalan Pola yang hubungan antara ketiganya dapat dilihat pada gambar 1. 3D Inference → Menafsirkan adegan 3D dari 2D yang dilihat. computer vision diharapkan memiliki kemmpuan tingkat tinggi sebagaiman human visual. Computer Vision sering didefinisikan sebagai salah satu cabang ilmu pengetahuan yang • • • • mempelajari bagaimana komputer dapat mengenali obyek yang diamati/ diobservasi.. Interpreting motion → Menafsirkan gerakan. Description → Menugaskan properti kepada objek.BAB II ISI MAKALAH A. Cabang ilmu ini bersama intelijensia semu (Artificial Intelligence) akan mampu menghasilkan sistem intelijen visual (Visual Intelligence System). pengolahan citra. seperti akuisisi citra. Kemampuan itu diantaranya adalah: • Object detection → Apakah sebuah objek ada pada scene? Jika begiru. pengenalan dan membuat keputusan. Untuk itu. B. maka terdapat beberapa fungsi pendukung ke dalam sistem ini. antara lain : • Proses penangkapan citra/gambar (image acquisition) . Proses dalam Computer Vision Untuk menunjang tugas computer vision.? Recognation → Menempatkan label pada objek. Computer vision mencoba meniru cara kerja sistem visual manusia (human vision) yang sesungguhnya sangat kompleks. Pengolahan citra merupakan proses awal dari computer vision.

• • • . Image Processing • Tahapan berikutnya computer vision akan melibatkan sejumlah manipulasi utama (initial manipulation) dari data binary tersebut.• • • Proses pengolahan citra (image processing) Analisa data citra (image analysis) Proses pemahaman data citra (image understanding) Proses-proses dalam Computer Vision : 1. Image Acqusition • Keluaran dari kamera adalah berupa sinyal analog. dimana frekuensi dan amplitudonya (frekuensi berhubungan dengan jumlah sinyal dalam satu detik. Tiap‐tiap garis membuat sebuah sinyal analog yang amplitudonya menjelaskan perubahan brightness sepanjang garis sinyal tersebut. maka sebuah analog‐to‐digital converter (ADC). • Kamera mengamati sebuah kejadian pada satu jalur dalam satu waktu. sedangkan amplitude berkaitan dengan tingginya sinyal listrik yang dihasilkan) merepresentasikan detail ketajaman (brightness) pada scene. Karena komputer tidak bekerja dengan sinyal analog. Image processing membantu peningkatan dan perbaikan kualitas image. dibutuhkan untuk memproses semua sinyal tersebut oleh komputer. Bilangan biner ini kemudian disimpan di dalam memori dan akan menjadi data raw yang akan diproses. ADC ini akan mengubah sinyal analog yang direpresentasikan dalam bentuk informasi sinyal tunggal ke dalam sebuah aliran (stream) sejumlah bilangan biner. Sinyal‐sinyal tersebut adalah informasi yang akan merepresentasikan objek yang ada dalam image. memindainya dan membaginya menjadi ratusan garis horizontal yang sama. • • • • • 2. Image processing akan meningkatkan perbandingan sinyal terhadap noise (signal‐ to‐noise ratio = s/n). sehingga dapat dianalisa dan di olah lebih jauh secara lebih efisien.

process control 4. Metoda ini menggunakan program pencarian (search program)dan teknik penyesuaian pola (pattern matching techniques). • • 4. Image Analysis • Image analysis akan mengeksplorasi scene ke dalam bentuk karateristik utama dari objek melalui suatu proses investigasi. Pada bagian ini akan melibatkan kajian tentang teknik-teknik artificial intelligent. Sebuah program komputer akan mulai melihat melalui bilangan biner yang merepresentasikan informasi visual untuk mengidentifikasi fitur‐fitur spesifik dan karekteristiknya. yang mana sprsifik objek dan hubungannya di identifikasi. Sebuah tepian (edge) terbentuk antara objek dan latar belakangnya atau antara dua objek yang spesifik. Medical Image Analysis – measurement and interpretation of many types of images 3. Beberapa aplikasi yang dihasilkan dari Computer Vision antara lain : • • • 1. Image Understanding • Ini adalah langkah terakhir dalam proses computer vision. Optical Character Recognition – text reading 5. yang terjadi pada sebuah objek. Robotic – navigation and control 2. fault checking. 3. • • Lebih khusus lagi program image analysis digunakan untuk mencari tepi dan batas‐ batasan objek dalam image.• Sedangkan noise adalah segala bentuk interferensi. Understanding berkaitan dengn template matching yang ada dalam sebuah scene. Tepi ini akan terdeteksi sebagai akibat dari perbedaan level brightness pada sisi yang berbeda dengan salah satu batasnya. Remote Sensing – land use and environmental monitoring 6. Psychology. AI – exploring representation and computation in natural vision . Industrial Inspection – measurement. kekurang pengaburan.

Untuk mendukung tugas dari computer vision.Gambar1. yaitu: • • • • Proses penangkapan citra/gambar (image acquisition) Proses pengolahan citra (image processing) Analisa data citra (image analysis) Proses pemahaman data citra (image understanding) C. Proses ini bertujuan untuk mengekstrak informasi/pesan yang disampaikan oleh gambar/citra. Proses ini bertujuan untuk mendapatkan kualitas citra yang lebih baik. dan Pengenalan Pola Pengolahan Citra (Image Processing) merupakan bidang yang berhubungan dengan proses transformasi citra/gambar (image). Pengolahan Citra. Hubungan Antara Computer Vision. Sedangkan Pengenalan Pola (Pattern Recognition) berhubungan dengan proses identifikasi obyek pada citra atau interpretasi citra. akan ada beberapa fungsi pendukung yang ditambahkan ke dalam sistem ini. Hirarki Pada Computer Vision .

b. Pengetahuan apa yang diperlukan untuk memperoleh informasi. Pengolahan Tingkat Menengah (Image to dimbolic) → Kumpulan garis / vektor yang merepresentasikan batas sebuah obyek pada citra. . ♦ Illumination model: posisi dan karakteristik sumber cahaya serta sifat-sifat reflektansi permukaan obyek .Gambar2. dan peningkatan gambar (enchament image).batas obyek menghasilkan nama obyek tersebut. misalnya adalah: ♦ Scene model: jenis features. Pertimbangan dan perancangan tersebut dapat dilakukan dalam 3 tahap. yaitu: a. Untuk menentukan hubungan antara intensitas piksel dan sifat-sifat citra diperlukan suatu model. yaitu: • Pengolahan Tingkat Rendah (Image to image) → Menghilangkan noise. Pengolah Tingkat Tinggi (Simbolic to simbolic) → Representasi simbolik batas. Informasi apa yang ingin diperoleh dan bagaimana informasi tersebut dimanifestasikan ke dalam citra. smoothness. • • Sebelum membuat aplikasi computer vision. Proses Pada Computer Vision Hirarki pada computer vision ada 3 tahap. maka perlu dibuat pertimbangan dan perancangannya. textures.

3. pengenalan pola) ditunjukkan pada Gambar 1. citra burung nuri pada Gambar 1. Di dalam bidang komputer. 2.♦ Sensor model: posisi dan kinerja optik dari kamera yang digunakan. 2. menjadi citra yang kualitasnya lebih baik. Kecepatan pemrosesan dan representasi pengetahuan. sebagian citra perlu digabung dengan bagian citra yang lain. Hubungan antara ketiga bidang (grafika komputer. Pengenalan Pola (pattern recognition/image interpretation). Umumnya. lalu dengan operasi pengolahan citra kontrasnya diperbaiki sehingga menjadi lebih terang dan tajam (b). yaitu: 1. khususnya dengan menggunakan komputer. Pengolahan Citra (image processing). dicocokkan. atau diukur. elemen di dalam citra perlu dikelompokkan.2 (a) tampak agak gelap. operasi-operasi pada pengolahan citra diterapkan pada citra bila [JAI89]: 1. pengolahan citra. Computer Vision dan Hubungannya dengan Pengolahan Citra Pengolahan citra adalah pemrosesan citra. . c. Grafika Komputer (computer graphics). noise dan distorsi pada proses dijitasi . Sebagai contoh.3. namun tujuan ketiganya berbeda. perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra. D. 3. sebenarnya ada tiga bidang studi yang berkaitan dengan data citra.

sedangkan computer vision mengoraknya (analisis). Bidang militer (a) Mengenali sasaran peluru kendali mela lui sensor visual. 2. Bidang perdagangan (a) Pembacaan kode barang (bar code) yang tertera pada barang (umum digunakan di pasar swalayan/supermarket). Jika dihubungkan dengan grafika komputer. 3. Pada masa awal kedua bidang ini. tidak ada hubungan antara keduanya. Computer vision menggunakan representasi kurva dan permukaan dan beberapa teknik lain dari grafika komputer. sedangkan grafika komputer menggunakan teknik -teknik di dalam computer vision untuk memuat citra realistik (virtual reality) [JAI95].Pengolahan citra merupakan proses awal (preprocessing) pada computer vision. Di bawah ini disebutkan beberapa aplikasi dalam beberapa bidang [MEN89]. Grafika komputer membentuk (sintesis) citra. Teknik-teknik di dalam pengenalan pola memainkan peranan penting dalam computer vision untuk mengenali objek. 1. Bidang kedokteran . tetapi beberapa tahun belakangan kedua bidang tersebut berkembang semakin dekat. (b) Mengidentifikasi jenis pesawat musuh. sedangkan pengenalan pola merupakan proses untuk menginterpretasi citra. Pengolahan citra mempunyai aplikasi yang sangat luas dalam berbagai bidang kehidupan. (b) Mengenali huruf/angka pada suatu formulir secara otomatis. maka computer vision merupakan kebalikannya.

yaitu: . 6. Geologi Mengenali jenis batu-batuan melalui foto udara/LANDSAT 10. Aplikasi pada visi komputer mencakup berbagai macam sistem. (d) Rekonstruksi foto janin hasil USG 4. Komunikasi data Pemanfaatan citra yang ditransmisi. Hiburan Pemaanfaatan video (MPEG) 7. visi komputer berusaha untuk menerapkan teori dan model untuk pembangunan sistem visi komputer. Bidang biologi Pengenalan jenis kromosom melalui gambar mikroskopik 5. Aplikasi Computer Vision Sebagai teknologi disiplin. Hukum (a) Pengenalan sidik jari (b) Pengenalan foto narapidana. Robotika Visualy-guided autonomous navigation 8. Pemetaan Klasifikasi penggunaan tanah melalui foto udara/LANDSAT 9. 4.(a) Pengolahan citra sinar X untuk mammografi (deteksi kanker payudara) (b) NMR (Nuclear Magnetic Resonance) (c) Mendeteksi kelainan tubuh dari foto sinar X.

Hasil Proses Computer Vision Pada Shape Recovery Dan Cell Segementation Kategori software pendukung : 1. pengenalan obyek. 7. 10.1. belajar. texture. pengindeksan. display tools 4. untuk pengindeksan database foto dan gambar urutan). 3. Gambar3. 5. Mendeteksi peristiwa (misalnya. pattern recognition. mathematical toolkits. gerak estimasi. pelacakan video. 6. analisis gambar medis / topografis). 8. acara deteksi. Mengorganisir informasi (misalnya. 2. 4. features 5. Interaksi (misalnya. 2. sebagai input ke perangkat untuk interaksi manusia komputer). ocr . synthetic data generators. stereo. 6. industri inspeksi. Pengendalian proses (misalnya. sebuah robot industri atau kendaraan otonom). untuk pengawasan visual atau orang menghitung). contours 3. 9. 3D. Sub-domain visi komputer meliputi adegan rekonstruksi. Modeling benda atau lingkungan (misalnya. dan gambar restorasi.

Password yang sederhana mungkin mudah ditebak oleh para pengguna yang tidak berwenang. 5.11. tracking. sehingga sistem hanya dapat digunakan oleh individu tertentu yang sah. maka para ilmuwan pada saat ini menawarkan suatu metode yang lebih terjamin di dalam memberikan keamanan di dalam mengakses suatu sistem. password (suatu keamanan berbasis knowledge) dan kartu ID (suatu keamanan berbasis token) biasanya digunakan untuk membatasi akses terhadap suatu sistem.Contoh Penerapan Computer Vision 5. 12. toolkits. metode tersebut diistilahkan metode biometriks. sementara password yang rumit akan mengalami kesulitan bagi individu yang sah di dalam mengingat kode–kode yang dibuat oleh dirinya sendiri. Bagaimanapun. Biometriks dapat dikatakan sebagai suatu sistem . 13.1 Biometriks Secara tradisional. keamanan sistem dapat secara mudah diterobos ketika password dari sistem tersebut telah diketahui oleh pihak – pihak yang tidak berwenang atau kartu ID dapat diakses juga jika kartu tersebut dicuri oleh pengguna–pengguna yang tidak sah. misc. Untuk mengatasi gangguan–gangguan verfikasi sistem secara tradisional.

palmprint. hand. atau “what you remember” seperti pada sistem yang menggunakan password. voiceprint. ModulSensor yang bertugas menangkap (capture) data . BIOMETRIKS 3 Gambar 1. . hand vein. memiliki empat modul utama : 1. signature. iris. face. retina.geometry. Sistem biometriks telah membentuk suatu identitas personal dengan menggunakan sidik jari. Dengan memanfaatkan biometriks kita dapat membangun suatu keamanan dari suatu identitas yang berbasiskan “who you are” bukan “what you posses” seperti keamanan sistem tradisional yang sering melekat pada sistem keamanan ID card.3 menampilkan suatu modul enrollment dan verifikasi dari suatu sistem biometriks khusus.1). facial thermograms. dan lain – lain (lihat gambar 1.pengidentifikasian (verifikasi) individual secara otomatis dengan memanfaatkan keadaan atau keunikan fisiologi manusia atau perilaku individual tertentu yang memiliki keunikan tertentu. gaya berjalan (gait). Suatu sistem biometriks yang sederhana.

(c) Express Card entry-kiosks menggunakan sistem hand-geometry pada . 3. ModulDecision-Making. KOMPUTER VISI & PENGOLAHAN CITRA LANJUT Gambar 1.biometriks dari user secara individual. Modul Ekstraksi Fitur. (b) INSPASS (INS Passenger Accelerated Service System pada pelabuhan udara internasional JFK (New York). pada tahap ini klaim kepemilikan yang sah atau tidak. 4. data–data yang diperoleh selanjutnya diproses untuk mengekstraksi nilai–nilai fitur. (a) sistem border-passage menggunakan iris recognation pada pelabuhan udara Heathrow London. 4. nilai–nilai fitur selanjutnya dibandingkan dengan nilai–nilai fitur template. 2. ModulMatching.2 Sistem biometrik untuk aplikasi umum. sudah ditentukan oleh sistem biometriks.

. untuk keamanan dan imigrasi. nama individu. bentuk. Sedangkan model warna yang user-oriented termasuk HLS. Parameter feature gambar yang dapat digunakan untuk retrieval pada system ini dapat berupa histogram. atau informasi lain yang didapatkan dari gambar tersebut. Model warna CMY (cyan. yellow). 5. dan warna YIQ digunakan untuk penyiaran tv warna. green. adalah suatu aplikasi computer vision yang digunakan untuk melakukan pencarian gambar-gambar digital pada suatu database. biasa digunakan untuk warna monitor dan kamera. Tel Aviv. tipe event tertentu. teksture. begitu halnya dengan gambar yang ada pada sekumpulan gambar juga dilakukan proses seperti pada gambar query. blue). Fitur Warna Selain bentuk dan textur. digunakan untuk warna printer. Misalnya model warna RGB (red. warna merupakan salah satu image contents yang sering digunakan pada kebanyakan sistem CBIR. Model warna hardware-oriented banyak digunakan untuk warna alat-alat. tipe spesifik dari obyek. lokasi. susunan warna. (d) sistem FacePass yang digunakan sebagai aplikasi verifikasi point-of-sale seperti layaknya mesin ATM tetapi meniadakan sistem keamanan menggunakan kode – kode PIN atau password. magenta. (e) pelayanan “Pay by Touch” Indivos untuk mempercepat transaksi di pusat perbelanjaan. Israel. Model warna (color model) adalah sebuah cara untuk merepresentasikan warna yang diindera manusia dalam komputasi. dan shape.2 Content-based retrieval image (CBIR) Content-based image retrieval (CBIR).pelabuhan udara Ben Gurion. (f) sistem TouchClock sidik jari Identix. Model warna yang digunakan saat ini dapat digolongkan ke dalam dua kategori: hardware-oriented dan user-oriented. emosi. Yang dimaksud dengan "Content-based" di sini adalah: bahwa yang dianalisa dalam proses pencarian itu adalah actual contents (kandungan aktual) sebuah gambar. Istilah content pada konteks ini merujuk pada warna. tekstur. Proses umum dari CBIR adalah pada gambar yang menjadi query dilakukan proses ekstraksi feature (image contents).

c) Format warna CIE Format warna ini adalah varians dari RGB dengan normalisasi spektrum. didasarkan pada tiga persepsi manusia tentang warna. Format ini banyak digunakan dalam skin-detection. Pada model ini. Sebuah titik ditembak dengan spektrum R. yaitu hue (keragaman warna). MTM. saturation (kejenuhan). b) Format warna HSV atau HSI atau HSL Format ini merupakan format warna alamiah dengan mempertimbangkan bahwa spektrum warna adalah sebuah koordinat polar seperti warna pantulan yang jatuh di mata manusia. G dan B. saturation. Berikut penjenjelasan ringkas tentang berbagai macam model atau format warna: a) Format warna RGB Format ini digunakan untuk menghasilkan warna di monitor dan televisi tabung yang menggunankan gelombang elektromagnetik.HCV. dan blue . yaitu: red. Format ini sangat baik untuk membedakan warna-warna yang 'terlihat'. green. e) Format warna CMYK Format warna ini adalah penghasil warna pada cat atau tinta. dan brightness (kecerahan). Literatur menunjukkan bahwa performa HSV ternyata lebih baik dalam membedakan warna jika dibandingkan dengan RGB Berikut ini rumus mengkonversi nilai-nilai RGB menjadi HSV: Rumus untuk menentukan h: . warna direpresentasikan menjadi tiga warna primer. FOrmat ini merupakan standard dalam QBIC d) Format warna YCrCb Format warna ini disebut juga dengan warna chrominant. Format warna ini yang digunakan oleh mesin cetak. dan CIE-LUV. HSV. sehingga sifat orthogonalitas dari masing-masing komponen warna lebih dijamin. Sedangkan HSV (hue. HSV dan RGB Model warna RGB merupakan yang paling banyak digunakan pada systemCBIR. Nilai masing-masing warna primer itu berkisar antara 0 255. value) merupakan model warna yang diturunkan dari RGB.

2)=0 H(0.3)=0 H(2.3.0)=0 H(1.3)=0 .2.2.1) (3.2.1.1)=1 H(1.0) s/d H(3.1)=0 H(3.2.3. secara tipikal dalam dua dimensi atau tiga dimensi.1.0)=0 H(2.0)=1 H(1.2)=0 H(1.2)=0 H(2.1.2)=0 H(2.1)=0 H(0.0.0.0)=2 H(2.0.0)=0 H(0.3)=0 H(1.0)=0 H(0.1)=0 H(0.0)=0 H(0.1.1.3)=0 H(0. Misalnya ada sebuah gambar berukuran 3x3 pixel dengan nilai RGB sebagai berikut: (1.1.2)=0 H(2.0.0.1)=0 H(1.2.g.3.0)=0 H(3.3)=0 H(1.2)=0 H(3.1.2.0.0)=1 H(1.0)=0 H(3.1.3.2.2)=0 H(1.2.3)=0 H(2.1)=0 H(2.1) (2.1.2.1)=0 H(0.0) (1.3.1.0) (2.0) (2.1)=0 H(2.1.3.3.1.1.0.1.0)=0 H(2.0)=0 H(0.1.0.Rumus untuk menentukan s: Rumus untuk menentukan v: v = max Color Histogram Color histogram adalah representasi distribusi warna dalam sebuah gambar yang didapatkan dengan menghitung jumlah pixel dari setiap bagian range warna.3)=0 H(0.1.0.2)=0 H(3.0.2)=0 H(0.0.3) .3.0.1.2)=0 H(0.2)=0 H(0.1) (2.1)=0 H(0.0) Bila yang digunakan adalah format H(r.1.3)=0 H(2.3.3.0) (1.2.3.2.3)=0 H(3.2.1) (1.3)=0 H(1.1)=0 H(1.2)=0 H(1.1.2.b) dimulai dari H(0.2.0)=0 H(2.1)=0 H(3.3.3.3)=0 H(3.3)=0 H(0.0.3)=0 H(2.3)=0 H(1.1)=0 H(1.3.0)=0 H(1.0.0.2.1)=1 H(2.2.2)=0 H(2.0.2)=0 H(1.0.1)=1 H(2.1. maka histogram gambar tersebut adalah sebagai berikut : H(0.

2.1)=0 H(3. 1. 0. 0. 0. 0. misalnya nilai sebuah pixel RGB adalah (260.2)=0 H(3. 0} Color Quantization Dalam pembuatan histogram. 0. histogram dari data-data diatas adalah: H = {0. dan range B: 0-3. 0. 200. 0.H(3. 0. 0. 0. 0. sehingga proses yang dibutuhkan akan semakin mudah. 150).0)=0 H(3.3. 0.2 ). 0. range G: 0-3.3. Maka setelah melalui kuantisasi menjadi 64 warna. 0. 0. 0. 1. 150 * 4/255) atau (3. 200 * 4/255. 0. 0. 0. 0. 0. 0. 0. Seperti dijelaskan dalam literatur [7].2. range R: 0-3. 0. 0. Masalah tersebut dapat diatasi dengan color quantization (kuantisasi warna). 1. 0.0)=0 H(3. 0.3)=0 Jika ditulis.3.2. 0. 0. tentu saja ini proses yang menghabiskan banyak waktu (time consuming). 0. nilai RGB yang punya range dari 0 sampai 255 akan punya kemungkinan kombinasi warna sebesar 16777216 (didapat dari: 255 x 255 x 255). 0. jumlah warna yang besar tadi bisa dikurangi. 0.3.2. 0. 0. 1.2. 0. misalnya. 0. 0. . 0. 0. Pada proses komputasi.3. 0. Dengan cara ini. 0. nilai itu menjadi (260 * 4/255.1)=1 H(3. 0. 0. 1. 1. 0. 0. 0. 0.2)=0 H(3. 0. 0. 0. 0. 0. 0. 0. yaitu suatu prosedur untuk mengurangi kemungkinan jumlah warna. 0.3)=0 H(3.

Dengan adanya sistem OCR maka user dapat lebih leluasa memasukkan data karena user tidak harus memakai papan ketik tetapi bisa menggunakan pena elektronik untuk menulis sebagaimana user menulis di kertas.Pencarian dengan CBIR ternyata tidak hanya melibatkan satu atau dua gambar saja. Secara umum metode- . Adanya sistem pengenal huruf yang cerdas akan sangat membantu usaha besar-besaran yang saat ini dilakukan banyak pihak yakni usaha digitalisasi informasi dan pengetahuan. Dalam pengenal pola otomatis. Sistem ini misalnya dipakai untuk mendeteksi sidik jari. bahkan wajah seseorang. OCR dapat dipandang sebagai bagian dari pengenal otomatis yang lebih luas yakni pengenal pola otomatis (automatic pattern recognition). misalnya dalam pembuatan koleksi pustaka digital. Teknik clustering ini bisa menggunakan algoritma K-Means. neural dan. Adanya OCR juga akan memudahkan penanganan pekerjaan yang memakai input tulisan seperti penyortiran surat di kantor pos. gambar-gambar tadi dikelompokkan terlebih dahulu menjadi bebarapa cluster berdasarkan kesamaan histogramnya (clustering). pemasukan data buku di perpustakaan. FGKA [2] dan sebagainya . tandatangan. Adanya sistem pengenal huruf ini akan meningkatkan fleksibilitas ataupun kemampuan dan kecerdasan sistem komputer. statistik. Ada banyak pendekatan yang dapat dipakai untuk mengembangkan pembuatan pengenal pola otomatis antara lain memakai pendekatan numerik. sintaktik. untuk lebih mempercepat proses pencarian. dll. baik yang berasal dari sebuah pencetak (printer atau mesin ketik) maupun yang berasal dari tulisan tangan. dll. aturan produksi (rule-based). pencarian dapat dilakukan dengan membandingkan histogram sample gambar dengan nilai-nilai pusat cluster (centroid) tersebut. 5. Algoritma Genetika. Selanjutnya.3 Optical Character Recognition (OCR) OCR (Optical Character Recognition) adalah sebuah sistem komputer yang dapat membaca huruf. Oleh karena itu. koleksi sastra kuno digital. sistem pengenal pola mencoba mengenali apakah citra masukan yang diterima cocok dengan salah satu citra yang telah ditentukan. namun melibatkan lebih banyak lagi (ratusan atau lebih).

Preprocessing Preprocessing merupakan suatu proses untuk menghilangkan bagianbagian yang tidak diperlukan pada gambar input untuk proses selanjutnya. Segmentation Segmentasi adalah proses memisahkan area pengamatan (region) pada tiap karakter yang akan dideteksi. 1. Algoritma yang digunakan pada proses ini adalah algoritma scaling dan thinning. Feature Extraction Feature Extraction adalah proses untuk mengambil ciri-ciri tertentu dari karakter yang diamati. 7. setiap pola ditransformasi ke dalam vektor yang memakai ukuran dan karakteristik tertentu. Data Capture Data capture merupakan proses konversi suatu dokumen (hardcopy) menjadi suatu file gambar (BMP). 3. 6. Normalization Normalization adalah proses merubah dimensi region tiap karakter dan ketebalan karakter.metode tersebut dapat digolongkan menjadi dua kelompok metode yakni metode berbasis statistik dan metode berbasis struktur. Postprocessing . Sedang dalam metode yang berbasis struktur. Karakteristik ini seringkali lebih bersifat statistik misalnya distribusi pixel ataupun jarak pixel. 2. 4. Recognition Recognition merupakan proses untuk mengenali karakter yang diamati dengan cara membandingkan ciri-ciri karakter yang diperoleh dengan ciri-ciri karakter yang ada pada database. Dalam metode yang berbasis statistik. Pengenalan selanjutnya dilakukan dengan mencocokkan komposisi struktur elementer dengan struktur yang sudah disimpan memakai aturan tertentu misalnya memakai pendekatan teori bahasa formal dan automata. setiap pola yang diproses dinyatakan sebagai gabungan beberapa struktur elementer. Beberapa contoh preprocessing adalah noise filtering. 5.

seperti akuisisi citra. E. software pendukung 1. 1. pengenalan dan membuat keputusan. DTKBarcode 4. computer vision diharapkan memiliki kemampuan tingkat tinggi sebagaiman human visual. Operasi pengolahan citra. Proses yang terjadi pada computer vision.Pada umumnya proses yang dilakukan pada tahap ini adalah proses koreksi ejaan sesuai dengan bahasa yang digunakan. . OmniPage 3. Computer Vision adalah kombinasi antara Pengolahan Citra dan Pengenalan Pola yang hubungan antara ketiganya dapat dilihat pada gambar 1. LuxandBlinkSetup BAB III PENUTUP A. pengolahan citra. b. Kesimpulan Computer vision merupakan proses otomatis yang mengintegrasikan sejumlah besar proses untuk persepsi visual. Untuk itu. sedangkan pengenalan pola merupakan proses menginterpretasikan citra. a. bcWebCam 2. Memperoleh atau mengakuisisi citra digital. Pengolahan citra merupakan proses awal dari computer vision. Computer vision mencoba meniru cara kerja sistem visual manusia (human vision) yang sesungguhnya sangat kompleks.

Interaksi . 10. dll. c. Fitur warna: a) Format warna RGB b) Format warna HSV atau HSI atau HSL c) Format warna CIE d) Format warna YCrCb . dan peningkatan gambar (enchament image). pengenalan obyek. belajar. Pengolah Tingkat Tinggi (Simbolic to simbolic) → Representasi simbolik batas. 3 hirarki pada komputer vision a. Modeling benda atau lingkungan.c. acara deteksi. pengindeksan. 8. Mengorganisir informasi. Aplikasi yang digunakan pada computer vision 7. pelacakan video. dan gambar restorasi. 12. Pengolahan Tingkat Rendah (Image to image) → Menghilangkan noise. gerak estimasi. Pengendalian proses. Pengolahan Tingkat Menengah (Image to dimbolic) → Kumpulan garis / vektor yang merepresentasikan batas sebuah obyek pada citra. Sub-domain visi komputer meliputi adegan rekonstruksi. Menganalisis dan menginterpretasi citra dan menggunakan hasil pemrosesan untuk tujuan tertentu. 2. Mendeteksi peristiwa. mengontrol peralatan. b. 11. misal memandu robot. 9.batas obyek menghasilkan nama obyek tersebut.

hal itu merupakan kelelahan pada mata yang diakibatkan menurunnya daya akomodasi pada mata. Seperti gejala Computer Vision Syndrome (CVS).e) Format warna CMYK Kekurangan Computer Vision Computer vision memberikan dampak negative bagi manusia yang telah mencitakan dan juga memanfaatkannya. CVS adalah keluhan-keluhan atau gejala pada mata. tetapi banyak masyarakat yang tidak menyadari kalau itu merupakan gejala CVS. kepala. Banyak orang merasa kondisi-kondisi tersebut merupakan gejala minus atau plus pada mata. dengan membebaskan mata untuk melihat sesuatu yang jauh. Saran Pemanfaatan computer vision juga harus mempertimbangkan dampak yang akan ditimbulkan jika pemanfaatannya melebihi batas wajar. Misalnya. tapi karena resolusi tingkat ketajaman gambar. B. tak ada kaitannya dengan radiasi. Syndrome ini dapat dicegah dengan melakukan terapi ringan. saat berinteraksi dengan komputer. televise. `1 Gejala ini sudah lama ada. Berbagai dampak penyakit dapat diterima pengguna yang memanfaatkan computer vision dalam kehidupan sehari – hari. Padahal. Kebanyakan. "Sebaiknya istirahatkan mata dengan memejamkan mata sambil rileks kurang lebih 5 menit setiap 1 jam sekali." . Pekerjaan yang berhubungan dengan computer vision yang mengharuskan untuk selalu berinteraksi dengan komputer setiap harinya. orang menganggap itu karena radiasi yang ditimbulkan oleh komputer. dan tulang punggung yang disebabkan oleh efek penyinaran pada aktivitas komputer. Padahal. mengakibatkan pengguna terkena Computer Vision Syndrome (CVS). Bisa juga melihat benda yang berwarna hijau (tanaman).

Penggunaan Color Histogram Dalam Image Retrieval . dan pastikan tidak ada pantulan yang menyilaukan dari sumber cahaya lain. Sesuaikan tingkat terang/gelap layar.com . dan menjaga agar mata tidak kering. Minumlah banyak air putih selama di kantor. Ini membantu tubuh tidak kekurangan cairan. sehingga ada cukup persediaan air yang memudahkan tubuh menghasilkan air mata. Computer Vision Principles and Practice Blogger . Rüdiger Dillmann . Sudut pandangan ke komputer juga harus pas.Langkah lain yang bisa dilakukan adalah dengan mengalihkan pandangan dari layar komputer. DAFTAR PUSTAKA Pedram Azad. Tilo Gockel. Pengantar Pengolahan Citra IlmuKomputer. bagian atas layar komputer harus sejajar dengan mata.

html .blogspot.scribd.http://www.com/2010/11/computer-vision.com/doc/14598876/-Komputer-Visi-Biometriks-Fadlisyah http://juliocaesarz.

Master your semester with Scribd & The New York Times

Special offer for students: Only $4.99/month.

Master your semester with Scribd & The New York Times

Cancel anytime.