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

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

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

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

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

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

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

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

pengenalan pola) ditunjukkan pada Gambar 1.2 (a) tampak agak gelap. Pengenalan Pola (pattern recognition/image interpretation). Kecepatan pemrosesan dan representasi pengetahuan. Hubungan antara ketiga bidang (grafika komputer. khususnya dengan menggunakan komputer. Computer Vision dan Hubungannya dengan Pengolahan Citra Pengolahan citra adalah pemrosesan citra. lalu dengan operasi pengolahan citra kontrasnya diperbaiki sehingga menjadi lebih terang dan tajam (b). dicocokkan.3. c. yaitu: 1. 3. 3. Pengolahan Citra (image processing). atau diukur. elemen di dalam citra perlu dikelompokkan. pengolahan citra. Sebagai contoh. D. sebagian citra perlu digabung dengan bagian citra yang lain. noise dan distorsi pada proses dijitasi . citra burung nuri pada Gambar 1. Umumnya. namun tujuan ketiganya berbeda. Di dalam bidang komputer. menjadi citra yang kualitasnya lebih baik. operasi-operasi pada pengolahan citra diterapkan pada citra bila [JAI89]: 1. 2. perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra. sebenarnya ada tiga bidang studi yang berkaitan dengan data citra. Grafika Komputer (computer graphics).♦ Sensor model: posisi dan kinerja optik dari kamera yang digunakan. . 2.

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

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

synthetic data generators. Gambar3.1. 8. untuk pengindeksan database foto dan gambar urutan). Mengorganisir informasi (misalnya. 3. 6. acara deteksi. 3D. pattern recognition. texture. Hasil Proses Computer Vision Pada Shape Recovery Dan Cell Segementation Kategori software pendukung : 1. 10. sebuah robot industri atau kendaraan otonom). 2. display tools 4. dan gambar restorasi. 5. gerak estimasi. analisis gambar medis / topografis). belajar. features 5. 6. Sub-domain visi komputer meliputi adegan rekonstruksi. pengenalan obyek. Pengendalian proses (misalnya. 9. contours 3. Interaksi (misalnya. 2. 4. pelacakan video. pengindeksan. Modeling benda atau lingkungan (misalnya. mathematical toolkits. 7. Mendeteksi peristiwa (misalnya. stereo. ocr . sebagai input ke perangkat untuk interaksi manusia komputer). untuk pengawasan visual atau orang menghitung). industri inspeksi.

password (suatu keamanan berbasis knowledge) dan kartu ID (suatu keamanan berbasis token) biasanya digunakan untuk membatasi akses terhadap suatu sistem.1 Biometriks Secara tradisional. Bagaimanapun. 13. Biometriks dapat dikatakan sebagai suatu sistem . misc.Contoh Penerapan Computer Vision 5.11. metode tersebut diistilahkan metode biometriks. 5. Password yang sederhana mungkin mudah ditebak oleh para pengguna yang tidak berwenang. maka para ilmuwan pada saat ini menawarkan suatu metode yang lebih terjamin di dalam memberikan keamanan di dalam mengakses suatu sistem. toolkits. 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. sehingga sistem hanya dapat digunakan oleh individu tertentu yang sah. Untuk mengatasi gangguan–gangguan verfikasi sistem secara tradisional. tracking. 12. sementara password yang rumit akan mengalami kesulitan bagi individu yang sah di dalam mengingat kode–kode yang dibuat oleh dirinya sendiri.

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

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

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

Pada model ini. saturation. warna direpresentasikan menjadi tiga warna primer. Format ini banyak digunakan dalam skin-detection. HSV dan RGB Model warna RGB merupakan yang paling banyak digunakan pada systemCBIR. 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. green. sehingga sifat orthogonalitas dari masing-masing komponen warna lebih dijamin. yaitu hue (keragaman warna). 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. e) Format warna CMYK Format warna ini adalah penghasil warna pada cat atau tinta. FOrmat ini merupakan standard dalam QBIC d) Format warna YCrCb Format warna ini disebut juga dengan warna chrominant. HSV. c) Format warna CIE Format warna ini adalah varians dari RGB dengan normalisasi spektrum. dan brightness (kecerahan).HCV. dan blue . Format warna ini yang digunakan oleh mesin cetak. saturation (kejenuhan). MTM. Sedangkan HSV (hue. G dan B. Format ini sangat baik untuk membedakan warna-warna yang 'terlihat'. didasarkan pada tiga persepsi manusia tentang warna. Nilai masing-masing warna primer itu berkisar antara 0 255. yaitu: red. Sebuah titik ditembak dengan spektrum R. 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: . dan CIE-LUV. value) merupakan model warna yang diturunkan dari RGB.

1)=0 H(0.3.1.1)=0 H(0.1.0)=2 H(2.1.3.2.1)=0 H(2.0) (1.1.1.0.2.1.3.1.2.3.0)=0 H(0.0.2.3.0.1)=0 H(0.3)=0 H(1.1)=0 H(1.0.3)=0 .2.0.2.0.1.1.0) (1.3) .0)=0 H(2.1)=0 H(3.2)=0 H(2. maka histogram gambar tersebut adalah sebagai berikut : H(0.1.0) (2.3.0)=0 H(0.3)=0 H(2.0.0.2)=0 H(2.0)=0 H(2. Misalnya ada sebuah gambar berukuran 3x3 pixel dengan nilai RGB sebagai berikut: (1.3.g.2)=0 H(0.0.1)=0 H(1.2)=0 H(1.1. secara tipikal dalam dua dimensi atau tiga dimensi.0.1.1.2)=0 H(1.1.1) (3.1.2.0)=0 H(2.0.3)=0 H(1.1.0.1.3.3)=0 H(2.3)=0 H(3.2)=0 H(0.2)=0 H(1.3)=0 H(0.3.3.2.3.0.0.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.1)=0 H(2.0)=1 H(1.2)=0 H(1.2)=0 H(3.3.0) (2.2.1)=1 H(2.0)=0 H(1.3.0)=0 H(3.2.0.1)=0 H(1.1.0.2)=0 H(0.2.3)=0 H(2.1.0)=1 H(1.1) (2.0) s/d H(3.1.0.0)=0 H(0.0)=0 H(0.2)=0 H(3.1)=0 H(3.2.3)=0 H(1.3)=0 H(1.3)=0 H(2.2)=0 H(2.3)=0 H(0.1) (2.1)=1 H(1.3.0) Bila yang digunakan adalah format H(r.0)=0 H(3.b) dimulai dari H(0.1)=0 H(0.1) (1.0)=0 H(1.1)=1 H(2.2.2.2)=0 H(0.2)=0 H(2.3)=0 H(3.2.2.3)=0 H(0.

200 * 4/255. 0. 150). 0. 0. 0. 0. 0. 0.H(3. 0. 0. 0. range R: 0-3. dan range B: 0-3. nilai itu menjadi (260 * 4/255. 0. nilai RGB yang punya range dari 0 sampai 255 akan punya kemungkinan kombinasi warna sebesar 16777216 (didapat dari: 255 x 255 x 255). Seperti dijelaskan dalam literatur [7].1)=0 H(3. range G: 0-3. tentu saja ini proses yang menghabiskan banyak waktu (time consuming).0)=0 H(3. 0. 0. 0. Dengan cara ini. 0.3.2. 0.2)=0 H(3.3. Maka setelah melalui kuantisasi menjadi 64 warna.1)=1 H(3. 1. 0. 0.2. misalnya. 0. misalnya nilai sebuah pixel RGB adalah (260. 0.2. 1. 0. 0. 0.0)=0 H(3.3)=0 Jika ditulis. 0. 0. 0. 0. 150 * 4/255) atau (3. 1. 0.2 ). 0. 0.3. 0. 0. 0. Masalah tersebut dapat diatasi dengan color quantization (kuantisasi warna). 0.3.2. 0. 0. 1. 1. Pada proses komputasi. jumlah warna yang besar tadi bisa dikurangi. sehingga proses yang dibutuhkan akan semakin mudah. 0. 0. 0. 0.3.3)=0 H(3. 0. 0. 0. 0. 2. 0.2)=0 H(3. yaitu suatu prosedur untuk mengurangi kemungkinan jumlah warna. 0. 1. 0. 0. histogram dari data-data diatas adalah: H = {0. 0. 0. 200. 0. 0. 0. . 0. 0. 0} Color Quantization Dalam pembuatan histogram.

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

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

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful

Master Your Semester with Scribd & The New York Times

Special offer for students: Only $4.99/month.

Master Your Semester with a Special Offer from Scribd & The New York Times

Cancel anytime.