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

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

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

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

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

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

yaitu: • • • • Proses penangkapan citra/gambar (image acquisition) Proses pengolahan citra (image processing) Analisa data citra (image analysis) Proses pemahaman data citra (image understanding) C. 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. Proses ini bertujuan untuk mengekstrak informasi/pesan yang disampaikan oleh gambar/citra. Hirarki Pada Computer Vision . Pengolahan Citra. Hubungan Antara Computer Vision. dan Pengenalan Pola Pengolahan Citra (Image Processing) merupakan bidang yang berhubungan dengan proses transformasi citra/gambar (image). Proses ini bertujuan untuk mendapatkan kualitas citra yang lebih baik.Gambar1. Untuk mendukung tugas dari computer vision.

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

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

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

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

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

Biometriks dapat dikatakan sebagai suatu sistem . 12. misc.1 Biometriks Secara tradisional. toolkits. metode tersebut diistilahkan metode biometriks. tracking. 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. 5. sehingga sistem hanya dapat digunakan oleh individu tertentu yang sah. Bagaimanapun. 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. sementara password yang rumit akan mengalami kesulitan bagi individu yang sah di dalam mengingat kode–kode yang dibuat oleh dirinya sendiri.Contoh Penerapan Computer Vision 5. 13. Untuk mengatasi gangguan–gangguan verfikasi sistem secara tradisional. Password yang sederhana mungkin mudah ditebak oleh para pengguna yang tidak berwenang.11.

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

4. ModulDecision-Making. ModulMatching. sudah ditentukan oleh sistem biometriks. (b) INSPASS (INS Passenger Accelerated Service System pada pelabuhan udara internasional JFK (New York). nilai–nilai fitur selanjutnya dibandingkan dengan nilai–nilai fitur template. (a) sistem border-passage menggunakan iris recognation pada pelabuhan udara Heathrow London. Modul Ekstraksi Fitur. 4. KOMPUTER VISI & PENGOLAHAN CITRA LANJUT Gambar 1.2 Sistem biometrik untuk aplikasi umum. pada tahap ini klaim kepemilikan yang sah atau tidak. (c) Express Card entry-kiosks menggunakan sistem hand-geometry pada . 2. 3. data–data yang diperoleh selanjutnya diproses untuk mengekstraksi nilai–nilai fitur.biometriks dari user secara individual.

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

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

0)=0 H(3. Misalnya ada sebuah gambar berukuran 3x3 pixel dengan nilai RGB sebagai berikut: (1.1.0.3.3.0.2.2.3.3)=0 H(0.b) dimulai dari H(0.3) .2.0.1) (3.1.3.2.3.0)=0 H(2.3)=0 .3)=0 H(2.2)=0 H(1.3)=0 H(1.2)=0 H(0.3.2)=0 H(2.1)=1 H(1.2.0)=0 H(2.0.2)=0 H(0.2)=0 H(3.0)=0 H(1.1.0.3.0.2.1.1)=0 H(1.3)=0 H(2.0.1) (2.1.0.0)=0 H(0.2.3.2)=0 H(3.1.0)=1 H(1.1.1)=0 H(3.0)=0 H(0.0)=0 H(2.0.3.0.0) (2.3)=0 H(2.2.2.0) (2.1)=0 H(0.0)=1 H(1.0)=0 H(3.3)=0 H(3.0.2.1)=1 H(2.1)=0 H(0.2)=0 H(1.1.1.1. secara tipikal dalam dua dimensi atau tiga dimensi.0.3.1.0)=0 H(1.0.3)=0 H(2.3)=0 H(1.2)=0 H(1.3)=0 H(1.1) (2.1.0)=2 H(2.2)=0 H(1.0.0.1) (1.2)=0 H(2.2.0) (1.1)=0 H(1.1)=0 H(2.3.3.0.1)=0 H(3.0.1)=1 H(2.1.2.1.1.2)=0 H(2.1.0) Bila yang digunakan adalah format H(r.3.3)=0 H(0.1)=0 H(0.2)=0 H(0.3.2.2)=0 H(2.1)=0 H(0.2.g.3)=0 H(0. maka histogram gambar tersebut adalah sebagai berikut : H(0.1)=0 H(1.3)=0 H(1.3)=0 H(3.1.1)=0 H(2.2.1.0) (1.2.0) s/d H(3.0)=0 H(0.1.0)=0 H(0.2)=0 H(0.1.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.

0. 200. 0.H(3. 0. 0.2. Maka setelah melalui kuantisasi menjadi 64 warna. 0. range G: 0-3. 0} Color Quantization Dalam pembuatan histogram. 0. 0. 0. 0. 0. 0. 1. 0.3)=0 H(3.3. 1. 0. 0. 0. 0. misalnya. 0. tentu saja ini proses yang menghabiskan banyak waktu (time consuming). 0. 0. 0. 0. 150 * 4/255) atau (3. jumlah warna yang besar tadi bisa dikurangi. 1.2.3. 0. 1. 0. 0. 0. 0.0)=0 H(3. 0. misalnya nilai sebuah pixel RGB adalah (260. 0. yaitu suatu prosedur untuk mengurangi kemungkinan jumlah warna.2 ). nilai itu menjadi (260 * 4/255. 0. 1. Seperti dijelaskan dalam literatur [7]. 0.3. 150). sehingga proses yang dibutuhkan akan semakin mudah. 0. 0. 0.3. 0. 200 * 4/255. 0.3.0)=0 H(3. 0. 0. 2. 0.3)=0 Jika ditulis. range R: 0-3.1)=0 H(3.2. 0. Dengan cara ini. dan range B: 0-3. 0. 0. Masalah tersebut dapat diatasi dengan color quantization (kuantisasi warna). 0. nilai RGB yang punya range dari 0 sampai 255 akan punya kemungkinan kombinasi warna sebesar 16777216 (didapat dari: 255 x 255 x 255). 0.1)=1 H(3. 0. Pada proses komputasi.2. 0. 0. 0. 0. 0. 0. . 0. 0.2)=0 H(3. 0. histogram dari data-data diatas adalah: H = {0. 0. 0.2)=0 H(3. 1.

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

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

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

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

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

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

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

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.