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

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

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

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

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

AI – exploring representation and computation in natural vision . 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. • • 4. 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. • • Lebih khusus lagi program image analysis digunakan untuk mencari tepi dan batas‐ batasan objek dalam image. Robotic – navigation and control 2. Sebuah tepian (edge) terbentuk antara objek dan latar belakangnya atau antara dua objek yang spesifik. Remote Sensing – land use and environmental monitoring 6. Industrial Inspection – measurement. Image Analysis • Image analysis akan mengeksplorasi scene ke dalam bentuk karateristik utama dari objek melalui suatu proses investigasi. kekurang pengaburan. yang terjadi pada sebuah objek. Metoda ini menggunakan program pencarian (search program)dan teknik penyesuaian pola (pattern matching techniques). 3. Image Understanding • Ini adalah langkah terakhir dalam proses computer vision. fault checking.• Sedangkan noise adalah segala bentuk interferensi. Pada bagian ini akan melibatkan kajian tentang teknik-teknik artificial intelligent. process control 4. Medical Image Analysis – measurement and interpretation of many types of images 3. Understanding berkaitan dengn template matching yang ada dalam sebuah scene. Psychology.

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

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

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

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

Bidang biologi Pengenalan jenis kromosom melalui gambar mikroskopik 5. Komunikasi data Pemanfaatan citra yang ditransmisi. Pemetaan Klasifikasi penggunaan tanah melalui foto udara/LANDSAT 9.(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. visi komputer berusaha untuk menerapkan teori dan model untuk pembangunan sistem visi komputer. Hukum (a) Pengenalan sidik jari (b) Pengenalan foto narapidana. Geologi Mengenali jenis batu-batuan melalui foto udara/LANDSAT 10. 6. yaitu: . Aplikasi pada visi komputer mencakup berbagai macam sistem. Aplikasi Computer Vision Sebagai teknologi disiplin. Robotika Visualy-guided autonomous navigation 8. (d) Rekonstruksi foto janin hasil USG 4. 4.

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

maka para ilmuwan pada saat ini menawarkan suatu metode yang lebih terjamin di dalam memberikan keamanan di dalam mengakses suatu sistem. 13. 5. toolkits. misc. password (suatu keamanan berbasis knowledge) dan kartu ID (suatu keamanan berbasis token) biasanya digunakan untuk membatasi akses terhadap suatu sistem. 12. Password yang sederhana mungkin mudah ditebak oleh para pengguna yang tidak berwenang. Bagaimanapun.11. Biometriks dapat dikatakan sebagai suatu sistem .Contoh Penerapan Computer Vision 5. tracking. sementara password yang rumit akan mengalami kesulitan bagi individu yang sah di dalam mengingat kode–kode yang dibuat oleh dirinya sendiri.1 Biometriks Secara tradisional. metode tersebut diistilahkan metode biometriks. sehingga sistem hanya dapat digunakan oleh individu tertentu yang sah. Untuk mengatasi gangguan–gangguan verfikasi sistem 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.

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

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

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

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

1)=0 H(0.1.0.1.0.1)=1 H(2.0) (1.3.1)=0 H(1.3.3)=0 H(1.3) .3)=0 H(2.2.3)=0 H(3.0.0)=0 H(3.2)=0 H(2.1)=0 H(2.3)=0 H(1.1.1)=0 H(3.0)=0 H(3.0.0)=0 H(0.2)=0 H(2.1.1.1) (2.2)=0 H(1.0.b) dimulai dari H(0.1.2)=0 H(3.0.2)=0 H(2.0)=0 H(1.0)=0 H(2.1.2.3)=0 H(0.2.0)=1 H(1.2.0)=1 H(1.0)=2 H(2.0.1.1)=0 H(2.0)=0 H(0.0.1.3.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.1.3.2)=0 H(0.0)=0 H(1.0.3.0) s/d H(3.0) (2.0) (2.3. secara tipikal dalam dua dimensi atau tiga dimensi.0) Bila yang digunakan adalah format H(r.2)=0 H(0.3.1.1)=0 H(0.3.3.2.2.0.1.1.0)=0 H(2.1.0.g.1)=0 H(0.3.2.1)=0 H(0.2)=0 H(3.0.0) (1.1)=0 H(1.3. maka histogram gambar tersebut adalah sebagai berikut : H(0.0.2.3)=0 H(2.1.1)=0 H(1.3)=0 H(2.0.3)=0 H(0.3)=0 .2.2.1.3.3)=0 H(3.1) (3.2.3)=0 H(1.0.1.3.1.2.1) (1. Misalnya ada sebuah gambar berukuran 3x3 pixel dengan nilai RGB sebagai berikut: (1.2)=0 H(0.0.2)=0 H(1.0.3)=0 H(2.2)=0 H(2.1.2.3)=0 H(1.1) (2.2)=0 H(1.3)=0 H(0.0)=0 H(0.2)=0 H(1.3.2)=0 H(0.1)=1 H(2.2.1.1)=1 H(1.2.0)=0 H(2.1)=0 H(3.0)=0 H(0.2.

3)=0 Jika ditulis. 0. 0. 200. 1. 0. 0. 0. 0.1)=1 H(3.3. yaitu suatu prosedur untuk mengurangi kemungkinan jumlah warna. 0. 0. 0. 0. 2.2.2 ). 0. 0. sehingga proses yang dibutuhkan akan semakin mudah. 0. 0. Maka setelah melalui kuantisasi menjadi 64 warna. 0. 0. 0. Dengan cara ini.2.3)=0 H(3.0)=0 H(3. nilai itu menjadi (260 * 4/255. 0.2)=0 H(3. Masalah tersebut dapat diatasi dengan color quantization (kuantisasi warna). 0. 0. 0. 0. 0.3. 0.3. 0.1)=0 H(3. misalnya. 0. 0. Pada proses komputasi. nilai RGB yang punya range dari 0 sampai 255 akan punya kemungkinan kombinasi warna sebesar 16777216 (didapat dari: 255 x 255 x 255). 0. 0. 0. 0} Color Quantization Dalam pembuatan histogram. 0. 0. 0.0)=0 H(3. 0. 0. 0.2. range G: 0-3. 0. 0. histogram dari data-data diatas adalah: H = {0. misalnya nilai sebuah pixel RGB adalah (260. 1. 0. 150). 1. 1. 0. 0. jumlah warna yang besar tadi bisa dikurangi.2. dan range B: 0-3. 150 * 4/255) atau (3.3. 0. range R: 0-3. . 0. 1. 0. 0. 0. 0. 0. 1. 0. 0. 0.3. 200 * 4/255. 0. 0. 0. Seperti dijelaskan dalam literatur [7].H(3. 0.2)=0 H(3. tentu saja ini proses yang menghabiskan banyak waktu (time consuming).

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

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

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful