KATA PENGANTAR

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

Demikian makalah ini saya buat semoga bermanfaat,

Padang, 20 Mei 2011

penulis

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

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

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. Untuk itu.BAB II ISI MAKALAH A. pengenalan dan membuat keputusan. Proses dalam Computer Vision Untuk menunjang tugas computer vision. Kemampuan itu diantaranya adalah: • Object detection → Apakah sebuah objek ada pada scene? Jika begiru. pengolahan citra.? Recognation → Menempatkan label pada objek. Computer vision mencoba meniru cara kerja sistem visual manusia (human vision) yang sesungguhnya sangat kompleks. Interpreting motion → Menafsirkan gerakan. antara lain : • Proses penangkapan citra/gambar (image acquisition) . Description → Menugaskan properti kepada objek. Cabang ilmu ini bersama intelijensia semu (Artificial Intelligence) akan mampu menghasilkan sistem intelijen visual (Visual Intelligence System).. sedangkan pengenalan pola merupakan proses menginterpretasikan citra. B. Computer Vision adalah kombinasi antara Pengolahan Citra dan Pengenalan Pola yang hubungan antara ketiganya dapat dilihat pada gambar 1. dimana batasanbatasannya. 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. 3D Inference → Menafsirkan adegan 3D dari 2D yang dilihat. Pengolahan citra merupakan proses awal dari computer vision. seperti akuisisi citra.

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

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

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

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

perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra. Di dalam bidang komputer. citra burung nuri pada Gambar 1. yaitu: 1. dicocokkan. elemen di dalam citra perlu dikelompokkan. Pengenalan Pola (pattern recognition/image interpretation). menjadi citra yang kualitasnya lebih baik. pengolahan citra.♦ Sensor model: posisi dan kinerja optik dari kamera yang digunakan. Kecepatan pemrosesan dan representasi pengetahuan.3. D. 2. operasi-operasi pada pengolahan citra diterapkan pada citra bila [JAI89]: 1. Hubungan antara ketiga bidang (grafika komputer. pengenalan pola) ditunjukkan pada Gambar 1. atau diukur. Umumnya. Pengolahan Citra (image processing). 3.2 (a) tampak agak gelap. . 3. noise dan distorsi pada proses dijitasi . khususnya dengan menggunakan komputer. namun tujuan ketiganya berbeda. c. 2. sebenarnya ada tiga bidang studi yang berkaitan dengan data citra. Computer Vision dan Hubungannya dengan Pengolahan Citra Pengolahan citra adalah pemrosesan citra. Grafika Komputer (computer graphics). Sebagai contoh. sebagian citra perlu digabung dengan bagian citra yang lain. lalu dengan operasi pengolahan citra kontrasnya diperbaiki sehingga menjadi lebih terang dan tajam (b).

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

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

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

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

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

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

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

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

1.0)=1 H(1.3.1.3)=0 H(0.1) (2.2)=0 H(2.0) (1.2)=0 H(2.1.2)=0 H(1.3)=0 .0.1)=0 H(0.2.0. Misalnya ada sebuah gambar berukuran 3x3 pixel dengan nilai RGB sebagai berikut: (1.1)=0 H(0.2)=0 H(1.0)=2 H(2.3.1.3.0.0.2.3.b) dimulai dari H(0.2)=0 H(1.1.0)=0 H(3.0.1)=1 H(1.0.3.g.3.2)=0 H(2.2)=0 H(0.1) (3.1)=0 H(1.1. maka histogram gambar tersebut adalah sebagai berikut : H(0.0)=0 H(3.0) (1.0)=0 H(1.0.3.1)=0 H(3.1.3)=0 H(2.3) .1)=0 H(0.1.1.2.1)=0 H(0.2)=0 H(0.1)=0 H(1.1)=0 H(2.1.1.2.2.0)=0 H(2.0.0)=0 H(0.2)=0 H(0.2)=0 H(3.2.0)=0 H(0.2. secara tipikal dalam dua dimensi atau tiga dimensi.2.1.0) s/d H(3.1.0)=0 H(0.1) (1.2.1.3.3.3)=0 H(2.1.0)=0 H(0.0)=0 H(1.2.1)=0 H(1.2)=0 H(0.3.0.3.2)=0 H(2.0)=1 H(1.1)=1 H(2.2.1.0.0.0) (2.3)=0 H(1.0.1.1)=1 H(2.2.0.3)=0 H(0.2.0)=0 H(2.1) (2.3)=0 H(1.0.2)=0 H(1.1.3)=0 H(1.2)=0 H(3.0.2.2.Rumus untuk menentukan s: Rumus untuk menentukan v: v = max Color Histogram Color histogram adalah representasi distribusi warna dalam sebuah gambar yang didapatkan dengan menghitung jumlah pixel dari setiap bagian range warna.3)=0 H(3.3)=0 H(2.1)=0 H(3.1.0.3.2.0)=0 H(2.3)=0 H(0.3.1)=0 H(2.3.0) (2.3)=0 H(1.0) Bila yang digunakan adalah format H(r.3)=0 H(3.3)=0 H(2.0.1.

3. 0.2. Masalah tersebut dapat diatasi dengan color quantization (kuantisasi warna). 0.2. 0. 150). 0.2. nilai RGB yang punya range dari 0 sampai 255 akan punya kemungkinan kombinasi warna sebesar 16777216 (didapat dari: 255 x 255 x 255). 0. dan range B: 0-3. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. misalnya. 0. 0.1)=1 H(3. range G: 0-3. 0.3)=0 H(3. histogram dari data-data diatas adalah: H = {0. 0.3.H(3. 1. yaitu suatu prosedur untuk mengurangi kemungkinan jumlah warna. range R: 0-3. 0. 0. 1. 0. 0. 0.2)=0 H(3. Pada proses komputasi.3. 0. Dengan cara ini. 0. 0. 200 * 4/255. 0. Seperti dijelaskan dalam literatur [7]. Maka setelah melalui kuantisasi menjadi 64 warna. 0. 0. 0.0)=0 H(3. 0. . 200. 0. 0. 0. 0. sehingga proses yang dibutuhkan akan semakin mudah.3)=0 Jika ditulis. jumlah warna yang besar tadi bisa dikurangi. 2. 0. 0.2. 1. 0. 0. 0. 0. 0} Color Quantization Dalam pembuatan histogram. 150 * 4/255) atau (3. 0.0)=0 H(3.3. 0. 0. 0. 0. 0. 0. 0. 1. nilai itu menjadi (260 * 4/255. tentu saja ini proses yang menghabiskan banyak waktu (time consuming).2 ). misalnya nilai sebuah pixel RGB adalah (260.1)=0 H(3. 0.2)=0 H(3. 0. 0. 0.3. 0.

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

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

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful