1

BAB II

TINJAUAN PUSTAKA

2.1 Tinjauan Empiris

Dalam tinjauan empiris ini akan menampilkan beberapa penelitian yang

telah dilakukan oleh peneliti sebelumnya mengenai metode dan hasil dari

pengidentifikasian bahasa isyarat. Berikut adalah hasil dari penelitian yang

dilakukan sebelumnya.

Tabel 2.1 Beberapa Hasil Penelitian

Nama Judul Metode Hasil

Nachmai Alphabet

Recognition of

American Sign

Language

Image

Processing,

Nearest

Neighbor

dan SIFT

America sign language yang terdiri

dari 26 huruf dan 10 entri alphabet

perulangan dengan perbedaan cahaya

dan orientasi. 80% dari sampel uji

digunakan untuk pelatihan dan 20%

untuk pengujian. Hasil uji memberikan

100% akurasi dalam mengidentifikasi

sampel uji untuk data set yang

digunakan.

Atwod, J

dan

Justin, F

American Sign

Language

Recognition

System

Euclidean

distance

dan SIFT

Hasil tes adalah 99,2% tetapi jika user

tes tidak ada dalam data pelatihan,

maka akurasi pengenalan menurun

drastis menjadi 35-45%, karena user

baru memiliki ukuran dan bentuk yang

berbeda.

Ashwin,

et al

Sign Language

Recognition

using Scale

Invarian

Feature

SIFT, Book

of word

Hasil memperlihatkan bahwa metode

ini kuat terhadap kondisi cahaya

2

Transform and

SVM

(BOW) dan

SVM

berbeda, jarak dan sudut pengambilan

gambar

3

Asriani,

F dan

Susilawa

ti, H.

Pengenalan

Isyarat Tangan

Statis pada

Sistem Isyarat

Bahasa

Indonesia

berbasis

Jaringan Syaraf

Tiruan

Perambat Balik

Jaringan

syaraf

tiruan

Dari hasil pengujian ditetapkan bahwa

jaringan syaraf tiruan dengan arsitektur

4096-75-15 merupakan jaringan yang

paling optimal dengan tingkat

pengenalan 69%.

Pradana,

F.A

Pengenalan

Huruf Isyarat

menggunakan

Modified K-

Nearest

Neighbor

Modified

K-Nearest

Neighbor

dan

invariant

moment

Peneliti membandingkan KNN dan

MKNN dimana hasil dari KNN

memberikan tingkat akurasi

maksimum sebesar 89,1% sementara

MKNN memperoleh tingkat akurasi

sebesar 77,5%

2.2 Tinjauan Teoritis

2.2.1 Bahasa Isyarat

Bahasa isyarat merupakan bahasa yang mengutamakan komunikasi manual, yaitu

menggunakan bahasa tubuh, tangan dan gerak bibir, bukan suara lisan. Kaum tunarungu adalah

kelompok utama yang menggunakan bahasa ini, biasanya dengan mengkombinasikan bentuk

tangan, orientasi dan gerak tangan, lengan, dan tubuh, serta ekspresi wajah untuk mengungkapkan

pikiran mereka.

Bahasa isyarat unik dalam jenisnya di setiap negara. Bahasa isyarat bisa saja berbeda di

negara-negara yang berbahasa sama. Contohnya, Amerika Serikat dan Inggris meskipun memiliki

4

bahasa tertulis yang sama, memiliki bahasa isyarat yang sama sekali berbeda (American Sign

Language dan British Sign Language).

Untuk di negara Indonesia sendiri, sistem yang sekarang umum digunakan adalah Sistem

Isyarat Bahasa Indonesia (SIBI) dimana sistem ini sama dengan bahasa isyarat yang diterapkan

di Amerika (ASL - American Sign Language).

Gambar 2.1 Huruf SIBI yang mengacu pada ASL (Sumber: Pengenalan Bahasa Isyarat Menggunakan Metode PCA dan Haar Like Feature)

2.2.2 Citra Digital

Citra digital adalah citra yang dinyatakan secara diskrit (tidak kontinu), baik untuk posisi

koordinatnya maupun warnanya. Dengan demikian, citra digital dapat digambarkan sebagai suatu

matriks, dimana indeks baris dan indeks kolom dari matriks menyatakan posisi suatu titik di dalam

citra dan harga dari elemen matriks menyatakan warna citra pada titik tersebut. Dalam citra digital

yang dinyatakan sebagai susunan matriks seperti ini, elemen–elemen matriks tadi disebut juga

dengan istilah piksel yang berasal dari kata picture element (Sari,2010). Citra digital dapat

didefinisikan sebagai fungsi dua variabel, f(x,y), di mana x dan y adalah koordinat spasial

sedangkan nilai f(x,y) adalah intensitas citra pada koordinat tersebut, hal tersebut diilustrasikan

pada gambar berikut:

5

Gambar 2.2 Citra Fungsi Dua Variabel

Citra digital tersusun atas titik-titik yang biasanya berbentuk persegi panjang yang secara

beraturan membentuk baris-baris dan kolom-kolom. Setiap titik memiliki koordinat dan biasanya

dinyatakan dalam bilangan bulat positif, yaitu 0 atau 1 bergantung pada sistem yang digunakan.

Format nilai pixel sama dengan format citra keseluruhan. Pada kebanyakan sistem pencitraan, nilai

ini biasanya berupa bilangan bulat positif juga. Format citra digital yang banyak digunakan, yaitu:

1. Citra Biner (Monokrom)

Citra monokrom atau citra hitam-putih merupakan citra satu kanal di mana citra f(x,y)

merupakan fungsi tingkat keabuan dari hitam ke putih.

2. Citra Skala Keabuan (Gray Scale)

Dikatakan format citra skala keabuan karena pada umumnya warna yang dipakai adalah

warna hitam sebagai warna minimum dan warna putih sebagai warna maksimalnya, sehingga

warna antara ke dua warna tersebut adalah abu-abu.

3. Citra Berwarna

Citra warna terdiri atas 3 layer matriks, yaitu R-layer, G-layer, B-layer. sistem warna RGB

menggunakan sistem tampilan grafik kualitas tinggi yaitu mode 24 bit. setiap komponen warna

merah, hijau, biru masing-masing mendapatkan alokasi 8 bit untuk menampilkan warna. Pada

sistem warna RGB, tiap pixel akan dinyatakan dalam 3 parameter dan bukan nomor warna. setiap

warna mempunyai range nilai 00 (angka desimalnya adalah 0) dan f (angka desimalnya 255) atau

6

mempunyai nilai derajat keabuan 256 = 28. Dengan demikian, range warna yang digunakan adalah

(28)(28)(28) = 224 (atau dikenal dengan istilah True Color pada Windows). Nilai warna yang

digunakan merupakan gabungan warna cahaya merah, hijau dan biru.

2.2.3 SIFT (Scale Invariant Feature Transform)

Pada tahun 1999, David G. Lowe seorang peneliti dari University of British Columbia

memperkenalkan suatu metode baru dalam ekstrasi fitur dari suatu citra. Metode ekstrasi fitur ini

disebut sebagai Scale Invariant Feature Transform (SIFT). Dengan mengunakan SIFT ini, suatu

citra akan di ubah menjadi vector fitur lokal yang kemudian akan digunakan sebagai pendekatan

dalam mendeteksi objek yang dimaksud.

Sebagai metode ekstrasi fitur pada pengenalan objek, SIFT ini memiliki kelebihan-

kelebihan sebagai berikut:

a. Hasil ekstraksi fitur bersifat invarian terhadap ukuran, translasi dan rotasi dua dimensi.

b. Hasil ekstrasi fitur bersifat invarian sebagian terhadap perubahan iluminasi dan perubahan

sudut pandang tiga dimensi.

c. Mampu mengekstrak banyak keypoint dari citra yang tipikal.

d. Hasil ekstrasi fitur benar-benar mencirikan secara khusus (distinctive)

Dengan kelebihan-kelebihan tersebut, penggunaan metode SIFT banyak dikembangkan untuk

aplikasi pengenalan objek.

Secara garis besar, algoritma yang digunakan pada metode SIFT terdiri dari empat tahap,

yaitu:

a. Mencari nilai ekstrim pada skala ruang

b. Menentukan keypoint

c. Penentuan Orientasi

d. Deskriptor keypoint

Setelah melalui tahapan tersebut maka akan diperoleh fitur-fitur lokal yang digunakan sebagai

descriptor dari suatu objek untuk diolah lebih lanjut.

7

2.2.3.1 Pencarian Nilai Ekstrim pada Skala Ruang

Pencarian nilai ekstrim pada skala ruang merupakan tahap awal dalam penentuan keypoint

dari suatu citra. Dengan menggunakan fungsi Gaussian, citra pada skala ruang dapat didefinisikan

sebagai fungsi 𝐿(𝑥, 𝑦, 𝜎), yang diperoleh dari hasil konvolusi skala variable Gaussian, 𝐺(𝑥, 𝑦, 𝜎),

dengan citra masukan 𝐼(𝑥, 𝑦), sehingga diperoleh:

𝐿(𝑥, 𝑦, 𝜎) = 𝐺(𝑥, 𝑦, 𝜎) ∗ 𝐼(𝑥, 𝑦) ………………………………. (2.1)

Dimana * adalah operasi konvulasi antara 𝑥 dan 𝑦 dan 𝐺(𝑥, 𝑦, 𝜎) adalah skala variabel Gaussian:

𝐺(𝑥, 𝑦, 𝜎) = 1

2𝜋𝜎2𝑒

−(𝑥2+𝑦2)

2𝜎2 ……………………………………. (2.2)

Citra hasil Difference of Gaussian, 𝐷(𝑥, 𝑦, 𝜎), diperoleh dengan melakukan operasi

konvolusi pada citra masukan dengan filter Difference of Gaussian, maka:

𝐷(𝑥, 𝑦, 𝜎) = (𝐺(𝑥, 𝑦, 𝑘𝜎) − 𝐺(𝑥, 𝑦, 𝜎)) ∗ 𝐼(𝑥, 𝑦)

= 𝐿(𝑥, 𝑦, 𝑘𝜎) − 𝐿(𝑥, 𝑦, 𝜎) ……….………………. (2.3)

Dari persamaan (2.3) terlihat bahwa citra hasil Difference of Gaussian sebenarnya

merupakan selisih antara citra hasil Gaussian blur dengan nilai skala k yang berbeda. Proses ini

diilustrasikan pada Gambar 2.3

Gambar 2.3 Diagram Difference of Gaussian

8

Citra hasil konvolusi kemudian dikelompokkan berdasarkan octave (satu octave setara

dengan penggandaan besarnya nilai 𝜎), nilai k ditetapkan di awal sehingga diperoleh jumlah citra

kabur yang sama pada setiap octave serta diperoleh citra hasil DoG yang sama untuk setiap octave.

Setelah diperoleh citra DoG pada setiap octave, maka langkah selanjutnya ialah mencari

kandidat keypoint. Kandidat keypoint dideteksi sebagai titik maksimum lokal atau titik minimum

lokal dari citra hasil DoG. Untuk mencari nilai maksimum atau minimum lokal maka masing-

masing piksel pada citra hasil DoG akan di bandingkan dengan 8 piksel disekitarnya yang berada

pada skala yang sama dan dengan 9 piksel yang bersesuaian dengannya pada skala berbeda

(perhatikan Gambar 2.4). Jika piksel tersebut merupakan maksimum atau minimum lokal, maka

piksel tersebut akan dijadikan sebagai kandidat keypoint.

Gambar 2.4 Ilustrasi pencarian maksimum atau minimum lokal dari citra DoG

2.2.3.2 Penentuan Keypoint

Setelah kandidat keypoint ditemukan melalui tahapan pada 2.2.3.1, maka langkah

selanjutnya adalah untuk mengambil detail dari kandidat keypoint tersebut. Detail yang diambil

merupakan lokasi, skala dan rasio kelengkungan inti dari kandidat keypoint. Pada tahap ini akan

terjadi pengurangan jumlah kandidat keypoint. Dimana setiap kandidat keypoint yang dianggap

sangat rentan terhadap noise akan dihilangkan, yaitu kandidat keypoint yang memiliki nilai kontras

yang rendah dan kandidat keypoint yang kurang jelas dan terletak di sepanjang tepi.

Untuk menghilangkan keypoint dengan nilai kontras yang rendah, maka digunakan

langkah-langkah berikut:

9

a. Dengan menggunakan deret Taylor pada fungsi skala ruang 𝐷(𝑥, 𝑦, 𝜎) yang kemudian

digeser sehingga titik asal berada pada titik sampel, sehingga:

𝐷(𝑥) = 𝐷 +𝜕𝐷𝑇

𝜕𝑥𝑥 +

1

2𝑥𝑇 𝜕2𝐷

𝜕𝑥2𝑥 ………………………………… (2.4)

Dimana D dan penurunannya dilihat dari titik sampel, dan 𝑥 = (𝑥, 𝑦, 𝜎)𝑇 adalah offset dari

titik ini.

b. Lokasi dari nilai ekstrim, 𝑥, diambil dengan menurunkan persamaan 2.4 terhadap 𝑥,

sehingga:

�̂� = −𝜕2𝐷−1

𝜕𝑥2

𝜕𝐷

𝜕𝑥 ……...………….……………………………… (2.5)

c. Fungsi nilai ekstrim, 𝐷(�̂�), diperoleh dengan mensubstitusikan persamaan 6.5 kepada

persamaan 6.4 sehingga menghasilkan persamaan berikut :

𝐷(�̂�) = 𝐷 +1

2

𝜕𝐷𝑇

𝜕𝑥�̂� …………….……………………………… (2.6)

Pada SIFT ini, semua nilai ekstrim, 𝐷(�̂�), yang bernilai kurang dari 0,03 akan dihilangkan.

Untuk menghilangkan keypoint yang kurang jelas pada tepi maka digunakan persamaan

berikut:

𝑇𝑟(𝐻)2

𝐷𝑒𝑡(𝐻)<

(𝑟+1)2

𝑟 ……...………….……………………………… (2.7)

Dimana H merupakan matrix Hessian 2x2 dan r merupakan ambang batas dari kecekungan inti

yang diperbolehkan. Pada SIFT ini, semua keypoint yang memiliki nilai r lebih besar dari 10 akan

dihilangkan.

2.2.3.3 Penentuan Orientasi

Pada tahap ini, masing-masing keypoint yang diperoleh akan diberikan suatu orientasi yang

tetap berdasarkan sifat-sifat lokal pada citra. Dengan adanya proses ini maka keypoint yang

diperoleh dapat dipresentasikan relatif terhadap orientasi ini sehingga keypoint yang dihasilkan

tidak terpengaruh terhadap adanya rotasi pada citra. Untuk menentukan orientasi dari masing-

masing keypoint maka dilakukan perhitungan terhadap besarnya gradien dan sudut arah orientasi.

Adapun perhitungan terhadap besar nilai gradien, 𝑚(𝑥, 𝑦), dan arah orientasi, 𝜃(𝑥, 𝑦), dilakukan

menggunakan persamaan berikut:

𝑚(𝑥, 𝑦) = √(𝐿(𝑥 + 1, 𝑦) − 𝐿(𝑥 − 1, 𝑦))2 + (𝐿(𝑥, 𝑦 + 1) − 𝐿(𝑥, 𝑦 − 1))2... (2.8)

10

𝜃(𝑥, 𝑦) = 𝑡𝑎𝑛−1 ((𝐿(𝑥,𝑦+1)−𝐿(𝑥,𝑦−1))

(𝐿(𝑥+1,𝑦)−𝐿(𝑥−1,𝑦))) ………………………………………. (2.9)

2.2.3.4 Deskriptor Keypoint

Pada proses ini, masing-masing keypoint yang telah diorientasikan akan diberikan

pencirian khusus (deskriptor). Proses ini bertujuan untuk mendapatkan keypoint yang invarian

terhadap perubahan intensitas cahaya atau perubahan sudut pandang tiga dimensi.

Deskriptor akan diukur sebagai suatu histogram orientasi pada wilayah piksel dengan

ukuran 4x4. Nilai orientasi diperoleh dari citra Gaussian yang memiiki skala terdekat dengan skala

keypoint yang akan dihitung. Agar keypoint yang diperoleh invarian terhadap orientasi, maka

koordinat dari deskriptor dan gradien orientasi akan di rotasi relatif terhadap orientasi dari

keypoint. Kemudian fungsi pembebanan Gaussian, dengan besar nilai 𝜎 satu setengah kali dari

besar jendela deskriptor, akan digunakan sebagai pembebanan pada setiap besaran nilai dari titik

sampel. Proses ini ditunjukkan pada lingkaran yang terdapat pada Gambar 2.5 sebelah kiri.

Gambar 2.5 Deskriptor dari perhitungan besar gradien dan orientasi serta gambar

lingkaran Gaussian (kiri) dan gambar deskriptor keypoint (kanan)

Deskriptor keypoint pada Gambar 2.5 menunjukkan adanya 8 arah pada masing-masing

histogram orientasi dengan panjang masing-masing anak panah sesuai dengan besar nilai dari

histogram asal. Selanjutnya deskriptor keypoint yang telah diperoleh akan dinormalisasi untuk

mengatasi pengaruh perubahan cahaya.

11

Setelah melalui tahapan-tahapan tersebut, maka pada hasil akhir akan diperoleh suatu citra

dengan keypoint yang invarian terhadap berbagai macam perubahan, seperti yang ditunjukkan

pada gambar 2.6

Gambar 2.6 Keypoint yang diperoleh dari suatu citra menggunakan SIFT

Keypoint ini yang kemudian menjadi fitur-fitur lokal pada suatu citra dan akan di cocokkan dengan

keypoint-keypoint yang terdapat pada citra lain untuk menyesuaikan dengan objek yang tersedia

pada data set training.

2.2.4 Android

2.2.4.1 Perkembangan Android

Android adalah sebuah sistem operasi untuk perangkat mobile berbasis linux yang

mencakup system operasi. Middleware dan aplikasi. Android menyediakan platform terbuka bagi

para pengembang untuk menciptakan aplikasi mereka. Android merupakan generasi baru platform

mobile, platform yang memberikan pengembang untuk melakukan pengembangan sesuai dengan

yang diharapkannya. Sistem operasi yang mendasari Android dilesensikan di bawah GNU,

General Public license version 2 (GPLv2), yang sering dikenal dengan istilah “copyleft” lisensi

dimana setiap perbaikan pihak ketiga harus terus jatuh di bawah terms. Android di distribusikan

di bawah lisensi Apache Software (ASL/Apache2), yang memungkinkan untuk distribusi kedua

dan seterusnya.

Pengembang memiliki beberapa pilihan ketika membuat aplikasi yang berbasis android.

Sebagian besar pengembang menggunakan Eclipse yang tesedia secara bebas. Eclipse adalah IDE

12

yang paling populer untuk pengembangan android, karena memiliki android plug-in yang tersedia

untuk memfasilitasi pengembagan android. Selain itu, Eclipse juga mendapat dukungan langsung

dari google untuk menjadi IDE pengembagan aplikasi android.

Google Inc, Samsung, HTC, Qualcomm, Motorola dan lain-lain telah berkolaborasi dalam

pengembangan Android melalui Open Handset Alliance, sebuah aliansi multinasional yang

memimpin industri mobile dan teknologi. Aliansi ini bertujuan mendorong inovasi pada perangkat

mobile dan memberikan konsumen pengalaman yang jauh lebih baik daripada apa yang tersedia

pada platform mobile saat ini (Safaat Nazarudin, 2012).

2.2.4.2 Kelebihan Android

Sudah banyak platform untuk perangkat selular saat ini, termasuk didalamnya Symbian,

iPhone, Windows Mobile, BlackBerry, Java Mobile Edition, Linux Mobile (LiM0), dan banyak

lagi. Namun ada beberapa hal yang menjadi kelebihan Android. Walaupun beberapa fitur-fitur

yang ada telah muncul sebelumnya pada platform lain, Android adalah yang pertama

menggabungkan hal seperti berikut:

1. Keterbukaan, Bebas pengembangan tanpa dikenakan biaya terhadap system karena

berbasiskan Linux dan open source. Pembuat perangkat menyukai hal ini karena dapat

membangun platform yang sesuai yang diinginkan tanpa harus membayar royality.

Sementara pengembang software menyukai karena Android dapat digunakan diperangkat

manapun dan tanpa terikat oleh vendor manapun.

2. Banyak dukungan service, kemudahan dalam menggunakan berbagai macam layanan pada

aplikasi seperti penggunaan layanan pencarian lokasi, database SQL, browser dan

penggunaan peta. Semua itu sudah tertanam pada Android sehingga memudahkan dalam

pengembangan aplikasi.

3. Dukungan grafis dan suarat terbaik, dengan adanya dukungan 2D grafis dan animasi yang

diilhami oleh Flash menyatu dalam 3D menggunakan OpenGL memungkinkan membuat

aplikasi maupun game yang berbeda.

4. Portabilitas aplikasi, aplikasi dapat digunakan pada perangkat yang ada saat ini maupun

yang akan datang. Semua program ditulis dengan menggunakan bahas pemrograman Java

dan dieksekusi oleh mesin virtual Dalvik, sehingga kode program portabel antara ARM,

13

X86, dan arsitektur lainnya. Sama halnya dengan dukungan masukan seperti penggunaan

Keyboard, layar sentuh, trackball dan resolusi layar semua dapat disesuaikan dengan

program.

2.2.5 Metode Prototipe

Prototipe sering disebut Rapid Application Design (RAD), karena pembuatan aplikasi

dengan menggunakan metode ini menyederhanakan dan mempercepat desain perancangan sistem

(Sudharyana, 2012). Menurut Ian Sommerville (1995), prinsip yang digunakan adalah untuk

membantu pengguna dan pengembang mengerti kebutuhan sistem. Berikut adalah beberapa

keuntungan menggunakan prototipe antara lain:

1. Pengembang menjadi lebih memahami kebutuhan pengguna.

2. Kekurangan fitur – fitur dapat terdeteksi.

3. Sistem kerja tersedia lebih awal.

4. Fitur – fitur yang membingungkan dapat didiskusikan.

Dalam penelitiannya, Sudharyana, P (2012) menyatakan dalam pengembangan software,

prototipe adalah proses untuk membuat versi awal untuk dievaluasi, sebelum menginvestasikan

sumber daya lain.