PENENTUAN UKURAN BAJU PRIA PADA ONLINE SHOP BERBASIS

PENENTUAN UKURAN BAJU PRIA PADA ONLINE SHOP

BERBASIS PENGOLAHAN CITRA

TUGAS AKHIR

Disusun dalam rangka memenuhi salah satu persyaratan

Untuk menyelesaikan program Strata-1 Departemen Teknik Informatika

Fakultas Teknik Universitas Hasanuddin

Makassar

Disusun Oleh

DEPARTEMEN TEKNIK INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS HASANUDDIN

MAKASSAR

2018

SISKA ROSARI PUTRIANI

D421 13 020

ABSTRAK

Online shop dianggap praktis karena konsumen dan produsen dapat

bertransaksi tanpa harus bertatap muka sehingga berdampak pada penghematan

waktu dan tenaga. Namun hal ini masih dianggap kurang memuaskan konsumen

karena hanya mengandalkan gambar dan tabel ukuran variatif yang menyulitkan

konsumen memilih ukuran. Penelitian ini bertujuan untuk membuat suatu sistem

berbasis web yang mampu mengetahui ukuran baju konsumen sebuah Online Shop

menggunakan webcam dan software Matlab untuk mengolah foto konsumen.

Dalam proses pengambilan gambar, citra yang dihasilkan tidak selalu memiliki

kualitas yang baik, kadang terdapat banyak cahaya, atau ada bagian yang terlihat

samar sehingga gambar tidak terlihat jelas. Oleh sebab itu, digunakan teknik

perbaikan kualitas citra untuk meningkatkan hasil citra konsumen. Metode Contras

Limited Adaptive Histogram Equalization (CLAHE) merupakan variasi

peningkatan kualitas citra AHE dan HE. Cara kerja CLAHE adalah membuat blok-

blok kecil di citra, kemudian meningkatkan nilai kontras blok-blok tersebut dengan

tidak berlebihan. Hasil pengolahan citra kemudian diterapkan pada Metode

Geometri untuk mencari nilai skala dimana nilai skala ini akan digunakan untuk

mengubah pixel menjadi centimeter (cm). Adapun nilai skala yang didapat adalah

y = 0,255x – 14,69. Berdasarkan hasil pengujian sistem, hasil akurasi yang

didapatkan pada penelitian ini mencapai 93.3% yaitu 28 benar dari total 30

responden dengan rata-rata waktu proses pengolahan sistem selama 21.62 detik.

Kata Kunci: Online Shop, Pengolahan citra, CLAHE, Metode Geometri.

KATA PENGANTAR

Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala

anugerah dan rahmat-Nya sehingga penulis dapat menyelesaikan skripsi dengan

judul “Penentuan Ukuran Baju Pria pada Online Shop berbasis Pengolahan Citra”

sebagai salah satu syarat penyelesaian studi strata 1 pada program studi Teknik

Informatika Universitas Hasanuddin.

Penulis menyadari bahwa dalam penyusunan skripsi ini banyak kendala

yang dihadapi, namun penulis mendapatkan bantuan, bimbingan, dan dukungan

dari berbagai pihak. Maka pada kesempatan ini, penulis menyampaikan ucapan

terima kasih yang sebesar-besarnya kepada:

1. Tuhan Yang Maha Esa atas segala berkat, karunia, dan pertolongan-Nya kepada

penulis dari awal, pertengahan hingga akhir penulisan skripsi ini.

2. Orang Tua yang senantiasa memberi motivasi, mengosongkan segala jadwal

latihan dan pertandingan dan bertanya “kapan lulus?” serta “sudah selesai daftar

ATC nak?” yang membuat penulis sadar segala tatanan masa depan yang telah

disiapkan oleh kedua orangtua.

3. Bapak Dr. Indrabayu, ST, MT, M.Bus.Sys dan selaku Pembimbing I atas

kesabarannya memberikan motivasi, bimbingan, bantuan dan arahannya selama

penelitian.

4. Ibu Anugrayani Bustamin, ST, MT, selaku Pembimbing II yang telah memberi

banyak bimbingan dan masukan selama penelitian.

5. Bapak, Ibu dosen serta segenap anggota Lab AIMP atas segala dukungan

selama menjadi bagian dari Lab AIMP.

6. Teman-teman F3, Informatika 2013, dan Taekwondo Palopo atas motivasi yang

diberikan kepada penulis.

7. Serta R yang selalu memberikan dukungan, semangat serta mengingatkan

penulis agar mengerjakan Tugas Akhir.

Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan. Oleh

karena itu penulis berharap agar pembaca dapat memberi kritik serta saran yang

membangun demi penyempurnaan Skripsi ini.

Penulis berharap agar kiranya skripsi ini dapat memberikan manfaat bagi

pembaca dan kontribusi yang besar untuk kepentingan bersama.

Makassar, 31 Mei 2018

Penulis

DAFTAR ISI

halaman

HALAMAN JUDUL .................................................................................. i

LEMBAR PENGESAHAN ...................................................................... ii

ABSTRAK .................................................................................................. iii

KATA PENGANTAR ............................................................................... iv

DAFTAR ISI .............................................................................................. vi

DAFTAR GAMBAR ................................................................................. ix

DAFTAR TABEL ...................................................................................... xi

BAB I PENDAHULUAN ........................................................................... 1

1.1 Latar Belakang .......................................................................... 1

1.2 Rumusan Masalah ..................................................................... 3

1.3 Tujuan Penelitian ..................................................................... 3

1.4 Manfaat Penelitian .................................................................. 3

1.5 Batasan Masalah Penelitian ...................................................... 3

1.6 Sistematika Penulisan ............................................................... 4

BAB II TINJAUAN PUSTAKA ................................................................ 6

2.1 Website ..................................................................................... 6

2.2 Online Shop ............................................................................... 7

2.3 PHP ........................................................................................... 11

2.4 Mysql......................................................................................... 12

2.5 Matlab ....................................................................................... 14

2.6 Citra Digital ............................................................................... 15

2.7 Pengolahan Citra ....................................................................... 17

2.8 Grayscale .................................................................................. 21

2.9 Thresholding ............................................................................ 22

2.10 Contrast Limited Adaptive Histogram Equalization .............. 23

2.11 Metode Geometri ................................................................... 24

2.12 Penelitian Terkait ................................................................... 25

BAB III METODOLOGI PENELITIAN.................................................... 27

3.1 Tahapan Penelitian .................................................................... 27

3.2 Lokasi dan Waktu Penelitian ................................................... 28

3.3 Instrumen Penelitian.................................................................. 29

3.4 Populasi dan Sampel Data ........................................................ 29

3.5 Perancangan Sistem .................................................................. 30

3.5.1 Input .................................................................................... 30

3.5.2 Preprocessing ...................................................................... 31

3.5.3 Penentuan Ukuran ............................................................... 40

3.6 Perancangan Web ...................................................................... 41

3.6.1 Perancangan Tampilan Utama ............................................ 41

3.6.2 Perancangan Tampilan Ambil Gambar ................................ 41

3.6.3 Perancangan Tampilan Hasil Ukuran ................................. 42

3.7 Analisis Kinerja Sistem ............................................................. 43

BAB IV HASIL DAN PEMBAHASAN .................................................... 44

4.1 Hasil Kinerja Sistem pada Web ................................................ 44

4.2 Hasil pengukuran badan ........................................................... 45

4.3 Rata-rata Waktu Pengukuran ................................................... 45

4.4 Hasil pengukuran badan ........................................................... 51

BAB V PENUTUP ..................................................................................... 55

5.1 Kesimpulan .............................................................................. 55

5.2 Saran ......................................................................................... 56

DAFTAR PUSTAKA ................................................................................ 57

LAMPIRAN ............................................................................................... 59

DAFTAR GAMBAR

Nomor halaman

Gambar 2.1 Online Shop .................................................................................... 8

Gambar 2.2 Alur Transaksi Online Shop ........................................................... 8

Gambar 2.3 Proses Pengolahan Citra ........................................................ 18

Gambar 2.4 (a) Citra Lena Asli (b) Citra Lena setelah ditajamkan .......... 19

Gambar 3.1 Tahapan penelitian ................................................................. 27

Gambar 3.2 Desain Sistem ......................................................................... 30

Gambar 3.3 (a) Posisi laptop dan jarak pengambilan gambar 75 cm

(b) bagian bahu responden tidak terpotong oleh batas sisi kamera…….. ... 31

Gambar 3.4 Alur Preprocessing ................................................................ 31

Gambar 3.5 (a) Citra grayscale responden (b) Pixel region proses

grayscale citra responden .......................................................................... 32

Gambar 3.6 Proses peningkatan kontras oleh CLAHE .............................. 32

Gambar 3.7 (a) histogram citra sebelum pemberian cliplimit (b)

histogram setelah pemberian cliplimit ........................................................ 33

Gambar 3.8 (a) histogram cliplimit 0,01, distribusi uniform (b) citra

responden hasil clahe .................................................................................. 34

Gambar 3.9 Citra hasil Threshold .............................................................. 35

Gambar 3.10 (a) citra sebelum operasi pembersihan noise (b) citra

Setelah pembersihan noise .......................................................................... 36

Gambar 3.11 (a) penentuan centroid (b) pembuatan boundary citra .......... 36

Gambar 3.12 hasil crop citra ....................................................................... 37

Gambar 3.13 Tampilan utama web ............................................................. 41

Gambar 3.14 Tampilan opsi Ukuranku (My Size) untuk ambil gambar ..... 42

Gambar 3.15 Tampilan hasil ukur ............................................................... 42

Gambar 4.1 Citra responden tidak sesuai skenario .................................... 54

DAFTAR TABEL

Nomor halaman

Tabel 3.1 Penskalaan............................................................................................. 38

Tabel 3.2 Range ukuran lebar bahu Pria ............................................................... 40

Tabel 3.3 Struktur Database table hasil ukur ....................................................... 43

Tabel 4.1 Hasil pengujian web .............................................................................. 44

Tabel 4.2 Hasil prediksi ukuran pada skenario pertama ....................................... 46

Tabel 4.3 Hasil prediksi ukuran pada skenario kedua ........................................... 48

Tabel 4.4 Kesalahan prediksi pada skenario pertama ............................................ 51

Tabel 4.5 Kesalahan prediksi pada skenario kedua .............................................. 52

BAB I

PENDAHULUAN

1.1 Latar Belakang

Online shop merupakan sarana untuk menjual barang atau jasa melalui

internet yang mengubah paradigma kegiatan proses jual-beli antara produsen

dan konsumen. Barang yang diperjual-belikan ditawarkan melalui display

dengan gambar yang ada di suatu website atau toko maya sehingga dapat

bertransaksi tanpa kontak secara fisik (Susrini, 2010).

Hasil riset Veritrans dan DailySocial menunjukkan bahwa penjualan

retail terbanyak melalui internet di Indonesia adalah pakaian. Namun, model

dan ukuran yang variatif membuat konsumen kesulitan dalam menentukan

pilihan maupun ukuran yang pas dengan badannya (Prasetio, 2012)

Berbagai solusi telah ditawarkan, seperti penelitian menggunakan

kamera Kinect yang dilengkapi IR Projector yang mampu memberikan

informasi depth, namun kamera ini tergolong mahal karena harganya mencapai

1,5 juta (Purwanto, 2015). Penelitian menggunakan kamera DSLR Sony

Cyber-shot lalu diproses pada perangkat terpisah, pada penelitian ini digunakan

antropometri manusia sebagai dasar perhitungan dan pengukuran, penelitian

ini masih berbentuk offline (Supriyanto, 2011). Penelitian menggunakan

kamera digital Canon IXUS sebagai media pengambilan gambar, dimana pada

proses pengambilan gambar responden tidak mengenakan baju. Nilai error

pengukuran bervariasi dalam kisaran 2,06 mm sampai 3,15 mm (Patrick,

2004).

Dari penelitian di atas, penentuan ukuran badan pada manusia

menggunakan citra hasil kamera diproses pada lebih dari satu perangkat, dan

masih secara offline. Oleh karena itu pada penelitian ini, akan dibuat sebuah

sistem yang mampu beroperasi dengan satu perangkat dalam mengambil dan

mengolah citra, kemudian informasi pengolahan citra akan ditampilkan pada

web sebagai hasil pengukuran badan konsumen tersebut.

Dalam proses pengambilan gambar, citra yang dihasilkan tidak selalu

memiliki kualitas yang baik, kadang terdapat banyak cahaya, atau ada bagian

yang terlihat samar sehingga gambar tidak terlihat jelas. Oleh sebab itu,

digunakan metode CLAHE serta nilai ambang batas Thresholding dalam

penelitian ini.

Metode Contras Limited Adaptive Histogram Equalization (CLAHE)

merupakan variasi peningkatan kualitas citra AHE dan HE. Cara kerja CLAHE

adalah membuat blok-blok kecil di citra, kemudian meningkatkan nilai kontras

blok-blok tersebut. CLAHE berfungsi untuk mengurangi derau pada citra (Rai,

2012). Berdasarkan pemaparan di atas, maka pada penelitian ini akan

dirancang “Penentuan Ukuran Pakaian pada Online Shop Berbasis

Pengolahan Citra”.

2.2 Rumusan Permasalahan

1. Bagaimana cara mengolah citra untuk mendapatkan hasil ukuran melalui

sistem yang dibangun?

2. Bagaimana menampilkan hasil pengukuran dan memberikan hasil

pengukuran baju pada konsumen dengan sistem yang dibangun?

2.3 Tujuan Penelitian

Tujuan akhir penelitian ialah :

1. Menghasilkan sebuah sistem yang mampu mengolah citra untuk

mendapatkan ukuran baju dari konsumen.

2. Menghasilkan sebuah sistem yang mampu menampilkan dan memberikan

hasil pengukuran pakaian pada konsumen.

2.4 Manfaat Penelitian

1. Bagi produsen, sistem ini dapat digunakan dalam pengembangan online

shop yang ditanamkan pada website guna membantu konsumen dalam

transaksi jual-beli dan meningkatkan kualitas online shop.

2. Bagi konsumen, sistem ini dapat digunakan sebagai solusi dalam

menentukan ukuran baju yang hendak dibeli.

2.5 Batasan Masalah

Adapun yang menjadi batasan masalah dalam penelitian ini ialah :

1. Penelitian ini mendeteksi ukuran badan dengan menggunakan resolusi

kamera 320 x 240 pixel dengan webcam PC.

2. Penelitian ini hanya ditujukan untuk mengukur badan pria karena terdapat

beberapa faktor dalam penentuan ukuran serta banyaknya varian pada

pakaian wanita.

3. Warna latar dan baju yang digunakan pada pengambilan gambar harus

berbeda dan polos.

4. Penelitian ini hanya ditujukan untuk pengukuran kaos.

2.6 Sistematika Penulisan

Laporan Tugas Akhir ini dibagi dalam lima Bab yang tersusun secara

sistematis, yakni :

BAB I PENDAHULUAN

Bab ini menjelaskan tentang latar belakang pengambilan judul Penentuan

Ukuran Pakaian pada Online Shop Berbasis Pengolahan Citra sebagai skripsi,

perumusan masalah, tujuan penelitian, batasan masalah, metode penulisan dan

sistematika penulisan.

BAB II LANDASAN TEORI

Bab ini membahas tentang penjelasan umum mengenai teori-teori yang

berkaitan dengan konsep dasar Online shop dan teknik pengolahan citra untuk

penentuan ukuran badan.

BAB III METODOLOGI PENELITIAN

Bab ini membahas mengenai bagaimana perancangan sistem penentuan ukuran

badan pria untuk Online shop berbasis pengolahan citra dan konsep

perancangannya.

BAB IV HASIL DAN PEMBAHASAN

Bab ini membahas mengenai eksekusi sistem serta hasil dan pembahasan hasil

pengujian

BAB V PENUTUP

Bab ini berisi kesimpulan dan saran dari penelitian yang dilakukan.

BAB II

TINJAUAN PUSTAKA

2.1 Website

Website adalah kumpulan dari beberapa halaman web dimana informasi

dalam bentuk teks, gambar, suara dan lain-lain dipresentasikan dalam bentuk

hypertext dan dapat diakses oleh perangkat lunak yang disebut dengan browser.

Informasi pada sebuah website pada umumnya ditulis dalam format HTML.

Website merupakan fasilitas internet yang menghubungkan dokumen dalam

lingkup lokal maupun jarak jauh. Dokumen pada website disebut dengan webpage

dan link yang memungkinkan pengguna bisa berpindah dari satu page ke page lain

(hyper text), baik diantara page yang disimpan dalam server yang sama maupun

server di seluruh dunia. Pages diakses dan dibaca melalui browser seperti Netscape

Navigator atau Internet Explorer dan lain sebagainya (Lukmanul, 2004).

Secara umum, website dikelompokkan berdasarkan fungsi, sifat dan

bahasanya, antara lain (Yuhefizar, 2009) :

1. Berdasarkan sifat :

a) Website dinamis

Merupakan website yang memiliki isi yang berubah-ubah setiap

saat, contohnya website berita.

b) Website statis

Merupakan website yang memiliki isi yang tetap atau jarang

diubah, misalnya web profile perusahaan.

2. Berdasarkan tujuan :

a) Personal web

Merupakan web yang berisi informasi dari pribadi seseorang.

b) Corporate web

Website yang dimiliki oleh sebuah perusahaan.

c) Portal web

Website yang memiliki layanan banyak, seperti berita e-mail dan

jasa lainnya.

d) Forum web

website yang dibuat memiliki tujuan sebagai media diskusi.

3. Berdasarkan segi bahasa :

a) Server side

Website yang dibuat menggunakan Bahasa pemrograman yang

disesuaikan dengan server.

b) Client side

Website yang tidak membutuhkan server untuk menjalankannya.

2.2 Online Shop

Online Shop atau Toko Online merupakan tempat berjualan yang sebagian

besar aktivitasnya berlangsung secara online di internet. Online shop menjadi bisnis

yang berpeluang besar karena tidak memiliki batas pasar (Yusuf, 2012).

Gambar 2.1 Online Shop (Tokopedia, 2018)

Ada dua mekanisme dalam pembayaran di toko online yaitu jalur online dan

jalur non-online. Pembeli dapat melangsungkan pembayaran secara online dengan

kartu kredit, layanan intenet banking atau dengan menggunakan paypall, e-gold,

dan alat pembayaran online lainnya. Sementara pembeli yang memilih pembayaran

non-online dilakukan dengan cara Cash on delivery (COD) dimana transaksi ini

dilakukan saat pembeli bersedia membayar barang jika pihak penjual

mengantarkannya ke alamat pembeli. Secara garis besar alur transaksi dapat dilihat

pada gambar berikut:

Gambar 2.2 Alur Transaksi Online Shop (Susrini, 2010)

Internet menawarkan sejuta harapan di bidang ekonomi, hampir semua

aktivitas perdagangan (jual-beli) dengan mudah dilakukan oleh sebagian orang

yang terhubung dengan jaringan world wide web. Berikut beberapa kelebihan dan

kekurangan internet dalam perdagangan online :

1. Kelebihan

a) Potensi ceruk pasar yang luas

Perdagangan online mampu menjangkau pasar yang lebih luas

dibandingkan perdagangan offline. Melalui jaringan internet, dapat

membantu pemasaran dan penetrasi secara online, yang dijalankan

hingga mencakup semua daerah hingga lintas negara.

b) Biaya operasional dapat dihemat

Biaya operasional cenderung lebih murah dibandingkan

perdagangan berbasis offline. Perdagangan online dapat dikerjakan dari

rumah dan darimana saja, tidak membutuhkan biaya operasional yang

relatif tinggi.

c) Mampu operasional 24 jam

Jam kerja perdagangan online tidak terbatas. Karena dalam

menjalankan perdagangan online yang bekerja adalah sistem, sehingga

tugas penjual atau pelaku usaha hanya memberikan follow up atas

permintaan yang telah diterima sistem.

d) Kemudahan pelayanan pada konsumen

Pelayanan dengan fasilitas online yang mendukung diberikan

kepada para konsumen. Contoh: untuk pembayaran dapat dilakukan

dengan mencantumkan nomor rekening bisnis anda, sehingga hasil

omset penjualan dapat langsung diterima.

e) Modal relatif kecil

Dalam bisnis online, modal bukan hal utama bagi para penjual atau

pemilik. Karena banyak peluang yang dapat dijalankan dengan modal

relatif kecil bahkan tanpa modal sama sekali, modal utama yang harus

dimiliki adalah fasilitas komputer dan jaringan internet.

f) Tidak memerlukan gudang dan tempat luas untuk stok barang

Para penjual tidak perlu memiliki tempat khusus untuk menyimpan

barang atau gudang besar untuk stok barang, sehingga bisa menghemat

biaya gudang atau sewa tempat.

g) Media promosi yang efektif

Promosi secara online lebih efektif, karena dalam prosesnya

penjual mampu membidik target pasar dengan menyesuaikan konten

yang up to date. Sehingga dengan adanya informasi yang ada pada situs,

penjual mampu memetakan pangsa pasar yang akan dituju.

2. Kekurangan

a) Ancaman virus

Salah satu masalah dalam dunia internet adalah ancaman virus

yang selalu berkembang. Berbagai macam virus yang telah tersebar

secara bevariatif, khususnya menyebar lewat jaringan internet baik

secara e-mail maupun file yang diunduh.

b) Tindakan kejahatan internet (cybercrime)

Tindak kejahatan yang terjadi di internet sering terjadi, contoh: hacking,

yaitu proses masuk secara ke situs tertentu yang dilakukan oleh hacker.

Selain itu, cracking, yaitu kegiatan hacking yang tidak hanya masuk

secara paksa, namun juga mengambil dan merusak data dari situs

tersebut.

2.3 PHP

PHP merupakan singkatan dari “Hypertext Preprocessor”, adalah sebuah

bahasa dalam HTML scripting tingkat tinggi yang bersifat open source. Bahasa

PHP sebagian besar mirip dengan bahasa C, Java dan juga Perl, perbedaaanya

hanya PHP memiliki beberapa fungsi yang lebih spesifik. Sedangkan tujuan yang

paling utama bahasa ini digunakan adalah untuk memungkinkan pengguna untuk

merancang web yang dinamis. Dinamis berarti halaman yang akan ditampilkan

dibuat saat halaman itu diminta oleh client. Mekanisme ini menyebabkan infomasi

yang diterima client selalu yang terbaru / up to date. Semua script PHP dieksekusi

pada server dimana script tersebut dijalankan, sedangkan yang dikirimkan kepada

browser adalah hasil proses dari script tersebut yang sudah berbentuk HTML

(Kadir, 2002)

Php memiliki kelebihan-kelebihan yaitu :

1. Membuat website menjadi dinamis,

2. Tersedia baik di Windows maupun Linux

3. Memiliki sintaks yang mirip dengan C sehingga mudah untuk dipelajari.

4. Mendukung banyak database

5. Program atau aplikasi yang dibuat dengan php dapat berjalan di semua

web browser.

Cara kerja PHP, disaat browser meminta dokumen berekstensi PHP, web

server langsung menggunakan modul PHP agar dokumen dapat diolah. apabila

pada dokumen terdapat fungsi yang mengakses database maka modul PHP

menyambung pada database server yang bersangkutan. Dokumen berformat PHP

diikirim kembali ke web server dalam format HTML, sehingga kode PHP tidak

terlihat disisi browser.

2.4 Mysql

Mysql adalah sistem manajemen basis data relasi yang bersifat terbuka atau

open source. Dalam bahasa Inggris disebut database management system atau

DBMS. Mysql merupakan database server yang berhubungan erat dengan PHP.

Mysql menggunakan bahasa standar SQL (Structure Query Language) sebagai

bahasa interaktif dalam mengelola data. Perintah SQL sering juga disebut Query.

Mysql menawarkan berbagai keunggulan dibandingkan database server lain

(Kroenke, 2005). Adapun kelebihan Mysql adalah :

1. Portabilitas

Mysql dapat berjalan di hampir semua sistem operasi seperti windows,

linux dan sistem operasi yang lain.

2. Open Source

Mysql didistribusi secara open source, dibawah lisensi GPL. Sehingga

dapat dipakai secara gratis.

3. Multiuser

Mysql dapat digunakan oleh beberapa user dalam waktu yang sama tanpa

konflik.

4. Performance tuning

Mysql memiliki kecepatan yang bagus dalam hal menangani query

sederhana, sehingga Mysql dapat memproses lebih banyak SQL per satuan

waktu.

5. Jenis Kolom

Mysql memiliki tipe kolom yang sangat kompleks.

6. Perintah dan Fungsi

Mysql memiliki operator dan fungsi secara penuh yang mendukung

perintah select, edit dan query yang lainnya.

7. Keamanan

Mysql memiliki lapisan sekuritas seperti subnetmask, host, dan izin akses

user dengan sistem perizinan yang mendetail dan sandi yang terenkripsi.

8. Skalabilitas dan Pembatasan

Mysql mampu menangani data dalam jumlah atau cakupan yang besar.

9. Konektivitas

Mysql dapat melakukan koneksi dengan dapat menggunakan banyak

protokol TCP/IP, Unix soket (UNIX), atau Named Pipes (NT).

10. Klien dan Peralatan

Mysql dilengkapi dengan berbagai peralatan (tool) yang dapat digunakan

untuk administrasi basis data, dan pada setiap peralatan yang ada disertakan

petunjuk online.

2.5 MATLAB

Matlab atau Matrix laboratory adalah software yang memudahkan untuk

melakukan komputasi numerik, dikembangkan oleh The MathWorks. Matlab telah

dilengkapi oleh berbagai toolbox yang dapat memudahkan untuk melakukan

komputasi numerik. Matlab memadukan komputasi, visualisasi dan pemrograman

yang mudah digunakan dalam menyelesaikan masalah notasi matematika. Matlab

lebih khusus digunakan untuk: matematika dan komputasi, pengembangan

algoritma, penambahan data, pemodelan, simulasi, analisis eksplorasi dan

visualisasi, teknik grafik, perancangan antar-muka pada grafika.

Matlab merupakan bahasa pemrograman yang hadir dengan fungsi dan

karakteristik yang berbeda dengan bahasa pemrograman lain yang sudah ada lebih

dahulu seperti Delphi, Basic maupun C++. Matlab hadir dengan membawa warna

yang berbeda. Hal ini karena matlab membawa keistimewaan dalam fungsi-fungsi

matematika, fisika, statistik, dan visualisasi. Matlab pada awalnya dikembangkan

untuk memberikan kemudahan mengakses data matrik pada proyek LINPACK dan

EISPACK. Saat ini matlab memiliki ratusan fungsi yang dapat digunakan sebagai

problem solver mulai dari yang sederhana sampai masalah-masalah yang rumit dari

berbagai disiplin ilmu (Firmansyah, 2007).

2.6 Citra Digital

Citra digital merupakan representatif dari citra yang diambil oleh mesin

dengan bentuk pendekatan berdasarkan sampling dan kuantitasi. Sampling

menyatakan besarnya kotak-kotak yang disusun dalam baris dan kolom, dengan

kata lain, sampling pada citra menyatakan besar kecilnya ukuran pixel (titik) pada

citra, dan kuantitasi menyatakan besarnya nilai tingkat kecerahan yang dinyatakan

dalam nilai tingkat keabuan (grayscale) sesuai dengan jumlah bit biner yang

digunakan oleh mesin, dengan kata lain kuantitasi pada citra menyatakan jumlah

warna yang ada pada citra (Basuki 2005:4).

Ada banyak cara untuk menyimpan citra digital di dalam memori. Cara

penyimpanan menentukan menentukan jenis citra digital yang terbentuk. Beberapa

jenis citra digital yang sering digunakan adalah citra biner, citra grayscale dan citra

warna (Sutoyo, 2009:21).

1) Citra Biner (Monokrom)

Banyaknya dua warna, yaitu hitam dan putih. Dibutuhkan 1 bit di

memori untuk menyimpan kedua warna ini.

2) Citra Grayscale (Skala Keabuan)

Banyaknya warna tergantung pada jumlah bit yang disediakan di

memori untuk menampung kebutuhan warna ini. Citra 2 bit mewakili 4

warna, citra 3 bit mewakili warna, dan seterusnya. Semakin besar jumlah bit

warna yang disediakan di memori, semakin halus gradasi warna yang

terbentuk.

3) Citra Warna (True Color)

Setiap pixel pada citra warna mewakili warna yang merupakan

kombinasi dari tiga warna dasar (RGB = Red Green Blue). Setiap warna

dasar menggunakan penyimpanan 8 bit = 1 byte, yang berarti setiap warna

mempunyai gradasi sebanyak 255 warna. Artinya, setiap pixel mempunyai

kombinasi warna sebanyak 28 x 28 x 28 = 224 = 16 juta warna lebih. Format

ini dinamakan true color karena mempunyai jumlah warna yang cukup

besar sehingga bisa dikatakan hampir mencakup semua warna di alam

(Sutoyo, 2009:21).

Selain jenis-jenis citra, ada pula elemen-elemen yang terdapat pada

citra, yaitu :

1) Kecerahan (Brightness)

Merupakan intensitas cahaya yang dipancarkan pixel dari citra yang

dapat ditangkap oleh sistem penglihatan. Kecerahan pada sebuah titik

(pixel) di dalam citra merupakan intensitas rata-rata dari suatu area yang

melingkupinya.

2) Kontras (Contrast)

Menyatakan sebaran terang dan gelap dalam sebuah citra. Pada citra

yang baik, komposisi gelap dan terang tersebar secara merata.

3) Kontur (Contour)

Keadaan yang ditimbulkan oleh perubahan intensitas pada pixel-pixel

yang bertetangga. Perubahan intensitas ini menyebabkan mata mampu

mendeteksi tepi-tepi objek di dalam citra.

11. Warna

Warna sebagai persepsi yang ditangkap sistem visual terhadap panjang

gelombang cahaya yang dipantulkan oleh objek.

12. Bentuk (Shape)

Shape adalah property intrinsic dari objek 3 dimensi, dengan pengertian

bahwa bentuk merupakan property intrinsic utama untuk sistem visual

manusia.

13. Tekstur (Texture)

Texture dicirikan sebagai distribusi spasial dari derajat keabuan di

dalam sekumpulan pixel-pixel yang bertetangga. Tekstur adalah sifat-sifat

atau karakteristik yang dimiliki oleh suatu daerah yang cukup besar,

sehingga secara alami sifat-sifat tadi dapat berulang dalam daerah tersebut.

Tekstur adalah keteraturan pola-pola tertentu yang terbentuk dari susunan

pixel-pixel dalam citra digital. Informasi tekstur dapat digunakan untuk

membedakan siifat-sifat permukaan suatu benda dalam citra yang

berhubungan dengan kasar dan halus, juga sifat-sifat spesifik dari kekasaran

dan kehalusan permukaan tadi, yang sama sekali terlepas dari warna

permukaan tersebut.

2.7 Pengolahan Citra

Pengolahan citra merupakan kegiatan memperbaiki kualitas citra agar

mudah diinterpretasi oleh manusia/mesin (komputer) (Mulyanto, 2007).

Inputannya adalah citra dan keluarannya juga citra tetapi dengan kualitas yang lebih

baik daripada citra masukan. Proses pengolahan citra dimulai dari pengambilan

citra, perbaikan citra, sampai dengan pernyataan representatif citra yang

digambarkan sebagai berikut :

Gambar 2.3 Proses Pengolahan Citra (Basuki, 2005)

Pengolahan citra memiliki beberapa tujuan, antara lain :

Memperbaiki kualitas gambar, dilihat dari aspek radiometric dan aspek

geometric. Aspek radiometric terdiri atas peningkatan kontras, restorasi

citra, dan transformasi warna. Sedangkan aspek geometric terdiri dari rotasi,

skala, translasi, transformasi geometric.

Melakukan proses penarikan informasi atau deskripsi objek atau

pengenalan objek yang terkandung pada citra.

Melakukan pemulihan citra ciri (feature images) yang optimal untuk

tujuan analisis.

Melakukan kompresi atau reduksi data untuk tujuan penyimpanan data,

transmisi data, dan waktu proses data.

Secara umum, operasi pengolahan citra dapat diklasifikasikan dalam

beberapa jenis sebagai berikut :

1. Perbaikan kualitas citra (image enhancement)

Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan

cara memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri

khusus yang terdapat didalam citra ditonjolkan. Salah satu proses perbaikan

kualitas citra adalah perbaikan kontras gelap/terang. Kontras menyatakan

sebaran terang (lightness) dan gelap (darkness) di dalam sebuah gambar.

Secara intuitif kontras citra dapat dibedakan menjadi tiga kategori (Munir,

R. 2004, Pengolahan Citra Digital, Bandung: Informatika) yaitu :

Kontras rendah: citra nampak gelap atau sangat terang. Karakteristik

pada histogramnya terkelompok pada suatu nilai grayscale tertentu.

Kontras bagus: pada kontras bagus suatu citra memiliki karakteristik

histogram citranya memiliki sebaran yang relative seragam.

Kontras tinggi: citra dengan kontras yang tinggi didominasi oleh warna

gelap atau terang. Ciri pada histogram terlihat dua puncak maksimum.

Selain peningkatan kontras terdapat pula perbaikan tepian objek (edge

enhancement), penajaman (sharpening), pemberian warna semu (pseudocoloring),

dan penapisan derau (noise filtering).

Gambar 2.4 - (a) Citra Lena asli, (b) Citra Lena setelah ditajamkan

(Schalkoff, 1989)

(a) (b)

2. Pemugaran citra (image restoration)

Operasi ini bertujuan menghilangkan/meminimumkan cacat pada citra.

Tujuan pemugaran citra hampir sama dengan operasi perbaikan citra.

Namun, pada pemugaran citra penyebab degradasi gambar diketahui.

Contoh: penghilangan kesamaran (deblurring) dan penghilangan derau

(noise).

3. Pemampatan citra (image compression)

Operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk

yang lebih kompak sehingga memerlukan memori yang lebih sedikit.

4. Segmentasi citra (image segmentation)

Operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa

segmen dengan suatu kriteria tertentu.

5. Pengorakan citra (image analysis)

Operasi ini bertujuan untuk menghitung besaran kuantitatif dari citra

untuk menghasilkan deskripsinya. Teknik pengorakan citra mengekstraksi

ciri-ciri tertentu yang membantu dalam identifikasi objek. Contoh:

pendeteksian tepi objek (edge detection), ekstraksi batas (boundary),

representasi daerah (region).

6. Rekonstruksi citra (image reconstruction)

Bertujuan untuk membentuk ulang objek dari beberapa citra hasil

proyeksi. Operasi rekonstruksi banyak digunakan dalam bidang medis.

Umumnya, operasi-operasi pada pengolahan citra diterapkan pada

apabila :

1. Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan

kualitas penampakan atau untuk menonjolkan beberapa aspek

informasi yang terkandung di dalam citra,

2. Elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur,

3. Sebagian citra perlu digabung dengan bagian citra yang lain.

2.8 Graysale

Proses awal yang banyak dilakukan dalam image processing adalah

merubah citra berwarna menjadi grayscale (Basuki, 2005:4). Hal ini digunakan

untuk menyederhanakan model citra. Pada citra berwarna terdiri dari 3 layer matrix,

yaitu R-layer, G-layer dan B-layer sehingga untuk melakukan proses-proses

selanjutnya tetap diperhatikan tiga layer diatas. Bila setiap proses perhitungan

dilakukan menggunakan tiga layer, berarti dilakukan tiga perhitungan yang sama.

Dengan demikian, konsep itu diubah dengan mengubah tiga layer diatas menjadi 1

layer matrix grayscale dan hasilnya adalah citra grayscale. Dalam citra ini tidak

ada lagi warna, yang ada adalah derajat keabu-abuan. Untuk mengubah citra

berwarna yang mempunyai nilai matrix masing-masing r, g, dan b menjadi citra

grayscale dengan nilai s, maka konversi dapat dilakukan dengan mengambil rata-

rata dari nilai r, g, dan b sehingga dapat dituliskan menjadi:

S= (r + g + b)/3 (1)

2.9 Thresholding

Thresholding atau ambang batas keabuan merupakan metode pengolahan

citra untuk memetakan pixel yang memenuhi syarat ambang batas dan dipetakan ke

suatu nilai pixel yang dikehendaki.

𝑓0(𝑥, 𝑦) =

{

𝑇1, 𝑓0(𝑥, 𝑦) ≤ 𝑇1

𝑇2, 𝑇1 < 𝑓1(𝑥, 𝑦) ≤ 𝑇2

𝑇3, 𝑇2 < 𝑓1(𝑥, 𝑦) ≤ 𝑇3..

𝑇𝑛, 𝑇𝑛 − 1 < 𝑓1(𝑥, 𝑦) ≤ 𝑇𝑛

Keterangan:

f0(x,y) : adalah citra hasil threshold

T : Nilai Pemetaan Pixel

dimisalkan T1 =50,T2=100 T3=150, maka dapat dipetakan seluruh nilai yang

berada dari 0-50 akan diganti dengan nilai 50, yang berada antar 50 sampai 100

diganti dengan nilai 100, yang berada antara 100 sampai 150 diganti dengan nilai

150, begitu seterusnya sesuai dengan pemetaan yang dibuat, dan pembentukan peta

harus sesuai dengan kebutuhan, contoh operasi abang batas tunggal.

Operasi ambang batas tunggal adalah yaitu batas pembagian hanya satu,

berarti nilai pixel dikelompokkan menjadi dua kelompok seperti ditunjukkan pada

rumus berikut :

𝑓0(𝑥, 𝑦) = {0, 𝑓1(𝑥, 𝑦) < 128

255, 𝑓1(𝑥, 𝑦) ≥ 128

Pixel-pixel yang nilai intensitasnya dibawah 128 diubah menjadi hitam (nilai

intensitas 0), sedangkan pixel-pixel yang nlai intensitasnya diatas 128 diubah

menjadi warna putih (nilai intensitas = 255) (Rahman, 2013) .

(2)

(3)

Algoritma Thresholding sebagai berikut :

1. Memulai

2. Membaca panjang dan lebar pixel citra

3. Menentukan batas ambang keabuan

4. Mengambil nilai gray pada tiap pixel citra

5. Jika nilai gray lebih kecil dar batas ambang keabuan, ubah nilai gray

menjadi 0

6. Jika nilai gray lebih besar dari batas ambang keabuan, ubah nilai gray

menjadi 1

7. Menyelesaikan

2.10 Contrast Limited Adaptive Histogram Equalization (CLAHE)

CLAHE termasuk teknik perbaikan citra yang digunakan untuk

memperbaiki kontras pada citra. CLAHE memperbaiki local contrast pada citra.

Algoritma CLAHE mempartisi citra ke daerah kontekstual dan menerapkan

pemerataan histogram untuk masing-masing nilai pixel citra. CLAHE

menghasilkan distribusi nilai abu-abu yang digunakan, dengan demikian membuat

fitur tersembunyi dari citra lebih terlihat. CLAHE merupakan generalisasi dari

Adaptive Histogram Equalization (AHE). Berbeda dengan Histogram Equalization

(HE) yang beroperasi pada keseluruhan region pada citra, CLAHE beroperasi pada

region kecil pada citra grayscale yang disebut dengan tile. Kontras pada setiap tile

diperbaiki sehingga histogram yang dihasilkan dari region tersebut cocok dengan

bentuk histogram yang ditentukan. Tile yang saling bertetangga disambungkan

dengan menggunakan interpolasi bilinear. Hal ini dilakukan agar hasil

penggabungan tile terlihat halus (Rai, 2012.).

2.11 Metode Geometri

Metode Geometri merupakan metode modifikasi susunan pixel. Dengan

kata lain, koordinat pixel berubah akibat transformasi, sedangkan intensitasnya

tetap. Dalam bahasa pemrograman, proses geometri merupakan algoritma untuk

memanipulasi lokasi atau koordinat pixel pada citra. Proses pengubahan geometri

dari citra f(x,y) menjadi citra baru f’(x,y) dapat ditulis sebagai (Syakhfari, 2011) :

f’ (x’ , y’) = f(g1(x , y), g2(x , y))

dalam hal ini g1(x , y) dan g2(x , y) adalah fungsi trasnformasi geometrik.

Dengan kata lain :

x’ = g1(x , y)

y = g2(x , y)

Salah satu proses geometri ialah penskalaan citra, yaitu mengubah ukuran

citra asli (zoom in) memperbesar ukuran citra asli atau (zoom out) memperkecil

ukuran citra. Rumus penskalaan dapat ditulis sebagai :

x’ = Sx . x

y’ = Sy . y

Keterangan :

Sx = faktor skala horizontal Sy = faktor skala vertikal

(4)

(5)

(6)

2.12 Penelitian Terkait

Penelitian terkait pengukuran, penentuan ukuran pakaian pada Online shop

dan metode CLAHE sebagai berikut :

1. “Anthropometric Measurements From Photographic Images” Patrick Chi, dkk

(2004)

Penelitian ini dilakukan dengan membandingkan hasil pengukuran antropometri

linier dan keliling. Menggunakan kamera digital Canon IXUS sebagai media

pengambilan gambar, responden pada penelitian ini adalah laki-laki dimana proses

pengambilan gambar dilakukan dengan 3 posisi, dari tampak samping, depan, dan

belakang serta responden tidak mengenakan baju. Nilai error pengukuran dari

kedua metode bervariasi dalam kisaran 2,06 mm sampai 3,15 mm.

2. “Perancangan Sistem Pengukuran Antropometri Badan dan Pembuatan Pola

dalam Industri Konveksi dengan menggunakan Image Processing”, Firman

Supriyanto, dkk (2011)

Penelitian ini dilakukan dengan menggunakan kamera digital Sony Cyber-Shot dan

hasil gambar diolah pada perangkat terpisah. Penelitian ini menggunakan dimensi

antropometri tinggi tubuh dalam posisi berdiri (D1) dan jarak bentang dari ujung

jari tangan kanan hingga ke kiri (D23) sebagai acuan pengukuran dengan skala 1

pixel = 0,055 cm. jarak pengambilan terbesar pada penelitian ini adalah 2 m. tetapi

jarak tersebut dapat berubah-ubah dikarenakan perbedaan tinggi badan dari

responden dengan nilai rata-rata error 0,78%.

3. “Sistem Pengukuran Badan Pria untuk Menentukan Ukuran Baju berbasis

Kamera Kinect”, Djoko Purwanto, dkk (2015)

Menggunakan kamera Kinect yang dilengkapi IR Projector yang mampu

memberikan informasi depth dengan jarak pengambilan gambar 1000 mm hingga

4000 mm, Algoritma Backpropogation Neural Network untuk memberikan

perkiraan lebar badan pengguna. Sistem ini sangat sensitif terhadap pergerakan

kecil serta ukuran baju yang digunakan pengguna dapat menyebabkan kesalahan

estimasi lebar badan dengan nilai rata-rata error ukuran bahu 5,07% dan lebar badan

2,68%

4. “Optimasi Minimum Luas Kain pada Pola Ukuran Baju Koko menggunakan

Algoritma Greedy”, Imam Amirulloh, dkk (2016)

Pada penelitian ini Algoritma Greedy digunakan untuk menentukan langkah-

langkah serta perhitungan dalam menentukan luas kain yang dapat dipasang pada

pola baju yang dibutuhkan. Algoritma Greedy hanya menghasilkan pengaturan

sebuah pola baju yang bisa dipasang muat tanpa perhitungan sisa kain secara

keseluruhan yang tidak terpakai. Selain itu, penelitian ini juga terbatas hanya pada

pola baju ukuran M.

5. “Peningkatan Kontras Menggunakan Metode Contrast Limited Adaptive

Histogram Equalization pada Citra Underwater” Dina Indriana (2014).

Penelitian ini ditujukan untuk memperbaiki kontras citra hasil pengambilan gambar

bawah laut tanpa mengurangi kualitas dari citra tersebut. Pada penelitian ini

dilakukan perbandingan kinerja CLAHE dengan 3 distribusi berbeda yakni

Rayleigh, Uniform, dan Exponential yang menghasilkan metode CLAHE dengan

distribusi Rayleigh adalah yang terbaik dengan nilai MSE 0,6573 dan nilai PSNR

49,9593 dB.

BAB III

METODOLOGI PENELITIAN

3.1 Tahapan Penelitian

Penelitian ini merupakan pengembangan dari penelitian-penelitian yang

sudah ada sebelumnya. Pada penelitian ini akan dilakukan pengambilan, dan

penentuan ukuran dalam satu website. Adapun tahap-tahap secara umum dalam

penelitian ini ialah sebagai berikut :

Gambar 3.1 Tahapan Penelitian

Pengumpulan Data dan

Studi terkait

Perancangan sistem

Penentuan Ukuran Badan

Evaluasi Sistem

Pelaporan

Penjelasan mengenai tahap-tahap dalam penelitian ini ialah sebagai

berikut :

1. Pengumpulan Data dan Studi Literatur.

Merupakan tahap awal dimana dilakukan pencarian berbagai penelitian

terdahulu yang terkait dengan penentuan ukuran badan dengan Metode CLAHE dan

thresholding untuk peningkatan kontras serta pemisahan objek dengan background.

Bagian ini juga ditujukan untuk merancang penelitian awal agar terbentuk sebuah

hipotesa yang dijadikan sebagai acuan dasar yang akan dilanjutkan pada tahapan

selanjutnya.

2. Perancangan Sistem penentuan ukuran.

Pada tahap ini, langkah pertama yang dilakukan ialah membuat diagram

penelitian secara umum. Kemudian dilakukan pengolahan gambar dengan

menggunakan software Matlab dan perancangan sistem tampilan web.

3. Evaluasi Sistem.

Pada tahap ini, sistem akan dievaluasi untuk melihat kinerja sistem yang

disesuaikan dengan karakteristik seperti akurasi sistem.

4. Pelaporan.

Merupakan tahap penulisan seluruh proses penelitian yang telah dilakukan

dalam bentuk skripsi.

3.2 Lokasi dan Waktu Penelitian

Proses penelitian dilakukan di lab Artificial Intelligence and Multimedia

Processing (AIMP) dan pengambilan data dilakukan Gedung Classroom Lt.3

Fakultas Teknik Universitas Hasanuddin serta SMAN 12 Makassar, sedangkan

waktu penelitian dimulai dari bulan September 2017 sampai Februari 2018.

3.3 Instrumentasi Penelitian

Adapun instrumen yang digunakan pada penelitian ini ialah :

a. Laptop Asus A456U Intel Core i5 7th Gen-7200U, RAM 4GB,

b. Pita pengukur badan

c. Roll meter 7m

d. Software MATLAB R2016a yang berjalan pada sistem operasi

Windows 10 Pro 64-bit

e. Sublime text 3

f. Xampp

g. Webcam dengan resolusi 320 x 240 px.

3.4 Populasi dan Sampel Data

Tahapan pengumpulan data terdiri dari pengumpulan data primer dan

pengumpulan data sekunder, yaitu :

a) Data Primer

Data yang digunakan adalah data gambar responden yang diambil langsung

dengan webcam laptop sesuai dengan skenario pengambilan gambar. Data

primer diambil langsung dan mengukur Lebar Badan (LB) responden pada

kondisi siang dengan latar yang telah ditentukan.

b) Data Sekunder

Dalam penelitian ini data sekunder berupa literatur baik yang terdapat pada

buku, jurnal maupun pada internet. Literatur yang dikumpulkan berupa

literatur yang membahas teori dari metode CLAHE, Thresholding, dan

Geometri.

3.5 Perancangan Sistem

Pada perancangan sistem ini terdapat beberapa proses yang dilalui agar

sistem dapat mendeteksi dan mengukur badan, yaitu :

Gambar 3.2 Desain sistem

3.5.1 Input

Proses input merupakan proses awal dari penentuan ukuran badan.

Pengambilan gambar pada penelitian ini menggunakan kamera laptop (webcam).

Pada tahap ini gambar inputan berjenis RGB dengan resolusi 320x240 pixel.

Gambar yang didapatkan kemudian disimpan pada database dan direktori

penyimpanan sistem dengan format *.png. Sebelumnya telah dilakukan observasi,

berdasarkan observasi yang hasilnya ditampilkan pada bagian hasil dan

pembahasan, kondisi terbaik untuk mendapatkan akurasi pengukuran maksimal

adalah pengambilan gambar dengan jarak 75 cm (tepat didepan laptop), kondisi

intensitas cahaya yang merata, tidak terdapat bayangan hitam pada citra,

penggunaan baju dan latar pada saat pengambilan gambar adalah polos dan kontras,

Preprocessing Penentuan

ukuran Output Input

serta gambar yang didapat harus gambar responden yang fitur bahunya tidak

terpotong oleh batas atas kamera lalu dilanjutkan dengan pengukuran badan

responden dengan menggunakan pita pengukur badan untuk digunakan sebagai data

asli pengukuran. Contoh pengambilan gambar dari web ditunjukkan pada gambar

3.3.

(a) (b)

Gambar 3.3 (a) Posisi laptop dan jarak pengambilan gambar 75 cm (b)

bagian bahu responden tidak terpotong oleh batas sisi camera

3.5.2 Preprocessing

Setelah data input didapatkan, proses selanjutnya ialah tahap preprocessing.

Dalam preprocessing, gambar masukan akan melalui beberapa proses agar nanti

bisa dipakai dalam pendeteksian sisi dan cropping. Beberapa proses yang dilakukan

pada sistem ini adalah :

Gambar 3.4 Alur Preprocessing

CLAHE Thresholding grayscale

Centroid region

Bounding

box Cropping

a) Grayscale

Pada tahap ini citra responden pada gambar 3.3 diubah menjadi gambar

grayscale jadi citra hanya berisikan nilai 0 – 255 tiap pixel nya, berikut pixel

region pada proses grayscale.

(a) (b)

Gambar 3.5 (a) citra grayscale responden (b) Pixel region proses

grayscale citra responden

b) CLAHE

Setelah melakukan proses grayscale maka selanjutnya adalah tahap CLAHE.

Adapun prosesnya adalah sebagai berikut :

Gambar 3.6 proses peningkatan kontras oleh CLAHE

Berdasarkan Gambar 3.5 proses peningkatan kontras oleh CLAHE

terdiri dari beberapa tahap yang dijelaskan sebagai berikut :

Inisialisasi Cliplimit

Cliplimit adalah nilai batas pada histogram, cliplimit menyatakan

batas maksimum tinggi suatu histogram. Tanpa cliplimit teknik pemerataan

histogram adaptif dapat memberikan hasil yang lebih buruk dari citra

aslinya. Berikut adalah tahapan pada inisialisasi cliplimit :

Step 1 : Menentukan nilai cliplimit dengan menggunakan nilai 0.01

sebagai batas histogram.

Digunakan nilai 0.01 karena merupakan standar umum penilaian cliplimit.

Semakin besar pemberian nilai cliplimit menyebabkan hidden feature

menjadi semakin muncul, hal ini dapat memacu kemunculan noise disekitar

citra sehingga dapat mengganggu proses segmentasi.

Step 2 : Membentuk histogram tiap-tiap tile.

Step 3 : Memotong histogram dengan Cliplimit.

(a) (b)

Gambar 3.7 (a) histogram citra sebelum pemberian cliplimit (b)

histogram setelah pemberian cliplimit

Distribusi Excess

Histogram diatas nilai cliplimit dianggap kelebihan (excess) pixel

sehingga akan didistribusikan pada area dibawah cliplimit agar histogram

merata. Berikut adalah tahapan pada proses Distribusi excess :

Step 1 : Menentukan jenis distribusi yang diinginkan.

Distribusi Uniform digunakan pada tahap ini karena merupakan standar

pemerataan histogram pada proses distribusi.

Step 2 : Mapping histogram baru ke citra

Step 3 : Interpolasi pixel pada tile bertetangga

Tile yang saling bertetangga dihubungkan dengan menggunakan interpolasi

bilinear. Hal ini dilakukan agar hasil penggabungan tile terlihat halus.

(a) (b)

Gambar 3.8 (a) histogram cliplimit 0.01, distribusi uniform (b) citra

responden hasil clahe

c) Thresholding

Thresholding digunakan untuk mengubah citra derajat keabuan menjadi

citra biner atau hitam putih sehingga dapat diketahui daerah mana yang

termasuk objek dan background dari citra secara jelas. Pada penelitian ini

digunakan nilai ambang batas 130/255, dimana nilai tersebut digunakan

setelah hasil pra-eksperimen dengan citra. Hasilnya sebagai berikut :

Gambar 3.9 Citra hasil Threshold

Berdasarkan gambar 3.9 dapat dilihat bahwa dengan menggunakan

nilai threshold 130/255 output dari citra lebih sedikit noise dibandingkan

dengan output dari hasil proses nilai threshold lainnya.

d) Pembersihan Noise

Pada gambar 3.9 dapat dilihat bahwa citra masih memiliki noise setelah

dilakukan proses thresholding. Untuk itu, pada tahap ini citra hasil

thresholding akan dibersihkan dari objek-objek kecil seperti noise yang dapat

mengganggu proses selanjutnya. adapun hasil pembersihan noise dapat

dilihat pada gambar 3.9.

(a)

100/255 130/255 150/255

(b)

Gambar 3.10 (a) citra sebelum operasi pembersihan noise (b) citra

setelah pembersihan noise

e) Centroid Region

Proses selanjutnya pada sistem ini adalah menentukan properties dari

citra yang diolah, properties dapat berupa value atau dapat berupa bentuk dari

citra tersebut. Centroid adalah properties dasar yang terdapat pada Matlab.

Centroid merupakan koordinat titik tengah dari suatu objek. Pada penelitian

ini pencarian titik tengah (centroid) dilakukan agar memudahkan dalam

proses boundaries maupun pembuatan bounding box dari citra responden.

(a) (b)

Gambar 3.11 (a) penentuan centroid (b) pembuatan boundary citra

f) Cropping

Pada tahap ini hasil bounding box citra responden yang sudah di dapatkan

akan dipotong untuk mendapatkan ukuran yang diinginkan. Cropping

dilakukan dengan melakukan pemotongan persis pada citra tepian bahu. Hal

ini dilakukan karena yang menjadi tolak ukur pada sistem penentuan ukuran

badan ini ialah nilai pixel lebar bahu responden. Hasil crop dapat dilihat pada

gambar 3.12

Gambar 3.12 hasil crop citra

g) Konversi Pixel dan CM

Setelah dilakukuan proses cropping maka didapatkan informasi lebar

pixel bahu dari responden yang ingin diketahui ukuran pakaiannya. Dalam

proses ini dilakukan pencarian nilai skala menggunakan metode geometri,

dimana nilai skala ini digunakan untuk mengubah ukuran pixel yang didapat

menjadi centimeter (cm). Untuk mencari nilai skala dilakukan pengambilan

gambar dan pengukuran real pada 25 responden dengan persamaan sebagai

berikut :

𝑎 =𝑁(∑ 𝑥𝑖𝑦𝑖) − (∑ 𝑥𝑖

𝑛𝑖=1 )(∑ 𝑦𝑖

𝑛𝑖=1 )𝑛

𝑖=1

𝑁(∑ 𝑥𝑖2𝑛

𝑖=1 ) − (∑ 𝑥𝑖𝑛𝑖=1 )2

(7)

)

𝑏 = ȳ − 𝑎�̅�

Dengan N = jumlah data

Tabel 3.1 penskalaan

No x (pixel) y (cm) xy x2 y2

1 231 45 10395 53361 2025

2 278 57 15846 77284 3249

3 237 47 11139 56169 2209

4 255 46 11730 65025 2116

5 209 42 8778 43681 1764

6 217 42 9114 47089 1764

7 235 43 10105 55225 1849

8 244 48 11712 59536 2304

9 248 49 12152 61504 2401

10 228 43 9804 51984 1849

11 265 52 13780 70225 2704

12 220 43 9460 48400 1849

13 267 54 14418 71289 2916

14 229 45 10305 52441 2025

15 244 47 11468 59536 2209

16 245 46 11270 60025 2116

17 225 43 9675 50625 1849

18 220 41 9020 48400 1681

(8)

No x(pixel) y(cm) xy x2 y2

19 225 43 9675 50625 1849

20 271 51 13821 73441 2601

21 259 50 12950 67081 2500

22 269 55 14795 72361 3025

23 234 46 10764 54756 2116

24 263 52 13676 69169 2704

25 277 57 15789 76729 3249

jumlah 6095 1187 291641 1495961 56923

Rata-

rata

243,8 47,48

Hasil diatas kemudian dimasukkan ke dalam perhitungan :

𝑎 =𝑁(∑ 𝑥𝑖𝑦𝑖) − (∑ 𝑥𝑖

25𝑖=1 )(∑ 𝑦𝑖

25𝑖=1 )25

𝑖=1

𝑁(∑ 𝑥𝑖225

𝑖=1 ) − (∑ 𝑥𝑖25𝑖=1 )2

= 25(291641)−(6095 𝑥 1187)

25(1495961)−(6095)2

= 56260

250000 = 0,25504

𝑏 = ȳ − 𝑎�̅�

= 47,48 – (0,25504 x 243,8)

= - 14,698752

Nilai yang didapat dari a dan b inilah yang digunakan menjadi skala

untuk merubah ukuran pixel menjadi cm. dari nilai yang didapat diatas

Tabel 3.1 Lanjutan (penskalaan)

kemudian dimasukkan ke dalam persamaan linear. Bentuk matematikanya

adalah :

𝒚 = 𝒂𝒙 + 𝒃

𝑦 = 𝑢𝑘𝑢𝑟𝑎𝑛 𝑛𝑦𝑎𝑡𝑎 (𝑐𝑚) 𝑎 = 𝑛𝑖𝑙𝑎𝑖 𝑔𝑟𝑎𝑑𝑖𝑒𝑛

𝑥 = 𝑢𝑘𝑢𝑟𝑎𝑛 𝑝𝑖𝑥𝑒𝑙 𝑏 = 𝑘𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑎

Nilai skala yang digunakan adalah 𝑦 = 0,255 𝑥 − 14,69 dengan y

ukuran nyata dalam bentuk centimeter dan x ukuran dalam pixel.

3.5.3 Penentuan Ukuran

Hasil keputusan perhitungan kemudian disesuaikan berdasarkan range

standar ukuran lebar bahu pria sebagai berikut (Marhaeni, 2017) :

Tabel : 3.2 Range ukuran lebar bahu Pria

S M L XL

40-44 45-49 50-54 55-59

Jika hasil perhitungan sistem menunjukkan angka kisaran 40 – 44 cm maka

responden dinyatakan memiliki ukuran baju S, jika hasil perhitungan menunjukkan

angka kisaran 45 – 49 cm maka reponden dinyatakan memiliki ukuran baju M, jika

hasil perhitungan menunjukkan angka kisaran 50 – 54 cm maka responden

dinyatakan memiliki ukuran baju L, begitu pula pada hasil perhitungan sistem yang

menunjukkan angka kisaran 55 – 59 cm maka responden dinyatakan memiliki

ukuran baju XL.

(9)

3.6 Perancangan Web

Perancangan web merupakan desain sistem web dari penentuan ukuran

badan. Sistem ini digunakan untuk menampilkan informasi size yang telah

didapatkan dari pengolahan citra sebelumnya. Perancangan web akan dibagi

menjadi dua bagian. Pertama adalah untuk merancang database MySQL dan yang

kedua adalah untuk merancang tampilan web dari Online Shop.

3.6.1 Perancangan Tampilan Utama

Pada tahap ini, dilakukan perancangan tampilan atau layout antar muka

(Interface) dari sistem web. Perancangan yang dilakukan meliputi perancangan

tampilan awal halaman dan tampilan informasi ukuran baju pada sistem. Pada

tampilan awal terdapat menu layaknya Online Shop dengan dua tombol opsi untuk

membeli (Buy) dan Ukuranku (my size) untuk mencari tahu ukuran pakaian

responden.

Gambar 3.13 Tampilan utama web

3.6.2 Perancangan Tampilan Ambil Gambar

Pada halaman ini dilakukan perancangan tampilan untuk menampilkan

kamera untuk mengambil gambar responden. Tampilan ini merupakan menu

lanjutan dari opsi Ukuranku (My size). Tampilan halaman ambil gambar

ditunjukkan pada gambar 3.14

Gambar 3.14 tampilan opsi Ukuranku (My size) untuk ambil gambar

3.6.3 Perancangan Tampilan Hasil Ukuran

Pada halaman ini data-data yang telah diolah dan disimpan pada database

ditampilkan berdasarkan gambar yang diolah dan tabel yang tersedia. Tampilan

halaman hasil ukuran ditunjukkan pada gambar 3.14.

Gambar 3.15 Tampilan hasil ukur

3.6.4 Perancangan Database MySQL

Struktur database dalam pembuatan sistem ini menggunakan database

MySQL. Perancangan database ini bertujuan untuk membuat struktur tabel yang

49 Medium 250

digunakan dalam penyimpanan data hasil pengolahan citra dari software Matlab.

Berikut adalah rancangan tabel yang digunakan.

1. Tabel hasil ukur

Database : keluaran

Deskripsi : menyimpan data hasil pengolahan citra responden

Tabel 3.3 Struktur Database table hasil ukur

No Nama Field Tipe Panjang/Nilai Keterangan

1 Pixel Int 3 Lebar pixel

bahu

2 Hasil Int 11 Hasil ukur

sistem

3 Size Text 10 Ukuran

responden

3.7 Analisis Kinerja Sistem

Analisis kinerja sistem digunakan untuk memvalidasi hasil kinerja

perancangan sistem pengukuran pakaian dengan menggunakan parameter akurasi.

Akurasi adalah ukuran ketepatan sistem dalam mengenali input yang diberikan

sehingga menghasilkan keluaran yang benar. Secara matematis, dapat dituliskan :

Akurasi = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑏𝑒𝑛𝑎𝑟

𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑥 100%

(10)

BAB IV

HASIL DAN PEMBAHASAN

4.1 Hasil Kinerja Sistem pada Web

Pengujian black-box dilakukan untuk menguji apakah sistem yang

dikembangkan sesuai dengan spesifikasi fungsional sistem yang telah dirancang

sebelumnya dengan memperhatikan masukan dan keluaran dari sistem serta fitur-

fitur yang ada di dalam sistem. Hasil pengujian sistem menggunakan metode black-

box dapat dilihat pada Tabel 4.1.

Tabel 4.1 Hasil pengujian web

No Skenario

pengujian

Hasil yang

diharapkan

Hasil Keterangan

1

Buka Web

Masuk ke

halaman

utama

Dapat

menampilkan

halaman

utama

2

Memilih

button

Mysize

Menampilkan

kamera

Button dapat

berfungsi

untuk

membuka

halaman

Mysize

No Skenario

pengujian

Hasil yang

diharapkan

Hasil Keterangan

3

Memilih

Button take

a snapshot

Mengambil

gambar

Button

dapat

berfungsi

untuk

mengambil

gambar

4

Analisis

Pengukuran

Menampilkan

informasi

hasil

pengukuran

Informasi

yang

ditampilkan

sesuai

dengan hasil

prediksi

pada

MATLAB

4.2 Hasil pengukuran badan

Pada sub-bab ini akan disajikan hasil pengujian dari pengolahan citra dan

penentuan ukuran baju. Pengujian dilakukan pada 30 citra responden yang diambil

melalui webcam laptop dengan 2 skenario dan teknik pengolahan berbeda.

Pengujian pertama dilakukan dengan mengikuti skenario pengambilan gambar

(dapat dilihat pada gambar 3.2) melakukan operasi peningkatan kontras dengan

metode CLAHE, cliplimit = 0,01 dan distribusi Uniform, serta centroid region

terhadap pixel citra responden untuk menentukan fitur bahu serta proses cropping

dalam penentuan lebar bahu responden. Lalu yang kedua pada jarak 250 cm, tanpa

peningkatan kontras, dan perhitungan manual terhadap pixel citra responden untuk

menentukan fitur bahu serta proses cropping dalam penentuan lebar bahu

Tabel 4.1 Lanjutan (Hasil pengujian web)

250 49 Medium

responden. Hal ini dilakukan guna menentukan parameter terbaik dalam penentuan

ukuran badan pada sistem sehingga hasil yang didapatkan lebih maksimal. Untuk

mengetahui tingkat akurasi sistem dalam memprediksi ukuran pakaian, dapat

melihat hasil pengukuran sistem berdasarkan range size dan ukuran asli responden.

Apabila hasil pengukuran yang didapatkan telah sesuai dengan range size maka

pengukuran berhasil dilakukan. Hasil pengujian dapat dilihat pada tabel 4.2 dan 4.3.

Tabel 4.2 Hasil prediksi ukuran pada skenario pertama

Data

Ukuran asli Ukuran Sistem

Lebar bahu Size Lebar bahu Size

1 45 Medium 45 Medium 100

2 57 Xtra Large 56 Xtra Large 100


4 57 Xtra Large 67 XXL

5 42 Small 38 Xtra Small

6 42 Small 41 Small 100





11 52 Large 53 Large 100



Akurasi

(100%)

Data

Ukuran asli Ukuran asli

















29 67 XXL 68 XXL 100

30 65 XXL 65 XXL 100

Total rata-rata akurasi 93,3%

Tabel 4.2 lanjutan (Hasil prediksi ukuran pada skenario pertama)

Akurasi

(100%)

Pada Tabel 4.2 dapat dilihat bahwa responden yang berhasil di prediksi

ukurannya dengan benar sebanyak 28 orang. Sedangkan yang terprediksi salah

sebanyak 2 orang. Jumlah akurasi keseluruhan data citra dihitung dengan

menggunakan persamaan (10) sebagaimana yang dicantumkan pada bab III

sebelumnya. Berdasarkan hasil yang didapatkan dapat diketahui bahwa rata-rata

akurasi dalam prediksi ukuran oleh sistem pada skenario pertama sebesar 93.3%.

Adapun hasil pengujian skenario kedua adalah sebagai berikut :

Tabel 4.3 Hasil prediksi ukuran pada skenario kedua

Data

Ukuran asli Ukuran Sistem













Akurasi

(100%)

Data








17 46 Medium 54 Large

18 65 XXL 67 XXL 100

19 67 XXL 67 XXL 100



22 52 Large 56 Xtra Large


24 45 Medium 43 Small

24 45 Medium 43 Small






Tabel 4.3 Lanjutan (Hasil prediksi ukuran pada skenario kedua)

Akurasi

(100%)

Pada Tabel 4.3 dapat dilihat bahwa responden yang berhasil di prediksi

ukurannya dengan benar sebanyak 24 orang. Sedangkan yang terprediksi salah

sebanyak 6 orang. Jumlah akurasi keseluruhan data citra dihitung dengan

menggunakan persamaan (10). Berdasarkan hasil yang didapatkan dapat diketahui

bahwa rata-rata akurasi dalam prediksi ukuran oleh sistem sebesar 80%.

Berdasarkan hasil akurasi dari pengujian skenario pertama dan kedua pada

tabel 4.2 dan 4.3 dapat ditarik kesimpulan bahwa untuk mendapatkan hasil

pengukuran badan pada sistem yang maksimal, pengambilan citra dilakukan

dengan menggunakan jarak 75 cm (tepat didepan laptop), dilakukan peningkatan

kontras pada citra, serta penentuan centroid region untuk menghasilkan boundaries

yang adaptif untuk proses cropping yang optimal (pas dengan bahu responden)

seperti pada tabel 4.2.

4.3 Rata-rata Waktu Pengukuran

Dalam proses penentuan ukuran yang dilakukan pada responden terdapat

perbedaan waktu proses dalam setiap pengolahan. Pendataan waktu proses

penentuan ukuran ini dilakukan untuk mengetahui apakah waktu proses pada setiap

data konstan atau tidak, dengan cara melakukan pengujian secara berulang


Data



Total rata-rata akurasi 80%

Tabel 4.3 Lanjutan (Hasil prediksi ukuran pada skenario kedua)

Akurasi

(100%)

sebanyak 3 kali pada setiap responden. Serta untuk mengetahui penyebab dari

perbedaan waktu dalam proses pengolahan setiap data. Hasil rata-rata waktu proses

olah data dapat dilihat pada lampiran 3. Berdasarkan pengujian sistem, dapat dilihat

waktu tercepat dalam proses penentuan ukuran pada citra adalah selama 15 detik,

sedangkan waktu terlama dalam proses pada citra adalah selama 39 detik.

Berdasarkan hasil rata-rata waktu proses penentuan ukuran setiap data dapat

diketahui bahwa total waktu yang dibutuhkan oleh sistem dalam mengolah citra dan

menentukan ukuran adalah 21.62 detik.

4.4 Pembahasan

Dalam proses penentuan ukuran skenario pertama terdapat 2 data responden

yang mengalami kesalahan prediksi berdasarkan range size nya. Kesalahan ini

terjadi karena posisi responden yang terlalu dekat dengan kamera dan postur tubuh

responden pada saat pengambilan data sehingga menyebabkan perbedaan selisih

centimeter pada ukuran asli range size dengan hasil yang diperoleh dari sistem.

Kesalahan penentuan ukuran pada skenario pertama ditunjukkan pada tabel 4.4

Tabel 4.4 Kesalahan prediksi pada skenario pertama

No Citra Ukuran

Asli

Size Ukuran

sistem

Size

1

57

Xtra

Large

67

XXL

2

42

Small

38

Xtra

Small

Pada data nomor 1, posisi responden pada saat pengambilan gambar sangat

dekat dengan kamera sehingga fitur bahu terpotong oleh batas kamera. Hal ini

menyebabkan kesalahan perhitungan ukuran badan yang mengakibatkan ukuran

hasil sistem jauh lebih besar dibanding ukuran asli responden. Sedangkan pada data

nomor 2, posisi responden telah tepat karena fitur bahu tidak terpotong oleh kamera,

tetapi postur responden saat pengambilan gambar tidak sesuai, yakni condong ke

kiri yang mengakibatkan hasil pengambilan gambar bahu kiri lebih lebar dibanding

bahu kanan, hasil pengukuran pun mengalami perubahan dimana pada ukuran asli

adalah 42 cm dan hasil yang didapatkan oleh sistem adalah 38 cm.

Pada proses penentuan ukuran yang dilakukan dengan skenario kedua

terdapat 6 data responden yang mengalami kesalahan prediksi berdasarkan range

size nya. Kesalahan penentuan ukuran pada skenario pertama ditunjukkan pada

tabel 4.5.

Tabel 4.5 Kesalahan prediksi pada skenario kedua

No Citra Ukuran

Asli

Size Ukuran

sistem

Size

1

44

Small

39

Xtra Small

No Citra Ukuran

Asli

Size Ukuran

sistem

Size

2

46

Medium

50

Large

3

52

Large

56

Xtra Large

4

45

Medium

43

Small

5

42

Small

39

Xtra Small

6

40

Small

38

Xtra Small

Kesalahan ini terjadi karena posisi responden yang tidak tepat pada jarak

250 cm pada saat pengambilan gambar sehingga menyebabkan perbedaan selisih

sentimeter pada ukuran asli range size dengan hasil yang diperoleh dari sistem.

dapat dilihat perbedaan pada data 1 dan data 3, sistem memprediksi salah ukuran

Tabel 4.5 Lanjutan (Kesalahan prediksi ukuran pada skenario kedua)

responden karena pada data 1 responden berdiri pada jarak lebih dari 250 cm,

sedangkan pada data 3 responden berdiri kurang dari jarak 250 cm.

Perbedaan waktu kinerja sistem pada tiap responden terjadi dikarenakan

citra inputan responden yang terkadang memiliki background yang tidak polos,

posisi, lokasi dan pengambilan gambar responden yang tidak sesuai skenario,

akibatnya sistem merespon dengan lambat inputan yang diberikan sehingga

membutuhkan waktu lebih lama untuk memulai dan menutup semua session yang

terjadi sebelum menampilkan hasil perhitungan.

Gambar 4.1 citra responden tidak sesuai skenario

BAB V

PENUTUP

5.1 Kesimpulan

Kesimpulan dari penelitian ini sebagai berikut :

1. Penentuan ukuran baju pria dapat dilakukan dengan bantuan pengolahan

citra, tahapan penentuan ukuran diawali dengan pengambilan gambar,

grayscaling, Peningkatan kontras, thresholding, cropping, diakhiri

dengan perhitungan hasil cropping citra lebar bahu. Dengan tahapan-

tahapan tersebut dapat diperoleh hasil pengukuran dengan tingkat akurasi

sebesar 93,3%.

2. Waktu tercepat penentuan ukuran baju oleh sistem adalah 15 detik,

sedangkan waktu terlama dalam proses pada citra adalah selama 39 detik.

Berdasarkan hasil rata-rata waktu proses penentuan ukuran setiap citra

dapat diketahui bahwa total waktu yang dibutuhkan oleh sistem dalam

mengolah citra dan menentukan ukuran adalah 21,62 detik.

3. Berdasarkan hasil pengujian web menggunakan metode Black box untuk

menguji semua unit dari web sistem penentuan ukuran pakaian ini

menunjukkan bahwa semua tampilan, fungsional tombol, serta informasi

yang diberikan pada web berjalan dengan baik.

4. Berdasarkan hasil akurasi dari pengujian skenario pertama dan kedua

dapat ditarik kesimpulan bahwa untuk mendapatkan hasil pengukuran

badan pada sistem yang maksimal, pengambilan citra dilakukan dengan

menggunakan jarak 75 cm (tepat didepan laptop), dilakukan peningkatan

kontras pada citra, serta penentuan centroid region untuk menghasilkan

boundaries yang adaptif untuk proses cropping yang optimal (pas dengan

bahu responden).

5.2 Saran

Saran pengembangan dari sistem penentuan ukuran baju pria untuk Online

Shop berbasis pengolahan citra ini antara lain :

1. Sebaiknya menambah fitur lain selain bahu untuk mendeteksi ukuran

baju, hal ini dikarenakan masih terdapat kesalahan pengukuran

berdasarkan lebar bahu.

2. Sebaiknya menambah fitur lain, selain memprediksi ukuran baju

responden, untuk memaksimalkan sistem yang dibuat.

DAFTAR PUSTAKA

Ambarwati, Ayu. 2016. “Segmentasi Citra menggunakan Thresholding Otsu untuk

Analisa Perbadingan Deteksi Tepi”. Annual Research Seminar: Computer

Science and Information and Communications Technology 2016(ARS

2016). Palembang.

Amirulloh, Imam. 2016. “Optimasi Luas Kain pada Pola Ukuran Baju Koko

Menggunakan Algoritma Greedy”. Konferensi Nasional Ilmu Sosial &

Teknologi (KNiST). Maret 2016, pp.35~39.

Arief, M.R. 2005. “Pemrograman Basis Data Menggunakan Transact-SQL dengan

Microsoft SQL Server”. Yogyakarta: Andi Ofset.

Basuki, Achmad. 2005. “Metode Numerik dan Algoritma Komputasi”. Yogyakarta:

Andi.

Firmansyah, A. 2007. “Dasar-dasar Pemrograman Matlab”. Ilmu Komputer.

Indriana, Dina. 2014. “Peningkatan Kontras Menggunakan Metode Contrast

Limited Adaptive Histogram Equalization pada Citra Underwater”. Tugas

Akhir. Semarang: Universitas Dian Nuswantoro.

Jain, Anil K. 1989. “Fundamentals of Digital Image Processing”. Prentice-Hall

International, 1989.

Kadir, Abdul. 2002. “Dasar Pemrograman Web Dinamis Menggunakan PHP”.

Yogyakarta: Andi.

Kroenke, D. M. 2005. “Database Processing: Dasar-dasar, Desain dan

Implementasi”. Jakarta: Erlangga.

Lukmanul, Hakim. 2004. “Cara Gampang Bikin Toko Online”. Jakarta: PT.

Grasindo.

Marhaeni, Raeza. 2017. “Step by step Mahir Menjahit Busana. Panduan Praktis

Belajar Menjahit Otodidak”. Yogyakarta: Bright Publisher.

Patrick, Chi. Dkk. 2004. “Anthropometric Measurements From Photographic

Images”. Hong Kong: Hong Kong University of Science and Technology.

Prasetio, Adhi. 2012. “Buku Pintar Pemrograman Web”. Jakarta: Mediakita.

Purwanto, Djoko. Dkk. 2015. “Sistem Pengukuran Badan Pria untuk Menentukan

Ukuran Baju Berbasis Kinect.” Java Journal of Electrical and Electronics

Enginneering volume 13, Number 1, April 2015.

Putra Darma. 2010. “Pengolahan Citra Digital”. Yogyakarta: Andi.

Rahman, S. “Lectrurers Blog STT-Harapan Medan”. Available from:

http://sayutirahman.stth-medan.ac.id/2013/12/thresholding.html. [Diakses

pada tanggal 22 Desember 2017].

Rai, Rajesh Kumar. Dkk. 2012. “Underwater Image Segmentation using CLAHE

Enhancement and Thresholding”. International Journal of Emerging

Technology and Advanced Engineering.

Supriyanto, Firman. Dkk. 2011. “Perancangan Sistem Pengukuran Antropometri

Badan dan Pembuatan Pola dalam Industri Konveksi dengan

Menggunakan Image Processing”. Tugas Akhir. Surabaya: Institut

Teknologi Surabaya.

Susrini, N.K. 2010. “Cara Gampang Bikin Toko Online”. Jakarta: PT Grasindo.

Sutoyo, T. 2009. “Teori Pengolahan Citra Digital”. Yogyakarta: Andi.

Syakhfari, Fajar. 2011. “Aplikasi Geometry Process Menggunakan Visual Studio”.

Ilmu komputer

Tim PT.Saint Technologies Indonesia. 2011. “Menuju Perdagangan Komoditi

Online: Ftradings sebagai Software Pendukung Perdagangan Komoditi

Online”. Jakarta: Pustaka El-Syarif.

Yusuf, Muhammad. 2012. “1 Jam Membuat Toko Online dengan Joomla

Virtuemart”. Yogyakarta: Expert.

http://sayutirahman.stth-medan.ac.id/2013/12/thresholding.html

Lampiran I . Data Penskalaan

Lampiran II . Data Skenario I

Lampiran III . Data Skenario II

Lampiran IV. Waktu Proses Olah Citra

NO

Waktu Proses Olah Citra (Detik) Rata-rata

Waktu

Proses

(Detik)

1 2 3

1 17 16 17 16.6

2 16 16 16 16

3 17 17 16 16.6

4 15 19 16 16.6

5 17 19 16 17.3

6 15 16 16 15.6

7 15 16 15 15.3

8 16 15 15 15.3

9 24 24 24 24

10 17 17 17 17

11 17 17 17 17

12 39 37 37 37.6

13 26 26 26 26

14 27 23 23 24.3

15 26 26 26 26

16 25 25 25 25

17 25 25 25 25

18 25 24 24 24.3

NO

Waktu Proses Olah Citra (Detik) Rata-rata

Waktu

Proses

(Detik) 1 2 3

19 25 28 24 25.6

20 24 23 23 23.3

21 24 24 24 24

22 25 25 25 25

23 26 26 26 26

24 24 23 23 23.3

25 27 24 23 24.6

26 26 23 23 24

27 24 23 23 23.3

28 18 18 18 18

29 18 18 18 18

30 20 17 17 18

Total rata-rata waktu proses 21.62

Lampiran V . Source Code

1. Tampilan Web

<!DOCTYPE html>

<html lang="en">

<head>

<title>Front-End Toko Online </title>

<link rel="stylesheet"

href="//maxcdn.bootstrapcdn.com/bootstrap/3.3.1/css/bootstrap.min.css" />

<script

src="//ajax.googleapis.com/ajax/libs/jquery/1.11.2/jquery.min.js"></script>

<script

src="//maxcdn.bootstrapcdn.com/bootstrap/3.3.1/js/bootstrap.min.js"></script>

</head>

<body>

<?php $this->load->view('layout/top_menu') ?>



<div class="row">



<?php foreach($products as $product) : ?>

<div class="col-sm-3 col-md-3">

<div class="thumbnail">

<?=img([

'src' => 'uploads/' . $product->image,

'style' => 'max-width: 100%; max-height:100%;

height:100px' ])?>

<div class="caption">

<h3 style="min-height:60px;"><?=$product>name?></h3>

<p><?=$product->description?></p>

<p><?=anchor('welcome/add_to_cart/' . $product-

>id, 'Buy' , [ 'class' => 'btn btn-primary',

'role' => 'button'

])?>

<a href=" <?php echo base_url();?>kamera" class="btn btn-default"

role="button">My size</a>

</p>

</div>

</div>

</div>

<?php endforeach; ?>



</div>

</body>

</html>

2. Kamera

</head>

<body>



<div style="margin-left:30%;">

<object width="640" height="480" data="croflash.swf"

type="application/x-shockwave-flash">

<param name="data" value="croflash.swf" /><param name="src"

value="croflash.swf" />

<embed src="croflash.swf" type="application/x-shockwave-flash"

width="640" height="480"></embed>

</object>

</div >

</body>

</html>

3. Menyimpan gambar

<?php

error_reporting(0);

$url = 'http://localhost/toko-online/kamera/hasil.php';

/**

* Get the width and height of the destination image

* from the POST variables and convert them into

* integer values

*/

$w = (int)$_POST['width'];

$h = (int)$_POST['height'];

// create the image with desired width and height

$img = imagecreatetruecolor($w, $h);

// now fill the image with blank color

// do you remember i wont pass the 0xFFFFFF pixels

// from flash?

imagefill($img, 0, 0, 0xFFFFFF);

$rows = 0;

$cols = 0;

// now process every POST variable which

// contains a pixel color

for($rows = 0; $rows < $h; $rows++){

// convert the string into an array of n elements

$c_row = explode(",", $_POST['px' . $rows]);

for($cols = 0; $cols < $w; $cols++){

// get the single pixel color value

$value = $c_row[$cols];

// if value is not empty (empty values are the blank pixels)

if($value != ""){

// get the hexadecimal string (must be 6 chars length)

// so add the missing chars if needed

$hex = $value;

while(strlen($hex) < 6){

$hex = "0" . $hex;

}

// convert value from HEX to RGB

$r = hexdec(substr($hex, 0, 2));

$g = hexdec(substr($hex, 2, 2));

$b = hexdec(substr($hex, 4, 2));

// allocate the new color

// N.B. teorically if a color was already allocated

// we dont need to allocate another time

// but this is only an example

$test = imagecolorallocate($img, $r, $g, $b);

// and paste that color into the image

// at the correct position

imagesetpixel($img, $cols, $rows, $test);

}

}

}

$waktu = date("His");

$nama = $waktu;

// print out the correct header to the browser

header("Content-type:image/jpeg");

imagejpeg($img,$nama.".png", 90);

4. Koneksi Database

include "koneksi.php";

$gambar = $nama;

// Simpan Data ke Database

$koneksi = mysql_connect('localhost','root','') or die("Koneksi Gagal !" .

mysql_error());

$db = mysql_select_db('toko') or die("Database tidak ada !" .

mysql_error());

$sql = "INSERT INTO image (nama,gambar) VALUES

('".$nama."','".$gambar."')";

$simpan = mysql_query($sql);

5. Mengambil dan Menampilkan gambar ke web dari Direktori

// Mendapatkan alamat komputer dari File ini

$pwd = getcwd();

(C:\xampp\htdocs\toko-online\kamera)

// Perintah menjalankan file ekstensi m, Matlab via CLI

$cmd = '"C:\Program Files\MATLAB\R2016a\bin\matlab" -nodisplay -

nosplash -nodesktop -r "run(#'.$pwd.'\teslagi.m#);exit" -wait'; //

#C:\xampp\htdocs\toko-online\kamera\teslagi.m

// membersihkan seluruh string atau session

$cmd = str_replace("#", "'", $cmd);

exec($cmd);

ob_end_clean();

header("location:".$url);

?>

6. Mengambil dan menampilkan hasil olahan gambar dari Matlab

<?php include "koneksi.php"; ?>

<html>

<head>

<title>Capture Webcam dengan JQuery</title>

</head>

<body>



<div style="margin-left: 25%; margin-top: 20px">

<table border="1" style="text-align:center;">

<tr style="background-color:#ccc;"><td width='320px'>Gambar</td><td

width='250px'>Pixel</td><td width='250px'>Hasil</td><td

width='250px'>Size</td></tr>

<?php

error_reporting(0);

$koneksi = mysql_connect('localhost','root','') or die("Koneksi Gagal !" .

mysql_error());

$db = mysql_select_db('toko') or die("Database tidak ada !" .

mysql_error());

$ambilgambar = mysql_query("SELECT * FROM image");

while ($tampilgambar = mysql_fetch_array($ambilgambar)){

$img = $tampilgambar ['gambar'];

}

$ambil = mysql_query("SELECT * FROM keluaran");

while ($tampil = mysql_fetch_array($ambil)){

$pix = $tampil ['pixel'];

$has = $tampil ['hasil'];

$siz = $tampil ['size'];

}

?>

<tr>

7. Membaca gambar inputan

8. Penambahan CLAHE

9. Cropping dan penggunaan Metode Geometri

10. Kondisi Hasil konversi berdasarkan range

Documents

PENENTUAN UKURAN BAJU PRIA PADA ONLINE SHOP BERBASIS