PENGENALAN ANGKA DENGAN POSE JARI TANGAN filei TUGAS AKHIR PENGENALAN ANGKA DENGAN POSE JARI TANGAN Diajukan untuk memenuhi syarat Memperoleh gelar Sarjana Teknik pada Program Studi

i

TUGAS AKHIR

PENGENALAN ANGKA DENGAN

POSE JARI TANGAN

Diajukan untuk memenuhi syarat

Memperoleh gelar Sarjana Teknik pada

Program Studi Teknik Elektro

disusun oleh :

DIRGA EKA PUTRA LEBUKAN

NIM : 135114015

PROGRAM STUDI TEKNIK ELEKTRO

JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2017

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

FINAL PROJECT

NUMBER RECOGNITION WITH

HAND FINGER POSE

In a partial fulfillment of the requirements

for the degree of Sarjana Teknik

Electrical Engineering Study Program

created by :


Student’s Number : 135114015

ELECTRICAL ENGINEERING STUDY PROGRAM

DEPARTMENT OF ELECTRICAL ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2017


iii

HALAMAN PERSETUJUAN

TUGAS AKHIR


POSE JARI TANGAN

(NUMBER RECOGNITION WITH

HAND FINGER POSE)

disusun oleh :


NIM : 135114015

telah disetujui oleh :

Pembimbing I

Dr. Ir. Linggo Sumarno, M.T. Tanggal :


iv

HALAMAN PENGESAHAN

TUGAS AKHIR


POSE JARI TANGAN

(NUMBER RECOGNITION WITH

HAND FINGER POSE)

disusun oleh :


NIM : 135114015

Telah dipertahankan di depan tim penguji

pada tanggal 26 Januari 2017

dan dinyatakan memenuhi syarat

Susunan Tim Penguji :

Nama Lengkap Tanda Tangan

Ketua : Dr. Ir. Iswanjono, M.T.

Sekretaris : Dr. Ir. Linggo Sumarno, M.T.

Anggota : Dr. Damar Widjaja, S.T., M.T.

Yogyakarta,

Fakultas Sains dan Teknologi

Universitas Sanata Dharma

Dekan,

Sudi Mungkasi, S.Si, M.Math.Sc., Ph.D.


v

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat karya atau

bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka

sebagaimana karya ilmiah.

Yogyakarta, 2 Januari 2017

Dirga Eka Putra Lebukan


vi

HALAMAN PERSEMBAHAN MOTTO HIDUP

MOTTO :

WHEN YOU HAVE A CHANCE

YOU HAVE TO TRY

Skripsi ini kupersembahkan untuk ….

Yesus Kristus dan Bunda Maria yang selalu menyertai dan

menuntunku dalam setiap hari-hariku

Papa dan Mama tercinta yang selalu mendoakan dan mendukungku

Teman-teman seperjuangan Teknik Elektro 2013 yang selalu

mewarnai hari-hariku


vii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA

ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma :

Nama : DIRGA EKA PUTRA LEBUKAN

Nomor Mahasiswa : 135114015

Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan Universitas

Sanata Dharma karya ilmiah yang berjudul :


POSE JARI TANGAN

Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada

Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk

media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara terbatas,

dan mempublikasikannya di Internet atau media lain untuk kepentingan akademis tanpa

perlu meminta ijin dari saya maupun memberikan royalti kepada saya selama tetap

mencantumkan nama saya sebagai penulis.

Dengan ini pernyataan yang saya buat dengan sebenarnya.

Yogyakarta, 2 Januari 2017

Penulis



viii

INTISARI

Pengolahan citra adalah suatu bidang yang berhubungan proses transformasi citra

yang bertujuan untuk mendapatkan kualitas citra yang lebih baik. Teknologi pengolahan

citra ini, sangat berkembang pesat dan banyak juga dikenal oleh para insinyur di dunia. Salah

satu penerapan dari teknologi pengolahan citra tersebut adalah pengenalan angka dengan

pose jari tangan.

Sistem pengenalan angka dengan pose jari tangan yang dibuat ini adalah pengenalan

pola angka bahasa isyarat ASL (American Sign Language) dari 0 s/d 9, dengan jarak

pengujian yang digunakan ialah 1 m, 1,5 m, 2 m, 2,5 m, dan 3 m. Secara garis besar beberapa

proses kerja dari sistem ini ialah pengambilan citra pose jari tangan berupa citra Red, Green,

and Blue (RGB), konversi citra RGB ke citra Hue Saturation Value (HSV), segmentasi HSV,

cropping dan resizing, perhitungan korelasi (template matching), serta penentuan keluaran.

Proses segmentasi HSV pada penelitian ini, bertujuan untuk mengambil objek yang ingin

dikenali pada citra, yaitu bagian kulit (muka dan tangan). Sedangkan pada proses template

matching, perhitungan nilai korelasi dilakukan berdasarkan perbandingan antara database

citra yang telah dimasukkan dan citra pose jari tangan yang telah diambil dengan

menggunakan webcam (data uji).

Pengujian secara real time pada penelitian ini menggunakan jarak terjauh 3 meter,

dengan menghasilkan tingkat pengenalan sebesar 88 %. Hasil ini diperoleh dari hasil

ekstraksi ciri 32 x 32 piksel.

Kata Kunci : Pengolahan Citra, American Sign Language, Red, Green, and Blue, Hue

Saturation Value, Korelasi, Template Matching, Database, Ekstraksi Ciri.


ix

ABSTRACT

Image processing is a field that related to the image transformation for get a better

image quality. This image processing technology, is grown rapidly and also known by many

engineers in the world. One application of the image processing technology is number

recognition with hand finger pose.

Number recognition with hand finger pose system is number pattern recognition of

ASL (American Sign Language) sign from 0 until 9, the used testing distance is 1 m, 1.5 m,

2 m, 2.5 m and 3 m. In outline, some of the workings of this system are capture the hand

finger pose that form of the image is Red, Green, and Blue (RGB), the conversion of the

RGB image into Hue Saturation Value (HSV), HSV segmentation, cropping and resizing,

calculate the correlation (template matching), and determination of the output. HSV

segmentation process in this study is aiming to take the object that will be recognized in the

image, which is part of the skin (face and hand). While in the template matching process,

calculation of correlation value is based on a comparison between the image database that

has been inputted and the hand finger pose image that has been captured using a webcam

(test data).

Testing in real time on this study uses 3 meters of the longest distance, with result of

recognition rate is 88 %. This result was obtained from the feature extraction of 32 x 32

pixels.

Keywords: Image Processing, American Sign Language, Red, Green, and Blue, Hue

Saturation Value, Correlation, Template Matching, Database, Feature Extraction.


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus karena berkat rahmat

dan penyertaan-Nya penulis dapat menyelesaikan laporan tugas akhir ini dengan baik dan

lancar. Laporan tugas akhir ini disusun untuk memenuhi syarat memperoleh gelar sarjana,

khususnya dibidang Teknik Elektro.

Pada proses penulisan laporan tugas akhir ini, penulis menyadari bahwa ada banyak

pihak yang telah memberikan perhatian dan bantuannya sehingga dapat terlesaikan dengan

baik. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada :

1. Tuhan Yesus Kristus dan Bunda Maria atas penyertaan-Nya.

2. Sudi Mungkasi, S.Si, M.Math.Sc., Ph.D., selaku Dekan Fakultas Sains dan Teknologi

Universitas Sanata Dharma.

3. Petrus Setyo Prabowo, S.T., M.T., selaku Ketua Program Studi Teknik Elektro, Fakultas

Sains dan Teknologi, Universitas Sanata Dharma.

4. Dr. Ir. Linggo Sumarno, M.T., selaku dosen pembimbing dengan penuh pengertian dan

kesabaran dalam memberi bimbingan, kritik, saran, serta motivasi kepada penulis untuk

menyelesaikan laporan tugas akhir ini.

5. Dr. Ir. Iswanjono, M.T. dan Dr. Damar Widjaja, S.T., M.T., selaku dosen penguji yang

telah memberikan masukan, bimbingan, saran untuk merevisi laporan tugas akhir ini.

6. Bapak dan ibu dosen yang telah mengajarkan banyak hal selama penulis menempuh

pendidikan di Program Studi Teknik Elektro, Fakultas Sains dan Teknologi, Universitas

Sanata Dharma.

7. Para staff sekretariat Teknik Elektro, atas bantuannya dalam membantu dan melayani

mahasiswa.

8. Kedua orang tuaku serta keluarga besarku, atas doa dan dukungannya kepada penulis.

9. Para sahabat Teknik Elektro 2013 atas doa dan dukungannya agar penulis tetap semangat

dalam menyelesaikan laporan tugas akhir ini.

10. Semua pihak yang tidak dapat disebutkan satu persatu atas dukungan dan bantuan yang

telah diberikan dalam penyelesaian laporan tugas akhir ini.


xi

Pada akhirnya, penulis sangat menyadari bahwa laporan tugas akhir ini masih

terdapat banyak kekurangan. Oleh karena itu, penulis sangat mengharapkan masukan, kritik

dan saran yang sifatnya membangun agar laporan tugas akhir ini nantinya bisa menjadi lebih

baik dan dapat bermanfaat sebagaimana mestinya.

Penulis



xii

DAFTAR ISI

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

HALAMAN PERSETUJUAN ……………………………………………………... iii

HALAMAN PENGESAHAN ……………………………………………………… iv

PERNYATAAN KEASLIAN KARYA ………………………………………….... v

HALAMAN PERSEMBAHAN DAN MOTTO HIDUP …………………………. vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK

KEPENTINGAN AKADEMIS …………………………………………………… vii

INTISARI …………………………………………………………………………. viii

ABSTRACT ………………………………………………………………………. ix

KATA PENGANTAR …………………………………………………………….. x

DAFTAR ISI ……………………………………………………………………… xii

DAFTAR GAMBAR ……………………………………………………………… xv

DAFTAR TABEL ………………………………………………………………… xviii

BAB I : PENDAHULUAN ………………………………………………………. 1

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

1.2. Tujuan dan Manfaat Penelitian …………………………………………. 2

1.3. Batasan Masalah ………………………………………………………... 2

1.4. Metodologi Penelitian ………………………………………………….. 3

BAB II : DASAR TEORI …………………………………………………………. 5

2.1. Jari Tangan ………………………………………………………………. 5

2.2. Pengolahan Citra ………………………………………………………... 6

2.2.2. Citra Red, Green, and Blue (RGB) ……………………………….. 7

2.3. Hue Saturation Value (HSV) …………………………………………… 8

2.4. Wavelet ………………………………………………………………….. 11

2.4.1. Wavelet Secara Umum ……………………………………………. 11


xiii

2.4.2. Wavelet Haar ………………………………………………………. 13

2.4.3. Konvolusi ………………………………………………………….. 14

2.5. Template Matching dan Korelasi ……………………………………….. 16

2.6. Database Citra ………………………………………………………….. 17

2.7. Webcam ………………………………………………………………… 17

BAB III : RANCANGAN PENELITIAN ……………………………………… 19

3.1. Perancangan Sistem ……………………………………………………. 19

3.2. Proses Kerja Sistem ………………………………………………….… 20

3.2.1. Input Data …………………………………………………………. 20

3.2.2. Konversi Citra RGB ke HSV ……………………………………... 20

3.2.3. Segmentasi HSV ………………………………………………….. 21

3.2.4. Cropping dan Resizing ……………………………………………. 22

3.2.5. Ekstraksi Ciri Wavelet …………………………………………….. 23

3.2.6. Perhitungan Korelasi (Template Matching) ………………………. 27

3.2.7. Penentuan Keluaran ………………………………………………. 28

3.3. Database ………………………………………………………………. 29

3.4. Pengujian Pose Jari Tangan …………………………………………… 33

3.4.1. Pengujian secara Real Time ……………………………………... 33

3.4.2. Pengujian secara Non Real Time ………………………………... 33

3.5. Analisis Data Pengujian ………………………………………………. 33

3.6. Ruangan Pengujian dan Pencahayaan ………………………………… 34

3.6. Perancangan Tampilan GUI …………………………………………… 35

BAB IV : HASIL DAN PEMBAHASAN………………………………………... 40

4.1. Langkah – langkah Menjalankan Program ……………………………... 40

4.1.1. Langkah – langkah untuk Menjalankan

Program secara Real Time ……………………………………….. 40

4.1.2. Langkah – langkah untuk Menjalankan

Program secara Non Real Time ………………………………….. 44

4.2. Penjelasan Sintaks Program ……………………………………………. 46

4.2.1. Penjelasan Sintaks Program secara Real Time …………………... 46

4.2.1. Penjelasan Sintaks Program secara Non Real Time ……………… 53

4.3. Analisis Hasil Data Pengujian ………………………………………….. 54

4.3.1. Analisis Hasil Data Pengujian secara Real Time ………………… 57


xiv

4.3.2. Analisis Hasil Data Pengujian Secara Non Real Time …………… 59

BAB V : KESIMPULAN DAN SARAN ………………………………………... 63

5.1. Kesimpulan ……………………………………………………………. 63

5.2. Saran …………………………………………………………………… 63

DAFTAR PUSTAKA ……………………………………………………………. 64

LAMPIRAN


xv

DAFTAR GAMBAR

Halaman

Gambar 2.1. Jari Tangan …………………………………………………………. 5

Gambar 2.2. Bentuk Isyarat Angka 0-9 ………………………………………….. 6

Gambar 2.3. Proses Pembentukan Citra …………………………………………. 7

Gambar 2.4. Reprentasi Warna pada RGB ……………………………………… 8

Gambar 2.5. Ruang Warna HSV ………………………………………………... 9

Gambar 2.6. Skala Warna HSV ………………………………………………… 9

Gambar 2.7. Contoh Sintaks Program untuk Mengkonversi Citra RGB ke HSV, beserta

Memplot dan Menampilkan Citranya dengan

menggunakan Sintaks subplot dan imshow. ……………………………………. 10

Gambar 2.8. (a) Citra RGB (b) Citra HSV ……………………………………… 10

Gambar 2.9. Algoritma Pyramid ……………………………………………….. 11

Gambar 2.10. Wavelet Haar ……………………………………………………. 14

Gambar 2.11. Representasi Matriks dari Penjumlahan Konvolusi,

y = [ 6 25 45 39 16 12] …………………………………………………………. 15

Gambar 2.12. Webcam Logitech C270 yang digunakan dalam Penelitian …….. 17

Gambar 3.1. Diagram Blok Sistem …………………………………………….. 19

Gambar 3.2. Diagram Alir dari Proses Konversi Citra RGB ke HSV ………… 21

Gambar 3.3. Diagram Alir dari Proses Segmentasi HSV ……………………… 22

Gambar 3.4. Diagram Alir dari Proses Cropping ……………………………… 23

Gambar 3.5. Diagram Alir dari Proses Resizing ………………………………. 23

Gambar 3.6. Diagram Alir dari Proses Ekstraksi Ciri ………………………… 25

Gambar 3.7. Diagram Alir dari Proses Konvolusi …………………………….. 26

Gambar 3.8. Diagram Alir dari Proses Downsampling ……………………….. 26


xvi

Gambar 3.9. Diagram Alir dari Proses

Perhitungan Korelasi (Template Matching) …………………………………… 27

Gambar 3.10. Diagram Alir dari Proses Penentuan Keluaran ………………… 27

Gambar 3.11. Diagram Blok Proses Pembentukan Database ……………….... 30

Gambar 3.12. Ruangan Tugas Akhir Teknik Elektro USD yang digunakan dalam

Pengambilan Data ………………………………………................................... 34

Gambar 3.13. Tata Pencahayaan Ruangan Tugas Akhir

Teknik Elektro USD …………………………………………………………… 34

Gambar 3.14. Tampilan GUI Sistem Pengenalan Angka

dengan Pose Jari Tangan ……………………………………………………… 35

Gambar 3.15. Diagram Alir Proses yang Terdapat pada GUI ………………... 36

Gambar 4.1. Icon Matlab R2010a ……………………………………………. 40

Gambar 4.2. Tampilan Utama Matlab R2010a ………………………………. 41

Gambar 4.3. Directory D:\TE\TA Lokasi disimpannya File GUI ………….... 41

Gambar 4.4. Pemanggilan File GUI …………………………………………. 42

Gambar 4.5. GUI Software Pengenalan Angka dengan Pose Jari Tangan …… 42

Gambar 4.6. Pemilihan Variasi Desimasi ……………………………………. 43

Gambar 4.7. Contoh Ketika GUI dijalankan untuk Pengujian Angka 9

dengan Variasi Desimasi = 3 ………………………………………………… 43

Gambar 4.8. Pemanggilan File Program secara Non Real Time ……………. 44

Gambar 4.9. Memasukkan Nilai Desimasi, Misalnya Desimasi = 2 ………… 44

Gambar 4.10. Citra Hasil Cropping …………………………………………. 44

Gambar 4.11. Citra Hasil Resizing ………………………………………….. 45

Gambar 4.12. Citra Hasil Ekstraksi Ciri Wavelet dengan Desimasi = 2 …… 45

Gambar 4.13. Hasil Keluaran Teks pada Command Window Matlab ………. 46

Gambar 4.14. Icon Software Logitech Webcam ……………………………. 53


xvii

Gambar 4.15. Software Logitech Webcam pada

saat Pengambilan Foto Data Uji ……………………………………………. 53

Gambar 4.16. Grafik Hasil Pengujian Real Time …………………………... 58

Gambar 4.17. Grafik Hasil Pengujian Non Real Time ……………………... 60

Gambar 4.18. Percobaan di Ruang Tugas Akhir Teknik Elekro USD (1) … 61

Gambar 4.19. Percobaan di Ruang Tugas Akhir Teknik Elekro USD (2) … 62


xviii

DAFTAR TABEL

Halaman

Tabel 4.1. Proses Cropping sesuai Bounding Box ………………………………. 50

Tabel 4.2. Hasil Desimasi 1 s/d 3 pola Angka ASL 0-9 pada 5 Variasi Jarak …… 54

Tabel 4.3. Hasil Pengujian Real Time ……………………………………………. 58

Tabel 4.4. Hasil Pengujian Non Real Time ……………………………………….. 59


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Seiring dengan kemajuan teknologi hingga saat ini, begitu banyak teknologi

terobosan baru diciptakan guna untuk membantu manusia dalam hal-hal tertentu, misalnya

dalam hal pembelajaran. Salah satu teknologi yang saat ini berkembang pesat dan banyak

juga dikenal oleh para insinyur di dunia ialah teknologi image processing atau biasa disebut

dalam bahasa Indonesia ialah pengolahan citra.

Pengolahan citra atau image processing merupakan bidang yang berhubungan proses

transformasi citra yang bertujuan untuk mendapatkan kualitas citra yang lebih baik [1]. Salah

satu contoh aplikasi image processing adalah pengenalan angka dengan pose jari tangan,

dengan pola angka yang dikenali ialah pola isyarat angka American Sign Language (ASL).

Pada proses pengenalan, tidak semua objek akan dikenali dan digunakan. Metode yang

berfungsi untuk mereduksi piksel dibutuhkan, lalu kemudian akan digunakan sebagai ciri.

Proses ini dinamakan sebagai ekstraksi ciri.

Sistem pengenalan bahasa isyarat ASL melalui jari tangan ini sebelumnya sudah

pernah dilakukan, dengan pola yang dikenali ialah huruf A-Z pada ASL [2]. Metode yang

digunakan ialah Personal Component Analysis (PCA) dan Haar Like Feature. Selain itu,

software yang digunakan untuk membuat sistem ini ialah C Sharp dan library EmguCV.

Jarak pengujian pada sistem ini ialah 10 - 90 cm.

Pada penelitian ini, peneliti membuat sistem pengenalan angka 0-9 dengan pose jari

tangan sesuai dengan pola isyarat ASL menggunakan software Matlab, serta menggunakan

metode yang berbeda dari penelitian sebelumnya. Metode yang dimaksud ialah metode

ekstraksi ciri Wavelet dan metode pengenalan Template Matching. Selain itu, jarak

pengujian yang digunakan pada sistem ini ialah 1 - 3 m. Jarak pengujian ini mengacu pada

aturan komunikasi nonverbal dalam kategori personal (75-120 cm) dan sosial (120-210 cm

atau 210-360 cm) [3].


2

Secara garis besar proses kerja dari sistem ini ialah mengambil citra pose jari tangan berupa

citra Red, Green, and Blue (RGB), konversi citra RGB ke citra Hue Saturation Value (HSV),

segmentasi HSV, cropping dan resizing, perhitungan korelasi (template matching), serta

penentuan keluaran. Proses segmentasi HSV pada penelitian ini, bertujuan untuk mengambil

objek yang ingin dikenali pada citra yang telah diambil. Sedangkan pada proses template

matching, perhitungan nilai korelasi dilakukan berdasarkan perbandingan antara database

citra yang telah dimasukkan dan citra pose jari tangan yang telah diambil dengan

menggunakan webcam (data uji). Hasil dari proses pengenalan angka dengan pose jari tangan

ini akan ditampilkan dengan berupa teks.

1.2. Tujuan dan Manfaat Penelitian

Tujuan dari penelitian ini adalah menghasilkan sistem pengenalan karakter angka 0-

9 berdasarkan pola isyarat ASL.

Manfaat dari penelitian ini adalah :

a. Untuk penelitian awal pengenalan kode angka berdasarkan pola isyarat ASL.

b. Untuk media pembelajaran bahasa isyarat pola ASL.

1.3. Batasan Masalah

Dalam proses pembuatan software pengenalan angka dengan pose jari tangan,

peneliti menetapkan beberapa batasan masalah dalam penelitian ini, antara lain :

a. Angka yang dapat dikenali ialah angka 0 s/d 9.

b. Menggunakan pola isyarat angka jenis American Sign Language.

c. Jarak pengujian antara webcam dan jari tangan yang digunakan ialah 1 m, 1,5 m, 2

m, 2,5 m, dan 3 m.

d. Warna background yang digunakan ialah hitam.

e. Orientasi jari tangan ialah tegak.

f. Segmentasi yang digunakan berdasarkan Hue Saturation Value (HSV).


3

g. Ekstraksi ciri yang digunakan ialah Wavelet.

h. Metode pengenalan yang digunakan ialah Template Matching.

i. Resolusi kamera webcam yang digunakan ialah 3 MP (2048 x 1536 piksel).

j. Input citra jari tangan berupa citra Red, Green, and Blue (RGB).

k. Penguji menggunakan lengan panjang.

l. Tangan kiri penguji diletakkan di belakang.

m. Desimasi yang digunakan ialah desimasi 1 (32 x 32 piksel), desimasi 2 (16 x 16

piksel), dan desimasi 3 (8 x 8 piksel).

n. Ouput berupa teks.

o. Pencahayaan dalam pengambilan citra pose jari tangan dikondisikan sedemikian rupa

sehingga tidak menimbulkan efek silau pada citra.

p. Hasil pengenalan real time dan non real time.

q. Menggunakan software Matlab dalam pembuatan program.

1.4. Metodologi Penelitian

Langkah-langkah dalam pengerjaan penelitian ini:

a. Pengumpulan bahan-bahan referensi berupa buku dan jurnal-jurnal serta informasi

dari website yang terpercaya.

b. Perancangan software.

Tahap ini bertujuan untuk mencari bentuk atau model yang optimal dari software

yang akan dibuat dengan mempertimbangkan faktor-faktor permasalahan dan

kebutuhan yang ditentukan.

c. Pembuatan software.

Sofware akan mulai bekerja ketika pada mulanya penguji mengambil citra pose jari

tangan. Citra pose jari tangan berupa citra RGB, selanjutnya akan melalui beberapa

proses yang lebih lanjut, yaitu konversi citra RGB ke citra HSV, segmentasi HSV,


4

cropping dan resizing, perhitungan korelasi (template matching), serta penentuan

keluaran. Hasil pengenalan dari citra pose jari tangan dilakukan dengan menekan

push button pada GUI (secara real time) dan run pada M-File Window matlab (secara

non real time). Semua proses dalam software ini akan diolah oleh komputer untuk

mendapatkan hasil pengenalan.

d. Analisa dan penyimpulan.

Analisa dilakukan dengan menyelidiki besar tingkat pengenalan dan menggambar

grafik dari tingkat pengenalan tersebut.

Penyimpulan hasil percobaan dilakukan dengan melihat hasil tingkat pengenalan dan

hasil data uji secara keseluruhan, serta hal-hal lainnya yang dapat ditarik sebagai

kesimpulan.


5

BAB II

DASAR TEORI

2.1. Jari Tangan

Jari merupakan suatu bagian tubuh yang berada pada tangan dan kaki manusia, baik

yang sebelah kiri ataupun kanan [4]. Pada manusia normal jari tangan sebanyak lima, yaitu:

Gambar 2.1. Jari Tangan

Keterangan Gambar 2.1 :

1. Jempol atau ibu jari.

2. Jari telunjuk.

3. Jari tengah merupakan jari yang paling panjang di antara jari tangan.

4. Jari manis.

5. Jari kelingking.

Jari tangan manusia sering digunakan sebagai alat komunikasi melalui gerakan pada

jari tersebut. Salah satu contoh yang sering digunakan oleh para penyandang tunawicara,

mereka berkomunikasi melalui gerak-gerakan yang mengandung arti tertentu.

1 2

3

4 5


https://id.wikipedia.org/wiki/Tubuh

https://id.wikipedia.org/wiki/Tangan

https://id.wikipedia.org/wiki/Kaki

https://id.wikipedia.org/wiki/Tunawicara

6

Salah satu bentuk isyarat yang digunakan bagi para penyandang tunawicara ialah

isyarat tentang pola angka seperti pada Gambar 2.2, yaitu untuk memperkenalkan angka 0-

9 dengan menggunakan jari tangan dalam berbagai pose, karakter-karakter tersebut akan

menunjukkan arti atau isyarat tentang pola angka.

0

1

2 3 4

5 6 7 8 9

Gambar 2.2. Bentuk Isyarat Angka 0-9

Gambar 2.2, merupakan isyarat bentuk angka pola American Sign Language [5].

Mode bahasa isyarat jenis ini yang paling banyak dikenal dan telah dipakai sebagai pedoman

bahasa isyarat pada dunia internasional.

2.2. Pengolahan Citra

Citra (image) merupakan gambar pada bidang dua dimensi, dengan citra adalah

dimensi spasial atau bidang yang berisi informasi warna yang tidak bergantung waktu [6].

Jika pendekatan matematis dilakukan, citra adalah fungsi yang sifatnya menerus

(continue) atas intensitas cahaya pada bidang dua dimensi. Sumber cahaya menerangi objek,

objek memantulkan kembali seluruh atau sebagian berkas cahaya, kemudian ditangkap oleh

alat optis atau elektro-optis.

Citra terdiri atas piksel, dengan piksel merupakan sekumpulan titik-titik pada pada

gambar. Titik-titik tersebut menggambarkan posisi koordinat dan mempunyai intensitas

yang dapat dinyatakan dalam f(x,y), dengan (x,y) adalah koordinat pada bidang dua dimensi

dan f(x,y) adalah intensitas cahaya (brightness) pada titik (x,y).


7

Karena cahaya merupakan bentuk energi, maka intensitas cahaya bernilai antara 0

sampai tak hingga (0 ≤ f( x,y) < ∞). Nilai f(x,y) adalah perkalian antara :

1. i(x,y) : Energi cahaya yang datang dari sumbernya (illumination), dengan nilai dari 0

sampai tak hingga, dan

2. r(x,y) : Derajat kemampuan objek memantulkan cahaya (reflection) dengan nilai

antara 0 dan 1. Nilai 0 adalah penyerapan total, sedangkan nilai 1 adalah pemantulan

total.

Gambar 2.3 menunjukkan proses pembentukan intensitas cahaya. Sumber cahaya

menyinari objek, besar pancaran cahaya yang diterima oleh objek pada koordinat (x,y)

adalah i(x,y), setelah itu objek memantulkan cahaya yang diterima dengan derajat

pemantulan r(x,y).

Hasil perkalian antara i(x,y) dan r(x,y) merupakan intensitas cahaya pada koordinat

(x,y) yang ditangkap oleh sensor visual pada sistem optis. Jadi dengan demikian f(x,y) =

i(x,y).r(x,y) dengan : 0 ≤ i(x,y) < ∞ dan 0 ≤ r(x,y) ≤ 1, sehingga 0 ≤ f(x,y) < ∞.

Gambar 2.3. Proses Pembentukan Citra [6]

Proses pra-pengolahan citra (image pre-prosessing) dilakukan untuk memperoleh

citra yang mempunyai kualitas yang lebih baik daripada citra sebelumnya. Dengan cara

memanipulasi parameter-parameter citra, akan menghasilkan bentuk yang lebih cocok

terhadap nilai-nilai piksel citra tersebut untuk proses yang lebih lanjut.

2.2.1. Citra Red, Green, and Blue (RGB)

Red (Merah), Green (Hijau) dan Blue (Biru) adalah warna dasar yang dapat ditangkap

oleh mata manusia. Setiap piksel pada citra warna mewakili warna dari kombinasi ketiga

warna dasar RGB. Setiap titik pada citra warna membutuhkan data sebesar 3 byte. Setiap


8

warna dasar memiliki intensitas tersendiri dengan nilai minimum nol (0) dan nilai maksimum

255 (8 bit). RGB berdasar pada teori bahwa mata manusia peka terhadap panjang gelombang

630 nm (merah), 530 nm (hijau), dan 450 nm (biru) [7].

Gambar 2.4. Reprentasi Warna pada RGB [7]

Pada Gambar 2.4 di atas dapat dilihat bahwa :

1. RGB terdiri atas tiga warna utama, yaitu merah, hijau, dan biru.

2. Campuran antar dua warna pada RGB menghasilkan warna baru, yaitu : kuning =

merah + hijau, cyan = hijau + biru, dan magenta = biru + merah.

3. Bila seluruh warna merah, hijau, dan biru dicampur akan menghasilkan warna putih.

2.3. Hue Saturation Value (HSV)

HSV mendefinisikan warna dalam terminologi Hue, Saturation, dan Value.

Keuntungan HSV ialah terdapat beberapa warna yang sama dengan yang mampu ditangkap

oleh indra manusia [8]. Sedangkan warna yang dibentuk oleh model lainnya seperti RGB

merupakan hasil campuran dari warna-warna primer.


9

Gambar 2.5. Ruang Warna HSV [8]

Model HSV pertama kali diperkenalkan oleh A.R Smith pada tahun 1978, yang

ditunjukkan pada Gambar 2.5. Melalui model gambar tersebut, dapat diketahui bahwa HSV

memiliki 3 karakteristik pokok, yaitu Hue, Saturation, dan Value. Berikut ini penjelasannya.

Hue : Menyatakan warna sebenarnya, seperti merah, violet, dan kuning. Serta

digunakan menentukan kemerahan (redness), kehijauan (greeness), dan sebagainya.

Saturation : Kadang disebut chroma, adalah kemurnian atau kekuatan warna.

Value : Kecerahan dari warna. Nilainya berkisar antara 0-100 %. Apabila nilainya 0

maka warnanya akan menjadi hitam. Semakin besar nilai value, maka semakin cerah

dan akan muncul variasi-variasi baru dari warna tersebut.

Selain penjelasan di atas, berikut ini penjelasan tambahan tentang skala 3 komponen

warna HSV berdasarkan Gambar 2.6.

Gambar 2.6. Skala Warna HSV [9]


10

Hue : Mewakili 360 derajat warna, dengan nilai warnanya dapat dilihat pada gambar

(b).

Saturation : Pada panah horizontal yang berwarna hitam, mempunyai nilai antara 0

hingga 100 atau 0 sampai 1. Nilai 0 untuk warna putih dan jika semakin besar maka

merujuk kepada warna asli dari hue.

Value : Pada panah vertikal yang berwarna putih, nilai sama dengan saturation. Nilai

0 mengacu pada hitam, sedangkan jika semakin besar akan menghasilkan warna asli

dari hue.

Untuk memperoleh citra HSV yang ingin dikonversi dari citra RGB pada software

matlab, sintaks program utama yang digunakan ialah rgb2hsv. Untuk lebih jelasnya, Gambar

2.7 dan 2.8 contoh pengimplementasiannya pada suatu citra.

Gambar 2.7. Contoh Sintaks Program untuk Mengkonversi Citra RGB ke HSV, beserta

Menampilkan Citranya dengan Menggunakan Sintaks subplot dan imshow.

(a) (b)

Gambar 2.8. (a) Citra RGB (b) Citra HSV


11

2.4. Wavelet

2.4.1. Wavelet Secara Umum

Menurut Sydney [10], Wavelet merupakan gelombang mini (small wave) yang

memiliki kemampuan dalam mengelompokkan energi citra dan terkonsentrasi pada

sekelompok kecil koefisien, sedangkan kelompok koefisien lainnya hanya mengandung

sedikit energi yang mampu dihilangkan tanpa mengurangi nilai informasinya. Wavelet telah

banyak digunakan dalam berbagai bidang seperti pengolahan citra. Pada umumnya wavelet

biasa digunakan untuk menyajikan data atau fungsi ke dalam komponen-komponen

frekuensi yang berlainan. Proses ini dinamakan dengan proses dekomposisi dan kemudian

mengkaji setiap komponen dengan suatu resolusi yang sesuai dengan skalanya.

Transformasi wavelet merupakan pengubahan sinyal ke dalam berbagai basis wavelet

dengan berbagai pergeseran dan penyekalaan. Oleh karena itu, koefisien wavelet dari

beberapa skala atau resolusi dapat dihitung dari koefisien wavelet pada resolusi tinggi

berikutnya. Hal ini memungkinkan pengimplementasian transformasi wavelet menggunakan

struktur pohon yang dikenal dengan algoritma piramid (pyramid algorithm), yang dapat

dilihat pada Gambar 2.9.

CAj

Gambar 2.9. Algoritma Pyramid

h(n)

g(n)

2 1

2 1

h(n)

g(n)

h(n)

h(n)

h(n)

g(n)

h(n)

1 2

1 2

1 2

1 2

112

2

baris

baris

kolom

kolom

kolom

kolom

CAj+1

CDj+1

(h)

CDj+1

(v)

CDj+1

(d)


12

Keterangan Gambar 2.9 :

baris

: konvolusi baris dengan tapis g(n) atau h(n)

kolom

: konvolusi kolom dengan tapis g(n) atau h(n)

: sampling dengan menjaga kolom yang genap

: sampling dengan menjaga baris yang genap

Dekomposisi wavelet satu level berdasarkan algoritma pyramid. Dengan h(n) adalah

tapis pelewat bawah, g(n) adalah tapis pelewat atas CA j(LL) adalah koefisien rerata, CDj(h)

(HL), CDj(v)(LH), dan CDj

(d)(HH) yang masing-masing adalah koefisien detil horizontal,

vertical, dan diagonal.

Proses dekomposisi tersebut dapat dilakukan sebanyak lebih dari satu kali, yaitu

sebanyak jumlah level yang telah ditentukan sebelumnya. Untuk melakukan dekomposisi

lebih dari satu kali, proses dekomposisi selanjutnya dekomposisi pada koefisien aproksimasi

(cA) atau LL dilakukan, karena berisi sebagian besar dari informasi citra. Kemudian

diperoleh 4 subband lagi, yaitu LL1, LH1, HL1 dan HH1. Begitu seterusnya hingga

mencapai level yang diinginkan. Sebagai contoh, terdapat citra dengan matriks input sebagai

berikut :

M = [

2 5 6 76 7 3 58 3 1 39 6 2 2

]

Tapis low pass dan tapis high pass dengan jenis haar adalah sebagai berikut:

𝐿𝑜𝑤 𝑃𝑎𝑠𝑠 = [

1

√2

1

√2 0 0

0 0 1

√2

1

√2 ] 𝐻𝑖𝑔ℎ 𝑃𝑎𝑠𝑠 = [

1

√2 −

1

√2 0 0

0 0 1

√2 −

1

√2 ]

Langkah pertama adalah mengalikan tapis low pass dengan matriks M terhadap

baris. Untuk memudahkan perkalian terhadap baris dilakukan transpose pada matriks M,

sehingga diperoleh :

X

X

2 1

2

1 2


13

MT = [

2 6 8 95 7 3 66 3 1 27 5 3 2

]

Kemudian, perkalian matriks MT

dengan tapis low pass dilakukan dengan

menghasilkan matriks D1T.

D1T =

[

1

√2

1

√2 0 0

0 0 1

√2

1

√2 ]

x [

2 6 8 95 7 3 66 3 1 27 5 3 2

] = [4,9497 9,1924 7,7782 10,6066 9,1924 5,6569 2,8284 2,8284

]

Untuk mengembalikan ke baris dan kolom sebenarnya, proses transpose kembali

pada matriks D1T dilakukan.

D = [

4,9497 9,19249,1924 5,65697,7782 2,828410,6066 2,8284

]

Langkah selanjutnya adalah melakukan perkalian tapis low pass dengan matriks D1

terhadap kolom. Proses tersebut menghasilkan matriks D2, sebagai berikut :

D2 =

[

1

√2

1

√2 0 0

0 0 1

√2

1

√2 ]

x [

4,9497 9,19249,1924 5,65697,7782 2,828410,6066 2,8284

] = [10 10,513 4

]

Matriks D2 ini yang disebut dengan koefisien aproksimasi (LL). Untuk mencari

nilai HL, LH dan HH, sama seperti langkah di atas, namun dengan mengalikan tapis low

pass terhadap baris dan tapis high pass terhadap kolom untuk HL, mengalikan tapis high

pass terhadap baris dan tapis low pass terhadap kolom untuk LH, dan mengalikan tapis high

pass terhadap baris dan kolom untuk HH.

2.4.2. Wavelet Haar

Haar adalah jenis wavelet tertua dan paling sederhana, yang diperkenalkan oleh Alfred

Haar pada tahun 1909 [10]. Koefisien transformasi h0 = (h0(0), h1(1)) = {1

2,1

2} (tapis low


14

pass) dan h1 = (h0(0), h1(1)) = {1

2, −

1

2} (tapis high pass) ini merupakan fungsi basis

wavelet Haar. Pada citra, tapis high pass dan tapis low pass dapat direprentasikan sebagai

matriks 2D. Dekomposisi perataan dan pengurangan yang telah dilakukan sebelumnya

sebenarnya sama dengan melakukan dekomposisi (transformasi) citra dengan wavelet Haar.

Kedua tapis tersebut bersifat ortogonal namun tidak ortonormal. Tapis Haar yang bersifat

ortogonal dan juga ortonormal adalah :

h0 = {1

√2,

1

√2} (2.1)

h1 = {1

√2, −

1

√2} (2.2)

Gambar 2.10. Wavelet Haar

2.4.3. Konvolusi

Konvolusi merupakan sebuah operasi matematika sederhana yang sangat umum

digunakan pada pengolahan citra [10]. Jika ada dua barisan u dan h maka hasil

konvolusinya (y) dapat dinyatakan dalam persamaan:

yk = ∑ unhk−n∞n= −∞ (2.3)

Secara singkat, notasi yang digunakan untuk konvolusi adalah :

{yk} = {uk} ∗ {hk} atau y = u ∗ h (2.4)

Yang berarti juga bahwa konvolusi mempunyai sifat yang komutatif, yaitu:

y = h ∗ u = u ∗ h (2.5)


15

Matriks dapat memudahkan dalam perhitungan konvolusi. Seperti Gambar 2.11

merupakan contoh penyelesaian sebuah konvolusi dari dua baris u = {2 5 6} dan h = {3

5 1 2}.

X 3 5 1 2

2 6 10 2 4

5 15 25 5 10

6 18 30 6 12

Gambar 2.11. Representasi Matriks dari Penjumlahan Konvolusi,

y = [ 6 25 45 39 16 12]

Masukan yang diterima, dapat digunakan sebagai low pass filter. Low pass filter

dari sinyal x(n) dengan masukan w(n) adalah suatu proses konvolusi antara x(n) dengan

w(n). Bila sinyal x(n) memiliki panjang yang terbatas dan juga ujung-ujung sinyalnya

diskontinyu, akan mengakibatkan distorsi pada ujung-ujung sinyal dari hasil konvolusi.

Terdapat suatu metode memperpanjang sinyal x(n) dengan cara sinyal pengulangan yang

disebut periodisasi. Metode ini untuk mengatasi masalah akan sinyal x(n) yang memiliki

panjang terbatas yang diusulkan oleh Misiti et al [10]. Berikut contoh dari metode tersebut,

x(n) = {x(1), x(2), ..., x(M)} yang akan dikonvolusi dengan masukan w(n)= {w(1), w(2),

..., w(N)}, dengan N adalah bilangan genap dan M>N, sehingga sinyal pengulangan dengan

cara periodisasi akan menjadi :

xper(n) = {x(M-j+1),…,x(M),x(1),…,x(M),x(1),…,x(N-1)} (2.6)

dengan : j = N/2

Konvolusi sinyal yang diperpanjang xper (n) dengan masukan w(n) akan

menghasilkan sinyal keluaran :

𝑦 (n) = xper(n) * w(n) (2.7)


16

atau

y(n) = ∑ xper(n)w(j + 1 − n)n (2.8)

dengan M + N– 1 lebih besar dari panjang x(n). Agar sinyal output memiliki panjang yang

sama dengan sinyal input, maka hanya bagian-bagian tertentu dari sinyal output yang

dipilih. Contohnya y(n)= {y(1), y(2), … , y(L)}, dengan L= M + N – 1, jadi yang dipilih

bagian-bagian tertentu dari y(n) adalah :

𝑦keep (n) = {y(N+1),…,y(N+M)} (2.9)

2.5. Template Matching dan Korelasi

Template matching merupakan metode pencocokan setiap piksel pada suatu matriks

citra digital dengan citra yang menjadi acuan (database citra) [11]. Pencocokan citra yang

menghasilkan tingkat kemiripan/kesamaan yang tinggi menentukan suatu citra tersebut

dapat dikenali.

Data uji dan database citra, menghasilkan data berupa matriks, dan akan dicari nilai

kesamaan antar dua buah matriks tersebut dengan menghitung nilai korelasinya. Nilai

korelasi antar dua buah matriks diperoleh dengan menggunakan rumus korelasi seperti yang

ditunjukkan pada Persamaan 2.10 berikut ini.

r = ∑ (xak− xa̅̅ ̅).(xbk− xb̅̅̅̅ )n

k=1

√∑ (xak− xa̅̅ ̅)2nk=1 .∑ (xbk− xb̅̅̅̅ )2n

k=1 (2.10)

Nilai xa̅ dirumuskan dengan Persamaan 2.10 dan xb̅̅ ̅ dirumuskan dengan Persamaan

2.11.

xa̅ = 1

n ∑ xak

nk=1 (2.11)

xb̅̅ ̅ = 1

n ∑ xbk

nk=1 (2.12)

Keterangan Persamaan 2.10 – 2.12 :

r adalah nilai korelasi antara dua buah matriks (rentang nilai antara -1 dan +1)

xak adalah nilai piksel ke-k dalam matriks a

xbk adalah nilai piksel ke-k dalam matriks b

xa̅ adalah rata-rata nilai piksel matriks a


17

xb̅ adalah rata-rata nilai piksel matriks b

n adalah jumlah piksel dalam suatu matriks

2.6. Database Citra

Database citra adalah suatu citra acuan yang digunakan untuk dibandingkan dengan

data uji berdasarkan fungsi yang digunakan, apakah fungsi jarak atau similaritas. Database

citra ini tersusun atas matriks dengan pada setiap elemennya terdapat nilai-nilai yang akan

digunakan untuk menghitung besar jarak dan similaritasnya. Proses pembentukan database

citra ini diperoleh dari hasil rata-rata beberapa sampel citra, jika sampel citra yang banyak.

Untuk lebih jelasnya berikut ini persamaannya :

𝐷𝑎𝑡𝑎𝑏𝑎𝑠𝑒 Citra = Sampel Citra 1+Sampel Citra 2+ ...+Sampel Citra n

n [12] (2.13)

2.7. Webcam

Webcam atau Kamera web merupakan kamera video yang menyediakan aliran

gambar dengan waktu sebenarnya yang dikendalikan oleh sebuah komputer atau jaringan

komputer. Ketika diambil oleh komputer, aliran video dapat disimpan, dilihat, atau dikirim

ke jaringan lain melalui sistem seperti internet dan e-mail sebagai lampiran [13]. Tidak

seperti kamera IP (yang terhubung menggunakan Ethernet atau Wi-Fi), kamera web

umumnya dihubungkan dengan kabel USB atau dibangun ke dalam perangkat keras

komputer, seperti laptop.

Gambar 2.12. Webcam Logitech C270 yang digunakan dalam Penelitian [14]


18

Spesifikasi Teknis Webcam Logitech C270 [15] :

Panggilan video HD (1280 x 720 piksel) dengan sistem yang telah

direkomendasikan.

Perekaman video : Maksimum hingga 1280 x 720 piksel.

Foto : Maksimum hingga 3 megapiksel (ditingkatkan menggunakan software).

Mikrofon bawaan dengan teknologi Logitech RightSound.

Bersertifikat Hi-Speed USB 2.0 (direkomendasikan).

Klip universal cocok dengan berbagai laptop dan monitor LCD atau CRT.

Dimensi kemasan : Tinggi x Lebar x Tebal (cm) : 21 x 16 x 9.


19

BAB III

RANCANGAN PENELITIAN

Bab 3 ini akan menjelaskan tentang langkah-langkah perancangan pembuatan sistem

pengenalan angka dengan pose jari tangan. Bab ini berisi blok diagram sistem dan berbagai

hal yang diperlukan dalam perancangan.

3.1. Perancangan Sistem

Perancangan sistem pengenalan angka dengan pose jari tangan ini terdiri dari

beberapa tahap, yaitu masukan berupa citra RGB, konversi citra RGB ke HSV, segmentasi

HSV, ekstraksi ciri wavelet, perhitungan korelasi (template matching), dan penentuan

keluaran. Blok diagram sistem pengenalan angka dengan pose jari tangan ini dapat dilihat

pada Gambar 3.1.

Gambar 3.1. Diagram Blok Sistem

Pengambilan Citra

(Citra RGB)

Konversi ke

citra RGB ke

HSV

Segmentasi

HSV

Perhitungan Korelasi

(Template Matching) Ekstraksi Ciri

Wavelet

Penentuan

Keluaran

Database

Cropping dan

Resizing


20

Pada Gambar 3.1, proses pengambilan citra dilakukan oleh webcam. Setelah itu citra

yang telah diambil akan diproses lebih lanjut pada laptop melalui beberapa tahap yang

terdapat pada diagram blok sistem. Sistem pengenalan angka dengan pose jari tangan terdiri

dari software yang berfungsi sebagai user interface. Program pengenalan angka dengan pose

jari tangan ini dibuat dengan menggunakan matlab versi R2010a. Program berperan dalam

mengatur setiap proses yang akan dilalui untuk mendapatkan hasil pengenalan angka. Sistem

pengenalan angka dengan pose jari tangan ini dibuat dengan hasil pengenalan secara real

time dan non real time .

3.2. Proses Kerja Sistem

3.2.1. Input Data

Input data yang digunakan dalam sistem ini adalah citra pose jari tangan. Citra pose

jari tangan diambil dengan menggunakan webcam yang mempunyai resolusi 3 MP. Jarak

pengambilan citra pose jari tangan dengan webcam adalah 1 - 3 m dengan tujuan untuk

melihat dan membandingkan berapa banyak angka yang dapat dikenali pada beberapa jarak

pengujian tersebut.

3.2.2. Konversi Citra RGB ke HSV

Pada tahap ini, citra pose jari tangan yang awalnya mempunyai format citra RGB,

akan dikonversi terlebih dahulu menjadi format HSV. Hal ini dilakukan untuk proses

segmentasi HSV. Proses konversi RGB ke HSV, digunakan sintaks utama yang sudah

dijelaskan pad Bab II, yaitu rgb2hsv. Diagram alir dari proses konversi citra RGB ke HSV

terdapat pada Gambar 3.2.


21

Gambar 3.2. Diagram Alir dari Proses Konversi Citra RGB ke HSV

3.2.3. Segmentasi HSV

Pada tahap ini, citra pose jari tangan yang telah dikonversi ke HSV akan

disegmentasi. Dengan segmentasi menggunakan HSV ini, dapat ditentukan kelompok warna

mana yang diinginkan, apakah kelompok hue, saturation, atau value. Dalam penelitian ini,

kelompok HSV saturation dan value yang digunakan. Hal ini menyesuaikan dengan warna

kulit dalam data penelitian yang akan digunakan. Awalnya akan disegmentasi bagian kulit

terlebih dahulu berdasarkan nilai ambang S (Saturation) dan V (Value) (akan dievaluasi pada

Bab IV). Setelah mendapatkan bagian kulit, pengambilan bagian tangan dilakukan. Dalam

proses ini, awalnya perhitungan luasan objek pada citra dan mengambil objek yang memiliki

luasan kedua terbesar, yaitu bagian tangan dilakukan. Untuk lebih jelasnya, berikut diagram

alir dari proses segmentasi HSV pada Gambar 3.3.

Mulai

Input :

Citra RGB (Nilai

R,G, dan B)

Konversi ke HSV

Berdasarkan Nilai R,

G, dan B

Output :

Citra HSV

Selesai


22

Gambar 3.3. Diagram Alir dari Proses Segmentasi HSV

3.2.4. Cropping dan Resizing

Pada tahap ini, citra pose jari tangan yang telah disegmentasi menggunakan HSV,

akan masuk ke dalam proses cropping dan resizing. Kedua proses ini bertujuan untuk

memotong bagian citra yang akan dikenali berdasarkan bounding box dan mengubah ukuran

atau size citra menjadi ukuran 64 x 64 piksel [16]. Diagram alir dari proses cropping dan

resizing terdapat pada Gambar 3.4 dan 3.5.

Mulai

Input :

Citra HSV

Segmentasi Kulit (Bagian

Muka dan Tangan)

Berdasarkan Nilai Ambang

S dan V

Pengambilan Objek yang

Memiliki Luasan Kedua

Terbesar (Bagian Tangan)

Output :

Citra Hasil

Segmentasi HSV

Selesai


23

Gambar 3.4. Diagram Alir dari Proses Cropping

Gambar 3.5. Diagram Alir dari Proses Resizing

Mulai

Input :

Citra Hasil

Segmentasi HSV

Potong Bagian

Tangan sesuai

Bounding Box

Output :

Citra Hasil

Cropping

Selesai

Input :

Citra Hasil

Cropping

Mulai

B


24

Gambar 3.5. (Lanjutan) Diagram Alir dari Proses Resizing

3.2.5. Ekstraksi Ciri Wavelet

Pada tahap ini, citra pose jari tangan hasil cropping dan resizing, akan masuk ke

dalam proses ekstraksi ciri Wavelet. Wavelet adalah ekstraksi ciri yang digunakan dalam

tahap pengambilan ciri pada suatu citra. Dalam penelitian ini, Wavelet yang digunakan ialah

wavelet Haar dengan memiliki 4 macam filter, tetapi dalam penelitian ini hanya

dekomposisi low pass filter yang digunakan, karena hanya bentuk dasar dari citra yang

akan dicari. Wavelet Haar dilakukan dengan menerapkan konvolusi dan dekomposisi low

pass filter secara simultan untuk mendapatkan sinyal global. Secara keseluruhan tahap

ekstraksi ciri dapat dilihat pada Gambar 3.6. Input dari proses ekstraksi ciri adalah

citra hasil cropping dan resizing yang kemudian akan dikonvolusi dan dilanjutkan pada

tahap downsampling. Output dari ekstraksi ciri tergantung dari banyaknya desimasi (N)

yang akan ditentukan oleh penguji. Tahap ini akan melakukan pengulangan sampai

menghasilkan N = 0.

Resizing ke Ukuran

64 x 64 Piksel

Output :

Citra Hasil

Resizing

Selesai

B


25

Gambar 3.6. Diagram Alir dari Proses Ekstraksi Ciri

Tahap konvolusi merupakan tahap untuk melakukan filtering, menggunakan

dekomposisi low pass filter pada wavelet Haar. Tahap konvolusi ini berada pada bidang

dimensi dua, oleh karena itu konvolusi diterapkan sebanyak dua kali, yaitu pada kolom

dan baris citra input. Dari masukan berupa citra hasil cropping dan resizing yang kemudian

akan dikonvolusi per-baris dan per-kolom (lihat Gambar 3.7.).

Mulai

Input :

Citra Hasil Cropping dan

Resizing

Desimasi = N

Konvolusi

Menggunakan

Wavelet Haar

N = N-1

N=0 ?

Output :

Hasil Ekstraksi

Ciri

Selesai

Ya

Tidak

Downsampling


26

Gambar 3.7. Diagram Alir dari Proses Konvolusi

Tahap downsampling adalah tahap setelah konvolusi, dengan hasil dari konvolusi

merupakan masukan untuk downsampling. Untuk memproses masukan ada dua proses,

yaitu menghilangkan baris dan kolom ganjil dengan menjaga baris dan kolom genap

seperti diperlihatkan pada Gambar 3.8.

Gambar 3.8. Diagram Alir dari Proses Downsampling

Mulai

Input :

Citra Hasil Cropping dan

Resizing

Konvolusi (1D) dengan

Ekstensi per-Baris

Konvolusi (1D) dengan

Ekstensi per-Kolom

Output :

Hasil Konvolusi 2D

Selesai

Mulai

Input :

Hasil Konvolusi 2D

Menghilangkan Baris

Ganjil

C


27

Gambar 3.8. (Lanjutan) Diagram Alir dari Proses Downsampling

3.2.6. Perhitungan Korelasi (Template Matching)

Pada tahap ini, citra pose jari tangan yang telah diekstraksi ciri dengan menggunakan

wavelet, selanjutnya akan masuk ke dalam proses perhitungan korelasi dan pada proses ini

juga mencakup proses template matching. Tahap ini adalah tahap membandingkan citra

masukan pose jari tangan yang diambil dengan database citra pola angka ASL 0 – 9 yang

telah dimasukkan sebelumnya dan dalam tahap ini juga digunakan fungsi korelasi. Proses

perhitungan korelasi (template matching) akan berdasar pada Persamaan 2.10 – 2.12 pada

Bab II dan direpresentasikan pada diagram alir Gambar 3.9.

Gambar 3.9. Diagram Alir dari Proses Perhitungan Korelasi (Template Matching)

Menghilangkan

Kolom Ganjil

Output :

Hasil Downsampling

(Hasil Ekstraksi Ciri)

Selesai

Mulai

Input :

Hasil Ekstraksi Ciri

Masukan, Ekstraksi Ciri

Database

D

C


28

Gambar 3.9. (Lanjutan) Diagram Alir dari Proses Perhitungan Korelasi (Template

Matching)

3.2.7. Penentuan Keluaran

Setelah melalui beberapa proses, tahap terakhir dari sistem pengenalan angka dengan

pose jari tangan ini ialah keluaran berupa teks. Proses penentuan keluarannya ditentukan

berdasarkan perhitungan nilai korelasi yang terbaik (yang paling tinggi). Diagram alir dari

proses penentuan keluaran dapat dilihat pada Gambar 3.10.

Gambar 3.10. Diagram Alir dari Proses Penentuan Keluaran

Output :

Hasil Perhitungan Nilai

Korelasi

Perhitungan Korelasi =

Ekstraksi Ciri Data Masukan

dengan Ekstraksi Ciri Database

Selesai

D

Mulai

Input :

Hasil Perhitungan

Nilai Korelasi (r)

E


29

Gambar 3.10. (Lanjutan) Diagram Alir dari Proses Penentuan Keluaran

3.3. Database

Database diperlukan pada proses perhitungan korelasi (template matching).

Pembentukan dari database terdiri dari angka 0-9 mengikuti pola isyarat American Sign

Language. Pembentukan database diambil dari citra pose jari tangan hasil ekstraksi ciri

wavelet. Ukuran piksel dari database ini tersusun atas matriks yang selanjutnya akan

terdapat 3 variasi citra. Ketiga variasi ini mengikuti banyaknya desimasi yang diinginkan,

yaitu 3 kali desimasi. Untuk desimasi 1 : 32 x 32 piksel, desimasi 2 : 16 x 16 piksel, dan

desimasi 3 : 8 x 8 piksel [16]. Database hasil ekstraksi ciri yang dibentuk ialah sebanyak 3

matriks. Matriks database ini diperoleh dari hasil perhitungan rerata matriks citra pola

isyarat angka ASL dari 5 variasi jarak pada setiap variasi citranya. Diagram blok proses

pembentukan database ditunjukkan pada Gambar 3.11.

Citra Keluaran = Nilai

Korelasi yang Terbaik

Output :

Hasil Berupa

Teks

E

Selesai


30

Gambar 3.11. Diagram Blok Proses Pembentukan Database

Setelah melihat diagram blok dari proses pembentukan database pada Gambar 3.11,

berikut ini pola persamaan pembentukan database hasil ekstraksi ciri berdasar Persamaan

2.13 pada Bab II :

Citra 𝐷𝑎𝑡𝑎𝑏𝑎𝑠𝑒 ASL = Sampel Citra ASL 1+Sampel Citra ASL 2+ ...+Sampel Citra ASL 5

5

Dari pola persamaan pembentukan database di atas, berikut ini pencerminan

persamaan pembentukan database hasil ekstraksi ciri dalam bentuk matriks pada setiap

variasi citra.

Contoh Pola Perhitungan Rerata untuk Angka 0 Menggunakan Citra 32 x 32

Piksel :

0_1m 0_1,5m 0_3m Hasil Rerata

[

A1(1,1)A1(2,1)A1(3,1)

.

.

. A1(1024,1)]

+

[

A1(1,1)A1(2,1)A1(3,1)

.

.

. A1(1024,1)]

+ …………+

[

A1(1,1)A1(2,1)A1(3,1)

.

.

. A1(1024,1)]

5=

[

A1′(1,1)

A1′(2,1)

A1′(3,1)...

A1′(1024,1)]

Pengambilan Citra

(Citra RGB)

Konversi RGB

ke HSV

Segmentasi

HSV

Ekstraksi Ciri

Wavelet Database

Angka Uji

Jarak Pengujian


31

Contoh Pola Perhitungan Rerata untuk Angka 0 Menggunakan Citra 16 x

16 Piksel :


[

A2(1,1)A2(2,1)A2(3,1)

.

.

. A2(256,1)]

+

[

A2(1,1)A2(2,1)A2(3,1)

.

.

. A2(256,1)]

+ …………+

[

A2(1,1)A2(2,1)A2(3,1)

.

.

. A2(256,1)]

5=

[

A2′(1,1)

A2′(2,1)

A2′(3,1)...

A2′(256,1)]

Contoh Pola Perhitungan Rerata untuk Angka 0 Menggunakan Citra 8 x 8

Piksel :


[

A3(1,1)

A3(2,1)A3(3,1)

.

.

. A3(64,1)]

+

[

A3(1,1)

A3(2,1)A3(3,1)

.

.

. A3(64,1)]

+ …………+

[

A3(1,1)

A3(2,1)A3(3,1)

.

.

. A3(64,1)]

5=

[

A3′(1,1)

A3′(2,1)

A3′(3,1)...

A3′(64,1)]

Setelah menghitung rerata matriks hasil ekstraksi ciri pada setiap variasi citra,

selanjutnya dilakukan penyusunan matriks database. Hasil dari susunan matriks ini,

selanjutnya akan dijadikan acuan dalam proses perhitungan korelasi (template matching).

Berdasarkan persamaan korelasi pada Bab II, matriks database ini merupakan matriks b.

Untuk lebih jelasnya berikut ini susunannya.


32

Susunan Matriks Database Hasil Rerata Citra 32 x 32 Piksel :

0 1 2 …… 9

[

A1′(1,1)

A1′(2,1)

A1′(3,1)...

A1′(1024,1)

B1′(1,2)

B1′(2,2)

B1′(3,2)...

B1′(1024,2)

C1′(1,3)

C1′(2,3)

C1′(3,3)...

C1′(1024,3)

J1′(1,10)

J1′(2,10)

……… . . J1′(3,10) . . .

J1′(1024,10)

]


0 1 2 …… 9

[

A2′(1,1)

A2′(2,1)

A2′(3,1)...

A2′(256,1)

B2′(1,2)

B2′(2,2)

B2′(3,2)...

B2′(256,2)

C2′(1,3)

C2′(2,3)

C2′(3,3)...

C2′(256,3)

J2′(1,10)

J2′(2,10)

……… . . J2′(3,10) . . .

J2′(256,10)

]


0 1 2 …… 9

[ A3′(1,1)

A3′(2,1)

A3′(3,1)...

A3′(64,1)

B3′(1,2)

B3′(2,2)

B3′(3,2)...

B3′(64,2)

C3′(1,3)

C3′(2,3)

C3′(3,3)...

C3′(64,3)

J3′(1,10)

J3′(2,10)

……… . . J3′(3,10) . . .

J3′(64,10)

]

Angka Uji

Matriks Hasil Rerata


33

3.4. Pengujian Pose Jari Tangan

3.4.1. Pengujian secara Real Time

Pada prinsipnya, pengujian secara real time akan diakses melalui GUI (Graphical

User Interface), yang dapat dilihat bentuk perancangannya pada subbab 3.7. Untuk memulai

pengujian, pertama-tama penguji menakan push button “Ambil Gambar”, lalu setelah itu

citra pose jari tangan akan melalui beberapa proses seperti konversi RGB ke HSV,

segmentasi HSV, ekstraksi ciri wavelet, perhitungan korelasi (template matching), serta

penentuan keluaran. Dalam pengujian secara real time ini, 500 data pengujian digunakan.

Angka ini diperoleh dari terdapatnya 2 orang sampel dalam pengujian, yaitu tangan orang

lain dari 5 variasi jarak uji, yaitu 1 m ,1,5 m, 2 m, 2,5 m, dan 3 m, dengan pengambilan

sampel tiap pola angka ASL sebanyak 5 kali . Selain itu data dari pengujian secara real time

ini, proses cropping, resizing, dan ekstraksi ciri wavelet akan ditampilkan secara otomatis

melalui GUI, yang desainnya dapat dilihat pada Gambar 3.14.

3.4.2. Pengujian secara Non Real Time

Pada prinsipnya, pengujian secara non real time proses-proses yang dilalui sama

dengan pengujian secara real time. Namun proses hasil cropping, resizing, dan ekstraksi ciri

wavelet akan ditampilkan secara manual melalui figure pada matlab, sedangkan untuk

keluaran teks akan ditampilkan melalui command window pada matlab. Dalam pengujian

secara non real time ini, 50 data pengujian digunakan. Angka ini diperoleh dari terdapatnya

1 orang sampel dalam pengujian, yaitu tangan orang lain dari 5 variasi jarak uji, yaitu 1 m

,1,5 m, 2 m, 2,5 m, dan 3 m.

3.5. Analisis Data Pengujian

Dalam menghitung besar tingkat pengenalannya, pola persamaan yang digunakan

ialah sebagai berikut :

Tingkat Pengenalan = Banyak Pola Angka ASL yang dikenali secara Tepat

Banyak Pola Angka ASL yang diuji x 100%


34

3.6. Ruangan Pengujian dan Pencahayaan

Dalam pengambilan data sistem pengenalan angka dengan pose jari tangan ini,

ruangan dan tata pencahayaan yang digunakan ditunjukkan pada Gambar 3.11 dan 3.12.

Penyesuaian ruangan dan pencahayaan dimaksudkan untuk memperoleh data yang akurat

khususnya pada bagian segmentasi HSV. Jika pencahayaan pada ruangan tidak akurat, maka

objek yang tidak diinginkan akan ikut terambil.

Gambar 3.12. Ruangan Tugas Akhir Teknik Elektro USD yang digunakan dalam

Pengambilan Data

Gambar 3.13. Tata Pencahayaan Ruangan Tugas Akhir Teknik Elektro USD

4 lampu dimatikan agar warna

kulit tidak berubah karena

cahaya dari lampu.

Cahaya yang masuk melaui pintu

dihalangi menggunakan papan

agar tidak menimbulkan efek silau

pada citra.


35

3.7. Perancangan Tampilan GUI

Tampilan interface pada perancangan sistem pengenalan huruf menggunakan GUI

pada matlab yang bertujuan untuk membantu dalam proses pengenalan pose jari

tangan. Secara keseluruhan sistem tersebut dapat dilihat pada Gambar 3.14.

Gambar 3.14. Tampilan GUI Sistem Pengenalan Angka dengan Pose Jari Tangan

Pengenalan Angka dengan Pose Jari Tangan

Kamera

Kamera Aktif Ambil Gambar

Cropping Resizing

Ekstraksi Ciri

Wavelet Variasi Desimasi

Proses Reset

Keluar

Keluaran Teks


36

Berdasarkan desain GUI pada Gambar 3.14, berikut ini pada Gambar 3.15 diagram

alir dari proses yang terdapat pada GUI.

Gambar 3.15. Diagram Alir Proses yang Terdapat pada GUI

Mulai

Input :

Tombol “Kamera Aktif”

Mengaktifkan Kamera

Kamera

Aktif ?

Output :

Gambar

Tertampil

Input :

Tombol “Ambil

Gambar”

F

Tidak

Ya

J1


37

Gambar 3.15. (Lanjutan) Diagram Alir Proses yang Terdapat pada GUI

Mengambil Gambar

Output :

Gambar

Terambil

Input :

Variasi Desimasi,

Tombol “Proses”

Proses Cropping, Resizing,

Ekstraksi Ciri Wavelet, dan

Keluaran Teks

Output :

Hasil Proses Cropping,

Resizing, Ekstraksi Ciri

Wavelet, dan Keluaran Teks

Ulang ?

F

G

I

Tidak

Ya

J2

J1


38


Input :

Tombol “Reset”

Membersihkan GUI

Output :

GUI Bersih

Selesai

Memakai

GUI ?

Input :

Tombol “Keluar”

Menutup GUI

G

H

Tidak

Ya

I

J2


39


Output :

GUI Tertutup

Selesai

H


40

BAB IV

HASIL DAN PEMBAHASAN

Bab ini akan membahas mengenai langkah-langkah untuk menjalankan software

pengenalan angka dengan pose jari tangan baik secara real time maupun non real time,

sintaks program yang digunakan, serta menganalisis data hasil pengujian. Pengujian sistem

pengenalan angka dengan pose jari tangan ini menggunakan pola angka ASL, yaitu dari 0

s/d 9 dari 5 variasi jarak yang digunakan, yaitu 1 m, 1,5 m, 2 m, 2,5 m, dan 3 m.

Spesifikasi laptop yang digunakan dalam pengujian software pengenalan angka

dengan pose jari tangan ini ialah sebagai berikut :

1. Merk dan Tipe Laptop : Asus X454W Series

2. Prosesor : AMD Dual Core E1-6010 1.35 GHz

3. RAM : 2 GB

4. Versi Matlab : R2010a

5. Sistem Operasi : Windows 8 64 bit

4.1. Langkah-langkah Menjalankan Program

4.1.1. Langkah-langkah untuk Menjalankan Program secara Real Time

1. Pertama, buka software matlab terlebih dahulu dengan cara meng-klik kiri sebanyak

2 kali pada icon matlab (lihat Gambar 4.1). Setelah meng-klik kiri, akan muncul

tampilan utama matlab seperti pada Gambar 4.2.

Gambar 4.1. Icon Matlab R2010a


41

Gambar 4.2. Tampilan Utama Matlab R2010a

2. Kedua, ubah current folder sesuai lokasi disimpannya program yang telah dibuat (lihat

Gambar 4.3), lalu ketik “guiangka” (contoh nama file GUI yang dibuat) pada command

window untuk menjalankan file GUI yang telah dibuat (lihat Gambar 4.4), kemudian

tekan enter.

Gambar 4.3. Directory D:\TE\TA Lokasi disimpannya File GUI


42

Gambar 4.4. Pemanggilan File GUI

3. Ketiga, setelah menekan enter, maka GUI siap digunakan untuk pengujian secara real

time. Untuk lebih jelasnya, lihat pada Gambar 4.5.

Gambar 4.5. GUI Software Pengenalan Angka dengan Pose Jari Tangan

Pada tampilan GUI Gambar 4.5, terdapat beberapa pushbutton yang digunakan, serta

1 buah popupmenu. Berikut ini penjelasan tentang fungsi pushbutton dan popupmenu yang

digunakan pada GUI.

a. Pushbutton “Kamera Aktif” : Untuk melihat apakah kamera sudah aktif atau belum (axes

1).

b. Pushbutton “Ambil Gambar” : Untuk mengambil gambar (axes 1).

c. Pushbutton “Proses” : Untuk menampilkan hasil cropping (axes 2), resizing (axes 3),

ekstraksi ciri wavelet (axes 4), dan keluaran teks (edit 3).

d. Pushbutton “Reset” : Untuk membersihkan setiap axes, popupmenu, dan edit pada GUI.

e. Pushbutton “Keluar” : Untuk menutup GUI.


43

f. Popupmenu “Variasi Desimasi” : Untuk memilih variasi desimasi yang diinginkan,

apakah variasi desimasi 1, 2, atau 3 (lihat Gambar 4.6). Hasil dari pemilihan variasi

desimasi ini ditampilkan pada axes 4 (ekstraksi ciri wavelet).

Gambar 4.6. Pemilihan Variasi Desimasi

Gambar 4.7. Contoh ketika GUI dijalankan untuk Pengujian Angka 9 dengan Variasi

Desimasi = 3


44

4.1.2. Langkah-langkah untuk Menjalankan Program secara Non Real

Time

1. Pertama, ulangi langkah 1 s/d 2 sama seperti langkah-langkah untuk menjalankan

program secara real time. Namun contoh nama file program yang digunakan secara

non real time ini ialah “kenalwav2”, sehingga pada command window pada matlab

ketik “kenalwav2” (lihat Gambar 4.8). Setelah itu input desimasi yang diinginkan

(lihat Gambar 4.9.), lalu tekan enter untuk menampilkan hasil cropping, resizing,

ekstraksi ciri wavelet, dan keluaran teks.

Gambar 4.8. Pemanggilan File Program secara Non Real Time

Gambar 4.9. Memasukkan Nilai Desimasi, misalnya Desimasi = 2

2. Kedua, setelah menekan enter, tunggu beberapa saat hingga hasil cropping, resizing,

dan ekstraksi ciri wavelet ditampilkan pada figure matlab dan hasil keluaran teks

pada command window matlab (lebih jelasnya lihat Gambar 4.10 – 4.13).

Gambar 4.10. Citra Hasil Cropping


45

Gambar 4.11. Citra Hasil Resizing

Gambar 4.12. Citra Hasil Ekstraksi Ciri Wavelet dengan Desimasi = 2


46

Gambar 4.13. Hasil Keluaran Teks pada Command Window Matlab

4.2. Penjelasan Sintaks Program

4.2.1. Penjelasan Sintaks Program secara Real Time

Untuk sintaks program secara real time, pushbutton dan popupmenu yang terdapat

pada GUI akan diisi sintaks program tertentu agar nantinya GUI dapat berjalan dengan baik.

Untuk lebih jelasnya, berikut ini penjelasannya.

a. Pushbutton “Kamera Aktif”

Untuk menjalankan pushbutton ini, maka diisi sintaks berikut :

imaqhwinfo; info=imaqhwinfo('winvideo'); dev_info=imaqhwinfo('winvideo',1); vidobj=videoinput('winvideo',1,'RGB24_1280x960'); vidobj.FramesPerTrigger=1; triggerconfig(vidobj,'manual'); vidRes=get(vidobj,'VideoResolution');


47

imWidth=1280; imHeight=960; nBands=get(vidobj,'NumberOfBands'); hImage=image(zeros(imHeight,imWidth,nBands),'parent',handles.axes1); preview(vidobj,hImage)

Berdasarkan sintaks program di atas, dapat dilihat terdapat sintaks imaqhwinfo. Sintaks

ini berfungsi untuk menginisialisasikan antara webcam dengan software matlab. Selain

itu, sintaks ini juga berfungsi untuk mengetahui informasi yang dimiliki oleh webcam,

seperti nama device dan format warna yang dihasilkan oleh webcam, misalnya RGB,

YUY, dan lainnya. Untuk menampilkan gambar yang direkam oleh webcam, maka

sintaks preview digunakan dan kemudian gambar tersebut dapat nampak pada axes 1.

b. Pushbutton “Ambil Gambar”


start(vidobj); pause(1); trigger(vidobj); stoppreview(vidobj); capt1=getdata(vidobj); gambar=capt1; handles.a=gambar; guidata(hObject,handles); axes(handles.axes1); imshow(gambar)

Berdasarkan sintaks program di atas, dapat dilihat terdapat sintaks getdata. Sintaks ini

berfungsi untuk melakukan capture gambar saat webcam dalam keadaan on. Hasil

gambar yang telah diambil oleh webcam ini memiliki format citra RGB. Kemudian agar

hasil capture dapat dipanggil dan digunakan pada sintaks program selanjutnya, maka

diinisialisasikan dengan sintaks handles.

c. Popupmenu “Variasi Desimasi”

Untuk mengfungsikan popupmenu ini, maka diisi sintaks berikut :

indeks=get(handles.popupmenu1,'Value'); switch indeks

case 2 des=1; case 3; des=2; case 4; des=3;


48

end

handles.des=des; guidata(hObject,handles);

Berdasarkan sintaks program di atas, dapat dilihat terdapat sintaks des=1. Sintaks ini

berfungsi untuk mengaktifkan desimasi sebanyak 1 kali. Penjelasan tentang desimasi

sebelumnya sudah dituliskan pada Bab III. Desimasi ini diinisialisasikan dengan nama

“des”. Kemudian agar nilai variasi desimasi ini dapat dipanggil dan digunakan pada

sintaks program selanjutnya, maka diubah menjadi “handles.des”.

d. Pushbutton “Proses”

Pada saat menakan pushbutton “Proses” ini, citra dengan format RGB yang telah diambil

pada axes 1 akan diproses lebih lanjut. Untuk lebih jelasnya berikut ini proses-prosesnya

dan juga sintaks programnya.

Proses Konversi Citra RGB ke HSV

Untuk menjalankan proses ini, sintaks program yang digunakan ialah :

%Konversi RGB ke HSV x0=rgb2hsv(x);

Berdasarkan sintaks program di atas, dapat dilihat bahwa terdapat sintaks rgb2hsv.

Sintaks ini berfungsi mengubah citra RGB dari menjadi citra HSV.

Proses Segmentasi HSV


s=x0(:,:,2); %Ambil bagian saturation s1=s>0.17;

v=x0(:,:,3); %Ambil bagian value v1=v>0.4;

Berdasarkan sintaks program di atas, segmentasi bagian kulit pada citra dilakukan.

Oleh karena itu bagian S (saturation) dan V (value) diambil, karena diantara ketiga

komponen warna HSV, yang masuk dalam kategori warna kulit (muka dan tangan)

ialah S dan V. Nilai threshold S dan V jika dilihat dari ruang warnanya, yang

digunakan dalam penelitian ini ialah untuk S >0,17 dan untuk V >0,4.


49

Proses Pengambilan Bagian Tangan


%Hitung luasan setiap objek for k=1:jumobj x2=x1==k; aobj(k)=sum(x2(:)); end %segmentasi luasan kedua terbesar [s,u]=sort(aobj,'descend'); x3=x1==u(2); else x3=x1; end

Berdasarkan sintaks program di atas, untuk mengambil bagian tangan pada citra yang

telah disegmentasi, maka perhitungan luasan pada setiap objek kulit dilakukan

dengan sintaks sum. Setelah itu, hasil perhitungan luasan objek kulit tersebut

diurutkan (dengan sintaks sort) dari nilai terbesar ke nilai terkecil dengan sintaks

descend. Setelah itu, untuk mengambil objek yang memiliki nilai luasan kedua

terbesar (bagian tangan) yang diinisialisasi dengan “u(2)”.

Proses Cropping sesuai Bounding Box


% Potong kiri cout=x3; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];

% Potong kanan cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];

% Potong atas cout=cout'; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];

% Potong bawah cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];


50

Berdasarkan sintaks program di atas, pada prinsipnya proses cropping sesuai bounding

box ini, proses pemotongannya ialah dengan memutar tiap 90o lalu memotong per-

bagiannya sampai kembali ke posisi awal. Untuk lebih jelasnya lihat Tabel 4.1.

Tabel 4.1. Proses Cropping sesuai Bounding Box

Sintaks Program Hasil Sintaks

% Potong kiri cout=x3; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];




200 400 600 800 1000 1200 1400

200

400

600

800

1000

1200

200 400 600 800 1000 1200 1400

50

100

150

200

50 100 150 200

100

200

300

400

500

600

700

800

50 100 150 200

50

100

150

200

250

300

350

400


51

Proses Resizing


x4=imresize(cout,[64 64]);

Berdasarkan sintaks program di atas, dapat dilihat bahwa terdapat sintaks imresize

yang berfungsi mengubah ukuran citra ke ukuran tertentu. Untuk penelitian ini citra

diubah ke dalam ukuran 64 x 64 piksel.

Proses Ekstraksi Ciri


x5=xcwav2(x4,des);

Berdasarkan sintaks program di atas, dapat dilihat bahwa terdapat sintaks xcwav2.

Sintaks ini merupakan sintaks untuk memanggil program ekstraksi ciri yang dibuat

dalam M-file pada matlab. Untuk lebih jelasnya, sintaksnya dapat dilihat pada bagian

lampiran.

Proses Perhitungan Korelasi


for n=1:10 r(n)=korelasi(x6,z(:,n))

end maxr=max(r)

Berdasarkan sintaks program di atas, dapat dilihat bahwa terdapat sintaks korelasi.

Sintaks ini merupakan sintaks untuk memanggil fungsi korelasi yang dibuat dalam

M-file pada matlab. Selain itu, terdapat sintaks max yang berfungsi untuk

menampilkan nilai korelasi yang paling tinggi (yang terbaik). Nilai korelasi ini akan

ditampilkan pada command window matlab.

Proses Keluaran Teks


if (maxr==r(1)) z1={'0'}; set(handles.edit3,'string',z1);

elseif (maxr==r(2)) z2={'1'}; set(handles.edit3,'string',z2);


52


elseif (maxr==r(4)) z4={'3'};

set(handles.edit3,'string',z4); elseif (maxr==r(5))

z5={'4'}; set(handles.edit3,'string',z5);



elseif (maxr==r(8)) z8={'7'}; set(handles.edit3,'string',z8)

elseif (maxr==r(9)) z9={'8'}; set(handles.edit3,'string',z9) elseif (maxr==r(10)) z10={'9'}; set(handles.edit3,'string',z10) end

Berdasarkan sintaks program di atas, dapat dilihat bahwa terdapat sintaks elseif

(maxr==r(1)). Sintaks ini berfungsi untuk menampilkan teks angka “1” pada edit 3

yang terdapat di GUI jika angka 1 memiliki nilai korelasi terbesar. Hal ini berlaku

untuk angka uji lainnya.

e. Pushbutton “Reset”


axes(handles.axes1) plot(0); axes(handles.axes2) plot(0); axes(handles.axes3) plot(0); axes(handles.axes4) plot(0); set(handles.popupmenu1,'Value',1); set(handles.edit3,'string','');

Pushbutton “Reset” ini berfungsi untuk membersihkan axes, popupmenu, dan edit pada

GUI jika terjadi kesalahan dalam pengenalan pola angka ASL atau ingin melakukan

pengujian yang baru.


53

f. Pushbutton “Keluar”


close

Pushbutton “Keluar” ini berfungsi untuk menutup GUI jika selesai melakukan

pengujian.

4.2.2. Penjelasan Sintaks Program secara Non Real Time

Untuk sintaks program secara non real time, memiliki program proses segementasi

HSV, proses pengambilan bagian tangan, proses cropping sesuai bounding box, proses

resizing, proses ekstraksi ciri wavelet, dan proses perhitungan korelasi secara garis besar

sama dengan program secara real time. Namun untuk menampilkan hasil citranya, maka

sintaks subplot dan imshow digunakan. Sedangkan untuk keluaran teks, akan ditampilkan

pada command window matlab. Untuk lebih jelasnya, berikut ini sintaks keluaran teks untuk

program secara non real time.

% Penentuan buah keluaran DaftarAngka={'0';'1';'2';'3';'4';'5';'6';'7';'8';'9'}; Angka{k}=DaftarAngka{KelasOut};

Berdasarkan sintaks program di atas, pada prinsipnya proses yang dimiliki sama dengan

program secara real time. Pola angka ASL yang memiliki nilai korelasi yang terbaik atau

yang paling tinggi akan ditampilkan pada command window matlab, dengan terlebih dahulu

dikelompokkan kelas-kelasnya dengan inisialisasi “KelasOut” (lebih jelasnya lihat sintaks

full pada lampiran). Sedangkan, untuk pengambilan foto data uji secara non real time ini,

digunakan software asli webcam Logitech sendiri. Berikut ini Gambar 4.14 icon software

Logitech webcam dan Gambar 4.15 software Logitech webcam pada saat pengambilan foto

data uji.

Gambar 4.14. Icon Software Logitech Webcam


54

Gambar 4.15. Software Logitech Webcam pada saat Pengambilan Foto Data Uji

4.3. Analisis Hasil Data Pengujian

Dalam pengujian program secara real time dan secara non real time, pengujian dari 5

variasi jarak dan 3 variasi desimasi dilakukan (telah disebutkan pada Bab III). Agar lebih

memperjelas bagaimana hasil citra hasil desimasi 1 s/d 3, berikut ini pada Tabel 4.2 hasilnya.

Tabel 4.2. Hasil Desimasi 1 s/d 3 Pola Angka ASL 0-9 pada 5 Variasi Jarak

Pola Angka

ASL

Desimasi

Jarak (m)

1 1,5 2 2,5 3

0

1

2


55

3

1

1

2

3

2

1

2

3

3

1

2

3

4 1


56

2

3

5

1

2

3

6

1

2

3

7

1

2

3


57

8

1

2

3

9

1

2

3

4.3.1. Analisis Hasil Data Pengujian secara Real Time

Dalam pengujian secara real time, seperti yang telah disebutkan pada Bab III

sebelumnya, pengujian sebanyak 2 sampel tangan orang lain dilakukan. Berikut ini hasil data

yang diperoleh dari pengujian secara real time dari 5 variasi jarak, yaitu 1 m, 1,5 m, 2 m, 2,5

m, dan 3 m dan juga dari 3 variasi desimasi, besar tingkat pengenalan, serta grafik besar

tingkat pengenalannya. Dalam proses pengambilan datanya, pengambilan setiap sampel

angka sebanyak 5 kali dilakukan dan hasilnya akan ditunjukkan dalam bentuk confusion

matrix (lihat pada lampiran).


58

Tabel 4.3. Hasil Pengujian Real Time

Jarak (Meter) Tingkat Pengenalan

Desimasi 1 Desimasi 2 Desimasi 3

1 98 % 98 % 48 %

1,5 86 % 86 % 78 %

2 68 % 66 % 58 %

2,5 88 % 88 % 48 %

3 88 % 78 % 58 %

- Grafik Hasil Pengujian Real Time :

Gambar 4.16. Grafik Hasil Pengujian Real Time

Berdasarkan grafik (Gambar 4.16) dan tabel hasil tingkat pengenalan secara real time

(Tabel 4.3), dapat dilihat bahwa hasil yang ditunjukkan cukup acak dan tidak menunjukkan

ketergantungan pada jarak pengujian. Hal ini dikarenakan bahwa sampai jarak maksimal

pengujian (3 meter), software pengenalan angka dengan pose jari tangan ini masih mampu

menangkap objek tangan dengan baik walaupun hasil keluaran teks masih ada yang

mengalami kesalahan dalam pengenalan. Sedangkan untuk hasil percobaan desimasi, dapat

dilihat bahwa semakin banyak desimasi, maka semakin menurun tingkat pengenalan. Hal ini

disebabkan karena semakin banyaknya desimasi, maka ukuran citra akan semakin direduksi

(dari ukuran 64 x 64 piksel), sehingga citra akan semakin kabur. Seperti yang telah dijelaskan


59

pada Bab III, untuk desimasi 1 mempunyai ukuran 32 x 32 piksel, desimasi 2 mempunyai

ukuran 16 x 16 piksel, dan desimasi 3 mempunyai ukuran 8 x 8 piksel.

Jika dilihat dari tabel hasil tingkat pengenalan secara real time, jarak 1,5 meter

merupakan jarak pengujian yang terbaik untuk hasil desimasi 1 dan 2. Dengan mampu

menghasilkan tingkat pengenalan sebesar 98 %. Sedangkan untuk desimasi 3, jarak

pengujian yang terbaik ialah 1,5 meter dengan mampu menghasilkan tingkat pengenalan

sebesar 78 %.

4.3.2. Analisis Hasil Data Pengujian secara Non Real Time

Dalam pengujian secara non real time, seperti yang telah disebutkan pada Bab III

sebelumnya, pengujian sebanyak 1 sampel tangan orang lain dilakukan. Berikut ini hasil data

yang diperoleh dari pengujian secara non real time dari 5 variasi jarak, yaitu 1 m, 1,5 m, 2

m, 2,5 m, dan 3 m dan juga dari 3 variasi desimasi, besar tingkat pengenalan, serta grafik

besar tingkat pengenalannya. Dalam proses pengambilan datanya pengambilan setiap sampel

angka sebanyak 1 kali dilakukan dan hasilnya akan ditunjukkan dalam bentuk confusion

matrix (lihat pada lampiran).

Tabel 4.4. Hasil Pengujian Non Real Time

Jarak (Meter) Tingkat Pengenalan

Desimasi 1 Desimasi 2 Desimasi 3

1 100 % 100 % 50 %

1,5 90 % 90 % 80 %

2 70 % 70 % 60 %

2,5 90 % 90 % 50 %

3 90 % 80 % 60 %


60

- Grafik Hasil Pengujian Non Real Time :

Gambar 4.17. Grafik Hasil Pengujian Non Real Time

Berdasarkan grafik (Gambar 4.7) dan tabel hasil tingkat pengenalan secara non real

time (Tabel 4.4), dapat dilihat juga bahwa hasil yang ditunjukkan cukup acak dan tidak

menunjukkan ketergantungan pada jarak pengujian. Hal ini dikarenakan bahwa sampai jarak

maksimal pengujian (3 meter), software pengenalan angka dengan pose jari tangan ini masih

mampu menangkap objek tangan dengan baik walaupun hasil keluaran teks masih ada yang

mengalami kesalahan dalam pengenalan. Sedangkan untuk hasil percobaan desimasi, dapat

juga dilihat bahwa semakin banyak desimasi, maka semakin menurun tingkat pengenalan.

Hal ini disebabkan karena semakin banyaknya desimasi, maka ukuran citra akan semakin

direduksi (dari ukuran 64 x 64 piksel), sehingga citra akan semakin kabur. Seperti yang telah

dijelaskan pada Bab III, untuk desimasi 1 mempunyai ukuran 32 x 32 piksel, desimasi 2

mempunyai ukuran 16 x 16 piksel, dan desimasi 3 mempunyai ukuran 8 x 8 piksel.

Jika dilihat dari tabel hasil tingkat pengenalan secara non real time, jarak 1,5 meter

merupakan jarak pengujian yang terbaik untuk hasil desimasi 1 dan 2. Dengan mampu

menghasilkan tingkat pengenalan sebesar 100 %. Sedangkan untuk desimasi 3, jarak

pengujian yang terbaik ialah 1,5 meter dengan mampu menghasilkan tingkat pengenalan

sebesar 80 %.


61

Pada hasil data secara menyuluruh baik secara real time dan non real time (lihat

lampiran), pola angka ASL 6, 7 dan 8 sering mengalami kesalahan dalam pengujian

dikarenakan kedua pola angka ASL ini memiliki kemiripan jika dilihat dari citra hasil

pengambilan tanganya (lihat Gambar 4.10). Oleh karena itu, seperti kasus pada saat

melakukan pengujian angka 6, output teksnya terkadang menunjukkan angka 7 atau 8, untuk

pengujian angka 7, output teksnya terkadang menunjukkan angka 6 atau 8, dan untuk

pengujian angka 8, output teksnya terkadang menunjukkan angka 6 atau 7.

Melihat kembali penelitian sebelumnya, yaitu tentang pengenalan pola huruf ASL

A-Z, tingkat pengenalan yang dihasilkan sebesar 80,42 % [2]. Berdasarkan hasil tingkat

pengenalan pada penelitian ini (secara real time dan non real time) dan pada penelitian

sebelumnya, dapat dilihat bahwa beberapa hasil tingkat pengenalan pada penelitian ini telah

mampu melampui hasil tingkat pengenalan pada penelitian sebelumnya. Oleh karena itu,

dapat dikatakan bahwa hasil dari penelitian tentang pengenalan pola angka ASL 0-9 ini

sudah cukup lebih baik daripada penelitian sebelumnya yang meneliti tentang pengenalan

pola huruf ASL A-Z.

Gambar 4.18. Percobaan di Ruang Tugas Akhir Teknik Elekro USD (1)


62

Gambar 4.19. Percobaan di Ruang Tugas Akhir Teknik Elekro USD (2)


63

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan penelitian yang telah dilakukan, dimulai dari tahap perancangan sistem,

implementasi, pengujian sistem, hasil pengujian, serta pembahasan, maka dapat ditarik

kesimpulan, antara lain :

1. Sistem pengenalan karakter angka 0-9 berdasarkan pola isyarat ASL sudah dapat

berjalan dengan baik.

2. Berdasarkan pengujian secara non real time yang telah dilakukan, dengan jarak

terjauh 3 meter dihasilkan tingkat pengenalan sebesar 90 %. Hasil ini diperoleh

menggunakan desimasi 1 yang memberikan ekstraksi ciri 32 x 32 piksel.

3. Berdasarkan pengujian secara real time yang telah dilakukan, dengan jarak terjauh

3 meter dihasilkan tingkat pengenalan sebesar 88 %. Hasil ini diperoleh

menggunakan desimasi 1 yang memberikan ekstraksi ciri 32 x 32 piksel.

5.2. Saran

Dengan dibuatnya software pengenalan angka dengan pose jari tangan ini, saran yang

dapat diberikan dalam pengembangannya ke depan ialah, antara lain :

1. Mencoba memperbanyak pola angka atau huruf ASL yang dapat dikenali khusunya

yang berbasis gesture.

2. Mencoba menggunakan fitur object detection, agar pola angka atau huruf ASL

yang diuji dapat dideteksi dan dikenali walaupun webcam digerakkan.

3. Mencoba menggunakan output yang berupa suara.

4. Mencoba menggunakan banyak variasi desimasi.


64

DAFTAR PUSTAKA

[1] Vitriantoro, A.F., 2014, Pengenalan Plat Nomor Sepeda Motor Menggunakan

Ekstraksi Ciri DCT dan Fungsi Jarak Euclidean, Tugas Akhir, Jurusan Teknik

Elektro, Program Studi Teknik Elektro, Fakultas Sains dan Teknologi, Universitas

Sanata Dharma Yogyakarta.

[2] Mardiyani A., Purnomo, M.H., Purnama, I K.P. 2012, Pengenalan Bahasa Isyarat

Menggunakan Metode PCA dan Haar Like Feature¸ Jurusan Teknik Elektro, FTI,

Institut Teknologi 10 Nopember Surabaya, hal. 1-6.

[3] Khusnia, 2013, Komunikasi Non Verbal,

https://khusnia.wordpress.com/pengantar-ilmu-komunikasi/07-komunikasi-

nonverbal/, diakses 1 November 2016.

[4] -----, 2016, Jari, https://id.wikipedia.org/wiki/Jari, diakses 21 Agustus 2016.

[5] Ikhwan, T., 2014, Cara Cepat Belajar Bahasa Isyarat Untuk

Tunarungu/Tunawicara,

http://ikhwan-smoothcriminal.blogspot.co.id/2012/11/ara-cepat-belajar-bahasa

isyarat-untuk.html, diakses 21 Agustus 2016.

[6] Sutarno, 2010, Analisis Perbandingan Transformasi Wavelet pada Pengenalan Citra

Wajah, Fakultas Ilmu Komputer, Universitas Sriwijaya, Hal.15-16.

[7] Rizal, A., 2014, Pengolahan Citra,

http://achmadrizal.staff.telkomuniversity.ac.id/pengolahan-citra/, diakses 21

Agustus 2016.


https://khusnia.wordpress.com/pengantar-ilmu-komunikasi/07-komunikasi-nonverbal/

https://khusnia.wordpress.com/pengantar-ilmu-komunikasi/07-komunikasi-nonverbal/

https://id.wikipedia.org/wiki/Jari

http://ikhwan-smoothcriminal.blogspot.co.id/2012/11/ara-cepat-belajar-bahasa%20isyarat-untuk.html

http://ikhwan-smoothcriminal.blogspot.co.id/2012/11/ara-cepat-belajar-bahasa%20isyarat-untuk.html

http://achmadrizal.staff.telkomuniversity.ac.id/pengolahan-citra/

65

[8] Fauzan, A., 2015, Ruang Warna Hue Saturation Value (HSV) serta konversinya,

http://www.charisfauzan.net/2015/01/ruang-warna-hue-saturation-value-hsv.html,

diakses 21 Agustus 2016.

[9] Taufik, I., 2015, Program VB.Net Konversi RGB ke HSV, http://tutorial-komputer-

pemula.blogspot.co.id/2015/04/program-vbnet-konversi-rgb-ke-hsv.html, diakses

21 Agustus 2016.

[10] Prabowo, I.A.A., 2015, Pengenalan Secara Real Time Huruf Jawa Jenis Cetak

Menggunakan Ekstraksi Ciri Wavelet dan Fungsi Jarak Euclidean, Tugas Akhir,

Program Studi Teknik Elektro, Jurusan Teknik Elektro, Fakultas Sains dan

Teknologi, Universitas Sanata Dharma Yogyakarta.

[11] Putri, D.N., Rafmadhanty, F., Megantara, I.P., Jayanti, I.N., Hapsari K.D., 2013,

Klasifikasi Huruf Korea (Hangul) dengan Metode Template Matching Correlation,

Jurusan Teknik Informatika, Universitas Brawijaya.

[12] Sumarno, L., 2014, Pengenalan Nada Pianika Menggunakan Jendela Blackaman

Dan Ekstraksi Ciri Transformasi Fourier Cepat, Program Studi Teknik Elektro,

Fakultas Sains dan Teknologi, Universitas Sanata Dharma Yogyakarta.

[13] -----, 2016, Pengertian Kamera Web, Fungsi Kamera Web, dan Kelemahan Kamera

Web, http://www.infoteknologi.org/2015/12/pengertian-kamera-web-fungsi-

kamera-web_17.html, diakses 1 November 2016.

[14] -----, 2015, Spesifikasi Teknis Logitech C270 HD Webcam,

http://pojokcyberkasomalang.blogspot.co.id/2015/12/logitech-c270-hd-webcam-

spesifikasi-dan-harga-termurah-di-pasar-indonesia.html, diakses 1 November

2016.


http://www.charisfauzan.net/2015/01/ruang-warna-hue-saturation-value-hsv.html

http://www.infoteknologi.org/2015/12/pengertian-kamera-web-fungsi-kamera-web_17.html

http://www.infoteknologi.org/2015/12/pengertian-kamera-web-fungsi-kamera-web_17.html

http://pojokcyberkasomalang.blogspot.co.id/2015/12/logitech-c270-hd-webcam-spesifikasi-dan-harga-termurah-di-pasar-indonesia.html

http://pojokcyberkasomalang.blogspot.co.id/2015/12/logitech-c270-hd-webcam-spesifikasi-dan-harga-termurah-di-pasar-indonesia.html

66

[15] -----, 2016, Logitech Webcam C270 HD,

https://www.bukalapak.com/p/komputer/aksesoris-226/webcam/3x56q3-jual-

logitech-webcam-c270-hd, diakses 8 November 2016.

[16] Nugroho, I.A., 2015, Pengenalan Secara Real Time Rambu Lalu Lintas

Pergingatan Menggunakan Ekstraksi Ciri Wavelet Haar dan Fungsi Jarak Chi

Square, Tugas Akhir, Program Studi Teknik

Elektro, Jurusan Teknik Elektro, Fakultas Sains dan Teknologi, Universitas Sanata

Dharma Yogyakarta.


https://www.bukalapak.com/p/komputer/aksesoris-226/webcam/3x56q3-jual-logitech-webcam-c270-hd

https://www.bukalapak.com/p/komputer/aksesoris-226/webcam/3x56q3-jual-logitech-webcam-c270-hd

L-1

LAMPIRAN

Sintaks Program Real Time :

- GUI (guiangka.m) :

function varargout = guiangka(varargin) % GUIANGKA M-file for guiangka.fig % GUIANGKA, by itself, creates a new GUIANGKA or raises the existing % singleton*. % % H = GUIANGKA returns the handle to a new GUIANGKA or the handle to % the existing singleton*. % % GUIANGKA('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in GUIANGKA.M with the given input arguments. % % GUIANGKA('Property','Value',...) creates a new GUIANGKA or raises

the % existing singleton*. Starting from the left, property value pairs

are % applied to the GUI before guiangka_OpeningFcn gets called. An % unrecognized property name or invalid value makes property

application % stop. All inputs are passed to guiangka_OpeningFcn via varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only

one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help guiangka

% Last Modified by GUIDE v2.5 16-Nov-2016 17:39:47

% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @guiangka_OpeningFcn, ... 'gui_OutputFcn', @guiangka_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end

if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT


L-2

% --- Executes just before guiangka is made visible. function guiangka_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to guiangka (see VARARGIN)

% Choose default command line output for guiangka handles.output = hObject;

% Update handles structure guidata(hObject, handles);

% UIWAIT makes guiangka wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = guiangka_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure varargout{1} = handles.output;

function edit3_Callback(hObject, eventdata, handles) % hObject handle to edit3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of edit3 as text % str2double(get(hObject,'String')) returns contents of edit3 as a

double

% --- Executes during object creation, after setting all properties. function edit3_CreateFcn(hObject, eventdata, handles) % hObject handle to edit3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end


L-3

%===========================Kamera Aktif===============================% % --- Executes on button press in pushbutton1. function pushbutton1_Callback(hObject, eventdata, handles) % hObject handle to pushbutton1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) imaqhwinfo; info=imaqhwinfo('winvideo'); dev_info=imaqhwinfo('winvideo',1); vidobj=videoinput('winvideo',1,'RGB24_1280x960'); vidobj.FramesPerTrigger=1; triggerconfig(vidobj,'manual'); vidRes=get(vidobj,'VideoResolution'); imWidth=1280; imHeight=960; nBands=get(vidobj,'NumberOfBands'); hImage=image(zeros(imHeight,imWidth,nBands),'parent',handles.axes1); preview(vidobj,hImage)

%===========================Ambil Gambar================================% % --- Executes on button press in pushbutton2. function pushbutton2_Callback(hObject, eventdata, handles) % hObject handle to pushbutton2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) imaqhwinfo; info=imaqhwinfo('winvideo'); dev_info=imaqhwinfo('winvideo',1); vidobj=videoinput('winvideo',1,'RGB24_1280x960'); vidobj.FramesPerTrigger=1; triggerconfig(vidobj,'manual'); vidRes=get(vidobj,'VideoResolution'); imWidth=1280; imHeight=960; nBands=get(vidobj,'NumberOfBands'); hImage=image(zeros(imHeight,imWidth,nBands),'parent',handles.axes1); start(vidobj); pause(1); trigger(vidobj); stoppreview(vidobj); capt1=getdata(vidobj); gambar=capt1; handles.a=gambar; guidata(hObject,handles); axes(handles.axes1); imshow(gambar)

%===========================Variasi Desimasi===========================% % --- Executes on selection change in popupmenu1. function popupmenu1_Callback(hObject, eventdata, handles) % hObject handle to popupmenu1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% Hints: contents = cellstr(get(hObject,'String')) returns popupmenu1

contents as cell array % contents{get(hObject,'Value')} returns selected item from % popupmenu1 indeks=get(handles.popupmenu1,'Value');


L-4

switch indeks case 2 des=1; case 3; des=2; case 4; des=3; end handles.des=des; guidata(hObject,handles);

%===========================Proses==================================% % --- Executes on button press in pushbutton3. function pushbutton3_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

%popupmenu des=handles.des if(des==1) load dB1r64d1 elseif(des==2) load dB1r64d2 elseif(des==3) load dB1r64d3 end

%Konversi RGB ke HSV x=handles.a; axes(handles.axes2); x0=rgb2hsv(x);



tsv=and(s1,v1); kulit=bwareaopen(v1,2000); kulit1=imdilate(kulit,strel('square',4));

%Hitung luasan kulit %Tandai Objek yang ada x1 = bwlabel(kulit1);

%Hitung jumlah objek jumobj = max(x1(:));


L-5

if jumobj>1 %Hitung luasan setiap objek for k=1:jumobj x2=x1==k; aobj(k)=sum(x2(:)); end %segmentasi luasan kedua terbesar [s,u]=sort(aobj,'descend'); x3=x1==u(2); else x3=x1; end

% Proses cropping sesuai bounding box if sum(sum(x3))>0 % Jika ada obyek dilakukan pemotongan % Potong kiri cout=x3; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];




% Penyesuaian orientasi cout=cout'; cout=flipud(cout); cout=fliplr(cout); else % Jika tidak ada obyek tidak dilakukan pemotongan cout=x3; end imshow(cout) axis on

%Proses resizing axes(handles.axes3); x4=imresize(cout,[64 64]); imshow(x4) axis on


L-6

%Ekstraksi ciri wavelet axes(handles.axes4); x5=xcwav2(x4,des); x6=x5(:); imshow(x5) axis on

%Korelasi %Ada 3 kolom matriks database for n=1:10 r(n)=korelasi(x6,z(:,n)) end maxr=max(r)

%Keluaran teks if (maxr==r(1)) z1={'0'}; set(handles.edit3,'string',z1); elseif (maxr==r(2)) z2={'1'}; set(handles.edit3,'string',z2); elseif (maxr==r(3)) z3={'2'}; set(handles.edit3,'string',z3); elseif (maxr==r(4)) z4={'3'}; set(handles.edit3,'string',z4); elseif (maxr==r(5)) z5={'4'}; set(handles.edit3,'string',z5); elseif (maxr==r(6)) z6={'5'}; set(handles.edit3,'string',z6); elseif (maxr==r(7)) z7={'6'}; set(handles.edit3,'string',z7); elseif (maxr==r(8)) z8={'7'}; set(handles.edit3,'string',z8) elseif (maxr==r(9)) z9={'8'}; set(handles.edit3,'string',z9) elseif (maxr==r(10)) z10={'9'}; set(handles.edit3,'string',z10) end

%==========================Reset==================================== % % --- Executes on button press in pushbutton4. function pushbutton4_Callback(hObject, eventdata, handles) % hObject handle to pushbutton4 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) axes(handles.axes1) plot(0); axes(handles.axes2) plot(0); axes(handles.axes3) plot(0);


L-7

axes(handles.axes4) plot(0); set(handles.popupmenu1,'Value',1); set(handles.edit3,'string','');

%===========================Keluar==================================% % --- Executes on button press in pushbutton5. function pushbutton5_Callback(hObject, eventdata, handles) % hObject handle to pushbutton5 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) close

% --- Executes during object creation, after setting all properties. function popupmenu1_CreateFcn(hObject, eventdata, handles) % hObject handle to popupmenu1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called

% Hint: popupmenu controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

- Database (dbxcwav.m) :

%===================Pembuatan Database============================% function dbxcwav z=[]; z=prosesxc(1,[64 64]); save dB1r64d1 z ; z=[]; z=prosesxc(2,[64 64]); save dB1r64d2 z ; z=[]; z=prosesxc(3,[64 64]); save dB1r64d3 z ; z=[];

%================================================================= % internal function %=================================================================

function z=prosesxc(des,rz) z=[];

%Jarak 1m x=imread('D_1_0.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y1=y(:); x=imread('D_1_1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y2=y(:); x=imread('D_1_2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y3=y(:); x=imread('D_1_3.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y4=y(:); x=imread('D_1_4.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y5=y(:); x=imread('D_1_5.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y6=y(:); x=imread('D_1_6.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y7=y(:); x=imread('D_1_7.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y8=y(:); x=imread('D_1_8.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y9=y(:); x=imread('D_1_9.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y10=y(:);


L-8

%Jarak 1,5m x=imread('D_1,5_0.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y11=y(:); x=imread('D_1,5_1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y12=y(:); x=imread('D_1,5_2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y13=y(:); x=imread('D_1,5_3.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y14=y(:); x=imread('D_1,5_4.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y15=y(:); x=imread('D_1,5_5.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y16=y(:); x=imread('D_1,5_6.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y17=y(:); x=imread('D_1,5_7.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y18=y(:); x=imread('D_1,5_8.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y19=y(:); x=imread('D_1,5_9.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y20=y(:);


%Jarak 2,5m x=imread('D_2,5_0.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y31=y(:); x=imread('D_2,5_1.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y32=y(:); x=imread('D_2,5_2.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y33=y(:); x=imread('D_2,5_3.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y34=y(:); x=imread('D_2,5_4.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y35=y(:); x=imread('D_2,5_5.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y36=y(:); x=imread('D_2,5_6.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y37=y(:); x=imread('D_2,5_7.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y38=y(:); x=imread('D_2,5_8.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y39=y(:); x=imread('D_2,5_9.jpg'); x=prepro(x,rz); y=xcwav2(x,des); y40=y(:);


%perataan dat0=(y1+y11+y21+y31+y41)/5; dat1=(y2+y12+y22+y32+y42)/5; dat2=(y3+y13+y23+y33+y43)/5; dat3=(y4+y14+y24+y34+y44)/5; dat4=(y5+y15+y25+y35+y45)/5; dat5=(y6+y16+y26+y36+y46)/5; dat6=(y7+y17+y27+y37+y47)/5; dat7=(y8+y18+y28+y38+y48)/5; dat8=(y9+y19+y29+y39+y49)/5; dat9=(y10+y20+y30+y40+y50)/5;


L-9

%database z=[dat0 dat1 dat2 dat3 dat4 dat5 dat6 dat7 dat8 dat9];


function x9=prepro(x0,rz) %Konversi RGB ke HSV x1=rgb2hsv(x0);

%Konversi RGB ke HSV






if jumobj>1 %Hitung luasan setiap objek for k=1:jumobj x2=x1==k; aobj(k)=sum(x2(:)); end %segmentasi luasan kedua terbesar [s,u]=sort(aobj,'descend'); x3=x1==u(2); else x3=x1; end




L-10



% Penyesuaian orientasi cout=cout'; cout=flipud(cout); cout=fliplr(cout); else % Jika tidak ada obyek tidak dilakukan pemotongan cout=x3; end

%Proses resizing x9=imresize(cout,rz);

- Ekstraksi Ciri Wavelet (xcwav2.m) :

%Ekstraksi ciri wavelet 2d function x3=xcwav2(x0,m)

for j=1:m x1=convx2(x0); x2=downsampling(x1); x0=x2; end x3=x0;


%Konvolusi 2D function y=convx2(x)

LPF=[0.7071 0.7071]; %Wavelet Haar LO_D [b,j]=size(x);

%Konvolusi baris for m=1:b x0=x(m,:); x(m,:)=convx(x0,LPF); end


L-11

%Konvolusi kolom for m=1:j x0=x(:,m); x(:,m)=convx(x0',LPF)'; end y=x;


%Konvolusi dengan ekstensi sinyal %Jumlah koefisien harus genap; function y=convx(x,LPF)

lx=length(x); lf=length(LPF);

%Ekstensi sinyal batas=lf/2; kiri=x(lx-batas+1:lx); kanan=x(1:batas); x=[kiri x kanan];

%Konvolusi x=double(x); LPF=double(LPF); y=conv(x,LPF);

%Keluarkan yang perlu awal=lf+1; akhir=awal+lx-1; y=y(awal:akhir);


%Proses downsampling yang mempertahankan koefisien genap function y=downsampling(x)

[b,j]=size(x); %downsampling baris m=1:2:b; x(m,:)=[];

%downsampling kolom m=1:2:j; x(:,m)=[]; y=x;


L-12

- Korelasi (korelasi.m) :

%Korelasi function z=korelasi(x,y) y1=(1./length(x)).*(sum(x)); y2=(1./length(y)).*(sum(y)); z=(sum((x-y1).*(y-y2)))./((sqrt(sum((x-y1).^2))).*(sum((y-y2).^2)));


L-13

Sintaks Program Non Real Time (kenalwav2.m) :

function kenalwav2

%load database disp('input desimasi 1-3') des=input('Desimasi = ') %input desimasi = 1-3 if (des==1) load dB1r64d1 elseif (des==2) load dB1r64d2 elseif (des==3) load dB1r64d3 end

%Angka 0 x1=imread('S_1_0.jpg');a1=cropbbox(x1); b1=resizing(a1);

y1=xcwav2(b1,des); z1=y1(:); x2=imread('S_1,5_0.jpg'); a2=cropbbox(x2); b2=resizing(a2);

y2=xcwav2(b2,des); z2=y2(:); x3=imread('S_2_0.jpg'); a3=cropbbox(x3); b3=resizing(a3);



y5=xcwav2(b5,des); z5=y5(:);

%Angka 1 x6=imread('S_1,5_1.jpg');a6=cropbbox(x6); b6=resizing(a6);





y10=xcwav2(b10,des); z10=y10(:);






y15=xcwav2(b15,des); z15=y15(:);




y18=xcwav2(b18,des); z18=y18(:);


L-14

x19=imread('S_2,5_3.jpg'); a19=cropbbox(x19); b19=resizing(a19);


y20=xcwav2(b20,des); z20=y20(:);






y25=xcwav2(b25,des); z25=y25(:);






y30=xcwav2(b30,des); z30=y30(:);






y35=xcwav2(b35,des); z35=y35(:);






y40=xcwav2(b40,des); z40=y40(:);



y42=xcwav2(b42,des); z42=y42(:);


L-15

x43=imread('S_2_8.jpg'); a43=cropbbox(x43); b43=resizing(a43);



y45=xcwav2(b45,des); z45=y45(:);






y50=xcwav2(b50,des); z50=y50(:);

datauji=[z1 z2 z3 z4 z5 z6 z7 z8 z9 z10 z11 z12 z13 z14 z15 z16 z17 z18

z19 z20... z21 z22 z23 z24 z25 z26 z27 z28 z29 z30 z31 z32 z33 z34 z35 z36

z37 z38 z39 z40... z41 z42 z43 z44 z45 z46 z47 z48 z49 z50];

%Menampilkan hasil cropping figure(1) subplot(5,10,1);imshow (a1); axis on; title('0-1m') subplot(5,10,2);imshow (a2); axis on; title('0-1,5m') subplot(5,10,3);imshow (a3); axis on; title('0-2m') subplot(5,10,4);imshow (a4); axis on; title('0-2,5m') subplot(5,10,5);imshow (a5); axis on; title('0-3m') subplot(5,10,6);imshow (a6); axis on; title('1-1m') subplot(5,10,7);imshow (a7); axis on; title('1-1,5m') subplot(5,10,8);imshow (a8); axis on; title('1-2m') subplot(5,10,9);imshow (a9); axis on; title('1-2,5m') subplot(5,10,10);imshow (a10); axis on; title('1-3m') subplot(5,10,11);imshow (a11); axis on; title('2-1m') subplot(5,10,12);imshow (a12); axis on; title('2-1,5m') subplot(5,10,13);imshow (a13); axis on; title('2-2m') subplot(5,10,14);imshow (a14); axis on; title('2-2,5m') subplot(5,10,15);imshow (a15); axis on; title('2-3m') subplot(5,10,16);imshow (a16); axis on; title('3-1m') subplot(5,10,17);imshow (a17); axis on; title('3-1,5m') subplot(5,10,18);imshow (a18); axis on; title('3-2m') subplot(5,10,19);imshow (a19); axis on; title('3-2,5m') subplot(5,10,20);imshow (a20); axis on; title('3-3m') subplot(5,10,21);imshow (a21); axis on; title('4-1m') subplot(5,10,22);imshow (a22); axis on; title('4-1,5m') subplot(5,10,23);imshow (a23); axis on; title('4-2m') subplot(5,10,24);imshow (a24); axis on; title('4-2,5m') subplot(5,10,25);imshow (a25); axis on; title('4-3m') subplot(5,10,26);imshow (a26); axis on; title('5-1m') subplot(5,10,27);imshow (a27); axis on; title('5-1,5m') subplot(5,10,28);imshow (a28); axis on; title('5-2m') subplot(5,10,29);imshow (a29); axis on; title('5-2,5m') subplot(5,10,30);imshow (a30); axis on; title('5-3m') subplot(5,10,31);imshow (a31); axis on; title('6-1m') subplot(5,10,32);imshow (a32); axis on; title('6-1,5m')


L-16

subplot(5,10,33);imshow (a33); axis on; title('6-2m') subplot(5,10,34);imshow (a34); axis on; title('6-2,5m') subplot(5,10,35);imshow (a35); axis on; title('6-3m') subplot(5,10,36);imshow (a36); axis on; title('7-1m') subplot(5,10,37);imshow (a37); axis on; title('7-1,5m') subplot(5,10,38);imshow (a38); axis on; title('7-2m') subplot(5,10,39);imshow (a39); axis on; title('7-2,5m') subplot(5,10,40);imshow (a40); axis on; title('7-3m') subplot(5,10,41);imshow (a41); axis on; title('8-1m') subplot(5,10,42);imshow (a42); axis on; title('8-1,5m') subplot(5,10,43);imshow (a43); axis on; title('8-2m') subplot(5,10,44);imshow (a44); axis on; title('8-2,5m') subplot(5,10,45);imshow (a45); axis on; title('8-3m') subplot(5,10,46);imshow (a46); axis on; title('9-1m') subplot(5,10,47);imshow (a47); axis on; title('9-1,5m') subplot(5,10,48);imshow (a48); axis on; title('9-2m') subplot(5,10,49);imshow (a49); axis on; title('9-2,5m') subplot(5,10,50);imshow (a50); axis on; title('9-3m')

% Menampilkan hasil resizing figure(2) subplot(5,10,1);imshow (b1); axis on; title('0-1m') subplot(5,10,2);imshow (b2); axis on; title('0-1,5m') subplot(5,10,3);imshow (b3); axis on; title('0-2m') subplot(5,10,4);imshow (b4); axis on; title('0-2,5m') subplot(5,10,5);imshow (b5); axis on; title('0-3m') subplot(5,10,6);imshow (b6); axis on; title('1-1m') subplot(5,10,7);imshow (b7); axis on; title('1-1,5m') subplot(5,10,8);imshow (b8); axis on; title('1-2m') subplot(5,10,9);imshow (b9); axis on; title('1-2,5m') subplot(5,10,10);imshow (b10); axis on; title('1-3m') subplot(5,10,11);imshow (b11); axis on; title('2-1m') subplot(5,10,12);imshow (b12); axis on; title('2-1,5m') subplot(5,10,13);imshow (b13); axis on; title('2-2m') subplot(5,10,14);imshow (b14); axis on; title('2-2,5m') subplot(5,10,15);imshow (b15); axis on; title('2-3m') subplot(5,10,16);imshow (b16); axis on; title('3-1m') subplot(5,10,17);imshow (b17); axis on; title('3-1,5m') subplot(5,10,18);imshow (b18); axis on; title('3-2m') subplot(5,10,19);imshow (b19); axis on; title('3-2,5m') subplot(5,10,20);imshow (b20); axis on; title('3-3m') subplot(5,10,21);imshow (b21); axis on; title('4-1m') subplot(5,10,22);imshow (b22); axis on; title('4-1,5m') subplot(5,10,23);imshow (b23); axis on; title('4-2m') subplot(5,10,24);imshow (b24); axis on; title('4-2,5m') subplot(5,10,25);imshow (b25); axis on; title('4-3m') subplot(5,10,26);imshow (b26); axis on; title('5-1m') subplot(5,10,27);imshow (b27); axis on; title('5-1,5m') subplot(5,10,28);imshow (b28); axis on; title('5-2m') subplot(5,10,29);imshow (b29); axis on; title('5-2,5m') subplot(5,10,30);imshow (b30); axis on; title('5-3m') subplot(5,10,31);imshow (b31); axis on; title('6-1m') subplot(5,10,32);imshow (b32); axis on; title('6-1,5m') subplot(5,10,33);imshow (b33); axis on; title('6-2m') subplot(5,10,34);imshow (b34); axis on; title('6-2,5m') subplot(5,10,35);imshow (b35); axis on; title('6-3m') subplot(5,10,36);imshow (b36); axis on; title('7-1m') subplot(5,10,37);imshow (b37); axis on; title('7-1,5m') subplot(5,10,38);imshow (b38); axis on; title('7-2m') subplot(5,10,39);imshow (b39); axis on; title('7-2,5m')


L-17

subplot(5,10,40);imshow (b40); axis on; title('7-3m') subplot(5,10,41);imshow (b41); axis on; title('8-1m') subplot(5,10,42);imshow (b42); axis on; title('8-1,5m') subplot(5,10,43);imshow (b43); axis on; title('8-2m') subplot(5,10,44);imshow (b44); axis on; title('8-2,5m') subplot(5,10,45);imshow (b45); axis on; title('8-3m') subplot(5,10,46);imshow (b46); axis on; title('9-1m') subplot(5,10,47);imshow (b47); axis on; title('9-1,5m') subplot(5,10,48);imshow (b48); axis on; title('9-2m') subplot(5,10,49);imshow (b49); axis on; title('9-2,5m') subplot(5,10,50);imshow (b50); axis on; title('9-3m')

% Menampilkan hasil ekstraksi ciri figure(3) subplot(5,10,1);imshow (y1); axis on; title('0-1m') subplot(5,10,2);imshow (y2); axis on; title('0-1,5m') subplot(5,10,3);imshow (y3); axis on; title('0-2m') subplot(5,10,4);imshow (y4); axis on; title('0-2,5m') subplot(5,10,5);imshow (y5); axis on; title('0-3m') subplot(5,10,6);imshow (y6); axis on; title('1-1m') subplot(5,10,7);imshow (y7); axis on; title('1-1,5m') subplot(5,10,8);imshow (y8); axis on; title('1-2m') subplot(5,10,9);imshow (y9); axis on; title('1-2,5m') subplot(5,10,10);imshow (y10); axis on; title('1-3m') subplot(5,10,11);imshow (y11); axis on; title('2-1m') subplot(5,10,12);imshow (y12); axis on; title('2-1,5m') subplot(5,10,13);imshow (y13); axis on; title('2-2m') subplot(5,10,14);imshow (y14); axis on; title('2-2,5m') subplot(5,10,15);imshow (y15); axis on; title('2-3m') subplot(5,10,16);imshow (y16); axis on; title('3-1m') subplot(5,10,17);imshow (y17); axis on; title('3-1,5m') subplot(5,10,18);imshow (y18); axis on; title('3-2m') subplot(5,10,19);imshow (y19); axis on; title('3-2,5m') subplot(5,10,20);imshow (y20); axis on; title('3-3m') subplot(5,10,21);imshow (y21); axis on; title('4-1m') subplot(5,10,22);imshow (y22); axis on; title('4-1,5m') subplot(5,10,23);imshow (y23); axis on; title('4-2m') subplot(5,10,24);imshow (y24); axis on; title('4-2,5m') subplot(5,10,25);imshow (y25); axis on; title('4-3m') subplot(5,10,26);imshow (y26); axis on; title('5-1m') subplot(5,10,27);imshow (y27); axis on; title('5-1,5m') subplot(5,10,28);imshow (y28); axis on; title('5-2m') subplot(5,10,29);imshow (y29); axis on; title('5-2,5m') subplot(5,10,30);imshow (y30); axis on; title('5-3m') subplot(5,10,31);imshow (y31); axis on; title('6-1m') subplot(5,10,32);imshow (y32); axis on; title('6-1,5m') subplot(5,10,33);imshow (y33); axis on; title('6-2m') subplot(5,10,34);imshow (y34); axis on; title('6-2,5m') subplot(5,10,35);imshow (y35); axis on; title('6-3m') subplot(5,10,36);imshow (y36); axis on; title('7-1m') subplot(5,10,37);imshow (y37); axis on; title('7-1,5m') subplot(5,10,38);imshow (y38); axis on; title('7-2m') subplot(5,10,39);imshow (y39); axis on; title('7-2,5m') subplot(5,10,40);imshow (y40); axis on; title('7-3m') subplot(5,10,41);imshow (y41); axis on; title('8-1m') subplot(5,10,42);imshow (y42); axis on; title('8-1,5m') subplot(5,10,43);imshow (y43); axis on; title('8-2m') subplot(5,10,44);imshow (y44); axis on; title('8-2,5m') subplot(5,10,45);imshow (y45); axis on; title('8-3m') subplot(5,10,46);imshow (y46); axis on; title('9-1m')


L-18

subplot(5,10,47);imshow (y47); axis on; title('9-1,5m') subplot(5,10,48);imshow (y48); axis on; title('9-2m') subplot(5,10,49);imshow (y49); axis on; title('9-2,5m') subplot(5,10,50);imshow (y50); axis on; title('9-3m')

for k=1:50; for n=1:10; r(n)=korelasi(datauji(:,k),z(:,n)); end [s1,s2]=sort(r,'descend')

% Penentuan kelas keluaran KelasOut=s2(1);

% Penentuan buah keluaran DaftarAngka={'0';'1';'2';'3';'4';'5';'6';'7';'8';'9'}; Angka{k}=DaftarAngka{KelasOut}; end AngkaOut=Angka


function cout=cropbbox(img0) %Konversi RGB ke HSV x1=rgb2hsv(img0);

%Konversi RGB ke HSV






if jumobj>1 %Hitung luasan setiap objek for k=1:jumobj x2=x1==k; aobj(k)=sum(x2(:)); end %segmentasi luasan kedua terbesar [s,u]=sort(aobj,'descend'); x3=x1==u(2); else x3=x1;


L-19

end





% Penyesuaian orientasi cout=cout'; cout=flipud(cout); cout=fliplr(cout); else % Jika tidak ada obyek tidak dilakukan pemotongan cout=x3; end


%Proses resizing function x0=resizing(img1) x0=imresize(img1,[64 64]);


L-20

Proses Menyeluruh yang dicerminkan dalam Bentuk Flowchart :

Mulai

Konversi RGB ke HSV

“rgb2hsv”

Segmentasi HSV

Cropping dan Resizing

Input :

Citra RGB

K


L-21

Output:

Keluaran Teks

“0”

Ekstraksi Ciri Wavelet

(Desimasi 2)

Template Matching

(Perhitungan Korelasi)

Selesai

K


L-22

Confusion Matrix Hasil Percobaan secara Real Time :

Hasil Orang 1 :

- Jarak 1 m :

Desimasi 1 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 IIII

3 IIII

4 IIII

5 IIII

6 IIII

7 I IIII

8 IIII

9 IIII

Desimasi 2 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 IIII

3 IIII

4 IIII

5 IIII

6 IIII

7 I IIII

8 IIII

9 IIII


L-23

Desimasi 3 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 I IIII

3 I IIII

4 I IIII

5 I IIII

6 I IIII

7 IIII I

8 IIII I

9 II II I

- Jarak 1,5 m :

Desimasi 1 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 IIII

3 IIII

4 IIII

5 IIII

6 III II

7 III II

8 III II

9 IIII


L-24

Desimasi 2 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 IIII

3 IIII

4 IIII

5 IIII

6 III II

7 III II

8 III II

9 IIII

Desimasi 3 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 IIII

3 IIII

4 II III

5 IIII

6 III II

7 II III

8 III II

9 IIII


L-25

- Jarak 2 m :

Desimasi 1 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 III I I

3 IIII

4 IIII I

5 IIII

6 I IIII

7 II III

8 III II

9 I II II

Desimasi 2 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 II I II

3 IIII

4 IIII I

5 IIII

6 I IIII

7 II III

8 III II

9 I II II


L-26

Desimasi 3 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 I I III

3 IIII

4 IIII I

5 III II

6 I IIII

7 II III

8 III II

9 I II II

- Jarak 2,5 m :

Desimasi 1 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 IIII

3 IIII

4 IIII

5 IIII

6 III II

7 III II

8 II III

9 IIII


L-27

Desimasi 2 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 IIII

3 IIII

4 IIII

5 IIII

6 III II

7 III II

8 II III

9 IIII

Desimasi 3 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 I IIII

3 I IIII

4 I IIII

5 I IIII

6 I IIII

7 IIII I

8 IIII I

9 II II I


L-28

- Jarak 3 m :

Desimasi 1 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 IIII

3 IIII

4 IIII

5 IIII

6 III II

7 II III

8 II III

9 IIII

Desimasi 2 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 IIII

3 IIII

4 III II

5 IIII

6 III II

7 II III

8 II III

9 I II II


L-29

Desimasi 3 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 I I III

3 IIII

4 IIII I

5 III II

6 I IIII

7 II III

8 III II

9 I II II

Hasil Orang 2 :

- Jarak 1 m :

Desimasi 1 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 IIII

3 IIII

4 IIII

5 IIII

6 IIII

7 IIII I

8 IIII

9 IIII


L-30

Desimasi 2 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 IIII

3 IIII

4 IIII

5 IIII

6 IIII

7 IIII I

8 IIII

9 IIII

Desimasi 3 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 I IIII

3 I IIII

4 I IIII

5 I IIII

6 I IIII

7 I IIII

8 IIII I

9 II II I


L-31

- Jarak 1,5 m :

Desimasi 1 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 IIII

3 IIII

4 IIII

5 IIII

6 III II

7 III II

8 III II

9 IIII

Desimasi 2 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 IIII

3 IIII

4 IIII

5 IIII

6 III II

7 III II

8 III II

9 IIII


L-32

Desimasi 3 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 IIII

3 IIII

4 II III

5 IIII

6 III II

7 II III

8 III II

9 IIII

- Jarak 2 m :

Desimasi 1 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 III I I

3 IIII

4 IIII I

5 IIII

6 I IIII

7 II III

8 III II

9 II I II


L-33

Desimasi 2 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 II I II

3 IIII

4 IIII I

5 IIII

6 I IIII

7 II III

8 III II

9 II I II

Desimasi 3 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 II I II

3 IIII

4 II III

5 IIII

6 I IIII

7 I I III

8 III II

9 II II I


L-34

- Jarak 2,5 m :

Desimasi 1 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 IIII

3 IIII

4 IIII

5 IIII

6 III II

7 III II

8 II III

9 IIII

Desimasi 2 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 IIII

3 IIII

4 IIII

5 IIII

6 III II

7 III II

8 II III

9 IIII


L-35

Desimasi 3 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 I IIII

3 I IIII

4 I IIII

5 I IIII

6 I IIII

7 I IIII

8 IIII I

9 II II I

- Jarak 3 m :

Desimasi 1 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 IIII

3 IIII

4 IIII

5 IIII

6 III II

7 II III

8 II III

9 IIII


L-36

Desimasi 2 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 IIII

3 III II

4 IIII I

5 IIII

6 III II

7 II III

8 II III

9 I I II

Desimasi 3 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 IIII

1 IIII

2 II I II

3 IIII

4 II III

5 IIII

6 I IIII

7 I I III

8 II I II

9 I I II I


L-37

Confusion Matrix Hasil Percobaan secara Non Real Time :

- Jarak 1 m :

Desimasi 1 :

Desimasi 2 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 √

1 √

2 √

3 √

4 √

5 √

6 √

7 √

8 √

9 √

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 √

1 √

2 √

3 √

4 √

5 √

6 √

7 √

8 √

9 √


L-38

Desimasi 3 :

- Jarak 1,5 m :

Desimasi 1 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 √

1 √

2 √

3 √

4 √

5 √

6 √

7 √

8 √

9 √

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 √

1 √

2 √

3 √

4 √

5 √

6 √

7 √

8 √

9 √


L-39

Desimasi 2 :

Desimasi 3 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 √

1 √

2 √

3 √

4 √

5 √

6 √

7 √

8 √

9 √

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 √

1 √

2 √

3 √

4 √

5 √

6 √

7 √

8 √

9 √


L-40

- Jarak 2 m :

Desimasi 1 :

Desimasi 2 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 √

1 √

2 √

3 √

4 √

5 √

6 √

7 √

8 √

9 √

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 √

1 √

2 √

3 √

4 √

5 √

6 √

7 √

8 √

9 √


L-41

Desimasi 3 :

- Jarak 2,5 m :

Desimasi 1 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 √

1 √

2 √

3 √

4 √

5 √

6 √

7 √

8 √

9 √

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 √

1 √

2 √

3 √

4 √

5 √

6 √

7 √

8 √

9 √


L-42

Desimasi 2 :

Desimasi 3 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 √

1 √

2 √

3 √

4 √

5 √

6 √

7 √

8 √

9 √

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 √

1 √

2 √

3 √

4 √

5 √

6 √

7 √

8 √

9 √


L-43

- Jarak 3 m :

Desimasi 1 :

Desimasi 2 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 √

1 √

2 √

3 √

4 √

5 √

6 √

7 √

8 √

9 √

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 √

1 √

2 √

3 √

4 √

5 √

6 √

7 √

8 √

9 √


L-44

Desimasi 3 :

OUT

IN 0 1 2 3 4 5 6 7 8 9

0 √

1 √

2 √

3 √

4 √

5 √

6 √

7 √

8 √

9 √


Documents

PENGENALAN ANGKA DENGAN POSE JARI TANGAN filei TUGAS AKHIR PENGENALAN ANGKA DENGAN POSE JARI TANGAN Diajukan untuk memenuhi syarat Memperoleh gelar Sarjana Teknik pada Program Studi