Jumat, 28 Agustus 2015

CAPTURE ID CARD BERDASARKAN JARAK IMAGE MENGGUNAKAN ALGORITMA EUCLIDEAN DISTANCE

|0 komentar


CAPTURE ID CARD BERDASARKAN JARAK IMAGE MENGGUNAKAN ALGORITMA EUCLIDEAN DISTANCE

Oleh: Dedy Abdullah, Maltayudin

ABSTRAK
Proses pengenalan objek dengan menggunakan kamera diperlukan dalam pembuatan beberapa aplikasi computer vision. Salah satu bagian dari hal itu adalah kemampuan mendeteksi dan mengcapture objek dalam jarak tertentu. jarak dapat mempermudah proses capture ID card yang dapat menghilangkan objek lain sebagi backgroundnya sehingga kamera hanya mencapture ID cardnya saja. Algoritma Euclidean distance merupakan metode yang sangat sederhana dalam perhitungan jarak, oleh karena itu penulis menggunakan algoritma ini dalam menentukan jarak ID Card dengan kamera. Hasil dari penelitian menunjukkan bahwa algoritma Euclidean dapat digunakan dengan baik dalam mencapture ID card jika ID card mendapatkan pencahayaan yang merata.
Katakunci : Capture ID Card, Image

               PENDAHULUAN
Proses pengenalan objek dengan menggunakan kamera diperlukan dalam pembuatan beberapa aplikasi visi komputer (computer vision). Salah satu tugas penting untuk itu yaitu kemampuan mendeteksi dan capture objek dalam jarak tertentu. Berbagai cara dapat dilakukan untuk capture objek yaitu seperti capture objek berdasarkan warna, berdasarkan template , ukuran dan berbagai cara lainnya. Sedangkan pada penelitian ini cara yang digunakan untuk capture objek yaitu berdasarkan jarak antara objek dan kamera.
Jarak antara kamera dengan objek menjadi pilihan dari berbagai cara yang digunakan dalam proses deteksi maupun capture objek. Hal ini dikarenakan dengan jarak dapat mempermudah proses capture objek, jika jarak fokus objek tidak tetap maka program bisa saja menangkap objek lainnya yang ada disekitar objek tersebut. Apabila program menangkap objek lain selain objek ID Card, maka proses pengolahan hasil capture menjadi tidak efisien lagi dan akan memperlambat kinerja program tersebut (Muhimmah, dkk., 2012).
Menurut (Martiana, dkk.,2012) Algoritma Euclidean distance merupakan metode yang sangat sederhana dalam perhitungan jarak, oleh karena itu penulis menggunakan algoritma ini dalam menentukan jarak objek tersebut.
               LANDASAN TEORI

Pengolahan Citra

Pengolahan citra ( image processing ) adalah suatu pengolahan data yang masukannya berupa citra (image) dan keluarannya juga berupa citra yang memiliki kualitas yang lebih baik dari citra masukan (Permana, dkk., 2009). Menurut (Windasari, 2012), Tujuan dari pengolahan citra adalah sebagai berikut :
a.  Memperbaiki kualitas citra, yaitu citra yang dihasilkan dapat menampilkan informasi secara jelas atau dengan kata lain manusia dapat melihat informasi yang diharapkan dengan medefinisikan citra yang ada.
b.  Mengekstraksi informasi yang menonjol pada suatu citra, dimana hasilnya adalah informasi citra dimana manusia mendapatkan informasi ciri dari citra secara numerik atau komputer melakukan interprestasi terhadap informasi yang ada pada citra melalui besaran-besaran data yang dapat dibedakan secara jelas.

ID CARD

ID  Card merupakan kartu identitas yang tertulis pada sebuah kartu mengenai data diri seseorang secara singkat dan data dari organisasi atau kantor yang mengeluarkanya, biasanya kartu ini terbuat dari plastik atau bisa juga dari kertas. (Axopos, 2013)
Menurut (Axopos, 2013), fungsi dari id card yaitu :
a.       Mempermudah seseorang mengenal dan meminta bantuan kepada karyawan sesuai dengan divisi dan nama pada ID Card.
b.      Membedakan dan memisahkan secara tegas antara karyawan dan non karyawan untuk menjaga keamanan , penyusupan, dan hal-hal yang tidak diinginkan.
c.       ID Card dapat berfungsi sebagai absensi.
d.      ID Card untuk penerapan access control yaitu, hanya dengan  id card seorang karyawan dapat masuk ke ruangannya .
JARAK
Jarak merupakan pendekatan yang umum dipakai untuk mewujudkan pencarian citra. Fungsinya adalah untuk menentukan kesamaan atau ketidaksamaan dua vektor fitur. Tingkat kesamaan dinyatakan dengan suatu skor atau ranking. Semakin kecil nilai ranking, semakin dekat kesamaan kedua vektor tersebut (Kadir & Susanto, 2012).

CITRA DIGITAL

Suatu citra dapat didefinisikan sebagai fungsi f(x,y), berukuran M baris dan N kolom, dimana x dan y adalah koordinat spasial dari citra, sedangkan f(x,y) merupakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila nilai x, y dan f secara keseluruhan memiliki nilai yang berhingga (finite) dan bernilai diskrit, maka citra tersebut disebut dengan citra didgital (Permana, dkk., 2009).
Citra digital merupakan representatif dari citra yang diambil oleh mesin dengan bentuk pendekatan berdasarkan sampling dan kuantisasi. Sampling menyatakan besarnya kotak-kotak yang disusun dalam baris dan kolom atau dengan kata lain sampling pada citra menyatakan besar kecilnya ukuran piksel (titik) pada citra, dan kuantisasi menyatakan besarnya nilai tingkat kecerahan yang dinyatakan dalam nilai tingkat keabuan (grayscale) sesuai dengan jumlah bit biner yang digunakan oleh mesin atau dengan kata lain kuantitasi pada citra menyatakan jumlah warna yang ada pada citra (Windasari, 2012).Citra digital dapat ditulis dalam bentuk matrik sebagai berikut.          

SISTEM KOORDINAT CITRA

Sebuah citra adalah kumpulan piksel-piksel yang disusun dalam bidang dua dimensi. Indeks baris dan kolom (x,y) dalam sebuah pksel dinyatakan dengan bilangan bulat. Piksel (0,0) terletak pada sudut kiri atas pada citra, indeks x bergerak ke kanan dan indeks y bergerak ke bawah.Sistem koordinat grafik matematika/kartesian (Windasari, 2012).

CITRA BERWARNA

Untuk citra berwarna, maka digunakan model RGB (Red-Green-Blue) dimana satu citra berwarna dinyatakan sebagai 3 buah matrik grayscale yang berupa matrik untuk Red (R-layer), matrik untuk Green (G-layer) dan matrik untuk Blue (B-layer).
R-layer adalah matrik yang menyatakan derajat kecerahan untuk warna merah (misalkan untuk skala keabuan 0-255, maka nilai 0 menyatakan gelap (hitam) dan 255 menyatakan warna merah. G-layer  adalah matrik yang menyatakan derajat kecerahan untuk warna hijau, dan B-layer  adalah matrik yang menyatakan derajat kecerahan untuk warna biru (Windasari, 2012).

CITRA GRAYSCALE

Proses awal yang banyak dilakukan dalam image processing adalah mengubah citra berwarna menjadi citra grayscale , hal ini digunakan untuk menyederhanakan model citra. Citra berwarna terdiri dari 3 layer matrik yaitu R, G, dan B, sehingga untuk melakukan proses-proses selanjutnya tetap diperhatikan tiga layer diatas. Bila setiap proses perhitungan dilakukan menggunakan tiga layer, berarti  dilakukan tiga perhitungan yang sama. Sehingga konsep itu diubah dengan mengubah tiga layer diatas menjadi 1 layer matrik grayscale dan hasilnya adalah citra grayscale. Dalam citra ini tidak ada lagi warna, yang ada adalah derajat keabuan (Wasista dan Priyanti., 2010)
Untuk mengubah citra berwarna yang mempunyai nilai matrik masing-masing r, g dan b menjadi citra grayscale dengan nilai s, maka konversi dapat dilakukan dengan mengambil rata-rata dari nilai r, g dan b sehingga dapat dilakukan dengan mengambil rata-rata dapat dituliskan sebagai berikut.
G = G - R/2 - B/2;
 bw = G > 40;

THRESHOLDING DAN CITRA BINER

Thresholding digunakan untuk mengatur jumlah derajat keabuan yang ada pada citra. Dengan menggunakan thresholding maka derajat keabuan bisa diubah sesuai keinginan, misalkan diinginkan menggunakan derajat keabuan 16, maka tinggal membagi nilai derajat keabuan dengan 16. Proses thresholding ini pada dasarnya adalah proses pengubahan kuantisasi pada citra, sehingga untuk melakukan thresholding dengan derajat keabuan dapat digunakan rumus:

Dimana, w adalah nilai derajat keabuan sebelum thresholding sedangkan x adalah nilai derajat keabuan setelah thresholding (Santi, 2011).
Citra biner adalah citra digital yang hanya memiliki dua kemungkinan nilai piksel yaitu hitam dan putih. Citra biner juga disebut sebagai cita monokrom (Santi, 2011). Citra biner adalah citra dengan nilai setiap piksel diasumsikan bernilai salah satu dari dua nilai diskrit, yaitu nilai “on“ dan nilai “off“. Umumnya citra biner disimpan sebagai matriks dimensi-2 yang bersisi nilai 0 (menyatakan piksel = “off“) dan nilai 1 0 (menyatakan piksel = “on“) (Santi, 2011).
Untuk mengubah suatu citra grayscale menjadi citra biner, sebetulnya prosesnya sama dengan peoses pengambangan yaitu mengubah kuantisasi citra. Untuk citra dengan derajat keabuan 256, nilai tengahnya adalah 128, sehingga untuk mengubah menjadi citra biner dapat dilakukan dengan logika jika x < 128 maka x = 0, jika tidak maka x = 255.

METODE EUCLIDEAN DISTANCE

Metode euclidean distance adalah metode pengukuran jarak garis lurus (straight line) antara titik X(X1,X2,...Xn) dan titik Y(Y1,Y2,...Yn) (Muhimmah dan Rachmad., 2012).
Pada algoritma ini cara kerjanya yaitu dengan membandingkan nilai vektor dari citra pelatihan dengan nilai vektor dengan citra test, dengan perbandingan tersebut nantinya akan didapatkan hasil perbandingan antara citra test dengan citra pelatihan. Semakin kecil selisih nilai tersebut maka akan semakin besar kemungkinan kesamaan antara citra test dengan citra pelatihan.
Euclidean Distance merupakan metrik yang paling sering digunakan untuk menghitung kesamaan 2 vektor. Euclidean distance menghitung akar dari kuadrat perbedaan 2 vektor  (Wulanningrum, dkk., 2012).
Rumus dari Euclidian Distance:

 dij
Keterangan :
dij = Jarak Euclidean
Xik = Bobot citra pelatihan
Xjk = Data bobot citra test
n = Jumlah data pelatihan
Cara perhitungan pada 2 vektor :
A=[ 4, 3 ]
B=[ 2, 3 ]
Euclidean Distance dari vektor A dan B adalah :



METODE PENELITIAN
 





HASIL DAN PEMBAHASAN
Antar Muka Program
Pada saat pertama kali program dijalankan maka akan tampil antarmuka program seperti gambar dibawah ini.

Pengujian Sistem
Pengujian sistem ini menggunakan masukan objek berupa id card yang di arahkan ke webcam yang digunakan, acuan yang digunakan agar bisa mendeteksi id card tersebut adalah nilai piksel id card yang disesuaikan dengan jarak objek dengan kamera. Dalam hal ini pengujian yang dilakukan menggunakan 12 jarak pengujian dengan jarak yang bervariasi antara objek dengan kamera yaitu mulai dari jarak 6cm, 8cm, 10cm, 12cm, 14cm, 16cm, 18cm, 20cm, 22cm, 24cm, 26cm, 28cm
Tabel.1 Hasil pengujian sistem pada waktu siang hari


Pada tabel.1 dapat diketahui bahwa dari 12 kali pengujian dengan jarak yang bereda terdapat beberapa selisih jarak antara jarak pengukuran dan perhitungan, artinya sistem ini meskipun masih memiliki banyak kelemahan dengan adanya selisih jarak pengukuran dengan jarak perhitungan sistem sudah dapat mengenali jarak objek dengan baik.

KESIMPULAN DAN SARAN
Kesimpulan
Dari hasil perancangan dan pengujian yang telah dilakukan, diperoleh beberapa kesimpulan sebgai berikut :
a.       Jarak dapat di peroleh dengan baik jika objek mendapatkan pencahayaan yang merata.
b.      Pendeteksian objek dapat dilakukan dengan mencari nilai piksel objek.
c.       Dapat disimpulkan bahwa algoritma Euclidean Distance tidak bisa mengenali jarak objek dengan sempurna pada saat intensitas cahaya yang tidak merata.
Saran
Dari hasil penelitian yang telah dilakukan maka ada beberapa saran dari penulis yaitu :
a.       Pada proses pendeteksian objek, gunakan nilai piksel yang tetap agar proses pendeteksian mempunyai nilai acuan.
b.      Untuk penelitian selanjutnya agar bisa menyempurnakan kinerja sistem bisa menggunakan algoritma lain untuk memperkecil kemungkinan kesalahan dalam pendeteksian jarak.
c.       Gunakan webcam yang mempunyai nilai piksel tinggi agar hasil capture lebih baik dan mempermudah dalam proses pencarian jarak dan segmentasi objek.
                
               DAFTAR PUSTAKA
1.      Axopos. (2013, November 15 ). Berbagai Ukuran ID Card. Dipetik Maret 20, 2014, dari Axopos.Com Toko Peralatan Komputer Kasir: http://www.axopos.com/article/berbagai-ukuran-id-card-173.html#.Uyjfe6h_seA
2.      Kadir, A., & Susanto, A. (2012). Pengolahan Citra. Yogyakarta: Andi Publiser.
3.      Martiana, E., Mubtada'i, N. R., & Purnomo, E. (t.thn.). PENGGUNAAN METODE PENGKLASTERAN UNTUK MENENTUKAN BIDANG

Diberdayakan oleh Blogger.