IDENTIFIKASI JENIS MOBIL BERDASARKAN BENTUK DENGAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) SKRIPSI DESI FIOLITA 151402030 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2020 UNIVERSITAS SUMATERA UTARA
73
Embed
IDENTIFIKASI JENIS MOBIL BERDASARKAN BENTUK DENGAN ...
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
IDENTIFIKASI JENIS MOBIL BERDASARKAN BENTUK DENGAN
MENGGUNAKAN METODE CONVOLUTIONAL NEURAL
NETWORK (CNN)
SKRIPSI
DESI FIOLITA
151402030
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2020
UNIVERSITAS SUMATERA UTARA
IDENTIFIKASI JENIS MOBIL BERDASARKAN BENTUK DENGAN
MENGGUNAKAN METODE CONVOLUTIONAL NEURAL
NETWORK (CNN)
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Teknologi Informasi
DESI FIOLITA
151402030
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2020
UNIVERSITAS SUMATERA UTARA
ii
UNIVERSITAS SUMATERA UTARA
iii
PERNYATAAN
IDENTIFIKASI JENIS MOBIL BERDASARKAN BENTUK DENGAN
MENGGUNAKAN METODE CONVOLUTIONAL NEURAL
NETWORK (CNN)
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing – masing telah disebutkan sumbernya.
Medan, 20 Januari 2020
Desi Fiolita
151402030
UNIVERSITAS SUMATERA UTARA
iv
UCAPAN TERIMA KASIH
Puji dan syukur kehadirat Tuhan yang Maha Esa, karena atas berkat dan izin-Nya penulis dapat
menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana
Komputer, pada Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan
Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada :
1. Bapak Prof. Runtung Sitepu, SH., M.Hum selaku Rektor Universitas Sumatera Utara.
2. Bapak Prof. Dr. Opim Salim Sitompul selaku Dekan Fasilkom-TI USU.
3. Bapak Romi Fadillah Rahmat B.Comp.Sc., M.Sc selaku Ketua Program Studi S1
Teknologi Informasi Universitas Sumatera Utara.
4. Bapak Ainul Hizriadi, S.Kom, M.Sc selaku Dosen Pembimbing I dan Bapak Seniman,
S.Kom., M.Kom selaku Dosen Pembimbing II yang telah banyak meluangkan waktu dan
pikiran beliau, membimbing, memberikan arahan, kritik dan saran kepada penulis.
5. Seluruh dosen, staff dan pegawai di Program Studi Teknologi Informasi serta Fakultas
Ilmu Komputer dan Teknologi Informasi yang tidak dapat saya sebutkan satu-persatu.
6. Orangtua tersayang, Bapak Afrizal Tanjung dan Ibu Dahliarni Manday yang selalu
berdoa, memberikan semangat dan nasehat.
7. Adik terkasih Nanda Aprillia dan juga keluarga serta orang terdekat yang selalu
memberikan semangat dan dukungan.
8. Teman – teman seperjuangan angkatan 2015 terkhusus Trisna Ira Novasari yang selalu
setia dari awal masuk kuliah sampai akhir menyelesaikan skripsi tak pernah lelah
menemani ke sana kemari.
9. Teman saya Kiki Nuranini Ginting yang telah memberikan tempat tinggal sementara
sampai terselesaikannya skripsi ini.
10. Teman saya Raska Almashura yang selalu memberikan semangat dan dukungan.
11. Teman saya Luqmanul Hakim yang telah membantu dalam hal mendapatkan data.
12. Semua pihak yang terlibat secara langsung ataupun tidak langsung yang tidak dapat
penulis ucapkan satu persatu yang telah membantu dalam penyelesaian skripsi ini.
UNIVERSITAS SUMATERA UTARA
v
Semoga Tuhan yang Maha Esa melimpahkan berkah kepada semua pihak yang telah
memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi
ini.
Medan, 20 Januari 2020
Penulis
UNIVERSITAS SUMATERA UTARA
vi
ABSTRAK
Sistem pendeteksian benda yang akan dikembangkan saat ini berdasarkan jenis suatu
objek. Data yang berupa gambar dapat memberikan beberapa informasi seperti jenis
mobil. Mobil merupakan salah satu jenis kendaraan yang sangat banyak digunakan, oleh
karena itu deteksi jenis mobil sangat dibutuhkan dilihat dari banyaknya kebutuhan pasar
dan juga sasaran konsumen. Walaupun kelas mobil yang diciptakan adalah sama akan
tetapi teknologi yang ditawarkan dan juga harga yang dipasarkan berbeda. Sehingga
dibuatlah suatu sistem yang dapat mengidentifikasi jenis mobil berdasarkan bentuk
dengan menggunakan metode Convolutional Neural Network (CNN). Tahapan- tahapan
yang dilakukan sebelum identifikasi jenis mobil berdasarkan bentuk yaitu proses
pengolahan citra, grayscale, dan thresholding. Bentuk mobil yang dimaksud diambil
dari berbagai sisi, yaitu depan, samping, dan belakang sehingga dapat membedakan
berbagai jenis mobil meskipun memiliki sejumlah kesamaan. Hasil deteksi mobil ini
dapat mengidentifikasi beberapa jenis mobil, yaitu Sedan, MPV, dan SUV. Setelah
dilakukan pengujian pada sistem ini, didapatkan kesimpulan bahwa metode yang
diajukan memiliki kemampuan dalam mengidentifikasi jenis mobil berdasarkan bentuk
dengan akurasi sebesar 94,44%.
Kata kunci : Jenis mobil, Bentuk mobil, Convolutional Neural Network, Image
Processing
UNIVERSITAS SUMATERA UTARA
vii
IDENTIFICATION OF CAR TYPE BASED ON SHAPE USING THE
CONVOLUTIONAL NEURAL NETWORK (CNN) METHOD
ABSTRACT
The object detection system that will be developed now is based on the type of object.
Data in the form of images can provide some information such as the type of car. The
car is one type of vehicle that is very widely used, therefore detection of the type of car
is needed in view of the many needs of the market and target consumers. Although the
class of car created is the same, the technology offered and also the marketed price is
different. So it was made a system that can identify the type of car based on shape using
the Convolutional Neural Network (CNN) method. The stages are carried out before
identifying the type of car based on the form, namely image processing, grayscale, and
thresholding. The shape of the car in question is taken from various sides, namely front,
side and rear so that it can distinguish various types of cars even though it has a number
of similarities. The detection results of this car can identify several types of cars, namely
Sedans, MPVs, and SUVs. After testing this system, it was concluded that the proposed
method has the ability to identify the type of car based on the shape with an accuracy
of 94.44%.
Keywords: Car type, Car shape, Convolutional Neural Network, Image Processing.
UNIVERSITAS SUMATERA UTARA
viii
DAFTAR ISI
PERSETUJUAN ii
PERNYATAAN iii
UCAPAN TERIMA KASIH iv
ABSTRAK vi
ABSTRACT vii
DAFTAR ISI viii
DAFTAR GAMBAR xi
DAFTAR TABEL xiii
BAB 1 PENDAHULUAN
1.1. Latar Belakang 1
1.2. Rumusan Masalah 3
1.3. Tujuan Penelitian 3
1.4. Batasan Masalah 3
1.5. Manfaat Penelitian 4
1.6. Metodologi Penelitian 4
1.6. Sistematika Penelitian 5
BAB 2 LANDASAN TEORI
2.1. Computer Vision 7
2.2. Citra 8
2.2.1. Pengertian Citra 8
UNIVERSITAS SUMATERA UTARA
ix
2.2.2. Citra Digital 9
2.2.3. Color Image atau RGB (Red, Green, Blue) 9
2.2.4. Pengolahan Citra Digital 10
2.3. Convolutional Neural Network 14
2.3.1. Convolutional Layer 15
2.3.2. Pooling Layer 16
2.3.3. Fully Connected Layer 17
2.4. Pengenalan Jenis Mobil 18
2.4.1. Jenis Mobil Sedan 18
2.4.2. Jenis Mobil MVP 19
2.4.3. Jenis Mobil SUV 20
2.5. Penelitian Terdahulu 21
BAB 3 ANALISIS DAN PERANCANGAN
3.1. Langkah Perancangan 25
3.2. Arsitektur Umum 26
3.3. Dataset 28
3.3.1. Pengenalan Jenis Mobil 29
3.3.2. Pengenalan Jenis Mobil 29
3.4. Pre Processing 30
3.4.1. Cropping 30
3.4.2. Resizing 30
3.4.3. Grayscale 31
3.4.4. Thresholding 32
3.5. Identification 34
3.5.1. Convolutional Layer 34
UNIVERSITAS SUMATERA UTARA
x
3.5.2. Max Pooling Layer 38
3.5.2.1. Flattening 39
3.5.3. Fully Connected Layer 39
3.5.3.1. Penentuan hidden layer 40
3.5.3.2. Penentuan epoch 40
3.5.3.3. Penentuan jumlah neuron 40
3.6. Perancangan Sistem 41
3.6.1. Perancangan Halaman Cover 41
3.6.2. Perancangan Pengujian Sistem 41
3.6.2.1. Perancangan Training Sistem 42
3.6.2.2. Perancangan Testing Sistem 43
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1. Implementasi Sistem 44
4.1.1. Spesifikasi perangkat keras dan perangkat lunak 44
4.1.2. Implementasi Perancangan Antarmuka 45
4.1.3. Implementasi Data 47
4.2. Prosedur Operasional 47
4.3. Pengujian Sistem 50
4.4. Analisis 53
BAB 5 KESIMPULAN DAN SARAN
5.1. Kesimpulan 56
5.2. Saran 56
DAFTAR PUSTAKA 57
UNIVERSITAS SUMATERA UTARA
xi
DAFTAR GAMBAR
Gambar 2.1. Ilustrasi Penglihatan Computer 8
Gambar 2.2. Contoh Ilustrasi 10
Gambar 2.3. Contoh Perbedaan Resolusi Gambar 11
Gambar 2.4. Grayscale Image 12
Gambar 2.5. Convolutional neural network 14
Gambar 2.6. Operasi Konvulasi 15
Gambar 2.7. Operasi Max Polling 16
Gambar 2.8. Proses Fully Connected Layer 17
Gambar 2.9. Sample Training Jenis Sedan 19
Gambar 2.10. Sample Training Jenis MPV 20
Gambar 2.11. Sample Training Jenis SUV 21
Gambar 3.1. Diagram Sistem 25
Gambar 3.2. Arsitektur Umum 26
Gambar 3.3. Contoh Citra Mobil MPV, SUV, dan Sedan 29
Gambar 3.4. Cropping 30
Gambar 3.5. Contoh Perhitungan Grayscale 31
Gambar 3.6. Grayscale 32
Gambar 3.7. Contoh Perhitungan Thresholding 33
Gambar 3.8. Thresholding 33
Gambar 3.9. Contoh Citra Input 5 x 5 Piksel 34
Gambar 3.10. Perubahan Nilai Piksel Citra Input dan Feature Detector 34
Gambar 3.11. Feature Map 35
Gambar 3.12. Representasi Proses Konvolusi 36
UNIVERSITAS SUMATERA UTARA
xii
Gambar 3.13. Hasil feature map 38
Gambar 3.14. Proses Max Pooling 38
Gambar 3.15. Hasil Max Pooling 39
Gambar 3.16. Hasil flattening 39
Gambar 3.17. Pseudecode Proses Metode CNN 40
Gambar 3.18. Rancangan Tampilan Home 41
Gambar 3.19. Rancangan Training Sistem 42
Gambar 3.20. Rancangan Testing Sistem 43
Gambar 4.1. Tampilan Home Sistem 45
Gambar 4.2. Tampilan Training Sistem 46
Gambar 4.3. Tampilan Testing Sistem 46
Gambar 4.4. Citra Hasil Cropping 48
Gambar 4.5. Citra Hasil Grayscale 48
Gambar 4.6. Citra hasil Thresholding 49
Gambar 4.7. Hasil Identifikasi Convolutional Neural Network (CNN) 50
Gambar 4.8. Hasil Pengujian No 1 54
Gambar 4.9. Hasil Pengujian No 5 54
Gambar 4.10. Hasil Pengujian No 4 55
UNIVERSITAS SUMATERA UTARA
xiii
DAFTAR TABEL
Tabel 2.1. Penelitian Terdahulu 23
Tabel 3.1. Pembagian Data Latih dan Data Uji 28
Tabel 4.1. Nilai RGB Grayscale dan Threshold 49
Tabel 4.2. Hasil Pengujian Jenis Mobil SUV 50
Tabel 4.3. Hasil Pengujian Jenis Mobil MPV 51
Tabel 4.4. Hasil Pengujian Jenis Mobil Sedan 52
UNIVERSITAS SUMATERA UTARA
BAB 1
PENDAHULUAN
1.1. Latar Belakang
Kemajuan ilmu pengetahuan dan teknologi telah mendorong manusia untuk
melakukan otomatisasi dan digitalisasi pada perangkat-perangkat manual.
Seiring dengan perkembangan instansi, organisasi, perusahaan dan tempat -
tempat lainnya yang menggunakan rancangan untuk dapat mendeteksi suatu
bentuk benda secara teliti dan akurat seperti otak manusia yang di peragakan pada
suatu perangkat komputer, sehingga dengan adanya perkembangan teknologi
maka pendeteksi bentuk benda manual ini bisa digantikan dengan sistem
pendeteksi bentuk yang otomatis.
Sistem pendeteksian benda yang akan dikembangkan saat ini berdasarkan
jenis suatu objek. Data yang berupa gambar dapat memberikan beberapa
informasi seperti jenis mobil. Mobil merupakan salah satu jenis kendaraan yang
sangat banyak digunakan, oleh karena itu deteksi jenis mobil sangat dibutuhkan
dilihat dari banyaknya kebutuhan pasar dan juga sasaran konsumen. Walaupun
kelas mobil yang diciptakan adalah sama akan tetapi teknologi yang ditawarkan
dan juga harga yang dipasarkan berbeda. Gambar mobil yang akan
diidentifikasikan pada penelitian ini diambil tepat dari sisi depan samping dan
belakang, agar terlihat beberapa perbedaan dari masing-masing jenis mobil. Pada
sistem parkir mobil terdahulu hanya bisa mendeteksi plat mobil saja, namun pada
penelitian ini dapat mendeteksi jenis mobil berdasarkan bentuknya.
Latifah et al. (2011) melakukan penelitian tentang klasifikasi jenis mobil
menggunakan metode Backpropagation dan deteksi tepi Canny. Sistem ini
UNIVERSITAS SUMATERA UTARA
2
menggunakan metode Backpropagation berdasarkan komposisi banyaknya
piksel dalam satu objek terdeteksi dan menggunakan algoritma Canny sebagai
deteksi tepi objek atau citra. Hasil deteksi mobil ini mendapatkan tingkat akurasi
78%.
Penelitian selanjutnya Kusnawan (2012) melakukan penelitiannya yang
berjudul “Pengenalan jenis kendaraan menggunakan statistical algorithm dan
support vector machine”. Pada penelitian ini diimplementasikan statistical
algorithm dan Support Vector Machine untuk mengenali jenis kendaraan secara
otomatis. Jenis kendaraan tersebut yaitu sedan/city car, SUV/MPV, bus, dan truk.
Berdasarkan percobaan yang telah dilakukan dalam beberapa variasi
pencahayaan, tingkat akurasi dalam mengenali jenis kendaraan cukup baik.
Penelitian selanjutnya dilakukan oleh Plemakova (2018) dengan judul
Vehicle Detection Based on Convolutional Neural Networks. Penelitian ini
mendeteksi dan mengklasifikasi kendaraan berdasarkan kondisi cuaca, cahaya
dan jenis kendaraan. Metode pengklasifikasian dan pendeteksi kendaraan
menggunakan CNN dan feature extraction algorithm with support vector
machine dari berbagai sudut. Dalam pemrosesan datanya digunakan Fast Fourier
Transform. Gambar mobil yang akan digunakan berukuran 128 x 128.
Roecker, Costa, Almeida, & Matsushita (2018) melakukan penelitian
tentang klasifikasi jenis kendaraan dengan menggunakan metode CNN.
Pengambilan gambar dilakukan di jalan raya dengan mengambil video beresolusi
tinggi dari kendaraan yang bergerak. Kendaraan dibagi menjadi 6 kelas yakni
bus, mikrobus, minivan, SUV dan truk dengan model mencapai akurasi 93,90%.
Penelitian lainnya Cahyanti et al. (2018) melakukan implementasikan
algoritma K-Means untuk mengelompokkan data citra digital kendaraan mobil
dan motor. Uji-coba aplikasi ini menggunakan 12 data citra (enam data citra
mobil dan enam data citra motor) dengan latar belakang berwarna putih. Citra ini
diambil berukuran 150 x 100 piksel.
Dari permasalahan yang ditemukan di atas, penulis mengidentifikasi jenis
mobil yang diambil dari berbagai sisi berdasarkan bentuk. Sistem ini
menggunakan metode identifikasi Convolutional Neural Network (CNN) yang
UNIVERSITAS SUMATERA UTARA
3
diharapkan dapat mengetahui tingkat akurasi dalam mengidentifikasi jenis mobil.
Berdasarkan uraian tersebut, penulis mengangkat judul “IDENTIFIKASI JENIS
MOBIL BERDASARKAN BENTUK DENGAN MENGGUNAKAN METODE
CONVOLUTIONAL NEURAL NETWORK (CNN)”
1.2. Rumusan Masalah
Mobil merupakan salah satu jenis kendaraan yang sangat banyak digunakan, oleh
karena itu deteksi jenis mobil sangat dibutuhkan untuk dapat diaplikasikan
diberbagai bidang salah satunya pada aplikasi jalan tol yaitu untuk mengurangi
kemacetan khususnya diantrian gerbang tol dengan mendeteksi bentuk fisis dari
mobil yang lewat. Sehingga dibuatlah suatu sistem yang dapat mengidentifikasi
jenis mobil yang diambil dari berbagai sisi dengan berdasarkan bentuk dengan
menggunakan metode Convolutional Neural Network (CNN).
1.3. Tujuan Penelitian
Mengidentifikasi jenis mobil berdasarkan bentuk dengan menggunakan metode
Convolutional Neural Network (CNN).
1.4. Batasan Masalah
1. Hanya mendeteksi jenis mobil berdasarkan bentuk.
2. Jenis mobil yang dimaksud adalah mpv, sedan dan suv.
3. Hanya mendeteksi mobil standart tidak boleh dimodifikasi.
4. Gambar mobil diambil secara manual dari sisi depan, samping dan belakang.
1.5. Manfaat Penelitian
1. Untuk mengetahui identifikasi jenis mobil berdasarkan bentuk dengan
menggunakan metode Convolutional Neural Network (CNN).
2. Menjadi referensi penelitian selanjutnya, khususnya implementasi yang
berkaitan dengan Convolutional Neural Network (CNN).
UNIVERSITAS SUMATERA UTARA
4
1.6. Metodologi Penelitian
Tahapan-tahapan yang akan di lakukan dalam penelitian ini untuk mencapai
tujuan penelitian meliputi :
1. Studi Literatur
Proses pembelajaran dan pemahaman konsep dan teori-teori yang digunakan
melalui pengumpulan literatur-literatur berupa buku referensi, artikel-artikel,
serta jurnal-jurnal untuk mendukung dasar teori yang kuat tentang identifikasi
jenis mobil dan metode Convolutional Neural Network (CNN).
2. Perancangan Sistem
Tahap ini meliputi analisis kebutuhan untuk merancang perangkat lunak
pengenalan jenis mobil berdasarkan bentuk dengan metode Convolutional
Neural Network (CNN).
3. Implementasi Sistem
Tahap ini meliputi pembangunan sistem yang telah dirancang sebelumnya.
Pada tahap ini diimplementasikan perancangan sistem menggunakan software
visual studio dengan bahasa pemograman C#.
4. Training dan Testing
Diawali dengan pengambilan gambar mobil, kemudian mengubah region
grayscale lalu mengubahnya menjadi threshold. Setelah itu dilakukan proses
perbaikan. Lalu gambar mobil tersebut diidentifikasi bentuknya dilakukan
dengan menggunakan proses identifikasi dengan menggunakan metode
Convolutional Neural Network (CNN). Dan pada tahap ini dilakukan
pengujian terhadap sistem yang telah dibangun dan sekaligus melakukan
analisis terhadap hasil sistem yang berupa akurasi.
5. Analisis Sistem
UNIVERSITAS SUMATERA UTARA
5
Analisis dilakukan setelah proses pembuatan sistem. Analisis dilakukan untuk
membandingkan hasil testing menggunakan metode yang diteliti dengan hasil
pandangan kasat mata manusia. Sehingga dari hal itu dapat dilihat tingkat
persentasi keberhasilan computer vision.
6. Penyusunan Laporan
Pada tahap ini dilakukan penyusunan laporan hasil evaluasi dan analisis serta
implementasi metode Convolutional Neural Network (CNN) dan membuat
kesimpulan dari hasil penelitian ini.
1.7. Sistematika Penulisan
Sistematika dari penulisan tugas akhir ini adalah sebagai berikut :
BAB 1 : Pendahuluan
Pada bab ini dijelaskan mengenai latar belakang permasalahan, rumusan
masalah, tujuan penelitian, batasan masalah, manfaat penelitian, dan sistematika
penulisan. Teori yang dibahas berhubungan dengan citra, Convolutional Neural
Network (CNN), dan penelitian terdahulu sebagai referensi teori dalam penelitian
ini.
BAB 2 : Landasan Teori
Pada bab ini dijelaskan mengenai dasar-dasar teori, rujukan, dan metode yang
digunakan sebagai dasar dan alat untuk menyelesaikan permasalahan.
BAB 3 : Analisis dan Perancangan Sistem
Pada bab ini dijelaskan tentang arsitektur umum dalam mengidentifikasi jenis
mobil berdasarkan bentuk dengan menggunakan metode Convolutional Neural
Netwok (CNN) .
UNIVERSITAS SUMATERA UTARA
6
BAB 4 : Implementasi dan Pengujian Sistem
Pada bab ini berisi pembahasan tentang implementasi dari yang telah dibahas dari
bab 3. Bab ini juga berisi tentang hasil pengujian dari sistem yang telah dibangun.
BAB 5 : Kesimpulan dan Saran
Pada bab ini berisi tentang kesimpulan dari semua pembahasan yang ada dan
memuat saran-saran yang diajukan bagi para pembaca atau pengembang.
UNIVERSITAS SUMATERA UTARA
BAB 2
LANDASAN TEORI
Bab ini menjelaskan tentang dasar teori yang digunakan dalam penyusunan tugas
akhir ini. Dijelaskan pengertian tentang Computer Vision, citra, grayscale,
tresholding, serta metode Convolutional Neural Network (CNN).
2.1. Computer Vision
Computer Vision adalah suatu proses transformasi atau perubahan dari data yang
berasal dari kamera video maupun foto/gambar kedalam sebuah hasil keputusan
ataupun sebuah presentasi yang baru, dimana hasil dari kegiatan transformasi
tersebut memiliki kepentingan untuk mencapai suatu tujuan. Data yang
dimasukan kedalam kegiatan transformasi tersebut memungkinkan untuk
memiliki beberapa informasi yang terkonstektual seperti halnya sebuah
foto/gambar yang didalamnya terdapat berbagai objek. Dengan demikian akan
didapatkan keputusan-keputusan yang akan diambil pada gambar, misalnya
berupa “adakah telapak tangan seseorang pada gambar tersebut?” atau “siapa
sajakah orang yang terdapat pada foto tersebut?”. Adapun perubahan kedalam
presentasi yang baru seperti perubahan gambar menjadi grayscale atau juga
pemotongan objek pada gambar (Latifah et al. 2011).
Berbeda halnya dengan manusia yang memiliki pemikiran untuk meneliti,
memahami, dan membandingkan informasi pada objek secara langsung dengan
informasidari pengalaman-pengalaman yang didapatkan selama bertahun-tahun
hidup didunia. Dalam sistem penglihatan mesin (machine vision) komputer hanya
UNIVERSITAS SUMATERA UTARA
8
mampu mendapatkan informasi berupa kumpulan angka-angka dari media input
data seperti kamera atau disket seperti yang terlihat pada Gambar 2.1.
Gambar 2.1 Ilustrasi Penglihatan Computer (Docplayer Info, 2017)
2.2. Citra
2.2.1. Pengertian citra
Citra adalah representasi dua dimentasi untuk bentuk-bentuk fisik nyata tiga
dimensi. Citra dalam perwujutan dapat bermacam-macam, mulai dari gambar
putih pada sebuah foto (yang tidak bergerak) sampai pada gambar warna yang
bergerak pada televisi (Putri, 2016).
Citra dikelompokkan menjadi citra tampak dan citra tak tampak. Citra
tampak dalam kehidupan sehari-hari adalah foto keluarga, lukisan, apa yang
tampak dilayar monitor. Sedangkan citra tak tampak misalnya gambar dalam file
(citra digital), citra yang direpresentasikan dengan fungsi matematis. Agar dapat
dilihat manusia, citra tak nampak ini harus dirubah dulu menjadi citra tampak,
misalnya dengan menampilkannya dimonitor atau dicetak diatas kertas. Diantara
citra-citra tersebut, hanya citra digital yang dapat diolah menggunakan komputer.
Jenis citra lain, jika hendak diolah dengan komputer, harus diubah terlebih dahulu