APLIKASI ANDROID DETEKSI MATA MENGGUNAKAN METODE VIOLA-JONES Ibrahim Sidik Nugraha1 , Muljono, S.Si, M.Kom 2 Mahasiswa Jurusan Teknik Informatika1 , Dosen Pembimbing 2 Teknik Informatika Universitas Dian Nuswantoro Semarang UDINUS Jl. Nakula 1 No. 5 - 11 Semarang, Kode Pos 50131 Telp (024) 3515261, 3520165 Fax: 3569684 Email :
[email protected]
Makalah Proyek Terakhir
ABSTRAK
kembali dengan mendeteksi letak kedua
ABSTRAK : Teknologi semakin hari
mata pada wajah tersebut.
semakin berkembang pesat mengikuti alur
Aplikasi Eye Detection ini dibangun dengan
modernisasi pada masa kini. Teknologi
bahasa pemrograman Java Android yang
deteksi wajah adalah salah satu teknologi
dijalankan
yang
dan
Android. Dengan memanfaatkan sistem
diaplikasikan dalam berbagai sektor seperti
OpenCV dan sumber kode face detection
sistem
yang
banyak
dikembangkan
pengenalan
pencarian,
biomatrik,
pengindeksan
pada
sistem database
sudah
melalui
ada
sebuah
sebelumnya.
perangkat
melalui
beberapa cara fase pengembangan sistem
video digital, sistem keamanan kontrol akses
untuk
area terbatas, konferensi video, dan interaksi
detection.
manusia dengan komputer. Dari berbagai
Dengan adanya Aplikasi Deteksi Mata untuk
sektor yang bisa dikembangkan, muncul ide
perangkat android ini dapat digunakan
baru untuk mengaplikasikan citra digital
sebagai
hasil deteksi wajah lebih lanjut, yaitu deteksi
Deteksi Mata yang lebih kompleks dan bisa
mata
mata
diterapkan secara langsung dalam aspek
dari
teknologi yang menggunakan Deteksi Mata,
(eye
merupakan
detection). pengembangan
Deteksi lanjut
dijadikan
sarana
aplikasi
face
pengembangan Aplikasi
deteksi wajah dimana citra wajah manusia
sepeti
yang
berkendara, aplikasi deteksi penyakit lewat
berhasil
dideteksi
akan
diproses
sistem
sebuah
penunjang
keamanan
mata,
dan
aplikasi
penunjang
deteksi
identitas manusia lewat mata.
image of a human face were detected to be reprocessed by detecting the location of both eyes on the face.
Kata Kunci : eye detection, OpenCV, Deteksi Mata, Image Processing
Eye Detection application was built with the Java
programming
language
that
run
through an Android device. By utilizing the system OpenCV face detection and source
ABSTRACT
code that already exists in several ways phase of system development to be used as a
Nowadays, technology is growing rapidly
face detection application.
followed by modernization. Face detection technology is one technology that has been
Eye Detection application for android
developed and applied in various sectors
devices can be used as a means of
such as biomatrik recognition system, a
developing eye detection applications more
retrieval system, database indexing in digital
complex and can be applied directly in the
video, security system restricted area access
aspect of technology that uses eye detection
control, video conferencing, and human
like, safety driving support systems,disease
interaction with the computer. From various
detection via eyes applications , and
sectors that could be developed, emerging
supporting application for identifying human
new ideas to apply digital image face
via eyes.
detection
Keywords: Image Processing, OpenCV, Eye
results
further,
namely
Eye
Detection. Eye detection is a further
Detection.
development of face detection in which the
1. PENDAHULUAN Dewasa ini teknologi deteksi wajah makin banyak diaplikasikan, antara lain untuk sistem pengenalan biometrik, sistem pencarian, dan pengindeksan pada database citra digital dan database
video digital, sistem keamanan kontrol akses area terbatas, konferensi video, dan interaksi manusia dengan komputer. Dalam perkembangan teknologi deteksi wajah, muncul ide baru untuk dapat mengaplikasikan
citra
digital
hasil
deteksi wajah lebih lanjut, salah satunya
adalah deteksi mata (eye detection).
medis. Dalam bidang medis, citra hasil
Deteksi mata merupakan pengembangan
deteksi mata dapat dimanfaatkan lebih
lanjut dari deteksi wajah dimana citra
lanjut di antara lain untuk membantu
wajah manusia yang berhasil dideteksi
deteksi
akan
Iridology
diproses
kembali
dengan
penyakit adalah
melalui ilmu
Iridology. mempelajari
mendeteksi letak kedua mata pada wajah
struktur dan warna iris mata untuk
tersebut.
mendeteksi penyakit seseorang.
Dalam melakukan penelitian, penulis
Dalam bidang non medis, citra hasil
menggunakan
OpenCV.
deteksi mata dapat dimanfaatkan lebih
OpenCV adalah perpustakaan digital
lanjut di antara lain sistem keamanan di
yang berisi fungsi pemrograman yang
dalam kendaraan bermotor. Dengan
ditujukan pada visi komputer secara
mendeteksi gerakan mata pengendara
real-time.
Dikembangkan oleh pusat
kendaraan,
penelitian
Intel
Nizhny
peringatan kepada pengendara jika dia
Novgorod, dan sekarang didukung oleh
tidak fokus dalam berkendara di jalan,
Willow Garage dan Itseez. Library ini
dan masih banyak kegunaan di bidang
gratis, bersifat open source di bawah
lainnya.
naungan lisensi BSD. Library ini juga
PERUMUSAN MASALAH
bersifat class-platform dan berfokus
Berdasarkan latar belakang diatas dapat
pada pengolahan gambar real-time.
diuraikan
Metode yang digunakan dalam deteksi
penerapan metode viola jones untuk
wajah adalah metode Haar Cascades
deteksi
yang dikembangkan oleh Paul Viola dan
untuk selanjutnya dapat dimanfaatkan
Michael Jones yang dituangkan dalam
lebih luas.
jurnal mereka, “Rapid Object Detection
TUJUAN DAN MANFAAT
library
Rusia
di
using a Boosted Cascade of Simple
sistem
dapat
permasalahan
mata
memberi
bagaimana
menggunakan
opencv
Tujuan Penelitian
Features” di tahun 2001.
Tujuan dari penelitian ini penerapan
Perhatian terhadap deteksi mata menjadi
prototype eye detection dari metode
penting
deteksi wajah viola jones menggunakan
karena
mata
menyimpan
berbagai informasi terhadap manusia itu sendiri, baik secara medis maupun non
opencv. -
2. Citra bergerak (moving images),
Manfaat Penelitian Manfaat dari laporan tugas akhir ini
merupakan rangkaian citra diam yang
adalah membuat referensi dasar deteksi
ditampilkan secara beruntun (sekuensial)
mata untuk dapat dikembangkan menjadi
sehingga memberi pesan pada mata
aplikasi nyata di berbagai bidang seperti:
sebagai
kedokteran, catatan sipil, dll.
Contohnya adalah gambar yang terlihat
Secara harfiah, citra (image) adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang
menerus
merupakan
(continue)
dari
fungsi
intensitas
cahaya pada bidang dua dimensi. Citra (image)
adalah
suatu
representasi,
kemiripan, atau imitasi dari suatu objek atau benda. Istilah lain untuk citra adalah suatu
komponen
memegang
bergerak.
hakekatnya terdiri dari ratusan sampai
2.1 Pengertian Citra
citra
yang
pada televisi atau layar lebar pada
2. LANDASAN TEORI
matematis,
gambar
multimedia
peranan
sangat
ribuan frame . (Sitorus, Syahriol dkk, 2006). Citra digital dapat didefinisikan sebagai fungsi dua variabel, f(x,y), di mana x dan
y
adalah
koordinat
spasial
sedangkan nilai f(x,y) adalah intensitas citra
pada
(Winarno,Edi,
koordinat 2009).
hal
tersebut tersebut
diilustrasikan pada gambar berikut:
yang penting
sebagai bentuk informasi visual. C Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat(Sitorus, Syahriol dkk, 2006) : a. Optik berupa photo.
Gambar 2.1 Citra fungsi dua variabel.
b. Analog berupa sinyal video seperti
2.2. Pengertian Face Detection
gambar pada monitor televisi.
Deteksi wajah dapat dipandang sebagai
c. Digital yang dapat langsung disimpan
masalah
pada suatu pita magnetic.
inputnya adalah citra masukan dan akan
Citra dibagi menjadi dua jenis yaitu :
ditentukan output yang berupa label
1. Citra diam (still images), citra tunggal
kelas dari citra tersebut. Dalam hal ini
yang tidak bergerak.
terdapat dua label kelas, yaitu wajah dan
klasifikasi
pola
dimana
non-wajah. Teknik-teknik pengenalan
4. Penjejakan wajah (face tracking)
wajah yang dilakukan selama ini banyak
yaitu memperkirakan lokasi suatu wajah
yang menggunakan asumsi bahwa data
di dalam video secara real time.
wajah yang tersedia memiliki ukuran
5.
yang sama dan latar belakang yang
expression recognition) untuk mengenali
seragam. Di dunia nyata, asumsi ini
kondisi emosi manusia.
tidak selalu berlaku karena wajah dapat
Tantangan yang dihadapi pada masalah
muncul dengan berbagai ukuran dan
deteksi wajah disebabkan oleh adanya
posisi di dalam citra dan dengan latar
faktor-faktor berikut:
belakang yang bervariasi. Pendeteksian
1. Posisi wajah di dalam citra dapat
wajah (face detection) adalah salah satu
bervariasi karena posisinya bisa tegak,
tahap awal yang sangat penting sebelum
miring,
dilakukan proses pengenalan wajah (face
samping.
recognition). Bidang-bidang penelitian
2. Komponen-komponen pada wajah
yang
yang bisa ada atau tidak ada, misalnya
berkaitan
dengan
pemrosesan
Pengenalan ekspresi wajah (facial
menoleh,
atau
dilihat
dari
wajah (face processing) adalah:
kumis, jenggot, dan kacamata.
1. Pengenalan wajah (face recognition)
3. Ekspresi wajah. Penampilan wajah
yaitu
wajah
sangat dipengaruhi oleh ekspresi wajah
masukan dengan suatu database wajah
seseorang, misalnya tersenyum, tertawa,
dan menemukan wajah yang paling
sedih, berbicara, dan sebagainya.
cocok dengan citra masukan tersebut.
4. Terhalang objek lain. Citra wajah
2. Autentikasi
(face
dapat terhalangi sebagian oleh objek
menguji
atau wajah lain, misalnya pada citra
membandingkan
citra
wajah
authentication)
yaitu
keaslian/kesamaan suatu wajah dengan
berisi sekelompok orang.
data
5. Kondisi pengambilan citra. Citra
wajah
yang
telah
diinputkan
sebelumnya.
yang diperoleh sangat dipengaruhi oleh
3. Lokalisasi wajah (face localization)
faktor-faktor seperti intensitas cahaya
yaitu pendeteksian wajah namun dengan
ruangan, arah sumber cahaya, dan
asumsi hanya ada satu wajah di dalam
karakteristik sensor dan lensa kamera.
citra.
Penelitian dari Nugroho dan kawan-
Penggunaan
kawan mengelompokkan metode deteksi
pemrosesan fitur berlangsung lebih cepat
wajah menjadi empat kategori, yaitu:
dibandingkan pemrosesan citra per pixel.
1. Knowledge-based method. Metode
Terdapat tiga jenis fitur berdasarkan
ini
jumlah persegi panjang yang terdapat di
kebanyakan
digunakan
untuk
fitur
dilakukan
karena
lokalisasi wajah.
dalamnya, seperti yang dapat dilihat
2. Feature invariant approach. Metode
pada gambar di bawah ini:
ini
kebanyakan
digunakan
untuk
lokalisasi wajah. 3. Template matching method. Metode ini digunakan untuk lokalisasi wajah maupun deteksi wajah. 4. Appearance-based method. Metode
Gambar 2.2 Jenis fitur gambar
ini kebanyakan digunakan untuk deteksi
Pada Gambar 2.2
wajah.
bahwa fitur (a) dan (b) terdiri dari dua
2.3 Deteksi Wajah Viola-Jones
persegi panjang, sedangkan fitur (c)
Prosedur deteksi wajah Viola-Jones
terdiri dari tiga persegi panjang dan fitur
mengklasifikasikan gambar berdasarkan
(d)
pada nilai fitur sederhana. Terdapat
menghitung nilai dari fitur ini adalah
banyak alasan untuk menggunakan fitur
mengurangkan nilai pixel pada area
daripada piksel secara langsung. Alasan
putih dengan pixel pada area hitam.
yang paling umum adalah bahwa fitur
Untuk
dapat digunakan untuk mengkodekan
penghitungan
pengetahuan domain ad-hoc yang sulit
Viola-Jones menggunakan sebuah media
dalam pembelajaran terhadap data latih
berupa Integral Image.
yang terbatas jumlahnya. Alasan penting
Integral Image adalah sebuah citra yang
kedua untuk menggunakan fitur adalah
nilai
sistem fitur berbasis operasi jauh lebih
penjumlahan dari nilai piksel kiri atas
cepat daripada sistem berbasis pixel.
hingga kanan bawah. Contoh integral
Klasifikasi
gambar
dilakukan
berdasarkan nilai dari sebuah fitur.
empat
persegi
menggambarkan
panjang.
mempermudah
tiap
nilai
fitur,
pikselnya
Cara
proses algoritma
merupakan
image dapat dilihat pada Gambar 2.3:
Boost menggabungkan banyak classifier lemah untuk membuat sebuah classifier kuat. Lemah disini berarti urutan filter pada
classifier
jawaban
benar
keseluruhan
hanya
mendapatkan
lebih
sedikit.
classifier
digabungkan
maka
Jika lemah
akan
menjadi
classifier yang lebih kuat. AdaBoost memilih sejumlah classifier lemah untuk Gambar 2.3 Integral image
disatukan dan menambahkan bobot pada
Dengan menggunakan integral image
setiap classifier, sehingga akan menjadi
dapat mengetahui nilai piksel untuk
classifier
beberapa segiempat yang lain misalkan,
menggabungkan
seperti segiempat D pada Gambar 3 di
classifier sebagai rangkaian filter yang
atas
cara
cukup efisien untuk menggolongkan
menggabungkan jumlah piksel pada area
daerah image. Masing-masing filter
segiempat A+B+C+D, dikurangi jumlah
adalah satu AdaBoost classifier terpisah
dalam
yang terdiri classifier lemah atau satu
dapat
dilakukan
segiempat
A+B
dengan
dan
A+C,
yang
kuat. beberapa
Viola-Jones AdaBoost
ditambah jumlah piksel di dalam A.
filter fitur.
Dengan A+B+C+D adalah nilai dari
Karakteristik dari algoritma Viola-Jones
integral
adalah adanya klasifikasi bertingkat.
image pada lokasi 4, A+B adalah nilai
Klasifikasi pada algoritma ini terdiri dari
pada lokasi 2, A+C adalah nilai pada
tiga tingkatan dimana tiap tingkatan
lokasi 3, dan A pada lokasi 1. Sehingga
mengeluarkan subcitra yang diyakini
hasil dari D dapat dikomputasikan D =
bukan wajah. Hal ini dilakukan karena
(A+B+C+D)-(A+B)-(A+C)+A.
Untuk
lebih mudah untuk menilai subcitra
memilih fitur yang spesifik yang akan
tersebut bukan wajah ketimbang menilai
digunakan dan untuk mengatur nilai
apakah subcitra tersebut berisi wajah.
ambangnya (threshold), Viola dan Jones
Gambar 2.4 menggambarkan bentuk alur
menggunakan sebuah metode machine
kerja dari klasifikasi bertingkat.
learning yang disebut AdaBoost. Ada
OpenCV
(Open
adalah
Computer
sebuah
API
Vision)
(Application
Programming Interface) Library yang sudah sangat familiar pada Pengolahan Citra
Computer
Vision.
Computer
Vision itu sendiri adalah salah satu cabang dari Bidang Ilmu Pengolahan Citra
(Image
Processing)
yang
Gambar 2.4 Alur klasifikasi bertingkat
memungkinkan komputer dapat melihat
Pada klasifikasi tingkat pertama, tiap
seperti manusia. Dengan vision tersebut
subcitra akan diklasifikasi menggunakan
komputer dapat mengambil keputusan,
satu fitur. Hasil dari klasifikasi pertama
melakukan aksi, dan mengenali terhadap
ini berupa T (True) untuk gambar yang
suatu
memenuhi fitur Haar tertentu dan F
pengimplementasian
(False) bila tidak. Klasifikasi ini kira-
Vision adalah Face Recognition, Face
kira akan menyisakan 50% subcitra
Detection, Face/Object Tracking, Road
untuk diklasifikasi di tahap kedua. Hasil
Tracking, dll. OpenCV adalah library
dari klasifikasi kedua berupa T (True)
Open Source untuk Computer Vision
untuk gambar yang memenuhi proses
untuk C/C++, OpenCV didesain untuk
integral image dan F (False) bila tidak.
aplikasi
Seiring dengan bertambahnya tingkatan
fungsi
klasifikasi, maka diperlukan syarat yang
image/video.
lebih
2.5 Android OpenCV Manager
spesifik
sehingga
fitur
yang
objek.
real-time, akuisisi
Beberapa dari
Computer
memiliki yang
fungsi-
baik
untuk
digunakan menjadi lebih banyak. Jumlah
OpenCV
Manager
subcitra yang lolos klasifikasi pun akan
Android
yang
berkurang hingga mencapai
mengelola OpenCV binari pustaka pada
jumlah sekitar 2% [1]. Hasil dari
pengguna akhir perangkat. Hal ini
klasifikasi terakhir berupa T (True)
memungkinkan berbagi
untuk gambar yang memenuhi proses
OpenCV dinamis antara aplikasi pada
AdaBoost dan F (False) bila tidak.
perangkat
2.4 Pengertian OpenCV
memberikan manfaat sebagai berikut:
yang
adalah
ditargetkan
layanan untuk
perpustakaan
sama.
Manajer
1. Penggunaan memori kurang. Semua
Kerangka skema pemikiran pada gambar
aplikasi menggunakan binari yang sama
3.1 menunjukan secara umum kerja
dari layanan dan tidak menyimpan libs
sistem dari aplikasi yang akan dibuat.
asli dalam diri mereka sendiri.
Tahap awal sistem yaitu Pengambilan
2. Hardware optimasi khusus untuk
objek wajah secara visual menggunakan
semua platform yang didukung.
kamera
3. Trusted
OpenCV
smartphone
android.
Tahap
sumber
proses deteksi objek ini memilah mana
dengan
objek wajah dan mana yang bukan
OpenCV diterbitkan di Google Play
dengan algoritma haar cascade dari
pasar.
metode
4. Pembaruan dan perbaikan bug.
menggunakan pustaka opencv. Pada
perpustakaan.
Semua
paket
viola
jones
dengan
tahap akhir yaitu mendeteksi wajah dan
3. METODE PENELITIAN 3.1 Gambaran Umum Sistem
mata. Objek wajah akan ditandai oleh
Gambaran umum sistem adalah narasi
sebuah kotak berwarna hijau lalu objek
(uraian) atau pernyataan (proposisi)
mata ditandai dengan kotak berwarna
tentang kerangka konsep pemecahan
merah kemudian objek mata di perbesar.
masalah yang telah diidentifikasi atau dirumuskan. Gambaran umum sistem
3.2 Objek Penelitian
dalam sebuah penelitian kuantitatif,
Pada penulisan tugas akhir ini, obyek
sangat
penelitian
validitas
menentukan proses
kejelasan
penelitian
dan secara
keseluruhan.
yang
diambil
pengembangan
adalah
deteksi
mata
menggunakan
OpenCV.
Dalam
penelitian
penulis
ini
melakukan
penelitian pada pengembangan deteksi mata
menggunakan
OpenCV
pada
aplikasi deteksi wajah OpenCV menjadi deteksi mata. Dalam proses pembuatan aplikasi ini tersedia 2 buah tombol yaitu tombol ganti kamera dan tombol exit. Gambar 3.1 Gambaran Umum Sistem
Tombol
kamera
mengganti
posisi
berfungsi kamera
untuk belakang
menjadi kamera depan begitu pula
atau
sebaliknya
menjadi
digunakan sebagai bahan acuan dalam
kamera belakang. Tombol exit berfungsi
pembuatan program diantaranya data-
untuk menutup aplikasi.
data tentang difonem dan storytelling.
kamera
depan
pengamatan
langsung,
yang
Aplikasi ini berbasis dengan library Opencv
yang
sudah
ada
dan
2. Data Sekunder
menggunakan source code face detection
Data yang meliputi semua data yang
opencv
berhubungan dengan permasalahan yang
yang
sudah
ada
untuk
dikembangkan menjadi eye detection di
diteliti,
perangkat
yang
dikumpulkan oleh penulis secara tidak
digunakan adalah haar cascades yang
langsung dari obyek penelitian. Dapat
dikembangkan oleh viola – jones.
berupa catatan maupun laporan, serta
3.3 Jenis dan Sumber Data
data yang diperoleh dari buku dan
Untuk menyusun proposal tugas akhir
literatur
ini, penulis mengadakan serangkaian
penelitian.
pendekatan untuk memperoleh data yang
3.4 Metode Pengumpulan Data
dibutuhkan, kemudian data tersebut
1. Studi Pustaka
android.
Metode
diolah sehingga menghasilkan informasi
Studi
yang
telah
lain
ditulis
yang
Pustaka
atau
mendukung
adalah
penelitian
yang tersusun dalam sebuah laporan.
dengan mempelajari karangan ilmiah
Jenis-jenis data tersebut antara lain :
yang relevan dalam pembahasan ini
3.3.1
adalah
Data
Jenis Data kualitatif
adalah
data
yang
buku-buku
yang
memiliki
hubungan dengan masalah yang akan
disajikan dalam bentuk kata-kata yang
dibahas.
mengandung makna.
menggunakan
3.3.2
referensi yang terdapat di perpustakaan
Sumber Data
1. Data primer Yaitu
data
yang
Dalam
hal
ini
buku-buku
penulis maupun
Universitas Dian Nuswantoro Semarang diperoleh
secara
guna menunjang pembuatan laporan
langsung dari sumber data tersebut yang
Tugas Akhir.
berhubungan dengan penelitian yang
2. Penelitian dan Mengunjungi Situs
dilakukan,
(Research and Site Visits)
yaitu
data-data
yang
diperoleh dari wawancara dan survei
Penelitian adalah teknik yang sering
Tahapan dalam metode prototyping
digunakan berdasarkan studi terhadap
adalah:
aplikasi lain yang serupa. Kunjungan
3.5.1
situs merupakan bentuk penelitian yang
Merupakan
khusus, dengan menjelajahi internet kita
keperluan
dapat memperoleh informasi yang tak
permasalahan yang ada.
terhingga. Dalam hal ini penulis mencari
1. Analisa kebutuhan pengguna
beberapa teori yang dibutuhkan dalam
Adalah dilakukan spesifikasi mengenai
penyelesaian
semua kebutuhan yang diinginkan oleh
laporan
Tugas
Akhir
Analisa proses yang
menganalisis terdapat
pada
melalui media internet.
pengguna mengenai sistem yang akan di
3. Metode wawancara
bangun. Hasil dari analisa kebutuhan
Penulis melakukan tanya jawab dan
pengguna
konsultasi dengan dosen pembimbing
kerangka informasi untuk membangun
mengenai masalah yang akan dijadikan
sebuah sistem yang sesuai dengan
tugas akhir secara kontinyu (terus-
harapan pengguna.
menerus).
2. Kebutuhan hardware dan software
4. Metode observasi
Merupakan
Metode
pengumpulan
digunakan
spesifikasi
sebagai
perangkat
yang
hardware yang memenuhi syarat aplikasi
mengadakan
dan perangkat lunak pendukung yang
pengamatan secara langsung terhadap
diperlukan lainnya beserta konfigurasi
permasalahan-permasalahan
perangkat lunak pendukung terhadap
dilakukan
data
ini
dengan
pada
pembuatan aplikasi.
hardware.
3.5 Metode Pengembangan Sistem
a. Pengumpulan
Metode
pengumpulan
pengembangan
menggunakan
metode
sistem prototyping.
bahan
bahan
dan
yakni
source mencari
source yang akan digunakan untuk
Metode prototyping merupakan metode
membangun aplikasi.
pengembangan
b. Instalasi source pada proses instalasi
analisa
sistem
pembagian
dimana
sistem
hasil
langsung
harus
diperhatikan
diterapkan dalam sebuah model tanpa
bagaimana
menunggu
bertahap
dikerjakan.
seluruh
sistem
selesai
aplikasi.
secara
tepat
instalasi
yang
keberhasilan
kerja
proses untuk
3.5.2
Desain
logika
maupun
Independensi
adalah
kemampuan
Tahap ini merupakan proses dari model
terhadap
prototipe permasalahan yang ada.
untuk memodifikasi skema konsep tanpa
1. Desain sistem
menyebabkan
Merupakan gambaran sistem secara
program
keseluruhan kemudian dijelaskan tahap
pembuatan tabel dan relasi antar tabel.
demi tahap dari input, proses, dan
4. Desain fisik
output.
Desain terperinci yang menghasilkan
2. Desain use case sistem
rancangan akhir sistem meliputi halaman
Desain use case sistem merupakan
awal aplikasi sampai halaman akhir
gambaran
aplikasi.
use
menggambarkan
case
diagram
kelakuan
yang
(behavior)
3.5.3
logika
fisik.
penulisan aplikasi,
kembali Diantaranya
Implementasi prototyping
sistem yang akan dibuat. use case
Tahap implementasi merupakan tahap
mendeskripsikan sebuah interaksi antara
penciptaan
satu atau lebih aktor dengan sistem yang
kelanjutan dari kegiatan perancangan
akan dibuat. use case digunakan untuk
sistem. Tahap ini merupakan tahap
mengetahui fungsi apa saja yang ada di
dimana sistem siap untuk dioperasikan,
dalam sebuah sistem dan siapa saja yang
yang terdiri dari instalasi perangkat
berhak
lunak pendukung, konfigurasi deteksi
menggunakan
fungsi-fungsi
perangkat
lunak,
tahap
tersebut. Yang ditekankan pada diagram
mata, dan implementasi sistem.
use case adalah “apa” yang diperbuat
3.5.4
sistem, dan bukan “bagaimana”. Sebuah
Pengujian
use
sebuah
menemukan serta menghilangkan bug
interaksi antara aktor (user atau sistem
(kesalahan-kesalahan) yang ada didalam
lainya)
sistem atau perangkat lunak.
case
merepresentasikan
dengan
sistem.
Use
case
Pengujian pada
menjelaskan secara sederhana fungsi
3.5.5
Evaluasi
sistem dari sudut pandang user.
Evaluasi
ini
3. Perancangan Database
pengujian
yang
pengisian
angket
Perancangan
database
bertujuan
membuat file-file agar diperoleh tingkat independensi yang tinggi, baik secara
dasar
berisi
nya
tentang
adalah
proses
dilakukan
melalui
kuisioner
kepada
beberapa responden untuk mengetahui
apakah aplikasi ini bisa diterima oleh pengguna dengan baik atau sebaliknya.
Gambar 4.1 Blok Diagram Sistem Deteksi Mata
4. RANCANGAN SISTEM DAN Penjelasan dari blok diagram diatas adalah :
IMPLEMENTASI
1. Konversi RGB ke Grayscale
4.1 Rancangan Sistem Desain sistem deteksi mata secara keseluruhan
di
bedakan
menjadi
beberapa tahap mulai dari input berupa visual gambar wajah yang di ambil secara
terus
menerus
menggunakan
kamera ponsel lalu diproses dengan pendeteksian
objek
mata.
Proses
pendeteksian objek mata dibagi 2 tahap yaitu visual wajah menjadi pendeteksian wajah, dan deteksi
wajah menjadi
deteksi mata. Berikut gambar desain sistem deteksi wajah (gambar 4.1).
Proses awal yang banyak dilakukan dalam Image Processing adalah mengubah citra berwarna menjadi citra gray scale, hal ini digunakan untuk menyederhanakan model citra. citra berwarna terdiri dari 3 layer matrik yaitu R-layer, G-layer dan B-layer. Sehingga untuk melakukan proses-proses
selanjutnya
tetap
diperhatikan tiga layer di atas. Bila setiap proses perhitungan dilakukan menggunakan
tiga
layer,
berarti
dilakukan tiga perhitungan yang sama. Sehingga konsep itu diubah dengan mengubah 3 layer di atas menjadi 1 layer matrik gray-scale dan hasilnya adalah citra grayscale. Dalam citra ini tidak ada lagi warna, yang ada adalah derajat keabuan.. 2. Fitur Haar Fitur Haar adalah fitur yang digunakan dalam metode Viola-Jones yang dapat juga disebut fitur gelombang tunggal bujur sangkar (satu interval tinggi dan satu interval rendah), sedangkan untuk dua dimensi disebut sebagai satu terang dan satu gelap. Adanya fitur Haar
ditentukan dengan cara mengurangi rata-
nilai-nilai piksel. Nilai integral untuk
rata piksel pada daerah gelap dari rata-
masing-masing piksel adalah jumlah dari
rata piksel pada daerah terang. Jika nilai
semua piksel-piksel dari atas sampai
perbedaannya itu di atas nilai ambang
bawah. Dimulai dari kiri atas sampai
atau treshold, maka dapat dikatakan
kanan bawah, keseluruhan gambar itu
bahwa fitur tersebut ada.
dapat dijumlahkan dengan beberapa
Selanjutnya untuk menentukan ada atau
operasi bilangan bulat per piksel.
tidaknya dari ratusan fitur Haar pada
4. AdaBoost Learning
sebuah gambar dan pada skala yang
Kemudian untuk memilih fitur Haar yang
berbeda
secara
efisien
digunakan
Integral Image.
spesifik yang akan digunakan dan untuk mengatur nilai ambangnya (threshold)
Setelah itu dilakukan pembacaan fitur Haar
digunakan
dengan bantuan libray OpenCV 2.4.9
learning
yaitu
AdaBoost
Haarcascade_frontalface.xml.
sebuah yang
metode
disebut
machine AdaBoost.
menggabungkan
banyak
namun sebelum dilakukan pembacaan
classifier lemah untuk membuat sebuah
library
proses
classifier kuat. dengan menggabungkan
konversi file XML Haarcascade dari
beberapa AdaBoost classifier sebagai
OpenCV ke Eclipse. Dalam OpenCV
rangkaian filter yang cukup efisien untuk
2.4.9
untuk
menggolongkan daerah image. Masing -
membantu proses deteksi wajah yaitu
masing filter adalah satu AdaBoost
Haarcascade_frontalface yang berfungsi
classifier terpisah yang terdiri classifier
sebagai
memanggil
lemah atau satu filter Haar. Selama
bebarapa fitur Haar dalam suatu gambar.
proses pemfilteran, bila ada salah satu
OpenCV,
terdapat
proses
dilakukan
suatu
library
untuk
3. Integral Image
filter gagal untuk melewatkan sebuah
Integral Image yaitu suatu teknik untuk
daerah
gambar,
maka
daerah
itu
menghitung nilai fitur secara cepat
langsung digolongkan sebagai bukan
dengan mengubah nilai dari setiap piksel
wajah. Namun ketika filter melewatkan
menjadi suatu representasi citra baru.
sebuah daerah gambar dan sampai
pengintegrasian tersebut menambahkan
melewati semua proses filter yang ada
unit-unit kecil secara bersamaan. Dalam
dalam rangkaian filter, maka daerah
hal ini unit-unit kecil tersebut adalah
gambar tersebut digolongkan sebagai
(http://yushiqi.cn/research/eyedetection
wajah.
diakses 3 Februari 2015).
5. Cascade Clasifier
Desain Use Case Sistem
Cascade classifier adalah sebuah metode untuk mengkombinasikan classifier yang kompleks
dalam
sebuah
struktur
bertingkat yang dapat meningkatkan kecepatan pendeteksian obyek dengan memfokuskan pada daerah citra yang berpeluang saja. Urutan filter pada cascade ditentukan oleh bobot yang diberikan AdaBoost. Filter dengan bobot paling besar diletakkan pada proses pertama kali, bertujuan untuk menghapus daerah gambar bukan wajah secepat mungkin. Tahapan yang terakhir adalah menampilakan objek sampel gambar yang telah terdeteksi wajah ataupun bukan wajah, dengan memberi tanda bujur sangkar jika objek tersebut dianggap sebagai daerah wajah. 6. Rezise Kotak Wajah Seukuran Mata
pemberian tanda bahwa objek tersebut adalah wajah adalah pemberian kotak di area sekitar wajah. Tahap selanjutnya merubah ukuran kotak tersebut lebih kecil seukuran mata manusia dengan algoritma
classifier
haarcascade_lefteye_2splits.xml penelitian
Shiqi
4.2 Implementasi Tampilan Kamera Belakang Tampilan antarmuka kamera belakang Ini adalah program deteksi mata cepat dan pelacakan yang mengambil masukan dari kamera perangkat android. Program menggunakan detektor wajah OpenCV untuk mendeteksi wajah pengguna dan mata. Untuk mendeteksi mata pengguna, itu
Pendeteksian wajah telah selesai dan
menggunakan
Gambar 4.2 Use Case Diagram
hasil Yu
adalah
menggunakan
metode
template matching. Tampilan muncul bila user pertama kali membuka aplikasi deteksi mata. Pada halaman
ini
akan
muncul
kamera
belakang yang akan mendeteksi mata dengan membandingkan objek wajah dengan metode viola-jones. Tampilan ini juga tersedia beberapa tombol yaitu tombol kamera yang berfungsi untuk
pindah ke kamera depan, dan tombol
Dengan mengambil standar OpenCV
keluar untuk keluar dari aplikasi.
contoh untuk deteksi wajah dan meluas
Bila aplikasi mendeteksi adanya objek
sedikit.
mirip mata akan muncul dengan tanda
Tampilan Kamera Depan
kotak di sekitar area wajah dan 2 kotak
Pada halaman ini akan muncul kamera
kecil di sekitar area mata seperti berikut.
belakang yang akan mendeteksi mata dengan membandingkan objek wajah dengan
metode
viola-jones.
Pada
tampilan kamera depan terdapat satu tombol yaitu tombol kembali untuk kembali ke kamera belakang. Bila aplikasi mendeteksi adanya objek mirip mata akan muncul dengan tanda kotak di sekitar area wajah dan 2 kotak Gambar 4.3Tampilan Kamera Belakang
kecil di sekitar area mata seperti berikut.
Ada bagian tambahan di sebelah kanan layar adalah hasil deteksi mata yang sudah di perbesar yang terdiri dari mata kanan dan mata kiri. Berikut pada tombol keluar terdapat pilihan ya atau tidak ingin keluar dari aplikasi. Gambar 4.5 Tampilan Kamera Depan Ada bagian tambahan di sebelah kanan layar adalah hasil deteksi mata yang sudah di perbesar yang terdiri dari mata kanan dan mata kiri.
Gambar 4.4 Tampilan Tombol Keluar
Dengan demikian dapat dihitung statistik tingkat kesalahan pada sistem deteksi mata, berikut rumus penghitungan :
Dengan begitu jumlah error adalah 5, dan Gambar 4.6 Tampilan Tombol Kembali di
kdepan.java
belakang
ke
untuk kamera
beralih depan.
jumlah objek pengujian n=30. dari
lebih
sederhana, hanya mengatur Camera
Tingkat kesalahan pada sistem deteksi mata
Index menjadi 1 dan membangun fps
ini adalah 16.67% dan tingkat keakurasi
meter.
83.33% dimana hasil itu di peroleh dari 100% - 16.67%.
Dari hasil pengamatan selama tahap perancangan, implementasi dan proses uji coba aplikasi dengan hardware yang dilakukan, maka dapat diambil kesimpulan sebagai berikut pada beberapa gambar diatas menunjukan hasil deteksi yang signifikan, walaupun beberapa objek tidak terdeteksi sebagai mata karena beberapa faktor yaitu : 1. Tidak terdeteksi karena hanya terlihat 1 mata. 2. Pencahayaan kurang sempurna. 3. Wajah
terlalu
menoleh
kesamping. 4. Mata tertutup rambut atau benda lain.
5. PENUTUP 5.1 Kesimpulan Dari implementasi dan pengujian yang telah dilakukan ada beberapa kesimpulan yang diperoleh berdasarkan “Implementasi Text to Speech untuk Story Telling” adalah sebagai berikut : 1. Aplikasi Deteksi Mata ini dapat mendeteksi mata dengan berbagai kondisi cahaya, tingkat kemiringan objek, dan jauh dekat jarak objek dari kamera. 2. Aplikasi Deteksi Mata ini dapat memberikan kemudahan kepada pengguna di masa yang akan datang di berbagai aspek teknologi seperti sistem keamanan dalam mengemudi kendaraan bermotor, deteksi penyakit mata
dalam dunia medis, dan identifikasi retina
Informatika-Universitas
mata dalam keperluan absensi. .
Petra. Surabaya.
5.2 Saran
Kristen
[2] Sukardy dkk, "Pengenalan Wajah
Disadari
sistem
ini
masih
banyak
dengan Metode Gabor Wavelet",
kekurangan dan kelemahan, oleh karena itu
Skripsi Sarjana Komputer Teknik
untuk pengembangan selanjutnya disarankan
Informatika-
:
Nusantara, 2008.
1. Perlu dilakukan penelitian lebih lanjut agar
[3] Yuwana,
Universitas
Buddhi,
"Pengenalan
sistem tidak terbatas hanya pada deteksi
Wajah
mata, tetapi dapat mendeteksi retina mata
Metode Gabor Wavelet",
sehingga dapat dikembangkan menjadi eye
Akhir
recognizion.
Kristen Petra Surabaya, 2002.
2. Kemampuan Aplikasi ini masih sangat
dengan
Bina
Menggunakan
Mahasiswa
[4] Bayu,
Tugas
Universitas
Setya,"Penerapan
terbatas dalam mendeteksi mata, yaitu hanya
Recognition
dapat mendeteksi satu pasang mata saja,
Eigenface dalam Intelligent Home
sehingga perlu dikembangkan lebih lanjut
Security", Tugas Akhir Mahasiswa
agar dapat mendeteksi mata lebih dari satu
Politeknik
pasang dalam satu frame.
Surabaya, 2009.
3. Diharapkan
dalam
pengembangan
dengan
Face Metode
Elektronika
Negeri
[5] Rahman, M. A., "Sistem Pengenalan
selanjutnya aplikasi Deteksi Mata bisa di
Wajah
aplikasikan kesemua perangkat tidak hanya
Untuk
perangkat android saja.
Template Matching", Tugas Akhir
Demikian saran yang penulis berikan sebagai
bahan
masukan
agar
aplikasi
Deteksi Mata dapat berkembang sesuai dengan perkembangan teknologi.
DAFTAR PUSTAKA [1] Lim, Resmana dan Yulia R.O.P, "Pelacakan dan Pengenalan Wajah menggunakan Webcam dan Metode Gabor Filter ", Tugas Akhir Teknik
Menggunakan Absensi
Webcam
Dengan
Metode
Mahasiswa Politeknik Elektronika Negeri Surabaya,2010. [6] Zamani,
M.
Fiqy,
"Pengenalan
Wajah dengan Pemrosesan Awal Dekomposisi
Wavelet
Bertingkat
dan Filter Gabor untuk Identifikasi Personal", Tugas Akhir Mahasiswa Teknik Informatika ITS, 2008.
