BAB II LANDASAN TEORI

2.1 Sistem Keamanan Sistem merupakan kumpulan dari elemen-elemen yang berinteraksi untuk mencapai suatu tujuan tertentu. Sistem ini menggambarkan suatu kejadian-kejadian dan kesatuan yang nyata adalah suatu objk nyata, seperti tempat, benda, dan orang-orang yang betul-betul ada dan terjadi
[1]

. Keamanan adalah suatu kinerja dalam menghadapi masalah baik internal maupun

eksternal yang terjadi terhadap suatu ruang lingkup demi terciptanya suatu keadaan yang seharusnya.

2.2

Minimarket Minimarket merupakan tempat bertemunya antara penjual dengan pembeli. Cara

bertransaksi pada minimarket sedikit berbeda dibandingkan dengan tempat jual beli yang lain seperti pasar. Disini pembeli dibebaskan untuk mengambil barang-barang yang dibutuhkan dan nantinya apabila sudah selesai dalam berbelanja dapat menuju kekasir untuk melakukan pembayaran. Sebuah minimarket sebenarnya adalah semacam "toko kelontong" atau yang menjual segala macam barang dan makanan, perbedaan nya disini biasa nya minimarket menerapkan sebuah sistem mesin kasir point of sale untuk penjualan nya, namun tidak selengkap dan sebesar sebuah supermarket. Berbeda dengan toko kelontong, minimarket menerapkan sistem swalayan, dimana pembeli mengambil sendiri barang yang ia butuhkan dari rak-rak minimarket dan membayarnya di meja mesin kasir. Sistem ini juga membantu agar pembeli tidak berhutang [2]. Mayoritas minimarket buka selama 24 jam. Dengan lamanya waktu buka tersebut memudahkan konsumen untuk berbelanja pada minimarket tanpa dibatasi waktu. Adapun beberapa contoh minimarket yang ada di Indonesia seperti Alfamart, Indomaret, Ceriamart, Starmart, Circle K, dan banyak minimarket yang dikelola individu perorangan lain nya. CCTV [3]

2.3

Pengertian kamera CCTV atau kepanjangannya Closed Circuit Television adalah sebuah kamera video digital yang difungsikan untuk memantau dan mengirimkan sinyal video pada suatu ruang yang kemudian sinyal itu akan diteruskan ke sebuah layar monitor. Fungsi kamera CCTV adalah untuk memantau keadaan dalam suatu tempat, yang biasanya berkaitan dengan keamanan atau tindak kejahatan, jadi apabila terjadi hal-hal kriminal akan dapat terekam kamera yang nantinya akan dijadikan sebagai bahan bukti. Adapun beberapa contoh CCTV seperti yang ditunjukkan pada Gambar 2.1.

Gambar 2.1 Kamera CCTV

Kamera CCTV dipasang pada tempat-tempat umum seperti bank, bandara udara, hotel, tempat atm, dan lain-lain. Pada saat-saat tertentu kamera CCTV akan sangat berguna sebagai barang bukti, seperti ketika terjadi bencana besar atau peristiwa-peristiwa penting yang tidak sempat dipantau oleh manusia. Kecerdasan Buatan[4] Kecerdasan buatan berasal dari bahasa Inggris Artificial Intelligence atau disingkat AI, yaitu intelligence adalah kata sifat yang berarti cerdas, sedangkan artificial artinya buatan. Kecerdasan buatan yang dimaksud disini merujuk pada mesin yang mampu berfikir, menimbang tindakan yang akan diambil, dan mampu mengambil keputusan seperti yang dilakukan oleh manusia. Berikut adalah beberapa definisi kecerdasan buatan yang telah didefinikan oleh beberapa ahli.

2.4

Alan Turing, ahli matematika berkebangsaan Inggris yang dijuluki bapak computer modern dan pembongkar sandi Nazi dalam era Perang Dunia II 1950, menetapkan definisi Artifical Intelligent : Jika komputer tidak dapat dibedakan dengan manusia saat berbincang melalui terminal computer, maka bisa dikatakan computer itu cerdas, mempunyai kecerdasan[13]. Misalnya Anda mengunjungi sebuah situs agen penjualan barang antic. Dilayar computer muncul wajah seorang wanita yang sangat cantik dan seksi. Sayangnya wajah wanita itu hanyalah ciptaan computer belaka. Uniknya, ia mampu bercakap-cakap dengan anda untuk melayani penjualan barang antik dan anda tidak menyadarinya, layaknya anda berbicara dengan staf wanita sesungguhnya di counter agen penjualan. Kalau ini terjadi, maka pelayanan penjualan barang antik dapat dilakukan 100% online, denga akurasi yang sangat tinggi, terutama dari konsistensi, keramahan, kecepatan, dan akurasi-pelayanan dijamin memuaskan pelanggan. Lain kalau kita menggunakan staf manusia yang asli yang konsistensinya tidak bisa akurat karena terpengaruh fisik dan emosi saat itu. Menurut Winston dan Prendergast (1984)[4], tujuan dari kecerdasan buatan adalah : 1. Membuat mesin menjadi lebih pintar (tujuan utama). 2. Memahami apa itu kecerdasan (tujuan ilmiah). 3. Membuat mesin lebih bermanfaat (tujuan enterpreneurial).

Berdasarkan definisi tersebut, maka kecerdasan buatan menawarkan media maupun uji teori tentang kecerdasan. Teori-teori ini nantinya dapat dinyatakan dalam bahasa pemrograman dan eksekusinya dapat dibuktikan pada komputer nyata. Program konvensional hanya dapat menyelesaikan persoalan yang diprogram secara spesifik. Jika ada informasi baru, Sebuah program konvensional harus diubah untuk menyesuaikan diri dengan informasi baru tersebut. Hal ini tidak hanya menyebabkan pemborosan waktu, namun juga dapat menyebabkan terjadinya kesalahan. Sebaliknya, kecerdasan buatan memungkinkan computer untuk berpikir atau menalar dan menirukan proses belajar manusia sehingga informasi baru dapat diserap sebagai pengetahuan, pengalaman, dan proses pembelajaran serta dapat digunakan acuan dimasa-masa yang akan datang. Visual Basic[5]

2.5

Visual Basic berevolusi dari BASIC (Semua simbol instruksi kode pemula), Dikembangkan pada pertengahan tahun 1960 oleh profesor John Kemeny dan Kurtz Thomaz dari Dartmouth College sebagai bahasa untuk menulis program sederhana dengan cepat dan mudah. Tujuan utama BASIC adalah untuk mengajarkan siswa teknik pemrograman dasar. Ketika Bill Gates mendirikan Microsoft Corporation di tahun 1970-an, ia menerapkan BASIC pada beberapa komputer pribadi awal. Pada 1980-an dan awal 1990-an, Microsoft mengembangkan Microsoft Windows antarmuka pengguna (GUI) bagian visual dari sistem operasi dengan mana pengguna berinteraksi. Dengan penciptaan Windows GUI, evolusi alami dari BASIC adalah untuk Visual Basic, yang diperkenalkan oleh Microsoft pada tahun 1991 untuk membuat aplikasi Windows pemrograman lebih mudah. Sampai Visual Basic muncul, mengembangkan aplikasi berbasis Windows Microsoft adalah proses yang sulit. Visual Basic kini menjadi, bahasa pemrograman visual-event objectoriented di mana program yang dibuat dengan menggunakan alat perangkat lunak yang disebut dengan integrated Development Environment (IDE). Dengan Microsoft Visual Studio IDE, Anda dapat menulis, menjalankan, menguji dan debug Visual Basic program dengan cepat dan mudah. Versi terbaru dari Visual Basic sepenuhnya berorientasi objek. Anda akan belajar beberapa dasar-dasar teknologi object lama dan akan mempelajari dasar-dasar teknologi object baru. Visual Basic adalah event driven, Anda akan menulis program yang merespon peristiwapengguna diawali seperti klik mouse, penekanan tombol dan expirations timer. Ini adalah bahasa pemrograman visual selain menulis laporan program untuk membangun partions aplikasi Anda, Anda juga akan menggunakan antarmuka pengguna grafis Visual Studio untuk mudah drag dan drop objek standar seperti tombol dan boks teks ke tempatnya pada layar Anda, dan label dan mengubah ukuran mereka. Visual Studio akan menulis banyak kode GUI untuk Anda. Microsoft introduced its .Net strategi in 2000. The .Net platform the set of software components that enables .Net programs to run allows applications to be distributed to a variety of devices (such as cell phones) as well as to desktop computers. The .Net platform offers a programming model that allows software components created in different programming languages (such as Visual Basic and C#) to communicate with one another. Microsoft memperkenalkan Pengembangan strategi .Net. Pada tahun 2000, Platform .Net memiliki komponen perangkat lunak yang memungkinkan .Net untuk menjalankan program aplikasi untuk didistribusikan ke berbagai perangkat (seperti ponsel) serta komputer desktop.

Platform .Net Menawarkan model pemrograman yang memungkinkan komponen perangkat lunak dibuat dalam bahasa pemrograman yang berbeda (seperti Visual Basic dan C#) untuk berkomunikasi dengan satu sama lain. MySQL[6] MySQL adalah sebuah implementasi dari sistem manajemen basis data relasional

2.6

(RDBMS) yang didistribusikan secara gratis dibawah lisensi GPL (General Public License). Setiap pengguna dapat secara bebas menggunakan MySQL, namun dengan batasan perangkat lunak tersebut tidak boleh dijadikan produk turunan yang bersifat komersial. MySQL sebenarnya merupakan turunan salah satu konsep utama dalam basis data yang telah ada sebelumnya yaitu SQL (Structered Query Language). SQL adalah sebuah konsep pengoperasian basis data, terutama untuk pemilihan atau seleksi dan pemasukan data yang memungkinkan pengoperasian data dikerjakan dengan mudah secara otomatis. Kehandalan suatu sistem basis data (DBMS) dapat diketahui dari cara kerja pengoptimasi-nya dalam melakukan proses perintah peritah SQL yang dibuat oleh pengguna maupun program program aplikasi yang memanfaatkannya. Sebagai peladen basis data, MySQL mendukung operasi basis data transaksional maupun operasi basis data non-transaksional. Pada modus operasi non-transaksional, MySQL dapat dikatakan unggul dalam hal unjuk kerja dibandingkan perangkat lunak basis data kompetitor lainnya. Namun demikian pada modus non-transaksional tidak ada jaminan atas reliabilitas terhadap data yang tersimpan, karena modus non-transaksional hanya cocok untuk jenis aplikasi yangtidak membutuhkan reliabilitas data seperti aplikasi blogging berbasis web Wordpress, CMS dan sejenisnya. Untuk kebutuhan sistem yang ditujukan untuk bisnis sangat disarankan untuk menggunakan modus basis data transaksional, hanya saja sebagai konsekuensinya unjuk kerja MySQL pada modus transaksional tidak secepat unjuk kerja pada moadus

nontransaksional.

2.7

Short Message Service (SMS)

2.7.1 Teknologi SMS[9]

SMS (Short Message Service) merupakan cara berkomunikasi melalui sebuah ponsel atau perangkat lainnya untuk mengirim atau menerima pesan-pesan pendek. Layanan SMS menggunakan kanal atau jalur teks dalam proses penyampaiannya. Sehingga meskipun sang penerima SMS sedang melakukan pembicaraan dengan handphone-nya, SMS yang masuk tetap dapat diterima.

Gambar 2.2 Skema cara kerja SMS

Ketika ada yang mengirim SMS ke telepon seluler kita, pesan itu terlebih dahulu melalui SMS Center (SMSC), kemudian diteruskan ke tower (Base Transmission System, BTS), lalu dari tower akan diteruskan ke telepon seluler kita, begitupun sebaliknya kalau kita mengirimkan SMS ke seseorang. Data yang dikirimkan antara lain panjang pesan, format pesan (teks atau multimedia), beserta informasi lainya. 2.7.2 Tipe Teknologi SMS[9] Siapa yang tidak kenal dengan teknologi SMS yaitu pengiriman informasi berupa teks, multimedia atau lainya seperti yang sudah penulis jelaskan. Di sini penulis akan menjelaskan mengenai tipe-tipe sms berdasarkan kepentingan tertentu. Antara lain : 1. SMS Premium Merupakan jenis aplikasi SMS dua arah dengan menggunakan 4 digit nomor unik seperti 96xx, contoh SMS Quiz, sms Poling atau lain sebagainya.

2.

SMS Broacast/Blast/Bulk/Bomber Merupakan jenis aplikasi SMS satu arah berupa pengiriman pesan ke banyak nomor sekaligus, contoh SMS Kampanye, SMS Promo atau lain sebagainya.

3.

SMS Gateway Merupakan jenis aplikasi SMS dua arah, dengan keunikan semua tariff yang diperlakukan adalah tarif SMS normal sesuai dengan apa yang diperlukan oleh operator. Kerana sifatnya yang dua arah, maka jenis sms ini sangat cocok dijadikan sebagai SMS center organisasi atau institusi tertentu.

2.8

Digital Image Processing Image processing atau dikenal dengan pengolahan citra digital merupakan suatu metode

yang dipergunakan untuk melakukan proses atau manipulasi gambar digital yang disimpan dalam skala dua dimensi[7]. Tujuan dari image processing adalah mengolah dan memproses dari gambar asli agar menghasilkan gambar lain sesuai dengan kebutuhan. Pengambilan image atau gambar dilakukan dengan menggunakan kamera video atau peralatan lain yang dapat mentransfer gambar (scanner). Dasar dari pengolahan citra adalah pengolahan warna RGB pada tiap pixel[7]. Ada dua prinsip daerah aplikasi pengolahan citra digital : Penigkatan informasi pictorial untuk interprestasi manusia dan pengolahan data citra untuk penyimpanan, transmisi dan representasi bagi peralatan persepsi[8]. Sebuah citra dapat didefinikan sebagai fungsi dua dimensi f(x,y), di mana x dan y adalah koordinat spasial, dan amplitude dari f pada sembarang pasangan koordinat (x,y) disebut intensity (intensitas) atau gray level (level keabuan) dari citra pada titik tersebut. Ketika x, y dan nilai intensitas dari f adalah semua terbatas, discrete quantities, kita sebut citra tersebut digital image (citra digital). Citra digital terdiri dari sejumlah elemen tertentu, setiap elemen mempunyai lokasi dan nilai tertentu. Elemen-elemen ini disebut picture elements, Image elements, pels, dan pixels. Piksel adalah istilah yang sudah digunakan secara luas untuk menyatakan element citra digital[8]. Penglihatan adalah indra yang paling peka sehingga tidak mengejutkan bila citra memainkan peran paling penting dalam persepsi manusia. Bagaimanapun, tidak seperti manusia yag terbatas dalam band penglihatan spectrum elektromagnetik (EM), mesin pencitraan

mencakup hampir semua spectrum EM, dengan jangkauan mulai dari sinar gamma sampai gelombang radio. Mesin tersebut dapat mengoperasikan citra yang dihasilkan oleh sumber yang manusia tidak biasa hubungan dengan citra, termasuk ultrasound, electron microscopy dan computer pembuat citra. Karena itu, pengolahan citra digital meliputi daerah aplikasi yang luas dan bermacam-macam[8].

2.9

Computer Vision

2.9.1 Definisi Computer Vision[10] Computer vision dapat didefinisikan setara dengan pengertian pengolahan citra yang dikaitkan dengan akuisisi citra, pemrosesan, klasifikasi, pengakuan, dan pencakupan keseluruhan, pengambilan keputusan yang diikuti dengan pengidentifikasian citra. Ballard dan Brown (1982)[10] mendefinisikan Computer Vision sebagai suatu kegiatan awal pengotomatisan dan pengintegrasian suatu pemrosesan dan representasi sebagai suatu persepsi visual dengan tahap-tahap tertentu. Boyle dan Thomas (1988)[10] memberi pengertian bahwa Computer Vision lebih dari hanya sekedar image recognition. Mereka juga menghadirkan operasi low level processing sebagai suatu algoritma pengolahan citra yang dapat kita sebut purely yang kemudian mengategorikan citra tersebut di dalam suatu Computer Vision. Jensen (1986)[10] memberi judul untuk bukunya Introductory Digital Image Processing-a remote sensing perspective, dan memasukkan bagian-bagian substansial berdasarkan image acquisition dan region classification. Gonzales dan wintz (1977)[10] memasukkan bagian-bagian substansial (Jensen) berdasarkan deskripsi region dan deskripsi relasional, dan keseluruhan pendapat yang berkaitan pengelompokan bagian-bagian tersebut di dalam wilayah Computer Vision. 2.9.2 Proses Kerja Computer Vision[12] Computer Vision melibatkan beberapa proses dalam fase pengenalan obyek yang ditangkap oleh kamera. Adapun proses-proses yang melandasi proses kerja Computer Vision seperti terlihat di dalam Gambar 2.3.

Gambar 2.3 Proses kerja computer vision 1. Akuisisi Citra Gambar digital akan diproduksi terlebih dahulu tergantung kebutuhan sistem. 2. Pra-Proses (pre-processing) Sebelum metode Computer Vision dilaksanakan pada data gambar untuk diekstrak informasinya. Biasanya dibutuhkan beberapa proses untuk memastikan data tersebut akurat dan memenuhi kriteria. Maka akan dilakukan: a. Re-sampling untuk memastikan gambar memiliki koordinasi yang tepat. b. Noise Reduction untuk memastikan tidak adanya noise-noise yang dapat mengakibatkan kesalahan informasi. c. Contrast Enhancement Untuk memastikan gambar dapat menampilkan informasi yang relevan. d. Scale-Space Untuk merepresentasikan gambar yang memiliki skala yang sesuai. 3. Ekstraksi Fitur Setiap gambar memiliki fitur-fitur unik yang membedakan gambar tersebut dengan gambar lainnya, meliputi: garis, sisi, bubung, sudut, gumpal, dantitik. Pada fitur yang lebih kompleks dapat meliputi tekstur, bentuk, dan gerakan. Ekstraksi fitur mengambil semua fitur-fitur unik yang ada pada gambar. 4. Decision Membuat keputusan akhir yang dibutuhkan oleh aplikasi. Contoh : a. Lulus atau gagal pada aplikasi inspeksi otomatis.

b. c.

Cocok atau tidak cocok pada aplikasi Recognition. Ditandai (Flag) untuk diperiksa lebih lanjut oleh manusia biasanya pada kedokteran, militer, keamanan, dan aplikasi Recognition. Selain itu, ada pula proses-proses lain yang dapat dilakukan pada proses kerja Computer

Vision yaitu : 1. Deteksi dan Segmentasi Pada beberapa kasus pemprosesan, keputusan dibuat berdasarkan titik pada gambar dan daerah pada gambar yang relevan yang kemudian akan diproses lebih lanjut. 2. Proses High-Level Pada bagian ini, biasanya berisi set data yang kecil. M isalnya satu set poin atau wilayah gambar yang diasumsikan berisi objek. Lalu proses diikuti dengan : a. b. c. d. Verifikasi data agar memenuhi asumsi yang model-based dan aplikasi. Estimasi parameter aplikasi yang terdapat pada objek. Image Recognition: mengklasifikasikan objek yang terdeteksi ke berbagai kategori. Image Registration : menggabungkan dan membandingkan pandangan yang ada pada objek yang sama. 2.10 Realtime Capture[10] Jika suatu citra direkam dalam waktu nyata, sedikitnya 25 citra diambil dalam satu detik dengan mengabaikan keadaan flickering. Jelas tidak ada sistem mekanik yang setara dengan sistem baird dalam hal kemampuannya bekerja di dalam keadaan ini. Jika citra merupakan citra mono (tidak berwarna) dengan 256 grey levels, spesifikasi yang dicapai harus memenuhi ketentuan-ketentuan sebagai berikut : 1. Kapasitas penyimpanan yang diperlukan untuk menangkap 1 detik citra dalam waktu nyata berkisar 6,25 Mbytes. 2. Mentransfer 6,25 Mbytes per detik ke dalam komputer membutuhkan suatu interface parallel. Serial interface yang memiliki kecepatan transfer 38 K baud masih terlalu lambat dalam hal ini. 3. Secara internal suatu mikrokomputer harus menyimpan 6,25 Mbytes per detik ke dalam unit penyimpanan disk.

4.

Satu menit operasi waktu nyata akan mengisi ruang pada harddisk yang umum dipakai oleh mikrokomputer.

2.11 Tresholding Tresholding digunakan untuk menghilangkan kecenderungan grey-level pada suatu citra, untuk menentukan wilayah-wilayah grey level suatu citra, atau mengelompokkan citra dalam bagian-bagian yang berbeda[10]. Operasi Tresholding secara normal ditujukan untuk menata keseluruhan grey-level dibawah suatu nilai tertentu hingga nol, atau diatas nilai tertentu hingga mencapai nilai brightness maksimum. Maximum brightness bisa bernilai 255 pada suatu plane system 8 bit, 15 pada plane system 4 bit, 1024 pada plane system 10 bit, dan sebagainya[10]. Satu cara yang jelas untuk mengekstrak object dari background adalah dengan memilih threshold T yang membagi mode-mode ini. Kemudian sembarang titik (x, y) untuk dimana f(x,y) >= T disebut object point. Sedangkan yang lain disebut background point. Dengan kata lain, citra yang di-treshold g(x,y) didefinisikan pada persamaan (2.1) :

g(x,y) =

1 Jika f(x,y) >= T (2.1)

0 Jika f(x,y) < T

Piksel yang diberi nilai 1 berkaitan dengan obyek sedangkan piksel yang diberi nilai 0 berkaitan dengan background. Ketika T adalah konstanta, pendekatan ini disebut global tresholding[8]. 2.12 Grayscale[7] Mengubah citra RGB menjadi citra grayscale digunakan untuk menyederhanakan model citra, sehingga waktu yang dibutuhkan untuk melakukan proses selanjutnya berjalan lebih cepat. Untuk mendapatkan citra grayscale adalah dengan cara sebagai berikut : (2.2)

Gambar 2.3 Konversi citra berwarna pada layer ke grayscale 2.13 Deteksi Object[7] Untuk mendeteksi object senjata tajam yang dipergunakan pada tugas akhir ini adalah dengan menggunakan haar classifier dimana metode ini membangun sebuah boosted rejection cascade, yaitu akan membuang data training negative sehingga didapat suatu keputusan untuk menentukan data positif. 2.13.1 Deteksi Object dengan Haar Like[14] Penelitian mengenai deteksi dan pengenalan wajah teknologi computer vision telah banyak dilakukan, salah satunya adalah menggunakan Haar like feature yang dikenal sebagai Haar Cascade Classifier. Haar-like features merupakan rectangular (persegi) features, yang memberikan indikasi secara spesifik pada sebuah gambar atau image. Ide dari Haar-like features adalah untuk mengenali obyek berdasarkan nilai sederhana dari fitur tetapi bukan merupakan nilai piksel dari image obyek tersebut. Metode ini memiliki kelebihan yaitu komputasinya sangat cepat, karena hanya bergantung pada jumlah piksel dalam persegi bukan setiap nilai piksel dari sebuah image (Viola, Paul and Michael Jones, 2001)[14]. Metode ini merupakan metode yang menggunakan statistical model (classifier). Pendekatan untuk mendeteksi objek dalam gambar menggabungkan empat konsep utama : 1. 2. Training Data. Fitur Segi empat sederhana yang disebut fitur Haar.

3. 4.

Integral image untuk pendeteksian fitur secara cepat. Pengklasifikasi bertingkat (Cascade classifier) untuk menghubungkan banyak fitur secara efisien.

2.13.2 Training Data Pada Haar[14] Metode ini memerlukan 2 tipe gambar objek dalam proses training yang dilakukan, yaitu : 1. Positive samples, Berisi gambar obyek yang ingin di deteksi, apabila ingin mendeteksi pisau maka positive samples ini berisi gambar pisau, begitu juga obyek lain yang ingin dikenali. 2. Negative samples, Berisi gambar obyek selain obyek yang ingin dikenali, umumnya berupa gambar background (tembok, pemandangan, lantai, dan gambar lainnya). Resolusi untuk sampel negatif disarankan untuk memiliki resolusi yang sama dengan resolusi kamera. Training dari Haar menggunakan dua tipe sampel diatas. Informasi dari hasil training ini lalu dikonversi menjadi sebuah parameter model statistik. 2.13.3 Cara Kerja Algoritma Haar Cascade Classifier[14] Algoritma Haar menggunakan metode statistical dalam melakukan pendeteksian pisau. Metode ini menggunakan sample haarlike fetures. Classifier ini menggunakan gambar berukuran tetap (umumnya berukuran 24x24). Cara kerja dari haar dalam mendeteksi pisau adalah dengan menggunakan teknik sliding window berukuran 24x24 pada keseluruhan gambar dan mencari apakah terdapat bagian dari gambar yang berbentuk seperti pisau atau tidak. Haar juga memiliki kemampuan untuk melakukan scaling sehingga dapat mendeteksi adanya pisau yang berukuran lebih besar ataupun lebih kecil dari ganbar pada classifier (Lienhart, Rainer and Jochen Maydt, 2002)[14]. Tiap feature dari haar-like feature didefinisikan pada bentuk dari feature, diantaranya koordinat dari feature dan juga ukuran dari feature tersebut.

2.13.4 Haar Like Feature Haar Feature adalah fitur yang didasarkan pada Wavelet Haar (Viola, Paul and Michael Jones, 2001)[14]. Wavelet Haar adalah gelombang tunggal bujur sangkar (satu interval tinggi dan

satu interval rendah). Untuk dua dimensi, satu terang dan satu gelap. Selanjutnya kombinasikombinasi kotak yang digunakan untuk pendeteksian objek visual yang lebih baik. Setiap Haarlike feature terdiri dari gabungan kotak-kotak hitam dan putih. Nilai haar-like feature adalah perbedaan antara jumlah nilai-nilai piksel gray level dalam daerah kotak hitam dan daerah kotak putih : f(x) = sum black rectangle(pixel gray level) sum white rectangle(pixel gray level)

(2.3)

Gambar 2.4 Haar Feature[14]

3 tipe kotak(rectangular) feature : 1. 2. 3. Tipe two-rectangle feature (horisontal/vertikal). Tipe three-rectangle feature. Tipe four-rectangle feature. Adanya fitur Haar ditentukan dengan cara mengurangi rata-rata piksel pada daerah gelap dari rata-rata piksel pada daerah terang. Jika nilai perbedaannya itu diatas nilai ambang atau treshold, maka dapat dikatakan bahwa fitur tersebut ada. Nilai dari Haar-like feature adalah perbedaan antara jumlah nilai-nilai piksel gray level dalam daerah kotak hitam dan daerah kotak putih. Untuk kotak pada Haar-like feature dapat dihitung secara cepat menggunakan integral image[14]. 2.13.5 Integral Image[7] Integral image adalah representasi tengah (intermediate) untuk suatu citra yang terdiri dari jumlah nilai keabu-abuan (grayscale pixel) dari citra tersebut dengan tinggi y dan lebar x.

Integral image pada lokasi x,y merupakan jumlah dari pixel-pixel mulai dari atas sampai piksel sebelah kiri dari x,y. lihat rumus dibawah ini :

(2.4)

2.13.6 Cascade Classifier[7] Cascade classifier adalah sebuah rantai stage classifier, dimana setiap stage classifier digunakan untuk mendeteksi apakah di dalam image sub window terdapat obyek yang diinginkan (object of interest).

Gambar 2.5 Cascade Classifier

2.14 Emgu CV OpenCV adalah platform silang yang terdapat dalam .NET untuk library pengolahan citra pada Inter OpenCV. EmguCV ini mengikuti fungsi yang terdapat pada OpenCV yang diambil dari .NET. Oleh sebab itu, EmguCV kompatibel dengan bahasa pemrograman C#, VB, VC++, IronPython, dan sebagainya. Program ini bersifat sumber terbuka sehingga sangat cocok apabila digunakan untuk penelitian. Salah satunya adalah untuk aplikasi robot vision[11]. OpenCV merupakan library yang cukup terkenal di dunia Computer Vision. Computer Vision adalah salah satu bidang di teknologi informasi yang fokus pada pemrosesan images atau gambar yang diperoleh dari dunia nyata untuk diekstrak dan diinterpretasikan informasinya. Untuk mempermudah developer dalam mengembangkan aplikasi yang menggunakan

teknologi lainnya[15].

computer vision,

digunakanlah

library

seperti VXL, Camellia, OpenCV, dan

Maka dari itu EmguCV berperan untuk menjembatani VB.Net dan OpenCV. EmguCV adalah wrapper .Net untuk OpenCV. Keuntungan menggunakan EmguCV yang paling utama adalah library ini sepenuhnya ditulis dengan bahasa pemrograman C# yang mana lebih aman karena pembuatan object atau pun reference dimanage oleh garbage collector[15].