Anda di halaman 1dari 28

Proposal Penelitian

CONTENT FI LTERI NG BERBASIS I MAGE PROCESSI NG


DENGAN METODE HAAR DAN SKI N DETECTI ON ROI





FAUZIAZZUHRY RAHADIAN
13/356798/PTK/09217

Konsentrasi
Teknologi Informasi



PROGRAM STUDI S2 TEKNIK ELEKTRO
JURUSAN TEKNIK ELEKTRO DAN TEKNOLOGI INFORMASI
FAKULTAS TEKNIK
UNIVERSITAS GADJAH MADA
DESEMBER, 2013
ii

Dengan ini saya menyatakan bahwa proposal penelitian dengan
judul

CONTENT FILTERING BERBASIS IMAGE PROCESSING
DENGAN METODE HAAR DAN SKIN DETECTION ROI

yang diajukan oleh
FAUZIAZZUHRY RAHADIAN
13/356798/PTK/09217

Konsentrasi
Teknologi Informasi
adalah tema yang berasal dari Teguh Bharata Adji, S.T., M.T., M.Eng.,
Ph.D
Dosen pembimbing yang diusulkan:
1. Teguh Bharata Adji, S.T., M.T., M.Eng., Ph.D.
2. Hanung Adi Nugroho, S.T., M. E., Ph.D.
Yogyakarta,27 Desember 2013
Yang menyatakan,

FAUZIAZZUHRY RAHADIAN
1

1. Pendahuluan
Sebagai Negara yang berlandaskan Ketuhanan Yang Maha Esa, Indonesia
mendasari pembangunan dengan semangat yang agamis[1]. Perkembangan teknologi,
terlebih teknologi informasi; selalu membawa dampak positif selagi dampak negatif
yang akan ditimbulkan. Salah satunya adalah konten berbau pornografi. Pemerintah
Indonesia melalui Undang-Undang, menerbitkan peraturan mengenai masalah
pornografi ini[1]. Meskipun dalam implementasinya, tetap ada toleransi untuk suatu
konteks. Contohnya adalah budaya dan adat istiadat suatu daerah.
Namun diluar konteks itu, diperlukan suatu instrumen untuk membantu
implementasi penanggulangan pornografi ini. Terlebih untuk mengantisipasi
peredarannya pada internet. Diperlukan suatu teknologi yang lebih dari sekedar
memblok URL atau domain saja. Diperlukan suatu teknologi yang dapat secara cerdas
mengenali, mengidentifikasi dan menginterupsi suatu konten yang berupa 3 materi
utama, yakni gambar/video, teks, dan suara.
Indonesia sebenarnya sudah mengupayakan filtering terhadap internet. Salah
satunya adalah DNS Nawala. Namun filter DNS Nawala bukanlah filter yang cerdas,
karena hanya memblok URL atau domain saja yang telah diinput manual pada proxy
server [2], sehingga penyedia konten mungkin akan membuat situs baru untuk
menghindari pemblokiran.
Konten Filtering Cerdas dapat dilakukan dengan beberapa cara, salah satunya
adalah dengan pengolahan citra dan kecerdasan buatan. Dengan cara ini filtering tidak
hanya melakukan deteksi dan analisa segmentasi objek, namun juga mereduksi error
dan mengklasifikasi kelasnya.
Filtering konten porno harus dilakukan dengan kecerdasan buatan, mengingat
tingkat kepornoan suatu konten menurut UU Pornografi harus disesuaikan dengan
adat istiadat, budaya suatu daerah, dan hal yang dalam konteks seperti content medis
dan olahraga [1]. Serta cerdas terhadap konteks suatu materi. Contoh video medis, ibu
melahirkan anak sebagai bahan pembelajaran di dunia medis. Maka dari itu filtering
yang cerdas sangat dibutuhkan untuk mendukung implementasi UU Pornografi ini.



2

1.1 Latar Belakang
Teknologi content filtering berbasis citra digunakan untuk mengantisipasi
perkembangan content-content porno yang tidak lagi dapat dihindari hanya
dengan memblok url atau domainnya saja. Teknologi ini harus secara aktif
mencari content-content yang positif porno[3]. Pada dasarnya konten porno
terbagi menjadi 2 jenis. Yakni konten yang bugil seluruhnya atau
menampakkan organ organ vitalnya. Konten seperti ini bisa dengan mudah
ditangani dengan deteksi bagian tubuh dengan pengolahan citra[4]. Dan ada
juga citra yang menutupi bagian vitalnya tapi masih memperlihatkan bagian
tubuh yang merangsang seperti orang berbikini[3][5]. Objek yang seperti ini
dapat diatasi dengan rasio area segmentasi kulit dan area tubuh keseluruhan.
Dengan begitu content filtering dengan teknologi pengolahan citra harus
dapat mengkombinasikan deteksi bagian tubuh dan rasio area kulit yang
terbuka untuk mendapatkan parameter yang dapat dijadikan dasar klasifikasi
citra porno dan non porno.

1.2 Perumusan Masalah

Dibutuhkan suatu penelitian yang mampu untuk meneliti implementasi
filtering konten porno terhadap tingkat kepornoan menurut adat dan istiadat :
a. Apakah Metode yang terbaik untuk dapat melakukan filtering konten
video dan gambar?
b. Apakah metode filtering mampu mendeteksi bagian-bagian tubuh yang
dianggap porno
c. Apakah metode filtering mampu mendeteksi objek porno tetapi memakai
pakaian seperti orang berbikini
d. Apakah metode filtering mampu membedakan objek bayi dan orang
dewasa, karena bayi bukan konten porno?
e. Apakah Metode filtering yang dapat mempunyai waktu respon yang
cepat, sesuai dengan spesifikasi filtering dari server.
3

f. Bagaimana melakukan suatu filtering terintegrasi dengan server yang
akan melakukan servis untuk melakukan interupsi/bloking terhadap
konten.
1.3 Batasan Penelitian
Penelitian ini difokuskan untuk mengklasifikasikan citra porno dan non
porno berdasarkan deteksi bagian tubuh dan segmentasi kulit. Pada pengujian
akhir akan di gabungkan dengan sistem server content filtering, untuk
mendapatkan uji performa secara real dengan sitem filtering di server.
1.4 Tujuan Penelitian
Tujuan Penelitian ini disebutkan pada beberapa point sebagai berikut:
1. Meneliti tentang implementasi filtering konten porno dengan berbasis
servis web untuk pertukaran data dan interupsi serta terminal untuk
melakukan filtering konten video/gambar dengan image processing.
2. Meneliti training dataset, berbasis gambar yang positif porno dan negatif
porno, untuk dapat menghasilkan deteksi yang baik untuk filtering
konten porno.
3. Meneliti tentang keakuratan deteksi objek, yakni faktor-faktor yang
mempengaruhi deteksi objek, seperti cahaya dan warna objek.
4. Meneliti tentang parameter-parameter yang dijadikan acuan untuk
klasifikasi objek porno dan non porno seperti disebutkan pada UU
Pornografi.
5. Meneliti tentang karakteristik yang dapat membedakan suatu objek yang
dianggap porno dengan suatu objek yang dianggap tidak menurut
konteks yang disebutkan dalam UU Pornografi.
6. Meneliti tentang keakuratan implementasi sistem deteksi gambar porno
terhadap non porno untuk mendukung implementasi UU Pornografi.



4

1.4 Manfaat Penelitian
Manfaat penelitian adalah meneliti akurasi dan kefektifan suatu metode
pengenalan gesture dan implementasi pengolahan datanya untuk mendapatkan
suatu pengenalan pola gambar atau video yang dianggap porno menurut UU
Pornografi. Dan membedakan konten yang dianggap porno menurut
konteksnya yang bersangkutan menurut UU Pornografi.
2. Tinjauan Pustaka dan Landasan Teori
Studi tentang penerapan teknologi Content Filtering khususnya pada Image/Video
telah dilakukan oleh beberapa pakar di bidang Computer Vision dan Image
Processing.
Wang, dkk mengusulkan filtering dengan menggunakan Haar Classifier. Haar
dilatih untuk mendeteksi putting wanita[4]. Hasil deteksi yang dilakukan kurang
memuaskan saat pengujian terjadi 25% true negative (deteksi putting yang terlewat),
karena perbedaan sudut area objek putting dengan yang dilatih pada saat training.
Kemudian 18 % false positif, yakni objek yang bukan putting seperti pusar, mata dan
ketiak.
Lienhart, dkk mengusulkan implementasi haar dengan menggunakan haar yang
dimodifikasi untuk dapat mendeteksi perubahan posisi dan sudut area objek dengan
objek pada saat training [6]. Dengan mengkombinasikan training stage pada adaboost
training untuk melakukan rekombinasi posisi objek training, didapatkan tingkat
akurasi yang lebih baik, dibandingkan Klasifikasi standart Haar.
Pertsau, dkk mengusulkan implementasi Haar detect dengan mengandalkan parallel
processing pada GPU dengan NVidia CUDA[7] untuk mempercepat proses.
Kemudian dibandingkan hasil pemrosesan tanpa parallel, CPU + GPU tanpa
scheduler, CPU + GPU + Scheduler, dan CPU + GPU + Scheduler + optimasi kode.
Hasilnya CPU + GPU + Scheduler + optimasi kode menghasilkan pemrosesan paling
cepat dibandingkan yang lain.
Du, dkk mengusulkan tracking objek yang dapat mengatasi perbedaan perubahan
posisi, sudut dan kondisi lingkungan dengan menggunakan Meanshift Tracking
dengan Weighted Histogram Blocks[8]. Dengan menggunakan Weighed Battacharya
Histogram Blocks hasil deteksi tidak hanya mengatasi perubahan posisi, sudur, dan
lingkungan; akan tetapi juga menghasilkan deteksi ROI yang elips, tidak kaku
5

berbentuk persegi atau lingkaran, dengan akurasi yang baik dan waktu deteksi yang
cepat. Untuk mendapatkan blok histogram, user harus menentukan area blok yang
akan di tracking (unsupervised)
Tiwari, dkk mengusulkan pengenalan wajah untuk membedakan bayi dengan orang
dewasa dengan menggunakan Metode Fisherfaces.[9] Dengan metode tersebut
didapatkan diskriminasi dengan metode fisher untuk mengitung jarak antar alis, mata,
hidung dan mulut pada sample orang dewasa dan bayi. Metode ini lebih bekerja
akurat dan cepat dibanding Principle Component Analisys atau Eigen Vector.
Bassilio, dkk mengusulkan pendeteksian citra porno dengan menggunakan Color
Model YCbCr dibandingkan dengan HSV[3]. Model YCbCr terbukti dapat
mendeteksi kulit dari berbagai warna kulit yang diujikan, sedangkan HSV hanya
dapat mengidentifikasi sesuai range kulit tertentu. Ini karena YCbCr menggunakan
CbCr untuk menghitung perbedaan kroma biru dan merah untuk mendeteksi
komponen kulit yang berupa darah dan daging. Sehingga warna kulit tidak
berpengaruh lagi. Sedangkan komponen Y untuk mengitung gama cahaya yang tidak
terlalu terpengaruh intensitas cahaya seperti halnya V pada model HSV.
Zuo, dkk mengusulkan pendeteksian citra porno dengan menggunakan klasifikasi
Haar Wavelet dan Skin Detection dengan YCbCr[10] . Haar dilatih untuk mendeteksi
objek-objek yang dianggap porno, contohnya adalah payudara wanita, putting, dan
kemaluan. Kemudian metode deteksi Haar tersebut dikombinasikan dengan deteksi
kulit (Skin Detection) dengan metode YCbCr. Dengan mengkombinasikan kedua
metode ini, akurasi deteksi dapat dinaikkan (False positrif atau True Negatif juga
dapat berkurang). Dengan kombinasi kedua metode ini didapatkan berapa parameter
antara lain jumlah objek wajah, kemaluan, dan dada (putting) yang dapat dideteksi,
rasio skin area pada bagian wajah dan bagian lain pada suatu frame, perbandingan
skin area dengan seluruh pixel pada frame, serta jumlah skin area yang terdeteksi.
Kemudian rasio parameter-parameter itu dilatih dengan random forest classifier.
Lee, dkk mengusulkan deteksi citra porno dengan rasio antara kulit wajah dan kulit
selain wajah yang mengintrepretasikan anggota tubuh yang terbuka[11]. Namun
deteksi kulit dengan Metode YCbCr sering terjadi error karena intensitas cahaya yang
mengganggu deteksi nilai Chromatic, sehingga terjadi false positive yakni objek
bukan kulit ikut terdeteksi. Maka Lee, dkk mengusulkan segmentasi berbasis Adabost
Classifier dengan parameter bentuk objek, area objek dan lokasi objek terhadap face.
Hasil pengujian rasio kulit wajah dan kulit bukan wajah dengan menggunakna
6

segmentasi kulit dengan Adabost Classifier menunjukkan pengurangan false positive
pada nude image dan non nude image. Pada Nude Image dapat menaikkan akurasi
dengan mengurangi noise pada area non kulit. Terlebih pada non nude, akurasi
deteksi meningkat 2 kali lipat karena noise pada area non kulit, dan deteksi bentuk
dan lokasi objek membedakan area-area yang merupakan bagian kulit tubuh atau
tidak.
Bouirouga, dkk mengusulkan deteksi gambar porno dengan deteksi kulit yang
dibantu background substraction dan ANN threshold [12]. Deteksi kulit dengan
YCbCr masih menyisakan banyak false positive apabila terkena efek cahaya terhadap
nilai chromatic. Maka perlu dibantu dengan menggunakan background substraction.
Kelemahannya adalah background tidak boleh berganti harus tetap. Kemudian binary
image disempurnakan dengan menghubungkan connected binary sesuai threshold
filter dengan metode ANN.
Karavarsamis, dkk mengusulkan deteksi pornograpfi dengan melokalisasi Skin ROI
[5]. Untuk dapat membandingkan area skin terdeteksi dan area bagian tubuh perlu
dilakukan lokalisasi Skin ROI. Pada citra 2D, tidak bisa menntukan prakiraan jarak
objek untuk segmentasi anggota tubuh, oleh karena itu dilakukan perhitungan fungsi
homogen dengan Convex Hull. Convex hull dapat menghubungkan komponen biner
hasil deteksi kulit yang terpisah oleh suatu objek yang bukan kulit. Implementasi ini
untuk mendukung deteksi porno pada citra yang terdapat objek wanita berbikini
sebagai positif nude, dan citra non porno yakni orang dengan kaos lengan pendek.
Convex hull dapat menyatukan beberapa segmentasi citra kulit homogen yang
terpisah sebagai suatu objek. Dengan demikian klasifikasi citra apakah porno atau
tidak dapat dilakukan dengan menentukan rasio perbandingan area tersegmentasi kulit
dan area yang dihubungkan oleh convex hull. Dengan demikian citra yang tidak
memperlihatkan payudara atau kelamin, namun ditutup dengan bikini tipis bisa
diidentifikasi dengan cara tersebut.
Penelitian yang dilakukan para ahli dapat dijadikan masukan dalam pengembangan
content filtering berbasis pengolahan citra. Pada tinjauan pustaka didapat bahwa
deteksi citra porno dengan deteksi objek[4][6][7][8] atau kulit[5][10][11][12] saja
tidak cukup. Karena tidak semua objek porno memperlihatkan bagian-bagian vital,
misalkan berbikini[5]. Dan deteksi kulit memerlukan bantuan dari deteksi objek
bagian tubuh untuk membantu penentuan rasio, bentuk, serta jarak yang rasional
untuk menghindari false positive[10][11][12]. Perlu dilakukan kombinasi diantara
7

keduanya serta preprocessing dan klasifikasi yang dibutuhkan. Implementasi Haar
misalnya perlu dilatih agar dapat mendeteksi saat perubahan posisi atau sudut
objek[6]. Kemudian perlu dilakukan implementasi peningkatan kecepatan dengan
parallel processing antara CPU dan GPU, serta scheduler dan arsitektur program[7].
Meanshift tracking sangat baik bekerja dengan mengandalkan blok warna
histogram[8], sehingga dalam posisi dan kondisi lingkungan apapun, dapat melakukan
tracking dengan baik. Hanya saja algorithma Meanshift ini perlu dilakukan dengan
supervised learning, karena seleksi region untuk menentukan area blok histogram
dilakukan secara manual. Maka dari itu perlu dilakukan kombinasi dengan deteksi
Haar objek, agar seleksi region tidak dilakukan dengan manual.
Deteksi kulit dilakukan menggunakan YCrCb dibandingkan dengan HSV karema
dapat mendeteksi semua warna kulit memanfaatkan perbedaan chroma biru dan
merah, serta lebih tahan terhadap nois cahaya pada nilai luma, dibandingkan value
pada HSV. Namun pada implementasinya YCbCr tidak lah cukup, perlu dibantu
dengan processing untuk mengurangi false positive akibat objek dengan warna mirip
warna kulit seperti baju coklat atau pasir, serta gangguan dari intensitas cahaya.
Processing untuk membantu deteksi segmentasi kulit tersebut diantaranya adalah
deteksi bentuk, luas area, banyaknya area kulit terdeteksi[11], hubungan homogen
antar area segmentasi kulit[5], ataupun menggunakan bantuan deteksi bagian tubuh
untuk dapat menentukan jarak, rasionalitas, dan perbandingan segmentasi kulit di
bagian wajah dengan segmentasi kulit di bagian lainnya[10], ataupun bahkan dengan
menggunakan background statis untuk mensegmentasi anggota tubuh[12].
Penelitian tersebut dilakukan karena pada citra 2 dimensi mensegmentasi objek
berdasarkan jarak terdekat tidak dapat dilakukan seperti halnya pada citra 3D. Untuk
dapat mensegmentasi objek bagian tubuh keseluruhan, dapat dilakukaan dengan
pendekatan hmogenisasi citra biner segmentasi kulit, atau melakukan analisa terhadap
bentuk, ukuran, dan jarak terhadap objek lain. Namun mendeteksi bentuk pada citra
biner[11] bukan masalah mudah mengingat pose model dalam filtering bebas,
sedangkan background substraction statis[12] tidak bisa menyelesaikan masalah
karena background pasti bebas. Maka yang diambil untuk penelitian ini adalah
metode menghitung area segmentasi biner kulit yang terpisah dengan convex hull[5].
Deteksi wajah untuk membedakan wajah orang dewasa dan wajah bayi harus
dilakukan[9] Hal ini untuk mengurangi jumlah false positive karena bayi bukan
termasuk objek porno.
8

Pada penelitian ini, dilakukan implementasi pengolahan citra untuk dapat
mendeteksi objek porno seluruhnya, atau memperlihatkan bagian vitalnya seperti
payudara dan kelamin; namun juga mendeteksi objek yang berpakaian tetapi masih
porno seperti orang berbikini. Untuk mengurangi false positive ditambahkan
algorithma untuk membedakan wajah orang dewasa dan wajah bayi, karena bayi
bukan merupakan objek porno.
Dengan demikian hipotesis tentang metode yang digunakan dalam penelitian ini
adalah deteksi anggota vital tubuh dan deteksi kulit. Deteksi anggota vital dilakukan
dengan Haar untuk deteksi objek, kemudian dilakukan training pada algorithma Haar
untuk dapat mendeteksi objek pada perbedaan posisi. Kemudian dioptimasi dengan
CPU+GPU untuk meningkatkan kecepatan. Deteksi kulit dilakukan untuk mendeteksi
objek yang berpakaian tapi masih porno. Metode yang diimplementasikan adalah
deteksi kulit berbasis segmentasi YCrCb. Kemudian dari citra biner hasil segmentasi
kulit yang terpisah disatukan dalam Convex hull area. Sehingga didapatkan parameter
untuk mendeteksi objek porno dengan rasio area segmentasi kulit dengan rasio area
convex hull. Kemudian ditambahkan deteksi haar untuk wajah, didapatkan parameter
perbandingan area kulit pada wajah dengan area kulit di bagian lainnya untuk
mengantisipasi foto closeup. Ditambahkan juga deteksi bagian tubuh vital sebagai
aspek rasio bentuk dan jarak dengan area segmentasi kulit. Untuk mengurangi false
positive metode fisherfaces digunakan untuk membedakan wajah orang dewasa dan
bayi, karena bayi bukan merupakan objek porno. Demikian hipotesis penelitian yang
beserta metodenya yang akan dikerjakan dan diuji hasilnya pada penelitian ini.
Berikut hubungan antara metode yang dilakukan peneliti dengan penelitian
sebelumnya sebagai tinjauan pustaka, ditunjukkan pada Tbl 1.

Tbl 1. Daftar Tinjauan Pustaka dan Penelitian yang dikerjakan
No. Nama Peneliti Metode yang digunakan Output
1. Wang, dkk - Deteksi haar untuk objek
putting.
- Deteksi porno dengan objek
putting
- Masih banyak terjadi false
positif akibat kemiripan
objek dan true negative
akibat perbedaan sudut.
9

Tbl 1. Daftar Tinjauan Pustaka dan Penelitian yang dikerjakan (lanjutan)
No. Nama Peneliti Metode Output
2. Lienhart, dkk - Modifikasi haar untuk
perubahan sudut posisi
objek
- Memungkinkan deteksi haar
objek pada sudut berbeda.
3, Pertsau, dkk -Paralelisasi CPU + GPU
untuk implementasi
deteksi Haar.
-Meningkatkan performa
deteksi haar dengan parallel
processing
4. Du, dkk - Implementasi meanshift
untuk tracking objek
- Performa tracking meanshift
lebih cepat dari haar, tetapi
seleksi area manual.
5. Tiwari, dkk - Menggunakan fisher face
untuk membedakan muka
bayi dan orang dewasa
- Membedakan wajah bayi
dan orang dewasa. Karena
bayi tidak termasuk porno,
6. Bassilio, dkk - Menggunakan color
mode YCbCr untuk
deteksi kulit.
- Hanya membandingkan
HSV dengan YCbCr, belum
ada metode untuk
mengkoreksi kesalahan
segmentasi YCbCr.
7. Zuo, dkk. - Mengkombinasi Haar dan
Skin Detection YCbCr
- Parameter dari jumlah
objek porno terdeteksi,
rasio kulit muka dengan
area kulit lain, rasio kulit
lain dan rasio luas pixel.
- Dapat mengurangi false
positive dibanding haar
atau skin detection saja, dan
menginkatkan akurasi
-
8. Lee, dkk - Segmentasi body area
dengan adabost classifier
dengan parameter bentuk,
luas area, dan jarak area
dengan wajah dan rasio
kulit tubuh dan seluruh
tubuh untuk deteksi porno.
- Dapat mengurangi error
false positive pada deteksi
kulit YCbCr karena warna
objek yang mirip dengan
kulit
- Dapat deteksi gambar
berbikini.
10

Tbl 1. Daftar Tinjauan Pustaka dan Penelitian yang dikerjakan (lanjutan)
No. Nama Peneliti Metode Output
9. Boirunga, dkk - Background substraction
untuk mensegmentasi area
seluruh bagian tubuh.
- Area tubuh diperbaiki
noisnya dengan ANN
threshold
- Deteksi porno didapat dari
perbandingan area kulit
dengan body segment.
- Metode segmentasi seluruh
tubuh kurang baik, karena
gambar background harus
statis jika menggunakan
background substraction..
10. Karavarmis,
dkk
- Melokalisasi area body
keseluruhan dengan
convex hull
- Deteksi porno dilakukan
dari rasio area kulit
dengan rasio area convex
hull.
- Citra binner hasil
segmentasi kulit yang
terpisah disatukan dengan
convex hull, untuk estimasi
body area.
- Dapat mendeteksi objek
yang berbikini
11. Rahadian - Haar untuk deteksi
objek vulgar
- Optimasi parallel
processing pada haar
detect.
- YCbCr untuk skin
detection
- Fisherfaces untuk
membedakan orang
dewasa dan bayi.
- Convex Hull untuk
segmentasi body area

- Dapat mendeteksi objek
yang telanjang bulat
dengan deteksi objek
organ vital dan deteksi
kulit.
- Dapat mendeteksi objek
yang tidak telanjang bulat
tapi masih porno seperti
orang berbikini, dengan
rasio kulit terdeteksi dan
area tubuh convex hull
- Dapat membedakan
wajah orang dewasa
dengan bayi, karena bayi
tidak termasuk porno.
11


2.2 Dasar Teori
2.2.1 Deteksi Warna RGB dan HSV
RGB (Red, Green, Blue) adalah citra pada gambar terdiri dari tiga pola citra
independen, satu di masing-masing warna primer: merah, hijau dan biru. Komposisi
warna tertentu adalah dengan menentukan jumlah dari masing-masing komponen
utama. Pada Gambar 3.11 ditunjukkan tentang geometri dari model warna RGB untuk
menentukan warna dengan menggunakan sistem koordinat Cartesian. Spektrum
Greyscale, yaitu warna-warna yang terbuat dari jumlah yang sama dari masing-
masing primer, terletak pada garis yang menghubungkan simpul hitam dan putih.

Gambar 3.11 Kubus Model RGB (Hu, 2002)

Misalkan saja warna kuning, ia adalah hasil (merah + hijau), cyan (biru +hijau) ,
magenta (merah +biru), dan putih (merah+ hijau+biru). Sedangkan model HSV yang
terdiri dari 3 komponen yaitu hue, saturation, value. Value terkadang disamakan dengan
tingkat kecerahan. Model HSV dibuat oleh Alvy Ray Smith pada tahun 1978. HSV
dikenal juga sebagai model warna hex-cone. Hue, merepresentasikan warna, hue adalah
sudut diantara 0 sampai dengan 360 derajat.Konsep model warna HSV ditunjukkan oleh
Tabel 3.1 tentang konsep sudut dan warna pada derajat Hue, dan Gambar 3.12 tentang
Diagram model warna HSV dalam bentuk kerucut.
12

Tabel 3.1 Nilai sudut dan warna
pada Hue (Hu, 2002)

Sudut () Warna
0-60 Merah
60-120 Kuning
120-180 Hijau
180-240 Cyan
240-300 Biru
300-360 Magenta


Gambar 3.12 Kerucut HSV, (Sequin,
2011)

Pada Gambar 3.12 dijelaskan konsep Saturation mengindikasikan range/batas
dari tingkat keabu-abuan dalam ruang warna/color space. Yaitu dari nilai 0-
255(Grayscale), Jadi ada keadaan abu-abu antara nilai 0 dan 1. Saturation akan jadi
ukuran operasi threshold pada penelitian ini. Value adalah tingkat kecerahan (brightness)
dari warna dan nilainya bervariasi dan berhubungan dengan saturation. Nilainya berkisar
dari dari 0-100%. Saat 0 nilainya hitam total, dengan peningkatan nilai value maka
tingkat kecerahannya bertambah. Kelebihan model HSV adalah karena mendekati warna
yang dirasa indra manusia, sehingga sering digunakan dalam pengolahan citra terutama
pendeteksian suatu objek dengan warna tertentu.
2.1.1 Transformasi Haar Wavelet
Wavelet merupakan gelombang sederhana yang mempunyai kemampuan
memisahkan energi sinyal yang berbeda pada koefisien waktu. Wavelet Haar
merupakan Wavelet yang paling sederhana. Gambar 2.8 berikut merupakan
gelombang Wavelet Haar.


Gambar 2.8 Gelombang Wavelet Haar
Berdasarkan Gambar 2.8, fungsi Wavelet Haar (t) dapat didefinisikan
sebagai berikut.
13

()
{

]
[

]

(2.7)
Berdasarkan Persamaan (2.7) yang merupakan persamaan Wavelet Haar dapat
didefinisikan

yaitu:

()

(2.8)
Berdasarkan Persamaan (2.8) konstanta 2j dipilih sehingga skalar
<<

(R). Jika dianggap fungsi Wavelet pada pada interval selain


[0,1], normalisasi kontanta akan berbeda. Sebagai contoh

= Haar (1,t),

= Haar
(1,t),

= Haar (3,t),

= Haar (4,t),

= Haar (5,t),

= Haar (6,t),

= Haar
(7,t). Umumnya

= Haar(2j+i,t). Contoh ini mengikuti juga fungsi

(t) merupakan
ortogonal untuk satu sama lain. Fungsi scaling Haar dapat digambarkan sebagai
berikut.
() {
[]

(2.9)
Berdasarkan Persamaan (2.9) dengan sifat dari fungsi Wavelet untuk fungsi
scaling dapat didefinisikan sebagai berikut.

()

(2.10)
konstanta 2j pada Persamaan (2.10) dipilih sehingga fungsi skalar yaitu

(R).
2.3
2.3.1 Haar Detection
Haar Wavelet mendeteksi objek berdasarkan ekstraksi cirri dari suatu gambar
digital. Cara kerja algoriuthma ini membandingkan gambar positif dan negative untuk
mendapatkan deskripsi cirri. Fitur Haar ada 3 yakni deteksi tepi (Edge features),
deteksi garis (Line Features) dan deteksi tengah (Center Surrounded Features)

Gbr 1. Fitur Haar Wavelets
14


Nilai dari Haar-like Features adalah perbedaan antara jumlah nilai pixel abu-abu
(gray level pixels) dalam daerah kotak hitam (B) dan daerah kotak putih (W) seperti
terllihat pada Persamaan (1).
() ()

()

()
2.2.2 Integral Image
Area Haar Like feature dapat dihituing secara cepat menggunakan Integral Image.
Integral Image pada lokasi x,y mengandung jumalh nilai piksel diatas dan dikiri dari
lokasi x,y. Penjelasan tersebut dijelaskan pada Gbr 2.

Gbr 2. Integral Image pada lokasi x,y
Nilai Integral Image dari Gambar 2 dapat dicari dengan Persamaan (2) :
( ) (

) ()



Pada Gbr 2. (x,y) adalah nilai piksel dari gambar pada posisi x,y,s(x,y) adalah
kumulatif jumlah kolom. Integral Image dapat dihitung dengan single pass.
Mekanisme perhitungan single pass dijelaskan pada Gbr 3.

Gbr 3. Perhitungan pada integral image


2.2.3 Stage Classifier
Stage Classifier dibuat dengan algoritma adaptive-boost (AdaBoost). Algorithma
tersebut mengkombinasikan banyak performa weak classifier untuk menghasilkan
strong classifier. Weak classifier dalam hal ini adalah nilaid ari Haar-like Feature.
Jenis AdaBoost yang digunakna adalah Gentle Adaboost.

15


2.2.4 Cascade Classifier

Gbr 4. Stage dan Cascade Classifier
Cascade Classifier adalah sebuah rantai stage classifier, dimana setiap stage
classifier digunakan untuk mendeteksi apakah di dalam sub window terdapat objek
yang diinginkan (Object of Interrest). Gambar 4 menjelaskan bahwa proses untuk
mendapatkan weight classifier didapatkan dari beberapa tahap weak classifier. Jadi
semakin banyak stage, makin detail klasifikasi objeknya.

2.2.5 Skin detection YCrCb
Metode skema warna YCrCb digunakan untuk mendeteksi kulit apapun warna kulit
tersebut. Skema warna YCrCb bekerja lebih baik daripada HSV yang hanya dapat
mendeteksi suatu warna kulit. YCrCb bekerja dengan memanfaatkan perbedaan
chromatic red (Cr) dan blue(Cb) untuk mengindentifikasi kulit. Kemudian Y
digunakan untuk mengukur luma (kecerahan) namun tidak seperti Value pada HSV
yang sangat terpengaruh dari intensitas cahaya[3]. Konversi dari RGB ke YCrCb
ditunjukkan pada perkalian matriks pada Persamaan (3) [3]. Hasil konversi warna dari
RGB ke YCrCb ditunjukkan pada Gbr 5.
[

] [

] [

] [

] ()

Gbr 5. Konversi warna dari RGB ke YCrCb [3].

16


2.2.6 Convex Hull
Convex Hull adalah algorithma pada pengolahan citra yang menghitung titik
terluar yang homogen dengan titik-titik di sekelilingnya. Contohnya pada citra 2
Dimensi, yang merupakan titik terluar adalah titik teratas, terbawah, dan titik paling
kanan serta paling kiri[5]. Kemudian Convex hull akan menghubungkan dengan titik
terluar. Ilustrasi hasil kerja Convex Hull ditunjukkan pada Gbr 6.

Gbr 6. Hasil pencarian titik terluar dengan Convex Hull[5].

2.2.7 Fisherfaces
Fishers Linear Discriminant menjadi dasar dari algorithma Fisherfaces
menggunakan matriks transformasi W yang dapat memaksimalkan rasio antara
determinan between-class scatter (Sb) debgab within-class scatter (Sw) dari vector
ciri melalui persamaan (4) [9] :

|
|

|
()
[

]

[

] merupakan m buah vector eigen (dalam bentuk vector baris)


dari rasio antara S
B
dengan S
W
, yang bersesuaian dengan m buah nilai eigen terbesar.
Jika w
1
adalah vector eigen dari rasio antara matriks S
B
dengan matriks S
W,
yang
bersesuaian dengan m buah nilai eigen terbesar. Jika w
i
adalah vector eigen dari rasio
antara matriks S
B
dengan matriks S
W
, dan d
i
merupakan nilai eigen yang bersesuaian,
maka dapat ditulis pada Persamaan (5) [9].

()
Dimana i=1m dan


17

Matriks S
B
dan S
W
dapat diperoleh melalui Persamaan (6) dan (7) [9].

) ()

().
Dimana N
i
adalah jumlah anggota kelas X
i
dan
i
adalah rata-rata citra anggota kelas
X
i
, i=1.C.
Suatu Citra dengan lebar dan tinggi mempunyai tiap pixel yang memiliki derajat
keabuan antara 0-255. Dari suatu vector citra wajah dapat dibentuk suatu baris vector
wajah pada Persamaan (8) [9].

] ( ) ()
Dengan demikian vector citra dapat membentuk matriks input N*n untuk input
training vector fisherfaces. Matriks masukan tersebut dituliskan pada Persamaan (9)
[9].

( ) (9)








3.1 Alat dan Bahan Penelitian
3.1.1 Alat Penelitian
Pengembangan software dilakukan dengan menggunakna tools sebagai berikut :
Frameworks OpenCV
OpenCV (Open Source Computer Vision) adalah library / pustaka fungsi
pemrograman untuk pemrosesan waktu nyata pada computer vision. OpenCV dirilis
dibawah lisensi BSD, gratis untuk digunakan untuk kegunaan akademis maupun
untuk fungsi komersial[13].
OpenCV adalah library Open Source untuk Computer Vision untuk C/C++.
Dengan sistem pemrosesan 2D dengan berbagai fitur dari mulai preprocessing,
18

metode segmentasi dan klasifikasi berbasis kecerdasan buatan. Seluruh pemrosesan
citra pada penelitian ini menggunakan frameworks OpenCV.

Frameworks OpenCL
Frameworks OpenCL memungkinkan untuk di built dengan OpenCV, sehingga
pemrosesan yang awalnya single task, menjadi paralel processing. OpenCL
memungkinkan pembagian tugas antara CPU dan GPU untuk mempercepat
pemrosesan citra[14]. Pada penelitian ini paralel processing digunakan untuk
mempercepat detection time pada deteksi berbasis Haar.
Bahan
Bahan pada penelitian ini adalah image atau video yang mengandung objek porno
dan tidak porno seperti ditunjukkan pada Gbr 7. Untuk objek porno terdiri dari objek
orang yang telanjang bulat dan orang yang berpakaian tapi masih porno seperti orang
berbikini. Untuk objek non porno dikombinasikan yakni citra jarak jauh dan citra
close up untuk menguji akurasi sistem, serta citra bayi untuk membedakan antara
orang dewasa dan bayi karena bayi tidak termasuk objek porno.


(a)
Citra Telanjang Bulat
(Sengaja Dikaburkan)
[4]

(b)
Citra Berbikini
(Sengaja Dikaburkan)
[12]

(c) Citra tidak porno [3]

19


(d) Citra Bayi (tidak porno)[9]
Gbr 7. Jenis Citra Bahan Penelitian, (a) Citra Telanjang Bulat, (b) Citra
Berbikini, (c) Citra Tidak Porno, (d) Citra Bayi.


3.2 Metode Penelitian
3.2.1 Analisis Kebutuhan Sistem
Kebutuhan Sistem Server
Analisis Kebutuhan Server digunakan untuk pertukaran service data. Server akan
menginterupsi proses download ke client untuk dialihkan ke penyaring video. Delay
interupsi yang diberikan untuk menyaring video adalah 5-10 detik. Server juga
melakukan preprocessing gambar/ video untuk menyamakan ukuran frame dan
banyak frame tiap second untuk pemrosesan video. Penjelasan disajikan pada Tbl 2.
Tbl 2. Kebutuhan Sistem Server
Delay : 5-10 detik
Ukuran frames : 640 x 480 px
Frame per seconds (FPS) : 5 FPS

Kebutuhan Pemroses Video/ Gambar
Pemrosesan Video/ Gambar pada penelitian ini menggunakan laptop. Spesifikasi
laptop dalam penelitian ini dijelaskan pada Tbl 3.
Tbl 3. Kebutuhan Pemroses Video/ Gambar
Processor : AMD Quad Core A8 2.4 GHz
RAM : 4 Gb DDR3
GPU : Hybrid HD 7470 M + HD 7640G 1 GB
20


Kebutuhan Image/ Video Processing
Kebutuhan untuk software pengolah citra, dan atribut-atributnya dijelaskan pada
Tbl 4.
Tbl 4. Kebutuhan Image/ Video Processing
Bahasa : C/C++
Frameworks : OpenCV
Platform : Windows
Paralel Processing Frameworks : OpenCL










3.2.2 Rancangan Penelitian
Rancangan Penelitian umum
Penelitian tentang content filtering berbasis image/ video merupakan satu penelitian
pada induk penelitian Content Filtering berbasis Sistem Server. Filtering lainnya
adalah berbasis teks dan suara. Penjelasan tentang penelitian dijelaskan pada Gbr 8.
21

Start
Interupsi
Downloading ke
Client
Gambar/ Video
Sampling;
Image Resizing 640 x
480;
FPS = 5 FPS
Mengirim Kontent
ke Terminal
Filtering
Image/ Video
Processing
Text Processing Sound Processing
Positif Porno?
Diblok
Ya
Diteruskan ke
Client
Return

Gbr 8. Skema Content Filtering Secara Garis Besar.

Pada Gbr 8 dijelaskan bahwa sistem pemfilteran konten terdiri dari pemfilteran
teks pemfilteran gambar/ video dan pemfilteran suara. Pada penelitian ini diteliti
mengenai pemfilteran berbasis gambar/ video, sementara pemfilteran yang lain
dikerjakan oleh penelitian lain yang tergabung dalam 1 Grup Content Filtering.
Pada Gbr 8 terlihat bahwa server melakukan interupsi dan image/vide
preprocessing ketika client melakukan pendownloadan content. Interupsi ini
bertujuan untuk mengirimkan content ke komputer pemfilter, dan memberi waktu
bagi pemrosesan konten dan mengirimkan feedback hasilnya ke server. Frame
Preprocessing agar supaya input frame image/video yang masuk mempunyai ukuran
frames sama yakni 640x480, serta sampling video agar jumlah frame per seconds
pada video dapat berkurang, untuk mengurangi beban pemrosesan tiap frames.
Idealnya server memberi waktu delay sekitar 5-10 detik untuk client melakukan
22

filtering, apabila lebih dari itu maka komputer server akan meloloskan kontent.
Karena dikhawatirkan akan mengganggu traffic pada server.

Rancangan Penelitian Khusus Image/ Video Processing
Rancangan penelitian khusus tentang Content Filtering berbasis Image/ Video
Processing ditunjukkan pada Gbr 9.
Start
Inisialisasi Frames
640x480. l
Mode : RGB, YCbCr,
dan Binnary
Deteksi Haar Objek Wajah;
Deteksi Haar Objek Vital
Deteksi Fisherfaces
Konversi RGB ke YCrCb;
Segmentasi area Kulit.
Perhitungan Homogenisasi citra biner
segmentasi kulit dengan Convex Hull Sebagai
Asumsi Area Tubuh
Klasifikasi :
1. Rasio area kulit pada wajah dengan
area kulit di bagian lain
2. Rasio area kulit pada selain wajah
dan area convex hull (asumsi area
seluruh tubuh)
3. Organ vital terdeteksi?
4. Posisi antara wajah dan area kulit
tubuh dan bagian vital?
Positif Porno?
Kirim Sinyal tidak
Porno ke Server
Kirim Sinyal Porno
ke Server untuk di
blok
Ya
Tidak

Gbr 9. Diagram alur Content Filtering berbasis I mage/Video Processing

Pada Gbr 9 menunjukkan Content Filtering dimulai dari inilisialisasi frames.
Ukuran frames ini adalah 640x480, dalam mode RGB (3 channel), YCrCb (3channel)
dan Binnary (1 Channel). RGB untuk deteksi bentuk bagian tubuh dengan Haar cukup
dengan RGB. YCrCb untuk mensegmentasi warna kulit, serta binary untuk melihat
area segmentasi kulit.
23

Kemudian dilakukan deteksi wajah dan bagian vital dari objek citra. Deteksi
wajah untuk meyakinkan bahwa citra tersebut adalah orang, dan untuk
membandingkan area kulit pada wajah dengan area kulit bagian lain untuk
menghindari gambar closeup yang bukan porno. Deteksi bagian tubuh vital seperti
payudara dan kelamin untuk mendeteksi objek yang telanjang bulat atau
menampakkan bagian tubuh vitalnya. Deteksi fisherfaces dilakukan untuk
membedakan wajah orang dewasa dengan wajah bayi. Karena bayi tidak merupakan
objek yang porno meskipun bugil.
Kemudian apabila tidak ada bagian vital terlihat tapi masih porno seperti citra
berbikini, maka diantisipasi dengan deteksi warna kulit dengan konversi RGB ke
YCrCB.Perbedaan Chromatic biru dan merah mampu mendeteksi kulit apapun
warnanya. Sedangkan Y (luma) dapat mengurangi tingkat error pencahayaan dripada
sistem Value intensitas warna pada HSV.
Perhitungan Convex Hull dilakukan untuk menggabungkan dan menghitung area
dari hasil biner segmentasi kulit yang terpisah oleh suatu objek non kulit. Hal ini
untuk menghitung besar luas area seluruh tubuh. Area seluruh tubuh ini akan
dibandingkan dengan luas area kulit untuk acuan klasifikasi konten porno.
Kemudian dari proses yang dilakukan, didapatkan beberapa dasar acuan untuk
mengklasifikasikan objek porno atau tidak. Dasar-dasar itu adalah Rasio kulit pada
wajah dengan area kulit di bagian lain. Hal ini untuk mengantisipasi apabila foto
tersebut diambil secara closeup padahal bukan citra porno. Kemudian Rasio area kulit
pada selain wajah dengan area convex hull yang berarti area seluruh tubuh. Kemudian
apakah ada orgam vital seperti payudara dan kelamin yang terdeteksi. Kemudian yang
terakhir bagaimana posisi antara wajah, area kulit dan kelamin untuk lebih
meyakinkan klasifikasi citra porno atau tidak.
Kemudian yang terakhir dilakukan klasifikasi citra porno dan non porno.
Komputer pemroses akan mengirimkan sinyal feedback ke server untuk menandai
citra tersebut porno atau tidak. Sehingga server akan segera mengeblok atau
meneruskannya ke client pengguna yang mendownload content.
4 Jadwal Penelitian:
Penelitian dilaksanakan mulai semester 2 tahun ajaran 2013/2014 dengan waktu
yang dijelaskan pada Tabel 5. .
24

Jadwal Rencana Kegiatan Penelitian
No Deskripsi Kegiatan 2014
Jan Feb Mar April Mei Juni Juli
1 Kajian pustaka.
2 Identifikasi permasalahan dan
kajian system

3 Perencanaan dan simulasi di
sistem desktop dan server

4 Implementasi prototype system
server dan penyempurnaan
program

5 Pembuatan Laporan Tengah
penelitian.

6 Pengujian Sistem Content
Filtering keseluruhan dan
penyempurnaan

7 Dokumentasi dan Laporan
Tahun.


Daftar Pustaka :

[1] Pemerintah Indonesia, Undang-Undang Pornografi, Undang. Repub. Indones.
Nomor 44 Tahun 2008.
[2] Y. Andriariza, The Comparison Analysze of The Three Negative Content Filter
(K9 Web Protection, Net Dog and The Nawala), Pus. Penelit. Dan Pengemb.
Apl. Inform. Dan Inf. Komun. Publik Vol. 14 No 1 Juni 2012.
[3] J. A. M.Basilio, G. A. Torre, G.S.Prez, L. K. T. Medina, and H. M. P.Meana,
Detection of Pornographic Digital Images, Int. J. Comput. Issue 2 Vol. 5 2011.
[4] Y. Wang, J. Li, H. Wang, and Z. Hou, Automatic nipple detection using shape
and statistical skin color information, vol. 5916 LNCS. 2009.
[5] S. Karavarsamis, N. Ntarmos, K. Blekas, and I. Pitas, Detecting pornographic
images by localizing skin ROIs, Int. J. Digit. Crime Forensics IJDCF 2009.
[6] R. Lienhart and J. Maydt, An extended set of Haar-like features for rapid object
detection, 2002, vol. 1, p. I/900I/903.
[7] D. Pertsau and A. Uvarov, Face Detection Algorithm Using Haar-Like Feature
for GPU Architecture, 7 Th IEEE Int. Conf. Intell. Data Acquis. Adv. Comput.
Syst. Technol. Appl. 12-14 Sept. 2013 Berl. Ger.
[8] K. Du, Y. Ju, Y. Jin, G. Li, S. Qian, and Y. Li, MeanShift tracking algorithm
with adaptive block color histogram, 2012, pp. 26922695.
[9] S. Tiwari, A. Singh, and S. K. Singh, A Facial Expression Recognition Method
for Baby Video Survailence, Int. J. Comput. Appl. 0975 8887 Vol. 52 No4
August 2012.
[10] H. Zuo, W. Hu, and O. Wu, Patch-based skin color detection and its
application to pornography image filtering, 2010, pp. 12271228.
[11] J.-S. Lee, Y.-M. Kuo, P.-C. Chung, and E.-L. Chen, Naked image detection
based on adaptive and extensible skin color model, Pattern Recognit., vol. 40,
no. 8, pp. 22612270, 2007.
25

[12] H. Bouirouga, S. El Fkihi, A. Jilbab, and D. Aboutajdine, Skin detection in
pornographic videos using threshold technique, J. Theor. Appl. Inf. Technol., vol.
35, no. 1, pp. 719, 2012.
[13] G. Bradski and A. Kaehler, Learning OpenCV, OReilly Publ. New Yorks
2009.
[14] R. Tay, OpenCL Parallel Programming Development Cookbook, PactPub
Publ. N. Y. August 2013.
26

LAMPIRAN