BAB II

TINJAUAN PUSTAKA
2.1 Studi Literatur

Putri mandarani. Nandi ade Suhendri, pada penelitiannya pada tahun 2018 dengan
judul Pengaruh Manipulasi Nilai Kontras, Kecerahan Dan Warna Gambar Terhadap Rating
Image Marker Pada Augmented Reality. Pada penelitian ini mencoba mencari gambar yang
yang memiliki kualitas rating yang baik untuk dijadikan marker dengan memanipulasi nilai
kontras dan kecahayaan pada setiap sample gambar, serta melihat perbedaan hasil rating
dengan memanipulasi nilai kontras dan kecahayaan dengan berbagai nilai yang
ditambahkan. Dengan hasil penelitian yang menunujukkan bahwa dengan peningkatan
yang dilakukan terhadap kontras dan pencahayaan sangat berpengaruh terhadap rating
yang didapat pada TMS.

Feng zhou, Henry bin lim duh. Mark billinghust, pada penelitiannya tahun 2008
dengan judul Trends in Augmented Reality Tracking, Interaction and Display: A Review of
Ten Years of ISMAR. ada beberapa metode AR yang dikembangkan, pada penelitiannya
ada tiga fokus penelitian dan pengembangan AR yaitu: pelacakan, interaksi dan tampilan,
kesimpulan ini didapat dari pengamatan dari paper yang dipublikasikan dari konferensi
seperti ISAR, ISMAR, ISMR dan IWAR. Berikut Tabel penelitian dan pengembangan AR.
Tabel 2.1 Pengembangan pada penelitian AR
Year
98 99 00 01 02 03 04 05 06 07 Total %
Category
Tracking 6 6 2 7 7 5 9 5 8 9 63 20.1
Interaction 2 9 2 6 3 1 3 8 9 7 46 14.7
Calibration 5 6 4 5 6 3 2 1 3 6 44 14.1
AR .App 6 7 2 9 5 8 2 2 1 4 45 14.4
Display 0 4 5 7 2 3 3 4 1 8 37 11.8
Evaluation 0 4 1 3 2 2 0 3 5 4 18 5.8
Mobile AR 1 0 1 1 0 1 1 1 3 4 19 6.1
Authoring 0 0 0 1 2 3 3 2 0 1 12 3.8
Visualization 0 0 0 2 1 3 0 2 3 5 15 4.8
Multimodal AR 0 2 0 0 0 0 1 0 3 2 8 2.6

4
 5

Rendering 0 2 1 2 0 1 0 0 0 0 6 1.9
Total 20 40 18 43 28 30 24 28 35 47 313 100

Katharina pentenrieder, Peter georg meier, metaio GMBH. Gudrun klinker, 2014
dengan judul penelitian “analysis of tracking accuracy for single camera square–marker-
based tracking”, Bereksperimen terhadap tingkat keakuratan pelacakan marker dan
mengidentifikasi parameter yang mempengaruhi tingkat akurasi pelacakan marker,
parameter yang digunakan pada penelitian ini adalah jarak kamera dalam menangkap
marker dan sudut kamera dalam menangkap marker serta gabungan keduanya. Kesimpulan
dari penelitian ini, parameter yang dipakai dapat mempengaruhi akuarasi pelacakan
marker
namun akurasi pelacakan bukan hanya dipengaruhi oleh parameter tersebut, ada parameter
yang lain seperti variasi pola dengan nilai masukkan yang berbada.
Aditya rizki yudiantika, Selo sulistyo, Bimo sunarfri hantono 2014 “pengaruh
karakteristik dan pencahayaan objek terhadap pelacakan tanpa penanda dalam ruangan
tertutup pada aplikasi mobile augmented reality” pada penelitian ini mengkaji pengaruh
karakteristik dan kondisi pencahayaan di sekitar objek pada aplikasi mobile AR untuk
ruangan tertutup. Pengujian dilakukan dengan menggunakan aplikasi AR untuk melacak
dua jenis objek yang mempunyai karakteristik yang berbeda, metode pelacakan yang
digunakan adalah SLAM (simultaneous localization and mapping) menggunakan Metaio
SDK. Dari hasil pengujian di peroleh warna cahaya tidak berpengaruh pada pelacakan
penanda namun faktor yang mempengaruhi pelacakan adalah intensitas cahaya yang
menerangi objek nyata. Selain itu, keberhasilan pelacakan juga ditentukan oleh bentuk
objek, corak objek serta jarak kamera dengan objek, jika corak objek seragam maka batas
tepinya akan sulit terdeteksi.
Risyan arif setiawan. Afdhol dzikri, 2016 dengan judul penelitian “analsis
penggunaan metode marker tracking pada augmented reality alat musik tradisional jawa
tengah”. Parameter yang digunakan pada penelitian ini adalah jarak pelacakan marker dan
warna RGB sampel biru dan kuning untuk pada marker untuk menampilkan objeck 3D alat
musik Jawa tengah kemudian membandingkan dua metode marker based tracking dan
markless hasil dari penelitiannya adalah single marker yang dengan warna kuning lebih
cepat terdeteksi dari pada single marker dengan warna biru serta markless lebih cepat
dalam menampilkan objek 3D.
Literatur yang diambil dari penelitian Putri mandarani dan Nandi ade suhendri
 6

menjelaskan bagaimana proses manipulasi sebuah gambar yang ingin dijadikan sebuah
marker, dengan tujuan dari kondisi gambar yang awalnya hanya mendapatkan 3 bintang
dan dilakukan proses manipulasi yang membuat kondisi bintang dapat meningkat.
Selanjutnya literatur dari Feng zhou dkk menjelaskan perkembangan tentang penelitian AR
dalam beberapa tahun terakhir, penelitian AR yang populer adalah seputar teknologi
tracking atau pelacakan. Jika berbicara teknologi AR bidang pelacakan, maka kita
berbicara tentang marker, marker adalah komponen terpenting dari metode AR pelacakan,
ada beberapa jenis marker yang digunakan yaitu gambar hitam putih atau marker based,
atau gambar atau pola berwarna, GPS, 3D objek, motion, face, untuk markless. Pada
penelitian yang dilakukan Aditya yudiantika dkk, warna cahaya yang menerangi marker
tanpa penanda tidak berpengaruh terhadap pendeteksian, yang mempengaruhi adalah
intensitas cahaya. Kemudian penelitian yang dilakukan Risyawan aris setiawan dkk
menyimpulkan bahwa single marker dengan warna kuning lebih cepat terdeteksi dari pada
single marker warna biru.
Pada penelitian ini penulis mencoba untuk mencari tahu pengaruh perbaikan
gambar yang akan dijadikan sebuah merker, dengan kondisi awal gambar tidak memiliki
sama sekali bintang pada saat dimasukkan ke TMS, maka dari itu penulis melakukan
perbaikan mulai dari mengatur bith depth, image size, format penyimpanan, kontras dan
kecerahan pada image marker. Selanjutnya penulis menguji hasil perbaikan gambar tadi
dengan melihat pengaruh hasil scan kamera yang kondisi awal sama sekali tidak dapat
dibaca dan tidak dapat menampilkan objek 3D, dan menguji pengaruh sudut, jarak serta
waktu yang ditempuh saat menampilkan objek dengan beberapa sampel yang memiliki
rating yang sama namun tidak dilakukan perbaikan.
2.2 Landasan teori

2.2.1 Augmented Reality

Menurut Ronald T. Azuma (1997) augmented reality adalah penggabungan benda-

benda nyata dan maya di lingkungan nyata berjalan secara interaktif dalam waktu nyata
dan terdapat integrasi antar benda dalam tiga dimensi, yaitu benda maya terintegrasi dalam
dunia nyata. Sejarah tentang augmented reality dimulai dari tahun 1957-1962 ketika
seorang penemu yang bernama Morton Heilig, seorang sinematografer menciptakan dan
mempatenkan sebuah simulator yang disebut Sensorama dengan visual getaran dan bau.
Pada tahun 1966, Ivan Sutherland menemukan head-mounted display yang dia klaim
adalah jendela ke dunia virtual.
 7

Tahun 1975 seorang ilmuwan bernama Myron Krueger menemukan videoplace

yang memungkinkan pengguna dapat berinteraksi dengan objek virtual untuk pertama
kalinya. Tahun 1989, Jaron Lanier memeperkenalkan virtual reality dan menciptakan
bisnis komersial pertama kali di dunia maya, Tahun 1992 mengembangkan augmented
reality untuk melakukan perbaikan pada pesawat Boeing dan pada tahun yang sama, LB
Rosenberg mengembangkan salah satu fungsi sistem AR yang disebut Virtual Fixtures
yang digunakan di angkatan udara AS Armstrong Labs dan menunjukan manfaatnya pada
manusia dan pada tahun 1992 juga, Steven Feiner, Blair Maclntyre dan Dorée Seligmann
memperkenalkan untuk pertama kalinya Major Paper untuk perkembangan Prototype AR.
Pada tahun 1992 Tom caudell seorang peneliti menerapkan augmented reality pada
perusahaan pesawat terbang Boing untuk membantu pekerja dalam perakitan dan
pemasangan kabel listrik pada pesawat dengan metode penerapan AR head-Mounted
display (HMD). Pada dasarnya augmented reality itu sendiri didefenisikan sebagai sebuah
sistem dimana elemen digital digabungkan dengan dunia nyata yang memberikan persepsi
pada pengguna yang melihat. Kemudian pada tahun 1994 Paul Milgran menyajikan reality
virtual continum atau disebut dengan mixed reality continum yaitu penggabungan antara
lingkungan nyata dan virtual. Sistem pada mixed reality bekerja dengan menggabungkan
objek digital dengan objek nyata untuk menghasilkan lingkungan yang baru dimana benda-
benda digital dan benda-benda pada lingkungan nyata saling berdampingan.

Gambar 2.1 Diagram mixed reality

(Sumber :Sanni siltanen, 2012)

Pada tahun 1997 Ronald T Azuma mempublikasikan sebuah hasil survey yang
komperhensif tentang augmented reality. Karena pesatnya perkembangan AR, pada tahun
2001 melakukan survey kembali dan menghasilkan sebuah defenisi augmented reality,
bahwa sistem ini mempunyai tiga karakteristik:
1. Kombinasi antara dunia nyata dan dunia virtual.
2. Berinteraksi secara real-time.
3. Diletakkan pada lingkungan 3D.
 8

Milgram dan Azuma mendefenisikan untuk menambah konten pada dunia nyata
atau virtual bahwa sistem dapat mengubah lingkungan dengan cara yang lain contoh
menghapus atau menyembunyikan konten. Pada tahun 2002 Mann menambahkan
pengembangan pada metode Milgram untuk mencari bentuk lain dari perubahan
lingkungan kemudian mengelompokkan menjadi dua bagian yaitu mediated reality dan
mediated virtuality. Pada mediated reality, persepsi seseorang terhadap dunia nyata
dimanipulasi dengan beberapa cara. Sebuah sistem dapat merubah lingkungan dengan cara
cang berbeda, menambahkan sesuatu (augmented) atau sebaliknya (dimished) atau kedua-
duanya (mudulated reality). Mann juga menyajikan hubungan antara area lingkungan

reality dan virtual dengan diagram venn.

Gambar 2.2 Lingkungan reality dan Virtual versi Mann

(Sumber :Sanni siltanen, 2012)
Defenisi dari augmented reality dan mixed reality secara umum banyak dipakai
pengertian dari Milgran, Azuma, Mann, namun jika dilihat pada masing-maisng defenisi
tentu terdapat perbedaan, diantara perbedaannya yaitu pemisahan pada lingkungan, seperti
pada lingkungan yang tidak stabil atau pada lingkungan yang saling bertentangan. Contoh
Mann mendefensisikan virtual reality adalah bagian dari mixed reality sedangkan Azuma
berpendapat bahwa virtual reality dan mixed reality adalah lingkungan yang saling
terpisah. Kita dapat mendefenisikan bahwa virtual reality (VR) adalah sebagai lingkungan
yang sepenuhnya terletak pada simulasi komputer, contoh yang paling sederhana dari VR
gambar 3D interaktif yang dapat pengguna lihat pada komputer yang biasanya dapat
dimanipulasi dengan tombol atau mouse. Sedangkan augmented reality adalah adegan
virtual nyata yang ditambah pada adegan nyata dengan bantuan komputasi komputer.
Sanni siltanen peneliti pada VTT augmented reality tim dari Finlandia merangkum defenisi
pada masing-masing taksonomi sebelumnya. Pada Gambar 2.3 dijelaskan dari kiri ke
kanan antara lingkungan nyata dan lingkungan virtual dan diantara keduanya teradapat
lingkungan gabungan antara nyata dan virtual atau mixed environment.
 9

Gambar 2.3 Mediated reality taxonomi

(Sumber :Sanni siltanen, 2012)

2.2.1.1 Augmented reality sederhana

Gambar 2.4 Flowchart sistem AR sederhana

(Sumber :Sanni siltanen, 2012)

Sebuah sistem AR sederhana terdiri dari kamera sistem komputasi dan tampilan.
Kamera akan menangkap gambar penanda kemudian akan menampilkan objek di atas
penanda tersebut di dalam perangkat. Pada sistem AR sederhana mempunyai alur kerja
dimana kemera menangkap marker kemudian melacak lokasi yang sesuai dan menghitung
titik lokasi yang tepat dan orientasinya untuk menampilakan objek virtual, kemudian
modul render menggabungkan gambar asli dan virtual menggunakan pose yang telah
dihitung dan menampilakan objek pada layar.
Modul pelacakan adalah jantung dari sistem augmented reality, modul ini akan
menghitung pose relatif pada kamera secara real-time atau dengan istilah DOF (degree of
freedom) yaitu lokasi tiga dimensi dan orientasi objek tiga dimensi pada lingkungan,
dengan modul pelacakan sistem memungkinkan untuk menambahkan komponen virtual
sebagai bagian dari objeknya. Perbedaan yang sangat mendasar pada sistem AR adalah
objek dirotasi dan ditransformasi pada koordinat 3 dimensi lingkungan. Marker dapat
 10

dijadikan sebagai bahan pertimbangan untuk menentukan metode pelacakan.

Pada modul render gambar vitual diletakkan diatas gambar yang ditangkap kamera,
adegan virtual diproyeksikan pada gambar menggunakan kamera kemudian objek virtual
di render dan diletakkan pada gembar tersebut. Pada augmented reality cara tersebut
menggunakan kamera yang identik dengan sistem kamera nyata, sistem harus mampu
membaca objek yang ditangkap kamera pada dunia nyata dan memahami karakteristik dari
optik kamera, proses ini disebut dengan kalibrasi kamera. Kalibrasi kamera dapat menjadi
bagian dari sistem AR atau menjadi proses yang terpisah dari sistem. Berbagai perangkat
dapat mendukung sistem AR diantaranya personal komputer, laptop, mini-PC ponsel atau
perangkat lain yang memiliki sistem komputasi seperti komputer atau tergantung pada
implementasi AR yang akan diterapkan seperti menggunakan kamera tambahan.
2.2.1.2 Penerapan teknologi augmented reality

Pelacakan adalah metode AR untuk mengaktifkan pengukuran yang akurat

mengenai bagaimana dan darimana konten bertambah harus diberikan. Teknologi AR
melibatkan pelacakan dari sudut pandang pengguna, akurasi pelacakan dalam beberapa
penerapan AR menjadi hal yang sangat penting karena akan menentukan posisi objek yang
ditambah ke objek nyata secara tepat. Menurut Feng Zhou dkk dalam penelitiannya teknik
pelacakan berfokus pada tiga pengembangan yaitu : sensor based tracking, vision based
tracking, dan hybrid tracking.
a. Sensor based Tracking technique

Pada teknik sensor based tracking technicque menggunakan bantuan sensor

untuk pelacakan marker seperti sensor magnetik, akustik, inersia, optik dan mekanika
sensor. Masing-masing sensor tersebut memiliki kelebihan dan kekurangan, misalnya sensor
magnetik dapat bekerja pada cahaya yang terang namun mudah terpengaruh oleh bahan yang
mengandung logam yang dapat menggangu medan magnet. Sensor yang digunakan untuk
metode ini terus dikembangkan sehingga tingkat keakuratan pada pelacakan dapat terus
meningkat. Sebagai contoh sensor ultrasonik dapat digunakan untuk menyediakan area yang
memiliki cakupan yang luas. Pengembangan pada teknik ini terus ditingkatkan dan percobaan
dalam menggabungkan berbagai jenis sensor untuk pelacakan yang lebih akurat.
b. Vision based tracking technique

Pada metode vision based tracking technique bergantung pada cabang ilmu
komputer vision atau visi komputer untuk penerapannya. Teknik ini membuat objek
 11

marker visual yang tercetak dilacak oleh kamera perangkat kemudian menjadi data
visual yang dapat diolah oleh komputer, data tersebut akan dijadikan untuk
menampilkan objek pada AR
c. Hybrid tracking technique

Hybrid tracking technique adalah penerapan teknologi AR yang menggabungkan

teknik sensor based tracking dan vision based tracking. Pada teknik ini kedua teknik
sebelumnya dipakai untuk pelacakan marker yang lebih akurat. Marker akan dilacak
dengan sensor optik kemudian informasi yang terdapat pada marker akan diterjemahkan
dengan algoritma komputer visi untuk menambahkan objek AR. Hybrid tracking teknik
ini dikembangkan karena pada penerapan AR dengan satu metode saja tidak
memberikan akurasi pelacakan yang kuat oleh karena itu dikembangkan teknologi yang
dapat memberikan pelacakan yang lebih akurat. Sebagai contoh Azuma mengusulkan
bahwa teknologi AR dengan cakupan daerah yang lebih luas dapat dibantu dengan
sistem pelacakan menggunkan global positioning System (GPS) atau penginderaan
komputer visi.
2.2.1.3 Tipe marker dan indentifikasi

a. Template marker

Template marker adalah gambar hitam putih sederhana memiliki garis tepi
dengan gambar hitam ditengahnya. Sistem pendeteksian biasanya membandingkan
gambar tersegmantasi dengan template pananda atau marker. Template marker adalah
sampel dari gambar marker, setiap template marker memiliki ID dan nama yang unik
berbeda antara satu dengan yang lain.

Gambar 2.5 Template marker

(Sumber :Sanni siltanen, 2012)

Pendeteksian marker adalah versi sederhana dari masalah pencocokan template.

secara umum, proses pendeteksian marker mendefenisikan daerah pencocokan,
sedangkan masalah umum pada pencocokan adalah ukuran dan orientasi dan bidang
 12

pencocokan tidak diketahui. Sebuah template marker adalah sampel gambar dari
marker. Pada pencocokan template, pendeteksian penanda menggunakan pose kamera
sabagai perhitungan diskalakan dengan ukuran yang sama besar sebagai penanda
kemudian dibandingkan dengan empat posisi yang berbeda-beda. Jika template
memiliki persamaan nilai yang paling mendekati adalah marker yang tepat orientasi
yang sama pada pencocokan template yang terbaik, jika persamaan nilai lebih rendah
dari ambang batas, maka sistem akan menolak penanda tersebut.

Gambar 2.6 Contoh template marker

(Sumber :Sanni siltanen, 2012)

Contoh Gambar 2.6 adalah sebuah marker, pada gambar ditengah ukuran
template 16 x 16, dan pada gambar disampingnya marker dideteksi pada gambar dengan
sampling grid ukuran 16 x 16. Sistem memproyeksikan dari pusat gambar dengan
semua sel template ke koordinat gambar menggunakan perhitungan pose kamera,
kemudian nilai piksel dibaca dari gambar greyscale, nilai yang dibaca adalah nilai
terdekat dari nilai yang disimpan atau mean terdekat dari piksel atau nilai rata-rata dari
semua piksel dalam sampling grid sel.
b. 2D barcode marker

Marker 2D adalah penanda yang terdiri dari sel-sel data hitam dan putih yang
mempunyai batas tepi atau terpusat. Pada proses pendeteksian marker sistem
menghitung nilai-nilai piksel sampel dari tengah setiap sel dan kemudian menghitung
kebagian lainnya. Pada 2D barcode marker dapat dikategorikan menjadi 2 yaitu tipe
sederhana atau binary marker (ID marker) dan binary data marker.
 13

Gambar 2.7 Binary marker atau ID marker dan binary data marker
(Sumber :Sanni siltanen, 2012)

Binary marker atau ID marker terdiri dari kotak atau blok hitam dan putih yang
diinterpresentasikan sebagai nilai biner, binary marker mempunyai data yang sedikit,
biasanya hanya nilai biner, disebut 2D marker karena memiliki informasi ID marker
dan data marker. Data marker jika dilihat bentuknya sama dengan binary marker, tetapi
memiliki lebih banyak data.
Untuk marker biner yang memiliki nilai sel yang tetap perhitungan setiap pusat
sel dan ukurannya, pada aplikasi dilakukan dengan menggunakan metode inverse
perspektif yang diperoleh dari pose marker, nilai sel dapat menjadi nilai piksel dengan
posisi terdekat dari pembacaan marker. Nilai diinterpolasi dari empat piksel terdekat,
rata-rata N dari nilai piksel terdekat dan nilai median N terdekat. Untuk setiap sel sistem
mendapatkan nilai biner dari seluruh data pada marker dapat dipresentasikan sebagai
sebuah rangkaian dari nilai biner atau sebagai satu nomor biner dalam data matrik
sederhana. Nilai biner ini sama dengan ID marker.

Gambar 2.8 Decoding marker sederhana, marker ID 100110101=309

(Sumber :Sanni siltanen, 2012)

c. Barcode standar

2D barcode standar, data matrik, kode QR, dan PDF417 awalnya digunakan pada
pengembang untuk keperluan logistik tetapi juga dapat diterapkan pada aplikasi AR.
Implementasi yang paling populer untuk data matrik adalah penanda sebuah item pada
 14

komponen elektronik, penggunaan data matrik sangat scalable untuk produk komersil
dengan penerapan ukuran terkecil 300 mikrometer hingga 1 meter yang berbentuk
persegi, dan ukuran simbol bervariasi mulai 8 x 8 sel sampai 144 x 144 sel, yang
dapat mengkodekan sampai 3116 karakter dari simbol ASCII, data matrik juga
digunakan pada aplikasi mobile.

Gambar 2.9 Kode QR, Data matrik dan PDF417

(Sumber :Sanni siltanen, 2012)

Kode QR berbentuk 2 dimensi yang pertama kali dibuat oleh perusahaan asal
Jepang Denso-Wave corporation tahun 1994. Kode QR adalah singkatan dari quick
response yang dimaksud untuk mengkodekan dengan kecepatan tinggi. Kode QR
populer digunakan pada mobile tag dengan defecto standar Jepang. Kode QR juga
mendukung pengkodean kanji Jepang yang menjadikannya populer di Jepang dan lebih
fleksibel, memiliki kapasitas besar. Pada simbol kode QR tunggal dapat menampung
hingga 7089 karakter angka, 4296 karakter huruf, 2953 byte biner atau 1817 karakter
kanji, kode QR secara luas juga digunakan dalam aplikasi mobile AR.
PDF417 dikembangkan pada tahun 1991 oleh Symbol kemudian diakusisi oleh
Motorola. Satu simbol PDF417 terdiri dari beberapa baris barcode linear yang ditumpuk
antara satu dan lainnya, lebar rasio antara bar angka satu dan yang lain menyandikan
informasi dalam PDF417, untuk itu akurasi pada pencetakan amat penting untuk
menjaga kualitas dari simbol PDF417. Hal ini membuat PDF417 sangat cocok untuk
aplikasi AR ketika marker dibawah transformasi perspektif, pada PDF417 tunggal dapat
menampung hingga 1850 karakter Alphanumerik, 2710 digit atau 1108 byte atau
tergantung dari struktur data yang dikodekan.
d. Circular marker

Lingkaran diproyeksikan sebagai elips dibawah proyeksi perspektif. Posisi elips

terpusat lebih akurat dari posisisi persegi jika dihitung dengan cara perhitungan yang
normal. Pada persegi, titik pusat diestimasi dari setiap titik sudut. Pada marker
lingkaran piksel yang berada disekeliling digunakan untuk menghitung titik pusat, hal
ini membuat pusat elips tetap dan lebih stabil yang membuatnya lebih akurat. Akurasi
 15

dapat diakuratkan menggunakan beberapa lingkaran dalam satu lingkaran besar dengan
memberikan titik sejajar diantara lingkaran yang ada didalamnya.

Gambar 2.10 Bentuk marker lingkaran sederhana

(Sumber :Sanni siltanen, 2012)

Pada fotogrametri marker lingkaran umum digunakan karena memerlukan

ketelitian yang tinggi dan pengolahan secara offline pada lingkaran yang identik yang
dipetakan secara manual atau semi otomatis antara frame dengan frame. Aplikasi AR
adalah aplikasi yang berjalan real-time yang memerlukan perhitungan pada perkiraan
porsi kamera. Oleh karena itu, marker lingkaran jarang digunakan pada aplikasi AR
dikarenakan sifat AR yang memerlukan pendeteksian set marker. Perancangan set yang
besar pada marker persegi lebih mudah dari pada set marker lingkaran oleh karena itu
marker persegi lebih umum digunakan pada augmented reality. Kode marker lingkaran
memiliki posisi yang sangat akurat namun hanya memiliki satu titik koordinat. Untuk
perhitungan pose kamera perlu membaca beberapa titik kordinat sedangkan pada
penanda persegi memiliki empat titik sudut yang mendefinisikan pose relatif kamera.
Jika ingin mengunakan marker lingkaran pada aplikasi AR setidaknya harus
menyiapkan empat lingkaran pada lingkaran besar.
e. Penanda yang tidak terlihat(markerless)

Dengan menggunakan marker akan lebih nyaman dalam perhitungan pose.

Tetapi pada lingkungan tertentu atau pada situasi yang tidak diinginkan, apabila terjadi
masalah pada penanda terutama pada penanda dengan kualitas yang buruk. Kita dapat
menggunakan penanda yang bagus untuk dilihat seperti marker gambar. Sistem dapat
menggunakan marker yang tidak dapat dilihat oleh mata manusia namun dapat
terdeteksi oleh mesin contoh menggunakan gelombang cahaya tampak seperti
inframerah, gambar atau miniatur marker.
1. Marker gambar

Sebuah sistem penanda dapat menggunakan gambar natural atau gambar

 16

berwarna sebagai marker. Marker gambar biasanya memiliki frame atau landmark
untuk membantu pendeteksian dan dapat menimbulkan perhitungan tetapi saat ini tidak
diperlukan. Marker gambar biasanya diidentifikasi menggunakan template atau fitur
pencocokan. Pengembang sering menggunakan bingkai dengan marker pada aplikasi
yang membutuhkan akurasi yang tinggi untuk perhitungan pose pada perangkat mobile
dengan kapasitas pengolahan yang rendah contoh pada marker dibawah ini yang
digunakan oleh Stidierstube.

Gambar 2.11 Contoh frame marker, split marker, dan dot marker
(Sumber :Sanni siltanen, 2012)

Pada implementasi yang mendeteksi gambar tanpa bingkai memiliki keuntungan

pada aplikasi AR yang beroperasi pada lingkungan yang tetap dan tidak berubah,
sebagai contoh pada sebuah buku aplikasi AR dapat memberikan nilai tambah pada
sebuah buku tanpa merubah isi dari buku tersebut. Aplikasi AR dapat menggunakan
gambar pada buku sebagai marker untuk mengeluarkan objek virtual 3D atau animasi.

Gambar 2.12 Implementasi AR pada sebuah buku

(Sumber :Sanni siltanen, 2012)

Pada gambar diatas tampilan objek atau pola pada buku dapat dijadikan sebagai
marker gambar di atas contoh pengembangan yang dilakukan oleh VTT augmented
reality tim. Pada prosesnya aplikasi mendeteksi fitur natural dengan menghitung pose
relatif pada kamera, kemudian fitur dicocokan dengan referensi gambar pada sistem,
karakter animasi ditambah diatas buku Pada gambar natural sebagai marker,
menjadikan gambar tersebut seolah-olah bukan merker karena dibangun pada
lingkungan nyata tanpa merubah bentuk fisik dari gambar.
2. Infrared marker
Cahaya inframerah (IR) mempunnyai panjang gelombang pada range 750 – 1mm lebih
besar dari spektrum cahaya tampak pada range 380 – 770 nm, oleh karena itu tidak dapat
terlihat oleh mata manusia, namun pada kamera, dapat mendeteksi cahaya tersebut. pada
sebagian IR terdapat filter khusus untuk membatasi cahaya yang masuk terutama pada band IR
yang sempit. Sistem penanda IR dapat menggunakan cahaya yang berasal dari sistem tersebut.
 17

retro-revlective atau IR spotlight. Selain itu, cahaya proyeksi dari inframerah dapat dibuat
menjadi marker, sistem dapat mendeteksi marker IR dengan kamera IR khusus atau
menggunakan kamera IR biasa dengan sistem pendekatan range inframerah dekat, namun
marker IR hanya dapat digunakan didalam ruangan yang tidak banyak sumber cahaya jika
diluar ruangan yang terdapat sinar matahari tidak dapat digunakan karena dapat mengganggu
marker IR.

Gambar 2.13 pengaplikasian marker IR untuk pemeliharaan alat

(Sumber :Sanni siltanen, 2012)

IR terdiri dari IR LED yang dideteksi sistem menggunakan IR kamera atau dapat
menjadi binary marker. Penanda IR dideteksi dengan memancarkan cahaya yang dapat
ditangkap oleh kamera sebagai titik dan hanya memberikan lokasi marker yang tidak
mempunyai ID namun untuk pengaplikasian IR marker membutuhkan perangkat yang
banyak.
3. Miniatur marker

Marker dapat dibuat sangat kecil yang tidak dapat terlihat jelas oleh mata
manusia. Ada beberapa pendekatan untuk penerapan miniatur marker sehingga sistem
mampu mendeteksi marker. MIT media lab memperkenalkan sistem penanda yang
disebut dengan Bokode marker yang mencolok untuk mata menusia, tetapi pada kamera
dapat dideteksi. Fungsi marker didasarkan pada pembalikan fokus kamera atau pada
sistem bokeh optik. Bokeh terjadi akibat bagian dari adegan yang berada diluar tertarik
kedalam dan mengaburkan daerah tersebut. efek bokeh mengerucutkan cahaya yang
keluar dari fokus titik adegan ke disk dalam bentuk blur pada sensor kamera.
 18

Gambar 2.14 Barcode marker

(Sumber :Sanni siltanen, 2012)

Sistem Bokode terdiri marker visual dengan ukuran kecil dan lenslet yang
ditempatkan pada panjang fokus jauh dari penanda diatasnya. Penanda Bokode terlihat
seperti titik kecil untuk mata manusia. Lenslet menciptakan beberapa directional balok
untuk setiap posisi dalam pola barcode, lensa kamera terfokus pada penangkapan pola
barcode yang diperbesar pada sensor gambar. Meski sistem Bokode mempunyai kinerja
yang sangat baik untuk sebuah marker, namun tidak cocok diterapkan pada sistem AR,
karena kamera yang digunakan untuk dideteksi marker tidak terfokus.
2.2.1.4 Pose marker dan transformasi kamera

Pose objek merujuk pada lokasi dan orientasi objek. Lokasi dapat di simpulkan
dengan tiga titik koordinat umum (x, y, z) atau world coordinate dan orinetasi sebagai tiga
sudut rotasi (α, β, γ) di sekitar tiga sumbu koordinat. Dengan demikian pose memiliki enam
derajat kebebasan 6 DOF(degree of freedom).

Gambar 2.15 Pose kamera berdasarkan koordinat umum

(Sanni siltanen, 2012)

Pose kamera meletakkan koordinat dan orientasinya pada koordinat umum, semua
orientasi dapat dinyatakan dengan sudut rotasi disekitar koordinat yang di defenisikan pada
setiap sumbu koordinat. Pada koordinat tiga dimensi menggunakan empat titik pada
penanda di bidang koordinat gambar, hal ini menjadi acuan untuk perhitungan prosedur
menggunakan geometri proyektif dan kalibrasi kamera.

Pada kamera digital register gambar pada sensor dan koodinat ideal yang berbeda,
tergantung pada karakteristik kamera. Misal, panjang fokus, orientasi dan ukuran sensor
gambar. model kemera lubang jarum yang tidak ideal untuk kemera digital karena itu
dibutuhkan konversi tambahan untuk sistem koordinat pada kamera.
 19

Gambar 2.16 Sistem koordinat kamera

(Sanni siltanen, 2012)
Transformasi (T) kamera dan marker adalah x = TX, dimana X adalah titik pada
koordinat umum (wolrd coordinates), x proyeksi pada koordinat gambar dan T adalah
transformasi matrik kamera atau pose. Transformasi T terdiri dari vektor t dan rotasi
matrik (R) dengan vektor 3x3 dapat dinyatakan dengan x = [R | t ] X, dengan homogen
koordinat (Sanni silatanen, 2012):
𝑥 𝑟1 𝑟2 𝑟3 𝑡𝑥 𝑥

𝑦
[𝑦] = [𝑟4 𝑟5 𝑟6𝑡𝑦] [ ]
𝑧 𝑟7 𝑟8 𝑟9 𝑡𝑧 𝑧
1
Sebuah rotasi matrik hanya memiliki tiga parameter (α, β, γ) yang mendefenisikan
kesembilan unsur, dengan rincian, translasi vektor memiliki tiga parameter dan pose matrik
memiliki enam parameter. Pada sistem pelacakan berbasis penanda harus dapat melakukan
prosedur diatas pada masing-masing frame saat mendeteksi penanda.

Gambar 2.17 Transformasi matrik dari koordinat umum ke koordinat ideal kamera
(Sanni siltanen, 2012)

2.2.2 Pengolahan citra digital

Pengolah citra merupakan proses pengolahan dan analisis citra yang banyak
melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi
keluaran yang berbentuk citra. Secara umum defenisi pengolahan citra adalah pemrosesan
 20

citra dua dimensi oleh komputer yang diwakili oleh barisan bilangan nyata maupun
komplek diwakili oleh bit-bit tertentu.
Citra terdiri dari dua macam, citra continue dan citra diskrit. Citra continue
dihasilkan dari sistem optik yang menerima sinyal analog. Citra diskrit dihasilkan melalui
proses digitalisasi terhadap citra continu. Pada beberapa sistem optik terdapat fungsi
digitalisasi sehingga mampu menghasilkan citra diskrit, misalnya kamera digital dan
scanner. Citra diskrit disebut juga dengan citra digital. Citra digital dibentuk oleh
kumpulan titik yang dinamakan dengan piksel atau picture element. Setiap piksel di
gambarkan sebagai satu kotak kecil yang mempunyai koordinat posisi pada citra.
Secara matematis fungsi intensitas cahaya pada bidang dwimatra disimbolkan
dengan f(x,y) dimana (x,y) koordinat pada bidang dwimatra dan f(x,y) intensitas cahaya
pada titik (x,y). Karena cahaya merupakan bentuk energi, maka intensitas cahaya bernilai
antara 0 sampai tak berhingga 0 ≤ (𝑥, 𝑦) < ∞. nilai f(x,y) sebenarnya adalah hasil perkalian
dari:
1. i(x,y) = jumlah cahaya yang berasal dari sumbernya (illumination), dengan range nilai
antara 0 sampai dengan tak berhingga.
2. r(x,y) = derajat kemampuan objek memantulkan cahaya (reflection), dengan range
nilai 0 dan 1.

Gambar 2.18 Pembentukan citra

(Sumber : Minarni, 2010)
Gambar diatas memperlihatkan proses pembentukan intensitas cahaya, sumber cahaya
menyinari permukaan objek, jumlah pancaran (iluminasi) cahaya yang diterima objek pada
koordinat (x,y) adalah i(x,y) atau L. Objek memantulkan cahaya yang diterimanya dengan
derajat pantulan r(x,y) hasil perkalian antara i(x,y) dan r(x,y) menyatakan intensitas cahaya
pada koordinat (x,y) yang ditangkap oleh sensor visual pada sistem optik (Rinaldi munir,
2004) dapat ditulis dengan persamaan :
f(x,y) =i(x,y).r(x,y) atau I = L.r

yang dalam hal ini,

 21

0 ≤ (𝑥, 𝑦) < ∞
≤ (𝑥, 𝑦) < 1
Nilai i(x,y) ditentukan oleh sumber cahaya, sedangkan nilai r(x,y) ditentukan oleh
karakteristik objek didalam gambar. Nilai r(x,y) = 0 mengindikasikan penerapan total,
sedangkan r(x,y) = 1 menyatakan pemantulan total. Jika permukaan mempunyai derajat
pemantulan nol, maka fungsi intensitas cahaya f(x,y) juga nol. Sebaliknya, jika permukaan
mempunyai derajat pemantulan 1, maka fungsi intensitas cahaya sama dengan iluminasi
yang diterima oleh permukaan tersebut.
2.2.2.1 Elemen-elemen citra digital dan struktur data

Citra digital mengandung sejumlah elemen-elemen dasar. Elemen-elemen dasar

tersebut dimanipulasi dalam pengolahan citra dan dieksploitasi lebih lanjut dalam
komputer visi. Elemen-eleman dasar yang penting diantaranya :
a. Kecerahan (brightness)

Kecerahan adalah kata lain untuk intensitas cahaya. Kecerahan pada sebuah titik
(piksel) didalam citra bukanlah intensitas yang rill, tetapi sebenarnya adalah intensitas
rata- rata dari suatu area yang melingkupinya.
b. Kontras (contrast)

Kontras menyatakan sebaran terang (lightness) dan gelap (darkness) didalam

sebuah gambar. Citra dengan kontras rendah dicirikan oleh sebagian besar komposisi
citranya adalah terang atau sebagian besar gelap. Pada citra dengan kontras yang baik,
komposisi gelap dan terang tersebar secara merata.
c. Kontur (contour)

Kontur adalah keadaan yang ditimbulkan oleh perubahan intensitas pada piksel-
piksel yang bertetangga. Karena adanya perubahan intensitas inilah mata kita mampu
mendeteksi tepi-tepi objek didalam citra.
d. Warna (color)

Warna adalah persepsi yang dirasakan oleh sistem visual manusia terhadap
panjang gelombang cahaya yang dipantulkan oleh objek. Setiap warna mempunyai
panjang gelombang yang berbeda-beda. Warna merah mempunyai panjang gelombang
paling tinggi, sedangkan warna ungu mempunyai gelombang yang paling rendah.
Warna yang diterima oleh mata manusia merupakan hasil dari kombinasi cahaya dengan
penjang gelombang berbeda. Penelitian memperlihatkan bahwa kombinasi warna yang
 22

memberikan rentang warna yang paling lebar adalah red(R),green (G), blue(B)
e. Bentuk (shapes)

Shape adalah properti intristik dari objek tiga dimensi, dengan pengertian bahwa
shape merupakan properti intristik utama untuk sistem visual manusia. Manusia lebih
sering mengasosiasikan objek dengan bentuknya ketimbang elemen lainnya. Pada
umumnya citra yang dibentuk oleh mata merupakan citra dwimatra (2 dimensi)
sedangkan objek yang dilihat umumnya berbentuk trimatra (3 dimensi), informasi
bentuk objek dapat diekstraksi dari citra pada permulaan prapengolahan dan segmentasi
citra
f. Tekstur (texture)

Tekstur dicirikan sebagai distribusi spesial dari derajat keabuan di dalam

sekumpulan piksel-piksel yang bertetangga. Tekstur tidak dapat didefenisikan untuk
sebuah piksel, sistem visual manusia pada hakikatnya tidak menerima informasi citra
secara independen pada setiap piksel, melainkan suatu citra dianggap sebagai suatu
kesatuan. Resolusi citra yang diamati ditentukan oleh skala pada tekstur, contoh jika
kita
mengamati citra pada lantai berubin dari jarak jauh, maka kita mengamati tekstur
terbentuk dari penempatan ubin-ubin secara keseluruhan bukan dari persepsi pola di
dalam ubin itu sendiri, tetapi jika mengamati citra yang sama dari jarak dekat, maka
hanya beberapa ubin yang tampak dalam bidang pengamatan pola-pola rinci yang
menyusun tiap ubin.
Citra digital biasanya berbentuk persegi panjang. Secara visual dimensi
ukurannya dinyatakan sebagai lebar x tinggi. Ukurannya dinyatakan dalam titik atau
piksel. Ukuranya dapat pula dinyatakan dalam satuan panjang (mm atau inch) resolusi,
yang dimaksud dengan resolusi adalah banyaknya titik untuk setiap satuan panjang (dot
per inch). Makin besar resolusi makin banyak titik yang terkandung dalam citra,
sehingga menjadi lebih halus dalam visualisasinya.
Resolusi citra berpengaruh pada besarnya informasi citra yang hilang. Resolusi
citra terdiri dari 2 jenis, yaitu :
a. Resolusi spasial

Halus kasarnya pembagian kisi-kisi baris dan kolom, misal hasil dari
digitalisasi dengan jumlah baris 256 dan jumlah kolom 266 maka resolusi spasialnya
adalah 256 x 256
 23

b. Resolusi kecemerlangan (intensitas)

Halus kasarnya pembagian tingkat kecemerlangan, misal intensitas piksel

berkisar antara 0 dan 256 maka resolusi kecemerlangannya adalah 256.
2.2.2.2 Jenis-jenis citra digital

1. Citra biner

Setiap titik piksel dalam citra bernilai 0 atau 1. Untuk warna hitam diwakili dengan
nilai 0 dan warna putih diwakili dengan nilai 1

Gambar 2.19 Citra biner

(Sumber : Minarni, 2010)

2. Citra skala keabuan (greyscale)

Citra skala keabuan mempunyai kemungkinan warna antara hitam untuk warna
minimal dan putih untuk warna maksimal. Jumlah maksimum warna sesuai dengan bit
penyimpanan yang digunakan

Gambar 2.20 Citra keabuan

(Sumber : Minarni, 2010)
3. Citra warna
Setiap titik piksel pada citra warna mewakili warna yang merupakan kombinasi
dari tiga warna dasar yaitu merah (red), hijau (green), biru (blue) setiap dasar
mempunyai intensitas sendiri dengan nilai maksimum 255 (8 bit).

Tabel 2.2 Ketentuan warna dasar

Warna dasar Ketentuan
 24

Merah (red) Warna minimal putih, warna maksimal merah

Hijau (green) Warna minimal putih, warna maksimal hijau
Biru (blue) Warna minimal putih, warna maksimal biru
Misalkan warna kuning adalah kombinasi dari warna merah dan hijau sehingga nilai
RGB-nya adalah 255.255.0 seperti ditunjukan pada gambar.

Gambar 2.21 Kombinasi warna

Setiap titik pada warna membutuhkan 3 byte. Jika dihitung jumlah yang dapat

menjadi kombinasi warna adalah 224 atau lebih dari 16 juta warna. Citra warna disebut
true color karena dianggap mencakup semua warna yang ada

Gambar 2.22 Citra warna

(Sumber : Minarni, 2010)
2.2.2.3 Warna

Salah satu karakteristik penting dari citra adalah warna. Berdasarkan hasil
penelitian, ternyata warna merupakan pembeda yang andal untuk menyederhanakan proses
identifikasi dan ekstraksi objek dari sekitarnya. Indera pengelihatan manusia dapat
membedakan warna dan tingkat intensitasnya dibandingkan dengan puluhan tingkat
keabuan. Warna yang diterima oleh mata dari sebuah objek ditentukan oleh warna sinar
yang dipantulkan oleh objek tersebut. Sebagai contoh, suatu objek berwarna hijau karena
objek tersebut memantulkan sinar biru dengan panjang gelombang 450 sampai 490
 25

nanometer(nm). Warna sinar yang direspon oleh mata adalah sinar tampak (visible
spectrum) dengan panjang gelombang berkisar 400(biru) sampai 700 nm (merah).
Warna-warna yang diterima oleh mata manusia merupakan hasil kombinasi cahaya
dengan panjang gelombang berbeda. Penelitian memperlihatkan bahwa kombinasi warna
yang memberikan rentang warna yang paling lebar adalah red(R), green(G), blue(B).
Ketiga warna tersebut dinamakan warna pokok(primaries), dan sering disingkat sebagai
warna dasar RGB. Warna-warna lain dapat diperoleh dengan mencampurkan ketiga warna
pokok tersebut dengan perbandingan tertentu. Teori Young (1802) yang menyatakan
bahwa sembarang warna dapat dihasilkan dari percampuran warna-warna pokok 𝑐1, 𝑐2, dan
𝑐3 dengan persentase tertentu (Rinaldi munir, 2004):

𝑐 = 𝑎𝑐1+ 𝑏𝑐2 + 𝑐𝑐3

Selain RGB, warna juga dapat dimodelkan berdasarkan atributnya, setiap warna memiliki
tiga atribut, yaitu intensity(I), hue(H), dan saturation(S):
a. Intensity/brightness/luminance

Atribut yang menyatakan banyaknya cahaya yang diterima oleh mata tanpa
mempedulikan warna. Kisaran nilainya adalah antara gelap (hitam) dan terang(putih).
b. Hue

Menyatakan warna yang sebenarnya, seperti merah, violet, dan kuning. Hue
digunakan untuk membedakan warna-warna dan menentukan kemerahan(redness),
kehijauan(greenness), dan lain-lain, dari cahaya. Hue berasosiasi dengan panjang
gelombang cahaya, dan bila kita menyebut warna merah, violet, atau kuning,
sebenarnya kita menspesifikasikan hue dari warna.
c. Saturation

Menyatakan tingkat kemurnian cahaya, yaitu mengindikasikan seberapa banyak

warna putih diberikan pada warna. Sebagai contoh, warna merah adalah 100% warna
jenuh (saturated color), sedangkan warna pink adalah warna merah dengan tingkat
kejenuhan sangat rendah. Jadi jika hue menyatakan warna yang sebenarnya, maka
saturation menyatakan seberapa dalam warna tersebut.
2.2.2.4 Histogram
Histogram citra adalah grafik yang menggambarkan penyebaran nilai-nilai
intensitas piksel dari suatu citra atau bagian tertentu di dalam citra. Dari sebuah histogram
dapat diketahui frekuensi kemunculan nisbi (relative) dari intensitas pada citra. Histogram
 26

juga dapat menunjukan banyak hal tentang kecerahan (brightness) dan kontras (contrast)
dari sebuah gambar, karena itu histogram adalah alat bantu yang berharga dalam
pengolahan citra baik secara kualitatif maupun kuantitatif jika digambarkan pada koordinat
kartesian maka sumbu x (absis) menunjukan tingkat warna dan sumbu y (ordinat)
menunjukkan frekuensi kemunculan.

Gambar 2.23 Histogram

Puncak histogram menunjukan intensitas piksel yang menonjol, lebar dari puncak
menunjukkan rentang kontras dari citra, citra yang memiliki kontras yang tinggi
(overexposed) atau terlalu gelap (underexposed) memiliki histogram yang sempit,
histogramnya terlihat hanya menggunakan setengah dari derajat keabuan, citra yang baik
memiliki histogram yang mengisi daerah derajat keabuan secara penuh dengan distribusi
yang merata pada setiap nilai intesitas piksel.
1. Kecerahan (Brightness)

Kecerahan adalah kata lain untuk intensitas piksel, jika intensitas piksel dikurangi
dengan nilai tertentu maka citra akan menjadi gelap. Dan sebaliknya, jika intensitas
pikselnya ditambah dengan nilai tertentu maka akan lebih terang. Contoh sebuah citra
greyscale 256 akan tampak gelap bila seluruh komponen warnanya mendekati nilai 0. dan
sebaliknya, citra akan tampak terang jika seluruh komponen warnanya mendekati nilai
255.

2. Kontras(contrast)

Kontras menyatakan sebaran terang (lightness) dan gelap (darkness) di dalam

sebuah gambar. Citra dapat dikelompokan kedalam kategori kontras: citra kontras
rendah(low contrast), citra kontras normal(normal contrast) dan citra kontras
 27

tinggi(high contrast) :
a. Citra kontras rendah

Citra kontras rendah dicirikan dengan sebagian besar komposisi citranya

adalah terang atau sebagian besar gelap. Dari histogramnya terlihat sebagian besar
derajat keabuannya terkelompok(clustered) bersama atau hanya menempati sebagian
kecil dari rentang nilai-nilai keabuan yang mungkin. Jika pengelompokan nilai-nilai
piksel dibagian kiri (yang berisi nilai keabuan yang rendah) citra akan cenderung
gelap. Jika pengelompokan nilai-nilai piksel berada di bagian kanan (yang berisi nilai
keabuan yang tinggi) citra cenderung terang. Tetapi mungkin saja suatu citra
tergolong kontras rendah meskipun tidak terlalu terang atau terlalu gelap bila semua
pengelompokan nilai keabuan berada ditengah histogram.
b. Citra kontras normal

Citra dengan kontras normal memiliki nilai keabuan yang lebar tanpa ada
suatu nilai keabuan yang mendominasi. Pada histogram kurva terlihat tidak terlalu
sempit dan tidak terlalu lebar, histogram citra memperlihatkan sebaran nilai keabuan
yang ralatif seragam.
c. Citra kontras tinggi

Pada citra dengan kontras tinggi memiliki jangkauan nilai keabuan yang
lebar, tatapi terdapat area yang lebar yang didominasi oleh warna terang atau sebaran
intensitas terang sangat tinggi.
2.2.2.5 Image Restoration
Ketika sebuah citra ditangkap oleh kamera, sering kali terdapat beberapa gangguan
yang mungkin terjadi, seperti kamera tidak fokus, muncul bintik-bintik yang disebabkan
oleh proses capture yang tidak sempurna, pencahayaan yang tidak merata mengakibatkan
intensitas tidak seragam, kontras citra terlalu rendah sehingga objek sulit untuk dipisahkan
dari latar belakangnya, atau gangguan yang disebabkan oleh kotoran-kotoran yang
menempel pada citra, dan lain sebagainya. Setiap gangguan pada citra dinamakan noise.
Citra yang mengandung noise seperti ini memerlukan langkah-langkah perbaikan. Hal ini
dilakukan untuk memfasilitasi proses analisis citra.
Menurut Pitas (1993) Restorasi citra digital adalah suatu teknik yang
memperhatikan bagaimana mengurangi perubahan bentuk dan penurunan kualitas citra
yang diawali selama pembentukan citra tersebut. Gonzales dan Wood (1993)
mendefinisikan restorasi citra sebagai proses yang berusaha merekonstruksi atau
 28

mengembalikan suatu citra yang mengalami degradasi. Jadi, restorasi merupakan teknik
yang berorientasi pada pemodelan degradasi dan menerapkan proses invers dalam rangka
merekonstruksi pada citra yang original.
Kadang-kadang restorasi citra digital sering dipertukarkan dengan pengertian
peningkatan kualitas citra. Kedua teknik ini memang sering bertukar metode dalam
menyelesaikan masalah, tetapi titik berat restorasi adalah pada perbaikan citra yang
mengalami keruasakan, baik selama proses digitalisasi maupun cacat akibat usia, jamur,
goresan, pelabelan teks pada citra yang dilakukan baik sengaja maupun tidak sengaja.
Sedangkan image enhancement cenderung memperhatikan perbaikan kualitas citra yang
mengalami penurunan kualitas selama pembentukan citra atau justru memberi efek
berlebih pada citra yang sudah ada.
2.2.3 Format Penyimpanan Gambar
File format atau format file adalah struktur dari sebuah file dan  bagaimana file
tersebut dibentuk .Struktur tipe file biasanya ada pada header, metadata, isi konten,dan
Penanda akhir file (EOF). Data  disimpan tergantung dari tujuan file itu dibuat. Beberapa
file seperti XML digunakan untuk menyimpan list item. Berbeda lagi dengan tipe JPEG
gambar, file hanya berisi block data. File format menjelaskan juga tentang bentuk data
yang disimpan dalam bentuk text atau format binary. File dalam bentuk text dapat dibuka
menggunakan aplikasi standar pengedit text seperti notepad. Walaupun format file dalam
bentuk text mudah dibuat,namun type file format ini berukuran lebih besar dibanding
dengan file format jenis binary. Karena format binary dapat dikompress.
Dari segi keamanan, file tipe text sangat tidak aman karena isi file sangat mudah dibaca,
berbeda dengan file format jenis binary yang hanya akan menampilkan karakter aneh
ketika dibuka menggunakan aplikasi text editor, mungkin hanya menampilkan jenis file
dibagian header saja. File format dalam bentuk binary dapat dikompress (disusutkan
ukuran) sehingga sangat cocok untuk menyimpan file jenis graphics, audio, dan video.
Gambar merupakan suatu representasi spatial dari suatu objek, dalam pandangan
2D atau 3D. Gambar digital merupakan suatu fungsi dengan nilai-nilai yang berupa
intensitas cahaya pada tiap–tiap titik pada bidang yang telah diquantisasikan yang diambil
sampelnya pada interval diskrit.
2.2.4 Vuforia

Vuforia merupakan SDK (software development kit) yang dikembangkan oleh

Qualcomm untuk membantu pengembang dalam menciptakan aplikasi atau game yang
 29

memiliki teknologi augmented reality. Tentunya aplikasi maupun game yang dibuat
dengan teknologi ini akan terlihat lebih interaktif dan hidup. Contohnya saja ketika
pembaca mendapatkan sebuah penanda yang hanya berupa kertas dan secara tiba-tiba akan
muncul objek virtual 3 dimensi ketika ponsel pintar atau tablet diarahkan ke kertas
penanda tersebut.
Pengembang dapat membuat objek virtual 3 dimensi itu dapat berinteraksi dengan
pengguna aplikasinya baik itu berupa game, aplikasi pembelajaran, video, aplikasi
dongeng, dan masih banyak lagi. Dengan adanya Vuforia SDK ini akan memudahkan dan
mempercepat pengembangnya dalam membuat aplikasi yang mempunyai teknologi
augmented reality karena library dan fungsi-fungsi intinya sudah dibuat oleh Qualcomm
sehingga pengembang tinggal berimajinasi dan mengembangkan aplikasi menarik
menggunakan SDK ini.
SDK ini memiliki berbagai fitur menarik seperti memindai objek, memindai teks,
mengenali bingkai penanda, tombol virtual, mengidentifikasi permukaan objek secara
pintar, memindai dengan berbasis cloud, mengenali target gambar, mengenali target benda
silinder, dan mengenali objek target yang telah ditetapkan. Vuforia SDK telah mendukung
pengembangan aplikasi untuk perangkat yang berbasis iOS dan Android. Selain itu, Unity
Game Engine telah didukung Vuforia SDK sehingga lebih mempermudah untuk
mengembangkan game augmented reality langsung dengan game engine ini.
Kini lebih dari 15.000 aplikasi di dunia telah menggunakan Vuforia SDK untuk
mengintegrasikan kemampuan fitur augmented reality. Selain itu, 150.000 pengembang
aplikasi atau game telah terdaftar menggunakan Vuforia SDK ini. Kedepannya, Qualcomm
mulai mengembangkan juga Vuforia SDK for Digital Eyewear yang mendukung teknologi
augmented reality pada kacamata pintar seperti Epson Moverio BT-200, Oculus-based
Gear VR dari Samsung, dan ODG R-7. Dengan adanya pengembangan Vuforia SDK ini
Qualcomm mencoba memasukkan teknologi augmented reality untuk perangkat Internet of
Things nanti. Contohnya kulkas yang dapat melaporkan informasi dan pesan secara
augmented reality (http://teknojurnal.com/voforia).
Komponen –komponen pendukung Vuforia SDK:

a. Kamera : dibutuhkan untuk memastikan bahwa setiap frame ditangkap dan

diteruskan secara efesien ke tracker.
b. Image converter : mengkonversi format kamera (misal YUV12) kedalam format
yang dapat dideteksi oleh OpenGL (misal RGB565) dan untuk tracker (misal
 30

luminance).
c. Tracker : mengandung algoritma computer vision yang dapat mendeteksi dan
melacak objek dunia nyata yang ada pada video kamera. Berdasarkan gambar
dari kamera, algoritma yang berbeda bertugas untuk medeteksi trackble baru,
dan mengevaluasi visual button. Hasilnya akan disimpan dalam state objek yang
akan digunakan oleh video background renderer dan dapat diakses dari
application code.
d. Video background renderer : merender gambar dari kamera yang tersimpan di
dalam state object. Performa dari video background renderer sangat bergantung
pada perangkat yang digunakan.
e. Application code: menginisialisasi semua komponen tersebut dan melakukan
tiga proses penting dalam application code seperti query state object pada target
baru yang terdeteksi atau marker, update logika aplikasi setiap input baru yang
dimasukkan, renderer grafis yang di tembahkan (augmented).
f. Target resources : dibuat menggunakan on-line target diunduh berisi sebuah
konfigurasi xml, config.xml, yang memungkin developer untuk mengkonfigurasi
beberapa fitur dalam trackable dan binary file yang berisi database trackable.
Dengan teknologi Vuforia dari Qualcomm, para developer AR dapat
memaksimalkan kemampuan mereka dalam menciptakan beragam teknologi
yang memiliki value added yang tinggi. Developer AR dapat menciptakan
konten mulai dari game, aplikasi, iklan, presentasi, dan masih banyak hal
lainnya yang dapat dieksplorasi untuk menghasilkan keuntungan.
2.2.4.1 Target management system (TMS)

Pengenalan citra augmented reality apps yang dibangun dengan SDK Voforia harus
memiliki dataset target yang diketahui yang dapat digunakan untuk mencocokan target
yang ditangkap dengan perangkat kamera. TMS Qualcomm menawarkan alat bebasis web
yang mudah digunakan pengembang SDK Vuforia untuk menciptakan dataset yang
dikenal dari gambar masukkan, kumpulan data ini kemudian dikemas dan didistribusikan
dengan aplikasi. Sebuah target adalah hasil perhitungan dari fitur alami yang diproses dari
gambar masukan. Set fitur yang digunakan dalam aplikasi runtime terdiri dari satu atau
lebih target, proyek berisi satu set target yang dikombinasikan untuk membuat sumberdaya
target yang dapat diunduh. Aplikasi runtime hanya akan menerima satu file target
sumberdaya namun dapat menampung beberapa target yang bisa dideteksi oleh SDK
 31

Vuforia.
Projek baru dapat dibuat untuk setiap aplikasi baru dan datasetnya disusun oleh
satu set gambar yang diunggah setelah diputuskan gambar mana yang ingin dimasukkan
kedalam sumber target, pengembang dapat mendownload setelah sumber target dibuat
yang terdiri dari kumpulan data dengan gabungan fitur. Ada beberapa format yang dapat
didownload tergantung editor engine yang akan digunakan. Paket download berisi
kumpulan data dan file XML yang digunakan untuk mengkonfirmasi fitur tertentu yang
dapat dilacak, jika multi target dibuat menggunakan web maka secara otomatis akan
menyertakan defenisi yang sesuai kedalam XML.
2.2.4.2 Gambar target dan pertimbangan pengenalan pola

Gambar target adalah sebuah gambar yang dapat dideteksi dan dilacak oleh Voforia
SDK. Tidak seperti penanda tradisional pada umumnya, gambar target tidak membutuhkan
daerah hitam dan putih atau kode untuk dikenali. Voforia SDK menggunakan algoritma
yang canggih untuk mendeteksi dan melacak fitur alami yang terdapat pada gambar itu
sendiri. Pengenalan gambar adalah proses indentifikasi dan pendeteksian sebuah objek atau
fitur pada gambar digital atau video. Dalam pembelajaran mesin, gambar atau pengenalan
pola adalah bagian dari pelabelan untuk menentukan masukan nilai. Namun pengenalan
pola adalah masalah yang lebih umum yang mencakup jenis keluaran lainnya. Algoritma
pengenalan pola umumnya bertujuan untuk memberikan jawaban yang masuk akal untuk
semua masukan yang memungkinkan dan untuk melakukan pencocokan.
a. Dataset

Sebuah data set pelacakan yang di-download dari target management system,
SDK AR memungkinkan untuk memuat, mengaktifkan, menonaktifkan, dan
membongkar kumpulan data saat runtime. Pada kumpulan data dapat berisi target
gambar atau target multigambar
b. Parameter ukuran target

Ukuran target yang dipakai adalah ukuran yang sebenarnya dari gambar target
pada linkungan 3D, pengembang harus menentukan ini selama pembuatan online file
XML konfigurasi yang dapat dilacak atau yang ada. TMS menghasilkan file XML
konfigurasi dataset, namun dapat dimodifikasi, parameter ukuran sangat penting karena
informasi pose yang dikembalikan selama pelacakan akan dalam skala yang sama.
Database target gambar dibuat dengan TMS Vuforia berdasarkan arsitektur
Vuforia sumberdaya terget akan digunakan untuk pelacakan gambar dengan
 32

memanfaatkan AR kamera. Pertama target gambar harus diunggah ke TMS Vuforia dan
dianalisa dengan algoritma pendeteksian fitur kemudian dikualifikasikan dengan rating.

Gambar 2.24 Proses sumberdaya target

(Sumber : Aan erlansari, 2013)

Gambar diatas menunjukkan komponen dan proses untuk membuat sumberdaya

target pada Vuforia SDK seluruh proses dilakakukan secara berurutan untuk membangun
dan mendapatkan hasil yang berupa dataset dalam format XML dan Dat file. Dataset yang
diunduh akan dimasukkan kedalam Prefabs Vuforia pada Unity engine didalam
QCAR.Behaviour class. Sebelum merender gambar atau objek yang dapat dilacak, gambar
target dari dataset akan discan dan dibandingkan serta ditentukan transformasi pose
kameranya.
Salah satu tujuan utama Vuforia adalah interaksi antara elemen real dan virtual,
Vuforia menggunakan serangkaian jejak dan corak untuk membedakan unsur yang
dihasilkan oleh elemen online. TMS memberikan rating bintang untuk setiap gambar yang
di upload, rating mencerminkan seberapa baik seberapa baik target tersebut dapat dilacak
dan dideteksi dengan variasi rating antara 0 sampai 5. Target gambar dibuat secara online
dengan TMS dari format JPEG atau PNG, membuat gambar target pada TMS dengan
gambar yang memiliki area transparan tidak disarankan karena sistem tidak sesuai Pada
gambar tertentu rating yang tinggi menandakan target gambat dapat dideteksi dengan baik,
pada rating 0 menghasilkan target yang tidak dapat dilacak. Pengembang disarankan untuk
menggunakan target gambar minimal dengan tiga bintang atau yang lebih tinggi.
Meningkatkan kualitas target gambar yang diunggah untuk mengahasilkan jumlah fitur
yang lebih tinggi sementara tidak menerapkan peningkatan yang sama ke target sebenarnya
akan menghasilkan deteksi dan pelecakan kualitas rendah, setiap perubahan yang
dilakukan pada gambar target yang diunggah juga harus diterapkan pada target gambar
 33

fisik.

Gambar 2.25 Target dan fiturnya

Secara visual menentukan target gambar yang baik dan buruk mungkin sulit, namun
begitu prosesnya sudah dipahami beberapa prinsip dasarnya tergolong sederhana,
seseorang dapat dengan cepat mengidentifikasi sebuah gambar yang bagus atau buruk
sebelum mengunggahnya ke TMS. Dengan distribusi fitur yang tinggi dan seimbang pada
gambar, aplikasi AR akan dengan sangat cepat dan akurat melacak gambar target. Metode
pemotongan area dengan jumlah fitur rendah dapat membuat gambar yang akan menerima
rating yang lebih tinggi pada TMS. Hal ini disebabkan oleh gambar yang dihasilkan
mungkin memiliki lebih banyak fitur terdistribusi. Distribusi fitur yang lebih baik akan
memungkinkan kamera AR untuk melacak target dari berbagai sudut dan jarak
Vuforia menjadikan gambar sebagai marker dengan menggunakan fitur titik pada
setiap pojok dari tepi gambar untuk menentukan kualitas pelacakan gambar dan tidak
menggunakan seluruh tepi pada corak gambar. Berikut jumlah fitur yang dapat dilacak
menurut corak.

Tabel 2.3 Fitur yang dapat terdeteksi pada corak

Bentuk Jumlah fitur

Persegi memiliki 4 fitur untuk setiap sudut

Setengah lingkaran memiliki dua fitur

 34

Lingkaran tidak memiliki fitur

Untuk gambar marker dengan corak yang sama dan berulang tidak dapat digunakan
walaupun memiliki banyak fitur karena tidak dapat dibedakan oleh sensor detektor, contoh
pada gambar berikut yang memiliki banyak fitur namum tidak mendapatkan rating.

Gambar 2.26 Gambar marker dan fitur yang sama

2.2.5 Unity 3D

Unity Technologies dibangun pada tahun 2004 oleh David Helgason (CEO),
Nicholas Francis (CCO), dan Joachim Ante (CTO) di Copenhagen, Denmark setelah game
pertama mereka GooBall, gagal lagi dalam meraih sukses. Ketiganya menyadari nilai
sebuah engine dan tool dalam sebuah pengembangan game dan berencana untuk membuat
sebuah engine yang dapat digunakan oleh semua dengan harga terjangkau. Unity
Technologies mendapat bantuan dana dari Sequoia Capital, WestSummit Capital, dan
iGlobe Partners.
Kesuksesan Unity terletak pada fokus mereka untuk memenuhi kebutuhan indie
developer yang tidak dapat membangun game engine mereka sendiri atau membeli lisensi
game engine yang terlalu mahal. Fokus perusahaan ini adalah Democratize game
development atau diterjemahkan sebagai Demokrasi Pembangunan Game dan membuat
sebuah pembangunan game baik 2D maupun 3D bisa dicapai oleh banyak orang.
Pada tahun 2008, Unity melihat kebangkitan iPhone dan menjadi game engine
pertama yang melakukan dukungan penuh pada platfom tersebut. Unity sekarang
digunakan oleh 53.1% developers, mobile game developer dengan ratusan game yang
dirilis baik untuk iOS maupun Android. Pada tahun 2009, Unity mulai meluncurkan
produk mereka secara gratis. Jumlah developer yang mendaftar melonjak drastis sejak
pengumuman tersebut. Pada April 2012, Unity mencapai popularitas yang sangat tinggi
dengan lebih dari 1 juta developer.
Unity sangat mampu melihat berbagai peluang dan perubahan. Hal inilah yang
 35

menjadikannya sebagai game engine termurah yang paling banyak digunakan oleh seluruh
orang di dunia. Unity bisa digunakan untuk perorangan dan tidak selalu harus digunakan
oleh sebuah studio game yang berjumlah ratusan orang. Tampaknya, demokrasi yang
diusung sebagai slogan Unity memang benar adanya. Apalagi semenjak dirilisnya Unity
dengan lisensi free.
Dukungan dari Unity3D :
1. Dukungan Konversi : Mobile Android, Iphone, Blackberry, Windows, Linux,
Flash, Webplayer.
2. Online publish google play, Android market.
3. Dukungan pemograman : C#, Javascript dan Boo.
4. Dukungan Extensi file : 3ds, obj, fbx.
5. Dukungan terhadap Augmented Reality

Fitur-Fitur di dalam Unity3D :

1. Tab Hirarchy : Pada tab ini berfungsi untuk memasukkan object yang akan tampil
di game.
2. Tab Inspector : pada tab ini digunakan untuk mengedit property object yang diklik
pada komponen object yang berada di Tab Hirarchy, pada Tab ini juga digunakan
untuk menyunting dan menambahkan komponen-komponen object, seperti Script.
3. Tab Project : Berisi semua bahan-bahan yang akan kita gunakan dalam pembuatan
game, dibagian ini sebagai tempat berbagai macam bentuk komponen seperti
Folder, Animasi, Script, Image, Object3D, Assets, Material, dan masih banyak lagi.
4. Tab Console : Pada bagian ini adalah tempat penampilan pesan error dalam
project, tapi paling sering terjadi pesan error saat pembuatan script yang tidak
dikenali oleh sistem atau kesalahan-kesalahan dalam pembuatan script.

5. Tab Scene : ini berisi ruangan/tempat dimana kita meletakan komponen seperti
kamera.
 36

Gambar 2.27 Tampilan Unity