Gagas Amukti Nandaka / 3120600032 / 2 D4 ITB

Pengolahan citra adalah salah satu cabang dari ilmu informatika. Pengolahan citra berkutat
pada usaha untuk melakukan transformasi suatu citra/gambar menjadi citra lain dengan
menggunakan teknik tertentu

Citra
Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang
kontinu menjadi gambar diskrit melalui proses sampling. Citra digital dapat didefinisikan
sebagai fungsi dua variabel f(x,y), dimana x dan y adalah koordinat spasial sedangkan nilai
f(x,y) adalah intensitas citra pada koordinat tersebut.

Segmentasi Warna
Segmentasi Warna (Color filtering) dapat diartikan suatu teknik pengolahan citra yang
digunakan untuk memanipulasi suatu citra berdasarkan warna spesifik. Segmentasi akan
bekerja dengan membandingkan komponen warna setiap pixel citra dengan warna yang
spesifik. Hasil perbandingannya, apabila warnanya sesuai dengan warna spesifik, maka
komponen warna pixel akan dibiarkan saja, namun apabila ternyata warnanya tidak sesuai
dengan warna spesifik, maka komponen warna pixel tersebut diubah menjadi warna
background, biasanya menjadi warna hitam. Warna yang digunakan dalam segmentasi warna
(color filtering) dapat direpresentasikan dalam berbagai ruang warna. Ada beberapa ruang
warna yang dikenal, antara lain RGB (Red, Green, Blue), HSV (Hue, Saturation, Value),
YCbCr, dsb. Dalam penelitian ini lebih dikhususkan menggunakan ruang warna HSV dan
RGB.

(Red, Green, Blue)

Ruang warna red, green, blue yang sering disebut dengan RGB merupakan konsep pewarnaan
dengan menggunakan tiga warna primer yaitu merah, hijau dan biru, yang menyusun
terbentuknya warna yang lain. Ruang warna RGB sering digunakan dalam penelitian di
bidang komputer grafik.

HSV (Hue, Saturation, Value)

HSV merupakan ruang warna yang sangat cocok untuk mengidentifikasi warna-warna dasar,
di mana warna dasar ini digunakan dalam penelitian sebagai warna identifikasi robot. Selain
itu, HSV memiliki toleransi terhadap perubahan intensitas cahaya. Inilah yang menjadi
keunggulan HSV dibandingkan dengan ruang warna lainnya.
Penjelasan mengenai ketiga nilai tersebut sebagai berikut:

- Hue (H) diartikan sebagai komposisi panjang gelombang spektra dari warna yang
menghasilkan warna yang kita lihat atau dengan kata lain jenis-jenis pada warna).

- Saturation (S) merupakan kejernihan relatif dari warna pada skala dari abu-abu sampai pada
nada yang paling bergetar dari warna yang umum.

- Value (V) dapat direpresentasikan sebagai tinggi pada poros hitam putih atau terang
gelapnya suatu warna.

Suatu warna dengan nilai value 100% akan tampak secerah mungkin dan suatu warna dengan
nilai value 0 akan tampak segelap mungkin. Sebagai contoh jika hue adalah merah dan value
bernilai tinggi maka warna kelihatan cerah tetapi ketika nilai value rendah maka warna
tersebut akan kelihatan gelap.
HSV merepresentasikan ruang warna yang lain dari RGB. Ruang warna HSV berbasis pada
cylindrical coordinates. Ruang warna HSV lebih baik dibandingkan RGB dalam
merepresentasikan pandangan manusia dan mendiskripsikan sensasi warna.

Makalah masalah :

IDENTIFIKASI JENIS BURUNG DENGAN IMAGE CLASSIFICATION

MENGGUNAKAN OPENCV
Pengolahan Citra Awal
Proses ketika citra nondigital diubah ke citra digital. Citra digital diperoleh dari hasil
digitisasi citra analog. Digitisasi citra melibatkan dua proses, yaitu sampling dan kuatisasi.
Sampling menunjukkan banyaknya pixel/blok untuk mendefinisikan suatu gambar.
Kuantisasi menunjukkan banyaknya derajat nilai pada setiap pixel (menunjukkan jumlah bit
pada gambar digital, black/white dengan 2 bit, grayscale dengan 8 bit, true color dengan 24
bit). Pengolahan citra dilakukan untuk meningkatkan kualitas citra sehingga dapat dengan
mudah diinterpretasikan oleh manusia dan komputer.
Proses analisis citra, dari pencitraan hingga proses akhir, memungkinkan pengambilan
keputusan untuk tujuan tertentu, seperti memandu robot. Penelitian ini berfokus pada cara
menentukan jenis burung.

Ekstraksi Fitur
Citra input pada proses ekstraksi fitur merupakan citra objek kandidat
wajah yang terdeteksi pada tahapan sebelumnya. Ekstraksi fitur
dimaksudkan untuk mendapatkan nilai fitur suatu objek berdasarkan
hubungan nilai intensitas piksel suatu citra. digunakan ekstraksi fitur
statistika warna yang memiliki 12 atribut fitur. Fitur statistika warna ini
dipilih karena melihat citra terdeteksi merupakan citra kandidat selain
wajah yang dapat dibedakan berdasarkan warnanya.

Image Classification ( Klasifikasi Citra )

Image Classification adalah Klasifikasi citra adalah mengelompokkan
objek berdasarkan class (kelas) tertentu. Sehingga kita dapat dengan
mudah mengenali objek.. Bergantung pada interaksi antara analis dan
komputer selama klasifikasi, ada dua jenis klasifikasi: supervised dan
unsupervised.

Algorithma
Analisis algoritma di lakukan untuk dapat mengetahui alur proses dari
algoritma yang digunakan dan dapat
diterapkan kedalam system perangkat
lunak. Dalam proses pengidentifikasian
ini menggunakan library dalam
OpenCV. Berikut ini adalah tahap-
tahap yang dilakukan untuk
mendeteksi jenis burung,yaitu:
Metode Viola Jones
Prosedur deteksi paras menggunakan metode Viola-Jones merupakan menggunakan
mengklasifikasikan gambar menurut dalam nilai fitur sederhana. Terdapat poly alasan buat
memakai fitur daripada piksel secara langsung. Alasan yg paling generik merupakan bahwa
fitur bisa dipakai buat mengkodekan pengetahuan domain ad-hoc yg sulit pada pembelajaran
terhadap data latih yg terbatas jumlahnya.

Alasan krusial ke 2 buat fitur merupakan sistem fitur berbasis operasi jauh lebih cepat
daripada sistem berbasis pixel. Klasifikasi gambar dilakukan menurut nilai berdasarkan
sebuah fitur.
Penggunaan fitur dilakukan lantaran pemrosesan fitur berlangsung lebih cepat dibandingkan
pemrosesan gambaran perpiksel. apabila terdeteksi, akan dilakukan penggambaran garis
persegi dalam objek tadi. Pendeteksian objek menggolongkan gambar menurut dalam nilai
berdasarkan fitur sederhana. Operasi dasar berdasarkan suatu fitur jauh lebih cepat
dibandingkan menggunakan pengolahan pixel. Sejumlah Fitur Haar mewakili daerah persegi
dalam gambaran & menjumlahkan seluruh piksel dalam wilayah tadi.

Viola Jones mengklasifikasikan gambaran berdasarkan nilai fitur-fitur sederhana & memakai
3 jenis fitur, yaitu fitur persegi, fitur 3 persegi, & fitur empat persegi. Nilai berdasarkan fitur-
fitur tadi merupakan selisih antara wilayah hitam & putih. Di pada tiap sub-window image,
jumlah total berdasarkan Fitur Haar sangat akbar , jauh lebih akbar bila dibandingkan
menggunakan jumlah pixel. Untuk memastikan pengklasifikasian bisa dilakukan secara
cepat, proses pembelajaran wajib menghilangkan fitur-fitur dominan yg tersedia, &
memusatkan dalam sekumpulan mini fitur yg perlu. AdaBoost bertujuan buat menciptakan
template.

Algorithma Haar Cascade

Setelah training data telah dilakukan, selanjurnya memanggil algoritma Haar Cascade dalam
program. Pendeteksian objek (muka, paruh, kaki) pada penelitian ini dikhususkan untuk
pendeteksian wajah dengan posisi lurus ke samping terhadap kamera. Dan berikut ini proses-
proses yang terjadi dalam metode haar cascade.

Proses Menentukan Haar

Nilai Haar feature pada openCV yang dikenal dengan Haar cascade. Proses ini dilakukan untuk
mendapat kan sampel dari gambar yang dimasukan dan akan dibandingkan dengan nilai yang ada
pada OpenCV. Kemudian nilai frame akan digunakan untuk mendetek jenis objek gambar yang
masuk jenis burung atau bukan. Keberadaan ada atau tidaknya fitur objek (warna muka, paruh,
kaki) ditentukan dengan mengurangi nilai pixel di wilayah gelap dengan nilai pixel diwilayah
terang. Jadi setiap gambar dirubah kedalam warna hitam dan putih. Jika nilai dari hasil
perbedaannya diatas dari ambang batas selama masa pembelajaran citra maka fitur tersebut dapat
dikatakan ada.
Fitur-fitur ini merupakan gambaran dari objek yang dikelompokkan berdasarkan sisi yang terang
dan sisi yang gelap. Contohnya daerah mata memiliki sisi
yang lebih gelap dari pada bagian yang lain. Terdapat 3 jenis
fitur berdasarkan jumlah persegi yang terdapat di dalamnya,
seperti yang dibawah ini
Proses Cascade Classifier
Hasil deteksi dari Haar ini belum terlalu bagus karena hasil deteksinya masih sangat sedikit lebih
baik dari asal tebak. Jika ingin mendapatkan hasil yang lebih akurat maka harus dilakukan proses
Haar secara massal (banyak), semakin banyak proses Haar yang dilakukan maka akan semakin
akurat hasil yang dicapai, namun waktu yang dibutuhkan untuk memproses gambar tersebut akan
menjadi lebih lama.

Grayscale adalah warna-warna piksel yang berada dalam rentang gradasi warna hitam dan putih.
Tahap ini adalah tahap setelah melalui proses scaling kemudian diubah menjadi gambar dua
warna dengan proses grayscaling.

Proses grayscaling dilakukan oleh system perangkat lunak. Pada umumnya warna yang dipakai
warna hitam sebagai warna minimal (0) dan warna putih (255) sebagai warna maksimalnya,
sehingga warna antaranya adalah abu-abu, seperti ditunjukkan pada gambar berikut.

Derajat keabuan sendiri sebenarnya memiliki beberapa nilai,tidak hanya skala 0 sampai 255. Hal
ini tergantung pada nilai kedalaman pixel yang dimiliki oleh citra. Misalnya dalam gambar objek
(muka, paruh, kaki) yang telah dimasukan mempunyai nilai warna Red, Green dan Blue seperti
pada tabel berikut.

Computer Vision
Computer vision merupakan teknologi paling penting di masa yang akan datang dalam
pengembangan robot yang interaktif. Computer vision merupakan bidang pengetahuan yang
berfokus pada bidang sistem kecerdasan buatan dan berhubungan dengan akuisisi dan
pemrosesan images.
Contoh penerapan computer vision pada dunia riset dan industri ialah:
1. Pengontrolan proses industri
2. Pendeteksi nomor plat kendaraan
3. 3D model building (photogrammetry)
4. Robot Vision, Humanooid Robot dan Robot Soccer
5. Surveillance (monitor penyusup, analisis trafik jalan tol dan lainnya)
6. Modelling objek atau lingkungan
7. Interaksi manusia dan robot (Human Robot Interaction
Metode Penelitian
Persiapan meliputi segala sesuatu yang berhubungan dengan
proses perancangan, yakni: mempelajari dan memahami cara
Viola Jones bekerja, perancangan untuk algoritma dan
flowchart, pembuatan sistem, kemudian menganalisis sistem.

Sistem yang akan dibuat mengacu diagam alir sistem setelah

dijalankan untuk mengakuisisi citra, lalu dilakukan pengolahan
citra: grayscaling, resizing, eqaulization. Objek dicari
menggunakan Viola Jones. Jika terdeteksi, akan dilakukan
penggambaran garis persegi pada objek tersebut

Hasil dan Pembahasan

Ciri ciri jenis burung yang digunakan untuk pendeteksian adalah :

Penyeleksian fitur akan melibatkan nilai fitur, nilai fitur tersebut dihitung dengan Integral Image.
Jumlah sub-window pada suatu citra terlalu banyak, maka dilakukan penyeleksian sub-window
oleh Cascade Classifier (template). Sub-window yang lolos seluruh tahapan seleksi Classifier
akan dideskripsikan. Menampilkan Data Gambar dengan Objek
Hasil Identifikasi

Kesimpulan
Kesimpulan yang dapat saya ambil dari isi makalah ini adalah :

1. Untuk deteksi jenis burung dalam Image classification menggunakan library python
opencv direkomendasikan karena mudah & akurat dan mudah implement algoritma viola-
jones
2. Algoritma viola-jones bekerja baik untuk case deteksi Burung
3. Resolusi gambar RGB, format gambar, variasi gambar objek yang lebih detail sangat
mempengaruhi hasil identifikasi dengan konversi suatu objek untuk Image classification
4. Spec computer seperti processor dan ram berpengaruh besar karena proses penerapan
gambar objek membutuhkan resource yang lebih intensif

Source : https://journals.upi-yai.ac.id/index.php/TEKINFO/article/download/1159/945/
.