Definisi computer Vision

Computer vision adalah cabang dari ilmu komputer yang berkaitan dengan
pengembangan teknologi yang memungkinkan komputer untuk melihat,
menginterpretasi, dan memahami visual dunia nyata. Tujuan utama dari computer vision
adalah memberikan kemampuan kepada mesin untuk mendeteksi, mengenali, dan
memahami objek, pola, dan aktivitas visual. Ini melibatkan penggunaan algoritma dan
model matematika untuk menganalisis dan memahami data visual dari dunia nyata,
seperti gambar dan video.

Beberapa tugas yang umum dilakukan dalam computer vision meliputi:

1. Pengenalan Objek: Identifikasi dan klasifikasi objek dalam gambar atau video.
2. Deteksi Objek: Menemukan dan memarkahi objek-objek tertentu dalam gambar
atau video.
3. Segmentasi Objek: Memisahkan objek dari latar belakang dalam gambar atau
video.
4. Pengenalan Aksi dan Gerakan: Mengenali aktivitas manusia atau objek
bergerak dalam video.
5. Pengenalan Wajah: Identifikasi dan verifikasi identitas manusia berdasarkan
gambar wajah.
6. Rekonstruksi 3D: Membangun model tiga dimensi dari objek atau lingkungan
berdasarkan gambar dua dimensi.
7. Pengolahan Citra Medis: Analisis gambar medis untuk diagnosis dan
perencanaan pengobatan.

Untuk mencapai tujuan ini, computer vision menggunakan berbagai teknik dan
algoritma, termasuk pengolahan citra, pembelajaran mendalam (deep learning), jaringan
saraf tiruan, dan teknik-teknik kecerdasan buatan lainnya. Computer vision memiliki
berbagai aplikasi praktis, termasuk dalam industri otomotif (mobil otonom), pengenalan
wajah (pengamanan), pengenalan karakter tulisan tangan, pengolahan citra medis,
pengenalan pola untuk pengenalan suara, dan banyak lagi.
Segmentasi Citra

Segmentasi citra adalah proses dalam computer vision di mana gambar atau video
dibagi menjadi beberapa segmen atau wilayah homogen berdasarkan karakteristik
tertentu, seperti warna, tekstur, kecerahan, atau bentuk. Tujuannya adalah untuk
mengidentifikasi objek atau bagian-bagian objek dalam gambar sehingga
memungkinkan analisis lebih lanjut. Segmentasi citra adalah langkah penting dalam
banyak aplikasi computer vision, termasuk pengenalan objek, deteksi gerakan,
pengolahan citra medis, dan lain-lain.

Berikut adalah beberapa teknik umum yang digunakan dalam proses segmentasi citra:

1. Thresholding: Metode ini melibatkan pemilihan nilai ambang (threshold)

tertentu, di mana semua piksel dengan intensitas di atas atau di bawah nilai
ambang tersebut dianggap sebagai bagian dari objek yang diinginkan. Contoh
 aplikasinya adalah pengenalan objek pada latar belakang homogen, seperti
deteksi tulisan pada halaman putih.
2. Clustering (Pengelompokan): Teknik ini mengelompokkan piksel-piksel
berdasarkan kesamaan karakteristik, seperti warna atau tekstur. Salah satu
algoritma clustering yang umum digunakan adalah K-means clustering.
3. Edge Detection (Deteksi Tepi): Metode ini mengidentifikasi tepi atau batas
antara objek dalam gambar. Algoritma Sobel dan Canny adalah contoh teknik
deteksi tepi yang umum digunakan.
4. Region Growing (Pertumbuhan Wilayah): Algoritma ini memulai dari satu
piksel dan memperluas wilayah dengan menambahkan piksel-piksel tetangganya
yang memiliki karakteristik serupa, seperti warna atau intensitas.
5. Contour Detection (Deteksi Kontur): Teknik ini mengidentifikasi garis-garis
kontur yang membatasi objek dalam gambar. Algoritma ini sering digunakan
untuk pengenalan bentuk objek.

Contoh aplikasi segmentasi citra termasuk:

 Pengenalan Objek pada Gambar: Dalam pengenalan objek, segmentasi citra

membantu memisahkan objek dari latar belakang, memungkinkan sistem
mengidentifikasi dan memahami objek dengan lebih baik.
 Pengolahan Citra Medis: Dalam diagnostik medis, segmentasi citra digunakan
untuk mengidentifikasi dan memisahkan struktur anatomi dalam gambar medis,
seperti MRI atau CT scan.
 Pengenalan Karakter Tulisan Tangan: Segmentasi citra membantu memisahkan
karakter-karakter tulisan tangan dalam dokumen yang di-scan, memungkinkan
sistem pengenalan karakter untuk mengidentifikasi setiap karakter dengan benar.

Penting untuk diingat bahwa setiap teknik segmentasi citra memiliki kelebihan dan
kelemahan masing-masing, dan pilihan teknik tergantung pada karakteristik gambar
yang akan diolah serta tujuan analisis yang diinginkan.
Objek Recognition

Pengenalan objek (Object Recognition) dalam computer vision adalah kemampuan

sistem komputer untuk mengidentifikasi dan mengklasifikasikan objek atau entitas
tertentu dalam gambar atau video. Proses ini melibatkan penggunaan algoritma dan
teknik komputer vision untuk memahami dan menafsirkan informasi visual dalam
gambar. Berikut adalah langkah-langkah umum dalam proses pengenalan objek:

Langkah-langkah dalam Proses Pengenalan Objek:

1. Pendahuluan (Preprocessing): Gambar atau video input dapat mengalami

proses pra-pemrosesan untuk meningkatkan kualitas, mengurangi noise, atau
menyesuaikan pencahayaan agar memudahkan analisis.
2. Deteksi Objek (Object Detection): Algoritma deteksi objek digunakan untuk
menemukan lokasi objek dalam gambar. Algoritma ini memberikan kotak
pembatas (bounding boxes) yang menunjukkan lokasi perkiraan objek dalam
gambar.
3. Ekstraksi Fitur (Feature Extraction): Piksel-piksel dalam kotak pembatas
tersebut diekstraksi menjadi fitur-fitur yang dapat digunakan untuk
menggambarkan objek. Ini dapat mencakup tekstur, warna, bentuk, atau fitur-
fitur lainnya.
 4. Klasifikasi (Classification): Fitur-fitur yang diekstraksi dari objek kemudian
disampaikan ke model klasifikasi, seperti jaringan saraf tiruan (neural networks),
untuk menentukan kategori atau jenis objek tersebut.
5. Post-Processing: Hasil klasifikasi dapat mengalami proses post-processing untuk
meningkatkan akurasi, seperti penggabungan kotak pembatas yang tumpang
tindih atau menghapus hasil yang tidak relevan.

Contoh Pengenalan Objek pada Computer Vision:

Contoh 1: Pengenalan Objek dalam Foto

Misalkan Anda memiliki gambar yang berisi objek-objek seperti mobil, sepeda, dan
orang. Sistem pengenalan objek dapat mengidentifikasi dan memberi label pada setiap
objek dalam gambar, menunjukkan bahwa ada mobil di satu sudut, sepeda di sudut lain,
dan beberapa orang berada di lokasi lain.

Contoh 2: Pengenalan Objek dalam Video Pengawasan

Dalam video pengawasan, pengenalan objek dapat digunakan untuk mengidentifikasi

aktivitas atau objek mencurigakan. Misalnya, dalam video pengawasan di sebuah pusat
perbelanjaan, sistem dapat mengenali jika seseorang meninggalkan tasnya tanpa
pengawasan untuk waktu yang lama, dan sistem dapat memberi peringatan kepada
petugas keamanan.

Contoh 3: Pengenalan Teks dalam Gambar

Pengenalan objek juga dapat melibatkan pengenalan teks dalam gambar, seperti plat
nomor kendaraan dalam gambar foto atau video lalu lintas. Sistem pengenalan objek
dapat mengekstrak dan mengidentifikasi teks tersebut, memungkinkan pengguna untuk
melacak kendaraan tersebut.

Pengenalan objek memiliki banyak aplikasi praktis, termasuk dalam mobil otonom,
pengawasan keamanan, pengelolaan inventaris, pengenalan wajah, dan banyak lagi.
Algoritma dan teknik yang digunakan dalam pengenalan objek terus berkembang
seiring dengan kemajuan dalam bidang computer vision dan deep learning.
Objek Detection

Objek detection adalah salah satu tugas penting dalam computer vision yang
melibatkan identifikasi dan lokalisasi objek atau entitas tertentu dalam gambar atau
video. Dalam objek detection, sistem komputer tidak hanya mengenali objek, tetapi juga
memberi tahu di mana objek tersebut berada dalam gambar menggunakan kotak
pembatas (bounding boxes). Proses ini memungkinkan sistem untuk mengidentifikasi
banyak objek yang berbeda dalam satu gambar dan memberikan informasi tentang
lokasi relatif mereka.

Langkah-langkah dalam Proses Objek Detection:

1. Pendahuluan (Preprocessing): Gambar atau video input mungkin memerlukan

pra-pemrosesan untuk meningkatkan kualitas, mengurangi noise, atau
menyesuaikan pencahayaan agar memudahkan analisis.
 2. Deteksi Objek (Object Detection): Dalam langkah ini, algoritma objek detection
digunakan untuk menemukan dan mengidentifikasi objek dalam gambar.
Algoritma ini menghasilkan kotak pembatas (bounding boxes) yang
menunjukkan lokasi objek-objek yang terdeteksi dalam gambar.
3. Post-Processing: Hasil deteksi objek dapat mengalami proses post-processing
untuk meningkatkan akurasi. Ini termasuk penggabungan kotak pembatas yang
tumpang tindih, menghapus deteksi yang tidak relevan, atau mengurangi jumlah
deteksi yang berlebihan.

Contoh Objek Detection pada Computer Vision:

Contoh 1: Pengenalan Objek dalam Video Pengawasan

Dalam sistem pengawasan keamanan, objek detection dapat digunakan untuk

mengidentifikasi berbagai objek seperti manusia, mobil, dan tas di area yang diawasi.
Sistem ini dapat memberi tahu pihak keamanan ketika ada objek mencurigakan atau
melacak gerak-gerik tertentu.

Contoh 2: Pengenalan Objek dalam Mobil Otonom

Dalam mobil otonom, objek detection digunakan untuk mengidentifikasi objek-objek di

sekitar mobil seperti mobil lain, pejalan kaki, dan lampu lalu lintas. Sistem ini membantu
mobil otonom memahami lingkungannya dan mengambil keputusan yang aman selama
perjalanan.

Contoh 3: Pengenalan Objek dalam Foto Kelompok

Objek detection juga dapat digunakan untuk mengidentifikasi dan mengelompokkan

objek dalam foto kelompok. Misalnya, dalam foto keluarga, objek detection dapat
mengenali wajah-wajah manusia dan mengelompokkannya ke dalam kategori orang
dewasa dan anak-anak.

Objek detection memiliki banyak aplikasi praktis, termasuk di bidang keamanan,

transportasi, pengenalan wajah, pemantauan lingkungan, dan banyak lagi. Algoritma
objek detection yang populer termasuk R-CNN (Region-based Convolutional Neural
Networks), Fast R-CNN, Faster R-CNN, dan YOLO (You Only Look Once), yang dirancang
khusus untuk tugas objek detection dengan kecepatan tinggi.