BAB 3 ANALISIS DAN PERANCANGAN

21

BAB 3 ANALISIS DAN PERANCANGAN

Bab ini akan membahas tentang implementasi metode yang digunakan untuk mengenali gerakan tangan manusia. Adapun 2 (dua) tahap yang akan dibahas pada bab ini, yaitu tahap analisis dan tahap perancangan system.

3.1

Data yang Digunakan

Data yang digunakan dalam penelitian ini berupa citra yang diambil secara real-time melalui kamera web. Dalam pengambilan citra, ada beberapa aspek yang yang perlu diperhatikan yaitu kualitas kamera web, pencahayaan(lighting) dan jarak pengambilan gambar.

3.2

Analisis Sistem

Metode yang digunakan untuk mengenali gestur tangan manusia melalui kamera web yang digunakan sebagai interaksi manusia-komputer untuk menjalankan instruksi yang telah ditentukan. Penelitian ini terdiri dari beberapa langkah, adapun langkahlangkah tersebut yaitu: pengambilan citra atau gambar melalui kamera web; resizing citra; konversi warna RGB ke HSV; pendeteksian warna kulit dengan mengatur nilai range HSV yang diinginkan; memperbaiki citra dengan median blur utk menghilangkan noise dandilasi; ekstraksi fitur dengan contour dan mencari convexhull dari contour yang telah tertangkap; menghitung convexity defects; menghitung jumlah jari tangan yang terdeteksi. Setelah langkah tersebut telah dilakukan dan berhasil maka akan didapatkan jumlah jari tangan manusia yang berupa suatu instruksi atau perintah untuk memilih sebuah scene yang terdapat pada aplikasi Unity 3D. Adapun arsitektur umum yang menggambarkan metode pada penelitian ini ditunjukkan pada Gambar 3.1.

Universitas Sumatera Utara

22

Citra ditangkap web camera

Pre-Processing

Perbaikan Citra

Konversi RGB ke HSV

Erosion

Atur range HSV

Dilation

Tresholding

Median Blur

Klasifikasi Menghitung Jumlah Jari

Eksraksi Fitur Contour

Convex-Hull

Output Pemilihan Scene Unity berdasarkan jumlah jari yang terdeteksi

Convexity Defects

Gambar 3.1 Arsitektur Umum 3.2.1

Skin Detection

Proses segmentasi digunakan untuk mendapatkan objek yang akan diidentifikasi yang dalam hal ini adalah citra tangan.Agar citra tangan dari pengguna yang diambil dari kamera dapat diidentifikasi sebagai suatu perintah. Pendeteksian objek tangan berdasarkan warna kulit ini sangat dipengaruhi oleh intensitas cahaya pada citra dan juga kualitas dari kamera web itu sendiri dan juga latar pengambilan objek itu sendiri.Pada penelitian ini digunakan metode warna HSV


23

sebagai segmentasi gambar berdasarkan warna.Adapun langkah-langkah mendeteksi warna kulit manusia sebagai berikut.

3.2.1.1 Konversi RGB ke HSV Setelah citra tertangkap oleh kamera web, kemudian akan dikonversi ke ruang warna HSV. Format HSV lebih cocok untuk melakukan pengolahan berdasarkan warna daripada menggunakan RGB, karena kita mendapatkan saluran tunggal (H) yang memegang nilai warna pixel dan dua saluran lainnya (S dan V) yang memegang tingkat saturasi dan kecerahan tingkat pixel. Pada penelitian ini menggunakan fungsi cvtColor() yang tersedia pada OpenCV. Berikut adalah penjelasan fungsi tersebut. cvtColor (Mat src, Mat dst, Imgproc, int code); Parameter: •

Src

: citra masukan yaitu rgbaMat

•

Dst

: citra keluaran yaitu hsvMat

•

Code

: kode konversi ruang warna yaitu COLOR_BGR2HSV

3.2.1.2 Atur Range HSV Setelah dilakukan konversi ke format HSV, selanjutnya dilakukan perubahan citra ke dalam bentuk citra biner menggunakan proses thresholding. Deteksi warna kulit dilakukan dengan cara menentukan rentang nilai dari H, S, dan V, Sehingga untuk setiap piksel dalam citra, jika berada dalam range tersebut, maka akan dianggap sebagai warna kulit, sedangkan untuk yang berada di luar range tersebut akan dianggap sebagai background. Untuk mengecek apakah element tersebut berada di range pada penelitian ini digunakan fungsi Core.inRange() yang tersedia pada OpenCV. Berikut ini adalah penjelasan tentang fungsi tersebut. inRange (Mat src, Scalar lowerb, Scalar upperb, Mat dst); Parameter : •

src

: citra masukan yaitu hsvMat

•

dst

: citra keluaran yaitu hsvMat

•

Lowerb

: batas bawah array

•

Upperb

: batas atas array


24

3.2.1.3 Tresholding Untuk setiap piksel dalam citra, jika nilai H, S, V berada dalam rentang tersebut, maka akan dianggap sebagai warna kulit dan nilainya akan diubah menjadi 255 (warna putih). Sedangkan untuk yang berada di luar rentang itu, akan dianggap sebagai latar belakang dan akan diubah nilainya menjadi 0 (warna hitam). Dengan metode ini, didapatkan citra biner hasil skin detection dengan warna putih merepresentasikan tangan pengguna dan warna hitam merepresentasikan background.

3.2.2

Perbaikan Citra

Hasil dari proses segmentasi yang berupa gambar hitam putih (binary image) yang menunjukkan bagian kulit dari gambar masukan. Akan tetapi citra hasil segmentasi tersebut masih terdapat noise& potongan dari beberapa benda lainnya pada citra, seperti latar belakang gambar. Oleh karena itu, perlu dilakukan beberapa tahapan proses morfologi untuk membersihkan gambar dari

noise& potongan

tersebut.

Adapun beberapa proses morfologi tersebut yaitu. Erosion, dilation dan median blur.

3.2.2.1 Erosion Proses erosi membuang piksel dari gambar atau ekivalen dengan membuat piksel ON menjadi OFF, yaitu piksel putih yang melekat pada daerah background, sehingga akan menyebabkan piksel putih berkurang luasnya (shrinking) dengan tujuan untuk menghilangkan piksel yang memiliki noise pada citra. Adapun fungsi yang digunakan peneliti untuk proses erosi yaitu. Mat element = getStructuringElement(erosion_type,Size (2*erosion_size+1),Point(erosion_size,erosion_size)); Imgproc.erode(src, dst, element); Parameter: •

Src

: citra masukan

•

Dst

: citra keluaran

•

Element

: Ini adalah kernel yang akan di gunakan untuk melakukan operasi. Jika tidak ditentukan dahulu, maka defaultnya adalah matriks 3x3 sederhana.Akan tetapi, kita dapat menentukan


25

bentuknya. Untuk ini, kita perlu menggunakan fungsi getStructuringElement: •

Erosi_type

: bentuk dari kernel, bentuk yang digunakan yaitu MORPH_ELLIPSE yang berbentuk Ellipse

•

Erosion_size : ukuran celah linear, ukuran yang digunakan pada penelitian ini adalah 5

3.2.2.2 Dilation Proses dilasi adalah kebalikan dari proses erosi, membuat piksel off menjadi on, sehingga akan

menyebabkan piksel putih bertambah luasnya. Tujuan dilakukan

proses dilasi adalah karena saat proses erosi dilakukan pada citra masukan, daerah yang diproses termasuk juga kulit ikut mengalami shrinking sehingga perlu dilakukan suatu proses yang mengembalikan daerah tersebut agar bagian tangan nantinya akan terdeteksi dengan benar. Mat element = getStructuringElement(dilation_type,Size (2*dilation_size+1),Point(dilation_size,dilation_size)); Imgproc.dilate(src, dst, element); Parameter: •

Src

: citra masukan

•

Dst

: citra keluaran

•

Element

: Ini adalah kernel yang akan di gunakan untuk melakukan operasi. Jika tidak ditentukan dahuly, maka defaultnya adalah matriks 3x3 sederhana.Akan tetapi, kita dapat menentukan bentuknya. Untuk ini, kita perlu menggunakan fungsi getStructuringElement:

•

Dilation_type : bentuk dari kernel, bentuk yang digunakan yaitu MORPH_ELLIPSE yang berbentuk Ellipse

•

Dilation_size : ukuran celah linear, ukuran yang digunakan pada penelitian ini adalah 5


26

3.2.2.3 Median Blur Median blur dilakukan untuk menghilangkan noise yang masih terdapat pada citra setelah proses dilasi, agar tidak terdefinisi sebagai titik objek.berikut adalah fungsi yang tersedia pada library OpenCV. medianBlur(InputArray src, OutputArray dst, int ksize); Parameter: •

src

: citra masukan

•

dst

: Citra keluaran

•

ksize : ukuran celah linear, biasanya lebih dari 1, contohnya: 3, 5, 7.

3.2.3

Ekstraksi Fitur

Setelah gambar melalui tahap perbaikan citra untuk membersihkan gambar dari noise , maka selanjutnya citra akan dilakukan proses ekstraksi fitur yang meliputi contour,convex-hull dan convexity defects pada citra. Proses ini dilakukan untuk mendapatkan

informasi

yang

diinginkan

untuk

proses

analisis

ataupun

pengklasifikasian data citra. Berikut ini adalah penjelasan dari masing-masing proses yang disebutkan diatas.

3.2.3.1 Contour kontur ditarik sekitar titik-titik putih dari tangan yang ditemukan dari hasil thresholding citra masukan. Hasil tresholding tersebut akan terbentuk lebih dari satu titik pada gambar karena noise dari latar belakang citra. pada penelitian ini digunakan fungsi findcontours() yang telah tersedia oleh OpenCV untuk mendeteksi titik-titik kontur pada citra hasil perbaikan noise sebelumnya.Berikut adalah penjelasan dari fungsi tersebut. findContours (src image, contours, hierarcy, mode, method, Point()); Parameter : •

Image

: citra masukan, yaitu citra hasil proses perbaikan citra

•

Contours

: titik kontur yang terdeteksi. Setiap titik kontur yang terdeteksi akan disimpan didalam list titik vector


27

•

hierarchy

: keluaran berupa titik vektor yang bersifat opsional. Dalam parameter ini disimpan berbagai informasi dari setiap titik kontur,

misalnya titik kontur sebelumnya, titik kontur

selanjutnya, titik kontur utama, dsb. •

Mode

: cara pendeteksian titik kontur. Pada penelitian ini dilakukan dengan cara CV_RETR_EXTERNAL, yang mengambil semua titik kontur dan merekontruksi penuh hirarki titik-titik kontur yang terhubung

•

Method

: metode pendekatan titik kontur. Pada penelitian ini dilakukan dengan

cara

CV_CHAIN_APPROX_SIMPLE,

yang

menekankan pada segmen horizontal, vertikal, dan diagonal dan menentukan titik akhir pada kontur. Setelah contour didapatkan pada citra masukan, maka titik-titik yang didapatkan akan digambar membentuk sebuah gambar tangan. Fungsi yang digunakan pada penelitian ini yaitu drawContours() yang telah tersedia pada library OpenCV.Berikut ini adalah gambar dari proses pendeteksian contour pada penelitian ini yang dapat dilihat dari gambar 3.2.

Gambar 3.2 Hasil dari Contour 3.2.3.2 Convex-hull Setelah titik-titik yang dihasilkan didapatkan dan dibentuk menjadi contour pada proses sebelumnya, maka proses selanjutnya yaitu Convex-hull. Convex hull adalah metode yang digunakan untuk mendeteksi kontur atau obyek pada citra.Convex hull terdiri dari titik-titik yang dihubungkan dengan garis yang mengelilingi kontur (objek


28

pada citra). Setelah kontur-kontur didapatkan, dari kontur-kontur tersebut akan dicari kontur yang paling besarnya (objek tangan harus yang paling besar) sebelum dilakukan pencarian convex hullnya .Fungsi yang digunakan pada penelitian ini yaitu convexHull(). Adapun penjelasan fungsi tersebut yaitu. convexHull(InputArray points, OutputArray hull); Parameter: •

Points : titik kontur yang terdeteksi dan telah disaring.

•

Hull : hasil keluaran Convex-hull.

Berikut ini adalah gambar dari proses pendeteksian convex-hull pada penelitian ini yang dapat dilihat dari gambar 3.3

Gambar 3.3 Hasil dari Convex-hull

3.2.3.3 Convexity defects Setelah kontur terbesar dan Convex-hull terdeteksi, maka proses selanjutnya yaitu Convexity defects.yang merupakan titik temu antara titik kontur dan garis Convex-hull. Pada penelitian ini, digunakan fungsi convexityDefects() yang telah tersedia di OpenCV untuk mendeteksi Convexity defects. Berikut ini adalah penjelasan tentang fungsi tersebut. convexityDefects(contour, convexHull, convexityDefects); Parameter : •

contour

: Titik-tik kontur terbesar yang terdeteksi

•

convexhull

: Convex-hull yang terdeteksi


29

•

convexityDefects

: hasil keluaran Convexity Defects.

Berikut ini adalah gambar dari proses pendeteksian convex-hull pada penelitian ini yang dapat dilihat dari gambar 3.4

Gambar 3.4 Hasil dari Convexity defects

3.3

Use Case Diagram

Use Case Diagram adalah gambaran graphical dari beberapa atau semua actor, use case, dan interaksi diantaranya yang memperkenalkan suatu sistem.Use case dari aplikasi Augmented Reality Bangunan Heritage Kota Medan dapat dilihat pada Gambar 3.5 Start

Capture Video

Capture Gesture

USER

Gesture Recognition

System Marker Detection

Scene Result

Gambar 3.5Use case diagram Element - elemen pada Use Case Diagram : •

User :Mempresentasikan

seseorang

atau

sesuatu(seperti

perangkat,system lain) yang berinteraksi dengan sistem. Actor hanya berinteraksi dengan use case tetapi tidak memiliki kontrol atas use case. Pada penelitian ini, tugas-tugas actor


30

yaitu membuka aplikasi, scan gestur jari tangan pada saat pemilihan scene. •

System

: Pada aplikasi ini, system bertugas untuk penangkapan kamera, penangkapan gesture jari user menggunakan OpenCV dan mengenali gesture tersebut menggunakan metode yang telah dijelaskan

diatas,

juga

mendeteksi

marker

yang

ada

menggunakan library Vuforia serta menampilkan hasil yang ada.

3.4

Diagram Aktivitas

Diagram aktivitas atau activity diagram adalah diagram yang menggambarkan aktivitas yang terjadi selama sistem dijalankan. Diagram aktivitas mendeskripsikan bagaimana awal proses dimulai, keputusan tindakan yang dilakukan dan bagaimana akhir atau hasil dari proses tersebut. Diagram aktivitas pada aplikasi ini dapat dilihat dari gambar 3.6 berikut USER

SISTEM Menampilkan Halaman Video pengenalan Buka Aplikasi Menampilkan Halaman Pemilihan Scene

Identifikasi Jari

Scan Jari Tidak

Pencocokan Ya Identifikasi Marker AR

Halaman Scene

Setelah beberapa waktu yang ditentukan

Gambar 3.6 Activity diagram


31

3.5

Perancangan Antarmuka

Pada tahap ini akan dilakukan perancangan antar muka dari sistem pengenalan gerakan tangan yang digunakan untuk pemilihan scene pada Unity. Rancangan antar muka ini diharapkan agar dapat membuat pengguna lebih tetarik dan kemudahan dalam pengaplikasiannya. Pada penelitian ini ada terdapat 3 halaman rancangan antar muka,yaitu halamn utama, halaman pemilihan scene, halaman tampilan scene. 3.5.1

Rancangan Tampilan Halaman Splash

Halaman utama merupakan halam pertama yang muncul saat aplikasi dijalankan. Rancangan halaman utama dapat dilihat pada gambar 3.7 dibawah ini

2. Animated Loader

Gambar 3.7 Rancangan Halaman Splash Keteragan : 1. Frame ini berisi

•

Judul frame

•

Tombol Close, yang berfungsi untuk mengakhiri aplikasi tersebut,

•

Tombol Maximized Untuk memperbesar jendela Excel XP sehingga terlihat dalam satu layar penuh. Setelah jendela Excel terlihat satu layar penuh


32

•

Tombol Minimize Untuk memperkecil jendela aplikasi sehingga membentuk icon aktif pada Taskbar.

2. Animated loader yang berisi video animasi yang menjelaskan detil isi scene

yang ada.

3.5.2

Rancangan Tampilan Pemilihan Scene

Setelah rancangan halaman utama terbuka selama beberapa waktu, maka akan berpindah secara otomatis ke halaman pemilihan scene, halaman ini berisi frame OpenCV untuk pemilihan sceneyang diinginkan pengguna.berikut adalah penjelasan dari rancangan halaman pemilihan sceneyang dapat dilihat pada gambar 3.8 berikut.

Gambar 3.8 Rancangan Halaman Pemilihan Scene Keterangan : 1. Frame ini berisi

•

Judul frame

•


•

Tombol Maximized Untuk memperbesar jendela sehingga terlihat dalam satu layar penuh. Setelah jendela Excel terlihat satu layar penuh

•

Tombol Minimize Untuk memperkecil jendela aplikasi sehingga membentuk icon aktif pada Taskbar.


33

2. Slider yang digunakan untuk mengatur range dari HSV yang berfungsi untuk

segmentasi citra pada OpenCV 3. Panel yang menampilkan hasil proses OpenCV yang berfungsi untuk

pemilihan scene dengan mengarahkan jari ke kamera web. 4. Panel yang menampilkan keseluruhan objek 3D yang ada agar pengguna dapat

memilih objek mana yang diinginkan secara terpisah selanjutnya.

3.5.3

Rancangan Halaman Scene

Setelah pengguna memilih scene mana yang akan dilihat secara terpisah pada hlaman pemilihan sceneyang sebelumnya, maka akan mucul halaman scene yang telah dipilih oleh pengguna. Rancangan halamanscene dapat dilihat pada gambar 3.9 berikut.

2. Scene

Gambar 3.9 Rancangan Halaman Scene Keterangan : 1. Frame ini berisi •

Judul frame

•


•

Tombol Maximized Untuk memperbesar jendela sehingga terlihat dalam satu layar penuh. Setelah jendela Excel terlihat satu layar penuh


34

•

Tombol Minimize Untuk memperkecil jendela aplikasi sehingga membentuk ikon aktif pada Taskbar.

2. Panel tampilan dari Scene yang telah dipilih oleh pengguna sebelumnya.


35

BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM

4.1

Konfigurasi Sistem

implementasi metode-metode yang digunakan untuk pengenalan jumlah jari tangan manusia yang digunakan untuk pemilihan scene augmented reality yang menggunakan aplikasi Unity 3D. 4.1.1

Konfigurasi Perangkat Keras

Spesifikasi perangkat keras yang digunakan pada penelitian ini dapat dilihat dari table 4.1 berikut: Tabel 4.1 Konfigurasi perangkat keras yang digunakan No

Jenis Komponen

Komponen yang digunakan

1.

Processor

Intel ® CoreTM i3-4005U CPU 1.70GHz

2.

Memory

2048MB

3.

Storage

500GB

4.

Resolusi Layar

1366 x 768 pixel (14” Monitor)

5.

Kamera 1

Logitech PTZ Pro HD1080P 60fps

6.

Kamera 2

Logitech CZT HD 1080P

4.1.2 Konfigurasi Perangkat Lunak Spesifikasi perangkat keras yang digunakan pada penelitian ini dapat dilihat dari table 4.2 berikut: Tabel 4.2 Konfigurasi perangkat lunak yang digunakan No

Jenis software

Software yang digunakan

1.

Sistem Operasi

Windows 8.1 Pro 64bit

2.

Game Engine

3.

Library OpenCV

OpenCV for Unity v1.2.3

4.

Library Vuforia

Vuforia for Unity v6.1.7

Unity 5.4.2f2 (64-bit)


36

4.2

Tampilan Aplikasi

Pada tahap ini, dilakukan implementasi tampilan aplikasi sesuai dengan perancangan antarmuka pengguna pada bab 3. Setiap tampilan pada aplikasi akan dibahas bagaimana proses tampilan dan penggunaannya.

4.2.1

Tampilan Halaman splash

Halaman utama ini merupakan halaman yang akan muncul pertama kali saat usermembuka aplikasi. Halaman utama berisi video animasi yang telah dibuat yang berisi konten scene yang ada. Tampilan halaman utama dapat dilihat pada gambar 4.1 berikut.

Gambar 4.1 Tampilan halaman splash

4.2.2

Tampilan halaman pemilihan scene menggunakan OpenCV

Halaman ini adalah halaman untuk memilih scene yang tersedia yang diinginkan oleh user.Halaman ini menampilkan sedikit bagian objek 3D yang mana menjadi konten scene yang ada dan juga tampilan untuk memilih scene menggunakan OpenCV dengan menghitung jumlah jari user yang diarahkan ke kamera. Berikut adalah tampilan halaman pemilihan scene pada gambar 4.2


37

Gambar 4.2 Tampilan Halaman Pemilihan Scene

4.2.3

TampilanHalaman Scene

Halaman ini berisi scene yang telah dipilih oleh user pada halaman pemilihan scene sebelumnya, pada penelitian ini terdapat 2 halaman scene yang dapat dipilih oleh user yaitu scene Kota Matsum dan scene Kesawan. Berikut adalah gambar masing-masing dari scene yang ada yang dapat dilihat pada gambar 4.3 dan 4.4

Gambar 4.3 HalamanScene Kesawan


38

Gambar 4.4 Halaman Scene Kota Matsum

4.3

Pengujian Hasil Pengenalan Jari Tangan

Pada pengujian Aplikasi pengenalan tangan ini, Uji coba dilakukan untuk mengetahui apakah jumlah jari tangan dari userakanterbaca dan melakukan instruksi yang sesuai dengan yang telah dirancang seperti pemilihan 2 scene animasi objek 3D.Pada pengujian ini peneliti membuat 8 skenario yang mana masing-masing skenario memiliki kondisi yang berbeda misalnya saat pencahayaan terang atau gelap dan juga jarak jari tangan ke kamera yang mana variabel tersebut sangat mempengaruhi dari pengenalan jari tangan.Hasil pengujian ditampilkan dalam tabel yang memperlihatkan data hasil uji coba. Skenario 1: Uji coba dilakukan pada backgroundwarna yang polos dan kondisi pencahayaan yang baik dengan pengaturan range HSV diatas. Hasil pengujian ditunjukkan oleh Tabel 4.3,

Tabel 4.3 Pengujian scenario 1 Banyak Jumlah True False No. pengujian Jari Positive Positive (n) 1 1 72 70 2 2 2 60 60 0

Akurasi (%)

Error (%)

97.22 100

2.78 0


39

Gambar 4.5 Skenario 1 dengan Jumlah Jari 1 Setelah dilakukan beberapa kali pengujian, didapatkan nilai rentang HSV yang stabil dalam pendeteksian yaitu H = 70 – 210, S = 10 – 190, dan V = 25 – 200. Nilai rentang tersebut dijadikan nilai rentang default untuk aplikasi. Gambar 4.5 menunjukkan hasil pengenalan jari tangan 1 pada ruangan yang cukup terang sesuai dengan skenario 1 untuk menjalankan perintah pindah ke scene Kota Matsum, jumlah jari tangan ini dapat dikenali oleh system dengan tingkat akurasi yang tinggi, yaitu sebar 97.22% dari 72 kali percobaan, kesalahan yang mungkin terjadi pada proses ini ketika ada perubahan intensitas cahaya yang menjadi redup menyebabkan warna daerah kulit tangan menjadi gelap, sehingga tidak dapat dikenali sistem sebagai warna kulit dan juga jari yang terlipat terdefenisi sebagai jari.

Gambar 4.6 skenario 1 dengan jumlah jari 2 Gambar 4.6 menunjukkan hasil pengenalan jumlah jari tangan dengan jumlah jari 2 dengan skenario 1 untuk menjalankan perintah pindah ke scene kesawan. Dari hasil pengujian didapatkan hasil pengenalan jumlah jari oleh system sebesar 100% dari 60 percobaan.Dari pengujian yang dilakukan dalam skenario 1 untuk 2 perintah tersebut, maka diperoleh hasil rata-rata akurasi sebagai berikut.

A=

97.22+100 2

= 98.61%


40

Skenario 2: Uji coba dilakukan pada background yang polos tetapi pencahayaan yang kurang baik dengan pengaturan range HSV diatas. Hasil pengujian ditunjukan oleh Tabel 4.4. Tabel 4.4 Pengujian scenario 2 No. 1 2

Banyak True False Jumlah pengujian Positive Positive Jari (n) 1 75 72 3 2 85 83 2

Akurasi (%)

Error (%)

96 97.64

4 2.36

Gambar 4.7 Skenario 2 dengan Jumlah Jari 1 Gambar 4.8 diatas adalah pengujian pengenalan jumlah jari tangan dengan jumlah jari 1 dengan skenario 2 dimana kondisi cahaya yang redup.Hasil pengujian pengenalan jari tangan oleh sistem dengan instruksi pindah scene kesawan didapatkan sebesar 96% dari 75 percobaan.Kesalahan yang mungkin terjadi dikarenakan pendeteksian warna kulit yang gelap sehingga sistem sulit untuk mengenali objek tangan.

Gambar 4.8 Skenario 2 dengan Jumlah Jari 2


41

Gambar 4.9 diatas hasil pengujian jumlah jari tangan 2 pada skenario 2 dimana cahaya pada ruangan tidak terang atau redup.Hasil jumlah jari yang dapat dikenali oleh sistem yaitu 97.64% dari 85 percobaan. B=

96+97.64 2

= 96.82% Dari seluruh pengujian yang dilakukan untuk pengenalan jumlah jari tangan manusia, efek pencahayaan cukup berpengaruh oleh sistem dalam pengenalan jari tangan. Pada cahaya yang terang maka seluruh warna objek yang tertangkap oleh webcam akan terdefinisi dengan baik, sebaliknya jika pencahayaan pada ruangan pengujian tersebut redup, maka sistem akan sulit mendeteksi warna kulit dikarenakan warna objek yang terlalu gelap sehingga tidak dapat didefinisikan sebagai warna kulit. Berikut adalah perhitungan rata-rata akurasi pengenalan jari tangan berdasarkan cahaya. Rata-rata Akurasi

= =

𝐴𝐴+𝐵𝐵 2

98.61+96.82 2

= 97.715%

Skenario 3: Uji coba dilakukan pada jarak lebih dari 65 cm yaitu 80 cm dari depan webcam, dengan pencahayaan yang baik dan background warna polos dengan pengaturan range HSV diatas. Hasil pengujian ditunjukkan oleh Tabel 4.5. Tabel 4.5 Pengujian scenario 3

No. 1 2

Banyak Jumlah True False pengujian Jari Positive Positive (n) 1 50 0 50 2 65 0 65

Akurasi (%)

Error (%)

0 0

100 100


42

Gambar 4.9 Skenario 3 Gambar 4.9 menunjukkan hasil pengujian pengenalan jumlah jari tangan dengan jumlah jari lima dan satu dengan jarak dari kamera sejauh 80 dengan instruksi sesuai dengan tabel 4.5. didapat hasil pengenalan sebesar 0% dengan 50 percobaan. Kesalahan yang terjadi dikarenakan jarak yang terlalu jauh sehingga jarak antara jari terlihat terlalu rapat sehingga area kontur yang terdeteksi menghasilkan nilai depth point yang terlalu kecil. C=

0+0 2

= 0% Skenario 4: Uji coba dilakukan pada jarak kurang dari 50 cm yaitu 30 cm dari depan webcam,dengan pencahayaan yang baik dan background warna polos dengan pengaturan range HSV diatas. Hasil pengujian ditunjukkan oleh Tabel 4.10. Tabel 4.6 Pengujian scenario 4 Banyak Jumlah True False No. pengujian Jari Positive Positive (n) 1 1 75 74 1 2 2 65 65 0

Akurasi (%)

Error (%)

98.66 100

1.34 0


43

Gambar 4.10 Skenario 4 Gambar 4.10 menunjukkan hasil pengujian pengenalan jumlah jari tangan dengan jumlah jari tangan 1 dengan jarak dari kamera sebesar 30 cm sesuai dengan skenario 1 dengan instruksi sesuai dengan table 4.6. setelah dilakukan pengujian didapat hasil pengenalan jumlah jari tangan oleh sistem sebesar 100% dari 75 percobaan. D=

98.66+100 2

= 99.33% Dari seluruh pengujian yang dilakukan untuk pengenalan jumlah jari tangan manusia, jarak ke kamera juga cukup berpengaruh oleh sistem dalam pengenalan jari tangan. Pada jarak yang jauh maka kontur tangan yang terdeteksi akan rapat dan menghasilkan nilai depth point yang terlalu kecil sehingga tidak dapat dilakukan perhitungan defects.Berikut adalah perhitungan rata-rata akurasi pengenalan jari tangan berdasarkan cahaya. Rata-rata Akurasi

=

𝐶𝐶+𝐷𝐷

=

0+99.3

2

2

= 49.665%


44

4.4

Pengujian Marker Augmented Reality

Pengujian Marker dilakukan untuk membuktikan bahwa marker dapat dideteksi oleh AR Camera dengan baik sehingga dapat menampilkan objek 3D maupun animasi yang telah dibuat sebelumnya. Pengujian dilakukan dengan cara membuka aplikasi , setelah aplikasi terbuka maka AR kamera akan otomatis menyala dan akan mendeteksi markeryang ada dengan mengarahkan kamera pada marker. Apabila marker yang dideteksi cocok dengan marker yang telah didaftarkan pada vuforia maka akan muncul objek 3D maupun animasi yang telah dibuat. Berikut adalah pengujian marker berdasarkan jarak pengambilan kamera dan sudut kemiringan kamera.

4.4.1

Pengujian jarak pendeteksian

Pengujian jarak dilakukan untuk mengetahui seberapa jauh jarak marker dapat dideteksi oleh kamera dan jarak berapa marker dideteksi lebih efektif. Hasil pengujian dapat dilihat pada table 4.7 Tabel 4.7 Pengujian jarak deteksi No.

Jarak

Keterangan

1.

2.5 meter

Terdeksi

dan

stabil 2.

3meter

Terdeteksi

dan

stabil 3.

5 meter

Terdeteksi

dan

stabil 3.

4.4.2

7 meter

Tidak terdeteksi

Pengujian sudut kemiringan pendeteksian

Pengujian sudut kemiringan kamera dilakukan untuk mengetahui sudut berapa kamera dapat mendeteksi marker dan sudut berapa kamera tidak dapat mendeteksi marker. Hasil pengujian dapat dilihat pada table 4.8 Table 4.8 Pengujian sudut kemiringan kamera No.

Jarak

Keterangan


45

1.

10o

Tidak terdeteksi

2.

40o

Terdeksi stabil

3.

90

Terdeteksi stabil


46

BAB 5 KESIMPULAN DAN SARAN

Bab ini membahas tentang kesimpulan dari Pengenalan Jari tangan sebagai interaksi augmented reality heritage kota medan .Selain itu juga memberikan saran untuk pengembangan penelitian selanjutnya.

5.1

Kesimpulan

Setelah melakukan tahap implementasi dan menguji sistem, maka diperoleh beberapa kesimpulan yang ditemukan pada penelitian ini, yaitu : 1. Aplikasi dapat berjalan dengan baik saat mendeteksi marker dan menampilkan objek 3D. 2. Situasi yang baik dalam melakukan pendeteksian jumlah jari tangan yaitu pada jarak 30 – 50 cm dan dengan pencahayaan yang cukup terang. 3. Jarak maksimal untuk pendeteksian jumlah jari tangan yaitu 65 cm 4. Pada saat pendeteksian disarankan, warna latar belakang pendeteksian haruslah polos dan tidak bercorak serta berwarna kulit. 5. Jarak optimal pendeteksian marker didapat yaitu 2.5 – 5 meter

5.2

Saran

Saran yang dapat diberikan untuk penelitian selanjutnya adalah : •

Penelitian selanjutnya diharapkan dapat mendeteksi objek tangan dengan latar belakang (background) warna yang bervariasi / tidak polos.

•

Diharapkan pengembangan selanjutnya disarankanmenggunakan metode lain agar pendeteksian tidak mudah terganggu karena objek lain masuk seperti kulit lengan maupun kepala.


47

•

Diharapkan penelitian selanjutnyatetap dapat mengenali jumlah jari tangan ketika ada perubahan cahaya yang signifikan.


BAB 3 ANALISIS DAN PERANCANGAN

Recommend Documents