SKELETON IMAGE SEGMENTATION BASED ON GAIT VIDEO USING THINNING ALGORITHM

 

SKELETON IMAGE SEGMENTATION BASED ON GAIT VIDEO USING THINNING ALGORITHM Margaretta, Dr. Dewi Agushinta R, Skom., MSc Undergraduate Program, Faculty of Industrial Technology, 2010 Gunadarma University http://www.gunadarma.ac.id

Keywords: Biometrics, Dilation, Erosion, Gait, Skeleton Image, Thinning ABSTRACT: Current technological advances have increased rapidly, one area that has increased, is a recognition system, such as the recognition system of human walking motion style know as Gait Recognition. Data or information of processes human walking motion style (Gait Recognition) can be presented in the form of video. Video is a combined still images that is read sequentially in a time with a certain speed. Image or picture is something that describes the object. While the digital image is an image that has been stored in the form of files that can be processed using the computer. Digital image processing techniques can be applied in the process of image segmentation. This process can be used to produce a form template by using a thinning algorithm. Thinning algorithm is an algorithm to create an image to be as one pixel thick. In the testing process used five videos with the extension .avi to be taken six photographs each from each video. Then the images are segmented into one pixel thicked by thinning algorithm. The success rate result of the segmentation is 66.66%. However, there are several factors that cause failure in a process the video quality is not good, poor lighting in the video frame and the shape is not perfect.

 

 

SEGMENTASI CITRA RANGKA TUBUH BERDASARKAN VIDEO CARA BERJALAN MANUSIA MENGGUNAKAN ALGORITMA THINNING Margaretta1, Dr. Dewi Agushinta R, Skom., MSc 2 Universitas Gunadarma Kalimalang E-mail : [email protected], [email protected] Abstrak Kemajuan teknologi saat ini mengalami peningkatan yang pesat, salah satu bidang yang mengalami peningkatan adalah sistem pengenalan, seperti misalnya sistem pengenalan gaya gerak berjalan manusia (Gait Recognition). Data atau informasi proses gaya berjalan (Gait Recognition) seseorang dapat disajikan dalam bentuk video. Video adalah gabungan citra/ gambar-gambar mati yang dibaca berurutan dalam suatu waktu dengan kecepatan tertentu. Citra atau gambar atau image merupakan sesuatu yang menggambarkan objek. Sedangkan Citra dijital merupakan citra yang telah disimpan dalam bentuk file sehingga dapat diolah dengan menggunakan komputer. Teknik pengolahan citra dijital dapat diterapkan dalam proses segmentasi citra. Proses ini dapat digunakan untuk menghasilkan suatu bentuk skeleton dengan menggunakan algoritma thinning. Algoritma thinning merupakan proses pengambilan rangka setebal satu piksel dari citra hingga menghasilkan bentuk skeleton. Pada proses pengujian digunakan 5 video dengan ekstensi .avi yang akan diambil masing-masing 6 buah citra dari setiap video. Kemudian citra tersebut akan dilakukan segmentasi citra rangka tubuh manusia dengan algoritma thinning. Tingkat keberhasilan yang didapat dari hasil segmentasi citra sebesar 66,66 %. Namun terdapat beberapa faktor yang menyebabkan terjadinya kegagalan dalam proses ini yaitu dikarenakan karena kualitas video tidak baik, pencahayaan dalam video yang kurang dan bentuk skeleton yang tidak sempurna. Kata Kunci : Biometrik, Citra Skeletonisasi, Dilasi, Erosi, Gait, Thinning 1. PENDAHULUAN 1.1.

Latar Belakang

Kemajuan teknologi saat ini berkembang cepat, keamanan biometrik telah sangat meningkat. Salah satu bidang yang mengalami peningkatan adalah sistem pengenalan, seperti misalnya sistem pengenalan gaya gerak berjalan manusia (Gait Recognition). Dengan menggunakan sistem komputer untuk memetakan titik-titik pada tubuh manusia. Gait adalah cara atau sikap berjalan kaki seseorang (Dawson, 2002). Tiap orang memiliki Gait yang berbeda. Karakteristik ini yang kemudian digunakan untuk identifikasi individu. Kelebihan Gait adalah proses pengambilan Gait dapat dilakukan dari jarak jauh. Tidak seperti identifikasi sidik jari, iris mata, suara, dan wajah yang memerlukan kedekatan antara objek dengan sensor. Kelebihan identifikasi Gait lainnya adalah ia sulit untuk disembunyikan ataupun direkayasa (Boulgouris, 2005). Data atau informasi proses gaya berjalan (Gait Recognition) seseorang dapat disajikan dalam bentuk video. Video adalah gabungan citra/ gambar-gambar mati yang dibaca berurutan dalam suatu waktu dengan kecepatan tertentu. Citra atau gambar atau image

 

 

merupakan sesuatu yang menggambarkan objek. Citra dijital merupakan citra yang telah disimpan dalam bentuk file sehingga dapat diolah dengan menggunakan komputer. Teknik pengolahan citra dijital dapat diterapkan dalam melakukan segmentasi citra. Segmentasi citra merupakan suatu proses pengelompokkan citra menjadi beberapa region berdasarkan kriteria tertentu. Berdasarkan pengertiannya, segmentasi memiliki tujuan menemukan karakteristik khusus yang dimiliki suatu citra. Oleh karena itu, segmentasi sangat diperlukan pada proses pengenalan pola. Thinning termasuk langkah penting dalam operasi analisis citra seperti pada proses pengenalan pola karena mampu mengidentifikasi piksel-piksel dari suatu objek yang dianggap mewakili bentuk objek tersebut dan digunakan untuk mengekstraksi fitur dari suatu objek pada sebuah citra. Algoritma thinning digunakan untuk mengambil rangka setebal satu piksel dari citra, dengan cara membuang titik-titik atau layer terluar dari citra sampai semua garis atau kurva hanya setebal satu piksel Kerangka yang dihasilkan disebut sebagai skeleton, yang dianggap merepresentasikan bentuk objek. Dalam penelitian ini digunakan 5 video cara berjalan manusia. Dari setiap video tersebut akan diambil 6 buah citra hasil capturing video. Kemudian citra capturing tersebut akan melalui proses dilasi dan erosi setelah itu dilakukan segmentasi citra rangka tubuh manusia dengan algoritma thinning. 1.2.

Tujuan Penulisan

Penulisan ini bertujuan untuk implementasi segmentasi citra rangka tubuh berdasarkan video cara berjalan manusia untuk mendapatkan bentuk skeleton menggunakan algoritma thinning. 2. TINJAUAN PUSTAKA 2.1.

Video

Video adalah teknologi untuk menangkap, merekam, memroses, mentransmisikan dan menata ulang gambar bergerak (Elga Yulwardian, 2004). Biasanya menggunakan film seluloid, sinyal elektronik, atau media dijital. Video juga bisa dikatakan sebagai gabungan citra/ gambar-gambar mati yang dibaca berurutan dalam suatu waktu dengan kecepatan tertentu. Gambar-gambar yang digabung tersebut dinamakan frame dan kecepatan pembacaan gambar disebut dengan frame rate, dengan satuan fps (frame per second). Karena dimainkan dalam kecepatan yang tinggi maka tercipta ilusi gerak yang halus, semakin besar nilai frame rate maka akan semakin halus pergerakan yang ditampilkan. Pada umumnya file video sekarang ini banyak yang telah mengalami proses kompresi. Salah satu format multimedia yang dibentuk berdasarkan proses kompresi adalah format AVI (Audio Video Interleave). Banyak file video yang dikompresi dengan ukuran yang tingkat perbedaannya sangat jauh, sehingga kualitas gambar yang dihasilkan menjadi berbeda kualitasnya (menurun) dengan file aslinya. Algoritma yang tersedia untuk melakukan kompresi tersebut juga sangat beragam, penggunaan algoritma itu biasanya lebih mengutamakan efisiensi pengecilan ukuran file, akan tetapi juga ada yang memertahankan kualitas dari file multimedia tersebut. 2.2.

Segmentasi Citra

Segmentasi citra merupakan suatu proses pengelompokkan citra menjadi beberapa region berdasarkan kriteria tertentu. Berdasarkan pengertiannya, segmentasi memiliki tujuan

 

 

menemukan karakteristik khusus yang dimiliki suatu citra. Oleh karena itu, segmentasi sangat diperlukan pada proses pengenalan pola. Semakin baik kualitas segmentasi maka semakin baik pula kualitas pengenalan polanya. Secara umum ada beberapa pendekatan yang banyak digunakan dalam proses segmentasi antara lain : • Teknik threshold, yaitu pengelompokkan citra sesuai dengan distribusi properti piksel penyusun citra. • Teknik region-based, yaitu pengelompokkan citra ke dalam region tertentu secara langsung berdasar persamaan karakteristik suatu area citranya. • Edge-based methods, yaitu pengelompokkan citra ke dalam wilayah berbeda yang terpisahkan karena adanya perbedaan perubahan warna tepi dan warna dasar citra yang mendadak. Pendekatan pertama dan kedua merupakan contoh kategori pemisahan image berdasarkan kemiripan area citra, sedangkan pendekatan ketiga merupakan salah satu contoh pemisahan daerah berdasarkan perubahan intensitas yang cepat terhadap suatu daerah. 2.3.

Algoritma Thinning

Thinning termasuk langkah penting dalam operasi analisis citra seperti pada pengenalan karakter, pengenaan sidik jari, dan pemrosesan dokumen (Koushik, 2000). Proses thinning mengidentifikasi piksel-piksel dari suatu objek yang dianggap mewakili bentuk objek tersebut dan digunakan untuk mengekstraksi fitur dari suatu objek pada sebuah citra. Pada pengenalan pola, thinning digunakan untuk mereduksi pola biner ke representasi skeletal. Operasi thinning digunakan untuk mengambil rangka setebal satu piksel dari citra, dengan cara membuang titik-titik atau layer terluar dari citra sampai semua garis atau kurva hanya setebal satu piksel. Kerangka yang dihasilkan disebut sebagai skeleton, yang dianggap merepresentasikan bentuk objek. Pada image berbentuk garis, skeleton menunjukkan semua informasi dari objek aslinya. Komponen-komponen dari skeleton, yaitu posisi, orientasi, dan panjang segmensegmen garis skeleton mewakili garis-garis yang membentuk image. Komponen-komponen ini mempermudah karakterisasi komponen-komponen dari image tersebut. Misalnya panjang dari suatu bentuk dapat diperkirakan dengan memperhitungkan ujung-ujung dan titik terjauh pada skeleton. Ada berbagai macam metode atau algoritma thinning, dan masing-masing memberikan hasil yang berbeda. Kebanyakan algoritma thinning bersifat iteratif. Pada sebuah iterasi, piksel-piksel edge dievaluasi berdasarkan kriteria-kriteria tertentu untuk menentukan apakah harus dibuang atau tidak. Ada juga beberapa algoritma pada komputer-komputer yang bekerja secara sekuensial dan paralel. Pada algoritma sekuensial, untuk memroses suatu piksel pada suatu tahap digunakan hasil pemrosesan pada iterasi sebelumnya dan hasil iterasi pada tahap yang sedang berjalan. Sedangkan pada algoritma paralel, keputusan untuk membuang suatu piksel hanya bergantung pada hasil dari iterasi sebelumnya. Pada operasi thinning sering juga terjadi permasalahan. Berikut ini adalah contoh permasalahan yang sering terjadi pada operasi thinning : • Necking Di mana bagian tipis berada di perpotongan dari dua garis ditipiskan menjadi sebuah segmen tipis. • Tailling Di mana terdapat garis ekstra pada sebuah segmen. • Spurious Projection (line fuzz)  

 

Di mana ada beberapa garis ekstra.

(a) (b) (c) Gambar 1. Permasalahan dari Thinning, a) Necking, b) Tailling, dan c) Spurious Projection (line fuzz) (Parker, 1997) 2.4.

Skeletonisasi

Skeletonisasi adalah proses merubah bentuk dari citra hasil restorasi yang berbentuk citra biner menjadi citra yang menampilkan batas-batas objek yang hanya setebal satu piksel. Untuk melakukan proses skeletonisasi dipergunakan algoritma thinning. Algoritma ini secara iteratif menghapus piksel-piksel pada citra biner, dimana transisi dari 0 ke 1 (atau dari 1 ke 0 pada konvensi lain) terjadi sampai dengan terpenuhi suatu keadaan di mana satu himpunan dari lebar per unit (satu piksel) terhubung menjadi suatu garis. Tujuan thinning pada proses skeletonisasi adalah untuk menghilangkan piksel-piksel yang berada di dalam obyek depan (foreground object) pada citra biner. Thinning dalam skeletonisasi berfungsi untuk merapikan atau menyempurnakan hasil output proses edge detection dengan cara mengurangi lebar sisi ataupun batas. Dan sebagai tambahan untuk melakukan proses skeletonisasi maka hindari citra yang memiliki tingkat erosi yang tinggi karena akan sedikit sulit melakukan proses skeleton sebab erosi berfungsi untuk mengurangi nilai piksel dan merubah hingga menjadi beberapa garis. Sehingga dikhawatirkan akan menimbulkan kerancuan pada tahap skeletonisasi.

Gambar 2. Citra Skeletonisasi 3. PEMBAHASAN DAN ANALISIS 3.1.

Alur Proses Program

Proses-proses dalam pembuatan program segmentasi citra rangka tubuh manusia ini memiliki 3 buah tahapan, yaitu : Input Data Video (Capture Video) Erosi dan Dilasi Citra Skeletonisasi Citra Gambar 3. Tahap Segmentasi Citra  

 

Berikut ini pseodocode dari setiap tahap segmentasi citra : procedure capture p : nilai frame yang diinput j : jarak antar frame n : banyaknya jumlah framedalam satu video if (p <= 0 || j <= 0 ) then print (‘Nilai frame harus lebih besar dari 0’) else if (p > (n – (j *2 ) ) print (‘Framenya harus lebih kecil dari atau sama dengan jumlah frame’) end for (i = 0; i < 4; i++) frame[ i ] = image[ i ] end procedure dilasi erosi m : citra inputan rgb b : citra biner m d : deteksi tepi b if piksel = 1 then dilasi = d + 8 piksel erosi = dilasi – 8 piksel end procedure thinning t : citra hasil dilasi dan erosi if piksel = 1 then repeat ubah piksel = 1 ke piksel 0 until t = satu garis piksel end

3.2.

Input Citra (Capturing Video)

Tahap pertama untuk melakukan segmentasi citra pada program ini dibutuhkan video dari cara berjalan manusia. Dari video tersebut dilakukan capturing citra dari video. Hasil dari capturing citra dapat dilihat dari Gambar 4.

Gambar 4. Hasil Capturing 3.3.

 

Erosi dan Dilasi Citra

 

Morfologi adalah satu cabang dari pengolahan citra yang sangat bermanfaat dalam analisis bentuk dalam citra. Erosi dan dilasi adalah salah satu dari dua operator dasar di bidang matematika morfologi, yang biasanya diterapkan pada gambar biner dan ada versi yang bekerja pada gambar grayscale. Yang pertama adalah citra yang akan dierosi dan dilasi untuk bagian objek dan yang kedua adalah untuk bagian latar belakang (background). Operasi dilasi ini menyebabkan ukuran objek asli bertambah besar dengan melakukan perbesaran segmen objek dan menambah lapisan di sekeliling objek, sehingga citra hasil dilasi cenderung menebal. Berikut merupakan fungsi dilasi: A ْ   B = {x | (Bˆ) ∩ A ≠ ْ  } Merupakan citra yang telah dimasukkan akan ditambahkan nilai pikselnya pada pinggiran tiap objek biner, yaitu untuk setiap daerah yang memiliki nilai 1 yaitu dengan melalui tiga tahap proses yang harus dilakukan. Pertama adalah dengan menambahkan 8 piksel yang saling berhubungan pada sekeliling objek. Kemudian tahap kedua melakukan fatten, yaitu menampilkan operasi yang sama dengan dilasi, tetapi dilakukan untuk penambahan piksel tanpa berhubungan dengan objek. Dan tahap yang terakhir adalah thicken yang hampir sama dengan fatten, hanya saja pada bagian ini tetap dipertahankan nilai dari piksel yang default dari perintah dilasi. Jadi jika terdapat sebuah citra yang terdiri dari objek (B) dan latar belakang (A) maka refleksi dari nilai piksel latar belakang akan digeser atau ditambahkan sebesar ”x”, sehingga hasil refleksi dari (A) yang disebut sebagai latar belakang setelah refleksi (A’) akan saling menumpuk dengan nilai piksel dari objek (B) yang paling sedikit 1 elemen yang bukan 0. Untuk fungsi erosi sebagai berikut : A Ө B {x | (B) x ‫ ك‬A} Fungsi erosi dipergunakan untuk menghilangkan nilai piksel dari objek biner yang telah diubah di citra masukan. Untuk penghilangan nilai piksel erosi juga dilakukan beberapa tahapan proses seperti dilasi. Tahapannya yang pertama adalah menghilangkan 8 piksel yang saling berhubungan dengan nilai piksel pinggiran dari objek. Kemudian tahap yang kedua yaitu shrink, menghilangkan objek sampai berbentuk titik-titik, dengan tetap memertahankan nilai yang default dengan fungsi erosi. Dan tahap yang terakhir adalah melakukan thin atau pemeriksaan terhadap tahapan sebelumnya dan melakukan perubahan sampai objek tersebut berubah menjadi berbentuk garis-garis. Jadi erosi untuk objek (A) oleh latar belakang (B) adalah kumpulan dari semua titik “x” di mana B ditranslasikan oleh “x”, termasuk di dalam A. Berikut tampilan citra capturing yang telah mengalami proses dilasi dan erosi ditunjukkan seperti gambar 5 :

Gambar 5. Tampilan Tahap Dilasi dan Erosi Citra                                            

 

START

 

Citra Masukkan diubah jadi Citra Biner            Citra Biner 

       

   

TIDAK         If Piksel = 0                YA 

Piksel = 1 

                                                                        Citra biner = Citra biner + 8 piksel                           Fatten     Thicken       Citra biner yang    telah didilasi       Citra biner = Citra biner ‐ 8 piksel        Shrink     Thin         Citra biner yang    telah dierosi           END 

Gambar 6.Flowchart Tahap Erosi dan Dilasi 3.4.

Skeletonisasi

Tahap selanjutnya adalah proses skeletonisasi. Citra yang dipakai untuk proses skeletonisasi adalah citra morfologi. Proses yang digunakan pada proses skeletonisasi adalah algoritma thinning. Operasi thinning digunakan untuk mengambil rangka setebal satu piksel dari citra, dengan cara membuang titik-titik atau layer terluar dari citra sampai semua garis atau kurva hanya setebal satu piksel. Alur dari algoritma thinning ini menggunakan citra biner yang telah melalui proses thresholding. Variabel citra biner yang akan ditipiskan diberi nilai 1 untuk mewakili piksel berwarna putih (citra terang) dan nilai 0 untuk mewakili piksel berwarna hitam (citra gelap). Kemudian dilakukan perhitungan matriks untuk setiap baris dan kolom yang terdapat pada citra biner sampai dapat terseleksi semua nilai piksel dari setiap baris dan kolom. Kemudian dilakukan penipisan piksel dengan cara mengubah piksel yang nilai 1 menjadi 0 sampai mendapat rangka setebal satu piksel untuk nilai 1. Hasil dari proses skeletonisasi dapat dilhat pada gambar 7.

 

 

Gambar 7. Citra Hasil Skeletonisasi START                                                     

Citra     

 

 

 

 

  

      

TIDAK  If  piksel = 1                                                                                                       YA                

             

 

Piksel = 0 

Iterasi ubah piksel  1  menjadi  piksel  0     

 

 

   

                                                                

Lebar per unit   piksel = 0 (satu  piksel) terhubung  menjadi satu garis

TIDAK 

                    

          YA 

END 3.5.

Gambar 8. Flowchart Tahap Skeletonisasi Uji Coba Program

Pembuatan program segmentasi citra rangka tubuh manusia ini menggunakan Matlab 7.6. Untuk memulai uji coba program berikut ini tahapan-tahapan yang harus dilakukan : 1. Buka aplikasi Matlab 7.6. Tampilan Matlab 7.6

 

 

Gambar 9. Tampilan Matlab 7.6 2. Pilih menu GUIDE, dari Open Existing GUI pilih openvideo.fig.

Gambar 10. Tampilan openvideo.fig 3. Untuk melakukan capturing citra dari video, user harus mengisi nilai frame terlebih dahulu. Kemudian klik tombol Buka Video, untuk menyimpan hasil citra dari capturing video klik File → Simpan. Setelah user memilih video, maka citra hasil capturing akan muncul.

Gambar 11. Tampilan Ambil Video

Gambar 12. Tampilan Citra Hasil Capturing 4. Untuk memulai proses skeletonisasi, pilih menu Skeletonisasi pada pilihan menu bar.

 

 

Gambar 13. Tampilan Halaman Skeletonisasi 5. Setelah itu untuk mengambil citra hasil capturing video klik tombol Buka Citra. Tahap selanjutnya akan dilakukan proses dilasi dan erosi citra. Citra hasil capturing akan diubah menjadi citra biner dengan proses dilasi dan erosi. Untuk memulai prosesnya klik tombol Proses Morfologi. Dan untuk menyimpan hasil morfologi citra klik tombol Simpan Morfologi. Setelah citra diubah menjadi citra biner tahap selanjutnya skeletonisasi citra. Untuk memulai prosesnya klik tombol Proses Skeletonisasi. Dan untuk menyimpan hasil skeletonisasi citra klik tombol Simpan Skeletonisasi.

Gambar 15. Tampilan Hasil Proses Skeletonisasi 6. Hasil proses capturing video, morfologi dan skeletonisasi citra disimpan dalam folder hasil.

Gambar 16. Tampilan Tempat Penyimpanan Citra

 

 

7. Program ini juga menyediakan informasi mengenai penulis dan program segmentasi citra rangka tubuh manusia ini. Untuk masuk halaman tentang penulis klik menu Tentang → Penulis dan untuk masuk halaman tentang program klik menu Tentang → Program.

Gambar 17. Tampilan Tentang Penulis dan Tampilan Tentang Program 8. Untuk keluar dari program ini klik menu Keluar maka akan keluar message box seperti pada Gambar 3.28. Jika user memilih tidak maka program akan kembali ke halaman yang sedang terbuka. Jika user memilih ya maka program akan tertutup.

Gambar 18. Tampilan Keluar 3.6.

Analisis

Pada program ini telah dilakukan uji coba yang telah dibuat. Untuk menguji coba program tersebut maka diperlukan sejumlah video yang akan dicapturing dan hasil dari capturing video tersebut akan digunakan sebagai masukan pada program ini. Video cara berjalan manusia yang digunakan pada uji coba ini diambil dengan kamera jenis yang sama, tetapi karena dalam pengambilan video menggunakan pencahayaan alami dari matahari menyebabkan pencahayaan tidak stabil sehingga kualitas video yang dihasilkan tidak sama satu dengan yang lainnya. Pada proses pengujian, terdapat 5 video dengan ekstensi .avi yaitu : echa.avi, kaka.avi, abang.avi, mama.avi dan inangtua.avi. Dari setiap video tersebut akan diambil 6 buah citra hasil capturing. Kemudian dari citra capturing tersebut akan dilakukan segmentasi citra rangka tubuh manusia dengan algoritma thinning. Dari hasil segmentasi citra setiap video akan dilihat tingkat keberhasilan program tersebut dalam mendapatkan skeleton. Kemudian dilakukan analisa terhadap hasil-hasil uji coba tersebut untuk melihat sejumlah faktor yang menyebabkan terjadinya kegagalan, apabila terjadi kegagalan dalam melakukan segmentasi citra tersebut. Tabel 1. Hasil segmentasi citra Echa.avi

 

Kaka.avi

 

No Hasil Hasil Hasil Frame Capturing Morfologi SkeletoVideo nisasi

No Hasil Frame Capturing Video

150

168

151

169

152

170

153

171

154

172

155

173

Mama.avi No Hasil Hasil Hasil Frame Capturing Morfologi SkeletoVideo nisasi

 

No Frame

Hasil Hasil Morfologi Skeletonisasi

Inangtua.avi Hasil Hasil Capturing Morfolog Video i

Hasil Skeletonisasi

 

81

178

82

179

83

180

84

181

85

182

86

183

Abang.avi No Hasil Hasil Hasil Frame Capturing Morfologi SkeletoVideo nisasi 42

 

 

43

44

45

46

47

Dari ke-5 data video yang diambil maka didapat hasil uji coba segmentasi citra yang terlihat pada Tabel 1. Masing-masing dari ke-5 video tersebut diambil 6 data sehingga total dari data yang didapat sebanyak 30 data. Tingkat keberhasilan segmentasi citra dilihat dari terdapatnya bentuk kaki dan tangan pada citra skeleton sedangkan citra skeleton dinyatakan mengalami kegagalan jika bentuk skeleton yang dihasilkan tidak sempurna atau karena terdapat garis-garis ekstra pada citra skeleton. Misalnya pada gambar 19 merupakan contoh skeleton dengan kualitas yang terbaik karena bentuk skeleton yang dihasilkan terdapat bentuk tangan dan kaki yang sempurna dan tidak terdapat noise.

Gambar 19. Skeleton Kualitas Baik

 

 

Tingkat keberhasilan segmentasi pada citra dapat dilihat pada tabel 2. Simbol √ menandakan tingkat keberhasilan dan simbol X menandakan kegagalan segmentasi. Tabel 2. Tingkat Keberhasilan Citra Hasil Skeletonisasi Objek Tingkat Keberhasilan Echa.avi Citra Skeletonisasi 1 (Frame ke-150) √ Citra Skeletonisasi 2 (Frame ke-151) √ Citra Skeletonisasi 3 (Frame ke-152) √ Citra Skeletonisasi 4 (Frame ke-153) √ Citra Skeletonisasi 5 (Frame ke-154) √ Citra Skeletonisasi 6 (Frame ke-155) √ Kaka.avi Citra Skeletonisasi 7 (Frame ke-168) √ Citra Skeletonisasi 8 (Frame ke-169) √ Citra Skeletonisasi 9 (Frame ke-170) √ Citra Skeletonisasi 10 (Frame ke-171) √ Citra Skeletonisasi 11 (Frame ke-172) √ Citra Skeletonisasi 12 (Frame ke-173) √ Mama.avi Citra Skeletonisasi 13 (Frame ke-81) X Citra Skeletonisasi 14 (Frame ke-82) X Citra Skeletonisasi 15 (Frame ke-83) X Citra Skeletonisasi 16 (Frame ke-84) X Citra Skeletonisasi 17 (Frame ke-85) X Citra Skeletonisasi 18 (Frame ke-86) X Inangtua.avi Citra Skeletonisasi 19 (Frame ke-178) √ Citra Skeletonisasi 20 (Frame ke-179) √ Citra Skeletonisasi 21 (Frame ke-180) √ Citra Skeletonisasi 22 (Frame ke-181) √ Citra Skeletonisasi 23 (Frame ke-182) √ Citra Skeletonisasi 24 (Frame ke-183) √ Abang.avi Citra Skeletonisasi 25 (Frame ke-42) √ Citra Skeletonisasi 26 (Frame ke-43) √ Citra Skeletonisasi 27 (Frame ke-44) X Citra Skeletonisasi 28 (Frame ke-45) X Citra Skeletonisasi 29 (Frame ke-46) X Citra Skeletonisasi 30 (Frame ke-47) X Pada video mama.avi dan abang.avi terdapat kegagalan proses segmentasi citra. Berikut ini penjelasannya :

 

 

(a) (b) (c) (d) Gambar 19. Hasil skeleton abang.avi, a) Frame 44, b) Frame 45, c) Frame 46, dan d) Frame 47 Gambar 19 menunjukkan proses segmentasi citra yang gagal pada video abang.avi. Pada video ini dari 6 frame yang melalui proses segmentasi citra hanya 2 frame saja yang menghasilkan bentuk skeleton yang baik. Sedangkan untuk ke-4 frame lainnya mengalami kegagalan proses segmentasi citra hal ini dapat disebabkan karena kualitas video yang digunakan kurang baik. Pada gambar 19 terlihat bentuk skeleton yang dihasilkan tidak sempurna karena terdapat beberapa garis ekstra. Hal ini sering menjadi permasalahan pada proses thinning yang disebut tailling. Tailling terjadi dimana terdapat garis ekstra pada sebuah segmen.

(a) (b) (c) (d) (e) (f) Gambar 20. Hasil skeleton abang.avi, a) Frame 81, b) Frame 82, c) Frame 83, d) Frame 84, e) Frame 85 dan f) Frame 86 Gambar 20 menunjukkan proses segmentasi citra yang gagal pada video mama.avi. Pada video ini dari 6 frame yang melalui proses segmentasi citra semuanya mengalami kegagalan proses segmentasi. Dapat dilihat pada gambar 20 bentuk kaki kanan pada skeleton terlihat sangat pendek sehingga skeleton yang dihasilkan tidak jelas bentuknya. Hal ini disebabkan model dalam video tersebut menggunakan celana yang longgar bisa dilihat dari citra hasil capturing (Gambar 31) yang menyebabkan bentuk kaki model tidak terlihat jelas sehingga pada saat proses segmentasi pada bagian kaki, bentuk kaki yang dihasilkan tidak sempurna.

Gambar 31. Contoh Hasil Capturing video mama.avi Berdasarkan tabel 3.12, dapat dilihat bahwa untuk mendapatkan perhitungan dari seluruh citra hasil skeletonisasi didapatkan hasil yang cukup baik dimana 20 citra skeletonisasi dapat digunakan, berikut ini adalah prosentasenya :  

Prosentase citra yang bisa digunakan = (20/30) x 100 % = 66,66% Prosentase citra yang tidak bisa digunakan = (10/30) x 100 % = 33,34 %

 

       

Dilihat dari prosentase yang bisa digunakan pada citra hasil skeletonisasi adalah 20 citra skeletonisasi (66,66%). Sedangkan untuk citra hasil sekeletonisasi yang tidak bisa digunakan yaitu 10 citra skeletonisasi (33,34%). Faktor yang menyebabkan terjadinya kegagalan pada citra hasil skeletonisasi adalah karena kualitas video tidak baik, pencahayaan dalam video yang kurang dan bentuk skeleton yang tidak sempurna. Kesalahan ini kemudian diperhitungkan sebagai error dari program, sehingga akurasi program dapat dihitung dengan rumus : Akurasi Program = 100% - Jumlah Error Keseluruhan Data

     

x 100%

Sehinga dengan menggunakan rumus tersebut akurasi program dapat dikatakan sebagai berikut : Akurasi program = 100 % - (10/30) x 100 % = 100 % - 33,34% = 66,6 6%  

4. PENUTUP 4.1.

Kesimpulan

Aplikasi segmentasi citra rangka tubuh manusia ini adalah aplikasi yang dikembangkan dengan bahasa pemrograman Matlab versi 7.6. Penulisan ini bertujuan untuk melakukan proses implementasi segmentasi citra rangka tubuh berdasarkan video cara berjalan manusia dengan algoritma thinning untuk mendapatkan bentuk skeleton manusia. Tahapan segmentasi citra dimulai dengan pengambilan video cara berjalan manusia. Dalam aplikasi ini digunakan 5 video cara berjalan manusia dengan ekstensi .avi. Kemudian diambil 6 citra dari masing-masing video tersebut sehingga data keseluruhan yang didapat sebanyak 30 data citra. Citra tersebut kemudian diolah menjadi citra biner dengan proses dilasi dan erosi. Tahapan terakhir merubah citra biner menjadi citra skeleton dengan menggunakan algoritma thinning. Implementasi ini telah berhasil melakukan segmentasi citra rangka tubuh untuk menghasilkan skeleton dengan tingkat keberhasilan sebesar 66,66%. Data tersebut didapat dari 20 citra yang berhasil melalui proses skeletonisasi sedangkan untuk 10 citra gagal melalui proses skeletonisasi. Faktor yang menyebabkan terjadinya kegagalan pada citra skeletonisasi adalah karena kualitas video kurang baik, pencahayaan dalam video yang kurang dan bentuk skeleton yang tidak sempurna. Dengan kualitas video yang baik maka hasil citra skeletonisasi terhindar dari noise dan bentuk skeleton yang dihasilkan diharapkan akan lebih baik. REFERENSI [1] Agung Slamet Riyadi, Flowchart Catatan Kuliah Sistem Informasi, Universitas Gunadarma, 2007. [2] Aris Sugiharto, Pemrograman GUI dengan MATLAB, Andi, Yogyakarta, 2006. [3] Away, G. A., The Shortcut of Matlab Programming, Informatika, Bandung, 2006. [4] Ayu Hardianti, Segmentasi Citra dan Rangka Tubuh Manusia dengan Metode Median Filter dan Thinning, Skripsi, Falkultas Teknologi Industri, Teknik Informatika, Universitas Gunadarma, 2010.  

 

[5] [6] [7] [8] [9] [10] [11] [12] [13] [14]

Boulgouris, N.V., Gait Recognition: A Challenging Signal Processing Technology for Biometric Identification, IEEE Signal Processing Magazine, 2005. Das, Koushik., Design and Implementation of an Efficient Thinning Algorithm, Indian Institute of Technology Kanpur, 2000. Elga Yulwardian, Editing Video dgn Ulead 7.0, Elex Media Komputindo, 2004. Gonzalez, R.C. & Woods, R.E., Digital Image Processing Second Edition, Prentice Hall, New Jersey. 2002. Pandopotan sianipar, Cara Mudah Menguasai Pinnacle Studio 11 Plus, Elex Media Komputindo, 2008. Lee Howard, Guan Ling, Lee, Ivan “Video Analysis of Human Gait and Posture to Determine Neurological Disorders”, EURASIP Journal on Image and Video Processing Volume 2008, Article ID 380867, 2008. Marvin Ch. Wijaya & Prijono Agus, Pengolahan Citra Digital menggunakan MatLab Image Processing Toolbox, Informatika, Bandung, 2007. Parker, J.R., Algorithms for Image Processing and Computer Vision, Wiley Computer, Canada, 1996 Rinaldi Munir, Pengolahan CITRA DIGITAL dengan Pendekatan Algoritmik, Informatika, Bandung, 2004. Spencer, N. M., Pose Invariant Gait Analysis And Reconstruction, Phd Thesis, Faculty of Engineering, Science and Mathematics, School of Electronics and Computer Science, University of Southamton, 2005.

Margaretta lahir di Jakarta, 27 Oktober 1988 anak ketiga dari Torus Panggabean dan Yuspita Hutauruk. Penulis menyelesaikan pendidikan sekolah dasar pada tahun 2000 di SDN Satria Kencana, sekolah menengah pertama pada tahun 2003 di SLTPN 7 Bekasi, dan sekolah menengah atas di SMAN 3 Bekasi. Penulis telah menyelesaikan penulisan ilmiah di kampus Gunadarma pada tahun 2009 dengan judul penulisan "Pembuatan Website Ecommerce Toko Buku Gravidia Dengan Menggunakan PHP dan MySql" untuk memperoleh gelar sarjana muda. Penulis tinggal di Bumi Satria Kencana Bekasi Selatan Alamat Email : [email protected]