POLITEKNOSAINS, Vo. XVI, No 1, Maret 2017 13 Kasifikasi K-NN Dan Naive Bayes Terhadap Peacakan Ujung Jari Berbasis Camera Smartphone Sudarno 1, Agus Kristanto 2, Taman Ginting 3 1 Teknik Eektro, Poiteknik Prata Muia Surakarta 2, 3 Teknik Komputer. Poiteknik Pratama Muia Surakarta isusay@gmai.com ABSTR ACT Research vision and computer graphics, motion tracking fingertips of video image sequences automaticay has been a very interesting study to be deveoped. Good tracking method shoud be abe to find back the ends of the finger after the obstace no onger exists and is aso abe to predict the fingertips are hindered by the position information of the fingertips that are not obstructed. In practice, there are two ways to track the movement of an object. The first approach is caed the approach-bydetection tracking. In this approach, to track an object the object detection performed on each frame of moving pictures or videos are observed, in order to determine the position of the object in each frame. The second approach is referred to as a detection approach-by-tracking. From the resuts of tracking the movement of a hand camera-based smartphone wi use a method of cassification agorithm k-nearest Neighborhood (k-nn) and Naive Bayes (NB). From the research resuts wi be known infuence on the movement of fingertips, and penagkapan fingertips as we as the cassification method to obtain the arrest of the movement of a fingertip accuracy, agorithms and data from a tracking number wi be tested for accuracy. The best resuts of testing of the agorithms wi be the resut and purpose of this research. Keyword : Finger Detection, Gesture Recognation, Naif Bayes Agoritma I. PENDAHULUAN Daam bidang peneitian visi dan grafika komputer, peacakan gerak ujung-ujung jari dari sekuen citra video secara otomatis teah menjadi peneitian yang sangat menarik untuk dikembangkan. Ha ini disebabkan karena peacakan gerak ujung-ujung jari merupakan komponen utama yang sangat diperukan pada kebanyakan sistem pengenaan bahasa isyarat (gesture recognition), antarmuka aami (natura user interface), penangkap gerak (motion capture) untuk pembuatan animasi tiga-dimensi (3D), dan sistem apikasi komputer untuk membantu operasi bedah di bidang medik dan kedokteran (computer assisted surgery). Peacakan ujung-ujung jari juga merupakan masaah yang suit dan menantang. Tidak seperti peacakan gerak tangan, kaki, atau anggota tubuh yang ain seperti kepaa, gerakan masing-masing ujung jari sangat bervariasi dan berubah secara cepat dengan uas daerah pengamatan atau ROI (region of interest) untuk masing-masing ujung jadi reatif sangat keci sehingga sangat sensitif terhadap derau yang disebabkan oeh citra atar beakang yang berubah-ubah atau suit dibedakan dengan citra objek ujung-ujung jari yang hendak diacak. Metode penjejakan yang baik harus segera dapat menemukan kembai ujung-ujung jari tersebut seteah haangan tersebuttidak ada agi dan juga mampu memprediksi ujung-ujung jari yang terhaang berdasarkan informasi posisi dari ujung- ujung jari ain yang tidak terhaang. Ada dua cara untuk meacakgerakan suatu objek. Pendekatan pertama disebut pendekatan tracking-by-detection. Pada pendekatan ini, Sudarno : Kasifikasi K-NN Dan Naive... ISSN 1829-6181
14 POLITEKNOSAINS, Vo. XVI, No 1, Maret 2017 untuk meacak suatu objek diakukan pendeteksian objek tersebut pada setiap frame gambar bergerak atau video yang diamati, guna menentukan posisi objek itu di setiap framenya. Pendekatan kedua disebut sebagai pendekatan detection-by-tracking. Segmentasi citra daam prapengoahan dan anaisis citra bertujuan untuk mempartisi gambar menjadi beberapa subdaerah berdasarkan fitur yang diinginkan. Kontur aktif teah banyak digunakan sebagai metode segmentasi citra. Metode ini seau menghasikan sub-wiayah dengan batas-batas kontinyu, berbeda dengan metode tepi kerne berbasis deteksi, contohnya seperti detektor tepi Sobe, sering menghasikan batas terputus-putus. Metode Kontur aktif didasarkan pada penggunaan kontur yang dapat berubah bentuk (deformabe)menyesuaikan diri dengan bentuk objek bergerak yang dijadikan target. Berdasarkan impementasi matematikanya, ada dua pendekatan utama daam kontur aktif: Snakes dan Leve-set. Snakes secara ekspisit menggeser titik-titik pada kontur yang teah ditetapkan menggunakan metode minimaisasi energi, sementara eve-setmendekati kontur bergerak sebagai tingkat tertentu fungsi. Ada dua jenis mode kontur aktif sebagai metode segmentasi citra yaitu: berdasrkan tepi dan berdasarkan wiayah. Kontur aktif berbasis tepi menerapkan sebuah detektor tepi, biasanya didasarkan pada gradien gambar, untuk menemukan batas-batas subdaerah dan untuk menggambarkan kontur ke batas terdeteksi. Kontur aktif berbasis tepi berhubungan erat dengan segmentasi berdasarkan tepi. Penggunaan teori eve-set ebih feksibe dan mudah diterapkan pada kontur aktif. Namun, kontur aktif berbasis wiayah ebih beraku untuk gambar hanya reatif sederhana dimananiai pikse-pikse di daam sub- daerah reatif seragam tanpa ada tepi interna. II. TINJAUAN PUSTAKA Smoothing atau juga disebut Bur, adaah operasi pengoahan gambar sederhana dan sering digunakan. Ha ini biasanya diakukan untuk mengurangi noise atau kamera artefak. Efek Gaussian Bur adaah fiter yang memadukan sejumah tertentu pixe secara bertahap, mengikuti kurva berbentuk onceng (Bradski, 2008; A- Amri, 2010) Gaussian Bur diakukan dengan convoving setiap titik daam arik masukan dengan kerne Gaussian dan kemudian menjumahkan untuk menghasikan arik uaran. Berikut, fungsi Gaussian Bur (Bradski, 2008): A. Deteksi Ujung Jari Untuk menemukan ujung jari dapat diakukan dengan dua angkah. Yaitu yang pertama menentukan kontur tangan. Yang kedua menemukan convex dan defects-nya. Convex hu merupakan cara untuk meberikan titik awa dan akhir dari suatu puncak atau keengkungan dari teapak tangan. Seteah mendpatkan niai atau poin-poin maka kita dapat menentukan niai kecuramannya atau kedaaman antar engkungan. Defects merupakan segmentasi yang terbentuk dari dua engkungan yang teah dideteksi oeh convex hu. B. Peacakan Objek Berbasis Mode Peacakan objek diakukan dengan menganaisis dua mode yaitu mode fungsi dan mode pengukuran. Mode fungsi merupakan anaisa pergerakan objek untuk tiap satuan waktu sedangkan mode pengukuran merupakan anaisa interaksi objek dengan ingkungannya (Arumpaam, 2002). Anaisa pergerakan objek diakukan dengan pendekatan probabiitas. Dengan ini maka semua kemungkinan sousi pergerakan objek direpresentasikan daam bentuk distribusi probabiitas. Kemudian daam pencarianya, posisi objek dihitung berdasarkan derajat kepercayaan sehingga diperoeh posisi objek atau dengan kata ain objek teracak. Objek yang akan diacak memiiki state atau keadaan. State ini sendiri merupakan himpunan semua aspek atau fitur yang terdapat pada objek, misakan posisi ISSN 1829-6181 Sudarno : Kasifikasi K-NN Dan Naive...
POLITEKNOSAINS, Vo. XVI, No 1, Maret 2017 15 untuk setiap satuan waktu pada sistem dinamis. C. Mode Tangan Mode tangan dibuat sebagi interpretasi pergerakan tangan daam bentuk 3D. ha ini untuk membuat animasi gerakan tangan manusia yang dapat diihat dari beberapa sudut pandang seperti bagian depan, beakang, samping, atas dan bawah yang tidak disediakan oeh media 2D. Pemodean tangan kedaam 3D terdiri dari beberapa bagian tangan. Seperti yang teah di gambarkan oeh Stenger et a (2001) sebagai berikut. Gambar 1. Mode tangan Pengerakan mode tangan ini akan mengikuti pergerak dari setiap titik engse, dimana titik engse merupakan titik hasi peacakan pada tangan. Titik ini bergerak daam ruang dimensi 3, sehingga pergerakan iniah yang membuat interaksianimasi pergerakan tangan antara komputer dan tangan menjadi hidup. Seperti yang teah dijeaskan daam peacakan objek, pergerakan titik merupakan hasi dari prediksi yang teah terkoreksi, yaitu dengan metode partice fiter. D. Penangkap Gerakan Jemari Tangan untuk Animasi 3D Animasi adaah serangkaian gambar yang diberikan sehingga membentuk sebuah fim. Kuaitas fim anda dikendaikan oeh semua fitur yang disebutkan di atas termasuk frame per detik (fps), ukuran output, jenis fie dan kompresi (Cronister, 2009). Opsi dasar animasi adaah mengubah ukuran, rotasi dan okasi objek. Sedangkan animasi rea-time memungkinkan menambahkan sifat fisik objek dan menggunakan keyboard dan fitur ain untuk mengendaikannya. E. Metode K-Nearest Neighbour (K-NN) Kasifikasi adaah proses untuk menemukan mode atau fungsi yang menjeaskan atau membedakan konsep atau keas data, dengan tujuan untuk dapat memperkirakan keas dari suatu objek yang abenya beum diketahui. Mode itu sendiri dapat berupa aturan jikamaka, berupa decision tree, formua matematis atau Neura Network. Saah satu metode kasifikasi yaitu Nearest Neighbor (NN). Metode NN adaah sebuah metode untuk meakukan kasifikasi terhadap objek berdasarkan data pembeajaran yang jaraknya paing dekat dengan objek tersebut. Prinsip kerja NN adaah mencari jarak terdekat antara data yang akan dievauasi dengan tetangga (neighbor) terdekatnya daam data training. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan jarak eucidean. Rumus jarak eucidian yang digunakan daam metode NN untuk mengambi keputusan dengan menghitung jarak terpendek antara masukan dengan masing-masing data yang penentuan bobot atau abenya diakukan secara acak atau random yaitu: d p ( ) 2 x q X q i 1 d = Jarak eucidian p = Jumah jari x = Data pada saat pengamatan atau data testing X = Data uji Pada kebanyakan kasus niai k=1 dan k=2 menunjukan hasi yang terbaik daam tahap positioning (Otsason dkk, 2005). F. Metode Naïve Bayes (NB)......(1) Naïve Bayes adaah suatu probabiistik Sudarno : Kasifikasi K-NN Dan Naive... ISSN 1829-6181
16 POLITEKNOSAINS, Vo. XVI, No 1, Maret 2017 simpe yang berdasarkan pada teorema Bayes pada umumnya, inferensi Bayes khususnya dengan asumsi independensi yang kuat (naive). Daam meakukan kasifikasi data, Naïve Bayes mengasumsikan bahwa ada atau tidak adanya suatu fitur pada suatu keas tidak berhubungan dengan ada atau tidaknya fitur ain di keas yang sama. Umumnya keompok atribut E direpresentasikan dengan sekumpuan niai data. L adaah variabe kasifikasi daam kasus ini yaitu koordinat dan adaah niai dari L. Dari sudut pandang peuang berdasarkan aturan bayes ke daam keas adaah: E ) ) E)...(2) E) Untuk menentukan piihan keas, digunakan peuang maksima dari seuruh daam L, dengan fungsi : E ) ) arg max L E).........(3) Karena niai konstan untuk semua keas, maka dapat diabaikan sehingga menghasikan fungsi : f ( E) arg max E ) ).........(4) L Mengatasi berbagai permasaahan, berbagai varian dari pengkasifikasian yang menggunakan teorema Bayes diajukan, saah satunya adaah NB : f ( E) arg max E ) ) n E )......... (5) j 1 j L Pendekatan Naïve Bayes untuk pemodean kekuatan sinya sebagai distribusi Gaussian dan menggunakan kekuatan sinya yang dikumpukan untuk mempeajari parameter distribusi Gaussian, yang merupakan mean dan standar deviasi dari data training. Seperti hanya menghitung jarak eucidian sinya pengamatan vektor S di posisi. Si adaah penangkapan yang diamati dari jari di posisi, M adaah i rata-rata data penagkapan dari jari i 1 di posisi dihitung dari data keseuruhan D adaah i standar deviasi dari jari i di posisi dihitung dari data keseuruhan penentuan grid dan P adaah jumah jari yang terbaca yang terbaca di posisi. Ketika jari vektor S diperoeh dari pengukuran waktu saat ini maka probabiitas P S dihitung untuk semua posisi dari setiap jari yang sudah menjadi data base. Posisi yang memiiki probabiitas tertinggi P S untuk vektor pendeteksian jari dikasifikasikan sebagai posisi pengguna di apangan pada saat ini. n X i M i 1............ (7) i n n ( X M ) i i D i 1............(8) i n 1 dengan : P S = Probabiitas posterior jarak pengamatan terhadap posisi M i = Rata-rata jarak dari jari i di D i P posisi = Standar deviasi dari jarid di posisi = Jumah jari III. METODE PENELITIAN... (6) Tahapan peneitian diakukan berdasarkan teori dan metode yang berhubungan dengan peneitian. Tahapan tersebut terkait dengan: (1) Perancangan peraatan pendukung peneitian terkai smartphone dan sofware 3 dimensi (2) Pengukuran niai pergerakan jari yang ISSN 1829-6181 Sudarno : Kasifikasi K-NN Dan Naive...
POLITEKNOSAINS, Vo. XVI, No 1, Maret 2017 17 ditangkap oeh kanera dan ama waktu pengambian untuk data. (3) Pengoahan data mengnakan metode kasifikasi K-NN dan Nive Bayes. (4) Pembuatan Visuaisasi 3D (5) Penentuan hasi dan pembutan aporan. Diagram air peneitian ini adaah sebagai berikut: pengukuran format data yang digunakan adaah format *csv ( ). c) Ms Exce 2007 Digunakan daam pengoahan data dan pembuatan visuaisasi grafik. d) Photoshop Digunakan daam pembuatan gambar desain jari 2D. 3. Pengujian Pre-Processing Pengujian berikut adaah pengujian data citra pada hasi pengoahan citra, dengan meihat tampian data citra yang sudah dikonversikan ke ruang warna HSV.Kemudian diakukan coor fitering untuk mendeteksi warna kuit tangan menggunakan threshoding. Untuk tahap proses pre-processing diperukan konversi ruang warna RGB ke HSV, berikut adaah hasi konversi : Gambar 2.. Metode Peneitian A. Aat dan bahan. Bahan peneitian yang digunakan kasifikasi k-nn dan naive bayes terhadap peacakan ujung jari berbasis camera diperukan perangkat keras danperangkat unak sebagai berikut: 1. Perangkat keras (Hardware) a. 1 buah Smartphon b. Laptop (Windows) c. Kabe Data Kabe data digunakan untuk menghubungkan semarphon dengan aptop. 2. Perangkat Lunak a) Bender 3D perangkat unak yang dapat digunakan untuk membuat animasi. b) Rapidminer 5.1.012 Rapidminer berfungsi sebagai too untuk apikasi Nearest Neighbor (NN).dan naive bayes RapidMiner juga berfungsi untuk memvisuaisasikan data Gambar 3. Hasi konversi RGB ke HSV IV. PEMBAHASAN A. Pengujian Metode Tempate Matching Pada tabe berikut adaah ima keompok citra sampe yang dijadikan tempate untuk pembanding dengan citra-citra streaming pada pengujian : Tabe 1.keompok citra sampe Berikut seperti pada tabe2 sampai pada Sudarno : Kasifikasi K-NN Dan Naive... ISSN 1829-6181
18 POLITEKNOSAINS, Vo. XVI, No 1, Maret 2017 tabe7 adaah hasi perbandingan beberapa citra sampe (tempate) vaue1 sampai dengan vaue5 dengan beberapa citra streaming : Tabe 2. Hasi pengujian sampe vaue1-5 dengan mode beberapa citra streaming Dengan meihat hasi pada tabe di atas, dapat disimpukan bahwa pengujian tempate matching sudah berjaan dengan baik. Dari citra sampe (tempate) yang teah tersimpan, kemudian dibandingkan dengan citra streaming, maka akan didapatkan niai masing-masing threshod rata-rata dari setiap citra streaming. Niai yang berwarna merah adaah warna yang ikut diproses karna paing mendekati kemiripan. Kemudian streaming yang memiiki niai ratarata terkeci,maka ituah citra yang paing mirip dengan citra sampe (tempate). B. Pengujian Sistem Keseuruhan Pengujian Pengujian terakhir adaah pengujian sistem secara keseuruhan dari awa hingga akhir, dimana pengujian diakukan dengan menjaankan apikasi secara ISSN 1829-6181 Sudarno : Kasifikasi K-NN Dan Naive...
POLITEKNOSAINS, Vo. XVI, No 1, Maret 2017 19 keseuruhan. Memberikan input isyarat tangan pada kamera PC yang diambi dari jarak kurang ebih 100 cm sampai dengan 150 cm, maka Isyarat masih dapat diterima oeh kamera. Eksperimen yang akan diakukan adaah meihat kinerja dari dua Agoritma kasifikasi dokumen teks yaitu agoritma Naïve Bayes dan agoritma k-nearest Neighbor C. Pengujian Data metode K-NN Metode k-nearest Neighbor merupakan saah satu metode berbasis NN yang paing popuer. Niai k yang digunakan menyatakan jumah tetangga terdekat yang diibatkan daam penentuan prediksi abe keas pada data uji. Untuk memperkirakan niai k yang terbaik, bisa diakukan dengan menggunakan teknik vaidasi siang (Cross Vaidation). Jika niai k terau keci, maka berakibat hasi prediksi yang didapat bisa sensitif terhadap keberadaan noise, namun jika k terau besar maka tetangga terdekat yang terpiih mungkin terau banyak dari keas ain yang sebenarnya tidak reevan karena jarak yang terau jauh. Berikut adaah hasi pengujian data dengan cara meakukan uji coba memasukan niai k (jumah tetangga terdekat) Tabe 3 Data Ukur 1 0,5 0 Tabe 4. Data Uji 1a 1c 2b 3a 3c 4b 5a 5c Hasi 1 Hasi 2 Hasi 3 Hasi 4 Gambar 4. Grafik Hasi Pengoahan menggunakan K-NN Dari data diatas maka data percobaan rata rata adaah Tabe 6. Rata rata Pengukuran dari percobaan Sudarno : Kasifikasi K-NN Dan Naive... ISSN 1829-6181
20 POLITEKNOSAINS, Vo. XVI, No 1, Maret 2017 1,5000 1,0000 0,5000 0,0000 Gambar 5. Grafik Rata Rata Pengukuran D. Impementasi Agoritma Naïve Bayes Impementasi pengujian menggunakan naïve bayes merupakan hasi impementasi yang ebih baik dari K-NN. Terihat dari accuracy besaran niai yang dihasikan. Tabe 7. Niai Akurasi menggunakan Naïve Bayes 1,5 1 0,5 0 1a 1c 2b3a 3c 4b5a 5c 1a 1c 2b 3a 3c 4b 5a 5c Series1 Series2 Series3 Gambar 6. Grafik Niai Menggunakan Naïve Bayes c b a V. KESIMPULAN Dari hasi peneitian yang teah dibahas maka dihasikan kesimpuan bahwa seteah agoritma Naïve Bayes dan agoritma k-nearest Neighbor diimpementasikan daam pendekteksian ujung jari menggunakan kamera maka pengkasifikasian dokumen sangat peru untuk meakuakn perhitungan akurasi antara kedua agoritma. Dari kedua agoritma tersebut kinerja terbaik diperoeh seteah meakukan pengoahan data terebih dahuu. Hasi terbaik ditunjukan oeh agorima naïve bayes. REFERENSI Aecu, F. (2010). Bender Institute the Institute for Open 3D Projects. Open Source Science Journa. Vo. 2, No. 1, 2010. Aruampaam, M. Sanjeev., Maske S., Gordon N and Capp T. (2002). A tutoria on partice Fiter for Onine Noninier/Non Gaussian Bayesian Tracking. IEEE Transaction on Signa Processing. Vo 40 No 2. Bimbo, D and Dini, F. (2011). Partice Fiter- Based Visua Tracking With a First Order DynamicMode and Uncertainty Adaptation.Computer Vision and Image Understanding, Vo. 115, No. 6. Ha(771 786). Bradski, G. &Adrian. (2008). Keher Learning OpenCV Computer vision with OpenCV Library. O, Reiy B. Stenger, P. Mendonca, and R. Cipoa. (2001). Mode-based 3D tracking of an articuated hand. CVPR. D. Serby, E. K. Meier & L. V. Goo. (2004). Probabiistic Object Tracking UsingMutipe Features. Proceedings of the17th Internationa Conference on Pattern Recognition (ICPR 04). Ha(43-53). ISSN 1829-6181 Sudarno : Kasifikasi K-NN Dan Naive...
POLITEKNOSAINS, Vo. XVI, No 1, Maret 2017 21 Feng et a. (2012). Initiaization of 3D Human Hand Mode and Its Appications in Human Hand Tracking. Journa Of Computers. Vo. 7, No. 2..Ha(419-426) Hyndman, RJ., dan A.B. Koeher. (2006). Another ook at measures of forecast accuracy. Internationa Journa of Forecasting 22, no. 4. Ha(679-688). Pachouakis, I & Kapetanakis, K. Augmented Reaity Patforms For Virtua Fitting Rooms. The Internationa Journa of Mutimedia & Its Appications (IJMA). Vo.4, No.4, August 2012 P. Kumar, H. Weimin, I. U. Gu & Q. Tian. (2004). Statistica modeing of compex backgrounds for foregroundobject detection. IEEE Transaction on Image Processing. Vo 13, No. 1. Ha(43-53). Siradjuddin, Indah A. (2007). Object Tracking in Image Sequence Using Partice Fiter. Internationa Conference on Soft Computing, Inteegent System and Information of Technoogy (ICSIIT). Ha (260-265). Skaa, V. (2012). Hoography, Stereoscopy and Bender 3D. Proceeding Recent Research in Communications and Computers. Ha (172-176). Warade, S. et a. (2012). Automated Training And Maintenance Through Kinect. Internationa Journa of Computer Science, Engineering and Appications (IJCSEA). Vo.2, No.3. Sudarno : Kasifikasi K-NN Dan Naive... ISSN 1829-6181