PERBANDINGAN METODE CONTRAST STRETCHING, HISTOGRAM EQUALIZATION, DAN ADAPTIVE HISTOGRAM EQUALIZATION DALAM APLIKASI KLASIFIKASI ARAH PANDANG MATA oleh Deny Christian NIM : 612010055 Skripsi Untuk melengkapi salah satu syarat untuk memperoleh Gelar Sarjana Teknik Program Studi Teknik Elektro Fakultas Teknik Elektronika dan Komputer Universitas Kristen Satya Wacana Salatiga Maret 2015
INTISARI Peningkatan jumlah mobil yang beredar selama beberapa tahun terakhir ini secara tidak langsung meningkatkan jumlah kecelakaan. Kecelakaan yang terjadi akibat kesalahan pengendara seringkali berupa hilangnya fokus pengendara, dimana arah pandang mata pengendara teralihkan dari jalan raya. Pada beberapa kasus, teralihkannya arah pandang pengendara dari jalan raya diakibatkan oleh adanya distraksi berupa notifikasi dari ponsel genggam. Dalam rangka mengatasi permasalahan tersebut diperlukan sebuah sistem yang mampu membedakan arah pandang mata pengendara. Untuk membuat suatu sistem mampu membedakan arah pandang mata maka sistem tersebut harus mampu mengklasifikasikan arah pandang tersebut tergolong yang melihat jalan raya atau yang tidak. Dalam proses klasifikasi ada banyak hal yang membuat hasil klasifikasi tidak sesuai dengan harapan, diantaranya disebabkan oleh variasi pada data uji berupa kondisi pencahayaan ataupun aksesoris yang digunakan oleh pengemudi. Aksesoris yang digunakan pengemudi tersebut dapat berupa topi atau kacamata. Oleh sebab landasan tersebut, digunakanlah metode image enhancement yang akan membantu sistem mengklasifikasikan dengan lebih tepat. Kemampuan klasifikasi sistem diukur menggunakan akurasi yang dihasilkan dengan membandingkannya antara tanpa dan dengan menggunakan metode image enhancement. Metode image enhancement yang digunakan antara lain adalah contrast stretching, histogram equalization, dan adaptive histogram equalization. Penggunaan metode image enhancement diharapkan mampu meningkatkan akurasi sistem klasifikator. Berdasarkan keluaran sistem, akurasi total tertinggi sebesar 98% yang diperoleh ketika menggunakan metode histogram equalization. Sedangkan akurasi terendah sebesar 75% dengan metode contrast stretching.
ABSTRACT In recent years, the increasing number of cars causes many accidents indirectly. In some cases, those accidents are caused by driver whose focus is distracted by notification from smartphone. To overcome this problem, a system that can differenciate the direction of view on whether on the road or not is needed. To make that kind of system, it has to be able to classify the direction of drivers view. In the classification process there are many factors affecting the validity of the expected system output. In order to minimalize the error of system output, image enhancement method is used on this system. Image enhancement is expected to be able to handle the variations of driving s situations such as hat or glasses wore by the driver. The perfomance of this system is measured by accuration with or without image enhancement. Some image enhancement is used on the system are contrast stretching, histogram equalization, and adaptive histogram equalization. Based on the output system, the highest accuration reached is 98% using histogram equalization method, and lowest accuration is 75% using contrast stretching.
KATA PENGANTAR Syukur dan terima kasih penulis ucapkan pada Tuhan Yang Maha Esa atas ijin dan bimbingan-nya selama ini, sehingga skripsi ini dapat terselesaikan dengan baik. Penulis juga berterima kasih kepada orang tua dan seluruh keluarga atas dukungan moral dan material yang tak ternilai berharganya. Tanpa adanya dukungan dari mereka semua tidak mungkin dihasilkan karya skripsi ini. Terima kasih sebesar-besarnya kepada pihak-pihak yang telah memberikan kontribusinya yang antara lain disebutkan berikut ini. 1. Bapak Dr. Iwan Setyawan dan Ibu Ivanna Kristianti Timotius atas bimbingan dan arahannya dari perencanaan hingga terselesaikannya skripsi ini. 2. Staff pengajar dan Tata Usaha yang banyak memberikan pelajaran-pelajaran berharga. 3. Teman-teman terdekat Vires, Henry, dan Efraim yang telah bersama-sama menghadapi masa perkuliahan, dan Ivan Farrell yang menjadi teman magang bersama di PT. Telekomunikasi Indonesia. 4. Om Sentral yang selalu melayani fotokopi dengan ramah, tepat waktu, murah, dan hasil yang memuaskan. 5. Google yang membantu banyak sekali sejak awal kuliah hingga sekarang dan pastinya di masa depan juga. 6. Speedy sebagai penyedia layanan internet yang cukup handal. Tiada gading yang tak retak andaipun ada jadikanlah sebagai ukiran, begitu pula dengan skripsi ini masih banyak kekurangan dan jauh dari kesempurnaan. Maka dari itu melalui kata pengantar ini penulis sangat terbuka menerima kritik serta saran yang membangun sehingga secara bertahap penulis dapat memperbaikinya. Akhir kata penulis sangat berharap agar skripsi ini dapat memberikan manfaat dan kontribusi terhadap perkembangan dunia citra digital di masa yang akan datang. Salatiga, Maret 2015 Deny Christian
DAFTAR ISI INTISARI... i ABSTRACT... ii KATA PENGANTAR... iii DAFTAR ISI... iv DAFTAR GAMBAR... vi PENDAHULUAN... 1 1.1. Tujuan... 1 1.2. Latar Belakang... 1 1.3. Batasan Masalah... 2 1.4. Sistematika Penulisan... 2 DASAR TEORI... 4 2.1. Blok Diagram Sistem... 4 2.2. Konversi Video Menjadi Citra Digital... 4 2.3. Algoritma Viola-Jones... 4 2.4. Crop dan Resize... 5 2.5. Konversi RGB ke Grayscale... 5 2.6. Klasifikasi... 6 2.7. Image Enhancement... 7 2.8. Contrast Stretching... 8 2.9. Histogram Equalization... 10 2.10. Adaptive Histogram Equalization... 13 LANGKAH PENELITIAN... 16 3.1. Data Penelitian... 16 3.2. Klasifikasi... 16 3.3. Rata-Rata Aritmetik... 17 3.4. Spesifikasi Sistem... 18 3.5. Kode Pemrograman MATLAB... 18 3.5.1. Baca dan Konversi Video Menjadi Citra Digital... 18 3.5.2. Algoritma Viola-Jones, Crop, dan Resize... 19
3.5.3. Konversi RGB ke Grayscale... 20 3.5.4. Kelompok Data Latih... 21 3.5.5. Kelompok Data Uji... 22 3.5.6. Klasifikasi, Akurasi, dan Waktu Komputasi... 23 PENGUJIAN DAN ANALISIS... 25 4.1. Data Latih... 25 4.2. Data Uji... 27 4.3. Hasil Percobaan dan Analisis... 29 4.3.1. Subjek Tanpa Aksesoris... 29 4.3.2. Subjek Berkacamata... 31 4.3.3. Subjek Bertopi... 33 4.3.4. Subjek Berkacamata dan Bertopi... 36 4.3.5. Gabungan Seluruh Subjek... 37 KESIMPULAN DAN SARAN... 38 5.1. Kesimpulan... 38 5.2. Saran... 38 DAFTAR PUSTAKA... 39 LAMPIRAN... 40
DAFTAR GAMBAR Gambar 2.1 Blok diagram sistem... 4 Gambar 2.2 Frame yang dideteksi bagian wajahnya... 5 Gambar 2.3 Citra yang telah di-crop dan di-resize... 5 Gambar 2.4 Citra RGB yang telah dikonversi menjadi citra grayscale... 6 Gambar 2.5 Gaftar alir contrast stretching... 9 Gambar 2.6 Citra sebelum dan sesudah diproses contrast stretching... 10 Gambar 2.7a Gaftar alir histogram equalization... 11 Gambar 2.7b Gaftar alir histogram equalization (lanjutan)... 12 Gambar 2.8 Citra sebelum dan sesudah diproses histogram equalization... 12 Gambar 2.9 Citra diproses menggunakan adaptive histogram equalization... 13 Gambar 2.10 Gaftar alir adaptive histogram equalization... 14 Gambar 4.1 Citra latih yang memberikan a-means rendah... 25 Gambar 4.2a Citra latih yang digunakan... 25 Gambar 4.2b Citra latih setelah diproses image enhancement... 25 Gambar 4.3 Citra yang ditambahkan pada data latih berjumlah 4... 26 Gambar 4.4 Citra yang ditambahkan pada data latih berjumlah 6... 26 Gambar 4.5 Citra yang ditambahkan pada data latih berjumlah 8... 26 Gambar 4.6 Citra yang ditambahkan pada data latih berjumlah 10... 26 Gambar 4.7 Citra yang ditambahkan pada data latih berjumlah 12... 26 Gambar 4.8 Citra yang ditambahkan pada data latih berjumlah 14... 27 Gambar 4.9 Citra yang ditambahkan pada data latih berjumlah 16... 27 Gambar 4.10 Citra yang ditambahkan pada data latih berjumlah 18... 27 Gambar 4.11 Citra yang ditambahkan pada data latih berjumlah 20... 27 Gambar 4.12 Citra yang ditambahkan pada data latih berjumlah 22... 27 Gambar 4.13 Citra yang subjeknya beralis tebal dan bermata sipit... 28 Gambar 4.14 Citra yang lubang hidungnya terdeteksi sebagai mata... 28 Gambar 4.15 Citra mata yang tidak dapat ditentukan arah pandangnya... 28 Gambar 4.16 Subjek berkacamata tanpa adanya pantulan bayangan... 28 Gambar 4.17 Hasil percobaan subjek tanpa aksesoris... 29 Gambar 4.18 Citra diklasifikasi benar oleh histogram equalization... 30 Gambar 4.19 Citra yang diklasifikasi benar oleh sistem... 30 Gambar 4.20 Citra yang bola mata subjeknya bergeser... 30
Gambar 4.21 Citra subjek beralis tebal dan tidak melihat jalan... 31 Gambar 4.22 Hasil percobaan dengan subjek berkacamata... 32 Gambar 4.23 Citra yang mengalami pergeseran... 32 Gambar 4.24 Citra yang diklasifikasi tepat oleh contrast stretching... 33 Gambar 4.25 Citra diklasifikasikan dengan benar oleh contrast stretching.33 Gambar 4.26 Hasil percobaan dengan subjek memakai topi... 34 Gambar 4.27 Citra latih yang ditambahkan... 34 Gambar 4.28a Sebagian citra pada data latih berjumlah 14... 34 Gambar 4.28b Citra latih yang diproses menggunakan contrast stretching... 35 Gambar 4.28c Citra latih yang diproses menggunakan histogram equalization. 35 Gambar 4.28d Citra latih yang diproses adaptive histogram equalization... 35 Gambar 4.29 Citra yang subjeknya bertopi dan tidak bertopi... 35 Gambar 4.30 Citra yang subjeknya memakai topi... 36 Gambar 4.31 Hasil percobaan subjek bertopi dan berkacamata... 36 Gambar 4.32 Pengurangan pantulan cahaya dengan pemakaian topi... 37 Gambar 4.33 Hasil percobaan seluruh subjek... 38