implementasi perhitungan sudut rangka manusia...

Implementasi Perhitungan Sudut Rangka Manusia

Menggunakan Matlab 7

Nugroho Dian Purnama

Fakultas Teknologi Industri

Universitas Gunadarma

Jl. Margonda Raya, 100, Pondok Cina, Depok

Telp: (021) 78881112

Email: [email protected]

ABSTRAK

Bentuk tubuh manusia adalah sesuatu yang unik dimana setiap orang tidak

akan ada yang sama satu sama lain. Perbedaan inilah yang menarik minat banyak

peneliti untuk melakukan studi mengenai bentuk tubuh manusia. Perbedaan

bentuk tubuh manusia didasari oleh rangka manusia yang berbeda-beda.

Berdasarkan latar belakang tersebut, maka penulisan ini memfokuskan

kepada penggunaan metode Chain Code untuk mendeteksi tepi pada citra rangka

atau skeleton. Citra adalah gambar dua dimensi yang dihasilkan dari gambar

analog dua dimensi yang kontinu menjadi gambar diskrit melalui proses sampling.

Implementasi dari metode Chain Code menghasilkan perhitungan sudut

dari suatu citra skeleton. Dengan Matlab digunakan sebagai perangkat lunak

dalam proses uji coba algoritma tersebut sehingga menghasilkan besaran sudut

dalam derajat yang dapat digunakan dalam penelitian lebih lanjut.

Kata Kunci: Cropping, Chain Code, Matlab, Angel

1. Pendahuluan

Bentuk tubuh manusia adalah sesuatu yang unik dimana setiap orang tidak

akan ada yang sama satu sama lain meskipun dia kembar. Perbedaan inilah yang

menarik minat banyak peneliti untuk melakukan studi mengenai bentuk tubuh

manusia. Perbedaan bentuk tubuh manusia didasari oleh rangka manusia yang

berbeda-beda, Rangka merupakan sistem penyokong organisme. Sistem

penyokong ini bertindak sebagai bingkai tubuh yang tegar. Biasanya rangka ini

tersusun dari kalsium. Fungsi rangka ialah: menegakkan atau menopang

berdirinya tubuh, memberi bentuk tubuh, tanpa rangka tubuh manusia tidak

memiliki bentuk, melindungi organ-organ tubuh yang penting dan lunak seperti

otak, jantung, paru-paru dan mata, tempat melekatnya otot-otot rangka dan tempat

pembentukan sel-sel darah merah.

Pembahasan pada penulisan ini akan lebih memfokuskan pada perhitungan

sudut rangka tubuh manusia dimana dari gambaran rangka tubuh manusia tersebut

akan didapat besaran sudut-sudut yang dapat memberikan informasi jika sudah

dipadukan dengan beberapa bidang studi seperti kedokteran, matematika dan

komputer.

Riset yang dihasilkan dari penelitian sudut-sudut rangka manusia akan

berkontribusi kepada banyak bidang, salah satunya adalah kedokteran. Selain

kedokteran, pencitraan atau pengolahan citra adalah salah satu bidang yang akan

mendapatkan kontribusi dari riset mengenai bentuk tubuh, seperti mendapatkan

teknik baru untuk memotong, dan mendeteksi piksel. Definisi citra menurut

kamus Webster adalah suatu representasi, kemiripan, atau imitasi dari suatu objek

atau benda. Sebuah citra mengandung informasi tentang obyek yang

direpresentasikan.

Penelitian sebelumnya yang memanfaatkan pengolahan citra dalam

pendeteksian piksel adalah mendeteksi fitur rangka tubuh manusia. Menggunakan

metode hough transform untuk menghitung sudut pergelangan kaki, sudut lutut,

sudut lengan, dan jarak antara kedua lengan (Intan Nur Lestari, 2010).

http://id.wikipedia.org/wiki/Organisme

http://id.wikipedia.org/wiki/Tubuh

http://id.wikipedia.org/wiki/Kalsium

Dalam Penelitian ini Penulis menggunakan metode chain code. Metode

tersebut mendeteksi tepi yang menghubungkan tiap piksel kedelapan atau empat

arah.

Bermula dari latar belakang ini, Penulis terinspirasi untuk membuat

sebuah aplikasi pengolahan citra yang dapat menghitung sudut-sudut yang ada

pada tubuh manusia.

2. Tinjauan Pustaka

1. Citra

Citra adalah gambar dua dimensi yang dihasilkan dari gambar

analog dua dimensi yang kontinu menjadi gambar diskrit melalui

proses sampling. Gambar analog dibagi menjadi N baris dan M kolom

sehingga menjadi gambar diskrit. Persilangan antara baris dan kolom

tertentu disebut dengan piksel. Contohnya adalah gambar/ titik diskrit pada

baris n dan kolom m disebut dengan piksel.

2. Digitalisasi Citra

Digitalisasi citra adalah representasi citra dari fungsi kontinu

menjadi nilai-nilai diskrit, sehingga disebut Citra Digital.

Citra digital berbentuk empat persegi panjang dan dimensi

ukurannya dinyatakan sebagai tinggi x lebar (lebar x panjang).

Citra digital yang tingginya N, lebarnya M dan memiliki L derajat

keabuan dapat dianggap sebagai fungsi :

0O xO M

f(x,y)= 0O y O N (1)

0O f O L

Citra digital yang berukuran N x M lazimnya dinyatakan dengan

matriks berukuran N baris dan M kolom, dan masing-masing elemen pada

citra digital disebut piksel (picture element)

F (x,y)= f (0,0) f (0,1) ... f (0, M )

f (1,0) f (1,1) ... f (1, M ) (2)

f ( N − 1,0) f ( N − 1,1) ... f ( N − 1, M − 1)

Suatu citra berukuran 256 x 256 piksel dengan intensitas beragam

pada tiap pixelnya, direpresentasikan secara numerik dengan matriks

terdiri dari 256 baris dan 256 kolom.

0 134 145 ... ... 231

0 167 201 ... ... 197

220 187 189 ... ... 120 (3)

: : : : : :

221 219 210 ... ... 156

3. Chain Code

Kode rantai digunakan untuk merepresentasikan batas/ tepi dengan

menyambungkan urutan dari garis lurus yang ditentukan oleh panjang dan

arah. Biasanya, tampilan ini terdiri dari 4 atau 8 sambungan dari segmen.

Arah tiap segmen dikodekan dengan menggunakan skema penomoran

seperti di gambar 2.1. Sebuah kode tepi dibentuk sebagai urutan dari

nomor terarah yang disebut sebagai kode rantai freeman.

Citra digital biasanya dibutuhkan dan diproses dalam format grid

dengan jarak yang sama dalam arah X dan Y, jadi kode rantai dapat

dihasilkan dengan mengikuti tepi sesuai dengan arah jarum jam dan

menugaskan arah segmen untuk menyambungkan setiap pasang pixel.

Metode ini biasanya tidak diterima untuk dua alasan yaitu hasil dari rantai

cukup lama dan Setiap gangguan kecil sepanjang tepi menghasilkan noise

atau segmentasi yang tidak sempurna menyebabkan perubahan pada code

yang mungkin tidak berhubungan dengan prinsip bentuk fitur dari batasan.

Gambar 2.1. Chain Code

Sebuah pendekatan yang sering digunakan untuk menyelesaikan masalah

ini adalah me-resample tepi dengan memilih jarak grid yang lebih lebar.

Batas tepi ditandai untuk setiap node dari grid yang besar, tergantung oleh

kedekatan dari tepi original node tersebut. Resample tepi menghasilkan

cara bahwa tepi dapat direpresentasikan dengan 4 atau 8 code. Gambar 2.1

menunjukan titik tepi yang kasar direpresentasikan oleh 8 arah kode

rantai. Ini adalah masalah sederhana untuk mengonversi dari kode 8

menjadi kode 4 dan sebaliknya. Titik awal pada gambar 2.4 adalah

(dengan berubah-ubah) dari titik paling atas, titik paling kiri dari tepi yang

memberikan kode rantai 0766…12. Seperti yang diperkirakan akurasi dari

hasil merepresentasikan code tergantung dari jarak sampling grid

Kode rantai dari tepi tergantung dari titik mula. Bagaimanapun

kode dapat di normalkan dengan mematuhi titik awal dengan prosedur

yang luruskode rantai dapat dengan mudah diatur sebagai urutan lingkaran

dari nomor berarah dan mendefinisikan titik asal. Hasil urutan nomor

membentuk suatu integer jarak minimum. Kita dapat menormalisasi juga

dengan rotasi (di sudut yang memiliki banyak arah dari banyak integer

seperti gambar 2.1.)

dengan menggunakan first different. Perbedaan ini diperoleh dari

hasil menghitung perubahan urutan arah (dengan berlawanan arah jarum

jam seperti gambar 2.1.) yang memisahkan dua elemen yang berdekatan.

Misalnya, perbedaan pertama dari 4 arah chain code 10103322 adalah

3133030. Jika kita menganggap kode sebagai urutan lingkaran untuk

menormalkan dengan memulai dari titik awal, elemen pertama dari

perbedaan dihitung dengan menggunakan transisi antara yang terakhir dan

yang pertama dari rantai. Di sini hasilnya adalah 33133030. Ukuran

normalisasi dapat didapatkan melalui mengubah ukuran resampling grid.

Normalisasi ini hanya pasti jika tepi itu sendiri bervariasi dengan

rotasi (di sudut yang memiliki banyak arah dari banyak integer) dan skala

berubah yang jarang kasus ini dipelajari. Biasanya, objek yang sama

didigitalisasi ke dalam dua orientasi yang berbeda akan mempunyai dua

bentuk tepi yang berbeda secara umum, dengan derajat ketidaksamaan

menjadi proporsional ke resolusi image. Efek ini dapat dikurangi dengan

memilih elemen rantai yang panjang dalam perbandingan dengan jarak

antara piksel dalam digitalisasi citra dan atau dengan mengorientasikan

resampling grid sepanjang aturan sudut dari objek untuk dikodekan.

Gambar 2.2. Kerja Chain Code

Gambar 2.2(a) menunjukan 570 x 570 gambar grayscale 8 bit dari

stroke yang melingkar yang tertanam didalam fragmen spekular. Tujuan

dari contoh ini adalah untuk mendapatkan kode rantai freeman, integer

dari magnitude minimum dan perbedaan pertama dari tepi luar objek

terbesar di gambar 2.2(a). Karena objek yang menarik tertanam dalam

fragment yang kecil, ekstraksi tepi akan menghasilkan kurva yang

memiliki noise yang tidak akan mendeskripsikan bentuk umum dari objek.

Menghaluskan adalah proses selanjutnya ketika berhadapan dengan tepi

yang memiliki noise. Gambar 2.2(b) menunjukan gambar asli yang

dihaluskan dengan averaging mask dengan ukuran 9 x 9, dan gambar

2.2(c) adalah hasil dari thresholding gambar ini dengan global threshold

didapatkan dengan menggunakan metode Otsu. Perlu diingat bahwa

jumlah dari region telah dikecilkan menjadi dua (satu di antaranya adalah

dot), secara signifikan menyederhanakan masalah.

Gambar 2.2(d) adalah tepi terluar dari region terbesar dari gambar

2.2(c). Mendapatkan kode rantai langsung dari tepi akan menghasilkan

urutan panjang dengan sedikit variasi yang tidak merepresentasikan bentuk

dari tepi. Seperti yang disebutkan sebelumnya pada bagian ini, kita biasa

me-resample tepi sebelum mendapatkan kode rantai untuk mengurangi

banyaknya variabel. Gambar 2.2(e) adalah hasil resampling tepi didalam

grid dengan node 50 pixel tersendiri (sekitar 10% dari lebar image) dan

gambar 2.2(f) adalah hasil menggabungkan hasil simpul dengan garis

lurus. Ini lebih mudah memperkirakan pendekatan dari prinsip sifat

keaslian tepi.

8 arah kode rantai Freeman tepi yang disederhanakan adalah

0006066666666444444242222202202

Titik awal dari tepi adalah koordinat (2.2) pada subsample

grid. Ini adalah yang paling atas dan paling kiri pada gambar 2.2(f).

Integer dari magnitude minimum dari kode terjadi pada kasus ini sama

dengan chain code:

0006066666666444444242222202202

Perbedaan pertama pada kode lainnya adalah

00060600000006000006260000620626

3. Proses Perhitungan Fitur

Dalam penelitian ini terdapat beberapa tahapan yang digunakan untuk

mendapatkan nilai dari fitur yang dicari yaitu:

a. Input Citra Skeletonisasi

Citra skeletonisasi digunakan sebagai citra masukan. Proses skeletonisasi

itu sendiri berawal dari citra RGB yang melewati beberapa tahapan proses

segmentasi seperti filterisasi citra, segmentasi warna, erosi dan dilatasi,

restorasi, dan skeletonisasi citra.

b. Pemotongan/ Cropping

Proses penentuan lokasi fitur dari citra skeletonisasi berasal dari penelitian

tentang citra skeletonisasi (Lee dkk, 2008). Pada penelitian Lee didapatkan

sepuluh fitur yang akan diproses. Dari sepuluh fitur tersebut empat di

antaranya adalah jarak, dan enam adalah sudut. Pada pembuatan program kali

ini hanya memfokuskan pada enam sudut. Untuk melihat lokasi atau letak dari

fitur yang akan diproses dapat dilihat pada gambar 3.1.

Gambar 3.1. Sudut-sudut yang digunakan (Lee dkk, 2008)

Tabel 3.1 Standar Nilai Interval Sudut (Lee dkk, 2008)

No Nama Fitur Nilai Standar

Interval ( 0 )

1 Sudut lutut kaki depan (F1) 1000

– 1350

2 Sudut pergelangan kaki depan (F2) 500

– 1200

3 Sudut pergelangan kaki belakang (F3) 800

– 1000

4 Sudut lutut kaki belakang (F4) 1000

– 1800

5 Sudut sikut lengan depan (F5) 600

– 1800

6 Sudut sikut lengan belakang (F6) 700

– 1600

c. Proses Perhitungan Sudut

image yang sudah dicrop tersebut akan diproses dengan mengekstraksi

derajat keabuan dari gambar citra berwarna digunakan fungsi rgb2gray.

Selanjutnya adalah melakukan threshold dalam gambar untuk memperjelas

gambar yang berwarna hitam dan putih. Langkah berikutnya adalah

mengekspansi piksel yang sudah ditemukan ke empat arah. Untuk menentukan

kode chain digunakan beberapan persyaratan. Untuk kode chain 0 maka

code(1), code(2), code(3), code(4) harus bernilai 1 dan seterusnya. Untuk kode

rantai 1 maka code(2), code(3), dan code(4) harus bernilai 1 dan seterusnya.

Untuk kode rantai 2 maka code(3) dan code(4) harus bernilai 1. Yang terakhir

untuk kode rantai 4 maka hanya code(4) saja yang bernilai 1.

Untuk melakukan perhitungan sudutnya digunakan pertambahan 90 untuk

setiap rantai bernilai 1, dikurangi 90 untuk setiap chain bernilai 2 atau 3

sedangkan untuk chain bernilai 0 maka tidak ada perhitungan. 90 digunakan

karena chain code yang digunakan adalah 4 arah kode rantai sehingga

membentuk sudut 90°. Sedangkan untuk 8 arah kode rantai, perhitungan

sudutnya adalah pertambahan nilai 45 untuk setiap chain bernilai 1 dan 2,

kemudian pengurangan nilai 45 untuk setiap chain bernilai 3, 4, 5, 6, dan 7. 45

digunakan karena 8 arah kode rantai membentuk sudut 45 derajat untuk setiap

sudutnya.

4. Hasil Uji Coba

Pada proses pengujian, terdapat 10 set data yang dijadikan sebagai

masukan dari program ini. Kemudian dari 10 data tersebut akan dilihat tingkat

keberhasilan program tersebut dalam mendapatkan nilai sudut dari ke enam

fitur tersebut. Kemudian dilakukan analisa terhadap hasil-hasil uji coba

tersebut untuk melihat sejumlah faktor yang menyebabkan terjadinya

kegagalan, apabila terjadi kegagalan dalam melakukan perhitungan terhadap

fitur tersebut.

Hasil uji coba program fitur sudut dapat dilihat pada tabel 4.1. symbol √

menandakan bahwa nilai tersebut termasuk kedalam nilai standar interval

sudut, dan symbol x menandakan sebaliknya.

Tabel 4.1. Hasil Uji Coba Program Fitur Sudut

Objek Fitur Sudut Termasuk ke dalam Nilai Standar

Nama Fitur ( 0 )

1

F1 (Sudut lutut kaki depan) F2 (Sudut pergelangan kaki depan) F3 (Sudut pergelangan kaki belakang) F4 (Sudut lutut kaki belakang) F5 (Sudut sikut lengan depan) F6 (Sudut sikut lengan belakang)

13 5

49 101 115 135

x x x √ √ √

2


135 9 9

90 145 164

√ x x x √ X

3


135 135

59 135 115 143

√ x x √ √ √

4


82 16 15 41 70

-

x x x x √ X

5


135 135

77 138 113

49

√ x x √ √ x

6


135 135

56 141 113

49

√ x x √ √ x

7


135 112

- 135

90 8

√ √ x √ x x

8


135 135

9 90

141 109

√ x x x √ √

9


24 112

28 78 29 21

x √ x x x x

10


180 43

135 90

135 -

x x x x x x

Dari hasil tabel 4.1. tersebut dapat dilihat bahwa simbol √ menandakan

bahwa nilai fitur yang didapatkan dari hasil uji coba program termasuk ke

dalam standar nilai interval yang berarti bahwa fitur tersebut termasuk ke

dalam kategori seseorang normal. Seseorang dapat dikategorikan normal jika

fitur tersebut berada pada nilai interval dalam tabel 3.1. Namun sebaliknya

jika nilai fitur tidak berada pada nilai interval maka dikategorikan tidak

normal. Sedangkan untuk simbol x menandakan sebaliknya yaitu nilai uji coba

program yang didapatkan tidak termasuk ke dalam standar interval dengan

kata lain fitur tersebut termasuk ke dalam kategori seseorang tidak normal.

Dari hasil pengujian ini nilai kategori yang dihasilkan normal untuk fitur sudut

pada fitur F1 yaitu citra skeletonisasi 2, 3, 5, 7, 8. Lalu untuk fitur F2 yaitu

citra skeletonisasi 7,9. Untuk fitur F3 tidak saja yang terdeteksi normal .

Untuk fitur F4 yaitu 1 ,3, 5, 6, 7. Untuk fitur F5 yaitu citra skeletonisasi 1, 2,

3, 4, 5, 6, 8. Dan yang terakhir untuk fitur F6 yaitu citra skeletonisasi 1, 3, 6.

Dari hasil ini maka dapat disimpulkan yaitu dari ke sepuluh citra skeletonisasi

yang diproses hanya citra skeletonisasi 2, 4, 9, dan 10 yang dapat dikatakan

citra tersebut termasuk ke dalam kategori tidak normal, karena banyak fitur

sudut yang tidak memenuhi nilai standar interval pada tabel 3.1 dari keempat

citra skeletonisasi tersebut.

5. Penutup

1. Kesimpulan

Chain Code bisa dikatakan sebagai suatu metode pendeteksian tepi

yang menghubungan tiap piksel ke delapan atau empat arah dan

merepresentasikannya dengan angka.

Dari pengujian perhitungan sudut menggunakan metode chain code

sangat tergantung pada kualitas dari gambar skeleton yang ada. Gambar

skeleton yang tidak terputus dan lurus dapat meminimalisir kesalahan pada

perhitungan.

Proses pemotongan gambar atau cropping juga besar pengaruhnya

terhadap hasil dari perhitungan sudut. Pemotongan gambar harus tepat

pada titik koordinat sudut yang akan dihitung.

Hasil yang didapat dari penelitian menggunakan 10 citra adalah sudut

yang terbaca normal berjumlah 33, sedangkan yang terbaca tidak normal

berjumlah 37, sehingga akurasi program dalam menghitung sudut sebesar

39%.

2. Saran

Penulis menyadari keterbatasan pengetahuan yang dimiliki dalam

pembuatan program, seperti masih sederhananya interface dan cara kerja

program yang dijalankan masih terlalu rumit. Pengujian akan lebih optimal

bila menggunakan citra yang lebih baik, sehingga keterhubungan antar

piksel menjadi lebih jelas. Oleh karena itu, penulis mengharapkan saran

dan ide-ide yang dapat diberikan guna menyempurnakan implementasi dan

pengembangan dari algoritma ini secara keseluruhan agar menjadi lebih

baik dan bermanfaat.

6. Daftar Pustaka

[1]. Intan Nur Lestari. 2010. “Implementasi Metode Hough Transform

Pada Citra Skeletonisasi Menggunakan Matlab 7.6”. Skripsi. Universitas

Gunadarma. Depok

[2]. Kale, A., Cuntoor, N., Yegnanarayima, B., Rajagopalan, N. A.,

Chellappa, R. 2003. “Gait Analysis For Human Identification”. Proc.

AVBPA, pages 70-74

[3]. Knight, Andrew. 2000. Basics of MATLAB and Beyond. Chapman &

Hall CRC. New York

[4]. Lee Howard, Guan Ling, Lee, Ivan. 2008. “Video Analysis Of Human

Gait And Posture To Determine Neurological Disorders”. EURASIP Journal

On Image And Video Processing . Volume 2008. Article ID 380867

[5]. Otto, S.R & Denier, J.P. 2005. An Introduction to Programming and

Numerical Methods in MATLAB. Springer-Verlag. London

[6]. Paulus, E., Nataliani, Y. 2007. GUI Matlab. Penerbit ANDI. Yogyakarta

[7]. Register, Andy H. 2007. A Guide to MATLAB Object Oriented

Programming. Schitech Publishing, Inc. Georgia

[8]. Wilson, Howard B. 2003. Advanced Mathematics and Mechanic Using

MATLAB. Chapman & Hall CRC. New York

implementasi perhitungan sudut rangka manusia...

Documents