jurnal ilmiah vol. 21/no.2/september 2014link.narotama.ac.id/files/jurnal links vol 21.pdfjurnal...

Jurnal Ilmiah Vol. 21/No.2/September 2014

ISSN – 1858 - 4667

APLIKASI DATA MINING UNTUK MENGHASILKAN POLA KELULUSAN SISWA DENGAN METODE NAÏVE BAYES Budanis Dwi Meilani, Nofi Susanti

AMPLIFIKASI GERAKAN VIDEO BERDASARKAN REGION OBJECT DENGAN MENGGUNAKAN EULERIAN MAGNIFICATION Cahyo Darujati, A. Bimo Gumelar, Natalia Damastuti

PEMANFAATAN ARTIFICIAL INTELLIGENCE UNTUK OPTIMASI PERSEDIAAN BARANG DENGAN MENGUNAKAN ALGORITMA GENETIKA (STUDI KASUS APOTEK K24) Habibatul Lutfiyah, Achmad Zakki Falani

DIAGNOSA DINI PENYAKIT LUPUS ERITHEMATOSUS BERBASIS PERANGKAT BERGERAK ANDROID Hersa Farida Qoriani, Awalludiyah Ambarwati

GABUNGAN METODE DJIKSTRA DAN FUZZY C-MEANS UNTUK PENENTUAN RUTE JUMLAH OBYEK RINTANGAN Setiawardhana, Sigit Wasista, Lotusia Putri Rizqi

SISTEM PENGEPASAN BAJU BERBASIS PUSTAKA XNA MENGGUNAKAN KAMERA KINECT Sigit Wasista, Setiawardhana, Henrita Paskaria

Fakultas Ilmu Komputer Universitas Narotama Surabaya

Lintas Sistem Informasi dan Komputer

Jurnal Ilmiah Vol. 21/No.2/September 2014

ISSN – 1858 - 4667

DAFTAR ISI APLIKASI DATA MINING UNTUK MENGHASILKAN POLA KELULUSAN SISWA DENGAN METODE NAÏVE BAYES ............................................... 1-6 Budanis Dwi Meilani, Nofi Susanti

AMPLIFIKASI GERAKAN VIDEO BERDASARKAN REGION OBJECT DENGAN MENGGUNAKAN EULERIAN MAGNIFICATION ..................... 2-12

Cahyo Darujati, A. Bimo Gumelar, Natalia Damastuti

PEMANFAATAN ARTIFICIAL INTELLIGENCE UNTUK OPTIMASI PERSEDIAAN BARANG DENGAN MENGUNAKAN ALGORITMA GENETIKA (STUDI KASUS APOTEK K24) ............................................... 3-16 Habibatul Lutfiyah, Achmad Zakki Falani

DIAGNOSA DINI PENYAKIT LUPUS ERITHEMATOSUS BERBASIS PERANGKAT BERGERAK ANDROID ...................................................... 4-24 Hersa Farida Qoriani, Awalludiyah Ambarwati

GABUNGAN METODE DJIKSTRA DAN FUZZY C-MEANS UNTUK PENENTUAN RUTE JUMLAH OBYEK RINTANGAN ................................ 5-31 Setiawardhana, Sigit Wasista, Lotusia Putri Rizqi

SISTEM PENGEPASAN BAJU BERBASIS PUSTAKA XNA MENGGUNAKAN KAMERA KINECT ......................................................... 6-38 Sigit Wasista, Setiawardhana, Henrita Paskaria


Lintas Sistem Informasi dan Komputer


Jurnal Ilmiah LINK

Diterbitkan oleh :

Fakultas Ilmu Komputer – Universitas Narotama Surabaya

Vol.21/No.1 : September 2014

Susunan Redaksi :

Penanggung Jawab : Dekan Fakultas Ilmu Komputer

Ketua Pengarah : Cahyo Darujati, ST., MT.

Ketua Penyunting : Achmad Zakki Falani, S.Kom., M.Kom.

Dewan Penyunting : Cahyo Darujati, ST., MT.

Achmad Zakki Falani, S.Kom., M.Kom. Aryo Nugroho, ST., S.Kom, M.T.

Awalludiyah Ambarwati, S.Kom., M.M.

Penyunting Pelaksana Hersa Farida, S.Kom.

Latifah Rifani, S.Kom., MT.

Sirkulasi Ferry Hendrawan, S.Kom.

Administrasi Dyah Yuni Wulandari, S.Kom.

Sekretariat Fakultas Ilmu Komputer

Universitas Narotama Jln. Arief Rahman Hakim 51 Surabaya 60117

Telp. 031-5946404, 5995578 E-mail : [email protected]

Jurnal Ilmiah Link diterbitkan dua kali setahun, memuat tulisan ilmiah yang berhubungan dengan bidang ilmu sistem informasi dan sistem komputer

Tulisan ilmiah dapat berupa hasil penelitian, bahasan tentang metodologi, tulisan populer dan tinjauan buku.

PEDOMAN PENULISAN

FORMAT

1. Artikel diketik dengan menggunakan program MS Word/WP, spasi ganda, font

Times New Roman, size 10, dengan ukuran kertas Kuarto. Kutipan langsung yang

panjang (lebih dari tiga setengah baris) diketik dengan spasi tunggal dan bentuk

berinden

2. Artikel dibuat sesingkat mungkin sesuai dengan subyek dan metodologi penelitian,

biasanya antara 15-30 halaman

3. Marjin atas, bawah, kiri dan kanan minimal 1 inci

4. Semua halaman, termasuk tabel, lampiran dan referensi harus diberi nomor urut

halaman

5. Semua artikel harus disertai disket atau file yang berisi artikel tersebut

DOKUMENTASI 1. Kutipan dalam artikel sebaiknya ditulis dalam kurung yang menyebutkan nama

akhir penulisan, tahun tanpa koma, dan nomor halaman sumber tulisan yang dikutip

(jika dipandang perlu)

Contoh :

Sumber kutipan dengan satu penulis: (Ikhsan 2001), jika disertai nomor

halaman (Ikhsan 2001: 121)

Sumber kutipan dengan dua penulis: (Ikhsan dan Fayza 2001)

Sumber kutipan dengan lebih dari dua penulis: (Ikhsan dkk. 2001 atau

Ikhsan et al. 2001)

Dua sumber kutipan dengan penulis berbeda: (Ikhsan 2001, Fayza 2002)

Dua sumber kutipan dengan penulis sama: (Ikhsan 2001, 2002), jika tahun

publikasi sama: (Ikhsan 2001a, 2001b)

Sumber kutipan yang berasal dari institusi, sebaiknya menyebutkan akronim

institusi tersebut (BI 2000)

2. Setiap artikel memuat daftar referensi (yang menjadi sumber kutipan) dengan

ketentuan penulisan sebagai berikut:

a. Daftar referensi disusun alfabetis sesuai dengan nama penulis dan institusi

b. Susunan referensi: nama penulis, tahun publikasi, judul jurnal atau buku, nama

jurnal atau penerbit, nomor halaman

c. Contoh:

Callendar, J. H. 1996, Time Saver Standards for Architectural Design,

McGraw-Hill Book Company, New York.

Carn, N., Robianski, J., Racster, R., Seldin, M. 1988, Real Estate Market

Analysis Techniques and Applications, Prentice Hall, New Jersey.

ABSTRAKSI 1. Memuat antara lain masalah, tujuan, metode penelitian dan kesimpulan. Disajikan

diawal artikel terdiri dari 100-300 kata.

2. Setelah abstraksi cantumkan empat kata kunci guna memudahkan pemberian

indeks.

ISSN 1858-4667 JURNAL LINK VOL 21/No. 2/September 2014

1-1

APLIKASI DATA MINING UNTUK MENGHASILKAN POLAKELULUSAN SISWA DENGAN METODE NAÏVE BAYES

Budanis Dwi Meilani, Nofi Susanti

Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Insitut Teknologi Adhi Tama SurabayaJl. Arief Rahman Hakim 100 – Surabaya 60117

E-mail :[email protected], [email protected]

Abstrak

Pertumbuhan yang pesat dari akumulasi data telah menciptakan kondisi kaya akan data tetapi miniminformasi. Data mining merupakan cara untuk menemukan informasi dengan mencari pola atau aturan tertentu daridata dalam jumlah besar yang diharapkan dapat mengatasi kondisi tersebut. Dengan memanfaatkan data induk siswadan data kelulusan siswa sebagai sumber datanya, diharapkan dapat menghasilkan informasi tentang pola tingkatkelulusan siswa melalui teknik data mining. Kategori tingkat kelulusan di ukur dari nilai UNAS. Algoritma yangdigunakan adalah algoritma naïve bayes. Proses pada aplikasi ini ada 2 macam yaitu, proses analisa pola datakelulusan siswa yang telah ada sebelumnya (Learning Phase) berdasarkan atribut – atribut yang di ujikan dan prosesdari analisa pola data baru yang diujikan berdasarkan pola yang telah ada (Testing Phase). Informasi yangditampilkan pada aplikasi tersebut ada 2 macam yaitu, informasi hasil proses Learning Phase dan informasi databerupa nilai probabilitas posterior (kemungkinan kemunculan) dari masing-masing kategori tingkat kelulusan. Padaanalisa data yang dilakukan diproses testing, di dapat tingkat keakuratan sistem sekitar 99,82% dan memiliki nilaierror 0.18% berdasarkan pengujian 220 data siswa tahun 2012.

Kata kunci : Data mining, algoritma naïve baye, tingkat kelulusan, data induk siswa, testing phase, learning phase

1.1 Pendahuluan 1.2 Latar Belakang

Dengan kemajuan teknologi informasidewasa ini, kebutuhan akan informasi yang akuratsangat dibutuhkan dalam kehidupan sehari-hari,sehingga informasi akan menjadi suatu elemenpenting dalam perkembangan masyarakat saat ini danwaktu mendatang. Namun kebutuhan informasi yangtinggi kadang tidak di imbangi dengan penyajianinformasi yang memadai, seringkali informasi

tersebut masih harus digali ulang dari datayang jumlahnya sangat besar. Penggunaan teknik datamining diharapkan dapat memberikan pengetahuan-pengetahuan yang sebelumnya tersembunyi di dalamgudang data sehingga menjadi informasi yangberharga.

Sekolah Menengah Atas (SMA) saat inidituntut untuk memiliki keunggulan bersaing danmemiliki kualitas yang baik. Untuk mengatasi haltersebut, pihak sekolah di tuntut untuk dapatmengambil langkah – langkah yang tepat dalam

Memajukan kualitas sekolah. Hal ini bisadilakukan dengan cara meningkatkan kualitas nilaikelulusan siswa. Sistem ini akan membantu pihaksekolah mengetahui pola kelulusan dari siswa –siswinya dengan memanfaatkan data siswa dan datakelulusanDari pola tersebut, diharapkan bisamenganalisa faktor – faktor yang sangat berpengaruhpada tingkat kelulusan. Hal ini, membantuk pihaksekolah dalam menyaring siswa – siswi yang lebihkompeten selain berdasarkan rangking dari nilai.Sehingga, membantu pihak sekolah untuk menyususnstrategi yang tepat dalam meningkatkan kualitassekolah dan menjadikan sekolah memiliki daya saingyang tinggi.

1.3 Perumusan Masalah

1. Bagaimana menerapkan teknik Data Miningdengan Metode Naïve Bayes untuk

Budanis Dwi Meilani, Nofi Susanti, Aplikasi Data Mining Untuk…

1-2

menampilkan informasi Tingkat Kelulusandengan Data Induk Siswa dan Data Kelulusansebagai sumber datanya.

2. Bagaimana membuat sistem unttuk menganalisadata, sehingga bisa menjadi informasi yangberguna untuk meningkatkan kualitas siswa

3. Bagaimana menampilkan informasi agar dapatdigunakan dalam membantu pengambilankeputusan untuk meningkatkan kualitas sekolah.

1.4 Tujuan Penelitian

1. Menerapkan teknik Data Mining denganMetode Naïve Bayes dan menyajikan informasikelulusan siswa

2. Mempermudah analisa data kelulusan yangjumlahnya besar agar dapat diketahui faktor –faktor yang sangat berpengaruh pada tingkatkelulusan.

3. Membuat sistem pendukung keputusan untukmembantu meningkatkan kualitas kelulusansiswa

1.5 Batasan Masalah

1. Semua proses perhitungan yang disediakan olehsistem menggunakan teknik data minningdengan metode Naive Bayes.

2. Informasi yang ditampilkan berupa laporananlisa pola data mining tingkat kelulusan dannilai kalkulasi probabilitas posterior padahubungan antara tingkat kelulusan dengan datainduk siswa. Data, formatnya pun disesuaikandengan kebutuhan data mining.

3. Data Induk Siswa dan data Kelulusan yangdiambil sebagai sampel dalam aplikasi iniadalah data tahun 2010 dan 2011.

4. Sistem ini hanya sebagai pendukung keputusan,bukan sebagai faktor utama dalam mengambilkeputusan (faktot utama, bisa berdasarkanrangking nilai siswa yang mendaftar).

5. Perancangan dan pembuatan sistem ini denganmenggunakan program aplikasi Visual Basic6.0 dan perancangan database denganmenggunakan Microsoft Access 2003 padasistem operasi Windows.

2. Tinjauan Pustaka2.1 Data Mining

Data mining adalah kegiatan menemukanpola yang menarik dari data dalam jumlah besar, datadapat disimpan dalam database, data warehouse, ataupenyimpanan informasi lainnya. Data mining

berkaitan dengan bidang ilmu – ilmu lain, sepertidatabase system, data warehousing, statistik,machine learning, information retrieval, dankomputasi tingkat tinggi. Selain itu, data miningdidukung oleh ilmu lain seperti neural network,pengenalan pola, spatial data analysis, imagedatabase, signal processing (Han, 2006). Datamining didefinisikan sebagai proses menemukanpola-pola dalam data. Proses ini otomatis atauseringnya semiotomatis. Pola yang ditemukan haruspenuh arti dan pola tersebut memberikan keuntungan,biasanya keuntungan secara ekonomi. Data yangdibutuhkan dalam jumlah besar (Witten, 2005).

2.2 Tahap – Tahap Data Mining

Tahap-tahap data mining ada 6 yaitu :1. Pembersihan data (data cleaning)

Pembersihan data merupakan prosesmenghilangkan noise dan data yang tidakkonsisten atau data tidak relevan. Integrasidata (data integration)

2. Integrasi data merupakan penggabungandata dari berbagai database ke dalam satudatabase baru.

3. Seleksi Data (Data Selection)Data yang ada pada database sering kalitidak semuanya dipakai, oleh karena ituhanya data yang sesuai untuk dianalisis yangakan diambil dari database.

4. Transformasi data (Data Transformation)Data diubah atau digabung ke dalam formatyang sesuai untuk diproses dalam datamining.

5. Proses mining,Merupakan suatu proses utama saat metodediterapkan untuk menemukan pengetahuanberharga dan tersembunyi dari data.

6. Evaluasi pola (pattern evaluation), Untukmengidentifikasi pola-pola menarik kedalamknowledge based yang ditemukan.

7. Presentasi pengetahuan (knowledgepresentation),Merupakan visualisasi dan penyajianpengetahuan mengenai metode yangdigunakan untuk memperoleh pengetahuanyang diperoleh pengguna.

2.3 Metode Naïve Bayes Classifier

Simple naive Bayesian classifier merupakansalah satu metode pengklasifikasi berpeluangsederhana yang berdasarkan pada penerapan TeoremaBayes dengan asumsi antar variabel penjelas saling


1-3

bebas (independen). Algoritma ini memanfaatkanmetode probabilitas dan statistik yang dikemukakanoleh ilmuwanInggris Thomas Bayes, yaitu memprediksiprobabilitas di masa depan berdasarkan pengalamandi masa sebelumnya. Dua kelompok peneliti, satuoleh Pantel dan Lin, dan yang lainoleh Microsoft Research memperkenalkan metodestatistik Bayesian ini pada teknologi anti spam filter.Tetapi yang membuat algoritma Bayesian filtering inipopular adalah pendekatan yang dilakukan oleh PaulGraham. Dasar dari teorema naive digunakan dalampemrograman adalah rumus Bayes berikut ini:P (A|B) = (P(B|A) * P(A))/P(B)Artinya Peluang kejadian A sebagai B ditentukan daripeluang B saat A, peluang A, dan peluang B. Contohpenggunaan Algoritma Naive Bayes antara lain:

Untuk klasifikasi dokumen Untuk deteksi SPAM atau fitering SPAM Dan masalah klasifikasi lainnya

Teorema Bayes:P(C|X) = P(X|C)·P(C) / P(X)

Dimana : P(X) bernilai konstan utk semua klas P(C) merupakan frek relatif sample klas C Dicari P(C|X) bernilai maksimum, sama

halnya dengan P(X|C)·P(C) juga bernilaimaksimum

3. Analisa Dan Perancangansistem3.1 Langkah Penyelesaian

Berikut ini adalah langkah – langkah miningdata gabungan dari data induk siswa dan datakelulusan siswa dengan metode classification naïvebayes agar menghasilkan suatu pola tingkat kelulusanyang diperoleh dari data induk siswa dan datakelulusan. Proses classification dibagi menjadi duaphase yaitu learning dan test.

3.1.1 Learning Phase

Data pada tabel gabungan di atas ada 2 tipe :1. Data Statis

Data statis adalah data yang sifatnya tetap,tidak mengalami perubahan nilai. Berikut inimerupakan rumus yang digunakan untukmencari data yang sifatnya statis :

Salah satu contoh atribut yang bersifat statisadalah atribut jenis kelamin, hanya terdapat 2nilai yaitu laki – laki, perempuan.

2. Data KontinueData kontinue adalah data yang nilainyaberubah ubah. Biasanya data setnya berupadata numerik. Berikut ini adalah rumus yang digunakan untuk mencari nilai probabilitaskemunculan pada data yang sifatnya kontinue.

*Ket : f(w) merupakan nilai kemunculanprobabilitas untuk data yang mempunyai nilai(w). Salah satu contoh atribut yang bersifatkontinue adalah atribut danem, setiap siswamemiliki nilai danem yang berbeda – beda.

3.2 Proses Transformasi DataTabel ini di jadikan acuan untuk menentukan polatingkat kelulusan siswa.

Tabel 1. Kategori Predikat KelulusanKATEGORI KETERANGAN

A danem 60.00 – 48.00

B danem 47.99 – 36.00C danem 35.99 – 00.00

tabel predikat kelulusan berdasarkan nilai danemdapat dikategorikan menjadi tiga yaitu :1. kelulusan A dengan nilai 60.00 – 48.002. kelulusan B dengan nilai 47.99 – 36.003. kelulusan C dengan nilai 35.99 – 00.00

3.3 Contoh Perhitungan Learning Phase (DataStatis)

Proses learning phase pada data gabungan(data induksiswa dan data kelulusan) antara lain adalah padaatribut jenis kelamin, asal sekolah, tempat lahir,program studi, tahun masuk, tahun lulus, dan tingkatkelulusan.Di bawah ini adalah salah satu contoh perhitunganmining learning phase pada jenis kelamin

1. Probabilitas tingkat kelulusan Aa. 2/5 merupakan siswa yang berjeni kelamin

perempuanb. 3/5 merupakan siswa yang berjenis kelamin

laki – laki


1-4

Probabilitas tingkat kelulusan Ba. 2/5 merupakan siswa yang berjenis kelamin

perempuanb. 3/5 merupakan siswa yang berjenis kelamin laki

– lakiProbabilitas tingkat kelulusan C

Tabel 2. Kelulusan Berdasarkan Jenis Kelamin

a. 2/4 merupakan siswa yang berjenis kelaminperempuan

b. 2/4 merupakan siswa yang berjenis kelamin laki– laki

3.4 Contoh Perhitungan Learning Phase (DataKontinue)

Atribut yang digunakan untuk proses testingphase antara lain adalah danem smp, nilai ujian(bahasa Indonesia, bahasa inggris, matematika, fisika,kimia, biologi, sosiologi, geografi, ekonomi).Berikut ini adalah salah satu contoh perhitungandanem SMP.

Tabel 3. Kelulusan Berdasarkan DanemDanemSMP

Kelulusan= A

Kelulusan= B

Kelulusan= C

1 30.65 36.8 34.452 31.75 28.25 26.75

3 27.15 28.4 33.85

4 33 31.2 30.95

5 34.1 30.55 -Mean(µ)

Stddev(σ)

31.337.14325

31.0312.062

31.512.363

3.5 Contoh Proses Perhitungan Testing

Berikut ini adalah rumus yang digunakanuntuk menghitung MAP rule pada testing phase :

Contoh :Jika ada seorang siswa yang di sekolah barunawatidengan data – data sebagai berikut1. Jenis kelamin = perempuan2. Kota asal sekolah = gresik3. Asal sekolah = SMP Trisila4. Danem SMP = 29.50

5. Program studi = ipaBagaimana pola tingkat kelulusan pada siswatersebut?Jawab : X’ = ( jenis kelamin=p, kota asal=gresik, asal

sekolah=smp trisila, status sekolah=terakreditasiB, danem SMP=’b’, program studi=ipa)

Look Up Tables

P(Jenis kelamin=p|kelulusan=A)= 2/5P(Kota asal=gresik|kelulusan=A)= 2/5P(asal sekolah=smp trisila|kelulusan=A)= 1/5P(Danem SMP=b’|kelulusan=A)= 0.456P(Program Studi=ipa|kelulusan=A)= 2/5P(Kelulusan = A) = 5/14P(Jenis kelamin=p|kelulusan=B)= 2/5P(Kota asal=gresik|kelulusan=B)= 1/5P(asal sekolah=smp trisila|kelulusan=B)= 1/5P(Danem SMP=b’|kelulusan=B)= 0.467P(Program Studi=ipa|kelulusan=B)= 3/5P(Kelulusan = B) = 5/14

P(Jenis kelamin=p|kelulusan=C)= 2/4P(Kota asal=gresik|kelulusan=C)= 3/4P(asal sekolah=smp trisila|kelulusan=C)= 1/4P(Danem SMP=b’|kelulusan=C)= 0.657P(Program Studi=ipa|kelulusan=C)= 2/4P(Kelulusan = C) = 4/14

Map Rule

Likelihood of Kelulusan = A2/5 x 2/5 x 1/5 x 0.456 x 2/5 x 5/14 = 0.002

Likelihood of Kelulusan = B2/5 x 1/5 x 1/5 x 0.467 x 3/5 x 5/14 = 0.0016

Likelihood of Kelulusan = C2/4 x 3/4 x 1/4 x 0.657 x 2/4 x 4/14 = 0.0087

Nilai probabilitas dapat dihitung dengan melakukannormalisasi terhadap likelihood tersebut sehinggajumlah nilai yang diperoleh = 1.Given the fact P(A|x’) <P(B|x’)<P(C|x’).

SEX KEL = A KEL = B KEL = CP 2/5 2/5 2/4L 3/5 3/5 2/4


1-5

3.6 Perancangan Sistem

Gambar 1. Flowchart Sistem Mining TingkatKelulusan Siswa

Gambar 2. Diagram Konteks Penerimaan Inklusi

4. Implementasi4.1 Pengolahan Data Induk Siswa

Gambar 3. Pengolahan Data Induk siswa

4.2 Data Kelulusan Siswa

Gambar 4. Pengolahan Data Kelulusan Siswa

4.3 Proses Mining

Gambar 5. Proses Mining Learningdan Mining Testing

5. Kesimpulan Dan Saran5.1 Kesimpulan

Dari perancangan dan implementasi AplikasiData Mining Untuk Menghasilkan Pola KelulusanSiswa ini, dapat ditarik kesimpulan bahwa : .1. Proses testing digunakan untuk memprediksi data

baru siswa tentang tingkat kelulusan yang akandiperoleh. Pada proses ini atribut yangdigunakan adalah tempat lahir, danem SMP,jurusan studi. Atribut tersebut dipilih karenamemiliki nilai perkalian support dan confidenceyang tinggi dibandingkan atribut yang lain. Nilaimasing – masing atribut tersebut berdasarkanperhitungan antara lain adalah tempat lahir =39,083, danem SMP= 23,828, dan jrurusan studi= 31,464

2. Pada analisa data yang dilakukan diprosestesting, di dapat tingkat keakuratan sistemsekitar 99,82% dan memiliki nilai error 0.18%


1-6

berdasarkan pengujian 220 data siswa tahun2012.

5.2 Saran

Dari hasil evaluasi aplikasi yang telahdibuat, penulis menyadari bahwa aplikasi yang dibuatmasih terdapat kekurangan. Report yang di hasilkanberupa nilai probabilitas, karena perhitungan yangdilakukan masih mengacu pada perhitungan datalama. Untuk pengembangan lebih lanjut, bisa diinputkan data – data yang lebih bervariasi dalamproses analisa. Sehingga hasil analisa yang didapatkan lebih mendekati tingkat keberhasilan.Sehingga bisa membantu pihak manajemen sekolahdalam menindak lanjuti perbaikan kualitassekolahnya.

Daftar Pustaka

Davies, and Paul Beynon, 2004, “Database SystemsThird Edition”, Palgrave Macmillan, New York.

Elmasri, Ramez and Shamkant B. Navathe, 2000,“Fundamentals of Database Systems. ThirdEdition”, Addison Wesley PublishingCompany, New York.

Kadir, Abdul, 1999, “Konsep dan Tuntunan PraktisBasis Data”, Penerbit Andi, Yogyakarta.

Kusrini, dan Emha Taufik Luthfi, 2009, “AlgoritmaData Mining”, Penerbit Andi, Yogyakarta.

Pramudiono, I. 2007. Pengantar Data Mining :Menambang Permata Pengetahuan di GunungData.http://www.ilmukomputer.org/wp-content/uploads/2006/08/iko-datamining.zipDiakses pada tanggal 15 Maret 2009 jam 08.54.

Nurul Pratiwi, Oktariani. 2009. Klasifikasi PostingBlog Berbahasa Indonesia denganMenggunakan Algoritma Naïve Bayes. Bandung: Universitas Pendidikan Indonesia.

Wibisono, Yudi. 2005. Klasifikasi Berita BerbahasaIndonesia menggunakan Naïve BayesClassifier1. Bandung: Universitas PendidikanIndonesia.


2-7

AMPLIFIKASI GERAKAN VIDEO BERDASARKAN REGION OBJECTDENGAN MENGGUNAKAN EULERIAN MAGNIFICATION

Cahyo Darujati1, A. Bimo Gumelar2, Natalia Damastuti3

1,2,3 Sistem Komputer, Fakultas Ilmu Komputer, Universitas Narotama1 [email protected], 2 [email protected], 3 [email protected]

Abstrak

Amplifikasi gerakan bekerja pada pemrosesan gambar digital khusus yang mengambil raw video danmemeriksa cara warna piksel individu berubah sepanjang waktu (gerakan kecil). Aplikasi tersebut meningkatkanvariasi warna untuk membuatnya lebih terlihat. Aplikasi ini seperti mikroskop kecil, bukan untuk memperbesarobjek kecil, tetapi gerakannya. Metode Eulerian Magnification dapat mengungkap variasi sementara dalam videoyang tidak mungkin terlihat dengan mata telanjang (biasanya). Amplifikasi dilakukan berdasarkan gerakan atauwarna pada video. Proses magnifikasi dibuat berdasarkan region of interest (ROI) dari data video, kemudiandimasukkan dalam metode Eulerian untuk menguatkan variasi warna. Penelitian ini bermula dengan video inputstandar untuk memasuki pool frekuensi spasial yang berbeda Hasil dari pemrosesan sementara kemudianditingkatkan dengan sebuah faktor yang diberikan untuk mengungkap informasi tersembunyi dalam video.Untuk membuat aplikasi tes, langkah pertama dikembangkan untuk mendapatkan penerapan lebih cepat danproses pengujian lebih mudah. Tujuan fundamental analisis gerakan adalah untuk menentukan vector field yangmenjelaskan perubahan pada gambar sepanjang waktu. Rangkaian video diuraikan menjadi band frekuensispasial yang berbeda. Ukuran band frekuensi bisa menunjukkan nilai sinyal ke noise dari ukuran berbeda yangdapat diperbesar.

Kata kunci : Region Object, Amplifikasi Gerakan, Metode Eulerian.

1.1 Pendahuluan

Dalam setiap metode biasa untuk memotretdan mengkomunikasikan perubahan lingkungan,kami berhadapan dengan orientasi tugas yangberbeda - apakah difoto dengan kamera tradisional,mikroskop atau digital video, hal ini menyediakanbanyak sumber informasi dan data mengenaiperbedaan waktu kita. Beberapa aplikasi pemrosesanvideo digunakan untuk mendeteksi dan melacakgerakan atau objek bergerak dalam video. Modeldan alat komputasional untuk menganalisis danmemahami proses dengan waktu berbeda dan trendalam data visual adalah perkiraan dan deteksigerakan. Alat tersebut menyediakan pemahamanmelebihi jangkauan normal panca indera kita. Adabanyak penelitian untuk meningkatkan persepsikami: amplifikasi gerakan. Amplifikasi gerakan inimeningkatkan magnitudo gerakan kecil dan kadang-kadang gerakan kecil, sehingga membuat proses takterlihat tiba-tiba terlihat melalui penginderaan danpeningkatan pada komputer [Motion Amplification].Contohnya, amplifikasi gerakan bisa membantu kitamemantau pernafasn pada bayi. Gerakan dada bayi

yang naik dan turun dengan setiap proses pernafasantidak dapat dilihat dengan mata telanjang.

Teknologi amplifikasi gerakan dapatmembuatnya terlihat, sehingga mendukung diagnosayang lebih mudah untuk masalah potensial [MotionAmplification]. Hubungan sederhana terungkapantara struktur statistik gambar pembeda waktunatural dan sensitivitas spasiotemporal padapenglihatan manusia. Keberadaan hubungan inimendukung hipotesis bahwa pemrosesandioptimalkan untuk memampatkan informasisebanyak mungkin mengenai dunia luar menjadirentang dinamik terbatas saluran visual [W Dong].Mata manusia memiliki sensitivitas spasiotemporalterbatas oleh karena ketidamampuannya untukmendeteksi sinyal yang jatuh di bawah tingkat inidan bisa memiliki informasi yang sangat berguna.Beberapa gerakan contoh dengan amplitudo spasialrendah adalah seperti pernafasan pada bayi atauvariasi warna kulit oleh karena adanya sirkulasidarah dalam tubuh. Variasi menit tersebut dapatmembantu kami untuk mempelajari aspek pentingdunia sekitar kita [Rasool, 2013]. Untukmenjelaskan kemampuan alat pencitraan atau matamanusia dan untuk membedakan antara dua poin

Cahyo Darujati, A. Bimo Gumelar, Natalia Damastuti, Amplifikasi Gerakan Video…

2-8

tersebut, resolusi spasial di jarak angular kecilseharusnya dibandingkan. Semakin kecil jarakangular, semakin besar resolusi spasial dan detaillebih tinggi bisa dilihat dengan mata telanjang tetapijuga bisa diterima oleh kamera. Amplifikasi gerakanmasih berada dalam tahap perkembangan, tetapiaplikasi potensialnya luas, dari mengukur detakjantung sampai mendeteksi kelemahan strukturaldalam bangunan.

Ada berbagai pekerjaan dan aplikasisebelumnya untuk magnifikasi gerakan sekaligusamplifikasi [Liu C., 2005]. Dalam [Arikan O., 2002,Lee J., 2002], gerakan manusia dihasilkan olehpenggunaan kembali gambar yang terpotret untukmembuat gerakan baru. Dalam makalah ini, kamimenerapkan metode Eulerian untuk memroses datayang didapatkan dari video dan mengkonstruksiulang video dari data yang dimodifikasi sehinggavideo baru menunjukkan gerakan yang diperbesar.Dalam [Hao-Yu Wu, 2012], gerakan kecildiperbesar tanpa pelacakan gerakan. Semua tekniktersebut memerlukan interaksi pengguna dengancara lainnya. Metode magnifikasi Eulerian pada datavideo, yang merupakan metode komputasional,mengungkapkan gerakan sementara dan perubahanwarna yang halus dalam video, yang tidak mungkinatau sangat sulit dilihat dengan mata telanjang.Metode ini menyajikan cara analisis rangkaian videodengan menerapkan penguraian spasial dan filteringsementara ke video frame dan menguatkan gerakanatau perubahan warna yang diterima, yang akantetap tak terlihat jika tidak menggunakan metodetersebut [Hao-Yu Wu, 2012]. Metode tersebut jugamenganalisis dan memvisualisasikan variasisementara jangka pendek dan jangka panjang dalamrangkaian video dan gambar dengan perubahanamplitudo kecil.

2.1 Persepsi Gerak Visual

Dalam pembahasan mengenai persepsigerakan visual, ada fungsi biologis dari persepsigerakan visual, informasi tersebut yang berkaitandengan persepsi menjadi sangat penting dalammembuatnya menjadi sebuah cara untuk mendeteksi,menavigasi, dan untuk proses pembangunankapasitas representasi visual tiga dimensi(transformasi input retina mata dalam bentuk inputvisual dalam dua dimensi menjadi visualisasi tigadimensi) Menurut [David C. Burr, 2004], informasigerakan tidak dilakukan seketika saat sinyalditangkap oleh retina mata, tetapi informasi dihitungdari variasi sementara. Informasi pada awal gerakanini akan dianalisis secara paralel oleh rangkaiandetektor yang mengacu pada gerakan lokal yangakan menunjukkan properti dasar tertentu, yaitukebutuhan sampel terpisah dalam kapasitassetidaknya dua unit untuk digabungkan dalam cara

non-linear yang membuat seleksi direksional[Reichardt, W., 1961]. Ada model detektor gerakanpaling sederhana berdasarkan prinsip yang jugadikenal sebagai detektor Reichardt. Komponenpenting detektor adalah kemampuan untukmendapatkan korelasi silang dan asimetri spasial dansementara, ini juga bisa diterapkan dalam berbagaicara. Dalam model awal yang dibangun, ada sebuahfakta penting mengenai gambar alam dalam jangkawaktu yang berbeda bahwa rentang tersebut tidakberubah secara acak dalam feinisi ruang-waktu. Halini tidak berdasarkan intensitas gambar pada skalawaktu yang berbeda atau kontur posisi spasial yangsecara langsung berhubungan dengannya. [W Dong]telah melakukan pengukuran bahwa fungsi korelasisementara spatio yang kurang lebih setara denganspektrum daya gambar alami dan hal ini tidakterpisah, misalnya berpasangan dalam ruang danwaktu.

Dalam penjelasan model dalam Gambar 1,orientasi dimensi ruang-waktu dapat didapatkandengan mudah dengan kombinasi filter linier danjuga dengan perpindahan fase spasial dan sementarayang tepat. Hal ini dimulai dengan orientasi bidangreseptif sementara kemudian diatur untuk kondisifrekuensi spasial dan sementara dalam sebuah bandyang terbatas, dan sesuai dengan orientasi pilihandalam bidang spasio sementara. Dalam Gambar 2,output dua filter dalam kuadratur fase kuasi dalamwaktu dan ruang, hal ini mengkwadratkan dandijumlahkan untuk memproduksi energi searahdengan gerakan. Model ini memberikan responmelalui sinusoidal gratings drifting dengan responkonstan, dan respon kuat diberikan saat kecepatansinusiod sesuai dengan orientasi bidang reseptifspatio dan menjadi yang paling lemah dalamorientasi ortogonal (arah berlawanan). Dalam modeldetektor sederhana seperti model detektor Reichardt,yang lebih secara khusus didapatkan oleh inhibisiantara energi gerakan lawah, dengan reduksi. Halyang menarik dalam model ini adalah bahwa modelenergi gerakan secara formal setara dengan modelpenuh detektor gerakan Reichardt, yang dijelaskanuntuk mencakup fase screening secara spasial dansementara, meskipun tidak ada bagian detektorReichardt yang sesuai dengan arah ekstraktor energigerakan [Adelson, E. H., 1985].

Gambar 1. Proses detektor Reichardt untukmerespon gerakan nyata dan gerakan jelas [JonathanPillow, 2009]


2-9

2.2 Teknik Magnifikasi Gerakan

Dalam gerakan tertentu yang yang tidakbisa diamati secara visual dan tidak dapat terjangkauoleh mata telanjang manusia, aplikasi pemrosesanvideo sering harus melakukan proses manipulasitugas yang berbeda dalam memperkirakan gerakanhalus yang bisa digunakan untuk mendeteksi danmelacak gerakan objek bergerak dalam data video.Gerakan halus ini dapat memberikan informasi yangberguna. Untuk bisa menggunakan informasi yangterdapat dalam data, proses gerakan ini perluditingkatkan. Ada beberapa teknik untuk dilakukan,yaitu dengan mengekstrak informasi gerakan dalamdata video, kemudian aplikasi bisa menjadi alat yangberguna untuk menentukan perubahan dalam videoyang bisa tidak terlihat dalam situasi normal[Rasool, 2013].

Ada teknik umum yang digunakan untukmendeteksi gerakan, yaitu teknik pemrosesan aliranoptik dan teknik pemrosesan spatio-sementara.Pemrosesan mekanis aliran optik merupakan objekdengan gerakan jelas atau gerakan berdasarkan polakecerahan video dalam gambar. Gerakan inidisebabkan oleh gerakan relatif antara mata danobjek dalam sebuah scene. Konsep teknikpemrosesan aliran optik adalah untuk memahamipersepsi bentuk objek, jarak, dan gerakan objektersebut.

Sebagai karakteristik aliasing yang kurangumum, aliasing tersebut dapat terjadi dalam waktudan ruang. Contoh paling umum adalah ketikabeberapa objek menjadi berputar dan tampakberputar lebih lambat atau di arah berlawanan. Halini dapat terjadi lebih umum kapanpun kecepatanframe kurang dari dua kali kecepatan rotasi ataupengulangan objek. Pemrosesan gambar denganteknik pemrosesan spatio-sementara melibatkandimensi yang dikenal sebagai dimensi sementarainformasi. Dimensi ini merupakan dimensi informasisementara selain informasi yang ada. Dalam konteksproses perhitungan dan komputasi deteksi gerakan,informasi sementara dapat menyediakan sebuahpetunjuk tambahan mengenai konten, struktur, daninformasi lain yang berkaitan atau berada dalamscene. Metode Eulerian dapat digunakan untukmengekstrak gerakan kecil dan halus dalam datavideo [Hao-Yu Wu, 2012].

Gambar 2. Proses pemisahan berbasis kesamaanakan membuat karakteristik tekstur area dalam

potongan spasio-sementara secara horisontal dansecara vertikal. [Collins, T., 2004]

2.3 Deteksi Objek dengan fitur Haar-like

Beberapa macam detektor fitur untukmendeteksi objek yang telah pada awalnya diajukanoleh [Paul Viola, 2001] dan dibuat penyesuaian danperkembangan oleh [Rainer Lienhart, 2002]. Hal inidilakukan dengan melatih pandangan beberapasampel pada objek tertentu. Objek merupakanelemen integral atau sifat dan karakteristik yangterkandung, seperti ekspresi wajah manusia. Dalamkebanyakan kasus, studi yang memenuhi elemenobejk dalam pertanyaan digunakan sebagai sebuahdata untuk diubah ke dalam bentuk objek lainnya.Selanjutnya, untuk memahami kognisi ini, objekmeningkatkan minat dalam menganalisis bentukpermukaan wajah [Darujati, C.; 2013].

Proses pelatihan melibatkan penggolong,penggolong ditingkatkan dan bisa melanjutkan kepeta bagian minat atau yang disebut sebagai Regionof Interest (ROI), ROI yang digunakan memilikiukuran sama dengan yang digunakan dalam prosespelatihan pada input gambar atau data video. Untukmencari dan mendeteksi sebuah objek dalamkeseluruhan input gambar, hal ini bisa dilakukandengan penggolong.

Proses penggolong dirancang sedemikianrupa untuk menemukan objek yang "dianggap"menarik dalam dimensi berbeda, karena efisiensitidak mengubah ukuran input gambar sejak awal.Jika penggolong menemukan sebuah objek ukurantertentu yang tidak dikenal atau diantisipasi olehgambar input, kemudian pemindaian prosedurabsolut objek harus dilakukan kali pertama untukbeberapa kali di tingkat skala berbeda. Fitur yangditerjemahkan oleh Haar-like adalah input yangdimasukkan dalam proses klasifikasi dan dasarperhitungan sebagaimana yang diuraikan di bawahini: Algoritma ini menggunakan fitur Haar-likeberikut ini:

Gambar 3. Algoritma untuk fitur Haar-like

Karakteristik atau fitur yang disebut dalampenjelasan penggolong, yang ditentukan olehpenggolong ukuran, mengacu pada Gambar 3. (1a,2b). Dapat dilihat bahwa posisi dan skala dalam ROIsangat berbeda dari skala yang digunakan pada


2-10

tahap deteksi proses. Jumlah piksel atas bagianpersegi panjang yang mencakup semua fitur yangdikomputasi, dua garis putih dan garis hitam beradadi pusat sekaligus jumlah piksel yang terkandungdalam bagian persegi panjang. Untuk mendapatkanposisi dan ukuran objek yang akan dicantumkan dandiproses ke metode Eulerian, akan ada proses yangmerupakan opjek interpolasi antara objeksebelumnya dan baru terdeteksi. Jika jarak kurangdari sepertiga lebar bagian persegi panjang ruangan

dimana objek terdeteksi, nilai w : dan itu

menjadi nilai dari r, yang merupakan rasio

persentase terinterpolarsi antara nilai:

3.1 Metode Magnifikasi Eulerian

Metode Eulerian [Hao-Yu Wu, 2012]seperti yang dijelaskan dalam pendahuluan,merupakan metode komputasional untukmenghitung dan juga menjadi metode untukmenguatkan proses perubahan halus ke sinyal datavideo. Ini terjadi untuk mengubah warna ataupergerakan translasi. Metode dilakukan denganpemrosesan data spasial dan sementara. Metode inimenjalankan urutan order berurutan berdasarkananalisis data video dengan proses penguraian spasialdan sementara dari filtering. Hasil analisis inidigunakan untuk mengumumkan perubahan dalamdata video dalam lingkup interval waktu tertentuyang secara khusus pada frame data video.

Gambar 4. Kerangka magnifikasi video [Hao-YuWu, 2012]

Pendekatan dasar yang dilakukan olehmetode Eulerian digunakan untuk pembesaran ataumagnifikasi pada data video warna. Prosespembesaran dilakukan untuk meningkatkan nilaivariasi warna yang ditemukan di setiap lokasi ataubagian spasial, yang menuju bagian spasial adalahpiksel. Metode ini juga bekerja untuk menunjukkangerakan translasi dalam satu dimensi. Fungsidigunakan dalam intensitas gambar, I (x;t) untukmenentukan magnitudo intensitas gambar di lokasiatau bagian tertentu dalam periode ini (t). Setelahgerakan translasi dilakukan, kemudian nilai (t)menjadi abadi, yang merupakan awal fungsiintensitas gambar .Fungsi ini berubah menjadi:

Sebagai fungsi pemindahan. Maksud dan tujuanmetode ini pada umumnya adalah untuk membuatfungsi intensitas gambar input diperbesar:

Fungsi intensitas gambar bisa diperkirakan denganmetode perpanjangan rangkaian Taylor urutanpertama mengenai nilai x yang dapat ditunjukkansaat t sebagai formula persamaan berikut ini [8]:

4. Metodologi

Sebagai metodologi yang digunakan dalamproses magnifikasi data video, sebuah proses yangdilakukan untuk meningkatkan pergerakan kecilyang tidak terlihat oleh mata telanjang manusia, iniakan menjadi perubahan dalam perubahan bentukyang bisa divisualisasikan melalui deteksi ataupelacakan gerakan dalam data video. Metode ataulangkah yang dilakukan seperti pada gambar 5.

Seperti yang kita ketahui bahwapengembangan metode ini dalam praktiknyamenggunakan beberapa variasi. Metode ini bisabekerja dan memilih filter spasial dan sementarauntuk meningkatkan keberadaan variasi warna.Detektor objek akan bekerja untuk mendeteksiperubahan objek spasial dalam persegi atau yanglebih dikenal sebagai frame dan detektor akanmenyesuaikan objek yang terdeteksi sebelumnya[Chambino,P.B., 2013].

Gambar 5. Langkah umum metode Eulierianuntuk menerapkan data video yang diberikan

Input data video

Detektor objek

Metode Eulerian

Framing gambar asli

Amplifikasi

Ditambahkan ke framegambar asli

Akhir frame proses

Hasil video


2-11

Penelitian melakukan penerapan yang kalipertama, sehingga bisa menjadi referensi bagi kamidalam memahami cara metode bekerja dan sesuaidengan penerapannya. Dalam dukungan penerapanini, data video mengacu pada 30 frame per detik.Kemudian, data video tersebut diolah denganmenghitung filter spasial piramida level Gaussian.Hal ini didapatkan sampai tingkat looping yangdiinginkan, dan loop selanjutnya adalah hasil loopsebelumnya sehingga bermula dari frame asli.Kalkulasi tingkat piramida Gaussian, langkahpertama adalah untuk memasukkan konvolusi datavideo dengan kernel, K, sebagaimana yangditunjukkan pada gambar 6.

Gambar 6. Kernel K

Dengan mengacu pada referensi [Hao-Yu Wu,2012] bahwa amplifikasi dilakukan dengan nilaiberbeda untuk setiap band frekuensi spasial yangsecara langsung berhubungan dengan tingkatpiramida Gaussian. Untuk skala nilai magnifikasi, α,mengkuti persamaan berikut ini:

δ(t) merupakan fungsi transfer yang berkaitandengan nilai magnifikasi dan λ adalah panjanggelombang nilai data spasial dari sinyal video.

5. Kesimpulan

Makalah ini menjelaskan dan menerapkanmetode langsung yang menguatkan perubahan halussinyal (perubahan warna atau gerakan translasi)dengan melakukan pemrosesan spasial dansementara, tanpa menggunakan pelacakan fitur danprediksi gambar. Sebuah video normal standar telahdiambil sebagai input dan dimagnifikasi untukmenguatkan gerakan kecil yang tidak terlihat olehmata manusia. Metode ini memproses piksel diposisi khusus dalam sebuah video dimana videotersebut mendapatkan frekuensi rendah danmenguatkannya untuk melihat adanya perubahankecil dalam video.

Daftar Pustaka

Adelson, E. H., and Bergen, J. R., “Spatiotemporalenergy models for the perception of motion, J.Opt”. Soc. Am., A2:284–299., 1985.

Arikan O. and Forsyth D. A.: “Synthesizingconstrained motions from examples”, ACMTrans. on Graph., 2002.

Brecelj, T., “Eulerian Video Magnification.”, 2013

Chambino,P.B., “Android-based implementation ofEulerian Video Magnification for vital signsmonitoring”, 2013.

Darujati, C.; Hariadi, M., "Facial motion capturewith 3D active appearancemodels," Instrumentation, Communications,Information Technology, and BiomedicalEngineering (ICICI-BME)”, 2013 3rdInternational Conference on , vol., no.,pp.59,64, 7-8 Nov. 2013.

David C. Burr, Motion Perception, “ElementaryMechanisms”, 2004.

Hao-Yu Wu, M. Rubinstein and E. Shih, J. V.Guttag, F. Durand and W. T. Freeman:“Eulerian video magnification for revealingsubtle changes in the world”, SIGGRAPH,2012

http://www.perimeterinstitute.ca/sites/perimeter-www.pi.local/files/MotionAmplification.pdf

Jonathan Pillow, “Lecture Notes on MotionPerception (PSY 323), The University of Texasat Austin”, 2009.

Lee J., Chai J., Reitsma P. S. A., Hodgins J. K. andPollard N. S.: “Interactive control of avatarsanimated with human motion data”, ACMTrans. on Graph., 2002.

Liu C., Torralba A., “Freeman W. T., Durand F.and Adelson E. H.: Motion magnification, ACMTrans. Graph”, 2005

Paul Viola and Michael J. Jones. “Rapid ObjectDetection using a Boosted Cascade of SimpleFeatures”. IEEE CVPR, 2001.

Rainer Lienhart and Jochen Maydt. “An extended setof haar-like features for rapid object detection.In Image Processing”. 2002. Proceedings. 2002International Conference on, volume 1, pages I–900. IEEE, 2002.

Rasool, “Video Colour Variation Detection AndMotion Magnification To Observe SubtleChanges”, 2013

Reichardt, W., “Autocorrelation, a principle forevaluation of sensory information by the centralnervous system in Sensory Communications(W.Rosenblith, Ed.)”, New York: John Wiley, pp.303–317., 1961.


2-12

W Dong, “Spatiotemporal Coupling and Scaling ofNatural Images and Human VisualSensitivities”, pp.859-865

sing Video Sequences using the Spatio-temporalVolume"., 20


3-13

PEMANFAATAN ARTIFICIAL INTELLIGENCE UNTUK OPTIMASIPERSEDIAAN BARANG DENGAN MENGUNAKAN ALGORITMA

GENETIKA (STUDI KASUS APOTEK K24)

Habibatul Lutfiyah1, Achmad Zakki Falani2

1,2 Sistem Komputer, Fakultas Ilmu Komputer, Universitas Narotama1 [email protected], 2 [email protected]

Abstrak

Dalam penelitian ini, dijelaskan mengenai optimasi persediaan obat dengan menggunakan metode algoritmagenetika. Tujuan dari penelitian ini adalah menentukan nilai optimal berdasarkan hasil penjualan selama satu tahun.Data obat tersebut kemudian dijadikan kromosom dalam penentuan nilai optimal setiap obat. Hasil yang diperolehdari optimasi stok dengan menggunakan metode ini adalah dapat dihasilkannya nilai estimasi yang akurat dalamwaktu yang singkat. Rata-rata tingkat akurasi yang di dapat mencapai 93.5% pada sampel penjualan obat tahun2013, estimasi yang didapat dapat digunakan untuk memprediksi jumlah stok obat pada apotek dalam 1 bulankedepan.

Kata Kunci: Optimasi stok, Estimasi ,Algoritma Genetika

1.1 Latar Belakang

Pentingnya ketersediaan obat dalam unitpelayanan khususnya jasa kesehatan merupakansalah satu faktor utama dalam menunjang profit.Namun tidak serta merta ketersediaan obat saja yangmenjadi faktorutama, banyak faktor lain yang jugaberpengaruh seperti kesesuaian stok agar tidak terjadistok berlebih (excess) yang dapat berakibatmenurunnya kualitas obat (expired date). Oleh karenaitu diperlukan sebuah fitur yang dapat memberikannilaioptimal terhadap data obat.

1.2 Perumusan Masalah

Bagaimana Algoritma Genetika dapat digunakanuntuk mendapatkan nilai optimal dalam persediaanobat

1.3 Batasan Masalah

1. Metode yang digunakan di dalam penelitianini adalah pemanfaatan ArtificialIntelligencedengan menggunakan AlgoritmaGenetika.

2. Metode algoritma genetika ini digunakanuntuk mencari nilai optimal persediaan obat,

sebagai bahan rujukan untuk melakukanproses pembelian obat kepada PBF maupunSub-Distributor.

1.4 Tujun

1. Menghasilkan nilai optimal pada setiap itemobat yang tersedia pada apotek.

2. Mempermudah Sumber Daya Manusia(SDM) dalam evaluasi persediaan obat.

3. Dapat memberikan keuntungan maksimalpada bisnis retail khususnya apotek.

2.2 Algoritma Genetika

Awal dekade 1970 John Hollandmemperkenalkan konsep dari AlgoritmaGenetika.Algoritma Genetika adalah salah satupendekatan untuk menentukan global optimum yangdidasari oleh Teori Darwin. Tujuan dari konsep iniadalah menerapkan apa yang telah dilakukan olehalam ke dalam computer.

Algoritma ini berisi lang prosedur sekuensialyang kah-langkah memproses sebuah populasikromosom buatan (artificial) menjadi populasi barulainnya.

Habibatul Lutfiyah, Achmad Zakki Falani, Pemanfaatan Artificial…

3-14

2.3 Aplikasi algorima Genetika

Algoritma Genetika telah banyakdiaplikasikan untuk penyelesaian masalah danpemodelan dalam bidang teknologi, bisnis, maupunentertainmen, seperti :

1. OptimasiAlgoritma Genetika untuk optimasi numerikdan optimasi kombinatorial seperti TravelingSalesman Problem (TSP), perancanganIntegrated Circuit atau IC, Lob ShopScheduling , optimasi video dan suara.

2. Pemrograman Otomatis.Algoritma Genetika telah digunakan untukmelakukan proses evolusi terhadap programkomputer untuk merancang strukturkomputasional, seperti cellular automatadan sorting network.

2.4 Proses Pada Algoritma Genetika

Algoritma Genetika adalah algoritmapencarian yang berdasarkan pada mekanisme sistemnatural yakni genetik dan seleksi alam.Dalamaplikasi algoritma genetik, variabel solusi dikodekanke dalam struktur string yang merepresentasikanbarisan gen, yang merupakan karakteristik darisolusi masalah.Berbeda dengan teknik pencariankonvensional, algoritma genetik berangkat darihimpunan solusi yang dihasilkan secaraacak.Himpunan ini disebut populasi.Sedangkansetiap individu dalam populasi disebut kromosomyang merupakan representasi dari solusi.

Kromosom-kromosom berevolusi dalamsuatu proses iterasi yang berkelanjutan yang disebutgenerasi. Pada setiap generasi, kromosom dievaluasiberdasarkan suatu fungsi evaluasi. Setelah beberapagenerasi maka algoritma genetik akan konvergenpada kromosom terbaik, yang diharapkan merupakansolusi optimal.

3.1. Metodologi Penelitian

Pada metodologi penelitian dalam bab iniakan dijelaskan langkah-langkah yang dibuat secarasistematis dalam menyelesaikan penelitian. Tigalangkah utama pada penelitian ini adalah dimulai darianalisa permasalahan, desain dan perancangan sistem,serta penerapan dan evaluasi sistem.

3.2 Analisa Permasalahan

Agar dapat memahami permasalahan dandapat menentukan pola dalam penentuan optimasi

persediaan obat maka langkah awal yang diperlukanadalah dengan melakukan observasi dan wawancara.

3.3 Desain dan Perancangan Sistem

Setelah tahapan Analisa selesai dilakukanmaka tahapan selanjutnya adalah tahapan desain danperancangan sistem, dimana pada tahapan ini terdapatbeberapa kebutuahan fungsionalitas sertaperancangan system yang terstruktur.Adapun tahapan-tahapan dalam perancangan sistemyang dilakukan adalah Pembuatan FlowchartDocument, Flowchart System, Desain Input Output

Gambar 1. Flowchart Dokumen Proses Order Obat

Proses pertama dilakukan dengan pencatatanDefecta yang dilakukan oleh Kasir maupun AsistenPoeteker, berdasarkan jumlah minimal obat maupunpesanan pasien, data yang telah didapat kemudiandiserahkan kepada Apoteker untuk dievaluasi ataudicocokkan dengan stok yang dimiliki database, jikakemudian jumlah obat dalam persediaan minimummaka Apoteker akan mencetak PO untuk pemesananobat kepada Sub-Distrbutor maupun PBF.


3-15

MULAI

START

HALAMANAMBIL DATA

DATAPENJUALAN

AMBIL DATA

EXPORTDATA

DATA ORDER

HALAMANOPTIMASI

Gambar 2. Sistem Bisnis Proses

1. Apoteker terlebih dahulu menyiapkan datayang akan diproses, data tersebut diambildari database yang telah ada, data tersebutberupa data penjualan obat dan datapersediaan obat

2. Data inputan pada system ini berupa datapenjualan tiap bulan dan data persedia obatdalam bentuk file excel.

3. Pada tahap optimasi ini, file inputantersebut dimuat kedalam system, sehinggamenghasilkan Output berupa data orderuntuk persediaan obat dibulan berikutnya.

4.1.1. Tampilan Hasil Program

Hasil penelitian adalah sebuah program berbasis web

Gambar 3. Tampilan Hasil Program

Gambar 4. Tampilan Hasil Proses Genetika

Gambar menjelaskan tentang tampilanhalaman tersebut berisikan 2 (dua) buah button ,button choose file bertujuan untuk meload databerjenis excel, setelah data diperoleh pengguna dapatmelanjutkan proses dengan menekan tombol importuntuk selanjutnya data tersebut akan diproseskedalam sistem. Pada uji coba sample data yang telahdilakukan maka didapatkan hasil berupa tingkatakurasi pada 11 macam obat antara lain dapat dilihatpada tabel

Tabel 1. Perbandingan Dengan Kondisi PadaBulan Januari

KODE NAMA OBAT TOTAL PENJUALAN JAN 13 STOK AWAL BULAN SELISIH NILAI0101a0026 ANTASIDA DOEN 400MG TAB STR 140 102 -380101a0004 LANSOPRAZOLE NOVELL 30MG 75 107 320101a0126 OMEPRAZOLE NOVELL 20MG TAB 409 110 -2990101a0147 PROMAG TAB STR 12$ 69 67 -20101a0036 DEXANTA TAB 50 70 200101a0139 PLANTACID F TAB 10'S 90 49 -410101a0113 MYLANTA LIQ 50ML 36 116 800101a0109 MYLANTA TAB STR 10'S 38 29 -90101a0142 POLYCROL F TAB 10'S 60 155 950101a0195 ZANTAC 150MG TAB 75 99 240101a0137 PLANTACID CHEW TAB 12'S 48 81 33

DATA PENJUALAN OBAT JANUARI 2013


3-16

Gambar 5. Hasil Perencanaan

Dalam grafik diatas menunjukkan perbedaanselisih total penjualan dan stok awal bulan yangterlalu besar, namun pada pertengahan sample obatyang diuji hasil yang didapat tidak terlalu besar,kecenderungan dari hasil optimasi system ini adalahnilai yang dihasilkan lebih besar bila dibandingdengan penjualan obat pada bulan januari.

5.1 Kesimpulan dan Saran

Berdasarkan pemahaman teori, perancangandan pengujian aplikasi yang dilakukan padapenelitian ini, maka dapat disimpulkan :

1. Algoritma Genetika dapat diujicobakanuntuk mendapatkan nilai optimal dari datapenjualan obat.

2. Dapat mempermudah dan mempercepatpenentuan proses order obat untukpersediaan bulanan apotek

3. Aplikasi sistem ini memiliki keunggulan disisi penggunaan waktu yang lebih cepatdibandingkan dengan proses defecta yangtelah berlangsung.

4. Hasil estimasi yang didapatkan tidakberbeda jauh dari beberapa sample yangtelah dipaparkan pada bab sebelumnya.

Daftar Pustaka

Achmad Kamal. 2012. “Optimasi PersediaanPerusahaan Manufaktur Dengan MetodeMixed Integer Linier Programming”

Arief Akhmadi Al Irsyad, 2009, “Estimasi Stok MultiKriteria Menggunakan AlgoritmaGenetika”.ITS

Arlisa Jati Wulandari, 2010, “Optimasi PersediaanMulti-Item Di Pt.Amigo DenganPendekatan Algoritma Genetika”.ITS

Basuki 2003, “Algoritma Genetika : Suatu AlternatifPenyelesaian Permasalahan Searching,Optimasi, dan Machine Learning”, Surabaya: Politeknik Elektronika Negeri Surabaya –ITS.

Listyana Dyah Ayu Palupi, Irhamah, Sri Mumpuni,2011, “Algoritma Genetika Untuk OptimasiPersediaan Multi Barang Dalam ProsesProduksi”.ITS

Nasution, Arman, Hakim, 2003, “Perencanaan DanPengendalian Produksi”, Guna Widya,Surabaya

Setiawan, Sandy. 1993. “Arficial Intelligence”, AndiOffset.

050

100150200250300350400450

ANTA

SIDA

DO

EN 4

00M

G…

PRO

MAG

TAB

STR

12$

MYL

ANTA

LIQ

50M

LZA

NTA

C 15

0MG

TAB

TOTALPENJUALANJAN13

STOKAWALBULAN


4-17

DIAGNOSA DINI PENYAKIT LUPUS ERITHEMATOSUS BERBASISPERANGKAT BERGERAK ANDROID

Hersa Farida Qoriani1, Awalludiyah Ambarwati2

1,2 Sistem Informasi, Fakultas Ilmu Komputer, Universitas Narotama Surabaya1 [email protected], 2 [email protected]

Abstrak

Kesehatan merupakan faktor terpenting dalam kehidupan seseorang. Jika kesehatan telah terganggu(sakit) maka aktivitas seseorang akan terganggu. Dewasa ini, banyak penyakit yang memiliki jumlah penderitayang banyak dan bahkan sebagai mesin pembunuh yang jitu. Salah satunya adalah lupus. Lupus adalah penyakitautoimun yang melibatkan berbagai organ dengan manifestasi klinis bervariasi. Lupus adalah penyakit yangtidak bisa disembuhkan,tetapi bila dideteksi secara dini dan segera diterapi maka dapat memperbesar survivalrate penderita.

Tujuan dari penelitian ini adalah untuk merancang dan membuat sistem pakar yang mampumendiagnosa secara manifestasi klinis serta memberikan solusi untuk penyakit imunologi (lupus). Sistem pakaryang dibangun adalah pustaka dari dokter spesialis dan kondisi yang digunakan untuk mengambilpenghitungan kesimpulan dari gejala, umur dan jenis lupus yang sesuai dengan kategori peresiko penderita.Dalam proses penghitungannya digunakan metode Inferensi dengan Probabilitas Klasik. Parameter yangdipergunakan dalam diagnosa adalah usia pasien dan Gejala Yang Diinputkan. Kesimpulan aplikasi ini berupaJenis Lupus yang diderita pasien, solusi penanganan berupa obat dan terapi sesuai dengan usia dan jenis lupusyang diderita oleh pasien.

Kata kunci : Sistem pakar, lupus, forward chaining, probabilitas klasik, Android

1.1 Pendahuluan

Jika kita mengamati kehidupan sehari-haridi masyarakat, rupanya bukan hanya faktorpendidikan, ekonomi, dan budaya saja yang menjadimasalah besar bagi masyarakat saat ini. Ternyatafaktor sosial yang menyangkut taraf kesejahteraandan kesehatan masyarakat merupakan masalah yangjauh lebih penting untuk diperhatikan sebabkesejahteraan hidup sangat berdampak pada tingkatkesehatan dari masyarakat itu sendiri. Dengan katalain, bagi mereka yang hidup dengan tarafkesejahteraan baik, pola hidup serta kesehatanmereka cenderung lebih terjaga, sedangkan bagimereka yang hidup dengan taraf kesejahteraankurang, mereka biasanya kurang peduli atau bahkantidak menjaga pola hidup dan kesehatan mereka.Mereka sering meremehkan penyakit yangdideritanya, yang cukup aman diatasi sendiri tanpaharus periksa ke dokter. Padahal gejala-gejalatersebut apabila tidak dideteksi secara dinikemungkinan dapat terserang penyakit yang lebihserius, salah satunya penyakit Lupus Erithematosus.Lupus termasuk penyakit imunologi terjadi karenaadanya kompleks antigen-antibodi dalam tubuh.

Lupus terjadi akibat sistim antibodi terlalu sensitifatau kompleks antigen-antibodi menghancurkansistim antibodi sendiri sehingga kekebalan tubuhberkurang (Media Aesculapius, 2001: 568). Denganadanya obat bebas dan obat bebas terbatas yangberedar di masyarakat luas, maka biasanyamasyarakat cenderung untuk mengobati gejalapenyakit alergi yang dianggap ringan. Padahal,penyakit alergi seperti lupus adalah penyakit yangtidak bisa disembuhkan tetapi bila dideteksi secaradini dan dengan terapi maka dapat memperbesarsurvival rate penderita.

2.1 Penyakit Lupus Erithematosus

Lupus bukan sebuah cerita drama tapi sebuahpenyakit, beberapa waktu lalu lupus merupakansuatu penyakit yang belum terlalu dikenal tapidengan berjalannya waktu lupus bagai sebuah jamuryang tumbuh cepat di berbagai tempat. Lupusberasal dari bahasa latin yang berarti serigala,inidisebabkan karena pada penderita lupus yangdisebut juga odapus terdapat ruam merah dipipinyayang disebut butterfly rash, lupus juga sering disebutdengan systemic lupus erithematosus (SLE).

Hersa Farida Qoirani, Awalludiyah Ambarwati, Diagnosa Dini Penyakit…

4-18

Lupus merupakan penyakit “autoimun” kronik yangdapat mengenai kulit,susunan saraf,sendi,ginjal,parudan bagian tubuh yang lainnya. Pada penyakit lupusini imun yang seharusnya menjaga tubuh dariserangan virus atau bakteri, malah sebaliknyajaringan tubuh yang sehat malah diserang olehimunnya sendiri. Sampai sekarang penyebabterjadinya serangan lupus belum diketahui tetapi adabeberapa faktor yang mempengaruhi yaitugenetenetik (keturunan),lingkungan ,(obat-obatan,racun,makan,dan sinar matahari)(Hariadi&Hoediyanto, 2007: 431).

Lupus tidak menular ,karena lupus bukanpenyakit menular.Bagaimana gejala lupus? Biasanyagejala yang umum dirasakan oleh odapus merasalelah atau badannya lemah,demam,bercak pada kulitdan nyeri pada otot dan persendian kadangkalagejala ini dapat diartikan dengan penyakit flu ataudemam berdarah.Macam- macam Lupus antara lain :

1. Lupus Erithematosus Sistemik (SLE/LES)Yaitu bagian sistemiknya. Dapatmenimbulkan komplikasi seperti lupusotak, lupus paru-paru, lupus jari-jari tanganatau kaki, lupus kulit, lupus ginjal, lupusjantung, lupus otot, lupus retina, lupussendi, dan lain-lain

2. Lupus DiskoidYaitu bagian Kulit .Lupus kulit denganmanifestasi beberapa jenis kelainan kulit.Termasuk paling banyak menyerang.

3. Lupus ObatTimbul akibat efek samping obat dan akansembuh sendiri dengan memberhentikanobat terkait. Umumnya berkaitan denganpemakaian obat hydralazine (obathipertensi) dan procainamide (untukmengobati detak jantung yang tidakteratur). (Hariadi&Hoediyanto, 2007: 433).

2.1.1 Faktor Risiko

Orang-orang yang mempunyai keluargayang pernah terkena penyakit Lupus ini dicurigaiberkecenderungan untuk terkena penyakit ini, lebihkurang 5-12% lebih besar dibanding orang normal.

1. Faktor Risiko Genetik. Meliputi jeniskelamin (Frekuensi pada Wanita dewasa 8kali lebih sering daripada pria dewasa),umur (lebih sering pada usia 15-40 tahun),dan faktor keturunan (frekuensinya 20 kalilebih sering dalam keluarga dimanaterdapat anggota dengan penyakit tersebut).

2. Faktor risiko hormon. Konsumsi hormonjuga akan berdampak buruk bagi kesehatankita. Estrogen menambah risiko SLE.

3. Sinar Ultraviolet. Sinar ultravioletmengurangi supresi imun sehingga terapimenjadi kurang efektif, sehingga lupus

kambuh atau bertambah berat. Inidisebabkan sel kulit mengeluarkan sitokindan prostaglandin sehingga terjadiinflamasi di tempat tersebut maupun secarasistemik melalui peredaran di pembuluhdarah.

4. Imunitas. Pada pasien lupus terdapathiperaktivitas sel B atau intoleransiterhadap sel T.

5. Obat. Obat tertentu dalam prosentase kecilsekali pada pasien tertentu dan diminumdalam jangka waktu tertentu dapatmencetuskan lupus obat (Drug InducedLupus Erythematosus atau DILE). Jenisobat yang dapat menyebabkan lupus obatadalah Obat yang pasti menyebabkan lupusobat: klorpromazin, metildopa, hidralasin,prokainamid, dan isoniazid. Obat yangmungkin dapat menyebabkan lupus obat:dilantin, penisilamin, dan kuinidin

6. Infeksi. Pasien SLE cenderung mudahmendapat infeksi dan kadang-kadangpenyakit ini kambuh setelah infeksi.

7. Stres. Stres berat dapat mencetuskan SLEpada pasien yang sudah memilikikecenderungan akan penyakit ini. (MediaAesculapius, 2001: 568).Faktor hormonal mungkin bisa menjelaskan

mengapa lupus lebih sering menyerang wanita.meningkatnya gejala penyakit ini pada masasebelum menstruasi dan/atau selama kehamilanmendukung keyakinan bahwa hormon (terutamaestrogen) mungkin berperan dalam timbulnyapenyakit ini.Meskipun demikian, penyebab yangpasti dari lebih tingginya angka kejadian padawanita dan pada masa pra-menstruasi, masih belumdiketahui. Kadang-kadang obat jantung tertentu(hidralazin, prokainamid dan beta-bloker) dapatmenyebabkan sindroma mirip lupus, yang akanmenghilang bila pemakaian obat dihentikan(Hariadi&Hoediyanto, 2007: 434).

2.2 Sistem Pakar

Sistem pakar adalah program komputeryang menirukan penalaran seorang pakar dengankeahlian pada suatu wilayah pengetahuan tertentu(Turban, 2005). Sistem pakar memiliki beberapakomponen utama yaitu: antar muka pengguna (userinterface), basis data sistem pakar (expert systemdatabase), fasilitas akuisisi pengetahuan (knowledgeacquisition facility) dan mekanisme inferensi(inference mechanism). Selain itu ada satukomponen yang ada pada beberapa sistem pakaryaitu fasilitas penjelasan (explanation facility).

Basis data sistem pakar berisi pengetahuansetingkat pakar pada subyek tertentu. Pengetahuanini bisa berasal dari pakar, jurnal, majalah, dan


4-19

sumber pengetahuan lainnya. Fasilitas akuisisipengetahuan merupakan perangkat lunak yangmenyediakan fasilitas dialog antara pakar dengansistem. Fasilitas akuisisi ini digunakan untukmemasukkan fakta-fakta dan kaidah-kaidah sesuaidengan perkembangan ilmu.

Mekanisme inferensi merupakan perangkatlunak yang melakukan penalaran denganmenggunakan pengetahuan yang ada untukmenghasilkan suatu kesimpulan atau hasil akhir.Fasilitas penjelasan berguna dalam memberikanpenjelasan kepada pengguna mengapa komputermeminta suatu informasi tertentu dari pengguna dandasar apa yang digunakan komputer sehingga dapatmenyimpulkan suatu kondisi.

Agar pengetahuan dapat digunakan dalamsistem, pengetahuan harus di representasikan dalamformat tertentu yang kemudian dihimpun dalamsuatu basis pengetahuan. Cara sistem pakarmerepresentasikan pengetahuan akan mempengaruhiperkembangan, efisiensi dan perbaikan sistem.Kaidah menyediakan cara formal untukmerepresentasikan rekomendasi, arahan ataustrategi. Kaidah produksi dituliskan dalam bentukjika-maka (if-then). Kaidah if-then menghubungkananteseden (antecedent) dengan konskuensi yangdiakibatkannya.

2.2.1 Mesin Inferensi

Terdapat dua pendekatan untuk mengontrolinferensi dalam sistem pakar berbasis aturan, yaitupelacakan ke belakang (backward chaining) danpelacakan ke depan (forward chaining). Pelacakanke belakang adalah pendekatan yang di motoritujuan terlebih dahulu (goal-driven). Dalampendekatan ini pelacakan dimulai dari tujuan,selanjutnya dicari aturan yang memiliki tujuantersebut untuk kesimpulannya.

Pelacakan kedepan adalah pendekatan yangdimotori data (data-driven). Dalam pendekatan inipelacakan dimulai dari informasi masukan, danselanjutnya mencoba menggambarkan kesimpulan.Pelacakan ke depan mencari fakta yang sesuaidengan bagian IF dari aturan IF-THEN.

Kedua metode inferensi tersebutdipengauhi oleh tiga macam penulusuran, yaituDepth-first search, Breadth-first search dan Best-first search.

1. Depth-first search, melakukan penulusurankaidah secara mendalam dari simpul akarbergerak menurun ke tingkat dalam yangberurutan.

2. Breadth-first search, bergerak dari simpulakar, simpul yang ada pada setiap tingkatdiuji sebelum pindah ke tingkat selanjutnya.

3. Best-first search, bekerja berdasarkankombinasi kedua metode sebelumnya.

2.3 Probabilitas Klasik (a priori probability)

Probabilitas merupakan suatu carakuantitatif yang berhubungan dengan ketidakpastianyang telah ada (Arhami, 2005:137). Teoriprobabilitas klasik pertama kali diperkenalkan olehPascal dan Fermat pada tahun 1654 (Arhami,2005:137). Kemudian banyak kerja yang telahdilakukan untuk mengerjakan probabilitas dan adabeberapa cabang baru dari probabilitas yangdikembangkan. Probabilitas klasik disebut juga apriori probability karena berhubungan dengan suatupermainan (games) atau sistem. Seperti yang telahdisebutkan sebelumnya, istilah a priori berarti“sebelum” (Arhami, 2005:138).

Rumus umum untuk probabilitas klasik didefinisikan sebagai peluang P(A) dengan n adalahbanyaknya kejadian, nA merupakan banyaknya hasilmendapatkan A. Frekuensi relatif terjadinya Aadalah maka (Arhami, 2005: 138) :

P(A) =

Keterangan :A : Gejala lupusP(A) : Peluang gejala lupusn : Total banyaknya gejala lupusn(A) : Banyaknya hasil mendapatkan A

2.4 Teknologi Perangkat Bergerak (MobileDevice Technology)

Perangkat mobile memiliki banyak jenisdalam hal ukuran, desain dan layout, tetapi merekamemiliki kesamaan karakteristik yang sangatberbeda dari sistem desktop, diantaranya:

a. Ukuran yang kecilPerangkat mobile memiliki ukuran yangkecil. Konsumen menginginkan perangkatyang terkecil untuk kenyamanan danmobilitas mereka.

b. Memory yang terbatasPerangkat mobile juga memiliki memoryyang kecil, yaitu primary (RAM) dansecondary (disk). Pembatasan ini adalahsalah satu faktor yang mempengaruhipenulisan program untuk berbagai jenis dariperangkat ini.

c. Daya proses yang terbatasSistem mobile tidaklah setangguh desktop.Ukuran, teknologi dan biaya adalahbeberapa faktor yang mempengaruhi statusdari sumber daya ini. Seperti harddisk danRAM, pengguna dapat menggunakannyadalam ukuran yang pas dengan sebuahkemasan kecil.

n

An )(


4-20

d. Mengkonsumsi daya yang rendahPerangkat mobile menghabiskan sedikitdaya dibandingkan dengan mesin desktop.Perangkat ini harus menghemat dayakarena mereka berjalan pada keadaandimana daya yang disediakan dibatasi olehbaterai-baterai.

e. Kuat dan dapat diandalkanKarena perangkat mobile selalu dibawakemana saja, mereka harus cukup kuatuntuk menghadapi benturan-benturan,gerakan, dan sesekali tetesan-tetesan air.Akhir – akhir ini sudah banyak perangkatmobile yang sudah tahan banting,kebanyakan dari perangkat mobile yangtahan banting ini berasal dari China negaradengan populasi manusia terbesar didunia.

f. Konektivitas yang terbatasPerangkat mobile memiliki bandwithrendah, beberapa dari mereka bahkan tidaktersambung. Kebanyakan dari merekamenggunakan koneksi wireless.

g. Masa hidup yang pendekPerangkat-perangkat konsumen ini menyaladalam hitungan detik kebanyakan darimereka selalu menyala. Coba ambil kasussebuah handphone, mereka booting dalamhitungan detik dan kebanyakan orang tidakmematikan handphone mereka bahkanketika malam hari.

2.4.1 Perangkat Android

Pada tahun 2005 Google mengakuisisiAndroid Inc yang pada saat itu dimotori oleh AndyRubin, Rich Miner, Nick Sears, dan Chris White.Yang kemudian pada tahun itu juga memulaimembangun platform Android secara intensif.Kemudian pada tanggal 12 November 2007 Googlebersama Open Handset Alliance (OHA) yaitukonsorsium perangkat mobile terbuka, merilisGoogle Android SDK, setelah mengumumkannyaseminggu sebelumnya. Dan sambutanya sangat luarbiasa, hampir semua media berita tentang IT danProgramming membritakan tentang dirilisnyaAndroid SDK (Software Development Kit).

Gambar 1. Android Timeline

Google bersama dengan OHA merilis paketsoftware SDK yang lengkap unttuk mengembangkanaplikasi pada perangkat mobile yaitu : Sistemoperasi, Middleware dan aplikasi utama untukperangkat mobile. Sebagai Programmer danDeveloper kita bisa melakukan segalanya, mulai darimembuat aplikasi pengiriman SMS hanya dengandua baris kode, hingga mengganti event pada HomeScreen perangkat Android. Selain itu, bahkandengan mudah kita bisa membuat danmengkustomisasi Sistem Operasinya, ataumengganti semua aplikasi default dari Google.

Semua aplikasi yang dibuat untuk Androidakan memiliki akses yang setara dalam mengaksesseluruh kemampuan handset, tanpa membedakanapakah itu merupakan aplikasi inti atau aplikasipihak ketiga. Dalam kata lain dengan platformAndroid ini, Programmer dan Developer secarapenuh akan bisa mengkustomisasi perangkatandroidnya.

Android built in pada Linux Kernel (OpenLinux Kernel), dengan sebuah mesin virtual yangtelah didesain dan untuk mengoptimalkanpenggunan sumberdaya memori dan hardware padalingkungan perangkat mobile. Dalvik adalah namadari Android Virtual Machine, yang merupakaninterpreter virtual mesin yang akan mengeksekusifile kedalam format Dalvik Executeable(*.dex).sebuah format yang telah dirancang untuk ruangpenyimpanan yang efisien dan eksekusi memoriyang terpetakan.

Dalvik Virtual Machine (Dalvik VM)berbasis register, dan dapat mengeksekusi kelasyang telah terkompilasi pada compiler bahasa Java,kemudian di transformasikan ke dalam native formatdengan menggunakan tool “dx” yang telahterintegrasi. Kita mungkin telah mengenal JavaVM(Java Virtual Machines), yang saat ini bisa kitatemukan pada setiap komputer desktop. Berbedadengan DalvikVM, JavaVM berbasis stack.DalvikVM memiliki keunggulan denganmenggunakan Registered Based, ini karena padaprosesor perangkat genggam telah dioptimasi untukeksekusi berbasis register.

Android saat ini tidak hanya berjalan padahandphone, beberapa vendor menanamkan Androidpada Tablet, Internet Tablet, E-Book Reader,Laptop, dan gadget lainnya. Dengan begitu akansangat berharga sekali mempelajari platform ini,dengan arsitekturnya yang terbuka, maka platformini Android adalah platform mobile masa depan.

3.1 Kerangka Penelitian

Untuk kerangka penelitian yang akandilakukan meliputi, dimulai denganmemasukkan usia dan gejala dari daftar gejala yangada, kemudian dari gejala yang dimasukkan akan


4-21

diproses dengan perhitungan secara rule base, danhasilnya berupa Gejala yang telah dipilih User, jenisPenyakit Lupus dan Prosentasenya dan kemudianpenatalaksanaannya berupa materi dan terapi.

3.1.1 Blok Diagram Area Permasalahan

Pembuatan blok diagram dimaksudkanuntuk membatasi lingkup permasalahan yangdibahas dengan mengetahui posisi pokok bahasanpada domain yang lebih luas. Pada blok diagram ini,dapat dilihat bahwa penyakit lupus yang dijadikansebagai area permasalahan. Sedangkan yang akan diprototipekan hanyalah sebuah bagian dari domainpermasalahan yaitu penyakit imunologi.

Gambar 2. Blok Diagram Area Permasalahan

3.1.2 Blok Diagram Fokus Permasalahan

Setelah menemukan area permasalahanyang akan diprototipekan yaitu lupus, maka prosesselanjutnya adalah membentuk ke dalam blokdiagram yang lebih fokus. Pada blok diagram fokuspermasalahan terdapat permasalahan yaitu lupus dimana terfokus pada jenis penyakit , yaitudiklasifikasikan sistemik, discoid, dan pengaruhobat.

Blok diagram fokus permasalahandigunakan untuk menjelaskan situasi penentuankeputusan untuk diagnosa akhir berupa prosentaselupus, yang terdiri dari 3 macam antara lainprosentase lupus sistemik, prosentase discoid danprosentase pengaruh obatnya berdasarkan gejalayang dipilih user.

Gambar 3. Blok Diagram fokus permasalahan

3.2 Blok Diagram Faktor Kritis

Blok diagram faktor kritis pada gambar 4merupakan blok diagram yang dipakai untukmenegaskan faktor-faktor kritis dalam area targetkeputusan yang akan diprototipekan. Tiga faktorkritis yang berpengaruh dalam pembuatan aplikasiini adalah

1. Usia, menjelaskan batasan untuk pasienyang dapat dilakukan diagnosa dan untukmengetahui hasil diagnosa jenis penyakit. Umumnyagejala yang dialami penderita lupus (odapus) terlihatsekitar usia 15-40 tahun. Disini nanti akan dibagimenjadi 3 kategori penatalaksanaan, yaitu umur <19tahun, 19-40 tahun dan usia >40 tahun.

2. Klasifikasi jenis penyakit berupa prosentasedari penyakit penderita yang di dapat dari pemilihangejala.

3. Gejala, dibutuhkan dalam pencapaiankeputusan. Dari masukan gejala yang dirasakan olehpengguna kemudian digabungkan dengan klasifikasijenis lupus dan usia, maka akan didapatkanpencapaian hasil konsultasi berupa prosentaseperhitungan probabilitas klasik dan penatalaksanaansecara umum dan medikamentosa.

Gambar 4. Blok Diagram Faktor Kritis

3.3 Dependency Diagram

Dependency diagram merupakan diagramyang mengindikasikan hubungan antara pertanyaan,aturan, nilai dan rekomendasi dari suatu basispengetahuan. Bentuk segitiga menunjukkanhimpunan aturan (rule set) dan nomor darihimpunan tersebut. Bentuk kotak menunjukkan hasildari rule baik berupa kesimpulan awal, fakta barumaupun rekomendasi atau saran. Sedangkan tanda


4-22

tanya menunjukkan kondisi yang akanmempengaruhi isi dari rule.

Dari dependency diagram pada gambar 5dapat dijelaskan bahwa gejala menunjukan kondisiyang mempengaruhi rule set 1 dari kondisi tersebutmenghasilkan kesimpulan awal berupa prosentasejenis penyakit lupus. Selanjutnya yang berasal darirule set 1, ditambah input user yang pertama yangmempengaruhi rule set 2. Sehingga dalam rule set 2,terdapat basis pengetahuan berupa aturan yang telahdiklasifikasikan berdasarkan usia, prosentase Jenislupus. Kemudian menghasilkan penatalaksanaanumum dan medikamentosa

Gambar 5. dependency diagram

4.1 Flowchart Pendaftaran

Gambar 7. Flowchart login peserta diagnosa

Flowchart program di atas, merupakanlanjutan proses dari flowchart program pendaftaran,dapat dijelaskan langkah-langkah proses yangdilakukan adalah sebagai berikut :

Setelah pengguna melakukan prosespendaftaran dan mendapatkan nama dan password,kemudian pengguna melakukan proses login denganmemasukan nama dan password yang telah didapatkan dari pengisian proses pendaftaransebelumnya.

Kemudian sistem melakukan proses querydengan mencari nama dan password yang telahdimasukan pada tabel pasien. Jika sudahmendapatkan, maka sistem akan melihat apakahnama dan password tersebut benar atau tidak.Apabila nama dan password tidak benar, makasistem akan mengembalikan pada proses awalberupa masukan data. Akan tetapi jika benar makaproses berlanjut menuju pada kondisi nomor 2 yaituflowchart Pilih gejala.


4-23

4.2 Flowchart diagnosa lupus

Gambar 8. Flowchart Diagram Diagnosa lupus

Flowchart program di atas, merupakanlanjutan proses dari flowchart program loginpengguna, dapat dijelaskan langkah-langkah prosesyang dilakukan adalah sebagai berikut :

Setelah validasi pada proses loginpengguna berhasil, maka sistem akan menampilkanproses masukan data gejala. Dalam proses ini,sistem akan menampilkan data peserta diagnosaberupa nama, kelamin, alamat,umur yang nantinyaakan digunakan untuk menentukan hasil diagnosaberupa prosentase jenis lupus. kemudian penggunamemilih gejala – gejala lupus yang nantinya akandigunakan pada saat diagnosa. Kemudian, prosesberlanjut menuju pada kondisi nomor 3 yaituflowchart hasil tes diagnosa.

5. Kesimpulan dan Saran5.1 Kesimpulan

Aplikasi ini dapat memberikan informasikepada seseorang, khususnya para masyarakat awamakan adanya kemungkinan penyakit lupus padapengguna sehingga informasi tersebut dapatditindak lanjuti lebih dini. Dengan Deteksi dini,maka dapat memperbesar Survival rate bagipenderita.Tindak lanjut tersebut sebagai upaya untukpengetahuan masyarakat awam agar lebih waspadadan lebih rajin untuk menjaga kesehatan. Sistempakar yang dibangun adalah merupakan suatupustaka dari dokter spesialis dan kondisi yangdigunakan untuk mengambil penghitungankesimpulan dari gejala dan kategori peresikopenderita. Dalam proses penghitungannya metodeInferensi (forward chaining) dengan Probabilitas

Klasik. Parameter yang dipergunakan dalamdiagnosa adalah usia pasien dan Gejala YangDiinputkan. Kesimpulan aplikasi ini berupa JenisLupus yang diderita pasien, solusi penangananberupa obat dan terapi sesuai dengan usia dan jenislupus yang diderita oleh pasien.

5.2 Saran

Pada penelitian lanjutan dapat dilakukanpembuatan dialog yang lebih interaktif sehinggalebih memudahkan pengguna dalam memanfaatkanaplikasi yang dibangun.

Daftar Pustaka

Abul Fida’ ’Imaduddin Ismail.2003. “Tafsir IbnuKatsir”. Jakarta: Pustaka Imam Syafi’i

Al-Jauziyyah. 2008. Ath-Thibbun Nabawy,“Pengobatan Cara Nabi MuhammadSAW”. Surabaya : Arkola.

Arhami, M. 2005. “Konsep Dasar Sistem Pakar”.Yogyakata: ANDI.

An-Najar Zaghlul. 2006. “Pembuktian Sains DalamSunnah”. Jakarta: Amza

DEPKES RI. 2001. “Pedoman Pengobatan DasarDi Puskesmas Berdasarkan Gejala”.Jakarta : DEPKES.

Fakultas Kedokteran UI. 2001. “Kapita SelektaKedokteran Edisi Ketiga”. Jakarta : MediaAesculapius.

Hariadi & Hoediyanto.2007. “Lupus danPenatalaksanaannya Edisi ketiga”.Surabaya: Fakultas Kedokteran UNAIR.

Hartawan.2007. “Sistem kekebalan Tubuh edisipertama". Jember: Media Medikamentosa

Jayan. 2007. “Desain Situs Keren DenganPhotoshop dan Dreamweaver”. Palembang: Maxikom

Jogianto, H. 1999. “Analisa dan Desain SistemInformasi, Pendekatan Terstruktur Teoridan Praktek Aplikasi Bisnis”. Yogyakarta:ANDI.

Kusrini. 2006. “Sistem Pakar Teori dan Aplikasi”.Yogakarta: ANDI.


4-24

Kusumadewi, S. 2003. “Artificial Intelegence(Teknik dan Aplikasinya)”. Yogyakarta:Graha Ilmu.

Mansjoer.2001. “Penyakit Autoimun danGejalanya”. Surabaya:Fakultas KedokteranUnair

Salim, Ibrahim M. 2008. “Mukjizat Pengobatan Al-Qur’an Menurut Ilmu Kedokteran IslamModern dan Cara Nabi SAW”. PustakaHikmah Perdana

Safaat, Nazrudin. 2011. “Android PemgromanAplikasi Mobile Smartphone dan TabletPC” , Bandung, Informatika


5-25

GABUNGAN METODE DJIKSTRA DAN FUZZY C-MEANS UNTUKPENENTUAN RUTE DAN JUMLAH OBYEK RINTANGAN

Setiawardhana1, Sigit Wasista2, Lotusia Putri Rizqi2

1,2,3 Program Studi D4 Teknik Komputer, Departemen Informatika dan Komputer, Politeknik Elektronika Negeri1 [email protected], 2 [email protected], 3 [email protected]

Abstrak

Sistem simulai navigasi pada robot otonom yang bergerak dengan menghidari rintangan dari titik A(awal) ke titik tujuan B (akhir) dan menempuh rute terpendek tanpa mengubah rintangan sudah banyakdikembangkan dalam beberapa penelitian. Pada penelitian ini dibuat suatu sistem navigasi yang dipasang padamobil robot, sehingga mampu bergerak dari posisi awal ke posisi akhir dengan melewati dan menghindaririntangan yang disusun acak pada saat robot bergerak, rintangan dapat dipindah sesuai aturan saat robotbergerak. Untuk menyelesaikan hal tersebut maka digunakan metode Dijkstra. Proses awal sistem yaitumengetahui letak posisi awal, posisi rintangan, dan posisi akhir di bidang yang berukuran 1 meter persegi danketinggian kamera 1,5 meter. Posisi semua komponen ditangkap menggunakan kamera. Hasil gambar rintangandiperbesar dengan metode "Low Pass Filter Blurring" terhadap piksel-piksel tetangganya. Hal ini dimaksudkanuntuk memberikan jarak aman robot terhadap rintangan. Setelah mengetahui posisi awal, posisi rintangan danposisi akhir, algoritma Dijkstra akan membangkitkan jalur yang mempunyai jarak terpendek dari titik awalsampai titik akhir, aman dan tidak menabrak rintangan yang ada pada arena.

Tingkat keberhasilan dari simulasi penentuan rute terpendek lintasan menggunakan dijkstra algorithmsebesar 100% untuk keadaan statis dengan ukuran 25 piksel. Dan untuk keadaan dinamis tingkat keberhasilanmencapai 98% dengan 25 piksel. Fuzzy C-Means yang diimplementasikan pada gambar, dimana gambar data –datanya yang dikelompokkan adalah piksel dari setiap titik pada gambar tersebut. Atribut dari setiap piksel darigambar memiliki atribut warna Red, Green, Blue jika gambar dengan menggunakan format warna RGB danatribut warna lain sesuai dengan format warna yang digunakan pada gambar. Sehingga pada kasus ini, jumlahdata yang diolah adalah sejumlah piksel (p x l) dengan atribut 3 atau dengan 1 atribut jika menggunakan warnagrayscale. Hasil pengujian Fuzzy C-Means, obyek yang dapat di deteksi adalah sebanyak 5 obstacle denganiterasi minimal 30 iterasi. Untuk mendeteksi 1 obstacle hanya membutuhkan minimal 5 iterasi untuk mengetahuiposisi obyek. Begitu juga dengan menggunakan 2 obstacle. Untuk jumlah 4 obstacle hanya bisa mendeteksidengan menggunakan 20 iterasi.

Kata kunci:Algoritma Dijkstra, Halangan Acak, Image Blurring

1.1 Latar Belakang

Teknik penentuan lintasan terpendek denganteradpatnya beberapa rintangan yang acak sangatmenarik untuk diteliti dan dikembangkan. Teknik ininantinya dapat dipasang pada sistem navigasi mobilerobot. Pergerakan yang otonom tersebut tentunyamemiliki sebuah navigasi yang sudah terbentukmelalui trayektori berdasarkan kondisilingkungan/area robot tersebut.

Sebelum dapat menghasilkan trayektori jalur,harus diketahui dulu objek-objek yang ada dalamcomponent area tersebut, seperti titik awal, titiktujuan, dan objek –objek penghalangnya. Setelah

didapatkan semua titik-titik tersebut barulah dicarijalur tercepatnya.

Perencanaan jalur yang optimum inimenggunakan algoritma Dijkstra yang mempunyaikecanggihan dalam menentukan jarakterpendek/tercepat dari titik start (awal robot) ketitik finish (tujuan robot). Sebelumnya, algoritmaDijkstra ini akan menentukan jarak terpendek darititik-titik bantu (via point) yang sudah di-generatesecara acak yang letaknya berada diantara startsampai finish diluar titik obstacle.

Setiawardhana, Sigit Wasista, Lotusia Putri Rizqi, Gabungan Metode…

5-26

1.2 Metode Penelitian

Perencanaan dan pembuatan sistem dibagimenjadi 2 bagian besar, yaitu pengolahan citra danpenciptaan jalur optimum. Pengolahan citra disinidigunakan untuk mendapatkan komponen –komponen area yaitu berupa start, finish, danobstacle. Setelah itu input dari komponen areatersebut akan diproses agar mendapatkan jalur yangoptimum. Dapat dikatakan jalur optimum apabilajalur yang dimiliki memiliki jarak tempuhterpendek. Metode yang digunakan disini adalahmetode Algoritma Dijkstra. Sebelum menujumetode Algoritma Dijkstra, digunakan metodedistance threshold untuk mendeteksi obyek – obyekyang ada pada area. Berikut rincian metode –metode yang digunakan pada penelitian ini.

2.1 Distance Threshold

Sebelum dapat menghasilkan trayektori jalur,harus diketahui terlebih dahulu obyek-obyek yangada di dalam component area tersebut, seperti titikawal, titik tujuan, dan objek –objek penghalangnya.Pendeteksian obyek start, finish, dan obstaclemenggunakan distance threshold. Distancethreshold merupakan metode dengan menggunakannilai batas jarak dari sebuah warna dengan warnareferensi[2]. . Jika thresholding menggunakan formatwarna RGB 24 bit, maka nilai R, G dan B masing –masing berada pada kisaran nilai 0 – 255. Dengan 0merupakan warna hitam dan 255 warna putih . Hasildari distance thresholding memiliki satu nilai yaitunilai jarak (distance). Bila diketahui warna acuanmempunyai elemen lebih dari satu, maka setiapwarna dari gambar dapat dihitung denganmenggunakan rumus :

2.2 Integral Proyeksi

Setelah didapat deteksi obyek masing –masing, selanjutnya adalah proses integral proyeksi.Integral proyeksi digunakan untuk mencari suatuluasan obyek ataupun lokasi suatu obyek. Hasilpemetaan koordinat piksel dari obyek adalah bataskiri dan kanan, serta batas atas dan bawah. Padapersamaan 2 untuk menghitung proses integralproyeksi

Gambar 1. Proses Integral Proyeksi

2.3 Image Blurring

Dalam image processing, low pass filterbiasa disebut blurring. Ada banyak jenis low passfilter yang dapat digunakan, dilihat dari bentuk danderajat filternya. Filter-filter tersebut menggunakansuatu kernel tertentu dalam bentuk window matrik2D dengan ukuran tertentu. Operasi Low Pass Filterdilakukan dengan mengganti intensitas suatu pikseldengan merata-rata nilai piksel tersebut dengan nilaipiksel-piksel tetangganya, bentuk dasar dari LowPass Filter adalah sebagai berikut:

Gambar 2. Proses Image Blurring perbesaran 3 x 3

2.4 Algoritma Dijkstra

Untuk men-generate proses simulasi, terlebihdahulu dibutuhkan titik – titik random untuk

(1)

(2)

(3)


5-27

membantu proses generate algoritma dijkstra. Viapoint yang dihasilkan harus bersifat random dantidak boleh mengenai range / posisi – posisiobstacle. Nantinya obyek start dan finish jugatermasuk dalam jumlah titik bantu. Dan ketika posisiobstacle dirubah, otomatis via point akan langsunggenerate titik yang baru. Setelah mendapatkan viapoint, barulah proses algoritma dijkstra dimulai.

Gambar 3. Contoh Algoritma Djikstra

Algoritma dijkstra digunakan untuk mencarijalur yang paling optimum dari path yang telahtersedia. Algoritma dijkstra juga harus dapatmenghindari obstacle agar simulasi pada mobilerobot nanti tidak menabrak obstacle yang ada.Proses dari algoritma dijkstra itu sendiri adalahsebagai berikut:1. Pertama lakukan inisialisasi untuk node yang

pertama kali dipilih (node start). Inisialisasikandengan nilai 1. Dan yang belum terpilihinisialisasikan dengan nilai 0.

2. Buatlah tabel yang terdiri dari node, status,bobot, dan sumber. Nilai jarak didapatkan darihasil perhitungan via point.

3. Lalu bandingkan nilai semua jarak yanginisialisasi node nya masih bernilai 0.

4. Pilih nilai jarak tersebut dan perbarui node yangtelah terhubung.

5. Tentukan node sementara yang terhubung padanode yang telah terpilih sebelumnya danmerupakan bobot terkecil yang dapat dilihatdari tabel dan tentukan sebagai node terpilihberikutnya.

6. Apakah node yang terpilih merupakan nodetujuan ? jika iya maka itulah jalur optimumyang terpendek. Jika yang terpilih belummerupakan node tujuan, lakukan step sepertisebelumnya

Dalam Tahap perencanaan dan pembuatansistem ini, dibagi menjadi 2 bagian besar, yaitupengolahan citra dan penciptaan jalur optimum.Pengolahan citra disini digunakan untukmendapatkan komponen – komponen area yaitu

berupa start, finish, dan obstacle. Setelah itu inputdari komponen area tersebut akan diproses agarmendapatkan jalur yang optimum. Dapat dikatakanjalur optimum apabila jalur yang dimiliki memilikijarak tempuh terpendek. Metode yang digunakandisini adalah metode Algoritma Dijkstra

Gambar 4. Perancangan Sistem Keseluruhan

2.5 Algoritma Fuzzy C-Means (FCM)

FCM digunakan untuk mendapatkan posisidari beberapa rintangan. Fuzzy C-Means merupakansalah satu teknik pengelompokan data yang manakeberadaan tiap titik data dalam suatu kelompok(cluster) ditentukan oleh derajat keanggotaan.Metode FCM termasuk metode supervisedclustering dimana jumlah pusat cluster ditentukan didalam proses clustering. Konsep dasar FCMpertama kali adalah menentukan pusat cluster yangakan menandai lokasi rata – rata untuk tiap – tiapcluster. Pengembangan Fuzzy C-Meansdiimplementasikan pada gambar. Dimana gambardata – datanya yang dikelompokkan adalah pikseldari setiap titik pada gambar tersebut. Atribut darisetiap piksel dari gambar memiliki atribut warnaRed, Green, Blue jika gambar dengan menggunakanformat warna RGB dan atribut warna lain sesuaidengan format warna yang digunakan pada gambar.Sehingga pada kasus ini, jumlah data yang diolahadalah sejumlah piksel (p x l) dengan atribut 3 ataudengan 1 atribut jika menggunakan warna grayscale.

Gambar 5 Hasil Proses Fuzzy C-Means

Hasil diatas menunjukan ada 3 obyek yangterdeteksi.


5-28

3.1. Material Pengujian Sistem

Pada penelitian ini digunakan kamera yangdipasang dengan ketinggian 2 m dengan luascakupan lapangan sebesar yang tertangkap olehkamera yang menggunakan kamera logitech denganukuran 320 x 240 piksel. Kamera yang digunakanadalah kamera Logitech dengan tipe C270h dansotware yang digunakan adalah C++.

Gambar 6. Desain Perancangan Lapangan

Gambar 6 merupakan contoh desain perancanganlapangan. Pada obstacle disini bisa lebih dari satuasalkan tidak memenuhi seluruh area yangtertangkap oleh kamera.

4.1 Hasil Dan Pembahasan

Pada penelitian ini telah dilakukan pengujianuntuk beberapa metode yang digunakan. Pengujianini dilakukan untuk mengetahui apakah sistemsudah sesuai dengan perencanaan atau belum.Perangkat pengujian berupa kamera (webcam)sebagai pengambil gambar yang diletakkan setinggi1.5 m.

4.2 Pengujian Identifikasi Obyek

Pengujian obyek dilakukan untuk mengetahuiseberapa bagus hasil yang dicapai dari metode yangdigunakan. Untuk mendeteksi obyek yang ada didalam area digunakan distance threshold. Pengujiandilakukan dengan cara memindahkan obyek secaraacak dengan menggunakan satu nilai jarakthresholding dengan ketinggian yang berbeda –beda, yaitu antara 1m – 2m. dan untuk mengetahuiposisi obyek start dan finish digunakan integralproyeksi. Integral proyeksi hanya bisa mendeteksiobyek tunggal.

Tabel 1. Hasil Threshold dan Integral ProyeksiNo Posisi Obyek Nilai Distance Deteksi

Obyeklain

Start Finish Start Finish

1 (107,114) (198,111) 33 36 X

2 (284,90) (36,95) 27 27 X3 (79,168) (165,188) 30 62 X4 (175,63) (43,127) 24 36 X5 (294,117) (11,120) 15 11 X6 (303,95) (35,93) 30 30 X7 (302,90) (33,103) 30 30 X8 (206,122) (27,133) 15 42 X

Dari hasil pengujian diatas, dapat dilihat bahwa hasilyang di dapat dari distance threshold sangat baik.Pada area, tidak terdeteksi warna obyek lain. Danhasil integral proyeksi hampir sesuai dengan imageyang sesungguhnya.

Pengujian Low Pass Filter Image BlurringPengujian blurring dilakukan agar dapat

memperbesar obstacle. Dan fungsi blurring padasimulasi ini adalah agar mobile robot tidakmenabrak obstacle yang telah di blurring.

Gambar 7. Hasil Image Blurring

Perbesaran yang digunakan adalah 31x31piksel. Konsep dari image blurring adalahmeratakan piksel – piksel pada tepi suatu obyek.Pada gambar diatas, terlihat bahwa gambar yangdihasilkan semakin membesar. Dan perbesaran yangdihasilkan merupakan penggabungan dari piksel –piksel tetangganya dan pikselnya sendiri. Semakinbesar pengalian pikselnya, maka semakin besar pulaobyek yang dihasilkan. Pengujian dilakukan denganperbesaran dari 3x3 hingga 31x31 (dalam piksel).

Gambar 8. Pengujian Hasil Image Blurring denganperbesaran 3x3

Pengujian pertama pada blurringmenggunakan perbesaran sebanyak 3x3 dalampiksel. Hasil outputnya sudah terlihat sedikitmembesar pada obyek obstacle. Tetapi untukperbesaran 3x3 masih belum cukup untuk membuatjarak aman terhadap robot.


5-29

Gambar 9. Hasil Uji Coba Real Pada Lapangan

Gambar 10 merupakan hasil uji coba padasimulasi software dan real robot. Terlihat padagambar real, bahwa robot mengenai sisi obstacle.Dan juga pada gambar simulasi, robot mengenai sisiobstacle sebelah kiri. Jadi untuk perbesaran blurring3x3 piksel tidak dapat membuat jarak aman terhadaprobot.

Gambar 10 Hasil ImageBlurring 7x7

Gambar 10 merupakan hasil perbesaranimageblurring. Perbesaran yang digunakan adalah7x7. Konsep dari imageblurring adalah meratakanpiksel – piksel pada tepi suatu obyek. Pada gambardiatas, terlihat bahwa gambar yang dihasilkansemakin membesar. Dan perbesaran yang dihasilkanmerupakan penggabungan dari piksel – pikseltetangganya dan pikselnya sendiri. Semakin besarpengalian pikselnya, maka semakin besar pulaobyek yang dihasilkan.

Tabel 2. Pengujian Hasil Image BlurringNo Ukuran Perbesaran

Blurring (piksel)Jumlah Maks

ObstacleHasil

1 3 x 3 12 ×2 5 x 5 10 ×3 7 x 7 8 ×4 11 x 11 7 ×5 15 x 15 6 ×6 31 x 31 5

Dari tabel diatas, dapat disimpulkan bahwa denganperbesaran 31 x 31 piksel sudah dapat membuatjarak aman pada robot dalam real robot. Untuksimulasi saja, perbesaran 23 x 23 piksel sudah cukupefektif untuk memberikan jarak aman pada simulasirobot.

4.3 Pengujian Via Point

Via point digunakan untuk membuat titik – tiitikbantu pencarian jalurdijkstra untuk menyelesaikanjalur optimum. Via point di-generate di dekatobstacle, mengikuti bentuk obstacle tersebut. Padapengujian jalur optimum, dilakukan pengujian viapoint untuk mengetahui apakah titik bantu yangdibuat sudah random dan sudah tidak berdekatanantar titik – titik bantu yang lain dan juga pengujianAlgoritma dijkstra untuk jalur yang dihasilkan. Viapoint merupakan titik bantu untuk menghasilkanjalur optimal dari Dijkstra, disini jumlah via pointtergantung jumlah obstacle. Via point terbentuk darititik-titik ujung obstacle. Jika obstacle adalah kotakmaka ada 4 via point di titik titik ujung via pointtersebut.

Gambar 11. Pembentukan Via PointSumber : Environment Detection and Path Planning

using the-puck Robot, Muhammad Saleem UllahKhan Sumbal

Gambar 12. Generate Hasil Via Point

Gambar 6 merupakan hasil generate viapoint dengan jumlah obstacle 7. Disini via pointterbentuk dari titik – titik ujung dari obstacle. Jadijumlah via point yang dihasilkan adalah 30 dengantitik start dan finish.

4.4 Pengujian Algoritma Dijkstra

Setelah melakukan pengujian terhadap viapoint, barulah dilakukan pengujian untuk algoritmadijkstra. Algoritma dijkstra merupakan suatualgoritma yang berfungsi untuk mencari jalur


5-30

terpendek dari sebuah path. Untuk itulah diperlukanvia point untuk membangun titik – titik bantu.Pengujian algoritma dijkstra dilakukan agar kitadapat mengetahui jalur mana yang terpendek dantidak menabrak obstacle yang ada dalam simulasi.

Gambar 13. Generate hasil Algoritma Dijkstra

Pengujian kedua tetap menggunakan 4 buahobstacle yang didapat dari capture kamera. Danrandom via point didapatkan 17 buah titik termasukdengan titik start dan titik finish. Algoritma dijkstramasih mampu menghasilkan jalur yang terpendek.Dan algoritma dijkstra juga tidak menabrak obstacleyang ada. Dan random via point juga tidakmenempati tempat obstacle yang ada. Pada simulasi,kotak berwarna biru adalah ukuran obstaclesesungguhnya. Dan kotak berwarna merahmerupakan hasil dari blurring. Blurring yangdigunakan pada simulasi dijkstra adalah perbesaransebanyak 31x31 piksel sehingga robot tidakmenabrak obstacle. Dan jalur yang dihasilkan adalahjalur yang telah mencapai local optima. Dapatdikatakan local optima jika jalur yang dihasilkantidak melewati jalur yang terjauh dan langsungmenuju finish.

4.5 Pengujian Algorithma Fuzzy C-MeansHasil pengujian Fuzzy C-Means, obyek

yang dapat di deteksi adalah sebanyak 5 obstacledengan iterasi minimal 30 iterasi. Untuk mendeteksi1 obstacle hanya membutuhkan minimal 5 iterasiuntuk mengetahui posisi obyek. Begitu juga denganmenggunakan 2 obstacle. Untuk jumlah 4 obstaclehanya bisa mendeteksi dengan menggunakan 20iterasi. Dapat disimpulkan bahwa semakin banyakobyek yang di deteksi, maka semakin banyak pulaiterasi yang dibutuhkan. Dan ketika iterasi yangdibutuhkan semakin banyak, maka semakin lambatpula proses yang berjalan karena semakin banyakdata dan semakin banyak iterasi yang dibutuhkanmaka waktu yang dibutuhkan akan semakin banyak.Posisi dari obyek diberikan tanda titik titk sudut.sehingga dapat dihitung jumlah obyeknya. Dandilihat dari pengujian – pengujian yang dilakukan,maka persentase keberhasilan untuk FuzzyC-Means

pada simulasi ini adalah 90% karena ketika terlalubanyak obstacle yang harus di deteksi.

5.1 Kesimpulan

Distance threshold merupakan metode yangbaik untuk pendeteksian suatu obyek. Pendeteksianyang dihasilkan sangat baik. Karena tidak ada bendalain yang terdeteksi kecuali benda obyek tersebut.Dan persentase keberhasilan dari distance thresholddapat mencapai 100%.

Metode blurring merupakan metode yangdigunakan untuk memfilter suatu image. Blurringdalam penelitian ini digunakan untuk memperbesarobstacle, dan berhasil 98% dengan perbesaran25x25 dalam piksel jika digunakan untuk real robot.

Metode FCM berhasil digunakan untukmengenali obyek yang banyak (dalam warna yangsama) namun semakin banyak mendeteksi suatuobyek maka semakin banyak iterasinya dan tentunyaakan membuat sistem semakin lambat karenaprosesnya terlalu banyak. Persentase keberhasilanmencapai 98%.

Algoritma dijkstra mampu membuat jaluroptimum dengan jalur terpendek. Dan titik – titikbantunya di dapat dari titik bantu via point. Denganmnggunakan jumlah obstacle maksimal dan viapoint, dijkstra masih mampu mengenerate jalurdengan baik. Dan dijkstra juga dapat melakukangenerate jalur ketika obyek bersifat dinamis danmembuat jalur secara local optima.

Tingkat keberhasilan dari simulasipenentuan rute terpendek lintasan menggunakandijkstra algorithm sebesar 100%, untuk keadaanstatis dengan ukuran 25 piksel Persentasekeberhasilan dapat mencapai 98% untuk lingkunganyang dinamis.

Daftar Pustaka

Aziz, Ahmad Nashrul. “Perencanaan Rute GerakMobile Robot Berpenggerak Differensial padaMedan Acak menggunakan Algoritma A*dikombinasikan dengan Teknik ImageBlurring”, Proyek Akhir Politeknik ElektronikaNegeri Surabaya. 2010.

Dewantara, Bima Sena Bayu, “Perencanaan JalurMobile Secara Nyata Pada LingkunganDinamis Berbasis Compact Genetic Algoritma”.Tesis Program Magister Teknik Elektro-InstitutTeknologi Sepuluh Nopember. Surabaya. 2010

Dijkstra, E.W.: A Note on Two Problems inConnexion with Graphs. NumerischeMathematik 1 (1959) 269–271


5-31

Hasbi Asyadiq, “Dijkstra pencarian jalurterpendek”.

Irawan, Michi Purna, “Perbandingan AlgoritmaDijkstra dan algoritma Bellman-ford padajaringan grid”, Proyek Akhir UniversitasAndalas. Padang. 2011Khairurrazi, BudiarsyahDibi. “Algoritma Dijkstra, Bellman-Ford, danFloyd-Warshall Untuk Mencari Rute Terpendekdari Suatu Graf”, Program Studi TeknikInformatika, Sekolah Teknik Elektro danInformatika Institut Teknologi Bandung, 2010.

M.Widiyanto, “Perencanaan Jalur pada MobilRobot dari obyek nyata dan dinamis berbasialgoritma genetika ”. Proyek Akhir PoliteknikElektronika Negeri Surabaya. 2011.

“Perkenalan MFC”, Modul Praktikum PengolahanCitra Digital, PENS - ITS.

Setiawan Willy. “Pembahasan Pencarian LintasanTerpendek Menggunakan Algoritma DIjkstradan A*”, Makalah IF3051, 2010.

Sumbal, Muhammad Saleem UllahKhan,”Environment Detection and PathPlannning using the e-puck Robot”. Departmentof Computer Architecture and TechnologyUniversity of Girona.2010.


6-33

SISTEM PENGEPASAN BAJU BERBASIS PUSTAKA XNAMENGGUNAKAN KAMERA KINECT

Sigit Wasista1, Setiawardhana2, Henrita Paskaria3

1,2,3 Program Studi D4 Teknik Komputer, Departemen Informatika dan Komputer, Politeknik Elektronika Negeri1 [email protected] , 2 [email protected], 3 [email protected].

Abstrak

Penelitian ini bertujuan untuk membuat sistem pengepasan baju guna mempercepat pemilihan modelbaju. Pemilihan model baju menggunakan kamera kinect akan mempermudah dalam memilih pakaian tanpaharus mengganti baju yang dikenakannya. Pengguna cukup berdiri di depan kamera. Baju akan dimodelkansecara grafis yang akan ditampilkan dengan memanfaatkan framework XNA. Baju dapat dipilih baik model danwarna yang disediakan dan dapat langsung dilihat hasil pemodelannya pada posisi pengguna secara virtual.Metode yang digunakan adalah transformasi grafika komputer yang dihitung dengan rumus trigonometri. Hasilpenelitian ini didapatkan tingkat keberhasilan untuk transformasi translasi dan rotasi cukup baik.

Kata kunci: Pengepasan Baju, XNA, Kamera Kinect.

1.1 Latar Belakang

Pemilihan model baju dengan kamera kinectakan memudahkan manusia dalam memilih pakaiantanpa harus mengganti baju yang dikenakannyasecara nyata, karena semua dilakukan secaravirtual. Kamera yang digunakan dalam sistem iniadalah kinect karena didalamnya terdapat sensoryang akan memudahkan pengerjaan danpengambilan data dari lingkungan sekitar. Seorangpengguna cukup berdiri pada posisi tertentu, makapada layar akan muncul gambar penggunamengenakan baju dengan model yang disediakan,dan dapat memilih dengan pergeseran virtualtangan pengguna. Sistem ini dapat membantuseseorang yang hendak memilih-milih danmenggunakan pakaian secara cepat.

1.2 Metode Penelitian

Penelitian ini menggunakan SDK dariKamera Kinect yang di dalamnya telah terdapatlibrary-library Kinect untuk memanggil NUI

(Natural User Interface) sehingga kita dapatmengakses UI yang diperlukan dalam prosespenelitian ini. Proses pengerjaan aplikasi ini secaraumum terdiri dari beberapa tahap diantaranya:pembuatan model baju, setting kamera kinect,pengambilan gambar dengan kamera, Melakukanproses depth tracking, Melakukan skeletal tracking,perhitungan lebar bahu dan sudut putar, integrasiXNA dengan video color stream, integrasi denganmetode transformasi, melakukan pergantian obyekbaju. Color stream digunakan untuk menampilkangambar yang ditangkap kamera dengan view/warnayang sesungguhnya.

Gambar 1. Diagram Penelitian

InisialisasiKinect

SiapkanFrame

TampilkanHasil

Pengambilan gambar

Sigit Wasista, Setiawardhana, Henrita Paskaria, Sistem Pengepasan…

6-34

Bagian ini nantinya digunakan untukmenampilkan gambar user dengan obyek baju yangdikenakannya. Proses pengambilan gambar danpenyiapan frame gambar terdapat pada gambar 1.

2.1 Metode Perhitungan Lebar Bahu

Lebar bahu diperlukan untuk mendapatkannilai scalling dari obyek baju agar dapat tampilsesuai dengan ukuran pengguna. Perhitungan lebarbahu dapat diperoleh dengan persamaan:

(1)

(2)

2.2 Metode Perhitungan Sudut Putar

Aplikasi ini menggunakan sudut putar +90ºdan -90º dari keadaan tegak lurus terhadap kamera.Untuk mendapatkan sudut putaran user, diterapkanmetode persamaan trigonometri pada segitiga.Bentuk segitiga dapat kita peroleh dari titikshoulder center, sebuah titik bantu, dan left atauright shoulder. Dimana ketiga titik tersebut sepertigambar 2.

Gambar 2. Segitiga Trigonometri

Dari gambar 2 didapatkan koordinat titik bantuyaitu:

(3)

Sudut yang dicari adalah sudut θ yaitusudut yang mengindikasikan perputaran tubuh userkarena perubahannya dari sudut kecil ke sudutbesar. Sudut ini dapat dicari dengan persamaantrigonometri dimana kedua ruas segitiga diketahuipanjangnya yaitu:

|xbantu – x left / right shoulder||ybantu – y center shoulder| (4)

(5)

2.3 Integrasi Obyek Dengan Video Stream

Teknik menampilkan obyek yang dilakukandengan framework XNA dilakukan dalam classSkeletonStreamRenderer kemudian untuk merenderobyek yang ada pada pustaka ini dibutuhkan frame(dalam kasus ini digunakan frame color stream)agar obyek memiliki plane berupa video colorstream.

Gambar 3. Diagram integrasi obyek baju dan videocolor stream

2.4 Metode Natural User Interface (NUI)

Skeleton API menyediakan informasitentang lokasi sampai dua pemain yang berdiridi depan Sensor Kinect, dengan informasi rincitentang posisi dan orientasi.

Data tersebut diberikan kepada kodeaplikasi sebagai satu set poin, disebut posisikerangka, yang membentuk kerangka, sepertiyang ditunjukkan pada Gambar 2.15. Kerangkaini merupakan posisi saat pengguna danberpose. Untuk menggunakan data kerangka,sebuah aplikasi harus menunjukkan ini ketikamenginisialisasi NUI, dan ia harusmemungkinkan pelacakan kerangka.

Kameramengambil

gambar

FrameworkXNA

Obyek + Videocolor stream

Color stream

Skeleton


6-35

Gambar 4. Skeleton relative terhadap posisi tubuhmanusia (Sumber gambar: Kinect SDK

Documentation)

3.1 Perancangan Aplikasi

Sub bab ini membahas tentangperancangan aplikasi secara keseluruhan yang akandibangun.Gambaran aplikasi Pemilihan Model Bajudengan Kamera Sensor Terintegrasi secara umumdapat dilihat pada gambar 5. Aplikasi dimulaidengan penangkapan gambar seseorang yangberdiri pada posisi 1,5 meter di depan kamerakinect. Kamera akan menangkap gambar denganmegaktifkan sensor-sensor yang terdapat padaKamera Kinect. Dalam penelitian ini kitamenggunakan sensorcolor streamuntukmendapatkan gambar sesungguhnya dariuser(gambar berwarna). Sensor depth(menggunakan dua buah sensor kamera yaitu sensorIR Emiter dan sensor depth) untuk mengetahuijarak pengguna dari kamera dan mendeteksi adaatau tidaknya user, kemudian akan dilakukanskeletal tracking. Dengan mengaktifkan sensortersebut kita bisa mendapatkan data-data tiap titikpada skeleton.

Gambar 5 Diagram Aplikasi Pemilihan ModelBaju dengan Kamera Sensor Terintegrasi secara

umum

Penerapan aplikasi mengikuti alur seperti gambar 6.

Gambar 6. Diagram Penerapan Aplikasi

Data yang paling penting kita ambil adalahposisi skeleton (x, y) pada screen dan lebar ataujarak antara dua bahu yang digunakan sebagaiacuan transformasi dari obyek baju virtual. Bajuvirtualakan tampil pada interfacedan secaraotomatis menyesuaikan posisipengguna. Padatampilan akhir, user dapat melakukan pergantianmodel baju sesuai yang diinginkan.

3.2 Teknik Pengujian

Pengujian ini dilakukan denganmenggunakan Kamera Kinect for Windows yangdihubungkan dengan PC dengan spesifikasi CPUdan perlengkapan (software/hardware) yangdigunakan adalah:a. Prosesor Intel(R) Core(TM)2 Duo CPU T8300

@2,40 GHzb. Memori 4,00 GBc. VGA Mobile Intel(R) 45 Express Chipset

Family 1,2 GBd. Sistem Operasi Microsoft Windows 7 Ultimate

32-bite. Software Microsoft Visual Studio Ultimate,

Kinect SDK v1.6, Camtasia Recorderf. Hardware Kinect for Windows, Komunikasi

Serial USB dan power supply untuk kameraKinect.


6-36

Pengujian aplikasi ini adalah penggunaberdiri di depan kamera pada jarak 1,5 meter. Diujidengan pergerakan maju, mundur, geser kanan dankiri, maupun berputar dengan sudut tertentu.

Skenario pengujian aplikasi pemilihan model bajuini adalag dengan mempersiapkan kamera dan userpada kondisi sebagai berikut:

1. Kamera diletakkan pada ketinggian 88cm

2. User berdiri di depan kamera dengan jarak1,5m

3. User bergerak maju dengan jarak tertentu danmundur dengan jarak tertentu untukmengetahui kehandalan sistem dalammendeteksi adanya user.

4. User melakukan gerakan memutar sedikitdemi sedikit secara statis dan dinamis secarahorizontal untuk mengetahui kehandalanaplikasi dalam menghitung sudut perputaranuser.

5.

Gambar 7 Desain Pengujian Sistem

3.3 Hasil Perancangan Software

Gambar 7 merupakan perancangan interface yangakan dibuat dalam aplikasi ini. Indeks angka 1merupakan field untuk gambar awal saat penggunaditagkap oleh kamera. Kemudian indeks angka 2merupakan tempat digambarkannya pose-pose dariskeleton pengguna dan ditunjukkan pula joint-jointdari skeleton pengguna ketika kamera mendeteksiadanya pengguna. Indeks angka 3 menunjukkanfield untuk menampilkan gambar depthenvironmentdari gambar yang telah ditangkap. Indeks angka 4adalah tempat manampilkan data-data dari skeletonyang dibutuhkan, yaitu data jarak pengguna darikamera.

Gambar 7. Perancangan Aplikasi Pemilihan Baju

Pengambilan gambar dari jarak 1,5 meter darikamera.

Gambar 8. Pengambilan gambar pada jarak 1,5meter

Pengambilan gambar dari jarak dari 3,8 meter.

Gambar 9. Pengambilan gambar pada jarak 3,8meter

Pengambilan gambar dengan jarak 3,8 meter darikamera seperti gambar diatas, hasilnya yaitu usermasih dapat dideteksi oleh kamera, tetapi dengandata yang yang dihasilkan sangat kecil dan tidakvalid, sehingga tidak dapat dijadikan referensi datayang baik untuk penelitian ini. Pengujian denganpengguna berputar 60º ke kiri (dalam aplikasi 60ºke kanan).

2

1,5 m

maju mundur

kirikanan

Berputar (º)

88 cm


6-37

Gambar 10 Pengukuran Posisi Menghadap KiriSebesar 60º

Gambar 11 Pengujian Pengguna Menghadap Kiridengan Sudut 60º

Load obyek dress 3 berwarna biru

Gambar 12. Hasil Load Dress Biru

Load obyek blazzer 1 berwarna coklat

Gambar 4. 1 Hasil Load Blazzer Coklat

4.1 Hasil Dan Pembahasan4.1.1 Pengujian Jarak

Pengujian jarak untuk mengetahui seberapajauh jarak pengguna (tubuh manusia) dapatterdeteksi oleh kamera kinect.

Tabel 1. Kemampuan Pendeteksian Obyek KameraTerhadap Pengguna

Tinggiuser(cm)

TinggiKamera(cm)

Jarak user terhadap kameraKinect

50cm

1m

1,5m

2m

3m

3,5m

3,8m

>3,8m

178

88

x x v v v v v x

165

x x v v v v v x

160

x v v v v v v x

160

x v v v v v v x

150

x v v v v v x x

Keberhasilan(%)

0 60

100

100

100

100

80

0

Keterangan:X: tidak dapat dideteksi (nilai keberhasilan 0)V : dapat dideteksi (nilai kberhasilan 1)

60º


6-38

4.1.2 Pengujian Rotasi Horisontal

Pengujian ini bertujuan untuk mengujikehandalan sistem dalam mengetahui sudut putaranyang dilakukan oleh user.

Tabel 2. Sudut Rotasi PengujianPercoba

anke-

Sudut putar terhadap user

0ºkiri kanan

30º 60º 90º 30º 60º 90º1 0,0

926,5

59,4

85,6

31,9

60,2

91

2 2,06

31,3

60,7

91,2

33 54 78,3

3 3,02

30,2

58,9

89 29,8

57,9

89,8

4 7,1 35,9

63,4

88,3

26,9

58,6

84

5 5,6 32,4

70,2

90,1

30,6

63 90,4

RataError(%)

4,2 4,2 1,2 1,4 2,1 3,6

Pengujian jarak berdasarkan hasilpengukuran kemampuan kamera kinect untukmengenali obyek tubuh manusiadengan jarakterdekat 1 meter sebesar 60% dan jarak terjauh 3,8meter sebesar 80%. Jarak optimum sistem dapatmendeteksi obyek tubuh manusia berada diantara1,5 meter hingga 3 meter.

Kehandalan aplikasi dalam mengetahuisudut rotasi masih memiliki kelemahan terhadapperputaran user horisontal dan perputaran tubuh.Tingkat keberhasilan aplikasi dalam menghitungsudut putar pengguna adalah 97,42%.

4.1.3 Pengujian Intensitas Cahaya

Pengujian berdasarkan intensitas cahayabertujuan untuk menguji kehandalan aplikasi(kehandalan kamera khususnya) dalam halpenangkapan gambar sehingga diketahui apakahuser dapat terdeteksi atau tidak.

Tabel 3. Pengaruh Intensitas Cahaya

WaktuKondisi Pencahayaan

Ada Lampu Tidak AdaLampu

Siang hari v vMalamhari v v% rata-rata

keberhasilan100%

Keterangan:

X: tidak dapat dideteksi

V : dapat dideteksi

5.1 Kesimpulan

Jarak optimum untuk mendeteksikeberadaan pengguna berada diantara 1,5 meterhingga 3 meter. Orientasi dari perputaran tubuhpengguna dengan persamaan trigonometri dariperubahan posisi bahu pengguna pada modelskeleton telah teruji performanya. Tingkatkeberhasilan aplikasi dalam menghitung sudut putarpengguna adalah 97,42%.

Daftar Pustaka

Aaron Reed, Learning XNA 4.0.2010 Hand Book,O’Reilly.

Azrulhizam Shapi’i, Riza Sulaiman, MohammadKhatim Hasan. Geometric TransformationTechnique for Total Hip Implant in DigitalMedical Images.Industrial ComputingResearch Group Faculty of InformationScience and Technology UniversitiKebangsaan Malaysia Bangi, Malaysia.

Is¸ıkdo˘gan, Furkan dan G¨okc¸ehan Kara. A RealTime Virtual Dressing Room Applicationusing Kinect. CMPE537 Computer VisionCourse Project, January 2012.

J. Shotton, A. Fitzgibbon, M. Cook, T. Sharp, M.Finocchio, R. Moore, A. Kipman, and A.Blake, ”Real-Time Human PoseRecognition in Parts from Single DepthImages,” Proceedings of IEEE Conferenceon Computer Vision and PatternRecognition, 2011.

K. Kjærside, K.J. Kortbek, H. Hedegaard,”ARDressCode: Augmented DressingRoom with Tag-based Motion Trackingand Real-Time Clothes Simulation,”Proceedings of the Central EuropeanMultimedia and Virtual RealityConference, 2005.

K. Onishi, T. Takiguchi, and Y. Ariki, ”3D HumanPosture Estimation using the HOGFeatures from Monocular Image,” 19thInternational Conference on PatternRecognition, 2008.


6-39

Kinect Quick Start Guide,http://support.xbox.com/en-GB/xbox-360/manuals-specs/manual-specs

http://file.upi.edu/Direktori/FPMIPA/JUR._PEND._MATEMATIKA/194705241981031-JOZUA_SABANDAR/KUMPULAN_HAND_OUT/handout_Geo_Trans.pdf diaksespada 14 Juni 2012

http://id.wikipedia.org/wiki/Trigonometri. diaksespada 2 Januari 2013.

http://id.wikipedia.org/wiki/Realitas_tertambah.diakses pada 15 Juni 2012

http://mbanxlambang.wordpress.com/. diakses pada5 Juni 2012

www.tofi.or.id/download.../Transformasi%20geometri_kul_2_ web.ppt. diakses pada 14 Juni 2012

http://en.wikipedia.org/wiki/Microsoft_XNA,diakses pada 16 Juli 2013

http://msdn.microsoft.com/en-us/library/bb203940.aspx, diakses pada 16Juli 2013http://students.netindonesia.net/blogs/mustofakamal

/archive/2012/02/17/mengenal-xna.aspxdiakses pada 16Juli 2013.

Jana, Abhijit. Kinect for Windows SDKProgramming Guide. Chapter No1.Understanding the Kinect Device.

Microsoft Research Kinect for Windows SDK betaPrgramming Guide. 2011. Getting Startedwith the Kinect for Windows SDK Betafrom Microsoft Research. Beta DraftVersion 1.0.

Sahal, Abdilah. 2012. Chess Game DenganAugmented Reality Berbasis PenjejakanJari Tangan.Teknik Komputer.

Wiranda, Nuruddin. 2012. Implementasi KinectPada Penerjemah Bahasa Isyarat. SekolahTinggi Manajemen Informatika DanKomputer Amikom. Yogyakarta.

jurnal ilmiah vol. 21/no.2/september 2014link.narotama.ac.id/files/jurnal links vol 21.pdfjurnal...

Documents