10

BAB 2

LANDASAN TEORI

2.1 Artificial Intelligence

Dewasa ini sering sekali kami merasa terkagum-kagum akan pesatnya

perkembangan teknologi khususnya yang berhubungan komputer yang terjadi di dunia,

mulai dari munculnya teknologi mengenai Robot-robot, Komputer yang bisa berdialog

dengan manusia, sampai dengan Penggunaan Sturuktur Jaringan Nirkabel (Wireless),

semua perkembangan tersebut pada dasarnya menggunakan AI (Artificial Intelegence)

sebagai jantungnya, sebut saja fitur fuzzy logic, genetic algorithm, bayesian network

atau neural networking yang ditanam di dalam mikroprocessor robot, yang membuat

robot itu sangat pandai dalam menghitung sehingga dia bahkan bisa menghitung lebih

cepat dari otak manusia.

Sementara ini komputer memang sudah sangat pandai dalam menghitung atau

menjalankan proses numerik. Kehebatan lainnya adalah kemampuan menyimpan data

dan kemampuan mengerjakan operasi yang berulang-ulang dengan cepat dan tidak

bosan-bosannya. Sejauh itu komputer belum memiliki intelegensi, dalam arti komputer

hanya melakukan atau menjalankan program dengan prosedur atau sequence tetap.

Dimana dalam intelegensi ini terdapat komponen yang paling vital yang tidak dimiliki

oleh komputer, yaitu ‘common sense’. Sense = kemengertian; common = umum. Secara

sederhana, common sense adalah sesuatu yang membuat kita tidak sekedar memproses

informasi, namun kita mengerti informasi tersebut. Kemengertian ini dimiliki oleh

umum atau semua orang (normal), jadi disebut ‘kemengertian umum’.

11

2.1.1 Sejarah

(Menurut http://hermansyah21.blogspot.com/2007/10/kecerdasan-buatan.html),

Program AI pertama yang bekerja ditulis pada 1951 untuk menjalankan mesin Ferranti

Mark I di University of Manchester (UK): sebuah program permainan naskah yang

ditulis oleh Christopher Strachey dan program permainan catur yang ditulis oleh

Dietrich Prinz. John McCarthy membuat istilah "kecerdasan buatan" pada konferensi

pertama yang disediakan untuk pokok persoalan ini, pada 1956. Dia juga menemukan

bahasa pemrograman LISP. Alan Turing memperkenalkan "Turing test" sebagai sebuah

cara untuk mengoperasionalkan test perilaku cerdas. Joseph Weizenbaum membangun

ELIZA, sebuah chatterbot yang menerapkan psikoterapi Rogerian.

Selama tahun 1960-an dan 1970-an, Joel Moses mendemonstrasikan kekuatan

pertimbangan simbolis untuk mengintegrasikan masalah di dalam program Macsyma,

program berbasis pengetahuan yang sukses pertama kali dalam bidang matematika.

Marvin Minsky dan Seymour Papert menerbitkan Perceptrons, yang mendemostrasikan

batas jaringan syaraf sederhana dan Alain Colmerauer mengembangkan bahasa

komputer Prolog. Ted Shortliffe mendemonstrasikan kekuatan sistem berbasis aturan

untuk representasi pengetahuan dan inferensi dalam diagnosa dan terapi medis yang

kadangkala disebut sebagai sistem pakar pertama. Hans Moravec mengembangkan

kendaraan terkendali komputer pertama untuk mengatasi jalan berintang yang kusut

secara mandiri.

Pada tahun 1980-an, jaringan syaraf digunakan secara meluas dengan algoritma

perambatan balik, pertama kali diterangkan oleh Paul John Werbos pada 1974. Tahun

1990-an ditandai perolehan besar dalam berbagai bidang AI dan demonstrasi berbagai

12

macam aplikasi. Lebih khusus Deep Blue, sebuah komputer permainan catur,

mengalahkan Garry Kasparov dalam sebuah pertandingan 6 game yang terkenal pada

tahun 1997. DARPA menyatakan bahwa biaya yang disimpan melalui penerapan

metode AI untuk unit penjadwalan dalam Perang Teluk pertama telah mengganti seluruh

investasi dalam penelitian AI sejak tahun 1950 pada pemerintah AS.

Tantangan Hebat DARPA, yang dimulai pada 2004 dan berlanjut hingga hari ini,

adalah sebuah pacuan untuk hadiah $2 juta dimana kendaraan dikemudikan sendiri

tanpa komunikasi dengan manusia, menggunakan GPS, komputer dan susunan sensor

yang canggih, melintasi beberapa ratus mil daerah gurun yang menantang.

.

2.1.2 Definisi

Definisi dari Kecerdasan Buatan (bahasa Inggris: Artificial Intelligence atau AI)

dapat ditarik dari dua hal, yakni pertama, kesuksesan komputer yang dapat meniru

human performance, kedua, konsep ideal dari kecerdasan itu sendiri yang kita kenal

dengan nama rasionalitas. Sistem yang rasional adalah sistem yang dapat melakukan

apa yang ia bisa, berdasarkan dari pengetahuan yang ada padanya. Ada beberapa

definisi dari Kecerdasan Buatan yang diambil dari delapan buku, yaitu :

Systems that think like humans Systems that think rationally

Sebuah usaha baru yang menarik untuk

membuat computer berpikir…mesin

dengan pikiran yang penuh dengan

kepekaaan (Haughland, 1985)

Studi fakultas mental melalui

penggunaan model komputasi.

(Charniak and McDermott, 1985)

13

Automasi dari aktivitas yang

berhubungan dengan pikiran manusia,

seperti membuat keputusan,

menyelesaikan masalah,

pembelajaran... (Bellman, 1978)

Studi komputasi yang membuatnya

mungkin untuk menerima, berreaksi,

dan bertingkah laku. (Winston,

1992)

Systems that act like humans Systems that act rationally

Seni pembuatan mesin yang melakukan

fungsi-fungsi yang memerlukan

kepintaran ketika dilakukan oleh

manusia. (Kurzweil, 1990)

Studi dari bagaimana membuat

komputer melakukan hal-hal dimana,

saat itu, manusia lebih baik. (Rich and

Knight, 1991)

Kepintaran komputasi adalah studi

dari mendesain agen. (Pooleet al.,

1998)

Kecerdasan Buatan… adalah yang

berhubungan dengan artifak

aktivitas kepintaran. (Nilsson, 1998)

Tabel 2.1 : Tabel Definisi Kecerdasan Buatan

2.1.3 AI dan Otak Manusia

Bagaimana cara kita dapat membuat komputer yang lebih berintelegensi?

(Menurut http://www.elektroindonesia.com/elektro/el0400c.html) Bila kita melihat

perbandingan antara otak manusia dengan mikroprosesor (otak komputer) pada tabel

yang pernah digambarkan oleh Prof. Samaun Samadikun, otak manusia ‘kalah’ dalam

hal waktu tunda propagasi (waktu yang diperlukan untuk melakukan pekerjaan

14

berikutnya), oleh karena itu manusia kalah dalam kecepatan perhitungan numerik.

Dalam aspek lainnya otak manusia jauh di atas angin, terutama dalam tata letak dan

jumlah elemennya. Sedangkan metoda pemrosesan secara paralel dalam komputer kini

sudah dikembangkan untuk menggantikan kedudukan metoda pemrosesan yang

diperkenalkan oleh Jon von Neumann, yaitu metoda pemrosesan sekuensial.

Tabel 2.2 : Tabel Perbedaan Mikroprosesor dengan Otak Manusia

Sekarang ini Artificial Intellegence, dalam usahanya menirukan intelegensi

manusia, belum mengadakan pendekatan dalam bentuk fisiknya melainkan dari segi

yang lain. Pertama-tama diadakan studi mengenai teori dasar mekanisme proses

terjadinya intelegensi atau belum.

Bila kita melihat bagaimana cara kerja komputer modern sekarang ini yang

belum berlandaskan AI. Mula-mula kita memberikan suatu program. Lalu, komputer

akan mengerjakan dengan proses secara numerik setahap demi setahap setiap instruksi

15

dari awal sampai akhir sesuai dengan program yang kita berikan. Di sini ada dua hal

penting yang berbeda dengan cara kerja otak manusia. Pertama, komputer memproses

secara numerik, sedangkan manusia cenderung memproses secara simbolik. Manusia

memanipulasi simbol-simbol, sehingga ia bisa menurunkan rumus-rumus, suatu

kemampuan yang belum dimiliki komputer. Dapat kita rasakan kapan kita berpikir

dengan cara memanipulasi bilangan, tentu saja hanya ketika menghitung saja,

selebihnya kita selalu memanipulasi simbol. Kedua, komputer memproses secara

algoritmik, yaitu setahap demi setahap mengikuti suatu prosedur yang menuju suatu

solusi. Sedangkan proses intelegensi lebih dari sekedar mengikuti prosedur yang setahap

demi setahap, non-algoritmik. Arsitektur komputer konvensional memang dibuat untuk

dapat memproses setahap demi setahap, dan bahasa-bahasa pemrogramannya juga

berlandaskan algoritma. Bahasa-bahasa demikian disebut bahasa prosedural, misalnya

Basic, Pascal, C, dan sejenisnya. Di lain pihak, AI tidak menggunakan bahasa

prosedural, melainkan bahasa deklaratif. Dalam bahasa deklaratif, misalnya PROLOG,

yang perlu adalah kita memberikan sejumlah fakta dan aturan-aturan yang mengkaitkan

fakta tersebut, ia akan memecahkan masalah secara deduktif.

Metoda memproses informasi dalam AI adalah heuristik. Heuristik adalah

petunjuk praktis yang membantu kita untuk memutuskan apa yang akan kita lakukan.

Dengan heuristik kita tidak perlu berpikir secara lengkap dalam menghadapi masalah-

masalah. Sadar atau tidak sadar kita seringkali menggunakan heuristik. Jika kita

memegang suatu petunjuk praktis untuk menghadapi suatu situasi, kita akan dapat

bertindak.

16

Jika dibandingkan dengan kecerdasan alami (kecerdasan yang dimiliki manusia),

kecerdasan buatan (Menurut Sri Kusumadewi, Artificial Intelligence (Teknik dan

Aplikasinya), 2003, halaman 3) memiliki beberapa keuntungan secara komersial, antara

lain :

Kecerdasan buatan lebih bersifat permanen. Kecerdasan alami akan cepat

mengalami perubahan. Hal ini dimungkinkan karena sifat manusia yang pelupa.

Kecerdasan buatan tidak akan berubah sepanjang sistem komputer dan program

tidak merubahnya.

Kecerdasan buatan lebih mudah diduplikasi dan disebarkan. Mentransfer

pengetahuan manusia itu dari satu orang ke orang lainnya membutuhkan proses

yang lama, dan juga suatu keahlian tidak dapat diduplikasi dengan lengkap.

Kecerdasan buatan lebih murah dibanding kecerdasan alami. Menyediakan

layanan komputer akan lebih mudah dan murah dibandingkan dengan harus

mendatangkan seseorang untuk mengerjakan sejumlah pekerjaan dalam jangka

waktu yang sangat lama.

Kecerdasan buatan bersifat konsisten. Hal ini disebabkan karena kecerdasan

buatan adalah bagian dari teknologi komputer. Sedangkan kecerdasan alami

akan senantiasa berubah-ubah.

Kecerdasan buatan dapat didokumentasi. Keputusan yang dibuat oleh komputer

dapat didokumentasi dengan mudah dengan cara melacak setiap aktivitas dari

sistem tersebut.

Kecerdasan buatan dapat mengerjakan pekerjaan lebih cepat.

Kecerdasan buatan dapat mengerjakan pekerjaan lebih baik.

17

Sedangkan keuntungan kecerdasan alami adalah :

Kreatif. Kemampuan untuk menambah ataupun memenuhi pengetahuan itu

sangat melekat pada jiwa manusia. Pada kecerdasan buatan, untuk menambah

pengetahuan, harus dilakukan melalui sistem yang dibangun.

Kecerdasan alami memungkinkan orang untuk menggunakan pengalaman secara

langsung. Sedangkan pada kecerdasan buatan harus bekerja dengan input-input

simbolik.

Pemikiran manusia dapat digunakan secara luas, sedangkan kecerdasan buatan

terbatas.

2.1.4 Bidang-bidang AI

Ada beberapa bidang di dalam Penyelidikan AI (Menurut

http://www.elektroindonesia.com/elektro/el0400c.html) yaitu :

1. Expert System

Expert System adalah program komputer yang didisain untuk berlaku sebagai

seorang ahli dalam suatu bidang khusus. Namun sekarang ini Expert System

‘hanya’ digunakan untuk membantu para ahli dalam memecahkan suatu

masalah. Bahkan banyak orang yang tidak percaya bahwa Expert System dapat

menggantikan para ahli, karena harus sedemikian banyaknya pengetahuan yang

harus dimiliki oleh Expert System.

18

2. Natural Language Processing (NLP)

NLP dimaksudkan untuk mengenal makna dari bentuk kalimat yang berbeda-

beda. Selain mampu mengerti bahasa kita sehari-hari, NLP juga mencakup

kemampuan membentuk kalimat dalam bahasa sehari-hari.

3. Recognition

Contohnya adalah Speech Recognition. Dengan ini suatu komputer dapat

mengenali suara kita, dan sekaligus bisa membedakan berbagai macam bentuk

sinyal.

Contoh yang lain adalah Character Recognition. Dengan ini suatu komputer

dapat mengenali karakter, dan sekaligus bisa membedakan berbagai macam

bentuk karakter.

4. Computer Vision

Kalau kita melihat, sebenarnya bukan hanya melihat, tapi kita juga harus tahu

apa yang kita lihat. Komputer yang berintelegensi juga harus mempunyai

kemampuan ini.

5. Robotic

Robot adalah mesin yang dapat diprogram untuk melaksanakan tugas-tugas

mekanik. Robot yang berintelegensi dapat memberi respon terhadap perubahan

lingkungan.

6. Intelligent Computer Assisted Instruction

Komputer dimaksudkan untuk membantu dalam pendidikan, sehingga dapat

mengajar dengan cara sesuai keadaan pelajar.

19

7. Automatic Programming

Komputer dapat membuat program sendiri sesuai dengan spesifikasi yang

diinginkan oleh programmer.

8. Planning and Decision Support

Komputer ini khusus membantu manager secara aktif dalam perencanaan dan

pengambilan keputusan.

2.2 Soft Computing

Soft Computing (Menurut Sri Kusumadewi dan Sri Hartati, Neuro-

Fuzzy(Integrasi Sistem Fuzzy dan Jaringan Syaraf), 2006, halaman 1 dan 2) adalah

koleksi dari beberapa metodologi yang bertujuan untuk mengeksploitasi adanya

toleransi terhadap ketidaktepatan, ketidakpastian, dan kebenaran parsial untuk dapat

diselesaikan dengan mudah, robustness, dan biaya penyelesaian yang murah

(dikemukan oleh Prof. Lotfi A. Zadeh).

Soft computing merupakan inovasi baru dalam membangun sistem cerdas.

Sistem cerdas ini merupakan sistem yang memiliki keahlian seperti manusia pada

domain tertentu, mampu beradaptasi dan belajar agar dapat bekerja lebih baik jika

terjadi perubahan lingkungan.

Unsur-unsur pokok dalam Soft Computing adalah :

Jaringan Syaraf/ Neural Network (menggunakan pembelajaran)

Bayesian Network / Probabilistic Reasoning (mengakomodasi ketidakpastian)

Evolutionary Computing / Genetic Algorithm (optimasi)

Sistem Fuzzy (mengakomodasi ketidaktepatan)

20

Karakteristik Soft Computing adalah :

Soft Computing memerlukan keahlian manusia, apabila direpresentasikan dalam

bentuk aturan (IF - THEN).

Model komputasinya diilhami oleh proses biologis.

Soft Computing merupakan Teknik optimasi baru.

Soft Computing menggunakan komputasi numeris.

Soft Computing memiliki toleransi kegagalan (meskipun kualitasnya berangsur-

angsur memburuk).

2.2.1 Neural Network

Neural Network (Menurut http://en.wikipedia.org/wiki/Neural_network) dahulu

kala selalu digunakan untuk mendeskripsikan ke sebuah jaringan atau sirkuit dari syaraf

biologis, kemudian istilah ‘Neural Network’ memiliki 2 makna yang berbeda, yaitu :

1. Biological Neural Networks

Tersusun dari Jaringan Sistem Syaraf Biologis yang terhubung atau

secara fungsional terhubung ke dalam sistem syaraf tepi ( Peripheral nervous

system ) atau sistem syaraf pusat ( Central Nervous System ). Dalam bidang

Neuroscience, keduanya sering diidentifikasi sebagai sekumpulan syaraf

(neurons) yang melakukan fungsi psikologis secara spesifik.

2. Artificial Neural Networks

Tersusun dari Interkoneksi Syaraf buatan (pemrograman menciptakan

tiruan dari atribut syaraf biologis). Artificial Neural Networks bisa digunakan

untuk membangun pemahaman dari jaringan syaraf biologis, atau untuk

21

memecahkan masalah mengenai Artificial Intelegence tanpa perlu membuat

sebuah model dari system biologis yang sebenarnya.

Dalam Pengertian Umum (Menurut http://en.wikipedia.org/wiki/Neural_network

) sebuah Jaringan Syaraf Biologis ialah sekumpulan group, atau group-group yang

terhubung secara kimiawi, atau syaraf yang berhubungan secara fungsional, dengan

ketentuan sebuah syaraf bisa terhubung ke beberapa syaraf lainnya, dan jumlah syaraf

beserta hubungan dalam sebuah jaringan bisa bertambah. Hubungannya biasa disebut

sinapsis, biasanya dijalankan dari akson ke dendrit, melalui dendrodendritic

microcircuit dan koneksi lainnya yang memungkinkan, terlepas dari signaling secara

elektrik, ada bentuk lain dari signaling yang dihasilkan dari difusi neurotransmitter,

yang menyebabkan efek pada signaling secara elektrik.

Artificial Intelegence dan Cognitive Modeling mencoba untuk mensimulasikan

cara kerja dari neural networks, dengan teknik yang sama, Artificial Neural Networks

(yang disimulasikan oleh Artificial Intelegence dan Cognitive Model) bertujuan untuk

melakukan tugas-tugas tertentu, dalam bidang Artificial Intelegence, misalnya untuk

speech recognition, image analysis dan adaptive control.

22

Gambar 2.1 : Gambar Jaringan Syaraf

Pada Artificial Neural Network, setiap neuron menerima satu input, setiap input

dikalikan dengan bobot (weight) yang sesuai dengan kekuatan synapsis. Jumlah

seluruh input yang berbobot tersebut menentukan kemungkinan neuron untuk

menembakan sinyal. Nilai ini yang disebut dengan level aktivasi (activation

level). Level aktivasi menggunakan fungsi aktivasi agar dapat dihitung.

Adapun cara lain untuk menghitung nilai setiap neuron, yaitu dengan

menggunakan Back Propagation dan Bidirectional Associative Memory (BAM).

Kelebihan dari Metode ini adalah (Menurut http://hunch.net/?p=65):

Dapat memecahkan problema non-linear yang umum dijumpai di aplikasi.

Kemampuan memberikan jawaban terhadap pattern yang belum pernah

dipelajari (generalization).

Dapat secara otomatis mempelajari data numerik yang diajarkan pada jaringan

tersebut.

23

2.2.2 Bayesian Network

Jejaring Bayesian (Bayesian network) dipelopori oleh ahli ilmu genetika Sewall

Wright (1921). Kemudian divariasikan dan dikembangkan pada berbagai bidang,

misalnya dalam bidang ilmu pengetahuan kognitif dan intelegensia semu. Pada awal

perkembangannya di akhir tahun 1970-an, jejaring Bayesian memenuhi kebutuhan

semantic model (top-down) dan perceptual model (bottom-up), yaitu kombinasi dari cara

pembacan bukti (evidence). Dengan kemampuan untuk mengambil kesimpulan dari

banyak arah dan dikombinasikan dengan dasar probabilitas yang teliti, maka jejaring

Bayesian menjadi metode yang dipilih untuk mengatasi uncertain reasoning (penalaran

dalam ketidakpastian) dalam bidang intelegensia semu dan sistem pakar.

Jejaring Bayesian merupakan sebuah dag (directed acyclic graph) di mana setiap

node-nya (verteks) menggambarkan variabel-variabel acak yang dinyatakan dari suatu

kejadian. Variabel-variabel ini mempunyai dua kemungkinan nilai, yaitu true (benar)

dan false (salah). Sedangkan setiap arc (edge) dari jejaring Bayesian menggambarkan

probabilitas ketergantungan antara variabel-variabelnya. Ketergantungan tersebut diukur

oleh conditional probability untuk setiap node dengan parent node-nya. Maka jika

variabel-variabel dari jejaring adalah },,1,{ niX i dan Pa(Xi) menggambarkan

himpunan parent dari Xi, maka parameter dari jejaring ini adalah sebuah himpunan

distribusi },,1)),(|({ niXPaXP ii . Probabilitas ini menjelaskan joint probabilities

distribution untuk seluruh jejaring sebagai berikut ini:

n

iiin XPaXPXXP

11 ))(|(),,(

24

Untuk mendefinisikan sebuah jejaring Bayesian, harus dispesifikasikan:

Variabel-variabel untuk X1, X2, ..., Xn.

Hubungan antara variabel-variabel tersebut. Hubungan ini merepresentasikan

pengaruh kasual antar variabel-variabel. Jejaring yang dibentuk dari variabel-

variabel ini dan hubungan-hubungan di antaranya haruslah merupakan sebuah

dag.

Probabilitas setiap variabel terhadap parent-nya, yaitu P(Xi | Pa(Xi)) untuk i = 1,

..., n.

Jadi jejaring Bayesian merupakan sebuah model dan alat acuan untuk

memecahkan masalah-masalah yang tidak pasti dengan cara menggambarkan relasi

probabilitas.

2.2.3 Genetic Algorithm

Genetic Algorithm atau Algoritma Genetika (Menurut

http://en.wikipedia.org/wiki/Genetic_algorithm) adalah sebuah teknik pencarian yang

digunakan dalam komputasi untuk menemukan solusi terdekat atau tepat dalam optimasi

dan masalah pencarian. Algoritma Genetika dikategorikan sebagai pencarian global

secara heuristic. Algoritma Genetika adalah sebuah kelas dari evolutionary algorithm

yang menggunakan teknik yang diinspirasi oleh evolutionary biology, seperti

inheritance, mutation, selection, crossover.

Algoritma Genetika diimplementasikan sebagai simulasi komputer dimana

sebuah representasi abstrak dari populasi dari kandidat solusi pada sebuah masalah

25

optimasi berubah menjadi solusi yang lebih baik. Secara tradisional, solusi

direpresentasikan dalam bentuk biner yaitu 0 dan 1.

Algoritma Genetika memerlukan dua hal untuk didefinisikan :

Representasi genetika dari sebuah domain solusi

Fungsi fitness untuk mengevaluasi domain solusi

Standard representasi dari sebuah solusi adalah sebuah array bits. Properti utama

yang membuat representasi genetika ini nyaman adalah bagian-bagiannya yang mudah

untuk diubah sehubungan dengan ukuran tetapnya, yang mengfasilitasi operasi

crossover.

Fungsi fitness didefinisikan representasi genetika dan mengukur kualitas solusi

yang telah direpresentasikan. Fungsi fitness selalu berdasarkan atas masalah.

Kelebihan – kelebihan yang dimiliki oleh Genetic Algorithm adalah (Menurut

http://hunch.net/?p=65) :

GA memiliki kemampuan untuk mencari nilai optimal secara paralel, melalui

proses kerjasama antara berbagai unit, yang disebut kromosom individu.

GA tidak memerlukan perhitungan matematika yang rumit seperti differensial

yang diperlukan oleh algoritma optimisasi yang lain.

Sementara, Genetic Algorithm pun memiliki beberapa kekurangan, yaitu :

Tidak memiliki rumusan yang pasti, bagaimana mentransfer parameter

permasalahan ke dalam kode genetik. Dengan kata lain, hal ini memerlukan

pengalaman dan wawasan dari desainer.

26

Banyak parameter yang perlu diset secara baik agar proses evolusi dalam GA

berjalan sesuai dengan yang diharapkan.

Penentuan rumus menghitung fitness merupakan hal yang sangat penting dan

mempengaruhi proses evolusi pada GA. Sayangnya tidak ada prosedur yang

baku bagaimana menentukan rumus tsb.

2.2.4 Fuzzy Logic

Teori Fuzzy (Menurut http://en.wikipedia.org/wiki/Fuzzy_logic) pertama kali

diperkenalkan oleh Professor Lotfi Zaedah dari Universitas California di Berkeley pada

tahun 1962. Logika fuzzy merupakan suatu teori himpunan logika yang dikembangkan

untuk mengatasi konsep nilai yang terdapat diantara kebenaran (true) dan kesalahan

(false). Logika fuzzy berbeda dengan logika digital biasa (logika Boolean), dimana pada

logika digital biasa hanya dapat mengenal dua keadaan yaitu : ya/tidak, ON/OFF, 0/1,

atau High/Low.

Sedangkan logika fuzzy meniru cara berpikir manusia dengan menggunakan

konsep sifat kesamaan suatu nilai. Dengan menggunakan logika fuzzy, nilai yang

dihasilkan bukan hanya ya (1, high, on) atau tidak (0, low, off) tetapi seluruh

kemungkinan diantara 0 dan 1. Teknologi fuzzy ini sudah sangat berkembang pesat dan

banyak digunakan pada pemakaian pengaturan lalu lintas, sistem transmisi otomatis,

industri, peralatan rumah tangga, dan lain-lain.

Ada dua alasan utama yang mendasari pengembangan teknologi berbasis sistem

fuzzy :

Menjadi state-of-the-art dalam sistem kendali berteknologi tinggi. Jika diamati

pengalaman pada negara-negara berteknologi tinggi, khususnya di negara

27

Jepang, pengendali fuzzy sudah sejak lama dan luas digunakan di industri-

industri dan alat-alat elektronika. Daya gunanya dianggap melebihi daripada

Teknik kendali yang pernah ada. Pengendali fuzzy terkenal karena

kehandalannya, mudah diperbaiki, dan yang lebih penting lagi fuzzy dapat

memberikan pengendalian yang sangat baik dibandingkan teknik lain, yang

biasanya membutuhkan usaha dan dana yang lebih besar.

Dalam perspektif yang lebih luas, pengendali fuzzy ternyata sangat bermanfat

pada aplikasi-aplikasi sistem identifikasi dan pengendalian ill-structured, dimana

linearitas dan invariansi waktu tidak bisa ditentukan dengan pasti, karakteristik

proses mempunyai faktor lag, dan dipengaruhi oleh derau acak. Bentuk sistem

seperti ini jika dipandang sistem konvensional sangat sulit untuk dimodelkan.

Keberhasilan penerapan teknologi fuzzy dapat direalisasikan jika terdapat

penelitian dan strategi pengembangan riset dan desain oleh sebuah industri untuk

menemukan teknik terbaiknya untuk produksinya.

Ada beberapa alasan mengapa orang menggunakan logika fuzzy :

Konsep Logika Fuzzy lebih mudah dimengerti, karena didasari Konsep

matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah

dimengerti.

Logika Fuzzy sangat fleksibel.

Logika Fuzzy memiliki toleransi terhadap data-data yang tidak tepat.

28

Logika Fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat

kompleks.

Logika Fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman

para pakar secara langsung tanpa harus melalui proses pelatihan.

Logika Fuzzy dapat bekerja sama dengan Teknik-Teknik kendali konvensional.

Logika Fuzzy didasarkan pada bahasa alami.

Fuzzy memiliki kelebihan-kelebihan (Menurut http://hunch.net/?p=65), diantaranya :

Dapat mengekspresikan konsep yang sulit untuk dirumuskan, seperti misalnya

“suhu ruangan yang nyaman”

Pemakaian membership-function memungkinkan fuzzy untuk melakukan

observasi obyektif terhadap nilai-nilai yang subyektif. Selanjutnya membership-

function ini dapat dikombinasikan untuk membuat pengungkapan konsep yang

lebih jelas.

Penerapan logika dalam pengambilan keputusan

2.2.4.1 Fungsi Keanggotaan

Fungsi Keanggotaan (Membership Function) adalah suatu kurva yang

menunjukan pemetaan titik input data ke dalam nilai keanggotaannya. Yang memiliki

interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan

nilai keanggotaan adalah melalui pendekatan fungsi. Beberapa fungsi yang dapat

digunakan :

29

Representasi Kurva Bentuk Lonceng (Bell-Curve)

Gambar 2.2 : Kurva Bentuk Lonceng

Fungsi Keanggotaan :

�(x) = 1 – 2 {(b-x) / (b-a)}2 ; a ≤ x ≤ b

2 {(c-x) / (c-b)}2 ; b ≤ x ≤ c

2.3 Computer Vision

2.3.1 Definisi

Computer Vision juga merupakan ilmu pengetahuan yang mempelajari

bagaimana komputer dapat mengenali obyek yang diamati atau diobservasi (transparansi

Computer Vision, Universitas Bina Nusantara, 2002).

Menurut Wikipedia (http://en.wikipedia.org/wiki/Computer_vision), Computer

Vision adalah ilmu pengetahuan dan teknologi dari mesin itu sendiri yang dapat melihat.

Berdasarkan pengamat ilmu pengetahuan, Computer Vision berhubungan dengan teori

dan teknologi untuk membangun sistem buatan yang bisa mendapatkan informasi dari

gambar-gambar / images. Data gambar dapat berupa berbagai bentuk, seperti video,

30

gambar dari berbagai kamera, atau data lainnya dari hasil scan. Berdasarkan pengamat

teknologi, Computer Vision dicari untuk mengimplementasi teori-teori dan model-model

Computer Vision untuk membangun Computer Vision Systems.

Berikut adalah skema hubungan Computer Vision dengan Machine Vision

dengan Image Processing. Skema tersebut menjelaskan bobot unsur yang ada pada

bidang-bidang pengetahuan, misalnya Imaging memiliki unsur Image Processing dan

Machine Vision, Automatic Control Robotic memiliki unsur Computer Vision dan

Machine Vision, sedangkan pada Optics dan Signal Processing hanya melibatkan

Machine Vision.

Gambar 2.3 : Gambar Skema hubungan computer vision dengan bidang lain

31

Computer Vision oleh beberapa ahli didefinisikan sebagai berikut:

Michael C. Fairhurst (1995)

Computer Vision sesuai dengan sifatnya, merupakan suatu subyek yang

merangkul berbagai disiplin tradisional secara luas guna mendasari prinsip-

prinsip formalnya, dan dalam mengembangkan suatu metodologi yang berlainan

dari apa yang dimilikinya, pertama-tama harus menggabungkan dan secara

berurutan membangun materi yang mendasari ini.

Adrian Low (1991)

Computer Vision berhubungan dengan perolehan gambar, pemrosesan,

klasifikasi, pengenalan, dan menjadi penggabungan, pengurutan pembuatan

keputusan menuju pengenalan.

J.R.Parker (1994)

Computer Vision menyangkut pengekstrakan informasi dari citra, dan

dalam identifikasi dan klasifikasi objek-objek dalam citra. Masalah umum dari

Computer Vision adalah manusia tidak tahu bagaimana mereka mengenali objek-

objek.

2.3.2 Image Processing

2.3.2.1 Histogram

Menurut Idhawati Hestiningsih dalam paper berjudul Pengolahan Citra,

Histogram adalah grafik 2 dimensi yang menunjukan frekuensi kemunculan suatu

intensitas dalam suatu citra.

32

Gambar 2.4 : Gambar Citra dan Histogramnya

2.3.2.2 Grayscaling

Menurut www.efg2.com/Lab/Library/ImageProcessing/Algorithms.htm,

Grayscaling adalah proses konversi warna citra menjadi citra 8 bit atau keabuan. Citra

tersebut dapat dihitung dengan rumus :

Pixel(x,y) = red*0.30 + green*0.59 + blue*0.11

Dengan menghitung keseluruhan pixel pada citra, maka didapatkan citra 1 dimensi

dengan intensitas antarai 0 sampai 255. Nilai 0 sampai 255 disebabkan karena citra

bernilai 8 bit sehingga terdapat 28 warna atau 256 warna.

33

Gambar 2.5 : Gambar Citra RGB dan Grayscale-nya

2.3.2.3 Thresholding

Thresholding adalah metode paling sederhana untuk melakukan segmentasi.

Dengan menghitung nilai threshold pada suatu citra, maka citra tersebut dapat dibagi

menjadi objek dan latar. Threshold tersebut disebut juga dengan batas ambang.

Threshold dapat ditentukan dengan 2 cara, yaitu threshold statis, yaitu threshold yang

nilainya sudah ditentukan terlebih dahulu sehingga threshold untuk setiap citra akan

sama nilainya, dan threshold dinamis, yaitu threshold yang dihitung dari citra yang akan

ditentukan thresholdnya. Dengan cara dinamis, threshold untuk setiap citra akan

berbeda nilainya. Ada beberapa cara untuk menentukan nilai dari threshold dinamis,

cara yang paling sederhana adalah dengan menghitung rata-rata nilai intensitas pada

citra.

2.3.2.4 Binarisasi

Menurut www.mathworks.com/products/image, Binarisasi adalah proses

konversi warna citra menjadi citra 1 bit atau citra hitam putih. Citra tersebut terdiri atas

34

pixel yang bernilai 1 atau 0. Konversi citra ini dilakukan dengan menggunakan

threshold. Jika nilai pixel lebih besar dari threshold, maka pixel tersebut akan dirubah

menjadi 1 atau putih. Sebaliknya, jika pixel bernilai lebih kecil dari threshold maka pixel

tersebut akan dirubah menjadi 0 atau hitam. Biasanya putih digunakan untuk

melambangkan objek dan hitam digunakan untuk melambangkan latar.

Gambar 2.6 : Gambar Citra Dengan Binarisasi Menggunakan Threshold Dinamis

2.3.2.5 Operasi Morfologi

Dalam Image processing terdapat beberapa operasi morfologi dalam mengolah

citra biner, yaitu erosi, dilasi, opening dan closing. Semua operasi di atas membutuhkan

2 buah input, yaitu citra dan structuring element.

35

2.3.2.5.1 Structuring Element

Structuring Element adalah sebuah tabel berukuran kecil yang melambangkan

pixel suatu bagian pada citra dengan titik pusat berupa pixel yang ingin dibandingkan.

Bentuk dan ukuran dari Structuring Element pun dapat berbeda-beda sesuai dengan

keperluan.

2.3.2.5.2 Erosi

Menurut slide Computer Vision yang didownload dari www.binusmaya.ac.id,

Erosi adalah suatu operasi morfologi yang digunakan untuk membuat foreground pada

suatu citra mengecil sesuai dengan structuring element yang digunakan. Nilai pada pixel

yang sedang dicari adalah nilai minimum yang ada pada structuring element.

Gambar 2.15 : Gambar Erosi

2.3.2.5.3 Dilasi

Menurut slide Computer Vision yang didownload dari www.binusmaya.ac.id,

Dilasi merupakan kebalikan dari erosi. Dilasi bertujuan untuk membuat foreground pada

36

suatu citra membesar sesuai dengan structuring element yang digunakan. Nilai pada

pixel yang sedang dicari adalah nilai maksimum yang ada pada structuring element.

Gambar 2.8 : Gambar Dilasi

2.3.2.5.4 Opening

Menurut slide Computer Vision yang didownload dari www.binusmaya.ac.id,

Opening merupakan operasi morfologi yang dilakukan untuk membuka foreground

yang lebih kecil dari structuring element. Operasi opening dilakukan dengan erosi

terlebih dahulu, lalu hasilnya didilasikan. Keduanya menggunakan structuring element

yang sama.

37

Gambar 2.9 : Gambar Opening

2.3.2.5.5 Closing

Menurut slide Computer Vision yang didownload dari www.binusmaya.ac.id,

Closing merupakan kebalikan dari opening. Operasi ini bertujuan untuk menutup lubang

yang lebih kecil dari structuring element pada foreground. Operasi closing dilakukan

38

dengan dilasi terlebih dahulu, lalu hasilnya dierosikan. Keduanyapun menggunakan

structuring element yang sama.

Gambar 2.10 : Gambar Closing

39

2.3.2.5.6 Thinning/Skletonizing

Menurut slide Computer Vision yang didownload dari www.binusmaya.ac.id,

Thinning atau skletonizing merupakan operasi morfologi yang dilakukan terhadap citra

untuk mendapatkan foreground yang sudah ditipiskan. Proses thinning merupakan erosi

yang dilakukan terus menerus hingga foreground terdiri dari pixel tunggal dengan

koneksi 8 arah.

Gambar 2.11 : Gambar Thinning/Skletonizing

2.3.2.6 Image Resizing

Image resizing adalah proses mengubah ukuran suatu citra menjadi ukuran lain.

Perubahan ukuran suatu citra menjadi lebih kecil akan menyebabkan beberapa informasi

yang terdapat dalam citra tersebut menjadi hilang. Sebaliknya, perubahan ukuran suatu

citra menjadi lebih besar akan menyebabkan citra menjadi kelihatan pecah. (Menurut

Farid pada papernya yang berjudul Fundamental of Image Processing)

40

Gambar 2.12 : Gambar Citra yang Mengalami Perbesaran dan Pengecilan

2.3.2.7 Image Cropping

Image cropping adalah pemotongan bagian dari suatu citra menjadi suatu citra

yang baru. (Menurut Farid pada papernya yang berjudul Fundamental of Image

Processing)

41

Gambar 2.13 : Gambar Citra yang di-crop

2.3.2.8 Labeling

Labeling adalah proses pengelompokan pixel putih yang memiliki konektivitas

menjadi 1 objek yang terdapat dalam citra hitam-putih atau 1 bit. Proses pengelompokan

dilakukan dengan mengubah pixel putih yang memiliki konektivitas (4-connected atau

8-connected) menjadi nilai yang sama sehingga setiap objek akan memiliki nilai yang

berlainan selain 0. (Menurut Farid pada papernya yang berjudul Fundamental of Image

Processing)

42

Gambar 2.14 : Gambar Citra dan Labeling 4-connected

2.3.2.9 Deteksi Sisi

Sisi pada citra adalah tempat terjadinya diskontinuitas dalam nilai intensitas atau

batas antara daerah-daerah yang berbeda. Tujuan dari deteksi sisi adalah untuk

menandakan titik pada citra digital dimana intensitas cahaya berubah secara tajam.

Ada beberapa metode dalam pemrosesan deteksi sisi, yaitu Sobel, Prewitt,

Robert, Laplacian of Gaussian, dan Canny. Masing-masing memiliki operator dan

algoritma tersendiri. (Menurut www.uweb.ucsb.edu/~shahnam/AfED.doc)

2.3.2.9.1 Operator Sobel

Operator ini menggunakan konvolusi 3 x 3 seperti di bawah ini.

43

Gambar 2.15 : Gambar Operator Sobel

Kernel tersebut didesain untuk mendapatkan gradien x dan y pada suatu titik

pada citra. Lalu kedua gradien tersebut akan digabungkan dan didapat hasil sebuah

sudut. (Menurut www.uweb.ucsb.edu/~shahnam/AfED.doc)

2.3.2.9.2 Operator Robert

Operator Robert melakukan penghitungan gradien 2 dimensi yang sederhana dan

cepat dalam pengukuran sebuah citra. Operator ini pun memiliki 2 konvolusi kernel

seperti Sobel, yaitu :

Gambar 2.16 : Gambar Operator Robert

44

Kernel ini didesain untuk merespon gradien dengan sudut 45�. Perhitungan

selebihnya sama seperti pada operator Sobel. (Menurut

www.uweb.ucsb.edu/~shahnam/AfED.doc)

2.3.2.9.3 Operator Prewitt

Operator Prewitt sama seperti operator Sobel. Perbedaannya hanyalah di

konvolusi yang ditetapkan, yaitu :

Gambar 2.17 : Gambar Operator Prewitt

Original Sobel

45

Prewitt Robert

Laplacian Laplacian of Gaussian

Gambar 2.18 : Gambar Hasil Perbandingan Metode dalam Deteksi Sisi

2.3.3 Recognition

Masalah klasik dalam Computer Vision adalah menentukan apakah data gambar

tersebut mempunyai objek spesifik, feature, atau aktivitas (Menurut

http://en.wikipedia.org/wiki/Computer_vision). Bagian ini dapat diselesaikan secara

normal dengan tepat dan tanpa bantuan manusia, tetapi hasilnya masih belum dibilang

46

memuaskan dalam berbagai objek atau berbagai situasi. Metode yang ada bisa

menyelesaikan masalah ini namun hanya pada objek-objek spesifik, seperti objek

geometri, wajah manusia, karakter yang ditulis oleh manusia (hand-written character),

atau karakter pada plat kendaraan, dan hanya dalam situasi tertentu, biasanya dijelaskan

dalam sudut pandang atau ruang lingkup yang terbatas.

Contoh masalah-masalah dalam pengenalan :

Recognition : satu atau beberapa objek dapat dikenali, biasanya dengan posisi 2

dimensi atau 3 dimensi

Identification : objek / karakteristik dari seseorang dapat dikenali. Contoh,

pengenalan wajah, atau sidik jari

Detection : data gambar di-scan untuk tujuan tertentu. Contohnya, deteksi sel

abnormal dalam gambar medic atau deteksi kendaraan dalam sistem otomatis

jalan tol. Deteksi berdasarkan komputasi yang cepat dan relatif mudah dapat

digunakan untuk menemukan bagian yang kecil dari data gambar yang dapat

dianalisa lebih jauh untuk memberikan interpretasi yang tepat.

(Menurut Dr. Stephen J. Elliott, Dr. Mathias J. Sutton dalam papernya yang

berjudul Graduate Course Development in Biometrics)

2.3.3.1 Character Recognition

Character Recognition adalah salah satu contoh sistem pengenalan berupa

pengenalan huruf. Pengenalan huruf ini menggunakan citra sebagai medianya dan

ditangkap menggunakan alat optik, contohnya kamera, scanner. Maka dari itu,

Character Recognition sering disebut Optical Character Recognition atau OCR.

47

Pengenalan karakter ini dilakukan dengan mengambil fitur yang telah ditentukan

sebelumnya dan membandingkannya. Fitur tersebut sangat banyak, dapat berupa zoning,

end point, branch, dll.

2.3.3.2 Fingerprint Recognition

Setiap manusia, memiliki sidik jari yang berbeda satu sama lainnya, bahkan

orang yang kembar sekalipun. Karena itu, pengenalan sidik jari sangat berguna dalam

bidang keamanan. Dengan melakukan pengenalan sidik jari maka dapat ditentukan sidik

itu milik siapa.

Proses pengenalan ini dilakukan dengan input sidik jari seseorang berupa citra,

baik menggunakan tinta maupun digital scanner. Pengenalan dilakukan dengan

membandingkan fitur yang ada dari sidik jari, seperti whorl, arch, loop, dan ridge.

Keuntungan dari pengenalan ini adalah sidik jari sangat unik sehingga memberikan

akurasi yang tinggi, stabilitas yang lama dan cara input yang beragam. Sementara

kelemahannya adalah citra yang diambil dari sidik jari harus dilakukan preprocessing

yang sedikit rumit mengingat banyaknya noise yang mengganggu. (Menurut Nimalan

Solayappan and Shahram Latifi dalam papernya yang berjudul A Survey of Unimodal

Biometric Methods)

2.3.3.3 Face Recognition

Selain sidik jari, wajah setiap manusia pun memiliki keunikan, walaupun ada

yang mengatakan bahwa di dunia ini ada 3 orang yang memiliki wajah yang sama.

48

Tetapi, walaupun begitu pengenalan wajah ini memiliki akurasi yang keunikan yang

tinggi.

Pengenalan ini dilakukan dengan melakukan pengukuran jarak secara

keseluruhan antara mata, hidung, mulut dan bentuk rahang. Kelebihan dari sistem

pengenalan ini adalah rendahnya biaya yang dikeluarkan, citra dapat diambil tanpa

diketahui oleh orang yang bersangkutan. Sementara kelemahan dari sistem ini adalah

citra yang diambil sebagai database harus beragam untuk satu orang, seperti wajah saat

senyum, berkedip, tampil normal, dll. (Menurut Nimalan Solayappan and Shahram

Latifi dalam papernya yang berjudul A Survey of Unimodal Biometric Methods)

2.3.3.4 Keystroke Recognition

Pengenalan keystroke adalah pengenalan berdasarkan kebiasaan seseorang dalam

mengetik keyboard. Pengguna akan diminta untuk mengetik kata-kata yang telah

ditentukan sebelumnya. Fitur- fitur yang diambil adalah kecepatan kumulatif

pengetikan, waktu tenggang per karakter, waktu penekanan keyboard hingga diangkat

kembali, frekuensi seseorang menggunakan tombol lain dalam keyboard seperti num

pad atau tombol lain dan urutan penekanan pada saat mengetik huruf kapital.

(Menurut Nimalan Solayappan and Shahram Latifi dalam papernya yang berjudul A

Survey of Unimodal Biometric Methods)

49

2.4 Citra

Pengertian Citra Menurut berbagai sumber :

Murni (1992, p5)

Citra adalah keluaran suatu sistem perekaman data yang dapat bersifat optik

berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada

monitor televisi, atau bersifat digital sehingga dapat disimpan langsung pada

suatu pita magnetik.

Bariks (1990, p150)

Citra diartikan sebagai representasi dan dimensi dari bentuk tiga dimensi yang

nyata. Bentuknya dapat bervariasi dari foto hitam putih hingga sebuah gambar

bergerak dari TV berwarna.

Pearson (1991)

Citra adalah representasi dua dimensi dari dunia visual, menyangkut berbagai

macam disiplin ilmu yang mencakup seni, human vision, astronomi, Teknik, dsb.

Citra merupakan suatu kumpulan pixel-pixel atau titik-titik yang berwarna yang

berbentuk dua dimensi.

Wolfram Research, Inc. (2002)

Citra digital adalah sinyal diskrit 2 dimensi. Secara matematis, sinyal ini dapat

direpresentasikkan sebagai fungsi dari variable-variabel 2 dimensi. Setiap

elemen dari array disebut pixel.

50

2.4.1 Citra Biner

Citra Biner adalah citra digital yang hanya mempunyai dua nilai pada setiap

pixelnya, yaitu nol dan satu. Dalam konversi dari citra berwarna menjadi citra biner,

dibutuhkan threshold sebagai pembatas antara background dan foreground. Warna pada

citra biner juga sering disebut mono-cromatic, atau Black and White atau B&W.

2.4.2 Citra Digital

Citra Digital adalah representasi dari dua dimensi citra sebagai suatu set nilai

digital yang terbatas yang disebut elemen citra atau pixel. Citra digital terdiri dari

jumlah pixel per baris dan jumlah pixel per kolom yang terbatas. Citra Digital dapat

dibuat melalui variasi alat input dan Teknik, contohnya, kamera digital, scanner.

2.4.3 Model Warna

2.4.3.1 RGB

RGB merupakan singkatan dari Red(merah), Green(Hijau), dan Blue(Biru).

Sebuah model yang mendeskripsikan warna. Warna yang dimaksud disini lebih kepada

warna yang dihasilkan oleh cahaya seperti cahaya dari layar monitor, bukan warna yang

dipantulkan seperti tinta diatas kertas (Anonymous, 2004, Microsoft Windows XP

Glossary).

Ketiga macam sel kerucut didalam mata merspon warna merah, hijau, dan biru

dengan baik. Dengan mengubah prosentase dari campuran ketiga warna tersebut, maka

akan dihasilkan warna yang diinginkan. Jika nilai R, G, dan B bernilai nol, maka akan

menghasilkan warna hitam. Sebaliknya, jika nilai R, G, dan B bernilai maksimal, maka

51

akan menghasilkan warna putih. (Menurut

http://en.wikipedia.org/wiki/RGB_color_model)

Gambar 2.19 : Gambar Model RGB

2.4.3.2 CMYK

CMYK atau kependekan dari Cyan, Magenta, Yellow and Key (Black) adalah

model warna yang subtraktif dan sering digunakan untuk mencetak warna dari printer.

Tidak seperti RGB, CMYK tidak digunakan untuk menampilkan warna pada monitor,

tetapi pada kertas. Selain itu jika pada model warna RGB, terdapat warna putih, yaitu

cahaya yang masuk ke dalam warna sehingga tampak seperti lebih terang, warna hitam

berarti ’absen’nya warna putih tersebut. Berbeda dengan model warna CMYK, warna

hitam adalah kombinasi dari semua warna pada CMYK. (Menurut

http://en.wikipedia.org/wiki/CMYK_color_model)

Gambar 2.20 : Gambar Model Warna CMYK

52

2.4.3.3 HSL dan HSV

HSL dan HSV (sering juga disebut HSB) adalah 2 representasi yang saling

berkaitan dari model warna RGB, yang dapat mengkombinasikan warna lebih akurat

daripada model warna RGB. HSL merupakan singkatan dari Hue, Saturation, dan

Lightness, sedangkan HSV singkatan dari Hue, Saturation dan Value, dan HSB

singkatan dari Hue, Saturation dan Brightness.

HSV dan HSL mendeskripsikan warna sebagai titik dalam silinder di mana dari

bawah ke atas merupakan warna gelap ke warna terang dengan warna netral di

antaranya atau disebut dengan lightness, value atau brightness, sudut yang terbentuk

pada badan silinder tersebut merupakan jenis warna atau hue, dan jarak dari pusat ke

titik disebut saturation. (Menurut http://en.wikipedia.org/wiki/HSL_color_space)

Gambar 2.21 : Gambar Model Warna HSV

53

Gambar 2.22 : Gambar Model Warna HSV

Walaupun keduanya tampak sama, tetapi ada perbedaan di antara kedua model

warna tersebut. Keduanya sama-sama silinder, tetapi HSV dapat disebut sebagai kerucut

atas bawah, di mana paling bawah merupakan hitam dan paling atas merupakan putih.

Selain itu, saturation untuk masing-masing model warna berbeda jauh.

Gambar 2.23 : Gambar Perbedaan Model Warna HSL dan HSV

54

2.4.4 Pixel

Pixel adalah elemen gambar yang berisi informasi mengenai lokasi dan warna.

Pixel merupakan kependekan dari picture dan elemen, yakni elemen terkecil dari suatu

digital image (Anonymous, Apple Developer Documentation). Pixel juga disebut ’dot’.

Pixel berbentuk persegi dengan ukuran relatif kecil yang merupakan penyusun atau

pembentuk gambar bitmap. Keanekaragaman warna pixel tergantung dari bit depth yang

digunakan. Semakin banyak jumlah pixel tiap satuan luas, maka semakin baik kualitas

image yang dihasilkan namun ukuran file akan menjadi semakin besar.

Penggambaran pixel dapat terlihat jelas pada papan elektronik yang berfungsi

untuk memberikan informasi, contohnya, papan elektronik yang berada di airport,

supermarket, dan lain-lain. Dimana pada papan elektronik tersebut terdapat beberapa

kumpulan titik-titik, namun ketika salah satu kumpulan titik tersebut dilihat, maka akan

terlihat suatu karakter atau angka (Colberg, Christian, 2004 Assignment 8).

Gambar 2.24 : Gambar pixel yang diperbesar

Sebuah pixel pada titik P yang memiliki koordinat (x,y) memiliki hubungan titik-

titik secara horizontal dan vertikal, dimana koordinat itu adalah

55

P (x, y-1)

P (x-1, y) P (x, y) P (x+1, y)

P (x, y+1)

Menurut Gonzales dan Woods (1992, p40), kumpulan dari pixel-pixel ini disebut

dengan 4 neighbours of P, yang dituliskan dengan N4(P). Selain itu juga terdapat empat

diagonal neighbours terhadap titik P, yaitu :

P (x-1, y-1) P(x+1, y-1)

P (x, y)

P(x-1, y+1) P(x+1, y+1)

Empat diagonal neighbours ini dituliskan dengan ND(P). Kumpulan dari N4(P)

dan ND(P) biasanya dituliskan dengan N8(P).

P (x-1, y-1) P (x, y-1) P(x+1, y-1)

P (x-1, y) P (x, y) P (x+1, y)

P(x-1, y+1) P (x, y+1) P(x+1, y+1)

2.5 Feature Extraction

Menurut Wikipedia, Ekstraksi Fitur (Feature Extraction) diperlukan untuk

mengurangi dimensi dari data input yang ada. Ketika data diinput kedalam suatu

algoritma untuk diproses dan dianggap datanya redundant, maka data input diubah

kedalam suatu set representasi fitur (yang dinamakan vektor fitur). Pengubahan data

input ke dalam set fitur disebut dengan Feature Extraction. Jika fitur yang diekstrak

56

dipilih secara tepat, maka diharapkan set fitur tersebut dapat memberikan informasi

yang relevan dari data input untuk menjalankan tugas tertentu menggunakan suatu set

representasi, bukan dengan data input awal yang banyak.

Ekstraksi fitur merupakan tahap yang sangat penting dalam proses pengenalan.

Karena dengan adanya proses ekstraksi fitur, maka data yang harus diproses untuk

mengenali akan lebih sedikit dan akurat. Di samping itu fitur tersebut haruslah memiliki

keunikan tersendiri yang dapat menjadikan data tersebut menjadi milik seseorang atau

sesuatu secara unik.

Beberapa Teknik ekstraksi fitur antara lain (Menurut Rathna Ramaswamy dalam

papernya yang berjudul Performance Evaluation of Feature Extraction Algorithms for

Character Recognition)

Zoning

Zoning adalah ekstraksi fitur paling mudah dan mendasar dalam ekstraksi fitur.

Zoning membagi gambar ke dalam beberapa bagian, dan masing-masing bagian

dihitung jumlah pixel hitam atau putih per jumlah pixel yang ada.

Moments

Teknik ini digunakan sebagai fitur pola untuk mengenali dua dimensi pola

gambar. Fitur-fitur pola ini mengekstrak properti global dari gambar seperti, luas

bentuk, center of mass, moment of inertia, dan lain-lain.

Histogram

Histogram adalah grafik yang menunjukan distribusi dari pixel-pixel gambar

gray level (gray-level image). Histogram untuk gambar biasanya terdapat 2 jenis,

57

yaitu histogram yang memuat jumlah pixel dalam setiap titik X dan histogram

yang memuat jumlah pixel dalam setiap titik Y.

Image Registration

Image Registration adalah perbandingan antara dua atau lebih gambar, keduanya

spatially, dan berhubungan dengan intensitas.

Hough Transform

Teknik ini bisa digunakan untuk mendeteksi garis lurus, garis melengkung, atau

garis lain yang bisa dirumuskan dengan persamaan garis.

2.6 Plat Nomor

Plat nomor adalah salah satu jenis identifikasi kendaraan bermotor (Menurut

http://id.wikipedia.org/wiki/Plat_nomor). Plat nomor juga disebut plat registrasi

kendaraan, atau di Amerika Serikat dikenal sebagai plat izin (license plate). Bentuknya

berupa potongan plat logam atau plastik yang dipasang pada kendaraan bermotor

sebagai identifikasi resmi. Biasanya plat nomor jumlahnya sepasang, untuk dipasang di

depan dan belakang kendaraan. Namun ada jurisdiksi tertentu atau jenis kendaraan

tertentu yang hanya membutuhkan satu plat nomor, biasanya untuk dipasang di bagian

belakang. Plat nomor memiliki nomor seri yakni susunan huruf dan angka yang

dikhususkan bagi kendaraan tersebut. Nomor ini di Indonesia disebut nomor polisi, dan

biasa dipadukan dengan informasi lain mengenai kendaraan bersangkutan, seperti tahun

pembuatan, nomor identifikasi kendaraan atau VIN (Verification Identification

Number). Semua data ini hanya tertera dalam Surat Tanda Nomor Kendaraan Bermotor

58

atau STNK yang merupakan surat bukti bahwa nomor polisi itu memang ditetapkan bagi

kendaraan tersebut.

Karena wujudnya yang spesifik/unik, plat nomor juga digunakan sebagai

identifikasi kendaraan oleh banyak lembaga, seperti kepolisian, perusahaan asuransi

mobil, bengkel, tempat parkir, dan juga armada kendaraan bermotor. Di beberapa

wilayah jurisdiksi, plat nomor juga dipakai sebagai bukti bahwa kendaraan tersebut

sudah memiliki 'izin' untuk beroperasi di jalan raya umum, atau juga sebagai bukti

pembayaran pajak kendaraan bermotor.

Namun di beberapa negara, seperti Inggris misalnya, mobil selalu menggunakan

plat nomor yang sama sejak saat pertama dijual hingga akhir masa operasinya, dengan

pertimbangan semua informasi yang ada di plat nomor dan kendaraan bersangkutan juga

tidak pernah berubah.

Sementara di tempat lain, seperti Amerika Serikat, plat nomor perlu diganti

secara berkala yakni saat habis masa berlakunya, atau karena dijual atau berpindah

tangan. Ini yang dikenal dengan kebijakan "plate-to-owner" atau plat nomor yang terkait

dengan kepemilikan. Artinya, ketika mobil dijual, penjual harus melepas plat nomornya

sementara pembeli harus meminta plat nomor baru dari pihak berwenang sesuai wilayah

tempat tinggalnya dan mendaftarkan kembali atas namanya (balik nama). Bila orang

yang menjual mobil tersebut membeli mobil baru, ia dapat meminta agar plat nomornya

yang lama dipasang di mobilnya yang baru. Bila tidak, ia harus mengembalikan plat

nomor ke pihak berwenang, menghancurkannya, atau menyimpannya sebagai barang

kenangan.

59

Di banyak negara, plat nomor dikeluarkan oleh badan pemerintahan nasional,

kecuali di Kanada, Mexico, Australia, Jerman, Pakistan, dan Amerika Serikat, karena

plat nomor diterbitkan oleh lembaga pemerintah provinsi, wilayah, atau negara bagian.

Plat nomor usianya hampir sama dengan mobil, dan muncul saat periode awal

transisi dari kendaraan berkuda yakni antara 1890 hingga 1910. Negara bagian New

York di Amerika Serikat mengharuskan penggunaan plat nomor sejak tahun 1901.

Awalnya plat nomor tidak dikeluarkan pemerintah, dan di banyak wilayah Amerika,

para para pengendara diharuskan membuat plat nomor sendiri. Negara bagian

Massachusetts dan West Virginia adalah yang pertama menerbitkan plat nomor pada

tahun 1903. Plat nomor awal dibuat dari porselin yang dibakar menjadi besi, atau

keramik biasa yang tidak dibakar, sehingga mudah pecah dan tidak praktis. Bahan-

bahan plat nomor yang kemudian termasuk karton, kulit, plastik, bahkan juga tembaga

dan kedele.

Plat nomor awal memiliki bermacam bentuk dan ukuran, sehingga kalau

dipindahkan antar kendaraan harus dibuat lubang baru untuk memasukkan sekrup ke

bumper. Standarisasi plat nomor baru dimulai tahun 1957 saat pabrik mobil sepakat

dengan berbagai pemerintahan dan organisasi standar internasional. Meski masih ada

variasi lokal, plat nomor umumnya mengikuti tiga standar dunia:

Pertama yang dipakai di negara-negara di belahan Barat bumi, yakni berukuran

15 kali 30 cm (6 x 12 inci)

Bentuk yang kedua memiliki standar Uni Eropa, yakni 11 x 52 cm

60

Bentuk ketiga dipakai di Australia and banyak negara Asia-Pasifik, yakni lebih

panjang dibanding model negara belahan Barat bumi, namun lebih tinggi dari

plat Uni Eropa.

2.6.1 Plat Nomor Kendaraan Bermotor di Indonesia

Tanda Nomor Kendaraan Bermotor (TNKB), atau sering kali disebut plat nomor,

adalah plat alumunium tanda kendaraan bermotor di Indonesia yang telah didaftarkan

pada Kantor Bersama SAMSAT.

2.6.1.1 Sejarah Penggunaan Plat Nomor Kendaraan Bermotor di Indonesia

Penggunaan tanda nomor kendaraan bermotor di Indonesia, terutama di Jawa,

merupakan warisan sejak zaman Hindia Belanda, yang menggunakan kode wilayah

berdasarkan pembagian wilayah keresidenan.

2.6.1.2 Spesifikasi Teknis

Tanda Nomor Kendaraan Bermotor berbentuk plat aluminium dengan cetakan

tulisan dua baris.

Baris pertama menunjukkan: kode wilayah (huruf), nomor polisi (angka), dan

kode/seri akhir wilayah (huruf)

Baris kedua menunjukkan bulan dan tahun masa berlaku

Bahan baku TNKB adalah aluminium dengan ketebalan 1 mm. Ukuran TNKB

untuk kendaraan bermotor roda 2 dan roda 3 adalah 250x105 mm, sedangkan untuk

61

kendaraan bermotor roda 4 atau lebih adalah 395x135 mm. Terdapat cetakan garis lurus

pembatas lebar 5 mm diantara ruang nomor polisi dengan ruang angka masa berlaku.

Pada sudut kanan atas dan sudut kiri bawah terdapat tanda khusus (security

mark) cetakan lambang Polisi Lalu Lintas; sedangkan pada sisi sebelah kanan dan sisi

sebelah kiri ada tanda khusus cetakan "DITLANTAS POLRI" yang merupakan hak

paten pembuatan TNKB oleh Polri.

2.6.1.3 Warna

Warna Tanda Nomor Kendaraan Bermotor ditetapkan sebagai berikut:

Kendaraan bermotor bukan umum : Warna dasar hitam dengan tulisan berwarna

putih

Kendaraan bermotor umum: Warna dasar kuning dengan tulisan berwarna hitam

Kendaraan bermotor milik Pemerintah: Warna dasar merah dengan tulisan

berwarna putih

Kendaraan bermotor Corps Diplomatik Negara Asing: Warna dasar Putih dengan

tulisan berwarna hitam

2.6.1.4 Nomor Urut Pendaftaran

Nomor urut pendaftaran kendaraan bermotor, atau disebut pula nomor polisi,

diberikan sesuai dengan urutan pendaftaran kendaraan bermotor. Nomor urut tersebut

terdiri dari 1-4 angka, dan ditempatkan setelah Kode Wilayah Pendaftaran. Nomor urut

pendaftaran dialokasikan sesuai kelompok jenis kendaraan bermotor(untuk wilayah dki

jakarta):

62

1 - 2999, 8000 - 8999 dialokasikan untuk kendaraan penumpang

3000 - 6999, dialokasikan untuk sepeda motor

7000 - 7999, dialokasikan untuk bus

9000 - 9999, dialokasikan untuk kendaraan beban

Apabila nomor urut pendaftaran yang telah dialokasikan habis digunakan, maka

nomor urut pendaftaran berikutnya kembali ke nomor awal yang telah dialokasikan

dengan diberi tanda pengenal huruf seri A - Z di belakang angka pendaftaran. Apabila

huruf di belakang angka sebagai tanda pengenal kelipatan telah sampai pada huruf Z,

maka penomoran dapat menggunakan 2 huruf seri di belakang angka pendaftaran.

Khusus untuk DKI Jakarta, kendaraan motor dapat menggunakan hingga 3 huruf seri di

belakang angka pendaftaran.

2.7 Kendaraan

Kendaraan atau angkutan adalah alat transportasi selain makhluk hidup (Menurut

http://id.wikipedia.org/wiki/Kendaraan). Mereka biasanya buatan manusia (mobil,

motor, kereta, perahu, pesawat), tetapi bukan buatan manusia juga bisa disebut

kendaraan, seperti gunung es, dan batang pohon yang mengambang. Kendaraan dapat

digerak oleh hewan, seperti pedati.

Definisi Kendaraan berdasarkan PP Nomor 44 Tahun 1993

Kendaraan Bermotor adalah kendaraan yang digerakkan oleh peralatan teknik

yang berada pada kendaraan itu.

Sepeda Motor adalah kendaraan bermotor beroda dua, atau tiga tanpa penutup.

63

Mobil Penumpang atau kendaraan umumadalah setiap kendaraan bermotor yang

dilengkapi sebanyak-banyaknya 8 (delapan) tempat duduk tidak termasuk tempat

duduk pengemudi, baik dengan maupun tanpa perlengkapan pengangkutan

bagasi.

Bis adalah setiap kendaraan bermotor yang dilengkapi lebih dari 8 (delapan)

tempat duduk tidak termasuk tempat duduk pengemudi, baik dengan maupun

tanpa perlengkapan pengangkutan bagasi.

Mobil Barang adalah setiap kendaraan bermotor selain dari yang termasuk dalam

sepeda motor, mobil penumpang dan mobil bus.

2.8 ANPR

ANPR atau Automatic Number Plate Recognition adalah metode pengendalian

massa yang menggunakan pengenal karakter pada citra yang membaca karakter pada

plat nomor kendaraan bermotor. ANPR dapat digunakan untuk menyimpan citra yang

diambil melalui kamera serta melakukan pengenalan pada plat nomor kendaraan yang

ditangkap. Sistem ini pada umumnya menggunakan sinar infra merah pada kamera agar

dapat mengambil gambar kapan pun, siang ataupun malam. ANPR memiliki banyak

nama lain, yaitu Automatic Vehicle Identification (AVI), Car Plate Recognition (CPR),

Car Plate Reader (CPR), Licence Plate Recognition (LPR).

ANPR ditemukan pertama kali pada tahun 1976 oleh pengembangan ilmu dan

teknologi kepolisian di Inggris. Rancangan dari sistem ini bekerja hingga tahun 1979

dan kontrak ditawarkan kepada industri-industri, pertama kepada EMI Electronics lalu

kepada Computer Recognition System di Workingham, Inggris. Pertama kali sistem ini

64

diimplementasikan adalah di jalan A1 di Dartford Tunnel dan penangkapan pertama

adalah pencurian mobil pada tahun 1981.

Pada umumnya, sistem ANPR terdiri atas :

Kamera, digunakan untuk mengambil citra kendaraan.

Iluminasi, cahaya bantuan yang digunakan untuk meningkatkan kualitas citra

yang diambil, pada umumnya menggunakan sinar infra merah.

Frame Grabber, alat penghubung antara kamera dan PC, memungkinkan

aplikasi untuk membaca informasi dari citra yang diambil.

Komputer, alat bantu yang berisi sistem pengenal, database, dll yang dibutuhkan

untuk memproses aplikasi tersebut.

Software, aplikasi yang digunakan untuk melakukan pengenalan dan proses yang

dibutuhkan lainnya.

Hardware, berbagai macam alat input dan output yang digunakan untuk

membantu sistem ini.

Database, digunakan untuk menyimpan informasi yang didapat atau dibuat

sebelumnya.

Algoritma utama yang harus ada dalam sistem ANPR ini adalah :

Plate Localization, digunakan untuk menemukan posisi plat nomor yang

tertangkap dalam citra lalu memotongnya hingga citra hanya terdiri dari plat

saja.

65

Plate Orientation and Sizing, digunakan untuk memperbaiki bentuk geografi

dari citra sesuai dengan bentuk plat. Yang dilakukan seperti merotasi, skewing,

dll agar bentuk plat menjadi bagus.

Normalization, Mengatur terang dan kontras dari citra.

Character Segmentation, menemukan dan memisahkan karakter yang terdapat

dalam plat yang didapat menjadi masing-masing 1 karakter tersendiri.

Optical Character Recognition, digunakan untuk mengenali citra yang telah

disegmentasi sebelumnya merupakan karakter apa.

Syntactical / Geometrical Analysis, melakukan pengecekan karakter dan

posisinya berdasarkan aturan yang berlaku di masing-masing negara.

Berikut adalah salah satu gambar diagram alir dari aplikasi pengenalan karakter

pada plat nomor kendaraan yang pernah dibuat.

66

Gambar 2.25 : Gambar Diagram Alir Sistem ANPR

Kesulitan-kesulitan yang biasa dihadapi oleh sistem ANPR adalah sebagai

berikut :

Rendahnya kualitas resolusi citra, biasanya terjadi karena plat tersebut terlalu

jauh dan kamera yang digunakan berkualitas rendah.

67

Citra yang tidak jelas ataupun terdapat bagian yang tidak jelas dalam citra.

Kurangnya pencahayaan dan kontras yang rendah dikarenakan pantulan dan

bayangan.

Objek yang menempel pada plat seperti kotoran, warna karakter yang pudar, dll.

Plat yang tidak standar

Teknik yang kurang baik.

Saat ini aplikasi ini sudah banyak digunakan di berbagai negara maju dan

beberapa tempat pada negara berkembang. Beberapa jenis penggunaan aplikasi ini

adalah :

Sistem Parkir

Dalam sistem parkir, biasanya sistem ini digunakan untuk memasukkan

input nomor plat kendaraan yang ingin masuk agar dapat diketahui apakah ia

merupakan member ataupun menghitung biaya parkir yang dikenakan.

Akses Kontrol

Sistem ANPR juga sering digunakan untuk akses kontrol, yaitu untuk

membuka palang secara otomatis bagi kendaraan yang memiliki otoritas untuk

masuk serta mencatat waktu-waktu masuk dan keluar kendaraan tersebut untuk

dokumentasi.

68

Pembayaran Jalan Tol

Dalam pembayaran jalan tol, sistem ini digunakan untuk mencatat di

pintu mana ia masuk, sehingga pada saat keluar dapat ditentukan berapa biaya

yang dikenakan.

Pelanggaran Lalu Lintas

Sistem ini juga dapat mendeteksi pelanggaran lalu lintas yang dilakukan

oleh sebuah kendaraan lalu mengambil nomor plat kendaraan tersebut. Misalnya

kecepatan yang melebihi batas, melewati lampu merah, dll.

Pencarian Mobil Hilang

Dengan sistem ini dapat pula melakukan pencarian terhadap mobil yang

hilang. Dengan memasukkan nomor plat dari mobil yang hilang, maka jika

nomor plat tersebut ditemukan dapat segera dilaporkan keberadaan dan

waktunya, bahkan foto pengendaranya.

2.9 Flowchart

Menurut http://en.wikipedia.org/wiki/Flowchart, Diagram flowchart adalah

sebuah representasi secara skema dari sebuah algoritma atau sebuah proses. Flowchart

adalah satu dari tujuh alat dari pengontrolan kualitas yang biasa digunakan dalam

presentasi bisnis atau ekonomi untuk membantu para pembaca atau penonton agar

mereka dapat mengerti inti dari permasalahan yang ada.

69

Ada beberapa simbol dalam menggambarkan sebuah flowchart, yaitu :

Simbol Start dan End. Simbol ini berupa oval, biasanya didalamnya terdapat

tulian Start dan End, yang menyatakan tahap mulai atau tahap selesai suatu

proses.

Panah. Simbol ini berupa panah yang menyatakan pengalihan kontrol dari ujung

panah yang satu ke yang lain (lancip).

Tahapan proses, direpresentasikan dengan kotak, biasanya berisi sebuah proses.

Misalnya, X=X+4

Input / Output, direpresentasikan dengan jajaran genjang. Misalnya, ambil nilai

X / cetak X.

Pengambilan keputusan, dirpresentasikan dengan kotak diamond. Biasanya

berisi tentang pengmbilan keputusan atau pertanyaan Ya/Tidak atau True/False.

Ada 2 panah yang keluar dari kotak diamond ini, yaitu panah yang satu

menunjukan True / Benar dan panah yang lainnya menunjukan Salah / False.

70

Ada pula simbol yang lainnya yang jarang digunakan :

o Dokumen, direpresentasikan dengan kotak dengan alas ombak.

o Manual Input, direpresentasikan dengan kotak dengan atasnya berupa

tanjakan keatas dari kiri ke kanan.

o Manual Operation, direpresentasikan dengan trapesium terbalik.

o Data, direpresentasikan dengan silinder.

71

o Halaman selesai / halaman baru, direpresentasikan dengan lingkaran.

Di halaman pertama, jika sudah tidak memiliki tempat untuk meneruskan

penggambaran diagram, maka panah dari simbol terakhir harus tertuju

pada simbol ini.

Di halaman kedua, diagram yang akan dilanjutkan harus dimulai dengan

simbol ini.

Kemudian, panah ini menuju pada simbol berikutnya.

2.10 State Transition Diagram

Berdasarkan buku Systems analysis and design methods (Jeffrey L. Whitten,

Lonnie D. Bentley, Kevin C. Systems analysis and design methods. Dittman 6th. Tahun

2004), State Transition Diagram adalah diagram yang digunakan untuk mewakili

sekuensi dan variasi dari layar-layar yang akan muncul ketika pengguna sistem

menjalankan sebuah program atau aplikasinya. Maksud dari layar adalah tampilan layar,

jendela, ataupun sebuah box dialog (dapat berupa peringatan atau pesan). Ada pun 2

simbol yang digunakan dalam diagram ini :

Kotak, mewakili tampilan layar.

72

Panah, mewakili arah kontrol dan menampilkan event yang menyebabkan layar

menjadi aktif (aktif, dalam arti user dapat memasukkan input) atau mendapatkan

fokus.

Arah panah menunjukan aliran dimana layar akan muncul atau terjadi.