PENENTUAN UKURAN BAJU PRIA PADA ONLINE SHOP BERBASIS ...
Transcript of PENENTUAN UKURAN BAJU PRIA PADA ONLINE SHOP BERBASIS ...
PENENTUAN UKURAN BAJU PRIA PADA ONLINE SHOP
BERBASIS PENGOLAHAN CITRA
TUGAS AKHIR
Disusun dalam rangka memenuhi salah satu persyaratan
Untuk menyelesaikan program Strata-1 Departemen Teknik Informatika
Fakultas Teknik Universitas Hasanuddin
Makassar
Disusun Oleh
DEPARTEMEN TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS HASANUDDIN
MAKASSAR
2018
SISKA ROSARI PUTRIANI
D421 13 020
ABSTRAK
Online shop dianggap praktis karena konsumen dan produsen dapat
bertransaksi tanpa harus bertatap muka sehingga berdampak pada penghematan
waktu dan tenaga. Namun hal ini masih dianggap kurang memuaskan konsumen
karena hanya mengandalkan gambar dan tabel ukuran variatif yang menyulitkan
konsumen memilih ukuran. Penelitian ini bertujuan untuk membuat suatu sistem
berbasis web yang mampu mengetahui ukuran baju konsumen sebuah Online Shop
menggunakan webcam dan software Matlab untuk mengolah foto konsumen.
Dalam proses pengambilan gambar, citra yang dihasilkan tidak selalu memiliki
kualitas yang baik, kadang terdapat banyak cahaya, atau ada bagian yang terlihat
samar sehingga gambar tidak terlihat jelas. Oleh sebab itu, digunakan teknik
perbaikan kualitas citra untuk meningkatkan hasil citra konsumen. Metode Contras
Limited Adaptive Histogram Equalization (CLAHE) merupakan variasi
peningkatan kualitas citra AHE dan HE. Cara kerja CLAHE adalah membuat blok-
blok kecil di citra, kemudian meningkatkan nilai kontras blok-blok tersebut dengan
tidak berlebihan. Hasil pengolahan citra kemudian diterapkan pada Metode
Geometri untuk mencari nilai skala dimana nilai skala ini akan digunakan untuk
mengubah pixel menjadi centimeter (cm). Adapun nilai skala yang didapat adalah
y = 0,255x – 14,69. Berdasarkan hasil pengujian sistem, hasil akurasi yang
didapatkan pada penelitian ini mencapai 93.3% yaitu 28 benar dari total 30
responden dengan rata-rata waktu proses pengolahan sistem selama 21.62 detik.
Kata Kunci: Online Shop, Pengolahan citra, CLAHE, Metode Geometri.
KATA PENGANTAR
Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala
anugerah dan rahmat-Nya sehingga penulis dapat menyelesaikan skripsi dengan
judul “Penentuan Ukuran Baju Pria pada Online Shop berbasis Pengolahan Citra”
sebagai salah satu syarat penyelesaian studi strata 1 pada program studi Teknik
Informatika Universitas Hasanuddin.
Penulis menyadari bahwa dalam penyusunan skripsi ini banyak kendala
yang dihadapi, namun penulis mendapatkan bantuan, bimbingan, dan dukungan
dari berbagai pihak. Maka pada kesempatan ini, penulis menyampaikan ucapan
terima kasih yang sebesar-besarnya kepada:
1. Tuhan Yang Maha Esa atas segala berkat, karunia, dan pertolongan-Nya kepada
penulis dari awal, pertengahan hingga akhir penulisan skripsi ini.
2. Orang Tua yang senantiasa memberi motivasi, mengosongkan segala jadwal
latihan dan pertandingan dan bertanya “kapan lulus?” serta “sudah selesai daftar
ATC nak?” yang membuat penulis sadar segala tatanan masa depan yang telah
disiapkan oleh kedua orangtua.
3. Bapak Dr. Indrabayu, ST, MT, M.Bus.Sys dan selaku Pembimbing I atas
kesabarannya memberikan motivasi, bimbingan, bantuan dan arahannya selama
penelitian.
4. Ibu Anugrayani Bustamin, ST, MT, selaku Pembimbing II yang telah memberi
banyak bimbingan dan masukan selama penelitian.
5. Bapak, Ibu dosen serta segenap anggota Lab AIMP atas segala dukungan
selama menjadi bagian dari Lab AIMP.
6. Teman-teman F3, Informatika 2013, dan Taekwondo Palopo atas motivasi yang
diberikan kepada penulis.
7. Serta R yang selalu memberikan dukungan, semangat serta mengingatkan
penulis agar mengerjakan Tugas Akhir.
Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan. Oleh
karena itu penulis berharap agar pembaca dapat memberi kritik serta saran yang
membangun demi penyempurnaan Skripsi ini.
Penulis berharap agar kiranya skripsi ini dapat memberikan manfaat bagi
pembaca dan kontribusi yang besar untuk kepentingan bersama.
Makassar, 31 Mei 2018
Penulis
DAFTAR ISI
halaman
HALAMAN JUDUL .................................................................................. i
LEMBAR PENGESAHAN ...................................................................... ii
ABSTRAK .................................................................................................. iii
KATA PENGANTAR ............................................................................... iv
DAFTAR ISI .............................................................................................. vi
DAFTAR GAMBAR ................................................................................. ix
DAFTAR TABEL ...................................................................................... xi
BAB I PENDAHULUAN ........................................................................... 1
1.1 Latar Belakang .......................................................................... 1
1.2 Rumusan Masalah ..................................................................... 3
1.3 Tujuan Penelitian ..................................................................... 3
1.4 Manfaat Penelitian .................................................................. 3
1.5 Batasan Masalah Penelitian ...................................................... 3
1.6 Sistematika Penulisan ............................................................... 4
BAB II TINJAUAN PUSTAKA ................................................................ 6
2.1 Website ..................................................................................... 6
2.2 Online Shop ............................................................................... 7
2.3 PHP ........................................................................................... 11
2.4 Mysql......................................................................................... 12
2.5 Matlab ....................................................................................... 14
2.6 Citra Digital ............................................................................... 15
2.7 Pengolahan Citra ....................................................................... 17
2.8 Grayscale .................................................................................. 21
2.9 Thresholding ............................................................................ 22
2.10 Contrast Limited Adaptive Histogram Equalization .............. 23
2.11 Metode Geometri ................................................................... 24
2.12 Penelitian Terkait ................................................................... 25
BAB III METODOLOGI PENELITIAN.................................................... 27
3.1 Tahapan Penelitian .................................................................... 27
3.2 Lokasi dan Waktu Penelitian ................................................... 28
3.3 Instrumen Penelitian.................................................................. 29
3.4 Populasi dan Sampel Data ........................................................ 29
3.5 Perancangan Sistem .................................................................. 30
3.5.1 Input .................................................................................... 30
3.5.2 Preprocessing ...................................................................... 31
3.5.3 Penentuan Ukuran ............................................................... 40
3.6 Perancangan Web ...................................................................... 41
3.6.1 Perancangan Tampilan Utama ............................................ 41
3.6.2 Perancangan Tampilan Ambil Gambar ................................ 41
3.6.3 Perancangan Tampilan Hasil Ukuran ................................. 42
3.7 Analisis Kinerja Sistem ............................................................. 43
BAB IV HASIL DAN PEMBAHASAN .................................................... 44
4.1 Hasil Kinerja Sistem pada Web ................................................ 44
4.2 Hasil pengukuran badan ........................................................... 45
4.3 Rata-rata Waktu Pengukuran ................................................... 45
4.4 Hasil pengukuran badan ........................................................... 51
BAB V PENUTUP ..................................................................................... 55
5.1 Kesimpulan .............................................................................. 55
5.2 Saran ......................................................................................... 56
DAFTAR PUSTAKA ................................................................................ 57
LAMPIRAN ............................................................................................... 59
DAFTAR GAMBAR
Nomor halaman
Gambar 2.1 Online Shop .................................................................................... 8
Gambar 2.2 Alur Transaksi Online Shop ........................................................... 8
Gambar 2.3 Proses Pengolahan Citra ........................................................ 18
Gambar 2.4 (a) Citra Lena Asli (b) Citra Lena setelah ditajamkan .......... 19
Gambar 3.1 Tahapan penelitian ................................................................. 27
Gambar 3.2 Desain Sistem ......................................................................... 30
Gambar 3.3 (a) Posisi laptop dan jarak pengambilan gambar 75 cm
(b) bagian bahu responden tidak terpotong oleh batas sisi kamera…….. ... 31
Gambar 3.4 Alur Preprocessing ................................................................ 31
Gambar 3.5 (a) Citra grayscale responden (b) Pixel region proses
grayscale citra responden .......................................................................... 32
Gambar 3.6 Proses peningkatan kontras oleh CLAHE .............................. 32
Gambar 3.7 (a) histogram citra sebelum pemberian cliplimit (b)
histogram setelah pemberian cliplimit ........................................................ 33
Gambar 3.8 (a) histogram cliplimit 0,01, distribusi uniform (b) citra
responden hasil clahe .................................................................................. 34
Gambar 3.9 Citra hasil Threshold .............................................................. 35
Gambar 3.10 (a) citra sebelum operasi pembersihan noise (b) citra
Setelah pembersihan noise .......................................................................... 36
Gambar 3.11 (a) penentuan centroid (b) pembuatan boundary citra .......... 36
Gambar 3.12 hasil crop citra ....................................................................... 37
Gambar 3.13 Tampilan utama web ............................................................. 41
Gambar 3.14 Tampilan opsi Ukuranku (My Size) untuk ambil gambar ..... 42
Gambar 3.15 Tampilan hasil ukur ............................................................... 42
Gambar 4.1 Citra responden tidak sesuai skenario .................................... 54
DAFTAR TABEL
Nomor halaman
Tabel 3.1 Penskalaan............................................................................................. 38
Tabel 3.2 Range ukuran lebar bahu Pria ............................................................... 40
Tabel 3.3 Struktur Database table hasil ukur ....................................................... 43
Tabel 4.1 Hasil pengujian web .............................................................................. 44
Tabel 4.2 Hasil prediksi ukuran pada skenario pertama ....................................... 46
Tabel 4.3 Hasil prediksi ukuran pada skenario kedua ........................................... 48
Tabel 4.4 Kesalahan prediksi pada skenario pertama ............................................ 51
Tabel 4.5 Kesalahan prediksi pada skenario kedua .............................................. 52
BAB I
PENDAHULUAN
1.1 Latar Belakang
Online shop merupakan sarana untuk menjual barang atau jasa melalui
internet yang mengubah paradigma kegiatan proses jual-beli antara produsen
dan konsumen. Barang yang diperjual-belikan ditawarkan melalui display
dengan gambar yang ada di suatu website atau toko maya sehingga dapat
bertransaksi tanpa kontak secara fisik (Susrini, 2010).
Hasil riset Veritrans dan DailySocial menunjukkan bahwa penjualan
retail terbanyak melalui internet di Indonesia adalah pakaian. Namun, model
dan ukuran yang variatif membuat konsumen kesulitan dalam menentukan
pilihan maupun ukuran yang pas dengan badannya (Prasetio, 2012)
Berbagai solusi telah ditawarkan, seperti penelitian menggunakan
kamera Kinect yang dilengkapi IR Projector yang mampu memberikan
informasi depth, namun kamera ini tergolong mahal karena harganya mencapai
1,5 juta (Purwanto, 2015). Penelitian menggunakan kamera DSLR Sony
Cyber-shot lalu diproses pada perangkat terpisah, pada penelitian ini digunakan
antropometri manusia sebagai dasar perhitungan dan pengukuran, penelitian
ini masih berbentuk offline (Supriyanto, 2011). Penelitian menggunakan
kamera digital Canon IXUS sebagai media pengambilan gambar, dimana pada
proses pengambilan gambar responden tidak mengenakan baju. Nilai error
pengukuran bervariasi dalam kisaran 2,06 mm sampai 3,15 mm (Patrick,
2004).
Dari penelitian di atas, penentuan ukuran badan pada manusia
menggunakan citra hasil kamera diproses pada lebih dari satu perangkat, dan
masih secara offline. Oleh karena itu pada penelitian ini, akan dibuat sebuah
sistem yang mampu beroperasi dengan satu perangkat dalam mengambil dan
mengolah citra, kemudian informasi pengolahan citra akan ditampilkan pada
web sebagai hasil pengukuran badan konsumen tersebut.
Dalam proses pengambilan gambar, citra yang dihasilkan tidak selalu
memiliki kualitas yang baik, kadang terdapat banyak cahaya, atau ada bagian
yang terlihat samar sehingga gambar tidak terlihat jelas. Oleh sebab itu,
digunakan metode CLAHE serta nilai ambang batas Thresholding dalam
penelitian ini.
Metode Contras Limited Adaptive Histogram Equalization (CLAHE)
merupakan variasi peningkatan kualitas citra AHE dan HE. Cara kerja CLAHE
adalah membuat blok-blok kecil di citra, kemudian meningkatkan nilai kontras
blok-blok tersebut. CLAHE berfungsi untuk mengurangi derau pada citra (Rai,
2012). Berdasarkan pemaparan di atas, maka pada penelitian ini akan
dirancang “Penentuan Ukuran Pakaian pada Online Shop Berbasis
Pengolahan Citra”.
2.2 Rumusan Permasalahan
1. Bagaimana cara mengolah citra untuk mendapatkan hasil ukuran melalui
sistem yang dibangun?
2. Bagaimana menampilkan hasil pengukuran dan memberikan hasil
pengukuran baju pada konsumen dengan sistem yang dibangun?
2.3 Tujuan Penelitian
Tujuan akhir penelitian ialah :
1. Menghasilkan sebuah sistem yang mampu mengolah citra untuk
mendapatkan ukuran baju dari konsumen.
2. Menghasilkan sebuah sistem yang mampu menampilkan dan memberikan
hasil pengukuran pakaian pada konsumen.
2.4 Manfaat Penelitian
1. Bagi produsen, sistem ini dapat digunakan dalam pengembangan online
shop yang ditanamkan pada website guna membantu konsumen dalam
transaksi jual-beli dan meningkatkan kualitas online shop.
2. Bagi konsumen, sistem ini dapat digunakan sebagai solusi dalam
menentukan ukuran baju yang hendak dibeli.
2.5 Batasan Masalah
Adapun yang menjadi batasan masalah dalam penelitian ini ialah :
1. Penelitian ini mendeteksi ukuran badan dengan menggunakan resolusi
kamera 320 x 240 pixel dengan webcam PC.
2. Penelitian ini hanya ditujukan untuk mengukur badan pria karena terdapat
beberapa faktor dalam penentuan ukuran serta banyaknya varian pada
pakaian wanita.
3. Warna latar dan baju yang digunakan pada pengambilan gambar harus
berbeda dan polos.
4. Penelitian ini hanya ditujukan untuk pengukuran kaos.
2.6 Sistematika Penulisan
Laporan Tugas Akhir ini dibagi dalam lima Bab yang tersusun secara
sistematis, yakni :
BAB I PENDAHULUAN
Bab ini menjelaskan tentang latar belakang pengambilan judul Penentuan
Ukuran Pakaian pada Online Shop Berbasis Pengolahan Citra sebagai skripsi,
perumusan masalah, tujuan penelitian, batasan masalah, metode penulisan dan
sistematika penulisan.
BAB II LANDASAN TEORI
Bab ini membahas tentang penjelasan umum mengenai teori-teori yang
berkaitan dengan konsep dasar Online shop dan teknik pengolahan citra untuk
penentuan ukuran badan.
BAB III METODOLOGI PENELITIAN
Bab ini membahas mengenai bagaimana perancangan sistem penentuan ukuran
badan pria untuk Online shop berbasis pengolahan citra dan konsep
perancangannya.
BAB IV HASIL DAN PEMBAHASAN
Bab ini membahas mengenai eksekusi sistem serta hasil dan pembahasan hasil
pengujian
BAB V PENUTUP
Bab ini berisi kesimpulan dan saran dari penelitian yang dilakukan.
BAB II
TINJAUAN PUSTAKA
2.1 Website
Website adalah kumpulan dari beberapa halaman web dimana informasi
dalam bentuk teks, gambar, suara dan lain-lain dipresentasikan dalam bentuk
hypertext dan dapat diakses oleh perangkat lunak yang disebut dengan browser.
Informasi pada sebuah website pada umumnya ditulis dalam format HTML.
Website merupakan fasilitas internet yang menghubungkan dokumen dalam
lingkup lokal maupun jarak jauh. Dokumen pada website disebut dengan webpage
dan link yang memungkinkan pengguna bisa berpindah dari satu page ke page lain
(hyper text), baik diantara page yang disimpan dalam server yang sama maupun
server di seluruh dunia. Pages diakses dan dibaca melalui browser seperti Netscape
Navigator atau Internet Explorer dan lain sebagainya (Lukmanul, 2004).
Secara umum, website dikelompokkan berdasarkan fungsi, sifat dan
bahasanya, antara lain (Yuhefizar, 2009) :
1. Berdasarkan sifat :
a) Website dinamis
Merupakan website yang memiliki isi yang berubah-ubah setiap
saat, contohnya website berita.
b) Website statis
Merupakan website yang memiliki isi yang tetap atau jarang
diubah, misalnya web profile perusahaan.
2. Berdasarkan tujuan :
a) Personal web
Merupakan web yang berisi informasi dari pribadi seseorang.
b) Corporate web
Website yang dimiliki oleh sebuah perusahaan.
c) Portal web
Website yang memiliki layanan banyak, seperti berita e-mail dan
jasa lainnya.
d) Forum web
website yang dibuat memiliki tujuan sebagai media diskusi.
3. Berdasarkan segi bahasa :
a) Server side
Website yang dibuat menggunakan Bahasa pemrograman yang
disesuaikan dengan server.
b) Client side
Website yang tidak membutuhkan server untuk menjalankannya.
2.2 Online Shop
Online Shop atau Toko Online merupakan tempat berjualan yang sebagian
besar aktivitasnya berlangsung secara online di internet. Online shop menjadi bisnis
yang berpeluang besar karena tidak memiliki batas pasar (Yusuf, 2012).
Gambar 2.1 Online Shop (Tokopedia, 2018)
Ada dua mekanisme dalam pembayaran di toko online yaitu jalur online dan
jalur non-online. Pembeli dapat melangsungkan pembayaran secara online dengan
kartu kredit, layanan intenet banking atau dengan menggunakan paypall, e-gold,
dan alat pembayaran online lainnya. Sementara pembeli yang memilih pembayaran
non-online dilakukan dengan cara Cash on delivery (COD) dimana transaksi ini
dilakukan saat pembeli bersedia membayar barang jika pihak penjual
mengantarkannya ke alamat pembeli. Secara garis besar alur transaksi dapat dilihat
pada gambar berikut:
Gambar 2.2 Alur Transaksi Online Shop (Susrini, 2010)
Internet menawarkan sejuta harapan di bidang ekonomi, hampir semua
aktivitas perdagangan (jual-beli) dengan mudah dilakukan oleh sebagian orang
yang terhubung dengan jaringan world wide web. Berikut beberapa kelebihan dan
kekurangan internet dalam perdagangan online :
1. Kelebihan
a) Potensi ceruk pasar yang luas
Perdagangan online mampu menjangkau pasar yang lebih luas
dibandingkan perdagangan offline. Melalui jaringan internet, dapat
membantu pemasaran dan penetrasi secara online, yang dijalankan
hingga mencakup semua daerah hingga lintas negara.
b) Biaya operasional dapat dihemat
Biaya operasional cenderung lebih murah dibandingkan
perdagangan berbasis offline. Perdagangan online dapat dikerjakan dari
rumah dan darimana saja, tidak membutuhkan biaya operasional yang
relatif tinggi.
c) Mampu operasional 24 jam
Jam kerja perdagangan online tidak terbatas. Karena dalam
menjalankan perdagangan online yang bekerja adalah sistem, sehingga
tugas penjual atau pelaku usaha hanya memberikan follow up atas
permintaan yang telah diterima sistem.
d) Kemudahan pelayanan pada konsumen
Pelayanan dengan fasilitas online yang mendukung diberikan
kepada para konsumen. Contoh: untuk pembayaran dapat dilakukan
dengan mencantumkan nomor rekening bisnis anda, sehingga hasil
omset penjualan dapat langsung diterima.
e) Modal relatif kecil
Dalam bisnis online, modal bukan hal utama bagi para penjual atau
pemilik. Karena banyak peluang yang dapat dijalankan dengan modal
relatif kecil bahkan tanpa modal sama sekali, modal utama yang harus
dimiliki adalah fasilitas komputer dan jaringan internet.
f) Tidak memerlukan gudang dan tempat luas untuk stok barang
Para penjual tidak perlu memiliki tempat khusus untuk menyimpan
barang atau gudang besar untuk stok barang, sehingga bisa menghemat
biaya gudang atau sewa tempat.
g) Media promosi yang efektif
Promosi secara online lebih efektif, karena dalam prosesnya
penjual mampu membidik target pasar dengan menyesuaikan konten
yang up to date. Sehingga dengan adanya informasi yang ada pada situs,
penjual mampu memetakan pangsa pasar yang akan dituju.
2. Kekurangan
a) Ancaman virus
Salah satu masalah dalam dunia internet adalah ancaman virus
yang selalu berkembang. Berbagai macam virus yang telah tersebar
secara bevariatif, khususnya menyebar lewat jaringan internet baik
secara e-mail maupun file yang diunduh.
b) Tindakan kejahatan internet (cybercrime)
Tindak kejahatan yang terjadi di internet sering terjadi, contoh: hacking,
yaitu proses masuk secara ke situs tertentu yang dilakukan oleh hacker.
Selain itu, cracking, yaitu kegiatan hacking yang tidak hanya masuk
secara paksa, namun juga mengambil dan merusak data dari situs
tersebut.
2.3 PHP
PHP merupakan singkatan dari “Hypertext Preprocessor”, adalah sebuah
bahasa dalam HTML scripting tingkat tinggi yang bersifat open source. Bahasa
PHP sebagian besar mirip dengan bahasa C, Java dan juga Perl, perbedaaanya
hanya PHP memiliki beberapa fungsi yang lebih spesifik. Sedangkan tujuan yang
paling utama bahasa ini digunakan adalah untuk memungkinkan pengguna untuk
merancang web yang dinamis. Dinamis berarti halaman yang akan ditampilkan
dibuat saat halaman itu diminta oleh client. Mekanisme ini menyebabkan infomasi
yang diterima client selalu yang terbaru / up to date. Semua script PHP dieksekusi
pada server dimana script tersebut dijalankan, sedangkan yang dikirimkan kepada
browser adalah hasil proses dari script tersebut yang sudah berbentuk HTML
(Kadir, 2002)
Php memiliki kelebihan-kelebihan yaitu :
1. Membuat website menjadi dinamis,
2. Tersedia baik di Windows maupun Linux
3. Memiliki sintaks yang mirip dengan C sehingga mudah untuk dipelajari.
4. Mendukung banyak database
5. Program atau aplikasi yang dibuat dengan php dapat berjalan di semua
web browser.
Cara kerja PHP, disaat browser meminta dokumen berekstensi PHP, web
server langsung menggunakan modul PHP agar dokumen dapat diolah. apabila
pada dokumen terdapat fungsi yang mengakses database maka modul PHP
menyambung pada database server yang bersangkutan. Dokumen berformat PHP
diikirim kembali ke web server dalam format HTML, sehingga kode PHP tidak
terlihat disisi browser.
2.4 Mysql
Mysql adalah sistem manajemen basis data relasi yang bersifat terbuka atau
open source. Dalam bahasa Inggris disebut database management system atau
DBMS. Mysql merupakan database server yang berhubungan erat dengan PHP.
Mysql menggunakan bahasa standar SQL (Structure Query Language) sebagai
bahasa interaktif dalam mengelola data. Perintah SQL sering juga disebut Query.
Mysql menawarkan berbagai keunggulan dibandingkan database server lain
(Kroenke, 2005). Adapun kelebihan Mysql adalah :
1. Portabilitas
Mysql dapat berjalan di hampir semua sistem operasi seperti windows,
linux dan sistem operasi yang lain.
2. Open Source
Mysql didistribusi secara open source, dibawah lisensi GPL. Sehingga
dapat dipakai secara gratis.
3. Multiuser
Mysql dapat digunakan oleh beberapa user dalam waktu yang sama tanpa
konflik.
4. Performance tuning
Mysql memiliki kecepatan yang bagus dalam hal menangani query
sederhana, sehingga Mysql dapat memproses lebih banyak SQL per satuan
waktu.
5. Jenis Kolom
Mysql memiliki tipe kolom yang sangat kompleks.
6. Perintah dan Fungsi
Mysql memiliki operator dan fungsi secara penuh yang mendukung
perintah select, edit dan query yang lainnya.
7. Keamanan
Mysql memiliki lapisan sekuritas seperti subnetmask, host, dan izin akses
user dengan sistem perizinan yang mendetail dan sandi yang terenkripsi.
8. Skalabilitas dan Pembatasan
Mysql mampu menangani data dalam jumlah atau cakupan yang besar.
9. Konektivitas
Mysql dapat melakukan koneksi dengan dapat menggunakan banyak
protokol TCP/IP, Unix soket (UNIX), atau Named Pipes (NT).
10. Klien dan Peralatan
Mysql dilengkapi dengan berbagai peralatan (tool) yang dapat digunakan
untuk administrasi basis data, dan pada setiap peralatan yang ada disertakan
petunjuk online.
2.5 MATLAB
Matlab atau Matrix laboratory adalah software yang memudahkan untuk
melakukan komputasi numerik, dikembangkan oleh The MathWorks. Matlab telah
dilengkapi oleh berbagai toolbox yang dapat memudahkan untuk melakukan
komputasi numerik. Matlab memadukan komputasi, visualisasi dan pemrograman
yang mudah digunakan dalam menyelesaikan masalah notasi matematika. Matlab
lebih khusus digunakan untuk: matematika dan komputasi, pengembangan
algoritma, penambahan data, pemodelan, simulasi, analisis eksplorasi dan
visualisasi, teknik grafik, perancangan antar-muka pada grafika.
Matlab merupakan bahasa pemrograman yang hadir dengan fungsi dan
karakteristik yang berbeda dengan bahasa pemrograman lain yang sudah ada lebih
dahulu seperti Delphi, Basic maupun C++. Matlab hadir dengan membawa warna
yang berbeda. Hal ini karena matlab membawa keistimewaan dalam fungsi-fungsi
matematika, fisika, statistik, dan visualisasi. Matlab pada awalnya dikembangkan
untuk memberikan kemudahan mengakses data matrik pada proyek LINPACK dan
EISPACK. Saat ini matlab memiliki ratusan fungsi yang dapat digunakan sebagai
problem solver mulai dari yang sederhana sampai masalah-masalah yang rumit dari
berbagai disiplin ilmu (Firmansyah, 2007).
2.6 Citra Digital
Citra digital merupakan representatif dari citra yang diambil oleh mesin
dengan bentuk pendekatan berdasarkan sampling dan kuantitasi. Sampling
menyatakan besarnya kotak-kotak yang disusun dalam baris dan kolom, dengan
kata lain, sampling pada citra menyatakan besar kecilnya ukuran pixel (titik) pada
citra, dan kuantitasi menyatakan besarnya nilai tingkat kecerahan yang dinyatakan
dalam nilai tingkat keabuan (grayscale) sesuai dengan jumlah bit biner yang
digunakan oleh mesin, dengan kata lain kuantitasi pada citra menyatakan jumlah
warna yang ada pada citra (Basuki 2005:4).
Ada banyak cara untuk menyimpan citra digital di dalam memori. Cara
penyimpanan menentukan menentukan jenis citra digital yang terbentuk. Beberapa
jenis citra digital yang sering digunakan adalah citra biner, citra grayscale dan citra
warna (Sutoyo, 2009:21).
1) Citra Biner (Monokrom)
Banyaknya dua warna, yaitu hitam dan putih. Dibutuhkan 1 bit di
memori untuk menyimpan kedua warna ini.
2) Citra Grayscale (Skala Keabuan)
Banyaknya warna tergantung pada jumlah bit yang disediakan di
memori untuk menampung kebutuhan warna ini. Citra 2 bit mewakili 4
warna, citra 3 bit mewakili warna, dan seterusnya. Semakin besar jumlah bit
warna yang disediakan di memori, semakin halus gradasi warna yang
terbentuk.
3) Citra Warna (True Color)
Setiap pixel pada citra warna mewakili warna yang merupakan
kombinasi dari tiga warna dasar (RGB = Red Green Blue). Setiap warna
dasar menggunakan penyimpanan 8 bit = 1 byte, yang berarti setiap warna
mempunyai gradasi sebanyak 255 warna. Artinya, setiap pixel mempunyai
kombinasi warna sebanyak 28 x 28 x 28 = 224 = 16 juta warna lebih. Format
ini dinamakan true color karena mempunyai jumlah warna yang cukup
besar sehingga bisa dikatakan hampir mencakup semua warna di alam
(Sutoyo, 2009:21).
Selain jenis-jenis citra, ada pula elemen-elemen yang terdapat pada
citra, yaitu :
1) Kecerahan (Brightness)
Merupakan intensitas cahaya yang dipancarkan pixel dari citra yang
dapat ditangkap oleh sistem penglihatan. Kecerahan pada sebuah titik
(pixel) di dalam citra merupakan intensitas rata-rata dari suatu area yang
melingkupinya.
2) Kontras (Contrast)
Menyatakan sebaran terang dan gelap dalam sebuah citra. Pada citra
yang baik, komposisi gelap dan terang tersebar secara merata.
3) Kontur (Contour)
Keadaan yang ditimbulkan oleh perubahan intensitas pada pixel-pixel
yang bertetangga. Perubahan intensitas ini menyebabkan mata mampu
mendeteksi tepi-tepi objek di dalam citra.
11. Warna
Warna sebagai persepsi yang ditangkap sistem visual terhadap panjang
gelombang cahaya yang dipantulkan oleh objek.
12. Bentuk (Shape)
Shape adalah property intrinsic dari objek 3 dimensi, dengan pengertian
bahwa bentuk merupakan property intrinsic utama untuk sistem visual
manusia.
13. Tekstur (Texture)
Texture dicirikan sebagai distribusi spasial dari derajat keabuan di
dalam sekumpulan pixel-pixel yang bertetangga. Tekstur adalah sifat-sifat
atau karakteristik yang dimiliki oleh suatu daerah yang cukup besar,
sehingga secara alami sifat-sifat tadi dapat berulang dalam daerah tersebut.
Tekstur adalah keteraturan pola-pola tertentu yang terbentuk dari susunan
pixel-pixel dalam citra digital. Informasi tekstur dapat digunakan untuk
membedakan siifat-sifat permukaan suatu benda dalam citra yang
berhubungan dengan kasar dan halus, juga sifat-sifat spesifik dari kekasaran
dan kehalusan permukaan tadi, yang sama sekali terlepas dari warna
permukaan tersebut.
2.7 Pengolahan Citra
Pengolahan citra merupakan kegiatan memperbaiki kualitas citra agar
mudah diinterpretasi oleh manusia/mesin (komputer) (Mulyanto, 2007).
Inputannya adalah citra dan keluarannya juga citra tetapi dengan kualitas yang lebih
baik daripada citra masukan. Proses pengolahan citra dimulai dari pengambilan
citra, perbaikan citra, sampai dengan pernyataan representatif citra yang
digambarkan sebagai berikut :
Gambar 2.3 Proses Pengolahan Citra (Basuki, 2005)
Pengolahan citra memiliki beberapa tujuan, antara lain :
Memperbaiki kualitas gambar, dilihat dari aspek radiometric dan aspek
geometric. Aspek radiometric terdiri atas peningkatan kontras, restorasi
citra, dan transformasi warna. Sedangkan aspek geometric terdiri dari rotasi,
skala, translasi, transformasi geometric.
Melakukan proses penarikan informasi atau deskripsi objek atau
pengenalan objek yang terkandung pada citra.
Melakukan pemulihan citra ciri (feature images) yang optimal untuk
tujuan analisis.
Melakukan kompresi atau reduksi data untuk tujuan penyimpanan data,
transmisi data, dan waktu proses data.
Secara umum, operasi pengolahan citra dapat diklasifikasikan dalam
beberapa jenis sebagai berikut :
1. Perbaikan kualitas citra (image enhancement)
Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan
cara memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri
khusus yang terdapat didalam citra ditonjolkan. Salah satu proses perbaikan
kualitas citra adalah perbaikan kontras gelap/terang. Kontras menyatakan
sebaran terang (lightness) dan gelap (darkness) di dalam sebuah gambar.
Secara intuitif kontras citra dapat dibedakan menjadi tiga kategori (Munir,
R. 2004, Pengolahan Citra Digital, Bandung: Informatika) yaitu :
Kontras rendah: citra nampak gelap atau sangat terang. Karakteristik
pada histogramnya terkelompok pada suatu nilai grayscale tertentu.
Kontras bagus: pada kontras bagus suatu citra memiliki karakteristik
histogram citranya memiliki sebaran yang relative seragam.
Kontras tinggi: citra dengan kontras yang tinggi didominasi oleh warna
gelap atau terang. Ciri pada histogram terlihat dua puncak maksimum.
Selain peningkatan kontras terdapat pula perbaikan tepian objek (edge
enhancement), penajaman (sharpening), pemberian warna semu (pseudocoloring),
dan penapisan derau (noise filtering).
Gambar 2.4 - (a) Citra Lena asli, (b) Citra Lena setelah ditajamkan
(Schalkoff, 1989)
(a) (b)
2. Pemugaran citra (image restoration)
Operasi ini bertujuan menghilangkan/meminimumkan cacat pada citra.
Tujuan pemugaran citra hampir sama dengan operasi perbaikan citra.
Namun, pada pemugaran citra penyebab degradasi gambar diketahui.
Contoh: penghilangan kesamaran (deblurring) dan penghilangan derau
(noise).
3. Pemampatan citra (image compression)
Operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk
yang lebih kompak sehingga memerlukan memori yang lebih sedikit.
4. Segmentasi citra (image segmentation)
Operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa
segmen dengan suatu kriteria tertentu.
5. Pengorakan citra (image analysis)
Operasi ini bertujuan untuk menghitung besaran kuantitatif dari citra
untuk menghasilkan deskripsinya. Teknik pengorakan citra mengekstraksi
ciri-ciri tertentu yang membantu dalam identifikasi objek. Contoh:
pendeteksian tepi objek (edge detection), ekstraksi batas (boundary),
representasi daerah (region).
6. Rekonstruksi citra (image reconstruction)
Bertujuan untuk membentuk ulang objek dari beberapa citra hasil
proyeksi. Operasi rekonstruksi banyak digunakan dalam bidang medis.
Umumnya, operasi-operasi pada pengolahan citra diterapkan pada
apabila :
1. Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan
kualitas penampakan atau untuk menonjolkan beberapa aspek
informasi yang terkandung di dalam citra,
2. Elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur,
3. Sebagian citra perlu digabung dengan bagian citra yang lain.
2.8 Graysale
Proses awal yang banyak dilakukan dalam image processing adalah
merubah citra berwarna menjadi grayscale (Basuki, 2005:4). Hal ini digunakan
untuk menyederhanakan model citra. Pada citra berwarna terdiri dari 3 layer matrix,
yaitu R-layer, G-layer dan B-layer sehingga untuk melakukan proses-proses
selanjutnya tetap diperhatikan tiga layer diatas. Bila setiap proses perhitungan
dilakukan menggunakan tiga layer, berarti dilakukan tiga perhitungan yang sama.
Dengan demikian, konsep itu diubah dengan mengubah tiga layer diatas menjadi 1
layer matrix grayscale dan hasilnya adalah citra grayscale. Dalam citra ini tidak
ada lagi warna, yang ada adalah derajat keabu-abuan. Untuk mengubah citra
berwarna yang mempunyai nilai matrix masing-masing r, g, dan b menjadi citra
grayscale dengan nilai s, maka konversi dapat dilakukan dengan mengambil rata-
rata dari nilai r, g, dan b sehingga dapat dituliskan menjadi:
S= (r + g + b)/3 (1)
2.9 Thresholding
Thresholding atau ambang batas keabuan merupakan metode pengolahan
citra untuk memetakan pixel yang memenuhi syarat ambang batas dan dipetakan ke
suatu nilai pixel yang dikehendaki.
𝑓0(𝑥, 𝑦) =
{
𝑇1, 𝑓0(𝑥, 𝑦) ≤ 𝑇1
𝑇2, 𝑇1 < 𝑓1(𝑥, 𝑦) ≤ 𝑇2
𝑇3, 𝑇2 < 𝑓1(𝑥, 𝑦) ≤ 𝑇3..
𝑇𝑛, 𝑇𝑛 − 1 < 𝑓1(𝑥, 𝑦) ≤ 𝑇𝑛
Keterangan:
f0(x,y) : adalah citra hasil threshold
T : Nilai Pemetaan Pixel
dimisalkan T1 =50,T2=100 T3=150, maka dapat dipetakan seluruh nilai yang
berada dari 0-50 akan diganti dengan nilai 50, yang berada antar 50 sampai 100
diganti dengan nilai 100, yang berada antara 100 sampai 150 diganti dengan nilai
150, begitu seterusnya sesuai dengan pemetaan yang dibuat, dan pembentukan peta
harus sesuai dengan kebutuhan, contoh operasi abang batas tunggal.
Operasi ambang batas tunggal adalah yaitu batas pembagian hanya satu,
berarti nilai pixel dikelompokkan menjadi dua kelompok seperti ditunjukkan pada
rumus berikut :
𝑓0(𝑥, 𝑦) = {0, 𝑓1(𝑥, 𝑦) < 128
255, 𝑓1(𝑥, 𝑦) ≥ 128
Pixel-pixel yang nilai intensitasnya dibawah 128 diubah menjadi hitam (nilai
intensitas 0), sedangkan pixel-pixel yang nlai intensitasnya diatas 128 diubah
menjadi warna putih (nilai intensitas = 255) (Rahman, 2013) .
(2)
(3)
Algoritma Thresholding sebagai berikut :
1. Memulai
2. Membaca panjang dan lebar pixel citra
3. Menentukan batas ambang keabuan
4. Mengambil nilai gray pada tiap pixel citra
5. Jika nilai gray lebih kecil dar batas ambang keabuan, ubah nilai gray
menjadi 0
6. Jika nilai gray lebih besar dari batas ambang keabuan, ubah nilai gray
menjadi 1
7. Menyelesaikan
2.10 Contrast Limited Adaptive Histogram Equalization (CLAHE)
CLAHE termasuk teknik perbaikan citra yang digunakan untuk
memperbaiki kontras pada citra. CLAHE memperbaiki local contrast pada citra.
Algoritma CLAHE mempartisi citra ke daerah kontekstual dan menerapkan
pemerataan histogram untuk masing-masing nilai pixel citra. CLAHE
menghasilkan distribusi nilai abu-abu yang digunakan, dengan demikian membuat
fitur tersembunyi dari citra lebih terlihat. CLAHE merupakan generalisasi dari
Adaptive Histogram Equalization (AHE). Berbeda dengan Histogram Equalization
(HE) yang beroperasi pada keseluruhan region pada citra, CLAHE beroperasi pada
region kecil pada citra grayscale yang disebut dengan tile. Kontras pada setiap tile
diperbaiki sehingga histogram yang dihasilkan dari region tersebut cocok dengan
bentuk histogram yang ditentukan. Tile yang saling bertetangga disambungkan
dengan menggunakan interpolasi bilinear. Hal ini dilakukan agar hasil
penggabungan tile terlihat halus (Rai, 2012.).
2.11 Metode Geometri
Metode Geometri merupakan metode modifikasi susunan pixel. Dengan
kata lain, koordinat pixel berubah akibat transformasi, sedangkan intensitasnya
tetap. Dalam bahasa pemrograman, proses geometri merupakan algoritma untuk
memanipulasi lokasi atau koordinat pixel pada citra. Proses pengubahan geometri
dari citra f(x,y) menjadi citra baru f’(x,y) dapat ditulis sebagai (Syakhfari, 2011) :
f’ (x’ , y’) = f(g1(x , y), g2(x , y))
dalam hal ini g1(x , y) dan g2(x , y) adalah fungsi trasnformasi geometrik.
Dengan kata lain :
x’ = g1(x , y)
y = g2(x , y)
Salah satu proses geometri ialah penskalaan citra, yaitu mengubah ukuran
citra asli (zoom in) memperbesar ukuran citra asli atau (zoom out) memperkecil
ukuran citra. Rumus penskalaan dapat ditulis sebagai :
x’ = Sx . x
y’ = Sy . y
Keterangan :
Sx = faktor skala horizontal Sy = faktor skala vertikal
(4)
(5)
(6)
2.12 Penelitian Terkait
Penelitian terkait pengukuran, penentuan ukuran pakaian pada Online shop
dan metode CLAHE sebagai berikut :
1. “Anthropometric Measurements From Photographic Images” Patrick Chi, dkk
(2004)
Penelitian ini dilakukan dengan membandingkan hasil pengukuran antropometri
linier dan keliling. Menggunakan kamera digital Canon IXUS sebagai media
pengambilan gambar, responden pada penelitian ini adalah laki-laki dimana proses
pengambilan gambar dilakukan dengan 3 posisi, dari tampak samping, depan, dan
belakang serta responden tidak mengenakan baju. Nilai error pengukuran dari
kedua metode bervariasi dalam kisaran 2,06 mm sampai 3,15 mm.
2. “Perancangan Sistem Pengukuran Antropometri Badan dan Pembuatan Pola
dalam Industri Konveksi dengan menggunakan Image Processing”, Firman
Supriyanto, dkk (2011)
Penelitian ini dilakukan dengan menggunakan kamera digital Sony Cyber-Shot dan
hasil gambar diolah pada perangkat terpisah. Penelitian ini menggunakan dimensi
antropometri tinggi tubuh dalam posisi berdiri (D1) dan jarak bentang dari ujung
jari tangan kanan hingga ke kiri (D23) sebagai acuan pengukuran dengan skala 1
pixel = 0,055 cm. jarak pengambilan terbesar pada penelitian ini adalah 2 m. tetapi
jarak tersebut dapat berubah-ubah dikarenakan perbedaan tinggi badan dari
responden dengan nilai rata-rata error 0,78%.
3. “Sistem Pengukuran Badan Pria untuk Menentukan Ukuran Baju berbasis
Kamera Kinect”, Djoko Purwanto, dkk (2015)
Menggunakan kamera Kinect yang dilengkapi IR Projector yang mampu
memberikan informasi depth dengan jarak pengambilan gambar 1000 mm hingga
4000 mm, Algoritma Backpropogation Neural Network untuk memberikan
perkiraan lebar badan pengguna. Sistem ini sangat sensitif terhadap pergerakan
kecil serta ukuran baju yang digunakan pengguna dapat menyebabkan kesalahan
estimasi lebar badan dengan nilai rata-rata error ukuran bahu 5,07% dan lebar badan
2,68%
4. “Optimasi Minimum Luas Kain pada Pola Ukuran Baju Koko menggunakan
Algoritma Greedy”, Imam Amirulloh, dkk (2016)
Pada penelitian ini Algoritma Greedy digunakan untuk menentukan langkah-
langkah serta perhitungan dalam menentukan luas kain yang dapat dipasang pada
pola baju yang dibutuhkan. Algoritma Greedy hanya menghasilkan pengaturan
sebuah pola baju yang bisa dipasang muat tanpa perhitungan sisa kain secara
keseluruhan yang tidak terpakai. Selain itu, penelitian ini juga terbatas hanya pada
pola baju ukuran M.
5. “Peningkatan Kontras Menggunakan Metode Contrast Limited Adaptive
Histogram Equalization pada Citra Underwater” Dina Indriana (2014).
Penelitian ini ditujukan untuk memperbaiki kontras citra hasil pengambilan gambar
bawah laut tanpa mengurangi kualitas dari citra tersebut. Pada penelitian ini
dilakukan perbandingan kinerja CLAHE dengan 3 distribusi berbeda yakni
Rayleigh, Uniform, dan Exponential yang menghasilkan metode CLAHE dengan
distribusi Rayleigh adalah yang terbaik dengan nilai MSE 0,6573 dan nilai PSNR
49,9593 dB.
BAB III
METODOLOGI PENELITIAN
3.1 Tahapan Penelitian
Penelitian ini merupakan pengembangan dari penelitian-penelitian yang
sudah ada sebelumnya. Pada penelitian ini akan dilakukan pengambilan, dan
penentuan ukuran dalam satu website. Adapun tahap-tahap secara umum dalam
penelitian ini ialah sebagai berikut :
Gambar 3.1 Tahapan Penelitian
Pengumpulan Data dan
Studi terkait
Perancangan sistem
Penentuan Ukuran Badan
Evaluasi Sistem
Pelaporan
Penjelasan mengenai tahap-tahap dalam penelitian ini ialah sebagai
berikut :
1. Pengumpulan Data dan Studi Literatur.
Merupakan tahap awal dimana dilakukan pencarian berbagai penelitian
terdahulu yang terkait dengan penentuan ukuran badan dengan Metode CLAHE dan
thresholding untuk peningkatan kontras serta pemisahan objek dengan background.
Bagian ini juga ditujukan untuk merancang penelitian awal agar terbentuk sebuah
hipotesa yang dijadikan sebagai acuan dasar yang akan dilanjutkan pada tahapan
selanjutnya.
2. Perancangan Sistem penentuan ukuran.
Pada tahap ini, langkah pertama yang dilakukan ialah membuat diagram
penelitian secara umum. Kemudian dilakukan pengolahan gambar dengan
menggunakan software Matlab dan perancangan sistem tampilan web.
3. Evaluasi Sistem.
Pada tahap ini, sistem akan dievaluasi untuk melihat kinerja sistem yang
disesuaikan dengan karakteristik seperti akurasi sistem.
4. Pelaporan.
Merupakan tahap penulisan seluruh proses penelitian yang telah dilakukan
dalam bentuk skripsi.
3.2 Lokasi dan Waktu Penelitian
Proses penelitian dilakukan di lab Artificial Intelligence and Multimedia
Processing (AIMP) dan pengambilan data dilakukan Gedung Classroom Lt.3
Fakultas Teknik Universitas Hasanuddin serta SMAN 12 Makassar, sedangkan
waktu penelitian dimulai dari bulan September 2017 sampai Februari 2018.
3.3 Instrumentasi Penelitian
Adapun instrumen yang digunakan pada penelitian ini ialah :
a. Laptop Asus A456U Intel Core i5 7th Gen-7200U, RAM 4GB,
b. Pita pengukur badan
c. Roll meter 7m
d. Software MATLAB R2016a yang berjalan pada sistem operasi
Windows 10 Pro 64-bit
e. Sublime text 3
f. Xampp
g. Webcam dengan resolusi 320 x 240 px.
3.4 Populasi dan Sampel Data
Tahapan pengumpulan data terdiri dari pengumpulan data primer dan
pengumpulan data sekunder, yaitu :
a) Data Primer
Data yang digunakan adalah data gambar responden yang diambil langsung
dengan webcam laptop sesuai dengan skenario pengambilan gambar. Data
primer diambil langsung dan mengukur Lebar Badan (LB) responden pada
kondisi siang dengan latar yang telah ditentukan.
b) Data Sekunder
Dalam penelitian ini data sekunder berupa literatur baik yang terdapat pada
buku, jurnal maupun pada internet. Literatur yang dikumpulkan berupa
literatur yang membahas teori dari metode CLAHE, Thresholding, dan
Geometri.
3.5 Perancangan Sistem
Pada perancangan sistem ini terdapat beberapa proses yang dilalui agar
sistem dapat mendeteksi dan mengukur badan, yaitu :
Gambar 3.2 Desain sistem
3.5.1 Input
Proses input merupakan proses awal dari penentuan ukuran badan.
Pengambilan gambar pada penelitian ini menggunakan kamera laptop (webcam).
Pada tahap ini gambar inputan berjenis RGB dengan resolusi 320x240 pixel.
Gambar yang didapatkan kemudian disimpan pada database dan direktori
penyimpanan sistem dengan format *.png. Sebelumnya telah dilakukan observasi,
berdasarkan observasi yang hasilnya ditampilkan pada bagian hasil dan
pembahasan, kondisi terbaik untuk mendapatkan akurasi pengukuran maksimal
adalah pengambilan gambar dengan jarak 75 cm (tepat didepan laptop), kondisi
intensitas cahaya yang merata, tidak terdapat bayangan hitam pada citra,
penggunaan baju dan latar pada saat pengambilan gambar adalah polos dan kontras,
Preprocessing Penentuan
ukuran Output Input
serta gambar yang didapat harus gambar responden yang fitur bahunya tidak
terpotong oleh batas atas kamera lalu dilanjutkan dengan pengukuran badan
responden dengan menggunakan pita pengukur badan untuk digunakan sebagai data
asli pengukuran. Contoh pengambilan gambar dari web ditunjukkan pada gambar
3.3.
(a) (b)
Gambar 3.3 (a) Posisi laptop dan jarak pengambilan gambar 75 cm (b)
bagian bahu responden tidak terpotong oleh batas sisi camera
3.5.2 Preprocessing
Setelah data input didapatkan, proses selanjutnya ialah tahap preprocessing.
Dalam preprocessing, gambar masukan akan melalui beberapa proses agar nanti
bisa dipakai dalam pendeteksian sisi dan cropping. Beberapa proses yang dilakukan
pada sistem ini adalah :
Gambar 3.4 Alur Preprocessing
CLAHE Thresholding grayscale
Centroid region
Bounding
box Cropping
a) Grayscale
Pada tahap ini citra responden pada gambar 3.3 diubah menjadi gambar
grayscale jadi citra hanya berisikan nilai 0 – 255 tiap pixel nya, berikut pixel
region pada proses grayscale.
(a) (b)
Gambar 3.5 (a) citra grayscale responden (b) Pixel region proses
grayscale citra responden
b) CLAHE
Setelah melakukan proses grayscale maka selanjutnya adalah tahap CLAHE.
Adapun prosesnya adalah sebagai berikut :
Gambar 3.6 proses peningkatan kontras oleh CLAHE
Berdasarkan Gambar 3.5 proses peningkatan kontras oleh CLAHE
terdiri dari beberapa tahap yang dijelaskan sebagai berikut :
Inisialisasi Cliplimit
Cliplimit adalah nilai batas pada histogram, cliplimit menyatakan
batas maksimum tinggi suatu histogram. Tanpa cliplimit teknik pemerataan
histogram adaptif dapat memberikan hasil yang lebih buruk dari citra
aslinya. Berikut adalah tahapan pada inisialisasi cliplimit :
Step 1 : Menentukan nilai cliplimit dengan menggunakan nilai 0.01
sebagai batas histogram.
Digunakan nilai 0.01 karena merupakan standar umum penilaian cliplimit.
Semakin besar pemberian nilai cliplimit menyebabkan hidden feature
menjadi semakin muncul, hal ini dapat memacu kemunculan noise disekitar
citra sehingga dapat mengganggu proses segmentasi.
Step 2 : Membentuk histogram tiap-tiap tile.
Step 3 : Memotong histogram dengan Cliplimit.
(a) (b)
Gambar 3.7 (a) histogram citra sebelum pemberian cliplimit (b)
histogram setelah pemberian cliplimit
Distribusi Excess
Histogram diatas nilai cliplimit dianggap kelebihan (excess) pixel
sehingga akan didistribusikan pada area dibawah cliplimit agar histogram
merata. Berikut adalah tahapan pada proses Distribusi excess :
Step 1 : Menentukan jenis distribusi yang diinginkan.
Distribusi Uniform digunakan pada tahap ini karena merupakan standar
pemerataan histogram pada proses distribusi.
Step 2 : Mapping histogram baru ke citra
Step 3 : Interpolasi pixel pada tile bertetangga
Tile yang saling bertetangga dihubungkan dengan menggunakan interpolasi
bilinear. Hal ini dilakukan agar hasil penggabungan tile terlihat halus.
(a) (b)
Gambar 3.8 (a) histogram cliplimit 0.01, distribusi uniform (b) citra
responden hasil clahe
c) Thresholding
Thresholding digunakan untuk mengubah citra derajat keabuan menjadi
citra biner atau hitam putih sehingga dapat diketahui daerah mana yang
termasuk objek dan background dari citra secara jelas. Pada penelitian ini
digunakan nilai ambang batas 130/255, dimana nilai tersebut digunakan
setelah hasil pra-eksperimen dengan citra. Hasilnya sebagai berikut :
Gambar 3.9 Citra hasil Threshold
Berdasarkan gambar 3.9 dapat dilihat bahwa dengan menggunakan
nilai threshold 130/255 output dari citra lebih sedikit noise dibandingkan
dengan output dari hasil proses nilai threshold lainnya.
d) Pembersihan Noise
Pada gambar 3.9 dapat dilihat bahwa citra masih memiliki noise setelah
dilakukan proses thresholding. Untuk itu, pada tahap ini citra hasil
thresholding akan dibersihkan dari objek-objek kecil seperti noise yang dapat
mengganggu proses selanjutnya. adapun hasil pembersihan noise dapat
dilihat pada gambar 3.9.
(a)
100/255 130/255 150/255
(b)
Gambar 3.10 (a) citra sebelum operasi pembersihan noise (b) citra
setelah pembersihan noise
e) Centroid Region
Proses selanjutnya pada sistem ini adalah menentukan properties dari
citra yang diolah, properties dapat berupa value atau dapat berupa bentuk dari
citra tersebut. Centroid adalah properties dasar yang terdapat pada Matlab.
Centroid merupakan koordinat titik tengah dari suatu objek. Pada penelitian
ini pencarian titik tengah (centroid) dilakukan agar memudahkan dalam
proses boundaries maupun pembuatan bounding box dari citra responden.
(a) (b)
Gambar 3.11 (a) penentuan centroid (b) pembuatan boundary citra
f) Cropping
Pada tahap ini hasil bounding box citra responden yang sudah di dapatkan
akan dipotong untuk mendapatkan ukuran yang diinginkan. Cropping
dilakukan dengan melakukan pemotongan persis pada citra tepian bahu. Hal
ini dilakukan karena yang menjadi tolak ukur pada sistem penentuan ukuran
badan ini ialah nilai pixel lebar bahu responden. Hasil crop dapat dilihat pada
gambar 3.12
Gambar 3.12 hasil crop citra
g) Konversi Pixel dan CM
Setelah dilakukuan proses cropping maka didapatkan informasi lebar
pixel bahu dari responden yang ingin diketahui ukuran pakaiannya. Dalam
proses ini dilakukan pencarian nilai skala menggunakan metode geometri,
dimana nilai skala ini digunakan untuk mengubah ukuran pixel yang didapat
menjadi centimeter (cm). Untuk mencari nilai skala dilakukan pengambilan
gambar dan pengukuran real pada 25 responden dengan persamaan sebagai
berikut :
𝑎 =𝑁(∑ 𝑥𝑖𝑦𝑖) − (∑ 𝑥𝑖
𝑛𝑖=1 )(∑ 𝑦𝑖
𝑛𝑖=1 )𝑛
𝑖=1
𝑁(∑ 𝑥𝑖2𝑛
𝑖=1 ) − (∑ 𝑥𝑖𝑛𝑖=1 )2
(7)
)
𝑏 = ȳ − 𝑎�̅�
Dengan N = jumlah data
Tabel 3.1 penskalaan
No x (pixel) y (cm) xy x2 y2
1 231 45 10395 53361 2025
2 278 57 15846 77284 3249
3 237 47 11139 56169 2209
4 255 46 11730 65025 2116
5 209 42 8778 43681 1764
6 217 42 9114 47089 1764
7 235 43 10105 55225 1849
8 244 48 11712 59536 2304
9 248 49 12152 61504 2401
10 228 43 9804 51984 1849
11 265 52 13780 70225 2704
12 220 43 9460 48400 1849
13 267 54 14418 71289 2916
14 229 45 10305 52441 2025
15 244 47 11468 59536 2209
16 245 46 11270 60025 2116
17 225 43 9675 50625 1849
18 220 41 9020 48400 1681
(8)
No x(pixel) y(cm) xy x2 y2
19 225 43 9675 50625 1849
20 271 51 13821 73441 2601
21 259 50 12950 67081 2500
22 269 55 14795 72361 3025
23 234 46 10764 54756 2116
24 263 52 13676 69169 2704
25 277 57 15789 76729 3249
jumlah 6095 1187 291641 1495961 56923
Rata-
rata
243,8 47,48
Hasil diatas kemudian dimasukkan ke dalam perhitungan :
𝑎 =𝑁(∑ 𝑥𝑖𝑦𝑖) − (∑ 𝑥𝑖
25𝑖=1 )(∑ 𝑦𝑖
25𝑖=1 )25
𝑖=1
𝑁(∑ 𝑥𝑖225
𝑖=1 ) − (∑ 𝑥𝑖25𝑖=1 )2
= 25(291641)−(6095 𝑥 1187)
25(1495961)−(6095)2
= 56260
250000 = 0,25504
𝑏 = ȳ − 𝑎�̅�
= 47,48 – (0,25504 x 243,8)
= - 14,698752
Nilai yang didapat dari a dan b inilah yang digunakan menjadi skala
untuk merubah ukuran pixel menjadi cm. dari nilai yang didapat diatas
Tabel 3.1 Lanjutan (penskalaan)
kemudian dimasukkan ke dalam persamaan linear. Bentuk matematikanya
adalah :
𝒚 = 𝒂𝒙 + 𝒃
𝑦 = 𝑢𝑘𝑢𝑟𝑎𝑛 𝑛𝑦𝑎𝑡𝑎 (𝑐𝑚) 𝑎 = 𝑛𝑖𝑙𝑎𝑖 𝑔𝑟𝑎𝑑𝑖𝑒𝑛
𝑥 = 𝑢𝑘𝑢𝑟𝑎𝑛 𝑝𝑖𝑥𝑒𝑙 𝑏 = 𝑘𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑎
Nilai skala yang digunakan adalah 𝑦 = 0,255 𝑥 − 14,69 dengan y
ukuran nyata dalam bentuk centimeter dan x ukuran dalam pixel.
3.5.3 Penentuan Ukuran
Hasil keputusan perhitungan kemudian disesuaikan berdasarkan range
standar ukuran lebar bahu pria sebagai berikut (Marhaeni, 2017) :
Tabel : 3.2 Range ukuran lebar bahu Pria
S M L XL
40-44 45-49 50-54 55-59
Jika hasil perhitungan sistem menunjukkan angka kisaran 40 – 44 cm maka
responden dinyatakan memiliki ukuran baju S, jika hasil perhitungan menunjukkan
angka kisaran 45 – 49 cm maka reponden dinyatakan memiliki ukuran baju M, jika
hasil perhitungan menunjukkan angka kisaran 50 – 54 cm maka responden
dinyatakan memiliki ukuran baju L, begitu pula pada hasil perhitungan sistem yang
menunjukkan angka kisaran 55 – 59 cm maka responden dinyatakan memiliki
ukuran baju XL.
(9)
3.6 Perancangan Web
Perancangan web merupakan desain sistem web dari penentuan ukuran
badan. Sistem ini digunakan untuk menampilkan informasi size yang telah
didapatkan dari pengolahan citra sebelumnya. Perancangan web akan dibagi
menjadi dua bagian. Pertama adalah untuk merancang database MySQL dan yang
kedua adalah untuk merancang tampilan web dari Online Shop.
3.6.1 Perancangan Tampilan Utama
Pada tahap ini, dilakukan perancangan tampilan atau layout antar muka
(Interface) dari sistem web. Perancangan yang dilakukan meliputi perancangan
tampilan awal halaman dan tampilan informasi ukuran baju pada sistem. Pada
tampilan awal terdapat menu layaknya Online Shop dengan dua tombol opsi untuk
membeli (Buy) dan Ukuranku (my size) untuk mencari tahu ukuran pakaian
responden.
Gambar 3.13 Tampilan utama web
3.6.2 Perancangan Tampilan Ambil Gambar
Pada halaman ini dilakukan perancangan tampilan untuk menampilkan
kamera untuk mengambil gambar responden. Tampilan ini merupakan menu
lanjutan dari opsi Ukuranku (My size). Tampilan halaman ambil gambar
ditunjukkan pada gambar 3.14
Gambar 3.14 tampilan opsi Ukuranku (My size) untuk ambil gambar
3.6.3 Perancangan Tampilan Hasil Ukuran
Pada halaman ini data-data yang telah diolah dan disimpan pada database
ditampilkan berdasarkan gambar yang diolah dan tabel yang tersedia. Tampilan
halaman hasil ukuran ditunjukkan pada gambar 3.14.
Gambar 3.15 Tampilan hasil ukur
3.6.4 Perancangan Database MySQL
Struktur database dalam pembuatan sistem ini menggunakan database
MySQL. Perancangan database ini bertujuan untuk membuat struktur tabel yang
49 Medium 250
digunakan dalam penyimpanan data hasil pengolahan citra dari software Matlab.
Berikut adalah rancangan tabel yang digunakan.
1. Tabel hasil ukur
Database : keluaran
Deskripsi : menyimpan data hasil pengolahan citra responden
Tabel 3.3 Struktur Database table hasil ukur
No Nama Field Tipe Panjang/Nilai Keterangan
1 Pixel Int 3 Lebar pixel
bahu
2 Hasil Int 11 Hasil ukur
sistem
3 Size Text 10 Ukuran
responden
3.7 Analisis Kinerja Sistem
Analisis kinerja sistem digunakan untuk memvalidasi hasil kinerja
perancangan sistem pengukuran pakaian dengan menggunakan parameter akurasi.
Akurasi adalah ukuran ketepatan sistem dalam mengenali input yang diberikan
sehingga menghasilkan keluaran yang benar. Secara matematis, dapat dituliskan :
Akurasi = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑏𝑒𝑛𝑎𝑟
𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑥 100%
(10)
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil Kinerja Sistem pada Web
Pengujian black-box dilakukan untuk menguji apakah sistem yang
dikembangkan sesuai dengan spesifikasi fungsional sistem yang telah dirancang
sebelumnya dengan memperhatikan masukan dan keluaran dari sistem serta fitur-
fitur yang ada di dalam sistem. Hasil pengujian sistem menggunakan metode black-
box dapat dilihat pada Tabel 4.1.
Tabel 4.1 Hasil pengujian web
No Skenario
pengujian
Hasil yang
diharapkan
Hasil Keterangan
1
Buka Web
Masuk ke
halaman
utama
Dapat
menampilkan
halaman
utama
2
Memilih
button
Mysize
Menampilkan
kamera
Button dapat
berfungsi
untuk
membuka
halaman
Mysize
No Skenario
pengujian
Hasil yang
diharapkan
Hasil Keterangan
3
Memilih
Button take
a snapshot
Mengambil
gambar
Button
dapat
berfungsi
untuk
mengambil
gambar
4
Analisis
Pengukuran
Menampilkan
informasi
hasil
pengukuran
Informasi
yang
ditampilkan
sesuai
dengan hasil
prediksi
pada
MATLAB
4.2 Hasil pengukuran badan
Pada sub-bab ini akan disajikan hasil pengujian dari pengolahan citra dan
penentuan ukuran baju. Pengujian dilakukan pada 30 citra responden yang diambil
melalui webcam laptop dengan 2 skenario dan teknik pengolahan berbeda.
Pengujian pertama dilakukan dengan mengikuti skenario pengambilan gambar
(dapat dilihat pada gambar 3.2) melakukan operasi peningkatan kontras dengan
metode CLAHE, cliplimit = 0,01 dan distribusi Uniform, serta centroid region
terhadap pixel citra responden untuk menentukan fitur bahu serta proses cropping
dalam penentuan lebar bahu responden. Lalu yang kedua pada jarak 250 cm, tanpa
peningkatan kontras, dan perhitungan manual terhadap pixel citra responden untuk
menentukan fitur bahu serta proses cropping dalam penentuan lebar bahu
Tabel 4.1 Lanjutan (Hasil pengujian web)
250 49 Medium
responden. Hal ini dilakukan guna menentukan parameter terbaik dalam penentuan
ukuran badan pada sistem sehingga hasil yang didapatkan lebih maksimal. Untuk
mengetahui tingkat akurasi sistem dalam memprediksi ukuran pakaian, dapat
melihat hasil pengukuran sistem berdasarkan range size dan ukuran asli responden.
Apabila hasil pengukuran yang didapatkan telah sesuai dengan range size maka
pengukuran berhasil dilakukan. Hasil pengujian dapat dilihat pada tabel 4.2 dan 4.3.
Tabel 4.2 Hasil prediksi ukuran pada skenario pertama
Data
Ukuran asli Ukuran Sistem
Lebar bahu Size Lebar bahu Size
1 45 Medium 45 Medium 100
2 57 Xtra Large 56 Xtra Large 100
3 47 Medium 47 Medium 100
4 57 Xtra Large 67 XXL
5 42 Small 38 Xtra Small
6 42 Small 41 Small 100
7 43 Small 43 Small 100
8 48 Medium 48 Medium 100
9 49 Medium 49 Medium 100
10 43 Small 43 Small 100
11 52 Large 53 Large 100
12 43 Small 43 Small 100
13 54 Large 54 Large 100
Akurasi
(100%)
Data
Ukuran asli Ukuran asli
Lebar bahu Size Lebar bahu Size
14 45 Medium 44 Medium 100
15 47 Medium 47 Medium 100
16 46 Medium 47 Medium 100
17 43 Small 43 Small 100
18 41 Small 41 Small 100
19 43 Small 43 Small 100
20 51 Large 51 Large 100
21 50 Large 51 Large 100
22 55 Xtra Large 55 Xtra Large 100
23 46 Medium 47 Medium 100
24 52 Large 52 Large 100
25 57 Xtra Large 56 Xtra Large 100
26 50 Large 50 Large 100
27 53 Large 54 Large 100
28 46 Medium 46 Medium 100
29 67 XXL 68 XXL 100
30 65 XXL 65 XXL 100
Total rata-rata akurasi 93,3%
Tabel 4.2 lanjutan (Hasil prediksi ukuran pada skenario pertama)
Akurasi
(100%)
Pada Tabel 4.2 dapat dilihat bahwa responden yang berhasil di prediksi
ukurannya dengan benar sebanyak 28 orang. Sedangkan yang terprediksi salah
sebanyak 2 orang. Jumlah akurasi keseluruhan data citra dihitung dengan
menggunakan persamaan (10) sebagaimana yang dicantumkan pada bab III
sebelumnya. Berdasarkan hasil yang didapatkan dapat diketahui bahwa rata-rata
akurasi dalam prediksi ukuran oleh sistem pada skenario pertama sebesar 93.3%.
Adapun hasil pengujian skenario kedua adalah sebagai berikut :
Tabel 4.3 Hasil prediksi ukuran pada skenario kedua
Data
Ukuran asli Ukuran Sistem
Lebar bahu Size Lebar bahu Size
1 49 Medium 49 Medium 100
2 42 Small 42 Small 100
3 45 Medium 45 Medium 100
4 47 Medium 47 Medium 100
5 47 Medium 45 Medium 100
6 43 Small 42 Small 100
7 48 Medium 46 Medium 100
8 43 Small 41 Small 100
9 44 Small 43 Small 100
10 44 Small 43 Small 100
11 47 Medium 47 Medium 100
Akurasi
(100%)
Data
Ukuran asli Ukuran asli
Lebar bahu Size Lebar bahu Size
12 41 Small 40 Small 100
13 57 Xtra Large 56 Xtra Large 100
14 48 Medium 47 Medium 100
15 44 Small 42 Small 100
16 44 Small 39 Xtra Small
17 46 Medium 54 Large
18 65 XXL 67 XXL 100
19 67 XXL 67 XXL 100
20 54 Large 54 Large 100
21 44 Small 43 Small 100
22 52 Large 56 Xtra Large
23 50 Large 53 Large 100
24 45 Medium 43 Small
24 45 Medium 43 Small
25 42 Small 39 Xtra Small
26 40 Small 38 Xtra Small
27 42 Small 43 Small 100
28 45 Medium 46 Medium 100
29 47 Medium 46 Medium 100
Tabel 4.3 Lanjutan (Hasil prediksi ukuran pada skenario kedua)
Akurasi
(100%)
Pada Tabel 4.3 dapat dilihat bahwa responden yang berhasil di prediksi
ukurannya dengan benar sebanyak 24 orang. Sedangkan yang terprediksi salah
sebanyak 6 orang. Jumlah akurasi keseluruhan data citra dihitung dengan
menggunakan persamaan (10). Berdasarkan hasil yang didapatkan dapat diketahui
bahwa rata-rata akurasi dalam prediksi ukuran oleh sistem sebesar 80%.
Berdasarkan hasil akurasi dari pengujian skenario pertama dan kedua pada
tabel 4.2 dan 4.3 dapat ditarik kesimpulan bahwa untuk mendapatkan hasil
pengukuran badan pada sistem yang maksimal, pengambilan citra dilakukan
dengan menggunakan jarak 75 cm (tepat didepan laptop), dilakukan peningkatan
kontras pada citra, serta penentuan centroid region untuk menghasilkan boundaries
yang adaptif untuk proses cropping yang optimal (pas dengan bahu responden)
seperti pada tabel 4.2.
4.3 Rata-rata Waktu Pengukuran
Dalam proses penentuan ukuran yang dilakukan pada responden terdapat
perbedaan waktu proses dalam setiap pengolahan. Pendataan waktu proses
penentuan ukuran ini dilakukan untuk mengetahui apakah waktu proses pada setiap
data konstan atau tidak, dengan cara melakukan pengujian secara berulang
30 48 Medium 46 Medium 100
Data
Ukuran asli Ukuran asli
Lebar bahu Size Lebar bahu Size
Total rata-rata akurasi 80%
Tabel 4.3 Lanjutan (Hasil prediksi ukuran pada skenario kedua)
Akurasi
(100%)
sebanyak 3 kali pada setiap responden. Serta untuk mengetahui penyebab dari
perbedaan waktu dalam proses pengolahan setiap data. Hasil rata-rata waktu proses
olah data dapat dilihat pada lampiran 3. Berdasarkan pengujian sistem, dapat dilihat
waktu tercepat dalam proses penentuan ukuran pada citra adalah selama 15 detik,
sedangkan waktu terlama dalam proses pada citra adalah selama 39 detik.
Berdasarkan hasil rata-rata waktu proses penentuan ukuran setiap data dapat
diketahui bahwa total waktu yang dibutuhkan oleh sistem dalam mengolah citra dan
menentukan ukuran adalah 21.62 detik.
4.4 Pembahasan
Dalam proses penentuan ukuran skenario pertama terdapat 2 data responden
yang mengalami kesalahan prediksi berdasarkan range size nya. Kesalahan ini
terjadi karena posisi responden yang terlalu dekat dengan kamera dan postur tubuh
responden pada saat pengambilan data sehingga menyebabkan perbedaan selisih
centimeter pada ukuran asli range size dengan hasil yang diperoleh dari sistem.
Kesalahan penentuan ukuran pada skenario pertama ditunjukkan pada tabel 4.4
Tabel 4.4 Kesalahan prediksi pada skenario pertama
No Citra Ukuran
Asli
Size Ukuran
sistem
Size
1
57
Xtra
Large
67
XXL
2
42
Small
38
Xtra
Small
Pada data nomor 1, posisi responden pada saat pengambilan gambar sangat
dekat dengan kamera sehingga fitur bahu terpotong oleh batas kamera. Hal ini
menyebabkan kesalahan perhitungan ukuran badan yang mengakibatkan ukuran
hasil sistem jauh lebih besar dibanding ukuran asli responden. Sedangkan pada data
nomor 2, posisi responden telah tepat karena fitur bahu tidak terpotong oleh kamera,
tetapi postur responden saat pengambilan gambar tidak sesuai, yakni condong ke
kiri yang mengakibatkan hasil pengambilan gambar bahu kiri lebih lebar dibanding
bahu kanan, hasil pengukuran pun mengalami perubahan dimana pada ukuran asli
adalah 42 cm dan hasil yang didapatkan oleh sistem adalah 38 cm.
Pada proses penentuan ukuran yang dilakukan dengan skenario kedua
terdapat 6 data responden yang mengalami kesalahan prediksi berdasarkan range
size nya. Kesalahan penentuan ukuran pada skenario pertama ditunjukkan pada
tabel 4.5.
Tabel 4.5 Kesalahan prediksi pada skenario kedua
No Citra Ukuran
Asli
Size Ukuran
sistem
Size
1
44
Small
39
Xtra Small
No Citra Ukuran
Asli
Size Ukuran
sistem
Size
2
46
Medium
50
Large
3
52
Large
56
Xtra Large
4
45
Medium
43
Small
5
42
Small
39
Xtra Small
6
40
Small
38
Xtra Small
Kesalahan ini terjadi karena posisi responden yang tidak tepat pada jarak
250 cm pada saat pengambilan gambar sehingga menyebabkan perbedaan selisih
sentimeter pada ukuran asli range size dengan hasil yang diperoleh dari sistem.
dapat dilihat perbedaan pada data 1 dan data 3, sistem memprediksi salah ukuran
Tabel 4.5 Lanjutan (Kesalahan prediksi ukuran pada skenario kedua)
responden karena pada data 1 responden berdiri pada jarak lebih dari 250 cm,
sedangkan pada data 3 responden berdiri kurang dari jarak 250 cm.
Perbedaan waktu kinerja sistem pada tiap responden terjadi dikarenakan
citra inputan responden yang terkadang memiliki background yang tidak polos,
posisi, lokasi dan pengambilan gambar responden yang tidak sesuai skenario,
akibatnya sistem merespon dengan lambat inputan yang diberikan sehingga
membutuhkan waktu lebih lama untuk memulai dan menutup semua session yang
terjadi sebelum menampilkan hasil perhitungan.
Gambar 4.1 citra responden tidak sesuai skenario
BAB V
PENUTUP
5.1 Kesimpulan
Kesimpulan dari penelitian ini sebagai berikut :
1. Penentuan ukuran baju pria dapat dilakukan dengan bantuan pengolahan
citra, tahapan penentuan ukuran diawali dengan pengambilan gambar,
grayscaling, Peningkatan kontras, thresholding, cropping, diakhiri
dengan perhitungan hasil cropping citra lebar bahu. Dengan tahapan-
tahapan tersebut dapat diperoleh hasil pengukuran dengan tingkat akurasi
sebesar 93,3%.
2. Waktu tercepat penentuan ukuran baju oleh sistem adalah 15 detik,
sedangkan waktu terlama dalam proses pada citra adalah selama 39 detik.
Berdasarkan hasil rata-rata waktu proses penentuan ukuran setiap citra
dapat diketahui bahwa total waktu yang dibutuhkan oleh sistem dalam
mengolah citra dan menentukan ukuran adalah 21,62 detik.
3. Berdasarkan hasil pengujian web menggunakan metode Black box untuk
menguji semua unit dari web sistem penentuan ukuran pakaian ini
menunjukkan bahwa semua tampilan, fungsional tombol, serta informasi
yang diberikan pada web berjalan dengan baik.
4. Berdasarkan hasil akurasi dari pengujian skenario pertama dan kedua
dapat ditarik kesimpulan bahwa untuk mendapatkan hasil pengukuran
badan pada sistem yang maksimal, pengambilan citra dilakukan dengan
menggunakan jarak 75 cm (tepat didepan laptop), dilakukan peningkatan
kontras pada citra, serta penentuan centroid region untuk menghasilkan
boundaries yang adaptif untuk proses cropping yang optimal (pas dengan
bahu responden).
5.2 Saran
Saran pengembangan dari sistem penentuan ukuran baju pria untuk Online
Shop berbasis pengolahan citra ini antara lain :
1. Sebaiknya menambah fitur lain selain bahu untuk mendeteksi ukuran
baju, hal ini dikarenakan masih terdapat kesalahan pengukuran
berdasarkan lebar bahu.
2. Sebaiknya menambah fitur lain, selain memprediksi ukuran baju
responden, untuk memaksimalkan sistem yang dibuat.
DAFTAR PUSTAKA
Ambarwati, Ayu. 2016. “Segmentasi Citra menggunakan Thresholding Otsu untuk
Analisa Perbadingan Deteksi Tepi”. Annual Research Seminar: Computer
Science and Information and Communications Technology 2016(ARS
2016). Palembang.
Amirulloh, Imam. 2016. “Optimasi Luas Kain pada Pola Ukuran Baju Koko
Menggunakan Algoritma Greedy”. Konferensi Nasional Ilmu Sosial &
Teknologi (KNiST). Maret 2016, pp.35~39.
Arief, M.R. 2005. “Pemrograman Basis Data Menggunakan Transact-SQL dengan
Microsoft SQL Server”. Yogyakarta: Andi Ofset.
Basuki, Achmad. 2005. “Metode Numerik dan Algoritma Komputasi”. Yogyakarta:
Andi.
Firmansyah, A. 2007. “Dasar-dasar Pemrograman Matlab”. Ilmu Komputer.
Indriana, Dina. 2014. “Peningkatan Kontras Menggunakan Metode Contrast
Limited Adaptive Histogram Equalization pada Citra Underwater”. Tugas
Akhir. Semarang: Universitas Dian Nuswantoro.
Jain, Anil K. 1989. “Fundamentals of Digital Image Processing”. Prentice-Hall
International, 1989.
Kadir, Abdul. 2002. “Dasar Pemrograman Web Dinamis Menggunakan PHP”.
Yogyakarta: Andi.
Kroenke, D. M. 2005. “Database Processing: Dasar-dasar, Desain dan
Implementasi”. Jakarta: Erlangga.
Lukmanul, Hakim. 2004. “Cara Gampang Bikin Toko Online”. Jakarta: PT.
Grasindo.
Marhaeni, Raeza. 2017. “Step by step Mahir Menjahit Busana. Panduan Praktis
Belajar Menjahit Otodidak”. Yogyakarta: Bright Publisher.
Patrick, Chi. Dkk. 2004. “Anthropometric Measurements From Photographic
Images”. Hong Kong: Hong Kong University of Science and Technology.
Prasetio, Adhi. 2012. “Buku Pintar Pemrograman Web”. Jakarta: Mediakita.
Purwanto, Djoko. Dkk. 2015. “Sistem Pengukuran Badan Pria untuk Menentukan
Ukuran Baju Berbasis Kinect.” Java Journal of Electrical and Electronics
Enginneering volume 13, Number 1, April 2015.
Putra Darma. 2010. “Pengolahan Citra Digital”. Yogyakarta: Andi.
Rahman, S. “Lectrurers Blog STT-Harapan Medan”. Available from:
http://sayutirahman.stth-medan.ac.id/2013/12/thresholding.html. [Diakses
pada tanggal 22 Desember 2017].
Rai, Rajesh Kumar. Dkk. 2012. “Underwater Image Segmentation using CLAHE
Enhancement and Thresholding”. International Journal of Emerging
Technology and Advanced Engineering.
Supriyanto, Firman. Dkk. 2011. “Perancangan Sistem Pengukuran Antropometri
Badan dan Pembuatan Pola dalam Industri Konveksi dengan
Menggunakan Image Processing”. Tugas Akhir. Surabaya: Institut
Teknologi Surabaya.
Susrini, N.K. 2010. “Cara Gampang Bikin Toko Online”. Jakarta: PT Grasindo.
Sutoyo, T. 2009. “Teori Pengolahan Citra Digital”. Yogyakarta: Andi.
Syakhfari, Fajar. 2011. “Aplikasi Geometry Process Menggunakan Visual Studio”.
Ilmu komputer
Tim PT.Saint Technologies Indonesia. 2011. “Menuju Perdagangan Komoditi
Online: Ftradings sebagai Software Pendukung Perdagangan Komoditi
Online”. Jakarta: Pustaka El-Syarif.
Yusuf, Muhammad. 2012. “1 Jam Membuat Toko Online dengan Joomla
Virtuemart”. Yogyakarta: Expert.
Lampiran I . Data Penskalaan
Lampiran II . Data Skenario I
Lampiran III . Data Skenario II
Lampiran IV. Waktu Proses Olah Citra
NO
Waktu Proses Olah Citra (Detik) Rata-rata
Waktu
Proses
(Detik)
1 2 3
1 17 16 17 16.6
2 16 16 16 16
3 17 17 16 16.6
4 15 19 16 16.6
5 17 19 16 17.3
6 15 16 16 15.6
7 15 16 15 15.3
8 16 15 15 15.3
9 24 24 24 24
10 17 17 17 17
11 17 17 17 17
12 39 37 37 37.6
13 26 26 26 26
14 27 23 23 24.3
15 26 26 26 26
16 25 25 25 25
17 25 25 25 25
18 25 24 24 24.3
NO
Waktu Proses Olah Citra (Detik) Rata-rata
Waktu
Proses
(Detik) 1 2 3
19 25 28 24 25.6
20 24 23 23 23.3
21 24 24 24 24
22 25 25 25 25
23 26 26 26 26
24 24 23 23 23.3
25 27 24 23 24.6
26 26 23 23 24
27 24 23 23 23.3
28 18 18 18 18
29 18 18 18 18
30 20 17 17 18
Total rata-rata waktu proses 21.62
Lampiran V . Source Code
1. Tampilan Web
<!DOCTYPE html>
<html lang="en">
<head>
<title>Front-End Toko Online </title>
<link rel="stylesheet"
href="//maxcdn.bootstrapcdn.com/bootstrap/3.3.1/css/bootstrap.min.css" />
<script
src="//ajax.googleapis.com/ajax/libs/jquery/1.11.2/jquery.min.js"></script>
<script
src="//maxcdn.bootstrapcdn.com/bootstrap/3.3.1/js/bootstrap.min.js"></script>
</head>
<body>
<?php $this->load->view('layout/top_menu') ?>
<!-- Tampilkan semua produk -->
<div class="row">
<!-- looping products -->
<?php foreach($products as $product) : ?>
<div class="col-sm-3 col-md-3">
<div class="thumbnail">
<?=img([
'src' => 'uploads/' . $product->image,
'style' => 'max-width: 100%; max-height:100%;
height:100px' ])?>
<div class="caption">
<h3 style="min-height:60px;"><?=$product>name?></h3>
<p><?=$product->description?></p>
<p><?=anchor('welcome/add_to_cart/' . $product-
>id, 'Buy' , [ 'class' => 'btn btn-primary',
'role' => 'button'
])?>
<a href=" <?php echo base_url();?>kamera" class="btn btn-default"
role="button">My size</a>
</p>
</div>
</div>
</div>
<?php endforeach; ?>
<!-- end looping -->
</div>
</body>
</html>
2. Kamera
</head>
<body>
<!--Camera-->
<div style="margin-left:30%;">
<object width="640" height="480" data="croflash.swf"
type="application/x-shockwave-flash">
<param name="data" value="croflash.swf" /><param name="src"
value="croflash.swf" />
<embed src="croflash.swf" type="application/x-shockwave-flash"
width="640" height="480"></embed>
</object>
</div >
</body>
</html>
3. Menyimpan gambar
<?php
error_reporting(0);
$url = 'http://localhost/toko-online/kamera/hasil.php';
/**
* Get the width and height of the destination image
* from the POST variables and convert them into
* integer values
*/
$w = (int)$_POST['width'];
$h = (int)$_POST['height'];
// create the image with desired width and height
$img = imagecreatetruecolor($w, $h);
// now fill the image with blank color
// do you remember i wont pass the 0xFFFFFF pixels
// from flash?
imagefill($img, 0, 0, 0xFFFFFF);
$rows = 0;
$cols = 0;
// now process every POST variable which
// contains a pixel color
for($rows = 0; $rows < $h; $rows++){
// convert the string into an array of n elements
$c_row = explode(",", $_POST['px' . $rows]);
for($cols = 0; $cols < $w; $cols++){
// get the single pixel color value
$value = $c_row[$cols];
// if value is not empty (empty values are the blank pixels)
if($value != ""){
// get the hexadecimal string (must be 6 chars length)
// so add the missing chars if needed
$hex = $value;
while(strlen($hex) < 6){
$hex = "0" . $hex;
}
// convert value from HEX to RGB
$r = hexdec(substr($hex, 0, 2));
$g = hexdec(substr($hex, 2, 2));
$b = hexdec(substr($hex, 4, 2));
// allocate the new color
// N.B. teorically if a color was already allocated
// we dont need to allocate another time
// but this is only an example
$test = imagecolorallocate($img, $r, $g, $b);
// and paste that color into the image
// at the correct position
imagesetpixel($img, $cols, $rows, $test);
}
}
}
$waktu = date("His");
$nama = $waktu;
// print out the correct header to the browser
header("Content-type:image/jpeg");
imagejpeg($img,$nama.".png", 90);
4. Koneksi Database
include "koneksi.php";
$gambar = $nama;
// Simpan Data ke Database
$koneksi = mysql_connect('localhost','root','') or die("Koneksi Gagal !" .
mysql_error());
$db = mysql_select_db('toko') or die("Database tidak ada !" .
mysql_error());
$sql = "INSERT INTO image (nama,gambar) VALUES
('".$nama."','".$gambar."')";
$simpan = mysql_query($sql);
5. Mengambil dan Menampilkan gambar ke web dari Direktori
// Mendapatkan alamat komputer dari File ini
$pwd = getcwd();
(C:\xampp\htdocs\toko-online\kamera)
// Perintah menjalankan file ekstensi m, Matlab via CLI
$cmd = '"C:\Program Files\MATLAB\R2016a\bin\matlab" -nodisplay -
nosplash -nodesktop -r "run(#'.$pwd.'\teslagi.m#);exit" -wait'; //
#C:\xampp\htdocs\toko-online\kamera\teslagi.m
// membersihkan seluruh string atau session
$cmd = str_replace("#", "'", $cmd);
exec($cmd);
ob_end_clean();
header("location:".$url);
?>
6. Mengambil dan menampilkan hasil olahan gambar dari Matlab
<?php include "koneksi.php"; ?>
<html>
<head>
<title>Capture Webcam dengan JQuery</title>
</head>
<body>
<!--Tampilkan data-->
<div style="margin-left: 25%; margin-top: 20px">
<table border="1" style="text-align:center;">
<tr style="background-color:#ccc;"><td width='320px'>Gambar</td><td
width='250px'>Pixel</td><td width='250px'>Hasil</td><td
width='250px'>Size</td></tr>
<?php
error_reporting(0);
$koneksi = mysql_connect('localhost','root','') or die("Koneksi Gagal !" .
mysql_error());
$db = mysql_select_db('toko') or die("Database tidak ada !" .
mysql_error());
$ambilgambar = mysql_query("SELECT * FROM image");
while ($tampilgambar = mysql_fetch_array($ambilgambar)){
$img = $tampilgambar ['gambar'];
}
$ambil = mysql_query("SELECT * FROM keluaran");
while ($tampil = mysql_fetch_array($ambil)){
$pix = $tampil ['pixel'];
$has = $tampil ['hasil'];
$siz = $tampil ['size'];
}
?>
<tr>
7. Membaca gambar inputan
8. Penambahan CLAHE
9. Cropping dan penggunaan Metode Geometri
10. Kondisi Hasil konversi berdasarkan range