ArticlePDF Available

Abstract and Figures

Since the first computer was founded, keyboard is always been a primary tool for interaction between humans and computers. Today, many computers use image processing technology to make interaction between computers and humans. The author try to apply image processing technology that implemented to virtual keyboard on web application. Using a webcam to capture the tip of index finger and the results will be sent to the localhost server for processing with image processing. Using Haar Cascade Classifier method to detect the tip of index finger, it will produce coordinates that sent to the web application and it used as a reference for determining button positions on virtual keyboard. Virtual keyboard characters will display after appointed by the tip of index finger. From testing results, optimal distance from index finger to webcam is 20 – 35 cm. System can recognize the tip of index finger on white background and room with few furnitures. Average response time for displaying virtual keyboard sentences is 3 minutes and 28.838 seconds. So the virtual keyboard on this system was not able to be used as interface on web application, because it difficult to use in directing the tip of index finger to the character keys.
No caption available
… 
No caption available
… 
Content may be subject to copyright.
IJEIS, Vol.5, No.2, October 2015, pp. 111~122
ISSN: 2088-3714 111
Received March 26th,2014; Revised January 9th, 2015; Accepted October 1th, 2015
Pengolahan Citra Digital untuk Keyboard Virtual Sebagai
Antarmuka pada Aplikasi Berbasis Web
Raksaka Indra Alhaqq*1, Agus Harjoko2
1Program Studi Elektronika dan Instrumentasi, FMIPA UGM, Yogyakarta
2Jurusan Ilmu Komputer dan Elektronika, FMIPA UGM, Yogyakarta
e-mail: *1raksakaindra@gmail.com, 2aharjoko@ugm.ac.id
Abstrak
Sejak pertama kali komputer ditemukan, keyboard selalu menjadi alat utama yang
menjadi penghubung interaksi antara manusia dan komputer. Saat ini banyak komputer yang
menerapkan teknologi pengolahan citra untuk menjadikannya perantara interaksi antara
komputer dan manusia.
Dalam penelitian ini, penulis mencoba untuk menerapkan teknologi pengolahan citra
yang digunakan untuk keyboard virtual pada aplikasi web. Digunakan webcam untuk
menangkap citra ujung jari telunjuk. Hasil capture citra akan dikirimkan ke server localhost
untuk diproses dengan image processing. Untuk mendeteksi ujung jari telunjuk, digunakan
metode Haar Cascade Classifier. Proses pendeteksian tersebut menghasilkan koordinat yang
akan dikirimkan ke aplikasi web yang selanjutnya dijadikan acuan untuk menentukan posisi
tombol pada keyboard virtual. Sehingga keyboard virtual akan menampilan karakter sesuai
dengan yang ditunjuk oleh ujung jari telunjuk.
Dari hasil pengujian yang dilakukan, jarak optimal ujung jari telunjuk dengan webcam
adalah 20 35 cm. Derajat kemiringan ujung jari telunjuk untuk dapat terdeteksi antara
10°. Sistem mampu mengenali ujung jari telunjuk pada ruangan berlatar belakang putih polos
dan terdapat sedikit perabot. Waktu respon untuk menampilkan karakter keyboard virtual rata-
rata 5,156 detik. Sehingga keyboard virtual pada sistem ini belum mampu dijadikan antarmuka
pada aplikasi web, dikarenakan masih sulit digunakan dalam mengarahkan ujung jari telunjuk
ke tombol karakter yang diinginkan.
Kata kunciaplikasi web, Haar Cascade Classifier, keyboard virtual, pengolahan citra
Abstract
Since the first computer was founded, keyboard is always been a primary tool for
interaction between humans and computers. Today, many computers use image processing
technology to make interaction between computers and humans.
The author try to apply image processing technology that implemented to virtual
keyboard on web application. Using a webcam to capture the tip of index finger and the results
will be sent to the localhost server for processing with image processing. Using Haar Cascade
Classifier method to detect the tip of index finger, it will produce coordinates that sent to the
web application and it used as a reference for determining button positions on virtual keyboard.
Virtual keyboard characters will display after appointed by the tip of index finger.
From testing results, optimal distance from index finger to webcam is 20 35 cm. System
can recognize the tip of index finger on white background and room with few furnitures.
Average response time for displaying virtual keyboard sentences is 3 minutes and 28.838
seconds. So the virtual keyboard on this system was not able to be used as interface on web
application, because it difficult to use in directing the tip of index finger to the character keys.
Keywordsweb application, Haar Cascade Classifier, virtual keyboard, image processing
ISSN: 2088-3714
IJEIS Vol. 5, No. 2, October 2015 : 111 122
112
1. PENDAHULUAN
ejak ertama kali komputer ditemukan, keyboard selalu menjadi alat utama yang menjadi
penghubung interaksi antara manusia dan komputer. Seiring berkembangnya arus teknologi
dan ilmu pengetahuan yang cepat, banyak perangkat komputer sekarang ini yang perlahan
meninggalkan bentuk fisik dari keyboard, tetapi tidak meninggalkan fungsi utamanya. Sebut
saja perangkat komputer tablet maupun smartphone.
Tidak ketinggalan pula, saat ini sudah banyak perangkat komputer yang menggunakan
teknologi pengolahan citra (image processing), khususnya computer vision. Dengan computer
vision manusia bisa berinteraksi dengan komputer hanya dengan gerakan-gerakan khusus pada
anggota tubuh atau benda yang berada di sekitarnya tanpa memerlukan perangkat tambahan
tertentu. Dengan metode ini pula, diharapkan mampu diterapkan pada keyboard virtual untuk
berinteraksi dengan perangkat komputer.
Ada berbagai macam yang dapat dijadikan indikator untuk mendekteksi suatu objek
dengan komputer. Bisa dengan warna, bentuk, dan anggota tubuh manusia. Pada penelitian yang
telah dilakukan sebelumnya, deteksi objek diterapkan pada jari tangan dengan menggunakan
Haar Classifier pada library OpenCV, selanjutnya tracking pergerakan jari tangan diterapkan
metode Kalman Filter yang berfungsi untuk memprediksi posisi jari pada frame selanjutnya [1].
Terdapat juga penelitian mengenai penggunaan keyboard virtual yang dihubungkan ke
berbagai perangkat seperti handphone, PDA, dan PC. Keyboard virtual yang dimakan
“VistaKey” ini menggunakan antarmuka tombol keyboard dengan pancaran sinar proyektor dan
sebuah webcam sebagai masukannya, sedangkan hasil keluarannya akan ditampilkan di
berbagai perangkat bergerak melalui koneksi dengan server [2].
Pada penelitian ini dilakukan pendeteksian objek berupa ujung jari telunjuk tangan yang
kemudian dapat diterapkan untuk penggunaan keyboard virtual sebagai antarmuka pada
komputer dan aplikasi web. Pada peneltian ini, digunakan sebuah webcam untuk menangkap
citra ujung jari telunuk. Kemudian data akan dikirim ke server untuk dilakukan pengolahan citra
dan hasilnya akan digunakan untuk penggunaan keyboard virtual pada aplikasi web.
2. METODE PENELITIAN
2.1 Perancangan Sistem Secara Keseluruhan
Secara umum, sistem yang dibuat pada penelitian ini terdiri dari dua tahapan, yaitu
tahap pelatihan pengenalan ujung jari telunjuk dan tahap pengenalan yang bekerja pada aplikasi
web. Pada Gambar 1 menunjukkan blok diagram sistem secara keseluruhan, dimana tahap awal
adalah melakukan pelatihan pengenalan ujung jari telunjuk pada citra dengan menggunakan
metode Haar Cascade Classifier. Hasil dari pelatihan pengenalan ujung jari ini akan diperoleh
nilai fitur Haar yang selanjutnya akan disimpan dalam database pengenalan ujung jari telunjuk
yang nantinya digunakan sebagai acuan dalam image processing pada sistem aplikasi web.
Pada tahap pengenalan yang bekerja pada aplikasi web, terdapat client dan server yang
bekerja dalam satu notebook yang sama. Client merupakan sistem yang menjalankan aplikasi
web melalui browser, sedangkan server yang digunakan adalah server localhost.
Langkah awal yang dilakukan adalah melakukan inialisasi webcam oleh browser.
Browser yang digunakan pada penelitian ini adalah Google Chrome versi 31 yang di dalamnya
terdapat fitur dukungan webcam API (Application Programming Interface). Dengan adanya
fitur ini sebuah webcam dapat merekam citra dan menampilkannya langsung melalui browser.
Webcam pada notebook yang digunakan dalam penelitian ini diatur untuk dapat bekerja
dengan laju 5 frame per second (fps), yang artinya setiap 1 detik dapat mengambil frame citra
objek sebanyak 5 buah. Setiap frame yang berhasil ditangkap oleh webcam selanjutnya akan
dikirim satu per satu ke server localhost melalui koneksi WebSockets.
S
IJEIS ISSN: 2088-3714
Pengolahan Citra Digital untuk Keyboard Virtual Sebagai... (Raksaka Indra Alhaqq)
113
Frame citra yang telah sampai di server localhost akan diproses satu per satu pada tahap
image processing dengan menggunakan database pengenalan ujung jari yang telah dihasilkan
pada proses pelatihan pengenalan ujung jari telunjuk. Setelah ujung jari telunjuk terdeteksi,
maka akan didapatkan koordinat posisi ujung jari telunjuk tersebut. Langkah selanjutnya,
dilakukan penggambaran berbentuk lingkaran berwarna hijau oleh server localhost berdasarkan
koordinat posisi tadi.
Gambar 1 Blok diagram sistem secara keseluruhan
Setelah dilakukan penggambaran, koordinat posisi yang terdiri dari koordinat piksel
horizontal dan vertikal akan dikirimkan ke client. Koordinat piksel posisi ujung jari telunjuk
inilah yang akan dijadikan acuan dalam menentukan posisi pada masing-masing tombol pada
keyboard virtual. Sehingga pada bagian akhir proses akan menampilkan huruf pada form sesuai
dengan koordinat yang ditunjuk oleh ujung jari telunjuk tangan.
2.2 Perancangan Perangkat Lunak
2.2.1 Pelatihan Pengenalan Ujung Jari Telunjuk pada Citra
Untuk dapat mengenali objek yang diinginkan berupa ujung jari telunjuk tangan kanan
maupun tangan kiri pada citra, digunakan metode Haar Cascade Classifier pada 1100 sampel
citra yang di dalamnya terdapat objek yang akan dikenali. Untuk melakukan pengenalan ujung
jari telunjuk menggunakan Haar Cascade Classifier, terdapat tiga langkah yang harus
dilakukan. Langkah pertama, menerapkan Haar template pada citra yang terdapat ujung jari
telunjuk. Terdapat tiga jenis Haar template berdasarkan jumlah persegi yang ada di dalamnya,
yaitu persegi dengan daerah gelap dan terang seperti yang tampak pada Gambar 2.
Gambar 2 Haar Template
ISSN: 2088-3714
IJEIS Vol. 5, No. 2, October 2015 : 111 122
114
Untuk menentukan ribuan Haar template pada sebuah citra secara efisien,
dilakukan langkah kedua yaitu, menghitung nilai fitur dengan menggunakan integral
image. Integral image adalah sebuah citra yang nilai setiap pikselnya merupakan hasil
akumulasi dari nilai piksel atas dan kirinya [3]. Teknik penghitungan ini bisa dilakukan
pada Haar template yang diterapkan pada citra seperti yang ditunjukkan oleh Gambar 3.
Pada citra yang terdapat ujung jari telunjuk berukuran 20 x 20 piksel akan diterapkan
Haar template dengan 2 persegi gelap dan terang berukuran 2 x 3 piksel. Pada citra
yang akan dilatih, di dalamnya terdapat nilai-nilai piksel, nilai inilah yang akan dirubah
ke nilai citra integral dengan menggunakan integral image.
Gambar 3 Penerapan Haar template pada objek ujung jari telunjuk
Seperti yang ditunjukkan oleh Gambar 3, dilakukan pencuplikan nilai piksel dari
citra yang dilatih dengan ukuran 4 x 4 piksel. Kemudian diterapkan Haar template
dengan ukuran 2 x 3 piksel. Nilai piksel pada daerah yang dilakukan pencuplikan tadi
dihitung dengan menggunakan teknik integral image, sehingga menghasilkan nilai citra
integral seperti yang ditunjukkan Gambar 4.
Gambar 4 Perhitungan dengan integral image
Nilai fitur Haar = | (nilai piksel daerah hitam) (nilai piksel daerah putih) |
= | [78+15 (65+20)] [65+12 (55+15)] |
= | 8 7 |
= 1
Selanjutnya adalah menghitung nilai piksel dari masing-masing daerah gelap dan terang
pada area Haar template. Dari perhitungan di atas, pengurangan piksel daerah gelap dan terang
akan didapatkan nilai fitur Haar sebesar 1. Nilai fitur Haar sebesar 1 inilah yang akan
digunakan sebagai parameter klasifikasi objek yang terdeteksi sebagai ujung jari atau bukan.
Jika nilai fitur berada di atas 1, maka citra dianggap terdapat ujung jari telunjuk. Sebaliknya jika
nilai fitur di bawah 1, maka citra dianggap tidak terdapat ujung jari telunjuk. Sehingga nilai fitur
Haar yang didapat akan dijadikan nilai ambang atau threshold. Perhitungan nilai fitur ini akan
berlanjut dengan menggunakan fitur Haar lain dan di posisi yang berbeda pada citra yang
dilakukan pelatihan.
IJEIS ISSN: 2088-3714
Pengolahan Citra Digital untuk Keyboard Virtual Sebagai... (Raksaka Indra Alhaqq)
115
Setelah mendapatkan nilai fitur Haar, dilakukan langkah ketiga yaitu, melatih classifier
berdasarkan berbagai nilai fitur Haar dengan menggunakan algoritma machine learning yang
disebut Adaptive Boost atau AdaBoost. Pada classifier di dalamnya terdapat weak classifier
yang terdiri dari nilai fitur, posisi dan, ukuran Haar tempalate yang dilatih pada citra. Untuk
mendapatkan classifier yang kuat dilakukan metode pengklasifikasian bertingkat, dimana input
dari setiap tingkatan merupakan output dari tingkatan sebelumnya. Semakin tinggi tingkat
classifier, maka semakin banyak pula jumlah weak classifier yang ada. Hal ini mengakibatkan
semakin sulitnya suatu sub-window untuk berhasil melewati tingkatan classifier tersebut,
sehingga jumlah sub-window yang dieleminasi akan semakin banyak, dan jumlah sub-window
yang berhasil lolos ke classifier tingkat selanjutnya akan semakin sedikit. Urutan dalam melatih
classifier ditentukan oleh bobot nilai fitur yang diberikan AdaBoost. Nilai fitur dengan bobot
paling besar diletakkan pada proses classifier yang pertama kali yang bertujuan untuk
menghapus daerah citra yang bukan ujung jari telunjuk secepat mungkin. Untuk tingkatan
classifer yang berikutnya diberikan nilai fitur dengan bobot yang lebih kecil dari tingkat
classifier yang pertama. Begitu juga dengan nilai bobot fitur untuk tingkatan classifier yang
berikutnya [4]. Hasil dari melatih classifier ini bertujuan untuk mendapatkan suatu keputusan
apakah di dalam citra terdapat ujung jari telunjuk yang diinginkan atau tidak. Gambar 5
menunjukkan alur kerja dari klasifikasi bertingkat untuk melatih classifier.
Agar proses pengenalan ujung jari bisa diterapkan pada aplikasi web melalui tahap
image processing, maka nilai fitur dan classifier yang telah dilatih melalui pengklasifikasian
bertingkat akan disimpan dalam bentuk database pengenalan objek ujung jari telunjuk.
Gambar 5 Alur kerja klasifikasi bertingkat untuk melatih classifier
2.2.2 Mengakses Webcam dengan Browser
Proses inialisasi ini akan dilakukan oleh browser yang memiliki fitur dukungan webcam
API (Application Programming Interface). Dengan menggunakan HTML5 getUserMedia
API yang berbasis pada pemrogaman JavaScript yang telah dicantumkan pada sebuah aplikasi
web, maka API ini secara otomatis akan dapat mengakses webcam dan microphone pada
notebook. Langkah selanjutnya adalah melakukan recording dan menampilkannya secara
langsung di aplikasi web. Webcam yang digunakan pada penelitian ini melakukan capture citra
dengan ukuran 640 x 480 piksel. Untuk menampilkan hasil capture dari webcam, digunakan
teknik penggambaran tiap frame dengan HTML5 Canvas yang dilakukan setiap 200 ms,
sehingga frame yang telah digambarkan seolah-olah bergerak seperti video hasil recording dari
webcam. Hasil penggambaran oleh HTML5 Canvas akan menghasilkan frame citra berbentuk
data raw (blob).
2.2.3 Pengiriman Frame Citra ke Server Localhost
Hasil penggambaran tiap frame citra dengan HTML5 Canvas yang berbentuk data raw
akan dikirimkan secara langsung ke server localhost. Frame hasil penggambaran dari HTML5
Canvas berbentuk data raw ini akan dirubah terlebih dahulu ke format image yaitu jpg. Setelah
berhasil membuat image dengan format jpg, maka dilakukan proses pengiriman ke server
localhost melalui koneksi WebSockets. Setelah sampai di server localhost, frame citra akan
disimpan ke buffer yang bersifat sementara (temporary).
ISSN: 2088-3714
IJEIS Vol. 5, No. 2, October 2015 : 111 122
116
2.2.4 Deteksi Posisi Ujung Jari Telunjuk
Untuk melakukan deteksi posisi ujung jari telunjuk pada tahap image processing ini,
dibutuhkan database hasil dari pelatihan pengenalan ujung jari telunjuk pada tahap yang
pertama. Setiap frame citra yang disimpan dalam buffer, akan dilakukan proses pendeteksian
dengan menggunakan metode cascade classifier atau klasifikasi bertingkat seperti yang
ditunjukkan prosesnya pada Gambar 5. Frame citra yang telah diambil dari buffer akan
melewati tahap classifier pertama dengan inputan adalah seluruh sub-window pada frame citra.
Semua sub-window pada frame citra yang telah berhasil melewati classifier pertama akan
dilanjutkan ke tahap classifier kedua, kemudian sub-window yang juga berhasil melewati
classifier kedua akan dilanjutkan ke tahap classifier ketiga, dan seterusnya. Apabila suatu sub-
window berhasil melewati semua tingkatan classifier, maka sub-window tersebut dinyatakan
sebagai ujung jari telunjuk. Sedangkan untuk sub-window yang gagal melewati suatu tingkat
classifier akan langsung dieleminasi dan dinyatakan sebagai bukan ujung jari telunjuk.
Frame citra yang berhasil terdeteksi di dalamnya terdapat ujung jari telunjuk akan
menghasilkan nilai koordinat awal dan panjang area dari ujung jari telunjuk. Untuk menentukan
posisi ujung jari telunjuk, perlu dicari nilai titik tengah dari area ujung jari telunjuk yang
terdeteksi seperti yang ditunjukkan pada Gambar 6.
Gambar 6 Area pada ujung jari telunjuk yang terdeteksi
Untuk menghitung nilai titik tengah dari area ujung jari telunjuk yang terdeteksi
digunakan persamaan (1), yaitu nilai koordinat awal pada tepi area (x.coord dan y.coord)
kemudian ditambahkan dengan setengah nilai panjang area (width / height). Maka akan
didapatkan nilai koordinat posisi ujung jari telunjuk yang sebenarnya pada sumbu x (horizontal)
maupun sumbu y (vertikal). Nilai koordinat piksel yang dihasilkan berkisar antara 0 640 piksel
untuk koordinat horizontal dan 0 480 piksel untuk koordinat vertikal sesuai dengan ukuran
frame citra hasil capture dari webcam yaitu 640 x 480 piksel.
x Axis = x.coord + width / 2
y Axis = y.coord + height / 2
Dengan didapatkannya kedua nilai koordinat posisi objek di atas, maka nilai tersebut
yang akan dijadikan acuan untuk menentukan posisi masing-masing tombol pada keyboard
virtual. Untuk memudahkan pembacaan nilai koordinat posisi objek pada aplikasi web di client,
maka nilai tersebut dirubah ke dalam format JSON yang mendukung bahasa pemrogaman
JavaScript. Format yang disajikan adalah { x = xAxis, y = yAxis }.
2.2.5 Object Drawing
Proses tahap kedua di bagian image processing ini akan melakukan penggambaran pada
ujung jari yang terdeteksi (object drawing). Penggambaran dilakukan dengan mengacu pada
nilai titik tengah dan panjang area pada ujung jari yang terdeteksi. Proses penggambaran yang
dilakukan adalah dengan menggambarkan bentuk lingkaran berwarna hijau pada ujung jari
telunjuk yang terdeteksi.
Apabila suatu frame citra tidak berhasil mendeteksi ujung jari telunjuk, maka proses
object drawing tidak akan dilakukan. Sehingga frame citra yang berhasil maupun tidak berhasil
(1)
IJEIS ISSN: 2088-3714
Pengolahan Citra Digital untuk Keyboard Virtual Sebagai... (Raksaka Indra Alhaqq)
117
dilakukan penggambaran akan disimpan di kembali dalam buffer yang bersifat
sementara/temporary.
2.2.6 Menampilkan Karakter dan Merancang Antarmuka Aplikasi Web
Untuk menampilkan karakter dari tombol-tombol keyboard virtual digunakan
pemrograman JavaScript. Karakter yang akan ditampilkan adalah huruf dari A Z dan angka
dari 0 9. Setiap karakter yang ditampilkan akan ditentukan terlebih dahulu nilai koordinat
posisinya. Untuk menampilkan karakter yang dipilih oleh ujung jari telunjuk, maka nilai
koordinat posisi ujung jari telunjuk yang telah terdeteksi dalam format JSON akan dibaca oleh
JavaScript. Karakter akan tampil ketika koordinat posisi ujung jari telunjuk mempunyai nilai
yang sama dengan range nilai koordinat yang telah ditentukan pada masing-masing karakter
keyboard virtual. Misal, koordinat tombol karakter Q pada keyboard virtual diatur koordinat
posisinya antara 50 x ≤ 86 dan 93 ≤ y ≤ 129. Ketika koordinat posisi ujung jari telunjuk yang
terdeteksi bernilai x = 70 dan y = 100, maka karakter Q akan tampil pada form.
2.2.7 Implementasi Sistem
Implementasi sistem ini menggunakan perangkat keras dan perangkat lunak sebagai
berikut:
1. MacBook Pro MB990, 2.26 Ghz Intel Core 2 Duo, 4GB 1067 Mhz DDR3 RAM
2. Sistem Operasi Mac OS X 10.8.5 Mountain Lion
3. iSight (webcam) pada MacBook Pro
4. OpenCV v2.5
5. Node.js v0.10.20
6. Browser Google Chrome v31.0
7. jQuery v2.0.0
Untuk melakukan implementasi sistem pada penelitian ini adalah dengan menjalankan
server localhost melalui Terminal. Setelah sistem server localhost berjalan, buka browser
Google Chrome dan ketikkan alamat URL http://localhost:8080/. Ketika mengakses
alamat tersebut, browser akan melakukan inialisasi dan mengaktifkan webcam. Webcam
melakukan capture citra dan menampilkannya di aplikasi web, posisikan ujung jari telunjuk
mengarah ke arah webcam sehingga ujung jari telunjuk ter-capture dan langsung terlihat di
aplikasi web. Selang seper sekian detik, ujung jari akan terdeteksi dengan ditandai lingkaran
berwarna hijau. Arahkan ujung jari telunjuk ke tombol karakter pada keyboard virtual yang
diinginkan. Maka akan terlihat efek menekan tombol keyboard virtual dan selang beberapa detik
karakter yang dipilih akan ditampilkan di form pada aplikasi web. Hasil implementasi sistem
berupa antarmuka pada aplikasi web ditunjukkan pada Gambar 7.
Gambar 7 Hasil implementasi sistem pada aplikasi web di Google Chrome
ISSN: 2088-3714
IJEIS Vol. 5, No. 2, October 2015 : 111 122
118
3. HASIL DAN PEMBAHASAN
3.1 Pengujian Pengaruh Intensitas Cahaya dalam Ruangan
Pengujian pengaruh intensitas cahaya digunakan di dalam ruangan dengan 4 kondis
yang berbeda. Untuk mengukur besarnya intensitas cahaya, penulis menggunakan light meter
dengan merk Krisbow® seri KW06-288. Light meter berfungsi untuk mengukur tingi rendahnya
intensitas cahaya dengan satuan lux yang ada di sekitar ruangan pengujian.
Tabel 1 Hasil pengujian pengaruh intensitas cahaya dalam ruangan
No.
Kondisi Ruangan
Intensitas
Cahaya (lux)
Jumlah
Percobaan
1.
Gelap
5 10
10
2.
Cahaya lampu sedang
30 50
10
3.
Cahaya matahari
60 80
10
4.
Cahaya lampu terang
100 125
10
Berdasarkan hasil pengujian yang telah dilakukan sebanyak 10 kali percobaan, dapat
dilihat pada Tabel 1 bahwa sistem dapat mendeteksi ujung jari telunjuk dengan baik pada 3
ruangan, yaitu ruangan dengan cahaya lampu sedang, lampu terang, dan terkena cahaya
matahari. Pada ruangan dengan lampu terang dan ruangan yang terkena cahaya matahari, sistem
berhasil mendeteksi ujung jari telunjuk sebanyak 10 kali. Sedangkan pada ruangan dengan
cahaya lampu sedang, sistem berhasil mendeteksi ujung jari telunjuk sebanyak 9 kali. Dengan
demikian, salah satu faktor utama yang mempengaruhi pendeteksian objek adalah intensitas
cahaya pada ruang uji, semakin gelap kondisi ruangan, maka semakin kecil nilai intensitas
cahayanya sehingga sistem akan semakin sulit untuk mendeteksi objek ujung jari telunjuk.
3.2 Pengujian Jarak Ujung Jari Telunjuk Terhadap Webcam
Pengujian jarak objek ujung jari telunjuk terhadap webcam dilakukan untuk mengetahui
jarak maksimal dan minimal yang dapat dideteksi oleh sistem. Pengujian ini dilakukan dengan
cara melakukan variasi jarak horizontal antara webcam dengan ujung jari telunjuk pada ruangan
terang dengan intensitas cahaya antara 100 125 lux.
Tabel 2 Hasil pengujian jarak ujung jari telunjuk terhadap webcam
No.
Jarak (cm)
Jumlah Percobaan
Keterangan
1.
10
10
10 terdeteksi, 0 error
2.
15
10
10 terdeteksi, 0 error
3.
20
10
10 terdeteksi, 0 error
4.
25
10
9 terdeteksi, 1 error
5.
30
10
10 terdeteksi, 0 error
6.
35
10
9 terdeteksi, 1 error
7.
40
10
8 terdeteksi, 2 error
8.
45
10
6 terdeteksi, 4 error
9.
50
10
6 terdeteksi, 4 error
10.
55
10
3 terdeteksi, 7 error
11.
60
10
1 terdeteksi, 9 error
12.
65
10
0 terdeteksi, 10 error
13.
> 65
10
0 terdeteksi, 10 error
IJEIS ISSN: 2088-3714
Pengolahan Citra Digital untuk Keyboard Virtual Sebagai... (Raksaka Indra Alhaqq)
119
Dari hasil pengujian yang dilakukan sebanyak 10 kali percobaan, seperti yang terlihat
pada Tabel 2 bahwa jarak yang dapat dideteksi oleh sistem melalui webcam terletak pada jarak 5
hingga 60 cm. Pada jarak 10 50 cm menghasilkan objek yang paling banyak terdeteksi,
sedangkan pada jarak lebih dari 50 cm objek sudah sulit terdeteksi oleh sistem melalui webcam.
Semakin jauh jarak objek terhadap webcam, maka semakin kecil objek sehingga sistem sulit
untuk melakukan pendeteksian. Untuk jarak yang paling optimal adalah antara 20 35 cm,
karena pada jarak tersebut ukuran ujung jari telunjuk yang terdeteksi sesuai dengan ukuran
tombol pada keyboard virtual. Sedangkan pada jarak kurang dari 20 cm, ukuran ujung jari yang
terdeteksi terlalu besar dikarenakan semakin dekat dengan webcam. Akibatnya dua tombol
keyboard virtual akan tertekan secara bersamaan.
3.3 Pengujian dengan Variasi Latar Belakang/Background Ruangan
Latar belakang atau background adalah salah satu hal yang dapat mempengaruhi
pemrosesan pengolaha citra. Oleh karena itu, perlu dilakukan pengujian sistem dengan variasi
latar belakang di dalam ruangan.
Tabel 3 Hasil dengan pengujian variasi latar belakang ruangan
No.
Jenis Background Ruangan
Jumlah Percobaan
Keterangan
1.
Putih dan polos
10
10 terdeteksi, 0 error
2.
Coklat dan bercorak
10
6 terdeteksi, 4 error
3.
Ruangan I
10
9 terdeteksi, 1 error
4.
Ruangan II
10
8 terdeteksi, 2 error
Dari hasil pengujian yang dilakukan sebanyak 10 kali percobaan, seperti yang
ditunjukkan oleh Tabel 3 bahwa sistem dapat mendeteksi ujung jari dengan baik pada ruangan
dengan background berwarna putih dan polos, terbukti dengan hasil percobaan yang berhasil
sebanyak 10 kali. Hasil pengujian dengan latar belakang ruangan yang berwarna putih polos
ditunjukkan pada Gambar 8 (a).
Gambar 8 (a) Pengujian pada latar belakang putih polos (b) Pengujian pada latar belakang
coklat bercorak (c) Pengujian pada ruangan dengan sedikit perabot (d) Pengujian pada ruangan
dengan banyak perabot
ISSN: 2088-3714
IJEIS Vol. 5, No. 2, October 2015 : 111 122
120
Pada ruangan berlatar belakang berwarna coklat dan bercorak, sistem sedikit mengalami
kesulitan dalam mendeteksi ujung jari telunjuk, terbukti hanya 6 kali yang berhasil terdeteksi.
Hal ini dikarenakan warna coklat pada latar belakang memiliki warna yang hampir sama dengan
warna kulit pada ujung jari telunjuk. Sistem mengalami kesulitan membedakan latar belakang
dengan ujung jari dikarenakan nilai fitur yang dihasilkan antara daerah latar belakang dan objek
di bawah nilai ambang (threshold). Sedangkan agar berhasil mendeteksi objek yang diinginkan,
nilai fitur harus di atas nilai ambang (threshold). Hasil pengujian dengan latar belakang ruangan
yang berwarna coklat dan bercorak ditunjukkan pada Gambar 8 (b).
Pada ruangan dengan latar belakang yang memiliki sedikit perabot, sistem dapat
mendeteksi ujung jari telunjuk dengan baik, terbukti dengan 9 kali berhasil mendeteksi ujung
jari di dalam percobaan. Hasil pengujian dengan latar belakang ruangan yang memiliki sedikit
perabot ditunjukkan pada Gambar 8 (c).
Sedangkan pada ruangan dengan latar belakang yang memiliki banyak perabot, sistem
juga masih dapat mendeteksi ujung jari telunjuk, terbukti berhasil melakukan pendeteksian
sebanyak 8 kali. Namun, seperti yang ditunjukkan hasil pengujian pada Gambar 8 (d), terjadi
kesalahan pada sistem dalam melakukan pendeteksian. Sistem juga mendeteksi benda-benda
lain dengan ditandai adanya lingkaran berwarna hijau pada frame. Hal ini disebabkan benda-
benda tersebut memiliki bentuk yang hampir sama dengan bentuk ujung jari telunjuk. Sehingga
sistem menganggapnya sebagai ujung jari telunjuk.
Sehingga sistem akan mendeteksi ujung jari telunjuk dengan baik pada latar belakang
yang berwarna putih polos atau di dalam ruangan dengan sedikit perabot di dalamnya.
Sedangkan pada latar belakang berwarna coklat dan bercorak, sistem mengalami kesulitan
mengenali ujung jari telunjuk dan terjadi kesalahan dalam mendeteksi objek selain ujung jari
telunjuk.
3.4 Pengujian Ketepatan dan Waktu Respon dalam Menampilkan Karakter Keyboard Virtual
Perlu dilakukan pengujian ketepatan dalam menampilkan karakter untuk mengetahui
tingkat keakuratan kinerja yang diberikan sistem melalui keyboard virtual sebagai antarmuka.
Pengujian ini dilakukan dengan menuliskan susunan kata yang diinginkan dengan menggunakan
keyboard virtual. Susuanan kata yang akan ditampilkan adalah “VIRTUAL KEYBOARD”.
Pengujian ini masih dilakukan pada ruangan dengan latar belakang putih polos dan dengan jarak
ujung jari terhadap webcam 20 35 cm.
Tabel 4 Hasil pengujian ketepatan dalam menampilkan karakter keyboard virtual
No.
Percobaan
ke-
Karakter/Kata
yang Tampil
JumlahError
Karakter
Waktu respon
(menit)
1.
1
VIRTUAL KEJYMBOARVD
3
4:13.89
2.
2
VITRTIUAL KGEYBOANRD
4
4:28.32
3.
3
VPIRGTUAL KEYBOARD
2
2:50.46
4.
4
VITRNTUAL KTEUYBOARD
4
3:13.87
5.
5
VIRTUZAL KEYBJOARD
2
2:37.65
Dari hasil percobaan yang telah dilakukan sebanyak 5 kali dalam menampilkan susunan
kata “VIRTUAL KEYBOARD”, seperti yang ditunjukkan pada Tabel 4 bahwa keyboard vitual
masih sering melakukan kesalahan (error) dalam menampilkan karakter yang tidak diinginkan
dengan rata-rata error yang terjadi adalah 3 karakter. Kesalahan menampilkan karakter tersebut
bisa disebabkan jarak antar tombol karakter keyboard virtual yang terlalu sempit sehingga salah
dalam menujuk karakter, atau bisa juga disebabkan sistem mendeteksi objek selain ujung jari
telunjuk. Kesalahan dalam pendeteksian objek selain ujung jari telunjuk dapat terlihat pada
Gambar 9 dimana terdapat 2 lingkaran berwarna hijau yang terdeteksi selain ujung jari telunjuk,
yaitu pada ruas tulang bagian luar jari tengah dan tulang pipi.
IJEIS ISSN: 2088-3714
Pengolahan Citra Digital untuk Keyboard Virtual Sebagai... (Raksaka Indra Alhaqq)
121
Gambar 9 Kesalahan pendeteksian selain ujung jari telunjuk pada pengujian ketepatan dalam
menampilkan karakter keyboard virtual
Dari pengujian ini menujukkan keyboard virtual dalam aplikasi web ini belum bisa
dijadikan sebagai antarmuka dikarenakan masih sulit digunakan dan tidak mendatangkan
kemudahan bagi pengguna dalam berinteraksi, yang meliputi masih seringnya terjadi kesalahan
menampilkan karakter yang tidak diinginkan dan waktu respon yang cukup lama dalam
menuliskan susunan kata “VIRTUAL KEYBOARD” dengan rata-rata 3 menit 28,838 detik.
4. KESIMPULAN
Dari penelitian yang telah dilakukan, dapat diambil beberapa kesimpulan sebagai
berikut:
1. Metode yang digunakan untuk mengenali ujung jari telunjuk dengan menggunakan
metode Haar Cascade Classifier sudah berjalan dengan cukup baik.
2. Jarak optimal secara horizontal antara ujung jari telunjuk dan webcam adalah 20 35 cm.
3. Sistem mampu mengenali ujung jari telunjuk pada ruangan berlatar belakang warna putih
polos dan ruangan dengan sedikit perabot di dalamnya. Sistem mengalami kesulitan
mengenali ujung jari telunjuk pada ruangan berlatar belakang yang bercorak. Sedangkan
pada ruangan dengan banyak perabot di dalamnya, sistem mengalami kesalahan berupa
mendeteksi objek selain ujung jari telunjuk.
4. Waktu respon yang dibutuhkan untuk menampilkan susunan karakter “VIRTUAL
KEYBOARD” pada keyboard virtual terhitung cukup lama dan kurang baik, dengan rata-
rata 3 menit 28,838 detik.
5. Keyboard virtual pada sistem ini belum mampu dijadikan sebagai antarmuka pada
aplikasi web, dikarenakan masih sulit digunakan dalam mengarahkan ujung jari telunjuk
ke tombol karakter yang diinginkan sehingga tidak mendatangkan kemudahan bagi
pengguna dalam berinteraksi, serta masih terdapat error dalam menampilkan susunan
kata/karakter pada keyboard virtual.
ISSN: 2088-3714
IJEIS Vol. 5, No. 2, October 2015 : 111 122
122
5. SARAN
Beberapa saran dari penulis untuk pengembangan sistem lebih lanjut adalah sebagai
berikut:
1. Sebaiknya sistem ini dikembangkan agar dapat berjalan di cloud server, sehingga sistem
dapat diakses dan digunakan oleh banyak orang dengan menggunakan browser.
2. Perlu diujikan pada berbagai browser yang telah beredar luas dan dapat digunakan juga
pada tablet atau smartphone.
3. Dikarenakan antarmuka berupa keyboard virtual masih kurang efektif ketika
diimplementasikan, maka perlu dikembangkan antarmuka berupa interaksi menggambar
atau dapat mengendalikan game menggunakan ujung jari telunjuk pada aplikasi web.
DAFTAR PUSTAKA
[1] Ramadijanti, N., Setiawardhana, dan Alhaqqi, R.M., 2010, Tracking Jari dengan Haar
Cascade dan Filter Kalman pada Virtual Keyboard, Invotek, No.1, Vol.3, 1-9.
[2] Wijewantha, N.S., 2003, VistaKey: A Keyboard Without A Keyboard A Type Of Virtual
Keyboard, Tesis, Department of Computing Informatics Institute of Technology, Wellawatta,
Sri Lanka.
[3] Santoso, H. dan Harjoko, A., 2013, Haar Cascade Classifier dan Algoritma AdaBoost untuk
Deteksi Banyak Wajah dalam Ruang Kelas, Jurnal Teknologi, No.2, Vol.6, 108-115.
[4] Putro, M.D., Adji, T.B., dan Winduratna, B., 2012, Sistem Deteksi Wajah dengan
Menggunakan Metode Viola-Jones, Seminar Nasional ―Science, Engineering and
Technology‖, Yogyakarta.
... Proses pembelajaran pada kelas cendekia memberikan solusi bagi pengguna untuk dapat mengikuti kelas belajar tanpa harus berada dalam ruang kelas. Pengguna hanya perlu login melalui perangkat teknologi masing-masing dan hadir dalam kelas tersebut secara virtual melalui dunia maya [5], [6]. ...
Article
Full-text available
Urgency usefulness of online learning system based on social constructivism which is the mobile virtual classroom learning philosophy is of concern, because the system is built on the pattern of reciprocity between users in order to produce the most quality materials see the absence of a system that provides online learning for it. Content of lecture materials that have been divided into certain categories are processed into virtual versions and delivered lightly. The recommendation system is designed to respond users who have rated it by providing good quality course material. Software is created with Unity Engine and incorporated the recommended system protocol with data stored in a scholarly research database. The recommendation system implemented is the items based collaborative filtering with the specification of training data used are 401 rating data, 51 records and 17 users. With sparsity data training amounted to 53.74%, tested the prediction accuracy resulted RMSE 0.91523 and the accuracy of 81.69%. The mobile version of virtual class that has been planted with recommendation system is tried and tested on several brands of android smartphone. Results obtained on the questionnaire resulted in a rating of 4,762 on performance and 4,572 against the intellectual class software interface. Whereas the level of user enthusiasm for the virtual class reaches 4,0588 on a scale of 1 to 5.
Article
Full-text available
Some cases the recording data of Closed Circuit Television (CCTV) is stored for future use. In the long term usage, the files size will grow larger and requiring large storage devices. In some cases, the recorded data not only image with the desired object but also the background images that may be recorded for long periods of time. This cases make data storage device usage to be less effective. So this research will design a system of CCTV devices that capable to select images to reduce the size of stored images data by image processing. The images selection of this system is based on based on adaptive median algorithm. When any object get detected, the images data to be saved is current input frame. Otherwise, the data to be saved is background model image. Background model on this system is adapted with the change visual data of background image. The results obtained from this research in the form of a CCTV system that are able to select recording data to be stored with image processing. The background model will be kept adapting with background visual data changes.
Tracking Jari dengan Haar Cascade dan Filter Kalman pada Virtual Keyboard, Invotek
  • N Ramadijanti
  • Setiawardhana
  • R M Alhaqqi
Ramadijanti, N., Setiawardhana, dan Alhaqqi, R.M., 2010, Tracking Jari dengan Haar Cascade dan Filter Kalman pada Virtual Keyboard, Invotek, No.1, Vol.3, 1-9.
VistaKey: A Keyboard Without A Keyboard -A Type Of Virtual Keyboard, Tesis, Department of Computing Informatics Institute of Technology
  • N S Wijewantha
Wijewantha, N.S., 2003, VistaKey: A Keyboard Without A Keyboard -A Type Of Virtual Keyboard, Tesis, Department of Computing Informatics Institute of Technology, Wellawatta, Sri Lanka.
Haar Cascade Classifier dan Algoritma AdaBoost untuk Deteksi Banyak Wajah dalam Ruang Kelas
  • H Santoso
  • A Harjoko
Santoso, H. dan Harjoko, A., 2013, Haar Cascade Classifier dan Algoritma AdaBoost untuk Deteksi Banyak Wajah dalam Ruang Kelas, Jurnal Teknologi, No.2, Vol.6, 108-115.