BAB 3 ANALISIS DAN PERANCANGAN 3.1. Analisis Sistem Analisis sistem merupakan tahap penguraian konsep menjadi lebih sederhana, sehingga struktur

Please download to get full document.

View again

of 32
6 views
All materials on our website are shared by users. If you have any questions about copyright issues, please report us to resolve them. We are always happy to assist you.

Download

Document Related
Document Description
BAB 3 ANALISIS DAN PERANCANGAN 3.1. Analisis Sisem Analisis sisem merupakan ahap penguraian konsep menjadi lebih sederhana, sehingga srukur logisnya menjadi lebih jelas. Analisis sisem erdiri dari beberapa
Document Share
Document Transcript
BAB 3 ANALISIS DAN PERANCANGAN 3.1. Analisis Sisem Analisis sisem merupakan ahap penguraian konsep menjadi lebih sederhana, sehingga srukur logisnya menjadi lebih jelas. Analisis sisem erdiri dari beberapa ahapan, dianaranya analisis masalah,analisis proses, analisis meode, analisis kebuuhan non-fungsional, dan analisis kebuuhan fungsional Analisis Masalah Menganuk banyak mengakibakan kecelakaan lalu linas yang meyebabkan korban cedera, kerugian maeri dan bahkan kemaian. Oleh karena iu dibua aplikasi simulasi keselamaan akif unuk mendeeksi kanuk dengan mengamai pergerakan maa seseorang. Tujuan uaman,ya adalah unuk membua kepuusan yang berguna enang kondisi maa berdasarkan image yang didapa dari sensor. Penerapan Compuer Vision cukup banyak digunakan dalam sisem keamanan maupun proeksi. Salah saunya pengenalan pola pada objek maa. Misalnya, penerapan pengenalan pola pada objek maa ini dapa digunakan sebagai sisem proeksi dengan menjadikan maa sebagai objek scanning unuk sisem sensor. Sisem pendeeksi kanuk ini memanfaakan webcam camera sebagai sensornya. Selanjunya daa kamera diproses dengan menggunakan CPU (Cenral Processing Uni) unuk mengolah dan mengeksekusi daa yang elah diangkap. Meode yang digunakan unuk mendeeksi maa menganuk adalah Haar Cascade classifier, yaiu meode yang dapa meliha dari adanya maa seseorang eruup dan meode ini memiliki keakuraan yang inggi dalam mendeeksi suau objek Analisis maa menganuk Prangka lunak ini menggunakan maa sebagai objek observasi. Pemilihan maa sebagai objek observasi dikarenakan maa merupakan fakor yang sanga pening unuk mendeeksi keadaan pengemudi, apakah pengemudi dalam keadaan menganuk aau idak. Cira maa diambil dengan menggunakan webcam sebagai cira real ime. Dengan penggunaan webcam sebagai inpu secara real ime dapa 25 26 menyebabkan masalah seperi waku proses dan keakuraan dalam proses pendeeksian objek. Peneliian kali ini menggunakan maa dalam keadaan eruup 100% sebagai objek peneliiannya. Menuru Mark A.W. Andrews, profesor fisiologi dari Seon Hill Universiy, Greensburg, Pennsylvania, kelopak maa bisa menuup sendiri sering disebabkan oleh maa yang sudah erlalu lelah. Andrews menjelaskan bahwa saa erlalu lama berkendara, membaca aau bekerja dengan kompuer, kekuaan oo di area kelopak maa bisa menurun, Andrews membandingkan hal ersebu seperi keika seseorang berjalan kaki seharian anpa berheni. Kelopak maa bisa erasa sanga bera dan eruup 100% keika seseorang mengerahkan konsenrasi dan memaksa maa eap erbuka dalam jangka waku yang lama. Apalagi bila seseorang bekerja di lingkungan yang agak gelap, seperi halnya berkendara di malam hari. Menuru sudi yang dilakukan oleh Phillip.P. Caffier [10], mengelompokkan ingkaan kanuk berdasarkan durasi kedipan maa. Umumnya durasi kedipan raa-raa adalah kurang dari 400 Ms dan 75 Ms unuk minimum. Berdasarkan alasan ini, maka digunakan 400 Ms sebagai waku kanuk (T_kanuk) dan 800 Ms sebagai waku elah eridur (T_idur) Analisis Lingkungan Cira maa diambil dengan menggunakan webcam sebagai cira real ime. Dengan penggunaan webcam sebagai inpu secara real ime dapa menyebabkan beberapa masalah seperi kondisi lingkungan, sera waku proses dan keakuraan dalam proses pendeeksian objek. Kondisi lingkungan dan keakuraan dalam melakukan pendeeksian objek menjadi perimbangan uama dalam pemilihan meode. Hal ini dikarenakan program berlangsung secara real ime maka dibuuhkan lingkungan yang memiliki inisias cahaya yang cukup, selain iu menginga objek yang akan dideeksi cukup kecil berupa maa maka ingka keakuraan harus diperhaikan. Analisis Proses Pengenalan Pola Maa pada Haar Classifier Dalam analisis processing image (Pengenalan pola maa) ini dibagi menjadi 3 ahap[5]: 1. penskalaan(scaling) 2. grayscaling 3. resholding Gambar 3.1 Alur proses pengenalan pola maa 1. Tahap Penskalaan (Scaling) Cira digial yang diambil secara real ime oleh webcam akan diperkecil dengan menggunakan meode inerpolasi. Meode ini menggunakan nilai raa raa suau region unuk mewakili region ersebu. 28 Cira asli Cira Hasil 120,5 195,75 98,75 81,75 Inerpolasi 161, ,75 124,5 164,5 189,5 125,25 53 Gambar 3.2 Meode inerpolasi unuk memperkecil gambar Nilai piksel pada koordina pada cira hasil inerpolasi diperoleh dengan menghiung nilai raa raa dari 4 nilai piksel pada cira asli, yaiu : Tabel 3.1 Raa-raa dari 4 piksel pada cira Nilai Piksel Cira Asli Nilai Piksel Cira Hasil Inerpolasi /4 120, /4 195, /4 98, /4 81, /4 161, / /4 145, /4 124, /4 164, /4 189, /4 125,25 29 2. Tahap Grayscaling Represenasi nilai RGB (Red, Green, Blue) diubah menjadi gambar yang erdiri dari warna puih dan gradiasi warna hiam yang biasa disebu greyscale. Unuk mengubah RGB menjadi greyscale dapa digunakan rumus sebagai beriku: Greyscale = 0.299R G B...(3.1) Misalkan R=124,8 G=145,8 B=109,3 Greyscal: (0.299x124,8) + (0.587x145.8) + (0.114x109.3) = Beriku ini adalah cira hasil grayscaling : Cira Asli Cirra grayscaling Gambar 3.3 Proses pengubahan cira RGB menjadi cira Grayscale 3. Tahap Tresholding Selanjunya adalah ahap resholding yang digunakan unuk mengubah gambar hasil grayscale menjadi gambar biner. Nilai Treshold dihiung dengan membagi nilai hasil grayscaling pada ahap sebelumnya dengan nilai jumlah deraja keabuan (0 sampai 255 = 256) dibagi dengan 256 (nilai deraja keabuan yang diinginkan). Proses penghiungan nilai reshold unuk cira maa adalah sebagai beriku : X= = = (3.2) Dimana : x = nilai pembanding hreshold w = nilai hasil grayscaling b = 256/a ( a = 256) 30 Unuk mengubah cira RGB menjadi cira biner menggunakan auran sebagai beriku: 1. Jika nilai piksel cira x maka nilai piksel menjadi 1 2. Jika nilai piksel cira x maka nilai piksel menjadi 0 biner : Beriku ini adalah proses pengubahan cira RGB menjadi cira biner : Gambar 3.4 Cira Hasil Gambar 3.5 Cira Biner Beriku ini adalah gambar hasil pengubahan cira grayscale menjadi cira Gambar Grayscale Gambar Biner Gambar 3.6 Proses pengubahan cira Grayscale ke Cira Biner Keiga ahapan ini merupakan ahapan pengenalan pola maa yang digunakan oleh aplikasi pendeeksi maa menganuk. Keiga ahapan ini dibangun 31 dengan mengunakan emgu cv. Emgu cv elah mempasiliasi proses ini sehinga dengan mudah dapa direalisasikan di aplikasi maa menganuk ini Tahap Deeksi Maa Dalam skema peneliian ini akan diperlihakan uruan dari saa raining daa hingga dapa erdeeksi, peneliian yang dilakukan adalah unuk membua sebuah perangka lunak yang dapa digunakan unuk mendeeksi maa yang menganuk secara real ime dengan menggunakan Haar Cascade Classifier, daerah maa yang erdeeksi dapa digunakan unuk mengeahui apakah seseorang dalam keadaan maa eruup aau idak, secara cepa dan efisien. Skema deeksi maa eruup pada peneliian ini dapa diliha pada Gambar 3.1. Haar Cascade Classifier Gambar 3.7 Skema deeksi maa menganuk 32 1. Creae Samples Pada bagian ini diperlukan 2 ipe gambar objek dalam proses raining yang akan dilakukan, yaiu : a. Posiive samples merupakan gambar objek yang ingin dideeksi, apabila ingin mendeeksi wajah menganuk maka posiive samples ini berisi dengan gambar wajah dengan kondisi maa menganuk, begiu pula dengan objek lain yang ingin dikenali. Conoh gambar posiive samples pada Gambar 3.8 Gambar 3.8 Conoh gambar posiif b. Negaive samples merupakan gambar selain objek, umunya berupa gambar background (embok, pemandangan, lanai, dan gambar lainnya). Conoh gambar negaive samples dapa diliha pada Gambar 3.9 Gambar 3.9 Conoh gambar negaif 33 Resolusi unuk posiive samples dan negaive samples bernilai sama dengan resolusi kamera yaiu 320x240 piksel. Ini dilakukan unuk mengurangi error dalam proses pengklasifikasiannya. 2. Cropping Image Proses cropping ini adalah unuk menenukan objek-objek yang akan digunakan dalam proses Haar raining. Dari sekumpulan gambar posiif ersebu akan dilakukan cropping secara manual erhadap objek spesifik yang akan dideeksi. Pada proses Haar raining, objek yang elah di cropping ersebu akan dikonversikan ukurannya menggunakan eknik resize (umumnya menggunakan cira berukuran 24x24 piksel) pada keseluruhan objek dan mencari apakah erdapa bagian dari gambar yang berbenuk seperi maa menganuk aau idak. Teknik resize ini menunjukkan bahwa seiap cira yang akan diklasifikasi, berapapun ukurannya, akan diubah erlebih dahulu ke dalam ukuran 24x24. Misal, erdapa gambar berukuran 40x40, maka gambar ersebu akan dikonversi menjadi berukuran 24x24. Demikian pula, jika erdapa gambar yang lebih kecil dari 24x24, misalnya 10x10, maka gambar ersebu akan diubah ke dalam ukuran 24x24 [3]. Seperi pada gambar 3.10: Gambar 3.10 Cropping Manual 3. Cascaded Classifier Cascaded classifier merupakan suau meode pengklasifikasian beringka, dimana inpu dari seiap ingkaan merupakan oupu dari ingkaan sebelumnya. Pada classifier ingka perama, yang menjadi inpuan adalah seluruh cira. Semua cira yang berhasil melewai classifier perama akan dilanjukan ke classifer ke dua, dan seerusnya. Apabila suau cira berhasil melewai semua ingka 34 classifier, maka cira ersebu dinyaakan sebagai objek. Sedangkan unuk cira yang gagal melewai suau classifier akan langsung dieliminasi dan dinyaakan sebagai bukan objek (idak akan diproses lagi). Hal ini sanga mempercepa proses pengklasifikasian, karena jumlah inpuan yang dierima di seiap classifier akan semakin berkurang [3]. Cascaded classifier dirancang sedemikian rupa unuk meningkakan ingka pendeeksian dan mengurangi jumlah false posiive (cira negaif yangdianggap sebagai cira posiif). Seiap ingkaan classifier merupakan represenasi hasil dari algorima boosing. Jadi, diseiap ingka classifer memiliki sejumlah weak classifiers. Seiap weak classifier merupakan nilai-nilai fiur Haar yang digunakan (jenis, ukuran, dan lokasi), nilai hreshold erbaik unuk seiap fiur, sera nilai baasan seiap fiur ersebu. Semakin inggi ingka classifer, semakin banyak pula jumlah weak classifier yang ada. Hal ini mengakibakan semakin sulinya suau cira unuk berhasil melewai ingkaan classifier ersebu, sehingga jumlah cira yang dieliminasi akan semakin banyak,dan jumlah cira yang berhasil lolos ke classifier ingka selanjunya akan semakin sediki. Oleh karena semakin sediki cira yang berhasil lolos ke classifier selanjunya, maka semakin sediki pula jumlah false posiive yang berhasil lolos. Dengan berkurangnya false posiive,ingka keakuraan pendeeksian pun meningka. Jadi, semakin banyak ingka classifier didalam suau cascaded classifier, maka semakin akura hasil yang akan didapakan. 4. Haar Like Feaures Algorima Haar menggunakan meode saisikal dalam melakukan pendeeksian objek. Tiap feaure dari Haar-like feaure didefinisikan pada benuk dari feaure, dianaranya koordina dari feaure dan juga ukuran dari feaure ersebu. Feaure yang akan di raining adalah feaure yang didapa dari proses cropping. Adapun macam-macam variasi feaure haar : 35 haar_x2 haar_y2 iled_haar_x2 iled_haar_y2 haar_x3 haar_y3 iled_haar_x3 iled_haar_y3 haar_x4 haar_y4 iled_haar_x4 iled_haar_y4 haar_poin iled_haar_poin Gambar 3.11 Haar like feaure Tiap feaure erbagi aas dua bagian, yaiu bagian berwarna puih dan bagian berwarna hiam. Penggunaan fiur dilakukan karena pemrosesan fiur berlangsung lebih cepa dibandingkan pemrosesan cira perpiksel sehingga cocok unuk dierapkan pada proses pendeeksian objek secara real ime. Pada peneliian ini unuk menghiung nilai fiur Haar pada sebuah cira dan pada skala yang berbeda secara cepa menggunakan sau eknik yang disebu inegral image. Secara umum inegraing berari menggabungkan uni-uni kecil menjadi sau. Dalam hal ini uni-uni kecil adalah nilai piksel. Nilai inegral suau piksel adalah jumlah dari semua piksel diaas dan di kiri piksel ersebu. Seluruh cira dapa digabungkan dengan operasi nilai yang lebih sediki iap pikselnya. Inegral image sanga membanu dalam perhiungan fiur Haar-like. Dengan menggunakan inegral image, perhiungan fiur Haar-like dapa dilakukan dengan sanga cepa. 36 Rumus inegral image : P x y ' ' (, ) i( x, y ) ' x x, y y '...(3.3) Gambar 3.12 Inegral image[3] P A, P A B, P AC, P A B C D P1 P4 P2 P3 A A B C D A B AC D Conoh perhiungan nilai fiur menggunakan inegral image adalah sebagai beriku: Diberikan sebuah cira A = Gambar 3.13 conoh cira 3x3 Jumlah nilai piksel pada daerah hiam = F+A-(C+D) = 26+3-(17+9) = 3 Conoh perhiungan nilai fiur 2x4 dalam sebuh cira 5x5 menggunakan inegral image : 37 Gambar 3.14 conoh cira 5x5 Nilai fiur = (oal piksel hiam) (oal piksel puih) = [20+0-(0+0)] [45+0-(20+0)] = = 5 Gambar 3.15 conoh cira 5x5 Nilai fiur = (oal piksel hiam) (oal piksel puih) = [73+3-(26+18)] [ (73+33)] = = Algorima AdaBoos Meode machine learning yang disebu AdaBoos digunakan dalam memilih fiur Haar yang spesifik. Hal ini dilakukan dengan cara mengevaluasi seiap fiur erhadap daa laih dengan menggunakan nilai dari fiur ersebu. Algorima Adaboos adalah algorima yang berusaha membangun srong classifier dengan mengkombinasikan sejumlah simple aau weak classifier secara 38 linier. Sage classifier dibangun dengan menggunakan algorima adapive-boos (AdaBoos). Di dalam sage classifier erdapa proses pengklasifikasian fiur objek menggunakan algorima AdaBoos. Algorima AdaBoos digunakan unuk meningkakan performa pengklasifikasian fiur. Algorima ersebu mengkombinasikan performance banyak weak classifier unuk menghasilkan srong classifier. Weak classifier dalam hal ini adalah nilai dari haar-like feaure. Alur proses pendeeksian pada Haar cascade classifier dapa diliha pada Gambar 3.16 Gambar inpu Sage 0 50% Sage 1 30% 10%. Sage n Objek Buang Gambar Bukan Objek beriku: Gambar 3.16 Alur proses Haar cascade classifier Algorima AdaBoos yang dipakai unuk pengklasifikasian adalah sebagai w Bobo awal 1, y i 1, 2m w 1, y i 1, 2l dengan m = jumlah gambar negaif dengan yi 0...(3.4) unuk gambar negaif dengan l = jumlah gambar posiif dengan yi 1unuk gambar posiif. Conoh : l = 5, m = 10 w , w (3.5) 1,0 1,1 Unuk = 1,2,3 T, dimana adalah ierasi ke unuk gambar posiif. Unuk j = 1,2,3 J, dimana j adalah ierasi ke j unuk gambar negaif. h ( x) merupakan nilai fiur gambar posiif. hj ( x) merupakan nilai fiur gambar negaif. 39 Unuk mendapakan nilai error rae seiap weak classifier. Maka unuk seiap fiur dilakukan proses sebagai beriku: Unuk gambar posiif :, T ( w ) h ( x) y i i J...(3.6) Unuk gambar negaif : j ( wj, i ) hj ( x) yi j...(3.7) Misal diberikan cira posiif (24x24)piksel yang memiliki nilai-nilai sebagai beriku: 1. Cira posiif ke-1 Nilai posiif pada gambar ersebu akan dihiung nilai fiurnya. Nilai fiur = (oal piksel hiam) (oal piksel biru) h ( x ) = ( )-( ) = 5 Maka nilai error rae yang didapakan adalah sebagai beriku : (0,1) 51 0,4 40 2. Cira posiif ke-2 Nilai posiif pada gambar ersebu akan dihiung nilai fiurnya. Nilai fiur = (oal piksel hiam) (oal piksel biru) h ( x ) = ( )-( ) = 28 Maka nilai error rae yang didapakan adalah sebagai beriku : (0,1) ,7 3. Cira posiif ke-3 Nilai posiif pada gambar ersebu akan dihiung nilai fiurnya. Nilai fiur = (oal piksel hiam) (oal piksel biru) h ( x ) = ( )-( ) = 67 Maka nilai error rae yang didapakan adalah sebagai beriku : 41 (0,1) ,6 4. Cira posiif ke-4 Nilai posiif pada gambar ersebu akan dihiung nilai fiurnya. Nilai fiur = (oal piksel hiam) (oal piksel biru) h ( x ) = ( )-( ) = 7 Maka nilai error rae yang didapakan adalah sebagai beriku : (0,1) 7 1 0,6 5. Cira posiif ke-5 Nilai posiif pada gambar ersebu akan dihiung nilai fiurnya. Nilai fiur = (oal piksel hiam) (oal piksel biru) h ( x ) = ( )-( )= 4 42 Maka (0,1) 4 1 0,3 Jadi: Error rae masing-masing cira adalah 0,4; 2,7; 6,6; dan 0,3. Sehingga unuk memudahkan pemilihan fiur yang erbaik digunakan klasifikasi daa raining menggunakan error rae erkecil yang elah didapakan yaiu 0,3 dimana 0,3 0, ,3 Updae bobo: w. 1, w, i i Maka bobo seelah ierasi 1 : w2,1 0,1 0,428 0,0428 (0,1 0,0428) 41 0, , , , 4284 Maka bobo seelah ierasi 2 : w3,1 0,0428 0,7494 0,032 (0,1 0,0428 0,032) 4 1 0,5244 0,5244 1, ,5244 Maka bobo seelah ierasi 3: w4,1 0,032 1,1026 0,035 (0,1 0,0428 0,032 0,035) 4 1 0,6294 0, ,67 1 0, 6294 Maka bobo seelah ierasi 4: w5,1 0, 0351, 67 0, 058 (0,1 0,0428 0,032 0,035 0,058) 4 1 0,8033 0,803 4, ,803 43 Maka bobo seelah ierasi 5: w6,1 0, 058 4, 076 0, 236 (0,1 0,0428 0,032 0,035 0,058 0, 236) 4 1 1,511 ; 1,511 2, Maka bobo seelah ierasi 6: w7,1 0, 236 ( 2, 957) 0, 697 Hasil akhir klasifikasi yang diharapkan pada cira posiif adalah sebagai beriku : Dimana:...(3.8) 1 j log j 1 log...(3.9) Jika posisi H(x) = Keenuan 1 maka cira ersebu merupakan objek Jika posisi H(x) = Keenuan 0 maka cira ersebu merupakn bukan objek H(x) = Srong Classifier aau kelasifikasi yang menyaakan objek aau bukan αj = Tingka pembelajaran gambar posiif. α = Tingka pembelajaran gambar negaif. βj=nilai bobo seelah error rae pada gambar negaif β= Nilai bobo seelah error rae pada gambar posiif Hj= weak aau basic classifiers (awal dari klasifikasi) gambar negaif. H = weak aau basic classifiers (awal dari klasifikasi) gambar posiif. Sehingga unuk cira negaif (24x24)piksel yang memiliki nilai-nilai sebagai beriku : 44 1. Cira negaif ke-1 Dengan nilai fiur : hj ( x ) = ( )-( ) = 57 Maka j (0,05) ,8 j j Maka 1 j 2,85 j 1,54 1 2,85 Perbaharui bobo: w. 1, w, i i j Maka bobo seelah ierasi 1 : w2,1 0,05 ( 1,54) 0,077 jika bobo selah inersi ke n jumlahnya 0 maka ierasi berheni. βj yang digunakan unuk mencari H(x) mengunakan pada cira negaif yang nilai βj 0 Unuk salah bernilai = 0 Maka: H( x) log 57 log 2,85 2 0, ,99 0,184 Karena 25,99 0,184 iu bernilai salah jadi cira bukan merupakan objek 45 Cira negaif ke-2 Dengan nilai fiur : hj ( x ) = ( )-( ) = 6 Maka j (0,05) 6 0 0,3 j j Maka 1 j 0,3 j 0, ,3 Updae bobo: w. 1, w, i i j Maka bobo seelah ierasi 1 : w2,1 0,05 (0,428) 0,021 (0,05 0,021) 60 0,426 ; 0,426 10, 426 0,742 Maka bobo seelah ierasi 2 : w3,1 0,021 0,742 0,0155 (0,05 0,021 0,0155) 6 0 0,519 ; 0,519 1, ,519 Maka bobo seelah ierasi 3: w4,1 0, 01551, 079 0, 0167 (0,05 0,021 0,0155 0,0167) 6 0 0,619 0,619 ; 1, , 619 Maka bobo seelah ierasi 4: w5,1 0, , 624 0, 0271 (0,05 0,021 0,0155 0,0167 0,0271) 6 0 0,7818 0, ,7818 3,582 ; 46 Maka bobo seelah ierasi 5: w6,1 0, , 582 0, 0971 (0,05 0,021 0,0155 0,0167 0,0271 0,0970) 6 0 1,364 1,364 3, Maka bobo seelah ierasi 6: w7,1 0, 0971 ( 3, 747) 0, 363 ; Maka:...(3.10) H( x) (log log log log log ) 6 0, 428 0, 742 1, 079 1, 624 3, (log log log log log ) 2 0, 428 0, 749 1,1026 1, 67 4, 076 0,368 0,129 0, 033 0, 210 0,554 1 (0,368 0,125 0,042 0,223 0,610) 2 0,3 0,191 Maka cira ersebu bukan berupa gambar posiif. Jadi semakain banyak inerasi yang bisa dilakukan oleh sebuah gambar posiif dan negaif maka semakain besak kemungkinan unuk objek diemukan. Dari analisa diaas dapa diambil kesimpulan, bahwa iga fakor yang mempegaruhi kecepaan dan ingka akurasi dalam pendeeksian, fakor - fakor ersebu anara lain: 1. jumlah dari ahapan classifier. 2. Jumlah semakin banyak gambar posiif dimasukan semakin akura pendeeksianya. 3. Jumlah dari daa laih yang dimasukan Analisis Kebuuhan Non Fungsional Analisis kebuuhan non fungsional adalah sebuah langkah unuk menganalisis sumber daya manusia yang akan menggunakan perangka lunak yang dibangun, perangka keras dan perangka lunak yang dimiliki sesuai dengan kebuuhan aau perminaan, sehingga dapa dienukan kompabilias perangka lunak yang dibangun erhadap sumber daya yang ada. Analisis Perangka Keras Analisis perangka keras dimaksudkan unuk mengeahui spesifikasi perangka keras yang akan digunakan oleh Aplikasi ini. Perangka keras yang dianjurkan unuk menggunakan aplikasi ini adalah sebagai beriku : 1. Processor 2,27 GHz 2. Hard Disk 320 GB 3. Memory 2 GB 4. Monior 5. Webcame, ipe VCR (Video Camera Recorder) 6. Mouse 7. Keyboard Analisis Perangka Lunak Sebelum menggunakan perangka lunak pendeeksikanukini user harus erlebih dahulu menginsalasi aplikasi pendukung unuk mengakifkan webcam. Adapun perangka lunak pendukung pembangunan perangka lunak pendeeksi kanuk ini anara lain : 1. Sisem Operasi Windows XP Profesional. 2. Microsof Visual Visual Sudio 2010, digunakan unuk pengkodean sisem. 3. OpenCV 2.2, digunakan sebagai library ambahan unuk pengkodean sisem Deskripsi Kebuuhan Daa Eksernal Kebuuhan daa eksernal akan diur
Search Related
We Need Your Support
Thank you for visiting our website and your interest in our free products and services. We are nonprofit website to share and download documents. To the running of this website, we need your help to support us.

Thanks to everyone for your continued support.

No, Thanks