JTELS
Journals of Telecommunication and Electrical Scientific E-ISSN 3046-6466 Vol.
No.
Januari 2025 Aplikasi (Analisis Implementasi Penerapan Histogram Equalization Adaptif Dalam Meningkatkan Kualitas Video Real-Tim.
Ahmad Ardi Nur1.
Tommy2.
Saruddin3
1,2,3
Program Studi Teknik Informatika.
Fakultas Teknik Dan Komputer.
Universitas Harapan Medan JL.
Jhoni NO.
70 A.
Medan,Indonesia.
Email Penulis Korespondensi: ahmadardinur34@gmail.
AbstrakOeTeknologi pengenalan wajah telah menjadi topik penting dalam visi komputer dan kecerdasan buatan, dengan aplikasi di berbagai bidang seperti keamanan, pengawasan, dan interaksi manusiamesin.
Tahapan utama dalam sistem ini meliputi deteksi wajah .
ace detectio.
dan pelacakan wajah .
ace trackin.
Penelitian ini mengusulkan penggunaan Adaptive Histogram Equalization (AHE) untuk meningkatkan performa sistem deteksi dan pelacakan wajah berbasis realtime cascade classifier.
AHE meningkatkan kontras gambar dengan menyesuaikan histogram citra secara lokal, sehingga diharapkan dapat mengatasi variasi kondisi pencahayaan yang sering menjadi tantangan utama.
Hasil penelitian menunjukkan bahwa penggunaan AHE dapat meningkatkan akurasi dan kestabilan deteksi dan pelacakan wajah dalam berbagai kondisi pencahayaan.
Aplikasi AHE dalam sistem realtime cascade classifier face tracking diharapkan memberikan kontribusi signifikan dalam pengembangan sistem pengenalan wajah yang lebih canggih dan andal.
Kata Kunci: Pelacakan wajah, adaptive histogram equalization, realtime cascade classifier AbstractOeFacial recognition technology has become a significant topic in computer vision and artificial intelligence, with applications in various fields such as security, surveillance, and humanmachine interaction.
The primary stages in this system include face detection and face tracking.
This study proposes the use of Adaptive Histogram Equalization (AHE) to enhance the performance of a realtime cascade classifierbased face detection and tracking system.
AHE enhances image contrast by locally adjusting the image histogram, which is expected to address the variation in lighting conditions that often pose a major challenge.
The results of this study indicate that the use of AHE can improve the accuracy and stability of face detection and tracking under various lighting The application of AHE in realtime cascade classifier face tracking systems is expected to make a significant contribution to the development of more advanced and reliable facial recognition systems.
Keywords: Face tracking, adaptive histogram equalization, realtime cascade classifier.
PENDAHULUAN
Dalam beberapa tahun terakhir, teknologi pengenalan wajah telah menjadi subjek penting dalam bidang visi komputer dan kecerdasan buatan.
Pengenalan wajah digunakan dalam berbagai aplikasi, termasuk keamanan, pengawasan, dan interaksi manusia-mesin.
Pengenalan wajah telah menjadi salah satu bidang penting dalam visi komputer dan kecerdasan buatan.
Teknologi ini telah menemukan aplikasi luas dalam berbagai bidang, termasuk keamanan, pengawasan, identifikasi, dan interaksi manusia-mesin.
Di antara tahapan utama dalam sistem pengenalan wajah adalah face detection .
eteksi waja.
dan face tracking .
elacakan waja.
Face detection bertujuan untuk menemukan dan mengidentifikasi lokasi wajah dalam suatu gambar atau video, sementara face tracking bertujuan untuk melacak pergerakan wajah dalam rentang waktu yang kontinu.
Pengaplikasian kedua teknik tersebut telah banyak diaplikasikan dalam kehidupan sehari Ae hari seperti yang dapat dilihat pada penelitian yang dilakukan oleh Yang dan Han yang mengaplikasikan face detection pada sistem absensi (Yang & Han, 2.
dan beberapa pengaplikasian lainnya seperti sistem surveillance (Putra & Krisna, 2.
, visitor counter (Mukti.
Farokhah, & Aqromi, 2.
dan authentication (Wahyuddin.
Wahiddin, & Kusumaningrum, 2.
Face detection Ahmad Ardi Nur, dkk
JTELS
Journals of Telecommunication and Electrical Scientific E-ISSN 3046-6466 Vol.
No.
Januari 2025 cascade classifier telah menjadi salah satu pendekatan yang umum digunakan (Anarki.
Auliasari, & Orisa, 2.
Metode ini menggunakan serangkaian aliran klasifikasi untuk mendeteksi wajah dengan cepat dan efisien.
Namun, kinerja dari pendekatan ini dapat menurun secara signifikan dalam situasi dengan kondisi pencahayaan yang berbeda-beda.
Oleh karena itu, perlu adanya pendekatan tambahan yang dapat membantu meningkatkan akurasi dan kestabilan deteksi dan pelacakan wajah, terutama dalam konteks penggunaan real-time seperti dalam video streaming atau aplikasi interaktif.
Adaptive Histogram Equalization (AHE) adalah salah satu teknik pengolahan citra yang digunakan untuk meningkatkan kontras gambar dengan menyesuaikan histogram citra sesuai dengan keadaan lokal di dalam gambar (Dar & Mittal, 2.
Dalam konteks pelacakan wajah.
AHE dapat menjadi alat yang berguna untuk meningkatkan performa pelacakan dengan meningkatkan kontras dan ketajaman citra, sehingga membuat deteksi dan pelacakan wajah menjadi lebih stabil dan akurat.
METODE PENELITIAN
1 Analisis Masalah Dalam pembuatan Aplikasi Histogram Equalization Pada Real Time Cascade Classifier Face Tracking.
Selanjutnya dilakukan analisis kebutuhan terhadap Real Time Cascade Classifier Face Tracking menggunakan Histogram Equalization Analisa Sistem Yang Berjalan Selama ini setiap sistem yang serupa mungkin telah mengimplementasikan Cascade Classifier untuk deteksi wajah tanpa memanfaatkan Histogram Equalization (HE).
Cascade Classifier sendiri telah terbukti efektif dalam mendeteksi objek dalam citra dengan kecepatan yang relatif tinggi, tetapi tanpa HE, gambar yang dihasilkan mungkin memiliki kontras yang rendah atau detail yang kurang jelas, terutama dalam kondisi pencahayaan yang tidak ideal.
Analisis sistem sebelumnya dapat menunjukkan bahwa penggunaan HE dapat meningkatkan akurasi deteksi dan kualitas gambar secara signifikan, terutama dalam konteks pengolahan citra real-time untuk aplikasi pelacakan wajah.
Sistem Yang Diusulkan Dengan pertimbangan beberapa kekurangan dan kelemahan pada sistem yang ada seperti yang telah dikemukakan diatas, dan melihat perkembangan zaman, disini penulis berusaha menyediakan sebuah pengimplementasian metode Histogram Equalization (HE) dalam sistem pelacakan wajah secara real-time menggunakan Cascade Classifier.
Cascade Classifier digunakan untuk mendeteksi wajah dalam citra atau video dengan memanfaatkan serangkaian kaskade classifier yang terlatih.
Penerapan HE bertujuan untuk meningkatkan kontras gambar dengan meratakan distribusi intensitas pikselnya, yang diharapkan akan meningkatkan kualitas gambar yang digunakan dalam deteksi wajah.
Evaluasi sistem meliputi analisis kinerja untuk mengukur kecepatan proses deteksi wajah sebelum dan setelah penerapan HE, dengan tujuan membuktikan efektivitas peningkatan kualitas citra dalam aplikasi deteksi wajah secara real-time.
2 Prosedur Penyusunan Program.
Adapun langkah-langkah yang perlu dilakukan dalam penyusunan program sebagai berikut :
Analisis Persyaratan (Requirement Analysi.
Identifikasi kebutuhan fungsional dan non-fungsional dari program yang akan dikembangkan.
Klarifikasi input yang dibutuhkan, proses yang diharapkan, dan output yang diinginkan.
Perencanaan (Plannin.
Tentukan lingkup proyek dengan jelas, termasuk waktu yang diperlukan, sumber daya yang diperlukan, dan tanggung jawab masing-masing anggota tim jika proyek dilakukan secara tim.
Buat rencana pengembangan yang mencakup tahapan pengembangan, estimasi waktu, dan milestone.
Perancangan (Desig.
Ahmad Ardi Nur, dkk
JTELS
Journals of Telecommunication and Electrical Scientific E-ISSN 3046-6466 Vol.
No.
Januari 2025 Buat desain program yang rinci, termasuk arsitektur sistem, struktur data yang akan digunakan, algoritma yang diterapkan, dan antarmuka pengguna jika relevan.
Desain ini harus mempertimbangkan skalabilitas, keamanan, dan efisiensi program.
Implementasi (Implementatio.
Mulailah mengkode program berdasarkan desain yang telah disetujui.
Pastikan bahwa kode diimplementasikan sesuai dengan standar pengembangan perangkat lunak yang baik dan dokumentasikan dengan baik setiap bagian dari kode yang ditulis.
Testing dan Evaluasi (Testing and Evaluatio.
Lakukan pengujian unit untuk memastikan bahwa setiap bagian program berfungsi dengan baik secara individu.
Lanjutkan dengan pengujian integrasi untuk memeriksa apakah komponen-komponen tersebut bekerja sama dengan baik.
Akhirnya, lakukan pengujian sistem untuk mengevaluasi apakah program memenuhi persyaratan Pelaporan (Reportin.
Dokumentasikan semua proses pengembangan, hasil pengujian, serta evaluasi yang telah dilakukan.
Buat dokumentasi teknis yang jelas dan lengkap untuk memudahkan pemahaman bagi pengguna dan pengembang Implementasi dan Penyampaian (Deployment and Deliver.
Siapkan program untuk diimplementasikan di lingkungan produksi atau di mana pun program tersebut akan Pastikan untuk memberikan pelatihan jika diperlukan kepada pengguna akhir atau tim operasional.
Pemeliharaan dan Perbaikan (Maintenance and Improvemen.
Setelah program diimplementasikan, perhatikan umpan balik dari pengguna dan lakukan pemeliharaan rutin serta perbaikan jika diperlukan untuk memastikan program tetap berjalan dengan baik dan memenuhi kebutuhan Dalam implementasinya sistem pertama kali akan melakukan perataan histogram.
Fungsi perataan histogram, yang dikenal juga sebagai Histogram Equalization (HE), merupakan teknik yang penting dalam pemrosesan citra untuk meningkatkan kontras dan kualitas visual gambar.
Dalam konteks ini.
HE bekerja dengan meratakan distribusi intensitas piksel dalam gambar, sehingga menghasilkan gambar yang lebih terang dan lebih tajam.
Teknik ini sangat bermanfaat dalam aplikasi seperti deteksi objek, di mana peningkatan kontras dapat membuat objek lebih mudah dikenali oleh algoritma pengenalan dan pelacakan.
Selain itu.
HE juga efektif dalam mengatasi masalah pencahayaan yang tidak merata dalam gambar, sehingga mampu menghasilkan citra yang lebih seimbang secara visual, meningkatkan detail yang terlihat, dan membuat informasi penting dalam gambar lebih mudah Selain kegunaannya dalam meningkatkan kontras dan mengatasi masalah pencahayaan.
HE juga dikenal karena kemudahannya dalam implementasi.
Metodenya relatif sederhana dan tidak memerlukan komputasi yang berat, membuatnya cocok untuk aplikasi di berbagai platform dan sistem.
Meskipun demikian, penerapannya perlu dipertimbangkan dengan baik untuk memastikan bahwa penyesuaian histogram tidak mengorbankan informasi penting atau menghasilkan efek samping yang tidak diinginkan.
Dengan demikian.
HE tetap menjadi salah satu teknik yang populer dan efektif dalam pengolahan citra, berperan penting dalam meningkatkan kualitas visual gambar untuk berbagai keperluan aplikasi teknologi pengolahan citra dan visi komputer.
Ahmad Ardi Nur, dkk
JTELS
Journals of Telecommunication and Electrical Scientific E-ISSN 3046-6466 Vol.
No.
Januari 2025 Perataan Histogram Tabel.
1 Contoh perhitungan, digunakan potongan piksel warna dengan ukuran 5x5
47,82,150
34,110,233
129,48,158
71,55,197
100,243,184
214,5,252
109,114,57
27,240,249
126,212,221
125,153,223
243,4,4
83,62,162
151,123,99
50,23,214
99,13,142
235,187,111
101,58,16
90,115,216
191,27,86
38,216,210
181,81,241
158,119,97
179,105,22
67,122,28
141,119,36
HASIL DAN PEMBAHASAN
1 Hasil dan Pembahasan Aplikasi Histogram Equalization Pada Real Time Cascade Classifier Face Tracking dibangun sesuai dengan analisa dan perancangan seperti yang telah dijabarkan pada bab sebelumnya yaitu bab metodologi penelitian, maka pada bagian ini akan dipaparkan hasil dari aplikasi yang dibangun menggunakan perancangan yang telah di lakukan pada bab sebelumnya.
Pada bab ini pembahasan akan dilakukan terhadap hasil dari sistem yang dibangun, fungsional sistem dan analisis terhadap kinerja sistem berdasarkan hasil output yang dihasilkan oleh sistem.
Aplikasi ini dapat di dijalankan dengan terlebih dahulu membuka atau menjalankan aplikasi seperti gambar 1 Gambar 1.
Tampilan Utama Aplikasi 2 Implementasi Sistem Aplikasi Histogram Equalization Pada Real Time Cascade Classifier Face Tracking terdapat dua interface atau antarmuka yang di desain untuk mempermudah user atau pemakai dalam menggunakan atau menjalankan aplikasi ini.
Adapun interface atau antarmuka adalah sebagai berikut :
Halaman Utama Halaman utama sendiri adalah sebuah halaman yang akan digunakan sebagai halaman navigasi yang akan mengarahkan pengguna untuk dapat memilih halaman enkripsi atau dekripsi.
Halaman ini hanya digunakan sebagai awal penggunaan sistem dan tidak memiliki fungsi lain Adapun tampilan dari halaman login admin dapat dilihat pada gambar berikut :
Ahmad Ardi Nur, dkk
JTELS
Journals of Telecommunication and Electrical Scientific E-ISSN 3046-6466 Vol.
No.
Januari 2025 Gambar 2.
Halaman Utama Halaman Face Tracking Halaman menu face tracking adalah halaman yang dkhususkan melakukan face tracking atau track wajah pada aplikasi Dalam konteks realtime pada feed video yang juga real time.
Adapun tampilan dari halaman steganografi dapat dilihat pada gambar 3.
Gambar 3.
Halaman Face Tracking Dalam proses tracking sendiri sistem membutuhkan beberapa komponen pendukung yang digunakan agar proses tracking wajah dapat berjalan dengan baik bagi masing-masing algoritma.
Komponen pengatur tersebut antara lain Brightness atau pencahayaan yang digunakan utnuk mengatur pencahayaan dari feed video yang digunakan.
Brightness dalam pelacakan wajah .
ace trackin.
pada umpan video langsung .
ive video fee.
adalah faktor penting yang mempengaruhi kemampuan sistem untuk mendeteksi dan melacak wajah dengan akurat.
Berikut adalah beberapa fungsi dan peranan brightness dalam konteks ini:
Deteksi Wajah yang Lebih Baik:
Brightness yang memadai memastikan bahwa fitur wajah seperti mata, hidung, dan mulut terlihat jelas.
Ketika pencahayaan cukup, algoritma pelacakan wajah dapat dengan mudah mendeteksi kontur dan detail wajah.
Meningkatkan Akurasi Pelacakan Dengan pencahayaan yang baik, sistem dapat melacak pergerakan wajah secara lebih akurat.
Ini karena perubahan dalam intensitas cahaya dapat menyebabkan kesalahan dalam pelacakan, seperti menganggap bayangan sebagai bagian dari wajah.
Banyak sistem pelacakan wajah menggunakan algoritma penyesuaian otomatis untuk mengatur Ini membantu dalam menstabilkan tampilan wajah meskipun kondisi pencahayaan berubahubah, misalnya saat bergerak dari area terang ke area gelap.
Reduksi Noise Brightness yang cukup membantu mengurangi noise dalam gambar.
Noise dapatmengganggu deteksi fitur wajah dan membuat pelacakan menjadi tidak stabil.
Dengan pencahayaan yang baik, sinyal gambar lebih bersih dan lebih mudah diolah oleh algoritma.
Kompensasi Cahaya Latar
Ahmad Ardi Nur, dkk
JTELS
Journals of Telecommunication and Electrical Scientific E-ISSN 3046-6466 Vol.
No.
Januari 2025 Brightness yang diatur dengan baik dapat membantu dalam situasi di mana ada cahaya latar yang kuat.
Ini memungkinkan sistem untuk fokus pada wajah meskipun ada sumber cahaya yang kuat di belakang Pengenalan Ekspresi Wajah Dalam aplikasi yang membutuhkan pengenalan ekspresi wajah, brightness yang memadai sangat penting.
Ekspresi wajah bisa sulit dideteksi jika pencahayaan tidak merata atau terlalu redup.
Secara keseluruhan, brightness dalam face tracking pada live video feed sangat penting untuk memastikan bahwa wajah dapat dideteksi, diidentifikasi, dan dilacak dengan akurat dalam berbagai kondisi pencahayaan.
Kontras dalam pelacakan wajah .
ace trackin.
pada umpan video langsung .
ive video fee.
juga memiliki peran penting dalam meningkatkan kualitas deteksi dan pelacakan wajah.
Berikut adalah beberapa fungsi dan peranan kontras dalam konteks ini:
Memperjelas Fitur Wajah Kontras yang baik membantu memperjelas perbedaan antara fitur wajah .
eperti mata, hidung, dan mulu.
dan latar belakang atau area kulit yang lebih halus.
Ini membuat algoritma lebih mudah mendeteksi dan mengenali fitur-fitur penting tersebut.
Meningkatkan Akurasi Pelacakan:
Dengan kontras yang optimal, perbedaan antara wajah dan latar belakang lebih jelas, sehingga algoritma pelacakan dapat mengikuti pergerakan wajah dengan lebih akurat dan stabil.
Mendeteksi Kontur Wajah:
Kontras yang baik membantu dalam mendeteksi kontur wajah, seperti garis rahang dan tulang pipi.
Kontur yang jelas mempermudah sistem dalam mengidentifikasi batas-batas wajah dan mengikuti Mengurangi Pengaruh Noise:
Kontras yang baik dapat membantu dalam mengurangi pengaruh noise dalam gambar.
Dengan kontras yang optimal, fitur-fitur penting pada wajah menjadi lebih dominan dan noise menjadi kurang menonjol.
Adaptasi dalam Kondisi Pencahayaan Beragam:
Sistem pelacakan wajah yang baik seringkali dilengkapi dengan algoritma yang dapat menyesuaikan kontras secara otomatis untuk mengatasi perubahan kondisi pencahayaan.
Ini membantu dalam menjaga kualitas pelacakan meskipun pencahayaan berubah-ubah.
Peningkatan Pengenalan Ekspresi Wajah Kontras yang optimal memudahkan pengenalan ekspresi wajah.
Ekspresi wajah melibatkan perubahan halus pada otot wajah yang bisa lebih mudah dikenali ketika perbedaan antara area terang dan gelap pada wajah lebih jelas.
Memisahkan Wajah dari Latar Belakang:
Dalam situasi di mana latar belakang memiliki warna atau tekstur yang mirip dengan warna kulit, kontras yang baik membantu dalam memisahkan wajah dari latar belakang, sehingga pelacakan dapat dilakukan dengan lebih akurat.
Dalam situasi di mana latar belakang memiliki warna atau tekstur yang mirip dengan warna kulit, kontras yang baik membantu dalam memisahkan wajah dari latar belakang, sehingga pelacakan dapat dilakukan dengan lebih Secara keseluruhan, kontras dalam face tracking pada live video feed sangat penting untuk memastikan bahwa fitur-fitur wajah dapat terlihat jelas dan terpisah dengan baik dari latar belakang.
Ini membantu dalam meningkatkan akurasi dan stabilitas pelacakan wajah dalam berbagai kondisi pencahayaan.
Dalam pengujiannya, penulis menggunakan dua konsep yaitu pengujian dengan satu wajah untuk beberapa nilai kontras dan brigthness, dan kemudian dua wajah dengan nilai kontras dan brigthness yang berbeda.
Ahmad Ardi Nur, dkk
JTELS
Journals of Telecommunication and Electrical Scientific E-ISSN 3046-6466 Vol.
No.
Januari 2025 Gambar 4.
Pengujian Face Tracking dengan 1 Wajah Seperti yang dapat dilihat pada gambar 4.
4, wajah yang ada Dalam feed dapat dikenali oleh kedua algoritma dengan baik.
Gambar menunjukkan antarmuka aplikasi pelacakan wajah .
ace trackin.
dengan dua tampilan video berbeda: satu dengan pengaturan normal dan satu lagi dengan penerapan histogram equalization.
Pada sisi kiri, terlihat tampilan video normal dari kamera di mana wajah yang sedang dilacak oleh sistem berada di dalam kotak Pencahayaan dan kontras dalam tampilan ini belum diolah lebih lanjut, sehingga terlihat alami seperti apa Di sisi kanan, terdapat tampilan video yang telah diproses menggunakan teknik histogram equalization.
Teknik ini digunakan untuk memperbaiki kontras dalam citra, sehingga detail wajah menjadi lebih jelas dan terdefinisi dengan baik, membantu dalam mendeteksi dan melacak wajah dengan lebih akurat.
Di bawah tampilan video, terdapat dua slider yang memungkinkan pengguna untuk menyesuaikan brightness .
dan kontras dari Pengaturan ini memungkinkan pengguna untuk mengoptimalkan pencahayaan dan kontras agar wajah lebih mudah dilacak.
Bagian kanan bawah antarmuka menunjukkan indikator yang menampilkan jumlah wajah yang terdeteksi dalam kedua tampilan video.
Pada contoh ini, baik tampilan normal maupun tampilan dengan histogram equalization berhasil mendeteksi satu wajah.
Terdapat juga tombol reset di bawah slider yang digunakan untuk mengembalikan pengaturan brightness dan kontras ke nilai default .
Gambar 5.
Pengujian Face Tracking dengan Nilai Brigthness dan Kontras yang Minim Gambar 5 diatas adalah antarmuka aplikasi pelacakan wajah .
ace trackin.
dengan dua tampilan video berbeda: satu dengan pengaturan normal dan satu lagi dengan penerapan histogram equalization.
Pada sisi kiri, terlihat tampilan video normal dari kamera di mana tidak ada wajah yang terdeteksi karena nilai brightness diatur Ahmad Ardi Nur, dkk
JTELS
Journals of Telecommunication and Electrical Scientific E-ISSN 3046-6466 Vol.
No.
Januari 2025 pada -82 dan kontras pada 0.
Pengaturan ini membuat tampilan video terlalu gelap dan kontras rendah, sehingga fitur wajah sulit dikenali oleh sistem.
Di sisi kanan, terdapat tampilan video yang telah diproses menggunakan teknik histogram equalization.
Teknik ini memperbaiki kontras dalam citra, membuat detail wajah lebih jelas dan terdefinisi dengan baik.
Meskipun pengaturan brightness dan kontras awalnya tidak ideal, histogram equalization berhasil meningkatkan kualitas gambar sehingga wajah dapat dideteksi dan dilacak dengan akurat.
Dalam kotak hijau, terlihat wajah yang berhasil dideteksi oleh sistem di tampilan ini.
Bagian kanan bawah antarmuka menunjukkan indikator yang menampilkan jumlah wajah yang terdeteksi dalam kedua tampilan video.
Pada contoh ini, hanya tampilan dengan histogram equalization yang berhasil mendeteksi satu wajah.
Terdapat juga tombol reset di bawah slider yang digunakan untuk mengembalikan pengaturan brightness dan kontras ke nilai default .
engan mempertimbangkan pengaturan brightness dan kontras serta perbedaan hasil antara tampilan normal dan yang telah diproses dengan histogram equalization, kita dapat memahami pentingnya pengolahan citra dalam aplikasi pelacakan wajah.
Penerapan histogram equalization menunjukkan betapa signifikan teknik ini dalam mengoptimalkan kualitas gambar dan meningkatkan akurasi deteksi wajah, terutama dalam kondisi pencahayaan yang kurang ideal.
Hal ini menggarisbawahi keunggulan teknik pengolahan citra dalam mengatasi keterbatasan deteksi yang disebabkan oleh pengaturan parameter yang tidak optimal.
Selanjutnya pengujian akan dilakukan dengan kondisi nilai brigthness dan kontras yang tinggi.
Gambar 6.
Face Tracking dengan Nilai Brigthness dan Kontras yang Tinggi Gambar 4.
6 menunjukkan sebuah aplikasi pelacakan wajah .
ace trackin.
dengan dua tampilan video berbeda:
satu dengan pengaturan normal dan satu lagi dengan penerapan histogram equalization.
Pada sisi kiri, terlihat tampilan video normal dari kamera di mana tidak ada wajah yang terdeteksi karena nilai brightness diatur pada 80 dan kontras pada 1.
Pengaturan ini membuat tampilan video terlalu terang dan kontras tinggi, sehingga fitur wajah sulit dikenali oleh sistem.
Di sisi kanan, terdapat tampilan video yang telah diproses menggunakan teknik histogram equalization.
Teknik ini memperbaiki kontras dalam citra, membuat detail wajah lebih jelas dan terdefinisi dengan baik.
Meskipun pengaturan brightness dan kontras awalnya tidak ideal, histogram equalization berhasil meningkatkan kualitas gambar sehingga wajah dapat dideteksi dan dilacak dengan akurat.
Dalam kotak hijau, terlihat wajah yang berhasil dideteksi oleh sistem di tampilan ini.
Bagian kanan bawah antarmuka menunjukkan indikator yang menampilkan jumlah wajah yang terdeteksi dalam kedua tampilan video.
Pada contoh ini, hanya tampilan dengan histogram equalization yang berhasil mendeteksi satu wajah.
Terdapat juga tombol reset di bawah slider yang digunakan untuk mengembalikan pengaturan brightness dan kontras ke nilai default .
Pengujian kemudian akan dilanjutkan dengan menggunakan dua wajah yang dapat ditrack pada live feed video untuk mengujia bahwa aplikasi juga dapat melakukan tracking pada multiple face track, berikut tampilannya.
Ahmad Ardi Nur, dkk
JTELS
Journals of Telecommunication and Electrical Scientific E-ISSN 3046-6466 Vol.
No.
Januari 2025 Gambar 7.
Halaman Ekstraksi Proses Ekstraksi Pesan Rahasia Setelah proses ekstraksi pesan rahasia selesai dilakukan, maka langkah selanjutnya adalah mengembalikan posisi data teks atau pesan rahasia yang sebelunya tidak bisa dibaca .
menjadi data atau pesan rahasia yang bisa dibaca (Plaintek.
Proses enkripsi mengharuskan pengguna untuk menggunakan kunci yang sama pada saat proses pengacakan data atau pesan rahasia pada saat proses steganografi untuk pengujian ini kunci yang digunakan adalah 425 untuk lebih jelasnya dapat dilihat pada gambar berikut :
Gambar 8.
Pengujian Pada Tiga Parameter dengan Dua Wajah Sekaligus Gambar 4.
8 menunjukkan kondisi Dimana aplikasi pelacakan wajah .
ace trackin.
dengan dua tampilan video berbeda: satu dengan pengaturan normal dan satu lagi dengan penerapan histogram equalization.
Di sini, kita akan membahas hasil pelacakan wajah dalam tiga kondisi berbeda: pengaturan normal, pengaturan dengan brightness tinggi dan kontras tinggi, serta pengaturan dengan brightness rendah dan kontras rendah.
Pada tiap kondisi ini, dua wajah digunakan untuk face tracking.
Pengaturan Normal Pada pengaturan normal, nilai brightness dan kontras diatur pada level standar yang sesuai untuk kondisi pencahayaan umum.
Dalam tampilan video normal .
, dua wajah terdeteksi dan dilacak dengan baik oleh sistem, ditunjukkan dengan kotak hijau di sekitar setiap wajah.
Tampilan video dengan histogram equalization .
memperlihatkan hasil yang serupa, dengan dua wajah yang terlihat jelas dan terdefinisi dengan baik.
Histogram equalization memastikan bahwa fitur-fitur wajah tetap tajam dan mudah dikenali, meskipun dalam kondisi pencahayaan yang tidak sempurna.
Pengaturan Brightness Tinggi dan Kontras Tinggi Pada pengaturan ini, nilai brightness diatur pada 80 dan kontras pada 1.
Dalam tampilan video normal .
, dua wajah mungkin tidak terdeteksi atau sulit dikenali karena tampilan yang terlalu terang dan kontras yang terlalu tinggi, yang menyebabkan hilangnya detail wajah.
Namun, dalam tampilan video dengan histogram equalization .
, teknik ini membantu memperbaiki kontras gambar, membuat detail wajah lebih terlihat dan terdefinisi dengan baik.
Hasilnya, dua wajah berhasil dideteksi dan dilacak dengan akurat meskipun pengaturan awal tidak ideal.
Pengaturan Brightness Rendah dan Kontras Rendah Pada pengaturan ini, nilai brightness diatur pada -82 dan kontras pada 0.
Dalam tampilan video normal .
, dua wajah mungkin tidak terdeteksi karena gambar yang terlalu gelap dan kontras yang rendah, yang membuat fitur wajah sulit dikenali.
Namun, tampilan video dengan histogram equalization .
berhasil meningkatkan kualitas gambar dengan memperbaiki kontras, sehingga detail wajah menjadi lebih jelas dan Dua wajah yang sebelumnya sulit dikenali kini berhasil dideteksi dan dilacak dengan akurat.
Ahmad Ardi Nur, dkk
JTELS
Journals of Telecommunication and Electrical Scientific E-ISSN 3046-6466 Vol.
No.
Januari 2025 Dengan mempertimbangkan pengaturan brightness dan kontras serta perbedaan hasil antara tampilan normal dan yang telah diproses dengan histogram equalization, kita dapat memahami pentingnya pengolahan citra dalam aplikasi pelacakan wajah.
Penerapan histogram equalization menunjukkan betapa signifikan teknik ini dalam mengoptimalkan kualitas gambar dan meningkatkan akurasi deteksi wajah, terutama dalam kondisi pencahayaan yang kurang ideal.
Hal ini menggarisbawahi keunggulan teknik pengolahan citra dalam mengatasi keterbatasan deteksi yang disebabkan oleh pengaturan parameter yang tidak optimal.
KESIMPULAN
Berdasarkan proses perancangan aplikasi histogram equalization pada real time cascade classifier face tracking, maka dapat diambil beberapa kesimpulan yaitu :
Penerapan teknik pengolahan citra, khususnya Adaptive Histogram Equalization (AHE), terbukti efektif dalam meningkatkan kualitas gambar.
AHE membantu memperbaiki kontras dan membuat detail wajah lebih terlihat, yang secara langsung meningkatkan akurasi dan efisiensi sistem face tracking yang menggunakan cascade classifier pada real-time video dari webcam.
Sistem yang dibangun menunjukkan kinerja yang bervariasi berdasarkan kondisi pencahayaan.
Dengan pengaturan brightness dan kontras yang ekstrem .
erlalu tinggi atau terlalu renda.
, kemampuan sistem dalam mendeteksi wajah tanpa AHE berkurang secara signifikan.
Namun, dengan AHE, sistem dapat mengatasi tantangan ini dan tetap mendeteksi wajah dengan baik dalam berbagai kondisi pencahayaan.
Cascade classifier yang digunakan dalam deteksi dan pelacakan wajah menunjukkan performa yang baik ketika digabungkan dengan AHE.
Algoritma ini memungkinkan sistem untuk melakukan deteksi wajah secara realtime dengan tingkat akurasi yang memadai, menunjukkan bahwa kombinasi metode ini cocok untuk aplikasi real-time video face tracking.
REFERENSI