AI & Data Science

Computer Vision dengan OpenCV

Tutorial lengkap Computer Vision menggunakan Python dan OpenCV — image processing, face detection, object tracking, contour detection dengan contoh kode praktis

📅 29 Januari 2026 📖 14 menit baca Menengah

🐝

Tim BeebaneLabs Penulis & Kontributor Teknologi

📋 Daftar Isi

Pengenalan Computer Vision
Setup OpenCV di Python
Dasar Image Processing
Filter dan Transformasi
Face Detection dengan Haar Cascade
Contour Detection
Object Tracking
Deteksi Warna
Quiz Pemahaman

1. Pengenalan Computer Vision

Computer Vision adalah bidang kecerdasan buatan (AI) yang memungkinkan komputer untuk "melihat" dan memahami konten dari gambar atau video. Dengan Computer Vision, mesin dapat mengenali objek, mendeteksi wajah, membaca teks, dan bahkan memahami adegan dalam sebuah gambar.

OpenCV (Open Source Computer Vision Library) adalah library open-source terbesar dan paling populer untuk Computer Vision. OpenCV menyediakan lebih dari 2500 algoritma yang dioptimalkan untuk pemrosesan gambar dan video secara real-time.

Aplikasi Computer Vision di Dunia Nyata

Aplikasi	Contoh Penggunaan
Pengenalan Wajah	Face unlock smartphone, sistem keamanan, absensi otomatis
Autonomous Vehicle	Mendeteksi pejalan kaki, rambu lalu lintas, dan objek di jalan
Medical Imaging	Deteksi tumor dari foto X-ray atau MRI
OCR (Optical Character Recognition)	Membaca teks dari foto dokumen, plat nomor kendaraan
Augmented Reality	Filter Instagram/Snapchat, game AR seperti Pokemon Go
Quality Control	Inspeksi produk di pabrik secara otomatis

Ekosistem OpenCV

Fitur	Deskripsi
Bahasa Didukung	Python, C++, Java, JavaScript
Platform	Windows, Linux, macOS, Android, iOS
Jumlah Algoritma	2500+ algoritma CV dan ML
Optimasi	Dukungan GPU (CUDA), SIMD instructions
Lisensi	BSD License (gratis untuk komersial)
Komunitas	Jutaan pengguna di seluruh dunia

Diagram: COMPUTER VISION PIPELINE

💡 Tips

Computer Vision membutuhkan banyak komputasi. Pastikan komputer Anda memiliki RAM minimal 8GB dan sebaiknya menggunakan GPU untuk proses yang lebih berat seperti deep learning. Untuk tutorial dasar ini, CPU sudah cukup.

Diagram

5. Face Detection dengan Haar Cascade

Haar Cascade adalah metode deteksi objek yang dikembangkan oleh Paul Viola dan Michael Jones pada tahun 2001. Metode ini sangat cepat dan bisa berjalan real-time, sehingga cocok untuk deteksi wajah dari webcam.

Deteksi Wajah dari Gambar

Python — Face Detection

import cv2
import numpy as np

# Muat classifier Haar Cascade
# File XML sudah disertakan saat instalasi OpenCV
face_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
)
eye_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + 'haarcascade_eye.xml'
)
smile_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + 'haarcascade_smile.xml'
)

# Baca gambar
img = cv2.imread('grup_foto.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Deteksi wajah
# detectMultiScale(gambar, scaleFactor, minNeighbors, minSize)
faces = face_cascade.detectMultiScale(
    gray,
    scaleFactor=1.1,
    minNeighbors=5,
    minSize=(30, 30)
)

print(f"Terdeteksi {len(faces)} wajah")

# Gambar kotak di sekitar wajah yang terdeteksi
for (x, y, w, h) in faces:
    # Kotak wajah (warna hijau)
    cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
    
    # Label teks
    cv2.putText(img, 'Wajah', (x, y - 10),
                cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
    
    # ROI (Region of Interest) untuk deteksi mata di dalam wajah
    roi_gray = gray[y:y+h, x:x+w]
    roi_color = img[y:y+h, x:x+w]
    
    # Deteksi mata di area wajah
    eyes = eye_cascade.detectMultiScale(roi_gray, 1.1, 10)
    for (ex, ey, ew, eh) in eyes:
        cv2.rectangle(roi_color, (ex, ey), (ex+ew, ey+eh), (255, 0, 0), 2)

cv2.imshow('Face Detection', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

# Simpan hasil
cv2.imwrite('hasil_face_detection.jpg', img)

Real-time Face Detection dari Webcam

Python — Webcam Face Detection

import cv2
import numpy as np

face_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
)

cap = cv2.VideoCapture(0)
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)

while True:
    ret, frame = cap.read()
    if not ret:
        break
    
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    
    # Deteksi wajah dengan parameter yang dioptimalkan
    faces = face_cascade.detectMultiScale(
        gray,
        scaleFactor=1.3,
        minNeighbors=5,
        minSize=(50, 50)
    )
    
    # Gambar kotak pada setiap wajah
    for (x, y, w, h) in faces:
        # Kotak dengan warna biru
        cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 200, 0), 2)
        
        # Tampilkan jumlah wajah
        cv2.putText(frame, f'Wajah Terdeteksi: {len(faces)}',
                    (10, 30), cv2.FONT_HERSHEY_SIMPLEX,
                    0.8, (0, 255, 0), 2)
    
    cv2.imshow('Webcam Face Detection', frame)
    
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

💡 Tips untuk Hasil Terbaik

Parameter scaleFactor dan minNeighbors sangat mempengaruhi akurasi. scaleFactor 1.1 lebih akurat tapi lebih lambat, sedangkan 1.3 lebih cepat. minNeighbors yang lebih tinggi mengurangi false positive tapi bisa melewatkan wajah.

6. Contour Detection

Contour adalah kurva yang menghubungkan titik-titik kontinu yang memiliki warna atau intensitas yang sama. Contour sangat berguna untuk analisis bentuk objek, deteksi objek, dan pengenalan karakter.

Menemukan dan Menggambar Contour

Python — Contour Detection

import cv2
import numpy as np

# Baca gambar dan konversi
img = cv2.imread('objek.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Preprocessing: blur + threshold
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
_, thresh = cv2.threshold(blurred, 60, 255, cv2.THRESH_BINARY)

# Temukan contour
# RETR_EXTERNAL: hanya contour terluar
# RETR_TREE: semua contour dengan hierarchy
# CHAIN_APPROX_SIMPLE: kompres titik contour
contours, hierarchy = cv2.findContours(
    thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE
)

print(f"Jumlah contour ditemukan: {len(contours)}")

# Gambar semua contour
img_contour = img.copy()
cv2.drawContours(img_contour, contours, -1, (0, 255, 0), 2)

# Analisis setiap contour
for i, cnt in enumerate(contours):
    # Hitung luas area
    area = cv2.contourArea(cnt)
    
    # Filter contour kecil (noise)
    if area < 100:
        continue
    
    # Hitung keliling
    perimeter = cv2.arcLength(cnt, closed=True)
    
    # Aproksimasi bentuk polygon
    epsilon = 0.02 * perimeter
    approx = cv2.approxPolyDP(cnt, epsilon, True)
    
    # Tentukan bentuk berdasarkan jumlah sudut
    vertices = len(approx)
    if vertices == 3:
        bentuk = "Segitiga"
    elif vertices == 4:
        # Cek apakah persegi atau persegi panjang
        (x, y, w, h) = cv2.boundingRect(approx)
        aspect_ratio = w / float(h)
        bentuk = "Persegi" if 0.95 <= aspect_ratio <= 1.05 else "Persegi Panjang"
    elif vertices == 5:
        bentuk = "Pentagon"
    elif vertices > 5:
        bentuk = "Lingkaran"
    else:
        bentuk = f"Polygon-{vertices}"
    
    # Gambar bounding box
    (x, y, w, h) = cv2.boundingRect(cnt)
    cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)
    cv2.putText(img, f'{bentuk}', (x, y-10),
                cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
    
    print(f"Contour {i}: Bentuk={bentuk}, Area={area:.0f}, "
          f"Keliling={perimeter:.0f}, Sudut={vertices}")

cv2.imshow('Contour Detection', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

7. Object Tracking

Object tracking adalah proses melacak pergerakan objek dalam video dari frame ke frame. OpenCV menyediakan beberapa algoritma tracking yang bisa digunakan tergantung kebutuhan.

Color-based Tracking dengan HSV

Python — Object Tracking

import cv2
import numpy as np

# Tracking objek berdasarkan warna menggunakan HSV
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break
    
    # Konversi ke HSV color space
    hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
    
    # Range warna biru dalam HSV
    lower_blue = np.array([100, 50, 50])
    upper_blue = np.array([130, 255, 255])
    
    # Buat mask
    mask = cv2.inRange(hsv, lower_blue, upper_blue)
    
    # Hilangkan noise dengan morphological operations
    kernel = np.ones((5, 5), np.uint8)
    mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)
    mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)
    
    # Temukan contour dari mask
    contours, _ = cv2.findContours(mask, cv2.RETR_TREE,
                                    cv2.CHAIN_APPROX_SIMPLE)
    
    if contours:
        # Ambil contour terbesar
        largest = max(contours, key=cv2.contourArea)
        area = cv2.contourArea(largest)
        
        if area > 500:
            # Hitung centroid (pusat massa)
            M = cv2.moments(largest)
            if M["m00"] != 0:
                cx = int(M["m10"] / M["m00"])
                cy = int(M["m01"] / M["m00"])
                
                # Gambar lingkaran di centroid
                cv2.circle(frame, (cx, cy), 10, (0, 255, 0), -1)
                cv2.putText(frame, f'Posisi: ({cx}, {cy})',
                           (10, 30), cv2.FONT_HERSHEY_SIMPLEX,
                           0.8, (0, 255, 0), 2)
            
            # Gambar bounding box
            x, y, w, h = cv2.boundingRect(largest)
            cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)
    
    cv2.imshow('Object Tracking', frame)
    cv2.imshow('Mask', mask)
    
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

Multi-Object Tracker

Python — Multi Tracker

import cv2
import numpy as np

# OpenCV Built-in Trackers
# KCS: Kurnia Continuation Sensitivity (paling akurat)
# CSRT: Discriminative Correlation Filter with Channel and Spatial Reliability
# MOSSE: Minimum Output Sum of Squared Error (paling cepat)

cap = cv2.VideoCapture('video.mp4')

# Baca frame pertama
ret, frame = cap.read()
if not ret:
    print("Gagal membaca video")
    exit()

# Pilih ROI (Region of Interest) secara interaktif
roi = cv2.selectROI("Pilih Objek", frame, showCrosshair=True)
cv2.destroyWindow("Pilih Objek")

# Buat tracker CSRT
tracker = cv2.TrackerCSRT.create()
tracker.init(frame, roi)

while True:
    ret, frame = cap.read()
    if not ret:
        break
    
    # Update tracker
    success, bbox = tracker.update(frame)
    
    if success:
        # Tracking berhasil
        x, y, w, h = [int(v) for v in bbox]
        cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)
        cv2.putText(frame, "Tracking", (x, y-10),
                    cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 0), 2)
    else:
        # Tracking gagal
        cv2.putText(frame, "Tracking Gagal!", (50, 50),
                    cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
    
    cv2.imshow('Multi Tracker', frame)
    
    if cv2.waitKey(30) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

📊 Perbandingan Tracker

Tracker	Kecepatan	Akurasi	Cocok Untuk
CSRT	🟡 Sedang	🟢 Tinggi	Objek yang bergerak lambat
KCF	🟢 Cepat	🟡 Sedang	Real-time tracking
MOSSE	🟢 Sangat Cepat	🟡 Sedang	Resource terbatas

8. Deteksi Warna

Deteksi warna adalah salah satu aplikasi paling sederhana namun powerful dalam Computer Vision. Dengan menggunakan color space HSV (Hue, Saturation, Value), kita bisa mendeteksi objek berdasarkan warnanya dengan lebih akurat dibanding RGB.

Python — Color Detection

import cv2
import numpy as np

# Fungsi untuk mendeteksi beberapa warna sekaligus
def detect_colors(frame):
    hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
    
    # Definisi rentang warna dalam HSV
    color_ranges = {
        'Merah 1': (np.array([0, 70, 50]), np.array([10, 255, 255])),
        'Merah 2': (np.array([170, 70, 50]), np.array([180, 255, 255])),
        'Hijau':   (np.array([36, 50, 70]), np.array([89, 255, 255])),
        'Biru':    (np.array([100, 50, 50]), np.array([130, 255, 255])),
        'Kuning':  (np.array([20, 100, 100]), np.array([35, 255, 255])),
        'Orange':  (np.array([10, 100, 20]), np.array([20, 255, 255])),
    }
    
    results = {}
    
    for nama, (lower, upper) in color_ranges.items():
        mask = cv2.inRange(hsv, lower, upper)
        
        # Morphological operations untuk menghilangkan noise
        kernel = np.ones((5, 5), np.uint8)
        mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)
        mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)
        
        contours, _ = cv2.findContours(mask, cv2.RETR_TREE,
                                        cv2.CHAIN_APPROX_SIMPLE)
        
        for cnt in contours:
            area = cv2.contourArea(cnt)
            if area > 1000:
                x, y, w, h = cv2.boundingRect(cnt)
                
                # Warna kotak berbeda untuk setiap warna terdeteksi
                colors_map = {
                    'Merah 1': (0, 0, 255), 'Merah 2': (0, 0, 255),
                    'Hijau': (0, 255, 0), 'Biru': (255, 0, 0),
                    'Kuning': (0, 255, 255), 'Orange': (0, 165, 255),
                }
                
                color = colors_map.get(nama, (255, 255, 255))
                label = nama.replace(' 1', '').replace(' 2', '')
                
                cv2.rectangle(frame, (x, y), (x+w, y+h), color, 2)
                cv2.putText(frame, label, (x, y-10),
                           cv2.FONT_HERSHEY_SIMPLEX, 0.7, color, 2)
                results[label] = (x, y, w, h)
    
    return frame, results

# Jalankan dari webcam
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break
    
    result_frame, detections = detect_colors(frame)
    
    # Tampilkan jumlah objek terdeteksi
    cv2.putText(result_frame, f'Objek: {len(detections)}',
                (10, 30), cv2.FONT_HERSHEY_SIMPLEX,
                0.8, (255, 255, 255), 2)
    
    cv2.imshow('Color Detection', result_frame)
    
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

⚠️ Catatan HSV

Nilai HSV di OpenCV berbeda dari yang umum di dokumentasi warna: Hue (0-179), Saturation (0-255), Value (0-255). Jika menggunakan tool online untuk mencari rentang HSV, pastikan untuk menyesuaikan skala H-nya.

Computer Vision dengan OpenCV

1. Pengenalan Computer Vision

Aplikasi Computer Vision di Dunia Nyata

Ekosistem OpenCV

2. Setup OpenCV di Python

Instalasi

5. Face Detection dengan Haar Cascade

Deteksi Wajah dari Gambar

Real-time Face Detection dari Webcam

6. Contour Detection

Menemukan dan Menggambar Contour

7. Object Tracking

Color-based Tracking dengan HSV

Multi-Object Tracker

8. Deteksi Warna

9. Quiz: Uji Pemahamanmu!

Pertanyaan 1: Format warna default yang digunakan OpenCV saat membaca gambar adalah?

Pertanyaan 2: Fungsi mana yang digunakan untuk deteksi tepi (edge detection) yang paling populer di OpenCV?

Pertanyaan 3: Apa fungsi dari parameter scaleFactor pada detectMultiScale() Haar Cascade?

Pertanyaan 4: Color space apa yang paling cocok untuk deteksi warna objek karena tahan terhadap perubahan pencahayaan?

Pertanyaan 5: Morphological operation apa yang digunakan untuk menghilangkan noise kecil dari gambar biner?

📚 Artikel Terkait

📬 Dapatkan Tutorial Terbaru