PENGENALAN ALAT-ALAT STASIONERI BERDASARKAN …repository.usd.ac.id/33506/2/145114020_full.pdfWebcam...

TUGAS AKHIR

PENGENALAN ALAT-ALAT STASIONERI

BERDASARKAN BENTUK MENGGUNAKAN

EKSTRASI CIRI MOMENT INVARIANT

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Teknik

Program Studi Teknik Elektro

Disusun Oleh:

RESKI NOBERT

NIM : 145114020

PROGRAM STUDI JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2018

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

FINAL PROJECT

STATIONARY RECOGNITION BASED ON SHAPE

USING MOMENT INVARIANT FEATURE

EXTRACTION

Presented as Partial Fullfillment of the Requirements

To Obtain the Sarjana Teknik Degree

In Study Program of Electrical Engineering

Created by:

RESKI NOBERT

NIM : 145114020

PROGRAM STUDI JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2018


vi

HALAMAN PERSEMBAHAN


viii

INTISARI

Sistem penglihatan merupakan salah satu sistem terpenting yang terdapat pada

manusia yang normal secara fisik, melalui sitem ini kita dapat mengenali apa yang kita lihat

dengan mata kita. Hal ini mendukung berkembangnya sistem dengan berbagai metode untuk

mengenali berbagai objek disekitar kita. Dilain pihak salah teknologi yang sangat

berkembang belakangan ini adalah teknologi robot. Terkait dengan sistem pengenalan objek

maka metode-metode tadi dapat dikembangkan kearah robotic vision untuk mepermudah

kehidupan manusia, sehingga dibutuhkan suatu sistem dengan metode yang dapat mengenali

suatu objek dengan akurat dan tahan terhadap gangguan. Melihat hal tersebut maka dalam

tugas akhir ini akan dibuat sistem pengenalan untuk mengenali alat-alat stasioneri dengan

ekstraksi moment invariant. Dimana ekstrasi ciri moment invarian tahan terhadap adanya

transasi, rotasi dan perubahan skala.

Dalam tugas akhir ini, sistem dibuat dengan menggunakan webcam dan laptop.

Webcam digunakan untuk mengambil gambar sementara laptop digunakan sebagai tempat

untuk membuat dan menjalankan program serta menampilkan hasil pengenalan. Secara garis

besar sistem pengenalan alat stasioneri ini terdiri atas tahap preprocessing, ekstraksi ciri,

perhitungan jarak, dan kemudian menampilkan hasil berdasarkan jarak terkecil terhadap

basis data dalam bentuk teks pada layar monitor.

Pada pengujian, sistem pengenalan alat-alat stasioneri berjalan dengan baik. Tingkat

pengenalan alat stasioneri yang diperoleh untuk posisi awal adalah 100% , sedang untuk

pemberian variasi berupa translasi, rotasi dan skala yang berbeda semua alat stasioneri

dikenali dengan benar.

Kata kunci: Webcam, preprocessing, moment invariant , jarak Euclidean.


ix

ABSTRACT

Vision system is one of the most inportant system on humans with normal body. With this

system we can understand about what we have seen with our eyes. This is the reason many

methods to recognize the things arround us are developed. Beside that, robot has become

one of the most developed tecnology right now. Related with the method of how to recognize

the thing around us, the method can be develoved in to robotic vision to make humans life

easier, so a method to recognize an object better is needed. By seeing this, in this final project

will be made a system to recognize some stationary equipment with moment invariant

method, which is invariant with translation, rotation, and scale.

In this final project, system is made through laptop and webcam. Webcam is used to

take the picture and laptop is used to create and run the program and also to present the result

of the system. In general the system is divided in to preprocessing, feature extraction,

Euclidean distance function, and the determination of recognition result by the smallest

distance with data base in the text form at the monitor.

In this stationary equipment recognition, system is running well. The recognition

result for the first condition is 100%. And for the invariant translation, every stationary

equipment is recognized as true.

Keywords: Webcam, preprocessing, moment invariant, Euclidean distance


x

KATA PENGANTAR

Puji dan Syukur penulis panjatkan kepada Tuhan Yesus Kristus karena atas berkat

dan rahmat_Nyalah sehingga penulis dapat menyelesaikan laporan tugas akhir ini dengan

sangat baik. Laporan tugas akhir ini disusun untuk memenuhi syarat memperoleh gelar

sarjana.

Selama pembuatan tugas akhir ini, penulis menyadari adanya bantuan dan dukungan

dari berbagai pihak. Maka dari itu, penulis mengucapkan terima kasih kepada :

1. Tuhan Yesus Kristus yang selalu melindungi dan menyertaiku.

2. Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.

3. Ketua Program Studi Teknik Elektro Universitas Sanata Dharma Yogyakarta.

4. Dr. Linggo Sumarno selaku dosen pembimbing yang dengan penuh kesabaran,

pengertian dan ketulusan hati memberikan bimbingan, kritik, saran, serta motivasi

dalam penulisan skripsi ini.

5. Ibu Wiwien Widyastuti, S.T., M.T. dan Bapak Augustinus Bayu Primawan S.T.,

M.Eng. sebagai dosen penguji yang telah memberikan masukan, bimbingan, saran

dalam merevisi skripsi ini.

6. Kedua orang tua dan keluarga besar yang telah mendukung serta mendoakan penulis.

7. Setiap pemimpin dan anggota komunitas rohani M19 di GMS Miracle Yogyakarta

yang sudah memberi semangat dan mendoakan penulis.

8. Teman-teman Teknik Elektro khususnya angkatan 2014.

9. Seluruh Dosen dan Laboran Program studi Teknik Elektro, Fakultas Sains dan

Teknologi Universitas Sanata Dharma yang telah membantu dan memberikan ilmu

kepada penulis.

10. Seluruh Staff Fakultas Sains dan Teknologi Universitas Sanata Dharma atas bantuan

dalam melayani mahasiswa.

11. Semua pihak yang tidak dapat disebutkan satu persatu atas semua dukungan yang

telah diberikan dalam penyelesaian skripsi ini.

Penulis menyadari betul bahwa penyelesaian tugas akhir ini tidak tidak terlepas dari

banyaknya kekurangan. Oleh karena itu penulis mengharapkan masukan berupa kritikan atau


xiii

DAFTAR ISI

HALAMAN JUDUL .......................................................................................................... i

TITLE ................................................................................................................................ ii

HALAMAN PERSETUJUAN .......................................................................................... iii

HALAMAN PENGESAHAN............................................................................................ iv

LEMBAR KEASLIAN KARYA ...................................................................................... v

LEMBAR PERSEMBAHAN ............................................................................................ vi

LEMBAR MOTTO............................................................................................................ vii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH ........ viii

UNTUK KEPENTINGAN AKADEMIS ........................................................................ ix

INTISARI .......................................................................................................................... x

ABSTRAK .......................................................................................................................... xi

KATA PENGANTAR ....................................................................................................... xii

DAFTAR ISI ...................................................................................................................... xiii

DAFTAR GAMBAR ......................................................................................................... xvi

DAFTAR TABEL .............................................................................................................. xvii

BAB I PENDAHULUAN ............................................................................................. 1

1.1 Latar Belakang .................................................................................................... 1

1.2 Tujuan Dan Manfaat Penelitian .......................................................................... 2

1.3 Batasan Masalah ................................................................................................. 2

1.4 Metode Penelitian ............................................................................................... 3

BAB II DASAR TEORI ................................................................................................ 5

2.1.Alat Stasioneri ................................................................................................... 5

2.2.Webcam Logitech C170h................................................................................... 5

2.3.Konversi Citra RGB ke Citra Biner ................................................................... 6

2.4.Median Filter ..................................................................................................... 7

2.5.Ekstraksi Ciri Moment Invariant ....................................................................... 8

2.6.Jarak Euclidean ................................................................................................. 10

BAB III PERANCANGAN ........................................................................................... 12


xiv

3.1 Perancangan Tata Letak dan Fungsi Hardware ................................................... 12

3.2 Perancangan Software .......................................................................................... 13

3.2.1 Tahap Preprocessing ............................................................................... 14

3.2.2 Tahap Ekstraksi Ciri ................................................................................ 14

3.2.3 Tahap Fungsi Jarak ................................................................................. 15

3.2.4 Perancangan Tampilan GUI Matlab ........................................................ 16

3.3 Data Referensi ...................................................................................................... 18

3.4 Pengujian Citra Alat Stasioneri ............................................................................ 19

3.4.1 Pengujian Data Secara Tidak Langsung ................................................. 19

3.4.2 Pengujian Data Secara Langsung ............................................................ 19

BAB IV HASIL DAN PEMBAHASAN ....................................................................... 20

4.1 Implementasi Program ........................................................................................ 20

4.1.1 Tombol Camera On ................................................................................ 20

4.1.2 Tombol Capture ..................................................................................... 21

4.1.3 Tombol Process ...................................................................................... 21

4.1.4.1 Program Inisialisasi dan Pemanggilan Basis Data................................ 22

4.1.4.2 Program Konversi RGB ke Biner ......................................................... 22

4.1.4.5 Ekstraksi Ciri ...................................................................................... 24

4.1.4.6 Program Pembanding Jarak Euclidean ................................................. 25

4.1.4.7 Program Penentuan Keluaran ............................................................... 26

4.1.5 Tombol Reset ........................................................................................... 26

4.2. Pengujian Program Pengenalan Alat Stasioneri Secara Tidak

Langsung ............................................................................................................ 27

4.3. Pengujian Program Pengenalan Alat Stasioneri Secara Langsung. .................. 30

4.4 Analisis Hasil Data Pengujian secara Tidak Langsung....................................... 31

4.5. Analisis Hasil Data Pengujian secara Langsung. ............................................... 32

4.6 Keterbatasan Metodologi ..................................................................................... 36

BAB V PENUTUP ....................................................................................................... 37


xv

5.2 Kesimpulan .......................................................................................................... 37

5.3 Saran .................................................................................................................... 37

Daftar Pustaka .................................................................................................................. 38

Lampiran ........................................................................................................................... L-1


xvi

DAFTAR GAMBAR

Gambar 2.1 Alat-alat stasioneri ........................................................................................... 5

Gambar 2.2 Logitech C170 ................................................................................................ 5

Gambar 3.1. Diagram blok perancangan tata letak dan fungsi hardware .......................... 12

Gambar 3.2. Diagram alir keseluruhan proses pengenalan alat stasioneri .......................... 13

Gambar 3.3. Diagram alir tahap preprocessing ................................................................... 14

Gambar 3.4. Diagram alir proses ektaksi ciri moment invariant ......................................... 15

Gambar 3.4. Diagram alir tahapan funsi jarak..................................................................... 15

Gambar 3.5. Perancangan tampilan GUI matlab ................................................................. 16

Gambar 3.6. Diagram alir sistem untuk menampilkan hasil pengenalan pada GUI ........... 17

Gambar 3.7. Diagram blok proses perancangan basis data ................................................. 18

Gambar 4.1. Program Kamera Aktif ................................................................................... 20

Gambar 4.2. Program Ambil Gambar ................................................................................. 21

Gambar 4.3. Program Basis Data ........................................................................................ 22

Gambar 4.4. Program Konversi Citra RGB ke Biner .......................................................... 22

Gambar 4.5. Konversi Citra RGB ke Biner. ....................................................................... 23

Gambar 4.6. Program ekstraksi ciri moment invariant ........................................................ 24

Gambar 4.7. Program Pembanding Jarak Euclidean ........................................................... 25

Gambar 4.9. Program Penentuan Keluaran ......................................................................... 26

Gambar 4.10. Program Tombol Reset ................................................................................. 27

Gambar 4.11. Tampilan GUI Pengujian Tidak Langsung ................................................... 28


xvii

Gambar 4.12 Contoh ketika GUI Dijalankan untuk alat stasioneri Gunting ...................... 29

Gambar 4.13 Tampilan GUI Pengujian Secara Langsung .................................................. 30

Gambar 4.14 Hasil running program untuk notebook ........................................................ 31

Gambar 4.15 Hasil pengujian gunting tanpa tambahan pencahayaan ................................. 38


xviii

DAFTAR TABEL

Tabel 2.1. Spesifikasi Logitech C170 .................................................................................. 6

Tabel 3.1. Keterangan GUI ................................................................................................. 16

Tabel 4.1. Hasil Pengujian Tidak Langsung ...................................................................... 32

Tabel 4.2 Hasil Pengujian pada Posisi Awal ....................................................................... 33

Tabel 4.3. Perbandingan Hasil Pengujian Ekstraksi Ciri DST dan

Moment Invariant pada Posisi Awal .................................................................................. 35

Tabel 4.4 Perbandingan Hasil Ekstraksi Ciri Tipe-x ........................................................... 36

Tabel 4.5 Hasil Perhitungan Jarak berdasarkan Hasil

Ekstraksi Ciri pada Basis Data Tipe-x ................................................................................. 36

Tabel 4.6 Pengaruh Rotasi Terhadap Tingkat Pengenalan .................................................. 36

Tabel 4.7 Pengaruh Skala Terhadap Tingkat Pengenalan ................................................... 37

Tabel 4.8 Pengaruh Translasi Terhadap Tingkat Pengenalan ............................................. 37

Tabel 4.9 Rerata Hasil Pengujian Tanpa Tambahan Pencahayaan ..................................... 38


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Mata merupakan salah satu bagian terpenting dari tubuh makhluk hidup secara umum,

termasuk manusia. Mata sendiri merupakan salah satu dari kelima indra yang dimiliki

manusia dan memiliki peran sebagai indera penglihatan. Dengan bantuan mata, otak kita

dapat mengenali, membedakan, dan mengelompokkan apa saja yang kita lihat tanpa perlu

menyentuh ataupun merabahnya, juga dengan bantuan mata pula maka kita dapat

mendeskripsikan apa yang kita pikirkan atau apa fungsi dan ciri fisik dari apa yang kita lihat

kepada orang lain. Beranjak dari sistem yang berlangsung pada mata tersebut, maka semakin

berkembangnya ilmu pengetahuan dan teknologi di bidang pengolahan citra dan pola untuk

meniru sistem tersebut tidak dapat dihindari dalam kehidupan sekarang ini.

Dalam perkembangannya, pengolahan citra banyak digunakan dalam proses

pengenalan dan klasifikasi objek di sekitar kita. Mata manusia mungkin sudah lebih dari

cukup, namun keterbatasan jarak pandang mata, ingatan, bahasa dan pikiran manusia

menjadi alasan mengapa pengenalan dan klasifikasi suatu objek dengan bantuan teknologi

akan sangat berguna. Di lain pihak dilihat dari perkembangan teknologi robot yang semakin

pesat belakangan ini, maka pengenalan objek tersebut dapat dikembangkan kearah robotic

vision sehingga penganalan objek tersebut tidak akan hanya membantu tetapi juga akan

membuat kegiatan manusia menjadi lebih efisien dari berbagai aspek. Alasan tersebut

menjadikan ketepatan dalam proses pengenalan suatu objek menjadi sangat penting,

sehingga sekarang ini telah berkembang berbagai cara dan metode dalam proses pengolahan

citra dan pola guna meningkatkan kualitas pengenalan dari metode sebelumnya. Dalam

perkembangannya telah banyak dilakukan penelitian mengenai pengolahan citra dan pola

dengan menerapkan berbagai metode pada berbagai objek berbeda sehingga dihasilkan pula

tingkat akurasi pengenalan yang berbeda-beda. Misalnya saja pengenalan alat stasioneri

dengan ekstraksi ciri DST (Discrete Sine Transform) menghasilkan tingkat pengenalan

100% dengan menggunakan nilai koefisien DST sejumlah 171 koefisien [1]. Sementara itu

berdasarkan penelitian yang pernah dilakukan terhadap pengenalan perangkat elektronika

oleh Deniel menggunakan ekstraksi ciri Discrete Cosine Transform (DCT) yang juga


2

menggunakan sejumlah 171 koefisien[2], semakin meningkatnya tingkat pengenalan maka

semakin banyak pula koefisien yang digunakan untuk membedakan antara citra perangkat

elektronika dengan perangkat elektronika lainnya. Sehingga disarankan menggunakan

ekstraksi ciri yang lain yang dapat memberikan jumlah koefisien yang lebih kecil.

Untuk memperkecil koefisien 171 tersebut, maka dalam penelitian ini digunakan

ektraksi ciri moment invariant untuk mengenali kesembilan alat stasioneri yang digunakan

(ballpoint, tipe-x, paper klip, cutter, gunting, stabilo, steples, buku kecil, dan pelubang

kertas). Dimana dengan ekstraksi ciri moment invariant ini koefisien yang digunakan hanya

berjumlah tujuh[3]. Melalui penelitian Salambue yang melakukan penelitian terhadap

pengenalan pola tanda tangan dengan ekstraksi momen invariant, maka diketahui dengan

ekstraksi ciri moment invariant dapat dihasilkan tingkat pengenalan terhadap objek sebesar

100%, selain itu melalui penelitian Salambue tersebut ekstaksi ciri moment invariant juga

diketahui tidak terpengaruh oleh adanya rotasi, skala, dan translasi (RST) yang invariant

dimana pada penelitian febrianto mengenai pengenalan terhadap alat stasioneri masih

terdapat masalah jika pada objek diberikan rotasi yang invariant[4].

1.2. Tujuan Dan Manfaat Penelitian

Tujuan dari penelitian ini adalah membuat aplikasi yang dapat melakukan

pengenalan terhadap alat-alat stasioneri yang digunakan dengan tingkat pengenalan 100%

dan yang tidak terpengaruh oleh RST yang invariant menggunakan ekstraksi ciri moment

invariant.

Manfaat dari penelitian adalah sebagai pengembangan untuk program robotik vision

dalam mengenali alat-alat stasioneri seperti ballpoint, tipe-x, paper klip, cutter, gunting,

stabilo, steples, buku kecil, dan pelubang kertas.

1.3. Batasan Masalah

Proses pengenalan alat stasioneri dalam penelitian ini menggunakan perangkat keras

berupa webcam dan laptop serta perangkat lunak berupa matlab. Webcam berfungsi untuk

mengambil gambar sedang komputer berfungsi untuk menjalankan perangkat lunak yaitu

matlab. Matlab berperan dalam proses pengenalan objek yang diterima oleh laptop dari

webcam sesuai dengan metode yang digunakan.


3

Fokus utama dalam pembuatan tugas akhir ini adalah pembuatan program pada

matlab guna pengenalan alat-alat stasioneri. Adapun batasan masalah yang ditetapkan dalam

penelitian ini, berupa:

1. Pengenalan terhadap alat-alat stasioneri berupa: ballpoint, gunting, stabilo, tipe-x,

paper klip, steples, note book, cutter dan pelubang kertas.

2. Menggunakan webcam merk Logitech seri C270h.

3. Menggunakan matlab versi 8.4.0.150421(R2014b)

4. Menggunakan ekstraksi ciri moment invariant

5. Metode pengenalan menggunakan tamplate matching dan fungsi jarak Euclidean

6. Jarak atau skala maksimal yang digunakan kurang lebih 50 cm dan jarak minimum

ialah selagi objek secara keseluruhan dapat ditangkap webcam.

7. Webcam dan objek stasioneri diletakkan pada dudukan yang telah dibuat

sebelumnya.

8. Hasil pengenalan atau keluaran ditampilkan pada layar laptop berupa kata 9 alat

stasioneri.

1.4. Metode Penelitian

Langkah-langkah dalam pengerjaan tugas akhir:

1. Pengumpulan referensi

Dilakukan dengan mengumpulkan sumber-sumber atau referensi terkait dengan

penelitian ini seperti ekstraksi ciri moment invariant, konversi citra RGB ke citra biner ,

Median filter dan fungsi jarak Euclidean. Sumber-sumber tersebut berupa buku-buku,

jurnal-jurnal ilmiah, dan website.

2. Pembuatan software

Pembuatan software dilakukan dengan menggunakan program matlab, matlab

digunakan untuk menentukan hasil pengenalan citra alat stasioneri dan sekaligus

sebagai user interface. Cara kerjanya ialah terlebih dahulu pengguna akan menekan

“Camera On” untuk mengaktifkan webcame dan menekan “Capture” untuk mengambil

gambar. Menekan tombol “Process” untuk memulai pengenalan dan menampilkan

hasilnya yang berupa hasil preprocessing, tujuh koefisien moment invariant, dan hasil

akhir pengenalan. Untuk memulai lagi proses maka disedikan tombol ”Reset” dan untuk

mengakhiri proses maka disediakan tombol “End”


4

3. Pengambilan data

Pengambilan data dilakukan berdasarkan tampilan hasil pengujian yang dilakukan.

Data yang diambil adalah hasil pengenalan yang ditampilkan pada GUI matlab serta

beberapa tambahan data berupa sampel hasil ekstraksi ciri dan perhitungan jarak

disesuaikan dengan keperluan analisis. Sebagai tambahan variasi data maka dilakukan

pula pengambilan data dari hasil pengujian dengan mengubah rotasi, skala, dan translasi

yang dilakukan dengan menempatkan alat stasioneri kurang lebih 2 cm ke kanan atau

ke kiri dari posisi awal untuk pengujian terhadap translasi, memberi variasi ketinggian

45 cm dan 56 cm antara perangkat dengan webcam untuk pengujian terhadap skala dan

memutar alat dengan variasi sudut putaran 45°, 90° dan 180° untuk pengujian terhadap

rotasi perangkat.

4. Analisis dan penyimpulan

Analisis data dilakukan dengan melihat tingkat keberhasilan pengenalan terhadap

alat-alat stasioneri yang ingin dikenali, dalam hal ini apakah dengan metode yang

digunakan sistem berhasil mengenali dengan benar seluruh alat stasioneri yang

digunakan dalam penelitian ini. Setelah mengetahui hasil pengenalan yang diperoleh,

maka hasil tersebut dibandingkan dengan hasil dari penelitian sebelumnya yang

menggunakan ekstrasi ciri DST. Penyimpulan dilakukan dengan melihat pengaruh

ekstraksi ciri moment invariant terhadap kinerja sistem, berhasil atau tidaknya sistem

mengenali keseluruhan alat stasioneri dengan benar (tingkat pengenalan 100%) pada

posisi awalnya dan juga jika pada alat stasinoneri yang akan dikenali diberikan RST

yang invariant. Selain itu penyimpulan juga dilakukan berdasarkan kinerjanya

dibandingkan dengan kinerja sistem pada penelitian sebelumnya yang menggunakan

ekstraksi ciri DST.


5

BAB II

DASAR TEORI

2.1. Alat Stasioneri

Alat stasioneri atau alat tulis meliputi berbagai perangkat yang digunakan dalam

kegiatan tulis menulis[5]. Dalam penelitian ini sendiri digunakan alat-alat stasioneri berupa:

ballpoint, gunting, stabilo, tipe-x, paper klip, steples, note book, cutter dan pelubang kertas.

Alat-alat stasioneri yang digunakan dapat dilihat pada gambar 2.1 berikut.

Gambar 2.1 Alat-alat stasioneri

2.2. Webcam Logitech C170h

Gambar 2.2 Logitech C170 [6].

Dalam penelitian ini, webcame digunakan untuk mengambil citra alat stasioneri yang

akan dikenali dan webcame yang digunakan adalah Webcam Logitech C170. Adapun

spesifikasi dari Webcam Logitech C170 sendiridapat dilihat pada Tabel 2.1.


6

Tabel 2.1. Spesifikasi Logitech C170 [7].

High-Definition (HD) video calling HD 720 pixels

Video capture Up to 1280 x 720 pixels

Photo quality Up to 3.0 Megapixels

Computer Interface USB 2.0 (recommended)

Focus Fixed Focus

Microphone Yes

Hardware Support Laptop, Monitor LCD or CRT

2.3. Konversi Citra RGB ke Citra Biner

Citra yang dihasilkan dari suatu webcam merupakan citra dalam bentuk RGB (Red,

Green, and Blue), sehingga terlebih dahulu harus dikonversi ke citra dalam bentuk biner.

Citra RGB sendiri merupakan citra yang terdiri dari tiga komponen berupa merah, hijau dan

biru sementara citra biner adalah citra yang terdiri dari dua nilai saja yaitu 0 dan 1, nol berarti

hitam dan satu berarti putih[8]. Untuk mengkoversi citra RGB ke citra biner maka terlebih

dahulu citra RGB dikonversi ke citra grayscale dilajutkan dengan konversi citra grayscale

ke citra biner.

Secara umum mengonversi citra RGB ke grayscale melalui persamaan [3]:

𝐼 = 0,2989 𝑥 𝑅 + 0,5870 𝑥 𝐺 + 0,1141 𝑥 𝐵 (2.1)

Proses selanjutnya untuk mengonversi citra berskala keabuan ke citra biner dapat

mengatur nilai ambang (threshold) sehingga dapat digunakan metode otsu. Adapun metode

otsu terdiri dari beberapa tahapan dan secara sistematis dapat dilihat sebagai berikut [9]:

Menghitung nilai intensitas i:

𝒑𝒊 =𝒏𝒊

𝑵 (2.2)

Keteranan :

𝒏𝒊= jumlah piksel dengan intensitas i.

N = jumlah semua piksel dalam citra


7

Menghitung nilai zeroth- cumulative moment, first- order cumulative moment dan

nilai rerata dari gambar original dapat dilihat secara berturut pada persamaan dibawah:

ω(k) = ∑ 𝑝𝑖𝑘𝑖=1 (2.3)

𝜇(𝑘) = ∑ 𝑖 .𝑘𝑖 = 𝑝𝑖 (2.4)

𝜇𝑇 = 𝜇(𝐿) = ∑ 𝑖 . 𝑝𝐿𝑖=1 𝑖 (2.5)

Untuk mendapatkan nilai threshold atau nilai ambang k dapat dihitung menggunakan persamaan

sebagai berikut:

𝜎2

𝐵(𝑘) = max 𝜎

2

𝐵(𝑘) (2.6)

dengan

𝜎2

𝐵(𝑘) =

[𝜇𝑇𝜔(𝑘)−𝜇(𝑘)]2

𝜔(𝑘)[1−𝜔(𝑘)] (2.8)

2.4. Median Filter

Median filter digunakan untuk menghilangkan noise atau bintik-bintik pada citra[3].

Cara kerja filter ini yaitu pertama-tama dengan mengurutkan intensitas piksel, kemudian

menggantikan nilai piksel yang nilainya terlalu berbeda dengan nilai median yang didapat

setelah mengurutkan intensitas piksel tadi[10].

Pada metode ini window (penapis) yang memuat piksel ganjil digeser titik per titik

pada seluruh citra. Nilai-nilai pada penapis diurutkan dari terkecil hingga terbesar kemudian

dihitung nilai mediannya. Nilai median ini akan menggantikan nilai yang terdapat pada pusat

bidang penapis.

Jika suatu penapis ditempatkan pada bidang citra, maka dapat dicari nilai median pada

pusat bidang penapis dari sekelompok piksel yang telah diurutkan. Median filter secara

matematis dapat dirumuskan sebagai berikut[3]:

𝑔(𝑥, 𝑦) = 𝑀𝑒𝑑𝑖𝑎𝑛 {𝑓(𝑥 − 𝑖, 𝑦 − 𝑖), (𝑖, 𝑗)𝜖 𝑤}


8

00

10

m

mx =

00

01

m

my =

dan

………………………………………………………………………………………...(2.9)

……………………………………………………………………………………………………….(2.10)

Keterangan:

𝑔(𝑥, 𝑦) : Hasil median filter.

𝑓(𝑥, 𝑦) : Citra masukan median filter.

𝑤 : Penapis pada bidang citra.

(𝑖, 𝑗) : Elemen dari penapis.

Contoh[12]:

Masukan:

Hasil:

1 1 1 1 1 1

1 0 1 1 1 1

1 1 1 1 1 1

Dari citra masukan terlebih dahulu diurutkan mejadi:

0, 1, 1, 1, 1, 1, 1, 1, 1

Jadi nilai median yang diperoleh adalah 1, sehingga nilai 1 akan menggantikan nilai 0 yang

berada dalam window.

2.5. Ekstraksi Ciri Moment invariant

Ekstraksi ciri merupakan salah satu tahapan dalam proses pengenalan suatu objek,

dalam ekstraksi ciri ini komponen citra yang menjadi ciri khas citra tersebut diekstrak guna

mengurangi banyaknya data yang diproses untuk dibandingkan dengan citra yang lain.

Adapun dalam penelitian ini metode ekstraksi ciri yang digunakan adalah moment invariant.

Moment invariant merupakan salah satu metode ekstraksi ciri yang dilakukan

dengan menghitung ketujuh nilai moment pusat suatu citra. Ketujuh moment tersebut dapat

diperoleh melalui beberapa rumusan sebagai berikut[3],[4] :

Moment pusat citra:

),()()( yxfyyxx qp

yxpq −−=

Dimana:


9

…………………………………………………………………………………………………………………..…….(2.11)

Agar momen pusat tidak terpengaruh oleh rotasi, skala, dan translasi, maka diperlukan

normalisasi terhadap momen melalui persamaan berikut:

00

pq

pq =

Dimana:

12

++

=qp

Berdasarkan normalisasi momen pusat, maka tujuh momen invariant dapat diperoleh melalui

persamaan berikut:

𝜙1 = 𝜂20 + 𝜂02

𝜙2 = (𝜂20 − 𝜂02)2 + 4𝜂112

𝜙3 = (𝜂30 − 3𝜂12)2 + (3𝜂21 − 𝜂03)2

𝜙4 = (𝜂30 + 𝜂12)2 + (𝜂21 + 𝜂03)2

𝜙5 = (𝜂30 − 3𝜂12)(𝜂30 + 𝜂12)[(𝜂30 + 𝜂12)2 − 3(𝜂21 + 𝜂03)2]

+(3𝜂21 − 𝜂03)(𝜂21 + 𝜂03)[3(𝜂30 + 𝜂12)2 − (𝜂21 + 𝜂03)2]

𝜙6 = (𝜂20 − 𝜂02)[(𝜂30 + 𝜂12)2 − (𝜂21 + 𝜂03)2]

+4𝜂11(𝜂30 + 𝜂12)(𝜂21 + 𝜂03)

𝜙7 = (3𝜂21 − 𝜂03)(𝜂30 + 𝜂12)[(𝜂30 + 𝜂12)2 − 3(𝜂21 + 𝜂03)2]

+(3𝜂12 − 𝜂30)(𝜂21 + 𝜂03)[3(𝜂30 + 𝜂12)2 − (𝜂21 + 𝜂03)2]

𝜙 𝑖 = koefisien 𝑚𝑜𝑚𝑒𝑛𝑡 𝑖𝑛𝑣𝑎𝑟𝑖𝑎𝑛𝑡

𝜂 = momen pusat normalisasi

Contoh:

Misalkan diperoleh matriks 5x5 sebagai berikut:

0 0 0 0 0

0 1 1 1 0

0 1 1 1 0

0 1 1 1 0

0 0 0 0 0

Berdasarkan persamaan 2.9 diperoleh nilai momen pusat citra sebagai berikut:

[𝜇00 𝜇01 𝜇02 𝜇03 𝜇10 𝜇11 𝜇12 𝜇20 𝜇21 𝜇30] = [4 0 0 13 13 11 13 15 13 13]


10

Dimana melalui persamaan 2.10 diperoleh �̅� = 3 dan �̅� = 3

Dan melalui persamaan 2.11 maka diperoleh moment pusat normalisasi sebagai berikut:

[𝜂00 𝜂01 𝜂02 𝜂03 𝜂10 𝜂11 𝜂12 𝜂20 𝜂21 𝜂30]=

Sehingga dapat dihitung ketujuh moment invariant sebagai berikut:

𝜙1 = 0,94 + 0

𝜙2 = (0,94 − 0)2 + 4 . 0,412

𝜙3 = (0,41 − 0,41)2 + (0,41 − 1,63 )2

𝜙4 = ( 0,41 + 0,41)2 + (0,41 + 1,63)2

𝜙5 = (0,41 − 3 . 0,41)(0,41 + 0,41)[(0,41 + 0,41)2 − 3(0,41 + 0,46)2]

+(0,41 − 0,46)(0,41 + 0,46)[3(0,41 + 0,41)2 − (0,41 + 0,46)2]

𝜙6 = [(0,94 − 0)[( 0,41 + 0,41)2 − ( 0,41 + 0,41)2]

+4 . 0,69 ( 0,41 + 0,41)( 0,41 + 0,41)]

𝜙7 = (3. 0,41 − 0,41)( 0,41 + 0,41)[( 0,41 + 0,41)2 − 3(0,41 + 0,41)2]

+(3 . 0,41 − 0,41)(0,41 + 0,41)[3(0,41 + 0,41)2 − (0,41 + 0,46)2]

Sehingga diperoleh hasil sebagai berikut:

[𝜙1 𝜙2 𝜙3 𝜙4 𝜙5 𝜙6 𝜙7] = [0,9375 2,76953 2,47558 0,82519 0,87161 1,8154 0]

2.6. Jarak Euclidean

Untuk menentukan hasil akhir dari pengenalan alat stasioneri ini, maka perlu

dibandingkan tingkat kemiripan antara hasil ekstraksi ciri dan basis data. Untuk

membandingkannya maka dalam penelitian ini digunakan fungsi jarak Euclidean, dimana

hasil akhir ditentukan berdasarkan nilai jarak terkecil atau yang paling mendekati 0 (nol).

Adapun, menentukan jarak antara hasil ekstraksi ciri dan basis data dengan fungsi jarak

Euclidean dapat didefenisikan sebagai berikut[3],[4]:

𝑗(𝑉1 , 𝑉2) = √∑(𝑉1(𝑘) − 𝑉2(𝑘))2

𝑛

𝑘=1

Keterangan :

𝑉1(𝑘) = citra basis data.

𝑉2(𝑘) = citra masukan.

[ 1 0 0 0,46 1,63 0,69 0,41 0,94 0,41 0,41 ]


11

Contoh[3]:

Terdapat 2 vektor ciri berikut.

V1 = [ 4 3 6]

V2 = [ 2 3 7]

Jarak Euclidean dari vektor A dan B adalah:

j(𝑉1, 𝑉2) = √(4 − 2)2 + (3 − 3)2 + (6 − 7)2

= √4 + 0 + 1 = 2,2361

2.7. Operasi Closing

Operasi ini digunakan untuk menutupi atau menghilangkan lubang-lubang kecil yang

ada dalam segmen objek, menggabungkan objek yang berdekatan dan secara umum

memperhalus batas dari objek besar tanpa mengubah objek secara signifikan. Operasi

closing sendiri merupakan operasi morfologi yang yang diawali dengan dilasi kemudian

diikuti dengan Erosi dimana keduanya menggunakan formasi elemen penstruktur dan radius

pixel yang sama[12]. Operasi closing dapat didefenisikan sebagai berikut[13]:


https://pemrogramanmatlab.files.wordpress.com/2015/08/rumus-operasi-morfologi-citra-digital.png

12

BAB III

PERANCANGAN

3.1. Perancangan Tata Letak dan Fungsi Hardware

Secara garis besar proses perancangan tata letak dan fungsi hardware dalam

pengenalan alat stasioneri dapat dilihat pada blok diagram gambar 3.1.

Gambar 3.1. Diagram blok perancangan tata letak dan fungsi hardware

Blok diagram diatas, merupakan gambaran singkat mengenai perancangan dari

pengenalan terhadap alat stasioneri dari segi hardware, dimana dalam penelitian ini

digunakan perangkat berupa alat stasioneri sebagai objek yang akan dikenali, webcam untuk

menangkap citra alat stasioneri, laptop sebagai tempat untuk memproses citra, sebagai user

interface, sekaligus untuk menampilakan hasil pengenalan, dan fixture sebagai penyangga

webcam (webcam diletakkan pada pada posisi no.2 pada gambar 3.1) juga tempat

meletakkan alat stasioneri(alat stasioneri diletakkan pada pada posisi no.1 pada gambar 3.1).

Pengenalan citra alat stasioneri akan diawali dengan pengambilan citra menggunakan

webcame dimana jarak antara alat stasioneri dan webcame kurang lebih 50 cm. Kemudian

citra dari webcam tersebut akan diproses pada laptop menggunakan matlab, laptop dan

webcame dihubungkan dengan menggunakan USB 2.0. Setelah melalui proses pengenalan

pada matlab hasil pengenalan akan ditampilkan pada layar laptop dalam bentuk teks.

1

2


13

3.2. Perancangan Software

Secara umum proses perancangan software pengenalan alat stasioneri terdiri dari

lima tahap berupa: tahap preprocessing, tahap ekstraksi ciri, tahap funsi jarak, dan tahap

penentuan keluaran. Tahap pertama yaitu tahap preprocessing. Tahap preprocessing terdiri

dari tiga bagian yaitu: konversi RGB ke grayscale, cropping, dan resizing. Setelah tahap

preprocessing, proses dilanjutkan dengan tahap pengenalan. Tahap pengenalan terdiri dari

tiga tahapan yaitu: ekstraksi ciri, perhitungan fungsi jarak, dan basis data citra alat stasioneri.

Selanjutnya, pada tahap terakhir dilakukan penentuan keluaran. Penentuan keluaran

dilakukan berdasarkan hasil perbandingan antara ekstraksi ciri dengan basis data, dimana

jarak paling minimum ditentukan sebagai keluaran. Garis besar dari proses pengenalan alat

stasioneri ini dapat dilihat pada diagram alir gambar 3.2.

Gambar 3.2. Diagram alir keseluruhan proses pengenalan alat stasioneri

Mulai

Masukan:

Citra alat stasioneri

Preprocessing

Ekstraksi ciri dengan

Moment invariant

Funsi jarak Euclidean

Basis Data

A

A

Keluaran:

Hasil berupa

teks

Selesai


14

3.2.1. Tahap Preprocessing

Tahap preprocessing terdiri dari tiga tahapan berupa konversi RGB ke grayscale,

konversi grayscale ke biner, dan median filter. Konversi RGB ke grayscale dilakukan

karena citra hasil tangkapan webcame merupakan citra RGB, sementara itu konversi

grayscale ke biner dilakukan mempermudah pada tahapan selanjutnya, kemudian median

filter dilakukan untuk menyaring noise pada citra. Secara garis besar tahap ini dapat

digambarkan melalui diagram alir gambar 3.3 berikut.

Gambar 3.3. Diagram alir tahap preprocessing

3.2.2. Tahap Ekstraksi Ciri

Tahap ekstraksi ciri adalah proses pengambilan ciri dari suatu citra untuk

mengurangi banyaknya data yang akan diproses pada tahap selanjutnya. Pada penelitian ini

pengambilan ciri citra dilakukan dengan menggunakan ekstraksi ciri moment invariant.

Proses ini digambarkan seperti pada diagram alir gambar 3.4.

Mulai

Masukan:

citra RGB

Konversi citra RGB ke

Gray Scale

Konversi

Grayscale ke

biner

Median filter

Keluaran:

Citra hasil

Preprocessing

Selesai

A

A


15

Mulai

Masukan: Citra

hasil

Preprocessing

Hitung Ketujuh nilai

Moment Invariant

Keluaran:

Hasil ekstraksi

ciri

Selesai

B

B

Gambar 3.4. Diagram alir proses ektaksi ciri moment invariant

3.2.3. Tahap Fungsi Jarak

Setelah melalui tahap ekstraksi ciri maka proses akan dilanjutkan dengan tahap

perhitungan fungsi jarak. Perhitungan fungsi jarak dilakukan dengan tujuan

membandingkan citra keluaran dari ekstraksi ciri dengan citra alat stasioneri pada basis data,

dimana hasilnya ditentukan berdasarkan hasil perbandingan yang memiliki nilai paling kecil,

sehingga tahap ini menjadi tahapan terakhir untuk mengetahui hasil dari pengenalan alat

stasioneri dalam penelitian ini. Dalam tahap fungsi jarak ini digunakan fungsi jarak

Euclidean. Adapun tahap ini digambarkan pada diagram alir gambar 3.5.

Gambar 3.4. Diagram alir tahapan funsi jarak

Mulai

Masukan:

Hasil ekstraksi

ciri

Perhitungan jarak Euclidean

A

A

Penentuan keluaran

Keluaran:

Hasil pengenalan

Selesai

Basis Data


16

3.2.4. Perancangan Tampilan GUI Matlab

Dalam penelitian ini digunakan GUI (Graphical User Interface) pada matlab sebagai

user interface. Adapun tampilan GUI beserta prosesnya yang berlangsung dapat dilihat pada

gambar 3.5 dan diagram alir gambar 3.6.

Gambar 3.5. Perancangan tampilan GUI matlab

Setiap bagian dari tampilan GUI tersebut memiliki fungsi tersendiri dan mewakili

hasil dari setiap bagian pada proses pengenalan alat stasioneri dalam penelitian ini. Adapun

fungsi dari tiap bagiannya tersebut dapat dilihat pada table berikut:

Tabel 3.1. Keterangan GUI

Nama Bagian Fungsi

Tombol “Camera On” Menghidupkan webcam

Tombol “Capture” Mengambil gambar

Tombol “Process” Memulai proses pengenalan perangkat elektronika

Pop Menu Memilih variasi koefisien Fourier

Axes 1 pada panel

kamera

Menampilkan citra secara real time dari webcam dan citra hasil

pengambilan gambar

Axes 2 pada proses

preprocessing

Menampilkan citra hasil preprocessing

Q1, Q2, Q3, Q4, Q5, Q6,

Q7

Menampilkan citra hasil ekstraksi ciri secara berurutan dari

moment pertama sampai moment yang ketujuh

J1, J2, J3, J4, J5, J6, J7,

J8, dan J9

Masing-masing menampilkan hasil perhitungan jarak Euclidean

secara berurutan dari ballpoint, cutter, gunting, note book,

pelubang kertas, paper klip, stabilo, steples, tipe-x.

Axes 10 pada panel text Menampilkan hasil akhir pengenalan alat stasioneri berupa teks

Tombol “Reset” Mengulang proses pengenalan dari awal

Tombol “End” Keluar mengakhiri proses dan keluar dari sistem


17

Proses dijalankannya sistem pada gambar 3.6 dimulai dengan menekan tombol

“Camera On“ yang akan mengaktifkan webcam sehingga pada Axes 1 akan ditampilkan

citra alat stasioneri secara real time. Selanjutnya pengguna menekan tombol “Capture”

untuk pengambilan citra dari alat stasioneri dan gambar citra tersebut akan ditampilkan pada

Axes 1. Langkah selanjutnya pengguna dapat menekan tombol “Process” untuk memeroses

citra masukan ke tahap preprocessing dan ekstraksi ciri. Hasil dari tahap preprocessing akan

ditampilkan pada Axes 2, sedangkan hasil dari tahap ekstraksi ciri yaitu ketujuh moment

invariant akan ditampilkan secara berurutan mulai dari Axes 3 hingga Axes 9. Hasil akhir

pada proses ini berupa teks yang akan ditampilkan pada Axes 10.

Gambar 3.6. Diagram alir sistem untuk menampilkan hasil pengenalan pada GUI

Mulai

Masukan:

Citra alat

stasioneri

Preprocessing

Ekstraksi ciri

Keluaran:

Hasil pengenalan

citra berupa teks

ditampikan pada

GUI

Selesai

Keluaran: Hasil

ekstraksi ciri

ditampikan

pada GUI

Keluaran:

Hasil

preprocessing

ditampikan

pada GUI


18

3.3. Basis Data

Dalam proses ini citra alat stasioneri akan diambil sebagai acuan untuk

dibandingkan dengan citra alat stasioneri yang diambil dari webcame. Secara garis besar

prosesnya dapat dilihat pada blok diagram gambar 3.7.

Gambar 3.7. Diagram blok proses pengambilan basis data

Dari diagram blok 3.7 dapat dilihat bahwa proses pada tahap ini diawali dengan

pengambilan citra alat stasioneri. Citra alat stasioneri yang diambil tersebut akan memasuki

tahap preprocessing. Hasil dari tahap preprocessing tadi akan memasuki tahap ekstraksi ciri

dimana hasilnya akan disimpan dalam bentuk cell array dengan format .mat pada folder

tertentu sebagai data referensi. Adapun banyaknya data hasil ekstraksi ciri citra alat

stasioneri yang akan di simpan sebagai data refensi adalah 63 (enam puluh tiga) yaitu tujuh

koefisien moment invariant dari setiap sembilan alat stasioneri.

Mulai

Masukan:

Citra alat stasioneri

Preprocessing

Ekstraksi ciri dengan

Moment invariant

Selesai

Keluaran:

Basis Data


19

3.4. Pengujian Citra Alat Stasioneri

3.4.1. Pengujian Secara Tidak Langsung

Proses pengujian data secara tidak langsung dilakukan dengan terlebih dahulu

mengambil data berupa gambar alat stasioneri dengan menggunakan webcame lalu

disimpan pada sebuah folder tertentu. Data berupa gambar tersebut lalu diproses dengan

mengacu pada gambar 3.5 yaitu preprocessing, ekstraksi ciri dengan moment invariant, dan

fungsi jarak Euclidean. Hasil dari perhitungan fungsi jarak Euclidean akan menentukan

jarak antara hasil ekstraksi ciri gambar dan basis data, dimana citra dengan jarak terkecil

merupakan hasil akhir dari tahap ini dan akan ditampilkan berupa teks pada layar monitor

dengan matlab.

3.4.2. Pengujian Secara Langsung

Pengujian data secara langsung diawali dengan menekan “Camera On” pada GUI

matlab mengaktifkan webcam. Lalu untuk melakukan pengambilan gambar alat stasioneri

dilakukan dengan menekan tombol “capture”. Jumlah gambar yang diambil adalah sembilan

gambar dari sembilan alat stasioneri. Gambar yang diambil kemudian akan diproses pada

tahap preprocessing yaitu pengubahan citra RGB ke biner. Setelah itu dilanjutkan dengan

tahap ekstraksi ciri untuk mendapatkan ketujuh koefisien dari hasil ekstraksi ciri moment

invariant. Selanjutnya hasil ekstraksi ciri akan dibandingkan dengan data yang telah

disimpan pada basis data dengan fungsi jarak Euclidean untuk menentukan keluaran. Hasil

akhir dari tahap ini ditampilkan dengan format teks pada layar monitor. Sebagai tambahan

maka dilakukan pula pengujian terhadap rotasi, skala dan translasi (RST). Pengujian RST

dilakukan dengan menempatkan alat stasioneri kurang lebih 2 cm ke kanan atau ke kiri dari

posisi awal untuk pengujian terhadap translasi, memberi variasi ketinggian 45 cm, 50 cm

dan 55 cm antara perangkat dengan webcam untuk pengujian terhadap skala dan memutar

alat dengan variasi sudut putaran 0°, 90° dan 180° untuk pengujian terhadap rotasi

perangkat.


20

BAB IV

HASIL DAN PEMBAHASAN

Pada bab ini akan dibahas mengenai proses pengujian program baik pada pengujian

secara langsung maupun pengujian secara tidak langsung, akan dibahas bagian-bagian dari

program dan analisis terhadap hasil dari pengujian program. Melalui bab ini akan diketahui

apakah program yang telah dirancang telah berjalan dengan baik atau tidak, sehingga

nantinya dapat ditarik kesimpulan mengenai penelitian ini.

4.1 Implementasi Program

4.1.1 Tombol Camera On

Tombol Camera On (kamera aktif ) berfungsi untuk mengaktifkan webcam melalui

GUI Matlab sekaligus menampilkan hasil rekaman dari webcam pada axes 1. Adapun

program yang digunakan untuk menjalankan tombol Camera On terlihat seperti pada

gambar 4.1.

Gambar 4.1. Program Kamera Aktif

Adapun vidobj berfungsi untuk merepresentasikan hasil rekaman webcam dengan format

MJPG berukuran 320x240 berdasarkan device yang terhubung dimana winvideo merupakan

text string yang berfungsi untuk menyatakan nama adaptor yang digunakan matlab untuk

berkomunikasi dengan webcam . sementara itu nBands, hImage, dan preview digunakan

untuk menampilkan rekaman webcam pada axes1, dalam hal ini akan ditampilkan video pada

axes 1 dengan band berdasarkan nBands yang didapatkan dari sintaks get dan video

berukuran 320x240 pixel.

function pushbutton1_Callback(hObject, eventdata, handles) global vidobj vidobj = videoinput('winvideo',1,'MJPG_320x240');

% Tampilkan pada axes nBands=get(vidobj,'NumberOfBands') hImage=image(zeros(240,320,nBands),'parent',handles.axes1) preview(vidobj,hImage)


21

4.1.2 Tombol Capture

Tombol capture (ambil gambar) berfungsi untuk meng-capture gambar dari kesembilan alat

stasioneri yang digunakan. Adapun program untuk tombol capture ini dapat dilihat pada

gambar 4.2.

Gambar 4.2. Program Ambil Gambar

Dalam program ini digunakan sintaks global sehingga nilai variabel yang diperoleh

dapat digunakan pada fungsi lain dalam program yang sama. Untuk proses capture sendiri

digunakan sintaks getdata dimana getdata berfungsi untuk mengambil citra dalam kondisi

webcam aktif. Adapun untuk merepresentasikan sintaks imshow pada axes1 maka

digunakan sintaks handles dan axes. Imshow sendiri digunakan untuk menampilkan gambar.

4.1.3 Tombol Process

Tombol Process (Proses) merupakan tombol yang berfungsi untuk menjalankan

bagian program pengenalan alat stasioneri yang berupa preprocessing, ekstraksi ciri, jarak

euclidean, penentuan keluaran, sekaligus untuk menampilkan hasil-hasilnya pada GUI

matlab.

function pushbutton2_Callback(hObject, eventdata, handles) % Inisialisasi webcam global vidobj global gambar1 vidobj.FramesPerTrigger=1; triggerconfig(vidobj,'manual');

% Proses capture gambar start(vidobj); pause(0.5); trigger(vidobj); stoppreview(vidobj); frame=getdata(vidobj);

gambar1=(frame); axes(handles.axes1); imshow(gambar1)


22

4.1.4.1 Program Inisialisasi dan Pemanggilan Basis Data

Progam untuk inisialisasi dan pemanggilan basis data ini dapat dilihat pada Gambar

4.4 berikut. Program ini berfungsi untuk mendeklarasikan variabel agar dapat dikenali pada

program sekaligus mendapatkan data yang diperlukan dari program lainnya atau

mendapatkan data dari fungsi lain pada program yang sama.

Gambar 4.3. Program Basis Data

Gambar 4.4. merupakan program yang digunakan untuk menginisialisasikan dan

memanggil data yang ada pada basis data. Load momenHu berfungsi untuk mendapatkan

nilai moment invariant yang diperoleh pada program momentHu, Load dbstasioneri1

berfungsi untuk mendapatkan nilai moment invariant dari basis data dan global gambar1

untuk memperoleh data gambar1 dari program tombol capture sebelumnya.

4.1.4.2 Program Konversi RGB ke Biner

Program konveri RGB ke Biner berfungsi untuk mengubah citra RGB ke citra biner.

Berdasarkan diagram alir tahap preprocessing pada Gambar 3.3. Program RGB ke biner

dapat dilihat pada Gambar 4.5.

Gambar 4.4. Program Konversi Citra RGB ke Biner

Setelah proses capture gambar dilakukan oleh pengguna, data berupa gambar alat

stasioneri tersebut kemudian akan dipanggil menggunakan sintaks imread. Kemudian untuk

mengubah citra RGB ke citra berskala keabuan atau grayscale dapat menggunakan sintaks

“rgb2gray” sesuai dengan persamaan 2.1 . Sintaks “graysthresh” merupakan metode yang

%inisialisasi load momenHu; load dbstasioneri1; global gambar1;

x = rgb2gray(gambar1); level = graythresh(x) A1 = im2bw(x,level); B= medfilt2(A1);

% OPERASI OPENING BW=imclose(B,strel('square',4)); axes(handles.axes2) imshow(BW)


23

diimplementasikan dari metode Otsu (persamaan 2.2 sampai 2.8) digunakan untuk mencari

nilai ambang secara otomatis. Nilai hasil dari metode tersebut berupa nilai ambang akan

dikonversi ke citra iner menggunakan sintaks “im2bw”. Sementara itu untuk memperoleh

citra biner yang lebih baik agar diperoleh hasil pengenalan yang lebih maksimal, maka pada

tahapan ini ditambahkan operasi opening berupa sintaks imclose. Sintaks imclose

merupakan operasi dilasi yang diikuti dengan operasi erosi dengan struktur dan radius yang

sama, pada program digunakan radius empat pixel. Contoh hasil program RGB ke biner

dapat dilihat pada Gambar 4.6.

(a) (b)

(c) (d)

(e)

Gambar 4.5. Konversi Citra RGB ke Biner. (a) Citra Masukan (b) citra grayscale (c) citra

hasil konversi gray ke biner (d) citra hasil median filter (e) citra hasil operasi opening.


24

4.1.4.5 Ekstraksi Ciri

Pada program ektraksi ciri digunakan untuk menyaring informasi yang lebih detail

yang terdapat dalam suatu citra sehingga jumlah informasi yang diolah nantinya menjadi

jauh lebih sedikit, informasi ini kemudian akan digunakan untuk membandingkan suatu

objek dengan objek lainnya. Berdasarkan diagram alir tahap ekstraksi ciri Gambar 3.4

program ekstraksi ciri dapat dilihat pada Gambar 4.6.

Pada program ekstraksi ciri moment invariant dilakukan dengan menggunakan

sintaks momenthu. Hasil dari perhitungan moment invariant ini kemudian ditampilkan pada

GUI matlab dalam bentuk teks. Karena hasil perhitungan yang diperoleh dari ekstraksi ciri

merupakan numerik maka agar dapat ditampilkan pada text, bentuk numerik tersebut terlebih

dahulu harus diubah kebentuk string dengan sintaks “num2str”.

Gambar 4.10. Program Ektraksi Ciri

Gambar 4.6. Program ekstraksi ciri moment invariant

% moment HU momenhu(BW) ec=[m1; m2; m3; m4; m5; m6; m7];

%menampilkan ekstraksi ciri h1=num2str(m1); h2=num2str(m2); h3=num2str(m3); h4=num2str(m4); h5=num2str(m5); h6=num2str(m6); h7=num2str(m7);

set(handles.text3,'string',h1); set(handles.text5,'string',h2); set(handles.text7,'string',h3); set(handles.text9,'string',h4); set(handles.text11,'string',h5); set(handles.text13,'string',h6); set(handles.text15,'string',h7);


25

4.1.4.6 Program Pembanding Jarak Euclidean

Pada program pembanding jarak ini menggunakan jarak Euclidean sebagai

pembanding hasil antara ekstraksi ciri dengan basis data. Berdasarkan diagram alir jarak

Euclidean pada Gambar 3.5 program yang digunakan dapat dilihat pada Gambar 4.7.

Gambar 4.7. Program Pembanding Jarak Euclidean

Program pada gambar 4.7 digunakan untuk memanggil fungsi jarak Euclidean yang

telah dibuat pada program yang lain. adapun variabel yang akan dibandingkan adalah hasil

ektraksi ciri dari pengambilan gambar secara real time yaitu “ec” dengan hasil ekstraksi ciri

gambar yang telah disimpan sebagai basis data yaitu “dball1{1}” sampai dengan “dball1{9}.

%FUNGSI JARAK j(1) = jarak(dball1{1},ec) set(handles.text35,'string',j(1)); j(2) = jarak(dball1{2},ec); set(handles.text37,'string',j(2)); j(3) = jarak(dball1{3},ec); set(handles.text39,'string',j(3)); j(4) = jarak(dball1{4},ec); set(handles.text41,'string',j(4)); j(5) = jarak(dball1{5},ec); set(handles.text43,'string',j(5)); j(6) = jarak(dball1{6},ec); set(handles.text46,'string',j(6)); j(7) = jarak(dball1{7},ec); set(handles.text48,'string',j(7)); j(8) =jarak(dball1{8},ec); set(handles.text50,'string',j(8)); j(9) = jarak(dball1{9},ec); set(handles.text52,'string',j(9));


26

4.1.4.7 Program Penentuan Keluaran

Program Keluaran berfungsi untuk menampilkan hasil dari pengenalan alat stasioneri

yang berupa teks. Program yang digunakan dapat dilihat pada Gambar 4.12.

Gambar 4.9. Program Penentuan Keluaran

Pada program Sintaks “minj” merupakan nilai terkecil dari hasil perhitungan jarak.

Nilai tersebut akan menjadi penentu keluaran dari sistem pengenalan alat stasioneri.

4.1.5 Tombol Reset

Program tombol Reset berfungsi untuk mengembalikan tampilan awal GUI apabila

pengguna ingin memulai kembali dari awal proses pengenalan atau jika terjadi kesalahan

%menetukan keluaran minj = min(j) if (minj==j(1)) y1='BALL POINT'; set(handles.text17,'string',string(y1)); elseif (minj==j(2)) y2='CUTER'; set(handles.text17,'string',string(y2)); elseif (minj==j(3)) y3='GUNTING'; set(handles.text17,'string',string(y3)); elseif (minj==j(4)) y4='NOTE BOOK'; set(handles.text17,'string',string(y4)); elseif (minj==j(5)) y5='PELUBANG KERTAS'; set(handles.text17,'string',string(y5)); elseif (minj==j(6)) y6='PENJEPIT KERTAS'; set(handles.text17,'string',string(y6)); elseif (minj==j(7)) y7='STABILO'; set(handles.text17,'string',string(y7)); elseif (minj==j(8)) y8='STEPLES'; set(handles.text17,'string',string(y8)); elseif (minj==j(9)) y9='TIPEX'; set(handles.text17,'string',string(y9)) end


27

pada saat proses pengenalan berlangsung. Program yang digunakan dalam tombol reset

ditunjukkan pada Gambar 4.13.

Gambar 4.10. Program Tombol Reset

4.2. Pengujian Program Pengenalan Alat Stasioneri Secara Tidak

Langsung

Tujuan dari pengujian tidak langsung ini adalah untuk memastikan bahwa program

yang telah dirancang telah berjalan dengan baik sesuai yang diharapkan. Melalui pengujian

secara tidak langsung ini letak permasalahan program seperti kesalahan fungsi serta

ketidaksesuaian basis data dan program utama dapat ditemukan apabila program tak berjalan

sebagaimana mestinya, sehingga dalam proses selanjutnya yaitu pengujian langsung akan

lebih mudah untuk menemukan letak kesalahan apabila masih terjadi kesalahan dalam

function pushbutton7_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see

GUIDATA)

plot(0); axes(handles.axes1); plot(0); axes(handles.axes2); plot(0); set(handles.text3,'string',''); set(handles.text5,'string',''); set(handles.text7,'string',''); set(handles.text9,'string',''); set(handles.text11,'string',''); set(handles.text13,'string',''); set(handles.text15,'string',''); set(handles.text17,'string',''); set(handles.text35,'string',''); set(handles.text37,'string',''); set(handles.text39,'string',''); set(handles.text41,'string',''); set(handles.text43,'string',''); set(handles.text46,'string',''); set(handles.text48,'string',''); set(handles.text50,'string',''); set(handles.text52,'string','');


28

pengenalan. Adapun langkah yang dilakukan untuk melakukan pengujian tidak langsung ini

adalah sebagai berikut:

1. Membuka software Matlab dengan mengklik kiri pada ikon Matlab.

2. Setelah masuk pada tampilan utama Matlab, langkah selanjutnya adalah

membuka program pengenalan alat stasioneri pada folder dimana program telah

disimpan sebelumnya.

3. Ketik “TA_tdk_langsung” pada Command Window untuk memanggi program

pengujian secara tidak langsung alat stasioneri. Kemudian tekan tombol “Enter”.

Sebagai catatan semua program di RUN terlebih dahulu untuk memastikan semua

program sudah siap untuk dijalankan.

4. Setelah menekan tombol “Enter” akan muncul tampilan pada layar monitor

seperti pada Gambar 4.15.

Gambar 4.11. Tampilan GUI Pengujian Tidak Langsung

Berikut adalah penjelasan tentang fungsi dari tombol pada gambar GUI diatas.

a. Sembilan Tombol berupa: “BALLPOINT”, “ CUTTER”, “GUNTING”, “NOTE

BOOK’, “PELUBANG KERTAS”, “PENJEPIT KERTAS”, “STABILO”,

“STEPLES” dan “TIPEX” berfungsi untuk memilih jenis alat stasioneri yang

ingin diuji.

b. Tombol “Process” . Saat ditekan maka hasil dari preprocessing, hasil resizing,

dan keluaran teks (text) akan ditampilkan.


29

c. Tombol “Reset”. Berfungsi untuk mengembalikan setiap axes, popupmenu, dan

text yang menampilkan hasil ekstraksi ciri, hasil jarak euclidean, dan hasil akhir

kembali seperti semula.

d. Untuk menjalankan program pengenalan secara tidak langsung, maka terlebih

dahulu pengguna harus mengklik salah satu tombol dari kesembilan tombol

untuk memilih salah satu dari kesembilan alat stasioneri. Setelah citra alat

stasioneri ditampilkan pada axes1, maka pengguna dapat menekan tombol

“process” untuk menampilkan hasil ekstraksi ciri, hasil jarak euclidean, dan hasil

akhir. Salah satu contoh hasil pengujian secara tidak langsung dapat dilihat pada

gambar 4.16.

Gambar 4.12 Contoh ketika GUI Dijalankan untuk alat stasioneri Gunting


30

4.3. Pengujian Program Pengenalan Alat Stasioneri Secara Langsung.

Pengujian secara tidak langsung dilakukan seperti halnya pengujian secara langsung.

Perbedaannya adalah citra masukan berasal dari citra di ambil secara real time atau langsung,

sehingga kesembilan tombol push button untuk memilih citra alat stasioneri dihilangkan

dan digantikan dengan tombol “camera on” dan tombol “capture”.

Langkah percobaan pengujian secara langsung sama halnya seperti pada langkah 1

dan 2 pada pengujian secara tidak langsung, hanya saja nama file program yang diketikkan

di Command Window digantikan dengan “TA_langsung”. Setelah nama dari file program

dijalankan maka akan muncul tampilan pada layar monitor seperti Gambar 4.17. Keterangan

untuk tombol yang ada pada Gambar 4.17 dapat dilihat pada tabel 3.1. Setelah itu pengguna

menekan tombol camera on, tombol capture, lalu tombol process. Hasil berupa teks

kemudian akan ditampilkan pada GUI matlab dan sebagai contoh dapat dilihat hasil

pengelan untuk note book pada Gambar 4.18.

Gambar 4.13 Tampilan GUI Pengujian Secara Langsung


31

Gambar 4.14 Hasil running program untuk notebook

4.4 Analisis Hasil Data Pengujian secara Tidak Langsung

Pengujian secara tidak langsung ini dilakukan dengan menggunakan gambar alat

stasioneri sebanyak 9 gambar. Adapun tujuan dari pengujian secara tidak langsung adalah

untuk mengetahui apakah sistem berjalan dengan baik sesuai dengan harapan. Program

dikatakan berjalan sesuai dengan yang diharapkan apabila tingkat pengenalan yang

diperoleh pada pengujian ini adalah 100% .

Adapun sebelum dilakukan pengujian secara tidak langsung hal yang terlebih dahulu

dilakukan adalah memberi nama setiap gambar alat stasioneri yang diperoleh dari proses

capture. Kemudian menyesuaikan nama gambar yang telah disimpan dengan nama tombol

yang terdapat di GUI matlab pada program. Kemudian untuk melihat hasil dari pengenalan

alat stasioneri dengan menekan tombol “process” . Hasil akhir berupa teks akan ditampilkan

pada GUI matlab. Adapun hasil pengenalan yang diperoleh pada pengujian tidak langsung

dapat dilihat pada Tabel 4.1.


32

Tabel 4.1. Hasil Pengujian Tidak Langsung

Berdasarkan tabel 4.1 terlihat bahwa setiap alat stasioneri dikenali dengan benar

dalam 5 kali pengujian dimana hasil pengenalan telah sesuai dengan alat stasioneri yang

diuji. Adapun hasil pengenalan tersebut diperoleh dengan menentukan nilai terkecil dari

hasil perhitungan jarak dengan fungsi jarak Euclidean. Basis data dengan nilai terkecil

tersebut kemudian ditentukan sebagai hasil pengenalan dari pengujian tersebut. Berdasarkan

data yang mengacu pada lampiran 8 diperoleh jarak terkecil pada basis data citra yang sama

dengan citra masukan untuk setiap alat stasioneri dalam 5 kali pengujian, sehingga diperoleh

hasil pengalan yang benar untuk setiap citra alat stasioneri dalam 5 kali pengujian.

Untuk memperoleh tingkat pengenalan dari hasil pengujian dalam peneliatian ini

maka digunakan persamaan sebagai berikut:

𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝑝𝑒𝑛𝑔𝑒𝑛𝑎𝑙𝑎𝑛(%) = 𝑡𝑜𝑡𝑎𝑙 𝑝𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛 𝑑𝑒𝑛𝑔𝑎𝑛 ℎ𝑎𝑠𝑖𝑙 𝑦𝑎𝑛𝑔 𝑏𝑒𝑛𝑎𝑟

𝑡𝑜𝑡𝑎𝑙 𝑝𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛 𝑥 100% (4.1)

Sementara itu berdasarkan tabel 4.1 terlihat bahwa pada pengujian tidak langsung

terdapat 45 kali total pengujian dengan hasil 45 kali total pengujian dengan hasil pengalan

yang benar. Sehingga dapat diperoleh tingkat pengenalan untuk pengujian tidak langsung

sebagai berikut:

𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝑝𝑒𝑛𝑔𝑒𝑛𝑎𝑙𝑎𝑛(%) = 45

45 𝑥 100%

= 100%

Dengan demikian berdasarkan data pada Tabel 4.1 maka dapat disimpulkan bahwa

program pengenalan alat stasioneri telah berjalan sebagaimana mestinya sesuai yang

Alat

Stasioneri Banyak Pengujian

Banyak Pengujian dengan

Hasil Pengenalan yang Benar Dikenali sebagai

Gunting 5 kali 5 kali Gunting

Stabilo 5 kali 5 kali Stabilo

Tipe-x 5 kali 5 kali Tipe-x

Paper Clip 5 kali 5 kali Paper Clip

Pelubang Kertas 5 kali 5 kali Pelubang Kertas

Ballpoint 5 kali 5 kali Ballpoint

Steples 5 kali 5 kali Steples

Note 5 kali 5 kali Note

Cutter 5 kali 5 kali Cutter

Total 45 kali 45 kali


33

diinginkan dimana pada pengujian tidak langsung ini telah diperoleh tingkat pengenalan

sebesar 100%.

4.5. Analisis Hasil Data Pengujian secara Langsung.

Pengujian secara langsung dilakukan dengan beberapa kondisi berupa variasi rotasi

dengan mengubah sudut sebesar 45°, 90° dan 180° dari posisi awal, variasi skala dengan

mengubah jarak webcam ke alat stasioneri sejauh 45 cm dan 55cm serta variasi translasi

dengan geser ke kanan 8 cm dan ke kiri 8 cm dari posisi awal. Pengujian ini dilakukan di

ruang Tugas Akhir Teknik Elektro dengan tambahan pencahayaan berupa tiga buah lampu.

Penggunaan tiga buah lampu bertujuan untuk memperbaiki hasil capture dari

webcam. Dalam pengujian langsung ini dilakukan pengujian sebanyak 5 kali untuk setiap

variasi rotasi, skala, translasi dan alat stasioneri yang digunakan, sehingga diperoleh data

sebanyak 360 data yaitu 45 (9 x 5 kali pengujian) data pada posisi awal dijumlahkan dengan

135 data variasi rotasi, 90 data untuk variasi translasi dan 90 data untuk variasi skala.

Pada pengujian secara langsung untuk posisi awal, alat stasioneri diletakkan pada

posisi yang sama dengan basis data, yaitu tepat berada dibawah webcam dengan jarak 50

cm dengan tambahan pencahayaan berupa tiga buah lampu. Pada pengujian untuk posisi

awal ini, semua alat stasioneri telah dikenali dengan benar dalam 5 kali pengujian.

Mengacu pada lampiran 5 tabel L22 maka hasil pengamatan untuk posisi awal dapat

dilihat pada tabel 4.2 sebagai berikut:

Tabel 4.2 Hasil Pengujian pada Posisi Awal

Alat

Stasioneri Jumlah Pengujian

Jumlah Pengujian dengan

Hasil Pengenalan yang

Benar

Gunting 5 kali 5 kali

Stabilo 5 kali 5 kali

Tipe-x 5 kali 5 kali

Paper Clip 5 kali 5 kali

Pelubang Kertas 5 kali 5 kali

Ballpoint 5 kali 5 kali

Steples 5 kali 5 kali

Note 5 kali 5 kali

Cutter 5 kali 5 kali

Total 45 kali 45 kali


34

Hasil pengenalan seperti pada tabel 4.2 diperoleh setelah melalui tahap

preprocessing, tahap ekstraksi ciri, tahap perhitungan jarak Euclidean, dan tahap penentuan

keluaran. Tahapan dimulai dengan proses preprocessing, tahap ini bertujuan untuk

mengubah citra RGB ke citra biner. Selanjutnya adalah tahap ekstraksi ciri, pada tahap ini

citra diekstraksi sehingga diperoleh sekumpulan nilai dalam bentuk matriks yang

menggambarkan citra tersebut, pada penelitian ini nilai-nilai tersebut ditampilakan pada GUI

matlab berupa Q1, Q2, Q3, Q4, Q5, Q6, dan Q7. Ekstraksi ciri disini juga menghasilkan

pengenalan yang tidak terpengaruh perubahan rotasi, skala dan traslasi (RST invarian)[4].

Berdasarkan tabel 4.2 terlihat bahwa setiap alat stasioneri dikenali dengan benar

dalam 5 kali pengujian dimana hasil pengenalan telah sesuai dengan alat stasioneri yang

diuji. Seperti pada pengujian tidak langsung, hasil pengenalan pada pengujian ini juga

diperoleh dengan menentukan nilai terkecil dari hasil perhitungan jarak dengan fungsi jarak

Euclidean. Basis data dengan nilai terkecil tersebut kemudian ditentukan sebagai hasil

pengenalan dari pengujian tersebut. Berdasarkan data yang mengacu pada lampiran 2

diperoleh jarak terkecil pada basis data citra yang sama dengan citra masukan untuk setiap

alat stasioneri dalam 5 kali pengujian, sehingga diperoleh hasil pengalan yang benar untuk

setiap citra alat stasioneri dalam 5 kali pengujian.

Untuk memperoleh tingkat pengenalan dari hasil pengujian langsung ini maka

digunakan persamaan 4.1, sehingga diperoleh tingkat pengenalan sebagai berikut:


45 𝑥 100%

= 100%

Dibandingkan dengan penelitian sebelumnya, terlihat bahwa ekstraksi moment

invariant lebih baik dari pada DST dimana dengan tujuh koefisien, ekstraksi ciri moment

invariant memperoleh tingkat pengenalan sebesar 100% sedangkan untuk ekstraksi ciri DST

dibutuhkan jumlah koefisien sebesar 171(mengacu pada lampiran 6, L-26). Adapun

perbandingan tingkat pengenalan ekstraksi ciri DST dan moment invariant dapat dilihat pada

tabel 4.3. Berdasarkan 4.3 terlihat juga bahwa ketika digunakan koefisien DST sejumlah 136

maka tingkat pengenalan yang diperoleh tidak lagi mencapai 100% melainkan hanya

sebesar 95,56%.


35

Tabel 4.3. Perbandingan Hasil Pengujian Ekstraksi Ciri DST dan

Moment invariant pada Posisi Awal

Ekatraksi Ciri Tingkat Pengenalan

DST 136[1] 95,56%

DST 171[1] 100%

Moment invariant (Penelitian ini) 100%

Pada penelitian ini dilakukan pula pengujian tambahan dengan memberikan variasi

rotasi, translasi dan skala terhadap kesembilan alat stasioneri dengan kondisi pencahayaan

yang sama dengan posisi awal. Dimana hasil pengenalan dengan ekstraksi ciri moment

invariant tidak terpengaruh oleh adanya RST yang invariant.

Adapun invarian terhadap translasi diperoleh karena momen citra dengan orde

𝜇00, 𝜇01, 𝜇02, 𝜇00, 𝜇01, 𝜇02, 𝜇03, 𝜇10, 𝜇11, 𝜇12, 𝜇20, 𝜇21, dan 𝜇30 menurut Hu adalah

moment citra yang invarian terhadap translasi[4]. Selanjutnya dihitung momen pusat citra

berdasarkan koordinat pusat citra dengan menggunakan persamaan 2.9 dan 2.10, sehingga

dapat diperoleh momen citra yang invarian terhadap rotasi. Momen pusat citra kemudian

dinormalisasi dengan menggunakan persamaan 2.11 sehingga dapat dihitung tujuh nilai

moment invariant yang tidak terpengaruh oleh RST yang invarian. Contoh perbandingan

hasil ekstraksi ciri untuk melihat pengaruh RST pada moment invariant dapat dilihat pada

dapat dilihat pada tabel 4.4 (mengacu pada lampiran 3, L-19- L-20). Pada tabel tersebut

diambil tipe_x sebagai contoh karena pada penelitian Febrianto sebelumnya tipe_x tidak

dapat dikenali dengan benar baik pada rotasi yang invarian, skala yang invarian, maupun

translasi yang invarian[1]. Dari tabel 4.4 terlihat bahwa ketika tipe_x pada posisi awal,

digeser, diputar, ataupun diubah skalanya nilainya tidak mengalami perubahan yang

signifikan. Sementara itu ketika objek digantikan dengan objek lainnya maka nilainya akan

berubah signifikan (terlihat pada lampiran 3, tabel L-20), Sehingga hasil pengenalan objek

dengan moment invariant bebas terhadap RST yang invarian. Nilai perubahan dari hasil

ektraksi ciri tersebut digambarkan melalui hasil perhitungan jarak dengan fungsi jarak

Euclidean dan dapat diamati pada tabel 4.5. Pada tabel 4.5 nilai jarak diperoleh dengan

menghitung jarak antara hasil ekstraksi ciri tipe_x pada basis data dan hasil ekstraksi ciri

alat stasioneri pada tabel dengan fungsi jarak Euclidean. Sehingga terlihat bahwa nilai jarak

yang diperoleh tipe_x meski pada keadaan RST invariant tetap lebih kecil dari alat stasioneri

yang lain.


36

Tabel 4.4 Perbandingan Hasil Ekstraksi Ciri Tipe-x

Ekstraksi ciri Posisi

Awal Skala 90% Digeser Kanan

8 Cm Diputar 45 Derajat

ϕ1 = 0,26764 0,269727 0,268494 0,26909

ϕ2 = 0,035196 0,035917 0,035019 0,036115

ϕ3 = 0,008778 0,008893 0,009153 0,014761

ϕ4 = 0,003738 0,003652 0,003777 0,003499

ϕ5 = 2,14E-05 2,09E-05 2,22E-05 1,91E-05

ϕ6 = 0,000701 0,000692 0,000707 0,000664

ϕ7 = 2,98E-06 -3,7E-06 1,26E-06 1,45E-05

Tabel 4.5 Hasil Perhitungan Jarak berdasarkan Hasil

Ekstraksi Ciri pada Basis Data Tipe-x

Alat Stasioneri Jarak Euclidean

Notebook 0.1014

Ballpoint 2.3802

Paper Clip 0.0854

Pelubang Kertas 0.0433

Steples 0.0796

Stabilo 0.1986

Gunting 0.1090

Tipe_x

Posisi awal 0.0036

Skala 90% 0.0015

Geser kanan 8 cm 0.0029

Diputar 45° 0.0057

Catatan: yang ditebali merupakan hasil perhitungan jarak untuk 4 posisi tipe_x dimana

nilainya lebih kecil dari hasil perhitungan jarak yang lain

Mengacu pada lampiran 5, L-22 sampai L-25 dengan persamaan 4.1 maka tingkat

pengenalan hasil pengujian untuk pemberian variasi rotasi, translasi dan skala masing-

masing dapat dilihat pada tabel 4.6, 4.7, dan 4.8.

Tabel 4.6 Pengaruh Rotasi Terhadap Tingkat Pengenalan

Rotasi Tingkat Pengenalan Rerata Tingkat Pengenalan

0° 100%

100% 45° 100%

90° 100%

180° 100%


37

Tabel 4.7 Pengaruh Skala Terhadap Tingkat Pengenalan

Skala Tingkat Pengenalan Rerata Tingkat

Pengenalan

90% (jarak webcame = 45 cm) 100%

100% 100%(jarak webcame = 50 cm) 100%

112% (jarak webcame = 56 cm) 100%

Tabel 4.8 Pengaruh Translasi Terhadap Tingkat Pengenalan

Translasi Tingkat Pengenalan Rerata Tingkat Pengenalan

Geser Kiri 8 cm 100%

100% Posisi Awal 100%

Geser Kanan 8 cm 100%

Berdasarkan tabel 4.6, 4.7, dan 4.8, terlihat bahwa tingkat pengenalan yang diperoleh

untuk setiap variasi, baik pada rotasi, skala maupun translasi adalah 100% . Sehingga, dapat

disimpulkan bahwa hasil pengenalan alat stasioneri dengan ektraksi ciri moment invariant

tidak terpengaruh oleh RST yang invarian.

Adapun berdasarkan tabel 4.6, 4.7, dan 4.8, terlihat bahwa rearata tingkat pengenalan

yang diperoleh pada pengujian pengaruh RST masing-masing adalah 100%, sedang pada

ekstraksi ciri DST 171 berdasarkan penelitian Frebrianto diperoleh tingkat pengenalan

sebesar 77,78% dimana pada posisi dibalik(rotasi) terjadi kesalahan pengenalan untuk tipex,

untuk perubahan ukuran terjadi kesalahan pengenalan untuk stabilo serta tipex dan untuk

posisi tidak sesuai atau digeser (translasi) terjadi kesalahan pengenalan untuk gunting,

stabilo, tipex, paper klip, dan ballpoint (mengacu pada lampiran 6, L-26). Sehingga

meskipun tidak dapat dibandingkan secara spesifik karena keterbatasan data yang dapat

diamati pada penelitian sebelumnya, namun dapat disimpulkan bahwa hasil pengelan alat

stasioneri dengan ekstraksi ciri moment invarian sudah lebih baik dari penelitian

sebelumnya.

Sebagai catatan dalam pengujian diatas digunakan tambahan pencahayaan dengan

menambahkan 3 buah lampu. Tanpa penambahan lampu dalam penelitian ini, akan

menyebabkan kesalahan pengenalan terhadap gunting saat diputar 90°, dimana gunting

dikenali sebagai penjepit kertas(dapat dilihat pada lapiran 7, tabel L29a). Adapun rerata

tingkat pengenalan pada kondisi tanpa tambahan pencahayaan dapat dilihat pada tabel 4.9

berikut (mengacu pada lapiran 7):


38

Tabel 4.9 Rerata Hasil Pengujian Tanpa Tambahan Pencahayaan

Posisi Alat Stasioneri Rerata Tingkat

Pengenalan

Awal 100%

Variasi rotasi 97,22%

Variasi Skala 100%

Variasi translasi 100%

Pada pengujian tanpa tambahan pencahayaan tersebut hanya digunakan

pencahayaan sebagaimana adanya di Laboratorium Tugas Akhir. Dengan kondisi

pencahayaan tersebut tersebut, citra hasil capture dari webcam pada gunting akan berwarna

gelap pada bagian logammnya dan mengakibatkan citra gunting hasil preprocessing atau

citra hitam putih mengalami cacat pada bagian ujung (seperti pada gambar 4.15). Sehingga

hasil ekstraksi ciri yang diperoleh merepresentasikan citra dari penjepit kertas dimana nilai

jarak terkecil yang diperoleh terdapat pada J6 (mengacu pada tabel L2, lampiran 2), dimana

J6 merupakan hasil perhitungan jarak antara hasil ekstraksi ciri pengujian dan ekstraksi ciri

basis data penjepit kertas, dengan demikian diperoleh hasil pengenalan yang salah yaitu

penjepit kertas.

Gambar 4.15 Hasil pengujian gunting tanpa tambahan pencahayaan

Melalui tabel 4.9 dapat disimpulkan bahwa pengujian tanpa penambahan pencahayaan

dengan tiga buah lampu akan menyebabkan pengurangan tingkat pengenalan pada pengujian

rotasi yang invarian dari 100% menjadi 97, 22%.


39

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil pengujian sistem pengenalan alat stasioneri dapat disimpulkan

sebagai berikut :

1. Hasil pengujian, baik pada posisi awal ataupun dengan memberikan variasi

terhadap translasi, rotasi dan skala telah sesuai dengan yang diharapkan. Dimana

baik pada posisi awal maupun dengan variasi RST, tingkat pengenalan alat

stasioneri yang diperoleh dengan tambahan pencahayaan tiga buah lampu dari

lima kali pengujian adalah 100%.

2. Hasil pengenalan alat stasioneri dengan ekstraksi ciri momen invariant tidak

terpengaruh oleh adanya perubahan translasi, skala dan rotasi.

3. Pengujian tanpa tambahan pencahayaan dengan tiga buah lampu dalam

pengenalan alat stasioneri dengan ekstraksi ciri moment invariant akan

mengankibatkan penurunan tingkat pengenalan pada pengujian rotasi dari 100%

menjadi 97, 22%.

4. Koefisien yang dibutuhkan untuk memperoleh tingkat pengenalan 100% untuk

posisi awal dengan ekstraksi ciri DST pada penelitian sebelumnya adalah 171

dan juga ekstraksi ciri DST bermasalah dengan hasil pengenalan ketika RST

berubah. Dengan demikian dari segi tingkat pengenalan yang diperoleh untuk

pengenalan alat stasioneri, ekstraksi ciri momen invarian lebih baik dibandingkan

dengan ekstrasi ciri DST.

5.2 Saran

1. Membuat program agar ektraksi ciri dengan momen invarian membutuhkan

tambahan pencahayaan kurang dari tiga buah lampu.

2. Mengembangkan penelitian dengan ekstraksi ciri moment invariant untuk dapat

mengenali beberapa alat stasioneri dalam satu citra sekaligus.


40

Daftar Pustaka

[1] Febriyanto, 2014, Pengenalan Alat-Alat Stasioneri secara Real Time Menggunakan

webcam Berbasis Ekstraksi Ciri Discrete Cosine Transform, Tugas Akhir, Jurusan

Teknik Elektro, FST, Universitas Sanata Dharma, Yogyakarta.

[2] Prasetya, Deniel Cahya., 2014, Pengenalan Perangkat Elektronika secara Real

Time Menggunakan Ekstraksi Ciri DST, Tugas Akhir, Jurusan Teknik Elektro,

FST, Universitas Sanata Dharma, Yogyakarta.

[3] Kadir, Abdul., Susanto, Adhi., 2013, Teori dan Aplikasi Pengolahan Citra, Andi,

Yogyakarta.

[4] Salambue, R., 2013, Pengenalan Pola Tanda Tangan dengan Metode Moment

Invariant dan Euclidean Distance, Prosiding Semirata FMIPA Universitas

Lampung, hal 461-464

[5] Untara,W., 2013, Kamus Bahasa Indonesia: Lengkap & Praktis, IndonesiaTera,

Yogyakarta.

[6] Logitech,-----, HD Webcam C170,

https://assets.logitech.com/assets/55372/webcam-c170-gallery.png, diakses 6 April

2018.

[7] Logitech,-----, HD Webcam C170, https://www.logitech.com/en-gb/product/hd-

webcam-c170#specification-tabular, diakses 6 April 2018.

[8] Putra, D., 2010, Pengolahan Citra Digital, Penerbit Andi, Yogyakarta.

[9] Otsu, Nobuyuki, 1979, A Threshold Selection Method from Gray-Level

Histograms, IEEE, vol.9, no.1, hal.62-68.

[10] Sholihin, R. A., Purwoto, B.H., -----, Perbaikan Citra Dengan Menggunakan

Median Filter Dan Metode Histogram Equalization, ISSN 1411-8890, vol. 14, no.

02, hal 40-46.

[11] -----, -----, Release Note of BV_Analyzer Ver0703,

http://www.scimedia.com/fis/support/download/bva/ver0703/RelNote-

V0703.html#L1-3, diakses 17 April 2017

[12] -----, 2012, https://mochamadyagi.wordpress.com/2012/04/17/pengolahan-citra-

tugas-4/, diakses pada 27 Juli 2017

[13] Pamungkas, Adi., 2015, https://pemrogramanmatlab.com/tag/operasi-closing-citra-

matlab/, diakses pada 27 Juli 2017


https://assets.logitech.com/assets/55372/webcam-c170-gallery.png

https://www.logitech.com/en-gb/product/hd-webcam-c170#specification-tabular

https://www.logitech.com/en-gb/product/hd-webcam-c170#specification-tabular

http://www.scimedia.com/fis/support/download/bva/ver0703/RelNote-%20V0703.html#L1-3

http://www.scimedia.com/fis/support/download/bva/ver0703/RelNote-%20V0703.html#L1-3

https://mochamadyagi.wordpress.com/2012/04/17/pengolahan-citra-tugas-4/

https://mochamadyagi.wordpress.com/2012/04/17/pengolahan-citra-tugas-4/

https://pemrogramanmatlab.com/tag/operasi-closing-citra-

https://pemrogramanmatlab.com/tag/operasi-closing-citra-

L-1

Lampiran I

Listing Program

Listing Program Pengujian Tidak Langsung

function varargout = TA_tdk_langsung(varargin) % TA_TDK_LANGSUNG MATLAB code for TA_tdk_langsung.fig % TA_TDK_LANGSUNG, by itself, creates a new TA_TDK_LANGSUNG or

raises the existing % singleton*. % % H = TA_TDK_LANGSUNG returns the handle to a new TA_TDK_LANGSUNG or

the handle to % the existing singleton*. % % TA_TDK_LANGSUNG('CALLBACK',hObject,eventData,handles,...) calls

the local % function named CALLBACK in TA_TDK_LANGSUNG.M with the given input

arguments. % % TA_TDK_LANGSUNG('Property','Value',...) creates a new

TA_TDK_LANGSUNG or raises the % existing singleton*. Starting from the left, property value pairs

are % applied to the GUI before TA_tdk_langsung_OpeningFcn gets called.

An % unrecognized property name or invalid value makes property

application % stop. All inputs are passed to TA_tdk_langsung_OpeningFcn via

varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only

one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help TA_tdk_langsung

% Last Modified by GUIDE v2.5 19-May-2018 16:25:49

% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @TA_tdk_langsung_OpeningFcn, ... 'gui_OutputFcn', @TA_tdk_langsung_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end

if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:});


L-2

end % End initialization code - DO NOT EDIT

% --- Executes just before TA_tdk_langsung is made visible. function TA_tdk_langsung_OpeningFcn(hObject, eventdata, handles,

varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to TA_tdk_langsung (see VARARGIN)

% Choose default command line output for TA_tdk_langsung handles.output = hObject;

% Update handles structure guidata(hObject, handles);

% UIWAIT makes TA_tdk_langsung wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = TA_tdk_langsung_OutputFcn(hObject, eventdata,

handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure varargout{1} = handles.output;

% --- Executes on button press in pushbutton1. function pushbutton1_Callback(hObject, eventdata, handles) % hObject handle to pushbutton1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global a a=imread('cutter.bmp'); axes (handles.axes1); imshow(a); axis on;

function pushbutton6_Callback(hObject, eventdata, handles) %======================================================================== %inisialisasi %======================================================================== load momenHu load dbstasioneri global a global gambar1


L-3

%======================================================================== %preprocessing %======================================================================== x = rgb2gray(a); level = graythresh(x) %A1 = im2bw(x); A1 = im2bw(x,level); B= medfilt2(A1);

% OPERASI OPENING BW=imclose(B,strel('square',4)); axes(handles.axes2) imshow(BW) axis on;

%======================================================================== % moment HU %======================================================================== momenhu(E) ec=[m1; m2; m3; m4; m5; m6; m7];

%======================================================================== %menampilkan ekstraksi ciri %======================================================================== h1=num2str(m1); h2=num2str(m2); h3=num2str(m3); h4=num2str(m4); h5=num2str(m5); h6=num2str(m6); h7=num2str(m7); set(handles.text3,'string',h1); set(handles.text5,'string',h2); set(handles.text7,'string',h3); set(handles.text9,'string',h4); set(handles.text11,'string',h5); set(handles.text13,'string',h6); set(handles.text15,'string',h7);

%======================================================================== %jarak Euclidean %======================================================================== j(1) = mean(sqrt(sum(sum((dball{1}-ec).^2)))); set(handles.text35,'string',j(1)); j(2) = mean(sqrt(sum(sum((dball{2}-ec).^2)))); set(handles.text37,'string',j(2)); j(3) = mean(sqrt(sum(sum((dball{3}-ec).^2)))); set(handles.text39,'string',j(3)); j(4) = mean(sqrt(sum(sum((dball{4}-ec).^2)))); set(handles.text41,'string',j(4)); j(5) = mean(sqrt(sum(sum((dball{5}-ec).^2)))); set(handles.text43,'string',j(5)); j(6) = mean(sqrt(sum(sum((dball{6}-ec).^2)))); set(handles.text46,'string',j(6)); j(7) = mean(sqrt(sum(sum((dball{7}-ec).^2)))); set(handles.text48,'string',j(7));


L-4

j(8) = mean(sqrt(sum(sum((dball{8}-ec).^2)))); set(handles.text50,'string',j(8)); j(9) = mean(sqrt(sum(sum((dball{9}-ec).^2)))); set(handles.text52,'string',j(9));

%========================================================================

%menetukan keluaran %========================================================================

minj = min(j); if (minj==j(1)) y1='BALL POINT'; set(handles.text17,'string',string(y1)); elseif (minj==j(2)) y2='CUTER'; set(handles.text17,'string',string(y2)); elseif (minj==j(3)) y3='GUNTING'; set(handles.text17,'string',string(y3)); elseif (minj==j(4)) y4='NOTE BOOK'; set(handles.text17,'string',string(y4)); elseif (minj==j(5)) y5='PELUBANG KERTAS'; set(handles.text17,'string',string(y5)); elseif (minj==j(6)) y6='PENJEPIT KERTAS'; set(handles.text17,'string',string(y6)); elseif (minj==j(7)) y7='STABILO'; set(handles.text17,'string',string(y7)); elseif (minj==j(8)) y8='STEPLES'; set(handles.text17,'string',string(y8)); elseif (minj==j(9)) y9='TIPEX'; set(handles.text17,'string',string(y9)) end

% hObject handle to pushbutton4 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% --- Executes on button press in pushbutton3. function pushbutton7_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) plot(0); axes(handles.axes1); plot(0); axes(handles.axes2); plot(0); set(handles.text3,'string',''); set(handles.text5,'string','');


L-5

set(handles.text7,'string',''); set(handles.text9,'string',''); set(handles.text11,'string',''); set(handles.text13,'string',''); set(handles.text15,'string',''); set(handles.text17,'string',''); set(handles.text35,'string',''); set(handles.text37,'string',''); set(handles.text39,'string',''); set(handles.text41,'string',''); set(handles.text43,'string',''); set(handles.text46,'string',''); set(handles.text48,'string',''); set(handles.text50,'string',''); set(handles.text52,'string','');

% --- Executes on button press in pushbutton14. function pushbutton14_Callback(hObject, eventdata, handles) % hObject handle to pushbutton14 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global a a=imread('gunting.bmp'); axes (handles.axes1); imshow(a); axis on;

% --- Executes on button press in pushbutton15. function pushbutton15_Callback(hObject, eventdata, handles) % hObject handle to pushbutton15 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global a a=imread('notebook.bmp'); axes (handles.axes1); imshow(a); axis on;

% --- Executes on button press in pushbutton16. function pushbutton16_Callback(hObject, eventdata, handles) % hObject handle to pushbutton16 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global a a=imread('pelubangkertas.bmp'); axes (handles.axes1); imshow(a); axis on;

% --- Executes on button press in pushbutton17. function pushbutton17_Callback(hObject, eventdata, handles) % hObject handle to pushbutton17 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global a a=imread('penjepitkertas.bmp'); axes (handles.axes1); imshow(a);


L-6

axis on;

% --- Executes on button press in pushbutton18. function pushbutton18_Callback(hObject, eventdata, handles) % hObject handle to pushbutton18 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global a a=imread('stabilo.bmp'); axes (handles.axes1); imshow(a); axis on;

% --- Executes on button press in pushbutton19. function pushbutton19_Callback(hObject, eventdata, handles) % hObject handle to pushbutton19 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global a a=imread('steples.bmp'); axes (handles.axes1); imshow(a); axis on;

% --- Executes on button press in pushbutton20. function pushbutton20_Callback(hObject, eventdata, handles) % hObject handle to pushbutton20 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global a a=imread('tipex.bmp'); axes (handles.axes1); imshow(a); axis on;

% --- Executes on button press in pushbutton21. function pushbutton21_Callback(hObject, eventdata, handles) global a a=imread('ballpoint.bmp'); axes (handles.axes1); imshow(a); axis on; % hObject handle to pushbutton21 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)


L-7

Listing Program Pengujian Langsung

function varargout = TA_langsung(varargin) % TA_LANGSUNG MATLAB code for TA_langsung.fig % TA_LANGSUNG, by itself, creates a new TA_LANGSUNG or raises the

existing % singleton*. % % H = TA_LANGSUNG returns the handle to a new TA_LANGSUNG or the

handle to % the existing singleton*. % % TA_LANGSUNG('CALLBACK',hObject,eventData,handles,...) calls the

local % function named CALLBACK in TA_LANGSUNG.M with the given input

arguments. % % TA_LANGSUNG('Property','Value',...) creates a new TA_LANGSUNG or

raises the % existing singleton*. Starting from the left, property value pairs

are % applied to the GUI before TA_langsung_OpeningFcn gets called. An % unrecognized property name or invalid value makes property

application % stop. All inputs are passed to TA_langsung_OpeningFcn via

varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only

one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help TA_langsung

% Last Modified by GUIDE v2.5 23-May-2018 14:46:20

% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @TA_langsung_OpeningFcn, ... 'gui_OutputFcn', @TA_langsung_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end

if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT

% --- Executes just before TA_langsung is made visible. function TA_langsung_OpeningFcn(hObject, eventdata, handles, varargin)


L-8

% This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to TA_langsung (see VARARGIN)

% Choose default command line output for TA_langsung handles.output = hObject;

% Update handles structure guidata(hObject, handles);

% UIWAIT makes TA_langsung wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = TA_langsung_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure varargout{1} = handles.output;

% --- Executes on button press in pushbutton1. function pushbutton1_Callback(hObject, eventdata, handles) global vidobj % Webcam On % Inisialisasi webcam % imaqhwinfo % info=imaqhwinfo('winvideo') % dev_info=imaqhwinfo('winvideo',1) vidobj = videoinput('winvideo',1,'MJPG_320x240');

% Tampilkan pada axes nBands=get(vidobj,'NumberOfBands') hImage=image(zeros(240,320,nBands),'parent',handles.axes1) preview(vidobj,hImage) % hObject handle to pushbutton1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% --- Executes on button press in pushbutton2. function pushbutton2_Callback(hObject, eventdata, handles) % Inisialisasi webcam global vidobj global gambar1 %vidobj = videoinput('winvideo',1,'MJPG_640x480'); vidobj.FramesPerTrigger=1; triggerconfig(vidobj,'manual');

% Tampilkan pada axes nBands=get(vidobj,'NumberOfBands'); image(zeros(240,320,nBands),'parent',handles.axes1);


L-9

% Proses capture gambar start(vidobj); pause(0.5); trigger(vidobj); stoppreview(vidobj); frame=getdata(vidobj);

% Pengubahan gambar ke RGB gambar1=(frame); %gambar2=rgb2gray(gambar1); % SImpan %imwrite(gambar1,'c.bmp'); % Tampilkan pada axes axes(handles.axes1); imshow(gambar1)

% --- Executes on button press in pushbutton4. function pushbutton6_Callback(hObject, eventdata, handles) %======================================================================== %inisialisasi %======================================================================== load momenHu load dbstasioneri1 global gambar1

%======================================================================== %preprocessing %======================================================================== x = rgb2gray(gambar1); level = graythresh(x) A1 = im2bw(x,level); B= medfilt2(A1);

% OPERASI OPENING BW=imclose(B,strel('square',4)); axes(handles.axes2) imshow(BW)

%======================================================================== % moment HU %======================================================================== momenhu(BW) ec=[m1; m2; m3; m4; m5; m6; m7];

%======================================================================== %menampilkan ekstraksi ciri %======================================================================== h1=num2str(m1); h2=num2str(m2); h3=num2str(m3); h4=num2str(m4); h5=num2str(m5); h6=num2str(m6);


L-10

h7=num2str(m7); set(handles.text3,'string',h1); set(handles.text5,'string',h2); set(handles.text7,'string',h3); set(handles.text9,'string',h4); set(handles.text11,'string',h5); set(handles.text13,'string',h6); set(handles.text15,'string',h7);

%======================================================================== %jarak Euclidean %======================================================================== j(1) = jarak(dball1{1},ec) set(handles.text35,'string',j(1)); j(2) = jarak(dball1{2},ec); set(handles.text37,'string',j(2)); j(3) = jarak(dball1{3},ec); set(handles.text39,'string',j(3)); j(4) = jarak(dball1{4},ec); set(handles.text41,'string',j(4)); j(5) = jarak(dball1{5},ec); set(handles.text43,'string',j(5)); j(6) = jarak(dball1{6},ec); set(handles.text46,'string',j(6)); j(7) = jarak(dball1{7},ec); set(handles.text48,'string',j(7)); j(8) =jarak(dball1{8},ec); set(handles.text50,'string',j(8)); j(9) = jarak(dball1{9},ec); set(handles.text52,'string',j(9));

%======================================================================== %menetukan keluaran %======================================================================== minj = min(j) if (minj==j(1)) y1='BALL POINT'; set(handles.text17,'string',string(y1)); elseif (minj==j(2)) y2='CUTER'; set(handles.text17,'string',string(y2)); elseif (minj==j(3)) y3='GUNTING'; set(handles.text17,'string',string(y3)); elseif (minj==j(4)) y4='NOTE BOOK'; set(handles.text17,'string',string(y4)); elseif (minj==j(5)) y5='PELUBANG KERTAS'; set(handles.text17,'string',string(y5)); elseif (minj==j(6)) y6='PENJEPIT KERTAS'; set(handles.text17,'string',string(y6)); elseif (minj==j(7)) y7='STABILO'; set(handles.text17,'string',string(y7)); elseif (minj==j(8))


L-11

y8='STEPLES'; set(handles.text17,'string',string(y8)); elseif (minj==j(9)) y9='TIPEX'; set(handles.text17,'string',string(y9)) end

% hObject handle to pushbutton4 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% --- Executes on button press in pushbutton3. function pushbutton7_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) plot(0); axes(handles.axes1); plot(0); axes(handles.axes2); plot(0); set(handles.text3,'string',''); set(handles.text5,'string',''); set(handles.text7,'string',''); set(handles.text9,'string',''); set(handles.text11,'string',''); set(handles.text13,'string',''); set(handles.text15,'string',''); set(handles.text17,'string',''); set(handles.text35,'string',''); set(handles.text37,'string',''); set(handles.text39,'string',''); set(handles.text41,'string',''); set(handles.text43,'string',''); set(handles.text46,'string',''); set(handles.text48,'string',''); set(handles.text50,'string',''); set(handles.text52,'string','');


L-12

Listing Program Basis Data

function database %B2=imfill(B1,'holes'); a=imread('ballpoint.bmp');x = rgb2gray(a);level = graythresh(x); A1 =

im2bw(x,level);B1= medfilt2(A1); B3=imclose(B1,strel('square',4));dbbp=momenhu(B3); a=imread('cutter.bmp');x = rgb2gray(a);level = graythresh(x); A1 =

im2bw(x,level); B1= medfilt2(A1); B3=imclose(B1,strel('square',4));dbct=momenhu(B3); a=imread('gunting.bmp');x = rgb2gray(a);level = graythresh(x); A1 =

im2bw(x,level); B1= medfilt2(A1); B3=imclose(B1,strel('square',4)); dbgt=momenhu(B3); a=imread('notebook.bmp');x = rgb2gray(a);level = graythresh(x); A1 =

im2bw(x,level); B1= medfilt2(A1); B3=imclose(B1,strel('square',4)); dbnb=momenhu(B3); a=imread('pelubangkertas.bmp');x = rgb2gray(a);level = graythresh(x); A1

= im2bw(x,level); B1= medfilt2(A1); B3=imclose(B1,strel('square',4)); dbpl=momenhu(B3); a=imread('penjepitkertas.bmp');x = rgb2gray(a);level = graythresh(x); A1

= im2bw(x,level); B1= medfilt2(A1); B3=imclose(B1,strel('square',4)); dbpj=momenhu(B3); a=imread('stabilo.bmp');x = rgb2gray(a);level = graythresh(x); A1 =

im2bw(x,level); B1= medfilt2(A1); B3=imclose(B1,strel('square',4));dbstb=momenhu(B3); a=imread('steples.bmp');x = rgb2gray(a);level = graythresh(x); A1 =

im2bw(x,level); B1= medfilt2(A1); B3=imclose(B1,strel('square',4)); dbstp1=momenhu(B3); a=imread('tipex.bmp');x = rgb2gray(a);level = graythresh(x); A1 =

im2bw(x,level); B1= medfilt2(A1); B3=imclose(B1,strel('square',4)); dbtx=momenhu(B3);

dball1 = {dbbp dbct dbgt dbnb dbpl dbpj dbstb dbstp1 dbtx}; save dbstasioneri1 dball1

Listing Program Moment Invariant

function [Momen] = momenhu(F) % MOMENHU Menghitung momen HU. % Masukan: F = citra berskala keabuan % Keluaran: Momen = 7 momen Hu norm_20 = normomen(F, 2, 0); norm_02 = normomen(F, 0, 2); norm_11 = normomen(F, 1, 1); norm_30 = normomen(F, 3, 0); norm_12 = normomen(F, 1, 2); norm_21 = normomen(F, 2, 1); norm_03 = normomen(F, 0, 3); m1 = norm_20 + norm_02; m2 = (norm_20 - norm_02)^2 + 4 * norm_11^2; m3 = (norm_30 + 3 * norm_12)^2 +(3 * norm_21 - norm_03)^2; m4 = (norm_30 + norm_12)^2 + (norm_21 + norm_03)^2; m5 = (norm_30 - 3 * norm_12) *(norm_30 + norm_12) *((norm_30 + norm_12)^2

- 3 *(norm_21 + norm_03)^2) + (3 * norm_21 - norm_03) * (norm_21 +

norm_03) * (3 * (norm_30 + norm_12)^2 -(norm_21 + norm_03)^2); m6 = (norm_20 - norm_02) *((norm_30 + norm_12)^2 -(norm_21 + norm_03)^2)

+ 4 * norm_11 * (norm_30 + norm_12) * (norm_21 + norm_03);


L-13

m7 = (3 * norm_21 + norm_30) *(norm_30 + norm_12) *((norm_30 + norm_12)^2

- 3 * (norm_21 + norm_03)^2) + (norm_30 - 3 * norm_12) * (norm_21 +

norm_03) * (3 * (norm_30 + norm_12)^2 - (norm_21 + norm_03)^2); Momen=[m1; m2; m3; m4; m5; m6; m7]; save momenHU m1 m2 m3 m4 m5 m6 m7

Listing Program Moment Spasial

function [hasil] = momen_spasial(F, p, q) % MOMEN_SPASIAL Menghitung momen spasial berorde (p,q). [m, n] = size(F); momenPQ = 0;

for y=1 : m for x=1 : n if F(y,x) ~= 0 momenPQ = momenPQ + (x^p * y^q); end end end

hasil = momenPQ;

Listing Program Moment Pusat

function [hasil] = momen_pusat(F, p, q) % MOMEN_PUSAT Menghitung momen pusat berorde p, q [m, n] = size(F); m00 = momen_spasial(F, 0, 0);

xc = momen_spasial(F, 1, 0) / m00; yc = momen_spasial(F, 0, 1) / m00;

mpq = 0; for y=1 : m for x=1 : n if F(y,x) ~= 0 mpq = mpq + ((x-xc)^p * (y-yc)^q); end end end

hasil = mpq;

Listing Program Normalisasi Moment

function [hasil] = normomen(F, p, q) % NORMOMEN Menghitung moment pusat ternormalisasi. % Masukan: F = Citra biner. % p dan q = orde momen. F = double(F); m00 = momen_spasial(F, 0, 0);

normalisasi = m00 ^ ((p+q+2)/2); hasil = momen_pusat(F, p, q) / normalisasi;


L-14

Listing Program Jarak Euclidean

%JARAK EUCLIDEAN function z = jarak(x,y) z=sqrt(sum((x-y).^2));


L-15

LAMPIRAN 2

Tabel L1 Hasil Pengujian pada Posisi Awal

Alat Stasioneri (Input) Pengujia Ke-

1 2 3 4 5

Ballpoint

J1 0,778897 0,88743 0,754133 0,91198 0,7655

J2 1,53517 1,5211 1,83571 1,666234 1,6324

J3 1,99026 2,01026 1,9783 1,9567 1,99011

J4 2,15675 2,234 2,0899 2,157831 2,1479

J5 2,132974 2,1275 2,11225 2,1688 2,13765

J6 2,07859 2,05821 2,10323 2,0771 2,07988

J7 1,89137 1,776 2,0101 1,9251 1,8864

J8 2,05072 2,05017 2,2123 2,10151 2,05542

J9 2,07729 2,076541 2,07573 2,03281 2,01409

Dikenali

Sebagai Ballpoint Ballpoint Ballpoint Ballpoint Ballpoint

Cutter

J1 2,3166 2,299871 2,3543 2,39743 2,4217

J2 0,0262403 0,0226554 0,001719 0,021 0,03015

J3 0,438218 0,421765 0,4419 0,48778 0,44238

J4 0,634556 0,65572 0,4356 0,68973 0,713428

J5 0,605412 0,587741 0,58711 0,61318 0,59465

J6 0,532247 0,53757 0,54322 0,68911 0,525483

J7 0,341732 0,350662 0,350787 0,331158 0,3913892

J8 0,509212 0,52171 0,503156 0,54232 0,50884

J9 0,540976 0,578654 0,531187 0,567876 0,441865

Dikenali

Sebagai Cutter Cutter Cutter Cutter Cutter

Gunting

J1 2,75419 2,74382 2,73554 2,69151 2,75214

J2 0,482107 0,4847 0,502237 0,47232 0,49919

J3 0,0233332 0,01355 0,05552145 0,01357 0,0234214

J4 0,223584 0,21232 0,22104 0,356721 0,251954

J5 0,192125 0,200181 0,213528 0,176411 0,18643

J6 0,0879336 0,092177 0,08421 0,088691 0,080788

J7 0,124739 0,123552 0,12009 0,138461 0,1255

J8 0,0970768 0,09213 0,113252 0,08998 0,090385

J9 0,124739 0,160101 0,11587 0,174156 0,12129

Dikenali

Sebagai Gunting Gunting Gunting Gunting Gunting

Catatan: Bagian yang ditebali merupakan hasil perhitungan jarak dengan nilai terkecil


L-16


1 2 3 4 5

Note

J1 2,89577 2,88113 2,87831 2,65949 2,85123

J2 0,65944 0,67814 0,67266 0,655771 0,60884

J3 0,245553 0,245151 0,245916 0,32123 0,2693

J4 0,000770273 0,0008745 0,000056 0,00067711 0,00004461

J5 0,031746 0,036761 0,034711 0,03221 0,0358

J6 0,139893 0,1381 0,14153 0,1142 0,107445

J7 0,298434 0,3156 0,23212 0,35811 0,29285

J8 0,136246 0,132515 0,1479 0,14494 0,1436

J9 0,101157 0,00985 0,1256 0,101681 0,00955

Dikenali

Sebagai Note Note Note Note Note

Pelubang

Kertas

J1 2,87859 2,85472 2,8679 2,82136 2,9136

J2 0,638174 0,601282 0,63779 0,64673 0,73113

J3 0,222995 0,234151 0,22187 0,212588 0,31072

J4 0,0241983 0,0242466 0,0261871 0,0241353 0,029923

J5 0,0084513 0,0088 0,00792121 0,008345 0,00837172

J6 0,118128 0,11053 0,12573 0,119812 0,11874

J7 0,275662 0,268912 0,26823 0,264594 0,28869

J8 0,112802 0,112372 0,125471 0,13162 0,16446

J9 0,077872 0,0796532 0,076921 0,08101 0,089672

Dikenali

Sebagai

Pelubang

Kertas

Pelubang

Kertas

Pelubang

Kertas

Pelubang

Kertas

Pelubang

Kertas

Penjepit

Kertas

J1 2,82971 2,85572 2,86354 3,082191 2,89572

J2 0,565578 0,575431 0,56692 0,5532 0,60424

J3 0,12025 0,12154 0,089459 0,11767 0,11232

J4 0,131472 0,134599 0,14512 0,13872 0,14596

J5 0,100869 0,100869 0,100869 0,100869 0,100869

J6 0,00956884 0,0095765 0,015064 0,00889784 0,00961158

J7 0,199289 0,2344 0,20181 0,18975 0,1934

J8 0,0475771 0,047652 0,0496 0,053721 0,04797

J9 0,0468806 0,04463 0,041886 0,041716 0,05625

Dikenali

Sebagai

Penjepit

Kertas

Penjepit

Kertas

Penjepit

Kertas

Penjepit

Kertas

Penjepit

Kertas



L-17


1 2 3 4 5

Stabilo

J1 2,64817 2,65271 2,64131 2,7486 2,815

J2 0,375947 0,3543 0,34572 0,41587 0,385641

J3 0,114207 0,121934 0,11643 0,10675 0,11782

J4 0,291041 0,28322 0,327 0,28289 0,3261

J5 0,260088 0,26114 0,27532 0,261191 0,32723

J6 0,184795 0,18915 0,193421 0,115765 0,18055

J7 0,00819758 0,01022 0,008894 0,00732 0,0003476

J8 0,1599 0,16525 0,16218 0,15965 0,16937

J9 0,19325 0,20536 0,14821 0,19791 0,18772

Dikenali

Sebagai Stabilo Stabilo Stabilo Stabilo Stabilo

Steples

J1 2,79863 2,77481 2,782332 2,67449 2,8541

J2 0,578743 0,57578 0,576355 0,6163 0,581134

J3 0,123132 0,12525 0,13419 0,13188 0,137019

J4 0,132554 0,1421 0,134969 0,13036 0,145547

J5 0,100202 0,101883 0,104482 0,1105672 0,1121

J6 0,0490997 0,04928 0,05802 0,05074 0,03811

J7 0,17186 0,17232 0,16827 0,18461 0,183396

J8 0,00455148 0,00034 0,0034121 0,05761993 0,00515599

J9 0,0325403 0,032925 0,03341 0,03376 0,032922

Dikenali

Sebagai Steples Steples Steples Steples Steples

Tipe_x

J1 2,82382 2,72324 2,8189 2,84544 2,85458

J2 0,570643 0,57155 0,58907 0,67032 0,67114

J3 0,151232 0,14878 0,15992 0,1681 0,16121

J4 0,0977475 0,09726 0,090459 0,05753 0,09665

J5 0,656224 0,63902 0,6654 0,701815 0,70103

J6 0,0558419 0,056918 0,056454 0,049219 0,065442

J7 0,205341 0,207567 0,2141 0,2043221 0,207857

J8 0,0405234 0,041194 0,04045 0,05245 0,051516

J9 0,0041827 0,00324115 0,02432 0,003385 0,0040112

Dikenali

Sebagai Tipe_x Tipe_x Tipe_x Tipe_x Tipe_x



L-18

Tabel L2 Pengujian Dengan Hasil Pengenalan yang Salah


1 2 3 4 5

Gunting

J1 2,803469 2,82147 2,825051 2,807244 2,82206

J2 0,527431 0,550857 0,555177 0,531923 0,555298

J3 0,089251 0,112872 0,117465 0,093202 0,10314

J4 0,185221 0,150957 0,145691 0,179552 0,151367

J5 0,153632 0,11949 0,114297 0,148019 0,12116

J6 0,051394 0,039526 0,040631 0,048145 0,00836

J7 0,164644 0,184173 0,188193 0,168329 0,191026

J8 0,066999 0,045496 0,044391 0,063211 0,057274

J9 0,093383 0,06293 0,059121 0,088465 0,065092

Dikenali

Sebagai

Penjepit

Kertas

Penjepit

Kertas

Penjepit

Kertas

Penjepit

Kertas

Penjepit

Kertas



L-19

LAMPIRAN 3

TABEL L19 Perbangdingan Hasil Ekstraksi Ciri Tipe_x

Alat

Stasioneri

Ekstraksi Ciri

Moment Invariant

Gambar L1 Posisi awal

ϕ1 = 0,26764

ϕ2 = 0,035196

ϕ3 = 0,008778

ϕ4 = 0,003738

ϕ5 = 2,14E-05

ϕ6 = 0,000701

ϕ7 = 2,98E-06

GambarL2 Citra diperkecil

ϕ1 = 0,269727

ϕ2 = 0,035917

ϕ3 = 0,008893

ϕ4 = 0,003652

ϕ5 = 2,09E-05

ϕ6 = 0,000692

ϕ7 = -3,7E-06

GambarL3 Citra digeser

ϕ1 = 0,268494

ϕ2 = 0,035019

ϕ3 = 0,009153

ϕ4 = 0,003777

ϕ5 = 2,22E-05

ϕ6 = 0,000707

ϕ7 = 1,26E-06


L-20

TABEL L20 Perbangdingan Hasil Ekstraksi Ciri 9 alat Stasioneri pada Posisi Awal

Alat

Stasioneri

Ekstraksi Ciri

Moment Invariant

GambarL4 Citra diputar

ϕ1 = 0,26909

ϕ2 = 0,036115

ϕ3 = 0,014761

ϕ4 = 0,003499

ϕ5 = 1,91E-05

ϕ6 = 0,000664

ϕ7 = 1,45E-05

Ekstraksi

ciri Tipe-x

Note

Book Ballpoint

Paper

Clip

Pelubang

Kertas Steples Stabilo Gunting

ϕ1 = 0,26764 0,175719 1,458432 0,333533 0,311018 0,196254 0,428872 0,37451

ϕ2 = 0,035196 0,003178 2,098901 0,007385 0,049962 0,010981 0,156384 0,043742

ϕ3 = 0,008778 3,56E-06 0,02076 0,052263 0,001047 4,24E-05 5,69E-07 0,04278

ϕ4 = 0,003738 1,32E-07 0,020113 0,030716 0,00013 3,11E-06 1,9E-06 0,007269

ϕ5 = 2,14E-05 -8,5E-14 0,000411 0,00123 4,08E-08 -4,3E-11 1,95E-12 0,000128

ϕ6 = 0,000701 -4,6E-09 0,029138 0,002632 -1,7E-06 -2,4E-07 7,5E-07 0,00152

ϕ7 = 2,98E-06 -7,3E-14 -1,1E-05 9,08E-05 -4E-08 -5,1E-11 2,77E-13 3,51E-06


L-21

LAMPIRAN 4

UKURAN ELEMEN PENSTRUKTUR

Bentuk elemen penstruktur pada penelitian ini menggunakan bentuk ones. Adapun

ukuran elemen penstruktur bergantung pada nilai masukkan yang diinginkan.

Adapun ukuran elemen penstruktur yang digunakan pada erosi ditunjukkan pada matriks

dibawah ini:

• Dilasi = 4

[

1 11 1

1 11 1

1 11 1

1 11 1

]

• Erosi = 4

[

1 11 1

1 11 1

1 11 1

1 11 1

]


L-22

Lampiran 5

Hasil Pengenalan

Tabel L22a Hasil Pengenalan pada Posisi Awal

* √ = Alat stasioneri dikenali dengan benar

Tabel L22b Hasil Pengenalan pada Posisi Putar 45°


Alat

Stasioneri

Hasil Pengenalan

Pengamatan ke- Dikenali

sebagai 1 2 3 4 5

Gunting √ √ √ √ √ Gunting

Stabilo √ √ √ √ √ Stabilo

Tipe-x √ √ √ √ √ Tipe-x

Paper Clip √ √ √ √ √ Paper Clip

Pelubang Kertas √ √ √ √ √ Pelubang Kertas

Ballpoint √ √ √ √ √ Ballpoint

Steples √ √ √ √ √ Steples

Note √ √ √ √ √ Note

Cutter √ √ √ √ √ Cutter

Alat

Stasioneri

Hasil Pengenalan


sebagai 1 2 3 4 5











L-23

Tabel L23a Hasil Pengenalan pada Posisi Putar 90°




Alat

Stasioneri

Hasil Pengenalan


sebagai 1 2 3 4 5










Alat

Stasioneri

Hasil Pengenalan


sebagai 1 2 3 4 5











L-24

Tabel L24a Hasil Pengenalan pada skala 90% (jarak 45 cm)


Tabel L24b Hasil Pengenalan pada skala 112% (jarak 56 cm)


Alat

Stasioneri

Hasil Pengenalan


sebagai 1 2 3 4 5










Alat

Stasioneri

Hasil Pengenalan


sebagai 1 2 3 4 5











L-25

Tabel L25a Hasil Pengenalan pada Posisi Geser Kiri 8 cm


Tabel L25b Hasil Pengenalan pada Posisi Geser Kanan 8 cm


Alat

Stasioneri

Hasil Pengenalan


sebagai 1 2 3 4 5










Alat

Stasioneri

Hasil Pengenalan


sebagai 1 2 3 4 5











L-26

Lampiran 6

Hasil Pengenalan Ekstraksi Ciri DST[1]

Tabel L26a Posisi Awal dengan Koefisien DST = 136

* √ = Alat stasioneri dikenali dengan benar,

x = Alat stasioneri tidakdikenali dengan benar

Tabel L26b Posisi Awal dengan Koefisien DST = 171


Alat

Stasioneri

Hasil Pengenalan


sebagai 1 2 3 4 5

Gunting √ √ √ √ x Gunting








Cutter √ √ √ √ x Cutter

Alat

Stasioneri

Hasil Pengenalan


sebagai 1 2 3 4 5











L-27

Tabel L27 Pengaruh RST dengan Koefisien DST = 171

Variasi RST

Alat stasioneri

Posisi awal Rotasi

(Posisi dibalik)

Skala

(Ukuran tidak

sama dengan

data base)

Translasi

(Posisi tidak

tepat)

Gunting √ √ √ x

Stabilo √ √ x x

Tipe-x √ x x x

Paper Clip √ √ √ x

Pelubang Kertas √ √ √ √

Ballpoint √ √ √ x

Steples √ √ √ √

Note √ √ √ √

Cutter √ √ √ √

Catatan:

• Dalam penelitian Febrianto persen skala dan besar pergeseran posisi tidak

dispesifik

• Data yang ditampilkan dalam lampiran untuk pengaruh RST hanya sekali

pengujian

• Sehingga rerata tingkat pengenalan yang dapat diperoleh adalah sebagai berikut:


36 𝑥 100%

= 77,78%

Ket:

- 28 merupakan banyak pengujian yang mendapatkan hasil pengenalan yang

benar

- 36 merupakan banyak pengujian secara keseluruhan


L-28

Lampiran 7

Hasil Pengenalan Tanpa Tambahan Pencahayaan

Tabel L28a Hasil Pengenalan pada Posisi Awal




Alat

Stasioneri

Hasil Pengenalan


sebagai 1 2 3 4 5










Alat

Stasioneri

Hasil Pengenalan


sebagai 1 2 3 4 5











L-29

Tabel L29a Hasil Pengenalan pada Posisi Putar 90°


x = Alat stasioneri tidakdikenali dengan benar



Alat

Stasioneri

Hasil Pengenalan


sebagai 1 2 3 4 5

Gunting x x x x x Paper Clip









Alat

Stasioneri

Hasil Pengenalan


sebagai 1 2 3 4 5











L-30

Tabel L30a Hasil Pengenalan pada skala 90% (jarak 45 cm)


Tabel L30b Hasil Pengenalan pada skala 112% (jarak 56 cm)


Alat

Stasioneri

Hasil Pengenalan


sebagai 1 2 3 4 5










Alat

Stasioneri

Hasil Pengenalan


sebagai 1 2 3 4 5











L-31

Tabel L31a Hasil Pengenalan pada Posisi Geser Kiri 8 cm


Tabel L31b Hasil Pengenalan pada Posisi Geser Kanan 8 cm


Alat

Stasioneri

Hasil Pengenalan


sebagai 1 2 3 4 5










Alat

Stasioneri

Hasil Pengenalan


sebagai 1 2 3 4 5











L-32

LAMPIRAN 8

Tabel L32 Jarak Euclidean pada Pengujian Tidak Langsung


1 2 3 4 5

Ballpoint

J1 0 0 0 0 0

J2 2,2913 2,2913 2,2913 2,2913 2,2913

J3 2,7372 2,7372 2,7372 2,7372 2,7372

J4 2,8962 2,8962 2,8962 2,8962 2,8962

J5 2,8739 2,8739 2,8739 2,8739 2,8739

J6 2,8143 2,8143 2,8143 2,8143 2,8143

J7 2,6407 2,6407 2,6407 2,6407 2,6407

J8 2,7960 2,7960 2,7960 2,7960 2,7960

J9 2,8206 2,8206 2,8206 2,8206 2,8206

Dikenali

Sebagai Ballpoint Ballpoint Ballpoint Ballpoint Ballpoint

Cutter

J1 2,2913 2,2913 2,2913 2,2913 2,2913

J2 0 0 0 0 0

J3 0,4643 0,4643 0,4643 0,4643 0,4643

J4 0,6601 0,6601 0,6601 0,6601 0,6601

J5 0,6311 0,6311 0,6311 0,6311 0,6311

J6 0,5482 0,5482 0,5482 0,5482 0,5482

J7 0,3678 0,3678 0,3678 0,3678 0,3678

J8 0,5352 0,5352 0,5352 0,5352 0,5352

J9 0,5668 0,5668 0,5668 0,5668 0,5668

Dikenali

Sebagai Cutter Cutter Cutter Cutter Cutter

Gunting

J1 2,7372 2,7372 2,7372 2,7372 2,7372

J2 0,4643 0,4643 0,4643 0,4643 0,4643

J3 0 0 0 0 0

J4 0,2463 0,2463 0,2463 0,2463 0,2463

J5 0,2149 0,2149 0,2149 0,2149 0,2149

J6 0,0962 0,0962 0,0962 0,0962 0,0962

J7 0,1198 0,1198 0,1198 0,1198 0,1198

J8 0,1190 0,1190 0,1190 0,1190 0,1190

J9 0,1472 0,1472 0,1472 0,1472 0,1472

Dikenali

Sebagai Gunting Gunting Gunting Gunting Gunting



L-33


1 2 3 4 5

Note

J1 2,8962 2,8962 2,8962 2,8962 2,8962

J2 0,6601 0,6601 0,6601 0,6601 0,6601

J3 0,2463 0,2463 0,2463 0,2463 0,2463

J4 0 0 0 0 0

J5 0,0325 0,0325 0,0325 0,0325 0,0325

J6 0,1561 0,1561 0,1561 0,1561 0,1561

J7 0,2991 0,2991 0,2991 0,2991 0,2991

J8 0,1370 0,1370 0,1370 0,1370 0,1370

J9 0,1019 0,1019 0,1019 0,1019 0,1019

Dikenali

Sebagai Note Note Note Note Note

Pelubang

Kertas

J1 2,8739 2,8739 2,8739 2,8739 2,8739

J2 0,6311 0,6311 0,6311 0,6311 0,6311

J3 0,2149 0,2149 0,2149 0,2149 0,2149

J4 0,0325 0,0325 0,0325 0,0325 0,0325

J5 0 0 0 0 0

J6 0,1257 0,1257 0,1257 0,1257 0,1257

J7 0,2682 0,2682 0,2682 0,2682 0,2682

J8 0,1046 0,1046 0,1046 0,1046 0,1046

J9 0,0698 0,0698 0,0698 0,0698 0,0698

Dikenali

Sebagai

Pelubang

Kertas

Pelubang

Kertas

Pelubang

Kertas

Pelubang

Kertas

Pelubang

Kertas

Penjepit

Kertas

J1 2,8143 2,8143 2,8143 2,8143 2,8143

J2 0,5482 0,5482 0,5482 0,5482 0,5482

J3 0,0962 0,0962 0,0962 0,0962 0,0962

J4 0,1561 0,1561 0,1561 0,1561 0,1561

J5 0,1257 0,1257 0,1257 0,1257 0,1257

J6 0 0 0 0 0

J7 0,1845 0,1845 0,1845 0,1845 0,1845

J8 0,0566 0,0566 0,0566 0,0566 0,0566

J9 0,0669 0,0669 0,0669 0,0669 0,0669

Dikenali

Sebagai

Penjepit

Kertas

Penjepit

Kertas

Penjepit

Kertas

Penjepit

Kertas

Penjepit

Kertas



L-34


1 2 3 4 5

Stabilo

J1 2,6407 2,6407 2,6407 2,6407 2,6407

J2 0,3678 0,3678 0,3678 0,3678 0,3678

J3 0,1198 0,1198 0,1198 0,1198 0,1198

J4 0,2991 0,2991 0,2991 0,2991 0,2991

J5 0,2682 0,2682 0,2682 0,2682 0,2682

J6 0,1845 0,1845 0,1845 0,1845 0,1845

J7 0 0 0 0 0

J8 0,1681 0,1681 0,1681 0,1681 0,1681

J9 0,2014 0,2014 0,2014 0,2014 0,2014

Dikenali

Sebagai Stabilo Stabilo Stabilo Stabilo Stabilo

Steples

J1 2,7960 2,7960 2,7960 2,7960 2,7960

J2 0,5352 0,5352 0,5352 0,5352 0,5352

J3 0,1190 0,1190 0,1190 0,1190 0,1190

J4 0,1370 0,1370 0,1370 0,1370 0,1370

J5 0,1046 0,1046 0,1046 0,1046 0,1046

J6 0,0566 0,0566 0,0566 0,0566 0,0566

J7 0,1681 0,1681 0,1681 0,1681 0,1681

J8 0 0 0 0 0

J9 0,0367 0,0367 0,0367 0,0367 0,0367

Dikenali

Sebagai Steples Steples Steples Steples Steples

Tipe_x

J1 2,8206 2,8206 2,8206 2,8206 2,8206

J2 0,5668 0,5668 0,5668 0,5668 0,5668

J3 0,1472 0,1472 0,1472 0,1472 0,1472

J4 0,1019 0,1019 0,1019 0,1019 0,1019

J5 0,0698 0,0698 0,0698 0,0698 0,0698

J6 0,0669 0,0669 0,0669 0,0669 0,0669

J7 0,2014 0,2014 0,2014 0,2014 0,2014

J8 0,0367 0,0367 0,0367 0,0367 0,0367

J9 0 0 0 0 0

Dikenali

Sebagai Tipe_x Tipe_x Tipe_x Tipe_x Tipe_x



L-35

Ket:

J1 = nilai jarak Euclidean citra masukan dan citra ballpoint pada basis data

J2 = nilai jarak Euclidean citra masukan dan citra cutter pada basis data

J3 = nilai jarak Euclidean citra masukan dan citra gunting pada basis data

J4 = nilai jarak Euclidean citra masukan dan citra Notebook pada basis data

J5 = nilai jarak Euclidean citra masukan dan citra pelubang kertas pada basis data

J6 = nilai jarak Euclidean citra masukan dan citra penjepit kertas pada basis data

J7 = nilai jarak Euclidean citra masukan dan citra stabilo pada basis data

J8 = nilai jarak Euclidean citra masukan dan citra steples pada basis data

J8 = nilai jarak Euclidean citra masukan dan citra tipe_x pada basis data


L-36

Lampiran 9

Kondisi Pengujian Secara Langsung

Gambar L36 Kondisi pengujian secara langsung


PENGENALAN ALAT-ALAT STASIONERI BERDASARKAN …repository.usd.ac.id/33506/2/145114020_full.pdfWebcam...

Documents

Transcript of PENGENALAN ALAT-ALAT STASIONERI BERDASARKAN …repository.usd.ac.id/33506/2/145114020_full.pdfWebcam...