PENGENALAN JENIS KUPU -KUPU DENGAN … · memperoleh gelar sarjana teknik program studi teknik...

i

TUGAS AKHIR

PENGENALAN JENIS KUPU-KUPU DENGAN

PENGKLASIFIKASI SAMAR

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Teknik

Program Studi Teknik Elektro

Oleh:

MARINUS SKOTUS FEBRIANTO

NIM: 115114031

PROGRAM STUDI TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2016

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

FINAL PROJECT

TYPE RECOGNITION OF BUTTERFLIES

USING FUZZY CLASSIFICATION

Presented as Partial Fulfillment of the Requirements

To Obtain the Sarjana Teknik Degree

In Electrical Engineering Study Program

Oleh:


NIM: 115114031

ELECTRICAL ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2016


iii

HALAMAN PERSETUJUAN

TUGAS AKHIR

PENGENALAN JENIS KUPU_KUPU DENGAN

PENGKLASIFIKASI SAMAR

TYPE RECOGNITION OF BUTTERFLIES

USING FUZZY CLASSIFICATION

Oleh :


NIM: 115114031

Telah disetujui oleh :


iv

HALAMAN PENGESAHAN TUGAS AKHIR

PENGENALAN JENIS KUPU_KUPU DENGAN PENGKLASIFIKASI

SAMAR

(TYPE RECOGNITION OF BUTTERFLIES USING FUZZY

CLASSIFICATION)

Yogyakarta, 29 Februari 2016


v

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat karya orang

lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka sebagaimana layaknya

karya ilmiah.


Marinus Skotus Febrianto


vi

HALAMAN PERSEMBAHAN DAN MOTTO HIDUP

MOTTO :

“Just do it supaya berduit”

Persembahan Karya ini kupersembahkan untuk…

Tuhan yang selalu membimbingku..

Papa Mama Kakak serta Fransisca D Renwarin yang slalu memberikan

dukungan dalam segala hal…

Teman – teman seperjuangan yang menemani di kala siang dan

malam…


vii

Dan untuk semua yang membaca karya ini.

LEMBAR PERNYATAN PERSETUJUAN PUBLIKASIKARYA ILMIAH

UNTUK KEPENTINGAN

AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma :

Nama : Marinus Skotus Febrianto

Nomor Mahasiswa : 115114031

Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan Universitas

Sanata Dharma karya ilmiah saya yang berjudul :

PENGENALAN JENIS KUPU-KUPU DENGAN PENGKLASIFIKASI

SAMAR

beserta perangkat yang diperlukan ( bila ada ). Dengan demikian saya memberikan kepada

Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk

media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara terbatas dan

mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu

meminta ijin dari saya maupun memberikan royalty kepada saya selama tetapmencatumkan

nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.


(Marinus Skotus Febrianto)


viii

INTISARI

Pada perkembangan zaman yang terjadi habitat kupu-kupu semakin berkurang juga dengan

perburuan liar yang dilakukan karena keindahan dari corak kupu-kupu untuk hiasan dan koleksi specimen

membuat kupu-kupu semakin langka. Kelangkaan dapat berakibat pada kepunahan. Pengenalan pola dan

corak kupu-kupu harus dilakukan secara digital karena hal ini dapat menghemat biaya penelitian karena

jenis kupu-kupu dengan beraneka macam dan pola yang bermacam macam pula. Pengenalan dapat

mempermudah untuk mengenali spesies yang berada di lapangan sehingga dapat diteliti lebih lanjut. Juga

dari segi dokumentasi lebih mudah karena dibantu dengan teknologi computer dan pencitraan kamera.

Sistem pengenalan kupu-kupu ini menggunakan metode fuzzy logic dengan metode

inferensi sugeno. Kupu-kupu yang digunakan sebanyak 10 jenis yaitu (1)Papillio uleysses, (2)Idea

blancardi, (3) Papilio dutran, (4) Atrophneura nonik, (5) Taenaris selena, (6) Hebomoeia glaucippe, (8)

Hebomiae duostra, (9) Papilio cambrisuis, (10) Papilio dephobus, (11) Pachlioptera aristolochiae.

Tingkat pengenalan diuji dengan variasi ketinggian kamera dan sudut putar objek yang

divariasikan. Tingkat pengenalan dapat bekerja sesuai dengan yang diharapkan. Tingkat

pengenalan sebesar 95,90%. Dengan pengenalan terbaik pada ketinggian (55-65)cm dan sudut

yang terbaik adalah 00sampai ±5

0

Kata kunci: Kupu-kupu, Fuzzy logic, Inferensi sugeno, 10 jenis kupu-kupu, sudut, ketinggian

kamera.


ix

ABSTRACT

In the times that happened butterfly habitat decreases also with poaching is done because

of the beauty of the butterfly pattern for decoration and collection of specimens made

increasingly rare butterfly. Scarcity can lead to extinction. Pattern recognition and pattern of

butterflies should be done digitally as this can save you the cost of research for species of

butterfly with a wide variety and a wide variety of patterns as well. The introduction can make it

easier to identify the species that are on the field so it can be investigated further. Also in terms

of the documentation easier for assisted with computer technology and imaging cameras.

Butterfly recognition system is using fuzzy logic with Sugeno inference method.

Butterflies are used as many as 10 types, namely (1) Papillio uleysses, (2) Idea blancardi, (3)

Papilio dutran, (4) Atrophneura nonik, (5) Taenaris selena, (6) Hebomoeia glaucippe, (8)

Hebomiae duostra , (9) Papilio cambrisuis, (10) Papilio dephobus, (11) Pachlioptera

aristolochiae.

The recognition rate was tested with a variety of camera height and swivel angle varied

objects. The level of recognition may work as expected. Recognition rate of 95.90%. With the

best introduction to the altitude (55-65) cm and the best angle is 00 to ±5

0.

Keywords: Butterfly, Fuzzy Logic, Inference Sugeno, 10 species of butterflies, angle, camera

height.


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus karena telah memberikan

rahmat-Nya sehingga penulis dapat menyelesaikan laporan tugas akhir ini dengan baik.Laporan

tugas akhir ini disusun untuk memenuhi syarat memperoleh gelar sarjana.

Selama pembuatan tugas akhir ini penulis menyadari bahwa ada begitu banyak pihak

yang telah memberikan bantuan baik bantuan materi, moral maupun dukungan. Oleh karena itu

penulis ingin mengucapkan terimakasih kepada :

1. Petrus Setyo Prabowo, S.T., M.T., Ketua Program Studi Teknik Elektro Universitas

Sanata Dharma.

2. Dr.Linggo Sumarno, dosen pembimbing yang dengan penuh setia, kesabaran dan

pengertian untuk membimbing dalam menyelesaikan Tugas Akhir ini..

3. Bapak dan Ibu dosen yang telah mengajarkan banyak ilmu yang bermanfaat selama

menempuh pendidikan di Universitas Sanata Dharma.

4. Segenap laboran dan karyawan Fakultas Sains dan Teknologi yang telah memberikan

dukungan secara tidak langsung dalam kelancaran penulis mengerjakan penulisan

tulisan tugas akhir ini.

5. Kedua orang tua penulis yang telah banyak memberikan dukungan doa, kasih sayang

dan motivasi selama menempuh pendidikan di Universitas Sanata Dharma.

6. Keluarga kecil penulis yang telah memberi dukungan dalam mengawali dan

mengakhiri masa - masa menempuh pendidikan di Universitas Sanata Dharma.

7. Om Bambang dan Fransisca D Renwarin yang turut memberikan dukungan dalam

kehidupan penulis.

8. Teman – teman seperjuangan Teknik Elektro 2011 yang telah menemani di waktu

siang ataupun malam pada saat menempuh pendidikan di Universitas Sanata Dhama.

9. Semua pihak yang tidak bisa disebutkan satu persatu yang telah banyak memberikan

banyak bantuan dan dukungan dalam menyelesaikan tugas akhir ini.

10. Teman-teman anggota “Maryati’s Dormitory”: Nino, Hardo, Fian, Sandi, Bori, Trias,

Bowo, Chandra, Bendot, Pongki .Yang sudah mensupport saya dalam mengerjakan

maupun menemani minum-minuman jahat.


xi

Penulis menyadari bahwa dalam penyusunan laporan tugas akhir masih mengalami

kesulitan dan tidak lepas dari kesalahan.Oleh karena itu, penulis mengharapkan masukan, kritik

dan saran yang membangun agar skripsi ini menjadi lebih baik.Dan semoga skripsi ini dapat

bermanfaat sebagaimana mestinya.

Penulis,

Marinus Skotus Febrianto


xii

DAFTAR ISI

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

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

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

PERNYATAAN KEASLIAN KARYA ......................................................................... v

HALAMAN PERSEMBAHAN DAN MOTTO HIDUP .............................................. vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA

ILMIAH UNTUK KEPENTINGAN AKADEMIS ..................................................... vii

INTISARI .................................................................................................................... viii

ABSTRACT .................................................................................................................. ix

KATA PENGANTAR .................................................................................................... x

DAFTAR ISI ................................................................................................................ xii

DAFTAR GAMBAR .................................................................................................... xv

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

BAB I PENDAHULUAN

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

1.2. Tujuan dan Manfaat Penelitian ........................................................................... 2

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

1.4. Metodologi Penelitian ......................................................................................... 3

1.4.1. Metode Studi Pustaka ........................................................................... 3

1.4.2. Prosedur Penelitian ............................................................................... 3

BAB II DASAR TEORI

2.1. Kupu-kupu .......................................................................................................... 5

2.2. Webcam ............................................................................................................... 5

2.3. Pengolahan citra .................................................................................................. 6

2.3.1 Definisi ................................................................................................. 6

2.4. Cropping ............................................................................................................. 7


xiii

2.5. Transformasi Geometris Spasial ......................................................................... 8

2.6. RGB .................................................................................................................... 8

2.7. Citra Grayscale ................................................................................................... 9

2.8. Citra Biner ........................................................................................................ 10

2.9. MATLAB ......................................................................................................... 10

2.9.1. Karakteristik Matlab ........................................................................... 11

2.10. Sistem Fuzzy ..................................................................................................... 11

2.10.1. Fuzifikasi ............................................................................................ 12

2.10.2. Mekanisme Inferensi Fuzzy ................................................................ 13

2.10.3. Defuzifikasi ........................................................................................ 14

2.10.4. FIS Tipe Sugeno ................................................................................. 15

BAB III PERANCANGAN

3.1. Perancangan Sistem .......................................................................................... 17

3.1.1. Kupu-kupu .......................................................................................... 17

3.1.2. Webcam .............................................................................................. 18

3.2. Proses Pengenalan Sayap Kupu-kupu .............................................................. 19

3.2.1. Pengambilan Citra .............................................................................. 19

3.2.2. Preprocessing ..................................................................................... 20

3.2.3. Pengklasifikasi Samar ........................................................................ 25

3.2.4. Pengambilan Database Fuzzy ............................................................. 27

3.2.5. Penentuan Keluaran ............................................................................ 27

3.3. Perancangan GUI .............................................................................................. 28

BAB IV HASIL DAN PEMBAHASAN

4.1. Pengujian dan Tampilan Program Pengenalan Objek Kupu-kupu

Secara Real Time .............................................................................................. 29

4.2. Pengujian Secara Real Time ............................................................................. 40

4.2.1. Pengujian Pengaturan Pengenalan Objek Kupu-kupu secara

Real Time ............................................................................................ 40

4.2.2. Analisa Pengenalan Objek Kupu-kupu Secara Real Time ................. 43


xiv

BAB V KESIMPULAN DAN SARAN

5.1. Kesimpulan ....................................................................................................... 45

5.2. Saran ................................................................................................................. 45

DAFTAR PUSTAKA ................................................................................................... 46

LAMPIRAN ................................................................................................................. 47


xv

DAFTAR GAMBAR

Gambar 2.1. Kupu-kupu ............................................................................................ 5

Gambar 2.2 Webcam ................................................................................................ 6

Gambar 2.3. Gambar Proses Pemotongan Citra ........................................................ 7

Gambar 2.4. Transformasi spasial ............................................................................. 8

Gambar 2.5. Pengaturan Citra RGB .......................................................................... 9

Gambar 2.6. Visualisasi 256 aras keabuan .............................................................. 10

Gambar 2.7. Grafk fuzifikasi nilai RGB ................................................................. 12

Gambar 2.8. Ilustrasi Ilustrasi sistem fuzzy dengan operator Max-Min .................. 14

Gambar 3.1. Blok sistem ......................................................................................... 17

Gambar 3.2 Gambar kupu-kupu (1)Papillio uleysses, (2)Idea blancardi, (3)

Papilio dutran, (4) Atrophneura nonik, (5) Taenaris selena, (6)

Hebomoeia glaucippe, (8) Hebomiae duostra, (9) Papilio

cambrisuis, (10) Papilio dephobus, (11) Pachlioptera aristolochiae, 18

Gambar 3.4. Diagram blok proses pengenalan ........................................................ 19

Gambar 3.5. Matrik RGB ........................................................................................ 20

Gambar 3.6. Program matrik RGB .......................................................................... 21

Gambar 3.7. Program citra grayscale ...................................................................... 21

Gambar 3.8. Diagram alir Bounding box................................................................. 22

Gambar 3.9. Hasil auto cropping ............................................................................ 22

Gambar 3.10. Proses Resizing ................................................................................... 23

Gambar 3.11. Diagram alir Clear Background ......................................................... 24

Gambar 3.12. Hasil clear background ...................................................................... 25

Gambar 3.13. Diagram klasifikasi Fuzzy .................................................................. 25

Gambar 3.14 Grafik fuzifikasi nilai R ...................................................................... 26

Gambar 3.15. Tampilan GUI ..................................................................................... 28

Gambar 4.1. Hasil rancangan .................................................................................. 29

Gambar 4.2. Shortcut MATLAB ............................................................................. 30

Gambar 4.3. Tampilan awal matlab ........................................................................ 30


xvi

Gambar 4.4. Tampilan GUI sebelum aktif .............................................................. 31

Gambar 4.5. GUI yang sudah di run ....................................................................... 31

Gambar 4.6. Tampilan GUI aktif ............................................................................ 32

Gambar 4.7. Tampilan saat tombol on ditekan........................................................ 32

Gambar 4.8. Program tombol on ............................................................................. 32

Gambar 4.9. Tampilan mode RGB .......................................................................... 34

Gambar 4.10. Tampilan setelah di crop .................................................................... 35

Gambar 4.11 Tampilan setelah tombol hitung ditekan ............................................ 37

Gambar 4.12 Tampilan setelah tombol kenal ditekan .............................................. 38

Gambar 4.13 Tampiln setelah tombol clear ditekan ................................................ 39


xvii

DAFTAR TABEL

Tabel 2.1. Jenis-jenis transformasi affine .............................................................. 8

Tabel 3.1. Tabe data nilai R sementara................................................................ 26

Tabel 3.2. Rule base pengenalan objek 1 ............................................................ 27

Tabel 4.1. Data hasil pengujian pertama ............................................................. 40

Tabel 4.2. Data hasil pengujian kedua ................................................................. 41

Tabel 4.3. Data hasil pengujian ketiga................................................................. 41

Tabel 4.4. Data hasil pengujian keempat ............................................................. 42

Tabel 4.5. Data hasil pengujian kelima ............................................................... 42

Tabel 4.6. Tingkat pengenalan seluruh percobaan .............................................. 43

Tabel 4.7. Tingkat pengenalan berdasarkan sudut............................................... 43

Tabel 4.8. Tingkat pengenalan berdasarkan tinggi kamera ................................. 44


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Indonesia merupakan negeri kupu-kupu. Dari 20 ribu jenis kupu-kupu yan ada di

dunia 2500 jenis berada di Indonesia. Semua itu tersebar mulai dari sabang sampai

merauke. Setiap daerah memiliki kupu-kupu yang khas sesuai dengan daerahnya.

Keunikan tersebut membuat Indonesia merupakan negara dengan jenis kupu kupu

terbanyak selain Brasil yang terdapat di hutan belantara amazon. Keindahan kupu-kupu

dapat kita lihat dari berbagai macam bentuk sayapnya yang indah, bahkan beberapa jenis

kupu-kupu di Indonesia menjadi endemik bagi suatu daerah, sehingga tidak akan ditemui

dibelahan dunia manapun seperti Cethosia myrinayang dikenal sebagai kupu-kupu sayap

renda yang hanya dijumpai di Sulawesi, Trogonoptera brookiana yang dikenal sebagai

kupu-kupu raja Brooke yang dijumpai di Sumatera dan Kalimantan[6].

Pada perkembangan zaman yang terjadi habitat kupu-kupu semakin berkurang

juga dengan perburuan liar yang dilakukan karena keindahan dari corak kupu-kupu untuk

hiasan dan koleksi specimen membuat kupu-kupu semakin langka. Kelangkaan dapat

berakibat pada kepunahan. Pengenalan pola dan corak kupu-kupu harus dilakukan secara

digital karena hal ini dapat menghemat biaya penelitian karena jenis kupu-kupu dengan

beraneka macam dan pola yang bermacam macam pula. Pengenalan dapat mempermudah

untuk mengenali spesies yang berada di lapangan sehingga dapat diteliti lebih lanjut. Juga

dari segi dokumentasi lebih mudah karena dibantu dengan teknologi computer dan

pencitraan kamera.

Pengenalan yang dilakukan dalam mengenali kupu-kupu berdasarkan hal yang

mencolok yaitu pola dan corak sayap kupu-kupu. Setiap pola dan sayap kupu-kupu

memiliki komposisi warna yang bermacam-macam. Hal inilah yang menjadi dasar proses

pengenalan secara digital yaitu pencitraan kamera yang menggunakan webcam.

Sistem yang akan dilakukan adalah dengan mencapture specimen dari kupu-kupu

lalu dari hasil gambar capture tersebut diproses dengan bantuan perangkat lunak (Matlab

2012b). Dari perangkat lunak tersebut akan keluar angka-angka yang merupakan

komposisi dari nilai RGB dari capture specimen tersebut.


2

1.2. Tujuan dan Manfaat

Tujuan dari penulisan tugas akhir adalah menciptakan system pengenalan sayap

kupu-kupu dengan metode matriks RGB dan matriks itu akan diproses dengan klasifikasi

fuzzy.

Manfaat dari penilitian adalah sebagai alat bantu otomatisasi bagi masyarakat

dalam mengetahui atau mengidentifikasi jenis-jenis kupu-kupu .

1.3. Batasan Masalah

Sistem yang dilakukan pada proses pengenalan pola sayap kupu-kupu ini

memerlukan bantuan pada system otomatosasi. Sistem otomatisasi yang dilakukan yang

dipakai terdiri dari software dan hardware. Hardware yang digunakan adalah webcam.

Webcam berfungsi untuk menangkap citra objek. Software berfungsi untuk memproses

pengenalan citra yang berasal dari hasil hardware (webcam).

Pada perancangan system ini penulis memfokuskan untuk membuat software

computer untuk memproes pengenalan objek. Sedangkan hardware penulis menggunakan

peralatan yang sudah ada yaitu webcam dengan spesifikasi yang sesuai dengan penelitian

tersebut. Spesifikasi tersebut adalah mampu mendeteksi matriks RGB dan bisa terkoneksi

dengan software matlab.

Berikut adalah beberapa masalah yang dianggap perlu pada perancangan tugas

akhir ini. yaitu sebagai berikut:

1. Sample dari awetan spesies kupu-kupu dengan corak yang berbeda beda yang

berjumlah 10 buah yaitu: Papilio dephobus ,Idea blancardi ,Hebomoeia

glaucippe, Papillio ulysses, Taeranis selena, Papilio iswara, Papilio gigon,

Papilio gambrisius, Atrophaneura noknik, Pachiliopta aristalochiae.

2. Hasil pengenalan secara real time

3. Sudut putar objek kupu-kupu: -200;-15

0;-10

0;-5

0; 5

0;10

0;15

0; 20

0

4. Variasi ketinggian kamera 45-70 cm dengan variasi 5 cm untuk mensimulasi

objek dengan berbagai skala. Karena dengan naik turunnya kamera maka akan

mendapatkan hasil capture dengan skala yang berbeda.


3

5. Menggunakan perangkat lunak komputasi Matlab dalam pembuatan program

pengenalan gambar

6. Menggunakan matriks RGB untuk didapatkan nilainya yang menjadi dasar

ciri-ciri objek

7. Menggunakan pengklasifikasi samar dengan FIS Sugeno

8. Menggunakan webcam sebagai hardware

9. Webcam akan ditempatkan pada dudukan atau tempat yang sudah disediakan

dan dibuat sebelumnya

10. Pencahayaan yang digunakan berdasarkan pencahayaan dari 2 buah lampu 35

watt. Penggunaan lampu bertujuan untuk mengurangi efek sinar dari

lingkungan yang tidak tentu tingkat intensitasnya

11. Citra di resize ke ukuran 128x128 pixel berdasarkan literatur[5] resizing

dengan nilai tersebut dapat dikenali dengan baik

1.4. Metodologi Penelitian

1.4.1. Metode Studi Pustaka

Dalam penyusunan Tugas Akhir, Peneliti mempelajari banyak dari buku–buku

yang relevan dengan judul penelitian yang diambil melalui Internet dan berbagai literatur–

literatur dari Internet mengenai pola dan corak kupu-kupu, pengertian webcam,

pengolahan citra, matriks RGB, teori fuzzy logic, dan tentang Matlab.

1.4.2. Prosedur Penelitian

Langkah-langkah dalam pengerjaan tugas akhir:

a. Pengumpulan bahan–bahan referensi berupa buku–buku dan jurnal–jurnal yang

di ambil melalui Internet.

b. Perancangan subsistem software.

Tahap ini bertujuan untuk mencari bentuk model yang optimal dari sistem yang

akan dibuat dengan mempertimbangkan berbagai faktor–faktor permasalahan.

c. Pembuatan subsistem software.

Sistem akan bekerja apabila user memberikan interupsi melalui PC dengan

media push button yang sudah disediakan dalam software. Sistem akan

mengolah interupsi yang diterima dan memulai proses capture picture sampai

user memberikan interupsi kembali untuk menghentikan proses capture.

Setelah itu, user memberikan interupsi untuk memulai proses pengenalan


4

gambar. Komputer akan mengolah gambar dan menyajikannya sebagai sebuah

informasi.

d. Analisa data dilakukan dengan menyelidiki pengaruh rotasi objek dan jarak

kamera dengan jumlah percobaan sesuai dengan batasaan percobaan. Dengan

90 kali percobaan (10 jenis kupu kupu x 9) terhadap tingkat pengenalan.

Penyimpulan hasil dilakukan dengan mencari jumlah komponen matriks RGB

yang menghasilkan tingkat pengenalan yang terbaik


5

BAB II

DASAR TEORI

2.1. Kupu-kupu [5] Kupu-kupu memiliki pola dan corak yang bermacam-macam sesuai dengan

jenisnya masing-masing. Setiap kupu-kupu juga memiliki warna yang beraneka macam

dan gabungan warna dan bentuk. Sehingga kupu-kupu dapat di tentukan jenisnya

berdasarkan dari pola dan corak dari sayapnya karena hal tersebut paling mencolok dari

kupu-kupu.

Di Indonesia terdapat lebih dari 2500 spesies kupu-kupu. Tentu saja hal tersebut

ditentukan pula dari pola, warna dan corak dari kupu-kupu untuk mengenalinya. Ketika

ada perbedaan pola warna tentu komposisi warna yang ditimbulkan dapat berbeda pula.

Gambar 2.1. Spesies kupu-kupu yang digunakan.

Dalam tugas akhir ini menggunakan jenis kupu-kupu sebagai berikut: Papilio

dephobus ,Idea blancardi ,Hebomoeia glaucippe, Papillio ulysses, Taeranis selena,

Papilio iswara, Papilio gigon, Papilio gambrisius, Atrophaneura noknik, Pachiliopta

aristalochiae.

2.2. Webcam Webcam singkatan dari Web Camera yang berasal dari bahasa Inggris, digunakan

secara RealTime . Banyak merk webcam yang tersedia, misalnya Logitech, SunFlowwer,

dan lainnya. Resolusi dari webcam biasanya sama berkisar antara 352×288 / 640×480

piksel atau bahkan lebih besar, ada yang kualitasnya hingga 5 Megapiksel. Webcam sebuah

kamera video digital berukuran kecil dihubungkan ke komputer melalui port USB atau port

COM. Gambar webcam yang digunakan dapat dilihat pada gambar 2.2


6

Gambar 2.2. webcam

2.3. Pengolahan Citra

2.3.1 Definisi

Citra (image) merupakan istilah lain untuk gambar, salah satu komponen

multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Citra

mempunyai karakteristik yang tidak dimiliki oleh data teks. Citra kaya dengan informasi.

Secara harafiah, citra dapat diartikan sebagai gambar pada bidang dwimatra (dua dimensi).

Bila ditinjau dari sudut pandang matematis, maka citra merupakan fungsi menerus

(continue) dari intensitas cahaya pada bidang dwimatra. Sumber cahaya yang menerangi

suatu obyek dan obyek akan memantulkan kembali sebagian dari berkas cahaya yang

menerangi obyek tersebut. Pantulan cahaya ini ditangkap oleh alat–alat optik, misalnya

mata pada manusia, kamera, pemindai (scanner), dan sebagainya, sehingga bayangan

obyek yang disebut citra tersebut terekam.

Citra dibedakan menjadi dua:

a. Citra diam (still images)

Citra diam adalah citra tunggal yang tidak bergerak, sering di sebut citra saja.

b. Citra bergerak (moving images)

Citra bergerak ialah rangkaian citra diam yang ditampilkan secara beruntun

yang memberi kesan pada mata sebagai gambar bergerak. Setiap citra dalam

rangkaian disebut frame.

Digitalisasi citra merupakan suatu representasi citra secara numerik dengan nilai–

nilai diskrit. Digitalisasi adalah representasi citra dari fungsi malar (kontinu) menjadi

nilai–nilai diskrit, sehingga citra yang dihasilkan dari proses ini disebut citra digital (digital

image).


7

Derau (noise) merupakan suatu masalah yang terjadi pada proses pengolahan

citra. Derau adalah gambar atau piksel yang mengganggu kualitas citra. Derau dapat

disebabkan oleh gangguan fisis (optik) pada alat akuisisi maupun secara disengaja akibat

proses pengolahan yang tidak sesuai. Contoh terdapat bintik hitam atau putih yang muncul

secara acak yang tidak diinginkan dalam citra, bintik acak ini disebut derau salt and

pepper.

Salah satu proses awal pengolahan citra yaitu memperbaiki kualitas citra yang

mengalami masalah atau gangguan. Perbaikan kualitas citra sangat diperlukan karena citra

yang dijadikan obyek pembahasan, mempunyai kualitas yang buruk, misal citra mengalami

derau pada saat pengiriman melalui saluran transmisi, citra terlalu terang atau gelap,

kurang tajam, kabur, dan sebagainya. Melalui operasi pemrosesan awal inilah kualitas citra

diperbaiki sehingga citra dapat digunakan untuk aplikasi lebih lanjut, misal untuk aplikasi

pengenalan obyek di dalam citra.

2.4. Cropping Cropping adalah proses pemotongan citra pada koordinat tertentu pada area

citra[24]. Untuk memotong bagian dari citra digunakan dua koordinat, yaitu koordinat

awal yang merupakan awal koordinat bagi citra hasil pemotongan dan koordinat akhir

yang merupakan titik koordinat akhir dari citra hasil pemotongan. Sehingga akan

membentuk bangun segi empat yang mana tiap-tiap pixel yang ada pada area koordinat

tertentu akan disimpan dalam citra yang baru.

Citra asli Hasil Cropping

Gambar 2.3 Gambar Proses Pemotongan Citra

Dari gambar 2.3 dijelaskan bahwa terjadi proses pemotongan citra. Ukuran pixel

awal citra asli adalah 5×5pixel, setelah dilakukan proses pemotongan koordinat awal (1,1)

dan koordinat akhir (3,3) dengan lebar 3 pixel dan tinggi 3 pixel akan terbentuk citra baru

dengan ukuran 3×3 pixel.Citra baru berisi nilai pixel dari koordinat (1,1) sampai koordinat

(3,3).


8

2.5. Transformasi Geometris Spasial Citra f didefinisikan sebagai sistem koordinat a(w,z), yang mengalami distorsi

geometris yang menghasilkan citra g dengan sistem koordinat (x,y) maka transformasi

dapat dinyatakan dengan (x,y) = T{(w,z)}[25]. Contoh dalam trasnformasi spasial sebagai

berikut:

Jika (x,y) =T{(w,z)} = (w/2, z/2), distrosi adalah penyusutan f dengan setengah

dimensi spasial seperti ditunjukkan pada gambar 2.4.

Gambar 2.4 Transformasi Spasial

Bentuk umum yang digunakan pada transformasi spasial adalah affine transform (Wolberg

[1990] ). Transformasi affine dapat ditulis dalam bentuk matrik.

𝑥𝑦 1 = 𝑤𝑧 1 𝑇 = 𝑡11 𝑡12 0𝑡21 𝑡22 0𝑡31 𝑡32 1

(2.2)

Transformasi ini dapat menskalakan , men-translate, atau menggunting sejumlah titik,

tergantung pada pilihan nilai T. Jenis-jenis transformasi affine terdapat pada tabel 2.5.

Tabel 2.5. Jenis-jenis Transformasi Affine

2.6. RGB

Suatu citra biasanya mengacu ke citra RGB. Sebenarnya bagaimana citra

disimpan dan dimanipulasi dalam komputer diturunkan dari teknologi televisi, yang

pertama kali mengaplikasikannya untuk tampilan grafis komputer. Jika dilihat

dengan kaca pembesar, tampilan monitor komputer akan terdiri dari sejumlah triplet

titik warna merah (RED), hijau (GREEN) dan biru (BLUE). Tergantung pada pabrik

monitornya untuk menentukan apak titik tersebut merupakan titik bulat atau kotak

kecil, tetapi akan selalu terdiri dari 3 triplet Red, Green dan BLUE.


9

Citra dalam komputer tidak lebih dari sekumpulan sejumlah triplet dimana setiap

triplet terdiri atas variasi tingkat keterangan (brightness) dari elemen Red, Green dan

BLUE. Representasinya dalam citra, triplet akan terdiri dari 3 angka yang mengatur

intensitas dari RED (R), Green (G) dan Blue (BLUE) dari suatu triplet. Setiap triplet akan

merepresentasikan 1 pixel (picture element). Suatu triplet dengan nilai 67, 228 dan 180

berarti akan mengeset nilai R ke nilai 67, G ke nilai 228 dan B ke nilai 180. Angka-angka

RGB ini yang seringkali disebut dengan color values. Pada format .bmp, citra setiap pixel

pada citra direpresentasikan dengan dengan 24 bit, 8 bit untuk R, 8 bit untuk G

Gambar 2.5 Pengaturan citra RGB

2.7. Citra Grayscale[9]

Citra Grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada

setiap pikselnya, artinya nilai dari RED = Green = Blue. Nilai-nilai tersebut digunakan

untuk menunjukkan intensitas warna.

Citra yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu, bervariasi

pada warna hitam pada bagian yang intensitas terlemah dan warna putih pada intensitas

terkuat. Citra Grayscale berbeda dengan citra ”hitam-putih”, dimana pada konteks

komputer, citra hitam putih hanya terdiri atas 2 warna saja yaitu ”hitam” dan ”putih” saja.

Pada citra Grayscale warna bervariasi antara hitam dan putih, tetapi variasi warna

diantaranya sangat banyak. Citra Grayscale seringkali merupakan perhitungan dari

intensitas cahaya pada setiap piksel pada spektrum elektromagnetik single band

Citra Grayscale disimpan dalam format 8 bit untuk setiap sampel piksel, yang

memungkinkan sebanyak 256 intensitas. Untuk mengubah citra berwarna yang mempunyai

nilai matrik masing-masing R, G dan B menjadi citra Grayscale dengan nilai X, maka

konversi dapat dilakukan dengan mengambil rata-rata dari nilai R, G dan B sehingga dapat

dituliskan menjadi:

(2.3.)

X = (R+G+B)/3

Warna = RGB(X,

X, X)


10

Gambar 2.6. visualisasi 256 aras keabuan

2.8. Citra Biner[9]

Citra biner (binary image) adalah citra digital yang hanya memiliki 2

kemungkinan warna, yaitu hitam dan putih. Citra biner disebut juga dengan citra W&B

(White&Black) atau citra monokrom. Hanya dibutuhkan 1 bit untuk mewakili nilai setiap

piksel dari citra biner.

Pembentukan citra biner memerlukan nilai batas keabuan yang akan digunakan

sebagai nilai patokan. Piksel dengan derajat keabuan lebih besar dari nilai batas akan diberi

nilai 1 dan sebaliknya piksel dengan derajat keabuan lebih kecil dari nilai batas akan diberi

nilai 0.

Citra biner sering sekali muncul sebagai hasil dari proses pengolahan, seperti

segmentasi, pengambangan, morfologi ataupun dithering. Fungsi dari binerisasi sendiri

adalah untuk mempermudah proses pengenalan pola, karena pola akan lebih mudah

terdeteksi pada citra yang mengandung lebih sedikit warna.

Persamaan untuk binerisasi dapat dilihat pada rumus di bawah ini :

(2.4.)

nilai a1 biasanya 0 dan nilai a2 = 1

2.9. MATLAB

Matlab (MATrix LABoratory) bahasa pemrograman yang dikembangkan The

Mathwork Inc. dengan fungsi dan karakteristik yang berbeda dengan bahasa pemrograman

lain seperti Delphi, Basic atau C++[30]. Bahasa pemrograman level tinggi untuk

kebutuhan komputasi teknis, visualisasi dan pemrograman seperti komputasi matematik,

analisis data, pengembangan algoritma, simulasi pemodelan dan grafik perhitungan.

Dalam lingkungan perguruan tinggi teknik, Matlab perangkat standar untuk

memperkenalkan dan mengembangkan penyajian materi matematika, rekayasa dan

keimuan. Di industri, MatLab perangkat pilihan untuk penelitian dengan produktifitas yang

tinggi, pengembangan dan analisanya.

Kegunaan MatLab secara umum adalah sebagai berikut:

a) Matematika dan komputasi,


11

b) Perkembangan algoritma,

c) Pemodelan, simulasi, dan pembuatan prototype,

d) Analisa data, eksplorasi dan visualisasi

e) Pembuatan aplikasi, termasuk pembuatan antaramuka grafis.

2.9.1. Karakteristik MATLAB

Bahasa pemrogramannya didasarkan pada matriks (baris dan kolom). Matlab

lebih lambat (dibandingkan dengan Fortran atau C) karena bahasanya langsung diartikan

namun pengembangannya lebih cepat. Automatic memory management, pada Matlab tidak

harus mendeklarasikan arrays terlebih dahulu dan tersusun rapi. Dapat diubah ke bahasa C

lewat MATLAB Compiler. Tersedia banyak toolbox untuk aplikasi-aplikasi khusus.

Beberapa kelebihan Matlab jika dibandingkan dengan program lain adalah :

a) Mudah memanipulasi struktur dan perhitungan berbagai operasi matriks

meliputi penjumlahan, pengurangan, perkalian, invers dan fungsi matriks

lainnya.

b) Menyediakan fasilitas plot struktur gambar (kekuatan fasilitas grafik tiga

dimensi yang sangat memadai).

c) Script program yang dapat diubah sesuai dengan keinginan user.

d) Jumlah routine-routine powerful yang berlimpah yang terus berkembang.

e) Kemampuan interface (misal dengan bahasa C, word dan mathematica).

f) Dilengkapi toolbox, simulink, stateflow dan sebagainya, serta mulai

melimpahnya source code di internet yang dibuat dalam matlab (contoh

toolbox misalnya: signal processing, control system, neural networksdan

sebagainya).

MATLAB diciptakan akhir tahun 1970-an oleh Cleve Moler. MATLAB pertama

kali diadopsi oleh insinyur rancangan kontrol, menyebar secara cepat ke bidang lain dan

digunakan di bidang pendidikan, khususnya dalam pengajaran aljabar linear dan analisis

numerik, serta populer di kalangan ilmuwan yang menekuni bidang pengolahan citra.

2.10. Sistem Fuzzy [1]

Sistem fuzzy adalah sistem yang bekerja dengan besaran/nilai fuzzy dan

menggunakan logika fuzzy. Sebuah sistem fuzzy akan memiliki bagian-bagian yakni

fuzifikasi, mesin inferensi, basis aturan dan defuzzifikasi. Bagian defuzzifikasi diperlukan


12

untuk mengubah nilai inut ke sistem fuzzy yang umumnya berupa suatu angka /nilai tegas

diubah ke besaran fuzzy.

Basis aturan berisi aturan-aturan logika fuzzy yang digunakan oleh mesin inferensi

msebagai acuan dalam mengambil kesimpulan atau memutuskan suatu output terhadap

input yang masuk ke sistem fuzzy. Karena output dari mesin inferensi masih berupa nilai

fuzzy, maka bagian defusifikasi diperlukan untuk mengubah nilai fuzzy tersebut ke nilai

tegas yang siap dikirimkan ke sistem/plant lain.

2.10.1. Fuzifikasi [1]

Fuzifikasi merupakan proses mengubah nilai variable numeric ke nilai variable

linguistic. Dengan kata lain, fuzifikasi merupakan pemetaan dari ruang input ke himpunan

fuzzy yang didefinisikan pada semesta pembicara. Sebagai contoh suatu nilai RGB suatu

citra dengan rentan 0-255 dapat dinyatakan menjadi tiga variable linguistik yaitu besar,

sedang dan kecil.

Gambar 2.7.Grafik fuzifikasi nilai RGB

Pada sistem fuzzy setiap nilai linguistic dari suatu variable dinyatakan dengan

sebuah himpunan fuzzy. Beberapa bentuk himpunan fuzzy yang sering digunakan pada

sistem fuzzy diantaranya:

-Triangular

(2.4.)

-Trapesoidal

𝜇𝑓 =

0, 𝑓𝑜𝑟 𝑥 < 𝑎𝑥 − 𝑎

𝑏 − 𝑎, 𝑓𝑜𝑟 𝑎 ≤ 𝑥 < 𝑏

𝑐 − 𝑥

𝑐 − 𝑏, 𝑓𝑜𝑟 𝑏 ≤ 𝑥 ≤ 𝑐

0, 𝑓𝑜𝑟 𝑥 > 𝑐


13

(2.5.)

-Gausian

(2.6.)

2.10.2. Mekanisme Inferensi Fuzzy [1]

Aturan fuzzy dinyatakan dengan kumpulan aturan IF-THEN yang antesenden dan

konsuennya berupa variable linguistic. Kumpulan aturan kendali fuzzy tersebut merupakan

relasi input output dari sebuah sistem. Bentuk umum dari aturan kendali fuzzy pada sistem

multi-input-single-output (MISO) adalah:

(2.7.)

Terdapat empat tipe operator komposisi yang bisa digunakan pada aturan

komposisi inferensi yaitu:

o Max-min

o Max-Product

o Max-bounded product

o Max drastic product

Pada sistem fuzzy, operator komposisi max-min dan max product paling banyak

digunakan dan paling umum karena perhitungannya sederhana dan efisien.

Ilustrasi grafis dari operator max-min pada proses inferensi ditunjukkan oelh

gambar berikut dengan aturan yang disertakan.

𝜇𝑓 =

0, 𝑓𝑜𝑟 𝑥 < 𝑎𝑥 − 𝑎

𝑏 − 𝑎, 𝑓𝑜𝑟 𝑎 ≤ 𝑥 < 𝑏

1, 𝑓𝑜𝑟 𝑏 ≤ 𝑥 < 𝑐𝑑 − 𝑥

𝑑 − 𝑏, 𝑓𝑜𝑟 𝑐 ≤ 𝑥 ≤ 𝑑

0, 𝑓𝑜𝑟 𝑥 > 𝑑

𝜇𝑓 = 𝑒−(𝑥−𝑐𝐹)2/𝑤

Ri: IF x is Ai,.., AND y is Bi, THEN z is

Ci


14

Gambar 2.8. Ilustrasi sistem fuzzy dengan operator Max-Min

Dari gambar (2.8.) terlihat bahwa input RGB berada pada perpotongan grafik.

Daerah perpotongan grafik tersebut menciptakan penalaran kabur. Rule base dari gambar

(2.8.) menunjukkan bahwa rule yang berlaku adalah IF (RGB is kecil) AND (UKURAN is

sedang) THEN (OUTPUT is Sample 1).

Pada input RGB posisi nilai berada pada daerah fuzzy maka nilai Max dari kedua

grafik yang bersinggungan adalah input rule 1 sesuai juga dengan variable linguistic pada

rule base kecil. Pada input yang kedua juga demikian hasil dari kedua perbandingan max

tersebut di bandingkan nilai kekaburannya untuk menetukan mana yang paling kecil dan

nantinya akan di masukkan menjadi nilai kabur output yang selanjutnya akan di

defuzifikasi menjadi nilai tegas.

2.10.3. Defuzifikasi [1]

Defuzifikasi adalah proses mengubah himpunan samar menjadi himpunan tegas

yang nantinya akan menjadi kesimpulan dari sistem fuzzy. Defuzifier diperlukan jika

sistem yang digunakan adalah sistem mamdani.

Beberapa metode defuzzifier adalah sebagai berikut:

1. Metode COA yang lebih sering digunakan, menentukan pusat gravitasi (titik

berat) distribusi peluang aksi kendali. Pada kasus semesta pembicaraan diskrit,

metode COA dirumuskan sebagai berikut:

𝑧𝐶𝑂𝐴 = 𝜇𝑐(𝑧𝑗 )𝑧𝑗

𝑛𝑗 =1

𝜇𝑐(𝑧𝑗 )𝑛𝑗=1


15

(2.8.)

Dengan n merupakan banyaknya level kuntifiksi (nilai linguistic) variabel

keluaran. zj merupakan nilai numerikaksi kendali pada level kuantisasi ke –j

dan µc(zj) merupakan nilai derajat keanggotaan zj pada himpunan fuzzy C.

2. Metode MOM menentukan aksi kendali yang mewakili nilai rataan (mean) dari

aksi kendali local yang fungsi keanggotaanya mencapai maksimum. Pada kasus

semesta pembicaraan diskrit, aksi kendali dapat dinyatakan sebagai berikut:

(2.9.)

Yang mana zj merupakan nilai support dimana fungsi keanggotaan mencapai nilai

maksimum µc(zj) dan m adalah banyaknya nilai support tersebut.

2.10.3. FIS tipe Sugeno [1]

Tipe alternative yang sering dipakai adalah tipe Takagi-Sugeno-Kang atau cukup

disebut juga dengan tipe Sugeno saja. Dalam banyak hal, FIS tipe sugeno mirip dengan

tipe mamdani. Perbedaan terletak pada jenis fungsi keanggotaan yang dipaki dalam bagian

consequent. FIS tipe Sugeno menggunakan fungsi keanggotaan output yang bersifat linier

atau konstan. IF-THEN rule dalam FIS tipe Sugeno berbentuk sebagai berikut:

IF input1= v AND input2 = w THEN output is z =av +bw+c (2.10.)

Keluaran rule bukan dalam bentuk fungsi keanggotaan, tetapi sebuah bilangan

yang mana berubah secar linier terhadap variable-variabel input, yaitu mengikuti suatu

persamaan garis yaitu z=av+c. Jika a=b=0, FIS dikatakan orde nol, Karena keluarannya

berupa sebuah bilangan konstan, yaitu z=c.

Proses defuzifikasi dalam FIS tipe sugeno jauh lebih efisien daripada tipe

Mamdani. Hal ini karena FIS tipe Sugeno menghitung nilai keluaran dengan cara sebagai

berikut:

(2.11.)

𝑧𝑀𝑂𝑀 = 𝑧𝑗

𝑚

𝑚

𝑗 =1

𝑂𝑢𝑡𝑝𝑢𝑡 = 𝑤 𝑖𝑧𝑖

𝑁𝑖=1

𝑤 𝑖𝑁𝑖=1


16

Dimana:

WI = Proses hasil operasi fuzzy logic antecedent.

Zi=keluaran rule ke-i

Keluaran akhir, Output, tidak lain adalah sebuah weighted average. Secara singkat

hasil keluaran adalah rata-rata dari inferensi rule-rule fuzzy.


17

BAB III

PERANCANGAN

3.1. Perancangan Sistem

Blok sistem secara keseluruhan dapat dilihat pada gambar 3.1 sebagai berikut

Unit perekam Unit pengenalan dan penampil

Gambar 3.1 Blok sistem

Proses pengenalan dimulai dari perekaman objek berupa sayap kupu-kupu.

Perekaman menggunakan webcam. Hasil dari perekaman akan ditampilkan ke laptop

dengan tampilan berupa GUI. Didalam GUI inilah hasil perekaman di tampilkan. Setelah

objek didapatkan hasilnya maka laptop akan memproses data masukan yang berupa

matriks RGB.

Hasil tersebut diproses di GUI yang merupakan pusat dari segala proses

pengenalan setelah gambar tersebut dicuplik dan diproses RGB-nya. Perekaman objek

menggunakan webcam

3.1.1. Kupu-kupu

Jenis-jenis kupu-kupu yang digunakan adalah jenis kupu-kupu yang memiliki

pola, warna dan corak yang mencolok baik dari segi ukuran maupun bentuknya. Sehingga

pengenalannya menjadi mudah karena mencolok.


18

(1) (2) (3) (4)

(5) (6) (8) (9)

(10) (11)

Gambar 3.2.gambar kupu-kupu (1)Papillio uleysses, (2)Idea blancardi, (3) Papilio dutran,

(4) Atrophneura nonik, (5) Taenaris selena, (6) Hebomoeia glaucippe, (8) Hebomiae

duostra, (9) Papilio cambrisuis, (10) Papilio dephobus, (11) Pachlioptera aristolochiae,

3.1.2 . Webcam

Webcam yang digunakan adalah webcam dengan merk Logitech dngan seri c270h.

Seri ini dipilih karena memiliki kemampuan untuk berkomunikasi dengan matlab. Webcam

ini juga memiliki dudukan dan memiliki software bawaan pendukung. Sehingga webcam

ini memudahkan dalam pengenalan objek. Berikut adalah spesifikasi webcam tersebut:

HD video calling (1280 x 720 pixels) with recommended system

Video capture: Up to 1280 x 720 pixels

Photos: Up to 3.0 megapixels (software enhanced)

Built-in mic with Logitech RightSound™ technology

Hi-Speed USB 2.0 certified (recommended)

Universal clip fits laptops, LCD or CRT monitors


19

Gambar 3.3 Logitech c270

3.2. Proses pengenalan sayap kupu-kupu

Proses pengenalan potongan citra alat musik tradisional adalah proses di mana

potongan citra yang di capture akan dikenali bentuknya. Proses ini terdiri pengambilan

citra, preprocessing, pengenalan dan keluaran yanag berupa teks. Proses kerja sistem dapat

dilihat pada gambar 3.4.

Pengambilan citra PreprocessingPengklasifikasi

samarPenentuan keluaran

Database fuzzy

Gambar 3.4. Digram blok proses pengenalan

3.2.1. Pengambilan citra

Citra yang berbentuk potongan gambar diambil dengan menggunakan webcam

yang sudah terhubung dengan komputer. Webcam terlebih dahulu sudah dikenali oleh

laptop/komputer. Webcam yang berada tegak lurus dengan potongan citra dan harus

mencari jarak terbaik atau fokus. Untuk mendapatkan gambar yang fokus diperlukan juga

adanya tambahan lampu agar intensitas cahaya tidak mengganggu untuk pengambilan

gambar. Resolusi 320 x 240 yang digunakan pada webcam ini akan membantu untuk


20

mendapatkan tampilan gambar yang lebih baik. Perintah untuk mengambil gambar dengan

menggunakan webcam adalah sebagai berikut :

imaqreset;

vid=videoinput('winvideo',1,'RGB24_320x240');

vid.FramesPerTrigger = 1;

vid.ReturnedColorspace = 'rgb';

triggerconfig(vid, 'manual');

vidRes = get(vid, 'VideoResolution');

imWidth = vidRes(1);

imHeight = vidRes(2);

nBands = get(vid, 'NumberOfBands');

hImage = image(zeros(imHeight, imWidth, nBands), 'parent',

handles.gambar_asli)

preview(vid, hImage);

start(vid);

pause(3);

trigger(vid);

stoppreview(vid);

capt1 = getdata(vid);

3.2.2. Preprocessing

Preprocessing merupakan tahap untuk mempersiapkan citra sebelum ke tahap

ekstraksi ciri sehingga dapat diproses ke tahap selanjutnya. Preprocessing sendiri terdiri

dari matrik RGB, grayscale, cropping, resizing, dan clear background.

1. Matrik RGB

Gambar 3.5. Matrik RGB

Matrik rgb berfungsi untuk mengambil nilai RGB dari suatu citra dalam

RGB sehingga komposisi warnanya dapat diidentifikasi nanti pada sistem

pengenalan. Gambar 3.6. adalah listing programnya


21

test=imread('kupu.jpeg');

a0=test(:,:,1);

b0=test(:,:,2);

c0=test(:,:,3);

imshow(a0);

imshow(b0);

imshow(c0);

Gambar 3.6. Program Matrik RGB

2. Citra grayscale

Grayscale dilakukan agar citra alat kupu-kupu yang telah diambil

menggunakan webcam menjadi keabuan. Hal ini dilakukan agar dapat

mempermudah pengolahan citra dalam proses pengenalan. Gambar 3.7. berikut

ini adalah contoh listing programnya

img10=imread('kupu.jpeg');

img1=double(rgb2gray(img10));

k=img1/255;

l=1-k;

imshow(l);

Gambar 3.7. Program citra grayscale

3. Cropping

Cropping adalah suatu proses untuk memotong citra pada bagian tertentu

atau yang tidak diperlukan sehingga didapatkan hasil yang diinginkan untuk

mempermudah data yang akan diolah. Pada percobaan ini, cropping

menggunakan bounding box dan bounding box ini akan melakukan automatic

cropping.Gambar 3.8. adalah diagram alir dari bounding box


22

Gambar 3.8. Diagram alir bounding box

Citra asli

Citra grayscale

Citra yang sudah dicrop

Gambar 3.9. Hasil auto cropping

4. Resizing

Resizing dilakukan untuk mengubah citra yang sudah di crop menggunakan

bounding box untuk mendapatkan ukuran yang seragam. Karena menggunakan

variasi jarak kamera yang bervariasi sehingga ukurannya harus diseragamkan

yaitu 128x128 pixel.


23

122x133

128x128

Gambar 3.10. Proses resizing

Program yang digunakan adalah sebagai berikut:

I3=imresize(I2,[128 128]);

imshow(I3); axis('on')

5. Clear background

Setiap citra yang sudah di crop perlu dilakukan penghilangan background

agar nilai background tersebut tidak mengganggu penjumlahan dari matrik

yang digunakan untuk masuk ke sistem pengenalan. Sehingga nilai dari matrik

tersebut murni adalah bentuk dari objek tersebut tanpa ada pengaruh dari

background.

Gambar 3.11. adalah diagram alir dari program ini. Nilai konstanta 0.65

adalah merupakan nilai intesitas gelap terang yang paling sesuai dengan warna

yang agak terang (putih) karena pada penelitian ini warna background adalah

putih. Penulis memilih angka tersebut berdasarkan uji coba visual yang di

lakukan dan disajikan dalam lampiran halaman L10.


24

Gambar 3.11. Diagram alir Clear background

Start

Input matrik hasil graysacale

Potong kiri potong 8 pixel

Putar 90 derajat searah jarum jam Potong kiri potong 8 pixel



Putar 90 derajat searah jarum jam Potong kiri potong 8 pixel(posisi awal)

Matrik citra <0.65

Matrik citra =0Y

Citra tanpa background

No

end


25

Pemilihan nilai konstanta 8 pixel pada pemotongan frame sudah dilakukan

perbandingan secara visual juga yang dibuktikan pada lampiran hal L11.

Nilai tersebut merupakan yang paling ideal dalam pemotongan frame

Dan hasilnya (gambar 3.12) adalah sebagai berikut:

Citra yang sudah di crop

Citra yang sudah dihilangkan

background-nya dan Frame-nya

Gambar 3.12. Hasil Clear background

3.2.3. Pengklasifikasi Samar

Nilai RGB

Penentuan kelas R, G, B

Pengurangan dengan konstanta berdasarkan kelas

Fuzifikasi

Rule base

Inferensi

Penentuan keputusan

Gambar 3.13. Diagram klasifikasi Fuzzy

Proses dimulai dengan memasukkan nilai RGB yang dari hasil Preprocessing lalu

nilai tersebut akan masuk ke kelompok klasifikasi yang ditentukan dari rentang nilai

tertentu tergantung dari database yang menjadi syarat utama dari masing masing kelas.

Proses dapat lihat pada gambar 3.13 yang merupakan diagram klasifikasinya


26

Pengurangan nilai dilakukan untuk meningkatkan pembeda dari nilai tersebut

karena nilainya dari masing-masing objek dalam satu kelas mirip sehingga harus

dikurangkan dengan konstanta berdasarkan nilai yang paling dominan dari kelas tersebut.

Berikut adalah data sementara yang diambil secara acak :

Table 3.1. Tabel data Nilai R sementara

Data

Objek

1 9 10 4 2 8 3 5 11

1 333.56 302.53 304.29 208.54 187.47 125.56 118.30 151.22 150.75

2 341.86 318.41 310.17 218.38 199.01 127.30 119.91 165.55 154.33

3 345.37 325.89 310.29 218.58 202.72 132.75 121.79 166.75 156.76

4 348.83 328.83 315.34 223.64 213.86 132.79 126.96 170.40 159.86

5 356.37 330.17 315.79 225.37 220.64 134.68 133.17 176.16 164.82

Dilihat dari tabel 3.1 setiap data yang masuk sudah melalui pengelompokan dan

nilainya menyerupai satu sama lain. Sehingga perlu dilakukan pegurangan nilai dengan

nilai tertentu sesuai dengan angka yang dominan.

Pada proses Fuzzyfikasi nilai numerik akan diubah menjadi variabel linguistik

yang memiliki nilai linguistik. Nilai linguistik ini nantinya akan digunakan pada proses

inferensi. Untuk memperoleh derajat keanggotaan dari nilai linguistik pada masing-masing

input sistem menggunakan aturan input sistem yang telah ditentukan. Untuk memperoleh

derajat keanggotaan dari nilai linguistik pada masing-masing input sistem menggunakan

fungsi keanggotaan sebagai berikut :

Gambar 3.14. Grafik fuzifikasi nilai R

Nilai fuzifikasi berdasarkan nilai yang sudah melalui pengurangan konstanta

(lampiran hal L7) berdasarkan kelas untuk lebih lengkap dapat dilihat pada lampiran.

Untuk grafik G dan B (lampiran hal L8) dapat juga dilihat sekaligus dengan nilai-nilai

pembentuk grafik.

-60 -40 -20 0 20 40 60 80 100

0

0.2

0.4

0.6

0.8

1

R

Degre

e o

f m

em

bers

hip

1910 42 83 511 6


27

Rule base (tabel 3.2) rule yang telah disesuaikan dengan kemungkinan nilai yang

muncul dari tiap-tiap himpunan fuzzy.

Inferensi sistem menggunakan metode Sugeno sehingga proses defuzzy langsung

dilakukan setelah nilai dari proses inferensi diproses ke kesimpulan hasil base. Output

berupa indeks dari objek kupu-kupu berupa angka 1,2,3,4,5,6,8,9,10,11. Karena

menggunakan fis sugeno maka defuzzy-nya dilakukan pada masing-masing rule. Hasil dari

defuzzy tiap-tiap rule di rata-rata kemudian ditentukan hasilnya melalui penentuan

keputusan.

Tabel 3.2. Rule base pengenalan objek 1

Rule if kelas r

And Nilai r

Then x is

1 1 1 1

2 1 9 9

3 1 10 10

4 3 3 3

5 5 6 6

6 2 4 4

7 3 8 2

Dimana x merupakan nomor anggota dari objek yang dikenali yang berupa angka

1,2,3,4,5,6,8,9,10,11.

3.2.4. Pengambilan database fuzzy

Database merupakan acuan (lampiran hal L7) untuk menentukan pengenalan.

Pada database fuzzy berupa nilai pembentuk fungsi dari masing-masing variable liguistik.

Pengambilan database dilakukan secara acak dengan menentukan nilai-nilai yang sesuai

dengan fungsi variable linguistic yang akan dibentuk.

Pada pembentuk fungsi variable linguistic (lampiran hal L7-L8) terdapat nilai

maximum, nilai tengah dan nilai minimum. Maka pada pengambilan data base dilakukan

uji coba secara acak pada masing-masing objek sampai nilai-nilai tersebut sampai sudah

tidak ada lagi perubahan nilai.

3.2.5. Penentuan keluaran

Hasil dari defuzzy merupakan suatu bentuk operasi aljabar yang berisi variable-

variable. Tiap variable memiliki konstanta yang berasal dari nilai keanggotaan dari fis

sugeno dengan masing-masing komponen nilai-nilai RGB. Penentuan dilakukan 2 langkah

yaitu: Mencari nilai konstanta maksimum dari masing-masing variable objek, menentukan

hasil pengenalan dengan mengidentifikasi variable objek mana yang memiliki komponen

dengan konstanta terbesar yang paling banyak.


28

3.3. Perancangan GUI

Berikut adalah GUI yang akan digunakan untuk pengenalan dari kupu-kupu

tersebut:

Gambar 3.15 Tampilan GUI

Berikut adalah penjelasan dari masing masing komponen pada gui

Nama bagian Deskripsi

axis' gambar asli menampilkan gambar hasil capture

axis' red menampilkan citra Red hasil preprocessing

axis' green menampilkan citra Green hasil preprocessing

axis' blue menampilkan citra Bluehasil preprocessing

tombol on Menjalan menghidupkan webcam

tombol capture mencapture citra melalui webcam

tombol mode gb menekstrak Matrik RGB

tombol crop Melakukan automatik crop

tombol hitung Menghitung nilai RGB

tombol kenal Menjalankan pengenalan citra

tombol refresh Menyegarkan aplikasi

tombol clear menghapus axis dan menormalkan kembali masukan

edit text nilai rgb Menampilkan nilai RGB

edit text nilai fuzzy Menampilkan nilai fuzzy

edit text kesimpulan menampilkan hasil pengenalan


29

BAB IV

HASIL DAN PEMBAHASAN

Pada hasil dan pembahasan, akan dibahas tentang rancangan software dan hasil

dari pengerjaan software serta sejauh mana program ini dapat berjalan dengan baik.

Pengambilan data yang dilakukan dengan menggunakan 10 objek kupu-kupu yang sudah

disediakan sebelumnya. Gambar 4.1 adalah hasil rancangan yang telah dijelaskan pada

BAB III.

Gambar 4.1. Hasil Rancangan

4.1. Pengujian dan tampilan program pengenalan objek kupu-kupu

secara Real time

Pengujian dan tampilan program menggunakan perangkat keras dan perangkat

lunak sebagai berikut:

1. Processor INTEL(R) Atom(TM) CPU N2600 @1.66GHZ


30

2. RAM 2.00 GB

3. Matlab7.10.1 (R2012a)

Program pengenalan dapat dilakukan dengan langkah-langkah sebagai berikut :

a. Klik dua kali pada icon matlab seperti pada gambar 4.2.

Gambar 4.2. Shortcut Matlab

b. Setelah klip icon matlab, maka akan muncul tampilan awal matlab seperti pada

gambar 4.3. Pada tampilan tersebut terdapat berbagai macam tools untuk

merancang GUI maupun untuk membuat program.

Gambar 4.3. Tampilan awal Matlab

c. Kemudian ganti Current Directory sesuai dengan directory dimana program yang

akan dipakai disimpan, setelah itu ketik guide Gui pada Command Window maka

akan muncul tampilan jendela utama program pengenalan seperti pada gambar

4.4, klik run untuk menjalankan program.


31

Gambar 4.4. Tampilan Gui sebelum diaktifkan

d. Setelah klik run, maka akan menampilkan tampilan utama program seperti pada

Gambar 4.5.

Gambar 4.5. Gui yang sudah di RUN

e. Selanjutnya, memilih dan menekan tombol yang sudah tersedia beserta urutannya

seperti gambar 4.6.


32

Gambar 4.6. Tampilan GUI aktif

Berikut merupakan fungsi dan penjelasan tentang tombol tersebut :

1. Tombol on

Gambar 4.7. Tampilan saat tombol on ditekan

Tombol On berfungsi untuk mengaktifkan webcam dan gambar yang akan

dicapture akan tampil pada axes“gambar_asli”. Program untuk menjalankan

tombol tersebut dapat dilihat pada Gambar 4.8. Hasil dari proses tersebut dapat

dilihat pada gambar 4.7.

vid=videoinput('winvideo',1,'RGB24_320x240');

vid.FramesPerTrigger = 1;

vid.ReturnedColorspace = 'rgb';

Gambar 4.8. Program tombol on


33

2. Tombol Capture

Gambar 4.8. Tampilan Setelah Capture

Tombol Capture berfungsi untuk mengambil/mencuplik gambar dari video

yang akan digunakan untuk proses selanjutnya dan hasil dari yang telah

dicuplik akan ditampilkan pada axes „gambar_asli‟ . Gambar 4.8 merupakan

tampilan setelah tombol capture ditekan

Format gambar yang sudah dicuplik yaitu RGB. Untuk menjalankan tombol

tersebut, menggunakan program sebagai berikut

imaqreset; vid=videoinput('winvideo',1,'RGB24_320x240'); vid.FramesPerTrigger = 1; vid.ReturnedColorspace = 'rgb'; triggerconfig(vid, 'manual'); vidRes = get(vid, 'VideoResolution'); imWidth = vidRes(1); imHeight = vidRes(2); nBands = get(vid, 'NumberOfBands'); hImage = image(zeros(imHeight, imWidth, nBands), 'parent',

handles.gambar_asli) preview(vid, hImage); start(vid); pause(3); trigger(vid); stoppreview(vid); capt1 = getdata(vid); a=[get(handles.nama,'string')] axes(handles.gambar_asli); imshow(capt1);

imwrite (capt1,a, 'jpeg')

3. Tombol Mode RGB

Tombol mode rgb berfungsi untuk mengekstrak citra menjadi tiga citra

dengan komposisi citra R, citra G, citra B. Masing-masing citra tersebut


34

disimpan pada axes’red’,’green’,’blue’. Tampilan setelah tombol RGB ditekan

dapat di lihat pada Gambar 4.9

Gambar 4.9. Tampilan Mode RGB

Berikut adalah program untuk merubah citra tersebut:

a=[get(handles.nama,'string')] test=imread(a); a0=test(:,:,1); b0=test(:,:,2); c0=test(:,:,3); %menampilkan mode rgb axes(handles.red) imshow(a0); axes(handles.green) imshow(b0); axes(handles.blue)

imshow(c0);

4. Tombol Crop

Tombol crop berfungsi untuk cropping, memotong frame, clear

background dan mencari nilai.Cropping menggunakan fungsi bounding

box yang dijelaskan pada bab III. Memotong frame juga dilakukan setelah

auto cropping dilakukan untuk memfokuskan citra sehingga nilai rgbnya

hanya citranya saja. Clear backgraound digunakan untuk menghilangkan

background masing-masing komponen warna. Gambar 4.10. merupakan

proses keseluruhan untuk mencari nilai RGB.


35

Gambar 4.10. Tampilan setelah di crop

Ketiga proses tersebut di buat dalam bentuk fungsi „nilai_r‟,‟nilai_g‟ dan

‟nilai_b‟. Isi dari fungsi tersebut dapat dilihat sebagai berikut

A=[get(handles.nama,'string')]; img0=imread(a); hasil_r = nilai_r(img0);

hasil_g = nilai_g(img0); hasil_b = nilai_b (img0); axes(handles.red); imshow(hasil_r) axes(handles.green); imshow(hasil_g) axes(handles.blue);

imshow(hasil_b)

Berikut ini adalah isi dari salah satu fungsi dari cropping salah satu

komponen citra pada listing berikut

Function img5=nilai_r(img1) img10=img1(:,:,1); img1=double(img10);

img8=img1/255;

img3=1-img8; img4=bboxg(img3);

img5=auto_clean(img4);

Berikut ini adalah fungsi dari bounding box yang pembahasannya sudah

dijelaskan pada bab III.

Function img6=bboxg(img1) % Pemotongan sesuai bounding box, % untuk citra grayscale dengan range data 0-1 % Potong kiri img2=cutleft(img1); % Putar 90 cw dan potong kiri img3=fliplr(img2'); img3=cutleft(img3);


36

% Putar 90 cw dan potong kiri img4=fliplr(img3'); img4=cutleft(img4); % Putar 90 cw dan potong kiri img5=fliplr(img4'); img5=cutleft(img5); % Putar 90 cw img6=fliplr(img5'); % ========================================================= % FUNGSI INTERNAL % ========================================================= function img2=cutleft(img0) % Subrutin untuk memotong kolom kiri yang kosong % Berlaku untuk citra grayscale % Konversi ke biner thr=0.7; img1=ceil(img0-thr); img2=img0; % Potong kiri JKolom=sum(img1); KolomTakNol=find(JKolom > 10); if sum(KolomTakNol)>=1 img2(:,1:KolomTakNol(1)-1)=[]; end

Berikut ini adalah fungsi dari clear background yang pembahasannya sudah

dijelaskan pada bab III.

function img8=auto_clean(img0) z=128;%resize ke 128 x 128 img8_1=imresize(img0,[z z]); img8=imresize(img8_1,1); potong=[1 2 3 4 5 6 7 8]; %memotong frame for a=1:4; img8=fliplr(img8'); img8 (:, potong) = []; end %menghilangkan background [a b]=size(img8); for i=1:(a*b); if (img8(i)<0.65); img8(i)=0; end end

imshow(img8);

5. Tombol Hitung

Berfungsi untuk menampilkan jumlah nilai RGB yang sudah melalui

proses Preprocessing. Nilai nilai tersebut nanti akan menjadi inputan pada

proses klasifikasi fuzzy.


37

Gambar 4.11. Tampilan setelah tombol hitung ditekan

Berikut merupakan listing program tombol hitung. Pada listing matrik

dijumlah dengan perintah „sum‟ nilai seluruh jumlah itulah yang digunakan

untuk pengenalan (Gambar 4.11).

a_r= handles.red; a_g=handles.green; a_b=handles.blue;

%menjumlah matrik b_r=sum(sum(a_r)); b_b=sum(sum(a_b)); b_g=sum(sum(a_g)); merah=b_r; hijau=b_g; biru=b_b; %menampilkan nilai set(handles.nilai_r,'string',merah) set(handles.nilai_g,'string',hijau)

set(handles.nilai_b,'string',biru)

6. Tombol Kenal

Pada tombol kenal terdapat fungsi untuk menentukan kelas,

fusifikasi dan inferensi dan menentukan keputusan. Proses program ini

adalah menentukan kelas, lalu dari kelas tersebut diarahkan menuju

pengurangan konstanta sesuai dengan kelas yang dimasuki. Setelah nilai

sudah dikurangkan maka masuk ke proses fusifikasi dengan fungsi

keanggotaan yang sudah ditentukan berdasarkan pengambilan data base

sebelumnya.

Proses ini berada pada fungsi „kenali_fuzzy‟ untuk lebih lengkapnya

dapat dilihat pada lampiran. Di dalam fungsi tersebut terdapat listing


38

program yang memproses nilai RGB menuju inferensi. Pada label

kesimpulan (Gambar 4.12) terdapat hasil dari sistem inferensi yang

dilakukan. Penentuan keputusan dilakukan berdasarkan kesesuaian dengan

rule base yang telah ditentukan sebelumnya. Beikut ini adalah listing

programnya.

Gambar 4.12. Tampilan setelah tombol kenal ditekan a1=[get(handles.nama,'string')] img0=imread(a1); hasil_r = nilai_r(img0); hasil_g = nilai_g(img0); hasil_b = nilai_b (img0); a_r=hasil_r; b_r=sum(sum(a_r)); a_g=hasil_g;

b_g=sum(sum(a_g)); a_b=hasil_b; b_b=sum(sum(a_b)); nilai_r1 = b_r/10; nilai_g1 = b_g/10; nilai_b1 = b_b/10; red=nilai_r1; green=nilai_g1; blue=nilai_b1 ; fu1=kenali_fuzzi(red); fu2=kenali_fuzzi_g(green); fu3=kenali_fuzzi_b(blue);

set(handles.kenal_r,'string',fu1(1)) set(handles.kenal_g,'string',fu2(1)) set(handles.kenal_b,'string',fu3(1)) set(handles.kenal_r1,'string',fu1(2)) set(handles.kenal_g1,'string',fu2(2)) set(handles.kenal_b1,'string',fu3(2))

for jika=1:11 if (fu2(2)==jika && fu3(2)==jika)... ||(fu1(2)==jika && fu2(2)==jika)...


39

set(handles.edit16,'string',a)

7. Tombol Refresh

Tombol refresh untuk mengulang kembali dari awal aplikasi pengenalan

dengan nilai masukan yang masih kosong atau menyegarkan kembali

aplikasi pengenalan. Berikut adalah listing programnya.

Clear all; clc; delete(figure(pengenalan_kupu));

figure(pengenalan_kupu);

8. Kotak simpan

Berfungsi untuk memberi nama gmbar yng telah dicapture.

9. Tombol Clear

Tombol clear befungsi untuk menghapus gambar pada masing masing axis

dan mereset semua nilai-nilai sehingga pada pemakaian selanjutnya tidak

terganggu nilai sebelumnya

Gambar 4.13.Tampilan setelah tombol clear di tekan

. Gambar 4.13 adalah tampilannya dan berikut adalah listing programnya.

Clc; a=[1 1 1; 1 1 1; 1 1 1]; b=[1 1 1; 1 1 1; 1 1 1]; c=[1 1 1; 1 1 1; 1 1 1]; axes (handles.red); imshow(a); axes (handles.green); imshow(b); axes (handles.blue); imshow(c); axes (handles.gambar_asli); imshow(c);

set(handles.nilai_r,'string','r')


40

set(handles.nilai_g,'string','g') set(handles.nilai_b,'string','b') set(handles.kenal_r,'string','-') set(handles.kenal_g,'string','-')

set(handles.kenal_b,'string','-')

4.2. Pengujian Secara Real time

Pengujian secara real time dengan melakukan percobaan dengan variasi

ketinggian kamera 45-70 cm dengan interval 5 cm dengan sudut putar terhadap 10 objek

kupu-kupu dilakukan 5 kali percobaan untuk masing-masing objek kupu-kupu. Hal ini

dilakukan untuk mencari nilai parameter dengan tingkat pengenalan terbaik yaitu sejauh

mana sistem dapat mengenali gambar 100% secara benar dengan jarak dan sudut yang

bervariasi. Setiap perlakuan dilakukan secara acak tidak menurut urutan nomor objek

sehingga sistem dapat diketahui dapat mengenali dengan kondisi tertentu yang sudah

ditetapkan atau tidak.

4.2.1. Pengujian Pengaturan Pengenalan Objek Kupu-Kupu Secara Real time

Hasil pengujian yang telah dilakukan penulis sajikan dalam bentuk tabel

pengujian pada lampiran halaman L1. Penyajiannya dengan memberikan nilai 5 apabila

dapat dikenali seluruhnya 5 kali percobaan dan hanya percobaan yang benar saja yang

dihitung apabila tidak dikenali..Dari hasil pengujian tersebut dijumlah hasil-hasilnya dan di

sajikan dalam bentuk tingkat pengenalan sebagai berikut:

Tabel 4.1. Data hasil pengujian pertama

Pengujian 1

sudut

Tingkat Pengenalan(%)

Tinggi

kamera

45 cm

Tinggi

kamera

50 cm

Tinggi

kamera

55 cm

Tinggi

kamera

60 cm

Tinggi

kamera

65 cm

Tinggi

kamera

70 cm

-20˚ 84% 82% 100% 100% 100% 84%

-15˚ 88% 88% 100% 100% 100% 86%

-10˚ 86% 84% 100% 100% 100% 100%

-5˚ 100% 100% 100% 100% 100% 100%

0˚ 100% 100% 100% 100% 100% 100%

5˚ 100% 100% 100% 100% 100% 100%

10˚ 84% 84% 100% 100% 100% 100%

15˚ 88% 88% 100% 100% 100% 90%

20˚ 88% 88% 100% 100% 100% 90%

Dari tabel 4.1 hasil pengenalan untuk objek kupu-kupu secara real time didapat

bahwa pada ketinggian kamera (55-65) cm pengenalan merupakan yang terbaik karena


41

dapat mengenali benda dengan beberapa sudut posisi objek kupu-kupu. Tetapi pada sudut

00 sampai ± 5

0 dapat dikenali oleh semua ketinggian kamera.

Tabel 4.2. Data hasil pengujian Kedua

Pengujian 2

sudut


Tinggi

kamera

45 cm

Tinggi

kamera

50 cm

Tinggi

kamera

55 cm

Tinggi

kamera

60 cm

Tinggi

kamera

65 cm

Tinggi

kamera

70 cm

-20˚ 78% 74% 100% 100% 100% 78%

-15˚ 84% 86% 100% 100% 100% 84%

-10˚ 80% 80% 100% 100% 100% 100%

-5˚ 100% 100% 100% 100% 100% 100%

0˚ 100% 100% 100% 100% 100% 100%

5˚ 100% 100% 100% 100% 100% 100%

10˚ 80% 80% 100% 100% 100% 100%

15˚ 84% 86% 100% 100% 100% 84%

20˚ 84% 82% 100% 100% 100% 84%



dapat mengenali benda dengan beberapa sudut posisi objek kupu-kupu. Tetapi pada 00

sampai ± 50 dapat dikenali oleh semua ketinggian kamera.

Tabel 4.3. Data hasil pengujian ketiga

Pengujian 3

sudut


Tinggi

kamera

45 cm

Tinggi

kamera

50 cm

Tinggi

kamera

55 cm

Tinggi

kamera

60 cm

Tinggi

kamera

65 cm

Tinggi

kamera

70 cm

-20˚ 92% 92% 100% 100% 100% 92%

-15˚ 80% 76% 100% 100% 100% 80%

-10˚ 90% 92% 100% 100% 100% 100%

-5˚ 100% 100% 100% 100% 100% 100%

0˚ 100% 100% 100% 100% 100% 100%

5˚ 100% 100% 100% 100% 100% 100%

10˚ 84% 82% 100% 100% 100% 100%

15˚ 86% 84% 100% 100% 100% 80%

20˚ 80% 72% 100% 100% 100% 80%




42

dapat mengenali benda dengan beberapa sudut posisi objek kupu-kupu. Tetapi pada sudut

00 sampai ±5


Tabel 4.4. Data hasil pengujian keempat

Pengujian 4

sudut


Tinggi

kamera

45 cm

Tinggi

kamera

50 cm

Tinggi

kamera

55 cm

Tinggi

kamera

60 cm

Tinggi

kamera

65 cm

Tinggi

kamera

70 cm

-20˚ 92% 88% 100% 100% 100% 92%

-15˚ 86% 84% 100% 100% 100% 80%

-10˚ 84% 82% 100% 100% 100% 100%

-5˚ 100% 100% 100% 100% 100% 100%

0˚ 100% 100% 100% 100% 100% 100%

5˚ 100% 100% 100% 100% 100% 100%

10˚ 90% 88% 100% 100% 100% 100%

15˚ 88% 88% 100% 100% 100% 86%

20˚ 86% 86% 100% 100% 100% 86%



dapat mengenali benda dengan beberapa sudut posisi objek kupu-kupu. Tetapi pada 00

sampai ± 50 dapat dikenali oleh semua ketinggian kamera.

Tabel 4.5. Data hasil pengujian kelima

Pengujian 5

sudut Tingkat Pengenalan(%)

45 cm 50 cm 55 cm

60

cm 65 cm 70 cm

-20˚ 90% 90% 100% 100% 100% 90%

-15˚ 96% 96% 100% 100% 100% 96%

-10˚ 88% 88% 100% 100% 100% 100%

-5˚ 100% 100% 100% 100% 100% 100%

0˚ 100% 100% 100% 100% 100% 100%

5˚ 100% 100% 100% 100% 100% 100%

10˚ 88% 88% 100% 100% 100% 100%

15˚ 94% 94% 100% 100% 100% 92%

20˚ 96% 92% 100% 100% 100% 96%


bahwa pada ketinggian kamera (55 -65) cm pengenalan merupakan yang terbaik karena


43

dapat mengenali benda dengan beberapa sudut posisi objek kupu-kupu. Tetapi pada sudut -

00 sampai ±5


Berdasarkan dari kelima percobaan tersebut dapat diambil rata-ratanya yang

disajikan pada tabel 4.6. Hal tersebut dilakukan untuk mencari tingkat keberhasilan alat

yang telat dibuat.

Tabel 4.6 Tingkat pengenalan seluruh percobaan

Pengujian Rata-rata pengenalan

tiap percobaan

1 95,96%

2 94,59%

3 95,22%

4 96,04%

5 97,67%

Rata-rata pengenalan 95,90%

Berdasarkan Ttabel 4.6 maka dapat disimpulkan bahwa alat sudah dapat beerja

dengan baik ditunjukkan dengan tingkat pengenalan keseluruhan sebesar 95,90%.

4.2.1. Analisa Pengenalan Objek Kupu-Kupu Secara Real time

Setelah penulis melakukan percobaan maka masing-masing parameter dilakukan

analisis dengan cara membandingkan dengan variasi yang telah dilakukan. Tabel 4.7

merupakan tingkat pengenalan berdasarkan sudut dan nilai-nilainya tiap percobaan

merupakan rata-rata dari percobaan yang telah dilakukan dan dibahas sebelumnya. Tabel

4.8 merupakan tingkat pengenalan berdasarkan ketinggian kamera.

Tabel 4.7 Tingkat pengenalan berdasarkan sudut

Sudut Percobaan

1 2 3 4 5

-200 91,67% 88,33% 96,00% 95,33% 95,00%

-150 93,67% 92,33% 89,33% 91,67% 98,00%

-100 95,00% 93,33% 97,00% 94,33% 96,00%

-50 100,00% 100,00% 100,00% 100,00% 100,00%

00 100,00% 100,00% 100,00% 100,00% 100,00%

50 100,00% 100,00% 100,00% 100,00% 100,00%

100 94,67% 93,33% 94,33% 96,33% 96,00%

150 94,33% 92,33% 91,67% 93,67% 96,67%

200 94,33% 91,67% 88,67% 93,00% 97.33%


44

Berdasarkan tabel 4.7 tingkat pengenalan yang terbaik yaitu 100% berada pada

sudut 50 Semakin diputar maka tingkat pengenalan semakin berkurang dikarenakan

perubahan nilai RGB sehingga tidak dapat dikenali karena nilainya berubah.

Tabel 4.8 Tingkat pengenalan berdasarkan tinggi kamera

Ketinggian (cm)

Percobaan 45 50 55 60 65 70

1 90,89% 90,44% 100,00% 100,00% 100,00% 94,44%

2 87,78% 87,56% 100,00% 100,00% 100,00% 92,22%

3 90,22% 88,67% 100,00% 100,00% 100,00% 92,44%

4 91,78% 90,67% 100,00% 100,00% 100,00% 93,78%

5 94,67% 94,22% 100,00% 100,00% 100,00% 97,11%

Berdasarkan tabel 4.8 tingkat pengenalan yang terbaik yaitu 100% berada pada

tinggi kamera 55-65cm. Pada ketinggian tersebut webcam dapat men-capture gambar

dengan baik dan setelah di-resizing nilainya masih dapat dikenali sebagai objek yang

sesuai dengan fungsi fuzzy dari objek.


45

BAB V

KESIMPULAN

5.1. Kesimpulan

Berdasarkan hasil penelitian dan hasil pengujian sistem pengenalan objek kupu-

kupu secara real time maka dapat disimpulkan:

1. Sistem yang dirancang sudah bekerja sesuai dengan yang diharapkan dengan

tingkat pengenalan sebesar 95,90%.

2. Tingkat pengenalan yang baik adalah pada ketinggian kamera 55-65 cm.

3. Alat yang dibuat mempunyai tingkat pengenalan terbaik hanya pada sudut

rotasi 0 sampai ±50.

5.2. Saran

1. Pada penelitian belum bisa dengan akurat mengenali objek. Dikarenakan

objek kupu-kupu yang rapuh sehingga membutuhkan cover plastik. Cover

tersebut sangat menyulitkan dalam pengenalan karena ketika pantulan tidak

sempurna maka citra tampak silau dan nilainya menjadi kurang tepat. Maka

untuk penelitian lebih lanjut menggunakan objek tanpa di cover plastik.

2. Pengembangan metode dengan objek yang lebih banyak pada masing-masing

jenisnya.

3. Perlu ada penelitian lebih lanjut tentang pembuatan ciri-ciri yang lebih

banyak sehingga dapat meningkatkan akurasi pengenalan


46

Daftar Pustaka

[1] Kusumadewi, Sri, dan Purnomo, Hari. 2004. Aplikasi Logika Fuzzy untuk

Pendukung Keputusan. Yogyakarta: Penerbit Graha Ilmu.

[2] Yen, John, Langari, Reza. 1999. Fuzzy Logic (Center for Fuzzy logic, Robotics, and

Intellignt Systems Texas A&M University), Prentice Hall, New Jersey.

[3] Putra, Darma. 2009. Pengolahan Citra Digital, Penerbit Andi, Yogyakarta.

[4] Zimmermann, H. J.. 1990. Fuzzy Set Theory and Its Aplications Edition) Edisi-

Massachusetts: Kluwer Academic Publishers.

[5] Ignatius, Ardi. 2015. Pengenalan Secara Real time Gambar Alat music

Tradisional Indonesia berbasiskan Discrete Cosine Transform dan Jarak Jaccard,

Skripsi Universitas Sanata Dharma Yogyakarta

[6] _______. Jenis dan Gambar Kupu-kupu Langka dan Dilindungi

http://alamendah.org/2011/02/28/jenis-dan-gambar-kupu-kupu-langka-

dan-dilindungi/ diakses pada 30 maret 2015.

[7] _______. Cara membuat Plot Grafik dengan Matlab,

http://vivichristianwardhani.blogspot.com/ diakses pada 1 April 2015.

[8] _______. Memahami Konsep Histogram Dan Cara Membacanya,

http://belfot.com/membaca-histogram/ diakses pada 1 April 2015.

[9] Dwi, Aditya, Herfiansyah. Pengolahan Citra – RGB, Histogram dan

Depth Resolution.

https://wiidhiet22.wordpress.com/2012/02/14/pengolahan-citra-RGB

histogram-dan-depth-resolution/, diakses pada 30 Maret 2015.

[10] Achmad, Rizal. Pengolahan citra.

http://achmadrizal.staff.telkomuniversity.ac.id diakses pada 30 maret 2015.


47

LAMPIRAN


L1

Data percobaan

1 2 3 4 5

+ - + - + - + - + -

1 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 100 200%

10˚ 4 4 4 5 5 3 5 4 5 5 50 44 88%

15˚ 5 4 3 4 5 5 5 4 5 5 50 45 90%

20˚ 4 4 4 3 3 5 4 3 5 4 50 39 78%

2 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 4 5 3 5 4 4 5 4 5 5 50 44 88%

15˚ 4 5 4 5 5 5 5 3 5 4 50 45 90%

20˚ 4 4 4 3 5 5 5 3 4 4 50 41 82%

3 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 4 5 4 5 5 4 4 4 50 45 90%

15˚ 5 4 3 3 3 4 4 4 4 4 50 38 76%

20˚ 4 4 3 3 3 4 4 5 5 5 50 40 80%

4 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 4 4 4 3 5 4 3 4 3 50 39 78%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 4 4 4 5 5 5 5 5 5 4 50 46 92%

5 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 4 4 4 5 5 5 5 5 5 5 50 47 94%

15˚ 3 4 5 4 5 5 4 5 5 5 50 45 90%

20˚ 4 5 5 5 4 5 4 5 5 5 50 47 94%

6 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 4 4 4 4 3 4 4 3 4 5 50 39 78%

15˚ 5 4 4 4 4 5 5 4 5 5 50 45 90%

20˚ 5 4 4 3 3 4 3 5 5 5 50 41 82%

8 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 4 4 4 4 4 3 3 3 3 4 50 36 72%

15˚ 5 5 5 4 4 4 3 4 5 5 50 44 88%

20˚ 4 4 4 3 4 5 5 5 5 5 50 44 88%

9 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 4 5 4 4 4 3 4 4 5 5 50 42 84%

15˚ 4 4 4 4 4 3 5 5 5 5 50 43 86%

20˚ 5 4 4 5 3 4 5 5 5 3 50 43 86%

10 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 4 5 5 4 5 3 5 4 5 5 50 45 90%

15˚ 4 4 4 3 4 5 5 5 4 5 50 43 86%

20˚ 5 5 5 5 5 4 3 5 5 5 50 47 94%

11 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 4 3 4 5 5 4 5 5 4 3 50 42 84%

15˚ 4 5 5 4 4 5 3 5 4 5 50 44 88%

20˚ 5 4 5 4 5 5 5 5 4 5 50 47 94%

2250 2100 93.33%

=

Jumlah pengujian

benar

Tingkat

Pengenalan (%)

94.67%

Percobaan

objek sudut

409 398 406 411 426

Tinggi= 45 cm

Total

%

Rata-Rata Tingkat pengenalan 91.11%

Jumlah yang

dikenali benar

90.89% 88.44% 90.22% 91.33%


L2

1 2 3 4 5

+ - + - + - + - + -

1 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 4 4 4 5 5 3 5 4 5 5 50 44 88%

15˚ 5 4 3 4 5 5 5 4 5 5 50 45 90%

20˚ 4 4 4 3 3 5 4 3 5 4 50 39 78%

2 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 4 5 3 5 4 4 5 4 5 5 50 44 88%

15˚ 4 5 4 4 5 5 5 3 5 4 50 44 88%

20˚ 4 4 4 3 3 5 5 3 4 4 50 39 78%

3 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 4 5 3 5 4 4 4 4 50 43 86%

15˚ 5 4 3 3 3 4 4 4 4 4 50 38 76%

20˚ 4 4 3 3 3 4 4 5 5 5 50 40 80%

4 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 4 4 4 3 5 4 3 4 3 50 39 78%

15˚ 5 5 5 3 5 5 5 5 5 5 50 48 96%

20˚ 4 4 4 5 3 5 5 5 5 4 50 44 88%

5 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 4 4 4 5 5 5 5 5 5 5 50 47 94%

15˚ 3 5 5 4 5 5 4 5 5 5 50 46 92%

20˚ 4 5 3 4 4 5 4 5 3 5 50 42 84%

6 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 4 4 4 4 3 4 4 4 4 5 50 40 80%

15˚ 5 4 5 4 4 5 5 4 5 5 50 46 92%

20˚ 5 4 4 3 3 4 3 5 5 5 50 41 82%

8 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 4 3 4 5 4 3 3 3 3 4 50 36 72%

15˚ 5 5 5 4 4 4 3 4 5 5 50 44 88%

20˚ 4 5 4 3 4 5 5 5 5 5 50 45 90%

9 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 4 5 4 4 4 3 4 4 5 5 50 42 84%

15˚ 4 5 4 5 4 3 5 5 5 5 50 45 90%

20˚ 5 4 5 5 3 4 5 5 5 3 50 44 88%

10 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 4 5 5 4 5 3 5 4 5 5 50 45 90%

15˚ 4 4 4 3 3 5 5 5 4 5 50 42 84%

20˚ 5 3 5 4 5 4 3 3 5 5 50 42 84%

11 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 4 3 4 5 5 4 5 5 4 3 50 42 84%

15˚ 4 3 5 4 4 5 3 5 4 5 50 42 84%

20˚ 5 4 5 4 5 5 5 5 4 5 50 47 94%

2250 2035 90.44%

=

Jumlah pengujian

benar

Tingkat

Pengenalan(%)

Jumlah yang

dikenali benar

Total 407 395 400 409 424

94.22%


% 90.44% 87.78% 88.89% 90.89%

objek sudut

Tinggi= 50 cm Percobaan


L3

1 2 3 4 5

+ - + - + - + - + -

1 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

2 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

3 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

4 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

5 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

6 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

8 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

9 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

11 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

2250 2250 100.00%

=

Jumlah pengujian

benar

Tingkat

Pengenalan(%)

100.00%


% 100.00% 100.00% 100.00% 100.00%

Total 450 450 450 450 450


objek sudut

Jumlah yang

dikenali benar


L4

1 2 3 4 5

+ - + - + - + - + -

1 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

2 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

3 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

4 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

5 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

6 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

8 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

9 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

11 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

2250 2250 100.00%

=

Jumlah pengujian

benar

Tingkat

Pengenalan(%)

100.00%


% 100.00% 100.00% 100.00% 100.00%

Total 450 450 450 450 450


objek sudut

Jumlah yang

dikenali benar


L5

1 2 3 4 5

+ - + - + - + - + -

1 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

2 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

3 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

4 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

5 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

6 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

8 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

9 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

11 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

2250 2250 100.00%

=

Jumlah pengujian

benar

Tingkat

Pengenalan(%)

100.00%


% 100.00% 100.00% 100.00% 100.00%

Total 450 450 450 450 450


objek sudut

Jumlah yang

dikenali benar


L6

1 2 3 4 5

+ - + - + - + - + -

1 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 4 5 5 5 5 5 5 5 5 50 49 98%

20˚ 5 4 4 3 3 5 4 3 5 4 50 40 80%

2 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 4 5 3 5 5 5 5 5 50 47 94%

20˚ 4 4 4 3 5 5 5 3 4 4 50 41 82%

3 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 4 3 3 3 4 4 4 4 4 50 38 76%

20˚ 4 4 3 3 3 4 4 5 5 5 50 40 80%

4 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 4 3 4 4 5 4 5 4 4 50 42 84%

20˚ 4 4 4 5 5 5 5 5 5 4 50 46 92%

5 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 3 4 5 4 5 5 4 5 5 5 50 45 90%

20˚ 4 5 5 5 4 5 4 5 5 5 50 47 94%

6 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 4 4 4 4 5 5 4 5 5 50 45 90%

20˚ 5 4 4 3 3 4 3 5 5 5 50 41 82%

8 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 5 5 5 4 4 4 3 4 5 5 50 44 88%

20˚ 4 4 4 3 4 5 5 5 5 5 50 44 88%

9 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 4 4 4 4 4 3 5 5 5 5 50 43 86%

20˚ 5 4 4 5 3 4 5 5 5 3 50 43 86%

10 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 4 4 4 3 4 5 5 5 4 5 50 43 86%

20˚ 5 5 5 5 5 4 3 5 5 5 50 47 94%

11 0˚ 5 5 5 5 5 25 25 100%

5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%

15˚ 4 5 5 4 4 5 3 5 4 5 50 44 88%

20˚ 5 4 5 4 5 5 5 5 4 5 50 47 94%

2250 2126 94.49%

=

Jumlah pengujian

benar

Tingkat

Pengenalan(%)

97.11%


% 94.44% 91.78% 93.78% 95.33%

objek sudut

Jumlah yang

dikenali benar

Total 425 413 422 429 437



L7

9 10 4 1 2 6 8 11 5 3

327.8239 317.8932 224.34186 218.6365 231.2897 134.5215 137.0628026 162.4319 173.3793 167.0953863

340.863 324.7991 229.89006 232.0898 236.0134 144.8277 137.7300346 164.6325 182.8705 169.2918569

341.422 327.8224 235.4745 253.0502 237.5121 151.5491 141.6659988 167.7686 185.5408 175.4861429

344.6073 329.8522 240.70465 259.1152 249.5032 152.9292 146.5726134 168.3392 186.1107 196.7563572

346.029 330.0906 241.54861 259.8482 252.33 176.0115 149.4423864 172.8921 193.2788 207.4912811

1 9 10 5 11 8 3 2 4 6

306.144 297.579 297.94 148.288 145.2115 120.47 113.261 178.18 205.1368 54.858

311.878 308.007 304.15 161.188 150.0585 121.07 115.818 189.97 213.5153 71.181

314.047 311.892 304.56 161.275 154.5346 127.16 116.362 191.01 216.4486 71.96

314.875 314.774 308.67 163.324 155.4071 128.99 118.964 201.74 222.7626 74.414

325.116 315.729 311.23 169.238 159.4225 129.82 124.91 205.82 223.9616 74.996

1 9 10 4 2 8 3 5 11 6

333.5601 302.5379 304.2969 208.548 187.4714 125.563 118.30594 151.2219 150.7514 54.7729

341.8695 318.4169 310.1786 218.389 199.0143 127.3079 119.91348 165.5524 154.3301 72.8949

345.3777 325.8949 310.2978 218.581 202.7228 132.7507 121.79529 166.7545 156.767 74.7638

348.8397 328.8378 315.3429 223.644 213.8619 132.7974 126.9695 170.4037 159.8603 84.0117

356.3768 330.1793 315.7972 225.378 220.6427 134.6847 133.17387 176.1664 164.82 84.907

Penentuan data base

Nilai R

Nilai G

Nilai B

Lampiran Komponen Fuzzy

Grafik fungsi nilai R

Grafik Fungsi nilai G


L8

Grafik Fungsi Nilai B

Konstanta kelas Pengenalan Objek

kelas Konstanta

R G B

1 350 310 320

2 200 205 220

3 120 120 140

4 151 140 170

5 0 0 -

Pembagian kelas Objek

Kelas

1 2 3 4 5

Nilai objek

R

1 4 8 5 6

9 2 3 11

10

Nilai Objek

G

1 4 8 5 6

9 2 3 11

10

Nilai objek

B

9 4 6 11

10 1 8 5

2 3


L9

Nilai pembentuk fungsi Fuzzy

Setelah database diambil maka nilai tersebut di tentukan kelasnya berdasarkan

kemiripan dengan kelas (lampiran hal L8) yang sudah ditentukan sebelumnya. Lalu kelas

ditentukan maka dilakukan pengurangan dengan konstanta tiap kelas sehingga nilainya

terlihat perbedaanya. Sehingga dapat dibentuk fungsinya yang grafiknya dapat dilihat pada

lampiran hal L8. Berikut nilai-nilai pembentuk grafik yang sudah mengalami penentuan

kelas dan sudah dikurangi dengan konstantanya:

[Input1] Name='R' Range=[-60 100] NumMFs=10 MF1='1':'trimf',[-33.43994417 -4.622321812 23.37680997] MF2='9':'trimf',[-41.105099432 -19.82071513 -7.105099432] MF3='10':'trimf',[-62.70313079 -34.20276583 -28.70313079] MF4='4':'trimf',[-8.452063309 18.58073265 42.37754854] MF5='2':'trimf',[-29.52861272 2.722762424 37.64269804] MF6='8':'trimf',[-11.436985563 12.75074071 40.56301444] MF7='3':'trimf',[-18.69405982 -1.694059819 15.30594018] MF8='5':'trimf',[-16.77807334 15.75447526 42.16639315] MF9='11':'trimf',[-17.24857596 5.767023598 30.81998142] MF10='6':'trimf',[37.77292894 74.76377561 98] [Input2] Name='G' Range=[-50 80] NumMFs=8 MF1='1':'trimf',[-20.85557305 4.047274925 32.11571878] MF9='6':'trimf',[37.77292894 74.76377561 98] MF2='9':'trimf',[-29.42087387 1.89187275 22.72933993] MF3='10':'trimf',[-29.05579748 -5.442996285 18.23187837] MF4='2':'trimf',[-32.02952315 -3.259716281 17.82064396] MF5='4':'trimf',[-16.86316805 11.44861499 35.96160064] MF6='8':'trimf',[-16.53153811 7.15987348 26.82143297] MF7='3':'trimf',[-23.7390513 -3.637989187 12.81777205] MF8='5':'trimf',[-15.81168724 1.27476487 26.2379105] MF10='11':'trimf',[-17.24857596 5.767023598 30.81998142] [Input1] Name='b' Range=[-60 100] NumMFs=10 MF1='1':'trimf',[-33.43994417 -4.622321812 23.37680997] MF2='9':'trimf',[-41.105099432 -19.82071513 -7.105099432] MF3='10':'trimf',[-62.70313079 -34.20276583 -28.70313079] MF4='4':'trimf',[-8.452063309 18.58073265 42.37754854] MF5='2':'trimf',[-29.52861272 2.722762424 37.64269804] MF6='8':'trimf',[-11.436985563 12.75074071 40.56301444] MF7='3':'trimf',[-18.69405982 -1.694059819 15.30594018] MF8='5':'trimf',[-16.77807334 15.75447526 42.16639315] MF9='11':'trimf',[-17.24857596 5.767023598 30.81998142] MF10='6':'trimf',[37.77292894 74.76377561 98]


L10

Lampiran pembuktian konstanta pada fungsi clear background

0.2

0.3

0.4

0.45

0.5

0.55

0.6

0.65

0.7

0.75

0.8

0.85

Pada nilai 0.65 sudah memiliki background hitam yang terbaik dengan tidak adanya bintik-

bintik putih selain objek. Nilai yang lebih dari angka tesebut kurang baik karena mengurangi nilai

objek terlihat pada citra yang ditampilkan terlihat bahwa tedapat titik hitam melubangi objek.


L11

Lampiran pemotongan frame

1 pixel

2 pixel

3 pixel

4 pixel

6 pixel

8 pixel

9 Pixel

Pada pemotongan frame pada citra tedapat perbedaan hasil secara visual yang

terlihat pada gambar diatas. Nilai pemotongan yang kurang dari 8 pixel menunjukkan hasil

yang kurang baik karena masi menyisakan bentuk frame. Sedangkan yang lebih dari 8

pixel mengakibatkan citra terpotong yang mengakibatkan dapat mengurangi nilai citra

terebut. Nilai 8 pixel merupakan yang paling ideal karena frame terpotong sempurna dan

tidak memotong citra


L12

Listing program

GUI function varargout = pengenalan_kupu(varargin) gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @pengenalan_kupu_OpeningFcn, ... 'gui_OutputFcn', @pengenalan_kupu_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 pengenalan_kupu is made visible. function pengenalan_kupu_OpeningFcn(hObject, eventdata, handles, varargin) % Choose default command line output for pengenalan_kupu handles.output = hObject; % Update handles structure guidata(hObject, handles); % UIWAIT makes pengenalan_kupu wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = pengenalan_kupu_OutputFcn(hObject, eventdata, handles) varargout{1} = handles.output;

% --- Executes on button press in hitung. function hitung_Callback(hObject, eventdata, handles) % hObject handle to hitung (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) a1=[get(handles.nama,'string')]; img0=imread(a1); hasil_r = nilai_r(img0); hasil_g = nilai_g(img0); hasil_b = nilai_b (img0); a_r=hasil_r; b_r=sum(sum(a_r)); a_g=hasil_g; b_g=sum(sum(a_g)); a_b=hasil_b;


L13

b_b=sum(sum(a_b)); nilai_r1 = b_r/10; nilai_g1 = b_g/10; nilai_b1 = b_b/10; %menjumlah matrik merah=nilai_r1; hijau=nilai_g1; biru=nilai_b1; %menampilkan nilai set(handles.nilai_r,'string',merah) set(handles.nilai_g,'string',hijau) set(handles.nilai_b,'string',biru)

% --- Executes on button press in kenal. function kenal_Callback(hObject, eventdata, handles) % hObject handle to kenal (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) %%fuzzyfikasi rgb a1=[get(handles.nama,'string')]; img0=imread(a1); hasil_r = nilai_r(img0); hasil_g = nilai_g(img0); hasil_b = nilai_b (img0); a_r=hasil_r; b_r=sum(sum(a_r)); a_g=hasil_g; b_g=sum(sum(a_g)); a_b=hasil_b; b_b=sum(sum(a_b)); nilai_r1 = b_r/10; nilai_g1 = b_g/10; nilai_b1 = b_b/10; red=nilai_r1; green=nilai_g1; blue=nilai_b1; fu1=kenali_fuzzi(red); fu2=kenali_fuzzi_g(green); fu3=kenali_fuzzi_b(blue); set(handles.kenal_r,'string',fu1(1)) set(handles.kenal_g,'string',fu2(1)) set(handles.kenal_b,'string',fu3(1)) set(handles.kenal_r1,'string',fu1(2)) set(handles.kenal_g1,'string',fu2(2)) set(handles.kenal_b1,'string',fu3(2)) for jika=1:11 if (fu2(2)==jika && fu3(2)==jika)... ||(fu1(2)==jika && fu2(2)==jika)... ||(fu1(2)==jika && fu3(2)==jika)||... (fu1(2)==jika && fu2(2)==jika && fu3(2)==jika) a=jika jika=11; end


L14

end set(handles.edit16,'string',a) % --- Executes on button press in refresh. function refresh_Callback(hObject, eventdata, handles) % hObject handle to refresh (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) clear all; clc; delete(figure(pengenalan_kupu)); figure(pengenalan_kupu);

% --- Executes on button press in capture. function capture_Callback(hObject, eventdata, handles) % hObject handle to capture (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) imaqreset; vid=videoinput('winvideo',1,'RGB24_320x240'); vid.FramesPerTrigger = 1; vid.ReturnedColorspace = 'rgb'; triggerconfig(vid, 'manual'); vidRes = get(vid, 'VideoResolution'); imWidth = vidRes(1); imHeight = vidRes(2); nBands = get(vid, 'NumberOfBands'); hImage = image(zeros(imHeight, imWidth, nBands), 'parent', handles.gambar_asli) preview(vid, hImage); % prepare for capturing the image preview start(vid); % pause for 3 seconds to give our webcam a "warm-up" time pause(3); % do capture! trigger(vid); % stop the preview stoppreview(vid); % get the captured image data and save it on capt1 variable capt1 = getdata(vid); % now write capt1 into file named captured.png % just dialog that we are done capturing a=[get(handles.nama,'string')] axes(handles.gambar_asli); imshow(capt1); imwrite (capt1,a, 'jpeg') % --- Executes on button press in Mode_rgb. function Mode_rgb_Callback(hObject, eventdata, handles) % hObject handle to Mode_rgb (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) a=[get(handles.nama,'string')] test=imread(a);


L15

a0=test(:,:,1); b0=test(:,:,2); c0=test(:,:,3); %menampilkan mode rgb axes(handles.red) imshow(a0); axes(handles.green) imshow(b0); axes(handles.blue) imshow(c0); % --- Executes on button press in crop. function crop_Callback(~, eventdata, handles) a=[get(handles.nama,'string')]; img0=imread(a); %img0=get(handles.gambar_asli); %function hitung=coba_autoclean(img0) hasil_r = nilai_r(img0); hasil_g = nilai_g(img0); hasil_b = nilai_b (img0); axes(handles.red); imshow(hasil_r) axes(handles.green); imshow(hasil_g) axes(handles.blue); imshow(hasil_b) function on_Callback(hObject, eventdata, handles) vid=videoinput('winvideo',1,'RGB24_320x240'); vid.FramesPerTrigger = 1; vid.ReturnedColorspace = 'rgb'; triggerconfig(vid, 'manual'); vidRes = get(vid, 'VideoResolution'); imWidth = vidRes(1); imHeight = vidRes(2); nBands = get(vid, 'NumberOfBands'); hImage = image(zeros(imHeight, imWidth, nBands), 'parent', handles.gambar_asli); preview(vid, hImage); function clear_Callback(hObject, eventdata, handles) % hObject handle to clear (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) clc; a=[1 1 1; 1 1 1; 1 1 1]; b=[1 1 1; 1 1 1; 1 1 1]; c=[1 1 1; 1 1 1; 1 1 1]; axes (handles.red); imshow(a); axes (handles.green); imshow(b); axes (handles.blue); imshow(c); axes (handles.gambar_asli); imshow(c); set(handles.nilai_r,'string','r') set(handles.nilai_g,'string','g') set(handles.nilai_b,'string','b') set(handles.kenal_r,'string','-') set(handles.kenal_g,'string','-')


L16

set(handles.kenal_b,'string','-') set(handles.kenal_r,'string','-') set(handles.kenal_g,'string','-') set(handles.kenal_b,'string','-') set(handles.kenal_r1,'string','-') set(handles.kenal_g1,'string','-') set(handles.kenal_b1,'string','-') set(handles.edit16,'string','-')

Fungsi-fungsi

bbox function img6=bboxg(img1) % Pemotongan sesuai bounding box, % untuk citra grayscale dengan range data 0-1 % Potong kiri img2=cutleft(img1); % Putar 90 cw dan potong kiri img3=fliplr(img2'); img3=cutleft(img3); % Putar 90 cw dan potong kiri img4=fliplr(img3'); img4=cutleft(img4); % Putar 90 cw dan potong kiri img5=fliplr(img4'); img5=cutleft(img5); % Putar 90 cw img6=fliplr(img5'); % ========================================================= % FUNGSI INTERNAL % ========================================================= function img2=cutleft(img0) % Subrutin untuk memotong kolom kiri yang kosong % Berlaku untuk citra grayscale % Konversi ke biner thr=0.7; img1=ceil(img0-thr); img2=img0; % Potong kiri JKolom=sum(img1); KolomTakNol=find(JKolom > 10); if sum(KolomTakNol)>=1 img2(:,1:KolomTakNol(1)-1)=[]; end % =========================================================

Auto clean


L17

function img6=bboxg(img1) % Pemotongan sesuai bounding box, % untuk citra grayscale dengan range data 0-1 % Potong kiri img2=cutleft(img1); % Putar 90 cw dan potong kiri img3=fliplr(img2'); img3=cutleft(img3); % Putar 90 cw dan potong kiri img4=fliplr(img3'); img4=cutleft(img4); % Putar 90 cw dan potong kiri img5=fliplr(img4'); img5=cutleft(img5); % Putar 90 cw img6=fliplr(img5'); % ========================================================= % FUNGSI INTERNAL % ========================================================= function img2=cutleft(img0) % Subrutin untuk memotong kolom kiri yang kosong % Berlaku untuk citra grayscale % Konversi ke biner thr=0.7; img1=ceil(img0-thr); img2=img0; % Potong kiri JKolom=sum(img1); KolomTakNol=find(JKolom > 10); if sum(KolomTakNol)>=1 img2(:,1:KolomTakNol(1)-1)=[]; end % =========================================================

Nilai_r, nilai_g, nilai_b function img5=nilai_g(img1) img10=img1(:,:,2); img1=double(img10); img8=img1/255; img3=1-img8; img4=bboxg(img3); img5=auto_clean(img4); function img5=nilai_b(img1) img10=img1(:,:,3); img1=double(img10); img8=img1/255; img3=1-img8; img4=bboxg(img3);


L18

img5=auto_clean(img4); fungsi kenali_fuzzy function kenali=kenali_fuzzi(r) %base %r a_atas_350_r=373.37681; a_bawah_350_r=285.5378708; %bawah tengah atas a_350_r=[-25.78714529 -6.936876842 3.4]; %besar b_350_r =[-41.71506042 -27.85055614 -3.29059883]; %sedang c_350_r=[-40.3101279 -35.36221307 -18.70313079]; %kecil a_atas_200_r=242.3775485; a_bawah_200_r=198.4713873; a_200_r=[6.558524649 18.44973683 26.44973683 ]; a_atas_120_r=141.0247278; a_bawah_120_r=106.3059402; a_120_r=[-11.436985563 12.75074071 40.56301444]; b_120_r=[-18.69405982 -1.694059819 15.30594018]; a_atas_150_r=194.1663931; a_bawah_150_r=143.751424; a_150_r=[-10 0 9]; b_150_r=[-25.4943625 -15.30449101 -6.333414378]; c_150_r=[0 9 25]; sisa_atas_r=98.9069873; sisa_bawah_r=37.77292894; a_atas_r=[37.77292894 74.76377561 98 ]; if ((r<a_atas_350_r )&& (r > a_bawah_350_r)) input=r-350 a=a_350_r; b=b_350_r; c=c_350_r; f=3; class=1; end if (r<a_atas_200_r && r > a_bawah_200_r) input=r-200; a=a_200_r; f=1; class=2; end if (r<a_atas_120_r && r > a_bawah_120_r) input=r-120; a=a_120_r; b=b_120_r; f=2; class=3; end if (r<a_atas_150_r && r > a_bawah_150_r) input=r-170; a=a_150_r; b=b_150_r; c=c_150_r; f=3; class=4; end if (r<sisa_atas_r && r > sisa_bawah_r) input=r; a=a_atas_r; f=1; class=5; end for i=1:f if (i==1) x=a(1);


L19

y=a(2); z=a(3); end if (i==2) x=b(1); y=b(2); z=b(3); end if (i==3) x=c(1); y=c(2); z=c(3); end %if((input>x) && (input<z)) if ( (input<x) || (input>z)) hasip = 0; end if ( ((input==x)||(input>x)) && (input<y)) hasip =(input-x)/(y-x); end if ( ((input==y)|| input>y)&& ((input<z)||(input==z))) hasip =(z-input)/(z-y); end %end muncul(i)=hasip; end f=length(muncul); for i=1:f if (muncul(i)== max(muncul)) g=i; end end j=g; if (class==1) if (j==1) kanal=1; end if (j==2) kanal=9; end if (j==3) kanal=10; end end if (class==2) if (j==1) kanal=4; end end if (class==3)


L20

if (j==1) kanal=8; end if (j==2) kanal=3 end end if (class==4) if (j==1) kanal=5; end if (j==2) kanal=11; end if (j==3) kanal=2; end end if (class==5) if (j==1) kanal=6; end end kenali=[muncul(j) kanal]; function kenali=kenali_fuzzi_g(g) %base %r a_atas_310_r=342.1157188; a_bawah_310_r=280.5791261; %bawah tengah atas a_310_r=[-20.85557305 4.047274925 32.11571878]; b_310_r=[-29.42087387 1.89187275 22.72933993]; c_310_r=[-29.05579748 -5.442996285 18.23187837]; a_atas_205_r=240.9616006; a_bawah_205_r=184.0129701; b_205_r=[ -32.02952315 -3.259716281 17.82064396 ]; a_205_r=[-16.86316805 11.44861499 35.96160064];

a_atas_120_r=147.8326045; a_bawah_120_r=96.2609487;

b_120_r=[-16.53153811 7.15987348 26.82143297]; c_120_r=[-23.7390513 -3.637989187 12.81777205]; a_atas_160_r=183.1663931; a_bawah_160_r=143.751424; a_160_r=[-15.81168724 1.27476487 26.2379105]; b_160_r=[-31.7884969 -5.465378703 16.42247127]; sisa_atas_r=91.99607182; sisa_bawah_r=37.85806191;


L21

a_atas_r=[37.85806191 71.95981087 91.99607182 ];

if (g<a_atas_310_r && g > a_bawah_310_r) input=g-310 a=a_310_r; b=b_310_r; c=c_310_r; f=3; class=1; end if (g<a_atas_205_r && g > a_bawah_205_r) input=g-205; a=a_205_r; b=b_205_r; f=2; class=2; end if (g<a_atas_120_r && g > a_bawah_120_r) input=g-120; a=b_120_r; b=c_120_r; f=2; class=3; end if (g<a_atas_160_r && g > a_bawah_160_r) input=g-160; a=a_160_r; b=b_160_r; f=2; class=4; end if (g<sisa_atas_r && g > sisa_bawah_r) input=g; a=a_atas_r; f=1; class=5; end for i=1:f if (i==1) x=a(1); y=a(2); z=a(3); end if (i==2) x=b(1); y=b(2); z=b(3); end if (i==3) x=c(1); y=c(2); z=c(3); end


L22

%if((input>x) && (input<z)) if ( (input<x) || (input>z)) hasip = 0; end if ( ((input==x)||(input>x)) && (input<y)) hasip =(input-x)/(y-x); end if ( ((input==y)|| input>y)&& ((input<z)||(input==z))) hasip =(z-input)/(z-y); end %end muncul(i)=hasip; end f=length(muncul); for i=1:f if (muncul(i)== max(muncul)) g=i; end end j=g; if (class==1) if (j==1) kanal=1; end if (j==2) kanal=9; end if (j==3) kanal=10; end end if (class==2) if (j==1) kanal=4; end if (j==2) kanal=2; end end if (class==3) if (j==1) kanal=8; end if (j==2) kanal=3; end end if (class==4) if (j==1) kanal=5; end if (j==2) kanal=11; end


L23

end if (class==5) if (j==1) kanal=6; end end kenali=[muncul(j) kanal];

function kenali=kenali_fuzzi_b(blue) %base %r a_atas_320_r=363.0289521; a_bawah_320_r=280.5791261; %bawah tengah atas a_320_r=[-9.176143827 21.42203227 43.02895213]; b_320_r=[-19.10684166 17.822404648 27.09063395];

a_atas_220_r=276.8482162; a_bawah_220_r=201.6365247; a_220_r=[ 4.341862292 9.890057207 18 ]; b_220_r=[-4.910160154 12.08983985 29.08983985]; c_220_r=[-5.710300151 33.05015814 49.32999897]; a_atas_140_r=150.6; a_bawah_140_r=117.521542; a_140_r=[-22.47845797 4.827731351 29.92917258]; b_140_r=[-19.93719743 6.572613351 26.44238637];

a_atas_170_r=203.1107081; a_bawah_170_r=151.2609487; a_170_r=[-10.50376767 8.164210958 27.83260449]; b_170_r=[-16.53153811 1.074583204 26.82143297]; c_170_r=[-23.7390513 -3.637989187 21.90970968];

if (blue<a_atas_320_r && blue > a_bawah_320_r) input=blue-320; a=a_320_r; b=b_320_r; f=2; class=1; end if (blue<a_atas_220_r && blue > a_bawah_220_r) input=blue-220; a=a_220_r; b=b_220_r; c=c_220_r; f=3; class=2; end


L24

if (blue<a_atas_170_r && blue > a_bawah_170_r) input=blue-170; a=a_170_r; b=b_170_r; c=c_170_r; f=3; class=3; end if (blue<a_atas_140_r && blue > a_bawah_140_r) input=blue-140; a=a_140_r; b=b_140_r; f=2; class=4; end for i=1:f if (i==1) x=a(1); y=a(2); z=a(3); end if (i==2) x=b(1); y=b(2); z=b(3); end if (i==3) x=c(1); y=c(2); z=c(3); end if (i==4) x=d(1); y=d(2); z=d(3); end %if((input>x) && (input<z)) if ( (input<x) || (input>z)) hasip = 0; end if ( ((input==x)||(input>x)) && (input<y)) hasip =(input-x)/(y-x); end if ( ((input==y)|| input>y)&& ((input<z)||(input==z))) hasip =(z-input)/(z-y); end %end


L25

muncul(i)=hasip end f=length(muncul); for i=1:f if (muncul(i)== max(muncul)) g=i; end end j=g; if (class==1) if (j==1) kanal=9; end if (j==2) kanal=10; end end if (class==2) if (j==1) kanal=4; end if (j==2) kanal=1; end if (j==3) kanal=2; end end if (class==4) if (j==1) kanal=6; end if (j==2) kanal=8; end end if (class==3) if (j==1) kanal=11; end if (j==2) kanal=5; end if (j==3) kanal=3; end end kenali=[muncul(j) kanal];


PENGENALAN JENIS KUPU -KUPU DENGAN … · memperoleh gelar sarjana teknik program studi teknik...

Documents

Transcript of PENGENALAN JENIS KUPU -KUPU DENGAN … · memperoleh gelar sarjana teknik program studi teknik...