PENGENALAN KODE HURUF SEMAPHORErepository.usd.ac.id/9119/2/135114026_full.pdf · i TUGAS AKHIR...

i

TUGAS AKHIR

PENGENALAN KODE HURUF SEMAPHORE

Diajukan untuk memenuhi salah satu syarat

Memperoleh gelar Sarjana Teknik pada

Program Studi Teknik Elektro

Jurusan Teknik Elektro

Fakultas Sains dan Teknologi Universitas Sanata Dharma

disusun oleh :

LEONARDUS SANDY ADE PUTRA

NIM : 135114026

PROGRAM STUDI TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2017

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

FINAL PROJECT

THE INTRODUCTION OF CODE-LETTER

SEMAPHORE

In a partial fulfillment of the requirements

For the degree of Sarjana Teknik

Department of Electrical Engineering

Faculty of Science and Technology, Sanata Dharma University

LEONARDUS SANDY ADE PUTRA

NIM : 135114026

ELECTRICAL ENGINEERING STUDY PROGRAM

DEPARTMENT OF ELECTRICAL ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

2017


vi

HALAMAN PERSEMBAHAN

MOTTO:

Thing Big, and Act Now !

Persembahan

Skripsi ini kupersembahkan untuk . . .

Yesus Kristus dan Bunda Maria yang selalu

menyertai dan memberkati sepanjang hari

Papah dan Mamah yang selalu mendukung dan

mendoakanku

Adik dan keluarga yang memberiku

dukungan dan doa

Serta teman-teman yang selalu membantu dan

menghibur


viii

INTISARI

Semaphore adalah suatu cara untuk mengirim dan menerima berita dengan

menggunakan bendera. Untuk mempelajari gerakan semaphore, seorang pengirim kode

huruf semaphore membutuhkan orang lain untuk dapat mengetahui apakah posisi pengirim

sudah tepat atau kurang tepat dalam melakukan pengiriman kode huruf semaphore. Karena

setiap pengirim kode huruf semaphore memiliki posisi yang berbeda menurut derajat dan

kelurusan postur tubuh, sehingga hal ini membuat kurang efektifnya pembelajaran kode

semaphore apabila dilakukan oleh seorang diri.

Penerapan unsur-unsur teknologi praktis dan tepat guna sangat dibutuhkan dalam

pembelajaran kode huruf semaphore. Sistem yang akan dibuat dapat meniru kemampuan

mata manusia untuk mengenali objek berupa gerakan dari pengiriman kode semaphore.

Sistem pengenalan kode huruf semaphore ini akan dibuat menggunakan webcam dan

laptop. Webcam berfungsi sebagai alat bantu untuk mengambil citra dari pose kode huruf

semaphore yang dikirimkan. Dan laptop sebagai alat untuk mengolah data yang telah

diperoleh. Citra kode huruf semaphore diolah dengan menggunakan preprocessing,

ekstrasi ciri wavelet, fungsi jarak Euclidean dan kemudian program akan menampilkan

hasil pengenalan ke layar monitor dengan format huruf.

Sistem pengenalan kode huruf semaphore dapat bekerja dengan baik. Hasil

pengujian dengan menggunakan jarak maksimal yaitu pada jarak 5 meter menunjukkan

bahwa tingkat pengenalan yang diperoleh sebesar 93%.

Kata kunci : Semaphore, preprocessing, ekstraksi ciri wavelet, dan jarak Euclidean.


ix

ABSTRACT

Semaphore is a way to send and receive news by using the flag. To study the

movement of semaphore, the sender of semaphore letter code needs others to be able to

determine whether the sender position is right or not right in sending a letter code of

semaphore. Because each sender semaphore letter code has different position according to

the degree and straightness posture, so this makes it less effective learning of semaphore

code when carried out by own way.

Applying the elements of practical and appropriate technology are needed in

learning of semaphore letter code. The system to be created can mimic the human eye's

ability to recognize objects in the form of shipment in the semaphore code movement.

Semaphore letter code recognition system will be created using the webcam and laptop.

Webcam function as tools to acquire an image of the pose semaphore letter code that has

been sent. And the laptop as a tool to process the data that has been obtained. Semaphore

letter code image is processed by using preprocessing, wavelet feature extraction,

Euclidean distance function and then the program will display the recognition results to the

screen with the letter format.

Semaphore letter code recognition system can work well. The test results by using

the maximum distance that is at a distance of 5 meters indicate that the obtained

recognition rate is 93 %.

Keywords : Semaphore, preprocessing, wavelet feature extraction, and Euclidean distance.


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan ke hadirat Tuhan Yang Maha Esa atas berkat

dan rahmat kasih-Nya yang telah dilimpahkan-Nya sehingga penulis dapat menyelesaikan

Tugas Akhir yang berjudul Pengenalan kode huruf semaphore.

Tugas Akhir ini disusun sebagai salah satu syarat kelulusan untuk memperoleh

gelar Sarjana Teknik pada Program Studi Teknik Elektro, Fakultas Sains dan Teknologi,

Universitas Sanata Dharma Yogyakarta.

Penulisan Tugas Akhir ini tidak lepas dari campur tangan dan bantuan dari banyak

pihak baik secara langsung mapun tidak langsung. Penulis menyadari bahwa banyak

pihak yang telah memberi dukungan, semangat, bimbingan dan arahan serta bantuan

materil. Oleh karena itu, pada kesempatan ini penulis ingin mengucapkan terima kasih

kepada :

1. Tuhan Yesus Kristus, yang selalu membimbingku, menyertaiku dari awal

hingga terselesainya tugas akhir ini. Sungguh suatu karunia kasih-Mu.

2. Bapak Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. selaku Dekan Fakultas Sains dan

Teknologi.

3. Bapak Petrus Setyo Prabowo, S.T., M.T. selaku Ketua Program Studi Teknik

Elektro Universitas Sanata Dharma Yogyakarta yang memberikan arahan

kepada penulis.

4. Bapak Dr. Linggo Sumarno, selaku dosen pembimbing yang telah banyak

membimbing, membantu, serta memberikan arahan, jasa dan motivasi

kepada penulis dalam menyelesaikan tugas akhir ini.

5. Bapak Dr. Iswanjono, M.T. dan Bapak Dr. Damar Widjaja, S.T., M.T. selaku

dosen penguji tugas akhir yang telah memberikan ilmu dan arahan tambahan

sehingga penulis dapat menyempurnakan penyusunan tugas akhir ini.

6. Seluruh Dosen dan Laboran Program Studi Teknik Elektro, Fakultas Sains dan

Teknologi Universitas Sanata Dharma yang telah banyak memberikan ilmunya

hingga saat ini.

7. Seluruh Staff Fakultas Sains dan Teknologi Universitas Sanata Dharma

Yogyakarta yang telah membantu dalam hal administrasi.


xii

DAFTAR ISI

Halaman Sampul (Bahasa Indonesia) .............................................................................. i

Halaman Sampul (Bahasa Inggris) .................................................................................. ii

Halaman Persetujuan ....................................................................................................... iii

Halaman Pengesahan ....................................................................................................... iv

Pernyataan Keaslian Karya .............................................................................................. v

Halaman Persembahan .................................................................................................... vi

Lembar Persetujuan Publikasi Karya ........................................................................... 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 ....................................................................................................... 3

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

BAB II DASAR TEORI

2.1. Semaphore ................................................................................................................. 5

2.2. Webcam Logitech C270 ............................................................................................ 7

2.3. Pengolahan Citra Digital ........................................................................................... 8

2.3.1. Definisi Citra Digital ................................................................................................ 8

2.3.2. Ruang Warna RGB ................................................................................................... 9

2.3.3. Ruang Warna HSV ................................................................................................. 11

2.3.4. Konversi RGB Menjadi HSV ................................................................................. 12

2.3.5. Cropping ................................................................................................................. 13

2.3.6 Resizing ................................................................................................................... 13

2.4. Wavelet .................................................................................................................... 13

2.4.1. Wavelet Haar............................................................................................................ 13


xiii

2.5. Konvolusi ................................................................................................................ 15

2.5.1. Konvolusi Secara Umum ........................................................................................ 15

2.5.2. Konvolusi dengan Ekstensi Sinyal ......................................................................... 16

2.6. Template Matching ................................................................................................ 17

2.7. Distance (Jarak) ...................................................................................................... 17

2.7.1. Euclidean Distance ................................................................................................. 17

2.8. Basis Data ............................................................................................................... 18

BAB III PERANCANGAN

3.1. Proses Pengenalan Kode Huruf Semaphore ............................................................. 19

3.1.1. Pengambilan Citra Kode Huruf Semaphore ............................................................ 20

3.1.2. Tahap Preprocessing ............................................................................................... 21

3.1.3. Tahap Ekstraksi Ciri ................................................................................................ 25

3.1.4. Tahap Fungsi Jarak .................................................................................................. 27

3.1.5. Penentuan Keluaran ................................................................................................. 28

3.2. Perancangan Basis Data ........................................................................................... 28

3.3. Perancangan Tampilan GUI Matlab......................................................................... 33

3.4. Pengujian Citra Kode Huruf Semaphore ................................................................. 35

3.4.1. Pengujian Data Tidak Langsung ............................................................................. 35

3.4.2. Pengujian Data Secara Langsung ............................................................................ 36

BAB IV HASIL DAN PEMBAHASAN

4.1. Pengujian Program Pengenalan Kode Huruf Semaphore Secara Langsung ........... 37

4.2. Penjelasan Program ................................................................................................. 40

4.2.1. Tombol Kamera Aktif ............................................................................................ 40

4.2.2. Tombol Ambil Gambar .......................................................................................... 40

4.2.3. Pop-Up Menu ......................................................................................................... 41

4.2.4. Tombol Proses ........................................................................................................ 42

4.2.5. Tombol Reset .......................................................................................................... 51

4.2.6. Tombol Keluar ........................................................................................................ 51

4.3. Hasil Pengujian dan Analisis Pengenalan Kode Huruf Semaphore ...................... 52

4.3.1. Pengujian Pengenalan Kode Huruf Semaphore Secara Tidak Langsung .............. 52

4.3.2. Pengujian Pengenalan Kode Huruf Semaphore Secara Langsung ........................ 54

BAB V KESIMPULAN

5.1. Kesimpulan ............................................................................................................ 58


xiv

5.2. Saran ...................................................................................................................... 58

DAFTAR PUSTAKA ...................................................................................................... 59

LAMPIRAN ..................................................................................................................... 60


xv

DAFTAR GAMBAR

Gambar 2.1. Telegraph Optik ........................................................................................... 5

Gambar 2.2. Bendera Semaphore ..................................................................................... 6

Gambar 2.3. Posisi kode huruf semaphore ....................................................................... 7

Gambar 2.4. Logitech C270 ............................................................................................. 7

Gambar 2.5. Koordinat Citra Digital ................................................................................ 9

Gambar 2.6. Ilustrasi digitalisasi citra .............................................................................. 9

Gambar 2.7. Skema ruang warna RGB dalam bentuk kubus ......................................... 10

Gambar 2.8. Penambahan campuran warna merah, hijau, dan biru ............................... 10

Gambar 2.9. Model warna HSV ...................................................................................... 11

Gambar 2.10. Skala Hue ................................................................................................... 12

Gambar 2.11. Transformasi wavelet ................................................................................. 14

Gambar 2.12. Perhitungan konvolusi secara matriks ....................................................... 16

Gambar 3.1. Blog diagram proses pengenalan kode huruf semaphore .......................... 19

Gambar 3.2. Diagram alir pengambilan citra ................................................................. 20

Gambar 3.3. Diagram alir preprocessing citra ............................................................... 21

Gambar 3.4. Diagram alir konversi RGB ke HSV .......................................................... 22

Gambar 3.5. Diagram alir proses segmentasi warna HSV .............................................. 23

Gambar 3.6. Diagram alir proses cropping pada citra.................................................... 24

Gambar 3.7. Diagram alir proses resizing pada citra ..................................................... 24

Gambar 3.8. Diagram alir ektraksi ciri ........................................................................... 25

Gambar 3.9. Diagram alir konvolusi .............................................................................. 26

Gambar 3.10. Diagram alir downsampling ...................................................................... 27

Gambar 3.11. Diagram alir fungsi jarak Euclidean .......................................................... 27

Gambar 3.12. Diagram alir penentuan keluaran ............................................................... 28

Gambar 3.13. Blok diagram perancangan basis data ....................................................... 28

Gambar 3.14. Diagram alir pengenalan citra pada GUI ................................................... 33

Gambar 3.15. Sketsa perancangan GUI ........................................................................... 34

Gambar 4.1. Gambar Matlab .......................................................................................... 37

Gambar 4.2. Tampilan awal Matlab ............................................................................... 38

Gambar 4.3. Mengganti current folder .......................................................................... 38


xvi

Gambar 4.4. Interface pada program secara langsung ................................................... 39

Gambar 4.5. Kondisi pengambilan pose kode huruf semaphore.................................... 39

Gambar 4.6. Konversi citra rgb ke hsv ........................................................................... 43

Gambar 4.7. Contoh proses ambil nilai saturation ........................................................ 44

Gambar 4.8. Contoh proses segmentasi kuning ............................................................. 45

Gambar 4.9. Contoh proses segmentasi citra bendera berwarna kuning ........................ 46

Gambar 4.10. Proses pemotongan citra ............................................................................ 47

Gambar 4.11. Proses resizing pada citra masukkan ......................................................... 48

Gambar 4.12. Grafik Tingkat Pengenalan secara tidak langsung .................................... 53

Gambar 4.13. Grafik Tingkat Pengenalan secara langsung ............................................. 56


xvii

DAFTAR TABEL

Tabel 2.1. Spesifikasi Webcam ........................................................................................ 8

Tabel 3.1. Keterangan GUI ............................................................................................ 35

Tabel 4.1. Citra hasil desimasi & jarak.......................................................................... 55


1

BAB I

PENDAHULUAN

1.1. Latar Belakang


menggunakan bendera yang dinamakan bendera semaphore. Pengiriman kode huruf

melalui bendera semaphore ini menggunakan dua bendera, masing-masing bendera

tersebut berukuran 45 cm x 45 cm yang diikatkan pada batang dengan panjang 50 cm [1].

Bentuk bendera yang persegi merupakan penggabungan dua buah segitiga sama kaki yang

berbeda warna. Di Indonesia bendera yang biasa digunakan dalam kegiatan kepramukaan

berwarna merah dan kuning.

Di Indonesia, semaphore telah diterapkan sebagai salah satu keahlian yang harus

dimiliki oleh setiap individu dalam kegiatan pramuka. Biasanya dalam kegiatan

kepramukaan, semaphore telah diajarkan kepada anggota pramuka dari level siaga. Dan

pada jenjang yang lebih tinggi dalam kegiatan pramuka, semaphore sebagai salah satu

mata lomba yang digunakan untuk mengirimkan sebuah informasi pernyataan maupun

pertanyaan berupa kalimat dengan menggunakan huruf dari A-Z.

Dalam prakteknya untuk mempelajari gerakan semaphore seorang pengirim kode

semaphore membutuhkan seseorang yang dapat melihat posisi seorang pengirim apakah

pada posisi yang tepat atau kurang tepat dalam melakukan pengiriman kode semaphore.

Hal ini sangat diperlukan karena dalam setiap pengiriman kode semaphore memiliki posisi

yang berbeda menurut derajat dan kelurusan postur tubuh. Sehingga hal ini membuat

kurang efektifnya pembelajaran kode semaphore apabila dilakukan oleh seorang diri.

Penerapan unsur-unsur teknologi praktis dan tepat guna sangat dibutuhkan sebagai

sebuah pendukung sekaligus solusi yang efektif dalam bidang kepramukaan ini. Sistem

yang akan dibuat dapat meniru kemampuan mata manusia untuk mengenali objek berupa

gerakan dari pengiriman kode semaphore yang nantinya dapat menjadi sebuah alat yang

akan membantu manusia dalam mempelajari pengiriman maupun menerima kode huruf

semaphore. Sehingga dapat membantu pengguna mengetahui apakah gerakan yang

dilakukan sudah tepat atau kurang tepat.


2

Dalam penelitian ini, metode wavelet diterapkan tak lain karena metode ini

memiliki fungsi matematik yang membagi-bagi data menjadi beberapa komponen

frekuensi yang berbeda-beda, kemudian analisis dilakukan untuk masing-masing

komponen menggunakan resolusi yang sesuai dengan skalanya. Kepentingan penggunaan

Transformasi Wavelet ini berdasarkan fakta bahwa dengan Transformasi Wavelet akan

diperoleh resolusi waktu dan frekuensi yang jauh lebih baik daripada metode-metode

lainnya [2].

Pengenalan kode huruf semaphore ini dilakukan secara langsung dengan

menggunakan bantuan webcam. Sebelumnya terdapat penelitian yang membahas tentang

pengiriman kode huruf semaphore yang dilakukan oleh Aeri Rachmad dan Muhammad

Fuad tentang Geometry Algorithm On Skeleton Image Based Semaphore Gesture

Recognition [3]. Dalam penelitian ini peneliti menggunakan kinect sebagai pembaca sudut

dalam pengiriman kode semaphore yang hanya dapat dilakukan dalam jarak tertentu yaitu

pada jarak 1 meter dan jarak maksimal 2,5 meter.

Pada penelitian ini, peneliti menggunakan variasi jarak yang lebih jauh dari

penelitian sebelumnya. Jarak terdekat yang gunakan dalam penelitian ini adalah 3 meter

dan jarak maksimal 5 meter dengan rentang pengambilan jarak setiap 50 cm. Dalam

pengerjaannya peneliti membutuhkan beberapa perangkat pendukung seperti webcam yang

berfungsi untuk menangkap gambar gerakan kode huruf semaphore, kemudian

membutuhkan laptop yang berfungsi sebagai tempat untuk mengolah gambar agar dapat

dikenali dan informasinya dapat disampaikan ke pengguna serta software Matlab sebagai

pengolah program kode huruf semaphore.

1.2. Tujuan dan Manfaat Penelitian

Tujuan dari penulisan tugas akhir ini adalah membuat aplikasi yang dapat

mengenali pose kode huruf semaphore menggunakan ekstrasi ciri Wavelet.

Manfaat dari penelitian ini adalah dapat membantu pengguna aplikasi dalam

mengetahui apakah pengiriman kode huruf semaphore yang dilakukan sudah tepat atau

kurang tepat.


3

1.3. Batasan Masalah

Sistem pengenalan kode huruf semaphore ini terdiri dari prangkat keras (hardware)

dan perangkat lunak (software). Hardware berupa webcam dan laptop. Software yang

digunakan adalah Matlab. Matlab digunakan untuk mengatur seluruh proses pengolahan

data yang dicuplik oleh webcam.

Pada perancangan sistem ini, peneliti fokus pada pembuatan software komputer

untuk pengenalan kode huruf semaphore. Peneliti menetapkan beberapa batasan masalah

dalam penelitian ini, antara lain:

a. Menggunakan bendera semaphore berwarna kuning merah dengan ukuran 45 cm x

45 cm dan tongkat semaphore ukuran 50 cm.

b. Menggunakan pakaian pramuka.

c. Huruf yang dikenali ialah huruf A sampai dengan Z.

d. Warna background yang digunakan selain kuning.

e. Orientasi pose kode huruf semaphore ialah tegak.

f. Segmentasi warna menggunakan Hue Saturation Value (HSV).

g. Jarak yang digunakan 3 – 5 meter.

h. Menggunakan 3 variasi desimasi.

i. Ekstrasi ciri yang digunakan adalah Wavelet.

j. Metode pengenalan menggunakan Template Matching dan fungsi jarak.

k. Menggunakan webcam merk Logitech seri C270h.

l. Pengambilan citra menggunakan webcam.

m. Pengenalan perangkat elektronik ini dibuat dengan menggunakan software

pemograman Matlab 7.10.0.499

n. Keluaran berupa teks pada layar monitor.

1.4. Metode Penelitian

Langkah-langkah dalam pengerjaan tugas akhir :

a. Pengumpulan bahan-bahan referensi berupa buku-buku, jurnal-jurnal ilmiah, dan

website mengenai pengenalan suatu objek, pemograman Matlab, image processing,

ekstrasi ciri wavelet dan fungsi jarak euclidean.


4

b. Pembuatan software

Sistem akan bekerja apabila pengguna menekan tombol “Ambil Gambar”

yang ditampilkan dalam tampilan visual yang disediakan dalam software.

Kemudian sistem akan mengolah data yang diterima dari webcam dan mulai

menampilkan proses menampilkan video (record) sampai pengguna memberikan

perintah untuk pengambilan gambar (capture). Kemudian, pengguna memberikan

interupsi untuk memulai pengenalan gambar yang diambil dari pengiriman kode

huruf semaphore. Kemudian, Matlab akan melakukan proses pengolahan gambar

kode huruf semaphore yang diambil dengan menggunakan webcam dan

ditampilkan berupa teks pada layar monitor.

c. Analisis dan penyimpulan

Analisis data yang pertama dilakukan dengan meneliti pengaruh variasi

desimasi terhadap tingkat pengenalan pose kode huruf semaphore. Terdapat 3 nilai

variasi desimasi yang digunakan. Sehingga pengaruh variasi desimasi terhadap

tingkat pengenalan citra dapat diketahui dari hasil perbandingan 3 nilai variasi

desimasi yang disediakan. Penyimpulan hasil dilakukan untuk mencari tingkat

pengenalan dengan variasi desimasi yang terbaik.

Analisis data yang kedua, meneliti pengaruh jarak antara webcam dengan

pengirim kode huruf semaphore. Terdapat 5 variasi jarak yang telah ditentukan,

dengan jarak minimal pengambilan gambar adalah 3 meter dan jarak maksimal 5

meter dengan rentang jarak masing-masing 50 cm. Penyimpulan hasil dilakukan

untuk mencari tingkat pengenalan dengan variasi jarak yang terbaik.


5

BAB II

DASAR TEORI

2.1. Semaphore


menggunakan bendera, dayung, batang, tangan kosong atau dengan sarung tangan.

Informasi yang dapat dibaca melalui posisi bendera atau tangan. Namun saaat ini umum

digunakan adalah bendera yang dinamakan bendera semaphore. Pengiriman kode melalui

semaphore ini menggunakan dua buah bendera, yang masing-masing bendera tersebut

berukuran 45 cm x 45 cm yang diikatkan pada batang dengan panjang 50 [1].

Gambar 2.1 Telegraph Optik [1].

Semaphore pertama kali diperkenalkan oleh Claude Chappe pada tahun 1792 di

Perancis. Semaphore adalah pengembangan dari telegraph optik pada tahun 1971 yang


6

terdapat pada Gambar 2.1. Awalnya telegraph optik menghubungkan Paris dan Lille yang

memiliki jarak sejauh 230 kilometer dan memiliki 15 semaphore. Jaringan telegraph optik

terdiri dari sederetan menara yang masing-masing diletakkan berjarak 5 sampai 20

kilometer satu sama lainnya.

Pada setiap menara terdapat semaphore kayu dan 2 teleskop di atasnya. Semaphore

memiliki dua lengan pemberi sinyal yang masing-masing dapat diposisikan pada 7 posisi.

Setiap posisi mewakili kode untuk huruf, angka, kata, atau bagian dari sebuah kalimat.

Teleskop berfungsi sebagai alat bantu untuk melihat kode yang dikirimkan oleh peraga

semaphore yang lainnya.

Gambar 2.2. Bendera Semaphore.

Bentuk bendera yang persegi merupakan penggabungan dua buah segitiga sama

kaki yang berbeda warna seperti pada Gambar 2.2. Warna yang digunakan dapat

bermacam-macam, namun di Indonesia lazim digunakan adalah warna merah dan kuning,

letak warna merah selalu berada dekat batang bendera. Penelitian ini menggunakan 26

pose kode huruf semaphore yang mewakili huruf A – Z yang digambarkan pada Gambar

2.3.


7

Gambar 2.3. Posisi kode huruf semaphore [1].

2.2. WebCam Logitech C270

WebCam adalah nama sebutan untuk kamera yang dihubungkan pada komputer

agar kita bisa dilihat melalui aplikasi pemanggilan video. Webcam berfungsi untuk

memudahkan kita dalam mengolah pesan cepat seperti chat melalui video dan bertatap

muka melalui video secara langsung. Webcam ini berfungsi sebagai alat untuk mentransfer

sebuah media secara langsung. Webcam standar rata rata terdiri dari sebuah lensa standar

yang dipasang di sebuah papan sirkuit untuk menangkap gambar, cover, kabel support.

Hasil gambar yang diambil dengan menggunakan webcam C270 memiliki format RGB, hal

ini diketahui setelah melakukan ujicoba dengan menggunakan Matlab.

Gambar 2.4. Logitech C270 [4].


8

Webcam dapat menampilkan gambar yang cukup jelas dengan jarak minimal 1

meter hingga 10 meter. Namun pada penelitian ini jarak minimal yang digunakan 3 meter

dikarenakan pada jarak kurang dari 3 meter pose kode huruf semaphore tidak dapat

ditampilkan secara keseluruhan. Jarak maksimal yang digunakan adalah 5 meter

dikarenakan pada jarak lebih dari 5 meter gambar yang diterima tidak terlalu jelas.

Webcam yang tertera pada Gambar 2.4. memiliki spesifikasi yang diperlihatkan pada Tabel

2.1. [4].

Tabel 2.1. Spesifikasi Webcam.

High-definition (HD) video calling HD 720p

Photo quality Up to 3.0 megapixels

Video capture Up to 1280 x 720 pixels

Focus type Fixed focus

Bult-in mic YES

Auto light correction Standard

2.3. Pengolahan Citra Digital

2.3.1. Definisi Citra Digital

Secara umum, pengolahan citra digital menunjuk pada pemprosesan gambar 2

dimensi menggunakan komputer. Dalam konteks yang luas, pengolahan citra digital

mengacu pada pemprosesan setiap data 2 dimensi. Citra digital merupakan sebuah larik

(array) yang berisi nilai-nilai real maupun komplek yang direpresentasikan dengan deretan

bit tertentu.

Suatu citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N

kolom, dengan x dan y adalah koordinat spasial, dan amplitude f di titik koordinat (x,y)

dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila nilai x,y,

dan nilai amplitude f secara keseluruhan berhingga (finite) dan bernilai diskrit, maka dapat

dikatakan bahwa citra tersebut adalah citra digital. Gambar 2.5 menunjukkan posisi

koordinat citra digital [5].


9

Gambar 2.5. Koordinat Citra Digital [5].

(2.1)

Nilai pada suatu irisan antara baris dan kolom (pada posisi x,y) disebut dengan

picture elements, pels atau pixels. Istilah terakhir (pixel) paling sering digunakan pada

citra digital Gambar 2.6. menunjukkan ilustrasi digitalisasi citra dengan M = 16 baris dan

N = 16 kolom..

Gambar 2.6. Ilustrasi Digitalisasi Citra (pixel pada koordinat x = 10, y = 3 memiliki nilai

110) [5].

2.3.2. Ruang Warna RGB

Suatu citra dalam model RGB terdiri dari tiga bidang citra, masing-masing terdiri

dari warna utama: merah (R), hijau (G) dan biru (B). Setiap piksel pada citra dibentuk oleh


10

ketiga komponen tersebut. Model warna RGB biasanya digambarkan dalam bentuk kubus

tiga dimensi, dengan warna merah, hijau, dan biru berada pada pojok sumbu seperti pada

Gambar 2.7. warna hitam berada pada titik asal dan warna putih berada di ujung kubus

yang berseberangan. Spektrum grayscale (tingkat keabuan) yaitu warna yang dibentuk dari

gabungan tiga warna utama dengan jumlah yang sama, berada pada garis yang

menghubungkan titik hitam dan putih.

Gambar 2.7. Skema ruang warna RGB dalam bentuk kubus [6].

Warna direpresentasikan dalam suatu sinar tambahan untuk membentuk warna

baru, dan berhubungan untuk membentuk sinar campuran. Citra pada Gambar 2.8 sebelah

kiri menunjukkan campuran dengan menambahkan warna utama merah, hijau, dan biru

untuk membentuk warna sekunder kuning (merah+hijau), cyan (biru+hijau), magenta

(merah+biru) dan putih (merah+hijau+biru). Model warna RGB banyak digunakan untuk

monitor komputer dan video kamera.

Gambar 2.8. Penambahan Campuran Warna Merah, Hijau, dan Biru [7].


11

2.3.3. Ruang Warna HSV

Model HSV (Hue Saturation Value) menunjukkan ruang warna dalam bentuk tiga

komponen utama yaitu hue, saturation, dan value yang dapat digambarkan pada Gambar

2.9.

Hue menunjukkan jenis warna (seperti merah, biru, atau kuning) atau corak warna

yaitu tempat warna tersebut ditemukan dalam spectrum warna. Merah, kuning, dan

ungu (purple) adalah kata-kata yang menunjukkan hue. Nilai hue antara 0 sampai 1

berarti warna antara merah melewati kuning, hijau, cyan, biru dan magenta dan

kembali menjadi merah

Saturasi (Saturation) dari suatu warna adalah ukuran seberapa besar kemurnian dari

warna tersebut. Sebagai contoh suatu warna yang semuanya merah tanpa putih

adalah saturasi penuh. Jika ditambahkan putih ke merah, hasilnya menjadi lebih

berwarna-warni dan warna digeser dari merah ke merah muda (pink). Hue masih

tetap merah tetapi nilai saturasinya berkurang. Saturasi biasanya bernilai dari 0

sampai 1. Dimana 0 menunjukkan abu-abu dan 1 menunjukkan warna primer

murni.

Value atau disebut juga intensitas (intensity) yaitu ukuran seberapa besar kecerahan

dari suatu warna atau seberapa besar cahaya datang dari suatu warna. Value dapat

bernilai dari 0 sampai 1 berarti warna semakin cerah.

Gambar 2.9. Model warna HSV [6].


12

HSV merupakan salah satu cara untuk mendefinisikan warna yang didasarkan pada

roda warna. Hue merupakan variabel yang menyatakan warna dari merah hingga violet.

Hue mengukur sudut dari 0 sampai 360 derajat seperti pada Gambar 2.10 biasanya 0

adalah merah, 60 derajat adalah kuning, 120 derajat adalah hijau, 180 derajat adalah cyan,

240 derajat adalah biru, dan 300 derajat adalah warna magenta.

Gambar 2.10. Skala Hue [8].

Saturation merupakan variabel yang menyatakan vibrancy dari suatu warna,

saturation biasa disebut juga dengan purity. Semakin kecil nilai dari saturation, maka

warna yang ditampilkan condong ke warna abu-abu. Skala nilai dari saturation berkisar

antara 0% hingga 100%. Value menunjukkan nilai kecerahan dari suatu warna. Skala dari

value berkisar antar 0% hingga 100% [5].

Model warna HSV memisahkan komponen intesitas dari citra warna, sehingga

model ini merupakan model yang ideal untuk mengembangkan algoritma pemprosesan

citra yang intuitif dan natural.

2.3.4. Konversi RGB Menjadi HSV

Karena model warna HSV merupakan model warna yang diturunkan dari model

warna RGB, maka untuk mendapatkan warna HSV ini diharuskan melakukan proses

konversi dari RGB ke HSV.

Proses konversi dapat dilakukan dengan aplikasi Matlab, Matlab telah menyediakan fungsi

“rgb2hsv” dengan sintaks program yang digunakan :

%Konversi RGB to HSV hsv=rgb2hsv(x0);


13

2.3.5. Cropping

Cropping citra bertujuan untuk memotong bagian tertentu dari elemen citra yang

diinginkan pada citra digital. Sehingga untuk bagian citra yang tidak dibutuhkan akan

dipotong atau dihilangkan. Hal ini diperlukan dalam proses pengolahan citra digital untuk

mendapatkan data yang tepat, sehingga mempermudah dalam proses pengolahan data.

2.3.6. Resizing

Resizing adalah proses mengubah ukuran resolusi suatu citra dalam piksel. Dengan

cara mengurangi atau menambah jumlah piksel yang menyusun citra. Dalam pengurangan

ataupun penambahan dilakukan secara proporsional baik pada panjang maupun lebar citra.

Dalam penelitian ini ukuran piksel yang diinginkan ialah , karena ukuran piksel ini

dianggap sebagai ukuran yang paling ideal untuk dijadikan acuan [9].

2.4. Wavelet

Wavelet merupakan fungsi basis yang diisolasi dengan mengacu pada lokasi spasial

atau waktu, dan frekuensi atau angka gelombang. Setiap wavelet memiliki karakteristik

lokasi dan skala. Basis wavelet berasal dari sebuah fungsi penskalaan atau dikatakan juga

sebuah scaling function. Scaling function memiliki sifat yaitu dapat disusun dari sejumlah

salinan dirinya yang telah didilasikan, ditranslasikan dan diskalakan. Menurut Sydney [9],

Wavelet merupakan gelombang mini (small wave) yang mempunyai kemampuan

mengelompokkan energi citra dan terkonsentrasi pada sekelompok kecil koefisien,

sedangkan kelompok koefisien lainnya hanya mengandung sedikit energi yang dapat

dihilangkan tanpa mengurangi nilai informasinya.

Wavelet dibagi menjadi 2 berdasarkan ruang dan waktu yaitu wavelet 1D (Waktu)

dan 2D (Ruang). Pengertian waktu di sini adalah untuk gelombang 1D, memulai point

shifting dari sumber menuju akhir, sedangkan pengertian ruang di dalam wavelet 2D, point

shifting dengan 2 dimensi.

2.4.1. Wavelet Haar

Wavelet Haar merupakan salah satu tipe wavelet yang paling sederhana yang


14

dapat diterapkan pada transformasi sinyal 1 dimensi dan transformasi pada citra (sinyal 2

dimensi), seperti pada Gambar 2.11. Transformasi pada citra atau sinyal 2-dimensi

dalam mentransformasikan nilai-nilai pikselnya dapat dilakukan dengan dua cara, yaitu

metode dekomposisi standar dan metode dekomposisi tidak standar [10].

Metode dekomposisi standar dilakukan dengan cara memisahkan antara baris dan

kolom sehingga transformasi wavelet dilakukan dengan 1-dimensi. Transformasi

dilakukan pada baris terlebih dahulu hingga nilai piksel citra yang diinginkan kemudian

dilanjutkan transformasi wavelet 1-dimensi untuk setiap kolomnya. Sedangkan untuk

metode dekomposisi tidak standar, dilakukan dengan cara transformasi wavelet 1-

dimensi untuk baris dan kolom dilakukan bergantian terus hingga mencapai nilai yang

diinginkan. Penelitian ini hanya menggunakan satu filter, yaitu dekomposisi low pass

filter. Koefisien wavelet Haar dekomposisi low pass filter (2.2) yaitu :

[ ]

Gambar 2.11. Transformasi wavelet [11].

Konvolusi baris dengan low pass filter

Konvolusi baris dengan high pass filter

Lo_D

Hi_D


15

Downsample kolom : ambil kolom genap

Konvolusi kolom dengan low pass fiter

Konvolusi kolom dengan high pass filter

Downsample baris : ambil baris genap

Berdasarkan algoritma piramid :

ai adalah koefisien rerata

hi adalah koefesien horizontal

vi adalah koefesien vertical

di adalah diagonal

2.5. Konvolusi

2.5.1. Konvolusi Secara Umum

Konvolusi dapat didefinisikan sebagai cara matematika untuk menggabungkan dua

buah sinyal menjadi sinyal dalam bentuk lain. Konvolusi banyak digunakan dalam

pengolahan citra, di antaranya untuk memperhalus citra (smoothing), menajamkan citra

(crispening), mendeteksi tepi (edge detection). Jika ada dua barisan u dan h, maka hasil

konvolusinya ( ), k menunjukkan suku ke-k. konvolusi dinyatakan dengan persamaan

(2.3).

∑

Contoh, terdapat dua barisan berikut u = [1 3 5 7] dan h = [0 1 3] yang akan dikonvolusi.

Mencari menggunakan persamaan (2.12), sebagai contoh mencari .

Penyelesaian secara grafis Gambar 2.12 dengan menggunakan matriks. Elemen-elemen

matriks ini adalah hasil dari puncak-puncak dari baris dan kolom yang bersangkutan. Hasil

konvolusi dapat dilihat setelah hasil dari perkalian dua baris tersebut dijumlahkan menurut

garis-garis diagonal yang putus-putus. Sehingga, suku pertama ( ) adalah 0 dan untuk

suku kedua ( ) sama dengan 3 + 3 + 0 = 6. Cara yang sama dilakukan untuk mencari suku

2 1

Lo_D

Hi_D

1 2


16

berikutnya ( ), setelah semuanya dihitung maka akan memperoleh hasil = [0 1 6 14 22

21].

Gambar 2.12. Perhitungan konvolusi secara matriks.

2.5.2. Konvolusi dengan Ekstensi Sinyal

Konvolusi biasa digunakan bila ada sinyal yang memiliki panjang terbatas, dan

juga ujung-ujung sinyalnya diskontinu sehingga dapat menyebabkan distorsi pada ujung-

ujung sinyal. Sehingga dapat dikatakan konvolusi adalah suatu proses untuk

memperpanjang sinyal dengan cara pengulangan sinyal atau yang disebut periodisasi.

Misalnya sinyal masukan uk = {u(1), u(2), … , u(M)} akan dikonvolusi dengan sinyal

lain hk = {h(1), h(2), … , h(N)}, N adalah bilangan genap, dan M > N, serta m adalah

N/2. Sehingga pengulangan sinyal dengan periodisasi akan menghasilkan sinyal

{ }

Konvolusi sinyal yang diperpanjang dengan sinyal akan menghasilkan

Hasil konvolusi menghasilkan sinyal keluaran dimana panjang M + N-1 lebih

besar dari pada panjang uk. Agar sinyal keluaran memiliki panjang yang sama dengan

sinyal masukan, maka hanya bagian-bagian tertentu saja yang akan dipilih sebagai

keluaran. Misalnya, keluaran konvolusi di atas adalah ={y(1), y(2), …, y(L)}, L = M +

N-1, maka akan dipilih bagian-bagian tertentu dari adalah [12].

{ } (2.6)


17

2.6. Template Matching

Template matching adalah salah satu teknik dalam pengolahan citra digital yang

berfungsi untuk mencocokan tiap-tiap bagian dari suatu citra dengan citra yang menjadi

template (acuan). Teknik ini banyak digunakan dalam bidang industri sebagai bagian dari

quality control. Metode template matching sering digunakan untuk mengindentifikasi

citra karakter huruf, angka, sidik jari (fingerprint) dan aplikasi-aplikasi pencocokan citra

lainnya.

Prinsip metode ini adalah membandingkan antara image objek yang akan dikenali

dengan image template yang ada. Image objek yang akan dikenali, diukur tingkat

kemiripannya dengan masing-masing image template. Pengecekan kemiripan dapat

dilakukan menggunakan fungsi jarak ataupun korelasi. Pengenalan dilakukan dengan

melihat nilai tingkat kemiripan tertinggi dari image objek tersebut [5].

2.7. Distance (Jarak)

Jarak digunakan untuk menentukan tingkat kesamaan (similarity degree) atau

ketidaksamaan (dissimilarity degree) dua vektor fitur. Tingkat kesamaan berupa suatu nilai

dan berdasarkan nilai tersebut dua vektor fitur akan dikatakan mirip atau tidak. Dengan

menggunakan metode jarak Euclidean dapat digunakan untuk mengukur tingkat kemiripan

dua buah vektor fitur.

2.7.1 Euclidean Distance

Euclidean Distance adalah metrika yang paling sering digunakan untuk

menghitung kesamaan 2 vektor. Euclidean distance menghitung akar dari kuadrat

perbedaan 2 vektor.

Rumus dari Euclidean distance [5]:

√∑


18

Contoh:

Terdapat 2 vektor ciri berikut.

[ ]

[ ]

Euclidean distance dari vektor A dan B adalah:

√

√

2.8. Basis Data

Basis data adalah kumpulan informasi yang disimpan di dalam komputer secara

sistematik sehingga dapat diperiksa menggunakan suatu program komputer untuk

memperoleh informasi dari basis data tersebut. Dalam penelitian ini huruf referensi

diperlukan untuk proses perhitungan jarak. Pembuatan huruf referensi dengan 2 peraga,

penulis mengambil 10 sampel dari huruf A sampai dengan Z. Sehingga dalam pembuatan

basis data ini 260 huruf diperlukan untuk membuat huruf referensi.

Untuk setiap huruf perhitungan ektraksi ciri dilakukan menggunakan wavelet haar

dari 10 sampel pada setiap hurufnya. Selanjutnya perhitungan rerata atas sejumlah ektraksi

ciri tersebut dilakukan. Perhitungan rerata dapat dilihat pada persamaan berikut [13].

∑

Dengan adalah 26 huruf yang terdiri daari huruf A sampai dengan Z. Dengan demikian,

untuk pemprosesan 26 huruf, akan didapatkan satu set huruf referensi yang terdiri atas 26

vektor yang merupakan referensi untuk huruf A sampai dengan Z.


19

BAB III

PERANCANGAN

3.1. Proses Pengenalan Kode Huruf Semaphore

Dalam perancangan sistem software pengenalan kode huruf semaphore terdapat

beberapa proses yang harus dilakukan. Secara garis besar proses perancangan terdiri dari

lima tahap yaitu proses pengambilan citra, preprocessing, ekstrasi ciri, fungsi jarak, dan

penentuan keluaran. Proses perancangan kode huruf semaphore dapat dilihat pada Gambar

3.1.

Gambar 3.1. Blog diagram proses pengenalan kode huruf semaphore.

Citra yang digunakan pada tahap preprocessing berupa citra pengiriman pose kode

huruf semaphore. Proses pengambilan gambarnya dilakukan dengan menggunakan

webcam. Dalam tahap preprocessing, hasil gambar berupa citra pose kode huruf

semaphore yang telah dikonversi kedalam bentuk HSV. Kemudian akan dilakukan

segmentasi warna sesuai dengan warna yang telah ditentukan oleh peneliti yaitu warna


20

kuning sesuai dengan warna yang terdapat pada bendera semaphore. Selanjutnya citra akan

dipotong (cropping) berdasarkan bounding box. Citra yang telah dipotong akan masuk

dalam tahap berikutnya untuk dilakukan resizing agar mendapatkan ukuran yang

diinginkan. Ukuran piksel yang diharapkan yaitu 64 x 64. Hasil keluaran dari resizing ini

kemudian menjadi masukkan untuk tahap selanjutnya yaitu tahap pengenalan.

Dalam tahap pengenalan terdapat 3 tahap yang terdiri dari ekstraksi ciri,

perhitungan fungsi jarak, dan basis data citra kode huruf semaphore. Terakhir dari tahap

pengenalan kode huruf semaphore yaitu tahap penentuan keluaran. Hasil dari penentuan

keluaran kode huruf semaphore ditentukan berdasarkan jarak minimum yang diperoleh

dari hasil perbandingan antara basis data dengan ekstraksi ciri.

3.1.1. Pengambilan Citra Kode Huruf Semaphore

Tahap pengambilan citra kode huruf semaphore adalah proses mengambil gambar

(capture) dengan menggunakan webcam yang akan disimpan dalam satu folder. Jarak

pengambilan gambar dilakukan bervariasi dari jarak minimal 3 meter hingga jarak

maksimal 5 meter dengan rentang jarak masing-masing 50 cm. Webcam akan dihubungkan

ke perangkat laptop menggunakan sambungan USB 2.0 sehingga setelah pengambilan

gambar dapat dikirim dan diterima langsung oleh laptop untuk diolah dengan

menggunakan aplikasi Matlab, seperti yang dapat digambarkan melalui diagram alir pada

Gambar 3.2.

Gambar 3.2. Diagram alir pengambilan citra.

Webcam (Aktif)

Ambil Gambar

Keluaran:

Citra Kode Huruf

Semaphore

Masukan:

Pose Kode Huruf

Semaphore

A

A Mulai

Selesai


21

3.1.2. Tahap Preprocessing

Tahap preprocessing memiliki empat tahapan dalam prosesnya yaitu, konversi citra

RGB ke HSV, segmentasi warna HSV, Cropping, dan Resizing yang dapat digambarkan

dalam diagram alir pada Gambar 3.3.

Gambar 3.3. Diagram alir preprocessing citra.

Tahap konversi citra RGB ke HSV dilakukan karena pada keluaran citra yang di

hasilkan oleh webcam C270 memiliki format RGB. Sehingga diperlukan konversi citra

diperlukan agar format citra menjadi format HSV. Sintak yang akan digunakan pada

Matlab dapat dilihat di bawah ini, serta proses dalam konversi citra dapat digambarkan

dalam diagram alir pada Gambar 3.4.

Cropping

Resizing

Keluaran:

Citra Hasil

Preprocessing

Masukan:

Citra RGB

Segmentasi warna

HSV

Konversi citra

RGB ke HSV

Mulai

Selesai


22

Gambar 3.4. Diagram alir konversi RGB ke HSV.

Tahap segmentasi warna ini dilakukan pada ruang warna HSV untuk menentukan

ruang warna yang diinginkan dan tidak diinginkan. Pemilihan warna ini dapat

dikelompokkan sesuai dengan ruang warna hue, saturation, dan value. Dalam penelitian

ini, peneliti hanya mengambil ruang warna hue. Hal ini didasarkan pada warna bendera

semaphore memiliki warna kuning yang dapat disegmentasi dan dapat digunakan untuk

proses selanjutnya. Warna kuning dipilih karena dalam suatu gambar yang diambil dengan

menggunakan webcam tidak terdapat warna kuning lainnya, sehingga dapat mempermudah

dalam melakukan segmentasi warna. Segmentasi warna ini hanya akan mengambil nilai

warna yang memiliki rentang nilai hue berwarna kuning sesuai dengan warna pada bendera

semaphore. Nilai yang digunakan berdasarkan nilai ambang warna hue yang akan

dievaluasi keterangannya pada bab IV. Sintak yang akan digunakan pada Matlab dapat

dilihat dibawah ini, serta diagram alir dari proses segmentasi warna HSV diperlihatkan

pada Gambar 3.5.

Keluaran:

Citra HSV

Masukan:

Citra RGB

Konversi RGB ke HSV

berdasarkan nilai R, G, dan B

Mulai

Selesai

% RGBkeHSV untuk mengonversi RGB ke HSV

function [H,S,V] = RGBkeHSV(R,G,B)

% Segmentasi Warna

s3=hsv(:,:,3); % Ambil bagian value

s2=hsv(:,:,2); % Ambil bagian saturation

s1=hsv(:,:,1); % Ambil bagian hue (yang digunakan)

imshow (s1)


23

Gambar 3.5. Diagram alir proses segmentasi warna HSV.

Tahap cropping dilakukan untuk memotong bagian citra pada pose kode huruf

semaphore yang tidak digunakan dalam proses pengenalan. Citra keluaran dari tahap

segmentasi warna akan dipotong sesuai dengan bouding box yang telah disediakan.

Dengan menggunakan perintah yang terdapat pada Matlab untuk memotong citra, yaitu

Pada sintak di atas, x dan y merupakan koordinat pada sumbu x dan y. ∆x dan ∆y

merupakan selisih antara masing-masing sumbu x dan sumbu y. Kemudian „variabel‟

merupakan keluaran dari citra yang telah disegmentasi. Proses dari cropping dapat

digambarkan pada Gambar 3.6.

Keluaran:

Citra hasil

segmentasi warna

Masukan:

Citra HSV

Segmentasi warna kuning

dengan menggunakan nilai

ambang Hue (Bagian bendera

yang berwana kuning)

Mulai

Selesai

% Cropping X1 = imcrop(‘variabel’, [x y ∆x ∆y]);

Imshow(X1)


24

Gambar 3.6. Diagram alir proses cropping pada citra.

Tahap resizing berfungsi sebagai pengubah ukuran citra agar dapat mempermudah

dalam proses selanjutnya. Dalam tahap ini, ukuran resizing yang diinginkan ialah 64 x 64,

sehingga citra hasil dari cropping akan diubah ukuran pikselnya menjadi 64 x 64 dan

kemudian akan masuk dalam tahap selanjutnya yaitu tahap ekstraksi ciri. Sintak yang akan

digunakan pada Matlab diperlihatkan dibawah ini, serta proses resizing dapat dilihat dalam

diagram alir Gambar 3.7.

Gambar 3.7. Diagram alir proses resizing pada citra.

Keluaran:

Citra hasil

cropping

Masukan:

Citra hasil

segmentasi warna

Cropping citra

sesuai bouding box

B

B Mulai

Selesai

Keluaran:

Citra hasil

resizing

Masukan:

Citra hasil

cropping

Proses resizing ke

ukuran 64 x64

piksel

C

C Mulai

Selesai

% Resizing X2 = imresize(‘variabel’, [64, 64]);

Imshow(X2)


25

3.1.3. Tahap Ekstrasi Ciri

Tahap ekstrasi ciri adalah proses pengolahan data dari data yang banyak kemudian

diekstrak menjadi data yang lebih sedikit. Hal ini bertujuan agar dapat mempermudah

dalam pengolahan data yang ada. Data yang lebih sedikit telah mewakili beberapa data

sebelumnya yang lebih banyak. Ekstrasi ciri yang digunakan dalam tahap pengambilan ciri

pada suatu citra ini adalah wavelet.

Wavelet yang digunakan adalah wavelet haar yang memiliki 4 macam filter, namun

hanya 1 filter saja yang digunakan yaitu low-pass filter dekomposisi. Penelitian ini

menggunakan 1 filter karena yang dicari hanya bentuk dasar dari suatu citra. Wavelet Haar

menerapkan konvolusi dan low-pass filter dekomposisi secara simultan untuk

mendapatkan sinyal global. Secara keseluruhan tahap ekstrasi ciri dapat digambarkan

melalui diagram alir pada Gambar 3.8.

Gambar 3.8. Diagram alir ekstrasi ciri.

Hasil citra dari preprocessing adalah masukan untuk proses ekstraksi ciri yang

kemudian akan dikonvolusi dan dilanjutkan dengan tahap downsampling. Keluaran dari

Konvolusi dengan

wavelet haar

Downsampling

Keluaran:

Hasil ekstrasi

ciri

Masukan:

Citra Hasil

preprocessing

N = N - 1

N = 0

Ya

Tidak

D

D Mulai

Selesai

Desimasi = N


26

ekstrasi ciri tergantung pada banyaknya desimasi (N) yang akan ditentukan oleh pengguna.

Pada tahap ini akan terjadi pengulangan sampai menghasilkan jumlah N=0.

Tahap konvolusi merupakan tahap untuk melakukan penyaringan dengan

menggunakan low-pass filter dekomposisi Wavelet Haar. Proses low pass filter hanya

dapat dilakukan pada bidang 1 dimensi sedangkan pada citra merupakan 2 dimensi, maka

untuk menggunakan low-pass filter diperlukan adanya dua kali proses konvolusi yaitu pada

konvolusi baris dan konvolusi kolom pada citra input yang dikerjakan secara bergantian,

dapat digambarkan melalui diagram alir pada Gambar 3.9.

Gambar 3.9. Diagram alir konvolusi.

Tahap downsampling adalah proses pengurangan pencuplikan baris atau kolom

yang diambil dari suatu citra. Downsampling biasa digunakan untuk proses kompresi data

dan sebagai dekomposisi citra menjadi citra pendekatan. Downsampling pada tahap ini

merupakan tahap menghilangkan baris dan kolom ganjil dengan tetap menjaga kolom baris

dan kolom genap, yang dapat digambarkan melalui diagram alir pada Gambar 3.10.

Konvolusi (1D)

per baris

Keluaran:

Hasil Konvolusi

(2D)

Masukan: Citra Hasil

Preprocessing

Konvolusi (1D)

per kolom

Mulai

Selesai


27

Gambar 3.10. Diagram alir downsampling.

3.1.4. Tahap Fungsi Jarak

Tahap fungsi jarak adalah tahap berikutnya setelah citra di ekstraksi ciri. Pada

tahap ini berfungsi sebagai pembanding antara citra keluaran dari ekstraksi ciri dengan

citra pose kode huruf semaphore yang berada pada basis data. Dalam tahap fungsi jarak ini

menggunakan fungsi jarak Euclidean. Jarak Euclidean adalah jarak untuk mencari selisih

antara data dari keluaran ekstraksi ciri dengan data yang terdapat pada basis data. Hasil

yang digunakan dalam proses berikutnya adalah hasil dari perbandingan jarak yang

memiliki nilai selisih paling pendek. Proses fungsi jarak dapat digambarkan melalui

diagram alir pada Gambar 3.11.

Gambar 3.11. Diagram alir fungsi jarak Euclidean.

Menghilangkan baris

ganjil

Keluaran:

Hasil downsampling

(ekstrasi ciri)

Masukan: Hasil konvolusi (2D)

Menghilangkan kolom

ganjil

E

E Mulai

Selesai

Keluaran:

Hasil perhitungan jarak

Masukan: Hasil ekstraksi ciri

masukan, Ekstraksi ciri

basis data

Perhitungan jarak:

Ekstraksi ciri data masukan

dengan ekstraksi ciri basis data

F

F Mulai

Selesai


28

3.1.5. Penentuan Keluaran

Hasil pengenalan kode huruf semaphore ditentukan berdasarkan jarak minimal

yang diperoleh dari hasil perbandingan antara keluaran dari ekstraksi ciri dengan basis

data, dengan menggunakan fungsi jarak Euclidean. Proses ini merupakan bagian akhir dari

proses pengenalan kode huruf semaphore. Proses penentuan keluaran dapat digambarkan

melalui diagram alir pada Gambar 3.12.

Gambar 3.12. Diagram alir penentuan keluaran.

3.2. Perancangan Basis Data

Sistem pengenalan kode huruf semaphore memerlukan basis data sebagai titik

acuan. Basis data akan dibandingkan dengan citra kode huruf semaphore yang diambil

dengan menggunakan webcam setelah melalui proses pengenalan citra. Perancangan basis

data pada sistem ini terdiri dari 26 pose kode huruf semaphore yang mewakili huruf A

sampai dengan Z dan memiliki jarak yang bervariasi dalam pengambilan gambarnya.

Proses perancangan basis data dapat dilihat pada Gambar 3.13.

Gambar 3.13. Blok diagram perancangan basis data.

Masukan: Hasil perhitungan

jarak

Kode keluaran = kode yang

berasosiasi dengan jarak

minimal

G

G Mulai

Selesai

Keluaran:

Hasil berupa

teks pada layar

monitor


29

Perancangan basis data melibatkan 2 peraga yang masing-masing menghasilkan 5

gambar dari setiap huruf, sehingga untuk 2 peraga memiliki 10 gambar yang mewakili satu

huruf. Lima gambar tersebut memiliki variasi jarak, antara 3-5 meter dengan rentang jarak

masing-masing 50 cm.

Sebagai contoh, terdapat 10 citra pose kode huruf semaphore yaitu huruf “A”

dengan nama yang telah diinisialisasi sebagai berikut :

- A1_3m - A2_3m

- A1_3,5m - A2_3,5m

- A1_4m - A2_4m

- A1_4,5m - A2_4,5m

- A1_5m - A2_5m

Maksud dari “A1_3m” di atas ialah huruf “A1” yang diperagakan oleh peraga

pertama dengan jarak 3 meter. Begitu juga pada “A2_5m” ialah huruf “A2” yang

diperagakan oleh peraga kedua dengan jarak 5 meter. Sehingga dengan data yang telah

diperoleh terdapat 3 variasi citra sesuai dengan desimasi yang ada, desimasi_1 : 32 x 32

piksel, desimasi_2 : 16 x 16 piksel, dan desimasi_3 : 8 x 8 piksel, penulis dapat

menjabarkan dengan menggunakan matriks sesuai dengan ukuran pikselnya sebagai

berikut:

Perhitungan rerata untuk basis data untuk ukuran 32 x 32 piksel :

[

]

[

]

[

]

[

]


30

[

]

[

]

[

]

[

]


[

]

[

]

[

]

[

]

[

]

[

]

[

]

[

]


[

]

[

]

[

]

[

]


31

[

]

[

]

[

]

[

]

Elemen rerata diperoleh dari rata-rata matriks. Elemen rerata ini akan direrata

kembali dengan elemen rerata dari peraga yang berbeda. Hasil akhir dianggap mewakili

huruf yang dimaksud, misalnya huruf “A”. Huruf “A” ini juga dibedakan berdasarkan tiga

variasi piksel. Proses ini juga berlaku untuk menentukan huruf-huruf yang lain. Tahap

selanjutnya rerata basis data pada setiap ukuran piksel akan disusun dalam matriks yang

nantinya akan dipergunakan dalam proses perhitungan histogram proyeksi.

Perhitungan rerata setiap elemen rerata untuk basis data untuk

ukuran 32 x 32 piksel :

[

]

[

]

[

]



[

]

[

]

[

]


32



[

]

[

]

[

]

Susunan matriks untuk setiap pikselnya dapat dilihat sebagai berikut :

Matriks hasil rerata basis data ukuran 32 x 32 piksel

[

]


[

]


[

]


33

Hasil dari setiap kolom pada matriks di atas adalah hasil dari histogram proyeksi

yang mewakili huruf A sampai dengan Z untuk setiap kode huruf semaphore.

3.3. Perancangan Tampilan GUI Matlab

Tampilan interface pada perancangan sistem pengenalan kode huruf semaphore

menggunakan GUI (Graphical User Interface) yang terdapat pada Matlab dan bertujuan

untuk membantu dalam proses pengenalan kode huruf semaphore. Alur kerja utama dalam

perancangan dengan menggunakan GUI dapat digambarkan melalui diagram alir pada

Gambar 3.14.

Gambar 3.14. Diagram alir pengenalan citra pada GUI.

Masukan:

Pengambilan pose kode

huruf semaphore

preprocessing

Proses preprocessing

Proses Ekstraksi ciri

Keluaran:

Hasil resizing

ditampilkan di

GUI

Keluaran:

Hasil ekstraksi

ciri ditampilkan

di GUI

Keluaran:

Hasil cropping

ditampilkan di

GUI

Keluaran:

Hasil pengenalan

citra berupa teks

ditampilkan di

GUI

Mulai

Selesai

Desimasi = N


34

GUI akan menampilkan gambar yang telah diambil, variasi desimasi yang dapat

diubah oleh pengguna, hasil pemotongan (cropping) dan resizing yang terdapat pada

proses preprocessing, hasil ekstraksi ciri, dan hasil dari pengenalan citra yang ditampilkan

dengan format huruf. Secara keseluruhan sistem tersebut dapat dilihat pada Gambar 3.15

dan dijelaskan pada Tabel 3.1.

Gambar 3.15. Sketsa perancangan GUI

Dari Gambar 3.15, langkah pertama yang harus dilakukan oleh pengguna adalah

menekan tombol “Kamera Aktif” untuk menyalakan webcam. Axes 1 akan menampilkan

citra secara langsung dari webcam. Kemudia pengguna dapat menekan tombol “Ambil

Gambar” citra yang ditampilkan melalui axes 1 dianggap sudah tepat. Citra yang telah

diambil dengan menggunakan webcam akan diproses setelah pengguna menentukan

desimasi yang akan digunakan dan menekan tombol “Proses”. Sistem akan bekerja dan

akan memproses citra yang telah diperoleh dari webcam. Pada proses preprocessing

terdapat axes 2 yang akan menampilkan hasil dari citra yang telah dilakukan pemotongan

dan pada axes 3 akan menampilkan citra yang telah diubah ukuran pikselnya.

Pada axes 4 akan menampilkan citra yang telah melalui tahap ektraksi ciri.

Kemudian pada axes 5 akan menampilkan hasil akhir dari proses pengenalan kode huruf

semaphore yang menampilkan teks berupa huruf. Tombol “Ulangi” berfungsi sebagai

pengulangan proses pengenalan kode huruf semaphore yang akan dilakukan dari awal.

Axes 1

Axes 2 Axes 3

Axes 4

Axes 5


35

Sedangkan pada tombol “Keluar” berfungsi mengakhiri proses pengenalan dan keluar dari

interface.

Tabel 3.1. Keterangan GUI.

Nama Bagian Keterangan

Tombol “Kamera

Aktif” Untuk menyalakan webcam

Tombol “Ambil

Gambar” Untuk mengambil gambar/citra

Pop Menu Untuk tempat pengguna memilih variasi desimasi

Tombol "Proses" Untuk memulai proses pengenalan kode huruf semaphore

Axes 1 pada panel

kamera

Untuk menampilkan citra secara langsung dari webcam dan

citra hasil pengambilan gambar

Axes 2 pada proses

Preprocessing Untuk menampilkan citra hasil pemotongan (cropping)

Axes 3 pada proses

Preprocessing Untuk menampilkan citra hasil resizing

Axes 4 pada proses

Ekstraksi Ciri Untuk menampilkan citra hasil ekstraksi ciri

Axes 5 pada panel

keluaran

Untuk menampilkan hasil akhir pengenalan kode huruf

semaphore berupa teks

Tombol "Ulangi" Untuk mengulangi proses pengenalan dari awal

Tombol "Keluar" Untuk keluar mengakhiri proses dan keluar dari Interface

3.4. Pengujian Citra Kode Huruf Semaphore

3.4.1. Pengujian Data Tidak Langsung

Dalam pengujian citra kode huruf semaphore yang dilakukan secara tidak

langsung, penulis terlebih dahulu mengambil data berupa gambar pose kode huruf

semaphore yang terlebih dahulu diambil menggunakan webcam dan disimpan dalam

sebuah folder yang telah disiapkan. Pengujian tidak langsung menggunakan 260 data yang

diperoleh dari 2 orang peraga kode huruf semaphore, masing-masing peraga

memperagakan 26 kode huruf semaphore untuk mewakili huruf A sampai dengan Z.

Kedua peraga ini tidaklah sama dengan peraga yang datanya digunakan sebagai basis data.

Dalam setiap gambar yang telah diambil dengan menggunakan webcam diberi nama agar

dapat dikenali oleh program yang terdapat pada Matlab. Data yang disimpan ini kemudian


36

akan diproses dengan menggunakan Matlab sebagai data uji yang akan diteruskan ke

proses preprocessing, ekstraksi ciri wavelet haar, dan fungsi jarak Euclidean. Data yang

telah diolah akan dibandingkan dengan data yang terdapat pada basis data dan hasilnya

akan ditampilkan ke layar monitor dengan format huruf melalui software Matlab.

3.4.2. Pengujian Data Secara Langsung

Pengujian yang dilakukan secara langsung akan mengacu pada Gambar 3.14.

Webcam akan mengambil gambar pose kode huruf semaphore setelah pengguna menekan

tombol “Ambil Gambar”. Pengujian data secara langsung dilakukan oleh 2 orang peraga

yang berbeda dengan peraga yang datanya digunakan sebagai basis data maupun sebagai

pengujian secara tidak langsung yang masing-masing peraga akan memperagakan kode

huruf semaphore dengan kombinasi jarak dan huruf. Setiap 1 orang peraga akan

menghasilkan 130 data yang terdiri dari 26 data pada jarak 3 meter, 26 data pada jarak 3,5

meter, 26 data pada jarak 4 meter, 26 data pada jarak 4,5 meter, dan 26 data pada jarak 5

meter sehingga data yang akan diuji secara langsung sebanyak 260. Hasil pengambilan

gambar ini dapat diubah nilai desimasinya, setelah pengguna menentukan nilai desimasi.

Kemudian citra akan diteruskan ke tahap berikutnya yaitu tahap preprocessing yang akan

menampilkan proses cropping dan proses resizing. Setelah tahap ini, citra hasil

preprocessing akan diteruskan ke proses selanjutnya yaitu proses ekstraksi ciri yang akan

menampilkan hasil wavelet haar. Kemudian tahap akhir yang akan ditampilkan adalah

hasil dari proses penentuan keluaran yang menampilkan teks pada layar monitor berupa

huruf.


37

BAB IV

HASIL DAN PEMBAHASAN

Bab ini akan membahas mengenai pengujian program software yang telah

dirancang dan pembahasan mengenai interface dengan penjelasan sistemnya serta

membahas mengenai hasil pengujian sistem program pengenalan kode huruf semaphore.

Pengujian bertujuan untuk mengetahui sistem yang telah dirancang dapat berkerja dengan

baik sesuai dengan perancangan.

4.1. Pengujian Program Pengenalan Kode Huruf Semaphore Secara

Langsung

Pengujian sistem program bertujuan untuk mengetahui suatu sistem dapat bekerja

dengan baik sesuai dengan perancangan yang dibuat sebelumnya. Di bawah ini adalah

proses untuk menjalankan program pengenalan kode huruf semaphore.

1. Membuka software Matlab dengan cara klik kiri dua kali pada gambar matlab

seperti pada Gambar 4.1.

Gambar 4.1. Gambar Matlab.

2. Setelah melakukan langkah 1, akan muncul tampilan awal software Matlab seperti

pada Gambar 4.2.


38

Gambar 4.2. Tampilan awal Matlab.

3. Setelah muncul tampilan utama dari matlab, langkah selanjutnya untuk

menjalankan program pengenalan kode huruf semaphore dengan mengganti

Current Folder (yang ditunjukkan pada angka 1) dengan Directory tempat program

pengenalan disimpan seperti pada Gambar 4.3.

Gambar 4.3. Mengganti Current Folder.

4. Kemudian ketik “GUI” pada command window Matlab untuk memunculkan

tampilan jendela pengenalan kode huruf semaphor. Klik “mulai” untuk

menjalankan program.

5. Setelah program berjalan akan muncul tampilan seperti Gambar 4.4.

1


39

Gambar 4.4. Interface pada program secara langsung.

6. Gambar 4.5. memperlihatkan kondisi dalam melakukan pengujian secara langsung

maupun tidak langsung.

Gambar 4.5. Kondisi pengambilan pose kode huruf semaphore.

Peraga

Semaphore

Webcam

Jarak

Laptop


40

4.2. Penjelasan Program

4.2.1 Tombol Kamera Aktif

Tombol kamera aktif memiliki fungsi untuk menghubungkan antara webcam

dengan Matlab yang terdapat pada laptop dan kemudian ditampilkan ke dalam proses

pengenalan kode huruf semaphore. Proses tombol kamera aktif sebagai berikut :

Perintah imqhwininfo dijalankan sebelumnya memulai mengambil data dari video

kamera untuk memastikan adapter kamera terbaca dengan baik. Program di atas secara

garis besar berfungsi untuk menampilkan informasi yang akan disampaikan oleh webcam

dan informasi tersebut akan diinisialisasi di dalam program agar antara webcam dengan

software Matlab dapat melakukan komunikasi. Dalam proses ini yang tertampil ialah video

resolusi, lebar, panjang, port webcam, dan band dari video. Setelah Handle Image

diperoleh, maka perintah program preview dapat berjalan. Preview berfungsi menampilkan

video pada saat kamera aktif dengan inisialisasi yang telah digunakan.

4.2.2. Tombol Ambil Gambar

Tombol ambil gambar digunakan untuk mengambil gambar pose kode huruf

semaphore yang akan dikenali dalam proses pengenalan pola. Program tombol ambil

gambar sebagai berikut :

function kameraaktif_Callback(hObject, eventdata, handles) % hObject handle to kameraaktif (see GCBO) % handles structure with handles and pengguna data (see GUIDATA) imaqhwinfo; info = imaqhwinfo('winvideo'); dev_info = imaqhwinfo('winvideo',1); vidobj = videoinput('winvideo',1,'RGB24_1280x960); vidobj.FramesPerTrigger = 1; triggerconfig(vidobj, 'manual'); vidRes = get(vidobj,'VideoResolution'); imWidth = 1280; imHeight = 960; nBands = get(vidobj,'NumberOfBands'); hImage = image(zeros(imHeight, imWidth, nBands),

'parent',handles.axes1); preview(vidobj,hImage)

function ambilgambar_Callback(hObject, eventdata, handles) % hObject handle to ambilgambar (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and pengguna data (see GUIDATA) imaqhwinfo; info = imaqhwinfo('winvideo'); dev_info = imaqhwinfo('winvideo',1);


41

Perintah program ambil gambar sama dengan perintah program kamera aktif.

Namun terdapat penambahan program pada bagian getdata yang berfungsi untuk

mengambil citra pada saat webcam dalam kondisi aktif. Citra yang telah diambil akan

diinisialisasi menggunakan handles agar dapat dipanggil dalam file figure maupun file.m,

yang kemudian akan ditampilkan pada axes1.

4.2.3. Pop-Up Menu

Pop-up menu digunakan untuk pengguna memilih variasi desimasi yang

diinginkan, pada bagian pop-up menuini terdiri dari 3 pilihan variasi desimasi, yaitu

desimasi 1, desimasi 2, dan desimasi 3. Perintah program yang digunakan pada pop-up

menu adalah sebagai berikut:

function popupmenu_Callback(hObject, eventdata, handles) % hObject handle to popupmenu (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and pengguna data (see GUIDATA) indeks=get(handles.popupmenu,'value'); switch indeks case 2 des=1; case 3 des=2; case 4 des=3; end handles.des=des; guidata(hObject,handles);

vidobj = videoinput('winvideo',1,'RGB24_1280x960'); vidobj.FramesPerTrigger = 1; triggerconfig(vidobj, 'manual'); vidRes = get(vidobj,'VideoResolution'); imWidth = 1280; imHeight = 960; nBands = get(vidobj,'NumberOfBands'); hImage = image(zeros(imHeight, imWidth, nBands),

'parent',handles.axes1); start(vidobj); pause(1); trigger(vidobj); stoppreview(vidobj); gambar=getdata(vidobj); handles.gambar=gambar; guidata(hObject,handles) axes(handles.axes1);imshow(gambar)


42

Program di atas tertulis “des=1” maksudnya adalah desimasi akan dilakukan

sebanyak 1 kali, begitu juga pada “des=2” yang maksudnya adalah desimasi akan

dilakukan sebanyak 2 kali dan sama maknanya pada “des=3”. Desimasi diinisialisasikan

dengan nama “des”. Agar nilai variasi desimasi ini dapat dipanggil diprogram lain, maka

diubah menjadi “handles.des”.

4.2.4. Tombol Proses

Tombol proses adalah tombol yang berfungsi untuk menjalankan proses

pengenalan kode huruf semaphore yang tediri dari beberapa bagian program yang

digabungkan mulai dari program pembanding dengan basis data, program preprocessing

yang terdiri dari program konversi RGB ke HSV, program segmentasi warna, program

cropping dan program resizing, program ekstraksi ciri, program jarak Euclidean dan hasil

keluaran berupa teks.

- Program Pembanding Basis Data

Berfungsi untuk membandingkan data sesuai dengan desimasi yang dipilih oleh

pengguna pada proses pop-up menu.

Program di atas berfungsi untuk mengeluarkan data yang terdapat pada basis data

yang akan dibandingkan dengan program perhitungan jarak. Ketika pengguna memilih

desimasi 1 pada proses pop-up menu, maka data tersebut akan dibandingkan dengan data

yang berada pada “db64d1” begitu juga apabila pengguna memilih desimasi yang lainnya.

- Program Konversi RGB ke HSV

Program ini berfungsi untuk mengubah gambar RGB ke gambar HSV dengan

perintah program sebagai berikut :

%PROSES KONVERSI HSV x=handles.gambar; x1=rgb2hsv(x);

%DATABASE % PopUpMenu des=handles.des; if (des==1) loaddb64d1 elseif (des==2) loaddb64d2 elseif (des==3) loaddb64d3 end


43

Program tertulis “handles.gambar” maksudnya dalam proses konversi ini dapat

memanggil gambar yang telah diambil dengan webcam yang terdapat pada perintah

program “ambil gambar” sebelumnya. Contoh program konversi HSV citra dapat dilihat

pada Gambar 4.6.

(a)

(b)

Gambar 4.6. Konversi citra RGB ke HSV

(a) Citra masukkan (RGB); (b) citra hasil konversi dalam bentuk hue, saturation dan

value.


44

- Program Segmentasi Warna

Program ini berfungsi mengambil bagian warna hue yang diperlukan sesuai dengan

warna kuning yang terdapat pada bendera semaphore dan menghilangkan warna-warna

yang tidak diperlukan.

Pada program di atas, segmentasi bagian depan dilakukan terlebih dahulu dengan

cara mengambil nilai saturation yang tertulis pada program “HSV=x1(:,:,2);”. Dapat

dijelaskan bahwa “x1” adalah hasil gambar yang telah dikonversi menjadi citra HSV.

Program dari “hsv” adalah gambar yang berisikan nilai saturation. Kemudian terdapat

“depan=hsv>0.45;” depan adalah hasil dari nilai saturation yang nilainya lebih dari 0,45.

Nilai ambang saturation ini diperoleh dari percobaan yang dilakukan penulis pada saat

pengambilan data.

Nilai ini perlu diketahui agar dapat membantu program dalam menangani

segmentasi warna khususnya berhubungan dengan kecerahan pada warna yang ditentukan.

Gambar 4.7. sebagai contoh program segmentasi bagian depan untuk memperoleh nilai

saturation yang terdapat pada citra.

(a) (b)

Gambar 4.7. Contoh proses ambil nilai saturation; (a) mengambil nilai saturation dari citra

HSV; (b) ambil nilai saturation yang memiliki nilai lebih dari 0.45

% Segmentasi bagian depan (foreground) hsv=x1(:,:,2); % Ambil bagian saturation depan=hsv>0.45; % Original: 0.45 % -------------------------------------------------------- % Segmentasi kuning x2=x1(:,:,1); % Ambil bagian hue x3=x2*360; % Setting nilai hue maks 360

th1=x3>35; % Original: 35 th2=x3<50; % Original: 50 kuning=and(th1,th2);


45

Segmentasi kuning “x2” berisikan gambar yang berisikan nilai hue dari hasil

gambar x1. Dari Gambar 4.7, bagian (a) dikalikan dengan 360 karena ruang warna hue

terdiri dari 0 – 360. Terdapat “th1” dan “th2” “kuning” adalah program untuk

menggabungkan “th1” dan “th2”.

(a) (b)

(d) (c)

(e)

Gambar 4.8. Contoh proses segmentasi kuning; (a) mengambil nilai hue pada citra; (b)

pengaturan nilai hue maksimal; (c) mengambil nilai hue dengan nilai lebih besar dari 35

pada citra; (d) mengambil nilai hue dengan nilai kurang dari 50 pada citra; (e)

menggambungkan proses (c) dan (d) untuk memperoleh warna kuning.


46

Gambar 4.8. sebagai contoh program segmentasi warna kuning dengan cara

mengambil nilai hue yang memiliki nilai ambang 35 – 50. Nilai ambang ini diperoleh dari

Gambar 2.10, warna kuning pada semaphore memiliki rentang nilai 35 – 50.

Segmentasi citra bendera berwarna kuning adalah gabungan dari hasil segmentasi

bagian depan yaitu “depan” yang digabungkan dengan hasil segmentasi kuning yaitu

“kuning”. Proses “bkuning1=bwareaopen(bkuning,2000)” sebagai proses “bwareaopen”

untuk mengetahui daerah mana yang termasuk objek dan foreground dari citra secara jelas.

Nilai “2000” adalah memisahkan objek yang diperlukan pada citra yang memiliki daerah

warna kuning sesuai luasan piksel sebesar 2000. Contoh proses segmentasi citra bendera

berwarna kuning dapat diperlihatkan pada Gambar 4.9.

(a) (b)

Gambar 4.9. Contoh proses segmentasi citra bendera berwarna kuning; (a) penggabungan

dari proses “depan” dengan “kuning”; (b) memilih daerah yang berwarna kuning sesuai

luasan piksel yang diinginkan pada citra.

- Program Potong Gambar

Program ini berfungsi memotong gambar sehingga bagian yang tidak diperlukan

dapat dihilangkan.

% Potong Gambar axes(handles.axes2); if sum(sum(bkuning1))>0 % Potong kiri cout=bkuning1; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];

% Potong kanan cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];


47

(a) (b)

(d) (c)

Gambar 4.10. Proses pemotongan citra; (a) hasil potong kiri; (b) hasil potong kanan

setelah putar 1800

; (c) hasil potong atas setelah diputar -900; (d) hasil potong bawah

setelah diputar 900.

% Potong atas cout=cout'; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Potong bawah cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Penyesuaian orientasi cout=cout'; cout=flipud(cout); cout=fliplr(cout); else cout=bkuning1; end

imshow (cout)

axison


48

Gambar 4.10, memperlihatkan proses pemotongan citra. Proses pemotongan

gambar ini akan ditampilkan pada axes 2 setelah proses dijalankan keseluruhan. Pada

proses ini, gambar yang digunakan adalah citra “bbkuning” yang akan dipotong secara

bertahap dengan cara memutar keseluruhan citra dan kemudian dipotong pada bagian kiri

dari citra secara bertahap.

- Program Resizing 64x64

Program ini berfungsi untuk menyesuaikan ukuran gambar yang telah dipotong

sebelumnya sehingga memiliki ukuran piksel yang sama.

Program di atas menggunakan perintah “imresize” yang berfungsi mengubah

ukuran citra. Resizing dapat berdampak memperbesar ataupun memperkecil ukuran citra.

Pada program ini ukuran yang diperlukan adalah 64 x 64 piksel. Gambar 4.11.

menunjukkan citra yang telah dipotong untuk selanjutkan diproses pada proses resizing.

(a) (b)

Gambar 4.11. Proses resizing pada citra masukkan; (a) citra yang telah dipotong; (b) citra

yang telah diresizing ke piksel 64 x 64.

- Program Ekstraksi Ciri

Program ini berfungsi untuk memproses data yang banyak kemudian diekstrak

menjadi data yang lebih sedikit namun dari data yang lebih sedikit tersebut telah mewakili

data sebelumnya yang lebih banyak.

%Resizing 64x64 axes(handles.axes3); x10=imresize(cout,[64 64]); imshow(x10)


49

Terdapat fungsi program “xcwv” untuk memanggil fungsi ekstraksi ciri, dalam

fungsi tersebut menggunakan ekstraksi ciri wavelet haar. Masukan dari ekstraksi ciri

adalah hasil dari proses resizing yang berasal dari citra masukkan. Terdapat “des” yang

memiliki nilai desimasi yang telah ditentukan oleh pengguna dari pop-up menu.

List program “x12” berfungsi untuk membuat data yang terdiri dari beberapa kolom

menjadi hanya satu kolom, sebagai contoh data 32x32 diubah menjadi 1x1024. Keluaran

dari fungsi “xcwv” adalah x11 merupakan hasil dari ekstraksi ciri wavelet haar. Hasil dari

list x11 ini akan ditampilkan pada axes4 pada GUI.

- Program Fungsi Jarak Euclidean

Program ini berfungsi sebagai pembanding antara hasil dari ekstraksi ciri dengan

basis data yang telah disediakan.

Perintah program jarak adalah untuk memanggil fungsi jarak Euclidean yang akan

membandingkan antara hasil keluaran dari ekstraksi ciri yaitu “x12” dengan hasil dari basis

data yaitu “z”. Sehingga “minr” merupakan hasil dari nilai terkecil dari hasil perhitungan

jarak. Nilai terkecil yang diperoleh akan dinyatakan sebagai keluaran dari sistem

pengenalan kode huruf semaphore.

- Program Keluaran

Program ini berfungsi sebagai penampil hasil pengenalan kode huruf semaphore

berupa teks.

% Dekomposisi wavelet axes(handles.axes4); x11=xcwv(x10,des); x12=x11(:); imshow(x11) axison % --------------------------------------------------------

%Keluaran Teks if(minr==r(1)) z1={'A'} set(handles.text1,'string',z1); elseif(minr==r(2)) z2={'B'} set(handles.text1,'string',z2);

% Fungsi Jarak for n=1:26 r(n)=jarak(x12,z(:,n)); end minr=min(r)


50

elseif(minr==r(3)) z3={'C'} set(handles.text1,'string',z3); elseif(minr==r(4)) z4={'D'} set(handles.text1,'string',z4); elseif(minr==r(5)) z5={'E'} set(handles.text1,'string',z5);

elseif(minr==r(6)) z6={'F'} set(handles.text1,'string',z6); elseif(minr==r(7)) z7={'G'} set(handles.text1,'string',z7);

elseif(minr==r(8)) z8={'H'} set(handles.text1,'string',z8); elseif(minr==r(9)) z9={'I'}

set(handles.text1,'string',z9); elseif(minr==r(10)) z10={'J'} set(handles.text1,'string',z10); elseif(minr==r(11)) z11={'K'} set(handles.text1,'string',z11); elseif(minr==r(12)) z12={'L'} set(handles.text1,'string',z12); elseif(minr==r(13)) z13={'M'} set(handles.text1,'string',z13); elseif(minr==r(14)) z14={'N'} set(handles.text1,'string',z14); elseif(minr==r(15)) z15={'O'} set(handles.text1,'string',z15); elseif(minr==r(16)) z16={'P'} set(handles.text1,'string',z16); elseif(minr==r(17)) z17={'Q'} set(handles.text1,'string',z17); elseif(minr==r(18)) z18={'R'} set(handles.text1,'string',z18); elseif(minr==r(19)) z19={'S'} set(handles.text1,'string',z19); elseif(minr==r(20)) z20={'T'} set(handles.text1,'string',z20); elseif(minr==r(21)) z21={'U'} set(handles.text1,'string',z21); elseif(minr==r(22)) z22={'V'} set(handles.text1,'string',z22);


51

Program di atas adalah program untuk menampilkan hasil pengenalan kode huruf

semaphore berupa teks. Terdapat 26 pengenalan kode huruf semaphore yang mewakili A

sampai dengan Z. Program “(minr==r(1))” sampai dengan “(minr==r(26))” sebagai

keluaran dari perhitungan jarak, dengan jarak terkecil yang akan ditampilkan.

4.2.5. Tombol Reset

Tombol “Reset” berfungsi sebagai mengembalikan program ke tampilan awal apabila

pengguna melakukan kesalahan atau terjadi error pada saat proses pengenalan

berlangsung. Program pada tombol “Reset” dapat diperlihatkan di bawah ini :

4.2.6. Tombol Keluar

Tombol “Keluar” berfungsi sebagai menutup atau mengakhiri program atau

tampilan pada GUI pengenalan kode huruf semaphore. Program dapat diperlihatkan

sebagai berikut :

function keluar_Callback(hObject, eventdata, handles) % hObject handle to keluar (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and pengguna data (see GUIDATA) close

function reset_Callback(hObject, eventdata, handles) % hObject handle to reset (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and pengguna data (see GUIDATA) axes(handles.axes1) plot(0); axes(handles.axes2) plot(0); axes(handles.axes3) plot(0); axes(handles.axes4) plot(0);

set(handles.popupmenu,'value',1); set(handles.text1,'string','')

elseif(minr==r(23)) z23={'W'} set(handles.text1,'string',z23); elseif(minr==r(24)) z24={'X'} set(handles.text1,'string',z24);

elseif(minr==r(25)) z25={'Y'} set(handles.text1,'string',z25); elseif(minr==r(26)) z26={'Z'} set(handles.text1,'string',z26); end


52

4.3. Hasil Pengujian dan Analisis Pengenalan Kode Huruf Semaphore

Pengujian pengenalan kode huruf semaphore dilakukan dengan menggunakan dua

cara yang berbeda yaitu secara tidak langsung dan secara langsung. Pengujian secara

langsung dan tidak langsung dilakukan dengan pengubahan parameter uji yang meliputi

variasi desimasi yang terdiri dari 3 variasi desimasi dengan nilai desimasi_1 : 32 x 32,

desimasi_2 : 16 x 16, dan desimasi _3 : 8 x 8. Serta menggunakan variasi jarak dengan

jarak yang digunakan antara lain 3 meter, 3,5 meter, 4 meter, 4,5 meter, dan 5 meter.

Pengujian secara tidak langsung dilakukan dengan mengambil gambar pose kode

huruf semaphore yang akan diperagakan oleh 2 orang peraga yang berbeda. Setiap orang

akan meragakan pose kode huruf semaphore dengan menggunakan 5 variasi jarak yang

berbeda. Dari setiap pose akan diambil gambar dan nantinya akan disimpan dan diproses

serta akan dibandingkan dengan basis data yang telah disiapkan sebelumnya. Dalam

pengujian tidak langsung data yang diperoleh untuk masing-masing peraga adalah 130

data. Sehingga data yang diperoleh dari 2 orang peraga adalah 260 data.

Pengujian secara langsung akan dilakukan oleh 2 orang peraga yang berbeda dari

pengujian tidak langsung. Dalam pengujian ini peraga akan langsung diambil gambar dan

diproses dengan menggunakan GUI yang telah dipersiapkan. Pengujian langsung

menggunakan 5 variasi jarak serta 3 variasi desimasi yang berbeda. Dari pengujian

langsung akan diperoleh 650 data yang dihasilkan dari setiap peraga. Data diperoleh lebih

banyak dari data yang dilakukan secara tidak langsung karena dalam pengujian langsung

peraga mengirimkan kode huruf semaphore sebanyak 5 kali pengulangan.

4.3.1. Pengujian Pengenalan Kode Huruf Semaphore Secara Tidak Langsung

Pengujian pengenalan kode huruf semaphore secara tidak langsung menggunakan

gambar pose semaphore berjumlah 260 gambar, gambar ini sebagai data yang akan

dilakukan proses pengenalan kode huruf semaphore. Masing-masing peraga

memperagakan huruf semaphore dari A sampai Z dengan variasi jarak yaitu 3 meter, 3,5

meter, 4 meter, 4,5 meter, dan 5 meter. Dari setiap jarak yang diperagakan menghasilkan

26 gambar, sehingga gambar yang diperoleh dari 1 peraga adalah 130 gambar. Pengujian

secara tidak langsung dilakukan dengan pengubahan parameter uji yang meliputi variasi


53

desimasi dan variasi jarak. Tujuan dari pengujian secara tidak langsung adalah untuk

mengetahui tingkat pengenalan terbaik dari variasi desimasi dan variasi jarak serta

mengetahui pengaruh jarak antara webcam dengan pengirim kode huruf semaphore.

Tahap pertama dalam melakukan pengujian secara tidak langsung adalah memberi

nama pada setiap gambar yang diperoleh dari setiap peraga. Kemudian menentukan nilai

variasi desimasi yang akan digunakan. Hasil dari pengenalan kode huruf semaphore secara

tidak langsung dapat diketahui dengan memproses 26 gambar yang terdiri dari gambar A-Z

secara bersamaan.

Gambar 4.12. Grafik Tingkat Pengenalan secara tidak langsung.

Gambar 4.12. memperlihatkan hasil dari tingkat pengenalan kode huruf semaphore

yang diperoleh dari pengujian secara tidak langsung. Terdapat 3 warna berbeda di dalam

Gambar 4.12. tersebut, warna biru mewakili hasil dari pengaruh desimasi 1 terhadap

variasi jarak. Warna merah mewakili hasil dari pengaruh desimasi 2 terhadap variasi jarak

dan warna hijau mewakili hasil dari pengaruh desimasi 3 terhadapat variasi jarak.

Pengaruh variasi desimasi dapat diketahui dari Gambar 4.12. Terlihat bahwa pada

desimasi 1 memperoleh tingkat pengenalan sebesar 98%, untuk desimasi 2 memperoleh

tingkat pengenalan sebesar 96% dan desimasi 3 memperoleh tingkat pengenalan sebesar

91%. Variasi desimasi yang dipilih oleh pengguna akan mempengaruhi tingkat pengenalan

kode huruf semaphore karena pada desimasi 1 data akan diproses sebanyak 1 kali. Apabila

pengguna memilih desimasi 2, maka data akan diproses sebanyak 2 kali pengulangan.

Begitu juga ketika memilih desimasi 3, maka data akan diproses sebanyak 3 kali. Semakin

75

80

85

90

95

100

105

3 3,5 4 4,5 5

Tin

gkat

Pe

nge

nal

an (

%)

Variasi Jarak (m)

Presentase Tingkat Pengenalan Terhadap Jarak

DESIMASI 1

DESIMASI 2

DESIMASI 3


54

besarnya nilai desimasi, maka proses pengulangan konvolusi dan downsampling akan

dilakukan sebanyak yang diinginkan oleh pengguna. Hal ini akan mengakibatkan gambar

masukan menjadi blur (kabur) dan mempengaruhi tingkat pengenalan yang semakin

rendah.

Terdapat pengaruh variasi jarak terhadap tingkat pengenalan kode huruf

semaphore. Pengujian yang dilakukan secara tidak langsung menggunakan 5 variasi jarak.

Dari Gambar 4.12. terlihat bahwa pada jarak 3 meter tingkat pengenalan yang diperoleh

adalah 94%, jarak 3,5 meter tingkat pengenalan yang diperoleh adalah 99%, untuk jarak 4

meter tingkat pengenalan yang diperoleh adalah 97%, jarak 4,5 meter tingkat pengenalan

yang diperoleh adalah 93%, dan pada jarak 5 meter tingkat pengenalan yang diperoleh

adalah 94%.

Variasi jarak akan mempengaruhi tingkat pengenalan kode huruf semaphore secara

signifikan. Pengaruh dari variasi jarak tersebut dikarenakan pada jarak terdekat, peraga

berada terlalu dekat dengan webcam sehingga tidak semua dari bagian semaphore dapat

diambil gambar. Ketika peraga berada terlalu jauh, maka webcam tidak dapat mengambil

gambar dengan baik karena keterbatasan spesifikasi dari webcam yaitu kualitas foto yang

hanya memiliki resolusi sampai dengan 3 megapixels dan webcam yang digunakan

memiliki tipe fokus yang tetap.

Dari data yang telah diperoleh, penulis dapat menarik kesimpulan bahwa desimasi

1 memiliki persentase tingkat pengenalan terbaik yaitu 98 %. Untuk variasi jarak tingkat

pengenalan terbaik adalah pada jarak 3,5 meter yang memiliki persentase tingkat

pengenalan sebesar 99% , jarak ini dianggap paling ideal untuk melakukan pengiriman

kode huruf semaphore.

4.3.2. Pengujian Pengenalan Kode Huruf Semaphore Secara Langsung

Pengujian secara langsung dilakukan untuk mengetahui pengaruh variasi desimasi

dan variasi jarak terhadap tingkat keberhasilan pengenalan kode huruf semaphore serta

dapat mengetahui nilai desimasi dan jarak yang memiliki tingkat keberhasilan yang

optimal. Dalam pengujian secara langsung data masukan diperoleh dari peraga yang

melakukan pengiriman kode huruf semaphore. Ketika peraga melakukan pose dengan

menggunakan semaphore, maka webcam akan mengambil gambar pose peraga yang


55

kemudian akan diproses dan hasil dari proses tersebut ditampilkan sebagai keluaran berupa

teks.

Dalam pengujian secara langsung data diperoleh dengan menggunakan 2 peraga

yang berbeda. Peraga akan memperagakan pose kode huruf semaphore dengan 5 variasi

jarak yaitu 3 meter, 3,5 meter, 4 meter, 4,5 meter, dan 5 meter serta 3 variasi desimasi.

Data pada setiap pose yang dilakukan akan diubah variasi desimasinya untuk mengetahui

hasil dari pengaruh desimasi tersebut. Setiap peraga akan memperagakan pose kode huruf

semaphore sebanyak 5 kali, hal ini dilakukan agar dalam menentukan tingkat pengenalan

desimasi dan jarak lebih akurat. Data yang diperoleh akan dicerminkan dalam metode

koefesien matriks yang terdapat pada lampiran.

Tabel 4.1. Citra hasil desimasi & jarak

Desimasi Jarak

3 meter 3,5 meter 4 meter 4,5 meter 5 meter

1

2

3

Tabel 4.1. menunjukkan contoh hasil pengenalan kode huruf semaphore dengan

berbagai macam variasi desimasi dan variasi jarak. Dari gambar tersebut dapat dilihat

bahwa semakin besar nilai variasi desimasi, maka tingkat piksel pada gambar semakin

kecil yang menyebabkan gambar menjadi pecah sehingga tingkat pengenalannya juga akan

semakin rendah. Semakin jauh jarak yang digunakan, maka tingkat pengenalan semakin

rendah. Hal ini disebabkan karena semakin besar nilai variasi desimasi, maka desimasi

tersebut mengalami pengulangan proses konvolusi dan downsampling sebanyak yang

diinginkan pengguna, proses ini mengakibatkan gambar masukkan menjadi semakin blur

(kabur) sehingga tingkat pengenalannya akan semakin rendah.


56

Tahap pertama dalam melakukan pengujian secara langsung adalah mengambil

gambar seorang peraga yang melakukan pose kode huruf semaphore dengan menggunakan

webcam secara langsung dengan bantuan GUI. Kemudian pengguna dapat menentukan

nilai desimasi yang diinginkan dan menekan tombol “Proses” untuk mengetahui hasil dari

pengenalan kode huruf semaphore.

Gambar 4.13. Grafik Tingkat Pengenalan secara langsung.

Dari pengujian secara langsung, dapat diperoleh nilai variasi desimasi dan variasi

jarak yang memiliki tingkat pengenalan yang terbaik dengan cara mencari rerata dari setiap

variasi desimasi untuk memperoleh desimasi yang memiliki tingkat pengenalan pola yang

terbaik. Untuk mencari nilai rerata dari setiap variasi jarak untuk memperoleh jarak yang

memiliki tingkat pengenalan pola yang terbaik. Hasil dari rerata variasi desimasi dan

variasi jarak yang memiliki tingkat pengenalan yang terbaik dapat diperlihatkan pada

Gambar 4.13. Terdapat 3 warna berbeda di dalam Gambar 4.13. tersebut, warna biru

mewakili hasil dari pengaruh desimasi 1 terhadap variasi jarak. Warna merah mewakili

hasil dari pengaruh desimasi 2 terhadap variasi jarak dan warna hijau mewakili hasil dari

pengaruh desimasi 3 terhadapat variasi jarak.

Pengaruh variasi desimasi dapat diketahui dari Gambar 4.13, terlihat bahwa pada

desimasi 1 memperoleh tingkat pengenalan sebesar 95%, untuk desimasi 2 memperoleh

tingkat pengenalan sebesar 94% dan desimasi 3 memperoleh tingkat pengenalan sebesar

94%. Variasi desimasi yang dipilih oleh pengguna akan mempengaruhi tingkat pengenalan

kode huruf semaphore karena pada desimasi 1 data akan diproses sebanyak 1 kali. Apabila

91

92

93

94

95

96

97

3 3,5 4 4,5 5Tin

gkat

Pe

nge

nal

an (

%)

Variasi Jarak (m)

Presentase Tingkat Pengenalan Terhadap Jarak

DESIMASI 1

DESIMASI 2

DESIMASI 3


57

pengguna memilih desimasi 2, maka data akan diproses sebanyak 2 kali pengulangan.

Begitu juga ketika memilih desimasi 3, maka data akan diproses sebanyak 3 kali. Semakin

besar nilai variasi desimasi, maka tingkat pengenalan pola akan semakin rendah, karena

semakin besar nilai desimasi yang dipilih akan membuat proses pengulangan konvolusi

dan downsampling akan semakin banyak sesuai dengan variasi desimasi yang dipilih oleh

pengguna. Hal ini akan mengakibatkan gambar menjadi blur (kabur) dan mempengaruhi

tingkat pengenalan yang semakin rendah.

Pengaruh variasi jarak terhadap tingkat pengenalan kode huruf semaphore.

Pengujian yang dilakukan secara tidak langasung menggunakan 5 variasi jarak. dari

Gambar 4.13. terlihat bahwa pada jarak 3 meter tingkat pengenalan yang diperoleh adalah

95%, jarak 3,5 meter tingkat pengenalan yang diperoleh adalah 96%, untuk jarak 4 meter

tingkat pengenalan yang diperoleh adalah 95%, jarak 4,5 meter tingkat pengenalan yang

diperoleh adalah 95%, dan pada jarak 5 meter tingkat pengenalan yang diperoleh adalah

93%. Hasil dari pengenalan pola dengan menggunakan variasi jarak dipengaruhi oleh

jauhnya jarak antara webcam dengan peraga kode huruf semaphore. Pada jarak terpendek

webcam tidak dapat mengambil keseluruhan dari bendera semaphore. Namun ketika

peraga berada terlalu jauh, maka webcam tidak dapat mengambil gambar dengan baik

karena keterbatasan spesifikasi dari webcam yaitu kualitas foto yang hanya memiliki

resolusi sampai dengan 3 megapixels dan webcam yang digunakan memiliki tipe fokus

yang tetap.

Dari Gambar 4.13. penulis dapat menyimpulkan bahwa adanya pengenalan kode

huruf semaphore yang lebih baik pada variasi desimasi dapat dilihat dari hasil persentase

tingkat pengenalan mencapai 95% untuk desimasi 1. Dapat dinyatakan bahwa desimasi 1

memiliki tingkat pengenalan pola yang terbaik dari antara variasi desimasi yang lainnya.

Pada variasi jarak dapat dilihat dari hasil persentase tingkat pengenalan mencapai 96%

untuk jarak terbaik adalah 3,5 meter. Jarak 3,5 meter adalah jarak yang ideal dalam

melakukan pengenalan kode huruf semaphore dengan menggunakan webcam C270.


58

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil percobaan dan pengujian sistem pengenalan kode huruf

semaphore secara langsung dan tidak langsung dapat disimpulkan sebagai berikut:

1. Sistem pengenalan kode huruf semaphore secara langsung dan tidak langsung

dengan menggunakan ekstraksi ciri wavelet dan fungsi jarak Euclidean dapat

berjalan dengan baik dan sesuai dengan yang telah diharapkan.

2. Berdasarkan pengujian secara tidak langsung yang telah dilakukan, dengan jarak

terjauh 5 meter dihasilkan tingkat pengenalan sebesar 94%. Hasil ini diperoleh

menggunakan desimasi 1 yang memberikan ekstraksi ciri 32x32 piksel.

3. Berdasarkan pengujian secara langsung yang telah dilakukan, dengan jarak terjauh

5 meter dihasilkan tingkat pengenalan sebesar 93%. Hasil ini diperoleh

menggunakan desimasi 1 yang memberikan ekstraksi ciri 32x32 piksel.

5.2. Saran

Saran yang diberikan untuk mengembangkan sistem pengenalan kode huruf

semaphore adalah :

1. Pengembangan dapat dilakukan dari segi percobaan dengan jarak yang lebih jauh

dengan menggunakan webcam yang memiliki spesifikasi yang lebih tinggi dari

yang sebelumnya.

2. Pengembangan dapat ditingkatkan pada pembentukan basis data dengan

menggunakan lebih banyak gambar dengan peraga yang berbeda untuk dijadikan

basis data.


59

DAFTAR PUSTAKA

[1] Anggara, M.S., 2013, Penemu Semaphore, http://sudutbuku.blogspot.co.id/2012/03/

penemu-semaphore.html, diakses 15 September 2016.

[2] Putra, Agfianto E., ---, Analisis sinyal menggunakan wavelet, http://agfi.staff.ugm.ac

.id/blog/index.php/2008/12/analisis-sinyal-menggunakan-wavelet-pendahuluan/,

diakses 15 September 2016.

[3] Rachmad, Aeri & Fuad, Muhammad., 2015, Geometry Algorithm On Skeleton

Image Based Semaphore Gesture Recognition, Universitas Of Trunojoyo Madura,

Indonesia.

[4] Logitech,---, HD Webcam C270, http://www.logitech.com/en-gb/product/hd-

webcam-c270, diakses 15 September 2016.

[5] Putra, Darma, 2010, Pengolahan Citra Digital,Yogyakarta, Andi Offset.

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

Yogyakarta.

[7] Alexandra., ---, Prinsip Kerja Warna CMYK, http://blog.ub.ac.id/frengky/category/

news/, diakses 29 September 2016.

[8] Kalan., 2007, Hue Scale, https://commons.wikimedia.org/wiki/File:HueScale.svg,

diakses 28 September 2016.

[12] Nugroho, I.A., 2015, Pengenalan Secara Real Time Rambu Lalu Lintas Peringatan

Menggunakan Ekstraksi Ciri Wavelet Haar dan Fungsi Jarak Chi Square, Tugas

Akhir, Jurusan Teknik Elektro, FST, Universitas Sanata Dharma Yogyakarta.

[10] Sutarno, 2010, Analisis Perbandingan Transformasi Wavelet pada Pengenalan

Citra Wajah, Fakultas Ilmu Komputer, Universitas Sriwijaya.

[11] Matlab, ---, Wavedec2, https://www.mathworks.com/help/wavelet/ref/wavedec2

.html, diakses 28 September 2016.

[12] Sumarno, Linggo., 2013, Segmentasi Kata Tulisan Tangan Menggunakan Jendela

Blackman, SNATI, 10th

, hal J-30 – J-35.

[13] Sumarno, Linggo., 2013, Pengenalan Nada Pianika Menggunakan Jendela Segitiga,

DCT, Dan Fungsi Jarak Euclidean, Seminar Nasional, 8th

, hal E-23.


http://sudutbuku.blogspot.co.id/2012/03/%20penemu-semaphore.html

http://sudutbuku.blogspot.co.id/2012/03/%20penemu-semaphore.html

http://www.logitech.com/en-gb/product/hd-webcam-c270

http://www.logitech.com/en-gb/product/hd-webcam-c270

http://blog.ub.ac.id/frengky/category/%20news/

http://blog.ub.ac.id/frengky/category/%20news/

https://commons.wikimedia.org/wiki/File:HueScale.svg

https://www.mathworks.com/help/wavelet/ref/wavedec2%20.html

https://www.mathworks.com/help/wavelet/ref/wavedec2%20.html

60

LAMPIRAN


L-1

LAMPIRAN 1

ALUR PROSES PENGENALAN KODE HURUF SEMAPHORE

Mulai

Masukan:

Citra RGB

Konversi citra

RGB ke HSV

Segmentasi warna

kuning HSV

A

(Pose huruf A)


L-2

A

Cropping

Resizing

Konvolusi dengan

wavelet haar

B


L-3

Downsampling Baris Downsampling Kolom

(Desimasi 1)

(Desimasi 2)

B

Downsampling

Keluaran:

Hasil downsampling

(ekstrasi ciri)

C


L-4

(Desimasi 3)

C

Masukan: Hasil perhitungan

jarak

Keluaran:

Hasil berupa teks

pada layar monitor

A

Selesai

(Keluaran dari proses pengenalan pola)


L-5

1. Proses Preprocessing

Citra Masukkan Hasil Konversi HSV

Hasil Cropping Hasil Segmentasi Warna Kuning

Hasil Resizing


L-6

2. Konvolusi dan Downsampling

Hasil Resizing Hasil Konvolusi

Konvolusi Baris Downsampling Baris

Konvolusi Kolom Downsampling Kolom


L-7

3. Proses Ektraksi Ciri

Hasil Resizing Hasil Konvolusi

Hasil Ekstraksi Ciri (desimasi 1) Hasil Downsampling

Hasil Ekstraksi Ciri (desimasi 2) Hasil Ekstraksi Ciri (desimasi 3)


L-8

LAMPIRAN 2

LISTING PROGRAM

LISTING PROGRAM SECARA LANGSUNG

function varargout = untitled(varargin) % UNTITLED M-file for untitled.fig % UNTITLED, by itself, creates a new UNTITLED or raises the existing % singleton*. % % H = UNTITLED returns the handle to a new UNTITLED or the handle to % the existing singleton*. % % UNTITLED('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in UNTITLED.M with the given input

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

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

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

application % stop. All inputs are passed to untitled_OpeningFcn via varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES

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

% Last Modified by GUIDE v2.5 01-Dec-2016 11:27:15

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

if nargout


L-9

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

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

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

% Update handles structure guidata(hObject, handles);

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

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

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

% ======================================================== % --- Executes on button press in kameraaktif. function kameraaktif_Callback(hObject, eventdata, handles) % hObject handle to kameraaktif (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) imaqhwinfo; info = imaqhwinfo('winvideo'); dev_info = imaqhwinfo('winvideo',1); vidobj = videoinput('winvideo',2,'RGB24_1280x960'); vidobj.FramesPerTrigger = 1; triggerconfig(vidobj, 'manual'); vidRes = get(vidobj,'VideoResolution'); imWidth = 1280; imHeight = 960; nBands = get(vidobj,'NumberOfBands'); hImage = image(zeros(imHeight, imWidth, nBands), 'parent',handles.axes1); preview(vidobj,hImage) % ========================================================


L-10

% ======================================================== % --- Executes on button press in ambilgambar. function ambilgambar_Callback(hObject, eventdata, handles) % hObject handle to ambilgambar (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) imaqhwinfo; info = imaqhwinfo('winvideo'); dev_info = imaqhwinfo('winvideo',1); vidobj = videoinput('winvideo',2,'RGB24_1280x960'); vidobj.FramesPerTrigger = 1; triggerconfig(vidobj, 'manual'); vidRes = get(vidobj,'VideoResolution'); imWidth = 1280; imHeight = 960; nBands = get(vidobj,'NumberOfBands'); hImage = image(zeros(imHeight, imWidth, nBands), 'parent',handles.axes1); start(vidobj); pause(1); trigger(vidobj); stoppreview(vidobj); gambar=getdata(vidobj); handles.gambar=gambar; guidata(hObject,handles) axes(handles.axes1); imshow(gambar) % ========================================================

% ======================================================== % --- Executes on button press in proses. function proses_Callback(hObject, eventdata, handles) % hObject handle to proses (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

%DATABASE % PopUpMenu des=handles.des; if (des==1) load db64d1 elseif (des==2) load db64d2 elseif (des==3) load db64d3 end % -------------------------------------------------------- %PROSES KONVERSI HSV x=handles.gambar; x1=rgb2hsv(x); % --------------------------------------------------------

% -------------------------------------------------------- % Segmentasi bagian depan (foreground) hsv=x1(:,:,2); % Ambil bagian saturation


L-11

depan=hsv>0.45; % Original: 0.45 % -------------------------------------------------------- % -------------------------------------------------------- % Segmentasi kuning x2=x1(:,:,1); % Ambil bagian hue x3=x2*360; % Setting nilai hue maks 360

th1=x3>35; % Original: 35 th2=x3<50; % Original: 50 kuning=and(th1,th2); % -------------------------------------------------------- % -------------------------------------------------------- % Segmentasi citra bendera berwarna kuning bkuning=and(depan,kuning); bkuning1=bwareaopen(bkuning,2000); % Menghilangkan objek yang kecil % --------------------------------------------------------

% -------------------------------------------------------- % Potong Gambar axes(handles.axes2);

if sum(sum(bkuning1))>0 % Potong kiri cout=bkuning1; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];


% Potong atas cout=cout'; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];

% Potong bawah cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];

% Penyesuaian orientasi cout=cout'; cout=flipud(cout); cout=fliplr(cout); else cout=bkuning1; end imshow (cout)


L-12

axis on % --------------------------------------------------------

% -------------------------------------------------------- %Resizing 64x64 axes(handles.axes3); x10=imresize(cout,[64 64]); imshow(x10) % --------------------------------------------------------

% -------------------------------------------------------- % Dekomposisi wavelet axes(handles.axes4); x11=xcwv(x10,des); % mx11=max(x11(:)); % nx11=x11/mx11; x12=x11(:); imshow(x11) axis on % -------------------------------------------------------- % Fungsi Jarak for n=1:26 r(n)=jarak(x12,z(:,n)); end minr=min(r) % --------------------------------------------------------

%Keluaran Teks if(minr==r(1)) z1={'A'} set(handles.text1,'string',z1); elseif(minr==r(2)) z2={'B'} set(handles.text1,'string',z2); elseif(minr==r(3)) z3={'C'} set(handles.text1,'string',z3); elseif(minr==r(4)) z4={'D'} set(handles.text1,'string',z4); elseif(minr==r(5)) z5={'E'} set(handles.text1,'string',z5); elseif(minr==r(6)) z6={'F'} set(handles.text1,'string',z6); elseif(minr==r(7)) z7={'G'} set(handles.text1,'string',z7); elseif(minr==r(8)) z8={'H'} set(handles.text1,'string',z8); elseif(minr==r(9)) z9={'I'} set(handles.text1,'string',z9);


L-13

elseif(minr==r(10)) z10={'J'} set(handles.text1,'string',z10); elseif(minr==r(11)) z11={'K'} set(handles.text1,'string',z11); elseif(minr==r(12)) z12={'L'} set(handles.text1,'string',z12); elseif(minr==r(13)) z13={'M'} set(handles.text1,'string',z13); elseif(minr==r(14)) z14={'N'} set(handles.text1,'string',z14); elseif(minr==r(15)) z15={'O'} set(handles.text1,'string',z15); elseif(minr==r(16)) z16={'P'} set(handles.text1,'string',z16); elseif(minr==r(17)) z17={'Q'} set(handles.text1,'string',z17); elseif(minr==r(18)) z18={'R'} set(handles.text1,'string',z18); elseif(minr==r(19)) z19={'S'} set(handles.text1,'string',z19); elseif(minr==r(20)) z20={'T'} set(handles.text1,'string',z20); elseif(minr==r(21)) z21={'U'} set(handles.text1,'string',z21); elseif(minr==r(22)) z22={'V'} set(handles.text1,'string',z22); elseif(minr==r(23)) z23={'W'} set(handles.text1,'string',z23); elseif(minr==r(24)) z24={'X'} set(handles.text1,'string',z24); elseif(minr==r(25)) z25={'Y'} set(handles.text1,'string',z25); elseif(minr==r(26)) z26={'Z'} set(handles.text1,'string',z26); end

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


L-14

% ======================================================== % --- Executes on button press in reset. function reset_Callback(hObject, eventdata, handles) % hObject handle to reset (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) axes(handles.axes1) plot(0); axes(handles.axes2) plot(0); axes(handles.axes3) plot(0); axes(handles.axes4) plot(0); set(handles.popupmenu,'value',1); set(handles.text1,'string','') % ========================================================

% ======================================================== % --- Executes on button press in keluar. function keluar_Callback(hObject, eventdata, handles) % hObject handle to keluar (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) close % ========================================================

% ======================================================== % --- Executes on selection change in popupmenu. function popupmenu_Callback(hObject, eventdata, handles) % hObject handle to popupmenu (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) indeks=get(handles.popupmenu,'value'); switch indeks case 2 des=1; case 3 des=2; case 4 des=3; end handles.des=des; guidata(hObject,handles); % Hints: contents = cellstr(get(hObject,'String')) returns popupmenu

contents as cell array % contents{get(hObject,'Value')} returns selected item from

popupmenu % ========================================================

% --- Executes during object creation, after setting all properties. function popupmenu_CreateFcn(hObject, eventdata, handles) % hObject handle to popupmenu (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called


L-15

% Hint: popupmenu controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

function text1_Callback(hObject, eventdata, handles) % hObject handle to text1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of text1 as text % str2double(get(hObject,'String')) returns contents of text1 as a

double

% --- Executes during object creation, after setting all properties. function text1_CreateFcn(hObject, eventdata, handles) % hObject handle to text1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

LISTING PROGRAM PENGUJIAN TIDAK LANGSUNG

function NotReal %load database des=input('Pilih Desimasi = ') %input desimasi = 1-3 if (des==1) load db64d1 elseif (des==2) load db64d2 elseif (des==3) load db64d3 end

x1=imread('a2_3m.jpg'); a1=prepros(x1); b1=resizing(a1); y1=xcwv(b1,des);

z1=y1(:); x2=imread('b2_3m.jpg'); a2=prepros(x2); b2=resizing(a2); y2=xcwv(b2,des);

z2=y2(:);


L-16

x3=imread('c2_3m.jpg'); a3=prepros(x3); b3=resizing(a3); y3=xcwv(b3,des);

z3=y3(:); x4=imread('d2_3m.jpg'); a4=prepros(x4); b4=resizing(a4); y4=xcwv(b4,des);

z4=y4(:); x5=imread('e2_3m.jpg'); a5=prepros(x5); b5=resizing(a5); y5=xcwv(b5,des);

z5=y5(:); x6=imread('f2_3m.jpg'); a6=prepros(x6); b6=resizing(a6); y6=xcwv(b6,des);

z6=y6(:); x7=imread('g2_3m.jpg'); a7=prepros(x7); b7=resizing(a7); y7=xcwv(b7,des);

z7=y7(:); x8=imread('h2_3m.jpg'); a8=prepros(x8); b8=resizing(a8); y8=xcwv(b8,des);

z8=y8(:); x9=imread('i2_3m.jpg'); a9=prepros(x9); b9=resizing(a9); y9=xcwv(b9,des);

z9=y9(:); x10=imread('j2_3m.jpg'); a10=prepros(x10); b10=resizing(a10);

y10=xcwv(b10,des); z10=y10(:); x11=imread('k2_3m.jpg'); a11=prepros(x11); b11=resizing(a11);

y11=xcwv(b11,des); z11=y11(:); x12=imread('l2_3m.jpg'); a12=prepros(x12); b12=resizing(a12);

y12=xcwv(b12,des); z12=y12(:); x13=imread('m2_3m.jpg'); a13=prepros(x13); b13=resizing(a13);

y13=xcwv(b13,des); z13=y13(:); x14=imread('n2_3m.jpg'); a14=prepros(x14); b14=resizing(a14);

y14=xcwv(b14,des); z14=y14(:); x15=imread('o2_3m.jpg'); a15=prepros(x15); b15=resizing(a15);

y15=xcwv(b15,des); z15=y15(:); x16=imread('p2_3m.jpg'); a16=prepros(x16); b16=resizing(a16);

y16=xcwv(b16,des); z16=y16(:); x17=imread('q2_3m.jpg'); a17=prepros(x17); b17=resizing(a17);

y17=xcwv(b17,des); z17=y17(:); x18=imread('r2_3m.jpg'); a18=prepros(x18); b18=resizing(a18);

y18=xcwv(b18,des); z18=y18(:); x19=imread('s2_3m.jpg'); a19=prepros(x19); b19=resizing(a19);

y19=xcwv(b19,des); z19=y19(:); x20=imread('t2_3m.jpg'); a20=prepros(x20); b20=resizing(a20);

y20=xcwv(b20,des); z20=y20(:); x21=imread('u2_3m.jpg'); a21=prepros(x21); b21=resizing(a21);

y21=xcwv(b21,des); z21=y21(:); x22=imread('v2_3m.jpg'); a22=prepros(x22); b22=resizing(a22);

y22=xcwv(b22,des); z22=y22(:); x23=imread('w2_3m.jpg'); a23=prepros(x23); b23=resizing(a23);

y23=xcwv(b23,des); z23=y23(:); x24=imread('x2_3m.jpg'); a24=prepros(x24); b24=resizing(a24);

y24=xcwv(b24,des); z24=y24(:); x25=imread('y2_3m.jpg'); a25=prepros(x25); b25=resizing(a25);

y25=xcwv(b25,des); z25=y25(:); x26=imread('z2_3m.jpg'); a26=prepros(x26); b26=resizing(a26);

y26=xcwv(b26,des); z26=y26(:);

x1=imread('a2_3,5m.jpg'); a1=prepros(x1); b1=resizing(a1); y1=xcwv(b1,des);

z1=y1(:); x2=imread('b2_3,5m.jpg'); a2=prepros(x2); b2=resizing(a2); y2=xcwv(b2,des);

z2=y2(:); x3=imread('c2_3,5m.jpg'); a3=prepros(x3); b3=resizing(a3); y3=xcwv(b3,des);

z3=y3(:);


L-17

x4=imread('d2_3,5m.jpg'); a4=prepros(x4); b4=resizing(a4); y4=xcwv(b4,des);

z4=y4(:); x5=imread('e2_3,5m.jpg'); a5=prepros(x5); b5=resizing(a5); y5=xcwv(b5,des);

z5=y5(:); x6=imread('f2_3,5m.jpg'); a6=prepros(x6); b6=resizing(a6); y6=xcwv(b6,des);

z6=y6(:); x7=imread('g2_3,5m.jpg'); a7=prepros(x7); b7=resizing(a7); y7=xcwv(b7,des);

z7=y7(:); x8=imread('h2_3,5m.jpg'); a8=prepros(x8); b8=resizing(a8); y8=xcwv(b8,des);

z8=y8(:); x9=imread('i2_3,5m.jpg'); a9=prepros(x9); b9=resizing(a9); y9=xcwv(b9,des);

z9=y9(:); x10=imread('j2_3,5m.jpg'); a10=prepros(x10); b10=resizing(a10);

y10=xcwv(b10,des); z10=y10(:); x11=imread('k2_3,5m.jpg'); a11=prepros(x11); b11=resizing(a11);

y11=xcwv(b11,des); z11=y11(:); x12=imread('l2_3,5m.jpg'); a12=prepros(x12); b12=resizing(a12);

y12=xcwv(b12,des); z12=y12(:); x13=imread('m2_3,5m.jpg'); a13=prepros(x13); b13=resizing(a13);

y13=xcwv(b13,des); z13=y13(:); x14=imread('n2_3,5m.jpg'); a14=prepros(x14); b14=resizing(a14);

y14=xcwv(b14,des); z14=y14(:); x15=imread('o2_3,5m.jpg'); a15=prepros(x15); b15=resizing(a15);

y15=xcwv(b15,des); z15=y15(:); x16=imread('p2_3,5m.jpg'); a16=prepros(x16); b16=resizing(a16);

y16=xcwv(b16,des); z16=y16(:); x17=imread('q2_3,5m.jpg'); a17=prepros(x17); b17=resizing(a17);

y17=xcwv(b17,des); z17=y17(:); x18=imread('r2_3,5m.jpg'); a18=prepros(x18); b18=resizing(a18);

y18=xcwv(b18,des); z18=y18(:); x19=imread('s2_3,5m.jpg'); a19=prepros(x19); b19=resizing(a19);

y19=xcwv(b19,des); z19=y19(:); x20=imread('t2_3,5m.jpg'); a20=prepros(x20); b20=resizing(a20);

y20=xcwv(b20,des); z20=y20(:); x21=imread('u2_3,5m.jpg'); a21=prepros(x21); b21=resizing(a21);

y21=xcwv(b21,des); z21=y21(:); x22=imread('v2_3,5m.jpg'); a22=prepros(x22); b22=resizing(a22);

y22=xcwv(b22,des); z22=y22(:); x23=imread('w2_3,5m.jpg'); a23=prepros(x23); b23=resizing(a23);

y23=xcwv(b23,des); z23=y23(:); x24=imread('x2_3,5m.jpg'); a24=prepros(x24); b24=resizing(a24);

y24=xcwv(b24,des); z24=y24(:); x25=imread('y2_3,5m.jpg'); a25=prepros(x25); b25=resizing(a25);

y25=xcwv(b25,des); z25=y25(:); x26=imread('z2_3,5m.jpg'); a26=prepros(x26); b26=resizing(a26);

y26=xcwv(b26,des); z26=y26(:);



z2=y2(:); x3=imread('c2_4m.jpg'); a3=prepros(x3); b3=resizing(a3); y3=xcwv(b3,des);


z4=y4(:);


L-18

x5=imread('e2_4m.jpg'); a5=prepros(x5); b5=resizing(a5); y5=xcwv(b5,des);


z6=y6(:); x7=imread('g2_4m.jpg'); a7=prepros(x7); b7=resizing(a7); y7=xcwv(b7,des);




















y26=xcwv(b26,des); z26=y26(:);

x1=imread('a2_4,5m.jpg'); a1=prepros(x1); b1=resizing(a1); y1=xcwv(b1,des);

z1=y1(:); x2=imread('b2_4,5m.jpg'); a2=prepros(x2); b2=resizing(a2); y2=xcwv(b2,des);

z2=y2(:); x3=imread('c2_4,5m.jpg'); a3=prepros(x3); b3=resizing(a3); y3=xcwv(b3,des);

z3=y3(:); x4=imread('d2_4,5m.jpg'); a4=prepros(x4); b4=resizing(a4); y4=xcwv(b4,des);

z4=y4(:); x5=imread('e2_4,5m.jpg'); a5=prepros(x5); b5=resizing(a5); y5=xcwv(b5,des);

z5=y5(:);


L-19

x6=imread('f2_4,5m.jpg'); a6=prepros(x6); b6=resizing(a6); y6=xcwv(b6,des);

z6=y6(:); x7=imread('g2_4,5m.jpg'); a7=prepros(x7); b7=resizing(a7); y7=xcwv(b7,des);

z7=y7(:); x8=imread('h2_4,5m.jpg'); a8=prepros(x8); b8=resizing(a8); y8=xcwv(b8,des);

z8=y8(:); x9=imread('i2_4,5m.jpg'); a9=prepros(x9); b9=resizing(a9); y9=xcwv(b9,des);

z9=y9(:); x10=imread('j2_4,5m.jpg'); a10=prepros(x10); b10=resizing(a10);

y10=xcwv(b10,des); z10=y10(:); x11=imread('k2_4,5m.jpg'); a11=prepros(x11); b11=resizing(a11);

y11=xcwv(b11,des); z11=y11(:); x12=imread('l2_4,5m.jpg'); a12=prepros(x12); b12=resizing(a12);

y12=xcwv(b12,des); z12=y12(:); x13=imread('m2_4,5m.jpg'); a13=prepros(x13); b13=resizing(a13);

y13=xcwv(b13,des); z13=y13(:); x14=imread('n2_4,5m.jpg'); a14=prepros(x14); b14=resizing(a14);

y14=xcwv(b14,des); z14=y14(:); x15=imread('o2_4,5m.jpg'); a15=prepros(x15); b15=resizing(a15);

y15=xcwv(b15,des); z15=y15(:); x16=imread('p2_4,5m.jpg'); a16=prepros(x16); b16=resizing(a16);

y16=xcwv(b16,des); z16=y16(:); x17=imread('q2_4,5m.jpg'); a17=prepros(x17); b17=resizing(a17);

y17=xcwv(b17,des); z17=y17(:); x18=imread('r2_4,5m.jpg'); a18=prepros(x18); b18=resizing(a18);

y18=xcwv(b18,des); z18=y18(:); x19=imread('s2_4,5m.jpg'); a19=prepros(x19); b19=resizing(a19);

y19=xcwv(b19,des); z19=y19(:); x20=imread('t2_4,5m.jpg'); a20=prepros(x20); b20=resizing(a20);

y20=xcwv(b20,des); z20=y20(:); x21=imread('u2_4,5m.jpg'); a21=prepros(x21); b21=resizing(a21);

y21=xcwv(b21,des); z21=y21(:); x22=imread('v2_4,5m.jpg'); a22=prepros(x22); b22=resizing(a22);

y22=xcwv(b22,des); z22=y22(:); x23=imread('w2_4,5m.jpg'); a23=prepros(x23); b23=resizing(a23);

y23=xcwv(b23,des); z23=y23(:); x24=imread('x2_4,5m.jpg'); a24=prepros(x24); b24=resizing(a24);

y24=xcwv(b24,des); z24=y24(:); x25=imread('y2_4,5m.jpg'); a25=prepros(x25); b25=resizing(a25);

y25=xcwv(b25,des); z25=y25(:); x26=imread('z2_4,5m.jpg'); a26=prepros(x26); b26=resizing(a26);

y26=xcwv(b26,des); z26=y26(:);



z2=y2(:); x3=imread('c2_5m.jpg'); a3=prepros(x3); b3=resizing(a3); y3=xcwv(b3,des);


z4=y4(:); x5=imread('e2_5m.jpg'); a5=prepros(x5); b5=resizing(a5); y5=xcwv(b5,des);


z6=y6(:);


L-20

x7=imread('g2_5m.jpg'); a7=prepros(x7); b7=resizing(a7); y7=xcwv(b7,des);




















y26=xcwv(b26,des); z26=y26(:);

datauji=[z1 z2 z3 z4 z5 z6 z7 z8 z9 z10 z11 z12 z13 z14 z15 z16 z17 z18 z19

z20 z21 z22 z23 z24 z25 z26];

figure(1) subplot(3,3,1);imshow (b1); axis on; title('A'); subplot(3,3,2);imshow (b2); axis on; title('B'); subplot(3,3,3);imshow (b3); axis on; title('C'); subplot(3,3,4);imshow (b4); axis on; title('D'); subplot(3,3,5);imshow (b5); axis on; title('E'); subplot(3,3,6);imshow (b6); axis on; title('F'); subplot(3,3,7);imshow (b7); axis on; title('G'); subplot(3,3,8);imshow (b8); axis on; title('H'); subplot(3,3,9);imshow (b9); axis on; title('I');


L-21

figure(2) subplot(3,3,1);imshow (b10); axis on; title('J'); subplot(3,3,2);imshow (b11); axis on; title('K'); subplot(3,3,3);imshow (b12); axis on; title('L'); subplot(3,3,4);imshow (b13); axis on; title('M'); subplot(3,3,5);imshow (b14); axis on; title('N'); subplot(3,3,6);imshow (b15); axis on; title('O'); subplot(3,3,7);imshow (b16); axis on; title('P'); subplot(3,3,8);imshow (b17); axis on; title('Q'); subplot(3,3,9);imshow (b18); axis on; title('R');

figure(3) subplot(3,3,1);imshow (b19); axis on; title('S'); subplot(3,3,2);imshow (b20); axis on; title('T'); subplot(3,3,3);imshow (b21); axis on; title('U'); subplot(3,3,4);imshow (b22); axis on; title('V'); subplot(3,3,5);imshow (b23); axis on; title('W'); subplot(3,3,6);imshow (b24); axis on; title('X'); subplot(3,3,7);imshow (b25); axis on; title('Y'); subplot(3,3,8);imshow (b26); axis on; title('Z');

for k=1:26 for n=1:26 r(n)=jarak(datauji(:,k),z(:,n)) end [s1,s2]=sort(r,'ascend')

% Penentuan kelas keluaran kelasout=s2(1)

% Penentuan buah keluaran

daftarkode={'A';'B';'C';'D';'E';'F';'G';'H';'I';'J';'K';'L';'M';'N';'O';'P'

;'Q';'R';'S';'T';'U';'V';'W';'X';'Y';'Z'}; kode{k}=daftarkode{kelasout}; end KodeOut=kode

function cout=prepros(x0) %Konversi RGB to HSV hsv=rgb2hsv(x0); % ============================================== % Segmentasi bagian depan (foreground)

x1=hsv(:,:,2); % Ambil bagian saturation depan=x1>0.45; % Original: 0.45

% Segmentasi kuning x2=hsv(:,:,1); % Ambil bagian hue x3=x2*360; % Setting nilai hue maks 360


L-22

th1=x3>35; % Original: 35 th2=x3<50; % Original: 45 kuning=and(th1,th2); % ========================================================================= % Segmentasi citra bendera berwarna kuning bkuning=and(depan,kuning); bbkuning=bwareaopen(bkuning,2000); % Remove small objects (yang kurang dari

4000 piksel dihilangkan)

%========================================================================== % PROSES COPPING % Crop image if sum(sum(bbkuning))>0 % Potong kiri cout=bbkuning; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];




% Penyesuaian orientasi cout=cout'; cout=flipud(cout); cout=fliplr(cout);

else cout=bbkuning; end % =========================================================================

% ========================================================================= % Proses Resizing function x0=resizing(img1) x0=imresize(img1,[64 64]); % =========================================================================


L-23

LISTING PROGRAM BASIS DATA (DBXCWV)

function dbxcwv tic z=[]; z=prosxcwv(1, [64 64]); save db64d1 z ; z=[]; z=prosxcwv(2, [64 64]); save db64d2 z ; z=[]; z=prosxcwv(3, [64 64]); save db64d3 z ; z=[]; toc function z=prosxcwv(des,rz) disp('Proses') z=[]; x=imread('a7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y1=y(:); x=imread('a7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y2=y(:); x=imread('a7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y3=y(:); x=imread('a7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y4=y(:); x=imread('a7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y5=y(:); x=imread('b7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y6=y(:); x=imread('b7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y7=y(:); x=imread('b7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y8=y(:); x=imread('b7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y9=y(:); x=imread('b7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y10=y(:); x=imread('c7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y11=y(:); x=imread('c7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y12=y(:); x=imread('c7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y13=y(:); x=imread('c7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y14=y(:); x=imread('c7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y15=y(:); x=imread('d7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y16=y(:); x=imread('d7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y17=y(:); x=imread('d7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y18=y(:); x=imread('d7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y19=y(:); x=imread('d7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y20=y(:); x=imread('e7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y21=y(:); x=imread('e7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y22=y(:); x=imread('e7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y23=y(:); x=imread('e7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y24=y(:); x=imread('e7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y25=y(:); x=imread('f7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y26=y(:); x=imread('f7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y27=y(:); x=imread('f7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y28=y(:); x=imread('f7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y29=y(:); x=imread('f7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y30=y(:); x=imread('g7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y31=y(:); x=imread('g7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y32=y(:); x=imread('g7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y33=y(:); x=imread('g7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y34=y(:); x=imread('g7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y35=y(:); x=imread('h7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y36=y(:); x=imread('h7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y37=y(:); x=imread('h7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y38=y(:); x=imread('h7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y39=y(:); x=imread('h7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y40=y(:); x=imread('i7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y41=y(:); x=imread('i7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y42=y(:); x=imread('i7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y43=y(:);


L-24

x=imread('i7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y44=y(:); x=imread('i7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y45=y(:); x=imread('j7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y46=y(:); x=imread('j7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y47=y(:); x=imread('j7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y48=y(:); x=imread('j7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y49=y(:); x=imread('j7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y50=y(:); x=imread('k7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y51=y(:); x=imread('k7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y52=y(:); x=imread('k7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y53=y(:); x=imread('k7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y54=y(:); x=imread('k7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y55=y(:); x=imread('l7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y56=y(:); x=imread('l7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y57=y(:); x=imread('l7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y58=y(:); x=imread('l7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y59=y(:); x=imread('l7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y60=y(:); x=imread('m7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y61=y(:); x=imread('m7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y62=y(:); x=imread('m7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y63=y(:); x=imread('m7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y64=y(:); x=imread('m7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y65=y(:); x=imread('n7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y66=y(:); x=imread('n7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y67=y(:); x=imread('n7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y68=y(:); x=imread('n7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y69=y(:); x=imread('n7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y70=y(:); x=imread('o7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y71=y(:); x=imread('o7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y72=y(:); x=imread('o7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y73=y(:); x=imread('o7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y74=y(:); x=imread('o7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y75=y(:); x=imread('p7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y76=y(:); x=imread('p7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y77=y(:); x=imread('p7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y78=y(:); x=imread('p7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y79=y(:); x=imread('p7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y80=y(:); x=imread('q7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y81=y(:); x=imread('q7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y82=y(:); x=imread('q7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y83=y(:); x=imread('q7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y84=y(:); x=imread('q7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y85=y(:); x=imread('r7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y86=y(:); x=imread('r7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y87=y(:); x=imread('r7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y88=y(:); x=imread('r7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y89=y(:); x=imread('r7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y90=y(:); x=imread('s7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y91=y(:); x=imread('s7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y92=y(:); x=imread('s7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y93=y(:); x=imread('s7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y94=y(:); x=imread('s7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y95=y(:); x=imread('t7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y96=y(:); x=imread('t7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y97=y(:); x=imread('t7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y98=y(:); x=imread('t7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y99=y(:);


L-25

x=imread('t7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y100=y(:); x=imread('u7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y101=y(:); x=imread('u7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y102=y(:); x=imread('u7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y103=y(:); x=imread('u7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y104=y(:); x=imread('u7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y105=y(:); x=imread('v7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y106=y(:); x=imread('v7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y107=y(:); x=imread('v7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y108=y(:); x=imread('v7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y109=y(:); x=imread('v7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y110=y(:); x=imread('w7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y111=y(:); x=imread('w7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y112=y(:); x=imread('w7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y113=y(:); x=imread('w7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y114=y(:); x=imread('w7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y115=y(:); x=imread('x7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y116=y(:); x=imread('x7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y117=y(:); x=imread('x7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y118=y(:); x=imread('x7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y119=y(:); x=imread('x7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y120=y(:); x=imread('y7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y121=y(:); x=imread('y7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y122=y(:); x=imread('y7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y123=y(:); x=imread('y7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y124=y(:); x=imread('y7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y125=y(:); x=imread('z7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y126=y(:); x=imread('z7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y127=y(:); x=imread('z7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y128=y(:); x=imread('z7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y129=y(:); x=imread('z7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y130=y(:); dat1= (y1+y2+y3+y4+y5)/5 ; dat2= (y6+y7+y8+y9+y10)/5 ; dat3= (y11+y12+y13+y14+y15)/5 ; dat4= (y16+y17+y18+y19+y20)/5 ; dat5= (y21+y22+y23+y24+y25)/5 ; dat6= (y26+y27+y28+y29+y30)/5 ; dat7= (y31+y32+y33+y34+y35)/5 ; dat8= (y36+y37+y38+y39+y40)/5 ; dat9= (y41+y42+y43+y44+y45)/5 ; dat10= (y46+y47+y48+y49+y50)/5 ; dat11= (y51+y52+y53+y54+y55)/5 ; dat12= (y56+y57+y58+y59+y60)/5 ; dat13= (y61+y62+y63+y64+y65)/5 ; dat14= (y66+y67+y68+y69+y70)/5 ; dat15= (y71+y72+y73+y74+y75)/5 ; dat16= (y76+y77+y78+y79+y80)/5 ; dat17= (y81+y82+y83+y84+y85)/5 ; dat18= (y86+y87+y88+y89+y90)/5 ; dat19= (y91+y92+y93+y94+y95)/5 ; dat20= (y96+y97+y98+y99+y100)/5 ; dat21= (y101+y102+y103+y104+y105)/5 ; dat22= (y106+y107+y108+y109+y110)/5 ; dat23= (y111+y112+y113+y114+y115)/5 ; dat24= (y116+y117+y118+y119+y120)/5 ; dat25= (y121+y122+y123+y124+y125)/5 ;


L-26

dat26= (y126+y127+y128+y129+y130)/5 ;

z=[]; x=imread('a6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y131=y(:); x=imread('a6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y132=y(:); x=imread('a6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y133=y(:); x=imread('a6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y134=y(:); x=imread('a6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y135=y(:); x=imread('b6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y136=y(:); x=imread('b6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y137=y(:); x=imread('b6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y138=y(:); x=imread('b6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y139=y(:); x=imread('b6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y140=y(:); x=imread('c6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y141=y(:); x=imread('c6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y142=y(:); x=imread('c6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y143=y(:); x=imread('c6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y144=y(:); x=imread('c6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y145=y(:); x=imread('d6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y146=y(:); x=imread('d6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y147=y(:); x=imread('d6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y148=y(:); x=imread('d6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y149=y(:); x=imread('d6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y150=y(:); x=imread('e6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y151=y(:); x=imread('e6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y152=y(:); x=imread('e6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y153=y(:); x=imread('e6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y154=y(:); x=imread('e6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y155=y(:); x=imread('f6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y156=y(:); x=imread('f6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y157=y(:); x=imread('f6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y158=y(:); x=imread('f6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y159=y(:); x=imread('f6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y160=y(:); x=imread('g6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y161=y(:); x=imread('g6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y162=y(:); x=imread('g6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y163=y(:); x=imread('g6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y164=y(:); x=imread('g6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y165=y(:); x=imread('h6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y166=y(:); x=imread('h6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y167=y(:); x=imread('h6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y168=y(:); x=imread('h6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y169=y(:); x=imread('h6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y170=y(:); x=imread('i6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y171=y(:); x=imread('i6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y172=y(:); x=imread('i6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y173=y(:); x=imread('i6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y174=y(:); x=imread('i6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y175=y(:); x=imread('j6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y176=y(:); x=imread('j6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y177=y(:); x=imread('j6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y178=y(:); x=imread('j6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y179=y(:); x=imread('j6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y180=y(:); x=imread('k6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y181=y(:); x=imread('k6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y182=y(:);


L-27

x=imread('k6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y183=y(:); x=imread('k6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y184=y(:); x=imread('k6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y185=y(:); x=imread('l6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y186=y(:); x=imread('l6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y187=y(:); x=imread('l6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y188=y(:); x=imread('l6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y189=y(:); x=imread('l6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y190=y(:); x=imread('m6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y191=y(:); x=imread('m6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y192=y(:); x=imread('m6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y193=y(:); x=imread('m6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y194=y(:); x=imread('m6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y195=y(:); x=imread('n6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y196=y(:); x=imread('n6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y197=y(:); x=imread('n6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y198=y(:); x=imread('n6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y199=y(:); x=imread('n6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y200=y(:); x=imread('o6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y201=y(:); x=imread('o6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y202=y(:); x=imread('o6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y203=y(:); x=imread('o6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y204=y(:); x=imread('o6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y205=y(:); x=imread('p6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y206=y(:); x=imread('p6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y207=y(:); x=imread('p6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y208=y(:); x=imread('p6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y209=y(:); x=imread('p6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y210=y(:); x=imread('q6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y211=y(:); x=imread('q6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y212=y(:); x=imread('q6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y213=y(:); x=imread('q6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y214=y(:); x=imread('q6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y215=y(:); x=imread('r6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y216=y(:); x=imread('r6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y217=y(:); x=imread('r6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y218=y(:); x=imread('r6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y219=y(:); x=imread('r6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y220=y(:); x=imread('s6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y221=y(:); x=imread('s6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y222=y(:); x=imread('s6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y223=y(:); x=imread('s6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y224=y(:); x=imread('s6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y225=y(:); x=imread('t6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y226=y(:); x=imread('t6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y227=y(:); x=imread('t6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y228=y(:); x=imread('t6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y229=y(:); x=imread('t6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y230=y(:); x=imread('u6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y231=y(:); x=imread('u6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y232=y(:); x=imread('u6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y233=y(:); x=imread('u6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y234=y(:); x=imread('u6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y235=y(:); x=imread('v6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y236=y(:); x=imread('v6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y237=y(:); x=imread('v6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y238=y(:);


L-28

x=imread('v6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y239=y(:); x=imread('v6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y240=y(:); x=imread('w6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y241=y(:); x=imread('w6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y242=y(:); x=imread('w6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y243=y(:); x=imread('w6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y244=y(:); x=imread('w6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y245=y(:); x=imread('x6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y246=y(:); x=imread('x6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y247=y(:); x=imread('x6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y248=y(:); x=imread('x6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y249=y(:); x=imread('x6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y250=y(:); x=imread('y6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y251=y(:); x=imread('y6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y252=y(:); x=imread('y6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y253=y(:); x=imread('y6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y254=y(:); x=imread('y6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y255=y(:); x=imread('z6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y256=y(:); x=imread('z6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y257=y(:); x=imread('z6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y258=y(:); x=imread('z6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y259=y(:); x=imread('z6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y260=y(:); dat27= (y131+y132+y133+y134+y135)/5 ; dat28= (y136+y137+y138+y139+y140)/5 ; dat29= (y141+y142+y143+y144+y145)/5 ; dat30= (y146+y147+y148+y149+y150)/5 ; dat31= (y151+y152+y153+y154+y155)/5 ; dat32= (y156+y157+y158+y159+y160)/5 ; dat33= (y161+y162+y163+y164+y165)/5 ; dat34= (y166+y167+y168+y169+y170)/5 ; dat35= (y171+y172+y173+y174+y175)/5 ; dat36= (y176+y177+y178+y179+y180)/5 ; dat37= (y181+y182+y183+y184+y185)/5 ; dat38= (y186+y187+y188+y189+y190)/5 ; dat39= (y191+y192+y193+y194+y195)/5 ; dat40= (y196+y197+y198+y199+y200)/5 ; dat41= (y201+y202+y203+y204+y205)/5 ; dat42= (y206+y207+y208+y209+y210)/5 ; dat43= (y211+y212+y213+y214+y215)/5 ; dat44= (y216+y217+y218+y219+y220)/5 ; dat45= (y221+y222+y223+y224+y225)/5 ; dat46= (y226+y227+y228+y229+y230)/5 ; dat47= (y231+y232+y233+y234+y235)/5 ; dat48= (y236+y237+y238+y239+y240)/5 ; dat49= (y241+y242+y243+y244+y245)/5 ; dat50= (y246+y247+y248+y249+y250)/5 ; dat51= (y251+y252+y253+y254+y255)/5 ; dat52= (y256+y257+y258+y259+y260)/5 ;

%=============================================== data1=(dat1+dat27)/2; data2=(dat2+dat28)/2; data3=(dat3+dat29)/2; data4=(dat4+dat30)/2; data5=(dat5+dat31)/2;


L-29

data6=(dat6+dat32)/2; data7=(dat7+dat33)/2; data8=(dat8+dat34)/2; data9=(dat9+dat35)/2; data10=(dat10+dat36)/2; data11=(dat11+dat37)/2; data12=(dat12+dat38)/2; data13=(dat13+dat39)/2; data14=(dat14+dat40)/2; data15=(dat15+dat41)/2; data16=(dat16+dat42)/2; data17=(dat17+dat43)/2; data18=(dat18+dat44)/2; data19=(dat19+dat45)/2; data20=(dat20+dat46)/2; data21=(dat21+dat47)/2; data22=(dat22+dat48)/2; data23=(dat23+dat49)/2; data24=(dat24+dat50)/2; data25=(dat25+dat51)/2; data26=(dat26+dat52)/2;

z= [data1 data2 data3 data4 data5 data6 data7 data8 data9 data10 data11

data12 data13 data14 data15 data16 data17 data18 data19 data20 data21

data22 data23 data24 data25 data26];

%=============================================== function x5=prepros(x0,rz) %Preprocessing %KONVERSI RGB to HSV hsv=rgb2hsv(x0); % ============================================== % Segmentasi bagian depan (foreground)

x1=hsv(:,:,2); % Ambil bagian saturation depan=x1>0.45; % Original: 0.45

% Segmentasi kuning x2=hsv(:,:,1); % Ambil bagian hue x3=x2*360; % Setting nilai hue maks 360

th1=x3>35; % Original: 35 th2=x3<50; % Original: 45 kuning=and(th1,th2); % ========================================================================= % Segmentasi citra bendera berwarna kuning bkuning=and(depan,kuning); bbkuning=bwareaopen(bkuning,2000); % Remove small objects (yang kurang dari

4000 piksel dihilangkan)

%========================================================================== % PROSES COPPING % Crop image if sum(sum(bbkuning))>0 % Potong kiri


L-30

cout=bbkuning; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];




% Penyesuaian orientasi cout=cout'; cout=flipud(cout); cout=fliplr(cout);

else cout=bbkuning; end % =========================================================================

% ========================================================================= % Proses Resizing x5=imresize(cout,rz); % =========================================================================

LISTING PROGRAM BASIS DATA (XCWV)

function x3=xcwv(x0,m) %Ekstraksi Ciri

for k=1:m x1=convx2(x0); x2=subsampling(x1); x0=x2; end x3=x0;

% ================================================= % Internal function


L-31

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

function y=convx2(x)

LPF=[0.7071 0.7071]; [b,k]=size(x);

%Konvolusi baris for m=1:b x0=x(m,:); x(m,:)=convx(x0,LPF)'; end

%Konvolusi kolom for m=1:k x0=x(:,m); x(:,m)=convx(x0',LPF)'; end y=x;

% ================================================= function y = convx(x,LPF) % Proses konvolusi dengan ekstensi sinyal % Cat: Jumlah koef. LPF harus genap

lx = length(x); lf = length(LPF);

% Ekstensi sinyal batas=lf/2; kiri=x(lx-batas+1:lx); kanan=x(1:batas); x=[kiri x kanan];

% Konvolusi x=double (x); LPF= double(LPF); y = conv(x,LPF);

% Keluarkan yang perlu awal=lf+1; akhir=awal+lx-1; y=y(awal:akhir);

% ================================================= function y=subsampling(x) % Proses subsampling yang mempertahankan % Koefisien genap

[b,k]=size(x); % Subsampling baris m=1:2:b; x(m,:)=[];


L-32

% Subsampling kolom m=1:2:k; x(:,m)=[]; y=x;

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

LISTING PROGRAM FUNGSI JARAK (jarak)

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


L-33

LAMPIRAN 3

DATA YANG DIPEROLEH

Tabel 1. Data hasil pengujian secara tidak langsung pada peraga pertama.

a. Jarak 3 meter & Desimasi 1

O A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

I

D E

S I M

A S

I 1

A V

B V

C V

D V

E V

F V

G V

H V

I V

J V

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V

W V

X V

Y V

Z V

Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses

pengenalan pola.


L-34

b. Jarak 3 meter & Desimasi 2


I

D E

S I M

A S

I 2

A V

B

C V

D

E V

F V

G V

H V V

I V V

J V

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V

W V

X V

Y V

Z V


pengenalan pola.


L-35

c. Jarak 3 meter & Desimasi 3


I

D E

S I M

A S

I 3

A V

B V

C V

D

E V

F V

G V

H V

I V V

J V

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V V

W

X V

Y V

Z V


pengenalan pola.


L-36

d. Jarak 3,5 meter & Desimasi 1


I

A V

B V

C V

D V

E V

F V

G V

H V

I V

J V

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V

W V

X V

Y V

Z V


pengenalan pola.


L-37

e. Jarak 3,5 meter & Desimasi 2


I

D E

S I M

A S

I 2

A V

B V

C V

D V

E V

F V

G V

H V

I V

J V

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V

W V

X V

Y V

Z V


pengenalan pola.


L-38

f. Jarak 3,5 meter & Desimasi 3


I

D E

S I M

A S

I 3

A V

B V

C V

D V

E V

F V

G V

H V

I V

J

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V V

W V

X V

Y V

Z V


pengenalan pola.


L-39

g. Jarak 4 meter & Desimasi 1


I

D E

S I M

A S

I 1

A V

B V

C V

D V

E V

F V

G V

H V

I V

J V

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V

W V

X V

Y V

Z V


pengenalan pola.


L-40

h. Jarak 4 meter & Desimasi 2


I

D E

S I M

A S

I 2

A V

B V

C V

D V

E V

F V

G V

H V

I V

J V

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V

W V

X V

Y V

Z V


pengenalan pola.


L-41

i. Jarak 4 meter & Desimasi 3


I

D E

S I M

A S

I 3

A V

B V

C V

D V

E V

F V

G

H V

I V

J V

K V

L V

M V

N V

O V

P V

Q V

R V V

S V

T V

U V

V V

W V

X V

Y V

Z V


pengenalan pola.


L-42

j. Jarak 4,5 meter & Desimasi 1


I

D E

S I M

A S

I 1

A

B V

C V V

D V

E V

F V

G V V

H V

I V

J V

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V

W V

X V

Y V

Z V


pengenalan pola.


L-43

k. Jarak 4,5 meter & Desimasi 2


I

A

B V

C V

D V

E V

F V

G V V

H V

I V

J V

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V

W V

X V

Y V

Z V


pengenalan pola.


L-44

l. Jarak 4,5 meter & Desimasi 3


I

D E

S I M

A S

I 3

A V

B V

C V V

D V

E V

F V

G V

H V

I V

J V

K V V

L

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V

W V

X V

Y V

Z V


pengenalan pola.


L-45

m. Jarak 5 meter & Desimasi 1


I

D E

S I M

A S

I 1

A V

B V

C V

D V

E V

F V

G V

H V

I V

J V

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V

W V V

X

Y V

Z V


pengenalan pola.


L-46

n. Jarak 5 meter & Desimasi 2


I

D E

S I M

A S

I 2

A V

B V

C V

D V

E V

F V

G V

H V

I V

J V

K V

L V

M V

N V

O V

P V

Q V

R V V

S V

T V

U

V V

W V V

X

Y V

Z V


pengenalan pola.


L-47

o. Jarak 5 meter & Desimasi 3


I

D E

S I M

A S

I 3

A V V

B V

C V

D V

E V

F V

G

H V

I V

J V

K V

L V

M V

N V V

O V

P V

Q V

R V

S V

T V

U

V V

W V V

X

Y V

Z V


pengenalan pola.


L-48

Tabel 2. Data hasil pengujian secara tidak langsung pada peraga kedua.



I

D E

S I M

A S

I 1

A V

B V

C V

D

E V

F V

G V

H V

I V

J V

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V V

W V

X V

Y V

Z V


pengenalan pola.


L-49



I

D E

S I M

A S

I 2

A V

B V

C V

D

E V

F V

G V

H

V

I

V

J V

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V V

W V

X V

Y V

Z V


pengenalan pola.


L-50



I

D E

S I M

A S

I 3

A V

B V

C V

D

E

F V

G V

H V

I

V

J

K V V

L V

M

N V

O V

P V

Q V

R V

S V

T V

U V V

V V

V V

W V

X V

Y V

Z V


pengenalan pola.


L-51



I

D E

S I M

A S

I 1

A V

B V

C V

D V

E V

F V

G V

H V

I V

J V

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V

W V

X V

Y V

Z V


pengenalan pola.


L-52



I

D E

S I M

A S

I 2

A V

B V

C V

D V

E V

F V

G V

H V

I V

J V

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V

W V

X V

Y V

Z V


pengenalan pola.


L-53



I

D E

S I M

A S

I 3

A V

B V

C V

D V

E V

F V

G V

H V

I V

J V

K V V

L V

M V

N V

O V

P

Q V

R V

S V

T V

U V

V

V

W V

X V

Y V

Z V


pengenalan pola.


L-54



I

D E

S I M

A S

I 1

A V

B V

C V

D V

E V

F V

G V

H V

I V

J V

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V

W V

X V

Y V

Z V


pengenalan pola.


L-55



I

D E

S I M

A S

I 2

A V

B V

C V

D V

E V

F V

G V

H V

I V

J

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V

W V

X V

Y V V

Z V


pengenalan pola.


L-56



I

D E

S I M

A S

I 3

A V

B V

C V

D V

E V

F

G V

H V

I V

J V

K

L V

M V V

N V

O V

P V

Q V V

R

V

S V

T V

U V

V V

W V

X V

Y V

Z V


pengenalan pola.


L-57



I

D E

S I M

A S

I 1

A V

B V

C

D V

E V

F V

G

V

H V

I V

J V

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V V

W V

X V

Y V

Z V


pengenalan pola.


L-58



I

D E

S I M

A S

I 2

A V

B V

C

D V

E V

F V

G

V

H V

I V

J V

K V

L V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V V

W V

X V

Y V

Z V


pengenalan pola.


L-59



I

D E

S I M

A S

I 3

A V

B V

C V

D V

E V V

F V

G V

H V

I V

J V

K V

V

L V

M V

N V V

O V

P

Q V

R

S V

T V

U V

V V

W V

X

Y V

Z V


pengenalan pola.


L-60



I

D E

S I M

A S

I 1

A V

B V

C V

D V

E V

F V

G V

H V

I V

J V

K

L V V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V

W V

X V

Y V

Z V


pengenalan pola.


L-61



I

D E

S I M

A S

I 2

A V

B V

C V

D V

E V

F V

G V

H V

I V

J V

K

L V V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V

W V

X V

Y V

Z V


pengenalan pola.


L-62



I

D E

S I M

A S

I 3

A V

B V

C V V

D V

E V

F V

G V

H V

I

J V

K

L V V

M V

N V

O V

P V

Q V

R V

S V

T V

U V

V V

W V

X V

Y V

Z V


pengenalan pola.


L-63

Tabel 3. Data hasil pengujian secara langsung pada peraga pertama.



I

A 4 1

B 5

C 5

D 4 1

E 5

F 5

G

5

H 4 1

I

5

J 5

K 5

L 5

M 5

N 5

O

5

P 5

Q 5

R 5

S 5

T 5

U 5

V 5

W 2 3

X 1 4

Y 5

Z 5

Ket : Angka 5 : Huruf yang dikenali sebanyak 5 kali dalam 5 kali pengujian.

Angka 4 : Huruf yang dikenali sebanyak 4 kali dalam 5 kali pengujian.





L-64


O

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z I

A 3 2

B 5

C 5

D 4 1

E 5

F 5

G 2 5

H 5

I 1 5

J 5

K 5

L 5

M 5

N 4 1

O 5

P 5

Q 5

R 5

S 5

T 5

U

5

V 5

W 3 2

X

5

Y 5

Z 5







L-65



I

A 4 1

B 5

C 3 1 1

D 5

E 4 1

F 5

G 5

H 5

I

5

J 5

K 5

L

5

M 5

N 3 2

O

5

P 5

Q 5

R 5

S 5

T 5

U 1 4

V 5

W 4 1

X

5

Y 5

Z 5







L-66



I

A 4 1

B 5

C 5

D 3 1 1

E 5

F 5

G

5

H 5

I

4 1

J 5

K 4 1

L

5

M 5

N 5

O 5

P 5

Q 5

R 5

S 5

T 5

U 5

V

5

W 5

X 5

Y 5

Z 5







L-67



I

A 5

B 5

C 5

D 5

E 4 1

F 5

G 2 3

H 5

I 5

J 5

K

5

L 5

M 5

N 4 1

O 5

P 5

Q 5

R 5

S 5

T 5

U

2 3

V 5

W 5

X 1 4

Y 5

Z 5







L-68



I

A 5

B 5

C 5

D 3 2

E 5

F 5

G 5

H 5

I

5

J 5

K 5

L 1 4

M 5

N 1 3 1

O 5

P 5

Q 5

R 4 1

S 5

T 5

U

5

V 5

W 5

X 5

Y 5

Z 5







L-69



I

A 4 1

B 4 1

C 5

D 5

E 5

F 5

G 1 4

H

5

I 5

J 5

K 5

L 5

M 5

N 5

O 5

P 5

Q 5

R 5

S 5

T 5

U 5

V 1 4

W 4 1

X 2 3

Y 5

Z 5







L-70



I

A 5

B 5

C 5

D 5

E 5

F 5

G 1 3 1

H 5

I 5

J 5

K 4

L 1 5

M 5

N 4 1

O 5

P 5

Q 5

R 5

S 5

T 5

U

5

V 5

W 3 2

X

5

Y 5

Z 5







L-71



I

A 5

B 5

C 5

D 4

1

E 5

F 5

G 1 4

H 5

I 1 4

J 5

K 1 1 3

L

5

M 5

N 5

O 5

P 5

Q 5

R 5

S 5

T 5

U 5

V 1

4

W 5

X 5

Y 5

Z 5







L-72



I

A 4 1

B 4 1

C 5

D 5

E 4 1

F 5

G

5

H

5

I 5

J 5

K

5

L 5

M 5

N 5

O 5

P 5

Q 5

R 5

S 5

T 5

U 5

V 1 3 1

W

4 1

X 5

Y 5

Z 5







L-73



I

A 4 1

B 5

C 5

D 5

E 5

F 5

G 1 3 1

H 5

I 1 4

J 5

K 5

L 5

M 5

N

3 2

O 5

P 5

Q 5

R 5

S 5

T 5

U

5

V 2 3

W 5

X 5

Y 5

Z 5







L-74



I

A 5

B 5

C 5

D 5

E 3 2

F 5

G 2 3

H 5

I 5

J 3 2

K

5

L 1 4

M 5

N 5

O 5

P 5

Q 5

R 5

S 5

T 5

U 1 4

V 5

W 5

X 5

Y 5

Z 5







L-75



I

A 3 2

B 5

C 5

D 5

E 4 1

F 5

G

5

H 5

I 5

J 3 2

K

5

L 5

M 4 1

N 5

O 5

P 5

Q

5

R 5

S 5

T 5

U 1 4

V 5

W 5

X 1 4

Y 5

Z 5







L-76



I

A 3 2

B 5

C 5

D 5

E 4 1

F 5

G

5

H 5

I 5

J 5

K

5

L 5

M 4

1

N 5

O 5

P 5

Q

5

R 5

S 5

T 5

U 2 3

V 5

W 3 2

X 1 4

Y 5

Z 5







L-77



I

A 3 2

B 5

C 5

D 5

E 4 1

F 5

G

5

H 5

I 5

J 5

K

4 1

L

5

M 5

N 3 2

O 5

P 5

Q

5

R 5

S 5

T 5

U

5

V 5

W 5

X 2 3

Y 5

Z 5







L-78

Tabel 4. Data hasil pengujian secara langsung pada peraga kedua.



I

A 5

B 5

C 5

D 5

E 5

F 5

G 5

H 5

I 5

J 4 1

K 5

L 5

M 5

N 5

O 5

P 5

Q 5

R 5

S 5

T 5

U 2 3

V

5

W 5

X 2 3

Y 5

Z 5







L-79



I

A 4 1

B 5

C 5

D 3 1 1

E 5

F 5

G 1 5

H 5

I

5

J 5

K 5

L 5

M 5

N 3 2

O 5

P 5

Q 5

R 5

S 5

T 5

U

5

V 5

W 4 1

X 2 3

Y 5

Z 5







L-80



I

A 3 2

B 5

C 5

D 5

E 5

F 5

G

5

H 5

I 1 4

J 5

K 5

L 5

M 5

N 5

O 5

P 5

Q 5

R 5

S 5

T 4 1

U 2 3

V 5

W 3 2

X 1 4

Y 5

Z 5







L-81



I

A 3 2

B 5

C 5

D 5

E 5

F 5

G

5

H 5

I 5

J 4 1

K 5

L 5

M 5

N 3 2

O 5

P 5

Q 5

R 5

S 5

T 5

U

5

V 2 3

W 5

X 5

Y 5

Z 5







L-82



I

A 4 1

B 5

C 5

D 5

E 5

F 5

G

5

H 5

I 5

J 4 1

K 4 1

L

5

M 5

N 5

O 5

P 5

Q 5

R 5

S 5

T 5

U 5

V 2 3

W 4 1

X

5

Y 5

Z 5







L-83



I

A 5

B 3 2

C 5

D 5

E 5

F 5

G 5

H

5

I 5

J 5

K 3 2

L 1 4

M 5

N 5

O 5

P 5

Q 5

R 5

S 5

T 5

U 1 4

V 1 4

W 5

X 1 4

Y 5

Z 5







L-84



I

A 3 2

B 5

C 5

D 5

E 5

F 5

G 1 4

H 5

I 5

J 5

K 4 1

L

5

M 5

N 5

O 5

P 5

Q 5

R 5

S 5

T 5

U 5

V 5

W 4 1

X 1 4

Y 5

Z 5







L-85



I

A 3 1 1

B 5

C 5

D 5

E 5

F 5

G

5

H 5

I 5

J 5

K 3 2

L

5

M 5

N

5

O 5

P 5

Q 5

R 5

S 5

T 5

U 5

V 1 4

W 4 1

X 2 3

Y 5

Z 5







L-86



I

A 4 1

B 5

C 5

D 4 1

E 5

F 5

G

5

H 5

I

5

J 5

K 3 2

L 1 4

M 5

N 5

O 5

P 5

Q 5

R 5

S 5

T 5

U 5

V 1 3 1

W

3 2

X

5

Y 5

Z 5







L-87



I

A 5

B 5

C 4 1

D 5

E 5

F 5

G 5

H 5

I 2

3

J 5

K 5

L 5

M 5

N 1 3 1

O 5

P 5

Q 5

R 5

S 5

T 1 4

U

5

V 5

W 5

X 2 3

Y 5

Z 5







L-88



I

A 5

B 5

C 5

D 5

E 3 2

F 5

G 5

H 5

I 5

J 5

K 5

L 2 3

M 5

N 3 2

O 5

P 5

Q 5

R 5

S 5

T 2 3

U

5

V 4 1

W

5

X 5

Y 5

Z 5







L-89



I

A 4 1

B 5

C 5

D 5

E 3 2

F

5

G

5

H 5

I 5

J 5

K 5 1

L 4

M 5

N 3 2

O 5

P 5

Q 5

R 5

S 5

T 5

U 1 4

V 5

W 5

X 1 4

Y 5

Z 5







L-90



I

A 4 1

B 5

C 3 1 1

D 1 5

E 5

F 5

G

5

H 5

I

5

J 5

K 5

L 2 3

M 5

N 3 2

O 5

P 5

Q 5

R 5

S 5

T 5

U

5

V 5

W 1 4

X 5

Y 5

Z 5







L-91



I

A 3 1 1

B 5

C 5

D 5

E 5

F 5

G

5

H 5

I 5

J 4 1

K 5

L 2 3

M 5

N 1 4

O 5

P 5

Q 5

R 5

S 5

T 5

U 1 4

V 2

3

W 1 4

X 5

Y 5

Z 5







L-92



I

A 3 2

B 5

C 5

D 5

E 5

F 5

G 5

H 5

I 5

J 5

K 5

L 2 3

M 5

N 1 4

O 5

P 4 1

Q 5

R 5

S 5

T

5

U 1 1 3

V 5

W 4 1

X 2 3

Y 5

Z 5







L-93

LAMPIRAN 4

HASIL RERATA TINGKAT PENGENALAN KODE HURUF

SEMAPHORE

1. Hasil pengujian pengenalan kode huruf semaphore secara tidak langsung.

Tingkat pengenalan dengan variasi desimasi.

a. Pengujian dengan jarak 3 meter.

TINGKAT PENGENALAN

DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA

I 100% 92% 92%

PERAGA

II 96% 96% 85%

RERATA 98% 94% 86%

b.

c. Pengujian dengan jarak 3,5 meter.

TINGKAT PENGENALAN

DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA

I 100% 100% 96%

PERAGA

II 100% 100% 96%

RERATA 100% 100% 96%

d. Pengujian dengan jarak 4 meter.

TINGKAT PENGENALAN

DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA

I 100% 100% 96%

PERAGA

II 100% 96% 88%

RERATA 100% 98% 92%


L-94

e. Pengujian dengan jarak 4,5 meter.

TINGKAT PENGENALAN

DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA

I 92% 96% 92%

PERAGA

II 96% 96% 88%

RERATA 94% 96% 90%

f. Pengujian dengan jarak 5 meter.

TINGKAT PENGENALAN

DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA

I 96% 92% 88%

PERAGA

II 96% 96% 92%

RERATA 96% 94% 90%

Tingkat pengenalan dengan variasi jarak.

a. Pengujian jarak 3 meter.

TINGKAT PENGENALAN

RERATA DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA

I 100% 92% 92% 95%

PERAGA

II 96% 96% 85% 92%

b. Pengujian jarak 3,5 meter.

TINGKAT PENGENALAN

RERATA DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA

I 100% 100% 96% 99%

PERAGA

II 100% 100% 96% 99%


L-95

c. Pengujian jarak 4 meter.

TINGKAT PENGENALAN

RERATA DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA

I 100% 100% 96% 99%

PERAGA

II 100% 96% 88% 95%

d. Pengujian jarak 4,5 meter.

TINGKAT PENGENALAN

RERATA DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA

I 92% 96% 92% 93%

PERAGA

II 96% 96% 88% 93%

e. Pengujian jarak 5 meter.

TINGKAT PENGENALAN

RERATA DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA

I 96% 92% 88% 92%

PERAGA

II 96% 96% 92% 95%

Hasil rerata pengenalan dengan variasi desimasi.

.DESIMASI TINGKAT PENGENALAN

1 98%

2 96%

3 91%


L-96

Hasil rerata pengenalan dengan variasi jarak.

TINGKAT PENGENALAN

Jarak 3

meter

Jarak 3,5

meter

Jarak 4

meter

Jarak 4,5

meter

Jarak 5

meter

PERAGA I 95% 99% 99% 93% 92%

PERAGA II 92% 99% 95% 93% 95%

RERATA 94% 99% 97% 93% 94%

2. Hasil pengujian pengenalan kode huruf semaphore secara langsung.

Tingkat pengenalan dengan variasi desimasi.


TINGKAT PENGENALAN

DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA I 96% 96% 94%

PERAGA II 96% 94% 93%

RERATA 96% 95% 94%

b. Pengujian dengan jarak 3,5 meter.

TINGKAT PENGENALAN

DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA I 96% 95% 96%

PERAGA II 95% 96% 94%

RERATA 96% 96% 95%

c. Pengujian dengan jarak 4 meter.

TINGKAT PENGENALAN

DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA I 95% 96% 96%

PERAGA II 96% 94% 93%

RERATA 96% 95% 95%


L-97

d. Pengujian dengan jarak 4,5 meter.

TINGKAT PENGENALAN

DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA I 96% 94% 94%

PERAGA II 94% 93% 94%

RERATA 95% 94% 94%

e. Pengujian dengan jarak 5 meter.

TINGKAT PENGENALAN

DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA I 94% 93% 94%

PERAGA II 94% 92% 91%

RERATA 94% 93% 93%

Tingkat pengenalan dengan variasi jarak.


TINGKAT PENGENALAN

RERATA DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA I 96% 96% 94% 95%

PERAGA II 96% 94% 93% 94%

b. Pengujian dengan jarak 3,5 meter.

TINGKAT PENGENALAN

RERATA DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA I 96% 95% 96% 96%

PERAGA II 95% 96% 94% 95%


L-98

c. Pengujian dengan jarak 4 meter.

TINGKAT PENGENALAN

RERATA DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA I 95% 96% 96% 96%

PERAGA II 96% 94% 93% 94%

d. Pengujian dengan jarak 4,5 meter.

TINGKAT PENGENALAN

RERATA DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA I 96% 94% 94% 95%

PERAGA II 94% 93% 94% 94%

e. Pengujian dengan jarak 5 meter.

TINGKAT PENGENALAN

RERATA DESIMASI

1

DESIMASI

2

DESIMASI

3

PERAGA I 94% 93% 94% 94%

PERAGA II 94% 92% 91% 92%

Hasil rerata pengenalan dengan variasi desimasi.

DESIMASI TINGKAT PENGENALAN

1 95%

2 94%

3 94%

Hasil rerata pengenalan dengan variasi jarak.

TINGKAT PENGENALAN

Jarak 3

meter

Jarak 3,5

meter

Jarak 4

meter

Jarak 4,5

meter

Jarak 5

meter

PERAGA I 95% 96% 96% 95% 94%

PERAGA II 94% 95% 94% 94% 92%

RERATA 95% 96% 95% 95% 93%


PENGENALAN KODE HURUF SEMAPHORErepository.usd.ac.id/9119/2/135114026_full.pdf · i TUGAS AKHIR...

Documents

Transcript of PENGENALAN KODE HURUF SEMAPHORErepository.usd.ac.id/9119/2/135114026_full.pdf · i TUGAS AKHIR...