PENGENALAN RAMBU LALU LINTAS PERINGATAN …

i

TUGAS AKHIR

PENGENALAN RAMBU LALU LINTAS

PERINGATAN MENGGUNAKAN MOMEN SPASIAL

DAN MOMEN PUSAT

Diajukan untuk memenuhi syarat

memperoleh gelar Sarjana Teknik pada

Program Studi Teknik Elektro

Fakultas Sains dan Teknologi Universitas Sanata Dharma

disusun oleh:

ADRIEL KRIS NOVIANTO

NIM : 175114015

PROGRAM STUDI TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERITAS SANATA DHARMA

YOGYAKARTA

2021

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

FINAL PROJECT

IDENTIFICATION OF WARNING TRAFFIC SIGN

USING SPATIAL AND CENTRAL MOMENTS

Presented as Partial Fulfillment of the Requirements

To Obtain the Bachelor of Engineering Degree

In Study Program of Electrical Engineering

Faculty of Science and Technology, Sanata Dharma University

Compiled by:

ADRIEL KRIS NOVIANTO

NIM : 175114015

DEPARTMENT OF ELECTRICAL ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2021


vi

HALAMAN PERSEMBAHAN

“Hasil tidak akan mengkhianati usaha. Nikmati prosesnya, serahkan semuanya pada

Tuhan. Manusia hanya bisa berusaha”

Skripsi ini kupersembahkan untuk :

Tuhan Yesus Kristus, Bunda Maria, Santo Santa

Ibu, Bapak, Dek Elliya

Maria Fetty Yuliana Sari

Sahabat – sahabatku

Teknik Elektro Sanata Dharma


viii

INTISARI

Pada saat ini, teknologi berkembang sangat cepat. Salah satu contohnya adalah

computer vision. Computer vision merupakan salah satu cara komputer untuk dapat melihat

dan mendapatkan suatu informasi dari citra, sehingga teknologi ini membuat komputer dapat

melihat dan memproses seperti mata manusia. Berdasarkan perkembangan teknologi

tersebut, dibuatlah sebuah aplikasi yang digunakan untuk mengenali rambu lalu lintas

peringatan yang nantinya akan memudahkan pengguna untuk mengetahui arti rambu

tersebut.

Sistem pengenalan dibuat menggunakan bahasa pemrograman python. Citra rambu

lalu lintas direkam menggunakan kamera HP secara langsung di pinggir jalan raya.

Pemrosesan oleh sistem akan menghasilkan citra dalam bentuk biner sebagai hasil

pengenalan rambu lalu lintas peringatan yang memilik warna kuning. Pengenalan

menggunakan ekstraksi ciri momen spasial dan momen pusat dan menggunakan jarak

kosinus dan klasifikasi k-Nearest Neighbour (k-NN).

Pengenalan rambu lalu lintas peringatan menggunakan 2 input, yaitu gambar dan

video. Pengenalan video dan gambar memilik tingkat pengenalan rata-rata yang sama, hal

ini disebabkan karena objek yang diolah merupakan objek dengan frame yang sama. Tingkat

pengenalan sebesar 82% dengan nilai k=1, 69% dengan nilai k=3, 68% dengan nilai k=5,

dan 64% dengan nilai k=7. Selain berdasarkan nilai k, tingkat rata-rata pengenalan diproses

berdasarkan jarak objek sebesar 77% untuk jarak 1 m, 71% untuk jarak 2 m, dan 64% untuk

jarak 3 m.

Kata kunci : Rambu lalu lintas peringatan, momen spasial dan momen pusat, jarak kosinus,

dan k-Nearest Neighbour (k-NN).


ix

ABSTRACT

Currently, technology is rapidly improving. Computer vision is one of its examples. It

is a way for computers to see and gain information from imageries, allowing computers to

see and process the way human eyes do. An application can be made based on such

technology, used to identify traffic signs, therefore informing users of the meaning of said

signs.

The recognition system is made using the Python programming language. An image

of a traffic sign is recorded directly through a smartphone camera and processed by the

system into the binary form, resulting in an identified traffic sign with a yellow color code,

for example. The identification process utilizes the extraction of spatial and central

moments’ characteristics and the use of the cosine distance and classification of k-Nearest

Neighbour (k-NN)

The identification of traffic signs using 2 input, that is picture and video. Identification

picture and video have a similar average identification rate, due to objects processed having

similar frames. The identification rate is as big as 82% with the value of k=1, 69% with k=3,

68% with k=5, and 64% with k=7. Alongside the value of k, the average identification rate

is processed based on the distance of the objects, with 77% from a distance of 1 m, 71%

from a distance of 2 m, and 64% from 3 m.

Keywords: warning traffic signs, spatial moment and central moment, cosine distance,

k-Nearest Neighbour (k-NN)


x

KATA PENGANTAR

Setiap pekerjaan yang dilakukan seseorang, pasti memiliki rintangan dan halangan. Untuk

mengatasi hal tersebut dibutuhkan dukungan baik dari individu maupun kelompok sehingga

pekerjaan itu terselesaikan. Pada kesempatan ini, penulis mengucapkan terima kasih untuk :

1. Tuhan Yesus Kristus, Bunda Maria, Santo Yosef, Santo Santa pelindung yang telah

memberi dukungan iman dan selalu memberikan jalan di saat tersesat.

2. Kedua orang tua saya dan Dek Elliya yang selalu memberikan semangat dan

dukungan.

3. Maria Fetty Yuliana Sari yang selalu setia memberikan semangat dan selalu siap

memberikan bantuan.

4. Bapak Dr. Linggo Sumarno selaku dosen pembimbing yang sangat sabar

membimbing dan siap sedia memberikan masukan yang berguna untuk

menyelesaikan Tugas Akhir.

5. Bapak Damar Widjaja, Ph.D. dan Ibu Wiwien Widyastuti, S.T., M.T. selaku dosen

penguji yang memberikan kritik dan saran yang sangat membangun demi

pengembangan Tugas Akhir ini.

6. Bapak Ir. Tjendro, M.Kom., selaku Ketua dan Bapak Dr. Linggo Sumarno selaku

Wakil Ketua Program Studi Teknik Elektro, dan Dekan Fakultas Sains dan

Teknologi yang telah memberikan dukungan dan pedampingan baik secara akademik

dan non akademik sehingga penulis dapat menyelesaikan studi dengan baik.

7. Ibu Ir. Th. Prima Ari Setiyani, M.T. selaku Dosen Pembimbing Akademik yang

selalu memberikan arahan selama perkuliahan agar dapat berjalan dengan lancar.

8. Nova Budi Kurniawan dan Septiyan Dwi Prasetya yang telah bersama – sama

menyelesaiakan dan mengerjakan tugas akhir ini.

9. Della, Vicko, Dandi, Yosa, Titan, Yosafat, dan Langgeng selaku teman satu dosen

pembimbing yang selalu memberikan semangat dan berjuang bersama selama

pengerjaan tugas akhir ini.

10. Seluruh dosen dan karyawan Program Studi Teknik Elektro yang telah memberikan

pelayanan baik secara akademik maupun non akademik dan memberikan kelancaran

selama masa perkuliahan berlangsung.

11. Teman teman Teknik Elektro Universitas Sanata Dharma angkatan 2017 yang selalu

mendukung, selalu kompak sejak menjadi bagian keluarga besar Teknik Elektro


xii

DAFTAR ISI

HALAMAN SAMPUL (BAHASA INDONESIA) ........................................................ i

HALAMAN SAMPUL (BAHASA INGGRIS) ............................................................. ii

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

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

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

HALAMAN PERSEMBAHAN ..................................................................................... vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK

KEPENTINGAN AKADEMIS ...................................................................................... vii

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

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

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

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

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

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

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

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

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

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

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

BAB II DASAR TEORI ................................................................................................. 6

2.1. Rambu Lalu Lintas ...................................................................................... 6

2.2. Pengolahan Citra ......................................................................................... 7

2.2.1. Ruang Warna RGB (Red, Green, Blue) ........................................ 7

2.2.2. Hue, Saturation, Value (HSV) ...................................................... 8

2.2.3. Citra Biner .................................................................................... 11


xiii

2.2.4. Cropping ....................................................................................... 12

2.3. Operasi Morflogi ......................................................................................... 12

2.3.1. Operasi Dilasi dan Erosi ............................................................... 12

2.4. Pengurangan Derau (Noise) ......................................................................... 13

2.5. Bounding Box .............................................................................................. 14

2.6. Momen Spasial dan Momen Pusat .............................................................. 14

2.7. Log Scale ..................................................................................................... 18

2.8. Template Matching ...................................................................................... 18

2.8.1. Fungsi Jarak Kosinus ................................................................... 19

2.9. k-Nearest Neighbour (k-NN) ....................................................................... 20

BAB III RANCANGAN PENELITIAN ........................................................................ 22

3.1. Perancangan Sistem ..................................................................................... 22

3.2. Proses Kerja Sistem ..................................................................................... 23

3.2.1. Input Data ..................................................................................... 25

3.2.2. Preprocessing ............................................................................... 27

3.3. Tahap Ekstraksi Ciri Momen Spasial dan Momen Pusat ............................ 31

3.4. Perhitungan Jarak Kosinus .......................................................................... 32

3.5. Penentuan Keluaran ..................................................................................... 34

3.6. Pembuatan Database ................................................................................... 35

3.7. Pengujian Rambu Lalu Lintas Peringatan ................................................... 36

3.7.1. Pengujian Input Gambar ............................................................... 36

3.7.2. Pengujian Input Video .................................................................. 36

3.8. Menentukan Tingkat Pengenalan Sistem .................................................... 36

3.9. Perancangan GUI ......................................................................................... 37

BAB IV HASIL DAN PEMBAHASAN ........................................................................ 39

4.1. Perubahan Rancangan.................................................................................. 39

4.1.1. Batasan Masalah dan Pengambilan Data ...................................... 39

4.1.2. Perbandingan Hasil CW dan CCW Kotak Kecil dan

Kotak Besar ................................................................................... 40

4.1.3. Metodologi Penelitian .................................................................. 41

4.1.4. Rambu Lalu Lintas Peringatan ..................................................... 42


xiv

4.1.5. Penghilangan Istilah Real Time dan Non Real Time .................... 42

4.1.6. Rancangan Penelitian .................................................................... 43

4.1.7. Perubahan dan cara Penggunaan GUI ........................................... 46

4.1.8. Pembuatan Database .................................................................... 49

4.2. Hasil Pengujian dan Analisis Data .............................................................. 50

4.2.1. Pengujian Input Video .................................................................. 51

4.2.2. Pengujian Input Gambar ............................................................... 53

4.3. Catatan dalam Penelitian ............................................................................. 55

4.4. Hasil Perbandingan dengan Penelitian Lainnya .......................................... 56

BAB V KESIMPULAN DAN SARAN ......................................................................... 58

4.1. Kesimpulan .................................................................................................. 58

4.2. Saran ............................................................................................................ 58

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

LAMPIRAN 1 ................................................................................................................ L-1

A. Data Pengujian Input Video ........................................................................... L-1

B. Data Pengujian Input Gambar ........................................................................ L-7

LAMPIRAN 2 Data Perubahan Rambu Lalu Lintas Peringatan .................................... L-14

LAMPIRAN 3 Nilai Ekstraksi Ciri Database ................................................................ L-15


xv

DAFTAR GAMBAR

Gambar 2.1. Contoh Rambu Peringatan Sesuai Undang-Undang ................................ 6

Gambar 2.2. Rambu Peringatan di Jalan Raya.............................................................. 7

Gambar 2.3. Representasi Nilai RGB ........................................................................... 7

Gambar 2.4. Citra RGB ................................................................................................ 8

Gambar 2.5. Representasi 3D Silindris HSV ................................................................ 9

Gambar 2.6. Pembagian Level HSV ............................................................................. 9

Gambar 2.7. (a) Citra HSV ; (b) Komponen Hue ; (c) Komponen Saturation ; (d)

Komponen Value ............................................................................................................ 10

Gambar 2.8. Contoh Citra Biner ................................................................................... 12

Gambar 2.9. Contoh Cropping ...................................................................................... 12

Gambar 2.10. (a) Hasil Operasi Dilasi ; (b) Hasil Operasi Erosi .................................. 13

Gambar 2.11. Hasil Gaussian Filter.............................................................................. 13

Gambar 2.12. Hasil Bounding Box................................................................................ 14

Gambar 2.13. Contoh Citra Untuk Perhitungan Manual .............................................. 15

Gambar 3.1. Perancangan Sistem ................................................................................. 22

Gambar 3.2. Diagam Blok Kerja Sistem Input Gambar ............................................... 23

Gambar 3.3. Diagam Blok Kerja Sistem Input Video .................................................. 24

Gambar 3.4. Diagram Blok Input Data Gambar ........................................................... 26

Gambar 3.5. Diagram Blok Input Data Video .............................................................. 26

Gambar 3.6. Diagram Blok Preprocessing (Input Gambar) ......................................... 27

Gambar 3.7. Diagram Blok Preprocessing (Input Video) ............................................ 28

Gambar 3.8. Diagram Blok Konversi BGR ke HSV .................................................... 29

Gambar 3.9. Diagram Blok Segmentasi HSV (Deteksi Warna Kuning) ...................... 29


xvi

Gambar 3.10. Diagram Blok Dilasi dan Erosi .............................................................. 30

Gambar 3.11. Diagram Blok Proses Cropping ............................................................. 31

Gambar 3.12. Diagram Blok Ekstraksi Ciri .................................................................. 31

Gambar 3.13. Diagram Blok Fungsi Jarak Kosinus ..................................................... 33

Gambar 3.14. Diagram Blok Penentuan Keluaran ........................................................ 34

Gambar 3.15. Diagram Blok Database ......................................................................... 35

Gambar 3.16. Perancangan GUI ................................................................................... 37

Gambar 4.1. CW dan CCW Kotak Kecil ...................................................................... 39

Gambar 4.2. CW dan CCW Kotak Besar...................................................................... 40

Gambar 4.3. Perbandingan Hasil Kotak Kecil dan Kotak Besar .................................. 41

Gambar 4.4. Perubahan Rambu Peringatan yang digunakan dalam Penelitian ............ 42

Gambar 4.5. Perubahan Diagram Blok Input Gambar .................................................. 43

Gambar 4.6. Perubahan Diagram Blok Prepocessing (Input Gambar)......................... 44

Gambar 4.7. Perubahan Diagram Blok Prepocessing (Input Video) ............................ 45

Gambar 4.8. Tampilan Awal GUI ................................................................................. 46

Gambar 4.9. Tampilan List Box .................................................................................... 46

Gambar 4.10. Tampilan Awal GUI Pengenalan Gambar ............................................. 47

Gambar 4.11. Tampilan Awal GUI Pengenalan Video ................................................ 47

Gambar 4.12. GUI Hasil Pengenalan Gambar .............................................................. 48

Gambar 4.13. GUI Hasil Pengenalan Video ................................................................. 48

Gambar 4.14. Hasil Pengujian Input Video .................................................................. 51

Gambar 4.15. Contoh Gambar Biner 1 ......................................................................... 52

Gambar 4.16. Hasil Pengujian Input Gambar ............................................................... 54

Gambar 4.17. Contoh Gambar Biner 2 ......................................................................... 55


xvii

DAFTAR TABEL

Tabel 2.1. Hasil Perhitungan Pusat Masa (�̅�) ................................................................ 15

Tabel 2.2. Hasil Perhitungan Pusat Masa (�̅�) ................................................................ 16

Tabel 2.3. Perhitungan Momen Pusat ............................................................................ 17

Tabel 2.4. Hasil Momen Pusat ....................................................................................... 17

Tabel 2.5. Perhitungan Momen Pusat Ternormalisasi ................................................... 17

Tabel 2.6. Hasil Momen Pusat Ternormalisasi .............................................................. 18

Tabel 2.7. Contoh Hasil Perhitungan Tanpa Log Scale ................................................. 18

Tabel 2.8. Contoh Hasil Perhitungan dengan Log Scale ............................................... 18

Tabel 2.9. Hasil Perhitungan Jarak Kosinus .................................................................. 20

Tabel 2.10. Urutan Jarak Kosinus .................................................................................. 20

Tabel 2.11. Pengambilan Nilai Sebanyak k=3 ............................................................... 21

Tabel 2.12. Pengambilan Nilai Sebanyak k=5 ............................................................... 21

Tabel 3.1. Keterangan GUI ............................................................................................ 37

Tabel 4.1. Database Setiap Jarak ................................................................................... 49

Tabel 4.2. Database Gabungan ...................................................................................... 49

Tabel 4.3. Rata-rata Berdasarkan Jarak: Hasil Tingkat Pengenalan .............................. 52

Tabel 4.4. Rata-rata Berdasarkan Nilai k: Hasil Tingkat Pengenalan ........................... 52

Tabel 4.5. Rata-rata Berdasarkan Jarak: Hasil Tingkat Pengenalan .............................. 54

Tabel 4.6. Rata-rata Berdasarkan Nilai k: Hasil Tingkat Pengenalan ........................... 54

Tabel 4.7. Hasil Perbandingan Penelitian ...................................................................... 56

Tabel L-1. Confusion Matrix Jarak 1 m nilai k=1 (input Video) .................................. L-1




xviii







Tabel L-10. Confusion Matrix Jarak 3 m nilai k=3 (input Video) ................................ L-6



Tabel L-13. Confusion Matrix Jarak 1 m nilai k=1 (input Gambar) ............................. L-8












Tabel L-25. Data Perubahan Rambu Lalu Lintas Peringatan ........................................ L-14


1

BAB I

PENDAHULUAN

1.1 . Latar Belakang

Pada jaman ini teknologi berkembang sangat cepat. Computer vision merupakan

contoh salah satu teknologi yang dikembangkan. Computer vision adalah sebuah teknologi

yang membuat sebuah komputer dapat melihat dan mengenali suatu informasi dari suatu

gambar atau citra sehingga komputer ini dapat memiliki kemampuan seperti mata manusia

dan menangkap informasi secara visual [1]. Berdasarkan teknologi yang ada tersebut, maka

penulis membuat suatu program sehingga komputer dapat mengenali lambang rambu-rambu

lalu lintas. Gambar yang akan dikenali yaitu gambar rambu-rambu lalu lintas peringatan

yang terdapat di jalan raya (real location).

Sistem pengenalan rambu-rambu lalu lintas ini bersifat real location menggunakan

kamera handphone untuk mengambil citra. Penelitian mengenai rambu lalu lintas

sebelumnya telah dilakukan oleh Nugroho tentang Pengenalan Secara Real Time Rambu

Lalu Lintas Peringatan Menggunakan Ekstraksi Ciri Wavelet Haar dan Fungsi Jarak Chi

Square [2] dan Rizarta tentang Pengenalan Citra Rambu Lalu Lintas Menggunakan Ekstraksi

Fitur Momen Warna dan K-Nearest Neighbour [3]. Perbedaan penelitian yang akan

dilakukan ini dengan penelitian sebelumnya dibagi menjadi beberapa poin, antara lain :

ekstraksi ciri, pemrograman, fungsi jarak, pengambilan input, dan jumlah input. Persamaan

penelitian ini dengan penelitian sebelumnya yaitu melakukan pengenalan terhadap rambu-

rambu lalu lintas.

Berdasarkan penelitian yang sudah dilakukan, maka penulis melakukan penelitian

lanjutan dengan menggunakan metode dan fungsi yang berbeda. Hal ini bertujuan untuk

mengembangkan penelitian-penelitian yang telah dilakukan sebelumnya. Penelitian ini bila

dikembangkan nantinya dapat memberikan informasi kepada pengemudi kendaraan

mengenai rambu-rambu lalu lintas yang ada di jalan raya. Hal ini dapat membantu

pengendara lebih fokus di jalan raya dan dapat mengurangi resiko kecelakaan serta

pelanggaran-pelanggaran lalu lintas.


2

1.2. Tujuan dan Manfaat

Tujuan dari penelitian ini adalah membuat aplikasi pengenalan rambu-rambu lalu

lintas peringatan yang ada di jalan raya.

Manfaat penelitian ini yaitu :

a. Sebagai referensi untuk penelitian tentang pengenalan rambu-rambu lalu lintas.

b. Sebagai media bahan ajar mengenai computer vision.

1.3. Batasan Masalah

Sistem pengenalan rambu-rambu lalu lintas peringatan ini terdiri dari perangkat keras

(hardware) yang berupa laptop dan kamera ponsel, serta perangkat lunak (software) yang

berupa bahasa pemrograman python, yang digunakan untuk proses pengolahan data.

Pada penelitian ini, yang menjadi fokus penulis adalah pembuatan software komputer

yang nantinya akan digunakan untuk mengenali rambu-rambu lalu lintas peringatan.

Sedangkan untuk hardware berupa laptop dan kamera ponsel yang sudah dimiliki penulis.

Selain itu, penulis juga menetapkan beberapa batasan masalah, antara lain sebagai berikut :

a. Masukan data berasal dari gambar rambu-rambu lalu lintas peringatan berjumlah

10 rambu dengan latar belakang tidak ada warna kuning dan diambil diambil secara

langsung di jalan raya dengan posisi rambu sebelah kiri dan tidak ada halangan

pada rambu

b. Sepuluh rambu peringatan dalam penelitian adalah banyak lalu lintas pejalan kaki

anak-anak, Peringatan (ditegaskan penjelasan jenis peringatan dengan

menggunakan papan tambahan, contoh : hati-hati), Jembatan, Penyempitan Bagan

Jalinan Jalan Tertentu, Pintu Perlintasan Sebidang Kereta Api, Persimpangan Tiga

Sisi Kanan, Persimpangan Tiga Sisi Kiri, Tikungan ke Kanan, Tikungan ke Kiri,

Alat Pemberi Isyarat Lalu Lintas, dan Simpang Empat Prioritas.

c. Pengambilan gambar dan video menggunakan kamera ponsel.

d. Pemrograman dan tampilan GUI menggunakan pemrograman Python di laptop.

e. Variasi penyekalaan dilakukan dengan variasi jarak pada masing masing rambu,

jarak yang digunakan mulai 1m kemudian kelipatan 1m hingga rambu tidak dapat

dikenali.


3

f. Variasi sudut menyerong yang digunakan adalah dimulai dari 0𝑜 kemudian

kelipatan 5𝑜 hingga rambu tidak dapat dikenali pada masing masing jarak dan

rambu.

g. Variasi translasi dilakukan di 3 titik sebelah kiri (atas, tengah, bawah) pada masing

masing jarak dan rambu.

h. Pengenalan rambu lalu lintas ini menggunakan momen spasial dan momen pusat

serta jarak kosinus.

i. Hasil pengenalan berupa teks di layar monitor laptop.

j. Sistem pengenalan bersifat real location, real time (input video) dan non real time

(input image).

k. Jika ada rambu lain di luar 10 rambu yang dilatihkan maka akan dikenali sebagai

salah satu dari 10 rambu yang dilatihkan.

1.4. Metodologi Penelitian

Langkah-langkah yang akan dilakukan dalam pengerjaan tugas akhir, yaitu :

a. Studi literatur

Studi literatur merupakan hal yang penting, karena dengan studi literatur penulis

dapat mengetahui informasi yang diinginkan. Cara yang dilakukan, yaitu dengan

mengumpulkan dan mempelajari jurnal-jurnal dan penelitian-penelitian, baik yang

berasal dari Universitas Sanata Dharma maupun jurnal dan penelitian dari luar

Universitas Sanata Dharma. Studi literatur juga dapat bersumber dari media

internet dan media-media lain yang terpercaya. Studi literatur dilakukan untuk

mempelajari dan memperdalam ilmu mengenai topik penelitian ini.

b. Perancangan software

Tahap selanjutnya merupakan tahap perancangan pada software dengan bahasa

pemrograman Python. Tahap ini bertujuan untuk memberikan gambaran

bagaimana sistem nantinya akan bekerja sehingga sesuai dengan yang diharapkan.

Cara yang dapat dilakukan adalah dengan mengetahui dahulu garis besar proses

program, kemudian membuat rencana kerangka GUI dan komponen apa saja yang

akan dimasukkan ke dalam GUI. Software yang akan dibuat terdiri dari 2 software,

yaitu software dengan input gambar (non real time) dan software dengan input

video (real time).


4

c. Pembuatan software

Pembuatan software ini merupakan implementasi dari perancangan yang telah

dilakukan sebelumnya. Pembuatan software ini terbagi menjadi 3 bagian, yaitu

preprocessing, ekstraksi ciri, dan klasifikasi. Sistem pengenalan rambu lalu lintas

peringatan ini bekerja apabila pengguna memasukkan gambar atau video yang

sudah diambil sebelumnya menggunakan kamera ponsel pada rambu peringatan di

jalan raya. Tahap pertama adalah tahap preprocessing, yaitu dengan mengkonversi

citra RGB ke citra HSV. Kemudian dari citra HSV penulis mengambil citra hue,

dari citra hue tersebut kemudian dikonversi menjadi citra biner. Tahap selanjutnya

adalah proses cropping untuk mengambil bagian yang akan diproses dan

menghilangkan bagian yang tidak diinginkan. Setelah tahap preprocessing tahap

selanjutnya adalah proses pengenalan rambu-rambu lalu lintas peringatan terdiri

dari tahap ekstraksi ciri dan tahap fungsi jarak, dalam tahap ini nantinya akan

dibandingkan juga dengan data pada database. Tahap terakhir adalah klasifikasi,

yaitu proses penentuan keluaran dan menampilkan hasil pada layar monitor laptop

dengan menggunakan klasifikasi k-NN.

d. Pengambilan data

Pengambilan data dilakukan untuk pembuatan data pada database yang nantinya

akan dibandingkan dengan data pengujian. Data yang diambil yaitu hasil ekstraksi

ciri. Data diambil berdasarkan variasi penelitian yaitu penyekalaan dengan variasi

jarak 1m dengan kelipatan 1m hingga rambu tidak dapat dikenali. Kemudian

variasi sudut menyerong (melenceng) dengan variasi sudut dimulai dari 0𝑜

kemudian kelipatan 5𝑜 hingga rambu tidak dapat dikenali. Penulis menggunakan

variasi translasi 3 titik sebelah kiri. Masing masing variasi dilakukan pada masing-

masing rambu. Pengambilan data ini akan dilakukan di 3 lokasi yang berbeda, 1

lokasi untuk database dan 2 lokasi untuk data uji. Selain untuk database,

pengambilan data juga dilakukan untuk pengujian kinerja sistem tersebut. Jumlah

data untuk database adalah 350 (5 jarak + 15 titik + 15 sudut x 10 rambu) dan

jumlah data untuk pengujian sistem berjumlah 700 data (350 x 2 lokasi).

e. Analisa dan kesimpulan

Analisa dilakukan untuk mengetahui potensi keberhasilan program untuk

mengenali rambu-rambu lalu lintas peringatan dan mencari variasi penelitian yang

terbaik yang menghasilkan tingkat pengenalan rambu yang optimal. Hal ini


5

diperoleh dengan melihat apakah hasil data uji sudah sesuai dengan data pada

database yang telah dibuat. Hasil pengenalan penelitian ini akan dibandingkan

dengan hasil penelitian sebelumnya. Kesimpulan dilakukan untuk menyimpulkan

analisa atau pembahasan mengenai hasil penelitian..


6

BAB II

DASAR TEORI

2.1. Rambu Lalu Lintas

Rambu lalu lintas adalah bagian perlengkapan jalan yang berupa lambang, huruf,

angka, kalimat, dan/atau perpaduan yang berfungsi sebagai peringatan, larangan, perintah,

atau petunju bagi pengguna jalan [4].

Di Indonesia rambu-rambu lalu lintas terbagi menjadi 4 jenis, yaitu rambu peringatan,

rambu perintah, rambu larangan, dan rambu petunjuk. Pada penelitian ini, penulis

menggunakan rambu peringatan (Gambar 2.1.). Rambu peringatan adalah sebuah rambu

yang digunakan untuk memberi peringatan kemungkinan ada bahaya atau tempat berbahaya

di depan pengguna jalan. Warna dasar rambu peringatan adalah berwarna kuning dengan

lambing atau tulisan berwarna hitam.

(a) (b) (c) (d) (e)

(f) (g) (h) (i) (j)

Gambar 2.1. Contoh Rambu Peringatan Sesuai Undang-Undang. (a) Banyak Lalu

Lintas Pejalan Kaki Anak-anak ; (b) Peringatan (ditegaskan penjelasan jenis peringatan

dengan menggunakan papan tambahan, contoh : hati-hati) ; (c) Jembatan, Penyempitan

Bagan Jalinan Jalan Tertentu ; (d) Pintu Perlintasan Sebidang Kereta Api ; (e)

Persimpangan Tiga Sisi Kanan ; (f) Persimpangan Tiga Sisi Kiri ; (g) Tikungan ke Kanan ;

(h) Tikungan ke Kiri ; (i) Alat Pemberi Isyarat Lalu Lintas ; (j) Simpang Empat Prioritas

[4].


7

Gambar 2.2. Rambu Peringatan di Jalan Raya

2.2. Pengolahan Citra

Pengolahan citra adalah bidang ilmu yang mempelajari tentang bagaimana suatu citra

dibentuk, diolah, dan dianalisis sehingga menghasilkan informasi yang dapat dipahami

manusia. Citra yang dimaksud dapat berupa citra diam (gambar) maupun citra bergerak

(berasal dari webcam atau video) [5].

2.2.1. Ruang Warna RGB (Red, Green, Blue)

Model warna RGB adalah model warna berdasarkan konsep penambahan kuat

cahaya primer yaitu Red, Green, dan Blue [6]. Bila dalam suatu ruang sama sekali tidak ada

cahaya, maka ruang tersebut gelap total, tidak ada sinyal gelombang cahaya yang diserap

oleh mata kita atau RGB (0,0,0). Apabila di dalam suatu ruangan ada 2 macam cahaya primer

(merah dan hijau) atau (merah dan biru) atau (hijau dan biru) maka ruangan tersebut akan

berubah warna menjadi kuning, atau magenta atau cyan. Warna yang dibentuk dari 2

kombinasi warna tersebut adalah warna sekunder. Sedangkan untuk warna tersier (abu-abu,

putih) terbentuk dari gabungan 3 warna primer.

Gambar 2.3. Representasi Nilai RGB [7]

Pada perhitungan dalam program program komputer model warna direpresentasikan

dengan nilai komponennya. Gambar 2.3. menunjukkan koordinat 3D dengan nilai masing


8

masing komponen terdapat 256 tingkat, nilai intensitas masing-masing warna pokok

berbeda, nilai maksimum adalah 255 atau 28 = 8 bit. Bila masing-masing komponen warna

bernilai maksimal maka sama dengan 24 bit, sehingga terdapat 16.777.216 warna.

Pembagian ruang warna RGB ditunjukkan pada Gambar 2.4.

a b

c d

Gambar 2.4. (a) Citra RGB ; (b) Komponen Red ; (c) Komponen Green ; (d)

Komponen Blue

2.2.2. Hue, Saturation, Value (HSV)

Model warna HSV mendefinisikan warna dalam terminologi Hue, Saturation, dan

Value. Hue merupakan warna sebenarnya, seperti merah, violet, dan kuning. Hue digunakan

untuk membedakan warna-warna dan menentukan kemerahan (redness), kehijauan

(greenness) dan sebagainya dari suatu cahaya. Hue berasosiasi dengan panjang gelombang

cahaya. Untuk menentukan kemurnian suatu warna maka digunakan saturation. Saturation

bekerja untuk mengindikasikan seberapa banyak warna putih yang akan diberikan pada suatu

cahaya. Banyaknya cahaya yang diterima oleh mata manusia tanpa memperdulikan warna

dapat disebut value [6].


9

Gambar 2.5. Reperesentasi 3D silindris HSV [8]

Pada Gambar 2.5. merupakan gambar distribusi warna dalam ruang silinder 3D-HSV.

Semua warna yang terletak di pinggir silinder merupakan warna dengan nilai saturasi 100%

(tidak mengandung cahaya putih) atau merupakan warna utama, sedangkan semakin ke

dalam warna akan semakin menuju putih (tingkat saturasi 0%). Semakin ke bawah warna

akan semakin gelap, semakin ke atas warna akan semakin cerah.

Gambar 2.6. Pembagian Level HSV [9]

Pada Gambar 2.6. menunjukkan bahwa hue memiliki rentang derajat nilai 0-360

dengan pembagian warna seperti pada Gambar 2.6. dalam penelitian ini yang digunakan

adalah citra hue , sedangkan untuk saturation memiliki rentang presentase 0-100 dengan 0

warna akan menjadi gelap dan 100 warna akan semakin cerah. Untuk value atau kecerahan

rentang presentase 0-100, semakin tinggi presentase kecerahan maka cahaya putih akan

semakin nampak. Pembagian warna HSV ditunjukkan pada Gambar 2.7. Citra HSV akan

digunakan dalam pengujian, citra HSV diubah menjadi citra biner untuk mendapatkan hasil

ekstraksi ciri masing – masing rambu. Citra hue merupakan citra yang digunakan ketika

sistem sudah berjalan, sedangkan untuk saturation dan value tidak digunakan.


10

a b

c d

Gambar 2.7. (a) Citra HSV ; (b) Komponen Hue ; (c) Komponen Saturation ; (d)

Komponen Value

Untuk mendapatkan nilai H, S, V berdasarkan warna R, G, B terdapat beberapa cara,

yaitu [8]:

𝐻 = tan (3(𝐺−𝐵)

(𝑅−𝐺)+(𝑅−𝐵))

(2.1)

𝑆 = 1 −min(𝑅,𝐺,𝐵)

𝑉

𝑉 =𝑅+𝐺+𝐵

3

Persamaan 2.1. merupakan cara perhitungan pertama untuk mencari nilai Hue,

Saturation, dan Value.

Pada persamaan 2.1. membuat hue tidak terdefinisi apabila S bernilai 0. Oleh karena

itu perlu dilakukan normalisasi terhadap R, G, B seperti pada Persamaan 2.2. berikut:

𝑟 =𝑅

(𝑅 + 𝐺 + 𝐵); 𝑔 =

𝐺

(𝑅 + 𝐺 + 𝐵); 𝑏 =

𝐵

(𝑅 + 𝐺 + 𝐵)

(2.2)


11

Berdasarkan nilai normalisasi dengan Persamaan 2.2, maka dapat dihitung untuk

memeperoleh nilai H, S, V seperti pada Persamaan 2.3. berikut:

𝑉 = max(𝑟, 𝑔, 𝑏)

(2.3)

𝑆 = {

0, 𝑗𝑖𝑘𝑎𝑉 = 0

1 −min(𝑟, 𝑔, 𝑏)

𝑉, 𝑉 > 0

𝐻 =

{

0, 𝑗𝑖𝑘𝑎𝑆 = 060(𝑔 − 𝑏)

(𝑠)(𝑣), 𝑗𝑖𝑘𝑎𝑉 = 𝑟

60 [2 +𝑏 − 𝑟

(𝑠)(𝑣)] , 𝑗𝑖𝑘𝑎𝑉 = 𝑔

60 [4 +𝑟 − 𝑔

(𝑠)(𝑣)] , 𝑗𝑖𝑘𝑎𝑉 = 𝑏

𝐻 = 𝐻 + 360

2.2.3. Citra Biner

Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai derajat

keabuan, yaitu hitam dan putih. Meskipun saat ini citra berwarna lebih disukai karena

memberi kesan yang lebih kaya daripada citra biner, namun tidak membuat citra biner mati.

Pada aplikasinya, cita biner masih tetap dibutuhkan [10].

Proses segmentasi citra untuk menghasilkan citra biner dengan cara membedakan

antara objek yang akan digunakan dengan latar belakangnya. Pada penelitian ini citra yang

dikenali hanya satu objek. Citra yang dijadikan objek adalah citra yang berwarna kuning

seperti level warna hue pada Gambar 2.6.

Operasi citra biner diawali dengan menambah saturation dan brightness pada citra

yang didapat. Kemudian lakukan konversi citra RGB ke citra HSV. Pada Python nilai biner

1 direalisasikan dengan warna putih dan nilai biner 0 direalisasikan dengan nilai biner hitam.

Penulis menggunakan Gaussian Blur untuk mengurangi noise pada citra sehingga objek

yang akan digunakan tidak terganggu dengan adanya noise. Contoh citra biner dapat

ditampilkan pada Gambar 2.8.


12

Gambar 2.8. Contoh Citra Biner

2.2.4. Cropping

Cropping merupakan cara agar pengolahan citra menjadi lebih mudah. Cara ini

menentukan objek yang akan digunakan untuk pengolahan citra, sedangkan objek yang lain

yang tidak dibutuhkan akan dipotong atau dihilangkan sehingga tidak menganggu proses

pengolahan citra. Pada penelitian ini, penulis menggunakan objek yang terbesar sebagai

objek penelitian, sehingga objek-objek kecil atau noise yang ada di sekitarnya akan hilang

atau terpotong, hal ini akan mempermudah pengenalan citra selanjutnya. Contoh cropping


Gambar 2.9. Contoh Cropping

2.3. Operasi Morfologi

Operasi morfologi adalah operasi yang dilakukan pada citra biner (hitam-putih) untuk

mengubah struktur suatu objek yang terkandung dalam suatu citra sehingga objek tersebut

dapat dideteksi [11].

2.3.1. Operasi Dilasi dan Erosi

Operasi dilasi dan erosi merupakan salah satu contoh operasi morfologi dalam

pengolahan citra digital. Operasi dilasi digunakan untuk melakukan pelebaran pada struktur


13

piksel objek. Operasi erosi digunakan untuk memperkecil stuktur piksel objek [11]. Contoh

operasi morfologi ditampilkan pada Gambar 2.10.

a b

Gambar 2.10. (a) Hasil Operasi Dilasi ; (b) Hasil Operasi Erosi

2.4. Pengurangan Derau (Noise)

Noise atau derau adalah gangguan atau kecacatan pada suatu citra sehingga

mengakibatkan informasi pada citra tersebut hilang [12]. Pada penelitian ini penulis

menggunakan metode Gaussian Filter dan Median Filter untuk pengurangan derau.

Gaussian filter digunakan untuk menghilangkan derau yang muncul pada saat konversi BGR

ke HSV ditunjukkan pada Gambar 2.7.(a), gambar yang telah dikonversi memiliki (noise)

berupa titik – titik hitam kecil yang akan menganggu pada saat proses ekstraksi ciri. Derau

disekitar objek dihilangkan supaya warna kuning pada objek terlihat lebih jelas sehingga

mudah dikenali. Gaussian Filter digunakan ketika tampilan citra masih utuh (Gambar 2.11.).

Median filter digunakan ketika objek yang akan dideteksi sudah dipotong dan dalam bentuk

gambar biner (Gambar 2.9.).

Gambar 2.11. Hasil Gaussian Filter


14

2.5. Bounding Box

Bounding box merupakan kotak pembatas yang berfungsi sebagai titik acuan objek

yang akan diteliti [13]. Pada penelitian ini bounding box hanya digunakan pada pengenalan

dengan input berupa video. Contoh bounding box ditampilkan pada Gambar 2.12.

Gambar 2.12. Bounding box

2.6. Momen Spasial dan Momen Pusat

Area, posisi, orientasi, dan parameter terdefinisi lainnya pada suatu objek dapat

digambarkan dengan momen. Momen spasial orde (m, n) dapat didefinisikan seperti

Persamaan 2.4. [11].

𝑀𝑖𝑗 = ∑ ∑ 𝑥𝑖𝑦𝑖𝑁

𝑦=1𝐼(𝑥, 𝑦)

𝑀

𝑋=1

(2.4)

Keterangan :

𝑖, 𝑗 = 0, 1, 2,.., dengan 𝑖𝑗 menyatakan orde momen

𝑀 = jumlah kolom pada citra

𝑁 = jumlah baris pada citra

𝑋 = ordinat piksel

𝑦 = absis piksel

𝐼(𝑥, 𝑦) = intensitas piksel pada posisi (𝑥, 𝑦)


15

Momen pusat adalah momen spasial yang dihitung relatif terhadap pusat massa. Jika

pusat massa adalah (𝑥,̅ �̅�), momen pusat ditulis seperti Persamaan 2.5.

μ𝑖𝑗 =∑ ∑ (𝑥 − �̅�)𝑖(𝑦 − �̅�)𝑗𝐼(𝑥, 𝑦)𝑁

𝑦=1

𝑀

𝑋=1

(2.5)

Momen pada Persamaan 2.5. bersifat invariant (tidak terpengaruh) terhadap translasi.

Dalam hal ini, �̅� dan �̅� diperoleh melalui Persamaan 2.6.

�̅� = 𝑀10𝑀00

, �̅� = 𝑀01

𝑀00

(2.6)

Normalisasi perlu dilakukan agar tidak terpengaruh tidak hanya terhadap translasi,

namun juga terhadap penyekalaan serta rotasi. Momen pusat ternormalisasi dapat dilakukan

dengan Persamaan 2.7.

ŋ𝑖𝑗 =𝜇𝑝𝑞

𝜇00𝑦, 𝑦 =

𝑖+𝑗+2

2 (2.7)

Contoh citra biner untuk perhitungan manual seperti pada Gambar 2.13.

Gambar 2.13. Contoh Citra Untuk Perhitungan Manual

Pertama kali dilakukan perhitungan untuk mendapatkan nilai𝑥,̅ �̅� seperti Persamaan 2.6.

�̅� =𝑀10𝑀00

=∑𝑥1𝑦0(𝐼(𝑥, 𝑦) > 0)

∑𝑥0𝑦0(𝐼(𝑥, 𝑦) > 0)=∑𝑥1𝑦0(𝐼(𝑥, 𝑦) > 0)

∑𝑥0𝑦0(𝐼(𝑥, 𝑦) > 0)

Tabel 2.1. Perhitungan Pusat Masa (�̅�)

X Y X1 Y0 X0 Y0 X1Y0 X0Y0 ∑𝑋1𝑌0

∑𝑋0𝑌0 1 2 1 1 1 1 1 1

2 2 2 1 1 1 2 1

4 2 4 1 1 1 4 1

5 2 5 1 1 1 5 1

1 3 1 1 1 1 1 1

1 1 1 1

1 1 1 1

1 1 1 1

1 1 1 1


16

Tabel 2.1. (lanjutan) Perhitungan Pusat Masa (�̅�)

X Y X1 Y0 X0 Y0 X1Y0 X0Y0 ∑𝑋1𝑌0

∑𝑋0𝑌0 2 3 2 1 1 1 2 1

4 3 4 1 1 1 4 1

5 3 5 1 1 1 5 1

1 4 1 1 1 1 1 1

2 4 2 1 1 1 2 1

4 4 4 1 1 1 4 1

5 4 5 1 1 1 5 1

1 5 1 1 1 1 1 1

2 5 2 1 1 1 2 1

4 5 4 1 1 1 4 1

5 5 5 1 1 1 5 1

∑ 48 16 3

�̅� =𝑀01

𝑀00=∑𝑥0𝑦1(𝐼(𝑥, 𝑦) > 0)

∑𝑥0𝑦0(𝐼(𝑥, 𝑦) > 0)=∑𝑥0𝑦1(𝐼(𝑥, 𝑦) > 0)

∑𝑥0𝑦0(𝐼(𝑥, 𝑦) > 0)

Tabel 2.2. Perhitungan Pusat Masa (�̅�)

X Y X0 Y1 X0 Y0 X0Y1 X0Y0 ∑𝑋0𝑌1

∑𝑋0𝑌0 1 2 1 2 1 1 2 1

2 2 1 2 1 1 2 1

4 2 1 2 1 1 2 1

5 2 1 2 1 1 2 1

1 3 1 3 1 1 3 1

2 3 1 3 1 1 3 1

4 3 1 3 1 1 3 1

5 3 1 3 1 1 3 1

1 4 1 4 1 1 4 1

2 4 1 4 1 1 4 1

4 4 1 4 1 1 4 1

5 4 1 4 1 1 4 1

1 5 1 5 1 1 5 1

2 5 1 5 1 1 5 1

4 5 1 5 1 1 5 1

5 5 1 5 1 1 5 1

∑ 56 16 3,5

Langkah selanjutnya menghitung momen pusat seperti pada Persamaan 2.5.

𝜇20=∑(𝑥−�̅�)𝑖(𝑦−�̅�)𝑗(𝐼(𝑥,𝑦)>0)

= ∑(𝑥 − �̅�)2(𝑦 − �̅�)0


17

Tabel 2.3. Perhitungan Momen Pusat

X Y �̅� �̅� ∑(𝑥− �̅�)2(𝑦− �̅�)0

∑(𝑥− �̅�)0(𝑦− �̅�)2

∑(𝑥− �̅�)1(𝑦− �̅�)1

∑(𝑥− �̅�)3(𝑦− �̅�)0

∑(𝑥− �̅�)0(𝑦− �̅�)3

∑(𝑥− �̅�)1(𝑦− �̅�)2

∑(𝑥− �̅�)2(𝑦− �̅�)1

1 2 3 3,5 4 2,25 3 -8 -3,375 -4,5 -6

2 2 3 3,5 1 2,25 1,5 -1 -3,375 -2,25 -1,5

4 2 3 3,5 1 2,25 -1,5 1 -3,375 2,25 -1,5

5 2 3 3,5 4 2,25 3 8 -3,375 4,5 -6

1 3 3 3,5 4 0,25 1 -8 -0,125 -0,5 -2

2 3 3 3,5 1 0,25 0,5 -1 -0,125 -0,25 -0,5

4 3 3 3,5 1 0,25 -0,5 1 -0,125 0,25 -0,5

5 3 3 3,5 4 0,25 -1 8 -0,125 0,5 -2

1 4 3 3,5 4 0,25 -1 -8 0,125 -0,5 2

2 4 3 3,5 1 0,25 -0,5 -1 0,125 -0,25 0,5

4 4 3 3,5 1 0,25 0,5 1 0,125 0,25 0,5

5 4 3 3,5 4 025 1 8 0,125 0,5 2

1 5 3 3,5 4 2,25 -3 -8 3,375 -4,5 6

2 5 3 3,5 1 2,25 -1,5 -1 3,375 -2,25 1,5

4 5 3 3,5 1 2,25 1,5 1 3,375 2,25 1,5

5 5 3 3,5 4 2,25 3 1 3,375 4,5 6

∑ 40 20 0 0 0 0 0

Tabel 2.4. Hasil Momen Pusat

𝜇20 𝜇02 𝜇11 𝜇30 𝜇03 𝜇12 𝜇21

40 20 0 0 0 0 0

Setelah mendapatkan nilai momen pusat kemudian dilakukan perhitungan momen pusat

ternormalisasi seperti pada Persamaan 2.7.

Tabel 2.5. Perhitungan Momen Pusat Ternormalisasi

p/i q/j 𝑦 =

𝑖 + 𝑗 + 2

2

𝜇𝑝𝑞 𝜇00𝑦 ŋ𝑖𝑗 =𝜇𝑝𝑞

𝜇00𝑦

2 0 2 40 256 0,15625

0 2 2 20 256 0,078125

1 1 2 0 256 0

3 0 2,5 0 1024 0

0 3 2,5 0 1024 0

1 2 2,5 0 1024 0

2 1 2,5 -11 1024 0

Masing – masing rambu memiliki nilai ektstraksi ciri yang berbeda dan akan digunakan

dalam sistem pengenalan. Hasil momen pusat ternormalisasi ditunjukkan Tabel 2.6.


18

Tabel 2.6. Hasil Momen Pusat Ternormalisasi

ŋ20 ŋ02 ŋ11 ŋ30 ŋ03 ŋ12 ŋ21

0,15625 0,178125 0 0 0 0 0

2.7. Log Scale

Hasil perhitungan momen spasial dan momen pusat terkadang memiliki rentang nilai

yang cukup jauh pada masing-masing nilai [14]. Log scale digunakan untuk mengurangi

rentang pada hasil perhitungan momen spasial dan momen pusat. Log scale pada momen

spasial dan momen pusat dapat ditunjukkan pada Persamaan 2.8.

Hi = - sign(I) log|I| (2.8)

Keterangan: I merupakan nilai ekstraksi ciri momen spasial dan momen pusat

Tabel 2.7. menunjukkan salah satu contoh hasil perhitungan momen spasial dan

momen pusat dengan rentang jarak yang cukup jauh.

Tabel 2.7. Contoh Hasil Perhitungan Tanpa Log Scale

ŋ20 ŋ02 ŋ11 ŋ30 ŋ03 ŋ12 ŋ21

3,55.10-6 0,19.10-14 2,06.10-20 3,29.10-10 6,46.10-2 1,11.10-8 1,91.10-5

Setelah diketahui ketujuh nilai dari momen spasial dan momen pusat kemudian dilakukan

perhitungan log scale seperti pada Persamaan 2.8.

Tabel 2.8. Contoh Hasil Perhitungan dengan Log Scale

ŋ20 ŋ02 ŋ11 ŋ30 ŋ03 ŋ12 ŋ21

5,449 14,721 19,686 9,482 1,189 7,954 4,718

2.8. Template Matching

Template matching adalah sebuah teknik dalam pengolahan citra untuk menemukan

bagian-bagian kecil dari gambar yang cocok dengan template gambar. Metode template

machine merupakan salah satu metode yang digunakan untuk menjelaskan bagaimana otak

kita mengenali kembali bentuk-bentuk atau pola-pola [15]. Template matching dalam

penelitian ini yaitu fungsi jarak kosinus. Fungsi jarak kosinus merupakan sebuah fungsi yan

digunakan untuk mencari hasil pengenalan, jarak yang terdekat dengan database menjadi

hasil pengenalan dari sistem tersebut.


19

2.8.1. Fungsi Jarak Kosinus

Fungsi jarak kosinus digunakan untuk menghitung nilai jarak antara nilai data uji

dengan nilai database. Perhitungan fungsi jarak kosinus ditunjukkan pada Persamaan 2.9.

𝐷𝐶𝑜𝑠 = 1 −∑ 𝑃𝑖𝑑𝑖=1 𝑄𝑖

√∑ 𝑃𝑖2𝑑

𝑖=1 √∑ 𝑄𝑖2𝑑

𝑖=1

(2.9)

Dimana:

d = banyaknya data

P = input data uji

Q = data dari database

Perhitungan fungsi jarak kosinus digunakan untuk menentukan keluaran akhir

program. Berikut adalah contoh perhitungan manual untuk fungsi jarak kosinus.

P = [10 5]

Q1 = [3 2]

Q2 = [7 8]

Q3 = [1 1]

Q4 = [4 6]

Q5 = [1 3]

Q6 = [9 5]

Berdasarkan Persamaan 2.9. dapat dilakukan perhitungan sebagai berikut.

P.Q = (10.3) + (5.2) = 40

‖𝑃‖ = √102 + 52 = 11,18

‖𝑄‖ = √32 + 22 = 3,60

Nilai diatas dapat menghasilkan jarak kosinus


20

𝐷𝑐𝑜𝑠 = 1 −𝑃.𝑄

‖𝑃‖‖𝑄‖= 1 −

40

(11,18)(3,60)= 0,00616

Berdasarkan Nilai vektor P yang sama dan mengganti nilai Q seperti pada Tabel 2.9., maka

dihasilkan nilai jarak kosinus sebagai berikut.

Tabel 2.9. Hasil Perhitungan Jarak Kosinus

Q1 Q2 P.Q ‖𝑃‖ ‖𝑄‖ 𝐷𝑐𝑜𝑠 Kelas 1

D1 3 2 40 11,18 3,60 0,00616

D2 7 8 110 11,18 10,63 0,05028

D3 9 5 115 11,18 10,29 0,00036

Kelas 2

D4 4 6 70 11,18 7,21 0,13159

D5 1 3 25 11,18 3,16 0,29236

D6 1 1 15 11,18 1,41 0,04845

2.9. k-Nearest Neighbour

k-Nearest neighbour atau K-NN adalah sebuah metode klasifikasi terhadap objek

berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek penelitian atau

biasa disebut tetangga terdekat [16].

Cara kerja k-NN sebagai berikut:

1. Hasil fungsi jarak kosinus yang telah didapat dengan Persamaan 2.9, diurutkan dari

nilai terkecil hingga terbesar.

2. Menentukan nilai K (jumlah tetangga terdekat) yang ingin dicari.

3. Kelas dipilih dengan kemunculan terbanyak.

4. Hasil klasifikasi dikeluarkan dan ditampilkan

Berdasarkan Tabel 2.9. penggunaan fungsi jarak kosinus dan k-NN sebagai berikut.

1. Mengurutkan nilai jarak kosinus dari terkecil hingga terbesar seperti pada Tabel

2.10.

Tabel 2.10. Urutan Jarak Kosinus

D5

(Kelas 1)

D4

(Kelas 1)

D6

(Kelas 1)

D2

(Kelas 2)

D1

(Kelas 2)

D3

(Kelas 2)

0,00036 0,00616 0,04845 0,05028 0,13159 0,29236


21

2. Mengambil sebanyak k (k = 3) yang memiliki tingkat kemiripan paling tinggi

dengan P seperti pada Tabel 2.11.

Tabel 2.11. Pengambilan Nilai Sebanyak k = 3

D5 (Kelas 1) D4 (Kelas 1) D6 (Kelas 1)

0,00036 0,00616 0,04845

Nilai k yang akan diambil harus bernilai ganjil. Bila k = 5, maka nilai yang paling

tinggi tingkat kemiripannya dengan P sebanyak 5 buah nilai yang akan diambil dan

digunakan seperti pada Tabel 2.12.

Tabel 2.12. Pengambilan Nilai Sebanyak k = 5

D5

(Kelas 1)

D4

(Kelas 1)

D6

(Kelas 1)

D2

(Kelas 2)

D1

(Kelas 2)

0,00036 0,00616 0,04845 0,05028 0,13159

3. Untuk mengetahui klasifikasi yang akan digunakan dapat diketahui dengan cara

memilih kemunculan kelas yang paling banyak. Tabel 2.11. dengan k = 3, semua

berisi kelas 1. Hal ini menunjukkan bahwa P masuk dalam kelas 1.

Pada Tabel 2.12. dengan k = 5, kelas 1 diwakili oleh D5, D4, dan D6, sedangkan

kelas 2 diwakili D2 dan D1. Hal ini menunjukkan bahwa P masuk dalam kelas 1.

Bila terdapat dua nilai atau lebih yang memiliki nilai sama, maka keluaran yang

akan digunakan adalah nilai yang paling tertinggi pada urutan pertama.


22

BAB III

RANCANGAN PENELITIAN

Bab III ini akan membahas mengenai rancangan penelitian yang meliputi langkah

langkah perancangan yang akan dilakukan dan blok diagram kerja sistem.

3.1. Perancangan Sistem

Perancangan sistem yang akan dibuat adalah sebuah sistem yang dapat mengenali

rambu lalu lintas peringatan menggunakan kamera ponsel. Gambar 3.1. menunjukkan

perancangan sistem secara umum.

Gambar 3.1. Perancangan Sistem

Berdasarkan Gambar 3.1., kamera ponsel digunakan untuk proses pengambilan image

dan video yang akan digunakan untuk penelitian. Gambar dan video yang telah didapat akan

melalui beberapa tahap pemrosesan. Tahap pertama yaitu tahap preprocessing yaitu proses

mengubah citra RGB menjadi citra biner menggunakan segementasi HSV. Proses

segmentasi yang dilakukan adalah dengan mengambil warna kuning pada rambu, karena

nantinya yang akan digunakan untuk pemrosesan selanjutnya adalah citra yang berwarna

kuning. Setelah mendapatkan citra biner kemudian tahap selanjutnya adalah proses ekstraksi

ciri dengan menggunakan momen spasial dan momen pusat. Hasil dari ekstraksi ciri

kemudian diproses dengan template matching menggunakan fungsi jarak kosinus dan

hasilnya akan dibandingkan dengan data pada database. Klasifikasi hasil dari jarak kosinus

menggunakan klasifikasi k-NN, sehingga akan memberikan keluaran berupa teks di layar

laptop.

Tahapan tersebut merupakan gambaran secara umum mengenai penelitian rambu

peringatan. Gambaran penelitian secara rinci akan dibahas pada proses kerja sistem. Program

yang akan digunakan dalam penelitian rambu peringatan adalah Python.


23

3.2. Proses Kerja Sistem

Sebelum menampilkan hasil keluaran yang berupa teks, penelitian pengenalan rambu

lalu lintas peringatan harus melalui beberapa tahap. Penelitian diawali tahap preprocessing,

kemudian ekstraksi ciri momen spasial dan momen pusat, jarak kosinus, dan klasifikasi k-

NN. Proses kerja sistem input gambar ditampilkan pada Gambar 3.2 dan proses kerja sistem

input video ditampilkan pada Gambar 3.3.

Gambar 3.2. Diagram Blok Kerja Sistem Input Gambar

Mulai

Input :

Gambar

Rambu

Peringatan

Preprocessing

Ekstraksi Ciri :

Momen Spasial

dan Momen Pusat

Klasifikasi :

Perhitungan Jarak

Kosinus dan KNN

Perhitungan

Log Scale

Output : hasil

pengenalan

berupa teks

Selesai


24

Gambar 3.2. merupakan diagram blok kerja sistem input gambar. Sistem ini mendapat

input berupa gambar. Input yang telah dibaca oleh sistem kemudian dilakukan proses

preprocessing untuk mendapatkan citra biner. Image biner yang dihasilkan akan dihitung

menggunakan momen spasial dan momen pusat untuk mendapatkan nilai ekstraksi ciri. Nilai

ekstraksi ciri yang telah didapat kemudian dilakukan perhitungan log scale untuk

mengurangi rentang nilai yang cukup jauh. Hasil perhitungan log scale dan data pada

database dihitung jaraknya menggunakan jarak kosinus, jarak yang paling kecil dicari untuk

menentukan hasil keluaran.

Gambar 3.3. Diagram Blok Kerja Sistem Input Video

Mulai

Input : Video

Rambu

Peringatan

Deteksi Rambu

Peringatan

Rambu

Peringatan

Terdeteksi?

Ya Tidak

Preprocessing

Ekstraksi Ciri :

Momen Spasial

dan Momen Pusat

A


25

Gambar 3.3. (lanjutan) Diagram Blok Kerja Sistem Input Video

Proses kerja sistem dengan input video secara garis besar sama dengan input gambar.

Perbedaan antara input video dan gambar terletak pada pendeteksian rambu peringatan. Jika

dalam sebuah video terdeteksi rambu peringatan, maka sistem akan melanjutkan prosesnya

dan rambu tersebut dapat dikenali. Jika dalam sebuah video tidak terdeteksi rambu

peringatan maka sistem akan melakukan pengulangan untuk mencari rambu peringatan

dalam video.

3.2.1. Input Data

Rambu lalu lintas peringatan yang ada di jalan raya akan menjadi input data dalam

penelitian ini. Pengambilan gambar dan video rambu peringatan dilakukan dengan

menggunakan kamera ponsel. Pengambilan gambar dan video dilakukan dengan variasi

jarak, translasi, dan sudut yang berbeda untuk setiap rambunya. Hal ini digunakan untuk

menunjukkan kualitas kinerja pengenalan dengan ekstraksi ciri momen spasial dan momen

pusat. Proses input data ditampilkan pada Gambar 3.4. dan 3.5.

Menghitung

Log Scale

Klasifikasi :

Perhitungan Jarak

Kosinus dan KNN

A

Output : hasil

pengenalan

berupa

bounding box

dengan label

nama rambu

Selesai


26

Gambar 3.4. Diagram Blok Input Data Gambar

Gambar 3.5. Diagram Blok Input Data Video

Gambar 3.4. dan Gambar 3.5. merupakan diagram blok input data gambar dan video.

Masukan sistem ini berasal dari rambu lalu lintas peringatan yang ada di pinggir jalan raya.

Rambu peringatan tersebut kemudian ditangkap (capture) dan direkam menggunakan

kamera ponsel dan disimpan di laptop. Gambar dan video yang telah disimpan akan

digunakan sebagai masukan sistem pengenalan rambu lalu lintas peringatan.

Mulai

Input :

Rambu Lalu

Lintas

Peringatan

Kamera Ponsel

Hidup

B

B

Capture image

Output :

Gambar

Rambu Lalu

Lintas

Peringatan

Selesai

Mulai

Input :

Rambu Lalu

Lintas

Peringatan

Kamera Ponsel

Hidup

C

C

Rekam Video

Rambu

Output : video

Rambu Lalu

Lintas

Peringatan

Selesai


27

3.2.2. Preprocessing

Tahap preprocessing terdiri dari beberapa tahapan mulai dari konversi BGR ke HSV,

kemudian segmentasi warna HSV untuk mendapatkan citra biner (warna kuning), kemudian

dilakukan dilasi dan erosi untuk memperjelas citra, dan cropping. Metode Gaussian Filter

dan Median Filter digunakan untuk mengurangi noise pada objek. Ekualisasi histogram dan

saturasi digunakan untuk meningkatkan atau menurunkan kecerahan pada objek, sehingga

objek dapat terlihat jelas dan dapat dideteksi. Secara garis besar tahap ini akan ditampilkan

pada Gambar 3.6. dan 3.7.

Gambar 3.6. Diagram Blok Preprocessing (Input Gambar)

Mulai

Input : Gambar

Rambu Lalu

Lintas

Peringatan

Ekualisasi

Histogram dan

Saturasi

Gaussian Filter

Konversi BGR ke

HSV

Segmentasi HSV

Dilasi dan Erosi

D

D

Cropping

Median Filter

Output :

Gambar Biner

Selesai


28

Gambar 3.7. Diagram Blok Preprocessing (Input Video)

Mulai

Input : Video

Rambu Lalu

Lintas

Peringatan

Deteksi Rambu

Peringatan

Rambu

Peringatan

Terdeteksi?

Konversi BGR ke

HSV

Segmentasi HSV

Gaussian Filter

Output :

Video Biner

Selesai

Tidak

Ya

Rambu

Peringatan

Terdeteksi?

Tidak

Ya

Bounding Box dan

Pelabelan Nama


29

Input rambu lalu lintas peringatan merupakan input BGR. Input BGR akan dikonversi

menjadi HSV dengan melakukan segmentasi HSV. Proses konversi BGR ke HSV

merupakan tahap yang penting, karena nantinya proses konversi tersebut akan menghasilkan

gambar dan video biner yang akan digunakan dalam proses selanjutnya. Proses konversi

BGR ke HSV ditampilkan pada Gambar 3.8.

Gambar 3.8. Diagram Blok Konversi BGR ke HSV

Tahap selanjutnya adalah segmentasi HSV. Segmentasi HSV merupakan pemilihan

warna yang akan digunakan untuk proses selanjutnya. Segmentasi dilakukan terhadap ruang

warna hue karena objek yang ingin dikenali berupa rambu lalu lintas peringatan berwarna

kuning dan akan menghasilkan keluaran berupa citra biner. Input penelitian ini berupa rambu

peringatan di jalan raya, untuk memudahkan proses preprocessing, penulis berusaha mencari

rambu dengan latar belakang yang tidak ada warna kuning. Proses segmentasi HSV


Gambar 3.9. Diagram Blok Segementasi HSV (Deteksi Warna Kuning)

Mulai

Input : Gambar

dan Video BGR

Rambu Lalu

Lintas Peringatan

Konversi BGR ke

HSV

Output :

Citra HSV

Selesai

Mulai Input : Gambar

dan Video HSV

Segmentasi Warna

Kuning dengan Ruang

Warna Hue (Warna

Kuning)

E


30

Gambar 3.9. (lanjutan) Diagram Blok Segementasi HSV (Deteksi Warna Kuning)

Operasi dilasi dan erosi dilakukan setelah segmentasi HSV selesai. Segmentasi HSV

membuat gambar biner akan menjadi rusak, oleh karena itu operasi dilasi dan erosi dilakukan

untuk memperbaiki gambar biner tersebut. Metode Gaussian Filter digunakan sebelum

proses dilasi. Dilasi dan erosi hanya dilakukan untuk input yang berupa gambar. Proses dilasi

dan erosi ditampilkan pada Gambar 3.10.

Gambar 3.10. Diagram Blok Dilasi dan Erosi

Gambar biner yang sudah didilasi dan erosi selanjutnya akan dipotong (cropping).

Tujuan dari cropping adalah menghilangkan bagian yang tidak digunakan, sehingga hanya

objek yang akan digunakan saja yang ditampilkan. Cropping hanya dilakukan untuk input

yang berupa Gambar. Proses cropping ditampilkan pada Gambar 3.11.

Output :

Gambar

dan Video

Biner

Selesai E

Mulai

Input :

Gambar Biner

Output : Gambar

Biner yang

sudah di erosi

dan dilasi

Dilasi dan Erosi

Selesai


31

Gambar 3.11. Diagaram Blok Proses Cropping

3.3. Tahap Ekstraksi Ciri Momen Spasial dan Momen Pusat

Tahap ekstraksi ciri merupakan tahapan selanjutnya setelah tahap preprocessing.

Ekstraksi ciri yang digunakan dalam penelitian ini adalah momen spasial dan momen pusat.

Berdasarkan persamaan 2.4. proses menentukan nilai momen spasial dan momen pusat


Gambar 3.12. Diagram Blok Ekstraksi Ciri

Mulai

Input : Gambar

Biner yang

sudah di erosi

dan dilasi

Cropping

Median Filter

Output :

Gambar Biner

Cropping

Selesai

Mulai

Input : Citra

hasil

preprocessing

F


32

Gambar 3.12. (lanjutan) Diagram Blok Ekstraksi Ciri

Tahap ekstraksi ciri ini mendapat masukan berupa gambar atau video yang telah

melalui tahap preprocessing. Hasil preprocessing kemudian akan diproses menggunakan

momen spasial dan momen pusat untuk mendapatkan nilai ekstraksi ciri. Nilai ekstraksi ciri

yang telah didapat kemudian dilakukan perhitungan log scale.

3.4. Perhitungan Jarak Kosinus

Perhitungan jarak kosinus merupakan pebandingan antara data pada database dengan

data pengujian. Jarak yang paling baik adalah yang memiliki jarak terdekat. Proses jarak

kosinus seperti yang dijelaskan pada persamaan 2.9., akan digambarkan seperti pada Gambar

3.13.

Menghitung pusat

masa (xc,yc)

Menghitung

Momen Pusat

Menghitung

Momen Pusat

Ternormalisasi

Outputt : Log

Scale Ketujuh

Nilai Momen

Pusat

Ternormalisasi

Selesai

Ketujuh Nilai

Momen Pusat

Ternormalisasi

F


33

Gambar 3.13. Diagram Blok Fungsi Jarak Kosinus

Perhitungan jarak kosinus digunakan untuk menghitung jarak antara data pada data uji

dengan data pada database. Hasil perhitungan jarak kosinus akan menjadi acuan untuk

penentuan hasil pengenalan.

Mulai

Input : Hasil

Ekstraksi Ciri

Momen Spasial

dan Momen Pusat

(Database)

Input Data

Pengujian

Preprocessing

Data Pengujian

Hasil Ekstraksi

Ciri (Data

Pengujian)

Menghitung Jarak

Data Uji dengan

Database (Jarak

Kosinus)

Output : Hasil

Perhitungan

Jarak Kosinus

Selesai

Ya

Tidak


34

3.5. Penentuan Keluaran

Tahap akhir dari proses keseluruhan adalah tahap penentuan keluaran. Hasil

pengenalan rambu lalu lintas peringatan akan diketahui dengan melakukan klasifikasi k-NN.

Hasil pengenalan akan ditampilkan pada layar monitor berupa teks. Proses penentuan

kaluaran ditampilkan pada Gambar 3.14.

Gambar 3.14. Diagram Blok Penentuan Keluaran

Masukan untuk penentuan keluaran berupa hasil perhitungan jarak kosinus, nilai k,

dan kelas. Hasil perhitungan jarak kosinus kemudian diurutkan dari terkecil ke terbesar dan

memilih kelas yang paling sering muncul sesuai dengan nilai k yang sudah dimasukkan.

Kelas yang paling sering muncul akan menjadi hasil pengenalan.

Mulai

Input : Hasil

Perhitungan

Jarak Kosinus,

Nilai k, Kelas

Mengurutkan Hasil

Perhitungan Jarak

Kosinus dari terkecil

ke terbesar

Memilih Kelas yang

Paling Sering

Muncul

Output : Hasil

Keluaran Berupa

Teks di Layar

Monitor

Selesai


35

3.6. Pembuatan Database

Fungsi jarak kosinus dapat bekerja apabila ada database, dengan adanya database

maka akan ada perbandingan antara nilai data pengujian dengan nilai pada database.

Database gambar dan video memiliki jumlah yang sama serta menggunakan proses yang

sama yaitu ekstraksi ciri momen spasial dan momen pusat sehingga program utama dapat

dijadikan satu. Proses pembuatan database ditampilkan pada Gambar 3.15.

Gambar 3.15. Diagram Blok Database

Mulai

Input :

Gambar dan

Video

Rambu Lalu

Lintas

Peringatan

Preprocessing

Ekstraksi Ciri :

Momen Spasial

dan Momen Pusat

Database

Selesai

Log Scale


36

3.7. Pengujian Rambu Lalu Lintas Peringatan

Pengujian Rambu lalu lintas peringatan dilakukan dengan 2 cara, yaitu menggunakan

input berupa gambar dan menggunakan input berupa video. Penjelasan lebih rinci mengenai

masing masing pengujian dijelaskan pada subbab 3.7.1. dan subbab 3.7.2.

3.7.1. Pengujian Input Gambar

Pengujian dengan input gambar diawali dengan pengambilan gambar menggunakan

kamera ponsel. Gambar yang sudah ditangkap (capture), disimpan dalam sebuah folder dan

diberi nama sesuai nama rambu dan perlakuan dari gambar tersebut. Gambar yang sudah

diperoleh kemudian akan diproses melalui 3 tahap, yaitu preprocessing, ekstraksi ciri, dan

klasifikasi.

Pengujian input gambar dilakukan secara 2 tahap. Tahap pertama adalah input gambar

data uji sama dengan input citra database. Ketika pengujian tahap pertama telah berhasil

dengan tingkat kemiripan 100%, kemudian akan dialnjutkan pada tahap kedua. Tahap kedua

adalah input gambar data uji tidak sama dengan input citra database. Input gambar data uji

pada tahap kedua memiliki sedikit perbedaan variasi dengan input citra database. Hasil

pengenalan berupa teks pada GUI.

3.7.2. Pengujian Input Video

Pengujian dengan input video diawali dengan merekam video menggunakan kamera

ponsel. Video yang sudah direkam disimpan dalam sebuah folder dan diberi diberi nama

sesuai nama rambu. Proses pengenalan rambu lalu lintas peringatan dengan input video

menggunakan 3 tahap, yaitu preprocessing, ekstraksi ciri, dan klasifikasi.

Pada tahap preprocessing untuk input yang berupa video tidak melalui proses cropping

karena video merupakan citra yang bergerak. Pengujian input video dilakukan 2 tahap,

pengujian pertama input video data uji sama dengan input video database. Pengujian kedua

input video data uji tidak sama dengan input citra database. Proses pengenalan dengan input

video menggunakan bounding box. Bounding box akan bekerja apabila ada rambu yang

dikenali, kemudian di atas bounding box akan muncul nama rambu tersebut.

3.8. Menentukan Tingkat Pengenalan Sistem

Pengujian dengan input gambar dan video dapat dikatakan sudah sesuai harapan bila

mencapai tingkat akurasi yang telah ditargetkan sebelumnya. Tingkat keberhasilan akan


37

menjadi bagian analisis kinerja sistem apakah sudah berjalan dengan baik atau tidak. Tingkat

pengenalan penelitian ini nantinya akan dibandingkan dengan tingkat pengenalan penelitian

sebelumnya. Tingkat keberhasilan pengenalan ditentukan sesuai persamaan 3.1.

𝑇𝑖𝑛𝑔𝑘𝑎𝑡𝑃𝑒𝑛𝑔𝑒𝑛𝑎𝑙𝑎𝑛 = 𝐽𝑢𝑚𝑙𝑎ℎ𝑑𝑎𝑡𝑎𝑦𝑎𝑛𝑔𝑑𝑎𝑝𝑎𝑡𝑑𝑖𝑘𝑒𝑛𝑎𝑙𝑖

𝐽𝑢𝑚𝑙𝑎ℎ𝑑𝑎𝑡𝑎𝑢𝑗𝑖𝑥100

(3.1)

3.9. Perancangan GUI

Perancangan GUI digunakan untuk mempermudah pengguna dalam penggunaan

sistem pengenalan rambu lalu lintas peringatan. Tahap perancangan GUI akan dibuat

sejumlah 2 rancangan, yaitu GUI untuk input gambar dan GUI untuk input video.

Perancangan GUI ditunjukkan Gambar 3.16.

Gambar 3.16. Perancangan GUI

Tabel 3.1. Keterangan GUI

Nama Bagian Keterangan

Picture Box “RGB” Menampilkan image RGB

Picture Box “HSV” Menampilkan image hue

Picture Box “Biner” Menampilkan image biner

Tombol “Input” Memanggil atau memilih image atau video

data yang ingin diproses

Text Box ”Hasil Pengenalan” Menampilkan hasil pengenalan untuk input

image

Text Box “N11-N03” Nilai momen pusat ternormalisasi

Tombol “Proses” Memproses pengenalan input image

RGB Hue Biner

Input

Hasil Pengenalan Gambar

N11 N02 N20 N12 N21 N30 N03

Proses Reset

Video RGB Video Asli/Proses

Play Pause Stop Reset


38

Tabel 3.1. (lanjutan ) Keterangan GUI

Tombol “Reset” Mengembalikan tampilan GUI seperti

semula

Video Box “Video RGB” Menampilkan video RGB

Tombol “Play” Memulai video

Tombol “Pause” Menjeda video

Tombol “Stop” Memberhentikan video

Tombol “Asli/Proses” Memilih keluaran video, dapat berupa

video asli atau video proses pengenalan

Penggunaan GUI pada sistem pengenalan rambu lalu lintas peringatan, yaitu user

memilih input dengan cara menekan tombol input, input yang dipilih dapat berupa video

atau gambar. Input yang pertama berupa gambar, gambar yang dipilih akan muncul pada

picture box RGB, kemudian untuk mengetahui hasil pengenalan, user dapat menekan tombol

proses. Tombol proses ketika ditekan akan memunculkan gambar hue pada picture box hue,

gambar biner pada picture box biner, nilai ekstraksi ciri pada text box N11-N03 dan yang

terakhir adalah muncul hasil pengenalan rambu tersebut di text box hasil pengenalan.

Input yang kedua berupa video, video yang dipilih akan muncul pada video box RGB.

Video yang diputar dapat berupa video asli atau video proses pengenalan. User dapat

mengetahui nama rambu tersebut dengan menekan tombol play, sebelum menekan tombol

play, user terlebih dahulu memilih output video tersebut, terdapat 2 pilihan yaitu video asli

atau video proses pengenalan. Output berupa video asli yaitu video input diputar tanpa

melalui proses pengenalan, output berupa video proses pengenalan yaitu video input diputar

melalui proses pengenalan. Proses pengenalan video dapat langsung disaksikan oleh user

ketika video tersebut berjalan dengan ditampilkannya bounding box yang dapat mengikuti

gerak video untuk mendeteksi rambu dan pelabelan nama yang terletak di atas bounding box

sebagai hasil pengenalan.


39

BAB IV

HASIL DAN PEMBAHASAN

Bab ini akan menjelaskan analisis hasil pengenalan rambu lalu lintas berdasarkan data

hasil uji. Hasil pengenalan berupa pengenalan dengan input video dan pengenalan dengan

input gambar.

4.1. Perubahan Rancangan

Subbab ini berisi penjelasan mengenai perubahan terkait implementasi dari rancangan

yang sudah dirancang pada Bab 1 hingga Bab 3.

4.1.1. Batasan Masalah dan Pengambilan Data

Subbab 1.3. mengenai batasan masalah, penambahan dilakukan pada poin C, yaitu

input gambar berasal dari frame video yang diambil tiap 5 frame kemudian disimpan di

laptop. Penambahan pada poin C disebabkan karena input utama yang digunakan dalam

penelitian ini berupa video. Selain itu, perubahan dilakukan pada poin E, yaitu variasi

penyekalaan yang dilakukan adalah 1 m, 2 m, dan 3 m, hal ini dilakukan perubahan karena

adanya hambatan di lapangan berupa pohon dan tiang listrik yang tidak memungkinkan

penulis merekam rambu dalam jarak yang cukup jauh. Perubahan dilakukan pada poin G,

yaitu dengan merekam rambu sedekat mungkin dengan titik pusat atau penulis menyebutnya

kotak kecil dan berputar searah dengan jarum jam atau CW (Clockwise) untuk data uji dan

berputar secara berlawanan dengan jarum CCW (Counter Clockwise) untuk database,

perputaran yang dilakukan hanya dibagian sebelah kiri layar HP. Pengambilan data dengan

cara CW dan CCW ditunjukkan pada Gambar 4.1.

Gambar 4.1. CW dan CCW Kotak Kecil

CW

CCW


40

Gambar 4.1. merupakan gambar proses pengambilan data yang dilakukan oleh penulis.

Gambar kotak merupakan layar HP, gambar lingkaran di tengah merupakan titik pusat atau

titik tengah layar HP, sedangkan untuk anak panah merupakan arah untuk merekam rambu

lalu lintas peringatan. Proses pengambilan data dilakukan perubahan karena rencana awal

yang sudah dituliskan pada batasan masalah memiliki tingkat pengenalan yang rendah, yaitu

sebesar 70%.

Subbab 1.3 pengurangan dilakukan pada poin F, hal ini disebabkan kondisi di lapangan

yang tidak memungkinkan penulis untuk melakukan pengambilan data dengan sudut

menyerong. Rambu lalu lintas peringatan terletek di pinggir jalan raya, ada beberapa rambu

yang sangat dekat sekali dengan jalan raya sehingga penulis memutuskan untuk tidak

menggunakan variasi sudut menyerong karena alasan keselamatan dan keamanan.

4.1.2. Perbandingan Hasil CW dan CCW Kotak Kecil dan Kotak Besar

Penulis melakukan pengujian untuk menentukan cara pengambilan data yang paling

tepat. Penentuan tersebut dilakukan dengan pengujian CW dan CCW kotak kecil dan kotak

besar. Cara pengambilan data menggunakan kotak kecil ditunjukkan Gambar 4.1.,

sedangkan kotak besar ditunjukkan pada Gambar 4.2.

Gambar 4.2. CW dan CCW Kotak Besar

Pengujian CW dan CCW menggunakan kotak besar dilakukan dengan cara merekam

rambu lalu lintas peringatan sedekat mungkin dengan layar HP, sehingga perlu kehati-hatian

dan waktu yang cukup lama supaya rambu lalu lintas peringatan tidak terpotong dan dapat

diolah program. Setelah dilakukan pengujian, kemudian mendapatkan hasil yang

ditunjukkan pada Gambar 4.3.

CW

CCW


41

Gambar 4.3. Perbandingan Hasil Kotak Kecil dan Kotak Besar

Gambar 4.3. menunjukkan bahwa kotak kecil memiliki persentase 64% dan kotak

besar memiliki persentase 68%. Setelah mendapatkan hasil tersebut, kemudian penulis

memutuskan untuk memilih kotak kecil sebagai cara pengambilan data. Penulis tidak

memilih kotak besar karena saat pengambilan data 3 titik kiri dan sedekat mungkin dengan

layar HP yang sesuai pada batasan masalah, penulis mengalami kesulitan mengolah data

karena ada data yang tidak bisa terbaca oleh sistem karena faktor cahaya yang semakin luas.

Selain itu, ketika database digabungkan antara 1m, 2m, 3m memiliki persentase pengenalan

yang kecil, yaitu sebesar 70%.

4.1.3. Metodologi Penelitian

Subbab 1.4 mengenai pengambilan data, perubahan dilakukan pada poin D yaitu lokasi

pengambilan menggunakan 1 lokasi yang akan digunakan untuk pembuatan database

(CCW) dan data uji (CW). Perubahan jumlah lokasi dilakukan karena rencana awal sejumlah

2 lokasi yang berbeda memiliki tingkat pengenalan rendah, yaitu sebesar 65%. Selain itu,

perubahan dilakukan pada jumlah database yaitu menjadi sejumlah 480, sedangkan data uji

menjadi sejumlah 398. Perubahan ini terjadi karena masing-masing video memiliki durasi

yang berbeda dan setiap video akan diambil 5 frame per detik sebagai data uji dan database.

Input utama yang digunakan berupa video. Input gambar diperoleh dari frame video yang

diambil setiap 5 frame per detik kemudian disimpan di laptop dengan ekstensi .png. Input

video dan gambar memiliki frame yang sama.

k=1 k=3 k=5 k=7 Rata-Rata

KK1m 67% 59% 63% 66% 64%

KB1m 69% 71% 67% 67% 68%

0%

10%

20%

30%

40%

50%

60%

70%

80%

Tin

gk

at

Pen

gen

ala

n

Perbandingan Data Kotak Kecil dan Kotak Besar


42

4.1.4. Rambu Lalu Lintas Peringatan

Subbab 1.3 Poin B dan Subbab 2.1 perubahan dilakukan mengenai rambu lalu lintas

peringatan yang akan dijadikan objek penelitian. Perubahan dilakukan karena tingkat

pengenalan saat penulis menggunakan rambu sesuai rencana awal memiliki tingkat

pengenalan paling rendah, yaitu 50%. Data tingkat pengenalan sebelum dan sesudah

pergantian rambu lalu lintas peringatan ditunjukkan pada Lampiran 2 Tabel L-25. Rambu

lalu lintas peringatan yang dijadikan objek penelitian ditunjukkan pada Gambar 4.4.

(a) (b) (c) (d) (e)

(f) (g) (h) (i) (j)

Gambar 4.4. Perubahan Rambu Peringatan yang digunakan dalam penelitian ini, (a)

Peringatan (Hati-hati), (b) Banyak lalu lintas pejalan kaki anak-anak, (c) Persimpangan

tiga sisi kanan (diletakkan pada lengan mayor), (d) Jembatan, (e) Pintu perlintasan

sebidang kereta api, (f) Turunan curam, (g) Permukaan jalan yang cekung atau berlubang,

(h) Simpang empat prioritas (diletakkan pada lengan mayor), (i) Tikungan kanan, (j)

Persimpangan tiga tipe T (diletakkan pada lengan minor)

4.1.5. Penghilangan Istilah Real Time dan Non Real Time

Subab 1.3., mengenai batasan masalah, perubahan terjadi pada poin J, yaitu

penggunaan istilah real time dan non real time dihilangkan. Istilah real time dihilangkan

karena istilah tersebut tidak sesuai dengan pengujian yang dilakukan pada penelitian ini.

Istilah real time digunakan pada saat pengujian dilakukan secara langsung di jalan raya,

sedangkan penelitian ini tidak melakukan pengujian langsung di jalan raya. Istilah non real


43

time dihilangkan karena dalam penelitian ini penulis fokus terhadap penelitian dengan input

gambar dan video.

4.1.6. Rancangan Penelitian

Bab 3 mengenai rancangan penelitian terdapat beberapa perubahan, perubahan ini

meliputi penambahan dan pengurangan diagram blok. Gambar 3.4. Diagram Blok Input data

gambar dihilangkan karena penelitian ini menggunakan input data berupa video yang

ditunjukkan pada Gambar 3.5. Oleh karena itu, input data berupa gambar ditunjukkan pada

Gambar 4.5.

Gambar 4.5. Perubahan Diagram Blok Input Gambar

Gambar 4.5. menunjukkan perubahan diagram blok input gambar, perubahan terjadi pada

input yang semula gambar kemudian diubah menjadi video. Video yang menjadi input

kemudian diolah oleh program untuk mengambil setiap 5 frame per detik yang kemudian

disimpan di laptop dengan ekstensi .png. Gambar yang sudah disimpan dan sudah

berekstensi .png menjadi input pengujian gambar.

Gambar 3.6. mengenai diagram blok preprocessing (input gambar). Penambahan

dilakukan setelah gambar mengalami proses cropping, gambar yang sudah mengalami

proses cropping tersebut diubah ukuran piksel menjadi ukuran 64x64. Perubahan ukuran

piksel ini dilakukan untuk memudahkan proses pengenalan, semakin kecil nilai piksel yang

Mulai

Input : Video

Rambu Lalu

Lintas

Peringatan

Ambil Setiap 5

Frame per detik

G

G

Simpan sebagai

gambar (.png)

Output :

Gambar

Rambu Lalu

Lintas

Peringatan

Selesai


44

digunakan maka semakin cepat pula proses sistem untuk melakukan pengenalan. Selain itu,

gambar dan video yang memiliki piksel terlalu besar ketika ditampilkan pada saat

pengolahan tidak akan terlihat karena akan terpotong oleh ukuran yang sudah ditentukan di

dalam program. Penambahan perubahan piksel ditunjukkan pada Gambar 4.6.

Gambar 4.6. Perubahan Diagarm Blok Preprocessing (Input Gambar)

Penambahan terjadi pada Gambar 3.7. mengenai diagram blok preprocessing (input

video). Pada Gambar 3.7. video yang diolah tidak mengalami proses cropping dan perubahan

piksel menjadi 64x64. Oleh karena itu, dilakukan penambahan proses cropping dan

perubahan piksel menjadi 64x64 untuk mempercepat proses pengenalan. Penambahan

tersebut ditunjukkan pada Gambar 4.7. Perubahan dilakukan karena sistem bisa berjalan

ketika menggunakan perubahan tersebut.

Mulai

Input : Image

Rambu Lalu

Lintas

Peringatan

Mengatur

Kecerahan dan

Saturasi

Gaussian Filter

Konversi BGR ke

HSV

Segmentasi HSV

Dilasi dan Erosi

H

H

Cropping

Resize 64x64 piksel

Output :

Image Biner

Selesai

Median Filter


45

Gambar 4.7. Perubahan Diagarm Blok Preprocessing (Input Video)

Mulai

Input : Video

Rambu Lalu

Lintas

Peringatan

Mengatur

Kecerahan dan

Saturasi

Konversi BGR ke

HSV

Segmentasi HSV

Gaussian Filter

Dilasi dan Erosi

Cropping

Ambil Tiap 5 Frame per detik

Output :

Video Biner

Resize 64x64 piksel

Median Filter

Rambu

Peringatan

Terdeteksi?

Tidak

Selesai

Bounding Box dan

Pelabelan Nama

Ya


46

4.1.7. Perubahan dan Cara Penggunaan GUI

Perubahan GUI terjadi pada tampilan utama. Pada Gambar 3.16. GUI menjadi satu

kesatuan sistem. Penelitian ini GUI dibagi menjadi 2 bagian, yaitu GUI pengenalan gambar

dan pengenalan video. Pembagian GUI menjadi dua bagian akan memudahkan pengguna

untuk menentukan input data yang akan digunakan, perubahan dilakukan supaya tampilan

GUI tertata dan menghilangkan bagian yang tidak digunakan. Berikut perubahan dan cara

penggunaan GUI :

1. Tampillan awal GUI ditampilkan pada Gambar 4.8.

Gambar 4.8. Tampilan Awal GUI

Gambar 4.9. Tampilan List Box

Gambar 4.8. pengguna dapat memilih program yang akan dijalankan dengan

menekan list box. Tampillan list box ditunjukkan pada Gambar 4.9. Tampilan awal

list box berisi program yang akan dijalankan, kemudian pengguna dapat memilih

program Gambar_GUI untuk pengenalan gambar dan Video_GUI untuk pengenalan

video. Setelah memilih program yang dijalankan, pengguna dapat menekan tombol

run. Sistem pengenalan rambu lalu lintas peringatan ini dibagi menjadi 2 bagian,

yaitu sistem pengenalan dengan input video (Video_GUI.py) dan input gambar

(Gambar_GUI.py).


47

2. Tampilan setelah tombol run ditekan

Gambar 4.10. Tampilan Awal GUI Pengenalan Gambar

Gambar 4.11. Tampilan Awal GUI Pengenalan Video

Penggunaan GUI pengenalan gambar dan pengenalan video memiliki cara yang

sama. Pengguna wajib mengisi nilai k yaitu 1, 3, 5, dan 7 pada kolom nilak k yang

sudah tersedia sebelum memulai proses pengenalan. Setelah nilai k terisi, pengguna

dapat menekan tombol browse. Tombol browse ketika ditekan akan menampilkan

daftar gambar dan daftar video yang akan diolah. Pengguna dapat memilih salah satu

gambar atau video yang akan diolah.


48

3. Tampilan setelah pengguna memilih gambar atau video yang akan diolah

Gambar 4.12. GUI Hasil Pengenalan Gambar

Gambar 4.13. GUI Hasil Pengenalan Video

Saat pengguna sudah memilih gambar atau video, maka sistem secara langsung akan

mengenali berdasarkan input yang sudah dipilih. Jika pengguna ingin mengganti

video atau gambar, maka pengguna harus menekan tombol reset terlebih dahulu.

Pengguna dapat mengakhiri GUI dengan menekan tombol quit, dan tampilan akan

kembali pada Gambar 4.8. GUI bisa digunakan kembali dengan cara memilih

program yang akan dijalankan, program berupa pengenalan gambar dan pengenalan

video. Hasil pengenalan dalam GUI merupakan hasil perhitungan jarak kosinus

antara database dengan data uji. Penentuan keluaran ditentukan dengan menentukan

nilai k. Nilai k dapat diganti sesuai keinginan pengguna, hasil pengenalan setiap nilai

k memiliki hasil berbeda.


49

4.1.8. Pembuatan Database

Pembuatan database menggunakan input berupa video yang diambil setiap 5 frame

per detik. Frame yang dikenali kemudian disimpan dalam dalam file dengan ekstensi .csv

secara otomatis. Pembuatan database diawali dengan pembuatan database setiap jarak dan

setiap frame memiliki 7 angka ekstraksi ciri.. Pembuatan database setiap jarak ditunjukkan

pada Tabel 4.1.

Tabel 4.1. Database Setiap Jarak

Nama Rambu No Urut

di Excel

Hasil Ekstaksi Ciri

Rambu 1

.

.

.

.

.

1

.

.

.

.

.

F0 : EC0,….., EC6

.

.

.

.

FN : EC0,…., EC6

.

.

.

.

.

Rambu 10

.

.

.

.

.

N+1

F0 : EC0,….., EC6

.

.

.

.

FN : EC0,…., EC6

Keterangan : F0 = Frame pertama, FN = Frame ke N, EC = Ketujuh nilai ekstraksi ciri

Setelah mendapatkan database setiap jarak, kemudian database tersebut digabungkan

menjadi satu setiap rambu. Hasil database gabungan ditunjukkan pada Lampiran 3

Pembuatan database gabungan ditunjukkan pada Tabel 4.2.

Tabel 4.2. Database Gabungan

Nama Rambu No Urut di Excel Jarak Hasil Ekstraksi

Ciri

Rambu 1

.

.

.

.

.

.

.

.

.

.

1

.

.

.

.

.

.

.

.

.

.

1m F0 : EC0,….., EC6

.

.

.

.

.

.

.

.

.

FN : EC0,…., EC6


50

Tabel 4.2. (lanjutan) Database Gabungan

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

2m F0 : EC0,….., EC6

.

.

.

.

FN : EC0,…., EC6

.

.

.

.

.

.

3m F0 : EC0,….., EC6

.

.

.

.

FN : EC0,…., EC6

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

Rambu 10

.

.

.

.

.

.

1m F0 : EC0,….., EC6

.

.

.

.

FN : EC0,…., EC6

.

.

.

.

2m F0 : EC0,….., EC6

.

.

.

.

FN : EC0,…., EC6

.

.

.

.

.

N+1

3m F0 : EC0,….., EC6

.

.

.

.

FN : EC0,…., EC6

Keterangan : F0 = Frame pertama, FN = Frame ke N, EC = Ketujuh nilai ekstraksi ciri

Database digunakan untuk proses pengujian, dengan cara mecari jarak terdekat antara

data uji dengan database. Jarak yang paling dekat akan menjadi hasil pengenalan rambu lalu

lintas peringatan. Pencarian jarak terdekat menggunakan fungsi jarak kosinus pada

Subsubbab 2.8.1. Penggunaan jarak kosinus adalah menghitung jarak antara hasil ekstraksi

ciri data uji dengan database, perhitungan dilakukan frame demi frame.

4.2. Hasil Pengujian dan Analisis Data

Hasil pengujian akan dibuat secara dua garis besar, pengujian input gambar dan

pengujian input video. Hasil pengujian yang sudah didapat kemudian dianalisis untuk

mengetahui kelebihan dan kekurangan pada masing masing sistem yang telah dibuat.


51

4.2.1. Pengujian Input Video

Pengujian ini menggunakan input berupa video dengan 10 rambu yang berbeda. Video

diambil berdasarkan variasi jarak, yaitu 1m, 2m, dan 3m. Pada masing masing jarak

dilakukan dua kali pengambilan video, yaitu pengambilan video secara CCW (Counter

Clockwise) digunakan untuk pembuatan database dan secara CW (Clockwise) digunakan

untuk pengujian. Pegujian ini menggunakan video yang akan diolah tiap 5 frame per detik.

Resolusi video yang digunakan adalah 640x480 piksel dan 15 FPS (Frame Per Second).

Background pengujian menggunakan background alam sesuai keadaan nyata di lapangan.

Subbab 2.9. Mengenai k-NN menjelaskan bahwa klasifikasi objek berdasarkan jarak

terdekat antara database dengan data uji. Penentuan nilai k pada k-NN dapat disesuaikan

dengan kebutuhan, dalam penelitian ini penulis menggunakan nilai k 1, 3, 5, dan 7.

Pengunaan log scale bertujuan untuk mengurangi rentang nilai sehingga dapat

meminimalisir kemungkinan adanya persamaan nilai antara rambu satu dengan rambu

lainnya. Berdasarkan persamaan pada subbab 2.6. Mengenai ekstraksi ciri momen spasial

dan momen pusat dan persamaan 2.7. Mengenai log scale, dihasilkan Gambar 4.14.

Gambar 4.14. Hasil Pengujian Input Video

Tingkat pengenalan yang paling tinggi dilihat dari Gambar 4.14., dengan nilai k=1

pada jarak 1 meter sebesar 84%, sedangkan tingkat pengenalan yang paling rendah terdapat

pada nilai k=7 dengan jarak 3m sebesar 54%. Data hasil pengujian pada Gambar 4.14.,

k=1 k=3 k=5 k=7

1m 84% 79% 74% 72%

2m 83% 68% 66% 65%

3m 78% 61% 64% 54%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

Tin

gk

at

Pen

gen

ala

n

Hasil Pengujian Rambu Lalu Lintas Input Video


52

ditunjukkan pada Lampiran 1 ,Tabel L-1 sampai Tabel L-12. Hasil perhitungan rata–rata

tingkat pengenalan pada masing-masing jarak ditunjukkan pada Tabel 4.3.

Tabel 4.3. Rata-rata Berdasarkan Jarak: Hasil Tingkat Pengenalan

Jarak 1 m Jarak 2 m Jarak 3m

77% 71% 64%

Tabel 4.3. jarak yang memiliki tingkat pengenalan paling tinggi berada pada jarak 1

meter sebesar 77%. Pada jarak 2 meter dan 3 meter tingkat pengenalan mengalami

penurunan yang tidak terlalu drastis, yaitu menurun sebesar 6% dan 7%. Perhitungan rata-

rata penggunaan variasi nilai k ditunjukkan pada Tabel 4.4.

Tabel 4.4. Rata-rata Berdasarkan Nilai k: Hasil Tingkat Pengenalan

k=1 k=3 k=5 k=7

82% 69% 68% 64%

Tabel 4.4. penggunaan nilai k yang memiliki tingkat pengenalan paling tinggi yaitu

k=1 sebesar 82%, sedangkan tingkat pengenalan paling rendah menggunakan nilai k=7.

Selisih persentase nilai k=3 hingga k=7 memiliki selisih yang cukup kecil dibanding selisih

dengan nilai k=1. Pengenalan rambu lalu lintas dengan input video memiliki tingkat

persentase error antara data jumlah data uji dengan jumlah data yang berhasil dikenali.

Tingkat persentase error tersebut disebabkan adanya kemiripan nilai ekstraksi ciri rambu

satu dengan rambu lainnya. .

Hasil Perhitungan ekstraksi ciri antara gambar biner database dan gambar biner data

uji memiliki jarak yang cukup jauh sehingga hasil pengenalan tidak sesuai dengan nama

rambu tersebut. Contoh gambar biner database dan data uji ditunjukkan pada Gambar 4.15.

(a) (b)

Gambar 4.15. Contoh gambar biner 1 (a) gambar biner database, (b) gambar biner data uji


53

Gambar 4.15. menunjukkan gambar biner database dan data uji rambu peringatan (hati

– hati) dengan ukuran 64x64 piksel, dari gambar tersebut terlihat adanya kemiripan antara

gambar database dengan gambar data uji. Gambar database memiliki nilai ekstraksi ciri

yang ditunjukkan pada Lampiran 3 nomor 1 – 47. Gambar data uji memiliki nilai ekstraksi

ciri yaitu 4.47569453, 3.56954186, 5.38184721, 4.61836293, 5.52451561, 6.4306682,

3.71221025. Nilai ekstraksi ciri yang diperoleh dari Gambar 4.15. (b) kemudian dihitung

jaraknya menggunakan jarak kosinus pada Persamaan 2.9. berdasarkan perhitungan jarak

kosinus antara data uji dan database yang ditunjukkan pada Lampiran 3 diketahui bahwa

data uji tersebut memiliki jarak terkecil dengan rambu banyak lalu lintas pejalan kaki anak

– anak pada nomor 89 dengan jarak 2.20253𝑥10−8. Berdasarkan hasil jarak kosinus, hasil

pengenalan Gambar 4.15. (b) tidak sesuai dengan nama rambu tersebut. Hasil pengenalan

yang diharapkan adalah peringatan (hati – hati), setelah dilakukan perhitungan jarak kosinus

antara data uji dengan database menghasilkan banyak lalu lintas pejalan kaki.

4.2.2. Pengujian Input Gambar

Pengujian ini menggunakan input berupa gambar dengan 10 rambu yang berbeda.

Perbedaan pengujian ini dengan input video terdapat pada input yang digunakan, yaitu

berupa gambar. Gambar yang menjadi input merupakan video yang diputar dan diambil tiap

5 frame per detik kemudian disimpan dalam laptop dengan ekstensi .png. Frame yang telah

di simpan di laptop harus memiliki jumlah frame yang sama dengan frame video pada saat

pengujian video. Pengujian dengan input gambar ini memmiliki jumlah yang berbeda untuk

setiap rambu. Perbedaan jumlah ini disebabkan karena setiap rambu memiliki durasi video

yang berbeda. Jumlah frame terbesar terdapat pada rambu simpang tiga kanan dengan total

keseluruhan sebanyak 42 frame, jumlah frame terkecil terdapat pada rambu turunan curam

dan tikungan kanan sebanyak 37 frame. Hasil pengujian gambar berdasarkan jarak dan nilai

k ditunjukkan pada Gambar 4.16.

Untuk mengetahui hasil pengenalan pengujian gambar, maka digunakan jarak kosinus

untuk mengetahui jarak terdekat antara database dengan data uji. Selain itu, penulis

menggunakan k-NN untuk mengetahui hasil pengenalan, nilai k yang digunakan adalah 1,

3, 5, dan 7. Penulis juga menggunakan log scale untuk mengetahui hasil pengenalan. Log

scale digunakan penulis untuk mengurangi rentang nilai dan digunakan untuk mengurangi

kemungkinan adanya persamaan nilai ekstraksi ciri rambu satu dengan rambu yang lainnya.


54

Gambar 4.16. Hasil Pengujian Input Gambar

Gambar 4.16. tingkat pengenalan tertinggi terdapat pada jarak 1 meter dengan nilai

k=1 sebesar 84%. Data hasil pengujian ditunjukkan pada Lampiran 1,Tabel L-13 hingga

Tabel L-24 . Hasil perhitungan rata-rata tingkat pengenalan berdasarkan jarak ditunjukkan

pada Tabel 4.5.

Tabel 4.5. Rata-rata Berdasarkan Jarak: Hasil Tingkat Pengenalan

Jarak 1 m Jarak 2 m Jarak 3m

77% 71% 64%

Tabel 4.5. nilai persentase rata-rata tertinggi berdasarkan jarak yaitu 77% pada jarak 1

meter. Pada jarak 2 meter dan 3 meter nilai rata-rata persentase sudah mengalami penurunan

dengan penurunannya yang tidak cukup signifikan.

Perhitungan rata-rata berdasarkan nilai k ditunjukkan pada Tabel 4.6.

Tabel 4.6. Rata-rata Berdasarkan Nilai k: Hasil Tingkat Pengenalan

k=1 k=3 k=5 k=7

82% 69% 68% 64%

Tabel 4.6. nilai persentase rata-rata tertinggi berdasarkan nilai k sebesar 82% pada

nilai k=1, sedangkan nilai persentase rata-rata terendah sebesar 64% pada nilai k=7. Nilai

k=3 hingga nilai k=7 memiliki selisih persentase yang cukup kecil, yaitu 1 dan 4, dibanding

selisih dengan nilai k=1 yaitu 13. Pengenalan rambu lalu lintas ini tentunya memiliki

k=1 k=3 k=5 k=7

1m 84% 79% 74% 72%

2m 83% 68% 66% 65%

3m 78% 61% 64% 54%

0%10%20%30%40%50%60%70%80%90%

Tin

gk

at

Pen

gen

ala

n

Hasil Pengujian Rambu Lalu Lintas Input Gambar


55

persentase error, yaitu jumlah data yang bisa dikenali tidak sesuai dengan jumlah data yang

diuji. Persentase error pengujian gambar disebabkan karena adanya kemiripan nilai ekstraksi

ciri rambu satu dengan yang lainnya, sehingga hasil pengenalan rambu tidak sesuai. Gambar

biner database dan data uji ditunjukkan pada Gambar 4.17.

(a) (b)

Gambar 4.17. Contoh gambar biner 2 (a) gambar biner database, (b) gambar biner data uji

Gambar 4.17. merupakan gambar biner database dan data uji rambu banyak lalu lintas

pejalan kaki anak – anak dengan ukuran 64x64 piksel. Hasil perhitungan ekstraksi ciri

gambar biner database dan gambar biner data uji berbeda, maka perbedaan hasil ekstraksi

ciri inilah yang menjadi penyebab hasil pengenalan tidak sesuai. Nilai ekstraksi ciri gambar

biner database ditunjukkan pada Lampiran 3 nomor 48 – 94. Nilai ekstraksi ciri gambar

biner data uji yaitu 4.56874939, 3.4162729 , 5.72122588, 4.66670102, 5.81917751,

6.971654, 3.51422454. Nilai ekstraksi gambar biner data uji yang sudah diperoleh kemudian

dihitung menggunakan jarak kosinus pada Persamaan 2.9. Perhitungan cara kosinus

digunakan untuk mencari jarak terdekat antara nilai ekstraksi ciri data uji dengan database

pada Lampiran 3. Hasil perhitungan jarak kosinus menunjukkan bahwa Gambar 4.17. (b)

memiliki hasil pengenalan turunan curam yang terdapat pada nomor 248 dengan jarak

9.89943𝑥10−7. Hasil pengenalan Gambar 4.17. (b) berdasarkan perhitungan jarak kosinus

tidak sesuai dengan nama rambu tersebut. Hasil pengenalan yang diharapkan adalah banyak

lalu lintas pejalan kaki anak – anak, setelah dilakukan perhitungan jarak kosinus

menghasilkan turunan curam.

4.3. Catatan dalam Penelitian

Berdasakan penelitian yang telah dilaksanakan, cahaya dan latar belakang rambu

sangat berpengaruh sehingga harus diperhatikan. Pada saat pengambilan database dan data

uji harus memiliki rentang cahaya yang hampir sama. Standar pencahayaan yang digunakan


56

dapat diketahui dengan aplikasi pada HP, yaitu Fotometer PRO. Cahaya terlalu terang dan

terlalu gelap akan sulit dikenali oleh sistem, sehingga nilai standar yang digunakan penulis

adalah 2236-5000 lux. Selain cahaya, latar belakang rambu sangat berpengaruh. Latar

belakang rambu yang berwarna kuning akan menghasilkan noise pada rambu. Input yang

digunakan penulis, ada sebagian rambu yang memiliki noise pada latar belakangnya, akan

tetapi dengan menggunakan ekstraksi ciri momen spasial dan momen pusat serta

preprocessing yang sudah diatur, maka rambu tersebut masih bisa dikenali.

4.4. Hasil Perbandingan dengan Penelitian Lainnya

Tabel 4.7. menunjukkan perbandingan penelitian sebelumnya dengan penelitian yang

dilakukan penulis.

Tabel 4.7. Hasil Perbandingan Penelitian

Penelitian Saat ini Penelitian Sebelumnya [2] Penelitian Sebelumnya [3]

10 buah rambu 3 buah rambu 3 buah rambu

Rambu peringatan Rambu peringatan Rambu peringatan, rambu

larangan, rambu perintah

Di lapangan Di ruangan Di lapangan

Variasi jarak dan translasi Variasi jarak, desimasi, dan

sudut miring

Variasi threshold

Menggunakan k-NN - Menggunakan k-NN

Tingkat keberhasilan :

k1=82%, k3=69%,

k5=68%, k7=64%


Mayoritas 100%


k3=100%, k5=86,6%,

k7=86,6%

Momen spasial dan momen

pusat

Wavelet Haar Momen spasial dan momen

pusat

Jarak kosinus Jarak chi square Jarak euclidian

Tabel 4.7 menunjukkan perbedaan antara penelitian ini dengan penelitian sebelumnya.

Penelitian ini memiliki hasil kinerja lebih rendah dibandingkan dengan penelitian

sebelumnya. Perbedaan yang paling signifikan terdapat pada pengambilan data,

pengambilan data dalam penelitian ini dilakukan di luar ruangan dengan jumlah 10 rambu.

Penelitian sebelumnya [2] pengambilan data dilakukan di dalam ruangan dengan jumlah 3


57

rambu, sedangkan untuk penelitian sebelumnya [3] pengambilan data dilakukan di luar

ruangan dengan jumlah 3 rambu.


58

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil penelitian mengenai pengenalan rambu lalu lintas peringatan, dapat

disimpulkan bahwa :

1. Pengujian dilakukan menggunakan 2 variasi yang digabungkan menjadi satu, yaitu

variasi penyekalaan dan variasi translasi.

2. Rata-rata hasil pengujian berdasarkan nilai k secara input video dan input gambar

memilik hasil sama, yaitu 82% untuk k=1, 69% untuk k=3, 68% untuck=5, dan

64% untuk k=7.

3. Rata-rata hasil pengujian jarak dan translasi secara input video dan input gambar

memilik hasil sama, yaitu 77% untuk jarak 1 meter, 71% untuk jarak 2 meter, dan

64% untuk jarak 3 meter.

4. Hasil persentase pengenalan penelitian ini lebih rendah dibandingkan dengan hasil

penelitian sebelumnya[2][3].

5.2. Saran

Saran yang dapat diberikan untuk pengembangan sistem pengenalan rambu lalu lintas

peringatan adalah :

1. Pengenalan rambu lalu lintas tidak hanya terbatas pada rambu lalu lintas peringatan

tetapi bisa menggunakan semua jenis rambu.

2. Hasil pengenalan dapat berupa gambar dan suara.

3. Pemrosesan pengenalan dapat menggunakan raspberry.

4. Pengujian dilakukan dengan cara berjalan.


59

DAFTAR PUSTAKA

[1] Prasojo, Prapto, 2015, Computer Vision,

https://praptoprasojo.wordpress.com/2015/11/13/computer-vision/, diakses 18

Februari 2021

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

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

Akhir, Program Studi Teknik Elektro, FST, Universitas Sanata Dharma, Yogyakarta

[3] Rizarta, R.E.F., 2019, Pengenalan Citra Rambu Lalu Lintas Menggunakan Ekstraksi

Fitur Momen Warna dan K-Nearest Neighbour, Jurnal, Program Studi Informatika,

Fakultas Teknologi Informasi dan Elektro, Universitas Teknologi Yogyakarta,

Yogyakarta

[4] Peraturan Menteri Perhubungan Republik Indonesia Nomor PM 13 Tahun 2014

Tentang Rambu Lalu Lintas

[5] Pamungkas, Adi, 2017, Pengolahan Citra Digital,

https://pemrogramanmatlab.com/2017/07/26/pengolahan-citra-digital/, diakses 14

November 2020

[6] Swedia, E.R., Cahyanti, M., 2010, Algoritma Transformasi Ruang Warna,

http://margi.staff.gunadarma.ac.id/Publications/files/2617/Pengolahan Citra -

Algoritma Ruang Warna.pdf, diakses 14 November 2020

[7] ---, ---, What Is Image, https://www.suntos.com.np/computer-vision-for-

robotics/what-is-image.html, diakses 5 Desember 2020

[8] Makmur, Farida, 2017, Pengolahan Citra Berwarna, https://docplayer.info/47312942-

Pengolahan-citra-berwarna.html, diakses 14 November 2020

[9] Noel, Sebastien, 2020, Understanding Hue, Saturation, & Lightness (HSL) for Photo

Retouching, https://purple11.com/basics/hue-saturation-lightness/, diakses 14

November 2020

[10] Pranoto, Johan, 2017, Citra Biner, https://docplayer.info/32915819-Citra-biner-bab-

pendahuluan.html, diakses 19 November 2020

[11] Kadir, A., Susanto, A., Teori dan Aplikasi Pengolahan Citra, Andi Offset, Yogyakarta

[12] Hidayatullah, P., Pengolahan Citra Digital Teori dan Aplikasinya, Informatika,

Bandung

[13] Nomerovska, Inna, 2020, Images Processing Technique: What are Bounding Box?,

https://keymakr.com/blog/what-are-bounding-boxes/, diakses 2 Februari 2021

[14] Mallick, S., Bapat, K., 2018, Shape Matching using Hu Moments (C++/Python),

https://learnopencv.com/shape-matching-using-hu-moments-c-python/, diakses 2

Februari 2021


https://praptoprasojo.wordpress.com/2015/11/13/computer-vision/

https://pemrogramanmatlab.com/2017/07/26/pengolahan-citra-digital/

https://www.suntos.com.np/computer-vision-for-robotics/what-is-image.html

https://www.suntos.com.np/computer-vision-for-robotics/what-is-image.html

https://docplayer.info/47312942-Pengolahan-citra-berwarna.html

https://docplayer.info/47312942-Pengolahan-citra-berwarna.html

https://purple11.com/basics/hue-saturation-lightness/

https://docplayer.info/32915819-Citra-biner-bab-pendahuluan.html

https://docplayer.info/32915819-Citra-biner-bab-pendahuluan.html

https://keymakr.com/blog/what-are-bounding-boxes/

https://learnopencv.com/shape-matching-using-hu-moments-c-python/

60

[15] Kurniawan, Bayu, dkk, 2016, Aplikasi Pengenalan Citra Nomor Kendaraan Bermotor

Menggunakan Metode Template Machine, Jurnal, Teknik Informatika, Univeritas Sam

Ratulangi, Manado

[16] Pamungkas Adi, 2016, k-Nearest Neighbour (k-NN),

https://pemrogramanmatlab.com/data-mining-menggunakan-matlab/k-nearest-

neighbor-knn-menggunakan-matlab/, diakses 20 November 2020


https://pemrogramanmatlab.com/data-mining-menggunakan-matlab/k-nearest-neighbor-knn-menggunakan-matlab/

https://pemrogramanmatlab.com/data-mining-menggunakan-matlab/k-nearest-neighbor-knn-menggunakan-matlab/

L-1

LAMPIRANL LAMPIRAN 1 A. Data Pengujian Input Video

Nama rambu berdasarkan urutan pengujian :

Rambu 1 (R1) : Peringatan (hati-hati)

Rambu 2 (R2) : Banyak lalu lintas pejalan kaki anak-anak

Rambu 3 (R3) : Persimpangan tiga sisi kanan (ditempatkan pada lengan mayor)

Rambu 4 (R4) : Jembatan

Rambu 5 (R5) : Pintu perlintasan sebidang kereta api

Rambu 6 (R6) : Turunan curam

Rambu 7 (R7) : Permukaan jalan yang cekung atau berlubang

Rambu 8 (R8) : Simpang empat prioritas (ditempatkan pada lengan mayor)

Rambu 9 (R9) : Tikungan kanan

Rambu 10 (R10) : Persimpangan tiga tipe T (ditempatkan pada lengan minor)

Tabel L-1. Confusion Matrix Jarak 1 m nilai k=1 (input video)

Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 15 14 1 0 0 0 0 0 0 0 0

118

R2 14 0 12 0 0 0 1 1 0 0 0

R3 14 0 0 13 0 0 1 0 0 0 0

R4 14 0 0 0 12 0 0 0 0 2 0

R5 15 0 0 0 1 14 0 0 0 0 0

R6 13 0 0 3 0 0 7 0 3 0 0

R7 14 0 2 0 0 2 0 10 0 0 0

R8 15 0 0 0 0 0 1 1 13 0 0

R9 13 0 0 0 1 0 0 0 0 12 0

R10 14 2 0 1 0 0 0 0 0 0 11

141


L-2


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 15 13 1 0 0 0 0 0 1 0 0

111

R2 14 0 13 0 0 0 0 0 1 0 0

R3 14 0 0 11 0 0 3 0 0 0 0

R4 14 0 0 0 14 0 0 0 0 0 0

R5 15 0 0 0 2 11 0 0 0 2 0

R6 13 0 0 4 0 0 7 0 2 0 0

R7 14 0 2 0 0 3 0 7 1 1 0

R8 15 0 0 0 0 0 0 0 15 0 0

R9 13 0 0 0 1 1 0 0 0 11 0

R10 14 4 0 1 0 0 0 0 0 0 9

141


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 15 13 1 0 0 0 0 0 1 0 0

105

R2 14 0 13 0 0 0 0 0 1 0 0

R3 14 0 0 10 0 0 4 0 0 0 0

R4 14 0 1 0 12 1 0 0 0 0 0

R5 15 0 0 0 2 13 0 0 0 0 0

R6 13 0 0 4 0 0 7 0 2 0 0

R7 14 0 5 0 0 4 0 3 1 1 0

R8 15 0 0 0 0 0 0 0 15 0 0

R9 13 0 0 0 1 2 0 1 0 9 0

R10 14 4 0 0 0 0 0 0 0 0 10

141


L-3


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 15 12 0 0 0 0 0 0 3 0 0

102

R2 14 0 12 0 0 0 0 1 1 0 0

R3 14 0 0 11 0 0 3 0 0 0 0

R4 14 0 2 0 12 0 0 0 0 0 0

R5 15 0 0 0 4 11 0 0 0 0 0

R6 13 0 0 5 0 0 6 0 2 0 0

R7 14 0 3 0 0 3 0 6 1 1 0

R8 15 0 0 0 0 0 0 0 15 0 0

R9 13 0 1 0 0 3 0 1 0 8 0

R10 14 5 0 0 0 0 0 0 0 0 9

141


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 12 9 0 0 0 0 0 0 0 0 3

108

R2 12 0 10 0 1 0 0 1 0 0 0

R3 14 0 0 14 0 0 0 0 0 0 0

R4 13 0 0 0 13 0 0 0 0 0 0

R5 12 0 0 0 2 10 0 0 0 0 0

R6 13 0 0 1 0 0 12 0 0 0 0

R7 14 0 2 0 0 0 0 10 0 0 2

R8 15 0 0 0 0 0 2 0 13 0 0

R9 12 0 0 0 1 2 0 0 0 9 0

R10 13 3 0 0 0 0 0 2 0 0 8

130


L-4


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 12 8 0 0 0 0 0 0 0 0 4

89

R2 12 0 8 0 1 0 0 2 1 0 0

R3 14 0 0 9 0 0 0 1 0 0 4

R4 13 0 0 0 11 1 0 0 0 1 0

R5 12 0 1 0 2 8 0 0 0 1 0

R6 13 0 0 3 0 0 9 0 1 0 0

R7 14 0 3 1 0 0 0 7 0 0 3

R8 15 1 0 0 0 0 1 0 13 0 0

R9 12 0 0 0 0 1 0 0 0 11 0

R10 13 5 0 0 0 0 0 3 0 0 5

130


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 12 8 0 0 0 0 0 0 1 0 3

86

R2 12 0 7 0 1 1 0 1 2 0 0

R3 14 0 0 8 0 0 0 1 1 0 4

R4 13 0 0 0 12 0 0 0 0 1 0

R5 12 0 1 2 2 7 0 0 0 0 0

R6 13 1 0 4 0 0 5 0 3 0 0

R7 14 0 3 1 0 0 0 8 0 0 2

R8 15 0 0 0 0 0 1 0 14 0 0

R9 12 0 0 0 0 0 0 0 0 12 0

R10 13 4 0 0 0 0 0 3 1 0 5

130


L-5


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 12 9 0 0 0 0 1 0 1 0 1

85

R2 12 0 6 0 3 0 0 0 2 1 0

R3 14 0 0 10 0 0 0 1 1 0 2

R4 13 0 0 0 12 1 0 0 0 0 0

R5 12 0 2 2 2 6 0 0 0 0 0

R6 13 0 0 4 0 0 7 0 2 0 0

R7 14 0 2 1 0 0 0 6 0 0 5

R8 15 0 0 0 0 0 1 0 14 0 0

R9 12 0 0 0 0 1 0 0 0 11 0

R10 13 6 0 0 0 0 0 2 1 0 4

130


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 13 12 0 0 0 0 0 0 0 0 1

99

R2 12 0 10 2 0 0 0 0 0 0 0

R3 14 0 1 10 0 0 1 1 0 0 1

R4 12 0 1 0 10 0 0 0 0 1 0

R5 12 1 0 0 0 9 0 0 2 0 0

R6 12 0 0 1 0 0 8 0 3 0 0

R7 13 2 0 0 0 0 0 9 0 0 2

R8 14 0 0 1 0 0 1 0 12 0 0

R9 12 0 0 0 0 1 0 0 0 11 0

R10 13 0 0 2 0 0 0 3 0 0 8

127


L-6


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 13 8 0 0 0 0 0 2 0 0 3

77

R2 12 0 6 2 4 0 0 0 0 0 0

R3 14 0 0 10 0 0 1 2 0 0 1

R4 12 0 1 0 9 0 0 0 0 2 0

R5 12 1 0 0 0 7 0 0 2 2 0

R6 12 1 0 3 0 0 2 0 6 0 0

R7 13 2 0 0 0 0 0 7 0 0 4

R8 14 0 0 1 0 0 1 0 12 0 0

R9 12 0 0 0 0 2 0 0 0 10 0

R10 13 1 0 3 0 0 0 3 0 0 6

127


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 13 9 0 0 0 0 0 1 0 0 3

81

R2 12 0 5 2 5 0 0 0 0 0 0

R3 14 0 0 9 0 0 1 4 0 0 0

R4 12 0 1 0 9 0 0 0 0 2 0

R5 12 1 0 0 0 8 0 0 2 1 0

R6 12 1 1 2 0 0 2 0 6 0 0

R7 13 2 0 0 0 0 0 9 0 0 2

R8 14 0 1 1 0 0 0 0 12 0 0

R9 12 0 0 0 0 0 0 0 0 12 0

R10 13 1 0 3 0 0 0 3 0 0 6

127


L-7


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 13 8 0 0 0 0 0 1 0 0 4

68

R2 12 0 3 2 5 0 0 2 0 0 0

R3 14 0 0 9 0 0 0 4 1 0 0

R4 12 0 0 0 10 1 0 0 0 1 0

R5 12 1 1 0 0 4 0 0 2 4 0

R6 12 2 0 3 0 0 1 0 6 0 0

R7 13 4 0 0 0 0 0 7 0 0 2

R8 14 0 0 5 0 0 1 0 8 0 0

R9 12 0 0 0 0 0 0 0 0 12 0

R10 13 1 0 4 0 0 0 2 0 0 6

127

Keterangan : Warna biru (dikenali), warna merah (mengenali rambu lain)

B. Data Pengujian Input Gambar

Nama rambu berdasarkan urutan pengujian :

Rambu 1 (R1) : Peringatan (hati-hati)

Rambu 2 (R2) : Banyak lalu lintas pejalan kaki anak-anak

Rambu 3 (R3) : Persimpangan tiga sisi kanan (ditempatkan pada lengan mayor)

Rambu 4 (R4) : Jembatan

Rambu 5 (R5) : Pintu perlintasan sebidang kereta api

Rambu 6 (R6) : Turunan curam

Rambu 7 (R7) : Permukaan jalan yang cekung atau berlubang

Rambu 8 (R8) : Simpang empat prioritas (ditempatkan pada lengan mayor)

Rambu 9 (R9) : Tikungan kanan

Rambu 10 (R10) : Persimpangan tiga tipe T (ditempatkan pada lengan minor)


L-8

Tabel L-13. Confusion Matrix Jarak 1 m nilai k=1 (input gambar)

Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 15 14 1 0 0 0 0 0 0 0 0

118

R2 14 0 12 0 0 0 1 1 0 0 0

R3 14 0 0 13 0 0 1 0 0 0 0

R4 14 0 0 0 12 0 0 0 0 2 0

R5 15 0 0 0 1 14 0 0 0 0 0

R6 13 0 0 3 0 0 7 0 3 0 0

R7 14 0 2 0 0 2 0 10 0 0 0

R8 15 0 0 0 0 0 1 1 13 0 0

R9 13 0 0 0 1 0 0 0 0 12 0

R10 14 2 0 1 0 0 0 0 0 0 11

141


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 15 13 1 0 0 0 0 0 1 0 0

111

R2 14 0 13 0 0 0 0 0 1 0 0

R3 14 0 0 11 0 0 3 0 0 0 0

R4 14 0 0 0 14 0 0 0 0 0 0

R5 15 0 0 0 2 11 0 0 0 2 0

R6 13 0 0 4 0 0 7 0 2 0 0

R7 14 0 2 0 0 3 0 7 1 1 0

R8 15 0 0 0 0 0 0 0 15 0 0

R9 13 0 0 0 1 1 0 0 0 11 0

R10 14 4 0 1 0 0 0 0 0 0 9

141


L-9


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 15 13 1 0 0 0 0 0 1 0 0

105

R2 14 0 13 0 0 0 0 0 1 0 0

R3 14 0 0 10 0 0 4 0 0 0 0

R4 14 0 1 0 12 1 0 0 0 0 0

R5 15 0 0 0 2 13 0 0 0 0 0

R6 13 0 0 4 0 0 7 0 2 0 0

R7 14 0 5 0 0 4 0 3 1 1 0

R8 15 0 0 0 0 0 0 0 15 0 0

R9 13 0 0 0 1 2 0 1 0 9 0

R10 14 4 0 0 0 0 0 0 0 0 10

141


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 15 12 0 0 0 0 0 0 3 0 0

102

R2 14 0 12 0 0 0 0 1 1 0 0

R3 14 0 0 11 0 0 3 0 0 0 0

R4 14 0 2 0 12 0 0 0 0 0 0

R5 15 0 0 0 4 11 0 0 0 0 0

R6 13 0 0 5 0 0 6 0 2 0 0

R7 14 0 3 0 0 3 0 6 1 1 0

R8 15 0 0 0 0 0 0 0 15 0 0

R9 13 0 1 0 0 3 0 1 0 8 0

R10 14 5 0 0 0 0 0 0 0 0 9

141


L-10


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 12 9 0 0 0 0 0 0 0 0 3

108

R2 12 0 10 0 1 0 0 1 0 0 0

R3 14 0 0 14 0 0 0 0 0 0 0

R4 13 0 0 0 13 0 0 0 0 0 0

R5 12 0 0 0 2 10 0 0 0 0 0

R6 13 0 0 1 0 0 12 0 0 0 0

R7 14 0 2 0 0 0 0 10 0 0 2

R8 15 0 0 0 0 0 2 0 13 0 0

R9 12 0 0 0 1 2 0 0 0 9 0

R10 13 3 0 0 0 0 0 2 0 0 8

130


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 12 8 0 0 0 0 0 0 0 0 4

89

R2 12 0 8 0 1 0 0 2 1 0 0

R3 14 0 0 9 0 0 0 1 0 0 4

R4 13 0 0 0 11 1 0 0 0 1 0

R5 12 0 1 0 2 8 0 0 0 1 0

R6 13 0 0 3 0 0 9 0 1 0 0

R7 14 0 3 1 0 0 0 7 0 0 3

R8 15 1 0 0 0 0 1 0 13 0 0

R9 12 0 0 0 0 1 0 0 0 11 0

R10 13 5 0 0 0 0 0 3 0 0 5

130


L-11


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 12 8 0 0 0 0 0 0 1 0 3

86

R2 12 0 7 0 1 1 0 1 2 0 0

R3 14 0 0 8 0 0 0 1 1 0 4

R4 13 0 0 0 12 0 0 0 0 1 0

R5 12 0 1 2 2 7 0 0 0 0 0

R6 13 1 0 4 0 0 5 0 3 0 0

R7 14 0 3 1 0 0 0 8 0 0 2

R8 15 0 0 0 0 0 1 0 14 0 0

R9 12 0 0 0 0 0 0 0 0 12 0

R10 13 4 0 0 0 0 0 3 1 0 5

130


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 12 9 0 0 0 0 1 0 1 0 1

85

R2 12 0 6 0 3 0 0 0 2 1 0

R3 14 0 0 10 0 0 0 1 1 0 2

R4 13 0 0 0 12 1 0 0 0 0 0

R5 12 0 2 2 2 6 0 0 0 0 0

R6 13 0 0 4 0 0 7 0 2 0 0

R7 14 0 2 1 0 0 0 6 0 0 5

R8 15 0 0 0 0 0 1 0 14 0 0

R9 12 0 0 0 0 1 0 0 0 11 0

R10 13 6 0 0 0 0 0 2 1 0 4

130


L-12


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 13 12 0 0 0 0 0 0 0 0 1

99

R2 12 0 10 2 0 0 0 0 0 0 0

R3 14 0 1 10 0 0 1 1 0 0 1

R4 12 0 1 0 10 0 0 0 0 1 0

R5 12 1 0 0 0 9 0 0 2 0 0

R6 12 0 0 1 0 0 8 0 3 0 0

R7 13 2 0 0 0 0 0 9 0 0 2

R8 14 0 0 1 0 0 1 0 12 0 0

R9 12 0 0 0 0 1 0 0 0 11 0

R10 13 0 0 2 0 0 0 3 0 0 8

127


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 13 8 0 0 0 0 0 2 0 0 3

77

R2 12 0 6 2 4 0 0 0 0 0 0

R3 14 0 0 10 0 0 1 2 0 0 1

R4 12 0 1 0 9 0 0 0 0 2 0

R5 12 1 0 0 0 7 0 0 2 2 0

R6 12 1 0 3 0 0 2 0 6 0 0

R7 13 2 0 0 0 0 0 7 0 0 4

R8 14 0 0 1 0 0 1 0 12 0 0

R9 12 0 0 0 0 2 0 0 0 10 0

R10 13 1 0 3 0 0 0 3 0 0 6

127


L-13


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 13 9 0 0 0 0 0 1 0 0 3

81

R2 12 0 5 2 5 0 0 0 0 0 0

R3 14 0 0 9 0 0 1 4 0 0 0

R4 12 0 1 0 9 0 0 0 0 2 0

R5 12 1 0 0 0 8 0 0 2 1 0

R6 12 1 1 2 0 0 2 0 6 0 0

R7 13 2 0 0 0 0 0 9 0 0 2

R8 14 0 1 1 0 0 0 0 12 0 0

R9 12 0 0 0 0 0 0 0 0 12 0

R10 13 1 0 3 0 0 0 3 0 0 6

127


Masukan Jumlah

Frame

Keluaran Dikenali

R1 R2 R3 R4 R5 R6 R7 R8 R9 R10

R1 13 8 0 0 0 0 0 1 0 0 4

68

R2 12 0 3 2 5 0 0 2 0 0 0

R3 14 0 0 9 0 0 0 4 1 0 0

R4 12 0 0 0 10 1 0 0 0 1 0

R5 12 1 1 0 0 4 0 0 2 4 0

R6 12 2 0 3 0 0 1 0 6 0 0

R7 13 4 0 0 0 0 0 7 0 0 2

R8 14 0 0 5 0 0 1 0 8 0 0

R9 12 0 0 0 0 0 0 0 0 12 0

R10 13 1 0 4 0 0 0 2 0 0 6

127

Keterangan : Warna biru (dikenali), warna merah (mengenali rambu lain)


L-14

LAMPIRAN 2

DATA PERUBAHAN RAMBU LALU LINTAS

PERINGATAN

Tabel L-25. Data Perubahan Rambu Lalu Lintas Peringatan

No. Gambar

Sebelum

Tingkat Persentase

Pengenalan

Keseluruhan

Sebelum

Perubahan

Gambar Sesudah

Perubahan

Tingkat Persentase

Pengenalan

Keseluruhan

Sesudah Perubahan

1

50%

65%

2

60%

72%

3

56,6%

74%

4

63,3%

78%

5

60%

83%


L-15

LAMPIRAN 3

NILAI EKSTRAKSI CIRI DATABASE

Urutan rambu berdasarkan database :

1 – 47 : Peringatan (hati – hati)

48 – 94 : Banyak lalu lintas pejalan kaki anak-anak

95 – 136 : Persimpangan tiga sisi kanan (ditempatkan pada lengan mayor)

137 – 186 : Jembatan

187 – 240 : Pintu perlintasan sebidang kereta api

241 – 291 : Turunan curam

292 – 334 : Permukaan jalan yang cekung atau berlubang

335 – 384 : Simpang empat prioritas (ditempatkan pada lengan mayor)

385 – 430 : Tikungan kanan

431 – 480 : Persimpangan tiga tipe T (ditempatkan pada lengan minor)

No Hasil Ekstraksi Ciri 1 4.561063130994355, 3.576022232933834, 5.5461040290548755,

4.706183110571574, 5.691224008632095, 6.676264906692616, 3.7211422125110536

2 4.559558158316582, 3.5741014222205645, 5.545014894412599, 4.703268384749399, 5.688725120845416, 6.674181856941434, 3.717811648653382

3 4.570138752470319, 3.5676855290916025, 5.572591975849035, 4.7118789831652235, 5.714332206543939, 6.7167854299226555, 3.709425759786507

4 4.713696942014598, 3.567647267338483, 5.859746616690715, 4.85530520876158, 6.001354883437696, 7.147404558113812, 3.7092555340854645

5 4.568053719634865, 3.5695073373646817, 5.566600101905049, 4.71002873381332, 5.708575116083503, 6.707121498353687, 3.711482351543136

6 4.580767138504965, 3.572767168121661, 5.588767108888269, 4.722133416884536, 5.73013338726784, 6.738133357651145, 3.714133446501232

7 4.7344482397060865, 3.5624692885471942, 5.906427190864978, 4.871334753684556, 6.043313704843448, 7.215292656002339, 3.6993558025256634

8 4.7617601706721455, 3.5690859864128974, 5.954434354931394, 4.900618738652803, 6.093292922912051, 7.285967107171299, 3.707944554393555


L-16

9 4.760085984592304, 3.567811037812357, 5.95236093137225, 4.898862868801223, 6.0911378155811695, 7.283412762361116, 3.7065879220212765

10 4.989663497647899, 3.5623673702765632, 6.416959625019234, 5.126052706514883, 6.553348833886218, 7.980644961257553, 3.698756579143547

11 4.746871037629625, 3.5687381894721706, 5.9250038857870795, 4.8873392674005975, 6.065472115558052, 7.243604963715506, 3.709206419243143

12 4.562979268717423, 3.569132770665836, 5.55682576676901, 4.704879540228398, 5.698726038279985, 6.692572536331572, 3.7110330421768114

13 4.564551082875272, 3.571245392235966, 5.557856773514577, 4.707958412070995, 5.701264102710301, 6.694569793349606, 3.7146527214316896

14 4.585944150022934, 3.6057998819053836, 5.566088418140485, 4.745055186436273, 5.725199454553824, 6.705343722671374, 3.764910918318723

15 4.586504653560306, 3.6017458727853984, 5.571263434335213, 4.743029459657877, 5.727788240432784, 6.712547021207692, 3.75827067888297

16 4.599341438292982, 3.5955439412302965, 5.603138935355669, 4.754672551580405, 5.75847004864309, 6.762267545705777, 3.750875054517718

17 4.607390511166894, 3.6137067437332266, 5.601074278600562, 4.768115847355269, 5.761799614788937, 6.755483382222605, 3.7744320799216022

18 4.596380670856547, 3.605926306177414, 5.586835035535681, 4.754995693650127, 5.7454500583292605, 6.735904423008394, 3.764541328970993

19 4.6267965383545695, 3.6133361513450275, 5.6402569253641115, 4.784803256924432, 5.798263643933974, 6.811724030943516, 3.7713428699148897

20 4.604677534594833, 3.5983654345584526, 5.610989634631214, 4.758620345208723, 5.764932445245104, 6.771244545281484, 3.752308245172342

21 4.774723890073872, 3.6064655978370705, 5.942982182310675, 4.930833830923349, 6.099092123160151, 7.267350415396953, 3.762575538686547

22 4.787943249997159, 3.6222304814433732, 5.953656018550945, 4.9486520936597875, 6.114364862213574, 7.28007763076736, 3.782939325106001

23 4.781295734977066, 3.613072765148267, 5.9495187048058655, 4.939499522420434, 6.107722492249233, 7.275945462078032, 3.7712765525916345

24 4.624936829492151, 3.617518997106931, 5.632354661877373, 4.786022753878808, 5.793440586264029, 6.80085841864925, 3.7786049214935873


L-17

25 4.59361901149935, 3.608036455103007, 5.579201567895693, 4.751841826221853, 5.7374243826181965, 6.72300693901454, 3.76625926982551

26 4.598087853995173, 3.608830185284882, 5.587345522705463, 4.757485640956355, 5.746743309666645, 6.736000978376936, 3.7682279722460637

27 4.594496053411289, 3.5730649018642517, 5.615927204958327, 4.734789707509523, 5.75622085905656, 6.777652010603598, 3.7133585559624858

28 4.591870329175795, 3.574918755861509, 5.608821902490082, 4.733201671428312, 5.750153244742598, 6.767104818056884, 3.7162500981140263

29 4.584243965558942, 3.5672106262601617, 5.601277304857722, 4.72406037414967, 5.74109371344845, 6.758127052747231, 3.70702703485089

30 4.7321203437069785, 3.604724268493913, 5.859516418920043, 4.888354442275697, 6.015750517488762, 7.143146592701827, 3.7609583670626314

31 4.637045831586485, 3.598297054937399, 5.675794608235571, 4.7905099338293935, 5.829258710478479, 6.868007487127565, 3.751761157180307

32 4.463692307241542, 3.6683098279307447, 5.259074786552341, 4.643245131371711, 5.438627610682509, 6.234010089993307, 3.8478626520609134

33 4.44765794850374, 3.665515406242337, 5.229800490765143, 4.625707038735839, 5.407849580997241, 6.189992123258644, 3.8435644964744355

34 4.464279494943685, 3.67958894834479, 5.248970041542578, 4.64798529089619, 5.4326758374950845, 6.217366384093978, 3.863294744297296

35 4.4735712279884305, 3.665434570931537, 5.281707885045325, 4.650835698766128, 5.458972355823023, 6.267109012879916, 3.842699041709235

36 4.428759921924552, 3.6620198612915438, 5.1954999825575605, 4.606021833613718, 5.372761894246726, 6.139501954879734, 3.8392817729807094

37 4.457499125937654, 3.679068145756634, 5.235930106118675, 4.638838323279374, 5.417269303460395, 6.195700283641416, 3.860407343098353

38 4.441148905372617, 3.671356460523545, 5.21094135022169, 4.618632260097792, 5.388424704946864, 6.158217149795937, 3.8488398152487195

39 4.440012145560068, 3.6655022939901016, 5.214521997130035, 4.618161202719915, 5.392671054289882, 6.167180905859849, 3.8436513511499486

40 4.559627483871496, 3.668496878626888, 5.4507580891161025, 4.735785873738213, 5.62691647898282, 6.518047084227428, 3.8446552684936055


L-18

41 4.583907826709832, 3.6828144728538974, 5.485001180565767, 4.765241920081254, 5.666335273937189, 6.567428627793124, 3.864148566225319

42 4.624963487998739, 3.666711806949354, 5.583215169048125, 4.802019171842787, 5.760270852892172, 6.718522533941557, 3.843767490793401

43 4.562927833532717, 3.672029635130281, 5.453826031935153, 4.741482623101647, 5.632380821504084, 6.52327901990652, 3.8505844246992114

44 4.473950866115667, 3.6538335532207182, 5.2940681790106145, 4.648730117487461, 5.46884743038241, 6.288964743277358, 3.828612804592513

45 4.5231160030410935, 3.654769284672942, 5.391462721409244, 4.6985787579332365, 5.566925476301388, 6.4352721946695395, 3.8302320395650855

46 4.531266199191101, 3.671813711539446, 5.390718686842757, 4.709923440974248, 5.569375928625903, 6.428828416277558, 3.850470953322593

47 4.489720720145462, 3.6591525215314875, 5.320288918759435, 4.665014774130586, 5.495582972744559, 6.326151171358533, 3.834446575516612

48 4.598837263247136, 3.4068444110514413, 5.79083011544283, 4.693385932141459, 5.885378784337154, 7.077371636532848, 3.501393079945765

49 4.582566506393438, 3.4150711946940246, 5.750061818092852, 4.679264605205066, 5.84675991690448, 7.0142552286038935, 3.511769293505653

50 4.595109461978729, 3.4225963445385825, 5.767622579418876, 4.695179465908397, 5.867692583348544, 7.0402057007886905, 3.5226663484682503

51 4.868755464774667, 3.4144522854858437, 6.32305864406349, 4.966713854909325, 6.421017034198148, 7.8753202134869715, 3.512410675620502

52 4.615033474540777, 3.4209786768482826, 5.8090882722332715, 4.714555013050916, 5.90860981074341, 7.102664608435905, 3.5205002153584215

53 4.835563647311018, 3.416697223578873, 6.254430071043162, 4.934382092876023, 6.353248516608168, 7.7721149403403125, 3.5155156691438783

54 4.873355433811363, 3.4249756466891155, 6.32173522093361, 4.972285715861358, 6.4206655029836055, 7.869045290105853, 3.5239059287391106

55 5.645578993765526, 3.4101842884912212, 7.880973699039831, 5.73892316752994, 7.974317872804245, 10.20971257807855, 3.5035284622556344

56 5.415449694711011, 3.4219044193628165, 7.408994970059204, 5.5120734253379515, 7.505618700686146, 9.499163976034339, 3.518528149989757


L-19

57 5.337460225426926, 3.4161555438544013, 7.258764906999452, 5.433142019107787, 7.354446700680311, 9.275751382252837, 3.5118373375352614

58 5.411270895711561, 3.415094553438076, 7.407447237985046, 5.506034315710864, 7.5022106579843495, 9.498387000257834, 3.509857973437379

59 4.860920990363911, 3.427469324336678, 6.294372656391144, 4.959814731373412, 6.3932663974006445, 7.826718063427878, 3.526363065346179

60 4.595069449065267, 3.4221382644654015, 5.7680006336651335, 4.69400157415084, 5.866932758750706, 7.039863943350572, 3.521070389550973

61 4.9125396815844224, 3.447843200815569, 6.3772361623532765, 5.023161329388528, 6.487857810157382, 7.952554290926236, 3.5584648486196744

62 4.932550727935278, 3.443175518899602, 6.421925936970954, 5.040452266240261, 6.529827475275937, 8.019202684311614, 3.5510770572045853

63 4.8524163880876765, 3.4525300345941408, 6.252302741581212, 4.963329248578463, 6.363215602071998, 7.763101955565533, 3.563442895084927

64 4.922823132889373, 3.440739014713396, 6.4049072510653495, 5.030279644515124, 6.5123637626911, 7.994447880867077, 3.5481955263391476

65 4.888469572814157, 3.45850535870237, 6.318433786925942, 5.0024977914762045, 6.432462005587991, 7.862426219699777, 3.5725335773644185

66 6.08426444199104, 3.4469119239500476, 8.721616960032033, 6.194162862671502, 8.831515380712496, 11.468867898753489, 3.556810344630509

67 5.623539120241768, 3.4488417575711052, 7.798236482912429, 5.733503296029976, 7.908200658700638, 10.082898021371301, 3.558805933359314

68 5.739367094962649, 3.4533295752851996, 8.025404614640099, 5.8506797257989644, 8.136717245476415, 10.422754765153865, 3.5646422061215146

69 4.977912326530498, 3.4545009824978514, 6.501323670563145, -5.088918884602931, 6.612330228635577, -8.135741572668223, 3.5655075405702843

70 5.714337639475549, 3.458737699453443, 7.969937579497657, 5.827462556025778, 8.083062496047885, 10.338662436069992, 3.571862616003671

71 5.015068502521256, 3.43943170807812, 6.5907052969643924, -5.121355571415955, 6.69699236585909, -8.272629160302227, 3.5457187769728185

72 5.510178336020543, 3.445624970822685, 7.574731701218401, 5.617894131997362, 7.682447497195221, 9.747000862393078, 3.5533407667995043


L-20

73 4.883882675471809, 3.446457693480467, 6.3213076574631515, 4.992398598251695, 6.429823580243037, 7.867248562234379, 3.5549736162603525

74 4.897514676531729, 3.4452224151492383, 6.349806937914218, 5.007342027386612, 6.459634288769102, 7.911926550151592, 3.5550497660041223

75 6.188732612164645, 3.4446090720323457, 8.932856152296944, 6.297737195577139, 9.041860735709438, 11.785984275841738, 3.5536136554448396

76 4.950147957189833, 3.446022417985684, 6.454273496393981, 5.058062476748152, 6.5621880159523, 8.066313555156448, 3.553936937544003

77 5.0185809542283355, 3.435418499761837, 6.601743408694833, 5.124153196962125, 6.7073156514286225, 8.29047810589512, 3.540990742495627

78 4.368910801752397, 3.49412349863103, 5.243698104873765, 4.497955977509094, 5.372743280630462, 6.24753058375183, 3.6231686743877267

79 4.907400606572722, 3.4543843576106203, 6.360416855534824, 5.019623942424065, 6.472640191386167, 7.925656440348269, 3.5666076934619633

80 4.645907050983321, 3.459176675191009, 5.832637426775633, 4.760398699144302, 5.947129074936614, 7.1338594507289255, 3.5736683233519906

81 4.331885953486246, 3.562340472681244, 5.101431434291249, 4.483139840295127, 5.252685321100129, 6.022230801905131, 3.713594359490125

82 4.332228259559344, 3.565168254521487, 5.099288264597202, 4.484896037288346, 5.251956042326204, 6.019016047364062, 3.7178360322504886

83 4.7471729363514905, 3.5466251975316183, 5.947720675171363, -4.892849282565646, 6.0933970213855195, -7.293944760205392, 3.6923015437457742

84 4.3476503990535535, 3.5697595667485755, 5.125541231358532, 4.501186010276993, 5.279076842581971, 6.056967674886949, 3.723295177972015

85 4.350092095412907, 3.56296221997021, 5.137221970855603, 4.501537511405474, 5.2886673868481715, 6.075797262290868, 3.714407635962777

86 4.344370207762541, 3.5584427266089893, 5.130297688916093, 4.4940336489745025, 5.279961130128054, 6.065888611281605, 3.7081061678209504

87 4.42856520359514, 3.5476946530009155, 5.309435754189365, 4.574053657106854, 5.454924207701079, 6.335794758295304, 3.6931831065126297

88 4.437327540098517, 3.556629146991308, 5.3180259332057265, 4.587403510473333, 5.468101903580542, 6.3488002966877515, 3.7067051173661234


L-21

89 4.393002201918169, 3.5043014685483307, 5.281702935288008, -4.526255439555373, 5.414956172925212, -6.303656906295051, 3.637554706185535

90 4.428857136866036, 3.5325984164180557, 5.325115857314016, 4.572030188925403, 5.468288909373383, 6.364547629821363, 3.6757714684774228

91 4.448911857361455, 3.545579864863865, 5.352243849859045, 4.592143867700854, 5.495475860198444, 6.398807852696034, 3.688811875203264

92 4.306359505558786, 3.5475894296590966, 5.065129581458477, 4.454822260656713, 5.213592336556403, 5.972362412456094, 3.696052184757023

93 4.359184591260246, 3.563054492311185, 5.155314690209307, 4.510795487884097, 5.306925586833158, 6.10305568578222, 3.7146653889350354

94 4.337508252997473, 3.543407298621941, 5.131609207373005, 4.483758052458016, 5.277859006833547, 6.071959961209079, 3.689657098082484

95 4.307976034090738, 3.4862634875252208, 5.129688580656257, 4.433596198105738, 5.255308744671256, 6.077021291236774, 3.6118836515402193

96 4.295772804530832, 3.4751440498914166, 5.116401559170248, 4.41773750549524, 5.238366260134655, 6.05899501477407, 3.5971087508558246

97 4.254799026848642, 3.473279233008895, 5.036318820688387, 4.37930163620596, 5.160821430045706, 5.942341223885452, 3.597781842366214

98 4.26395202469698, 3.461186245324607, 5.066717804069354, 4.383056922412589, 5.185822701784962, 5.988588481157335, 3.580291143040215

99 4.316779524254013, 3.4835974571575288, 5.149961591350497, 4.4429709288514765, 5.27615299594796, 6.109335063044444, 3.6097888617549927

100 4.421502508234991, 3.4852511699360846, 5.357753846533897, 4.545230596566072, 5.481481934864978, 6.4177332731638845, 3.6089792582671656

101 4.423520121898394, 3.482622121462896, 5.364418122333893, 4.544806296573518, 5.4857042970090175, 6.426602297444516, 3.6039082961380196

102 4.3271692913077295, 3.503681678434076, 5.150656904181383, 4.460867491800753, 5.284355104674407, 6.107842717548061, 3.6373798789270997

103 4.434357303307341, 3.497837233187365, 5.370877373427318, 4.561137359500102, 5.497657429620078, 6.434177499740055, 3.6246172893801263

104 4.5341921612065335, 3.476229669674002, 5.592154652739066, 4.6531584621058375, 5.711120953638369, 6.769083445170902, 3.595195970573306


L-22

105 4.4076961903519605, 3.4780783923368506, 5.33731398836707, 4.529856705037631, 5.45947450305274, 6.38909230106785, 3.6002389070225203

106 4.424964674980873, 3.474096565138578, 5.375832784823168, 4.546788496861025, 5.49765660670332, 6.448524716545615, 3.59592038701873

107 4.3142577853766, 3.5239691135035462, 5.104546457249652, 4.459363660645617, 5.249652332518671, 6.039941004391724, 3.669074988772564

108 4.323436875528573, 3.519750359766014, 5.127123391291133, 4.4679598986052955, 5.271646414367855, 6.075332930130415, 3.6642733828427363

109 4.237045584214218, 3.5152966953632854, 4.95879447306515, 4.380493752544358, 5.10224264139529, 5.8239915302462215, 3.6587448636934257

110 4.22952081513174, 3.533788423688174, 4.925253206575305, 4.379409618182237, 5.075142009625802, 5.770874401069368, 3.6836772267386713

111 4.312688744173731, 3.5310205012733773, 5.094356987074086, 4.460813847229962, 5.242482090130316, 6.024150333030671, 3.6791456043296074

112 4.31920454540674, 3.533996320658569, 5.104412770154911, 4.467430836664588, 5.252639061412759, 6.037847286160929, 3.6822226119164165

113 4.38281326157119, 3.512500327869331, 5.253126195273049, 4.522946664948488, 5.3932595986503475, 6.263572532352207, 3.6526337312466293

114 4.31532492020663, 3.5336171906904323, 5.097032649722828, 4.4624837759884, 5.244191505504598, 6.025899235020796, 3.6807760464722024

115 4.309475857771713, 3.514842676133445, 5.104109039409982, 4.449638554082092, 5.244271735720361, 6.0389049173586296, 3.6550053724438243

116 4.325270749420638, 3.519186752676395, 5.131354746164882, 4.466847552200018, 5.272931548944261, 6.079015545688505, 3.6607635554557745

117 4.3293053635938845, 3.5165662815747973, 5.142044445612972, 4.4709634996107335, 5.283702581629821, 6.096441663648908, 3.658224417591646

118 4.333800913615077, 3.5152011741323994, 5.1524006530977555, 4.474522819198522, 5.2931225586812, 6.111722298163878, 3.6559230797158437

119 4.326265251554023, 3.516952297446254, 5.135578205661792, 4.467989520106583, 5.277302474214352, 6.086615428322121, 3.658676565998814

120 4.402468279513193, 3.488613875621757, 5.316322683404628, 4.528506586579724, 5.442360990471159, 6.356215394362596, 3.614652182688288


L-23

121 4.3942603012335075, 3.476233177386968, 5.312287425080048, 4.514612666473218, 5.432639790319757, 6.350666914166297, 3.596585542626677

122 4.455802483445203, 3.491058831896273, 5.420546134994133, 4.580683205838343, 5.545426857387273, 6.510170508936202, 3.615939554289413

123 4.413749305632392, 3.4867653192441037, 5.340733292020682, 4.5369821742530885, 5.463966160641378, 6.390950147029666, 3.6099981878647993

124 4.453909295458435, 3.528363136614365, 5.379455454302505, 4.600705716185159, 5.526251875029229, 6.451798033873299, 3.6751595573410887

125 4.471178926758317, 3.5215859985178573, 5.420771854998778, 4.614081490853466, 5.5636744190939265, 6.513267347334387, 3.6644885626130055

126 4.360327845061063, 3.5356912023430067, 5.184964487779118, 4.5081485601762425, 5.332785202894298, 6.157421845612354, 3.6835119174581865

127 4.450658915702806, 3.520265180146951, 5.381052651258661, 4.592774932217464, 5.5231686677733185, 6.453562403329173, 3.662381196661608

128 4.440719201457716, 3.517639599108114, 5.363798803807317, 4.581774777557999, 5.5048543799075995, 6.4279339822572, 3.658695175208397

129 4.461438123225298, 3.5311723441742875, 5.3917039022763085, 4.605877842820976, 5.536143621871987, 6.4664094009229975, 3.6756120637699654

130 4.457136646763449, 3.530393674700859, 5.3838796188260405, 4.599824048745003, 5.526567020807593, 6.453309992870184, 3.673081076682412

131 4.45655409834687, 3.5347971214437277, 5.3783110752500125, 4.601072981085096, 5.522829957988238, 6.4445869348913805, 3.679316004181953

132 4.5803262873476855, 3.526445199912988, 5.634207374782382, 4.721410326903258, 5.775291414337955, 6.829172501772652, 3.667529239468561

133 4.600142479963309, 3.5344804648746773, 5.665804495051941, 4.744749792671917, 5.810411807760549, 6.876073822849182, 3.6790877775832858

134 4.472260213600438, 3.5333059020837254, 5.411214525117151, 4.617270091600578, 5.55622440311729, 6.495178714634003, 3.678315780083865

135 4.428182311492587, 3.51907940503899, 5.337285217946184, 4.57021043426447, 5.479313340718067, 6.388416247171664, 3.6611075278108736

136 4.441343006769786, 3.519416166547047, 5.363269846992526, 4.5839190278539155, 5.505845868076655, 6.427772708299394, 3.6619921876311756


L-24

137 5.188436059252901, 3.482945250775848, 6.893926867729954, -5.297381790388818, 7.002872598865871, -8.708363407342924, 3.5918909819117646

138 5.121735125673607, 3.4832105668256523, 6.760259684521561, -5.230695596156018, 6.869220155003972, -8.507744713851926, 3.5921710373080638

139 5.131803621258531, 3.480241797060334, 6.783365445456728, -5.240698974923483, 6.892260799121681, -8.543822623319878, 3.589137150725286

140 5.2345257510653855, 3.475563896690721, 6.993487605440051, -5.341795282414548, 7.100757136789213, -8.859718991163877, 3.5828334280398826

141 5.083946718893363, 3.4810272375471345, 6.686866200239591, -5.192642303372876, 6.795561784719104, -8.398481266065334, 3.5897228220266473

142 5.045950635626116, 3.4863130745745425, 6.605588196677688, -5.155286681740429, 6.714924242792002, -8.274561803843575, 3.595649120688856

143 5.068535661200488, 3.4901343175382, 6.646937004862776, -5.178496392521467, 6.756897736183754, -8.335299079846044, 3.6000950488591785

144 5.107922040660305, 3.490776549971357, 6.725067531349252, -5.218437129080599, 6.835582619769547, -8.452728110458494, 3.601291638391652

145 4.765971168919065, 3.491326081367536, 6.040616256470593, -4.876994514716884, 6.151639602268412, -7.4262846898199415, 3.6023494271653553

146 4.750161408768899, 3.4838231622244478, 6.01649965531335, -4.858135280221674, 6.124473526766125, -7.390811773310576, 3.591797033677223

147 4.757720783268418, 3.4894024321906, 6.026039134346235, -4.868133013422296, 6.136451364500114, -7.404769715577932, 3.5998146623444787

148 5.116798332534504, 3.4782378704246213, 6.755358794644388, -5.224810415008607, 6.86337087711849, -8.501931339228372, 3.5862499528987235

149 5.851863632748275, 3.4786249163317216, 8.225102349164828, 5.959713356248219, 8.332952072664773, 10.706190789081326, 3.5864746398316663

150 5.765368634007098, 3.5202075955153247, 8.01052967249887, 5.89001661205952, 8.135177650551293, 10.380338689043066, 3.644855573567747

151 5.533918973773274, 3.519434335132083, 7.548403612414466, 5.658296723266963, 7.672781361908155, 9.687266000549347, 3.643812084625771

152 6.260543018621435, 3.5145578924125096, 9.006528144830362, 6.383650007852158, 9.129635134061084, 11.87562026027001, 3.6376648816432318


L-25

153 6.8871221745032365, 3.532963917476195, 10.241280431530278, -7.015603138260309, 10.36976139528735, -13.723919652314391, 3.6614448812332676

154 5.061634172786308, 3.505259092430652, 6.618009253141963, -5.181854807496865, 6.738229887852521, -8.294604968208176, 3.6254797271412103

155 4.999485356918836, 3.5178662686645223, 6.481104445173149, -5.122265569050054, 6.603884657304367, -8.08550374555868, 3.640646480795741

156 5.018712745681298, 3.5086697852016817, 6.528755706160913, -5.1389927733778995, 6.649035733857515, -8.159078694337131, 3.6289498128982833

157 5.025620480111052, 3.511280606971215, 6.53996035325089, -5.146037829587678, 6.660377702727516, -8.174717575867353, 3.6316979564478413

158 5.061415707048004, 3.510427433445734, 6.612403980650274, -5.18163958544821, 6.73262785905048, -8.28361613265275, 3.630651311845939

159 5.010355170395942, 3.5036534040542606, 6.517056936737624, -5.129183687175533, 6.635885453517214, -8.142587219858896, 3.6224819208338515

160 6.270336085362562, 3.507075328097328, 9.033596842627796, 6.391464837906458, 9.15472559517169, 11.917986352436925, 3.6282040806412237

161 5.582411215307105, 3.5066398366348146, 7.6581825939793955, 5.702850675265707, 7.7786220539379975, 9.854393432610289, 3.6270792965934167

162 5.109510166674147, 3.4828957700178327, 6.736124563330461, -5.218077593324257, 6.844691989980571, -8.471306386636886, 3.591463196667944

163 5.108932207643066, 3.4808189730027865, 6.737045442283344, -5.217168940619413, 6.845282175259691, -8.47339540989997, 3.589055705979134

164 5.037225628722587, 3.4906218357515115, 6.583829421693663, -5.147197128525989, 6.693800921497065, -8.240404714468141, 3.600593335554914

165 5.16009495993597, 3.4840911425052967, 6.836098777366644, -5.269142345941079, 6.945146163371752, -8.621149980802425, 3.5931385285104054

166 5.7692492690937485, 3.489283494819592, 8.049215043367907, 5.880775168158598, 8.160740942432755, 10.440706716706913, 3.600809393884441

167 5.783833208023691, 3.4817117059375615, 8.08595471010982, 5.893226326326555, 8.195347828412686, 10.497469330498815, 3.591104824240426

168 5.880401652272507, 3.517999456945713, 8.242803847599301, 6.00406196267301, 8.366464157999804, 10.728866353326598, 3.641659767346216


L-26

169 6.397782879568227, 3.5110680509053234, 9.28449770823113, 6.519731040819382, 9.406445869482285, 12.29316069814519, 3.633016212156478

170 5.0498480690781875, 3.5140989372588347, 6.58559720089754, -5.1710928870181885, 6.706842018837541, -8.242591150656894, 3.635343755198836

171 5.847316255665345, 3.501487211486637, 8.193145299844053, -5.966478628927556, 8.312307673106263, -10.658136717284972, 3.6206495847488473

172 6.436707030020925, 3.5051091487232475, 9.368304911318601, -6.558511217783408, 9.490109099081085, -12.421706980378762, 3.6269133364857313

173 6.22068623783846, 3.516691128794749, 8.92468134688217, 6.347332136568833, 9.051327245612544, 11.755322354656256, 3.643337027525122

174 6.7608095445646885, 3.5224755823375977, 9.999143506791778, 6.88928466812395, 10.12761863035104, 13.365952592578132, 3.6509507058968595

175 6.293569875842204, 3.5261568242380776, 9.06098292744633, -6.422945078584791, 9.190358130188917, -11.957771181793042, 3.6555320269806644

176 4.980188305339181, 3.5234363184127706, 6.43694029226559, 5.109615599926527, 6.5663675868529365, 8.023119573779345, 3.6528636130001173

177 6.771648640904885, 3.5219982446131524, 10.021299037196616, 6.900356898592422, 10.150007294884155, 13.399657691175888, 3.65070650230069

178 5.029215399778533, 3.5152174068441533, 6.543213392712912, -5.156073716601469, 6.670071709535848, -8.184069702470227, 3.64207572366709

179 5.547772480445861, 3.5226508771853893, 7.572894083706332, -5.676217460679751, 7.701339063940222, -9.726460667200694, 3.651095857419279

180 5.780027825777632, 3.520133779265152, 8.039921872290112, -5.9078038507911685, 8.167697897303649, -10.427591943816129, 3.647909804278689

181 4.996508254406988, 3.5213562273515278, 6.47166028146245, -5.1239529203626315, 6.599104947418093, -8.074256974473554, 3.648800893307171

182 5.139415988224016, 3.519470336066658, 6.759361640381373, -5.266388488647808, 6.8863341408051655, -8.506279792962523, 3.64644283649045

183 5.940549498637287, 3.524529772041578, 8.356569225232995, -6.068759519753836, 8.484779246349545, -10.900798972945253, 3.652739793158128

184 6.024744896903151, 3.53174938075283, 8.517740413053472, 6.156213635409676, 8.649209151559997, 11.142204667710319, 3.663218119259355


L-27

185 5.018600252296458, 3.522490339576804, 6.514710165016112, 5.147082754475323, 6.643192667194977, 8.13930257991463, 3.650972841755669

186 5.817490736018325, 3.533139550572577, 8.101841921464072, 5.947791622616994, 8.232142808062742, 10.51649399350849, 3.663440437171247

187 4.979435450261042, 3.4300445277041223, 6.528826372817963, -5.080771492968285, 6.630162415525206, -8.179553338082126, 3.531380570411365

188 7.079531730918694, 3.42240413930403, 10.736659322533358, -7.178856073742088, 10.835983665356752, -14.493111256971416, 3.521728482127424

189 4.937294715417764, 3.4350063960417807, 6.439583034793746, -5.040213062169103, 6.542501381545086, -8.044789700921068, 3.537924742793121

190 4.939701291266817, 3.427234043565004, 6.452168538968631, -5.040405317318372, 6.552872565020186, -8.065339812722, 3.5279380696165594

191 4.922148623410194, 3.4270289865812145, 6.417268260239173, -5.022621058712889, 6.517740695541868, -8.012860332370847, 3.52750142188391

192 4.938853121018309, 3.419700019198786, 6.458006222837832, -5.03734489504391, 6.556497996863434, -8.075651098682957, 3.5181917932243874

193 4.951405252345615, 3.419144670429514, 6.483665834261716, -5.049489362613676, 6.581749944529777, -8.114010526445878, 3.5172287806975753

194 6.102551332075038, 3.4255583122474085, 8.779544351902667, 6.20177294690418, 8.878765966731809, 11.555758986559438, 3.5247799270765503

195 4.986264101057121, 3.425232163615189, 6.547296038499054, -5.085580230261037, 6.646612167702969, -8.207644105144901, 3.5245482928191043

196 5.034929706808727, 3.422446115562769, 6.647413298054686, -5.133368907870376, 6.745852499116334, -8.358336090362293, 3.5208853166244176

197 5.766194849854704, 3.4301704117045415, 8.102219288004868, 5.867722514412413, 8.203746952562577, 10.53977139071274, 3.5316980762622494

198 4.975349555580239, 3.4243113899046906, 6.526387721255788, -5.074334206950769, 6.625372372626318, -8.176410538301868, 3.5232960412752203

199 5.843170998767948, 3.4283122987103596, 8.258029698825537, 5.9476658939134595, 8.362524593971049, 10.777383294028636, 3.532807193855871

200 6.82037757580866, 3.4495829912166567, 10.191172160400663, 6.930840592362521, 10.301635176954523, 13.672429761546526, 3.560046007770517


L-28

201 6.735172731584053, 3.4611264176015193, 10.009219045566589, 6.848984060214246, 10.12303037419678, 13.397076688179315, 3.574937746231712

202 7.273614528889661, 3.445978750608881, 11.10125030717044, -7.383175119049739, 11.21081089733052, -15.038446675611299, 3.5555393407689597

203 5.091653154307166, 3.4458880565779904, 6.737418252036341, 5.201813325876426, 6.847578423605601, 8.493343521334777, 3.55604822814725

204 6.31378980495973, 3.443706731876387, 9.183872878043072, -6.421828346112419, 9.291911419195761, -12.161994492279103, 3.5517452730290766

205 4.979908549251284, 3.4437954414536036, 6.516021657048963, 5.089022413258349, 6.62513552105603, 8.16124862885371, 3.5529093054606697

206 4.156675748430006, 3.4407400491513442, 4.8726114477086675, 4.2640037150177665, 4.979939414296428, 5.69587511357509, 3.5480680157391045

207 4.157915893095521, 3.4407883716558105, 4.875043414535232, 4.2652680209355145, 4.982395542375225, 5.699523063814936, 3.548140499495804

208 4.179291778578571, 3.441350941584051, 4.91723261557309, 4.286152424585092, 5.024093261579611, 5.762034098574131, 3.548211587590572

209 5.631632024392272, 3.443774945349833, 7.819489103434711, 5.739447693268318, 7.927304772310757, 10.115161851353196, 3.551590614225878

210 5.532681093591375, 3.443541807193142, 7.621820379989607, 5.6401235181334775, 7.72926280453171, 9.818402090929943, 3.550984231735245

211 6.824752078495808, 3.4258891882795255, 10.223614968712091, -6.924139131341009, 10.323002021557292, -13.721864911773574, 3.5252762411247254

212 4.981723329611778, 3.411862874661662, 6.551583784561895, -5.077469950716912, 6.647330405667029, -8.217190860617146, 3.507609495766796

213 6.135962887305759, 3.4303129552289127, 8.841612819382604, 6.2375618236256525, 8.943211755702498, 11.648861687779345, 3.5319118915488064

214 5.990931833579, 3.4225145728047655, 8.559349094353236, 6.090441149500186, 8.658858410274421, 11.227275671048655, 3.5220238887259514

215 5.923970282651631, 3.426936714383834, 8.421003850919426, 6.025301632696419, 8.522335200964214, 11.019368769232011, 3.5282680644286217

216 5.9169488034159485, 3.423090303823519, 8.410807303008378, 6.017005730381012, 8.510864229973441, 11.00472272956587, 3.5231472307885827


L-29

217 6.011176412116389, 3.4335420102480345, 8.588810813984743, 6.114004064933569, 8.691638466801924, 11.269272868670278, 3.536369663065215

218 5.778048621265448, 3.4348176497168907, 8.121279592814005, 5.883450040437461, 8.226681011986019, 10.569911983534576, 3.540219068888904

219 5.721396022163907, 3.437933830380086, 8.004858213947726, 5.827579080634214, 8.111041272418035, 10.394503464201854, 3.544116888850394

220 5.836186124385832, 3.4418549548259856, 8.23051729394568, 5.943684816654463, 8.33801598621431, 10.732347155774157, 3.549353647094616

221 4.239476972263296, 3.4351016499165397, 5.043852294610053, 4.345929774070706, 5.150305096417463, 5.9546804187642195, 3.5415544517239494

222 4.236080706134997, 3.436724724211309, 5.0354366880586845, 4.342824931689153, 5.14218091361284, 5.941536895536528, 3.543468949765465

223 4.888456528196639, 3.4405183853082577, 6.336394671085021, 4.99657871370364, 6.444516856592021, 7.892454999480402, 3.548640570815258

224 5.748135153352693, 3.4509979168699862, 8.0452723898354, 5.858537422353163, 8.155674658835869, 10.452811895318577, 3.5614001858704563

225 4.747890695896158, 3.5174417745178843, 5.9783396172744325, 4.884225702407453, 6.114674623785727, 7.345123545164001, 3.653776781029179

226 4.772828464540857, 3.5082725321527692, 6.037384396928944, 4.904578849869594, 6.169134782257681, 7.433690714645769, 3.6400229174815064

227 4.743268466447504, 3.502350933058728, 5.9841859998362805, 4.874919386406773, 6.115836919795549, 7.356754453184325, 3.634001853017996

228 4.860345976930124, 3.4914653526372845, 6.229226601222964, 4.986804709408102, 6.355685333700942, 7.72456595799378, 3.6179240851152628

229 4.87051604904401, 3.5032197459098895, 6.237812352178131, 4.999863666213913, 6.367159969348034, 7.734456272482155, 3.6325673630797923

230 5.507170895377942, 3.478987790628331, 7.535354000127553, 5.629786109209352, 7.657969213958963, 9.686152318708574, 3.601603004459741

231 4.888271184381738, 3.481670095643418, 6.294872273120058, 5.011847590447104, 6.418448679185423, 7.825049767923743, 3.605246501708784

232 4.836700593772077, 3.510703748643647, 6.162697438900508, 4.97003767357889, 6.29603451870732, 7.622031363835751, 3.6440408284504597


L-30

233 4.964893268339456, 3.505757154200731, 6.4240293824781824, 5.096749725755046, 6.555885839893772, 8.015021954032498, 3.6376136116163207

234 5.037399056362113, 3.5229173565182683, 6.551880756205957, 5.17425855592569, 6.688740255769535, 8.20322195561338, 3.6597768560818458

235 4.832731391080282, 3.5112968310393047, 6.154165951121258, 4.9659939258522865, 6.287428485893263, 7.60886304593424, 3.6445593658113093

236 4.753306578081327, 3.530921243034882, 5.975691913127771, 4.892704923345946, 6.1150902583923905, 7.3374755934388345, 3.6703195882995012

237 5.074756029930476, 3.5254527859252915, 6.62405927393566, 5.213373142298084, 6.762676386303268, 8.311979630308453, 3.6640698982928996

238 5.347541416968851, 3.50850958081257, 7.1865732531251325, 5.478793255337122, 7.317825091493403, 9.156856927649685, 3.6397614191808407

239 5.63725894144634, 3.5005303489648067, 7.7739875339278735, 5.766626400281144, 7.903354992762678, 10.040083585244211, 3.6298978077996105

240 4.924226000705391, 3.4841176480392964, 6.364334353371485, 5.047512955653602, 6.487621308319697, 7.927729660985791, 3.6074046029875073

241 4.3711800970480095, 3.4326757287371668, 5.309684465358853, 4.4866828715933025, 5.425187239904145, 6.363691608214988, 3.5481785032824598

242 4.377571077805008, 3.4287355710480716, 5.326406584561945, 4.492198405897867, 5.441033912654803, 6.38986941941174, 3.54336289914093

243 4.342609827266836, 3.430189827807888, 5.255029826725784, 4.45632439747418, 5.368744396933128, 6.281164396392076, 3.543904398015232

244 4.29721334834675, 3.4595817765355674, 5.134844920157933, 4.417342982404866, 5.254974554216048, 6.092606126027231, 3.579711410593683

245 4.349709820426706, 3.4333108112292496, 5.266108829624161, 4.463763044067258, 5.380162053264714, 6.29656106246217, 3.547364034869802

246 4.313655253996085, 3.4421230130133003, 5.185187494978871, 4.43076499530971, 5.302297236292495, 6.173829477275281, 3.5592327543269247

247 4.423793898190992, 3.43922882518404, 5.408358971197944, 4.537447768628757, 5.522012841635709, 6.506577914642661, 3.5528826956218054

248 4.454573665176008, 3.4384258441681097, 5.4707214861839075, 4.5692973286219365, 5.585445149629836, 6.601592970637735, 3.553149507614038


L-31

249 4.600380292412469, 3.4421630080858456, 5.758597576739092, 4.713378845312395, 5.871596129639019, 7.029813413965642, 3.5551615609857716

250 4.637040499428012, 3.432790663435223, 5.8412903354208, 4.74921515292634, 5.953464988919128, 7.157714824911917, 3.544965316933551

251 4.444634826474952, 3.449223303823822, 5.4400463491260815, 4.562753386018529, 5.558164908669659, 6.5535764313207885, 3.567341863367399

252 4.316173431099804, 3.4548238602461483, 5.17752300195346, 4.435898784831167, 5.2972483556848236, 6.158597926538479, 3.5745492139775115

253 4.4843712715481985, 3.489440946019901, 5.479301597076495, 4.611201309394368, 5.606131634922666, 6.601061960450963, 3.6162709838660714

254 4.486423304999718, 3.491494571560455, 5.481352038438982, 4.613022056842248, 5.607950790281512, 6.602879523720776, 3.6180933234029853

255 4.383394165784173, 3.523593078562369, 5.243195253005978, 4.518521702402305, 5.378322789624109, 6.238123876845914, 3.6587206151805005

256 4.508995331449, 3.4931264835941316, 5.524864179303869, 4.636410039308369, 5.652278887163238, 6.668147735018106, 3.6205411914535

257 4.508260252644114, 3.4991721499465993, 5.5173483553416265, 4.636699875125948, 5.645787977823461, 6.654876080520975, 3.6276117724284336

258 4.437136473873428, 3.5040410101271733, 5.370231937619684, 4.567389928020984, 5.500485391767239, 6.433580855513495, 3.634294464274729

259 4.45951706676141, 3.4602249633841624, 5.4588091701386565, 4.577881577972294, 5.5771736813495405, 6.576465784726787, 3.5785894745950464

260 4.461335820437766, 3.5296376432577294, 5.3930339976178026, 4.598880603512144, 5.5305787806921805, 6.462276957872217, 3.6671824263321073

261 4.625173198553894, 3.503276850263773, 5.747069546844016, 4.755789504001005, 5.877685852291126, 6.999582200581248, 3.633893155710884

262 4.535023318157805, 3.504528877178164, 5.565517759137446, 4.666141304255421, 5.696635745235063, 6.727130186214703, 3.6356468632757806

263 4.461151497636684, 3.543103951761828, 5.37919904351154, 4.599823015158792, 5.517870561033648, 6.435918106908505, 3.681775469283936

264 4.510797439630592, 3.520821492843626, 5.500773386417557, 4.645024428822455, 5.635000375609421, 6.624976322396386, 3.65504848203549


L-32

265 4.498330684226683, 3.4305166106497436, 5.566144757803621, 4.610851471181109, 5.678665544758047, 6.746479618334987, 3.54303739760417

266 4.503925135835917, 3.5109410517804864, 5.496909219891347, 4.635041293925701, 5.628025377981132, 6.621009462036563, 3.6420572098702704

267 4.494757636742315, 3.528256189109038, 5.46125908437559, 4.6293278092043, 5.595829256837576, 6.5623307044708525, 3.662826361571024

268 4.468103559767303, 3.5248125607387, 5.411394558795905, 4.603477613679484, 5.546768612708086, 6.490059611736688, 3.6601866146508817

269 4.454425184526804, 3.47296853838599, 5.435881830667618, 4.576709274368297, 5.558165920509111, 6.539622566649925, 3.595252628227483

270 4.49471796441296, 3.512878618984581, 5.476557309841338, 4.626802906104791, 5.608642251533169, 6.590481596961547, 3.6449635606764126

271 4.365360410220614, 3.524439614965494, 5.206281205475733, 4.500427051537718, 5.3413478467928375, 6.182268642047957, 3.6595062562825986

272 4.388747435131913, 3.517599381159321, 5.2598954891045056, 4.522825644990283, 5.393973698962875, 6.2651217529354675, 3.6516775910176906

273 4.381598523990734, 3.5500284398248967, 5.213168608156571, 4.523496895558235, 5.355066979724073, 6.18663706388991, 3.691926811392398

274 4.575357755111064, 3.525966757643988, 5.624748752578139, 4.713009174201436, 5.762400171668511, 6.811791169135587, 3.6636181767343605

275 4.577856059475624, 3.5179374082883434, 5.637774710662904, 4.712838130438892, 5.772756781626173, 6.832675432813453, 3.652919479251612

276 4.538418154768592, 3.528766230135452, 5.548070079401732, 4.677957555933667, 5.687609480566808, 6.6972614051999475, 3.668305631300527

277 4.552934771969192, 3.511418904833787, 5.594450639104598, 4.688869363965849, 5.730385231101255, 6.77190109823666, 3.6473534968304437

278 4.58561397336302, 3.5073374494333045, 5.663890497292735, 4.717391740032775, 5.79566826396249, 6.8739447878922055, 3.6391152161030593

279 4.561646059123543, 3.513061912608413, 5.610230205638673, 4.697154895742973, 5.745739042258103, 6.794323188773233, 3.6485707492278436

280 4.533822561379757, 3.48606629256285, 5.581578830196663, 4.659597065904839, 5.707353334721745, 6.755109603538651, 3.6118407970879316


L-33

281 4.679732824794617, 3.5010100377480193, 5.858455611841215, 4.810588104105181, 5.989310891151779, 7.168033678198377, 3.631865317058583

282 5.0731155435636675, 3.49745114713899, 6.648779939988345, 5.203824543574345, 6.779488939999022, 8.355153336423701, 3.6281601471496674

283 4.765102915116299, 3.5212768425179473, 6.00892898771465, 4.90347908059023, 6.147305153188582, 7.391131225786933, 3.6596530079918788

284 4.558801921139565, 3.5272343853531116, 5.590369456926019, 4.69855519736126, 5.730122733147713, 6.761690268934166, 3.666987661574806

285 4.508699122702935, 3.5122388839437204, 5.505159361462149, 4.641938886691157, 5.638399125450371, 6.634859364209585, 3.645478647931942

286 4.521990761764852, 3.5334956658639736, 5.5104858576657305, 4.662069592033785, 5.650564687934664, 6.639059783835543, 3.6735744961329067

287 4.698402553564278, 3.5282271532807847, 5.868577953847771, 4.835725985423579, 6.005901385707072, 7.176076785990565, 3.665550585140086

288 4.55892107156974, 3.540277857060095, 5.577564286079385, 4.701062136738586, 5.719705351248231, 6.738348565757875, 3.682418922228942

289 4.717390657083588, 3.522156336225831, 5.912624977941345, 4.855219534798604, 6.05045385565636, 7.245688176514117, 3.6599852139408466

290 4.69030142865454, 3.5055259493910156, 5.875076907918064, 4.822291163051774, 6.007066642315298, 7.191842121578822, 3.637515683788249

291 4.505229851898857, 3.494407228018667, 5.516052475779048, 4.632783726344744, 5.643606350224935, 6.654428974105126, 3.621961102464554

292 4.94685000238721, 3.5018886194572816, 6.391811385317138, 5.061062175805177, 6.506023558735106, 7.950984941665034, 3.6161007928752493

293 4.9864784315442305, 3.4952701789430356, 6.477686684145425, 5.098657701310508, 6.589865953911702, 8.081074206512897, 3.6074494487093127

294 4.96563425489472, 3.4912553058910527, 6.440013203898387, 5.07779345226066, 6.552172401264326, 8.026551350267994, 3.6034145032569924

295 4.981351302238122, 3.493847104358099, 6.468855500118145, 5.093868902547281, 6.581373100427304, 8.068877298307326, 3.6063647046672584

296 4.9726067703588654, 3.4918517006188394, 6.453361840098891, 5.083659434102902, 6.564414503842928, 8.045169573582953, 3.6029043643628755


L-34

297 5.020776732093294, 3.5028863008627553, 6.538667163323833, 5.135140957892832, 6.65303138912337, 8.17092182035391, 3.617250526662293

298 5.074893685186516, 3.512059698866589, 6.637727671506442, 5.190634349435772, 6.753468335755699, 8.316302322075625, 3.627800363115845

299 5.019327762111087, 3.503040258111871, 6.5356152661103035, 5.132731912206106, 6.649019416205323, 8.16530692020454, 3.616444408206889

300 6.290374602655144, 3.497625955006698, 9.08312325030359, 6.401647130930064, 9.19439577857851, 11.987144426226957, 3.6088984832816178

301 6.1717327218376505, 3.507295149015981, 8.83617029465932, 6.28588923791292, 8.95032681073459, 11.61476438355626, 3.6214516650912496

302 6.139182163299972, 3.5043965402411237, 8.77396778635882, 6.252805126438635, 8.887590749497484, 11.522376372556332, 3.618019503379787

303 5.002777417300396, 3.4968082116755514, 6.508746622925241, 5.114912634450553, 6.6208818400753975, 8.126851045700242, 3.608943428825708

304 4.506881886623791, 3.59437808121315, 5.419385692034432, 4.658608647538989, 5.571112452949629, 6.483616258360271, 3.7461048421283474

305 4.417493486026286, 3.6004032061926026, 5.23458376585997, 4.571567053444349, 5.388657333278033, 6.205747613111717, 3.754476773610666

306 4.497356973233966, 3.5953777602429446, 5.399336186224987, 4.650139933796628, 5.552119146787649, 6.45409835977867, 3.7481607208056067

307 4.417464252858671, 3.604772051000172, 5.230156454717169, 4.573169001003033, 5.385861202861532, 6.19855340472003, 3.7604767991445356

308 4.403353431196254, 3.6025318218050204, 5.204175040587487, 4.558269840576799, 5.359091449968033, 6.159913059359266, 3.757448231185566

309 4.409208265102061, 3.6041077038688196, 5.2143088263353015, 4.565134081358233, 5.370234642591473, 6.175335203824714, 3.760033520124991

310 4.52928753382235, 3.5893996982010457, 5.469175369443655, 4.679081463364063, 5.618969298985367, 6.558857134606672, 3.7391936277427575

311 4.507238741622849, 3.5926399624120724, 5.421837520833626, 4.6580964431375085, 5.572695222348285, 6.487294001559062, 3.7434976639267314

312 4.524274353432552, 3.5948906660226236, 5.45365804084248, 4.674927929695805, 5.604311617105734, 6.533695304515661, 3.745544242285877


L-35

313 4.508641408809373, 3.5901273755039513, 5.4271554421147945, 4.658576461864089, 5.577090495169511, 6.495604528474932, 3.7400624285586677

314 4.509830705376717, 3.5919624380534683, 5.427698972699966, 4.659573127569559, 5.5774413948928085, 6.495309662216057, 3.74170486024631

315 4.510191136829804, 3.6091591734017423, 5.411223100257866, 4.6653441853258215, 5.566376148753883, 6.467408112181945, 3.76431222189776

316 4.403970398352228, 3.6101690896611855, 5.197771707043269, 4.561051608525984, 5.354852917217026, 6.148654225908067, 3.7672502998349424

317 5.696875295073889, 3.514297619183252, 7.879452970964526, 5.8132801606954745, 7.9958578365861115, 10.17843551247675, 3.6307024848048375

318 7.0497944551644345, 3.5006140218665887, 10.59897488846228, -7.1614114787641014, 10.710591912061947, -14.259772345359792, 3.6122310454662556

319 4.734593638316735, 3.5111973390378903, 5.9579899375955785, 4.851502320502052, 6.074898619780897, 7.298294919059741, 3.628106021223208

320 4.688610602695236, 3.5139343237983236, 5.863286881592147, 4.807346862507775, 5.982023141404687, 7.156699420301599, 3.6326705836108637

321 4.4081911928538, 3.6343605345859684, 5.182021851121632, 4.57561781079654, 5.349448469064372, 6.123279127332204, 3.801787152528709

322 4.482048325571808, 3.6196256595387326, 5.344470991604884, 4.644517843201453, 5.5069405092345285, 6.369363175267605, 3.7820951771683777

323 4.402761849102048, 3.61856389891794, 5.186959799286155, 4.564480255934922, 5.34867820611903, 6.132876156303138, 3.780282305750814

324 4.400577623346786, 3.6128011754586407, 5.188354071234931, 4.561182798247106, 5.3489592461352515, 6.136735694023397, 3.7734063503589605

325 4.40662276560997, 3.6248123664405982, 5.188433164779342, 4.572126768870601, 5.353937168039972, 6.135747567209344, 3.7903163697012294

326 4.515823052271787, 3.6266702789287315, 5.404975825614843, 4.680387357827073, 5.569540131170129, 6.4586929045131845, 3.7912345844840174

327 4.498602187970854, 3.6270456593232043, 5.370158716618504, 4.663573192557828, 5.535129721205478, 6.406686249853128, 3.792016663910178

328 4.5202023021882685, 3.6245462957882832, 5.415858308588254, 4.683814092979759, 5.579470099379744, 6.475126105779729, 3.7881580865797737


L-36

329 4.526033167990448, 3.6312896527249685, 5.420776683255928, 4.690945957781282, 5.585689473046762, 6.480432988312242, 3.7962024425158027

330 4.533951179481326, 3.624770046282835, 5.443132312679817, 4.697237269067836, 5.606418402266327, 6.515599535464816, 3.7880561358693456

331 4.537650530201935, 3.6218561788458263, 5.453444881558044, 4.70035572252165, 5.616150073877759, 6.531944425233868, 3.784561371165541

332 4.50852985890734, 3.6106634389005814, 5.406396278914099, 4.667844360360263, 5.565710780367022, 6.463577200373781, 3.7699779403535043

333 4.4131482259804455, 3.628259971568884, 5.198036480392006, 4.579274877108051, 5.3641631315196125, 6.149051385931173, 3.7943866226964897

334 4.405402484552108, 3.627251234168465, 5.183553734935752, 4.571464559010245, 5.349615809393889, 6.127767059777533, 3.7933133086266015

335 4.615437712485764, 3.4424387762336877, 5.788436648737841, 4.727520673816884, 5.900519610068961, 7.073518546321037, 3.5545217375648073

336 4.619506288054581, 3.45123739911652, 5.7877751769926435, 4.734157187698839, 5.9024260766369006, 7.070694965574963, 3.5658882987607776

337 4.6053162204066105, 3.448311193035004, 5.7623212477782175, 4.719025692314353, 5.87603071968596, 7.033035747057567, 3.562020664942746

338 4.62007878681864, 3.4436197082690803, 5.7965378653682, 4.7324896418973115, 5.908948720446872, 7.085407798996431, 3.556030563347752

339 4.6172127755977375, 3.443781318811953, 5.790644232383522, 4.729442180794045, 5.90287363757983, 7.0763050943656145, 3.5560107240082606

340 4.6076144414566835, 3.44907702710162, 5.766151855811747, 4.721706830397734, 5.880244244752797, 7.03878165910786, 3.5631694160426703

341 4.618134722507635, 3.4463482929980307, 5.7899211520172384, 4.730471370471266, 5.90225779998087, 7.074044229490473, 3.558684940961662

342 4.612171332800263, 3.4534421374627775, 5.770900528137747, 4.725979405800705, 5.88470860113819, 7.043437796475675, 3.5672502104632198

343 4.608160545443871, 3.4554848827304774, 5.760836208157265, 4.7220881620236055, 5.874763824737, 7.027439487450394, 3.5694124993102117

344 4.592990113887766, 3.455899839712287, 5.730080388063246, 4.707640081140231, 5.84473035531571, 6.98182062949119, 3.5705498069647517


L-37

345 4.59795672818011, 3.4525369112803497, 5.743376545079871, 4.712217778133853, 5.857637595033614, 7.003057411933374, 3.566797961234093

346 4.602764075022823, 3.4478703716646506, 5.757657778380995, 4.715471092515525, 5.870364795873697, 7.02525849923187, 3.5605773891573524

347 4.614974070810439, 3.448436834134678, 5.7815113074862, 4.729007671652081, 5.895544908327842, 7.062082145003603, 3.5624704349763197

348 4.50383141132917, 3.515619294735074, 5.492043527923265, 4.640618939011931, 5.628831055606026, 6.6170431722001215, 3.6524068224178357

349 4.527573783087448, 3.5126066091123915, 5.542540957062504, 4.662854967958868, 5.677822141933924, 6.69278931590898, 3.647887793983812

350 4.514954642179148, 3.506718550524809, 5.523190733833489, 4.648539057021316, 5.656775148675656, 6.665011240329997, 3.6403029653669767

351 4.521780570172177, 3.503230770219661, 5.5403303701246935, 4.65462408621057, 5.673173886163087, 6.691723686115603, 3.6360742862580535

352 4.497239217114554, 3.501428059299652, 5.4930503749294575, 4.629558697059735, 5.625369854874637, 6.621181012689539, 3.6337475392448315

353 4.49900854547153, 3.5072513990822807, 5.49076569186078, 4.633109698442575, 5.624866844831825, 6.616623991221075, 3.641352552053325

354 4.515172858472744, 3.503322554313784, 5.527023162631705, 4.646310060293814, 5.658160364452775, 6.670010668611735, 3.6344597561348535

355 4.520258841089976, 3.512164276404345, 5.528353405775608, 4.65544326364455, 5.663537828330181, 6.6716323930158135, 3.6473486989589183

356 4.680869496949525, 3.498247735815704, 5.863491258083346, 4.809469289521555, 5.992091050655375, 7.174712811789197, 3.6268475283877337

357 4.695533395071403, 3.5107652541093137, 5.8803015360334925, 4.829396997782912, 6.0141651387450015, 7.198933279707091, 3.6446288568208236

358 4.666981320092798, 3.4926602583532818, 5.841302381832316, 4.7934115400458905, 5.967732601785407, 7.142053663524924, 3.6190904783063735

359 4.65941245680167, 3.498925788324653, 5.819899125278687, 4.79060672021965, 5.951093388696666, 7.111580057173684, 3.6301200517426326

360 4.6678728221130115, 3.4957595888111634, 5.839986055414859, 4.796980747447155, 5.969093980749004, 7.141207214050851, 3.6248675141453077


L-38

361 4.669986279568649, 3.483436283606651, 5.856536275530647, 4.796863500213137, 5.983413496175135, 7.169963492137133, 3.6103135042511387

362 4.508330791050082, 3.4974661561982394, 5.519195425901925, 4.639931806959807, 5.65079644181165, 6.661661076663494, 3.6290671721079644

363 4.6122751657432834, 3.44913783408587, 5.775412497400698, 4.726659266560522, 5.889796598217935, 7.052933929875349, 3.563521934903108

364 4.4586087861771375, 3.4498101964126615, 5.4674073759416135, 4.573067759773709, 5.581866349538185, 6.590664939302661, 3.5642691700092324

365 4.528719521856143, 3.501495631614907, 5.5559434120973785, 4.660318803725899, 5.687542693967135, 6.714766584208371, 3.6330949134846633

366 4.669729038967737, 3.5029235768441866, 5.836534501091288, 4.801916883549167, 5.968722345672717, 7.135527807796268, 3.6351114214256164

367 4.515660783959261, 3.4935369754606747, 5.537784592457847, 4.645550590206843, 5.6676743987054286, 6.6897982072040145, 3.6234267817082566

368 4.525186955251475, 3.4973272974109286, 5.553046613092023, 4.655456054252293, 5.68331571209284, 6.711175369933387, 3.627596396411746

369 4.536989020113806, 3.510395083271398, 5.563582956956215, 4.670915847600313, 5.697509784442722, 6.72410372128513, 3.644321910757905

370 4.538731343795212, 3.5085518556720183, 5.568910831918406, 4.672607886072556, 5.70278737419575, 6.732966862318944, 3.642428397949362

371 4.494521021265564, 3.4936691631777568, 5.495372879353372, 4.624476921371688, 5.625328779459496, 6.626180637547304, 3.62362506328388

372 4.493921212644181, 3.5012989860239787, 5.486543439264383, 4.6268064822023955, 5.619428708822598, 6.6120509354428005, 3.6341842555821935

373 4.396279031771873, 3.5089739001395697, 5.283584163404178, 4.531617447903961, 5.418922579536265, 6.306227711168569, 3.644312316271657

374 4.5078761242249294, 3.4989233596901497, 5.516828888759708, 4.640459122587249, 5.649411887122028, 6.658364651656807, 3.6315063580524694

375 4.372804971225704, 3.499056831311054, 5.246553111140353, 4.505581506710664, 5.3793296466253135, 6.253077786539963, 3.6318333667960143

376 4.38958376394572, 3.501666514718111, 5.277501013173329, 4.521143077464111, 5.40906032669172, 6.296977575919329, 3.6332258282365024


L-39

377 4.412879667027202, 3.5154847179168263, 5.310274616137578, 4.548359770200573, 5.4457547193109495, 6.343149668421325, 3.6509648210901977

378 4.392004743157168, 3.5187925705047136, 5.2652169158096225, 4.52864469450245, 5.401856867154905, 6.2750690398073585, 3.655432521849996

379 4.4405332528602734, 3.5262682021318925, 5.354798303588655, 4.579926223587693, 5.494191274316075, 6.4084563250444555, 3.6656611728593114

380 4.513780478376095, 3.504874357688595, 5.522686599063595, 4.646818375863434, 5.655724496550934, 6.664630617238434, 3.6379122551759338

381 4.523202509173403, 3.4942688607084063, 5.552136157638401, 4.651816543838011, 5.680750192303008, 6.7096838407680055, 3.6228828953730137

382 4.500816057358674, 3.4986424904483444, 5.502989624269003, 4.6336392473867685, 5.635812814297098, 6.637986381207427, 3.6314656804764396

383 4.513260896460408, 3.4928247261411687, 5.533697066779648, 4.6431752043349155, 5.663611374654154, 6.684047544973394, 3.622739034015676

384 4.388326884560522, 3.4864657399233074, 5.290188029197736, 4.517744929736671, 5.419606074373886, 6.321467219011099, 3.615883785099457

385 5.831043181125282, 3.497632953936934, 8.16445340831363, 5.950660756045995, 8.284070983234344, 10.61748121042269, 3.617250528857647

386 5.141964853731026, 3.4974316396420897, 6.786498067819962, -5.2612423588660056, 6.9057755729549415, -8.550308787043877, 3.616709144777069

387 5.601819294214978, 3.505581066718161, 7.698057521711793, 5.724097410577859, 7.820335638074675, 9.916573865571491, 3.6278591830810427

388 5.833609939154201, 3.5014812207694916, 8.16573865753891, 5.954195576641487, 8.286324295026196, 10.618453013410905, 3.622066858256778

389 5.771615765640813, 3.5105616280161485, 8.032669903265477, 5.894842001495983, 8.155896139120646, 10.416950276745311, 3.6337878638713184

390 5.9472156247479075, 3.505454437272489, 8.388976812223325, 6.068717298518937, 8.510478485994355, 10.952239673469773, 3.6269561110435196

391 5.796640615284001, 3.5006098628339695, 8.092671367734031, 5.91572000183577, 8.2117507542858, 10.507781506735832, 3.6196892493857398

392 5.13315250332127, 3.494024488304566, 6.772280518337975, -5.2509658454257995, 6.890093860442503, -8.529221875459207, 3.611837830409095


L-40

393 5.743574098172929, 3.492024899859275, 7.995123296486583, 5.861227675113823, 8.112776873427478, 10.364326071741132, 3.609678476800169

394 5.5578196834721165, 3.4891933948220606, 7.6264459721221725, 5.675021537184542, 7.743647825834598, 9.812274114484653, 3.6063952485344863

395 5.413224455350133, 3.4948416248235703, 7.331607285876696, 5.531686042604889, 7.4500688731314515, 9.368451703658014, 3.6133032120783266

396 5.340755521474414, 3.4954764319467597, 7.186034611002067, 5.4661078567001455, 7.311386946227799, 9.156666035755453, 3.620828767172492

397 5.3855799014421954, 3.5015676913063354, 7.269592111578056, 5.512131888319847, 7.396144098455708, 9.280156308591568, 3.6281196781839875

398 5.796278343278373, 3.5078826245150596, 8.084674062041687, 5.924035898305954, 8.212431617069267, 10.50082733583258, 3.6356401795426403

399 4.868210836463404, 3.5122617618837033, 6.224159911043105, 4.998279441152434, 6.354228515732134, 7.710177590311836, 3.6423303665727325

400 4.913034966637744, 3.5166968228423277, 6.30937311043316, 5.044714375395855, 6.44105251919127, 7.837390662986687, 3.6483762316004382

401 4.854222611403826, 3.5012553475686214, 6.20718987523903, 4.98025110649258, 6.333218370327785, 7.68618563416299, 3.6272838426573757

402 4.943371971668721, 3.510070578604256, 6.376673364733187, 5.071859468046334, 6.5051608611108, 7.938462254175265, 3.638558074981868

403 4.899245302448615, 3.495576100730759, 6.30291450416647, 5.0224341741184375, 6.426103375836293, 7.829772577554149, 3.6187649724005824

404 5.7145313150774575, 3.5059791337932618, 7.923083496361654, 5.839884629422436, 8.048436810706631, 10.256988991990829, 3.6313324481382394

405 5.174131854950524, 3.4877766369725287, 6.860487072928519, -5.295757917651747, 6.982113135629742, -8.668468353607738, 3.609402699673751

406 5.538812642180892, 3.5005359501084596, 7.577089334253324, 5.663992643193159, 7.702269335265591, 9.740546027338022, 3.625715951120727

407 5.510962598827949, 3.5003660942203823, 7.521559103435516, 5.636057671896178, 7.646654176503745, 9.65725068111131, 3.6254611672886106

408 5.480230774973692, 3.4999111970693146, 7.460550352878069, 5.6011072768379515, 7.581426854742329, 9.561746432646705, 3.6207876989335745


L-41

409 5.458768779405189, 3.490017789193676, 7.427519769616703, 5.576020817592261, 7.544771807803775, 9.513522798015288, 3.607269827380747

410 5.7061491720583515, 3.498020731725842, 7.91427761239086, 5.8250045650238125, 8.033133005356321, 10.24126144568883, 3.6168761246913035

411 5.077387121417193, 3.4939654578433372, 6.660808784991048, -5.195170948291106, 6.778592611864962, -8.362014275438817, 3.611749284717251

412 5.636429100785705, 3.4949571413937033, 7.777901060177705, 5.7548285748121595, 7.89630053420416, 10.037772493596162, 3.613356615420158

413 6.128930694209216, 3.501697498378692, 8.756163890039739, 6.249505257080072, 8.876738452910596, 11.50397164874112, 3.6222720612495487

414 5.9685058849838795, 3.5064677458978277, 8.430544024069931, 6.0905142130675785, 8.552552352153631, 11.014590491239682, 3.628476073981527

415 5.507507058456659, 3.5124196104010905, 7.502594506512228, 5.635598597054242, 7.630686045109812, 9.62577349316538, 3.640511148998674

416 4.781996325220127, 3.499239390268775, 6.0647532601714795, 4.910345306205323, 6.193102241156675, 7.475859176108027, 3.6275883712539705

417 4.778214808488507, 3.4902168072950146, 6.066212809682, 4.902176759644549, 6.190174760838041, 7.478172762031534, 3.614178758451057

418 4.898759765012232, 3.4941182956161523, 6.303401234408313, 5.025544288679009, 6.43018575807509, 7.83482722747117, 3.6209028192829287

419 4.874254000265919, 3.5018350251654424, 6.246672975366397, 5.003528439806918, 6.375947414907395, 7.748366390007872, 3.631109464706441

420 4.847223909073903, 3.5027003299002906, 6.191747488247515, 4.975817740116973, 6.320341319290585, 7.664864898464197, 3.631294160943361

421 4.858690094011462, 3.5156777183164456, 6.201702469706479, 4.991440979127723, 6.334453354822739, 7.677465730517755, 3.6484286034327056

422 4.815274647185264, 3.4945684629996956, 6.1359808313708335, 4.942909139121666, 6.263615323307235, 7.584321507492803, 3.6222029549360975

423 5.463501631365171, 3.496004166251495, 7.430999096478846, -5.589365154089997, 7.556862619203672, -9.524360084317347, 3.6218676889763213

424 5.15471412872682, 3.5070427777428805, 6.8023854797107575, 5.284494387259732, 6.932165738243671, 8.57983708922761, 3.636823036275794


L-42

425 5.475261566619305, 3.513584615260238, 7.436938517978372, -5.605748703965737, 7.567425655324804, -9.529102606683871, 3.6440717526066706

426 5.512841269221652, 3.4918647379269663, 7.533817800516338, -5.637006587269104, 7.6579831185637905, -9.678959649858475, 3.6160300559744183

427 5.353667262068716, 3.4891130632079914, 7.21822146092944, -5.478198907616387, 7.342753106477112, -9.207307305337835, 3.6136447087556633

428 4.793299080520911, 3.514900189082698, 6.071697971959123, 4.9261499963667035, 6.204548887804916, 7.482947779243129, 3.6477511049284903

429 4.866569807142067, 3.501021209147535, 6.232118405136599, 4.995437338674112, 6.360985936668643, 7.726534534663175, 3.6298887406795797

430 5.187670952227604, 3.5070115212240265, 6.868330383231182, 5.31879083209197, 6.9994502630955475, 8.680109694099125, 3.6381314010883923

431 4.164296387507658, 3.587443650968837, 4.741149124046478, 4.316254530561229, 4.89310726710005, 5.469960003638871, 3.7394017940224087

432 4.166386790625348, 3.5835433763223765, 4.749230204928319, 4.3166209914188, 4.899464405721771, 5.482307820024742, 3.733777577115829

433 4.477667355493259, 3.590464342259147, 5.36487036872737, 4.631588470183801, 5.518791483417913, 6.405994496652024, 3.7443854569496895

434 3.9423401120992625, 3.5992625424740905, 4.285417681724434, 4.098743148462816, 4.441820718087988, 4.78489828771316, 3.7556655788376445

435 4.137400289397493, 3.5981350561313903, 4.676665522663597, 4.293015140977001, 4.832280374243105, 5.371545607509208, 3.7537499077108976

436 4.098892415111402, 3.60512761056121, 4.592657219661595, 4.256996417561144, 4.750761222111336, 5.244526026661529, 3.7632316130109515

437 3.8963776762281186, 3.6128286571601618, 4.179926695296075, 4.057107579582408, 4.340656598650365, 4.624205617718322, 3.7735585605144517

438 3.897512730406489, 3.610068664395015, 4.184956796417963, 4.0575297569227375, 4.344973822934211, 4.632417888945685, 3.770085690911263

439 4.100204314840581, 3.613106007268486, 4.587302622412676, 4.259524205394028, 4.746622512966122, 5.233720820538218, 3.772425897821932

440 4.092324264361414, 3.624035270656815, 4.560613258066014, 4.255461644140254, 4.723750637844854, 5.192039631549454, 3.7871726504356555


L-43

441 4.0842041420712425, 3.6118172726492244, 4.556591011493261, 4.244206434662295, 4.716593304084313, 5.188980173506331, 3.771819565240277

442 4.079922813589535, 3.602461766427688, 4.557383860751383, 4.23613639112212, 4.713597438283967, 5.191058485445815, 3.758675343960273

443 4.4621487105500695, 3.593477676232202, 5.330819744867938, 4.615883987626433, 5.484555021944301, 6.353226056262169, 3.747212953308565

444 4.563882592120504, 3.582432924713837, 5.5453322595271715, 4.714696090280589, 5.6961457576872565, 6.677595425093924, 3.733246422873922

445 4.5698961927622594, 3.613071166463241, 5.526721219061277, 4.73421640907162, 5.6910414353706384, 6.647866461669656, 3.7773913827726022

446 4.547270217227085, 3.615907013741831, 5.478633420712339, 4.710540748337985, 5.641903951823239, 6.573267155308494, 3.779177544852731

447 4.560133253027478, 3.6215194943807423, 5.498747011674213, 4.7276647653443575, 5.666278523991093, 6.604892282637829, 3.789051006697622

448 4.555317844784477, 3.621345747358705, 5.489289942210247, 4.722987157424091, 5.656959254849863, 6.590931352275634, 3.7890150599983206

449 4.566674062181138, 3.6241314279379884, 5.5092166964242875, 4.735399291472667, 5.677941925715817, 6.620484559958967, 3.792856657229517

450 4.557990142899426, 3.622846380271299, 5.493133905527552, 4.72584852267552, 5.660992285303646, 6.596136047931773, 3.790704760047393

451 4.593100785548201, 3.6131951782204887, 5.5730063928759135, 4.757257517330719, 5.737163124658432, 6.717068731986144, 3.7773519100030066

452 4.520616359233048, 3.6070794661358083, 5.434153252330288, 4.681827950906694, 5.595364844003934, 6.508901737101174, 3.768291057809454

453 4.632371721333986, 3.5985162883740567, 5.6662271542939155, 4.790999521993508, 5.824854954953437, 6.8587103879133675, 3.7571440890335785

454 4.670376198921658, 3.6167465255263975, 5.724005872316919, 4.834289658853994, 5.887919332249254, 6.941549005644515, 3.780659985458733

455 4.796178753549623, 3.5889824694103125, 6.003375037688933, 4.951293187778365, 6.158489471917675, 7.365685756056985, 3.7440969036390546

456 4.750085274994994, 3.593303059979152, 5.906867490010836, 4.906220121360707, 6.063002336376549, 7.219784551392391, 3.749437906344864


L-44

457 4.569419462812521, 3.592983643740795, 5.545855281884246, 4.724826895530597, 5.701262714602323, 6.677698533674048, 3.748391076458872

458 4.568532803365249, 3.6147362273072368, 5.522329379423261, 4.73244824053268, 5.686244816590692, 6.640041392648705, 3.778651664474668

459 4.575999801752792, 3.5861673950961293, 5.565832208409454, 4.726755357906598, 5.716587764563261, 6.706420171219923, 3.736922951249936

460 4.737218706678882, 3.6070716656557322, 5.867365747702031, 4.898764897387508, 6.0289119384106575, 7.159058979433807, 3.768617856364359

461 4.725199137434494, 3.606617747310463, 5.843780527558524, 4.887196954650694, 6.005778344774725, 7.124359734898754, 3.7686155645266632

462 4.600609930316383, 3.605769691241214, 5.595450169391552, 4.761166634542732, 5.756006873617901, 6.75084711269307, 3.7663263954675634

463 4.608486455076061, 3.600924214732085, 5.616048695420038, 4.76843187881824, 5.775994119162217, 6.783556359506193, 3.7608696384742637

464 4.621129095672266, 3.599683624557901, 5.6425745667866325, 4.7807955614282145, 5.80224103254258, 6.823686503656946, 3.759350090313849

465 4.3935975501202735, 3.5808894233942836, 5.206305676846264, 4.54523765466537, 5.3579457813913605, 6.17065390811735, 3.73252952793938

466 4.383006502508648, 3.594099102526809, 5.171913902490486, 4.537727912377795, 5.326635312359633, 6.115542712341472, 3.748820512395956

467 4.4828100244525775, 3.5815641781590046, 5.384055870746151, 4.633644623526261, 5.5348904698198345, 6.436136316113408, 3.732398777232688

468 4.4543264941191785, 3.5684962039977015, 5.340156784240655, 4.603351642109048, 5.489181932230525, 6.375012222352002, 3.717521351987571

469 4.410801537232073, 3.5703466542182136, 5.251256420245934, 4.558549704332848, 5.399004587346708, 6.239459470360568, 3.7180948213189877

470 4.394155690274919, 3.579979225981008, 5.208332154568829, 4.545111637821091, 5.359288102115001, 6.173464566408912, 3.7309351735271807

471 4.400586357024656, 3.5981470450981536, 5.203025668951157, 4.559712389567913, 5.362151701494415, 6.1645910134209165, 3.7572730776414116

472 4.424911699085718, 3.6185584357247036, 5.2312649624467324, 4.587952120114178, 5.394305383475191, 6.200658646836206, 3.781598856753163


L-45

473 4.400849169360737, 3.602312953438009, 5.199385385283464, 4.55877741120625, 5.357313627128978, 6.155849843051705, 3.760241195283522

474 4.372177360647594, 3.6122626753130795, 5.132092045982108, 4.531737956578668, 5.291652641913183, 6.051567327247697, 3.771823271244154

475 4.4594160908291, 3.63117082737904, 5.287661354279161, 4.62448650668663, 5.45273177013669, 6.28097703358675, 3.796241243236569

476 4.586398719372503, 3.628778374943294, 5.544019063801713, 4.751688973289243, 5.709309317718452, 6.666929662147662, 3.794068628860033

477 4.391537042685832, 3.6417825980879592, 5.141291487283706, 4.560290816491248, 5.310045261089122, 6.059799705686995, 3.8105363718933747

478 4.428039598138739, 3.6263402049156372, 5.22973899136184, 4.592548343493906, 5.3942477367170065, 6.195947129940108, 3.7908489502708047

479 4.462410425096812, 3.624001680959375, 5.30081916923425, 4.625749908473849, 5.464158652611286, 6.302567396748724, 3.7873411643364108

480 4.399471165854028, 3.629996881460403, 5.168945450247653, 4.565808249481578, 5.335282533875204, 6.104756818268829, 3.7963339650879533


PENGENALAN RAMBU LALU LINTAS PERINGATAN …

Documents

Transcript of PENGENALAN RAMBU LALU LINTAS PERINGATAN …