PENGENALAN SECARA REAL TIME RAMBU LARANGAN PADA LALU LINTAS...

i

TUGAS AKHIR

PENGENALAN SECARA REAL TIME RAMBU

LARANGAN PADA LALU LINTAS MENGGUNAKAN

DISCRETE CONSINE TRANSFORM DAN JARAK

CANBERRA

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Serjana Teknik

Program Studi Teknik Elektro

Oleh :

AUGUSTO SOARES DOS SANTOS

NIM : 105114028

PROGRAM STUDI TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2015

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Lii

ii

FINAL PROJECT

REAL TIME RECOGNITION OF PROHIBITION

TRAFFIC SIGN USINGDISCRETE CONSINE

TRANSFORM AND CANBERRA DISTANCE

Presented as Partial Fulfillment of the Requirements

To Obtain the Sarjana Teknik Degree

In Electrical Engineering Study Program

AUGUSTO SOARES DOS SANTOS

NIM : 105114028

ELECTRICAL ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2015


Liii

iii

HALAMAN PERSETUJUAN

TUGAS AKHIR




CANBERRA

REAL TIME RECOGNITION OF PROHIBITION

TRAFFIC SIGN USING DISCRETE CONSINE

TRANSFORM AND CANBERRA DISTANCE

Pembimbing

Dr. Linggo Sumarno Tanggal:


Liv

iv

HALAMAN PENGESAHAN

TUGAS AKHIR




CANBERRA

(REAL TIME RECOGNITION OF PROHIBITION

TRAFFIC SIGN USING DISCRETE CONSINE

TRANSFORM AND CANBERRA DISTANCE)


Lv

v

PERYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat karya

atau bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar

pustaka sebagaimana layaknya karya ilmiah.

Yogyakarta, 8 Januari 2015

Augusto Soares Dos Santos


Lvi

vi

HALAMAN PERSEMBAHAN DAN MOTTO HIDUP

MOTTO:

“Sukses tidak diukur dari posisi yang dicapai seseorang dalam

hidup,

Tapi dari kesulitan-kesulitan yang berhasil

Diatasi ketika berusaha meraih sukses”

Karya tulis ini kupersembahkan kepada:

Tuhan Yesus Kristus dan Bunda Maria

Pembimbingku yang amat berarti di hidupku,

Papa dan mama tercinta,

Saudara-saudaraku yang tercinta,

Teman-teman seperjuanganku,

Seorang yang tercinta(LurdesSoaresGusmao),

Terima kasih untuk semuanya….


Lvii

vii

LEMBAR PERNYATAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

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

Nama : Augusto Soares Dos Santos

Nomor Mahasiswa : 105114028

Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan

Universitas Sanata Dharma karya ilmiah saya yang berjudul:

PENGENALAN SECARA REAL TIME RAMBU LARANGAN

PADA LALU LINTAS MENGGUNAKAN DISCRETE CONSINE

TRANSFORM DAN JARAK CANBERRA

Beserta perangkat yang diperlukan (bila ada) dengan demikian saya memberikan kepada

Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam

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

terbatas dan mempublikasikannya pada media lain untuk kepentingan akademis tanpa perlu

meminta ijin dari saya selama masih mencamtunkan nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.

Yogyakarta, 8 Januari 2015



Lviii

viii

INTISARI

Keselamatan menjadi hal utama bagi pengguna lalu lintas. Sehingga untuk

ketertiban dan keamanan saat berkendaraan, rambu larangan lalu lintas menjadi hal yang

wajib dipatuhi oleh semua pengguna jalan raya. Dengan seiring berkembangnya kemajuan

teknologi, Salah satu hasil perkembangan teknologi tersebut adalah teknologi pengolahan

citra. Salah satu bidang aplikasi adalah sistem berbasis citra yang digunakan untuk

mengenali rambu larangan lalu lintas. Dengan mengenali tanda rambu larangan lalu lintas

diharapkan kendaraan bisa memberikan informasi kepada pengemudi mengenai rambu

yang ada disekitarnya, sehingga dapat mengurangi pelanggaran lalu lintas yang tidak

disengaja. Sistem ini nantinya dapat memberitahukan kepada pengguna jalan raya sehingga

pengguna dapat paham tentang rambu larangan lalu lintas.

Sistem pengenalan rambu larangan lalu lintas secara real time yang dibuat adalah

pengenalan secara real time rambu larangan pada lalu lintas menggunakan Discrete Cosine

Transform dan jarak Canberra. Prinsip kerja dari sistem ini adalah input berupa rambu

larangan lalu lintas diubah ke grayscale, kemudian dipotong (cropping) gambar sesuai

dengan bounding box serta mengubah ukuran karakter menjadi 64x64 piksel (resizing).

Karakter yang di resizing kemudian diekstraksi menggunakan Discrete Cosine Transfor

(DCT) dan perhitungan menggunakan K-Nearest Neighbor (K-NN) untuk pencocokan data

uji dengan database dilakukan dengan menggunakan jarak Canberra. Database berjumlah

190 karakter, terdiri dari 5 variasi rotasi. Hasil dari penhitungan jarak yang dilakukan,

menunjukan hasil pengenalan karakter yang terdapat pada rambu larangan lalu lintas. Hasil

pengenalan ditampilkan dalam bentuk teks.

Hasil dari penelitian ini adalah dengan menggunakan variasi rotasi -5° dengan k=3

telah menhasilkan tingkat pengenalan karakter hingga 100 persen. Variasi skala 90%,

100% dan 105% dengan k=1 dan k=3 mampu menghasilkan tingkat pengenalan karakter

hingga 97,36 persen. Semakin kecil ukuran window maka hasil tingkat pengenalan akan

semakin rendah. Semakin besar ukuran window maka hasil tingkat pengenalan akan

semakin tinggi.

Kata kunci: Rambu Larangan Lalu Lintas, Discrete Cosine Transform dua Dimensi (DCT-

2 D), Real Time, K-Nearest Neigbor (K-NN), Jarak Canberra


Lix

ix

ABSTRACT

Safety was the main thing for the user traffic. So as to public order and security

when drive, restriction sign traffic become a thing that must be obeyed by all users of the

highway. With the expansion of the technology as progress, one of the results the

development of the technology is a technology image processing. One of the field of the

application of a system based on image is used to identify traffic restriction sign. To meet a

sign traffic restriction sign expected vehicles can provide information to the driver on

existing signs to be around, so as to diminish an unintentional traffic offences. This is

going to system can tell road users raya so users of restriction sign can be informed about

traffic.

Traffic sign in real time recognition system will be createn on this final project is

real time recognition of prohibition traffic sign using discrete consine transform and

canberra distance. The principle of this system, the input in the from of the image of a

Traffic sign converted into grayscale then cut (cropping) according to the bounding box

and centering as well as change the size of character into a size 64x64 pixel (resizing). The

character resizing has been centering then extracted using Discrete Cosine Transform

(DCT) and using calculation K-Nearest Neighbor (K-NN) with the database using canberra

distance. The database amounted to 190 characters, consists of 5 variation rotation. The

result of the calculation of distance, shows the result recognition of characters in Traffic

sign. The result recognition are displayed in text form.

The result of the research is to use variation rotatin -5° with k=3 has produced up to

character recognition rate of 100 percent. Variation scale 90%, 100% and 105% with k=1

and k=3 has produced up to character recognition rate of 97,36 percent. The small size of the

window results of recognition the low level. The big size of the window results of recognition the

high level.

Key Word: Traffic Signs, Discrete Cosine Transform Two Deminsion (DCT-2 D), Real

Time, K-Nearest Neigbor (K-NN), Canberra Distance


Lx

x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus karena telah

memberi rahmat-Nya sehingga penulis dapat menyelesaikan laporan tugas akhir ini dengan

baik. Laporan tugas akhir ini disusun sebagai salah satu syarat memperoleh gelar sarjana.

Selama pembuatan tugas akhir ini penulis menyadari bahwa ada begitu banyak

pihak yang telah memberikan bantuan baik bantuan materi, moral maupum dukungan.

Oleh karena itu penulis ingin mengucapkan terimakasih kepada:

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

2. Bapak Petrus Setyo Prabowo, S.T.,M.T., Ketua program studi Teknik Elektro

Universitas Sanata Dharma Yogyakarta.

3. Bapak Martanto, S.T,.M.T., selaku dosen pembimbing akademik yang telah

mendampingi dan membimbing penulis salama perkuliahan.

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

pergertian, sabar dan ketulusan hati memberi bimbingan, kritik, saran, serta

motivasi dalam penulisan tugas akhir ini.

5. Bapak Martanto, S.T.,M.T. dan Bapak Pius Yozy Merucahyo, S.T.,M.T. dosen

penguji yang telah bersedia memberi masukan, bimbingan dan saran dalam

memperbaiki tugas akhir ini.

6. Bapak atau Ibu dosen yang telah mengajarkan banyak hal selama penulis

menempuh pendidikan di program stidi Teknik Elektro, Fakultas Sains dan

Teknologi, Universitas Sanata Dharma.

7. Kedua orang tuaku (Juliao Soares Da Conceicao Tavares dan Augusta Soares

Pereira), atas kasih sayang, dukungan, motivasi dan doa yang tiada henti selama

menempuh pendidikan di Universitas Sanata Dharma.

8. Kakak-kakak dan adik-adik kutercinta yang selalu mendukung dan mendoakan

saya, sehingga dapat menyelesaikan tugas belajar dengan baik.

9. Kekasihku tercinta ”Lurdes Soares Gusmao” untuk senyuman, doa, semangat, saran

dan kritik, perhatian, dan pengertian yang diberikan.

10. Teman-teman seperjuangan angkatan 2010 teknik elektro yang selalu mendukung

dan menyemangati saya dalam menyelesaikan Tugas akhir ini.


Lxi

xi

11. Staff dan petugas Laboratorium Teknik Elektro yang telah membantu banyak hal

untuk kelancaran tugas-tugas perkuliahan.

12. Staff Sekretariat Teknik Elekro yang telah membantu dalam hal administrasi.

13. Semua pihak yang tidak disebutkan satu persatu atas semua dukungan yang telah

diberikan dalam penyelesaian tugas akhir ini.

Penulis menyadari bahwa dalam penyusunan tugas akhir ini masih mengalami

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

kritik dan saran yang membangun agar skripsi ini menjadi lebih baik. Semoga skripsi ini

dapat bermanfaat sebagaimana mestinya.

Penulis



Lxii

xii

DAFTAR ISI

HALAMAN JUDUL (BAHASA INDONESIA) ......................................... i

HALAMAN JUDUL (BAHASA INGGRIS) ............................................. ii

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

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

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

HALAMAN PERSEMBAHAN DAN MOTO HIDUP .............................vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA

ILMIAH UNTUK KEPENTINGAN AKADEMIK ................................ vii

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

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

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

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

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

DAFTAR TABLE ................................................................................... xvii

BAB I PENDAHULUAN

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

2.1 Pengetian Rambu Larangan Lalu Lintas .............................................................. 5

2.2 Pengolahan Citra ................................................................................................. 5

2.2.1 Definisi Citra ........................................................................................... 5


Lxiii

xiii

2.2.2 Model Sistem Ruang arna RBG ............................................................... 6

2.2.3 Preprocessing Citra ................................................................................. 7

2.2.4 Citra Grayscale ........................................................................................ 7

2.2.5 Cropping ................................................................................................. 8

2.2.6 Citra Resizing .......................................................................................... 8

2.3 Discrete Cosine Transform Dua Demensi(DCT 2 D) ........................................... 9

2.4 Window Ekstrasi Ciri ......................................................................................... 10

2.5 Jarak Canberra .................................................................................................. 11

2.6 Templete Matching ............................................................................................ 11

2.7 Metode K-Nearest Neighbor (K-NN) ................................................................. 11

2.8 Matlab ............................................................................................................... 12

2.9 Webcam............................................................................................................. 13

BAB III PERANCANGAN PENELITIAN

3.1 Perancangan Sistem Pengenalan Rambu Larangan Lalu Lintas .......................... 15

3.1.1 Lampu ..................................................................................................... 16

3.1.2 Kamera Webcam ..................................................................................... 16

3.1.3 Fixture .................................................................................................... 16

3.1.4 Gambar Rambu Larangan Lalu Lintas ..................................................... 17

3.2 Database Rambu Larangan Lalu Lintas.............................................................. 17

3.3 Proses Untuk Pengenalan Rambu Larangan Lalu Lintas .................................... 18

3.3.1 Citra Rambu Larangan Lalu Lintas .......................................................... 19

3.3.2 Proses Preprocessing .............................................................................. 20

3.3.3 Proses Pengenalan ................................................................................... 23

3.4 Proses Gambar Uji............................................................................................. 32

3.5 Perancangan GUI .............................................................................................. 32

BAB IV HASIL DAN PEMBAHASAN

4.1 Pengujian dan Tampilan Pengenalan secara Real Time Rambu Larangan Pada

Lalu Lintas Menggunakan Discrete Consine Transform dan Jarak Canberra ..... 35

4.2 Penentuan Hasil Pengujian program Pengenalan Citra Terhadap Tingkat

Pengenalan Citra Rambu Larangan Lalu Lintas ................................................. 50


Lxiv

xiv

4.2.1 Pengujian Parameter Pengaturan Untuk Pengenalan Rambu Larangan

Lalu Lintas Secara Real Time ................................................................. 50

4.3 Pengujian Nilai Parameter ................................................................................. 57

BAB V KESIMPULAN DAN SARAN

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

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

Daftar Pustaka............................................................................................................... 59

Lampiran ...................................................................................................................... 60


Lxv

xv

DAFTAR GAMBAR

2.1 Rambu larangan lalu lintas yang diambil dari poster .................................................. 5

2.2 Koordinat citra digital ................................................................................................ 5

2.3 Skema warna RGB dalam kubus................................................................................ 6

2.4 Citra warna RGB ....................................................................................................... 7

2.5 Citra Grayscale ......................................................................................................... 7

2.6 Window Ekstraksi Ciri ............................................................................................. 10

2.7 Ilustrasi K- Nearest Neighbor (K-NN) dengan k=11 ................................................ 12

2.8 Webcam Logitech HD C310 .................................................................................... 13

3.1 Gambaran Umum Perancangan Sistem .................................................................... 15

3.2 Diagram Alir Pembuatan Database ......................................................................... 17

3.3 Blok Diagram Proses Pengenalan Rambu Larangan Lalu Lintas .............................. 18

3.4 Diagram Alir Proses Perekam dan Pemgambilan Citra ............................................ 19

3.5 Diagram Alir Proses Preprocessing ......................................................................... 21

3.6 Diagram Alir Proses Ekstraksi Ciri .......................................................................... 23

3.7 Diagram Alir Fungsi Jarak ....................................................................................... 24

3.8 Diagram Alir Penentuan Keluaran ........................................................................... 24

3.9 Tampilan Awal Jendela Program ............................................................................. 33

4.1 Icon Matlab R2010a ................................................................................................ 35

4.2 Tampilan Awal Matlab R2010a ............................................................................... 36

4.3 Tampilan Jendela Utama Pengenalan ....................................................................... 36

4.4 Tampilan Utama Jendela Pengenalan Rambu larangan Lalu Lintas .......................... 37

4.5 Tampilan Tombol ON ............................................................................................. 38

4.6 Tampilan Dari Tombol Capture............................................................................... 40

4.7 Tampilan Proses Cropping dan Resizing .................................................................. 41

4.8 Hasil Ttransformasi Dari DCT ................................................................................. 42

4.9 Tampilan Setelah menekan Pombol Pengenalan ...................................................... 49

4.10 Pengaruh K-NN Terhadap Tingkat Pengenalan Untuk Variasi Rotasi ...................... 54

4.11 Pengaruh K-NN Terhadap Tingkat Pengenalan Untuk Variasi Skala ....................... 56


Lxvi

xvi

DAFTAR TABEL

2.1 Jenis-Jenis Transformasi Affine ........................................................................... 8

3.1 Spesifikasi Webcam Logitech C310 ................................................................... 16

3.2 Listing Tampilan Output Hasil Pengenalan ........................................................ 25

3.3 Keterangan Proses Utama Tampilan Program .................................................... 33

4.1 Citra Ukuran Window ........................................................................................ 44

4.2 Tingkat Pengenalan Dengan k=1 ....................................................................... 51




4.6 Pengaruh K-Nearest Neighbor (K-NN) Terhadap Tingkat Pengenalan ............... 53





4.11 Pengaruh K-Nearest Neighbor (K-NN) Terhadap Tingkat Pengenalan ............... 56


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Keselamatan menjadi hal utama bagi pengguna lalu lintas. Sehingga untuk

ketertiban dan keamanan saat berkendaraan, rambu larangan lalu lintas menjadi hal yang

wajib dipatuhi oleh semua pengguna jalanraya.

Dengan seiring berkembangnya kemajuan teknologi, salah satu hasil perkembangan

teknologi tersebut adalah teknologi pengolahan citra. Banyak sekali aplikasi pada dunia

elektronika dengan menggunakan teknologi pengolahan citra seperti dalam system

keamanan, robotika dan masih banyak lagi. Salah satu bidang aplikasi adalah system

berbasis citra yang digunakan untuk mengenali rambu larangan lalu lintas. Dengan muncul

ide yang berkembang tentang sistem auto-pilot, dimana kendaraan dapat mengenali rambu

larangan lalu lintas dengan membuat sistem peringatan rambu larangan lalu lintas pada

kendaraan tersebut. Dengan mengenali tanda rambu larangan lalu lintas diharapkan

kendaraan biasa memberikan informasi kepada pengemudi mengenali rambu yang ada

disekitarnya, sehingga dapat mengurangi pelanggaran lalu lintas yang tidak disengaja.

Berdasarkan pernyataan diatas, penulis ingin membuat sebuah sistem yang dapat

membantu pengguna jalan raya dapat mengenali rambu larangan lalu lintas dengan cara

yang lebih mudah. Sistem ini nantinya dapat memberitahukan kepada pengguna jalan raya

sehingga pengguna dapat paham tentang rambu larangan lalu lintas. Dalam penelitian ini

penulis menemukan penelitian sebelum yang berkaitan dengan pengenalan suatu rambu

lalu lintas, pernah diteliti oleh Supriadi [1] pada tahun 2011 tentang pengenalan objek

berupa simbol rambu lalu lintas secara real time dengan algoritma Backpropagation pada

jaringan syaraf tiruan menggunakan webcam sebagai perangkat keras pengambil citra

simbol rambu lalu lintas yang diujikan secara real time.

Sistem yang akan dibuat untuk pengenalan secara real time rambu larangan lalu

lintas menggunakan Discrete Cosine Transform (DCT) dan jarak Canberra. Sistem ini

juga dapat meniru kemampuan mata manusia untuk mengenali objek berupa rambu

larangan lalu lintas. Sistem ini akan secara otomatis membandingkan objek berupa macam-

macam rambu larangan lalu lintas dengan gambar yang telah di capture oleh user melalui

webcam, sehingga akan dihasilkan perbandingan yang jarak terkecil. Objek dari rambu


L2

larangan lalu lintas diproses dahulu melalui preprocessing. Setelah itu kemudian di proses

menggunakan metode Discrete Cosine Transform (DCT) untuk kemudian digunakan

sebagai database. Karakter yang telah di capture dibandingkan dengan database dengan

menggunakan jarak Canberra dan hasil perbandingan yang terkecil merupakan objek yang

telah di capture. Semua proses tersebut menggunakan software matlab 7.10.0a. baik dalam

pemrogramannya maupun visualisasi pengambilan gambar dan hasil keluaran adalah

dalam bentuk teks pada layar monitor. Salah satu fasilitas Matlab yang tersedia adalah

Graphical User Interface (GUI) yang dapat digunakan untuk membuat suatu antarmuka

yang nantinya dapat mempermudah pengguna dalam pemakaian sistem yang akan dibuat.

1.2. Tujuan dan Manfaat

Tujuan dari penulisan tugas akhir ini adalah untuk menghasilkan sebuah system

yang dapat mengenali berbagai macam rambu larangan lalu lintas secara real time

menggunakan Discrete Cosine Transform (DCT) dan jarak Canberra. Rambu larangan lalu

lintas yang digunakan untuk dikenali dengan ukuran 3 cm ×3 cm dengan ukuran citra

64×64 piksel yang berasal dari poster (lihat lampiran satu).

Manfaat dari penelitian ini adalah penelitian awal yang untuk membuat alat yang

dapat mempermudah para penguna jalan raya untuk mengenali rambu larangan lalu lintas

secara mudah dan dapat member infomasi pada penguna jalan raya.

1.3. Batasan Masalah

Sistem pengenalan rambu larangan lalu lintas secara real time menggunakan

Discrete Cosine Transform (DCT) dan jarak Canberra terdiri dari hardware dan software.

Hardware berupa lampu, webcam dan fixture. Software yang digunakan adalah Matlab.

Matlab digunakan untuk mengatur seluruh proses pengolahan data yang dicuplik

oleh webcam. Pada perancangan sistem ini, penulis fokus pada pembuatan software untuk

memproses pengenalan rambu larangan pada lalu lintas secara real time menggunakan

Discrete Cosine Transform (DCT) dan jarak Canberra sedangkan untuk hardware berupa

lampu, webcam dengan merek Logitech C310 dan fixture. Penulis menetapkan beberapa

batasan masalah pada perancangan ini, yaitu sebagai berikut :

a. Pengenalan rambu larangan pada lalu lintas jenis cetak dengan ukuran 3 cm ×3 cm

dan gambar rambu diambil dari poster. Lihat lampiran dua.


L3

b. Masukkan berupa gambar rambu larangan lalu lintas dari semua gambar, dan dapat

dilihat pada lampiran dua gambar rambu larangan lalu lintas.

c. Gambar rambu larangan lalu lintas yang akan digunakan bersih dan tidak gelap

serta dengan mempunyai variasi rotasi (-5°,-10°, 0°, 5°,10°) untuk mensimulasikan

kamera yang terputar dan variasi skala (90%, 95%, 100% ,105%, 110%) untuk

mensimulasikan kamera yang naik turun. Lihat lampiran dua.

d. Pada fixture sudah disediakan tempat untuk meletakkan gambar dari rambu

larangan lalu lintas.

e. Ukuran citra rambu larangan lalu lintas 64×64 piksel dengan format data. JPG.

f. Ukuran window DCT yang digunakan ukuran 2×2, 3×3, 4×4, 5×5, 6×6, 7×7,

8×8, 9×9, dan 10×10.

g. Posisi peletakan gambar rambu larangan lalu lintas, yaitu dengan cara

menempelkan gambar dari rambu larangan lalu lintas pada kertas HVS.

h. Jarak antara lampu dengan rambu larangan lalu lintas ± 40 cm.

i. Jarak pengambilan gambar rambu larangan pada lalu lintas dengan webcam dengan

jarak ± 12 cm.

j. Jumlah gambar yang dipakai terdiri dari 38 rambu larangan lalu lintas.

k. Pengambilan citra menggunakan webcam logitech C310.

l. Lampu yang digunakan adalah lampu philips 5 watt dengan 350 lumen.

m. Rambu larangan lalu lintas ini dibuat dengan menggunakan software pemrograman

Matlab 7.10.0a.

n. Pengenalan yang dilakukan hanya dapat mengenali 38 rambu larangan lalu lintas

dan selain dari 38 citra rambu larangan lalu lintas akan dikenali secara salah.

o. Dengan keluaran berupa teks yang akan ditampilkan di layar monitor.

1.4. Metodologi Penelitian

Langkah-langkah yang dilakukan dalam pengerjaan tugas akhir ini adalah sebagai

berikut:

a. Studi pustaka

Melakukan studi pustaka yaitu untuk membaca dan mempelajari buku-buku

dan jurnal ilmiah mengenai pengenalan suatu objek serta informasi dari website,

pemograman Matlab, image processing, Discrete Cosine Transform, jarak

Canberra dan media-media lain yang berkaitan dengan topik yang diambil.


L4

b. Perancangan subsistem software dan hardware

Tahap ini bertujuan untuk mencari bentuk model yang optimal dari sistem

yang akan dibuat dengan mempertimbangkan berbagai faktor-faktor permasalahan

dan kebutuhan-kebutuhan yang ditentukan.

c. Proses pengambilan data

Sistem akan bekerja ketika user akan meletakan gambar rambu larangan

lalu lintas di depan webcam dengan menekan tombol push button yang ditampilkan

dalam tampilan visual yang di sediakan dalam software. Kemudian system akan

mengolah data yang diterima dari webcam dan mulai menampilkan proses

menampilkan berupa video (record) sampai user memberikan perintah untuk

pengambilan gambar (capture). Kemudian, user memberikan interupsi untuk

memulai pengenalan. Setelah selesai, Matlab akan melakukan proses pengolahan

gambar rambu larangan pada lalu lintas yang sudah di capture oleh webcam dan

akan ditampilkan berupa teks pada layar monitor.

d. Analisa

Analisa yang pertama dilakukan dengan menyelidiki pengaruh variasi

window ekstraksi ciri (jumlah koefisien DCT) dan desimasi terhadap tingkat

pengenalan. Hasil penyimpulan dilakukan dengan cara mencari variasi hasil

(jumlah koefisien DCT) yang menghasilkan tingkat pengenalan program mengenali

rambu larangan lalu lintas dengan yang terbaik dan optimal. Kedua, menyelidiki

pengaruh perskalaan dan rotasi terhadap tingkat pengenalan. Penyimpulan hasil

dilakukan dengan mengetahui kinerja system pengenalan terhadap pengaruh skala

dan rotasi.


5

BAB II

DASAR TEORI

2.1. Pengertian Rambu Rarangan Lalu Lintas

Rambu larangan lalu lintas merupakan rambu yang digunakan untuk menyatakn

perintah yang wajib dilakukan oleh penguna jalan.Rambu ini berisi larangan yang tidak

boleh dilakukan oleh penguna jalan. Rambu ini dirancang dengan latar putih dan warna

lambing merah atau hitam. Seperti pada empat gambar di bawah dan gambar yang komplit

dilihat pada lampiran satu:

Gambar 2.1. Rambu Larangan Lalu Lintas Diambil Dari Poster Lihat Lampiran

2.2. Pengolahan Citra

2.2.1. Definisi Citra [2]

Citra (image) adalah gambar pada bidang dua dimensi. Ditinjau dari sudut pandang

sistematis, citra merupakan fungsi continue dari intensitas cahaya pada bidang dua

dimensi. Koordinat di bawah adalah dari citra digital.

Gambar 2.2. Koordinat Citra Digital


L6

Keterangan:

M = Banyak piksel per baris ( panjang)

N = Banyak piksel per kolom ( lebar)

b = Banyak atau besar bit pada suatu citra

Ada dua jenis citra yaitu : citra diam dan citra bergerak. Citra diam adalah citra

tunggal yang tidak bergerak, sedangkan citra bergerak adalah rangkaian citra diam yang

ditampilkan secara sekuensial. Citra digital merupakan citra yang tersusun dalam bentuk

raster (grid atau kisi). Setiap kotak (tile) yang terbentuk disebut piksel (picture element)

dan memiliki koordinat (x,y). Sumbu x (horizontal) : kolom (column), sample sedangkan

sumbu y (vertikal) : baris (row,line). Setiap piksel memiliki nilai yang menunjukkan

intensitas keabuan pada piksel tersebut. Piksel adalah istilah yang digunakan secara luas

untuk menyatakan elemen citra digital.

2.2.2. Model Sistem Ruang Warna RGB[2]

Dalam model RGB, setiap warna memperlihatkan komponen spectral primary red,

green dan blue. Model ini didasarkan pada sistem koordinat kartesian. Sub space warna

yang dicari adalah kubus yang ditunjukkan pada Gambar 2.3. Nilai RGB pada tiga sudut

adalah cyan, magenta dan yellow. Perbedaan warna dalam model ini adalah titik yang

berada di dalam kubus dan didefinisikan oleh penyebarannya dari faktor origin.

Gambar 2.3. Skema Warna RGB Dalam Kubus

Jumlah bit yang digunakan untuk mempresentasikan setiap piksel dalam space

RGB disebut pixel dept, jumlah bit dalam citra RGB dimana setiap citra red, green dan

blue adalah citra 8 bit. Dalam kondisi setiap warna piksel RGB mempunyai 24 bit. Citra


L7

full color sering digunakan untuk menyatakan citra berwarna RGB 24 bit. Total jumlah

warna dalam citra 24 bit adalah (224

) = 16.777.216.

Gambar 2.4. Citra Warna RGB

2.2.3. Preprocessing Citra

Proses preprocessing citra dilakukan untuk mendapatkan citra yang kualitas lebih

baik dari pada citra sebelumnya dengan cara memanipulasi parameter-parameter citra,

sehingga menghasilkan bentuk yang lebih cocok terhadap nilai-nilai piksel citra tersebut

untuk proses selanjutnya.

2.2.4. Citra Grayscale [2][3]

Citra grayscale adalah citra berwarna yang menggunakan tingkatan warna abu-abu

(gray). Proses awal yang dilakukan dalam image processing adalah mengubah citra

berwarna menjadi citra grayscale. Citra RGB diubah ke dalam grayscale dapat dilakukan

dengan menggunakan rumus :

𝐺𝑟𝑎𝑦 = 𝑌 = 0.2989 x R + 0.5870 x G + 0.1140 x B (2.1)

Citra grayscale berbeda dengan citra biner, citra biner terdiri dari 2 warna yaitu

hitam dan putih. Citra hitam putih mempunyai nilai kuantisasi derajat keabuan sampai

tingkatan ke 256 artinya mempunyai skala abu dari 0 sampai 255.

Gambar 2.5. Skala Keabuan


L8

Citra membutuhkan 1 byte (8 bit) untuk setiap piksel memberikan (28= 256 )

intensitas keabuan.

2.2.5. Cropping[4]

Cropping citra merupakan salah satu langkah dalam pengolahan citra yang

dilakukan untuk memotong satu bagian dari citra tertentu untuk memperoleh bagian yang

diinginkan untuk diolah. Hal ini dilakukan untuk mendapatkan data yang tepat sehingga

memudahkan dalam proses pengolahan data. Cropping yang digunakan secara Automatic

Cropping

2.2.6. Citra Resizing[5]

Rezising citra adalah mengubah besar kecilnya ukuran citra dalam piksel. Tampilan

citra tidak ada yang berubah hanya ukuran piksel dan matriksnya yang dirubah.

Transformasi geometris disebut rubber-sheet transformation karena dapat

ditampilkan seperti pencetakan citra pada lembaran karet dan men-streching lembaran ini

menurut jumlah aturan yang sudah didefinisikan.

Transformasi Affine Dua Dimensi

Metode transformasi affine dua dimensi dapat menggabungkan proses dasar seperti

rotasi dan skala ke dalam satu proses untuk mendapatkan citra output yang diinginkan.

Dalam resizing menggunakan tipe scalling. Matriks affine dua dimensi dengan

menggunakan tipe scalling diperlihatkan pada tabel 2.1.

Tabel 2.1 Jenis-jenis Transformasi Affine


L9

Persamaan transformasi affine dua dimesi untuk skala:

x ' = sx.x

y ' = sy.y (2.2)

Persamaan matriks untuk skala:

(2.3)

2.3. Discrete Cosine Transform Dua Dimensi (DCT 2 D) [6]

Discrete Cosine Transformdua dimensi adalah Tranformasi Fourier Discrit yang

dikenakan pada fungsi dua dimensidengan hanya mengambil bagian cosinus dari

eksponensial imaginer, yang didefinisikan sebagai berikut :

𝐹 𝑚, 𝑛 =2

𝑀𝑁𝐶 𝑚 𝐶 𝑛 𝑓

𝑁−1

𝑦=0

𝑀−1

𝑥=0

𝑥, 𝑦 cos 2𝑥 + 1 𝑚𝜋

2𝑀cos

2𝑦 + 1 𝑛𝜋

2𝑁 (2.4)

Dimana :

𝐶 𝑚 ,𝐶 𝑛 = 1 2 (2.5)

Untuk:

𝑚, 𝑛 = 0

Dan :

𝐶 𝑚 ,𝐶 𝑛 = 1 (2.6)

Keterangan:

a. F (m,n) adalah titik koordinat dari matriks yang telah mengalami transformasi

Discrete Cosine Transform dua dimensi.

b. M dan N adalah banyak kolom dan baris.

c. Cm dan Cn adalah himpunan hasil yang nilainya ditentukan dari nilai

koefisien m dan n.

d. Fxy adalah nilai piksel dari matriks pada titik (x,y).

1

.

100

00

00

1

'

'

y

x

s

s

y

x

y

x


L10

Rumus Discrete Cosine Transform dua dimensi (DCT 2 D) diatas sering juga

disebut sebagai Forward Discrete Cosine Transform (F DCT). Discrete Cosine Transform

dua dimensi (DCT 2 D) dapat dihitung dengan menerapkan transformasi (1 D) secara

terpisah pada baris dan kolomnya, sehingga dapat dikatakan bahwa Discrete Cosine

Transform dua dimensi (DCT 2 D) separable dalam dua dimensi.

2.4. Window Ekstrasi Ciri [7]

Window digunakan untuk mengambilan hasil Discrete CosineTransform (DCT).

Window ini ada pada sisi kiri atas. Seperti dilihat pada gambar 2.6.dibawah :

Gambar 2.6.Window Ekstraksi Ciri

Keterangan:

a. Window 1x1 koefisien = 1

b. Window2x2 koefisien = 4

c. Window3x3 koefisien = 9

.

.

.

1x1 2x2 3x3

DCT


L11

2.5. Jarak Canberra[8]

Jarak Canberra adalah fungsi yang digunakan untuk mencari jarak d antara vector

𝑃𝑖 dan 𝑄𝑖 dimana n merupakan panjang dimension dalam ruang vector. Dapat dilihat pada

persamaan berikut ini:

𝑑 𝒑 , 𝒒 = 𝑃𝑖 − 𝑄𝑖

𝑃𝑖 + 𝑄𝑖

𝑛

𝑖=1

(2.7)

Dimana :

𝒑 = ( 𝑃1, 𝑃2 … 𝑃𝑛 ) dan 𝒒 = 𝑞1, 𝑞2 … 𝑞𝑛 (2.8)

Keterangan :

1. 𝑃𝑖 dan 𝑄𝑖 adalah dua vector yang jaraknya akan dihitung.

2. N menyatakan panjang vector.

2.6. Templete Matching[9]

Tamplate matching adalah salah satu teknik dalam pengolahan citra digital yang

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

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

quality control. Metode tamplate matching adalah salah satu metode terapan dari teknik

konvolusi, metode ini sering digunakan untuk mengidintifikasi citra karakter huruf, angka,

sidik jari (fingerprint) dan aplikasi-aplikasi pencocokan citra lainya. Secara umum teknik

konvolusi didefinisikan sebagai suatu cara untuk mengkombinasikan dua buah deret angka

yang menghasilkan deret angka ke tiga.

2.7. Metode K-Nearest Neighbor (K-NN) [10]

Algoritma K-Nearest Neighbor adalah sebuah metode untuk melakukan klasifikasi

terhadap obyek berdasarkan data pembelajaran yang jaraknya paling dekat dengan obyek

tersebut. Dari gambar yang diberi vector x dan ukuran jarak; maka

1. Dari vector N, mengenditifikasi K-Nearest Neighbor (K-NN),yanglepas dari label

kelas. K adalah yang dipilih untuk menjadi dua kelas bermasalah, dan secara umum

tidak menjadi kelipatan dari jumlah kelasM.


L12

2. Dari sample k, mengenditifikasi untuk jumlah vector, ki, yang termasuk dalam

kelaswi, i = 1,2,…,M. tentunya 𝑘𝑖 = 𝑘1

3. Penetapan x untuk kelas wi dengan maksimal jumlah sampel dari ki.

Ilustrasi di bawah merupakan K-Nearest Neighbor (K-NN) untuk kasus k = 11.

Gambar 2.7. Ilustrasi K-Nearest Neighbor (K-NN) Dengan k=11

2.8. Matlab[12]

Studi pengenalan gambar rambu larangan lalu lintas ini membutuhkan sebuah alat

bantu untuk menghitung data matematis yang kompleks. Matlab adalah sebuah bahasa

dengan kemampuan tinggi untuk komputasi teknis. Matlab menggabungkan komputasi,

visualisasi, dan pemrograman dalam satu kesatuan yang mudah digunakan di mana

masalah dan penyelesaiannya diekspresikan dalam notasi matematik yang sudah dikenal.

Matlab adalah sistem interaktif yang mempunyai basis data array yang berkaitan

dengan formulasi matriks dan vector. Dalam perkembangannya, Matlab mampu

mengintegrasikan beberapa software matriks sebelumnya dalam satu software untuk

komputasi matriks. Sistem matlab terdiri atas lima bagian utama :

a. Development Environment

Kumpulan semua alat-alat dan fasilitas untuk membantu kita dalam

menggunakan fungsi dan file Matlab. Bagian ini memuat desktop, command

window, command history, editor and debugger dan browser untuk melihat help,

workspace, files.

b. The Matlab Mathematical Function Library

Koleksi semua algoritma komputasi, mulai dari fungsi sederhana seperti


L13

sum, sine, cosine sampai fungsi lebih rumit seperti invers matriks, nilai Eigen,

fungsi Bessel dan fast Fourier transform.

c. The matlab language

Bahasa matriks atau array level tinggi dengan control flow, fungsi, struktur

data, input atau output, dan fitur object programming lainnya.

d. Graphics Matlab

Fasilitas untuk menampilkan vector dan matriks sebagai grafik. Fasilitas ini

mencakup visualisasi data dua atau tiga dimensi, pemrosesan citra (image),

animasi, dan grafik animasi.

e. The Matlab Application Program Interface (API)

Paket ini memungkinkan kita menulis bahasa C dan Fortran yang

berinteraksi dengan Matlab.

2.9. Webcam[13]

Webcam atau web kamera adalah sebuah kamera video digital kecil yang

dihubungkan ke computer atau laptop melalui port USB. Gambar webcam dapat dilihat

pada gambar 2.8.

Gambar 2.8.Webcam Logitech HD C310

Sebuah web kamera yang sederhana terdiri dari sebuah lensa standar, dipasang di

sebuah papan sirkuit untuk menangkap sinyal gambar, casing (cover), termasuk casing

depan dan casing samping untuk menutupi lensa standar dan memiliki sebuah lubang lensa

di casing depan yang berguna untuk memasukkan gambar, kabel support, yang dibuat dari

bahan yang fleksibel, salah satu ujungnya dihubungkan dengan papan sirkuit dan ujung

satu lagi memiliki connector, kabel ini dikontrol untuk menyesuaikan ketinggian, arah dan


L14

sudut pandang web kamera. Sebuah web kamera biasanya dilengkapi dengan software,

software ini mengambil gambar dari kamera digital secara terus menerus ataupun dalam

interval waktu tertentu dan menyiarkannya melalui koneksi internet.


15

BAB III

PERANCANGAN

3.1. Perancangan Sistem Pengenalan Rambu Larangan Lalu Lintas

Perancangan sistem yang akan dibuat adalah sistem yang dapat mengenali citra

rambu larangan pada lalu lintas menggunakan webcam. Gambar 3.1 menunjukan gambaran

umum keseluruhan sistem.

Gambar 3.1. Gambaran Umum Perancangan Sistem

Sistem pengenalan karakter gambar terdiri dari perangkat keras dan perangkat

lunak yang ada pada komputer. Perangkat keras yang digunakan adalah gambar rambu

larangan lalu lintas, fixture, komputer, lampu, webcam dan perangkat lunak menggunakan

pemrograman matlab 7.10.0a. Pengambilan citra menggunakan webcam yang dihubungkan

dengan komputer yang berfungsi sebagai user interface untuk proses pengenalan. Software

laptop yang akan dibuat dalam bentuk user interface dengan GUI yang akan berperan

sebagai pusat yang berfungsi untuk mengatur semua proses pengenalan rambu larangan

lalu lintas menggunakan webcam, seperti pencuplikan gambar dan mengenali gambar yang

sudah tercuplik.


L16

3.1.1. Lampu

Lampu berfungsi untuk menerangkan rambu larangan lalu lintas yang akan diambil

kamera webcam. Lampu yang dipakai dalam pengenalan citra ini adalah lampu dengan

merek LED philips 5 watt, 350 lumen, cool daylight 6500k dan energy saving adalah 85%.

3.1.2. Kamera Webcam

Webcam yang digunakan untuk melakukan pengambilan citra gambar rambu

larangan lalu lintas ini adalah webcam dengan merk Logitech C310. Spesifikasi dari

webcam bisa dilihat pada table 3.1.

Table 3.1. Spesifikasi Webcam Logitech C310

Logitech webcam C310

High defenition(HD) video HD 720p

Photo quality 5 MP

Video quality Good

Lens technology Standard

Focus type Always focused

Build in mic Single

Auto lingt correction Premium

360 degree full motion rotation

3.1.3. Fixture

Fixture yang digunakan dalam pengenalan rambu larangan lalu lintas merupakan

sebuah kayu yang sebagai tempat dudukan webcam dan rambu larangan lalu lintas, fixture

tersebut dibuat dari kayu. Proses pengambilan posisi rambu larangan lalu lintas harus tegak

lurus dengan webcam agar hasil citra yang semetrik. Dalam proses pengambilan yang

dilakukan jarak antara kamera webcam dengan rambu larangan lalu lintas ±12 cm. Hasil

pemgambilan yang terdekat dan tidak kabur adalah ± 12 cm. Jarak antara lampu dengan

tempat duduk rambu larangan lalu lintas adalah ± 40 cm. Dengan jarak ini penerang lampu

lebih baik dan gambar rambu lebih kelihatan bagus.


L17

3.1.4. Gambar Rambu LaranganLalu Lintas

Pada pengenalan yang akan dilakukan, rambu-rambu larangan lalu lintas yang akan

digunakan sesuai dengan rambu-rambu larangan lalu lintas yang sering digunakan pada

umumnya oleh para penguna jalan raya. Rambu larangan lalu lintas yang dipilih untuk

melakukan pengenalan terdiri dari semua rambu larangan lalu lintas yang ada. Tabel 3.2.

merupakan rambu larangan lalu lintas yang akan digunakan untuk proses pengenalan dan

dapat lihat pada lampiran II.

3.2. Database Rambu Larangan Lalu Lintas

Proses pengenalan rambu larangan lalu lintas dilihat pada Gambar 3.3. merupakan

digram alir dari sistem yang berada pada database.

Mulai

Selesai

Discrete Cosine

Transform

Database rambu

larangan lalu lintas

Capture gambar rambu


Preprocessing:

Proses grayscale,

cropping, resizing

Gambar 3.2. Diagram alir pembuatan database

Dalam proses pengenalan pada rambu larangan lalu lintas harus dibutuhkan

database dari rambu larangan lalu lintas yang akan digunakan sebagai acuan untuk proses

pengenalan. Rambu larangan lalu lintas yang digunakan untuk pengenalan merupakan


L18

rambu yang dipakai dalam penguna jalan raya. Pada pengenalan kamera webcam akan

menggunakan fokus normal yang artinya adalah pengaturan default yang sudah terpasang

pada kamera webcam. Database yang digunakan dalam pengenalan citra terdiri dari 10 set

database yaitu 5 untuk variasi rotasi dan 5 untuk variasi skala. Skala digunakan untuk

sebagai proses pengujian. Gambar rambu larangan lalu lintas yang digunakan ada beberapa

bentuk ukuran gambar yaitu variasi rotasi (-10°, -5°, 0°, 5°, 10°) dan variasi skala (90%,

95%, 100%, 105%, 110%). Proses pembuatan database rambu larangan lalu lintas harus

melalui proses dari input citra rambu larangan lalu lintas, preprocessing dan Discrete

Cosine Transform Dua Dimensi (DCT 2 D).

3.3. Proses Untuk Pengenalan Rambu Larangan Lalu Lintas

Proses pengenalan rambu larangan lalu lintas terdiri dari empat tahap yaitu

pemgambilan citra, preprocessing, pengenalan dan keluaran. Proses yang akan dilakukan

dimana citra masukan berupa rambu larangan pada lalu lintas. Proses kerja sistem

pengenalan rambu larangan lalu lintas sebagai berikut:

Konversi ke

grayscaleCropping

Gambar

keluaran

Resizing

64x64 pixel(DCT)

Perhitungan

jarak

Canberra

Database citra

rambu

larangan lalu

lintas

Gambar citra

rambu larangan

lalu lintas

Proses pengambilan

citra----------------- Proses preprocessing --------------- ------ Proses pengenalan citra ------- Keluaran citra

Gambar 3.3.Blok diagram proses pengenalan rambu rarangan lalu lintas.

Citra rambu larangan lalu lintas akan dikonversi dalam bentuk grayscale atau

warna keabuan. Citra yang grayscale akan di cropping. Setelah di cropping, kemudian

akan di resizing sesuai dengan ukuran yang diinginkan. Pada proses pengenalan, citra


L19

transformasi yang digunakan adalah Discrete Cosine Transform Dua Dimensi (DCT 2 D),

untuk mengambil bagian yang akan digunakan citra tersebut. Proses selanjutnya adalah

melakukan penghitungan jarak dari hasil ekstraksi ciri data uji dengan hasil ekstraksi ciri

dari database menggunakan jarak Canberra. Jarak minimum yang diperoleh akan

dijadikan sebagai penentuan hasil keluaran. Hasil keluaran adalah dalam bentuk teks.

3.3.1. Citra rambu Larangan Lalu Lintas

Pengambilan citra dilakukan menggunakan webcam dan digunakan lampu sebagai

cahaya untuk penerang rambu larangan lalu lintas supaya gambar tetap fokus dan terang

dengan jarak ± 12 cm. Pada jarak tersebutlah dihasilkan gambar yang fokus. Webcam

terhubung ke komputer dan gambar yang di capture oleh webcam akan disimpan dalam

format JPG. Citra masukan berupa rambu larangan lalu lintas.Posisi webcam tetap dan

tegak lurus dengan rambu larangan lalu lintas.

Mulai

Gambar masukan

citra gambar rambu


Kamera wabcam di

on

Proses pengambilan

citra

Citra keluaran

gambar rambu


Selesai

Gambar 3.4. Diagram alir proses perekam dan pengambilan citra

Proses pemgambilan citra yang dilakukan melalui beberapa tahap seperti yang

ditunjukkan pada gambar 3.5. Proses perekam dan pengambilan citra diatas dapat dijelakan


L20

bahwa pada saat user menekan tombol kamera ON maka webcam akan di ON atau

terkoneksi dengan program. Setelah kamera ON maka rambu larangan lalu lintas disiapkan

pada tempat yang telah disediakan untuk melakukan proses pengambilan citra. Kemudian

untuk mengambil citra rambu larangan lalu lintas maka user dapat menekan tombol

capture. Pengambilan citra, menginisialisasi webcam terlebih dahulu di dalam program

dengan fungsi imaqhwinfo. Fungsi imaqhwinfo bertujuan untuk mengetahui nama adaptor

dalam webcam tersebut.

Imaqhwinfo('winvideo',1)

DefaultFormat: 'RGB24_1280x720'

DeviceFileSupported: 0

DeviceName: 'Logitech HD Webcam C310'

DeviceID: 1

ObjectConstructor: 'videoinput('winvideo', 1)'

Kemudian diinisialisasi sesuai nama adaptornya yaitu „winvideo‟ dan resolusi

kamera yang digunakan yaitu 1280×720. Resolusi 1270×720 digunakan karena memang

spesifikasi yang terdapat pada adaptor webcam. Perintah program untuk mengambil

gambar adalah sebagai berikut :

Imaqhwinfo;

dev_info = imaqhwinfo('winvideo');

vidobj = videoinput('winvideo',1,'RGB24_1280x720');

preview(vidobj);

pause

gambar = getsnapshot(vidobj);

stop(vidobj)

delete(vidobj)

imshow(gambar)

3.3.2. Proses Preprocessing

Proses preprocessing terdiri dari tiga tahap penting yaitu konversi citra ke dalam

grayscale, cropping dan resizing. Proses preprocessing ini yang akan mempersiapkan citra


L21

yang akan melakukan ekstraksi ciri supaya dapat dilanjutkan ke proses selanjutnya. Dapat

dilihat pada lampiran.

a) Tahap Pertama Grayscale

Tahap pertama adalah grayscale bertujuan untuk mengubah citra dari rambu

larangan lalu lintas yang telah di capture untuk menjadi citra keabuan. Contoh perintah

program sebagai berikut:

I=imread('gbr 1.Berhenti.jpg');

gbr= double(rgb2gray(I));

J=(gbr/255);

Imshow(J);axis on

Pada proses preprocessing dapat dibuat diagram alur program pemrosesan citra

dapat dilihat pada gambar 3.5.

Mulai

Grayscale

Proses masukan

citra rambu larangan

lalu lintas

Keluaran citra rambu


Selesai

Cropping

Automatic

diinisialisasi

dengan bbox

Resizing

Gambar 3.5. Diagram alir proses preprocessing


L22

b) Tahap Kedua Cropping

Cropping adalah suatu proses untuk memotong citra pada bagian tertentu atau yang

tidak diperlukan sehingga didapatkan hasil yang diinginkan untuk mempermudah data

yang akan diolah. Perintah program cropping yang digunakan adalah cropping automatic

dimana bagian kiri, kanan, atas dan bawah gambar rambu diberi garis hitam yang tebal.

Perintah program matlab adalah bboxg. Bagian rambu larangan lalu lintas yang

terdapat garis batas berwarna putih yang mengelilingi rambu larangan lalu lintas. Garis

batas yang memgelilingi rambu larangan lalu lintas tersebut tidak digunakan dalam proses

pengenalan rambu larangan lalu lintas sehingga harus dihilangkan. Contoh perintah

program sebagai berikut:

r2 =1-J;

r3=bboxg(r2);

imshow(r3);axis on

c) Tahap Ketiga Resizing

Tahap ketiga adalah resizing bertujuan untuk mengubah ukuran dari citra yang

cropping menjadi citra yang akan diproses sehingga memeliki ukuran yang sama. Proses

resizing dilakukan agar citra yang akan diekstrak mempunyai ukuran piksel yang sama

dengan ukurang dengan aturan dari Discrete Cosine Transform Dua Dimensi (DCT 2 D),

yaitu 64 × 64 piksel. Contoh perintah program sebagai berikut:

r4 = imresize(r3,[64,64]);

Imshow(r4);axis on

Dalam hal ini dilakukan karena Discrete Cosine Transform Dua Dimensi (DCT 2

D) hanya bisa dilakukan dengan citra yang mempunyai ukuran 64×64 piksel yang di

dapatkan dari penelitian sebelumnya [16].

3.3.3. Proses Pengenalan

Proses pengenalan rambu larangan lalu lintas terdiri dari tiga bagian yaitu ekstraksi

ciri, fungsi jarak dan penentuan keluaran.


L23

a) Ekstraksi Ciri

Ekstraksi ciri merupakan tahap untuk pemgambilan ciri pada suatu citra. Ekstrasi

ciri diperoleh menggunakan Discrete Cosine Transform Dua Dimensi (DCT 2 D) yang

bertujuan untuk memgambil dan membagi citra ke dalam blok-bolk kecil dengan ukuran

tetap yang kemudian akan mengubah dari domain spasial ke domain frekuensi atau domain

Discrete Cosine Transform (DCT) dan membentuk ukuran window. Untuk mengentahui

nilai ukuran dari window tersebut, maka proses yang dilakukan adalah window ekstraksi

ciri dengan cara melakukan evaluasi dari tiap ukuran window dengan koefisien DCT dari 4,

9, 16, 25, 36, 49, 64, 81, dan 100. Nilai koefisien yang terbaik adalah nilai ekstraksi ciri

yang diperoleh. Hasil ekstraksi ciri dapat dilihat pada lampiran.Diagram alur dapat dilihat

pada gambar 3.6.

Mulai

Selesai

Masukan citra rambu


Ekstraksi ciri Discrete Cosine

Transform 2 D

Keluaran hasil

masukan ekstraksi

ciri

Menghitung nilai obsolut Discrete

Cosine Transform 2 D

Windowing

Gambar 3.6. Diagram alir proses ekstraksi ciri

b) Fungsi Jarak

Proses fungsi jarak adalah membandingkan rambu larangan lalu lintas yang di

capture dari kamera dengan gambar database. Hasil perbandingan dari rambu larangan lalu


L24

lintas yang di capture dengan gambar database adalah jarak yang kemudian akan

digunakan sebagai proses selanjutnya. Proses perhitungan jarak yang digunakan adalah

jarak Canberra. Diagram alur program dapat dilihat pada gambar 3.7.

c) Penentuan Keluaran

Proses penentuan keluaran merupakan proses yang terakhir dalam proses

pengenalan rambu larangan lalu lintas. Hasil pengenalan rambu larangan lalu lintas akan

ditentukan berdasarkan jarak minimum yang sudah diperoleh setelah perhitungan jarak dan

fungsi jarak. Diagram alur dapat dilihat pada gambar 3.8.

Mulai

Selesai

Hasil masukan ekstraksi

ciri dengan hasil masukan

ekstraksi ciri dari database

Perhitungan jarak : Hasil data masukan

ekstraksi ciri dengan hasil ekstraksi ciri dari

database

Keluaran hasil

perhitungan jarak

Mulai

Selesai

Masukan hasil

perhitungan jarak

Penginisialisasi dengan nama : 38

citra rambu larangana lalu lintas

Output teks

k-Nearest Neighbor (k-NN)

Gambar 3.7.Diagram alir fungsi jarak Gambar 3.8. Diagram alir penentuan keluaran

Pada proses pengenalan citra, tampilan output hasil pengenalan dapat dilihat pada

table 3.2. rambu larangan lalu lintas yang digunakan untuk pengenalan citra sesuai dengan

rambu larangan larangan yang di ambil dari poster dapat dilihat pada lampiran satu.


L25

Tabel 3.2. Tampilan Output Hasil Pengenalan

Gambar Output hasil pengenalan

Gambar 1

Berhenti

Gambar 2

Prioritas atas lalu lintas dari depan

Gambar 3

Beri kesempatan

Gambar 4

Prioritas bagi lalu lintas dari depan (beda

warna)

Gambar 5

Dilarang beriringan kurang dari jarak yang

ditentukan


L26

Tabel 3.2. (Lanjutan) Tampilan Output Hasil Pengenalan


Gambar 6

Dilarang membunyikan isyarat suara

Gambar 7

Dilarang mendahului kendaraan lain

Gambar 8

Pejalan kaki dilarang masuk

Gambar 9

Kendaraan bermotor dengan roda empat

atau lebih dilarang masuk

Gambar 10

Kendaraan bermotor dengan roda tiga

dilarang masuk


L27



Gambar 11

Sepeda dilarang masuk

Gambar 12

Becak dan kereta roda tiga dilarang masuk

Gambar 13

Dilarang masuk

Gambar 14

Gerobak dorong dilarang masuk

Gambar 15

Traktor dengan kereta temple dilarang

masuk


L28



Gambar 16

Mesin kerja dilarang masuk

Gambar 17

Mobil gerobak dilarang masuk

Gambar 18

Dilarang membelok ke kanan

Gambar 19

Semua kendaraan bermotor dilarang masuk

Gambar 20

Dilarang parker


L29



Gambar 21

Dilarang membelok ke kiri

Gambar 22

Oto bus dilarang masuk

Gambar 23

Ditutup untuk semua kendaraan dari kedua

arah

Gambar 24

Semua kendaraan tidak bermotor dilarang

masuk

Gambar 25

Dilarang berhenti


L30



Gambar 26

Sepeda motor dilarang masuk

Gambar 27

Dilarang membalik

Gambar 28

Mobil gerobak dengan kereta gandengan

dilarang masuk

Gambar 29

Silang datar dengan satu jalur rel

Gambar 30

Gerobak dan dokar dilarang masuk


L31



Gambar 31

Kendaraan bermotor panjang dan muatan

melebihi batas dilaran masuk

Gambar 32

Kendaraan yang seluruh tingginya

termasuk muatan melebihi ukuran yang

ditentukan dilarang masuk

Gambar 33

Kendaraan tidak bermotor yang seluruh

panjang termasuk muatan melebihi ukuran

dilarang masuk

Gambar 34

Kendaraan yang bobot dan muatan

melebihi tonase yang ditentukan dilarang

masuk

Gambar 35

Kendaraan yang seluruh lebar termasuk

muatan melebihi ukuran yang ditentukan

dilarang masuk


L32



Gambar 36

Perintah berhenti

Gambar 37

Batas kecepatan maksimal yang ditentukan

Gambar 38

Kendaraan yang bobot pada satu sumbu

melebihi tonase yang ditentukan dilarang

masuk

3.4. Proses Gambar Uji

Gambar uji yang diambil setelah user menekan tombol capture. Hasil capture

diambil dengan posisi rambu larangan lalu lintas yang sudah diatur secara fix dan cahaya

yang tingkat intensitasnya di sesuai. Proses yang berlangsung meliputi input citra rambu

larangan lalu lintas, preprocessing dan Discrete Cosine Transform (DCT). Hasil proses

tersebut disimpan dan kemudian diproses kembali untuk mendapatkan hasil pengenalan

rambu larangan lalu lintas.

3.5. Perancangan GUI

Gambar 3.9. merupakan tampilan GUI sistem pembacaan gambar rambu larangan

lalu lintas yang akan dibuat. Tampilan antarmuka pada perancangan ini menggunakan GUI


L33

Matlab. Tampilan ini digunakan untuk mempermudah dalam menggunakan sistem yang

dibuat.

Gambar 3.9. Tampilan Awal Jendela Program

Tabel 3.3. Keterangan Proses Utama Tampilan Program

Nama bagian Deskripsi

Tombol ON Tombol ON digunakan untuk menaktifkan kamera

webcam

Tombol capture Tombol capture digunakan untuk mengambilan citra

dari rambu larangan lalu lintas

Tombol proses Tombol proses digunakan untuk melakukan proses

cropping dan resizing citra rambu larangan lalu lintas

Tombol ekstraksi ciri Tombol ekstraksi ciri digunakan untuk proses ekstraksi

ciri pada citra rambu larangan lalu lintas

Tombol pop-up menu Tombol pop-up menu digunakan untuk memilih

ukuran window yang akan digunakan

Axes 1 pada panel 1

video webcam

Berfungsi untuk menampilkan citra rambu larangan

lalu lintas yang akan capture dengan menggunakan

webcam

Axes 2 pada panel 2

preprocessing

Berfungsi untuk menampilkan citra hasil rambu

larangan lalu lintas yang cropping

Axes 3 pada panel 2

preprocessing

Berfungsi untuk menampilkan citra hasil rambu

larangan lalu lintas yang resizing

Axes 4 pada panel 3 hasil

ekstraksi ciri

Berfungsi untuk menampilkan citra hasil ekstraksi ciri

dari rambu larangan lalu lintas


L34

Tabel 3.3. (Lanjutan) Keterangan Proses Utama Tampilan Program

Nama bagian Deskripsi

Axes 5 pada panel 4 hasil

ukuran window

Berfungsi untuk menampilkan hasil dari ukuran

window

Panel 6 tampilan hasil

output

Berfungsi untuk menampilkan hasil keluaran citra

yang akan ditampilkan dalam bentuk teks

Tombol reset Tombol reset digunakan untuk me-reset ulang program

pengenalan citra rambu larangan lalu lintas untuk

melakukan pengenalan baru

Tombol selesai Tombol selesai digunakan untuk keluar dari sistem

pengenalan citra rambu larangan lalu lintas


35

BAB IV

HASIL DAN PEMBAHASAN

Dalam bab ini akan dilakukan tentang analisi dan pembahasan mengenai hasil

pengujian sistem program yang telah dirancang. Pada uji coba yang dilakukan pada

penulisan ini untuk mengetahui apakah sistem bekerja dengan baik atau tidak. Pada

pengujian akan diperoleh hasil pengujian berupa data-data. Pengujian yang dilakukan

menggunakan 38 gambar rambu larangan lalu lintas.

4.1. Pengujian dan Tampilan Program Pengenalan Secara Real Time

Rambu Larangan Pada Lalu Lintas Menggunakan DCT dan Jarak

Canberra

Pengujian dan tampilan program menggunakan perangkat keras dan perangkat

lunak sebagai berikut:

a. Processor : AMD E2-2000 APU with Radeon™ HD Graphics 1,75 GHz

b. RAM: 4.00 GB

c. Matlab : 7.10.0a

Dalam tampilan antarmuka program “PENGENALAN SECRATA REAL TIME

RAMBU LARANGAN LALU LINTAS” terdapat 7 push button, 1 pop up menu, 5 axes, 1

edit text, dan 4 static text. Masing-masing dari bagian membentuk suatu kesatuan yang

akan digunakan untuk program “PENGENALAN SECRATA REAL TIME RAMBU

LARANGAN LALU LINTAS”.

Langkah-langkah untuk menjalankan program pengenalan seperti di bawah ini:

a. Mengklik dua kali pada icon Matlab pada layar desktop dengan gambar icon seperti

pada gambar 4.1.

Gambar 4.1.Icon Matlab R2010a


L36

b. Setelah klip icon Matlab, akan tampli tampilan utama softwer Matlab seperti gambar

4.2.

Gambar 4.2. Tampilan Awal Matlab R2010a

c. Muncul tampilan awal, kemudian mengantikan current directory sesuai dengan

directory dimana program yang akan dipakai disimpan, setelah itu ketik guide

kamera pada command window maka akan muncul tampilan jendela utama program

pengenalan seperti pada gambar 4.3. Klik run untuk menjalankan program.

Gambar 4.3. Tampilan Jendela Utama Pengenalan

d. Setelah klik run, akan muncul tampil tampilan GUI pengenalan rambu larangan lalu

lintas seperti pada gambar 4.4.

Director

y

Guide

Run


L37

Gambar 4.4.Tampilan Utama Jendela Pengenalan Rambu Larangan Lalu Lintas

e. Selanjutnya, memilih dan tekan tamboluntuk tampilan sesuai dengan fungsi dari

bagiannya masing-masing.

1. Tombol ON, berfungsi untuk menampilkan video webcam.

2. Tombol capture, berfungsi untuk mencuplikan gambar dari video.

3. Tombol proses, berfungsi untuk menjalan perintah program cropping dan

resizing.

4. Tombol ekstraksi ciri, berfungsi untuk menampilkan hasil tranformasi DCT.

5. Tombol pop-up menu, berfungsi untuk menampilkan ukuran window.

6. Tombol pengenalan, berfungsi untuk menampilkan hasil keluaran yang

berupa teks.

7. Tombol reset, berfungsi untuk me-reset ulang jika user ingin melakukan

pengenalan baru.

8. Tombol selesai, berfungsi untuk keluar dari proses pengenalan.

Berikut adalah cara untuk menampilkan program utama pengenalan rambu

larangan lalu lintas sebagai berikut:

1. Langkah pertama user menekan tombol ON untuk mengaktifkan video webcam,

untuk mencuplikan gambar dari video yang akan digunakan untuk proses selanjutnya,

tombol ON menjalankan program sebagai berikut :

1 2

8

3 4

7

5

6


L38

Setelah menekan tombol ON, video citra yang dicuplikan seperti pada, axes 1 dapat

dilihat pada gambar 4.5.

Gambar 4.5. Tampilan Tombol ON

Program di atas adalah program untuk menaktifkan webcam. Perintah imaqhwinfo

adalah program untuk menampilkan informasi yang disimpankan oleh webcam dan

informasi yang ditampil akan diinisialisasi dalam program. Proses ini bertujuan untuk agar

webcam dengan softwere Matlab bisa berkomunikasi. Informasi yang akan ditampilkan

oleh program adalah webcam, adaptor camera, jenis warna, port dan resolusi piksel.

Perintah preview adalah program untuk menampilkan video saat video ON dengan

inisialisasi yang telah digunakan.

imaqhwinfo;

info = imaqhwinfo('winvideo');

vidobj =videoinput('winvideo',1,'RGB24_1280x720');

vidRes = get(vidobj,'VideoResolution');

imWidh = 1280;

imHeight = 720;

nBands = get(vidobj,'NumberOfBands');

hImage=image(zeros(imHeight,imWidh,nBands),

'parent',handles.axes1);

preview(vidobj,hImage);


L39

2. Langkah kedua tekan tombol capture untuk mencuplikan gambar yang telah direkam

dan tombol capture digunakan untuk menjalankan program seperti berikut:

Program pada tombol capture hampir sama dengan program pada tombol ON tapi pada

tombol capture menambahkan program grayscale yang akan berfungsi untuk menjadikan

gambar yang capture berupa menjadi keabu-abuan. Program getsnapshot adalah untuk

dicuplikan citra pada saat webcam keadaan kamera webcam ON. Gambar yang dicuplikan

dijalankan dengan menggunakan handles dan tampilan pada axes 1.

Handles adalah sebuah inisialisasi yang digunakan untuk dapat dipanggil dalam file

figure maupum file m. Gambar 4.6 merupakan tampilan dari warna keabu-abuan, proses ini

yang akan digunakan untuk program selanjutnya.

imaqhwinfo;

vidobj =videoinput('winvideo',1,'RGB24_1280x720');

vidobj.FramesPerTrigger = 1;

vidobj.ReturnedColorspace = 'grayscale';

triggerconfig(vidobj,'manual');


imWidh = 1280;

imHeight = 720;


hImage=image(zeros(imHeight,imWidh,nBands),

'parent',handles.axes1);

start(vidobj);

pause(1);

Image = getsnapshot(vidobj);

trigger(vidobj);

stop(vidobj)

delete(vidobj)

axes(handles.axes1);

imshow(Image);

axison

handles.Image=Image;

guidata(hObject,handles);


L40

Gambar 4.6. Tampilan Dari Tombol Capture

3. Langkah ketiga tekan tombol proses untuk menjalankan proses pengenalan yang

sudah capture. Pada tombol proses terdapat program cropping dan resizing.

Sebelum di cropping dan resizing hasil yang di capture dinormalisasikan dengan

cara membagi hasil dari capture dengan 255 (nilai maksimun dari citra grayscale). Hasil

citra yang telah dicuplikan adalah citra grayscale yang nilai dari 0 sampai dengan 255.

Pada proses cropping menggunakan perintah program bbox untuk memotong

gambar yang tidak dibutuhkan untuk pengenalan. Cropping yang dilakukan secara

automatic dengan cara pada gambar rambu diberi garis hitam tebal. Program cropping

adalah sebagai berikut:

r=double(handles.Image);

r1=r/255;

r2 =1-r1;

r3=bboxg(r2);

j=('Cropping');

set(handles.text1,'string',j);


imshow(r3);

axison

handles.r3=r3;


L41

Program imresize adalah untuk melakukan ukuran resizing yang akan digunakan

dan pada proses resizing citra ini ukuran yang digunakan disesuaikan dengan ukuran dari

DCT. Jika ukuran dari DCT 64x64, maka ukuran resizing adalah 64x64. Gambar di bawah

adalah hasil pencuplikan dari proses cropping dan resizing yang di tampilkan pada axes 2

dan axes 3 seperti pada gambar 4.7.

Gambar 4.7. Tampilan Proses Cropping dan Resizing

Hasil resizing yang diperoleh akan digunakan untuk proses selanjutnya. Program

yang digunakan untuk proses resizing ini sebagai berikut:

4. Langkah keempat tekan tombol ekstraksi ciri untuk menampilkan hasil DCT dari

gambar yang sudah di capture. Perintah program di bawah adalah perintah untuk

menjalankan proses ekstraksi ciri. Citra masukan sebelum ekstraksi ciri adalah hasil

dari preprocessing dari hasil resizing.

r4=handles.r3;

r5=imresize(r4,[64,64]);

k=('Resizing');

set(handles.text2,'string',k);


imshow(r5);

axison

handles.r5=r5;



L42

Hasil dari proses resizing dengan berikan variabel handles.r5, seperti yang

ditampilkan pada axes 4. Hasil dari DCT disesuaikan dengan hasil dengan hasil dari

resizing. Dari hasil resizing akan ditransformasikan dengan menggunakan DCT 2 D yang

diberi nama r7. Hasil transformasiakan ditampilkan dengan menggunakan handles.axes

seperti pada axes 4. Selanjutnya dengan menbuka hasil r7 untuk ditampilkan. Kemudian

hasil ekstraksi ciri ditampilkan dengan menggunakan imshow dan terlebih dahulu di

inisialisasikan dengan menggunakan handles.axes dapat dilihat pada gambar 4.8.

Gambar 4.8. Hasil Transformasi Dari DCT

5. Langkah kelima tekan pada pop-up menu adalah untuk menampilkan ukuran window

yang akan digunakan.

r6=double(handles.r5);

r7=abs(dct2(r6));

r7(1,1)=0;

l=('Hasil Transformasi DCT');

set(handles.text3,'string',l);


imshow(r7/max(r7(:)));

handles.r7=r7;

axison



L43

Perintah program di atas adalah proses untuk pemelihan atau megeluarkan

database yang akan digunakan untuk membandingkan dengan salah satu citra masukan

rambu larangan lalu lintas menggunakan perhitungan jarak.

case 2

w=2;

loadx64ciri2a;

case 3

w=3;

loadx64ciri3a;

case 4

w=4;

loadx64ciri4a;

case 5

w=5;

loadx64ciri5a;

case 6

w=6;

loadx64ciri6a;

case 7

w=7;

loadx64ciri7a;

case 8

w=8;

loadx64ciri8a;

case 9

w=9;

loadx64ciri9a;

case 10

w=10;

loadx64ciri10a;

end

handles.w=w;

handles.z=z;

r7=handles.r7;

r8=r7(1:w,1:w);

m=('Hasil window');

set(handles.text4,'string',m);


L44

(Lanjutan) program

Proses penguluaran database pembanding disesuaikan dengan variasi dari pop-up

menu yang telah ditentukan atau dipilih oleh user. Perintah program diatas merupakan

perintah program untuk tampilan ukuran window. Kemudian bagian kiri atas dari hasil

DCT akan diambil sebagian ekstraksi ciri sebagai ukuran window. Proses ambil sebagian

kiri atas dari hasil DCT ketika user menekan tombol pop-up menu. Ukuran window yang

digunakan adalah 2x2, 3x3, 4x4,5x5,6x6,7x7,8x8, 9x9 dan 10x10. Dengan semakin besar

ukuran window maka semakin kecil tampilan ekstraksi cirri. Tampilan di bawah

merupakan ukuran window yang dapat dilihat pada tabel 4.1.

Tabel 4.1. Citra Ukuran Window

UkuranWindow Hasil Window

Window=2x2

Window=3x3



axison

r9=r8(:);

handles.t=r9;



L45

Tabel 4.1. (Lanjutan) Citra UkuranWindow

UkuranWindow Hasil Window

Window =4x4

Window =5x5

Window =6x6

Window =7x7


L46

Tabel 4.1. (Lanjutan) Citra UkuranWindow

Ukuran Window Hasil Window

Window =8x8

Window =9x9

Window =10x10

6. Langkah keenam tekan tombol pengenalan untuk mengetahui hasil rambu larangan

lalu lintas yang melalui tahap capture, preprocessing dan ekstraksi ciri dan hasil

tersebut berupa dalam bentuk teks.

Perintah program di atas adalah proses untuk menhitung jarak masukan dengan

citra dari database. Perhitungan pembanding menggunakan jarak Canberra sebagai

pembanding citra masukan dengan database. Perintah program perhitungan jarak (g)

seperti diatas. Proses selanjutnya adalah nilai dari perhitungan jarak (g) tersebut dimasukan

ke dalam metode pembandingan yaitu metode K-Nearest Neighbour (K-NN), dimana

for n=1:190

g(n)=jarakc(y,z(:,n));

end


L47

metode K-Nearest Neighbor (K-NN) akan membandingkan citra masukan database

dengan 38 citra rambu larangan lalu lintas dan membuat kelas yang akan dipilih. Perintah

program K-Nearest Neighbor (K-NN) sebagai berikut:

g; k=3; % k pada knn m=5; % Jumlah sampel per

kelas [x1,x2]=sort(g,'ascend'); % x urut naik (fungsi

jarak) kn=x2(1:k); % Pilih k nearest

neighbour hk=ceil(kn/m); % Penentuan kelas-kelas

yang terpilih x3=mode(hk); % Pilih kelas yang

paling sering muncul

r10={'gbr 1. Berhenti';

'gbr 2. Prioritas atas lalu lintas dari depan';

'gbr 3. Beri kesempatan';

'gbr 4. Prioritas bagi lalu lintas dari depan';

'gbr 5. Dilarang beriringan kurang dari jarak yang

ditentukan';

'gbr 6. Dilarang membunyikan isyarat suara';

'gbr 7. Dilarang mendahului kendaraan lain';

'gbr 8. Pejalan kaki dilarang masuk';

'gbr 9. Kendaraan bermotor dengan roda empat atau

lebih dilarang masuk';

'gbr 10. Kendaraan bermotor dengan roda tiga

dilarang masuk';

'gbr 11. Sepeda dilarang masuk';

'gbr 12. Becak dan kereta roda tiga dilarang

masuk';

'gbr 13. Dilarang masuk';

'gbr 14. Gerobak dorong dilarang masuk';

'gbr 15. Troktor dengan kereta temple dilarang

masuk';

'gbr 16. Mesin kerja dilarang masuk';

'gbr 17. Mobil gerobak dilarang masuk';

'gbr 18. Dilarang membelok ke kanan';

'gbr 19. Semua kendaraan bermotor dilarang masuk';

'gbr 20. Dilarang parkir';

'gbr 21. Dilarang membelok ke kiri';

'gbr 22. Oto bus dilarang masuk';


L48

(Lanjutan Program)

Perintah program di atas adalah inisialiasi keluaran teks dari 38 rambu larangan lalu

lintas.

Variabel r10 adalah inisialisasi 38 rambu larangan lalu lintas. Nilai yang paling

minimum akan dipanggil sesuai dengan nama yang telah diinisialisasi. Kemudian nilai

'gbr 23. Ditutup untuk semua kendaraan dari kedua

arah';

'gbr 24. Semua kendaraan tidak bermotor dilarang

masuk';

'gbr 25. Perintah berhenti';

'gbr 26. Sepeda motor dilarang masuk';

'gbr 27. Dilarang membalik';

'gbr 28. Mobil gerobak dengan kereta gandengan

dilarang masuk'

'gbr 29. Silang datar dengan satu jalur rel';

'gbr 30. Gerobak dan dokar dilarang masuk';

'gbr 31. Kendaraan bermotor panjang dan muatan

melebihi batas dilaran masuk';

'gbr 32. Kendaraan yang seluruh tingginya termasuk

muatan melebihi ukuran yang ditentukan dilarang

masuk';

'gbr 33. Kendaraan tidak bermotor yang seluruh

panjang termasuk muatan melebihi ukuran dilarang

masuk';

'gbr 34. Kendaraan yang bobot dan muatan melebihi

tonase yang ditentukan dilarang masuk';

'gbr 35. Kendaraan yang seluruh lebar termasuk

muatan melebihi ukuran yang ditentukan dilarang

masuk';

'gbr 36. Dilarang berhenti';

'gbr 37. Batas kecepatan maksimal yang

ditentukan';

'gbr 38. Kendaraan yang bobot pada satu sumbu

melebihi tonase yang ditentukan dilarang masuk'};

% Penentuan keluaran nilai minimum

r11=r10(x3);

set(handles.text5,'string',r11);


L49

yang paling minimum akan ditampilkan ke dalam file figure dengan menggunakan perintah

set. Berikut perintah program mencari nilai paling minimum. Perintah program di atas

adalah mencari nilai paling minimum dari 38 nilai rambu larangan lalu lintas yang telah

diinisialisasi. Tampilan hasil pengenalan salah satu citra rambu larangan lalu lintas setelah

mengklik tombol pengenalan pada GUI. Dari hasil pengujian, tombol-tombol sudah

bekerja dengan baik dapat dilihat pada gambar 4.9.

Gambar 4.9. Tampilan Setelah Menekan Tombol Pengenalan

7. Langkah ketujuh tekan tombol reset untuk melakukan pengenalan baru. Perintah

program pengenalan reset sebagai berikut:

8. Langkah kedelapan tekan tombol selesai apabila pengguna ingin keluar dari program

pengenalan rambu larangan lalu lintas. Perintah program pada tombol selesai sebagai

berikut:

Pengujian program pengenalan secara real time rambu larangan pada lalu lintas

menggunakan discrete consine transform dan jarak Canberra, tombol yang ada pada

tampilan utama program dapat bekerja sesuai dengan perancangan yang dibuat dalam bab

sebelumnya. Listing program utama keseluruhan terlampir pada lampiran III(L5).

delete(figure(camera));

figure(camera);



L50

4.2. Penentuan Hasil Pengujian Program Pengenalan Citra Terhadap

Tingkat Pengenalan Citra Rambu Larangan Lalu Lintas

Penentuan hasil nilai parameter dilakukan setelah melakukan pengujian pada

program pengenalan citra rambu larangan lalu lintas. Pada program pengenalan rambu

larangan lalu lintas ini ada satu proses yang akan dilakukan untuk pengujian program

adalah sebagai berikut: Proses pertama pengujian secara real time yaitu melakukan

pengujian parameter pengenalan rambu larangan pada lalu lintas dengan ukuran window

dan K-Nearest Neighbor (K-NN) dimana nilai K-Nearest Neighbor (K-NN) adalah dengan

kelas k=1, k=3, k=5 dan k=7 yang akan digunakan dalam proses pengenalan rambu

larangan lalu lintas. Dalam pengujian secara real time pengguna menggunakan data

masukan yang meliputi variasi rotasi -10o,

-5o, 0

o, 5

o, 10

o dan variasi skala 90%, 95%,

100%, 105%, 110%. Variasi skala tidak dimasukan dalam database untuk proses pengujian

yang akan membandingkan dengan nilai rotasi dalam database. Pengujian secara real time

dilakukan dengan data masukan secara langsung menggunakan potongan gambar rambu

larangan lalu lintas jenis cetak, ketika pengguna meletakkan potongan tersebut di fixture

saat itu juga webcam akan mengambil gambar potongan yang kemudian dari hasil webcam

akan tertampil menjadi keluaran dari proses pengenalan citra. Proses pengujian parameter

ini bertujuan untuk mencari nilai dari setiap parameter yang akan menghasilkan tingkat

pengenalan yang terbaik.

4.2.1. Pengujian Parameter Pengenalan Rambu larangan Lalu Lintas

Secara Real Time

Pengujian yang dilakukan dengan cara data masukan secara langsung menggunakan

potongan gambar rambu larangan lalu lintas, webcam akan mengambil gambar potongan

yang kemudian dari hasil webcam akan ditamplikan hasil keluaran. Percobaan ini untuk

melihat sebesar tingkat pengenalan yang dapat dikenali dari setiap parameter pengenalan

yang digunakan. Langkah-langkah percobaan yang dilakukan:

1. Melakukan proses capturing citra rambu larangan lalu lintas dari gambar 1 sampai

dengan 38 sebanyak satu kali untuk semua percobaan dengan nilai K-Nearest

Neighbor (K-NN) yang bervariasi.


L51

2. Percobaan dilakukan dengan menggunakan kombinasi ukuran rotasi, ukuran skala, K-

Nearest Neighbor (K-NN) dan ukuran window yang berbeda-beda yaitu:

a. Variasi rotasi yaitu -10o,

-5o, 0

o, 5

o, 10

o

b. Variasi skala yaitu 90%, 95%, 100%, 105%, 110%

c. Ukuran window yaitu 2×2, 3×3, 4×4, 5×5, 6×6, 7×7, 8×8, 9×9, 10×10

d. Nilai K-Nearest Neighbor (K-NN) yaitu k=1, k=3,k=5 dan k=7.

3. Menentukan kombinasi ukuran rotasi, ukuran skala, K-Nearest Neighbor (K-NN) dan

ukuran window untuk menghasilkan tingkat pengenalan yang terbaik.

Dari data hasil percobaan (tabel hasil percobaan pada lampiran L19) dapat mencari

nilai persen pengenalan melalui perhitungan dari setiap percobaan masing-masing nilai

koefisien ukuran window dari DCT pada (tabel data hasil percobaan lampiran L19) dan

grafik dari setiap tingkat pengaruh nilai koefisien terhadap tingkat pengenalan. Untuk

mencari nilai dari tingkat persen pengenalan dari data percobaan tersebut menggunakan

rumus

Tingkat pengenalan = v

𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑝𝑒𝑟𝑐𝑜𝑏𝑎𝑎𝑛𝑥 100% (4.1)

Keterangan:

∑v= Jumlah gambar rambu larangan lalu lintas yang dikenali dan benar

A. Data hasil pengujian ukuran rotasi tingkat pengenalan rambu larangan lalu lintas

yang dimasukan dalam database

Tabel 4.2. Tingkat Pengenalan Dengan k=1

Rotasi

Ukuran resizing 64x64

Tingkat Pengenalan (%)

2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

-10 0 2,63 18,42 63,15 71,05 73,68 86,84 92,10 97,36

-5 0 23,68 36,84 55,26 71,05 76,31 89,47 94,73 97,36

0 2,63 5,26 23,68 52,63 81,57 86,84 86,84 94,73 97,36

+5 0 18,42 23,68 57,89 73,68 86,84 86,84 94,73 94,73

+10 11 26,31 39,47 55,26 71,05 84,21 86,84 94,73 92,1

Rata-

rata 2,72 15,26 28,41 56,83 73,68 81,57 87,36 94,20 95,78


L52

Tabel 4.2. didapat kesimpulan bahwa ukuran rotasi dengan k=1 tingkat pengenalan

terbaik terletak pada variasi rotasi -10o,

-5o, dan 0

o. Pada tabel 4.2. ukuran window 10×10

yang menghasilkan tingkat pengenalan yang terbaik. Gambar grafik tingkat pengenalan

dapat dilihat pada lampiran VI ( L59).



terbaik terletak pada variasi rotasi -5o. Pada tabel 4.3. ukuran window 10×10 yang

menghasilkan tingkat pengenalan yang terbaik. Grafik tingkat pengenalan k=3 dapat dilihat

pada lampiran VI ( L59).

Tabel 4.4. Tingkat Tengenalan Dengan k=5


terbaik terletak pada nilai -5o. Pada tabel 4.4. ukuran window 10×10 yang menghasilkan

Rotasi



2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

-10 5,26 13,15 23,68 55,26 63,15 73,68 76,31 76,31 86,84

-5 0 7,89 21,05 52,63 68,42 84,21 81,57 89,47 100

0 0 7,89 10,52 44,74 55,26 57,89 65,78 79,94 84,21

+5 0 15,78 31,57 63,15 68,42 73,68 92,10 94,73 94,73

+10 0 26,68 36,84 42,10 50 71,05 78,94 81,37 84,21

Rata-

rata 1,05 14,27 24,73 51,57 61,05 72,10 78,94 84,36 89,99

Rotasi



2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

-10 5.26 0 21,05 52,63 57,89 78,94 73,68 78,94 84,21

-5 10.52 26,31 23,68 44,73 60,52 76,31 81,57 84,21 94,73

0 7,80 15,78 13,15 28,94 52,63 57,89 65,78 78,94 81,57

+5 5,26 10,52 28,94 47,36 55,26 71,05 76,31 84,21 84,21

+10 0 18,42 31,57 55,26 57,89 71,05 76,31 84,21 78,94

Rata-

rata 5,76 14,20 23,67 45,78 56,83 71,04 74,73 82,10 84,73


L53

tingkat pengenalan yang terbaik. Grafik tingkat pengenalan dapat dilihat pada lampiran VI

( L60).



terbaik terletak pada variasi rotasi -5o. Pada tabel 4.5. ukuran window 10×10 yang

menghasilkan tingkat pengenalan yang terbaik. Gambar grafik tingkat pengenalan dapat

dilihat pada lampiran VI ( L60).

Dari table diatas dapat maka dibuat tabel 4.6. dan grafik pengaruh K-Nearest

Neighbor (K-NN) terhadap tingkat pengenalan rambu larangan lalu lintas seperti terlihat

pada gambar 4.10.

Tabel 4.6. Pengaruh K-Nearest Neighbor (K-NN) Terhadap Tingkat Pengenalan

Sehingga dari hasil percobaan dan gambar 4.10. dapat disimpulkan dan ditentukan

nilai parameter yang terbaik untuk digunakan dalam proses pengenalan dan nilai K-Nearest

Neighbor (K-NN) yang digunakan yaitu dengan (k=3) yang terletak pada variasi rotasi -5o

karena mampu mengenali rambu larangan larangan lalu lintas dengan tingkat pengenalan

sebesar 100%. Besar hasil ekstraksi dari ukuran window maka tingkat pengenalannya yang

Rotasi



2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

-10 5,26 0 21,05 52,63 57,89 78,94 73,68 78,94 84,21

-5 10,52 26,31 23,68 44,73 60,52 76,31 81,57 84,21 94,73

0 7,89 10,52 21,05 36,82 47,36 60,52 68,42 78,94 81,57

+5 5,26 10,52 28,94 47,36 55,26 71,05 76,31 84,21 84,21

+10 0 18,42 31,57 55,26 57,89 71,05 76,31 84,21 78,94

Rata-

rata 5,78 13,15 25,25 47,36 55,78 71,57 75,25 82,10 84.73

Nilai K-NN Tingkat pengenalan (%)

k=1 97,36

k=3 100

k=5 94,73

k=7 94,73


L54

dihasilkan akan semakin baik. Kecil hasil ekstraksi ciri dari ukuran window maka tingkat

pengenalan akan semakin rendah.

Gambar 4.10. Pengaruh K-NN Terhadap Tingkat Pengenalan Untuk Variasi Rotasi

B. Data hasil percobaan untuk variasi skala yang tidak dimasukan dalam ke

database

Tabel 4.7. Tingkat Penenalan Dengan k=1

Penskala

Resizing 64 x 64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

90 0 18,42 39,47 57,89 73,68 78,94 92,1 92,1 94,73

95 2,63 5,26 21,05 65,78 73,68 76,31 89,47 89,47 89,47

100 2,63 5,26 23,68 52,63 81,57 86,84 86,84 94,73 97,36

105 2,63 0 26,31 60,52 76,31 89,47 89,47 97,36 97,36

110 13,15 28,94 42,1 57,89 73,68 86,84 89,47 89,47 89,47

Rata-

rata 4,2 11,57 30,52 58,94 75,78 83,68 89,47 92,62 93,67

Tabel 4.7. didapat kesimpulan bahwa ukuran penskala dengan k=1 tingkat

pengenalan terbaik terletak pada variasi skala 100% dan 105%. Pada tabel 4.7. ukuran

window 10×10 yang menghasilkan tingkat pengenalan yang terbaik. Gambar grafik tingkat

pengenalan dapat dilihat pada lampiran VI ( L61).

0102030405060708090

100

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

Tin

gk

at

pen

gen

ala

n(%

)

K-Nearest Neighbor (K-NN)

Pengaruh K-NN terhadap tingkat pengenalan


L55


Penskala

Resizing 64 x 64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

90 0 18,42 24,21 65,78 71,05 76,31 94,73 94,73 97,36

95 0 31,57 39,47 55,26 50 73,68 81,57 84,21 86,84

100 0 7,89 10,52 44,74 55,26 57,89 65,78 79,94 84,21

105 2,63 10,52 18,42 55,26 71,05 86,84 84,21 86,84 94,73

110 7,89 15,78 26,31 57,89 63,15 76,31 78,94 78,94 89,47

Rata-

rata 2,10 16,83 23,78 55,78 53,10 74,20 81,04 84,93 90,52


pengenalan terbaik terletak pada variasi skala 90% dan 105%. Pada tabel 4.8. ukuran

window 10×10 yang menghasilkan tingkat pengenalan yang terbaik. Gambar grafik tingkat

pengenalan dapat dilihat pada lampiran VI ( L61).


Penskala

Resizing 64 x 64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

90 5,26 0 21,05 52,63 57,89 78,94 73,68 78,94 84,21

95 5,26 10,52 28,94 47,36 55,26 71,05 76,31 84,21 84,21

100 7,8 15,78 13,15 28,94 52,63 57,89 65,78 78,94 81,57

105 10,52 26,31 23,68 44,73 60,52 76,31 81,57 84,21 94,73

110 0 18,42 31,57 57,89 57,89 73,68 76,31 84,21 76,31

Rata-

rata 5,76 14,2 23,67 46,31 56,83 71,56 74,73 82,1 84,2


pengenalan terbaik terletak pada variasi 105%. Pada tabel 4.9. ukuran window 10×10 yang

menghasilkan tingkat pengenalan yang terbaik. Gambar grafik tingkat pengenalan dapat

dilihat pada lampiran VI ( L62)


L56


Penskala

Resizing 64 x 64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

90 2,63 7,89 18,42 28,94 42,1 63,15 60,52 63,15 81,57

95 2,63 7,89 15,78 52,63 55,26 63,15 68,42 65,78 68,42

100 7,89 10,52 21,05 36,82 47,36 60,52 68,42 78,94 81,57

105 0 21,05 31,57 52,63 55,26 65,78 68,42 73,68 68,42

110 0 23,68 26,31 31,57 36,84 71,05 68,42 76,31 86,84

Rata-

rata 2,63 14,2 22,62 40,51 47,34 64,73 66,84 71,57 77,36


pengenalan terbaik terletak pada variasi skala 110%. Pada tabel 4.10. ukuran window

10×10 yang menghasilkan tingkat pengenalan yang terbaik. Gambar grafik tingkat

pengenalan dapat dilihat pada lampiran VI ( L62)

Tabel 4.11. Pengaruh K-Nearest Neighbor (K-NN) Terhadap Tingkat Pengenalan

Gambar 4.11. Pengaruh K-NN Terhadap Tingkat Pengenalan Untuk Variasi Skala

Variasi K-NN Tingkat pengenalan yang terbaik (%)

k=1 97,36

k=3 97,36

k=5 94,73

k=7 86,84

0102030405060708090

100

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

Tin

gk

at

Pen

gen

ala

n (

%)

Ukuran Window

Pengaruh K-NN terhadap tingkat

pengenalan


L57

Sehingga dari hasil percobaan dan gambar 4.16. dapat disimpulkan dan ditentukan

nilai parameter yang terbaik untuk digunakan dalam proses pengenalan dan nilai K-Nearest

Neighbor (K-NN) yang digunakan yaitu dengan k=1 dan k=3 yang terletak pada variasi

skala 90%, 100% dan 105% karena mampu mengenali rambu larangan larangan lalu lintas

dengan tingkat pengenalan sebesar 97,36%.

4.3. Pengujian Nilai Parameter

Dari pengujian nilai parameter yang dilakukan setelah nilai parameter sudah

ditentukan dan nilai parameter DCT untuk ukuran window yang digunakan dalam

pengujian adalah ukuran window yang sesuai dari hasil penentuan nilai parameter.

Pengujian ini bertujuan untuk mengetahui apakah nilai parameter yang ditentukan

dapat bekerja dengan baik. Pada pengenalan secara real time rambu larangan pada lalu

lintas, melakukan pengujian parameter sebanyak satu kali dengan nilai K-Nearest

Neighbor (K-NN), variasi rotasi dan variasi skala yang berbeda untuk semua rambu

larangan pada lalu lintas. Data pengujian dapat dilihat pada tabel pengujian parameter

(tabel hasil percobaan). Percobaan yang dilakukan nilai parameter yang digunakan untuk

melakukan pengenalan secara real time rambu larangan pada lalu lintas dengan K-Nearest

Neighbor (K-NN) yang digunakan yaitu dengan k=3 yang terletak pada variasi rotasi -5o

karena mampu mengenali rambu larangan larangan lalu lintas dengan tingkat pengenalan

sebesar 100%. Nilai K-Nearest Neighbor (K-NN) yang digunakan yaitu dengan k=1 dan

k=3 yang terletak pada variasi skala 90%, 100% dan 105% karena mampu mengenali

rambu larangan larangan lalu lintas dengan tingkat pengenalan sebesar 97,36%.


58

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil penelitian dan pengujian yang telah dilakukan dari sistem

pengenalan secara real time rambu larangan pada lalu lintas dapat disimpulkan bahwa:

1. Pengenalan secara real time rambu larangan pada lalu lintas belum bekerja dengan

baik karena hasil data pengujian yang dihasilkan tidak sesuai dengan yang

diharapkan.

2. Nilai Penentuan parameter yang yang mempunyai tingkat pengenalan terbaik adalah

(K-NN) dengan k=3 yang terletak pada variasi rotasi -5o karena mampu mengenali

sebesar 100%.

3. Nilai Penentuan parameter yang yang mempunyai tingkat pengenalan terbaik adalah

(K-NN) dengan k=1 dan k=3 yang terletak pada variasi skala 90%, 100% dan 105%

karena mampu mengenali sebesar 97,36%.

4. Nilai parameter yang mempunyai nilai tingkat pengenalan terbaik adalah ekstraksi

ciri dengan window10 x 10.

5. Semakin kecil ukuran window maka hasil tingkat pengenalan yang dihasilkan akan

semakin rendah atau tidak dikenali secara baik. Semakin besar ukuran window maka

hasil tingkat pengenalan yang dihasilkan akan semakin tinggi atau akan dikenali

secara baik.

5.2. Saran

Saran yang hendak disampaikan terkait tugas akhir ini adalah:

1. Pengembangan sistem pengenalan rambu larangan pada lalu lintas dapat mengenali

gambar rambu secara real time, sehingga dapat digunakan pada penguna jalan raya

dan masyarakat.

2. Tidak perlu menekan tombol ON secara berulang-ulang untuk proses pengenalan.


59

DAFTAR PUSTAKA

[1] Supriyadi. (2011). Penerapan Algoritma Backpropagation Untuk Pengenalan Rambu-

Rambu Lalu Lintas Secara Real time. Program Strata 1 Teknik Informatika STMIK

Banjarbaru, (pp. 1-84). Banjarbaru.

[2] Putra, D., 2009, Pengolahan Citra Digital, Penerbit Andi, Yogyakarta.

[3] Alfatah, Hanif. 2007. Konversi Format Citra RGB ke Graysacle Menggunakan Visual

Basic. STMIK AMIKOM, Yogyakarta.

[4] http://informatika.web.id/operasi-cropping otomatis.htm di akses 14 april 2015

[5] Rafael C. Gonzalez, 2005. Digital Image Processing, Prentice Hall, Upper Saddle

River.

[6] Shofiyah, 2010. Studi Perbandingan Kompresi Menggunakan Metode Discrete Consine

Transform (DCT) dan Discrete Wavelet Transform (DWT) Pada Citra Digital.

Universitas Negeri Islam Mualana Malik Ibrahim, Malang.

[7] Linggo Sumarno.(2007). Pengenalan Huruf Tulisan Tangan Berderau Dan Terskala

Berbasis Ekstraksi ciri DCT Dengan Menggunakan Jaringan Syaraf Probabilistik.

Program Studi Teknik Elektro, Fakultas Teknik, Universitas Sanata Dharma

Yokyakarta. SIGMA,Vol.10, No.2.

[8] Abdul & AdhiSusanto. (2013). Teori dan Aplikasi Pengolahan Citra. Penerbit ANDI

Yogyakarta.

[9] Adhitya Wishnu Wardhana, Yudi Prayudi, 2008. Penggunaan Metode Template

Matching Untuk Identifikasi Kecepatanpada PCB. Jurusan Teknik Informatika,

Fakultas Industri Universitas Islam Indonesia, Jalan Kaliurang Km 14,5 Yogyakarta.

[10] Sergios Theodoridis, Konstantinos Koutroumbas 2009, Pattern Recognition,Fourthedition,The

Nearest Neighbor Rule

[11] http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/2009100456SKBab2/page.

html, diakses 2 Januari 2015.

[12] http://bisonerich-matlab.blogspot.com/2009/02/pengertian-matlab.html,diakses 28 april

2014.

[13] http://shaleholic.com/pengertian-webcam-dan-jenisnya/,diakses 20 april 2014.

[14] Tri Harsono, Achmad basuki, Namna Ramadijanti, 2006. Pengenalan Gambar Rambu-

Rambu Lalu Lintas Dengan Metode Kuantisasi rerata. Teknik Elektronika, Politeknik

Elektronika Negeri Surabaya(PENS)-ITS.


http://informatika.web.id/operasi-cropping%20otomatis.htm

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/2009100456SKBab2/page.%20html

http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/2009100456SKBab2/page.%20html

http://bisonerich-matlab.blogspot.com/2009/02/pengertian-matlab.html

http://shaleholic.com/pengertian-webcam-dan-jenisnya/

60

LAMPIRAN


L1

LAMPIRAN I

Gambar Poster Rambu Lalu Lintas

20 cm

14 cm


L2

LAMPIRAN II

Contoh Rotasi dan Skala

Contoh 1

Contoh rotasi

-10° -5° 0° 5° 10°

Contoh skala

90% 95% 100% 105% 110%

Contoh 2

Contoh rotasi

-10° -5° 0° 5° 10°

Contoh skala

90% 95% 100% 105% 110%


L3

Contoh 3

Contoh rotasi

-10° -5° 0° 5° 10°

Contoh skala

90% 95% 100% 105% 110%

Contoh 4

Contoh rotasi

-10° -5° 0° 5° 10°

Contoh skala

90% 95% 100% 105% 110%


L4

Contoh 5

Contoh rotasi

-10° -5° 0° 5° 10°

Contoh skala

90% 95% 100% 105% 110%


L5

LAMPIRAN III

LISTING PROGRAM UTAMA

function varargout = CAMERA(varargin)

% CAMERA M-file for CAMERA.fig

% CAMERA, by itself, creates a new CAMERA or raises the existing

% singleton*.

%

% H = CAMERA returns the handle to a new CAMERA or the handle to

% the existing singleton*.

%

% CAMERA('CALLBACK',hObject,eventData,handles,...) calls the local

% function named CALLBACK in CAMERA.M with the given input

arguments.

%

% CAMERA('Property','Value',...) creates a new CAMERA or raises the

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

are

% applied to the GUI before CAMERA_OpeningFcn gets called. An

% unrecognized property name or invalid value makes property

application

% stop. All inputs are passed to CAMERA_OpeningFcn via varargin.

%

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

one

% instance to run (singleton)".

%

% See also: GUIDE, GUIDATA, GUIHANDLES

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

% Last Modified by GUIDE v2.5 27-Jan-2015 17:46:46

% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ...

'gui_Singleton', gui_Singleton, ...

'gui_OpeningFcn', @CAMERA_OpeningFcn, ...

'gui_OutputFcn', @CAMERA_OutputFcn, ...

'gui_LayoutFcn', [] , ...

'gui_Callback', []);

if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1});

end

if nargout

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

else

gui_mainfcn(gui_State, varargin{:});

end

% End initialization code - DO NOT EDIT

% --- Executes just before CAMERA is made visible.

function CAMERA_OpeningFcn(hObject, eventdata, handles, varargin)


L6

% This function has no output args, see OutputFcn.

% hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% varargin command line arguments to CAMERA (see VARARGIN)

% Choose default command line output for CAMERA

handles.output = hObject;

% Update handles structure

guidata(hObject, handles);

% UIWAIT makes CAMERA wait for user response (see UIRESUME)

% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.

function varargout = CAMERA_OutputFcn(hObject, eventdata, handles)

% varargout cell array for returning output args (see VARARGOUT);

% hObject handle to figure



% Get default command line output from handles structure

varargout{1} = handles.output;

%================== TOMBOL ON ===========================

% --- Executes on button press in pushbutton1.

function pushbutton1_Callback(hObject, eventdata, handles)

% hObject handle to pushbutton1 (see GCBO)



imaqhwinfo;

info = imaqhwinfo('winvideo');

vidobj = videoinput('winvideo',1,'RGB24_1280x720');% Ukuran Resolusi yang

digunakan


imWidh = 1280;

imHeight = 720;


hImage = image(zeros(imHeight,imWidh,nBands),'parent',handles.axes1);

preview(vidobj,hImage); % menampilkan saat camera ON

%==================== TOMBOL CAPTURE ====================






imaqhwinfo;

vidobj = videoinput('winvideo',1,'RGB24_1280x720');

vidobj.FramesPerTrigger = 1;

vidobj.ReturnedColorspace = 'grayscale';

triggerconfig(vidobj,'manual');


imWidh = 1280;

imHeight = 720;



L7

hImage = image(zeros(imHeight,imWidh,nBands),'parent',handles.axes1);

start(vidobj);

pause(1);

Image = getsnapshot(vidobj);

trigger(vidobj);

stop(vidobj)

delete(vidobj)

%imwrite(capture1,'rambu lerangan lalu lintas.jpg');


imshow(Image);

axis on

handles.Image=Image;


%==================== TOMBOL PROSES ======================






r=double(handles.Image);

r1=r/255;

%Proses cropping

r2 =1-r1;

r3=bboxg(r2);

j=('Cropping');

set(handles.text1,'string',j);


imshow(r3);

axis on

handles.r3=r3;

%Proses resizing

r4=handles.r3;

r5=imresize(r4,[64,64]);

k=('Resizing');

set(handles.text2,'string',k);


imshow(r5);

axis on

handles.r5=r5;


%=================== TOMBOL CIRI ========================






%Tampilan DCT

r6=double(handles.r5);

r7=abs(dct2(r6));

r7(1,1)=0;

l=('Hasil Transformasi DCT');

set(handles.text3,'string',l);



L8


handles.r7=r7;

axis on


% --- Executes on selection change in popupmenu1.

function popupmenu1_Callback(hObject, eventdata, handles)

% hObject handle to popupmenu1 (see GCBO)



indeks=get(handles.popupmenu1,'Value');

switch indeks

case 2

w=2;

load x64ciri2a;

case 3

w=3;

load x64ciri3a;

case 4

w=4;

load x64ciri4a;

case 5

w=5;

load x64ciri5a;

case 6

w=6;

load x64ciri6a;

case 7

w=7;

load x64ciri7a;

case 8

w=8;

load x64ciri8a;

case 9

w=9;

load x64ciri9a;

case 10

w=10;

load x64ciri10a;

end

handles.w=w;

handles.z=z;

%tampilan window

r7=handles.r7;

r8=r7(1:w,1:w);

m=('Hasil window');

set(handles.text4,'string',m);



axis on

r9=r8(:);

handles.t=r9;


% Hints: contents = cellstr(get(hObject,'String')) returns popupmenu1

contents as cell array

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

popupmenu1


L9

% --- Executes during object creation, after setting all properties.

function popupmenu1_CreateFcn(hObject, eventdata, handles)

% hObject handle to popupmenu1 (see GCBO)


% handles empty - handles not created until after all CreateFcns

called

% Hint: popupmenu controls usually have a white background on Windows.

% See ISPC and COMPUTER.

if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white');

end

%====================PENGENALAN===========================






z=handles.z;

y=handles.t;

% Hitung jarak untuk 190 gambar larangan lalu lintas

y;

sy=size(y);

sz=size(z);

for n=1:190

g(n)=jarakc(y,z(:,n));

end

g;

k=3; % k pada knn

m=5; % Jumlah sampel per kelas

[x1,x2]=sort(g,'ascend'); % x urut naik (fungsi jarak)

kn=x2(1:k); % Pilih k nearest neighbour

hk=ceil(kn/m); % Penentuan kelas-kelas yang terpilih

x3=mode(hk); % Pilih kelas yang paling sering muncul

% Deskripsi string dengan 38 nilai

r10={'gbr 1. Berhenti';

'gbr 2. Prioritas atas lalu lintas dari depan';

'gbr 3. Beri kesempatan';

'gbr 4. Prioritas bagi lalu lintas dari depan';

'gbr 5. Dilarang beriringan kurang dari jarak yang ditentukan';

'gbr 6. Dilarang membunyikan isyarat suara';

'gbr 7. Dilarang mendahului kendaraan lain';

'gbr 8. Pejalan kaki dilarang masuk';

'gbr 9. Kendaraan bermotor dengan roda empat atau lebih dilarang masuk';

'gbr 10. Kendaraan bermotor dengan roda tiga dilarang masuk';

'gbr 11. Sepeda dilarang masuk';

'gbr 12. Becak dan kereta roda tiga dilarang masuk';

'gbr 13. Dilarang masuk';

'gbr 14. Gerobak dorong dilarang masuk';

'gbr 15. Troktor dengan kereta temple dilarang masuk';

'gbr 16. Mesin kerja dilarang masuk';


L10

'gbr 17. Mobil gerobak dilarang masuk';

'gbr 18. Dilarang membelok ke kanan';

'gbr 19. Semua kendaraan bermotor dilarang masuk';

'gbr 20. Dilarang parkir';

'gbr 21. Dilarang membelok ke kiri';

'gbr 22. Oto bus dilarang masuk';

'gbr 23. Ditutup untuk semua kendaraan dari kedua arah';

'gbr 24. Semua kendaraan tidak bermotor dilarang masuk';

'gbr 25. Perintah berhenti';

'gbr 26. Sepeda motor dilarang masuk';

'gbr 27. Dilarang membalik';

'gbr 28. Mobil gerobak dengan kereta gandengan dilarang masuk'

'gbr 29. Silang datar dengan satu jalur rel';

'gbr 30. Gerobak dan dokar dilarang masuk';

'gbr 31. Kendaraan bermotor panjang dan muatan melebihi batas dilaran

masuk';

'gbr 32. Kendaraan yang seluruh tingginya termasuk muatan melebihi ukuran

yang ditentukan dilarang masuk';

'gbr 33. Kendaraan tidak bermotor yang seluruh panjang termasuk muatan

melebihi ukuran dilarang masuk';

'gbr 34. Kendaraan yang bobot dan muatan melebihi tonase yang ditentukan

dilarang masuk';

'gbr 35. Kendaraan yang seluruh lebar termasuk muatan melebihi ukuran

yang ditentukan dilarang masuk';

'gbr 36. Dilarang berhenti';

'gbr 37. Batas kecepatan maksimal yang ditentukan';

'gbr 38. Kendaraan yang bobot pada satu sumbu melebihi tonase yang

ditentukan dilarang masuk'};

% Penentuan keluaran nilai minimum

r11=r10(x3);

set(handles.text5,'string',r11);


%================= TOMBOL RESET =========================







figure(camera);

%================== TOMBOL SELESAI ======================








L11

LISTING PROGRAMDATABASE IV

function dbsciri

% Pembuatan database ekstraksi ciri

% Variasi 5 set database

% Ukuran citra 64x64 piksel

z=[];

z=prosesxciri(2); save x64ciri2az ; z=[];








z=prosesxciri(10); save x64ciri10az ;

% Internal Function

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

function z=prosesxciri(w)

z=[];

x=imread('gbr 1. Berhenti.jpg');y=rambuxciri(x,w); z=[z y];

x=imread('m5gbr 1. Berhenti.jpg');y=rambuxciri(x,w); z=[z y];

x=imread('p5gbr 1. Berhenti.jpg');y=rambuxciri(x,w); z=[z y];

x=imread('m10gbr 1. Berhenti.jpg');y=rambuxciri(x,w); z=[z y];

x=imread('p10gbr 1. Berhenti.jpg');y=rambuxciri(x,w); z=[z y];

x=imread('gbr 2. Prioritas atas lalu lintas dari depan.jpg');

y=rambuxciri(x,w); z=[z y];

x=imread('m5gbr 2. Prioritas atas lalu lintas dari depan.jpg');


x=imread('p5gbr 2. Prioritas atas lalu lintas dari depan.jpg');


x=imread('m10gbr 2. Prioritas atas lalu lintas dari depan.jpg');


x=imread('p10gbr 2. Prioritas atas lalu lintas dari depan.jpg');


x=imread('gbr 3. Beri kesempatan.jpg');


x=imread('m5gbr 3. Beri kesempatan.jpg');


x=imread('p5gbr 3. Beri kesempatan.jpg');


x=imread('m10gbr 3. Beri kesempatan.jpg');


x=imread('p10gbr 3. Beri kesempatan.jpg');


x=imread('gbr 4. Prioritas bagi lalu lintas dari depan.jpg');


x=imread('m5gbr 4. Prioritas bagi lalu lintas dari depan.jpg');


x=imread('p5gbr 4. Prioritas bagi lalu lintas dari depan.jpg');


L12


x=imread('m10gbr 4. Prioritas bagi lalu lintas dari depan.jpg');


x=imread('p10gbr 4. Prioritas bagi lalu lintas dari depan.jpg');


x=imread('gbr 5. Dilarang beriringan kurang dari jarak yang

ditentukan.jpg');


x=imread('m5gbr 5. Dilarang beriringan kurang dari jarak yang

ditentukan.jpg');


x=imread('p5gbr 5. Dilarang beriringan kurang dari jarak yang

ditentukan.jpg');


x=imread('m10gbr 5. Dilarang beriringan kurang dari jarak yang

ditentukan.jpg');


x=imread('p10gbr 5. Dilarang beriringan kurang dari jarak yang

ditentukan.jpg');


x=imread('gbr 6. Dilarang membunyikan isyarat suara.jpg');


x=imread('m5gbr 6. Dilarang membunyikan isyarat suara.jpg');


x=imread('p5gbr 6. Dilarang membunyikan isyarat suara.jpg');


x=imread('m10gbr 6. Dilarang membunyikan isyarat suara.jpg');


x=imread('p10gbr 6. Dilarang membunyikan isyarat suara.jpg');


x=imread('gbr 7. Dilarang mendahului kendaraan lain.jpg');


x=imread('m5gbr 7. Dilarang mendahului kendaraan lain.jpg');


x=imread('p5gbr 7. Dilarang mendahului kendaraan lain.jpg');


x=imread('m10gbr 7. Dilarang mendahului kendaraan lain.jpg');


x=imread('p10gbr 7. Dilarang mendahului kendaraan lain.jpg');


x=imread('gbr 8. Pejalan kaki dilarang masuk.jpg')

;y=rambuxciri(x,w); z=[z y];

x=imread('m5gbr 8. Pejalan kaki dilarang masuk.jpg');


x=imread('p5gbr 8. Pejalan kaki dilarang masuk.jpg');


x=imread('m10gbr 8. Pejalan kaki dilarang masuk.jpg');


x=imread('p10gbr 8. Pejalan kaki dilarang masuk.jpg');


x=imread('gbr 9. Kendaraan bermotor dengan roda empat atau lebih dilarang

masuk.jpg');


x=imread('m5gbr 9. Kendaraan bermotor dengan roda empat atau lebih

dilarang masuk.jpg');


L13


x=imread('p5gbr 9. Kendaraan bermotor dengan roda empat atau lebih



x=imread('m10gbr 9. Kendaraan bermotor dengan roda empat atau lebih



x=imread('p10gbr 9. Kendaraan bermotor dengan roda empat atau lebih



x=imread('gbr 10. Kendaraan bermotor dengan roda tiga dilarang

masuk.jpg');y=rambuxciri(x,w); z=[z y];

x=imread('m5gbr 10. Kendaraan bermotor dengan roda tiga dilarang


x=imread('p5gbr 10. Kendaraan bermotor dengan roda tiga dilarang


x=imread('m10gbr 10. Kendaraan bermotor dengan roda tiga dilarang


x=imread('p10gbr 10. Kendaraan bermotor dengan roda tiga dilarang


x=imread('gbr 11. Sepeda dilarang masuk.jpg');


x=imread('m5gbr 11. Sepeda dilarang masuk.jpg');


x=imread('p5gbr 11. Sepeda dilarang masuk.jpg');


x=imread('m10gbr 11. Sepeda dilarang masuk.jpg');


x=imread('p10gbr 11. Sepeda dilarang masuk.jpg');


x=imread('gbr 12. Becak dan kereta roda tiga dilarang


x=imread('m5gbr 12. Becak dan kereta roda tiga dilarang


x=imread('p5gbr 12. Becak dan kereta roda tiga dilarang


x=imread('m10gbr 12. Becak dan kereta roda tiga dilarang


x=imread('p10gbr 12. Becak dan kereta roda tiga dilarang


x=imread('gbr 13. Dilarang masuk.jpg');


x=imread('m5gbr 13. Dilarang masuk.jpg');


x=imread('p5gbr 13. Dilarang masuk.jpg');


x=imread('m10gbr 13. Dilarang masuk.jpg');


x=imread('p10gbr 13. Dilarang masuk.jpg');


x=imread('gbr 14. Gerobak dorong dilarang masuk.jpg');


x=imread('m5gbr 14. Gerobak dorong dilarang masuk.jpg');


x=imread('p5gbr 14. Gerobak dorong dilarang masuk.jpg');



L14

x=imread('m10gbr 14. Gerobak dorong dilarang masuk.jpg');


x=imread('p10gbr 14. Gerobak dorong dilarang masuk.jpg');


x=imread('gbr 15. Troktor dengan kereta temple dilarang


x=imread('m5gbr 15. Troktor dengan kereta temple dilarang


x=imread('p5gbr 15. Troktor dengan kereta temple dilarang


x=imread('m10gbr 15. Troktor dengan kereta temple dilarang


x=imread('p10gbr 15. Troktor dengan kereta temple dilarang


x=imread('gbr 16. Mesin kerja dilarang masuk.jpg');


x=imread('m5gbr 16. Mesin kerja dilarang masuk.jpg');


x=imread('p5gbr 16. Mesin kerja dilarang masuk.jpg');


x=imread('m10gbr 16. Mesin kerja dilarang masuk.jpg');


x=imread('p10gbr 16. Mesin kerja dilarang masuk.jpg');


x=imread('gbr 17. Mobil gerobak dilarang masuk.jpg');


x=imread('m5gbr 17. Mobil gerobak dilarang masuk.jpg');


x=imread('p5gbr 17. Mobil gerobak dilarang masuk.jpg');


x=imread('m10gbr 17. Mobil gerobak dilarang masuk.jpg');


x=imread('p10gbr 17. Mobil gerobak dilarang masuk.jpg');

y=rambuxciri(x,w); z=[z y]

x=imread('gbr 18. Dilarang membelok ke kanan.jpg');


x=imread('m5gbr 18. Dilarang membelok ke kanan.jpg');


x=imread('p5gbr 18. Dilarang membelok ke kanan.jpg');


x=imread('m10gbr 18. Dilarang membelok ke kanan.jpg');


x=imread('p10gbr 18. Dilarang membelok ke kanan.jpg');


x=imread('gbr 19. Semua kendaraan bermotor dilarang


x=imread('m5gbr 19. Semua kendaraan bermotor dilarang


x=imread('p5gbr 19. Semua kendaraan bermotor dilarang


x=imread('m10gbr 19. Semua kendaraan bermotor dilarang


x=imread('p10gbr 19. Semua kendaraan bermotor dilarang


x=imread('gbr 20. Dilarang parkir.jpg');


L15


x=imread('m5gbr 20. Dilarang parkir.jpg');


x=imread('p5gbr 20. Dilarang parkir.jpg');


x=imread('m10gbr 20. Dilarang parkir.jpg');


x=imread('p10gbr 20. Dilarang parkir.jpg');


x=imread('gbr 21. Dilarang membelok ke kiri.jpg');


x=imread('m5gbr 21. Dilarang membelok ke kiri.jpg');


x=imread('p5gbr 21. Dilarang membelok ke kiri.jpg');


x=imread('m10gbr 21. Dilarang membelok ke kiri.jpg');


x=imread('p10gbr 21. Dilarang membelok ke kiri.jpg');


x=imread('gbr 22. Oto bus dilarang masuk.jpg');


x=imread('m5gbr 22. Oto bus dilarang masuk.jpg');


x=imread('p5gbr 22. Oto bus dilarang masuk.jpg');


x=imread('m10gbr 22. Oto bus dilarang masuk.jpg');


x=imread('p10gbr 22. Oto bus dilarang masuk.jpg');

y=rambuxciri(x,w); z=[z y]

x=imread('gbr 23. Ditutup untuk semua kendaraan dari kedua

arah.jpg');y=rambuxciri(x,w); z=[z y];

x=imread('m5gbr 23. Ditutup untuk semua kendaraan dari kedua


x=imread('p5gbr 23. Ditutup untuk semua kendaraan dari kedua


x=imread('m10gbr 23. Ditutup untuk semua kendaraan dari kedua


x=imread('p10gbr 23. Ditutup untuk semua kendaraan dari kedua


x=imread('gbr 24. Semua kendaraan tidak bermotor dilarang


x=imread('m5gbr 24. Semua kendaraan tidak bermotor dilarang


x=imread('p5gbr 24. Semua kendaraan tidak bermotor dilarang


x=imread('m10gbr 24. Semua kendaraan tidak bermotor dilarang


x=imread('p10gbr 24. Semua kendaraan tidak bermotor dilarang


x=imread('gbr 25. Dilarang berhenti.jpg');


x=imread('m5gbr 25. Dilarang berhenti.jpg');


x=imread('p5gbr 25. Dilarang berhenti.jpg');


x=imread('m10gbr 25. Dilarang berhenti.jpg');


L16


x=imread('p10gbr 25. Dilarang berhenti.jpg');


x=imread('gbr 26. Sepeda motor dilarang masuk.jpg');


x=imread('m5gbr 26. Sepeda motor dilarang masuk.jpg');


x=imread('p5gbr 26. Sepeda motor dilarang masuk.jpg');


x=imread('m10gbr 26. Sepeda motor dilarang masuk.jpg');


x=imread('p10gbr 26. Sepeda motor dilarang masuk.jpg');


x=imread('gbr 27. Dilarang membalik.jpg');


x=imread('m5gbr 27. Dilarang membalik.jpg');


x=imread('p5gbr 27. Dilarang membalik.jpg');


x=imread('m10gbr 27. Dilarang membalik.jpg');


x=imread('p10gbr 27. Dilarang membalik.jpg');


x=imread('gbr 28. Mobil gerobak dengan kereta gandengan dilarang


x=imread('m5gbr 28. Mobil gerobak dengan kereta gandengan dilarang


x=imread('p5gbr 28. Mobil gerobak dengan kereta gandengan dilarang


x=imread('m10gbr 28. Mobil gerobak dengan kereta gandengan dilarang


x=imread('p10gbr 28. Mobil gerobak dengan kereta gandengan dilarang


x=imread('gbr 29. Silang datar dengan satu jalur rel.jpg');


x=imread('m5gbr 29. Silang datar dengan satu jalur rel.jpg');


x=imread('p5gbr 29. Silang datar dengan satu jalur rel.jpg');


x=imread('m10gbr 29. Silang datar dengan satu jalur rel.jpg');


x=imread('p10gbr 29. Silang datar dengan satu jalur rel.jpg');


x=imread('gbr 30. Gerobak dan dokar dilarang masuk.jpg');


x=imread('m5gbr 30. Gerobak dan dokar dilarang masuk.jpg');


x=imread('p5gbr 30. Gerobak dan dokar dilarang masuk.jpg');


x=imread('m10gbr 30. Gerobak dan dokar dilarang masuk.jpg');


x=imread('p10gbr 30. Gerobak dan dokar dilarang masuk.jpg');



L17

x=imread('gbr 31. Kendaraan bermotor panjang dan muatan melebihi batas

dilaran masuk.jpg');y=rambuxciri(x,w); z=[z y];

x=imread('m5gbr 31. Kendaraan bermotor panjang dan muatan melebihi batas


x=imread('p5gbr 31. Kendaraan bermotor panjang dan muatan melebihi batas


x=imread('m10gbr 31. Kendaraan bermotor panjang dan muatan melebihi batas


x=imread('p10gbr 31. Kendaraan bermotor panjang dan muatan melebihi batas


x=imread('gbr 32. Kendaraan yang seluruh tingginya termasuk muatan

melebihi ukuran yang ditentukan dilarang masuk.jpg');


x=imread('m5gbr 32. Kendaraan yang seluruh tingginya termasuk muatan



x=imread('p5gbr 32. Kendaraan yang seluruh tingginya termasuk muatan



x=imread('m10gbr 32. Kendaraan yang seluruh tingginya termasuk muatan



x=imread('p10gbr 32. Kendaraan yang seluruh tingginya termasuk muatan



x=imread('gbr 33. Kendaraan tidak bermotor yang seluruh panjang termasuk

muatan melebihi ukuran dilarang masuk.jpg');


x=imread('m5gbr 33. Kendaraan tidak bermotor yang seluruh panjang

termasuk muatan melebihi ukuran dilarang masuk.jpg');


x=imread('p5gbr 33. Kendaraan tidak bermotor yang seluruh panjang



x=imread('m10gbr 33. Kendaraan tidak bermotor yang seluruh panjang



x=imread('p10gbr 33. Kendaraan tidak bermotor yang seluruh panjang



x=imread('gbr 34. Kendaraan yang bobot dan muatan melebihi tonase yang

ditentukan dilarang masuk.jpg');y=rambuxciri(x,w); z=[z y];

x=imread('m5gbr 34. Kendaraan yang bobot dan muatan melebihi tonase yang


x=imread('p5gbr 34. Kendaraan yang bobot dan muatan melebihi tonase yang


x=imread('m10gbr 34. Kendaraan yang bobot dan muatan melebihi tonase yang


x=imread('p10gbr 34. Kendaraan yang bobot dan muatan melebihi tonase yang


x=imread('gbr 35. Kendaraan yang seluruh lebar termasuk muatan melebihi

ukuran yang ditentukan dilarang masuk.jpg');


x=imread('m5gbr 35. Kendaraan yang seluruh lebar termasuk muatan melebihi




L18

x=imread('p5gbr 35. Kendaraan yang seluruh lebar termasuk muatan melebihi



x=imread('m10gbr 35. Kendaraan yang seluruh lebar termasuk muatan



x=imread('p10gbr 35. Kendaraan yang seluruh lebar termasuk muatan



x=imread('gbr 36. Perintah berhenti.jpg');


x=imread('m5gbr 36. Perintah berhenti.jpg');


x=imread('p5gbr 36. Perintah berhenti.jpg');


x=imread('m10gbr 36. Perintah berhenti.jpg');


x=imread('p10gbr 36. Perintah berhenti.jpg');


x=imread('gbr 37. Batas kecepatan maksimal yang

ditentukan.jpg');y=rambuxciri(x,w); z=[z y];

x=imread('m5gbr 37. Batas kecepatan maksimal yang


x=imread('p5gbr 37. Batas kecepatan maksimal yang


x=imread('m10gbr 37. Batas kecepatan maksimal yang


x=imread('p10gbr 37. Batas kecepatan maksimal yang


x=imread('gbr 38. kendaraan yang bobot pada satu sumbu melebihi tonase

yang ditentukan dilarang masuk.jpg');y=rambuxciri(x,w); z=[z y];

x=imread('m5gbr 38. kendaraan yang bobot pada satu sumbu melebihi tonase


x=imread('p5gbr 38. kendaraan yang bobot pada satu sumbu melebihi tonase


x=imread('m10gbr 38. kendaraan yang bobot pada satu sumbu melebihi tonase


x=imread('p10gbr 38. kendaraan yang bobot pada satu sumbu melebihi tonase


sz=size(z);

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


L19

LAMPIRAN V

TABEL HASIL PERCOBAAN UNTUK VARIASI ROTASI

A. Pengujian variasi citra rambu larangan lalu lintas dengan k=1 ( dimasukan ke dalam

database)

Gambar rambu

larangan lalu

lintas

Percobaan untuk gambar original

Resizing 64x64

2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x y y y y y y y y

2 x x x y y y y y y

3 x x x y y y y y y

4 x x x x y y y y y

5 x x x x y y y y y

6 x x x y y y y y y

7 x x x y y y y y y

8 x x x y y y y y y

9 x x x y y y y y y

10 x x x x x x x x y

11 x x x x y y y y y

12 x x x y y y y y y



15 x x x x x x y y y

16 x x x x x x x y y

17 x x y y y y y y y


19 x x x x y y x y y






25 x x y x y y y y y




29 x y x y y y y y y



32 y x y y y y x y y


34 x x x x x y y y y






L20

Keterangan: X= Dikenali secara salah

Y= Dikenali secara benar

Gambar rambu

larangan lalu

lintas

Percobaan untuk -5o

Resizing 64x64

Tingkat pengenalan (%)

2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x x y y y y y y

2 x x x y y y y y y

3 x x y y y y y y y

4 x x x x y y y y y

5 x y x y y y y y y

6 x x x x x x y y y

7 x x x x x y y y y

8 x x y x y y y y y

9 x x x x x x y y y



12 x y y x y y y y y


14 x x x x y y x y x


16 x y x x x y y y y

17 x y y x x x y y y



20 x y y y y y y y y


22 x x x y y y x x y


















L21



Gambar rambu

larangan lalu

lintas

Percobaan untuk -10o

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x x x x x y y y

2 x x y y y y y y y

3 y x x y y y y y y

4 x x x y y y y y y

5 x x x y y y y y y

6 x x x x y y y y y

7 x x x y y y y y y

8 x x y y x x x y y

9 x x x x x y y y y






15 x x x x y x x x y



18 x x x x x x x x x

19 x x x y x x x x y



22 x x x y y x x y y


















L22



Gambar rambu

larangan lalu

lintas

Percobaan untuk +5o

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x y y y y y y y

2 x x y x y y y y y

3 x y y y y y y y y

4 x x y x y y y y y

5 x y x y y y y y y

6 x x x x y y y y y

7 x x x y y y y y y

8 x x x y x y y y y

9 x x x x x x x x x






15 x x y x y y x y y





20 x y y y x y y y y




24 x x y y x y y y y
















L23

Keterangan:X= Dikenali secara salah


Gambar rambu

larangan lalu

lintas

Percobaan untuk +10o

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x x x y y y y y

2 x y y y y y y y y

3 x y y y y y y y y

4 x x y y y y y y y

5 x x x y y y y y y

6 x x x x x x x y y

7 x x x x y y y y y

8 x x x x x y y y y

9 x x x x x x x x x



12 y x y y y y y y y





17 x x x x y x y y x






23 y y y y y y y y y





28 x x x y x y y y y


30 x x x x y x x x x

31 x y y x y x x y y









L24

B. Pengujian variasi citra rambu larangan lalu lintas dengan k=3 ( dimasukan ke dalam

database)

Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x y y y y y y y y

2 x x y y y y x y y

3 x x x y y y y y y

4 x x x x x y x y y

5 x y x y y y y y y

6 x x x x y y x y y

7 x x x x y y y y y

8 x x x y y y y y y

9 x x x y y y y y y

10 x x x x y y x x y


12 x x x x x y y y x




16 x x x y y x y y y



19 x x x y y x x x x











30 x x y y x x x y y


32 x y x y x y x x x





37 x x x x y x y x y



L25



Gambar rambu

larangan lalu

lintas

Percobaan untuk -5o

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x x y y y y y y

2 x x y y y y y y y

3 x y y y y y y y y

4 x x x x y y y y y

5 x x x x y y y y y

6 x x x x x y y y y

7 x x y y y y y y y

8 x x x y x y y y y

9 x x x y y y y y y



12 x x x x y x x y y


14 x x y y y x y y y




18 x y y y y y x y y




22 x x x x x y x x y







29 x x x x x y x y y











L26



Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x y y y y y y y y

2 x x y y y y y y y

3 y y y y y y y y y

4 x x y y y y y y y

5 x y x y y y y y y

6 x x x x x x y y y

7 y x x y y y y y y

8 x x y y y y x x y

9 x x x y y y y x x



12 x y x x x x x x x






18 x x x y y x x x y

19 x x x y x x x x x



















38 x x x x x y y x y


L27



Gambar rambu

larangan lalu

lintas

Percobaan untuk +5o

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x x y y y y y y

2 x y x y y y y y y

3 x y y y y y y y y

4 x x y y y y y y y

5 x y y y y y y y y

6 x x y y y y y y y

7 x x x x y y y y y

8 x x x y y y y y y

9 x x x x x y y y y


11 x x y x x x y y y






17 x y y y x x x y y























L28



Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x x y y y y x x

2 x y y y y y y y y

3 x x y y y y y y y

4 x x y x x x y y y

5 x x y y y y y y y

6 x x x x y y y y y

7 x x y y y y y y y

8 x x x x x y y y y

9 x x x x x x y y y

10 x y y x y y y y x





15 x x y y x y x y y






21 x y x x x x x x y
















37 x y x y x y y y y



L29

C. Pengujian variasi citra rambu larangan lalu lintas dengan k=5 ( dimasukan ke dalam

database)

Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 y y y y y y y y y

2 y x y y y y x y y

3 x x x y y y y y y

4 x x x x x y y y y

5 x y x x y y y y y

6 x x x x x x x x y

7 x y x x y y y y y

8 x x x x x x y y y

9 x x x y y x x y y







16 x x x x x x x y x









25 y x x x x y y y y







32 x y y y x x x x x




36 x x x y y y y x x




L30



Gambar rambu

larangan lalu

lintas

Percobaan untuk -5o

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 y y y y x y y y y

2 y y y y y y y y y

3 x y y y y y y y y

4 x x x x x y y y y

5 x y x x y y y y y

6 x x y y y y y y y

7 y x x y y y y y y

8 x x y y y y y y y

9 x x x x x x x x x



12 y x x x x x x x x












24 x x x x x x y x y








32 x y x x x x y y y

33 x x x y x x y x y







L31



Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x y y y y y y y

2 y x y y y y y y y

3 x x y y y y y y y

4 x x x y y y y y y

5 x x x y y y y y y

6 x x x x x x y y y

7 x x x x y y y y y

8 y x y y y y y y y

9 x x x x x y x y y





14 x x x y x y x x x






20 x x x y y y x x x











31 x x y y y y y x x







38 x x x y y y y y x


L32



Gambar rambu

larangan lalu

lintas

Percobaan untuk +5o

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x y y x y y y y

2 y x y x y y y y y

3 x x x y y y y y y

4 x x y y x y y y y

5 x y y y y y y y y

6 x x y y y y y y y

7 x x x y y y y y y

8 x x y y y y y y y

9 x x x x x x x x x


















27 x x x y x x x y y

28 x x x y y x y y x












L33



Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x x x x x y y y

2 x y y y y y y y y

3 x x y y y y y y y

4 x x y x x y y y y

5 x y y y y y y y y

6 x x x y x x y y y

7 x x x y y y y y y

8 x x x y y y y y y

9 x x x x x x x y y

10 x y y x y y x x x























33 x x x y x x y y y




37 x x x y y y x y x



L34

D. Pengujian variasi citra rambu larangan lalu lintas dengan k=7 ( dimasukan ke dalam

database)

Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x y x y y y y y

2 y x y y y y y y y

3 y y x y y y y y y

4 x x x x x x x y y

5 x y x y y y y y y

6 x x x x x x x x x

7 x x x x y y y y y

8 x x x x x x y y y

9 x x x y x x x x y



12 x x y x y y y y x



15 x x x y y y y x y






21 x x x y x x x y x










31 x x y y y y y x y

32 x y y y x y x x x






38 x x x x x y x y x


L35



Gambar rambu

larangan lalu

lintas

Percobaan untuk -5o

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x y y y x x y y y

2 x x y y y y y y y

3 x y y y y y y y y

4 x x x y y y y y y

5 x y x y y y y y y

6 x x x x x x x x y

7 x x x y y y y y y

8 x y y y x y y y y

9 x x x x x x x x y

10 x x x x y y y y x


12 x x y x x x x x x









21 x x y y y x x x x



















L36



Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x x x x x y y y

2 y x x y y y y y y

3 x x x y y y y y y

4 x x x x x y y y y

5 x x x y y y y y y

6 x x x x x x x x y

7 x x y y y x y x y

8 x x x x x y x x y

9 x x x x x x x x y






15 x x y x x y x x x
















31 x x y y y y y y x









L37

Gambar rambu

larangan lalu

lintas

Percobaan untuk +5o

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x x y y y y y y

2 x x y y y y y y y

3 x y y y y y y y y

4 x x y y y y y y y

5 x y y x x y y y y

6 x x x x x x y y y

7 x y x y y y y y y

8 x x x x x x x x x

9 x x x x y x x x y



12 x x x x x y x x x



15 x x y y x x y y y


17 x x y y y y x x x









26 x x x x y y y x x


28 x x x y x y y y x

29 x y x y y x x y y











L38



Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x y y x x x x y

2 x x y y y y y y y

3 x x x y y y y y y

4 x x x y y y y y y

5 x y x x y y y y y

6 x x x x x x y y y

7 y x x y y y y y y

8 x x x y y y y y y

9 x x x x x x y y x



12 x x x x x y y x x




16 x x x y y x y x x







23 x y y y y y y x y




27 x x x y x x y x x













L39

TABEL HASIL PERCOBAAN UNTUK VARIASI SKALA

A. Data pengujian untuk K-NN = 1 (tidak dimasukan ke dalam database)

Gambar rambu

larangan lalu

lintas

Percobaan untuk skala 90%

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x x y y y y y y

2 x x x y y y y y y

3 x x y y y y y y y

4 x x x x y y y y y

5 x y x y y y y y y

6 x x x x x x y y y

7 x x x x x y y y y

8 x x y x y y y y y

9 x x x x x x y y y








17 x y y x x x y y y





22 x x x y y y x x y


















L40



Gambar rambu

larangan lalu

lintas

Percobaan untuk skala 95%

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x x x x x y y y

2 x x y y y y y y y

3 y x x y y y y y y

4 x x x y y y y y y

5 x x x y y y y y y

6 x x x x y y y y y

7 x x x y y y y y y

8 x x y y x x x y y

9 x x x x x y y y y











20 x y y y y y y x y


22 x x x y y x x y y


















L41



Gambar rambu

larangan lalu

lintas

Percobaan untuk skala 100

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x y y y y y y y y

2 x x x y y y y y y

3 x x x y y y y y y

4 x x x x y y y y y

5 x x x x y y y y y

6 x x x y y y y y y

7 x x x y y y y y y

8 x x x y y y y y y

9 x x x y y y y y y























32 y x y y y y x y y








L42



Gambar rambu

larangan lalu

lintas

Percobaan untuk 105%

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x y y y y y y y

2 x x y x y y y y y

3 x x y y y y y y y

4 x x y x y y y y y

5 x x x y y y y y y

6 x x x x y y y y y

7 x x x y y y y y y

8 x x x y x y y y y

9 y x x x x x x x y

10 x x x y x y x y x






























L43



Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x y y y y y y y

2 x x y x y y y y y

3 x x y y y y y y y

4 x x y x y y y y y

5 x x x y y y y y y

6 x x x x y y y y y

7 x x x y y y y y y

8 x x x y x y y y y

9 y x x x x x x x y

10 x x x y x y x y x






























L44

B. Data pengujian untuk K-NN = 3 (tidak dimasukan ke dalam database)


Y= Dikenali secara bena

Gambar rambu

larangan lalu

lintas

Percobaan untuk 90%

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x x y y y y y y

2 x y x y y y y y y

3 x y y y y y y y y

4 x x y y y y y y y

5 x y y y y y y y y

6 x x y y y y y y y

7 x x x x y y y y y

8 x x x y y y y y y

9 x x x x x y y y y








17 x y y y x x x x y












29 x y y y y y y y x











L45



Gambar rambu

larangan lalu

lintas

Percobaan untuk 95%

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x x y y y y y y

2 x y y y y y y y y

3 x x y y y y y y y

4 x x y x x x y y y

5 x y y y y y y y y

6 x x y x y y y y y

7 x x y y y y y y y

8 x x x x x y y y y

9 x x x x x x y y y































L46



Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x x y y y y y y

2 x y y y y y y y y

3 x x y y y y y y y

4 x x y x x x y y y

5 x y y y y y y y y

6 x x y x y y y y y

7 x x y y y y y y y

8 x x x x x y y y y

9 x x x x x x y y y































L47



Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 y x x y y y y y y

2 x x y y y y y y y

3 x y y y y y y y y

4 x y x x y y y y y

5 x x x x y y y x y

6 x x y x x y y y y

7 x x y y y y y y y

8 x x x y x y y y x

9 x x x y y y y y y





14 x x y y y x y y y




18 x y y y y y x y y






















L48



Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x y y y y y y y y

2 x x y y y y y y y

3 y y y y y y y y y

4 x x y y y y y y y

5 x y x y y y y y y

6 x x x x x x y y y

7 y x x y y y y y y

8 x x y y y y x x y

9 x x x y y y y x x



12 x y x x x x x x x


14 y x x x y y x x y



17 x y x x y y y y y

18 x x x y y x x x y

19 x x y y x x x x x





















L49

C. Data pengujian untuk K-NN = 5 (tidak dimasukan ke dalam database)



Gambar rambu

larangan lalu

lintas

Percobaan untuk 90%

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x y y y y y y y

2 y x y y y y y y y

3 x x y y y y y y y

4 x x x y y y y y y

5 x x x y y y y y y

6 x x x x x x y y y

7 x x x x y y y y y

8 y x y y y y y y y

9 x x x x x y x y y











20 x x x y y y x x x











31 x x y y y y y x x









L50



Gambar rambu

larangan lalu

lintas

Percobaan untuk 95%

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x y y x y y y y

2 y x y x y y y y y

3 x x x y y y y y y

4 x x y y x y y y y

5 x y y y y y y y y

6 x x y y y y y y y

7 x x x y y y y y y

8 x x y y y y y y y

9 x x x x x x x x x































L51



Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x y y x y y y y

2 y x y x y y y y y

3 x x x y y y y y y

4 x x y y x y y y y

5 x y y y y y y y y

6 x x y y y y y y y

7 x x x y y y y y y

8 x x y y y y y y y

9 x x x x x x x x x































L52



Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x y y x y y y y

2 y x y x y y y y y

3 x x x y y y y y y

4 x x y y x y y y y

5 x y y y y y y y y

6 x x y y y y y y y

7 x x x y y y y y y

8 x x y y y y y y y

9 x x x x x x x x x































L53

Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x x x x x y y y

2 x y y y y y y y y

3 x x y y y y y y y

4 x x y x x y y y y

5 x y y y y y y y y

6 x x x y x x y y y

7 x x x y y y y y y

8 x x x y y y y y y

9 x x x x x x x y y































L54

D. Data pengujian untuk K-NN = 7 (tidak dimasukan ke dalam database)



Gambar rambu

larangan lalu

lintas

Percobaan untuk 90%

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x x x x x y y y

2 x y y y y y y y y

3 x x y y y y y y y

4 x x y x x y y y y

5 x y y y y y y y y

6 x x x y x x y y y

7 x x x y y y y y y

8 x x x y y y y y y

9 x x x x x x x y y































L55



Gambar rambu

larangan lalu

lintas

Percobaan untuk 95%

Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x x x x x y y y

2 x y y y y y y y y

3 x x y y y y y y y

4 x x y x x y y y y

5 x y y y y y y y y

6 x x x y x x y y y

7 x x x y y y y y y

8 x x x y y y y y y

9 x x x x x x x y y































L56



Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x y x y y y y y

2 y x y y y y y y y

3 y y x y y y y y y

4 x x x x x x x y y

5 x y x y y y y y y

6 x x x x x x x x x

7 x x x x y y y y y

8 x x x x x x y y y

9 x x x y x x x x y



12 x x y x y y y y x









21 x x x y x x x y x











32 x y y y x y x x x








L57



Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x x x y y y y y y

2 x x y y y y y y y

3 x y y y y y y y y

4 x x y y y y y y y

5 x y y x x y y y y

6 x x x x x x y y y

7 x y x y y y y y y

8 x x x x x x x x x

9 x x x x y x x x y



12 x x x x x y x x x



15 x x y y x x y y y


17 x x y y y y x x x









26 x x x x y y y x x


28 x x x y x y y y x

29 x y x y y x x y y











L58



Gambar rambu

larangan lalu

lintas


Resizing 64x64


2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10

1 x y y y x x y y y

2 x x y y y y y y y

3 x y y y y y y y y

4 x x x y y y y y y

5 x y x y y y y y y

6 x x x x x x x x y

7 x x x y y y y y y

8 x y y y x y y y y

9 x x x x x x x x y



12 x x y x x x x x x









21 x x y y y x x x x



















L59

LAMPIRAN VI

Gambar Grafik Hasil Tingkat Pengenalan Untuk Variasi Rotasi

a. Grafik Untuk k=1

b. Grafik Untuk k=3

0

10

20

30

40

50

60

70

80

90

100

Variasi

Rotasi

Ukuran Window

Resizing 64x64

dengan k=1

-10

-5

0

5

10

rata-rata

0

10

20

30

40

50

60

70

80

90

100Variasi

Rotasi

Ukuran Window

Resizing 64x64

dengaan k=3

-10

-5

0

5

10

Rata-rata


L60

c. Grafik Untuk k=5

d. Grafik Untuk k=7

0

10

20

30

40

50

60

70

80

90

100Variasi

Rotasi

Ukuran Window

Resizing 64x64

dengan k=5

-10

-5

0

5

10

Rata-rata

0

10

20

30

40

50

60

70

80

90

100 Variasi

Rotasi

Ukuran Window

Resizing 64x64

dengan k=7

-10

-5

0

5

10

Rata-rata


L61

Gambar Grafik Hasil Tingkat Pengenalan Untuk Variasi skala

a. Grafik Untuk k=1

b. Grafik Untuk k=3

0

10

20

30

40

50

60

70

80

90

100 Variasi

Skala

Ukuran Window

Resizing 64 x 64

dengan k=1

90

95

100

105

110

rata-rata

0

10

20

30

40

50

60

70

80

90

100 Variasi

Skala

Ukuran Window

Resizing 64 x64

dengan k=3

90

95

100

105

110

rata-rata


L62

c. Grafik Untuk k=5

d. Grafik Untuk k=7

0

10

20

30

40

50

60

70

80

90

100Variasi

Skala

Ukuran Window

Resizing 64 x 64

dengan k=5

90

95

100

105

110

rata-rata

0

10

20

30

40

50

60

70

80

90

100 Variasi

Skala

Ukuran Window

Resizing 64 x 64

dengan k=7

90

95

100

105

110

rata-rata


L63

LAMPIRAN VII

Hasil pengenalan dari proses Presprocessing

a. Proses capture

b. Proses grayscale

c. Proses cropping

d. Proses resizing


L64

e. Proses ekstraksi ciri DCT

f. Hasil tampilan ukuran window

2x2 3x3 4x4

5x5 6x6 7x7

8x8 9x9 10x10


PENGENALAN SECARA REAL TIME RAMBU LARANGAN PADA LALU LINTAS...

Documents

Transcript of PENGENALAN SECARA REAL TIME RAMBU LARANGAN PADA LALU LINTAS...