PENGENALAN TEKSTUR DENGAN STATISTICAL TEXTURE … · Seiring dengan berkembangnya teknologi...

i

TUGAS AKHIR

PENGENALAN TEKSTUR DENGAN

STATISTICAL TEXTURE DESCRIPTOR

Diajukan untuk memenuhi syarat

Memperoleh gelar Sarjana Teknik pada

Program Studi Teknik Elektro

disusun oleh :

WAYAN PANDRI ADNYANA

NIM : 145114009

PROGRAM STUDI TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2018

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

FINAL PROJECT

TEXTURE RECOGNITION WITH


In a partial fulfillment of the requirements

for the degree of Sarjana Teknik

Electrical Engineering Study Program

WAYAN PANDRI ADNYANA

Student‟s Number : 145114009

DEPARTMENT OF ELECTRICAL ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2018


iii


iv


v


vi

HALAMAN PERSEMBAHAN

MOTTO:

“Dare to know the Suffering to give a

Happiness”

Persembahan

Skripsi ini aku persembahkan untuk

Kedua orang tuaku yang selalu bisa memberikanku semangat

Hingga aku bisa sampai pada saat ini

Kakak dan keluarga yang selalu mendukung dan mendoakanku

Serta teman-teman yang selalu bisa menghibur


vii


viii

INTISARI

Seiring dengan berkembangnya teknologi pengolahan citra digital, manusia

menginginkan agar mesin, dalam hal ini adalah komputer, dapat mengenali citra seperti

layaknya penglihatan manusia. Salah satu cara untuk mengenali citra adalah dengan

membedakan tekstur citra tersebut, sehingga citra rumput dan jerami dapat dibedakan

dengan mudah. Tekstur citra dapat dibedakan oleh kerapatan, keseragaman, keteraturan,

kekasaran, dan lain-lain. Karena komputer tidak dapat membedakan tekstur seperti halnya

pengelihatan manusia, maka digunakan analisis tekstur, untuk mengetahui pola suatu citra

digital. Analisis teksturakan menghasilkan nilai dari ciri atau karakteristik tekstur yang

kemudian dapat diolah pada komputer untuk proses klasifikasi.

Salah satu metode yang dapat digunakan adalah statistical texture descriptor.

Metode ini menggunakan perhitungan statistika melalui histogram untuk membentuk fitur.

Dimana didalam metode ini terdapat enam nilai fitur yaitu rerata intensitas, deviasi standar,

skewness, energi(keseragaman), entropi dan smoothness. Pada program simulasi dengan

bahasa pemrograman Matlab, hasil ekstraksi ciri yang berupa enam nilai fitur tersebut

digunakan untuk klasifikasi dengan menggunakan fungsi jarak euclidean.

Dari hasil penelitian diketahui bahwa perubahan variasi pada input seperti variasi

RST yang digunakan penulis, cukup berpengaruh pada pengenalan tekstur dengan

statistical texture descriptor. Secara keseluruhan dari pengenalan tekstur, setiap variasi

RST memiliki pengaruh yang berbeda. Variasi rotasi memiliki pengaruh dapat

menurunkan tingkat pengenalan pada sudut di sekitar 90°. Sedangkan pada variasi translasi

semakin jauh jarak perpindahan dari titik tengah berakibat terjadi penurunan tingkat pengenalan

tekstur, dan untuk skala dengan melakukan perubahan jarak webcam dengan citra tekstur juga

berdampak pada kesalahan pengenalan oleh program pengenalan tekstur.


ix

ABSTACT

Along with the development of digital image processing technology, humans want

the machine, in this case is the computer, can recognize the image like a human vision.

One way to recognize the image is to distinguish the texture of the image, so that the image

of grass and straw can be distinguished easily. Image texture can be distinguished by

density, uniformity, regularity, roughness, and so on. Because computers can not

distinguish textures as well as human vision, texture analysis is used to figure out the

pattern of a digital image. Texture analysis yields the value of the characteristic or texture

of which the process can be processed.

One of the methods that can be used is statistical texture descriptor. This method

uses statistical calculations through a histogram to form a feature. Where in this method

there are six feature values that is average of intensity, standard deviation, skewness,

energy (uniformity), entropy and smoothness. In the simulation program with Matlab

programming language, the feature extraction results in the form of six feature values are

used for classification using the euclidean distance function.

From the results of the study note that changes in variations in inputs such as

variations of RST used by the author, quite influential on the introduction of textures with

statistical texture descriptor. Overall from texture recognition, each RST variation has a

different effect. The rotation variation has the effect of decreasing the recognition rate at an

angle of about 90 °. While the variation of the translations the distance of the displacement

distance from the midpoint resulted in a decrease in texture recognition rates, and to scale

by changing the distance of the webcam with texture image also affects the introduction of

error by the introduction of texture program.


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas berkat dan

rahmat-Nya sehingga penulis dapat menyelesaikan Tugas Akhir yang berjudul Pengenalan

Tekstur Dengan Statistical Texture Descriptor, dengan baik dan lancar.

Tugas Akhir ini disusun sebagai salah satu syarat untuk memperoleh gelar Sarjana,

khususnya dibidang Teknik Elektro.

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

pihak. Penulis menyadari bahwa ada banyak pihak yang telah memberikan dukungan,

bimbingan, arahan serta bantuan sehingga dapat terlesaikan dengan baik. Oleh karena itu,

penulis ingin mengucapkan terima kasih kepada :

1. Tuhan Yang Maha Esa, yang selalu menyertaiku setiap waktu.

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

Teknologi Universitas Sanata Dharma.

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

Elektro, Fakultas Sains dan Teknologi, Universitas Sanata Dharma.

4. Bapak Dr. Ir. Linggo Sumarno, M.T., selaku dosen pembimbing yang selalu

memberikan masukan dan motivasi yang berguna bagi penulis.

5. Bapak Augustinus Bayu Primawan D.Tech.Sc. dan ibu Wiwien Widyastuti M.T.

selaku dosen penguji tugas akhir yang telah memberikan masukan, bimbingan, dan

saran sehingga penulis dapat menyempurnakan tugas akhir ini.

6. Bapak dan ibu dosen yang telah mengajarkan banyak hal selama penulis

menempuh pendidikan di Program Studi Teknik Elektro, Fakultas Sains dan

Teknologi, Universitas Sanata Dharma.

7. Para staff sekretariat Teknik Elektro, atas bantuannya dalam membantu dan

melayani mahasiswa.

8. Kedua orang tua dan seluruh keluarga yang selalu mendukung serta mendoakan

penulis hingga terselesaikannya tugas akhir ini..

9. Semua teman Teknik Elektro angkatan 2014 yang selalu mendukung dan

memberikan semangat.

10. Dan kepada semua pihak yang banyak membantu dalam penyelesaian tugas akhir

ini yang tidak bisa saya sebutkan satu persatu.


xi


xii

DAFTAR ISI

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

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

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

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

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

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

Lembar Persetujuan Publikasi Karya ........................................................................ vii

Intisari .......................................................................................................................... viii

Abstract ...........................................................................................................................ix

Kata Pengantar ................................................................................................................ x

Daftar Isi ........................................................................................................................ xii

Daftar Gambar .............................................................................................................xiv

Daftar Tabel ..................................................................................................................xvi

BAB I PENDAHULUAN

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

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

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

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

BAB II DASAR TEORI

2.1. Tekstur ........................................................................................................................ 5

2.2. Webcam Logitech c270 .............................................................................................. 6

2.3. Pengolahan Citra Digital ............................................................................................ 7

2.3.1 Definisi Citra Digital ................................................................................................ 7

2.3.2 Ruang Warna RGB ................................................................................................... 8

2.3.3 Citra grayscale .......................................................................................................... 9

2.3.4 Mengonversi Citra RGB ke grayscale ................................................................... 10

2.3.5 Histogram ............................................................................................................... 10

2.4. Statistical Texture Descriptor .................................................................................. 11

2.4.1 Rerata intensitas ...................................................................................................... 11

2.4.2 Deviasi standar ....................................................................................................... 11


xiii

2.4.3 Skewness ................................................................................................................. 12

2.4.4 Energi ..................................................................................................................... 12

2.4.5 Entropi .................................................................................................................... 12

2.4.6 Smoothness ............................................................................................................. 12

2.5. Jarak .......................................................................................................................... 14

2.6. Basis Data ................................................................................................................. 15

BAB III PERANCANGAN

3.1. Proses Pengenalan Citra Tekstur .............................................................................. 17

3.1.1. Pengambilan Citra Tekstur .................................................................................... 19

3.1.2. Tahap Preprocessing ............................................................................................. 20

3.1.3. Tahap Ekstraksi Ciri .............................................................................................. 20

3.1.4. Proses Fungsi Jarak ............................................................................................... 21

3.1.5. Penentuan Keluaran .............................................................................................. 22

3.2. Perancangan Basis Data ........................................................................................... 23

3.3. Perancangan Tampilan GUI Matlab ......................................................................... 25

3.4. Perancangan Hardware ............................................................................................. 27

3.5. Pengujian Citra Tekstur ............................................................................................ 28

BAB IV HASIL DAN PEMBAHASAN

4.1. Pengujian Program Pengenalan Citra Tekstur .......................................................... 29

4.2. Penjelasan Program Pengenalan Citra Tekstur ......................................................... 31

4.2.1. Tombol ON ............................................................................................................ 31

4.2.2. Tombol Reset ......................................................................................................... 32

4.2.3. Tombol Ambil Gambar ......................................................................................... 32

4.2.4. Tombol Proses ....................................................................................................... 33

4.3. Hasil Pengujian dan Analisis .................................................................................... 40

4.3.1. Pengujian Pengaruh RST Terhadap Pengenalan Citra Tekstur ............................. 41

BAB V KESIMPULAN

5.1. Kesimpulan .............................................................................................................. 46

5.2. Saran ........................................................................................................................ 46

Daftar Pustaka ............................................................................................................... 47

Lampiran ....................................................................................................................... 48


xiv

DAFTAR GAMBAR

Gambar 2.1. (a) Beras. (b) Anyaman bambu. (c) Rumput. (d) Jerami. (e) Keset.

(f) Handuk. (g) Atap genting. (h)Lantai batu. (i)Dinding bata. (j)Tanah. ......................... 5

Gambar 2.2. Logitech C270 .............................................................................................. 6

Gambar 2.3. Koordinat Citra Digital ................................................................................. 7

Gambar 2.4. Ilustrasi Digitalisasi Citra ............................................................................. 8

Gambar 2.5. Skema ruang warna RGB dalam bentuk kubus ............................................ 8

Gambar 2.6. Penambahan Campuran Warna Merah, Hijau, dan Biru .............................. 9

Gambar 2.7. Citra grayscale dan citra hitam putih ........................................................... 9

Gambar 2.8. Histogram ................................................................................................... 11

Gambar 3.1. Diagram blok proses pengenalan tekstur .................................................... 17

Gambar 3.2. Diagram alir keseluruhan sistem pengenalan tekstur ................................. 18

Gambar 3.3. Diagram alir subrutin Pengambilan citra .................................................... 19

Gambar 3.4. Diagram alir subrutin preprocessing .......................................................... 20

Gambar 3.5. Diagram alir subrutin (a.) ekstarksi ciri dan (b.) statistical texture descriptor

......................................................................................................................................... 21

Gambar 3.6. Diagram alir subrutin fungsi jarak Euclidean ............................................. 22

Gambar 3.7. Diagram alir subrutin penentuan keluaran .................................................. 23

Gambar 3.8. Diagram blok perancangan basis data ........................................................ 23

Gambar 3.9. Diagram alir perancangan basis data .......................................................... 24

Gambar 3.10. Diagram alir pengenalan citra pada GUI .................................................. 25

Gambar 3.11. Sketsa perancangan GUI........................................................................... 26

Gambar 3.12. Perancangan Hardware ............................................................................ 27

Gambar 4.1. Icon Matlab ................................................................................................. 29

Gambar 4.2. Tampilan Jendela Matlab ............................................................................ 29

Gambar 4.3. Tampilan GUI pada program pengenalan citra tekstur............................... 30

Gambar 4.4. Kondisi pengambilan citra tekstur .............................................................. 30

Gambar 4.5. Variasi pergeseran yang digunakan ............................................................ 31

Gambar 4.6. Konversi Citra RGB ke grayscale .............................................................. 34

Gambar 4.7. Histogram hasil imadjust ............................................................................ 34

Gambar 4.8. Citra grayscale hasil imadjust ................................................................... 35


xv

Gambar 4.5. Histogram citra grayscale ........................................................................... 37

Gambar 4.10. Grafik Pengaruh variasi rotasi terhadap tingkat pengenalan .................... 41

Gambar 4.10. Grafik Pengaruh variasi skala terhadap tingkat pengenalan ..................... 42

Gambar 4.10. Grafik Pengaruh variasi translasi terhadap tingkat pengenalan ................ 43


xvi

DAFTAR TABEL

Tabel 2.1. Spesifikasi Webcam Logitech C270 ................................................................. 6

Tabel 3.1. Keterangan sketsa GUI ................................................................................... 27

Tabel 4.1. Basis data dalam bentuk cell array ................................................................ 39

Tabel 4.2. Contoh nilai fitur pada cell z{1,1} ................................................................. 40

Tabel 4.3. Nilai fitur pada basis data ............................................................................... 40

Tabel 4.4. Contoh perbandingan nilai fitur STD pengenalan pada anyaman bambu ...... 44

Tabel 4.5. Nilai hasil fungsi jarak ................................................................................... 45

Tabel 4.6. Nilai jarak pada setiap fitur anyaman bambu 25cm dengan basis data .......... 45

Tabel 4.7. Jumlah kesalahan setiap tekstur...................................................................... 46


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Tekstur merupakan bentuk atau nilai raba permukaan benda atau gambar, baik itu

benda nyata atau semu. Suatu permukaan bisa jadi kasar, halus, keras atau bisa juga lunak,

tekstur bisa disebut karakter nilai raba yang bisa dirasakan secara fisik dan bisa juga secara

imajiner[1]. Tekstur kasar jika diraba secara fisik akan menunjukkan suatu bentuk

permukaan yang kasar, sedangkan tekstur semu hanya terlihat oleh mata karakternya kasar

tapi jika diraba tidak dapat merasakannya seperti terlihat, sehingga tekstur seperti ini hanya

memberi kesan imajinasi saja.

Tekstur sering dikategorikan sebagai corak dari suatu permukaan benda, misalnya

permukaan karpet, baju, kulit kayu dan sebagainya. Tekstur merupakan karakteristik

instrinsik suatu citra yang terkait dengan tingkat kekerasan (roughness), granulitas

(granulation),dan keteraturan (regularity) susunan struktural piksel. Aspek tekstural dari

sebuah citra dapat dimanfaatkan sebagai dasar dari segmentasi, klasifikasi, maupun

interpretasi citra.

Tekstur dapat dianggap sebagai pengelompokan kesamaan di dalam suatu citra.

Sifat-sifat subpola local tersebut menimbulkan keseragaman, kerapatan, kekasaran,

keteraturan, kehalusan, dan lain sebagainya. Karena Komputer tidak memiliki indra

penglihatan, maka komputer hanya mengetahui pola suatu citra dari ciri atau karakteristik

teksturnya. Ciri maupun karakteristik tekstur dapat diperoleh melalui proses ekstraksi ciri

dengan berbagai macam metode seperti metode autokorelasi, wavelet, run length,

statistical texture descriptor dan dan lain sebagainya. Dari beberapa ekstraksi ciri tersebut,

pernah dilakukan penelitian sebelumnya tentang analisa tekstur menggunakan metode run

length oleh Mita[2]. Pada penelitian Mita yang dilakukan dengan metode run length dapat

digunakan untuk membedakan tekstur halus dan tekstur kasar berdasarkan perbandingan

dari nilai hasil ciri dari grey level run length, serta masukan yang digunakan pada

penelitian tersebut hanya menggunakan 1 invarian yaitu rotasi. Selain itu juga pernah


2

dilakukan sebuah penelitian sebelumnya oleh Matjaz Bevk dan Igor Kononenko dengan

judul A Statistical Approach To Texture Description of Medical Images: A Preliminary

Study[3]. Pada penelitian tersebut, Matjaz dan Igor menggunakan metode statistical texture

descriptor. Tetapi tidak menggunakan invarian pada masukan, karena penelitian mereka

hanya meneliti tentang percobaan untuk 2 parameter gambar yaitu abu abu dan berwarna

yang membandingkan yaitu rerata kesalahan kasifikasi dari suatu citra medis. Oleh karena

itu penulis membuat penelitian tentang sebuah pengenalan tekstur dengan ekstraksi ciri

statistical texture descriptor, yang diharapkan dapat mampu tetap bisa mengenali tekstur

dengan berbagai macam invarian pada masukan. Untuk itu peneliti juga menambah

invarian pada masukan sistem pengenalan tekstur ini yaitu jarak dan perpindahan.

Statistical texture descriptor yaitu metode statistis melalui histogram. Metode statistis ini

menggunakan perhitungan statistika untuk membentuk fitur, dimana akan menghasilkan 6

fitur yang diantaranya adalah rerata intensitas, rerata kontras, skewness, energi, entropi dan

smoothness.

1.2 Tujuan dan Manfaat Penelitian

Tujuan dari penulisan ini adalah membuat aplikasi yang dapat mengklasifikasi jenis

tekstur menggunakan statistica texture descriptor. Dan menguji pengaruh rotasi, skala dan

translasi terhadap statistica texture descriptor.

Manfaat dari penelitian ini adalah sebagai alat bantu pengguna aplikasi untuk

mengetahui jenis jenis tekstur dari berbagai macam citra dengan karakteristiknya.

1.3 Batasan Masalah

Sistem pengenalan tekstur ini terdiri dari perangkat keras (hardware) dan perangkat

lunak (software). Perangkat keras berupa laptop dan webcam. Perangkat lunak yang

digunakan adalah Matlab. Matlab digunakan untuk seluruh proses pengolahan data dari

citra tektur.

Pada perancangan system ini, peneliti fokus pada pembuatan software komputer

untuk pengenalan tekstur. Peneliti menetapkan beberapa batasan masalah dalam penelitian

ini, antara lain:

a. Citra yang dikenali sebagai input adalah citra RGB dalam format „.jpg‟ dengan

ukuran 680x480.


3

b. Data citra untuk penelitian diambil dengan kamera dan beberapa diantaranya

diambil dari textures.com dengan toal 10 Citra sebagai basis data dan 10 citra

yang akan diuji yang di cetak dengan ukuran kertas A3(29.7cm x 42cm).

c. Citra tekstur yang dikenali antara lain; atap, lantai batu, beras, jerami, dinding

bata, gedek, keset, handuk, tanah kering, dan rumput.

d. Menggunakan 3 variasi sudut putaran yaitu 20°, 60°, dan 120°.

e. Jarak yang digunakan 25cm – 35cm.

f. Menggunakan 4 macam pergeseran posisi pada tekstur

g. Statistical Texture Descritor dan fungsi jarak Euclidean digunakan untuk

pengenalan citra tekstur

h. Pengenalan tekstur ini dibuat dengan menggunakan software pemograman

Matlab R2014a

i. Variabel pada Statistical Texture Descritor terdapat enam fitur yaitu, rerata

intensitas, rerata kontras, skewness, energi, entropi dan smoothness.

j. Keluaran berupa teks pada layar monitor

1.4 Metode Penelitian

Langkah-langkah dalam pengerjaan tugas akhir :

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

dan website mengenai pengenalan tekstur, program Matlab, image processing

dan Statistical Texture Descriptor

b. Pembuatan software

Sistem pengenalan tekstur akan bekerja apabila pengguna menekan tombol

“ON” dalam tampilan visual software. Kemudian pengguna melakukan

pengambilan citra yang akan di kenali dengan webcam. Setelah pengambilan citra

pengguna dapat memberikan instruksi untuk pemotongan gambar Cropping.

Kemudian pengguna memberikan instruksi untuk memulai pengenalan gambar

tekstur. Selanjutnya, Matlab akan memproses gambar pengenalan tekstur yang

dipilih oleh pengguna dan hasil akhirnya akan ditampilkan berupa teks pada layar

monitor.


4

c. Pembuatan basis data

Pembuatan basis data diawali dengan mengambil data berupa citra tekstur.

Selanjutnya, data tersebut diproses pada tahap preprocessing. Adapun tahap

preprocessing yaitu mengonversi citra RGB ke grayscale. Hasil preprocessing

akan menjadi masukkan pada tahap ekstraksi ciri. Tahap ekstraksi ciri masing

masing fitur dihitung dari citra hasil preprocessing hingga menghasilkan enam

fitur elemen yang akan disimpan dalam format “.mat”. Hasil ekstraksi ciri

disimpan dalam folder dan digunakan sebagai acuan dalam pengenalan tekstur.

Adapun banyaknya data yang disimpan pada basis data yaitu 10 data dengan

citra tekstur yang berbeda.

d. Pengambilan data

Penilitian ini menggunakan 10 jenis tekstur, variasi skala, sudut perputaran

(rotasi) dan posisi awal suatu citra (translasi). Untuk variasi skala citra tekstur

digunakan 3 variasi jarak yaitu 25cm, 30cm dan 35cm . Sudut putaran yang akan

digunakan yaitu 20°, 60° dan 120°. Citra digeser sebanyak 4 kali dari posisi

awal. Jumlah data yang diambil terdiri dari, 10 citra tekstur x 3 variasi skala = 30

data, 10 citra tekstur x 3 variasi sudut = 30 data dan 10 citra tekstur x 4 variasi

translasi = 40 data. Masing – masing data kemudian ditambahkan dan didapat

data sebanyak 100 data pada penelitian ini.

e. Analisis dan penyimpulan

Analisis data yang dilakukan dengan meneliti pengaruh variasi rotasi, jarak

dan perpindahan input terhadap tingkat pengenalan tekstur. Sebagai tambahan,

dari masing-masing variasi rotasi, skala(jarak) dan translasi yang digunakan

akan dikombinasikan. Penyimpulan hasil dilakukan untuk mengetahui pengaruh

invarian rotasi, skala dan translasi terhadap Statistical Teksture Descriptor.


5

BAB II

DASAR TEORI

2.1. Tekstur

Tekstur merupakan bentuk atau nilai raba permukaan benda atau gambar, baik itu

benda nyata atau semu. Suatu permukaan bisa jadi kasar, halus, keras atau bisa juga lunak,

tekstur bisa disebut karakter nilai raba yang bisa dirasakan secara fisik dan bisa juga secara

imajiner[1]. Adapun tekstur yang digunakan pada penelitian dapat dilihat pada gambar

dibawa ini.

Gambar 2.1. (a) Beras[4]. (b) Anyaman bambu. (c) Rumput. (d) Jerami. (e) Keset.

(f) Handuk. (g) Atap genting. (h)Lantai batu. (i)Dinding bata. (j)Tanah[4].

Beberapa gambar yang digunakan diambil dari textures.com dan di cetak dengan

ukuran kertas A3(29.7cm x 42cm), sebagai tambahan varian dari jenis tekstur yang

digunakan dalam penelitian.

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

(f)

(e)

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


6

2.2. Webcam Logitech C270

Web camera atau yang biasa dikenal dengan webcam, adalah kamera yang

gambarnya bisa di akses menggunakan world wide web (www), program instan messaging,

atau aplikasi komunikasi dengan tampilan video pada komputer. Webcam juga

digambarkan sebagai kamera video digital yang sengaja didesain sebagai kamera dengan

resolusi rendah. webcam dapat digunakan untuk sistem keamanan. Pada beberapa webcam,

ada yang di lengkapi dengan software yang mampu mendeteksi pergerakan dan suara.

Dengan software tersebut, memungkinkan komputer yang terhubung ke kamera untuk

mengamati pergerakan dan suara, serta merekamnya. Hasil rekaman ini bisa disimpan pada

komputer, e-mail atau di upload ke internet. Hasil gambar yang diambil dengan webcam

C270 memiliki format RGB, hal ini diketahui setelah melakukan ujicoba dengan

menggunakan Matlab.

Gambar 2.2. Logitech C270[5]

Spesifikasi dari webcam yang tertera pada Gambar 2.2 dapat dilihat pada Tabel 2.1.

Tabel 2.1 Spesifikasi Webcam Logitech C270[5].

High-Definition (HD) video calling HD 720 pixels

Video capture Up to 1280 x 720 pixels

Photo quality Up to 3.0 Megapixels

Computer Interface USB 2.0 (recommended)

Focus Fixed Focus

Microphone Yes

Hardware Support Laptop, Monitor LCD or CRT


7

2.3. Pengolahan Citra Digital

2.3.1 Definisi Citra Digital

Pengolahan citra digital merupakan proses pengolahan setiap data 2 dimensi

menggunakan komputer, sesuai dengan jumlah data dan jenis pengolahan. Citra digital

merupakan sebuah array yang berisi nilai-nilai nyata maupun komplek yang

direpresentasikan dengan deretan bit tertentu.

Citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom,

dengan x dan y adalah koordinat spasial, dan amplitudo f di titik koordinat (x,y) dinamakan

tingkat keabuan dari suatu citra. Apabila nilai x, y dan f secara keselurahan berhingga dan

bernilai diskrit maka citra tersebut adalah citra digital. Citra digital dalam bentuk matrik

dapat dilihat pada persamaan 2.1 dan posisi koordinat citra digital dapat dilihat pada

Gambar 2.3[6].

Gambar 2.3. Koordinat Citra Digital [6]

f(x y)

[ f(0 0) f(0 1) f(0 N - 1)

f(1 0) f(1 1) f(1 N - 1)

f( - 1 0)

f( - 1 1)

f( - 1 N - 1)]

(2.1)

Nilai pada suatu irisan antara baris dan kolom f(x,y) sering disebut dengan piksel

pada citra digital. Pada persamaan 2.1 terdapat f(0, N-1) yang artinya pada piksel yang

dengan nilai sumbu x = 0 dan sumbu y = jumlah kolom dikurang 1. Ilustrasi digitalisasi

citra dengan M = 16 baris dan N = 16 kolom ditunjukan pada Gambar 2.4.


8

Gambar 2.4. Ilustrasi Digitalisasi Citra (piksel pada koordinat x = 10, y = 3

memiliki nilai 110) [6].

2.3.2. Ruang Warna RGB

Setiap piksel pada citra RGB merupakan gabungan dari variasi nilai intensitas tiga

warna dasar yaitu merah R (red), hijau G (green) dan biru B (blue). Tiga warna dasar R, G

dan B umumnya dikodekan dengan 8 bit, atau total ketiganya 3 x 8 = 24 bit (tiga byte)..

Secara umum, citra berwarna dapat direpresentasikan dalam bentuk kubus tiga

dimensi, dengan tiga warna dasar merah, hijau dan biru berada pada ujung sumbu kubus.

Warna hitam berada pada titik pusat kubus (0) dan warna putih berada di ujung kubus yang

berseberangan. Skema ruang warna RGB dalam bentuk tiga dimensi dapat dilihat pada

Gambar 2.5.

Gambar 2.5. Skema ruang warna RGB dalam bentuk kubus [7].

Pencampuran tiga warna dasar dapat direpresentasikan dalam suatu sinar tambahan

untuk membentuk warna baru. Pencampuran tiga warna dasar ini dapat dilihat pada

Gambar 2.6. menunjukkan hasil campuran tiga warna dasar yaitu pencampuran antara

f(x,y)


9

warna merah dan hijau akan menghasilkan warna kuning, pencampuran antara warna biru

dan hijau akan menghasilkan warna cyan, pencampuran antara warna merah dan biru akan

menghasilkan warna magenta dan pencampuran antara warna merah, hijau dan biru akan

menghasilkan warna putih.

Gambar 2.6. Penambahan Campuran Warna Merah, Hijau, dan Biru [8].

2.3.3. Citra grayscale

Dalam komputasi, suatu citra digital grayscale atau greyscale adalah suatu citra

dimana nilai dari setiap pixel merupakan sample tunggal. Citra yang ditampilkan dari citra

jenis ini terdiri atas warna abu-abu, bervariasi pada warna hitam pada bagian yang

intensitas terlemah dan warna putih pada intensitas terkuat. Citra grayscale berbeda dengan

citra ”hitam-putih” dimana pada konteks komputer citra hitam putih hanya terdiri atas 2

warna saja yaitu ”hitam” dan ”putih” saja. Pada citra grayscale warna bervariasi antara

hitam dan putih, tetapi variasi warna diantaranya sangat banyak. Citra grayscale seringkali

merupakan perhitungan dari intensitas cahaya pada setiap pixel pada spektrum

elektromagnetik single band.

Citra grayscale disimpan dalam format 8 bit untuk setiap sample pixel, yang

memungkinkan sebanyak 256 intensitas. Format ini sangat membantu dalam pemrograman

karena manupulasi bit yang tidak terlalu banyak. Pada aplikasi lain seperti pada aplikasi

medical imaging dan remote sensing biasa juga digunakan format 10,12 maupun 16 bit.

Gambar 2.7 Citra grayscale dan citra hitam putih[9].


10

2.3.4. Mengonversi Citra RGB ke grayscale

Proses awal yang banyak dilakukan dalam image processing adalah mengubah citra

berwarna menjadi citra gray-scale, hal ini digunakan untuk menyederhanakan model citra.

Seperti telah dijelaskan di depan, citra berwarna terdiri dari 3 layer matrik yaitu R-layer,

G-layer dan B-layer. Sehingga untuk melakukan proses-proses selanjutnya tetap

diperhatikan tiga layer di atas. Bila setiap proses perhitungan dilakukan menggunakan tiga

layer, berarti dilakukan tiga perhitungan yang sama. Sehingga konsep itu diubah dengan

mengubah 3 layer di atas menjadi 1 layer matrik gray-scale dan hasilnya adalah citra gray-

scale. Dalam citra ini tidak ada lagi warna, yang ada adalah derajat keabuan.

Untuk mengubah citra berwarna yang mempunyai nilai matrik masing-masing r, g

dan b menjadi citra gray scale dengan nilai s, maka konversi dapat dilakukan dengan

menjumlahkan dari nilai r, g dan b dengan rumus yang dapat dituliskan menjadi[10]:

(2.2)

Pada persamaan 2.2 terdapat tiga komponen angka yang digunakan untuk

pengkalian tiap masing-masing nilai komponen warna R, G dan B, diambil dari koefisien

yang digunakan untuk menghitung luminance (E'y) di Rec.ITU-R BT.601-7 setelah

pembulatan menjadi 3 desimal. Rec.ITU-R yaitu standar yang dikeluarkan oleh

International Telecommunication Union pada tahun 1982 untuk meyandikan interlaced

sinyal video analog dalam bentuk video digital.

2.3.5 Histogram

Dalam ilmu statistik, histogram adalah sebuah representasi grafik yang

menampilkan impresi visual dari distribusi data. Histogram adalah sebuah estimasi

distribusi probabilitas dari variabel kontinyu dan pertama kali diperkenalkan oleh seorang

ahli bernama Karl Pearson. Histogram terdiri dari frekuensi tabular, ditunjukan sebagai

balok yang berdekatan, didirikan sepanjang interval yang berlainan, dengan luas yang

sama dengan frekuensi dari observasi di dalam interval. Tinggi dari balok juga sama

dengan densitas frekuensi dari interval yaitu frekuensi yang dibagi oleh lebar dari interval.

Keseluruhan luas atau area dari histogram sama dengan jumlah data yang ada. histogram

juga dapat dinormalisasi dalam menampilkan frekuensi relative. Hal ini kemudian

menunjukkan proporsi dari beberapa case yang jatuh pada masing-msaing kategori, dengan


11

luas total yang sama dengan 1. Kategori-kategori ini biasanya dispesifikasi secara

berurutan, tidak ada overlapping interval pada setiap variabel. Kategori (interval) harus

terletak secara berdampingan, dan sering kali dipilih dalam bentuk yang memiliki ukuran

yang sama.

Gambar 2.8. Histogram[11].

Histogram digunakan untuk mem-plot densitas dari data dan sering digunakan

untuk melakukan estimasi densitas: mengestiasikan probability density function dari

variabel pokok. Luas area dari histogram yang digunakan untuk probability density selalu

dinormalisasikan menjadi 1[11].

2.4 Statistical Texture Descriptor

2.4.1 Rerata intensitas

Komponen pada fitur (rearata intensitas) dihitung berdasarkan persamaan:

∑ ( ) (2.3)

Dalam hal ini, i adalah aras keabuan pada suatu citra dan p(i) menyatakan

probabilitas kemunculan i dan L menyatakan nilai aras keabuan tertinggi. Rumus diatas

akan menghasilkan rerata kecerahan objek.

2.4.2 Deviasi standar

Perhitungan komponen pada fitur deviasi standar yang disimbolkan dengan yaitu

sebagai berikut:

√∑ ( ) ( ) (2.4)


12

Dalam hal ini, dinamakan varians atau momen orde dua ternormalisasi karena

p(i) merupakan fungsi peluang. Fitur ini memberikan ukuran kekontrasan.

2.4.3 Skewness

Fitur skewness merupakan ukuran ketidaksimetrisan terhadap rerata intensitas,

persamaannya:

∑ ( ) ( )

(2.5)

Skewness sering disebut momen orde tiga ternormaliasi. Nilai negatif menyatakan

bahwa distribusi kecerahan condong ke kiri terhadap rerata dan nilai positif menyatakan

bahwa distribusi kecerahan condong ke kanan terhadap rerata.

2.4.4 Energi

Deskriptor energi adalah ukuran yang menyatakan distribusi intensitas piksel

terhadap jangkauan aras keabuan. Definisinya sebagai berikut:

∑ ( )

(2.6)

Citra seragam dengan satu nilai aras keabuan akan memiliki nilai energi

maksimum, yaitu sebesar 1. Secara umum, citra dengan sedikit aras keabuan akan

memiliki energi lebih tinggi dari pada yang memiliki banyak nilai aras keabuan.

2.4.5 Entropi

Entropi mengindikasikan kompleksitas citra. Perhitungannya sebagai berikut:

∑ ( ) ( ( ))

. (2.7)

Semakin tinggi nilai entropi, semakin kompleks citra tersebut. Entropi dan energi

berkecenderungan berkebalikan. Entropi juga merepresentasikan jumlah informasi yang

terkandung didalam sebaran data.

2.4.6 Smoothness

Properti kehalusan biasa disertakan untuk mengukur tingkat kehalusan atau

kekasaran intensitas pada citra. Definisinya sebagai berikut:

(2.8)


13

Pada rumus diatas ,R adalah nilai dari smoothness, dan adalah deviasi standar.

Berdasarkan rumus diatas, nilai R rendah menunjukan bahwa citra memiliki intensitas

kasar. Dalam menghitung kehalusan, variasi perlu dinormalisasi sehingga nilainya berada

dalam jangkauan [0 1] dengan cara membaginya dengan ( ) [7].

Contoh:

Terdapat citra grayscale sebagai berikut

[

]

Rumus dari probabilitas[12]:

( )

Keterangan :

G = citra grayscale

i = 0,1,2,3,...,L-1 merupakan aras keabuan pada citra G

p(i) = probabilitas kemunculan i

x = jumlah kejadian yang yang diinginkan

n = ( ) ( )

Berdasakan matriks citra G, n = 9, dan x = 1, akan diperoleh nilai probabilitas

sebagai berikut:

( )

Berdasarkan Persamaan 2.3 sampai dengan persamaan 2.8, akan diperoleh hasil

sebagai berikut:

Nilai fitur rerata intensitas (m) dari matrik G adalah:

( ) ( ) ( ) ( )

Nilai fitur deviasi standar ( ) dari matrik G adalah:

(( ) ) (( ) ) ((

) )

√


14

Nilai fitur skewness dari matrik G adalah:

(( ) ) (( ) ) ((

) )

Normalisasi :

Nilai fitur dari matrik G adalah:

( ) 0.111

Nilai fitur dari matrik G adalah:

( ( ( )) ( ( ))

( ( )) ( ( ( ))

Nilai fitur (R) dari matrik G adalah:

pada persamaan 2.8 yang digunakan untuk menghitung hasil dari nilai fitur

adalah normalisasi dari yang ada pada persamaan 2.4.

Normalisasi

2.5 Jarak

Jarak digunakan untuk membandingkan dua buah vektor. Perbandingan suatu nilai

dikatakan sama atau tidak berdasarkan dari tingkat kemiripan yang tinggi dan nilai dua

vektornya. Dengan menggunakan metode jarak Euclidean dapat digunakan untuk

mengukur tingkat kemiripan dua buah vektor tersebut.

Jarak Euclidean adalah peritungan jarak antara satu data terhadap sekelompok data

(basis data). Pada jarak Euclidean metrika yang paling sering digunakan untuk menghitung

kesamaan 2 vektor. Jarak Euclidean menghitung akar dari kuadrat perbedaan 2 vektor.

Rumus dari Euclidean distance [6]:

( ) √∑ ( ( ) ( ))


15

Keterangan :

( ) citra basis data.

( ) citra masukan.

Contoh:

Terdapat 2 vektor ciri berikut.

V1 = [ 0 1 3 2]

V2 = [ 5 6 7 8]

Jarak Euclidean dari vektor A dan B adalah:

( ) √( ) ( ) ( ) ( )

√

2.7. Basis Data

Basis Data adalah kumpulan informasi yang akan menjadi acuan dan disimpan

dalam komputer secara sistematik sehingga dapat diperiksa menggunakan suatu program

komputer untuk memperoleh informasi dari basis data tersebut. Semakin banyak informasi

yang diperlukan maka semakin banyak basis data objek referensi yang akan disimpan.

Dalam penelitian ini basis data objek referensi diperlukan pada proses perhitungan jarak.

Pembuatan basis data dilakukan sebanyak 10 kali percobaan untuk mengasilkan 10 sampel

dari masing masing tekstur. Dari 10 sampel pada setiap tekstur dilakukan perhitungan

ekstraksi ciri menggunakan statistical texture descriptor. Selanjutnya dilakukan

perhitungan rerata dari sejumlah ekstaksi ciri tersebut. Dengan demikian untuk pemrosesan

10 jenis tekstur, diperoleh satu set referensi terdiri dari 10 vektor.

Sebagai contoh terdapat 10 citra dari satu buah jenis tekstur yaitu “Rumput”

dengan nama yang telah diinisialisasi sebagai berikut :

-Ru1 -Ru3 -Ru5 -Ru7 -Ru9

-Ru2 -Ru4 -Ru6 -Ru8 -Ru10

aksud dari “Ru1” adalah citra rumput untuk pengambilan gambar ke satu begitu

jug “Ru10” yaitu citra rumput pengambilan gambar ke 10. Dari setiap citra yang sudah

melalui ekstraksi ciri akan menghasilkan sebuah vektor 1x6, vektor dapat dilihat sebagai

berikut:


16

[ ]

[ ]

[ ]

aksud dari “N1r1” adalah nilai fitur ke satu dari perhitungan statistical texture

descriptor untuk citra “Ru1” begitu juga untuk “ ” yaitu nilai fitur ke 6 dari

perhitungan statistical texture descriptor untuk citra “Ru10”. Dari data diatas lakukan

pengujian untuk menghasilkan sebuah data yang akan digunakan sebagai referensi.

Hasil data dengan tingkat pengenalan terbaik akan disimpan dalam bentuk cell

array dan merupakan data yang digunakan sebagai basis data. Cell array adalah tipe data

dengan wadah data yang diindeks disebut sel, di mana setiap sel dapat berisi semua jenis

data. Array sel biasanya berisi daftar string teks, kombinasi teks dan angka, atau array

numerik dengan ukuran yang berbeda.


17

BAB III

PERANCANGAN

3.1 Proses Pengenalan Citra Tekstur

Dalam proses perancangan sistem software pengenalan Citra Tekstur terdiri dari

beberapa proses, yaitu pemilihan citra, preprocessing, ekstraksi ciri, fungsi jarak, dan

penentuan keluaran. Proses perancangan sistem pengenalan tekstur dapat dilihat pada

Gambar 3.1.

Gambar 3.1. Diagram blok proses pengenalan tekstur.

Citra yang digunakan pada tahap Preprocessing berupa citra tekstur hasil proses

pengambilan citra. Proses pengambilan citra menggunakan webcam. Dalam tahap

preprocessing, hasil citra berupa citra tekstur yang telah dikonversi ke dalam bentuk


18

grayscale. Kemudian citra menjadi masukan untuk tahap selanjutnya yaitu tahap

pengenalan.

Pada tahap pengenalan terdiri dari 3 tahap yaitu ekstraksi ciri, perhitungan fungsi

jarak, dan basis data citra tekstur. Terakhir dari proses sistem ini yaitu tahap penentuan

keluaran. Hasil penentuan keluaran sistem ini berdasarkan jarak minimum yang diperoleh

dari hasil perbandingan antara data referensi dengan hasil ekstraksi ciri. Untuk diagram alir

keseluruhan sistem dapat digambarkan pada Gambar 3.2.

Gambar 3.2. Diagram alir keseluruhan sistem pengenalan tekstur.


19

Pada diagram alir dari keseluruhan sistem pengenalan tekstur diatas, tahap awal

yang dilakukan adalah pengambilan citra tekstur dengan webcam, dimana objek dari

tekstur berupa gambar citra yang telah dicetak dengan ukuran kertas A3. Setelah itu tahap

berikutnya adalah menampilkan hasil dari pengambilan citra dengan webcam. Selanjutnya

tahap preprocessing yaitu mengubah citra asli menjadi citra grayscale, karena citra hasil

pengambilan dengan webcam berupa citra berwarna RGB(red, green,blue) dan juga akan

menampilkan hasil dari preprocessing. Kemudian akan dilanjutkan ketahap ekstraksi ciri

dengan Statistical texture descriptor. Hingga pada akhirnya dilanjutkan ketahap fungsi jarak untuk

menntukan keluaran dari sistem pengenalan.

3.1.1. Pengambilan Citra Tekstur

Tahap pengambilan citra tekstur adalah proses mengambil gambar dengan

menggunakan webcam yang akan disimpan dalam satu folder. Jarak pengambilan gambar

dilakukan bervariasi dari jarak minimal 10 cm hingga 20 cm dengan rentang jarak masing-

masing 5 cm. Webcam aka dihubungkan dengan perangkat laptop menggunakan USB 2.0

sehingga setelah pengambilan gambar dapat dikirim dan diterima langsung pada laptop

untuk di olah dengan menggunakan aplikasi Matlab, dapat di gambarkan melalui diagram

alir pada Gambar 3.3.

Gambar 3.3. Diagram alir subrutin Pengambilan citra.


20

3.1.2 Tahap Preprocessing

Tahap preprocessing memiliki dua tahapan dalam prosesnya yaitu, konversi RGB

ke grayscale dan Resizing yang digambarkan dalam diagram alir pada gambar 3.4.

Gambar 3.4. Diagram alir subrutin preprocessing.

Tahap preprocessing disini yaitu mengkonversi citra RGB ke citra grayscale.

Tahap ini dilakukan karena citra yang disimpan memiliki fomat warna RGB. Sehingga

konversi citra diperlukan agar format citra menjadi citra grayscale. Tahap konversi citra

RGB ke grayscale dilakukan karena keluaran citra yang dihasilkan oleh webcam C270

memiliki format RGB. Sehingga diperlukan konversi citra agar format citra menjadi

grayscale.

3.1.3. Tahap Ekstraksi Ciri

Tahap ekstraksi ciri adalah proses pengolahan data dengan menggunakan metode

tertentu agar menghasilkan suatu nilai yang kemudian digunakan pada tahap berikutnya.

Ekstraksi ciri yang digunakan pada tahap ini yaitu statistical texture descriptor. Dalam

statistical texture descriptor ini terdapat enam elemen fitur yang digunakan untuk

pengolahan data. Untuk penghitungan dari setiap fitur yang terdapat pada statistical texture

descriptor dilakukan secara bertahap dari fitur yang pertama yaitu nilai rerata intensitas


21

hingga yang terakhir penghitungan nilai smoothness. Secara keseluruhan tahap ekstraksi

ciri dapat di gambarkan melalui diagram alir pada Gambar 3.5.

Gambar 3.5. Diagram alir subrutin (a.) ekstarksi ciri dan (b.) statistical texture descriptor.

Dari proses ekstraksi ciri diatas, akan dihasilkan sebuah vektor dengan ukuran 1x6

dari satu jenis tekstur. Dimana nilai yang terdapat pada vektor adalah hasil perhitungan

dari setiap fitur yang terdapat pada statistical texture descriptor. Setelah diperoleh hasil

ekstraksi ciri, maka akan diteruskan pada proses fungsi jarak.

3.1.4 Proses Fungsi Jarak

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

tahap ini berfungsi sebagai pembanding antara hasil ekstraksi ciri dengan nilai dari citra


22

tekstur yang sudah tersimpan sebagai basis data. Dalam tahap fungsi jarak ini

menggunakan fungsi jarak Euclidean adalah jarak untuk mencari selisish antara data dari

keluaran ekstraksi ciri dengan data yang terdapat pada basis data. Hasil yang digunakan

dalam proses berikutnya adalah hasil dari perbandingan jarak yang memiliki nilai selisih

paling pendek. Proses fungsi jarak dapat digambarkan melalui diagram alir pada Gambar

3.6.

Gambar 3.6. Diagram alir subrutin fungsi jarak Euclidean

3.1.5 Penentuan Keluaran

Hasil pengenalan citra tekstur ditentukan berdasarkan jarak minimal yang diperoleh

dari hasil perbandingan antara keluaran dari ekstraksi ciri dengan basis data, dengan

menggunakan fungsi jarak Euclidean. Proses ini merupakan bagian akhir dari proses

pengenalan citra tekstur. Proses penentuan keluarann digambarkan melalui diagram alir

pada Gambar 3.7.


23

Gambar 3.7. Diagram alir subrutin penentuan keluaran

3.2 Perancangan Basis Data

Pada sistem pengenalan citra tekstur ini memerlukan basis data untuk digunakan

sebagai acuan. Basis data yang dibuat akan digunakan sebagaiperbandingan dengan citra

tekstur yang diambil saat pengujian baik secara langsung maupun pengujian secara tidak

langsung. Perancangan basis data pada sistem ini terdiri dari 10 jenis tekstur dan masing

masing tekstur memiliki rotasi, jarak dan perpindahan yang bervariasi dalam pengambilan

citra. Proses perancangan basis data dapat dilihat pada Gambar 3.8. dan untuk diagram alir

perancangan basis data dapat dilihat pada Gambar 3.9.

Gambar 3.8. Diagram blok perancangan basis data.

Pengambilan

citra tekstur Preprocessing

Ektraksi ciri dengan

Statistical Texture

Descriptor Basis data


24

Gambar 3.9. Diagram alir perancangan basis data.

Dari diagram alir pada gambar 3.9 dapat dilihat terdapat beberapa tahap yang harus

dilakukan untuk menghasilkan basis data. Tahap yang pertama dilakukan pengambilan

citra tekstur dengan webcam. Berikutnya dilakukan tahap preprocessing, dimana pada

preprocessing dilakukan konversi untuk citra yang telah diambil pada tahap pertama

menjadi citra grayscale, karena citra yang dihasilkan oleh webcam berwarna RGB dan

untuk proses ektraksi ciri dibutuhkan citra grayscale. Kemudian tahap akhir, dilakukan

ekstraksi ciri dengan statistical texture descriptor hingga didapat hasil dari ekstraksi ciri

yang akan disimpan dalam bentuk cell array.


25

3.3 Perancangan Tampilan GUI Matlab

Tampilan interface pada perancangan sistem pengenalan citra tekstur menggunakan

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

dalam proses pengenalan citra tekstur. Alur kerja utama dalam perancangan dengan

menggunakan GUI digambarkan melalui diagram alir pada Gambar 3.10.

Gambar 3.10. Diagram alir pengenalan citra pada GUI.

Mulai

Masukan:

Pengambilan Citra Tekstur

Proses preprocessing

Keluaran:

Histogram

ditampilan di

GUI

Keluaran:

Hasil konversi

RGB ke grayscale

ditampilan di GUI

Proses Ekstraksi ciri

Keluaran:

Hasil Ekstraksi ciri

berupa texs

ditampilan di GUI

Keluaran:

Hasil pengenalan citra

berupa teks ditampilan

di GUI

Selesai


26

GUI akan menampilkan gambar yang telah diambil, hasil konversi citra RGB ke

grayscale dan histogram dari citra grayscale, hasil ekstraksi ciri dan hasil dari pengenalan

citra yang ditampilkan berupa teks. Secara keseluruhan sistem dapat dilihat pada Gambar

3.11. dan penjelasannya pada Tabel 3.1.

Gambar 3.11. Sketsa perancangan GUI.

Dari Gambar 3.11, langkar pertama yang dilakukan untuk menjalankan sistem dan

menyalakan webcam dengan menekan tombol “ON” yang terdapat pada GUI. Axes1 akan

menampilkan citra secara langsung dari webcam. Kemudian pengguna dapat menekan

tombol “Ambil Gambar” dan citra yang diambil akan ditambilkan di Axes1 sebagai data

yang akan di proses untuk pengenalan. Ketika proses pengenalan dilakukan dengan

menekan tombol “Proses” maka sistem akan bekerja mengenali tektur yang diambil

sebelumnya. Pada saat proses pengenalan berlangsung hingga selesai sistem akan

menampilkan beberapa output yang terdapat pada GUI yang diantaranya, citra grayscale

pada Axes2 , histogram dari citra grayscale pada Axes3, nilai fitur dari ektraksi ciri pada

Edit text1, dan hasil akhir dari pengenalan berupa teks. Untuk mengulang sistem

pengenalan dari awal pengguna dapat menekan tombol “Reset”.


27

Tabel 3.1 Keterangan sketsa GUI.

Nama Keterangan

Tombol “ON” Untuk menyakan webcam

Tombol “Ambil

Gambar”

Untuk mengambil gambar

Tombol “Reset” Untuk mengulang proses pengenalan dari awal

Tombol “Proses” Untuk memulai proses pengenalan tekstur

Axes1 pada panel

kamera

Untuk menampilkan citra secara real-time dari wecam dan citra

hasil pengambilan gambar

Axes2 pada panel

preprocessing

Untuk menampilkan citra dalam bentuk grayscale

Axes3 pada panel

histogram

Untuk menampilkan histogram dari citra grayscale

Edit text1 pada panel

nilai fitur

Untuk menampilkan hasil nilai fitur dari ekstraksi ciri

Edit text2 pada panel

keluaran

Untuk menampilkan hasil akhir dari sistem pengenalan tekstur

berupa teks

3.4 Perancangan Hardware

Pada perancangan hardware untuk sistem ini diawali dengan mendesain fixture

yaitu penyanggah webcam agar dapat sesuai dengan posisi yang diinginkan oleh penguji.

Posisi webcam pada fixture dapat di rubah dengan 3 varian jarak ketinggian terhadap

gambar tekstur yaitu 25cm, 30cm dan 35cm. Kabel USB dari webcam dihubungkan ke

laptop sebagai media pengiriman data dari webcam ke laptop. Data yang dikirimkan

selanjutnya akan masuk ke proses pengolahan. Perancangan hardware dapat dilihat pada

gambar 3.12.

fixture

webcam Laptop

Gambar tekstur Kabel USB webcam

Gambar 3.12. Perancangan Hardware


28

3.5 Pengujian Citra Tekstur

Pengujian dilakukan secara langsung dan akan mengacu pada Gambar 3.9. Pertama

kali penulis menjalankan GUI nya terlebih dahulu dan mengaktifkan kamera dengan

tombol “ON”. Webcam mengambil citra tekstur setelah menekan tombol “Ambil Gambar”.

Pengujian data langsung dilakukan dengan 10 jenis citra yang dilakukan secara real-time,

dari pengujian ini akan menghasilkan 100 data yang terdiri dari 40 data dengan varian

perpindahan posisi awal, 30 data dengan varian perputaran dengan 3 sudut yang berbeda,

dan 30 data dengan 3 jarak yaitu 25cm, 30cm dan 35cm. Hasil pengambilan citra akan

diteruskan ke tahap preprocessing yang akan menampilkan hasil citra grayscale. Setelah

tahap preprocessing, citra diteruskan ke proses ekstraksi ciri yang akan menampilkan nilai

masing2 fitur dari statistical texture descriptor. Kemudan pada layar monitor akan

menampilkan hasil dari proses keluaran.


29

BAB IV

HASIL DAN PEMBAHASAN

4.1. Pengujian Program Pengenalan Citra Tekstur

Pengujian sistem program bertujuan untuk mengetahui suatu sistem dapat bekerja

dengan baik sesuai dengan perancangan yang dibuat penulis. Berikut ini adalah proses

pengujian sistem program pengenalan citra tekstur.

1. Langkah pertama yang harus dilakukan yaitu membuka software Matlab

dengan cara klik dua kali pada icon Matlab pada dekstop seperti pada Gambar

4.1.

Gambar 4.1. Icon Matlab.

2. Setelah melakukan langkah pertama, kemudian akan muncul tampilan awal

software Matlab seperti pada Gambar 4.2.

Gambar 4.2. Tampilan Jendela Matlab.


30

3. Langkah selanjutnya untuk menjalankan program pengenalan citra tekstur,pada

command window ketikkan perintah “TATEKSTUR” maka akan muncul

tampilan jendela program seperti Gambar 4.3.

Gambar 4.3. Tampilan GUI pada program pengenalan citra tekstur.

4. Gambar 4.4 akan memperlihatkan kondisi dalam melakukan pengujian

pengenalan tekstur.

Gambar 4.4. Kondisi pengambilan citra tekstur.


31

5. Untuk variasi translasi/pergeseran yang digunakan, penulis menentukan setiap

arah pergeseran dengam memberikan inisial berupa huruf R, U, L dan D yang

dapat dilihat pada Gambar 4.5., selain itu penulis juga menentukan titik tengah

(center) dengan ketinggian webcam dan tekstur sebesar 30cm, titik tengah ini

digunakan sebagai posisi awal sebelum di beri pengaruh varian RST.

Gambar 4.5. Variasi pergeseran yang digunakan.

4.2. Penjelasan Program Pengenalan Citra Tekstur

4.2.1. Tombol ON

Tombol “ON” berfungsi untuk menjalankan hubungan antara webcam dengan

Matlab yang terdapat pada laptop, sehingga dapat ditampilkan pada proses untuk

pengenalan. Adapun proses tombol “ON” sebagai berikut:

Tahap awal variabel “vidobj” di deklarasikan sebagai variabel global dimana

bertujuan agar variabel tersebut dapat digunakan pada keseluruhan program pengenalan.

Program diatas secara garis besar berfungsi untuk menampilkan informasi yang diperoleh

R L


32

webcam dan informasi tersebut akan inisialisasikan, agar dapat melakukan komunikasi

data antara webcam yang terhubung ke laptop dengan software Matlab. Pada proses ini

yang dapat ditampilkan adalah port webcam, resolusi video, lebar, panjang dan band dari

video. Setelah itu akan ditampilkan pada axes1 dengan perintah preview.

4.2.2. Tombol Reset

Tombol Reset merupakan tombol tambahan yang digunakan untuk mengembalikan

program ke tampilan seperti awal jendela program pengenalan, agar memudahkan

pengguna untuk melakukan pengulangan proses pengenalan. Program pada tombol

“Reset” terdapat dibawah ini :

4.2.3. Tombol Ambil Gambar

Tombol “Ambil Gambar” digunakan untuk mengambil atau capture citra tekstur

yang akan dikenali dalam proses pengenalan citra tekstur. Adapun program didalam

tombol “Ambil Gambar” sebagai berikut :


33

Pada program ambil gambar digunakan juga variabel “vidobj” yang ada pada

program tombol “ON” sebagai inisialisasi webcam. Selain itu terdapat tiga proses yang ada

dalam program ambil gambar diantaranya proses mengambil citra, menyimpan citra, dan

juga menampilkan hasil dari pengambilan gambar. Dari program diatas dapat dilihat

terdapat perintah getdata yang berfungsi untuk mengambil data citra, selanjutnya citra

tersebut disimpan dengan perintah imwrite, namun penyimpanan gambar bersifat

sementara. Tujuan dari penyimpanan agar dapat dilanjutkan ketahap selanjutnya dari

sistem pengenalan citra tekstur.

4.2.4. Tombol Proses

Tombol proses berfungsi untuk memulai proses pengenalan citra tekstur yang di

dalamnya terdapat beberapa bagian program yang digabungkan mulai dari program

preprocessing yang didalamnya terdapat program konversi RGB ke grayscale, program

statistcal teksture descriptor, program pemanggil basis data, program fungsi jarak

Euclidean dan hasil keluaran yaitu citra grayscale, nilai fitur STD dan teks nama tekstur.

- Program Konversi RGB ke grayscale

Program ini digunakan untuk mengubah citra RGB yang telah disimpan

sebelumnya pada tahap pengambilan gambar menjadi citra grayscale dengan perintah

program sebagai berikut :


34

Pada tahap awal terdapat perintah imread yang berfungsi untuk membaca data citra

dengan format gambar yang digunakan penulis adalah format “.jpg”. setelah gambar di

inisialisasi selanjutnya garmbar di konversi ke citra grayscale dengan perintah

rgb2gray.contoh program konversi dari citra RGB ke citra grayscale dapat dilihat pada

Gambar 4.6.

Gambar 4.6. Konversi Citra RGB ke grayscale.

Pada hasil konversi ke grayscale pada Gambar 4.6. terlihat gambar memiliki

kontras yang rendah dan jika dilihat dalam betuk histogram yang ada pada Gambar 4.7.

perubahan intensitasnya sempit. Dimana hal ini sangat berpengaruh pada pengenalan

tekstur karena statistical texture descriptor pada dasarnya perhitungan statistis melalui

histogram. Sehingga pada perubahan cahaya pada proses pengenalan sangat menjadi

masalah yang cukup serius pada proses pengenalan. Solusi untuk perasalahan ini, penulis

menambahkan satu fungsi yang tersedia di atlab yaitu “imadjust”. Perintah “imadjust” ,

jika dilihat pada hasil histogramnya pada Gambar 4.7. fungsi ini membuat jangkauan

intensitas menjadi lebar.


35

Gambar 4.7. Histogram hasil imadjust

Dari perubahan jangkauan intensitas tersebut berdampak juga pada perubahan nilai

pada hasil perhitungan fitur yang terdapat pada statistical texture descriptor.

Gambar 4.8. Citra grayscale hasil imadjust

Pada Gambar 4.8. terlihat citra grayscale memiliki kontras yang lebih baik, karena

pada program telah ditambahkan perintah imadjust.

- Program Statistical Tektur Descriptor

Program Statistical Tektur Descriptor merupakan program yang terdiri dari enam

program ekstraksi ciri yang akan menghasilkan enam nilai fitur sebagai data untuk

perbandingan dalam proses pengenalan citra tekstur. Ekstraksi ciri disini berfungi untuk

memproses data yang banyak di ekstrak menjadi data yang lebih sedikit, namun tetap bisa

mewakilikan data yang banyak sebelumnya.


36

Program ini secara garis besar merupakan perhitungan matematika statistik yang

dibuat dalam bentuk program dan dapat menghasilkan suatu nilai ektraksi ciri dari citra

grayscale. Dimana pada setiap elemen yang terdapat pada citra grayscale akan dihitung

untuk menghasilkan nilai dari masing-masing fitur. Variabel “xs” merupakan hasil dari

ekstraksi ciri yang terdiri dari 6 nilai fitur statistical texture descriptor.

- Program Histogram

Program ini digunakan untuk membuat histogram dari citra grayscale. Untuk

membuat histogram ini penulis menggunakan perintah imhist dan penulisannya dapat

dilihat dibawah ini.


37

Tujuan dari konvesi ke histogram adalah untuk melihat bentuk histogram dari

masing-masing citra tekstur yang dikenali, selain itu agar memudahkan penulis untuk

memahami karakteristik setiap citra tekstur yang digunakan. Contoh hasil histogram dari

citra grayscale dapat dilihat pada Gambar 4.9.

Gambar 4.9. Histogram citra grayscale.

Dari Gambar 4.9. dapat terlihat jumlah frekuensi keabuan dari citra grayscale,

semakin banyak jumlah nilai frekuensi keabuan karah hitam menandakan gambar citra

sangat gelap dan begitu juga semakin sebaliknya.

- Pemanggilan Basis Data

Pada proses ini dilakuan pemanggilan basis data, basis data yang yang akan

digunakan harus jalankan terlebih dahulu dengan perintah load. Dimana prosesnya dapat

dilihat dibawah ini.

Pada perintah program terlihat “dbper1a” dimana itu adalah nama dari basis data

yang digunakan untuk program pengenalan citra tekstur ini.

- Program Fungsi Jarak Euclidean

Untuk pembanding antara hasil dari ekstraksi ciri yang ada dalam program STD

dengan basis data yang telah dibuat sebelumnya memerlukan progam pembanding. Pada


38

pengenalan citra tekstur penulis menggunakan program fungsi jarak Euclidean yang dapat

dilihat sebagai berikut.

Perintah “fungj” merupakan perintah pemanggil program fungsi jarak yang telah

dibuat sebelumnya oleh penulis. Terlihat pada program ini “xstd” dibandingkan dengan

setiap basis data “z”. Dari hasil perbandingan tersebut kemudian dihitung nilai terkecilnya

dengan perintah “min” sehingga didapat nilai untuk diteruskan ke proses selanjutnya.

- Program Penentuan Keluaran

Program ini berfungsi sebagai penentu keluaran akhir dari sistem pengenalan citra

tekstur.


39

Pada program ini menggunakan nilai hasil dari setiap fungsi jarak dengan nilai

minimum. Didalam program ini terdapat 10 teks keluaran yang mewakili setiap tekstur,

dengan menampilkan salah satu saja berdasarkan kesamaan atas nilai terkcil dan nilai dari

perhitungan jarak.

- Pembuatan Basis data

Proses ini dibuat untuk menyimpan data acuan yang akan dibandingkan pada proses

pengenalan citra tekstur. Secara garis besar didalam program basis data terdiri dari

preprocessing, dan ekstraksi ciri. Contoh program yang digunakan sebagai berikut:

Dari program diatas terlihat tahap awal dilakukan pembacaan citra dalam format

“.jpg” dengan perintah “imread” kemudian masuk pada tahap konversi ke grayscale

menggunakan perintah “rgb2gray” selain itu penulis juga menggunakan kan perintah

“imadjust” tujuannya untuk membuat kontras citra grayscale menjadi lebih jelas , untuk

menhasilkan nilai ekstraksi ciri sebagai data acuan digunakan statistical texture descriptor.

Tahap terakhir yaitu basis data disimpan di dalam bentuk cell array, dengan nama file

dbres1, contoh bentuk basis data yang digunakan dapat dilihat pada Tabel 4.1.

Tabel 4.1. Basis data dalam bentuk cell array.

z{} 1 2 3 4 5 6 7 8 9 10

1 z{1,1} z{1,2} z{1,3} z{1,4} z{1,5} z{1,6} z{1,7} z{1,8} z{1,9} z{1,10}

Pada tabel 4.1. terdapat cell array yang berukuran 1x10 cell, yang terdiri dari

z{1,1} sampai z{1,10}. Pada tiap cell terdapat 6 nilai fitur yang digunakan sebagai nilai

acuan pada proses pengenalan. Adapun contoh dari nilai fitur pada sebuah cell dapat dilihat

pada Tabel 4.2.


40

Tabel 4.2. Contoh nilai fitur pada cell z{1,1}.

No. Nilai fitur

1 139.6146061

2 14.29476511

3 0.001784908

4 0.023281759

5 5.812095929

6 0.003132644

Pada Tabel 4.2. adalah salah satu contoh cell yang digunakan penulis sebagai data

acuan untuk perbandingan dengan data yang diambil pada proses pengujian. Nilai fitur

pada basis data lengkap terdapat pada Tabel 4.3.

Tabel 4.3. Nilai fitur pada basis data.

4.3. Hasil Pengujian dan Analisis

Pengujian pengenalan tekstur dengan statistical texture descriptor dilakukan

dengan melakukan perubahan varian RST pada masukan yang meliputi variasi rotasi

dengan sudut yang digunakan yaitu 0°, 20°, 40°, 60°, 80°, 100°, 120°, 140°, 160° dan 180°.

Serta menggunakan variasi skala dengan jarak yang digunakan yaitu 25cm, 30cm, dan

35cm. Selain itu penulis juga menggunakan variasi translasi dengan melakukan pergeseran

posisi dari titik center yang telah ditentukan sebelumnya dan objek di geser ke arah R, ke

arah L , ke arah U dan ke arah D sebanyak 5 kali dengan pergeseran sebanyak 1cm.

Pengujian dilakukan dengan mengambil gambar citra tekstur dengan berbagai

varian RST yang telah ditentukan penulis. Setiap pengambilan gambar citra tekstur akan

disimpan sementara dan di proses serta dibandingkan dengan basis data yang telah

Rerata

Intensitas

Deviasi

Standar Skewness Energi Entropi Smoothness

Anyaman 131.3922949 59.23974601 -1.29764932 0.01830983 6.0292798 0.051205675

Karpet 131.6545605 61.15988315 -0.69791077 0.01108351 6.58859939 0.05439544

Beras 157.4283561 49.00733374 -1.32266171 0.02236544 5.82926751 0.035619689

Tanah 133.1227832 64.16523814 -1.38921568 0.01058099 6.72807413 0.059546545

Dinding 120.097679 56.63690042 -0.02862553 0.01127635 6.63283071 0.047011721

Lantai 150.9608333 59.45298422 -2.03647339 0.01581072 6.20343749 0.051555936

Jerami 124.084502 53.98248141 -0.4634987 0.01215844 6.57265104 0.042892943

Atap 132.899847 66.18313631 -0.11443129 0.01572132 6.04669227 0.063110647

Rumput 152.2942969 53.42543709 -1.74572539 0.01939625 5.96943843 0.042049318

Handuk 132.899847 66.18313631 -0.11443129 0.01572132 6.04669227 0.063110647


41

disiapkan sebelumnya. Pada pengujian, data diperoleh dengan pengulangan 3 kali untuk 10

variasi rotasi pada 10 jenis tekstur sebanyak 300 data, pengulangan 5 kali untuk 3 variasi

skala pada 10 jenis tekstur sebanyak 150 data, dan pengulangan 3 kali untuk 20 variasi

translasi pada 10 jenis tekstur sebanyak 600 data. Sehingga data yang diperoleh dari

keseluruahan pengujian adalah 1050 data.

4.3.1. Pengujian Pengaruh RST Terhadap Pengenalan Tekstur

Pengujian ini dilakukan untuk mengetahui pengaruh variasi rotasi, skala, dan

translasi terhadap tingkat keberhasilan pengenalan tekstur dengan statistical texture

descriptor. Dalam pengujian pengaruh RST data masukan diperoleh dari citra tekstur yang

telah di cetak dengan ukuran kertas A3. Citra tekstur akan digerakan manual sesuai varian

RST yang telah ditentukan oleh penulis, kemudian webcam akan mengambil gambar citra

tekstur yang kemudian akan diperoses dan hasil dari proses tersebut akan ditampilkan

sebagai keluaran berupa teks.

Dalam pengujian pengaruh RST data diperoleh dari 10 jenis tekstur dengan 23

variasi RST yang terdiri dari 10 variasi rotasi, 3 variasi skala dan 20 variasi translasi. Pada

setiap citra tekstur akan dilakukan pengambilan gambar sebanyak 3 kali untuk variasi

rotasi dan translasi dan 5 kali untuk variasi skala, hal ini dilakukan agar dalam menentukan

tingkat pengenalan lebih akurat. Data yang diperoleh dapat dilihat pada lampiran.

Tahap pertama dalam melakukan pengujian secara langsung adalah mengambil

gambar citra tekstur dengan menggunakan webcam secara langsung dengan bantuan GUI.

Kemudian menekan tombol “Proses” untuk mengetahui hasil dari pengenalan tekstur.

Hasil pengenalan akan langsung tampil di GUI berupa teks. Dari pengujian dapat diperoleh

nilai pengaruh RST dari setiap citra tekstur dengan cara mencari rerata dari setiap variasi

RST. Hal ini dilakukan untuk mengetahui bagaimana pengaruh variasi RST pada tingkat

pengenalan. Dari data yang diperoleh pada pengujian dihitung nilai keseluruhan setiap

varian rotasi, translasi dan skala. Kemudian dicari nilai rerata, untuk pengaruh rotasi

terhadap tingkat pengenalan dapat dilihat pada Gambar 4.10.


42

Gambar 4.10. Grafik pengaruh variasi rotasi terhadap tingkat pengenalan.

Dari pengujian pengaruh variarsi rotasi, dapat diperoleh nilai persentase tingkat

pengenalan program dengan menghitung nilai rerata dari 3 kali pengulangan untuk sepuluh

jenis tekstur pada satu variasi rotasi sebanyak 30data, dengan perhitungan jumlah banyak

data yang berhasil dikenali pada satu variasi rotasi dibagi 30 dan dikali dengan 100%. Pada

Gambar 4.10. terlihat bahwa pada perubahan rotasi setiap 20° dari 0° hingga sudut 180°

memperoleh penurunan tingkat pengenalan, hal ini disebabkan adanya perubahan nilai

pada aras keabuan pada citra tekstur yang mengakibatkan nilai ekstraksi ciri yang

diperoleh berbeda dengan nilai yang terdapat basis data, namun pada perubahan sudut dari

80° hingga sudut 180° tingkat pengenalan kembali membaik, karena pada sudut 180°

keseluruhan nilai dari citra yang di ambil webcam mendekati nilai pada citra 0°. Dari

perubahan rotasi ini penulis menyimpulkan pada posisi mirror keberhasilan pengenalan

cukup baik dimana tingkat pengenalan pada sudut 180° sebesar 86.60%. Untuk nilai rerata

pengaruh skala terhadap tingkat pengenalan secara garis besar dapat dilihat pada Gambar

4.11.

Gambar 4.11. Grafik pengaruh variasi skala terhadap tingkat pengenalan.

0%

20%

40%

60%

80%

100%

120%

Pengaruh Perubahan Rotasi

Tingkat

pengenalan

0%

20%

40%

60%

80%

100%

25cm 30cm 35cm

Pengaruh Perubahan Jarak

Tingkat Pengenalan


43

Pada Gambar 4.11. dapat dilihat bahwa pada pengaruh skala dengan perubahan

jarak antara webcam. Nilai persentase pengaruh variasi skala diperoleh dengan menghitung

nilai rerata dari 5 kali pengulangan untuk sepuluh jenis tekstur pada satu variasi skala

sebanyak 50data, dengan perhitungan jumlah banyak data yang berhasil dikenali pada satu

variasi translasi dibagi 50 dan dikali dengan 100%. Pada jarak 25cm memperoleh tingkat

pengenalan sebesar 78%, lalu pada jarak 30cm memperoleh tingkat pengenalan sebesar

94% dan pada jarak 35cm memperoleh tingkat pengenalan sebesar 62%.

Pada jarak 30cm sendiri memperoleh tingkat pengenalan terbaik, karena merupakan

sebagai jarak yang digunakan untuk menentukan titik center pengenalan dengan variasi

rotasi dan translasi. Sedangkan pada jarak 25cm dan 35 cm terjadi kesalahan pengenalan

dikarenakan perubahan nilai piksel akibat dari perubahan informasi yang diperoleh

webcam.

Pengujian pengaruh translasi dilakukan 5 kali pergeseran dengan jarak 1cm untuk

setiap tekstur. Perhitungan rerata pengaruh translasi terhadap tingkat pengenalan sama

dengan perhitungan yang digunakan pada perhitungan rerata pengaruh variasi rotasi yaitu

dengan menghitung nilai rerata dari 3 kali pengulangan untuk 10 jenis tekstur pada satu

variasi jarak pergeseran sebanyak 30data, dengan perhitungan jumlah banyak data yang

berhasil dikenali pada satu variasi jarak pergeseran dibagi 30 dan dikali dengan 100%.

Grafik pengaruh translasi terhadap tingkat pengenalan dapat dilihat pada Gambar 4.12.

Gambar 4.12. Grafik pengaruh variasi translasi terhadap tingkat pengenalan.

0%

20%

40%

60%

80%

100%

120%

Center 1cm 2cm 3cm 4cm 5cm

Perpindahan

Tin

gk

at

pen

gen

ala

n (

%)

Pengaruh Variasi Translasi

R(kanan)

L(kiri)

U(atas)

D(bawah)


44

Dalam pengujian pengaruh translasi terhadap tingkat pengenalan, pengenalan setiap

variasi translasi yaitu pergeseran setiap 1cm mengalami penurunan tingkat pengenalan.

Dimana tingkat pengenalan diperoleh dari hasil rerata pengujian pada setiap pergeseran

yang dapat dilihat pada lampiran. Pada Gambar 4.12. dapat dilihat center digunakan

sebagai titik tengah untuk menentukan arah dan jarak dari variasi translasi dan memiliki

nilai pengenalan tertinggi. Grafik penurunan setiap 1cm menjauh dari titik center, bahkan

terus mengalami penurunan tingkat pengenalan sampai jarak terjauh yang digunakan

penulis. Kesalahan pengenalan pada kenaikan jarak pergeseran objek dikarenakan

kesamaan informasi citra tekstur yang dikenali dengan basis data semakin sedikit serta

mengalami perubahan arah pencahayaan yang berpengaruh pada perubahan intensitas

cahaya pada citra grayscale.

Dari keseluruhan percobaan dan analisis yang dilakukan penulis memperoleh

beberapa kesimpulan yaitu, pada pengenalan dengan perubahan rotasi tingkat pengenalan

terbaik pada sudut 180° jika dibandingkan dengan variasi rotasi yang digunakan penulis

yaitu sebesar 86,60%. Namun pada sudut 80° memperoleh tingkat pengenalan terendah

yaitu sebesar 50%, begitu juga pada pengaruh skala dengan merubah jarak webcam dan

objek menjadi dekat ataupun menjadi jauh, akan mengalami penurunan dari tingkat

pengenalan. Dan untuk pengaruh translasi juga sama halnya dengan variasi rotasi dan

jarak, program akan mengalami penurunan tingkat pengenalan ketika semakin jauh

pergeseran citra tekstur dengan titik center. Berikut contoh hasil nilai fitur ekstraksi ciri

pada pengenalan tekstur yang salah pada Tabel 4.4.

Tabel 4.4. Contoh nilai fitur STD pengenalan pada anyaman bambu jarak 2cm.

Rerata

Intensitas

Deviasi


Jarak 25cm 125.634154 50.957747 -0.246766 0.022924 5.693894 0.0384

Dari data yang terdapat pada Tabel 4.4. dapat diperoleh nilai fungsi jarak dari

pengenalan yang terdapat pada Tabel 4.5. dengan menghitung keseluruhan nilai dari

ekstraksi ciri, dan untuk mengetahui nilai fitur statistical texture descriptor yang

berpengaruh paling dominan terhadap pengenalan, penulis menghitung masing-masing

jarak dari setiap nilai fitur diperoleh nilai jarak untuk setiap fitur STD yang terdapat pada

Tabel 4.6. dengan menghitung nilai jarak 6 fitur anyaman bambu 25cm dengan

keseluruhan basis data.


45

Tabel 4.5. Nilai hasil fungsi jarak.

Tekstur Jarak

Anyaman bambu 10.1472

Karpet 11.8884

Beras 31.8724

Tanah kering 15.2608

Dinding bata 7.9897

Lantai batu 26.7782

Jerami 3.5171

Atap genting 8.2877

Rumput 26.8174

Handuk 16.8744

Dapat dilihat pada Tabel 4.5. jarak terdekat pada tekstur jerami dengan nilai sebesar

3,5171 sehingga terjadi kesalahan pengenalan, dimana perogram mengenali anyaman bambu

dengan jarak pengambilan 25cm sebagai jerami.

Tabel 4.6. Nilai jarak pada setiap fitur anyaman bambu 25cm dengan basis data.

Dari Tabel 4.6 terlihat jarak terdekat untuk nilai fitur rerata intensitas terdapat pada

jerami yaitu sebesar 1,54965 , sedangkan untuk nilai fitur yang lain memiliki pengaruh yang kecil

karena nilai yang dihasilkan sangat kecil jika dibandingkan dengan nilai fitur rerata intensitas.

Berbeda dengan hasil yang diperoleh pada penelitian Automatic detection of small bowel

tumors in Capsule Endoscopy based on Color Curvelet Covariance statistical texture

descriptors tanpa variasi RST oleh Daniel J.C. dimana selain rerata intenitas, deviasi standar

juga mempengaruhi dari pengenalan dengan STD[13]. Dari hal tersebut penulis

menyimpulkan faktor utama penyebab terjadi penurunan tingkat pengenalan adalah

perubahan yang terjadi pada nilai fitur hasil dari statistical texture descriptor yang terdapat

Rerata

Intensitas

Deviasi


Anyaman 5.758140922 8.281999013 1.05088332 0.00461417 0.3353858 0.012805675

Karpet 6.020406547 10.20213615 0.451144768 0.01184049 0.89470539 0.01599544

Beras 31.79420212 1.950413259 1.075895706 0.00055856 0.13537351 0.002780311

Tanah 7.488629203 13.20749114 1.142449677 0.01234301 1.03418013 0.021146545

Dinding 5.536474964 5.679153422 0.218140468 0.01164765 0.93893671 0.008611721

Lantai 25.32667933 8.495237224 1.789707394 0.00711328 0.50954349 0.013155936

Jerami 1.549652047 3.024734407 0.2167327 0.01076556 0.87875704 0.004492943

Atap 7.265693005 15.22538931 0.132334714 0.00720268 0.35279827 0.024710647

Rumput 26.66014288 2.467690089 1.498959392 0.00352775 0.27554443 0.003649318

Handuk 7.265693005 15.22538931 0.132334714 0.00720268 0.35279827 0.024710647


46

dalam citra grayscale, dan nilai fitur yang berpengaruh paling dominan adalah rerata

intensitas.

Dari data pengujian lengkap yang terdapat pada lampiran diperoleh jumlah

kesalahan untuk setiap tekstur yang dapat dilihat pada Tabel 4.7.

Tabel 4.7. Jumlah kesalahan setiap tekstur.

Rotasi Jarak Translasi Total

Handuk 9 1 28 38

Karpet 0 0 15 15

Beras 0 0 8 8

Tanah 4 6 11 21

Lantai 11 5 7 23

Jerami 16 0 13 29

Dinding 3 6 6 15

Anyaman 23 6 49 78

Rumput 2 3 4 9

Atap 0 7 12 19

Dari data yang terdapat pada Tabel 4.7 pada pengenalan untuk setiap jenis tekstur

dengan pengaruh RST yang digunakan penulis, beberapa jenis tekstur seperti beras dan

rumput dapat dikatakan cukup tahan terhadap pengaruh RST karena jumlah kesalahan dari

seluruh pengenalan untuk 2 jenis tekstur tersebut relatif kecil jika dibandingkan dengan

jumlah kesalahan yang terjadi pada tekstur yang lainnya. Oleh sebab itu penulis

mengambil kesimpulan, beberapa tekstur yang berpola acak seperti beras dan rumput

cukup tahan terhadap pengenalan tekstur dengan statistical texture descriptor.


47

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil percobaan dan pengujian sistem pengenalan tekstur dengan

statistical texture descriptor dapat disimpulkan sebagai berikut:

1. Pengengenalan 100% diperoleh pada posisi titik tengah tanpa pengaruh RST

2. Berdasarkan hasil pengujian dengan variasi perubahan rotasi, pengenalan akan

mengalami penururan tingkat pengenalan sebesar 50% pada kondisi tekstur dengan

sudut rotasi 80° sampai 100°.

3. Berdasarkan hasil pengujian dengan variasi skala dengan perubahan jarak webcam

dengan tekstur mengalami penurunan tingkat pengenalan, pada jarak 25cm tingkat

pengenalan sebesar 78% dan 35cm tingkat pengenalan sebesar 62%.

4. Tingkat pengenalan tekstur pada pengaruh translasi akan mengalami penurunan

pada kondisi variasi translasi memiliki jarak yang jauh dengan titik center, dengan

rerata penurunan tingkat pengenalan per sentimeter sebesar 32%.

5. Dari setiap nilai fitur yang terdapat pada statistical texture descriptor, nilai fitur

yang berpengaruh paling dominan terhadap pengenalan yaitu rerata intensitas

6. Dari keseluruhan pengenalan tekstur dengan STD, untuk jenis tekstur dengan pola

yang acak seperti beras dan rumput cukup tahan terhadap pengaruh RST jika

dibandingkan dengan tekstur yang memiliki pola teratur seperti anyaman bambu.

5.2. Saran

Saran yang diberikan untuk pengembangan sistem pengenalan tekstur adalah:

1. Pengembangan dapat dilakukan dari segi percobaan dengan variasi RST yang lebih

banyak lagi untuk memperoleh data lebih akurat.

2. Pengembangan dapat dilakukan dengan ekstraksi ciri yang berbeda dengan

harapan dapat mencapai tingkat pengenalan tekstur sebesar 100%.


48

DAFTAR PUSTAKA

[1] Oki ,. ---, Pengertian Tekstur https://okistudio.com/pengertian-tekstur/, diakses 9

November 2017.

[2] Indriani, Mita, Santoso, Imam, Christyono, Yuli, 2011, Analisis Tekstur

Menggunakan Metode Run Length, Tugas Akhir, Jurusan Teknik Elektro, UNDIP.

[3] Bevk, Matjaz, Kononenko, Igor, 2002, A Statistical Approach To Texture

Description of Medical Images: A Preliminary Study, Faculty of Computer and

Information Science, University of Ljubljana, Ljubljana, Slovenia.

[4] Textures.com, Textures, ---, https://www.textures.com/homeNews , diakses 20

Februari 2018

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

webcam-c270 , diakses 7 maret 2018.

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

[7] Kadir, Abdul, Susanto, Adhi, 2013, Teori dan Aplikasi Citra, Andi, Yogyakarta

[8] Alexandra., ---,Prinsip Kerja Warna CMYK,

http://blog.ub.ac.id/frengky/category/news/, diakses 20 Desember 2017.

[9] Fatta, H.A., 2007, Konversi Format Citra RGB ke Format Grayscale menggunakan

Visual Basic, STMIK AMIKOM, Yogyakarta.

[10] Santi, C.N., S.Pd, M.Kom Mengubah Citra Berwarna Menjadi Gray-Scale dan Citra

Biner, Jurnal, FTI, Universitas Stikubank Semarang.

[11] Suwandi., ---, Sekilas Mengenai Histogram, http://sixsigmaindonesia.com/sekilas-

mengenai-histogram/ ,diakses 25 januari 2018.

[12] Supranto, J., 2000, Statistik Teori dan Aplikasi, Erlangga, Jakarta.

[13] Barbosa, Daniel J. C., Ramos, Jaime, Correia, José Higino and, Lima, Carlos S.

2009, Automatic detection of small bowel tumors in Capsule Endoscopy based on

Color Curvelet Covariance statistical texture descriptors, Minho University,

Portugal.


https://okistudio.com/pengertian-tekstur/

https://www.textures.com/homeNews

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

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

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

http://sixsigmaindonesia.com/sekilas-mengenai-histogram/

http://sixsigmaindonesia.com/sekilas-mengenai-histogram/

49

LAMPIRAN


L-1

LAMPIRAN 1

ALUR PROSES PENGENALAN TEKSTUR DENGAN


(Citra Tekstur Beras)

Mulai

Masukan:

Citra RGB

Konversi citra RGB

ke grayscale

A


L-2

B

A

Statistical Texture

Descriptor

Keluaran:

Hasil Statistical

TextureDescriptor


L-3

B

Masukan :

Hasil perhitungan jarak

Keluaran:

Hasil berupa teks

Selesai


L-4

LAMPIRAN 2

LISTING PROGRAM

LISTING PROGRAM PENGENALAN TEKSTUR

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

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

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

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

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

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

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

application % stop. All inputs are passed to TATEKSTUR_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 TATEKSTUR % Last Modified by GUIDE v2.5 05-Jun-2018 11:52:33 % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @TATEKSTUR_OpeningFcn, ... 'gui_OutputFcn', @TATEKSTUR_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


L-5

gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT % --- Executes just before TATEKSTUR is made visible. function TATEKSTUR_OpeningFcn(hObject, ~, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to TATEKSTUR (see VARARGIN)

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

% Update handles structure guidata(hObject, handles);

% UIWAIT makes TATEKSTUR wait for user response (see UIRESUME) % uiwait(handles.figure1); % --- Outputs from this function are returned to the command line. function varargout = TATEKSTUR_OutputFcn(~, ~, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure varargout{1} = handles.output;

% --- Executes on button press in ON. function ON_Callback(~, ~, handles) % hObject handle to ON (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) %inisialisasi global vidobj vidobj=videoinput('winvideo',1,'RGB24_640x480'); %resolusi 1

%tapilkan pada axes nBands=get(vidobj,'NumberOfBands'); hImage=image(zeros(480,640,nBands),'parent',handles.axes1); %resolusi 1 preview(vidobj,hImage);

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

%reset semua axes pada GUI axes(handles.axes1) plot(0) axes(handles.axes2) plot(0) axes(handles.axes3) plot(0)

%reset semua edit text menjadi 0 set(handles.edit1,'string','0');


L-6

set(handles.edit2,'string','0');

clc; % --- Executes on button press in AMBIL_GAMBAR. function AMBIL_GAMBAR_Callback(hObject, eventdata, handles) % hObject handle to AMBIL_GAMBAR (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) %inisial webcam global vidobj vidobj.FramesPerTrigger=1; triggerconfig(vidobj,'manual'); %proses capture start(vidobj); pause(0.5); trigger(vidobj); stoppreview(vidobj); frame=getdata(vidobj); %menyimpan gambar gambar=frame; imwrite(gambar, 'citra.jpg','jpg'); %tampilkan padA AXES axes(handles.axes1); imshow(gambar)

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

gambar=imread('c21.jpg'); axes(handles.axes1); imshow(gambar) %RUBAH KE GRAYSCALE=========================== J = rgb2gray(gambar); F = imadjust(J);

%tampilkan padA AXES2 axes(handles.axes2); imshow(F);

%HISTOGRAM==================================== axes(handles.axes3); imhist(F)

%tampilkan padA AXES3

%STD ################################################ % STATTEKSTUR memperoleh statistik tekstur % Masukan: F = citra berskala keabuan. [m, n] = size(F); % Hitung frekuensi aras keabuan L= 256; Frek = zeros(L,1); F= double(F); for i = 1 : m for j = 1 : n intensitas = F(i,j);


L-7

Frek(intensitas+1) = Frek (intensitas+1) + 1; end end % Hitung probabilitas jum_piksel = m* n; for i=0 : L-1 Prob(i+1) = Frek(i+1) / jum_piksel; end % Hitung mu (Rerata Intensitas) mu = 0; for i=0 : L-1 mu = mu + i * Prob(i+1); end

% Hitung deviasi standar (rerata kontras) varians = 0; for i=0 : L-1 varians = varians + (i - mu)^2 * Prob(i+1); end deviasi = sqrt(varians); varians_n = varians / (L-1)^2; %normalisasi %Hitung skewness skewness = 0; for i=0 : L-1 skewness = skewness + (i - mu)^3 * Prob(i+1); end skewness = skewness / (L-1)^2; %Energi (Keseragaman) energi = 0; for i=0 : L-1 energi = energi + Prob(i+1)^2; end %Entropi entropi = 0; for i=0 : L-1 if Prob(i+1) ~= 0 entropi = entropi + Prob(i+1) * log2(Prob(i+1)); end end entropi = -entropi; %Hitung R atau smoothness smoothness = 1-1/(1+varians_n); %nilai fitur xs=[mu;deviasi;skewness;energi;entropi;smoothness]; xstd=xs(:);

%Menampilkan hasil fitur STD

A1 = [ mu]; A2 = [ ... deviasi, skewness, energi, entropi, smoothness]; formatSpec = ' = %10.6f \n'; fprintf(formatSpec,A1,A2);

set(handles.edit1, 'String', sprintf(formatSpec,A1,A2));

%pemanggil database load dbres1


L-8

%F.JARAK======================================= r(1)=fungj(xstd,z{1}); r(2)=fungj(xstd,z{2}); r(3)=fungj(xstd,z{3}); r(4)=fungj(xstd,z{4}); r(5)=fungj(xstd,z{5}); r(6)=fungj(xstd,z{6}); r(7)=fungj(xstd,z{7}); r(8)=fungj(xstd,z{8}); r(9)=fungj(xstd,z{9}); r(10)=fungj(xstd,z{10});

minr=min(r) %PENENTUANKELUARAN============================= if(minr==r(1)) p={'Anyaman Bambu'}

elseif(minr==r(2)) p={'Karpet'} elseif(minr==r(3)) p={'Beras'} elseif(minr==r(4)) p={'Tanah Kering'} elseif(minr==r(5)) p={'Dinding Bata'} elseif(minr==r(6)) p={'Lantai Batu'} elseif(minr==r(7)) p={'Jerami'} elseif(minr==r(8)) p={'Atap Geteng'} elseif(minr==r(9)) p={'Rumput'} elseif(minr==r(10)) p={'Handuk'} end set(handles.edit2,'string',p);

function edit2_Callback(hObject, eventdata, handles) % hObject handle to edit2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of edit2 as text % str2double(get(hObject,'String')) returns contents of edit2 as a

double % --- Executes during object creation, after setting all properties. function edit2_CreateFcn(hObject, eventdata, handles) % hObject handle to edit2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns

called

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

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


L-9

function edit3_Callback(~, ~, handles) % hObject handle to edit3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of edit3 as text % str2double(get(hObject,'String')) returns contents of edit3 as a

double % --- Executes during object creation, after setting all properties. function edit3_CreateFcn(hObject, ~, handles) % hObject handle to edit3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns

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


function edit5_Callback(~, ~, ~) % hObject handle to edit5 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of edit5 as text % str2double(get(hObject,'String')) returns contents of edit5 as a

double % --- Executes during object creation, after setting all properties. function edit5_CreateFcn(hObject, ~, ~) % hObject handle to edit5 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns

called

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


function edit7_Callback(~, eventdata, ~) % hObject handle to edit2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of edit2 as text % str2double(get(hObject,'String')) returns contents of edit2 as a

double

% --- Executes during object creation, after setting all properties. function edit7_CreateFcn(hObject, eventdata, handles) % hObject handle to edit2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns

called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER.


L-10

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


function edit1_Callback(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of edit1 as text % str2double(get(hObject,'String')) returns contents of edit1 as a

double % --- Executes during object creation, after setting all properties. function edit1_CreateFcn(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns

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


% --- Executes during object deletion, before destroying properties. function figure1_DeleteFcn(hObject, eventdata, handles) % hObject handle to figure1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % make sure that the handles structure is not empty

LISTING PROGRAM BASIS DATA (640x480)

function dbxstdr1

x=imread('a21.jpg'); x=rgb2gray(x);x = imadjust(x); y1=stattekstur(x); x=imread('b21.jpg'); x=rgb2gray(x);x = imadjust(x); y2=stattekstur(x); x=imread('c21.jpg'); x=rgb2gray(x);x = imadjust(x); y3=stattekstur(x); x=imread('d21.jpg'); x=rgb2gray(x);x = imadjust(x); y4=stattekstur(x); x=imread('e21.jpg'); x=rgb2gray(x);x = imadjust(x); y5=stattekstur(x); x=imread('f21.jpg'); x=rgb2gray(x);x = imadjust(x); y6=stattekstur(x); x=imread('g21.jpg'); x=rgb2gray(x);x = imadjust(x); y7=stattekstur(x); x=imread('h21.jpg'); x=rgb2gray(x);x = imadjust(x); y8=stattekstur(x); x=imread('i21.jpg'); x=rgb2gray(x);x = imadjust(x); y9=stattekstur(x); x=imread('j21.jpg'); x=rgb2gray(x);x = imadjust(x); y10=stattekstur(x);

z={y1 y2 y3 y4 y5 y6 y7 y8 y9 y10}; save dbres1 z


L-11


function dbxstdr2

x=imread('a21res2.jpg'); x=rgb2gray(x);x = imadjust(x);

y1=stattekstur(x); x=imread('b21res2.jpg'); x=rgb2gray(x);x = imadjust(x);

y2=stattekstur(x); x=imread('c21res2.jpg'); x=rgb2gray(x);x = imadjust(x);

y3=stattekstur(x); x=imread('d21res2.jpg'); x=rgb2gray(x);x = imadjust(x);

y4=stattekstur(x); x=imread('e21res2.jpg'); x=rgb2gray(x);x = imadjust(x);

y5=stattekstur(x); x=imread('f21res2.jpg'); x=rgb2gray(x);x = imadjust(x);

y6=stattekstur(x); x=imread('g21res2.jpg'); x=rgb2gray(x);x = imadjust(x);

y7=stattekstur(x); x=imread('h21res2.jpg'); x=rgb2gray(x);x = imadjust(x);

y8=stattekstur(x); x=imread('i21res2.jpg'); x=rgb2gray(x);x = imadjust(x);

y9=stattekstur(x); x=imread('j21res2.jpg'); x=rgb2gray(x);x = imadjust(x);

y10=stattekstur(x);



function dbxstdr3

x=imread('a21res3.jpg'); x=rgb2gray(x);x = imadjust(x);

y1=stattekstur(x); x=imread('b21res3.jpg'); x=rgb2gray(x);x = imadjust(x);

y2=stattekstur(x); x=imread('c21res3.jpg'); x=rgb2gray(x);x = imadjust(x);

y3=stattekstur(x); x=imread('d21res3.jpg'); x=rgb2gray(x);x = imadjust(x);

y4=stattekstur(x); x=imread('e21res3.jpg'); x=rgb2gray(x);x = imadjust(x);

y5=stattekstur(x); x=imread('f21res3.jpg'); x=rgb2gray(x);x = imadjust(x);

y6=stattekstur(x); x=imread('g21res3.jpg'); x=rgb2gray(x);x = imadjust(x);

y7=stattekstur(x); x=imread('h21res3.jpg'); x=rgb2gray(x);x = imadjust(x);

y8=stattekstur(x); x=imread('i21res3.jpg'); x=rgb2gray(x);x = imadjust(x);

y9=stattekstur(x); x=imread('j21res3.jpg'); x=rgb2gray(x);x = imadjust(x);

y10=stattekstur(x);



L-12

LISTING PROGRAM Statistical Texture Descriptor

function Stat = stattekstur(F) % STATTEKSTUR memperoleh statistik tekstur % Masukan: F = citra berskala keabuan. % Keluaran: Stat = berisi statistik tekstur % % Didasarkan pada Gonzalez, Woods, dan Eddins, 2004

[m, n] = size(F);

% Hitung frekuensi aras keabuan L= 256; Frek = zeros(L,1); F= double(F); for i = 1 : m for j = 1 : n intensitas = F(i,j);

Frek(intensitas+1) = Frek (intensitas+1) + 1; end end

% Hitung probabilitas

jum_piksel = m* n; for i=0 : L-1 Prob(i+1) = Frek(i+1) / jum_piksel; end

% Hitung mu (Rerata Intensitas) mu = 0; for i=0 : L-1 mu = mu + i * Prob(i+1); end

% Hitung deviasi standar (rerata kontras) varians = 0; for i=0 : L-1 varians = varians + (i - mu)^2 * Prob(i+1); end

deviasi = sqrt(varians); varians_n = varians / (L-1)^2; %normalisasi

%Hitung skewness skewness = 0; for i=0 : L-1 skewness = skewness + (i - mu)^3 * Prob(i+1); end

skewness = skewness / (L-1)^2;

%Energi (Keseragaman) energi = 0; for i=0 : L-1 energi = energi + Prob(i+1)^2;


L-13

end

%Entropi entropi = 0; for i=0 : L-1 if Prob(i+1) ~= 0 entropi = entropi + Prob(i+1) * log2(Prob(i+1)); end end

entropi = -entropi;

%Hitung R atau smoothness smoothness = 1-1/(1+varians_n);

Stat=[mu;deviasi;skewness;energi;entropi;smoothness];

LISTING PROGRAM FUNGSI JARAK Euclidean

function ec=fungj(x,y) %rumus perhitungan ec=sqrt(sum((x-y).^2))


L-14

LAMPIRAN 3

DATA YANG DIPEROLEH

Tabel 1. Data hasil pengujian pengaruh variasi rotasi 0°.

O I

Handuk Karpet Beras Tanah

kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 3

Karpet 3

Beras 3

Tanah

kering 3

Lantai

batu 3

Jerami 3

Dinding

bata 3

Anyaman

bambu 3

Rumput 3

Atap 3 Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian

Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian



O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 3

Karpet 3

Beras 3

Tanah

kering 1 2

Lantai

batu 1 2

Jerami 3

Dinding

bata 3

Anyaman

bambu 1 2

Rumput 3





L-15


O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 3

Karpet 3

Beras 3

Tanah

kering 3

Lantai

batu 3

Jerami 0 3

Dinding

bata 3

Anyaman

bambu 3 0

Rumput 3





O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 3

Karpet 3

Beras 3

Tanah

kering 3

Lantai

batu 3 0

Jerami 0 3

Dinding

bata 3

Anyaman

bambu 3 0

Rumput 3





L-16


O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 0 3

Karpet 3

Beras 2 1

Tanah

kering 3

Lantai

batu 2 0 1

Jerami 0 1 2

Dinding

bata 3

Anyaman

bambu 3 0

Rumput 3





O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 0 3

Karpet 3

Beras 3

Tanah

kering 3 0

Lantai

batu 3

Jerami 0 3

Dinding

bata 3

Anyaman

bambu 3 0

Rumput 3





L-17


O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 3

Karpet 3

Beras 3

Tanah

kering 3

Lantai

batu 3

Jerami 0 3

Dinding

bata 3

Anyaman

bambu 3 0

Rumput 2 1





O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 3

Karpet 3

Beras 3

Tanah

kering 3

Lantai

batu 3

Jerami 0 3

Dinding

bata 3 0

Anyaman

bambu 3 0

Rumput 3





L-18


O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 3

Karpet 3

Beras 3

Tanah

kering 2 1

Lantai

batu 0 3

Jerami 3

Dinding

bata 3

Anyaman

bambu 3 0

Rumput 3





O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 0 3

Karpet 3

Beras 3

Tanah

kering 3

Lantai

batu 3

Jerami 3

Dinding

bata 3

Anyaman

bambu 1 2

Rumput 3





L-19

Tabel 11. Data hasil pengujian pengaruh variasi skala 100%.

O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 5

Karpet 5

Beras 5

Tanah

kering 5

Lantai

batu 5

Jerami 5

Dinding

bata 4 1

Anyaman

bambu 1 4

Rumput 1 4






Tabel 12. Data hasil pengujian pengaruh variasi skala 116,7%.

O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 5

Karpet 5

Beras 5

Tanah

kering 0 1 4

Lantai

batu 2 1 2

Jerami 5

Dinding

bata 5

Anyaman

bambu 5 0

Rumput 1 4

Atap 1 4 0 Ket : Angka 5 : Huruf yang dikenali sebanyak 5 kali dalam 5 kali pengujian






L-20

Tabel 13. Data hasil pengujian pengaruh variasi skala 83,3%.

O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 4 1

Karpet 5

Beras 5

Tanah

kering 4 1

Lantai

batu 4 1

Jerami 5

Dinding

bata 1 1 0 3

Anyaman

bambu

5

Rumput 1 4

Atap 2 3 Ket : Angka 5 : Huruf yang dikenali sebanyak 5 kali dalam 5 kali pengujian





Tabel 14. Data hasil pengujian pengaruh variasi translasi titik center.

O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 3

Karpet 3

Beras 3

Tanah

kering 3

Lantai

batu 3

Jerami 3

Dinding

bata 3

Anyaman

bambu 3

Rumput 3





L-21

Tabel 15. Data hasil pengujian pengaruh variasi translasi R 1cm

O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 3

Karpet 3

Beras 3

Tanah

kering 3

Lantai

batu 3

Jerami 3

Dinding

bata 3

Anyaman

bambu 1 2

Rumput 3





O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 3

Karpet 3

Beras 3

Tanah

kering 3

Lantai

batu 3

Jerami 3

Dinding

bata 3

Anyaman

bambu 3 0

Rumput 3





L-22


O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 3

Karpet 3

Beras 2 1

Tanah

kering 2 1

Lantai

batu 3

Jerami 3

Dinding

bata 3

Anyaman

bambu 3 0

Rumput 3




Tabel 18. Data hasil pengujian pengaruh variasi translasi R 4cm.

O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 0 3

Karpet 0 3

Beras 3 0

Tanah

kering 3 0

Lantai

batu 3

Jerami 3

Dinding

bata 3

Anyaman

bambu 3 0

Rumput 3





L-23

Tabel 19. Data hasil pengujian pengaruh variasi translasi R 5cm.

O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 0 3

Karpet 0

Beras 3 0

Tanah

kering 3 0

Lantai

batu 3

Jerami 3

Dinding

bata 3

Anyaman

bambu 3 0

Rumput 3




Tabel 20. Data hasil pengujian pengaruh variasi translasi L 1cm.

O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 3

Karpet 3

Beras 3

Tanah

kering 3

Lantai

batu 3

Jerami 3

Dinding

bata 3

Anyaman

bambu

3 0

Rumput

3





L-24


O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 3

Karpet 2 1

Beras 3

Tanah

kering 3

Lantai

batu 3

Jerami 3

Dinding

bata

3

Anyaman

bambu

3 0

Rumput 3





O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 2 1

Karpet 2 1

Beras 3

Tanah

kering 3

Lantai

batu 3

Jerami 3

Dinding

bata 3

Anyaman

bambu 3 0

Rumput 3 0





L-25


O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 0 3

Karpet 3

Beras 3

Tanah

kering 0

3

Lantai

batu 3

Jerami 3

Dinding

bata 3

Anyaman

bambu 3 0

Rumput 1 2





O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 1 2

Karpet 3

Beras 3

Tanah

kering 2

1

Lantai

batu 3

Jerami 3

Dinding

bata 3

Anyaman

bambu 0 3

Rumput 3





L-26

Tabel 25. Data hasil pengujian pengaruh variasi translasi U 1cm

O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 3

Karpet 3

Beras 3

Tanah

kering 3

Lantai

batu 3

Jerami 3

Dinding

bata 3

Anyaman

bambu 3 0

Rumput 3





O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 0 3

Karpet 3

Beras 3

Tanah

kering 3

Lantai

batu 3

Jerami 3

Dinding

bata 3

Anyaman

bambu 3

Rumput 3





L-27


O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 0 3

Karpet 3

Beras

3

Tanah

kering 3

Lantai

batu 3

Jerami 3

Dinding

bata 3

Anyaman

bambu

3

Rumput 3




Tabel 28. Data hasil pengujian pengaruh variasi translasi U 4cm.

O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 0 3

Karpet 0 3

Beras

3

Tanah

kering

3

Lantai

batu 3

Jerami 3

Dinding

bata 3

Anyaman

bambu 0 3

Rumput 3





L-28

Tabel 29. Data hasil pengujian pengaruh variasi translasi U 5cm.

O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 0 3

Karpet 0 3

Beras

3

Tanah

kering

3

Lantai

batu 3

Jerami 3

Dinding

bata 3

Anyaman

bambu 3 0

Rumput 3




Tabel 30. Data hasil pengujian pengaruh variasi translasi D 1cm.

O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 2 1

Karpet 3

Beras 3

Tanah

kering 3

Lantai

batu 0 3

Jerami 0 3

Dinding

bata 3

Anyaman

bambu 3

0

Rumput

3





L-29


O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 3

Karpet 3

Beras 3

Tanah

kering 3

Lantai

batu 0 3

Jerami 0 3

Dinding

bata 3

Anyaman

bambu 3

0

Rumput

3





O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 0 3

Karpet 3

Beras 3

Tanah

kering 3

Lantai

batu 2 1

Jerami 0 3

Dinding

bata 3

Anyaman

bambu 3 0

Rumput

3





L-30


O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 3

Karpet 3

Beras 3

Tanah

kering 3

Lantai

batu 1 2

Jerami 3 0

Dinding

bata 3

Anyaman

bambu 3

0

Rumput

3

Atap

3 Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian




O I


kering

Lantai

batu Jerami

Dinding

bata

Anyaman

bambu Rumput Atap

Handuk 3

Karpet 3

Beras 3

Tanah

kering 3

Lantai

batu 1 2

Jerami 3 0

Dinding

bata 3

Anyaman

bambu 3

0

Rumput

3

Atap

3 Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian




L-31

LAMPIRAN 4

HASIL RERATA TINGKAT PENGENALAN TEKSTUR

DENGAN STATISTICAL TEXTURE DESCRIPTOR

1. Hasil pengujian pengaruh variasi RST terhadap pengenalan tekstur.

Rerata pengaruh variasi Rotasi terhadap tingkat pengenalan

0° 20° 40° 60° 80° 100° 120° 140° 160° 180°

Tingkat

pengenalan 100% 83.30% 80% 70% 50% 60% 73.30% 70% 76.60% 86.60%

Rerata pengaruh variasi Skala terhadap tingkat pengenalan

25cm 30cm 35cm

Tingkat

Pengenalan 78% 94% 62%

Rerata pengaruh variasi translasi terhadap tingkat pengenalan

Center 1cm 2cm 3cm 4cm 5cm

R(kanan) 100% 96.60% 90% 76.60% 50% 50%

L(kiri) 100% 90% 86.60% 73.30% 53.30% 66.60%

U(atas) 100% 86.60% 90% 90% 63.30% 60%

D(bawah) 100% 66.60% 70% 66.60% 73% 73%

Rerata pengaruh RST terhadap keseluruhan tingkat pengenalan tekstur

R S T

Tingkat Pengenalan Tekstur 75% 78% 78%


PENGENALAN TEKSTUR DENGAN STATISTICAL TEXTURE … · Seiring dengan berkembangnya teknologi...

Documents

Transcript of PENGENALAN TEKSTUR DENGAN STATISTICAL TEXTURE … · Seiring dengan berkembangnya teknologi...