PENGENALAN TEKSTUR DENGAN STATISTICAL TEXTURE … · Seiring dengan berkembangnya teknologi...
Transcript of 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
STATISTICAL TEXTURE DESCRIPTOR
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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].
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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:
(( ) ) (( ) ) ((
) )
√
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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]:
( ) √∑ ( ( ) ( ))
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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”.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Standar Skewness Energi Entropi Smoothness
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Standar Skewness Energi Entropi Smoothness
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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%.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
LAMPIRAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-1
LAMPIRAN 1
ALUR PROSES PENGENALAN TEKSTUR DENGAN
STATISTICAL TEXTURE DESCRIPTOR
(Citra Tekstur Beras)
Mulai
Masukan:
Citra RGB
Konversi citra RGB
ke grayscale
A
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-2
B
A
Statistical Texture
Descriptor
Keluaran:
Hasil Statistical
TextureDescriptor
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-3
B
Masukan :
Hasil perhitungan jarak
Keluaran:
Hasil berupa teks
Selesai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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');
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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'),
get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end
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'),
get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-10
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end
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'),
get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end
% --- 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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-11
LISTING PROGRAM BASIS DATA (320x240)
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);
z={y1 y2 y3 y4 y5 y6 y7 y8 y9 y10}; save dbres2 z
LISTING PROGRAM BASIS DATA (160x120)
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);
z={y1 y2 y3 y4 y5 y6 y7 y8 y9 y10}; save dbres3 z
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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))
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
Tabel 2. Data hasil pengujian pengaruh variasi rotasi 20°.
O I
Handuk Karpet Beras Tanah
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
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-15
Tabel 3. Data hasil pengujian pengaruh variasi rotasi 40°.
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 0 3
Dinding
bata 3
Anyaman
bambu 3 0
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
Tabel 4. Data hasil pengujian pengaruh variasi rotasi 60°.
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 0
Jerami 0 3
Dinding
bata 3
Anyaman
bambu 3 0
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-16
Tabel 5. Data hasil pengujian pengaruh variasi rotasi 80°.
O I
Handuk Karpet Beras Tanah
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
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
Tabel 6. Data hasil pengujian pengaruh variasi rotasi 100°.
O I
Handuk Karpet Beras Tanah
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
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-17
Tabel 7. Data hasil pengujian pengaruh variasi rotasi 120°.
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 0 3
Dinding
bata 3
Anyaman
bambu 3 0
Rumput 2 1
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
Tabel 8. Data hasil pengujian pengaruh variasi rotasi 140°.
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 0 3
Dinding
bata 3 0
Anyaman
bambu 3 0
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-18
Tabel 9. Data hasil pengujian pengaruh variasi rotasi 160°.
O I
Handuk Karpet Beras Tanah
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
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
Tabel 10. Data hasil pengujian pengaruh variasi rotasi 180°.
O I
Handuk Karpet Beras Tanah
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
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-19
Tabel 11. Data hasil pengujian pengaruh variasi skala 100%.
O I
Handuk Karpet Beras Tanah
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
Atap 5 Ket : Angka 5 : Huruf yang dikenali sebanyak 5 kali dalam 5 kali pengujian
Angka 4 : Huruf yang dikenali sebanyak 4 kali dalam 5 kali pengujian
Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 5 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 5 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 5 kali pengujian
Tabel 12. Data hasil pengujian pengaruh variasi skala 116,7%.
O I
Handuk Karpet Beras Tanah
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
Angka 4 : Huruf yang dikenali sebanyak 4 kali dalam 5 kali pengujian
Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 5 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 5 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 5 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-20
Tabel 13. Data hasil pengujian pengaruh variasi skala 83,3%.
O I
Handuk Karpet Beras Tanah
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
Angka 4 : Huruf yang dikenali sebanyak 4 kali dalam 5 kali pengujian
Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 5 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 5 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 5 kali pengujian
Tabel 14. Data hasil pengujian pengaruh variasi translasi titik center.
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-21
Tabel 15. Data hasil pengujian pengaruh variasi translasi R 1cm
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 1 2
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
Tabel 16. Data hasil pengujian pengaruh variasi translasi R 2cm
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 0
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-22
Tabel 17. Data hasil pengujian pengaruh variasi translasi R 3cm
O I
Handuk Karpet Beras Tanah
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
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
Tabel 18. Data hasil pengujian pengaruh variasi translasi R 4cm.
O I
Handuk Karpet Beras Tanah
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
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-23
Tabel 19. Data hasil pengujian pengaruh variasi translasi R 5cm.
O I
Handuk Karpet Beras Tanah
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
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
Tabel 20. Data hasil pengujian pengaruh variasi translasi L 1cm.
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 0
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-24
Tabel 21. Data hasil pengujian pengaruh variasi translasi L 2cm.
O I
Handuk Karpet Beras Tanah
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
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
Tabel 22. Data hasil pengujian pengaruh variasi translasi L 3cm.
O I
Handuk Karpet Beras Tanah
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
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-25
Tabel 23. Data hasil pengujian pengaruh variasi translasi L 4cm.
O I
Handuk Karpet Beras Tanah
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
Atap 3 0 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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
Tabel 24. Data hasil pengujian pengaruh variasi translasi L 5cm.
O I
Handuk Karpet Beras Tanah
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
Atap 3 0 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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-26
Tabel 25. Data hasil pengujian pengaruh variasi translasi U 1cm
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 0
Rumput 3
Atap 1 2 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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
Tabel 26. Data hasil pengujian pengaruh variasi translasi U 2cm
O I
Handuk Karpet Beras Tanah
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
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-27
Tabel 27. Data hasil pengujian pengaruh variasi translasi U 3cm
O I
Handuk Karpet Beras Tanah
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
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
Tabel 28. Data hasil pengujian pengaruh variasi translasi U 4cm.
O I
Handuk Karpet Beras Tanah
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
Atap 2 1 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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-28
Tabel 29. Data hasil pengujian pengaruh variasi translasi U 5cm.
O I
Handuk Karpet Beras Tanah
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
Atap 3 0 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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
Tabel 30. Data hasil pengujian pengaruh variasi translasi D 1cm.
O I
Handuk Karpet Beras Tanah
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
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-29
Tabel 31. Data hasil pengujian pengaruh variasi translasi D 2cm.
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 0 3
Jerami 0 3
Dinding
bata 3
Anyaman
bambu 3
0
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
Tabel 32. Data hasil pengujian pengaruh variasi translasi D 3cm.
O I
Handuk Karpet Beras Tanah
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
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
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-30
Tabel 33. Data hasil pengujian pengaruh variasi translasi D 4cm.
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 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
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
Tabel 34. Data hasil pengujian pengaruh variasi translasi D 5cm.
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 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
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI