PENGENALAN TEKSTUR MENGGUNAKANrepository.usd.ac.id/35511/2/155114020_full.pdf · 2019. 8. 27. ·...

TUGAS AKHIR

PENGENALAN TEKSTUR MENGGUNAKAN

METODE LAWS SERTA MODUL NIRKABEL

Diajukan untuk memenuhi salah satu syarat

memperoleh gelar Sarjana Teknik pada

Program Studi Teknik Elektro

Jurusan Teknik Elektro

Fakultas Sains dan Teknologi Universitas Sanata Dharma

disusun oleh :

YOHANES IRVAN YULIANTO

NIM : 155114020

PROGRAM STUDI TEKNIK ELEKTRO

JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2019

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

FINAL PROJECT

TEXTURE RECOGNITION USING LAWS METHOD

AND WIRELESS MODULE

In a partial fulfillment of the requirements

for the degree of Sarjana Teknik

Department of Electrical Engineering

Faculty of Science and Technology Sanata Dharma University


NIM : 155114020

DEPARTMENT OF ELECTRICAL ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2019


iii

LEMBAR PERSETUJUAN

TUGAS AKHIR



(TEXTURE RECOGNITION USING LAWS METHOD

AND WIRELESS MODULE)

Oleh :


NIM : 155114020

telah disetujui oleh :

Pembimbing I

Dr. Ir. Linggo Sumarno, M.T. Tanggal : _____________


iv

HALAMAN PENGESAHAN

TUGAS AKHIR



(TEXTURE RECOGNITION USING LAWS METHOD

AND WIRELESS MODULE)

Disusun oleh:


NIM : 155114020

Telah dipertahankan didepan panitia penguji

Pada tanggal 10 Juli 2019

Dan dinyatakan memenuhi syarat

Susunan Panitia Penguji :

Nama Lengkap Tanda Tangan

Ketua : Damar Widjaja, Ph.D. ______________

Sekretaris : Dr. Linggo Sumarno ______________

Anggota : Wiwien Widyastuti, S.T.,M.T. ______________

Yogyakarta, ______________

Fakultas Sains dan Teknologi

Universitas Sanata Dharma

Dekan,

Sudi Mungkasi, S.Si, M.Math.Sc., Ph.D.


v

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat karya atau

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

sebagaimana karya ilmiah.

Yogyakarta, 23 Juli 2019

Penulis

Yohanes Irvan Yulianto


vi

HALAMAN PERSEMBAHAN

MOTTO :

“Sukses Adalah Saat Persiapan dan Kesempatan Bertemu”

Persembahan

Skripsi ini aku persembahkan untuk

Kedua orang tuaku yang selalu bisa memberikanku semangat

Hingga aku bisa sampai pada saat ini

Kakak dan keluarga yang selalu mendukung dan mendoakanku

Serta teman-teman yang selalu bisa menghibur


vii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

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

Nama : YOHANES IRVAN YULIANTO

Nomor Mahasiswa : 155114020

Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan

Universitas Sanata Dharma karya ilmiah yang berjudul :

PENGENALAN TEKSTUR DENGAN

MENGGUNAKAN METODE LAWS SERTA MODUL

NIRKABEL

Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan

kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam

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

terbatas, dan mempublikasikannya di Internet atau media lain untuk kepentingan akademis

tanpa perlu meminta ijin dari saya maupun memberikan royalti kepada saya selama tetap

mencantumkan nama saya sebagai penulis.

Dengan ini pernyataan yang saya buat dengan sebenarnya.


Penulis



viii

INTISARI

Tekstur banyak digunakan sebagai fitur untuk temu kembali citra. Hal ini disebabkan

beberapa objek mempunyai pola – pola tertentu, yang bagi manusia mudah untuk dikenali.

Berkembangnya teknologi pengolahan citra digital, manusia menginginkan agar komputer,

dapat mengenali citra seperti layaknya penglihatan manusia. Analisis tekstur digunakan

untuk mengetahui pola suatu citra dengan menggunakan komputer. Analisis tekstur

menghasilkan nilai dari ciri atau karakteristik tekstur yang kemudian dapat diolah pada

komputer.

Tujuan dari penelitian ini adalah membuat aplikasi yang dapat mengklasifikasi jenis

tekstur menggunakan metode Laws. Pengenalan tekstur, diberikan variasi seperti rotasi,

skala dan translasi. Tujuan pemberian variasi perpindahan ini untuk mengetahui tingkat

keberhasilan saat melakukan pengenalan tekstur, dan membuktikan pengaruh dari variasi

RST.

Metode yang dapat digunakan untuk proses analisis tekstur dengan menggunakan

metode Laws. Metode ini mengemukakan metode yang digunakan untuk mengklasifikasi

setiap kelompok piksel di dalam citra guna menentukan ukuran energi tekstur lokal. Metode

Laws menggunakan beberapa filter, seperti Gaussian, deteksi tepi, dan jenis Laplacian.

Filter – filter tersebut dipakai untuk membentuk citra yang berisi energi tekstur. Hasil

ekstraksi ciri pada metode ini adalah dua nilai fitur yaitu rata – rata dan varian.

Kata kunci : laws, tekstur, filter.


ix

ABSTRACT

Texture is widely used as a feature for image retrieval. This is because some objects

have certain patterns, which for humans are easy to recognized. The development of digital

image processing technology, humans want computers to be able to recognize images like

human vision. Texture analysis is used to determine the pattern of an image using a

computer. Texture analysis produces values from the characteristics or characteristics of

textures which can then be processed on a computer.

The purpose of this study is to make applications that can classify texture types using

the Laws method. Introduction to textures, given variation, rotation and scale. The purpose

of giving this vsriation is to determine the level of succes when doing texture recognition,

and to prove the influence of variations in RST.

Methods that can be used for the texture analysis process using the Laws method.

This method suggests the method used to classify each group of pixels in the image to

determine the size of the local texture energy. The Laws method uses several filters, such as

Gaussian, edge detection, and Laplacian types. These filters are used to form images that

contain texture energy. The results of feature extraction in this method are two feature values,

namely average and variance.

Keywords : laws, texture, filter


x

KATA PENGANTAR

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

kasih-Nya yang telah dilimpahkan-Nya sehingga penulis dapat menyelesaikan Tugas Akhir

yang berjudul Pengenalan Tekstur Menggunakan Metode Laws Serta Modul Nirkabel.

Tugas Akhir ini disusun sebagai salah satu syarat kelulusan untuk memperoleh gelar

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

Universitas Sanata Dharma Yogyakarta.

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

banyaknya pihak, baik secara langsung maupun tidak langsung. Penulis menyadari bahwa

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

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

kepada :

1. Tuhan Yesus Kristus, yang selalu membimbing, menyertai saya dari awal hingga

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

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

Teknologi 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, dan selalu

meluangkan waktu untuk bimbingan.

5. Bapak Damar Widjaja Ph.D. 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 staf sekretariat Teknik Elektro, atas bantuannya dalam membantu dan melayani

mahasiswa.


xi

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

penulis hingga terselesaikannya tugas akhir ini..

9. Semua teman Teknik Elektro angkatan 2015 yang selalu mendukung dan

memberikan semangat.

10. Ezra Alvansga dan Danu Crismanto yang selalu mendukung dalam terselesaikannya

tugas akhir ini.

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

yang tidak bisa saya sebutkan satu persatu.

Penulis sangat menyadari bahwa penulisan tugas akhir ini masih terdapat banyak

kekurangan dan jauh dari sempurna. Oleh karena itu, penulis sangat mengharapkan

masukan, kritik dan saran yang sifatnya membangun agar tugas akhir ini nantinya bisa

menjadi lebih baik dan dapat bermanfaat bagi smua pihak. Sekian dan terima kasih.


Penulis



xii

DAFTAR ISI

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

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

LEMBAR PERSETUJUAN .............................................................................................. iii

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

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

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

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

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

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

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

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

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

DAFTAR TABEL ............................................................................................................. xiv

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

BAB I .................................................................................................................................. 18

1.1. Latar Belakang ...................................................................................................... 18

1.2. Tujuan dan Manfaat Penelitian ............................................................................. 19

1.3. Batasan Masalah ................................................................................................... 20

1.4. Metode Penelitian ................................................................................................. 21

BAB II ................................................................................................................................. 23

2.1 Tekstur ....................................................................................................................... 23

2.2 ArduCam OV2640 ................................................................................................ 24

2.3 ESP8266 NodeMCU ............................................................................................. 25

2.4 Pengolahan Citra Digital ....................................................................................... 27

2.4.1. Definisi Citra Digital .......................................................................................... 27

2.4.2 Ruang warna RGB .............................................................................................. 28

2.4.3. Citra grayscale .................................................................................................... 29

2.4.2. Mengonversi Citra RGB ke grayscale ............................................................... 30

2.5 Metode Laws ......................................................................................................... 30

2.6 Konvolusi .............................................................................................................. 32

2.7 Similaritas Kosinus ............................................................................................... 41

2.8 Basis Data ............................................................................................................. 42


xiii

BAB III ............................................................................................................................... 43

3.1. Proses Pengenalan Citra Tekstur .............................................................................. 43

3.1.1. Pengambilan Citra Tekstur ................................................................................. 45

3.1.2. Pengambilan dan Pengiriman Video Tekstur ..................................................... 46

3.1.3 Penerimaan Video Tekstur ................................................................................. 47

3.1.4. Tahap Preprocessing .......................................................................................... 49

3.1.5. Tahap Ekstraksi Ciri ........................................................................................... 49

3.1.6. Penentuan Keluaran............................................................................................ 52

3.2. Perancangan Basis Data ........................................................................................ 53

3.3. Perancangan Tampilan GUI MATLAB ................................................................ 55

3.4. Perancangan Hardware ......................................................................................... 57

3.5. Pengujian Citra Tekstur ........................................................................................ 58

BAB IV ............................................................................................................................... 59

4.1. Hasil Pengujian dan Analisis .................................................................................... 59

4.1.1. Pengujian Pengaruh RST Terhadap Pengenalan Tekstur ................................... 61

4.1.2. Pengujian Tambahan Pengaruh Resolusi Arducam ........................................... 67

4.2. Perbandingan Dengan Penelitian Sebelumnya ......................................................... 75

BAB V ................................................................................................................................. 78

5.1. Kesimpulan ............................................................................................................... 78

5.2. Saran ......................................................................................................................... 78

DAFTAR PUSTAKA ........................................................................................................ 79

LAMPIRAN ....................................................................................................................... 80


xiv

DAFTAR TABEL

Tabel 2.1 Spesifikasi arducam ............................................................................................ 25

Tabel 2.2 Kombinasi cadar 1 x 3 ......................................................................................... 32

Tabel 2.3 Hasil perhitungan mean dan varian dari 9 pasang cadar Laws ........................... 40

Tabel 3.1 Rincian jumlah pengambilan data ....................................................................... 46

Tabel 3.2 Keterangan GUI .................................................................................................. 57

Tabel 4. 1 Tingkat keberhasilan pengenalan tekstur ........................................................... 61

Tabel 4. 2 Tabel perbandingan penelitian sebelumnya dengan penelitian sekarang ........... 77


xv

DAFTAR GAMBAR

Gambar 2.1 (a) Gabah. (b) Anyaman bambu. (c) Rumput. (d) Jagung. (e) Kacang Tanah.

(f) Jerami. (g) Handuk. (h)Batu. (i) Keset (j) Karung Goni ......................... 23

Gambar 2.2 Citra tekstur ganda (a) gabah dan karung goni, (b) jagung dan karung goni,

(c) kacang dan karung goni. ......................................................................... 24

Gambar 2.3 arducam mini OV2640 ................................................................................. 25

Gambar 2.4 ESP8266 NodeMCU generasi kedua ............................................................ 26

Gambar 2.5 Skematik posisi pin NodeMCU .................................................................... 26

Gambar 2.6 Koordinat Citra Digital ................................................................................ 27

Gambar 2.7 Ilustrasi Digitalisasi Citra . ........................................................................... 28

Gambar 2.8 Skema ruang warna RGB dalam bentuk kubus . .......................................... 28

Gambar 2.9 Penambahan Campuran Warna Merah, Hijau, dan Biru . ............................ 29

Gambar 2.10 Cadar Laws berukuran 1 x 3 ......................................................................... 31

Gambar 2.11 Konvolusi dilakukan dengan melakukan proses di sepanjang kolom dan

baris pada citra ........................................................................................... 33

Gambar 2.12 Contoh Konvolusi 2 dimensi ...................................................................... 35

Gambar 2.13 Perhitungan konvolusi pada piksel pertama ................................................. 36

Gambar 2.14 Perhitungan piksel kedua dengan menggeser kernel ke kanan ..................... 36

Gambar 2.15 Pergeseran kernel satu piksel ke kanan ........................................................ 37

Gambar 2.16 Perhitungan konvolusi pada baris kedua ...................................................... 37

Gambar 2.17 Perhitungan piksel kedua dengan menggeser kernel ke kanan ..................... 38

Gambar 2.18 Pergeseran kernel satu piksel ke kanan ........................................................ 38

Gambar 2.19 Hasil akhir perhitungan konvolusi ................................................................ 39

Gambar 2.20 Bagian kernel yang tidak memiliki pasangan dengan piksel ...................... 40

Gambar 3.1 Diagram blok proses pengenalan tekstur ...................................................... 43

Gambar 3.2 Diagram alir ekstraksi ciri ............................................................................ 44

Gambar 3.3 Diagram alir subrutin Pengambilan Citra ..................................................... 45

Gambar 3.4 (a) Diagram alir subrutin pengambilan dan pengiriman video streaming dan

(b) Diagram alir inisialisasi NodeMCU ....................................................... 46

Gambar 3.5 (Lanjutan) (a) Diagram alir subrutin pengambilan dan pengiriman video

streaming dan (b) Diagram alir inisialisasi nodeMCU ................................ 47


xvi

Gambar 3.6 Diagram alir subrutin penerimaan video streaming ..................................... 48

Gambar 3.7 Diagram alir subrutin Preproocessing .......................................................... 49

Gambar 3.8 Diagram alir subrutin ekstraksi ciri .............................................................. 50

Gambar 3.9 Diagram alir subrutin metode laws ............................................................... 51

Gambar 3.10 Diagram alir subrutin fungsi jarak Similaritas Kosinus ............................... 52

Gambar 3.11 Diagram alir subrutin penentuan keluaran .................................................... 53

Gambar 3.12 Blok Diagram Subrutin Basis Data............................................................... 53

Gambar 3.13 Diagram alir perancangan basis data ............................................................ 54

Gambar 3.14 Sketsa perancangan GUI............................................................................... 55

Gambar 3.15 Diagram alir pengenalan citra pada GUI ...................................................... 56

Gambar 3.16 Perancangan Peletakan ................................................................................. 58

Gambar 4. 1 Persentase pengenalan tekstur tunggal tanpa pengaruh rst ........................... 60

Gambar 4. 2 Persentase pengenalan tekstur ganda tanpa pengaruh rst ............................. 60

Gambar 4. 3 Grafik pengaruh variasi rotasi terhadap tingkat pengenalan. ....................... 62

Gambar 4.4 Grafik pengaruh variasi skala terhadap tingkat pengenalan. ........................ 63

Gambar 4.5 Grafik pengaruh variasi translasi terhadap tingkat pengenalan. ................... 64

Gambar 4. 6 Variasi RST tekstur ganda ............................................................................ 65

Gambar 4. 7 Uji coba pengaruh jarak sebesar 40 meter ................................................... 66

Gambar 4. 8 Persentase variasi jarak modul nirkabel ....................................................... 66

Gambar 4. 9 Pengenalan tekstur terhadap kuat sinyal ....................................................... 67

Gambar 4.10 Perbandingan pengaruh rotasi menggunakan resolusi 160 × 120 dan resolusi

320 × 240 untuk tekstur tunggal. ................................................................. 68


320 × 240 untuk tekstur ganda. .................................................................... 69

Gambar 4.12 Perbandingan pengaruh skala menggunakan resolusi 160 × 120 dan resolusi

320 × 240 untuk tekstur tunggal. ................................................................. 70


320 × 240 untuk tekstur ganda. .................................................................... 71

Gambar 4.14 Perbandingan pengaruh translasi menggunakan resolusi 160 × 120 dan

resolusi 320 × 240 untuk tekstur tunggal. .................................................... 71


resolusi 320 × 240 untuk tekstur ganda. ...................................................... 72

Gambar 4. 16 Perbandingan pengaruh perubahan variasi rotasi ........................................ 74


xvii

Gambar 4. 17 Perbandingan pengaruh perubahan variasi skala ........................................ 74

Gambar 4. 18 Perbandingan pengaruh perubahan variasi translasi ................................... 75


18

BAB I

PENDAHULUAN

1.1. Latar Belakang

Menurut Bhosle dan Pawar [1], tekstur merupakan pengulangan dari elemen atau

pola pada suatu permukaan. Pengulangan elemen pada suatu permukaan membuat suatu

permukaan bisa dikatakan memiliki tekstur. Menurut Kamus Besar Bahasa Indonesia,

tekstur adalah ukuran dan susunan (jaringan) bagian suatu benda. Dalam pengertian lain,

tekstur merupakan jalinan atau penyatuan bagian-bagian sesuatu sehingga membentuk suatu

benda (seperti susunan serat dalam kain, susunan sel-sel dalam tubuh). Tekstur juga bisa

diartikan sebagai perasaan, rupa, atau konsistensi suatu permukaan atau substansi.

Penggunaan tekstur dapat dibagi menjadi dua, pertama untuk keperluan segmentasi atau

pemisahan antara satu objek dengan objek yang lainnya. Kedua adalah untuk klasifikasi

tekstur, dengan menggunakan fitur – fitur tekstur untuk mengklasifikasi objek.

Penggunaan tekstur untuk memperoleh suatu ciri atau karakteristik sebuah tekstur

dapat diperoleh dengan ekstraksi ciri tekstur. Tekstur dapat dianggap sebagai

pengelompokan kesamaan di dalam suatu citra. Sifat-sifat subpola lokal 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.

Ekstraksi ciri tekstur semakin dikembangkan, dengan tujuan penggunaan komputer

pada pembacaan tekstur bisa menyerupai mata manusia. Tujuan lain adalah agar komputer

dapat memahami dan memproses tekstur. Karena komputer tidak memiliki kemampuan

melihat seperti manusia, maka komputer hanya mengetahui pola suatu citra digital dari

karakteristik teksturnya. Ekstraksi ciri citra merupakan tahapan mengidentifikasi ciri atau

informasi dari tekstur yang diambil oleh kamera, yang ingin dikenali atau dibedakan dengan

ciri tekstur lainnya. Ekstraksi ciri dilakukan dengan cara menghitung jumlah titik atau pixel

yang ada pada tekstur yang ditangkap oleh kamera.

Penulis membuat penelitian tentang pengenalan tekstur dengan ekstraksi ciri

menggunakan Metode Laws, yang diharapkan mampu mengenali citra tekstur dengan


19

masukan sistem pengenalan tekstur ini yaitu jarak dan perpindahan. Laws mengemukakan

metode yang digunakan untuk mengklasifikasi setiap kelompok piksel di dalam citra guna

menentukan ukuran energi tekstur lokal. Penulis menggunakan metode Laws, karena sudah

dilakukan penelitian sebelumnya oleh Muhammad Bahrul H, dengan judul Implementasi

Konvolusi Berbasis Kernel Laws Menggunakan Renderscript Pada Android[2], model

pemrograman yang diusulkan dalam penelitian tersebut adalah Renderscript dengan

menggunakan perangkat mobile berbasis android, dan penelitian tersebut mencoba

mengimplementasikan filter tekstur Laws untuk pengukuran energi tekstur pada citra. Hasil

dari penelitian ini adalah implementasi komputasi paralel pada metode Laws untuk

menentukan ukuran energi tekstur daun cocor bebek. Penelitian tersebut membandingkan

proses implementasi metode Laws secara sekuens dan komputasi secara pararel. Hasil

perbandingan menunjukkan angka 92% peningkatan konsumsi waktu yang dihasilkan dari

implementasi komputasi pararel. Penelitian yang kedua oleh Sonali Dash dan Uma Ranjan

Jena dengan judul texture Classification Using Laws Filter in Various Color Spaces[3].

Hasil dari penelitian ini adalah perbandingan hasil klasifikasi ruang warna termasuk tingkat

keabuan menggunakan metode Laws antara Salzburg Texture Image Database (Stex) dan

The Vision Texture (VisTex).

Penulis mengembangkan penelitian sebelumnya oleh Wayan Pandri Adnyana dengan

judul Pengenalan Tekstur Dengan Statistical Texture Descriptor [4], untuk mengembangkan

penelitian sebelumnya mengenai tingkat keberhasilan pengenalan tekstur pada uji variasi

RST metode Laws. Selain itu dengan menambahkan modul nirkabel dalam proses

pengiriman data. Untuk dapat diproses lebih lanjut data dikirim dari transmiter menuju

receiver dengan menggunakan modul nirkabel. Pengiriman data dengan menggunakan

wireless dengan keuntungan lebih praktis, kecepatan pengiriman juga cukup tinggi, terdapat

juga kerugian di antaranya dimungkinkan kehilangan data saat pengiriman akibat adanya

interferensi dengan sinyal lain dan harga perangkat yang biasanya cukup mahal.

1.2. Tujuan dan Manfaat Penelitian

Tujuan dari penelitian ini adalah membuat aplikasi yang dapat mengklasifikasi jenis

tekstur menggunakan metode Laws serta modul nirkabel.


20

Manfaat dari penelitian ini adalah sebagai alat bantu bagi peneliti yang menggunakan

computer vision untuk mengetahui jenis citra tekstur dari berbagai macam jenis bahan

dengan karakteristiknya.

1.3. Batasan Masalah

Sistem pengembangan pengenalan tekstur dengan metode Laws serta modul nirkabel

menggunakan software dan hardware. Perangkat lunak yang digunakan berupa program

Matlab. Perangkat keras berupa laptop, webcam serta modul nirkabel. Untuk penelitian ini

Matlab digunakan untuk mengolah data tekstur yang diambil menggunakan kamera.

Pada penelitian ini penulis fokus pada pembuatan software untuk ekstraksi ciri

tekstur. Dalam pengembangan penelitian ini penulis menetapkan beberapa batasan masalah,

antara lain:

a. Kondisi cahaya sekitar mempengaruhi tangkapan citra dan hasil ketika diproses

menggunakan metode Laws.

b. Variasi jarak antara tekstur yang diambil dengan perangkat kamera.

c. Metode Laws dan fungsi Similaritas Kosinus digunakan untuk pengenalan citra

tekstur.

d. Menggunakan fungsi Similaritas Kosinus sebagai metode perbandingan untuk

mengenali tekstur.

e. Pengiriman data mengunakan modul wifi ESP8266 NodeMCU.

f. Batas maksimal jarak dalam penggunaan modul wifi ESP8266 NodeMCU.

g. Citra tekstur yang dikenali ada 2 jenis tekstur tunggal antara lain; gabah, anyaman

bambu, rumput, jagung, kacang tanah, jerami, handuk, bebatuan, keset, karung goni.

Tekstur ganda : gabah dengan karung goni, jagung dengan karung goni, kacang

dengan jagung dengan proporsi 50% tekstur 1 dan 50% untuk tekstur 2.

h. Citra yang dikenali sebagai input adalah citra RGB dengan ukuran 160 x 120.

i. Menggunakan 3 variasi sudut putaran yaitu 20o, 60o dan 120o. Variasi sudut tersebut

diperoleh berdasarkan penelitian sebelumnya[4].

j. Menggunakan 3 variasi jarak yaitu 20 cm, 25 cm, dan 30 cm. Variasi jarak tersebut

diperoleh berdasarkan penelitian sebelumnya[4].

k. Translasi berukuran 1 cm, yang terdiri dari geser ke atas, bawah, kiri dan kanan.


21

l. Hasil pengenalan tekstur diluar 13 tekstur yang sudah dilatihkan akan dikenali

sebagai 13 tekstur yang sudah dilatihkan. 13 tekstur ini terdiri dari 10 tekstur pada

penelitian sebelumnya[4], ditambah tiga tekstur ganda dari masukan penguji.

m. Jarak modul nirkabel dengan laptop diambil dengan jarak 0 meter hingga 80 meter.

1.4. Metode Penelitian

Langkah – langkah dalam pengerjaan tugas akhir:

a. Pengumpulan bahan – bahan referensi berupa jurnal – jurnal ilmiah, buku, serta

website mengenai pengenalan tekstur dan modul nirkabel, program Matlab, image

processing dan metode Laws .

b. Pembuatan software

Sistem pengenalan tekstur akan bekerja apabila pengguna menekan tombol “

Camera ON” dalam tampilan visual software. Kemudian arducam akan mengambil

citra yang sudah ditentukan. Setelah proses pengambilan citra, arducam mengirim

data citra kedalam laptop dengan menggunakan modul esp8266. Selanjutnya, citra

diterima di laptop, lalu Matlab akan memproses citra tekstur yang sudah ditangkap

menggunakan Arducam. Hasil dari proses dibandingkan dengan hasil ekstraksi ciri

dari basis data. Penelitian ini menggunakan fungsi similaritas kosinus, dengan ini

tekstur dengan hasil terkecil akan keluar sebagai keluaran berupa tulisan pada layar

monitor.

c. Pembuatan basis data

Pembuatan basis data diawali dengan mengambil data berupa citra tekstur.

Citra tekstur yang disimpan kedalam basis data sebanyak 13 data. Selanjutnya data

tersebut diproses pada tahap preprocessing. Tahap preprocessing yaitu mengonversi

citra RGB ke grayscale. Hasil preprocessing akan menjadi masukkan pada tahap

ekstraksi ciri. Hasil ekstraksi ciri berupa angka dan disimpan ke dalam matriks basis

data. Tahap ekstraksi ciri disimpan dalam format “.mat”. Hasil ekstraksi ciri

disimpan dalam folder dan digunakan sebagai acuan dalam pengenalan tekstur.


22

d. Pengambilan data

Penilitian ini menggunakan 13 jenis tekstur, variasi skala, sudut perputaran

(rotasi) dan posisi awal suatu citra (translasi). Tekstur yang diuji ialah tekstur tunggal

dan tekstur ganda. Sepuluh jenis tekstur tunggal yang akan diuji antara lain: gabah,

jagung, kacang tanah, anyaman bambu, karung goni, keset, jerami, handuk, rumput,

dan bebatuan. Tiga jenis tekstur ganda yang akan diuji antara lain: gabah dan karung

goni, jagung dan karung goni, serta kacang dan karung goni. Untuk variasi skala citra

tekstur digunakan 3 variasi jarak yaitu 20cm, 25cm dan 30cm . Sudut putaran yang

akan digunakan yaitu 0°, 20°, 60° dan 120°. Citra digeser sebanyak 4 kali dari posisi

awal. Jumlah data yang diambil terdiri dari, 13 citra tekstur x 3 variasi jarak = 39

data, 13 citra tekstur x 4 variasi sudut = 52 data dan 13 citra tekstur x 4 variasi

translasi = 52 data. Masing – masing data kemudian ditambahkan dan didapat data

sebanyak 143 data pada penelitian ini.

e. Analisis dan penyimpulan

Analisis data yang dilakukan dengan meneliti pengaruh variasi rotasi, jarak,

dan pergeseran input terhadap pengenalan tekstur. Penyimpulan hasil dilakukan

untuk mengetahui pengaruh invarian rotasi, skala dan translasi terhadap Metode

Laws.Penyimpulan hasil juga dilakukan dengan membandingkan performasi Metode

Laws dengan Statistical Texture Descriptor.


23

BAB II

DASAR TEORI

2.1 Tekstur

Menurut Kamus Besar Bahasa Indonesia, tekstur merupakan ukuran dan susunan

(jaringan) bagian sutu benda. Dalam pengertian lain, tekstur merupakan jalinan atau

penyatuan bagian – bagian sesuatu sehingga membentuk suatu benda (seperti susunan serat

dalam kain, susunan sel-sel dalam tubuh). Menurut Bhosle dan Pawar[1], tekstur merupakan

pengulangan dari elemen atau pola pada suatu permukaan. Pengulangan elemen pada suatu

permukaan membuat suatu permukaan bisa dikatakan memiliki tekstur. Dalam bukunya,

Kadir mengatakan definisi tekstur sebagai hubungan mutual antara nilai intensitas piksel

kedatangan yang berulang di suatu area yang lebiih luas daripada jarak hubungan

ketetanggaan tersebut[1]. Beberapa tekstur yang digunakan dibagi menjadi 2 jenis, yaitu

tekstur tunggal dan tekstur ganda yang dapat dilihat pada Gambar 2.1 di bawah ini.

Gambar 2.1 (a) Gabah. (b) Anyaman bambu. (c) Rumput. (d) Jagung. (e) Kacang Tanah.

(f) Jerami. (g) Handuk. (h)Batu. (i) Keset (j) Karung Goni

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

(e)

(e)

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


24

Gambar 2.1. menunjukkan citra tekstur tunggal. Hanya ada satu jenis tekstur yang

akan diambil ketika melakukan proses ekstraksi ciri. Sedangkan untuk citra tekstur ganda

berupa gabungan 2 citra tekstur yang dijadikan satu ketika dilakukan proses ekstraksi ciri.

Terdapat 3 citra tekstur ganda yang digunakan dan dapat dilihat pada Gambar 2.2..

(a) (b) (c)

Gambar 2.2 Citra tekstur ganda (a) gabah dan karung goni, (b) jagung dan karung goni, (c)

kacang dan karung goni.

Dari beberapa tekstur yang digunakan, tekstur dapat dianggap sebagai

pengelompokan kesamaan di dalam suatu citra. Sifat - sifat subpola lokal tersebut

menimbulkan keseragaman, kerapatan, kekasaran, keteraturan dan ketidakteraturan. Tekstur

yang digunakan diambil dengan menggunakan kamera.

2.2 ArduCam OV2640

Modul kamera ArduCAM OV2640 merupakan versi yang paling baik dari

ArduCAM Shield Rev.C. Modul kamera ini adalah kamera SPI high definition 2 MP dengan

sensor gambar CMOS OV2640. Spesifikasi arducam dapat dilihat pada Tabel 2.1. Code

library dan peralatan pendukung dibutuhkan untuk dapat menggunakan arducam OV2640.

Arducam memiliki kelebihan diantara lain dapat digunakan di berbagai kit, seperti arduino

dan Raspberry. Model arducam yang digunakan dalam penelitian ini dapat dilihat pada

Gambar 2.3.


25

Tabel 2.1 Spesifikasi arducam

Key Specification 2MP

Image Sensor OV2640

Active array size 1600 x 1200

Shutter Rolling shutter

Lens ¼ inch

SPI Speed 8MHz

Frame buffer size 384KB

Board size 34 x 24 mm

Weight 20g

Temperature -10oC ~+55oC

Power consumption Normal : 5V/70mALow

Power mode : 5V/20mA

Gambar 2.3 arducam mini OV2640

2.3 ESP8266 NodeMCU

ESP8266 merupakan modul wifi yang berfungsi sebagai perangkat tambahan

mikrokontroler seperti arduino agar dapat terhubung langsung dengan wifi dan membuat

koneksi TCP/IP[3]. ESP8266 NodeMCU merupakan development board berbasis modul

ESP8266 varian ESP-12. NodeMCU adalah sebuah platform IoT yang bersifat opensource.

Istilah NodeMCU secara default sebenarnya mengacu pada firmware yang digunakan.

ESP8266 NodeMCU memerlukan daya sebesar 3,3 V namun masih bisa terhubung dengan

5V namun melalui port micro USB, dengan tiga metode station, acces point, dan keduanya.

Pada umumnya, ESP8266 NodeMCU dapat diprogram dengan AT command via serial


26

UART atau dengan pemrograman ke mikrokontroler yang ada di ESP8266 menggunakan

Arduino IDE. Gambar 2.4. menunjukkan model kit dari ESP8266 NodeMCU.

Gambar 2.4 ESP8266 NodeMCU generasi kedua

Gambar 2.5. menunjukkan skematik posisi pin NodeMCU generasi kedua.

NodeMCU generasi kedua ini adalah pengembangan dari versi sebelumnya, yaitu ESP

12 menjadi ESP 12E, dan IC Serial diubah dari CHG340 menjadi CP2102.

Gambar 2.5 Skematik posisi pin NodeMCU


27

2.4 Pengolahan Citra Digital

2.4.1. Definisi Citra Digital

Citra digital adalah gambar dua dimensi yang bisa ditampilkan pada layar

komputer sebagai himpunan / diskrit nilai digital yang disebut pixel / picture elements.

Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak

melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi

keluaran yang berbentuk citra.

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 2.6[6].

Gambar 2.6 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(M - 1,0)⋮

f(M - 1,1) ⋮

⋯ f(M - 1, N - 1)

] (2.1)


28

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 2.7.

Gambar 2.7 Ilustrasi Digitalisasi Citra (piksel pada koordinat x = 10, y = 3

memiliki nilai 110) [6].

2.4.2 Ruang warna RGB

Citra RGB merupakan jenis citra yang menyajikan warna dalam bentuk

komponen R (merah), G (hijau), B (biru). Setiap komponen warna menggunakan 8 bit

(nilainya berkisar antara 0 sampai dengan 255)[6]. 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 2.8.

Gambar 2.8 Skema ruang warna RGB dalam bentuk kubus [1].

f(x,y)


29

Pencampuran tiga warna dasar dapat direpresentasikan dalam suatu sinar

tambahan untuk membentuk warna baru. Pencampuran tiga warna dasar ini dapat

dilihat pada Gambar 2.9. menunjukkan hasil campuran tiga warna dasar yaitu

pencampuran antara 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 2.9 Penambahan Campuran Warna Merah, Hijau, dan Biru [8].

2.4.3. Citra grayscale

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. Pada

jenid gambar ini, warna dinyatakan dengan intensitas. Intensitas berkisar antara 0 sampai

255. Nilai 0 menyatakan hitam dan nilai 255 menyatakan putih.


30

2.4.2. 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. Citra warna 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[11]:

𝑠 = 0.2989 ∗ 𝑅 + 0.5870 ∗ 𝐺 + 0.1140 ∗ 𝐵 (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.

2.5 Metode Laws

Laws merupakan metode yang digunakan untuk mengklasifikasi setiap kelompok

piksel di dalam citra guna menentukan ukuran energi tekstur lokal[1]. Pada metode ini

filter Gaussian, deteksi tepi, dan jenis Laplacian ditambahkan guna melengkapi metode

laws dan membentuk citra yang berisi energi tekstur, sehingga dapat digunakan untuk

kepentingan segmentasi. Ekstraksi tekstur dengan metode Laws ini menggunakan

pasangan cadar yang berguna untuk proses filterisasinya. Pasangan cadar ada dua yaitu

pasangan cadar 1 x 3 dengan 9 pasang cadar untuk proses filterisasinya, dan pasangan

cadar dengan ukuran 1 x 5 dengan 25 pasang cadar. Pada penelitian ini penulis

menggunakan pasangan cadar 1 x 3. Masing – masing pasangan cadar memiliki beberapa


31

nama filter berupa L3, E3, dan S3, ketiga nama filter tersebut memiliki bentuknya seperti

berikut :

LE = [1 2 1]

E3 = [-1 0 1]

S3 = [-1 2 -1]

Karakteristik ketiga filter ditunjukkan pada gambar 2.10. setiap huruf awal di

dalam cadar gabahal dari kepanjangan kata seperti berikut :

L = Local averaging, yang berarti perataan secara lokal

E = Edge detection, yang berarti pendeteksian tepi

S = Spot detection, yang berarti pendeteksian titik

Gambar 2.10 Cadar Laws berukuran 1 x 3[11]

Pasangan dua cadar dapat digabung berdasar perkalian vektor. Dengan demikian, akan

terbentuk matriks berukuran 3x3 atau 5x5. Sebagai contoh, L3 x S3 menghasilkan matriks

seperti berikut:

121

242

121

121

1

2

1

Oleh karena itu, dengan cadar berukuran 1x3 dapat diperoleh kombinasi perkalian

sebanyak 9, sedangkan dengan cadar berukuran 1x5 dapat terbentuk 25 kombinasi

perkalian. Tabel 2.3. menunjukkan kesembilan kombinasi ketiga cadar 1x3.


32

Tabel 2.2 Kombinasi cadar 1 x 3

Nama Kernel Matriks Keterangan

L3L3 L3’L3 Menyatakan perataan intensitas aras keabuan piksel –

piksel yang bertetangga dengan ukuran 3 x 3

L3E3 L3’E3 Pererataan pada arah vertikal dan pendeteksian tepi pada

arah horizontal

L3S3 L3’S3 Pererataan pada arah verikal dan pendeteksian tiik pada

arah horizontal

E3L3 E3’L3 Pendeteksian tepi pada arah vertikal dan perataan

intensitas pada arah horizontal

E3E3 E3’E3 Pendeteksian tepi pada arah vertikal dan horizontal

E3S3 E3’S3 Pendeteksian tepi pada arah vertikal dan pendeteksian

titik pada arah horizontal

S3L3 S3’L3 Pendeteksian titik pada arah vertikal dan pererataan

intensitas pada arah horizontal

S3E3 S3’E3 Pendeteksian titik pada arah vertikal dan pendeteksian

tepi pada arah horizontal

S3S3 S3’S3 Pendeteksian titik pada arah vertikal dan horizontal

2.6 Konvolusi

Konvolusi merupakan perkalian antara matrik citra asal dengan matrik tapis

untuk menghasilkan citra yang baru. Operasi konvolusi dilakukan dengan menggeser

kernel konvolusi pixel per pixel, dan hasil konvolusi disimpan dalam matrik yang baru.

Wujud kernel umumnya bujur sangkar, tetapi dapat pula berbentuk persegi panjang.

Gambar di bawah ini menunjukan penggunaan konvolusi, dengan kernel digeser

sepanjang baris dan kolom dalam citra. Pada pelaksanaan proses koonvolusi, kernel

digeser sepanjang baris dan kolom dalam citra. Gambar 2.11 menunjukkan penggunaan

proses konvolusi.


33

Gambar 2.11 Konvolusi dilakukan dengan melakukan proses di sepanjang

kolom dan baris pada citra [1]

Metode konvolusi memiliki kemampuan merekonstruksi kerusakan nilai-nilai

pixel pada sebuah citra sehingga dapat melakukan proses pengubahan sebuah tampilan

citra menjadi lebih bagus. Melalui pengisian nilai-nilai matrix dapat memperjelas dan

memperhalus citra agar menjadi lebih natural sesuai objek aslinya. Mempertajam garis

tepi citra dan memperhalus atau melembutkan citra [9]. Konvolusi sangat banyak

dipergunakan dalam pengolahan citra untuk memperhalus (smoothing), menajamkan (

sharpening ), mendeteksi tepi (edge detection), serta efek lainnya. Manfaat lain

menggunakan konvolusi adalah perbaikan kualitas citra, menghilangkan derau, dan

mengurangi kerutan.

Pada pengolahan citra digital, konvolusi dilakukan secara dua dimensi pada

sebuah citra melalui persamaan berikut [9] :

jk

kyjxfkjhyxg ),().,(),( (2.3)

Dalam prakteknya, persamaan diatas ditulis ulang sebagai berikut :

2

2

2

2

),().,(),(m

mj

n

nk

kyjxfkjhyxg (2.4)


34

Dari persamaan diatas terdapat m2 dan n2, dimana m2 sama dengan setengah lebar

kernel dan n2 sama dengan setengah dari tinggi kernel. Persamaan dari kedua

keterangan tersebut dapat dilihat sebagai berikut :

]2/[2 mm (2.5)

dan

]2/2[2 nn (2.6)

Dasar mekanisme yang digunakan untuk memahami konvolusi satu dimensi, dapat

diperluas ke domain dua dimensi. Dari kasus tersebut A biasanya masukan citra asli

dan B merupakan citra kedua. Sebagai contoh, dapat dilihat dari perkalian konvolusi

dibawah ini.

64432173

83294581

90148125

42408979

60912724

38403590

01591123

73264385

A

210

111

012

B

Hasil konvolusi dari A*B akan menjadi seperti berikut :

1211512102559

2231261921

9171673915

5243116121

991210992129

1829152214

1133728118

496232621020

* BA


35

Gambar 2.12 Contoh Konvolusi 2 dimensi [10]

Gambar 2.12. menunjukkan perhitungan piksel per piksel pada proses

konvolusi, dari kiri atas hingga piksel terakhir. Kernel g(x) merupakan suatu jendela

yang dioperasikan secara bergeser pada sinyal masukan f(x), yang berarti jumlah

perkalian kedua fungsi pada setiap titik merupakan hasil konvolusi yang dinyatakan

dengan keluaran h(x).

Teknik konvolusi yang digunakan pada citra, pada umumnya pixel yang akan

diproses dengan pixel – pixel disekitarnya dimasukkan ke dalam sebuah matrix 2

dimensi yang berukuran N x M. Matrix ini dinamakan matrix neighbor (matrix tetangga,

dimana dimensi filter pada umumnya berkelipatan ganjil karena titik yang akan diproses

diletakkan di tengah dari matrix. Untuk citra, konvolusi dituliskan :

h(x,y) = f(x,y) * g(x,y) (2.6)

Dibawah ini merupakan contoh ilustrasi hasil operasi konvolusi. Dengan

permisalan citra f(x,y) yang berukuran 5x5 dan sebuah kernel atau mask yang berukuran

3x3.

Perkalian cadar 1 dengan cadar 2

121

242

121

121

1

2

1


36

Hasil perkalian cadar 1 dan cadar 2 menjadi sebuah kernel berukuran 3x3.

f(x,y) merupakan matrik citra asal, g(x,y) merupakan kernel.

44252

35576

26665

25566

45344

),( yxf dan

121

242

121

),( yxg

1. Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai piksel pada posisi (0,0)

dari kernel.

Gambar 2.13 Perhitungan konvolusi pada piksel pertama

Hasil konvolusi = 4, nilai ini dihitung dengan cara berikut :

(-1x4) + (2x4) +(-1x3) + (-2x6) + (4x6) + (-2x5) + (-1x5) + (6x2) + (-1x6) = 4

2. Geser kernel satu piksel ke kanan, kemudian hitung piksel pada posisi (0,0) dari

kernel.

Gambar 2.14 Perhitungan piksel kedua dengan menggeser kernel ke kanan


37

Hasil perhitungan sebagai berikut :

(-1x4) + (2x3) + (-1x5) + (-2x6) + (4x5) + (-2x5) + (-1x6) + (2x6) + (-1x6) = -5 0

Karena hasil perhitungan negatif maka nilai dirubah menjadi nol (0)

3. Geser kernel satu piksel ke kanan, kemudian hitung nilai piksel pada posisi (0,0) dari

kernel.

Gambar 2.15 Pergeseran kernel satu piksel ke kanan


(-1x3) + (2x5) + (-1x4) + (-2x5) + (4x5) + (-2x2) + (-1x6) + (2x6) + (-1x2) = 13

4. Geser kernel satu piksel kebawah, lalu mulai kembali melakukan konvolusi dari sisi

kiri citra.

Gambar 2.16 Perhitungan konvolusi pada baris kedua


(-1x6) + (2x6) + (-1x5) + (-2x5) + (4x6) + (-2x6) + (-1x6) + (2x7) + (-1x5) = 6


38

5. Geser kernel satu piksel ke kanan.

Gambar 2.17 Perhitungan piksel kedua dengan menggeser kernel ke kanan

Hasil perhitungan sebgain berikut :

(-1x6) + (2x5) + (-1x5) + (-2x6) + (4x6) + (-2x6) + (-1x7) + (2x5) + (-1x5) = -3 0

Karena hasil perhitungan negatif, maka nilai dirubah menjadi nol (0)

6. Geser kernel satu piksel kekanan.

Gambar 2.18 Pergeseran kernel satu piksel ke kanan


(-1x5) + (2x5) + (-1x2) + (-2x6) + (4x6) + (-2x2) + (-1x5) + (2x5) + (-1x3) = 13

7. Dengan cara yang sama, piksel-piksel pada baris ketiga di konvolusi dan didapatkan

hasil seperti dibawah ini :


39

Gambar 2.19 Hasil akhir perhitungan konvolusi

Setelah melalui proses ekstraksi ciri menggunakan metode laws dan proses

konvolusi, lalu dihitung mean dan variance sebagai hasil keluaran, dengan

menggunakan persamaan 2.7 dan 2.8.

Rumus mean

W

ngpixelsneighbourimean w

(2.7)

(14+3+0+9+5+20+4+0+13+0+19+6+0+13+0+13+13+0+10+4+3+15+0+6+9)

25

= 179

25

= 7.16


40

Rumus varian

W

meanngpixelsneighbouriiance w

2)(var (2.8)

)16,713()16,70()16,74(16,720()16,75()16,79()16,70()16,73()16,714( +

(0−7,16)+(19−7,16)+(6−7,16)+(0−7,16)+(13−7,16)+(0−7,16)+(13−7,16)+(13−7,16)+(0−7,16)+(10−7,16)+(4−7,16)+(3−7,16)+(15−7,16)+(0−7,16)+6−7,16)+(9−7,16)

25

= 0

25 = 2,8

Tabel 2.3 Hasil perhitungan mean dan varian dari 9 pasang cadar Laws

L1 L2 L3 L4 L5 L6 L7 L8 L9

Mean 71,68 0 4,16 0 17,92 2,08 3,2 1,36 0,68

varian 0,4 0 2,496 0 0 0,9152 1,648 0,8704 0,4624

Gambar 2.20. Menunjukkan beberapa piksel tidak dikenai konvolusi, yaitu baris

dan kolom yang terletak di tepi citra. Hal ini disebabkan piksel yang berada pada tepi

tidak memiliki tetangga yang lengkap sehingga tentu saja rumus konvolusi tidak berlaku

pada piksel seperti itu. Piksel yang tidak dikenai konvolusi maka bernilai 0.

A

B

Gambar 2.20 Bagian kernel yang tidak memiliki pasangan dengan piksel [1]

Gambar 2.20. menunjukan problem konvolusi pada piksel yang tidak mempunyai

tetangga. Keadaan seperti itu dapat diatasi dengan mengabaikan piksel pada bagian tepi.

Cara seperti ini dapat diatasi dengan memberikan nilai nol atau diisi sesuai nilai pada citra


41

asal. Solusi yang kedua adalah membuat baris dan kolom tambahan pada bagian tepi, baris

dan kolom baru diisi dengan nilai nol (0). Solusi yang ketiga adalah dengan mengambil

bagian yang tidak punya pasangan dengan bagian lain dari citra.

2.7 Similaritas Kosinus

Metode Similaritas Kosinus dapat digunakan untuk membandingkan database

dengan data hasil masukan secara real-time. Pembandingan data ini yang akan digunakan

untuk mengidentifikasi masukan yang nantinya menghasilkan keluaran akhir dari sistem

program. Similaritas merupakan proses yang digunakan untuk penentuan keluaran

sebelum keluaran akhir benar-benar dihasilkan.

Rumus untuk similaritas kosinus sebagai berikut [10]:

d

i i

d

i I

d

i

QP

QiPiSCos

1

2

1

2

1

.

. (2.9)

Ket. : P = data masukan ; Q = database; d = banyak data

Contoh penggunaan rumus Similaritas Kosinus sebagai berikut :

Elemen Matriks A = ( 1, 2, 3 )

Elemen Matriks B = ( 2, 3, 4 )

Elemen Matriks C = ( 3, 2, 3 )

Similaritas Kosinus matriks A dan matriks B

Scos =(1×2)+(2×3)+(3×4)

√12+22+32× √22+32+42

=20

√14 × √29

=0,922

Similaritas Kosinus matriks A dan matriks C

Scos = (1×3)+(2×2)+(3×3)

√12+22+32 × √32+23+33


42

=16

√14 × √22

= 0,911

2.8 Basis Data

Dalam penelitian ini basis data diperlukan pada proses perhitungan jarak. Basis

data merupakan kumpulan informasi yang akan menjadi acuan dan disimpan dalam

komputer secara sistematik. Pembuatan basis data dilakukan sebanyak 13 kali percobaan

dengan 10 jenis tekstur tunggal dan 3 jenis tekstur ganda, untuk menghasilkan 13 sampel

dari masing – masing tekstur.


43

BAB III

RANCANGAN PENELITIAN

3.1. PROSES PENGENALAN CITRA TEKSTUR

Proses pengenalan citra tekstur diawali dengan pemilihan dan pengambilan citra

yang akan diolah, pembuatan database berdasarkan citra yang diambil menggunakan

kamera, ekstraksi ciri dengan metode Laws menggunakan program Matlab, fungsi jarak, dan

proses penentuan hasil keluaran dari ekstraksi ciri. Proses perancangan sistem pengenalan

tekstur dapat dilihat pada Gambar 3.1.

Gambar 3.1 Diagram blok proses pengenalan tekstur

Pengambilan

Citra Tekstur

Pengiriman

Citra Tekstur

Penerimaan

Citra

Tekstur

Database

Fungsi

similaritas

kosinus

Penentuan

Keluaran

Preprocessing Ekstraksi Ciri

dengan Metode

laws

Keluaran

berupa teks

pada

monitor


44

Proses pengambilan citra menggunakan Arducam. Berdasarkan diagram blok di atas

pengiriman dan penerimaan citra tekstur, menggunakan modul nirkabel esp8266. Proses

preprocessing citra tekstur yang diambil dikonversi ke dalam bentuk grayscale, kemudian

citra menjadi masukan untuk tahap selanjutnya, yaitu tahap pengenalan.

Tahap pengenalan terdiri dari beberapa tahap yaitu ekstraksi ciri, perhitungan fungsi

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

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

dari hasil perbandingan antara data awal dengan hasil ekstraksi ciri. Gambar 3.2

menunjukkan diagram alir ekstraksi ciri secara keseluruhan.

Gambar 3.2 Diagram alir ekstraksi ciri


45

Diagram alir di atas menunjukkan proses ekstraksi ciri. Tahap awal yang dilakukan

adalah pengambilan citra tekstur dengan Arducam OV2640, dimana objek dari tekstur

berupa gambar citra yang diambil secara realtime, lalu dikirim menggunakan modul nirkabel

esp8266 NodeMCU kedalam laptop, kemudian layar menampilkan tangkapan citra dalam

bentuk citra greyscale.. Selanjutnya tahap preprocessing yaitu mengubah citra asli menjadi

citra grayscale, karena citra hasil pengambilan dengan arducam NodeMCU berupa citra

berwarna RGB(red, green,blue) dan juga akan menampilkan hasil dari preprocessing.

Kemudian akan dilanjutkan ketahap ekstraksi ciri dengan metode Laws. Hingga pada akhirnya

dilanjutkan ketahap fungsi jarak dan proses konvolusi untuk menntukan keluaran dari hasil

ekstraksi ciri yang telah diolah melalui beberapa tahap sebelumnya. Hasil keluaran berupa

teks pada layar monitor.

3.1.1. Pengambilan Citra Tekstur

Tahap pengambilan citra tekstur adalah proses mengambil gambar dengan

menggunakan arducam OV2640 yang akan disimpan dalam satu folder. Jarak pengambilan

gambar dilakukan bervariasi dari jarak minimal 25 cm hingga 35 cm dengan rentang jarak

masing-masing 5 cm. Arducam akan dihubungkan dengan perangkat modul nirkabel esp

8266 NodeMCU sehingga setelah pengambilan citra, citra dapat langsung dikirim dan

diterima langsung didalam 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


46

Tabel 3.1 Rincian jumlah pengambilan data

No Keterangan Jumlah

1. Jumlah Tekstur 13 Tekstur tunggal dan tekstur

ganda

2. Variasi jarak 3 20 cm, 25 cm, 30 cm

3. Variasi sudut 4 0°, 20°, 60°, 120°

4 Variasi translasi 4 Atas, bawah, kanan, kiri

3.1.2. Pengambilan dan Pengiriman Video Tekstur

NodeMCU ESP-12E sebagai Acces Point akan mendapat alamat IP. Peneerima

terlebih dahulu harus terkoneksi pada Acces Point ESP-12E. Proses pengiriman dan

penerimaan citra terjadi secara bersamaan. Citra tekstur yang telah disimpan akan dikirim

ke server setelah penerima mengakses alamat IP ESP-12E. Diagram alir subrutin pengiriman

dan penerimaan citra tekstur dapat dilihat pada Gambar 3.4 (a) dan (b).

Gambar 3.4 (a) Diagram alir subrutin pengambilan dan pengiriman video streaming dan

(b) Diagram alir inisialisasi NodeMCU


47

Gambar 3.5 (Lanjutan) (a) Diagram alir subrutin pengambilan dan pengiriman video

streaming dan (b) Diagram alir inisialisasi nodeMCU

3.1.3 Penerimaan Video Tekstur

Penerima akan mengirim perintah ke nodeMCU untuk mengirim video streaming.

Setelah penerima terkoneksi dengan pengirim, video streaming yang telah dikirim oleh

nodeMCU akan diterima oleh penerima. Video streaming yang diterima akan ditampilkan

pada GUI. Penerimaan video streaming akan terus berlangsung hingga user ingin

mengambil citra tekstur. Setelah didapat citra tekstur dari snapshot video streaming, maka

koneksi pengirim dan penerima akan ditutup dan pengirim berhenti mengirim video

streaming.


48

YES

NO

YES

NO

Gambar 3.6 Diagram alir subrutin penerimaan video streaming

Mulai

Selesai

Terkoneksi dengan

pengirim

Menerima Video

Streaming

Tutup koneksi

Mengirim

perintah

Kamera ON?

Keluaran

Menampilkan

Video Streaming

Selesai

menerima?


49

3.1.4. Tahap Preprocessing

Tahap preprocessing merupakan konversi dari citra RGB ke citra grayscale. Tahap

ini dilakukan karena citra yang disimpan memiliki fomat warna RGB. Konversi citra dari

RGB ke grayscale sangat diperlukan agar format citra menjadi citra grayscale dan lebih

mudah untuk di ekstraksi. Tahap konversi citra RGB ke grayscale dilakukan karena keluaran

citra yang dihasilkan oleh arducam memiliki format RGB. Sehingga diperlukan konversi

citra agar format citra menjadi grayscale. Proses preprocessing digambarkan melalui

diagram alir pada gambar 3.7 berikut.

Gambar 3.7 Diagram alir subrutin Preproocessing

3.1.5. Tahap Ekstraksi Ciri

Ekstraksi ciri yang digunakan pada tahap ini menggunakan metode Laws. Terdapat

beberapa pasang cadar digunakan dalam metode Laws, cadar atau filter tersebut digunakan

untuk membentuk citra yang berisi energi tekstur, sehingga menghasilkan hasil segmentasi

dari citra yang diekstraksi. Ukuran cadar Laws ada beberapa, diantaranya ukuran 1 x 3 dan

ukuran 1 x 5. Tetapi filter yang paling sederhana menggunakan ukuran 1 x 3. Nama filter

berupa L3, E3, S3.


50

Penjelasan proses penentuan ukuran energi tekstur menggunakan metode Laws

adalah sebagai berikut :

a. Citra yang digunakan untuk masukan adalah citra dengan komponen warna RGB

(Red, Green, Blue).

b. Citra dengan komponen warna RGB diubah menjadi citra dengan komponen

warna grayscale pada tahap preprocessing.

c. Citra yang sudah diubah menjadi grayscale kemudian di ekstraksi fitur dengan

proses konvolusi menggunakan kernel Laws.

d. Hasil dari proses konvolusi menggunakan kernel Laws berupa citra dengan fitur

energi tekstur.

Pada metode Laws dapat diterapkan dengan menggunakan dua pasang cadar

digabung berdasarkan perkalian vektor, dengan demikian akan terbentuk matriks berukuran

3 x 3 atau 5 x 5. Secara keseluruhan tahap ekstraksi ciri dapat di gambarkan melalui diagram

alir pada Gambar 3.8.

Gambar 3.8 Diagram alir subrutin ekstraksi ciri

Masukan :

Citra Preprocessing

Metode Laws

Keluaran :

Ekstraksi Ciri


51

Gambar 3.8. menunjukkan tahap ekstraksi ciri secara keseluruhan. Ekstraksi ciri

yang digunakan pada tahap ini adalah metode Laws. Ekstraksi ciri menggunakan metode

Laws ini terdapat penggunaan pasang cadar, yang digunakan untuk membentuk citra yang

berisi energi tekstur. Untuk perhitungan dari setiap fitur ditambahkan konvolusi yang

berguna untuk perkalian antara matrik citra asal dengan matrik tapis untuk menghasilkan

citra yang baru.

Gambar 3.9. menunjukkan ekstraksi ciri menggunakan metode Laws dengan

keluaran berupa nilai rata – rata dan varian.

Gambar 3.9 Diagram alir subrutin metode laws

3.1.3. Fungsi Similaritas Kosinus

Pada tahap ini citra yang sudah melalui proses ekstraksi ciri dibandingkan antara

hasil ekstraksi ciri dengan nilai dari citra yang sudah tersimpan sebagai basis data. Fungsi

jarak yang digunakan pada tahap ini adalah similaritas kosinus. Similaritas merupakan

proses yang digunakan untuk penentuan keluaran sebelum keluaran akhir benar – benar

Mulai

Masukan:

F (Citra berskala

keabuan)

Cadar 1, cadar 2, dan w

Konvolusi citra dengan

cadar

Pererataan dengan

jendela ukuran w x w

D

D

Lakukan normalisasi ke

0 s/d 255

Kosongkan bagian tepi

Keluaran berupa rata – rata dan

varian:

𝑚𝑒𝑎𝑛

= ∑ 𝑛𝑒𝑖𝑔ℎ𝑏𝑜𝑢𝑟𝑖𝑛𝑔 𝑝𝑖𝑥𝑒𝑙𝑠𝑊

𝑊

𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒

= ∑ (𝑛𝑒𝑖𝑔ℎ𝑏𝑜𝑢𝑟𝑖𝑛𝑔 𝑝𝑖𝑥𝑒𝑙𝑠 − 𝑚𝑒𝑎𝑛)2

𝑊

𝑊

Selesai


52

dihasilkan. Dalam similaritas, hasil terbaik adalah hasil yang perhitungannya yang

mempunyai nilai similaritas terbesar. Hasil akhir dari proses fungsi jarak ini adalah hasil

identifikasi masukan. Fungsi dari similaritas kosinus adalah untuk membandingkan antara

database dengan data hasil masukkan secara real-time. Similaritas yang digunakan adalah

similaritas kosinus. Proses fungsi jarak dapat digambarkan melalui diagram alir pada gambar

3.10.

Gambar 3.10 Diagram alir subrutin fungsi jarak Similaritas Kosinus

3.1.6. Penentuan Keluaran

Proses ini merupakan tahap terakhir dari proses pengenalan citra tekstur. Hasil dari

ekstraksi ciri ditentukan berdasarkan jarak maksimal dari hasil perbandingan antara

keluaran dari ekstraksi ciri denga basis data. Hasil perbandingan yang mempunyai nilai hasil

perhitungan secara similaritas kosinus mempunyai nilai similaritas tinggi. Hasil dari proses

ini yaitu berupa teks yang ditampilkan pada layar monitor. Proses penentuan keluaran dapat

dilihat pada diagram alir Gambar 3.11.

Mulai

Masukan :

Hasil Ekstraksi Ciri

dan Basis Data

Fungsi Similaritas

Kosinus

E

E

Keluaran :

Hasil Perhitungan

Jarak

Selesai


53

Gambar 3.11 Diagram alir subrutin penentuan keluaran

3.2. Perancangan Basis Data

Tahap perancangan basis data berfungsi sebagai acuan perbandingan antara

perhitungan dengan citra tekstur yang sudah diambil dan sudah melalui tahap ekstraksi ciri.

Perancangan basis data pada sistem ini terdiri dari 13 jenis tekstur, 10 jenis tekstur tunggal

dan 3 jenis tekstur ganda. Dari masing – masing tekstur memiliki rotasi, jarak dan

perpindahan yang berbeda. Proses perancangan basis data dapat dilihat pada diagram alir

gambar 3.12.

Gambar 3.12 Blok Diagram Subrutin Basis Data

Pengambilan

Citra Tekstur Preprocessing Metode Laws Basis Data

Keluaran :

Hasil berupa teks pada layar

monitor


54

Dilihat dari diagram alir diatas proses diawali dengan pengambilan citra tekstur asli.

Selanjutnya, citra akan melalui proses tahap preprocessing agar lebih mudah untuk diproses

dan meningkatkan kualitas citra. Selain itu preprocessing digunakan untuk mengkonversi

citra RGB kedalam bentuk grayscale. Tahap selanjutnya dilakukan ekstraksi ciri dengan

menggunakan metode laws hingga didapat hasil dari ekstraksi ciri yang akan disimpan dalam

bentuk cell array.

Gambar 3.13 Diagram alir perancangan basis data


55

Gambar 3.13. menunjukan beberapa tahap yang dilakukan untuk menghasilkan

sebuah basis data. Proses pertama yang dilakukan adalah pengambilan citra tekstur dengan

menggunakan arducam. Tahap selanjutnya adalah preprocessing atau tahap

mengonversikan citra RGB menjadi citra grayscale. Kemudian tahap selanjutnya adalah

pengiriman citra yang sudah dalam bentuk grayscale ke program MATLAB dengan

menggunakan ESP8266 NodeMCU. Selanjutnya didalam MATLAB dilakukan proses

ekstraksi ciri dengan menggunakan metode Laws, hingga didapat hasil dari ekstraksi ciri

yang akan disimpan dalam bentuk cell array.

3.3. Perancangan Tampilan GUI MATLAB

GUI (Graphical User Interface) yang terdapat pada MATLAB bertujuan untuk

membantu proses pengenalan citra dengan menampilkan beberapa interface dan tombol

perintah. Gambar 3.14. menunjukkan diagram alir yang menjelaskan alur kerja dalam

perancangan dengan menggunakan GUI.

Gambar 3.15 menunjukkan alur kerja utama dalam perancangan dengan menggunakan

GUI ( Graphical User Interface ) yang ada pada MATLAB. Setelah pengambilan citra

tekstur proses preprocessing yaitu konversi citra RGB kedalam bentuk grayscale akan

bejalan, lalu dilakukan proses ekstraksi ciri dan hasil keluaran berupa hasil ekstraksi ciri.

Gambar 3.14 Sketsa perancangan GUI

Kamera

Axes1

Axes2

Preprocessing

Axes3

Laws

Camera

ON Reset

Capture

PROSES

Edit text2

Keluaran


56

YA

TIDAK

Gambar 3.15 Diagram alir pengenalan citra pada GUI

Mulai

Pengiriman Video Streaming

Tombol “Camera ON” memberi perintah

untuk mengirim video streaming

Pengambilan Citra Tekstur

Tombol “CAPTURE” memberi perintah

untuk mengambil citra tekstur

Preprocessing

Tombol “PROSES”

memberi perintah

untuk mengambil citra

RGB serta grayscale

Keluaran:

Video streaming

diterima dan ditampilkan

Keluaran:

Nilai Laws

ditampilkan di

GUI

Keluaran:

Citra grayscale

ditampilkan di GUI

pada window

prepreocessing

Ekstraksi Ciri

Menghitung hasil ekstraksi

ciri dengan metode Laws

Keluaran:

Hasil ekstraksi ciri

berupa teks

ditampilkan di GUI

pada window keluaran

Keluaran:

Hasil pengenalan

tekstur pada

window kamera

Selesai

“RESET”

Untuk

menghapus

data dan

mengulang

proses


57

Tabel 3.2 Keterangan GUI

Nama Keterangan

Tombol “ Camera

ON”

Untuk menyalakan arducam

Tombol “Capture” 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 arducam dan citra

hasil pengambilan gambar

Axes2 pada panel

preprocessing

Untuk menampilkan citra dalam bentuk grayscale

Axes3 pada panel

histogram

Untuk menampilkan proses Laws 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

Tampilan GUI ( Graphical User Interface ) dibuat semenarik mungkin dan dengan

tampilan yang mudah dimengerti oleh pengguna. Gambar 3.15. menunjukkan langkah

pertama yang dilakukan untuk menjalankan sistem dan menyalakan arducam dengan

menekan tombol “Camera On” yang terdapat pada GUI. Axes1 akan menampilkan citra

secara langsung dari arducam. Kemudian pengguna dapat menekan tombol “Capture”, dan

citra yang diambil akan ditampilkan 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 akan ditampilkan pada Axes2. Citra grayscale dari proses preprocessing akan

diproses menggunakan metode Laws, dan hasil dari proses akan ditampilkan 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”.

3.4. Perancangan Hardware

Pada perancangan hardware untuk sistem ini dimulai dengan membuat wadah untuk

kamera agar dapat disesuaikan dengan penggunaan pengambilan gambar tekstur. Penilitian

ini menggunakan 13 jenis tekstur, variasi skala, sudut perputaran (rotasi) dan posisi awal

suatu citra (translasi). Untuk variasi skala citra tekstur digunakan 3 variasi jarak yaitu 25cm,


58

30cm dan 35cm. Letak dari arducam dan ESP8266 NodeMCU, diletakkan dalam satu

tempat.

Gambar 3.16 Perancangan Peletakan

3.5. Pengujian Citra Tekstur

Pada proses pengujian citra tekstur pertama kali yang dilakukan adalah menjalankan

GUI yang ada pada MATLAB, dan mengaktifkan kamera dengan menekan tombol “Camera

ON”. Kemudian arducam mengambil citra tekstur dengan menekan tombol “Capture”.

Pengujian citra tekstur dengan menggunakan 13 jenis citra, dilakukan secara real-time.

Tekstur yang akan dikenali memiliki posisi awal kamera yaitu 20 cm, dengan sudut putar 0°

dan posisi berada di tengah. Variasi jarak citra tekstur diambil 3 variasi jarak yaitu 20cm,

25cm dan 30cm, menghasilkan tiga data setiap tekstur. Sudut putaran yang akan digunakan

yaitu 0°, 20°, 60° dan 120°, menghasilkan empat data setiap tekstur. Citra digeser sebanyak

4 kali dari posisi awal. Jumlah data yang diambil terdiri dari, 13 citra tekstur x 3 variasi

skala = 39 data, 13 citra tekstur x 4 variasi sudut = 52 data dan 13 citra tekstur x 4 variasi

translasi = 52 data. Masing – masing data kemudian ditambahkan dan didapat data sebanyak

143 data pada penelitian ini. Tiap percobaan yang dilakukan hanya memiliki 1 jenis variasi.

Arducam

dan modul

nirkabel

ESP8266

NodeMCU

Tekstur 25 x 25 cm


59

BAB IV

HASIL DAN PEMBAHASAN

Implementasi sistem pengenalan tekstur dapat dilihat pada lampiran 1 dan lampiran

3. Lampiran 2 berisi cara kerja perangkat lunak secara bagian per bagian. Pengujian

pengenalan tekstur menghasilkan data pengenalan yang berguna untuk pembahasan pada

bab ini. Pengujian pengenalan tekstur bertujuan untuk mengetahui sistem apakah dapat

bekerja dengan baik sesuai dengan perancangan.

4.1. Hasil Pengujian dan Analisis

Pengujian pengenalan tekstur dengan menggunakan Metode Laws dengan resolusi

kamera 320 x 240, dilakukan dengan melakukan perubahan posisi tekstur seperti variasi

translasi, variasi sudut dan variasi jarak kamera. Variasi translasi yang dilakukan dengan

menggeser tekstur ke atas dan ke bawah, serta menggeser ke kanan dan kekiri sejauh 1 cm.

Variasi sudut yang digunakan adalah 0°, 20°, 40°, 60°, 80°, 100° 120°, 140°, 160° dan

180°, sedangkan untuk variasi jarak yang digunakan adalah 20 cm, 25 cm, dan 30 cm.

Hasil pengambilan tekstur akan disimpan sementara di dalam basis data dan

dibandingkan dengan hasil pengenalan tekstur menggunakan Metode Laws. Pengambilan

data diperoleh dengan pengulangan 3 kali untuk 10 variasi rotasi pada 13 jenis tekstur

sebanyak 390 data, pengulangan 3 kali untuk 3 variasi skala pada 13 jenis tekstur sebanyak

117 data, dan pengulangan 3 kali untuk 5 variasi translasi pada 13 jenis tekstur sebanyak 195

data. Data yang diperoleh dari keseluruahan pengujian adalah 702 data.

Gambar 4.1 dan Gambar 4.2 menunjukkan persentase pengenalan tekstur tunggal dan

tekstur ganda tanpa pengaruh variasi rotasi, skala dan translasi, data. Secara detail, data

pengenalan tekstur dapat dilihat pada lampiran 4. Secara persentase, data pengenalan tekstur

pada lampiran 4 tersebut dapat dilihat pada lampiran 5. Secara grafis, hasil persentase

pengenalan tekstur pada lampiran 5 dapat dilihat pada Gambar 4.1 dan Gambar 4.2.

Grafik menunjukkan bahwa pengenalan tekstur tanpa pengaruh variasi rotasi, skala

dan translasi dapat mengenali tekstur dengan baik, dengan persentase keberhasilan sebesar

100 %. Hal tersebut dikarenakan tekstur yang dikenali masih dalam kondisi normal, seperti

kondisi saat pengambilan nilai basis data. Nilai saat pengenalan tekstur hampir sama dengan

nilai basis data, sehingga persentase pengenalan sebesar 100%.


60

Gambar 4. 1 Persentase pengenalan tekstur tunggal tanpa pengaruh rst

Gambar 4. 2 Persentase pengenalan tekstur ganda tanpa pengaruh rst

Tekstur ganda yang dikenali tanpa pengaruh variasi rotasi, skala dan translasi

menghasilkan nilai persentase sebesar 100 %, hal tersebut terjadi karena hanya ada sedikit

tekstur, sehingga lebih mudah untuk dikenali.

100% 100% 100%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Kacang & Karunggoni Gabah & Karunggoni Jagung & Karunggoni

Persentase Pengenalan Tekstur Ganda Tanpa Pengaruh RST

Persentase Pengenalan

100% 100% 100% 100% 100% 100% 100% 100% 100% 100%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Persentase Pengenalan Tekstur Tunggal Tanpa Pengaruh

RST

Prsentase Pengenalan


61

4.1.1. Pengujian Pengaruh RST Terhadap Pengenalan Tekstur

Tabel 4. 1 Tingkat keberhasilan pengenalan tekstur

Tekstur R S T Rata – Rata

Gabah 75 % 100 % 66,6 % 80,53 %

Anyaman

Bambu 75 % 66,66 % 80 % 73,88 %

Rumput 75 % 100 % 100 % 91,6 %

Jagung 100 % 100 % 100 % 100 %

Kacang 83 % 66 % 80 % 76,33 %

Jerami 50 % 66 % 100 % 72 %

Handuk 100 % 100 % 100 % 100 %

Batu 75 % 100 % 80 % 85 %

Keset 75 % 100 % 60 % 78,33 %

Karunggoni 75 % 66,66 % 100 % 80,55 %

Gabah & Goni 83 % 100 % 100 % 94,33 %

Jagung & Goni 100 % 100 % 100 % 100 %

Kacang & Goni 75 % 100 % 80 % 85 %

Data pengujian pengaruh RST diperoleh dari 10 jenis tekstur tunggal dan 3 jenis

tekstur ganda dengan 10 variasi rotasi, 3 variasi skala dan 4 variasi translasi. Setiap tekstur

dilakukan 3 kali pengambilan data. Tekstur akan digerakkan secara manual sesuai varian

RST yang telah ditentukan, kemudian Arducam akan mengambil gambar citra tekstur yang

kemudian akan diperoses dan hasil dari proses tersebut akan ditampilkan sebagai keluaran

berupa teks. Setiap tekstur dilakukan 3 kali pengambilan data, hal ini dilakukan untuk

menentukan tingkat pengenalan tekstur lebih akurat.

Tabel 4.1 menunjukkan persentase keberhasilan pengenalan setiap tekstur.

Tekstur tunggal yang memiliki persentase paling kecil adalah jerami, hal ini disebabkan

karena jerami memiliki pola tekstur acak sehingga nilai pengenalan tekstur berbeda dengan

basis data.

Tahap pertama saat melakukan pengujian tekstur adalah menangkap tekstur dengan

menggunakan Arducam secara langsung dengan bantuan GUI dengan menekan tombol

“Camera ON”. Langkah selanjutnya adalah menekan tombol “Ambil Citra” untuk


62

mengetahui hasil dari pengenalan tekstur. Hasil keluaran dari proses pengenalan berupa rata

– rata dan varian dari masing – masing tekstur. Dari data yang diperoleh pada pengujian

dihitung nilai keseluruhan setiap varian rotasi, translasi dan skala. Hal ini dilakukan untuk

mengetahui bagaimana pengaruh variasi RST pada tingkat pengenalan. Grafik perbandingan

keberhasilan pengaruh rotasi penelitian sebelumnya dengan penelitian sekarang dapat dilihat

pada Gambar 4.3.

Gambar 4. 3 Grafik pengaruh variasi rotasi terhadap tingkat pengenalan.

Pengujian sebanyak 3 kali terhadap 10 tekstur tunggal menghasilkan

sebanyak 30 data, dengan perhitungan jumlah banyak data yang berhasil dikenali dibagi 30

dan dikali dengan 100 %, dapat diperoleh presentase pengaruh variasi rotasi terhadap

pengenalan tekstur. Gambar 4.3 menunjukkan perbandingan dengan penelitian sebelumnya,

dapat dilihat penelitian sebelumnya lebih unggul pada posisi 20° dan 60° karena perbedaan

posisi pengambilan basis data serta resolusi yang digunakan lebih tinggi. Penelitian

sebelumnya pengambilan basis data pada posisi 25 cm, sedangkan pada penelitian sekarang

pada posisi 20 cm. bahwa persentase perubahan rotasi pada tekstur tunggal mengalami

penurunan pada posisi posisi 60° terhadap penelitian sebelumnya, hal ini disebabkan adanya

perubahan posisi dan pengaruh cahaya yang mengenai bagian permukaan tekstur, sehingga

nilai ekstraksi ciri saat pengenalan tekstur berbeda dengan nilai yang terdapat pada basis

data. Sedangkan untuk sudut 120° tingkat pengenalan sama dengan penelitian sebelumnya.

100%

83.30%

70%73.30%

100%

80%

50%

73.30%

0%

20%

40%

60%

80%

100%

120%

0 20 60 120

Derajat (°)

Pengaruh Perubahan Rotasi

Penelitian Sebelumnya [4] Penelitian Sekarang


63

Gambar 4.4 Grafik pengaruh variasi skala terhadap tingkat pengenalan.

Gambar 4.4 menunjukkan persentase pengaruh variasi skala, dengan

perubahan jarak 20 cm, 25 cm dan 30 cm. Nilai persentase variasi skala diperoleh dengan

melakukan pengulangan sebanyak 3 kali untuk 10 tekstur dan menghasilkan 30 data per

skala. Dari Gambar 4.4 dapat dilihat bahwa, perbandingan antara penelitian sebelumnya

dengan penelitian sekarang, pada jarak 20 cm persentase keberhasilan sebesar 100%, pada

jarak 25 cm memperoleh persentase sebesar 80%, sedangkan untuk skala 30 cm persentase

keberhasilan pengenalan tekstur semakin menurun yaitu 70%. Penelitian sebelumnya data

yang didapat tidak konsisten daripada penelitian yang sekarang yang lebih konsisten,

sehingga pada grafik penelitian sebelumnya lebih baik.

Skala 20 cm memperoleh tingkat pengenalan terbaik, karena sebagai jarak normal

atau posisi awal yang digunakan sebagai basis data. Sedangkan untuk skala 25 cm terjadi

kesalahan pengenalan dikarenakan perubahan nilai piksel akibat dari perubahan informasi

yang diperoleh Arducam. Selain itu, perbedaan nilai antara basis data dengan nilai ketika

pengnalan tekstur juga mempengaruhi hasil pengenalan tekstur.

78%

94%

62%

100%

80%

70%

0%

20%

40%

60%

80%

100%

120%

20 cm 25 cm 30 cm

Perubahan Variasi Skala



64

Gambar 4.5 Grafik pengaruh variasi translasi terhadap tingkat pengenalan.

Pengujian pengaruh translasi dilakukan pergeseran dengan jarak geser 1 cm, ke arah

atas, bawah, kiri, kanan dan posisi normal (center). Perhitungan pengaruh variasi translasi

dilakukan dengan 3 kali pengulangan percobaan untuk 10 tekstur. Gambar 4.5 menunjukkan

grafik perbandingan pengaruh translasi penelitian sebelumnya dengan penelitian sekarang

terhadap tingkat pengenalan tekstur dengan posisi awal (center). Sebagai titik tengah, posisi

awal berguna untuk menentukan arah dan jarak dari variasi translasi dan memiliki nilai

pengenalan tertinggi. Posisi translasi ke kiri pada proses pengenalan mengalami penurunan

persentase sebesar 30 % karena perbedaan informasi citra tekstur yang dikenali dengan basis

data dan perubahan arah pencahayaan yang berpengaruh pada perubahan intensitas cahaya

pada citra grayscale. Translasi ke kanan dan ke kiri juga mengalami penurunan

dibandingkan dengan penelitian sebelumnya, karena penggunaan kamera yang berbeda dan

menggunakan resolusi yang lebih tinggi yaitu 640 x 480.

Posisi center untuk tekstur ganda menghasilkan persentase yang lebiih baik

dibandingkan tekstur tunggal, hal ini juga dikarenakan pemisahan antara tekstur tunggal dan

ganda saat pengenalan tekstur. Dari keseluruhan percobaan dan analisis yang dilakukan

penulis memperoleh beberapa kesimpulan yaitu, pada pengenalan dengan perubahan rotasi

untuk tekstur tunggal tingkat pengenalan terbaik pada sudut 0° dengan persentase sebesar

100 %. Pengaruh variasi skala dapat disimpulkan, semakin jauh jarak antara Arducam

100%96.60%

90%86.60%

66.60%

100%

90%

60%

80%

90%

0%

20%

40%

60%

80%

100%

120%

Center Kanan Kiri Atas Bawah

Perubahan Variasi Translasi



65

dengan tekstur, maka semakin kecil tingkat keberhasilan pengenalan tekstur. 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. Gambar 4.6 merupakan nilai rata - rata persentase variasi RST pengenalan tekstur

ganda. Variasi RST tekstur ganda pada variasi translasi terjadi penurunan persentase karena

adanya perbedaan nilai basis data dengan nilai pengenalan tekstur. Selain itu, nilai

Similaritas Kosinus tidak mendekati 1 sehingga pengenalan tekstur tidak akurat.

Gambar 4. 6 Variasi RST tekstur ganda

Selain melakukan uji coba terhadap pengaruh variasi rotasi, skala dan translasi,

penulis juga melakukan uji coba terhadap jarak antara modul nirkabel NodeMcu dengan

laptop yang melakukan proses pengenalan tekstur. Jarak yang digunakan adalah 1 meter, 10

meter, 20 meter, 30 meter, 40 meter, 50 meter, 60 meter, 70 meter dan 80 meter. Pengujian

ini dilakukan di lorong kampus, dengan patokan jarak menggunakan pilar dinding, dengan

jarak antara satu pilar ke pilar yang lainnya adalah 4 meter.

Pengujian ini dilakukan sebanyak 10 kali percobaan pada setiap jarak yang

digunakan. Hasil yang didapat dari percobaan ini adalah jarak dari 1 meter hingga 80 meter

ketika uji coba tidak ada kesalahan dan persentase keberhasilan 100 %. Gambar 4.7

menunjukkan salah satu uji coba yang berhasil.

100% 100% 100%

93.20%

88%

90%

92%

94%

96%

98%

100%

Center Rotasi Skala Translasi

Keberhasilan Variasi RST Tekstur Ganda

Keberhasilan Variasi RST Tekstur Tunggal


66

Pengujian jarak wireless dapat disimpulkan jika modul nirkabel dikoneksikan dari

awal jarak pengenalan, maka modul nirkabel dapat terkoneksi dengan baik hingga di luar

batas jarak modul nirkabel. Hasil percobaan menunjukkan NodeMCU mampu hingga jarak

80 meter jika NodeMCU sudah terhubuung dari titik awal. Koneksi NodeMCU akan sulit

jika modul nirkabel dihubungkan ketika jarak laptop dengan modul nirkabel lebih dari 80

meter. Percobaan yang telah dilakukan membuktikan jika modul nirkabel dikoneksikan dari

jarak lebih dari 80 meter, maka akan mengalami kesulitan.

Gambar 4. 7Uji coba pengaruh jarak sebesar 40 meter

Gambar 4. 8 Persentase variasi jarak modul nirkabel

Gambar 4.8 dan Gambar 4.9 menunjukkan grafik keberhasilan variasi jarak modul

nirkabel dan grafik pengenalan tekstur terhadap kuat sinyal. Persentase variasi jarak nirkabel

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

1 m 10 m 20 m 30 m 40 m 50 m 60 m 70 m 80 m

Jarak

Persentase Variasi Jarak Modul Nirkabel


67

menghasilkan persentase 100 % dari keseluruhan jarak yang telah dicoba, hal ini

dikarenakan koneksi modul nirkabel sudah terhubung dengan laptop dari posisi terdekat

yaitu 1 meter. Data kuat sinyal antara modul nirkabel dengan laptop diambil dengan

menggunakan aplikasi Android wifi analyzer. Jarak 80 meter pada pengambilan data kuat

sinyal tidak muncul nilainya dikarenakan, pada jarak 80 meter modul nirkabel sudah tidak

bisa terkoneksi dengan laptop.

Gambar 4. 9 Pengenalan tekstur terhadap kuat sinyal

4.1.2. Pengujian Tambahan Pengaruh Resolusi Arducam

Perbaikan dengan cara mengubah resolusi Arducam dari ukuran 160 × 120 menjadi

ukuran 320 × 240 bertujuan untuk memperjelas detail tekstur yang ditangkap menggunakan

Arducam. Tekstur yang memerlukan resolusi yang lebih tinggi adalah tekstur dengan jenis

tekstur acak, contoh tekstur acak seperti gabah, jagung, batu, handuk dan keset. Tekstur

yang detailnya terlihat jelas akan lebih mudah dikenali, karena nilai pengenalan teksturnya

tidak beda jauh dengan nilai pada basis data.

Perubahan resolusi Arducam juga berpengaruh terhadap pengujian pengaruh RST,

namun tidak semua hasil yang telah di uji coba dengan resolusi yang lebih tinggi,

menghasilkan nilai yang lebih baik atau dengan kata lain menghasilkan hasil yang sama. Hal

ini disebabkan karena beberapa faktor di antaranya, pencahayaan sekitar dan proses

-90

-80

-70

-60

-50

-40

-30

-20

-10

0

1 m 10 m 20 m 30 m 40 m 50 m 60 m 70 m 80 m

Kuat Sinyal (dBm)

Kuat Sinyal


68

pengenalan citra yang lambat. Berikut adalah hasil dari mengubah resolusi Arducam untuk

pengenalan tekstur

Pengujian pengaruh variasi rotasi dilakukan sebanyak 3 kali pengulangan setiap

tekstur. Gambar 4.10 menunjukkan perubahan resolusi terhadap pengaruh perubahan rotasi.

Nilai persentase antara resolusi 160 x 120 dan 320 x 240 menunjukkan perubahan yang lebih

baik terjadi pada posisi 20°, dengan kenaikan persentase sebesar 3%. Sedangkan untuk posisi

yang lain mengalami penurunan. Hal ini diakibatkan oleh beberapa tekstur acak yang ketika

dilakukan rotasi mengalami perubahan pencahayaan dan nilai pengenalan tidak sama dengan

basis data.


320 × 240 untuk tekstur tunggal.

Gambar 4.11 menunjukan perbandingan pengaruh rotasi dengan menggunakan

resolusi 160 x 120 dan 320 x 240 untuk jenis tekstur ganda. Grafik menunjukan rotasi 0°

tetap sama, dengan persentase 100 %. Rotasi yang mengalami kenaikan ketika posisi 120°,

dengan kenaikan persentase sebesar 22%. Rotasi 20° dan 60° persentase pengenalannya

masih tetap yaitu sebesar 33 % dan 66 %. Posisi yang mengalami kenaikan persentase

83%

40%

60%

90%

73.30%

43.30%

50%

70%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

0 20 60 120

Perbandingan Pengaruh Rotasi Tekstur Tunggal

Resolusi 160 x 120 Resolusi 320 x 240


69

diakibatkan karena nilai pada basis data dan nilai pengenalan tekstur hampir sama dan

jumlah tekstur ganda yang hanya 3 tekstur.


320 × 240 untuk tekstur ganda.

Gambar 4.12 menunjukkan bahwa pengaruh variasi skala dengan menggunakan

resolusi Arducam 320 x 240 hanya skala 30 cm yang menunjukkan kenaikan keberhasilan

pengenalan sebesar 17%, sedangkan untuk skala 20 cm dan 25 cm mengalami penurunan

masing – masing sebesar 10% dan 6%. Pengaruh variasi skala diperoleh dengan

menghitung nilai rerata dari 3 kali pengulangan untuk 10 jenis tekstur tunggal dan 3 jenis

tekstur ganda.

Jarak 30 cm memperoleh kenaikan tingkat pengenalan dari percobaan sebelumnya

karena detail tekstur yang ditangkap semakin jelas. Hal itu disebabkan karena penggunaan

resolusi yang lebih tinggi dari sebelumnya. Penulis menyimpulkan bahwa resolusi yang

lebih baik dan pengambilan tekstur yang tepat, dapat menghasilkan persentase pengenalan

yang lebih baik, sedangkan untuk jarak 25 cm dan 25 cm terjadi penurunan persentase

pengenalan dikarenakan pengaruh nilai jarak Similaritas Kosinus yang digunakan pada

posisi 20 cm dan 25 cm bukan merupakan nilai jarak yang mendekati nilai 1. Resolusi 320

x 240 ketika jarak semakin jauh maka persentase pengenalan tidak turun banyak.

100%

33%

66%

11%

100%

33.30%

66.60%

33.30%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

0 20 60 120

Perbandingan Pengaruh Rotasi Tekstur Ganda



70


320 × 240 untuk tekstur tunggal.

Gambar 4.13 menunjukkan perbandingan pengaruh perubahan skala antara resolusi

160 x 120 dan 320 x 240 jenis tekstur ganda. Skala 20 cm menunjukan persentase pengenalan

yang sama dari sebelumnya, yaitu sebesar 100 %. Skala 25 cm dan 30 cm mengalami

kenaikan persentase keberhasilan pengenalan masing – masing sebesar 11 % dan 33 %.

Kenaikan persentase pengenalan disebabkan karena kemiripan antara basis data dan nilai

pengenalan yang diambil, selain itu pengaruh resolusi juga mempengaruhi di antaranya

tekstur yang dikenali lebih jelas terlihat dan hasil tangkapan Arducam lebih jelas dan terang.

Pengaruh banyaknya tekstur yang dikenali juga mempengaruhi hasil pengenalan tekstur

menjadi lebih baik.

83%

56%

33%

73.30%

50% 50%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

20 cm 25 cm 30 cm

Pengaruh Perubahan Skala Tekstur Tunggal



71


320 × 240 untuk tekstur ganda.


resolusi 320 × 240 untuk tekstur tunggal.

100%

55%

33%

100%

66.60%

100%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

20 cm 25 cm 30 cm

Pengaruh Perubahan Skala Tekstur Ganda


83%80%

53%

70%66%

73.30%

66.60%

60.00% 60%

100%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%


Pengaruh Perubahan Translasi Tunggal



72

Gambar 4.14 menunjukkan perbandingan perubahan translasi menggunakan resolusi

160 x 120 dan 320 x 240 untuk jenis tekstur tunggal. Translasi normal (center),translasi ke

kanan dan translasi ke ats mengalami penurunan masing – masing sebesar 10 % , 14 % dan

10 %. Ketiga translasi tersebut mengalami kesalahan pengenalan dikarenakan perubahan

nilai piksel akibat dari perubahan informasi yang diperoleh Arducam. Selain itu, nilai jarak

yang didapat dengan menggunakan Similaritas Kosinus tidak mendekati 1. Translasi ke kiri

mengalami kenaikan sebesar 7 %, translasi ke bawah mengalami kenaikan sebesar 56%, hal

ini disebabkan karena kemiripan basis data dengan nilai pengenalan tekstur.

Gambar 4.15 menunjukkan pengaruh translasi menggunakan resolusi 160 x 120 dan

resolusi 320 x 240 untuk tekstur ganda. Translasi center dan translasi ke kanan dapat dilihat

tidak mengalami perubahan, persentase pengenalan tetap 100 %. Translasi ke kiri mengalami

penurunan dari percobaan resolusi 160 x 120, karena perbedaan nilai basis data tekstur ganda

dengan pengenalan tekstur. Ketika diberi pengaruh variasi translasi, hanya ada 1 tekstur yang

lebih dominan. Translasi ke atas dan ke bawah mengalami kenaikan persentase masing –

masing sebesar 100%. Kenaikan persentase disebabkan karena posisi tekstur hampir sama

dengan posisi ketika pengambilan basis data.


resolusi 320 × 240 untuk tekstur ganda.

100% 100%

77%

88%85%

100% 100%

66.60%

100% 100%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%


Pengaruh Perubahan Translasi Tekstur Ganda

Resolusi 160 x 120 Resolusi 320x 240


73

Kesimpulan yang dapat diambil dari pengujian pengaruh perubahan resolusi

Arducam adalah tidak semua hasil percobaan mengalami kenaikan persentase keberhasilan.

Variasi perubahan rotasi hanya pada posisi 20° mengalami kenaikan persentase pengenalan

untuk jenis tekstur tunggal. Persentase pengenalan untuk tekstur ganda hampir sama dengan

percobaan menggunakan resolusi 160 × 120. Percobaan yang mengalami kenaikan terjadi

pada posisi 120°, sedangkan untuk posisi yang lain mengalami penurunan. Variasi

perubahan skala untuk jenis tekstur tunggal mengalami penurunan persentase pada posisi 20

cm dan 25 cm, sedangkan untuk posisi 30 cm mengalami kenaikan persentase untuk tekstur

tunggal. Jenis tekstur ganda mengalami kenaikan persentase pada posisi 30 cm, sedangkan

untuk skala yang lainnya tetap. Variasi translasi yang mengalami kenaikan persentase

pengenalan terjadi pada posisi geser ke kiri dan ke bawah, dan perubahan yang lainnya

mengalami penurunan untuk jenis tekstur tunggal. Jenis tekstur ganda mengalami kenaikan

persentase pada posisi geser atas dan geser bawah, untuk posisi center dan geser kanan tetap

sama, dan untuk posisi geser ke kiri mengalami penurunan persentase.

Beberapa hal yang menyebabkan perubahan persentase pengenalan adalah

penggunaan cadar ukuran 1 × 3 pada Metode Laws yang mengakibatkan data yang diambil

tidak akurat. Hal ini disebabkan cadar ukuran 1 × 3 terlalu kecil sehingga tidak dapat

mengenali tekstur dengan akurat.

4.3.3. Pengujian Tambahan Pengaruh Perubahan Ukuran Window

Menggunakan window ukuran 3

Pengujian pengaruh variasi rotasi dilakukan sebanyak 3 kali pengulangan setiap

tekstur. Gambar 4.16 menunjukkan perbandingan antara penelitian sebelumnya dan

penelitian yang sekarang, hasil yang didapatkan adalah posisi 0° memiliki nilai persentase

yang akurat karena tekstur tidak berubah posisi. Penelitian yang sekarang pada rotasi 80°

lebih baik dari penelitian sebelumnya dengan selisih persentase 40 % karena penggunaan

window 3 dapat memperjelas pola tekstur yang sedang dikenali.


74

Gambar 4. 16 Perbandingan pengaruh perubahan variasi rotasi

Gambar 4. 17 Perbandingan pengaruh perubahan variasi skala

Pengujian pengaruh variasi skala dilakukan sebanyak 3 kali pengulangan setiap

tekstur, dan menghasilkan 30 data dari perkalian 10 tekstur dengan banyaknya pengambilan

data. Gambar 4.17 menunjukkan pengaruh perubahan variasi skala dari penelitian

100%

83.30%80%

70%

50%

60%

73.30%70%

76.60%

86.60%

100%

80%

56.60%50%

90%

80%73.30%

70%

80%

100%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

0 20 40 60 80 100 120 140 160 180

DERAJAT (°)

Pengaruh variasi rotasi


78%

94%

62%

100%

80%

70%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

20 CM 25 CM 30 CM

Perubahan variasi skala



75

sebelumnya dengan penelitian yang sekarang. Skala 20 cm dan 30 cm penelitian yang

sekarang lebih baik daripada penelitian sebelumnya, karena penggunaan window ukuran 3

yang lebih kecil dari sebelumnya yang mempunyai ukuran window 15. Skala 25 cm pada

penelitian sekarang mengalami penurunan persentase karena perubahan posisi kamera dan

perbedaan nilai antara basis data dan nilai pengenalan tekstur.

Gambar 4.18 menunjukkan pengaruh perubahan variasi translasi dari penelitian

sebelumnya dengan penelitian yang sekarang. Pengujian dilakukan sebanyak 3 kali

pengulangan setiap tekstur, dan menghasilkan 30 data. Penelitian sebelumnya lebih baik dari

penelitian yang sekarang karena nilai basis data yang diambil hampir sama dengan nilai saat

pengenalan tekstur.

Gambar 4. 18 Perbandingan pengaruh perubahan variasi translasi

4.2. Perbandingan Dengan Penelitian Sebelumnya

Tabel 4.3 menunjukkan perbandingan penelitian sebelumnya dengan penelitian sekarang,

hasil yang didapat dari perbandingan tersebut adalah penambahan 3 tekstur ganda dan

penambahan modul nirkabel dari penelitian sebelumnya. Variasi rotasi dan variasi skala

pada penelitian yang sekarang lebih baik dengan nilai rerata sebesar 77,99 % dan 83,33 %,

sedangkan variasi translasi nilai rerata perentase lebih baik pada penelitian sebelumnya

sebesar 87,96 %.

100%96.60%

90%86.60%

66.60%

100%

90%

60%

80%

90%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%


Perubahan variasi translasi



77

Tabel 4. 2 Tabel perbandingan penelitian sebelumnya dengan penelitian sekarang

Penelitian sebelumnya [4] Penelitian Sekarang

10 Jenis tekstur tunggal 10 Jenis tekstur tunggal

Tanpa tekstur ganda 3 Tekstur ganda tambahan

10 Variasi skala (0°, 20°,40°,60°,

80°,100°, 120°,140°, 160°, 180°)

Tingkatan pengenalan : 74,98%

10 Variasi rotasi (0°, 20°,40°,60°,

80°,100°, 120°,140°, 160°, 180°)


3 Variasi skala ( 25 cm, 30 cm, 35cm)

Tingkatan pengenalan : 78%

3 Variasi skala ( 20 cm, 25 cm, 30 cm)


4 Variasi translasi ( kanan, kiri, atas,

bawah) Tingkatan pengenalan : 87,96%

4 Variasi translasi ( kanan, kiri, atas,

bawah) Tingkatan pengenalan : 84%

Tidak menggunakan modul nirkabel Menggunakan modul nirkabel

Tabel 4.3 menunjukkan perbandingan penelitian sebelumnya dengan penelitian

sekarang, hasil yang didapat dari perbandingan tersebut adalah penambahan 3 tekstur ganda

dan penambahan modul nirkabel dari penelitian sebelumnya. Variasi rotasi dan variasi skala

pada penelitian yang sekarang lebih baik dengan nilai rerata sebesar 77,99 % dan 83,33 %,

sedangkan variasi translasi nilai rerata perentase lebih baik pada penelitian sebelumnya

sebesar 87,96 %.


78

BAB V

KESIMPULAN DAN SARAN

5.1. KESIMPULAN

Berdasarkan hasil percobaan dan pengujian sistem pengenalan tekstur dengan

menggunakan Metode Laws dengan modul nirkabel, dapat disimpulkan bahwa:

1. Alat computer vision mampu mengenali 10 tekstur tunggal dan 3 tekstur ganda

dengan menggunakan metode Laws

2. Hasil pengenalan tekstur pada posisi awal mempunyai persentase keberhasilan

pengenalan sebesar 100 % tanpa pengaruh RST.

3. Tingkat pengenalan variasi rotasi mencapai 77,99%. Tingkat pengenalan variasi

skala mencapai 83,33%. Tingkat pengenalan variasi translasi mencapai 84%.

4. Jarak antara modul nirkabel dengan laptop dapat mencapai jarak sejauh 80 meter,

dengan catatan modul nirkabel terkoneksi dengan laptop sejak awal atau ketika jarak

terdekat dengan laptop.

5.2. SARAN

Saran yang diberikan untuk pengembangan sistem pengenalan tekstur adalah :

1. Penggunaan basis data pada kondisi yang tepat, meningkatkan tingkat pengenalan.

2. Pengenalan menggunakan Metode Laws akan lebih baik menggunakan pasangan

cadar 3 x 3 dengan hasil pasangan cadar berjumlah 9.


79

DAFTAR PUSTAKA

[1] Kadir, A., Susanto, A., 2013, Teori dan Aplikasi Pengolahan Citra, Penerbit Andi,

Yogyakarta

[2] Bahrul, M.H., 2016, Implementasi Konvolusi Berbasis Kernel Laws Menggunakan

Renderscript Pada Android, Skripsi, Jurusan Teknik Informatika, Universitas Islam

Negeri Maulana Malik Ibrahim.

[3] Dash, S., Jena, U.R., 2017 “Texture Classification Using Laws’ Filter In Various Color

Spaces”. India.

[4] Adnyana, W.P., 2014, Pengenalan Tekstur Dengan Statistical Texture Descriptor,

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

[5] ESP8266, ---, Pengertian Modul Wifi ESP8266

https://www.warriornux.com/pengertian-modul-wifi-esp8266/, diakses 9 November

2018.

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

[7] Citra, ---, Jenis Citra, http://www.charisfauzan.net/2016/02/mengenal-jenis-citra-citra-

berwarna.html, diakses 24 November 2018.

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

http://blog.ub.ac.id/frengky/category/news/, diakses 2 Desember 2018.

[9] Santi, C.N., 2011, Mengubah Citra Berwarna Menjadi Gray-Scale dan Citra Biner,

Jurnal Teknologi Informasi DINAMIK, vol. 16, no. 1, hal 16.

[10] B. Jahne, 2005, “Digital Image Processing” (6th ed.), Jerman.

[11] Marques, O., 2011, Wiley, J., & Sons, Practical Image and Video Processing Using

MATLAB, New Jersey.

[12] Cha, Sung-Hyuk, 2007, Comprehensive Survey on Distance/Similarity Measures

between Probability Density Function, Internasional Journal of Mathematical Models

and Methods in Applied Sciences, vol 1, issue 4, hal 300-307.


https://www.warriornux.com/pengertian-modul-wifi-esp8266/

http://www.charisfauzan.net/2016/02/mengenal-jenis-citra-citra-berwarna.html

http://www.charisfauzan.net/2016/02/mengenal-jenis-citra-citra-berwarna.html

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

80

LAMPIRAN


LAMPIRAN 1

IMPLEMENTASI SISTEM PENGENALAN TEKSTUR

A. Perangkat Lunak

Gambar L1 menunjukkan tampilan GUI pengenalan tekstur. Tampilan GUI

pengenalan tekstur dibuat berdasarkan sketsa perancangan GUI pada gambar 3.14 dengan

penyesuaian letak, dan diimplementasikan dari Diagram Alir Sistem Pengenalan Tekstur

GUI pada Gambar 3.15. Penambahan tombol dan tabel disesuaikan dengan permasalahan

yang ditemukan penulis mengenai program pengenalan tekstur.

Tombol tunggal dan ganda berfungsi untuk membedakan pengambilan tekstur yang

akan dikenali. Tombol Camera ON berfungsi untuk menyalakan kamera ArduCAM dan

menampilkan video streaming pada GUI. Tombol AMBIL CITRA digunakan untuk

mengambil citra tekstur dari video streaming, serta proses preprocessing. Tombol RESET

digunakan untuk menghapus data dan mengulang proses pengenalan tekstur dari awal. Hasil

ekstraksi ciri didapat dari citra grayscale dan ditampilkan pada GUI berupa nilai rata – rata

dan varian. Tabel Similaritas Kosinus digunakan untuk melihat nilai jarak tekstur yang akan

dikenali. Hasil keluaran pengenalan berupa teks ditentukan dari nilai Similaritas Kosinus

yang paling maksimal atau mendekati 1 dan ditampilkan pada GUI.


B. Perangkat Keras

Gambar L2 menunjukkan kondisi pengenalan tekstur, kondisi ini dibuat berdasarkan

perancangan hardware Gambar 3.16. Alat dibuat dengan penyesuaian variasi RST yang akan

diuji. Penyangga yang terbuat dari pipa diberi tanda jarak yang digunakan untuk variasi

skala. Alas yang terbuat dari karton padi diberi tanda untuk variasi rotasi dan variasi skala.

Penambahan lampu penerangan pada sisi kiri dan kanan kamera digunakan untuk

meminimalisasi pengaruh cahaya luar terhadap proses pengenalan.

Gambar L2. Kondisi Pengenalan Tekstur

1

2

2

2

3

2

2

4

3

2

2

3

2

2

2

2

2

5

3

2

2

3

2

2

2

2

2

6

6

3

2

2

3

2

2

2

2

2

7

3

2

2

3

2

2

2

2

2


L-2

LAMPIRAN 2

ALUR PROSES PENGENALAN TEKSTUR DENGAN

METODE LAWS

Tekstur Jagung

Tekstur Jagung

(Greyscale)

Masukan:

Citra RGB

Konversi citra RGB

ke grayscale

A

Mulai


L-3

A

Metode Laws

Keluaran:

Hasil Metode Laws

B


L-4

B

Masukan :

Hasil perhitungan jarak

Keluaran:

Hasil berupa teks

Selesai


L-5

LAMPIRAN 3

LISTING PROGRAM

LISTING PROGRAM PENGENALAN TEKSTUR

function varargout = ipcamlaws(varargin)

% IPCAMLAWS MATLAB code for ipcamlaws.fig

% IPCAMLAWS, by itself, creates a new IPCAMLAWS or raises the

existing

% singleton*.

%

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

handle to

% the existing singleton*.

%

% IPCAMLAWS('CALLBACK',hObject,eventData,handles,...) calls

the local

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

arguments.

%

% IPCAMLAWS('Property','Value',...) creates a new IPCAMLAWS

or raises the

% existing singleton*. Starting from the left, property

value pairs are

% applied to the GUI before ipcamlaws_OpeningFcn gets called.

An

% unrecognized property name or invalid value makes property

application

% stop. All inputs are passed to ipcamlaws_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 ipcamlaws

% Last Modified by GUIDE v2.5 04-Jun-2019 13:53:14

% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;

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

'gui_Singleton', gui_Singleton, ...

'gui_OpeningFcn', @ipcamlaws_OpeningFcn, ...

'gui_OutputFcn', @ipcamlaws_OutputFcn, ...

'gui_LayoutFcn', [] , ...

'gui_Callback', []);

if nargin && ischar(varargin{1})

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


L-6

end

if nargout

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

else

gui_mainfcn(gui_State, varargin{:});

end

% End initialization code - DO NOT EDIT

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

function ipcamlaws_OpeningFcn(hObject, eventdata, handles,

varargin)

% This function has no output args, see OutputFcn.

% hObject handle to figure

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

MATLAB

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

% varargin command line arguments to ipcamlaws (see VARARGIN)

% Choose default command line output for ipcamlaws

handles.output = hObject;

axes(handles.axes1)

axis square

plot(0)

axes(handles.axes2)

axis square

plot(0)

% Update handles structure

guidata(hObject, handles);

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

% uiwait(handles.figure1);

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

function varargout = ipcamlaws_OutputFcn(hObject, eventdata,

handles)

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



MATLAB


% Get default command line output from handles structure

varargout{1} = handles.output;

% --- Executes on button press in pushbutton1.

function pushbutton1_Callback(hObject, eventdata, handles)

% hObject handle to pushbutton1 (see GCBO)


MATLAB


global z ss gray jenis


L-7

z=true;

strm=ipcam('http://192.168.4.1/stream');

axes(handles.axes1)

while z==true

ss=snapshot(strm);

imshow(ss);

if z==false

closePreview(strm);

gray=rgb2gray(ss);

gray=imadjust (gray);

axes(handles.axes2)

imshow(gray);

%UITABLE

[tc,k,L1,L2,L3,L4,L5,L6,L7,L8,L9]=tciri(gray)

axes(handles.axes4);imshow(L1);axis on;









%s={1 2;3 4;5 6;7 8;9 10};

set(handles.uitable1,'Data',tc)

%Pemanggil Database

load dbxiclaws

%Similaritas Kosinus

if jenis==1

j1=double(dist(k,dbiclaws(:,1)));










jar=[j1 j2 j3 j4 j5 j6 j7 j8 j9 j10];

jart={j1 j2 j3 j4 j5 j6 j7 j8 j9 j10 '-' '-' '-'};

dbteks={'gabah','anyamanbambu','rumput','jagung','kacang',...

'jerami','handuk','batu','keset','karunggoni'};

elseif jenis == 2




jar=[j11 j12 j13];

jart={'-' '-' '-' '-' '-' '-' '-' '-' '-' '-' j11 j12

j13};


L-8

dbteks={'gabah_karunggoni','jagung_karunggoni','kacang_karunggoni'

};

end

set(handles.uitable2,'Data',jart)

%Penentuan Keluaran

%

dbteks={'gabah','anyamanbambu','rumput','jagung','kacang',...

% 'jerami','handuk','batu','keset','karunggoni',...

%

'gabah_karunggoni','jagung_karunggoni','kacang_karunggoni'};

lokmax=find(jar==max(jar));

y=dbteks{lokmax};

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

break;

end

end





MATLAB


global z

z=false;





MATLAB


axes(handles.axes1)

plot(0)

axes(handles.axes2)

plot(0)

s=[];

set(handles.uitable1,'Data',s)

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

properties.

function uitable1_CreateFcn(hObject, eventdata, handles)

% hObject handle to uitable1 (see GCBO)


MATLAB

% handles empty - handles not created until after all

CreateFcns called





L-9


MATLAB


global gray

x=gray

function [y,a,L1, L2, L3, L4, L5, L6, L7, L8, L9]=tciri(x)

L1=cobalaws(x,'L3','L3',15);

rata1=mean(L1(:));

v1=var(double(L1(:)));

L2=cobalaws(x,'L3','E3',15);

rata2=mean(L2(:));


L3=cobalaws(x,'L3','S3',15);

rata3=mean(L3(:));


L4=cobalaws(x,'E3','L3',15);

rata4=mean(L4(:));


L5=cobalaws(x,'E3','E3',15);

rata5=mean(L5(:));


L6=cobalaws(x,'E3','S3',15);

rata6=mean(L6(:));


L7=cobalaws(x,'S3','L3',15);

rata7=mean(L7(:));


L8=cobalaws(x,'S3','E3',15);

rata8=mean(L8(:));


L9=cobalaws(x,'S3','S3',15);

rata9=mean(L9(:));


y=[rata1 v1;

rata2 v2;

rata3 v3;

rata4 v4;

rata5 v5;

rata6 v6;

rata7 v7;

rata8 v8;

rata9 v9];

a=[rata1;rata2;rata3;rata4;rata5;rata6;rata7;rata8;rata9;v1;v2;v3;

v4;v5;v6;v7;v8;v9];


L-10

%Similaritas Kosinus

function z=dist (x,y)

z=sum(x.*y)/(sqrt(sum(x.^2))*sqrt(sum(y.^2)));





MATLAB


global jenis

jenis=1





MATLAB


global jenis

jenis=2

LISTING PROGRAM EKSTRAKSI CIRI

function [E] = cobalaws(F, cadar1, cadar2, w)

% LAWS Berguna untuk memperoleh citra yang berisi

% energi tekstur.

% Masukan: F = Citra berskala keabuan.

% cadar1 dan cadar2 = nama cadar

% (S3, S5, E3, dst.)

% w = ukuran jendela.

F = double(F);

% Memperoleh energi tekstur. Hasil berupa

% citra berukuran sama dengan F.

% w = ukuran jendela

L3 = [1 2 1];

E3 = [-1 0 -1];

S3 = [-1 2 -1];

L5 = [1 4 6 4 1];

E5 = [-1 -2 0 2 1];

S5 = [-1 0 2 0 -1];

R5 = [1 -4 6 -4 1];

W5 = [-1 2 0 -2 1];

% Cek cadar 1

if strcmp(cadar1, 'L3') == 1

Cd1 = L3;

ukuran1 = 3;

elseif strcmp(cadar1, 'E3') == 1

Cd1 = E3;


L-11

ukuran1 = 3;

elseif strcmp(cadar1, 'S3') == 1

Cd1 = S3;

ukuran1 = 3;

elseif strcmp(cadar1, 'L5') == 1

Cd1 = L5;

ukuran1 = 5;


Cd1 = E5;

ukuran1 = 5;


Cd1 = S5;

ukuran1 = 5;

elseif strcmp(cadar1, 'R5') == 1

Cd1 = R5;

ukuran1 = 5;

elseif strcmp(cadar1, 'W5') == 1

Cd1 = W5;

ukuran1 = 5;

else

ukuran1 = 0;

end

% Cek cadar 2

if strcmp(cadar2, 'L3') == 1

Cd2 = L3;

ukuran2 = 3;


Cd2 = E3;

ukuran2 = 3;


Cd2 = S3;

ukuran2 = 3;

elseif strcmp(cadar2, 'L5') == 1

Cd2 = L5;

ukuran2 = 5;


Cd2 = E5;

ukuran2 = 5;


Cd2 = S5;

ukuran2 = 5;

elseif strcmp(cadar2, 'R5') == 1

Cd2 = R5;

ukuran2 = 5;

elseif strcmp(cadar2, 'W5') == 1

Cd2 = W5;

ukuran2 = 5;

else

ukuran2 = 0;

end

% Cek kebenaran cadar

ukuran = ukuran1 * ukuran2;

if ~(ukuran == 9 || ukuran == 25)

error('Cadar tidak valid');

end


L-12

Matriks = Cd1' * Cd2;

% Konvolusi citra dengan cadar

E = konvolusi2(F, Matriks);

% Lakukan pererataan dengan jendela berukuran w x w

H=ones(w,w)/(w^2);

E=konvolusi2(E, H);

% Lakukan normalisasi ke 0 s/d 255

terkecil = min(min(E));

terbesar = max(max(E));

E = (E-terkecil) / (terbesar - terkecil) * 255;

% Kosongkan bagian tepi

[tinggi, lebar] = size(E);

E(1:15,:) = 0;

E(tinggi-15: tinggi,:) = 0;

E(:, 1:15) = 0;

E(:, lebar-15 : lebar) = 0;

E = uint8(E);

LISTING PROGRAM KONVOLUSI 2

function [G] = konvolusi2(F, H)

% KONVOLUSI2 Melakukan konvolusi kernel H dengan citra F

% (Versi Algoritma 4.3)

% H harus mempunyai tinggi dan lebar ganjil

% Hasil: citra G

[tinggi_f, lebar_f] = size(F);

[tinggi_h, lebar_h] = size(H);

m2 = floor(tinggi_h/2);

n2 = floor(lebar_h/2);

F2=double(F);

for y=1 : tinggi_f

for x=1 : lebar_f

% Pelaksanaan konvolusi F(baris, kolom)

jum = 0;

for p=-m2 : m2

for q=-n2 : n2

% Penanganan x

x2 = x-q;

if x2 < 1

x2 = -x2 + 1;

else

if x2 > lebar_f

x2 = 2 * lebar_f - x2 + 1;

end

end

% Penanganan y

y2 = y-p;

if y2 < 1


L-13

y2 = -y2 + 1;

else

if y2 > tinggi_f

y2 = 2 * tinggi_f - y2 + 1;

end

end

jum = jum + H(p+m2+1,q+m2+1) * ...

F2(y2, x2);

end

end

G(y, x) = jum;

end

end

LISTING PROGRAM BASIS DATA

function varargout = GUIDBLAWS(varargin)

% GUIDBLAWS MATLAB code for GUIDBLAWS.fig

% GUIDBLAWS, by itself, creates a new GUIDBLAWS or raises the

existing

% singleton*.

%

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

handle to

% the existing singleton*.

%

% GUIDBLAWS('CALLBACK',hObject,eventData,handles,...) calls

the local

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

arguments.

%

% GUIDBLAWS('Property','Value',...) creates a new GUIDBLAWS

or raises the

% existing singleton*. Starting from the left, property

value pairs are

% applied to the GUI before GUIDBLAWS_OpeningFcn gets called.

An

% unrecognized property name or invalid value makes property

application

% stop. All inputs are passed to GUIDBLAWS_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 GUIDBLAWS


L-14

% Last Modified by GUIDE v2.5 20-May-2019 16:35:54

% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;

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

'gui_Singleton', gui_Singleton, ...

'gui_OpeningFcn', @GUIDBLAWS_OpeningFcn, ...

'gui_OutputFcn', @GUIDBLAWS_OutputFcn, ...

'gui_LayoutFcn', [] , ...

'gui_Callback', []);

if nargin && ischar(varargin{1})

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

end

if nargout

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

else

gui_mainfcn(gui_State, varargin{:});

end

% End initialization code - DO NOT EDIT

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

function GUIDBLAWS_OpeningFcn(hObject, eventdata, handles,

varargin)

% This function has no output args, see OutputFcn.



MATLAB


% varargin command line arguments to GUIDBLAWS (see VARARGIN)

% Choose default command line output for GUIDBLAWS

handles.output = hObject;

gabah=[]; gabah(18,1)=0;

anyamanbambu=[]; anyamanbambu(18,1)=0;

rumput=[]; rumput(18,1)=0;

jagung=[]; jagung(18,1)=0;

kacang=[]; kacang(18,1)=0;

jerami=[]; jerami(18,1)=0;

handuk=[]; handuk(18,1)=0;

batu=[]; batu(18,1)=0;

keset=[]; keset(18,1)=0;

karunggoni=[]; karunggoni(18,1)=0;

gabah_karunggoni=[]; gabah_karunggoni(18,1)=0;

jagung_karunggoni=[]; jagung_karunggoni(18,1)=0;

kacang_karunggoni=[]; kacang_karunggoni(18,1)=0;

% Update handles structure

guidata(hObject, handles);

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

% uiwait(handles.figure1);


L-15

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

function varargout = GUIDBLAWS_OutputFcn(hObject, eventdata,

handles)

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



MATLAB


% Get default command line output from handles structure

varargout{1} = handles.output;





MATLAB


global z tk img1

z=false;

tk=1;

axes(handles.axes2)

imshow(img1)





MATLAB


global z tk img2

z=false;

tk=2;

axes(handles.axes2)

imshow(img2)





MATLAB


global z tk img3

z=false;

tk=3;

axes(handles.axes2)

imshow(img3)





MATLAB


L-16


global z tk img4

z=false;

tk=4;

axes(handles.axes2)

imshow(img4)





MATLAB


global z tk img5

z=false;

tk=5;

axes(handles.axes2)

imshow(img5)





MATLAB


global z tk img6

z=false;

tk=6;

axes(handles.axes2)

imshow(img6)





MATLAB


global z tk img7

z=false;

tk=7;

axes(handles.axes2)

imshow(img7)





MATLAB


global z tk img8

z=false;

tk=8;

axes(handles.axes2)

imshow(img8)


L-17





MATLAB


global z tk img9

z=false;

tk=9;

axes(handles.axes2)

imshow(img9)





MATLAB


global z tk img10

z=false;

tk=10;

axes(handles.axes2)

imshow(img10)





MATLAB


global z tk img11

z=false;

tk=11;

axes(handles.axes2)

imshow(img11)





MATLAB


global z tk img12

z=false;

tk=12;

axes(handles.axes2)

imshow(img12)





MATLAB


global z tk img13


L-18

z=false;

tk=13;

axes(handles.axes2)

imshow(img13)





MATLAB


global z ss gray tk

global gabah anyamanbambu rumput jagung kacang jerami handuk batu

keset...

karunggoni gabah_karunggoni jagung_karunggoni

kacang_karunggoni

global img1 img2 img3 img4 img5 img6 img7 img8 img9 img10 img11

img12 img13

z=true;

tk=0;

strm=ipcam('http://192.168.4.1/stream');

axes(handles.axes1)

while z==true

ss=snapshot(strm);

imshow(ss);

if z==false

closePreview(strm);

gray=rgb2gray(ss);

gray=imadjust (gray);

axes(handles.axes2)

imshow(gray);

if tk == 1

img1=gray;

gabah=tciri(gray)

elseif tk== 2

img2=gray;

anyamanbambu=tciri(gray)

elseif tk==3;

img3=gray;

rumput=tciri(gray)

elseif tk==4;

img4=gray;

jagung=tciri(gray)

elseif tk==5;

img5=gray;

kacang=tciri(gray)

elseif tk==6;

img6=gray;

jerami=tciri(gray)

elseif tk==7;

img7=gray;

handuk=tciri(gray)

elseif tk==8;

img8=gray;

batu=tciri(gray)


L-19

elseif tk==9;

img9=gray;

keset=tciri(gray)

elseif tk==10;

img10=gray;

karunggoni=tciri(gray)

elseif tk==11;

img11=gray;

gabah_karunggoni=tciri(gray)

elseif tk==12;

img12=gray;

jagung_karunggoni=tciri(gray)

elseif tk==13;

img13=gray;

kacang_karunggoni=tciri(gray)

end

break;

end

end





MATLAB


global gabah anyamanbambu rumput jagung kacang jerami handuk batu

keset...


kacang_karunggoni

dbiclaws=[gabah anyamanbambu rumput jagung kacang jerami handuk

batu keset...


kacang_karunggoni]

save dbxiclaws dbiclaws

set(handles.uitable1,'Data',dbiclaws)





MATLAB


global ss gray gabah anyamanbambu rumput jagung kacang jerami

handuk batu...

keset karunggoni gabah_karunggoni jagung_karunggoni

kacang_karunggoni

ss=[];

gray=[];

axes(handles.axes1)

plot(0);

axes(handles.axes2)

plot(0);

gabah=[]; gabah(18,1)=0;

anyamanbambu=[]; anyamanbambu(18,1)=0;


L-20

rumput=[]; rumput(18,1)=0;

jagung=[]; jagung(18,1)=0;

kacang=[]; kacang(18,1)=0;

jerami=[]; jerami(18,1)=0;

handuk=[]; handuk(18,1)=0;

batu=[]; batu(18,1)=0;

keset=[]; keset(18,1)=0;

karunggoni=[]; karunggoni(18,1)=0;

gabah_karunggoni=[]; gabah_karunggoni(18,1)=0;

jagung_karunggoni=[]; jagung_karunggoni(18,1)=0;

kacang_karunggoni=[]; kacang_karunggoni(18,1)=0;

function y=tciri(x)

L1=cobalaws(x,'L3','L3',15);

rata1=mean(L1(:));


L2=cobalaws(x,'L3','E3',15);

rata2=mean(L2(:));


L3=cobalaws(x,'L3','S3',15);

rata3=mean(L3(:));


L4=cobalaws(x,'E3','L3',15);

rata4=mean(L4(:));


L5=cobalaws(x,'E3','E3',15);

rata5=mean(L5(:));


L6=cobalaws(x,'E3','S3',15);

rata6=mean(L6(:));


L7=cobalaws(x,'S3','L3',15);

rata7=mean(L7(:));


L8=cobalaws(x,'S3','E3',15);

rata8=mean(L8(:));


L9=cobalaws(x,'S3','S3',15);

rata9=mean(L9(:));


y=[rata1;rata2;rata3;rata4;rata5;rata6;rata7;rata8;rata9;v1;v2;v3;

v4;v5;v6;v7;v8;v9];


L-21

LISTING PROGRAM NodeMCU

// The capture and streaming features can be reached directly via

the browser by using the format:

// http://IPaddress/stream - for streaming video

//

// Wiring diagram to connect ArduCAM to ESP8266-12E

//

// ArduCAM mini -> ESP8266-12E

// CS -> D0

// MOSI -> D7

// MISC -> D6

// SCK -> D5

// GND -> GND

// VCC -> 3V3

// SDA -> D2

// SCL -> D1

#include <ESP8266WiFi.h>

#include <WiFiClient.h>

#include <ESP8266WebServer.h>

#include <Wire.h>

#include <ArduCAM.h>

#include <SPI.h>

#include "memorysaver.h"

#if !(defined ESP8266 )

#error Please select the ArduCAM ESP8266 UNO board in the Tools/Board

#endif

//This demo can only work on OV2640_MINI_2MP or ARDUCAM_SHIELD_V2

platform.

#if !(defined (OV2640_MINI_2MP)||(defined (ARDUCAM_SHIELD_V2) &&

defined (OV2640_CAM)))

#error Please select the hardware platform and camera module in the

../libraries/ArduCAM/memorysaver.h file

#endif

// set GPIO16 as the slave select :

const int CS = 16;

// if the video is chopped or distored, try using a lower value for

the buffer

// lower values will have fewer frames per second while streaming

static const size_t bufferSize = 4096; // 4096; //2048; //1024;

static const int fileSpaceOffset = 700000;

//AP mode configuration

const char *AP_ssid = "NodeMCU";

//Default is no password.If you want to set password,put your

password here

const char *AP_password = "APpassword";


L-22

static IPAddress ip(192, 168, 1, 203); // static IP used for browser

access: http://IPaddress

static IPAddress gateway(192, 168, 1, 1);

static IPAddress subnet(255, 255, 255, 0);

int resolution = 0;

// resolutions:

// 0 = 160x120

// 1 = 176x144

// 2 = 320x240

// 3 = 352x288

// 4 = 640x480

// 5 = 800x600

// 6 = 1024x768

// 7 = 1280x1024

// 8 = 1600x1200

ESP8266WebServer server(80);

ArduCAM myCAM(OV2640, CS);

////////////////////////////////////

// capture initialization //

////////////////////////////////////

void start_capture() {

myCAM.clear_fifo_flag();

myCAM.start_capture();

}

/////////////////////////////

// stream video to client //

/////////////////////////////

void serverStream() {

WiFiClient client = server.client();

String response = "HTTP/1.1 200 OK\r\n";

response += "Content-Type: multipart/x-mixed-replace;

boundary=frame\r\n\r\n";

server.sendContent(response);

while (client.connected()) {

start_capture();

while (!myCAM.get_bit(ARDUCHIP_TRIG, CAP_DONE_MASK));

size_t len = myCAM.read_fifo_length();

if (len >= 0x07ffff) {

Serial.println("Over size.");

continue;

} else if (len == 0 ) {

Serial.println("Size is 0.");

continue;

}


L-23

myCAM.CS_LOW();

myCAM.set_fifo_burst();

#if !(defined (ARDUCAM_SHIELD_V2) && defined (OV2640_CAM))

SPI.transfer(0xFF);

#endif

if (!client.connected()) break;

response = "--frame\r\n";

response += "Content-Type: image/jpeg\r\n\r\n";

server.sendContent(response);

static uint8_t buffer[bufferSize] = {0xFF};

while (len) {

size_t will_copy = (len < bufferSize) ? len : bufferSize;

SPI.transferBytes(&buffer[0], &buffer[0], will_copy);


client.write(&buffer[0], will_copy);

len -= will_copy;

}

myCAM.CS_HIGH();


}

}

//////////////////////////////////////////////////////////////////

/////////////////

// used when form is submitted and at setup to set the camera

resolution //

//////////////////////////////////////////////////////////////////

/////////////////

void setCamResolution(int reso)

{

switch (reso)

{

case 0:

myCAM.OV2640_set_JPEG_size(OV2640_160x120);

resolution = 0;

break;

case 1:


resolution = 1;

break;

case 2:


resolution = 2;

break;

case 3:


resolution = 3;

break;


L-24

case 4:


resolution = 4;

break;

case 5:


resolution = 5;

break;

case 6:


resolution = 6;

break;

case 7:


resolution = 7;

break;

case 8:


resolution = 8;

break;

}

}

////////////////////////////////

// main setup function //

////////////////////////////////

void setup() {

delay(10);

uint8_t vid, pid;

uint8_t temp;

#if defined(__SAM3X8E__)

Wire1.begin();

#else

Wire.begin();

#endif

Serial.begin(115200);

Serial.println("ArduCAM Start!");

// set the CS as an output:

pinMode(CS, OUTPUT);

// initialize SPI:

SPI.begin();

SPI.setFrequency(4000000); //4MHz

//Check if the ArduCAM SPI bus is OK

myCAM.write_reg(ARDUCHIP_TEST1, 0x55);

temp = myCAM.read_reg(ARDUCHIP_TEST1);


L-25

if (temp != 0x55) {

Serial.println("SPI1 interface Error!");

}

//Check if the camera module type is OV2640

myCAM.wrSensorReg8_8(0xff, 0x01);

myCAM.rdSensorReg8_8(OV2640_CHIPID_HIGH, &vid);

myCAM.rdSensorReg8_8(OV2640_CHIPID_LOW, &pid);

if ((vid != 0x26 ) && (( pid != 0x41 ) || ( pid != 0x42 )))

Serial.println("Can't find OV2640 module! pid: " + String(pid));

else

Serial.println("OV2640 detected.");

//Change to JPEG capture mode and initialize the OV2640 module

myCAM.set_format(JPEG);

myCAM.InitCAM();

setCamResolution(resolution);

myCAM.clear_fifo_flag();

Serial.println();

Serial.println();

Serial.print("Share AP: ");

Serial.println(AP_ssid);

Serial.print("The password is: ");

Serial.println(AP_password);

WiFi.mode(WIFI_AP);

WiFi.softAP(AP_ssid, AP_password);

Serial.println("");

Serial.println("AP ip");

Serial.println(WiFi.softAPIP());

// setup handlers

server.on("/stream", HTTP_GET, serverStream);

server.begin();

Serial.println("Server started");

}

/////////////////////////////

// Main loop function //

/////////////////////////////

void loop() {

server.handleClient()


L-26

LAMPIRAN 4

DATA YANG DIPEROLEH

Tabel L1. Data hasil pengujian pengaruh variasi jarak 20 cm (Resolusi kamera 160 x 120)

O I

Gabah Anyaman

Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni

Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 2 1

Anyaman

Bambu 1 0 2

Rumput 3

Jagung 2 1

Kacang 3

Jerami 3

Handuk 3

Batu 3

Keset 3

Karunggoni 3

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

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



L-27


O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 3

Rumput 3

Jagung 3

Kacang 1 1 0 1

Jerami 3

Handuk 1 1 1

Batu 0 3

Keset 3 0

Karunggoni 2 1

Gabah &

Goni 2

1

Jagung &

Goni

3

Kacang &

Goni 2

1





L-28


O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 2 1

Anyaman

Bambu 2 1

Rumput 3

Jagung 0 3

Kacang 3

Jerami 3 0

Handuk 2 0 1

Batu 3 0

Keset 2 1

Karunggoni 3 0

Gabah &

Goni 3

0

Jagung &

Goni

3

Kacang &

Goni

3 0





L-29

Tabel L4. Data hasil pengujian pengaruh variasi rotasi 0° (Resolusi kamera 160 x 120)

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 2 1

Anyaman

Bambu 1 0 2

Rumput 3

Jagung 2 1

Kacang 3

Jerami 3

Handuk 3

Batu 3

Keset 3

Karunggoni 3

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-30

Tabel L5. Data hasil pengujian pengaruh variasi sudut 20° (Resolusi kamera 160 x 120)

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 3

Rumput 0 3

Jagung 0 3

Kacang 3

Jerami 3 0

Handuk 3

Batu 0 3

Keset 1 2 0

Karunggoni 1 2 0

Gabah &

Goni

3

Jagung &

Goni 3

0

Kacang &

Goni 3

0





L-31


O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 1 2

Anyaman

Bambu 3

Rumput 3

Jagung 0 3

Kacang 1 2

Jerami 3 0

Handuk 3

Batu 3

Keset 3

Karunggoni 1 2 0

Gabah &

Goni

3

Jagung &

Goni 3

0

Kacang &

Goni

3





L-32


O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 3

Rumput 3

Jagung 1 2

Kacang 1 2

Jerami 3

Handuk 3

Batu 3

Keset 3

Karunggoni 3

Gabah &

Goni 1

1 1

Jagung &

Goni 1

0 2

Kacang &

Goni 1 2

0





L-33

Tabel L8. Data hasil pengujian pengaruh variasi translasi center (Resolusi kamera 160 x 120)

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 2 1

Anyaman

Bambu 1 0 2

Rumput 3

Jagung 2 1

Kacang 3

Jerami 3

Handuk 3

Batu 3

Keset 3

Karunggoni 3

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-34

Tabel L9. Data hasil pengujian pengaruh variasi translasi geser ke kanan (Resolusi kamera 160 x 120)

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 2 1

Anyaman

Bambu 3 0

Rumput 3

Jagung 3

Kacang 1 2

Jerami 3

Handuk 3

Batu 3

Keset 3

Karunggoni 3

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-35

Tabel L10. Data hasil pengujian pengaruh variasi translasi geser ke kiri (Resolusi kamera 160 x 120)

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 2 1

Anyaman

Bambu 2 1

Rumput 3

Jagung 3

Kacang 3

Jerami 1 2 0

Handuk 3

Batu 0 3

Keset 0 3

Karunggoni 3 0

Gabah &

Goni

3

Jagung &

Goni

1 2

Kacang &

Goni

1 2





L-36

Tabel L11. Data hasil pengujian pengaruh variasi translasi geser ke atas (Resolusi kamera 160 x 120)

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 0 3

Rumput 3

Jagung 3

Kacang 2 1

Jerami 3

Handuk 3

Batu 3

Keset 1 1 1

Karunggoni 3 0

Gabah &

Goni

3

Jagung &

Goni

1 2

Kacang &

Goni

3





L-37

Tabel L12. Data hasil pengujian pengaruh variasi translasi geser ke bawah (Resolusi kamera 160 x 120)

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 1 2

Anyaman

Bambu 3 0

Rumput 3

Jagung 2 1

Kacang 3

Jerami 3

Handuk 3

Batu 3

Keset 2 0 1

Karunggoni 1 2

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni 1

1 1





L-38

Tabel L13. Data hasil pengujian pengaruh variasi skala 20 cm (Resolusi kamera 320x240)

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 0 3

Anyaman

Bambu 3

Rumput 2 1

Jagung 3

Kacang 3

Jerami 3 0

Handuk 1 2

Batu 3

Keset 3

Karunggoni 3

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-39


O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 0 3

Anyaman

Bambu 0 3

Rumput 3

Jagung 3

Kacang 3

Jerami 3 0

Handuk 3

Batu 3 0

Keset 3

Karunggoni 3 0

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3 0





L-40


O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 3

Rumput 3

Jagung 0 3

Kacang 3 0

Jerami 3 0

Handuk 3

Batu 3 0

Keset 3

Karunggoni 3 0

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-41

Tabel L16. Data hasil pengujian pengaruh variasi sudut 20°(Resolusi kamera 320x

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 0 3

Anyaman

Bambu 3

Rumput 3

Jagung 3

Kacang 3

Jerami 3 0

Handuk 2 1

Batu 0 3

Keset 3 0

Karunggoni 1 2 0

Gabah &

Goni

3

Jagung &

Goni

3 0

Kacang &

Goni

3 0





L-42

Tabel L17. Data hasil pengujian pengaruh variasi sudut 60°(Resolusi kamera 320x240)

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 0 3

Rumput 3

Jagung 0 3

Kacang 3

Jerami 3

Handuk 3

Batu 0

Keset 3 0

Karunggoni 3 0

Gabah &

Goni

0 3

Jagung &

Goni

3

Kacang &

Goni

3





L-43

Tabel L18. Data hasil pengujian pengaruh variasi sudut 120°(Resolusi kamera 320x240)

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 3

Rumput 3

Jagung 3

Kacang 3

Jerami 0 3

Handuk 3

Batu 3 0

Keset 3

Karunggoni 3 0

Gabah &

Goni

0 3

Jagung &

Goni

3

Kacang &

Goni

3 0





L-44

Tabel L19. Data hasil pengujian pengaruh variasi translasi geser kanan 1cm (Resolusi kamera 320x240)

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 2 1

Anyaman

Bambu 3

Rumput 3

Jagung 3

Kacang 3

Jerami 3

Handuk 3

Batu 3 0

Keset 3

Karunggoni 3

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-45

Tabel L20. Data hasil pengujian pengaruh variasi translasi geser kiri 1cm (Resolusi kamera 320x240)

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 1 2

Anyaman

Bambu 2 1

Rumput 3

Jagung 3

Kacang 0 3

Jerami 3 0

Handuk 3

Batu 3 0

Keset 3

Karunggoni 3

Gabah &

Goni

0 3

Jagung &

Goni

3

Kacang &

Goni

3





L-46

Tabel L21. Data hasil pengujian pengaruh variasi translasi geser atas 1cm (Resolusi kamera 320x240)

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 3

Rumput 3

Jagung 0 3

Kacang 3 0

Jerami 3

Handuk 3

Batu 3 0

Keset 0 3

Karunggoni 3

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-47

Tabel L22. Data hasil pengujian pengaruh variasi translasi geser bawah 1cm (Resolusi kamera 320x240)

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 2 1

Anyaman

Bambu 0 3

Rumput 3

Jagung 3

Kacang 3

Jerami 3

Handuk 3

Batu 3 0

Keset 3 0

Karunggoni 3 0

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-48

Tabel L23 . Data hasil pengujian pengaruh variasi Rotasi 20 °, ukuran window 3

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 3

Rumput 3

Jagung 3

Kacang 0 3

Jerami 0 3

Handuk 3

Batu 3

Keset 3

Karunggoni 3

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-49

Tabel L24. Data hasil pengujian pengaruh variasi rotasi 40°, ukuran window 3

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 3

Rumput 3

Jagung 3

Kacang 3 0

Jerami 3 0

Handuk 3

Batu 2 1

Keset 3 0

Karunggoni 3

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-50

Tabel L25. Data hasil pengujian pengaruh variasi Rotasi 60 °, ukuran window 3

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 0 3

Anyaman

Bambu 3

Rumput 3

Jagung 3

Kacang 0 3

Jerami 0 3

Handuk 3

Batu 3 0

Keset 3

Karunggoni 3 0

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-51


O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 3

Rumput 3

Jagung 3

Kacang 3 0

Jerami 3

Handuk 3

Batu 3

Keset 3

Karunggoni 3

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-52


O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 3

Rumput 3

Jagung 3

Kacang 3 0

Jerami 0 3

Handuk 3

Batu 3

Keset 3

Karunggoni 3

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-53

Tabel L28 . Data hasil pengujian pengaruh variasi Rotasi 120 °, ukuran window 3

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 3

Rumput 3

Jagung 3

Kacang 3

Jerami 1 2

Handuk 3

Batu 3

Keset 3 0

Karunggoni 3 0

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-54


O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 3

Rumput 3

Jagung 3

Kacang 3

Jerami 3 0

Handuk 3

Batu 3 0

Keset 3

Karunggoni 3 0

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-55


O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3 3

Anyaman

Bambu 3

Rumput 3

Jagung 3

Kacang 3 3

Jerami 3

Handuk 3

Batu 3

Keset 3 0

Karunggoni 3 0

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-56


O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3 3

Anyaman

Bambu 3

Rumput 3

Jagung 3

Kacang 3 3

Jerami 3

Handuk 3

Batu 3

Keset 3 3

Karunggoni 3

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-57

Tabel L32. Data hasil pengujian pengaruh variasi skala 20 cm, ukuran window 3

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 3

Rumput 3

Jagung 3

Kacang 3

Jerami 3

Handuk 3

Batu 3

Keset 3

Karunggoni 3

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-58

Tabel L33 . Data hasil pengujian pengaruh variasi skala 25 cm, ukuran window 3

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 3

Rumput 3

Jagung 3

Kacang 0 3

Jerami 3 0

Handuk 3

Batu 3

Keset 3

Karunggoni 3

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-59

Tabel L34. Data hasil pengujian pengaruh variasi skala 30 cm, ukuran window 3

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 0 3

Rumput 3

Jagung 3

Kacang 3

Jerami 0 3

Handuk 3

Batu 3

Keset 3

Karunggoni 3 0

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-60

Tabel L35. Data hasil pengujian pengaruh translasi ke kanan, ukuran window 3

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 3

Rumput 3

Jagung 3

Kacang 0 3

Jerami 3

Handuk 3

Batu 3

Keset 3

Karunggoni 3

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3 0





L-61

Tabel L36. Data hasil pengujian pengaruh variasi translasi ke kiri, ukuran window 3

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 0 3

Anyaman

Bambu 3

Rumput 3

Jagung 3

Kacang 0 3

Jerami 3

Handuk 3

Batu 3 0

Keset 0 3

Karunggoni 3

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-62

Tabel L37 . Data hasil pengujian pengaruh variasi translasi ke atas, ukuran window 3

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 3

Anyaman

Bambu 0 3

Rumput 3

Jagung 3

Kacang 3

Jerami 3

Handuk 3

Batu 3

Keset 3 0

Karunggoni 3

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-63

Tabel L38 . Data hasil pengujian pengaruh variasi translasi kebawah, ukuran window 3

O I

Gabah Anyaman


Gabah

& Goni

Jagung

& Goni

Kacang

& Goni

Gabah 0 3

Anyaman

Bambu 3

Rumput 3

Jagung 3

Kacang 3

Jerami 3

Handuk 3

Batu 3

Keset 3

Karunggoni 3

Gabah &

Goni

3

Jagung &

Goni

3

Kacang &

Goni

3





L-64

LAMPIRAN 5

HASIL RERATA TINGKAT PENGENALAN TEKSTUR

DENGAN METODE LAWS

1. Hasil pengujian pengaruh variasi RST terhadap pengenalan tekstur tunggal.

a. Rerata pengaruh Rotasi terhadap tingkat pengenalan

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

Tingkat

Pengenalan 100% 80% 56,6% 50% 90% 80% 73,3% 70% 80% 100%

b. Rerata pengaruh variasi Skala terhadap tingkat pengenalan.

Skala 20 cm 25 cm 30 cm

Tingkat

Pengenalan 100% 80 % 70 %

c. Rerata pengaruh variasi Translasi terhadap tingkat pengenalan.

Translasi Center Kanan Kiri Atas Bawah

Tingkat

Pengenalan 100 % 90 % 60 % 80 % 90 %

d. Rerata pengaruh RST terhadap keseluruhan tingkat pengenelan tekstur.

Variasi R S T

Tingkat Pengenalan

Tekstur 77,99 % 83,33 % 84 %

2. Hasil pengujian pengaruh variasi RST terhadap pengenalan tekstur ganda.

a. Rerata pengaruh Rotasi terhadap tingkat pengenalan

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

Tingkat

Pengenalan 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%

b. Rerata pengaruh variasi Skala terhadap tingkat pengenalan.

Skala 20 cm 25 cm 30 cm

Tingkat

Pengenalan 100 % 100 % 100 %


L-65

c. Rerata pengaruh variasi Translasi terhadap tingkat pengenalan.

Translasi Center Kanan Kiri Atas Bawah

Tingkat

Pengenalan 100 % 66 % 100 % 100 % 100 %

d. Rerata pengaruh RST terhadap keseluruhan tingkat pengenelan tekstur.

Variasi R S T

Tingkat Pengenalan

Tekstur 100 % 100 % 93,2%

3. Hasil pengujian pengaruh wireless terhadap pengenalan tekstur.

Jarak 1 m 10 m 20 m 30 m 40 m 50 m 60 m 70 m 80 m

Tingkat

Pengenalan 100% 100 % 100% 90% 100% 100% 100 % 100% 100%


PENGENALAN TEKSTUR MENGGUNAKANrepository.usd.ac.id/35511/2/155114020_full.pdf · 2019. 8. 27. ·...

Documents

Transcript of PENGENALAN TEKSTUR MENGGUNAKANrepository.usd.ac.id/35511/2/155114020_full.pdf · 2019. 8. 27. ·...