PENGENALAN ALAT-ALAT STASIONERI BERDASARKAN …repository.usd.ac.id/33506/2/145114020_full.pdfWebcam...
Transcript of PENGENALAN ALAT-ALAT STASIONERI BERDASARKAN …repository.usd.ac.id/33506/2/145114020_full.pdfWebcam...
TUGAS AKHIR
PENGENALAN ALAT-ALAT STASIONERI
BERDASARKAN BENTUK MENGGUNAKAN
EKSTRASI CIRI MOMENT INVARIANT
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Teknik
Program Studi Teknik Elektro
Disusun Oleh:
RESKI NOBERT
NIM : 145114020
PROGRAM STUDI JURUSAN TEKNIK ELEKTRO
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2018
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
FINAL PROJECT
STATIONARY RECOGNITION BASED ON SHAPE
USING MOMENT INVARIANT FEATURE
EXTRACTION
Presented as Partial Fullfillment of the Requirements
To Obtain the Sarjana Teknik Degree
In Study Program of Electrical Engineering
Created by:
RESKI NOBERT
NIM : 145114020
PROGRAM STUDI JURUSAN TEKNIK ELEKTRO
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2018
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
HALAMAN PERSEMBAHAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
INTISARI
Sistem penglihatan merupakan salah satu sistem terpenting yang terdapat pada
manusia yang normal secara fisik, melalui sitem ini kita dapat mengenali apa yang kita lihat
dengan mata kita. Hal ini mendukung berkembangnya sistem dengan berbagai metode untuk
mengenali berbagai objek disekitar kita. Dilain pihak salah teknologi yang sangat
berkembang belakangan ini adalah teknologi robot. Terkait dengan sistem pengenalan objek
maka metode-metode tadi dapat dikembangkan kearah robotic vision untuk mepermudah
kehidupan manusia, sehingga dibutuhkan suatu sistem dengan metode yang dapat mengenali
suatu objek dengan akurat dan tahan terhadap gangguan. Melihat hal tersebut maka dalam
tugas akhir ini akan dibuat sistem pengenalan untuk mengenali alat-alat stasioneri dengan
ekstraksi moment invariant. Dimana ekstrasi ciri moment invarian tahan terhadap adanya
transasi, rotasi dan perubahan skala.
Dalam tugas akhir ini, sistem dibuat dengan menggunakan webcam dan laptop.
Webcam digunakan untuk mengambil gambar sementara laptop digunakan sebagai tempat
untuk membuat dan menjalankan program serta menampilkan hasil pengenalan. Secara garis
besar sistem pengenalan alat stasioneri ini terdiri atas tahap preprocessing, ekstraksi ciri,
perhitungan jarak, dan kemudian menampilkan hasil berdasarkan jarak terkecil terhadap
basis data dalam bentuk teks pada layar monitor.
Pada pengujian, sistem pengenalan alat-alat stasioneri berjalan dengan baik. Tingkat
pengenalan alat stasioneri yang diperoleh untuk posisi awal adalah 100% , sedang untuk
pemberian variasi berupa translasi, rotasi dan skala yang berbeda semua alat stasioneri
dikenali dengan benar.
Kata kunci: Webcam, preprocessing, moment invariant , jarak Euclidean.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
ABSTRACT
Vision system is one of the most inportant system on humans with normal body. With this
system we can understand about what we have seen with our eyes. This is the reason many
methods to recognize the things arround us are developed. Beside that, robot has become
one of the most developed tecnology right now. Related with the method of how to recognize
the thing around us, the method can be develoved in to robotic vision to make humans life
easier, so a method to recognize an object better is needed. By seeing this, in this final project
will be made a system to recognize some stationary equipment with moment invariant
method, which is invariant with translation, rotation, and scale.
In this final project, system is made through laptop and webcam. Webcam is used to
take the picture and laptop is used to create and run the program and also to present the result
of the system. In general the system is divided in to preprocessing, feature extraction,
Euclidean distance function, and the determination of recognition result by the smallest
distance with data base in the text form at the monitor.
In this stationary equipment recognition, system is running well. The recognition
result for the first condition is 100%. And for the invariant translation, every stationary
equipment is recognized as true.
Keywords: Webcam, preprocessing, moment invariant, Euclidean distance
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
KATA PENGANTAR
Puji dan Syukur penulis panjatkan kepada Tuhan Yesus Kristus karena atas berkat
dan rahmat_Nyalah sehingga penulis dapat menyelesaikan laporan tugas akhir ini dengan
sangat baik. Laporan tugas akhir ini disusun untuk memenuhi syarat memperoleh gelar
sarjana.
Selama pembuatan tugas akhir ini, penulis menyadari adanya bantuan dan dukungan
dari berbagai pihak. Maka dari itu, penulis mengucapkan terima kasih kepada :
1. Tuhan Yesus Kristus yang selalu melindungi dan menyertaiku.
2. Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.
3. Ketua Program Studi Teknik Elektro Universitas Sanata Dharma Yogyakarta.
4. Dr. Linggo Sumarno selaku dosen pembimbing yang dengan penuh kesabaran,
pengertian dan ketulusan hati memberikan bimbingan, kritik, saran, serta motivasi
dalam penulisan skripsi ini.
5. Ibu Wiwien Widyastuti, S.T., M.T. dan Bapak Augustinus Bayu Primawan S.T.,
M.Eng. sebagai dosen penguji yang telah memberikan masukan, bimbingan, saran
dalam merevisi skripsi ini.
6. Kedua orang tua dan keluarga besar yang telah mendukung serta mendoakan penulis.
7. Setiap pemimpin dan anggota komunitas rohani M19 di GMS Miracle Yogyakarta
yang sudah memberi semangat dan mendoakan penulis.
8. Teman-teman Teknik Elektro khususnya angkatan 2014.
9. Seluruh Dosen dan Laboran Program studi Teknik Elektro, Fakultas Sains dan
Teknologi Universitas Sanata Dharma yang telah membantu dan memberikan ilmu
kepada penulis.
10. Seluruh Staff Fakultas Sains dan Teknologi Universitas Sanata Dharma atas bantuan
dalam melayani mahasiswa.
11. Semua pihak yang tidak dapat disebutkan satu persatu atas semua dukungan yang
telah diberikan dalam penyelesaian skripsi ini.
Penulis menyadari betul bahwa penyelesaian tugas akhir ini tidak tidak terlepas dari
banyaknya kekurangan. Oleh karena itu penulis mengharapkan masukan berupa kritikan atau
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
DAFTAR ISI
HALAMAN JUDUL .......................................................................................................... i
TITLE ................................................................................................................................ ii
HALAMAN PERSETUJUAN .......................................................................................... iii
HALAMAN PENGESAHAN............................................................................................ iv
LEMBAR KEASLIAN KARYA ...................................................................................... v
LEMBAR PERSEMBAHAN ............................................................................................ vi
LEMBAR MOTTO............................................................................................................ vii
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH ........ viii
UNTUK KEPENTINGAN AKADEMIS ........................................................................ ix
INTISARI .......................................................................................................................... x
ABSTRAK .......................................................................................................................... xi
KATA PENGANTAR ....................................................................................................... xii
DAFTAR ISI ...................................................................................................................... xiii
DAFTAR GAMBAR ......................................................................................................... xvi
DAFTAR TABEL .............................................................................................................. xvii
BAB I PENDAHULUAN ............................................................................................. 1
1.1 Latar Belakang .................................................................................................... 1
1.2 Tujuan Dan Manfaat Penelitian .......................................................................... 2
1.3 Batasan Masalah ................................................................................................. 2
1.4 Metode Penelitian ............................................................................................... 3
BAB II DASAR TEORI ................................................................................................ 5
2.1.Alat Stasioneri ................................................................................................... 5
2.2.Webcam Logitech C170h................................................................................... 5
2.3.Konversi Citra RGB ke Citra Biner ................................................................... 6
2.4.Median Filter ..................................................................................................... 7
2.5.Ekstraksi Ciri Moment Invariant ....................................................................... 8
2.6.Jarak Euclidean ................................................................................................. 10
BAB III PERANCANGAN ........................................................................................... 12
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
3.1 Perancangan Tata Letak dan Fungsi Hardware ................................................... 12
3.2 Perancangan Software .......................................................................................... 13
3.2.1 Tahap Preprocessing ............................................................................... 14
3.2.2 Tahap Ekstraksi Ciri ................................................................................ 14
3.2.3 Tahap Fungsi Jarak ................................................................................. 15
3.2.4 Perancangan Tampilan GUI Matlab ........................................................ 16
3.3 Data Referensi ...................................................................................................... 18
3.4 Pengujian Citra Alat Stasioneri ............................................................................ 19
3.4.1 Pengujian Data Secara Tidak Langsung ................................................. 19
3.4.2 Pengujian Data Secara Langsung ............................................................ 19
BAB IV HASIL DAN PEMBAHASAN ....................................................................... 20
4.1 Implementasi Program ........................................................................................ 20
4.1.1 Tombol Camera On ................................................................................ 20
4.1.2 Tombol Capture ..................................................................................... 21
4.1.3 Tombol Process ...................................................................................... 21
4.1.4.1 Program Inisialisasi dan Pemanggilan Basis Data................................ 22
4.1.4.2 Program Konversi RGB ke Biner ......................................................... 22
4.1.4.5 Ekstraksi Ciri ...................................................................................... 24
4.1.4.6 Program Pembanding Jarak Euclidean ................................................. 25
4.1.4.7 Program Penentuan Keluaran ............................................................... 26
4.1.5 Tombol Reset ........................................................................................... 26
4.2. Pengujian Program Pengenalan Alat Stasioneri Secara Tidak
Langsung ............................................................................................................ 27
4.3. Pengujian Program Pengenalan Alat Stasioneri Secara Langsung. .................. 30
4.4 Analisis Hasil Data Pengujian secara Tidak Langsung....................................... 31
4.5. Analisis Hasil Data Pengujian secara Langsung. ............................................... 32
4.6 Keterbatasan Metodologi ..................................................................................... 36
BAB V PENUTUP ....................................................................................................... 37
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
5.2 Kesimpulan .......................................................................................................... 37
5.3 Saran .................................................................................................................... 37
Daftar Pustaka .................................................................................................................. 38
Lampiran ........................................................................................................................... L-1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvi
DAFTAR GAMBAR
Gambar 2.1 Alat-alat stasioneri ........................................................................................... 5
Gambar 2.2 Logitech C170 ................................................................................................ 5
Gambar 3.1. Diagram blok perancangan tata letak dan fungsi hardware .......................... 12
Gambar 3.2. Diagram alir keseluruhan proses pengenalan alat stasioneri .......................... 13
Gambar 3.3. Diagram alir tahap preprocessing ................................................................... 14
Gambar 3.4. Diagram alir proses ektaksi ciri moment invariant ......................................... 15
Gambar 3.4. Diagram alir tahapan funsi jarak..................................................................... 15
Gambar 3.5. Perancangan tampilan GUI matlab ................................................................. 16
Gambar 3.6. Diagram alir sistem untuk menampilkan hasil pengenalan pada GUI ........... 17
Gambar 3.7. Diagram blok proses perancangan basis data ................................................. 18
Gambar 4.1. Program Kamera Aktif ................................................................................... 20
Gambar 4.2. Program Ambil Gambar ................................................................................. 21
Gambar 4.3. Program Basis Data ........................................................................................ 22
Gambar 4.4. Program Konversi Citra RGB ke Biner .......................................................... 22
Gambar 4.5. Konversi Citra RGB ke Biner. ....................................................................... 23
Gambar 4.6. Program ekstraksi ciri moment invariant ........................................................ 24
Gambar 4.7. Program Pembanding Jarak Euclidean ........................................................... 25
Gambar 4.9. Program Penentuan Keluaran ......................................................................... 26
Gambar 4.10. Program Tombol Reset ................................................................................. 27
Gambar 4.11. Tampilan GUI Pengujian Tidak Langsung ................................................... 28
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvii
Gambar 4.12 Contoh ketika GUI Dijalankan untuk alat stasioneri Gunting ...................... 29
Gambar 4.13 Tampilan GUI Pengujian Secara Langsung .................................................. 30
Gambar 4.14 Hasil running program untuk notebook ........................................................ 31
Gambar 4.15 Hasil pengujian gunting tanpa tambahan pencahayaan ................................. 38
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xviii
DAFTAR TABEL
Tabel 2.1. Spesifikasi Logitech C170 .................................................................................. 6
Tabel 3.1. Keterangan GUI ................................................................................................. 16
Tabel 4.1. Hasil Pengujian Tidak Langsung ...................................................................... 32
Tabel 4.2 Hasil Pengujian pada Posisi Awal ....................................................................... 33
Tabel 4.3. Perbandingan Hasil Pengujian Ekstraksi Ciri DST dan
Moment Invariant pada Posisi Awal .................................................................................. 35
Tabel 4.4 Perbandingan Hasil Ekstraksi Ciri Tipe-x ........................................................... 36
Tabel 4.5 Hasil Perhitungan Jarak berdasarkan Hasil
Ekstraksi Ciri pada Basis Data Tipe-x ................................................................................. 36
Tabel 4.6 Pengaruh Rotasi Terhadap Tingkat Pengenalan .................................................. 36
Tabel 4.7 Pengaruh Skala Terhadap Tingkat Pengenalan ................................................... 37
Tabel 4.8 Pengaruh Translasi Terhadap Tingkat Pengenalan ............................................. 37
Tabel 4.9 Rerata Hasil Pengujian Tanpa Tambahan Pencahayaan ..................................... 38
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Mata merupakan salah satu bagian terpenting dari tubuh makhluk hidup secara umum,
termasuk manusia. Mata sendiri merupakan salah satu dari kelima indra yang dimiliki
manusia dan memiliki peran sebagai indera penglihatan. Dengan bantuan mata, otak kita
dapat mengenali, membedakan, dan mengelompokkan apa saja yang kita lihat tanpa perlu
menyentuh ataupun merabahnya, juga dengan bantuan mata pula maka kita dapat
mendeskripsikan apa yang kita pikirkan atau apa fungsi dan ciri fisik dari apa yang kita lihat
kepada orang lain. Beranjak dari sistem yang berlangsung pada mata tersebut, maka semakin
berkembangnya ilmu pengetahuan dan teknologi di bidang pengolahan citra dan pola untuk
meniru sistem tersebut tidak dapat dihindari dalam kehidupan sekarang ini.
Dalam perkembangannya, pengolahan citra banyak digunakan dalam proses
pengenalan dan klasifikasi objek di sekitar kita. Mata manusia mungkin sudah lebih dari
cukup, namun keterbatasan jarak pandang mata, ingatan, bahasa dan pikiran manusia
menjadi alasan mengapa pengenalan dan klasifikasi suatu objek dengan bantuan teknologi
akan sangat berguna. Di lain pihak dilihat dari perkembangan teknologi robot yang semakin
pesat belakangan ini, maka pengenalan objek tersebut dapat dikembangkan kearah robotic
vision sehingga penganalan objek tersebut tidak akan hanya membantu tetapi juga akan
membuat kegiatan manusia menjadi lebih efisien dari berbagai aspek. Alasan tersebut
menjadikan ketepatan dalam proses pengenalan suatu objek menjadi sangat penting,
sehingga sekarang ini telah berkembang berbagai cara dan metode dalam proses pengolahan
citra dan pola guna meningkatkan kualitas pengenalan dari metode sebelumnya. Dalam
perkembangannya telah banyak dilakukan penelitian mengenai pengolahan citra dan pola
dengan menerapkan berbagai metode pada berbagai objek berbeda sehingga dihasilkan pula
tingkat akurasi pengenalan yang berbeda-beda. Misalnya saja pengenalan alat stasioneri
dengan ekstraksi ciri DST (Discrete Sine Transform) menghasilkan tingkat pengenalan
100% dengan menggunakan nilai koefisien DST sejumlah 171 koefisien [1]. Sementara itu
berdasarkan penelitian yang pernah dilakukan terhadap pengenalan perangkat elektronika
oleh Deniel menggunakan ekstraksi ciri Discrete Cosine Transform (DCT) yang juga
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
menggunakan sejumlah 171 koefisien[2], semakin meningkatnya tingkat pengenalan maka
semakin banyak pula koefisien yang digunakan untuk membedakan antara citra perangkat
elektronika dengan perangkat elektronika lainnya. Sehingga disarankan menggunakan
ekstraksi ciri yang lain yang dapat memberikan jumlah koefisien yang lebih kecil.
Untuk memperkecil koefisien 171 tersebut, maka dalam penelitian ini digunakan
ektraksi ciri moment invariant untuk mengenali kesembilan alat stasioneri yang digunakan
(ballpoint, tipe-x, paper klip, cutter, gunting, stabilo, steples, buku kecil, dan pelubang
kertas). Dimana dengan ekstraksi ciri moment invariant ini koefisien yang digunakan hanya
berjumlah tujuh[3]. Melalui penelitian Salambue yang melakukan penelitian terhadap
pengenalan pola tanda tangan dengan ekstraksi momen invariant, maka diketahui dengan
ekstraksi ciri moment invariant dapat dihasilkan tingkat pengenalan terhadap objek sebesar
100%, selain itu melalui penelitian Salambue tersebut ekstaksi ciri moment invariant juga
diketahui tidak terpengaruh oleh adanya rotasi, skala, dan translasi (RST) yang invariant
dimana pada penelitian febrianto mengenai pengenalan terhadap alat stasioneri masih
terdapat masalah jika pada objek diberikan rotasi yang invariant[4].
1.2. Tujuan Dan Manfaat Penelitian
Tujuan dari penelitian ini adalah membuat aplikasi yang dapat melakukan
pengenalan terhadap alat-alat stasioneri yang digunakan dengan tingkat pengenalan 100%
dan yang tidak terpengaruh oleh RST yang invariant menggunakan ekstraksi ciri moment
invariant.
Manfaat dari penelitian adalah sebagai pengembangan untuk program robotik vision
dalam mengenali alat-alat stasioneri seperti ballpoint, tipe-x, paper klip, cutter, gunting,
stabilo, steples, buku kecil, dan pelubang kertas.
1.3. Batasan Masalah
Proses pengenalan alat stasioneri dalam penelitian ini menggunakan perangkat keras
berupa webcam dan laptop serta perangkat lunak berupa matlab. Webcam berfungsi untuk
mengambil gambar sedang komputer berfungsi untuk menjalankan perangkat lunak yaitu
matlab. Matlab berperan dalam proses pengenalan objek yang diterima oleh laptop dari
webcam sesuai dengan metode yang digunakan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
Fokus utama dalam pembuatan tugas akhir ini adalah pembuatan program pada
matlab guna pengenalan alat-alat stasioneri. Adapun batasan masalah yang ditetapkan dalam
penelitian ini, berupa:
1. Pengenalan terhadap alat-alat stasioneri berupa: ballpoint, gunting, stabilo, tipe-x,
paper klip, steples, note book, cutter dan pelubang kertas.
2. Menggunakan webcam merk Logitech seri C270h.
3. Menggunakan matlab versi 8.4.0.150421(R2014b)
4. Menggunakan ekstraksi ciri moment invariant
5. Metode pengenalan menggunakan tamplate matching dan fungsi jarak Euclidean
6. Jarak atau skala maksimal yang digunakan kurang lebih 50 cm dan jarak minimum
ialah selagi objek secara keseluruhan dapat ditangkap webcam.
7. Webcam dan objek stasioneri diletakkan pada dudukan yang telah dibuat
sebelumnya.
8. Hasil pengenalan atau keluaran ditampilkan pada layar laptop berupa kata 9 alat
stasioneri.
1.4. Metode Penelitian
Langkah-langkah dalam pengerjaan tugas akhir:
1. Pengumpulan referensi
Dilakukan dengan mengumpulkan sumber-sumber atau referensi terkait dengan
penelitian ini seperti ekstraksi ciri moment invariant, konversi citra RGB ke citra biner ,
Median filter dan fungsi jarak Euclidean. Sumber-sumber tersebut berupa buku-buku,
jurnal-jurnal ilmiah, dan website.
2. Pembuatan software
Pembuatan software dilakukan dengan menggunakan program matlab, matlab
digunakan untuk menentukan hasil pengenalan citra alat stasioneri dan sekaligus
sebagai user interface. Cara kerjanya ialah terlebih dahulu pengguna akan menekan
“Camera On” untuk mengaktifkan webcame dan menekan “Capture” untuk mengambil
gambar. Menekan tombol “Process” untuk memulai pengenalan dan menampilkan
hasilnya yang berupa hasil preprocessing, tujuh koefisien moment invariant, dan hasil
akhir pengenalan. Untuk memulai lagi proses maka disedikan tombol ”Reset” dan untuk
mengakhiri proses maka disediakan tombol “End”
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
3. Pengambilan data
Pengambilan data dilakukan berdasarkan tampilan hasil pengujian yang dilakukan.
Data yang diambil adalah hasil pengenalan yang ditampilkan pada GUI matlab serta
beberapa tambahan data berupa sampel hasil ekstraksi ciri dan perhitungan jarak
disesuaikan dengan keperluan analisis. Sebagai tambahan variasi data maka dilakukan
pula pengambilan data dari hasil pengujian dengan mengubah rotasi, skala, dan translasi
yang dilakukan dengan menempatkan alat stasioneri kurang lebih 2 cm ke kanan atau
ke kiri dari posisi awal untuk pengujian terhadap translasi, memberi variasi ketinggian
45 cm dan 56 cm antara perangkat dengan webcam untuk pengujian terhadap skala dan
memutar alat dengan variasi sudut putaran 45°, 90° dan 180° untuk pengujian terhadap
rotasi perangkat.
4. Analisis dan penyimpulan
Analisis data dilakukan dengan melihat tingkat keberhasilan pengenalan terhadap
alat-alat stasioneri yang ingin dikenali, dalam hal ini apakah dengan metode yang
digunakan sistem berhasil mengenali dengan benar seluruh alat stasioneri yang
digunakan dalam penelitian ini. Setelah mengetahui hasil pengenalan yang diperoleh,
maka hasil tersebut dibandingkan dengan hasil dari penelitian sebelumnya yang
menggunakan ekstrasi ciri DST. Penyimpulan dilakukan dengan melihat pengaruh
ekstraksi ciri moment invariant terhadap kinerja sistem, berhasil atau tidaknya sistem
mengenali keseluruhan alat stasioneri dengan benar (tingkat pengenalan 100%) pada
posisi awalnya dan juga jika pada alat stasinoneri yang akan dikenali diberikan RST
yang invariant. Selain itu penyimpulan juga dilakukan berdasarkan kinerjanya
dibandingkan dengan kinerja sistem pada penelitian sebelumnya yang menggunakan
ekstraksi ciri DST.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
BAB II
DASAR TEORI
2.1. Alat Stasioneri
Alat stasioneri atau alat tulis meliputi berbagai perangkat yang digunakan dalam
kegiatan tulis menulis[5]. Dalam penelitian ini sendiri digunakan alat-alat stasioneri berupa:
ballpoint, gunting, stabilo, tipe-x, paper klip, steples, note book, cutter dan pelubang kertas.
Alat-alat stasioneri yang digunakan dapat dilihat pada gambar 2.1 berikut.
Gambar 2.1 Alat-alat stasioneri
2.2. Webcam Logitech C170h
Gambar 2.2 Logitech C170 [6].
Dalam penelitian ini, webcame digunakan untuk mengambil citra alat stasioneri yang
akan dikenali dan webcame yang digunakan adalah Webcam Logitech C170. Adapun
spesifikasi dari Webcam Logitech C170 sendiridapat dilihat pada Tabel 2.1.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
Tabel 2.1. Spesifikasi Logitech C170 [7].
High-Definition (HD) video calling HD 720 pixels
Video capture Up to 1280 x 720 pixels
Photo quality Up to 3.0 Megapixels
Computer Interface USB 2.0 (recommended)
Focus Fixed Focus
Microphone Yes
Hardware Support Laptop, Monitor LCD or CRT
2.3. Konversi Citra RGB ke Citra Biner
Citra yang dihasilkan dari suatu webcam merupakan citra dalam bentuk RGB (Red,
Green, and Blue), sehingga terlebih dahulu harus dikonversi ke citra dalam bentuk biner.
Citra RGB sendiri merupakan citra yang terdiri dari tiga komponen berupa merah, hijau dan
biru sementara citra biner adalah citra yang terdiri dari dua nilai saja yaitu 0 dan 1, nol berarti
hitam dan satu berarti putih[8]. Untuk mengkoversi citra RGB ke citra biner maka terlebih
dahulu citra RGB dikonversi ke citra grayscale dilajutkan dengan konversi citra grayscale
ke citra biner.
Secara umum mengonversi citra RGB ke grayscale melalui persamaan [3]:
𝐼 = 0,2989 𝑥 𝑅 + 0,5870 𝑥 𝐺 + 0,1141 𝑥 𝐵 (2.1)
Proses selanjutnya untuk mengonversi citra berskala keabuan ke citra biner dapat
mengatur nilai ambang (threshold) sehingga dapat digunakan metode otsu. Adapun metode
otsu terdiri dari beberapa tahapan dan secara sistematis dapat dilihat sebagai berikut [9]:
Menghitung nilai intensitas i:
𝒑𝒊 =𝒏𝒊
𝑵 (2.2)
Keteranan :
𝒏𝒊= jumlah piksel dengan intensitas i.
N = jumlah semua piksel dalam citra
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
Menghitung nilai zeroth- cumulative moment, first- order cumulative moment dan
nilai rerata dari gambar original dapat dilihat secara berturut pada persamaan dibawah:
ω(k) = ∑ 𝑝𝑖𝑘𝑖=1 (2.3)
𝜇(𝑘) = ∑ 𝑖 .𝑘𝑖 = 𝑝𝑖 (2.4)
𝜇𝑇 = 𝜇(𝐿) = ∑ 𝑖 . 𝑝𝐿𝑖=1 𝑖 (2.5)
Untuk mendapatkan nilai threshold atau nilai ambang k dapat dihitung menggunakan persamaan
sebagai berikut:
𝜎2
𝐵(𝑘) = max 𝜎
2
𝐵(𝑘) (2.6)
dengan
𝜎2
𝐵(𝑘) =
[𝜇𝑇𝜔(𝑘)−𝜇(𝑘)]2
𝜔(𝑘)[1−𝜔(𝑘)] (2.8)
2.4. Median Filter
Median filter digunakan untuk menghilangkan noise atau bintik-bintik pada citra[3].
Cara kerja filter ini yaitu pertama-tama dengan mengurutkan intensitas piksel, kemudian
menggantikan nilai piksel yang nilainya terlalu berbeda dengan nilai median yang didapat
setelah mengurutkan intensitas piksel tadi[10].
Pada metode ini window (penapis) yang memuat piksel ganjil digeser titik per titik
pada seluruh citra. Nilai-nilai pada penapis diurutkan dari terkecil hingga terbesar kemudian
dihitung nilai mediannya. Nilai median ini akan menggantikan nilai yang terdapat pada pusat
bidang penapis.
Jika suatu penapis ditempatkan pada bidang citra, maka dapat dicari nilai median pada
pusat bidang penapis dari sekelompok piksel yang telah diurutkan. Median filter secara
matematis dapat dirumuskan sebagai berikut[3]:
𝑔(𝑥, 𝑦) = 𝑀𝑒𝑑𝑖𝑎𝑛 {𝑓(𝑥 − 𝑖, 𝑦 − 𝑖), (𝑖, 𝑗)𝜖 𝑤}
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
00
10
m
mx =
00
01
m
my =
dan
………………………………………………………………………………………...(2.9)
……………………………………………………………………………………………………….(2.10)
Keterangan:
𝑔(𝑥, 𝑦) : Hasil median filter.
𝑓(𝑥, 𝑦) : Citra masukan median filter.
𝑤 : Penapis pada bidang citra.
(𝑖, 𝑗) : Elemen dari penapis.
Contoh[12]:
Masukan:
Hasil:
1 1 1 1 1 1
1 0 1 1 1 1
1 1 1 1 1 1
Dari citra masukan terlebih dahulu diurutkan mejadi:
0, 1, 1, 1, 1, 1, 1, 1, 1
Jadi nilai median yang diperoleh adalah 1, sehingga nilai 1 akan menggantikan nilai 0 yang
berada dalam window.
2.5. Ekstraksi Ciri Moment invariant
Ekstraksi ciri merupakan salah satu tahapan dalam proses pengenalan suatu objek,
dalam ekstraksi ciri ini komponen citra yang menjadi ciri khas citra tersebut diekstrak guna
mengurangi banyaknya data yang diproses untuk dibandingkan dengan citra yang lain.
Adapun dalam penelitian ini metode ekstraksi ciri yang digunakan adalah moment invariant.
Moment invariant merupakan salah satu metode ekstraksi ciri yang dilakukan
dengan menghitung ketujuh nilai moment pusat suatu citra. Ketujuh moment tersebut dapat
diperoleh melalui beberapa rumusan sebagai berikut[3],[4] :
Moment pusat citra:
),()()( yxfyyxx qp
yxpq −−=
Dimana:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
…………………………………………………………………………………………………………………..…….(2.11)
Agar momen pusat tidak terpengaruh oleh rotasi, skala, dan translasi, maka diperlukan
normalisasi terhadap momen melalui persamaan berikut:
00
pq
pq =
Dimana:
12
++
=qp
Berdasarkan normalisasi momen pusat, maka tujuh momen invariant dapat diperoleh melalui
persamaan berikut:
𝜙1 = 𝜂20 + 𝜂02
𝜙2 = (𝜂20 − 𝜂02)2 + 4𝜂112
𝜙3 = (𝜂30 − 3𝜂12)2 + (3𝜂21 − 𝜂03)2
𝜙4 = (𝜂30 + 𝜂12)2 + (𝜂21 + 𝜂03)2
𝜙5 = (𝜂30 − 3𝜂12)(𝜂30 + 𝜂12)[(𝜂30 + 𝜂12)2 − 3(𝜂21 + 𝜂03)2]
+(3𝜂21 − 𝜂03)(𝜂21 + 𝜂03)[3(𝜂30 + 𝜂12)2 − (𝜂21 + 𝜂03)2]
𝜙6 = (𝜂20 − 𝜂02)[(𝜂30 + 𝜂12)2 − (𝜂21 + 𝜂03)2]
+4𝜂11(𝜂30 + 𝜂12)(𝜂21 + 𝜂03)
𝜙7 = (3𝜂21 − 𝜂03)(𝜂30 + 𝜂12)[(𝜂30 + 𝜂12)2 − 3(𝜂21 + 𝜂03)2]
+(3𝜂12 − 𝜂30)(𝜂21 + 𝜂03)[3(𝜂30 + 𝜂12)2 − (𝜂21 + 𝜂03)2]
𝜙 𝑖 = koefisien 𝑚𝑜𝑚𝑒𝑛𝑡 𝑖𝑛𝑣𝑎𝑟𝑖𝑎𝑛𝑡
𝜂 = momen pusat normalisasi
Contoh:
Misalkan diperoleh matriks 5x5 sebagai berikut:
0 0 0 0 0
0 1 1 1 0
0 1 1 1 0
0 1 1 1 0
0 0 0 0 0
Berdasarkan persamaan 2.9 diperoleh nilai momen pusat citra sebagai berikut:
[𝜇00 𝜇01 𝜇02 𝜇03 𝜇10 𝜇11 𝜇12 𝜇20 𝜇21 𝜇30] = [4 0 0 13 13 11 13 15 13 13]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
Dimana melalui persamaan 2.10 diperoleh �̅� = 3 dan �̅� = 3
Dan melalui persamaan 2.11 maka diperoleh moment pusat normalisasi sebagai berikut:
[𝜂00 𝜂01 𝜂02 𝜂03 𝜂10 𝜂11 𝜂12 𝜂20 𝜂21 𝜂30]=
Sehingga dapat dihitung ketujuh moment invariant sebagai berikut:
𝜙1 = 0,94 + 0
𝜙2 = (0,94 − 0)2 + 4 . 0,412
𝜙3 = (0,41 − 0,41)2 + (0,41 − 1,63 )2
𝜙4 = ( 0,41 + 0,41)2 + (0,41 + 1,63)2
𝜙5 = (0,41 − 3 . 0,41)(0,41 + 0,41)[(0,41 + 0,41)2 − 3(0,41 + 0,46)2]
+(0,41 − 0,46)(0,41 + 0,46)[3(0,41 + 0,41)2 − (0,41 + 0,46)2]
𝜙6 = [(0,94 − 0)[( 0,41 + 0,41)2 − ( 0,41 + 0,41)2]
+4 . 0,69 ( 0,41 + 0,41)( 0,41 + 0,41)]
𝜙7 = (3. 0,41 − 0,41)( 0,41 + 0,41)[( 0,41 + 0,41)2 − 3(0,41 + 0,41)2]
+(3 . 0,41 − 0,41)(0,41 + 0,41)[3(0,41 + 0,41)2 − (0,41 + 0,46)2]
Sehingga diperoleh hasil sebagai berikut:
[𝜙1 𝜙2 𝜙3 𝜙4 𝜙5 𝜙6 𝜙7] = [0,9375 2,76953 2,47558 0,82519 0,87161 1,8154 0]
2.6. Jarak Euclidean
Untuk menentukan hasil akhir dari pengenalan alat stasioneri ini, maka perlu
dibandingkan tingkat kemiripan antara hasil ekstraksi ciri dan basis data. Untuk
membandingkannya maka dalam penelitian ini digunakan fungsi jarak Euclidean, dimana
hasil akhir ditentukan berdasarkan nilai jarak terkecil atau yang paling mendekati 0 (nol).
Adapun, menentukan jarak antara hasil ekstraksi ciri dan basis data dengan fungsi jarak
Euclidean dapat didefenisikan sebagai berikut[3],[4]:
𝑗(𝑉1 , 𝑉2) = √∑(𝑉1(𝑘) − 𝑉2(𝑘))2
𝑛
𝑘=1
Keterangan :
𝑉1(𝑘) = citra basis data.
𝑉2(𝑘) = citra masukan.
[ 1 0 0 0,46 1,63 0,69 0,41 0,94 0,41 0,41 ]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
Contoh[3]:
Terdapat 2 vektor ciri berikut.
V1 = [ 4 3 6]
V2 = [ 2 3 7]
Jarak Euclidean dari vektor A dan B adalah:
j(𝑉1, 𝑉2) = √(4 − 2)2 + (3 − 3)2 + (6 − 7)2
= √4 + 0 + 1 = 2,2361
2.7. Operasi Closing
Operasi ini digunakan untuk menutupi atau menghilangkan lubang-lubang kecil yang
ada dalam segmen objek, menggabungkan objek yang berdekatan dan secara umum
memperhalus batas dari objek besar tanpa mengubah objek secara signifikan. Operasi
closing sendiri merupakan operasi morfologi yang yang diawali dengan dilasi kemudian
diikuti dengan Erosi dimana keduanya menggunakan formasi elemen penstruktur dan radius
pixel yang sama[12]. Operasi closing dapat didefenisikan sebagai berikut[13]:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
BAB III
PERANCANGAN
3.1. Perancangan Tata Letak dan Fungsi Hardware
Secara garis besar proses perancangan tata letak dan fungsi hardware dalam
pengenalan alat stasioneri dapat dilihat pada blok diagram gambar 3.1.
Gambar 3.1. Diagram blok perancangan tata letak dan fungsi hardware
Blok diagram diatas, merupakan gambaran singkat mengenai perancangan dari
pengenalan terhadap alat stasioneri dari segi hardware, dimana dalam penelitian ini
digunakan perangkat berupa alat stasioneri sebagai objek yang akan dikenali, webcam untuk
menangkap citra alat stasioneri, laptop sebagai tempat untuk memproses citra, sebagai user
interface, sekaligus untuk menampilakan hasil pengenalan, dan fixture sebagai penyangga
webcam (webcam diletakkan pada pada posisi no.2 pada gambar 3.1) juga tempat
meletakkan alat stasioneri(alat stasioneri diletakkan pada pada posisi no.1 pada gambar 3.1).
Pengenalan citra alat stasioneri akan diawali dengan pengambilan citra menggunakan
webcame dimana jarak antara alat stasioneri dan webcame kurang lebih 50 cm. Kemudian
citra dari webcam tersebut akan diproses pada laptop menggunakan matlab, laptop dan
webcame dihubungkan dengan menggunakan USB 2.0. Setelah melalui proses pengenalan
pada matlab hasil pengenalan akan ditampilkan pada layar laptop dalam bentuk teks.
1
2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
3.2. Perancangan Software
Secara umum proses perancangan software pengenalan alat stasioneri terdiri dari
lima tahap berupa: tahap preprocessing, tahap ekstraksi ciri, tahap funsi jarak, dan tahap
penentuan keluaran. Tahap pertama yaitu tahap preprocessing. Tahap preprocessing terdiri
dari tiga bagian yaitu: konversi RGB ke grayscale, cropping, dan resizing. Setelah tahap
preprocessing, proses dilanjutkan dengan tahap pengenalan. Tahap pengenalan terdiri dari
tiga tahapan yaitu: ekstraksi ciri, perhitungan fungsi jarak, dan basis data citra alat stasioneri.
Selanjutnya, pada tahap terakhir dilakukan penentuan keluaran. Penentuan keluaran
dilakukan berdasarkan hasil perbandingan antara ekstraksi ciri dengan basis data, dimana
jarak paling minimum ditentukan sebagai keluaran. Garis besar dari proses pengenalan alat
stasioneri ini dapat dilihat pada diagram alir gambar 3.2.
Gambar 3.2. Diagram alir keseluruhan proses pengenalan alat stasioneri
Mulai
Masukan:
Citra alat stasioneri
Preprocessing
Ekstraksi ciri dengan
Moment invariant
Funsi jarak Euclidean
Basis Data
A
A
Keluaran:
Hasil berupa
teks
Selesai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
3.2.1. Tahap Preprocessing
Tahap preprocessing terdiri dari tiga tahapan berupa konversi RGB ke grayscale,
konversi grayscale ke biner, dan median filter. Konversi RGB ke grayscale dilakukan
karena citra hasil tangkapan webcame merupakan citra RGB, sementara itu konversi
grayscale ke biner dilakukan mempermudah pada tahapan selanjutnya, kemudian median
filter dilakukan untuk menyaring noise pada citra. Secara garis besar tahap ini dapat
digambarkan melalui diagram alir gambar 3.3 berikut.
Gambar 3.3. Diagram alir tahap preprocessing
3.2.2. Tahap Ekstraksi Ciri
Tahap ekstraksi ciri adalah proses pengambilan ciri dari suatu citra untuk
mengurangi banyaknya data yang akan diproses pada tahap selanjutnya. Pada penelitian ini
pengambilan ciri citra dilakukan dengan menggunakan ekstraksi ciri moment invariant.
Proses ini digambarkan seperti pada diagram alir gambar 3.4.
Mulai
Masukan:
citra RGB
Konversi citra RGB ke
Gray Scale
Konversi
Grayscale ke
biner
Median filter
Keluaran:
Citra hasil
Preprocessing
Selesai
A
A
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
Mulai
Masukan: Citra
hasil
Preprocessing
Hitung Ketujuh nilai
Moment Invariant
Keluaran:
Hasil ekstraksi
ciri
Selesai
B
B
Gambar 3.4. Diagram alir proses ektaksi ciri moment invariant
3.2.3. Tahap Fungsi Jarak
Setelah melalui tahap ekstraksi ciri maka proses akan dilanjutkan dengan tahap
perhitungan fungsi jarak. Perhitungan fungsi jarak dilakukan dengan tujuan
membandingkan citra keluaran dari ekstraksi ciri dengan citra alat stasioneri pada basis data,
dimana hasilnya ditentukan berdasarkan hasil perbandingan yang memiliki nilai paling kecil,
sehingga tahap ini menjadi tahapan terakhir untuk mengetahui hasil dari pengenalan alat
stasioneri dalam penelitian ini. Dalam tahap fungsi jarak ini digunakan fungsi jarak
Euclidean. Adapun tahap ini digambarkan pada diagram alir gambar 3.5.
Gambar 3.4. Diagram alir tahapan funsi jarak
Mulai
Masukan:
Hasil ekstraksi
ciri
Perhitungan jarak Euclidean
A
A
Penentuan keluaran
Keluaran:
Hasil pengenalan
Selesai
Basis Data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
3.2.4. Perancangan Tampilan GUI Matlab
Dalam penelitian ini digunakan GUI (Graphical User Interface) pada matlab sebagai
user interface. Adapun tampilan GUI beserta prosesnya yang berlangsung dapat dilihat pada
gambar 3.5 dan diagram alir gambar 3.6.
Gambar 3.5. Perancangan tampilan GUI matlab
Setiap bagian dari tampilan GUI tersebut memiliki fungsi tersendiri dan mewakili
hasil dari setiap bagian pada proses pengenalan alat stasioneri dalam penelitian ini. Adapun
fungsi dari tiap bagiannya tersebut dapat dilihat pada table berikut:
Tabel 3.1. Keterangan GUI
Nama Bagian Fungsi
Tombol “Camera On” Menghidupkan webcam
Tombol “Capture” Mengambil gambar
Tombol “Process” Memulai proses pengenalan perangkat elektronika
Pop Menu Memilih variasi koefisien Fourier
Axes 1 pada panel
kamera
Menampilkan citra secara real time dari webcam dan citra hasil
pengambilan gambar
Axes 2 pada proses
preprocessing
Menampilkan citra hasil preprocessing
Q1, Q2, Q3, Q4, Q5, Q6,
Q7
Menampilkan citra hasil ekstraksi ciri secara berurutan dari
moment pertama sampai moment yang ketujuh
J1, J2, J3, J4, J5, J6, J7,
J8, dan J9
Masing-masing menampilkan hasil perhitungan jarak Euclidean
secara berurutan dari ballpoint, cutter, gunting, note book,
pelubang kertas, paper klip, stabilo, steples, tipe-x.
Axes 10 pada panel text Menampilkan hasil akhir pengenalan alat stasioneri berupa teks
Tombol “Reset” Mengulang proses pengenalan dari awal
Tombol “End” Keluar mengakhiri proses dan keluar dari sistem
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
Proses dijalankannya sistem pada gambar 3.6 dimulai dengan menekan tombol
“Camera On“ yang akan mengaktifkan webcam sehingga pada Axes 1 akan ditampilkan
citra alat stasioneri secara real time. Selanjutnya pengguna menekan tombol “Capture”
untuk pengambilan citra dari alat stasioneri dan gambar citra tersebut akan ditampilkan pada
Axes 1. Langkah selanjutnya pengguna dapat menekan tombol “Process” untuk memeroses
citra masukan ke tahap preprocessing dan ekstraksi ciri. Hasil dari tahap preprocessing akan
ditampilkan pada Axes 2, sedangkan hasil dari tahap ekstraksi ciri yaitu ketujuh moment
invariant akan ditampilkan secara berurutan mulai dari Axes 3 hingga Axes 9. Hasil akhir
pada proses ini berupa teks yang akan ditampilkan pada Axes 10.
Gambar 3.6. Diagram alir sistem untuk menampilkan hasil pengenalan pada GUI
Mulai
Masukan:
Citra alat
stasioneri
Preprocessing
Ekstraksi ciri
Keluaran:
Hasil pengenalan
citra berupa teks
ditampikan pada
GUI
Selesai
Keluaran: Hasil
ekstraksi ciri
ditampikan
pada GUI
Keluaran:
Hasil
preprocessing
ditampikan
pada GUI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
3.3. Basis Data
Dalam proses ini citra alat stasioneri akan diambil sebagai acuan untuk
dibandingkan dengan citra alat stasioneri yang diambil dari webcame. Secara garis besar
prosesnya dapat dilihat pada blok diagram gambar 3.7.
Gambar 3.7. Diagram blok proses pengambilan basis data
Dari diagram blok 3.7 dapat dilihat bahwa proses pada tahap ini diawali dengan
pengambilan citra alat stasioneri. Citra alat stasioneri yang diambil tersebut akan memasuki
tahap preprocessing. Hasil dari tahap preprocessing tadi akan memasuki tahap ekstraksi ciri
dimana hasilnya akan disimpan dalam bentuk cell array dengan format .mat pada folder
tertentu sebagai data referensi. Adapun banyaknya data hasil ekstraksi ciri citra alat
stasioneri yang akan di simpan sebagai data refensi adalah 63 (enam puluh tiga) yaitu tujuh
koefisien moment invariant dari setiap sembilan alat stasioneri.
Mulai
Masukan:
Citra alat stasioneri
Preprocessing
Ekstraksi ciri dengan
Moment invariant
Selesai
Keluaran:
Basis Data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
3.4. Pengujian Citra Alat Stasioneri
3.4.1. Pengujian Secara Tidak Langsung
Proses pengujian data secara tidak langsung dilakukan dengan terlebih dahulu
mengambil data berupa gambar alat stasioneri dengan menggunakan webcame lalu
disimpan pada sebuah folder tertentu. Data berupa gambar tersebut lalu diproses dengan
mengacu pada gambar 3.5 yaitu preprocessing, ekstraksi ciri dengan moment invariant, dan
fungsi jarak Euclidean. Hasil dari perhitungan fungsi jarak Euclidean akan menentukan
jarak antara hasil ekstraksi ciri gambar dan basis data, dimana citra dengan jarak terkecil
merupakan hasil akhir dari tahap ini dan akan ditampilkan berupa teks pada layar monitor
dengan matlab.
3.4.2. Pengujian Secara Langsung
Pengujian data secara langsung diawali dengan menekan “Camera On” pada GUI
matlab mengaktifkan webcam. Lalu untuk melakukan pengambilan gambar alat stasioneri
dilakukan dengan menekan tombol “capture”. Jumlah gambar yang diambil adalah sembilan
gambar dari sembilan alat stasioneri. Gambar yang diambil kemudian akan diproses pada
tahap preprocessing yaitu pengubahan citra RGB ke biner. Setelah itu dilanjutkan dengan
tahap ekstraksi ciri untuk mendapatkan ketujuh koefisien dari hasil ekstraksi ciri moment
invariant. Selanjutnya hasil ekstraksi ciri akan dibandingkan dengan data yang telah
disimpan pada basis data dengan fungsi jarak Euclidean untuk menentukan keluaran. Hasil
akhir dari tahap ini ditampilkan dengan format teks pada layar monitor. Sebagai tambahan
maka dilakukan pula pengujian terhadap rotasi, skala dan translasi (RST). Pengujian RST
dilakukan dengan menempatkan alat stasioneri kurang lebih 2 cm ke kanan atau ke kiri dari
posisi awal untuk pengujian terhadap translasi, memberi variasi ketinggian 45 cm, 50 cm
dan 55 cm antara perangkat dengan webcam untuk pengujian terhadap skala dan memutar
alat dengan variasi sudut putaran 0°, 90° dan 180° untuk pengujian terhadap rotasi
perangkat.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
BAB IV
HASIL DAN PEMBAHASAN
Pada bab ini akan dibahas mengenai proses pengujian program baik pada pengujian
secara langsung maupun pengujian secara tidak langsung, akan dibahas bagian-bagian dari
program dan analisis terhadap hasil dari pengujian program. Melalui bab ini akan diketahui
apakah program yang telah dirancang telah berjalan dengan baik atau tidak, sehingga
nantinya dapat ditarik kesimpulan mengenai penelitian ini.
4.1 Implementasi Program
4.1.1 Tombol Camera On
Tombol Camera On (kamera aktif ) berfungsi untuk mengaktifkan webcam melalui
GUI Matlab sekaligus menampilkan hasil rekaman dari webcam pada axes 1. Adapun
program yang digunakan untuk menjalankan tombol Camera On terlihat seperti pada
gambar 4.1.
Gambar 4.1. Program Kamera Aktif
Adapun vidobj berfungsi untuk merepresentasikan hasil rekaman webcam dengan format
MJPG berukuran 320x240 berdasarkan device yang terhubung dimana winvideo merupakan
text string yang berfungsi untuk menyatakan nama adaptor yang digunakan matlab untuk
berkomunikasi dengan webcam . sementara itu nBands, hImage, dan preview digunakan
untuk menampilkan rekaman webcam pada axes1, dalam hal ini akan ditampilkan video pada
axes 1 dengan band berdasarkan nBands yang didapatkan dari sintaks get dan video
berukuran 320x240 pixel.
function pushbutton1_Callback(hObject, eventdata, handles) global vidobj vidobj = videoinput('winvideo',1,'MJPG_320x240');
% Tampilkan pada axes nBands=get(vidobj,'NumberOfBands') hImage=image(zeros(240,320,nBands),'parent',handles.axes1) preview(vidobj,hImage)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
4.1.2 Tombol Capture
Tombol capture (ambil gambar) berfungsi untuk meng-capture gambar dari kesembilan alat
stasioneri yang digunakan. Adapun program untuk tombol capture ini dapat dilihat pada
gambar 4.2.
Gambar 4.2. Program Ambil Gambar
Dalam program ini digunakan sintaks global sehingga nilai variabel yang diperoleh
dapat digunakan pada fungsi lain dalam program yang sama. Untuk proses capture sendiri
digunakan sintaks getdata dimana getdata berfungsi untuk mengambil citra dalam kondisi
webcam aktif. Adapun untuk merepresentasikan sintaks imshow pada axes1 maka
digunakan sintaks handles dan axes. Imshow sendiri digunakan untuk menampilkan gambar.
4.1.3 Tombol Process
Tombol Process (Proses) merupakan tombol yang berfungsi untuk menjalankan
bagian program pengenalan alat stasioneri yang berupa preprocessing, ekstraksi ciri, jarak
euclidean, penentuan keluaran, sekaligus untuk menampilkan hasil-hasilnya pada GUI
matlab.
function pushbutton2_Callback(hObject, eventdata, handles) % Inisialisasi webcam global vidobj global gambar1 vidobj.FramesPerTrigger=1; triggerconfig(vidobj,'manual');
% Proses capture gambar start(vidobj); pause(0.5); trigger(vidobj); stoppreview(vidobj); frame=getdata(vidobj);
gambar1=(frame); axes(handles.axes1); imshow(gambar1)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
4.1.4.1 Program Inisialisasi dan Pemanggilan Basis Data
Progam untuk inisialisasi dan pemanggilan basis data ini dapat dilihat pada Gambar
4.4 berikut. Program ini berfungsi untuk mendeklarasikan variabel agar dapat dikenali pada
program sekaligus mendapatkan data yang diperlukan dari program lainnya atau
mendapatkan data dari fungsi lain pada program yang sama.
Gambar 4.3. Program Basis Data
Gambar 4.4. merupakan program yang digunakan untuk menginisialisasikan dan
memanggil data yang ada pada basis data. Load momenHu berfungsi untuk mendapatkan
nilai moment invariant yang diperoleh pada program momentHu, Load dbstasioneri1
berfungsi untuk mendapatkan nilai moment invariant dari basis data dan global gambar1
untuk memperoleh data gambar1 dari program tombol capture sebelumnya.
4.1.4.2 Program Konversi RGB ke Biner
Program konveri RGB ke Biner berfungsi untuk mengubah citra RGB ke citra biner.
Berdasarkan diagram alir tahap preprocessing pada Gambar 3.3. Program RGB ke biner
dapat dilihat pada Gambar 4.5.
Gambar 4.4. Program Konversi Citra RGB ke Biner
Setelah proses capture gambar dilakukan oleh pengguna, data berupa gambar alat
stasioneri tersebut kemudian akan dipanggil menggunakan sintaks imread. Kemudian untuk
mengubah citra RGB ke citra berskala keabuan atau grayscale dapat menggunakan sintaks
“rgb2gray” sesuai dengan persamaan 2.1 . Sintaks “graysthresh” merupakan metode yang
%inisialisasi load momenHu; load dbstasioneri1; global gambar1;
x = rgb2gray(gambar1); level = graythresh(x) A1 = im2bw(x,level); B= medfilt2(A1);
% OPERASI OPENING BW=imclose(B,strel('square',4)); axes(handles.axes2) imshow(BW)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
diimplementasikan dari metode Otsu (persamaan 2.2 sampai 2.8) digunakan untuk mencari
nilai ambang secara otomatis. Nilai hasil dari metode tersebut berupa nilai ambang akan
dikonversi ke citra iner menggunakan sintaks “im2bw”. Sementara itu untuk memperoleh
citra biner yang lebih baik agar diperoleh hasil pengenalan yang lebih maksimal, maka pada
tahapan ini ditambahkan operasi opening berupa sintaks imclose. Sintaks imclose
merupakan operasi dilasi yang diikuti dengan operasi erosi dengan struktur dan radius yang
sama, pada program digunakan radius empat pixel. Contoh hasil program RGB ke biner
dapat dilihat pada Gambar 4.6.
(a) (b)
(c) (d)
(e)
Gambar 4.5. Konversi Citra RGB ke Biner. (a) Citra Masukan (b) citra grayscale (c) citra
hasil konversi gray ke biner (d) citra hasil median filter (e) citra hasil operasi opening.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
4.1.4.5 Ekstraksi Ciri
Pada program ektraksi ciri digunakan untuk menyaring informasi yang lebih detail
yang terdapat dalam suatu citra sehingga jumlah informasi yang diolah nantinya menjadi
jauh lebih sedikit, informasi ini kemudian akan digunakan untuk membandingkan suatu
objek dengan objek lainnya. Berdasarkan diagram alir tahap ekstraksi ciri Gambar 3.4
program ekstraksi ciri dapat dilihat pada Gambar 4.6.
Pada program ekstraksi ciri moment invariant dilakukan dengan menggunakan
sintaks momenthu. Hasil dari perhitungan moment invariant ini kemudian ditampilkan pada
GUI matlab dalam bentuk teks. Karena hasil perhitungan yang diperoleh dari ekstraksi ciri
merupakan numerik maka agar dapat ditampilkan pada text, bentuk numerik tersebut terlebih
dahulu harus diubah kebentuk string dengan sintaks “num2str”.
Gambar 4.10. Program Ektraksi Ciri
Gambar 4.6. Program ekstraksi ciri moment invariant
% moment HU momenhu(BW) ec=[m1; m2; m3; m4; m5; m6; m7];
%menampilkan ekstraksi ciri h1=num2str(m1); h2=num2str(m2); h3=num2str(m3); h4=num2str(m4); h5=num2str(m5); h6=num2str(m6); h7=num2str(m7);
set(handles.text3,'string',h1); set(handles.text5,'string',h2); set(handles.text7,'string',h3); set(handles.text9,'string',h4); set(handles.text11,'string',h5); set(handles.text13,'string',h6); set(handles.text15,'string',h7);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
4.1.4.6 Program Pembanding Jarak Euclidean
Pada program pembanding jarak ini menggunakan jarak Euclidean sebagai
pembanding hasil antara ekstraksi ciri dengan basis data. Berdasarkan diagram alir jarak
Euclidean pada Gambar 3.5 program yang digunakan dapat dilihat pada Gambar 4.7.
Gambar 4.7. Program Pembanding Jarak Euclidean
Program pada gambar 4.7 digunakan untuk memanggil fungsi jarak Euclidean yang
telah dibuat pada program yang lain. adapun variabel yang akan dibandingkan adalah hasil
ektraksi ciri dari pengambilan gambar secara real time yaitu “ec” dengan hasil ekstraksi ciri
gambar yang telah disimpan sebagai basis data yaitu “dball1{1}” sampai dengan “dball1{9}.
%FUNGSI JARAK j(1) = jarak(dball1{1},ec) set(handles.text35,'string',j(1)); j(2) = jarak(dball1{2},ec); set(handles.text37,'string',j(2)); j(3) = jarak(dball1{3},ec); set(handles.text39,'string',j(3)); j(4) = jarak(dball1{4},ec); set(handles.text41,'string',j(4)); j(5) = jarak(dball1{5},ec); set(handles.text43,'string',j(5)); j(6) = jarak(dball1{6},ec); set(handles.text46,'string',j(6)); j(7) = jarak(dball1{7},ec); set(handles.text48,'string',j(7)); j(8) =jarak(dball1{8},ec); set(handles.text50,'string',j(8)); j(9) = jarak(dball1{9},ec); set(handles.text52,'string',j(9));
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
4.1.4.7 Program Penentuan Keluaran
Program Keluaran berfungsi untuk menampilkan hasil dari pengenalan alat stasioneri
yang berupa teks. Program yang digunakan dapat dilihat pada Gambar 4.12.
Gambar 4.9. Program Penentuan Keluaran
Pada program Sintaks “minj” merupakan nilai terkecil dari hasil perhitungan jarak.
Nilai tersebut akan menjadi penentu keluaran dari sistem pengenalan alat stasioneri.
4.1.5 Tombol Reset
Program tombol Reset berfungsi untuk mengembalikan tampilan awal GUI apabila
pengguna ingin memulai kembali dari awal proses pengenalan atau jika terjadi kesalahan
%menetukan keluaran minj = min(j) if (minj==j(1)) y1='BALL POINT'; set(handles.text17,'string',string(y1)); elseif (minj==j(2)) y2='CUTER'; set(handles.text17,'string',string(y2)); elseif (minj==j(3)) y3='GUNTING'; set(handles.text17,'string',string(y3)); elseif (minj==j(4)) y4='NOTE BOOK'; set(handles.text17,'string',string(y4)); elseif (minj==j(5)) y5='PELUBANG KERTAS'; set(handles.text17,'string',string(y5)); elseif (minj==j(6)) y6='PENJEPIT KERTAS'; set(handles.text17,'string',string(y6)); elseif (minj==j(7)) y7='STABILO'; set(handles.text17,'string',string(y7)); elseif (minj==j(8)) y8='STEPLES'; set(handles.text17,'string',string(y8)); elseif (minj==j(9)) y9='TIPEX'; set(handles.text17,'string',string(y9)) end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
pada saat proses pengenalan berlangsung. Program yang digunakan dalam tombol reset
ditunjukkan pada Gambar 4.13.
Gambar 4.10. Program Tombol Reset
4.2. Pengujian Program Pengenalan Alat Stasioneri Secara Tidak
Langsung
Tujuan dari pengujian tidak langsung ini adalah untuk memastikan bahwa program
yang telah dirancang telah berjalan dengan baik sesuai yang diharapkan. Melalui pengujian
secara tidak langsung ini letak permasalahan program seperti kesalahan fungsi serta
ketidaksesuaian basis data dan program utama dapat ditemukan apabila program tak berjalan
sebagaimana mestinya, sehingga dalam proses selanjutnya yaitu pengujian langsung akan
lebih mudah untuk menemukan letak kesalahan apabila masih terjadi kesalahan dalam
function pushbutton7_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO) % eventdata reserved - to be defined in a future version of
MATLAB % handles structure with handles and user data (see
GUIDATA)
plot(0); axes(handles.axes1); plot(0); axes(handles.axes2); plot(0); set(handles.text3,'string',''); set(handles.text5,'string',''); set(handles.text7,'string',''); set(handles.text9,'string',''); set(handles.text11,'string',''); set(handles.text13,'string',''); set(handles.text15,'string',''); set(handles.text17,'string',''); set(handles.text35,'string',''); set(handles.text37,'string',''); set(handles.text39,'string',''); set(handles.text41,'string',''); set(handles.text43,'string',''); set(handles.text46,'string',''); set(handles.text48,'string',''); set(handles.text50,'string',''); set(handles.text52,'string','');
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
pengenalan. Adapun langkah yang dilakukan untuk melakukan pengujian tidak langsung ini
adalah sebagai berikut:
1. Membuka software Matlab dengan mengklik kiri pada ikon Matlab.
2. Setelah masuk pada tampilan utama Matlab, langkah selanjutnya adalah
membuka program pengenalan alat stasioneri pada folder dimana program telah
disimpan sebelumnya.
3. Ketik “TA_tdk_langsung” pada Command Window untuk memanggi program
pengujian secara tidak langsung alat stasioneri. Kemudian tekan tombol “Enter”.
Sebagai catatan semua program di RUN terlebih dahulu untuk memastikan semua
program sudah siap untuk dijalankan.
4. Setelah menekan tombol “Enter” akan muncul tampilan pada layar monitor
seperti pada Gambar 4.15.
Gambar 4.11. Tampilan GUI Pengujian Tidak Langsung
Berikut adalah penjelasan tentang fungsi dari tombol pada gambar GUI diatas.
a. Sembilan Tombol berupa: “BALLPOINT”, “ CUTTER”, “GUNTING”, “NOTE
BOOK’, “PELUBANG KERTAS”, “PENJEPIT KERTAS”, “STABILO”,
“STEPLES” dan “TIPEX” berfungsi untuk memilih jenis alat stasioneri yang
ingin diuji.
b. Tombol “Process” . Saat ditekan maka hasil dari preprocessing, hasil resizing,
dan keluaran teks (text) akan ditampilkan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
c. Tombol “Reset”. Berfungsi untuk mengembalikan setiap axes, popupmenu, dan
text yang menampilkan hasil ekstraksi ciri, hasil jarak euclidean, dan hasil akhir
kembali seperti semula.
d. Untuk menjalankan program pengenalan secara tidak langsung, maka terlebih
dahulu pengguna harus mengklik salah satu tombol dari kesembilan tombol
untuk memilih salah satu dari kesembilan alat stasioneri. Setelah citra alat
stasioneri ditampilkan pada axes1, maka pengguna dapat menekan tombol
“process” untuk menampilkan hasil ekstraksi ciri, hasil jarak euclidean, dan hasil
akhir. Salah satu contoh hasil pengujian secara tidak langsung dapat dilihat pada
gambar 4.16.
Gambar 4.12 Contoh ketika GUI Dijalankan untuk alat stasioneri Gunting
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
4.3. Pengujian Program Pengenalan Alat Stasioneri Secara Langsung.
Pengujian secara tidak langsung dilakukan seperti halnya pengujian secara langsung.
Perbedaannya adalah citra masukan berasal dari citra di ambil secara real time atau langsung,
sehingga kesembilan tombol push button untuk memilih citra alat stasioneri dihilangkan
dan digantikan dengan tombol “camera on” dan tombol “capture”.
Langkah percobaan pengujian secara langsung sama halnya seperti pada langkah 1
dan 2 pada pengujian secara tidak langsung, hanya saja nama file program yang diketikkan
di Command Window digantikan dengan “TA_langsung”. Setelah nama dari file program
dijalankan maka akan muncul tampilan pada layar monitor seperti Gambar 4.17. Keterangan
untuk tombol yang ada pada Gambar 4.17 dapat dilihat pada tabel 3.1. Setelah itu pengguna
menekan tombol camera on, tombol capture, lalu tombol process. Hasil berupa teks
kemudian akan ditampilkan pada GUI matlab dan sebagai contoh dapat dilihat hasil
pengelan untuk note book pada Gambar 4.18.
Gambar 4.13 Tampilan GUI Pengujian Secara Langsung
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
Gambar 4.14 Hasil running program untuk notebook
4.4 Analisis Hasil Data Pengujian secara Tidak Langsung
Pengujian secara tidak langsung ini dilakukan dengan menggunakan gambar alat
stasioneri sebanyak 9 gambar. Adapun tujuan dari pengujian secara tidak langsung adalah
untuk mengetahui apakah sistem berjalan dengan baik sesuai dengan harapan. Program
dikatakan berjalan sesuai dengan yang diharapkan apabila tingkat pengenalan yang
diperoleh pada pengujian ini adalah 100% .
Adapun sebelum dilakukan pengujian secara tidak langsung hal yang terlebih dahulu
dilakukan adalah memberi nama setiap gambar alat stasioneri yang diperoleh dari proses
capture. Kemudian menyesuaikan nama gambar yang telah disimpan dengan nama tombol
yang terdapat di GUI matlab pada program. Kemudian untuk melihat hasil dari pengenalan
alat stasioneri dengan menekan tombol “process” . Hasil akhir berupa teks akan ditampilkan
pada GUI matlab. Adapun hasil pengenalan yang diperoleh pada pengujian tidak langsung
dapat dilihat pada Tabel 4.1.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
Tabel 4.1. Hasil Pengujian Tidak Langsung
Berdasarkan tabel 4.1 terlihat bahwa setiap alat stasioneri dikenali dengan benar
dalam 5 kali pengujian dimana hasil pengenalan telah sesuai dengan alat stasioneri yang
diuji. Adapun hasil pengenalan tersebut diperoleh dengan menentukan nilai terkecil dari
hasil perhitungan jarak dengan fungsi jarak Euclidean. Basis data dengan nilai terkecil
tersebut kemudian ditentukan sebagai hasil pengenalan dari pengujian tersebut. Berdasarkan
data yang mengacu pada lampiran 8 diperoleh jarak terkecil pada basis data citra yang sama
dengan citra masukan untuk setiap alat stasioneri dalam 5 kali pengujian, sehingga diperoleh
hasil pengalan yang benar untuk setiap citra alat stasioneri dalam 5 kali pengujian.
Untuk memperoleh tingkat pengenalan dari hasil pengujian dalam peneliatian ini
maka digunakan persamaan sebagai berikut:
𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝑝𝑒𝑛𝑔𝑒𝑛𝑎𝑙𝑎𝑛(%) = 𝑡𝑜𝑡𝑎𝑙 𝑝𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛 𝑑𝑒𝑛𝑔𝑎𝑛 ℎ𝑎𝑠𝑖𝑙 𝑦𝑎𝑛𝑔 𝑏𝑒𝑛𝑎𝑟
𝑡𝑜𝑡𝑎𝑙 𝑝𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛 𝑥 100% (4.1)
Sementara itu berdasarkan tabel 4.1 terlihat bahwa pada pengujian tidak langsung
terdapat 45 kali total pengujian dengan hasil 45 kali total pengujian dengan hasil pengalan
yang benar. Sehingga dapat diperoleh tingkat pengenalan untuk pengujian tidak langsung
sebagai berikut:
𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝑝𝑒𝑛𝑔𝑒𝑛𝑎𝑙𝑎𝑛(%) = 45
45 𝑥 100%
= 100%
Dengan demikian berdasarkan data pada Tabel 4.1 maka dapat disimpulkan bahwa
program pengenalan alat stasioneri telah berjalan sebagaimana mestinya sesuai yang
Alat
Stasioneri Banyak Pengujian
Banyak Pengujian dengan
Hasil Pengenalan yang Benar Dikenali sebagai
Gunting 5 kali 5 kali Gunting
Stabilo 5 kali 5 kali Stabilo
Tipe-x 5 kali 5 kali Tipe-x
Paper Clip 5 kali 5 kali Paper Clip
Pelubang Kertas 5 kali 5 kali Pelubang Kertas
Ballpoint 5 kali 5 kali Ballpoint
Steples 5 kali 5 kali Steples
Note 5 kali 5 kali Note
Cutter 5 kali 5 kali Cutter
Total 45 kali 45 kali
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
diinginkan dimana pada pengujian tidak langsung ini telah diperoleh tingkat pengenalan
sebesar 100%.
4.5. Analisis Hasil Data Pengujian secara Langsung.
Pengujian secara langsung dilakukan dengan beberapa kondisi berupa variasi rotasi
dengan mengubah sudut sebesar 45°, 90° dan 180° dari posisi awal, variasi skala dengan
mengubah jarak webcam ke alat stasioneri sejauh 45 cm dan 55cm serta variasi translasi
dengan geser ke kanan 8 cm dan ke kiri 8 cm dari posisi awal. Pengujian ini dilakukan di
ruang Tugas Akhir Teknik Elektro dengan tambahan pencahayaan berupa tiga buah lampu.
Penggunaan tiga buah lampu bertujuan untuk memperbaiki hasil capture dari
webcam. Dalam pengujian langsung ini dilakukan pengujian sebanyak 5 kali untuk setiap
variasi rotasi, skala, translasi dan alat stasioneri yang digunakan, sehingga diperoleh data
sebanyak 360 data yaitu 45 (9 x 5 kali pengujian) data pada posisi awal dijumlahkan dengan
135 data variasi rotasi, 90 data untuk variasi translasi dan 90 data untuk variasi skala.
Pada pengujian secara langsung untuk posisi awal, alat stasioneri diletakkan pada
posisi yang sama dengan basis data, yaitu tepat berada dibawah webcam dengan jarak 50
cm dengan tambahan pencahayaan berupa tiga buah lampu. Pada pengujian untuk posisi
awal ini, semua alat stasioneri telah dikenali dengan benar dalam 5 kali pengujian.
Mengacu pada lampiran 5 tabel L22 maka hasil pengamatan untuk posisi awal dapat
dilihat pada tabel 4.2 sebagai berikut:
Tabel 4.2 Hasil Pengujian pada Posisi Awal
Alat
Stasioneri Jumlah Pengujian
Jumlah Pengujian dengan
Hasil Pengenalan yang
Benar
Gunting 5 kali 5 kali
Stabilo 5 kali 5 kali
Tipe-x 5 kali 5 kali
Paper Clip 5 kali 5 kali
Pelubang Kertas 5 kali 5 kali
Ballpoint 5 kali 5 kali
Steples 5 kali 5 kali
Note 5 kali 5 kali
Cutter 5 kali 5 kali
Total 45 kali 45 kali
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
Hasil pengenalan seperti pada tabel 4.2 diperoleh setelah melalui tahap
preprocessing, tahap ekstraksi ciri, tahap perhitungan jarak Euclidean, dan tahap penentuan
keluaran. Tahapan dimulai dengan proses preprocessing, tahap ini bertujuan untuk
mengubah citra RGB ke citra biner. Selanjutnya adalah tahap ekstraksi ciri, pada tahap ini
citra diekstraksi sehingga diperoleh sekumpulan nilai dalam bentuk matriks yang
menggambarkan citra tersebut, pada penelitian ini nilai-nilai tersebut ditampilakan pada GUI
matlab berupa Q1, Q2, Q3, Q4, Q5, Q6, dan Q7. Ekstraksi ciri disini juga menghasilkan
pengenalan yang tidak terpengaruh perubahan rotasi, skala dan traslasi (RST invarian)[4].
Berdasarkan tabel 4.2 terlihat bahwa setiap alat stasioneri dikenali dengan benar
dalam 5 kali pengujian dimana hasil pengenalan telah sesuai dengan alat stasioneri yang
diuji. Seperti pada pengujian tidak langsung, hasil pengenalan pada pengujian ini juga
diperoleh dengan menentukan nilai terkecil dari hasil perhitungan jarak dengan fungsi jarak
Euclidean. Basis data dengan nilai terkecil tersebut kemudian ditentukan sebagai hasil
pengenalan dari pengujian tersebut. Berdasarkan data yang mengacu pada lampiran 2
diperoleh jarak terkecil pada basis data citra yang sama dengan citra masukan untuk setiap
alat stasioneri dalam 5 kali pengujian, sehingga diperoleh hasil pengalan yang benar untuk
setiap citra alat stasioneri dalam 5 kali pengujian.
Untuk memperoleh tingkat pengenalan dari hasil pengujian langsung ini maka
digunakan persamaan 4.1, sehingga diperoleh tingkat pengenalan sebagai berikut:
𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝑝𝑒𝑛𝑔𝑒𝑛𝑎𝑙𝑎𝑛(%) = 45
45 𝑥 100%
= 100%
Dibandingkan dengan penelitian sebelumnya, terlihat bahwa ekstraksi moment
invariant lebih baik dari pada DST dimana dengan tujuh koefisien, ekstraksi ciri moment
invariant memperoleh tingkat pengenalan sebesar 100% sedangkan untuk ekstraksi ciri DST
dibutuhkan jumlah koefisien sebesar 171(mengacu pada lampiran 6, L-26). Adapun
perbandingan tingkat pengenalan ekstraksi ciri DST dan moment invariant dapat dilihat pada
tabel 4.3. Berdasarkan 4.3 terlihat juga bahwa ketika digunakan koefisien DST sejumlah 136
maka tingkat pengenalan yang diperoleh tidak lagi mencapai 100% melainkan hanya
sebesar 95,56%.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
Tabel 4.3. Perbandingan Hasil Pengujian Ekstraksi Ciri DST dan
Moment invariant pada Posisi Awal
Ekatraksi Ciri Tingkat Pengenalan
DST 136[1] 95,56%
DST 171[1] 100%
Moment invariant (Penelitian ini) 100%
Pada penelitian ini dilakukan pula pengujian tambahan dengan memberikan variasi
rotasi, translasi dan skala terhadap kesembilan alat stasioneri dengan kondisi pencahayaan
yang sama dengan posisi awal. Dimana hasil pengenalan dengan ekstraksi ciri moment
invariant tidak terpengaruh oleh adanya RST yang invariant.
Adapun invarian terhadap translasi diperoleh karena momen citra dengan orde
𝜇00, 𝜇01, 𝜇02, 𝜇00, 𝜇01, 𝜇02, 𝜇03, 𝜇10, 𝜇11, 𝜇12, 𝜇20, 𝜇21, dan 𝜇30 menurut Hu adalah
moment citra yang invarian terhadap translasi[4]. Selanjutnya dihitung momen pusat citra
berdasarkan koordinat pusat citra dengan menggunakan persamaan 2.9 dan 2.10, sehingga
dapat diperoleh momen citra yang invarian terhadap rotasi. Momen pusat citra kemudian
dinormalisasi dengan menggunakan persamaan 2.11 sehingga dapat dihitung tujuh nilai
moment invariant yang tidak terpengaruh oleh RST yang invarian. Contoh perbandingan
hasil ekstraksi ciri untuk melihat pengaruh RST pada moment invariant dapat dilihat pada
dapat dilihat pada tabel 4.4 (mengacu pada lampiran 3, L-19- L-20). Pada tabel tersebut
diambil tipe_x sebagai contoh karena pada penelitian Febrianto sebelumnya tipe_x tidak
dapat dikenali dengan benar baik pada rotasi yang invarian, skala yang invarian, maupun
translasi yang invarian[1]. Dari tabel 4.4 terlihat bahwa ketika tipe_x pada posisi awal,
digeser, diputar, ataupun diubah skalanya nilainya tidak mengalami perubahan yang
signifikan. Sementara itu ketika objek digantikan dengan objek lainnya maka nilainya akan
berubah signifikan (terlihat pada lampiran 3, tabel L-20), Sehingga hasil pengenalan objek
dengan moment invariant bebas terhadap RST yang invarian. Nilai perubahan dari hasil
ektraksi ciri tersebut digambarkan melalui hasil perhitungan jarak dengan fungsi jarak
Euclidean dan dapat diamati pada tabel 4.5. Pada tabel 4.5 nilai jarak diperoleh dengan
menghitung jarak antara hasil ekstraksi ciri tipe_x pada basis data dan hasil ekstraksi ciri
alat stasioneri pada tabel dengan fungsi jarak Euclidean. Sehingga terlihat bahwa nilai jarak
yang diperoleh tipe_x meski pada keadaan RST invariant tetap lebih kecil dari alat stasioneri
yang lain.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
Tabel 4.4 Perbandingan Hasil Ekstraksi Ciri Tipe-x
Ekstraksi ciri Posisi
Awal Skala 90% Digeser Kanan
8 Cm Diputar 45 Derajat
ϕ1 = 0,26764 0,269727 0,268494 0,26909
ϕ2 = 0,035196 0,035917 0,035019 0,036115
ϕ3 = 0,008778 0,008893 0,009153 0,014761
ϕ4 = 0,003738 0,003652 0,003777 0,003499
ϕ5 = 2,14E-05 2,09E-05 2,22E-05 1,91E-05
ϕ6 = 0,000701 0,000692 0,000707 0,000664
ϕ7 = 2,98E-06 -3,7E-06 1,26E-06 1,45E-05
Tabel 4.5 Hasil Perhitungan Jarak berdasarkan Hasil
Ekstraksi Ciri pada Basis Data Tipe-x
Alat Stasioneri Jarak Euclidean
Notebook 0.1014
Ballpoint 2.3802
Paper Clip 0.0854
Pelubang Kertas 0.0433
Steples 0.0796
Stabilo 0.1986
Gunting 0.1090
Tipe_x
Posisi awal 0.0036
Skala 90% 0.0015
Geser kanan 8 cm 0.0029
Diputar 45° 0.0057
Catatan: yang ditebali merupakan hasil perhitungan jarak untuk 4 posisi tipe_x dimana
nilainya lebih kecil dari hasil perhitungan jarak yang lain
Mengacu pada lampiran 5, L-22 sampai L-25 dengan persamaan 4.1 maka tingkat
pengenalan hasil pengujian untuk pemberian variasi rotasi, translasi dan skala masing-
masing dapat dilihat pada tabel 4.6, 4.7, dan 4.8.
Tabel 4.6 Pengaruh Rotasi Terhadap Tingkat Pengenalan
Rotasi Tingkat Pengenalan Rerata Tingkat Pengenalan
0° 100%
100% 45° 100%
90° 100%
180° 100%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
Tabel 4.7 Pengaruh Skala Terhadap Tingkat Pengenalan
Skala Tingkat Pengenalan Rerata Tingkat
Pengenalan
90% (jarak webcame = 45 cm) 100%
100% 100%(jarak webcame = 50 cm) 100%
112% (jarak webcame = 56 cm) 100%
Tabel 4.8 Pengaruh Translasi Terhadap Tingkat Pengenalan
Translasi Tingkat Pengenalan Rerata Tingkat Pengenalan
Geser Kiri 8 cm 100%
100% Posisi Awal 100%
Geser Kanan 8 cm 100%
Berdasarkan tabel 4.6, 4.7, dan 4.8, terlihat bahwa tingkat pengenalan yang diperoleh
untuk setiap variasi, baik pada rotasi, skala maupun translasi adalah 100% . Sehingga, dapat
disimpulkan bahwa hasil pengenalan alat stasioneri dengan ektraksi ciri moment invariant
tidak terpengaruh oleh RST yang invarian.
Adapun berdasarkan tabel 4.6, 4.7, dan 4.8, terlihat bahwa rearata tingkat pengenalan
yang diperoleh pada pengujian pengaruh RST masing-masing adalah 100%, sedang pada
ekstraksi ciri DST 171 berdasarkan penelitian Frebrianto diperoleh tingkat pengenalan
sebesar 77,78% dimana pada posisi dibalik(rotasi) terjadi kesalahan pengenalan untuk tipex,
untuk perubahan ukuran terjadi kesalahan pengenalan untuk stabilo serta tipex dan untuk
posisi tidak sesuai atau digeser (translasi) terjadi kesalahan pengenalan untuk gunting,
stabilo, tipex, paper klip, dan ballpoint (mengacu pada lampiran 6, L-26). Sehingga
meskipun tidak dapat dibandingkan secara spesifik karena keterbatasan data yang dapat
diamati pada penelitian sebelumnya, namun dapat disimpulkan bahwa hasil pengelan alat
stasioneri dengan ekstraksi ciri moment invarian sudah lebih baik dari penelitian
sebelumnya.
Sebagai catatan dalam pengujian diatas digunakan tambahan pencahayaan dengan
menambahkan 3 buah lampu. Tanpa penambahan lampu dalam penelitian ini, akan
menyebabkan kesalahan pengenalan terhadap gunting saat diputar 90°, dimana gunting
dikenali sebagai penjepit kertas(dapat dilihat pada lapiran 7, tabel L29a). Adapun rerata
tingkat pengenalan pada kondisi tanpa tambahan pencahayaan dapat dilihat pada tabel 4.9
berikut (mengacu pada lapiran 7):
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
Tabel 4.9 Rerata Hasil Pengujian Tanpa Tambahan Pencahayaan
Posisi Alat Stasioneri Rerata Tingkat
Pengenalan
Awal 100%
Variasi rotasi 97,22%
Variasi Skala 100%
Variasi translasi 100%
Pada pengujian tanpa tambahan pencahayaan tersebut hanya digunakan
pencahayaan sebagaimana adanya di Laboratorium Tugas Akhir. Dengan kondisi
pencahayaan tersebut tersebut, citra hasil capture dari webcam pada gunting akan berwarna
gelap pada bagian logammnya dan mengakibatkan citra gunting hasil preprocessing atau
citra hitam putih mengalami cacat pada bagian ujung (seperti pada gambar 4.15). Sehingga
hasil ekstraksi ciri yang diperoleh merepresentasikan citra dari penjepit kertas dimana nilai
jarak terkecil yang diperoleh terdapat pada J6 (mengacu pada tabel L2, lampiran 2), dimana
J6 merupakan hasil perhitungan jarak antara hasil ekstraksi ciri pengujian dan ekstraksi ciri
basis data penjepit kertas, dengan demikian diperoleh hasil pengenalan yang salah yaitu
penjepit kertas.
Gambar 4.15 Hasil pengujian gunting tanpa tambahan pencahayaan
Melalui tabel 4.9 dapat disimpulkan bahwa pengujian tanpa penambahan pencahayaan
dengan tiga buah lampu akan menyebabkan pengurangan tingkat pengenalan pada pengujian
rotasi yang invarian dari 100% menjadi 97, 22%.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil pengujian sistem pengenalan alat stasioneri dapat disimpulkan
sebagai berikut :
1. Hasil pengujian, baik pada posisi awal ataupun dengan memberikan variasi
terhadap translasi, rotasi dan skala telah sesuai dengan yang diharapkan. Dimana
baik pada posisi awal maupun dengan variasi RST, tingkat pengenalan alat
stasioneri yang diperoleh dengan tambahan pencahayaan tiga buah lampu dari
lima kali pengujian adalah 100%.
2. Hasil pengenalan alat stasioneri dengan ekstraksi ciri momen invariant tidak
terpengaruh oleh adanya perubahan translasi, skala dan rotasi.
3. Pengujian tanpa tambahan pencahayaan dengan tiga buah lampu dalam
pengenalan alat stasioneri dengan ekstraksi ciri moment invariant akan
mengankibatkan penurunan tingkat pengenalan pada pengujian rotasi dari 100%
menjadi 97, 22%.
4. Koefisien yang dibutuhkan untuk memperoleh tingkat pengenalan 100% untuk
posisi awal dengan ekstraksi ciri DST pada penelitian sebelumnya adalah 171
dan juga ekstraksi ciri DST bermasalah dengan hasil pengenalan ketika RST
berubah. Dengan demikian dari segi tingkat pengenalan yang diperoleh untuk
pengenalan alat stasioneri, ekstraksi ciri momen invarian lebih baik dibandingkan
dengan ekstrasi ciri DST.
5.2 Saran
1. Membuat program agar ektraksi ciri dengan momen invarian membutuhkan
tambahan pencahayaan kurang dari tiga buah lampu.
2. Mengembangkan penelitian dengan ekstraksi ciri moment invariant untuk dapat
mengenali beberapa alat stasioneri dalam satu citra sekaligus.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
Daftar Pustaka
[1] Febriyanto, 2014, Pengenalan Alat-Alat Stasioneri secara Real Time Menggunakan
webcam Berbasis Ekstraksi Ciri Discrete Cosine Transform, Tugas Akhir, Jurusan
Teknik Elektro, FST, Universitas Sanata Dharma, Yogyakarta.
[2] Prasetya, Deniel Cahya., 2014, Pengenalan Perangkat Elektronika secara Real
Time Menggunakan Ekstraksi Ciri DST, Tugas Akhir, Jurusan Teknik Elektro,
FST, Universitas Sanata Dharma, Yogyakarta.
[3] Kadir, Abdul., Susanto, Adhi., 2013, Teori dan Aplikasi Pengolahan Citra, Andi,
Yogyakarta.
[4] Salambue, R., 2013, Pengenalan Pola Tanda Tangan dengan Metode Moment
Invariant dan Euclidean Distance, Prosiding Semirata FMIPA Universitas
Lampung, hal 461-464
[5] Untara,W., 2013, Kamus Bahasa Indonesia: Lengkap & Praktis, IndonesiaTera,
Yogyakarta.
[6] Logitech,-----, HD Webcam C170,
https://assets.logitech.com/assets/55372/webcam-c170-gallery.png, diakses 6 April
2018.
[7] Logitech,-----, HD Webcam C170, https://www.logitech.com/en-gb/product/hd-
webcam-c170#specification-tabular, diakses 6 April 2018.
[8] Putra, D., 2010, Pengolahan Citra Digital, Penerbit Andi, Yogyakarta.
[9] Otsu, Nobuyuki, 1979, A Threshold Selection Method from Gray-Level
Histograms, IEEE, vol.9, no.1, hal.62-68.
[10] Sholihin, R. A., Purwoto, B.H., -----, Perbaikan Citra Dengan Menggunakan
Median Filter Dan Metode Histogram Equalization, ISSN 1411-8890, vol. 14, no.
02, hal 40-46.
[11] -----, -----, Release Note of BV_Analyzer Ver0703,
http://www.scimedia.com/fis/support/download/bva/ver0703/RelNote-
V0703.html#L1-3, diakses 17 April 2017
[12] -----, 2012, https://mochamadyagi.wordpress.com/2012/04/17/pengolahan-citra-
tugas-4/, diakses pada 27 Juli 2017
[13] Pamungkas, Adi., 2015, https://pemrogramanmatlab.com/tag/operasi-closing-citra-
matlab/, diakses pada 27 Juli 2017
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-1
Lampiran I
Listing Program
Listing Program Pengujian Tidak Langsung
function varargout = TA_tdk_langsung(varargin) % TA_TDK_LANGSUNG MATLAB code for TA_tdk_langsung.fig % TA_TDK_LANGSUNG, by itself, creates a new TA_TDK_LANGSUNG or
raises the existing % singleton*. % % H = TA_TDK_LANGSUNG returns the handle to a new TA_TDK_LANGSUNG or
the handle to % the existing singleton*. % % TA_TDK_LANGSUNG('CALLBACK',hObject,eventData,handles,...) calls
the local % function named CALLBACK in TA_TDK_LANGSUNG.M with the given input
arguments. % % TA_TDK_LANGSUNG('Property','Value',...) creates a new
TA_TDK_LANGSUNG or raises the % existing singleton*. Starting from the left, property value pairs
are % applied to the GUI before TA_tdk_langsung_OpeningFcn gets called.
An % unrecognized property name or invalid value makes property
application % stop. All inputs are passed to TA_tdk_langsung_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 TA_tdk_langsung
% Last Modified by GUIDE v2.5 19-May-2018 16:25:49
% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @TA_tdk_langsung_OpeningFcn, ... 'gui_OutputFcn', @TA_tdk_langsung_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{:});
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-2
end % End initialization code - DO NOT EDIT
% --- Executes just before TA_tdk_langsung is made visible. function TA_tdk_langsung_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 TA_tdk_langsung (see VARARGIN)
% Choose default command line output for TA_tdk_langsung handles.output = hObject;
% Update handles structure guidata(hObject, handles);
% UIWAIT makes TA_tdk_langsung wait for user response (see UIRESUME) % uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line. function varargout = TA_tdk_langsung_OutputFcn(hObject, eventdata,
handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)
% Get default command line output from handles structure varargout{1} = handles.output;
% --- Executes on button press in pushbutton1. function pushbutton1_Callback(hObject, eventdata, handles) % hObject handle to pushbutton1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global a a=imread('cutter.bmp'); axes (handles.axes1); imshow(a); axis on;
function pushbutton6_Callback(hObject, eventdata, handles) %======================================================================== %inisialisasi %======================================================================== load momenHu load dbstasioneri global a global gambar1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-3
%======================================================================== %preprocessing %======================================================================== x = rgb2gray(a); level = graythresh(x) %A1 = im2bw(x); A1 = im2bw(x,level); B= medfilt2(A1);
% OPERASI OPENING BW=imclose(B,strel('square',4)); axes(handles.axes2) imshow(BW) axis on;
%======================================================================== % moment HU %======================================================================== momenhu(E) ec=[m1; m2; m3; m4; m5; m6; m7];
%======================================================================== %menampilkan ekstraksi ciri %======================================================================== h1=num2str(m1); h2=num2str(m2); h3=num2str(m3); h4=num2str(m4); h5=num2str(m5); h6=num2str(m6); h7=num2str(m7); set(handles.text3,'string',h1); set(handles.text5,'string',h2); set(handles.text7,'string',h3); set(handles.text9,'string',h4); set(handles.text11,'string',h5); set(handles.text13,'string',h6); set(handles.text15,'string',h7);
%======================================================================== %jarak Euclidean %======================================================================== j(1) = mean(sqrt(sum(sum((dball{1}-ec).^2)))); set(handles.text35,'string',j(1)); j(2) = mean(sqrt(sum(sum((dball{2}-ec).^2)))); set(handles.text37,'string',j(2)); j(3) = mean(sqrt(sum(sum((dball{3}-ec).^2)))); set(handles.text39,'string',j(3)); j(4) = mean(sqrt(sum(sum((dball{4}-ec).^2)))); set(handles.text41,'string',j(4)); j(5) = mean(sqrt(sum(sum((dball{5}-ec).^2)))); set(handles.text43,'string',j(5)); j(6) = mean(sqrt(sum(sum((dball{6}-ec).^2)))); set(handles.text46,'string',j(6)); j(7) = mean(sqrt(sum(sum((dball{7}-ec).^2)))); set(handles.text48,'string',j(7));
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-4
j(8) = mean(sqrt(sum(sum((dball{8}-ec).^2)))); set(handles.text50,'string',j(8)); j(9) = mean(sqrt(sum(sum((dball{9}-ec).^2)))); set(handles.text52,'string',j(9));
%========================================================================
%menetukan keluaran %========================================================================
minj = min(j); if (minj==j(1)) y1='BALL POINT'; set(handles.text17,'string',string(y1)); elseif (minj==j(2)) y2='CUTER'; set(handles.text17,'string',string(y2)); elseif (minj==j(3)) y3='GUNTING'; set(handles.text17,'string',string(y3)); elseif (minj==j(4)) y4='NOTE BOOK'; set(handles.text17,'string',string(y4)); elseif (minj==j(5)) y5='PELUBANG KERTAS'; set(handles.text17,'string',string(y5)); elseif (minj==j(6)) y6='PENJEPIT KERTAS'; set(handles.text17,'string',string(y6)); elseif (minj==j(7)) y7='STABILO'; set(handles.text17,'string',string(y7)); elseif (minj==j(8)) y8='STEPLES'; set(handles.text17,'string',string(y8)); elseif (minj==j(9)) y9='TIPEX'; set(handles.text17,'string',string(y9)) end
% hObject handle to pushbutton4 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)
% --- Executes on button press in pushbutton3. function pushbutton7_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) plot(0); axes(handles.axes1); plot(0); axes(handles.axes2); plot(0); set(handles.text3,'string',''); set(handles.text5,'string','');
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-5
set(handles.text7,'string',''); set(handles.text9,'string',''); set(handles.text11,'string',''); set(handles.text13,'string',''); set(handles.text15,'string',''); set(handles.text17,'string',''); set(handles.text35,'string',''); set(handles.text37,'string',''); set(handles.text39,'string',''); set(handles.text41,'string',''); set(handles.text43,'string',''); set(handles.text46,'string',''); set(handles.text48,'string',''); set(handles.text50,'string',''); set(handles.text52,'string','');
% --- Executes on button press in pushbutton14. function pushbutton14_Callback(hObject, eventdata, handles) % hObject handle to pushbutton14 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global a a=imread('gunting.bmp'); axes (handles.axes1); imshow(a); axis on;
% --- Executes on button press in pushbutton15. function pushbutton15_Callback(hObject, eventdata, handles) % hObject handle to pushbutton15 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global a a=imread('notebook.bmp'); axes (handles.axes1); imshow(a); axis on;
% --- Executes on button press in pushbutton16. function pushbutton16_Callback(hObject, eventdata, handles) % hObject handle to pushbutton16 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global a a=imread('pelubangkertas.bmp'); axes (handles.axes1); imshow(a); axis on;
% --- Executes on button press in pushbutton17. function pushbutton17_Callback(hObject, eventdata, handles) % hObject handle to pushbutton17 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global a a=imread('penjepitkertas.bmp'); axes (handles.axes1); imshow(a);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-6
axis on;
% --- Executes on button press in pushbutton18. function pushbutton18_Callback(hObject, eventdata, handles) % hObject handle to pushbutton18 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global a a=imread('stabilo.bmp'); axes (handles.axes1); imshow(a); axis on;
% --- Executes on button press in pushbutton19. function pushbutton19_Callback(hObject, eventdata, handles) % hObject handle to pushbutton19 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global a a=imread('steples.bmp'); axes (handles.axes1); imshow(a); axis on;
% --- Executes on button press in pushbutton20. function pushbutton20_Callback(hObject, eventdata, handles) % hObject handle to pushbutton20 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global a a=imread('tipex.bmp'); axes (handles.axes1); imshow(a); axis on;
% --- Executes on button press in pushbutton21. function pushbutton21_Callback(hObject, eventdata, handles) global a a=imread('ballpoint.bmp'); axes (handles.axes1); imshow(a); axis on; % hObject handle to pushbutton21 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-7
Listing Program Pengujian Langsung
function varargout = TA_langsung(varargin) % TA_LANGSUNG MATLAB code for TA_langsung.fig % TA_LANGSUNG, by itself, creates a new TA_LANGSUNG or raises the
existing % singleton*. % % H = TA_LANGSUNG returns the handle to a new TA_LANGSUNG or the
handle to % the existing singleton*. % % TA_LANGSUNG('CALLBACK',hObject,eventData,handles,...) calls the
local % function named CALLBACK in TA_LANGSUNG.M with the given input
arguments. % % TA_LANGSUNG('Property','Value',...) creates a new TA_LANGSUNG or
raises the % existing singleton*. Starting from the left, property value pairs
are % applied to the GUI before TA_langsung_OpeningFcn gets called. An % unrecognized property name or invalid value makes property
application % stop. All inputs are passed to TA_langsung_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 TA_langsung
% Last Modified by GUIDE v2.5 23-May-2018 14:46:20
% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @TA_langsung_OpeningFcn, ... 'gui_OutputFcn', @TA_langsung_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 TA_langsung is made visible. function TA_langsung_OpeningFcn(hObject, eventdata, handles, varargin)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-8
% 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 TA_langsung (see VARARGIN)
% Choose default command line output for TA_langsung handles.output = hObject;
% Update handles structure guidata(hObject, handles);
% UIWAIT makes TA_langsung wait for user response (see UIRESUME) % uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line. function varargout = TA_langsung_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)
% Get default command line output from handles structure varargout{1} = handles.output;
% --- Executes on button press in pushbutton1. function pushbutton1_Callback(hObject, eventdata, handles) global vidobj % Webcam On % Inisialisasi webcam % imaqhwinfo % info=imaqhwinfo('winvideo') % dev_info=imaqhwinfo('winvideo',1) vidobj = videoinput('winvideo',1,'MJPG_320x240');
% Tampilkan pada axes nBands=get(vidobj,'NumberOfBands') hImage=image(zeros(240,320,nBands),'parent',handles.axes1) preview(vidobj,hImage) % hObject handle to pushbutton1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)
% --- Executes on button press in pushbutton2. function pushbutton2_Callback(hObject, eventdata, handles) % Inisialisasi webcam global vidobj global gambar1 %vidobj = videoinput('winvideo',1,'MJPG_640x480'); vidobj.FramesPerTrigger=1; triggerconfig(vidobj,'manual');
% Tampilkan pada axes nBands=get(vidobj,'NumberOfBands'); image(zeros(240,320,nBands),'parent',handles.axes1);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-9
% Proses capture gambar start(vidobj); pause(0.5); trigger(vidobj); stoppreview(vidobj); frame=getdata(vidobj);
% Pengubahan gambar ke RGB gambar1=(frame); %gambar2=rgb2gray(gambar1); % SImpan %imwrite(gambar1,'c.bmp'); % Tampilkan pada axes axes(handles.axes1); imshow(gambar1)
% --- Executes on button press in pushbutton4. function pushbutton6_Callback(hObject, eventdata, handles) %======================================================================== %inisialisasi %======================================================================== load momenHu load dbstasioneri1 global gambar1
%======================================================================== %preprocessing %======================================================================== x = rgb2gray(gambar1); level = graythresh(x) A1 = im2bw(x,level); B= medfilt2(A1);
% OPERASI OPENING BW=imclose(B,strel('square',4)); axes(handles.axes2) imshow(BW)
%======================================================================== % moment HU %======================================================================== momenhu(BW) ec=[m1; m2; m3; m4; m5; m6; m7];
%======================================================================== %menampilkan ekstraksi ciri %======================================================================== h1=num2str(m1); h2=num2str(m2); h3=num2str(m3); h4=num2str(m4); h5=num2str(m5); h6=num2str(m6);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-10
h7=num2str(m7); set(handles.text3,'string',h1); set(handles.text5,'string',h2); set(handles.text7,'string',h3); set(handles.text9,'string',h4); set(handles.text11,'string',h5); set(handles.text13,'string',h6); set(handles.text15,'string',h7);
%======================================================================== %jarak Euclidean %======================================================================== j(1) = jarak(dball1{1},ec) set(handles.text35,'string',j(1)); j(2) = jarak(dball1{2},ec); set(handles.text37,'string',j(2)); j(3) = jarak(dball1{3},ec); set(handles.text39,'string',j(3)); j(4) = jarak(dball1{4},ec); set(handles.text41,'string',j(4)); j(5) = jarak(dball1{5},ec); set(handles.text43,'string',j(5)); j(6) = jarak(dball1{6},ec); set(handles.text46,'string',j(6)); j(7) = jarak(dball1{7},ec); set(handles.text48,'string',j(7)); j(8) =jarak(dball1{8},ec); set(handles.text50,'string',j(8)); j(9) = jarak(dball1{9},ec); set(handles.text52,'string',j(9));
%======================================================================== %menetukan keluaran %======================================================================== minj = min(j) if (minj==j(1)) y1='BALL POINT'; set(handles.text17,'string',string(y1)); elseif (minj==j(2)) y2='CUTER'; set(handles.text17,'string',string(y2)); elseif (minj==j(3)) y3='GUNTING'; set(handles.text17,'string',string(y3)); elseif (minj==j(4)) y4='NOTE BOOK'; set(handles.text17,'string',string(y4)); elseif (minj==j(5)) y5='PELUBANG KERTAS'; set(handles.text17,'string',string(y5)); elseif (minj==j(6)) y6='PENJEPIT KERTAS'; set(handles.text17,'string',string(y6)); elseif (minj==j(7)) y7='STABILO'; set(handles.text17,'string',string(y7)); elseif (minj==j(8))
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-11
y8='STEPLES'; set(handles.text17,'string',string(y8)); elseif (minj==j(9)) y9='TIPEX'; set(handles.text17,'string',string(y9)) end
% hObject handle to pushbutton4 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)
% --- Executes on button press in pushbutton3. function pushbutton7_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) plot(0); axes(handles.axes1); plot(0); axes(handles.axes2); plot(0); set(handles.text3,'string',''); set(handles.text5,'string',''); set(handles.text7,'string',''); set(handles.text9,'string',''); set(handles.text11,'string',''); set(handles.text13,'string',''); set(handles.text15,'string',''); set(handles.text17,'string',''); set(handles.text35,'string',''); set(handles.text37,'string',''); set(handles.text39,'string',''); set(handles.text41,'string',''); set(handles.text43,'string',''); set(handles.text46,'string',''); set(handles.text48,'string',''); set(handles.text50,'string',''); set(handles.text52,'string','');
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-12
Listing Program Basis Data
function database %B2=imfill(B1,'holes'); a=imread('ballpoint.bmp');x = rgb2gray(a);level = graythresh(x); A1 =
im2bw(x,level);B1= medfilt2(A1); B3=imclose(B1,strel('square',4));dbbp=momenhu(B3); a=imread('cutter.bmp');x = rgb2gray(a);level = graythresh(x); A1 =
im2bw(x,level); B1= medfilt2(A1); B3=imclose(B1,strel('square',4));dbct=momenhu(B3); a=imread('gunting.bmp');x = rgb2gray(a);level = graythresh(x); A1 =
im2bw(x,level); B1= medfilt2(A1); B3=imclose(B1,strel('square',4)); dbgt=momenhu(B3); a=imread('notebook.bmp');x = rgb2gray(a);level = graythresh(x); A1 =
im2bw(x,level); B1= medfilt2(A1); B3=imclose(B1,strel('square',4)); dbnb=momenhu(B3); a=imread('pelubangkertas.bmp');x = rgb2gray(a);level = graythresh(x); A1
= im2bw(x,level); B1= medfilt2(A1); B3=imclose(B1,strel('square',4)); dbpl=momenhu(B3); a=imread('penjepitkertas.bmp');x = rgb2gray(a);level = graythresh(x); A1
= im2bw(x,level); B1= medfilt2(A1); B3=imclose(B1,strel('square',4)); dbpj=momenhu(B3); a=imread('stabilo.bmp');x = rgb2gray(a);level = graythresh(x); A1 =
im2bw(x,level); B1= medfilt2(A1); B3=imclose(B1,strel('square',4));dbstb=momenhu(B3); a=imread('steples.bmp');x = rgb2gray(a);level = graythresh(x); A1 =
im2bw(x,level); B1= medfilt2(A1); B3=imclose(B1,strel('square',4)); dbstp1=momenhu(B3); a=imread('tipex.bmp');x = rgb2gray(a);level = graythresh(x); A1 =
im2bw(x,level); B1= medfilt2(A1); B3=imclose(B1,strel('square',4)); dbtx=momenhu(B3);
dball1 = {dbbp dbct dbgt dbnb dbpl dbpj dbstb dbstp1 dbtx}; save dbstasioneri1 dball1
Listing Program Moment Invariant
function [Momen] = momenhu(F) % MOMENHU Menghitung momen HU. % Masukan: F = citra berskala keabuan % Keluaran: Momen = 7 momen Hu norm_20 = normomen(F, 2, 0); norm_02 = normomen(F, 0, 2); norm_11 = normomen(F, 1, 1); norm_30 = normomen(F, 3, 0); norm_12 = normomen(F, 1, 2); norm_21 = normomen(F, 2, 1); norm_03 = normomen(F, 0, 3); m1 = norm_20 + norm_02; m2 = (norm_20 - norm_02)^2 + 4 * norm_11^2; m3 = (norm_30 + 3 * norm_12)^2 +(3 * norm_21 - norm_03)^2; m4 = (norm_30 + norm_12)^2 + (norm_21 + norm_03)^2; m5 = (norm_30 - 3 * norm_12) *(norm_30 + norm_12) *((norm_30 + norm_12)^2
- 3 *(norm_21 + norm_03)^2) + (3 * norm_21 - norm_03) * (norm_21 +
norm_03) * (3 * (norm_30 + norm_12)^2 -(norm_21 + norm_03)^2); m6 = (norm_20 - norm_02) *((norm_30 + norm_12)^2 -(norm_21 + norm_03)^2)
+ 4 * norm_11 * (norm_30 + norm_12) * (norm_21 + norm_03);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-13
m7 = (3 * norm_21 + norm_30) *(norm_30 + norm_12) *((norm_30 + norm_12)^2
- 3 * (norm_21 + norm_03)^2) + (norm_30 - 3 * norm_12) * (norm_21 +
norm_03) * (3 * (norm_30 + norm_12)^2 - (norm_21 + norm_03)^2); Momen=[m1; m2; m3; m4; m5; m6; m7]; save momenHU m1 m2 m3 m4 m5 m6 m7
Listing Program Moment Spasial
function [hasil] = momen_spasial(F, p, q) % MOMEN_SPASIAL Menghitung momen spasial berorde (p,q). [m, n] = size(F); momenPQ = 0;
for y=1 : m for x=1 : n if F(y,x) ~= 0 momenPQ = momenPQ + (x^p * y^q); end end end
hasil = momenPQ;
Listing Program Moment Pusat
function [hasil] = momen_pusat(F, p, q) % MOMEN_PUSAT Menghitung momen pusat berorde p, q [m, n] = size(F); m00 = momen_spasial(F, 0, 0);
xc = momen_spasial(F, 1, 0) / m00; yc = momen_spasial(F, 0, 1) / m00;
mpq = 0; for y=1 : m for x=1 : n if F(y,x) ~= 0 mpq = mpq + ((x-xc)^p * (y-yc)^q); end end end
hasil = mpq;
Listing Program Normalisasi Moment
function [hasil] = normomen(F, p, q) % NORMOMEN Menghitung moment pusat ternormalisasi. % Masukan: F = Citra biner. % p dan q = orde momen. F = double(F); m00 = momen_spasial(F, 0, 0);
normalisasi = m00 ^ ((p+q+2)/2); hasil = momen_pusat(F, p, q) / normalisasi;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-14
Listing Program Jarak Euclidean
%JARAK EUCLIDEAN function z = jarak(x,y) z=sqrt(sum((x-y).^2));
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-15
LAMPIRAN 2
Tabel L1 Hasil Pengujian pada Posisi Awal
Alat Stasioneri (Input) Pengujia Ke-
1 2 3 4 5
Ballpoint
J1 0,778897 0,88743 0,754133 0,91198 0,7655
J2 1,53517 1,5211 1,83571 1,666234 1,6324
J3 1,99026 2,01026 1,9783 1,9567 1,99011
J4 2,15675 2,234 2,0899 2,157831 2,1479
J5 2,132974 2,1275 2,11225 2,1688 2,13765
J6 2,07859 2,05821 2,10323 2,0771 2,07988
J7 1,89137 1,776 2,0101 1,9251 1,8864
J8 2,05072 2,05017 2,2123 2,10151 2,05542
J9 2,07729 2,076541 2,07573 2,03281 2,01409
Dikenali
Sebagai Ballpoint Ballpoint Ballpoint Ballpoint Ballpoint
Cutter
J1 2,3166 2,299871 2,3543 2,39743 2,4217
J2 0,0262403 0,0226554 0,001719 0,021 0,03015
J3 0,438218 0,421765 0,4419 0,48778 0,44238
J4 0,634556 0,65572 0,4356 0,68973 0,713428
J5 0,605412 0,587741 0,58711 0,61318 0,59465
J6 0,532247 0,53757 0,54322 0,68911 0,525483
J7 0,341732 0,350662 0,350787 0,331158 0,3913892
J8 0,509212 0,52171 0,503156 0,54232 0,50884
J9 0,540976 0,578654 0,531187 0,567876 0,441865
Dikenali
Sebagai Cutter Cutter Cutter Cutter Cutter
Gunting
J1 2,75419 2,74382 2,73554 2,69151 2,75214
J2 0,482107 0,4847 0,502237 0,47232 0,49919
J3 0,0233332 0,01355 0,05552145 0,01357 0,0234214
J4 0,223584 0,21232 0,22104 0,356721 0,251954
J5 0,192125 0,200181 0,213528 0,176411 0,18643
J6 0,0879336 0,092177 0,08421 0,088691 0,080788
J7 0,124739 0,123552 0,12009 0,138461 0,1255
J8 0,0970768 0,09213 0,113252 0,08998 0,090385
J9 0,124739 0,160101 0,11587 0,174156 0,12129
Dikenali
Sebagai Gunting Gunting Gunting Gunting Gunting
Catatan: Bagian yang ditebali merupakan hasil perhitungan jarak dengan nilai terkecil
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-16
Alat Stasioneri (Input) Pengujia Ke-
1 2 3 4 5
Note
J1 2,89577 2,88113 2,87831 2,65949 2,85123
J2 0,65944 0,67814 0,67266 0,655771 0,60884
J3 0,245553 0,245151 0,245916 0,32123 0,2693
J4 0,000770273 0,0008745 0,000056 0,00067711 0,00004461
J5 0,031746 0,036761 0,034711 0,03221 0,0358
J6 0,139893 0,1381 0,14153 0,1142 0,107445
J7 0,298434 0,3156 0,23212 0,35811 0,29285
J8 0,136246 0,132515 0,1479 0,14494 0,1436
J9 0,101157 0,00985 0,1256 0,101681 0,00955
Dikenali
Sebagai Note Note Note Note Note
Pelubang
Kertas
J1 2,87859 2,85472 2,8679 2,82136 2,9136
J2 0,638174 0,601282 0,63779 0,64673 0,73113
J3 0,222995 0,234151 0,22187 0,212588 0,31072
J4 0,0241983 0,0242466 0,0261871 0,0241353 0,029923
J5 0,0084513 0,0088 0,00792121 0,008345 0,00837172
J6 0,118128 0,11053 0,12573 0,119812 0,11874
J7 0,275662 0,268912 0,26823 0,264594 0,28869
J8 0,112802 0,112372 0,125471 0,13162 0,16446
J9 0,077872 0,0796532 0,076921 0,08101 0,089672
Dikenali
Sebagai
Pelubang
Kertas
Pelubang
Kertas
Pelubang
Kertas
Pelubang
Kertas
Pelubang
Kertas
Penjepit
Kertas
J1 2,82971 2,85572 2,86354 3,082191 2,89572
J2 0,565578 0,575431 0,56692 0,5532 0,60424
J3 0,12025 0,12154 0,089459 0,11767 0,11232
J4 0,131472 0,134599 0,14512 0,13872 0,14596
J5 0,100869 0,100869 0,100869 0,100869 0,100869
J6 0,00956884 0,0095765 0,015064 0,00889784 0,00961158
J7 0,199289 0,2344 0,20181 0,18975 0,1934
J8 0,0475771 0,047652 0,0496 0,053721 0,04797
J9 0,0468806 0,04463 0,041886 0,041716 0,05625
Dikenali
Sebagai
Penjepit
Kertas
Penjepit
Kertas
Penjepit
Kertas
Penjepit
Kertas
Penjepit
Kertas
Catatan: Bagian yang ditebali merupakan hasil perhitungan jarak dengan nilai terkecil
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-17
Alat Stasioneri (Input) Pengujia Ke-
1 2 3 4 5
Stabilo
J1 2,64817 2,65271 2,64131 2,7486 2,815
J2 0,375947 0,3543 0,34572 0,41587 0,385641
J3 0,114207 0,121934 0,11643 0,10675 0,11782
J4 0,291041 0,28322 0,327 0,28289 0,3261
J5 0,260088 0,26114 0,27532 0,261191 0,32723
J6 0,184795 0,18915 0,193421 0,115765 0,18055
J7 0,00819758 0,01022 0,008894 0,00732 0,0003476
J8 0,1599 0,16525 0,16218 0,15965 0,16937
J9 0,19325 0,20536 0,14821 0,19791 0,18772
Dikenali
Sebagai Stabilo Stabilo Stabilo Stabilo Stabilo
Steples
J1 2,79863 2,77481 2,782332 2,67449 2,8541
J2 0,578743 0,57578 0,576355 0,6163 0,581134
J3 0,123132 0,12525 0,13419 0,13188 0,137019
J4 0,132554 0,1421 0,134969 0,13036 0,145547
J5 0,100202 0,101883 0,104482 0,1105672 0,1121
J6 0,0490997 0,04928 0,05802 0,05074 0,03811
J7 0,17186 0,17232 0,16827 0,18461 0,183396
J8 0,00455148 0,00034 0,0034121 0,05761993 0,00515599
J9 0,0325403 0,032925 0,03341 0,03376 0,032922
Dikenali
Sebagai Steples Steples Steples Steples Steples
Tipe_x
J1 2,82382 2,72324 2,8189 2,84544 2,85458
J2 0,570643 0,57155 0,58907 0,67032 0,67114
J3 0,151232 0,14878 0,15992 0,1681 0,16121
J4 0,0977475 0,09726 0,090459 0,05753 0,09665
J5 0,656224 0,63902 0,6654 0,701815 0,70103
J6 0,0558419 0,056918 0,056454 0,049219 0,065442
J7 0,205341 0,207567 0,2141 0,2043221 0,207857
J8 0,0405234 0,041194 0,04045 0,05245 0,051516
J9 0,0041827 0,00324115 0,02432 0,003385 0,0040112
Dikenali
Sebagai Tipe_x Tipe_x Tipe_x Tipe_x Tipe_x
Catatan: Bagian yang ditebali merupakan hasil perhitungan jarak dengan nilai terkecil
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-18
Tabel L2 Pengujian Dengan Hasil Pengenalan yang Salah
Alat Stasioneri (Input) Pengujia Ke-
1 2 3 4 5
Gunting
J1 2,803469 2,82147 2,825051 2,807244 2,82206
J2 0,527431 0,550857 0,555177 0,531923 0,555298
J3 0,089251 0,112872 0,117465 0,093202 0,10314
J4 0,185221 0,150957 0,145691 0,179552 0,151367
J5 0,153632 0,11949 0,114297 0,148019 0,12116
J6 0,051394 0,039526 0,040631 0,048145 0,00836
J7 0,164644 0,184173 0,188193 0,168329 0,191026
J8 0,066999 0,045496 0,044391 0,063211 0,057274
J9 0,093383 0,06293 0,059121 0,088465 0,065092
Dikenali
Sebagai
Penjepit
Kertas
Penjepit
Kertas
Penjepit
Kertas
Penjepit
Kertas
Penjepit
Kertas
Catatan: Bagian yang ditebali merupakan hasil perhitungan jarak dengan nilai terkecil
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-19
LAMPIRAN 3
TABEL L19 Perbangdingan Hasil Ekstraksi Ciri Tipe_x
Alat
Stasioneri
Ekstraksi Ciri
Moment Invariant
Gambar L1 Posisi awal
ϕ1 = 0,26764
ϕ2 = 0,035196
ϕ3 = 0,008778
ϕ4 = 0,003738
ϕ5 = 2,14E-05
ϕ6 = 0,000701
ϕ7 = 2,98E-06
GambarL2 Citra diperkecil
ϕ1 = 0,269727
ϕ2 = 0,035917
ϕ3 = 0,008893
ϕ4 = 0,003652
ϕ5 = 2,09E-05
ϕ6 = 0,000692
ϕ7 = -3,7E-06
GambarL3 Citra digeser
ϕ1 = 0,268494
ϕ2 = 0,035019
ϕ3 = 0,009153
ϕ4 = 0,003777
ϕ5 = 2,22E-05
ϕ6 = 0,000707
ϕ7 = 1,26E-06
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-20
TABEL L20 Perbangdingan Hasil Ekstraksi Ciri 9 alat Stasioneri pada Posisi Awal
Alat
Stasioneri
Ekstraksi Ciri
Moment Invariant
GambarL4 Citra diputar
ϕ1 = 0,26909
ϕ2 = 0,036115
ϕ3 = 0,014761
ϕ4 = 0,003499
ϕ5 = 1,91E-05
ϕ6 = 0,000664
ϕ7 = 1,45E-05
Ekstraksi
ciri Tipe-x
Note
Book Ballpoint
Paper
Clip
Pelubang
Kertas Steples Stabilo Gunting
ϕ1 = 0,26764 0,175719 1,458432 0,333533 0,311018 0,196254 0,428872 0,37451
ϕ2 = 0,035196 0,003178 2,098901 0,007385 0,049962 0,010981 0,156384 0,043742
ϕ3 = 0,008778 3,56E-06 0,02076 0,052263 0,001047 4,24E-05 5,69E-07 0,04278
ϕ4 = 0,003738 1,32E-07 0,020113 0,030716 0,00013 3,11E-06 1,9E-06 0,007269
ϕ5 = 2,14E-05 -8,5E-14 0,000411 0,00123 4,08E-08 -4,3E-11 1,95E-12 0,000128
ϕ6 = 0,000701 -4,6E-09 0,029138 0,002632 -1,7E-06 -2,4E-07 7,5E-07 0,00152
ϕ7 = 2,98E-06 -7,3E-14 -1,1E-05 9,08E-05 -4E-08 -5,1E-11 2,77E-13 3,51E-06
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-21
LAMPIRAN 4
UKURAN ELEMEN PENSTRUKTUR
Bentuk elemen penstruktur pada penelitian ini menggunakan bentuk ones. Adapun
ukuran elemen penstruktur bergantung pada nilai masukkan yang diinginkan.
Adapun ukuran elemen penstruktur yang digunakan pada erosi ditunjukkan pada matriks
dibawah ini:
• Dilasi = 4
[
1 11 1
1 11 1
1 11 1
1 11 1
]
• Erosi = 4
[
1 11 1
1 11 1
1 11 1
1 11 1
]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-22
Lampiran 5
Hasil Pengenalan
Tabel L22a Hasil Pengenalan pada Posisi Awal
* √ = Alat stasioneri dikenali dengan benar
Tabel L22b Hasil Pengenalan pada Posisi Putar 45°
* √ = Alat stasioneri dikenali dengan benar
Alat
Stasioneri
Hasil Pengenalan
Pengamatan ke- Dikenali
sebagai 1 2 3 4 5
Gunting √ √ √ √ √ Gunting
Stabilo √ √ √ √ √ Stabilo
Tipe-x √ √ √ √ √ Tipe-x
Paper Clip √ √ √ √ √ Paper Clip
Pelubang Kertas √ √ √ √ √ Pelubang Kertas
Ballpoint √ √ √ √ √ Ballpoint
Steples √ √ √ √ √ Steples
Note √ √ √ √ √ Note
Cutter √ √ √ √ √ Cutter
Alat
Stasioneri
Hasil Pengenalan
Pengamatan ke- Dikenali
sebagai 1 2 3 4 5
Gunting √ √ √ √ √ Gunting
Stabilo √ √ √ √ √ Stabilo
Tipe-x √ √ √ √ √ Tipe-x
Paper Clip √ √ √ √ √ Paper Clip
Pelubang Kertas √ √ √ √ √ Pelubang Kertas
Ballpoint √ √ √ √ √ Ballpoint
Steples √ √ √ √ √ Steples
Note √ √ √ √ √ Note
Cutter √ √ √ √ √ Cutter
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-23
Tabel L23a Hasil Pengenalan pada Posisi Putar 90°
* √ = Alat stasioneri dikenali dengan benar
Tabel L23b Hasil Pengenalan pada Posisi Putar 180°
* √ = Alat stasioneri dikenali dengan benar
Alat
Stasioneri
Hasil Pengenalan
Pengamatan ke- Dikenali
sebagai 1 2 3 4 5
Gunting √ √ √ √ √ Gunting
Stabilo √ √ √ √ √ Stabilo
Tipe-x √ √ √ √ √ Tipe-x
Paper Clip √ √ √ √ √ Paper Clip
Pelubang Kertas √ √ √ √ √ Pelubang Kertas
Ballpoint √ √ √ √ √ Ballpoint
Steples √ √ √ √ √ Steples
Note √ √ √ √ √ Note
Cutter √ √ √ √ √ Cutter
Alat
Stasioneri
Hasil Pengenalan
Pengamatan ke- Dikenali
sebagai 1 2 3 4 5
Gunting √ √ √ √ √ Gunting
Stabilo √ √ √ √ √ Stabilo
Tipe-x √ √ √ √ √ Tipe-x
Paper Clip √ √ √ √ √ Paper Clip
Pelubang Kertas √ √ √ √ √ Pelubang Kertas
Ballpoint √ √ √ √ √ Ballpoint
Steples √ √ √ √ √ Steples
Note √ √ √ √ √ Note
Cutter √ √ √ √ √ Cutter
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-24
Tabel L24a Hasil Pengenalan pada skala 90% (jarak 45 cm)
* √ = Alat stasioneri dikenali dengan benar
Tabel L24b Hasil Pengenalan pada skala 112% (jarak 56 cm)
* √ = Alat stasioneri dikenali dengan benar
Alat
Stasioneri
Hasil Pengenalan
Pengamatan ke- Dikenali
sebagai 1 2 3 4 5
Gunting √ √ √ √ √ Gunting
Stabilo √ √ √ √ √ Stabilo
Tipe-x √ √ √ √ √ Tipe-x
Paper Clip √ √ √ √ √ Paper Clip
Pelubang Kertas √ √ √ √ √ Pelubang Kertas
Ballpoint √ √ √ √ √ Ballpoint
Steples √ √ √ √ √ Steples
Note √ √ √ √ √ Note
Cutter √ √ √ √ √ Cutter
Alat
Stasioneri
Hasil Pengenalan
Pengamatan ke- Dikenali
sebagai 1 2 3 4 5
Gunting √ √ √ √ √ Gunting
Stabilo √ √ √ √ √ Stabilo
Tipe-x √ √ √ √ √ Tipe-x
Paper Clip √ √ √ √ √ Paper Clip
Pelubang Kertas √ √ √ √ √ Pelubang Kertas
Ballpoint √ √ √ √ √ Ballpoint
Steples √ √ √ √ √ Steples
Note √ √ √ √ √ Note
Cutter √ √ √ √ √ Cutter
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-25
Tabel L25a Hasil Pengenalan pada Posisi Geser Kiri 8 cm
* √ = Alat stasioneri dikenali dengan benar
Tabel L25b Hasil Pengenalan pada Posisi Geser Kanan 8 cm
* √ = Alat stasioneri dikenali dengan benar
Alat
Stasioneri
Hasil Pengenalan
Pengamatan ke- Dikenali
sebagai 1 2 3 4 5
Gunting √ √ √ √ √ Gunting
Stabilo √ √ √ √ √ Stabilo
Tipe-x √ √ √ √ √ Tipe-x
Paper Clip √ √ √ √ √ Paper Clip
Pelubang Kertas √ √ √ √ √ Pelubang Kertas
Ballpoint √ √ √ √ √ Ballpoint
Steples √ √ √ √ √ Steples
Note √ √ √ √ √ Note
Cutter √ √ √ √ √ Cutter
Alat
Stasioneri
Hasil Pengenalan
Pengamatan ke- Dikenali
sebagai 1 2 3 4 5
Gunting √ √ √ √ √ Gunting
Stabilo √ √ √ √ √ Stabilo
Tipe-x √ √ √ √ √ Tipe-x
Paper Clip √ √ √ √ √ Paper Clip
Pelubang Kertas √ √ √ √ √ Pelubang Kertas
Ballpoint √ √ √ √ √ Ballpoint
Steples √ √ √ √ √ Steples
Note √ √ √ √ √ Note
Cutter √ √ √ √ √ Cutter
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-26
Lampiran 6
Hasil Pengenalan Ekstraksi Ciri DST[1]
Tabel L26a Posisi Awal dengan Koefisien DST = 136
* √ = Alat stasioneri dikenali dengan benar,
x = Alat stasioneri tidakdikenali dengan benar
Tabel L26b Posisi Awal dengan Koefisien DST = 171
* √ = Alat stasioneri dikenali dengan benar
Alat
Stasioneri
Hasil Pengenalan
Pengamatan ke- Dikenali
sebagai 1 2 3 4 5
Gunting √ √ √ √ x Gunting
Stabilo √ √ √ √ √ Stabilo
Tipe-x √ √ √ √ √ Tipe-x
Paper Clip √ √ √ √ √ Paper Clip
Pelubang Kertas √ √ √ √ √ Pelubang Kertas
Ballpoint √ √ √ √ √ Ballpoint
Steples √ √ √ √ √ Steples
Note √ √ √ √ √ Note
Cutter √ √ √ √ x Cutter
Alat
Stasioneri
Hasil Pengenalan
Pengamatan ke- Dikenali
sebagai 1 2 3 4 5
Gunting √ √ √ √ √ Gunting
Stabilo √ √ √ √ √ Stabilo
Tipe-x √ √ √ √ √ Tipe-x
Paper Clip √ √ √ √ √ Paper Clip
Pelubang Kertas √ √ √ √ √ Pelubang Kertas
Ballpoint √ √ √ √ √ Ballpoint
Steples √ √ √ √ √ Steples
Note √ √ √ √ √ Note
Cutter √ √ √ √ √ Cutter
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-27
Tabel L27 Pengaruh RST dengan Koefisien DST = 171
Variasi RST
Alat stasioneri
Posisi awal Rotasi
(Posisi dibalik)
Skala
(Ukuran tidak
sama dengan
data base)
Translasi
(Posisi tidak
tepat)
Gunting √ √ √ x
Stabilo √ √ x x
Tipe-x √ x x x
Paper Clip √ √ √ x
Pelubang Kertas √ √ √ √
Ballpoint √ √ √ x
Steples √ √ √ √
Note √ √ √ √
Cutter √ √ √ √
Catatan:
• Dalam penelitian Febrianto persen skala dan besar pergeseran posisi tidak
dispesifik
• Data yang ditampilkan dalam lampiran untuk pengaruh RST hanya sekali
pengujian
• Sehingga rerata tingkat pengenalan yang dapat diperoleh adalah sebagai berikut:
𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝑝𝑒𝑛𝑔𝑒𝑛𝑎𝑙𝑎𝑛(%) = 28
36 𝑥 100%
= 77,78%
Ket:
- 28 merupakan banyak pengujian yang mendapatkan hasil pengenalan yang
benar
- 36 merupakan banyak pengujian secara keseluruhan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-28
Lampiran 7
Hasil Pengenalan Tanpa Tambahan Pencahayaan
Tabel L28a Hasil Pengenalan pada Posisi Awal
* √ = Alat stasioneri dikenali dengan benar
Tabel L28b Hasil Pengenalan pada Posisi Putar 45°
* √ = Alat stasioneri dikenali dengan benar
Alat
Stasioneri
Hasil Pengenalan
Pengamatan ke- Dikenali
sebagai 1 2 3 4 5
Gunting √ √ √ √ √ Gunting
Stabilo √ √ √ √ √ Stabilo
Tipe-x √ √ √ √ √ Tipe-x
Paper Clip √ √ √ √ √ Paper Clip
Pelubang Kertas √ √ √ √ √ Pelubang Kertas
Ballpoint √ √ √ √ √ Ballpoint
Steples √ √ √ √ √ Steples
Note √ √ √ √ √ Note
Cutter √ √ √ √ √ Cutter
Alat
Stasioneri
Hasil Pengenalan
Pengamatan ke- Dikenali
sebagai 1 2 3 4 5
Gunting √ √ √ √ √ Gunting
Stabilo √ √ √ √ √ Stabilo
Tipe-x √ √ √ √ √ Tipe-x
Paper Clip √ √ √ √ √ Paper Clip
Pelubang Kertas √ √ √ √ √ Pelubang Kertas
Ballpoint √ √ √ √ √ Ballpoint
Steples √ √ √ √ √ Steples
Note √ √ √ √ √ Note
Cutter √ √ √ √ √ Cutter
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-29
Tabel L29a Hasil Pengenalan pada Posisi Putar 90°
* √ = Alat stasioneri dikenali dengan benar
x = Alat stasioneri tidakdikenali dengan benar
Tabel L29b Hasil Pengenalan pada Posisi Putar 180°
* √ = Alat stasioneri dikenali dengan benar
Alat
Stasioneri
Hasil Pengenalan
Pengamatan ke- Dikenali
sebagai 1 2 3 4 5
Gunting x x x x x Paper Clip
Stabilo √ √ √ √ √ Stabilo
Tipe-x √ √ √ √ √ Tipe-x
Paper Clip √ √ √ √ √ Paper Clip
Pelubang Kertas √ √ √ √ √ Pelubang Kertas
Ballpoint √ √ √ √ √ Ballpoint
Steples √ √ √ √ √ Steples
Note √ √ √ √ √ Note
Cutter √ √ √ √ √ Cutter
Alat
Stasioneri
Hasil Pengenalan
Pengamatan ke- Dikenali
sebagai 1 2 3 4 5
Gunting √ √ √ √ √ Gunting
Stabilo √ √ √ √ √ Stabilo
Tipe-x √ √ √ √ √ Tipe-x
Paper Clip √ √ √ √ √ Paper Clip
Pelubang Kertas √ √ √ √ √ Pelubang Kertas
Ballpoint √ √ √ √ √ Ballpoint
Steples √ √ √ √ √ Steples
Note √ √ √ √ √ Note
Cutter √ √ √ √ √ Cutter
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-30
Tabel L30a Hasil Pengenalan pada skala 90% (jarak 45 cm)
* √ = Alat stasioneri dikenali dengan benar
Tabel L30b Hasil Pengenalan pada skala 112% (jarak 56 cm)
* √ = Alat stasioneri dikenali dengan benar
Alat
Stasioneri
Hasil Pengenalan
Pengamatan ke- Dikenali
sebagai 1 2 3 4 5
Gunting √ √ √ √ √ Gunting
Stabilo √ √ √ √ √ Stabilo
Tipe-x √ √ √ √ √ Tipe-x
Paper Clip √ √ √ √ √ Paper Clip
Pelubang Kertas √ √ √ √ √ Pelubang Kertas
Ballpoint √ √ √ √ √ Ballpoint
Steples √ √ √ √ √ Steples
Note √ √ √ √ √ Note
Cutter √ √ √ √ √ Cutter
Alat
Stasioneri
Hasil Pengenalan
Pengamatan ke- Dikenali
sebagai 1 2 3 4 5
Gunting √ √ √ √ √ Gunting
Stabilo √ √ √ √ √ Stabilo
Tipe-x √ √ √ √ √ Tipe-x
Paper Clip √ √ √ √ √ Paper Clip
Pelubang Kertas √ √ √ √ √ Pelubang Kertas
Ballpoint √ √ √ √ √ Ballpoint
Steples √ √ √ √ √ Steples
Note √ √ √ √ √ Note
Cutter √ √ √ √ √ Cutter
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-31
Tabel L31a Hasil Pengenalan pada Posisi Geser Kiri 8 cm
* √ = Alat stasioneri dikenali dengan benar
Tabel L31b Hasil Pengenalan pada Posisi Geser Kanan 8 cm
* √ = Alat stasioneri dikenali dengan benar
Alat
Stasioneri
Hasil Pengenalan
Pengamatan ke- Dikenali
sebagai 1 2 3 4 5
Gunting √ √ √ √ √ Gunting
Stabilo √ √ √ √ √ Stabilo
Tipe-x √ √ √ √ √ Tipe-x
Paper Clip √ √ √ √ √ Paper Clip
Pelubang Kertas √ √ √ √ √ Pelubang Kertas
Ballpoint √ √ √ √ √ Ballpoint
Steples √ √ √ √ √ Steples
Note √ √ √ √ √ Note
Cutter √ √ √ √ √ Cutter
Alat
Stasioneri
Hasil Pengenalan
Pengamatan ke- Dikenali
sebagai 1 2 3 4 5
Gunting √ √ √ √ √ Gunting
Stabilo √ √ √ √ √ Stabilo
Tipe-x √ √ √ √ √ Tipe-x
Paper Clip √ √ √ √ √ Paper Clip
Pelubang Kertas √ √ √ √ √ Pelubang Kertas
Ballpoint √ √ √ √ √ Ballpoint
Steples √ √ √ √ √ Steples
Note √ √ √ √ √ Note
Cutter √ √ √ √ √ Cutter
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-32
LAMPIRAN 8
Tabel L32 Jarak Euclidean pada Pengujian Tidak Langsung
Alat Stasioneri (Input) Pengujia Ke-
1 2 3 4 5
Ballpoint
J1 0 0 0 0 0
J2 2,2913 2,2913 2,2913 2,2913 2,2913
J3 2,7372 2,7372 2,7372 2,7372 2,7372
J4 2,8962 2,8962 2,8962 2,8962 2,8962
J5 2,8739 2,8739 2,8739 2,8739 2,8739
J6 2,8143 2,8143 2,8143 2,8143 2,8143
J7 2,6407 2,6407 2,6407 2,6407 2,6407
J8 2,7960 2,7960 2,7960 2,7960 2,7960
J9 2,8206 2,8206 2,8206 2,8206 2,8206
Dikenali
Sebagai Ballpoint Ballpoint Ballpoint Ballpoint Ballpoint
Cutter
J1 2,2913 2,2913 2,2913 2,2913 2,2913
J2 0 0 0 0 0
J3 0,4643 0,4643 0,4643 0,4643 0,4643
J4 0,6601 0,6601 0,6601 0,6601 0,6601
J5 0,6311 0,6311 0,6311 0,6311 0,6311
J6 0,5482 0,5482 0,5482 0,5482 0,5482
J7 0,3678 0,3678 0,3678 0,3678 0,3678
J8 0,5352 0,5352 0,5352 0,5352 0,5352
J9 0,5668 0,5668 0,5668 0,5668 0,5668
Dikenali
Sebagai Cutter Cutter Cutter Cutter Cutter
Gunting
J1 2,7372 2,7372 2,7372 2,7372 2,7372
J2 0,4643 0,4643 0,4643 0,4643 0,4643
J3 0 0 0 0 0
J4 0,2463 0,2463 0,2463 0,2463 0,2463
J5 0,2149 0,2149 0,2149 0,2149 0,2149
J6 0,0962 0,0962 0,0962 0,0962 0,0962
J7 0,1198 0,1198 0,1198 0,1198 0,1198
J8 0,1190 0,1190 0,1190 0,1190 0,1190
J9 0,1472 0,1472 0,1472 0,1472 0,1472
Dikenali
Sebagai Gunting Gunting Gunting Gunting Gunting
Catatan: Bagian yang ditebali merupakan hasil perhitungan jarak dengan nilai terkecil
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-33
Alat Stasioneri (Input) Pengujia Ke-
1 2 3 4 5
Note
J1 2,8962 2,8962 2,8962 2,8962 2,8962
J2 0,6601 0,6601 0,6601 0,6601 0,6601
J3 0,2463 0,2463 0,2463 0,2463 0,2463
J4 0 0 0 0 0
J5 0,0325 0,0325 0,0325 0,0325 0,0325
J6 0,1561 0,1561 0,1561 0,1561 0,1561
J7 0,2991 0,2991 0,2991 0,2991 0,2991
J8 0,1370 0,1370 0,1370 0,1370 0,1370
J9 0,1019 0,1019 0,1019 0,1019 0,1019
Dikenali
Sebagai Note Note Note Note Note
Pelubang
Kertas
J1 2,8739 2,8739 2,8739 2,8739 2,8739
J2 0,6311 0,6311 0,6311 0,6311 0,6311
J3 0,2149 0,2149 0,2149 0,2149 0,2149
J4 0,0325 0,0325 0,0325 0,0325 0,0325
J5 0 0 0 0 0
J6 0,1257 0,1257 0,1257 0,1257 0,1257
J7 0,2682 0,2682 0,2682 0,2682 0,2682
J8 0,1046 0,1046 0,1046 0,1046 0,1046
J9 0,0698 0,0698 0,0698 0,0698 0,0698
Dikenali
Sebagai
Pelubang
Kertas
Pelubang
Kertas
Pelubang
Kertas
Pelubang
Kertas
Pelubang
Kertas
Penjepit
Kertas
J1 2,8143 2,8143 2,8143 2,8143 2,8143
J2 0,5482 0,5482 0,5482 0,5482 0,5482
J3 0,0962 0,0962 0,0962 0,0962 0,0962
J4 0,1561 0,1561 0,1561 0,1561 0,1561
J5 0,1257 0,1257 0,1257 0,1257 0,1257
J6 0 0 0 0 0
J7 0,1845 0,1845 0,1845 0,1845 0,1845
J8 0,0566 0,0566 0,0566 0,0566 0,0566
J9 0,0669 0,0669 0,0669 0,0669 0,0669
Dikenali
Sebagai
Penjepit
Kertas
Penjepit
Kertas
Penjepit
Kertas
Penjepit
Kertas
Penjepit
Kertas
Catatan: Bagian yang ditebali merupakan hasil perhitungan jarak dengan nilai terkecil
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-34
Alat Stasioneri (Input) Pengujia Ke-
1 2 3 4 5
Stabilo
J1 2,6407 2,6407 2,6407 2,6407 2,6407
J2 0,3678 0,3678 0,3678 0,3678 0,3678
J3 0,1198 0,1198 0,1198 0,1198 0,1198
J4 0,2991 0,2991 0,2991 0,2991 0,2991
J5 0,2682 0,2682 0,2682 0,2682 0,2682
J6 0,1845 0,1845 0,1845 0,1845 0,1845
J7 0 0 0 0 0
J8 0,1681 0,1681 0,1681 0,1681 0,1681
J9 0,2014 0,2014 0,2014 0,2014 0,2014
Dikenali
Sebagai Stabilo Stabilo Stabilo Stabilo Stabilo
Steples
J1 2,7960 2,7960 2,7960 2,7960 2,7960
J2 0,5352 0,5352 0,5352 0,5352 0,5352
J3 0,1190 0,1190 0,1190 0,1190 0,1190
J4 0,1370 0,1370 0,1370 0,1370 0,1370
J5 0,1046 0,1046 0,1046 0,1046 0,1046
J6 0,0566 0,0566 0,0566 0,0566 0,0566
J7 0,1681 0,1681 0,1681 0,1681 0,1681
J8 0 0 0 0 0
J9 0,0367 0,0367 0,0367 0,0367 0,0367
Dikenali
Sebagai Steples Steples Steples Steples Steples
Tipe_x
J1 2,8206 2,8206 2,8206 2,8206 2,8206
J2 0,5668 0,5668 0,5668 0,5668 0,5668
J3 0,1472 0,1472 0,1472 0,1472 0,1472
J4 0,1019 0,1019 0,1019 0,1019 0,1019
J5 0,0698 0,0698 0,0698 0,0698 0,0698
J6 0,0669 0,0669 0,0669 0,0669 0,0669
J7 0,2014 0,2014 0,2014 0,2014 0,2014
J8 0,0367 0,0367 0,0367 0,0367 0,0367
J9 0 0 0 0 0
Dikenali
Sebagai Tipe_x Tipe_x Tipe_x Tipe_x Tipe_x
Catatan: Bagian yang ditebali merupakan hasil perhitungan jarak dengan nilai terkecil
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-35
Ket:
J1 = nilai jarak Euclidean citra masukan dan citra ballpoint pada basis data
J2 = nilai jarak Euclidean citra masukan dan citra cutter pada basis data
J3 = nilai jarak Euclidean citra masukan dan citra gunting pada basis data
J4 = nilai jarak Euclidean citra masukan dan citra Notebook pada basis data
J5 = nilai jarak Euclidean citra masukan dan citra pelubang kertas pada basis data
J6 = nilai jarak Euclidean citra masukan dan citra penjepit kertas pada basis data
J7 = nilai jarak Euclidean citra masukan dan citra stabilo pada basis data
J8 = nilai jarak Euclidean citra masukan dan citra steples pada basis data
J8 = nilai jarak Euclidean citra masukan dan citra tipe_x pada basis data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-36
Lampiran 9
Kondisi Pengujian Secara Langsung
Gambar L36 Kondisi pengujian secara langsung
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI