pengguna memilih desimasi 2, maka data akan diproses sebanyak 2 kali pengulangan. Begitu juga ketika memilih desimasi 3, maka data akan diproses sebanyak 3 kali. Semakin
besar nilai variasi desimasi, maka tingkat pengenalan pola akan semakin rendah, karena semakin besar nilai desimasi yang dipilih akan membuat proses pengulangan konvolusi
dan downsampling akan semakin banyak sesuai dengan variasi desimasi yang dipilih oleh pengguna. Hal ini akan mengakibatkan gambar menjadi blur kabur dan mempengaruhi
tingkat pengenalan yang semakin rendah. Pengaruh variasi jarak terhadap tingkat pengenalan kode huruf semaphore.
Pengujian yang dilakukan secara tidak langasung menggunakan 5 variasi jarak. dari Gambar 4.13. terlihat bahwa pada jarak 3 meter tingkat pengenalan yang diperoleh adalah
95, jarak 3,5 meter tingkat pengenalan yang diperoleh adalah 96, untuk jarak 4 meter tingkat pengenalan yang diperoleh adalah 95, jarak 4,5 meter tingkat pengenalan yang
diperoleh adalah 95, dan pada jarak 5 meter tingkat pengenalan yang diperoleh adalah 93. Hasil dari pengenalan pola dengan menggunakan variasi jarak dipengaruhi oleh
jauhnya jarak antara webcam dengan peraga kode huruf semaphore. Pada jarak terpendek webcam
tidak dapat mengambil keseluruhan dari bendera semaphore. Namun ketika peraga berada terlalu jauh, maka webcam tidak dapat mengambil gambar dengan baik
karena keterbatasan spesifikasi dari webcam yaitu kualitas foto yang hanya memiliki resolusi sampai dengan 3 megapixels dan webcam yang digunakan memiliki tipe fokus
yang tetap. Dari Gambar 4.13. penulis dapat menyimpulkan bahwa adanya pengenalan kode
huruf semaphore yang lebih baik pada variasi desimasi dapat dilihat dari hasil persentase tingkat pengenalan mencapai 95 untuk desimasi 1. Dapat dinyatakan bahwa desimasi 1
memiliki tingkat pengenalan pola yang terbaik dari antara variasi desimasi yang lainnya. Pada variasi jarak dapat dilihat dari hasil persentase tingkat pengenalan mencapai 96
untuk jarak terbaik adalah 3,5 meter. Jarak 3,5 meter adalah jarak yang ideal dalam melakukan pengenalan kode huruf semaphore dengan menggunakan webcam C270.
58
BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan hasil percobaan dan pengujian sistem pengenalan kode huruf semaphore
secara langsung dan tidak langsung dapat disimpulkan sebagai berikut: 1.
Sistem pengenalan kode huruf semaphore secara langsung dan tidak langsung dengan menggunakan ekstraksi ciri wavelet dan fungsi jarak Euclidean dapat
berjalan dengan baik dan sesuai dengan yang telah diharapkan. 2.
Berdasarkan pengujian secara tidak langsung yang telah dilakukan, dengan jarak terjauh 5 meter dihasilkan tingkat pengenalan sebesar 94. Hasil ini diperoleh
menggunakan desimasi 1 yang memberikan ekstraksi ciri 32x32 piksel. 3.
Berdasarkan pengujian secara langsung yang telah dilakukan, dengan jarak terjauh 5 meter dihasilkan tingkat pengenalan sebesar 93. Hasil ini diperoleh
menggunakan desimasi 1 yang memberikan ekstraksi ciri 32x32 piksel.
5.2. Saran
Saran yang diberikan untuk mengembangkan sistem pengenalan kode huruf semaphore
adalah : 1.
Pengembangan dapat dilakukan dari segi percobaan dengan jarak yang lebih jauh dengan menggunakan webcam yang memiliki spesifikasi yang lebih tinggi dari
yang sebelumnya.
2.
Pengembangan dapat ditingkatkan pada pembentukan basis data dengan menggunakan lebih banyak gambar dengan peraga yang berbeda untuk dijadikan
basis data. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
DAFTAR PUSTAKA
[1] Anggara, M.S., 2013, Penemu Semaphore,
http:sudutbuku.blogspot.co.id201203 penemu-semaphore.html
, diakses 15 September 2016. [2]
Putra, Agfianto E., ---, Analisis sinyal menggunakan wavelet, http:agfi.staff.ugm.ac
.idblogindex.php200812analisis-sinyal-menggunakan-wavelet-pendahuluan ,
diakses 15 September 2016. [3]
Rachmad, Aeri Fuad, Muhammad., 2015, Geometry Algorithm On Skeleton Image Based Semaphore Gesture Recognition
, Universitas Of Trunojoyo Madura, Indonesia.
[4] Logitech,
---, HD Webcam C270, http:www.logitech.comen-gbproducthd-
webcam-c270 , diakses 15 September 2016.
[5] Putra, Darma, 2010, Pengolahan Citra Digital,Yogyakarta, Andi Offset.
[6] Kadir, Abdul., Susanto, Adhi., 2013, Teori dan Aplikasi Pengolahan Citra, Andi,
Yogyakarta. [7]
Alexandra., ---, Prinsip Kerja Warna CMYK, http:blog.ub.ac.idfrengkycategory
news , diakses 29 September 2016.
[8] Kalan., 2007, Hue Scale,
https:commons.wikimedia.orgwikiFile:HueScale.svg ,
diakses 28 September 2016. [12] Nugroho, I.A., 2015, Pengenalan Secara Real Time Rambu Lalu Lintas Peringatan
Menggunakan Ekstraksi Ciri Wavelet Haar dan Fungsi Jarak Chi Square, Tugas
Akhir, Jurusan Teknik Elektro, FST, Universitas Sanata Dharma Yogyakarta. [10] Sutarno, 2010, Analisis Perbandingan Transformasi Wavelet pada Pengenalan
Citra Wajah , Fakultas Ilmu Komputer, Universitas Sriwijaya.
[11] Matlab, ---, Wavedec2, https:www.mathworks.comhelpwaveletrefwavedec2
.html , diakses 28 September 2016.
[12] Sumarno, Linggo., 2013, Segmentasi Kata Tulisan Tangan Menggunakan Jendela Blackman
, SNATI, 10
th
, hal J-30 – J-35.
[13] Sumarno, Linggo., 2013, Pengenalan Nada Pianika Menggunakan Jendela Segitiga, DCT, Dan Fungsi Jarak Euclidean,
Seminar Nasional, 8
th
, hal E-23. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
