Pengenalan perangkat elektronika secara real time menggunakan webcam berbasis ekstraksi ciri discrete consine transform.

(1)

INTISARI

Perkembangan teknologi yang semakin cepat diberbagai bidang termasuk bidang elektronik, sehingga banyak perusahaan yang bergerak dibidang elektronik saling bersaing untuk menciptakan inovasi yang baru dalam produk elektronik yang diciptakan.Untuk itu para teknisi yang bekerja di perusahaan tersebut harus mampu menggunakan dan mengambil berbagai peralatan untuk melakukan pekerjaannya, sehingga tenaga dan waktu menjadi tidak efisien. Sistem yang akan dibuat meniru kemampuan mata manusia untuk mengenali objek berupa perangkat elektronika. Sistem ini akan secara otomatis membandingkan objek berupa macam-macam perangkat elektronika dengan gambar yang telah di capture oleh usermelalui webcam.

Sistem pengenalan perangkat elektronika secara real time pada tugas akhir ini menggunakan webcam dan komputer. Secara garis besar, sistem pengenalan perangkat elektronika secara real time yang dibuat dapat dideskripsikan bedasarkan urutan berikut: citra perangkat elektronika dari webcam, grayscaling, cropping, resizing, ekstaksi ciri dengan DCT 2-D (Discrete Consine Transform two Dimension), dan perhitungan jarak dengan jarak euclidean.

Sistem pengenalan perangkat elektronika secara real time menggunakan webcam berbasis ekstraksi ciri DCT berhasil dibuat dan bekerja dengan baik. Berdasarkan hasil pengujian variasi jumlah koefisien DCT dengan perangkat elektronika, sistem pengenalan perangkat elektronika secara real time yang dibuat mampu menghasilkan tingkat pengenalan hingga 100%. Parameter minimum untuk mendapatkan tingkat pengenalan hingga 100% tersebut adalah jumlah koefisien DCT 171.

Kata kunci: Webcam, DCT 2-D (Discrete Consine Transform two Dimension), jarak


(2)

ABSTRACT

The increasingly rapid technological development in various fields, including the fields of electronics, so a lot of companies engaged in competing electronics to create new innovations in electronic products created. Therefore technicians who works in the company was to to use and taking various equipment for doing the work, so the energy and time of being inefficient. The system will be made imitate the human eye’s ability to recognize object of electronic devices. The system will be automatically comparing object in the form of various electronic devices with images that have been captured by the user via webcam.

Recognition system electronic devices in real time on this final project using a webcam and the computer. In outline, recognition system electronic devices in real time will be made can ben descibed based on the following order: The image of a device electronics from the webcam, , grayscaling, cropping, resizing, feature extraction with DCT 2-D (Discrete Consine Transform two Dimension), and the calculation of the distance to the euclidean distance.

Recognition system electronic devices in real time use webcam based on DCT feature extraction successfully made and works well. Based on the testing number variation coefficient DCT with electronic device, Recognition system electronic devices in real time made, capable resulted in recognition rate up to 100%. The minimum parameters to obtain up to 100% recognition rate is the number of DCT coefficients 171. resulted in recognition rate up to 100%.

Key word: Webcam, DCT 2-D (Discrete Consine Transform two Dimension), euclidean distance


(3)

i

TUGAS AKHIR

PENGENALAN PERANGKAT ELEKTRONIKA SECARA

REAL TIME MENGGUNAKAN WEBCAM BERBASIS

EKSTRAKSI CIRI DISCRETE CONSINE TRANSFORM

Diajukan Untuk Memenuhi Salah SatuSyarat

Memperoleh Gelar Sarjana Teknik

Program Studi Teknik Elektro

DENIEL CAHYO PRASETYO

NIM : 095114020

PROGRAM STUDI JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA


(4)

ii

FINAL PROJECT

RECOGNITION OF ELECTRONIC DEVICES IN REAL

TIME USING WEBCAM BASED ON

DISCRETE CONSINE TRANSFORM FEATURE

EXTRACTION

Presented as Partial Fullfillment of Requirements

To Obtain the

SarjanaTeknik

Degree

In Electrical Engineering Study Program

DENIEL CAHYO PRASETYO

NIM : 095114020

ELECTRICAL ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

DEPARTMENT OF ELECTRICAL ENGINEERING

SANATA DHARMA UNIVERSITY

YOGYAKARTA


(5)

iii

HALAMAN PERSETUJUAN

TUGAS AKHIR

PENGENALAN PERANGKAT ELEKTRONIKA SECARA

REAL TIME MENGGUNAKAN WEBCAM BERBASIS

EKSTRAKSI CIRI DISCRETE CONSINE TRANSFORM

(RECOGNITION OF ELECTRONIC DEVICES IN REAL

TIME USING WEBCAM BASED ON

DISCRETE CONSINE TRANSFORM FEATURE

EXTRACTION)

Oleh:

DENIEL CAHYO PRASETYO N IM : 095114020

telah disetujui oleh :


(6)

iv

HALAMAN PENGESAHAN

TUGAS AKHIR

PENGENALAN PERANGKAT ELEKTRONIKA SECARA

REAL TIME MENGGUNAKAN WEBCAM BERBASIS


(7)

v

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka sebagaimana layaknya karya ilmiah.


(8)

vi

HALAMAN PERSEMBAHAN DAN MOTTO HIDUP

MOTTO:

“Talk Less Do More”

Dengan ini kupersembahkan karya tulis ini kepada:

Tuhan Yesus Kristus yang amat berarti di hidupku,

Keluargaku tercinta,

Teman -teman seperjuanganku,

Seorang yang kukasihi (Putri A Dani),


(9)

vii

LEMBAR PERNYATAAN PERSETUJUAN

PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma : Nama : Deniel Cahyo Prasetyo

Nomor Mahasiswa : 095114020

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul :

PENGENALAN PERANGKAT ELEKTRONIKA SECARA REAL TIME

MENGGUNAKAN WEBCAM

BERBASIS EKSTRAKSI CIRI DISCRETE CONSINE TRANSFORM

beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpannya, mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara terbatas, dan mempublikasikannya di Internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan royalty kepada saya selama tetap mencantumkan nama saya sebagai penulis.


(10)

viii

INTISARI

Perkembangan teknologi yang semakin cepat diberbagai bidang termasuk bidang elektronik, sehingga banyak perusahaan yang bergerak dibidang elektronik saling bersaing untuk menciptakan inovasi yang baru dalam produk elektronik yang diciptakan.Untuk itu para teknisi yang bekerja di perusahaan tersebut harus mampu menggunakan dan mengambil berbagai peralatan untuk melakukan pekerjaannya, sehingga tenaga dan waktu menjadi tidak efisien. Sistem yang akan dibuat meniru kemampuan mata manusia untuk mengenali objek berupa perangkat elektronika. Sistem ini akan secara otomatis membandingkan objek berupa macam-macam perangkat elektronika dengan gambar yang telah di capture oleh usermelalui webcam.

Sistem pengenalan perangkat elektronika secara real time pada tugas akhir ini menggunakan webcam dan komputer. Secara garis besar, sistem pengenalan perangkat elektronika secara real time yang dibuat dapat dideskripsikan bedasarkan urutan berikut: citra perangkat elektronika dari webcam, grayscaling, cropping, resizing, ekstaksi ciri dengan DCT 2-D (Discrete Consine Transform two Dimension), dan perhitungan jarak dengan jarak euclidean.

Sistem pengenalan perangkat elektronika secara real time menggunakan webcam berbasis ekstraksi ciri DCT berhasil dibuat dan bekerja dengan baik. Berdasarkan hasil pengujian variasi jumlah koefisien DCT dengan perangkat elektronika, sistem pengenalan perangkat elektronika secara real time yang dibuat mampu menghasilkan tingkat pengenalan hingga 100%. Parameter minimum untuk mendapatkan tingkat pengenalan hingga 100% tersebut adalah jumlah koefisien DCT 171.

Kata kunci: Webcam, DCT 2-D (Discrete Consine Transform two Dimension), jarak


(11)

ix

ABSTRACT

The increasingly rapid technological development in various fields, including the fields of electronics, so a lot of companies engaged in competing electronics to create new innovations in electronic products created. Therefore technicians who works in the company was to to use and taking various equipment for doing the work, so the energy and time of being inefficient. The system will be made imitate the human eye‟s ability to recognize object of electronic devices. The system will be automatically comparing object in the form of various electronic devices with images that have been captured by the user via webcam.

Recognition system electronic devices in real time on this final project using a webcam and the computer. In outline, recognition system electronic devices in real time will be made can ben descibed based on the following order: The image of a device electronics from the webcam, , grayscaling, cropping, resizing, feature extraction with DCT 2-D (Discrete Consine Transform two Dimension), and the calculation of the distance to the euclidean distance.

Recognition system electronic devices in real time use webcam based on DCT feature extraction successfully made and works well. Based on the testing number variation coefficient DCT with electronic device, Recognition system electronic devices in real time made, capable resulted in recognition rate up to 100%. The minimum parameters to obtain up to 100% recognition rate is the number of DCT coefficients 171. resulted in recognition rate up to 100%.

Key word: Webcam, DCT 2-D (Discrete Consine Transform two Dimension), euclidean distance


(12)

x

KATA PENGANTAR

Puji dan Syukur penulis panjatkan kepada Tuhan Yesus Kristus karena telah memberikan berkat-Nya sehingga penulis dapat menyelesaikan tugas akhir ini dengan baik. Penulis menyadari bahwa keberhasilan menyelesaikan tugas akhir ini tidak lepas dari bantuan dan bimbingan dari berbagai pihak. Oleh karena itu, pada kesempatan ini penulis mengucapkan terima kasih kepada:

1. Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta. 2. Petrus Setyo Prabowo, S.T.,M.T., Ketua Program Studi Teknik Elektro Universitas

Sanata Dharma Yogyakarta.

3. Petrus Setyo Prabowo, S.T.,M.T., dosen pembimbing akademik yang telah mendampingi dan membimbing penulis selama studi.

4. Dr. Linggo Sumarno, dosen pembimbing yang dengan penuh pengertian dan ketulusan hati memberi bimbingan, kritik, saran, serta motivasi dalam penulisan skripsi ini.

5. Wiwien Widyastuti, S.T.,M.T. dan Pius Yozy Merucahyo, S.T.,M.T. dosen penguji yang telah memberikan masukan, bimbingan, dan saran dalam merevisi skripsi ini. 6. Bapak/ Ibu dosen yang telah mengajarkan banyak hal selama penulis menempuh

pendidikan di Program Studi Teknik Elektro, Fakultas Sains dan Teknologi, Universitas Sanata Dharma.

7. Kedua orang tua tercinta, atas kasih sayang, dukungan dan doa yang tiada henti. 8. Kakak-kakak, istri kakak-kakak dan keponakan tercinta, atas dukungan, doa,

perhatian, yang begitu besar kepada penulis.

9. Kekasih tercinta, Putri A Dani atas perhatian, kasih sayang, motivasi dan kesabarannya.

10. Staff sekretariat Teknik Elektro yang telah membantu dalam hal administrasi. 11. Teman-teman seperjuangan angkatan 2009 Teknik Elektro, teman-teman geng

sambat dan semua teman yang mendukung saya dalam menyelesaikan tugas akhir ini.

12. Semua pihak yang tidak dapat disebutkan satu persatu atas semua dukungan yang telah diberikan dalam penyelesaian tugas akhir ini.


(13)

xi

Penulis menyadari bahwa dalam penyusunan tugas akhir ini masih mengalami kesulitan dan tidak lepas dari kesalahan. Oleh karena itu, penulis mengharapkan masukan, kritik dan saran yang membangun agar tugas akhir ini menjadi lebih baik. Dan semoga tugas akhir ini dapat bermanfaat sebagaimana mestinya.


(14)

xii

DAFTAR ISI

HALAMAN JUDUL ... i

HALAMAN PERSETUJUAN ... iii

HALAMAN PENGESAHAN ... iv

PERNYATAAN KEASLIAN KARYA

... v

HALAMAN PERSEMBAHAN DAN MOTTO HIDUP

... vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA

ILMIAH UNTUK KEPENTINGAN AKADEMIK ... vii

INTISARI ... viii

ABSTRACT ...

ix

KATA PENGANTAR ... x

DAFTAR ISI

... xii

DAFTAR GAMBAR ... xiv

DAFTAR TABEL ... xvi

BAB I PENDAHULUAN

1.1 Latar Belakang ... 1

1.2 Tujuan dan Manfaat ... 2

1.3 Batasan Masalah ... 2

1.4 Metodologi Penelitian ... 3

BAB II DASAR TEORI

2.1 Webcam

... 5

2.2 Matlab 7.0.4 ... 5

2.3 Citra ... 6

2.3.1 Definisi Citra ... 6

2.4 Pengolahan Citra ... 6

2.4.1 RGB ... 7

2.4.2 Citra Grayscale

... 8


(15)

xiii

2.4.4 Resizing dan Transformasi Geometris Spasial ... 9-10

2.5 Discrete Cosine Transform Dua Dimensi ( DCT 2-D) ... 11

2.6 Zigzag scanning

... 12

2.7 Jarak Euclidean

... 13

BAB III PERANCANGAN

3.1 Perancangan Sistem ... 15

3.1.2 Perangkat Elektronika ... 16

3.1.3 Webcam

... 16

3.1.4 Proses Pengenalan Perangkat Elektronika ... 17

a. Citra Perangkat Elektronika ... 17

b. Preprocessing

... 18

c. Ekstraksi Ciri... 18

d. Fungsi Jarak ... 19

f. Penentuan Keluaran... 19

3.2 Perancangan Database Citra Perangkat Elektronika... 19

3.3 Gambar Uji ... 20

3.4 Perancangan Tampilan Gui Matlab ... 20

3.5 Perancangan Diagram Alir

... 23

BAB IV HASIL DAN PEMBAHASAN

4.1 Pengujian Program dan Tampilan Program Pengenalan Perangkat Elektronik Secara Real Time

... 29

4.2 Penentuan Nilai Parameter ... 33

4.3 Pengujian Nilai Parameter ... 40

4.4 Keterbatasan Metodologi ... 40

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan ... 42

5.2 Saran ... 42

DAFTAR PUSTAKA ... 43


(16)

xiv

DAFTAR GAMBAR

Gambar 2.1. Webcam Logitech HD 720 ... 5

Gambar 2.2. Pengaturan citra RGB ... 7

Gambar 2.3. Citra RGB dan Citra Grayscale

... 8

Gambar 2.4. Citra sebelum di crop dan Citra hasil cropping

... 9

Gambar 2.5. Citra Grayscale sebelum di rezising dan Citra hasil rezising

... 9

Gambar 2.6. Transformasi Spasial ... 10

Gambar 2.7. Citra Grayscale dan Citra hasil proses DCT

... 12

Gambar 2.8. Urutan zigzag scanning

... 13

Gambar 3.1. Blok sistem ... 15

Gambar 3.2. Obeng Trim, Soldir, Penyedot Timah, Bor Listrik, Tang Kupas, Tang Potong, Multimeter. ... 16

Gambar 3.3. Blok diagram proses pengenalan prengkat elektronika ... 17

Gambar 3.4. Blok diagram Perancangan Database Citra Perangkat elektronika ... 20

Gambar 3.5. Tampilan utama program pengenalan perangkat elektronika ... 21

Gambar 3.6. Diagram Alir Pembuatan Database

... 23

Gambar 3.7. Diagram Alir Program Keseluruhan... 24

Gambar 3.8. Diagram Alir Perekaman dan Pengambilan Citra... 26

Gambar 3.9a. Diagram Alir Preprocessing

... 27

Gambar 3.9b. Diagram Alir Ekstraksi Ciri ... 27

Gambar 3.10a. Diagram Alir Fungsi Jarak ... 28

Gambar 3.10b. Diagram Alir Penentuan Hasil Pengenalan ... 28

Gambar 4.1. Icon Matlab 7.0.4 ... 29

Gambar 4.2. Tampilan awal Matlab ... 30

Gambar 4.3. Tampilan program pengenalan ... 30

Gambar 4.4. Tampilan setelah tombol “ON” ditekan

... 31

Gambar 4.5. Tampilan setelah tombol “Capture” ditekan

...

31

Gambar 4.6. Tampilan setelah tombol “Proses” ditekan

... 32

Gambar 4.7. Tampilan setelah tombol “Ekstraksi ciri” ditekan

... 32

Gambar 4.8. Tampilan setelah tombol “Pengenalan” ditekan

... 33


(17)

xv

Gambar 4.10. Pengaruh Koefisien DCT 55 terhadap Hasil pengenalan ... 35

Gambar 4.11. Pengaruh Koefisien DCT 78 terhadap Hasil pengenalan ... 35

Gambar 4.12. Pengaruh Koefisien DCT 105 terhadap Hasil pengenalan ... 36

Gambar 4.13. Pengaruh Koefisien DCT 136 terhadap Hasil pengenalan ... 36

Gambar 4.14. Pengaruh Koefisien DCT 171 terhadap Hasil pengenalan ... 37


(18)

xvi

DAFTAR TABEL

Tabel 2.1. Jenis-jenis Transformasi Affine

... 10

Tabel 3.1. Spesifikasi Webcam Logitech c 270h ... 17

Tabel 3.2. Keterangan Tampilan Utama Program ... 22


(19)

(20)

1

BAB I

PENDAHULUAN

1.1

. Latar Belakang

Perkembangan teknologi yang semakin cepat diberbagai bidang termasuk bidang elektronik, sehingga banyak perusahaan yang bergerak dibidang elektronik saling bersaing untuk menciptakan inovasi yang baru dalam produk elektronik yang diciptakan.Untuk itu para teknisi yang bekerja di perusahaan tersebut harus mampu menggunakan dan mengambil berbagai peralatan untuk melakukan pekerjaannya, sehingga tenaga dan waktu menjadi tidak efisien. Alat yang bisa menggantikan tugas seorang teknisi dalam mengambil peralatan sangat dibutuhkan untuk mengatasi hal tersebut. Robot visual adalah salah satu alat yang dapat menjawab persoalan diatas. Robot visual adalah robot yang mampu melihat obyek disekitarnya dan dilengkapi dengan lengan yang mampu mengambil objek tersebut.

Robot visual dilengkapi sebuah sensor yang mampu melihat objek. Sensor tersebut diharapkan mampu bekerja seperti mata pada manusia. Untuk itu dibutuhkan piranti keras dan piranti lunak untuk mengatasi persoalan tersebut. Berdasarkan pernyataan di atas, penulis ingin membuat bagian dari suatu robot visual yang mampu melihat seperti indera manusia yaitu mata manusia yang mampu melihat dan mengenali suatu perangkat elektronika

Sistem yang akan dibuat hanya pengenalan perangkat elektronika secara real time

menggunakan webcam. Penulis menemukan penelitian – penelitian sebelumnya yang berkaitan dengan pengenalan suatu objek, diantaranya pernah diteliti oleh Khrisna [1] tentang indentifikasi objek berdasarkan bentuk dan ukuran dengan metode pengenalan pola secara statistik menggunakan teori peluang dengan objek-objek yang dapat dikenali adalah lingkaran, bujur sangkar, persegi panjang. Selain itu, penulis juga menemukan penelitian lain oleh Amrullah [2] yang melakukan penelitian tentang pengenalan benda (mobil) di jalan raya dengan metode Kalman Filter.

Sistem yang akan dibuat meniru kemampuan mata manusia untuk mengenali objek berupa perangkat elektronika. Sistem ini akan secara otomatis membandingkan objek berupa macam-macam perangkat elektronika dengan gambar yang telah di capture oleh usermelalui webcam, sehingga akan dihasilkan perbandingan jarak terkecil. Objek


(21)

perangkat elektronika diproses dahulu melalui preprocessing. Setelah itu kemudian diproses menggunakan metode ekstraksi ciri Discrete Cosine Transform (DCT) untuk kemudian digunakan sebagai database. Karakter yang telah di capture dibandingkan dengan database dengan menggunakan fungsi jarak Euclidean dan hasil perbandingan yang terkecil merupakan objek yang telah di capture. Semua proses tersebut menggunakan

software Matlab 7.04, baik dalam pemrogramannya maupun visualisasi pengambilan gambarnya. Jika proses pengambilan gambar telah sesuai dengan database, maka user

dapat melihat hasil yang telah di capture berupa teks pada layar monitor

1.2. Tujuan dan Manfaat Penelitian

Tujuan dari penulisan tugas akhir ini adalah membuat bagian dari robot visual yang dapat mengenali berbagai macam perangkat elektronika secara real time menggunakan ekstraksi ciri Discrete Cosine Transform (DCT) dan metode pengukuran jarak euclidean . Manfaat penelitian ini adalah membantu pengguna aplikasi dalam mengenali jenis-jenis perangkat elektronika dan sebagai dasar untuk penelitian selanjutnya untuk membuat robot visual yang dapat mengenali dan mengambil suatu objek.

1.3. Batasan Masalah

Sistem pengenalan perangkat elektronika terdiri dari perangkat keras (hardware) dan perangkat lunak (software). Hardware berupa webcam dan fixture. Software yang digunakan adalah Matlab. Matlab digunakan untuk mengatur seluruh proses pengolahan data yang dicuplik oleh webcam.

Pada perancangan sistem ini, penulis fokus pada pembuatan software komputer untuk memproses pengenalan perangkat elektronika sedangkan untuk hardware berupa

webcam dengan merk Logitech seri C270h dan fixture. Penulis menetapkan beberapa batasan masalah pada perancangan ini, yaitu sebagai berikut :

a. Masukkan berupa peralatan elektronika meliputi soldir, penyedot timah, tang kupas, tang potong, obeng trim, multimeter digital, dan bor listrik.

b. Pada fixture sudah disediakan tempat untuk meletakkan perangkat elektronika. c. Menggunakan webcam merk Logitech seri C270h yang diletakkan tegak lurus


(22)

d. Posisi peletakan perangkat elektronika tetap, yaitu dengan cara menempelkan perangkat elektronika dengan kayu triplek yang sudah dibentuk sesuai dengan ukuran 20cm x 10,5cm .

e. Intensitas cahaya sesuai dengan cahaya lampu yang terdapat di laboratorium TA. f. Pengambilan citra menggunakan webcam.

g. Menggunakan fungsi jarak Euclidean sebagai metode perbandingan untuk mengenali perangkat elektronika.

h. Pengenalan perangkat elektronika ini dibuat dengan menggunakan software

pemrograman Matlab 7.04 .

i. Keluarannya berupa teks di layar monitor.

1.4.

Metodologi penelitian

Langkah langkah dalam pengerjaan tugas akhir :

a. Pengumpulan bahan-bahan referensi berupa buku-buku dan jurnal-jurnal ilmiah mengenai pengenalan suatu objek, pemograman matlab, image processing,

Discrete Cosine Transform, Euclidean.

b. Perancangan subsistem software dan hardware

Tahap ini bertujuan untuk mencari bentuk model yang optimal dari sistem yang akan dibuat dengan mempertimbangkan berbagai faktor-faktor permasalahan dan kebutuhan-kebutuhan yang ditentukan.

c. Pembuatan subsistem software dan hardware

Sistem akan bekerja apabila user menekan tombol push button yang ditampilkan dalam tampilan visual yang disediakan dalam software. Kemudian sistem akan mengolah data yang diterima dari webcam dan mulai menampilkan proses menampilkan video (record) sampai user memberikan perintah untuk pengambilan gambar (capture) . Kemudian, user memberikan interupsi untuk memulai pengenalan perangkat elektronika. Setelah itu, matlab akan melakukan proses pengolahan gambar perangkat elektronika yang sudah dicapture oleh

webcam dan ditampilkan berupa teks pada layar monitor.

d. Analisa data dilakukan dengan menyelidiki pengaruh variasi jumlah koefisien DCT dengan 35 kali percobaan (7 perangkat elektronika x 5) terhadap tingkat


(23)

pengenalan. Penyimpulan hasil dilakukan dengan mencari jumlah koefisien DCT yang menghasilkan tingkat pengenalan yang terbaik.


(24)

(25)

5

BAB II

DASAR TEORI

2.1

WebCam

Webcam atau web camera adalah sebuah kamera video digital kecil yang dihubungkan ke computer melalui (biasanya) port USB. Sebuah web camera yang sederhana terdiri dari sebuah lensa standar,dipasang di sebuah papan sirkuit untuk menangkap sinyal gambar; casing(cover), termasuk casing depan dan casing samping untuk menutupi lensastandar dan memiliki sebuah lubang lensa di casing depan yang bergunauntuk memasukkan gambar; kabel support, yang dibuat dari bahan yang fleksibel, salah satu ujungnya dihubungkan dengan papan sirkuit dan ujungsatu lagi memiliki connector, kabel ini dikontrol untuk menyesuaikan ketinggian, arah dan sudut pandang web camera. Sebuah web camera biasanya dilengkapi dengan software, software ini mengambil gambar dari kamera digital secara terus menerus ataupun dalam interval waktu tertentu dan menyiarkannya melalui koneksi internet [3].Contoh gambar webcam dapat dilihat pada gambar 2.1.

Gambar 2.1. Webcam Logitech HD 720P

2.2

Matlab

Studi pengenalan alat elektronika ini membutuhkan sebuah alat bantu untuk menghitung data matematis yang kompleks. Matlab merupakan alat bantu yang mampu menangani masalah tersebut. Matlab merupakan bahasa pemograman sekaligus lingkungan penghitung numeris yang dibuat MathWorks . Matlab memiliki kemampuan antara lain :


(26)

1. Mengolah data dan menyimpan informasi matematis yang rumit, seperti manipulasi array dan matriks, implementsai algoritma linear, sistem koordinat Cartesian, dsb.

2. Mampu menangani pemgolahan citra hingga ke skala pixel.

3. Mampu membangun hasil olahan data dalam visualisai 2-D maupun 3-D yang interaktif.

4. Penggunakan dapat menerapkan pemograman berbasis obyek maupun terstruktur.

5. Dapat digabung dengan perangkat keras dari luar, seperti web.[4]

2.3. Citra

2.3.1 Definisi Citra

Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinus menjadi gambar diskrit melalui proses sampling. Gambar analog dibagi menjadi N baris dan M kolom sehingga menjadi gambar diskrit. Persilangan antara baris dan kolom tertentu disebut dengan piksel.Contohnya adalah gambar/titik diskrit pada baris n dan kolom m disebut dengan piksel[n,m] [5].

Definisi lain dari citra menurut Kamus Webster adalah “suatu representasi, kemiripan, atau imitasi dari suatu objek atau benda”. Secara harafiah, citra (image) adalah gambar pada bidang dwimatra (dua dimensi). Sedangkan ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dwimatra. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh alat-alat optik, misalnya mata pada manusia, kamera pemindai (scanner), dan sebaginya, sehingga bayangan objek yang disebut citra tersebut terekam [6].

2.4

Pengolahan Citra

Pengolahan citra adalah kegiatan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia/mesin(komputer).Inputannya adalah citra dan keluarannya juga citra tapi dengan kualitas lebih baik daripada citra masukan. Misal citra warnanya kurang tajam, kabur (blurring), mengandung noise (misal bintik-bintik putih), dll sehingga perlu


(27)

ada pemrosesan untuk memperbaiki citra karena citra tersebut menjadi sulit diinterpretasikan karena informasi yang disampaikan menjadi berkurang.

Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain. Jadi, masukkannya adalah suatu citra dan keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih baik daripada citra masukkan [6].

2.4.1 RGB [7]

Suatu citra biasanya mengacu ke citra RGB. Sebenarnya bagaimana citra disimpan dan dimanipulasi dalam komputer diturunkan dari teknologi televisi, yang pertama kali

mengaplikasikannya untuk tampilan grafis komputer. Jika dilihat dengan kaca pembesar, tampilan monitor komputer akan terdiri dari sejumlah triplet titik warna merah (RED), hijau (GREEN) dan biru (BLUE). Tergantung pada pabrik monitornya untuk menentukan apak titik tersebut merupakan titik bulat atau kotak kecil, tetapi akan selalu terdiri dari 3 triplet red, green dan blue.

Citra dalam komputer tidak lebih dari sekumpulan sejumlah triplet dimana setiap triplet terdiri atas variasi tingkat keterangan (brightness) dari elemen red, green dan blue. Representasinya dalam citra, triplet akan terdiri dari 3 angka yang mengatur intensitas dari Red (R), Green (G) dan Blue (Blue) dari suatu triplet. Setiap triplet akan merepresentasikan 1 pixel (picture element). Suatu triplet dengan nilai 67, 228 dan 180 berarti akan mengeset nilai R ke nilai 67, G ke nilai 228 dan B ke nilai 180. Angka-angka RGB ini yang seringkali disebut dengan color values. Pada format .bmp, citra setiap pixel pada citra direpresentasikan dengan dengan 24 bit, 8 bit untuk R, 8 bit untuk G

dan 8 bit untuk B. Pengaturan citra RGB dapat dilihat pada gambar 2.2.


(28)

2.4.2

Citra Grayscale

Proses awal yang banyak dilakukan dalam image processing adalah mengubah citra berwarna menjadi citra gray-scale, hal ini digunakan untuk menyederhanakan model citra. Seperti telah dijelaskan di depan, citra berwarna terdiri dari 3 layer matrik yaitu R- layer, G-layer dan B-layer. Sehingga untuk melakukan proses-proses selanjutnya tetap diperhatikan tiga layer di atas. Bila setiap proses perhitungan dilakukan menggunakan tiga layer, berarti dilakukan tiga perhitungan yang sama. Sehingga konsep itu diubah dengan mengubah 3 layer di atas menjadi 1 layer matrik grayscale dan hasilnya adalah citra

grayscale. Dalam citra ini tidak ada lagi warna, yang ada adalah derajat keabuan. [7] Salah satu cara untuk melakukan konversi gambar ke grayscale adalah dengan menggunakan sistem warna YUV, yaitu dengan mengkonversi RGB ke YUV lalu mengambil komponen Y ( iluminasi ). Hal ini dilakukan menggunakan persamaan sebagai berikut :

Gray = Y = ( 0.2989 x R ) + ( 0.5870 x G ) + ( 0.1140 x B ) (2.1) Untuk mencoba proses konversi citra berwarna menjadi citra grayscale ini dapat dibuat program seperti gambar 2.3.

(a) (b)

Gambar 2.3. (a) Citra RGB. (b) Citra Grayscale

2.4.3 Cropping

Cropping citra bertujuan untuk memotong bagian tertentu dari suatu citra yang tidak diperlukan dalam proses pengolahan citra. Penentuan titik-titik yang akan diambil dalam proses cropping menggunakan matrik_titiksudut_crop yang merepresentasikan nilai [x,y,∆x,∆y] . x : posisi kolom dari pojok kiri atas area yang mau di crop, y : posisi baris


(29)

dari pojok kiri atas area yang mau di crop, ∆x : lebar area yang mau di crop, ∆y : tinggi

area yang mau di crop. [8]. Contoh cropping dapat dilihat pada gambar 2.4.

+

(a) (b)

Gambar 2.4. (a) Citra sebelum di crop, (b) Citra hasil cropping

2.4.4 Resizing

Rezising citra adalah mengubah besarnya ukuran citra dalam piksel. Dengan cara mengurangi atau menambah jumlah piksel yang menyusun citra. Pengurangan atau penambahan dilakukan secara proporsional baik pada panjang maupun lebar citra. Contoh citra hasil Rezising dapat dilihat pada gambar 2.5.

(a) (b)

Gambar 2.5. (a) Citra Grayscale sebelum di rezising (b) Citra hasil rezising

x, ∆x


(30)

Transformasi Geometris Spasial [9]

Jika citra f didefinisikan pada sistem koordinat a(w,z), mengalami distorsi geometris yang menghasilkan citra g dengan sistem koordinat (x,y) maka transformasi dapat dinyatakan dengan (x,y) = T{(w,z)}. Contoh dalam trasnformasi spasial sebagai berikut :

Jika (x,y) =T{(w,z)} = (w/2, z/2), distrosi adalah penyusutan f dengan setengah dimensi spasial seperti ditunjukkan pada gambar 2.6.

Gambar 2.6. Transformasi Spasial

Bentuk umum yang digunakan pada transformasi spasial adalah affine transform

.Transformasi affine dapat ditulis dalam bentuk matrik

(2.2)

Transformasi ini dapat menskalakan , men-translate, atau menggunting sejumlah titik, tergantung pada pilihan nilai T. Jenis-jenis transformasi affine terdapat pada tabel 2.


(31)

2.5

Discrete Cosine Transform Dua Dimensi ( DCT 2-D)

DCT dimensi satu untuk mengolah sinyal-sinyal dimensi satu seperti bentuk gelombang suara. Sedangkan untuk citra sinyal dua dimensi, diperlukan versi dua dimensi dari DCT.. Rumus DCT 2-D adalah:

(2.3)

(2.4)

(2.5)

Keterangan :

1. � adalah titik koordinat dari matriks yang telah mengalami transformasi DCT 2 dimensi.

2. M dan N adalah banyak kolom dan baris.

3. αp dan αq adalah himpunan hasil yang nilainya ditentukan dari nilai koefisien p dan q.

4. Amn adalah nilai pixel dari matriks pada titik (m,n).

Rumus DCT 2-D diatas sering juga disebut sebagai Forward Discrete Cosine Transform (FDCT). DCT 2-D dihitung dengan menerapkan transformasi 1-D secara terpisah pada baris dan kolomnya, sehingga dapat dikatakan bahwa 2-D DCT sparable dalam dua dimensi. Seperti kasus satu-dimensi, setiap elemendari transformasi merupakan

inner product dari masukan dan basis fungsinya, dalam kasus ini, basis fungsinya adalah matriks n x m. Setiap dua dimensi basis matriks merupakan outer product dua basis vektor satu-dimensinya.

Setiap basis matriks dikarakterisasikan frekuensi spasial horizontal dan vertikal. Frekuensi horizontal meningkat dari kiri ke kanan, dan dari atas ke bawah secara vertikal. Ini menunjukkan tingkat signifikansi secara perseptual, artinya basis fungsi dengan


(32)

frekuensi rendah memiliki sumbangan lebih besar bagi perubahan penampakan citra dibandingkan basis fungsi yang memiliki frekuensi tinggi. Nilai konstanta basis fungsi terletak di bagian kiri atas sering disebut sebagai basis fungsi DC, dan DCT koefisien yang bersesuaian disebut koefisien DC (DC coefficient) [10]

(a) (b)

Gambar 2.7. (a) citra Grayscale. (b) Citra hasil proses DCT

2.6

Zig Zag Scanning

ZigZag scanning berfungsi untuk merepresentasikan Matriks 2-D dari koefisien DCT terkuantisasi dalam bentuk vektor satu dimensi. Setelah kuantisasi, sebagian besar koefisien frekuensi tinggi (pojok kanan bawah) adalah nol. Dalam memanfaatkan jumlah nol maka digunakan scan zigzag dari matriks. Zigzag scan memungkinkan semua koefisien DC dan AC dengan nilai yang terendah akan diproses terlebih dahulu. Gambar 2.8 menunjukan urutan zigzag scanning. [11]

Keterangan :

1. Lapis 1 = 1 koefisien DCT 2. Lapis 2 = 3 koefisien DCT 3. Lapis 3 = 6 koefisien DCT 4. Lapis 4 = 10 koefisien DCT 5. Lapis 5 = 15 koefisien DCT 6. Lapis 6 = 21 koefisien DCT 7. Lapis 7 = 28 koefisien DCT 8. Lapis 8 = 36 koefisien DCT

9. Lapis 9 = 45 koefisien DCT 10. Lapis 10 = 55 koefisien DCT 11. Lapis 11 = 66 koefisien DCT 12. Lapis 12 = 78 koefisien DCT 13. Lapis 13 = 91 koefisien DCT 14. Lapis 14 = 105 koefisien DCT 15. Lapis 15 = 120 koefisien DCT 16. Lapis 16 = 136 koefisien DCT


(33)

Lapis DCT

Gambar 2.8. Urutan zigzag scanning

2.7

Jarak Euclidean

Dalam konteks matematika, Euclidean distance atau adalah jarak antara dua titik yang dapat diukur dan dihasilkan oleh formula pytagoras. Euclidean vector atau sering hanya disebut dengan vector adalah obyek geometri yang memiliki panjang (magnitude) dan arah (direction).Vektor-vektor tersebut dapat ditambahkan, dikalikan dengan bilangan real dan lain-lain. Misalnya jarak antara titik P(x1,x2) dan titik O(0,0) adalah:


(34)

(2.6)

Misalnya jarak antara titik P(x1,x2) dan titik Q(y1,y2) adalah:

(2.7)

Secara umum jarak (jarak Euclidean) antara P(x1, ..., xp) dan Q(y1, ..., yp) adalah :

(2.8)

Fungsi jarak Euclidean mempunyai sifat cukup sederhana dan setiap titik dianggap Mempunyai kontribusi yang sama [12].

2 2

(OP) 1 2

d

x

x

2 2

(PQ) ( 1 1) ( 2 2)

dxyxy

 

2

2

2

1 1 2 2

, ... p p


(35)

(36)

15

BAB III

PERANCANGAN

3.1

Perancangan Sistem

Blok sistem pengenalan perangkat elektronika menggunakan webcam secara keseluruhan diperlihatkan pada gambar 3.1.

Unit Perekam Unit Pengenalan dan Penampil

Gambar 3.1. Blok sistem

Sistem pengenalan perangkat elektronika menggunakan webcam terdiri dari

software pada laptop yang berfungsi sebagai user interface dalam proses pengenalan.

Software laptop yang dibuat dalam bentuk user interface dengan GUI berperan sebagai pusat pengaturan semua proses pengenalan perangkat elektronika menggunakan webcam, seperti mencuplik gambar dan mengenali gambar yang sudah tercuplik. Pencuplikan gambar dilakukan oleh laptop melalui webcam.


(37)

3.1.2 Perangkat elektronika

Alat-alat elektronika yang digunakan sesuai dengan alat-alat elektronika yang

sering digunakan pada umumnya oleh para teknisi.dari berbagai macam alat-alat elektronika hanya dipilih 7 alat yang meliputi soldir, penyedot timah, tang kupas, tang potong, obeng trim, multimeter, dan bor listrik,yang dapat dilihat pada gambar 3.2.

(a) (b) (c) (d) (e) (f) (g)

Gambar 3.2. (a) Obeng Trim. (b) Soldir. (c) Penyedot Timah. (d) Bor Listrik. (e) (Tang Kupas). (f) Tang Potong. (g) Multimeter.

3.1.3 Webcam

Webcam yang digunakan adalah webcam dengan merk Logitech seri c 270h. dapat dilihat pada gambar 3.3. Webcam ini sudah mempunyai dudukan sendiri serta mempunyai software pendukung yang bisa zoom in dan zoom out sehingga memudahkan pengaturan dari PC. Pada proses pengambilan citra menggunakan resolusi 640 x 480 piksel.Spesifikasinya bisa dilihat pada tabel 3.1.


(38)

Tabel 3.1. Spesifikasi Webcam Logitech c 270h

High definition video (HD) HD 270p

Photo Quality 3 Megapixel

Video Quality Good

Focus Type Always Focused

Auto Light Correction Standart

3.1.4 Proses pengenalan perangkat elektronika

Proses pengenalan perangkat elektronika adalah proses di mana perangkat elektronika yang dicapture dikenali bentuknya. Proses ini terdiri preprocessing, citra terkoreksi, ekstraksi ciri Discrete Cosine Transform (DCT), fungsi jarak dan penentuan dapat dilihat pada gambar 3.3.

Gambar 3.3. Blok diagram proses pengenalan prengkat elektronika

a. Citra perangkat elektronika

Proses ini diambil menggunakan webcam, gambar yang dicapture oleh webcam akan disimpan dalam format bmp. Pengambilan gambar oleh webcam dilakukan dengan jarak ± 45 cm. Pada jarak tersebutlah dihasilkan gambar yang fokus. Fokus pada webcam

menggunakan fokus normal artinya adalah pengaturan default yang sudah terpasang pada webcam

Sebelum pengambilan citra perangkat elektronika, webcam harus dikomunikasikan dan diinisialisasi dulu di dalam program. Fungsi imaqhwinfo untuk mengetahui nama adaptor dalam webcam tersebut. Kemudian diinisialisasi sesuai nama adaptornya yaitu


(39)

„winvideo‟ dan resolusi kamera yang digunakan yaitu 640 x 480, setelah komunikasi dan inisialisai webcam berhasil, Kemudian perintah untuk mengambil gambar menggunakan „getsnapshot‟.Berikut contoh program inisialisasi webcam :

imaqhwinfo;

vid=videoinput('winvideo');

vid=videoinput('winvideo',1,'RGB24_640x480'); gmbr= getsnapshot(vid);

b. Preprocessing

Proses preprocessing terdiri dari grayscale, cropping dan resizing.Proses ini juga bertujuan untuk mempersiapkan citra yang akan diekstraksi ciri agar dapat dilanjutkan ke proses selanjutnya

Proses grayscale dilakukan agar citra perangkat elektronika yang telah diambil menjadi keabuan. Hal ini dilakukan agar dapat mempermudah pengolahan citra dalam proses ekstraksi ciri. Berikut contoh program grayscale :

i=imread('Tang.jpg'); g=rgb2gray(x);

Proses cropping dilakukan untuk memotong bagian citra yang tidak diperlukan dalam pengenalan citra, seperti background template dan dari hasil beberapa percobaan maka didapatkan nilai koordinat yang sesuai untuk melakukan cropping Berikut contoh program cropping :

i=imread('Tang.jpg');

c=imcrop(i,[225 39 230 454]);

Proses resizing dilakukan agar citra yang akan diekstrak dari webcam dengan resolusi 640x480 piksel mempunyai ukuran piksel yang sama dengan aturan ekstraksi ciri

Discrete Cosine Transform (DCT), yaitu 512 x 256 piksel . Berikut contoh program

resizing :

i=imread('Tang.jpg'); s=imresize(i,[512 256]);


(40)

c. Ekstraksi Ciri

Ekstraksi ciri yang digunakan yaitu Discrete Cosine Transform Two Dimesion

(DCT 2-D) yang bertujuan untuk membagi citra ke dalam blok-blok kecil dengan ukuran tetap yang kemudian dikonversikan dari domain spasial ke domain DCT. Dengan cara melakukan evaluasi dari variasi jumlah koefisien DCT dari 36, 55, 78, 105, 136, dan 171. Nilai-nilai koefisien DCT tersebut didapatkan dari zigzag scanning dengan matrik 16x16.

d. Fungsi jarak

Proses ini membandingkan perangkat elektronika yang dicapture dengan database. Hasil dari perbandingan adalah jarak minimum yang kemudian akan digunakan dalam proses selanjutnya. Dalam sistem ini yang digunakan adalah fungsi jarak Euclidean.

f. Penentuan Keluaran

Proses penentuan keluaran adalah subproses terakhir dari proses pengenalan perangkat elektronika. Pada proses ini hasil pengenalan pengenalan perangkat elektronika ditentukan berdasarkan jarak minimum yang diperoleh setelah proses penghitungan oleh fungsi jarak.

3.2

Perancangan Database Citra Perangkat elektronika

Sebagai penentuan pengenalan perangkat elektronika,dibutuhkan citra acuan yang disebut database. Database hendaknya memiliki ciri yang sudah diketahui oleh sistem. Untuk memperoleh database pada setiap perangkat elektronika yang akan dikenali pada sistem pengenalan perangkat elektronika, penulis mengambil 7 jenis perangkat elektronika (soldir, penyedot timah, tang kupas, tang potong, obeng trim, multimeter, dan bor listrik ). Proses pembuatan database perangkat elektronika harus melalui proses dari input citra perangkat elektronika, preprocessing dan ekstraksi ciri Discrete Cosine Transform two dimension (DCT-2D),dapat dilihat pada Gambar 3.4


(41)

Gambar 3.4. Blok diagram Perancangan Database Citra Perangkat elektronika

Proses pengambilan citra perangkat elektronika terdiri dari 7 peralatan elektronika yaitu soldir, penyedot timah, tang kupas, tang potong, obeng trim, multimeter, dan bor listrik . Kemudian citra perangkat elektronika akan di proses melalui preprocessing yang terdiri dari grayscale, cropping, resizing, setelah citra perangkat elektronika diproses melalui preprocessing, selanjutnya citra perangkat elektronika hasil preprocessing masuk ke dalam proses ekstraksi ciri DCT-2D untuk diambil data matriknya, kemudian data matrik tersebut disimpan dalam format .mat yang digunakan sebagai database.

3.3 Gambar Uji

Gambar

uji diambil setelah user menekan tombol “Capture”. Hasil capture atau sampel diambil dengan posisi perangkat elektronika yang sudah diatur secara fix dan cahaya yang tingkat intensitasnya sesuai dengan ruangan laboratorium. Proses yang berlangsung meliputi input citra perangkat elektronika, preprocessing dan Discrete Cosine Transform (DCT). Hasil proses tersebut disimpan dan kemudian diproses kembali untuk mendapatkan hasil pengenalan perangkat elektronika.

3.4 Perancangan tampilan GUI Matlab

Tampilan utama program pada GUI Matlab yang digunakan dalam penelitian ini

diperlihatkan pada Gambar 3.5


(42)

Gambar 3.5. Tampilan utama program pengenalan perangkat elektronika

Tampilan ini dibuat agar user dapat dengan mudah mengoperasikan program ini serta mengerti hasil dari sistem pengenalan perangkat elektronika. Beberapa keterangan dari tampilan program dijelaskan pada tabel 3.2.


(43)

Tabel 3.2. Keterangan Tampilan Utama Program

Nama Bagian Deskripsi

Tombol ON Tombol ini digunakan untuk memulai perekaman citra dari

webcam

Tombol Capture Tombol ini digunakan untuk mengambil citra perangkat elektronika hasil rekaman webcam

Tombol Proses Tombol ini digunakan untuk melakukan proses cropping

dan resizing citra perangkat elektronika..

Tombol Ekstraksi Ciri Tombol ini digunakan untuk melakukan proses ekstraksi ciri pada citra perangkat elektronika.

Tombol Pengenalan Tombol ini digunakan untuk memulai pengenalan citra perangkat elektronika

Tombol Selesai Tombol ini digunakan untuk keluar dari sistem

Camera Untuk menampilkan plot rekaman dan plot hasil

pengambilan citra perangkat elektronika pada webcam

Satic Text1 dan Static Text2

Untuk menampilkan tulisan hasil dari cropping dan

resizing citra perangkat elektronika

Satic Text3 Untuk menampilkan tulisan hasil ekstraksi ciri citra perangkat elektronika

Static Text4 Untuk menampilkan hasil pengenalan citra

Preprocessing Untuk menampilkan plot hasil cropping dan resizing citra perangkat elektronika


(44)

Start

Pemrosesan citra (Preprocessing)

Ektraksi Ciri (DCT 2-D)

Database :

Matrik citra

database

Stop Masukan : Perangkat elektronika Perekaman dan pengambilan citra

perangkat elektronika

3.5 Perancangan Diagram Alir

Gambar 3.6. Diagram Alir Pembuatan

Database

Proses pembuatan database perangkat elektronika harus melalui proses dari input citra perangkat elektronika, preprocessing yang terdiri dari grayscale, cropping, resizing, setelah citra perangkat elektronika diproses melalui preprocessing, selanjutnya citra perangkat elektronika hasil preprocessing masuk ke dalam proses ekstraksi ciri Discrete Cosine Transform two dimension (DCT-2D) untuk diambil data matriknya,dapat dilihat pada Gambar 3.6


(45)

Start Masukan : Perangkat elektronika Perekaman dan pengambilan citra

perangkat elektronika

Pemrosesan citra (Preprocessing)

Ektraksi Ciri (DCT 2-D) Fungsi jarak

Euclidean

Penentuan keluaran Keluaran :

Teks Stop


(46)

Program pengenalan perangkat elektronika secara real time akan dieksekusi saat

user menjalakan program ini. Setelah tampilan utama terlihat, proses pengenalan sudah dapat dilakukan. User pertama kali menekan tombol “Camera ON” maka program akan

mulai melakukan proses perekaman dari webcam. Jika citra perangkat elektronika sudah terekam, proses pengenalan perangkat elektronika dapat dilakukan dengan menekan tombol „Proses”, “Ekstraksi Ciri”, “Pengenala”. Proses pengenalan akan berhenti apabila

user menekan tombol “Selesai”. Alur keseluruhan pengenalan perangkat elektronika secara real time diperlihatkan pada gambar 3.7 .

Alur program keseluruhan meliputi perekaman dan pengambilan citra perangkat elektronika dengan menggunakan webcam, setelah melakukan proses pengambilan citra (capture) kemudian citra diproses melalui pemrosesan citra (preprocessing) setelah itu kemudian diekstraksi ciri menggunakan ekstraksi ciri Discrete Cosine Transform (DCT). Kemudian citra uji tersebut dibandingkan dengan citra database menggunakan fungsi jarak Euclidean. Setelah dibandingkan dengan menggunakan fungsi jarak Euclidean maka akan didapat hasil yang mendekati dan hasil yang mendekati tersebut kemudian ditampilkan dalam text box. Setelah hasil pengenalan diperoleh maka user dapat menekan tombol “Selesai”.

Alur program perekaman dan pengambilan citra perangkat elektronika dapat dilihat pada Gambar 3.8. Pada saat user menekan tombol camera on maka webcam akan berstatus

on / terkoneksi dengan program. Setelah camera on maka perangkat elektronika disiapkan pada tempat yang telah disediakan untuk proses pengambilan citra. Kemudian untuk mengambil citra perangkat elektronika maka user dapat menekan tombol capture.

Setelah user melakukan proses pengambilan citra (capture), kemudian citra perangkat elektronika tersebut memasuki tahap pemrosesan citra (preprocessing).

Preprocessing yang dilakukan meliputi proses cropping dan resizing dengan ukuran piksel 512x256. Alur program pemrosesan citra dapat dilihat pada gambar 3.9a.

Setelah proses pemrosesan citra (preprocessing) selesai, maka proses yang dilakukan sselanjutnya adalah proses ekstraksi ciri Discrete Cosine Transform two dimesion (DCT 2-D) yang mengacu pada persamaan (2.3) dengan tujuan untuk membagi citra dengan piksel 512x256 ke dalam blok-blok kecil dengan ukuran tetap yang kemudian dikonveriskan dari domain spasial ke domain DCT dan membentuk lapisan DCT. Untuk mengetahui nilai dari lapisan DCT tersebut, maka proses yang dilakukan adalah zigzag scan dengan melakukan evaluasi dari tiap lapisan DCT dengan nilai koefisien 36, 55, 78,


(47)

Start

Stop Masukan : Perangkat elektronika

Keluaran : Citra perangkat

elektronika

Perekaman: Camera ON

Pengambilan citra :

Capture

105, 136, 171. Hasil dari nilai koefisen yang terbaik adalah nilai ekstraksi ciri yang diperloeh. Alur program ekstraksi ciri dapat dilihat pada gambar 3.9b.

Gambar 3.8. Diagram Alir Perekaman dan Pengambilan Citra

Selanjutnya nilai ekstraksi ciri yang diperoleh dari data citra masukkan kemudian dibandingkan dengan nilai ekstraksi ciri pada database dengan menggunakan fungsi jarak

Euclidean yang mengacu pada persamaan (2.8). Jarak Euclidean sendiri adalah mencari selisih dari data yang akan dibandingkan dengan data dari database dengan mencari nilai yang paling minimum. Database tersebut terdiri dari 7 citra perangkat elektronika. Alur program fungsi jarak euclidean dapat dilihat pada gambar 3.10a.

Setelah memperoleh nilai jarak minimun antara nilai ekstraksi ciri citra input dengan nilai ekstraksi ciri pada database. Kemudian hasil dari nilai jarak minimum tersebut akan ditampilkan berupa teks (Tang_Kupas, Tang_Potong, Penyedot_Timah, Obeng_Trim, Soldir, Multimeter, dan Bor_Listrik). Alur program penentuan hasil pengenalan dapat dilihat pada gambar 3.10b.


(48)

Start

Stop Masukan :

Citra Perangkat elektronika

Keluaran : Citra hasil preprocessing

Grayscaling

Cropping

Rezising

Start

Stop

Masukan : Citra preprocessing

Keluaran : Matrik citra

terekstraksi DCT 2-D

Zigzag scan Hitung nilai absolute DCT 2-D

(a) (b)


(49)

Start

Hitung Jarak :

r = sqrt (matrik citra terekstraksi – matrik citra database)^2

Keluaran :

Matrik hasil perhitungan jarak

( r1……..r7)

Stop Masukan : Matrik citra terekstraksi

Matrik citra database

Start Masukan :

Matrik hasil perhitungan jarak (r1…….r7)

Citra keluaran = Jarak minimum (r1…….r7)

Keluaran : Teks Stop

Penginisialisaikan r1……...r7 dengan nama :

Tang Kupas, Tang Potong,Penyedot Timah, Obeng trim, Soldir Listrik, Bor Listrik, Multimeter

(a)

(b) Gambar 3.10. (a) Diagram AlirFungsi Jarak


(50)

(51)

29

BAB IV

HASIL DAN PEMBAHASAN

Dalam bab ini dibahas mengenai hasil uji coba sistem yang telah dirancang dan dibuat. Uji coba dilakukan untuk mengetahui apakah sistem dapat bekerja dengan sesuai dengan perancangan. Hasil pengujian berupa data-data yang dapat memperlihatkan bahwa sistem yang telah dirancang dapat bekerja dengan baik.

4.1

Pengujian Program dan Tampilan Program Pengenalan Perangkat

Elektronika Secara Real Time

Pengujian program dan tampilan program bertujuan untuk memastikan apakah program yang sudah dibuat dapat bekerja sesuai dengan yang telah dirancang pada bab sebelumnya. Pengujian program dan tampilan program menggunakan perangkat keras dan perangkat lunak sebagai berikut :

a. Processor Intel® Atom™ CPU N550 @1.5GHz b. RAM 1GB

c. Monitor 10.1” d. Keyboard e. Mouse f. Window 7 g. Matlab 7.0.4

Program pengenalan dapat dijalankan dengan langkah-langkah di bawah ini :

1. Klik dua kali gambar icon matlab dengan gambar icon pada gambar 4.1

Gambar 4.1. Icon Matlab 7.0.4

2. Setelah icon matlab di klik akan muncul tampilan awal seperti pada gambar 4.2 sebelum masuk ke tampilan utama program.


(52)

Gambar 4.2. Tampilan awal Matlab

3. Kemudian Current Directory di ganti sesuai dengan directory dimana program disimpan, setelah itu ketik guide camera2 pada Command Window maka akan muncul tampilan utama program seperti gambar 4.3 lalu klik run untuk untuk menjalankan program.

Gambar 4.3. Tampilan program pengenalan

4. Setelah tombol run di klik, User dapat memulai pengenalan dengan menekan tombol “ON” untuk menampilkan video webcam, apabila video sudah muncul maka user dapat menekan tombol “Capture” untuk mencuplik gambar dari video


(53)

yang akan digunakan untuk proses selanjutnya, tampilan gambar terlihat seperti pada gambar 4.4 dan gambar 4.5.

Gambar 4.4. Tampilan setelah tombol “ON” ditekan

Gambar 4.5. Tampilan setelah tombol “Capture” ditekan

5. Selanjutnya user dapat menekan tombol “Proses” untuk mengetahui hasil preprocessing yaitu hasil dari cropping dengan cara mencari titik-titik [x,y,∆x,∆y]


(54)

citra perangkat elektronika yang akan di crop. Dan hasil resizing dari citra perangkat elektronika yang sudah di capture yang terlihat pada gambar 4.6.

Gambar 4.6. Tampilan setelah tombol “Proses” ditekan

6. Kemudian user menekan tombol “Ektraksi Ciri” untuk proses selanjutnya dan

mengetahui hasil ektraksi ciri dalam kotak plot ektraksi ciri yang seperti pada gambar 4.7

Gambar 4.7. Tampilan setelah tombol “Ekstraksi ciri” ditekan

7. Selanjutnya untuk langkah terakhir dalam proses pengenalan perangkat elektronika secara real time dan mengetahui hasil dari perangkat elektronika yang telah melalui tahap capturing, preprocessing dan ekstraksi ciri, maka user dapat


(55)

menekan tombol “Pengenalan” dan hasilnya akan muncul dalam bentuk teks yang terlihat pada gambar 4.8, dan user dapat menekan tombol “Selesai” jika ingin

keluar dari program.

Gambar 4.8. Tampilan setelah tombol “Pengenalan” ditekan

Dari hasil pengujian program dan tampilan program pengenalan perangkat elektronika secara real time, tampilan program mengalami sedikit perubahan pada tata letak plot hasil cropping, resizing dan ekstraksi ciri serta ditambah panel box agar terlihat rapi dan elegan. Dan hasil pengujian program dan tampilan program yang sudah dilakukan dapat disimpulkan bahwa sistem dapat bekerja dengan baik dan sesuai dengan perancangan sehingga untuk selanjutnya dapat digunakan untuk mencari dan menentukan nilai parameter yang terbaik untuk digunakan dalam proses pengenalan perangkat elektronika secara real time. Listing program utama keseluruhan terlampir pada lampiran L11.

4.2

Penentuan Nilai Parameter

Penentuan nilai parameter dilakukan setelah pengujian program dan tampilan program sudah bekerja dengan baik. Untuk menentukan nilai parameter yang akan digunakan dilakukan dengan melakukan percobaan jumlah variasi koefisien DCT sesuai dengan perancangan yaitu 36, 55, 78, 105, 136, dan 171. Dari tiap-tiap koefisien DCT tersebut dilakukan percobaan sebanyak 5 kali untuk masing-masing perangkat elektronika, dan nilai parameter yang digunakan yaitu koefisien DCT yang mempunyai tingkat


(56)

0

5

10

15

20

25

30

35

40

0

20

40

60

80

100

120

kofisien DCT

n

il

a

i

D

C

T

pengenalan perangkat elektronika sebesar 100%, data hasil percobaan dapat dilihat pada tabel percobaan dalam lampiran L9.

Berdasarkan data hasil percobaan (Tabel hasil percobaan pada lampiran L9) dapat dilihat bagaimana pengaruh jumlah koefisien DCT terhadap tingkat pengenalan perangkat elektronika, yaitu semakin besar nilai koefisien DCT yang digunakan dalam melakukan pengenalan perangkat elektronika, semakin baik pula tingkat pengenalannya. Penyebab hal ini diperlihatkan pada gambar 4.9. Untuk nilai koefisien DCT yang semakin besar, akan menyebabkan makin banyaknya koefisien DCT yang digunakan untuk membedakan antara citra perangkat elektronika yang satu dengan citra perangkat elektronika yang lainnya. Ini berarti, akan makin mudah dibedakan antara citra perangkat elektronika yang satu dengan citra perangkat elektronika yang lainnya. Kejadian inilah yang menyebabkan makin naiknya tingkat pengenalan.

Koefisien DCT 36


(57)

0 10 20 30 40 50 60 0 20 40 60 80 100 120 kofisien DCT n il a i D C T

0 10 20 30 40 50 60 70 80

0 20 40 60 80 100 120 kofisien DCT n il a i D C T

Koefisien DCT 55

Gambar 4.10. Pengaruh Koefisien DCT 55 terhadap Hasil pengenalan

Koefisien DCT 78


(58)

0 20 40 60 80 100 120 0 20 40 60 80 100 120 kofisien DCT n il a i D C T

0 20 40 60 80 100 120 140

0 20 40 60 80 100 120 kofisien DCT n il a i D C T

Koefisien DCT 105

Gambar 4.12. Pengaruh Koefisien DCT 105 terhadap Hasil pengenalan

Koefisien DCT 136


(59)

0 20 40 60 80 100 120 140 160 180 0

20 40 60 80 100 120

kofisien DCT

n

il

a

i

D

C

T

Koefisien DCT 171

Gambar 4.14. Pengaruh Koefisien DCT 171 terhadap Hasil pengenalan

Berdasarkan gambar di atas, yang membedakan citra perangkat elektronika yang satu dengan citra perangkat elektronika yang lainnya juga bisa dengan mencari nilai jarak

euclidean antara citra perangkat elektronika yang satu dengan citra perangkat elektronika yang lainnya, di mana semakin besar nilai jarak euclidean semakin besar pula tingkat diskriminasinya, sehingga semakin tidak mirip dan makin mudah dalam membedakan citra perangkat elektronika yang satu dengan citra perangkat elektronika yang lainnya. Dari gambar 4.9 sampai gambar 4.14 untuk mendapatkan nilai jarak euclidean bisa dicari dengan cara data matrik hasil ekstraksi ciri penyedot timah dikurangi dengan data matrik hasil ekstraksi soldir listrik, selanjutnya hasil pengurangan tersebut dikuadratkan agar data matrik yang bernilai negatif menjadi positif, kemudian hasil dari kuadrat tersebut dijumlahkan dan hasil penjumlahan tersebut kemudian diakar kan sehingga dari akar tersebut adalah nilai jarak euclidean dari citra penyedot timah dengan soldir listirk. Dengan menggunakan cara diatas maka nilai jarak euclidean yang didapat dari gambar 4.9 sampai gambar 4.14 untuk jumlah koefisien DCT 36 = 65.8461, jumlah koefisien DCT 55 = 69.0937, jumlah koefisien DCT 78 = 73.3728, jumlah koefisien DCT 105 = 76.1427, jumlah koefisien DCT 136 = 79.8250, jumlah koefisien DCT 171 = 82.1135. Sehingga


(60)

dapat disimpulkan semakin besar nilai jarak euclidean antara citra perangkat elektronika satu dengan citra perangkat elektronika lainnya, semakin besar juga koefisien DCT yang digunakan, sehingga makin mudah membedakan citra perangkat elektronika satu dengan citra perangkat elektronika lainnya.

Dari data hasil percobaan (Tabel hasil percobaan pada lampiran L9) dapat dicari pula persen pengenalan melalui perhitungan dari percobaan masing–masing koefisien DCT pada tabel data hasil percobaan (lampiran L9) dan grafik dari pengaruh koefisien DCT terhadap tingkat pengenalan. Untuk mendapatkan tingkat persen pengenalan dari percobaan tersebut digunakan rumus :

Tingkat pengenalan = �

� � � 100% (4.1)

Ket : = jumlah perangkat elektronika yang dikenali dan benar.

Perhitungan tingkat pengenalan dari :

a. koefisien DCT 36

Tingkat pengenalan = �

� � � 100%

= 5

35 100%

= 14,28% b. koefisien DCT 55

Tingkat pengenalan = �

� � � 100%

= 15

35 100%

= 42,85% c. koefisien DCT 78

Tingkat pengenalan = �

� � � 100%

= 22

35 100%

= 62,85% d. koefisien DCT 105

Tingkat pengenalan = �

� � � 100%

= 2435 100%


(61)

e. koefisien DCT 136

Tingkat pengenalan = �

� � � 100%

= 33

35 100%

= 94,28% f. koefisien DCT 171

Tingkat pengenalan = �

� � � 100%

= 35

35 100%

= 100%

Dari perhitungan diatas maka dapat dibuat tabel 4.1 dan grafik pengaruh koefisien DCT terhadap tingkat pengenalan perangkat elektronika seperti terlihat pada gambar 4.9.

Tabel 4.1. Pengaruh Koefisien DCT terhadap tingkat pengenalan

Koefisien DCT Tingkat pengenalan (%)

36 14,28

55 42,85

78 62,85

105 68,57

136 94,28

171 100


(62)

Sehingga dari hasil perhitungan dan gambar 4.9 dapat disimpulkan dan ditentukan nilai parameter yang terbaik untuk digunakan dalam melakukan proses pengenalan perangkat elektronika secara real time, dan nilai koefisien DCT yang digunakan yaitu koefisien DCT 171 karena mampu mengenali perangkat elektronika dengan tingkat pengenalan sebesar 100%.

4.3

Pengujian Nilai Parameter

Pengujian nilai parameter dilakukan setelah nilai parameter sudah ditentukan dan nilai parameter koefisien DCT yang digunakan dalam pengujian adalah koefisien DCT 171 yang sesuai dari hasil penentuan nilai parameter. Pengujian ini bertujuan untuk mengetahui apakah nilai parameter yang ditentukan dapat bekerja dengan baik dalam pengenalan perangkat elektronika secara real time, pengujian parameter dilakukan secara real time dan melakukan pengujian parameter sebanyak 5 kali untuk tiap perangkat elektronika seperti pada waktu mencari dan menentukan nilai parameter, data pengujian parameter dapat dilihat pada tabel pengujian parameter (Tabel hasil percobaan pada lampiran L10).

Dari tabel pengujian (Tabel hasil percobaan pada lampiran L10) dapat diliat bahwa nilai parameter yang sudah ditentukan mampu melakukan pengenalan semua perangkat elektronika dengan benar dengan tingkat pengenalan 100% pada waktu pengujian nilai parameter, sehingga dapat disimpulkan bahwa koefisien DCT 171 baik digunakan dalam melakukan pengenalan perangkat elektronika secara real time.

4.4

Keterbatasan Metodologi

Di dalam membuat tugas akhir pengenalan perangkat elektronika secara real time

terdapat keterbatasan metodologi diantaranya adalah :

1. Intensitas cahaya ketika pada proses pengenalan perangkat elektronika secara

real time yang kurang lebih sama pada waktu pembuatan database yaitu ruang Laboratorium Teknik Tenaga Listrik. Karena apabila cahaya lebih terang atau lebih redup maka akan mempengaruhi citra perangkat elektronika hasil dari proses grayscaling yang digunakan untuk proses pengenalan.

2. Jarak webcam dengan perangkat elektronika dan posisi perangkat elektronika harus fix yaitu dengan jarak 50cm, karena apabila tidak fix maka akan mempengaruhi dalam proses cropping.


(63)

3. Proses cropping tidak bisa dilakukan secara otomatis karena keterbatasan metodologi, sehingga proses cropping dilakukan secara manual dengan cara mencari koordinat titik (x, y, ∆x, dan ∆y) dari citra perangkat elektronika yang akan di crop, dimana x : posisi kolom dari pojok kiri atas area yang mau di

crop, y : posisi baris dari pojok kiri atas area yang mau di crop, ∆x : lebar area

yang mau di crop, ∆y : tinggi area yang mau di crop untuk melakukan proses cropping. Sehingga apabila cropping tidak sesuai pada waktu pembuatan


(64)

(65)

42

BAB V

KESIMPULAN DAN SARAN

5.1

Kesimpulan

Dari hasil percobaan dan pengujian sistem pengenalan perangkat elektronika secara

real time dapat disimpulkan bahwa:

1. Implementasi dari sistem pengenalan perangkat elektronika secara real time sudah dapat bekerja sesuai dengan perancangan.

2. Nilai koefisien DCT mempengaruhi tingkat pengenalan. Umumnya untuk nilai koefisien DCT makin besar akan makin menaikkan tingkat pengenalan karena untuk koefisien DCT yang semakin besar, akan menyebabkan makin banyaknya koefisien DCT yang digunakan untuk membedakan antara citra perangkat elektronika yang satu dengan citra perangkat elektronika yang lainnya.

3. Pada penentuan nilai parameter didapatkan nilai parameter pada jumlah koefisien DCT 171 yang mempunyai tingkat pengenalan terbaik yaitu 100%.

4. Semakin besar nilai jarak euclidean antara citra perangkat elektronika satu dengan citra perangkat elektronika lainnya, semakin besar juga koefisien DCT yang digunakan, sehingga makin mudah membedakan citra perangkat elektronika satu dengan citra perangkat elektronika lainnya.

5.2

Saran

Saran yang hendak disampaikan terkait dengan tugas akhir ini adalah:

1. Menggunakan ekstraksi ciri yang lain yang dapat memberikan jumlah koefisien ekstraksi ciri yang lebih kecil.

2. Pengembangan sistem perangkat elektronika yang dapat mengenali serta mengambil objek yang dikenali.


(66)

(67)

43

DAFTAR PUSTAKA

[1] Khrisna, Dika Adi. 2008. Identifikasi Objek Berdasarkan Bentuk dan Ukuran. Universitas Diponegoro.

[2] Amrullah, Roslyn Yuniar. 2010. Pengenalan Benda di Jalan Raya dengan Metode Kalman Filter. Politeknik Elektronika Negeri Surabaya.

[3] http://shaleholic.com/pengertian-webcam-dan-jenisnya/, diakses 20 Juni 2013

[4] Prasetyo, Eko., 2011, Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab, Andi Offset, Yogyakarta.

[5] http://thesis.binus.ac.id/Doc/Bab2/ , diakses 1 Maret 2013

[6] Erwi, Juwita. 2010. Pembuatan Perangkat Lunak Menggunakan Paradigma Perangkat Lunak Secara Waterfall. UNIKOM.

[7] Alfatah, Hanif. 2007. Konversi Format Citra RGB ke Graysacle Menggunakan Visual Basic. STMIK AMIKOM, Yogyakarta.

[8] Matlab. 2012. Cara Crop Gambar. http://matlab-cara-crop-gambar.html. Diakses 15 Juli 2013

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

[10] Shofiyah, 2010. Studi Perbandingan Kompresi Menggunakan Metode Discrete Consine Transform (DCT) dan Discrete Wavelet Transform (DWT) Pada Citra Digital. Universitas Negeri Islam Mualana Malik Ibrahim, Malang.

[11] Pramitarini, Yushintia. 2011. Analisa Pengiriman Citra Terkompresi JPEG dengan Teknik Spread Spektrum dengan Direct Sequence (DS-SS). Institut Teknologi Sepuluh November, Surabaya.

[12] Kurniawan, Harry. 2008. Perancangan Program Pengenalan Wajah Menggunakan Fungsi Jarak Metode Euclidean pada Matlab. Universitas Islam Indonesia, Yogyakarta.


(68)

(69)

44

LAMPIRAN


(70)

L1

PERCOBAAN

MENCARI HASIL RESIZING TERBAIK

DARI CITRA PERANGKAT ELEKTRONIKA

DENGAN MATLAB V.7

Listing program

a=imread('Bor Listrik.bmp');

b=imresize(a,[32 16]);%citra di resizing menjadi 32x16

imshow(b)

Hasil Resizing Tang Kupas


(71)

L2 Hasil Resizing Tang Potong


(72)

L3 Hasil Resizing Penyedot Timah


(73)

L4 Hasil Resizing Obeng trim

32x16 64x32 128x64 256x128 512x256


(74)

L5

Hasil Resizing Soldir Listrik


(75)

L6 Hasil Resizing Multimeter


(76)

L7 Hasil Resizing Bor Listrik

32x16 64x32 128x64 256x128 512x256

Berdasarkan hasil resizing dari masing-masing perangkat elektronika yang terlihat pada lampiran L1, L2, L3, L4, L5, L6, L7, resizing yang dipergunakan dalam pengenalan perangkat elektronika secara real time dalam tugas akhir ini adalah 512x256 karena semakin besar resizing maka semakin banyak pula data matrik yang diperoleh dari masing-masing citra perangkat elektronika.


(77)

L8

Listing Program Database

function dtbexciri

%citra masukan

z1=[];

Kar=imread('K3.bmp'); y=eciri(Kar,36); z1=[z1 y]; Kar=imread('P3.bmp'); y=eciri(Kar,36); z1=[z1 y]; Kar=imread('T3.bmp'); y=eciri(Kar,36); z1=[z1 y]; Kar=imread('O3.bmp'); y=eciri(Kar,36); z1=[z1 y]; Kar=imread('S3.bmp'); y=eciri(Kar,36); z1=[z1 y]; Kar=imread('M3.bmp'); y=eciri(Kar,36); z1=[z1 y]; Kar=imread('B3.bmp'); y=eciri(Kar,36); z1=[z1 y]; z=z1

save xdciri51236 z

z2=[];

Kar=imread('K3.bmp'); y=eciri(Kar,55); z2=[z2 y]; Kar=imread('P3.bmp'); y=eciri(Kar,55); z2=[z2 y]; Kar=imread('T3.bmp'); y=eciri(Kar,55); z2=[z2 y]; Kar=imread('O3.bmp'); y=eciri(Kar,55); z2=[z2 y]; Kar=imread('S3.bmp'); y=eciri(Kar,55); z2=[z2 y]; Kar=imread('M3.bmp'); y=eciri(Kar,55); z2=[z2 y]; Kar=imread('B3.bmp'); y=eciri(Kar,55); z2=[z2 y]; z=z2

save xdciri51255 z

z3=[];

Kar=imread('K3.bmp'); y=eciri(Kar,78); z3=[z3 y]; Kar=imread('P3.bmp'); y=eciri(Kar,78); z3=[z3 y]; Kar=imread('T3.bmp'); y=eciri(Kar,78); z3=[z3 y]; Kar=imread('O3.bmp'); y=eciri(Kar,78); z3=[z3 y]; Kar=imread('S3.bmp'); y=eciri(Kar,78); z3=[z3 y]; Kar=imread('M3.bmp'); y=eciri(Kar,78); z3=[z3 y]; Kar=imread('B3.bmp'); y=eciri(Kar,78); z3=[z3 y]; z=z3

save xdciri51278 z

z4=[];

Kar=imread('K3.bmp'); y=eciri(Kar,105); z4=[z4 y]; Kar=imread('P3.bmp'); y=eciri(Kar,105); z4=[z4 y]; Kar=imread('T3.bmp'); y=eciri(Kar,105); z4=[z4 y]; Kar=imread('O3.bmp'); y=eciri(Kar,105); z4=[z4 y]; Kar=imread('S3.bmp'); y=eciri(Kar,105); z4=[z4 y]; Kar=imread('M3.bmp'); y=eciri(Kar,105); z4=[z4 y]; Kar=imread('B3.bmp'); y=eciri(Kar,105); z4=[z4 y]; z=z4

save xdciri512105 z

z5=[];

Kar=imread('K3.bmp'); y=eciri(Kar,136); z5=[z5 y]; Kar=imread('P3.bmp'); y=eciri(Kar,136); z5=[z5 y]; Kar=imread('T3.bmp'); y=eciri(Kar,136); z5=[z5 y]; Kar=imread('O3.bmp'); y=eciri(Kar,136); z5=[z5 y]; Kar=imread('S3.bmp'); y=eciri(Kar,136); z5=[z5 y]; Kar=imread('M3.bmp'); y=eciri(Kar,136); z5=[z5 y]; Kar=imread('B3.bmp'); y=eciri(Kar,136); z5=[z5 y]; z=z5


(1)

d.

Koefisien DCT 105

No

Perangkat Elektronika

Percobaan ke

1 2 3 4 5

1

Tang Kupas

V V V V V

2

Tang Potong

V V V V V

3

Penyedot Timah

X X X V X

4

Obeng Trim

X X X X X

5

Soldir

V X X V V

6

Multimeter

V V V V V

7

Bor Listrik

V V V V V

e.

Koefisien DCT 136

No

Perangkat Elektronika

Percobaan ke

1 2 3 4 5

1

Tang Kupas

V V V V V

2

Tang Potong

V V V V V

3

Penyedot Timah

V V V V V

4

Obeng Trim

V V V V V

5

Soldir

V V V V V

6

Multimeter

V V V V V

7

Bor Listrik

V V X X V

f.

Koefisien DCT 171

No

Perangkat Elektronika

Percobaan ke

1 2 3 4 5

1

Tang Kupas

V V V V V

2

Tang Potong

V V V V V

3

Penyedot Timah

V V V V V

4

Obeng Trim

V V V V V

5

Soldir

V V V V V

6

Multimeter

V V V V V

7

Bor Listrik

V V V V V

Keterangan :

X = Perangkat elektronika dikenali tetapi salah.

V = Perangkat elektronika dikenali dan benar.


(2)

L10

Tabel Data hasil pengujian nilai parameter

Koefisien DCT 171

No

Perangkat Elektronika

Percobaan ke

1 2 3 4 5

1

Tang Kupas

V V V V V

2

Tang Potong

V V V V V

3

Penyedot Timah

V V V V V

4

Obeng Trim

V V V V V

5

Soldir

V V V V V

6

Multimeter

V V V V V

7

Bor Listrik

V V V V V

Keterangan :

X = Perangkat elektronika dikenali tetapi salah.

V = Perangkat elektronika dikenali dan benar.


(3)

L11

LAMPIRAN

LISTING PROGRAM UTAMA

function varargout = camera2(varargin) % CAMERA2 M-file for camera2.fig

% CAMERA2, by itself, creates a new CAMERA2 or raises the existing % singleton*.

%

% H = CAMERA2 returns the handle to a new CAMERA2 or the handle to % the existing singleton*.

%

% CAMERA2('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in CAMERA2.M with the given input

arguments. %

% CAMERA2('Property','Value',...) creates a new CAMERA2 or raises the

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

% applied to the GUI before camera2_OpeningFunction gets called. An % unrecognized property name or invalid value makes property

application

% stop. All inputs are passed to camera2_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 camera2 % Last Modified by GUIDE v2.5 11-Dec-2013 12:58:59

% Begin initialization code - DO NOT EDIT gui_Singleton = 1;

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

'gui_Singleton', gui_Singleton, ...

'gui_OpeningFcn', @camera2_OpeningFcn, ...

'gui_OutputFcn', @camera2_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


(4)

% --- Executes just before camera2 is made visible.

function camera2_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 camera2 (see VARARGIN) % Choose default command line output for camera2

handles.output = hObject;

% Update handles structure guidata(hObject, handles);

% UIWAIT makes camera2 wait for user response (see UIRESUME) % uiwait(handles.figure1);

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

function varargout = camera2_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;

%=======================TOMBOL ON================================= % --- 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) imaqhwinfo;

info = imaqhwinfo('winvideo');

dev_info = imaqhwinfo('winvideo',1);

vid=videoinput('winvideo',1,'RGB24_640X480'); vidRes = get(vid, 'VideoResolution');

imWidth = 640 ; imHeight = 480;

nBands = get(vid, 'NumberOfBands');

hImage = image(zeros(imHeight, imWidth, nBands), 'parent',handles.axes1); preview(vid, hImage);

%================================================================= %=======================TOMBOL CAPTURE============================ % --- Executes on button press in pushbutton2.

function pushbutton2_Callback(hObject, eventdata, handles) % hObject handle to pushbutton2 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) imaqhwinfo;

info = imaqhwinfo('winvideo');

dev_info = imaqhwinfo('winvideo',1);

vid=videoinput('winvideo',1,'RGB24_640X480'); vid.FramesPerTrigger = 1 ;

vid.ReturnedColorspace = 'gray'; triggerconfig(vid, 'manual');


(5)

vidRes = get(vid, 'VideoResolution'); imWidth = 640;

imHeight = 480;

nBands = get(vid, 'NumberOfBands');

hImage = image(zeros(imHeight, imWidth, nBands), 'parent',handles.axes1); %preview(vid, hImage);

start(vid); pause(1); trigger(vid); stoppreview(vid);

handles.img0=getdata(vid);

%imwrite(capt1, 'perangkat.bmp'); axes(handles.axes1);

imshow(handles.img0); axis on

guidata(hObject, handles);

%================================================================= %====================TOMBOL PROSES================================ % --- Executes on button press in pushbutton3.

function pushbutton3_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) axes(handles.axes2);

handles.img1=handles.img0;

handles.img1=imcrop(handles.img1,[190 57 186 379]); k=('Cropping');

set(handles.text1,'string',k); imshow(handles.img1);

axis on

axes(handles.axes3);

handles.img2=imresize(handles.img1,[512 256]); l=('Resizing');

set(handles.text2,'string',l); imshow(handles.img2);

axis on

guidata(hObject, handles);

%================================================================ %=====================TOMBOL EKSTRAKSI CIRI====================== % --- Executes on button press in pushbutton4.

function pushbutton4_Callback(hObject, eventdata, handles) % 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) axes(handles.axes4);

handles.img3=handles.img2;

handles.img3=guieciri(handles.img3,171); j=('Hasil Ekstraksi');

set(handles.text3,'string',j); plot(handles.img3);

guidata(hObject, handles);

%================================================================ %===============TOMBOL PENGENALAN================================ % --- Executes on button press in pushbutton5.

function pushbutton5_Callback(hObject, eventdata, handles) % hObject handle to pushbutton5 (see GCBO)


(6)

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

load xdciri512171 %sy=max(y(:)) %sz=max(z(:))

for n=1:7

a(n)=jarak(handles.img3,z(:,n));

end

a

min(a);

%cari nilai minimum b1=find(min(a)==a);

%deskripsi string

x1= {'Tang Kupas';'Tang Potong';'Penyedot Timah';'Obeng Trim';'Soldir';'Multimeter';'Bor Listrik'};

%penentuan keluaran nilai minimum y1=x1(b1);

set(handles.text4,'string',y1);

%================================================================ %=============TOMBOL SELESAI===================================== % --- Executes on button press in pushbutton6.

function pushbutton6_Callback(hObject, eventdata, handles) % hObject handle to pushbutton6 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) delete(figure(camera2));