20 40
60 80
100 120
140 160
180 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
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 =
24 35
100 = 68,57
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
Gambar 4.15. Pengaruh koefisien DCT terhadap tingkat pengenalan
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
databa se
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
.
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
database
maka hasil pengenalannya akan salah.
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.
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.compengertian-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.idDocBab2 , 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 Wa velet 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 Ja rak Metode Euclidean pada Matlab. Universitas Islam Indonesia
, Yogyakarta.
44
LAMPIRAN