Penentuan Nilai Parameter HASIL DAN PEMBAHASAN

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