BAB IV HASIL DAN PEMBAHASAN
4.5. Catatan Dalam Metode Penelitian
Threshold dapat mem-filter dengan baik pada tingkat cahaya 20-60 lux. Ketika tingkat cahaya kurang dari 20 lux, objek akan terpotong dan hanya terdeteksi sebagian, sedangkan ketika tingkat cahaya lebih dari 60 lux, objek tidak dapat terdeteksi dengan baik dikarenakan cahaya membuat belt menjadi mengkilat dan menyamai warna objek. Contoh tampilan ketika tingkat cahaya terlalu rendah dapat dilihat pada Gambar 4.25., sedangkan contoh tampilan ketika tingkat cahaya terlalu tinggi dapat dilihat pada Gambar 4.21.
Gambar 4.24. Tampilan Pengaruh Lux Kurang Dari 20
Gambar 4.25. Tampilan Pengaruh Lux Lebih Dari 60
69
BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan
1. Hasil penelitian setelah dilakukan pengujian real time masing-masing 306 kali dengan tray maupun tanpa tray menunjukkan, pengujian secara real time dengan tray mencapai keberhasilan sebesar 85% dalam mencacah dan keberhasilan sebesar 99% dalam menyortir. Pengujian dengan tray mencapai keberhasilan sebesar 14% dalam mencacah dan keberhasilan sebesar 55% dalam menyortir.
2. Sistem dapat bekerja lebih baik ketika baut dan mur diletakkan manual daripada ketika menggunakan tray.
3. Sistem bekerja lebih baik pada kecepatan 8,5 rpm karena kecepatan tidak terlalu pelan dan tidak terlalu cepat sehingga dapat menyesuaikan kecepatan tray dan lama capture webcam.
4. Penyortiran mempunyai hasil yang lebih baik daripada pencacahan dikarenakan proses pengenalan bentuk lebih singkat daripada proses pengenalan ukuran yang harus melalui perhitungan panjang.
5. GUI yang diprogram dalam penelitian ini dapat menampilkan jumlah hasil cacahan baut dan mur dengan baik. Button yang terdapat pada GUI ini juga sudah dapat bekerja sesuai dengan yang diharapkan.
5.2. Saran
1. Sistem dapat dikembangkan untuk mensortir berdasarkan ukuran, tidak hanya bentuk.
2. Menggunakan belt yang tidak mengkilat sehingga mengurangi noise yang tidak perlu ketika cahaya terlalu terang.
3. Bagian hardware sistem dalam proses mengeluarkan baut dan mur satu per satu perlu dirancang dengan metode yang lebih memungkinkan dalam mengeluarkan baut dan mur satu per satu.
70
DAFTAR PUSTAKA
[1] Builder Indonesia, 2017, Mengenal Jenis Baut dan Mur (Bolt & Nut) Serta Klasifikasinya, https://www.builder.id/mengenal-jenis-baut-dan-mur-bolt-nut-serta-klasifikainya/, diakses 3 November 2019.
[2] Teknik Mesin, 2016, Pengertian dan Jenis Baut, http://teknikmesin.id/pengertian-dan-jenis-baut/, diakses 3 November 2019.
[3] Fharadila, B., Candra, F., 2019, Identifikasi Kematangan Buah Nanas Menggunakan Metode Jaringan Syaraf Tiruan, Jom FTEKNIK Vol. 6 Ed. 1 Januari 2019 hal 1-7.
[4] Nugroho, R. W. S., Aplikasi Computer Vision Pada Lengan Robot Pemindah Benda Berdasarkan Kode Angka, Tugas Akhir, Jurusan Teknik Elektro, FST, Universitas Sanata Dharma Yogyakarta.
[5] Mega Baut Indonesia, 2013, Ukuran – Ukuran Mur, Baut, dan Sekerup, https://megabautindonesia.weebly.com/ukuran-ukuran-mur-baut-dan-sekerup.html , diakses 3 November 2019.
[6] -, Raspberry Pi Datasheet: Raspberry Pi 4 Model B.
[7] Suranata, A., 2016, Raspberry Pi 3 Telah Dirilis, Berikut Spesifikasi Uji Performa Lainnya, https://tutorkeren.com/artikel/Raspberry-Pi-3-telah-dirilis-berikut-spesifikasi-uji-performa-lainnya.htm, diakses 3 November 2019.
[8] -, Logitech Datasheet: Gettimg Started With Logitech Webcam C170.
[9] DNM The Power Of Industry, 2018, Mengenal Conveyor Automation Beserta Bagian-Bagian Pentingnya, https://www.dnm.co.id/conveyor/, diakses 16 Desember 2019.
[10] Saputra, A. R., 2014, Analisis Penggunaan Motor Induksi Tiga Fasa Pada Belt Conveyor 5857-V di Quadrant Ship Loader 2 PT. Pupuk Sriwidjaja Palembang, Jurusan Teknik Elektro, Program Studi Teknik Listrik, Politeknik Negeri Sriwijaya, Palembang.
[11] Belajar Elektronika, 2017, Motor Servo, Pengertian, Fungsi, dan Prinsip Kerjanya, https://belajarelektronika.net/motor-servo-pengertian-fungsi-dan-prinsip-kerjanya/, diakses 16 Desember 2019.
[12] Ardiyanto, A., 2019, Momen Gaya (Torsi) Adalah, https://rumus.co.id/momen-gaya-torsi-adalah/, diakses 23 Maret 2020.
[13] Nugroho, A. A., 2018, Prototype of Bird Pest Control System Based On Computer Vision, Jurusan Teknik Elektro, FST, Universitas Sanata Dharma Yogyakarta.
[14] Trianggoro, A. A., 2019, Aplikasi Computer Vision Pada Lengan Robot Pemindah Benda Berdasarkan Bentuk dan Posisi, Jurusan Teknik Elektro, FST, Universitas Sanata Dharma Yogyakarta.
[15] Yansyah, F., 2014, Deteksi Wajah Menggunakan Metode Speed-Up Robust Features (SURF), Jurusan Sistem Komputer, Fakultas Teknik dan Ilmu Komputer, Universitas Komputer Indonesia.
[16] Hermawan, I., 2015, Rancang Bangun Sistem Pendeteksi dan Pengenalan Angka Pada Meteran Air PDAM Menggunakan Metode Template Matching Correlation, Program Studi Teknik Informatika, Sekolah Tinggi Teknologi Terpadu Nurul Fikri, Jawa Barat.
[17] Sucharita, V., Jyothi, S., Mamatha, D.M., 2013, Evaluation of the Digital images of Penaeid Prawns Species Using Canny Edge Detection and Otsu Thresholding Segmentation, Technical University of Sofia, Bulgaria.
[18] Hendry, J., 2009, Pengolahan Citra Digital, Universitas Gajah Mada, Yogyakarta [19] Julian, I., 2018, Mendapatkan Counturs Dengan OpenCV Python,
https://www.ivanjul.com/mendapatkan-countures-dengan-opencv-python/ , diakses 11 Maret 2020.
[20] Munir, R., 2019, Kontur, Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung, Bandung.
LAMPIRAN 1
A. FLOWCHART UTAMA
B. FLOWCHART LOGIKA PENDETEKSIAN OBJEK
LAMPIRAN 2
RANGKAIAN HARDWARE
A. Rangkaian Pengatur Tegangan
B. Rangkaian Penggetar Tray
LAMPIRAN 3
DATA YANG DIPEROLEH
A. Data Pengujian Tanpa Tray
Tabel L1. Data Pengujian Tanpa Tray Dengan Kecepatan 11 rpm
No. Input Area Hasil
Tabel L1. (Lanjutan) Data Pengujian Tanpa Tray Dengan Kecepatan 11 rpm
Tabel L1. (Lanjutan) Data Pengujian Tanpa Tray Dengan Kecepatan 11 rpm
Tabel L1. Data Pengujian Tanpa Tray Dengan Kecepatan 11 rpm
Tabel L2. Data Pengujian Tanpa Tray Dengan Kecepatan 8,5 rpm
No. Input Area Hasil
Tabel L2. (Lanjutan) Data Pengujian Tanpa Tray Dengan Kecepatan 8,5 rpm
Tabel L2. (Lanjutan) . Data Pengujian Tanpa Tray Dengan Kecepatan 8,5 rpm
Tabel L3. Data Pengujian Tanpa Tray Dengan Kecepatan 3,5 rpm
Tabel L3. (Lanjutan) Data Pengujian Tanpa Tray Dengan Kecepatan 3,5 rpm
Tabel L3. (Lanjutan) Data Pengujian Dengan Tray Dengan Kecepatan 3,5 rpm
B. Data Pengujian Dengan Tray
Tabel L4. Data Pengujian Dengan Tray Dengan Kecepatan 11 rpm
No. Input Area Hasil
Tabel L4. (Lanjutan) Data Pengujian Dengan Tray Dengan Kecepatan 11 rpm
Tabel L4. (Lanjutan) Data Pengujian Dengan Tray Dengan Kecepatan 11 rpm
Tabel L4. (Lanjutan) Data Pengujian Dengan Tray Dengan Kecepatan 11 rpm
Tabel L4. (Lanjutan) Data Pengujian Dengan Tray Dengan Kecepatan 11 rpm
Tabel L5. Data Pengujian Dengan Tray Dengan Kecepatan 8,5 rpm
No. Input Area Hasil
Tabel L5. (Lanjutan) Data Pengujian Dengan Tray Dengan Kecepatan 8,5 rpm
Tabel L5. (Lanjutan) Data Pengujian Dengan Tray Dengan Kecepatan 8,5 rpm
Tabel L5. (Lanjutan) Data Pengujian Dengan Tray Dengan Kecepatan 8,5 rpm
Tabel L5. (Lanjutan) Data Pengujian Dengan Tray Dengan Kecepatan 8,5 rpm
Tabel L5. (Lanjutan) Data Pengujian Dengan Tray Dengan Kecepatan 8,5 rpm
Tabel L6. Data Pengujian Dengan Tray Dengan Kecepatan 3,5 rpm
No. Input Area Hasil
Tabel L6. (Lanjutan) Data Pengujian Dengan Tray Dengan Kecepatan 3,5 rpm
Tabel L6. (Lanjutan) Data Pengujian Dengan Tray Dengan Kecepatan 3,5 rpm
Tabel L6. (Lanjutan) Data Pengujian Dengan Tray Dengan Kecepatan 3,5 rpm
Tabel L6. (Lanjutan) Data Pengujian Dengan Tray Dengan Kecepatan 3,5 rpm
LAMPIRAN 4
DATA ERROR SENSOR INFRARED
No. Input Hasil
1 M5x16 Tidak Terdeteksi
2 M6x20 Terdeteksi
19 M5x16 Tidak Terdeteksi
20 M6x20 Terdeteksi
21 M8x25 Terdeteksi
22 M5 Tidak Terdeteksi
23 M6 Terdeteksi
24 M8 Terdeteksi
25 M5x16 Tidak Terdeteksi
26 M6x20 Terdeteksi
27 M8x25 Terdeteksi
28 M5 Tidak Terdeteksi
29 M6 Terdeteksi
30 M8 Terdeteksi
LAMPIRAN 5
DATA AREA UNTUK MENENTUKAN RANGE AREA
TIAP OBJEK
28 M5 127
29 M6 394
30 M8 785