BAB II DASAR TEORI
2.3.1 Cropping
Cropping adalah proses pemotongan citra pada koordinat tertentu pada area
citra[24]. Untuk memotong bagian dari citra digunakan dua koordinat, yaitu koordinat awal merupakan awal koordinat bagi citra hasil pemotongan dan koordinat akhir merupakan titik koordinat akhir dari citra hasil pemotongan. Sehingga akan membentuk bangun segi empat yang mana tiap-tiap pixel yang ada pada area koordinat tertentu akan disimpan dalam citra yang baru.
Citra asli Hasil Cropping
Gambar 2.3.1 Gambar Proses Pemotongan Citra
Dari gambar 2.4. dijelaskan bahwa terjadi proses pemotongan citra. Ukuran pixel awal citra asli adalah 5×5 pixel, setelah dilakukan proses pemotongan koordinat awal (1,1)dan koordinat akhir (3,3) dengan lebar 3 pixel dan tinggi 3 pixel akan terbentuk citra barudengan ukuran 3×3 pixel. Citra baru berisi nilai pixel dari koordinat (1,1) sampai koordinat(3,3).
2.3.2 Resizing
Resizing adalah suatu proses mengubah besarnya ukuran suatu citra dalam
piksel.Proses yang dilakukan pada resizing ini dengan cara mengurangi atau menambah jumlah piksel yang menyusun dalam suatu citra. Contoh hasil Resizing yang dilakukan dapat dilihat pada gambar 2.3.2
(a)
(b)
Gambar 2.3.2 (a) Citra Grayscale sebelum di resizing (b) Citra hasil resizing
2.3.3 Citra Grayscale
Citra dikatakan sebagai citra grayscale apabila sebuah citra tidak memiliki warna RGB atau dapat dikatakan sebuah citra yang memiliki nilai dari putih yang memiliki intensitas paling besar sampai hitam yang memiliki intensitas paling rendah seperti yang dapat dilihat pada gambar 2.2. Citra Grayscale terdiri dari x dan y dalam spasial koordinat dan memiliki nilai intensitasnya masing–masing. Pada citra grayscale setiap gambar memiliki intensitas antara 0 (hitam) hingga 255 (putih) dalam citra 8 bitnya[9].
Gambar 2.2. citra grayscale yang diubah menjadi nilai matriks[12].
Dengan algoritma perhitungan tingkat keabuan, piksel dari suatu citra yang mengandung warna–warna RGB (red, green and blue) diubah menjadi warna dalam berbagai tingkat keabuan (I) dengan menjumlahkan nilai warna red, green, and blue kemudian dibagi tiga sehingga didapatkan nilai rata–rata dari ketiga warna[10].
Proses awal yang banyak dilakukan dalam image processing adalah mengubah citra berwarna menjadi citra grayscale, 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. [10]
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 2.2.
Gambar 2.3.3 (a) Citra RGB. (b) Citra Grayscale
A. Citra Red Green Blue ( RGB )
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.
Gambar 2.3.3 Pengaturan citra RGB[11]
B. Model Sistem Ruang Warna RGB
Dalam model RGB, setiap warna memperlihatkan komponen spectral primary red,
green dan blue. Model ini didasarkan pada sistem koordinat kartesian. Sub space warna
yang dicari adalah kubus yang ditunjukkan pada Gambar 2.2. Nilai RGB pada tiga sudut adalah cyan, magenta dan yellow. Perbedaan warna dalam model ini adalah titik yang berada di dalam kubus dan didefinisikan oleh penyebarannya dari faktor origin.
Gambar 2.3.3 Skema Warna RGB Dalam Kubus
Jumlah bit yang digunakan untuk mempresentasikan setiap piksel dalam space RGB disebut pixel dept, jumlah bit dalam citra RGB dimana setiap citra red, green dan
blue adalah citra 8 bit. Dalam kondisi setiap warna piksel RGB mempunyai 24 bit. Citra full color sering digunakan untuk menyatakan citra berwarna RGB 24 bit. Total jumlah
warna dalam citra 24 bit adalah (224) = 16.777.216.
Gambar 2.3.3 Citra Warna RGB[10]
Thresholding digunakan untuk mengatur derajat keabuan yang ada pada citra, thresholding juga untuk memisahkan bagian citra yang sesuai dengan objek (foreground)
dan latar belakangnya (background), serta mengkonversi data citra menjadi data biner (binerisasi), dengan tujuan agar proses selanjutnya menjadi mudah. Setiap citra meskipun mengandung objek yang sama, tentunya memiliki karakteristik yang berbeda dalam sifat-sifat pencahayaannya. Hal ini menyebabkan sulitnya menentukan nilai threshold yang cocok untuk diterapkan ke semua kondisi citra. Oleh karena setiap citra mempunyai nilai threshold masing-masing, maka dapat dilakukan pembelajaran berupa pengetahuan sifat-sifat dari masing - masing citra yang akan diproses sebelum menentukan nilai
threshold yang cocok. Dengan demikian, setelah melalui trial and error akan ditemukan
nilai threshold yang kurang lebih cocok diterapkan untuk semua citra.
2.3.5 Transformasi Geometris Spasial
Citra f didefinisikan sebagai sistem koordinat a(w,z), yang mengalami distorsi geometris yang menghasilkan citra g dengan sistem koordinat (x,y) maka transformasi dapat dinyatakan dengan (x,y) = T{(w,z)}[25]. 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 2.3.5 Transformasi Spasial[11]
Bentuk umum yang digunakan pada transformasi spasial adalah affine transform (Wolberg [1990] ). Transformasi affine dapat ditulis dalam bentuk matrik
Transformasi ini dapat menskalakan , men-translate, atau menggunting sejumlah titik, tergantung pada pilihan nilai T. Jenis-jenis transformasi affine terdapat pada tabel 2.1.
2.4 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:
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 elemen dari 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 perceptual artinya basis fungsi dengan 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) [16]
Gambar 2.4. (a) Citra Grayscale. (b) Citra hasil proses DCT
2.5 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 rendah (pojok kiri atas) adalah nol. Dengan memanfaatkan (menghilangkan) nilai frekunsi rendah hasil dari zig-zag scanning.
ZigZag scanning mumungkinkan semua koefisien DC (Direct Current) dan AC
(Alternanting Current) dengan nilai yang terendah akan diproses terlebih dahulu. Gambar 2.5 menunjukkan urutan zigzag scanning [11].
Gambar 2.5 Urutan zigzag scanning DCT Blocks
Proses yang merubah matriks 8 x 8 hasil proses kuantisasi kedalam vektor 1 x 28, dengan pembacaan secara zig-zag scanning. Pada proses zig-zag scanning ini nilai nol pada frekuensi tinggi cenderung terbaca secara berurutan.
Contoh hasil proses zig-zag scanning yang merubah matrks 8 x 8 hasil proses kuantisasi ke dalam vector 1 x 64.
2.6 Fungsi Cosine Similarity
Proses ini membandingkan peralatan bengkel motor yang dicapture dengan
database. Hasil dari perbandingan adalah jarak minimum yang kemudian akan digunakan
dalam proses selanjutnya. Dalam sistem ini yang digunakan adalah fungsi similaritas kosinus ( Cosine Similarity ).
Cosine similarity adalah salah satu metode perhitungan similarity yang paling
populer untuk diterapkan pada dokumen teks.
Keterangan :
Jika A == B Maka Similaritas Kosinus adalah 1 Jika A == - B Maka Similaritas Kosinus adalah - 1
2.7 Template Matching
Template matching adalah sebuah teknik dalam pengolahan citra digital untuk menemukan bagian-bagian kecil dari gambar yang cocok dengan template gambar. Template matching merupakan salah satu ide yang digunakan untuk menjelaskan bagaimana otak kita mengenali kembali bentuk-bentuk atau pola-pola. Template dalam konteks rekognisi pola menunjuk pada konstruk internal yang jika cocok (match ) dengan stimulus penginderaan mengantar pada rekognisi suatu obyek. Atau pengenalan pola terjadi jika terjadi kesesuaian antara stimulus indera dengan bentuk mental internal.
Gagasan ini mendukung bahwa sejumlah besar template telah tercipta melalui pengalaman hidup kita. Tiap-tiap template berhubungan dengan suatu makna tertentu. Kenggulan Template Matching yaitu :
a. Untuk mengenal bentuk, huruf, maupun bentuk visual lainnya diperlukan kontak dengan bentuk internal.
b. Template matching didasarkan pada ketepatan konfigurasi informasi penginderaan misalnya barcode.
Kelemahan Template Matching yaitu :
Jika perbandingan eksternal obyek dgn internal obyek 1:1, maka obyek yang berbeda sedikit saja dengan template tidak akan dikenali. Oleh karena itu, jutaan template yang spesifik perlu dibuat agar cocok dengan berbagai bentuk geometri yang kita lihat dan kenal. Jika memang penyimpanan memori di otak seperti ini, otak tentu seharusnya sangat kewalahan dan pencarian informasi akan memakan waktu, padahal pada kenyataannya tidak demikian.
Template Matching dapat dibagi antara dua pendekatan, yaitu : pendekatan berbasis fitur dan pendekatan berbasis template. Pendekatan berbasis fitur menggunakan fitur pencarian dan template gambar seperti tepi atau sudut, sebagai pembanding pengukuran matrik untuk menemukan lokasi template matching yang terbagus di sumber gambar[9].
23
BAB III
PERANCANGAN
3.1 Perancangan Sistem Hardware
Unit Perekam Unit Pengenalan dan Penampil
Input citra peralatan Output citra peralatan
bengkel motor bengkel motor
Gambar 3.1. Block System
Preprocessing Kunci Inggris
Deteksi Alat (DCT + Similaritas kosinus dan Template Matching
Proses pengenalan peralatan bengkel motor
3.1.1 WebCam
Webcam atau web camera adalah sebuah kamera video digital kecil yang dihubungkan ke computer melalui (biasanya) USB port. Banyak merk webcam yang tersedia, misalnya Logitech, SunFlower, dan lainnya. Resolusi dari webcam biasanya sama berkisar antara 352×288 atau 640×480 piksel atau bahkan lebih besar, ada yang kualitasnya hingga 5 Megapiksel. Webcam sebuah kamera video digital berukuran kecil dihubungkan ke komputer melalui port USB atau port COM.[5].Contoh gambar webcam dapat dilihat pada gambar 3.1.1
Gambar 3.1.1 Webcam M-Tech[5]
Tabel 3.1.2 Spesifikasi Webcam M-Tech WB-200
Interface to PC High Speed USB 2.0
Sensor Type CMOS Color Sensor
Resolution Up to 5.0 Mega Pixel (Software Interpolation)
Lens Features F/2.0 (F=4.8mm - Infinity )
Frame Rate 640 x 480 @30fps (VGA)
Focus Type Adjustable Manual Focus Ring
3.1.2 Lampu LED
Lampu LED atau kepanjangannya Light Emitting Diode adalah suatu lampu indikator dalam perangkat elektronika yang biasanya memiliki fungsi untuk menunjukkan status dariperangkat elektronika tersebut.Misalnya pada sebuah komputer, terdapat lampu LED power dan LED indikator untuk processor, atau dalam monitor terdapat juga lampu LED power dan power saving. Lampu LED terbuat dari plastik dan dioda semikonduktor yang dapat menyala apabila dialiri tegangan listrik rendah (sekitar 1.5 volt DC). Bermacam-macam warna dan bentuk dari lampu LED, disesuaikan dengan kebutuhan dan fungsinya.
Built-In Microphone Available, with 3.5mm Audio Plug
Face Tracking Not Available
Still Image Capture By Software / OS Application
Night Vision Support Not Available
LED Lightning Support Not Available
Pan / Tilt Model Yes (All Direction with Tilt and Swivel Base)
Operating System Support Windows XP SP2 / Linux
Dimension (WHD) (53.5 x 53.2 x 24.4) mm Folding, Cable Length : 125 cm
Fungsi Lampu LED
LED (Light Emitting Diode) merupakan sejenis lampu yang akhir-akhir ini muncul dalam kehidupan kita. LED dulu umumnya digunakan pada gadget seperti ponsel atau PDA serta komputer. Sebagai pesaing lampu bohlam dan neon, saat ini aplikasinya mulai meluas dan bahkan bisa kita temukan pada korek api yang kita gunakan, lampu emergency dan sebagainya.
Gambar 3.1.2 Lampu LED
3.2 Microsoft Visual Studio Express 2012 Aplikasi C++
Visual C++ adalah sebuah produk Integrated Development Environment (IDE) untuk bahasa pemrograman C dan C++ yang dikembangkan Microsoft. Visual C++ merupakan salah satu bagian dari paket Microsoft Visual Studio. Bahasa ini merupakan bahasa pemrograman tingkat tinggi (kompleks). Visual C++ adalah bahasa pemrograman yang cukup populer. Hampir semua file DLL pada sistem operasi Windows dibuat menggunakan bahasa ini.
Visual C++ dapat berjalan lebih cepat pada windows karena hanya memerlukan memori yang kecil. Dalam hal ini, Ms. Visual C++ lebih unggul jika dibandingkan dengan Ms. Visual Basic. Ini menjadi salah satu alasan Microsoft Visual C++ lebih dipilih programmer untuk membuat berbagai aplikasi desktop maupun antivirus.
3.3 Alat-Alat Bengkel Motor
Alat – alat bengkel motor digunakan sesuai dengan alat-alat bengkel motor yang sering digunakan pada umumnya oleh para teknisi di bengkel motor. Dari berbagai macam alat- alat bengkel motor dipilih 10 alat yang meliputi kunci inggris, kunci soket, obeng plus, Senter, kunci ring, kunci L,kunci pas, palu, tang, dan penggaris dapat dilihat pada gambar 3.3
1. Kunci inggris 2. kunci soket 3.Obeng Plus 4. Senter
5. Kunci Ring 6. Kunci L 7. kunci pas
3.4 Perancangan Sistem Pengenalan Alat Bengkel Motor
3.4.1 Pengenalan Peralatan Bengkel Motor dengan
Menggunakan Ekstraksi Ciri
Gambar 3.4.1 Diagram Alir Program Keseluruhan Masukkan : Peralatan
Bengkel Motor
Perekaman dan Pengambilan Citra Peralatan Bengkel Motor
Pemrosesan Citra (Preprocessing )
Ekstraksi Ciri (DCT – 2D)
Fungsi Similaritas
Kosinus Database training
Penentuan Keluaran
Keluaran : Teks
Stop
Program pengenalan peralatan bengkel motor 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 peralatan bengkel motor sudah terekam, proses pengenalan peralatan bengkel motor dapat dilakukan dengan menekan tombol “Proses”, “Ekstraksi Ciri”, “Pengenala”. Proses pengenalan akan berhenti apabila
user menekan tombol “Selesai”. Alur keseluruhan pengenalan peralatan bengkel motor
secara real time diperlihatkan pada gambar 3.6 .
Alur program keseluruhan meliputi perekaman dan pengambilan citra peralatan bengkel motor dengan menggunakan webcam, setelah melakukan proses pengambilan citra (capture) kemudian citra diproses melalui pemrosesan citra (preprocessing) setelah itu kemudian diekstraksi ciri menggunakan ekstraksi ciri (DCT) Discrete Cosine Transform. Kemudian citra uji tersebut dibandingkan dengan citra database menggunakan fungsi similaritas kosinus. Setelah dibandingkan dengan menggunakan fungsi similaritas kosinus 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 peralatan bengkel motor dapat dilihat pada Gambar 3.7. Pada saat user menekan tombol camera on maka webcam akan berstatus on / terkoneksi dengan program. Setelah camera on maka peralatan bengkel motor disiapkan pada tempat yang telah disediakan untuk proses pengambilan citra. Kemudian untuk mengambil citra peralatan bengkel motor maka user dapat menekan tombol capture.
Setelah user melakukan proses pengambilan citra (capture), kemudian citra peralatan bengkel motor tersebut memasuki tahap pemrosesan citra (preprocessing).
Preprocessing yang dilakukan meliputi proses cropping dan resizing dengan ukuran piksel
256 x 256. Alur program pemrosesan citra dapat dilihat pada gambar 3.8a.
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 256 x 256 ke dalam blok-blok kecil dengan ukuran tetap yang kemudian dikonveriskan dari domain spasial ke domain DCT dan membentuk lapisan DCT.
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 (Kunci L, Kunci Inggris , Obeng plus, Senter, Kunci ring, Kunci soket, Kunci pas, Palu, Tang, Penggaris). Alur program penentuan hasil pengenalan dapat dilihat pada gambar 3.9b.
(a) (b)
Gambar 3.4.1. (a) Diagram Alir Preprocessing (b) Diagram Alir Ekstraksi Ciri
Start
Masukkan :
Peralatan Bengkel Motor
Grayscalling, Thresholding
Cropping
Resizing
Keluaran :
Citra Hasil Preprocessing
Stop Stop
Masukkan :
Citra Hasil Preprocessing
DCT – 2D
Hitung Nilai Absolut DCT – 2D
Zigzag Scanning
Keluaran :
Matriks Citra Terekstraksi
(a) (b)
Gambar 3.4.1 (a) Diagram Alir Fungsi Jarak (b) Diagram Alir Penentuan Hasil Pengenalan
Start
Masukkan :
Matrik citra terekstraksi Matrik citra database
Hitung Similaritas : r = sqrt (matrik citra terekstraksi – matrik citra database)^2
Keluaran : Hasil perhitungan Similaritas (r1……...r7) Stop Stop Start Masukkan : Matrik perhitungan Similaritas (r1……...r7) Penginisialisaikan (r1……...r7) dengan nama :
Kunci L, Kunci Inggris , Obeng
plus,Senter, Kunci ring, Kunci inggris, Kunci pas, Palu, Tang, Penggaris
Citra keluaran = Similaritas maksimum (r1……...r7)
A. Perancangan Database Citra Peralatan Bengkel Motor
Sebagai penentuan pengenalan peralatan bengkel motor, dibutuhkan citra acuan yang disebut database. Database hendaknya memiliki ciri yang sudah diketahui oleh sistem. Untuk memperoleh database pada setiap peralatan bengkel motor yang akan dikenali pada sistem pengenalan peralatan bengkel motor, penulis mengambil 10 jenis peralatan bengkel motor (Kunci L, Kunci Inggris, Obeng plus, Senter, Kunci ring, Kunci soket, Kunci pas, Palu, Tang, Penggaris).
Proses pembuatan database peralatan bengkel motor harus melalui proses dari input citra peralatan bengkel motor, preprocessing dan ekstraksi ciri Discrete Cosine Transform
two dimension (DCT-2D) dapat dilihat pada Gambar 3.2
Dalam pemrosesan citra training seharusnya tidak perlu fungsi ini (Fungsi SK)
Citra Training
Citra Testing
Gambar 3.4.1 Model pembuatan database peralatan bengkel motor
Proses pengambilan citra peralatan bengkel motor terdiri dari 10 peralatan bengkel motor yaitu Kunci L, Kunci Inggris , obeng plus, Senter, kunci ring, kunci soket, kunci pas, palu, tang, Penggaris. Kemudian citra peralatan bengkel motor akan di proses melalui
preprocessing yang terdiri dari grayscale, threshold, cropping, resizing, setelah citra
peralatan bengkel motor diproses melalui preprocessing, selanjutnya citra peralatan bengkel motor 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.
Preprocessing (Cropping,Resizing, Grayscale,dan Threshold ) Ekstraksi ciri DCT (Zig-zag scanning) Database Training (peralatan bengkel motor) Ekstraksi ciri DCT (Zig-zag scanning) Fungsi similaritas kosinus Output Preprocessing (Cropping,Resi zing,Grayscale, dan Threshold)
3.4.2 Pengenalan Peralatan Bengkel Tanpa Ekstraksi Ciri
Gambar 3.4.2 Diagram Alir Pengenalan Tanpa Ekstraksi Ciri Masukkan :Peralatan
Bengkel Motor
Perekaman dan Pengambilan Citra Peralatan Bengkel Motor
Pemrosesan Citra (Preprocessing )
Template Matching Database training (tanpa DCT)
Penentuan Keluaran
Keluaran : Teks
Start
3.5 Aplikasi Sistem Pengenalan Peralatan Bengkel Motor
Tampilan utama program pada Microsoft Visual Studio Express 2012 Aplikasi C++ yang digunakan dalam penelitian ini diperlihatkan pada Gambar 3.5
Gambar 3.5. Tampilan utama program pengenalan peralatan bengkel motor
Tampilan ini dibuat agar user dapat dengan mudah mengoperasikan program ini serta mengerti hasil dari sistem pengenalan peralatan bengkel motor. Beberapa keterangan dari tampilan program dijelaskan pada tabel 3.5
Tabel 3.5 Keterangan Tampilan Utama Program
Nama Bagian Deskripsi
Window tampilan citra Bidang tampilan citra untuk menampilakan
streaming kamera yang digunakan untuk mengambil data citra testing
[Push Button] Output [Push Button] Output untuk mengeksekusi hasil
tampilan citra pada bidang no.1
sehingga menghasilkan teks berupa hasil Ektraksi Ciri dan Tanpa Ekstraksi Ciri
Teks Output Ektraksi Ciri
Teks Output Tanpa Ekstraksi Ciri
35
BAB IV
PEMBAHASAN
Pada bab ini akan dibahas tentang hasil dari program aplikasi Pengenalan Peralatan Bengkel Motor Secara Real Time. Uji coba dilakukan untuk mengetahui ketepatan program untuk dapat mengenali beberapa peralatan bengkel dengan menggunakan metode DCT (Discrete Cosine Transform). Uji coba dilakukan dengan menggunakan 10 peralatan bengkel yang digunakan sebagai citra training dan juga citra uji serta alat bengkel lain yang juga digunakan sebagai alat uji.
4.1. Antarmuka Program Pengenalan Peralatan Bengkel Motor
secara Real Time menggunakan webcam berbasis Ekstrasi Ciri
Discrete cosine Transfrom dan Cosine Similarity.
Perancangan program menggunakan Microsoft Visual Studio Express 2012 Pada pengujian program menggunakan laptop dengan spesifikasi:
Prosesor : Intel (R) Core(TM) Duo CPU P8600 @ 2.40GHz 2.40 GHz
RAM : 3.00 GB
Tipe sistem : 64-bit Operating System
Dalam tampilan antarmuka Program “PENGENALAN PERALATAN BENGKEL”
