Cropping - Pengolahan Citra

BAB II DASAR TEORI

2.2. Pengolahan Citra

2.2.4. Cropping

Cropping merupakan cara agar pengolahan citra menjadi lebih mudah. Cara ini menentukan objek yang akan digunakan untuk pengolahan citra, sedangkan objek yang lain yang tidak dibutuhkan akan dipotong atau dihilangkan sehingga tidak menganggu proses pengolahan citra. Pada penelitian ini, penulis menggunakan objek yang terbesar sebagai objek penelitian, sehingga objek-objek kecil atau noise yang ada di sekitarnya akan hilang atau terpotong, hal ini akan mempermudah pengenalan citra selanjutnya. Contoh cropping ditampilkan pada Gambar 2.9.

Gambar 2.9. Contoh Cropping

2.3. Operasi Morfologi

Operasi morfologi adalah operasi yang dilakukan pada citra biner (hitam-putih) untuk mengubah struktur suatu objek yang terkandung dalam suatu citra sehingga objek tersebut dapat dideteksi [11].

2.3.1. Operasi Dilasi dan Erosi

Operasi dilasi dan erosi merupakan salah satu contoh operasi morfologi dalam pengolahan citra digital. Operasi dilasi digunakan untuk melakukan pelebaran pada struktur

piksel objek. Operasi erosi digunakan untuk memperkecil stuktur piksel objek [11]. Contoh operasi morfologi ditampilkan pada Gambar 2.10.

a b

Gambar 2.10. (a) Hasil Operasi Dilasi ; (b) Hasil Operasi Erosi

2.4. Pengurangan Derau (Noise)

Noise atau derau adalah gangguan atau kecacatan pada suatu citra sehingga mengakibatkan informasi pada citra tersebut hilang [12]. Pada penelitian ini penulis menggunakan metode Gaussian Filter dan Median Filter untuk pengurangan derau.

Gaussian filter digunakan untuk menghilangkan derau yang muncul pada saat konversi BGR ke HSV ditunjukkan pada Gambar 2.7.(a), gambar yang telah dikonversi memiliki (noise) berupa titik – titik hitam kecil yang akan menganggu pada saat proses ekstraksi ciri. Derau disekitar objek dihilangkan supaya warna kuning pada objek terlihat lebih jelas sehingga mudah dikenali. Gaussian Filter digunakan ketika tampilan citra masih utuh (Gambar 2.11.).

Median filter digunakan ketika objek yang akan dideteksi sudah dipotong dan dalam bentuk gambar biner (Gambar 2.9.).

Gambar 2.11. Hasil Gaussian Filter

2.5. Bounding Box

Bounding box merupakan kotak pembatas yang berfungsi sebagai titik acuan objek yang akan diteliti [13]. Pada penelitian ini bounding box hanya digunakan pada pengenalan dengan input berupa video. Contoh bounding box ditampilkan pada Gambar 2.12.

Gambar 2.12. Bounding box

2.6. Momen Spasial dan Momen Pusat

Area, posisi, orientasi, dan parameter terdefinisi lainnya pada suatu objek dapat digambarkan dengan momen. Momen spasial orde (m, n) dapat didefinisikan seperti Persamaan 2.4. [11].

𝑀_𝑖𝑗⁡ = ⁡ ∑ ∑ 𝑥^𝑖𝑦^𝑖

𝑁 𝑦=1

𝐼⁡(𝑥, 𝑦)

𝑀 𝑋=1

(2.4)

Keterangan :

𝑖, 𝑗 = 0, 1, 2,.., dengan 𝑖⁡𝑗 menyatakan orde momen 𝑀 = jumlah kolom pada citra

𝑁 = jumlah baris pada citra 𝑋 = ordinat piksel

𝑦 = absis piksel

𝐼⁡(𝑥, 𝑦) = intensitas piksel pada posisi (𝑥, 𝑦)

Momen pusat adalah momen spasial yang dihitung relatif terhadap pusat massa. Jika pusat massa adalah (𝑥,̅ ⁡ 𝑦̅), momen pusat ditulis seperti Persamaan 2.5.

μ_𝑖𝑗 = ⁡⁡ ∑ ∑ (𝑥 − ⁡ 𝑥̅)^𝑖⁡(𝑦 − ⁡ 𝑦̅)^𝑗𝐼(𝑥, 𝑦)

Momen pada Persamaan 2.5. bersifat invariant (tidak terpengaruh) terhadap translasi.

Dalam hal ini, 𝑥̅ dan 𝑦̅ diperoleh melalui Persamaan 2.6.

𝑥̅ = ⁡𝑀₁₀

𝑀₀₀, 𝑦̅ = ⁡𝑀₀₁ 𝑀₀₀

(2.6)

Normalisasi perlu dilakukan agar tidak terpengaruh tidak hanya terhadap translasi, namun juga terhadap penyekalaan serta rotasi. Momen pusat ternormalisasi dapat dilakukan dengan Persamaan 2.7.

ŋ_𝑖𝑗 = ⁡^𝜇^𝑝𝑞

𝜇_00𝑦, 𝑦 = ⁡^𝑖+𝑗+2

2 (2.7)

Contoh citra biner untuk perhitungan manual seperti pada Gambar 2.13.

Gambar 2.13. Contoh Citra Untuk Perhitungan Manual

Pertama kali dilakukan perhitungan untuk mendapatkan nilai⁡𝑥,̅ ⁡ 𝑦̅ seperti Persamaan 2.6.

𝑋̅ =𝑀₁₀

𝑀₀₀ = ⁡∑𝑥¹𝑦⁰(𝐼(𝑥, 𝑦) > 0)

∑𝑥⁰𝑦⁰(𝐼(𝑥, 𝑦) > 0)=∑𝑥¹𝑦⁰(𝐼(𝑥, 𝑦) > 0)

∑𝑥⁰𝑦⁰(𝐼(𝑥, 𝑦) > 0)

Tabel 2.1. Perhitungan Pusat Masa (𝑋̅)

X Y X¹ Y⁰ X⁰ Y⁰ X¹Y⁰ X⁰Y⁰ ∑𝑋¹𝑌⁰

Tabel 2.1. (lanjutan) Perhitungan Pusat Masa (𝑋̅)

Tabel 2.2. Perhitungan Pusat Masa (𝑌̅)

X Y X⁰ Y¹ X⁰ Y⁰ X⁰Y¹ X⁰Y⁰ ∑𝑋⁰𝑌¹

Langkah selanjutnya menghitung momen pusat seperti pada Persamaan 2.5.

𝜇_{20=∑(𝑥−𝑥̅)}^𝑖_{(𝑦−𝑦̅)}^𝑗(𝐼(𝑥,𝑦)>0)

= ∑(𝑥 − 𝑥̅)²(𝑦 − 𝑦̅)⁰

Tabel 2.3. Perhitungan Momen Pusat

Tabel 2.4. Hasil Momen Pusat

𝜇₂₀ 𝜇₀₂ 𝜇₁₁ 𝜇₃₀ 𝜇₀₃ 𝜇₁₂ 𝜇₂₁

40 20 0 0 0 0 0

Setelah mendapatkan nilai momen pusat kemudian dilakukan perhitungan momen pusat ternormalisasi seperti pada Persamaan 2.7.

Tabel 2.5. Perhitungan Momen Pusat Ternormalisasi p/i q/j

Masing – masing rambu memiliki nilai ektstraksi ciri yang berbeda dan akan digunakan dalam sistem pengenalan. Hasil momen pusat ternormalisasi ditunjukkan Tabel 2.6.

Tabel 2.6. Hasil Momen Pusat Ternormalisasi

ŋ₂₀ ŋ₀₂ ŋ₁₁ ŋ₃₀ ŋ₀₃ ŋ₁₂ ŋ₂₁

0,15625 0,178125 0 0 0 0 0

2.7. Log Scale

Hasil perhitungan momen spasial dan momen pusat terkadang memiliki rentang nilai yang cukup jauh pada masing-masing nilai [14]. Log scale digunakan untuk mengurangi rentang pada hasil perhitungan momen spasial dan momen pusat. Log scale pada momen spasial dan momen pusat dapat ditunjukkan pada Persamaan 2.8.

Hi = - sign(I) log|I| (2.8)

Keterangan: I merupakan nilai ekstraksi ciri momen spasial dan momen pusat

Tabel 2.7. menunjukkan salah satu contoh hasil perhitungan momen spasial dan momen pusat dengan rentang jarak yang cukup jauh.

Tabel 2.7. Contoh Hasil Perhitungan Tanpa Log Scale

ŋ₂₀ ŋ₀₂ ŋ₁₁ ŋ₃₀ ŋ₀₃ ŋ₁₂ ŋ₂₁

3,55.10^-6 0,19.10^-14 2,06.10^-20 3,29.10^-10 6,46.10^-2 1,11.10^-8 1,91.10^-5

Setelah diketahui ketujuh nilai dari momen spasial dan momen pusat kemudian dilakukan perhitungan log scale seperti pada Persamaan 2.8.

Tabel 2.8. Contoh Hasil Perhitungan dengan Log Scale

ŋ₂₀ ŋ₀₂ ŋ₁₁ ŋ₃₀ ŋ₀₃ ŋ₁₂ ŋ₂₁

5,449 14,721 19,686 9,482 1,189 7,954 4,718

2.8. Template Matching

Template matching adalah sebuah teknik dalam pengolahan citra untuk menemukan bagian-bagian kecil dari gambar yang cocok dengan template gambar. Metode template machine merupakan salah satu metode yang digunakan untuk menjelaskan bagaimana otak kita mengenali kembali bentuk-bentuk atau pola-pola [15]. Template matching dalam penelitian ini yaitu fungsi jarak kosinus. Fungsi jarak kosinus merupakan sebuah fungsi yan digunakan untuk mencari hasil pengenalan, jarak yang terdekat dengan database menjadi hasil pengenalan dari sistem tersebut.

2.8.1. Fungsi Jarak Kosinus

Fungsi jarak kosinus digunakan untuk menghitung nilai jarak antara nilai data uji dengan nilai database. Perhitungan fungsi jarak kosinus ditunjukkan pada Persamaan 2.9.

𝐷_𝐶𝑜𝑠 = 1 − ∑^𝑑_𝑖=1𝑃_𝑖𝑄_𝑖

√∑^𝑑_𝑖=1𝑃_𝑖²√∑^𝑑_𝑖=1𝑄_𝑖²

(2.9)

Dimana:

d = banyaknya data P = input data uji Q = data dari database

Perhitungan fungsi jarak kosinus digunakan untuk menentukan keluaran akhir program. Berikut adalah contoh perhitungan manual untuk fungsi jarak kosinus.

P = [10 5]

Q1 =[3 2]

Q2 = [7 8]

Q3 = [1 1]

Q4 = [4 6]

Q5 = [1 3]

Q6 = [9 5]

Berdasarkan Persamaan 2.9. dapat dilakukan perhitungan sebagai berikut.

P.Q = (10.3) + (5.2) = 40

‖𝑃‖ = √10² + 5² = 11,18

‖𝑄‖ = √3²+ 2² = 3,60

Nilai diatas dapat menghasilkan jarak kosinus

𝐷_𝑐𝑜𝑠 = 1 − 𝑃. 𝑄

‖𝑃‖⁡‖𝑄‖= 1 − 40

(11,18)(3,60)= 0,00616

Berdasarkan Nilai vektor P yang sama dan mengganti nilai Q seperti pada Tabel 2.9., maka dihasilkan nilai jarak kosinus sebagai berikut.

Tabel 2.9. Hasil Perhitungan Jarak Kosinus

Q1 Q2 P.Q ‖𝑃‖ ‖𝑄‖ 𝐷_𝑐𝑜𝑠

2.9. k-Nearest Neighbour

k-Nearest neighbour atau K-NN adalah sebuah metode klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek penelitian atau biasa disebut tetangga terdekat [16].

Cara kerja k-NN sebagai berikut:

1. Hasil fungsi jarak kosinus yang telah didapat dengan Persamaan 2.9, diurutkan dari nilai terkecil hingga terbesar.

2. Menentukan nilai K (jumlah tetangga terdekat) yang ingin dicari.

3. Kelas dipilih dengan kemunculan terbanyak.

4. Hasil klasifikasi dikeluarkan dan ditampilkan

Berdasarkan Tabel 2.9. penggunaan fungsi jarak kosinus dan k-NN sebagai berikut.

1. Mengurutkan nilai jarak kosinus dari terkecil hingga terbesar seperti pada Tabel 2.10.

Tabel 2.10. Urutan Jarak Kosinus D5 0,00036 0,00616 0,04845 0,05028 0,13159 0,29236

2. Mengambil sebanyak k (k = 3) yang memiliki tingkat kemiripan paling tinggi dengan P seperti pada Tabel 2.11.

Tabel 2.11. Pengambilan Nilai Sebanyak k = 3

D5 (Kelas 1) D4 (Kelas 1) D6 (Kelas 1)

0,00036 0,00616 0,04845

Nilai k yang akan diambil harus bernilai ganjil. Bila k = 5, maka nilai yang paling tinggi tingkat kemiripannya dengan P sebanyak 5 buah nilai yang akan diambil dan digunakan seperti pada Tabel 2.12.

Tabel 2.12. Pengambilan Nilai Sebanyak k = 5 D5

(Kelas 1)

D4 (Kelas 1)

D6 (Kelas 1)

D2 (Kelas 2)

D1 (Kelas 2) 0,00036 0,00616 0,04845 0,05028 0,13159 3. Untuk mengetahui klasifikasi yang akan digunakan dapat diketahui dengan cara

memilih kemunculan kelas yang paling banyak. Tabel 2.11. dengan k = 3, semua berisi kelas 1. Hal ini menunjukkan bahwa P masuk dalam kelas 1.

Pada Tabel 2.12. dengan k = 5, kelas 1 diwakili oleh D5, D4, dan D6, sedangkan kelas 2 diwakili D2 dan D1. Hal ini menunjukkan bahwa P masuk dalam kelas 1.

Bila terdapat dua nilai atau lebih yang memiliki nilai sama, maka keluaran yang akan digunakan adalah nilai yang paling tertinggi pada urutan pertama.

BAB III

RANCANGAN PENELITIAN

Bab III ini akan membahas mengenai rancangan penelitian yang meliputi langkah langkah perancangan yang akan dilakukan dan blok diagram kerja sistem.

3.1. Perancangan Sistem

Perancangan sistem yang akan dibuat adalah sebuah sistem yang dapat mengenali rambu lalu lintas peringatan menggunakan kamera ponsel. Gambar 3.1. menunjukkan perancangan sistem secara umum.

Gambar 3.1. Perancangan Sistem

Berdasarkan Gambar 3.1., kamera ponsel digunakan untuk proses pengambilan image dan video yang akan digunakan untuk penelitian. Gambar dan video yang telah didapat akan melalui beberapa tahap pemrosesan. Tahap pertama yaitu tahap preprocessing yaitu proses mengubah citra RGB menjadi citra biner menggunakan segementasi HSV. Proses segmentasi yang dilakukan adalah dengan mengambil warna kuning pada rambu, karena nantinya yang akan digunakan untuk pemrosesan selanjutnya adalah citra yang berwarna kuning. Setelah mendapatkan citra biner kemudian tahap selanjutnya adalah proses ekstraksi ciri dengan menggunakan momen spasial dan momen pusat. Hasil dari ekstraksi ciri kemudian diproses dengan template matching menggunakan fungsi jarak kosinus dan hasilnya akan dibandingkan dengan data pada database. Klasifikasi hasil dari jarak kosinus menggunakan klasifikasi k-NN, sehingga akan memberikan keluaran berupa teks di layar laptop.

Tahapan tersebut merupakan gambaran secara umum mengenai penelitian rambu peringatan. Gambaran penelitian secara rinci akan dibahas pada proses kerja sistem. Program yang akan digunakan dalam penelitian rambu peringatan adalah Python.

3.2. Proses Kerja Sistem

Sebelum menampilkan hasil keluaran yang berupa teks, penelitian pengenalan rambu lalu lintas peringatan harus melalui beberapa tahap. Penelitian diawali tahap preprocessing, kemudian ekstraksi ciri momen spasial dan momen pusat, jarak kosinus, dan klasifikasi k-NN. Proses kerja sistem input gambar ditampilkan pada Gambar 3.2 dan proses kerja sistem input video ditampilkan pada Gambar 3.3.

Gambar 3.2. Diagram Blok Kerja Sistem Input Gambar Mulai

Input : Gambar

Rambu Peringatan

Preprocessing

Ekstraksi Ciri : Momen Spasial dan Momen Pusat

Klasifikasi : Perhitungan Jarak Kosinus dan KNN

Perhitungan Log Scale

Output : hasil pengenalan berupa teks

Selesai

Gambar 3.2. merupakan diagram blok kerja sistem input gambar. Sistem ini mendapat input berupa gambar. Input yang telah dibaca oleh sistem kemudian dilakukan proses preprocessing untuk mendapatkan citra biner. Image biner yang dihasilkan akan dihitung menggunakan momen spasial dan momen pusat untuk mendapatkan nilai ekstraksi ciri. Nilai ekstraksi ciri yang telah didapat kemudian dilakukan perhitungan log scale untuk mengurangi rentang nilai yang cukup jauh. Hasil perhitungan log scale dan data pada database dihitung jaraknya menggunakan jarak kosinus, jarak yang paling kecil dicari untuk menentukan hasil keluaran.

Gambar 3.3. Diagram Blok Kerja Sistem Input Video Mulai

Input : Video Rambu Peringatan

Deteksi Rambu Peringatan

Rambu Peringatan Terdeteksi?

Ya Tidak

Preprocessing

Ekstraksi Ciri : Momen Spasial dan Momen Pusat

Gambar 3.3. (lanjutan) Diagram Blok Kerja Sistem Input Video

Proses kerja sistem dengan input video secara garis besar sama dengan input gambar.

Perbedaan antara input video dan gambar terletak pada pendeteksian rambu peringatan. Jika dalam sebuah video terdeteksi rambu peringatan, maka sistem akan melanjutkan prosesnya dan rambu tersebut dapat dikenali. Jika dalam sebuah video tidak terdeteksi rambu peringatan maka sistem akan melakukan pengulangan untuk mencari rambu peringatan dalam video.

3.2.1. Input Data

Rambu lalu lintas peringatan yang ada di jalan raya akan menjadi input data dalam penelitian ini. Pengambilan gambar dan video rambu peringatan dilakukan dengan menggunakan kamera ponsel. Pengambilan gambar dan video dilakukan dengan variasi jarak, translasi, dan sudut yang berbeda untuk setiap rambunya. Hal ini digunakan untuk menunjukkan kualitas kinerja pengenalan dengan ekstraksi ciri momen spasial dan momen pusat. Proses input data ditampilkan pada Gambar 3.4. dan 3.5.

Menghitung Log Scale

Klasifikasi : Perhitungan Jarak Kosinus dan KNN

Output : hasil pengenalan

berupa bounding box

dengan label nama rambu

Selesai

Gambar 3.4. Diagram Blok Input Data Gambar

Gambar 3.5. Diagram Blok Input Data Video

Gambar 3.4. dan Gambar 3.5. merupakan diagram blok input data gambar dan video.

Masukan sistem ini berasal dari rambu lalu lintas peringatan yang ada di pinggir jalan raya.

Rambu peringatan tersebut kemudian ditangkap (capture) dan direkam menggunakan kamera ponsel dan disimpan di laptop. Gambar dan video yang telah disimpan akan digunakan sebagai masukan sistem pengenalan rambu lalu lintas peringatan.

Mulai

3.2.2. Preprocessing

Tahap preprocessing terdiri dari beberapa tahapan mulai dari konversi BGR ke HSV, kemudian segmentasi warna HSV untuk mendapatkan citra biner (warna kuning), kemudian dilakukan dilasi dan erosi untuk memperjelas citra, dan cropping. Metode Gaussian Filter dan Median Filter digunakan untuk mengurangi noise pada objek. Ekualisasi histogram dan saturasi digunakan untuk meningkatkan atau menurunkan kecerahan pada objek, sehingga objek dapat terlihat jelas dan dapat dideteksi. Secara garis besar tahap ini akan ditampilkan pada Gambar 3.6. dan 3.7.

Gambar 3.6. Diagram Blok Preprocessing (Input Gambar) Mulai

Input : Gambar Rambu Lalu

Lintas Peringatan Ekualisasi Histogram dan

Saturasi

Gaussian Filter

Konversi BGR ke HSV

Segmentasi HSV

Dilasi dan Erosi

Cropping

Median Filter

Output : Gambar Biner

Selesai

Gambar 3.7. Diagram Blok Preprocessing (Input Video) Mulai

Input : Video Rambu Lalu

Lintas Peringatan

Deteksi Rambu Peringatan

Rambu Peringatan Terdeteksi?

Konversi BGR ke HSV

Segmentasi HSV Gaussian Filter

Output : Video Biner

Selesai

Tidak

Rambu Peringatan Terdeteksi?

Tidak Ya

Bounding Box dan Pelabelan Nama

Input rambu lalu lintas peringatan merupakan input BGR. Input BGR akan dikonversi menjadi HSV dengan melakukan segmentasi HSV. Proses konversi BGR ke HSV merupakan tahap yang penting, karena nantinya proses konversi tersebut akan menghasilkan gambar dan video biner yang akan digunakan dalam proses selanjutnya. Proses konversi BGR ke HSV ditampilkan pada Gambar 3.8.

Gambar 3.8. Diagram Blok Konversi BGR ke HSV

Tahap selanjutnya adalah segmentasi HSV. Segmentasi HSV merupakan pemilihan warna yang akan digunakan untuk proses selanjutnya. Segmentasi dilakukan terhadap ruang warna hue karena objek yang ingin dikenali berupa rambu lalu lintas peringatan berwarna kuning dan akan menghasilkan keluaran berupa citra biner. Input penelitian ini berupa rambu peringatan di jalan raya, untuk memudahkan proses preprocessing, penulis berusaha mencari rambu dengan latar belakang yang tidak ada warna kuning. Proses segmentasi HSV ditampilkan pada Gambar 3.9.

Gambar 3.9. Diagram Blok Segementasi HSV (Deteksi Warna Kuning) Mulai

Input : Gambar dan Video BGR

Rambu Lalu Lintas Peringatan

Konversi BGR ke HSV

Output : Citra HSV

Selesai

Mulai

Input : Gambar dan Video HSV

Segmentasi Warna Kuning dengan Ruang

Warna Hue (Warna Kuning)

Gambar 3.9. (lanjutan) Diagram Blok Segementasi HSV (Deteksi Warna Kuning) Operasi dilasi dan erosi dilakukan setelah segmentasi HSV selesai. Segmentasi HSV membuat gambar biner akan menjadi rusak, oleh karena itu operasi dilasi dan erosi dilakukan untuk memperbaiki gambar biner tersebut. Metode Gaussian Filter digunakan sebelum proses dilasi. Dilasi dan erosi hanya dilakukan untuk input yang berupa gambar. Proses dilasi dan erosi ditampilkan pada Gambar 3.10.

Gambar 3.10. Diagram Blok Dilasi dan Erosi

Gambar biner yang sudah didilasi dan erosi selanjutnya akan dipotong (cropping).

Tujuan dari cropping adalah menghilangkan bagian yang tidak digunakan, sehingga hanya objek yang akan digunakan saja yang ditampilkan. Cropping hanya dilakukan untuk input yang berupa Gambar. Proses cropping ditampilkan pada Gambar 3.11.

Output : Gambar dan Video

Biner

Selesai E

Mulai

Input : Gambar Biner

Output : Gambar Biner yang sudah di erosi

dan dilasi Dilasi dan Erosi

Selesai

Gambar 3.11. Diagaram Blok Proses Cropping

3.3. Tahap Ekstraksi Ciri Momen Spasial dan Momen Pusat

Tahap ekstraksi ciri merupakan tahapan selanjutnya setelah tahap preprocessing.

Ekstraksi ciri yang digunakan dalam penelitian ini adalah momen spasial dan momen pusat.

Berdasarkan persamaan 2.4. proses menentukan nilai momen spasial dan momen pusat ditampilkan pada Gambar 3.12.

Gambar 3.12. Diagram Blok Ekstraksi Ciri Mulai

Input : Gambar Biner yang sudah di erosi

dan dilasi

Cropping

Median Filter

Output : Gambar Biner

Cropping

Selesai

Mulai

Input : Citra hasil preprocessing

Gambar 3.12. (lanjutan) Diagram Blok Ekstraksi Ciri

Tahap ekstraksi ciri ini mendapat masukan berupa gambar atau video yang telah melalui tahap preprocessing. Hasil preprocessing kemudian akan diproses menggunakan momen spasial dan momen pusat untuk mendapatkan nilai ekstraksi ciri. Nilai ekstraksi ciri yang telah didapat kemudian dilakukan perhitungan log scale.

3.4. Perhitungan Jarak Kosinus

Perhitungan jarak kosinus merupakan pebandingan antara data pada database dengan data pengujian. Jarak yang paling baik adalah yang memiliki jarak terdekat. Proses jarak kosinus seperti yang dijelaskan pada persamaan 2.9., akan digambarkan seperti pada Gambar 3.13.

Menghitung pusat masa (xc,yc)

Menghitung Momen Pusat

Menghitung Momen Pusat Ternormalisasi

Outputt : Log Scale Ketujuh Nilai Momen

Pusat Ternormalisasi

Selesai Ketujuh Nilai Momen Pusat Ternormalisasi

Gambar 3.13. Diagram Blok Fungsi Jarak Kosinus

Perhitungan jarak kosinus digunakan untuk menghitung jarak antara data pada data uji dengan data pada database. Hasil perhitungan jarak kosinus akan menjadi acuan untuk penentuan hasil pengenalan.

Mulai

Input : Hasil Ekstraksi Ciri Momen Spasial dan Momen Pusat

(Database)

Input Data Pengujian

Preprocessing Data Pengujian

Hasil Ekstraksi Ciri (Data Pengujian)

Menghitung Jarak Data Uji dengan Database (Jarak

Kosinus)

Output : Hasil Perhitungan Jarak Kosinus

Selesai Ya

Tidak

3.5. Penentuan Keluaran

Tahap akhir dari proses keseluruhan adalah tahap penentuan keluaran. Hasil pengenalan rambu lalu lintas peringatan akan diketahui dengan melakukan klasifikasi k-NN.

Hasil pengenalan akan ditampilkan pada layar monitor berupa teks. Proses penentuan kaluaran ditampilkan pada Gambar 3.14.

Gambar 3.14. Diagram Blok Penentuan Keluaran

Masukan untuk penentuan keluaran berupa hasil perhitungan jarak kosinus, nilai k, dan kelas. Hasil perhitungan jarak kosinus kemudian diurutkan dari terkecil ke terbesar dan memilih kelas yang paling sering muncul sesuai dengan nilai k yang sudah dimasukkan.

Kelas yang paling sering muncul akan menjadi hasil pengenalan.

Mulai

Input : Hasil Perhitungan Jarak Kosinus,

Nilai k, Kelas

Mengurutkan Hasil Perhitungan Jarak Kosinus dari terkecil

ke terbesar

Memilih Kelas yang Paling Sering

Muncul

Output : Hasil Keluaran Berupa

Teks di Layar Monitor

Selesai

3.6. Pembuatan Database

Fungsi jarak kosinus dapat bekerja apabila ada database, dengan adanya database maka akan ada perbandingan antara nilai data pengujian dengan nilai pada database.

Database gambar dan video memiliki jumlah yang sama serta menggunakan proses yang sama yaitu ekstraksi ciri momen spasial dan momen pusat sehingga program utama dapat dijadikan satu. Proses pembuatan database ditampilkan pada Gambar 3.15.

Gambar 3.15. Diagram Blok Database Mulai

Input : Gambar dan

Video Rambu Lalu

Lintas Peringatan Preprocessing

Ekstraksi Ciri : Momen Spasial dan Momen Pusat

Database

Selesai Log Scale

3.7. Pengujian Rambu Lalu Lintas Peringatan

Pengujian Rambu lalu lintas peringatan dilakukan dengan 2 cara, yaitu menggunakan input berupa gambar dan menggunakan input berupa video. Penjelasan lebih rinci mengenai masing masing pengujian dijelaskan pada subbab 3.7.1. dan subbab 3.7.2.

3.7.1. Pengujian Input Gambar

Pengujian dengan input gambar diawali dengan pengambilan gambar menggunakan kamera ponsel. Gambar yang sudah ditangkap (capture), disimpan dalam sebuah folder dan diberi nama sesuai nama rambu dan perlakuan dari gambar tersebut. Gambar yang sudah diperoleh kemudian akan diproses melalui 3 tahap, yaitu preprocessing, ekstraksi ciri, dan klasifikasi.

Pengujian input gambar dilakukan secara 2 tahap. Tahap pertama adalah input gambar data uji sama dengan input citra database. Ketika pengujian tahap pertama telah berhasil dengan tingkat kemiripan 100%, kemudian akan dialnjutkan pada tahap kedua. Tahap kedua adalah input gambar data uji tidak sama dengan input citra database. Input gambar data uji pada tahap kedua memiliki sedikit perbedaan variasi dengan input citra database. Hasil pengenalan berupa teks pada GUI.

3.7.2. Pengujian Input Video

Pengujian dengan input video diawali dengan merekam video menggunakan kamera ponsel. Video yang sudah direkam disimpan dalam sebuah folder dan diberi diberi nama sesuai nama rambu. Proses pengenalan rambu lalu lintas peringatan dengan input video menggunakan 3 tahap, yaitu preprocessing, ekstraksi ciri, dan klasifikasi.

Pada tahap preprocessing untuk input yang berupa video tidak melalui proses cropping karena video merupakan citra yang bergerak. Pengujian input video dilakukan 2 tahap, pengujian pertama input video data uji sama dengan input video database. Pengujian kedua input video data uji tidak sama dengan input citra database. Proses pengenalan dengan input video menggunakan bounding box. Bounding box akan bekerja apabila ada rambu yang dikenali, kemudian di atas bounding box akan muncul nama rambu tersebut.

3.8. Menentukan Tingkat Pengenalan Sistem

Pengujian dengan input gambar dan video dapat dikatakan sudah sesuai harapan bila mencapai tingkat akurasi yang telah ditargetkan sebelumnya. Tingkat keberhasilan akan

menjadi bagian analisis kinerja sistem apakah sudah berjalan dengan baik atau tidak. Tingkat pengenalan penelitian ini nantinya akan dibandingkan dengan tingkat pengenalan penelitian sebelumnya. Tingkat keberhasilan pengenalan ditentukan sesuai persamaan 3.1.

𝑇𝑖𝑛𝑔𝑘𝑎𝑡⁡𝑃𝑒𝑛𝑔𝑒𝑛𝑎𝑙𝑎𝑛 = ⁡𝐽𝑢𝑚𝑙𝑎ℎ⁡𝑑𝑎𝑡𝑎⁡𝑦𝑎𝑛𝑔⁡𝑑𝑎𝑝𝑎𝑡⁡𝑑𝑖𝑘𝑒𝑛𝑎𝑙𝑖

𝐽𝑢𝑚𝑙𝑎ℎ⁡𝑑𝑎𝑡𝑎⁡𝑢𝑗𝑖 𝑥⁡100 (3.1)

3.9. Perancangan GUI

Perancangan GUI digunakan untuk mempermudah pengguna dalam penggunaan sistem pengenalan rambu lalu lintas peringatan. Tahap perancangan GUI akan dibuat sejumlah 2 rancangan, yaitu GUI untuk input gambar dan GUI untuk input video.

Perancangan GUI ditunjukkan Gambar 3.16.

Gambar 3.16. Perancangan GUI Tabel 3.1. Keterangan GUI

Nama Bagian Keterangan

Picture Box “RGB” Menampilkan image RGB

Picture Box “HSV” Menampilkan image hue

Picture Box “Biner” Menampilkan image biner

Tombol “Input” Memanggil atau memilih image atau video data yang ingin diproses

Text Box ”Hasil Pengenalan” Menampilkan hasil pengenalan untuk input image

Text Box “N11-N03” Nilai momen pusat ternormalisasi Tombol “Proses” Memproses pengenalan input image

RGB Hue Biner

Input

Hasil Pengenalan Gambar

N11 N02 N20 N12 N21 N30 N03

Proses Reset

Video RGB Video Asli/Proses

Play Pause Stop Reset

Tabel 3.1. (lanjutan ) Keterangan GUI

Tombol “Reset” Mengembalikan tampilan GUI seperti semula

Video Box “Video RGB” Menampilkan video RGB

Tombol “Play” Memulai video

Tombol “Pause” Menjeda video

Tombol “Stop” Memberhentikan video

Tombol “Asli/Proses” Memilih keluaran video, dapat berupa video asli atau video proses pengenalan Penggunaan GUI pada sistem pengenalan rambu lalu lintas peringatan, yaitu user memilih input dengan cara menekan tombol input, input yang dipilih dapat berupa video atau gambar. Input yang pertama berupa gambar, gambar yang dipilih akan muncul pada

Dalam dokumen PENGENALAN RAMBU LALU LINTAS PERINGATAN MENGGUNAKAN MOMEN SPASIAL DAN MOMEN PUSAT (Halaman 30-0)