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 β 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].
πππβ‘ = β‘ β β π₯ππ¦π
π π¦=1
πΌβ‘(π₯, π¦)
π π=1
(2.4)
Keterangan :
π, π = 0, 1, 2,.., dengan πβ‘π menyatakan orde momen π = jumlah kolom pada citra
π = jumlah baris pada citra π = ordinat piksel
π¦ = absis piksel
πΌβ‘(π₯, π¦) = intensitas piksel pada posisi (π₯, π¦)
Momen pusat adalah momen spasial yang dihitung relatif terhadap pusat massa. Jika pusat massa adalah (π₯,Μ β‘ π¦Μ ), momen pusat ditulis seperti Persamaan 2.5.
ΞΌππ = β‘β‘ β β (π₯ β β‘ π₯Μ )πβ‘(π¦ β β‘ π¦Μ )ππΌ(π₯, π¦)
Momen pada Persamaan 2.5. bersifat invariant (tidak terpengaruh) terhadap translasi.
Dalam hal ini, π₯Μ dan π¦Μ diperoleh melalui Persamaan 2.6.
π₯Μ = β‘π10
π00, π¦Μ = β‘π01 π00
(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.
Εππ = β‘πππ
π00π¦, π¦ = β‘π+π+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 nilaiβ‘π₯,Μ β‘ π¦Μ seperti Persamaan 2.6.
πΜ =π10
π00 = β‘βπ₯1π¦0(πΌ(π₯, π¦) > 0)
βπ₯0π¦0(πΌ(π₯, π¦) > 0)=βπ₯1π¦0(πΌ(π₯, π¦) > 0)
βπ₯0π¦0(πΌ(π₯, π¦) > 0)
Tabel 2.1. Perhitungan Pusat Masa (πΜ )
X Y X1 Y0 X0 Y0 X1Y0 X0Y0 βπ1π0
Tabel 2.1. (lanjutan) Perhitungan Pusat Masa (πΜ )
Tabel 2.2. Perhitungan Pusat Masa (πΜ )
X Y X0 Y1 X0 Y0 X0Y1 X0Y0 βπ0π1
Langkah selanjutnya menghitung momen pusat seperti pada Persamaan 2.5.
π20=β(π₯βπ₯Μ )π(π¦βπ¦Μ )π(πΌ(π₯,π¦)>0)
= β(π₯ β π₯Μ )2(π¦ β π¦Μ )0
Tabel 2.3. Perhitungan Momen Pusat
Tabel 2.4. Hasil Momen Pusat
π20 π02 π11 π30 π03 π12 π21
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 β 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
Ε20 Ε02 Ε11 Ε30 Ε03 Ε12 Ε21
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
Ε20 Ε02 Ε11 Ε30 Ε03 Ε12 Ε21
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
Ε20 Ε02 Ε11 Ε30 Ε03 Ε12 Ε21
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.
π·πΆππ = 1 β βππ=1ππππ
ββππ=1ππ2ββππ=1ππ2
(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
βπβ = β102 + 52 = 11,18
βπβ = β32+ 22 = 3,60
Nilai diatas dapat menghasilkan jarak kosinus
π·πππ = 1 β π. π
βπββ‘βπβ= 1 β 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 βπβ βπβ π·πππ
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.
22
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
A
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
A
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
D
D
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
Ya
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)
E
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
F
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
F
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.
πππππππ‘β‘ππππππππππ = β‘π½π’πππββ‘πππ‘πβ‘π¦πππβ‘πππππ‘β‘ππππππππ
π½π’πππββ‘πππ‘πβ‘π’ππ π₯β‘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 βRGBβ Menampilkan image RGB
Picture Box βHSVβ Menampilkan image hue
Picture Box βBinerβ Menampilkan image biner
Tombol βInputβ Memanggil atau memilih image atau video data yang ingin diproses
Text Box βHasil Pengenalanβ Menampilkan hasil pengenalan untuk input image
Text Box βN11-N03β Nilai momen pusat ternormalisasi Tombol βProsesβ 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 βResetβ Mengembalikan tampilan GUI seperti semula
Video Box βVideo RGBβ Menampilkan video RGB
Tombol βPlayβ Memulai video
Tombol βPauseβ Menjeda video
Tombol βStopβ Memberhentikan video
Tombol βAsli/Prosesβ 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
Tombol βAsli/Prosesβ 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