Pengujian Program Pengenalan Perangkat Elektronika Secara Langsung

BAB IV HASIL DAN PEMBAHASAN

4.3. Pengujian Program Pengenalan Perangkat Elektronika Secara Langsung

Secara garis besar proses pengujian sistem secara langsung sama dengan pengujian secara tidak langsung hanya saja pada pengujian ini data citra perangkat elektronika diambil secara langsung. Kemudian data tersebut akan diproses dan ditampilkan pada GUI Matlab.

Pengujian diawali dengan mengulangi langkah 1 dan 2 pada pengujian secara tidak langsung (non real time). Namun nama file program yang digunakan secara langsung (real time) ini ialah “Pengenalan”. Setelah program berjalan akan muncul tampilan pada layar monitor seperti Gambar 4.17. Keterangan pushbutton (tombol) pada Gambar 4.17 dapat dilihat pada Tabel 3.1. Berdasarkan diagram alir Gambar 3.13 pengguna mengambil gambar citra perangkat elektronika secara langsung sebagai masukkan. Kemudian pengguna memilih koefisien Fourier deskriptor yang pada popupmenu. Setelah itu pengguna dapat menekan tombol process. Hasil berupa teks ditampilkan pada GUI matlab dapat dilihat pada Gambar 4.18. Kondisi pengujian secara langsung dapat dilihat pada Gambar 4.19.

Gambar 4.17. Interface Program Secara Langsung

Gambar 4.18. Contoh GUI dijalankan untuk Pengujian Perangkat Tang Kupas dengan Koefisien Fourier Deskriptor = 10

Pengujian secara langsung dan tidak langsung dilakukan diruang Tugas Akhir Teknik Elektro. Kondisi cahaya pada saat pengambilan citra secara langsung dan tidak langsung diusahakan tidak ada bayangan sehingga proses pengujian dapat berjalan dengan baik. Hasil dari pengujian secara langsung dapat dilihat pada Gambar 4.18

Gambar 4.19. Kondisi Pengambilan Citra Perangkat Elektronika

4.4. Analisis Hasil Data Pengujian secara Tidak Langsung

Pengujian secara tidak langsung (non real time) menggunakan gambar perangkat elektronika sebanyak 35 gambar (7 perangkat elektronika x 5 variasi koefisien) dengan pengulangan sebanyak 5 kali. Pengujian secara tidak langsung dilakukan dengan mengubah nilai koefisien Fourier deskriptor yang diinginkan. Tujuan pengujian secara tidak langsung yaitu untuk mengetahui apakah sistem berjalan dengan baik dan meneliti pengaruh variasi koefisien terhadap tingkat pengenalan perangkat elektronika serta mencari nilai koefisien terkecil dengan tingkat pengenalan terbaik.

Tahap pertama dalam pengujian secara tidak langsung yaitu memberi nama setiap gambar yang diperoleh dari masing-masing perangkat elektronika. Kemudian menentukan nilai koefisien yang akan digunakan. Hasil dari pengenalan perangkat elektronika dapat diketahui dengan memproses gambar perangkat elektronika yang telah disimpan. Hasil akhir berupa teks akan ditampilkan pada GUI matlab. Pengaruh variasi koefisien Fourier deskriptor terhadap tingkat pengenalan secara tidak langsung dapat dilihat pada Tabel 4.1.

Jarak = 57 cm

Tabel 4.1.Pengaruh Variasi Koefisien Fourier Deskriptor Terhadap Tingkat Pengenalan

Berdasarkan data pada Tabel 4.1 dapat disimpulkan bahwa nilai koefisien Fourier deskriptor terkecil dengan tingkat pengenalan terbaik yaitu 5 koefisien Fourier deskriptor karena mampu mengenali perangkat elektronika dengan tingkat pengenalan sebesar 100%.

4.5. Analisis Hasil Data Pengujian secara Langsung

Pengujian secara langsung (real time) menggunakan gambar perangkat elektronika sebanyak 105 gambar dengan 5 kali pengulangan sehingga data yang diambil sejumlah 525 percobaan. Pengujian ini dilakukan di ruang Tugas Akhir Teknik Elektro. Intensitas cahaya pada pengujian ini diatur supaya tidak ada bayangan pada perangkat elektronika. Nilai parameter yang digunakan sesuai dengan batasan masalah yang telah ditetapkan yaitu 5 variasi koefisien 50, 25, 10, 5 dan 2 serta sebagai tambahan 3 variasi rotasi yaitu 0°, 45°

dan 135°, 3 variasi skala yaitu 50 cm, 57 cm dan 64,5 cm serta 2 variasi translasi yang digunakan yaitu 2 cm dan 5 cm ke kanan atau ke kiri dari posisi awal.

Tujuan dari pengujian secara langsung untuk mengetahui apakah program berjalan dengan baik serta mencari nilai koefisien Fourier deskriptor terkecil dengan tingkat pengenalan terbaik, sebagai tambahan meneliti pengaruh variasi rotasi, translasi dan skala terhadap tingkat pengenalan perangkat elektronika.

Pada pengujian ini posisi perangkat diletakan tepat dibawah webcam. Adapun hasil ekstraksi ciri deskriptor Fourier ditunjukkan pada Tabel 4.2. sampai dengan Tabel 4.4.

Dapat dilihat nilai Fourier pada data Tabel 4.2. sampai dengan Tabel 4.4. hampir identik satu sama lain meskipun perangkat elektronika yang digunakan berbeda. Hal ini dibuktikan menggunakan rumus kesamaan kosinus (cosine similarity)[15]. Kesamaan kosinus merupakan kesamaan dua vektor dalam ruang dimensi didapat dari perkalian dua vektor yang dibandingkan. Dua vektor dikatakan similar (mirip) apabila hasil perhitungan bernilai 1.

Tabel 4.2. Hasil Ekstraksi Ciri Koefisien Fourier Deskriptor sejumlah 10.

Multimeter Solder Obeng Trim

Tabel 4.3. Hasil Ekstraksi Ciri Koefisien Fourier Deskriptor sejumlah 5.

Multimeter Solder Obeng Trim

Tabel 4.4. Hasil Ekstraksi Ciri Koefisien Fourier Deskriptor sejumlah 2.

Multimeter Solder Obeng Trim

Adapun hasil perhitungan kesamaan kosinus ditunjukkan pada Tabel 4.5. sampai dengan Tabel 4.7. Perhitungan similaritas untuk nilai kesamaan kosinus 0,99

Similarity = ^0,99₁ 𝑥 100% = 99%

Tabel 4.5. Hasil Kesamaan Kosinus Koefisien Fourier Deskriptor Sejumlah 10.

Tabel 4.6. Hasil Kesamaan Kosinus Koefisien Fourier Deskriptor Sejumlah 5.

Tabel 4.7. Hasil Kesamaan Kosinus Koefisien Fourier Deskriptor Sejumlah 2.

M S OT TK TP PT B

Nilai ekstraksi perangkat elektronika yang satu dengan yang lainnya dapat dikatakan mirip apabila bernilai 0 sampai dengan 1. Jika bernilai 1 maka nilai ekstraksi perangkat elektronika dapat dikatakan mirip sedangkan jika bernilai 0 maka tidak mirip. Berdasarkan data pada Tabel 4.5 sampai dengan 4.7 dapat disimpulkan bahwa nilai ekstraksi antar perangkat elektronika mirip karena hasil kesamaan kosinus bernilai 1.

Nilai hasil ekstraksi ciri kemudian dibandingkan dengan basis data dengan menggunakan jarak euclidean. Semakin besar nilai jarak euclidean maka semakin mudah dalam membedakan citra perangkat elektronika yang satu dengan yang lainnya[1]. Adapun hasil pengujian secara langsung dapat dilihat pada Tabel 4.8.

Tabel 4.8. Pengaruh Variasi Koefisien Fourier Deskriptor Terhadap Tingkat Pengenalan Koefisien

Fourier Deskriptor

Tingkat Pengenalan(%)

50 100

25 100

10 100

5 100

2 28,571

Berdasarkan data pada Tabel 4.8. persentase tingkat pengenalan untuk koefisien Fourier deskriptor sejumlah 2 mencapai 28,571% sedangkan untuk koefisien Fourier deskriptor sejumlah 5, 10, 25 dan 50 persentase tingkat pengenalan sebesar 100%.

Sehingga dapat disimpulkan bahwa nilai koefisien Fourier deskriptor terkecil dengan tingkat pengenalan terbaik yaitu menggunakan 5 koefisien Fourier deskriptor dengan tingkat pengenalan sebesar 100%. Sebagai tambahan penelitian ini juga meneliti pengaruh variasi translasi, rotasi dan skala. Penelitian pertama yaitu pengujian variasi translasi.

Hasil pengujian variasi translasi dapat dilihat pada Tabel 4.9.

Tabel 4.9. Tingkat Pengenalan

Berdasarkan data pada Tabel 4.9. translasi berpengaruh jika perangkat elektronika digeser sejauh 5 cm kekanan sedangkan jika digeser sejauh 2cm ke kanan, 2 cm ke kiri dan 5 cm ke kiri translasi tidak akan berpengaruh. Hal tersebut dapat terjadi karena pada saat perangkat elektronika digeser 5 cm ke kanan hasil keluaran berupa teks tidak sesuai dengan perangkat elektronika sebenarnya melainkan perangkat elektronika lainnya. Ini dapat terjadi karena nilai ekstraksi ciri Fourier antar perangkat elektronika yang satu dengan lainnya mirip (Tabel 4.2. sampai dengan Tabel 4.4.).

Hal tersebut tentu saja akan berpengaruh pada perhitungan jarak euclidean (persamaan 2.12) sehingga keluaran yang dihasilkan tidak sesuai dengan perangkat elektronika yang sebenarnya. Contoh menggunakan koefisien Fourier deskriptor terkecil sejumlah 5 apabila multimeter digeser ke kanan 5 cm maka keluarannya bor. Hasil perhitungan jarak euclidean dapat dilihat pada Tabel 4.10.

Tabel 4.10. Hasil Perhitungan Jarak Euclidean Multimeter Solder Tang

Kupas

Berdasarkan data pada Tabel 4.10. nilai paling kecil (minimum) yaitu 0,0619 sehingga keluaran yang akan ditampilkan di GUI adalah bor. Pada pengujian secara langsung beberapa perangkat elektronika apabila digeser lebih dari 2 cm maka keluarannya tidak sesuai dengan perangkat elektronika yang sebenarnya. Namun ada daerah apabila perangkat elektronika diletakan di daerah tersebut maka keluarannya akan sesuai dengan perangkat elektronika yang sebenarnya. Daerah tersebut disebut dengan daerah bebas ditunjukkan pada Gambar 4.25.

Gambar 4.20. Daerah Bebas

Sehingga berdasarkan data pengaruh variasi translasi pada Tabel 4.9. dapat disimpulkan koefisien fourier terkecil dengan tingkat pengenalan terbaik yaitu sejumlah 5.

Selain meneliti pengaruh translasi dalam pengujian ini juga meneliti pengaruh variasi rotasi. Hasil pengujian pengaruh variasi rotasi dapat dilihat pada Tabel 4.11.

Tabel 4.11. Tingkat Pengenalan Pengaruh Variasi Rotasi

Rotasi Koefisien

0° 45° 135°

50 100% 100% 100%

25 100% 100% 100%

10 100% 100% 100%

5 100% 85,714% 100%

2 28,571% 28,571% 28,571%

Rata-rata 85,714% 82,857% 85,714%

Pada pengujian ini menggunakan variasi sudut putaran (rotasi) sesuai dengan batasan masalah yang telah ditetapkan yaitu 0°, 45° dan 135°. Berdasarkan data pada Tabel 4.11. rotasi tidak akan berpengaruh jika menggunakan koefisien fourier deskriptor sejumlah 10 sedangkan apabila menggunakan koefisien fourier deskriptor sejumlah 5 akan

Daerah bebas

mempengaruhi rotasi pada sudut 45°. Sehingga berdasarkan data pengaruh variasi rotasi pada Tabel 4.11. dapat disimpulkan koefisien fourier deskriptor terkecil dengan tingkat pengenalan terbaik yaitu sejumlah 10. Sedangkan hasil pengaruh variasi skala dapat dilihat pada Tabel 4.12.

Tabel 4.12. Tingkat Pengenalan Pengaruh Jarak (skala) Jarak

Koefisien 50 cm 57 cm 64,5 cm

50 100% 100% 100%

25 100% 100% 100%

10 100% 100% 100%

5 100% 100% 100%

2 28,571% 28,571% 57,142%

Rata-rata 85,714% 85,714% 92,428%

Pada pengujian ini nilai skala yang menjadi acuan yaitu pada jarak 57 cm. Karena pada jarak tersebut gambar citra perangkat elektronika disimpan dan dijadikan data untuk basis data. Nilai variasi skala yang digunakan sesuai dengan batasan masalah yang ditetapkan yaitu pada jarak 50 cm, 57 cm dan 64,5 cm. Berdasarkan data pada Tabel 4.12.

skala berpengaruh jika menggunakan koefisien fourier deskriptor sejumlah 2 sedangkan jika menggunakan koefisien fourier deskriptor terkecil sejumlah 5 maka variasi skala tidak akan berpengaruh. Sehingga berdasarkan data pengaruh variasi skala pada Tabel 4.12.

dapat disimpulkan koefisien fourier terkecil dengan tingkat pengenalan terbaik yaitu sejumlah 5. Adapun rata-rata pengaruh variasi translasi, rotasi dan skala terhadap tingkat pengenalan dapat dilihat pada Tabel 4.13.

Tabel 4.13. Rerata Pengaruh Variasi Translasi, Rotasi dan Skala Terhadap Tingkat Pengenalan

Variasi Tingkat

Pengenalan

Translasi 77,143%

Rotasi 84,762%

Skala 87,952%

Pada pengujian ini objek yang dikenali harus berwarna gelap (doff) karena latar belakang yang digunakan (background) berwarma terang. Apabila objek yang dikenali

berwarna terang akan mempengaruhi proses preprocessing dan program menjadi error.

Selain itu, dalam melakukan pengujian diusahakan pada saat mengambil data pencahayaan diatur sedemikian rupa sehingga tidak ada bayangan pada perangkat elektronika. Jika terdapat bayangan pada saat pengujian akan mempengaruhi tingkat pengenalan khususnya pengujian pengaruh variasi translasi, rotasi dan skala. Adapun rerata pengaruh variasi translasi, rotasi dan skala terhadap tingkat pengenalan jika terdapat bayangan ditunjukkan pada Tabel 4.14. Mengacu pada Tabel 4.13 dan Tabel 4.14 dapat disimpulkan bahwa tingkat pengenalan tanpa bayangan lebih baik daripada ada bayangan.

Tabel 4.14. Rerata Pengaruh Variasi Translasi, Rotasi dan Skala Terhadap Tingkat Pengenalan

Variasi Tingkat

Pengenalan

Translasi 53,546%

Rotasi 57,142%

Skala 80%

Berdasarkan hasil pengujian secara langsung dapat disimpulkan bahwa pengenalan perangkat elektronika secara langsung berbasis ekstraksi ciri deskriptor Fourier sudah lebih baik dari penelitian sebelumnya[1]. Hal tersebut dapat dilihat dari nilai koefisien Fourier deskriptor terkecil yang digunakan yaitu sejumlah 5 dengan persentase tingkat pengenalan mencapai 100%. serta sebagai tambahan rata – rata pengaruh variasi translasi, rotasi dan skala terhadap tingkat pengenalan (Tabel 4.13.) yaitu 77,143%, 84,762% dan 87,952%.

4.6. Keterbatasan Metodologi

1. Pada saat proses pengujian diusahakan tidak ada bayangan pada perangkat elektronika. Jika terdapat bayangan maka akan mempengaruhi tingkat pengenalan khususnya pengujian pengaruh variasi translasi, rotasi dan skala.

2. Perangkat elektronika yang digunakan harus berwarna gelap (doff) karena pada pengujian latar belakang yang digunakan berwarna terang (abu-abu). Jika perangkat elektronika berwarna terang maka akan mempengaruhi proses preprocessing.

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil pengujian sistem pengenalan perangkat elektronika dapat disimpulkan sebagai berikut:

1. Berdasarkan hasil percobaan dan pengujian sistem pengenalan perangkat elektronika secara real time dapat disimpulkan sistem pengenalan perangkat elektronika dengan ekstraksi ciri deskriptor Fourier dan fungsi jarak Euclidean berjalan sesuai dengan yang diharapkan serta lebih baik dari penelitian sebelumnya. Hal tersebut dapat dilihat dari persentase hasil pengujian pengenalan perangkat elektronika mencapai 100% dengan koefisien Fourier deskriptor terkecil sejumlah 5 koefisien.

2. Dari hasil pengujian variasi translasi koefisien fourier deskriptor terkecil dengan tingkat pengenalan terbaik yaitu sejumlah 5 dengan rata – rata persentase pengaruh variasi translasi mencapai 77,143%.

3. Pengujian variasi rotasi koefisien fourier terkecil dengan tingkat pengenalan terbaik yaitu sejumlah 10 dengan rata-rata persentase pengaruh variasi rotasi yaitu 84,762%

4. Pada pengujian variasi skala koefisien fourier terkecil dengan tingkat pengenalan terbaik yaitu sejumlah 5 dengan rata-rata persentase tingkat pengenalan mencapai 87,952%.

5. Nilai ekstraksi ciri antar perangkat elektronika dapat dikatakan mirip satu sama lain karena kesamaan kosinus bernilai 1.

5.2. Saran

Dengan dibuatnya software pengenalan perangkat elektronika ini, saran yang dapat diberikan dalam pengembangan kedepan antara lain:

1. Mencoba memperbanyak objek pengenalan perangkat elektronika.

2. Mencoba output berupa suara.

3. Mencoba ekstraksi ciri lain untuk pengenalan objek yang lebih kompleks.

DAFTAR PUSTAKA

[1] Prasetyo, Deniel Cahyo., 2014, Pengenalan Perangkat Elektronika Secara Real Time Menggunakan Webcam Berbasis Ekstraksi Ciri Discrete Cosine Transform, Tugas Akhir, Jurusan Teknik Elektro, FST, Universitas Sanata Dharma Yogyakarta.

[2] Hanu, K., dkk, 1995, An Experimental Comparison of Autoregressive and Fourier-based Descriptors in 2-D Shape Classification, IEEE Transactions on Pattern Analysis and Machine Inteligence, vol 17, hal 201 – 207.

[3] Zhang, D., Lu, G., ---, A Comparative on Shape Retrieval Using Fourier Descriptors with Different Shape Signatures, Monash University, Australia.

[4] Logitech, ---, HD Webcam C270, http://www.logitech.com/id-id/product/hd-webcam-c270h?crid=34, diakses 27 Juli 2017.

[5] Putra, Darma, 2010, Pengolahan Citra Digital, Andi, Yogyakarta.

[6] Madenda, Sariffudin, 2015, Pengolahan Citra & Video Digital, Erlangga, Jakarta.

[7] Kadir, A., Susanto, A., 2013, Teori dan Aplikasi Pengolahan Citra, Andi, Yogyakarta.

[8] Edupaint, 2011, Mengenal Warna Dasar, http://edupaint.com/warna/roda-warna/234-read-110405-mengenal-warna-dasar.html, diakses 27 Juli 2017.

[9] Astuti, Zuni Erna, 2010, Transformasi Fourier Untuk Peningkatan Kualitas Citra, vol 9, no. 1, hal 56 – 59.

[10] Putra, Leonardus Sandy Ade, 2017, Pengenalan Kode Huruf SEMAPHORE, Tugas Akhir, Jurusan Teknik Elektro, FST, Universitas Sanata Dharma Yogyakarta.

[11] Marques, Oge, 2011, Practical Image and Video Processing Using MATLAB.

John Wiley & Sons.

[12] S, Dewi Ekanita M, 2004, Operasi Morfologi pada Suatu Berkas Citra

Monokrom *.BMP Menggunakan Perangkat Lunak Versi 6.5, Tugas Akhir, Jurusan Matematika, FST, Universitas Sanata Dharma, Yogyakarta.

[13] Yadav, Raj Bahadur, dkk, 2009, Vehicular Shape Based Object Classification Using Fourier Descriptors Technique, Journal Of Scientific & Industrial Research, vol 68.

[14] Otsu, N., A Threshold Selection Method from Gray-Level Histograms, IEEE Transactions on Systems, Man, and Cybernetics, vol 9.

[15] Ariantini, Dewa A. R., Arie S. M. L., Agustinus J., 2016, Pengukuran Kemiripan Dokumen Teks Bahasa Indonesia Menggunakan Metode Cosine Similarity, E-Journal Teknik Informatika, vol 9.

LAMPIRAN 1

HASIL PERHITUNGAN TRANSFORMASI FOURIER

Menghitung transformasi Fourier f(y) pada Tabel 2.4 dengan persamaan 2.5 Untuk u = 0

𝐹(0) = � 𝑓(𝑦).𝑒^[0]

11 𝑖=0

𝐹(0) = � 𝑓(𝑦)

𝑖=0

𝐹(0) = 𝑓(0) + 𝑓(1) + 𝑓(2) + 𝑓(3) + 𝑓(4) + 𝑓(5) + 𝑓(6) + 𝑓(7) + 𝑓(8) + 𝑓(9) + 𝑓(10) + 𝑓(11)

𝐹(0) = 2i + 2i + 2i + 3i + 4i + 5i + 5i + 5i + 4i + 3i + 2i + 2i 𝐹(0) = 39.0000i

Untuk u = 1

𝐹(1) = � 𝑓(𝑦). 𝑒^{�−𝑗2𝜋𝑖}^{12 �}

𝑖=0

𝐹(1) = 𝑓(0). 𝑒^[0]+ 𝑓(1). 𝑒^{�−𝑗𝜋6�}+ 𝑓(2). 𝑒^{�−𝑗𝜋3�} + 𝑓(3). 𝑒^{�−𝑗𝜋2�}+ 𝑓(4).𝑒^{�−𝑗2𝜋}^{3 �} +𝑓(5). 𝑒^{�−𝑗5𝜋}^{6 �}+ 𝑓(6). 𝑒^{[−𝑗𝜋]}+ 𝑓(7).𝑒^{�−𝑗7𝜋}^{6 �}+ 𝑓(8). 𝑒^{�−𝑗4𝜋}^{3 �}+ 𝑓(9).𝑒^{�−𝑗3𝜋}^{2 �} 𝑓(10). 𝑒^{�−𝑗5𝜋}^{3 �}+ 𝑓(11).𝑒^{�−𝑗11𝜋}^{6 �}

𝐹(1) = −0.0000 + 10.1962𝑖

Untuk u = 2

𝐹(2) = � 𝑓(𝑦). 𝑒^{�−𝑗4𝜋𝑖}^{12 �}

𝑖=0

𝐹(2) = 𝑓(0). 𝑒^[0]+ 𝑓(1). 𝑒^{�−𝑗𝜋3�}+ 𝑓(2). 𝑒^{�−𝑗2𝜋}^{3 �}+ 𝑓(3).𝑒^{[−𝑗𝜋]} + 𝑓(4). 𝑒^{�−𝑗4𝜋}^{3 �} + 𝑓(5). 𝑒^{�−𝑗5𝜋}^{3 �}+ 𝑓(6). 𝑒^{[−𝑗2𝜋]}+ 𝑓(7). 𝑒^{�−𝑗7𝜋}^{3 �}+ 𝑓(8). 𝑒^{�−𝑗8𝜋}^{3 �}+ 𝑓(9). 𝑒^{[−𝑗3𝜋]}

𝑓(10). 𝑒^{�−𝑗10𝜋}^{3 �}+ 𝑓(11). 𝑒^{�−𝑗11𝜋}^{3 �} 𝐹(2) = 2.0000𝑖

Untuk u = 3

𝐹(3) = � 𝑓(𝑦). 𝑒^{�−𝑗6𝜋𝑖}^{12 �}

𝑖=0

𝐹(3) = 𝑓(0). 𝑒^[0]+ 𝑓(1). 𝑒^{�−𝑗1𝜋}^{2 �}+ 𝑓(2). 𝑒^{[−𝑗𝜋]}+ 𝑓(3). 𝑒^{�−𝑗3𝜋}^{2 �}+ 𝑓(4). 𝑒^{[−𝑗2𝜋]}

+ 𝑓(5). 𝑒^{�−𝑗5𝜋}^{2 �}+ 𝑓(6). 𝑒^{[−𝑗3𝜋]}+ 𝑓(7). 𝑒^{�−𝑗7𝜋}^{2 �}+ 𝑓(8). 𝑒^{[−𝑗4𝜋]}+ 𝑓(9). 𝑒^{�−𝑗9𝜋}^{2 �} 𝑓(10). 𝑒^{[−𝑗5𝜋]}+ 𝑓(11). 𝑒^{�−𝑗11𝜋}^{2 �}

𝐹(3) = − 1.0000𝑖

Untuk u = 4

𝐹(4) = � 𝑓(𝑦). 𝑒^{�−𝑗8𝜋𝑖}^{12 �}

𝑖=0

𝐹(4) = 𝑓(0). 𝑒^[0]+ 𝑓(1). 𝑒^{�−𝑗2𝜋}^{3 �}+ 𝑓(2). 𝑒^{�−𝑗4𝜋}^{3 �}+ 𝑓(3). 𝑒^{[−𝑗2𝜋]}+ 𝑓(4).𝑒^{�−𝑗8𝜋}^{3 �} + 𝑓(5). 𝑒^{�−𝑗10𝜋}^{3 �}+ 𝑓(6). 𝑒^{[−𝑗4𝜋]}+ 𝑓(7).𝑒^{�−𝑗14𝜋}^{3 �} + 𝑓(8). 𝑒^{�−𝑗16𝜋}^{3 �}+ 𝑓(9).𝑒^{[−𝑗6𝜋]}

𝑓(10). 𝑒^{�−𝑗20𝜋}^{3 �}+ 𝑓(11). 𝑒^{�−𝑗22𝜋}^{3 �}

𝐹(4) = −4.8850𝑒 − 015 + 1.9984𝑒 − 015𝑖

Untuk u = 5

𝐹(5) = � 𝑓(𝑦). 𝑒^{�−𝑗10𝜋𝑖}^{12 �}

𝑖=0

𝐹(5) = 𝑓(0). 𝑒^[0]+ 𝑓(1). 𝑒^{�−𝑗5𝜋}^{6 �}+ 𝑓(2). 𝑒^{�−𝑗5𝜋}^{3 �}+ 𝑓(3). 𝑒^{�−𝑗5𝜋}^{2 �}+ 𝑓(4). 𝑒^{�−𝑗10𝜋}^{3 �} + 𝑓(5). 𝑒^{�−𝑗25𝜋}^{6 �}+ 𝑓(6). 𝑒^{[−𝑗5𝜋]}+ 𝑓(7). 𝑒^{�−𝑗35𝜋}^{6 �} + 𝑓(8). 𝑒^{�−𝑗20𝜋}^{3 �}+ 𝑓(9).𝑒^{�−𝑗15𝜋}^{2 �}

𝑓(10). 𝑒^{�−𝑗25𝜋}^{3 �}+ 𝑓(11). 𝑒^{�−𝑗55𝜋}^{6 �} 𝐹(5) = − 0.1962𝑖

Untuk u = 6

𝐹(6) = � 𝑓(𝑦).𝑒^{[−𝑗𝜋𝑖]}

𝑖=0

𝐹(6) = 𝑓(0). 𝑒^[0]+ 𝑓(1). 𝑒^{[−𝑗𝜋]}+ 𝑓(2). 𝑒^{[−𝑗2𝜋]}+ 𝑓(3). 𝑒^{[−𝑗3𝜋]}+ 𝑓(4).𝑒^{[−𝑗4𝜋]}

+ 𝑓(5). 𝑒^{[−𝑗5𝜋]}+ 𝑓(6). 𝑒^{[−𝑗6𝜋]}+ 𝑓(7). 𝑒^{[−𝑗7𝜋]}+ 𝑓(8). 𝑒^{[−𝑗8𝜋]}+ 𝑓(9). 𝑒^{[−𝑗9𝜋]}

𝑓(10). 𝑒^{[−𝑗10𝜋]}+ 𝑓(11). 𝑒^{[−𝑗11𝜋]}

𝐹(6) = + 1.0000𝑖

Untuk u = 7

𝐹(7) = � 𝑓(𝑦). 𝑒^{�−𝑗14𝜋𝑖}^{12 �}

𝑖=0

𝐹(7) = 𝑓(0). 𝑒^[0]+ 𝑓(1). 𝑒^{�−𝑗7𝜋}^{6 �}+ 𝑓(2). 𝑒^{�−𝑗7𝜋}^{3 �}+ 𝑓(3). 𝑒^{�−𝑗21𝜋}^{6 �}+ 𝑓(4). 𝑒^{�−𝑗14𝜋}^{3 �} +𝑓(5). 𝑒^{�−𝑗35𝜋}^{6 �}+ 𝑓(6). 𝑒^{[−𝑗7𝜋]}+ 𝑓(7).𝑒^{�−𝑗49𝜋}^{6 �}+ 𝑓(8). 𝑒^{�−𝑗28𝜋}^{3 �}+ 𝑓(9).𝑒^{�−𝑗21𝜋}^{2 �} 𝑓(10). 𝑒^{�−𝑗35𝜋}^{3 �}+ 𝑓(11). 𝑒^{�−𝑗77𝜋}^{6 �}

𝐹(7) = − 0.1962𝑖

Untuk u = 8

𝐹(8) = � 𝑓(𝑦). 𝑒^{�−𝑗16𝜋𝑖}^{12 �}

𝑖=0

𝐹(8) = 𝑓(0). 𝑒^[0]+ 𝑓(1). 𝑒^{�−𝑗4𝜋}^{3 �}+ 𝑓(2). 𝑒^{�−𝑗8𝜋}^{3 �}+ 𝑓(3). 𝑒^{[−𝑗4𝜋]}+ 𝑓(4).𝑒^{�−𝑗16𝜋}^{3 �} +𝑓(5). 𝑒^{�−𝑗20𝜋}^{6 �}+ 𝑓(6). 𝑒^{[−𝑗8𝜋]}+ 𝑓(7).𝑒^{�−𝑗28𝜋}^{3 �} + 𝑓(8). 𝑒^{�−𝑗32𝜋}^{3 �}+ 𝑓(9). 𝑒^{[−𝑗12𝜋]}

𝑓(10). 𝑒^{�−𝑗40𝜋}^{3 �}+ 𝑓(11). 𝑒^{�−𝑗44𝜋}^{3 �}

𝐹(8) = −1.0436𝑒⁻¹⁴ − 4.2188𝑒^−15𝑖

Untuk u = 9

𝐹(9) = � 𝑓(𝑦). 𝑒^{�−𝑗18𝜋𝑖}^{12 �}

𝑖=0

𝐹(9) = 𝑓(0). 𝑒^[0]+ 𝑓(1). 𝑒^{�−𝑗3𝜋}^{2 �}+ 𝑓(2). 𝑒^{[−𝑗3𝜋]}+ 𝑓(3). 𝑒^{�−𝑗9𝜋}^{2 �}+ 𝑓(4). 𝑒^{[−𝑗6𝜋]}

+𝑓(5). 𝑒^{�−𝑗15𝜋}^{2 �}+ 𝑓(6). 𝑒^{[−𝑗6𝜋]}+ 𝑓(7).𝑒^{�−𝑗21𝜋}^{2 �} + 𝑓(8). 𝑒^{[−𝑗12𝜋]}+ 𝑓(9). 𝑒^{�−𝑗27𝜋}^{2 �} 𝑓(10). 𝑒^{[−𝑗15𝜋]}+ 𝑓(11). 𝑒^�−𝑗^33𝜋² ^�

𝐹(9) = − 1.0000𝑖

Untuk u = 10

𝐹(10) = � 𝑓(𝑦). 𝑒^{�−𝑗20𝜋𝑖}^{12 �}

𝑖=0

𝐹(10) = 𝑓(0).𝑒^[0]+ 𝑓(1). 𝑒^{�−𝑗5𝜋}^{3 �}+ 𝑓(2). 𝑒^{�−𝑗10𝜋}^{3 �}+ 𝑓(3). 𝑒^{[−𝑗5𝜋]}

+ 𝑓(4).𝑒^{�−𝑗20𝜋}^{3 �}

+𝑓(5). 𝑒^{�−𝑗25𝜋}^{3 �}+ 𝑓(6). 𝑒^{[−𝑗10𝜋]}+ 𝑓(7). 𝑒^{�−𝑗35𝜋}^{3 �}+ 𝑓(8).𝑒^{�−𝑗40𝜋}^{3 �} + 𝑓(9). 𝑒^{�−𝑗35𝜋}^{3 �} 𝑓(10). 𝑒^{�−𝑗50𝜋}^{3 �}+ 𝑓(11). 𝑒^{�−𝑗55𝜋}^{3 �}

𝐹(10) = − 2.0000𝑖

Untuk u = 11

𝐹(11) = � 𝑓(𝑦). 𝑒^{�−𝑗22𝜋𝑖}^{12 �}

𝑖=0

𝐹(11) = 𝑓(0). 𝑒^[0]+ 𝑓(1). 𝑒^{�−𝑗11𝜋}^{6 �}+ 𝑓(2). 𝑒^{�−𝑗11𝜋}^{3 �}+ 𝑓(3). 𝑒^{�−𝑗11𝜋}^{2 �}

+𝑓(4). 𝑒^{�−𝑗44𝜋}^{3 �} + 𝑓(5). 𝑒^{�−𝑗55𝜋}^{6 �}+ 𝑓(6). 𝑒^{[−𝑗11𝜋]}+ 𝑓(7). 𝑒^{�−𝑗77𝜋}^{6 �} + 𝑓(8). 𝑒^{�−𝑗44𝜋}^{3 �}

+𝑓(9). 𝑒^{�−𝑗33𝜋}^{2 �}+ 𝑓(10). 𝑒^{�−𝑗55𝜋}^{3 �}+ 𝑓(11). 𝑒^{�−𝑗121𝜋}^{6 �} 𝐹(11) = +10.1962𝑖

Menghitung transformasi Fourier f(x) pada Tabel 2.4 dengan persamaan 2.4.

Untuk u = 0

𝐹(0) = � 𝑓(𝑥). 𝑒𝑥𝑝[0]

11 𝑖=0

𝐹(0) = � 𝑓(𝑥)

𝑥=0

𝐹(0) = 𝑓(0) + 𝑓(1) + 𝑓(2) + 𝑓(3) + 𝑓(4) + 𝑓(5) + 𝑓(6) + 𝑓(7) + 𝑓(8) + 𝑓(9) + 𝑓(10) + 𝑓(11)

𝐹(0) = 2 + 3 + 4 + 5 + 5 + 5 + 4 + 3 + 3 + 3 + 3 + 2 + 2 𝐹(0) = 41.0000

Untuk u = 1

𝐹(1) = � 𝑓(𝑥).𝑒^{�−𝑗2𝜋𝑖}^{12 �}

𝑖=0

𝐹(1) = −5.5981 − 6.9641𝑖

Untuk u = 2

𝐹(2) = � 𝑓(𝑥). 𝑒^{�−𝑗4𝜋𝑖}^{12 �}

𝑖=0

𝐹(2) = 𝑓(0). 𝑒^[0]+ 𝑓(1). 𝑒^{�−𝑗𝜋3�}+ 𝑓(2). 𝑒^{�−𝑗2𝜋}^{3 �}+ 𝑓(3).𝑒^{[−𝑗𝜋]} + 𝑓(4). 𝑒^{�−𝑗4𝜋}^{3 �}

+ 𝑓(5). 𝑒^{�−𝑗5𝜋}^{3 �}+ 𝑓(6). 𝑒^{[−𝑗2𝜋]}+ 𝑓(7). 𝑒^{�−𝑗7𝜋}^{3 �}+ 𝑓(8). 𝑒^{�−𝑗8𝜋}^{3 �}+ 𝑓(9). 𝑒^{[−𝑗3𝜋]}

𝑓(10). 𝑒^{�−𝑗10𝜋}^{3 �}+ 𝑓(11). 𝑒^{�−𝑗11𝜋}^{3 �} 𝐹(2) = −2.5000 + 0.8660𝑖

Untuk u = 3

𝐹(3) = � 𝑓(𝑥). 𝑒^{�−𝑗6𝜋𝑖}^{12 �}

𝑖=0

𝐹(3) = 𝑓(0). 𝑒^[0]+ 𝑓(1). 𝑒^{�−𝑗1𝜋}^{2 �}+ 𝑓(2). 𝑒^{[−𝑗𝜋]}+ 𝑓(3). 𝑒^{�−𝑗3𝜋}^{2 �}+ 𝑓(4). 𝑒^{[−𝑗2𝜋]}

𝐹(3) = −1.0000𝑖

Untuk u = 4

𝐹(4) = � 𝑓(𝑥).𝑒^{�−𝑗8𝜋𝑖}^{12 �}

𝑖=0

𝑓(10). 𝑒^{�−𝑗20𝜋}^{3 �}+ 𝑓(11). 𝑒^{�−𝑗22𝜋}^{3 �} 𝐹(4) = 0.5000 + 0.8660𝑖

Untuk u = 5

𝐹(5) = � 𝑓(𝑥). 𝑒^{�−𝑗10𝜋𝑖}^{12 �}

𝑖=0

𝐹(5) = 𝑓(0). 𝑒^[0]+ 𝑓(1). 𝑒^{�−𝑗5𝜋}^{6 �}+ 𝑓(2). 𝑒^{�−𝑗5𝜋}^{3 �}+ 𝑓(3). 𝑒^{�−𝑗5𝜋}^{2 �}+ 𝑓(4). 𝑒^{�−𝑗10𝜋}^{3 �}

+ 𝑓(5). 𝑒^{�−𝑗25𝜋}^{6 �}+ 𝑓(6). 𝑒^{[−𝑗5𝜋]}+ 𝑓(7). 𝑒^{�−𝑗35𝜋}^{6 �} + 𝑓(8). 𝑒^{�−𝑗20𝜋}^{3 �}+ 𝑓(9).𝑒^{�−𝑗15𝜋}^{2 �} 𝑓(10). 𝑒^{�−𝑗25𝜋}^{3 �}+ 𝑓(11). 𝑒^{�−𝑗55𝜋}^{6 �}

𝐹(5) = −0.4019 − 0.0359𝑖

Untuk u = 6

𝐹(6) = � 𝑓(𝑥). 𝑒^{[−𝑗𝜋𝑖]}

𝑖=0

𝐹(6) = 𝑓(0). 𝑒^[0]+ 𝑓(1). 𝑒^{[−𝑗𝜋]}+ 𝑓(2). 𝑒^{[−𝑗2𝜋]}+ 𝑓(3). 𝑒^{[−𝑗3𝜋]}+ 𝑓(4).𝑒^{[−𝑗4𝜋]}

+ 𝑓(5). 𝑒^{[−𝑗5𝜋]}+ 𝑓(6). 𝑒^{[−𝑗6𝜋]}+ 𝑓(7). 𝑒^{[−𝑗7𝜋]}+ 𝑓(8). 𝑒^{[−𝑗8𝜋]}+ 𝑓(9). 𝑒^{[−𝑗9𝜋]}

𝑓(10). 𝑒^{[−𝑗10𝜋]}+ 𝑓(11). 𝑒^{[−𝑗11𝜋]}

𝐹(6) = −1.0000

Untuk u = 7

𝐹(7) = � 𝑓(𝑥).𝑒^{�−𝑗14𝜋𝑖}^{12 �}

𝑖=0

𝐹(7) = −0.4019 + 0.0359𝑖

Untuk u = 8

𝐹(8) = � 𝑓(𝑥).𝑒^{�−𝑗16𝜋𝑖}^{12 �}

𝑖=0

𝑓(10). 𝑒^{�−𝑗40𝜋}^{3 �}+ 𝑓(11). 𝑒^{�−𝑗44𝜋}^{3 �}

𝐹(8) = 0.5000 − 0.8660𝑖

Untuk u = 9

𝐹(9) = � 𝑓(𝑥). 𝑒^{�−𝑗18𝜋𝑖}^{12 �}

𝑖=0

𝐹(9) = 𝑓(0). 𝑒^[0]+ 𝑓(1). 𝑒^{�−𝑗3𝜋}^{2 �}+ 𝑓(2). 𝑒^{[−𝑗3𝜋]}+ 𝑓(3). 𝑒^{�−𝑗9𝜋}^{2 �}+ 𝑓(4). 𝑒^{[−𝑗6𝜋]}

𝐹(9) = 1.0000𝑖

Untuk u = 10

𝐹(10) = � 𝑓(𝑥).𝑒^{�−𝑗20𝜋𝑖}^{12 �}

𝑖=0

𝐹(10) = 𝑓(0).𝑒^[0]+ 𝑓(1). 𝑒^{�−𝑗5𝜋}^{3 �}+ 𝑓(2). 𝑒^{�−𝑗10𝜋}^{3 �}+ 𝑓(3). 𝑒^{[−𝑗5𝜋]}

+ 𝑓(4).𝑒^{�−𝑗20𝜋}^{3 �}

𝐹(10) = −2.5000 − 0.8660𝑖

Untuk u = 11

𝐹(11) = � 𝑓(𝑥).𝑒^{�−𝑗22𝜋𝑖}^{12 �}

𝑖=0

𝐹(11) = 𝑓(0).𝑒^[0]+ 𝑓(1). 𝑒^{�−𝑗11𝜋}^{6 �}+ 𝑓(2). 𝑒^{�−𝑗11𝜋}^{3 �}+ 𝑓(3). 𝑒^{�−𝑗11𝜋}^{2 �}

+𝑓(4). 𝑒^{�−𝑗44𝜋}^{3 �} + 𝑓(5). 𝑒^{�−𝑗55𝜋}^{6 �}+ 𝑓(6). 𝑒^{[−𝑗11𝜋]}+ 𝑓(7). 𝑒^{�−𝑗77𝜋}^{6 �} + 𝑓(8). 𝑒^{�−𝑗44𝜋}^{3 �} +𝑓(9). 𝑒^{�−𝑗33𝜋}^{2 �}+ 𝑓(10). 𝑒^{�−𝑗55𝜋}^{3 �}+ 𝑓(11). 𝑒^{�−𝑗121𝜋}^{6 �}

𝐹(11) = −5.5981 + 6.9641𝑖

LAMPIRAN 2

HASIL PENURUNAN KOEFISIEN FOURIER

Mekanisme penurunan koefisien Fourier.

N = 10 delta = ^{(12− 10)}

2 = 1

N = 8

delta = ^{(12− 8)}

2 = 2

N = 2

delta = ^{(12− 2)}

2 = 5

LAMPIRAN 3

ALUR PROSES PENGENALAN PERANGKAT ELEKTRONIKA SECARA LANGSUNG

Mulai

Masukan:

Citra RGB

Konversi citra RGB ke Biner

Operasi Opening

Kontur Moore

Koefisien Deskriptor Fourier

Mekanisme Penurunan Koefisien

B Keluaran:

Hasil Normalisasi (Ekstraksi Ciri)

Koefisien 50 Koefisien 25

(Hasil Normalisasi Bor)

Koefisien 10 Koefisien 5

Koefisien 2

Bor

Selesai Masukan:

Hasil perhitungan jarak

Keluaran:

Hasil berupa teks pada layar monitor

(Keluaran dari proses pengenalan pola)

LAMPIRAN 4 LISTING PROGRAM LISTING PROGRAM SECARA LANGSUNG

function varargout = Pengenalan(varargin)

% PENGENALAN M-file for Pengenalan.fig

% PENGENALAN, by itself, creates a new PENGENALAN or raises the

% PENGENALAN('CALLBACK',hObject,eventData,handles,...) calls the local

% function named CALLBACK in PENGENALAN.M with the given input arguments.

% PENGENALAN('Property','Value',...) creates a new PENGENALAN or raises the

% existing singleton*. Starting from the left, property value pairs are

% applied to the GUI before Pengenalan_OpeningFcn gets called. An

% unrecognized property name or invalid value makes property application

% stop. All inputs are passed to Pengenalan_OpeningFcn via varargin.

% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help Pengenalan

% Last Modified by GUIDE v2.5 14-Dec-2017 15:21:58

% Begin initialization code - DO NOT EDIT gui_Singleton = 1;

if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1});

end

if nargout

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});

else

gui_mainfcn(gui_State, varargin{:});

end

% End initialization code - DO NOT EDIT

% --- Executes just before Pengenalan is made visible.

function Pengenalan_OpeningFcn(hObject, eventdata, handles, varargin)

% This function has no output args, see OutputFcn.

% hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% varargin command line arguments to Pengenalan (see VARARGIN)

% Choose default command line output for Pengenalan handles.output = hObject;

% Update handles structure guidata(hObject, handles);

% UIWAIT makes Pengenalan wait for user response (see UIRESUME)

% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.

function varargout = Pengenalan_OutputFcn(hObject, eventdata, handles)

% varargout cell array for returning output args (see VARARGOUT);

% hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure varargout{1} = handles.output;

function edit1_Callback(hObject, eventdata, handles)

% hObject handle to edit1 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of edit1 as text

% str2double(get(hObject,'String')) returns contents of edit1 as a double

% --- Executes during object creation, after setting all properties.

function edit1_CreateFcn(hObject, eventdata, handles)

% hObject handle to edit1 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles empty - handles not created until after all CreateFcns called

% Hint: edit controls usually have a white background on Windows.

% See ISPC and COMPUTER.

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white');

end

% --- Executes on button press in CameraOn.

function CameraOn_Callback(hObject, eventdata, handles)

% hObject handle to CameraOn (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA) global camvid;

hImage = image(zeros(imHeight, imWidth, nBands),'parent',handles.axes1);

preview(camvid,hImage);

% --- Executes on button press in Capture.

function Capture_Callback(hObject, eventdata, handles)

% hObject handle to Capture (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA) global picture;

% --- Executes on button press in Process.

function Process_Callback(hObject, eventdata, handles)

% hObject handle to Process (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

%DATABASE

% ====================================================================

%PROSES KONVERSI RGB KE BINER x = rgb2gray(imread('coba.jpg'));

E = imdilate(D, C1);

%imwrite(E,'.jpg')

% ====================================================================

%DESKRIPTOR FOURIER KM = deteksikontur(E);

F = koefisienDF(KM);

I = mekanismepenurunan(F, koef);

K = normalisasi(I);

set(handles.edit1,'string',z1);

elseif(minr==r(2)) z2={'Solder'};

set(handles.edit1,'string',z2);

elseif(minr==r(3)) z3={'Tang kupas'};

set(handles.edit1,'string',z3);

elseif(minr==r(4)) z4={'Tang potong'};

set(handles.edit1,'string',z4);

elseif(minr==r(5)) z5={'Bor'};

set(handles.edit1,'string',z5);

elseif(minr==r(6))

z6={'Penyedot timah'};

set(handles.edit1,'string',z6);

elseif(minr==r(7)) z7={'Obeng trim'};

set(handles.edit1,'string',z7);

end

% --- Executes on button press in Reset.

function Reset_Callback(hObject, eventdata, handles)

% hObject handle to Reset (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% RESET

% --- Executes on button press in End.

function End_Callback(hObject, eventdata, handles)

% hObject handle to End (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA) close

% --- Executes on selection change in popupmenu1.

function popupmenu1_Callback(hObject, eventdata, handles)

% hObject handle to popupmenu1 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA) indeks=get(handles.popupmenu1,'value');

% Hints: contents = cellstr(get(hObject,'String')) returns popupmenu1 contents as cell array

% contents{get(hObject,'Value')} returns selected item from popupmenu1

% --- Executes during object creation, after setting all properties.

function popupmenu1_CreateFcn(hObject, eventdata, handles)

% hObject handle to popupmenu1 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles empty - handles not created until after all CreateFcns called

% Hint: popupmenu controls usually have a white background on Windows.

% See ISPC and COMPUTER.

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white');

end

% ===================================================================

% Internal function of function Fourier

% ===================================================================

%KONTUR MOORE

function [DF] = deteksikontur(KM) [jum_baris, jum_kolom] = size (KM);

% piksel awal selesai = false ; for m = 1 : jum_baris

%periksa 8 tetangga dan cari piksel pertama yang bernilai 1 for m = 1 : 8

% ulang sampai akhir while true

for m = 1: 8

[dy, dx] = delta_piksel(b);

if KM(a.y + dy, a.x + dx) == 1

a.y = a.y + dy;

%kondisi akhir pengulangan

if (a.y == a0.y) && (a.x == a0.x) break;

end end return

function [a] = berikut (x) if x == 0

a = 7;

else

a = x - 1;

end

function [s] = sebelum (x) if x == 7

function [dy, dx] = delta_piksel (id) if id == 0

dx = 0 ; dy = 1; function[F] = koefisienDF(DF) TK = length(DF);

% atur supaya jumlah elemen genap if rem (TK,2) == 1

DF = [ DF; DF(1,:)];

end

%peroleh bentuk fourier kontur K = DF(:, 2) - 1i * DF(:,1);

F = fft(K);

% ===================================================================

%MEKANISME PENURUNAN FOURIER

function [G] = mekanismepenurunan(F, koef) TF = length(F);

function [bn] = normalisasi(F) bn = F;

%atur agar bebas terhadap penskalaan a0 = abs(bn(1)); % ambil komponen kedua bn = bn./ a0 ; % lakukan normalisasi

% atur supaya bebas rotasi dan perubahan titik awal bn = abs(bn);

% ===================================================================

%JARAK EUCLIDEAN

function z = jarak(x,y)

%x=x*100;

%y=y*100;

z=sqrt(sum((x-y).^2));

LISTING PROGRAM SECARA TIDAK LANGSUNG

function varargout = tidaklangsunggui(varargin)

% TIDAKLANGSUNGGUI MATLAB code for tidaklangsunggui.fig

% TIDAKLANGSUNGGUI, by itself, creates a new TIDAKLANGSUNGGUI or raises the existing

% singleton*.

% H = TIDAKLANGSUNGGUI returns the handle to a new TIDAKLANGSUNGGUI or the handle to

% the existing singleton*.

% TIDAKLANGSUNGGUI('CALLBACK',hObject,eventData,handles,...) calls the local

% function named CALLBACK in TIDAKLANGSUNGGUI.M with the given input arguments.

% TIDAKLANGSUNGGUI('Property','Value',...) creates a new TIDAKLANGSUNGGUI or raises the

% existing singleton*. Starting from the left, property value pairs are

% applied to the GUI before tidaklangsunggui_OpeningFcn gets called.

% unrecognized property name or invalid value makes property application

% stop. All inputs are passed to tidaklangsunggui_OpeningFcn via varargin.

% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help tidaklangsunggui

% Last Modified by GUIDE v2.5 07-Jan-2018 23:42:17

% Begin initialization code - DO NOT EDIT gui_Singleton = 1;

if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1});

end

if nargout

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});

else

gui_mainfcn(gui_State, varargin{:});

end

% End initialization code - DO NOT EDIT

% --- Executes just before tidaklangsunggui is made visible.

function tidaklangsunggui_OpeningFcn(hObject, eventdata, handles, varargin)

% This function has no output args, see OutputFcn.

% hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB

Dalam dokumen PENGEMBANGAN PENGENALAN PERANGKAT ELEKTRONIKA SECARA REAL TIME BERBASIS EKSTRAKSI CIRI DESKRIPTOR FOURIER (Halaman 68-0)