BAB III Rancangan Penelitian
3.4. Perancangan Perangkat Lunak (Software)
3.4.8. GUI pada Python
Tujuan dibuatnya GUI adalah untuk memantau proses berjalannya program. GUI memiliki peran yang penting karena di dalamnya kita bisa melihat dan memahami program yang dibuat. GUI yang dibuat menampilkan hasil pencacahan baut dan mur berdasarkan ukuran. Dalam membuat GUI digunakan pustaka Tkinter. Perancangan GUI ditunjukkan oleh Gambar 3.16.
Gambar 3.16. Perancangan GUI
Pada GUI terdapat empat button yaitu Start, Stop, Reset, dan Exit. Ketika Button Start ditekan, Webcam dan Raspberry akan standby sehingga tray dan conveyor bergerak.
Pada saat ini peneliti dapat meletakkan baut dan mur untuk diproses oleh program ke atas tray. Sedangkan ketika Button Stop ditekan, sistem berhenti secara keseluruhan. Webcam, tray, conveyor, dan Raspberry Pi akan berhenti bekerja. Button Reset ditekan ketika program
sedang berjalan dapat membuat tampilan pada GUI direset menjadi tampilan pada awal ketika semua text box masih bernilai 0. Tetapi Webcam, tray, conveyor dan Raspberry masih bekerja. Ketika Button Exit ditekan, sistem akan berhenti bekerja sedangkan GUI akan tetap menampilkan jumlah terakhir yang dicacah. Sistem akan bekerja kembali ketika Button Start ditekan.
Tabel 3.1. Keterangan GUI
Nama Bagian Keterangan
Tombol “Start” Untuk memulai program
Tombol “Stop” Untuk menghentikan program
Tombol “Reset” Untuk memulai cacahan dari awal
Tombol “Exit” Untuk keluar dari program
M5 x 16 Untuk menampilkan jumlah baut dengan ukuran M5 x 16
M6 x 20 Untuk menampilkan jumlah baut dengan ukuran M6 x 20
M8 x 25 Untuk menampilkan jumlah baut dengan ukuran M8 x 25
M5 Untuk menampilkan jumlah mur ukuran
M5
M6 Untuk menampilkan jumlah mur ukuran
M6
M8 Untuk menampilkan jumlah mur ukuran
M8
46
BAB IV
HASIL DAN PEMBAHASAN
Pada Bab ini akan membahas tentang hasil pengamatan dan pengujian sistem Pencacah dan Penyortir Baut dan Mur dengan menggunakan Raspberry Pi. Pembahasan akan dibagi menjadi beberapa bagian yaitu perubahan perancangan, implementasi hardware, implementasi software, implementasi GUI, dan hasil pengamatan sistem.
4.1. Perubahan Perancangan
Bagian ini menjelaskan perubahan pada perancangan mplementasi hardware dan software yang terjadi selama proses pembuatan hardware dan software.
4.1.1. Dinding Penghalang Cahaya
Pemberian dinding penghalang cahaya disebabkan objek tidak bisa dikenali dengan akurat ketika cahaya terlalu terang. Untuk mengatasinya, dibuat dinding yang menghalangi cahaya di dua sisi conveyor.
Gambar 4.1. Penghalang Cahaya di Sekitar Webcam
Perubahan setelah pemberian dinding penghalang cahaya ini adalah objek sudah dapat dikenali dengan lebih baik. Pemberian dinding penghalang cahaya dapat dilihat pada gambar 4.1.
4.1.2. Penambahan Motor DC
Penambahan motor DC ini bertujuan untuk memberikan getaran pada tray sehingga objek yang berada pada tray dapat bergerak menuruni tray. Supaya motor DC bergetar, ditempel mur pada porosnya motor DC sehingga motor DC menjadi berat sebelah ketika berputar dan menimbulkan getaran. Rangkaian pemberi getaran dengan motor DC dapat dilihat pada Lampiran 3.B.
4.1.3. Penggantian Motor DC 5V menjadi Motor DC 12V
Motor DC 5V sebagai penggerak conveyor diganti dengan motor DC 12V dikarenakan motor DC 12V memiliki rpm yang diinginkan yaitu 30 rpm. Motor DC sebelum penggantian adalah motor DC 5V yang mempunyai kecepatan 1200 rpm sehingga belt conveyor bergerak terlalu cepat dan Webcam susah untuk mendeteksi. Penggantian motor DC diikuti oleh penggantian power supply yang digunakan yaitu dari power supply 5 V menjadi power supply 12 V.
4.1.4. Pemindahan Posisi Webcam
Gambar 4.2. Perubahan Posisi Webcam
Pemindahan posisi Webcam menjadi lebih dekat dengan servo agar proses penyortiran bisa langsung dilakukan setelah Webcam mengenali objek dikarenakan pada perancangan digunakan sensor infrared untuk mendeteksi objek. Gate bergerak ketika sensor mendeteksi objek sudah mendekati gate sehingga arah gerak gate tidak keliru dikarenakan panjangnya jarak dari Webcam menuju gate dan berkemungkinan Webcam sudah mendeteksi objek lain sebelum objek sebelumnya mencapai gate. Akan tetapi dalam
penerapannya, sensor infrared tidak bisa mendeteksi secara akurat. Maksud tujuan dari pemindahan posisi Webcam supaya objek yang terdeteksi tidak melalui jarak yang terlalu jauh untuk mencapai servo sehingga pergerakan gate bisa sinkron dengan objek yang dideteksi. Pemindahan posisi Webcam dapat dilihat pada Gambar 4.2., garis merah adalah posisi awal Webcam sedangkan posisi setelah dipindah adalah seperti pada gambar.
4.1.5. Perubahan Pada Metode Pendeteksian Objek
Terdapat sedikit perubahan yang dapat dilihat pada Flowchart 1 pada lampiran 1.
Webcam, Conveyor, Motor Stepper akan on bersamaan ketika button start ditekan. Capture dilakukan langsung ketika Webcam on dan tidak lagi menggunakan sensor untuk mendeteksi. Metode pendeteksian dapat dilihat pada Flowchart 2 di lampiran 1.
Pendeteksian objek tidak lagi menggunakan sensor infrared karena sensor infrared tidak dapat mendeteksi dengan akurat. Data error ketika pendeteksian menggunakan sensor infrared dapat dilihat pada lampiran 5. Pendeteksian objek akhirnya menggunakan Webcam langsung di mana jika citra yang dideteksi memberikan nilai area yang konstan dan contour area sudah sesuai, maka citra akan diproses.
4.2. Implementasi Perangkat Keras
Tabel 4.1. Keterangan Implementasi Hardware Keseluruhan Merujuk Pada Gambar 4.3.
No. Keterangan
1. Wadah akhir baut dan mur
2. Servo motor
3. Tempat meletakkan webcam pada conveyor 4. Turbin pemisah baut dan mur satu per satu
5. Tray
6. Motor Stepper
7. Motor DC 12V
8. Powersupply 12V
9. Pengatur Tegangan
10. Raspberry Pi
11 Monitor
Bagian ini membahas hasil pengimplementasian hardware untuk sistem pencacah dan penyortir baut dan mur menggunakan Raspberry Pi dari perancangan yang telah dibuat sebelumnya. Hardware dalam penelitian ini meliputi tray, turbin untuk menyalurkan baut
atau mur dari tray, dan conveyor. Tampilan Hardware keseluruhan dalam penelitian ini dapat dilihat pada gambar 4.3 beserta keterangan pada Tabel 4.1. Penjelasan untuk setiap bagian hardware akan dijelaskan sebagai berikut.
Gambar 4.3. Hasil Implementasi Hardware Keseluruhan
4.2.1. Tray
Gambar 4.4. Tray
Fungsi tray dalam penelitian ini adalah untuk menunjang agar baut dan mur bisa turun satu per satu. Penampang tray dibuat dengan menggunakan kardus dan berbentuk menyempit di salah satu ujungnya agar baut dan mur yang keluar bisa satu per satu. Lebar ujung tray tempat keluarnya baut dan mur disesuaikan dengan ukuran baut terbesar supaya benda yang keluar dari tray tidak keluar dalam jumlah lebih dari satu.
Tray di-on secara manual melalui switch yang terdapat di sisi kiri tray. Ketika switch on, tray akan bergetar sehingga baut dan mur di penampang tray akan bergerak turun satu per satu. Penampang tray diposisikan miring 150 dan tinggi 20 cm atau 13 cm di atas belt conveyor. Tray yang telah dibuat ditunjukkan pada Gambar 4.4.
4.2.2. Turbin
Gambar 4.5. Turbin
Turbin digunakan sebagai perantara tray dan conveyor. Baut dan mur yang turun dari tray akan masuk ke sekat-sekat pada turbin dan diputar ke conveyor. Fungsi sekat-sekat pada turbin adalah agar baut dan mur bisa langsung terpisah ketika menuruni tray. Turbin terdiri dari 6 sekat dengan masing-masing sekat sebesar 600Jari-jari turbin adalah 5 cm dan tinggi penyangga turbin adalah 14 cm. Motor Stepper yang digunakan dalam penelitian ini adalah 28BYJ-48 Stepper Motor dan dilengkapi driver ULN2003. Gambar Turbin dapat dilihat pada Gambar 4.5.
4.2.3. Conveyor
Gambar 4.6. Tampilan Keseluruhan Conveyor
Conveyor terbuat dari kayu dengan belt yang berbahan semi kulit agar dapat berputar dengan lebih fleksibel. Pada badan conveyor terpasang beberapa komponen seperti motor DC sebagai penggerak belt, gate sebagai pemisah baut dan mur yang digerakkan oleh servo, Webcam sebagai pendeteksi dan pengenal objek, dan penghalang cahaya yang terbuat dari kardus. Conveyor memiliki ukuran tinggi belt 8 cm, panjang 33,5 cm, dan lebar 10 cm.
Bagian-bagian conveyor dapat dilihat pada Gambar 4.6.
4.3. Implementasi Perangkat Lunak
Alur proses keseluruhan program telah dijelaskan pada flowchart utama pada gambar 3.7. Sebelum masuk ke program utama, diperlukan inisialisasi package yang digunakan pada header program. Inisialisasi header dapat dilihat pada Gambar 4.7. Untuk variabel global dapat dilihat pada Gambar 4.8.
Gambar 4.7. Inisialisasi Header
Gambar 4.8. Inisialisasi Global
4.3.1. Image Preprocessing
Seperti pada flowchart utama pada lampiran 1, hal pertama yang dilakukan sebelum memproses citra adalah image preprocessing. Dalam image preprocessing, akan melalui proses segmentasi terlebih dahulu. Dapat dilihat pada Gambar 4.9., segmentasi yang digunakan adalah ROI (region of interest). Setelah itu, citra difilter menggunakan bilateral filter dan gaussian blur. Citra kemudian dicari konturnya dengan fungsi cv2.findContours dan connected components dengan fungsi cv2.connectedComponents.
Gambar 4.9. Implementasi Image Preprocessing
Pada perancangan, digunakan bounding box untuk segmentasi, akan tetapi pada penerapannya, bounding box tidak dapat digunakan secara maksimal dikarenakan masih banyaknya noise yang muncul di tepi belt karena adanya efek silau dari cahaya sedangkan dalam keadaan gelap, baut atau mur tidak bisa terdeteksi. Citra yang masuk dalam Region of Interest adalah citra yang berada di tengah pada area tangkapan Webcam. Ukuran yang digunakan dalam Region of Interest adalah 380 piksel untuk panjang dan 520 piksel lebar.
Hal ini berdasarkan pengukuran luas noise yang timbul di area tertentu. Pendeklarasian size ROI dapat dilihat pada Gambar 4.10.
Gambar 4.10. Size ROI
4.3.2. Pengenalan Bentuk Benda
Selanjutnya, program masuk ke bagian pengenalan bentuk benda yaitu dengan menghitung nilai Euler Number tiap citra. Rumus Euler Number dapat dilihat pada persamaan 2.12. Implementasi rumus Euler Number dapat dilihar pada program gambar 4.11.
Gambar 4.11. Implementasi Euler Number
Pada program fungsi Euler Number, peneliti menetapkan beberapa kondisi yang akan dikeluarkan dari perhitungan. Kondisi tersebut diberi nilai 50 sebagai default agar program mengenali kondisi-kondisi yang tidak perlu dimasukkan dalam perhitungan karena kondisi tersebut adalah kondisi ketika objek baut dan mur belum masuk dalam area capture.
4.3.3. Pengenalan Ukuran Benda
Pengenalan ukuran benda adalah proses mencari nilai area citra objek. Rumus mencari nilai area dapat dilihat pada persamaan 2.13. Akan tetapi pada penelitian ini, pencarian nilai area menggunakan fungsi dari OpenCV, yaitu cv2.contourArea seperti pada Gambar 4.12.
Gambar 4.12. Implementasi Area
4.3.4. Penambahan Threading
Sebelum ditambahkan fungsi threading dalam program, running keseluruhan tidak dapat berjalan dengan paralel. Ketika GUI sedang running, program untuk motor dc, motor stepper, dan servo tidak bekerja. Sistem yang tidak bekerja akan mulai running hanya ketika GUI ditutup. Padahal seharusnya sistem running secara bersamaan tanpa harus menunggu yang lainnya selesai. Oleh karena itu, digunakan threading. Penerapan threading dalam penelitian ini dapat dilihat pada Gambar 4.13. threading adalah fungsi yang dapat berjalan mandiri sehingga dua atau lebih thread dapat berjalan bersamaan.
Gambar 4.13. Threading
4.3.5. Implementasi GUI
Tampilan Graphical User Interface atau disingkat GUI yang dibuat pada penelitian ini seperti perancangan GUI pada Bab 3. Akan tetapi terjadi perubahan pada Package yang digunakan untuk membuat GUI. Untuk tampilan GUI yang sekarang dibuat dengan package PysimpleGUI. Tampilan awal GUI sebelum di-start dapat dilihat pada Gambar 4.14. Ketika button “START” pada GUI ditekan, ditampilkan dua windows untuk menampilkan input dari Webcam yaitu citra grayscale dan citra biner. Tampilan citra grayscale dapat dilihat pada gambar 4.15., sedangkan tampilan citra biner dapat dilihat pada gambar 4.16.
Gambar 4.14. Tampilan awal GUI
Gambar 4.15. Tampilan Citra Grayscale
Gambar 4.16. Tampilan Citra Biner
Tujuan ditampilkannya citra grayscale untuk memantau area yang ter-capture Webcam dan ditampilkannya citra biner untuk melihat proses threshold citra. Pada penelitian ini, pembuatan GUI menggunakan package PySimpleGUI. Program pembuatan GUI dapat dilihat pada Gambar 4.17.
Gambar 4.17. Pembuatan GUI
Kemudian, setiap button diberi parameter yang akan mengaktifkan fungsi –fungsi yang sesuai dengan kondisi parameter yang diaktifkan. Program inisialisasi button pada GUI dapat dilihat pada Gambar 4.18.
Gambar 4.18. Program Inisialisasi Button pada GUI
Gambar 4.19. Implementasi Variabel “recording”
Proses sinkronisasi program menggunakan variabel “recording”, di mana variabel ini diinisialisasi awal sebagai False, dan akan menjadi True ketika tombol Start pada GUI ditekan. Ketika variabel “recording” bernilai True, maka motor DC, motor Stepper, Webcam akan on. Servo dalam keadaan stand by, program utama, yang akan mengolah citra akan memproses frame hasil capture Webcam secara terus menerus untuk mendeteksi objek.
Keseluruhan program dalam variabel “recording” ini akan berhenti ketika tombol stop ditekan yang ini akan mengaktifkan variabel “terus”. Implementasi penggunaan variabel
“recording” dapat dilihat pada gambar 4.19. ketika tombol “reset” ditekan. GUI akan meng-update variabel baut1, baut2, baut3, mur1, mur2, dan mur3 dengan nilai 0.
4.4. Hasil Pengamatan Sistem
Pada bagian ini dijelaskan hasil pengamatan kerja sistem baik secara real time maupun non real time. Pada pengambilan data non real time, pengamatan dilakukan secara langsung dari command window dan tampilan GUI.
Cara kerja sistem dimulai dengan menekan tombol start pada GUI, motor Stepper dan motor dc conveyor akan running, Webcam on. Setelah itu, kita menekan switch pada tray. Tray akan bergetar, baut dan mur pun menuruni tray satu per satu memasuki turbin yang diputar oleh motor Stepper. Kemudian objek satu per satu jatuh ke conveyor dan diproses untuk di-capture oleh Webcam. Objek yang sudah dikenali disortir langsung oleh gate untuk masuk ke box kanan atau kiri. Objek dihitung nilai area dan masuk dalam pencacahan pada GUI.
Cara pendeteksian objek adalah dengan memproses frame terus menerus. Setiap frame diubah ke citra grayscale dan diberi region of interest. Kemudian citra dihilangkan noise dengan Bilateral Filter dan Gaussian blur. Proses selanjutnya adalah threshold objek untuk diubah ke citra biner. Proses threshold dilakukan secara otomatis. Dapat dilihat pada gambar 4.20a dan gambar 4.20b. ketika belum ada objek di bawah Webcam, citra biner terlihat penuh dengan noise akibat cahaya yang masuk dan mengakibatkan belt menjadi mengkilap. Akan tetapi setelah diletakkan objek, maka citra biner akan terfokus pada objek seperti pada gambar 4.21a. dan gambar 4.21b. Setelah threshold, dilakukan proses morfologi closing kemudian opening. Proses morfologi ini dilakukan untuk membuat citra menjadi lebih terfokus pada objek sehingga memudahkan untuk tahap selanjutnya yaitu find contours.
Fungsi find contours adalah untuk menentukan jumlah objek yang terdeteksi pada citra. Seperti yang tertulis pada listing program pada lampiran 5, jumlah objek yang terdeteksi kemudian dimasukkan ke variabel temp, sedangkan numb_label adalah varibel untuk mendeteksi jumlah lubang pada objek yang akan dipakai pada fungsi dalam mencari euler number. Nilai euler number pada setiap frame kemudian dimasukkan pada list “a”
sedangkan nilai area objek pada setiap frame dimasukkan pada list “b”. Dengan menggunakan fungsi modus, dicari nilai modus dari list “a” untuk menentukan bentuk objek apakah baut atau mur. Jika nilai modus dari list “a” adalah 1, maka objek adalah baut, jika nilai modus dari list “b” adalah 0, maka objek adalah mur. Dari hasil perhitungan tersebut, digunakan untuk menentukan pergerakan gate untuk menyortir objek.
Untuk menentukan ukuran objek, digunakan nilai area. Untuk mencari area objek pertama-tama area yang terdeteksi dimasukkan pada list “b” Kemudian dicari nilai varian dari list “b” untuk menentukan apakah objek sudah masuk keseluruhan dalam frame atau masih ada bagian yang terpotong. Jika objek sudah masuk, maka diambil nilai rata-rata objek
dan masuk dalam fungsi perbandingan ukuran berdasarkan bentuk objek untuk menentukan ukuran objek.
Gambar 4.20. Tampilan sebelum ada objek masuk (a) grayscale (b) biner
Gambar 4.21. Tampilan setelah ada objek masuk (a) grayscale (b) biner
Panjang list data adalah 12, 18, dan 24 tergantung kecepatan conveyor yang digunakan. Setelah objek terdeteksi, list data akan di-clear dan kemudian diberi delay pada proses capture Webcam agar objek yang terdeteksi melewati area tangkapan Webcam.
Contoh tampilan GUI saat objek sudah tercacah dapat dilihat pada Gambar 4.22.
Gambar 4.22. Contoh Tampilan GUI saat objek tercacah
4.4.1. Pengujian Secara Real Time
Pengujian secara Real Time untuk menguji kinerja alat secara keseluruhan baik software maupun hardware. Pengujian secara real time dilakukan dengan tiga variabel kecepatan. Cara mengatur kecepatan dengan memutar rotary switch pada rangkaian pengatur
kecepatan. Kecepatan pertama yaitu 3,5 rpm. Pada kecepatan 3,5 rpm, diambil per 24 frame sebagai input untuk mendeteksi objek. Kecepatan kedua yaitu 8,5 rpm diambil per 15 frame dalam mendeteksi objek. Kecepatan ketiga, yaitu 11 rpm, diambil per 10 frame dalam mendeteksi objek.
Cara pemutusan ukuran objek dalam program ini adalah dengan menghitung luas area objek. Pertama, kita mengambil 5 kali capture untuk tiap objek yang dapat kita lihat pada Lampiram 6. Nilai area untuk tiap pengujian mempunyai hasil yang relatif berbeda dikarenakan pengaruh pergerakan objek yang bergerak mengikuti belt conveyor. Oleh sebab itu. dari total hasil capture tersebut kita dapat memutuskan range area yang ditampilkan pada tabel 4.2. untuk menentukan ukuran objek yang akan diuji pada penelitian ini.
Tabel 4.2. Range Area Tiap Objek No. Objek Nilai Area Terendah Nilai Area
Tertinggi
4.4.1.1. Pengujian Secara Real Time Tanpa Tray
Tabel 4.3. Data Proses Pencacahan dan Penyortiran Baut dan Mur Tanpa Tray Menggunakan Kecepatan 11 rpm
Objek yang Dicacah
Jumlah yang Terdeteksi / Real Jumlah Seharusnya
M5X16 9 17
Pengujian pertama yaitu dengan input manual tanpa menggunakan tray sehingga peneliti meletakkan objek satu per satu pada conveyor. Pada pengujian ini, baut dan mur diletakkan berjarak agar objek yang masuk dalam frame Webcam hanya berjumlah satu sehingga dapat terdeteksi oleh Webcam.
Pertama dengan menggunakan kecepatan 11 rpm, diletakkan masing-masing 17 buah per objek satu per satu ke atas belt conveyor. Hasil dari pencacahan dan penyortiran dapat dilihat pada tabel 4.3. Jumlah total objek yang dicacah real adalah 59 buah objek.
Persentase keberhasilan pencacahan pada kecepatan 11 rpm tanpa tray untuk 102 kali pengujian adalah 57,84%. Sedangkan untuk persentase keberhasilan penyortiran adalah 98,03%. Pada pengujian ini, terdapat beberapa objek yang ukurannya tidak dikenali dengan benar. Hal ini dikarenakan kecepatan motor DC sebesar 11 rpm masih terlalu cepat untuk menyesuaikan kecepatan capture webcam. Akan tetapi untuk penyortiran, sudah dapat bekerja dengan baik, dikarenakan pengenalan bentuk benda tidak memerlukan banyak frame dalam perhitungannya.
Tabel 4.4. Data Proses Pencacahan dan Penyortiran Baut dan Mur Tanpa Tray Menggunakan Kecepatan 8,5 rpm
Objek yang Dicacah
Jumlah yang Terdeteksi / Real Jumlah Seharusnya
M5X16 18 17
Selanjutnya, dilakukan 102 kali pengujian dengan menggunakan kecepatan 8,5 rpm.
Pada pengujian ini persentase keberhasilan pencacahan adalah 98,04% sedangkan untuk persentase keberhasilan penyortiran adalah 99,02%. Pengujian ini mempunyai tingkat keberhasilan paling tinggi dari pengujian yang lainnya. Hal ini dikarenakan kecepatan motor DC yaitu 8,5 rpm sudah sangat sesuai dengan kecepatan webcam dalam mengcapture sehingga terjadi kesinkronan antara program dengan hardware. Data proses pencacahan dan
penyortiran baut dan mur tanpa tray menggunakan kecepatan 8,5 rpm dapat dilihat pada tabel 4.4.
Tabel 4.5. Data Proses Pencacahan dan Penyortiran Baut dan Mur Tanpa Tray Menggunakan Kecepatan 3,5 rpm
Objek yang Dicacah
Jumlah yang Terdeteksi / Real Jumlah Seharusnya
M5X16 19 17
Untuk kecepatan 3,5 rpm, didapat persentase keberhasilan pencacahan untuk 102 kali pengujian adalah 93,14% sedangkan keberhasilan penyortiran objek adalah 99,02%. Pada pengujian ini, walaupun kecepatan sudah sangat rendah, akan tetapi tingkat keberhasilan dalam pencacahannya masih terdapat error dikarenakan kecepatan yang terlalu rendah bisa menyebabkan adanya objek yang tercacah dua kali. Contohnya pada objek M5x16 dan objek M8x25, objek M5x16 tercacah 19 kali dan objek M8x25 tercacah 18 kali, padahal objek hanya diuji 17 kali per ukuran. Data proses pencacahan dan penyortiran baut dan mur tanpa tray menggunakan kecepatan 3,5 rpm dapat dilihat pada tabel 4.5.
4.4.1.2. Pengujian Secara Real Time Dengan Tray
Pada pengujian secara real time dengan tray, digunakan 3 kecepatan, yaitu 11 rpm, 8,5 rpm, dan 3,5 rpm. Pengujian real time tanpa tray yang pertama adalah dengan menggunakan kecepatan 11 rpm yang dapat dilihat hasilnya pada tabel 4.6. Persentase keberhasilan pencacahan setelah dilakukan 102 kali pengujian adalah 9,8% sedangkan persentase keberhasilan penyortiran adalah 45,1%. Keberhasilan pencacahan sangat rendah dikarenakan pengujian ini menggunakan tray dan masih terdapat error pada saat mengeluarkan objek satu per satu. Error ini berpengaruh terhadap keberhasilan pencacahan dan penyortiran objek. Kecepatan conveyor yang belum bisa menyesuaikan kecepatan capture webcam juga menjadi penyebab kecilnya keberhasilan.
Tabel 4.6. Data Proses Pencacahan dan Penyortiran Baut dan Mur dengan Tray Menggunakan Kecepatan 11 rpm
Objek yang Dicacah
Jumlah yang Terdeteksi / Real Jumlah Seharusnya
M5X16 1 17 menggunakan kecepatan 8,5 rpm dapat kita lihat pada tabel 4.7. Persentase keberhasilan pencacahan adalah 15,69% sedangkan persentase keberhasilan penyortiran adalah 64,71%.
Keberhasilan dalam pencacahan dan penyortiran pada pengujian menggunakan kecepatan 8,5 rpm lebih tinggi daripada pengujian dengan kecepatan 11 rpm. Penyebabnya sama dengan yang telah dibahas pada pengujian tanpa tray, yaitu kecepatan conveyor. Kecepatan motor dc sangat berpengaruh pada tingkat keberhasilan pengujian.
Tabel 4.7. Data Proses Pencacahan dan Penyortiran Baut dan Mur dengan Tray Menggunakan Kecepatan 8,5 rpm
Objek yang Dicacah
Jumlah yang Terdeteksi / Real Jumlah Seharusnya
M5X16 2 17
Untuk pengujian real time yang terakhir adalah dengan menggunakan kecepatan 3,5 rpm seperti pada tabel 4.8. Pada pengujian ini, dilakukan pengujian 102 kali dan didapatkan
Untuk pengujian real time yang terakhir adalah dengan menggunakan kecepatan 3,5 rpm seperti pada tabel 4.8. Pada pengujian ini, dilakukan pengujian 102 kali dan didapatkan