• Tidak ada hasil yang ditemukan

BAB IV HASIL DAN PEMBAHASAN

4.2. Hasil Pengujian dan Analisis Data

Hasil pengujian akan dibuat secara dua garis besar, pengujian input gambar dan pengujian input video. Hasil pengujian yang sudah didapat kemudian dianalisis untuk mengetahui kelebihan dan kekurangan pada masing masing sistem yang telah dibuat.

4.2.1. Pengujian Input Video

Pengujian ini menggunakan input berupa video dengan 10 rambu yang berbeda. Video diambil berdasarkan variasi jarak, yaitu 1m, 2m, dan 3m. Pada masing masing jarak dilakukan dua kali pengambilan video, yaitu pengambilan video secara CCW (Counter Clockwise) digunakan untuk pembuatan database dan secara CW (Clockwise) digunakan untuk pengujian. Pegujian ini menggunakan video yang akan diolah tiap 5 frame per detik.

Resolusi video yang digunakan adalah 640x480 piksel dan 15 FPS (Frame Per Second).

Background pengujian menggunakan background alam sesuai keadaan nyata di lapangan.

Subbab 2.9. Mengenai k-NN menjelaskan bahwa klasifikasi objek berdasarkan jarak terdekat antara database dengan data uji. Penentuan nilai k pada k-NN dapat disesuaikan dengan kebutuhan, dalam penelitian ini penulis menggunakan nilai k 1, 3, 5, dan 7.

Pengunaan log scale bertujuan untuk mengurangi rentang nilai sehingga dapat meminimalisir kemungkinan adanya persamaan nilai antara rambu satu dengan rambu lainnya. Berdasarkan persamaan pada subbab 2.6. Mengenai ekstraksi ciri momen spasial dan momen pusat dan persamaan 2.7. Mengenai log scale, dihasilkan Gambar 4.14.

Gambar 4.14. Hasil Pengujian Input Video

Tingkat pengenalan yang paling tinggi dilihat dari Gambar 4.14., dengan nilai k=1 pada jarak 1 meter sebesar 84%, sedangkan tingkat pengenalan yang paling rendah terdapat pada nilai k=7 dengan jarak 3m sebesar 54%. Data hasil pengujian pada Gambar 4.14.,

k=1 k=3 k=5 k=7

1m 84% 79% 74% 72%

2m 83% 68% 66% 65%

3m 78% 61% 64% 54%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

Tingkat Pengenalan

Hasil Pengujian Rambu Lalu Lintas Input Video

ditunjukkan pada Lampiran 1 ,Tabel L-1 sampai Tabel L-12. Hasil perhitungan rata–rata tingkat pengenalan pada masing-masing jarak ditunjukkan pada Tabel 4.3.

Tabel 4.3. Rata-rata Berdasarkan Jarak: Hasil Tingkat Pengenalan

Jarak 1 m Jarak 2 m Jarak 3m

77% 71% 64%

Tabel 4.3. jarak yang memiliki tingkat pengenalan paling tinggi berada pada jarak 1 meter sebesar 77%. Pada jarak 2 meter dan 3 meter tingkat pengenalan mengalami penurunan yang tidak terlalu drastis, yaitu menurun sebesar 6% dan 7%. Perhitungan rata-rata penggunaan variasi nilai k ditunjukkan pada Tabel 4.4.

Tabel 4.4. Rata-rata Berdasarkan Nilai k: Hasil Tingkat Pengenalan

k=1 k=3 k=5 k=7

82% 69% 68% 64%

Tabel 4.4. penggunaan nilai k yang memiliki tingkat pengenalan paling tinggi yaitu k=1 sebesar 82%, sedangkan tingkat pengenalan paling rendah menggunakan nilai k=7.

Selisih persentase nilai k=3 hingga k=7 memiliki selisih yang cukup kecil dibanding selisih dengan nilai k=1. Pengenalan rambu lalu lintas dengan input video memiliki tingkat persentase error antara data jumlah data uji dengan jumlah data yang berhasil dikenali.

Tingkat persentase error tersebut disebabkan adanya kemiripan nilai ekstraksi ciri rambu satu dengan rambu lainnya. .

Hasil Perhitungan ekstraksi ciri antara gambar biner database dan gambar biner data uji memiliki jarak yang cukup jauh sehingga hasil pengenalan tidak sesuai dengan nama rambu tersebut. Contoh gambar biner database dan data uji ditunjukkan pada Gambar 4.15.

(a) (b)

Gambar 4.15. Contoh gambar biner 1 (a) gambar biner database, (b) gambar biner data uji

Gambar 4.15. menunjukkan gambar biner database dan data uji rambu peringatan (hati – hati) dengan ukuran 64x64 piksel, dari gambar tersebut terlihat adanya kemiripan antara gambar database dengan gambar data uji. Gambar database memiliki nilai ekstraksi ciri yang ditunjukkan pada Lampiran 3 nomor 1 – 47. Gambar data uji memiliki nilai ekstraksi ciri yaitu 4.47569453, 3.56954186, 5.38184721, 4.61836293, 5.52451561, 6.4306682, 3.71221025. Nilai ekstraksi ciri yang diperoleh dari Gambar 4.15. (b) kemudian dihitung jaraknya menggunakan jarak kosinus pada Persamaan 2.9. berdasarkan perhitungan jarak kosinus antara data uji dan database yang ditunjukkan pada Lampiran 3 diketahui bahwa data uji tersebut memiliki jarak terkecil dengan rambu banyak lalu lintas pejalan kaki anak – anak pada nomor 89 dengan jarak 2.20253π‘₯10βˆ’8. Berdasarkan hasil jarak kosinus, hasil pengenalan Gambar 4.15. (b) tidak sesuai dengan nama rambu tersebut. Hasil pengenalan yang diharapkan adalah peringatan (hati – hati), setelah dilakukan perhitungan jarak kosinus antara data uji dengan database menghasilkan banyak lalu lintas pejalan kaki.

4.2.2. Pengujian Input Gambar

Pengujian ini menggunakan input berupa gambar dengan 10 rambu yang berbeda.

Perbedaan pengujian ini dengan input video terdapat pada input yang digunakan, yaitu berupa gambar. Gambar yang menjadi input merupakan video yang diputar dan diambil tiap 5 frame per detik kemudian disimpan dalam laptop dengan ekstensi .png. Frame yang telah di simpan di laptop harus memiliki jumlah frame yang sama dengan frame video pada saat pengujian video. Pengujian dengan input gambar ini memmiliki jumlah yang berbeda untuk setiap rambu. Perbedaan jumlah ini disebabkan karena setiap rambu memiliki durasi video yang berbeda. Jumlah frame terbesar terdapat pada rambu simpang tiga kanan dengan total keseluruhan sebanyak 42 frame, jumlah frame terkecil terdapat pada rambu turunan curam dan tikungan kanan sebanyak 37 frame. Hasil pengujian gambar berdasarkan jarak dan nilai k ditunjukkan pada Gambar 4.16.

Untuk mengetahui hasil pengenalan pengujian gambar, maka digunakan jarak kosinus untuk mengetahui jarak terdekat antara database dengan data uji. Selain itu, penulis menggunakan k-NN untuk mengetahui hasil pengenalan, nilai k yang digunakan adalah 1, 3, 5, dan 7. Penulis juga menggunakan log scale untuk mengetahui hasil pengenalan. Log scale digunakan penulis untuk mengurangi rentang nilai dan digunakan untuk mengurangi kemungkinan adanya persamaan nilai ekstraksi ciri rambu satu dengan rambu yang lainnya.

Gambar 4.16. Hasil Pengujian Input Gambar

Gambar 4.16. tingkat pengenalan tertinggi terdapat pada jarak 1 meter dengan nilai k=1 sebesar 84%. Data hasil pengujian ditunjukkan pada Lampiran 1,Tabel L-13 hingga Tabel L-24 . Hasil perhitungan rata-rata tingkat pengenalan berdasarkan jarak ditunjukkan pada Tabel 4.5.

Tabel 4.5. Rata-rata Berdasarkan Jarak: Hasil Tingkat Pengenalan

Jarak 1 m Jarak 2 m Jarak 3m

77% 71% 64%

Tabel 4.5. nilai persentase rata-rata tertinggi berdasarkan jarak yaitu 77% pada jarak 1 meter. Pada jarak 2 meter dan 3 meter nilai rata-rata persentase sudah mengalami penurunan dengan penurunannya yang tidak cukup signifikan.

Perhitungan rata-rata berdasarkan nilai k ditunjukkan pada Tabel 4.6.

Tabel 4.6. Rata-rata Berdasarkan Nilai k: Hasil Tingkat Pengenalan

k=1 k=3 k=5 k=7

82% 69% 68% 64%

Tabel 4.6. nilai persentase rata-rata tertinggi berdasarkan nilai k sebesar 82% pada nilai k=1, sedangkan nilai persentase rata-rata terendah sebesar 64% pada nilai k=7. Nilai k=3 hingga nilai k=7 memiliki selisih persentase yang cukup kecil, yaitu 1 dan 4, dibanding selisih dengan nilai k=1 yaitu 13. Pengenalan rambu lalu lintas ini tentunya memiliki

k=1 k=3 k=5 k=7

1m 84% 79% 74% 72%

2m 83% 68% 66% 65%

3m 78% 61% 64% 54%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

Tingkat Pengenalan

Hasil Pengujian Rambu Lalu Lintas Input Gambar

persentase error, yaitu jumlah data yang bisa dikenali tidak sesuai dengan jumlah data yang diuji. Persentase error pengujian gambar disebabkan karena adanya kemiripan nilai ekstraksi ciri rambu satu dengan yang lainnya, sehingga hasil pengenalan rambu tidak sesuai. Gambar biner database dan data uji ditunjukkan pada Gambar 4.17.

(a) (b)

Gambar 4.17. Contoh gambar biner 2 (a) gambar biner database, (b) gambar biner data uji Gambar 4.17. merupakan gambar biner database dan data uji rambu banyak lalu lintas pejalan kaki anak – anak dengan ukuran 64x64 piksel. Hasil perhitungan ekstraksi ciri gambar biner database dan gambar biner data uji berbeda, maka perbedaan hasil ekstraksi ciri inilah yang menjadi penyebab hasil pengenalan tidak sesuai. Nilai ekstraksi ciri gambar biner database ditunjukkan pada Lampiran 3 nomor 48 – 94. Nilai ekstraksi ciri gambar biner data uji yaitu 4.56874939, 3.4162729 , 5.72122588, 4.66670102, 5.81917751, 6.971654, 3.51422454. Nilai ekstraksi gambar biner data uji yang sudah diperoleh kemudian dihitung menggunakan jarak kosinus pada Persamaan 2.9. Perhitungan cara kosinus digunakan untuk mencari jarak terdekat antara nilai ekstraksi ciri data uji dengan database pada Lampiran 3. Hasil perhitungan jarak kosinus menunjukkan bahwa Gambar 4.17. (b) memiliki hasil pengenalan turunan curam yang terdapat pada nomor 248 dengan jarak 9.89943π‘₯10βˆ’7. Hasil pengenalan Gambar 4.17. (b) berdasarkan perhitungan jarak kosinus tidak sesuai dengan nama rambu tersebut. Hasil pengenalan yang diharapkan adalah banyak lalu lintas pejalan kaki anak – anak, setelah dilakukan perhitungan jarak kosinus menghasilkan turunan curam.

Dokumen terkait