Jarak - DASAR TEORI - PENGEMBANGAN PENGENALAN PERANGKAT ELEKTRONIKA SECARA REAL TIME BERBASIS E

BAB II DASAR TEORI

2.6. Jarak

Jarak digunakan untuk membandingkan dua buah vektor. Perbandingan suatu nilai dikatakan sama atau tidak berdasarkan dari tingkat kemiripan yang tinggi dan nilai dua vektornya. Dengan menggunakan metode jarak Euclidean dapat digunakan untuk mengukur tingkat kemiripan dua buah vektor tersebut.

Jarak Euclidean adalah peritungan jarak antara satu data terhadap sekelompok data (basis data). Jarak euclidean merupakan metrika yang paling sering digunakan untuk menghitung akar dari kuadrat perbedaan 2 vektor digunakan persamaan [10].

𝑗(𝑉₁ , 𝑉₂) = �� (𝑉^𝑛𝑛_𝑘=1 ₁(𝑘) − 𝑉₂(𝑘))² (2.12)

Keterangan :

𝑉₁(𝑘) = citra basis data.

𝑉₂(𝑘) = citra masukan.

Contoh:

Terdapat 2 vektor ciri berikut.

V1 = [ 0 1 3 2]

V2 = [ 5 6 7 8]

Jarak Euclidean dari vektor A dan B adalah:

j(𝑉₁, 𝑉₂) = �(0 − 5)²+ (1 − 6)²+ (3 − 7)²+ (2 − 8)²

= √25 + 25 + 16 + 36 = 10,1

BAB III

PERANCANGAN

3.1. Proses Pengenalan Perangkat Elektronika

Proses perancangan software pengenalan perangkat elektronika terdiri dari beberapa proses, yaitu pengambilan citra, preprocessing, ekstraksi ciri, fungsi jarak, dan penentuan keluaran. Proses perancangan sistem perangkat elektronika dapat dilihat pada Gambar 3.1.

Pengambilan citra perangkat

elektronika

Preprocessing Ekstraksi ciri Deskriptor

Fourier

Fungsi jarak Euclidean Basis Data

Penentuan Keluaran Keluaran

berupa teks pada monitor

Gambar 3.1. Blok Diagram Proses Pengenalan Perangkat Elektronika

Berdasarkan gambar blok diagram diatas proses pengambilan gambar dilakukan dengan menggunakan webcam. Pada tahap preprocessing, citra RGB dikonversi ke dalam bentuk biner. Kemudian untuk menghilangkan noise dan menghaluskan citra digunakan operasi opening. Selanjutnya hasil dari preprocessing ini akan diproses ke tahap pengenalan.

Tahap pengenalan terdiri dari 3 tahap yaitu ekstraksi ciri, perhitungan fungsi jarak, dan basis data citra pengenalan perangkat elektronika. Terakhir dari proses sistem ini yaitu tahap penentuan keluaran. Hasil penentuan keluaran sistem ini berdasarkan jarak minimum yang diperoleh dari hasil perbandingan antara ekstraksi ciri dengan basis data.

3.2. Sistem Pengenalan Perangkat Elektronika

Berikut merupakan diagram alir sistem pengenalan perangkat elektronika dapat dilihat pada Gambar 3.2.

Gambar 3.2. Diagram Alir Sistem Pengenalan Perangkat Elektronika Mulai

Koefisien fourier deskriptor = N

Selesai Ekstraksi ciri Preprocessing

Pengambilan citra perangkat

elektronika

Jarak

euclidean Basis Data

Keluaran berupa teks

Berdasarkan Gambar 3.2. merupakan diagram alir keseluruhan dari sistem pengenalan perangkat elektronika. Adapun diagram alir subrutin dari Gambar 3.2. akan dijelaskan pada subbab selanjutnya.

3.2.1. Pengambilan Citra Pengenalan Perangkat Elektronika

Proses pengambilan citra perangkat elektronika adalah proses mengambil gambar citra dengan menggunakan webcam yang akan disimpan. Webcam akan dihubungkan ke laptop menggunakan USB 2.0 sehingga gambar citra dapat dikirim dan diterima oleh laptop untuk selanjutnya akan diproses di Matlab. Berdasarkan Gambar 3.2 diagram alir proses pengambilan gambar citra dapat dilihat pada Gambar 3.3.

3.2.2. Tahap Preprocessing

Tahap preprocessing terdiri dari dua tahapan yaitu, konversi citra RGB ke citra biner dan operasi opening. Berdasarkan Gambar 3.2 diagram alir subrutin tahap preprocessing ditunjukkan pada Gambar 3.4. Tahap preprocessing diawali dengan mengonversi citra RGB ke citra biner. Tahap ini dilakukan karena hasil gambar dengan webcam C270 memiliki fomat RGB. Sehingga konversi citra diperlukan agar format citra menjadi citra biner.

Mulai

Camera On

Capture

Keluaran:

Citra RGB

Selesai

Gambar 3.3. Diagram Alir Subrutin Pengambilan Citra

Untuk mengonversi citra RGB ke biner diawali dengan mengubah citra RGB ke grayscale (persamaan 2.2) kemudian secara otomatis dengan menggunakan metode otsu (persamaan 2.3 sampai dengan persamaan 2.8) didapatkan nilai ambang dari citra tersebut. Nilai ambang digunakan untuk mengonversi citra menjadi citra biner. Proses selanjutnya yaitu menghilangkan noise dan menghaluskan citra menggunakan operasi opening

3.2.3. Tahap Ekstraksi Ciri

Tahap ekstraksi ciri merupakan tahapan terpenting dalam pengenalan pola. tahap ini bertujuan mengolah data untuk memperoleh informasi yang kemudian akan dijadikan sebagai data acuan untuk membedakan citra yang satu dengan citra yang lain. Berdasarkan Gambar 3.2 tahap-tahap ekstraksi ciri dapat dilihat pada Gambar 3.5.

Gambar 3.4. Diagram Alir Subrutin Tahap Preprocessing Mulai

Masukan:

Citra RGB

Konversi citra RGB ke biner

Keluaran:

Citra preprocessing

Selesai Operasi opening

Hasil dari tahap preprocessing akan menjadi masukan untuk tahap ekstraksi ciri ini.

Proses diawali dengan deteksi kontur untuk deteksi tepi objek menggunakan kontur Moore.

Diagram alir deteksi kontur dapat dilihat pada Gambar 3.6.

Mulai

Masukan:

Citra preprocessing

Koefisien Fourier deskriptor = N

Selesai Keluaran:

Hasil ekstraksi

Gambar 3.5. Diagram Alir Subrutin Ekstraksi Ciri Deteksi Kontur

Koefisien Fourier Deskritor

Penurunan koefisien Fourier

deskriptor

Normallisasi

Mulai

Peroleh piksel awal

Periksa 8 tetangga searah jarum jam

Catat kontur(1) = 𝑎𝑎0, kontur(2) = 𝑎𝑎₁ dan jum = 2

Catat a = 𝑎𝑎₁ dan b = 𝑏𝑏₁

C W

Cari piksel bernilai 1 pada 8 tetangga dimulai dari b dan

catat pada a

catat posisi yang mendahului ke b

Tambahkan b sebagai bagian kontur

a = 𝑎𝑎0 Piksel berikutnya

bernilai 1?

Tidak

Ya Tidak

Selesai Keluaran:

Citra kontur

Gambar 3.6. Diagram Alir Subrutin Deteksi Kontur

Mengacu pada algoritma 1 tahap deteksi kontur pada Gambar 3.5. diawali dengan mencari piksel bernilai 1 pada posisi terkiri dan teratas objek. Posisi piksel dicatat pada 𝑎𝑎₀ dan piksel berikutnya dicatat pada 𝑏𝑏₀. Langkah kedua periksa 8 tetangga searah jarum jam (Gambar 2.8.(b)) dimulai dari 𝑏𝑏₀. Piksel yang bernilai 1 dicatat pada 𝑎𝑎₁. Adapun piksel yang mendahului 𝑎𝑎₁ dicatat pada 𝑏𝑏₁. Langkah ketiga catat elemen 𝑎𝑎₀ pada kontur(1), elemen 𝑎𝑎1 pada kontur(2) dan jum = 2. Langkah keempat catat elemen 𝑎𝑎1 pada a dan elemen 𝑏𝑏₁ pada b. Langkah kelima merupakan proses looping apabila pada piksel selanjutnya bernilai 1. Apabila terdapat piksel bernilai 1 maka posisi piksel dicatat pada a serta piksel yang mendahului a dicatat pada b. Penambahan elemen b sebagai bagian kontur. Proses looping akan berhenti jika elemen a = 𝑎𝑎₀.

Selanjutkan hasil deteksi kontur akan diproses untuk mendapatkan nilai koefisien Fourier deskriptor. Diagram alir proses mendapatkan nilai koefisien Fourier deskriptor dapat dilihat pada Gambar 3.8. Mengacu pada algoritma 2 langkah pertama untuk mendapatkan nilai koefisien Fourier deskriptor pada Gambar 3.7. yaitu menghitung jumlah hasil deteksi kontur dan dicatat pada TK. Langkah kedua jika jumlah piksel kontur ganjil, maka perlu ditambahkan piksel yang sama dengan yang pertama. Selanjutnya mencari koefisien Fourier deskriptor dengan menggunakan transformasi Fourier. Mengacu pada langkah ketiga atur kontur (x, y) menjadi bilangan riill dan imajiner (Tabel 2.4.), kemudian langkah keempat masukkan ke persamaan 2.10 dan 2.11. Setelah itu, hasil perhitungan diubah ke persamaan 2.9 dan didapatkan koefisien Fourier deskriptor-nya. Langkah kelima dapatkan jumlah data koefisien Fourier deskriptor dan dicatat pada TF. Setelah didapatkan jumlah koefisien Fourier deskriptor langkah keenam yaitu menurunkan koefisien Fourier deskriptor sesuai yang diinginkan. Mekanisme penurunan koefisien Fourier deskriptor dapat dilihat pada Gambar 3.7.

Mulai

Dapatkan jumlah data kontur dicatat pada TK

Atur supaya x = bilangan imajiner &

y = bilangan riil TK == 1

Tambahkan piksel pertama Tidak

Ya Masukkan:

Citra kontur

Hitung : Transformasi Fourier

Selesai Keluaran : nilai koefisien Fourier

Gambar 3.7. Diagram Alir Subrutin Koefisien Fourier Deskriptor

Transformasi F ke K1 Tentukan nilai N : 50, 25, 10, 5 dan 2

Mulai

Masukkan: nilai koefisien Fourier

d k i

TF > N

Transformasi K1 ke K2 dimulai dari (1 + delta)

hingga (N + delta₎

Transformasi K2 ke G

Selesai Keluaran: hasil

penurunan koefisien Fourier

G = TF

Gambar 3.8. Diagram Alir Subrutin Penurunan Koefisien Fourier Deskriptor Ya

Tidak

Berdasarkan Gambar 3.8. nilai koefisien Fourier deskriptor dapat diturunkan sesuai yang diiginkan. Nilai N merupakan koefisien Fourier deskriptor yang telah ditentukan yaitu 50, 25, 10, 5 dan 2. Setelah pengguna menentukan nilai N maka proses selanjutnya yaitu menurunkan koefisien Fourier deskriptor citra ke nilai koefisien Fourier deskriptor yang telah ditentukan. Berdasarkan Gambar 2.10. Tabel F ditransformasi menjadi K1.

Kemudian K1 ditransformasi menjadi K2 dimulai dari (1 + delta) hingga (N + delta).

Proses selanjutnya yaitu normalisasi agar citra invarian terhadap rotasi, skala dan translasi.

Proses normalisasi dapat dilihat pada Gambar 3.9.

Gambar 3.9. Diagram Alir Proses Normalisasi

Berdasarkan Gambar 3.9. agar supaya citra invarian terhadap penskalaan mengacu pada langkah ketujuh maka elemen G harus dibagi dengan a₀. Selanjutnya langkah kedelapan agar supaya citra bebas rotasi dan perubahan letak awal kontur maka elemen hasil pembagian tersebut diabsolut. Sehingga didapatkan nilai hasil ekstraksi ciri deskriptor Fourier. Data tersebut kemudian akan menjadi acuan untuk basis data.

Cari nilai magnitude a0

Cari nilai 𝑏𝑏_𝑛𝑛 dengan membagi elemen G

dengan a₀

Selesai Mulai

Absolutkan elemen 𝑏𝑏𝑛𝑛

3.2.4. Proses Fungsi Jarak

Proses fungsi jarak merupakan proses selanjutnya setelah ekstraksi ciri. Fungsi jarak yang digunakan yaitu jarak Euclidean. Jarak Euclidean berfungsi sebagai pembanding antara hasil ekstraksi ciri dengan citra perangkat elektronika pada basis data. Hasil proses fungsi jarak ini mencari nilai selisih minimum antara hasil ekstraksi ciri dengan citra perangkat elektronika pada basis data. Proses fungsi jarak dapat dilihat pada diagram alir Gambar 3.10.

3.2.5. Penentuan Keluaran

Hasil pengenalan perangkat elektronika ini ditentukan berdasarkan jarak minimal dari hasil perbandingan antara keluaran dari ekstraksi ciri dengan basis data, dengan menggunakan fungsi jarak Euclidean. Hasil dari proses ini yaitu berupa teks yang akan di tampilkan pada layar monitor. Proses penentuan keluaran digambarkan pada diagram alir Gambar 3.11.

Mulai

Masukan:

Hasil ekstraksi ciri, basis data

Perhitungan jarak:

Citra hasil ekstraksi ciri dengan basis data

Keluaran:

Hasil perhitungan jarak

Selesai

Gambar 3.10. Diagram Alir Subrutin Fungsi Jarak Euclidean

3.3. Perancangan Basis Data

Pada proses perancangan basis data ini digunakan sebagai acuan untuk dibandingkan dengan hasil ekstraksi citra perangkat elektronika yang diambil dari webcam. Proses perancangan basis data dapat dilihat pada diagram blok Gambar 3.12.

Gambar 3.12. Blok Diagram Subrutin Basis Data

Pembuatan basis data pada Gambar 3.12. diawali dengan mengambil data berupa citra perangkat elektronika dengan ukuran gambar 680x480[1]. Selanjutnya, data tersebut diproses pada tahap preprocessing. Tahap preprocessing berfungsi untuk meningkatkan kualitas citra, menghilangkan gangguan citra (noise) serta menentukan bagian citra yang akan digunakan pada proses selanjutnya. Beberapa proses yang dilakukan pada tahap preprocessing yaitu mengonversi citra RGB ke biner, kemudian untuk menghilangkan noise dan menghaluskan citra digunakan operasi opening. Hasil preprocessing akan

Mulai

Masukan:

Hasil perhitungan jarak

Kode keluaran = kode yang berasosiasi dengan jarak

minimal

Keluaran:

Hasil berupa teks

Selesai

Gambar 3.11. Diagram Alir Penentuan Keluaran

menjadi masukkan pada tahap ekstraksi ciri. Tahap ekstraksi ciri merupakan tahapan untuk mencari besaran koefisien pada citra diawali dengan deteksi kontur citra menggunakan kontur Moore. Selanjutnya, mencari koefisien Fourier deskriptor citra dengan menggunakan transformasi Fourier. Kemudian, menurunkan koefisien Fourier deskriptor sesuai dengan nilai koefisien yang digunakan (50, 25, 10, 5 dan 2). Selanjutnya, dilakukan normalisasi agar citra invarian terhadap translasi, rotasi dan skala. Hasil ekstraksi ciri disimpan dalam folder dan digunakan sebagai acuan dalam pengenalan perangkat elektronika. Adapun banyaknya data yang disimpan pada basis data yaitu 35 data (5 koefisien Fourier deskriptor x 7 perangkat elektronika). Jarak antara webcam dengan perangkat elektronika adalah 57 cm.

3.4. Perancangan Tampilan GUI Matlab

Perancangan tampilan sistem pengenalan perangkat elektronika menggunakan GUI (Graphical User Interface) pada Matlab dengan tujuan membantu dalam proses pengenalan perangkat elektronika. Adapun perancangan tampilan GUI dan diagram alir perancangan tampilan sistem dapat dilihat pada Gambar 3.2 dan 3.13.

Gambar 3.13. Perancangan GUI

Mengacu pada diagram alir sistem Gambar 3.2. proses menjalankan sistem pada Gambar 3.13. dimulai dengan menekan tombol “Camera On“ pada Axes 1 akan

ditampilkan citra perangkat elektronika secara real time menggunakan webcam.

Selanjutnya pengguna menekan tombol “Capture” untuk pengambilan citra perangkat elektronika yang akan menjadi masukan pada proses ini. Gambar citra tersebut akan ditampilkan pada Axes 1. Langkah selanjutnya pengguna memilih nilai koefisien Fourier deskriptor yang akan digunakan dengan cara menekan ikon panah berwarna biru. Setelah pengguna memilih nilai koefisien Fourier deskriptor yang diinginkan pengguna dapat menekan tombol “Process” untuk memeroses citra masukan ke tahap preprocessing dan ekstraksi ciri. Hasil dari tahap preprocessing yaitu hasil deteksi kontur yang akan ditampilkan pada Axes 2, sedangkan hasil dari tahap ekstraksi ciri akan ditampilkan pada Axes 3. Keluaran pada proses ini berupa teks yang akan ditampilkan pada Axes 4. Tombol

“Reset” berfungsi sebagai pengulangan proses pengenalan perangkat elektronika yang akan dilakukan dari awal. Sedangkan pada tombol “End” berfungsi untuk mengakhiri proses pengenalan dan keluar dari sistem. Keterangan GUI dapat dilihat pada Tabel 3.1.

Tabel 3.1. Keterangan GUI

Nama Bagian Keterangan

Tombol “Camera On” Untuk menghidupkan webcam Tombol “Capture” Untuk mengambil gambar

Tombol “Process” Untuk memulai proses pengenalan perangkat elektronika Pop Menu Untuk memilih variasi koefisien Fourier deskriptor Axes 1 pada panel

kamera

Untuk menampilkan citra secara real time dari webcam dan citra hasil pengambilan gambar

Axes 2 pada proses preprocessing

Untuk menampilkan citra hasil preprocessing Axes 3 pada proses

Ekstraksi ciri

Untuk menampilkan citra hasil ekstraksi ciri Axes 4 pada panel

keluaran

Untuk menampilkan hasil akhir pengenalan perangkat elektronika berupa teks

Tombol “Reset” Untuk mengulang proses pengenalan dari awal

Tombol “End” Untuk keluar mengakhiri proses dan keluar dari sistem

3.5. Pengujian Citra Perangkat Elektronika 3.5.1. Pengujian Data Tidak Langsung

Dalam pengujian yang dilakukan secara tidak langsung mengacu pada Gambar 3.12.

Penulis mengambil data terlebih dahulu berupa gambar perangkat elektronika dengan menggunakan webcam dan disimpan dalam sebuah folder. Pengujian secara tidak langsung menggunakan 35 data yang diperoleh dari 7 perangkat elektronika dikali dengan 5 variasi koefisien. Dalam setiap gambar yang telah diambil dengan webcam diberi nama agar dapat

dikenali oleh program Matlab. Data tersebut kemudian diproses dengan menggunakan Matlab sebagai data uji yang akan diteruskan ke proses preprocessing, ekstraksi ciri dan fungsi jarak Euclidean. Data masukan akan dibandingkan dengan data yang terdapat pada basis data. Hasil akhir proses ini akan ditampilkan ke layar monitor dengan format teks pada GUI Matlab. 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.

3.5.2. Pengujian Data Secara Langsung

Berdasarkan Gambar 3.12. untuk menjalankan sistem secara langsung pengguna harus menekan tombol “Camera On”. Selanjutnya webcam akan mengambil gambar perangkat elektronika setelah pengguna menekan tombol “Capture”. Pengujian data secara langsung dilakukan dengan cara mengambil gambar 7 perangkat elektronika, data tersebut digunakan sebagai basis data maupun sebagai pengujian secara tidak langsung. Masing – masing perangkat akan mewakili koefisien Fourier deskriptor. Setiap perangkat akan menghasilkan data sesuai dengan jumlah koefisien yang diinginkan, adapun koefisien Fourier deskriptor yang telah ditentukan yaitu 50, 25, 10, 5 dan 2. Hasil pengambilan gambar ini dapat diubah nilai koefisiennya, setelah pengguna menentukan nilai koefisien.

Kemudian citra akan diteruskan ke tahap preprocessing yaitu tahap konversi citra RGB ke biner. Tahap selanjutnya yaitu tahap ekstraksi ciri beberapa tahapan yang digunakan yaitu operasi opening, deteksi kontur dan deskriptor Fourier. Kemudian tahap akhir sistem yang akan ditampilkan adalah hasil proses penentuan keluaran berupa teks pada layar monitor.

Sebagai tambahan pengujian terhadap translasi, skala dan rotasi yaitu dilakukan dengan meletakan perangkat sejauh 2 cm dan 5 cm ke kanan atau ke kiri dari posisi awal untuk pengujian terhadap translasi, untuk pengujian terhadap skala digunakan variasi ketinggian yaitu 50 cm, 57 cm dan 64,5 cm antara perangkat dengan webcam sedangkan untuk pengujian terhadap rotasi perangkat diputar dengan variasi sudut putaran yang digunakan yaitu 0°, 45° dan 135°.

BAB IV

HASIL DAN PEMBAHASAN

Bab ini akan membahas mengenai pengujian program software yang telah dirancang, pembahasan mengenai interface serta membahas mengenai hasil pengujian sistem program pengenalan perangkat elektronika. Pengujian bertujuan untuk mengetahui sistem yang telah dirancang dapat bekerja dengan baik sesuai perancangan.

4.1. Implementasi Program 4.1.1. Tombol Camera On

Tombol Camera On (Kamera Aktif) berfungsi untuk menghubungkan webcam dengan Matlab yang terdapat pada laptop yang akan ditampilkan dalam proses pengenalan perangkat elektronika. Program tombol kamera aktif dapat dilihat pada Gambar 4.1.

Sintaks imaqhwinfo digunakan untuk memastikan adapter kamera terbaca dengan baik.

Program ‘winvideo’ digunakan untuk menampilkan informasi dari webcam dan informasi tersebut akan diinisialisasi didalam program agar webcam dengan software dapat saling berhubungan. Dalam proses ini yang akan ditampilkan ialah video, lebar, panjang, resolusi, port webcam dan band dari video. Perintah program preview akan berjalan apabila diperoleh Handles Image. Preview berfungsi untuk menampilkan video pada saat program kamera aktif dijalankan

Gambar 4.1. Program Kamera Aktif

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;

4.1.2. Tombol Capture

Tombol Capture (Ambil Gambar) berfungsi untuk mengambil gambar perangkat elektronika yang akan dikenali. Mengacu pada Gambar 3.3. program ambil gambar dapat dilihat pada Gambar 4.2.

Gambar 4.2. Program Ambil Gambar

Sintaks global digunakan untuk mendeklarasikan variabel agar dapat digunakan dalam fungsi yang lain dalam file yang sama sedangkan sintaks getdata berfungsi untuk mengambil citra pada saat kondisi webcam aktif. Citra tersebut kemudian akan diinisialisasi menggunakan handles agar dapat dipanggil dalam file figure dan file.m serta akan ditampilkan pada axes 1 (Gambar 3.12). Sintaks imwrite digunakan untuk menyimpan gambar yang telah diambil menggunakan webcam.

4.1.3. Popupmenu

Popupmenu digunakan agar pengguna dapat memilih variasi koefisien yang diinginkan, pada bagian popupmenu ini terdiri dari 5 variasi koefisien, yaitu koefisien 50, 25, 10, 5 dan 2. Gambar Program popupmenu dapat dilihat pada Gambar 4.3.

Gambar 4.3. Program Popupmenu

function popupmenu1_Callback(hObject, eventdata, handles) indeks=get(handles.popupmenu1,'value');

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;

Gambar 4.3. (lanjutan) Program Popupmenu

Berdasarkan Gambar 4.3. pengguna dapat memilih nilai koefisien yang akan digunakan misalkan program yang tertulis “koef=50” artinya koefisien yang digunakan adalah 50, begitu juga pada “koef=25” artinya koefisien yang digunakan adalah 25 dan seterusnya. Sintaks “handles.koef” berfungsi agar nilai variasi koefisien dapat dipanggil diprogram lain.

4.1.4. Tombol Process

Tombol Process (Proses) merupakan tombol yang berfungsi untuk menjalankan proses pengenalan perangkat elektronika yang terdiri dari beberapa program mulai dari program pembanding basis data, program preprocessing yaitu program konversi RGB ke biner, program ekstraksi ciri yang terdiri dari beberapa program yaitu operasi opening, deteksi kontur dan deskriptor Fourier, program jarak Euclidean dan hasil keluaran berupa teks pada GUI Matlab.

4.1.4.1. Program Pembanding Basis Data

Program ini berfungsi untuk membandingkan data sesuai dengan koefisien yang dipilih oleh pengguna pada proses popupmenu.

Gambar 4.4. Program Basis Data

%DATABASE

Gambar 4.4. merupakan program yang digunakan untuk mengeluarkan data yang terdapat pada basis data yang akan dibandingkan dengan jarak Euclidean. Setelah pengguna memilih koefisien yang diinginkan misalnya koefisien 50 pada proses popupmenu, maka data tersebut akan dibandingkan dengan data pada “dbkoef50” begitu juga apabila pengguna memilih koefisien yang lainnya.

4.1.4.2. Program Konversi RGB ke Biner

Program ini berfungsi untuk mengubah citra RGB ke biner. Berdasarkan diagram alir tahap preprocessing Gambar 3.4. program RGB ke biner dapat dilihat pada gambar 4.5.

Gambar 4.5. Program Konversi Citra RGB ke Biner

Setelah proses capture dilakukan data berupa gambar citra perangkat elektronika akan dipanggil lagi menggunakan sintaks imread . Kemudian untuk mengubah citra RGB ke citra berskala keabuan dapat menggunakan persamaan 2.2 adapun implementasi pada matlab dapat menggunakan sintaks “rgb2gray”. Sintaks “graythresh” merupakan implementasi dari metode otsu (persamaan 2.3 sampai dengan persamaan 2.8) digunakan untuk mencari nilai ambang secara otomatis. Kemudian nilai tersebut akan dikonversi ke citra biner menggunakan sintaks “im2bw” sedangkan sintaks “not” pada program diatas berfungsi untuk membalikan nilai biner yang bernilai 0 menjadi 1 dan sebaliknya. Contoh hasil program konversi RGB ke biner dapat dilihat pada Gambar 4.6.

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

level = graythresh(x);

A = im2bw(x,level);

B = not(A);

4.1.4.3. Program Operasi Opening

Program ini berfungsi untuk memperhalus kontur citra serta menghilangkan lubang – lubang kecil pada citra. Operasi ini terdiri dari dua tahapan yaitu erosi dan dilasi. Pada proses ini diperlukan elemen penstruktur untuk menentukan hasil erosi dan dilasi. Adapun bentuk elemen penstruktur yang digunakan yaitu ones pada masing – masing tahapan.

Ukuran dan hasil dari elemen penstruktur ditunjukkan pada Gambar 4.7.

Gambar 4.7. Ukuran Elemen Penstruktur (a)

(b)

(a) Erosi = 1 & Dilasi = 15

(d) Erosi = 2 & Dilasi = 10 (f) Erosi = 2 & Dilasi = 20 (e) Erosi = 2 & Dilasi = 25 Gambar 4.6. Konversi Citra RGB ke Biner (a) Citra Masukkan (b) Citra Hasil Konversi

Dalam Bentuk Citra Grayscale dan Biner.

Berdasarkan Gambar 4.7. citra perangkat elektronika yang digunakan yaitu multimeter. Perangkat tersebut digunakan karena memiliki lubang yang lebih besar dibandingkan perangkat lainnya. Beberapa ukuran elemen penstruktur yang ditunjukkan pada Gambar 4.7. didapat dengan menggunakan ukuran matrik 2x2 pada tahap erosi dan 25x25 pada dilasi mampu mengurangi noise pada citra dan menutupi lubang – lubang kecil pada citra tersebut. Untuk lebih jelas mengenai ukuran elemen penstruktur dapat dilihat pada lampiran. Berdasarkan diagram alir Gambar 3.4 program operasi opening dapat dilihat pada Gambar 4.8.

4.1.4.5. Ekstraksi Ciri

Pada bagian ini program berfungsi untuk mengekstrak data agar data yang digunakan menjadi lebih sedikit. Berdasarkan diagram alir tahap ekstraksi ciri Gambar 3.5 program ekstraksi ciri dapat dilihat pada Gambar 4.9. Fungsi program “deteksikontur” merupakan program untuk mendeteksi tepi (kontur) objek perangkat elektronika. Selanjutnya fungsi program “koefisienDF” digunakan untuk mendapatkan nilai koefisien Fourier deskriptor pada citra. Fungsi program “mekanismepenurunan” digunakan untuk menurunkan nilai koefisien Fourier deskriptor sesuai yang diinginkan sedangkan fungsi program

Dalam dokumen PENGEMBANGAN PENGENALAN PERANGKAT ELEKTRONIKA SECARA REAL TIME BERBASIS EKSTRAKSI CIRI DESKRIPTOR FOURIER (Halaman 41-0)