• Tidak ada hasil yang ditemukan

BAB II DASAR TEORI

2.9. k-Nearest Neighbour (k-NN)

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.

π‘‡π‘–π‘›π‘”π‘˜π‘Žπ‘‘β‘π‘ƒπ‘’π‘›π‘”π‘’π‘›π‘Žπ‘™π‘Žπ‘› = β‘π½π‘’π‘šπ‘™π‘Žβ„Žβ‘π‘‘π‘Žπ‘‘π‘Žβ‘π‘¦π‘Žπ‘›π‘”β‘π‘‘π‘Žπ‘π‘Žπ‘‘β‘π‘‘π‘–π‘˜π‘’π‘›π‘Žπ‘™π‘–

π½π‘’π‘šπ‘™π‘Žβ„Žβ‘π‘‘π‘Žπ‘‘π‘Žβ‘π‘’π‘—π‘– π‘₯⁑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 β€œRGB” Menampilkan image RGB

Picture Box β€œHSV” Menampilkan image hue

Picture Box β€œBiner” Menampilkan image biner

Tombol β€œInput” Memanggil atau memilih image atau video data yang ingin diproses

Text Box ”Hasil Pengenalan” Menampilkan hasil pengenalan untuk input image

Text Box β€œN11-N03” Nilai momen pusat ternormalisasi Tombol β€œProses” 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 β€œReset” Mengembalikan tampilan GUI seperti semula

Video Box β€œVideo RGB” Menampilkan video RGB

Tombol β€œPlay” Memulai video

Tombol β€œPause” Menjeda video

Tombol β€œStop” Memberhentikan video

Tombol β€œAsli/Proses” 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 picture box RGB, kemudian untuk mengetahui hasil pengenalan, user dapat menekan tombol proses. Tombol proses ketika ditekan akan memunculkan gambar hue pada picture box hue, gambar biner pada picture box biner, nilai ekstraksi ciri pada text box N11-N03 dan yang terakhir adalah muncul hasil pengenalan rambu tersebut di text box hasil pengenalan.

Input yang kedua berupa video, video yang dipilih akan muncul pada video box RGB.

Video yang diputar dapat berupa video asli atau video proses pengenalan. User dapat mengetahui nama rambu tersebut dengan menekan tombol play, sebelum menekan tombol play, user terlebih dahulu memilih output video tersebut, terdapat 2 pilihan yaitu video asli atau video proses pengenalan. Output berupa video asli yaitu video input diputar tanpa melalui proses pengenalan, output berupa video proses pengenalan yaitu video input diputar melalui proses pengenalan. Proses pengenalan video dapat langsung disaksikan oleh user ketika video tersebut berjalan dengan ditampilkannya bounding box yang dapat mengikuti gerak video untuk mendeteksi rambu dan pelabelan nama yang terletak di atas bounding box sebagai hasil pengenalan.

39

BAB IV

HASIL DAN PEMBAHASAN

Bab ini akan menjelaskan analisis hasil pengenalan rambu lalu lintas berdasarkan data hasil uji. Hasil pengenalan berupa pengenalan dengan input video dan pengenalan dengan input gambar.

4.1. Perubahan Rancangan

Subbab ini berisi penjelasan mengenai perubahan terkait implementasi dari rancangan yang sudah dirancang pada Bab 1 hingga Bab 3.

4.1.1. Batasan Masalah dan Pengambilan Data

Subbab 1.3. mengenai batasan masalah, penambahan dilakukan pada poin C, yaitu input gambar berasal dari frame video yang diambil tiap 5 frame kemudian disimpan di laptop. Penambahan pada poin C disebabkan karena input utama yang digunakan dalam penelitian ini berupa video. Selain itu, perubahan dilakukan pada poin E, yaitu variasi penyekalaan yang dilakukan adalah 1 m, 2 m, dan 3 m, hal ini dilakukan perubahan karena adanya hambatan di lapangan berupa pohon dan tiang listrik yang tidak memungkinkan penulis merekam rambu dalam jarak yang cukup jauh. Perubahan dilakukan pada poin G, yaitu dengan merekam rambu sedekat mungkin dengan titik pusat atau penulis menyebutnya kotak kecil dan berputar searah dengan jarum jam atau CW (Clockwise) untuk data uji dan berputar secara berlawanan dengan jarum CCW (Counter Clockwise) untuk database, perputaran yang dilakukan hanya dibagian sebelah kiri layar HP. Pengambilan data dengan cara CW dan CCW ditunjukkan pada Gambar 4.1.

Gambar 4.1. CW dan CCW Kotak Kecil CW

CCW

Gambar 4.1. merupakan gambar proses pengambilan data yang dilakukan oleh penulis.

Gambar kotak merupakan layar HP, gambar lingkaran di tengah merupakan titik pusat atau titik tengah layar HP, sedangkan untuk anak panah merupakan arah untuk merekam rambu lalu lintas peringatan. Proses pengambilan data dilakukan perubahan karena rencana awal yang sudah dituliskan pada batasan masalah memiliki tingkat pengenalan yang rendah, yaitu sebesar 70%.

Subbab 1.3 pengurangan dilakukan pada poin F, hal ini disebabkan kondisi di lapangan yang tidak memungkinkan penulis untuk melakukan pengambilan data dengan sudut menyerong. Rambu lalu lintas peringatan terletek di pinggir jalan raya, ada beberapa rambu yang sangat dekat sekali dengan jalan raya sehingga penulis memutuskan untuk tidak menggunakan variasi sudut menyerong karena alasan keselamatan dan keamanan.

4.1.2. Perbandingan Hasil CW dan CCW Kotak Kecil dan Kotak Besar

Penulis melakukan pengujian untuk menentukan cara pengambilan data yang paling tepat. Penentuan tersebut dilakukan dengan pengujian CW dan CCW kotak kecil dan kotak besar. Cara pengambilan data menggunakan kotak kecil ditunjukkan Gambar 4.1., sedangkan kotak besar ditunjukkan pada Gambar 4.2.

Gambar 4.2. CW dan CCW Kotak Besar

Pengujian CW dan CCW menggunakan kotak besar dilakukan dengan cara merekam rambu lalu lintas peringatan sedekat mungkin dengan layar HP, sehingga perlu kehati-hatian dan waktu yang cukup lama supaya rambu lalu lintas peringatan tidak terpotong dan dapat diolah program. Setelah dilakukan pengujian, kemudian mendapatkan hasil yang ditunjukkan pada Gambar 4.3.

CW

CCW

Gambar 4.3. Perbandingan Hasil Kotak Kecil dan Kotak Besar

Gambar 4.3. menunjukkan bahwa kotak kecil memiliki persentase 64% dan kotak besar memiliki persentase 68%. Setelah mendapatkan hasil tersebut, kemudian penulis memutuskan untuk memilih kotak kecil sebagai cara pengambilan data. Penulis tidak memilih kotak besar karena saat pengambilan data 3 titik kiri dan sedekat mungkin dengan layar HP yang sesuai pada batasan masalah, penulis mengalami kesulitan mengolah data karena ada data yang tidak bisa terbaca oleh sistem karena faktor cahaya yang semakin luas.

Selain itu, ketika database digabungkan antara 1m, 2m, 3m memiliki persentase pengenalan yang kecil, yaitu sebesar 70%.

4.1.3. Metodologi Penelitian

Subbab 1.4 mengenai pengambilan data, perubahan dilakukan pada poin D yaitu lokasi pengambilan menggunakan 1 lokasi yang akan digunakan untuk pembuatan database (CCW) dan data uji (CW). Perubahan jumlah lokasi dilakukan karena rencana awal sejumlah 2 lokasi yang berbeda memiliki tingkat pengenalan rendah, yaitu sebesar 65%. Selain itu, perubahan dilakukan pada jumlah database yaitu menjadi sejumlah 480, sedangkan data uji menjadi sejumlah 398. Perubahan ini terjadi karena masing-masing video memiliki durasi yang berbeda dan setiap video akan diambil 5 frame per detik sebagai data uji dan database.

Subbab 1.4 mengenai pengambilan data, perubahan dilakukan pada poin D yaitu lokasi pengambilan menggunakan 1 lokasi yang akan digunakan untuk pembuatan database (CCW) dan data uji (CW). Perubahan jumlah lokasi dilakukan karena rencana awal sejumlah 2 lokasi yang berbeda memiliki tingkat pengenalan rendah, yaitu sebesar 65%. Selain itu, perubahan dilakukan pada jumlah database yaitu menjadi sejumlah 480, sedangkan data uji menjadi sejumlah 398. Perubahan ini terjadi karena masing-masing video memiliki durasi yang berbeda dan setiap video akan diambil 5 frame per detik sebagai data uji dan database.

Dokumen terkait