BAB III METODOLOGI PENELITIAN
3.4 Perancangan Perangkat Lunak
3.3.2 Perancangan Perangkat Lunak Sekunder
Gambar 3.8 Flowchart sistem deteksi ukuran sepatu sekunder
Seperti pada gambar 3.8, program fungsi ini digunakan untuk memilah nilai panjang sepatu yang telah dimasukan melalui pemanggilan fungsi ini, diawali dengan melakukan pengecekan terhadap nilai panjang kaki yang dicek secara berurutan dimulai dari ukuran sepatu terkecil. Apakah nilai panjang kaki tersebut termasuk dalam jarak ukuran sepatu tersebut, jika iya, maka ukuran sepatu tersebut dikembalikan ke program utama dalam bentuk nilai ukuran sepatu, jika tidak, maka dilakukan pengecekan kembali dengan ukuran sepatu yang lebih besar dari sebelumnya. Jika ukuran sepatu terlalu besar, maka tidak menampilkan ukuran sepatu yang cocok dengan panjang kaki tersebut.
16 BAB IV
HASIL DAN PEMBAHASAN
Pada bab 4 ini merupakan hasil dari analisis pengujian dari hasil penelitian yang telah dilakukan. Terdapat beberapa tahapan yang dilakukan dalam pengujian pada Tugas Akhir ini. Diantaranya sebagai berikut:
4.1 Pengujian Input
4.1.1 Tujuan Pengujian Input
Tujuan dari pengujian ini adalah untuk menguji proses input yang dilakukan melalui kamera webcam. Untuk menentukan posisi kamera yang tepat serta jarak capture citra yang terbaik.
4.1.2 Peralatan yang Digunakan Pengujian Input
Peralatan yang digunakan pada pengujian input adalah sebagai berikut:
1. Kamera webcam.
2. Lampu LED.
3. Power supply / Baterai.
4. PC/Laptop.
4.1.3 Cara Pengujian Input
Cara pengujian input adalah sebagai berikut:
1. Menghubungkan lampu LED ke power supply / baterai.
2. Menghubungkan kamera webcam ke PC/Laptop.
3. Membuka aplikasi PyCharm pada PC/Laptop.
4. Membuka dan menjalankan program yang telah dibuat.
5. Mengamati tampilan kamera webcam apakah sudah berfungsi sesuai dengan program.
17
4.1.4 Hasil Pengujian Input
Pada Gambar 4.1 melakukan pengujian, apakah kedua lampu LED yang telah terpasang dapat menyala dengan benar. Sedangkan pada Gambar 4.2 merupakan hasil dari pengujian tampilan pada kamera webcam.
Gambar 4.1 Lampu LED dalam keadaan menyala
Gambar 4.2 Tampilan kamera webcam pada saat program berjalan
18
4.1.5 Analisis Data Pengujian Input
Gambar 4.1 dan 4.2 menunjukkan pengujian yang telah dilakukan dan menghasilkan kesimpulan kamera webcam berjalan sesuai dengan program yang diuji coba.
4.2 Pengujian Output
4.2.1 Tujuan Pengujian Output
Tujuan dari pengujian ini adalah memastikan program yang telah dibuat dapat beroperasi sesuai dengan harapan program yang telah direncanakan.
4.2.2 Peralatan yang Digunakan Pengujian Output
Peralatan yang digunakan pada pengujian output adalah sebagai berikut:
1. Kamera webcam.
2. Lampu LED.
3. Power supply / Baterai.
4. PC/Laptop.
4.2.3 Cara Pengujian Output
Cara pengujian output adalah sebagai berikut:
1. Membuka apikasi PyCharm pada PC/Laptop.
2. Membuka dan menjalankan program yang telah dibuat.
3. Mengamati tampilan hasil bacaan program apakah berfungsi sesuai dengan rencana pemrogramannya.
4.2.4 Hasil Pengujian Output
Pada Gambar 4.3 dan Gambar 4.4 menunjukkan hasil dari pengujian pada tampilan hasil bacaan program sudah sesuai dengan ukuran sebenarnya.
19
Gambar 4.3 Pengujian bacaan program dengan menggunakan kaki
Gambar 4.4 Tampilan bacaan program pada saat program berjalan
4.2.5 Analisis Data Pengujian Output
Gambar 4.3 dan Gambar 4.4 menunjukkan hasil pada pengujian output dapat berfungsi sesuai dengan program yang diuji coba.
4.3 Pengujian Seluruh Sistem
4.3.1 Tujuan Pengujian Seluruh Sistem
Pengujian ini memiliki tujuan untuk memastikan bagian dari seluruh sistem dapat berjalan sesuai dengan program perencanaan.
20
4.3.2 Peralatan yang Digunakan Pengujian Seluruh Sistem
Peralatan yang digunakan pada pengujian seluruh sistem adalah sebagai berikut:
1. Kamera webcam.
2. Lampu LED.
3. Power supply / Baterai.
4. PC/Laptop.
4.3.3 Cara Pengujian Seluruh Sistem
Cara pengujian seluruh sistem adalah sebagai berikut:
1. Menghubungkan lampu LED ke power supply / baterai.
2. Menghubungkan kamera webcam ke PC/Laptop.
3. Membuka aplikasi PyCharm pada PC/Laptop.
4. Membuka dan menjalankan program yang telah dibuat.
5. Mengamati tampilan kamera webcam apakah sudah berfungsi sesuai dengan program.
4.3.4 Hasil Pengujian Seluruh Sistem
Pada Gambar 4.5 sampai dengan Gambar 4.9 dapat diamati bahwa proses dapat berjalan sesuai dengan program.
Gambar 4.5 Lampu LED dalam keadaan mati
21
. Gambar 4.6 Lampu LED dalam keadaan menyala
Gambar 4.7 Tampilan output pada saat belum mengukur kaki
Gambar 4.8 Posisi kaki ketika diukur
22
Gambar 4.9 Hasil pembacaan ukuran oleh program
4.3.5 Analisis Data Pengujian Seluruh Sistem
Pada hasil pengujian seluruh sistem dapat diamati bahwa pengujian berjalan sesuai dengan program. Mulai dari input kamera hingga bacaan ukuran kaki sudah berjalan sesuai yang diinginkan.
4.4 Pengujian Perbandingan Hasil Deteksi Tepi
4.4.1 Tujuan Pengujian Perbandingan Hasil Deteksi Tepi
Pengujian ini memiliki tujuan untuk melihat perbandingan hasil dari deteksi tepi Sobel, Prewitt, dan Canny pada program.
4.4.2 Peralatan yang Digunakan Pengujian Perbandingan Hasil Deteksi Tepi Peralatan yang digunakan pada pengujian perbandingan hasil deteksi tepi adalah sebagai berikut:
1. Kamera webcam.
2. Lampu LED.
3. Power supply / Baterai.
4. PC/Laptop.
23
4.4.3 Cara Pengujian Perbandingan Hasil Deteksi Tepi
Cara pengujian perbandingan hasil deteksi tepi adalah sebagai berikut:
1. Menghubungkan lampu LED ke power supply / baterai.
2. Membuka dan menjalankan program yang telah dibuat.
3. Melihat perbandingan hasil dari masing-masing deteksi tepi yang diterapkan pada program.
4. Menyimpan gambar hasil proses deteksi tepi.
4.4.4 Hasil Pengujian Perbandingan Hasil Deteksi Tepi
Pada Gambar 4.10 sampai dengan Gambar 4.13 dapat dilihat bahwa proses deteksi berjalan sesuai dengan program.
Gambar 4.10 Gambar asli sebelum diproses
Gambar 4.11 Gambar hasil deteksi tepi Sobel
24
Gambar 4.12 Gambar hasil deteksi tepi Prewitt
Gambar 4.13 Gambar hasil deteksi tepi Canny
4.4.5 Analisis Data Pengujian Perbandingan Hasil Deteksi Tepi
Pada Gambar 4.11 sampai dengan Gambar 4.13 dapat diamati bahwa deteksi tepi Sobel dan Canny terlihat memiliki hasil deteksi tepi yang lebih baik karena menghasilkan garis deteksi yang lebih tegas dibandingkan menggunakan deteksi tepi Prewitt yang terlihat samar. Namun pada deteksi tepi Canny terlihat garis yang dihasilkan lebih kasar jika dibandingkan dengan deteksi tepi Sobel.
4.5 Pengujian Akurasi Hasil Deteksi Ukuran Sepatu
4.5.1 Tujuan Pengujian Akurasi Hasil Deteksi Ukuran Sepatu
Tujuan dari pengujian ini adalah memastikan bahwa hasil pengukuran sesuai dengan program yang telah dibuat.
25
4.5.2 Peralatan yang Digunakan Pengujian Akurasi Hasil Deteksi Ukuran Sepatu
Peralatan yang digunakan pada pengujian akurasi hasil deteksi ukuran sepatu adalah sebagai berikut:
1. Kamera webcam.
2. Lampu LED.
3. Power supply / Baterai.
4. PC/Laptop.
4.5.3 Cara Pengujian Akurasi Hasil Deteksi Ukuran Sepatu
Cara pengujian akurasi hasil deteksi ukuran sepatu adalah sebagai berikut:
1. Membuka apikasi PyCharm pada PC/Laptop.
2. Membuka dan menjalankan program yang telah dibuat.
3. Mengamati tampilan hasil bacaan program apakah berfungsi sesuai dengan program.
4.5.4 Hasil Pengujian Akurasi Hasil Deteksi Ukuran Sepatu
Pada Tabel 4.1 sampai dengan Tabel 4.3 adalah hasil dari pengujian pada tampilan hasil bacaan program.
26
Tabel 4.1 Pengujian akurasi hasil deteksi ukuran sepatu (Canny)
No. Data Pengujian
Ukuran Fisik
Segmentasi (cm) Klasifikasi Nomor Ukuran
Sepatu
Selisih Jarak Fisik dan
Hasil Segmentasi (cm) Error (%)
Keterangan
Panjang Lebar Panjang Lebar Panjang Lebar Panjang Lebar
1. 23 9,7 EU = 39 23,16 9,98
27
No. Data Pengujian
Ukuran Fisik
Segmentasi (cm) Klasifikasi Nomor Ukuran
Sepatu
Selisih Jarak Fisik dan
Hasil Segmentasi (cm) Error (%)
Keterangan
Panjang Lebar Panjang Lebar Panjang Lebar Panjang Lebar
6. 22,7 9,7 EU = 44 23,39 9,81
28
No. Data Pengujian
Ukuran Fisik
Segmentasi (cm) Klasifikasi Nomor Ukuran
Sepatu
Selisih Jarak Fisik dan
Hasil Segmentasi (cm) Error (%)
Keterangan
Panjang Lebar Panjang Lebar Panjang Lebar Panjang Lebar
11. 24,5 9,5 EU = 41 24,57 9,61
29
No. Data Pengujian
Ukuran Fisik
Segmentasi (cm) Klasifikasi Nomor Ukuran
Sepatu
Selisih Jarak Fisik dan
Hasil Segmentasi (cm) Error (%)
Keterangan
Panjang Lebar Panjang Lebar Panjang Lebar Panjang Lebar
16. 24,6 9,6 EU = 42 24,79 9,74
30
No. Data Pengujian
Ukuran Fisik
Segmentasi (cm) Klasifikasi Nomor Ukuran
Sepatu
Selisih Jarak Fisik dan
Hasil Segmentasi (cm) Error (%)
Keterangan
Panjang Lebar Panjang Lebar Panjang Lebar Panjang Lebar
21. 24,1 9,7 EU = 42 24,97 9,81
31
Tabel 4.2 Pengujian akurasi hasil deteksi ukuran sepatu (Sobel)
No. Data Pengujian
Ukuran Fisik
Selisih Jarak Fisik dan
Hasil Segmentasi (cm) Error (%)
Keterangan
Panjang Lebar Panjang Lebar Panjang Lebar Panjang Lebar
1. 23 9,7 EU = 39 23,19 10,03
32
No. Data Pengujian
Ukuran Fisik
Selisih Jarak Fisik dan
Hasil Segmentasi (cm) Error (%)
Keterangan
Panjang Lebar Panjang Lebar Panjang Lebar Panjang Lebar
6. 22,7 9,7 EU = 44 23,41 9,81 (cm) kurang dari
ukuran asli
33
No. Data Pengujian
Ukuran Fisik
Selisih Jarak Fisik dan
Hasil Segmentasi (cm) Error (%)
Keterangan
Panjang Lebar Panjang Lebar Panjang Lebar Panjang Lebar
11. 24,5 9,5 EU = 41 24,59 9,63
34
No. Data Pengujian
Ukuran Fisik
Selisih Jarak Fisik dan
Hasil Segmentasi (cm) Error (%)
Keterangan
Panjang Lebar Panjang Lebar Panjang Lebar Panjang Lebar
16. 24,6 9,6 EU = 42 25,06 12,58
35
No. Data Pengujian
Ukuran Fisik
Selisih Jarak Fisik dan
Hasil Segmentasi (cm) Error (%)
Keterangan
Panjang Lebar Panjang Lebar Panjang Lebar Panjang Lebar
21. 24,1 9,7 EU = 42 25,02 9,83
36
Tabel 4.3 Pengujian akurasi hasil deteksi ukuran sepatu (Prewitt)
No. Data Pengujian
Ukuran Fisik
Selisih Jarak Fisik dan
Hasil Segmentasi (cm) Error (%)
Keterangan
Panjang Lebar Panjang Lebar Panjang Lebar Panjang Lebar
1. 23 9,7 EU = 39 23,19 5,45
EU = 37,5 US = 7 UK = 5
0,19 -4,25 4,4% -41,2% Lebar (cm) tidak sesuai ukuran asli
2. 26 9,8 EU = 45 25,58 6,84
EU = 41,5 US = 10
UK = 8
0,08 -3,16 2,0% -31,6% Lebar (cm) tidak sesuai ukuran asli
3. 22,6 9 EU = 38 22,76 9,2 (cm) kurang dari
ukuran asli (cm) kurang dari
ukuran asli
37
No. Data Pengujian
Ukuran Fisik
Selisih Jarak Fisik dan
Hasil Segmentasi (cm) Error (%)
Keterangan
Panjang Lebar Panjang Lebar Panjang Lebar Panjang Lebar
6. 22,7 9,7 EU = 44 23,41 7,62 (cm) tidak sesuai
ukuran asli sesuai ukuran asli
8. 25,6 10,2 EU = 44 25,09 9,38 (cm) kurang dari
ukuran asli (cm) kurang dari
ukuran asli sesuai ukuran asli
38
No. Data Pengujian
Ukuran Fisik
Selisih Jarak Fisik dan
Hasil Segmentasi (cm) Error (%)
Keterangan
Panjang Lebar Panjang Lebar Panjang Lebar Panjang Lebar
11. 24,5 9,5 EU = 41 24,24 7,55
EU = 39,5 US = 8,5 UK = 6,5
-0,26 -1,95 -6,4% -18,5% Lebar (cm) tidak sesuai ukuran asli
12. 24,7 11 EU = 44 14,68 5,76 (cm) kurang dari
ukuran asli sesuai ukuran asli
15. 25,4 10 EU = 44 24,37 7,8 (cm) kurang dari
ukuran asli
39
No. Data Pengujian
Ukuran Fisik
Selisih Jarak Fisik dan
Hasil Segmentasi (cm) Error (%)
Keterangan
Panjang Lebar Panjang Lebar Panjang Lebar Panjang Lebar
16. 24,6 9,6 EU = 42 11,75 6,97 (cm) kurang dari
ukuran asli (cm) kurang dari
ukuran asli (cm) tidak sesuai
ukuran asli (cm) kurang dari
ukuran asli sesuai ukuran asli
40
No. Data Pengujian
Ukuran Fisik
Selisih Jarak Fisik dan
Hasil Segmentasi (cm) Error (%)
Keterangan
Panjang Lebar Panjang Lebar Panjang Lebar Panjang Lebar
21. 24,1 9,7 EU = 42 24,26 4,62
EU = 39,5 US = 8,5 UK = 6,5
0,16 -5,08 3,9% -49,3% Lebar (cm) tidak sesuai ukuran asli
22. 22,6 9,9 EU = 39 4,76 6,08 (cm) kurang dari
ukuran asli sesuai ukuran asli
24. 25,7 10,3 EU = 45 25,73 10,43 sesuai ukuran asli
41
4.5.5 Analisis Data Pengujian Akurasi Hasil Deteksi Ukuran Sepatu
Pada hasil pengujian akurasi hasil deteksi ukuran sepatu dapat diamati bahwa pengujian ini deteksi ukuran sepatu yang menggunakan deteksi tepi Canny dan Sobel menghasilkan ukuran kaki yang paling mendekati ukuran sebenarnya, sedangkan hasil deteksi yang menggunakan deteksi tepi Prewitt sebagian besar menghasilkan nilai yang cukup jauh dari ukuran sebenarnya. Berikut nilai akurasi hasil deteksi ukuran sepatu:
1. Deteksi tepi Canny, menghasilkan nilai akurasi panjang sebesar 97% dan nilai akurasi lebar sebesar 98.8%.
2. Deteksi tepi Sobel, menghasilkan nilai akurasi panjang sebesar 93.4% dan nilai akurasi lebar sebesar 94.1%.
3. Deteksi tepi Prewitt, menghasilkan nilai akurasi panjang sebesar 30.3% dan nilai akurasi lebar sebesar 74.3%.
Pada perbedaan ukuran sepatu, sebagian besar ukuran sepatu yang didapatkan dari hasil deteksi menampilkan ukuran yang lebih kecil dari ukuran sepatu yang digunakan sehari-hari. Hal ini disebabkan oleh ukuran lebar kaki setiap orang yang berbeda dan merk sepatu yang berbeda.
4.6 Pengujian Komparasi Durasi Tiap Metode Deteksi Tepi
4.6.1 Tujuan Pengujian Komparasi Durasi Tiap Metode Deteksi Tepi
Pengujian ini memiliki tujuan untuk mengetahui durasi pemrosesan tiap metode deteksi tepi yang digunakan.
4.6.2 Peralatan yang Digunakan Pengujian Komparasi Durasi Tiap Metode Deteksi Tepi
Peralatan yang digunakan pada pengujian komparasi durasi tiap metode deteksi tepi adalah sebagai berikut:
1. Kamera webcam.
2. Lampu LED.
3. Power supply / Baterai.
4. PC/Laptop.
42
4.6.3 Cara Pengujian Komparasi Durasi Tiap Metode Deteksi Tepi
Cara pengujian komparasi durasi tiap metode deteksi tepi adalah sebagai berikut:
1. Membuka aplikasi PyCharm pada PC/Laptop.
2. Membuka dan menjalankan program yang telah dibuat.
3. Menghitung durasi proses sejak dijalankan hingga muncul tampilan hasil proses pengukuran.
4.6.4 Hasil Pengujian Komparasi Durasi Tiap Metode Deteksi Tepi
Pada Tabel 4.4 dapat diamati bahwa program dapat berjalan dengan durasi yang bervariasi.
Tabel 4.4 Pengujian komparasi durasi tiap metode deteksi tepi
No. Metode Deteksi Tepi Durasi (detik)
1. Canny 24,11 detik
2. Sobel 23,26 detik
3. Prewitt 23,28 detik
4.6.5 Analisis Data Pengujian Komparasi Durasi Tiap Metode Deteksi Tepi Pada Tabel 4.4 dapat diamati bahwa deteksi tepi Sobel terlihat memiliki durasi tercepat dengan nilai 23,26 detik, kemudian deteksi tepi Prewitt dengan durasi 23,28 detik, dan yang terakhir adalah deteksi tepi Canny dengan durasi 24,11 detik.
4.7 Penjelasan Program Deteksi Ukuran Sepatu 4.7.1 Import Library
Pada Gambar 4.10 menampilkan bagian program yang merupakan tahapan memasukan library dan subprogram yang akan digunakan nantinya, yaitu OpenCV, numpy, dan size_calculate.
Gambar 4.14 Source code import library
43
4.7.2 Pengaturan Resolusi Capture
Pada Gambar 4.11 merupakan tahapan bagian program untuk melakukan setting resolusi gambar yang diambil melalui webcam menggunakan resolusi 1280x720 piksel.
Gambar 4.15 Source code pengaturan resolusi capture
4.7.3 Pemrosesan Gambar Skala Pengukuran
Pada bagian program ini merupakan tahapan untuk pemrosesan gambar skala yang digunakan untuk menentukan panjang 1 milimeter berdasarkan jumlah piksel yang terbaca. Pada Gambar 4.12, gambar skala dimasukan ke dalam program yang dijadikan bahan dasar untuk mencari satuan ukuran.
Gambar 4.16 Source code import gambar skala.
Pada Gambar 4.13, gambar yang telah dimasukan akan dikonversi menjadi format HSV untuk nantinya akan diproses segmentasi citra.
Gambar 4.17 Source code konversi gambar ke format HSV
Pada Gambar 4.14, merupakan pengaturan toleransi nilai HSV untuk warna biru yang dijadikan patokan ukuran satuan panjang.
Gambar 4.18 Source code pengaturan toleransi nilai warna HSV
44
Pada Gambar 4.15, merupakan proses threshold dengan konfigurasi nilai maksimal 120 dan pemasangan kontur gambar hasil masking dari warna HSV dengan nilai toleransi yang sudah ditentukan.
Gambar 4.19 Source code pengaturan threshold dan kontur pada gambar skala
4.7.4 Memilah Hasil Kontur Gambar Skala Pengukuran
Pada bagian program ini merupakan tahapan untuk memilah hasil kontur gambar skala pengukuran yang telah diproses sebelumnya. Pada Gambar 4.16 menampilkan proses pemilahan dengan cara membandingkan yang manakah hasil kontur yang lebih besar dibandingkan dengan kontur lainnya yang telah diproses.
Kemudian setelah menemukan yang lebih besar, maka dijalankan proses, lalu dijalankan proses untuk menghitung jumlah sudut dari kontur yang terdeteksi dan menggambar garis pada kontur yang terdeteksi. Kemudian dilakukan proses pemasangan bounding box yang nantinya diambil data ukurannya.
Gambar 4.20 Source code memilih hasil kontur gambar skala
Pada Gambar 4.17, merupakan proses pengecekan apakah jumlah sudut dari gambaran kontur yang terdeteksi sebelumnya berjumlah 4 buah. Jika iya, maka diambil data ukuran lebar bounding box yang dikalibrasi ulang untuk menyesuaikan datanya agar lebih akurat. Pada proses ini menggunakan preset gambar dengan ukuran skala panjang 25.8 cm yang setara dengan piksel 1155. Kemudian dari data tersebut digunakan untuk mencari satuan ukuran dalam bentuk milimeter yang menghasilkan ukuran deteksi panjang dan lebar telapak kaki yang presisi dengan
45
cara membagi hasil bacaan piksel program dengan 258 mm yang menghasilkan skala perbandingan 1 mm sebanding dengan 4.48 piksel.
Gambar 4.21 Source code pengecekan kontur gambar skala
4.7.5 Pemrosesan Gambar Yang Diukur
Pada bagian program ini merupakan tahapan untuk pemrosesan gambar yang diukur. Pada Gambar 4.18, merupakan proses pengambilan gambar secara langsung melalui webcam, kemudian dari gambar yang didapatkan dikonversi ke format HSV.
Gambar 4.22 Source code pengambilan gambar dan pemrosesan konversi ke format HSV pada gambar yang diukur
Pada Gambar 4.19, merupakan proses memasukan nilai toleransi warna HSV yang digunakan untuk segmentasi warna kulit kaki pada gambar yang diukur.
Gambar 4.23 Source code pengaturan toleransi nilai warna HSV untuk gambar yang diukur
46
Pada Gambar 4.20, merupakan proses untuk pemasangan deteksi tepi pada gambar yang telah disegmentasi, kemudian dilakukan thresholding dengan konfigurasi nilai maksimal 20 dan dilanjutkan dengan pemasangan kontur.
Gambar 4.24 Source code pengaturan deteksi tepi, threshold dan contour pada gambar yang diukur
4.7.6 Memilah Hasil Kontur Gambar Yang Diukur
Pada bagian program ini merupakan proses pemilahan hasil kontur pada syntax sebelumnya. Pada Gambar 4.21, merupakan proses untuk mendeteksi hasil segmentasi yang memiliki area lebih besar dari 200000 dan kurang dari 900000.
Dari range tersebut terdeteksi manakah kontur yang merupakan bagian dari kaki yang dideteksi. Setelah diketahui area yang merupakan bagian segmentasi kaki kemudian dilakukan pemasangan bounding box.
Gambar 4.25 Source code memilih hasil kontur gambar yang diukur
47
Pada Gambar 4.22, merupakan proses pengukuran panjang dan lebar dari kaki yang terdeteksi dengan menggunakan satuan ukuran yang telah didapatkan pada awal program, kemudian dari data tersebut diproses menggunakan subprogram size_calculate dengan cara memanggil function calculate. Fungsi tersebut mengembalikan nilai berupa ukuran sepatu yang sesuai dengan ukuran kaki tersebut.
Gambar 4.26 Source code pengaturan toleransi nilai warna HSV untuk gambar yang diukur
4.7.7 Subprogram size_calculate
Pada bagian program ini merupakan subprogram yang dibuat untuk melakukan pengecekan ukuran sepatu nomor berapa yang sesuai dengan panjang kaki hasil deteksi. Pada Gambar 4.23, program melakukan pengecekan apakah panjang kaki sesuai dengan nomor sepatu tersebut, jika sudah sesuai, maka akan mengembalikan nilai berupa ukuran sepatu yang sesuai dengan panjang kaki tersebut seperti pada Gambar 4.24.
Gambar 4.27 Source code pengecekan ukuran sepatu
48
Gambar 4.28 Source code pengembalian nilai ukuran sepatu
49 BAB V PENUTUP
5.1 Kesimpulan
Hasil dari pengujian dari deteksi ukuran sepatu menggunakan pengolahan citra yang telah dilakukan menghasilkan beberapa kesimpulan sebagai berikut:
1. Program deteksi ukuran sepatu sudah dapat mendeteksi ukuran sepatu berdasarkan ukuran telapak kaki hasil segmentasi program.
2. Akurasi pembacaan ukuran kaki sudah mendekati ukuran sebenarnya, namun untuk ukuran sepatu belum sepenuhnya sesuai karena tidak semua merk sepatu memiliki ukuran yang sama dan lebar kaki sangat berpengaruh terhadap ukuran sepatu yang digunakan. Pada Tugas Akhir ini mengacu pada ukuran sepatu merk Converse.
3. Deteksi tepi yang memiliki akurasi terbaik adalah deteksi tepi Canny, menghasilkan nilai akurasi panjang sebesar 97% dan nilai akurasi lebar sebesar 98,8%.
4. Deteksi tepi yang memiliki durasi pemrosesan tercepat adalah deteksi tepi Sobel, menghasilkan durasi 23.26 detik.
5. Hasil deteksi panjang dan lebar telapak kaki yang presisi mempunyai skala perbandingan 1 mm sebanding dengan 4.48 piksel.
5.2 Saran
Untuk penelitian selanjutnya terdapat beberapa saran yang dapat digunakan:
1. Menambahkan beberapa merk sepatu yang berbeda, sehingga bisa menghasilkan output ukuran sepatu yang lebih bervariatif.
2. Segmentasi program dikembangkan menggunakan Deep Learning, sehingga menghasilkan bacaan yang lebih akurat.
50
DAFTAR PUSTAKA
Enterprise, J., 2017. Otodidak Permrograman Python. Jakarta: Elex Media Komputindo.
Joshi, M. & Vyas, A., 2014. Comparison of Canny edge detector with Sobel and Prewitt edge detector using different image formats. International Journal of Engineering Research & Technology.
Letelay, K., 2019. Perbandingan Kinerja Metode Deteksi Tepi. J-ICON, pp. 1-8.
Muhimmah, I. & Wigatning, L. H., 2013. Aplikasi Anthropometri Telapak Kaki Berbasis Pengolahan Citra. Seminar Nasional Informatika Medis.
Munir, R., 2004. Pengolahan Citra Digital. Bandung: Informatika.
Pulung Nurtantio Andono, T. S. M., 2017. Pengolahan Citra Digital. Yogyakarta:
ANDI.
Putra, D., 2010. Pengolahan Citra Digital. Yogyakarta: ANDI.
Sinaga, A. S. R., 2017. Implementasi Teknik Thresholding Pada Segmentasi Citra Digital. Jurnal Mantik Penusa, pp. 48-51.
Wibowo, J. S., 2011. Deteksi dan Klasifikasi Citra Berdasarkan Warna Kulit Menggunakan HSV. Jurnal Teknologi Informasi DINAMIK Vol. 16, No. 2.
Yunus, M., 2012. Perbandingan Metode-Metode Edge Detection Untuk Proses Segmentasi Citra Digital. Jurnal Teknologi Informasi Vol. 3 No. 2.