BAB III RANCANGAN PENELITIAN
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 “RGB” Menampilkan image RGB
Picture Box “HSV” Menampilkan image hue
Picture Box “Biner” Menampilkan image biner
Tombol “Input” Memanggil atau memilih image atau video data yang ingin diproses
Text Box ”Hasil Pengenalan” Menampilkan hasil pengenalan untuk input image
Text Box “N11-N03” Nilai momen pusat ternormalisasi Tombol “Proses” 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 “Reset” Mengembalikan tampilan GUI seperti semula
Video Box “Video RGB” Menampilkan video RGB
Tombol “Play” Memulai video
Tombol “Pause” Menjeda video
Tombol “Stop” Memberhentikan video
Tombol “Asli/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.
Input utama yang digunakan berupa video. Input gambar diperoleh dari frame video yang diambil setiap 5 frame per detik kemudian disimpan di laptop dengan ekstensi .png. Input video dan gambar memiliki frame yang sama.
k=1 k=3 k=5 k=7 Rata-Rata
KK1m 67% 59% 63% 66% 64%
KB1m 69% 71% 67% 67% 68%
0%
10%
20%
30%
40%
50%
60%
70%
80%
Tingkat Pengenalan
Perbandingan Data Kotak Kecil dan Kotak Besar
4.1.4. Rambu Lalu Lintas Peringatan
Subbab 1.3 Poin B dan Subbab 2.1 perubahan dilakukan mengenai rambu lalu lintas peringatan yang akan dijadikan objek penelitian. Perubahan dilakukan karena tingkat pengenalan saat penulis menggunakan rambu sesuai rencana awal memiliki tingkat pengenalan paling rendah, yaitu 50%. Data tingkat pengenalan sebelum dan sesudah pergantian rambu lalu lintas peringatan ditunjukkan pada Lampiran 2 Tabel L-25. Rambu lalu lintas peringatan yang dijadikan objek penelitian ditunjukkan pada Gambar 4.4.
(a) (b) (c) (d) (e)
(f) (g) (h) (i) (j)
Gambar 4.4. Perubahan Rambu Peringatan yang digunakan dalam penelitian ini, (a) Peringatan (Hati-hati), (b) Banyak lalu lintas pejalan kaki anak-anak, (c) Persimpangan
tiga sisi kanan (diletakkan pada lengan mayor), (d) Jembatan, (e) Pintu perlintasan sebidang kereta api, (f) Turunan curam, (g) Permukaan jalan yang cekung atau berlubang,
(h) Simpang empat prioritas (diletakkan pada lengan mayor), (i) Tikungan kanan, (j) Persimpangan tiga tipe T (diletakkan pada lengan minor)
4.1.5. Penghilangan Istilah Real Time dan Non Real Time
Subab 1.3., mengenai batasan masalah, perubahan terjadi pada poin J, yaitu penggunaan istilah real time dan non real time dihilangkan. Istilah real time dihilangkan karena istilah tersebut tidak sesuai dengan pengujian yang dilakukan pada penelitian ini.
Istilah real time digunakan pada saat pengujian dilakukan secara langsung di jalan raya, sedangkan penelitian ini tidak melakukan pengujian langsung di jalan raya. Istilah non real
time dihilangkan karena dalam penelitian ini penulis fokus terhadap penelitian dengan input gambar dan video.
4.1.6. Rancangan Penelitian
Bab 3 mengenai rancangan penelitian terdapat beberapa perubahan, perubahan ini meliputi penambahan dan pengurangan diagram blok. Gambar 3.4. Diagram Blok Input data gambar dihilangkan karena penelitian ini menggunakan input data berupa video yang ditunjukkan pada Gambar 3.5. Oleh karena itu, input data berupa gambar ditunjukkan pada Gambar 4.5.
Gambar 4.5. Perubahan Diagram Blok Input Gambar
Gambar 4.5. menunjukkan perubahan diagram blok input gambar, perubahan terjadi pada input yang semula gambar kemudian diubah menjadi video. Video yang menjadi input kemudian diolah oleh program untuk mengambil setiap 5 frame per detik yang kemudian disimpan di laptop dengan ekstensi .png. Gambar yang sudah disimpan dan sudah berekstensi .png menjadi input pengujian gambar.
Gambar 3.6. mengenai diagram blok preprocessing (input gambar). Penambahan dilakukan setelah gambar mengalami proses cropping, gambar yang sudah mengalami proses cropping tersebut diubah ukuran piksel menjadi ukuran 64x64. Perubahan ukuran piksel ini dilakukan untuk memudahkan proses pengenalan, semakin kecil nilai piksel yang
Mulai
Input : Video Rambu Lalu
Lintas Peringatan
Ambil Setiap 5 Frame per detik
G
G
Simpan sebagai gambar (.png)
Output : Gambar Rambu Lalu
Lintas Peringatan
Selesai
digunakan maka semakin cepat pula proses sistem untuk melakukan pengenalan. Selain itu, gambar dan video yang memiliki piksel terlalu besar ketika ditampilkan pada saat pengolahan tidak akan terlihat karena akan terpotong oleh ukuran yang sudah ditentukan di dalam program. Penambahan perubahan piksel ditunjukkan pada Gambar 4.6.
Gambar 4.6. Perubahan Diagarm Blok Preprocessing (Input Gambar)
Penambahan terjadi pada Gambar 3.7. mengenai diagram blok preprocessing (input video). Pada Gambar 3.7. video yang diolah tidak mengalami proses cropping dan perubahan piksel menjadi 64x64. Oleh karena itu, dilakukan penambahan proses cropping dan perubahan piksel menjadi 64x64 untuk mempercepat proses pengenalan. Penambahan tersebut ditunjukkan pada Gambar 4.7. Perubahan dilakukan karena sistem bisa berjalan ketika menggunakan perubahan tersebut.
Mulai
Input : Image Rambu Lalu
Lintas Peringatan Mengatur Kecerahan dan
Saturasi
Gaussian Filter
Konversi BGR ke HSV
Segmentasi HSV
Dilasi dan Erosi
H
H
Cropping
Resize 64x64 piksel
Output : Image Biner
Selesai Median Filter
Gambar 4.7. Perubahan Diagarm Blok Preprocessing (Input Video) Mulai
Input : Video Rambu Lalu
Lintas Peringatan
Mengatur Kecerahan dan
Saturasi
Konversi BGR ke HSV
Segmentasi HSV Gaussian Filter
Dilasi dan Erosi Cropping
Ambil Tiap 5 Frame per detik
Output : Video Biner Resize 64x64 piksel
Median Filter
Rambu Peringatan Terdeteksi?
Tidak Selesai Bounding Box dan
Pelabelan Nama
Ya
4.1.7. Perubahan dan Cara Penggunaan GUI
Perubahan GUI terjadi pada tampilan utama. Pada Gambar 3.16. GUI menjadi satu kesatuan sistem. Penelitian ini GUI dibagi menjadi 2 bagian, yaitu GUI pengenalan gambar dan pengenalan video. Pembagian GUI menjadi dua bagian akan memudahkan pengguna untuk menentukan input data yang akan digunakan, perubahan dilakukan supaya tampilan GUI tertata dan menghilangkan bagian yang tidak digunakan. Berikut perubahan dan cara penggunaan GUI :
1. Tampillan awal GUI ditampilkan pada Gambar 4.8.
Gambar 4.8. Tampilan Awal GUI
Gambar 4.9. Tampilan List Box
Gambar 4.8. pengguna dapat memilih program yang akan dijalankan dengan menekan list box. Tampillan list box ditunjukkan pada Gambar 4.9. Tampilan awal list box berisi program yang akan dijalankan, kemudian pengguna dapat memilih program Gambar_GUI untuk pengenalan gambar dan Video_GUI untuk pengenalan video. Setelah memilih program yang dijalankan, pengguna dapat menekan tombol run. Sistem pengenalan rambu lalu lintas peringatan ini dibagi menjadi 2 bagian, yaitu sistem pengenalan dengan input video (Video_GUI.py) dan input gambar (Gambar_GUI.py).
2. Tampilan setelah tombol run ditekan
Gambar 4.10. Tampilan Awal GUI Pengenalan Gambar
Gambar 4.11. Tampilan Awal GUI Pengenalan Video
Penggunaan GUI pengenalan gambar dan pengenalan video memiliki cara yang sama. Pengguna wajib mengisi nilai k yaitu 1, 3, 5, dan 7 pada kolom nilak k yang sudah tersedia sebelum memulai proses pengenalan. Setelah nilai k terisi, pengguna dapat menekan tombol browse. Tombol browse ketika ditekan akan menampilkan daftar gambar dan daftar video yang akan diolah. Pengguna dapat memilih salah satu gambar atau video yang akan diolah.
3. Tampilan setelah pengguna memilih gambar atau video yang akan diolah
Gambar 4.12. GUI Hasil Pengenalan Gambar
Gambar 4.13. GUI Hasil Pengenalan Video
Saat pengguna sudah memilih gambar atau video, maka sistem secara langsung akan mengenali berdasarkan input yang sudah dipilih. Jika pengguna ingin mengganti video atau gambar, maka pengguna harus menekan tombol reset terlebih dahulu.
Pengguna dapat mengakhiri GUI dengan menekan tombol quit, dan tampilan akan kembali pada Gambar 4.8. GUI bisa digunakan kembali dengan cara memilih program yang akan dijalankan, program berupa pengenalan gambar dan pengenalan video. Hasil pengenalan dalam GUI merupakan hasil perhitungan jarak kosinus antara database dengan data uji. Penentuan keluaran ditentukan dengan menentukan nilai k. Nilai k dapat diganti sesuai keinginan pengguna, hasil pengenalan setiap nilai k memiliki hasil berbeda.
4.1.8. Pembuatan Database
Pembuatan database menggunakan input berupa video yang diambil setiap 5 frame per detik. Frame yang dikenali kemudian disimpan dalam dalam file dengan ekstensi .csv secara otomatis. Pembuatan database diawali dengan pembuatan database setiap jarak dan setiap frame memiliki 7 angka ekstraksi ciri.. Pembuatan database setiap jarak ditunjukkan pada Tabel 4.1.
Tabel 4.1. Database Setiap Jarak Nama Rambu No Urut
di Excel
Hasil Ekstaksi Ciri Rambu 1 Setelah mendapatkan database setiap jarak, kemudian database tersebut digabungkan menjadi satu setiap rambu. Hasil database gabungan ditunjukkan pada Lampiran 3 Pembuatan database gabungan ditunjukkan pada Tabel 4.2.
Tabel 4.2. Database Gabungan
Nama Rambu No Urut di Excel Jarak Hasil Ekstraksi
Tabel 4.2. (lanjutan) Database Gabungan Keterangan : F0 = Frame pertama, FN = Frame ke N, EC = Ketujuh nilai ekstraksi ciri
Database digunakan untuk proses pengujian, dengan cara mecari jarak terdekat antara data uji dengan database. Jarak yang paling dekat akan menjadi hasil pengenalan rambu lalu lintas peringatan. Pencarian jarak terdekat menggunakan fungsi jarak kosinus pada Subsubbab 2.8.1. Penggunaan jarak kosinus adalah menghitung jarak antara hasil ekstraksi ciri data uji dengan database, perhitungan dilakukan frame demi frame.
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 2.20253𝑥10−8. 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
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