BAB 2
LANDASAN TEORI
2.1 Pajak Reklame
Pajak reklame adalah pajak atas penyelenggaraan reklame. Pengenaan pajak reklame tidak mutlak ada pada seluruh daerah kabupaten atau kota yang ada di Indonesia. Hal ini berkaitan dengan kewenangan yang diberikan kepada pemerintah kabupaten atau kota untuk mengenakan atau tidak mengenakan suatu jenis pajak kabupaten atau kota. Untuk dapat dipungut pada suatu daerah kabupaten atau kota, pemerintah daerah harus terlebih dahulu menerbitkan peraturan daerah tentang Pajak Reklame yang akan menjadi landasan hukum operasional dalam teknis pelaksanaan pengenaan dan pemungutan Pajak Reklame di daerah kabupaten/kota yang bersangkutan (Hulu, 2012). 2.1.1 Ketentuan Umum
Berdasarkan Peraturan Daerah Kota Medan No. 2 Tahun 2004 tentang pajak reklame yang dimaksud dengan.
1. Daerah adalah Daerah Kota Medan.
2. Pemerintah Daerah adalah Pemerintah Kota Medan. 3. Walikota adalah Walikota Medan.
4. Dinas Pendapatan Daerah adalah Dinas Pendapatan Daerah Kota Medan.
6. Reklame adalah benda, alat perbuatan atau media yang menurut bentuk, susunan dan corak ragamnya untuk tujuan komersil dipergunakan untuk memperkenalkan atau memujikan suatu barang, jasa, orang atau badan.
7. Nilai sewa reklame adalah nilai yang ditetapkan sebagai dasar perhitungan penetapan pajak reklame.
8. Nilai strategis titik reklame adalah suatu nilai yang dinyatakan dalam satuan rupiah berdasarkan atas perletakan titik reklame pada kelas jalan/zona, ketinggian dan luas bidang reklame.
9. Kelas jalan adalah suatu klasifikasi atas setiap jalan dalam bentuk apapun yang terbuka untuk lalulintas umum yang didasarkan kepada mutu dan lebar jalan. 10. Rumah ibadah adalah: Mesjid, Gereja, Vihara, Kuil dan Pura.
11. Gedung bersejarah adalah gedung-gedung peninggalan sejarah yang ditetapkan berdasarkan Keputusan Kepala Daerah.
2.1.2 Subjek dan Objek Pajak Reklame
1. Subjek Pajak Reklame
Subjek Pajak Reklame adalah orang pribadi atau badan yang menyelenggarakan atau melakukan pemasangan reklame.
2. Objek Pajak Reklame
Objek Pajak Reklame adalah semua penyelenggaraan reklame. Yang dikecualikan Objek Pajak adalah:
a. Penyelenggaraan reklame melalui televisi, radio, warta harian, warta mingguan, warta bulanan, dan sejenisnya.
b. Penyelenggara reklame oleh Pemerintah Pusat dan Daerah.
e. Merupakan reklame yang disebarkan, apabila benda yang dijadikan reklame itu dimaksudkan juga bermanfaat bagi yang menerimanya.
f. Diselenggarakan oleh perwakilan diplomatik, perwakilan konsulat, perwakilan PBB serta badan atau lembaga organisasi internasional pada lokasi badan-badan tertentu.
g. Diselenggarakan oleh Partai Politik Organisasi kemasyarakatan. 2.1.3 Tarif dan Dasar Pengenaan Pajak Reklame
1. Tarif Pajak Reklame
Tarif Pajak Reklame yang telah ditentukan berdasarkan peraturan perundang-undangan yang berlaku adalah sebesar 25%.
2. Dasar Pengenaan Pajak Reklame
a. Pajak reklame pada titik strategis ditetapkan sebesar NJOPR ditambah harga nilai strategis dikalikan 25%.
b. Pajak reklame yang berada diatas gedung, menempel digedung dan diatas tanah bukan milik Pemerintah Kota Medan, ditetapkan sebesar NJOPR ditambah dengan Harga Nilai Strategis dikali 25%.
3. Pengenaan Nilai Strategis Reklame
Lokasi penempatan adalah lokasi peletakan reklame berdasarkan nilai strategis titik reklame dan kelas jalan. Pembagian Kelas Jalan dan besaran rupiah pada lokasi strategis titik reklame adalah sebagai berikut:
Tabel 2.1 Daftar Lokasi Jalan Yang Dibenarkan Untuk Penyelenggaraan
Reklame Di Wilayah Kota Medan
No Nama Jalan Keterangan
A Jalan Kelas 1
1. Jl. A. Yani md. Jl. Palang Merah s/d Jl. Pulau Pinang 2. Jl. A. H. Nasution md. Jl. Karya Jaya s/d SM. Raja 3. Jl. Asia md. Jl. Sutomo s/d Jl. Jumhana
Tabel 2.1 Daftar Lokasi Jalan Yang Dibenarkan Untuk Penyelenggaraan Reklame Di Wilayah Kota Medan (lanjutan)
No Nama Jalan Keterangan
6. Jl. B. Katamso md. Jl. Suprapto s/d Jl. Ir. H. Juanda
7. Jl. Balai Kota md. Jl. Bukit Barisan s/d Jl. Perintis Kemerdekaan 8. Jl. Bandung md. Jl. Palangkaraya s/d Jl. Sutomo
9. Jl. Cik Ditiro md. Jl. HZ. Arifin s/d Jl. Sudirman 23. Jl. Kom. Yos Sudarso md. Jl. Merak Jingga s/d Jl. Pertempuran 24. Jl. Kapt Muslim md. Jl. G. Subroto s/d Jl. Kapt. Sumarsono 25. Jl. Kapt. Pattimura md. Jl. Sudirman s/d Jl. Mongonsidi 26. Jl. Letjen Jamin Ginting md. Simpang Pattimura s/d Simpang Pos 27. Jl. Letjen Suprapto md. Jl. Imam Bonjol s/d Jl. Pemuda 28. Jl. Mayjen Supadmo md. Jl. G. Subroto s/d Jl. Setia Budi 29. Jl. Merak Jingga md. Jl. Yos Sudarso s/d Jl. H.M. Yamin 30. Jl. Mongonsidi md. Jl. Kapt. Pattimura s/d Ir. Juanda 31. Jl. M.T. Haryono
32. Jl. Ngumban Surbakti md. Jl. Jamin Ginting s/d Jl. Perpustakaan 33. Jl. Nibung Raya md. Jl. Gatot Subroto s/d Jl. Perpustakaan 34. Jl. P. Kemerdekaan md. Jl. Putri Hijau s/d Jl. Prof. HM. Yamin, SH 35. Jl. Palang Merah md. Jl. Imam Bonjol s/d Jl. Pegadaian 36. Jl. Pemuda md. Jl. Suprapto s/d Jl. Palang Merah 37. Jl. Pandu md. Jl. Sutomo s/d Jl. Pemuda 38. Jl. Pinang Baris md. Jl. Gatot Subroto s/d Jl. Sunggal 39. Jl. Prof. H.M. Yamin, SH md. Jl. Putri Hijau s/d Jl. GB. Yosua 40. Jl. Putri Hijau md. Jl. Prof. H.m. Yamin, SH s/d Jl. Merak
Jingga 41. Ringroad Gagak Hitam
Tabel 2.1 Daftar Lokasi Jalan Yang Dibenarkan Untuk Penyelenggaraan Reklame Di Wilayah Kota Medan (lanjutan)
No Nama Jalan Keterangan
48. Jl. S. Parman md. Jl. G. Subroto s/d Jl. Sudirman 49. Jl. T. Amir Hamzah md. Jl. Adam Malik s/d Jl. Brigjen H.A. Manaf
Lubis
50. Jl. Thamrin md. Jl. P. Kemerdekaan s/d Jl. Sutrisno B Jalan Kelas 2 (dua) Jalan yang tidak termasuk Jalan Kelas 1 (satu)
dan Jalan Kelas 3 (tiga) C Jalan Kelas 3 (tiga) Jalan Lingkungan
Tabel 2.2 Besar Nilai Rupiah Berdasarkan Kelas Jalan dan Ukuran Reklame
Nilai strategis Ukuran Reklame Basaran Nilai Strategis (Rp)
Kelas I s/d 2x4 m2 30.000.000,-
Kelas II s/d 2x4 m2 25.000.000,- Kelas III s/d 2x4 m2 20.000.000,-
Tabel 2.3 Besaran Nilai Rupiah Bardasarkan Kelas Jalan dan Ukuran
Nilai strategis Ukuran Reklame Basaran Nilai Strategis (Rp)
Kelas I diatas 2x4 m2 175.000.000,-
Kelas II diatas 2x4 m2 150.000.000,- Kelas III diatas 2x4 m2 125.000.000,-
Tabel 2.4 Besaran Nilai Sewa Reklame Papan/Billboard/Videotron/Large
Tabel 2.5 Besaran Nilai Sewa Reklame Kain Berupa Umbul-Umbul Spanduk dan
Tabel 2.6 Besaran Nilai Sewa Reklame Mini Billboard/Shelter/Reklame Menempel
Tabel 2.7 Besaran Nilai Sewa Reklame Merek Toko
Jenis
a. Reklame melekat (stiker) : Rp 500 cm2 sekurang-kurangnya Rp 2.500.000,- setiap kali penyelenggaraan.
b. Reklame selebaran : Rp 300,-/lembar, sekurang-kurangnya Rp 2.500.000,- setiap kali penyelenggaraan.
c. Reklame berjalan/kendaraan : 5.000/m3/hari.
d. Reklame Udara : Rp 2.000.000,- sekali peragaan, paling lama 1 bulan.
e. Reklame Suara : Rp 1.000,-/15 detik, bagian - bagian yang kurang dari 15 detik dihitung menjadi 15 detik.
f. Reklame Film/Slide: Rp 5.000,-/detik dengan suara, Rp 2.000,-/15 detik tanpa suara. Bagian bagian yang kurang dari 15 detik dihitung menjadi 15 detik.
g. Reklame peragaan: Rp 12.000,-/hari dan sekurang-kurangnya Rp 240.000,-
2.1.4 Rumus Perhitungan Reklame
� � � � +
�
� �� ∗ %
(2.1)
Dimana :
NJOP Reklame adalah hasil perkalian antara luas, jangka waktu pemasangan dan nilai sewa.
Nilai Strategis adalah ukuran nilai yang ditetapkan pada titik lokasi pemasangan.
25% adalah tarif pajak reklame yang telah ditetapkan
2.2 Android
Android adalah sebuah sistem operasi mobile yang dikembangkan oleh Google, dibentuk dari kernel linux dan didesain terutama untuk perangkat mobile touchscreen
seperti smartphone dan tablet. Android merupakan sistem operasi yang bersifat open source sehingga dapat dengan bebas digunakan ,dikembangkan, dan tanpa biaya.
kelas – kelas Java buatan harus dikonversi kedalam kumpulan instruksi yang sesuai dengan Dalvik sebelum dieksekusi kedalam sistem operasi Android. Dalvik VM mengambil file kelas Java yang telah diproses dan mengkombinasikannya dengan satu atau lebih file Dalvik executable (.dex). Dalvik diciptakan untuk mendukung sistem operasi mobile yang ringan karena keterbatasannya kemempuan perangkat keras dibandingkan dengan desktop dan laptop pada umumnya (Holla & Katti. 2012).
Menurut Fahrani (2015), Android memiliki fitur – fitur penting diantaranya :
1. Sebuah Application Framework yang menyediakan banyak pengaturan API untuk membangun berbagai macam aplikasi.
2. Dalvik virtual machine, memungkinkan pengguna untuk menjalankan aplikasi Android.
3. Pengaturan Graphics Library untuk pemrograman 2D dan 3D.
4. Integrated browser. Web browser berbasis WebKit engine terdapat pada browser default pada Android ataupun dapat diintegrasikan dengan aplikasi lain.
5. Media Support. Mendukung berbagai format audio, video, dan gambar(MPEG4, H.264, MP3, AAC, AMR, JPG, PNG, GIF).
6. SQLite. Basis data relasional yang ringan namun sangat powerful.
7. Bluetooth, EDGE, kompas, dan accelerometer. Mendukung komunikasi jaringan(tergantung hardware).
8. Lingkungan development yang lengkap. Termasuk perangkat emulator, tools untuk
debugging, profiling dan kinerja memori, dan plugin untuk Eclipse Integrated Development Environment (IDE).
2.2.1 Arsitektur Android
Gambar 2.1. Arsitektur Android (Kebomix, 2010)
1. Applications dan Wigets
Applications dan widgets ini adalah layer dimana kita berhubungan langsung dengan aplikasi. Di layer ini terdapat aplikasi inti termasuk klien email, SMS, kalender, peta, browser, kontak, dan lain – lain.
2. Application Framework
Application Framework adalah layer dimana developer aplikasi melakukan pengembangan pada aplikasi karena pada layer ini developer dapat mengakses
hardware, informasi resources, menjalankan service background, mengatur alarm, menambahkan status notifikasi, dan sebagainya. Application Framework dirancang agar developer dapat dengan mudah menggunakan kembali komponen yang sudah digunakan (Safaat, 2015).
3. Libraries
Library pada Android terdiri dari dua komponen, yaitu Android Runtime dan Android System Library. Android Runtime terdiri dari Java Core Library dan
Dalvik Virtual Machine. Android System Library adalah pendukung layer Application Framework dan juga merupakan penghubung antara Application Framework dan Linux kernel (Ma, et al., 2014).
4. Linux Kernel
2.3 Pengolahan Citra Digital
Menurut Kadir & Susanto (2013) pengolahan gambar citra atau digital image processing adalah ilmu yang mempelajari tentang manipulasi dan modifikasi citra, seperti perbaikan kualitas citra, pemilihan ciri citra (feature images) yang bertujuan untuk analisis, dan transformasi citra (rotasi, skala, translasi), dengan menggunakan komputer untuk mendapatkan hasil yang lebih baik. Pada proses pengolahan citra ini bermaksud agar gambar awal yang memiliki gangguan lebih mudah untuk diinterpretasikan dengan cara memanipulasikan citra menjadi citra lain.
Pengolahan citra digital (digital image processing) adalah proses dimana citra dimanipulasi dengan berbagai cara agar citra tampak terlihat lebih indah ataupun agar citra dapat diolah untuk proses klasifikasi dan identifikasi.
Pada umumnya citra yang akan diolah adalah citra digital berwarna (citra RGB). Tiap pixel citra RGB memiliki 3 nilai penting, yaitu nilai Red, Green, dan Blue. Masing – masing elemen tersebut memiliki format 8 bit sehingga satu buah pixel dapat menghasilkan 16777216jenis warna.
Video adalah kumpulan citra yang ditampilkan secara cepat sehingga objek pada gambar tersebut tampak seperti bergerak. Semakin banyak citra atau frame yang dapat ditampilkan per detik maka video yang dihasilkan akan terlihat lebih nyata dan lebih bagus untuk dilihat.
2.3.1 Grayscale
Grayscale adalah proses dimana citra berwarna (citra RGB) diubah menjadi citra dengan warna keabuan. Citra keabuan hanya memiliki satu nilai yang berjarak 0 – 255. Citra keabuan menggunakan warna hitam sebagai warna minimum, warna putih sebagai warna maksimum dan warna diantara hitam dan putih, yaitu abu-abu. Abu - abu merupakan warna dimana komponen merah, hijau, dan biru mempunyai intensitas yang sama (Chairani, 2016).
Terdapat 2 cara merubah citra RGB ke citra keabuan. Cara pertama adalah dengan mencari nilai rata – rata dari ketiga nilai warna seperti persamaan (2.2).
Dimana :
R adalah nilai warna merah.
G adalah nilai warna hijau.
B adalah nilai warna biru.
Cara kedua adalah cara yang biasanya dipakai dalam mengubah citra ke dalam skala keabuan yang dapat dilihat pada persamaan (2.3).
� = .
. + .
.� + .
.�
(2.3)2.3.2 Gaussian Blurring
Proses mengaburkan gambar melalui fungsi gauss adalah disebut Gaussian blurring. Secara umum, metode ini digunakan untuk mengurangi noise gambar dan rincian pada perangkat lunak grafis, komputer visi dan pengolahan gambar aplikasi (Bozkurt, et al., 2015). Noise yang terdapat pada citra dapat mengganggu pada saat pendeteksian tepi sehingga proses identifikasi akan menghasilkan hasil yang salah. Proses gaussian blur
dilakukan dengan menggerakkan kernel image untuk tiap pixel pada citra. Kernel harus berukuran matriks m x m seperti pada gambar 2.2 yang nilainya ditentukan dengan persamaan (2.4).
Gambar 2.2. Contoh kernel Gaussian berukuran 3x3 (Anonim, 2012)
��
,
=
��2�
− 2+ 22�2 (2.4)Dimana :
x adalah koordinat baris pada kernel.
σ
adalah nilai standar deviasi Gaussian.Sehingga apabila persamaan (4) diimplementasikan kedalam kernel pada gambar 2.2 dengan nilai standar deviasi (
σ
) sama dengan 1,5 akan menghasilkan kernel seperti pada gambar 2.3.Gambar 2.3. Kernel Gaussian setelah penerapan rumus (Anonim, 2012)
Setelah itu jumlahkan sembilan nilai yang ada pada kernel tersebut lalu dibagikan ke masing – masing nilai kernel dan sehingga menjadi seperti pada gambar 2.4.
Gambar 2.4. Hasil akhir kernel gaussian (Anonim. 2012)
2.3.3 Deteksi Tepi Canny
gaussian blur, mencari tepi dengan menggunakan sobel operator dan menentukan arah garis tepi, melakukan penipisan tepi dengan Non Maximum Supression dan hysterisis. Contoh hasil dari deteksi tepi Canny dapat dilihat dari gambar 2.5.
Gambar 2.5. Citra hasil deteksi tepi Canny (Wikipedia, 2017)
2.3.4 Dilasi
Dilasi merupakan proses penebalan piksel objek pada citra biner. Dilasi dapat membantu menyambung garis yang terputus dan mengecilkan lubang pada objek. Proses dilasi dilakukan dengan melihat apakah nilai dari tetangga tiap – tiap piksel ada yang bernilai “1” berdasarkan matriks berukuran m x m. Apabila ada, maka nilai piksel yang sedang diproses akan diubah menjadi “1”. Proses dilasi dapat dilihat pada gambar 2.6.
Gambar 2.6. Proses dilasi dengan bantuan matriks 3x3
2.3.5 Erosi
melihat apakah nilai dari tetangga tiap – tiap piksel ada yang bernilai “0” berdasarkan matriks berukuran m x m. Apabila ada, maka nilai piksel yang sedang diproses akan diubah menjadi “0”. Proses erosi dapat dilihat pada gambar 2.7.
Gambar 2.7. Proses erosi dengan bantuan matriks 3x3
2.4 OpenCV
Menurut Jonatan Sianturi (2016), OpenCV adalah sebuah kumpulan software yang menyediakan struktur data dan algoritma yang dibuat untuk proses pengolahan citra dan
Machine Learning. Sebagian besar OpenCV didedikasikan untuk pengolahan citra secara real time.
Tujuan utama dari OpenCV adalah untuk melakukan proses pengolahan citra atau frame dari sebuah video secara real – time. Algoritma pengolahan citra dioptimalkan oleh para ahli dari Intel. OpenCV memiliki 400 fungsi yang mencakup 28 area dalam penelitian pengolahan citra dan analisis. Ketika peneliti menemukan algoritma baru, peneliti mengirimkannya ke Intel dimana alritma tersebut akan dianalisa, dioptimalkan, dan disesuaikan agar dapat mendapat kelebihan dari prosessor spesial pendukung untuk multimedia MMX (Matrix Math Extensions) dan SSE (Streaming SMID Extensions). Algoritma yang baru tersebut akan ditambah pada versi OpenCV berikutnya. Oleh karena itu, OpenCV adalah pilihan yang sangat bagus untuk analisa dan pengolahan citra, karena pengoptimasi untuk struktur hardware pada prosessor (Ionel, 2011).
Fitur-fitur utama yang dimiliki oleh OpenCV antara lain :
1. Menangani data citra (alokasi, dealokasi, duplikasi, menyimpan, menkonversi). 2. Input atau Output citra dan video (dari file level dan device level).
4. Data struktur dinamis (lists, queues, trees, graphs)
5. Algoritma dan tools untuk pengolahan citra (filtering, deteksi tepi, corner detection, contour detection, konversi warna, morphological operations, interpolation, histogram operation, segmentasi citra, mendukung dalam mencari
Region of Interest (ROI), tools untuk pengenalan citra dengan classifiers, mendukung untuk citra stereo, neural network).
6. Analisis struktur (connected components, contour processing, distance transform, variable times, merakit template, Hough-type transformation, polygonal approximating, menghitung area of interest berdasarkan garis dan elips, delaunay triangulation).
7. Kalibrasi kamera.
8. Analisis gerakan (melacak gerakan pada video, segmentasi gerakan). 9. Pengenalan objek (Hidden Markov Model).
10. GUI yang sederhana.
11. Mampu menambah layer pada citra (polygon, teks, garis).
OpenCV menyediakan modul – modul dengan fungsi yang berbeda beda antara lain :
1. Core : inti dari data struktur, tipe data, dan manajemen memori.
2. Imgproc : Modul pengolahan citra. Filter citra, transformasi citra geometris, struktur, dan analisis citra.
3. Video : Modul analisis video yang mencakup analisis gerakan, pemisahan
background, dan algoritma pelacakan objek.
4. Calib3d : Algoritma dasar multiple-view geometri, kamera tunggal dan stereo, estimasi pose objek, algoritma stereo korespondensi, dan elemen- elemen untuk rekonstruksi 3D.
5. Features2d : Fitur detectors, descriptors, dan descriptor matchers.
6. Objdetect : Deteksi objek menggunakan cascade dan histogram dari pengklasifikasi gradien.
2.5 Perspective Projection
Perspective projection (proyeksi perspektif) adalah pemetaan 3 dimensi menjadi 2 dimensi. Sama prisipnya dengan cara kerja penglihatan manusia dan cara kerja kamera.
Gambar 2.8. Proyeksi objek 3D menjadi objek 2D
Dari gambar 3.8, terdapat kesamaan rumus dalam mencari besar sudut Q. Rumus mencari besar sudut Q dapat dilihat pada persamaan (2.5) dan (2.6).
� =
(2.5)
� =
�� (2.6) Dimana, Y = Tinggi Asli Objek.
Z = Jarak antara kamera dan objek. y = Tinggi Objek pada kamera.
f = Jarak fokus yang dimiliki oleh kamera.
Dari persamaan (5) dan (6) terbentuk persamaan (2.7) karena memiliki besar sudut sama.
=
�Dari persamaan (2.6), ukuran asli tinggi sebuah objek dapat dicari dengan rumus (2.8) dan begitu juga sebaliknya dengan lebar asli objek dapat dicari dengan rumus (2.9) dimana W adalah lebar asli objek dan w adalah lebar objek pada citra.
� =
� .� (2.8)
� =
� .� (2.9) Karena variabel yang dibutuhkan seperti tinggi objek pada kamera dalam ukuran pixel, jarak antar kamera dengan objek, dan jarak fokus yang dimiliki kamera, maka ukuran asli tinggi objek langsung bisa dicari dengan persamaan (2.8).
2.6 Penelitian Terdahulu
Penelitian dalam mengukur objek tanpa alat ukur dengan bantuan kamera atau
smartphone sudah banyak digunakan. Laotrakunchai, et al. (2013) melakukan penelitian tentang pengukuran jarak objek terhadap kamera dan ukuran objek mengunakan accelerometer pada smartphone dengan cara menggeser smartphone
sesuai dengan panjang dan lebar objek untuk mencari ukuran objek dan menggeser dari titik awal smartphone berada sampai ke objek untuk menghitung jarak.
Penelitian selanjutnya dilakukan oleh Han & Wang (2011) yang melakukan perhitungan ketinggian sebuah pohon menggunakan transformasi proporsi dimana pohon diberi 2 label penanda untuk membantu proses pengukuran. Hasil dari metode yang diajukan akan dibandingkan dengan metode yang menggunakan Ultrasonic hypsometer yang mendekati akurat. Rata – rata relatif error sebesar 3.62% dan relatif error terbesar sebesar 5%.
Pada tahun 2012, Mustafah, et al. melakukan perhitungan jarak dan ukuran objek menggunakan pengambilan citra secara stereo vision dan mengukur jarak dan ukuran objek dengan membandingkan lebar dan tinggi objek yang didapat dari dua citra dari dua kamera yang berbeda. Penelitian ini menghasilkan error yang tidak lebih dari 2cm baik pada ukuran aslinya maupun jarak aslinya.
objek ke kamera dicari dengan menerapkan lima metode untuk membuktikan bahwa proses pengukuran dapat dilakukan dengan cara yang lebih efisien dan tidak memakan banyak biaya. Rangkuman penelitian terdahulu dapat dilihat pada tabel 2.8.
Tabel 2.8. Penelitian Terdahulu
No Judul Peneliti Keterangan
1 Measurement of Size and Distance of Objects Using 2 Tree Height Measurement
based on image processing 3 Stereo Vision Images
Processing for Real-time
4 Machine Vision for General Cameras for Quality Testing and Dimension Calculations
Perbedaan penelitian yang dilakukan dengan penelitian terdahulu adalah penelitian ini berfokus pada efisiensi dalam pengukuran objek dengan kamera
smartphone tanpa mengukur jarak antara objek dan kamera. Kemudian hasil pengukuran papan reklame akan dipakai untuk mencari nilai pajak dari papan reklame yang diukur. Adapun metode yang digunakan dalam penelitian ini, yaitu :
Menggunakan proses pengolahan citra seperti konversi ke citra grayscale, deteksi tepi canny, dilasi, dan erosi.
Pengenalan bentuk papan reklame menggunakan metode pencarian contour, lalu mengeliminasi contour yang kecil dan tidak memiliki empat sisi dengan mencari luas terbesar dan mencari jumlah sudut.
