487 Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 487-496 E- ISSN 2503-2933
Klasifikasi Barang Pada Proses Sortir Pengiriman Barang Dengan Raspberry Pi Menggunakan Algoritma Oriented
Fast And Rotated Brief (ORB) Dan K-Nearest Neighbor (KNN)
Rizky Ryan Dwi Yudistira1, Sigit Anggoro2, Fatan Kasyidi3
1,2Universitas Jenderal Achmad Yani, Cimahi
3Program Studi Teknik Informatika, FSI UNJANI, Cimahi
e-mail: 1[email protected], 2[email protected] ,
Abstrak
Sortir barang menjadi salah satu mesin pada industri yang efisien jika dikaitkan dengan kinerja sistem. Proses sorting barang dapat dilihat dari bentuk barangnya yang terdeteksi dari bentuk barang tersebut sehingga dibutuhkan teknik untuk meninjau area objek yang dideteksi dengan titik acuan yang tepat. Pada saat ini sortir barang di dunia industri telah dilakukan secara mandiri tanpa adanya pertemuan fisik dengan pegawai. Pada penelitian terdahulu mengenai proses identifikasi barang belanjaan telah dilakukan dengan menggunakan metode Oriented Fast and Rotated Brief dengan menghasilkan suatu sistem yang dapat mengenali jenis barang belanjaan. Adapun pada penelitian ini menggunakan metode Oriented Fast and Rotated Brief dan K-Nearest Neighbor untuk mengenali bentuk barang dan mengklasifikasikan bentuk barang sesuai label kelasnya yang diterapkan pada sistem konveyor yang dibantu oleh piranti Raspberry Pi. Penelitian ini dapat mengklasifikasikan bentuk barang meskipun bentuk barang dirotasikan. Hasil dari analisis pada penelitian ini sistem sudah dapat mengenali dan mengklasifikasikan bentuk barang “Kubus”,”Segitiga”,dan “Tabung” dengan menghasilkan tingkat akurasi keberhasilan sebesar 89%.
Kata kunci – Oriented Fast and Rotated Brief,K-Nearest Neighbor,Soritr barang
Abstract
Sorting items becomes one of the most efficient machines in industry if it is in accordance with system performance. The process of sorting items can be seen from the shape of the items detected from the shape of the items so that a technique is needed to review the detected object area with the right reference point. At the time of sorting items in the industrial world has been done independently without any physical meeting with employees. In previous research, the process of shopping for items has been carried out using the Oriented Fast and Rotated Brief method by producing a system that can recognize the type of grocery items. As for this research, using the Oriented Fast and Rotated Brief and K-Nearest Neighbor methods to identify the shape of the items and classify the shape of the items according to the class label applied to the conveyor system assisted by the Raspberry Pi device. This research can classify the shape of the items even though the shape of the items is rotated. The results of the analysis in this research the system has been able to recognize and classify the shape of items "Cube", "Triangle", and
"Tube" with a quality accuracy of 89% success.
Keywords – Oriented Fast and Rotated Brief,K-Nearest Neighbor,Sorting items
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 487-496 E- ISSN 2503-2933 488
1. PENDAHULUANortir adalah kegiatan yang sering ditemui di bidang industri ataupun dalam proses sortir pengiriman barang. Saat ini, sortir barang merupakan kegiatan rutin yang dilakukan oleh bagian industri maupun jasa pengiriman barang. Sortir juga merupakan faktor utama yang berpengaruh besar terhadap keberlangsungan industri karena penyortiran barang ini dapat membantu proses pendistribusian barang dalam memilih barang. Sortir barang pada jasa pengiriman barang ini sering terjadinya keterlambatan pengiriman dikarenakan barang tercecer atau tidak teratasi dalam pengawasan barang tersebut maka sistem konveyor merupakan salah satu alat yang dapat membantu pegawai dalam menyelesaikan permasalahan pada jasa pengiriman barang untuk peningkatan kuantitas maupun kualitas pada saat proses pengiriman barang. Proses klasifikasi biasanya hanya dengan memisahkan dengan mandiri untuk memisahkan barang proses ini akan membutuhkan waktu yang cukup lama dengan bentuk barang yang bervariasi. Sortir barang dapat dilihat dari bentuk barangnya yang terdeteksi dari bentuk barang tersebut sehingga dibutuhkan teknik untuk meninjau area objek yang dideteksi dengan titik acuan yang tepat[1]. Penelitian ini memiliki beberapa Batasan masalah sehingga tetap pada ruang lingkup yang telah direncanakan sebagai berikut, sistem hanya mengenali bentuk barang kubus segitiga dan tabung,pengambilan gambar menggunakan webcam yang hanya berada pada sudut atas konveyor,pengambilan gambar harus dengan kondisi intensitas cahaya normal. Tujuan penelitian ini yaitu membuat sistem untuk klasifikasi barang berdasarkan bentuk menggunakan Raspberry Pi.
Algoritma Oriented Fast and Rotated Brief (ORB) secara umum dibagi menjadi tiga tahapan: ekstraksi titik fitur, menghasilkan deskriptor titik fitur dan pencocokan titik fitur[2].
Algoritma ORB digunakan untuk mendeteksi objek yang bergerak[3][4]. Terdapat beberapa penelitian yang membahas pendeteksian maupun klasifikasi terhadap objek dan klasifikasi uang kertas dengan menggunakan metode SURF,SIFT,dan ORB yang masing-masingnya memberikan simpulan bahwa SURF dengan keberhasilan terbaik yaitu 93.14%, diikuti dengan SIFT 92.571%, lalu ORB 89.714%[5][6]. Terdapat pada penelitian pada citra ikan yaitu memiliki tingkat akurasi 97.5% dan pada penelitian mengenai deteksi barang belanjaan memiliki akurasi 100%[7][8]. Pada penelitian sebelumnya mengenai pengenalan terhadap objek citra ukiran Bali yang berbasis feature matching dengan menghasilkan akurasi kebenaran 48%
dan citra objek ukiran Bali dengan tidak dikenali yaitu sebesar 52% karena mengacu dengan jumlah scene corners yang didapat apabila jumlah scene corners lebih dari 4 maka citra ukiran Bali dapat dikenali[9] dan pada penelitian mengenai deteksi objek barang belanjaan yang mendapatkan tingkat akurasi keberhasilan sebesar 100% dikenali,namun penelitian tersebut hanya mengenalinya saja tanpa mengklasifikasikannya[8] Penelitian ini dapat mengklasifikasikan bentuk barang meskipun bentuk barang tersebut diputar dengan posisi yang berbeda. Dari berbagai permasalahan pada penelitian mengenai deteksi objek,sehingga diperlukan metode yang tepat untuk dapat mengklasifikasi bentuk barang yang bervariasi terhadap berbagai kondisi. Sehingga metode ORB sangat dibutuhkan untuk proses ekstraksi fitur karena sudah terbukti tahan terhadap perubahan rotasi. Dalam penelitian ini metode yang digunakan yaitu ORB dan KNN.
S
489 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 487-496 E-ISSN 2503-2933
2. LANDASAN TEORI
2.1 Scale Invariant Feature Transform
Algoritma SIFT merupakan algoritma untuk mengubah gambar menjadi kumpulan vektor fitur. Bertujuan untuk menjadikan vektor lokal dan skala yang bervariasi terhadap rotasi gambar[4]. Perbedaan fungsi ini akan memiliki tanggapan dari SIFT yang kuat di sekitar tepi,meskipun lokasi di sekitar tepi tidak ditentukan dengan baik. Dalam algoritma pencocokan SIFT ini merupakan probabilitas kecocokan yang sesuai untuk ditingkatkan dengan mempertimbangkan posisi relatif dari tetangga menggunakan jarak antara tetangga[10].
2.2 Oriented FAST and Rotated BRIEF
ORB diusulkan karena detector keypoint yang dikenal dengan FAST,metode ini dikembangkan dengan deskriptor BRIEF. FAST dan BRIEF memiliki kinerja yang sangat baik,keuntungan dari metode ini cocok untuk menemukan keypoint dalam keadaan yang dapat ditemukan secara real-time[4][11]. Parameter yang diambil oleh FAST yaitu intensitasi piksel tengah dengan piksel yang lain yang berada dalam lingkaran. FAST tidak menghasilkan perhitungan ukuran corners. Kinerja dari metode ini mirip dengan kinerja dari SIFT seperti ketahanan cahaya dan gambar yang kabur (blur)[12].
2.3 K-Nearest Neighbor
Algoritma klasifikasi ini berbeda dengan algoritma yang lainnya. Algoritma ini hanya dengan mencari jarak terdekat antar data yang akan diuji dari nilai k tetangga yang paling dekat dengan data latih. Algoritma ini tidak memerlukan pembelajaran khusus,algoritma ini hanya untuk menyimpan seluruh fitur dari sebuah data untuk diproses[7].
2.4 Confusion Matrix
Pengujian Model merupakan proses mengukur bagaimana kinerja Model yang diterapkan dalam sistem. Pengujian Model yang digunakan dalam pembangunan sistem ini menggunakan Confusion Matrix[13].
Tabel 1. Confusion Matrix Tiga Kelas
Tabel Prediksi
Tabel Aktual
X Y Z
X TP FP FP
Y FN TN TN
Z FN TN TN
Keterangan:
TP = Prediksi benar dan aktual benar FP = Prediksi salah dan aktual salah FN = Prediksi salah dan aktual salah TN = Prediksi benar dan aktual benar
= (1)
= (2)
= (3)
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 487-496 E- ISSN 2503-2933 490
3. METODE PENELITIANGambar 1. Tahapan Penelitian
Pada penelitian ini terdapat beberapa tahapan seperti yang ditunjukan pada Gambar 1 penelitian ini menggunakan metode ORB untuk pemrosesan fitur dan pendekatan dengan metode KNN untuk proses klasifikasinya,yang nantinya data akan diproses dengan melakukan beberapa tahapan seperti:
1. Pengumpulan Data (Data Latih)
Tahap ini adalah tahap awal untuk melakukan penelitian yang tahap ini bertujuan untuk mengumpulkan data. Dataset ini diperoleh dengan pengambilan gambar secara manual dengan menggunakan kamera ponsel dan posisi kamera berada di sudut atas dengan posisi menggunting ke bawah ke arah objek bentuk barang agar objek yang ditangkap oleh kamera merupakan objek 3 dimensi. Dataset terdiri dari 8 kubus,19 segitiga,dan 11 bentuk tabung.
2. Grayscale
Grayscale merupakan proses pengubahan citra berwarna ke citra keabuan (grayscale) Tahap ini yaitu merupakan tahap pemrosesan data latih dan data uji untuk dilakukan tahap grayscale agar tidak terkendala dalam proses komputasi,seperti persamaan (4)[14].
= 0,299 0,587 0,114" (4)
3. Oriented FAST and Rotated BRIEF
Algoritma ini digunakan untuk menentukan titik sudut ketika suatu piksel berbeda dengan piksel lainnya. Langkah pertama adalah memilih piksel p dalam gambar dan tingkat kecerahannya sudah dianggap sebagai Ip. Kemudian menetapkan nilai T sebagai nilai
491 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 487-496 E-ISSN 2503-2933
threshold brightness. Selanjutnya piksel p sebagai titik pusat,dan dipilih 16 piksel dalam radius 3. Kemudian membandingkan nilai keabuannya (grayscale) antara piksel tersebut dengan piksel lainnya dalam radius tersebut. Ketika nilai kecerahan pada N titik berturut- turut dalam area radius lebih besar Ip+T atau lebih rendah dari p,maka piksel dapat diidentifikasi sebagai titik fitur. ORB dapat mengatasi beberapa kekurangan seperti kurangnya komponen orientasi Fast dan rotasi invariant BRIEF. Untuk mengatasi FAST yang tidak mendukung variasi orientasi maka FAST dikembangkan dengan oFAST menggunakan Harris corner untuk menentukan N terbaik dengan melakukan persamaan (5) dan (6).
# = ∑ %(', ) )*+, *+*-
*+*- *-,.
+,- (5)
= /0# − 2(0 #)3 (6)
M mewakili matriks 2x2 dari turunan citra, W adalah ukuran jendela, Ix Iy adalah nilai intensitas piksel terhadap turunan x dan y, dan R mewakili nilai sudut Harris. Setelah didapatkan nilai matriks dengan Harris corner langkah selanjutnya adalah menghitung untuk mencari sentroid menggunakan persamaan (7) dan (8).
456= ∑ '+,- 56*(', ) (7)
mpq adalah momen (p+q),pq adalah urutan dari momen patch dan I(x,y) adalah nilai intensitas piksel pada koordinat (p+q)
7 = 849: 4:9
4:: 4::; (8)
C adalah Sentroid,dan m00,m01,m10 adalah level momen ke-0 dan ke-1 dari matriks piksel.
Setelah nilai sentroid diperoleh, maka untuk mencari sudut pusat terhadap sentroid dilakukan perhitungan dengan menggunakan persamaan (9).
< = 02(4:9, 43:) (9)
Dan untuk meningkatkan invarian rotasi dapat dihitung pada nilai x dan y yang ada pada daerah lingkaran radius r. Untuk merepresentasikan uji biner dengan menggunakan persamaan (10),dan untuk merepresentasikan hasil persamaan (10) sebagai vektor denagn uji biner N dilakukan pada persamaan (11).
(=; ', ) = ?1: =(') < =()0: =(') ≥ =() (10)
CD(=) = ∑9HEHD2EF9G(=; 'EE) (11)
Untuk menangani penurunan tajam BRIEF dalam rotasi yang melebihi aturan. Yaitu dengan mengambil pendekatan Steered-BRIEF, sehingga menggunakan persamaan (12) dan (13).
I = 8+-JJ,…,+,..,-LL; (12)
IN= NI (13)
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 487-496 E- ISSN 2503-2933 492
S adalah nilai steered,x dan y adalah lokasi koordinat, < adalah orientasi dari patch,dan R mewakili matriks rotasi yang sesuai. Jadi,operator steered-BRIEF yang dapat dituliskan sebagai persamaan (14).
D= (=, <) = CD(=)|('E, E) ∈ IN (14)
Kemudian akan diperoleh deskriptor keypoint yang invarian terhadap beberapa perubahan intensitas cahaya. Sehingga hasil akhir berupa feature descriptor dari gambar bentuk objek yang sudah terdeteksi dan feature keypoint pada objek yang akan dilakukan matching feature dengan bentuk barang yang paling mirip yang ada dalam dataset.
4. K-Nearest Neighbor
Algoritma ini hanya dengan cara mencari jarak terdekat antar data yang akan diuji dari nilai k tetangga terdekat pada data latih. Algoritma ini tidak memerlukan pembelajaran,tetapi algoritma ini hanya untuk menyimpan semua fitur dari suatu data[7][8]. Masukan pada tahap KNN adalah deskriptor fitur yang dihasilkan oleh algoritma ORB yang akan digunakan untuk mencari jarak terdekat antar data uji dan data latih. Jadi, diperlukannya nilai k yang tepat untuk memperoleh label kelas yang lebih akurat dengan melakukan persamaan (15).
/E= Q∑ ('ER9 3E− '9E)3 (15)
x adalah data latih dan y adalah data uji, p mewakili data dimensi dan I mewakili data variabel.
Hasil dari algoritma KNN berupa rank tetangga dengan nilai tertinggi sampai terendah.
Label kelas yang paling sesuai akan ditentukan berdasarkan dari jumlah kemunculan label kelas. Hasil akhir dari algoritma ini yaitu menentukan citra bentuk barang dengan label kelas yang sesuai. Tujuan dari KNN yaitu untuk mengklasifikasikan objek baru berdasarkan atribut[7].
4. HASIL DAN PEMBAHASAN
4.1 Pengumpulan Data
Tahap ini yaitu tahap awal sebelum penelitian ini dilakukan dengan melakukan pemotretan objek bentuk barang yaitu kubus,segitiga,dan tabung. Data yang sudah diperoleh yaitu dengan total 38 dataset dengan data kubus mempunyai 8 bentuk,19 bentuk segitiga, dan 11 bentuk tabung. 38 dataset ini dipotret dengan menggunakan kamera ponsel dengan posisi menggunting ke bawah agar objek yang dipotret memiliki bentuk 3 dimensi,ukuran piksel setiap dataset memiliki 640x480px. Pada Gambar 2 ini diasumsikan yang mewakili dari masing- masing bentuk barang.
Gambar 2. Dataset
493 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 487-496 E-ISSN 2503-2933
4.2 Grayscale
Pada tahap grayscale ini yaitu tahap ketika dataset sudah ada maka tahap ini tahap untuk merubah warna objek menjadi keabuan dengan cara mengkonversi citra berwarna (RGB) ke citra keabuan (grayscale) dikarenakan untuk memaksimalkan proses komputasi agar tidak terkendala selama proses komputasi tersebut karena citra RGB memiliki 3 channel warna yaitu:
warna Red,Green,dan Blue. Sehingga jika tidak dilakukan konversi warna ke dalam warna keabuan maka proses komputasi harus dilakukan terhadap setiap kedalamannya. Cara konversi ke warna keabuan dengan menggunakan persamaan (4) seperi dibawah ini.
= 0,299 0,587 0,114" (4)
RGB Grayscale
Gambar 3. Grayscale
Tahap berikutnya pada penelitian ini akan dilakukan beberapa pengujian,pertama akan dilakukan pengujian metode ORB-KNN tahap selanjutnya menguji klasifikasi bentuk barang dengan rotasi acak sebanyak 6 kali rotasi setiap bentuk barang,tahap yang terakhir membandingkan tingkat akurasi antara metode ORB-KNN dan SIFT-KNN.
4.3 Pengujian Model
Pengujian ini dilakukan dengan menguji bentuk barang yang ada pada dataset dengan diuji secara real-time dengan data yang dirotasikan secara acak.
Tabel 2. Confusion Matrix
Label Aktual
Label Prediksi
Kubus Segitiga Tabung
Kubus 4 2 0
Segitiga 0 6 0
Tabung 0 0 6
Tabel 3. Hasil Pengujian Dataset
Bentuk Barang
Jumlah Data Hasil Klasifikasi
Tingkat Akurasi Rotasi
(Testing) Training Benar Salah
Kubus 6 8 4 2 67%
Segitiga 6 19 6 0 100%
Tabung 6 11 6 0 100%
Total 18 38 16 2 89%
Pada Tabel 3 menunjukan hasil pengujian bahwa metode yang diusulkan dapat mengklasifikasikan 16 bentuk barang dari 18 bentuk barang yang dirotasikan (testing) secara acak dengan tingkat akurasi keberhasilan sebesar 89%. Dari semua data yang diujikan hanya
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 487-496 E- ISSN 2503-2933 494
dua data yang salah dikarenakan sistem mengenali bentuk barang kubus yaitu mirip dengan bentuk segitiga ketika bentuk kubus diujikan dengan rotasi acak yang sudut nya dikenali oleh bentuk segitiga.
4.4 Perbandingan Akurasi Berdasarkan Nilai K
Pada tahap ini yaitu dilakukan pengujian menggunakan beberapa nilai k untuk mengukur performa klasifikasi,seperti Tabel 4.
Tabel 4 Variasi K
No. Variasi K Akurasi
1. k=2 78%
2. k=3 89%
3. k=5 78%
4. k=7 78%
5. k=9 67%
6. k=11 67%
4.5 Perbandingan Metode
Metode pada penelitian ini akan dibandingkan dengan metode SIFT-KNN karena kinerja dari kedua metode ini terdapat kemiripan seperti ketahanan terhadap cahaya,gambar yang kabur namun kedua metode ini sangat sensitif terhadap rotasi[12]. Sehingga metode yang akan dijadikan perbandingan yaitu SIFT-KNN dengan pengujian menggunakan data pada penelitian ini yaitu 38 data dengan dirotasikan sebanyak 6 rotasi setiap bentuk ruang.
Tabel 5. Pengujian SIFT
Bentuk Barang
Jumlah Data Hasil Klasifikasi
Tingkat Akurasi Rotasi
(testing)
Training
Data Benar Salah
Kubus 6 8 3 3 50%
Segitiga 6 19 3 3 50%
Tabung 6 11 5 0 83%
Total 18 38 11 6 61%
Proses klasifikasi barang menggunakan ORB-KNN mencapai akurasi sebesar 89%
sedangkan menggunakan metode SIFT-KNN mendapatkan akurasi keberhasilan sebesar 61%.
Dalam perbandingan metode dengan melakukan pengujian menggunakan ORB-KNN lebih unggul daripada SIFT-KNN.
5. KESIMPULAN
Berdasarkan dari hasil eksperimen dengan melakukan beberapa pengujian untuk klasifikasi barang menggunakan ORB-KNN untuk mendeteksi dan mengklasifikasikan barang dapat disimpulkan bahwa metode ini berhasil mengenali bentuk barang dan mendapatkan akurasi keberhasilan sebesar 89% dikarenakan mengalami kesalahan deteksi atau kesalahan dalam mengenali objek barang terdapat pada bentuk kubus yang dikenali oleh segitiga ketika pengujian dengan dirotasikan secara acak. Kemudian dibandingkan dengan metode SIFT-KNN yaitu mendapatkan nilai akurasi keberhasilan sebesar 61% ini lebih kecil dari ORB-KNN
495 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 487-496 E-ISSN 2503-2933
metode yang diusulkan pada penelitian ini. Karena untuk setiap pengujian yang dilakukan model ORB-KNN lebih baik dibandingkan dengan SIFT-KNN. Karena karakteristik ORB-KNN lebih cocok untuk kumpulan data yang memiliki banyaknya fitur yang ada saat melakukan pencocokan dikarenakan ORB sendiri memiliki nilai fitur bawaan (default) 500 fitur dan kedua model tersebut sensitif dengan intensitas cahaya.
6. SARAN
ORB-KNN sudah mampu mengenali dan mengklasifikasikan bentuk barang dengan baik dan optimal dikarenakan alas an ORB-KNN memiliki nilai fitur dan lowe_ratio bawaan (default) seperti yang sudah dijelaskan pada kesimpulan. Sehingga penelitian kedepannya dapat dilakukan dengan menggunakan metode yang serupa hanya saja harus mempertimbangkan objek dan jumlah datanya termasuk kelas atau objek yang lebih bervariasi. Dan perhatikan kondisi cahaya karena metode ini sangat sensitif dengan intensitas cahaya.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada kedua Orang Tua yang telah memberikan segala dukungan terhadap penelitian ini,tidak lupa saya ucapkan kepada rekan saya yang sudah mendukung secara moril,dan dosen Informatika Universitas Jenderal Achmad Yani terkhusus kepada Bapak Sigit Anggoro, S.T.,M.T. Bapak Fatan Kasyidi, S.Kom.,M.T. yang sudah membimbing penulis untuk penelitian ini.
DAFTAR PUSTAKA
[1] A. Dika, “Identifikasi Objek Berdasarkan Bentuk dan Ukuran,” No. August, 2016.
[2] C. Luo, W. Yang, P. Huang, and J. Zhou, “Overview of Image Matching Based on ORB Algorithm,” J. Phys. Conf. Ser., Vol. 1237, No. 3, 2019.
[3] V. Faturohman, J. Kusnaendar, and Y. Wihardi, “Perbandingan Algoritma Deteksi Fitur SIFT , SURF dan ORB Dalam Proses Deteksi Objek pada Video CCTV,” J. Apl. dan Teor. Ilmu Komput., Vol. 3, No. 2, pp. 70–77, 2020.
[4] E. Karami, M. Shehata, and A. Smith, “Image Identification Using SIFT Algorithm:
Performance Analysis Against Different Image Deformations,” pp. 2–5, 2017.
[5] G. Khoharja, L. Liliana, and A. N. Purbowo, “Aplikasi Deteksi Nilai Uang pada Mata Uang Indonesia Dengan Metode Feature Matching,” J. Infra, Vol. 5, No. 1, pp. 51–55, 2017.
[6] D. Fenomena, D. Herumurti, and J. L. Buliali, “Deteksi Kendaraan pada Citra Udara Beresolusi Sangat Tinggi di Area Perkotaan Dengan Menggunakan Metode Ekstraksi Oriented FAST and Rotated BRIEF,” J. Tek. ITS, Vol. 5, No. 2, pp. 5–8, 2016, doi:
10.12962/j23373539.v5i2.16825.
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 487-496 E- ISSN 2503-2933 496
[7] M. Ramadhani and D. H. Murti, “Klasifikasi Ikan Menggunakan Oriented Fast and Rotated Brief (ORB) dan K-Nearest Neighbor (KNN),” JUTI J. Ilm. Teknol. Inf., Vol. 16, No. 2, p. 115, 2018.
[8] O. Fast and O. Fast, “Deteksi Objek Barang Belanjaan Menggunakan Metode Oriented Fast and Rotated Brief (ORB) dan K-Nearest Neighbor (KNN),” No. Ciastech, pp. 409–
416, 2021.
[9] I. G. L. T. Sumantara, I. P. A. Bayupati, and N. K. A. Wirdiani, “Rancang Bangun Aplikasi Pengenalan Ukiran Bali Dengan Metode ORB,” J. Ilm. Merpati (Menara Penelit. Akad. Teknol. Informasi), Vol. 5, No. 1, p. 51, 2017, doi:
10.24843/jim.2017.v05.i01.p06.
[10] J. Joglekar and S. S. Gedam, “Image Matching With SIFT Features - A Probabilistic Approach,” ISPRS Tech. Comm. III Symp. PCV 2010 - Photogramm. Comput. Vis.
Image Anal., Vol. XXXVIII, pp. 7–12, 2010.
[11] P. Aglave, “Implementation of High Performance Feature Extraction Method Using Oriented Fast and Rotated Brief Algorithm,” pp. 2319–2322, 2015.
[12] E. Rublee, W. Garage, and M. Park, “ORB : An Efficient Alternative to SIFT or SURF,”
pp. 2564–2571, 2011.
[13] T. T. Hanifa, Adiwijaya, and S. Al-faraby, “Analisis Churn Prediction pada Data Pelanggan PT. Telekomunikasi Dengan Logistic Regression dan Underbagging,” Univ.
Telkom, Vol. 4, No. 2, p. 78, 2017.
[14] F. Liantoni, “Klasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K- Nearest Neighbor,” J. Ultim., Vol. 7, No. 2, pp. 98–104, 2016, doi:
10.31937/ti.v7i2.356.
