PENGEMBANGAN PENGENALAN PERANGKAT ELEKTRONIKA SECARA REAL TIME BERBASIS EKSTRAKSI CIRI DESKRIPTOR FOURIER

TUGAS AKHIR

PENGEMBANGAN PENGENALAN PERANGKAT ELEKTRONIKA SECARA REAL TIME BERBASIS

EKSTRAKSI CIRI DESKRIPTOR FOURIER

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik

Program Studi Teknik Elektro

Disusun oleh :

FLAVIANA ELVA ANDJIOE NIM : 145114046

PROGRAM STUDI JURUSAN TEKNIK ELEKTRO FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA YOGYAKARTA

2018

FINAL PROJECT

DEVELOPMENT OF ELECTRONIC EQUIPMENT RECOGNITION IN REAL TIME USING WEBCAM

BASED ON FOURIER DESCRIPTOR FEATURE EXTRACTION

Presented as Partial Fullfillment of the Requirements To Obtain the Sarjana Teknik Degree

In Study Program of Electrical Engineering

Constructed By :

FLAVIANA ELVA ANDJIOE NIM : 145114046

DEPARTMENT OF ELECTRICAL ENGINEERING FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY YOGYAKARTA

2018

iii

v

vi

HALAMAN PERSEMBAHAN

MOTTO:

Let’s Do This !

Presented To ...

Jesus Christ and Mather Maria My beloved family My Dearest Swiss Karel Senduk

All my friend

vii

viii

INTISARI

Di era modern, perkembangan teknologi robot berkembang pesat. Industri – industri modern memanfaatkan teknologi robot untuk mempercepat proses produksi dan meningkatkan produktivitas produksi. Oleh karena itu, teknisi yang bekerja harus sigap menggunakan dan mengambil berbagai peralatan. Tentu saja hal tersebut mengakibatkan tenaga dan waktu tidak berjalan efektif dan efisien. Menyikapi hal tersebut pada tugas akhir ini akan dibuat sistem yang dapat meniru kemampuan mata manusia untuk dapat mengenali dan membandingkan objek berupa macam – macam perangkat elektronika.

Pada tugas akhir ini, sistem pengenalan perangkat elektronika secara real time dibuat menggunakan webcam dan laptop. Secara garis besar beberapa proses kerja dari sistem ini ialah preprocessing, ekstraksi ciri deskriptor Fourier, fungsi jarak Euclidean dan kemudian program akan menampilkan hasil pengenalan ke layar monitor dengan format huruf.

Sistem pengenalan perangkat elektronika secara real time berhasil dibuat dan berjalan dengan baik. Hasil pengujian nilai koefisien Fourier deskriptor terkecil dengan tingkat pengenalan terbaik yaitu sejumlah 5 dengan persentase tingkat pengenalan mencapai 100%. Selain itu, hasil pengujian variasi translasi, rotasi dan skala menghasilkan persentase sebesar 77, 143%, 84,763% dan 87,952%.

Kata kunci: Webcam, preprocessing, deskriptor Fourier, jarak Euclidean.

ix

ABSTRACT

In the modern era, the development of robot technology has been growing so rapid. Modern industries have utilized the development of robot technology to boost the production process and to increase the productivity, therefore, working technicians should be ready to take and to use various equipments. Responding to it, a system will be made in this thesis to duplicate the ability of the human eye that can recognize and compare objects which is a set of elekctronic equipment.

In this thesis, real time electronic appliance recognition system is made through webcam and laptop. In general, some of the work processes in the system are preprocessing, extraction feature of Fourier descriptor, Euclidean distance function, and then the program will show the recognition result with the format of letters.

By using extraction feature of Fourier descriptor, real time electronic appliance recognition system is successfully created and running very well. Testing result shows that the smallest value of Fourier coefficient with the best recognition level is 5, with percentage of 100%. Other than that, testing result of translation, rotation and scale variations yields a percentage of 77,143%, 84,762% and 87,952% repectively.

Keywords: Webcam, preprocessing, Fourier descriptor, Euclidean distance.

x

KATA PENGANTAR

Puji dan Syukur penulis panjatkan kepada Tuhan Yesus Kristus dan Bunda Maria karena telah memberikan berkat-Nya sehingga penulis dapat menyelesaikan laporan akhir ini dengan sangat baik. Laporan akhir ini disusun untuk memenuhi syarat memperoleh gelar sarjana.

Selama pembuatan tugas akhir ini, penulis menyadari adanya bantuan dan dukungan dari berbagai pihak. Maka dari itu, penulis mengucapkan terima kasih kepada :

1. Tuhan Yesus Kristus dan Bunda Maria yang selalu melindungi dan menyertaiku.

2. Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.

3. Ketua Program Studi Teknik Elektro Universitas Sanata Dharma Yogyakarta.

4. Dr. Linggo Sumarno selaku dosen pembimbing yang dengan penuh kesabaran, pengertian dan ketulusan hati memberikan bimbingan, kritik, saran, serta motivasi dalam penulisan skripsi ini.

5. Ibu Wiwien Widyastuti, S.T., M.T. dan Bapak Augustinus Bayu Primawan S.T., M.Eng. sebagai dosen penguji yang telah memberikan masukan, bimbingan, saran dalam merevisi skripsi ini.

6. Kedua orang tua dan keluarga besar yang telah mendukung serta mendoakan penulis. Terimakasih untuk segala kasih dan dukungannya.

7. Abang Ezrald dan Kakak Elra yang telah memberikan semangat dan doa demi terselesaikan tugas akhir ini.

8. Swiss Karel Senduk yang dengan sabar dan penuh perhatian mendukung serta menemani selama penulisan tugas akhir ini.

9. Teman-teman Teknik Elektro khususnya angkatan 2014.

10. Seluruh Dosen dan Laboran Program studi Teknik Elektro, Fakultas Sains dan Teknologi Universitas Sanata Dharma yang telah membantu dan memberikan ilmu kepada penulis.

11. Seluruh Staff Fakultas Sains dan Teknologi Universitas Sanata Dharma atas bantuan dalam melayani mahasiswa.

12. Semua pihak yang tidak dapat disebutkan satu persatu atas semua dukungan yang telah diberikan dalam penyelesaian skripsi ini.

xi

xii

DAFTAR ISI

Halaman Sampul (Bahasa Indonesia) ... i

Halaman Sampul (Bahasa Inggris) ... ii

Halaman Persetujuan ... ii

Halaman Pengesahan ... iii

Pernyataan Keaslian Karya ...v

Halaman Persembahan ...v

Lembar Persetujuan Publikasi Karya ... vii

Intisari ... vii

Abstract ... ix

Kata Pengantar ...x

Daftar Isi ... xii

Daftar Gambar... xv

Daftar Tabel ... xvii

BAB I PENDAHULUAN ...1

1.1. Latar Belakang ...1

1.2. Tujuan dan Manfaat Penelitian...2

1.3. Batasan Masalah ...2

1.4. Metode Penelitian ...3

BAB II DASAR TEORI ...5

2.1. Perangkat Elektronika ...5

2.2. Webcam Logitech C270 ...5

2.3. Pengolahan Citra Digital ...6

2.3.1. Pengertian Citra Digital ...6

2.3.2. Citra RGB ...8

2.3.3. Citra Biner ...9

xiii

2.3.4. Mengonversi Citra RGB ke Biner ... 10

2.4. Ekstraksi Ciri ... 11

2.4.1. Operasi Opening ... 11

2.4.2. Kontur Moore ... 11

2.4.3. Deskriptor Fourier ... 14

2.5. Template Matching ... 24

2.5.1 Basis Data ... 24

2.6. Jarak ... 24

BAB III PERANCANGAN ... 26

3.1. Proses Pengenalan Perangkat Elektronika ... 26

3.2. Sistem Pengenalan Perangkat Elektronika ... 27

3.2.1. Pengambilan Citra Pengenalan Perangkat Elektronika ... 28

3.2.2. Tahap Preprocessing ... 28

3.2.3. Tahap Ekstraksi Ciri ... 29

3.2.4. Proses Fungsi Jarak ... 36

3.2.5. Penentuan Keluaran ... 36

3.3. Perancangan Basis Data ... 37

3.4. Perancangan Tampilan GUI Matlab ... 38

3.5. Pengujian Citra Perangkat Elektronika ... 39

3.5.1. Pengujian Data Tidak Langsung ... 39

3.5.2. Pengujian Data Secara Langsung ... 40

BAB IV HASIL DAN PEMBAHASAN ... 41

4.1. Implementasi Program ... 41

4.1.1. Tombol Camera On ... 41

4.1.2. Tombol Capture ... 42

4.1.3. Popupmenu ... 42

4.1.4. Tombol Process... 43

xiv

4.1.4.1. Program Pembanding Basis Data ... 43

4.1.4.2. Program Konversi RGB ke Biner ... 44

4.1.4.3. Program Operasi Opening ... 45

4.1.4.5. Ekstraksi Ciri ... 46

4.1.4.6. Program Pembanding Jarak Euclidean ... 47

4.1.4.7. Program Keluaran ... 48

4.1.5. Tombol Reset ... 48

4.1.6. Tombol End... 49

4.2. Pengujian Program Pengenalan Perangkat Elektronika Secara Tidak Langsung .... 49

4.3. Pengujian Program Pengenalan Perangkat Elektronika Secara Langsung ... 51

4.4. Analisis Hasil Data Pengujian secara Tidak Langsung ... 53

4.5. Analisis Hasil Data Pengujian secara Langsung ... 54

4.6. Keterbatasan Metodologi ... 61

BAB V KESIMPULAN DAN SARAN ... 62

5.1. Kesimpulan ... 62

5.2. Saran ... 62

DAFTAR PUSTAKA ... 64 LAMPIRAN ... L-1

xv

DAFTAR GAMBAR

Gambar 2.1. Perangkat Elektronika ...5

Gambar 2.2. Logitech C270 ...6

Gambar 2.3. Koordinat Citra Digital ...7

Gambar 2.4. Ilustrasi Digitalisasi Citra ...7

Gambar 2.5. Warna RGB dalam Bentuk Kubus ...8

Gambar 2.6. Hasil Campuran Warna Dasar ...9

Gambar 2.7. Citra Biner ...9

Gambar 2.8. Deteksi Kontur ... 13

Gambar 2.9. Batas Deskriptor Fourier ... 14

Gambar 2.10. Mekanisme Penurunan Jumlah Koefisien Fourier Deskriptor ... 16

Gambar 2.11. Mekanisme Penurunan Koefisien Fourier Deskriptor (untuk N = 4) ... 18

Gambar 2.12. Mekanisme penurunan koefisien Fourier Deskriptor ... 21

Gambar 2.13. Hasil Rekonstruksi . ... 21

Gambar 2.14. Hasil Rekonstruksi ... 23

Gambar 3.1. Blok Diagram Proses Pengenalan Perangkat Elektronika ... 26

Gambar 3.2. Diagram Alir Sistem Pengenalan Perangkat Elektronika ... 27

Gambar 3.3. Diagram Alir Subrutin Pengambilan Citra ... 28

Gambar 3.4. Diagram Alir Subrutin Tahap Preprocessing ... 29

Gambar 3.5. Diagram Alir Subrutin Ekstraksi Ciri ... 30

Gambar 3.6. Diagram Alir Subrutin Deteksi Kontur ... 31

Gambar 3.7. Diagram Alir Subrutin Koefisien Fourier Deskriptor ... 33

Gambar 3.8. Diagram Alir Subrutin Penurunan Koefisien Fourier Deskriptor ... 34

Gambar 3.9. Diagram Alir Proses Normalisasi ... 35

Gambar 3.10. Diagram Alir Subrutin Fungsi Jarak Euclidean ... 36

Gambar 3.11. Diagram Alir Penentuan Keluaran ... 37

Gambar 3.12. Blok Diagram Subrutin Basis Data ... 37

Gambar 3.13. Perancangan GUI ... 38

Gambar 4.1. Program Kamera Aktif ... 41

Gambar 4.2. Program Ambil Gambar ... 42

Gambar 4.3. Program Popupmenu ... 42

Gambar 4.4. Program Basis Data ... 43

xvi

Gambar 4.5. Program Konversi Citra RGB ke Biner ... 44

Gambar 4.6. Konversi Citra RGB ke Biner (a) Citra Masukkan (b) Citra Hasil Konversi Dalam Bentuk Citra Grayscale dan Biner. ... 45

Gambar 4.7. Ukuran Elemen Penstruktur ... 45

Gambar 4.8. Program Operasi Opening ... 46

Gambar 4.9. Program Ekstraksi Ciri ... 46

Gambar 4.10. Diagram Batang ... 47

Gambar 4.11. Program Pembanding Jarak Euclidean ... 47

Gambar 4.12. Program Keluaran ... 48

Gambar 4.13. Program Reset ... 48

Gambar 4.14. Program End ... 49

Gambar 4. 15. Interface Program Tidak Langsung ... 50

Gambar 4. 16. Contoh ketika GUI Dijalankan untuk Perangkat Pengujian Obeng Trim dengan koefisien Fourier Deskriptor = 5 ... 51

Gambar 4.17. Interface Program Secara Langsung ... 52

Gambar 4.18. Contoh GUI dijalankan untuk Pengujian Perangkat Tang Kupas dengan Koefisien Fourier Deskriptor = 10 ... 52

Gambar 4.19. Kondisi Pengambilan Citra Perangkat Elektronika ... 53

Gambar 4.20. Daerah Bebas ... 59

xvii

DAFTAR TABEL

Tabel 2.1. Spesifikasi Logitech C270 . ...6

Tabel 2.2. Hasil Deteksi Kontur Moore ... 13

Tabel 2.3. Elemen Berjumlah Genap ... 18

Tabel 2.4. Bilangan Riil dan Imajiner ... 19

Tabel 2.5. Hasil Transformasi Fourier ... 20

Tabel 2.6. Hasil Normalisasi untuk 4 Koefisien Fourier deskriptor ... 22

Tabel 3.1. Keterangan GUI ... 39

Tabel 4.1.Pengaruh Variasi Koefisien Fourier Deskriptor Terhadap Tingkat Pengenalan . 54 Tabel 4.2. Hasil Ekstraksi Ciri Koefisien Fourier Deskriptor sejumlah 10. ... 55

Tabel 4.3. Hasil Ekstraksi Ciri Koefisien Fourier Deskriptor sejumlah 5. ... 55

Tabel 4.4. Hasil Ekstraksi Ciri Koefisien Fourier Deskriptor sejumlah 2. ... 55

Tabel 4.5. Hasil Kesamaan Kosinus Koefisien Fourier Deskriptor Sejumlah 10. ... 56

Tabel 4.6. Hasil Kesamaan Kosinus Koefisien Fourier Deskriptor Sejumlah 5. ... 56

Tabel 4.7. Hasil Kesamaan Kosinus Koefisien Fourier Deskriptor Sejumlah 2. ... 56

Tabel 4.8. Pengaruh Variasi Koefisien Fourier Deskriptor Terhadap Tingkat Pengenalan 57 Tabel 4.9. Tingkat Pengenalan ... 58

Tabel 4.10. Hasil Perhitungan Jarak Euclidean ... 58

Tabel 4.11. Tingkat Pengenalan ... 59

Tabel 4.12. Tingkat Pengenalan ... 60

Tabel 4.13. Rerata Pengaruh Variasi Translasi, Rotasi dan Skala... 60

Tabel 4.14. Rerata Pengaruh Variasi Translasi, Rotasi dan Skala... 61

1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Dewasa ini teknologi robot semakin berkembang pesat. Industri-industri modern memanfaatkan teknologi robot untuk memproduksi barang-barang mereka. Dengan tujuan mempercepat proses produksi dan meningkatkan produktivitas produksi. Oleh karena itu, para teknisi yang bekerja di industri tersebut harus mampu menggunakan dan mengambil berbagai peralatan untuk menunjang pekerjaannya, sehingga proses tenaga dan waktu tidak berjalan efektif dan efisien. Menyikapi hal tersebut dibutuhkan alat yang dapat menggantikan tugas seorang teknisi dalam mengambil peralatan. Robot dengan sensor visual merupakan alat yang dapat menjawab persoalan tesebut. Robot dengan sensor visual adalah robot yang mampu melihat dan mengidentifikasi objek disekitarnya, robot ini biasanya dilengkapi dengan lengan yang mampu mengambil objek tersebut.

Pada penelitian ini, peneliti ingin mengembangkan penelitian sebelumnya tentang pengenalan objek khususnya perangkat elektronika yang merupakan bagian dari robot dengan sensor visual. Penelitian yang pernah dilakukan terhadap pengenalan perangkat elektronika dilakukan oleh Deniel[1] menggunakan ekstraksi ciri Discrete Cosine Transform (DCT). Pada penelitian tersebut menggunakan nilai koefisien DCT sejumlah 171 koefisien. Berdasarkan penelitian yang dilakukan Deniel semakin meningkatnya tingkat pengenalan maka menyebabkan semakin banyaknya koefisien yang digunakan untuk membedakan antara citra perangkat elektronika dengan perangkat elektronika lainnya. Sehingga disarankan menggunakan ekstraksi ciri yang lain yang dapat memberikan jumlah koefisien yang lebih kecil.

Ekstraksi ciri Deskriptor Fourier dapat menjawab permasalahan tersebut. Penelitian yang pernah dilakukan dengan ekstraksi ciri Deskriptor Fourier dilakukan oleh Hanu dkk[2] yaitu mengklasifikasi objek 2D berupa gambar huruf dan pesawat terbang. Pada penelitian tersebut Hanu menggunakan 3 koefisien Fourier deskriptor yaitu 16, 32 dan 64.

Hasil penelitian tersebut menunjukan dengan menggunakan nilai koefisien 32 sudah dapat memberikan tingkat keberhasilan 100% untuk kontur Fourier. Selain dapat memperkecil nilai koefisien yang digunakan kelebihan dari Deskriptor Fourier yaitu invarian terhadap

translasi, skala dan rotasi[3]. Pada penelitian dengan DCT ekstraksi ciri tersebut tidak invarian terhadap translasi, skala dan rotasi. Karena posisi perangkat harus fix yaitu 50 cm, jika tidak fix akan mempengaruhi dalam proses cropping.

Pada penelitian ini, peneliti membuat sistem pengenalan perangkat elektronika yaitu solder, penyedot timah, tang kupas, tang potong, obeng trim, multimeter digital, dan bor listrik. Secara garis besar tahapan pengenalan citra diawali dengan mengambil data berupa gambar citra perangkat elektronika. Data tersebut kemudian akan diproses melalui tahap preprocessing dan ekstraksi ciri. Pada tahap ekstraksi ciri dibutuhkan dua tahapan yaitu deteksi kontur dan Deskriptor Fourier . Kemudian dengan menggunakan jarak Euclidean dicari jarak minimum antara citra pada basis data dengan citra hasil ekstraksi ciri untuk diperoleh hasil keluaran berupa teks yang akan ditampilkan pada layar monitor.

1.2. Tujuan dan Manfaat Penelitian

Tujuan dari penelitian ini adalah memperkecil nilai koefisien yang digunakan pada aplikasi pengenalan perangkat elektronika menggunakan ekstrasi ciri Deskriptor Fourier.

Manfaat penelitian ini adalah dapat membantu pengguna aplikasi robot dengan sensor visual dalam mendeteksi jenis-jenis perangkat elektronika.

1.3. Batasan Masalah

Sistem pengembangan pengenalan perangkat elektronika terdiri dari perangkat keras (hardware) dan perangkat lunak (software). Perangkat keras berupa laptop, webcam dan fixture. Perangkat lunak yang digunakan Matlab. Matlab digunakan untuk mengatur proses pengolahan data yang dicuplik webcam.

Pada perancangan sistem ini, penulis fokus pada pembuatan software komputer untuk mengembangkan pengenalan perangkat elektronika. Penulis menetapkan beberapa batasan masalah dalam penelitian ini, antara lain:

a. Objek yang dikenali adalah perangkat elektronika yaitu soldir, penyedot timah, tang kupas, tang potong, obeng trim, multimeter digital, dan bor listrik.

b. Warna background yang digunakan berwarna abu-abu.

c. Variasi jarak antara perangkat elektronika dengan webcam yaitu 50 cm, 57 cm dan 64,5 cm.

d. Pengenalan perangkat elektronika menggunakan 5 variasi sudut putaran yaitu 0°, 45° dan 135°.

e. Menggunakan 5 variasi koefisien yaitu 50, 25, 10, 5 dan 2.

f. Perangkat elektronika digeser sejauh 2 cm dan 5 cm ke kanan atau ke kiri dari posisi awal.

g. Ekstraksi ciri yang digunakan adalah Deskriptor Fourier.

h. Menggunakan webcam merk Logitech C270h.

i. Menggunakan metode Template Matching dan fungsi jarak Euclidean

j. Pengembangan pengenalan perangkat elektronika ini menggunakan software Matlab.

k. Keluaran berupa teks pada layar monitor.

1.4. Metode Penelitian

Langkah-langkah dalam pengerjaan tugas akhir:

a. Pengumpulan bahan-bahan referensi berupa buku-buku, jurnal-jurnal ilmiah, dan website mengenai pengenalan suatu objek, pemograman Matlab, image processing, Deskriptor Fourier, Euclidean.

b. Pembuatan software

Sistem pengenalan perangkat elektronika akan bekerja apabila pengguna menekan tombol “Camera On” dalam tampilan visual software. Kemudian data yang diterima akan diolah oleh sistem. Data tersebut akan mulai menampilkan proses video (record) sampai pengguna memberikan instruksi untuk pengambilan gambar (capture). Kemudian pengguna memberikan instruksi untuk memulai pengenalan gambar perangkat elektronika. Selanjutnya, Matlab akan memproses gambar pengenalan perangkat elektronika yang diambil dengan menggunakan webcam dan hasil akhirnya akan ditampilkan berupa teks pada layar monitor.

c. Pembuatan basis data

Pembuatan basis data diawali dengan mengambil data berupa citra perangkat elektronika. Selanjutnya, data tersebut diproses pada tahap preprocessing. Adapun tahap preprocessing yaitu mengonversi citra RGB ke biner. Hasil preprocessing akan menjadi masukkan pada tahap ekstraksi ciri.

Tahap ekstraksi ciri diawali dengan operasi opening selanjutnya yaitu deteksi

kontur citra menggunakan kontur Moore. Kemudian, mencari koefisien Fourier deskriptor citra dengan menggunakan transformasi Fourier. Tahap berikutnya menurunkan koefisien Fourier deskriptor sesuai dengan nilai koefisien yang digunakan (50, 25, 10, 5 dan 2). Kemudian, dilakukan normalisasi agar citra invarian terhadap translasi, rotasi dan skala. Hasil ekstraksi ciri disimpan dalam folder dan digunakan sebagai acuan dalam pengenalan perangkat elektronika.

Adapun banyaknya data yang disimpan pada basis data yaitu 35 data (5 koefisien Fourier deskriptor x 7 perangkat elektronika). Jarak antara webcam dengan perangkat elektronika adalah 57 cm.

d. Pengambilan data

Penilitian ini menggunakan 5 variasi koefisien dan 7 perangkat elektronika. Lima variasi koefisien yang digunakan yaitu 50, 25, 10, 5 dan 2.

Sebagai tambahan pengambilan data juga menggunakan variasi jarak antara webcam dengan perangkat elektronika (skala), sudut perputaran (rotasi) dan posisi awal suatu citra (translasi). Untuk variasi jarak antara webcam dan perangkat elektronika digunakan 3 variasi jarak yaitu 50 cm, 57 cm dan 64,5 cm.

Sudut putaran yang akan digunakan yaitu 0°, 45° dan 135°. Perangkat elektronika digeser sejauh 2 cm dan 5 cm ke kanan atau ke kiri dari posisi awal.

Jumlah data yang diambil terdiri dari 7 perangkat x 5 koefisien = 35 data, 7 perangkat x 3 variasi jarak = 21 data, 7 perangkat x 3 variasi sudut = 21 data dan 7 perangkat x 2 variasi skala = 14 data. Masing – masing data kemudian ditambahkan dan didapat data sebanyak 91 data pada penelitian ini.

e. Analisis dan penyimpulan

Analisis data yang dilakukan dengan meneliti pengaruh 5 variasi koefisein yang digunakan (50, 25, 10, 5 dan 2) terhadap tingkat pengenalan perangkat elektronika. Dengan cara meneliti hasil perbandingan masing – masing nilai koefisien Fourier deskriptor. Sebagai tambahan, juga meneliti variasi translasi, rotasi dan skala yang digunakan terhadap tingkat pengenalan perangkat elektronika. Penyimpulan hasil dilakukan untuk mencari nilai koefisien Fourier deskriptor terkecil dengan tingkat pengenalan terbaik, serta sebagai tambahan meneliti pengaruh variasi translasi, rotasi dan skala terhadap tingkat pengenalan perangkat elektronika.

5

BAB II

DASAR TEORI

2.1. Perangkat Elektronika

Perangkat elektronika adalah peralatan kerja pendukung yang berfungsi untuk membantu proses produksi atau proses merakit komponen elektronika. Perangkat elektronika umumnya digunakan oleh para teknisi untuk mempermudah pekerjaan mereka sehari-hari. Adapun perangkat elektronika yang digunakan pada penelitian dapat dilihat pada gambar dibawa ini.

2.2. Webcam Logitech C270

Web camera (Webcam) adalah kamera video yang menyediakan aliran gambar secara real-time yang dihubungkan ke software pada komputer melalui port USB atau serial.

Ketika diproses oleh komputer, aliran video dapat disimpan, dilihat atau dikirim ke

(a) (b) (c) (d)

(e) (f) (g)

Gambar 2.1. Perangkat Elektronika (a) Solder (b) Penyedot Timah (c) Bor (d) Obeng Trim (e) Tang Potong (f) Multimeter (g) Tang Kupas

perangkat lain melalui koneksi internet, bluetooth, port USB dan e-mail sebagai lampiran.

Pada umumnya Webcam terdiri dari sebuah lensa standar, cover dan kabel support.

Spesifikasi Webcam Logitech C270 pada Gambar 2.2. dapat dilihat pada Tabel 2.1.

Tabel 2.1. Spesifikasi Logitech C270 [4].

High-Definition (HD) video calling HD 720 pixels Video capture Up to 1280 x 720 pixels

Photo quality Up to 3.0 Megapixels

Computer Interface USB 2.0 (recommended)

Focus Fixed Focus

Microphone Yes

Hardware Support Laptop, Monitor LCD or CRT

Gambar 2.2. Logitech C270 [4]

2.3. Pengolahan Citra Digital 2.3.1. Pengertian Citra Digital

Pengolahan citra digital merupakan proses pengolahan setiap data 2 dimensi menggunakan komputer, sesuai dengan jumlah data dan jenis pengolahan. Citra digital merupakan sebuah array yang berisi nilai-nilai nyata maupun komplek yang direpresentasikan dengan deretan bit tertentu.

Citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitudo f di titik koordinat (x,y) dinamakan tingkat keabuan dari suatu citra. Apabila nilai x, y dan f secara keselurahan berhingga dan bernilai diskrit maka citra tersebut adalah citra digital. Citra digital dalam bentuk matrik

dapat dilihat pada persamaan 2.1 dan posisi koordinat citra digital dapat dilihat pada Gambar 2.3.

Gambar 2.3. Koordinat Citra Digital [5]

f(x,y) =

⎣⎢

⎢⎢

⎡ f(0,0) f(0,1) ⋯ f�0, N - 1�

f(1,0) f(1,1) ⋯ f�1, N - 1�

⋮

f�M - 1,0� ⋮

f�M - 1,1� ⋮

⋯ f�M - 1, N - 1�⎦⎥⎥⎥⎤

(2.1)

Nilai pada posisi (x,y) sering disebut dengan piksel pada citra digital. Ilustrasi digitalisasi citra dengan M = 16 baris dan N = 16 kolom ditunjukan pada Gambar 2.4.

Gambar 2.4. Ilustrasi Digitalisasi Citra (piksel pada koordinat x = 10, y = 3 memiliki nilai 110) [5]

f(x,y)

2.3.2. Citra RGB

Citra RGB adalah citra berwarna yang mengandung informasi warna, dimana informasi warna direpresentasikan dalam nilai-nilai piksel yang mengandung komponen luminance merupakan ukuran intensitas kecerahan warna, hue merupakan warna yang direpresentasikan dalam nilai derajat (0° − 360°) dan saturation merupakan representasi intensitas cahaya putih dalam sebuah warna. Setiap piksel pada citra RGB merupakan gabungan dari variasi nilai intensitas tiga warna dasar yaitu merah R (red), hijau G (green) dan biru B (blue). Tiga warna dasar R, G dan B umumnya dikodekan dengan 8 bit, atau total ketiganya 3 x 8 = 24 bit (tiga byte). Sehingga variasi warna maksimum sebanyak 2²⁴ = 16.777.216 variasi warna [6].

Secara umum, citra berwarna dapat direpresentasikan dalam bentuk kubus tiga dimensi, dengan tiga warna dasar merah, hijau dan biru berada pada ujung sumbu kubus.

Warna hitam berada pada titik pusat kubus (0) dan warna putih berada di ujung kubus yang berseberangan. Skema ruang warna RGB dalam bentuk tiga dimensi dapat dilihat pada Gambar 2.5.

Gambar 2.5. Warna RGB dalam Bentuk Kubus [7]

Pencampuran tiga warna dasar dapat direpresentasikan dalam suatu sinar tambahan untuk membentuk warna baru. Pencampuran tiga warna dasar ini dapat dilihat pada Gambar 2.6. menunjukkan hasil campuran tiga warna dasar yaitu pencampuran antara warna merah dan hijau akan menghasilkan warna kuning, pencampuran antara warna biru dan hijau akan menghasilkan warna cyan, pencampuran antara warna merah dan biru akan

menghasilkan warna magenta dan pencampuran antara warna merah, hijau dan biru akan menghasilkan warna putih.

Gambar 2.6. Hasil Campuran Warna Dasar [8]

2.3.3. Citra Biner

Citra Biner merupakan piksel yang hanya mempunyai dua kemungkinan nilai yaitu 0 dan 1. Warna hitam dinyatakan dengan nilai 0 dan warna putih dinyatakan dengan nilai 1.

Citra ini disebut juga sebagai citra B&W (black and white) atau citra monokrom. Citra ini biasanya digunakan untuk memperoleh tepi bentuk suatu objek.

Citra Biner dapat diatur dari nilai ambang (threshold) yang diinginkan jika nilai piksel lebih kecil daripada batas ambang maka nilai tersebut diubah menjadi 0 (hitam), sedangkan jika lebih besar atau sama dengan nilai ambang maka nilai tersebut diubah menjadi 1 (putih) . Gambar citra biner dapat dilihat pada Gambar 2.7.

Gambar 2.7. Citra Biner [5]

2.3.4. Mengonversi Citra RGB ke Biner

Mengonversi citra RGB ke biner dilakukan dengan menerapkan suatu nilai yang dikenal sebagai nilai ambang (Threshold). Pertama-tama diawali dengan proses grayscale, grayscale merupakan proses mengubah citra berwarna (RGB) ke citra berskala keabuan.

Secara umum mengonversi citra RGB ke Biner melalui persamaan [7]:

𝐼 = 0,2989𝑥𝑅 + 0,5870𝑥𝐺 + 0,1141𝑥𝐵 (2.2) dengan R merupakan nilai komponen merah, G merupakan nilai komponen hijau dan B merupakan nilai komponen biru. Proses selanjutnya untuk mengonversi citra berskala keabuan ke citra biner dapat mengatur nilai ambang (threshold). Metode yang digunakan yaitu metode otsu. Metode ini digunakan untuk memilih secara otomatis nilai ambang dari tingkat keabu-abuan histogram melalui analisis diskriminan [14]. Tahapan dari metode otsu sebagai berikut. Tahapan pertama, probabilitas nilai intensitas 𝑖 dihitung melalui persamaan[14].

𝑝_𝑖 = 𝑛_𝑖/𝑁 (2.3) Keterangan:

𝑛_𝑖 = jumlah piksel dengan intensitas i.

N = jumlah semua piksel dalam citra.

Untuk menghitung nilai Zeroth cumulative moment, First cumulative moment, dan rerata berturut – turut dapat menggunakan persamaan sebagai berikut [14]:

𝑤(𝑘) = ∑^𝑘_𝑖=1𝑝_𝑖 (2.4) 𝜇(𝑘) = ∑^𝑘_𝑖=1𝑖. 𝑝_𝑖 (2.5) 𝜇(𝑇) = ∑^𝐿_𝑖=1𝑖. 𝑝_𝑖 (2.6) Untuk mendapatkan nilai ambang k dapat ditentukan dengan memaksimumkan persamaan [14]:

𝜎_𝐵²(𝑘^∗) = max 𝜎_𝐵²(𝑘) (2.7) dengan

𝜎_𝐵²(𝑘^∗) =^[𝜇𝜔(𝑘)[1−𝜔(𝑘)]^{𝑇𝜔(𝑘)−𝜇(𝑘)]2} (2.8)

2.4. Ekstraksi Ciri

Ekstraksi ciri merupakan tahapan mengekstrak ciri suatu objek yang akan dikenali atau dibedakan dengan objek lainnya. Hasil ekstraksi tersebut digunakan sebagai acuan untuk membedakan antara objek satu dengan lainnya pada tahapan identifikasi atau klasifikasi objek. Pada penelitian ini tahap ekstraksi ciri menggunakan beberapa tahapan yang dibutuhkan yaitu operasi opening, deteksi kontur dan deskriptor Fourier.

2.4.1. Operasi Opening

Operasi opening merupakan operasi yang biasa digunakan untuk memperhalus kontur citra serta menghilangkan lubang – lubang kecil pada citra. Operasi ini terdiri dari dua tahap yaitu erosi kemudian dilanjutkan dengan dilasi [12]. Erosi berguna untuk menghilangkan noise pada citra karena struktur latar depan yang berukuran kecil tereliminasi sedangkan dilasi berguna untuk menghaluskan citra dan menutupi lubang- lubang pada citra. Operasi opening dapat didefinisikan sebagai berikut [7]:

𝐴 • 𝐵 = (𝐴 ⊕ 𝐵)𝛩𝐵

2.4.2. Kontur Moore

Kontur adalah perubahan intensitas dari satu titik ke titik tetangganya pada suatu citra. Dengan perubahan intensitas mata seseorang sanggup mendeteksi pinggiran atau kontur suatu benda. Deteksi kontur bertujuan untuk mendapatkan tepi suatu objek. Salah satu cara untuk mendapatkan mendeteksi tepi objek yaitu dengan algoritma pelacakan kontur Moore.

Algoritma 1 : Memperoleh Kontur Moore [7].

Masukan :

• f (x,y): Citra masukan berukuran x baris dan y kolom Keluaran :

• kontur : Larik yang berisi piksel-piksel kontur.

1. Dapatkan piksel bernilai 1 pada bagian terkiri dan teratas. Posisi piksel dicatat pada 𝑎𝑎₀ dan posisi untuk piksel berikutnya dicatat pada 𝑏𝑏₀, yang pada awalnya diisi 4 (arah barat di Gambar 2.3 (d)).

2. Periksa 8 tetangga 𝑎𝑎₀ searah jarum jam dimulai dari 𝑎𝑎₀. Piksel pertama yang bernilai satu dicatat pada 𝑎𝑎1. Adapun posisi untuk piksel yang mendahului 𝑎𝑎1

dicatat pada 𝑏𝑏₁.

3. Kontur(1)  𝑎𝑎₀, kontur(2)  𝑎𝑎₁, jum  2 4. a  𝑎𝑎1 dan b  𝑏𝑏1

5. WHILE true

a. Cari piksel pada 8 tetangga yang pertama kali bernilai 1 dengan pencarian dimulai dari arah b dengan menggunakan pola arah jarum jam.

b. Catat posisi piksel tersebut ke a.

c. Catat posisi yang mendahului piksel tersebut ke b.

d. Tambahkan a sebagai bagian kontur:

Jum  jum + 1 Kontur(jum)  a e. if a = 𝑎𝑎₀

Keluar dari while end-if

end-while

Untuk memahami algoritma Moore, dapat dilihat Gambar 2.8. Gambar 2.8.(a) merupakan keadaan objek pada citra. Piksel bernilai 1 merupakan objek citra sedangkan yang bernilai 0 merupakan latar belakang. Penomoran arah pencarian ditunjukkan di Gambar 2.8.(b), pencarian dilakukan searah jarum jam. Pada Gambar 2.8.(c), pelacakan dimulai pada piksel paling atas kiri sebagai titik awal pelacakan yaitu pada posisi (2,2).

Pada langkah pencarian berikutnya diperoleh piksel pada posisi (2,3). Pencarian berikutnya akan dimulai si posisi (1,3), yaitu ditandai dengan posisi awal anak panah. Pada pencarian kedua, piksel yang didapat, yaitu posisi (2,4), dengan titik pencarian berikutnya di posisi (1,4). Pencarian ketiga, piksel yang didapat, yaitu posisi (3,5), dengan titik pencarian dimulai dari (3,6). Pada pencarian keempat didapat piksel pada posisi (4,5), dengan titik pencarian (4,6). Jika langkah tersebut terus diulang maka akan didapat piksel yang sama dengan piksel yang pertama. Saat itulah proses untuk melacak kontur diakhiri. Hasil kontur diperlihatkan pada Gambar 2.8.(d).

Gambar 2.8. (a) Objek citra (b) Penomoran Pencarian (c) Langkah – langkah Deteksi Kontur Moore (d) Hasil Kontur

Berdasarkan algoritma 1 dengan menggunakan Gambar 2.8.(a) hasil deteksi kontur berupa posisi piksel objek (x,y) dapat dilihat pada Tabel 2.2.

Tabel 2.2. Hasil Deteksi Kontur Moore

x y

2 2

2 3

2 4

3 5

4 5

5 5

5 4

5 3

4 3

3 3

2 2

2.4.3. Deskriptor Fourier

Deskriptor Fourier merupakan ekstraksi ciri yang biasa dipakai untuk mencatat setiap koordinat suatu piksel, sehingga didapatkan penjabaran bentuk (kontur) dalam dua dimensi. Setiap daftar nilai pasangan koordinat (𝑥₀, 𝑦₀), (𝑥₁, 𝑦₁), . . . . , (𝑥_𝐾−1, 𝑦_𝐾−1), kemudian koordinat tersebut diubah menjadi bilangan kompleks

𝑥_𝑘+ 𝑗𝑦_𝑘 (2.9)

untuk K = 0, 1, . . . , K – 1. Adapun batas digital K-poin dalam bidang xy dan 2 koordinat pertama, (𝑥₀, 𝑦₀) dan (𝑥₁, 𝑦₁), dapat dilihat pada Gambar 2.9.

Gambar 2.9. Batas Deskriptor Fourier [11]

Untuk memperoleh koefisien Fourier deskriptor menggunakan Transformasi Fourier berdimensi satu (data diambil dari bilangan kompleks). Oleh karena masukan pada transformasi ini berupa bilangan riil f(y) dan imajiner f(x) maka dapat digunakan persamaan [9]:

Untuk perhitungan nilai f(x) dapat digunakan persamaan 2.10.

𝐹(𝑢) = �^𝑁−1𝑓(𝑥). 𝑒^{�−𝑗2𝜋𝑢𝑖𝑁 �}

𝑖=0 (2.10)

Untuk nilai f(y) dapat digunakan persamaan 2.11.

𝐹(𝑢) = �^𝑁−1𝑓(𝑦).𝑒^{�−𝑗2𝜋𝑢𝑖𝑁 �}

𝑖=0 (2.11)

Keterangan:

𝐹(𝑢) = urutan ke-u komponen keluaran (𝐹(0),𝐹(1), … , 𝐹(𝑁 − 1))

𝑢 = indeks keluaran dalam domain frekuensi (0, 1, ..., 𝑁 − 1) 𝑓(𝑥) = urutan ke-x sampel masukan (𝑓(0), 𝑓(1), … , 𝑓(𝑁 − 1)) 𝑓(𝑦) = urutan ke-y sampel masukan (𝑓(0), 𝑓(1), … , 𝑓(𝑁 − 1)) N = jumlah elemen

𝑖 = indeks sampel masukan domain waktu (0, 1, ..., 𝑁 − 1) 𝑗 = bilangan imajiner (√−1 )

𝜋 = derajat (180°)

𝑒 = basis algoritma natural (2,718281828459 ...)

Dengan menggunakan deskriptor Fourier, suatu bentuk dapat dinyatakan dengan sejumlah bilangan deskriptor (koefisien Fourier deskriptor).

Salah satu keuntungan utama menggunakan deskriptor Fourier yaitu dapat mendeteksi objek dengan menggunakan sedikit koefisien. Adapun mekanisme penurunan jumlah nilai koefisien Fourier deskriptor dapat dilihat pada Gambar 2.10. Proses diawali dengan pergeseran dari hasil transformasi Fourier (F) menjadi K1. Selanjutnya, tentukan nilai N kemudian susun K2 dimulai dari (1 + delta) hingga (N + delta) data diambil dari K1. Dengan cara tersebut jumlah nilai koefisien Fourier deskriptor semula dapat diturunkan menjadi N. Mekanisme penurunan koefisien Fourier deskriptor dapat dilihat pada Gambar 2.10.

Tabel G (Gambar 2.10) merupakan koefisien Fourier deskriptor yaitu hasil dari mekanisme penurunan jumlah koefisien Fourier deskriptor. Pada penurunan jumlah koefisien Fourier deskriptor diatas, semakin kecil nilai koefisien (N) maka gambar kontur akan terus menjauh dari bentuk aslinya.

Selanjutnya, supaya deskriptor Fourier invarian terhadap translasi, rotasi dan skala, maka perlu dilakukan normalisasi. Semua koefisien tidak dipengaruhi oleh translasi, kecuali komponen 𝑎𝑎₀^. Oleh karena itu, agar terbebas dari penyekalaan, maka semua koefisien Fourier deskriptor perlu dibagi dengan 𝑎𝑎0. Setelah pembagian dengan 𝑎𝑎0

menjadi 𝑏𝑏_𝑛𝑛. Selanjutnya |𝑏𝑏_𝑛𝑛| akan menghasilkan besaran koefisien. Dalam hal ini fase dapat diabaikan, karena rotasi hanya akan menyebabkan perbedaan fase.

Gambar 2.10. Mekanisme Penurunan Jumlah Koefisien Fourier Deskriptor (untuk N = 6) [7]

Algoritma 2 : deskriptor Fourier [7].

Masukan :

• Kontur : Larik yang berisi piksel - piksel kontur.

Keluaran :

• |𝑏𝑏_𝑛𝑛| : Nilai – nilai besaran koefisien Fourier deskriptor 1. Dapatkan jumlah data kontur dan dicatat pada TK 2. Atur supaya jumlah elemen genap

if TK == 1

Tambahkan piksel yang sama dengan piksel awal else TK == 0

end

3. Atur supaya kontur (x,y) menjadi bilangan riil dan imajiner

f(x) = y f(y) = x*(-i)

4. Hitung nilai deskriptor Fourier menggunakan rumus Untuk nilai f(x)  _{𝐹(𝑢) = � 𝑓(𝑥).}𝑒^{�−𝑗2𝜋𝑢𝑖𝑁 �}

𝑁−1 𝑖=0

Untuk nilai f(y)  _{𝐹(𝑢) = � 𝑓(𝑦).}𝑒^{�−𝑗2𝜋𝑢𝑖𝑁 �}

𝑁−1

𝑖=0

Kemudian masing – masing elemen ditambahkan sehingga diperoleh bilangan kompleks(𝑥 + 𝑗𝑦) dan dicatat pada F.

5. Dapatkan jumlah data koefisien Fourier deskriptor dan dicatat pada TF.

6. Tentukan nilai koefisien Fourier deskriptor dan dicatat pada N. Kemudian nilai TF diturunkan sejumlah nilai N. Mekanisme penurunan koefisien Fourier deskriptor dapat dilihat pada Gambar 2.11.

7. Berdasarkan Gambar 2.11 mekanisme penurunan koefisien sebagai berikut.

if TF > N a. K1  F

b. delta = (TF – N) / 2

Ubah susunan K1 menjadi K2 (Gambar 2.11) dimulai dari (1 + delta) hingga (N + delta).

c. G  K2 else G = TF end

8. Cari nilai magnitude baris pertama pada Gambar 2.11 (G).

𝑎𝑎0 = �𝑥²+ 𝑦²

Selanjutnya semua elemen pada G dibagi dengan nilai magnitudenya dan dicatat pada b_n.

𝑏𝑏_𝑛𝑛= G / |𝑎𝑎₀| n = 0, 1, 2, ... N - 1

Gambar 2.11. Mekanisme Penurunan Koefisien Fourier Deskriptor (untuk N = 4) [7]

9. Cari nilai absolut semua elemen bn

|𝑏𝑏_𝑛𝑛| = �𝑥²+ 𝑦²

10. Selesai

Berdasarkan algoritma diatas contoh ekstraksi ciri menggunakan Gambar 2.8.(c) adalah sebagai berikut. Masukan berupa nilai pada Tabel 2.2. Langkah pertama ekstraksi ciri yaitu dapatkan jumlah piksel – piksel kontur. Langkah kedua atur supaya jumlah elemen genap. Jika jumlah piksel hasil deteksi kontur ganjil, maka perlu ditambahkan piksel yang sama seperti piksel pertama untuk memudahkan perhitungan. Sehingga sekarang jumlah piksel menjadi 12. Hasil pengubahan jumlah elemen menjadi genap dapat dilihat pada Tabel 2.3.

Tabel 2.3. Elemen Berjumlah Genap

x y

2 2

2 3

2 4

Tabel 2.3. (lanjutan) Elemen Berjumlah Genap

3 5

4 5

5 5

5 4

5 3

4 3

3 3

2 2

2 2

Langkah ketiga, mentransformasi elemen pada kolom y menjadi bilangan riil dicatat sebagai x sedangkan kolom x dikali dengan imajiner (-i) dan dicatat sebagai yi. Hasil Bilangan riil dan imajiner dapat dilihat pada Tabel 2.4.

Tabel 2.4. Bilangan Riil dan Imajiner f(x) = x f(y) = yi

2 -2i

3 -2i

4 -2i

5 -3i

5 -4i

5 -5i

4 -5i

3 -5i

3 -4i

3 -3i

2 -2i

2 -2i

Langkah keempat nilai pada kolom f(x) dan f(y) pada Tabel 2.4. diproses dengan menggunakan rumus transformasi Fourier. Pertama-tama dicari hasil perhitungan transformasi Fourier pada kolom f(x) dan f(y).

Diketahui :

N = jumlah elemen 12

𝑢 = indeks output dalam domain frekuensi (0, 1, 2, ..., 11) 𝑥 = 𝑦 = indeks sampel input domain waktu (0, 1, 2, ..., 11 )

Berdasarkan data pada Tabel 2.4 perhitungan transformasi Fourier pada f(x) menggunakan persamaan 2.10 sedangkan pada f(y) perhitungan menggunakan persamaan 2.11. Kemudian, masing-masing elemen tersebut ditambahkan menggunakan persamaan 2.9 dan hasilnya dicatat pada F. Hasil transformasi Fourier dapat dilihat pada Tabel 2.5.

Proses perhitungan transformasi Fourier (lihat lampiran 1).

Tabel 2.5. Hasil Transformasi Fourier

x yi F = x + yi

41,000 -39,0000i 41,0000 -39,0000i

-5,5981 – 6,9641i 10,1962i -5,5981 + 3,2321i -2,5000 + 0,8660i - 2,0000i -2,5000 – 1,1340i

- 1,0000i - 1,0000i - 2,0000i

0,5000 + 0,8660i -4,8850e-015 +1,9984e-015i 0,5000 + 0,8660i -0,4019 – 0,0359i - 0,1962i -0,4019 – 0,2321i

1,0000i 1,0000i -1,0000 + 1,0000i

-0,4019 + 0,0359i - 0,1962i -0,4019 – 0,1603i 0,5000 – 0,8660i -1,0436e-014 -4,2188e-015i 0,5000 – 0,8660i

1,0000i - 1,0000i 0

-2,5000 – 0,8660i - 2,0000i -2,5000 – 2,8660i -5,5981 + 6,9641i +10,1962i -5,5981 +17,1603i

Langkah kelima dapatkan jumlah koefisien Fourier deskriptor yaitu 12. Selanjutnya langkah keenam merupakan mekanisme penurunan jumlah koefisien, jumlah koefisien Fourier deskriptor sejumlah 12 (TF) diturunkan sejumlah N. N merupakan koefisien Fourier deskriptor yang diinginkan adapun cara yang digunakan untuk mereduksi koefisien Fourier deskriptor diawali dengan mentransformasi susunan F menjadi K1.

Contoh : N = 4

delta = (12 – 4) / 2 = 4

Selanjutnya dengan hasil perhitungan diatas digunakan untuk mengambil N elemen pada K1 dimulai dari elemen ke 5 (1 + delta) sampai elemen ke 8 (N + delta). Hasilnya kemudian disusun ulang. Dengan cara seperti ini, jumlah deskriptor yang semula sebanyak 12 diturunkan menjadi 4. Mekanisme penurunan jumlah deskriptor dapat dilihat pada Gambar 2.12.

Gambar 2.12. Mekanisme penurunan koefisien Fourier Deskriptor

Berikut merupakan hasil rekonstruksi penurunan koefisien Fourier deskriptor dapat dilihat pada Gambar 2.13(b).

Pada Gambar 2.13. merupakan hasil rekonstruksi penurunan koefisien Fourier deskriptor. Supaya hasil koefisien Fourier deskriptor invarian terhadap translasi, rotasi, penyekalaan dan letak awal kontur perlu dilakukan normalisasi. Langkah ketujuh supaya

(b) (a)

Gambar 2.13. Hasil Rekonstruksi (a) Citra asli (b) 4 Koefisien Fourier Deskriptor.

citra bebas penyekalaan maka nilai koefisien Fourier deskriptor yang didapatkan dibagi dengan nilai magnitude (𝑎𝑎₀) citra tersebut. Adapun proses perhitungan sebagai berikut Ambil baris pertama bilangan kompleks pada Tabel G (Gambar 2.12. (G)).

𝑎𝑎0 = x + yi, x = 41, y = -39i

Kemudian dicari nilai magnitudenya.

|𝑎𝑎₀| = �𝑥²+ 𝑦²

|𝑎𝑎₀| = �41²+ 39²

|𝑎𝑎0| = 56,5862

Selanjutnya semua elemen pada Gambar 2.12 (G) perlu dibagi dengan nilai magnitudenya agar terbebas dari penskalaan 𝑏𝑏_𝑛𝑛 = G/|𝑎𝑎₀|. Setelah itu, langkah kedelapan supaya citra terbebas dari rotasi dan perubahan titik awal maka semua koefisien pada 𝑏𝑏𝑛𝑛

diabsolutkan dengan menggunakan rumus |𝑏𝑏_𝑛𝑛| = �𝑥²+ 𝑦². Berikut hasil normalisasi (besaran koefisien) untuk N = 4 dapat dilihat pada Tabel 2.6 dibawah ini.

Tabel 2.6. Hasil Normalisasi untuk 4 Koefisien Fourier Deskriptor

G 𝒃_𝒏 = G / |𝒂_𝟎| x y |𝒃_𝒏| = �𝒙^𝟐+ 𝒚^𝟐

41,0000 -39,0000i 0,7246 – 0,6892i 0,7246 - 0,6892i 1,0000 -5,5981 + 3,2321i -0,0989 + 0,0571i -0,0989 0,0571i 0,1142 -2,5000 – 2,8660i -0,0442 – 0,0506i -0,0442 -0,0506i 0,0672 -5,5981 +17,1603i -0,0989 + 0,3033i -0,0989 -0,0989 0,3190

Berdasarkan langkah keenam berikut merupakan contoh hasil rekonstruksi penurunan koefisien Fourier deskriptor untuk 10, 8 dan 2 koefisien Fourier deskriptor (lihat lampiran 2) dapat dilihat pada Gambar 2.14. Semakin kecil nilai koefisien Fourier deskriptor yang digunakan maka gambar kontur akan menjauh dari bentuk aslinya dan sebaliknya jika semakin besar koefisien Fourier deskriptor yang digunakan maka gambar kontur mendekati gambar asli.

Berdasarkan Gambar 2.14. berikut merupakan hasil normalisasinya dapat dilihat dibawah ini.

N = 10

|𝑏𝑏𝑛𝑛| =

[1,0000 0,1142 0,0485 0,0353 0,0177 0,0076 0,0177 0 0,0672 0,3190]^𝑇

N = 8

|𝑏𝑏_𝑛𝑛| = [1,0000 0,1142 0,0485 0,0353 0,0177 0 0,672 0,3190]^𝑇

N = 2

|𝑏𝑏_𝑛𝑛| = [1,0000 0,3190]^𝑇

Berdasarkan hasil normalisasi diatas dan Tabel 2.6. merupakan besaran koefisien akan digunakan sebagai acuan dalam pengenalan perangkat elektronika.

(d) (c)

(b) (a)

Gambar 2.14. Hasil Rekonstruksi (a) Citra asli (b) 10 Koefisien Fourier Deskriptor (c) 8 Koefisien Fourier Deskriptor (d) 2 Koefisien Fourier

Deskriptor

2.5. Template Matching

Template Matching merupakan metode pengolahan citra digital yang berfungsi untuk menemukan tiap-tiap bagian dari citra yang cocok dengan citra yang menjadi acuan.

Sehingga pada teknik ini ukuran citra input harus disesuaikan dengan ukuran citra yang ada pada basis data. Metode ini sering digunakan untuk mengidentifikasi citra angka, huruf, benda, sidik jari (fingerprint), dan aplikasi pengenalan citra lainnya.

Prinsip metode ini adalah membandingkan antara citra objek yang akan dikenali dengan citra yang menjadi acuan (basis data). Citra yang akan dikenali, diukur tingkat kemiripannya dengan masing-masing citra yang terdapat pada basis data. Adapun kelebihan dan kekurangan. Kelebihan template matching algoritmanya mudah direpresentasikan ke dalam bahasa program dan mudah untuk mempersiapkan data basis datanya. Kekurangan metode ini membutuhkan basis data yang banyak untuk mendapatkan hasil yang optimal.

2.5.1 Basis Data

Basis Data adalah kumpulan informasi yang akan menjadi acuan dan disimpan dalam komputer secara sistematik sehingga dapat diperiksa menggunakan suatu program komputer untuk memperoleh informasi dari basis data tersebut. Semakin banyak informasi yang diperlukan maka semakin banyak basis data objek referensi yang akan disimpan.

Dalam penelitian ini basis data objek referensi diperlukan pada proses perhitungan jarak.

Pembuatan basis data objek referensi ini menggunakan 5 koefisien Fourier deskriptor, penulis mengambil 7 gambar dari masing-masing perangkat elektronika.

2.6. Jarak

Jarak digunakan untuk membandingkan dua buah vektor. Perbandingan suatu nilai dikatakan sama atau tidak berdasarkan dari tingkat kemiripan yang tinggi dan nilai dua vektornya. Dengan menggunakan metode jarak Euclidean dapat digunakan untuk mengukur tingkat kemiripan dua buah vektor tersebut.

Jarak Euclidean adalah peritungan jarak antara satu data terhadap sekelompok data (basis data). Jarak euclidean merupakan metrika yang paling sering digunakan untuk menghitung akar dari kuadrat perbedaan 2 vektor digunakan persamaan [10].

𝑗(𝑉₁ , 𝑉₂) = �� (𝑉^𝑛𝑛_{𝑘=1 1}(𝑘) − 𝑉₂(𝑘))² (2.12)

Keterangan :

𝑉₁(𝑘) = citra basis data.

𝑉₂(𝑘) = citra masukan.

Contoh:

Terdapat 2 vektor ciri berikut.

V1 = [ 0 1 3 2]

V2 = [ 5 6 7 8]

Jarak Euclidean dari vektor A dan B adalah:

j(𝑉₁, 𝑉₂) = �(0 − 5)²+ (1 − 6)²+ (3 − 7)²+ (2 − 8)²

= √25 + 25 + 16 + 36 = 10,1

26

BAB III

PERANCANGAN

3.1. Proses Pengenalan Perangkat Elektronika

Proses perancangan software pengenalan perangkat elektronika terdiri dari beberapa proses, yaitu pengambilan citra, preprocessing, ekstraksi ciri, fungsi jarak, dan penentuan keluaran. Proses perancangan sistem perangkat elektronika dapat dilihat pada Gambar 3.1.

Pengambilan citra perangkat

elektronika

Preprocessing Ekstraksi ciri Deskriptor

Fourier

Fungsi jarak Euclidean Basis Data

Penentuan Keluaran Keluaran

berupa teks pada monitor

Gambar 3.1. Blok Diagram Proses Pengenalan Perangkat Elektronika

Berdasarkan gambar blok diagram diatas proses pengambilan gambar dilakukan dengan menggunakan webcam. Pada tahap preprocessing, citra RGB dikonversi ke dalam bentuk biner. Kemudian untuk menghilangkan noise dan menghaluskan citra digunakan operasi opening. Selanjutnya hasil dari preprocessing ini akan diproses ke tahap pengenalan.

Tahap pengenalan terdiri dari 3 tahap yaitu ekstraksi ciri, perhitungan fungsi jarak, dan basis data citra pengenalan perangkat elektronika. Terakhir dari proses sistem ini yaitu tahap penentuan keluaran. Hasil penentuan keluaran sistem ini berdasarkan jarak minimum yang diperoleh dari hasil perbandingan antara ekstraksi ciri dengan basis data.

3.2. Sistem Pengenalan Perangkat Elektronika

Berikut merupakan diagram alir sistem pengenalan perangkat elektronika dapat dilihat pada Gambar 3.2.

Gambar 3.2. Diagram Alir Sistem Pengenalan Perangkat Elektronika Mulai

Koefisien fourier deskriptor = N

Selesai Ekstraksi ciri Preprocessing

Pengambilan citra perangkat

elektronika

Jarak

euclidean Basis Data

Keluaran berupa teks

Berdasarkan Gambar 3.2. merupakan diagram alir keseluruhan dari sistem pengenalan perangkat elektronika. Adapun diagram alir subrutin dari Gambar 3.2. akan dijelaskan pada subbab selanjutnya.

3.2.1. Pengambilan Citra Pengenalan Perangkat Elektronika

Proses pengambilan citra perangkat elektronika adalah proses mengambil gambar citra dengan menggunakan webcam yang akan disimpan. Webcam akan dihubungkan ke laptop menggunakan USB 2.0 sehingga gambar citra dapat dikirim dan diterima oleh laptop untuk selanjutnya akan diproses di Matlab. Berdasarkan Gambar 3.2 diagram alir proses pengambilan gambar citra dapat dilihat pada Gambar 3.3.

.

3.2.2. Tahap Preprocessing

Tahap preprocessing terdiri dari dua tahapan yaitu, konversi citra RGB ke citra biner dan operasi opening. Berdasarkan Gambar 3.2 diagram alir subrutin tahap preprocessing ditunjukkan pada Gambar 3.4. Tahap preprocessing diawali dengan mengonversi citra RGB ke citra biner. Tahap ini dilakukan karena hasil gambar dengan webcam C270 memiliki fomat RGB. Sehingga konversi citra diperlukan agar format citra menjadi citra biner.

Mulai

Camera On

Capture

Keluaran:

Citra RGB

Selesai

Gambar 3.3. Diagram Alir Subrutin Pengambilan Citra

Untuk mengonversi citra RGB ke biner diawali dengan mengubah citra RGB ke grayscale (persamaan 2.2) kemudian secara otomatis dengan menggunakan metode otsu (persamaan 2.3 sampai dengan persamaan 2.8) didapatkan nilai ambang dari citra tersebut. Nilai ambang digunakan untuk mengonversi citra menjadi citra biner. Proses selanjutnya yaitu menghilangkan noise dan menghaluskan citra menggunakan operasi opening

3.2.3. Tahap Ekstraksi Ciri

Tahap ekstraksi ciri merupakan tahapan terpenting dalam pengenalan pola. tahap ini bertujuan mengolah data untuk memperoleh informasi yang kemudian akan dijadikan sebagai data acuan untuk membedakan citra yang satu dengan citra yang lain. Berdasarkan Gambar 3.2 tahap-tahap ekstraksi ciri dapat dilihat pada Gambar 3.5.

Gambar 3.4. Diagram Alir Subrutin Tahap Preprocessing Mulai

Masukan:

Citra RGB

Konversi citra RGB ke biner

Keluaran:

Citra preprocessing

Selesai Operasi opening

Hasil dari tahap preprocessing akan menjadi masukan untuk tahap ekstraksi ciri ini.

Proses diawali dengan deteksi kontur untuk deteksi tepi objek menggunakan kontur Moore.

Diagram alir deteksi kontur dapat dilihat pada Gambar 3.6.

Mulai

Masukan:

Citra preprocessing

Koefisien Fourier deskriptor = N

B

B

Selesai Keluaran:

Hasil ekstraksi

Gambar 3.5. Diagram Alir Subrutin Ekstraksi Ciri Deteksi Kontur

Koefisien Fourier Deskritor

Penurunan koefisien Fourier

deskriptor

Normallisasi

Mulai

Peroleh piksel awal

Periksa 8 tetangga searah jarum jam

Catat kontur(1) = 𝑎𝑎0, kontur(2) = 𝑎𝑎₁ dan jum = 2

Catat a = 𝑎𝑎₁ dan b = 𝑏𝑏₁

C

C W

Cari piksel bernilai 1 pada 8 tetangga dimulai dari b dan

catat pada a

catat posisi yang mendahului ke b

Tambahkan b sebagai bagian kontur

a = 𝑎𝑎0 Piksel berikutnya

bernilai 1?

Ya

Tidak

Ya Tidak

Selesai Keluaran:

Citra kontur

Gambar 3.6. Diagram Alir Subrutin Deteksi Kontur

Mengacu pada algoritma 1 tahap deteksi kontur pada Gambar 3.5. diawali dengan mencari piksel bernilai 1 pada posisi terkiri dan teratas objek. Posisi piksel dicatat pada 𝑎𝑎₀ dan piksel berikutnya dicatat pada 𝑏𝑏₀. Langkah kedua periksa 8 tetangga searah jarum jam (Gambar 2.8.(b)) dimulai dari 𝑏𝑏₀. Piksel yang bernilai 1 dicatat pada 𝑎𝑎₁. Adapun piksel yang mendahului 𝑎𝑎₁ dicatat pada 𝑏𝑏₁. Langkah ketiga catat elemen 𝑎𝑎₀ pada kontur(1), elemen 𝑎𝑎1 pada kontur(2) dan jum = 2. Langkah keempat catat elemen 𝑎𝑎1 pada a dan elemen 𝑏𝑏₁ pada b. Langkah kelima merupakan proses looping apabila pada piksel selanjutnya bernilai 1. Apabila terdapat piksel bernilai 1 maka posisi piksel dicatat pada a serta piksel yang mendahului a dicatat pada b. Penambahan elemen b sebagai bagian kontur. Proses looping akan berhenti jika elemen a = 𝑎𝑎₀.

Selanjutkan hasil deteksi kontur akan diproses untuk mendapatkan nilai koefisien Fourier deskriptor. Diagram alir proses mendapatkan nilai koefisien Fourier deskriptor dapat dilihat pada Gambar 3.8. Mengacu pada algoritma 2 langkah pertama untuk mendapatkan nilai koefisien Fourier deskriptor pada Gambar 3.7. yaitu menghitung jumlah hasil deteksi kontur dan dicatat pada TK. Langkah kedua jika jumlah piksel kontur ganjil, maka perlu ditambahkan piksel yang sama dengan yang pertama. Selanjutnya mencari koefisien Fourier deskriptor dengan menggunakan transformasi Fourier. Mengacu pada langkah ketiga atur kontur (x, y) menjadi bilangan riill dan imajiner (Tabel 2.4.), kemudian langkah keempat masukkan ke persamaan 2.10 dan 2.11. Setelah itu, hasil perhitungan diubah ke persamaan 2.9 dan didapatkan koefisien Fourier deskriptor-nya. Langkah kelima dapatkan jumlah data koefisien Fourier deskriptor dan dicatat pada TF. Setelah didapatkan jumlah koefisien Fourier deskriptor langkah keenam yaitu menurunkan koefisien Fourier deskriptor sesuai yang diinginkan. Mekanisme penurunan koefisien Fourier deskriptor dapat dilihat pada Gambar 3.7.

Mulai

Dapatkan jumlah data kontur dicatat pada TK

Atur supaya x = bilangan imajiner &

y = bilangan riil TK == 1

Tambahkan piksel pertama Tidak

Ya Masukkan:

Citra kontur

Hitung : Transformasi Fourier

Selesai Keluaran : nilai koefisien Fourier

Gambar 3.7. Diagram Alir Subrutin Koefisien Fourier Deskriptor

Transformasi F ke K1 Tentukan nilai N : 50, 25, 10, 5 dan 2

Mulai

Masukkan: nilai koefisien Fourier

d k i

TF > N

Transformasi K1 ke K2 dimulai dari (1 + delta)

hingga (N + delta₎

Transformasi K2 ke G

Selesai Keluaran: hasil

penurunan koefisien Fourier

G = TF

Gambar 3.8. Diagram Alir Subrutin Penurunan Koefisien Fourier Deskriptor Ya

Tidak

Berdasarkan Gambar 3.8. nilai koefisien Fourier deskriptor dapat diturunkan sesuai yang diiginkan. Nilai N merupakan koefisien Fourier deskriptor yang telah ditentukan yaitu 50, 25, 10, 5 dan 2. Setelah pengguna menentukan nilai N maka proses selanjutnya yaitu menurunkan koefisien Fourier deskriptor citra ke nilai koefisien Fourier deskriptor yang telah ditentukan. Berdasarkan Gambar 2.10. Tabel F ditransformasi menjadi K1.

Kemudian K1 ditransformasi menjadi K2 dimulai dari (1 + delta) hingga (N + delta).

Proses selanjutnya yaitu normalisasi agar citra invarian terhadap rotasi, skala dan translasi.

Proses normalisasi dapat dilihat pada Gambar 3.9.

Gambar 3.9. Diagram Alir Proses Normalisasi

Berdasarkan Gambar 3.9. agar supaya citra invarian terhadap penskalaan mengacu pada langkah ketujuh maka elemen G harus dibagi dengan a₀. Selanjutnya langkah kedelapan agar supaya citra bebas rotasi dan perubahan letak awal kontur maka elemen hasil pembagian tersebut diabsolut. Sehingga didapatkan nilai hasil ekstraksi ciri deskriptor Fourier. Data tersebut kemudian akan menjadi acuan untuk basis data.

Cari nilai magnitude a0

Cari nilai 𝑏𝑏_𝑛𝑛 dengan membagi elemen G

dengan a₀

Selesai Mulai

Absolutkan elemen 𝑏𝑏𝑛𝑛

D

D

3.2.4. Proses Fungsi Jarak

Proses fungsi jarak merupakan proses selanjutnya setelah ekstraksi ciri. Fungsi jarak yang digunakan yaitu jarak Euclidean. Jarak Euclidean berfungsi sebagai pembanding antara hasil ekstraksi ciri dengan citra perangkat elektronika pada basis data. Hasil proses fungsi jarak ini mencari nilai selisih minimum antara hasil ekstraksi ciri dengan citra perangkat elektronika pada basis data. Proses fungsi jarak dapat dilihat pada diagram alir Gambar 3.10.

3.2.5. Penentuan Keluaran

Hasil pengenalan perangkat elektronika ini ditentukan berdasarkan jarak minimal dari hasil perbandingan antara keluaran dari ekstraksi ciri dengan basis data, dengan menggunakan fungsi jarak Euclidean. Hasil dari proses ini yaitu berupa teks yang akan di tampilkan pada layar monitor. Proses penentuan keluaran digambarkan pada diagram alir Gambar 3.11.

Mulai

Masukan:

Hasil ekstraksi ciri, basis data

Perhitungan jarak:

Citra hasil ekstraksi ciri dengan basis data

E

E

Keluaran:

Hasil perhitungan jarak

Selesai

Gambar 3.10. Diagram Alir Subrutin Fungsi Jarak Euclidean

3.3. Perancangan Basis Data

Pada proses perancangan basis data ini digunakan sebagai acuan untuk dibandingkan dengan hasil ekstraksi citra perangkat elektronika yang diambil dari webcam. Proses perancangan basis data dapat dilihat pada diagram blok Gambar 3.12.

Gambar 3.12. Blok Diagram Subrutin Basis Data

Pembuatan basis data pada Gambar 3.12. diawali dengan mengambil data berupa citra perangkat elektronika dengan ukuran gambar 680x480[1]. Selanjutnya, data tersebut diproses pada tahap preprocessing. Tahap preprocessing berfungsi untuk meningkatkan kualitas citra, menghilangkan gangguan citra (noise) serta menentukan bagian citra yang akan digunakan pada proses selanjutnya. Beberapa proses yang dilakukan pada tahap preprocessing yaitu mengonversi citra RGB ke biner, kemudian untuk menghilangkan noise dan menghaluskan citra digunakan operasi opening. Hasil preprocessing akan

Mulai

Masukan:

Hasil perhitungan jarak

Kode keluaran = kode yang berasosiasi dengan jarak

minimal

F

F

Keluaran:

Hasil berupa teks

Selesai

Gambar 3.11. Diagram Alir Penentuan Keluaran

menjadi masukkan pada tahap ekstraksi ciri. Tahap ekstraksi ciri merupakan tahapan untuk mencari besaran koefisien pada citra diawali dengan deteksi kontur citra menggunakan kontur Moore. Selanjutnya, mencari koefisien Fourier deskriptor citra dengan menggunakan transformasi Fourier. Kemudian, menurunkan koefisien Fourier deskriptor sesuai dengan nilai koefisien yang digunakan (50, 25, 10, 5 dan 2). Selanjutnya, dilakukan normalisasi agar citra invarian terhadap translasi, rotasi dan skala. Hasil ekstraksi ciri disimpan dalam folder dan digunakan sebagai acuan dalam pengenalan perangkat elektronika. Adapun banyaknya data yang disimpan pada basis data yaitu 35 data (5 koefisien Fourier deskriptor x 7 perangkat elektronika). Jarak antara webcam dengan perangkat elektronika adalah 57 cm.

3.4. Perancangan Tampilan GUI Matlab

Perancangan tampilan sistem pengenalan perangkat elektronika menggunakan GUI (Graphical User Interface) pada Matlab dengan tujuan membantu dalam proses pengenalan perangkat elektronika. Adapun perancangan tampilan GUI dan diagram alir perancangan tampilan sistem dapat dilihat pada Gambar 3.2 dan 3.13.

Gambar 3.13. Perancangan GUI

Mengacu pada diagram alir sistem Gambar 3.2. proses menjalankan sistem pada Gambar 3.13. dimulai dengan menekan tombol “Camera On“ pada Axes 1 akan