i
TUGAS AKHIR
PENGENALAN JENIS KUPU-KUPU DENGAN
PENGKLASIFIKASI SAMAR
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Teknik
Program Studi Teknik Elektro
Oleh:
MARINUS SKOTUS FEBRIANTO
NIM: 115114031
PROGRAM STUDI TEKNIK ELEKTRO
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2016
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ii
FINAL PROJECT
TYPE RECOGNITION OF BUTTERFLIES
USING FUZZY CLASSIFICATION
Presented as Partial Fulfillment of the Requirements
To Obtain the Sarjana Teknik Degree
In Electrical Engineering Study Program
Oleh:
MARINUS SKOTUS FEBRIANTO
NIM: 115114031
ELECTRICAL ENGINEERING STUDY PROGRAM
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2016
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
HALAMAN PERSETUJUAN
TUGAS AKHIR
PENGENALAN JENIS KUPU_KUPU DENGAN
PENGKLASIFIKASI SAMAR
TYPE RECOGNITION OF BUTTERFLIES
USING FUZZY CLASSIFICATION
Oleh :
MARINUS SKOTUS FEBRIANTO
NIM: 115114031
Telah disetujui oleh :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
HALAMAN PENGESAHAN TUGAS AKHIR
PENGENALAN JENIS KUPU_KUPU DENGAN PENGKLASIFIKASI
SAMAR
(TYPE RECOGNITION OF BUTTERFLIES USING FUZZY
CLASSIFICATION)
Yogyakarta, 29 Februari 2016
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat karya orang
lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka sebagaimana layaknya
karya ilmiah.
Yogyakarta, 29 Februari 2016
Marinus Skotus Febrianto
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
HALAMAN PERSEMBAHAN DAN MOTTO HIDUP
MOTTO :
“Just do it supaya berduit”
Persembahan Karya ini kupersembahkan untuk…
Tuhan yang selalu membimbingku..
Papa Mama Kakak serta Fransisca D Renwarin yang slalu memberikan
dukungan dalam segala hal…
Teman – teman seperjuangan yang menemani di kala siang dan
malam…
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
Dan untuk semua yang membaca karya ini.
LEMBAR PERNYATAN PERSETUJUAN PUBLIKASIKARYA ILMIAH
UNTUK KEPENTINGAN
AKADEMIS
Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma :
Nama : Marinus Skotus Febrianto
Nomor Mahasiswa : 115114031
Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan Universitas
Sanata Dharma karya ilmiah saya yang berjudul :
PENGENALAN JENIS KUPU-KUPU DENGAN PENGKLASIFIKASI
SAMAR
beserta perangkat yang diperlukan ( bila ada ). Dengan demikian saya memberikan kepada
Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk
media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara terbatas dan
mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu
meminta ijin dari saya maupun memberikan royalty kepada saya selama tetapmencatumkan
nama saya sebagai penulis.
Demikian pernyataan ini saya buat dengan sebenarnya.
Yogyakarta, 27 Februari 2016
(Marinus Skotus Febrianto)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
INTISARI
Pada perkembangan zaman yang terjadi habitat kupu-kupu semakin berkurang juga dengan
perburuan liar yang dilakukan karena keindahan dari corak kupu-kupu untuk hiasan dan koleksi specimen
membuat kupu-kupu semakin langka. Kelangkaan dapat berakibat pada kepunahan. Pengenalan pola dan
corak kupu-kupu harus dilakukan secara digital karena hal ini dapat menghemat biaya penelitian karena
jenis kupu-kupu dengan beraneka macam dan pola yang bermacam macam pula. Pengenalan dapat
mempermudah untuk mengenali spesies yang berada di lapangan sehingga dapat diteliti lebih lanjut. Juga
dari segi dokumentasi lebih mudah karena dibantu dengan teknologi computer dan pencitraan kamera.
Sistem pengenalan kupu-kupu ini menggunakan metode fuzzy logic dengan metode
inferensi sugeno. Kupu-kupu yang digunakan sebanyak 10 jenis yaitu (1)Papillio uleysses, (2)Idea
blancardi, (3) Papilio dutran, (4) Atrophneura nonik, (5) Taenaris selena, (6) Hebomoeia glaucippe, (8)
Hebomiae duostra, (9) Papilio cambrisuis, (10) Papilio dephobus, (11) Pachlioptera aristolochiae.
Tingkat pengenalan diuji dengan variasi ketinggian kamera dan sudut putar objek yang
divariasikan. Tingkat pengenalan dapat bekerja sesuai dengan yang diharapkan. Tingkat
pengenalan sebesar 95,90%. Dengan pengenalan terbaik pada ketinggian (55-65)cm dan sudut
yang terbaik adalah 00sampai ±5
0
Kata kunci: Kupu-kupu, Fuzzy logic, Inferensi sugeno, 10 jenis kupu-kupu, sudut, ketinggian
kamera.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
ABSTRACT
In the times that happened butterfly habitat decreases also with poaching is done because
of the beauty of the butterfly pattern for decoration and collection of specimens made
increasingly rare butterfly. Scarcity can lead to extinction. Pattern recognition and pattern of
butterflies should be done digitally as this can save you the cost of research for species of
butterfly with a wide variety and a wide variety of patterns as well. The introduction can make it
easier to identify the species that are on the field so it can be investigated further. Also in terms
of the documentation easier for assisted with computer technology and imaging cameras.
Butterfly recognition system is using fuzzy logic with Sugeno inference method.
Butterflies are used as many as 10 types, namely (1) Papillio uleysses, (2) Idea blancardi, (3)
Papilio dutran, (4) Atrophneura nonik, (5) Taenaris selena, (6) Hebomoeia glaucippe, (8)
Hebomiae duostra , (9) Papilio cambrisuis, (10) Papilio dephobus, (11) Pachlioptera
aristolochiae.
The recognition rate was tested with a variety of camera height and swivel angle varied
objects. The level of recognition may work as expected. Recognition rate of 95.90%. With the
best introduction to the altitude (55-65) cm and the best angle is 00 to ±5
0.
Keywords: Butterfly, Fuzzy Logic, Inference Sugeno, 10 species of butterflies, angle, camera
height.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus karena telah memberikan
rahmat-Nya sehingga penulis dapat menyelesaikan laporan tugas akhir ini dengan baik.Laporan
tugas akhir ini disusun untuk memenuhi syarat memperoleh gelar sarjana.
Selama pembuatan tugas akhir ini penulis menyadari bahwa ada begitu banyak pihak
yang telah memberikan bantuan baik bantuan materi, moral maupun dukungan. Oleh karena itu
penulis ingin mengucapkan terimakasih kepada :
1. Petrus Setyo Prabowo, S.T., M.T., Ketua Program Studi Teknik Elektro Universitas
Sanata Dharma.
2. Dr.Linggo Sumarno, dosen pembimbing yang dengan penuh setia, kesabaran dan
pengertian untuk membimbing dalam menyelesaikan Tugas Akhir ini..
3. Bapak dan Ibu dosen yang telah mengajarkan banyak ilmu yang bermanfaat selama
menempuh pendidikan di Universitas Sanata Dharma.
4. Segenap laboran dan karyawan Fakultas Sains dan Teknologi yang telah memberikan
dukungan secara tidak langsung dalam kelancaran penulis mengerjakan penulisan
tulisan tugas akhir ini.
5. Kedua orang tua penulis yang telah banyak memberikan dukungan doa, kasih sayang
dan motivasi selama menempuh pendidikan di Universitas Sanata Dharma.
6. Keluarga kecil penulis yang telah memberi dukungan dalam mengawali dan
mengakhiri masa - masa menempuh pendidikan di Universitas Sanata Dharma.
7. Om Bambang dan Fransisca D Renwarin yang turut memberikan dukungan dalam
kehidupan penulis.
8. Teman – teman seperjuangan Teknik Elektro 2011 yang telah menemani di waktu
siang ataupun malam pada saat menempuh pendidikan di Universitas Sanata Dhama.
9. Semua pihak yang tidak bisa disebutkan satu persatu yang telah banyak memberikan
banyak bantuan dan dukungan dalam menyelesaikan tugas akhir ini.
10. Teman-teman anggota “Maryati’s Dormitory”: Nino, Hardo, Fian, Sandi, Bori, Trias,
Bowo, Chandra, Bendot, Pongki .Yang sudah mensupport saya dalam mengerjakan
maupun menemani minum-minuman jahat.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
Penulis menyadari bahwa dalam penyusunan laporan tugas akhir masih mengalami
kesulitan dan tidak lepas dari kesalahan.Oleh karena itu, penulis mengharapkan masukan, kritik
dan saran yang membangun agar skripsi ini menjadi lebih baik.Dan semoga skripsi ini dapat
bermanfaat sebagaimana mestinya.
Penulis,
Marinus Skotus Febrianto
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
DAFTAR ISI
HALAMAN JUDUL ................................................................................................................. i
HALAMAN PERSETUJUAN ...................................................................................... iii
HALAMAN PENGESAHAN ....................................................................................... iv
PERNYATAAN KEASLIAN KARYA ......................................................................... v
HALAMAN PERSEMBAHAN DAN MOTTO HIDUP .............................................. vi
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA
ILMIAH UNTUK KEPENTINGAN AKADEMIS ..................................................... vii
INTISARI .................................................................................................................... viii
ABSTRACT .................................................................................................................. ix
KATA PENGANTAR .................................................................................................... x
DAFTAR ISI ................................................................................................................ xii
DAFTAR GAMBAR .................................................................................................... xv
DAFTAR TABEL ...................................................................................................... xvii
BAB I PENDAHULUAN
1.1. Latar Belakang .................................................................................................... 1
1.2. Tujuan dan Manfaat Penelitian ........................................................................... 2
1.3. Batasan Masalah ................................................................................................. 2
1.4. Metodologi Penelitian ......................................................................................... 3
1.4.1. Metode Studi Pustaka ........................................................................... 3
1.4.2. Prosedur Penelitian ............................................................................... 3
BAB II DASAR TEORI
2.1. Kupu-kupu .......................................................................................................... 5
2.2. Webcam ............................................................................................................... 5
2.3. Pengolahan citra .................................................................................................. 6
2.3.1 Definisi ................................................................................................. 6
2.4. Cropping ............................................................................................................. 7
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
2.5. Transformasi Geometris Spasial ......................................................................... 8
2.6. RGB .................................................................................................................... 8
2.7. Citra Grayscale ................................................................................................... 9
2.8. Citra Biner ........................................................................................................ 10
2.9. MATLAB ......................................................................................................... 10
2.9.1. Karakteristik Matlab ........................................................................... 11
2.10. Sistem Fuzzy ..................................................................................................... 11
2.10.1. Fuzifikasi ............................................................................................ 12
2.10.2. Mekanisme Inferensi Fuzzy ................................................................ 13
2.10.3. Defuzifikasi ........................................................................................ 14
2.10.4. FIS Tipe Sugeno ................................................................................. 15
BAB III PERANCANGAN
3.1. Perancangan Sistem .......................................................................................... 17
3.1.1. Kupu-kupu .......................................................................................... 17
3.1.2. Webcam .............................................................................................. 18
3.2. Proses Pengenalan Sayap Kupu-kupu .............................................................. 19
3.2.1. Pengambilan Citra .............................................................................. 19
3.2.2. Preprocessing ..................................................................................... 20
3.2.3. Pengklasifikasi Samar ........................................................................ 25
3.2.4. Pengambilan Database Fuzzy ............................................................. 27
3.2.5. Penentuan Keluaran ............................................................................ 27
3.3. Perancangan GUI .............................................................................................. 28
BAB IV HASIL DAN PEMBAHASAN
4.1. Pengujian dan Tampilan Program Pengenalan Objek Kupu-kupu
Secara Real Time .............................................................................................. 29
4.2. Pengujian Secara Real Time ............................................................................. 40
4.2.1. Pengujian Pengaturan Pengenalan Objek Kupu-kupu secara
Real Time ............................................................................................ 40
4.2.2. Analisa Pengenalan Objek Kupu-kupu Secara Real Time ................. 43
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
BAB V KESIMPULAN DAN SARAN
5.1. Kesimpulan ....................................................................................................... 45
5.2. Saran ................................................................................................................. 45
DAFTAR PUSTAKA ................................................................................................... 46
LAMPIRAN ................................................................................................................. 47
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
DAFTAR GAMBAR
Gambar 2.1. Kupu-kupu ............................................................................................ 5
Gambar 2.2 Webcam ................................................................................................ 6
Gambar 2.3. Gambar Proses Pemotongan Citra ........................................................ 7
Gambar 2.4. Transformasi spasial ............................................................................. 8
Gambar 2.5. Pengaturan Citra RGB .......................................................................... 9
Gambar 2.6. Visualisasi 256 aras keabuan .............................................................. 10
Gambar 2.7. Grafk fuzifikasi nilai RGB ................................................................. 12
Gambar 2.8. Ilustrasi Ilustrasi sistem fuzzy dengan operator Max-Min .................. 14
Gambar 3.1. Blok sistem ......................................................................................... 17
Gambar 3.2 Gambar kupu-kupu (1)Papillio uleysses, (2)Idea blancardi, (3)
Papilio dutran, (4) Atrophneura nonik, (5) Taenaris selena, (6)
Hebomoeia glaucippe, (8) Hebomiae duostra, (9) Papilio
cambrisuis, (10) Papilio dephobus, (11) Pachlioptera aristolochiae, 18
Gambar 3.4. Diagram blok proses pengenalan ........................................................ 19
Gambar 3.5. Matrik RGB ........................................................................................ 20
Gambar 3.6. Program matrik RGB .......................................................................... 21
Gambar 3.7. Program citra grayscale ...................................................................... 21
Gambar 3.8. Diagram alir Bounding box................................................................. 22
Gambar 3.9. Hasil auto cropping ............................................................................ 22
Gambar 3.10. Proses Resizing ................................................................................... 23
Gambar 3.11. Diagram alir Clear Background ......................................................... 24
Gambar 3.12. Hasil clear background ...................................................................... 25
Gambar 3.13. Diagram klasifikasi Fuzzy .................................................................. 25
Gambar 3.14 Grafik fuzifikasi nilai R ...................................................................... 26
Gambar 3.15. Tampilan GUI ..................................................................................... 28
Gambar 4.1. Hasil rancangan .................................................................................. 29
Gambar 4.2. Shortcut MATLAB ............................................................................. 30
Gambar 4.3. Tampilan awal matlab ........................................................................ 30
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvi
Gambar 4.4. Tampilan GUI sebelum aktif .............................................................. 31
Gambar 4.5. GUI yang sudah di run ....................................................................... 31
Gambar 4.6. Tampilan GUI aktif ............................................................................ 32
Gambar 4.7. Tampilan saat tombol on ditekan........................................................ 32
Gambar 4.8. Program tombol on ............................................................................. 32
Gambar 4.9. Tampilan mode RGB .......................................................................... 34
Gambar 4.10. Tampilan setelah di crop .................................................................... 35
Gambar 4.11 Tampilan setelah tombol hitung ditekan ............................................ 37
Gambar 4.12 Tampilan setelah tombol kenal ditekan .............................................. 38
Gambar 4.13 Tampiln setelah tombol clear ditekan ................................................ 39
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvii
DAFTAR TABEL
Tabel 2.1. Jenis-jenis transformasi affine .............................................................. 8
Tabel 3.1. Tabe data nilai R sementara................................................................ 26
Tabel 3.2. Rule base pengenalan objek 1 ............................................................ 27
Tabel 4.1. Data hasil pengujian pertama ............................................................. 40
Tabel 4.2. Data hasil pengujian kedua ................................................................. 41
Tabel 4.3. Data hasil pengujian ketiga................................................................. 41
Tabel 4.4. Data hasil pengujian keempat ............................................................. 42
Tabel 4.5. Data hasil pengujian kelima ............................................................... 42
Tabel 4.6. Tingkat pengenalan seluruh percobaan .............................................. 43
Tabel 4.7. Tingkat pengenalan berdasarkan sudut............................................... 43
Tabel 4.8. Tingkat pengenalan berdasarkan tinggi kamera ................................. 44
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Indonesia merupakan negeri kupu-kupu. Dari 20 ribu jenis kupu-kupu yan ada di
dunia 2500 jenis berada di Indonesia. Semua itu tersebar mulai dari sabang sampai
merauke. Setiap daerah memiliki kupu-kupu yang khas sesuai dengan daerahnya.
Keunikan tersebut membuat Indonesia merupakan negara dengan jenis kupu kupu
terbanyak selain Brasil yang terdapat di hutan belantara amazon. Keindahan kupu-kupu
dapat kita lihat dari berbagai macam bentuk sayapnya yang indah, bahkan beberapa jenis
kupu-kupu di Indonesia menjadi endemik bagi suatu daerah, sehingga tidak akan ditemui
dibelahan dunia manapun seperti Cethosia myrinayang dikenal sebagai kupu-kupu sayap
renda yang hanya dijumpai di Sulawesi, Trogonoptera brookiana yang dikenal sebagai
kupu-kupu raja Brooke yang dijumpai di Sumatera dan Kalimantan[6].
Pada perkembangan zaman yang terjadi habitat kupu-kupu semakin berkurang
juga dengan perburuan liar yang dilakukan karena keindahan dari corak kupu-kupu untuk
hiasan dan koleksi specimen membuat kupu-kupu semakin langka. Kelangkaan dapat
berakibat pada kepunahan. Pengenalan pola dan corak kupu-kupu harus dilakukan secara
digital karena hal ini dapat menghemat biaya penelitian karena jenis kupu-kupu dengan
beraneka macam dan pola yang bermacam macam pula. Pengenalan dapat mempermudah
untuk mengenali spesies yang berada di lapangan sehingga dapat diteliti lebih lanjut. Juga
dari segi dokumentasi lebih mudah karena dibantu dengan teknologi computer dan
pencitraan kamera.
Pengenalan yang dilakukan dalam mengenali kupu-kupu berdasarkan hal yang
mencolok yaitu pola dan corak sayap kupu-kupu. Setiap pola dan sayap kupu-kupu
memiliki komposisi warna yang bermacam-macam. Hal inilah yang menjadi dasar proses
pengenalan secara digital yaitu pencitraan kamera yang menggunakan webcam.
Sistem yang akan dilakukan adalah dengan mencapture specimen dari kupu-kupu
lalu dari hasil gambar capture tersebut diproses dengan bantuan perangkat lunak (Matlab
2012b). Dari perangkat lunak tersebut akan keluar angka-angka yang merupakan
komposisi dari nilai RGB dari capture specimen tersebut.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
1.2. Tujuan dan Manfaat
Tujuan dari penulisan tugas akhir adalah menciptakan system pengenalan sayap
kupu-kupu dengan metode matriks RGB dan matriks itu akan diproses dengan klasifikasi
fuzzy.
Manfaat dari penilitian adalah sebagai alat bantu otomatisasi bagi masyarakat
dalam mengetahui atau mengidentifikasi jenis-jenis kupu-kupu .
1.3. Batasan Masalah
Sistem yang dilakukan pada proses pengenalan pola sayap kupu-kupu ini
memerlukan bantuan pada system otomatosasi. Sistem otomatisasi yang dilakukan yang
dipakai terdiri dari software dan hardware. Hardware yang digunakan adalah webcam.
Webcam berfungsi untuk menangkap citra objek. Software berfungsi untuk memproses
pengenalan citra yang berasal dari hasil hardware (webcam).
Pada perancangan system ini penulis memfokuskan untuk membuat software
computer untuk memproes pengenalan objek. Sedangkan hardware penulis menggunakan
peralatan yang sudah ada yaitu webcam dengan spesifikasi yang sesuai dengan penelitian
tersebut. Spesifikasi tersebut adalah mampu mendeteksi matriks RGB dan bisa terkoneksi
dengan software matlab.
Berikut adalah beberapa masalah yang dianggap perlu pada perancangan tugas
akhir ini. yaitu sebagai berikut:
1. Sample dari awetan spesies kupu-kupu dengan corak yang berbeda beda yang
berjumlah 10 buah yaitu: Papilio dephobus ,Idea blancardi ,Hebomoeia
glaucippe, Papillio ulysses, Taeranis selena, Papilio iswara, Papilio gigon,
Papilio gambrisius, Atrophaneura noknik, Pachiliopta aristalochiae.
2. Hasil pengenalan secara real time
3. Sudut putar objek kupu-kupu: -200;-15
0;-10
0;-5
0; 5
0;10
0;15
0; 20
0
4. Variasi ketinggian kamera 45-70 cm dengan variasi 5 cm untuk mensimulasi
objek dengan berbagai skala. Karena dengan naik turunnya kamera maka akan
mendapatkan hasil capture dengan skala yang berbeda.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
5. Menggunakan perangkat lunak komputasi Matlab dalam pembuatan program
pengenalan gambar
6. Menggunakan matriks RGB untuk didapatkan nilainya yang menjadi dasar
ciri-ciri objek
7. Menggunakan pengklasifikasi samar dengan FIS Sugeno
8. Menggunakan webcam sebagai hardware
9. Webcam akan ditempatkan pada dudukan atau tempat yang sudah disediakan
dan dibuat sebelumnya
10. Pencahayaan yang digunakan berdasarkan pencahayaan dari 2 buah lampu 35
watt. Penggunaan lampu bertujuan untuk mengurangi efek sinar dari
lingkungan yang tidak tentu tingkat intensitasnya
11. Citra di resize ke ukuran 128x128 pixel berdasarkan literatur[5] resizing
dengan nilai tersebut dapat dikenali dengan baik
1.4. Metodologi Penelitian
1.4.1. Metode Studi Pustaka
Dalam penyusunan Tugas Akhir, Peneliti mempelajari banyak dari buku–buku
yang relevan dengan judul penelitian yang diambil melalui Internet dan berbagai literatur–
literatur dari Internet mengenai pola dan corak kupu-kupu, pengertian webcam,
pengolahan citra, matriks RGB, teori fuzzy logic, dan tentang Matlab.
1.4.2. Prosedur Penelitian
Langkah-langkah dalam pengerjaan tugas akhir:
a. Pengumpulan bahan–bahan referensi berupa buku–buku dan jurnal–jurnal yang
di ambil melalui Internet.
b. Perancangan subsistem software.
Tahap ini bertujuan untuk mencari bentuk model yang optimal dari sistem yang
akan dibuat dengan mempertimbangkan berbagai faktor–faktor permasalahan.
c. Pembuatan subsistem software.
Sistem akan bekerja apabila user memberikan interupsi melalui PC dengan
media push button yang sudah disediakan dalam software. Sistem akan
mengolah interupsi yang diterima dan memulai proses capture picture sampai
user memberikan interupsi kembali untuk menghentikan proses capture.
Setelah itu, user memberikan interupsi untuk memulai proses pengenalan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
gambar. Komputer akan mengolah gambar dan menyajikannya sebagai sebuah
informasi.
d. Analisa data dilakukan dengan menyelidiki pengaruh rotasi objek dan jarak
kamera dengan jumlah percobaan sesuai dengan batasaan percobaan. Dengan
90 kali percobaan (10 jenis kupu kupu x 9) terhadap tingkat pengenalan.
Penyimpulan hasil dilakukan dengan mencari jumlah komponen matriks RGB
yang menghasilkan tingkat pengenalan yang terbaik
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
BAB II
DASAR TEORI
2.1. Kupu-kupu [5] Kupu-kupu memiliki pola dan corak yang bermacam-macam sesuai dengan
jenisnya masing-masing. Setiap kupu-kupu juga memiliki warna yang beraneka macam
dan gabungan warna dan bentuk. Sehingga kupu-kupu dapat di tentukan jenisnya
berdasarkan dari pola dan corak dari sayapnya karena hal tersebut paling mencolok dari
kupu-kupu.
Di Indonesia terdapat lebih dari 2500 spesies kupu-kupu. Tentu saja hal tersebut
ditentukan pula dari pola, warna dan corak dari kupu-kupu untuk mengenalinya. Ketika
ada perbedaan pola warna tentu komposisi warna yang ditimbulkan dapat berbeda pula.
Gambar 2.1. Spesies kupu-kupu yang digunakan.
Dalam tugas akhir ini menggunakan jenis kupu-kupu sebagai berikut: Papilio
dephobus ,Idea blancardi ,Hebomoeia glaucippe, Papillio ulysses, Taeranis selena,
Papilio iswara, Papilio gigon, Papilio gambrisius, Atrophaneura noknik, Pachiliopta
aristalochiae.
2.2. Webcam Webcam singkatan dari Web Camera yang berasal dari bahasa Inggris, digunakan
secara RealTime . Banyak merk webcam yang tersedia, misalnya Logitech, SunFlowwer,
dan lainnya. Resolusi dari webcam biasanya sama berkisar antara 352×288 / 640×480
piksel atau bahkan lebih besar, ada yang kualitasnya hingga 5 Megapiksel. Webcam sebuah
kamera video digital berukuran kecil dihubungkan ke komputer melalui port USB atau port
COM. Gambar webcam yang digunakan dapat dilihat pada gambar 2.2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
Gambar 2.2. webcam
2.3. Pengolahan Citra
2.3.1 Definisi
Citra (image) merupakan istilah lain untuk gambar, salah satu komponen
multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Citra
mempunyai karakteristik yang tidak dimiliki oleh data teks. Citra kaya dengan informasi.
Secara harafiah, citra dapat diartikan sebagai gambar pada bidang dwimatra (dua dimensi).
Bila ditinjau dari sudut pandang matematis, maka citra merupakan fungsi menerus
(continue) dari intensitas cahaya pada bidang dwimatra. Sumber cahaya yang menerangi
suatu obyek dan obyek akan memantulkan kembali sebagian dari berkas cahaya yang
menerangi obyek tersebut. Pantulan cahaya ini ditangkap oleh alat–alat optik, misalnya
mata pada manusia, kamera, pemindai (scanner), dan sebagainya, sehingga bayangan
obyek yang disebut citra tersebut terekam.
Citra dibedakan menjadi dua:
a. Citra diam (still images)
Citra diam adalah citra tunggal yang tidak bergerak, sering di sebut citra saja.
b. Citra bergerak (moving images)
Citra bergerak ialah rangkaian citra diam yang ditampilkan secara beruntun
yang memberi kesan pada mata sebagai gambar bergerak. Setiap citra dalam
rangkaian disebut frame.
Digitalisasi citra merupakan suatu representasi citra secara numerik dengan nilai–
nilai diskrit. Digitalisasi adalah representasi citra dari fungsi malar (kontinu) menjadi
nilai–nilai diskrit, sehingga citra yang dihasilkan dari proses ini disebut citra digital (digital
image).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
Derau (noise) merupakan suatu masalah yang terjadi pada proses pengolahan
citra. Derau adalah gambar atau piksel yang mengganggu kualitas citra. Derau dapat
disebabkan oleh gangguan fisis (optik) pada alat akuisisi maupun secara disengaja akibat
proses pengolahan yang tidak sesuai. Contoh terdapat bintik hitam atau putih yang muncul
secara acak yang tidak diinginkan dalam citra, bintik acak ini disebut derau salt and
pepper.
Salah satu proses awal pengolahan citra yaitu memperbaiki kualitas citra yang
mengalami masalah atau gangguan. Perbaikan kualitas citra sangat diperlukan karena citra
yang dijadikan obyek pembahasan, mempunyai kualitas yang buruk, misal citra mengalami
derau pada saat pengiriman melalui saluran transmisi, citra terlalu terang atau gelap,
kurang tajam, kabur, dan sebagainya. Melalui operasi pemrosesan awal inilah kualitas citra
diperbaiki sehingga citra dapat digunakan untuk aplikasi lebih lanjut, misal untuk aplikasi
pengenalan obyek di dalam citra.
2.4. Cropping Cropping adalah proses pemotongan citra pada koordinat tertentu pada area
citra[24]. Untuk memotong bagian dari citra digunakan dua koordinat, yaitu koordinat
awal yang merupakan awal koordinat bagi citra hasil pemotongan dan koordinat akhir
yang merupakan titik koordinat akhir dari citra hasil pemotongan. Sehingga akan
membentuk bangun segi empat yang mana tiap-tiap pixel yang ada pada area koordinat
tertentu akan disimpan dalam citra yang baru.
Citra asli Hasil Cropping
Gambar 2.3 Gambar Proses Pemotongan Citra
Dari gambar 2.3 dijelaskan bahwa terjadi proses pemotongan citra. Ukuran pixel
awal citra asli adalah 5×5pixel, setelah dilakukan proses pemotongan koordinat awal (1,1)
dan koordinat akhir (3,3) dengan lebar 3 pixel dan tinggi 3 pixel akan terbentuk citra baru
dengan ukuran 3×3 pixel.Citra baru berisi nilai pixel dari koordinat (1,1) sampai koordinat
(3,3).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
2.5. Transformasi Geometris Spasial Citra f didefinisikan sebagai sistem koordinat a(w,z), yang mengalami distorsi
geometris yang menghasilkan citra g dengan sistem koordinat (x,y) maka transformasi
dapat dinyatakan dengan (x,y) = T{(w,z)}[25]. Contoh dalam trasnformasi spasial sebagai
berikut:
Jika (x,y) =T{(w,z)} = (w/2, z/2), distrosi adalah penyusutan f dengan setengah
dimensi spasial seperti ditunjukkan pada gambar 2.4.
Gambar 2.4 Transformasi Spasial
Bentuk umum yang digunakan pada transformasi spasial adalah affine transform (Wolberg
[1990] ). Transformasi affine dapat ditulis dalam bentuk matrik.
𝑥𝑦 1 = 𝑤𝑧 1 𝑇 = 𝑡11 𝑡12 0𝑡21 𝑡22 0𝑡31 𝑡32 1
(2.2)
Transformasi ini dapat menskalakan , men-translate, atau menggunting sejumlah titik,
tergantung pada pilihan nilai T. Jenis-jenis transformasi affine terdapat pada tabel 2.5.
Tabel 2.5. Jenis-jenis Transformasi Affine
2.6. RGB
Suatu citra biasanya mengacu ke citra RGB. Sebenarnya bagaimana citra
disimpan dan dimanipulasi dalam komputer diturunkan dari teknologi televisi, yang
pertama kali mengaplikasikannya untuk tampilan grafis komputer. Jika dilihat
dengan kaca pembesar, tampilan monitor komputer akan terdiri dari sejumlah triplet
titik warna merah (RED), hijau (GREEN) dan biru (BLUE). Tergantung pada pabrik
monitornya untuk menentukan apak titik tersebut merupakan titik bulat atau kotak
kecil, tetapi akan selalu terdiri dari 3 triplet Red, Green dan BLUE.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
Citra dalam komputer tidak lebih dari sekumpulan sejumlah triplet dimana setiap
triplet terdiri atas variasi tingkat keterangan (brightness) dari elemen Red, Green dan
BLUE. Representasinya dalam citra, triplet akan terdiri dari 3 angka yang mengatur
intensitas dari RED (R), Green (G) dan Blue (BLUE) dari suatu triplet. Setiap triplet akan
merepresentasikan 1 pixel (picture element). Suatu triplet dengan nilai 67, 228 dan 180
berarti akan mengeset nilai R ke nilai 67, G ke nilai 228 dan B ke nilai 180. Angka-angka
RGB ini yang seringkali disebut dengan color values. Pada format .bmp, citra setiap pixel
pada citra direpresentasikan dengan dengan 24 bit, 8 bit untuk R, 8 bit untuk G
Gambar 2.5 Pengaturan citra RGB
2.7. Citra Grayscale[9]
Citra Grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada
setiap pikselnya, artinya nilai dari RED = Green = Blue. Nilai-nilai tersebut digunakan
untuk menunjukkan intensitas warna.
Citra yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu, bervariasi
pada warna hitam pada bagian yang intensitas terlemah dan warna putih pada intensitas
terkuat. Citra Grayscale berbeda dengan citra ”hitam-putih”, dimana pada konteks
komputer, citra hitam putih hanya terdiri atas 2 warna saja yaitu ”hitam” dan ”putih” saja.
Pada citra Grayscale warna bervariasi antara hitam dan putih, tetapi variasi warna
diantaranya sangat banyak. Citra Grayscale seringkali merupakan perhitungan dari
intensitas cahaya pada setiap piksel pada spektrum elektromagnetik single band
Citra Grayscale disimpan dalam format 8 bit untuk setiap sampel piksel, yang
memungkinkan sebanyak 256 intensitas. Untuk mengubah citra berwarna yang mempunyai
nilai matrik masing-masing R, G dan B menjadi citra Grayscale dengan nilai X, maka
konversi dapat dilakukan dengan mengambil rata-rata dari nilai R, G dan B sehingga dapat
dituliskan menjadi:
(2.3.)
X = (R+G+B)/3
Warna = RGB(X,
X, X)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
Gambar 2.6. visualisasi 256 aras keabuan
2.8. Citra Biner[9]
Citra biner (binary image) adalah citra digital yang hanya memiliki 2
kemungkinan warna, yaitu hitam dan putih. Citra biner disebut juga dengan citra W&B
(White&Black) atau citra monokrom. Hanya dibutuhkan 1 bit untuk mewakili nilai setiap
piksel dari citra biner.
Pembentukan citra biner memerlukan nilai batas keabuan yang akan digunakan
sebagai nilai patokan. Piksel dengan derajat keabuan lebih besar dari nilai batas akan diberi
nilai 1 dan sebaliknya piksel dengan derajat keabuan lebih kecil dari nilai batas akan diberi
nilai 0.
Citra biner sering sekali muncul sebagai hasil dari proses pengolahan, seperti
segmentasi, pengambangan, morfologi ataupun dithering. Fungsi dari binerisasi sendiri
adalah untuk mempermudah proses pengenalan pola, karena pola akan lebih mudah
terdeteksi pada citra yang mengandung lebih sedikit warna.
Persamaan untuk binerisasi dapat dilihat pada rumus di bawah ini :
(2.4.)
nilai a1 biasanya 0 dan nilai a2 = 1
2.9. MATLAB
Matlab (MATrix LABoratory) bahasa pemrograman yang dikembangkan The
Mathwork Inc. dengan fungsi dan karakteristik yang berbeda dengan bahasa pemrograman
lain seperti Delphi, Basic atau C++[30]. Bahasa pemrograman level tinggi untuk
kebutuhan komputasi teknis, visualisasi dan pemrograman seperti komputasi matematik,
analisis data, pengembangan algoritma, simulasi pemodelan dan grafik perhitungan.
Dalam lingkungan perguruan tinggi teknik, Matlab perangkat standar untuk
memperkenalkan dan mengembangkan penyajian materi matematika, rekayasa dan
keimuan. Di industri, MatLab perangkat pilihan untuk penelitian dengan produktifitas yang
tinggi, pengembangan dan analisanya.
Kegunaan MatLab secara umum adalah sebagai berikut:
a) Matematika dan komputasi,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
b) Perkembangan algoritma,
c) Pemodelan, simulasi, dan pembuatan prototype,
d) Analisa data, eksplorasi dan visualisasi
e) Pembuatan aplikasi, termasuk pembuatan antaramuka grafis.
2.9.1. Karakteristik MATLAB
Bahasa pemrogramannya didasarkan pada matriks (baris dan kolom). Matlab
lebih lambat (dibandingkan dengan Fortran atau C) karena bahasanya langsung diartikan
namun pengembangannya lebih cepat. Automatic memory management, pada Matlab tidak
harus mendeklarasikan arrays terlebih dahulu dan tersusun rapi. Dapat diubah ke bahasa C
lewat MATLAB Compiler. Tersedia banyak toolbox untuk aplikasi-aplikasi khusus.
Beberapa kelebihan Matlab jika dibandingkan dengan program lain adalah :
a) Mudah memanipulasi struktur dan perhitungan berbagai operasi matriks
meliputi penjumlahan, pengurangan, perkalian, invers dan fungsi matriks
lainnya.
b) Menyediakan fasilitas plot struktur gambar (kekuatan fasilitas grafik tiga
dimensi yang sangat memadai).
c) Script program yang dapat diubah sesuai dengan keinginan user.
d) Jumlah routine-routine powerful yang berlimpah yang terus berkembang.
e) Kemampuan interface (misal dengan bahasa C, word dan mathematica).
f) Dilengkapi toolbox, simulink, stateflow dan sebagainya, serta mulai
melimpahnya source code di internet yang dibuat dalam matlab (contoh
toolbox misalnya: signal processing, control system, neural networksdan
sebagainya).
MATLAB diciptakan akhir tahun 1970-an oleh Cleve Moler. MATLAB pertama
kali diadopsi oleh insinyur rancangan kontrol, menyebar secara cepat ke bidang lain dan
digunakan di bidang pendidikan, khususnya dalam pengajaran aljabar linear dan analisis
numerik, serta populer di kalangan ilmuwan yang menekuni bidang pengolahan citra.
2.10. Sistem Fuzzy [1]
Sistem fuzzy adalah sistem yang bekerja dengan besaran/nilai fuzzy dan
menggunakan logika fuzzy. Sebuah sistem fuzzy akan memiliki bagian-bagian yakni
fuzifikasi, mesin inferensi, basis aturan dan defuzzifikasi. Bagian defuzzifikasi diperlukan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
untuk mengubah nilai inut ke sistem fuzzy yang umumnya berupa suatu angka /nilai tegas
diubah ke besaran fuzzy.
Basis aturan berisi aturan-aturan logika fuzzy yang digunakan oleh mesin inferensi
msebagai acuan dalam mengambil kesimpulan atau memutuskan suatu output terhadap
input yang masuk ke sistem fuzzy. Karena output dari mesin inferensi masih berupa nilai
fuzzy, maka bagian defusifikasi diperlukan untuk mengubah nilai fuzzy tersebut ke nilai
tegas yang siap dikirimkan ke sistem/plant lain.
2.10.1. Fuzifikasi [1]
Fuzifikasi merupakan proses mengubah nilai variable numeric ke nilai variable
linguistic. Dengan kata lain, fuzifikasi merupakan pemetaan dari ruang input ke himpunan
fuzzy yang didefinisikan pada semesta pembicara. Sebagai contoh suatu nilai RGB suatu
citra dengan rentan 0-255 dapat dinyatakan menjadi tiga variable linguistik yaitu besar,
sedang dan kecil.
Gambar 2.7.Grafik fuzifikasi nilai RGB
Pada sistem fuzzy setiap nilai linguistic dari suatu variable dinyatakan dengan
sebuah himpunan fuzzy. Beberapa bentuk himpunan fuzzy yang sering digunakan pada
sistem fuzzy diantaranya:
-Triangular
(2.4.)
-Trapesoidal
𝜇𝑓 =
0, 𝑓𝑜𝑟 𝑥 < 𝑎𝑥 − 𝑎
𝑏 − 𝑎, 𝑓𝑜𝑟 𝑎 ≤ 𝑥 < 𝑏
𝑐 − 𝑥
𝑐 − 𝑏, 𝑓𝑜𝑟 𝑏 ≤ 𝑥 ≤ 𝑐
0, 𝑓𝑜𝑟 𝑥 > 𝑐
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
(2.5.)
-Gausian
(2.6.)
2.10.2. Mekanisme Inferensi Fuzzy [1]
Aturan fuzzy dinyatakan dengan kumpulan aturan IF-THEN yang antesenden dan
konsuennya berupa variable linguistic. Kumpulan aturan kendali fuzzy tersebut merupakan
relasi input output dari sebuah sistem. Bentuk umum dari aturan kendali fuzzy pada sistem
multi-input-single-output (MISO) adalah:
(2.7.)
Terdapat empat tipe operator komposisi yang bisa digunakan pada aturan
komposisi inferensi yaitu:
o Max-min
o Max-Product
o Max-bounded product
o Max drastic product
Pada sistem fuzzy, operator komposisi max-min dan max product paling banyak
digunakan dan paling umum karena perhitungannya sederhana dan efisien.
Ilustrasi grafis dari operator max-min pada proses inferensi ditunjukkan oelh
gambar berikut dengan aturan yang disertakan.
𝜇𝑓 =
0, 𝑓𝑜𝑟 𝑥 < 𝑎𝑥 − 𝑎
𝑏 − 𝑎, 𝑓𝑜𝑟 𝑎 ≤ 𝑥 < 𝑏
1, 𝑓𝑜𝑟 𝑏 ≤ 𝑥 < 𝑐𝑑 − 𝑥
𝑑 − 𝑏, 𝑓𝑜𝑟 𝑐 ≤ 𝑥 ≤ 𝑑
0, 𝑓𝑜𝑟 𝑥 > 𝑑
𝜇𝑓 = 𝑒−(𝑥−𝑐𝐹)2/𝑤
Ri: IF x is Ai,.., AND y is Bi, THEN z is
Ci
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
Gambar 2.8. Ilustrasi sistem fuzzy dengan operator Max-Min
Dari gambar (2.8.) terlihat bahwa input RGB berada pada perpotongan grafik.
Daerah perpotongan grafik tersebut menciptakan penalaran kabur. Rule base dari gambar
(2.8.) menunjukkan bahwa rule yang berlaku adalah IF (RGB is kecil) AND (UKURAN is
sedang) THEN (OUTPUT is Sample 1).
Pada input RGB posisi nilai berada pada daerah fuzzy maka nilai Max dari kedua
grafik yang bersinggungan adalah input rule 1 sesuai juga dengan variable linguistic pada
rule base kecil. Pada input yang kedua juga demikian hasil dari kedua perbandingan max
tersebut di bandingkan nilai kekaburannya untuk menetukan mana yang paling kecil dan
nantinya akan di masukkan menjadi nilai kabur output yang selanjutnya akan di
defuzifikasi menjadi nilai tegas.
2.10.3. Defuzifikasi [1]
Defuzifikasi adalah proses mengubah himpunan samar menjadi himpunan tegas
yang nantinya akan menjadi kesimpulan dari sistem fuzzy. Defuzifier diperlukan jika
sistem yang digunakan adalah sistem mamdani.
Beberapa metode defuzzifier adalah sebagai berikut:
1. Metode COA yang lebih sering digunakan, menentukan pusat gravitasi (titik
berat) distribusi peluang aksi kendali. Pada kasus semesta pembicaraan diskrit,
metode COA dirumuskan sebagai berikut:
𝑧𝐶𝑂𝐴 = 𝜇𝑐(𝑧𝑗 )𝑧𝑗
𝑛𝑗 =1
𝜇𝑐(𝑧𝑗 )𝑛𝑗=1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
(2.8.)
Dengan n merupakan banyaknya level kuntifiksi (nilai linguistic) variabel
keluaran. zj merupakan nilai numerikaksi kendali pada level kuantisasi ke –j
dan µc(zj) merupakan nilai derajat keanggotaan zj pada himpunan fuzzy C.
2. Metode MOM menentukan aksi kendali yang mewakili nilai rataan (mean) dari
aksi kendali local yang fungsi keanggotaanya mencapai maksimum. Pada kasus
semesta pembicaraan diskrit, aksi kendali dapat dinyatakan sebagai berikut:
(2.9.)
Yang mana zj merupakan nilai support dimana fungsi keanggotaan mencapai nilai
maksimum µc(zj) dan m adalah banyaknya nilai support tersebut.
2.10.3. FIS tipe Sugeno [1]
Tipe alternative yang sering dipakai adalah tipe Takagi-Sugeno-Kang atau cukup
disebut juga dengan tipe Sugeno saja. Dalam banyak hal, FIS tipe sugeno mirip dengan
tipe mamdani. Perbedaan terletak pada jenis fungsi keanggotaan yang dipaki dalam bagian
consequent. FIS tipe Sugeno menggunakan fungsi keanggotaan output yang bersifat linier
atau konstan. IF-THEN rule dalam FIS tipe Sugeno berbentuk sebagai berikut:
IF input1= v AND input2 = w THEN output is z =av +bw+c (2.10.)
Keluaran rule bukan dalam bentuk fungsi keanggotaan, tetapi sebuah bilangan
yang mana berubah secar linier terhadap variable-variabel input, yaitu mengikuti suatu
persamaan garis yaitu z=av+c. Jika a=b=0, FIS dikatakan orde nol, Karena keluarannya
berupa sebuah bilangan konstan, yaitu z=c.
Proses defuzifikasi dalam FIS tipe sugeno jauh lebih efisien daripada tipe
Mamdani. Hal ini karena FIS tipe Sugeno menghitung nilai keluaran dengan cara sebagai
berikut:
(2.11.)
𝑧𝑀𝑂𝑀 = 𝑧𝑗
𝑚
𝑚
𝑗 =1
𝑂𝑢𝑡𝑝𝑢𝑡 = 𝑤 𝑖𝑧𝑖
𝑁𝑖=1
𝑤 𝑖𝑁𝑖=1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
Dimana:
WI = Proses hasil operasi fuzzy logic antecedent.
Zi=keluaran rule ke-i
Keluaran akhir, Output, tidak lain adalah sebuah weighted average. Secara singkat
hasil keluaran adalah rata-rata dari inferensi rule-rule fuzzy.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
BAB III
PERANCANGAN
3.1. Perancangan Sistem
Blok sistem secara keseluruhan dapat dilihat pada gambar 3.1 sebagai berikut
Unit perekam Unit pengenalan dan penampil
Gambar 3.1 Blok sistem
Proses pengenalan dimulai dari perekaman objek berupa sayap kupu-kupu.
Perekaman menggunakan webcam. Hasil dari perekaman akan ditampilkan ke laptop
dengan tampilan berupa GUI. Didalam GUI inilah hasil perekaman di tampilkan. Setelah
objek didapatkan hasilnya maka laptop akan memproses data masukan yang berupa
matriks RGB.
Hasil tersebut diproses di GUI yang merupakan pusat dari segala proses
pengenalan setelah gambar tersebut dicuplik dan diproses RGB-nya. Perekaman objek
menggunakan webcam
3.1.1. Kupu-kupu
Jenis-jenis kupu-kupu yang digunakan adalah jenis kupu-kupu yang memiliki
pola, warna dan corak yang mencolok baik dari segi ukuran maupun bentuknya. Sehingga
pengenalannya menjadi mudah karena mencolok.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
(1) (2) (3) (4)
(5) (6) (8) (9)
(10) (11)
Gambar 3.2.gambar kupu-kupu (1)Papillio uleysses, (2)Idea blancardi, (3) Papilio dutran,
(4) Atrophneura nonik, (5) Taenaris selena, (6) Hebomoeia glaucippe, (8) Hebomiae
duostra, (9) Papilio cambrisuis, (10) Papilio dephobus, (11) Pachlioptera aristolochiae,
3.1.2 . Webcam
Webcam yang digunakan adalah webcam dengan merk Logitech dngan seri c270h.
Seri ini dipilih karena memiliki kemampuan untuk berkomunikasi dengan matlab. Webcam
ini juga memiliki dudukan dan memiliki software bawaan pendukung. Sehingga webcam
ini memudahkan dalam pengenalan objek. Berikut adalah spesifikasi webcam tersebut:
HD video calling (1280 x 720 pixels) with recommended system
Video capture: Up to 1280 x 720 pixels
Photos: Up to 3.0 megapixels (software enhanced)
Built-in mic with Logitech RightSound™ technology
Hi-Speed USB 2.0 certified (recommended)
Universal clip fits laptops, LCD or CRT monitors
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
Gambar 3.3 Logitech c270
3.2. Proses pengenalan sayap kupu-kupu
Proses pengenalan potongan citra alat musik tradisional adalah proses di mana
potongan citra yang di capture akan dikenali bentuknya. Proses ini terdiri pengambilan
citra, preprocessing, pengenalan dan keluaran yanag berupa teks. Proses kerja sistem dapat
dilihat pada gambar 3.4.
Pengambilan citra PreprocessingPengklasifikasi
samarPenentuan keluaran
Database fuzzy
Gambar 3.4. Digram blok proses pengenalan
3.2.1. Pengambilan citra
Citra yang berbentuk potongan gambar diambil dengan menggunakan webcam
yang sudah terhubung dengan komputer. Webcam terlebih dahulu sudah dikenali oleh
laptop/komputer. Webcam yang berada tegak lurus dengan potongan citra dan harus
mencari jarak terbaik atau fokus. Untuk mendapatkan gambar yang fokus diperlukan juga
adanya tambahan lampu agar intensitas cahaya tidak mengganggu untuk pengambilan
gambar. Resolusi 320 x 240 yang digunakan pada webcam ini akan membantu untuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
mendapatkan tampilan gambar yang lebih baik. Perintah untuk mengambil gambar dengan
menggunakan webcam adalah sebagai berikut :
imaqreset;
vid=videoinput('winvideo',1,'RGB24_320x240');
vid.FramesPerTrigger = 1;
vid.ReturnedColorspace = 'rgb';
triggerconfig(vid, 'manual');
vidRes = get(vid, 'VideoResolution');
imWidth = vidRes(1);
imHeight = vidRes(2);
nBands = get(vid, 'NumberOfBands');
hImage = image(zeros(imHeight, imWidth, nBands), 'parent',
handles.gambar_asli)
preview(vid, hImage);
start(vid);
pause(3);
trigger(vid);
stoppreview(vid);
capt1 = getdata(vid);
3.2.2. Preprocessing
Preprocessing merupakan tahap untuk mempersiapkan citra sebelum ke tahap
ekstraksi ciri sehingga dapat diproses ke tahap selanjutnya. Preprocessing sendiri terdiri
dari matrik RGB, grayscale, cropping, resizing, dan clear background.
1. Matrik RGB
Gambar 3.5. Matrik RGB
Matrik rgb berfungsi untuk mengambil nilai RGB dari suatu citra dalam
RGB sehingga komposisi warnanya dapat diidentifikasi nanti pada sistem
pengenalan. Gambar 3.6. adalah listing programnya
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
test=imread('kupu.jpeg');
a0=test(:,:,1);
b0=test(:,:,2);
c0=test(:,:,3);
imshow(a0);
imshow(b0);
imshow(c0);
Gambar 3.6. Program Matrik RGB
2. Citra grayscale
Grayscale dilakukan agar citra alat kupu-kupu yang telah diambil
menggunakan webcam menjadi keabuan. Hal ini dilakukan agar dapat
mempermudah pengolahan citra dalam proses pengenalan. Gambar 3.7. berikut
ini adalah contoh listing programnya
img10=imread('kupu.jpeg');
img1=double(rgb2gray(img10));
k=img1/255;
l=1-k;
imshow(l);
Gambar 3.7. Program citra grayscale
3. Cropping
Cropping adalah suatu proses untuk memotong citra pada bagian tertentu
atau yang tidak diperlukan sehingga didapatkan hasil yang diinginkan untuk
mempermudah data yang akan diolah. Pada percobaan ini, cropping
menggunakan bounding box dan bounding box ini akan melakukan automatic
cropping.Gambar 3.8. adalah diagram alir dari bounding box
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
Gambar 3.8. Diagram alir bounding box
Citra asli
Citra grayscale
Citra yang sudah dicrop
Gambar 3.9. Hasil auto cropping
4. Resizing
Resizing dilakukan untuk mengubah citra yang sudah di crop menggunakan
bounding box untuk mendapatkan ukuran yang seragam. Karena menggunakan
variasi jarak kamera yang bervariasi sehingga ukurannya harus diseragamkan
yaitu 128x128 pixel.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
122x133
128x128
Gambar 3.10. Proses resizing
Program yang digunakan adalah sebagai berikut:
I3=imresize(I2,[128 128]);
imshow(I3); axis('on')
5. Clear background
Setiap citra yang sudah di crop perlu dilakukan penghilangan background
agar nilai background tersebut tidak mengganggu penjumlahan dari matrik
yang digunakan untuk masuk ke sistem pengenalan. Sehingga nilai dari matrik
tersebut murni adalah bentuk dari objek tersebut tanpa ada pengaruh dari
background.
Gambar 3.11. adalah diagram alir dari program ini. Nilai konstanta 0.65
adalah merupakan nilai intesitas gelap terang yang paling sesuai dengan warna
yang agak terang (putih) karena pada penelitian ini warna background adalah
putih. Penulis memilih angka tersebut berdasarkan uji coba visual yang di
lakukan dan disajikan dalam lampiran halaman L10.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
Gambar 3.11. Diagram alir Clear background
Start
Input matrik hasil graysacale
Potong kiri potong 8 pixel
Putar 90 derajat searah jarum jam Potong kiri potong 8 pixel
Putar 90 derajat searah jarum jam Potong kiri potong 8 pixel
Putar 90 derajat searah jarum jam Potong kiri potong 8 pixel
Putar 90 derajat searah jarum jam Potong kiri potong 8 pixel(posisi awal)
Matrik citra <0.65
Matrik citra =0Y
Citra tanpa background
No
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
Pemilihan nilai konstanta 8 pixel pada pemotongan frame sudah dilakukan
perbandingan secara visual juga yang dibuktikan pada lampiran hal L11.
Nilai tersebut merupakan yang paling ideal dalam pemotongan frame
Dan hasilnya (gambar 3.12) adalah sebagai berikut:
Citra yang sudah di crop
Citra yang sudah dihilangkan
background-nya dan Frame-nya
Gambar 3.12. Hasil Clear background
3.2.3. Pengklasifikasi Samar
Nilai RGB
Penentuan kelas R, G, B
Pengurangan dengan konstanta berdasarkan kelas
Fuzifikasi
Rule base
Inferensi
Penentuan keputusan
Gambar 3.13. Diagram klasifikasi Fuzzy
Proses dimulai dengan memasukkan nilai RGB yang dari hasil Preprocessing lalu
nilai tersebut akan masuk ke kelompok klasifikasi yang ditentukan dari rentang nilai
tertentu tergantung dari database yang menjadi syarat utama dari masing masing kelas.
Proses dapat lihat pada gambar 3.13 yang merupakan diagram klasifikasinya
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
Pengurangan nilai dilakukan untuk meningkatkan pembeda dari nilai tersebut
karena nilainya dari masing-masing objek dalam satu kelas mirip sehingga harus
dikurangkan dengan konstanta berdasarkan nilai yang paling dominan dari kelas tersebut.
Berikut adalah data sementara yang diambil secara acak :
Table 3.1. Tabel data Nilai R sementara
Data
Objek
1 9 10 4 2 8 3 5 11
1 333.56 302.53 304.29 208.54 187.47 125.56 118.30 151.22 150.75
2 341.86 318.41 310.17 218.38 199.01 127.30 119.91 165.55 154.33
3 345.37 325.89 310.29 218.58 202.72 132.75 121.79 166.75 156.76
4 348.83 328.83 315.34 223.64 213.86 132.79 126.96 170.40 159.86
5 356.37 330.17 315.79 225.37 220.64 134.68 133.17 176.16 164.82
Dilihat dari tabel 3.1 setiap data yang masuk sudah melalui pengelompokan dan
nilainya menyerupai satu sama lain. Sehingga perlu dilakukan pegurangan nilai dengan
nilai tertentu sesuai dengan angka yang dominan.
Pada proses Fuzzyfikasi nilai numerik akan diubah menjadi variabel linguistik
yang memiliki nilai linguistik. Nilai linguistik ini nantinya akan digunakan pada proses
inferensi. Untuk memperoleh derajat keanggotaan dari nilai linguistik pada masing-masing
input sistem menggunakan aturan input sistem yang telah ditentukan. Untuk memperoleh
derajat keanggotaan dari nilai linguistik pada masing-masing input sistem menggunakan
fungsi keanggotaan sebagai berikut :
Gambar 3.14. Grafik fuzifikasi nilai R
Nilai fuzifikasi berdasarkan nilai yang sudah melalui pengurangan konstanta
(lampiran hal L7) berdasarkan kelas untuk lebih lengkap dapat dilihat pada lampiran.
Untuk grafik G dan B (lampiran hal L8) dapat juga dilihat sekaligus dengan nilai-nilai
pembentuk grafik.
-60 -40 -20 0 20 40 60 80 100
0
0.2
0.4
0.6
0.8
1
R
Degre
e o
f m
em
bers
hip
1910 42 83 511 6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
Rule base (tabel 3.2) rule yang telah disesuaikan dengan kemungkinan nilai yang
muncul dari tiap-tiap himpunan fuzzy.
Inferensi sistem menggunakan metode Sugeno sehingga proses defuzzy langsung
dilakukan setelah nilai dari proses inferensi diproses ke kesimpulan hasil base. Output
berupa indeks dari objek kupu-kupu berupa angka 1,2,3,4,5,6,8,9,10,11. Karena
menggunakan fis sugeno maka defuzzy-nya dilakukan pada masing-masing rule. Hasil dari
defuzzy tiap-tiap rule di rata-rata kemudian ditentukan hasilnya melalui penentuan
keputusan.
Tabel 3.2. Rule base pengenalan objek 1
Rule if kelas r
And Nilai r
Then x is
1 1 1 1
2 1 9 9
3 1 10 10
4 3 3 3
5 5 6 6
6 2 4 4
7 3 8 2
Dimana x merupakan nomor anggota dari objek yang dikenali yang berupa angka
1,2,3,4,5,6,8,9,10,11.
3.2.4. Pengambilan database fuzzy
Database merupakan acuan (lampiran hal L7) untuk menentukan pengenalan.
Pada database fuzzy berupa nilai pembentuk fungsi dari masing-masing variable liguistik.
Pengambilan database dilakukan secara acak dengan menentukan nilai-nilai yang sesuai
dengan fungsi variable linguistic yang akan dibentuk.
Pada pembentuk fungsi variable linguistic (lampiran hal L7-L8) terdapat nilai
maximum, nilai tengah dan nilai minimum. Maka pada pengambilan data base dilakukan
uji coba secara acak pada masing-masing objek sampai nilai-nilai tersebut sampai sudah
tidak ada lagi perubahan nilai.
3.2.5. Penentuan keluaran
Hasil dari defuzzy merupakan suatu bentuk operasi aljabar yang berisi variable-
variable. Tiap variable memiliki konstanta yang berasal dari nilai keanggotaan dari fis
sugeno dengan masing-masing komponen nilai-nilai RGB. Penentuan dilakukan 2 langkah
yaitu: Mencari nilai konstanta maksimum dari masing-masing variable objek, menentukan
hasil pengenalan dengan mengidentifikasi variable objek mana yang memiliki komponen
dengan konstanta terbesar yang paling banyak.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
3.3. Perancangan GUI
Berikut adalah GUI yang akan digunakan untuk pengenalan dari kupu-kupu
tersebut:
Gambar 3.15 Tampilan GUI
Berikut adalah penjelasan dari masing masing komponen pada gui
Nama bagian Deskripsi
axis' gambar asli menampilkan gambar hasil capture
axis' red menampilkan citra Red hasil preprocessing
axis' green menampilkan citra Green hasil preprocessing
axis' blue menampilkan citra Bluehasil preprocessing
tombol on Menjalan menghidupkan webcam
tombol capture mencapture citra melalui webcam
tombol mode gb menekstrak Matrik RGB
tombol crop Melakukan automatik crop
tombol hitung Menghitung nilai RGB
tombol kenal Menjalankan pengenalan citra
tombol refresh Menyegarkan aplikasi
tombol clear menghapus axis dan menormalkan kembali masukan
edit text nilai rgb Menampilkan nilai RGB
edit text nilai fuzzy Menampilkan nilai fuzzy
edit text kesimpulan menampilkan hasil pengenalan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
BAB IV
HASIL DAN PEMBAHASAN
Pada hasil dan pembahasan, akan dibahas tentang rancangan software dan hasil
dari pengerjaan software serta sejauh mana program ini dapat berjalan dengan baik.
Pengambilan data yang dilakukan dengan menggunakan 10 objek kupu-kupu yang sudah
disediakan sebelumnya. Gambar 4.1 adalah hasil rancangan yang telah dijelaskan pada
BAB III.
Gambar 4.1. Hasil Rancangan
4.1. Pengujian dan tampilan program pengenalan objek kupu-kupu
secara Real time
Pengujian dan tampilan program menggunakan perangkat keras dan perangkat
lunak sebagai berikut:
1. Processor INTEL(R) Atom(TM) CPU N2600 @1.66GHZ
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
2. RAM 2.00 GB
3. Matlab7.10.1 (R2012a)
Program pengenalan dapat dilakukan dengan langkah-langkah sebagai berikut :
a. Klik dua kali pada icon matlab seperti pada gambar 4.2.
Gambar 4.2. Shortcut Matlab
b. Setelah klip icon matlab, maka akan muncul tampilan awal matlab seperti pada
gambar 4.3. Pada tampilan tersebut terdapat berbagai macam tools untuk
merancang GUI maupun untuk membuat program.
Gambar 4.3. Tampilan awal Matlab
c. Kemudian ganti Current Directory sesuai dengan directory dimana program yang
akan dipakai disimpan, setelah itu ketik guide Gui pada Command Window maka
akan muncul tampilan jendela utama program pengenalan seperti pada gambar
4.4, klik run untuk menjalankan program.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
Gambar 4.4. Tampilan Gui sebelum diaktifkan
d. Setelah klik run, maka akan menampilkan tampilan utama program seperti pada
Gambar 4.5.
Gambar 4.5. Gui yang sudah di RUN
e. Selanjutnya, memilih dan menekan tombol yang sudah tersedia beserta urutannya
seperti gambar 4.6.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
Gambar 4.6. Tampilan GUI aktif
Berikut merupakan fungsi dan penjelasan tentang tombol tersebut :
1. Tombol on
Gambar 4.7. Tampilan saat tombol on ditekan
Tombol On berfungsi untuk mengaktifkan webcam dan gambar yang akan
dicapture akan tampil pada axes“gambar_asli”. Program untuk menjalankan
tombol tersebut dapat dilihat pada Gambar 4.8. Hasil dari proses tersebut dapat
dilihat pada gambar 4.7.
vid=videoinput('winvideo',1,'RGB24_320x240');
vid.FramesPerTrigger = 1;
vid.ReturnedColorspace = 'rgb';
Gambar 4.8. Program tombol on
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
2. Tombol Capture
Gambar 4.8. Tampilan Setelah Capture
Tombol Capture berfungsi untuk mengambil/mencuplik gambar dari video
yang akan digunakan untuk proses selanjutnya dan hasil dari yang telah
dicuplik akan ditampilkan pada axes „gambar_asli‟ . Gambar 4.8 merupakan
tampilan setelah tombol capture ditekan
Format gambar yang sudah dicuplik yaitu RGB. Untuk menjalankan tombol
tersebut, menggunakan program sebagai berikut
imaqreset; vid=videoinput('winvideo',1,'RGB24_320x240'); vid.FramesPerTrigger = 1; vid.ReturnedColorspace = 'rgb'; triggerconfig(vid, 'manual'); vidRes = get(vid, 'VideoResolution'); imWidth = vidRes(1); imHeight = vidRes(2); nBands = get(vid, 'NumberOfBands'); hImage = image(zeros(imHeight, imWidth, nBands), 'parent',
handles.gambar_asli) preview(vid, hImage); start(vid); pause(3); trigger(vid); stoppreview(vid); capt1 = getdata(vid); a=[get(handles.nama,'string')] axes(handles.gambar_asli); imshow(capt1);
imwrite (capt1,a, 'jpeg')
3. Tombol Mode RGB
Tombol mode rgb berfungsi untuk mengekstrak citra menjadi tiga citra
dengan komposisi citra R, citra G, citra B. Masing-masing citra tersebut
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
disimpan pada axes’red’,’green’,’blue’. Tampilan setelah tombol RGB ditekan
dapat di lihat pada Gambar 4.9
Gambar 4.9. Tampilan Mode RGB
Berikut adalah program untuk merubah citra tersebut:
a=[get(handles.nama,'string')] test=imread(a); a0=test(:,:,1); b0=test(:,:,2); c0=test(:,:,3); %menampilkan mode rgb axes(handles.red) imshow(a0); axes(handles.green) imshow(b0); axes(handles.blue)
imshow(c0);
4. Tombol Crop
Tombol crop berfungsi untuk cropping, memotong frame, clear
background dan mencari nilai.Cropping menggunakan fungsi bounding
box yang dijelaskan pada bab III. Memotong frame juga dilakukan setelah
auto cropping dilakukan untuk memfokuskan citra sehingga nilai rgbnya
hanya citranya saja. Clear backgraound digunakan untuk menghilangkan
background masing-masing komponen warna. Gambar 4.10. merupakan
proses keseluruhan untuk mencari nilai RGB.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
Gambar 4.10. Tampilan setelah di crop
Ketiga proses tersebut di buat dalam bentuk fungsi „nilai_r‟,‟nilai_g‟ dan
‟nilai_b‟. Isi dari fungsi tersebut dapat dilihat sebagai berikut
A=[get(handles.nama,'string')]; img0=imread(a); hasil_r = nilai_r(img0);
hasil_g = nilai_g(img0); hasil_b = nilai_b (img0); axes(handles.red); imshow(hasil_r) axes(handles.green); imshow(hasil_g) axes(handles.blue);
imshow(hasil_b)
Berikut ini adalah isi dari salah satu fungsi dari cropping salah satu
komponen citra pada listing berikut
Function img5=nilai_r(img1) img10=img1(:,:,1); img1=double(img10);
img8=img1/255;
img3=1-img8; img4=bboxg(img3);
img5=auto_clean(img4);
Berikut ini adalah fungsi dari bounding box yang pembahasannya sudah
dijelaskan pada bab III.
Function img6=bboxg(img1) % Pemotongan sesuai bounding box, % untuk citra grayscale dengan range data 0-1 % Potong kiri img2=cutleft(img1); % Putar 90 cw dan potong kiri img3=fliplr(img2'); img3=cutleft(img3);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
% Putar 90 cw dan potong kiri img4=fliplr(img3'); img4=cutleft(img4); % Putar 90 cw dan potong kiri img5=fliplr(img4'); img5=cutleft(img5); % Putar 90 cw img6=fliplr(img5'); % ========================================================= % FUNGSI INTERNAL % ========================================================= function img2=cutleft(img0) % Subrutin untuk memotong kolom kiri yang kosong % Berlaku untuk citra grayscale % Konversi ke biner thr=0.7; img1=ceil(img0-thr); img2=img0; % Potong kiri JKolom=sum(img1); KolomTakNol=find(JKolom > 10); if sum(KolomTakNol)>=1 img2(:,1:KolomTakNol(1)-1)=[]; end
Berikut ini adalah fungsi dari clear background yang pembahasannya sudah
dijelaskan pada bab III.
function img8=auto_clean(img0) z=128;%resize ke 128 x 128 img8_1=imresize(img0,[z z]); img8=imresize(img8_1,1); potong=[1 2 3 4 5 6 7 8]; %memotong frame for a=1:4; img8=fliplr(img8'); img8 (:, potong) = []; end %menghilangkan background [a b]=size(img8); for i=1:(a*b); if (img8(i)<0.65); img8(i)=0; end end
imshow(img8);
5. Tombol Hitung
Berfungsi untuk menampilkan jumlah nilai RGB yang sudah melalui
proses Preprocessing. Nilai nilai tersebut nanti akan menjadi inputan pada
proses klasifikasi fuzzy.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
Gambar 4.11. Tampilan setelah tombol hitung ditekan
Berikut merupakan listing program tombol hitung. Pada listing matrik
dijumlah dengan perintah „sum‟ nilai seluruh jumlah itulah yang digunakan
untuk pengenalan (Gambar 4.11).
a_r= handles.red; a_g=handles.green; a_b=handles.blue;
%menjumlah matrik b_r=sum(sum(a_r)); b_b=sum(sum(a_b)); b_g=sum(sum(a_g)); merah=b_r; hijau=b_g; biru=b_b; %menampilkan nilai set(handles.nilai_r,'string',merah) set(handles.nilai_g,'string',hijau)
set(handles.nilai_b,'string',biru)
6. Tombol Kenal
Pada tombol kenal terdapat fungsi untuk menentukan kelas,
fusifikasi dan inferensi dan menentukan keputusan. Proses program ini
adalah menentukan kelas, lalu dari kelas tersebut diarahkan menuju
pengurangan konstanta sesuai dengan kelas yang dimasuki. Setelah nilai
sudah dikurangkan maka masuk ke proses fusifikasi dengan fungsi
keanggotaan yang sudah ditentukan berdasarkan pengambilan data base
sebelumnya.
Proses ini berada pada fungsi „kenali_fuzzy‟ untuk lebih lengkapnya
dapat dilihat pada lampiran. Di dalam fungsi tersebut terdapat listing
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
program yang memproses nilai RGB menuju inferensi. Pada label
kesimpulan (Gambar 4.12) terdapat hasil dari sistem inferensi yang
dilakukan. Penentuan keputusan dilakukan berdasarkan kesesuaian dengan
rule base yang telah ditentukan sebelumnya. Beikut ini adalah listing
programnya.
Gambar 4.12. Tampilan setelah tombol kenal ditekan a1=[get(handles.nama,'string')] img0=imread(a1); hasil_r = nilai_r(img0); hasil_g = nilai_g(img0); hasil_b = nilai_b (img0); a_r=hasil_r; b_r=sum(sum(a_r)); a_g=hasil_g;
b_g=sum(sum(a_g)); a_b=hasil_b; b_b=sum(sum(a_b)); nilai_r1 = b_r/10; nilai_g1 = b_g/10; nilai_b1 = b_b/10; red=nilai_r1; green=nilai_g1; blue=nilai_b1 ; fu1=kenali_fuzzi(red); fu2=kenali_fuzzi_g(green); fu3=kenali_fuzzi_b(blue);
set(handles.kenal_r,'string',fu1(1)) set(handles.kenal_g,'string',fu2(1)) set(handles.kenal_b,'string',fu3(1)) set(handles.kenal_r1,'string',fu1(2)) set(handles.kenal_g1,'string',fu2(2)) set(handles.kenal_b1,'string',fu3(2))
for jika=1:11 if (fu2(2)==jika && fu3(2)==jika)... ||(fu1(2)==jika && fu2(2)==jika)...
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
set(handles.edit16,'string',a)
7. Tombol Refresh
Tombol refresh untuk mengulang kembali dari awal aplikasi pengenalan
dengan nilai masukan yang masih kosong atau menyegarkan kembali
aplikasi pengenalan. Berikut adalah listing programnya.
Clear all; clc; delete(figure(pengenalan_kupu));
figure(pengenalan_kupu);
8. Kotak simpan
Berfungsi untuk memberi nama gmbar yng telah dicapture.
9. Tombol Clear
Tombol clear befungsi untuk menghapus gambar pada masing masing axis
dan mereset semua nilai-nilai sehingga pada pemakaian selanjutnya tidak
terganggu nilai sebelumnya
Gambar 4.13.Tampilan setelah tombol clear di tekan
. Gambar 4.13 adalah tampilannya dan berikut adalah listing programnya.
Clc; a=[1 1 1; 1 1 1; 1 1 1]; b=[1 1 1; 1 1 1; 1 1 1]; c=[1 1 1; 1 1 1; 1 1 1]; axes (handles.red); imshow(a); axes (handles.green); imshow(b); axes (handles.blue); imshow(c); axes (handles.gambar_asli); imshow(c);
set(handles.nilai_r,'string','r')
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
set(handles.nilai_g,'string','g') set(handles.nilai_b,'string','b') set(handles.kenal_r,'string','-') set(handles.kenal_g,'string','-')
set(handles.kenal_b,'string','-')
4.2. Pengujian Secara Real time
Pengujian secara real time dengan melakukan percobaan dengan variasi
ketinggian kamera 45-70 cm dengan interval 5 cm dengan sudut putar terhadap 10 objek
kupu-kupu dilakukan 5 kali percobaan untuk masing-masing objek kupu-kupu. Hal ini
dilakukan untuk mencari nilai parameter dengan tingkat pengenalan terbaik yaitu sejauh
mana sistem dapat mengenali gambar 100% secara benar dengan jarak dan sudut yang
bervariasi. Setiap perlakuan dilakukan secara acak tidak menurut urutan nomor objek
sehingga sistem dapat diketahui dapat mengenali dengan kondisi tertentu yang sudah
ditetapkan atau tidak.
4.2.1. Pengujian Pengaturan Pengenalan Objek Kupu-Kupu Secara Real time
Hasil pengujian yang telah dilakukan penulis sajikan dalam bentuk tabel
pengujian pada lampiran halaman L1. Penyajiannya dengan memberikan nilai 5 apabila
dapat dikenali seluruhnya 5 kali percobaan dan hanya percobaan yang benar saja yang
dihitung apabila tidak dikenali..Dari hasil pengujian tersebut dijumlah hasil-hasilnya dan di
sajikan dalam bentuk tingkat pengenalan sebagai berikut:
Tabel 4.1. Data hasil pengujian pertama
Pengujian 1
sudut
Tingkat Pengenalan(%)
Tinggi
kamera
45 cm
Tinggi
kamera
50 cm
Tinggi
kamera
55 cm
Tinggi
kamera
60 cm
Tinggi
kamera
65 cm
Tinggi
kamera
70 cm
-20˚ 84% 82% 100% 100% 100% 84%
-15˚ 88% 88% 100% 100% 100% 86%
-10˚ 86% 84% 100% 100% 100% 100%
-5˚ 100% 100% 100% 100% 100% 100%
0˚ 100% 100% 100% 100% 100% 100%
5˚ 100% 100% 100% 100% 100% 100%
10˚ 84% 84% 100% 100% 100% 100%
15˚ 88% 88% 100% 100% 100% 90%
20˚ 88% 88% 100% 100% 100% 90%
Dari tabel 4.1 hasil pengenalan untuk objek kupu-kupu secara real time didapat
bahwa pada ketinggian kamera (55-65) cm pengenalan merupakan yang terbaik karena
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
dapat mengenali benda dengan beberapa sudut posisi objek kupu-kupu. Tetapi pada sudut
00 sampai ± 5
0 dapat dikenali oleh semua ketinggian kamera.
Tabel 4.2. Data hasil pengujian Kedua
Pengujian 2
sudut
Tingkat Pengenalan(%)
Tinggi
kamera
45 cm
Tinggi
kamera
50 cm
Tinggi
kamera
55 cm
Tinggi
kamera
60 cm
Tinggi
kamera
65 cm
Tinggi
kamera
70 cm
-20˚ 78% 74% 100% 100% 100% 78%
-15˚ 84% 86% 100% 100% 100% 84%
-10˚ 80% 80% 100% 100% 100% 100%
-5˚ 100% 100% 100% 100% 100% 100%
0˚ 100% 100% 100% 100% 100% 100%
5˚ 100% 100% 100% 100% 100% 100%
10˚ 80% 80% 100% 100% 100% 100%
15˚ 84% 86% 100% 100% 100% 84%
20˚ 84% 82% 100% 100% 100% 84%
Dari tabel 4.2 hasil pengenalan untuk objek kupu-kupu secara real time didapat
bahwa pada ketinggian kamera (55-65) cm pengenalan merupakan yang terbaik karena
dapat mengenali benda dengan beberapa sudut posisi objek kupu-kupu. Tetapi pada 00
sampai ± 50 dapat dikenali oleh semua ketinggian kamera.
Tabel 4.3. Data hasil pengujian ketiga
Pengujian 3
sudut
Tingkat Pengenalan(%)
Tinggi
kamera
45 cm
Tinggi
kamera
50 cm
Tinggi
kamera
55 cm
Tinggi
kamera
60 cm
Tinggi
kamera
65 cm
Tinggi
kamera
70 cm
-20˚ 92% 92% 100% 100% 100% 92%
-15˚ 80% 76% 100% 100% 100% 80%
-10˚ 90% 92% 100% 100% 100% 100%
-5˚ 100% 100% 100% 100% 100% 100%
0˚ 100% 100% 100% 100% 100% 100%
5˚ 100% 100% 100% 100% 100% 100%
10˚ 84% 82% 100% 100% 100% 100%
15˚ 86% 84% 100% 100% 100% 80%
20˚ 80% 72% 100% 100% 100% 80%
Dari tabel 4.3 hasil pengenalan untuk objek kupu-kupu secara real time didapat
bahwa pada ketinggian kamera (55-65) cm pengenalan merupakan yang terbaik karena
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
dapat mengenali benda dengan beberapa sudut posisi objek kupu-kupu. Tetapi pada sudut
00 sampai ±5
0 dapat dikenali oleh semua ketinggian kamera.
Tabel 4.4. Data hasil pengujian keempat
Pengujian 4
sudut
Tingkat Pengenalan(%)
Tinggi
kamera
45 cm
Tinggi
kamera
50 cm
Tinggi
kamera
55 cm
Tinggi
kamera
60 cm
Tinggi
kamera
65 cm
Tinggi
kamera
70 cm
-20˚ 92% 88% 100% 100% 100% 92%
-15˚ 86% 84% 100% 100% 100% 80%
-10˚ 84% 82% 100% 100% 100% 100%
-5˚ 100% 100% 100% 100% 100% 100%
0˚ 100% 100% 100% 100% 100% 100%
5˚ 100% 100% 100% 100% 100% 100%
10˚ 90% 88% 100% 100% 100% 100%
15˚ 88% 88% 100% 100% 100% 86%
20˚ 86% 86% 100% 100% 100% 86%
Dari tabel 4.4 hasil pengenalan untuk objek kupu-kupu secara real time didapat
bahwa pada ketinggian kamera (55-65) cm pengenalan merupakan yang terbaik karena
dapat mengenali benda dengan beberapa sudut posisi objek kupu-kupu. Tetapi pada 00
sampai ± 50 dapat dikenali oleh semua ketinggian kamera.
Tabel 4.5. Data hasil pengujian kelima
Pengujian 5
sudut Tingkat Pengenalan(%)
45 cm 50 cm 55 cm
60
cm 65 cm 70 cm
-20˚ 90% 90% 100% 100% 100% 90%
-15˚ 96% 96% 100% 100% 100% 96%
-10˚ 88% 88% 100% 100% 100% 100%
-5˚ 100% 100% 100% 100% 100% 100%
0˚ 100% 100% 100% 100% 100% 100%
5˚ 100% 100% 100% 100% 100% 100%
10˚ 88% 88% 100% 100% 100% 100%
15˚ 94% 94% 100% 100% 100% 92%
20˚ 96% 92% 100% 100% 100% 96%
Dari tabel 4.5 hasil pengenalan untuk objek kupu-kupu secara real time didapat
bahwa pada ketinggian kamera (55 -65) cm pengenalan merupakan yang terbaik karena
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
dapat mengenali benda dengan beberapa sudut posisi objek kupu-kupu. Tetapi pada sudut -
00 sampai ±5
0 dapat dikenali oleh semua ketinggian kamera.
Berdasarkan dari kelima percobaan tersebut dapat diambil rata-ratanya yang
disajikan pada tabel 4.6. Hal tersebut dilakukan untuk mencari tingkat keberhasilan alat
yang telat dibuat.
Tabel 4.6 Tingkat pengenalan seluruh percobaan
Pengujian Rata-rata pengenalan
tiap percobaan
1 95,96%
2 94,59%
3 95,22%
4 96,04%
5 97,67%
Rata-rata pengenalan 95,90%
Berdasarkan Ttabel 4.6 maka dapat disimpulkan bahwa alat sudah dapat beerja
dengan baik ditunjukkan dengan tingkat pengenalan keseluruhan sebesar 95,90%.
4.2.1. Analisa Pengenalan Objek Kupu-Kupu Secara Real time
Setelah penulis melakukan percobaan maka masing-masing parameter dilakukan
analisis dengan cara membandingkan dengan variasi yang telah dilakukan. Tabel 4.7
merupakan tingkat pengenalan berdasarkan sudut dan nilai-nilainya tiap percobaan
merupakan rata-rata dari percobaan yang telah dilakukan dan dibahas sebelumnya. Tabel
4.8 merupakan tingkat pengenalan berdasarkan ketinggian kamera.
Tabel 4.7 Tingkat pengenalan berdasarkan sudut
Sudut Percobaan
1 2 3 4 5
-200 91,67% 88,33% 96,00% 95,33% 95,00%
-150 93,67% 92,33% 89,33% 91,67% 98,00%
-100 95,00% 93,33% 97,00% 94,33% 96,00%
-50 100,00% 100,00% 100,00% 100,00% 100,00%
00 100,00% 100,00% 100,00% 100,00% 100,00%
50 100,00% 100,00% 100,00% 100,00% 100,00%
100 94,67% 93,33% 94,33% 96,33% 96,00%
150 94,33% 92,33% 91,67% 93,67% 96,67%
200 94,33% 91,67% 88,67% 93,00% 97.33%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
Berdasarkan tabel 4.7 tingkat pengenalan yang terbaik yaitu 100% berada pada
sudut 50 Semakin diputar maka tingkat pengenalan semakin berkurang dikarenakan
perubahan nilai RGB sehingga tidak dapat dikenali karena nilainya berubah.
Tabel 4.8 Tingkat pengenalan berdasarkan tinggi kamera
Ketinggian (cm)
Percobaan 45 50 55 60 65 70
1 90,89% 90,44% 100,00% 100,00% 100,00% 94,44%
2 87,78% 87,56% 100,00% 100,00% 100,00% 92,22%
3 90,22% 88,67% 100,00% 100,00% 100,00% 92,44%
4 91,78% 90,67% 100,00% 100,00% 100,00% 93,78%
5 94,67% 94,22% 100,00% 100,00% 100,00% 97,11%
Berdasarkan tabel 4.8 tingkat pengenalan yang terbaik yaitu 100% berada pada
tinggi kamera 55-65cm. Pada ketinggian tersebut webcam dapat men-capture gambar
dengan baik dan setelah di-resizing nilainya masih dapat dikenali sebagai objek yang
sesuai dengan fungsi fuzzy dari objek.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
BAB V
KESIMPULAN
5.1. Kesimpulan
Berdasarkan hasil penelitian dan hasil pengujian sistem pengenalan objek kupu-
kupu secara real time maka dapat disimpulkan:
1. Sistem yang dirancang sudah bekerja sesuai dengan yang diharapkan dengan
tingkat pengenalan sebesar 95,90%.
2. Tingkat pengenalan yang baik adalah pada ketinggian kamera 55-65 cm.
3. Alat yang dibuat mempunyai tingkat pengenalan terbaik hanya pada sudut
rotasi 0 sampai ±50.
5.2. Saran
1. Pada penelitian belum bisa dengan akurat mengenali objek. Dikarenakan
objek kupu-kupu yang rapuh sehingga membutuhkan cover plastik. Cover
tersebut sangat menyulitkan dalam pengenalan karena ketika pantulan tidak
sempurna maka citra tampak silau dan nilainya menjadi kurang tepat. Maka
untuk penelitian lebih lanjut menggunakan objek tanpa di cover plastik.
2. Pengembangan metode dengan objek yang lebih banyak pada masing-masing
jenisnya.
3. Perlu ada penelitian lebih lanjut tentang pembuatan ciri-ciri yang lebih
banyak sehingga dapat meningkatkan akurasi pengenalan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
Daftar Pustaka
[1] Kusumadewi, Sri, dan Purnomo, Hari. 2004. Aplikasi Logika Fuzzy untuk
Pendukung Keputusan. Yogyakarta: Penerbit Graha Ilmu.
[2] Yen, John, Langari, Reza. 1999. Fuzzy Logic (Center for Fuzzy logic, Robotics, and
Intellignt Systems Texas A&M University), Prentice Hall, New Jersey.
[3] Putra, Darma. 2009. Pengolahan Citra Digital, Penerbit Andi, Yogyakarta.
[4] Zimmermann, H. J.. 1990. Fuzzy Set Theory and Its Aplications Edition) Edisi-
Massachusetts: Kluwer Academic Publishers.
[5] Ignatius, Ardi. 2015. Pengenalan Secara Real time Gambar Alat music
Tradisional Indonesia berbasiskan Discrete Cosine Transform dan Jarak Jaccard,
Skripsi Universitas Sanata Dharma Yogyakarta
[6] _______. Jenis dan Gambar Kupu-kupu Langka dan Dilindungi
http://alamendah.org/2011/02/28/jenis-dan-gambar-kupu-kupu-langka-
dan-dilindungi/ diakses pada 30 maret 2015.
[7] _______. Cara membuat Plot Grafik dengan Matlab,
http://vivichristianwardhani.blogspot.com/ diakses pada 1 April 2015.
[8] _______. Memahami Konsep Histogram Dan Cara Membacanya,
http://belfot.com/membaca-histogram/ diakses pada 1 April 2015.
[9] Dwi, Aditya, Herfiansyah. Pengolahan Citra – RGB, Histogram dan
Depth Resolution.
https://wiidhiet22.wordpress.com/2012/02/14/pengolahan-citra-RGB
histogram-dan-depth-resolution/, diakses pada 30 Maret 2015.
[10] Achmad, Rizal. Pengolahan citra.
http://achmadrizal.staff.telkomuniversity.ac.id diakses pada 30 maret 2015.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
LAMPIRAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L1
Data percobaan
1 2 3 4 5
+ - + - + - + - + -
1 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 100 200%
10˚ 4 4 4 5 5 3 5 4 5 5 50 44 88%
15˚ 5 4 3 4 5 5 5 4 5 5 50 45 90%
20˚ 4 4 4 3 3 5 4 3 5 4 50 39 78%
2 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 4 5 3 5 4 4 5 4 5 5 50 44 88%
15˚ 4 5 4 5 5 5 5 3 5 4 50 45 90%
20˚ 4 4 4 3 5 5 5 3 4 4 50 41 82%
3 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 4 5 4 5 5 4 4 4 50 45 90%
15˚ 5 4 3 3 3 4 4 4 4 4 50 38 76%
20˚ 4 4 3 3 3 4 4 5 5 5 50 40 80%
4 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 4 4 4 3 5 4 3 4 3 50 39 78%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 4 4 4 5 5 5 5 5 5 4 50 46 92%
5 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 4 4 4 5 5 5 5 5 5 5 50 47 94%
15˚ 3 4 5 4 5 5 4 5 5 5 50 45 90%
20˚ 4 5 5 5 4 5 4 5 5 5 50 47 94%
6 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 4 4 4 4 3 4 4 3 4 5 50 39 78%
15˚ 5 4 4 4 4 5 5 4 5 5 50 45 90%
20˚ 5 4 4 3 3 4 3 5 5 5 50 41 82%
8 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 4 4 4 4 4 3 3 3 3 4 50 36 72%
15˚ 5 5 5 4 4 4 3 4 5 5 50 44 88%
20˚ 4 4 4 3 4 5 5 5 5 5 50 44 88%
9 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 4 5 4 4 4 3 4 4 5 5 50 42 84%
15˚ 4 4 4 4 4 3 5 5 5 5 50 43 86%
20˚ 5 4 4 5 3 4 5 5 5 3 50 43 86%
10 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 4 5 5 4 5 3 5 4 5 5 50 45 90%
15˚ 4 4 4 3 4 5 5 5 4 5 50 43 86%
20˚ 5 5 5 5 5 4 3 5 5 5 50 47 94%
11 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 4 3 4 5 5 4 5 5 4 3 50 42 84%
15˚ 4 5 5 4 4 5 3 5 4 5 50 44 88%
20˚ 5 4 5 4 5 5 5 5 4 5 50 47 94%
2250 2100 93.33%
=
Jumlah pengujian
benar
Tingkat
Pengenalan (%)
94.67%
Percobaan
objek sudut
409 398 406 411 426
Tinggi= 45 cm
Total
%
Rata-Rata Tingkat pengenalan 91.11%
Jumlah yang
dikenali benar
90.89% 88.44% 90.22% 91.33%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L2
1 2 3 4 5
+ - + - + - + - + -
1 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 4 4 4 5 5 3 5 4 5 5 50 44 88%
15˚ 5 4 3 4 5 5 5 4 5 5 50 45 90%
20˚ 4 4 4 3 3 5 4 3 5 4 50 39 78%
2 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 4 5 3 5 4 4 5 4 5 5 50 44 88%
15˚ 4 5 4 4 5 5 5 3 5 4 50 44 88%
20˚ 4 4 4 3 3 5 5 3 4 4 50 39 78%
3 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 4 5 3 5 4 4 4 4 50 43 86%
15˚ 5 4 3 3 3 4 4 4 4 4 50 38 76%
20˚ 4 4 3 3 3 4 4 5 5 5 50 40 80%
4 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 4 4 4 3 5 4 3 4 3 50 39 78%
15˚ 5 5 5 3 5 5 5 5 5 5 50 48 96%
20˚ 4 4 4 5 3 5 5 5 5 4 50 44 88%
5 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 4 4 4 5 5 5 5 5 5 5 50 47 94%
15˚ 3 5 5 4 5 5 4 5 5 5 50 46 92%
20˚ 4 5 3 4 4 5 4 5 3 5 50 42 84%
6 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 4 4 4 4 3 4 4 4 4 5 50 40 80%
15˚ 5 4 5 4 4 5 5 4 5 5 50 46 92%
20˚ 5 4 4 3 3 4 3 5 5 5 50 41 82%
8 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 4 3 4 5 4 3 3 3 3 4 50 36 72%
15˚ 5 5 5 4 4 4 3 4 5 5 50 44 88%
20˚ 4 5 4 3 4 5 5 5 5 5 50 45 90%
9 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 4 5 4 4 4 3 4 4 5 5 50 42 84%
15˚ 4 5 4 5 4 3 5 5 5 5 50 45 90%
20˚ 5 4 5 5 3 4 5 5 5 3 50 44 88%
10 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 4 5 5 4 5 3 5 4 5 5 50 45 90%
15˚ 4 4 4 3 3 5 5 5 4 5 50 42 84%
20˚ 5 3 5 4 5 4 3 3 5 5 50 42 84%
11 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 4 3 4 5 5 4 5 5 4 3 50 42 84%
15˚ 4 3 5 4 4 5 3 5 4 5 50 42 84%
20˚ 5 4 5 4 5 5 5 5 4 5 50 47 94%
2250 2035 90.44%
=
Jumlah pengujian
benar
Tingkat
Pengenalan(%)
Jumlah yang
dikenali benar
Total 407 395 400 409 424
94.22%
Rata-Rata Tingkat pengenalan 90.44%
% 90.44% 87.78% 88.89% 90.89%
objek sudut
Tinggi= 50 cm Percobaan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L3
1 2 3 4 5
+ - + - + - + - + -
1 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
2 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
3 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
4 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
5 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
6 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
8 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
9 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
11 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
2250 2250 100.00%
=
Jumlah pengujian
benar
Tingkat
Pengenalan(%)
100.00%
Rata-Rata Tingkat pengenalan 100.00%
% 100.00% 100.00% 100.00% 100.00%
Total 450 450 450 450 450
Tinggi= 55 cm Percobaan
objek sudut
Jumlah yang
dikenali benar
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L4
1 2 3 4 5
+ - + - + - + - + -
1 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
2 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
3 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
4 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
5 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
6 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
8 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
9 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
11 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
2250 2250 100.00%
=
Jumlah pengujian
benar
Tingkat
Pengenalan(%)
100.00%
Rata-Rata Tingkat pengenalan 100.00%
% 100.00% 100.00% 100.00% 100.00%
Total 450 450 450 450 450
Tinggi= 60 cm Percobaan
objek sudut
Jumlah yang
dikenali benar
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L5
1 2 3 4 5
+ - + - + - + - + -
1 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
2 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
3 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
4 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
5 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
6 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
8 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
9 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
11 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
20˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
2250 2250 100.00%
=
Jumlah pengujian
benar
Tingkat
Pengenalan(%)
100.00%
Rata-Rata Tingkat pengenalan 100.00%
% 100.00% 100.00% 100.00% 100.00%
Total 450 450 450 450 450
Tinggi= 65 cm Percobaan
objek sudut
Jumlah yang
dikenali benar
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L6
1 2 3 4 5
+ - + - + - + - + -
1 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 4 5 5 5 5 5 5 5 5 50 49 98%
20˚ 5 4 4 3 3 5 4 3 5 4 50 40 80%
2 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 4 5 3 5 5 5 5 5 50 47 94%
20˚ 4 4 4 3 5 5 5 3 4 4 50 41 82%
3 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 4 3 3 3 4 4 4 4 4 50 38 76%
20˚ 4 4 3 3 3 4 4 5 5 5 50 40 80%
4 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 4 3 4 4 5 4 5 4 4 50 42 84%
20˚ 4 4 4 5 5 5 5 5 5 4 50 46 92%
5 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 3 4 5 4 5 5 4 5 5 5 50 45 90%
20˚ 4 5 5 5 4 5 4 5 5 5 50 47 94%
6 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 4 4 4 4 5 5 4 5 5 50 45 90%
20˚ 5 4 4 3 3 4 3 5 5 5 50 41 82%
8 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 5 5 5 4 4 4 3 4 5 5 50 44 88%
20˚ 4 4 4 3 4 5 5 5 5 5 50 44 88%
9 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 4 4 4 4 4 3 5 5 5 5 50 43 86%
20˚ 5 4 4 5 3 4 5 5 5 3 50 43 86%
10 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 4 4 4 3 4 5 5 5 4 5 50 43 86%
20˚ 5 5 5 5 5 4 3 5 5 5 50 47 94%
11 0˚ 5 5 5 5 5 25 25 100%
5˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
10˚ 5 5 5 5 5 5 5 5 5 5 50 50 100%
15˚ 4 5 5 4 4 5 3 5 4 5 50 44 88%
20˚ 5 4 5 4 5 5 5 5 4 5 50 47 94%
2250 2126 94.49%
=
Jumlah pengujian
benar
Tingkat
Pengenalan(%)
97.11%
Rata-Rata Tingkat pengenalan 94.49%
% 94.44% 91.78% 93.78% 95.33%
objek sudut
Jumlah yang
dikenali benar
Total 425 413 422 429 437
Tinggi= 70 cm Percobaan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L7
9 10 4 1 2 6 8 11 5 3
327.8239 317.8932 224.34186 218.6365 231.2897 134.5215 137.0628026 162.4319 173.3793 167.0953863
340.863 324.7991 229.89006 232.0898 236.0134 144.8277 137.7300346 164.6325 182.8705 169.2918569
341.422 327.8224 235.4745 253.0502 237.5121 151.5491 141.6659988 167.7686 185.5408 175.4861429
344.6073 329.8522 240.70465 259.1152 249.5032 152.9292 146.5726134 168.3392 186.1107 196.7563572
346.029 330.0906 241.54861 259.8482 252.33 176.0115 149.4423864 172.8921 193.2788 207.4912811
1 9 10 5 11 8 3 2 4 6
306.144 297.579 297.94 148.288 145.2115 120.47 113.261 178.18 205.1368 54.858
311.878 308.007 304.15 161.188 150.0585 121.07 115.818 189.97 213.5153 71.181
314.047 311.892 304.56 161.275 154.5346 127.16 116.362 191.01 216.4486 71.96
314.875 314.774 308.67 163.324 155.4071 128.99 118.964 201.74 222.7626 74.414
325.116 315.729 311.23 169.238 159.4225 129.82 124.91 205.82 223.9616 74.996
1 9 10 4 2 8 3 5 11 6
333.5601 302.5379 304.2969 208.548 187.4714 125.563 118.30594 151.2219 150.7514 54.7729
341.8695 318.4169 310.1786 218.389 199.0143 127.3079 119.91348 165.5524 154.3301 72.8949
345.3777 325.8949 310.2978 218.581 202.7228 132.7507 121.79529 166.7545 156.767 74.7638
348.8397 328.8378 315.3429 223.644 213.8619 132.7974 126.9695 170.4037 159.8603 84.0117
356.3768 330.1793 315.7972 225.378 220.6427 134.6847 133.17387 176.1664 164.82 84.907
Penentuan data base
Nilai R
Nilai G
Nilai B
Lampiran Komponen Fuzzy
Grafik fungsi nilai R
Grafik Fungsi nilai G
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L8
Grafik Fungsi Nilai B
Konstanta kelas Pengenalan Objek
kelas Konstanta
R G B
1 350 310 320
2 200 205 220
3 120 120 140
4 151 140 170
5 0 0 -
Pembagian kelas Objek
Kelas
1 2 3 4 5
Nilai objek
R
1 4 8 5 6
9 2 3 11
10
Nilai Objek
G
1 4 8 5 6
9 2 3 11
10
Nilai objek
B
9 4 6 11
10 1 8 5
2 3
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L9
Nilai pembentuk fungsi Fuzzy
Setelah database diambil maka nilai tersebut di tentukan kelasnya berdasarkan
kemiripan dengan kelas (lampiran hal L8) yang sudah ditentukan sebelumnya. Lalu kelas
ditentukan maka dilakukan pengurangan dengan konstanta tiap kelas sehingga nilainya
terlihat perbedaanya. Sehingga dapat dibentuk fungsinya yang grafiknya dapat dilihat pada
lampiran hal L8. Berikut nilai-nilai pembentuk grafik yang sudah mengalami penentuan
kelas dan sudah dikurangi dengan konstantanya:
[Input1] Name='R' Range=[-60 100] NumMFs=10 MF1='1':'trimf',[-33.43994417 -4.622321812 23.37680997] MF2='9':'trimf',[-41.105099432 -19.82071513 -7.105099432] MF3='10':'trimf',[-62.70313079 -34.20276583 -28.70313079] MF4='4':'trimf',[-8.452063309 18.58073265 42.37754854] MF5='2':'trimf',[-29.52861272 2.722762424 37.64269804] MF6='8':'trimf',[-11.436985563 12.75074071 40.56301444] MF7='3':'trimf',[-18.69405982 -1.694059819 15.30594018] MF8='5':'trimf',[-16.77807334 15.75447526 42.16639315] MF9='11':'trimf',[-17.24857596 5.767023598 30.81998142] MF10='6':'trimf',[37.77292894 74.76377561 98] [Input2] Name='G' Range=[-50 80] NumMFs=8 MF1='1':'trimf',[-20.85557305 4.047274925 32.11571878] MF9='6':'trimf',[37.77292894 74.76377561 98] MF2='9':'trimf',[-29.42087387 1.89187275 22.72933993] MF3='10':'trimf',[-29.05579748 -5.442996285 18.23187837] MF4='2':'trimf',[-32.02952315 -3.259716281 17.82064396] MF5='4':'trimf',[-16.86316805 11.44861499 35.96160064] MF6='8':'trimf',[-16.53153811 7.15987348 26.82143297] MF7='3':'trimf',[-23.7390513 -3.637989187 12.81777205] MF8='5':'trimf',[-15.81168724 1.27476487 26.2379105] MF10='11':'trimf',[-17.24857596 5.767023598 30.81998142] [Input1] Name='b' Range=[-60 100] NumMFs=10 MF1='1':'trimf',[-33.43994417 -4.622321812 23.37680997] MF2='9':'trimf',[-41.105099432 -19.82071513 -7.105099432] MF3='10':'trimf',[-62.70313079 -34.20276583 -28.70313079] MF4='4':'trimf',[-8.452063309 18.58073265 42.37754854] MF5='2':'trimf',[-29.52861272 2.722762424 37.64269804] MF6='8':'trimf',[-11.436985563 12.75074071 40.56301444] MF7='3':'trimf',[-18.69405982 -1.694059819 15.30594018] MF8='5':'trimf',[-16.77807334 15.75447526 42.16639315] MF9='11':'trimf',[-17.24857596 5.767023598 30.81998142] MF10='6':'trimf',[37.77292894 74.76377561 98]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L10
Lampiran pembuktian konstanta pada fungsi clear background
0.2
0.3
0.4
0.45
0.5
0.55
0.6
0.65
0.7
0.75
0.8
0.85
Pada nilai 0.65 sudah memiliki background hitam yang terbaik dengan tidak adanya bintik-
bintik putih selain objek. Nilai yang lebih dari angka tesebut kurang baik karena mengurangi nilai
objek terlihat pada citra yang ditampilkan terlihat bahwa tedapat titik hitam melubangi objek.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L11
Lampiran pemotongan frame
1 pixel
2 pixel
3 pixel
4 pixel
6 pixel
8 pixel
9 Pixel
Pada pemotongan frame pada citra tedapat perbedaan hasil secara visual yang
terlihat pada gambar diatas. Nilai pemotongan yang kurang dari 8 pixel menunjukkan hasil
yang kurang baik karena masi menyisakan bentuk frame. Sedangkan yang lebih dari 8
pixel mengakibatkan citra terpotong yang mengakibatkan dapat mengurangi nilai citra
terebut. Nilai 8 pixel merupakan yang paling ideal karena frame terpotong sempurna dan
tidak memotong citra
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L12
Listing program
GUI function varargout = pengenalan_kupu(varargin) gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @pengenalan_kupu_OpeningFcn, ... 'gui_OutputFcn', @pengenalan_kupu_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT
% --- Executes just before pengenalan_kupu is made visible. function pengenalan_kupu_OpeningFcn(hObject, eventdata, handles, varargin) % Choose default command line output for pengenalan_kupu handles.output = hObject; % Update handles structure guidata(hObject, handles); % UIWAIT makes pengenalan_kupu wait for user response (see UIRESUME) % uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line. function varargout = pengenalan_kupu_OutputFcn(hObject, eventdata, handles) varargout{1} = handles.output;
% --- Executes on button press in hitung. function hitung_Callback(hObject, eventdata, handles) % hObject handle to hitung (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) a1=[get(handles.nama,'string')]; img0=imread(a1); hasil_r = nilai_r(img0); hasil_g = nilai_g(img0); hasil_b = nilai_b (img0); a_r=hasil_r; b_r=sum(sum(a_r)); a_g=hasil_g; b_g=sum(sum(a_g)); a_b=hasil_b;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L13
b_b=sum(sum(a_b)); nilai_r1 = b_r/10; nilai_g1 = b_g/10; nilai_b1 = b_b/10; %menjumlah matrik merah=nilai_r1; hijau=nilai_g1; biru=nilai_b1; %menampilkan nilai set(handles.nilai_r,'string',merah) set(handles.nilai_g,'string',hijau) set(handles.nilai_b,'string',biru)
% --- Executes on button press in kenal. function kenal_Callback(hObject, eventdata, handles) % hObject handle to kenal (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) %%fuzzyfikasi rgb a1=[get(handles.nama,'string')]; img0=imread(a1); hasil_r = nilai_r(img0); hasil_g = nilai_g(img0); hasil_b = nilai_b (img0); a_r=hasil_r; b_r=sum(sum(a_r)); a_g=hasil_g; b_g=sum(sum(a_g)); a_b=hasil_b; b_b=sum(sum(a_b)); nilai_r1 = b_r/10; nilai_g1 = b_g/10; nilai_b1 = b_b/10; red=nilai_r1; green=nilai_g1; blue=nilai_b1; fu1=kenali_fuzzi(red); fu2=kenali_fuzzi_g(green); fu3=kenali_fuzzi_b(blue); set(handles.kenal_r,'string',fu1(1)) set(handles.kenal_g,'string',fu2(1)) set(handles.kenal_b,'string',fu3(1)) set(handles.kenal_r1,'string',fu1(2)) set(handles.kenal_g1,'string',fu2(2)) set(handles.kenal_b1,'string',fu3(2)) for jika=1:11 if (fu2(2)==jika && fu3(2)==jika)... ||(fu1(2)==jika && fu2(2)==jika)... ||(fu1(2)==jika && fu3(2)==jika)||... (fu1(2)==jika && fu2(2)==jika && fu3(2)==jika) a=jika jika=11; end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L14
end set(handles.edit16,'string',a) % --- Executes on button press in refresh. function refresh_Callback(hObject, eventdata, handles) % hObject handle to refresh (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) clear all; clc; delete(figure(pengenalan_kupu)); figure(pengenalan_kupu);
% --- Executes on button press in capture. function capture_Callback(hObject, eventdata, handles) % hObject handle to capture (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) imaqreset; vid=videoinput('winvideo',1,'RGB24_320x240'); vid.FramesPerTrigger = 1; vid.ReturnedColorspace = 'rgb'; triggerconfig(vid, 'manual'); vidRes = get(vid, 'VideoResolution'); imWidth = vidRes(1); imHeight = vidRes(2); nBands = get(vid, 'NumberOfBands'); hImage = image(zeros(imHeight, imWidth, nBands), 'parent', handles.gambar_asli) preview(vid, hImage); % prepare for capturing the image preview start(vid); % pause for 3 seconds to give our webcam a "warm-up" time pause(3); % do capture! trigger(vid); % stop the preview stoppreview(vid); % get the captured image data and save it on capt1 variable capt1 = getdata(vid); % now write capt1 into file named captured.png % just dialog that we are done capturing a=[get(handles.nama,'string')] axes(handles.gambar_asli); imshow(capt1); imwrite (capt1,a, 'jpeg') % --- Executes on button press in Mode_rgb. function Mode_rgb_Callback(hObject, eventdata, handles) % hObject handle to Mode_rgb (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) a=[get(handles.nama,'string')] test=imread(a);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L15
a0=test(:,:,1); b0=test(:,:,2); c0=test(:,:,3); %menampilkan mode rgb axes(handles.red) imshow(a0); axes(handles.green) imshow(b0); axes(handles.blue) imshow(c0); % --- Executes on button press in crop. function crop_Callback(~, eventdata, handles) a=[get(handles.nama,'string')]; img0=imread(a); %img0=get(handles.gambar_asli); %function hitung=coba_autoclean(img0) hasil_r = nilai_r(img0); hasil_g = nilai_g(img0); hasil_b = nilai_b (img0); axes(handles.red); imshow(hasil_r) axes(handles.green); imshow(hasil_g) axes(handles.blue); imshow(hasil_b) function on_Callback(hObject, eventdata, handles) vid=videoinput('winvideo',1,'RGB24_320x240'); vid.FramesPerTrigger = 1; vid.ReturnedColorspace = 'rgb'; triggerconfig(vid, 'manual'); vidRes = get(vid, 'VideoResolution'); imWidth = vidRes(1); imHeight = vidRes(2); nBands = get(vid, 'NumberOfBands'); hImage = image(zeros(imHeight, imWidth, nBands), 'parent', handles.gambar_asli); preview(vid, hImage); function clear_Callback(hObject, eventdata, handles) % hObject handle to clear (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) clc; a=[1 1 1; 1 1 1; 1 1 1]; b=[1 1 1; 1 1 1; 1 1 1]; c=[1 1 1; 1 1 1; 1 1 1]; axes (handles.red); imshow(a); axes (handles.green); imshow(b); axes (handles.blue); imshow(c); axes (handles.gambar_asli); imshow(c); set(handles.nilai_r,'string','r') set(handles.nilai_g,'string','g') set(handles.nilai_b,'string','b') set(handles.kenal_r,'string','-') set(handles.kenal_g,'string','-')
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L16
set(handles.kenal_b,'string','-') set(handles.kenal_r,'string','-') set(handles.kenal_g,'string','-') set(handles.kenal_b,'string','-') set(handles.kenal_r1,'string','-') set(handles.kenal_g1,'string','-') set(handles.kenal_b1,'string','-') set(handles.edit16,'string','-')
Fungsi-fungsi
bbox function img6=bboxg(img1) % Pemotongan sesuai bounding box, % untuk citra grayscale dengan range data 0-1 % Potong kiri img2=cutleft(img1); % Putar 90 cw dan potong kiri img3=fliplr(img2'); img3=cutleft(img3); % Putar 90 cw dan potong kiri img4=fliplr(img3'); img4=cutleft(img4); % Putar 90 cw dan potong kiri img5=fliplr(img4'); img5=cutleft(img5); % Putar 90 cw img6=fliplr(img5'); % ========================================================= % FUNGSI INTERNAL % ========================================================= function img2=cutleft(img0) % Subrutin untuk memotong kolom kiri yang kosong % Berlaku untuk citra grayscale % Konversi ke biner thr=0.7; img1=ceil(img0-thr); img2=img0; % Potong kiri JKolom=sum(img1); KolomTakNol=find(JKolom > 10); if sum(KolomTakNol)>=1 img2(:,1:KolomTakNol(1)-1)=[]; end % =========================================================
Auto clean
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L17
function img6=bboxg(img1) % Pemotongan sesuai bounding box, % untuk citra grayscale dengan range data 0-1 % Potong kiri img2=cutleft(img1); % Putar 90 cw dan potong kiri img3=fliplr(img2'); img3=cutleft(img3); % Putar 90 cw dan potong kiri img4=fliplr(img3'); img4=cutleft(img4); % Putar 90 cw dan potong kiri img5=fliplr(img4'); img5=cutleft(img5); % Putar 90 cw img6=fliplr(img5'); % ========================================================= % FUNGSI INTERNAL % ========================================================= function img2=cutleft(img0) % Subrutin untuk memotong kolom kiri yang kosong % Berlaku untuk citra grayscale % Konversi ke biner thr=0.7; img1=ceil(img0-thr); img2=img0; % Potong kiri JKolom=sum(img1); KolomTakNol=find(JKolom > 10); if sum(KolomTakNol)>=1 img2(:,1:KolomTakNol(1)-1)=[]; end % =========================================================
Nilai_r, nilai_g, nilai_b function img5=nilai_g(img1) img10=img1(:,:,2); img1=double(img10); img8=img1/255; img3=1-img8; img4=bboxg(img3); img5=auto_clean(img4); function img5=nilai_b(img1) img10=img1(:,:,3); img1=double(img10); img8=img1/255; img3=1-img8; img4=bboxg(img3);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L18
img5=auto_clean(img4); fungsi kenali_fuzzy function kenali=kenali_fuzzi(r) %base %r a_atas_350_r=373.37681; a_bawah_350_r=285.5378708; %bawah tengah atas a_350_r=[-25.78714529 -6.936876842 3.4]; %besar b_350_r =[-41.71506042 -27.85055614 -3.29059883]; %sedang c_350_r=[-40.3101279 -35.36221307 -18.70313079]; %kecil a_atas_200_r=242.3775485; a_bawah_200_r=198.4713873; a_200_r=[6.558524649 18.44973683 26.44973683 ]; a_atas_120_r=141.0247278; a_bawah_120_r=106.3059402; a_120_r=[-11.436985563 12.75074071 40.56301444]; b_120_r=[-18.69405982 -1.694059819 15.30594018]; a_atas_150_r=194.1663931; a_bawah_150_r=143.751424; a_150_r=[-10 0 9]; b_150_r=[-25.4943625 -15.30449101 -6.333414378]; c_150_r=[0 9 25]; sisa_atas_r=98.9069873; sisa_bawah_r=37.77292894; a_atas_r=[37.77292894 74.76377561 98 ]; if ((r<a_atas_350_r )&& (r > a_bawah_350_r)) input=r-350 a=a_350_r; b=b_350_r; c=c_350_r; f=3; class=1; end if (r<a_atas_200_r && r > a_bawah_200_r) input=r-200; a=a_200_r; f=1; class=2; end if (r<a_atas_120_r && r > a_bawah_120_r) input=r-120; a=a_120_r; b=b_120_r; f=2; class=3; end if (r<a_atas_150_r && r > a_bawah_150_r) input=r-170; a=a_150_r; b=b_150_r; c=c_150_r; f=3; class=4; end if (r<sisa_atas_r && r > sisa_bawah_r) input=r; a=a_atas_r; f=1; class=5; end for i=1:f if (i==1) x=a(1);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L19
y=a(2); z=a(3); end if (i==2) x=b(1); y=b(2); z=b(3); end if (i==3) x=c(1); y=c(2); z=c(3); end %if((input>x) && (input<z)) if ( (input<x) || (input>z)) hasip = 0; end if ( ((input==x)||(input>x)) && (input<y)) hasip =(input-x)/(y-x); end if ( ((input==y)|| input>y)&& ((input<z)||(input==z))) hasip =(z-input)/(z-y); end %end muncul(i)=hasip; end f=length(muncul); for i=1:f if (muncul(i)== max(muncul)) g=i; end end j=g; if (class==1) if (j==1) kanal=1; end if (j==2) kanal=9; end if (j==3) kanal=10; end end if (class==2) if (j==1) kanal=4; end end if (class==3)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L20
if (j==1) kanal=8; end if (j==2) kanal=3 end end if (class==4) if (j==1) kanal=5; end if (j==2) kanal=11; end if (j==3) kanal=2; end end if (class==5) if (j==1) kanal=6; end end kenali=[muncul(j) kanal]; function kenali=kenali_fuzzi_g(g) %base %r a_atas_310_r=342.1157188; a_bawah_310_r=280.5791261; %bawah tengah atas a_310_r=[-20.85557305 4.047274925 32.11571878]; b_310_r=[-29.42087387 1.89187275 22.72933993]; c_310_r=[-29.05579748 -5.442996285 18.23187837]; a_atas_205_r=240.9616006; a_bawah_205_r=184.0129701; b_205_r=[ -32.02952315 -3.259716281 17.82064396 ]; a_205_r=[-16.86316805 11.44861499 35.96160064];
a_atas_120_r=147.8326045; a_bawah_120_r=96.2609487;
b_120_r=[-16.53153811 7.15987348 26.82143297]; c_120_r=[-23.7390513 -3.637989187 12.81777205]; a_atas_160_r=183.1663931; a_bawah_160_r=143.751424; a_160_r=[-15.81168724 1.27476487 26.2379105]; b_160_r=[-31.7884969 -5.465378703 16.42247127]; sisa_atas_r=91.99607182; sisa_bawah_r=37.85806191;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L21
a_atas_r=[37.85806191 71.95981087 91.99607182 ];
if (g<a_atas_310_r && g > a_bawah_310_r) input=g-310 a=a_310_r; b=b_310_r; c=c_310_r; f=3; class=1; end if (g<a_atas_205_r && g > a_bawah_205_r) input=g-205; a=a_205_r; b=b_205_r; f=2; class=2; end if (g<a_atas_120_r && g > a_bawah_120_r) input=g-120; a=b_120_r; b=c_120_r; f=2; class=3; end if (g<a_atas_160_r && g > a_bawah_160_r) input=g-160; a=a_160_r; b=b_160_r; f=2; class=4; end if (g<sisa_atas_r && g > sisa_bawah_r) input=g; a=a_atas_r; f=1; class=5; end for i=1:f if (i==1) x=a(1); y=a(2); z=a(3); end if (i==2) x=b(1); y=b(2); z=b(3); end if (i==3) x=c(1); y=c(2); z=c(3); end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L22
%if((input>x) && (input<z)) if ( (input<x) || (input>z)) hasip = 0; end if ( ((input==x)||(input>x)) && (input<y)) hasip =(input-x)/(y-x); end if ( ((input==y)|| input>y)&& ((input<z)||(input==z))) hasip =(z-input)/(z-y); end %end muncul(i)=hasip; end f=length(muncul); for i=1:f if (muncul(i)== max(muncul)) g=i; end end j=g; if (class==1) if (j==1) kanal=1; end if (j==2) kanal=9; end if (j==3) kanal=10; end end if (class==2) if (j==1) kanal=4; end if (j==2) kanal=2; end end if (class==3) if (j==1) kanal=8; end if (j==2) kanal=3; end end if (class==4) if (j==1) kanal=5; end if (j==2) kanal=11; end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L23
end if (class==5) if (j==1) kanal=6; end end kenali=[muncul(j) kanal];
function kenali=kenali_fuzzi_b(blue) %base %r a_atas_320_r=363.0289521; a_bawah_320_r=280.5791261; %bawah tengah atas a_320_r=[-9.176143827 21.42203227 43.02895213]; b_320_r=[-19.10684166 17.822404648 27.09063395];
a_atas_220_r=276.8482162; a_bawah_220_r=201.6365247; a_220_r=[ 4.341862292 9.890057207 18 ]; b_220_r=[-4.910160154 12.08983985 29.08983985]; c_220_r=[-5.710300151 33.05015814 49.32999897]; a_atas_140_r=150.6; a_bawah_140_r=117.521542; a_140_r=[-22.47845797 4.827731351 29.92917258]; b_140_r=[-19.93719743 6.572613351 26.44238637];
a_atas_170_r=203.1107081; a_bawah_170_r=151.2609487; a_170_r=[-10.50376767 8.164210958 27.83260449]; b_170_r=[-16.53153811 1.074583204 26.82143297]; c_170_r=[-23.7390513 -3.637989187 21.90970968];
if (blue<a_atas_320_r && blue > a_bawah_320_r) input=blue-320; a=a_320_r; b=b_320_r; f=2; class=1; end if (blue<a_atas_220_r && blue > a_bawah_220_r) input=blue-220; a=a_220_r; b=b_220_r; c=c_220_r; f=3; class=2; end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L24
if (blue<a_atas_170_r && blue > a_bawah_170_r) input=blue-170; a=a_170_r; b=b_170_r; c=c_170_r; f=3; class=3; end if (blue<a_atas_140_r && blue > a_bawah_140_r) input=blue-140; a=a_140_r; b=b_140_r; f=2; class=4; end for i=1:f if (i==1) x=a(1); y=a(2); z=a(3); end if (i==2) x=b(1); y=b(2); z=b(3); end if (i==3) x=c(1); y=c(2); z=c(3); end if (i==4) x=d(1); y=d(2); z=d(3); end %if((input>x) && (input<z)) if ( (input<x) || (input>z)) hasip = 0; end if ( ((input==x)||(input>x)) && (input<y)) hasip =(input-x)/(y-x); end if ( ((input==y)|| input>y)&& ((input<z)||(input==z))) hasip =(z-input)/(z-y); end %end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L25
muncul(i)=hasip end f=length(muncul); for i=1:f if (muncul(i)== max(muncul)) g=i; end end j=g; if (class==1) if (j==1) kanal=9; end if (j==2) kanal=10; end end if (class==2) if (j==1) kanal=4; end if (j==2) kanal=1; end if (j==3) kanal=2; end end if (class==4) if (j==1) kanal=6; end if (j==2) kanal=8; end end if (class==3) if (j==1) kanal=11; end if (j==2) kanal=5; end if (j==3) kanal=3; end end kenali=[muncul(j) kanal];
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI