pengenalan tekstur menggunakanrepository.usd.ac.id/35511/2/155114020_full.pdf · 2019. 8. 27. ·...
TRANSCRIPT
TUGAS AKHIR
PENGENALAN TEKSTUR MENGGUNAKAN
METODE LAWS SERTA MODUL NIRKABEL
Diajukan untuk memenuhi salah satu syarat
memperoleh gelar Sarjana Teknik pada
Program Studi Teknik Elektro
Jurusan Teknik Elektro
Fakultas Sains dan Teknologi Universitas Sanata Dharma
disusun oleh :
YOHANES IRVAN YULIANTO
NIM : 155114020
PROGRAM STUDI TEKNIK ELEKTRO
JURUSAN TEKNIK ELEKTRO
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2019
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
FINAL PROJECT
TEXTURE RECOGNITION USING LAWS METHOD
AND WIRELESS MODULE
In a partial fulfillment of the requirements
for the degree of Sarjana Teknik
Department of Electrical Engineering
Faculty of Science and Technology Sanata Dharma University
YOHANES IRVAN YULIANTO
NIM : 155114020
DEPARTMENT OF ELECTRICAL ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2019
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
LEMBAR PERSETUJUAN
TUGAS AKHIR
PENGENALAN TEKSTUR MENGGUNAKAN
METODE LAWS SERTA MODUL NIRKABEL
(TEXTURE RECOGNITION USING LAWS METHOD
AND WIRELESS MODULE)
Oleh :
YOHANES IRVAN YULIANTO
NIM : 155114020
telah disetujui oleh :
Pembimbing I
Dr. Ir. Linggo Sumarno, M.T. Tanggal : _____________
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
HALAMAN PENGESAHAN
TUGAS AKHIR
PENGENALAN TEKSTUR MENGGUNAKAN
METODE LAWS SERTA MODUL NIRKABEL
(TEXTURE RECOGNITION USING LAWS METHOD
AND WIRELESS MODULE)
Disusun oleh:
YOHANES IRVAN YULIANTO
NIM : 155114020
Telah dipertahankan didepan panitia penguji
Pada tanggal 10 Juli 2019
Dan dinyatakan memenuhi syarat
Susunan Panitia Penguji :
Nama Lengkap Tanda Tangan
Ketua : Damar Widjaja, Ph.D. ______________
Sekretaris : Dr. Linggo Sumarno ______________
Anggota : Wiwien Widyastuti, S.T.,M.T. ______________
Yogyakarta, ______________
Fakultas Sains dan Teknologi
Universitas Sanata Dharma
Dekan,
Sudi Mungkasi, S.Si, M.Math.Sc., Ph.D.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat karya atau
bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka
sebagaimana karya ilmiah.
Yogyakarta, 23 Juli 2019
Penulis
Yohanes Irvan Yulianto
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
HALAMAN PERSEMBAHAN
MOTTO :
“Sukses Adalah Saat Persiapan dan Kesempatan Bertemu”
Persembahan
Skripsi ini aku persembahkan untuk
Kedua orang tuaku yang selalu bisa memberikanku semangat
Hingga aku bisa sampai pada saat ini
Kakak dan keluarga yang selalu mendukung dan mendoakanku
Serta teman-teman yang selalu bisa menghibur
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI
KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma :
Nama : YOHANES IRVAN YULIANTO
Nomor Mahasiswa : 155114020
Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan
Universitas Sanata Dharma karya ilmiah yang berjudul :
PENGENALAN TEKSTUR DENGAN
MENGGUNAKAN METODE LAWS SERTA MODUL
NIRKABEL
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 royalti kepada saya selama tetap
mencantumkan nama saya sebagai penulis.
Dengan ini pernyataan yang saya buat dengan sebenarnya.
Yogyakarta, 23 Juli 2019
Penulis
Yohanes Irvan Yulianto
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
INTISARI
Tekstur banyak digunakan sebagai fitur untuk temu kembali citra. Hal ini disebabkan
beberapa objek mempunyai pola – pola tertentu, yang bagi manusia mudah untuk dikenali.
Berkembangnya teknologi pengolahan citra digital, manusia menginginkan agar komputer,
dapat mengenali citra seperti layaknya penglihatan manusia. Analisis tekstur digunakan
untuk mengetahui pola suatu citra dengan menggunakan komputer. Analisis tekstur
menghasilkan nilai dari ciri atau karakteristik tekstur yang kemudian dapat diolah pada
komputer.
Tujuan dari penelitian ini adalah membuat aplikasi yang dapat mengklasifikasi jenis
tekstur menggunakan metode Laws. Pengenalan tekstur, diberikan variasi seperti rotasi,
skala dan translasi. Tujuan pemberian variasi perpindahan ini untuk mengetahui tingkat
keberhasilan saat melakukan pengenalan tekstur, dan membuktikan pengaruh dari variasi
RST.
Metode yang dapat digunakan untuk proses analisis tekstur dengan menggunakan
metode Laws. Metode ini mengemukakan metode yang digunakan untuk mengklasifikasi
setiap kelompok piksel di dalam citra guna menentukan ukuran energi tekstur lokal. Metode
Laws menggunakan beberapa filter, seperti Gaussian, deteksi tepi, dan jenis Laplacian.
Filter – filter tersebut dipakai untuk membentuk citra yang berisi energi tekstur. Hasil
ekstraksi ciri pada metode ini adalah dua nilai fitur yaitu rata – rata dan varian.
Kata kunci : laws, tekstur, filter.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
ABSTRACT
Texture is widely used as a feature for image retrieval. This is because some objects
have certain patterns, which for humans are easy to recognized. The development of digital
image processing technology, humans want computers to be able to recognize images like
human vision. Texture analysis is used to determine the pattern of an image using a
computer. Texture analysis produces values from the characteristics or characteristics of
textures which can then be processed on a computer.
The purpose of this study is to make applications that can classify texture types using
the Laws method. Introduction to textures, given variation, rotation and scale. The purpose
of giving this vsriation is to determine the level of succes when doing texture recognition,
and to prove the influence of variations in RST.
Methods that can be used for the texture analysis process using the Laws method.
This method suggests the method used to classify each group of pixels in the image to
determine the size of the local texture energy. The Laws method uses several filters, such as
Gaussian, edge detection, and Laplacian types. These filters are used to form images that
contain texture energy. The results of feature extraction in this method are two feature values,
namely average and variance.
Keywords : laws, texture, filter
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas berkat rahmat
kasih-Nya yang telah dilimpahkan-Nya sehingga penulis dapat menyelesaikan Tugas Akhir
yang berjudul Pengenalan Tekstur Menggunakan Metode Laws Serta Modul Nirkabel.
Tugas Akhir ini disusun sebagai salah satu syarat kelulusan untuk memperoleh gelar
Sarjana Teknik pada Program Studi Teknik Elektro, Fakultas Sains dan Teknologi,
Universitas Sanata Dharma Yogyakarta.
Penulisan Tugas Akhir ini tidak lepas dari campur tangan dan bantuan dari
banyaknya pihak, baik secara langsung maupun tidak langsung. Penulis menyadari bahwa
banyak pihak yang telah memberi dukungan, semangat, bimbingan dan arahan serta bantuan
materil. Oleh karena itu, pada kesempatan ini penulis ingin mengucapkan terima kasih
kepada :
1. Tuhan Yesus Kristus, yang selalu membimbing, menyertai saya dari awal hingga
terselesainya tugas akhir ini. Sungguh suatu karunia kasih-Mu.
2. Bapak Sudi Mungkasi, S.Si, M.Math.Sc., Ph.D., selaku Dekan Fakultas Sains dan
Teknologi Universitas Sanata Dharma.
3. Bapak Petrus Setyo Prabowo, S.T., M.T., selaku Ketua Program Studi Teknik
Elektro, Fakultas Sains dan Teknologi, Universitas Sanata Dharma.
4. Bapak Dr. Ir. Linggo Sumarno, M.T., selaku dosen pembimbing yang selalu
memberikan masukan dan motivasi yang berguna bagi penulis, dan selalu
meluangkan waktu untuk bimbingan.
5. Bapak Damar Widjaja Ph.D. dan ibu Wiwien Widyastuti M.T. selaku dosen penguji
tugas akhir yang telah memberikan masukan, bimbingan, dan saran sehingga penulis
dapat menyempurnakan tugas akhir ini.
6. Bapak dan ibu dosen yang telah mengajarkan banyak hal selama penulis menempuh
pendidikan di Program Studi Teknik Elektro, Fakultas Sains dan Teknologi,
Universitas Sanata Dharma.
7. Para staf sekretariat Teknik Elektro, atas bantuannya dalam membantu dan melayani
mahasiswa.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
8. Kedua orang tua dan seluruh keluarga yang selalu mendukung serta mendoakan
penulis hingga terselesaikannya tugas akhir ini..
9. Semua teman Teknik Elektro angkatan 2015 yang selalu mendukung dan
memberikan semangat.
10. Ezra Alvansga dan Danu Crismanto yang selalu mendukung dalam terselesaikannya
tugas akhir ini.
11. Dan kepada semua pihak yang banyak membantu dalam penyelesaian tugas akhir ini
yang tidak bisa saya sebutkan satu persatu.
Penulis sangat menyadari bahwa penulisan tugas akhir ini masih terdapat banyak
kekurangan dan jauh dari sempurna. Oleh karena itu, penulis sangat mengharapkan
masukan, kritik dan saran yang sifatnya membangun agar tugas akhir ini nantinya bisa
menjadi lebih baik dan dapat bermanfaat bagi smua pihak. Sekian dan terima kasih.
Yogyakarta, 23 Juli 2019
Penulis
Yohanes Irvan Yulianto
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
DAFTAR ISI
HALAMAN SAMPUL (BAHASA INDONESIA) ............................................................. i
HALAMAN SAMPUL (BAHASA INGGRIS) ................................................................. ii
LEMBAR PERSETUJUAN .............................................................................................. iii
HALAMAN PENGESAHAN ............................................................................................ iv
PERNYATAAN KEASLIAN KARYA .............................................................................. v
HALAMAN PERSEMBAHAN ......................................................................................... vi
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS ......................................................................... vii
INTISARI .......................................................................................................................... viii
ABSTRACT ........................................................................................................................ ix
KATA PENGANTAR ......................................................................................................... x
DAFTAR ISI ...................................................................................................................... xii
DAFTAR TABEL ............................................................................................................. xiv
DAFTAR GAMBAR ......................................................................................................... xv
BAB I .................................................................................................................................. 18
1.1. Latar Belakang ...................................................................................................... 18
1.2. Tujuan dan Manfaat Penelitian ............................................................................. 19
1.3. Batasan Masalah ................................................................................................... 20
1.4. Metode Penelitian ................................................................................................. 21
BAB II ................................................................................................................................. 23
2.1 Tekstur ....................................................................................................................... 23
2.2 ArduCam OV2640 ................................................................................................ 24
2.3 ESP8266 NodeMCU ............................................................................................. 25
2.4 Pengolahan Citra Digital ....................................................................................... 27
2.4.1. Definisi Citra Digital .......................................................................................... 27
2.4.2 Ruang warna RGB .............................................................................................. 28
2.4.3. Citra grayscale .................................................................................................... 29
2.4.2. Mengonversi Citra RGB ke grayscale ............................................................... 30
2.5 Metode Laws ......................................................................................................... 30
2.6 Konvolusi .............................................................................................................. 32
2.7 Similaritas Kosinus ............................................................................................... 41
2.8 Basis Data ............................................................................................................. 42
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
BAB III ............................................................................................................................... 43
3.1. Proses Pengenalan Citra Tekstur .............................................................................. 43
3.1.1. Pengambilan Citra Tekstur ................................................................................. 45
3.1.2. Pengambilan dan Pengiriman Video Tekstur ..................................................... 46
3.1.3 Penerimaan Video Tekstur ................................................................................. 47
3.1.4. Tahap Preprocessing .......................................................................................... 49
3.1.5. Tahap Ekstraksi Ciri ........................................................................................... 49
3.1.6. Penentuan Keluaran............................................................................................ 52
3.2. Perancangan Basis Data ........................................................................................ 53
3.3. Perancangan Tampilan GUI MATLAB ................................................................ 55
3.4. Perancangan Hardware ......................................................................................... 57
3.5. Pengujian Citra Tekstur ........................................................................................ 58
BAB IV ............................................................................................................................... 59
4.1. Hasil Pengujian dan Analisis .................................................................................... 59
4.1.1. Pengujian Pengaruh RST Terhadap Pengenalan Tekstur ................................... 61
4.1.2. Pengujian Tambahan Pengaruh Resolusi Arducam ........................................... 67
4.2. Perbandingan Dengan Penelitian Sebelumnya ......................................................... 75
BAB V ................................................................................................................................. 78
5.1. Kesimpulan ............................................................................................................... 78
5.2. Saran ......................................................................................................................... 78
DAFTAR PUSTAKA ........................................................................................................ 79
LAMPIRAN ....................................................................................................................... 80
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
DAFTAR TABEL
Tabel 2.1 Spesifikasi arducam ............................................................................................ 25
Tabel 2.2 Kombinasi cadar 1 x 3 ......................................................................................... 32
Tabel 2.3 Hasil perhitungan mean dan varian dari 9 pasang cadar Laws ........................... 40
Tabel 3.1 Rincian jumlah pengambilan data ....................................................................... 46
Tabel 3.2 Keterangan GUI .................................................................................................. 57
Tabel 4. 1 Tingkat keberhasilan pengenalan tekstur ........................................................... 61
Tabel 4. 2 Tabel perbandingan penelitian sebelumnya dengan penelitian sekarang ........... 77
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
DAFTAR GAMBAR
Gambar 2.1 (a) Gabah. (b) Anyaman bambu. (c) Rumput. (d) Jagung. (e) Kacang Tanah.
(f) Jerami. (g) Handuk. (h)Batu. (i) Keset (j) Karung Goni ......................... 23
Gambar 2.2 Citra tekstur ganda (a) gabah dan karung goni, (b) jagung dan karung goni,
(c) kacang dan karung goni. ......................................................................... 24
Gambar 2.3 arducam mini OV2640 ................................................................................. 25
Gambar 2.4 ESP8266 NodeMCU generasi kedua ............................................................ 26
Gambar 2.5 Skematik posisi pin NodeMCU .................................................................... 26
Gambar 2.6 Koordinat Citra Digital ................................................................................ 27
Gambar 2.7 Ilustrasi Digitalisasi Citra . ........................................................................... 28
Gambar 2.8 Skema ruang warna RGB dalam bentuk kubus . .......................................... 28
Gambar 2.9 Penambahan Campuran Warna Merah, Hijau, dan Biru . ............................ 29
Gambar 2.10 Cadar Laws berukuran 1 x 3 ......................................................................... 31
Gambar 2.11 Konvolusi dilakukan dengan melakukan proses di sepanjang kolom dan
baris pada citra ........................................................................................... 33
Gambar 2.12 Contoh Konvolusi 2 dimensi ...................................................................... 35
Gambar 2.13 Perhitungan konvolusi pada piksel pertama ................................................. 36
Gambar 2.14 Perhitungan piksel kedua dengan menggeser kernel ke kanan ..................... 36
Gambar 2.15 Pergeseran kernel satu piksel ke kanan ........................................................ 37
Gambar 2.16 Perhitungan konvolusi pada baris kedua ...................................................... 37
Gambar 2.17 Perhitungan piksel kedua dengan menggeser kernel ke kanan ..................... 38
Gambar 2.18 Pergeseran kernel satu piksel ke kanan ........................................................ 38
Gambar 2.19 Hasil akhir perhitungan konvolusi ................................................................ 39
Gambar 2.20 Bagian kernel yang tidak memiliki pasangan dengan piksel ...................... 40
Gambar 3.1 Diagram blok proses pengenalan tekstur ...................................................... 43
Gambar 3.2 Diagram alir ekstraksi ciri ............................................................................ 44
Gambar 3.3 Diagram alir subrutin Pengambilan Citra ..................................................... 45
Gambar 3.4 (a) Diagram alir subrutin pengambilan dan pengiriman video streaming dan
(b) Diagram alir inisialisasi NodeMCU ....................................................... 46
Gambar 3.5 (Lanjutan) (a) Diagram alir subrutin pengambilan dan pengiriman video
streaming dan (b) Diagram alir inisialisasi nodeMCU ................................ 47
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvi
Gambar 3.6 Diagram alir subrutin penerimaan video streaming ..................................... 48
Gambar 3.7 Diagram alir subrutin Preproocessing .......................................................... 49
Gambar 3.8 Diagram alir subrutin ekstraksi ciri .............................................................. 50
Gambar 3.9 Diagram alir subrutin metode laws ............................................................... 51
Gambar 3.10 Diagram alir subrutin fungsi jarak Similaritas Kosinus ............................... 52
Gambar 3.11 Diagram alir subrutin penentuan keluaran .................................................... 53
Gambar 3.12 Blok Diagram Subrutin Basis Data............................................................... 53
Gambar 3.13 Diagram alir perancangan basis data ............................................................ 54
Gambar 3.14 Sketsa perancangan GUI............................................................................... 55
Gambar 3.15 Diagram alir pengenalan citra pada GUI ...................................................... 56
Gambar 3.16 Perancangan Peletakan ................................................................................. 58
Gambar 4. 1 Persentase pengenalan tekstur tunggal tanpa pengaruh rst ........................... 60
Gambar 4. 2 Persentase pengenalan tekstur ganda tanpa pengaruh rst ............................. 60
Gambar 4. 3 Grafik pengaruh variasi rotasi terhadap tingkat pengenalan. ....................... 62
Gambar 4.4 Grafik pengaruh variasi skala terhadap tingkat pengenalan. ........................ 63
Gambar 4.5 Grafik pengaruh variasi translasi terhadap tingkat pengenalan. ................... 64
Gambar 4. 6 Variasi RST tekstur ganda ............................................................................ 65
Gambar 4. 7 Uji coba pengaruh jarak sebesar 40 meter ................................................... 66
Gambar 4. 8 Persentase variasi jarak modul nirkabel ....................................................... 66
Gambar 4. 9 Pengenalan tekstur terhadap kuat sinyal ....................................................... 67
Gambar 4.10 Perbandingan pengaruh rotasi menggunakan resolusi 160 × 120 dan resolusi
320 × 240 untuk tekstur tunggal. ................................................................. 68
Gambar 4.11 Perbandingan pengaruh rotasi menggunakan resolusi 160 × 120 dan resolusi
320 × 240 untuk tekstur ganda. .................................................................... 69
Gambar 4.12 Perbandingan pengaruh skala menggunakan resolusi 160 × 120 dan resolusi
320 × 240 untuk tekstur tunggal. ................................................................. 70
Gambar 4.13 Perbandingan pengaruh skala menggunakan resolusi 160 × 120 dan resolusi
320 × 240 untuk tekstur ganda. .................................................................... 71
Gambar 4.14 Perbandingan pengaruh translasi menggunakan resolusi 160 × 120 dan
resolusi 320 × 240 untuk tekstur tunggal. .................................................... 71
Gambar 4.15 Perbandingan pengaruh translasi menggunakan resolusi 160 × 120 dan
resolusi 320 × 240 untuk tekstur ganda. ...................................................... 72
Gambar 4. 16 Perbandingan pengaruh perubahan variasi rotasi ........................................ 74
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvii
Gambar 4. 17 Perbandingan pengaruh perubahan variasi skala ........................................ 74
Gambar 4. 18 Perbandingan pengaruh perubahan variasi translasi ................................... 75
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
BAB I
PENDAHULUAN
1.1. Latar Belakang
Menurut Bhosle dan Pawar [1], tekstur merupakan pengulangan dari elemen atau
pola pada suatu permukaan. Pengulangan elemen pada suatu permukaan membuat suatu
permukaan bisa dikatakan memiliki tekstur. Menurut Kamus Besar Bahasa Indonesia,
tekstur adalah ukuran dan susunan (jaringan) bagian suatu benda. Dalam pengertian lain,
tekstur merupakan jalinan atau penyatuan bagian-bagian sesuatu sehingga membentuk suatu
benda (seperti susunan serat dalam kain, susunan sel-sel dalam tubuh). Tekstur juga bisa
diartikan sebagai perasaan, rupa, atau konsistensi suatu permukaan atau substansi.
Penggunaan tekstur dapat dibagi menjadi dua, pertama untuk keperluan segmentasi atau
pemisahan antara satu objek dengan objek yang lainnya. Kedua adalah untuk klasifikasi
tekstur, dengan menggunakan fitur – fitur tekstur untuk mengklasifikasi objek.
Penggunaan tekstur untuk memperoleh suatu ciri atau karakteristik sebuah tekstur
dapat diperoleh dengan ekstraksi ciri tekstur. Tekstur dapat dianggap sebagai
pengelompokan kesamaan di dalam suatu citra. Sifat-sifat subpola lokal tersebut
menimbulkan keseragaman, kerapatan, kekasaran, keteraturan, kehalusan, dan lain
sebagainya. Karena komputer tidak memiliki indra penglihatan, maka komputer hanya
mengetahui pola suatu citra dari ciri atau karakteristik teksturnya.
Ekstraksi ciri tekstur semakin dikembangkan, dengan tujuan penggunaan komputer
pada pembacaan tekstur bisa menyerupai mata manusia. Tujuan lain adalah agar komputer
dapat memahami dan memproses tekstur. Karena komputer tidak memiliki kemampuan
melihat seperti manusia, maka komputer hanya mengetahui pola suatu citra digital dari
karakteristik teksturnya. Ekstraksi ciri citra merupakan tahapan mengidentifikasi ciri atau
informasi dari tekstur yang diambil oleh kamera, yang ingin dikenali atau dibedakan dengan
ciri tekstur lainnya. Ekstraksi ciri dilakukan dengan cara menghitung jumlah titik atau pixel
yang ada pada tekstur yang ditangkap oleh kamera.
Penulis membuat penelitian tentang pengenalan tekstur dengan ekstraksi ciri
menggunakan Metode Laws, yang diharapkan mampu mengenali citra tekstur dengan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
masukan sistem pengenalan tekstur ini yaitu jarak dan perpindahan. Laws mengemukakan
metode yang digunakan untuk mengklasifikasi setiap kelompok piksel di dalam citra guna
menentukan ukuran energi tekstur lokal. Penulis menggunakan metode Laws, karena sudah
dilakukan penelitian sebelumnya oleh Muhammad Bahrul H, dengan judul Implementasi
Konvolusi Berbasis Kernel Laws Menggunakan Renderscript Pada Android[2], model
pemrograman yang diusulkan dalam penelitian tersebut adalah Renderscript dengan
menggunakan perangkat mobile berbasis android, dan penelitian tersebut mencoba
mengimplementasikan filter tekstur Laws untuk pengukuran energi tekstur pada citra. Hasil
dari penelitian ini adalah implementasi komputasi paralel pada metode Laws untuk
menentukan ukuran energi tekstur daun cocor bebek. Penelitian tersebut membandingkan
proses implementasi metode Laws secara sekuens dan komputasi secara pararel. Hasil
perbandingan menunjukkan angka 92% peningkatan konsumsi waktu yang dihasilkan dari
implementasi komputasi pararel. Penelitian yang kedua oleh Sonali Dash dan Uma Ranjan
Jena dengan judul texture Classification Using Laws Filter in Various Color Spaces[3].
Hasil dari penelitian ini adalah perbandingan hasil klasifikasi ruang warna termasuk tingkat
keabuan menggunakan metode Laws antara Salzburg Texture Image Database (Stex) dan
The Vision Texture (VisTex).
Penulis mengembangkan penelitian sebelumnya oleh Wayan Pandri Adnyana dengan
judul Pengenalan Tekstur Dengan Statistical Texture Descriptor [4], untuk mengembangkan
penelitian sebelumnya mengenai tingkat keberhasilan pengenalan tekstur pada uji variasi
RST metode Laws. Selain itu dengan menambahkan modul nirkabel dalam proses
pengiriman data. Untuk dapat diproses lebih lanjut data dikirim dari transmiter menuju
receiver dengan menggunakan modul nirkabel. Pengiriman data dengan menggunakan
wireless dengan keuntungan lebih praktis, kecepatan pengiriman juga cukup tinggi, terdapat
juga kerugian di antaranya dimungkinkan kehilangan data saat pengiriman akibat adanya
interferensi dengan sinyal lain dan harga perangkat yang biasanya cukup mahal.
1.2. Tujuan dan Manfaat Penelitian
Tujuan dari penelitian ini adalah membuat aplikasi yang dapat mengklasifikasi jenis
tekstur menggunakan metode Laws serta modul nirkabel.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
Manfaat dari penelitian ini adalah sebagai alat bantu bagi peneliti yang menggunakan
computer vision untuk mengetahui jenis citra tekstur dari berbagai macam jenis bahan
dengan karakteristiknya.
1.3. Batasan Masalah
Sistem pengembangan pengenalan tekstur dengan metode Laws serta modul nirkabel
menggunakan software dan hardware. Perangkat lunak yang digunakan berupa program
Matlab. Perangkat keras berupa laptop, webcam serta modul nirkabel. Untuk penelitian ini
Matlab digunakan untuk mengolah data tekstur yang diambil menggunakan kamera.
Pada penelitian ini penulis fokus pada pembuatan software untuk ekstraksi ciri
tekstur. Dalam pengembangan penelitian ini penulis menetapkan beberapa batasan masalah,
antara lain:
a. Kondisi cahaya sekitar mempengaruhi tangkapan citra dan hasil ketika diproses
menggunakan metode Laws.
b. Variasi jarak antara tekstur yang diambil dengan perangkat kamera.
c. Metode Laws dan fungsi Similaritas Kosinus digunakan untuk pengenalan citra
tekstur.
d. Menggunakan fungsi Similaritas Kosinus sebagai metode perbandingan untuk
mengenali tekstur.
e. Pengiriman data mengunakan modul wifi ESP8266 NodeMCU.
f. Batas maksimal jarak dalam penggunaan modul wifi ESP8266 NodeMCU.
g. Citra tekstur yang dikenali ada 2 jenis tekstur tunggal antara lain; gabah, anyaman
bambu, rumput, jagung, kacang tanah, jerami, handuk, bebatuan, keset, karung goni.
Tekstur ganda : gabah dengan karung goni, jagung dengan karung goni, kacang
dengan jagung dengan proporsi 50% tekstur 1 dan 50% untuk tekstur 2.
h. Citra yang dikenali sebagai input adalah citra RGB dengan ukuran 160 x 120.
i. Menggunakan 3 variasi sudut putaran yaitu 20o, 60o dan 120o. Variasi sudut tersebut
diperoleh berdasarkan penelitian sebelumnya[4].
j. Menggunakan 3 variasi jarak yaitu 20 cm, 25 cm, dan 30 cm. Variasi jarak tersebut
diperoleh berdasarkan penelitian sebelumnya[4].
k. Translasi berukuran 1 cm, yang terdiri dari geser ke atas, bawah, kiri dan kanan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
l. Hasil pengenalan tekstur diluar 13 tekstur yang sudah dilatihkan akan dikenali
sebagai 13 tekstur yang sudah dilatihkan. 13 tekstur ini terdiri dari 10 tekstur pada
penelitian sebelumnya[4], ditambah tiga tekstur ganda dari masukan penguji.
m. Jarak modul nirkabel dengan laptop diambil dengan jarak 0 meter hingga 80 meter.
1.4. Metode Penelitian
Langkah – langkah dalam pengerjaan tugas akhir:
a. Pengumpulan bahan – bahan referensi berupa jurnal – jurnal ilmiah, buku, serta
website mengenai pengenalan tekstur dan modul nirkabel, program Matlab, image
processing dan metode Laws .
b. Pembuatan software
Sistem pengenalan tekstur akan bekerja apabila pengguna menekan tombol “
Camera ON” dalam tampilan visual software. Kemudian arducam akan mengambil
citra yang sudah ditentukan. Setelah proses pengambilan citra, arducam mengirim
data citra kedalam laptop dengan menggunakan modul esp8266. Selanjutnya, citra
diterima di laptop, lalu Matlab akan memproses citra tekstur yang sudah ditangkap
menggunakan Arducam. Hasil dari proses dibandingkan dengan hasil ekstraksi ciri
dari basis data. Penelitian ini menggunakan fungsi similaritas kosinus, dengan ini
tekstur dengan hasil terkecil akan keluar sebagai keluaran berupa tulisan pada layar
monitor.
c. Pembuatan basis data
Pembuatan basis data diawali dengan mengambil data berupa citra tekstur.
Citra tekstur yang disimpan kedalam basis data sebanyak 13 data. Selanjutnya data
tersebut diproses pada tahap preprocessing. Tahap preprocessing yaitu mengonversi
citra RGB ke grayscale. Hasil preprocessing akan menjadi masukkan pada tahap
ekstraksi ciri. Hasil ekstraksi ciri berupa angka dan disimpan ke dalam matriks basis
data. Tahap ekstraksi ciri disimpan dalam format “.mat”. Hasil ekstraksi ciri
disimpan dalam folder dan digunakan sebagai acuan dalam pengenalan tekstur.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
d. Pengambilan data
Penilitian ini menggunakan 13 jenis tekstur, variasi skala, sudut perputaran
(rotasi) dan posisi awal suatu citra (translasi). Tekstur yang diuji ialah tekstur tunggal
dan tekstur ganda. Sepuluh jenis tekstur tunggal yang akan diuji antara lain: gabah,
jagung, kacang tanah, anyaman bambu, karung goni, keset, jerami, handuk, rumput,
dan bebatuan. Tiga jenis tekstur ganda yang akan diuji antara lain: gabah dan karung
goni, jagung dan karung goni, serta kacang dan karung goni. Untuk variasi skala citra
tekstur digunakan 3 variasi jarak yaitu 20cm, 25cm dan 30cm . Sudut putaran yang
akan digunakan yaitu 0°, 20°, 60° dan 120°. Citra digeser sebanyak 4 kali dari posisi
awal. Jumlah data yang diambil terdiri dari, 13 citra tekstur x 3 variasi jarak = 39
data, 13 citra tekstur x 4 variasi sudut = 52 data dan 13 citra tekstur x 4 variasi
translasi = 52 data. Masing – masing data kemudian ditambahkan dan didapat data
sebanyak 143 data pada penelitian ini.
e. Analisis dan penyimpulan
Analisis data yang dilakukan dengan meneliti pengaruh variasi rotasi, jarak,
dan pergeseran input terhadap pengenalan tekstur. Penyimpulan hasil dilakukan
untuk mengetahui pengaruh invarian rotasi, skala dan translasi terhadap Metode
Laws.Penyimpulan hasil juga dilakukan dengan membandingkan performasi Metode
Laws dengan Statistical Texture Descriptor.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
BAB II
DASAR TEORI
2.1 Tekstur
Menurut Kamus Besar Bahasa Indonesia, tekstur merupakan ukuran dan susunan
(jaringan) bagian sutu benda. Dalam pengertian lain, tekstur merupakan jalinan atau
penyatuan bagian – bagian sesuatu sehingga membentuk suatu benda (seperti susunan serat
dalam kain, susunan sel-sel dalam tubuh). Menurut Bhosle dan Pawar[1], tekstur merupakan
pengulangan dari elemen atau pola pada suatu permukaan. Pengulangan elemen pada suatu
permukaan membuat suatu permukaan bisa dikatakan memiliki tekstur. Dalam bukunya,
Kadir mengatakan definisi tekstur sebagai hubungan mutual antara nilai intensitas piksel
kedatangan yang berulang di suatu area yang lebiih luas daripada jarak hubungan
ketetanggaan tersebut[1]. Beberapa tekstur yang digunakan dibagi menjadi 2 jenis, yaitu
tekstur tunggal dan tekstur ganda yang dapat dilihat pada Gambar 2.1 di bawah ini.
Gambar 2.1 (a) Gabah. (b) Anyaman bambu. (c) Rumput. (d) Jagung. (e) Kacang Tanah.
(f) Jerami. (g) Handuk. (h)Batu. (i) Keset (j) Karung Goni
(a) (b) (c) (d)
(e)
(e)
(f) (g) (h) (i)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
Gambar 2.1. menunjukkan citra tekstur tunggal. Hanya ada satu jenis tekstur yang
akan diambil ketika melakukan proses ekstraksi ciri. Sedangkan untuk citra tekstur ganda
berupa gabungan 2 citra tekstur yang dijadikan satu ketika dilakukan proses ekstraksi ciri.
Terdapat 3 citra tekstur ganda yang digunakan dan dapat dilihat pada Gambar 2.2..
(a) (b) (c)
Gambar 2.2 Citra tekstur ganda (a) gabah dan karung goni, (b) jagung dan karung goni, (c)
kacang dan karung goni.
Dari beberapa tekstur yang digunakan, tekstur dapat dianggap sebagai
pengelompokan kesamaan di dalam suatu citra. Sifat - sifat subpola lokal tersebut
menimbulkan keseragaman, kerapatan, kekasaran, keteraturan dan ketidakteraturan. Tekstur
yang digunakan diambil dengan menggunakan kamera.
2.2 ArduCam OV2640
Modul kamera ArduCAM OV2640 merupakan versi yang paling baik dari
ArduCAM Shield Rev.C. Modul kamera ini adalah kamera SPI high definition 2 MP dengan
sensor gambar CMOS OV2640. Spesifikasi arducam dapat dilihat pada Tabel 2.1. Code
library dan peralatan pendukung dibutuhkan untuk dapat menggunakan arducam OV2640.
Arducam memiliki kelebihan diantara lain dapat digunakan di berbagai kit, seperti arduino
dan Raspberry. Model arducam yang digunakan dalam penelitian ini dapat dilihat pada
Gambar 2.3.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
Tabel 2.1 Spesifikasi arducam
Key Specification 2MP
Image Sensor OV2640
Active array size 1600 x 1200
Shutter Rolling shutter
Lens ¼ inch
SPI Speed 8MHz
Frame buffer size 384KB
Board size 34 x 24 mm
Weight 20g
Temperature -10oC ~+55oC
Power consumption Normal : 5V/70mALow
Power mode : 5V/20mA
Gambar 2.3 arducam mini OV2640
2.3 ESP8266 NodeMCU
ESP8266 merupakan modul wifi yang berfungsi sebagai perangkat tambahan
mikrokontroler seperti arduino agar dapat terhubung langsung dengan wifi dan membuat
koneksi TCP/IP[3]. ESP8266 NodeMCU merupakan development board berbasis modul
ESP8266 varian ESP-12. NodeMCU adalah sebuah platform IoT yang bersifat opensource.
Istilah NodeMCU secara default sebenarnya mengacu pada firmware yang digunakan.
ESP8266 NodeMCU memerlukan daya sebesar 3,3 V namun masih bisa terhubung dengan
5V namun melalui port micro USB, dengan tiga metode station, acces point, dan keduanya.
Pada umumnya, ESP8266 NodeMCU dapat diprogram dengan AT command via serial
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
UART atau dengan pemrograman ke mikrokontroler yang ada di ESP8266 menggunakan
Arduino IDE. Gambar 2.4. menunjukkan model kit dari ESP8266 NodeMCU.
Gambar 2.4 ESP8266 NodeMCU generasi kedua
Gambar 2.5. menunjukkan skematik posisi pin NodeMCU generasi kedua.
NodeMCU generasi kedua ini adalah pengembangan dari versi sebelumnya, yaitu ESP
12 menjadi ESP 12E, dan IC Serial diubah dari CHG340 menjadi CP2102.
Gambar 2.5 Skematik posisi pin NodeMCU
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
2.4 Pengolahan Citra Digital
2.4.1. Definisi Citra Digital
Citra digital adalah gambar dua dimensi yang bisa ditampilkan pada layar
komputer sebagai himpunan / diskrit nilai digital yang disebut pixel / picture elements.
Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak
melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi
keluaran yang berbentuk citra.
Citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom,
dengan x dan y adalah koordinat spasial, dan amplitudo f di titik koordinat (x,y)
dinamakan tingkat keabuan dari suatu citra. Apabila nilai x, y dan f secara keselurahan
berhingga dan bernilai diskrit maka citra tersebut adalah citra digital. Citra digital dalam
bentuk matrik dapat dilihat pada persamaan 2.1 dan posisi koordinat citra digital dapat
dilihat pada Gambar 2.6[6].
Gambar 2.6 Koordinat Citra Digital [6]
f(x,y) = [
f(0,0) f(0,1) ⋯ f(0, N - 1)
f(1,0) f(1,1) ⋯ f(1, N - 1) ⋮
f(M - 1,0)⋮
f(M - 1,1) ⋮
⋯ f(M - 1, N - 1)
] (2.1)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
Nilai pada suatu irisan antara baris dan kolom f(x,y) sering disebut dengan piksel
pada citra digital. Pada persamaan 2.1 terdapat f(0, N-1) yang artinya pada piksel yang
dengan nilai sumbu x = 0 dan sumbu y = jumlah kolom dikurang 1. Ilustrasi digitalisasi citra
dengan M = 16 baris dan N = 16 kolom ditunjukan pada Gambar 2.7.
Gambar 2.7 Ilustrasi Digitalisasi Citra (piksel pada koordinat x = 10, y = 3
memiliki nilai 110) [6].
2.4.2 Ruang warna RGB
Citra RGB merupakan jenis citra yang menyajikan warna dalam bentuk
komponen R (merah), G (hijau), B (biru). Setiap komponen warna menggunakan 8 bit
(nilainya berkisar antara 0 sampai dengan 255)[6]. Secara umum, citra berwarna dapat
direpresentasikan dalam bentuk kubus tiga dimensi, dengan tiga warna dasar merah,
hijau dan biru berada pada ujung sumbu kubus. Warna hitam berada pada titik pusat
kubus (0) dan warna putih berada di ujung kubus yang berseberangan. Skema ruang
warna RGB dalam bentuk tiga dimensi dapat dilihat pada Gambar 2.8.
Gambar 2.8 Skema ruang warna RGB dalam bentuk kubus [1].
f(x,y)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
Pencampuran tiga warna dasar dapat direpresentasikan dalam suatu sinar
tambahan untuk membentuk warna baru. Pencampuran tiga warna dasar ini dapat
dilihat pada Gambar 2.9. menunjukkan hasil campuran tiga warna dasar yaitu
pencampuran antara warna merah dan hijau akan menghasilkan warna kuning,
pencampuran antara warna biru dan hijau akan menghasilkan warna cyan,
pencampuran antara warna merah dan biru akan menghasilkan warna magenta dan
pencampuran antara warna merah, hijau dan biru akan menghasilkan warna putih.
Gambar 2.9 Penambahan Campuran Warna Merah, Hijau, dan Biru [8].
2.4.3. Citra grayscale
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 pixel pada spektrum elektromagnetik single band. Pada
jenid gambar ini, warna dinyatakan dengan intensitas. Intensitas berkisar antara 0 sampai
255. Nilai 0 menyatakan hitam dan nilai 255 menyatakan putih.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
2.4.2. Mengonversi Citra RGB ke grayscale
Proses awal yang banyak dilakukan dalam image processing adalah mengubah
citra berwarna menjadi citra gray-scale, hal ini digunakan untuk menyederhanakan
model citra. Citra warna terdiri dari 3 layer matrik yaitu R-layer, G-layer dan B-layer.
Sehingga untuk melakukan proses-proses selanjutnya tetap diperhatikan tiga layer di
atas. Bila setiap proses perhitungan dilakukan menggunakan tiga layer, berarti dilakukan
tiga perhitungan yang sama. Sehingga konsep itu diubah dengan mengubah 3 layer di
atas menjadi 1 layer matrik gray-scale dan hasilnya adalah citra gray-scale. Dalam citra
ini tidak ada lagi warna, yang ada adalah derajat keabuan.
Untuk mengubah citra berwarna yang mempunyai nilai matrik masing-masing r,
g dan b menjadi citra gray scale dengan nilai s, maka konversi dapat dilakukan dengan
menjumlahkan dari nilai r, g dan b dengan rumus yang dapat dituliskan menjadi[11]:
𝑠 = 0.2989 ∗ 𝑅 + 0.5870 ∗ 𝐺 + 0.1140 ∗ 𝐵 (2.2)
Pada persamaan 2.2 terdapat tiga komponen angka yang digunakan untuk
pengkalian tiap masing-masing nilai komponen warna R, G dan B, diambil dari koefisien
yang digunakan untuk menghitung luminance (E'y) di Rec.ITU-R BT.601-7 setelah
pembulatan menjadi 3 desimal. Rec.ITU-R yaitu standar yang dikeluarkan oleh
International Telecommunication Union pada tahun 1982 untuk meyandikan interlaced
sinyal video analog dalam bentuk video digital.
2.5 Metode Laws
Laws merupakan metode yang digunakan untuk mengklasifikasi setiap kelompok
piksel di dalam citra guna menentukan ukuran energi tekstur lokal[1]. Pada metode ini
filter Gaussian, deteksi tepi, dan jenis Laplacian ditambahkan guna melengkapi metode
laws dan membentuk citra yang berisi energi tekstur, sehingga dapat digunakan untuk
kepentingan segmentasi. Ekstraksi tekstur dengan metode Laws ini menggunakan
pasangan cadar yang berguna untuk proses filterisasinya. Pasangan cadar ada dua yaitu
pasangan cadar 1 x 3 dengan 9 pasang cadar untuk proses filterisasinya, dan pasangan
cadar dengan ukuran 1 x 5 dengan 25 pasang cadar. Pada penelitian ini penulis
menggunakan pasangan cadar 1 x 3. Masing – masing pasangan cadar memiliki beberapa
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
nama filter berupa L3, E3, dan S3, ketiga nama filter tersebut memiliki bentuknya seperti
berikut :
LE = [1 2 1]
E3 = [-1 0 1]
S3 = [-1 2 -1]
Karakteristik ketiga filter ditunjukkan pada gambar 2.10. setiap huruf awal di
dalam cadar gabahal dari kepanjangan kata seperti berikut :
L = Local averaging, yang berarti perataan secara lokal
E = Edge detection, yang berarti pendeteksian tepi
S = Spot detection, yang berarti pendeteksian titik
Gambar 2.10 Cadar Laws berukuran 1 x 3[11]
Pasangan dua cadar dapat digabung berdasar perkalian vektor. Dengan demikian, akan
terbentuk matriks berukuran 3x3 atau 5x5. Sebagai contoh, L3 x S3 menghasilkan matriks
seperti berikut:
121
242
121
121
1
2
1
Oleh karena itu, dengan cadar berukuran 1x3 dapat diperoleh kombinasi perkalian
sebanyak 9, sedangkan dengan cadar berukuran 1x5 dapat terbentuk 25 kombinasi
perkalian. Tabel 2.3. menunjukkan kesembilan kombinasi ketiga cadar 1x3.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
Tabel 2.2 Kombinasi cadar 1 x 3
Nama Kernel Matriks Keterangan
L3L3 L3’L3 Menyatakan perataan intensitas aras keabuan piksel –
piksel yang bertetangga dengan ukuran 3 x 3
L3E3 L3’E3 Pererataan pada arah vertikal dan pendeteksian tepi pada
arah horizontal
L3S3 L3’S3 Pererataan pada arah verikal dan pendeteksian tiik pada
arah horizontal
E3L3 E3’L3 Pendeteksian tepi pada arah vertikal dan perataan
intensitas pada arah horizontal
E3E3 E3’E3 Pendeteksian tepi pada arah vertikal dan horizontal
E3S3 E3’S3 Pendeteksian tepi pada arah vertikal dan pendeteksian
titik pada arah horizontal
S3L3 S3’L3 Pendeteksian titik pada arah vertikal dan pererataan
intensitas pada arah horizontal
S3E3 S3’E3 Pendeteksian titik pada arah vertikal dan pendeteksian
tepi pada arah horizontal
S3S3 S3’S3 Pendeteksian titik pada arah vertikal dan horizontal
2.6 Konvolusi
Konvolusi merupakan perkalian antara matrik citra asal dengan matrik tapis
untuk menghasilkan citra yang baru. Operasi konvolusi dilakukan dengan menggeser
kernel konvolusi pixel per pixel, dan hasil konvolusi disimpan dalam matrik yang baru.
Wujud kernel umumnya bujur sangkar, tetapi dapat pula berbentuk persegi panjang.
Gambar di bawah ini menunjukan penggunaan konvolusi, dengan kernel digeser
sepanjang baris dan kolom dalam citra. Pada pelaksanaan proses koonvolusi, kernel
digeser sepanjang baris dan kolom dalam citra. Gambar 2.11 menunjukkan penggunaan
proses konvolusi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
Gambar 2.11 Konvolusi dilakukan dengan melakukan proses di sepanjang
kolom dan baris pada citra [1]
Metode konvolusi memiliki kemampuan merekonstruksi kerusakan nilai-nilai
pixel pada sebuah citra sehingga dapat melakukan proses pengubahan sebuah tampilan
citra menjadi lebih bagus. Melalui pengisian nilai-nilai matrix dapat memperjelas dan
memperhalus citra agar menjadi lebih natural sesuai objek aslinya. Mempertajam garis
tepi citra dan memperhalus atau melembutkan citra [9]. Konvolusi sangat banyak
dipergunakan dalam pengolahan citra untuk memperhalus (smoothing), menajamkan (
sharpening ), mendeteksi tepi (edge detection), serta efek lainnya. Manfaat lain
menggunakan konvolusi adalah perbaikan kualitas citra, menghilangkan derau, dan
mengurangi kerutan.
Pada pengolahan citra digital, konvolusi dilakukan secara dua dimensi pada
sebuah citra melalui persamaan berikut [9] :
jk
kyjxfkjhyxg ),().,(),( (2.3)
Dalam prakteknya, persamaan diatas ditulis ulang sebagai berikut :
2
2
2
2
),().,(),(m
mj
n
nk
kyjxfkjhyxg (2.4)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
Dari persamaan diatas terdapat m2 dan n2, dimana m2 sama dengan setengah lebar
kernel dan n2 sama dengan setengah dari tinggi kernel. Persamaan dari kedua
keterangan tersebut dapat dilihat sebagai berikut :
]2/[2 mm (2.5)
dan
]2/2[2 nn (2.6)
Dasar mekanisme yang digunakan untuk memahami konvolusi satu dimensi, dapat
diperluas ke domain dua dimensi. Dari kasus tersebut A biasanya masukan citra asli
dan B merupakan citra kedua. Sebagai contoh, dapat dilihat dari perkalian konvolusi
dibawah ini.
64432173
83294581
90148125
42408979
60912724
38403590
01591123
73264385
A
210
111
012
B
Hasil konvolusi dari A*B akan menjadi seperti berikut :
1211512102559
2231261921
9171673915
5243116121
991210992129
1829152214
1133728118
496232621020
* BA
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
Gambar 2.12 Contoh Konvolusi 2 dimensi [10]
Gambar 2.12. menunjukkan perhitungan piksel per piksel pada proses
konvolusi, dari kiri atas hingga piksel terakhir. Kernel g(x) merupakan suatu jendela
yang dioperasikan secara bergeser pada sinyal masukan f(x), yang berarti jumlah
perkalian kedua fungsi pada setiap titik merupakan hasil konvolusi yang dinyatakan
dengan keluaran h(x).
Teknik konvolusi yang digunakan pada citra, pada umumnya pixel yang akan
diproses dengan pixel – pixel disekitarnya dimasukkan ke dalam sebuah matrix 2
dimensi yang berukuran N x M. Matrix ini dinamakan matrix neighbor (matrix tetangga,
dimana dimensi filter pada umumnya berkelipatan ganjil karena titik yang akan diproses
diletakkan di tengah dari matrix. Untuk citra, konvolusi dituliskan :
h(x,y) = f(x,y) * g(x,y) (2.6)
Dibawah ini merupakan contoh ilustrasi hasil operasi konvolusi. Dengan
permisalan citra f(x,y) yang berukuran 5x5 dan sebuah kernel atau mask yang berukuran
3x3.
Perkalian cadar 1 dengan cadar 2
121
242
121
121
1
2
1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
Hasil perkalian cadar 1 dan cadar 2 menjadi sebuah kernel berukuran 3x3.
f(x,y) merupakan matrik citra asal, g(x,y) merupakan kernel.
44252
35576
26665
25566
45344
),( yxf dan
121
242
121
),( yxg
1. Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai piksel pada posisi (0,0)
dari kernel.
Gambar 2.13 Perhitungan konvolusi pada piksel pertama
Hasil konvolusi = 4, nilai ini dihitung dengan cara berikut :
(-1x4) + (2x4) +(-1x3) + (-2x6) + (4x6) + (-2x5) + (-1x5) + (6x2) + (-1x6) = 4
2. Geser kernel satu piksel ke kanan, kemudian hitung piksel pada posisi (0,0) dari
kernel.
Gambar 2.14 Perhitungan piksel kedua dengan menggeser kernel ke kanan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
Hasil perhitungan sebagai berikut :
(-1x4) + (2x3) + (-1x5) + (-2x6) + (4x5) + (-2x5) + (-1x6) + (2x6) + (-1x6) = -5 0
Karena hasil perhitungan negatif maka nilai dirubah menjadi nol (0)
3. Geser kernel satu piksel ke kanan, kemudian hitung nilai piksel pada posisi (0,0) dari
kernel.
Gambar 2.15 Pergeseran kernel satu piksel ke kanan
Hasil perhitungan sebagai berikut :
(-1x3) + (2x5) + (-1x4) + (-2x5) + (4x5) + (-2x2) + (-1x6) + (2x6) + (-1x2) = 13
4. Geser kernel satu piksel kebawah, lalu mulai kembali melakukan konvolusi dari sisi
kiri citra.
Gambar 2.16 Perhitungan konvolusi pada baris kedua
Hasil perhitungan sebagai berikut :
(-1x6) + (2x6) + (-1x5) + (-2x5) + (4x6) + (-2x6) + (-1x6) + (2x7) + (-1x5) = 6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
5. Geser kernel satu piksel ke kanan.
Gambar 2.17 Perhitungan piksel kedua dengan menggeser kernel ke kanan
Hasil perhitungan sebgain berikut :
(-1x6) + (2x5) + (-1x5) + (-2x6) + (4x6) + (-2x6) + (-1x7) + (2x5) + (-1x5) = -3 0
Karena hasil perhitungan negatif, maka nilai dirubah menjadi nol (0)
6. Geser kernel satu piksel kekanan.
Gambar 2.18 Pergeseran kernel satu piksel ke kanan
Hasil perhitungan sebagai berikut :
(-1x5) + (2x5) + (-1x2) + (-2x6) + (4x6) + (-2x2) + (-1x5) + (2x5) + (-1x3) = 13
7. Dengan cara yang sama, piksel-piksel pada baris ketiga di konvolusi dan didapatkan
hasil seperti dibawah ini :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
Gambar 2.19 Hasil akhir perhitungan konvolusi
Setelah melalui proses ekstraksi ciri menggunakan metode laws dan proses
konvolusi, lalu dihitung mean dan variance sebagai hasil keluaran, dengan
menggunakan persamaan 2.7 dan 2.8.
Rumus mean
W
ngpixelsneighbourimean w
(2.7)
(14+3+0+9+5+20+4+0+13+0+19+6+0+13+0+13+13+0+10+4+3+15+0+6+9)
25
= 179
25
= 7.16
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
Rumus varian
W
meanngpixelsneighbouriiance w
2)(var (2.8)
)16,713()16,70()16,74(16,720()16,75()16,79()16,70()16,73()16,714( +
(0−7,16)+(19−7,16)+(6−7,16)+(0−7,16)+(13−7,16)+(0−7,16)+(13−7,16)+(13−7,16)+(0−7,16)+(10−7,16)+(4−7,16)+(3−7,16)+(15−7,16)+(0−7,16)+6−7,16)+(9−7,16)
25
= 0
25 = 2,8
Tabel 2.3 Hasil perhitungan mean dan varian dari 9 pasang cadar Laws
L1 L2 L3 L4 L5 L6 L7 L8 L9
Mean 71,68 0 4,16 0 17,92 2,08 3,2 1,36 0,68
varian 0,4 0 2,496 0 0 0,9152 1,648 0,8704 0,4624
Gambar 2.20. Menunjukkan beberapa piksel tidak dikenai konvolusi, yaitu baris
dan kolom yang terletak di tepi citra. Hal ini disebabkan piksel yang berada pada tepi
tidak memiliki tetangga yang lengkap sehingga tentu saja rumus konvolusi tidak berlaku
pada piksel seperti itu. Piksel yang tidak dikenai konvolusi maka bernilai 0.
A
B
Gambar 2.20 Bagian kernel yang tidak memiliki pasangan dengan piksel [1]
Gambar 2.20. menunjukan problem konvolusi pada piksel yang tidak mempunyai
tetangga. Keadaan seperti itu dapat diatasi dengan mengabaikan piksel pada bagian tepi.
Cara seperti ini dapat diatasi dengan memberikan nilai nol atau diisi sesuai nilai pada citra
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
asal. Solusi yang kedua adalah membuat baris dan kolom tambahan pada bagian tepi, baris
dan kolom baru diisi dengan nilai nol (0). Solusi yang ketiga adalah dengan mengambil
bagian yang tidak punya pasangan dengan bagian lain dari citra.
2.7 Similaritas Kosinus
Metode Similaritas Kosinus dapat digunakan untuk membandingkan database
dengan data hasil masukan secara real-time. Pembandingan data ini yang akan digunakan
untuk mengidentifikasi masukan yang nantinya menghasilkan keluaran akhir dari sistem
program. Similaritas merupakan proses yang digunakan untuk penentuan keluaran
sebelum keluaran akhir benar-benar dihasilkan.
Rumus untuk similaritas kosinus sebagai berikut [10]:
d
i i
d
i I
d
i
QP
QiPiSCos
1
2
1
2
1
.
. (2.9)
Ket. : P = data masukan ; Q = database; d = banyak data
Contoh penggunaan rumus Similaritas Kosinus sebagai berikut :
Elemen Matriks A = ( 1, 2, 3 )
Elemen Matriks B = ( 2, 3, 4 )
Elemen Matriks C = ( 3, 2, 3 )
Similaritas Kosinus matriks A dan matriks B
Scos =(1×2)+(2×3)+(3×4)
√12+22+32× √22+32+42
=20
√14 × √29
=0,922
Similaritas Kosinus matriks A dan matriks C
Scos = (1×3)+(2×2)+(3×3)
√12+22+32 × √32+23+33
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
=16
√14 × √22
= 0,911
2.8 Basis Data
Dalam penelitian ini basis data diperlukan pada proses perhitungan jarak. Basis
data merupakan kumpulan informasi yang akan menjadi acuan dan disimpan dalam
komputer secara sistematik. Pembuatan basis data dilakukan sebanyak 13 kali percobaan
dengan 10 jenis tekstur tunggal dan 3 jenis tekstur ganda, untuk menghasilkan 13 sampel
dari masing – masing tekstur.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
BAB III
RANCANGAN PENELITIAN
3.1. PROSES PENGENALAN CITRA TEKSTUR
Proses pengenalan citra tekstur diawali dengan pemilihan dan pengambilan citra
yang akan diolah, pembuatan database berdasarkan citra yang diambil menggunakan
kamera, ekstraksi ciri dengan metode Laws menggunakan program Matlab, fungsi jarak, dan
proses penentuan hasil keluaran dari ekstraksi ciri. Proses perancangan sistem pengenalan
tekstur dapat dilihat pada Gambar 3.1.
Gambar 3.1 Diagram blok proses pengenalan tekstur
Pengambilan
Citra Tekstur
Pengiriman
Citra Tekstur
Penerimaan
Citra
Tekstur
Database
Fungsi
similaritas
kosinus
Penentuan
Keluaran
Preprocessing Ekstraksi Ciri
dengan Metode
laws
Keluaran
berupa teks
pada
monitor
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
Proses pengambilan citra menggunakan Arducam. Berdasarkan diagram blok di atas
pengiriman dan penerimaan citra tekstur, menggunakan modul nirkabel esp8266. Proses
preprocessing citra tekstur yang diambil dikonversi ke dalam bentuk grayscale, kemudian
citra menjadi masukan untuk tahap selanjutnya, yaitu tahap pengenalan.
Tahap pengenalan terdiri dari beberapa tahap yaitu ekstraksi ciri, perhitungan fungsi
jarak, dan basis data citra tekstur. Tahap terakhir dari proses sistem ini yaitu tahap penentuan
keluaran. Hasil penentuan keluaran sistem ini berdasarkan jarak maksimal yang diperoleh
dari hasil perbandingan antara data awal dengan hasil ekstraksi ciri. Gambar 3.2
menunjukkan diagram alir ekstraksi ciri secara keseluruhan.
Gambar 3.2 Diagram alir ekstraksi ciri
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
Diagram alir di atas menunjukkan proses ekstraksi ciri. Tahap awal yang dilakukan
adalah pengambilan citra tekstur dengan Arducam OV2640, dimana objek dari tekstur
berupa gambar citra yang diambil secara realtime, lalu dikirim menggunakan modul nirkabel
esp8266 NodeMCU kedalam laptop, kemudian layar menampilkan tangkapan citra dalam
bentuk citra greyscale.. Selanjutnya tahap preprocessing yaitu mengubah citra asli menjadi
citra grayscale, karena citra hasil pengambilan dengan arducam NodeMCU berupa citra
berwarna RGB(red, green,blue) dan juga akan menampilkan hasil dari preprocessing.
Kemudian akan dilanjutkan ketahap ekstraksi ciri dengan metode Laws. Hingga pada akhirnya
dilanjutkan ketahap fungsi jarak dan proses konvolusi untuk menntukan keluaran dari hasil
ekstraksi ciri yang telah diolah melalui beberapa tahap sebelumnya. Hasil keluaran berupa
teks pada layar monitor.
3.1.1. Pengambilan Citra Tekstur
Tahap pengambilan citra tekstur adalah proses mengambil gambar dengan
menggunakan arducam OV2640 yang akan disimpan dalam satu folder. Jarak pengambilan
gambar dilakukan bervariasi dari jarak minimal 25 cm hingga 35 cm dengan rentang jarak
masing-masing 5 cm. Arducam akan dihubungkan dengan perangkat modul nirkabel esp
8266 NodeMCU sehingga setelah pengambilan citra, citra dapat langsung dikirim dan
diterima langsung didalam laptop untuk di olah dengan menggunakan aplikasi Matlab, dapat
di gambarkan melalui diagram alir pada Gambar 3.3.
Gambar 3.3 Diagram alir subrutin Pengambilan Citra
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
Tabel 3.1 Rincian jumlah pengambilan data
No Keterangan Jumlah
1. Jumlah Tekstur 13 Tekstur tunggal dan tekstur
ganda
2. Variasi jarak 3 20 cm, 25 cm, 30 cm
3. Variasi sudut 4 0°, 20°, 60°, 120°
4 Variasi translasi 4 Atas, bawah, kanan, kiri
3.1.2. Pengambilan dan Pengiriman Video Tekstur
NodeMCU ESP-12E sebagai Acces Point akan mendapat alamat IP. Peneerima
terlebih dahulu harus terkoneksi pada Acces Point ESP-12E. Proses pengiriman dan
penerimaan citra terjadi secara bersamaan. Citra tekstur yang telah disimpan akan dikirim
ke server setelah penerima mengakses alamat IP ESP-12E. Diagram alir subrutin pengiriman
dan penerimaan citra tekstur dapat dilihat pada Gambar 3.4 (a) dan (b).
Gambar 3.4 (a) Diagram alir subrutin pengambilan dan pengiriman video streaming dan
(b) Diagram alir inisialisasi NodeMCU
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
Gambar 3.5 (Lanjutan) (a) Diagram alir subrutin pengambilan dan pengiriman video
streaming dan (b) Diagram alir inisialisasi nodeMCU
3.1.3 Penerimaan Video Tekstur
Penerima akan mengirim perintah ke nodeMCU untuk mengirim video streaming.
Setelah penerima terkoneksi dengan pengirim, video streaming yang telah dikirim oleh
nodeMCU akan diterima oleh penerima. Video streaming yang diterima akan ditampilkan
pada GUI. Penerimaan video streaming akan terus berlangsung hingga user ingin
mengambil citra tekstur. Setelah didapat citra tekstur dari snapshot video streaming, maka
koneksi pengirim dan penerima akan ditutup dan pengirim berhenti mengirim video
streaming.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
YES
NO
YES
NO
Gambar 3.6 Diagram alir subrutin penerimaan video streaming
Mulai
Selesai
Terkoneksi dengan
pengirim
Menerima Video
Streaming
Tutup koneksi
Mengirim
perintah
Kamera ON?
Keluaran
Menampilkan
Video Streaming
Selesai
menerima?
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
3.1.4. Tahap Preprocessing
Tahap preprocessing merupakan konversi dari citra RGB ke citra grayscale. Tahap
ini dilakukan karena citra yang disimpan memiliki fomat warna RGB. Konversi citra dari
RGB ke grayscale sangat diperlukan agar format citra menjadi citra grayscale dan lebih
mudah untuk di ekstraksi. Tahap konversi citra RGB ke grayscale dilakukan karena keluaran
citra yang dihasilkan oleh arducam memiliki format RGB. Sehingga diperlukan konversi
citra agar format citra menjadi grayscale. Proses preprocessing digambarkan melalui
diagram alir pada gambar 3.7 berikut.
Gambar 3.7 Diagram alir subrutin Preproocessing
3.1.5. Tahap Ekstraksi Ciri
Ekstraksi ciri yang digunakan pada tahap ini menggunakan metode Laws. Terdapat
beberapa pasang cadar digunakan dalam metode Laws, cadar atau filter tersebut digunakan
untuk membentuk citra yang berisi energi tekstur, sehingga menghasilkan hasil segmentasi
dari citra yang diekstraksi. Ukuran cadar Laws ada beberapa, diantaranya ukuran 1 x 3 dan
ukuran 1 x 5. Tetapi filter yang paling sederhana menggunakan ukuran 1 x 3. Nama filter
berupa L3, E3, S3.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
Penjelasan proses penentuan ukuran energi tekstur menggunakan metode Laws
adalah sebagai berikut :
a. Citra yang digunakan untuk masukan adalah citra dengan komponen warna RGB
(Red, Green, Blue).
b. Citra dengan komponen warna RGB diubah menjadi citra dengan komponen
warna grayscale pada tahap preprocessing.
c. Citra yang sudah diubah menjadi grayscale kemudian di ekstraksi fitur dengan
proses konvolusi menggunakan kernel Laws.
d. Hasil dari proses konvolusi menggunakan kernel Laws berupa citra dengan fitur
energi tekstur.
Pada metode Laws dapat diterapkan dengan menggunakan dua pasang cadar
digabung berdasarkan perkalian vektor, dengan demikian akan terbentuk matriks berukuran
3 x 3 atau 5 x 5. Secara keseluruhan tahap ekstraksi ciri dapat di gambarkan melalui diagram
alir pada Gambar 3.8.
Gambar 3.8 Diagram alir subrutin ekstraksi ciri
Masukan :
Citra Preprocessing
Metode Laws
Keluaran :
Ekstraksi Ciri
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
Gambar 3.8. menunjukkan tahap ekstraksi ciri secara keseluruhan. Ekstraksi ciri
yang digunakan pada tahap ini adalah metode Laws. Ekstraksi ciri menggunakan metode
Laws ini terdapat penggunaan pasang cadar, yang digunakan untuk membentuk citra yang
berisi energi tekstur. Untuk perhitungan dari setiap fitur ditambahkan konvolusi yang
berguna untuk perkalian antara matrik citra asal dengan matrik tapis untuk menghasilkan
citra yang baru.
Gambar 3.9. menunjukkan ekstraksi ciri menggunakan metode Laws dengan
keluaran berupa nilai rata – rata dan varian.
Gambar 3.9 Diagram alir subrutin metode laws
3.1.3. Fungsi Similaritas Kosinus
Pada tahap ini citra yang sudah melalui proses ekstraksi ciri dibandingkan antara
hasil ekstraksi ciri dengan nilai dari citra yang sudah tersimpan sebagai basis data. Fungsi
jarak yang digunakan pada tahap ini adalah similaritas kosinus. Similaritas merupakan
proses yang digunakan untuk penentuan keluaran sebelum keluaran akhir benar – benar
Mulai
Masukan:
F (Citra berskala
keabuan)
Cadar 1, cadar 2, dan w
Konvolusi citra dengan
cadar
Pererataan dengan
jendela ukuran w x w
D
D
Lakukan normalisasi ke
0 s/d 255
Kosongkan bagian tepi
Keluaran berupa rata – rata dan
varian:
𝑚𝑒𝑎𝑛
= ∑ 𝑛𝑒𝑖𝑔ℎ𝑏𝑜𝑢𝑟𝑖𝑛𝑔 𝑝𝑖𝑥𝑒𝑙𝑠𝑊
𝑊
𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒
= ∑ (𝑛𝑒𝑖𝑔ℎ𝑏𝑜𝑢𝑟𝑖𝑛𝑔 𝑝𝑖𝑥𝑒𝑙𝑠 − 𝑚𝑒𝑎𝑛)2
𝑊
𝑊
Selesai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
dihasilkan. Dalam similaritas, hasil terbaik adalah hasil yang perhitungannya yang
mempunyai nilai similaritas terbesar. Hasil akhir dari proses fungsi jarak ini adalah hasil
identifikasi masukan. Fungsi dari similaritas kosinus adalah untuk membandingkan antara
database dengan data hasil masukkan secara real-time. Similaritas yang digunakan adalah
similaritas kosinus. Proses fungsi jarak dapat digambarkan melalui diagram alir pada gambar
3.10.
Gambar 3.10 Diagram alir subrutin fungsi jarak Similaritas Kosinus
3.1.6. Penentuan Keluaran
Proses ini merupakan tahap terakhir dari proses pengenalan citra tekstur. Hasil dari
ekstraksi ciri ditentukan berdasarkan jarak maksimal dari hasil perbandingan antara
keluaran dari ekstraksi ciri denga basis data. Hasil perbandingan yang mempunyai nilai hasil
perhitungan secara similaritas kosinus mempunyai nilai similaritas tinggi. Hasil dari proses
ini yaitu berupa teks yang ditampilkan pada layar monitor. Proses penentuan keluaran dapat
dilihat pada diagram alir Gambar 3.11.
Mulai
Masukan :
Hasil Ekstraksi Ciri
dan Basis Data
Fungsi Similaritas
Kosinus
E
E
Keluaran :
Hasil Perhitungan
Jarak
Selesai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
Gambar 3.11 Diagram alir subrutin penentuan keluaran
3.2. Perancangan Basis Data
Tahap perancangan basis data berfungsi sebagai acuan perbandingan antara
perhitungan dengan citra tekstur yang sudah diambil dan sudah melalui tahap ekstraksi ciri.
Perancangan basis data pada sistem ini terdiri dari 13 jenis tekstur, 10 jenis tekstur tunggal
dan 3 jenis tekstur ganda. Dari masing – masing tekstur memiliki rotasi, jarak dan
perpindahan yang berbeda. Proses perancangan basis data dapat dilihat pada diagram alir
gambar 3.12.
Gambar 3.12 Blok Diagram Subrutin Basis Data
Pengambilan
Citra Tekstur Preprocessing Metode Laws Basis Data
Keluaran :
Hasil berupa teks pada layar
monitor
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
Dilihat dari diagram alir diatas proses diawali dengan pengambilan citra tekstur asli.
Selanjutnya, citra akan melalui proses tahap preprocessing agar lebih mudah untuk diproses
dan meningkatkan kualitas citra. Selain itu preprocessing digunakan untuk mengkonversi
citra RGB kedalam bentuk grayscale. Tahap selanjutnya dilakukan ekstraksi ciri dengan
menggunakan metode laws hingga didapat hasil dari ekstraksi ciri yang akan disimpan dalam
bentuk cell array.
Gambar 3.13 Diagram alir perancangan basis data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
Gambar 3.13. menunjukan beberapa tahap yang dilakukan untuk menghasilkan
sebuah basis data. Proses pertama yang dilakukan adalah pengambilan citra tekstur dengan
menggunakan arducam. Tahap selanjutnya adalah preprocessing atau tahap
mengonversikan citra RGB menjadi citra grayscale. Kemudian tahap selanjutnya adalah
pengiriman citra yang sudah dalam bentuk grayscale ke program MATLAB dengan
menggunakan ESP8266 NodeMCU. Selanjutnya didalam MATLAB dilakukan proses
ekstraksi ciri dengan menggunakan metode Laws, hingga didapat hasil dari ekstraksi ciri
yang akan disimpan dalam bentuk cell array.
3.3. Perancangan Tampilan GUI MATLAB
GUI (Graphical User Interface) yang terdapat pada MATLAB bertujuan untuk
membantu proses pengenalan citra dengan menampilkan beberapa interface dan tombol
perintah. Gambar 3.14. menunjukkan diagram alir yang menjelaskan alur kerja dalam
perancangan dengan menggunakan GUI.
Gambar 3.15 menunjukkan alur kerja utama dalam perancangan dengan menggunakan
GUI ( Graphical User Interface ) yang ada pada MATLAB. Setelah pengambilan citra
tekstur proses preprocessing yaitu konversi citra RGB kedalam bentuk grayscale akan
bejalan, lalu dilakukan proses ekstraksi ciri dan hasil keluaran berupa hasil ekstraksi ciri.
Gambar 3.14 Sketsa perancangan GUI
Kamera
Axes1
Axes2
Preprocessing
Axes3
Laws
Camera
ON Reset
Capture
PROSES
Edit text2
Keluaran
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
YA
TIDAK
Gambar 3.15 Diagram alir pengenalan citra pada GUI
Mulai
Pengiriman Video Streaming
Tombol “Camera ON” memberi perintah
untuk mengirim video streaming
Pengambilan Citra Tekstur
Tombol “CAPTURE” memberi perintah
untuk mengambil citra tekstur
Preprocessing
Tombol “PROSES”
memberi perintah
untuk mengambil citra
RGB serta grayscale
Keluaran:
Video streaming
diterima dan ditampilkan
Keluaran:
Nilai Laws
ditampilkan di
GUI
Keluaran:
Citra grayscale
ditampilkan di GUI
pada window
prepreocessing
Ekstraksi Ciri
Menghitung hasil ekstraksi
ciri dengan metode Laws
Keluaran:
Hasil ekstraksi ciri
berupa teks
ditampilkan di GUI
pada window keluaran
Keluaran:
Hasil pengenalan
tekstur pada
window kamera
Selesai
“RESET”
Untuk
menghapus
data dan
mengulang
proses
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
Tabel 3.2 Keterangan GUI
Nama Keterangan
Tombol “ Camera
ON”
Untuk menyalakan arducam
Tombol “Capture” Untuk mengambil gambar
Tombol “Reset” Untuk mengulang proses pengenalan dari awal
Tombol “PROSES” Untuk memulai proses pengenalan tekstur
Axes1 pada panel
kamera
Untuk menampilkan citra secara real-time dari arducam dan citra
hasil pengambilan gambar
Axes2 pada panel
preprocessing
Untuk menampilkan citra dalam bentuk grayscale
Axes3 pada panel
histogram
Untuk menampilkan proses Laws dari citra grayscale
Edit text1 pada panel
nilai fitur
Untuk menampilkan hasil nilai fitur dari ekstraksi ciri
Edit text2 pada panel
keluaran
Untuk menampilkan hasil akhir dari sistem pengenalan tekstur
berupa teks
Tampilan GUI ( Graphical User Interface ) dibuat semenarik mungkin dan dengan
tampilan yang mudah dimengerti oleh pengguna. Gambar 3.15. menunjukkan langkah
pertama yang dilakukan untuk menjalankan sistem dan menyalakan arducam dengan
menekan tombol “Camera On” yang terdapat pada GUI. Axes1 akan menampilkan citra
secara langsung dari arducam. Kemudian pengguna dapat menekan tombol “Capture”, dan
citra yang diambil akan ditampilkan di Axes1 sebagai data yang akan di proses untuk
pengenalan. Ketika proses pengenalan dilakukan dengan menekan tombol “PROSES”, maka
sistem akan bekerja mengenali tektur yang diambil sebelumnya. Pada saat proses pengenalan
berlangsung hingga selesai sistem akan menampilkan beberapa output yang terdapat pada
GUI yang akan ditampilkan pada Axes2. Citra grayscale dari proses preprocessing akan
diproses menggunakan metode Laws, dan hasil dari proses akan ditampilkan pada Axes3.
Nilai fitur dari ektraksi ciri pada Edit text1, dan hasil akhir dari pengenalan berupa teks.
Untuk mengulang sistem pengenalan dari awal pengguna dapat menekan tombol “Reset”.
3.4. Perancangan Hardware
Pada perancangan hardware untuk sistem ini dimulai dengan membuat wadah untuk
kamera agar dapat disesuaikan dengan penggunaan pengambilan gambar tekstur. Penilitian
ini menggunakan 13 jenis tekstur, variasi skala, sudut perputaran (rotasi) dan posisi awal
suatu citra (translasi). Untuk variasi skala citra tekstur digunakan 3 variasi jarak yaitu 25cm,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
30cm dan 35cm. Letak dari arducam dan ESP8266 NodeMCU, diletakkan dalam satu
tempat.
Gambar 3.16 Perancangan Peletakan
3.5. Pengujian Citra Tekstur
Pada proses pengujian citra tekstur pertama kali yang dilakukan adalah menjalankan
GUI yang ada pada MATLAB, dan mengaktifkan kamera dengan menekan tombol “Camera
ON”. Kemudian arducam mengambil citra tekstur dengan menekan tombol “Capture”.
Pengujian citra tekstur dengan menggunakan 13 jenis citra, dilakukan secara real-time.
Tekstur yang akan dikenali memiliki posisi awal kamera yaitu 20 cm, dengan sudut putar 0°
dan posisi berada di tengah. Variasi jarak citra tekstur diambil 3 variasi jarak yaitu 20cm,
25cm dan 30cm, menghasilkan tiga data setiap tekstur. Sudut putaran yang akan digunakan
yaitu 0°, 20°, 60° dan 120°, menghasilkan empat data setiap tekstur. Citra digeser sebanyak
4 kali dari posisi awal. Jumlah data yang diambil terdiri dari, 13 citra tekstur x 3 variasi
skala = 39 data, 13 citra tekstur x 4 variasi sudut = 52 data dan 13 citra tekstur x 4 variasi
translasi = 52 data. Masing – masing data kemudian ditambahkan dan didapat data sebanyak
143 data pada penelitian ini. Tiap percobaan yang dilakukan hanya memiliki 1 jenis variasi.
Arducam
dan modul
nirkabel
ESP8266
NodeMCU
Tekstur 25 x 25 cm
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
BAB IV
HASIL DAN PEMBAHASAN
Implementasi sistem pengenalan tekstur dapat dilihat pada lampiran 1 dan lampiran
3. Lampiran 2 berisi cara kerja perangkat lunak secara bagian per bagian. Pengujian
pengenalan tekstur menghasilkan data pengenalan yang berguna untuk pembahasan pada
bab ini. Pengujian pengenalan tekstur bertujuan untuk mengetahui sistem apakah dapat
bekerja dengan baik sesuai dengan perancangan.
4.1. Hasil Pengujian dan Analisis
Pengujian pengenalan tekstur dengan menggunakan Metode Laws dengan resolusi
kamera 320 x 240, dilakukan dengan melakukan perubahan posisi tekstur seperti variasi
translasi, variasi sudut dan variasi jarak kamera. Variasi translasi yang dilakukan dengan
menggeser tekstur ke atas dan ke bawah, serta menggeser ke kanan dan kekiri sejauh 1 cm.
Variasi sudut yang digunakan adalah 0°, 20°, 40°, 60°, 80°, 100° 120°, 140°, 160° dan
180°, sedangkan untuk variasi jarak yang digunakan adalah 20 cm, 25 cm, dan 30 cm.
Hasil pengambilan tekstur akan disimpan sementara di dalam basis data dan
dibandingkan dengan hasil pengenalan tekstur menggunakan Metode Laws. Pengambilan
data diperoleh dengan pengulangan 3 kali untuk 10 variasi rotasi pada 13 jenis tekstur
sebanyak 390 data, pengulangan 3 kali untuk 3 variasi skala pada 13 jenis tekstur sebanyak
117 data, dan pengulangan 3 kali untuk 5 variasi translasi pada 13 jenis tekstur sebanyak 195
data. Data yang diperoleh dari keseluruahan pengujian adalah 702 data.
Gambar 4.1 dan Gambar 4.2 menunjukkan persentase pengenalan tekstur tunggal dan
tekstur ganda tanpa pengaruh variasi rotasi, skala dan translasi, data. Secara detail, data
pengenalan tekstur dapat dilihat pada lampiran 4. Secara persentase, data pengenalan tekstur
pada lampiran 4 tersebut dapat dilihat pada lampiran 5. Secara grafis, hasil persentase
pengenalan tekstur pada lampiran 5 dapat dilihat pada Gambar 4.1 dan Gambar 4.2.
Grafik menunjukkan bahwa pengenalan tekstur tanpa pengaruh variasi rotasi, skala
dan translasi dapat mengenali tekstur dengan baik, dengan persentase keberhasilan sebesar
100 %. Hal tersebut dikarenakan tekstur yang dikenali masih dalam kondisi normal, seperti
kondisi saat pengambilan nilai basis data. Nilai saat pengenalan tekstur hampir sama dengan
nilai basis data, sehingga persentase pengenalan sebesar 100%.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
Gambar 4. 1 Persentase pengenalan tekstur tunggal tanpa pengaruh rst
Gambar 4. 2 Persentase pengenalan tekstur ganda tanpa pengaruh rst
Tekstur ganda yang dikenali tanpa pengaruh variasi rotasi, skala dan translasi
menghasilkan nilai persentase sebesar 100 %, hal tersebut terjadi karena hanya ada sedikit
tekstur, sehingga lebih mudah untuk dikenali.
100% 100% 100%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Kacang & Karunggoni Gabah & Karunggoni Jagung & Karunggoni
Persentase Pengenalan Tekstur Ganda Tanpa Pengaruh RST
Persentase Pengenalan
100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Persentase Pengenalan Tekstur Tunggal Tanpa Pengaruh
RST
Prsentase Pengenalan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
4.1.1. Pengujian Pengaruh RST Terhadap Pengenalan Tekstur
Tabel 4. 1 Tingkat keberhasilan pengenalan tekstur
Tekstur R S T Rata – Rata
Gabah 75 % 100 % 66,6 % 80,53 %
Anyaman
Bambu 75 % 66,66 % 80 % 73,88 %
Rumput 75 % 100 % 100 % 91,6 %
Jagung 100 % 100 % 100 % 100 %
Kacang 83 % 66 % 80 % 76,33 %
Jerami 50 % 66 % 100 % 72 %
Handuk 100 % 100 % 100 % 100 %
Batu 75 % 100 % 80 % 85 %
Keset 75 % 100 % 60 % 78,33 %
Karunggoni 75 % 66,66 % 100 % 80,55 %
Gabah & Goni 83 % 100 % 100 % 94,33 %
Jagung & Goni 100 % 100 % 100 % 100 %
Kacang & Goni 75 % 100 % 80 % 85 %
Data pengujian pengaruh RST diperoleh dari 10 jenis tekstur tunggal dan 3 jenis
tekstur ganda dengan 10 variasi rotasi, 3 variasi skala dan 4 variasi translasi. Setiap tekstur
dilakukan 3 kali pengambilan data. Tekstur akan digerakkan secara manual sesuai varian
RST yang telah ditentukan, kemudian Arducam akan mengambil gambar citra tekstur yang
kemudian akan diperoses dan hasil dari proses tersebut akan ditampilkan sebagai keluaran
berupa teks. Setiap tekstur dilakukan 3 kali pengambilan data, hal ini dilakukan untuk
menentukan tingkat pengenalan tekstur lebih akurat.
Tabel 4.1 menunjukkan persentase keberhasilan pengenalan setiap tekstur.
Tekstur tunggal yang memiliki persentase paling kecil adalah jerami, hal ini disebabkan
karena jerami memiliki pola tekstur acak sehingga nilai pengenalan tekstur berbeda dengan
basis data.
Tahap pertama saat melakukan pengujian tekstur adalah menangkap tekstur dengan
menggunakan Arducam secara langsung dengan bantuan GUI dengan menekan tombol
“Camera ON”. Langkah selanjutnya adalah menekan tombol “Ambil Citra” untuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
mengetahui hasil dari pengenalan tekstur. Hasil keluaran dari proses pengenalan berupa rata
– rata dan varian dari masing – masing tekstur. Dari data yang diperoleh pada pengujian
dihitung nilai keseluruhan setiap varian rotasi, translasi dan skala. Hal ini dilakukan untuk
mengetahui bagaimana pengaruh variasi RST pada tingkat pengenalan. Grafik perbandingan
keberhasilan pengaruh rotasi penelitian sebelumnya dengan penelitian sekarang dapat dilihat
pada Gambar 4.3.
Gambar 4. 3 Grafik pengaruh variasi rotasi terhadap tingkat pengenalan.
Pengujian sebanyak 3 kali terhadap 10 tekstur tunggal menghasilkan
sebanyak 30 data, dengan perhitungan jumlah banyak data yang berhasil dikenali dibagi 30
dan dikali dengan 100 %, dapat diperoleh presentase pengaruh variasi rotasi terhadap
pengenalan tekstur. Gambar 4.3 menunjukkan perbandingan dengan penelitian sebelumnya,
dapat dilihat penelitian sebelumnya lebih unggul pada posisi 20° dan 60° karena perbedaan
posisi pengambilan basis data serta resolusi yang digunakan lebih tinggi. Penelitian
sebelumnya pengambilan basis data pada posisi 25 cm, sedangkan pada penelitian sekarang
pada posisi 20 cm. bahwa persentase perubahan rotasi pada tekstur tunggal mengalami
penurunan pada posisi posisi 60° terhadap penelitian sebelumnya, hal ini disebabkan adanya
perubahan posisi dan pengaruh cahaya yang mengenai bagian permukaan tekstur, sehingga
nilai ekstraksi ciri saat pengenalan tekstur berbeda dengan nilai yang terdapat pada basis
data. Sedangkan untuk sudut 120° tingkat pengenalan sama dengan penelitian sebelumnya.
100%
83.30%
70%73.30%
100%
80%
50%
73.30%
0%
20%
40%
60%
80%
100%
120%
0 20 60 120
Derajat (°)
Pengaruh Perubahan Rotasi
Penelitian Sebelumnya [4] Penelitian Sekarang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
Gambar 4.4 Grafik pengaruh variasi skala terhadap tingkat pengenalan.
Gambar 4.4 menunjukkan persentase pengaruh variasi skala, dengan
perubahan jarak 20 cm, 25 cm dan 30 cm. Nilai persentase variasi skala diperoleh dengan
melakukan pengulangan sebanyak 3 kali untuk 10 tekstur dan menghasilkan 30 data per
skala. Dari Gambar 4.4 dapat dilihat bahwa, perbandingan antara penelitian sebelumnya
dengan penelitian sekarang, pada jarak 20 cm persentase keberhasilan sebesar 100%, pada
jarak 25 cm memperoleh persentase sebesar 80%, sedangkan untuk skala 30 cm persentase
keberhasilan pengenalan tekstur semakin menurun yaitu 70%. Penelitian sebelumnya data
yang didapat tidak konsisten daripada penelitian yang sekarang yang lebih konsisten,
sehingga pada grafik penelitian sebelumnya lebih baik.
Skala 20 cm memperoleh tingkat pengenalan terbaik, karena sebagai jarak normal
atau posisi awal yang digunakan sebagai basis data. Sedangkan untuk skala 25 cm terjadi
kesalahan pengenalan dikarenakan perubahan nilai piksel akibat dari perubahan informasi
yang diperoleh Arducam. Selain itu, perbedaan nilai antara basis data dengan nilai ketika
pengnalan tekstur juga mempengaruhi hasil pengenalan tekstur.
78%
94%
62%
100%
80%
70%
0%
20%
40%
60%
80%
100%
120%
20 cm 25 cm 30 cm
Perubahan Variasi Skala
Penelitian Sebelumnya [4] Penelitian Sekarang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
Gambar 4.5 Grafik pengaruh variasi translasi terhadap tingkat pengenalan.
Pengujian pengaruh translasi dilakukan pergeseran dengan jarak geser 1 cm, ke arah
atas, bawah, kiri, kanan dan posisi normal (center). Perhitungan pengaruh variasi translasi
dilakukan dengan 3 kali pengulangan percobaan untuk 10 tekstur. Gambar 4.5 menunjukkan
grafik perbandingan pengaruh translasi penelitian sebelumnya dengan penelitian sekarang
terhadap tingkat pengenalan tekstur dengan posisi awal (center). Sebagai titik tengah, posisi
awal berguna untuk menentukan arah dan jarak dari variasi translasi dan memiliki nilai
pengenalan tertinggi. Posisi translasi ke kiri pada proses pengenalan mengalami penurunan
persentase sebesar 30 % karena perbedaan informasi citra tekstur yang dikenali dengan basis
data dan perubahan arah pencahayaan yang berpengaruh pada perubahan intensitas cahaya
pada citra grayscale. Translasi ke kanan dan ke kiri juga mengalami penurunan
dibandingkan dengan penelitian sebelumnya, karena penggunaan kamera yang berbeda dan
menggunakan resolusi yang lebih tinggi yaitu 640 x 480.
Posisi center untuk tekstur ganda menghasilkan persentase yang lebiih baik
dibandingkan tekstur tunggal, hal ini juga dikarenakan pemisahan antara tekstur tunggal dan
ganda saat pengenalan tekstur. Dari keseluruhan percobaan dan analisis yang dilakukan
penulis memperoleh beberapa kesimpulan yaitu, pada pengenalan dengan perubahan rotasi
untuk tekstur tunggal tingkat pengenalan terbaik pada sudut 0° dengan persentase sebesar
100 %. Pengaruh variasi skala dapat disimpulkan, semakin jauh jarak antara Arducam
100%96.60%
90%86.60%
66.60%
100%
90%
60%
80%
90%
0%
20%
40%
60%
80%
100%
120%
Center Kanan Kiri Atas Bawah
Perubahan Variasi Translasi
Penelitian Sebelumnya [4] Penelitian Sekarang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
dengan tekstur, maka semakin kecil tingkat keberhasilan pengenalan tekstur. Pengaruh
translasi juga sama halnya dengan variasi rotasi dan jarak, program akan mengalami
penurunan tingkat pengenalan ketika semakin jauh pergeseran citra tekstur dengan titik
center. Gambar 4.6 merupakan nilai rata - rata persentase variasi RST pengenalan tekstur
ganda. Variasi RST tekstur ganda pada variasi translasi terjadi penurunan persentase karena
adanya perbedaan nilai basis data dengan nilai pengenalan tekstur. Selain itu, nilai
Similaritas Kosinus tidak mendekati 1 sehingga pengenalan tekstur tidak akurat.
Gambar 4. 6 Variasi RST tekstur ganda
Selain melakukan uji coba terhadap pengaruh variasi rotasi, skala dan translasi,
penulis juga melakukan uji coba terhadap jarak antara modul nirkabel NodeMcu dengan
laptop yang melakukan proses pengenalan tekstur. Jarak yang digunakan adalah 1 meter, 10
meter, 20 meter, 30 meter, 40 meter, 50 meter, 60 meter, 70 meter dan 80 meter. Pengujian
ini dilakukan di lorong kampus, dengan patokan jarak menggunakan pilar dinding, dengan
jarak antara satu pilar ke pilar yang lainnya adalah 4 meter.
Pengujian ini dilakukan sebanyak 10 kali percobaan pada setiap jarak yang
digunakan. Hasil yang didapat dari percobaan ini adalah jarak dari 1 meter hingga 80 meter
ketika uji coba tidak ada kesalahan dan persentase keberhasilan 100 %. Gambar 4.7
menunjukkan salah satu uji coba yang berhasil.
100% 100% 100%
93.20%
88%
90%
92%
94%
96%
98%
100%
Center Rotasi Skala Translasi
Keberhasilan Variasi RST Tekstur Ganda
Keberhasilan Variasi RST Tekstur Tunggal
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
Pengujian jarak wireless dapat disimpulkan jika modul nirkabel dikoneksikan dari
awal jarak pengenalan, maka modul nirkabel dapat terkoneksi dengan baik hingga di luar
batas jarak modul nirkabel. Hasil percobaan menunjukkan NodeMCU mampu hingga jarak
80 meter jika NodeMCU sudah terhubuung dari titik awal. Koneksi NodeMCU akan sulit
jika modul nirkabel dihubungkan ketika jarak laptop dengan modul nirkabel lebih dari 80
meter. Percobaan yang telah dilakukan membuktikan jika modul nirkabel dikoneksikan dari
jarak lebih dari 80 meter, maka akan mengalami kesulitan.
Gambar 4. 7Uji coba pengaruh jarak sebesar 40 meter
Gambar 4. 8 Persentase variasi jarak modul nirkabel
Gambar 4.8 dan Gambar 4.9 menunjukkan grafik keberhasilan variasi jarak modul
nirkabel dan grafik pengenalan tekstur terhadap kuat sinyal. Persentase variasi jarak nirkabel
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
1 m 10 m 20 m 30 m 40 m 50 m 60 m 70 m 80 m
Jarak
Persentase Variasi Jarak Modul Nirkabel
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
menghasilkan persentase 100 % dari keseluruhan jarak yang telah dicoba, hal ini
dikarenakan koneksi modul nirkabel sudah terhubung dengan laptop dari posisi terdekat
yaitu 1 meter. Data kuat sinyal antara modul nirkabel dengan laptop diambil dengan
menggunakan aplikasi Android wifi analyzer. Jarak 80 meter pada pengambilan data kuat
sinyal tidak muncul nilainya dikarenakan, pada jarak 80 meter modul nirkabel sudah tidak
bisa terkoneksi dengan laptop.
Gambar 4. 9 Pengenalan tekstur terhadap kuat sinyal
4.1.2. Pengujian Tambahan Pengaruh Resolusi Arducam
Perbaikan dengan cara mengubah resolusi Arducam dari ukuran 160 × 120 menjadi
ukuran 320 × 240 bertujuan untuk memperjelas detail tekstur yang ditangkap menggunakan
Arducam. Tekstur yang memerlukan resolusi yang lebih tinggi adalah tekstur dengan jenis
tekstur acak, contoh tekstur acak seperti gabah, jagung, batu, handuk dan keset. Tekstur
yang detailnya terlihat jelas akan lebih mudah dikenali, karena nilai pengenalan teksturnya
tidak beda jauh dengan nilai pada basis data.
Perubahan resolusi Arducam juga berpengaruh terhadap pengujian pengaruh RST,
namun tidak semua hasil yang telah di uji coba dengan resolusi yang lebih tinggi,
menghasilkan nilai yang lebih baik atau dengan kata lain menghasilkan hasil yang sama. Hal
ini disebabkan karena beberapa faktor di antaranya, pencahayaan sekitar dan proses
-90
-80
-70
-60
-50
-40
-30
-20
-10
0
1 m 10 m 20 m 30 m 40 m 50 m 60 m 70 m 80 m
Kuat Sinyal (dBm)
Kuat Sinyal
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
pengenalan citra yang lambat. Berikut adalah hasil dari mengubah resolusi Arducam untuk
pengenalan tekstur
Pengujian pengaruh variasi rotasi dilakukan sebanyak 3 kali pengulangan setiap
tekstur. Gambar 4.10 menunjukkan perubahan resolusi terhadap pengaruh perubahan rotasi.
Nilai persentase antara resolusi 160 x 120 dan 320 x 240 menunjukkan perubahan yang lebih
baik terjadi pada posisi 20°, dengan kenaikan persentase sebesar 3%. Sedangkan untuk posisi
yang lain mengalami penurunan. Hal ini diakibatkan oleh beberapa tekstur acak yang ketika
dilakukan rotasi mengalami perubahan pencahayaan dan nilai pengenalan tidak sama dengan
basis data.
Gambar 4.10 Perbandingan pengaruh rotasi menggunakan resolusi 160 × 120 dan resolusi
320 × 240 untuk tekstur tunggal.
Gambar 4.11 menunjukan perbandingan pengaruh rotasi dengan menggunakan
resolusi 160 x 120 dan 320 x 240 untuk jenis tekstur ganda. Grafik menunjukan rotasi 0°
tetap sama, dengan persentase 100 %. Rotasi yang mengalami kenaikan ketika posisi 120°,
dengan kenaikan persentase sebesar 22%. Rotasi 20° dan 60° persentase pengenalannya
masih tetap yaitu sebesar 33 % dan 66 %. Posisi yang mengalami kenaikan persentase
83%
40%
60%
90%
73.30%
43.30%
50%
70%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
0 20 60 120
Perbandingan Pengaruh Rotasi Tekstur Tunggal
Resolusi 160 x 120 Resolusi 320 x 240
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
diakibatkan karena nilai pada basis data dan nilai pengenalan tekstur hampir sama dan
jumlah tekstur ganda yang hanya 3 tekstur.
Gambar 4.11 Perbandingan pengaruh rotasi menggunakan resolusi 160 × 120 dan resolusi
320 × 240 untuk tekstur ganda.
Gambar 4.12 menunjukkan bahwa pengaruh variasi skala dengan menggunakan
resolusi Arducam 320 x 240 hanya skala 30 cm yang menunjukkan kenaikan keberhasilan
pengenalan sebesar 17%, sedangkan untuk skala 20 cm dan 25 cm mengalami penurunan
masing – masing sebesar 10% dan 6%. Pengaruh variasi skala diperoleh dengan
menghitung nilai rerata dari 3 kali pengulangan untuk 10 jenis tekstur tunggal dan 3 jenis
tekstur ganda.
Jarak 30 cm memperoleh kenaikan tingkat pengenalan dari percobaan sebelumnya
karena detail tekstur yang ditangkap semakin jelas. Hal itu disebabkan karena penggunaan
resolusi yang lebih tinggi dari sebelumnya. Penulis menyimpulkan bahwa resolusi yang
lebih baik dan pengambilan tekstur yang tepat, dapat menghasilkan persentase pengenalan
yang lebih baik, sedangkan untuk jarak 25 cm dan 25 cm terjadi penurunan persentase
pengenalan dikarenakan pengaruh nilai jarak Similaritas Kosinus yang digunakan pada
posisi 20 cm dan 25 cm bukan merupakan nilai jarak yang mendekati nilai 1. Resolusi 320
x 240 ketika jarak semakin jauh maka persentase pengenalan tidak turun banyak.
100%
33%
66%
11%
100%
33.30%
66.60%
33.30%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
0 20 60 120
Perbandingan Pengaruh Rotasi Tekstur Ganda
Resolusi 160 x 120 Resolusi 320 x 240
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
Gambar 4.12 Perbandingan pengaruh skala menggunakan resolusi 160 × 120 dan resolusi
320 × 240 untuk tekstur tunggal.
Gambar 4.13 menunjukkan perbandingan pengaruh perubahan skala antara resolusi
160 x 120 dan 320 x 240 jenis tekstur ganda. Skala 20 cm menunjukan persentase pengenalan
yang sama dari sebelumnya, yaitu sebesar 100 %. Skala 25 cm dan 30 cm mengalami
kenaikan persentase keberhasilan pengenalan masing – masing sebesar 11 % dan 33 %.
Kenaikan persentase pengenalan disebabkan karena kemiripan antara basis data dan nilai
pengenalan yang diambil, selain itu pengaruh resolusi juga mempengaruhi di antaranya
tekstur yang dikenali lebih jelas terlihat dan hasil tangkapan Arducam lebih jelas dan terang.
Pengaruh banyaknya tekstur yang dikenali juga mempengaruhi hasil pengenalan tekstur
menjadi lebih baik.
83%
56%
33%
73.30%
50% 50%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
20 cm 25 cm 30 cm
Pengaruh Perubahan Skala Tekstur Tunggal
Resolusi 160 x 120 Resolusi 320 x 240
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
Gambar 4.13 Perbandingan pengaruh skala menggunakan resolusi 160 × 120 dan resolusi
320 × 240 untuk tekstur ganda.
Gambar 4.14 Perbandingan pengaruh translasi menggunakan resolusi 160 × 120 dan
resolusi 320 × 240 untuk tekstur tunggal.
100%
55%
33%
100%
66.60%
100%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
20 cm 25 cm 30 cm
Pengaruh Perubahan Skala Tekstur Ganda
Resolusi 160 x 120 Resolusi 320 x 240
83%80%
53%
70%66%
73.30%
66.60%
60.00% 60%
100%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Center Kanan Kiri Atas Bawah
Pengaruh Perubahan Translasi Tunggal
Resolusi 160 x 120 Resolusi 320 x 240
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
Gambar 4.14 menunjukkan perbandingan perubahan translasi menggunakan resolusi
160 x 120 dan 320 x 240 untuk jenis tekstur tunggal. Translasi normal (center),translasi ke
kanan dan translasi ke ats mengalami penurunan masing – masing sebesar 10 % , 14 % dan
10 %. Ketiga translasi tersebut mengalami kesalahan pengenalan dikarenakan perubahan
nilai piksel akibat dari perubahan informasi yang diperoleh Arducam. Selain itu, nilai jarak
yang didapat dengan menggunakan Similaritas Kosinus tidak mendekati 1. Translasi ke kiri
mengalami kenaikan sebesar 7 %, translasi ke bawah mengalami kenaikan sebesar 56%, hal
ini disebabkan karena kemiripan basis data dengan nilai pengenalan tekstur.
Gambar 4.15 menunjukkan pengaruh translasi menggunakan resolusi 160 x 120 dan
resolusi 320 x 240 untuk tekstur ganda. Translasi center dan translasi ke kanan dapat dilihat
tidak mengalami perubahan, persentase pengenalan tetap 100 %. Translasi ke kiri mengalami
penurunan dari percobaan resolusi 160 x 120, karena perbedaan nilai basis data tekstur ganda
dengan pengenalan tekstur. Ketika diberi pengaruh variasi translasi, hanya ada 1 tekstur yang
lebih dominan. Translasi ke atas dan ke bawah mengalami kenaikan persentase masing –
masing sebesar 100%. Kenaikan persentase disebabkan karena posisi tekstur hampir sama
dengan posisi ketika pengambilan basis data.
Gambar 4.15 Perbandingan pengaruh translasi menggunakan resolusi 160 × 120 dan
resolusi 320 × 240 untuk tekstur ganda.
100% 100%
77%
88%85%
100% 100%
66.60%
100% 100%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Center Kanan Kiri Atas Bawah
Pengaruh Perubahan Translasi Tekstur Ganda
Resolusi 160 x 120 Resolusi 320x 240
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
Kesimpulan yang dapat diambil dari pengujian pengaruh perubahan resolusi
Arducam adalah tidak semua hasil percobaan mengalami kenaikan persentase keberhasilan.
Variasi perubahan rotasi hanya pada posisi 20° mengalami kenaikan persentase pengenalan
untuk jenis tekstur tunggal. Persentase pengenalan untuk tekstur ganda hampir sama dengan
percobaan menggunakan resolusi 160 × 120. Percobaan yang mengalami kenaikan terjadi
pada posisi 120°, sedangkan untuk posisi yang lain mengalami penurunan. Variasi
perubahan skala untuk jenis tekstur tunggal mengalami penurunan persentase pada posisi 20
cm dan 25 cm, sedangkan untuk posisi 30 cm mengalami kenaikan persentase untuk tekstur
tunggal. Jenis tekstur ganda mengalami kenaikan persentase pada posisi 30 cm, sedangkan
untuk skala yang lainnya tetap. Variasi translasi yang mengalami kenaikan persentase
pengenalan terjadi pada posisi geser ke kiri dan ke bawah, dan perubahan yang lainnya
mengalami penurunan untuk jenis tekstur tunggal. Jenis tekstur ganda mengalami kenaikan
persentase pada posisi geser atas dan geser bawah, untuk posisi center dan geser kanan tetap
sama, dan untuk posisi geser ke kiri mengalami penurunan persentase.
Beberapa hal yang menyebabkan perubahan persentase pengenalan adalah
penggunaan cadar ukuran 1 × 3 pada Metode Laws yang mengakibatkan data yang diambil
tidak akurat. Hal ini disebabkan cadar ukuran 1 × 3 terlalu kecil sehingga tidak dapat
mengenali tekstur dengan akurat.
4.3.3. Pengujian Tambahan Pengaruh Perubahan Ukuran Window
Menggunakan window ukuran 3
Pengujian pengaruh variasi rotasi dilakukan sebanyak 3 kali pengulangan setiap
tekstur. Gambar 4.16 menunjukkan perbandingan antara penelitian sebelumnya dan
penelitian yang sekarang, hasil yang didapatkan adalah posisi 0° memiliki nilai persentase
yang akurat karena tekstur tidak berubah posisi. Penelitian yang sekarang pada rotasi 80°
lebih baik dari penelitian sebelumnya dengan selisih persentase 40 % karena penggunaan
window 3 dapat memperjelas pola tekstur yang sedang dikenali.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
Gambar 4. 16 Perbandingan pengaruh perubahan variasi rotasi
Gambar 4. 17 Perbandingan pengaruh perubahan variasi skala
Pengujian pengaruh variasi skala dilakukan sebanyak 3 kali pengulangan setiap
tekstur, dan menghasilkan 30 data dari perkalian 10 tekstur dengan banyaknya pengambilan
data. Gambar 4.17 menunjukkan pengaruh perubahan variasi skala dari penelitian
100%
83.30%80%
70%
50%
60%
73.30%70%
76.60%
86.60%
100%
80%
56.60%50%
90%
80%73.30%
70%
80%
100%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
0 20 40 60 80 100 120 140 160 180
DERAJAT (°)
Pengaruh variasi rotasi
Penelitian Sebelumnya [4] Penelitian Sekarang
78%
94%
62%
100%
80%
70%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
20 CM 25 CM 30 CM
Perubahan variasi skala
Penelitian Sebelumnya [4] Penelitian Sekarang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
sebelumnya dengan penelitian yang sekarang. Skala 20 cm dan 30 cm penelitian yang
sekarang lebih baik daripada penelitian sebelumnya, karena penggunaan window ukuran 3
yang lebih kecil dari sebelumnya yang mempunyai ukuran window 15. Skala 25 cm pada
penelitian sekarang mengalami penurunan persentase karena perubahan posisi kamera dan
perbedaan nilai antara basis data dan nilai pengenalan tekstur.
Gambar 4.18 menunjukkan pengaruh perubahan variasi translasi dari penelitian
sebelumnya dengan penelitian yang sekarang. Pengujian dilakukan sebanyak 3 kali
pengulangan setiap tekstur, dan menghasilkan 30 data. Penelitian sebelumnya lebih baik dari
penelitian yang sekarang karena nilai basis data yang diambil hampir sama dengan nilai saat
pengenalan tekstur.
Gambar 4. 18 Perbandingan pengaruh perubahan variasi translasi
4.2. Perbandingan Dengan Penelitian Sebelumnya
Tabel 4.3 menunjukkan perbandingan penelitian sebelumnya dengan penelitian sekarang,
hasil yang didapat dari perbandingan tersebut adalah penambahan 3 tekstur ganda dan
penambahan modul nirkabel dari penelitian sebelumnya. Variasi rotasi dan variasi skala
pada penelitian yang sekarang lebih baik dengan nilai rerata sebesar 77,99 % dan 83,33 %,
sedangkan variasi translasi nilai rerata perentase lebih baik pada penelitian sebelumnya
sebesar 87,96 %.
100%96.60%
90%86.60%
66.60%
100%
90%
60%
80%
90%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Center Kanan Kiri Atas Bawah
Perubahan variasi translasi
Penelitian Sebelumnya [4] Penelitian Sekarang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
Tabel 4. 2 Tabel perbandingan penelitian sebelumnya dengan penelitian sekarang
Penelitian sebelumnya [4] Penelitian Sekarang
10 Jenis tekstur tunggal 10 Jenis tekstur tunggal
Tanpa tekstur ganda 3 Tekstur ganda tambahan
10 Variasi skala (0°, 20°,40°,60°,
80°,100°, 120°,140°, 160°, 180°)
Tingkatan pengenalan : 74,98%
10 Variasi rotasi (0°, 20°,40°,60°,
80°,100°, 120°,140°, 160°, 180°)
Tingkatan pengenalan : 77,99%
3 Variasi skala ( 25 cm, 30 cm, 35cm)
Tingkatan pengenalan : 78%
3 Variasi skala ( 20 cm, 25 cm, 30 cm)
Tingkatan pengenalan : 83,33%
4 Variasi translasi ( kanan, kiri, atas,
bawah) Tingkatan pengenalan : 87,96%
4 Variasi translasi ( kanan, kiri, atas,
bawah) Tingkatan pengenalan : 84%
Tidak menggunakan modul nirkabel Menggunakan modul nirkabel
Tabel 4.3 menunjukkan perbandingan penelitian sebelumnya dengan penelitian
sekarang, hasil yang didapat dari perbandingan tersebut adalah penambahan 3 tekstur ganda
dan penambahan modul nirkabel dari penelitian sebelumnya. Variasi rotasi dan variasi skala
pada penelitian yang sekarang lebih baik dengan nilai rerata sebesar 77,99 % dan 83,33 %,
sedangkan variasi translasi nilai rerata perentase lebih baik pada penelitian sebelumnya
sebesar 87,96 %.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
78
BAB V
KESIMPULAN DAN SARAN
5.1. KESIMPULAN
Berdasarkan hasil percobaan dan pengujian sistem pengenalan tekstur dengan
menggunakan Metode Laws dengan modul nirkabel, dapat disimpulkan bahwa:
1. Alat computer vision mampu mengenali 10 tekstur tunggal dan 3 tekstur ganda
dengan menggunakan metode Laws
2. Hasil pengenalan tekstur pada posisi awal mempunyai persentase keberhasilan
pengenalan sebesar 100 % tanpa pengaruh RST.
3. Tingkat pengenalan variasi rotasi mencapai 77,99%. Tingkat pengenalan variasi
skala mencapai 83,33%. Tingkat pengenalan variasi translasi mencapai 84%.
4. Jarak antara modul nirkabel dengan laptop dapat mencapai jarak sejauh 80 meter,
dengan catatan modul nirkabel terkoneksi dengan laptop sejak awal atau ketika jarak
terdekat dengan laptop.
5.2. SARAN
Saran yang diberikan untuk pengembangan sistem pengenalan tekstur adalah :
1. Penggunaan basis data pada kondisi yang tepat, meningkatkan tingkat pengenalan.
2. Pengenalan menggunakan Metode Laws akan lebih baik menggunakan pasangan
cadar 3 x 3 dengan hasil pasangan cadar berjumlah 9.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
DAFTAR PUSTAKA
[1] Kadir, A., Susanto, A., 2013, Teori dan Aplikasi Pengolahan Citra, Penerbit Andi,
Yogyakarta
[2] Bahrul, M.H., 2016, Implementasi Konvolusi Berbasis Kernel Laws Menggunakan
Renderscript Pada Android, Skripsi, Jurusan Teknik Informatika, Universitas Islam
Negeri Maulana Malik Ibrahim.
[3] Dash, S., Jena, U.R., 2017 “Texture Classification Using Laws’ Filter In Various Color
Spaces”. India.
[4] Adnyana, W.P., 2014, Pengenalan Tekstur Dengan Statistical Texture Descriptor,
Tugas Akhir, Jurusan Teknik Elektro, FST, Universitas Sanata Dharma, Yogyakarta.
[5] ESP8266, ---, Pengertian Modul Wifi ESP8266
https://www.warriornux.com/pengertian-modul-wifi-esp8266/, diakses 9 November
2018.
[6] Darma, P., 2010, Pengolahan Citra Digital, Penerbit Andi Offset, Yogyakarta.
[7] Citra, ---, Jenis Citra, http://www.charisfauzan.net/2016/02/mengenal-jenis-citra-citra-
berwarna.html, diakses 24 November 2018.
[8] Alexandra., ---,Prinsip Kerja Warna CMYK,
http://blog.ub.ac.id/frengky/category/news/, diakses 2 Desember 2018.
[9] Santi, C.N., 2011, Mengubah Citra Berwarna Menjadi Gray-Scale dan Citra Biner,
Jurnal Teknologi Informasi DINAMIK, vol. 16, no. 1, hal 16.
[10] B. Jahne, 2005, “Digital Image Processing” (6th ed.), Jerman.
[11] Marques, O., 2011, Wiley, J., & Sons, Practical Image and Video Processing Using
MATLAB, New Jersey.
[12] Cha, Sung-Hyuk, 2007, Comprehensive Survey on Distance/Similarity Measures
between Probability Density Function, Internasional Journal of Mathematical Models
and Methods in Applied Sciences, vol 1, issue 4, hal 300-307.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
80
LAMPIRAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
LAMPIRAN 1
IMPLEMENTASI SISTEM PENGENALAN TEKSTUR
A. Perangkat Lunak
Gambar L1 menunjukkan tampilan GUI pengenalan tekstur. Tampilan GUI
pengenalan tekstur dibuat berdasarkan sketsa perancangan GUI pada gambar 3.14 dengan
penyesuaian letak, dan diimplementasikan dari Diagram Alir Sistem Pengenalan Tekstur
GUI pada Gambar 3.15. Penambahan tombol dan tabel disesuaikan dengan permasalahan
yang ditemukan penulis mengenai program pengenalan tekstur.
Tombol tunggal dan ganda berfungsi untuk membedakan pengambilan tekstur yang
akan dikenali. Tombol Camera ON berfungsi untuk menyalakan kamera ArduCAM dan
menampilkan video streaming pada GUI. Tombol AMBIL CITRA digunakan untuk
mengambil citra tekstur dari video streaming, serta proses preprocessing. Tombol RESET
digunakan untuk menghapus data dan mengulang proses pengenalan tekstur dari awal. Hasil
ekstraksi ciri didapat dari citra grayscale dan ditampilkan pada GUI berupa nilai rata – rata
dan varian. Tabel Similaritas Kosinus digunakan untuk melihat nilai jarak tekstur yang akan
dikenali. Hasil keluaran pengenalan berupa teks ditentukan dari nilai Similaritas Kosinus
yang paling maksimal atau mendekati 1 dan ditampilkan pada GUI.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
B. Perangkat Keras
Gambar L2 menunjukkan kondisi pengenalan tekstur, kondisi ini dibuat berdasarkan
perancangan hardware Gambar 3.16. Alat dibuat dengan penyesuaian variasi RST yang akan
diuji. Penyangga yang terbuat dari pipa diberi tanda jarak yang digunakan untuk variasi
skala. Alas yang terbuat dari karton padi diberi tanda untuk variasi rotasi dan variasi skala.
Penambahan lampu penerangan pada sisi kiri dan kanan kamera digunakan untuk
meminimalisasi pengaruh cahaya luar terhadap proses pengenalan.
Gambar L2. Kondisi Pengenalan Tekstur
1
2
2
2
3
2
2
4
3
2
2
3
2
2
2
2
2
5
3
2
2
3
2
2
2
2
2
6
6
3
2
2
3
2
2
2
2
2
7
3
2
2
3
2
2
2
2
2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-2
LAMPIRAN 2
ALUR PROSES PENGENALAN TEKSTUR DENGAN
METODE LAWS
Tekstur Jagung
Tekstur Jagung
(Greyscale)
Masukan:
Citra RGB
Konversi citra RGB
ke grayscale
A
Mulai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-3
A
Metode Laws
Keluaran:
Hasil Metode Laws
B
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-4
B
Masukan :
Hasil perhitungan jarak
Keluaran:
Hasil berupa teks
Selesai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-5
LAMPIRAN 3
LISTING PROGRAM
LISTING PROGRAM PENGENALAN TEKSTUR
function varargout = ipcamlaws(varargin)
% IPCAMLAWS MATLAB code for ipcamlaws.fig
% IPCAMLAWS, by itself, creates a new IPCAMLAWS or raises the
existing
% singleton*.
%
% H = IPCAMLAWS returns the handle to a new IPCAMLAWS or the
handle to
% the existing singleton*.
%
% IPCAMLAWS('CALLBACK',hObject,eventData,handles,...) calls
the local
% function named CALLBACK in IPCAMLAWS.M with the given input
arguments.
%
% IPCAMLAWS('Property','Value',...) creates a new IPCAMLAWS
or raises the
% existing singleton*. Starting from the left, property
value pairs are
% applied to the GUI before ipcamlaws_OpeningFcn gets called.
An
% unrecognized property name or invalid value makes property
application
% stop. All inputs are passed to ipcamlaws_OpeningFcn via
varargin.
%
% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows
only one
% instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help ipcamlaws
% Last Modified by GUIDE v2.5 04-Jun-2019 13:53:14
% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @ipcamlaws_OpeningFcn, ...
'gui_OutputFcn', @ipcamlaws_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-6
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 ipcamlaws is made visible.
function ipcamlaws_OpeningFcn(hObject, eventdata, handles,
varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to ipcamlaws (see VARARGIN)
% Choose default command line output for ipcamlaws
handles.output = hObject;
axes(handles.axes1)
axis square
plot(0)
axes(handles.axes2)
axis square
plot(0)
% Update handles structure
guidata(hObject, handles);
% UIWAIT makes ipcamlaws wait for user response (see UIRESUME)
% uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line.
function varargout = ipcamlaws_OutputFcn(hObject, eventdata,
handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
% Get default command line output from handles structure
varargout{1} = handles.output;
% --- Executes on button press in pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton1 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global z ss gray jenis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-7
z=true;
strm=ipcam('http://192.168.4.1/stream');
axes(handles.axes1)
while z==true
ss=snapshot(strm);
imshow(ss);
if z==false
closePreview(strm);
gray=rgb2gray(ss);
gray=imadjust (gray);
axes(handles.axes2)
imshow(gray);
%UITABLE
[tc,k,L1,L2,L3,L4,L5,L6,L7,L8,L9]=tciri(gray)
axes(handles.axes4);imshow(L1);axis on;
axes(handles.axes5);imshow(L2);axis on;
axes(handles.axes6);imshow(L3);axis on;
axes(handles.axes7);imshow(L4);axis on;
axes(handles.axes8);imshow(L5);axis on;
axes(handles.axes9);imshow(L6);axis on;
axes(handles.axes10);imshow(L7);axis on;
axes(handles.axes11);imshow(L8);axis on;
axes(handles.axes12);imshow(L9);axis on;
%s={1 2;3 4;5 6;7 8;9 10};
set(handles.uitable1,'Data',tc)
%Pemanggil Database
load dbxiclaws
%Similaritas Kosinus
if jenis==1
j1=double(dist(k,dbiclaws(:,1)));
j2=double(dist(k,dbiclaws(:,2)));
j3=double(dist(k,dbiclaws(:,3)));
j4=double(dist(k,dbiclaws(:,4)));
j5=double(dist(k,dbiclaws(:,5)));
j6=double(dist(k,dbiclaws(:,6)));
j7=double(dist(k,dbiclaws(:,7)));
j8=double(dist(k,dbiclaws(:,8)));
j9=double(dist(k,dbiclaws(:,9)));
j10=double(dist(k,dbiclaws(:,10)));
jar=[j1 j2 j3 j4 j5 j6 j7 j8 j9 j10];
jart={j1 j2 j3 j4 j5 j6 j7 j8 j9 j10 '-' '-' '-'};
dbteks={'gabah','anyamanbambu','rumput','jagung','kacang',...
'jerami','handuk','batu','keset','karunggoni'};
elseif jenis == 2
j11=double(dist(k,dbiclaws(:,11)));
j12=double(dist(k,dbiclaws(:,12)));
j13=double(dist(k,dbiclaws(:,13)));
jar=[j11 j12 j13];
jart={'-' '-' '-' '-' '-' '-' '-' '-' '-' '-' j11 j12
j13};
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-8
dbteks={'gabah_karunggoni','jagung_karunggoni','kacang_karunggoni'
};
end
set(handles.uitable2,'Data',jart)
%Penentuan Keluaran
%
dbteks={'gabah','anyamanbambu','rumput','jagung','kacang',...
% 'jerami','handuk','batu','keset','karunggoni',...
%
'gabah_karunggoni','jagung_karunggoni','kacang_karunggoni'};
lokmax=find(jar==max(jar));
y=dbteks{lokmax};
set(handles.text2,'string',y);
break;
end
end
% --- Executes on button press in pushbutton2.
function pushbutton2_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton2 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global z
z=false;
% --- Executes on button press in pushbutton3.
function pushbutton3_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton3 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
axes(handles.axes1)
plot(0)
axes(handles.axes2)
plot(0)
s=[];
set(handles.uitable1,'Data',s)
% --- Executes during object creation, after setting all
properties.
function uitable1_CreateFcn(hObject, eventdata, handles)
% hObject handle to uitable1 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles empty - handles not created until after all
CreateFcns called
% --- Executes on button press in pushbutton4.
function pushbutton4_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton4 (see GCBO)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-9
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global gray
x=gray
function [y,a,L1, L2, L3, L4, L5, L6, L7, L8, L9]=tciri(x)
L1=cobalaws(x,'L3','L3',15);
rata1=mean(L1(:));
v1=var(double(L1(:)));
L2=cobalaws(x,'L3','E3',15);
rata2=mean(L2(:));
v2=var(double(L2(:)));
L3=cobalaws(x,'L3','S3',15);
rata3=mean(L3(:));
v3=var(double(L3(:)));
L4=cobalaws(x,'E3','L3',15);
rata4=mean(L4(:));
v4=var(double(L4(:)));
L5=cobalaws(x,'E3','E3',15);
rata5=mean(L5(:));
v5=var(double(L5(:)));
L6=cobalaws(x,'E3','S3',15);
rata6=mean(L6(:));
v6=var(double(L6(:)));
L7=cobalaws(x,'S3','L3',15);
rata7=mean(L7(:));
v7=var(double(L7(:)));
L8=cobalaws(x,'S3','E3',15);
rata8=mean(L8(:));
v8=var(double(L8(:)));
L9=cobalaws(x,'S3','S3',15);
rata9=mean(L9(:));
v9=var(double(L9(:)));
y=[rata1 v1;
rata2 v2;
rata3 v3;
rata4 v4;
rata5 v5;
rata6 v6;
rata7 v7;
rata8 v8;
rata9 v9];
a=[rata1;rata2;rata3;rata4;rata5;rata6;rata7;rata8;rata9;v1;v2;v3;
v4;v5;v6;v7;v8;v9];
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-10
%Similaritas Kosinus
function z=dist (x,y)
z=sum(x.*y)/(sqrt(sum(x.^2))*sqrt(sum(y.^2)));
% --- Executes on button press in pushbutton5.
function pushbutton5_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton5 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global jenis
jenis=1
% --- Executes on button press in pushbutton6.
function pushbutton6_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton6 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global jenis
jenis=2
LISTING PROGRAM EKSTRAKSI CIRI
function [E] = cobalaws(F, cadar1, cadar2, w)
% LAWS Berguna untuk memperoleh citra yang berisi
% energi tekstur.
% Masukan: F = Citra berskala keabuan.
% cadar1 dan cadar2 = nama cadar
% (S3, S5, E3, dst.)
% w = ukuran jendela.
F = double(F);
% Memperoleh energi tekstur. Hasil berupa
% citra berukuran sama dengan F.
% w = ukuran jendela
L3 = [1 2 1];
E3 = [-1 0 -1];
S3 = [-1 2 -1];
L5 = [1 4 6 4 1];
E5 = [-1 -2 0 2 1];
S5 = [-1 0 2 0 -1];
R5 = [1 -4 6 -4 1];
W5 = [-1 2 0 -2 1];
% Cek cadar 1
if strcmp(cadar1, 'L3') == 1
Cd1 = L3;
ukuran1 = 3;
elseif strcmp(cadar1, 'E3') == 1
Cd1 = E3;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-11
ukuran1 = 3;
elseif strcmp(cadar1, 'S3') == 1
Cd1 = S3;
ukuran1 = 3;
elseif strcmp(cadar1, 'L5') == 1
Cd1 = L5;
ukuran1 = 5;
elseif strcmp(cadar1, 'E5') == 1
Cd1 = E5;
ukuran1 = 5;
elseif strcmp(cadar1, 'S5') == 1
Cd1 = S5;
ukuran1 = 5;
elseif strcmp(cadar1, 'R5') == 1
Cd1 = R5;
ukuran1 = 5;
elseif strcmp(cadar1, 'W5') == 1
Cd1 = W5;
ukuran1 = 5;
else
ukuran1 = 0;
end
% Cek cadar 2
if strcmp(cadar2, 'L3') == 1
Cd2 = L3;
ukuran2 = 3;
elseif strcmp(cadar2, 'E3') == 1
Cd2 = E3;
ukuran2 = 3;
elseif strcmp(cadar2, 'S3') == 1
Cd2 = S3;
ukuran2 = 3;
elseif strcmp(cadar2, 'L5') == 1
Cd2 = L5;
ukuran2 = 5;
elseif strcmp(cadar2, 'E5') == 1
Cd2 = E5;
ukuran2 = 5;
elseif strcmp(cadar2, 'S5') == 1
Cd2 = S5;
ukuran2 = 5;
elseif strcmp(cadar2, 'R5') == 1
Cd2 = R5;
ukuran2 = 5;
elseif strcmp(cadar2, 'W5') == 1
Cd2 = W5;
ukuran2 = 5;
else
ukuran2 = 0;
end
% Cek kebenaran cadar
ukuran = ukuran1 * ukuran2;
if ~(ukuran == 9 || ukuran == 25)
error('Cadar tidak valid');
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-12
Matriks = Cd1' * Cd2;
% Konvolusi citra dengan cadar
E = konvolusi2(F, Matriks);
% Lakukan pererataan dengan jendela berukuran w x w
H=ones(w,w)/(w^2);
E=konvolusi2(E, H);
% Lakukan normalisasi ke 0 s/d 255
terkecil = min(min(E));
terbesar = max(max(E));
E = (E-terkecil) / (terbesar - terkecil) * 255;
% Kosongkan bagian tepi
[tinggi, lebar] = size(E);
E(1:15,:) = 0;
E(tinggi-15: tinggi,:) = 0;
E(:, 1:15) = 0;
E(:, lebar-15 : lebar) = 0;
E = uint8(E);
LISTING PROGRAM KONVOLUSI 2
function [G] = konvolusi2(F, H)
% KONVOLUSI2 Melakukan konvolusi kernel H dengan citra F
% (Versi Algoritma 4.3)
% H harus mempunyai tinggi dan lebar ganjil
% Hasil: citra G
[tinggi_f, lebar_f] = size(F);
[tinggi_h, lebar_h] = size(H);
m2 = floor(tinggi_h/2);
n2 = floor(lebar_h/2);
F2=double(F);
for y=1 : tinggi_f
for x=1 : lebar_f
% Pelaksanaan konvolusi F(baris, kolom)
jum = 0;
for p=-m2 : m2
for q=-n2 : n2
% Penanganan x
x2 = x-q;
if x2 < 1
x2 = -x2 + 1;
else
if x2 > lebar_f
x2 = 2 * lebar_f - x2 + 1;
end
end
% Penanganan y
y2 = y-p;
if y2 < 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-13
y2 = -y2 + 1;
else
if y2 > tinggi_f
y2 = 2 * tinggi_f - y2 + 1;
end
end
jum = jum + H(p+m2+1,q+m2+1) * ...
F2(y2, x2);
end
end
G(y, x) = jum;
end
end
LISTING PROGRAM BASIS DATA
function varargout = GUIDBLAWS(varargin)
% GUIDBLAWS MATLAB code for GUIDBLAWS.fig
% GUIDBLAWS, by itself, creates a new GUIDBLAWS or raises the
existing
% singleton*.
%
% H = GUIDBLAWS returns the handle to a new GUIDBLAWS or the
handle to
% the existing singleton*.
%
% GUIDBLAWS('CALLBACK',hObject,eventData,handles,...) calls
the local
% function named CALLBACK in GUIDBLAWS.M with the given input
arguments.
%
% GUIDBLAWS('Property','Value',...) creates a new GUIDBLAWS
or raises the
% existing singleton*. Starting from the left, property
value pairs are
% applied to the GUI before GUIDBLAWS_OpeningFcn gets called.
An
% unrecognized property name or invalid value makes property
application
% stop. All inputs are passed to GUIDBLAWS_OpeningFcn via
varargin.
%
% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows
only one
% instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help GUIDBLAWS
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-14
% Last Modified by GUIDE v2.5 20-May-2019 16:35:54
% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @GUIDBLAWS_OpeningFcn, ...
'gui_OutputFcn', @GUIDBLAWS_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 GUIDBLAWS is made visible.
function GUIDBLAWS_OpeningFcn(hObject, eventdata, handles,
varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to GUIDBLAWS (see VARARGIN)
% Choose default command line output for GUIDBLAWS
handles.output = hObject;
gabah=[]; gabah(18,1)=0;
anyamanbambu=[]; anyamanbambu(18,1)=0;
rumput=[]; rumput(18,1)=0;
jagung=[]; jagung(18,1)=0;
kacang=[]; kacang(18,1)=0;
jerami=[]; jerami(18,1)=0;
handuk=[]; handuk(18,1)=0;
batu=[]; batu(18,1)=0;
keset=[]; keset(18,1)=0;
karunggoni=[]; karunggoni(18,1)=0;
gabah_karunggoni=[]; gabah_karunggoni(18,1)=0;
jagung_karunggoni=[]; jagung_karunggoni(18,1)=0;
kacang_karunggoni=[]; kacang_karunggoni(18,1)=0;
% Update handles structure
guidata(hObject, handles);
% UIWAIT makes GUIDBLAWS wait for user response (see UIRESUME)
% uiwait(handles.figure1);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-15
% --- Outputs from this function are returned to the command line.
function varargout = GUIDBLAWS_OutputFcn(hObject, eventdata,
handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
% Get default command line output from handles structure
varargout{1} = handles.output;
% --- Executes on button press in pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton1 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global z tk img1
z=false;
tk=1;
axes(handles.axes2)
imshow(img1)
% --- Executes on button press in pushbutton2.
function pushbutton2_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton2 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global z tk img2
z=false;
tk=2;
axes(handles.axes2)
imshow(img2)
% --- Executes on button press in pushbutton3.
function pushbutton3_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton3 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global z tk img3
z=false;
tk=3;
axes(handles.axes2)
imshow(img3)
% --- Executes on button press in pushbutton4.
function pushbutton4_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton4 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-16
% handles structure with handles and user data (see GUIDATA)
global z tk img4
z=false;
tk=4;
axes(handles.axes2)
imshow(img4)
% --- Executes on button press in pushbutton5.
function pushbutton5_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton5 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global z tk img5
z=false;
tk=5;
axes(handles.axes2)
imshow(img5)
% --- Executes on button press in pushbutton6.
function pushbutton6_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton6 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global z tk img6
z=false;
tk=6;
axes(handles.axes2)
imshow(img6)
% --- Executes on button press in pushbutton7.
function pushbutton7_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton7 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global z tk img7
z=false;
tk=7;
axes(handles.axes2)
imshow(img7)
% --- Executes on button press in pushbutton8.
function pushbutton8_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton8 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global z tk img8
z=false;
tk=8;
axes(handles.axes2)
imshow(img8)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-17
% --- Executes on button press in pushbutton9.
function pushbutton9_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton9 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global z tk img9
z=false;
tk=9;
axes(handles.axes2)
imshow(img9)
% --- Executes on button press in pushbutton10.
function pushbutton10_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton10 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global z tk img10
z=false;
tk=10;
axes(handles.axes2)
imshow(img10)
% --- Executes on button press in pushbutton11.
function pushbutton11_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton11 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global z tk img11
z=false;
tk=11;
axes(handles.axes2)
imshow(img11)
% --- Executes on button press in pushbutton12.
function pushbutton12_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton12 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global z tk img12
z=false;
tk=12;
axes(handles.axes2)
imshow(img12)
% --- Executes on button press in pushbutton13.
function pushbutton13_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton13 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global z tk img13
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-18
z=false;
tk=13;
axes(handles.axes2)
imshow(img13)
% --- Executes on button press in pushbutton14.
function pushbutton14_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton14 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global z ss gray tk
global gabah anyamanbambu rumput jagung kacang jerami handuk batu
keset...
karunggoni gabah_karunggoni jagung_karunggoni
kacang_karunggoni
global img1 img2 img3 img4 img5 img6 img7 img8 img9 img10 img11
img12 img13
z=true;
tk=0;
strm=ipcam('http://192.168.4.1/stream');
axes(handles.axes1)
while z==true
ss=snapshot(strm);
imshow(ss);
if z==false
closePreview(strm);
gray=rgb2gray(ss);
gray=imadjust (gray);
axes(handles.axes2)
imshow(gray);
if tk == 1
img1=gray;
gabah=tciri(gray)
elseif tk== 2
img2=gray;
anyamanbambu=tciri(gray)
elseif tk==3;
img3=gray;
rumput=tciri(gray)
elseif tk==4;
img4=gray;
jagung=tciri(gray)
elseif tk==5;
img5=gray;
kacang=tciri(gray)
elseif tk==6;
img6=gray;
jerami=tciri(gray)
elseif tk==7;
img7=gray;
handuk=tciri(gray)
elseif tk==8;
img8=gray;
batu=tciri(gray)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-19
elseif tk==9;
img9=gray;
keset=tciri(gray)
elseif tk==10;
img10=gray;
karunggoni=tciri(gray)
elseif tk==11;
img11=gray;
gabah_karunggoni=tciri(gray)
elseif tk==12;
img12=gray;
jagung_karunggoni=tciri(gray)
elseif tk==13;
img13=gray;
kacang_karunggoni=tciri(gray)
end
break;
end
end
% --- Executes on button press in pushbutton15.
function pushbutton15_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton15 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global gabah anyamanbambu rumput jagung kacang jerami handuk batu
keset...
karunggoni gabah_karunggoni jagung_karunggoni
kacang_karunggoni
dbiclaws=[gabah anyamanbambu rumput jagung kacang jerami handuk
batu keset...
karunggoni gabah_karunggoni jagung_karunggoni
kacang_karunggoni]
save dbxiclaws dbiclaws
set(handles.uitable1,'Data',dbiclaws)
% --- Executes on button press in pushbutton16.
function pushbutton16_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton16 (see GCBO)
% eventdata reserved - to be defined in a future version of
MATLAB
% handles structure with handles and user data (see GUIDATA)
global ss gray gabah anyamanbambu rumput jagung kacang jerami
handuk batu...
keset karunggoni gabah_karunggoni jagung_karunggoni
kacang_karunggoni
ss=[];
gray=[];
axes(handles.axes1)
plot(0);
axes(handles.axes2)
plot(0);
gabah=[]; gabah(18,1)=0;
anyamanbambu=[]; anyamanbambu(18,1)=0;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-20
rumput=[]; rumput(18,1)=0;
jagung=[]; jagung(18,1)=0;
kacang=[]; kacang(18,1)=0;
jerami=[]; jerami(18,1)=0;
handuk=[]; handuk(18,1)=0;
batu=[]; batu(18,1)=0;
keset=[]; keset(18,1)=0;
karunggoni=[]; karunggoni(18,1)=0;
gabah_karunggoni=[]; gabah_karunggoni(18,1)=0;
jagung_karunggoni=[]; jagung_karunggoni(18,1)=0;
kacang_karunggoni=[]; kacang_karunggoni(18,1)=0;
function y=tciri(x)
L1=cobalaws(x,'L3','L3',15);
rata1=mean(L1(:));
v1=var(double(L1(:)));
L2=cobalaws(x,'L3','E3',15);
rata2=mean(L2(:));
v2=var(double(L2(:)));
L3=cobalaws(x,'L3','S3',15);
rata3=mean(L3(:));
v3=var(double(L3(:)));
L4=cobalaws(x,'E3','L3',15);
rata4=mean(L4(:));
v4=var(double(L4(:)));
L5=cobalaws(x,'E3','E3',15);
rata5=mean(L5(:));
v5=var(double(L5(:)));
L6=cobalaws(x,'E3','S3',15);
rata6=mean(L6(:));
v6=var(double(L6(:)));
L7=cobalaws(x,'S3','L3',15);
rata7=mean(L7(:));
v7=var(double(L7(:)));
L8=cobalaws(x,'S3','E3',15);
rata8=mean(L8(:));
v8=var(double(L8(:)));
L9=cobalaws(x,'S3','S3',15);
rata9=mean(L9(:));
v9=var(double(L9(:)));
y=[rata1;rata2;rata3;rata4;rata5;rata6;rata7;rata8;rata9;v1;v2;v3;
v4;v5;v6;v7;v8;v9];
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-21
LISTING PROGRAM NodeMCU
// The capture and streaming features can be reached directly via
the browser by using the format:
// http://IPaddress/stream - for streaming video
//
// Wiring diagram to connect ArduCAM to ESP8266-12E
//
// ArduCAM mini -> ESP8266-12E
// CS -> D0
// MOSI -> D7
// MISC -> D6
// SCK -> D5
// GND -> GND
// VCC -> 3V3
// SDA -> D2
// SCL -> D1
#include <ESP8266WiFi.h>
#include <WiFiClient.h>
#include <ESP8266WebServer.h>
#include <Wire.h>
#include <ArduCAM.h>
#include <SPI.h>
#include "memorysaver.h"
#if !(defined ESP8266 )
#error Please select the ArduCAM ESP8266 UNO board in the Tools/Board
#endif
//This demo can only work on OV2640_MINI_2MP or ARDUCAM_SHIELD_V2
platform.
#if !(defined (OV2640_MINI_2MP)||(defined (ARDUCAM_SHIELD_V2) &&
defined (OV2640_CAM)))
#error Please select the hardware platform and camera module in the
../libraries/ArduCAM/memorysaver.h file
#endif
// set GPIO16 as the slave select :
const int CS = 16;
// if the video is chopped or distored, try using a lower value for
the buffer
// lower values will have fewer frames per second while streaming
static const size_t bufferSize = 4096; // 4096; //2048; //1024;
static const int fileSpaceOffset = 700000;
//AP mode configuration
const char *AP_ssid = "NodeMCU";
//Default is no password.If you want to set password,put your
password here
const char *AP_password = "APpassword";
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-22
static IPAddress ip(192, 168, 1, 203); // static IP used for browser
access: http://IPaddress
static IPAddress gateway(192, 168, 1, 1);
static IPAddress subnet(255, 255, 255, 0);
int resolution = 0;
// resolutions:
// 0 = 160x120
// 1 = 176x144
// 2 = 320x240
// 3 = 352x288
// 4 = 640x480
// 5 = 800x600
// 6 = 1024x768
// 7 = 1280x1024
// 8 = 1600x1200
ESP8266WebServer server(80);
ArduCAM myCAM(OV2640, CS);
////////////////////////////////////
// capture initialization //
////////////////////////////////////
void start_capture() {
myCAM.clear_fifo_flag();
myCAM.start_capture();
}
/////////////////////////////
// stream video to client //
/////////////////////////////
void serverStream() {
WiFiClient client = server.client();
String response = "HTTP/1.1 200 OK\r\n";
response += "Content-Type: multipart/x-mixed-replace;
boundary=frame\r\n\r\n";
server.sendContent(response);
while (client.connected()) {
start_capture();
while (!myCAM.get_bit(ARDUCHIP_TRIG, CAP_DONE_MASK));
size_t len = myCAM.read_fifo_length();
if (len >= 0x07ffff) {
Serial.println("Over size.");
continue;
} else if (len == 0 ) {
Serial.println("Size is 0.");
continue;
}
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-23
myCAM.CS_LOW();
myCAM.set_fifo_burst();
#if !(defined (ARDUCAM_SHIELD_V2) && defined (OV2640_CAM))
SPI.transfer(0xFF);
#endif
if (!client.connected()) break;
response = "--frame\r\n";
response += "Content-Type: image/jpeg\r\n\r\n";
server.sendContent(response);
static uint8_t buffer[bufferSize] = {0xFF};
while (len) {
size_t will_copy = (len < bufferSize) ? len : bufferSize;
SPI.transferBytes(&buffer[0], &buffer[0], will_copy);
if (!client.connected()) break;
client.write(&buffer[0], will_copy);
len -= will_copy;
}
myCAM.CS_HIGH();
if (!client.connected()) break;
}
}
//////////////////////////////////////////////////////////////////
/////////////////
// used when form is submitted and at setup to set the camera
resolution //
//////////////////////////////////////////////////////////////////
/////////////////
void setCamResolution(int reso)
{
switch (reso)
{
case 0:
myCAM.OV2640_set_JPEG_size(OV2640_160x120);
resolution = 0;
break;
case 1:
myCAM.OV2640_set_JPEG_size(OV2640_176x144);
resolution = 1;
break;
case 2:
myCAM.OV2640_set_JPEG_size(OV2640_320x240);
resolution = 2;
break;
case 3:
myCAM.OV2640_set_JPEG_size(OV2640_352x288);
resolution = 3;
break;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-24
case 4:
myCAM.OV2640_set_JPEG_size(OV2640_640x480);
resolution = 4;
break;
case 5:
myCAM.OV2640_set_JPEG_size(OV2640_800x600);
resolution = 5;
break;
case 6:
myCAM.OV2640_set_JPEG_size(OV2640_1024x768);
resolution = 6;
break;
case 7:
myCAM.OV2640_set_JPEG_size(OV2640_1280x1024);
resolution = 7;
break;
case 8:
myCAM.OV2640_set_JPEG_size(OV2640_1600x1200);
resolution = 8;
break;
}
}
////////////////////////////////
// main setup function //
////////////////////////////////
void setup() {
delay(10);
uint8_t vid, pid;
uint8_t temp;
#if defined(__SAM3X8E__)
Wire1.begin();
#else
Wire.begin();
#endif
Serial.begin(115200);
Serial.println("ArduCAM Start!");
// set the CS as an output:
pinMode(CS, OUTPUT);
// initialize SPI:
SPI.begin();
SPI.setFrequency(4000000); //4MHz
//Check if the ArduCAM SPI bus is OK
myCAM.write_reg(ARDUCHIP_TEST1, 0x55);
temp = myCAM.read_reg(ARDUCHIP_TEST1);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-25
if (temp != 0x55) {
Serial.println("SPI1 interface Error!");
}
//Check if the camera module type is OV2640
myCAM.wrSensorReg8_8(0xff, 0x01);
myCAM.rdSensorReg8_8(OV2640_CHIPID_HIGH, &vid);
myCAM.rdSensorReg8_8(OV2640_CHIPID_LOW, &pid);
if ((vid != 0x26 ) && (( pid != 0x41 ) || ( pid != 0x42 )))
Serial.println("Can't find OV2640 module! pid: " + String(pid));
else
Serial.println("OV2640 detected.");
//Change to JPEG capture mode and initialize the OV2640 module
myCAM.set_format(JPEG);
myCAM.InitCAM();
setCamResolution(resolution);
myCAM.clear_fifo_flag();
Serial.println();
Serial.println();
Serial.print("Share AP: ");
Serial.println(AP_ssid);
Serial.print("The password is: ");
Serial.println(AP_password);
WiFi.mode(WIFI_AP);
WiFi.softAP(AP_ssid, AP_password);
Serial.println("");
Serial.println("AP ip");
Serial.println(WiFi.softAPIP());
// setup handlers
server.on("/stream", HTTP_GET, serverStream);
server.begin();
Serial.println("Server started");
}
/////////////////////////////
// Main loop function //
/////////////////////////////
void loop() {
server.handleClient()
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-26
LAMPIRAN 4
DATA YANG DIPEROLEH
Tabel L1. Data hasil pengujian pengaruh variasi jarak 20 cm (Resolusi kamera 160 x 120)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 2 1
Anyaman
Bambu 1 0 2
Rumput 3
Jagung 2 1
Kacang 3
Jerami 3
Handuk 3
Batu 3
Keset 3
Karunggoni 3
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-27
Tabel L2. Data hasil pengujian pengaruh variasi jarak 25 cm (Resolusi kamera 160 x 120)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 3
Rumput 3
Jagung 3
Kacang 1 1 0 1
Jerami 3
Handuk 1 1 1
Batu 0 3
Keset 3 0
Karunggoni 2 1
Gabah &
Goni 2
1
Jagung &
Goni
3
Kacang &
Goni 2
1
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-28
Tabel L3. Data hasil pengujian pengaruh variasi jarak 30 cm (Resolusi kamera 160 x 120)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 2 1
Anyaman
Bambu 2 1
Rumput 3
Jagung 0 3
Kacang 3
Jerami 3 0
Handuk 2 0 1
Batu 3 0
Keset 2 1
Karunggoni 3 0
Gabah &
Goni 3
0
Jagung &
Goni
3
Kacang &
Goni
3 0
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-29
Tabel L4. Data hasil pengujian pengaruh variasi rotasi 0° (Resolusi kamera 160 x 120)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 2 1
Anyaman
Bambu 1 0 2
Rumput 3
Jagung 2 1
Kacang 3
Jerami 3
Handuk 3
Batu 3
Keset 3
Karunggoni 3
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-30
Tabel L5. Data hasil pengujian pengaruh variasi sudut 20° (Resolusi kamera 160 x 120)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 3
Rumput 0 3
Jagung 0 3
Kacang 3
Jerami 3 0
Handuk 3
Batu 0 3
Keset 1 2 0
Karunggoni 1 2 0
Gabah &
Goni
3
Jagung &
Goni 3
0
Kacang &
Goni 3
0
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-31
Tabel L6. Data hasil pengujian pengaruh variasi sudut 60° (Resolusi kamera 160 x 120)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 1 2
Anyaman
Bambu 3
Rumput 3
Jagung 0 3
Kacang 1 2
Jerami 3 0
Handuk 3
Batu 3
Keset 3
Karunggoni 1 2 0
Gabah &
Goni
3
Jagung &
Goni 3
0
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-32
Tabel L7. Data hasil pengujian pengaruh variasi sudut 120° (Resolusi kamera 160 x 120)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 3
Rumput 3
Jagung 1 2
Kacang 1 2
Jerami 3
Handuk 3
Batu 3
Keset 3
Karunggoni 3
Gabah &
Goni 1
1 1
Jagung &
Goni 1
0 2
Kacang &
Goni 1 2
0
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-33
Tabel L8. Data hasil pengujian pengaruh variasi translasi center (Resolusi kamera 160 x 120)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 2 1
Anyaman
Bambu 1 0 2
Rumput 3
Jagung 2 1
Kacang 3
Jerami 3
Handuk 3
Batu 3
Keset 3
Karunggoni 3
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-34
Tabel L9. Data hasil pengujian pengaruh variasi translasi geser ke kanan (Resolusi kamera 160 x 120)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 2 1
Anyaman
Bambu 3 0
Rumput 3
Jagung 3
Kacang 1 2
Jerami 3
Handuk 3
Batu 3
Keset 3
Karunggoni 3
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-35
Tabel L10. Data hasil pengujian pengaruh variasi translasi geser ke kiri (Resolusi kamera 160 x 120)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 2 1
Anyaman
Bambu 2 1
Rumput 3
Jagung 3
Kacang 3
Jerami 1 2 0
Handuk 3
Batu 0 3
Keset 0 3
Karunggoni 3 0
Gabah &
Goni
3
Jagung &
Goni
1 2
Kacang &
Goni
1 2
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-36
Tabel L11. Data hasil pengujian pengaruh variasi translasi geser ke atas (Resolusi kamera 160 x 120)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 0 3
Rumput 3
Jagung 3
Kacang 2 1
Jerami 3
Handuk 3
Batu 3
Keset 1 1 1
Karunggoni 3 0
Gabah &
Goni
3
Jagung &
Goni
1 2
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-37
Tabel L12. Data hasil pengujian pengaruh variasi translasi geser ke bawah (Resolusi kamera 160 x 120)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 1 2
Anyaman
Bambu 3 0
Rumput 3
Jagung 2 1
Kacang 3
Jerami 3
Handuk 3
Batu 3
Keset 2 0 1
Karunggoni 1 2
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni 1
1 1
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-38
Tabel L13. Data hasil pengujian pengaruh variasi skala 20 cm (Resolusi kamera 320x240)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 0 3
Anyaman
Bambu 3
Rumput 2 1
Jagung 3
Kacang 3
Jerami 3 0
Handuk 1 2
Batu 3
Keset 3
Karunggoni 3
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-39
Tabel L14. Data hasil pengujian pengaruh variasi skala 25 cm (Resolusi kamera 320x240)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 0 3
Anyaman
Bambu 0 3
Rumput 3
Jagung 3
Kacang 3
Jerami 3 0
Handuk 3
Batu 3 0
Keset 3
Karunggoni 3 0
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3 0
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-40
Tabel L15. Data hasil pengujian pengaruh variasi skala 30 cm (Resolusi kamera 320x240)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 3
Rumput 3
Jagung 0 3
Kacang 3 0
Jerami 3 0
Handuk 3
Batu 3 0
Keset 3
Karunggoni 3 0
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-41
Tabel L16. Data hasil pengujian pengaruh variasi sudut 20°(Resolusi kamera 320x
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 0 3
Anyaman
Bambu 3
Rumput 3
Jagung 3
Kacang 3
Jerami 3 0
Handuk 2 1
Batu 0 3
Keset 3 0
Karunggoni 1 2 0
Gabah &
Goni
3
Jagung &
Goni
3 0
Kacang &
Goni
3 0
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-42
Tabel L17. Data hasil pengujian pengaruh variasi sudut 60°(Resolusi kamera 320x240)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 0 3
Rumput 3
Jagung 0 3
Kacang 3
Jerami 3
Handuk 3
Batu 0
Keset 3 0
Karunggoni 3 0
Gabah &
Goni
0 3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-43
Tabel L18. Data hasil pengujian pengaruh variasi sudut 120°(Resolusi kamera 320x240)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 3
Rumput 3
Jagung 3
Kacang 3
Jerami 0 3
Handuk 3
Batu 3 0
Keset 3
Karunggoni 3 0
Gabah &
Goni
0 3
Jagung &
Goni
3
Kacang &
Goni
3 0
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-44
Tabel L19. Data hasil pengujian pengaruh variasi translasi geser kanan 1cm (Resolusi kamera 320x240)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 2 1
Anyaman
Bambu 3
Rumput 3
Jagung 3
Kacang 3
Jerami 3
Handuk 3
Batu 3 0
Keset 3
Karunggoni 3
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-45
Tabel L20. Data hasil pengujian pengaruh variasi translasi geser kiri 1cm (Resolusi kamera 320x240)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 1 2
Anyaman
Bambu 2 1
Rumput 3
Jagung 3
Kacang 0 3
Jerami 3 0
Handuk 3
Batu 3 0
Keset 3
Karunggoni 3
Gabah &
Goni
0 3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-46
Tabel L21. Data hasil pengujian pengaruh variasi translasi geser atas 1cm (Resolusi kamera 320x240)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 3
Rumput 3
Jagung 0 3
Kacang 3 0
Jerami 3
Handuk 3
Batu 3 0
Keset 0 3
Karunggoni 3
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-47
Tabel L22. Data hasil pengujian pengaruh variasi translasi geser bawah 1cm (Resolusi kamera 320x240)
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 2 1
Anyaman
Bambu 0 3
Rumput 3
Jagung 3
Kacang 3
Jerami 3
Handuk 3
Batu 3 0
Keset 3 0
Karunggoni 3 0
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-48
Tabel L23 . Data hasil pengujian pengaruh variasi Rotasi 20 °, ukuran window 3
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 3
Rumput 3
Jagung 3
Kacang 0 3
Jerami 0 3
Handuk 3
Batu 3
Keset 3
Karunggoni 3
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-49
Tabel L24. Data hasil pengujian pengaruh variasi rotasi 40°, ukuran window 3
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 3
Rumput 3
Jagung 3
Kacang 3 0
Jerami 3 0
Handuk 3
Batu 2 1
Keset 3 0
Karunggoni 3
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-50
Tabel L25. Data hasil pengujian pengaruh variasi Rotasi 60 °, ukuran window 3
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 0 3
Anyaman
Bambu 3
Rumput 3
Jagung 3
Kacang 0 3
Jerami 0 3
Handuk 3
Batu 3 0
Keset 3
Karunggoni 3 0
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-51
Tabel L26. Data hasil pengujian pengaruh variasi rotasi 80°, ukuran window 3
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 3
Rumput 3
Jagung 3
Kacang 3 0
Jerami 3
Handuk 3
Batu 3
Keset 3
Karunggoni 3
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-52
Tabel L27. Data hasil pengujian pengaruh variasi rotasi 100°, ukuran window 3
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 3
Rumput 3
Jagung 3
Kacang 3 0
Jerami 0 3
Handuk 3
Batu 3
Keset 3
Karunggoni 3
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-53
Tabel L28 . Data hasil pengujian pengaruh variasi Rotasi 120 °, ukuran window 3
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 3
Rumput 3
Jagung 3
Kacang 3
Jerami 1 2
Handuk 3
Batu 3
Keset 3 0
Karunggoni 3 0
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-54
Tabel L29. Data hasil pengujian pengaruh variasi rotasi 140°, ukuran window 3
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 3
Rumput 3
Jagung 3
Kacang 3
Jerami 3 0
Handuk 3
Batu 3 0
Keset 3
Karunggoni 3 0
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-55
Tabel L30. Data hasil pengujian pengaruh variasi rotasi 160°, ukuran window 3
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3 3
Anyaman
Bambu 3
Rumput 3
Jagung 3
Kacang 3 3
Jerami 3
Handuk 3
Batu 3
Keset 3 0
Karunggoni 3 0
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-56
Tabel L31. Data hasil pengujian pengaruh variasi rotasi 180°, ukuran window 3
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3 3
Anyaman
Bambu 3
Rumput 3
Jagung 3
Kacang 3 3
Jerami 3
Handuk 3
Batu 3
Keset 3 3
Karunggoni 3
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-57
Tabel L32. Data hasil pengujian pengaruh variasi skala 20 cm, ukuran window 3
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 3
Rumput 3
Jagung 3
Kacang 3
Jerami 3
Handuk 3
Batu 3
Keset 3
Karunggoni 3
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-58
Tabel L33 . Data hasil pengujian pengaruh variasi skala 25 cm, ukuran window 3
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 3
Rumput 3
Jagung 3
Kacang 0 3
Jerami 3 0
Handuk 3
Batu 3
Keset 3
Karunggoni 3
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-59
Tabel L34. Data hasil pengujian pengaruh variasi skala 30 cm, ukuran window 3
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 0 3
Rumput 3
Jagung 3
Kacang 3
Jerami 0 3
Handuk 3
Batu 3
Keset 3
Karunggoni 3 0
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-60
Tabel L35. Data hasil pengujian pengaruh translasi ke kanan, ukuran window 3
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 3
Rumput 3
Jagung 3
Kacang 0 3
Jerami 3
Handuk 3
Batu 3
Keset 3
Karunggoni 3
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3 0
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-61
Tabel L36. Data hasil pengujian pengaruh variasi translasi ke kiri, ukuran window 3
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 0 3
Anyaman
Bambu 3
Rumput 3
Jagung 3
Kacang 0 3
Jerami 3
Handuk 3
Batu 3 0
Keset 0 3
Karunggoni 3
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-62
Tabel L37 . Data hasil pengujian pengaruh variasi translasi ke atas, ukuran window 3
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 3
Anyaman
Bambu 0 3
Rumput 3
Jagung 3
Kacang 3
Jerami 3
Handuk 3
Batu 3
Keset 3 0
Karunggoni 3
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-63
Tabel L38 . Data hasil pengujian pengaruh variasi translasi kebawah, ukuran window 3
O I
Gabah Anyaman
Bambu Rumput Jagung Kacang Jerami Handuk Batu Keset Karunggoni
Gabah
& Goni
Jagung
& Goni
Kacang
& Goni
Gabah 0 3
Anyaman
Bambu 3
Rumput 3
Jagung 3
Kacang 3
Jerami 3
Handuk 3
Batu 3
Keset 3
Karunggoni 3
Gabah &
Goni
3
Jagung &
Goni
3
Kacang &
Goni
3
Ket : Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 3 kali pengujian
Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 3 kali pengujian
Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 3 kali pengujian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-64
LAMPIRAN 5
HASIL RERATA TINGKAT PENGENALAN TEKSTUR
DENGAN METODE LAWS
1. Hasil pengujian pengaruh variasi RST terhadap pengenalan tekstur tunggal.
a. Rerata pengaruh Rotasi terhadap tingkat pengenalan
Rotasi 0° 20° 40° 60° 80° 100° 120° 140° 160° 180°
Tingkat
Pengenalan 100% 80% 56,6% 50% 90% 80% 73,3% 70% 80% 100%
b. Rerata pengaruh variasi Skala terhadap tingkat pengenalan.
Skala 20 cm 25 cm 30 cm
Tingkat
Pengenalan 100% 80 % 70 %
c. Rerata pengaruh variasi Translasi terhadap tingkat pengenalan.
Translasi Center Kanan Kiri Atas Bawah
Tingkat
Pengenalan 100 % 90 % 60 % 80 % 90 %
d. Rerata pengaruh RST terhadap keseluruhan tingkat pengenelan tekstur.
Variasi R S T
Tingkat Pengenalan
Tekstur 77,99 % 83,33 % 84 %
2. Hasil pengujian pengaruh variasi RST terhadap pengenalan tekstur ganda.
a. Rerata pengaruh Rotasi terhadap tingkat pengenalan
Rotasi 0° 20° 40° 60° 80° 100° 120° 140° 160° 180°
Tingkat
Pengenalan 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
b. Rerata pengaruh variasi Skala terhadap tingkat pengenalan.
Skala 20 cm 25 cm 30 cm
Tingkat
Pengenalan 100 % 100 % 100 %
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
L-65
c. Rerata pengaruh variasi Translasi terhadap tingkat pengenalan.
Translasi Center Kanan Kiri Atas Bawah
Tingkat
Pengenalan 100 % 66 % 100 % 100 % 100 %
d. Rerata pengaruh RST terhadap keseluruhan tingkat pengenelan tekstur.
Variasi R S T
Tingkat Pengenalan
Tekstur 100 % 100 % 93,2%
3. Hasil pengujian pengaruh wireless terhadap pengenalan tekstur.
Jarak 1 m 10 m 20 m 30 m 40 m 50 m 60 m 70 m 80 m
Tingkat
Pengenalan 100% 100 % 100% 90% 100% 100% 100 % 100% 100%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI