PENGENALAN JENIS KUPU-KUPU DENGAN PENGKLASIFIKASI SAMAR

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI

TUGAS AKHIR

PENGENALAN JENIS KUPU-KUPU DENGAN PENGKLASIFIKASI SAMAR Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Program Studi Teknik Elektro

Oleh: MARINUS SKOTUS FEBRIANTO NIM: 115114031

PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2016

i


FINAL PROJECT

TYPE RECOGNITION OF BUTTERFLIES USING FUZZY CLASSIFICATION Presented as Partial Fulfillment of the Requirements To Obtain the Sarjana Teknik Degree In Electrical Engineering Study Program

Oleh: MARINUS SKOTUS FEBRIANTO NIM: 115114031

ELECTRICAL ENGINEERING STUDY PROGRAM FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2016

ii


HALAMAN PERSETUJUAN TUGAS AKHIR

PENGENALAN JENIS KUPU_KUPU DENGAN PENGKLASIFIKASI SAMAR TYPE RECOGNITION OF BUTTERFLIES USING FUZZY CLASSIFICATION

Oleh : MARINUS SKOTUS FEBRIANTO NIM: 115114031

Telah disetujui oleh :

iii


HALAMAN PENGESAHAN TUGAS AKHIR PENGENALAN JENIS KUPU_KUPU DENGAN PENGKLASIFIKASI SAMAR (TYPE RECOGNITION OF BUTTERFLIES USING FUZZY CLASSIFICATION)

Yogyakarta, 29 Februari 2016

iv


PERNYATAAN KEASLIAN KARYA Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat karya orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka sebagaimana layaknya karya ilmiah. Yogyakarta, 29 Februari 2016

Marinus Skotus Febrianto

v


HALAMAN PERSEMBAHAN DAN MOTTO HIDUP

MOTTO :

“Just do it supaya berduit”

Persembahan Karya ini kupersembahkan untuk… Tuhan yang selalu membimbingku.. Papa Mama Kakak serta Fransisca D Renwarin yang slalu memberikan dukungan dalam segala hal… Teman – teman seperjuangan yang menemani di kala siang dan malam… vi


Dan untuk semua yang membaca karya ini. LEMBAR PERNYATAN PERSETUJUAN PUBLIKASIKARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma : Nama

: Marinus Skotus Febrianto

Nomor Mahasiswa

: 115114031

Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul :

PENGENALAN JENIS KUPU-KUPU DENGAN PENGKLASIFIKASI SAMAR beserta perangkat yang diperlukan ( bila ada ). Dengan demikian saya memberikan kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara terbatas dan mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan royalty kepada saya selama tetapmencatumkan nama saya sebagai penulis. Demikian pernyataan ini saya buat dengan sebenarnya. Yogyakarta, 27 Februari 2016

(Marinus Skotus Febrianto)

vii


INTISARI Pada perkembangan zaman yang terjadi habitat kupu-kupu semakin berkurang juga dengan perburuan liar yang dilakukan karena keindahan dari corak kupu-kupu untuk hiasan dan koleksi specimen membuat kupu-kupu semakin langka. Kelangkaan dapat berakibat pada kepunahan. Pengenalan pola dan corak kupu-kupu harus dilakukan secara digital karena hal ini dapat menghemat biaya penelitian karena jenis kupu-kupu dengan beraneka macam dan pola yang bermacam macam pula. Pengenalan dapat mempermudah untuk mengenali spesies yang berada di lapangan sehingga dapat diteliti lebih lanjut. Juga dari segi dokumentasi lebih mudah karena dibantu dengan teknologi computer dan pencitraan kamera.

Sistem pengenalan kupu-kupu ini menggunakan metode fuzzy logic dengan metode inferensi sugeno. Kupu-kupu yang digunakan sebanyak 10 jenis yaitu (1)Papillio uleysses, (2)Idea blancardi, (3) Papilio dutran, (4) Atrophneura nonik, (5) Taenaris selena, (6) Hebomoeia glaucippe, (8) Hebomiae duostra, (9) Papilio cambrisuis, (10) Papilio dephobus, (11) Pachlioptera aristolochiae.

Tingkat pengenalan diuji dengan variasi ketinggian kamera dan sudut putar objek yang divariasikan. Tingkat pengenalan dapat bekerja sesuai dengan yang diharapkan. Tingkat pengenalan sebesar 95,90%. Dengan pengenalan terbaik pada ketinggian (55-65)cm dan sudut yang terbaik adalah 00sampai ±50

Kata kunci: Kupu-kupu, Fuzzy logic, Inferensi sugeno, 10 jenis kupu-kupu, sudut, ketinggian kamera.

viii


ABSTRACT In the times that happened butterfly habitat decreases also with poaching is done because of the beauty of the butterfly pattern for decoration and collection of specimens made increasingly rare butterfly. Scarcity can lead to extinction. Pattern recognition and pattern of butterflies should be done digitally as this can save you the cost of research for species of butterfly with a wide variety and a wide variety of patterns as well. The introduction can make it easier to identify the species that are on the field so it can be investigated further. Also in terms of the documentation easier for assisted with computer technology and imaging cameras. Butterfly recognition system is using fuzzy logic with Sugeno inference method. Butterflies are used as many as 10 types, namely (1) Papillio uleysses, (2) Idea blancardi, (3) Papilio dutran, (4) Atrophneura nonik, (5) Taenaris selena, (6) Hebomoeia glaucippe, (8) Hebomiae duostra , (9) Papilio cambrisuis, (10) Papilio dephobus, (11) Pachlioptera aristolochiae. The recognition rate was tested with a variety of camera height and swivel angle varied objects. The level of recognition may work as expected. Recognition rate of 95.90%. With the best introduction to the altitude (55-65) cm and the best angle is 00 to ±50.

Keywords: Butterfly, Fuzzy Logic, Inference Sugeno, 10 species of butterflies, angle, camera height.

ix


KATA PENGANTAR Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus karena telah memberikan rahmat-Nya sehingga penulis dapat menyelesaikan laporan tugas akhir ini dengan baik.Laporan tugas akhir ini disusun untuk memenuhi syarat memperoleh gelar sarjana. Selama pembuatan tugas akhir ini penulis menyadari bahwa ada begitu banyak pihak yang telah memberikan bantuan baik bantuan materi, moral maupun dukungan. Oleh karena itu penulis ingin mengucapkan terimakasih kepada : 1. Petrus Setyo Prabowo, S.T., M.T., Ketua Program Studi Teknik Elektro Universitas Sanata Dharma. 2. Dr.Linggo Sumarno, dosen pembimbing yang dengan penuh setia, kesabaran dan pengertian untuk membimbing dalam menyelesaikan Tugas Akhir ini.. 3. Bapak dan Ibu dosen yang telah mengajarkan banyak ilmu yang bermanfaat selama menempuh pendidikan di Universitas Sanata Dharma. 4. Segenap laboran dan karyawan Fakultas Sains dan Teknologi yang telah memberikan dukungan secara tidak langsung dalam kelancaran penulis mengerjakan penulisan tulisan tugas akhir ini. 5. Kedua orang tua penulis yang telah banyak memberikan dukungan doa, kasih sayang dan motivasi selama menempuh pendidikan di Universitas Sanata Dharma. 6. Keluarga kecil penulis yang telah memberi dukungan dalam mengawali dan mengakhiri masa - masa menempuh pendidikan di Universitas Sanata Dharma. 7. Om Bambang dan Fransisca D Renwarin yang turut memberikan dukungan dalam kehidupan penulis. 8. Teman – teman seperjuangan Teknik Elektro 2011 yang telah menemani di waktu siang ataupun malam pada saat menempuh pendidikan di Universitas Sanata Dhama. 9. Semua pihak yang tidak bisa disebutkan satu persatu yang telah banyak memberikan banyak bantuan dan dukungan dalam menyelesaikan tugas akhir ini. 10. Teman-teman anggota “Maryati’s Dormitory”: Nino, Hardo, Fian, Sandi, Bori, Trias, Bowo, Chandra, Bendot, Pongki .Yang sudah mensupport saya dalam mengerjakan maupun menemani minum-minuman jahat. x


Penulis menyadari bahwa dalam penyusunan laporan tugas akhir masih mengalami kesulitan dan tidak lepas dari kesalahan.Oleh karena itu, penulis mengharapkan masukan, kritik dan saran yang membangun agar skripsi ini menjadi lebih baik.Dan semoga skripsi ini dapat bermanfaat sebagaimana mestinya.

Penulis,

Marinus Skotus Febrianto

xi


DAFTAR ISI HALAMAN JUDUL................................................................................................................. i HALAMAN PERSETUJUAN ...................................................................................... iii HALAMAN PENGESAHAN ....................................................................................... iv PERNYATAAN KEASLIAN KARYA ......................................................................... v HALAMAN PERSEMBAHAN DAN MOTTO HIDUP .............................................. vi LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ..................................................... vii INTISARI .................................................................................................................... viii ABSTRACT .................................................................................................................. ix KATA PENGANTAR .................................................................................................... x DAFTAR ISI ................................................................................................................ xii DAFTAR GAMBAR .................................................................................................... xv DAFTAR TABEL ...................................................................................................... xvii BAB I PENDAHULUAN 1.1. Latar Belakang .................................................................................................... 1 1.2.

Tujuan dan Manfaat Penelitian ........................................................................... 2

1.3.

Batasan Masalah ................................................................................................. 2

1.4.

Metodologi Penelitian ......................................................................................... 3 1.4.1.

Metode Studi Pustaka ........................................................................... 3

1.4.2.

Prosedur Penelitian ............................................................................... 3

BAB II DASAR TEORI 2.1.

Kupu-kupu .......................................................................................................... 5

2.2.

Webcam............................................................................................................... 5

2.3.

Pengolahan citra.................................................................................................. 6 2.3.1

2.4.

Definisi ................................................................................................. 6

Cropping ............................................................................................................. 7 xii


2.5.

Transformasi Geometris Spasial ......................................................................... 8

2.6.

RGB .................................................................................................................... 8

2.7.

Citra Grayscale ................................................................................................... 9

2.8.

Citra Biner ........................................................................................................ 10

2.9.

MATLAB ......................................................................................................... 10 2.9.1.

Karakteristik Matlab ........................................................................... 11

2.10. Sistem Fuzzy ..................................................................................................... 11 2.10.1. Fuzifikasi ............................................................................................ 12 2.10.2. Mekanisme Inferensi Fuzzy ................................................................ 13 2.10.3. Defuzifikasi ........................................................................................ 14 2.10.4. FIS Tipe Sugeno ................................................................................. 15 BAB III PERANCANGAN 3.1.

3.2.

3.3.

Perancangan Sistem .......................................................................................... 17 3.1.1.

Kupu-kupu .......................................................................................... 17

3.1.2.

Webcam .............................................................................................. 18

Proses Pengenalan Sayap Kupu-kupu .............................................................. 19 3.2.1.

Pengambilan Citra .............................................................................. 19

3.2.2.

Preprocessing ..................................................................................... 20

3.2.3.

Pengklasifikasi Samar ........................................................................ 25

3.2.4.

Pengambilan Database Fuzzy............................................................. 27

3.2.5.

Penentuan Keluaran ............................................................................ 27

Perancangan GUI .............................................................................................. 28

BAB IV HASIL DAN PEMBAHASAN 4.1.

Pengujian dan Tampilan Program Pengenalan Objek Kupu-kupu Secara Real Time .............................................................................................. 29

4.2.

Pengujian Secara Real Time ............................................................................. 40 4.2.1.

Pengujian Pengaturan Pengenalan Objek Kupu-kupu secara Real Time ............................................................................................ 40

4.2.2.

Analisa Pengenalan Objek Kupu-kupu Secara Real Time ................. 43 xiii


BAB V KESIMPULAN DAN SARAN 5.1.

Kesimpulan ....................................................................................................... 45

5.2.

Saran ................................................................................................................. 45

DAFTAR PUSTAKA ................................................................................................... 46 LAMPIRAN ................................................................................................................. 47

xiv


DAFTAR GAMBAR Gambar 2.1.

Kupu-kupu ............................................................................................ 5

Gambar 2.2

Webcam ................................................................................................ 6

Gambar 2.3.

Gambar Proses Pemotongan Citra ........................................................ 7

Gambar 2.4.

Transformasi spasial ............................................................................. 8

Gambar 2.5.

Pengaturan Citra RGB .......................................................................... 9

Gambar 2.6.

Visualisasi 256 aras keabuan .............................................................. 10

Gambar 2.7.

Grafk fuzifikasi nilai RGB ................................................................. 12

Gambar 2.8.

Ilustrasi Ilustrasi sistem fuzzy dengan operator Max-Min .................. 14

Gambar 3.1.

Blok sistem ......................................................................................... 17

Gambar 3.2

Gambar kupu-kupu (1)Papillio uleysses, (2)Idea blancardi, (3) Papilio dutran, (4) Atrophneura nonik, (5) Taenaris selena, (6) Hebomoeia glaucippe, (8) Hebomiae duostra, (9) Papilio cambrisuis, (10) Papilio dephobus, (11) Pachlioptera aristolochiae, 18

Gambar 3.4.

Diagram blok proses pengenalan ........................................................ 19

Gambar 3.5.

Matrik RGB ........................................................................................ 20

Gambar 3.6.

Program matrik RGB .......................................................................... 21

Gambar 3.7.

Program citra grayscale ...................................................................... 21

Gambar 3.8.

Diagram alir Bounding box................................................................. 22

Gambar 3.9.

Hasil auto cropping ............................................................................ 22

Gambar 3.10.

Proses Resizing ................................................................................... 23

Gambar 3.11.

Diagram alir Clear Background ......................................................... 24

Gambar 3.12.

Hasil clear background ...................................................................... 25

Gambar 3.13.

Diagram klasifikasi Fuzzy .................................................................. 25

Gambar 3.14

Grafik fuzifikasi nilai R ...................................................................... 26

Gambar 3.15.

Tampilan GUI ..................................................................................... 28

Gambar 4.1.

Hasil rancangan .................................................................................. 29

Gambar 4.2.

Shortcut MATLAB ............................................................................. 30

Gambar 4.3.

Tampilan awal matlab ........................................................................ 30 xv


Gambar 4.4.

Tampilan GUI sebelum aktif .............................................................. 31

Gambar 4.5.

GUI yang sudah di run ....................................................................... 31

Gambar 4.6.

Tampilan GUI aktif ............................................................................ 32

Gambar 4.7.

Tampilan saat tombol on ditekan........................................................ 32

Gambar 4.8.

Program tombol on ............................................................................. 32

Gambar 4.9.

Tampilan mode RGB .......................................................................... 34

Gambar 4.10.

Tampilan setelah di crop .................................................................... 35

Gambar 4.11

Tampilan setelah tombol hitung ditekan ............................................ 37

Gambar 4.12

Tampilan setelah tombol kenal ditekan .............................................. 38

Gambar 4.13

Tampiln setelah tombol clear ditekan ................................................ 39

xvi


DAFTAR TABEL Tabel 2.1.

Jenis-jenis transformasi affine .............................................................. 8

Tabel 3.1.

Tabe data nilai R sementara................................................................ 26

Tabel 3.2.

Rule base pengenalan objek 1 ............................................................ 27

Tabel 4.1.

Data hasil pengujian pertama ............................................................. 40

Tabel 4.2.

Data hasil pengujian kedua ................................................................. 41

Tabel 4.3.

Data hasil pengujian ketiga................................................................. 41

Tabel 4.4.

Data hasil pengujian keempat ............................................................. 42

Tabel 4.5.

Data hasil pengujian kelima ............................................................... 42

Tabel 4.6.

Tingkat pengenalan seluruh percobaan .............................................. 43

Tabel 4.7.

Tingkat pengenalan berdasarkan sudut............................................... 43

Tabel 4.8.

Tingkat pengenalan berdasarkan tinggi kamera ................................. 44

xvii


BAB I PENDAHULUAN 1.1.

Latar Belakang Indonesia merupakan negeri kupu-kupu. Dari 20 ribu jenis kupu-kupu yan ada di

dunia 2500 jenis berada di Indonesia. Semua itu tersebar mulai dari sabang sampai merauke. Setiap daerah memiliki kupu-kupu yang khas sesuai dengan daerahnya. Keunikan tersebut membuat Indonesia merupakan negara dengan jenis kupu kupu terbanyak selain Brasil yang terdapat di hutan belantara amazon. Keindahan kupu-kupu dapat kita lihat dari berbagai macam bentuk sayapnya yang indah, bahkan beberapa jenis kupu-kupu di Indonesia menjadi endemik bagi suatu daerah, sehingga tidak akan ditemui dibelahan dunia manapun seperti Cethosia myrinayang dikenal sebagai kupu-kupu sayap renda yang hanya dijumpai di Sulawesi, Trogonoptera brookiana yang dikenal sebagai kupu-kupu raja Brooke yang dijumpai di Sumatera dan Kalimantan[6]. Pada perkembangan zaman yang terjadi habitat kupu-kupu semakin berkurang juga dengan perburuan liar yang dilakukan karena keindahan dari corak kupu-kupu untuk hiasan dan koleksi specimen membuat kupu-kupu semakin langka. Kelangkaan dapat berakibat pada kepunahan. Pengenalan pola dan corak kupu-kupu harus dilakukan secara digital karena hal ini dapat menghemat biaya penelitian karena jenis kupu-kupu dengan beraneka macam dan pola yang bermacam macam pula. Pengenalan dapat mempermudah untuk mengenali spesies yang berada di lapangan sehingga dapat diteliti lebih lanjut. Juga dari segi dokumentasi lebih mudah karena dibantu dengan teknologi computer dan pencitraan kamera. Pengenalan yang dilakukan dalam mengenali kupu-kupu berdasarkan hal yang mencolok yaitu pola dan corak sayap kupu-kupu. Setiap pola dan sayap kupu-kupu memiliki komposisi warna yang bermacam-macam. Hal inilah yang menjadi dasar proses pengenalan secara digital yaitu pencitraan kamera yang menggunakan webcam. Sistem yang akan dilakukan adalah dengan mencapture specimen dari kupu-kupu lalu dari hasil gambar capture tersebut diproses dengan bantuan perangkat lunak (Matlab 2012b). Dari perangkat lunak tersebut akan keluar angka-angka yang merupakan komposisi dari nilai RGB dari capture specimen tersebut. 1


1.2.

2

Tujuan dan Manfaat Tujuan dari penulisan tugas akhir adalah menciptakan system pengenalan sayap

kupu-kupu dengan metode matriks RGB dan matriks itu akan diproses dengan klasifikasi fuzzy. Manfaat dari penilitian adalah sebagai alat bantu otomatisasi bagi masyarakat dalam mengetahui atau mengidentifikasi jenis-jenis kupu-kupu .

1.3.

Batasan Masalah Sistem yang dilakukan pada proses pengenalan pola sayap kupu-kupu ini

memerlukan bantuan pada system otomatosasi. Sistem otomatisasi yang dilakukan yang dipakai terdiri dari software dan hardware. Hardware yang digunakan adalah webcam. Webcam berfungsi untuk menangkap citra objek. Software berfungsi untuk memproses pengenalan citra yang berasal dari hasil hardware (webcam). Pada perancangan system ini penulis memfokuskan untuk membuat software computer untuk memproes pengenalan objek. Sedangkan hardware penulis menggunakan peralatan yang sudah ada yaitu webcam dengan spesifikasi yang sesuai dengan penelitian tersebut. Spesifikasi tersebut adalah mampu mendeteksi matriks RGB dan bisa terkoneksi dengan software matlab. Berikut adalah beberapa masalah yang dianggap perlu pada perancangan tugas akhir ini. yaitu sebagai berikut: 1. Sample dari awetan spesies kupu-kupu dengan corak yang berbeda beda yang berjumlah 10 buah yaitu: Papilio dephobus ,Idea blancardi ,Hebomoeia glaucippe, Papillio ulysses, Taeranis selena, Papilio iswara, Papilio gigon, Papilio gambrisius, Atrophaneura noknik, Pachiliopta aristalochiae. 2.

Hasil pengenalan secara real time

3.

Sudut putar objek kupu-kupu: -200;-150;-100;-50; 50;100;150; 200

4.

Variasi ketinggian kamera 45-70 cm dengan variasi 5 cm untuk mensimulasi objek dengan berbagai skala. Karena dengan naik turunnya kamera maka akan mendapatkan hasil capture dengan skala yang berbeda.


5.

3

Menggunakan perangkat lunak komputasi Matlab dalam pembuatan program pengenalan gambar

6.

Menggunakan matriks RGB untuk didapatkan nilainya yang menjadi dasar ciri-ciri objek

7.

Menggunakan pengklasifikasi samar dengan FIS Sugeno

8.

Menggunakan webcam sebagai hardware

9.

Webcam akan ditempatkan pada dudukan atau tempat yang sudah disediakan dan dibuat sebelumnya

10. Pencahayaan yang digunakan berdasarkan pencahayaan dari 2 buah lampu 35 watt. Penggunaan lampu bertujuan untuk mengurangi efek sinar dari lingkungan yang tidak tentu tingkat intensitasnya 11. Citra di resize ke ukuran 128x128 pixel berdasarkan literatur[5] resizing dengan nilai tersebut dapat dikenali dengan baik

1.4.

Metodologi Penelitian

1.4.1.

Metode Studi Pustaka Dalam penyusunan Tugas Akhir, Peneliti mempelajari banyak dari buku–buku

yang relevan dengan judul penelitian yang diambil melalui Internet dan berbagai literatur– literatur dari Internet mengenai pola dan corak kupu-kupu, pengertian webcam, pengolahan citra, matriks RGB, teori fuzzy logic, dan tentang Matlab. 1.4.2.

Prosedur Penelitian Langkah-langkah dalam pengerjaan tugas akhir: a. Pengumpulan bahan–bahan referensi berupa buku–buku dan jurnal–jurnal yang di ambil melalui Internet. b. Perancangan subsistem software. Tahap ini bertujuan untuk mencari bentuk model yang optimal dari sistem yang akan dibuat dengan mempertimbangkan berbagai faktor–faktor permasalahan. c. Pembuatan subsistem software. Sistem akan bekerja apabila user memberikan interupsi melalui PC dengan media push button yang sudah disediakan dalam software. Sistem akan mengolah interupsi yang diterima dan memulai proses capture picture sampai user memberikan interupsi kembali untuk menghentikan proses capture. Setelah itu, user memberikan interupsi untuk memulai proses pengenalan


4

gambar. Komputer akan mengolah gambar dan menyajikannya sebagai sebuah informasi. d. Analisa data dilakukan dengan menyelidiki pengaruh rotasi objek dan jarak kamera dengan jumlah percobaan sesuai dengan batasaan percobaan. Dengan 90 kali percobaan (10 jenis kupu kupu x 9) terhadap tingkat pengenalan. Penyimpulan hasil dilakukan dengan mencari jumlah komponen matriks RGB yang menghasilkan tingkat pengenalan yang terbaik


BAB II DASAR TEORI 2.1.

Kupu-kupu [5] Kupu-kupu memiliki pola dan corak yang bermacam-macam sesuai dengan

jenisnya masing-masing. Setiap kupu-kupu juga memiliki warna yang beraneka macam dan gabungan warna dan bentuk. Sehingga kupu-kupu dapat di tentukan jenisnya berdasarkan dari pola dan corak dari sayapnya karena hal tersebut paling mencolok dari kupu-kupu. Di Indonesia terdapat lebih dari 2500 spesies kupu-kupu. Tentu saja hal tersebut ditentukan pula dari pola, warna dan corak dari kupu-kupu untuk mengenalinya. Ketika ada perbedaan pola warna tentu komposisi warna yang ditimbulkan dapat berbeda pula.

Gambar 2.1. Spesies kupu-kupu yang digunakan. Dalam tugas akhir ini menggunakan jenis kupu-kupu sebagai berikut: Papilio dephobus ,Idea blancardi ,Hebomoeia glaucippe, Papillio ulysses, Taeranis selena, Papilio iswara, Papilio gigon, Papilio gambrisius, Atrophaneura noknik, Pachiliopta aristalochiae.

2.2.

Webcam Webcam singkatan dari Web Camera yang berasal dari bahasa Inggris, digunakan

secara RealTime . Banyak merk webcam yang tersedia, misalnya Logitech, SunFlowwer, dan lainnya. Resolusi dari webcam biasanya sama berkisar antara 352×288 / 640×480 piksel atau bahkan lebih besar, ada yang kualitasnya hingga 5 Megapiksel. Webcam sebuah kamera video digital berukuran kecil dihubungkan ke komputer melalui port USB atau port COM. Gambar webcam yang digunakan dapat dilihat pada gambar 2.2

5


6

Gambar 2.2. webcam

2.3.

Pengolahan Citra

2.3.1

Definisi Citra (image) merupakan istilah lain untuk gambar, salah satu komponen

multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh data teks. Citra kaya dengan informasi. Secara harafiah, citra dapat diartikan sebagai gambar pada bidang dwimatra (dua dimensi). Bila ditinjau dari sudut pandang matematis, maka citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dwimatra. Sumber cahaya yang menerangi suatu obyek dan obyek akan memantulkan kembali sebagian dari berkas cahaya yang menerangi obyek tersebut. Pantulan cahaya ini ditangkap oleh alat–alat optik, misalnya mata pada manusia, kamera, pemindai (scanner), dan sebagainya, sehingga bayangan obyek yang disebut citra tersebut terekam. Citra dibedakan menjadi dua: a. Citra diam (still images) Citra diam adalah citra tunggal yang tidak bergerak, sering di sebut citra saja. b. Citra bergerak (moving images) Citra bergerak ialah rangkaian citra diam yang ditampilkan secara beruntun yang memberi kesan pada mata sebagai gambar bergerak. Setiap citra dalam rangkaian disebut frame. Digitalisasi citra merupakan suatu representasi citra secara numerik dengan nilai– nilai diskrit. Digitalisasi adalah representasi citra dari fungsi malar (kontinu) menjadi nilai–nilai diskrit, sehingga citra yang dihasilkan dari proses ini disebut citra digital (digital image).


7

Derau (noise) merupakan suatu masalah yang terjadi pada proses pengolahan citra. Derau adalah gambar atau piksel yang mengganggu kualitas citra. Derau dapat disebabkan oleh gangguan fisis (optik) pada alat akuisisi maupun secara disengaja akibat proses pengolahan yang tidak sesuai. Contoh terdapat bintik hitam atau putih yang muncul secara acak yang tidak diinginkan dalam citra, bintik acak ini disebut derau salt and pepper. Salah satu proses awal pengolahan citra yaitu memperbaiki kualitas citra yang mengalami masalah atau gangguan. Perbaikan kualitas citra sangat diperlukan karena citra yang dijadikan obyek pembahasan, mempunyai kualitas yang buruk, misal citra mengalami derau pada saat pengiriman melalui saluran transmisi, citra terlalu terang atau gelap, kurang tajam, kabur, dan sebagainya. Melalui operasi pemrosesan awal inilah kualitas citra diperbaiki sehingga citra dapat digunakan untuk aplikasi lebih lanjut, misal untuk aplikasi pengenalan obyek di dalam citra.

2.4.

Cropping Cropping adalah proses pemotongan citra pada koordinat tertentu pada area

citra[24]. Untuk memotong bagian dari citra digunakan dua koordinat, yaitu koordinat awal yang merupakan awal koordinat bagi citra hasil pemotongan dan koordinat akhir yang merupakan titik koordinat akhir dari citra hasil pemotongan. Sehingga akan membentuk bangun segi empat yang mana tiap-tiap pixel yang ada pada area koordinat tertentu akan disimpan dalam citra yang baru. Citra asli

Hasil Cropping

Gambar 2.3 Gambar Proses Pemotongan Citra Dari gambar 2.3 dijelaskan bahwa terjadi proses pemotongan citra. Ukuran pixel awal citra asli adalah 5×5pixel, setelah dilakukan proses pemotongan koordinat awal (1,1) dan koordinat akhir (3,3) dengan lebar 3 pixel dan tinggi 3 pixel akan terbentuk citra baru dengan ukuran 3×3 pixel.Citra baru berisi nilai pixel dari koordinat (1,1) sampai koordinat (3,3).


2.5.

8

Transformasi Geometris Spasial Citra f didefinisikan sebagai sistem koordinat a(w,z), yang mengalami distorsi

geometris yang menghasilkan citra g dengan sistem koordinat (x,y) maka transformasi dapat dinyatakan dengan (x,y) = T{(w,z)}[25]. Contoh dalam trasnformasi spasial sebagai berikut: Jika (x,y) =T{(w,z)} = (w/2, z/2), distrosi adalah penyusutan f dengan setengah dimensi spasial seperti ditunjukkan pada gambar 2.4.

Gambar 2.4 Transformasi Spasial Bentuk umum yang digunakan pada transformasi spasial adalah affine transform (Wolberg [1990] ). Transformasi affine dapat ditulis dalam bentuk matrik. 𝑡11 𝑥𝑦 1 = 𝑤𝑧 1 𝑇 = 𝑡21 𝑡31

𝑡12 𝑡22 𝑡32

0 0 1

(2.2)

Transformasi ini dapat menskalakan , men-translate, atau menggunting sejumlah titik, tergantung pada pilihan nilai T. Jenis-jenis transformasi affine terdapat pada tabel 2.5. Tabel 2.5. Jenis-jenis Transformasi Affine

2.6.

RGB Suatu citra biasanya mengacu ke citra RGB. Sebenarnya bagaimana citra

disimpan dan dimanipulasi dalam komputer diturunkan dari teknologi televisi, yang pertama kali mengaplikasikannya untuk tampilan grafis komputer. Jika dilihat dengan kaca pembesar, tampilan monitor komputer akan terdiri dari sejumlah triplet titik warna merah (RED), hijau (GREEN) dan biru (BLUE). Tergantung pada pabrik monitornya untuk menentukan apak titik tersebut merupakan titik bulat atau kotak kecil, tetapi akan selalu terdiri dari 3 triplet Red, Green dan BLUE.


9

Citra dalam komputer tidak lebih dari sekumpulan sejumlah triplet dimana setiap triplet terdiri atas variasi tingkat keterangan (brightness) dari elemen Red, Green dan BLUE. Representasinya dalam citra, triplet akan terdiri dari 3 angka yang mengatur intensitas dari RED (R), Green (G) dan Blue (BLUE) dari suatu triplet. Setiap triplet akan merepresentasikan 1 pixel (picture element). Suatu triplet dengan nilai 67, 228 dan 180 berarti akan mengeset nilai R ke nilai 67, G ke nilai 228 dan B ke nilai 180. Angka-angka RGB ini yang seringkali disebut dengan color values. Pada format .bmp, citra setiap pixel pada citra direpresentasikan dengan dengan 24 bit, 8 bit untuk R, 8 bit untuk G

Gambar 2.5 Pengaturan citra RGB

2.7.

Citra Grayscale[9] Citra Grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada

setiap pikselnya, artinya nilai dari RED = Green = Blue. Nilai-nilai tersebut digunakan untuk menunjukkan intensitas warna. Citra yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu, bervariasi pada warna hitam pada bagian yang intensitas terlemah dan warna putih pada intensitas terkuat. Citra Grayscale berbeda dengan citra ”hitam-putih”, dimana pada konteks komputer, citra hitam putih hanya terdiri atas 2 warna saja yaitu ”hitam” dan ”putih” saja. Pada citra Grayscale warna bervariasi antara hitam dan putih, tetapi variasi warna diantaranya sangat banyak. Citra Grayscale seringkali merupakan perhitungan dari intensitas cahaya pada setiap piksel pada spektrum elektromagnetik single band Citra Grayscale disimpan dalam format 8 bit untuk setiap sampel piksel, yang memungkinkan sebanyak 256 intensitas. Untuk mengubah citra berwarna yang mempunyai nilai matrik masing-masing R, G dan B menjadi citra Grayscale dengan nilai X, maka konversi dapat dilakukan dengan mengambil rata-rata dari nilai R, G dan B sehingga dapat dituliskan menjadi: X = (R+G+B)/3 Warna = RGB(X, X, X)

(2.3.)


10

Gambar 2.6. visualisasi 256 aras keabuan

2.8.

Citra Biner[9] Citra biner (binary image) adalah citra digital yang hanya memiliki 2

kemungkinan warna, yaitu hitam dan putih. Citra biner disebut juga dengan citra W&B (White&Black) atau citra monokrom. Hanya dibutuhkan 1 bit untuk mewakili nilai setiap piksel dari citra biner. Pembentukan citra biner memerlukan nilai batas keabuan yang akan digunakan sebagai nilai patokan. Piksel dengan derajat keabuan lebih besar dari nilai batas akan diberi nilai 1 dan sebaliknya piksel dengan derajat keabuan lebih kecil dari nilai batas akan diberi nilai 0. Citra biner sering sekali muncul sebagai hasil dari proses pengolahan, seperti segmentasi, pengambangan, morfologi ataupun dithering. Fungsi dari binerisasi sendiri adalah untuk mempermudah proses pengenalan pola, karena pola akan lebih mudah terdeteksi pada citra yang mengandung lebih sedikit warna. Persamaan untuk binerisasi dapat dilihat pada rumus di bawah ini :

(2.4.) nilai a1 biasanya 0 dan nilai a2 = 1

2.9.

MATLAB Matlab (MATrix LABoratory) bahasa pemrograman yang dikembangkan The

Mathwork Inc. dengan fungsi dan karakteristik yang berbeda dengan bahasa pemrograman lain seperti Delphi, Basic atau C++[30]. Bahasa pemrograman level tinggi untuk kebutuhan komputasi teknis, visualisasi dan pemrograman seperti komputasi matematik, analisis data, pengembangan algoritma, simulasi pemodelan dan grafik perhitungan. Dalam

lingkungan

perguruan

tinggi

teknik,

Matlab

perangkat

standar

untuk

memperkenalkan dan mengembangkan penyajian materi matematika, rekayasa dan keimuan. Di industri, MatLab perangkat pilihan untuk penelitian dengan produktifitas yang tinggi, pengembangan dan analisanya. Kegunaan MatLab secara umum adalah sebagai berikut: a) Matematika dan komputasi,


11

b) Perkembangan algoritma, c) Pemodelan, simulasi, dan pembuatan prototype, d) Analisa data, eksplorasi dan visualisasi e) Pembuatan aplikasi, termasuk pembuatan antaramuka grafis.

2.9.1. Karakteristik MATLAB Bahasa pemrogramannya didasarkan pada matriks (baris dan kolom). Matlab lebih lambat (dibandingkan dengan Fortran atau C) karena bahasanya langsung diartikan namun pengembangannya lebih cepat. Automatic memory management, pada Matlab tidak harus mendeklarasikan arrays terlebih dahulu dan tersusun rapi. Dapat diubah ke bahasa C lewat MATLAB Compiler. Tersedia banyak toolbox untuk aplikasi-aplikasi khusus. Beberapa kelebihan Matlab jika dibandingkan dengan program lain adalah : a) Mudah memanipulasi struktur dan perhitungan berbagai operasi matriks meliputi penjumlahan, pengurangan, perkalian, invers dan fungsi matriks lainnya. b) Menyediakan fasilitas plot struktur gambar (kekuatan fasilitas grafik tiga dimensi yang sangat memadai). c) Script program yang dapat diubah sesuai dengan keinginan user. d) Jumlah routine-routine powerful yang berlimpah yang terus berkembang. e) Kemampuan interface (misal dengan bahasa C, word dan mathematica). f) Dilengkapi toolbox, simulink, stateflow dan sebagainya, serta mulai melimpahnya source code di internet yang dibuat dalam matlab (contoh toolbox misalnya: signal processing, control system, neural networksdan sebagainya). MATLAB diciptakan akhir tahun 1970-an oleh Cleve Moler. MATLAB pertama kali diadopsi oleh insinyur rancangan kontrol, menyebar secara cepat ke bidang lain dan digunakan di bidang pendidikan, khususnya dalam pengajaran aljabar linear dan analisis numerik, serta populer di kalangan ilmuwan yang menekuni bidang pengolahan citra.

2.10.

Sistem Fuzzy [1] Sistem fuzzy adalah sistem yang bekerja dengan besaran/nilai fuzzy dan

menggunakan logika fuzzy. Sebuah sistem fuzzy akan memiliki bagian-bagian yakni fuzifikasi, mesin inferensi, basis aturan dan defuzzifikasi. Bagian defuzzifikasi diperlukan


12

untuk mengubah nilai inut ke sistem fuzzy yang umumnya berupa suatu angka /nilai tegas diubah ke besaran fuzzy. Basis aturan berisi aturan-aturan logika fuzzy yang digunakan oleh mesin inferensi msebagai acuan dalam mengambil kesimpulan atau memutuskan suatu output terhadap input yang masuk ke sistem fuzzy. Karena output dari mesin inferensi masih berupa nilai fuzzy, maka bagian defusifikasi diperlukan untuk mengubah nilai fuzzy tersebut ke nilai tegas yang siap dikirimkan ke sistem/plant lain.

2.10.1. Fuzifikasi [1] Fuzifikasi merupakan proses mengubah nilai variable numeric ke nilai variable linguistic. Dengan kata lain, fuzifikasi merupakan pemetaan dari ruang input ke himpunan fuzzy yang didefinisikan pada semesta pembicara. Sebagai contoh suatu nilai RGB suatu citra dengan rentan 0-255 dapat dinyatakan menjadi tiga variable linguistik yaitu besar, sedang dan kecil.

Gambar 2.7.Grafik fuzifikasi nilai RGB Pada sistem fuzzy setiap nilai linguistic dari suatu variable dinyatakan dengan sebuah himpunan fuzzy. Beberapa bentuk himpunan fuzzy yang sering digunakan pada sistem fuzzy diantaranya: -Triangular 0, 𝑓𝑜𝑟 𝑥 < 𝑎 𝑥−𝑎 , 𝑓𝑜𝑟 𝑎 ≤ 𝑥 < 𝑏 𝑏 − 𝑎 𝜇𝑓 = 𝑐 − 𝑥 , 𝑓𝑜𝑟 𝑏 ≤ 𝑥 ≤ 𝑐 𝑐−𝑏 0, 𝑓𝑜𝑟 𝑥 > 𝑐 (2.4.) -Trapesoidal

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 0, 𝑓𝑜𝑟 𝑥 < 𝑎 𝑥−𝑎 , 𝑓𝑜𝑟 𝑎 ≤ 𝑥 < 𝑏 𝑏−𝑎 1, 𝑓𝑜𝑟 𝑏 ≤ 𝑥 < 𝑐 𝜇𝑓 = 𝑑−𝑥 , 𝑓𝑜𝑟 𝑐 ≤ 𝑥 ≤ 𝑑 𝑑−𝑏 0, 𝑓𝑜𝑟 𝑥 > 𝑑

13

(2.5.)

-Gausian 2 /𝑤

𝜇𝑓 = 𝑒 −(𝑥−𝑐 𝐹 )

(2.6.)

2.10.2. Mekanisme Inferensi Fuzzy [1] Aturan fuzzy dinyatakan dengan kumpulan aturan IF-THEN yang antesenden dan konsuennya berupa variable linguistic. Kumpulan aturan kendali fuzzy tersebut merupakan relasi input output dari sebuah sistem. Bentuk umum dari aturan kendali fuzzy pada sistem multi-input-single-output (MISO) adalah: Ri: IF x is Ai,.., AND y is Bi, THEN z is

(2.7.) Ci Terdapat empat tipe operator komposisi yang bisa digunakan pada aturan komposisi inferensi yaitu: o Max-min o Max-Product o Max-bounded product o Max drastic product Pada sistem fuzzy, operator komposisi max-min dan max product paling banyak digunakan dan paling umum karena perhitungannya sederhana dan efisien. Ilustrasi grafis dari operator max-min pada proses inferensi ditunjukkan oelh gambar berikut dengan aturan yang disertakan.


14

Gambar 2.8. Ilustrasi sistem fuzzy dengan operator Max-Min Dari gambar (2.8.) terlihat bahwa input RGB berada pada perpotongan grafik. Daerah perpotongan grafik tersebut menciptakan penalaran kabur. Rule base dari gambar (2.8.) menunjukkan bahwa rule yang berlaku adalah IF (RGB is kecil) AND (UKURAN is sedang) THEN (OUTPUT is Sample 1). Pada input RGB posisi nilai berada pada daerah fuzzy maka nilai Max dari kedua grafik yang bersinggungan adalah input rule 1 sesuai juga dengan variable linguistic pada rule base kecil. Pada input yang kedua juga demikian hasil dari kedua perbandingan max tersebut di bandingkan nilai kekaburannya untuk menetukan mana yang paling kecil dan nantinya akan di masukkan menjadi nilai kabur output yang selanjutnya akan di defuzifikasi menjadi nilai tegas.

2.10.3. Defuzifikasi [1] Defuzifikasi adalah proses mengubah himpunan samar menjadi himpunan tegas yang nantinya akan menjadi kesimpulan dari sistem fuzzy. Defuzifier diperlukan jika sistem yang digunakan adalah sistem mamdani. Beberapa metode defuzzifier adalah sebagai berikut: 1. Metode COA yang lebih sering digunakan, menentukan pusat gravitasi (titik berat) distribusi peluang aksi kendali. Pada kasus semesta pembicaraan diskrit, metode COA dirumuskan sebagai berikut: 𝑧𝐶𝑂𝐴 =

𝑛 𝑗 =1 𝜇𝑐 (𝑧𝑗 )𝑧𝑗 𝑛 𝑗 =1 𝜇𝑐 (𝑧𝑗 )


15 (2.8.)

Dengan n merupakan banyaknya level kuntifiksi (nilai linguistic) variabel keluaran. zj merupakan nilai numerikaksi kendali pada level kuantisasi ke –j dan µc(zj) merupakan nilai derajat keanggotaan zj pada himpunan fuzzy C. 2. Metode MOM menentukan aksi kendali yang mewakili nilai rataan (mean) dari aksi kendali local yang fungsi keanggotaanya mencapai maksimum. Pada kasus semesta pembicaraan diskrit, aksi kendali dapat dinyatakan sebagai berikut: 𝑚

𝑧𝑀𝑂𝑀 = 𝑗 =1

𝑧𝑗 𝑚

(2.9.)

Yang mana zj merupakan nilai support dimana fungsi keanggotaan mencapai nilai maksimum µc(zj) dan m adalah banyaknya nilai support tersebut.

2.10.3. FIS tipe Sugeno [1] Tipe alternative yang sering dipakai adalah tipe Takagi-Sugeno-Kang atau cukup disebut juga dengan tipe Sugeno saja. Dalam banyak hal, FIS tipe sugeno mirip dengan tipe mamdani. Perbedaan terletak pada jenis fungsi keanggotaan yang dipaki dalam bagian consequent. FIS tipe Sugeno menggunakan fungsi keanggotaan output yang bersifat linier atau konstan. IF-THEN rule dalam FIS tipe Sugeno berbentuk sebagai berikut: IF input1= v AND input2 = w THEN output is z =av +bw+c

(2.10.)

Keluaran rule bukan dalam bentuk fungsi keanggotaan, tetapi sebuah bilangan yang mana berubah secar linier terhadap variable-variabel input, yaitu mengikuti suatu persamaan garis yaitu z=av+c. Jika a=b=0, FIS dikatakan orde nol, Karena keluarannya berupa sebuah bilangan konstan, yaitu z=c. Proses defuzifikasi dalam FIS tipe sugeno jauh lebih efisien daripada tipe Mamdani. Hal ini karena FIS tipe Sugeno menghitung nilai keluaran dengan cara sebagai berikut:

𝑂𝑢𝑡𝑝𝑢𝑡 =

𝑁 𝑖=1 𝑤 𝑖 𝑧 𝑖 𝑁 𝑤 𝑖=1 𝑖

(2.11.)


16

Dimana: WI = Proses hasil operasi fuzzy logic antecedent. Zi=keluaran rule ke-i Keluaran akhir, Output, tidak lain adalah sebuah weighted average. Secara singkat hasil keluaran adalah rata-rata dari inferensi rule-rule fuzzy.


BAB III PERANCANGAN 3.1.

Perancangan Sistem Blok sistem secara keseluruhan dapat dilihat pada gambar 3.1 sebagai berikut

Unit perekam

Unit pengenalan dan penampil Gambar 3.1 Blok sistem

Proses pengenalan dimulai dari perekaman objek berupa sayap kupu-kupu. Perekaman menggunakan webcam. Hasil dari perekaman akan ditampilkan ke laptop dengan tampilan berupa GUI. Didalam GUI inilah hasil perekaman di tampilkan. Setelah objek didapatkan hasilnya maka laptop akan memproses data masukan yang berupa matriks RGB. Hasil tersebut diproses di GUI yang merupakan pusat dari segala proses pengenalan setelah gambar tersebut dicuplik dan diproses RGB-nya. Perekaman objek menggunakan webcam

3.1.1. Kupu-kupu Jenis-jenis kupu-kupu yang digunakan adalah jenis kupu-kupu yang memiliki pola, warna dan corak yang mencolok baik dari segi ukuran maupun bentuknya. Sehingga pengenalannya menjadi mudah karena mencolok.

17


(1)

(2)

(3)

(4)

(5)

(6)

(8)

(9)

(10)

(11)

18

Gambar 3.2.gambar kupu-kupu (1)Papillio uleysses, (2)Idea blancardi, (3) Papilio dutran, (4) Atrophneura nonik, (5) Taenaris selena, (6) Hebomoeia glaucippe, (8) Hebomiae duostra, (9) Papilio cambrisuis, (10) Papilio dephobus, (11) Pachlioptera aristolochiae,

3.1.2. Webcam Webcam yang digunakan adalah webcam dengan merk Logitech dngan seri c270h. Seri ini dipilih karena memiliki kemampuan untuk berkomunikasi dengan matlab. Webcam ini juga memiliki dudukan dan memiliki software bawaan pendukung. Sehingga webcam ini memudahkan dalam pengenalan objek. Berikut adalah spesifikasi webcam tersebut: 

HD video calling (1280 x 720 pixels) with recommended system



Video capture: Up to 1280 x 720 pixels



Photos: Up to 3.0 megapixels (software enhanced)



Built-in mic with Logitech RightSound™ technology



Hi-Speed USB 2.0 certified (recommended)



Universal clip fits laptops, LCD or CRT monitors


19

Gambar 3.3 Logitech c270

3.2.

Proses pengenalan sayap kupu-kupu Proses pengenalan potongan citra alat musik tradisional adalah proses di mana

potongan citra yang di capture akan dikenali bentuknya. Proses ini terdiri pengambilan citra, preprocessing, pengenalan dan keluaran yanag berupa teks. Proses kerja sistem dapat dilihat pada gambar 3.4.

Pengambilan citra

Preprocessing

Pengklasifikasi samar

Penentuan keluaran

Database fuzzy

Gambar 3.4. Digram blok proses pengenalan 3.2.1.

Pengambilan citra Citra yang berbentuk potongan gambar diambil dengan menggunakan webcam

yang sudah terhubung dengan komputer. Webcam terlebih dahulu sudah dikenali oleh laptop/komputer. Webcam yang berada tegak lurus dengan potongan citra dan harus mencari jarak terbaik atau fokus. Untuk mendapatkan gambar yang fokus diperlukan juga adanya tambahan lampu agar intensitas cahaya tidak mengganggu untuk pengambilan gambar. Resolusi 320 x 240 yang digunakan pada webcam ini akan membantu untuk


20

mendapatkan tampilan gambar yang lebih baik. Perintah untuk mengambil gambar dengan menggunakan webcam adalah sebagai berikut : imaqreset; vid=videoinput('winvideo',1,'RGB24_320x240'); vid.FramesPerTrigger = 1; vid.ReturnedColorspace = 'rgb'; triggerconfig(vid, 'manual'); vidRes = get(vid, 'VideoResolution'); imWidth = vidRes(1); imHeight = vidRes(2); nBands = get(vid, 'NumberOfBands'); hImage = image(zeros(imHeight, imWidth, nBands), 'parent', handles.gambar_asli) preview(vid, hImage); start(vid); pause(3); trigger(vid); stoppreview(vid); capt1 = getdata(vid);

3.2.2.

Preprocessing Preprocessing merupakan tahap untuk mempersiapkan citra sebelum ke tahap

ekstraksi ciri sehingga dapat diproses ke tahap selanjutnya. Preprocessing sendiri terdiri dari matrik RGB, grayscale, cropping, resizing, dan clear background. 1. Matrik RGB

Gambar 3.5. Matrik RGB Matrik rgb berfungsi untuk mengambil nilai RGB dari suatu citra dalam RGB sehingga komposisi warnanya dapat diidentifikasi nanti pada sistem pengenalan. Gambar 3.6. adalah listing programnya


21

test=imread('kupu.jpeg'); a0=test(:,:,1); b0=test(:,:,2); c0=test(:,:,3); imshow(a0); imshow(b0); imshow(c0);

Gambar 3.6. Program Matrik RGB 2. Citra grayscale Grayscale dilakukan agar citra alat kupu-kupu yang telah diambil menggunakan webcam menjadi keabuan. Hal ini dilakukan agar dapat mempermudah pengolahan citra dalam proses pengenalan. Gambar 3.7. berikut ini adalah contoh listing programnya img10=imread('kupu.jpeg'); img1=double(rgb2gray(img10)); k=img1/255; l=1-k; imshow(l);

Gambar 3.7. Program citra grayscale 3. Cropping Cropping adalah suatu proses untuk memotong citra pada bagian tertentu atau yang tidak diperlukan sehingga didapatkan hasil yang diinginkan untuk mempermudah data yang akan diolah. Pada percobaan ini, cropping menggunakan bounding box dan bounding box ini akan melakukan automatic cropping.Gambar 3.8. adalah diagram alir dari bounding box


22

Gambar 3.8. Diagram alir bounding box

Citra asli

Citra grayscale

Citra yang sudah dicrop

Gambar 3.9. Hasil auto cropping 4. Resizing Resizing dilakukan untuk mengubah citra yang sudah di crop menggunakan bounding box untuk mendapatkan ukuran yang seragam. Karena menggunakan variasi jarak kamera yang bervariasi sehingga ukurannya harus diseragamkan yaitu 128x128 pixel.


122x133

23

128x128

Gambar 3.10. Proses resizing Program yang digunakan adalah sebagai berikut: I3=imresize(I2,[128 128]); imshow(I3); axis('on') 5. Clear background Setiap citra yang sudah di crop perlu dilakukan penghilangan background agar nilai background tersebut tidak mengganggu penjumlahan dari matrik yang digunakan untuk masuk ke sistem pengenalan. Sehingga nilai dari matrik tersebut murni adalah bentuk dari objek tersebut tanpa ada pengaruh dari background. Gambar 3.11. adalah diagram alir dari program ini. Nilai konstanta 0.65 adalah merupakan nilai intesitas gelap terang yang paling sesuai dengan warna yang agak terang (putih) karena pada penelitian ini warna background adalah putih. Penulis memilih angka tersebut berdasarkan uji coba visual yang di lakukan dan disajikan dalam lampiran halaman L10.


Start

Input matrik hasil graysacale

Potong kiri potong 8 pixel

Putar 90 derajat searah jarum jam Potong kiri potong 8 pixel



Putar 90 derajat searah jarum jam Potong kiri potong 8 pixel (posisi awal)

Matrik citra <0.65

Y

Matrik citra =0

No

Citra tanpa background

end

Gambar 3.11. Diagram alir Clear background

24


25

Pemilihan nilai konstanta 8 pixel pada pemotongan frame sudah dilakukan perbandingan secara visual juga yang dibuktikan pada lampiran hal L11. Nilai tersebut merupakan yang paling ideal dalam pemotongan frame Dan hasilnya (gambar 3.12) adalah sebagai berikut:

Citra yang sudah di crop

Citra yang sudah dihilangkan background-nya dan Frame-nya

Gambar 3.12. Hasil Clear background 3.2.3.

Pengklasifikasi Samar Nilai RGB

Penentuan kelas R, G, B

Pengurangan dengan konstanta berdasarkan kelas

Fuzifikasi

Rule base

Inferensi

Penentuan keputusan

Gambar 3.13. Diagram klasifikasi Fuzzy Proses dimulai dengan memasukkan nilai RGB yang dari hasil Preprocessing lalu nilai tersebut akan masuk ke kelompok klasifikasi yang ditentukan dari rentang nilai tertentu tergantung dari database yang menjadi syarat utama dari masing masing kelas. Proses dapat lihat pada gambar 3.13 yang merupakan diagram klasifikasinya


26

Pengurangan nilai dilakukan untuk meningkatkan pembeda dari nilai tersebut karena nilainya dari masing-masing objek dalam satu kelas mirip sehingga harus dikurangkan dengan konstanta berdasarkan nilai yang paling dominan dari kelas tersebut. Berikut adalah data sementara yang diambil secara acak : Table 3.1. Tabel data Nilai R sementara Objek Data 1 2 3 4 5

1 333.56 341.86 345.37 348.83 356.37

9 302.53 318.41 325.89 328.83 330.17

10 304.29 310.17 310.29 315.34 315.79

4 208.54 218.38 218.58 223.64 225.37

2 187.47 199.01 202.72 213.86 220.64

8 125.56 127.30 132.75 132.79 134.68

3 118.30 119.91 121.79 126.96 133.17

5 151.22 165.55 166.75 170.40 176.16

11 150.75 154.33 156.76 159.86 164.82

Dilihat dari tabel 3.1 setiap data yang masuk sudah melalui pengelompokan dan nilainya menyerupai satu sama lain. Sehingga perlu dilakukan pegurangan nilai dengan nilai tertentu sesuai dengan angka yang dominan. Pada proses Fuzzyfikasi nilai numerik akan diubah menjadi variabel linguistik yang memiliki nilai linguistik. Nilai linguistik ini nantinya akan digunakan pada proses inferensi. Untuk memperoleh derajat keanggotaan dari nilai linguistik pada masing-masing input sistem menggunakan aturan input sistem yang telah ditentukan. Untuk memperoleh derajat keanggotaan dari nilai linguistik pada masing-masing input sistem menggunakan fungsi keanggotaan sebagai berikut : 10

9

1 3

2 11

8 5 4

6

1

Degree of membership

0.8

0.6

0.4

0.2

0 -60

-40

-20

0

20 R

40

60

80

100

Gambar 3.14. Grafik fuzifikasi nilai R

Nilai fuzifikasi berdasarkan nilai yang sudah melalui pengurangan konstanta (lampiran hal L7) berdasarkan kelas untuk lebih lengkap dapat dilihat pada lampiran. Untuk grafik G dan B (lampiran hal L8) dapat juga dilihat sekaligus dengan nilai-nilai pembentuk grafik.


27

Rule base (tabel 3.2) rule yang telah disesuaikan dengan kemungkinan nilai yang muncul dari tiap-tiap himpunan fuzzy. Inferensi sistem menggunakan metode Sugeno sehingga proses defuzzy langsung dilakukan setelah nilai dari proses inferensi diproses ke kesimpulan hasil base. Output berupa indeks dari objek kupu-kupu berupa angka 1,2,3,4,5,6,8,9,10,11. Karena menggunakan fis sugeno maka defuzzy-nya dilakukan pada masing-masing rule. Hasil dari defuzzy tiap-tiap rule di rata-rata kemudian ditentukan hasilnya melalui penentuan keputusan. Tabel 3.2. Rule base pengenalan objek 1 if kelas r

Rule 1 2 3 4 5 6 7

And Nilai r 1 1 1 3 5 2 3

1 9 10 3 6 4 8

Then x is 1 9 10 3 6 4 2

Dimana x merupakan nomor anggota dari objek yang dikenali yang berupa angka 1,2,3,4,5,6,8,9,10,11. 3.2.4.

Pengambilan database fuzzy Database merupakan acuan (lampiran hal L7) untuk menentukan pengenalan.

Pada database fuzzy berupa nilai pembentuk fungsi dari masing-masing variable liguistik. Pengambilan database dilakukan secara acak dengan menentukan nilai-nilai yang sesuai dengan fungsi variable linguistic yang akan dibentuk. Pada pembentuk fungsi variable linguistic (lampiran hal L7-L8) terdapat nilai maximum, nilai tengah dan nilai minimum. Maka pada pengambilan data base dilakukan uji coba secara acak pada masing-masing objek sampai nilai-nilai tersebut sampai sudah tidak ada lagi perubahan nilai. 3.2.5.

Penentuan keluaran Hasil dari defuzzy merupakan suatu bentuk operasi aljabar yang berisi variable-

variable. Tiap variable memiliki konstanta yang berasal dari nilai keanggotaan dari fis sugeno dengan masing-masing komponen nilai-nilai RGB. Penentuan dilakukan 2 langkah yaitu: Mencari nilai konstanta maksimum dari masing-masing variable objek, menentukan hasil pengenalan dengan mengidentifikasi variable objek mana yang memiliki komponen dengan konstanta terbesar yang paling banyak.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 3.3.

Perancangan GUI Berikut adalah GUI yang akan digunakan untuk pengenalan dari kupu-kupu

tersebut:

Gambar 3.15 Tampilan GUI Berikut adalah penjelasan dari masing masing komponen pada gui Nama bagian

Deskripsi

axis' gambar asli

menampilkan gambar hasil capture

axis' red

menampilkan citra Red hasil preprocessing

axis' green

menampilkan citra Green hasil preprocessing

axis' blue

menampilkan citra Bluehasil preprocessing

tombol on

Menjalan menghidupkan webcam

tombol capture

mencapture citra melalui webcam

tombol mode gb

menekstrak Matrik RGB

tombol crop

Melakukan automatik crop

tombol hitung

Menghitung nilai RGB

tombol kenal

Menjalankan pengenalan citra

tombol refresh

Menyegarkan aplikasi

tombol clear

menghapus axis dan menormalkan kembali masukan

edit text nilai rgb

Menampilkan nilai RGB

edit text nilai fuzzy

Menampilkan nilai fuzzy

edit text kesimpulan

menampilkan hasil pengenalan

28


BAB IV HASIL DAN PEMBAHASAN Pada hasil dan pembahasan, akan dibahas tentang rancangan software dan hasil dari pengerjaan software serta sejauh mana program ini dapat berjalan dengan baik. Pengambilan data yang dilakukan dengan menggunakan 10 objek kupu-kupu yang sudah disediakan sebelumnya. Gambar 4.1 adalah hasil rancangan yang telah dijelaskan pada BAB III.

Gambar 4.1. Hasil Rancangan 4.1.

Pengujian dan tampilan program pengenalan objek kupu-kupu

secara Real time Pengujian dan tampilan program menggunakan perangkat keras dan perangkat lunak sebagai berikut: 1. Processor INTEL(R) Atom(TM) CPU N2600 @1.66GHZ 29


30

2. RAM 2.00 GB 3. Matlab7.10.1 (R2012a) Program pengenalan dapat dilakukan dengan langkah-langkah sebagai berikut : a.

Klik dua kali pada icon matlab seperti pada gambar 4.2.

Gambar 4.2. Shortcut Matlab

b.

Setelah klip icon matlab, maka akan muncul tampilan awal matlab seperti pada gambar 4.3. Pada tampilan tersebut terdapat berbagai macam tools untuk merancang GUI maupun untuk membuat program.

Gambar 4.3. Tampilan awal Matlab

c.

Kemudian ganti Current Directory sesuai dengan directory dimana program yang akan dipakai disimpan, setelah itu ketik guide Gui pada Command Window maka akan muncul tampilan jendela utama program pengenalan seperti pada gambar 4.4, klik run untuk menjalankan program.


31

Gambar 4.4. Tampilan Gui sebelum diaktifkan

d.

Setelah klik run, maka akan menampilkan tampilan utama program seperti pada Gambar 4.5.

Gambar 4.5. Gui yang sudah di RUN

e.

Selanjutnya, memilih dan menekan tombol yang sudah tersedia beserta urutannya seperti gambar 4.6.


32

Gambar 4.6. Tampilan GUI aktif

Berikut merupakan fungsi dan penjelasan tentang tombol tersebut : 1. Tombol on

Gambar 4.7. Tampilan saat tombol on ditekan Tombol On berfungsi untuk mengaktifkan webcam dan gambar yang akan dicapture akan tampil pada axes“gambar_asli”. Program untuk menjalankan tombol tersebut dapat dilihat pada Gambar 4.8. Hasil dari proses tersebut dapat dilihat pada gambar 4.7. vid=videoinput('winvideo',1,'RGB24_320x240'); vid.FramesPerTrigger = 1; vid.ReturnedColorspace = 'rgb';

Gambar 4.8. Program tombol on


33

2. Tombol Capture

Gambar 4.8. Tampilan Setelah Capture Tombol Capture berfungsi untuk mengambil/mencuplik gambar dari video yang akan digunakan untuk proses selanjutnya dan hasil dari yang telah dicuplik akan ditampilkan pada axes „gambar_asli‟ . Gambar 4.8 merupakan tampilan setelah tombol capture ditekan Format gambar yang sudah dicuplik yaitu RGB. Untuk menjalankan tombol tersebut, menggunakan program sebagai berikut imaqreset; vid=videoinput('winvideo',1,'RGB24_320x240'); vid.FramesPerTrigger = 1; vid.ReturnedColorspace = 'rgb'; triggerconfig(vid, 'manual'); vidRes = get(vid, 'VideoResolution'); imWidth = vidRes(1); imHeight = vidRes(2); nBands = get(vid, 'NumberOfBands'); hImage = image(zeros(imHeight, imWidth, nBands), 'parent', handles.gambar_asli) preview(vid, hImage); start(vid); pause(3); trigger(vid); stoppreview(vid); capt1 = getdata(vid); a=[get(handles.nama,'string')] axes(handles.gambar_asli); imshow(capt1); imwrite (capt1,a, 'jpeg')

3. Tombol Mode RGB Tombol mode rgb berfungsi untuk mengekstrak citra menjadi tiga citra dengan komposisi citra R, citra G, citra B. Masing-masing citra tersebut


34

disimpan pada axes’red’,’green’,’blue’. Tampilan setelah tombol RGB ditekan dapat di lihat pada Gambar 4.9

Gambar 4.9. Tampilan Mode RGB Berikut adalah program untuk merubah citra tersebut: a=[get(handles.nama,'string')] test=imread(a); a0=test(:,:,1); b0=test(:,:,2); c0=test(:,:,3); %menampilkan mode rgb axes(handles.red) imshow(a0); axes(handles.green) imshow(b0); axes(handles.blue) imshow(c0);

4. Tombol Crop Tombol crop berfungsi untuk cropping, memotong frame, clear background dan mencari nilai.Cropping menggunakan fungsi bounding box yang dijelaskan pada bab III. Memotong frame juga dilakukan setelah auto cropping dilakukan untuk memfokuskan citra sehingga nilai rgbnya hanya citranya saja. Clear backgraound digunakan untuk menghilangkan background masing-masing komponen warna. Gambar 4.10. merupakan proses keseluruhan untuk mencari nilai RGB.


35

Gambar 4.10. Tampilan setelah di crop

Ketiga proses tersebut di buat dalam bentuk fungsi „nilai_r‟,‟nilai_g‟ dan ‟nilai_b‟. Isi dari fungsi tersebut dapat dilihat sebagai berikut A=[get(handles.nama,'string')]; img0=imread(a); hasil_r = nilai_r(img0); hasil_g = nilai_g(img0); hasil_b = nilai_b (img0); axes(handles.red); imshow(hasil_r) axes(handles.green); imshow(hasil_g) axes(handles.blue); imshow(hasil_b)

Berikut ini adalah isi dari salah satu fungsi dari cropping salah satu komponen citra pada listing berikut Function img5=nilai_r(img1) img10=img1(:,:,1); img1=double(img10); img8=img1/255; img3=1-img8; img4=bboxg(img3); img5=auto_clean(img4);

Berikut ini adalah fungsi dari bounding box yang pembahasannya sudah dijelaskan pada bab III. Function img6=bboxg(img1) % Pemotongan sesuai bounding box, % untuk citra grayscale dengan range data 0-1 % Potong kiri img2=cutleft(img1); % Putar 90 cw dan potong kiri img3=fliplr(img2'); img3=cutleft(img3);


36

% Putar 90 cw dan potong kiri img4=fliplr(img3'); img4=cutleft(img4); % Putar 90 cw dan potong kiri img5=fliplr(img4'); img5=cutleft(img5); % Putar 90 cw img6=fliplr(img5'); % ========================================================= % FUNGSI INTERNAL % ========================================================= function img2=cutleft(img0) % Subrutin untuk memotong kolom kiri yang kosong % Berlaku untuk citra grayscale % Konversi ke biner thr=0.7; img1=ceil(img0-thr); img2=img0; % Potong kiri JKolom=sum(img1); KolomTakNol=find(JKolom > 10); if sum(KolomTakNol)>=1 img2(:,1:KolomTakNol(1)-1)=[]; end

Berikut ini adalah fungsi dari clear background yang pembahasannya sudah dijelaskan pada bab III. function img8=auto_clean(img0) z=128;%resize ke 128 x 128 img8_1=imresize(img0,[z z]); img8=imresize(img8_1,1); potong=[1 2 3 4 5 6 7 8]; %memotong frame for a=1:4; img8=fliplr(img8'); img8 (:, potong) = []; end %menghilangkan background [a b]=size(img8); for i=1:(a*b); if (img8(i)<0.65); img8(i)=0; end end imshow(img8);

5. Tombol Hitung Berfungsi untuk menampilkan jumlah nilai RGB yang sudah melalui proses Preprocessing. Nilai nilai tersebut nanti akan menjadi inputan pada proses klasifikasi fuzzy.


37

Gambar 4.11. Tampilan setelah tombol hitung ditekan Berikut merupakan listing program tombol hitung. Pada listing matrik dijumlah dengan perintah „sum‟ nilai seluruh jumlah itulah yang digunakan untuk pengenalan (Gambar 4.11). a_r= handles.red; a_g=handles.green; a_b=handles.blue; %menjumlah matrik b_r=sum(sum(a_r)); b_b=sum(sum(a_b)); b_g=sum(sum(a_g)); merah=b_r; hijau=b_g; biru=b_b; %menampilkan nilai set(handles.nilai_r,'string',merah) set(handles.nilai_g,'string',hijau) set(handles.nilai_b,'string',biru)

6. Tombol Kenal Pada tombol kenal terdapat fungsi untuk menentukan kelas, fusifikasi dan inferensi dan menentukan keputusan. Proses program ini adalah menentukan kelas, lalu dari kelas tersebut diarahkan menuju pengurangan konstanta sesuai dengan kelas yang dimasuki. Setelah nilai sudah dikurangkan maka masuk ke proses fusifikasi dengan fungsi keanggotaan yang sudah ditentukan berdasarkan pengambilan data base sebelumnya. Proses ini berada pada fungsi „kenali_fuzzy‟ untuk lebih lengkapnya dapat dilihat pada lampiran. Di dalam fungsi tersebut terdapat listing


38

program yang memproses nilai RGB menuju inferensi. Pada label kesimpulan (Gambar 4.12) terdapat hasil dari sistem inferensi yang dilakukan. Penentuan keputusan dilakukan berdasarkan kesesuaian dengan rule base yang telah ditentukan sebelumnya. Beikut ini adalah listing programnya.

Gambar 4.12. Tampilan setelah tombol kenal ditekan a1=[get(handles.nama,'string')] img0=imread(a1); hasil_r = nilai_r(img0); hasil_g = nilai_g(img0); hasil_b = nilai_b (img0); a_r=hasil_r; b_r=sum(sum(a_r)); a_g=hasil_g; b_g=sum(sum(a_g)); a_b=hasil_b; b_b=sum(sum(a_b)); nilai_r1 = b_r/10; nilai_g1 = b_g/10; nilai_b1 = b_b/10; red=nilai_r1; green=nilai_g1; blue=nilai_b1 ; fu1=kenali_fuzzi(red); fu2=kenali_fuzzi_g(green); fu3=kenali_fuzzi_b(blue); set(handles.kenal_r,'string',fu1(1)) set(handles.kenal_g,'string',fu2(1)) set(handles.kenal_b,'string',fu3(1)) set(handles.kenal_r1,'string',fu1(2)) set(handles.kenal_g1,'string',fu2(2)) set(handles.kenal_b1,'string',fu3(2)) for jika=1:11 if (fu2(2)==jika && fu3(2)==jika)... ||(fu1(2)==jika && fu2(2)==jika)...


39

set(handles.edit16,'string',a)

7. Tombol Refresh Tombol refresh untuk mengulang kembali dari awal aplikasi pengenalan dengan nilai masukan yang masih kosong atau menyegarkan kembali aplikasi pengenalan. Berikut adalah listing programnya. Clear all; clc; delete(figure(pengenalan_kupu)); figure(pengenalan_kupu);

8. Kotak simpan Berfungsi untuk memberi nama gmbar yng telah dicapture. 9. Tombol Clear Tombol clear befungsi untuk menghapus gambar pada masing masing axis dan mereset semua nilai-nilai sehingga pada pemakaian selanjutnya tidak terganggu nilai sebelumnya

Gambar 4.13.Tampilan setelah tombol clear di tekan . Gambar 4.13 adalah tampilannya dan berikut adalah listing programnya. Clc; a=[1 1 1; 1 1 1; 1 1 1]; b=[1 1 1; 1 1 1; 1 1 1]; c=[1 1 1; 1 1 1; 1 1 1]; axes (handles.red); imshow(a); axes (handles.green); imshow(b); axes (handles.blue); imshow(c); axes (handles.gambar_asli); imshow(c); set(handles.nilai_r,'string','r')


40

set(handles.nilai_g,'string','g') set(handles.nilai_b,'string','b') set(handles.kenal_r,'string','-') set(handles.kenal_g,'string','-') set(handles.kenal_b,'string','-')

4.2.

Pengujian Secara Real time Pengujian secara real time dengan melakukan percobaan dengan variasi

ketinggian kamera 45-70 cm dengan interval 5 cm dengan sudut putar terhadap 10 objek kupu-kupu dilakukan 5 kali percobaan untuk masing-masing objek kupu-kupu. Hal ini dilakukan untuk mencari nilai parameter dengan tingkat pengenalan terbaik yaitu sejauh mana sistem dapat mengenali gambar 100% secara benar dengan jarak dan sudut yang bervariasi. Setiap perlakuan dilakukan secara acak tidak menurut urutan nomor objek sehingga sistem dapat diketahui dapat mengenali dengan kondisi tertentu yang sudah ditetapkan atau tidak. 4.2.1.

Pengujian Pengaturan Pengenalan Objek Kupu-Kupu Secara Real time Hasil pengujian yang telah dilakukan penulis sajikan dalam bentuk tabel

pengujian pada lampiran halaman L1. Penyajiannya dengan memberikan nilai 5 apabila dapat dikenali seluruhnya 5 kali percobaan dan hanya percobaan yang benar saja yang dihitung apabila tidak dikenali..Dari hasil pengujian tersebut dijumlah hasil-hasilnya dan di sajikan dalam bentuk tingkat pengenalan sebagai berikut: Tabel 4.1. Data hasil pengujian pertama Pengujian 1 Tingkat Pengenalan(%) sudut Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi kamera kamera kamera kamera kamera kamera 45 cm 50 cm 55 cm 60 cm 65 cm 70 cm -20˚ 84% 82% 100% 100% 100% 84% -15˚ 88% 88% 100% 100% 100% 86% -10˚ 86% 84% 100% 100% 100% 100% -5˚ 100% 100% 100% 100% 100% 100% 0˚ 100% 100% 100% 100% 100% 100% 5˚ 100% 100% 100% 100% 100% 100% 10˚ 84% 84% 100% 100% 100% 100% 15˚ 88% 88% 100% 100% 100% 90% 20˚ 88% 88% 100% 100% 100% 90%

Dari tabel 4.1 hasil pengenalan untuk objek kupu-kupu secara real time didapat bahwa pada ketinggian kamera (55-65) cm pengenalan merupakan yang terbaik karena


41

dapat mengenali benda dengan beberapa sudut posisi objek kupu-kupu. Tetapi pada sudut 00 sampai ± 50 dapat dikenali oleh semua ketinggian kamera. Tabel 4.2. Data hasil pengujian Kedua Pengujian 2 Tingkat Pengenalan(%) sudut Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi kamera kamera kamera kamera kamera kamera 45 cm 50 cm 55 cm 60 cm 65 cm 70 cm -20˚ 78% 74% 100% 100% 100% 78% -15˚ 84% 86% 100% 100% 100% 84% -10˚ 80% 80% 100% 100% 100% 100% -5˚ 100% 100% 100% 100% 100% 100% 0˚ 100% 100% 100% 100% 100% 100% 5˚ 100% 100% 100% 100% 100% 100% 10˚ 80% 80% 100% 100% 100% 100% 15˚ 84% 86% 100% 100% 100% 84% 20˚ 84% 82% 100% 100% 100% 84%

Dari tabel 4.2 hasil pengenalan untuk objek kupu-kupu secara real time didapat bahwa pada ketinggian kamera (55-65) cm pengenalan merupakan yang terbaik karena dapat mengenali benda dengan beberapa sudut posisi objek kupu-kupu. Tetapi pada 00 sampai ± 50 dapat dikenali oleh semua ketinggian kamera. Tabel 4.3. Data hasil pengujian ketiga Pengujian 3 Tingkat Pengenalan(%) sudut Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi kamera kamera kamera kamera kamera kamera 45 cm 50 cm 55 cm 60 cm 65 cm 70 cm -20˚ 92% 92% 100% 100% 100% 92% -15˚ 80% 76% 100% 100% 100% 80% -10˚ 90% 92% 100% 100% 100% 100% -5˚ 100% 100% 100% 100% 100% 100% 0˚ 100% 100% 100% 100% 100% 100% 5˚ 100% 100% 100% 100% 100% 100% 10˚ 84% 82% 100% 100% 100% 100% 15˚ 86% 84% 100% 100% 100% 80% 20˚ 80% 72% 100% 100% 100% 80%

Dari tabel 4.3 hasil pengenalan untuk objek kupu-kupu secara real time didapat bahwa pada ketinggian kamera (55-65) cm pengenalan merupakan yang terbaik karena


42

dapat mengenali benda dengan beberapa sudut posisi objek kupu-kupu. Tetapi pada sudut 00 sampai ±50 dapat dikenali oleh semua ketinggian kamera. Tabel 4.4. Data hasil pengujian keempat Pengujian 4 Tingkat Pengenalan(%) sudut Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi kamera kamera kamera kamera kamera kamera 45 cm 50 cm 55 cm 60 cm 65 cm 70 cm -20˚ 92% 88% 100% 100% 100% 92% -15˚ 86% 84% 100% 100% 100% 80% -10˚ 84% 82% 100% 100% 100% 100% -5˚ 100% 100% 100% 100% 100% 100% 0˚ 100% 100% 100% 100% 100% 100% 5˚ 100% 100% 100% 100% 100% 100% 10˚ 90% 88% 100% 100% 100% 100% 15˚ 88% 88% 100% 100% 100% 86% 20˚ 86% 86% 100% 100% 100% 86%

Dari tabel 4.4 hasil pengenalan untuk objek kupu-kupu secara real time didapat bahwa pada ketinggian kamera (55-65) cm pengenalan merupakan yang terbaik karena dapat mengenali benda dengan beberapa sudut posisi objek kupu-kupu. Tetapi pada 00 sampai ± 50 dapat dikenali oleh semua ketinggian kamera. Tabel 4.5. Data hasil pengujian kelima

sudut -20˚ -15˚ -10˚ -5˚ 0˚ 5˚ 10˚ 15˚ 20˚

45 cm 90% 96% 88% 100% 100% 100% 88% 94% 96%

Pengujian 5 Tingkat Pengenalan(%) 60 50 cm 55 cm cm 65 cm 70 cm 90% 100% 100% 100% 90% 96% 100% 100% 100% 96% 88% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 88% 100% 100% 100% 100% 94% 100% 100% 100% 92% 92% 100% 100% 100% 96%

Dari tabel 4.5 hasil pengenalan untuk objek kupu-kupu secara real time didapat bahwa pada ketinggian kamera (55 -65) cm pengenalan merupakan yang terbaik karena


43

dapat mengenali benda dengan beberapa sudut posisi objek kupu-kupu. Tetapi pada sudut 00 sampai ±50 dapat dikenali oleh semua ketinggian kamera. Berdasarkan dari kelima percobaan tersebut dapat diambil rata-ratanya yang disajikan pada tabel 4.6. Hal tersebut dilakukan untuk mencari tingkat keberhasilan alat yang telat dibuat. Tabel 4.6 Tingkat pengenalan seluruh percobaan Pengujian 1 2 3 4 5 Rata-rata pengenalan

Rata-rata pengenalan tiap percobaan 95,96% 94,59% 95,22% 96,04% 97,67% 95,90%

Berdasarkan Ttabel 4.6 maka dapat disimpulkan bahwa alat sudah dapat beerja dengan baik ditunjukkan dengan tingkat pengenalan keseluruhan sebesar 95,90%. 4.2.1.

Analisa Pengenalan Objek Kupu-Kupu Secara Real time Setelah penulis melakukan percobaan maka masing-masing parameter dilakukan

analisis dengan cara membandingkan dengan variasi yang telah dilakukan. Tabel 4.7 merupakan tingkat pengenalan berdasarkan sudut dan nilai-nilainya tiap percobaan merupakan rata-rata dari percobaan yang telah dilakukan dan dibahas sebelumnya. Tabel 4.8 merupakan tingkat pengenalan berdasarkan ketinggian kamera. Tabel 4.7 Tingkat pengenalan berdasarkan sudut Sudut 0

-20 -150 -100 -50 00 50 100 150 200

1 2 91,67% 88,33% 93,67% 92,33% 95,00% 93,33% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 94,67% 93,33% 94,33% 92,33% 94,33% 91,67%

Percobaan 3 4 5 96,00% 95,33% 95,00% 89,33% 91,67% 98,00% 97,00% 94,33% 96,00% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 94,33% 96,33% 96,00% 91,67% 93,67% 96,67% 88,67% 93,00% 97.33%


44

Berdasarkan tabel 4.7 tingkat pengenalan yang terbaik yaitu 100% berada pada sudut 50 Semakin diputar maka tingkat pengenalan semakin berkurang dikarenakan perubahan nilai RGB sehingga tidak dapat dikenali karena nilainya berubah. Tabel 4.8 Tingkat pengenalan berdasarkan tinggi kamera Percobaan 1 2 3 4 5

45 90,89% 87,78% 90,22% 91,78% 94,67%

50 90,44% 87,56% 88,67% 90,67% 94,22%

Ketinggian (cm) 55 60 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00%

65 100,00% 100,00% 100,00% 100,00% 100,00%

70 94,44% 92,22% 92,44% 93,78% 97,11%

Berdasarkan tabel 4.8 tingkat pengenalan yang terbaik yaitu 100% berada pada tinggi kamera 55-65cm. Pada ketinggian tersebut webcam dapat men-capture gambar dengan baik dan setelah di-resizing nilainya masih dapat dikenali sebagai objek yang sesuai dengan fungsi fuzzy dari objek.


BAB V KESIMPULAN 5.1.

Kesimpulan Berdasarkan hasil penelitian dan hasil pengujian sistem pengenalan objek kupu-

kupu secara real time maka dapat disimpulkan: 1.

Sistem yang dirancang sudah bekerja sesuai dengan yang diharapkan dengan tingkat pengenalan sebesar 95,90%.

2.

Tingkat pengenalan yang baik adalah pada ketinggian kamera 55-65 cm.

3.

Alat yang dibuat mempunyai tingkat pengenalan terbaik hanya pada sudut rotasi 0 sampai ±50.

5.2.

Saran 1.

Pada penelitian belum bisa dengan akurat mengenali objek. Dikarenakan objek kupu-kupu yang rapuh sehingga membutuhkan cover plastik. Cover tersebut sangat menyulitkan dalam pengenalan karena ketika pantulan tidak sempurna maka citra tampak silau dan nilainya menjadi kurang tepat. Maka untuk penelitian lebih lanjut menggunakan objek tanpa di cover plastik.

2.

Pengembangan metode dengan objek yang lebih banyak pada masing-masing jenisnya.

3.

Perlu ada penelitian lebih lanjut tentang pembuatan ciri-ciri yang lebih banyak sehingga dapat meningkatkan akurasi pengenalan

45


46

Daftar Pustaka [1]

Kusumadewi, Sri, dan Purnomo, Hari. 2004. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta: Penerbit Graha Ilmu.

[2]

Yen, John, Langari, Reza. 1999. Fuzzy Logic (Center for Fuzzy logic, Robotics, and Intellignt Systems Texas A&M University), Prentice Hall, New Jersey.

[3]

Putra, Darma. 2009. Pengolahan Citra Digital, Penerbit Andi, Yogyakarta.

[4]

Zimmermann, H. J.. 1990. Fuzzy Set Theory and Its Aplications Edition) EdisiMassachusetts: Kluwer Academic Publishers.

[5]

Ignatius, Ardi.

2015. Pengenalan Secara Real time Gambar Alat music

Tradisional Indonesia berbasiskan Discrete Cosine Transform dan Jarak Jaccard, Skripsi Universitas Sanata Dharma Yogyakarta [6]

_______.

Jenis

dan

Gambar

Kupu-kupu

Langka

dan

Dilindungi

http://alamendah.org/2011/02/28/jenis-dan-gambar-kupu-kupu-langkadan-dilindungi/ diakses pada 30 maret 2015. [7]

_______.

Cara

membuat

Plot

Grafik

dengan

Matlab,

http://vivichristianwardhani.blogspot.com/ diakses pada 1 April 2015. [8]

_______.

Memahami

Konsep

Histogram

Dan

Cara

Membacanya,

http://belfot.com/membaca-histogram/ diakses pada 1 April 2015. [9]

Dwi,

Aditya,

Herfiansyah.

Pengolahan Citra – RGB, Histogram dan

Depth Resolution. https://wiidhiet22.wordpress.com/2012/02/14/pengolahan-citra-RGB histogram-dan-depth-resolution/, diakses pada 30 Maret 2015. [10]

Achmad,

Rizal.

Pengolahan

citra.

http://achmadrizal.staff.telkomuniversity.ac.id diakses pada 30 maret 2015.


47

LAMPIRAN


L1

Data percobaan Tinggi= 45 cm

Percobaan 3 4 5 Jumlah pengujian objek sudut + + + + + benar 1 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 4 4 4 5 5 3 5 4 5 5 50 15˚ 5 4 3 4 5 5 5 4 5 5 50 20˚ 4 4 4 3 3 5 4 3 5 4 50 2 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 4 5 3 5 4 4 5 4 5 5 50 15˚ 4 5 4 5 5 5 5 3 5 4 50 20˚ 4 4 4 3 5 5 5 3 4 4 50 3 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 5 5 4 5 4 5 5 4 4 4 50 15˚ 5 4 3 3 3 4 4 4 4 4 50 20˚ 4 4 3 3 3 4 4 5 5 5 50 4 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 5 4 4 4 3 5 4 3 4 3 50 15˚ 5 5 5 5 5 5 5 5 5 5 50 20˚ 4 4 4 5 5 5 5 5 5 4 50 5 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 4 4 4 5 5 5 5 5 5 5 50 15˚ 3 4 5 4 5 5 4 5 5 5 50 20˚ 4 5 5 5 4 5 4 5 5 5 50 6 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 4 4 4 4 3 4 4 3 4 5 50 15˚ 5 4 4 4 4 5 5 4 5 5 50 20˚ 5 4 4 3 3 4 3 5 5 5 50 8 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 4 4 4 4 4 3 3 3 3 4 50 15˚ 5 5 5 4 4 4 3 4 5 5 50 20˚ 4 4 4 3 4 5 5 5 5 5 50 9 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 4 5 4 4 4 3 4 4 5 5 50 15˚ 4 4 4 4 4 3 5 5 5 5 50 20˚ 5 4 4 5 3 4 5 5 5 3 50 10 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 4 5 5 4 5 3 5 4 5 5 50 15˚ 4 4 4 3 4 5 5 5 4 5 50 20˚ 5 5 5 5 5 4 3 5 5 5 50 11 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 4 3 4 5 5 4 5 5 4 3 50 15˚ 4 5 5 4 4 5 3 5 4 5 50 20˚ 5 4 5 4 5 5 5 5 4 5 50 Total 409 398 406 411 426 2250 % 90.89% 88.44% 90.22% 91.33% 94.67% Rata-Rata Tingkat pengenalan = 91.11% 1

2

Jumlah yang dikenali benar 25 100 44 45 39 25 50 44 45 41 25 50 45 38 40 25 50 39 50 46 25 50 47 45 47 25 50 39 45 41 25 50 36 44 44 25 50 42 43 43 25 50 45 43 47 25 50 42 44 47 2100

Tingkat Pengenalan (%) 100% 200% 88% 90% 78% 100% 100% 88% 90% 82% 100% 100% 90% 76% 80% 100% 100% 78% 100% 92% 100% 100% 94% 90% 94% 100% 100% 78% 90% 82% 100% 100% 72% 88% 88% 100% 100% 84% 86% 86% 100% 100% 90% 86% 94% 100% 100% 84% 88% 94% 93.33%


Percobaan 3 4 5 Jumlah pengujian objek sudut + + + + + benar 1 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 4 4 4 5 5 3 5 4 5 5 50 15˚ 5 4 3 4 5 5 5 4 5 5 50 20˚ 4 4 4 3 3 5 4 3 5 4 50 2 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 4 5 3 5 4 4 5 4 5 5 50 15˚ 4 5 4 4 5 5 5 3 5 4 50 20˚ 4 4 4 3 3 5 5 3 4 4 50 3 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 5 5 4 5 3 5 4 4 4 4 50 15˚ 5 4 3 3 3 4 4 4 4 4 50 20˚ 4 4 3 3 3 4 4 5 5 5 50 4 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 5 4 4 4 3 5 4 3 4 3 50 15˚ 5 5 5 3 5 5 5 5 5 5 50 20˚ 4 4 4 5 3 5 5 5 5 4 50 5 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 4 4 4 5 5 5 5 5 5 5 50 15˚ 3 5 5 4 5 5 4 5 5 5 50 20˚ 4 5 3 4 4 5 4 5 3 5 50 6 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 4 4 4 4 3 4 4 4 4 5 50 15˚ 5 4 5 4 4 5 5 4 5 5 50 20˚ 5 4 4 3 3 4 3 5 5 5 50 8 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 4 3 4 5 4 3 3 3 3 4 50 15˚ 5 5 5 4 4 4 3 4 5 5 50 20˚ 4 5 4 3 4 5 5 5 5 5 50 9 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 4 5 4 4 4 3 4 4 5 5 50 15˚ 4 5 4 5 4 3 5 5 5 5 50 20˚ 5 4 5 5 3 4 5 5 5 3 50 10 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 4 5 5 4 5 3 5 4 5 5 50 15˚ 4 4 4 3 3 5 5 5 4 5 50 20˚ 5 3 5 4 5 4 3 3 5 5 50 11 0˚ 5 5 5 5 5 25 5˚ 5 5 5 5 5 5 5 5 5 5 50 10˚ 4 3 4 5 5 4 5 5 4 3 50 15˚ 4 3 5 4 4 5 3 5 4 5 50 20˚ 5 4 5 4 5 5 5 5 4 5 50 Total 407 395 400 409 424 2250 % 90.44% 87.78% 88.89% 90.89% 94.22% Rata-Rata Tingkat pengenalan = 90.44%

L2

Tinggi= 50 cm

1

2


Tingkat Pengenalan(%) 100% 100% 88% 90% 78% 100% 100% 88% 88% 78% 100% 100% 86% 76% 80% 100% 100% 78% 96% 88% 100% 100% 94% 92% 84% 100% 100% 80% 92% 82% 100% 100% 72% 88% 90% 100% 100% 84% 90% 88% 100% 100% 90% 84% 84% 100% 100% 84% 84% 94% 90.44%



L3

Tinggi= 55 cm

1

2





L4

Tinggi= 60 cm

1

2





L5

Tinggi= 65 cm

1

2





L6

Tinggi= 70 cm

1

2




L7

Penentuan data base 1 333.5601 341.8695 345.3777 348.8397 356.3768

9 302.5379 318.4169 325.8949 328.8378 330.1793

10 304.2969 310.1786 310.2978 315.3429 315.7972

4 208.548 218.389 218.581 223.644 225.378

2 187.4714 199.0143 202.7228 213.8619 220.6427

8 125.563 127.3079 132.7507 132.7974 134.6847

3 118.30594 119.91348 121.79529 126.9695 133.17387

5 11 6 151.2219 150.7514 54.7729 165.5524 154.3301 72.8949 166.7545 156.767 74.7638 170.4037 159.8603 84.0117 176.1664 164.82 84.907

Nilai R 1 306.144 311.878 314.047 314.875 325.116 9 327.8239 340.863 341.422 344.6073 346.029

9 297.579 308.007 311.892 314.774 315.729 10 317.8932 324.7991 327.8224 329.8522 330.0906

10 297.94 304.15 304.56 308.67 311.23

4 224.34186 229.89006 235.4745 240.70465 241.54861

5 148.288 161.188 161.275 163.324 169.238 1 218.6365 232.0898 253.0502 259.1152 259.8482

11 145.2115 150.0585 154.5346 155.4071 159.4225

Nilai G

2 231.2897 236.0134 237.5121 249.5032 252.33

6 134.5215 144.8277 151.5491 152.9292 176.0115

Nilai B

Lampiran Komponen Fuzzy

Grafik fungsi nilai R

Grafik Fungsi nilai G

8 120.47 121.07 127.16 128.99 129.82

3 113.261 115.818 116.362 118.964 124.91

8 137.0628026 137.7300346 141.6659988 146.5726134 149.4423864

2 178.18 189.97 191.01 201.74 205.82

11 162.4319 164.6325 167.7686 168.3392 172.8921

4 205.1368 213.5153 216.4486 222.7626 223.9616

5 173.3793 182.8705 185.5408 186.1107 193.2788

6 54.858 71.181 71.96 74.414 74.996

3 167.0953863 169.2918569 175.4861429 196.7563572 207.4912811


Grafik Fungsi Nilai B Konstanta kelas Pengenalan Objek kelas

R 1 2 3 4 5

350 200 120 151 0

Konstanta G B 310 205 120 140 0 -

320 220 140 170

Pembagian kelas Objek

Nilai objek R Nilai Objek G Nilai objek B

1 1 9 10 1 9 10 9 10

2 4 2

Kelas 3 8 3

4 5 11

5 6

4 2

8 3

5 11

6

4 1 2

6 8

11 5 3

L8


L9

Nilai pembentuk fungsi Fuzzy Setelah database diambil maka nilai tersebut di tentukan kelasnya berdasarkan kemiripan dengan kelas (lampiran hal L8) yang sudah ditentukan sebelumnya. Lalu kelas ditentukan maka dilakukan pengurangan dengan konstanta tiap kelas sehingga nilainya terlihat perbedaanya. Sehingga dapat dibentuk fungsinya yang grafiknya dapat dilihat pada lampiran hal L8. Berikut nilai-nilai pembentuk grafik yang sudah mengalami penentuan kelas dan sudah dikurangi dengan konstantanya: [Input1] Name='R' Range=[-60 100] NumMFs=10 MF1='1':'trimf',[-33.43994417 -4.622321812 23.37680997] MF2='9':'trimf',[-41.105099432 -19.82071513 -7.105099432] MF3='10':'trimf',[-62.70313079 -34.20276583 -28.70313079] MF4='4':'trimf',[-8.452063309 18.58073265 42.37754854] MF5='2':'trimf',[-29.52861272 2.722762424 37.64269804] MF6='8':'trimf',[-11.436985563 12.75074071 40.56301444] MF7='3':'trimf',[-18.69405982 -1.694059819 15.30594018] MF8='5':'trimf',[-16.77807334 15.75447526 42.16639315] MF9='11':'trimf',[-17.24857596 5.767023598 30.81998142] MF10='6':'trimf',[37.77292894 74.76377561 98] [Input2] Name='G' Range=[-50 80] NumMFs=8 MF1='1':'trimf',[-20.85557305 4.047274925 32.11571878] MF9='6':'trimf',[37.77292894 74.76377561 98] MF2='9':'trimf',[-29.42087387 1.89187275 22.72933993] MF3='10':'trimf',[-29.05579748 -5.442996285 18.23187837] MF4='2':'trimf',[-32.02952315 -3.259716281 17.82064396] MF5='4':'trimf',[-16.86316805 11.44861499 35.96160064] MF6='8':'trimf',[-16.53153811 7.15987348 26.82143297] MF7='3':'trimf',[-23.7390513 -3.637989187 12.81777205] MF8='5':'trimf',[-15.81168724 1.27476487 26.2379105] MF10='11':'trimf',[-17.24857596 5.767023598 30.81998142] [Input1] Name='b' Range=[-60 100] NumMFs=10 MF1='1':'trimf',[-33.43994417 -4.622321812 23.37680997] MF2='9':'trimf',[-41.105099432 -19.82071513 -7.105099432] MF3='10':'trimf',[-62.70313079 -34.20276583 -28.70313079] MF4='4':'trimf',[-8.452063309 18.58073265 42.37754854] MF5='2':'trimf',[-29.52861272 2.722762424 37.64269804] MF6='8':'trimf',[-11.436985563 12.75074071 40.56301444] MF7='3':'trimf',[-18.69405982 -1.694059819 15.30594018] MF8='5':'trimf',[-16.77807334 15.75447526 42.16639315] MF9='11':'trimf',[-17.24857596 5.767023598 30.81998142] MF10='6':'trimf',[37.77292894 74.76377561 98]


L10

Lampiran pembuktian konstanta pada fungsi clear background

0.2

0.3

0.4

0.45

0.5

0.55

0.6

0.65

0.7

0.75

0.8

0.85

Pada nilai 0.65 sudah memiliki background hitam yang terbaik dengan tidak adanya bintikbintik putih selain objek. Nilai yang lebih dari angka tesebut kurang baik karena mengurangi nilai objek terlihat pada citra yang ditampilkan terlihat bahwa tedapat titik hitam melubangi objek.


L11

Lampiran pemotongan frame

1 pixel

2 pixel

3 pixel

4 pixel

6 pixel

8 pixel

9 Pixel Pada pemotongan frame pada citra tedapat perbedaan hasil secara visual yang terlihat pada gambar diatas. Nilai pemotongan yang kurang dari 8 pixel menunjukkan hasil yang kurang baik karena masi menyisakan bentuk frame. Sedangkan yang lebih dari 8 pixel mengakibatkan citra terpotong yang mengakibatkan dapat mengurangi nilai citra terebut. Nilai 8 pixel merupakan yang paling ideal karena frame terpotong sempurna dan tidak memotong citra


Listing program GUI function varargout = pengenalan_kupu(varargin) gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @pengenalan_kupu_OpeningFcn, ... 'gui_OutputFcn', @pengenalan_kupu_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT

% --- Executes just before pengenalan_kupu is made visible. function pengenalan_kupu_OpeningFcn(hObject, eventdata, handles, varargin) % Choose default command line output for pengenalan_kupu handles.output = hObject; % Update handles structure guidata(hObject, handles); % UIWAIT makes pengenalan_kupu wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = pengenalan_kupu_OutputFcn(hObject, eventdata, handles) varargout{1} = handles.output;

% --- Executes on button press in hitung. function hitung_Callback(hObject, eventdata, handles) % hObject handle to hitung (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) a1=[get(handles.nama,'string')]; img0=imread(a1); hasil_r = nilai_r(img0); hasil_g = nilai_g(img0); hasil_b = nilai_b (img0); a_r=hasil_r; b_r=sum(sum(a_r)); a_g=hasil_g; b_g=sum(sum(a_g)); a_b=hasil_b;

L12


b_b=sum(sum(a_b)); nilai_r1 = b_r/10; nilai_g1 = b_g/10; nilai_b1 = b_b/10; %menjumlah matrik merah=nilai_r1; hijau=nilai_g1; biru=nilai_b1; %menampilkan nilai set(handles.nilai_r,'string',merah) set(handles.nilai_g,'string',hijau) set(handles.nilai_b,'string',biru)

% --- Executes on button press in kenal. function kenal_Callback(hObject, eventdata, handles) % hObject handle to kenal (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) %%fuzzyfikasi rgb a1=[get(handles.nama,'string')]; img0=imread(a1); hasil_r = nilai_r(img0); hasil_g = nilai_g(img0); hasil_b = nilai_b (img0); a_r=hasil_r; b_r=sum(sum(a_r)); a_g=hasil_g; b_g=sum(sum(a_g)); a_b=hasil_b; b_b=sum(sum(a_b)); nilai_r1 = b_r/10; nilai_g1 = b_g/10; nilai_b1 = b_b/10; red=nilai_r1; green=nilai_g1; blue=nilai_b1; fu1=kenali_fuzzi(red); fu2=kenali_fuzzi_g(green); fu3=kenali_fuzzi_b(blue); set(handles.kenal_r,'string',fu1(1)) set(handles.kenal_g,'string',fu2(1)) set(handles.kenal_b,'string',fu3(1)) set(handles.kenal_r1,'string',fu1(2)) set(handles.kenal_g1,'string',fu2(2)) set(handles.kenal_b1,'string',fu3(2)) for jika=1:11 if (fu2(2)==jika && fu3(2)==jika)... ||(fu1(2)==jika && fu2(2)==jika)... ||(fu1(2)==jika && fu3(2)==jika)||... (fu1(2)==jika && fu2(2)==jika && fu3(2)==jika) a=jika jika=11; end

L13


end set(handles.edit16,'string',a) % --- Executes on button press in refresh. function refresh_Callback(hObject, eventdata, handles) % hObject handle to refresh (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) clear all; clc; delete(figure(pengenalan_kupu)); figure(pengenalan_kupu);

% --- Executes on button press in capture. function capture_Callback(hObject, eventdata, handles) % hObject handle to capture (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) imaqreset; vid=videoinput('winvideo',1,'RGB24_320x240'); vid.FramesPerTrigger = 1; vid.ReturnedColorspace = 'rgb'; triggerconfig(vid, 'manual'); vidRes = get(vid, 'VideoResolution'); imWidth = vidRes(1); imHeight = vidRes(2); nBands = get(vid, 'NumberOfBands'); hImage = image(zeros(imHeight, imWidth, nBands), 'parent', handles.gambar_asli) preview(vid, hImage); % prepare for capturing the image preview start(vid); % pause for 3 seconds to give our webcam a "warm-up" time pause(3); % do capture! trigger(vid); % stop the preview stoppreview(vid); % get the captured image data and save it on capt1 variable capt1 = getdata(vid); % now write capt1 into file named captured.png % just dialog that we are done capturing a=[get(handles.nama,'string')] axes(handles.gambar_asli); imshow(capt1); imwrite (capt1,a, 'jpeg') % --- Executes on button press in Mode_rgb. function Mode_rgb_Callback(hObject, eventdata, handles) % hObject handle to Mode_rgb (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) a=[get(handles.nama,'string')] test=imread(a);

L14


a0=test(:,:,1); b0=test(:,:,2); c0=test(:,:,3); %menampilkan mode rgb axes(handles.red) imshow(a0); axes(handles.green) imshow(b0); axes(handles.blue) imshow(c0); % --- Executes on button press in crop. function crop_Callback(~, eventdata, handles) a=[get(handles.nama,'string')]; img0=imread(a); %img0=get(handles.gambar_asli); %function hitung=coba_autoclean(img0) hasil_r = nilai_r(img0); hasil_g = nilai_g(img0); hasil_b = nilai_b (img0); axes(handles.red); imshow(hasil_r) axes(handles.green); imshow(hasil_g) axes(handles.blue); imshow(hasil_b) function on_Callback(hObject, eventdata, handles) vid=videoinput('winvideo',1,'RGB24_320x240'); vid.FramesPerTrigger = 1; vid.ReturnedColorspace = 'rgb'; triggerconfig(vid, 'manual'); vidRes = get(vid, 'VideoResolution'); imWidth = vidRes(1); imHeight = vidRes(2); nBands = get(vid, 'NumberOfBands'); hImage = image(zeros(imHeight, imWidth, nBands), 'parent', handles.gambar_asli); preview(vid, hImage); function clear_Callback(hObject, eventdata, handles) % hObject handle to clear (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) clc; a=[1 1 1; 1 1 1; 1 1 1]; b=[1 1 1; 1 1 1; 1 1 1]; c=[1 1 1; 1 1 1; 1 1 1]; axes (handles.red); imshow(a); axes (handles.green); imshow(b); axes (handles.blue); imshow(c); axes (handles.gambar_asli); imshow(c); set(handles.nilai_r,'string','r') set(handles.nilai_g,'string','g') set(handles.nilai_b,'string','b') set(handles.kenal_r,'string','-') set(handles.kenal_g,'string','-')

L15


set(handles.kenal_b,'string','-') set(handles.kenal_r,'string','-') set(handles.kenal_g,'string','-') set(handles.kenal_b,'string','-') set(handles.kenal_r1,'string','-') set(handles.kenal_g1,'string','-') set(handles.kenal_b1,'string','-') set(handles.edit16,'string','-')

Fungsi-fungsi bbox function img6=bboxg(img1) % Pemotongan sesuai bounding box, % untuk citra grayscale dengan range data 0-1 % Potong kiri img2=cutleft(img1); % Putar 90 cw dan potong kiri img3=fliplr(img2'); img3=cutleft(img3); % Putar 90 cw dan potong kiri img4=fliplr(img3'); img4=cutleft(img4); % Putar 90 cw dan potong kiri img5=fliplr(img4'); img5=cutleft(img5); % Putar 90 cw img6=fliplr(img5'); % ========================================================= % FUNGSI INTERNAL % ========================================================= function img2=cutleft(img0) % Subrutin untuk memotong kolom kiri yang kosong % Berlaku untuk citra grayscale % Konversi ke biner thr=0.7; img1=ceil(img0-thr); img2=img0; % Potong kiri JKolom=sum(img1); KolomTakNol=find(JKolom > 10); if sum(KolomTakNol)>=1 img2(:,1:KolomTakNol(1)-1)=[]; end % =========================================================

Auto clean

L16


function img6=bboxg(img1) % Pemotongan sesuai bounding box, % untuk citra grayscale dengan range data 0-1 % Potong kiri img2=cutleft(img1); % Putar 90 cw dan potong kiri img3=fliplr(img2'); img3=cutleft(img3); % Putar 90 cw dan potong kiri img4=fliplr(img3'); img4=cutleft(img4); % Putar 90 cw dan potong kiri img5=fliplr(img4'); img5=cutleft(img5); % Putar 90 cw img6=fliplr(img5'); % ========================================================= % FUNGSI INTERNAL % ========================================================= function img2=cutleft(img0) % Subrutin untuk memotong kolom kiri yang kosong % Berlaku untuk citra grayscale % Konversi ke biner thr=0.7; img1=ceil(img0-thr); img2=img0; % Potong kiri JKolom=sum(img1); KolomTakNol=find(JKolom > 10); if sum(KolomTakNol)>=1 img2(:,1:KolomTakNol(1)-1)=[]; end % =========================================================

Nilai_r, nilai_g, nilai_b function img5=nilai_g(img1) img10=img1(:,:,2); img1=double(img10); img8=img1/255; img3=1-img8; img4=bboxg(img3); img5=auto_clean(img4); function img5=nilai_b(img1) img10=img1(:,:,3); img1=double(img10); img8=img1/255; img3=1-img8; img4=bboxg(img3);

L17


img5=auto_clean(img4);

fungsi kenali_fuzzy function kenali=kenali_fuzzi(r) %base %r a_atas_350_r=373.37681; a_bawah_350_r=285.5378708; %bawah tengah atas a_350_r=[-25.78714529 -6.936876842 3.4]; %besar b_350_r =[-41.71506042 -27.85055614 -3.29059883]; %sedang c_350_r=[-40.3101279 -35.36221307 -18.70313079]; %kecil a_atas_200_r=242.3775485; a_bawah_200_r=198.4713873; a_200_r=[6.558524649 18.44973683 26.44973683 ]; a_atas_120_r=141.0247278; a_bawah_120_r=106.3059402; a_120_r=[-11.436985563 12.75074071 40.56301444]; b_120_r=[-18.69405982 -1.694059819 15.30594018]; a_atas_150_r=194.1663931; a_bawah_150_r=143.751424; a_150_r=[-10 0 9]; b_150_r=[-25.4943625 -15.30449101 -6.333414378]; c_150_r=[0 9 25]; sisa_atas_r=98.9069873; sisa_bawah_r=37.77292894; a_atas_r=[37.77292894 74.76377561 98 ]; if ((r a_bawah_350_r)) input=r-350 a=a_350_r; b=b_350_r; c=c_350_r; f=3; class=1; end if (r a_bawah_200_r) input=r-200; a=a_200_r; f=1; class=2; end if (r a_bawah_120_r) input=r-120; a=a_120_r; b=b_120_r; f=2; class=3; end if (r a_bawah_150_r) input=r-170; a=a_150_r; b=b_150_r; c=c_150_r; f=3; class=4; end if (r<sisa_atas_r && r > sisa_bawah_r) input=r; a=a_atas_r; f=1; class=5; end for i=1:f if (i==1) x=a(1);

L18


y=a(2); z=a(3); end if (i==2) x=b(1); y=b(2); z=b(3); end if (i==3) x=c(1); y=c(2); z=c(3); end %if((input>x) && (inputz)) hasip = 0; end if ( ((input==x)||(input>x)) && (inputy)&& ((input
L19


if (j==1) kanal=8; end if (j==2) kanal=3 end end if (class==4) if (j==1) kanal=5; end if (j==2) kanal=11; end if (j==3) kanal=2; end end if (class==5) if (j==1) kanal=6; end end kenali=[muncul(j) kanal]; function kenali=kenali_fuzzi_g(g) %base %r a_atas_310_r=342.1157188; a_bawah_310_r=280.5791261; %bawah tengah atas a_310_r=[-20.85557305 4.047274925 32.11571878]; b_310_r=[-29.42087387 1.89187275 22.72933993]; c_310_r=[-29.05579748 -5.442996285 18.23187837]; a_atas_205_r=240.9616006; a_bawah_205_r=184.0129701; b_205_r=[ -32.02952315 -3.259716281 17.82064396 ]; a_205_r=[-16.86316805 11.44861499 35.96160064];

a_atas_120_r=147.8326045; a_bawah_120_r=96.2609487;

b_120_r=[-16.53153811 7.15987348 26.82143297]; c_120_r=[-23.7390513 -3.637989187 12.81777205]; a_atas_160_r=183.1663931; a_bawah_160_r=143.751424; a_160_r=[-15.81168724 1.27476487 26.2379105]; b_160_r=[-31.7884969 -5.465378703 16.42247127]; sisa_atas_r=91.99607182;

sisa_bawah_r=37.85806191;

L20


a_atas_r=[37.85806191 71.95981087 91.99607182 ];

if (g a_bawah_310_r) input=g-310 a=a_310_r; b=b_310_r; c=c_310_r; f=3; class=1; end if (g a_bawah_205_r) input=g-205; a=a_205_r; b=b_205_r; f=2; class=2; end if (g a_bawah_120_r) input=g-120; a=b_120_r; b=c_120_r; f=2; class=3; end if (g a_bawah_160_r) input=g-160; a=a_160_r; b=b_160_r; f=2; class=4; end if (g<sisa_atas_r && g > sisa_bawah_r) input=g; a=a_atas_r; f=1; class=5; end for i=1:f if (i==1) x=a(1); y=a(2); z=a(3); end if (i==2) x=b(1); y=b(2); z=b(3); end if (i==3) x=c(1); y=c(2); z=c(3); end

L21


%if((input>x) && (inputz)) hasip = 0; end if ( ((input==x)||(input>x)) && (inputy)&& ((input
L22


end if (class==5) if (j==1) kanal=6; end end kenali=[muncul(j) kanal];

function kenali=kenali_fuzzi_b(blue) %base %r a_atas_320_r=363.0289521; a_bawah_320_r=280.5791261; %bawah tengah atas a_320_r=[-9.176143827 21.42203227 43.02895213]; b_320_r=[-19.10684166 17.822404648 27.09063395];

a_atas_220_r=276.8482162; a_bawah_220_r=201.6365247; a_220_r=[ 4.341862292 9.890057207 18 ]; b_220_r=[-4.910160154 12.08983985 29.08983985]; c_220_r=[-5.710300151 33.05015814 49.32999897]; a_atas_140_r=150.6; a_bawah_140_r=117.521542; a_140_r=[-22.47845797 4.827731351 29.92917258]; b_140_r=[-19.93719743 6.572613351 26.44238637];

a_atas_170_r=203.1107081; a_bawah_170_r=151.2609487; a_170_r=[-10.50376767 8.164210958 27.83260449]; b_170_r=[-16.53153811 1.074583204 26.82143297]; c_170_r=[-23.7390513 -3.637989187 21.90970968];

if (blue a_bawah_320_r) input=blue-320; a=a_320_r; b=b_320_r; f=2; class=1; end if (blue a_bawah_220_r) input=blue-220; a=a_220_r; b=b_220_r; c=c_220_r; f=3; class=2; end

L23


if (blue a_bawah_170_r) input=blue-170; a=a_170_r; b=b_170_r; c=c_170_r; f=3; class=3; end if (blue a_bawah_140_r) input=blue-140; a=a_140_r; b=b_140_r; f=2; class=4; end for i=1:f if (i==1) x=a(1); y=a(2); z=a(3); end if (i==2) x=b(1); y=b(2); z=b(3); end if (i==3) x=c(1); y=c(2); z=c(3); end if (i==4) x=d(1); y=d(2); z=d(3); end %if((input>x) && (inputz)) hasip = 0; end if ( ((input==x)||(input>x)) && (inputy)&& ((input
L24


muncul(i)=hasip end f=length(muncul); for i=1:f if (muncul(i)== max(muncul)) g=i; end end j=g; if (class==1) if (j==1) kanal=9; end if (j==2) kanal=10; end end if (class==2) if (j==1) kanal=4; end if (j==2) kanal=1; end if (j==3) kanal=2; end end if (class==4) if (j==1) kanal=6; end if (j==2) kanal=8; end end if (class==3) if (j==1) kanal=11; end if (j==2) kanal=5; end if (j==3) kanal=3; end end kenali=[muncul(j) kanal];

L25

PENGENALAN JENIS KUPU-KUPU DENGAN PENGKLASIFIKASI SAMAR

Recommend Documents