PENGENALAN KODE HURUF SEMAPHORE

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

TUGAS AKHIR

PENGENALAN KODE HURUF SEMAPHORE Diajukan untuk memenuhi salah satu syarat Memperoleh gelar Sarjana Teknik pada Program Studi Teknik Elektro Jurusan Teknik Elektro Fakultas Sains dan Teknologi Universitas Sanata Dharma

disusun oleh :

LEONARDUS SANDY ADE PUTRA NIM : 135114026

PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2017 i


FINAL PROJECT

THE INTRODUCTION OF CODE-LETTER SEMAPHORE In a partial fulfillment of the requirements For the degree of Sarjana Teknik Department of Electrical Engineering Faculty of Science and Technology, Sanata Dharma University

LEONARDUS SANDY ADE PUTRA NIM : 135114026

ELECTRICAL ENGINEERING STUDY PROGRAM DEPARTMENT OF ELECTRICAL ENGINEERING FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY 2017 ii





HALAMAN PERSEMBAHAN

MOTTO: Thing Big, and Act Now !

Persembahan Skripsi ini kupersembahkan untuk . . . Yesus Kristus dan Bunda Maria yang selalu menyertai dan memberkati sepanjang hari

Papah dan Mamah yang selalu mendukung dan mendoakanku

Adik dan keluarga yang memberiku dukungan dan doa

Serta teman-teman yang selalu membantu dan menghibur

vi



INTISARI Semaphore adalah suatu cara untuk mengirim dan menerima berita dengan menggunakan bendera. Untuk mempelajari gerakan semaphore, seorang pengirim kode huruf semaphore membutuhkan orang lain untuk dapat mengetahui apakah posisi pengirim sudah tepat atau kurang tepat dalam melakukan pengiriman kode huruf semaphore. Karena setiap pengirim kode huruf semaphore memiliki posisi yang berbeda menurut derajat dan kelurusan postur tubuh, sehingga hal ini membuat kurang efektifnya pembelajaran kode semaphore apabila dilakukan oleh seorang diri. Penerapan unsur-unsur teknologi praktis dan tepat guna sangat dibutuhkan dalam pembelajaran kode huruf semaphore. Sistem yang akan dibuat dapat meniru kemampuan mata manusia untuk mengenali objek berupa gerakan dari pengiriman kode semaphore. Sistem pengenalan kode huruf semaphore ini akan dibuat menggunakan webcam dan laptop. Webcam berfungsi sebagai alat bantu untuk mengambil citra dari pose kode huruf semaphore yang dikirimkan. Dan laptop sebagai alat untuk mengolah data yang telah diperoleh. Citra kode huruf semaphore diolah dengan menggunakan preprocessing, ekstrasi ciri wavelet, fungsi jarak Euclidean dan kemudian program akan menampilkan hasil pengenalan ke layar monitor dengan format huruf. Sistem pengenalan kode huruf semaphore dapat bekerja dengan baik. Hasil pengujian dengan menggunakan jarak maksimal yaitu pada jarak 5 meter menunjukkan bahwa tingkat pengenalan yang diperoleh sebesar 93%.

Kata kunci : Semaphore, preprocessing, ekstraksi ciri wavelet, dan jarak Euclidean.

viii


ABSTRACT Semaphore is a way to send and receive news by using the flag. To study the movement of semaphore, the sender of semaphore letter code needs others to be able to determine whether the sender position is right or not right in sending a letter code of semaphore. Because each sender semaphore letter code has different position according to the degree and straightness posture, so this makes it less effective learning of semaphore code when carried out by own way. Applying the elements of practical and appropriate technology are needed in learning of semaphore letter code. The system to be created can mimic the human eye's ability to recognize objects in the form of shipment in the semaphore code movement. Semaphore letter code recognition system will be created using the webcam and laptop. Webcam function as tools to acquire an image of the pose semaphore letter code that has been sent. And the laptop as a tool to process the data that has been obtained. Semaphore letter code image is processed by using preprocessing, wavelet feature extraction, Euclidean distance function and then the program will display the recognition results to the screen with the letter format. Semaphore letter code recognition system can work well. The test results by using the maximum distance that is at a distance of 5 meters indicate that the obtained recognition rate is 93 %.

Keywords : Semaphore, preprocessing, wavelet feature extraction, and Euclidean distance.

ix


KATA PENGANTAR Puji dan syukur penulis panjatkan ke hadirat Tuhan Yang Maha Esa atas berkat dan rahmat kasih-Nya yang telah dilimpahkan-Nya sehingga penulis dapat menyelesaikan Tugas Akhir yang berjudul Pengenalan kode huruf semaphore. Tugas Akhir ini disusun sebagai salah satu syarat kelulusan untuk memperoleh gelar Sarjana Teknik pada Program Studi Teknik Elektro, Fakultas Sains dan Teknologi, Universitas Sanata Dharma Yogyakarta. Penulisan Tugas Akhir ini tidak lepas dari campur tangan dan bantuan dari banyak pihak baik secara langsung mapun tidak langsung. Penulis menyadari bahwa banyak pihak yang telah memberi dukungan, semangat, bimbingan dan arahan serta bantuan materil. Oleh karena itu, pada kesempatan ini penulis ingin mengucapkan terima kasih kepada : 1. Tuhan Yesus Kristus, yang selalu membimbingku, menyertaiku dari awal hingga terselesainya tugas akhir ini. Sungguh suatu karunia kasih-Mu. 2. Bapak Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. selaku Dekan Fakultas Sains dan Teknologi.

3. Bapak Petrus Setyo Prabowo, S.T., M.T. selaku Ketua Program Studi Teknik Elektro Universitas Sanata Dharma Yogyakarta yang memberikan arahan kepada penulis. 4. Bapak Dr. Linggo Sumarno, selaku dosen pembimbing yang telah banyak membimbing, membantu, serta memberikan arahan, jasa dan motivasi kepada penulis dalam menyelesaikan tugas akhir ini. 5. Bapak Dr. Iswanjono, M.T. dan Bapak Dr. Damar Widjaja, S.T., M.T. selaku dosen penguji tugas akhir yang telah memberikan ilmu dan arahan tambahan sehingga penulis dapat menyempurnakan penyusunan tugas akhir ini. 6. Seluruh Dosen dan Laboran Program Studi Teknik Elektro, Fakultas Sains dan Teknologi Universitas Sanata Dharma yang telah banyak memberikan ilmunya hingga saat ini. 7. Seluruh Staff Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta yang telah membantu dalam hal administrasi. x



DAFTAR ISI Halaman Sampul (Bahasa Indonesia) .............................................................................. i Halaman Sampul (Bahasa Inggris) ..................................................................................ii Halaman Persetujuan .......................................................................................................iii Halaman Pengesahan ....................................................................................................... iv Pernyataan Keaslian Karya.............................................................................................. v Halaman Persembahan .................................................................................................... vi Lembar Persetujuan Publikasi Karya ...........................................................................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 ....................................................................................................... 3

1.4.

Metode Penelitian ..................................................................................................... 3

BAB II DASAR TEORI 2.1.

Semaphore ................................................................................................................. 5

2.2.

Webcam Logitech C270 ............................................................................................ 7

2.3.

Pengolahan Citra Digital ........................................................................................... 8

2.3.1. Definisi Citra Digital ................................................................................................ 8 2.3.2. Ruang Warna RGB ................................................................................................... 9 2.3.3. Ruang Warna HSV ................................................................................................. 11 2.3.4. Konversi RGB Menjadi HSV ................................................................................. 12 2.3.5. Cropping ................................................................................................................. 13 2.3.6 Resizing ................................................................................................................... 13 2.4.

Wavelet .................................................................................................................... 13

2.4.1. Wavelet Haar............................................................................................................ 13 xii

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI xiii

2.5.

Konvolusi ................................................................................................................ 15

2.5.1. Konvolusi Secara Umum ........................................................................................ 15 2.5.2. Konvolusi dengan Ekstensi Sinyal ......................................................................... 16 2.6.

Template Matching ................................................................................................ 17

2.7.

Distance (Jarak) ...................................................................................................... 17

2.7.1. Euclidean Distance ................................................................................................. 17 2.8.

Basis Data ............................................................................................................... 18

BAB III PERANCANGAN 3.1. Proses Pengenalan Kode Huruf Semaphore............................................................. 19 3.1.1. Pengambilan Citra Kode Huruf Semaphore ............................................................ 20 3.1.2. Tahap Preprocessing ............................................................................................... 21 3.1.3. Tahap Ekstraksi Ciri ................................................................................................ 25 3.1.4. Tahap Fungsi Jarak .................................................................................................. 27 3.1.5. Penentuan Keluaran ................................................................................................. 28 3.2. Perancangan Basis Data ........................................................................................... 28 3.3. Perancangan Tampilan GUI Matlab......................................................................... 33 3.4. Pengujian Citra Kode Huruf Semaphore ................................................................. 35 3.4.1. Pengujian Data Tidak Langsung ............................................................................. 35 3.4.2. Pengujian Data Secara Langsung ............................................................................ 36 BAB IV HASIL DAN PEMBAHASAN 4.1.

Pengujian Program Pengenalan Kode Huruf Semaphore Secara Langsung ........... 37

4.2.

Penjelasan Program ................................................................................................. 40

4.2.1. Tombol Kamera Aktif ............................................................................................ 40 4.2.2. Tombol Ambil Gambar .......................................................................................... 40 4.2.3. Pop-Up Menu ......................................................................................................... 41 4.2.4. Tombol Proses ........................................................................................................ 42 4.2.5. Tombol Reset.......................................................................................................... 51 4.2.6. Tombol Keluar........................................................................................................ 51 4.3.

Hasil Pengujian dan Analisis Pengenalan Kode Huruf Semaphore ...................... 52

4.3.1. Pengujian Pengenalan Kode Huruf Semaphore Secara Tidak Langsung .............. 52 4.3.2. Pengujian Pengenalan Kode Huruf Semaphore Secara Langsung ........................ 54 BAB V KESIMPULAN 5.1.

Kesimpulan ............................................................................................................ 58

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI xiv

5.2.

Saran ...................................................................................................................... 58

DAFTAR PUSTAKA ...................................................................................................... 59 LAMPIRAN ..................................................................................................................... 60


DAFTAR GAMBAR Gambar 2.1.

Telegraph Optik ........................................................................................... 5

Gambar 2.2.

Bendera Semaphore ..................................................................................... 6

Gambar 2.3.

Posisi kode huruf semaphore....................................................................... 7

Gambar 2.4.

Logitech C270 ............................................................................................. 7

Gambar 2.5.

Koordinat Citra Digital ................................................................................ 9

Gambar 2.6.

Ilustrasi digitalisasi citra .............................................................................. 9

Gambar 2.7.

Skema ruang warna RGB dalam bentuk kubus ......................................... 10

Gambar 2.8.

Penambahan campuran warna merah, hijau, dan biru ............................... 10

Gambar 2.9.

Model warna HSV...................................................................................... 11

Gambar 2.10. Skala Hue................................................................................................... 12 Gambar 2.11. Transformasi wavelet ................................................................................. 14 Gambar 2.12. Perhitungan konvolusi secara matriks ....................................................... 16 Gambar 3.1.

Blog diagram proses pengenalan kode huruf semaphore .......................... 19

Gambar 3.2.

Diagram alir pengambilan citra ................................................................. 20

Gambar 3.3.

Diagram alir preprocessing citra ............................................................... 21

Gambar 3.4.

Diagram alir konversi RGB ke HSV .......................................................... 22

Gambar 3.5.

Diagram alir proses segmentasi warna HSV .............................................. 23

Gambar 3.6.

Diagram alir proses cropping pada citra.................................................... 24

Gambar 3.7.

Diagram alir proses resizing pada citra ..................................................... 24

Gambar 3.8.

Diagram alir ektraksi ciri ........................................................................... 25

Gambar 3.9.

Diagram alir konvolusi .............................................................................. 26

Gambar 3.10. Diagram alir downsampling ...................................................................... 27 Gambar 3.11. Diagram alir fungsi jarak Euclidean .......................................................... 27 Gambar 3.12. Diagram alir penentuan keluaran ............................................................... 28 Gambar 3.13. Blok diagram perancangan basis data ....................................................... 28 Gambar 3.14. Diagram alir pengenalan citra pada GUI ................................................... 33 Gambar 3.15. Sketsa perancangan GUI ........................................................................... 34 Gambar 4.1.

Gambar Matlab .......................................................................................... 37

Gambar 4.2.

Tampilan awal Matlab ............................................................................... 38

Gambar 4.3.

Mengganti current folder .......................................................................... 38 xv

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI xvi

Gambar 4.4.

Interface pada program secara langsung ................................................... 39

Gambar 4.5.

Kondisi pengambilan pose kode huruf semaphore.................................... 39

Gambar 4.6.

Konversi citra rgb ke hsv ........................................................................... 43

Gambar 4.7.

Contoh proses ambil nilai saturation ........................................................ 44

Gambar 4.8.

Contoh proses segmentasi kuning ............................................................. 45

Gambar 4.9.

Contoh proses segmentasi citra bendera berwarna kuning........................ 46

Gambar 4.10. Proses pemotongan citra ............................................................................ 47 Gambar 4.11. Proses resizing pada citra masukkan ......................................................... 48 Gambar 4.12. Grafik Tingkat Pengenalan secara tidak langsung .................................... 53 Gambar 4.13. Grafik Tingkat Pengenalan secara langsung ............................................. 56


DAFTAR TABEL Tabel 2.1.

Spesifikasi Webcam ........................................................................................ 8

Tabel 3.1.

Keterangan GUI............................................................................................ 35

Tabel 4.1.

Citra hasil desimasi & jarak.......................................................................... 55

xvii


BAB I PENDAHULUAN 1.1.

Latar Belakang Semaphore adalah suatu cara untuk mengirim dan menerima berita dengan

menggunakan bendera yang dinamakan bendera semaphore. Pengiriman kode huruf melalui bendera semaphore ini menggunakan dua bendera, masing-masing bendera tersebut berukuran 45 cm x 45 cm yang diikatkan pada batang dengan panjang 50 cm [1]. Bentuk bendera yang persegi merupakan penggabungan dua buah segitiga sama kaki yang berbeda warna. Di Indonesia bendera yang biasa digunakan dalam kegiatan kepramukaan berwarna merah dan kuning. Di Indonesia, semaphore telah diterapkan sebagai salah satu keahlian yang harus dimiliki oleh setiap individu dalam kegiatan pramuka. Biasanya dalam kegiatan kepramukaan, semaphore telah diajarkan kepada anggota pramuka dari level siaga. Dan pada jenjang yang lebih tinggi dalam kegiatan pramuka, semaphore sebagai salah satu mata lomba yang digunakan untuk mengirimkan sebuah informasi pernyataan maupun pertanyaan berupa kalimat dengan menggunakan huruf dari A-Z. Dalam prakteknya untuk mempelajari gerakan semaphore seorang pengirim kode semaphore membutuhkan seseorang yang dapat melihat posisi seorang pengirim apakah pada posisi yang tepat atau kurang tepat dalam melakukan pengiriman kode semaphore. Hal ini sangat diperlukan karena dalam setiap pengiriman kode semaphore memiliki posisi yang berbeda menurut derajat dan kelurusan postur tubuh. Sehingga hal ini membuat kurang efektifnya pembelajaran kode semaphore apabila dilakukan oleh seorang diri. Penerapan unsur-unsur teknologi praktis dan tepat guna sangat dibutuhkan sebagai sebuah pendukung sekaligus solusi yang efektif dalam bidang kepramukaan ini. Sistem yang akan dibuat dapat meniru kemampuan mata manusia untuk mengenali objek berupa gerakan dari pengiriman kode semaphore yang nantinya dapat menjadi sebuah alat yang akan membantu manusia dalam mempelajari pengiriman maupun menerima kode huruf semaphore. Sehingga dapat membantu pengguna mengetahui apakah gerakan yang dilakukan sudah tepat atau kurang tepat. 1

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 2

Dalam penelitian ini, metode wavelet diterapkan tak lain karena metode ini memiliki fungsi matematik yang membagi-bagi data menjadi beberapa komponen frekuensi yang berbeda-beda, kemudian analisis dilakukan untuk masing-masing komponen menggunakan resolusi yang sesuai dengan skalanya. Kepentingan penggunaan Transformasi Wavelet ini berdasarkan fakta bahwa dengan Transformasi Wavelet akan diperoleh resolusi waktu dan frekuensi yang jauh lebih baik daripada metode-metode lainnya [2]. Pengenalan kode huruf semaphore ini dilakukan secara langsung dengan menggunakan bantuan webcam. Sebelumnya terdapat penelitian yang membahas tentang pengiriman kode huruf semaphore yang dilakukan oleh Aeri Rachmad dan Muhammad Fuad tentang Geometry Algorithm On Skeleton Image Based Semaphore Gesture Recognition [3]. Dalam penelitian ini peneliti menggunakan kinect sebagai pembaca sudut dalam pengiriman kode semaphore yang hanya dapat dilakukan dalam jarak tertentu yaitu pada jarak 1 meter dan jarak maksimal 2,5 meter. Pada penelitian ini, peneliti menggunakan variasi jarak yang lebih jauh dari penelitian sebelumnya. Jarak terdekat yang gunakan dalam penelitian ini adalah 3 meter dan jarak maksimal 5 meter dengan rentang pengambilan jarak setiap 50 cm. Dalam pengerjaannya peneliti membutuhkan beberapa perangkat pendukung seperti webcam yang berfungsi untuk menangkap gambar gerakan kode huruf semaphore, kemudian membutuhkan laptop yang berfungsi sebagai tempat untuk mengolah gambar agar dapat dikenali dan informasinya dapat disampaikan ke pengguna serta software Matlab sebagai pengolah program kode huruf semaphore.

1.2.

Tujuan dan Manfaat Penelitian Tujuan dari penulisan tugas akhir ini adalah membuat aplikasi yang dapat

mengenali pose kode huruf semaphore menggunakan ekstrasi ciri Wavelet. Manfaat dari penelitian ini adalah dapat membantu pengguna aplikasi dalam mengetahui apakah pengiriman kode huruf semaphore yang dilakukan sudah tepat atau kurang tepat.


1.3.

Batasan Masalah Sistem pengenalan kode huruf semaphore ini terdiri dari prangkat keras (hardware)

dan perangkat lunak (software). Hardware berupa webcam dan laptop. Software yang digunakan adalah Matlab. Matlab digunakan untuk mengatur seluruh proses pengolahan data yang dicuplik oleh webcam. Pada perancangan sistem ini, peneliti fokus pada pembuatan software komputer untuk pengenalan kode huruf semaphore. Peneliti menetapkan beberapa batasan masalah dalam penelitian ini, antara lain: a. Menggunakan bendera semaphore berwarna kuning merah dengan ukuran 45 cm x 45 cm dan tongkat semaphore ukuran 50 cm. b. Menggunakan pakaian pramuka. c. Huruf yang dikenali ialah huruf A sampai dengan Z. d. Warna background yang digunakan selain kuning. e. Orientasi pose kode huruf semaphore ialah tegak. f. Segmentasi warna menggunakan Hue Saturation Value (HSV). g. Jarak yang digunakan 3 – 5 meter. h. Menggunakan 3 variasi desimasi. i. Ekstrasi ciri yang digunakan adalah Wavelet. j. Metode pengenalan menggunakan Template Matching dan fungsi jarak. k. Menggunakan webcam merk Logitech seri C270h. l. Pengambilan citra menggunakan webcam. m. Pengenalan perangkat elektronik ini dibuat dengan menggunakan software pemograman Matlab 7.10.0.499 n. Keluaran berupa teks pada layar monitor.

1.4.

Metode Penelitian Langkah-langkah dalam pengerjaan tugas akhir :

a. Pengumpulan bahan-bahan referensi berupa buku-buku, jurnal-jurnal ilmiah, dan website mengenai pengenalan suatu objek, pemograman Matlab, image processing, ekstrasi ciri wavelet dan fungsi jarak euclidean.


b. Pembuatan software Sistem akan bekerja apabila pengguna menekan tombol “Ambil Gambar” yang ditampilkan dalam tampilan visual yang disediakan dalam software. Kemudian sistem akan mengolah data yang diterima dari webcam dan mulai menampilkan proses menampilkan video (record) sampai pengguna memberikan perintah untuk pengambilan gambar (capture). Kemudian, pengguna memberikan interupsi untuk memulai pengenalan gambar yang diambil dari pengiriman kode huruf semaphore. Kemudian, Matlab akan melakukan proses pengolahan gambar kode huruf semaphore yang diambil dengan menggunakan webcam dan ditampilkan berupa teks pada layar monitor. c. Analisis dan penyimpulan Analisis data yang pertama dilakukan dengan meneliti pengaruh variasi desimasi terhadap tingkat pengenalan pose kode huruf semaphore. Terdapat 3 nilai variasi desimasi yang digunakan. Sehingga pengaruh variasi desimasi terhadap tingkat pengenalan citra dapat diketahui dari hasil perbandingan 3 nilai variasi desimasi yang disediakan. Penyimpulan hasil dilakukan untuk mencari tingkat pengenalan dengan variasi desimasi yang terbaik. Analisis data yang kedua, meneliti pengaruh jarak antara webcam dengan pengirim kode huruf semaphore. Terdapat 5 variasi jarak yang telah ditentukan, dengan jarak minimal pengambilan gambar adalah 3 meter dan jarak maksimal 5 meter dengan rentang jarak masing-masing 50 cm. Penyimpulan hasil dilakukan untuk mencari tingkat pengenalan dengan variasi jarak yang terbaik.


BAB II DASAR TEORI 2.1.

Semaphore Semaphore adalah suatu cara untuk mengirim dan menerima berita dengan

menggunakan bendera, dayung, batang, tangan kosong atau dengan sarung tangan. Informasi yang dapat dibaca melalui posisi bendera atau tangan. Namun saaat ini umum digunakan adalah bendera yang dinamakan bendera semaphore. Pengiriman kode melalui semaphore ini menggunakan dua buah bendera, yang masing-masing bendera tersebut berukuran 45 cm x 45 cm yang diikatkan pada batang dengan panjang 50 [1].

Gambar 2.1 Telegraph Optik [1]. Semaphore pertama kali diperkenalkan oleh Claude Chappe pada tahun 1792 di Perancis. Semaphore adalah pengembangan dari telegraph optik pada tahun 1971 yang 5


terdapat pada Gambar 2.1. Awalnya telegraph optik menghubungkan Paris dan Lille yang memiliki jarak sejauh 230 kilometer dan memiliki 15 semaphore. Jaringan telegraph optik terdiri dari sederetan menara yang masing-masing diletakkan berjarak 5 sampai 20 kilometer satu sama lainnya. Pada setiap menara terdapat semaphore kayu dan 2 teleskop di atasnya. Semaphore memiliki dua lengan pemberi sinyal yang masing-masing dapat diposisikan pada 7 posisi. Setiap posisi mewakili kode untuk huruf, angka, kata, atau bagian dari sebuah kalimat. Teleskop berfungsi sebagai alat bantu untuk melihat kode yang dikirimkan oleh peraga semaphore yang lainnya.

Gambar 2.2. Bendera Semaphore. Bentuk bendera yang persegi merupakan penggabungan dua buah segitiga sama kaki yang berbeda warna seperti pada Gambar 2.2. Warna yang digunakan dapat bermacam-macam, namun di Indonesia lazim digunakan adalah warna merah dan kuning, letak warna merah selalu berada dekat batang bendera. Penelitian ini menggunakan 26 pose kode huruf semaphore yang mewakili huruf A – Z yang digambarkan pada Gambar 2.3.


Gambar 2.3. Posisi kode huruf semaphore [1].

2.2. WebCam Logitech C270 WebCam adalah nama sebutan untuk kamera yang dihubungkan pada komputer agar kita bisa dilihat melalui aplikasi pemanggilan video. Webcam berfungsi untuk memudahkan kita dalam mengolah pesan cepat seperti chat melalui video dan bertatap muka melalui video secara langsung. Webcam ini berfungsi sebagai alat untuk mentransfer sebuah media secara langsung. Webcam standar rata rata terdiri dari sebuah lensa standar yang dipasang di sebuah papan sirkuit untuk menangkap gambar, cover, kabel support. Hasil gambar yang diambil dengan menggunakan webcam C270 memiliki format RGB, hal ini diketahui setelah melakukan ujicoba dengan menggunakan Matlab.

Gambar 2.4. Logitech C270 [4].


Webcam dapat menampilkan gambar yang cukup jelas dengan jarak minimal 1 meter hingga 10 meter. Namun pada penelitian ini jarak minimal yang digunakan 3 meter dikarenakan pada jarak kurang dari 3 meter pose kode huruf semaphore tidak dapat ditampilkan secara keseluruhan. Jarak maksimal yang digunakan adalah 5 meter dikarenakan pada jarak lebih dari 5 meter gambar yang diterima tidak terlalu jelas. Webcam yang tertera pada Gambar 2.4. memiliki spesifikasi yang diperlihatkan pada Tabel 2.1. [4]. Tabel 2.1. Spesifikasi Webcam.

2.3.

High-definition (HD) video calling Photo quality Video capture Focus type

HD 720p Up to 3.0 megapixels Up to 1280 x 720 pixels Fixed focus

Bult-in mic Auto light correction

YES Standard

Pengolahan Citra Digital

2.3.1. Definisi Citra Digital Secara umum, pengolahan citra digital menunjuk pada pemprosesan gambar 2 dimensi menggunakan komputer. Dalam konteks yang luas, pengolahan citra digital mengacu pada pemprosesan setiap data 2 dimensi. Citra digital merupakan sebuah larik (array) yang berisi nilai-nilai real maupun komplek yang direpresentasikan dengan deretan bit tertentu. Suatu citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitude f di titik koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila nilai x,y, dan nilai amplitude f secara keseluruhan berhingga (finite) dan bernilai diskrit, maka dapat dikatakan bahwa citra tersebut adalah citra digital. Gambar 2.5 menunjukkan posisi koordinat citra digital [5].


Gambar 2.5. Koordinat Citra Digital [5].

(2.1)

Nilai pada suatu irisan antara baris dan kolom (pada posisi x,y) disebut dengan picture elements, pels atau pixels. Istilah terakhir (pixel) paling sering digunakan pada citra digital Gambar 2.6. menunjukkan ilustrasi digitalisasi citra dengan M = 16 baris dan N = 16 kolom..

Gambar 2.6. Ilustrasi Digitalisasi Citra (pixel pada koordinat x = 10, y = 3 memiliki nilai 110) [5]. 2.3.2. Ruang Warna RGB Suatu citra dalam model RGB terdiri dari tiga bidang citra, masing-masing terdiri dari warna utama: merah (R), hijau (G) dan biru (B). Setiap piksel pada citra dibentuk oleh


ketiga komponen tersebut. Model warna RGB biasanya digambarkan dalam bentuk kubus tiga dimensi, dengan warna merah, hijau, dan biru berada pada pojok sumbu seperti pada Gambar 2.7. warna hitam berada pada titik asal dan warna putih berada di ujung kubus yang berseberangan. Spektrum grayscale (tingkat keabuan) yaitu warna yang dibentuk dari gabungan tiga warna utama dengan jumlah yang sama, berada pada garis yang menghubungkan titik hitam dan putih.

Gambar 2.7. Skema ruang warna RGB dalam bentuk kubus [6]. Warna direpresentasikan dalam suatu sinar tambahan untuk membentuk warna baru, dan berhubungan untuk membentuk sinar campuran. Citra pada Gambar 2.8 sebelah kiri menunjukkan campuran dengan menambahkan warna utama merah, hijau, dan biru untuk membentuk warna sekunder kuning (merah+hijau), cyan (biru+hijau), magenta (merah+biru) dan putih (merah+hijau+biru). Model warna RGB banyak digunakan untuk monitor komputer dan video kamera.

Gambar 2.8. Penambahan Campuran Warna Merah, Hijau, dan Biru [7].


2.3.3. Ruang Warna HSV Model HSV (Hue Saturation Value) menunjukkan ruang warna dalam bentuk tiga komponen utama yaitu hue, saturation, dan value yang dapat digambarkan pada Gambar 2.9. 

Hue menunjukkan jenis warna (seperti merah, biru, atau kuning) atau corak warna yaitu tempat warna tersebut ditemukan dalam spectrum warna. Merah, kuning, dan ungu (purple) adalah kata-kata yang menunjukkan hue. Nilai hue antara 0 sampai 1 berarti warna antara merah melewati kuning, hijau, cyan, biru dan magenta dan kembali menjadi merah



Saturasi (Saturation) dari suatu warna adalah ukuran seberapa besar kemurnian dari warna tersebut. Sebagai contoh suatu warna yang semuanya merah tanpa putih adalah saturasi penuh. Jika ditambahkan putih ke merah, hasilnya menjadi lebih berwarna-warni dan warna digeser dari merah ke merah muda (pink). Hue masih tetap merah tetapi nilai saturasinya berkurang. Saturasi biasanya bernilai dari 0 sampai 1. Dimana 0 menunjukkan abu-abu dan 1 menunjukkan warna primer murni.



Value atau disebut juga intensitas (intensity) yaitu ukuran seberapa besar kecerahan dari suatu warna atau seberapa besar cahaya datang dari suatu warna. Value dapat bernilai dari 0 sampai 1 berarti warna semakin cerah.

Gambar 2.9. Model warna HSV [6].


HSV merupakan salah satu cara untuk mendefinisikan warna yang didasarkan pada roda warna. Hue merupakan variabel yang menyatakan warna dari merah hingga violet. Hue mengukur sudut dari 0 sampai 360 derajat seperti pada Gambar 2.10 biasanya 0 adalah merah, 60 derajat adalah kuning, 120 derajat adalah hijau, 180 derajat adalah cyan, 240 derajat adalah biru, dan 300 derajat adalah warna magenta.

Gambar 2.10. Skala Hue [8]. Saturation merupakan variabel yang menyatakan vibrancy dari suatu warna, saturation biasa disebut juga dengan purity. Semakin kecil nilai dari saturation, maka warna yang ditampilkan condong ke warna abu-abu. Skala nilai dari saturation berkisar antara 0% hingga 100%. Value menunjukkan nilai kecerahan dari suatu warna. Skala dari value berkisar antar 0% hingga 100% [5]. Model warna HSV memisahkan komponen intesitas dari citra warna, sehingga model ini merupakan model yang ideal untuk mengembangkan algoritma pemprosesan citra yang intuitif dan natural. 2.3.4. Konversi RGB Menjadi HSV Karena model warna HSV merupakan model warna yang diturunkan dari model warna RGB, maka untuk mendapatkan warna HSV ini diharuskan melakukan proses konversi dari RGB ke HSV. Proses konversi dapat dilakukan dengan aplikasi Matlab, Matlab telah menyediakan fungsi “rgb2hsv” dengan sintaks program yang digunakan : %Konversi RGB to HSV hsv=rgb2hsv(x0);


2.3.5. Cropping Cropping citra bertujuan untuk memotong bagian tertentu dari elemen citra yang diinginkan pada citra digital. Sehingga untuk bagian citra yang tidak dibutuhkan akan dipotong atau dihilangkan. Hal ini diperlukan dalam proses pengolahan citra digital untuk mendapatkan data yang tepat, sehingga mempermudah dalam proses pengolahan data. 2.3.6. Resizing Resizing adalah proses mengubah ukuran resolusi suatu citra dalam piksel. Dengan cara mengurangi atau menambah jumlah piksel yang menyusun citra. Dalam pengurangan ataupun penambahan dilakukan secara proporsional baik pada panjang maupun lebar citra. Dalam penelitian ini ukuran piksel yang diinginkan ialah

, karena ukuran piksel ini

dianggap sebagai ukuran yang paling ideal untuk dijadikan acuan [9].

2.4.

Wavelet Wavelet merupakan fungsi basis yang diisolasi dengan mengacu pada lokasi spasial

atau waktu, dan frekuensi atau angka gelombang. Setiap wavelet memiliki karakteristik lokasi dan skala. Basis wavelet berasal dari sebuah fungsi penskalaan atau dikatakan juga sebuah scaling function. Scaling function memiliki sifat yaitu dapat disusun dari sejumlah salinan dirinya yang telah didilasikan, ditranslasikan dan diskalakan. Menurut Sydney [9], Wavelet merupakan gelombang mini (small wave) yang mempunyai kemampuan mengelompokkan energi citra dan terkonsentrasi pada sekelompok kecil koefisien, sedangkan kelompok koefisien lainnya hanya mengandung sedikit energi yang dapat dihilangkan tanpa mengurangi nilai informasinya. Wavelet dibagi menjadi 2 berdasarkan ruang dan waktu yaitu wavelet 1D (Waktu) dan 2D (Ruang). Pengertian waktu di sini adalah untuk gelombang 1D, memulai point shifting dari sumber menuju akhir, sedangkan pengertian ruang di dalam wavelet 2D, point shifting dengan 2 dimensi. 2.4.1. Wavelet Haar Wavelet Haar merupakan salah satu tipe wavelet yang paling sederhana yang


dapat diterapkan pada transformasi sinyal 1 dimensi dan transformasi pada citra (sinyal 2 dimensi), seperti pada Gambar 2.11. Transformasi pada citra atau sinyal 2-dimensi dalam mentransformasikan nilai-nilai pikselnya dapat dilakukan dengan dua cara, yaitu metode dekomposisi standar dan metode dekomposisi tidak standar [10]. Metode dekomposisi standar dilakukan dengan cara memisahkan antara baris dan kolom sehingga transformasi wavelet dilakukan dengan 1-dimensi. Transformasi dilakukan pada baris terlebih dahulu hingga nilai piksel citra yang diinginkan kemudian dilanjutkan transformasi wavelet 1-dimensi untuk setiap kolomnya. Sedangkan untuk metode dekomposisi tidak standar, dilakukan dengan cara transformasi wavelet 1dimensi untuk baris dan kolom dilakukan bergantian terus hingga mencapai nilai yang diinginkan. Penelitian ini hanya menggunakan satu filter, yaitu dekomposisi low pass filter. Koefisien wavelet Haar dekomposisi low pass filter (2.2) yaitu : [

]

Gambar 2.11. Transformasi wavelet [11].

Lo_D

Konvolusi baris dengan low pass filter

Hi_D

Konvolusi baris dengan high pass filter


2

1

Downsample kolom : ambil kolom genap

Lo_D

Konvolusi kolom dengan low pass fiter

Hi_D

Konvolusi kolom dengan high pass filter

1 2

Downsample baris : ambil baris genap

Berdasarkan algoritma piramid : ai adalah koefisien rerata hi adalah koefesien horizontal vi adalah koefesien vertical di adalah diagonal

2.5.

Konvolusi

2.5.1. Konvolusi Secara Umum Konvolusi dapat didefinisikan sebagai cara matematika untuk menggabungkan dua buah sinyal menjadi sinyal dalam bentuk lain. Konvolusi banyak digunakan dalam pengolahan citra, di antaranya untuk memperhalus citra (smoothing), menajamkan citra (crispening), mendeteksi tepi (edge detection). Jika ada dua barisan u dan h, maka hasil konvolusinya ( ), k menunjukkan suku ke-k. konvolusi dinyatakan dengan persamaan (2.3).

∑

Contoh, terdapat dua barisan berikut u = [1 3 5 7] dan h = [0 1 3] yang akan dikonvolusi. Mencari

menggunakan persamaan (2.12), sebagai contoh mencari

.

Penyelesaian secara grafis Gambar 2.12 dengan menggunakan matriks. Elemen-elemen matriks ini adalah hasil dari puncak-puncak dari baris dan kolom yang bersangkutan. Hasil konvolusi dapat dilihat setelah hasil dari perkalian dua baris tersebut dijumlahkan menurut garis-garis diagonal yang putus-putus. Sehingga, suku pertama ( ) adalah 0 dan untuk suku kedua ( ) sama dengan 3 + 3 + 0 = 6. Cara yang sama dilakukan untuk mencari suku


berikutnya ( ), setelah semuanya dihitung maka akan memperoleh hasil

= [0 1 6 14 22

21].

Gambar 2.12. Perhitungan konvolusi secara matriks. 2.5.2. Konvolusi dengan Ekstensi Sinyal Konvolusi biasa digunakan bila ada sinyal yang memiliki panjang terbatas, dan juga ujung-ujung sinyalnya diskontinu sehingga dapat menyebabkan distorsi pada ujungujung sinyal. Sehingga dapat dikatakan konvolusi adalah suatu proses untuk memperpanjang sinyal dengan cara pengulangan sinyal atau yang disebut periodisasi. Misalnya sinyal masukan uk = {u(1), u(2), … , u(M)} akan dikonvolusi dengan sinyal lain hk = {h(1), h(2), … , h(N)}, N adalah bilangan genap, dan M > N, serta m adalah N/2. Sehingga pengulangan sinyal dengan periodisasi akan menghasilkan sinyal {

}

Konvolusi sinyal yang diperpanjang

dengan sinyal

akan menghasilkan

Hasil konvolusi menghasilkan sinyal keluaran dimana panjang M + N-1 lebih besar dari pada panjang uk. Agar sinyal keluaran memiliki panjang yang sama dengan sinyal masukan, maka hanya bagian-bagian tertentu saja yang akan dipilih sebagai keluaran. Misalnya, keluaran konvolusi di atas adalah N-1, maka akan dipilih bagian-bagian tertentu dari {

={y(1), y(2), …, y(L)}, L = M + adalah [12]. }

(2.6)


2.6.

Template Matching Template matching adalah salah satu teknik dalam pengolahan citra digital yang

berfungsi untuk mencocokan tiap-tiap bagian dari suatu citra dengan citra yang menjadi template (acuan). Teknik ini banyak digunakan dalam bidang industri sebagai bagian dari quality control. Metode template matching sering digunakan untuk mengindentifikasi citra karakter huruf, angka, sidik jari (fingerprint) dan aplikasi-aplikasi pencocokan citra lainnya. Prinsip metode ini adalah membandingkan antara image objek yang akan dikenali dengan image template yang ada. Image objek yang akan dikenali, diukur tingkat kemiripannya dengan masing-masing image template. Pengecekan kemiripan dapat dilakukan menggunakan fungsi jarak ataupun korelasi. Pengenalan dilakukan dengan melihat nilai tingkat kemiripan tertinggi dari image objek tersebut [5].

2.7.

Distance (Jarak) Jarak digunakan untuk menentukan tingkat kesamaan (similarity degree) atau

ketidaksamaan (dissimilarity degree) dua vektor fitur. Tingkat kesamaan berupa suatu nilai dan berdasarkan nilai tersebut dua vektor fitur akan dikatakan mirip atau tidak. Dengan menggunakan metode jarak Euclidean dapat digunakan untuk mengukur tingkat kemiripan dua buah vektor fitur. 2.7.1

Euclidean Distance Euclidean Distance adalah metrika yang paling sering digunakan untuk

menghitung kesamaan 2 vektor. Euclidean distance menghitung akar dari kuadrat perbedaan 2 vektor. Rumus dari Euclidean distance [5]:

√∑


Contoh: Terdapat 2 vektor ciri berikut. [ [

] ]

Euclidean distance dari vektor A dan B adalah: √ √

2.8.

Basis Data Basis data adalah kumpulan informasi yang disimpan di dalam komputer secara

sistematik sehingga dapat diperiksa menggunakan suatu program komputer untuk memperoleh informasi dari basis data tersebut. Dalam penelitian ini huruf referensi diperlukan untuk proses perhitungan jarak. Pembuatan huruf referensi dengan 2 peraga, penulis mengambil 10 sampel dari huruf A sampai dengan Z. Sehingga dalam pembuatan basis data ini 260 huruf diperlukan untuk membuat huruf referensi. Untuk setiap huruf perhitungan ektraksi ciri dilakukan menggunakan wavelet haar dari 10 sampel pada setiap hurufnya. Selanjutnya perhitungan rerata atas sejumlah ektraksi ciri tersebut dilakukan. Perhitungan rerata dapat dilihat pada persamaan berikut [13]. ∑

Dengan

adalah 26 huruf yang terdiri daari huruf A sampai dengan Z. Dengan demikian,

untuk pemprosesan 26 huruf, akan didapatkan satu set huruf referensi yang terdiri atas 26 vektor yang merupakan referensi untuk huruf A sampai dengan Z.


BAB III PERANCANGAN 3.1.

Proses Pengenalan Kode Huruf Semaphore Dalam perancangan sistem software pengenalan kode huruf semaphore terdapat

beberapa proses yang harus dilakukan. Secara garis besar proses perancangan terdiri dari lima tahap yaitu proses pengambilan citra, preprocessing, ekstrasi ciri, fungsi jarak, dan penentuan keluaran. Proses perancangan kode huruf semaphore dapat dilihat pada Gambar 3.1.

Gambar 3.1. Blog diagram proses pengenalan kode huruf semaphore.

Citra yang digunakan pada tahap preprocessing berupa citra pengiriman pose kode huruf semaphore. Proses pengambilan gambarnya dilakukan dengan menggunakan webcam. Dalam tahap preprocessing, hasil gambar

berupa citra pose kode huruf

semaphore yang telah dikonversi kedalam bentuk HSV. Kemudian akan dilakukan segmentasi warna sesuai dengan warna yang telah ditentukan oleh peneliti yaitu warna 19


kuning sesuai dengan warna yang terdapat pada bendera semaphore. Selanjutnya citra akan dipotong (cropping) berdasarkan bounding box. Citra yang telah dipotong akan masuk dalam tahap berikutnya untuk dilakukan resizing agar mendapatkan ukuran yang diinginkan. Ukuran piksel yang diharapkan yaitu 64 x 64. Hasil keluaran dari resizing ini kemudian menjadi masukkan untuk tahap selanjutnya yaitu tahap pengenalan. Dalam tahap pengenalan terdapat 3 tahap yang terdiri dari ekstraksi ciri, perhitungan fungsi jarak, dan basis data citra kode huruf semaphore. Terakhir dari tahap pengenalan kode huruf semaphore yaitu tahap penentuan keluaran. Hasil dari penentuan keluaran kode huruf semaphore ditentukan berdasarkan jarak minimum yang diperoleh dari hasil perbandingan antara basis data dengan ekstraksi ciri. 3.1.1. Pengambilan Citra Kode Huruf Semaphore Tahap pengambilan citra kode huruf semaphore adalah proses mengambil gambar (capture) dengan menggunakan webcam yang akan disimpan dalam satu folder. Jarak pengambilan gambar dilakukan bervariasi dari jarak minimal 3 meter hingga jarak maksimal 5 meter dengan rentang jarak masing-masing 50 cm. Webcam akan dihubungkan ke perangkat laptop menggunakan sambungan USB 2.0 sehingga setelah pengambilan gambar dapat dikirim dan diterima langsung oleh laptop untuk diolah dengan menggunakan aplikasi Matlab, seperti yang dapat digambarkan melalui diagram alir pada Gambar 3.2. Mulai

A

Masukan: Pose Kode Huruf Semaphore

Ambil Gambar

Webcam (Aktif)

A

Keluaran: Citra Kode Huruf Semaphore

Selesai

Gambar 3.2. Diagram alir pengambilan citra.


3.1.2. Tahap Preprocessing Tahap preprocessing memiliki empat tahapan dalam prosesnya yaitu, konversi citra RGB ke HSV, segmentasi warna HSV, Cropping, dan Resizing yang dapat digambarkan dalam diagram alir pada Gambar 3.3.

Mulai

Masukan: Citra RGB Konversi citra RGB ke HSV Segmentasi warna HSV Cropping

Resizing

Keluaran: Citra Hasil Preprocessing

Selesai

Gambar 3.3. Diagram alir preprocessing citra. Tahap konversi citra RGB ke HSV dilakukan karena pada keluaran citra yang di hasilkan oleh webcam C270 memiliki format RGB. Sehingga diperlukan konversi citra diperlukan agar format citra menjadi format HSV. Sintak yang akan digunakan pada Matlab dapat dilihat di bawah ini, serta proses dalam konversi citra dapat digambarkan dalam diagram alir pada Gambar 3.4.


% RGBkeHSV untuk mengonversi RGB ke HSV function [H,S,V] = RGBkeHSV(R,G,B)

Mulai

Masukan: Citra RGB

Konversi RGB ke HSV berdasarkan nilai R, G, dan B

Keluaran: Citra HSV

Selesai

Gambar 3.4. Diagram alir konversi RGB ke HSV. Tahap segmentasi warna ini dilakukan pada ruang warna HSV untuk menentukan ruang warna yang diinginkan dan tidak diinginkan. Pemilihan warna ini dapat dikelompokkan sesuai dengan ruang warna hue, saturation, dan value. Dalam penelitian ini, peneliti hanya mengambil ruang warna hue. Hal ini didasarkan pada warna bendera semaphore memiliki warna kuning yang dapat disegmentasi dan dapat digunakan untuk proses selanjutnya. Warna kuning dipilih karena dalam suatu gambar yang diambil dengan menggunakan webcam tidak terdapat warna kuning lainnya, sehingga dapat mempermudah dalam melakukan segmentasi warna. Segmentasi warna ini hanya akan mengambil nilai warna yang memiliki rentang nilai hue berwarna kuning sesuai dengan warna pada bendera semaphore. Nilai yang digunakan berdasarkan nilai ambang warna hue yang akan dievaluasi keterangannya pada bab IV. Sintak yang akan digunakan pada Matlab dapat dilihat dibawah ini, serta diagram alir dari proses segmentasi warna HSV diperlihatkan pada Gambar 3.5. % Segmentasi Warna s3=hsv(:,:,3); s2=hsv(:,:,2); s1=hsv(:,:,1); imshow (s1)

% Ambil bagian value % Ambil bagian saturation % Ambil bagian hue (yang digunakan)


Mulai

Masukan: Citra HSV

Segmentasi warna kuning dengan menggunakan nilai ambang Hue (Bagian bendera yang berwana kuning) Keluaran: Citra hasil segmentasi warna

Selesai

Gambar 3.5. Diagram alir proses segmentasi warna HSV. Tahap cropping dilakukan untuk memotong bagian citra pada pose kode huruf semaphore yang tidak digunakan dalam proses pengenalan. Citra keluaran dari tahap segmentasi warna akan dipotong sesuai dengan bouding box yang telah disediakan. Dengan menggunakan perintah yang terdapat pada Matlab untuk memotong citra, yaitu % Cropping X1 = imcrop(‘variabel’, [x y ∆x ∆y]); Imshow(X1)

Pada sintak di atas, x dan y merupakan koordinat pada sumbu x dan y. ∆x dan ∆y merupakan selisih antara masing-masing sumbu x dan sumbu y. Kemudian „variabel‟ merupakan keluaran dari citra yang telah disegmentasi. Proses dari cropping dapat digambarkan pada Gambar 3.6.


Mulai

B

Masukan:

Keluaran: Citra hasil cropping

Citra hasil segmentasi warna

Cropping citra sesuai bouding box

Selesai

B Gambar 3.6. Diagram alir proses cropping pada citra. Tahap resizing berfungsi sebagai pengubah ukuran citra agar dapat mempermudah dalam proses selanjutnya. Dalam tahap ini, ukuran resizing yang diinginkan ialah 64 x 64, sehingga citra hasil dari cropping akan diubah ukuran pikselnya menjadi 64 x 64 dan kemudian akan masuk dalam tahap selanjutnya yaitu tahap ekstraksi ciri. Sintak yang akan digunakan pada Matlab diperlihatkan dibawah ini, serta proses resizing dapat dilihat dalam diagram alir Gambar 3.7. % Resizing X2 = imresize(‘variabel’, [64, 64]); Imshow(X2)

Mulai Masukan: Citra hasil cropping

Proses resizing ke ukuran 64 x64 piksel

C

Keluaran: Citra hasil resizing

Selesai

C Gambar 3.7. Diagram alir proses resizing pada citra.


3.1.3. Tahap Ekstrasi Ciri Tahap ekstrasi ciri adalah proses pengolahan data dari data yang banyak kemudian diekstrak menjadi data yang lebih sedikit. Hal ini bertujuan agar dapat mempermudah dalam pengolahan data yang ada. Data yang lebih sedikit telah mewakili beberapa data sebelumnya yang lebih banyak. Ekstrasi ciri yang digunakan dalam tahap pengambilan ciri pada suatu citra ini adalah wavelet. Wavelet yang digunakan adalah wavelet haar yang memiliki 4 macam filter, namun hanya 1 filter saja yang digunakan yaitu low-pass filter dekomposisi. Penelitian ini menggunakan 1 filter karena yang dicari hanya bentuk dasar dari suatu citra. Wavelet Haar menerapkan konvolusi dan low-pass filter dekomposisi secara simultan untuk mendapatkan sinyal global. Secara keseluruhan tahap ekstrasi ciri dapat digambarkan melalui diagram alir pada Gambar 3.8. D

Mulai

Konvolusi dengan wavelet haar

Masukan: Citra Hasil preprocessing

Downsampling

Desimasi = N

N=N-1

D Tidak N=0 Ya Keluaran: Hasil ekstrasi ciri Selesai

Gambar 3.8. Diagram alir ekstrasi ciri. Hasil citra dari preprocessing adalah masukan untuk proses ekstraksi ciri yang kemudian akan dikonvolusi dan dilanjutkan dengan tahap downsampling. Keluaran dari


ekstrasi ciri tergantung pada banyaknya desimasi (N) yang akan ditentukan oleh pengguna. Pada tahap ini akan terjadi pengulangan sampai menghasilkan jumlah N=0. Tahap konvolusi merupakan tahap untuk melakukan penyaringan dengan menggunakan low-pass filter dekomposisi Wavelet Haar. Proses low pass filter hanya dapat dilakukan pada bidang 1 dimensi sedangkan pada citra merupakan 2 dimensi, maka untuk menggunakan low-pass filter diperlukan adanya dua kali proses konvolusi yaitu pada konvolusi baris dan konvolusi kolom pada citra input yang dikerjakan secara bergantian, dapat digambarkan melalui diagram alir pada Gambar 3.9. Mulai

Masukan: Citra Hasil Preprocessing

Konvolusi (1D) per baris

Konvolusi (1D) per kolom Keluaran: Hasil Konvolusi (2D)

Selesai

Gambar 3.9. Diagram alir konvolusi. Tahap downsampling adalah proses pengurangan pencuplikan baris atau kolom yang diambil dari suatu citra. Downsampling biasa digunakan untuk proses kompresi data dan sebagai dekomposisi citra menjadi citra pendekatan. Downsampling pada tahap ini merupakan tahap menghilangkan baris dan kolom ganjil dengan tetap menjaga kolom baris dan kolom genap, yang dapat digambarkan melalui diagram alir pada Gambar 3.10.


Mulai

E

Masukan: Hasil konvolusi (2D)

Menghilangkan kolom ganjil

Menghilangkan baris ganjil

Keluaran: Hasil downsampling (ekstrasi ciri)

E

Selesai

Gambar 3.10. Diagram alir downsampling. 3.1.4. Tahap Fungsi Jarak Tahap fungsi jarak adalah tahap berikutnya setelah citra di ekstraksi ciri. Pada tahap ini berfungsi sebagai pembanding antara citra keluaran dari ekstraksi ciri dengan citra pose kode huruf semaphore yang berada pada basis data. Dalam tahap fungsi jarak ini menggunakan fungsi jarak Euclidean. Jarak Euclidean adalah jarak untuk mencari selisih antara data dari keluaran ekstraksi ciri dengan data yang terdapat pada basis data. Hasil yang digunakan dalam proses berikutnya adalah hasil dari perbandingan jarak yang memiliki nilai selisih paling pendek. Proses fungsi jarak dapat digambarkan melalui diagram alir pada Gambar 3.11.

Mulai

Masukan: Hasil ekstraksi ciri masukan, Ekstraksi ciri basis data Perhitungan jarak: Ekstraksi ciri data masukan dengan ekstraksi ciri basis data

F

Keluaran: Hasil perhitungan jarak

Selesai

F Gambar 3.11. Diagram alir fungsi jarak Euclidean.


3.1.5. Penentuan Keluaran Hasil pengenalan kode huruf semaphore ditentukan berdasarkan jarak minimal yang diperoleh dari hasil perbandingan antara keluaran dari ekstraksi ciri dengan basis data, dengan menggunakan fungsi jarak Euclidean. Proses ini merupakan bagian akhir dari proses pengenalan kode huruf semaphore. Proses penentuan keluaran dapat digambarkan melalui diagram alir pada Gambar 3.12. Mulai Masukan: Hasil perhitungan jarak Kode keluaran = kode yang berasosiasi dengan jarak minimal

G Keluaran: Hasil berupa teks pada layar monitor

Selesai

G Gambar 3.12. Diagram alir penentuan keluaran.

3.2.

Perancangan Basis Data Sistem pengenalan kode huruf semaphore memerlukan basis data sebagai titik

acuan. Basis data akan dibandingkan dengan citra kode huruf semaphore yang diambil dengan menggunakan webcam setelah melalui proses pengenalan citra. Perancangan basis data pada sistem ini terdiri dari 26 pose kode huruf semaphore yang mewakili huruf A sampai dengan Z dan memiliki jarak yang bervariasi dalam pengambilan gambarnya. Proses perancangan basis data dapat dilihat pada Gambar 3.13.

Gambar 3.13. Blok diagram perancangan basis data.


Perancangan basis data melibatkan 2 peraga yang masing-masing menghasilkan 5 gambar dari setiap huruf, sehingga untuk 2 peraga memiliki 10 gambar yang mewakili satu huruf. Lima gambar tersebut memiliki variasi jarak, antara 3-5 meter dengan rentang jarak masing-masing 50 cm. Sebagai contoh, terdapat 10 citra pose kode huruf semaphore yaitu huruf “A” dengan nama yang telah diinisialisasi sebagai berikut : - A1_3m

- A2_3m

- A1_3,5m

- A2_3,5m

- A1_4m

- A2_4m

- A1_4,5m

- A2_4,5m

- A1_5m

- A2_5m

Maksud dari “A1_3m” di atas ialah huruf “A1” yang diperagakan oleh peraga pertama dengan jarak 3 meter. Begitu juga pada “A2_5m” ialah huruf “A2” yang diperagakan oleh peraga kedua dengan jarak 5 meter. Sehingga dengan data yang telah diperoleh terdapat 3 variasi citra sesuai dengan desimasi yang ada, desimasi_1 : 32 x 32 piksel, desimasi_2 : 16 x 16 piksel, dan desimasi_3 : 8 x 8 piksel, penulis dapat menjabarkan dengan menggunakan matriks sesuai dengan ukuran pikselnya sebagai berikut: 

[

Perhitungan rerata untuk basis data untuk ukuran 32 x 32 piksel :

]

[

]

[

]

[

]


[

]

[

]

[

]

[



[

]



[


]

[

]

[

[

]

]

[

[

]

[

]

[

]

]


]

[

]

[

]

[

]


[

]

[

]

[

]

[

]

Elemen rerata diperoleh dari rata-rata matriks. Elemen rerata ini akan direrata kembali dengan elemen rerata dari peraga yang berbeda. Hasil akhir dianggap mewakili huruf yang dimaksud, misalnya huruf “A”. Huruf “A” ini juga dibedakan berdasarkan tiga variasi piksel. Proses ini juga berlaku untuk menentukan huruf-huruf yang lain. Tahap selanjutnya rerata basis data pada setiap ukuran piksel akan disusun dalam matriks yang nantinya akan dipergunakan dalam proses perhitungan histogram proyeksi. 

Perhitungan rerata setiap elemen rerata untuk basis data untuk ukuran 32 x 32 piksel :

[

]

[

]

[ 

]


[

] [

]

[

]





[

]

[

]

[

]

Susunan matriks untuk setiap pikselnya dapat dilihat sebagai berikut : 

Matriks hasil rerata basis data ukuran 32 x 32 piksel

[ 


[ 

]

]


[

]


Hasil dari setiap kolom pada matriks di atas adalah hasil dari histogram proyeksi yang mewakili huruf A sampai dengan Z untuk setiap kode huruf semaphore.

3.3.

Perancangan Tampilan GUI Matlab Tampilan interface pada perancangan sistem pengenalan kode huruf semaphore

menggunakan GUI (Graphical User Interface) yang terdapat pada Matlab dan bertujuan untuk membantu dalam proses pengenalan kode huruf semaphore. Alur kerja utama dalam perancangan dengan menggunakan GUI dapat digambarkan melalui diagram alir pada Gambar 3.14. Mulai

Masukan: Pengambilan pose kode huruf semaphore preprocessing Desimasi = N

Keluaran: Hasil cropping ditampilkan di GUI

Proses preprocessing

Proses Ekstraksi ciri

Keluaran: Hasil resizing ditampilkan di GUI Keluaran: Hasil ekstraksi ciri ditampilkan di GUI

Keluaran: Hasil pengenalan citra berupa teks ditampilkan di GUI

Selesai

Gambar 3.14. Diagram alir pengenalan citra pada GUI.


GUI akan menampilkan gambar yang telah diambil, variasi desimasi yang dapat diubah oleh pengguna, hasil pemotongan (cropping) dan resizing yang terdapat pada proses preprocessing, hasil ekstraksi ciri, dan hasil dari pengenalan citra yang ditampilkan dengan format huruf. Secara keseluruhan sistem tersebut dapat dilihat pada Gambar 3.15 dan dijelaskan pada Tabel 3.1.

Axes 1 Axes 2

Axes 3

Axes 5

Axes 4

Gambar 3.15. Sketsa perancangan GUI Dari Gambar 3.15, langkah pertama yang harus dilakukan oleh pengguna adalah menekan tombol “Kamera Aktif” untuk menyalakan webcam. Axes 1 akan menampilkan citra secara langsung dari webcam. Kemudia pengguna dapat menekan tombol “Ambil Gambar” citra yang ditampilkan melalui axes 1 dianggap sudah tepat. Citra yang telah diambil dengan menggunakan webcam akan diproses setelah pengguna menentukan desimasi yang akan digunakan dan menekan tombol “Proses”. Sistem akan bekerja dan akan memproses citra yang telah diperoleh dari webcam. Pada proses preprocessing terdapat axes 2 yang akan menampilkan hasil dari citra yang telah dilakukan pemotongan dan pada axes 3 akan menampilkan citra yang telah diubah ukuran pikselnya. Pada axes 4 akan menampilkan citra yang telah melalui tahap ektraksi ciri. Kemudian pada axes 5 akan menampilkan hasil akhir dari proses pengenalan kode huruf semaphore yang menampilkan teks berupa huruf. Tombol “Ulangi” berfungsi sebagai pengulangan proses pengenalan kode huruf semaphore yang akan dilakukan dari awal.


Sedangkan pada tombol “Keluar” berfungsi mengakhiri proses pengenalan dan keluar dari interface. Tabel 3.1. Keterangan GUI. Nama Bagian Tombol “Kamera Aktif” Tombol “Ambil Gambar” Pop Menu Tombol "Proses"

Keterangan Untuk menyalakan webcam Untuk mengambil gambar/citra Untuk tempat pengguna memilih variasi desimasi Untuk memulai proses pengenalan kode huruf semaphore

Axes 1 pada panel kamera

Untuk menampilkan citra secara langsung dari webcam dan citra hasil pengambilan gambar

Axes 2 pada proses Preprocessing

Untuk menampilkan citra hasil pemotongan (cropping)

Axes 3 pada proses Preprocessing

Untuk menampilkan citra hasil resizing

Axes 4 pada proses Ekstraksi Ciri

Untuk menampilkan citra hasil ekstraksi ciri

Axes 5 pada panel keluaran

Untuk menampilkan hasil akhir pengenalan kode huruf semaphore berupa teks

Tombol "Ulangi" Tombol "Keluar"

Untuk mengulangi proses pengenalan dari awal Untuk keluar mengakhiri proses dan keluar dari Interface

3.4.

Pengujian Citra Kode Huruf Semaphore

3.4.1. Pengujian Data Tidak Langsung Dalam pengujian citra kode huruf semaphore yang dilakukan secara tidak langsung, penulis terlebih dahulu mengambil data berupa gambar pose kode huruf semaphore yang terlebih dahulu diambil menggunakan webcam dan disimpan dalam sebuah folder yang telah disiapkan. Pengujian tidak langsung menggunakan 260 data yang diperoleh dari 2 orang peraga kode huruf semaphore, masing-masing peraga memperagakan 26 kode huruf semaphore untuk mewakili huruf A sampai dengan Z. Kedua peraga ini tidaklah sama dengan peraga yang datanya digunakan sebagai basis data. Dalam setiap gambar yang telah diambil dengan menggunakan webcam diberi nama agar dapat dikenali oleh program yang terdapat pada Matlab. Data yang disimpan ini kemudian


akan diproses dengan menggunakan Matlab sebagai data uji yang akan diteruskan ke proses preprocessing, ekstraksi ciri wavelet haar, dan fungsi jarak Euclidean. Data yang telah diolah akan dibandingkan dengan data yang terdapat pada basis data dan hasilnya akan ditampilkan ke layar monitor dengan format huruf melalui software Matlab. 3.4.2. Pengujian Data Secara Langsung Pengujian yang dilakukan secara langsung akan mengacu pada Gambar 3.14. Webcam akan mengambil gambar pose kode huruf semaphore setelah pengguna menekan tombol “Ambil Gambar”. Pengujian data secara langsung dilakukan oleh 2 orang peraga yang berbeda dengan peraga yang datanya digunakan sebagai basis data maupun sebagai pengujian secara tidak langsung yang masing-masing peraga akan memperagakan kode huruf semaphore dengan kombinasi jarak dan huruf. Setiap 1 orang peraga akan menghasilkan 130 data yang terdiri dari 26 data pada jarak 3 meter, 26 data pada jarak 3,5 meter, 26 data pada jarak 4 meter, 26 data pada jarak 4,5 meter, dan 26 data pada jarak 5 meter sehingga data yang akan diuji secara langsung sebanyak 260. Hasil pengambilan gambar ini dapat diubah nilai desimasinya, setelah pengguna menentukan nilai desimasi. Kemudian citra akan diteruskan ke tahap berikutnya yaitu tahap preprocessing yang akan menampilkan proses cropping dan proses resizing. Setelah tahap ini, citra hasil preprocessing akan diteruskan ke proses selanjutnya yaitu proses ekstraksi ciri yang akan menampilkan hasil wavelet haar. Kemudian tahap akhir yang akan ditampilkan adalah hasil dari proses penentuan keluaran yang menampilkan teks pada layar monitor berupa huruf.


BAB IV HASIL DAN PEMBAHASAN Bab ini akan membahas mengenai pengujian program software yang telah dirancang dan pembahasan mengenai interface dengan penjelasan sistemnya serta membahas mengenai hasil pengujian sistem program pengenalan kode huruf semaphore. Pengujian bertujuan untuk mengetahui sistem yang telah dirancang dapat berkerja dengan baik sesuai dengan perancangan.

4.1.

Pengujian Program Pengenalan Kode Huruf Semaphore Secara

Langsung Pengujian sistem program bertujuan untuk mengetahui suatu sistem dapat bekerja dengan baik sesuai dengan perancangan yang dibuat sebelumnya. Di bawah ini adalah proses untuk menjalankan program pengenalan kode huruf semaphore. 1. Membuka software Matlab dengan cara klik kiri dua kali pada gambar matlab seperti pada Gambar 4.1.

Gambar 4.1. Gambar Matlab.

2. Setelah melakukan langkah 1, akan muncul tampilan awal software Matlab seperti pada Gambar 4.2.

37


Gambar 4.2. Tampilan awal Matlab.

3. Setelah muncul tampilan utama dari matlab, langkah selanjutnya untuk menjalankan program pengenalan kode huruf semaphore dengan mengganti Current Folder (yang ditunjukkan pada angka 1) dengan Directory tempat program pengenalan disimpan seperti pada Gambar 4.3.

1

Gambar 4.3. Mengganti Current Folder. 4. Kemudian ketik “GUI” pada command window Matlab untuk memunculkan tampilan jendela pengenalan kode huruf semaphor. Klik “mulai” untuk menjalankan program. 5. Setelah program berjalan akan muncul tampilan seperti Gambar 4.4.


Gambar 4.4. Interface pada program secara langsung.

6. Gambar 4.5. memperlihatkan kondisi dalam melakukan pengujian secara langsung maupun tidak langsung.

Peraga Semaphore

Webcam Jarak

Laptop

Gambar 4.5. Kondisi pengambilan pose kode huruf semaphore.


4.2.

Penjelasan Program

4.2.1 Tombol Kamera Aktif Tombol kamera aktif memiliki fungsi untuk menghubungkan antara webcam dengan Matlab yang terdapat pada laptop dan kemudian ditampilkan ke dalam proses pengenalan kode huruf semaphore. Proses tombol kamera aktif sebagai berikut : function kameraaktif_Callback(hObject, eventdata, handles) % hObject handle to kameraaktif (see GCBO) % handles structure with handles and pengguna data (see GUIDATA) imaqhwinfo; info = imaqhwinfo('winvideo'); dev_info = imaqhwinfo('winvideo',1); vidobj = videoinput('winvideo',1,'RGB24_1280x960); vidobj.FramesPerTrigger = 1; triggerconfig(vidobj, 'manual'); vidRes = get(vidobj,'VideoResolution'); imWidth = 1280; imHeight = 960; nBands = get(vidobj,'NumberOfBands'); hImage = image(zeros(imHeight, imWidth, nBands), 'parent',handles.axes1); preview(vidobj,hImage)

Perintah imqhwininfo dijalankan sebelumnya memulai mengambil data dari video kamera untuk memastikan adapter kamera terbaca dengan baik. Program di atas secara garis besar berfungsi untuk menampilkan informasi yang akan disampaikan oleh webcam dan informasi tersebut akan diinisialisasi di dalam program agar antara webcam dengan software Matlab dapat melakukan komunikasi. Dalam proses ini yang tertampil ialah video resolusi, lebar, panjang, port webcam, dan band dari video. Setelah Handle Image diperoleh, maka perintah program preview dapat berjalan. Preview berfungsi menampilkan video pada saat kamera aktif dengan inisialisasi yang telah digunakan. 4.2.2. Tombol Ambil Gambar Tombol ambil gambar digunakan untuk mengambil gambar pose kode huruf semaphore yang akan dikenali dalam proses pengenalan pola. Program tombol ambil gambar sebagai berikut : function ambilgambar_Callback(hObject, eventdata, handles) % hObject handle to ambilgambar (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and pengguna data (see GUIDATA) imaqhwinfo; info = imaqhwinfo('winvideo'); dev_info = imaqhwinfo('winvideo',1);


vidobj = videoinput('winvideo',1,'RGB24_1280x960'); vidobj.FramesPerTrigger = 1; triggerconfig(vidobj, 'manual'); vidRes = get(vidobj,'VideoResolution'); imWidth = 1280; imHeight = 960; nBands = get(vidobj,'NumberOfBands'); hImage = image(zeros(imHeight, imWidth, nBands), 'parent',handles.axes1); start(vidobj); pause(1); trigger(vidobj); stoppreview(vidobj); gambar=getdata(vidobj); handles.gambar=gambar; guidata(hObject,handles) axes(handles.axes1);imshow(gambar)

Perintah program ambil gambar sama dengan perintah program kamera aktif. Namun terdapat penambahan program pada bagian getdata yang berfungsi untuk mengambil citra pada saat webcam dalam kondisi aktif. Citra yang telah diambil akan diinisialisasi menggunakan handles agar dapat dipanggil dalam file figure maupun file.m, yang kemudian akan ditampilkan pada axes1. 4.2.3. Pop-Up Menu Pop-up menu digunakan untuk pengguna memilih variasi desimasi yang diinginkan, pada bagian pop-up menuini terdiri dari 3 pilihan variasi desimasi, yaitu desimasi 1, desimasi 2, dan desimasi 3. Perintah program yang digunakan pada pop-up menu adalah sebagai berikut: function popupmenu_Callback(hObject, eventdata, handles) % hObject handle to popupmenu (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and pengguna data (see GUIDATA) indeks=get(handles.popupmenu,'value'); switch indeks case 2 des=1; case 3 des=2; case 4 des=3; end handles.des=des; guidata(hObject,handles);


Program di atas tertulis “des=1” maksudnya adalah desimasi akan dilakukan sebanyak 1 kali, begitu juga pada “des=2” yang maksudnya adalah desimasi akan dilakukan sebanyak 2 kali dan sama maknanya pada “des=3”. Desimasi diinisialisasikan dengan nama “des”. Agar nilai variasi desimasi ini dapat dipanggil diprogram lain, maka diubah menjadi “handles.des”. 4.2.4. Tombol Proses Tombol proses adalah tombol yang berfungsi untuk menjalankan proses pengenalan kode huruf semaphore yang tediri dari beberapa bagian program yang digabungkan mulai dari program pembanding dengan basis data, program preprocessing yang terdiri dari program konversi RGB ke HSV, program segmentasi warna, program cropping dan program resizing, program ekstraksi ciri, program jarak Euclidean dan hasil keluaran berupa teks. -

Program Pembanding Basis Data

Berfungsi untuk membandingkan data sesuai dengan desimasi yang dipilih oleh pengguna pada proses pop-up menu. %DATABASE % PopUpMenu des=handles.des; if (des==1) loaddb64d1 elseif (des==2) loaddb64d2 elseif (des==3) loaddb64d3 end

Program di atas berfungsi untuk mengeluarkan data yang terdapat pada basis data yang akan dibandingkan dengan program perhitungan jarak. Ketika pengguna memilih desimasi 1 pada proses pop-up menu, maka data tersebut akan dibandingkan dengan data yang berada pada “db64d1” begitu juga apabila pengguna memilih desimasi yang lainnya. -

Program Konversi RGB ke HSV

Program ini berfungsi untuk mengubah gambar RGB ke gambar HSV dengan perintah program sebagai berikut : %PROSES KONVERSI HSV x=handles.gambar; x1=rgb2hsv(x);


Program tertulis “handles.gambar” maksudnya dalam proses konversi ini dapat memanggil gambar yang telah diambil dengan webcam yang terdapat pada perintah program “ambil gambar” sebelumnya. Contoh program konversi HSV citra dapat dilihat pada Gambar 4.6.

(a)

(b) Gambar 4.6. Konversi citra RGB ke HSV (a) Citra masukkan (RGB); (b) citra hasil konversi dalam bentuk hue, saturation dan value.


-

Program Segmentasi Warna

Program ini berfungsi mengambil bagian warna hue yang diperlukan sesuai dengan warna kuning yang terdapat pada bendera semaphore dan menghilangkan warna-warna yang tidak diperlukan. % Segmentasi bagian depan (foreground) hsv=x1(:,:,2); % Ambil bagian saturation depan=hsv>0.45; % Original: 0.45 % -------------------------------------------------------% Segmentasi kuning x2=x1(:,:,1); % Ambil bagian hue x3=x2*360; % Setting nilai hue maks 360 th1=x3>35; % Original: 35 th2=x3<50; % Original: 50 kuning=and(th1,th2);

Pada program di atas, segmentasi bagian depan dilakukan terlebih dahulu dengan cara mengambil nilai saturation yang tertulis pada program “HSV=x1(:,:,2);”. Dapat dijelaskan bahwa “x1” adalah hasil gambar yang telah dikonversi menjadi citra HSV. Program dari “hsv” adalah gambar yang berisikan nilai saturation. Kemudian terdapat “depan=hsv>0.45;” depan adalah hasil dari nilai saturation yang nilainya lebih dari 0,45. Nilai ambang saturation ini diperoleh dari percobaan yang dilakukan penulis pada saat pengambilan data. Nilai ini perlu diketahui agar dapat membantu program dalam menangani segmentasi warna khususnya berhubungan dengan kecerahan pada warna yang ditentukan. Gambar 4.7. sebagai contoh program segmentasi bagian depan untuk memperoleh nilai saturation yang terdapat pada citra.

(a)

(b)

Gambar 4.7. Contoh proses ambil nilai saturation; (a) mengambil nilai saturation dari citra HSV; (b) ambil nilai saturation yang memiliki nilai lebih dari 0.45


Segmentasi kuning “x2” berisikan gambar yang berisikan nilai hue dari hasil gambar x1. Dari Gambar 4.7, bagian (a) dikalikan dengan 360 karena ruang warna hue terdiri dari 0 – 360. Terdapat “th1” dan “th2” “kuning” adalah program untuk menggabungkan “th1” dan “th2”.

(a)

(b)

(d)

(c)

(e) Gambar 4.8. Contoh proses segmentasi kuning; (a) mengambil nilai hue pada citra; (b) pengaturan nilai hue maksimal; (c) mengambil nilai hue dengan nilai lebih besar dari 35 pada citra; (d) mengambil nilai hue dengan nilai kurang dari 50 pada citra; (e) menggambungkan proses (c) dan (d) untuk memperoleh warna kuning.


Gambar 4.8. sebagai contoh program segmentasi warna kuning dengan cara mengambil nilai hue yang memiliki nilai ambang 35 – 50. Nilai ambang ini diperoleh dari Gambar 2.10, warna kuning pada semaphore memiliki rentang nilai 35 – 50. Segmentasi citra bendera berwarna kuning adalah gabungan dari hasil segmentasi bagian depan yaitu “depan” yang digabungkan dengan hasil segmentasi kuning yaitu “kuning”. Proses “bkuning1=bwareaopen(bkuning,2000)” sebagai proses “bwareaopen” untuk mengetahui daerah mana yang termasuk objek dan foreground dari citra secara jelas. Nilai “2000” adalah memisahkan objek yang diperlukan pada citra yang memiliki daerah warna kuning sesuai luasan piksel sebesar 2000. Contoh proses segmentasi citra bendera berwarna kuning dapat diperlihatkan pada Gambar 4.9.

(a)

(b)

Gambar 4.9. Contoh proses segmentasi citra bendera berwarna kuning; (a) penggabungan dari proses “depan” dengan “kuning”; (b) memilih daerah yang berwarna kuning sesuai luasan piksel yang diinginkan pada citra. -

Program Potong Gambar

Program ini berfungsi memotong gambar sehingga bagian yang tidak diperlukan dapat dihilangkan. % Potong Gambar axes(handles.axes2); if sum(sum(bkuning1))>0 % Potong kiri cout=bkuning1; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Potong kanan cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[];

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 47 % Potong atas cout=cout'; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Potong bawah cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Penyesuaian orientasi cout=cout'; cout=flipud(cout); cout=fliplr(cout); else cout=bkuning1; end imshow (cout) axison

(a)

(b)

(d)

(c)

Gambar 4.10. Proses pemotongan citra; (a) hasil potong kiri; (b) hasil potong kanan setelah putar 1800 ; (c) hasil potong atas setelah diputar -900; (d) hasil potong bawah setelah diputar 900.


Gambar 4.10, memperlihatkan proses pemotongan citra. Proses pemotongan gambar ini akan ditampilkan pada axes 2 setelah proses dijalankan keseluruhan. Pada proses ini, gambar yang digunakan adalah citra “bbkuning” yang akan dipotong secara bertahap dengan cara memutar keseluruhan citra dan kemudian dipotong pada bagian kiri dari citra secara bertahap. -

Program Resizing 64x64

Program ini berfungsi untuk menyesuaikan ukuran gambar yang telah dipotong sebelumnya sehingga memiliki ukuran piksel yang sama. %Resizing 64x64 axes(handles.axes3); x10=imresize(cout,[64 64]); imshow(x10)

Program di atas menggunakan perintah “imresize” yang berfungsi mengubah ukuran citra. Resizing dapat berdampak memperbesar ataupun memperkecil ukuran citra. Pada program ini ukuran yang diperlukan adalah 64 x 64 piksel. Gambar 4.11. menunjukkan citra yang telah dipotong untuk selanjutkan diproses pada proses resizing.

(a)

(b)

Gambar 4.11. Proses resizing pada citra masukkan; (a) citra yang telah dipotong; (b) citra yang telah diresizing ke piksel 64 x 64. -

Program Ekstraksi Ciri

Program ini berfungsi untuk memproses data yang banyak kemudian diekstrak menjadi data yang lebih sedikit namun dari data yang lebih sedikit tersebut telah mewakili data sebelumnya yang lebih banyak.


% Dekomposisi wavelet axes(handles.axes4); x11=xcwv(x10,des); x12=x11(:); imshow(x11) axison % --------------------------------------------------------

Terdapat fungsi program “xcwv” untuk memanggil fungsi ekstraksi ciri, dalam fungsi tersebut menggunakan ekstraksi ciri wavelet haar. Masukan dari ekstraksi ciri adalah hasil dari proses resizing yang berasal dari citra masukkan. Terdapat “des” yang memiliki nilai desimasi yang telah ditentukan oleh pengguna dari pop-up menu. List program “x12” berfungsi untuk membuat data yang terdiri dari beberapa kolom menjadi hanya satu kolom, sebagai contoh data 32x32 diubah menjadi 1x1024. Keluaran dari fungsi “xcwv” adalah x11 merupakan hasil dari ekstraksi ciri wavelet haar. Hasil dari list x11 ini akan ditampilkan pada axes4 pada GUI. -

Program Fungsi Jarak Euclidean

Program ini berfungsi sebagai pembanding antara hasil dari ekstraksi ciri dengan basis data yang telah disediakan. % Fungsi Jarak for n=1:26 r(n)=jarak(x12,z(:,n)); end minr=min(r)

Perintah program jarak adalah untuk memanggil fungsi jarak Euclidean yang akan membandingkan antara hasil keluaran dari ekstraksi ciri yaitu “x12” dengan hasil dari basis data yaitu “z”. Sehingga “minr” merupakan hasil dari nilai terkecil dari hasil perhitungan jarak. Nilai terkecil yang diperoleh akan dinyatakan sebagai keluaran dari sistem pengenalan kode huruf semaphore. -

Program Keluaran

Program ini berfungsi sebagai penampil hasil pengenalan kode huruf semaphore berupa teks. %Keluaran Teks if(minr==r(1)) z1={'A'} set(handles.text1,'string',z1); elseif(minr==r(2)) z2={'B'} set(handles.text1,'string',z2);


elseif(minr==r(3)) z3={'C'} set(handles.text1,'string',z3); elseif(minr==r(4)) z4={'D'} set(handles.text1,'string',z4); elseif(minr==r(5)) z5={'E'} set(handles.text1,'string',z5); elseif(minr==r(6)) z6={'F'} set(handles.text1,'string',z6); elseif(minr==r(7)) z7={'G'} set(handles.text1,'string',z7); elseif(minr==r(8)) z8={'H'} set(handles.text1,'string',z8); elseif(minr==r(9)) z9={'I'} set(handles.text1,'string',z9); elseif(minr==r(10)) z10={'J'} set(handles.text1,'string',z10); elseif(minr==r(11)) z11={'K'} set(handles.text1,'string',z11); elseif(minr==r(12)) z12={'L'} set(handles.text1,'string',z12); elseif(minr==r(13)) z13={'M'} set(handles.text1,'string',z13); elseif(minr==r(14)) z14={'N'} set(handles.text1,'string',z14); elseif(minr==r(15)) z15={'O'} set(handles.text1,'string',z15); elseif(minr==r(16)) z16={'P'} set(handles.text1,'string',z16); elseif(minr==r(17)) z17={'Q'} set(handles.text1,'string',z17); elseif(minr==r(18)) z18={'R'} set(handles.text1,'string',z18); elseif(minr==r(19)) z19={'S'} set(handles.text1,'string',z19); elseif(minr==r(20)) z20={'T'} set(handles.text1,'string',z20); elseif(minr==r(21)) z21={'U'} set(handles.text1,'string',z21); elseif(minr==r(22)) z22={'V'} set(handles.text1,'string',z22);


elseif(minr==r(23)) z23={'W'} set(handles.text1,'string',z23); elseif(minr==r(24)) z24={'X'} set(handles.text1,'string',z24); elseif(minr==r(25)) z25={'Y'} set(handles.text1,'string',z25); elseif(minr==r(26)) z26={'Z'} set(handles.text1,'string',z26); end

Program di atas adalah program untuk menampilkan hasil pengenalan kode huruf semaphore berupa teks. Terdapat 26 pengenalan kode huruf semaphore yang mewakili A sampai dengan Z. Program “(minr==r(1))” sampai dengan “(minr==r(26))” sebagai keluaran dari perhitungan jarak, dengan jarak terkecil yang akan ditampilkan. 4.2.5. Tombol Reset Tombol “Reset” berfungsi sebagai mengembalikan program ke tampilan awal apabila pengguna melakukan kesalahan atau terjadi error pada saat proses pengenalan berlangsung. Program pada tombol “Reset” dapat diperlihatkan di bawah ini : function reset_Callback(hObject, eventdata, handles) % hObject handle to reset (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and pengguna data (see GUIDATA) axes(handles.axes1) plot(0); axes(handles.axes2) plot(0); axes(handles.axes3) plot(0); axes(handles.axes4) plot(0); set(handles.popupmenu,'value',1); set(handles.text1,'string','')

4.2.6. Tombol Keluar Tombol “Keluar” berfungsi sebagai menutup atau mengakhiri program atau tampilan pada GUI pengenalan kode huruf semaphore. Program dapat diperlihatkan sebagai berikut : function keluar_Callback(hObject, eventdata, handles) % hObject handle to keluar (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and pengguna data (see GUIDATA) close


4.3.

Hasil Pengujian dan Analisis Pengenalan Kode Huruf Semaphore Pengujian pengenalan kode huruf semaphore dilakukan dengan menggunakan dua

cara yang berbeda yaitu secara tidak langsung dan secara langsung. Pengujian secara langsung dan tidak langsung dilakukan dengan pengubahan parameter uji yang meliputi variasi desimasi yang terdiri dari 3 variasi desimasi dengan nilai desimasi_1 : 32 x 32, desimasi_2 : 16 x 16, dan desimasi _3 : 8 x 8. Serta menggunakan variasi jarak dengan jarak yang digunakan antara lain 3 meter, 3,5 meter, 4 meter, 4,5 meter, dan 5 meter. Pengujian secara tidak langsung dilakukan dengan mengambil gambar pose kode huruf semaphore yang akan diperagakan oleh 2 orang peraga yang berbeda. Setiap orang akan meragakan pose kode huruf semaphore dengan menggunakan 5 variasi jarak yang berbeda. Dari setiap pose akan diambil gambar dan nantinya akan disimpan dan diproses serta akan dibandingkan dengan basis data yang telah disiapkan sebelumnya. Dalam pengujian tidak langsung data yang diperoleh untuk masing-masing peraga adalah 130 data. Sehingga data yang diperoleh dari 2 orang peraga adalah 260 data. Pengujian secara langsung akan dilakukan oleh 2 orang peraga yang berbeda dari pengujian tidak langsung. Dalam pengujian ini peraga akan langsung diambil gambar dan diproses dengan menggunakan GUI yang telah dipersiapkan. Pengujian langsung menggunakan 5 variasi jarak serta 3 variasi desimasi yang berbeda. Dari pengujian langsung akan diperoleh 650 data yang dihasilkan dari setiap peraga. Data diperoleh lebih banyak dari data yang dilakukan secara tidak langsung karena dalam pengujian langsung peraga mengirimkan kode huruf semaphore sebanyak 5 kali pengulangan. 4.3.1. Pengujian Pengenalan Kode Huruf Semaphore Secara Tidak Langsung Pengujian pengenalan kode huruf semaphore secara tidak langsung menggunakan gambar pose semaphore berjumlah 260 gambar, gambar ini sebagai data yang akan dilakukan

proses

pengenalan

kode

huruf

semaphore.

Masing-masing

peraga

memperagakan huruf semaphore dari A sampai Z dengan variasi jarak yaitu 3 meter, 3,5 meter, 4 meter, 4,5 meter, dan 5 meter. Dari setiap jarak yang diperagakan menghasilkan 26 gambar, sehingga gambar yang diperoleh dari 1 peraga adalah 130 gambar. Pengujian secara tidak langsung dilakukan dengan pengubahan parameter uji yang meliputi variasi


desimasi dan variasi jarak. Tujuan dari pengujian secara tidak langsung adalah untuk mengetahui tingkat pengenalan terbaik dari variasi desimasi dan variasi jarak serta mengetahui pengaruh jarak antara webcam dengan pengirim kode huruf semaphore. Tahap pertama dalam melakukan pengujian secara tidak langsung adalah memberi nama pada setiap gambar yang diperoleh dari setiap peraga. Kemudian menentukan nilai variasi desimasi yang akan digunakan. Hasil dari pengenalan kode huruf semaphore secara tidak langsung dapat diketahui dengan memproses 26 gambar yang terdiri dari gambar A-Z secara bersamaan.

Tingkat Pengenalan (%)

Presentase Tingkat Pengenalan Terhadap Jarak 105 100 95 90

DESIMASI 1

85

DESIMASI 2

80

DESIMASI 3

75 3

3,5

4

4,5

5

Variasi Jarak (m)

Gambar 4.12. Grafik Tingkat Pengenalan secara tidak langsung. Gambar 4.12. memperlihatkan hasil dari tingkat pengenalan kode huruf semaphore yang diperoleh dari pengujian secara tidak langsung. Terdapat 3 warna berbeda di dalam Gambar 4.12. tersebut, warna biru mewakili hasil dari pengaruh desimasi 1 terhadap variasi jarak. Warna merah mewakili hasil dari pengaruh desimasi 2 terhadap variasi jarak dan warna hijau mewakili hasil dari pengaruh desimasi 3 terhadapat variasi jarak. Pengaruh variasi desimasi dapat diketahui dari Gambar 4.12. Terlihat bahwa pada desimasi 1 memperoleh tingkat pengenalan sebesar 98%, untuk desimasi 2 memperoleh tingkat pengenalan sebesar 96% dan desimasi 3 memperoleh tingkat pengenalan sebesar 91%. Variasi desimasi yang dipilih oleh pengguna akan mempengaruhi tingkat pengenalan kode huruf semaphore karena pada desimasi 1 data akan diproses sebanyak 1 kali. Apabila pengguna memilih desimasi 2, maka data akan diproses sebanyak 2 kali pengulangan. Begitu juga ketika memilih desimasi 3, maka data akan diproses sebanyak 3 kali. Semakin


besarnya nilai desimasi, maka proses pengulangan konvolusi dan downsampling akan dilakukan sebanyak yang diinginkan oleh pengguna. Hal ini akan mengakibatkan gambar masukan menjadi blur (kabur) dan mempengaruhi tingkat pengenalan yang semakin rendah. Terdapat pengaruh variasi jarak terhadap tingkat pengenalan kode huruf semaphore. Pengujian yang dilakukan secara tidak langsung menggunakan 5 variasi jarak. Dari Gambar 4.12. terlihat bahwa pada jarak 3 meter tingkat pengenalan yang diperoleh adalah 94%, jarak 3,5 meter tingkat pengenalan yang diperoleh adalah 99%, untuk jarak 4 meter tingkat pengenalan yang diperoleh adalah 97%, jarak 4,5 meter tingkat pengenalan yang diperoleh adalah 93%, dan pada jarak 5 meter tingkat pengenalan yang diperoleh adalah 94%. Variasi jarak akan mempengaruhi tingkat pengenalan kode huruf semaphore secara signifikan. Pengaruh dari variasi jarak tersebut dikarenakan pada jarak terdekat, peraga berada terlalu dekat dengan webcam sehingga tidak semua dari bagian semaphore dapat diambil gambar. Ketika peraga berada terlalu jauh, maka webcam tidak dapat mengambil gambar dengan baik karena keterbatasan spesifikasi dari webcam yaitu kualitas foto yang hanya memiliki resolusi sampai dengan 3 megapixels dan webcam

yang digunakan

memiliki tipe fokus yang tetap. Dari data yang telah diperoleh, penulis dapat menarik kesimpulan bahwa desimasi 1 memiliki persentase tingkat pengenalan terbaik yaitu 98 %. Untuk variasi jarak tingkat pengenalan terbaik adalah pada jarak 3,5 meter yang memiliki persentase tingkat pengenalan sebesar 99% , jarak ini dianggap paling ideal untuk melakukan pengiriman kode huruf semaphore. 4.3.2. Pengujian Pengenalan Kode Huruf Semaphore Secara Langsung Pengujian secara langsung dilakukan untuk mengetahui pengaruh variasi desimasi dan variasi jarak terhadap tingkat keberhasilan pengenalan kode huruf semaphore serta dapat mengetahui nilai desimasi dan jarak yang memiliki tingkat keberhasilan yang optimal. Dalam pengujian secara langsung data masukan diperoleh dari peraga yang melakukan pengiriman kode huruf semaphore. Ketika peraga melakukan pose dengan menggunakan semaphore, maka webcam akan mengambil gambar pose peraga yang


kemudian akan diproses dan hasil dari proses tersebut ditampilkan sebagai keluaran berupa teks. Dalam pengujian secara langsung data diperoleh dengan menggunakan 2 peraga yang berbeda. Peraga akan memperagakan pose kode huruf semaphore dengan 5 variasi jarak yaitu 3 meter, 3,5 meter, 4 meter, 4,5 meter, dan 5 meter serta 3 variasi desimasi. Data pada setiap pose yang dilakukan akan diubah variasi desimasinya untuk mengetahui hasil dari pengaruh desimasi tersebut. Setiap peraga akan memperagakan pose kode huruf semaphore sebanyak 5 kali, hal ini dilakukan agar dalam menentukan tingkat pengenalan desimasi dan jarak lebih akurat. Data yang diperoleh akan dicerminkan dalam metode koefesien matriks yang terdapat pada lampiran. Tabel 4.1. Citra hasil desimasi & jarak Desimasi

3 meter

3,5 meter

Jarak 4 meter

4,5 meter

5 meter

1

2

3

Tabel 4.1. menunjukkan contoh hasil pengenalan kode huruf semaphore dengan berbagai macam variasi desimasi dan variasi jarak. Dari gambar tersebut dapat dilihat bahwa semakin besar nilai variasi desimasi, maka tingkat piksel pada gambar semakin kecil yang menyebabkan gambar menjadi pecah sehingga tingkat pengenalannya juga akan semakin rendah. Semakin jauh jarak yang digunakan, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin besar nilai variasi desimasi, maka desimasi tersebut mengalami pengulangan proses konvolusi dan downsampling sebanyak yang diinginkan pengguna, proses ini mengakibatkan gambar masukkan menjadi semakin blur (kabur) sehingga tingkat pengenalannya akan semakin rendah.


Tahap pertama dalam melakukan pengujian secara langsung adalah mengambil gambar seorang peraga yang melakukan pose kode huruf semaphore dengan menggunakan webcam secara langsung dengan bantuan GUI. Kemudian pengguna dapat menentukan nilai desimasi yang diinginkan dan menekan tombol “Proses” untuk mengetahui hasil dari pengenalan kode huruf semaphore.

Tingkat Pengenalan (%)

Presentase Tingkat Pengenalan Terhadap Jarak 97 96 95 94 93 92 91

DESIMASI 1 DESIMASI 2 DESIMASI 3 3

3,5

4

4,5

5

Variasi Jarak (m)

Gambar 4.13. Grafik Tingkat Pengenalan secara langsung. Dari pengujian secara langsung, dapat diperoleh nilai variasi desimasi dan variasi jarak yang memiliki tingkat pengenalan yang terbaik dengan cara mencari rerata dari setiap variasi desimasi untuk memperoleh desimasi yang memiliki tingkat pengenalan pola yang terbaik. Untuk mencari nilai rerata dari setiap variasi jarak untuk memperoleh jarak yang memiliki tingkat pengenalan pola yang terbaik. Hasil dari rerata variasi desimasi dan variasi jarak yang memiliki tingkat pengenalan yang terbaik dapat diperlihatkan pada Gambar 4.13. Terdapat 3 warna berbeda di dalam Gambar 4.13. tersebut, warna biru mewakili hasil dari pengaruh desimasi 1 terhadap variasi jarak. Warna merah mewakili hasil dari pengaruh desimasi 2 terhadap variasi jarak dan warna hijau mewakili hasil dari pengaruh desimasi 3 terhadapat variasi jarak. Pengaruh variasi desimasi dapat diketahui dari Gambar 4.13, terlihat bahwa pada desimasi 1 memperoleh tingkat pengenalan sebesar 95%, untuk desimasi 2 memperoleh tingkat pengenalan sebesar 94% dan desimasi 3 memperoleh tingkat pengenalan sebesar 94%. Variasi desimasi yang dipilih oleh pengguna akan mempengaruhi tingkat pengenalan kode huruf semaphore karena pada desimasi 1 data akan diproses sebanyak 1 kali. Apabila


pengguna memilih desimasi 2, maka data akan diproses sebanyak 2 kali pengulangan. Begitu juga ketika memilih desimasi 3, maka data akan diproses sebanyak 3 kali. Semakin besar nilai variasi desimasi, maka tingkat pengenalan pola akan semakin rendah, karena semakin besar nilai desimasi yang dipilih akan membuat proses pengulangan konvolusi dan downsampling akan semakin banyak sesuai dengan variasi desimasi yang dipilih oleh pengguna. Hal ini akan mengakibatkan gambar menjadi blur (kabur) dan mempengaruhi tingkat pengenalan yang semakin rendah. Pengaruh variasi jarak terhadap tingkat pengenalan kode huruf semaphore. Pengujian yang dilakukan secara tidak langasung menggunakan 5 variasi jarak. dari Gambar 4.13. terlihat bahwa pada jarak 3 meter tingkat pengenalan yang diperoleh adalah 95%, jarak 3,5 meter tingkat pengenalan yang diperoleh adalah 96%, untuk jarak 4 meter tingkat pengenalan yang diperoleh adalah 95%, jarak 4,5 meter tingkat pengenalan yang diperoleh adalah 95%, dan pada jarak 5 meter tingkat pengenalan yang diperoleh adalah 93%. Hasil dari pengenalan pola dengan menggunakan variasi jarak dipengaruhi oleh jauhnya jarak antara webcam dengan peraga kode huruf semaphore. Pada jarak terpendek webcam tidak dapat mengambil keseluruhan dari bendera semaphore. Namun ketika peraga berada terlalu jauh, maka webcam tidak dapat mengambil gambar dengan baik karena keterbatasan spesifikasi dari webcam yaitu kualitas foto yang hanya memiliki resolusi sampai dengan 3 megapixels dan webcam yang digunakan memiliki tipe fokus yang tetap. Dari Gambar 4.13. penulis dapat menyimpulkan bahwa adanya pengenalan kode huruf semaphore yang lebih baik pada variasi desimasi dapat dilihat dari hasil persentase tingkat pengenalan mencapai 95% untuk desimasi 1. Dapat dinyatakan bahwa desimasi 1 memiliki tingkat pengenalan pola yang terbaik dari antara variasi desimasi yang lainnya. Pada variasi jarak dapat dilihat dari hasil persentase tingkat pengenalan mencapai 96% untuk jarak terbaik adalah 3,5 meter. Jarak 3,5 meter adalah jarak yang ideal dalam melakukan pengenalan kode huruf semaphore dengan menggunakan webcam C270.


BAB V KESIMPULAN DAN SARAN

5.1.

Kesimpulan Berdasarkan hasil percobaan dan pengujian sistem pengenalan kode huruf

semaphore secara langsung dan tidak langsung dapat disimpulkan sebagai berikut: 1. Sistem pengenalan kode huruf semaphore secara langsung dan tidak langsung dengan menggunakan ekstraksi ciri wavelet dan fungsi jarak Euclidean dapat berjalan dengan baik dan sesuai dengan yang telah diharapkan. 2. Berdasarkan pengujian secara tidak langsung yang telah dilakukan, dengan jarak terjauh 5 meter dihasilkan tingkat pengenalan sebesar 94%. Hasil ini diperoleh menggunakan desimasi 1 yang memberikan ekstraksi ciri 32x32 piksel. 3. Berdasarkan pengujian secara langsung yang telah dilakukan, dengan jarak terjauh 5 meter dihasilkan tingkat pengenalan sebesar 93%. Hasil ini diperoleh menggunakan desimasi 1 yang memberikan ekstraksi ciri 32x32 piksel.

5.2.

Saran Saran yang diberikan untuk mengembangkan sistem pengenalan kode huruf

semaphore adalah : 1. Pengembangan dapat dilakukan dari segi percobaan dengan jarak yang lebih jauh dengan menggunakan webcam yang memiliki spesifikasi yang lebih tinggi dari yang sebelumnya. 2. Pengembangan

dapat ditingkatkan pada pembentukan basis data dengan

menggunakan lebih banyak gambar dengan peraga yang berbeda untuk dijadikan basis data.

58


DAFTAR PUSTAKA [1]

Anggara, M.S., 2013, Penemu Semaphore, http://sudutbuku.blogspot.co.id/2012/03/ penemu-semaphore.html, diakses 15 September 2016.

[2]

Putra, Agfianto E., ---, Analisis sinyal menggunakan wavelet, http://agfi.staff.ugm.ac .id/blog/index.php/2008/12/analisis-sinyal-menggunakan-wavelet-pendahuluan/, diakses 15 September 2016.

[3]

Rachmad, Aeri & Fuad, Muhammad., 2015, Geometry Algorithm On Skeleton Image Based Semaphore Gesture Recognition, Universitas Of Trunojoyo Madura, Indonesia.

[4]

Logitech,---,

HD

Webcam

C270,

http://www.logitech.com/en-gb/product/hd-

webcam-c270, diakses 15 September 2016. [5]

Putra, Darma, 2010, Pengolahan Citra Digital,Yogyakarta, Andi Offset.

[6]

Kadir, Abdul., Susanto, Adhi., 2013, Teori dan Aplikasi Pengolahan Citra, Andi, Yogyakarta.

[7]

Alexandra., ---, Prinsip Kerja Warna CMYK, http://blog.ub.ac.id/frengky/category/ news/, diakses 29 September 2016.

[8]

Kalan., 2007, Hue Scale, https://commons.wikimedia.org/wiki/File:HueScale.svg, diakses 28 September 2016.

[12] Nugroho, I.A., 2015, Pengenalan Secara Real Time Rambu Lalu Lintas Peringatan Menggunakan Ekstraksi Ciri Wavelet Haar dan Fungsi Jarak Chi Square, Tugas Akhir, Jurusan Teknik Elektro, FST, Universitas Sanata Dharma Yogyakarta. [10] Sutarno, 2010, Analisis Perbandingan Transformasi Wavelet pada Pengenalan Citra Wajah, Fakultas Ilmu Komputer, Universitas Sriwijaya. [11] Matlab, ---, Wavedec2, https://www.mathworks.com/help/wavelet/ref/wavedec2 .html, diakses 28 September 2016. [12] Sumarno, Linggo., 2013, Segmentasi Kata Tulisan Tangan Menggunakan Jendela Blackman, SNATI, 10th, hal J-30 – J-35. [13] Sumarno, Linggo., 2013, Pengenalan Nada Pianika Menggunakan Jendela Segitiga, DCT, Dan Fungsi Jarak Euclidean, Seminar Nasional, 8th, hal E-23.

59


LAMPIRAN

60

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI L-1

LAMPIRAN 1 ALUR PROSES PENGENALAN KODE HURUF SEMAPHORE Mulai

Masukan: Citra RGB

(Pose huruf A) Konversi citra RGB ke HSV

Segmentasi warna kuning HSV

A


A

Cropping

Resizing

Konvolusi dengan wavelet haar

B


B

Downsampling

Downsampling Baris Keluaran: Hasil downsampling (ekstrasi ciri)

(Desimasi 1)

(Desimasi 2) C

Downsampling Kolom


C

(Desimasi 3) Masukan: Hasil perhitungan jarak

Keluaran: Hasil berupa teks pada layar monitor

A (Keluaran dari proses pengenalan pola) Selesai


1. Proses Preprocessing

Citra Masukkan

Hasil Konversi HSV

Hasil Cropping

Hasil Segmentasi Warna Kuning

Hasil Resizing


2. Konvolusi dan Downsampling

Hasil Resizing

Hasil Konvolusi

Konvolusi Baris

Downsampling Baris

Konvolusi Kolom

Downsampling Kolom


3. Proses Ektraksi Ciri

Hasil Resizing

Hasil Ekstraksi Ciri (desimasi 1)


Hasil Konvolusi

Hasil Downsampling



LAMPIRAN 2 LISTING PROGRAM

LISTING PROGRAM SECARA LANGSUNG function varargout = untitled(varargin) % UNTITLED M-file for untitled.fig % UNTITLED, by itself, creates a new UNTITLED or raises the existing % singleton*. % % H = UNTITLED returns the handle to a new UNTITLED or the handle to % the existing singleton*. % % UNTITLED('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in UNTITLED.M with the given input arguments. % % UNTITLED('Property','Value',...) creates a new UNTITLED or raises the % existing singleton*. Starting from the left, property value pairs are % applied to the GUI before untitled_OpeningFcn gets called. An % unrecognized property name or invalid value makes property application % stop. All inputs are passed to untitled_OpeningFcn via varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES % Edit the above text to modify the response to help untitled % Last Modified by GUIDE v2.5 01-Dec-2016 11:27:15 % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @untitled_OpeningFcn, ... 'gui_OutputFcn', @untitled_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 untitled is made visible. function untitled_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to untitled (see VARARGIN) % Choose default command line output for untitled handles.output = hObject; % Update handles structure guidata(hObject, handles); % UIWAIT makes untitled wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = untitled_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure varargout{1} = handles.output; % ======================================================== % --- Executes on button press in kameraaktif. function kameraaktif_Callback(hObject, eventdata, handles) % hObject handle to kameraaktif (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) imaqhwinfo; info = imaqhwinfo('winvideo'); dev_info = imaqhwinfo('winvideo',1); vidobj = videoinput('winvideo',2,'RGB24_1280x960'); vidobj.FramesPerTrigger = 1; triggerconfig(vidobj, 'manual'); vidRes = get(vidobj,'VideoResolution'); imWidth = 1280; imHeight = 960; nBands = get(vidobj,'NumberOfBands'); hImage = image(zeros(imHeight, imWidth, nBands), 'parent',handles.axes1); preview(vidobj,hImage) % ========================================================


% ======================================================== % --- Executes on button press in ambilgambar. function ambilgambar_Callback(hObject, eventdata, handles) % hObject handle to ambilgambar (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) imaqhwinfo; info = imaqhwinfo('winvideo'); dev_info = imaqhwinfo('winvideo',1); vidobj = videoinput('winvideo',2,'RGB24_1280x960'); vidobj.FramesPerTrigger = 1; triggerconfig(vidobj, 'manual'); vidRes = get(vidobj,'VideoResolution'); imWidth = 1280; imHeight = 960; nBands = get(vidobj,'NumberOfBands'); hImage = image(zeros(imHeight, imWidth, nBands), 'parent',handles.axes1); start(vidobj); pause(1); trigger(vidobj); stoppreview(vidobj); gambar=getdata(vidobj); handles.gambar=gambar; guidata(hObject,handles) axes(handles.axes1); imshow(gambar) % ======================================================== % ======================================================== % --- Executes on button press in proses. function proses_Callback(hObject, eventdata, handles) % hObject handle to proses (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) %DATABASE % PopUpMenu des=handles.des; if (des==1) load db64d1 elseif (des==2) load db64d2 elseif (des==3) load db64d3 end % -------------------------------------------------------%PROSES KONVERSI HSV x=handles.gambar; x1=rgb2hsv(x); % -------------------------------------------------------% -------------------------------------------------------% Segmentasi bagian depan (foreground) hsv=x1(:,:,2); % Ambil bagian saturation


depan=hsv>0.45; % Original: 0.45 % -------------------------------------------------------% -------------------------------------------------------% Segmentasi kuning x2=x1(:,:,1); % Ambil bagian hue x3=x2*360; % Setting nilai hue maks 360 th1=x3>35; % Original: 35 th2=x3<50; % Original: 50 kuning=and(th1,th2); % -------------------------------------------------------% -------------------------------------------------------% Segmentasi citra bendera berwarna kuning bkuning=and(depan,kuning); bkuning1=bwareaopen(bkuning,2000); % Menghilangkan objek yang kecil % -------------------------------------------------------% -------------------------------------------------------% Potong Gambar axes(handles.axes2); if sum(sum(bkuning1))>0 % Potong kiri cout=bkuning1; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Potong kanan cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Potong atas cout=cout'; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Potong bawah cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Penyesuaian orientasi cout=cout'; cout=flipud(cout); cout=fliplr(cout); else cout=bkuning1; end imshow (cout)


axis on % -------------------------------------------------------% -------------------------------------------------------%Resizing 64x64 axes(handles.axes3); x10=imresize(cout,[64 64]); imshow(x10) % -------------------------------------------------------% -------------------------------------------------------% Dekomposisi wavelet axes(handles.axes4); x11=xcwv(x10,des); % mx11=max(x11(:)); % nx11=x11/mx11; x12=x11(:); imshow(x11) axis on % -------------------------------------------------------% Fungsi Jarak for n=1:26 r(n)=jarak(x12,z(:,n)); end minr=min(r) % -------------------------------------------------------%Keluaran Teks if(minr==r(1)) z1={'A'} set(handles.text1,'string',z1); elseif(minr==r(2)) z2={'B'} set(handles.text1,'string',z2); elseif(minr==r(3)) z3={'C'} set(handles.text1,'string',z3); elseif(minr==r(4)) z4={'D'} set(handles.text1,'string',z4); elseif(minr==r(5)) z5={'E'} set(handles.text1,'string',z5); elseif(minr==r(6)) z6={'F'} set(handles.text1,'string',z6); elseif(minr==r(7)) z7={'G'} set(handles.text1,'string',z7); elseif(minr==r(8)) z8={'H'} set(handles.text1,'string',z8); elseif(minr==r(9)) z9={'I'} set(handles.text1,'string',z9);


elseif(minr==r(10)) z10={'J'} set(handles.text1,'string',z10); elseif(minr==r(11)) z11={'K'} set(handles.text1,'string',z11); elseif(minr==r(12)) z12={'L'} set(handles.text1,'string',z12); elseif(minr==r(13)) z13={'M'} set(handles.text1,'string',z13); elseif(minr==r(14)) z14={'N'} set(handles.text1,'string',z14); elseif(minr==r(15)) z15={'O'} set(handles.text1,'string',z15); elseif(minr==r(16)) z16={'P'} set(handles.text1,'string',z16); elseif(minr==r(17)) z17={'Q'} set(handles.text1,'string',z17); elseif(minr==r(18)) z18={'R'} set(handles.text1,'string',z18); elseif(minr==r(19)) z19={'S'} set(handles.text1,'string',z19); elseif(minr==r(20)) z20={'T'} set(handles.text1,'string',z20); elseif(minr==r(21)) z21={'U'} set(handles.text1,'string',z21); elseif(minr==r(22)) z22={'V'} set(handles.text1,'string',z22); elseif(minr==r(23)) z23={'W'} set(handles.text1,'string',z23); elseif(minr==r(24)) z24={'X'} set(handles.text1,'string',z24); elseif(minr==r(25)) z25={'Y'} set(handles.text1,'string',z25); elseif(minr==r(26)) z26={'Z'} set(handles.text1,'string',z26); end % ========================================================


% ======================================================== % --- Executes on button press in reset. function reset_Callback(hObject, eventdata, handles) % hObject handle to reset (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) axes(handles.axes1) plot(0); axes(handles.axes2) plot(0); axes(handles.axes3) plot(0); axes(handles.axes4) plot(0); set(handles.popupmenu,'value',1); set(handles.text1,'string','') % ======================================================== % ======================================================== % --- Executes on button press in keluar. function keluar_Callback(hObject, eventdata, handles) % hObject handle to keluar (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) close % ======================================================== % ======================================================== % --- Executes on selection change in popupmenu. function popupmenu_Callback(hObject, eventdata, handles) % hObject handle to popupmenu (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) indeks=get(handles.popupmenu,'value'); switch indeks case 2 des=1; case 3 des=2; case 4 des=3; end handles.des=des; guidata(hObject,handles); % Hints: contents = cellstr(get(hObject,'String')) returns popupmenu contents as cell array % contents{get(hObject,'Value')} returns selected item from popupmenu % ======================================================== % --- Executes during object creation, after setting all properties. function popupmenu_CreateFcn(hObject, eventdata, handles) % hObject handle to popupmenu (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called


% Hint: popupmenu controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

function text1_Callback(hObject, eventdata, handles) % hObject handle to text1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of text1 as text % str2double(get(hObject,'String')) returns contents of text1 as a double

% --- Executes during object creation, after setting all properties. function text1_CreateFcn(hObject, eventdata, handles) % hObject handle to text1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

LISTING PROGRAM PENGUJIAN TIDAK LANGSUNG function NotReal %load database des=input('Pilih Desimasi = ') if (des==1) load db64d1 elseif (des==2) load db64d2 elseif (des==3) load db64d3 end

%input desimasi = 1-3

x1=imread('a2_3m.jpg'); a1=prepros(x1); b1=resizing(a1); y1=xcwv(b1,des); z1=y1(:); x2=imread('b2_3m.jpg'); a2=prepros(x2); b2=resizing(a2); y2=xcwv(b2,des); z2=y2(:);


x3=imread('c2_3m.jpg'); a3=prepros(x3); b3=resizing(a3); y3=xcwv(b3,des); z3=y3(:); x4=imread('d2_3m.jpg'); a4=prepros(x4); b4=resizing(a4); y4=xcwv(b4,des); z4=y4(:); x5=imread('e2_3m.jpg'); a5=prepros(x5); b5=resizing(a5); y5=xcwv(b5,des); z5=y5(:); x6=imread('f2_3m.jpg'); a6=prepros(x6); b6=resizing(a6); y6=xcwv(b6,des); z6=y6(:); x7=imread('g2_3m.jpg'); a7=prepros(x7); b7=resizing(a7); y7=xcwv(b7,des); z7=y7(:); x8=imread('h2_3m.jpg'); a8=prepros(x8); b8=resizing(a8); y8=xcwv(b8,des); z8=y8(:); x9=imread('i2_3m.jpg'); a9=prepros(x9); b9=resizing(a9); y9=xcwv(b9,des); z9=y9(:); x10=imread('j2_3m.jpg'); a10=prepros(x10); b10=resizing(a10); y10=xcwv(b10,des); z10=y10(:); x11=imread('k2_3m.jpg'); a11=prepros(x11); b11=resizing(a11); y11=xcwv(b11,des); z11=y11(:); x12=imread('l2_3m.jpg'); a12=prepros(x12); b12=resizing(a12); y12=xcwv(b12,des); z12=y12(:); x13=imread('m2_3m.jpg'); a13=prepros(x13); b13=resizing(a13); y13=xcwv(b13,des); z13=y13(:); x14=imread('n2_3m.jpg'); a14=prepros(x14); b14=resizing(a14); y14=xcwv(b14,des); z14=y14(:); x15=imread('o2_3m.jpg'); a15=prepros(x15); b15=resizing(a15); y15=xcwv(b15,des); z15=y15(:); x16=imread('p2_3m.jpg'); a16=prepros(x16); b16=resizing(a16); y16=xcwv(b16,des); z16=y16(:); x17=imread('q2_3m.jpg'); a17=prepros(x17); b17=resizing(a17); y17=xcwv(b17,des); z17=y17(:); x18=imread('r2_3m.jpg'); a18=prepros(x18); b18=resizing(a18); y18=xcwv(b18,des); z18=y18(:); x19=imread('s2_3m.jpg'); a19=prepros(x19); b19=resizing(a19); y19=xcwv(b19,des); z19=y19(:); x20=imread('t2_3m.jpg'); a20=prepros(x20); b20=resizing(a20); y20=xcwv(b20,des); z20=y20(:); x21=imread('u2_3m.jpg'); a21=prepros(x21); b21=resizing(a21); y21=xcwv(b21,des); z21=y21(:); x22=imread('v2_3m.jpg'); a22=prepros(x22); b22=resizing(a22); y22=xcwv(b22,des); z22=y22(:); x23=imread('w2_3m.jpg'); a23=prepros(x23); b23=resizing(a23); y23=xcwv(b23,des); z23=y23(:); x24=imread('x2_3m.jpg'); a24=prepros(x24); b24=resizing(a24); y24=xcwv(b24,des); z24=y24(:); x25=imread('y2_3m.jpg'); a25=prepros(x25); b25=resizing(a25); y25=xcwv(b25,des); z25=y25(:); x26=imread('z2_3m.jpg'); a26=prepros(x26); b26=resizing(a26); y26=xcwv(b26,des); z26=y26(:); x1=imread('a2_3,5m.jpg'); a1=prepros(x1); b1=resizing(a1); y1=xcwv(b1,des); z1=y1(:); x2=imread('b2_3,5m.jpg'); a2=prepros(x2); b2=resizing(a2); y2=xcwv(b2,des); z2=y2(:); x3=imread('c2_3,5m.jpg'); a3=prepros(x3); b3=resizing(a3); y3=xcwv(b3,des); z3=y3(:);


x4=imread('d2_3,5m.jpg'); a4=prepros(x4); b4=resizing(a4); y4=xcwv(b4,des); z4=y4(:); x5=imread('e2_3,5m.jpg'); a5=prepros(x5); b5=resizing(a5); y5=xcwv(b5,des); z5=y5(:); x6=imread('f2_3,5m.jpg'); a6=prepros(x6); b6=resizing(a6); y6=xcwv(b6,des); z6=y6(:); x7=imread('g2_3,5m.jpg'); a7=prepros(x7); b7=resizing(a7); y7=xcwv(b7,des); z7=y7(:); x8=imread('h2_3,5m.jpg'); a8=prepros(x8); b8=resizing(a8); y8=xcwv(b8,des); z8=y8(:); x9=imread('i2_3,5m.jpg'); a9=prepros(x9); b9=resizing(a9); y9=xcwv(b9,des); z9=y9(:); x10=imread('j2_3,5m.jpg'); a10=prepros(x10); b10=resizing(a10); y10=xcwv(b10,des); z10=y10(:); x11=imread('k2_3,5m.jpg'); a11=prepros(x11); b11=resizing(a11); y11=xcwv(b11,des); z11=y11(:); x12=imread('l2_3,5m.jpg'); a12=prepros(x12); b12=resizing(a12); y12=xcwv(b12,des); z12=y12(:); x13=imread('m2_3,5m.jpg'); a13=prepros(x13); b13=resizing(a13); y13=xcwv(b13,des); z13=y13(:); x14=imread('n2_3,5m.jpg'); a14=prepros(x14); b14=resizing(a14); y14=xcwv(b14,des); z14=y14(:); x15=imread('o2_3,5m.jpg'); a15=prepros(x15); b15=resizing(a15); y15=xcwv(b15,des); z15=y15(:); x16=imread('p2_3,5m.jpg'); a16=prepros(x16); b16=resizing(a16); y16=xcwv(b16,des); z16=y16(:); x17=imread('q2_3,5m.jpg'); a17=prepros(x17); b17=resizing(a17); y17=xcwv(b17,des); z17=y17(:); x18=imread('r2_3,5m.jpg'); a18=prepros(x18); b18=resizing(a18); y18=xcwv(b18,des); z18=y18(:); x19=imread('s2_3,5m.jpg'); a19=prepros(x19); b19=resizing(a19); y19=xcwv(b19,des); z19=y19(:); x20=imread('t2_3,5m.jpg'); a20=prepros(x20); b20=resizing(a20); y20=xcwv(b20,des); z20=y20(:); x21=imread('u2_3,5m.jpg'); a21=prepros(x21); b21=resizing(a21); y21=xcwv(b21,des); z21=y21(:); x22=imread('v2_3,5m.jpg'); a22=prepros(x22); b22=resizing(a22); y22=xcwv(b22,des); z22=y22(:); x23=imread('w2_3,5m.jpg'); a23=prepros(x23); b23=resizing(a23); y23=xcwv(b23,des); z23=y23(:); x24=imread('x2_3,5m.jpg'); a24=prepros(x24); b24=resizing(a24); y24=xcwv(b24,des); z24=y24(:); x25=imread('y2_3,5m.jpg'); a25=prepros(x25); b25=resizing(a25); y25=xcwv(b25,des); z25=y25(:); x26=imread('z2_3,5m.jpg'); a26=prepros(x26); b26=resizing(a26); y26=xcwv(b26,des); z26=y26(:); x1=imread('a2_4m.jpg'); z1=y1(:); x2=imread('b2_4m.jpg'); z2=y2(:); x3=imread('c2_4m.jpg'); z3=y3(:); x4=imread('d2_4m.jpg'); z4=y4(:);

a1=prepros(x1); b1=resizing(a1); y1=xcwv(b1,des); a2=prepros(x2); b2=resizing(a2); y2=xcwv(b2,des); a3=prepros(x3); b3=resizing(a3); y3=xcwv(b3,des); a4=prepros(x4); b4=resizing(a4); y4=xcwv(b4,des);


x5=imread('e2_4m.jpg'); a5=prepros(x5); b5=resizing(a5); y5=xcwv(b5,des); z5=y5(:); x6=imread('f2_4m.jpg'); a6=prepros(x6); b6=resizing(a6); y6=xcwv(b6,des); z6=y6(:); x7=imread('g2_4m.jpg'); a7=prepros(x7); b7=resizing(a7); y7=xcwv(b7,des); z7=y7(:); x8=imread('h2_4m.jpg'); a8=prepros(x8); b8=resizing(a8); y8=xcwv(b8,des); z8=y8(:); x9=imread('i2_4m.jpg'); a9=prepros(x9); b9=resizing(a9); y9=xcwv(b9,des); z9=y9(:); x10=imread('j2_4m.jpg'); a10=prepros(x10); b10=resizing(a10); y10=xcwv(b10,des); z10=y10(:); x11=imread('k2_4m.jpg'); a11=prepros(x11); b11=resizing(a11); y11=xcwv(b11,des); z11=y11(:); x12=imread('l2_4m.jpg'); a12=prepros(x12); b12=resizing(a12); y12=xcwv(b12,des); z12=y12(:); x13=imread('m2_4m.jpg'); a13=prepros(x13); b13=resizing(a13); y13=xcwv(b13,des); z13=y13(:); x14=imread('n2_4m.jpg'); a14=prepros(x14); b14=resizing(a14); y14=xcwv(b14,des); z14=y14(:); x15=imread('o2_4m.jpg'); a15=prepros(x15); b15=resizing(a15); y15=xcwv(b15,des); z15=y15(:); x16=imread('p2_4m.jpg'); a16=prepros(x16); b16=resizing(a16); y16=xcwv(b16,des); z16=y16(:); x17=imread('q2_4m.jpg'); a17=prepros(x17); b17=resizing(a17); y17=xcwv(b17,des); z17=y17(:); x18=imread('r2_4m.jpg'); a18=prepros(x18); b18=resizing(a18); y18=xcwv(b18,des); z18=y18(:); x19=imread('s2_4m.jpg'); a19=prepros(x19); b19=resizing(a19); y19=xcwv(b19,des); z19=y19(:); x20=imread('t2_4m.jpg'); a20=prepros(x20); b20=resizing(a20); y20=xcwv(b20,des); z20=y20(:); x21=imread('u2_4m.jpg'); a21=prepros(x21); b21=resizing(a21); y21=xcwv(b21,des); z21=y21(:); x22=imread('v2_4m.jpg'); a22=prepros(x22); b22=resizing(a22); y22=xcwv(b22,des); z22=y22(:); x23=imread('w2_4m.jpg'); a23=prepros(x23); b23=resizing(a23); y23=xcwv(b23,des); z23=y23(:); x24=imread('x2_4m.jpg'); a24=prepros(x24); b24=resizing(a24); y24=xcwv(b24,des); z24=y24(:); x25=imread('y2_4m.jpg'); a25=prepros(x25); b25=resizing(a25); y25=xcwv(b25,des); z25=y25(:); x26=imread('z2_4m.jpg'); a26=prepros(x26); b26=resizing(a26); y26=xcwv(b26,des); z26=y26(:); x1=imread('a2_4,5m.jpg'); z1=y1(:); x2=imread('b2_4,5m.jpg'); z2=y2(:); x3=imread('c2_4,5m.jpg'); z3=y3(:); x4=imread('d2_4,5m.jpg'); z4=y4(:); x5=imread('e2_4,5m.jpg'); z5=y5(:);

a1=prepros(x1); b1=resizing(a1); y1=xcwv(b1,des); a2=prepros(x2); b2=resizing(a2); y2=xcwv(b2,des); a3=prepros(x3); b3=resizing(a3); y3=xcwv(b3,des); a4=prepros(x4); b4=resizing(a4); y4=xcwv(b4,des); a5=prepros(x5); b5=resizing(a5); y5=xcwv(b5,des);


x6=imread('f2_4,5m.jpg'); a6=prepros(x6); b6=resizing(a6); y6=xcwv(b6,des); z6=y6(:); x7=imread('g2_4,5m.jpg'); a7=prepros(x7); b7=resizing(a7); y7=xcwv(b7,des); z7=y7(:); x8=imread('h2_4,5m.jpg'); a8=prepros(x8); b8=resizing(a8); y8=xcwv(b8,des); z8=y8(:); x9=imread('i2_4,5m.jpg'); a9=prepros(x9); b9=resizing(a9); y9=xcwv(b9,des); z9=y9(:); x10=imread('j2_4,5m.jpg'); a10=prepros(x10); b10=resizing(a10); y10=xcwv(b10,des); z10=y10(:); x11=imread('k2_4,5m.jpg'); a11=prepros(x11); b11=resizing(a11); y11=xcwv(b11,des); z11=y11(:); x12=imread('l2_4,5m.jpg'); a12=prepros(x12); b12=resizing(a12); y12=xcwv(b12,des); z12=y12(:); x13=imread('m2_4,5m.jpg'); a13=prepros(x13); b13=resizing(a13); y13=xcwv(b13,des); z13=y13(:); x14=imread('n2_4,5m.jpg'); a14=prepros(x14); b14=resizing(a14); y14=xcwv(b14,des); z14=y14(:); x15=imread('o2_4,5m.jpg'); a15=prepros(x15); b15=resizing(a15); y15=xcwv(b15,des); z15=y15(:); x16=imread('p2_4,5m.jpg'); a16=prepros(x16); b16=resizing(a16); y16=xcwv(b16,des); z16=y16(:); x17=imread('q2_4,5m.jpg'); a17=prepros(x17); b17=resizing(a17); y17=xcwv(b17,des); z17=y17(:); x18=imread('r2_4,5m.jpg'); a18=prepros(x18); b18=resizing(a18); y18=xcwv(b18,des); z18=y18(:); x19=imread('s2_4,5m.jpg'); a19=prepros(x19); b19=resizing(a19); y19=xcwv(b19,des); z19=y19(:); x20=imread('t2_4,5m.jpg'); a20=prepros(x20); b20=resizing(a20); y20=xcwv(b20,des); z20=y20(:); x21=imread('u2_4,5m.jpg'); a21=prepros(x21); b21=resizing(a21); y21=xcwv(b21,des); z21=y21(:); x22=imread('v2_4,5m.jpg'); a22=prepros(x22); b22=resizing(a22); y22=xcwv(b22,des); z22=y22(:); x23=imread('w2_4,5m.jpg'); a23=prepros(x23); b23=resizing(a23); y23=xcwv(b23,des); z23=y23(:); x24=imread('x2_4,5m.jpg'); a24=prepros(x24); b24=resizing(a24); y24=xcwv(b24,des); z24=y24(:); x25=imread('y2_4,5m.jpg'); a25=prepros(x25); b25=resizing(a25); y25=xcwv(b25,des); z25=y25(:); x26=imread('z2_4,5m.jpg'); a26=prepros(x26); b26=resizing(a26); y26=xcwv(b26,des); z26=y26(:); x1=imread('a2_5m.jpg'); z1=y1(:); x2=imread('b2_5m.jpg'); z2=y2(:); x3=imread('c2_5m.jpg'); z3=y3(:); x4=imread('d2_5m.jpg'); z4=y4(:); x5=imread('e2_5m.jpg'); z5=y5(:); x6=imread('f2_5m.jpg'); z6=y6(:);

a1=prepros(x1); b1=resizing(a1); y1=xcwv(b1,des); a2=prepros(x2); b2=resizing(a2); y2=xcwv(b2,des); a3=prepros(x3); b3=resizing(a3); y3=xcwv(b3,des); a4=prepros(x4); b4=resizing(a4); y4=xcwv(b4,des); a5=prepros(x5); b5=resizing(a5); y5=xcwv(b5,des); a6=prepros(x6); b6=resizing(a6); y6=xcwv(b6,des);


x7=imread('g2_5m.jpg'); a7=prepros(x7); b7=resizing(a7); y7=xcwv(b7,des); z7=y7(:); x8=imread('h2_5m.jpg'); a8=prepros(x8); b8=resizing(a8); y8=xcwv(b8,des); z8=y8(:); x9=imread('i2_5m.jpg'); a9=prepros(x9); b9=resizing(a9); y9=xcwv(b9,des); z9=y9(:); x10=imread('j2_5m.jpg'); a10=prepros(x10); b10=resizing(a10); y10=xcwv(b10,des); z10=y10(:); x11=imread('k2_5m.jpg'); a11=prepros(x11); b11=resizing(a11); y11=xcwv(b11,des); z11=y11(:); x12=imread('l2_5m.jpg'); a12=prepros(x12); b12=resizing(a12); y12=xcwv(b12,des); z12=y12(:); x13=imread('m2_5m.jpg'); a13=prepros(x13); b13=resizing(a13); y13=xcwv(b13,des); z13=y13(:); x14=imread('n2_5m.jpg'); a14=prepros(x14); b14=resizing(a14); y14=xcwv(b14,des); z14=y14(:); x15=imread('o2_5m.jpg'); a15=prepros(x15); b15=resizing(a15); y15=xcwv(b15,des); z15=y15(:); x16=imread('p2_5m.jpg'); a16=prepros(x16); b16=resizing(a16); y16=xcwv(b16,des); z16=y16(:); x17=imread('q2_5m.jpg'); a17=prepros(x17); b17=resizing(a17); y17=xcwv(b17,des); z17=y17(:); x18=imread('r2_5m.jpg'); a18=prepros(x18); b18=resizing(a18); y18=xcwv(b18,des); z18=y18(:); x19=imread('s2_5m.jpg'); a19=prepros(x19); b19=resizing(a19); y19=xcwv(b19,des); z19=y19(:); x20=imread('t2_5m.jpg'); a20=prepros(x20); b20=resizing(a20); y20=xcwv(b20,des); z20=y20(:); x21=imread('u2_5m.jpg'); a21=prepros(x21); b21=resizing(a21); y21=xcwv(b21,des); z21=y21(:); x22=imread('v2_5m.jpg'); a22=prepros(x22); b22=resizing(a22); y22=xcwv(b22,des); z22=y22(:); x23=imread('w2_5m.jpg'); a23=prepros(x23); b23=resizing(a23); y23=xcwv(b23,des); z23=y23(:); x24=imread('x2_5m.jpg'); a24=prepros(x24); b24=resizing(a24); y24=xcwv(b24,des); z24=y24(:); x25=imread('y2_5m.jpg'); a25=prepros(x25); b25=resizing(a25); y25=xcwv(b25,des); z25=y25(:); x26=imread('z2_5m.jpg'); a26=prepros(x26); b26=resizing(a26); y26=xcwv(b26,des); z26=y26(:); datauji=[z1 z2 z3 z4 z5 z6 z7 z8 z9 z10 z11 z12 z13 z14 z15 z16 z17 z18 z19 z20 z21 z22 z23 z24 z25 z26];

figure(1) subplot(3,3,1);imshow subplot(3,3,2);imshow subplot(3,3,3);imshow subplot(3,3,4);imshow subplot(3,3,5);imshow subplot(3,3,6);imshow subplot(3,3,7);imshow subplot(3,3,8);imshow subplot(3,3,9);imshow

(b1); (b2); (b3); (b4); (b5); (b6); (b7); (b8); (b9);

axis axis axis axis axis axis axis axis axis

on; on; on; on; on; on; on; on; on;

title('A'); title('B'); title('C'); title('D'); title('E'); title('F'); title('G'); title('H'); title('I');


figure(2) subplot(3,3,1);imshow subplot(3,3,2);imshow subplot(3,3,3);imshow subplot(3,3,4);imshow subplot(3,3,5);imshow subplot(3,3,6);imshow subplot(3,3,7);imshow subplot(3,3,8);imshow subplot(3,3,9);imshow

(b10); (b11); (b12); (b13); (b14); (b15); (b16); (b17); (b18);

axis axis axis axis axis axis axis axis axis

on; on; on; on; on; on; on; on; on;

title('J'); title('K'); title('L'); title('M'); title('N'); title('O'); title('P'); title('Q'); title('R');

figure(3) subplot(3,3,1);imshow subplot(3,3,2);imshow subplot(3,3,3);imshow subplot(3,3,4);imshow subplot(3,3,5);imshow subplot(3,3,6);imshow subplot(3,3,7);imshow subplot(3,3,8);imshow

(b19); (b20); (b21); (b22); (b23); (b24); (b25); (b26);

axis axis axis axis axis axis axis axis

on; on; on; on; on; on; on; on;

title('S'); title('T'); title('U'); title('V'); title('W'); title('X'); title('Y'); title('Z');

for k=1:26 for n=1:26 r(n)=jarak(datauji(:,k),z(:,n)) end [s1,s2]=sort(r,'ascend') % Penentuan kelas keluaran kelasout=s2(1) % Penentuan buah keluaran daftarkode={'A';'B';'C';'D';'E';'F';'G';'H';'I';'J';'K';'L';'M';'N';'O';'P' ;'Q';'R';'S';'T';'U';'V';'W';'X';'Y';'Z'}; kode{k}=daftarkode{kelasout}; end KodeOut=kode function cout=prepros(x0) %Konversi RGB to HSV hsv=rgb2hsv(x0); % ============================================== % Segmentasi bagian depan (foreground) x1=hsv(:,:,2); depan=x1>0.45;

% Ambil bagian saturation % Original: 0.45

% Segmentasi kuning x2=hsv(:,:,1); % Ambil bagian hue x3=x2*360; % Setting nilai hue maks 360


th1=x3>35; % Original: 35 th2=x3<50; % Original: 45 kuning=and(th1,th2); % ========================================================================= % Segmentasi citra bendera berwarna kuning bkuning=and(depan,kuning); bbkuning=bwareaopen(bkuning,2000); % Remove small objects (yang kurang dari 4000 piksel dihilangkan) %========================================================================== % PROSES COPPING % Crop image if sum(sum(bbkuning))>0 % Potong kiri cout=bbkuning; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Potong kanan cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Potong atas cout=cout'; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Potong bawah cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Penyesuaian orientasi cout=cout'; cout=flipud(cout); cout=fliplr(cout); else cout=bbkuning; end % ========================================================================= % ========================================================================= % Proses Resizing function x0=resizing(img1) x0=imresize(img1,[64 64]); % =========================================================================


LISTING PROGRAM BASIS DATA (DBXCWV) function dbxcwv tic z=[]; z=prosxcwv(1, [64 64]); save db64d1 z ; z=[]; z=prosxcwv(2, [64 64]); save db64d2 z ; z=[]; z=prosxcwv(3, [64 64]); save db64d3 z ; z=[]; toc function z=prosxcwv(des,rz) disp('Proses') z=[]; x=imread('a7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y1=y(:); x=imread('a7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y2=y(:); x=imread('a7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y3=y(:); x=imread('a7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y4=y(:); x=imread('a7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y5=y(:); x=imread('b7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y6=y(:); x=imread('b7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y7=y(:); x=imread('b7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y8=y(:); x=imread('b7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y9=y(:); x=imread('b7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y10=y(:); x=imread('c7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y11=y(:); x=imread('c7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y12=y(:); x=imread('c7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y13=y(:); x=imread('c7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y14=y(:); x=imread('c7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y15=y(:); x=imread('d7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y16=y(:); x=imread('d7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y17=y(:); x=imread('d7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y18=y(:); x=imread('d7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y19=y(:); x=imread('d7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y20=y(:); x=imread('e7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y21=y(:); x=imread('e7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y22=y(:); x=imread('e7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y23=y(:); x=imread('e7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y24=y(:); x=imread('e7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y25=y(:); x=imread('f7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y26=y(:); x=imread('f7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y27=y(:); x=imread('f7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y28=y(:); x=imread('f7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y29=y(:); x=imread('f7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y30=y(:); x=imread('g7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y31=y(:); x=imread('g7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y32=y(:); x=imread('g7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y33=y(:); x=imread('g7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y34=y(:); x=imread('g7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y35=y(:); x=imread('h7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y36=y(:); x=imread('h7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y37=y(:); x=imread('h7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y38=y(:); x=imread('h7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y39=y(:); x=imread('h7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y40=y(:); x=imread('i7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y41=y(:); x=imread('i7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y42=y(:); x=imread('i7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y43=y(:);


x=imread('i7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y44=y(:); x=imread('i7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y45=y(:); x=imread('j7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y46=y(:); x=imread('j7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y47=y(:); x=imread('j7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y48=y(:); x=imread('j7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y49=y(:); x=imread('j7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y50=y(:); x=imread('k7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y51=y(:); x=imread('k7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y52=y(:); x=imread('k7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y53=y(:); x=imread('k7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y54=y(:); x=imread('k7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y55=y(:); x=imread('l7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y56=y(:); x=imread('l7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y57=y(:); x=imread('l7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y58=y(:); x=imread('l7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y59=y(:); x=imread('l7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y60=y(:); x=imread('m7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y61=y(:); x=imread('m7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y62=y(:); x=imread('m7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y63=y(:); x=imread('m7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y64=y(:); x=imread('m7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y65=y(:); x=imread('n7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y66=y(:); x=imread('n7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y67=y(:); x=imread('n7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y68=y(:); x=imread('n7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y69=y(:); x=imread('n7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y70=y(:); x=imread('o7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y71=y(:); x=imread('o7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y72=y(:); x=imread('o7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y73=y(:); x=imread('o7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y74=y(:); x=imread('o7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y75=y(:); x=imread('p7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y76=y(:); x=imread('p7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y77=y(:); x=imread('p7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y78=y(:); x=imread('p7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y79=y(:); x=imread('p7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y80=y(:); x=imread('q7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y81=y(:); x=imread('q7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y82=y(:); x=imread('q7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y83=y(:); x=imread('q7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y84=y(:); x=imread('q7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y85=y(:); x=imread('r7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y86=y(:); x=imread('r7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y87=y(:); x=imread('r7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y88=y(:); x=imread('r7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y89=y(:); x=imread('r7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y90=y(:); x=imread('s7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y91=y(:); x=imread('s7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y92=y(:); x=imread('s7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y93=y(:); x=imread('s7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y94=y(:); x=imread('s7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y95=y(:); x=imread('t7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y96=y(:); x=imread('t7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y97=y(:); x=imread('t7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y98=y(:); x=imread('t7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y99=y(:);


x=imread('t7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y100=y(:); x=imread('u7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y101=y(:); x=imread('u7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y102=y(:); x=imread('u7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y103=y(:); x=imread('u7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y104=y(:); x=imread('u7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y105=y(:); x=imread('v7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y106=y(:); x=imread('v7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y107=y(:); x=imread('v7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y108=y(:); x=imread('v7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y109=y(:); x=imread('v7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y110=y(:); x=imread('w7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y111=y(:); x=imread('w7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y112=y(:); x=imread('w7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y113=y(:); x=imread('w7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y114=y(:); x=imread('w7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y115=y(:); x=imread('x7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y116=y(:); x=imread('x7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y117=y(:); x=imread('x7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y118=y(:); x=imread('x7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y119=y(:); x=imread('x7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y120=y(:); x=imread('y7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y121=y(:); x=imread('y7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y122=y(:); x=imread('y7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y123=y(:); x=imread('y7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y124=y(:); x=imread('y7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y125=y(:); x=imread('z7_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y126=y(:); x=imread('z7_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y127=y(:); x=imread('z7_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y128=y(:); x=imread('z7_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y129=y(:); x=imread('z7_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y130=y(:); dat1= (y1+y2+y3+y4+y5)/5 ; dat2= (y6+y7+y8+y9+y10)/5 ; dat3= (y11+y12+y13+y14+y15)/5 ; dat4= (y16+y17+y18+y19+y20)/5 ; dat5= (y21+y22+y23+y24+y25)/5 ; dat6= (y26+y27+y28+y29+y30)/5 ; dat7= (y31+y32+y33+y34+y35)/5 ; dat8= (y36+y37+y38+y39+y40)/5 ; dat9= (y41+y42+y43+y44+y45)/5 ; dat10= (y46+y47+y48+y49+y50)/5 ; dat11= (y51+y52+y53+y54+y55)/5 ; dat12= (y56+y57+y58+y59+y60)/5 ; dat13= (y61+y62+y63+y64+y65)/5 ; dat14= (y66+y67+y68+y69+y70)/5 ; dat15= (y71+y72+y73+y74+y75)/5 ; dat16= (y76+y77+y78+y79+y80)/5 ; dat17= (y81+y82+y83+y84+y85)/5 ; dat18= (y86+y87+y88+y89+y90)/5 ; dat19= (y91+y92+y93+y94+y95)/5 ; dat20= (y96+y97+y98+y99+y100)/5 ; dat21= (y101+y102+y103+y104+y105)/5 ; dat22= (y106+y107+y108+y109+y110)/5 ; dat23= (y111+y112+y113+y114+y115)/5 ; dat24= (y116+y117+y118+y119+y120)/5 ; dat25= (y121+y122+y123+y124+y125)/5 ;


dat26= (y126+y127+y128+y129+y130)/5 ; z=[]; x=imread('a6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y131=y(:); x=imread('a6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y132=y(:); x=imread('a6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y133=y(:); x=imread('a6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y134=y(:); x=imread('a6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y135=y(:); x=imread('b6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y136=y(:); x=imread('b6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y137=y(:); x=imread('b6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y138=y(:); x=imread('b6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y139=y(:); x=imread('b6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y140=y(:); x=imread('c6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y141=y(:); x=imread('c6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y142=y(:); x=imread('c6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y143=y(:); x=imread('c6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y144=y(:); x=imread('c6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y145=y(:); x=imread('d6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y146=y(:); x=imread('d6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y147=y(:); x=imread('d6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y148=y(:); x=imread('d6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y149=y(:); x=imread('d6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y150=y(:); x=imread('e6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y151=y(:); x=imread('e6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y152=y(:); x=imread('e6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y153=y(:); x=imread('e6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y154=y(:); x=imread('e6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y155=y(:); x=imread('f6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y156=y(:); x=imread('f6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y157=y(:); x=imread('f6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y158=y(:); x=imread('f6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y159=y(:); x=imread('f6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y160=y(:); x=imread('g6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y161=y(:); x=imread('g6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y162=y(:); x=imread('g6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y163=y(:); x=imread('g6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y164=y(:); x=imread('g6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y165=y(:); x=imread('h6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y166=y(:); x=imread('h6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y167=y(:); x=imread('h6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y168=y(:); x=imread('h6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y169=y(:); x=imread('h6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y170=y(:); x=imread('i6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y171=y(:); x=imread('i6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y172=y(:); x=imread('i6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y173=y(:); x=imread('i6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y174=y(:); x=imread('i6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y175=y(:); x=imread('j6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y176=y(:); x=imread('j6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y177=y(:); x=imread('j6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y178=y(:); x=imread('j6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y179=y(:); x=imread('j6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y180=y(:); x=imread('k6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y181=y(:); x=imread('k6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y182=y(:);


x=imread('k6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y183=y(:); x=imread('k6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y184=y(:); x=imread('k6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y185=y(:); x=imread('l6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y186=y(:); x=imread('l6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y187=y(:); x=imread('l6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y188=y(:); x=imread('l6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y189=y(:); x=imread('l6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y190=y(:); x=imread('m6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y191=y(:); x=imread('m6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y192=y(:); x=imread('m6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y193=y(:); x=imread('m6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y194=y(:); x=imread('m6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y195=y(:); x=imread('n6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y196=y(:); x=imread('n6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y197=y(:); x=imread('n6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y198=y(:); x=imread('n6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y199=y(:); x=imread('n6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y200=y(:); x=imread('o6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y201=y(:); x=imread('o6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y202=y(:); x=imread('o6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y203=y(:); x=imread('o6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y204=y(:); x=imread('o6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y205=y(:); x=imread('p6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y206=y(:); x=imread('p6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y207=y(:); x=imread('p6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y208=y(:); x=imread('p6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y209=y(:); x=imread('p6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y210=y(:); x=imread('q6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y211=y(:); x=imread('q6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y212=y(:); x=imread('q6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y213=y(:); x=imread('q6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y214=y(:); x=imread('q6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y215=y(:); x=imread('r6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y216=y(:); x=imread('r6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y217=y(:); x=imread('r6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y218=y(:); x=imread('r6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y219=y(:); x=imread('r6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y220=y(:); x=imread('s6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y221=y(:); x=imread('s6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y222=y(:); x=imread('s6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y223=y(:); x=imread('s6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y224=y(:); x=imread('s6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y225=y(:); x=imread('t6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y226=y(:); x=imread('t6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y227=y(:); x=imread('t6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y228=y(:); x=imread('t6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y229=y(:); x=imread('t6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y230=y(:); x=imread('u6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y231=y(:); x=imread('u6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y232=y(:); x=imread('u6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y233=y(:); x=imread('u6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y234=y(:); x=imread('u6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y235=y(:); x=imread('v6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y236=y(:); x=imread('v6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y237=y(:); x=imread('v6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y238=y(:);


x=imread('v6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y239=y(:); x=imread('v6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y240=y(:); x=imread('w6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y241=y(:); x=imread('w6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y242=y(:); x=imread('w6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y243=y(:); x=imread('w6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y244=y(:); x=imread('w6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y245=y(:); x=imread('x6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y246=y(:); x=imread('x6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y247=y(:); x=imread('x6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y248=y(:); x=imread('x6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y249=y(:); x=imread('x6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y250=y(:); x=imread('y6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y251=y(:); x=imread('y6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y252=y(:); x=imread('y6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y253=y(:); x=imread('y6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y254=y(:); x=imread('y6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y255=y(:); x=imread('z6_3m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y256=y(:); x=imread('z6_3,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y257=y(:); x=imread('z6_4m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y258=y(:); x=imread('z6_4,5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y259=y(:); x=imread('z6_5m.jpg'); x=prepros(x,rz); y=xcwv(x,des); y260=y(:); dat27= (y131+y132+y133+y134+y135)/5 ; dat28= (y136+y137+y138+y139+y140)/5 ; dat29= (y141+y142+y143+y144+y145)/5 ; dat30= (y146+y147+y148+y149+y150)/5 ; dat31= (y151+y152+y153+y154+y155)/5 ; dat32= (y156+y157+y158+y159+y160)/5 ; dat33= (y161+y162+y163+y164+y165)/5 ; dat34= (y166+y167+y168+y169+y170)/5 ; dat35= (y171+y172+y173+y174+y175)/5 ; dat36= (y176+y177+y178+y179+y180)/5 ; dat37= (y181+y182+y183+y184+y185)/5 ; dat38= (y186+y187+y188+y189+y190)/5 ; dat39= (y191+y192+y193+y194+y195)/5 ; dat40= (y196+y197+y198+y199+y200)/5 ; dat41= (y201+y202+y203+y204+y205)/5 ; dat42= (y206+y207+y208+y209+y210)/5 ; dat43= (y211+y212+y213+y214+y215)/5 ; dat44= (y216+y217+y218+y219+y220)/5 ; dat45= (y221+y222+y223+y224+y225)/5 ; dat46= (y226+y227+y228+y229+y230)/5 ; dat47= (y231+y232+y233+y234+y235)/5 ; dat48= (y236+y237+y238+y239+y240)/5 ; dat49= (y241+y242+y243+y244+y245)/5 ; dat50= (y246+y247+y248+y249+y250)/5 ; dat51= (y251+y252+y253+y254+y255)/5 ; dat52= (y256+y257+y258+y259+y260)/5 ; %=============================================== data1=(dat1+dat27)/2; data2=(dat2+dat28)/2; data3=(dat3+dat29)/2; data4=(dat4+dat30)/2; data5=(dat5+dat31)/2;


data6=(dat6+dat32)/2; data7=(dat7+dat33)/2; data8=(dat8+dat34)/2; data9=(dat9+dat35)/2; data10=(dat10+dat36)/2; data11=(dat11+dat37)/2; data12=(dat12+dat38)/2; data13=(dat13+dat39)/2; data14=(dat14+dat40)/2; data15=(dat15+dat41)/2; data16=(dat16+dat42)/2; data17=(dat17+dat43)/2; data18=(dat18+dat44)/2; data19=(dat19+dat45)/2; data20=(dat20+dat46)/2; data21=(dat21+dat47)/2; data22=(dat22+dat48)/2; data23=(dat23+dat49)/2; data24=(dat24+dat50)/2; data25=(dat25+dat51)/2; data26=(dat26+dat52)/2; z= [data1 data2 data3 data4 data5 data6 data7 data8 data9 data10 data11 data12 data13 data14 data15 data16 data17 data18 data19 data20 data21 data22 data23 data24 data25 data26]; %=============================================== function x5=prepros(x0,rz) %Preprocessing %KONVERSI RGB to HSV hsv=rgb2hsv(x0); % ============================================== % Segmentasi bagian depan (foreground) x1=hsv(:,:,2); depan=x1>0.45;

% Ambil bagian saturation % Original: 0.45

% Segmentasi kuning x2=hsv(:,:,1); % Ambil bagian hue x3=x2*360; % Setting nilai hue maks 360 th1=x3>35; % Original: 35 th2=x3<50; % Original: 45 kuning=and(th1,th2); % ========================================================================= % Segmentasi citra bendera berwarna kuning bkuning=and(depan,kuning); bbkuning=bwareaopen(bkuning,2000); % Remove small objects (yang kurang dari 4000 piksel dihilangkan) %========================================================================== % PROSES COPPING % Crop image if sum(sum(bbkuning))>0 % Potong kiri


cout=bbkuning; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Potong kanan cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Potong atas cout=cout'; a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Potong bawah cout=fliplr(cout); a=sum(cout); b=find(a>0); cout(:,1:b(1)-1)=[]; % Penyesuaian orientasi cout=cout'; cout=flipud(cout); cout=fliplr(cout); else cout=bbkuning; end % ========================================================================= % ========================================================================= % Proses Resizing x5=imresize(cout,rz); % =========================================================================

LISTING PROGRAM BASIS DATA (XCWV) function x3=xcwv(x0,m) %Ekstraksi Ciri for k=1:m x1=convx2(x0); x2=subsampling(x1); x0=x2; end x3=x0; % ================================================= % Internal function


% ================================================= function y=convx2(x) LPF=[0.7071 0.7071]; [b,k]=size(x); %Konvolusi baris for m=1:b x0=x(m,:); x(m,:)=convx(x0,LPF)'; end %Konvolusi kolom for m=1:k x0=x(:,m); x(:,m)=convx(x0',LPF)'; end y=x; % ================================================= function y = convx(x,LPF) % Proses konvolusi dengan ekstensi sinyal % Cat: Jumlah koef. LPF harus genap lx = length(x); lf = length(LPF); % Ekstensi sinyal batas=lf/2; kiri=x(lx-batas+1:lx); kanan=x(1:batas); x=[kiri x kanan]; % Konvolusi x=double (x); LPF= double(LPF); y = conv(x,LPF); % Keluarkan yang perlu awal=lf+1; akhir=awal+lx-1; y=y(awal:akhir); % ================================================= function y=subsampling(x) % Proses subsampling yang mempertahankan % Koefisien genap [b,k]=size(x); % Subsampling baris m=1:2:b; x(m,:)=[];


% Subsampling kolom m=1:2:k; x(:,m)=[]; y=x; % =================================================

LISTING PROGRAM FUNGSI JARAK (jarak) function z=jarak(x,y) % Hitung jarak Euclidean z=sqrt(sum((x-y).^2));


LAMPIRAN 3 DATA YANG DIPEROLEH Tabel 1. Data hasil pengujian secara tidak langsung pada peraga pertama. a. Jarak 3 meter & Desimasi 1 O I

A B C D E F G H I

J K L M N O P Q R S T U V W X Y Z

DESIMASI 1

A V B V C V D V E V F V G V H V I V J V K V L V M V N V O V P V Q V R V S V T V U V V V W V X V Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


b. Jarak 3 meter & Desimasi 2 O I

A B C D E F G H I


DESIMASI 2

A V B C V D E V F V G V H V V I V V J V K V L V M V N V O V P V Q V R V S V T V U V V V W V X V Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


c. Jarak 3 meter & Desimasi 3 O I

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

DESIMASI 3

A V B V C V D E V F V G V H V I V V J V K V L V M V N V O V P V Q V R V S V T V U V V V V W X V Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


d. Jarak 3,5 meter & Desimasi 1 O I

A B C D E F G H I




e. Jarak 3,5 meter & Desimasi 2 O I


DESIMASI 2



f. Jarak 3,5 meter & Desimasi 3 O I


DESIMASI 3

A V B V C V D V E V F V G V H V I V J K V L V M V N V O V P V Q V R V S V T V U V V V V W V X V Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


g. Jarak 4 meter & Desimasi 1 O I


DESIMASI 1



h. Jarak 4 meter & Desimasi 2 O I


DESIMASI 2



i. Jarak 4 meter & Desimasi 3 O I


DESIMASI 3

A V B V C V D V E V F V G H V I V J V K V L V M V N V O V P V Q V R V V S V T V U V V V W V X V Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


j. Jarak 4,5 meter & Desimasi 1 O I


DESIMASI 1

A B V C V V D V E V F V G V V H V I V J V K V L V M V N V O V P V Q V R V S V T V U V V W V X V Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


k. Jarak 4,5 meter & Desimasi 2 O I

A B C D E F G H I


A B V C V D V E V F V G V V H V I V J V K V L V M V N V O V P V Q V R V S V T V U V V V W V X V Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


l. Jarak 4,5 meter & Desimasi 3 O I


DESIMASI 3

A V B V C V V D V E V F V G V H V I V J V K V V L M V N V O V P V Q V R V S V T V U V V W V X V Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


m. Jarak 5 meter & Desimasi 1 O I


DESIMASI 1

A V B V C V D V E V F V G V H V I V J V K V L V M V N V O V P V Q V R V S V T V U V V V W V V X Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


n. Jarak 5 meter & Desimasi 2 O I


DESIMASI 2

A V B V C V D V E V F V G V H V I V J V K V L V M V N V O V P V Q V R V V S V T V U V V W V V X Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


o. Jarak 5 meter & Desimasi 3 O I


DESIMASI 3

A V V B V C V D V E V F V G H V I V J V K V L V M V N V V O V P V Q V R V S V T V U V V W V V X Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


Tabel 2. Data hasil pengujian secara tidak langsung pada peraga kedua. a. Jarak 3 meter & Desimasi 1 O I

A B C D E F G H I


DESIMASI 1

A V B V C V D E V F V G V H V I V J V K V L V M V N V O V P V Q V R V S V T V U V V V V W V X V Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


b. Jarak 3 meter & Desimasi 2 O I

A B C D E F G H I


DESIMASI 2

A V B V C V D E V F V G V H V I V J V K V L V M V N V O V P V Q V R V S V T V U V V V V W V X V Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


c. Jarak 3 meter & Desimasi 3 O I


DESIMASI 3

A V B V C V D E F V G V H V I V J K V V L V M N V O V P V Q V R V S V T V U V V V V V V W V X V Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


d. Jarak 3,5 meter & Desimasi 1 O I


DESIMASI 1



e. Jarak 3,5 meter & Desimasi 2 O I


DESIMASI 2



f. Jarak 3,5 meter & Desimasi 3 O I


DESIMASI 3

A V B V C V D V E V F V G V H V I V J V K V V L V M V N V O V P Q V R V S V T V U V V V W V X V Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


g. Jarak 4 meter & Desimasi 1 O I


DESIMASI 1



h. Jarak 4 meter & Desimasi 2 O I


DESIMASI 2

A V B V C V D V E V F V G V H V I V J K V L V M V N V O V P V Q V R V S V T V U V V V W V X V Y V V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


i. Jarak 4 meter & Desimasi 3 O I


DESIMASI 3

A V B V C V D V E V F G V H V I V J V K L V M V V N V O V P V Q V V R V S V T V U V V V W V X V Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


j. Jarak 4,5 meter & Desimasi 1 O I


DESIMASI 1

A V B V C D V E V F V G V H V I V J V K V L V M V N V O V P V Q V R V S V T V U V V V V W V X V Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


k. Jarak 4,5 meter & Desimasi 2 O I


DESIMASI 2

A V B V C D V E V F V G V H V I V J V K V L V M V N V O V P V Q V R V S V T V U V V V V W V X V Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


l. Jarak 4,5 meter & Desimasi 3 O I


DESIMASI 3

A V B V C V D V E V V F V G V H V I V J V K V V L V M V N V V O V P Q V R S V T V U V V V W V X Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


m. Jarak 5 meter & Desimasi 1 O I


DESIMASI 1

A V B V C V D V E V F V G V H V I V J V K L V V M V N V O V P V Q V R V S V T V U V V V W V X V Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


n. Jarak 5 meter & Desimasi 2 O I


DESIMASI 2

A V B V C V D V E V F V G V H V I V J V K L V V M V N V O V P V Q V R V S V T V U V V V W V X V Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


o. Jarak 5 meter & Desimasi 3 O I


DESIMASI 3

A V B V C V V D V E V F V G V H V I J V K L V V M V N V O V P V Q V R V S V T V U V V V W V X V Y V Z V Ket : Tanda centang (V) adalah hasil dari keluaran citra yang telah melalui proses pengenalan pola.


Tabel 3. Data hasil pengujian secara langsung pada peraga pertama. a. Jarak 3 meter & Desimasi 1 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z 4

1 5 5 4

1 5 5 5 4

1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 2

3 1

4 5 5

Ket : Angka 5 : Huruf yang dikenali sebanyak 5 kali dalam 5 kali pengujian. Angka 4 : Huruf yang dikenali sebanyak 4 kali dalam 5 kali pengujian. Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 5 kali pengujian. Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 5 kali pengujian. Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 5 kali pengujian.


b. Jarak 3 meter & Desimasi 2 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


2 5 5 4

1 5 5

2

5 5 1

5 5 5 5 5 4

1 5 5 5 5 5 5 5 5 3

2 5 5 5



c. Jarak 3 meter & Desimasi 3 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


1 5 3

1

1

5 4

1 5 5 5 5 5 5 5 5 3

2 5 5 5 5 5 5

1

4 5 4 1 5 5 5



d. Jarak 3,5 meter & Desimasi 1 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


1 5 5 3

1

1

4

1

5 5 5 5 5 4 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 Ket : Angka 5 : Huruf yang dikenali sebanyak 5 kali dalam 5 kali pengujian. Angka 4 : Huruf yang dikenali sebanyak 4 kali dalam 5 kali pengujian. Angka 3 : Huruf yang dikenali sebanyak 3 kali dalam 5 kali pengujian. Angka 2 : Huruf yang dikenali sebanyak 2 kali dalam 5 kali pengujian. Angka 1 : Huruf yang dikenali sebanyak 1 kali dalam 5 kali pengujian.


e. Jarak 3,5 meter & Desimasi 2 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z 5 5 5 5 4

1 5

2

3 5 5 5 5 5 5 4

1 5 5 5 5 5 5 2

3 5 5 1 4 5 5



f. Jarak 3,5 meter & Desimasi 3 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z 5 5 5 3

2 5 5 5 5 5 5 5 1 4 5

1

3

1 5 5 5 4

1 5 5 5 5 5 5 5 5



g. Jarak 4 meter & Desimasi 1 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


1 4

1 5 5 5 5

1

4 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1

4 4 1 2 3 5 5



h. Jarak 4 meter & Desimasi 2 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z 5 5 5 5 5 5 1

3

1 5 5 5 4 1 5 5 4

1 5 5 5 5 5 5 5 5 3 2 5 5 5



i. Jarak 4 meter & Desimasi 3 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z 5 5 5 4

1 5 5

1

4 5 1

4 1

5 1 3 5 5 5 5 5 5 5 5 5 5

1

4 5 5 5 5



j. Jarak 4,5 meter & Desimasi 1 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


1 4

1 5 5 4

1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5

1

3

1 4 1 5 5 5



k. Jarak 4,5 meter & Desimasi 2 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


1 5 5 5 5 5

1

3

1 5

1

4 5 5 5 5 3

2 5 5 5 5 5 5 5

2

3 5 5 5 5



l. Jarak 4,5 meter & Desimasi 3 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


2 5

2

3 5 5 3

2 5 1 4 5 5 5 5 5 5 5 5 1

4 5 5 5 5 5



m. Jarak 5 meter & Desimasi 1 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


2 5 5 5 4

1 5 5 5 5 3

2 5 5 4

1 5 5 5 5 5 5 5 1

4 5 5 1 4 5 5



n. Jarak 5 meter & Desimasi 2 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


2 5 5 5 4

1 5 5 5 5 5 5 5 4

1 5 5 5 5 5 5 5 2

3 5 3 2 1 4 5 5



o. Jarak 5 meter & Desimasi 3 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


2 5 5 5 4

1 5 5 5 5 5 4 1 5 5 3

2 5 5 5 5 5 5 5 5 5 2 3 5 5



Tabel 4. Data hasil pengujian secara langsung pada peraga kedua. a. Jarak 3 meter & Desimasi 1 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z 5 5 5 5 5 5 5 5 5 4

1 5 5 5 5 5 5 5 5 5 5 2

3 5 5 2

3 5 5



b. Jarak 3 meter & Desimasi 2 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


1 5 5 3

1

1

5 5 1

5 5 5 5 5 5 5 3

2 5 5 5 5 5 5 5 5 4 1 2 3 5 5



c. Jarak 3 meter & Desimasi 3 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


2 5 5 5 5 5 5 5 1

4 5 5 5 5 5 5 5 5 5 5 2

4 1 3 5 3 2 1 4 5 5



d. Jarak 3,5 meter & Desimasi 1 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


2 5 5 5 5 5 5 5 5 4

1 5 5 5 3

2 5 5 5 5 5 5 5

2

3 5 5 5 5



e. Jarak 3,5 meter & Desimasi 2 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


1 5 5 5 5 5 5 5 5 4

1 4 1 5 5 5 5 5 5 5 5 5 5

2

3 4 1 5 5 5



f. Jarak 3,5 meter & Desimasi 3 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z 5 3

2 5 5 5 5 5 5 5 5 3 2 1 4 5 5 5 5 5 5 5 5 1 1

4 4 5 1 4 5 5



g. Jarak 4 meter & Desimasi 1 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


2 5 5 5 5 5

1

4 5 5 5 4 1 5 5 5 5 5 5 5 5 5 5 5 4 1 1 4 5 5



h. Jarak 4 meter & Desimasi 2 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


1

1

5 5 5 5 5 5 5 5 5 3 2 5 5 5 5 5 5 5 5 5 5 1

4 4 1 2 3 5 5



i. Jarak 4 meter & Desimasi 3 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


1 5 5 4

1 5 5 5 5 5 5 3 2 1 4 5 5 5 5 5 5 5 5 5 1

3

1 3 2 5 5 5



j. Jarak 4,5 meter & Desimasi 1 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z 5 5 4 1 5 5 5 5 5 2

3 5 5 5 5

1

3

1 5 5 5 5 5 1

4 5 5 5 2 3 5 5



k. Jarak 4,5 meter & Desimasi 2 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


2 5 5 5 5 5 5 2 3 5 3

2 5 5 5 5 5 2

3 5 4

1 5 5 5 5



l. Jarak 4,5 meter & Desimasi 3 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


1 5 5 5 3 2 5 5 5 5 5 5 1 4 5 3

2 5 5 5 5 5 5

1

4 5 5 1 4 5 5



m. Jarak 5 meter & Desimasi 1 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


1 5 3 1 1 5

1 5 5 5 5 5 5 5 2 3 5 3

2 5 5 5 5 5 5 5 5 1

4 5 5 5



n. Jarak 5 meter & Desimasi 2 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


1

1

5 5 5 5 5 5 5 5 4

1 5 2 3 5

1

4 5 5 5 5 5 5 1 2

4 3 1

4 5 5 5



o. Jarak 5 meter & Desimasi 3 O I A B C D E F G H I J K L M N O P Q R S T U V W X Y Z


2 5 5 5 5 5 5 5 5 5 5 2 3 5

1

4 5 4

1 5 5 5 5

1

1

3 5 4 1 2 3 5 5



LAMPIRAN 4 HASIL RERATA TINGKAT PENGENALAN KODE HURUF SEMAPHORE 1. Hasil pengujian pengenalan kode huruf semaphore secara tidak langsung. 

Tingkat pengenalan dengan variasi desimasi. a. Pengujian dengan jarak 3 meter. TINGKAT PENGENALAN DESIMASI DESIMASI DESIMASI 1 2 3 PERAGA I PERAGA II RERATA

100%

92%

92%

96%

96%

85%

98%

94%

86%

b. c. Pengujian dengan jarak 3,5 meter. TINGKAT PENGENALAN DESIMASI DESIMASI DESIMASI 1 2 3 PERAGA I PERAGA II RERATA

100%

100%

96%

100%

100%

96%

100%

100%

96%

d. Pengujian dengan jarak 4 meter. TINGKAT PENGENALAN DESIMASI DESIMASI DESIMASI 1 2 3 PERAGA I PERAGA II RERATA

100%

100%

96%

100%

96%

88%

100%

98%

92%


e. Pengujian dengan jarak 4,5 meter. TINGKAT PENGENALAN DESIMASI DESIMASI DESIMASI 1 2 3 PERAGA I PERAGA II RERATA

92%

96%

92%

96%

96%

88%

94%

96%

90%

f. Pengujian dengan jarak 5 meter. TINGKAT PENGENALAN DESIMASI DESIMASI DESIMASI 1 2 3 PERAGA I PERAGA II RERATA



96%

92%

88%

96%

96%

92%

96%

94%

90%

Tingkat pengenalan dengan variasi jarak. a. Pengujian jarak 3 meter. TINGKAT PENGENALAN DESIMASI DESIMASI DESIMASI 1 2 3 PERAGA 100% 92% I PERAGA 96% 96% II b. Pengujian jarak 3,5 meter.

92%

95%

85%

92%

TINGKAT PENGENALAN DESIMASI DESIMASI DESIMASI 1 2 3 PERAGA I PERAGA II

RERATA

RERATA

100%

100%

96%

99%

100%

100%

96%

99%


c. Pengujian jarak 4 meter. TINGKAT PENGENALAN DESIMASI DESIMASI DESIMASI 1 2 3 PERAGA I PERAGA II

RERATA

100%

100%

96%

99%

100%

96%

88%

95%

d. Pengujian jarak 4,5 meter. TINGKAT PENGENALAN DESIMASI DESIMASI DESIMASI 1 2 3 PERAGA I PERAGA II

RERATA

92%

96%

92%

93%

96%

96%

88%

93%

e. Pengujian jarak 5 meter. TINGKAT PENGENALAN DESIMASI DESIMASI DESIMASI 1 2 3 PERAGA I PERAGA II



RERATA

96%

92%

88%

92%

96%

96%

92%

95%

Hasil rerata pengenalan dengan variasi desimasi. .DESIMASI 1 2 3

TINGKAT PENGENALAN 98% 96% 91%




Hasil rerata pengenalan dengan variasi jarak.

PERAGA I PERAGA II RERATA

Jarak 3 meter 95% 92% 94%

TINGKAT PENGENALAN Jarak 3,5 Jarak 4 Jarak 4,5 meter meter meter 99% 99% 93% 99% 95% 93% 99% 97% 93%

2. Hasil pengujian pengenalan kode huruf semaphore secara langsung. 

Tingkat pengenalan dengan variasi desimasi. a. Pengujian dengan jarak 3 meter. TINGKAT PENGENALAN DESIMASI DESIMASI DESIMASI 1 2 3 PERAGA I 96% 96% 94% PERAGA II 96% 94% 93% RERATA 96% 95% 94% b. Pengujian dengan jarak 3,5 meter.


TINGKAT PENGENALAN DESIMASI DESIMASI DESIMASI 1 2 3 96% 95% 96% 95% 96% 94% 96% 96% 95%

c. Pengujian dengan jarak 4 meter.





d. Pengujian dengan jarak 4,5 meter.



e. Pengujian dengan jarak 5 meter.





Tingkat pengenalan dengan variasi jarak. a. Pengujian dengan jarak 3 meter.

PERAGA I PERAGA II

TINGKAT PENGENALAN DESIMASI DESIMASI DESIMASI 1 2 3 96% 96% 94% 96% 94% 93%

RERATA 95% 94%

b. Pengujian dengan jarak 3,5 meter.

PERAGA I PERAGA II


RERATA 96% 95%


c. Pengujian dengan jarak 4 meter.

PERAGA I PERAGA II


RERATA 96% 94%

d. Pengujian dengan jarak 4,5 meter. TINGKAT PENGENALAN DESIMASI DESIMASI DESIMASI 1 2 3 PERAGA I 96% 94% 94% PERAGA II 94% 93% 94% e. Pengujian dengan jarak 5 meter.

PERAGA I PERAGA II 


95% 94%

RERATA 94% 92%

Hasil rerata pengenalan dengan variasi desimasi. DESIMASI 1 2 3



RERATA

TINGKAT PENGENALAN 95% 94% 94%

Hasil rerata pengenalan dengan variasi jarak.



TINGKAT PENGENALAN Jarak 3,5 Jarak 4 Jarak 4,5 meter meter meter 96% 96% 95% 95% 94% 94% 96% 95% 95%


PENGENALAN KODE HURUF SEMAPHORE

Recommend Documents