pengenalan tekstur menggunakan metode glcm...

TUGAS AKHIR

PENGENALAN TEKSTUR MENGGUNAKAN

METODE GLCM SERTA MODUL NIRKABEL

Diajukan untuk memenuhi salah satu syarat

memperoleh gelar Sarjana Teknik pada

Program Studi Teknik Elektro

Jurusan Teknik Elektro

Fakultas Sains dan Teknologi Universitas Sanata Dharma

disusun oleh :

EZRA ALVANSGA

NIM : 155114015

PROGRAM STUDI TEKNIK ELEKTRO

JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2019

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

FINAL PROJECT

TEXTURE RECOGNITION USING GLCM METHOD

AND WIRELESS MODULE

In a partial fulfilment of the requirements

for the degree of Sarjana Teknik

Department of Electrical Engineering

Faculty of Science and Technology, Sanata Dharma University

EZRA ALVANSGA

NIM : 155114015

DEPARTMENT OF ELECTRICAL ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2019


iii

LEMBAR PERSETUJUAN

TUGAS AKHIR



(TEXTURE RECOGNITION USING GLCM METHOD

AND WIRELESS MODULE)

Oleh :

EZRA ALVANSGA

NIM : 155114015

telah disetujui oleh :

Pembimbing

Dr. Linggo Sumarno M.T. Tanggal : _______________________


iv

HALAMAN PENGESAHAN

TUGAS AKHIR



(TEXTURE RECOGNITION USING GLCM METHOD

AND WIRELESS MODULE)

Disusun oleh :

EZRA ALVANSGA

NIM : 155114015

Telah dipertahankan di depan Panitia Penguji

pada tanggal 9 Juli 2019

dan dinyatakan memenuhi syarat

Susunan Panitia Penguji :

Nama Lengkap Tanda Tangan

Ketua : Augustinus Bayu Primawan, D. Tech.Sc. _________________________

Sekretaris : Dr. Linggo Sumarno _________________________

Anggota : Damar Widjaja, Ph. D. _________________________

Yogyakarta, ________________

Fakultas Sains Dan Teknologi

Universitas Sanata Dharma

Dekan,

Sudi Mungkasi, S.Si, M.Math.Sc.,Ph.D,


v

LEMBAR PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa tugas akhir yang saya tulis ini tidak

memuat karya orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka

sebagaiamana layaknya karya ilmiah.

Yogyakarta, 23 Juli 2019

Penulis

Ezra Alvansga


vi

HALAMAN PERSEMBAHAN

MOTTO:

“Stop Doubting, Start Believing!”

Persembahan

Tugas Akhir ini kupersembahkan untuk

Tuhan Yesus Kristus yang selalu memimpin setiap langkahku

Kedua orang tua dan keluarga yang selalu mendoakan yang

terbaik

Sepupuku yang selalu mendukung proses pembelajaranku

Dosen serta teman-teman yang sudah berdinamika bersama selama

masa perkuliahan


vii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA

ILMIAH UNTUK KEPENTINGAN AKADEMIS

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

Nama : Ezra Alvansga

Nomor Mahasiswa : 155114015

Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan

Universitas Sanata Dharma karya ilmiah yang berjudul :



Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan

kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam

bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara

terbatas, dan mempublikasikannya di Internet atau media lain untuk kepentingan akademis

tanpa perlu meminta ijin dari saya maupun memberikan royalti kepada saya selama tetap

mencantumkan nama saya sebagai penulis.

Dengan ini pernyataan yang saya buat dengan sebenarnya.


Penulis

Ezra Alvansga


viii

INTISARI

Perkembangan teknologi dalam bidang computer vision menjadi tantangan dalam

menganalisis dan mengolah citra. Salah satu obyek citra yang menjadi sorotan untuk dikenali

adalah tekstur citra. Tekstur merupakan atribut yang paling penting dalam computer vision.

Walaupun demikian, tekstur adalah salah satu konsep yang sulit direpresentasikan dalam

computer vision. Tidak seperti penglihatan manusia yang dapat dengan mudah mengenali

tekstur, algoritma computer vision rawan dengan kesalahan. Maka dari itu, computer vision

masih terus dalam pengembangan mengenai algoritma yang digunakan.

Salah satu metode yang dapat digunakan untuk pengenalan tekstur adalah metode

Gray Level Co-occurrence Matrix (GLCM). Metode GLCM merupakan ekstraksi ciri order

kedua yang menunjukkan hubungan statistik antara dua piksel. Metode ini memiliki 2

parameter penting, yaitu sudut dan jarak ketetanggaan piksel. Setiap sudut dan jarak

ketetanggaan pikselnya akan menghasilkan 5 nilai fitur, yaitu Angular Second Moment

(ASM), Kontras, Inverse Different Moment (IDM), Entropi dan Korelasi. Kelima nilai fitur

ekstraksi tersebut akan digunakan untuk klasifikasi tekstur dengan menggunakan jarak

Kosinus.

Berdasarkan hasil penelitian, perubahan variasi RST (Rotasi, Skala, Translasi) pada

tekstur masukan sangat berpengaruh terhadap tingkat pengenalan suatu tekstur dengan

metode GLCM. Secara keseluruhan pengenalan tekstur, variasi RST menurunkan unjuk

kerja pengenalan. Pada pengujian pengenalan tekstur tunggal dan tekstur ganda terlihat

bahwa variasi yang paling menurunkan unjuk kerja pengenalan ialah variasi Rotasi dengan

persentase rata-rata pengenalan paling rendah.

Kata kunci: computer vision, tekstur, GLCM, jarak Kosinus, variasi RST


ix

ABSTRACT

Technological developments in computer vision become challenge in analysis and

image processing. One object of the image that is highlighted is image texture. Texture is

the most important attribute in computer vision. However, texture is one of the concepts that

is difficult to represent in computer vision. Unlike human vision which can easily recognize

texture, computer vision is prone to errors. Therefore, computer vision is still in development

regarding the algorithm used.

One method that can be used for texture recognition is Gray Level Co-occurrence

Matrix (GLCM) method. The GLCM method is a second order feature extraction that shows

a statistical relationship between two pixels. This method has 2 important parameters,

namely the angle and distance of neighboring pixels. Each pixel angle and distance will

produce 5 feature values, namely Angular Second Moment (ASM), Contrast, Inverse

Different Moment (IDM), Entropy and Correlation. The five extraction feature values will

be used for texture classification using the Cosine distance.

Based on the results of the study, changes in RST variations (Rotation, Scale,

Translation) on the input texture greatly influence the level of success of texture recognition

by the GLCM method. Overall the texture recognitions, variations in RST decreases

recognition performance. In testing the recognition of single textures and double textures, it

can be seen that the variation that most decreases recognition performance is the variation

of Rotation with the lowest percentage of average recognition.

Keywords: computer vision, texture, GLCM, Cosine distance, RST variation


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus atas hikmat dan

anugerah yang Ia berikan sehingga penulis dapat menyelesaikan laporan Tugas Akhir yang

berjudul “Pengenalan Tekstur Menggunakan Metode GLCM Serta Modul Nirkabel”.

Tugas Akhir ini disusun sebagai salah satu syarat kelulusan untuk memperoleh gelar

Sarjana Teknik pada Program Studi Teknik Elektro, Fakultas Sains dan Teknologi,

Universitas Sanata Dharma Yogyakarta. Penulisan Tugas Akhir ini tidak lepas dari campur

tangan dan bantuan dari banyak pihak. Penulis menyadari bahwa ada banyak pihak yang

turut memberikan dukungan, bimbingan serta arahan sehingga penulisan ini dapat

diselesaikan dengan baik. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada:

1. Tuhan Yesus Kristus, yang senantiasa membimbing langkahku.

2. Bapak Sudi Mungkasi, S.Si., M.Math.Sc.,Ph.D., selaku Dekan Fakultas Sains dan

Teknologi Universitas Sanata Dharma.

3. Bapak Petrus Setyo Prabowo, S.T., M.T., selaku Ketua Program Studi Teknik Elektro,

Fakultas Sains dan Teknologi, Universitas Sanata Dharma.

4. Bapak Dr. Ir. Linggo Sumarno, M.T., selaku Dosen Pembimbing Tugas Akhir dan

Dosen Pembimbing Akademik yang selalu memberikan masukan dan dorongan,

kepada penulis untuk berkembang dan berproses, selalu sabar dan meluangkan

waktunya untuk bimbingan sehingga tugas akhir dapat diselesaikan dengan hasil yang

memuaskan.

5. Bapak Augustinus Bayu Primawan D.Tech.Sc. dan Bapak Damar Widjaja Ph.D.,

selaku dosen penguji tugas akhir yang telah memberi masukan, bimbingan serta saran

untuk menyempurnakan penulisan tugas akhir ini.

6. Danu Crismanto dan Yohanes Irvan Yulianto, selaku rekan dalam pengerjaan

penelitian Tugas Akhir yang selalu sabar dan saling mendukung satu sama lain

7. Bapak dan ibu dosen yang mengajarkan banyak hal dan memberikan pengalaman

dalam proses pembelajaran selama penulis menempuh pendidikan di Program Studi

Teknik Elektro, Fakultas Sains dan Teknologi, Universitas Sanata Dharma.

8. Kedua orang tua dan seluruh keluarga yang senantiasa mendukung dan mendoakan

yang terbaik sehingga penulis dapat menyelesaikan tugas akhir ini.


xi

9. Semua teman-teman yang sudah memberikan dukungannya selama penulisan tugas

akhir ini, khususnya untuk teman-teman Teknik Elektro angkatan 2015 serta teman-

teman Chi Alpha.

10. Seluruh staf dan karyawan Universitas Sanata Dharma atas pelayanan yang diberikan

untuk mahasiswa

11. Seluruh pihak yang tidak dapat disebutkan satu persatu yang membantu dalam

penyelesaian tugas akhir ini.

Penulis menyadari bahwa dalam penulisan tugas akhir ini masih banyak terdapat

kekurangan. Oleh karena itu, penulis mengharapkan adanya masukan, kritik dan saran yang

bersifat membangun untuk menyempurnakan kekurangan tugas akhir ini. Penulis berharap

tugas akhir ini dapat bermanfaat untuk penelitian selanjutnya terkait dengan topik yang

diambil oleh penulis. Sekian dan terima kasih.


Penulis

Ezra Alvansga


xii

DAFTAR ISI

HALAMAN SAMPUL (BAHASA INDONESIA) ................................................................ i

HALAMAN SAMPUL (BAHASA INGGRIS) .................................................................... ii

LEMBAR PERSETUJUAN ................................................................................................. iii

HALAMAN PENGESAHAN .............................................................................................. iv

LEMBAR PERNYATAAN KEASLIAN KARYA .............................................................. v

HALAMAN PERSEMBAHAN ........................................................................................... vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK

KEPENTINGAN AKADEMIS ........................................................................................... vii

INTISARI ........................................................................................................................... viii

ABSTRACT ......................................................................................................................... ix

KATA PENGANTAR ........................................................................................................... x

DAFTAR ISI ....................................................................................................................... xii

DAFTAR GAMBAR .......................................................................................................... xiv

DAFTAR TABEL .............................................................................................................. xvi

BAB I : PENDAHULUAN ................................................................................................... 1

1.1. Latar Belakang ........................................................................................................... 1

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

1.3. Batasan Masalah ........................................................................................................ 3

1.4. Metode Penelitian ...................................................................................................... 4

BAB II : DASAR TEORI ...................................................................................................... 6

2.1. Tekstur ....................................................................................................................... 6

2.2. ArduCAM Mini ......................................................................................................... 7

2.3. ESP8266 .................................................................................................................... 8

2.4. Pengolahan Citra Digital .......................................................................................... 10

2.4.1. Citra Digital ...................................................................................................... 10

2.4.2. Citra Grayscale ................................................................................................. 11

2.4.3. Citra RGB ......................................................................................................... 11

2.4.4. Konversi citra RGB menjadi citra Grayscale ................................................... 12

2.5. Machine Vision Systems .......................................................................................... 12

2.6. Gray Level Co-occurrence Matrix ........................................................................... 13

2.7. Jarak Kosinus ........................................................................................................... 24


xiii

BAB III : RANCANGAN PENELITIAN ........................................................................... 26

3.1. Proses Pengenalan Tekstur ...................................................................................... 26

3.1.1. Pengambilan dan Pengiriman Video Tekstur ................................................... 28

3.1.2. Penerimaan Video Tekstur ............................................................................... 29

3.1.3. Tahap Preprocessing ........................................................................................ 30

3.1.4. Tahap Ekstraksi Ciri GLCM ............................................................................. 31

3.1.5. Tahap Fungsi Jarak Kosinus ............................................................................. 33

3.1.6. Penentuan Keluaran .......................................................................................... 34

3.2. Perancangan Basis Data ........................................................................................... 34

3.3. Perancangan Tampilan GUI Matlab ........................................................................ 35

3.4. Perancangan Hardware ........................................................................................... 38

3.5. Pengujian Citra Tekstur ........................................................................................... 39

BAB IV : HASIL DAN PEMBAHASAN ........................................................................... 40

4.1. Hasil Pengujian dan Analisis Data .......................................................................... 40

4.1.1. Pengujian Pengaruh RST Terhadap Pengenalan Tekstur ................................. 40

4.1.2. Tingkat Pengenalan Terbaik Dan Terburuk ..................................................... 45

4.1.3. Pengujian Pengaruh Jarak Wireless .................................................................. 48

4.1.4. Pengujian Tambahan Perbaikan Kinerja Pengenalan Tekstur .......................... 52

4.1.5. Pengujian Pengenalan Tekstur Ganda .............................................................. 55

4.2. Beberapa Catatan ..................................................................................................... 59

4.3. Hasil Perbandingan Penelitian ................................................................................. 60

BAB V : KESIMPULAN DAN SARAN ............................................................................ 62

5.1. Kesimpulan .............................................................................................................. 62

5.2. Saran ........................................................................................................................ 62

DAFTAR PUSTAKA .......................................................................................................... 63

LAMPIRAN


xiv

DAFTAR GAMBAR

Gambar 2.1. Sepuluh tekstur tunggal: (a) gabah (b) jagung (c) kacang tanah (d) anyaman

bambu (e) karung goni (f) keset (g) jerami (h) handuk (i) rumput, dan (j) bebatuan, ........... 6

Gambar 2.2. Tiga tekstur ganda: (k) gabah dan karung goni (l) jagung dan karung goni,

dan (m) kacang dan karung goni ........................................................................................... 6

Gambar 2.3. Tekstur teratur (a) dan tektur tidak teratur atau acak (b) ................................ 7

Gambar 2.4. ArduCAM Mini Shield [10] ............................................................................ 8

Gambar 2.5. NodeMCU DevKit v1.0 [12] .......................................................................... 9

Gambar 2.6. Pin NodeMCU DevKit v1.0 [14] .................................................................. 10

Gambar 2.7. Matriks 2 Dimensi Representasi Citra Digital [15] ...................................... 10

Gambar 2.8. Nilai piksel citra grayscale dengan 6x6 ketetanggaan [15] .......................... 11

Gambar 2.9. Citra RGB (a) dengan komponen R (b), G (c), dan B (d) [15] ..................... 12

Gambar 3.1. Diagram blok keseluruhan sistem pengenalan tekstur ................................. 26

Gambar 3.2. Diagram alir keseluruhan sistem pengenalan tekstur ................................... 27

Gambar 3.3. (a) Diagram alir subrutin pengambilan dan pengiriman video streaming dan

(b) Diagram alir inisialisasi NodeMCU .............................................................................. 28

Gambar 3.4. Diagram alir subrutin penerimaan video streaming...................................... 30

Gambar 3.5. Diagram alir subrutin tahap preprocessing................................................... 31

Gambar 3.6. Diagram alir subrutin tahap ekstraksi ciri ..................................................... 31

Gambar 3.7. Diagram alir subrutin Gray Level Co-occurrence Matrix ............................ 32

Gambar 3.8. Diagram alir subrutin tahap fungsi jarak ...................................................... 33

Gambar 3.9. Diagram alir subrutin penentuan keluaran .................................................... 34

Gambar 3.10. Diagram alir perancangan basis data ............................................................ 35

Gambar 3.11. Diagram Alir Sistem Pengenalan Tekstur GUI ............................................ 36

Gambar 3.12. Sketsa perancangan GUI............................................................................... 37

Gambar 3.13. Perancangan Hardware ................................................................................ 38

Gambar 4.1. Grafik Tingkat Pengenalan Tekstur Dengan Pengaruh RST ........................ 41

Gambar 4.2. Grafik Pengaruh Variasi Rotasi Terhadap Pengenalan ................................ 42

Gambar 4.3. Grafik Pengaruh Variasi Skala Terhadap Pengenalan .................................. 43

Gambar 4.4. Grafik Pengaruh Variasi Translasi Terhadap Pengenalan ............................ 44

Gambar 4.5. Grafik Tingkat Pengenalan Tiap Tekstur Tunggal ....................................... 46


xv

Gambar 4.6. Citra Grayscale Tekstur Jagung Masukan Pada Sudut 20° (a) dan Citra

Grayscale Tekstur Jagung Basis Data (b) ........................................................................... 46

Gambar 4.7. Citra Grayscale Tekstur Kacang Masukan Pada Sudut 120° (a), Citra

Grayscale Tekstur Kacang Basis Data (b), dan Citra Grayscale Tekstur Bebatuan Basis

Data (c) ................................................................................................................................ 47

Gambar 4.8. Grafik Pengaruh Variasi Jarak Terhadap Kuat Sinyal .................................. 49

Gambar 4.9. Grafik Pengaruh Variasi Jarak Terhadap Tingkat Pengenalan ..................... 50

Gambar 4.10. Tampilan GUI Pengenalan Tekstur: pada jarak 1 m (a) ............................... 50

Gambar 4.11. Indikator lampu pada NodeMCU menyala ................................................... 51

Gambar 4.12. Tampilan GUI tidak menerima video streaming .......................................... 52

Gambar 4.13. Grafik Pengaruh Perbaikan Kinerja Dengan Perubahan Resolusi ................ 53

Gambar 4.14. Grafik Pengaruh Perbaikan Kinerja Dengan Perubahan Resolusi Dan

Normalisasi Nilai Fitur GLCM ........................................................................................... 54

Gambar 4.15. Grafik Tingkat Pengenalan Tekstur Dengan Pengaruh RST Setelah

Perbaikan Kinerja ................................................................................................................ 54

Gambar 4.16. Grafik Tingkat Pengenalan Tekstur Ganda Dengan Pengaruh RST ............ 55

Gambar 4.17. Grafik Pengaruh Variasi Rotasi Terhadap Pengenalan Tekstur Ganda ........ 56

Gambar 4.18. Grafik Pengaruh Variasi Skala Terhadap Pengenalan Tekstur Ganda ......... 57

Gambar 4.19. Grafik Pengaruh Variasi Translasi Terhadap Pengenalan Tekstur Ganda ... 58

Gambar 4.20. Citra Grayscale Tekstur Jagung (a) dan Citra Grayscale Tekstur Kacang (b)

............................................................................................................................................. 60


xvi

DAFTAR TABEL

Tabel 2.1. Spesifikasi ArduCAM Mini 2MP [10] ................................................................. 8

Tabel 2.2. Spesifikasi NodeMCU DevKit v1.0 [13] ............................................................. 9

Tabel 2.3. Tabel Nilai Piksel Matriks GLCM ..................................................................... 19

Tabel 3.1. Keterangan Sketsa GUI ...................................................................................... 37

Tabel 4.1. Tabel Jarak Kosinus Tekstur Jagung Terhadap Basis Data ............................... 46

Tabel 4.2. Tabel Jarak Kosinus Tekstur Kacang Terhadap Basis Data ............................... 47

Tabel 4.3. Hasil Perbandingan Penelitian ............................................................................ 61


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Perkembangan teknologi yang semakin maju, terutama di bidang computer vision

menjadi tantangan dalam menganalisis dan pemrosesan citra. Computer vision digunakan

dengan tujuan komputer yang dapat mengenali suatu bidang dengan penglihatan layaknya

manusia. Penglihatan manusia telah diciptakan sedemikian rupa sehingga dapat mengenali

objek sekitar, salah satunya ialah tekstur obyek. Tekstur merupakan atribut yang paling

penting dalam aplikasi computer vision [1]. Tekstur pada suatu obyek dapat dikenali manusia

menggunakan indera penglihatan. Indera penglihatan mengenali tekstur dengan melihat pola

(corak) yang ada pada permukaan obyek. Pada hal ini, computer vision berusaha

menganalisis citra agar dapat dikenali teksturnya. Tekstur adalah salah satu konsep yang

sulit direpresentasikan dalam computer vision. Pada umumya, untuk mengindentifikasi

tekstur suatu citra dilakukan pemodelan tekstur sebagai variasi skala keabuan 2 dimensi.

Tidak seperti penglihatan manusia yang dapat dengan mudah mengenali tekstur, algoritma

computer vision rawan dengan kesalahan. Berbagai faktor yang ada serta keterbatasan

computer vision menjadi penyebab sering terjadinya kesalahan. Maka dari itu, computer

vision masih terus dalam pengembangan mengenai algoritma yang digunakan [2]. Dengan

bantuan software pengolah citra, data digital dari citra dapat dianalisis menggunakan rumus

tertentu agar didapat nilai angka yang menjadi hasil dari ekstraksi ciri suatu citra. Ektraksi

ciri ini yang nantinya akan menjadi kunci untuk computer vision mengenali bidang

bertekstur.

Berdasarkan penelitian sebelumnya, tekstur citra dapat dikenali oleh Adnyana [3]

dengan metode Statistical Texture Descriptor (STD). Penulis mengembangkan penelitian

tersebut dengan mengenali tekstur menggunakan metode yang berbeda, yaitu dengan metode

Gray Level Co-occurrence Matrix atau GLCM. Metode ini telah digunakan dalam berbagai

penelitian sebelumnya antara lain: untuk citra satelit dari awan dan mengidentifikasi jenis

awan berdasarkan tekstur, untuk aplikasi dalam bidang medis, untuk analisis citra aerial,

untuk citra satelit, untuk analisis citra mikroskopis [4], untuk deteksi kecacatan kain dalam


2

bidang industri tekstil [5], untuk karakterisasi struktur sedimen biogenik [6] dan lain

sebagainya. Metode GLCM merupakan ekstraksi order kedua pada fitur statistik tekstur.

Dengan metode GLCM, tekstur citra dengan skala grayscale dapat menghasilkan setidaknya

20 fitur ekstraksi (5 fitur ektraksi tiap sudut ketetanggaannya). Pengembangan penelitian ini

dilakukan untuk mengembangkan penelitian sebelumnya menggunakan metode yang

berbeda untuk mengenali tekstur.

Tekstur yang akan dikenali penulis merupakan tekstur aktual. Berbeda dengan

penelitian yang dilakukan sebelumnya yang menggunakan citra tekstur dalam bentuk

gambar, penulis akan mengumpulkan 13 tekstur asli yang bermacam-macam sebagai bahan

penelitian. Tiga belas tekstur terdiri dari 10 tekstur tunggal dan 3 tekstur ganda. Untuk

mengenali bermacam-macam tekstur dalam 1 permukaan (tekstur ganda) menjadi tantangan

dalam computer vision mengenali tiap tekstur yang terdapat dalam 1 permukaan. Sepuluh

tekstur tunggal tersebut ialah tekstur gabah, jagung, kacang tanah, anyaman bambu, karung

goni, keset, jerami, handuk, rumput, dan bebatuan. Tiga tekstur ganda ialah gabah dan

karung goni, jagung dan karung goni, serta kacang dan karung goni. Pada tekstur ganda, satu

citra memiliki 2 jenis tekstur.

Salah satu pengembangan lain dari penelitian sebelumnya ialah penambahan

komunikasi nirkabel antara kamera yang menangkap citra tekstur dengan laptop yang

mengolah citra tekstur. Teknologi komunikasi tanpa kabel atau nirkabel (wireless) semakin

populer karena seringkali teknologi wireless lebih mudah untuk pengguna. Kebebasan

bergerak bagi pengguna menjadi salah satu keunggulan dari teknologi wireless. Pengguna

dapat mengakses jaringan dari manapun dengan jarak tertentu [7]. Hal ini meningkatkan

mobilitas dari suatu perangkat sehingga lebih fleksibel.

1.2. Tujuan dan Manfaat Penelitian

Tujuan penelitian tugas akhir ini adalah untuk menghasilkan suatu alat dengan

mengembangkan computer vision dalam mengenali tekstur suatu bidang atau permukaan.

Manfaat pengembangan penelitian ini adalah sebagai alat bantu pengguna aplikasi

computer vision untuk mengenali berbagai tekstur serta karakteristik dari tiap tekstur.

Dengan menggunakan metode yang berbeda dari penelitian sebelumnya, pengembangan

penelitian ini juga bermanfaat untuk perkembangan ilmu pengetahuan dan teknologi

mengenai pengenalan tekstur (texture recognition).


3

1.3. Batasan Masalah

Perancangan pengembangan penelitian ini meliputi perangkat keras dan perangkat

lunak. Perangkat keras yang digunakan yaitu kamera ArduCAM sebagai pengambil citra

tekstur, modul nirkabel ESP8266 untuk mengirim citra tekstur serta laptop sebagai penerima

citra tekstur. Perangkat lunak yang digunakan yaitu perangkat lunak pengolahan citra Matlab

untuk memroses dan menganalisis citra tekstur agar dapat dikenali. Pada perancangan

pengembangan penelitian ini, penulis telah menetapkan batasan-batasan masalah sebagai

berikut:

a. Tekstur yang akan dikenali berupa 13 tekstur aktual. Tiga belas tekstur ini terdiri

atas 10 tekstur tunggal yang berbeda dari penelitian sebelumnya [3] ditambah 3

tekstur ganda dari masukan penguji. Sepuluh tekstur tunggal yaitu tekstur gabah,

jagung, kacang tanah, anyaman bambu, karung goni, keset, jerami, handuk, rumput,

dan bebatuan. Tiga tekstur ganda yaitu gabah dan karung goni, jagung dan karung

goni, serta kacang dan karung goni.

b. Kamera ArduCAM digunakan untuk mengambil video.

c. Video dikirim dari ArduCAM melalui modul nirkabel ESP8266.

d. Resolusi video adalah 160 x 120 piksel.

e. Laptop terkoneksi dengan sinyal wifi dari modul nirkabel ESP8266.

f. Laptop menerima video yang dikirim modul nirkabel ESP8266 dan menangkap

citra dari video tersebut.

g. MATLAB sebagai perangkat lunak pengolahan citra.

h. Ekstraksi ciri menggunakan metode GLCM.

i. Perhitungan jarak menggunakan jarak Kosinus.

j. Variasi skala tekstur yaitu jarak kamera dengan tekstur : 20 cm, 25 m, dan 30 cm

berdasar pada penelitian sebelumnya [3] dengan penyesuaian terhadap kamera

yang penulis gunakan.

k. Variasi rotasi tekstur : 20°, 60°, dan 120° berdasar pada penelitian sebelumnya [3].

l. Variasi translasi tekstur : 1 cm vertikal (atas dan bawah) dan 1 cm horizontal (kiri

dan kanan) berdasar pada penelititan sebelumnya [3].

m. Variasi jarak wireless antara ESP8266 dengan laptop sebagai penerima : 1 m, 10

m, 20 m, 30 m, 40 m, dan 50 m berdasar percobaan yang dilakukan penulis.

n. Pengenalan dilakukan secara real time.


4

o. Hasil pengenalan tekstur di luar 13 tekstur yang telah dilatihkan akan dikenali

sebagai 13 tekstur yang telah dilatihkan.

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 tekstur, pemrograman Matlab, image processing,

ekstraksi ciri metode Gray Level Co-occurrence Matrix, fungsi jarak kosinus,

penggunaan ArduCAM, dan pengiriman citra melalui modul nirkabel ESP8266.

b. Perancangan hardware

Sistem diawali dengan kamera ArduCAM untuk mengambil citra tekstur.

Kamera ArduCAM dihubungkan dengan modul nirkabel NodeMCU ESP8266

menggunakan kabel jumper. Laptop dihubungkan dengan NodeMCU ESP8266

sebagai suplai tegangan. NodeMCU ESP8266 digunakan untuk mentransmisikan citra

tekstur yang diambil ArduCAM. Laptop menerima citra tekstur kemudian software

Matlab mengolah citra tersebut.

c. Pembuatan software

Software yang digunakan ialah Matlab. Sistem dibuat dengan program graphical

user interface (GUI) pada Matlab. Sistem akan bekerja ketika pengguna menekan

tombol “Kamera On”. Setelah kamera berada dalam kondisi menyala, pengguna

menekan tombol “Ambil Citra” untuk mengambil citra tekstur. Laptop akan mengirim

instruksi kepada arducam. Citra tekstur diambil oleh Arducam dan dikirim ke laptop

melalui modul ESP8266. Citra yang diterima ditampilkan ke layar monitor laptop

dalam software Matlab. Citra tersebut diproses dengan tahap ekstraksi ciri. Setelah

didapat hasil ekstrasi ciri dari tiap fitur, hasil tersebut dibandingkan dengan hasil

ekstraksi ciri dari basis data. Dengan fungsi jarak kosinus, tekstur dengan hasil jarak

yang paling kecil akan keluar sebagai output berupa tulisan pada layar monitor.

Tombol “Reset” untuk menghapus data citra masukan dan output.

d. Pembuatan basis data

Data citra tekstur akan diambil terlebih dahulu sebagai basis data. Citra tekstur

yang disimpan ke basis data sebanyak 13 data. Pertama, setelah data citra diterima,

data tersebut diproses ke tahap preprocessing. Di tahap ini, citra RGB yang diterima

diubah ke citra grayscale. Hasil dari tahap preprocessing diproses ke tahap ekstraksi


5

ciri. Hasil ekstraksi ciri berupa angka dan disimpan ke dalam matriks basis data.

Kemudian matriks tersebut disimpan dalam format “.mat”. Matriks basis data

digunakan sebagai acuan untuk mengenali tekstur.

e. Pengambilan data

Penelitian ini menggunakan 13 jenis tekstur yang berbeda dengan variasi skala,

rotasi, dan translasi. Tekstur yang diuji ialah tekstur tunggal dan tekstur ganda.

Sepuluh tekstur tunggal yang akan diuji antara lain: gabah, jagung, kacang tanah,

anyaman bambu, karung goni, keset, jerami, handuk, rumput, dan bebatuan. Tiga

tekstur ganda yang akan diuji antara lain: gabah dan karung goni, jagung dan karung

goni, serta kacang dan karung goni. Pengambilan data tiap tekstur dilakukan dengan

skala, rotasi, dan translasi yang berbeda. Pengambilan data tanpa variasi dilakukan

pada posisi awal dengan jarak kamera terhadap tekstur sebesar 20 cm, sudut putar 0°

dan tanpa pergeseran (posisi tekstur berada di tengah kamera). Variasi skala dapat

dilakukan dengan mengubah jarak kamera terhadap tekstur. Pengambilan data variasi

skala menggunakan 2 variasi jarak, yaitu 25 cm dan 30 cm. Variasi rotasi dapat

dilakukan dengan memutar tekstur terhadap kamera. Pengambilan data variasi rotasi

menggunakan 3 variasi sudut putar, yaitu 20°, 60°, dan 120°. Variasi translasi dapat

dilakukan dengan menggeser tekstur dari posisi awal. Pengambilan data variasi

translasi menggunakan 4 variasi geser, yaitu sejauh 1 cm secara vertikal (atas dan

bawah) dan horizontal (kiri dan kanan) dari posisi awal. Pengujian tekstur ganda

dilakukan seperti pengujian tekstur tunggal dengan variasi skala, rotasi, dan translasi.

Jumlah data yang diambil untuk 13 tekstur x 1 posisi awal = 13 data, 13 tekstur x 2

variasi skala = 26 data, 13 tekstur x 3 variasi rotasi = 39 data, 13 tekstur x 4 variasi

translasi = 52 data. Masing-masing data ditambahkan dan didapat data sebanyak 130

data pada penelitian ini.

f. Analisis dan penyimpulan

Analisis data dilakukan dengan meneliti pengaruh dari skala, rotasi, dan translasi

terhadap tekstur yang dikenali serta mengenali tesktur dalam 1 citra. Penyimpulan

hasil dilakukan untuk mengetahui pengaruh metode pengenalan tekstur GLCM

terhadap variasi skala, rotasi, dan translasi serta pengaruh 2 tekstur dalam 1 citra.

Penyimpulan hasil juga dilakukan dengan membandingkan unjuk kerja metode GLCM

dengan STD [3]. Pengaruh jarak wireless juga menjadi data pendukung untuk melihat

pengaruh unjuk kerja pengenalan tekstur.


6

BAB II

DASAR TEORI

2.1. Tekstur

Menurut Kamus Besar Bahasa Indonesia, tekstur adalah ukuran dan susunan (jaringan)

bagian suatu benda. Dalam pengertian lain, tekstur merupakan jalinan atau penyatuan

bagian-bagian sesuatu sehingga membentuk suatu benda (seperti susunan serat dalam kain,

susunan sel-sel dalam tubuh). Tekstur juga bisa diartikan sebagai perasaan, rupa, atau

konsistensi suatu permukaan atau substansi. Menurut Bhosle dkk [1], tekstur merupakan

pengulangan dari elemen atau pola pada suatu permukaan. Adanya pengulangan elemen

pada suatu permukaan membuat suatu permukaan bisa dikatakan memiliki tekstur.

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

(f) (g) (h) (i) (j)

Gambar 2.1. Sepuluh tekstur tunggal: (a) gabah (b) jagung (c) kacang tanah (d) anyaman

bambu (e) karung goni (f) keset (g) jerami (h) handuk (i) rumput, dan (j) bebatuan,

(k) (l) (m)

Gambar 2.2. Tiga tekstur ganda: (k) gabah dan karung goni (l) jagung dan karung goni, dan

(m) kacang dan karung goni


7

Dalam bukunya, Kadir [8] mengambil definisi tekstur sebagai hubungan mutual antara

nilai intensitas piksel ketetanggaan yang berulang di suatu area yang lebih luas daripada

jarak hubungan ketetanggaan tersebut. Kadir juga membagi tekstur menjadi 2 kategori

berdasarkan keteraturan pengulangan polanya, yaitu teratur dan tidak teratur. Tekstur teratur

memiliki pola berulang yang selalu sama dan cenderung konstan. Tekstur tidak teratur

memiliki pola berulang yang berbeda dan cenderung acak. Tekstur teratur dan tidak teratur

dapat dilihat pada Gambar 2.3.

(a) (b)

Gambar 2.3. Tekstur teratur (a) dan tektur tidak teratur atau acak (b)

(Gambar (a) dan (b) diambil dari Brodatz Textures)

Dalam pengolahan citra digital, tekstur menjadi salah satu karakteristik yang penting

dalam menganalisis berbagai jenis citra. Tekstur dapat dilihat dalam semua citra, mulai dari

citra multispectral scanner yaitu citra satelit untuk analisis remote sensing hingga citra

mikroskopik yaitu citra sel untuk analisis biomedis. Haralick mengklasifikasikan

karakterisasi tekstur menjadi 2 metode, yaitu metode statistical (menganalisis distribusi

spasial keabuan dengan menghitung statistik intensitas piksel) dan metode structural

(menghitung rerata texels dalam cara tertentu dengan tata aturan yang ada) [9].

2.2. ArduCAM Mini

Modul kamera ArduCAM Mini 2MP merupakan versi yang paling baik dari

ArduCAM Shield Rev.C. Modul kamera ini adalah kamera SPI high definition 2 MP dengan

sensor gambar CMOS OV2640. Untuk dapat menggunakan ArduCAM dibutuhkan code

library serta hardware yang mendukung. Kamera ArduCAM mini Shield dapat dilihat pada

Gambar 2.4.


8

Gambar 2.4. ArduCAM Mini Shield [10]

Salah satu kelebihan dari ArduCAM Mini 2MP adalah dapat digunakan di berbagai kit,

seperti Arduino, Raspberry Pi, Maple dan kit lainnya selama ada pin SPI dan I2C serta dapat

digunakan dengan standar board Arduino. Dengan demikian, ArduCAM dapat dengan

mudah diprogram menggunakan Arduino IDE. ArduCAM Mini 2MP memiliki 8 pin dengan

fungsinya masing-masing. Spesifikasi dari ArduCAM Mini 2MP dapat dilihat pada Tabel

2.1.

Tabel 2.1. Spesifikasi ArduCAM Mini 2MP [10]

Power Supply Normal: 5V/70mA

Low Power Mode: 5V/20mA

SPI Speed 8MHz

Frame buffer 384KB

Size 34 x 24 mm

Weight 20g

Temperature -10°C ~ +55°C

Active array size 1600 x 1200

Shutter Rolling shutter

Lens ¼ inch

Resolution support UXGA, SVGA, VGA, QVGA, CIF, QCIF

Format support RAW, YUV, RGB, JPEG

Pixel Size 2.2 µm x 2.2 µm

2.3. ESP8266

ESP8266 merupakan Wi-Fi chips yang diproduksi oleh Espressif Systems, perusahaan

semikonduktor yang beroperasi di Shanghai, China. ESP8266EX adalah suatu system-on-

chip yang terintegrasi modul mikrokontroller Tensilica 32-bit, interface periferal digital

standar, antena, RF balun, power amplifier, low noise receive amplifier, filter dan power

management ke dalam pak yang kecil [11].


9

Gambar 2.5. NodeMCU DevKit v1.0 [12]

Fungsi utama dari ESP8266 ialah sebagai modul Wi-Fi untuk pengiriman data tanpa

kabel. ESP8266 menyediakan kapabilitas untuk jaringan Wi-Fi 2.4GHz dengan standar

802.11 b/g/n. Hal tersebut memungkinkan ESP8266 menjadi sebuah server sebagai tempat

yang menyimpan dan mengirim data. Kemudian client menerima data dari server. Jaringan

yang digunakan merupakan jaringan Local Area Network (LAN). Adapun salah satu

pengembangan kit dari ESP8266 ialah NodeMCU DevKit V1.0. NodeMCU ini merupakan

generasi kedua, yaitu pengembangan dari versi sebelumnya dengan chip yang ditingkatkan

dari sebelumnya ESP12 menjadi ESP12E [13]. Dengan NodeMCU ESP-12E, modul Wi-Fi

dapat digunakan diberbagai proyek untuk mempermudah pemakaian ESP8266.

Tabel 2.2. Spesifikasi NodeMCU DevKit v1.0 [13]


10

Gambar 2.6. Pin NodeMCU DevKit v1.0 [14]

2.4. Pengolahan Citra Digital

2.4.1. Citra Digital

Citra digital dapat direpresentasikan sebagai matriks 2 dimensi dengan angka riil.

Angka riil pada citra digital biasa disebut sebagai picture elements atau piksel. Tiap piksel

direpresentasikan dengan satu atau lebih nilai numerik. Untuk citra monokrom (grayscale),

nilai piksel tunggal menunjukkan intensitas piksel dengan rentang pada umumnya [0,255].

Untuk citra berwarna, terdapat 3 nilai dalam satu piksel menunjukkan jumlah merah (R),

hijau (G), dan biru (B). Matriks citra digital dengan ukuran M x N piksel, dapat ditulis

dengan fungsi f(x,y). Pada fungsi ini, x adalah angka baris dari 0 hingga M-1 dan y adalah

angka kolom dari 0 hingga N-1 (Gambar 2.7)

)1,1()1,1()0,1(

)1,1()1,1()0,1(

)1,0()1,0()0,0(

),(

NMfMfMf

Nfff

Nfff

yxf

Gambar 2.7. Matriks 2 Dimensi Representasi Citra Digital [15]


11

2.4.2. Citra Grayscale

Pada citra Grayscale, tiap koordinat piksel f(x,y) mencerminkan intensitas tingkat

keabuan (gray level). Nilai maksimal dan minimal dari intensitas piksel bervariasi

tergantung dari jenis data yang digunakan. Untuk rentang yang biasa digunakan

direpresentasikan: 0.0 (hitam) hingga 1.0 (putih) untuk tipe data double dan 0 (hitam) hingga

255 (putih) untuk tipe data uint8 (unsigned integer, 8 bits) [15]. Sebagai contoh, nilai piksel

citra grayscale dengan 6x6 ketetanggaan dapat dilihat pada Gambar 2.8.

Gambar 2.8. Nilai piksel citra grayscale dengan 6x6 ketetanggaan [15]

2.4.3. Citra RGB

Citra RGB merupakan citra berwarna yang representasinya lebih kompleks dan

bervariasi. Citra RGB terdiri dari 3 dimensi array, yaitu M x N x 3. M dan N adalah dimensi

panjang dan lebar citra sedangkan 3 adalah jumlah kanal warna. Terdapat 3 kanal warna,

yaitu merah (R), hijau (G), dan biru (B). Setiap kanal warna mengandung nilai 8-bit, yang

mengindikasikan skala merah, hijau, dan biru antara 0 hingga 255. Tiap piksel memiliki 3

komponen kanal warna untuk merepresentasi warna. Kombinasi dari 3 kanal warna 8-bit

menghasilkan angka 24-bit sehingga terdapat 224 (16.777.216) kombinasi warna.

Representasi alternatif ialah menggunakan 32-bit per piksel dengan memasukkan kanal ke-

4 yang disebut kanal alpha. Kanal tersebut digunakan untuk ukuran transparansi tiap piksel

yang biasa digunakan dalam penyuntingan citra. Citra RGB dengan komponen R, G, dan B

dapat dilihat pada Gambar 2.9.


12

Gambar 2.9. Citra RGB (a) dengan komponen R (b), G (c), dan B (d) [15]

2.4.4. Konversi citra RGB menjadi citra Grayscale

Pada banyak sistem pemrosesan citra, seringkali citra berwarna (RGB) perlu

dikonversi menjadi citra dengan skala keabuan (grayscale). Citra berwarna pada dasarnya

memiliki 3 layer warna yaitu merah, hijau, dan biru. Citra grayscale hanya memiliki 1 layer

warna untuk skala keabuan. Untuk mengkonversi citra RGB menjadi citra grayscale

menggunakan persamaan 2.1 [15].

𝐼 = 0.2989 ∗ 𝑅 + 0.5870 ∗ 𝐺 + 0.1141 ∗ 𝐵 (2.1)

Berdasarkan persamaan 2.1, I menyatakan citra grayscale hasil konversi, R

menyatakan nilai kanal warna merah, G menyatakan nilai kanal warna hijau, dan B

menyatakan nilai kanal warna biru.

2.5. Machine Vision Systems

Machine Vision Systems atau Computer Vision Systems ialah suatu sistem bagaimana

komputer dapat mengenali objek layaknya penglihatan manusia (Human Visual System). Di


13

dalam Machine Vision Systems secara umum, terdapat beberapa tahap dalam pengolahan

suatu citra agar dapat diklasifikasikan, yaitu:

a. Tahap Akuisisi

Pada tahap ini, objek ditangkap menggunakan kamera dengan pengaturan

pencahayaan untuk memastikan bahwa citra yang diambil dapat diproses lebih lanjut.

Beberapa pertimbangan yang diambil pada tahap ini, yakni seperti jarak antara kamera

dengan objek, pergeseran kamera terhadap objek, dan rotasi kamera terhadap objek.

b. Tahap Preprocessing

Tujuan dari tahap ini ialah untuk meningkatkan kualitas dari citra, seperti peningkatan

kontras, koreksi kecerahan, dan noise removal.

c. Tahap Segmentasi

Pada tahap ini bertujuan untuk membagi citra menjadi beberapa bagian ke dalam

komponen utama, yaitu objek relevan dan latar belakang. Tahap ini adalah salah satu

tantangan dalam Machine Vision System.

d. Tahap Ekstraksi Fitur

Dalam tahap ini terdapat algoritma yang berfungsi untuk enkode konten citra menjadi

bentuk informasi yang deskriptif. Fitur yang paling relevan setelah citra melalui tahap

segmentasi ialah ukuran distribusi (intensitas) warna, tekstur, dan bentuk. Fitur ini

biasanya disebut dengan vektor fitur (feature vector) berupa indikator numerik dari

konten citra. Fitur tersebut yang akan menjadi modal suatu konten citra dikenali

(diklasifikasi).

e. Tahap Klasifikasi

Setelah citra melalui tahap ekstraksi dan didapat vektor fitur, selanjutnya ialah tahap

pengklasifikasian atau pengenalan. Pemrosesan citra digunakan untuk mengenali pola

(pattern recognition).

2.6. Gray Level Co-occurrence Matrix

Metode Gray Level Co-occurrence Matrix (GLCM) adalah salah satu ekstraksi order

kedua pada fitur statistik tekstur. Ekstraksi order kedua menunjukkan hubungan statistik

antara 2 piksel. GLCM adalah sebuah matriks dengan jumlah baris dan kolom sebanding

dengan jumlah gray level (G) dalam suatu citra. Metode GLCM menggunakan citra berskala

keabuan (grayscale). Rumus matriks GLCM dapat dilihat pada Persamaan 2.2.


14

𝐺𝐿𝐶𝑀𝑟(𝑖, 𝑗) ={(𝑥1, 𝑦1), (𝑥2, 𝑦2) 𝜖 (𝑁𝑥, 𝑁𝑦) × (𝑁𝑥, 𝑁𝑦) |

𝑓(𝑥1, 𝑦1) = 𝑖 ∧ 𝑓(𝑥2, 𝑦2) = 𝑗 ∧ 𝑟 = (𝑥2 − 𝑥1, 𝑦2 − 𝑦1)⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ } (2.2)

Sebagai contoh, matriks G adalah matriks referensi yang berupa citra grayscale. Nilai

(i,j) merupakan nilai intensitas piksel. Dengan demikian, matriks GLCM adalah matriks

frekuensi dengan elemen (i,j) merupakan jumlah dari hubungan ketetanggaan nilai piksel i

dengan jarak dan sudut tertentu (𝑟) terhadap nilai piksel j. Jumlah baris dan kolom matriks

GLCM bergantung pada tingkat keabuan suatu citra. Karena nilai tingkat keabuan

(grayscale) suatu citra antara 0 hingga 255, matriks GLCM bisa memiliki baris dan kolom

sebesar 256 x 256. [6]

Menurut Newsam [16], untuk mendapat hasil ekstraksi ciri GLCM ada 2 hal perlu

yang dilakukan. Pertama ialah memasangkan piksel co-occurences spasial yang dipisahkan

oleh sudut dan jarak tertentu yang ditabulasi menggunakan GLCM. Kedua ialah GLCM

digunakan untuk menghitung kuantitas skalar yang memiliki karakteristik dengan aspek

yang berbeda sesuai teksturnya. Nilai kuantitas ini merupakan hasil ekstraksi ciri dari GLCM

yang digunakan untuk menginterpretasikan suatu tekstur.

GLCM memiliki 4 arah sudut dalam ketetanggaan antar piksel, yaitu 0°, 45°, 90°, dan

135°. Sebagai ilustrasi, arah sudut ketetanggaan piksel GLCM dapat dilihat pada Gambar

2.10. Untuk sudut 0°, ketetanggaan piksel dihitung dengan jarak 1 piksel ke kanan. Untuk

sudut 45°, ketetanggaan piksel dihitung dengan jarak 1 piksel ke kanan atas. Untuk sudut

90°, ketetanggaan piksel dihitung dengan jarak 1 piksel ke atas. Untuk sudut 180°,

ketetanggaan piksel dihitung dengan jarak 1 piksel ke atas.

Gambar 2.10. Arah sudut ketetanggaan piksel pada metode GLCM

Contoh matriks berikut memperlihatkan penjelasan cara kerja metode GLCM serta

hubungan ketetanggaan antar piksel.

0°

45° 90°

135°


15

Gambar 2.11. Contoh matriks 4x4 dengan variasi angka 0 sampai 3

Matriks disusun ulang berdasarkan hubungan antar piksel berdasarkan matriks

framework di bawah. Matriks dengan hubungan antar piksel disebut matriks GLCM. Matriks

tersebut terdiri dari 4 baris, yaitu baris 0, 1, 2, dan 3 serta 4 kolom, yaitu kolom 0, 1, 2, dan

3. Dimensi matriks GLCM sesuai dengan angka minimum pada matriks hingga angka

maksimum pada matriks. Pada citra grayscale, angka minimum pada matriks ialah 0 dan

angka maksimum pada matriks ialah 255. Dengan demikian pada matriks GLCM dengan

citra grayscale, memiliki dimensi matriks 256x256. Matriks GLCM mula-mula diisi angka

0.

Gambar 2.12. Matriks Framework GLCM

Matriks di bawah (Gambar 2.13) memperlihatkan hubungan antar piksel dengan sudut

ketetanggaan 0° yaitu piksel baris ke-1 kolom ke-1 dengan baris ke-1 kolom ke-2. Pada

piksel tersebut terdapat angka 0 dan 1. Pasangan ketetanggaan (0,1) pada matriks framework

GLCM bertambah 1.

Gambar 2.13. Ketetanggaan piksel (0,1) bertambah 1

0 1 0 1

2 3 1 1

0 2 3 2

2 1 3 1

0 1 2 3

0 (0,0) (0,1) (0,2) (0,3)

1 (1,0) (1,1) (1,2) (1,3)

2 (2,0) (2,1) (2,2) (2,3)

3 (3,0) (3,1) (3,2) (3,3)

0 1 2 3

0 0 0 0 0

1 0 0 0 0

2 0 0 0 0

3 0 0 0 0

0 1 2 3

0 0 1 0 0

1 0 0 0 0

2 0 0 0 0

3 0 0 0 0

0 1 0 1

2 3 1 1

0 2 3 2

2 1 3 1


16


ketetanggaan 0° yaitu baris ke-1 kolom ke-2 dengan baris ke-1 kolom ke-3. Pada piksel

tersebut terdapat angka 1 dan 0. Pasangan ketetanggaan (1,0) pada matriks framework

GLCM bertambah 1.



ketetanggaan 0° yaitu baris ke-1 kolom ke-3 dengan baris ke-1 kolom ke-4. Pada piksel

tersebut terdapat angka 0 dan 1. Pasangan ketetanggaan (1,0) pada matriks framework

GLCM bertambah 1 menjadi 2.


Demikian proses tersebut diulang hingga baris ke-4 sehingga didapat matriks GLCM

sudut 0° seperti Gambar 2.16. Kemudian matriks GLCM dijumlah dengan transpose dari

matriks itu sendiri agar matriks menjadi simetris. Setelah matriks GLCM simetris

selanjutnya matriks GLCM dinormalisasi agar dapat dianalisis untuk menghitung masing-

masing ekstraksi fitur menggunakan rumus. Penjumlahan matriks GLCM dengan matriks

GLCM transpose dapat dilihat pada Gambar 2.17.

0 1 0 1

2 3 1 1

0 2 3 2

2 1 3 1

0 1 2 3

0 0 1 0 0

1 1 0 0 0

2 0 0 0 0

3 0 0 0 0

0 1 2 3

0 0 2 0 0

1 1 0 0 0

2 0 0 0 0

3 0 0 0 0

0 1 0 1

2 3 1 1

0 2 3 2

2 1 3 1


17

Gambar 2.16. Matriks GLCM 4x4 sudut 0°

Matriks GLCM sudut 0° Matriks GLCM transpose

Matriks GLCM Simetris sudut 0°

Gambar 2.17. Matriks GLCM 4x4 sudut 0° setelah dibuat simetris

Setelah didapat matriks GLCM yang simetris, matriks GLCM melalui tahap

normalisasi. Tiap nilai piksel matriks akan dibagi dengan jumlah piksel ketetanggaan. Pada

Gambar 2.17, jumlah piksel ketetanggaan ialah 24. Untuk itu, tiap nilai piksel matriks

GLCM akan dibagi dengan 24. Setelah matriks GLCM dinormalisasi, selanjutnya dapat

dihitung menggunakan rumus untuk mendapat nilai ekstraksi ciri.

Gambar 2.18. Matriks GLCM 4x4 sudut 0° setelah dinormalisasi

0 1 2 3

0 0 2 1 0

1 1 1 0 1

2 0 1 0 2

3 0 2 1 0

0 2 1 0

1 1 0 1

0 1 0 2

0 2 1 0

0 1 0 0

2 1 1 2

1 0 0 1

0 1 2 0

0 3 1 0

3 2 1 3

1 1 0 3

0 3 3 0

0 3/24 1/24 0

3/24 2/24 1/24 3/24

1/24 1/24 0 3/24

0 3/24 3/24 0

0 0.125 0.042 0

0.125 0.083 0.042 0.125

0.042 0.042 0 0.125

0 0.125 0.125 0

+

=

=


18

Metode GLCM dapat menghasilkan setidaknya 5 ekstraksi ciri dari suatu citra digital

tiap sudut ketetanggaan pikselnya [8]. Lima besaran yang digunakan untuk mendapat hasil

ekstraksi ciri tersebut antara lain: angular second moment (ASM), kontras, inverse different

moment (IDM), entropi, dan korelasi. ASM merupakan ukuran homogenitas citra. Kontras

merupakan ukuran keberadaan aras keabuan dalam citra. IDM juga digunakan untuk

mengukur homogenitas. Entropi merupakan ukuran ketidakteraturan aras keabuan dalam

citra. Korelasi merupakan ukuran ketergantungan linear antar nilai aras keabuan dalam citra.

ASM bisa disebut juga uniformity atau energy. ASM adalah penjumlahan pangkat dari

elemen matriks GLCM. ASM memiliki nilai yang tinggi ketika citra memiliki homogenitas

yang baik atau nilai piksel yang hampir serupa. Untuk mencari ekstraksi fitur ASM dapat

digunakan rumus sebagai berikut.

𝐴𝑆𝑀 = ∑ ∑(𝐺𝐿𝐶𝑀(𝑖, 𝑗))2

𝐿

𝑗=1

𝐿

𝑖=1

(2.3)

Kontras bisa disebut juga inertia. Kontras adalah suatu ukuran intensitas aras keabuan

ntara piksel dengan piksel lainnya dengan lokasi relatif. Kontras memiliki batas nilai dari 0

hingga pangkat 2 dari panjang matriks GLCM simetris. Pada citra dengan elemen piksel

yang bernilai sama secara keseluruhan, kontras bernilai 0. Untuk mencari ekstraksi fitur

kontras dapat digunakan rumus sebagai berikut.

𝐾𝑜𝑛𝑡𝑟𝑎𝑠 = ∑ ∑(𝑖 − 𝑗)2𝐺𝐿𝐶𝑀(𝑖, 𝑗)

𝐿

𝑗=1

𝐿

𝑖=1

(2.4)

IDM bisa disebut juga homogeneity. IDM adalah homogenitas lokal. IDM berkaitan

dengan kontras. Bobot IDM merupakan kebalikan dari bobot kontras. Untuk mencari

ekstraksi fitur IDM dapat digunakan rumus sebagai berikut.

𝐼𝐷𝑀 = ∑ ∑𝐺𝐿𝐶𝑀(𝑖, 𝑗)

1 + (𝑖 − 𝑗)2

𝐿

𝑗=1

𝐿

𝑖=1

(2.5)

Entropi adalah ukuran ketidakaturan aras keabuan dalam suatu citra. Nilai entropi akan

semakin tinggi jika nilai elemen piksel citra semakin acak. Untuk mencari ekstraksi fitur

entropi dapat digunakan rumus sebagai berikut.

𝐸𝑛𝑡𝑟𝑜𝑝𝑦 = − ∑ ∑ 𝐺𝐿𝐶𝑀(𝑖, 𝑗) log 𝐺𝐿𝐶𝑀(𝑖, 𝑗)

𝐿

𝑗=1

𝐿

𝑖=1

(2.6)


19

Korelasi dalam GLCM mengukur ketergantungan linear dari aras keabuan dalam

ketetanggaan piksel citra. Untuk mencari ekstraksi fitur korelasi dapat digunakan rumus

sebagai berikut.

𝐾𝑜𝑟𝑒𝑙𝑎𝑠𝑖 = ∑ ∑(𝑖 − µ𝑖′) ∗ (𝑗−µ𝑗′) ∗ 𝐺𝐿𝐶𝑀(𝑖, 𝑗)

𝜎𝑖′ ∗ 𝜎𝑗′

𝐿

𝑗=1

𝐿

𝑖=1

(2.7)

dengan:

µ𝑖′ = ∑ ∑ 𝑖 ∗ 𝐺𝐿𝐶𝑀(𝑖, 𝑗)

𝐿

𝑗=1

𝐿

𝑖=1

(2.8)

µ𝑗′ = ∑ ∑ 𝑗 ∗ 𝐺𝐿𝐶𝑀(𝑖, 𝑗)

𝐿

𝑗=1

𝐿

𝑖=1

(2.9)

𝜎𝑖′2 = ∑ ∑ 𝐺𝐿𝐶𝑀(𝑖, 𝑗)(𝑖 − µ𝑖′)

2

𝐿

𝑗=1

𝐿

𝑖=1

(2.10)

𝜎𝑗′2 = ∑ ∑ 𝐺𝐿𝐶𝑀(𝑖, 𝑗)(𝑗 − µ𝑗′)

2𝐿

𝑗=1

𝐿

𝑖=1

(2.11)

Rumus-rumus ekstraksi ciri tersebut dapat diterapkan pada matriks GLCM 4x4 sudut

0° (Gambar 2.19). Nilai piksel matriks GLCM 4x4 dapat dilihat melalui Tabel 2.3. Nilai

piksel 0 tidak dihitung dalam rumus.

Gambar 2.19. Matriks GLCM 4x4 sudut 0°

Tabel 2.3. Tabel Nilai Piksel Matriks GLCM

GLCM Nilai

(1,2) 0.125

(1,3) 0.042

(2,1) 0.125

(2,2) 0.083

(2,3) 0.042

(2,4) 0.125

(3,1) 0.042

(3,2) 0.042

(3,4) 0.125

(4,2) 0.125

(4,3) 0.125

0 0.125 0.042 0

0.125 0.083 0.042 0.125

0.042 0.042 0 0.125

0 0.125 0.125 0


20

Berikut ini adalah perhitungan kelima fitur untuk mendapat hasil ekstraksi ciri.

a. ASM

= ∑ ∑(𝐺𝐿𝐶𝑀(𝑖, 𝑗))2

𝐿

𝑗=1

𝐿

𝑖=1

= {𝐺𝐿𝐶𝑀(1,2)2 + 𝐺𝐿𝐶𝑀(1,3)2 + 𝐺𝐿𝐶𝑀(2,1)2 + 𝐺𝐿𝐶𝑀(2,2)2 + 𝐺𝐿𝐶𝑀(2,3)2

+ 𝐺𝐿𝐶𝑀(2,4)2 + 𝐺𝐿𝐶𝑀(3,1)2 + 𝐺𝐿𝐶𝑀(3,2)2 + 𝐺𝐿𝐶𝑀(3,4)2

+ 𝐺𝐿𝐶𝑀(4,2)2 + 𝐺𝐿𝐶𝑀(4,3)2}

= {0.1252 + 0.0422 + 0.1252 + 0.0832 + 0.0422 + 0.1252 + 0.0422 + 0.0422

+ 0.1252 + 0.1252 + 0.1252}

= 𝟎. 𝟏𝟎𝟕𝟔

b. Kontras

= ∑ ∑(𝑖 − 𝑗)2𝐺𝐿𝐶𝑀(𝑖, 𝑗)

𝐿

𝑗=1

𝐿

𝑖=1

= {(1 − 2)2𝐺𝐿𝐶𝑀(1,2) + (1 − 3)2𝐺𝐿𝐶𝑀(1,3) + (2 − 1)2𝐺𝐿𝐶𝑀(2,1)

+ (2 − 2)2𝐺𝐿𝐶𝑀(2,2) + (2 − 3)2𝐺𝐿𝐶𝑀(2,3) + (2 − 4)2𝐺𝐿𝐶𝑀(2,4)

+ (3 − 1)2𝐺𝐿𝐶𝑀(3,1) + (3 − 2)2𝐺𝐿𝐶𝑀(3,2) + (3 − 4)2𝐺𝐿𝐶𝑀(3,4)

+ (4 − 2)2𝐺𝐿𝐶𝑀(4,2) + (4 − 3)2𝐺𝐿𝐶𝑀(4,3)}

= {0.125 + 4 ∗ 0.042 + 0.125 + 0 + 0.042 + 4 ∗ 0.125 + 4 ∗ 0.042 + 0.042 + 0.125

+ 4 ∗ 0.125 + 0.125}

= 𝟎. 𝟏𝟗𝟐

c. IDM

= ∑ ∑𝐺𝐿𝐶𝑀(𝑖, 𝑗)

1 + (𝑖 − 𝑗)2

𝐿

𝑗=1

𝐿

𝑖=1

= {𝐺𝐿𝐶𝑀(1,2)/(1 + (1 − 2)^2 ) + 𝐺𝐿𝐶𝑀(1,3)/(1 + (1 − 3)^2 ) + 𝐺𝐿𝐶𝑀(2,1)/(1

+ (2 − 1)^2 ) + 𝐺𝐿𝐶𝑀(2,2)/(1 + (2 − 2)^2 ) + 𝐺𝐿𝐶𝑀(2,3)/(1 + (2

− 3)^2 ) + 𝐺𝐿𝐶𝑀(2,4)/(1 + (2 − 4)^2 ) + 𝐺𝐿𝐶𝑀(3,1)/(1 + (3

− 1)^2 ) + 𝐺𝐿𝐶𝑀(3,2)/(1 + (3 − 2)^2 ) + 𝐺𝐿𝐶𝑀(3,4)/(1 + (3

− 4)^2 ) + 𝐺𝐿𝐶𝑀(4,2)/(1 + (4 − 2)^2 ) + 𝐺𝐿𝐶𝑀(4,3)/(1 + (4

− 3)^2 )}

= {0.125/2 + 0.042/5 + 0.125/2 + 0.083/1 + 0.042/2 + 0.125/5 + 0.042/5

+ 0.042/2 + 0.125/2 + 0.125/5 + 0.125/2}

= 𝟎. 𝟒𝟒𝟏


21

d. Entropi

= − ∑ ∑ 𝐺𝐿𝐶𝑀(𝑖, 𝑗) log 𝐺𝐿𝐶𝑀(𝑖, 𝑗)

𝐿

𝑗=1

𝐿

𝑖=1

= −{𝐺𝐿𝐶𝑀(1,2) log 𝐺𝐿𝐶𝑀 (1,2) + 𝐺𝐿𝐶𝑀(1,3) log 𝐺𝐿𝐶𝑀 (1,3)

+ 𝐺𝐿𝐶𝑀(2,1) log 𝐺𝐿𝐶𝑀 (2,1) + 𝐺𝐿𝐶𝑀(2,2) log 𝐺𝐿𝐶𝑀 (2,2)




+ 𝐺𝐿𝐶𝑀(4,3) log 𝐺𝐿𝐶𝑀 (4,3)}

= −{0.125 log 0.125 + 0.042 log 0.042 + 0.125 log 0.125 + 0.083 log 0.083

+ 0.042 log 0.042 + 0.125 log 0.125 + 0.042 log 0.042

+ 0.042 log 0.042 + 0.125 log 0.125 + 0.125 log 0.125

+ 0.125 log 0.125}

= 𝟎.9973

e. Korelasi

µ𝑖′ = ∑ ∑ 𝑖 ∗ 𝐺𝐿𝐶𝑀(𝑖, 𝑗)

𝐿

𝑗=1

𝐿

𝑖=1

= {1 ∗ 𝐺𝐿𝐶𝑀(1,2) + 1 ∗ 𝐺𝐿𝐶𝑀(1,3) + 2 ∗ 𝐺𝐿𝐶𝑀(2,1) + 2 ∗ 𝐺𝐿𝐶𝑀(2,2) + 2

∗ 𝐺𝐿𝐶𝑀(2,3) + 2 ∗ 𝐺𝐿𝐶𝑀(2,4) + 3 ∗ 𝐺𝐿𝐶𝑀(3,1) + 3 ∗ 𝐺𝐿𝐶𝑀(3,2)

+ 3 ∗ 𝐺𝐿𝐶𝑀(3,4) + 4 ∗ 𝐺𝐿𝐶𝑀(4,2) + 4 ∗ 𝐺𝐿𝐶𝑀(4,3)}

= {0.125 + 0.042 + 2 ∗ 0.125 + 2 ∗ 0.083 + 2 ∗ 0.042 + 2 ∗ 0.125 + 3 ∗ 0.042 + 3

∗ 0.042 + 3 ∗ 0.125 + 4 ∗ 0.125 + 4 ∗ 0.125}

= 2.554

𝜎𝑖′2 = ∑ ∑ 𝐺𝐿𝐶𝑀(𝑖, 𝑗)(𝑖 − µ𝑖′)

2

𝐿

𝑗=1

𝐿

𝑖=1

= {𝐺𝐿𝐶𝑀(1,2) ∗ (1 − 2.554)2 + 𝐺𝐿𝐶𝑀(1,3) ∗ (1 − 2.554)2 + 𝐺𝐿𝐶𝑀(2,1)

∗ (2 − 2.554)2 + 𝐺𝐿𝐶𝑀(2,2) ∗ (2 − 2.554)2 + 𝐺𝐿𝐶𝑀(2,3)

∗ (2 − 2.554)2 + 𝐺𝐿𝐶𝑀(2,4) ∗ (2 − 2.554)2 + 𝐺𝐿𝐶𝑀(3,1)

∗ (3 − 2.554)2 + 𝐺𝐿𝐶𝑀(3,2) ∗ (3 − 2.554)2 + 𝐺𝐿𝐶𝑀(3,4)

∗ (3 − 2.554)2 + 𝐺𝐿𝐶𝑀(4,2) ∗ (4 − 2.554)2 + 𝐺𝐿𝐶𝑀(4,3)

∗ (4 − 2.554)2}


22

= {0.125 ∗ (1 − 2.554)2 + 0.042 ∗ (1 − 2.554)2 + 0.125 ∗ (2 − 2.554)2 + 0.083

∗ (2 − 2.554)2 + 0.042 ∗ (2 − 2.554)2 + 0.125 ∗ (2 − 2.554)2

+ 0.042 ∗ (3 − 2.554)2 + 0.042 ∗ (3 − 2.554)2 + 0.125

∗ (3 − 2.554)2 + 0.125 ∗ (4 − 2.554)2 + 0.125 ∗ (4 − 2.554)2}

= 1.0827

µ𝑗′ = ∑ ∑ 𝑗 ∗ 𝐺𝐿𝐶𝑀(𝑖, 𝑗)

𝐿

𝑗=1

𝐿

𝑖=1

= {2 ∗ 𝐺𝐿𝐶𝑀(1,2) + 3 ∗ 𝐺𝐿𝐶𝑀(1,3) + 1 ∗ 𝐺𝐿𝐶𝑀(2,1) + 2 ∗ 𝐺𝐿𝐶𝑀(2,2) + 3

∗ 𝐺𝐿𝐶𝑀(2,3) + 4 ∗ 𝐺𝐿𝐶𝑀(2,4) + 1 ∗ 𝐺𝐿𝐶𝑀(3,1) + 2 ∗ 𝐺𝐿𝐶𝑀(3,2)

+ 4 ∗ 𝐺𝐿𝐶𝑀(3,4) + 2 ∗ 𝐺𝐿𝐶𝑀(4,2) + 3 ∗ 𝐺𝐿𝐶𝑀(4,3)}

= {2 ∗ 0.125 + 3 ∗ 0.042 + 0.125 + 2 ∗ 0.083 + 3 ∗ 0.042 + 4 ∗ 0.125 + 0.042 + 2

∗ 0.042 + 4 ∗ 0.125 + 2 ∗ 0.125 + 3 ∗ 0.125}

= 2.554

𝜎𝑗′2 = ∑ ∑ 𝐺𝐿𝐶𝑀(𝑖, 𝑗)(𝑗 − µ𝑗′)

2𝐿

𝑗=1

𝐿

𝑖=1

= {𝐺𝐿𝐶𝑀(1,2) ∗ (2 − 2.554)2 + 𝐺𝐿𝐶𝑀(1,3) ∗ (3 − 2.554)2 + 𝐺𝐿𝐶𝑀(2,1)

∗ (1 − 2.554)2 + 𝐺𝐿𝐶𝑀(2,2) ∗ (2 − 2.554)2 + 𝐺𝐿𝐶𝑀(2,3)

∗ (3 − 2.554)2 + 𝐺𝐿𝐶𝑀(2,4) ∗ (4 − 2.554)2 + 𝐺𝐿𝐶𝑀(3,1)

∗ (1 − 2.554)2 + 𝐺𝐿𝐶𝑀(3,2) ∗ (2 − 2.554)2 + 𝐺𝐿𝐶𝑀(3,4)

∗ (4 − 2.554)2 + 𝐺𝐿𝐶𝑀(4,2) ∗ (2 − 2.554)2 + 𝐺𝐿𝐶𝑀(4,3)

∗ (3 − 2.554)2}

= {0.125 ∗ (2 − 2.554)2 + 0.042 ∗ (3 − 2.554)2 + 0.125 ∗ (1 − 2.554)2 + 0.083

∗ (2 − 2.554)2 + 0.042 ∗ (3 − 2.554)2 + 0.125 ∗ (4 − 2.554)2

+ 0.042 ∗ (1 − 2.554)2 + 0.042 ∗ (2 − 2.554)2 + 0.125

∗ (4 − 2.554)2 + 0.125 ∗ (2 − 2.554)2 + 0.125 ∗ (3 − 2.554)2}

= 1.0827

𝐾𝑜𝑟𝑒𝑙𝑎𝑠𝑖 = ∑ ∑(𝑖 − µ𝑖′) ∗ (𝑗−µ𝑗′) ∗ 𝐺𝐿𝐶𝑀(𝑖, 𝑗)

𝜎𝑖′ ∗ 𝜎𝑗′

𝐿

𝑗=1

𝐿

𝑖=1


23

= {((1 − 2.554) ∗ (2 − 2.554) ∗ 𝐺𝐿𝐶𝑀(1,2))/(1.0827 ∗ 1.0827) + ((1 − 2.554) ∗ (3

− 2.554) ∗ 𝐺𝐿𝐶𝑀(1,3))/(1.0827 ∗ 1.0827) + ((2 − 2.554) ∗ (1

− 2.554) ∗ 𝐺𝐿𝐶𝑀(2,1))/(1.0827 ∗ 1.0827) + ((2 − 2.554) ∗ (2

− 2.554) ∗ 𝐺𝐿𝐶𝑀(2,2))/(1.0827 ∗ 1.0827) + ((2 − 2.554) ∗ (3

− 2.554) ∗ 𝐺𝐿𝐶𝑀(2,3))/(1.0827 ∗ 1.0827) + ((2 − 2.554) ∗ (4

− 2.554) ∗ 𝐺𝐿𝐶𝑀(2,4))/(1.0827 ∗ 1.0827) + ((3 − 2.554) ∗ (1

− 2.554) ∗ 𝐺𝐿𝐶𝑀(3,1))/(1.0827 ∗ 1.0827) + ((3 − 2.554) ∗ (2

− 2.554) ∗ 𝐺𝐿𝐶𝑀(3,2))/(1.0827 ∗ 1.0827) + ((3 − 2.554) ∗ (4

− 2.554) ∗ 𝐺𝐿𝐶𝑀(3,4))/(1.0827 ∗ 1.0827) + ((4 − 2.554) ∗ (2

− 2.554) ∗ 𝐺𝐿𝐶𝑀(4,2))/(1.0827 ∗ 1.0827) + ((4 − 2.554) ∗ (3

− 2.554) ∗ 𝐺𝐿𝐶𝑀(4,3))/(1.0827 ∗ 1.0827)}

= {((1 − 2.554) ∗ (2 − 2.554) ∗ 0.125)/(1.0827 ∗ 1.0827) + ((1 − 2.554) ∗ (3

− 2.554) ∗ 0.042)/(1.0827 ∗ 1.0827) + ((2 − 2.554) ∗ (1 − 2.554)

∗ 0.125)/(1.0827 ∗ 1.0827) + ((2 − 2.554) ∗ (2 − 2.554)

∗ 0.083)/(1.0827 ∗ 1.0827) + ((2 − 2.554) ∗ (3 − 2.554)

∗ 0.042)/(1.0827 ∗ 1.0827) + ((2 − 2.554) ∗ (4 − 2.554)

∗ 0.125)/(1.0827 ∗ 1.0827) + ((3 − 2.554) ∗ (1 − 2.554)

∗ 0.042)/(1.0827 ∗ 1.0827) + ((3 − 2.554) ∗ (2 − 2.554)

∗ 0.042)/(1.0827 ∗ 1.0827) + ((3 − 2.554) ∗ (4 − 2.554)

∗ 0.125)/(1.0827 ∗ 1.0827) + ((4 − 2.554) ∗ (2 − 2.554)

∗ 0.125)/(1.0827 ∗ 1.0827) + ((4 − 2.554) ∗ (3 − 2.554)

∗ 0.125)/(1.0827 ∗ 1.0827)

= 𝟎. 𝟏𝟎𝟒𝟕

Dengan demikian, ekstraksi ciri matriks GLCM 4x4 sudut 0° ialah sebagai berikut:

ASM = 0.1076

Kontras = 0.192

IDM = 0.4418

Entropi = 0.9973

Korelasi = 0.1047

Tiap sudut GLCM memiliki 5 ekstraksi fitur. Dalam satu citra dapat digunakan 4 sudut

ketetanggaan piksel. Dengan demikian, dalam satu citra dapat menghasilkan 20 ekstraksi


24

fitur yang memiliki karakternya masing-masing. Ekstraksi fitur tersebut kemudian disimpan

dalam bentuk matriks sendiri yang bisa disebut matriks ekstraksi ciri GLCM.

2.7. Jarak Kosinus

Fungsi jarak digunakan untuk menentukan hasil ekstraksi ciri yang paling mendekati

dengan basis data. Hasil ekstraksi ciri dari masukan akan dihitung dengan fungsi jarak

terhadap tiap-tiap hasil ekstraksi ciri di basis data. Fungsi jarak Kosinus merupakan salah

satu fungsi untuk menghitung jarak. Fungsi jarak Kosinus berkaitan dengan fungsi

similaritas Kosinus. Jarak Kosinus dapat dihasilkan dengan mengurangi desimal 1 terhadap

similaritas Kosinus. Rumus di bawah ini menampilkan rumus fungsi jarak Kosinus. [17]

𝐽𝑎𝑟𝑎𝑘 𝐾𝑜𝑠𝑖𝑛𝑢𝑠 = 1 −∑ 𝑥𝑖𝑦𝑖

𝑛𝑖=1

√∑ 𝑥𝑖2𝑛

𝑖=1 √∑ 𝑦𝑖2𝑛

𝑖=1

(2.12)

Pada persamaan 2.12, x menyatakan elemen matriks pertama dan y menyatakan

elemen matriks kedua. Untuk penjelasan lebih lanjut akan dijelaskan melalui contoh matriks

sederhana dibawah ini.

Elemen Matriks A = ( 2, 3, 4 )

Elemen Matriks B = ( 2, 3, 5 )

Elemen Matriks C = ( 1, 4, 4 )

Jarak matriks A dan matriks B

𝐽𝑎𝑟𝑎𝑘 𝐾𝑜𝑠𝑖𝑛𝑢𝑠 = 1 −2 ∙ 2 + 3 ∙ 3 + 4 ∙ 5

√22 + 32 + 42 × √22 + 32 + 52

= 1 −33

√29 × √38

= 1 − 0.9941 = 𝟎. 𝟎𝟎𝟓𝟗

Jarak matriks A dan matriks C

𝐽𝑎𝑟𝑎𝑘 𝐾𝑜𝑠𝑖𝑛𝑢𝑠 = 1 −2 ∙ 1 + 3 ∙ 4 + 4 ∙ 4

√22 + 32 + 42 × √12 + 42 + 42


25

= 1 −30

√29 × √33

= 1 − 0.9698 = 𝟎. 𝟎𝟑𝟎𝟐

Jarak Kosinus matriks A dan matriks B adalah 0.0059. Jarak Kosinus matriks A dan

matriks C adalah 0.0302. Dengan demikian, jarak yang paling minimal adalah

matriks 1 dan matriks 2. Jarak yang paling minimal menunjukkan bahwa matriks

memiliki kemiripan yang paling dekat.


26

BAB III

RANCANGAN PENELITIAN

3.1. Proses Pengenalan Tekstur

Proses perancangan sistem software untuk pengenalan tekstur terdiri dari pengambilan

citra tekstur, pengiriman citra tekstur, penerimaan citra tekstur, ekstraksi ciri GLCM, fungsi

jarak dan penentuan keluaran. Diagram blok proses pengenalan tekstur dapat dilihat pada

Gambar 3.1. Diagram alir keseluruhan sistem pengenalan tekstur dapat dilihat pada Gambar

3.2.

Gambar 3.1. Diagram blok keseluruhan sistem pengenalan tekstur

Pengambilan

Video Tekstur

Pengiriman

Video Tekstur

Penerimaan

Video Tekstur

Preprocessing Ekstraksi Ciri

GLCM

Fungsi Jarak

Basis Data

Penentuan

Keluaran

Keluaran

berupa teks

pada monitor


27

Gambar 3.2. Diagram alir keseluruhan sistem pengenalan tekstur

Mulai

Pengambilan dan

Pengiriman Video Tekstur

Penerimaan Video Tektur

Menampilkan Citra RGB

Preprocessing

Menampilkan Citra Grayscale

Ekstraksi Ciri GLCM

Menampilkan

hasil ekstraksi ciri

Fungsi Jarak Kosinus

Penentuan Keluaran

Hasil pengenalan

tekstur berupa teks

Selesai


28

Penulis menyiapkan 13 tekstur aktual yang akan dikenali. Proses pengambilan citra

tekstur menggunakan kamera ArduCAM. Citra yang telah diambil ArduCAM berupa citra

RGB. Selanjutnya citra akan dikirim melalui modul nirkabel ESP8266 yaitu NodeMCU

ESP-12E. Laptop menerima citra tekstur. Tahap Preprocessing untuk mengubah citra RGB

menjadi citra grayscale. Perangkat lunak pengolah citra kemudian memproses citra tekstur

melalui tahap ekstraksi ciri GLCM. Hasil ekstraksi ciri dibandingkan dengan basis data

dengan menghitung jarak yang paling dekat. Hasil dengan jarak yang paling dekat akan

dikeluarkan berupa tulisan di layar monitor.

3.1.1. Pengambilan dan Pengiriman Video Tekstur

NodeMCU ESP-12E akan mendapat perintah dari GUI Matlab untuk menyalakan

Kamera ArduCAM. Setelah itu, citra tekstur akan diambil oleh kamera ArduCAM melalui

video real time (streaming). Video streaming kemudian dikirim oleh NodeMCU ke

penerima setelah penerima terkoneksi pada jaringan LAN NodeMCU. Lampu LED pada

NodeMCU akan menyala berwarna merah ketika proses pengiriman video streaming.

Diagram alir subrutin tahap pengambilan dan pengiriman video tekstur dapat dilihat pada

Gambar 3.3.

(a)

Gambar 3.3. (a) Diagram alir subrutin pengambilan dan pengiriman video streaming dan

(b) Diagram alir inisialisasi NodeMCU

Mulai

Selesai A

A

Terkoneksi dengan

penerima

Mengirim Video Streaming

Tutup koneksi

Inisialisasi

NodeMCU

Mendapat

perintah Kamera

ON?

Selesai

mengirim?

Ya

Tidak

Ya

Tidak


29

(b)

Gambar 3.3. (Lanjutan) (a) Diagram alir subrutin pengambilan dan pengiriman video

streaming dan (b) Diagram alir inisialisasi NodeMCU

3.1.2. Penerimaan Video Tekstur

Penerima akan mengirim perintah ke NodeMCU untuk mengirim video streaming.

Setelah itu, penerima akan terkoneksi dengan jaringan NodeMCU. Video streaming akan

dikirim oleh NodeMCU dan diterima oleh penerima. Video streaming yang diterima akan

ditampilkan pada GUI. Video streaming tersebut merupakan video berwarna yang akan

tertampil secara real time. Penerimaan video streaming akan terus berlangsung (dalam

kondisi looping) hingga user ingin mengambil citra tekstur. user mengambil citra tekstur

dari snapshot video streaming, maka koneksi pengirim dan penerima akan ditutup dan

pengirim berhenti mengirim video streaming. Diagram alir subrutin penerimaan video

streaming dapat dilihat pada Gambar 3.4. Citra tekstur yang diambil dari video streaming

adalah citra RGB. Citra tersebut yang akan diolah pada tahap berikutnya, yaitu tahap

Preprocessing.

Mulai

Pengaturan SPI

Pengecekan SPI Bus

ArduCAM

Selesai

Pengecekan jenis modul

kamera

Pengaturan Resolusi

Pengaturan Access Point

B

B


30

Gambar 3.4. Diagram alir subrutin penerimaan video streaming

3.1.3. Tahap Preprocessing

Pada tahap Preprocessing hal yang dilakukan ialah konversi citra RGB setelah citra

tekstur diterima menjadi citra grayscale. Metode GLCM membutuhkan masukan citra dalam

Mulai

Selesai

Terkoneksi dengan pengirim

Menerima Video Streaming

Tutup koneksi

Mengirim

perintah

Kamera ON?

Ya

Tidak

Ya

Tidak

Keluaran

Menampilkan

Video Streaming

Selesai

Menerima?


31

bentuk grayscale. Untuk mengkonversi citra RGB ke grayscale menggunakan persamaan

2.1. Citra tekstur dalam bentuk grayscale kemudian akan masuk ke tahap berikutnya yaitu

ekstraksi ciri. Diagram alir subrutin tahap preprocessing dapat dilihat pada Gambar 3.5.

Gambar 3.5. Diagram alir subrutin tahap preprocessing

3.1.4. Tahap Ekstraksi Ciri GLCM

Pada tahap ini, citra preprocessing diolah dengan metode GLCM untuk menghasilkan

hasil ekstraksi ciri. Metode GLCM memiliki 5 elemen fitur yang digunakan, yaitu angular

second moment, kontras, inverse different moment, entropi dan korelasi. Diagram alir

subrutin tahap ekstraksi ciri menggunakan metode GLCM dapat dilihat pada Gambar 3.6.

Gambar 3.6. Diagram alir subrutin tahap ekstraksi ciri

Mulai Gray Level Co-

occurrence Matrix

Masukan:

Citra Preprocessing

Keluaran:

Hasil ekstraksi

Selesai

Mulai

Masukan:

Citra RGB

Konversi Citra RGB ke grayscale

C

Keluaran:

Citra Preprocessing

C

Selesai

D

D


32

Masukan dari tahap ekstraksi ciri adalah citra preprocessing yang merupakan citra

grayscale. Citra tersebut kemudian masuk ke tahap GLCM. Pada tahap ini citra grayscale

dianalisis hingga mendapat hasil ekstraksi ciri. Diagram alir subrutin GLCM dapat dilihat

pada Gambar 3.7. Citra grayscale disusun ulang berdasarkan matriks GLCM dengan

memerhatikan ketetanggaan tiap piksel. Seperti yang dijelaskan pada Gambar 2.10, arah

sudut ketetanggaan piksel ada 4 sudut. Masing-masing sudut memiliki matriks GLCM yang

berbeda. Oleh karena itu, untuk mendapat matriks GLCM tiap sudut perlu menghitung

ketetanggaan (relasi) antar piksel. Hal pertama ialah menghitung ketetanggaan tiap pikselnya.

Setelah itu, matriks GLCM dibuat simetris dengan menjumlahkannya dengan matriks

GLCM transpose.

Gambar 3.7. Diagram alir subrutin Gray Level Co-occurrence Matrix

Mulai

Keluaran:

ASM, Kontras, IDM, Entropi

dan Korelasi tiap sudut

Selesai

Hitung relasi antar piksel tiap

sudut

(ketetanggaan piksel,

pembentukan matriks GLCM,

normalisasi matriks GLCM)

Inisialisasi:

Matriks GLCM

tiap sudut

Hitung ASM dari Matriks

GLCM tiap sudut

Hitung Kontras dari

Matriks GLCM tiap sudut

Hitung IDM dari Matriks

GLCM tiap sudut

Hitung Entropi dari


Hitung Korelasi dari


E

E


33

Langkah berikutnya, nilai matriks GLCM simetris dinormalisasi sehingga didapat

matriks GLCM normalisasi. Matriks GLCM normalisasi digunakan untuk mendapat hasil

ekstraksi dengan rumus masing-masing fitur. Kemudian matriks GLCM dapat dihitung

ekstraksi cirinya menggunakan persamaan (2.2) hingga (2.11).

3.1.5. Tahap Fungsi Jarak Kosinus

Fungsi jarak yang digunakan ialah jarak Kosinus. Jarak Kosinus berfungsi untuk

membandingkan hasil ekstraksi ciri citra masukan dengan hasil ekstraksi ciri citra tekstur

pada basis data. Tujuan dari tahap ini ialah untuk mencari nilai selisih yang paling kecil dari

hasil fungsi jarak Kosinus antara hasil ekstraksi ciri citra masukan dengan hasil ekstraksi ciri

citra tekstur pada basis data. Jarak Kosinus dihitung menggunakan persamaan (2.12).

Diagram alir subrutin tahap fungsi jarak dapat dilihat pada diagram alir Gambar 3.8.

Gambar 3.8. Diagram alir subrutin tahap fungsi jarak

Mulai

Masukan:

Hasil ekstraksi ciri citra

masukan dan basis data

Perhitungan jarak Kosinus

Citra masukan dengan basis data

Keluaran:

Hasil perhitungan jarak

Kosinus

Selesai


34

3.1.6. Penentuan Keluaran

Hasil pengenalan tekstur ditentukan berdasarkan jarak minimal dari hasil

perbandingan antara ekstraksi ciri masukan dengan ekstraksi ciri citra tekstur pada basis data

dari tahap fungsi jarak Kosinus. Citra tekstur dengan jarak paling kecil akan ditampilkan

pada layar monitor berupa teks. Diagram alir subrutin penentuan keluaran dapat dilihat pada

Gambar 3.9.

Gambar 3.9. Diagram alir subrutin penentuan keluaran

3.2. Perancangan Basis Data

Sistem pengenalan tekstur ini memerlukan basis data untuk digunakan sebagai

referensi atau acuan. Perancangan basis data bertujuan untuk mendapatkan data ekstraksi

ciri tekstur yang akan dikenali. Hasil ekstraksi ciri pada basis data akan menjadi referensi

bagi hasil ekstraksi ciri citra masukan yang diambil oleh kamera saat pengujian. Hasil

ekstraksi ciri tersebut akan disimpan dalam bentuk matriks. Basis data ini berisi hasil

ekstraksi ciri 13 citra tekstur. Diagram alir perancangan basis data dapat dilihat pada Gambar

3.10.

Mulai

Masukan:

Hasil perhitungan

jarak Kosinus

Teks Keluaran = Variabel yang

berasosiasi dengan jarak minimal

Keluaran:

Hasil berupa Teks Keluaran

pada layar monitor

Selesai


35

Gambar 3.10. Diagram alir perancangan basis data

Dari diagram alir perancangan basis data terdapat beberapa tahap yang harus dilakukan.

Tahap pertama ialah pengambilan citra tekstur melalui kamera. Tahap kedua ialah

preprocessing untuk mengkonversi citra RGB menjadi citra grayscale. Setelah citra tekstur

menjadi citra grayscale, selanjutnya citra melalui tahap ektraksi ciri gray level co-

occurrence matrix untuk mendapatkan hasil ekstraksi ciri. Tahap akhir ialah hasil ekstraksi

ciri gray level co-occurrence matrix disimpan dalam bentuk matriks.

3.3. Perancangan Tampilan GUI Matlab

Perancangan tampilan sistem pengenalan tekstur menggunakan Graphical User

Interface (GUI) pada Matlab untuk membantu pengguna dalam proses pengenalan tekstur.

Sistem pengenalan tekstur pada GUI mengacu pada diagram alir sistem pengenalan tekstur

GUI seperti pada Gambar 3.11. Sketsa perancangan GUI dapat dilihat pada Gambar 3.12.

Mulai

Masukan:

Citra tekstur melalui

kamera

Preprocessing

Konversi citra RGB menjadi

citra grayscale

Ekstraksi ciri

Gray Level Co-occurrence

Matrix

Keluaran:

Hasil Ekstraksi Ciri

Selesai


36

Gambar 3.11. Diagram Alir Sistem Pengenalan Tekstur GUI

Mulai

Keluaran:

Video streaming

diterima dan ditampilkan

Preprocessing

Tombol “AMBIL

CITRA” memberi

perintah untuk

mengambil citra RGB

serta grayscale

Pengiriman Video Streaming

Tombol “KAMERA ON” memberi

perintah untuk mengirim video streaming

Keluaran:

Citra RGB

ditampilkan

Keluaran:

Citra grayscale

ditampilkan

Ekstraksi Ciri

Menghitung hasil ekstraksi

ciri dengan metode GLCM

Keluaran:

Hasil ekstraksi

ciri ditampilkan

pada tabel

Keluaran:

Hasil pengenalan tekstur

ditampilkan berupa teks

Selesai

Reset:

Tombol “RESET” berfungsi

mengulang proses pengenalan tekstur

dengan menghapus data masukan


37

Gambar 3.12. Sketsa perancangan GUI

Berdasarkan diagram alir sistem pengenalan tekstur secara keseluruhan (Gambar 3.11),

sistem pengenalan dimulai dari pengambilan citra. Pada Gambar 3.12, user menekan tombol

“KAMERA ON” sehingga panel kamera menampilkan video streaming. Tombol “AMBIL

CITRA” untuk mengambil citra tekstur serta menampilkan citra RGB pada panel KAMERA

(Axes 1). Citra tekstur yang sudah diambil kemudian masuk ke tahap preprocessing. Pada

tahap ini, citra RGB dikonversi menjadi citra grayscale dan ditampilkan pada panel

PREPROCESSING (Axes 2).

Tabel 3.1. Keterangan Sketsa GUI

Nama Keterangan

Tombol “KAMERA ON” Untuk menyalakan kamera ArduCAM

Tombol “AMBIL CITRA” Untuk mengambil citra tekstur dan memroses pengenalan

tekstur

Tombol “RESET” Untuk menghapus data dan mengulang proses pengenalan

tekstur dari awal

Axes 1 pada panel

KAMERA

Untuk menampilkan citra secara real-time (streaming)

dari kamera ArduCAM dan hasil pengambilan citra

Axes 2 pada panel

PREPROCESSING

Untuk menampilkan citra dalam bentuk grayscale dan

ukuran dimensi yang berbeda

Table 1 pada panel HASIL

EKSTRAKSI CIRI GLCM

Untuk menampilkan hasil ekstraksi ciri GLCM

Edit text 1 pada panel

KELUARAN

Untuk menampilkan hasil akhir dari sistem pengenalan

tekstur berupa teks

Axes 2

PREPROCESSING

AMBIL CITRA

Table 1

HASIL EKSTRAKSI CIRI GLCM

Edit text 1

KELUARAN

Axes 1

KAMERA

RESET

KAMERA ON


38

Citra grayscale kemudian masuk ke tahap ekstraksi ciri GLCM. Dengan perhitungan

rumus, matriks GLCM dapat menghasilkan 5 fitur ekstraksi tiap sudut ketetanggaannya.

Hasil ekstraksi ciri sebanyak 20 nilai fitur akan ditampilkan pada Table 1 di panel HASIL

EKSTRAKSI CIRI GLCM. Setelah mendapat hasil ekstraksi ciri, fungsi jarak Kosinus

digunakan untuk mencari jarak tekstur dengan membandingkan hasil ekstraksi ciri citra

masukan dengan basis data. Tekstur dengan jarak Kosinus paling minimal akan ditampilkan

pada edit text 1 di panel KELUARAN. Tombol “RESET” digunakan untuk mengulang

proses pengenalan tekstur dari awal. Keterangan sketsa GUI dapat dilihat pada Tabel 3.1.

3.4. Perancangan Hardware

Perancangan hardware diawali dengan membuat kotak untuk melindungi kamera

ArduCAM dan NodeMCU ESP-12E. kotak dibuat dari bahan yang kaku dan dimensi

disesuaikan dengan ukuran ArduCAM sebagai kamera yang akan mengambil citra dan kabel

dari NodeMCU ESP-12E untuk dihubungkan pada catu daya. Setelah pembuatan kotak,

tahap selanjutnya ialah membuat penyangga untuk kamera ArduCAM. Penyangga dirancang

agar dapat disesuaikan dengan varian skala yaitu tinggi 15 cm, 20 cm dan 25 cm. Penyangga

juga disesuaikan agar mendapat posisi yang baik untuk mengambil citra tekstur dengan

dimensi sekitar 25 x 25 cm. Penambahan lampu sebagai penerangan diperlukan apabila

intensitas cahaya sangat berpengaruh pada proses pengambilan citra tesktur. Pada sistem

pengenalan tekstur ini juga diperlukan laptop yang mampu terkoneksi dengan wifi

NodeMCU ESP-12E. Perancangan hardware dapat dilihat pada Gambar 3.13.

Gambar 3.13. Perancangan Hardware

Tekstur 25 x 25cm

Penyangga

Modul ArduCAM +

NodeMCU ESP-12E

Laptop


39

3.5. Pengujian Citra Tekstur

Berikut ini adalah langkah-langkah pengujian pengenalan citra tekstur:

1. Menghubungkan catu daya untuk NodeMCU ESP-12E dan kamera ArduCAM.

2. Penulis menjalankan GUI pada Matlab. Tombol “KAMERA ON” digunakan untuk

menyalakan kamera dan menampilkannya pada GUI panel KAMERA. Tombol

“AMBIL CITRA” digunakan untuk mengambil citra dan memroses hasil ekstraksi ciri

untuk mengenali tekstur.

3. Pengambilan data dilakukan secara real-time, dari pengambilan ini akan menghasilkan

130 data. Tekstur yang akan dikenali memiliki posisi awal yaitu jarak 20 cm, sudut

putar 0° dan posisi berada di tengah. Data pengenalan 13 tekstur pada posisi awal ialah

13 data. Ada 3 jenis variasi, yaitu variasi jarak, sudut putar dan geser. Dua variasi

jarak, yaitu 25 cm dan 30 cm, menghasilkan 3 data tiap tekstur. Total variasi jarak

menghasilkan 2 x 13 tekstur = 26 data. Tiga variasi sudut putar, yaitu 20°, 60°, dan

120°, menghasilkan 3 data tiap tekstur. Total variasi sudut putar menghasilkan 3 x 13

tekstur = 39 data. Empat variasi geser, yaitu 1 cm vertikal (atas dan bawah) dan 1 cm

horizontal (kiri dan kanan), menghasilkan 4 data tiap tekstur. Total variasi geser

menghasilkan 4 x 13 tekstur = 52 data. Tiap percobaan hanya memiliki 1 jenis variasi

dan harus kembali ke posisi awal terlebih dahulu. Tiap percobaan diulang sebanyak 3

kali sehingga menghasilkan total 3 x 130 data = 390 data.

4. Hasil pengambilan citra masuk ke tahap preprocessing untuk dikonversi menjadi citra

grayscale.

5. Citra grayscale masuk ke tahap ekstraksi ciri GLCM untuk memroses citra dengan

perhitungan masing-masing ekstraksi fitur dan menampilkan hasil masing-masing

fitur GLCM.

6. Hasil ekstraksi ciri GLCM dibandingkan dengan basis data. Hasil perbandingan

berupa selisih dari perhitungan menggunakan jarak Kosinus.

7. Hasil jarak Kosinus ditampilkan pada GUI. Dengan mencari selisih jarak yang paling

minimal, hasil keluaran berupa teks ditampilkan pada layar monitor.

8. Pengujian jarak wireless NodeMCU dan laptop dilakukan dengan mengenali tekstur

sesuai posisi awal. Variasi jarak yang diuji antara lain: 1 m, 10 m, 20 m, 30 m, 40 m

dan 50 m.


40

BAB IV

HASIL DAN PEMBAHASAN

Implementasi sistem pengenalan tekstur secara perangkat lunak dan perangkat keras

yang ada di Bab III, dapat dilihat pada lampiran 1 dan lampiran 3. Untuk mengetahui cara

kerja perangkat lunak secara bagian per bagian dapat dilihat pada lampiran 2. Pengujian

sistem pengenalan tekstur menghasilkan data pengenalan yang berguna untuk pembahasan

pada bab ini. Pengujian sistem pengenalan tekstur bertujuan untuk mengetahui sistem yang

telah dirancang dapat bekerja dengan baik sesuai dengan perancangan.

4.1. Hasil Pengujian dan Analisis Data

4.1.1. Pengujian Pengaruh RST Terhadap Pengenalan Tekstur

Pengujian pengaruh RST dilakukan untuk mengetahui pengaruh variasi rotasi, skala,

dan translasi terhadap tingkat pengenalan tekstur dengan metode Gray Level Co-occurrence

Matrix. Dalam pengujian pengaruh RST, data masukan diperoleh dari tekstur asli yang telah

dibuat dengan dimensi 25 x 25 cm. Tekstur kemudian digerakkan secara manual sesuai

variasi RST yang telah ditentukan pada batasan masalah. Mula-mula tekstur diletakkan pada

posisi awal (sudut rotasi 0°, jarak 20 cm, posisi tengah). Untuk setiap pengujian variasi RST,

tekstur akan diatur ke posisi awal terlebih dahulu. Dari pengujian ini dapat diperoleh nilai

pengaruh RST dari setiap tekstur dengan mencari persentase pengenalan (recognition rate)

terhadap tiap variasi RST. Berikut akan disampaikan grafik tingkat pengenalan tekstur

dengan pengaruh RST.

Pengujian pengaruh RST terhadap pengenalan diambil dengan resolusi kamera 160 x

120 piksel. Data diperoleh dari 10 tekstur tunggal dengan 10 variasi RST yang terdiri dari 1

posisi awal, 3 variasi rotasi, 2 variasi skala, dan 4 variasi translasi. Tingkat pengenalan

tekstur masing-masing variasi didapat mengambil rata-rata dari tiap variasi. Pada setiap

tekstur dan setiap varian akan dilakukan pengambilan gambar sebanyak 3 kali. Pengambilan

data dilakukan dengan berdasar penelitian milik Adnyana [3]. Secara detail, data pengenalan

tekstur dapat dilihat pada lampiran 4. Secara persentase, data pengenalan tekstur pada

lampiran 4 tersebut dapat dilihat pada lampiran 5. Secara grafis, hasil persentase pengenalan


41

tekstur pada lampiran 5 dapat dilihat pada Gambar 4.1. Hasil tingkat pengenalan tekstur akan

dibandingkan dengan penelitian sebelumnya untuk melihat pengembangan penelitian yang

telah dilakukan.

Gambar 4.1. Grafik Tingkat Pengenalan Tekstur Dengan Pengaruh RST

Pengembangan penelitian ini berupaya untuk memperbaiki tingkat pengenalan

penelitian sebelumnya dengan harapan mencapai tingkat pengenalan 100%. Pada grafik

tingkat pengenalan tekstur dengan pengaruh RST menunjukkan bahwa variasi RST

menurunkan tingkat pengenalan tekstur. Hal tersebut dibuktikan dengan grafik bahwa

tingkat pengenalan menggunakan metode GLCM dan tingkat pengenalan menggunakan

metode STD (penelitian sebelumnya) dengan pengaruh RST menurun dibandingkan dengan

tingkat pengenalan GLCM dan STD tanpa pengaruh RST (posisi awal). Variasi RST akan

membuat tekstur masukan berbeda dengan tekstur basis data. Hal ini membuat ekstraksi ciri

GLCM masukan berbeda dengan basis data sehingga mempengaruhi perhitungan jarak

Kosinus. Oleh karena itu, kesalahan pengenalan dapat terjadi karena jarak Kosinus yang

paling minimal tidak sesuai antara tekstur masukan dengan tekstur basis data.

Berdasarkan grafik tingkat pengenalan tekstur dengan pengaruh RST, tingkat

pengenalan GLCM masih di bawah tingkat pengenalan STD. Hal tersebut terjadi karena

perbedaan resolusi yang digunakan untuk pengujian posisi awal, variasi rotasi, skala dan

translasi. Resolusi kamera yang digunakan Adnyana [3] adalah 640 x 480 piksel. Resolusi

Posisi Awal Rotasi Skala Translasi

Tingkat Pengenalan GLCM 90% 61.68% 68.90% 70.66%

Tingkat Pengenalan STD [3] 100% 78.36% 78.00% 87.96%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Tingkat Pengenalan Tekstur Dengan Pengaruh RST


42

pada penelitian ini lebih rendah dari resolusi penelitian sebelumnya, yaitu 160 x 120 piksel.

Dengan demikian, resolusi kamera berpengaruh terhadap tingkat pengenalan tekstur.

Pengujian pengaruh variasi rotasi diambil dengan mengatur resolusi kamera 160 x 120

piksel serta jarak 20 cm dan posisi tekstur tanpa pergeseran. Pada pengujian ini terdapat 4

variasi rotasi, yaitu 0°, 20°, 60°, dan 120°. Data yang diperoleh dapat diolah menjadi

persentase tingkat pengenalan tekstur dengan menghitung nilai pengenalan dari 3 kali

pengulangan untuk 10 tekstur tunggal. Satu variasi rotasi memiliki total data pengenalan

variasi rotasi sebanyak 30 data. Untuk mendapat persentase tiap sudut variasi rotasi, jumlah

pengujian berhasil akan dibagi dengan total data pengenalan variasi sudut dan dikali dengan

100%. Grafik pengaruh variasi rotasi terhadap pengenalan ditunjukkan pada Gambar 4.2.

Gambar 4.2. Grafik Pengaruh Variasi Rotasi Terhadap Pengenalan

Pada grafik pengaruh variasi rotasi terhadap pengenalan terlihat bahwa semakin besar

variasi sudut rotasi akan semakin mempengaruhi tingkat pengenalan. Hal ini dibuktikan

dengan besarnya sudut rotasi 120°, persentase pengenalan hanya 40%. Hal tersebut

dikarenakan adanya perubahan nilai grayscale pada citra tekstur sehingga mengakibatkan

nilai ekstraksi ciri yang didapat berbeda dengan nilai ekstraksi ciri dari basis data. Nilai

ekstraksi ciri masukan dibandingkan dengan nilai ekstraksi ciri basis data menggunakan

jarak Kosinus dan didapat hasil pengenalan yang tidak sesuai dengan tekstur masukan. Pada

penelitian sebelumnya, besar sudut rotasi juga mempengaruhi tingkat pengenalan. Dari data

0 20 60 120

GLCM 90.0% 56.7% 60.0% 40.0%

STD [3] 100.0% 83.3% 70.0% 73.3%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Per

sen

tase

(%

)

Sudut (°)

Pengaruh Variasi Rotasi Terhadap Pengenalan

Tekstur Tunggal


43

tersebut dapat disimpulkan bahwa variasi rotasi berpengaruh terhadap tingkat pengenalan.

Perbandingan dengan penelitian sebelumnya, tingkat pengenalan metode STD lebih tinggi

dibandingkan metode GLCM. Hal tersebut bisa terjadi karena penggunaan resolusi yang

lebih rendah dari penelitian sebelumnya.

Pengujian pengaruh variasi skala diambil dengan mengatur resolusi kamera 160 x 120

piksel serta sudut putar 0° dan posisi tekstur tanpa pergeseran. Pada pengujian ini terdapat 3

variasi jarak antara kamera dengan tekstur, yaitu 20 cm, 25 cm, dan 30 cm. Data yang

diperoleh dapat diolah menjadi persentase tingkat pengenalan tekstur dengan menghitung

nilai pengenalan dari 3 kali pengulangan untuk 10 tekstur tunggal. Satu variasi rotasi

memiliki total data pengenalan variasi sudut sebanyak 30 data. Untuk mendapat persentase

tiap jarak variasi skala, jumlah pengujian berhasil akan dibagi dengan total data pengenalan

variasi skala dan dikali dengan 100%. Grafik pengaruh variasi skala terhadap pengenalan

ditunjukkan pada Gambar 4.3.

Gambar 4.3. Grafik Pengaruh Variasi Skala Terhadap Pengenalan

Pada tingkat pengenalan menggunakan metode GLCM, semakin besar variasi skala

(jarak antara kamera dengan tekstur) akan semakin mempengaruhi tingkat pengenalan. Hal

tersebut dibuktikan dengan menurunnya persentase keberhasilan pada jarak 30 cm sebesar

36,7%. Berdasarkan data tersebut dapat disimpulkan bahwa semakin jauh jarak kamera

dengan tekstur (skala diperkecil) maka akan mempengaruhi tingkat pengenalan tekstur

tunggal. Jarak yang lebih jauh akan membuat tekstur pada citra tekstur tunggal yang

20 cm 25 cm 30 cm 35 cm

GLCM 90% 80% 37%

STD [3] 78% 94% 62%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Per

sen

tase

(%

)

Jarak (cm)

Pengaruh Variasi Skala Terhadap Pengenalan

Tekstur Tunggal


44

ditangkap kamera semakin sulit dikenali. Semakin sulitnya tekstur dikenali, maka nilai

ekstraksi ciri yang didapat dari metode GLCM pun berbeda dengan basis data. Hal ini

mengakibatkan nilai ekstraksi ciri masukan dan ekstraksi ciri basis data tidak sesuai

teksturnya. Faktor yang bisa mempengaruhi tingkat pengenalan ialah resolusi dari kamera

yang digunakan serta pencahayaan saat pengambilan citra.

Perbandingan dengan penelitian sebelumnya, tingkat pengenalan GLCM paling baik

berada pada jarak 20 cm dan tingkat pengenalan STD paling baik berada pada jarak 30 cm.

Hal tersebut karena perbedaan posisi awal untuk penyimpanan basis data yang telah

disesuaikan dengan kamera yang digunakan untuk pengujian penelitian ini. Pada metode

STD, posisi awal yang disimpan sebagai basis data berada pada 30 cm sehingga pada jarak

tersebut didapat tingkat pengenalan paling baik. Pada metode GLCM, posisi awal yang

disimpan sebagai basis data berada pada 20 cm sehingga pada jarak tersebut didapat tingkat

pengenalan paling baik. Pada tingkat pengenalan menggunakan metode STD, ketika jarak

diubah dari posisi awal, maka tingkat pengenalan akan menurun. Hal tersebut juga

disebabkan karena perbedaan citra tekstur yang diambil nilai ekstraksi ciri yang didapat dari

metode STD dengan basis data.

Gambar 4.4. Grafik Pengaruh Variasi Translasi Terhadap Pengenalan

Center U 1 L 1 D 1 R 1

GLCM 90.0% 63.3% 80.0% 60.0% 60.0%

STD [3] 100.0% 86.6% 90.0% 66.6% 96.6%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Per

sen

tase

(%

)

Geser (cm)

Ket:

U 1 = Geser Atas 1 cm D 1 = Geser Bawah 1 cm

L 1 = Geser Kiri 1 cm R 1 = Geser Kanan 1 cm

Pengaruh Variasi Translasi Terhadap Pengenalan

Tekstur Tunggal


45

Pengujian pengaruh variasi translasi diambil dengan mengatur resolusi kamera 160 x

120 piksel serta jarak 20 cm dan sudut putar 0°. Pada pengujian ini terdapat 5 variasi translasi,

yaitu posisi center, geser 1 cm ke atas (U) , geser 1 cm ke kiri (L), geser 1 cm ke bawah (D)

dan geser 1 cm ke kanan (R). Data yang diperoleh dapat diolah menjadi persentase tingkat

pengenalan tekstur dengan menghitung nilai pengenalan dari 3 kali pengulangan untuk 10

tekstur tunggal. Satu variasi translasi memiliki total data pengenalan variasi sudut sebanyak

30 data. Untuk mendapat persentase tiap variasi translasi, jumlah pengujian berhasil akan

dibagi dengan total data pengenalan variasi translasi dan dikali dengan 100%. Grafik

pengaruh variasi translasi terhadap pengenalan ditunjukkan pada Gambar 4.4.

Berdasarkan grafik, variasi translasi mempengaruhi tingkat pengenalan tekstur. Setiap

variasi pergeseran menurunkan tingkat pengenalan. Pada titik center tanpa pergeseran

memiliki tingkat pengenalan paling tinggi sebesar 90%. Kesalahan pengenalan pada

beberapa tekstur ketika dilakukan pengujian karena perbedaan yang terjadi pada nilai

ekstraksi ciri tekstur masukan dengan basis data memiliki jarak cukup jauh. Hal tersebut

mengakibatkan tekstur yang dikenali ialah tekstur yang memiliki jarak yang paling dekat.

Beberapa kasus membuat pengenalan tekstur dapat sesuai dikenali ketika dilakukan variasi

translasi. Contohnya ialah tekstur kacang dapat dikenali sebagai kacang ketika pengujian

variasi translasi 1 cm ke kiri. Ini terjadi karena nilai ekstraksi ciri yang didapat dari tekstur

masukan setelah diuji variasi translasi justru memiliki jarak yang lebih dekat dengan tekstur

asalnya. Pada penelitian sebelumnya, variasi skala juga mempengaruhi tingkat pengenalan

karena kesamaan informasi citra tekstur yang dikenali dengan basis data semakin sedikit.

Hal ini berarti bahwa variasi translasi menurunkan tingkat pengenalan secara acak.

Perbandingan dengan penelitian sebelumnya, tingkat pengenalan variasi skala menggunakan

metode STD lebih baik daripada tingkat pengenalan variasi skala menggunakan metode

GLCM. Hal tersebut bisa terjadi karena penggunaan resolusi yang lebih rendah dari

penelitian sebelumnya.

4.1.2. Tingkat Pengenalan Terbaik Dan Terburuk

Hasil pengujian tiap tekstur dalam bentuk grafik tingkat pengenalan tiap tekstur

tunggal dapat dilihat pada Gambar 4.5. Pengujian ini menggunakan resolusi kamera 160 x

120 piksel. Berdasarkan grafik tersebut, tekstur jagung ialah tekstur yang paling baik dengan

rata-rata pengenalan pengaruh variasi RST sebesar 100%. Hasil ekstraksi ciri jagung


46

masukan dengan hasil ekstraksi ciri jagung basis data memiliki jarak Kosinus yang paling

kecil. Tekstur jagung memiliki karakteristik tekstur yang paling baik. Hal tersebut dapat

dilihat dari tingkat pengenalan yang dapat dikatakan selalu berhasil mengenali tekstur jagung.

Gambar 4.5. Grafik Tingkat Pengenalan Tiap Tekstur Tunggal

Gambar 4.6 menunjukkan citra grayscale tekstur jagung masukan pada sudut 20° dan

citra grayscale tekstur jagung basis data. Perbandingan hasil ekstraksi ciri GLCM tekstur

jagung pada Gambar 4.6 dapat dilihat di lampiran 6.

(a) (b)

Gambar 4.6. Citra Grayscale Tekstur Jagung Masukan Pada Sudut 20° (a) dan Citra

Grayscale Tekstur Jagung Basis Data (b)

Tabel 4.1. Tabel Jarak Kosinus Tekstur Jagung Terhadap Basis Data

Gabah Jagung KacangAnyama

nGoni Keset Jerami Handuk Rumput

Bebatua

n

Rotasi 100% 100% 50% 25% 25% 100% 25% 91.70% 25% 75%

Skala 66.70% 100% 0% 66.70% 66.70% 88.90% 100% 66.70% 33.30% 100%

Translasi 20% 100% 26.70% 100% 100% 100% 100% 100% 40% 20%

Rata-rata 62.20% 100% 25.60% 63.90% 63.90% 96.30% 75% 86.10% 32.80% 65%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Tingkat Pengenalan Tiap Tekstur Tunggal

Rotasi Skala Translasi Rata-rata

Jarak Kosinus Tekstur Jagung Masukan Pada Sudut 20° Terhadap Basis Data

Gabah Jagung Kacang Anyaman Goni Keset Jerami Handuk Rumput Batu

0,0018 1,51 x

10-4

7,68e-

04 0,0031 0,0043

6,38 x

10-4 0,043

3,45 x

10-4 0,0016 0,0023


47

Pada Tabel 4.1 dapat dilihat bahwa Jarak Kosinus dengan tekstur jagung adalah 1,51

x 10-4. Jarak tersebut adalah jarak paling minimal dibanding dengan jarak Kosinus tekstur

lainnya. Dengan demikian, hasil pengenalan tekstur akan dikenali sebagai jagung sesuai

dengan tekstur masukan.

Berdasarkan grafik pada Gambar 4.5, tekstur kacang ialah tekstur yang paling buruk

dengan rata-rata tingkat pengenalan pengaruh RST sebesar 25,6%. Sebagian besar pengujian

pengenalan tekstur kacang dikenali sebagai tekstur bebatuan. Pada sudut 120°, tekstur

kacang dikenali sebagai tekstur bebatuan. Gambar 4.7 menunjukkan citra grayscale tekstur

kacang masukan pada sudut 120° dengan citra grayscale tekstur kacang basis data dan citra

grayscale tekstur bebatuan basis data.

(a) (b) (c)

Gambar 4.7. Citra Grayscale Tekstur Kacang Masukan Pada Sudut 120° (a), Citra

Grayscale Tekstur Kacang Basis Data (b), dan Citra Grayscale Tekstur Bebatuan Basis

Data (c)

Tabel 4.2. Tabel Jarak Kosinus Tekstur Kacang Terhadap Basis Data

Jarak Kosinus Tekstur Kacang Masukan Pada Sudut 120° Terhadap Basis Data

Gabah Jagung Kacang Anyaman Goni Keset Jerami Handuk Rumput Batu

9,55 x

10-4 0,0023 0,0011 0,0098 0,0153 0,003 0,0708 0,0033 0,0056

8,3 x

10-4

Perbandingan hasil ekstraksi ciri GLCM tekstur kacang pada Gambar 4.7 dapat dilihat

pada lampiran 6. Hasil ekstraksi ciri tekstur kacang masukan dengan hasil ekstraksi ciri

tekstur kacang basis data tidak memiliki jarak paling minimal. Hasil ekstraksi ciri tekstur

kacang masukan justru memiliki jarak paling minimal dengan hasil ekstraksi ciri tekstur

bebatuan basis data. Hal ini berarti tekstur kacang memiliki kemiripan dengan tekstur

bebatuan yang menyebabkan kesulitan mengenali tekstur kacang.

Pada Tabel 4.2 dapat dilihat bahwa jarak Kosinus paling minimal ialah jarak dengan

bebatuan. Jarak Kosinus dengan tekstur bebatuan adalah 8,3 x 10-4 sedangkan jarak Kosinus


48

dengan tekstur kacang adalah 11 x 10-4. Dengan demikian, hasil pengenalan tekstur akan

dikenali sebagai bebatuan tidak sesuai dengan tekstur masukannya yaitu tekstur kacang.

Pada tekstur kacang pun terdapat masalah pada tingkat pengenalan variasi skala yang

tidak berhasil sama sekali (0%). Tekstur kacang dengan variasi skala 100% dikenali sebagai

tekstur bebatuan. Hal ini membuktikan bahwa tekstur kacang memiliki nilai ekstraksi ciri

yang mirip dengan nilai ekstraksi ciri tekstur bebatuan. Hal tersebut bisa terjadi karena faktor

perbedaan intensitas cahaya saat pengambilan basis data dengan pengujian

4.1.3. Pengujian Pengaruh Jarak Wireless

Pengujian pengenalan tekstur pengaruh jarak wireless dilakukan untuk mengetahui

pengaruh jarak antara kamera dengan laptop dalam pengiriman citra tekstur. Pengirim

(kamera ArduCAM dan modul nirkabel NodeMCU) akan dipisah terhadap penerima

(laptop) dengan jarak 1 m, 10 m, 20 m, 30 m, 40 m dan 50 m. Penambahan jarak 60 m, 70

m dan 80 m dilakukan karena selama pengujian jarak 1 m hingga 50 m, kuat sinyal masih

terdeteksi (signal strength) sehingga perlu penambahan jarak. Pada tiap jarak uji, kuat sinyal

access point NodeMCU diukur menggunakan aplikasi Android WiFi Analyzer. Kondisi

pengambilan berada di lorong depan laboratorium Program Studi Teknik Elektro, Fakultas

Sains dan Teknologi, Universitas Sanata Dharma Kampus III Paingan. Lokasi ini diambil

karena rentang jarak yang jauh yaitu sekitar 80 m untuk dilakukan pengujian dengan jalur

tanpa penghalang. Pada lokasi ini juga terdapat jaringan lain dari beberapa access point

selain jaringan NodeMCU, yaitu jaringan kampus.

Jaringan nirkabel NodeMCU termasuk propagasi Line of Sight (LOS) karena

berdasarkan datasheet perangkat NodeMCU, frekuensi jaringan ini berada pada 2.4GHz.

Pengujian dengan variasi jarak atau lintasan propagasi pengirim dan penerima dilakukan

untuk melihat pengaruhnya terhadap kuat sinyal. Pada pengujian ini, laptop dikoneksikan

terlebih dahulu ke jaringan NodeMCU dan perlahan-lahan laptop menjauh hingga 80 m

dimulai dari jarak yang paling dekat, yaitu 1 m. Grafik pengaruh variasi jarak terhadap kuat

sinyal dapat dilihat pada Gambar 4.8.

Pada grafik pengaruh variasi jarak terhadap kuat sinyal terlihat bahwa semakin jauh

lintasan propagasi antara NodeMCU dan laptop, maka kuat sinyal akan mengalami atenuasi.

Walau demikian, pada jarak 40 m hingga 70 m terlihat bahwa atenuasi kuat sinyal naik turun


49

(tidak stabil). Hal ini terjadi karena kuat sinyal akan jatuh bergantung pada jarak dari

medium transmisi. Secara umum, kuat sinyal akan mengalami atenuasi secara eksponensial.

Gambar 4.8. Grafik Pengaruh Variasi Jarak Terhadap Kuat Sinyal

Dengan demikian, semakin jauh jarak antara NodeMCU dengan laptop, kuat sinyal

akan semakin melemah. Pengujian pada jarak 80 m, WiFi Analyzer sudah tidak bisa

mendeteksi kuat sinyal dari jaringan NodeMCU. Hal ini disebabkan oleh adanya jaringan

lain selain jaringan NodeMCU yang lebih kuat di sekitar lokasi pengujian. Kuat sinyal yang

terdeteksi ialah kuat sinyal jaringan kampus yang memiliki access point yang lebih dekat

dari pada access point NodeMCU.

Setiap jarak dilakukan pengujian pengenalan tekstur untuk mengetahui pengaruh jarak

NodeMCU dengan laptop terhadap tingkat pengenalan tekstur. Pada pengujian ini,

pengenalan dilakukan sebanyak 10 kali tiap jaraknya. Resolusi kamera yang digunakan

adalah 160 x 120 piksel. Dari 10 pengujian akan dihitung persentase tingkat pengenalan

dengan membagi jumlah keberhasilan pengenalan dengan sepuluh pengenalan dan dikali

100%. Grafik pengaruh variasi jarak terhadap tingkat pengenalan dapat dilihat pada Gambar

4.9. Berdasarkan grafik pengaruh variasi jarak terhadap tingkat pengenalan, pada jarak 1 m

hingga 80 m terlihat tingkat pengenalan tekstur mencapai 100%. Pada jarak terdekat (1 m)

hingga jarak terjauh (80 m), tingkat pengenalan mencapai 100% karena video streaming

berhasil diterima laptop dan citra tekstur yang diambil masih dapat dikenali.

1 m 10 m 20 m 30 m 40 m 50 m 60 m 70 m 80 m

Kuat Sinyal (dBm) -45 -55 -62 -70 -72 -77 -71 -74

-90

-80

-70

-60

-50

-40

-30

-20

-10

0

Grafik Pengaruh Variasi Jarak Terhadap Kuat Sinyal

Kuat Sinyal (dBm)


50

Gambar 4.9. Grafik Pengaruh Variasi Jarak Terhadap Tingkat Pengenalan

Tampilan GUI pengenalan tekstur pada jarak 1 m dan 80 m dapat dilihat pada Gambar

4.10. tersebut membuktikan bahwa jarak tidak mempengaruhi tingkat pengenalan tekstur

karena citra tekstur yang diambil pada jarak 1 m maupun 80 m berhasil dikenali. Mobilitas

alat pengenalan tekstur masih dapat berfungsi dengan baik hingga jarak antara access point

NodeMCU dan laptop sekitar 80 m. Tingkat pengenalan mencapai 100% pada jarak 1 m

hingga 80 m dengan catatan intensitas cahaya diusahakan sama untuk setiap jarak pengujian.

(a)

Gambar 4.10. Tampilan GUI Pengenalan Tekstur: pada jarak 1 m (a)

dan pada jarak 80 m (b)

1 m 10 m 20 m 30 m 40 m 50 m 60 m 70 m 80 m

Tingkat Pengenalan 100% 100% 100% 100% 100% 100% 100% 100% 100%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Grafik Pengaruh Variasi Jarak Terhadap Tingkat

Pengenalan

Tingkat Pengenalan


51

(b)

Gambar 4.10. (Lanjutan) Tampilan GUI Pengenalan Tekstur: pada jarak 1 m (a)

dan pada jarak 80 m (b)

Beberapa pengujian pengenalan terdapat masalah pada NodeMCU dalam mengirim

video streaming. Pada GUI, setelah tombol CAMERA ON ditekan, indikator lampu

berwarna merah pada board NodeMCU akan menyala dan mengirim video streaming.

Indikator lampu pada NodeMCU menyala ditunjukkan pada Gambar 4.11.

Gambar 4.11. Indikator lampu pada NodeMCU menyala

Video streaming akan diterima kemudian ditampilkan pada GUI. Pada beberapa

pengujian, laptop tidak menerima video streaming dari NodeMCU. Error ketika tidak

berhasil menerima video streaming tidak tertampil pada GUI, tetapi tertampil pada halaman

command window MATLAB. Tampilan GUI setelah CAMERA ON ditekan tapi tidak

menerima video streaming dapat dilihat pada Gambar 4.12.


52

Gambar 4.12. Tampilan GUI tidak menerima video streaming

Ini berarti laptop telah berhasil mengirim perintah kepada NodeMCU untuk

mengambil video streaming. Indikator lampu menyala berarti NodeMCU berhasil mengirim

video streaming, tetapi tidak berhasil sampai kepada tujuan yaitu laptop. Hal tersebut dapat

terjadi karena gangguan dari luar, yaitu penghalang (adanya objek yang melintasi jalur

propagasi NodeMCU dan laptop). Pada propagasi Line of Sight, pengiriman dan penerimaan

sinyal akan terganggu jika ada penghalang.

4.1.4. Pengujian Tambahan Perbaikan Kinerja Pengenalan Tekstur

Pengujian ini bertujuan untuk memperbaiki kinerja pengenalan tekstur. Pada

pengujian ini, resolusi kamera yang dipakai oleh penulis adalah 320 x 240 piksel. Pengujian

sebelumnya, resolusi kamera yang dipakai adalah 160 x 120 piksel sesuai dengan batasan

masalah. Untuk mengganti resolusi kamera, penulis perlu mengubah program dalam modul

nirkabel NodeMCU menggunakan aplikasi Arduino IDE. Grafik pengaruh perbaikan kinerja

dengan perubahan resolusi dapat dilihat pada Gambar 4.13. Dengan menggunakan resolusi

yang lebih tinggi, tingkat pengenalan tekstur tunggal mencapai 100% untuk pengujian posisi

awal (dengan catatan tekstur yang dipakai tidak berubah seperti yang dilakukan pada

pengujian sebelumnya). Tingkat pengenalan ini lebih baik dari tingkat pengenalan pengujian

posisi awal menggunakan resolusi 160 x 120 piksel yang hanya mencapai 90%.

Walaupun demikian, pada pengujian variasi rotasi dan skala, tingkat pengenalan

dengan resolusi 320 x 240 piksel lebih rendah dari tingkat pengenalan dengan resolusi 160

x 120 piksel. Perbaikan tingkat pengenalan tekstur hanya terjadi pada variasi translasi


53

dengan tingkat pengenalan sebesar 78%. Ini menyatakan bahwa variasi rotasi dan skala tidak

mengalami perbaikan walaupun menggunakan resolusi yang lebih tinggi. Hal tersebut terjadi

karena piksel yang lebih tinggi mempengaruhi metode GLCM dalam mendapatkan hasil

ektraksi. Metode GLCM adalah metode statistik fitur tekstur order dua yang berarti

perhitungan berdasarkan hitungan statistik antara ketetanggaan piksel.

Gambar 4.13. Grafik Pengaruh Perbaikan Kinerja Dengan Perubahan Resolusi

Setelah resolusi piksel dinaikkan, penulis menemukan masalah dengan fungsi jarak

Kosinus yang digunakan untuk menghitung jarak hasil ekstraksi ciri GLCM. Nilai fitur

Kontras dan Entropi pada hasil ekstraksi ciri GLCM memiliki perbedaan yang jauh

dibanding nilai fitur hasil ekstraksi ciri GLCM yang lain. Hal tersebut mempengaruhi

perhitungan fungsi jarak Kosinus. Oleh karena itu, nilai fitur Kontras dan Entropi perlu

dinormalisasi sehingga bernilai di antara 0 dan 1. Setelah dilakukan normalisasi nilai fitur

GLCM, tingkat pengenalan meningkat dibanding tingkat pengenalan dengan perubahan

resolusi. Grafik pengaruh perbaikan kinerja dengan perubahan resolusi dan normalisasi nilai

fitur GLCM dapat dilihat pada Gambar 4.14.

Grafik pada Gambar 4.14 menunjukkan tingkat pengenalan metode GLCM dengan

resolusi kamera 320 x 240 dan normalisasi nilai fitur GLCM lebih tinggi dibanding tingkat

pengenalan yang lain, baik pada pengujian posisi awal maupun pengujian variasi RST. Ini

berarti perbaikan kinerja dengan menaikkan resolusi dan normalisasi nilai fitur GLCM

berhasil.


Res 160x120 90% 61.68% 68.90% 70.66%

Res 320x240 100% 55% 57.77% 78%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Pengaruh Perbaikan Kinerja Dengan Perubahan

Resolusi


54

Gambar 4.14. Grafik Pengaruh Perbaikan Kinerja Dengan Perubahan Resolusi Dan

Normalisasi Nilai Fitur GLCM

Tingkat pengenalan menggunakan metode GLCM setelah diperbaiki kemudian

dibandingkan dengan tingkat pengenalan menggunakan metode STD. Grafik tingkat

pengenalan tekstur dengan pengaruh RST setelah perbaikan kinerja dapat dilihat pada

Gambar 4.15.

Gambar 4.15. Grafik Tingkat Pengenalan Tekstur Dengan Pengaruh RST Setelah

Perbaikan Kinerja


Res 160x120 90% 61.68% 68.90% 70.66%

Res 320x240 100% 55% 57.77% 78%

Res 320x240 Norm 100% 85.83% 77.77% 97.34%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Pengaruh Perbaikan Kinerja Dengan Perubahan

Resolusi Dan Normalisasi Nilai Fitur GLCM


Tingkat Pengenalan GLCM 100% 85.83% 77.77% 97.34%

Tingkat Pengenalan STD [3] 100% 78.36% 78.00% 87.96%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Tingkat Pengenalan Tekstur Dengan Pengaruh RST

Setelah Perbaikan Kinerja


55

Perbaikan tersebut memiliki tingkat pengenalan yang lebih baik pada variasi Rotasi

dan Translasi dibandingkan penelitian sebelumnya. Tingkat pengenalan ini yang dipakai

sebagai tingkat pengenalan terbaik dari penelitian ini dengan tingkat pengenalan posisi awal

atau tanpa RST mencapai 100%, variasi rotasi mencapai 85,83%, variasi skala mencapai

77,77% dan variasi translasi mencapai 97,34%. Hal ini berarti resolusi kamera, metode

ekstraksi ciri serta fungsi jarak dapat menaikkan tingkat pengenalan.

4.1.5. Pengujian Pengenalan Tekstur Ganda

Pengujian tambahan pengenalan tekstur ganda dilakukan untuk mengetahui pengaruh

variasi rotasi, skala, dan translasi terhadap tingkat pengenalan tekstur ganda dengan metode

Gray Level Co-occurrence Matrix. Dalam pengujian ini, data masukan diperoleh dari tekstur

ganda asli yang telah dibuat dengan dimensi 25 x 25 cm dengan 2 tekstur tunggal intensitas

50% dipisah secara vertikal. Tekstur kemudian digerakkan secara manual sesuai variasi RST

yang telah ditentukan pada batasan masalah. Mula-mula tekstur diletakkan pada posisi awal

(sudut rotasi 0°, jarak 20 cm, posisi tengah). Untuk setiap pengujian variasi RST, tekstur

akan diatur ke posisi awal terlebih dahulu. Dari pengujian ini dapat diperoleh nilai pengaruh

RST dari setiap tekstur dengan mencari persentase pengenalan (recognition rate) terhadap

tiap variasi RST.

Gambar 4.16. Grafik Tingkat Pengenalan Tekstur Ganda Dengan Pengaruh RST


Tingkat Pengenalan 100% 83.35% 100.00% 95.56%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Tingkat Pengenalan Tekstur Ganda Dengan Pengaruh

RST

Tingkat Pengenalan


56

Grafik tingkat pengenalan tekstur ganda dengan pengaruh RST dapat dilihat pada

Gambar 4.16. Tekstur ganda yang digunakan untuk pengujian pengenalan tekstur ganda

antara lain: tekstur karung goni dan gabah, tekstur karung goni dan jagung, dan tekstur

karung goni dan kacang. Tekstur tersebut adalah tekstur yang akan disimpan pada basis data

untuk dikenali. Selain ke-3 tekstur ganda tersebut, tekstur ganda lain akan dikenali sebagai

tekstur ganda yang telah disimpan. Pengujian ini menggunakan resolusi kamera 160 x 120

piksel. Sama seperti pengujian pengenalan tekstur tunggal, tingkat pengenalan tekstur ganda

pun mengalami penurunan ketika pengujian variasi RST, kecuali untuk variasi skala. Variasi

RST akan membuat tekstur masukan berbeda dengan tekstur basis data. Hal ini membuat

ekstraksi ciri GLCM masukan berbeda dengan basis data sehingga mempengaruhi

perhitungan jarak Kosinus. Oleh karena itu, kesalahan pengenalan dapat terjadi karena jarak

Kosinus yang paling minimal tidak sesuai antara tekstur masukan dengan tekstur basis data.

Gambar 4.17. Grafik Pengaruh Variasi Rotasi Terhadap Pengenalan Tekstur Ganda

Pengujian pengaruh variasi rotasi diambil dengan mengatur resolusi kamera 160 x 120

piksel serta jarak 20 cm dan posisi tekstur tanpa pergeseran. Pada pengujian ini terdapat 4

variasi rotasi, yaitu 0°, 20°, 60°, dan 120°. Data yang diperoleh dapat diolah menjadi

persentase tingkat pengenalan tekstur dengan menghitung nilai pengenalan dari 3 kali

pengulangan untuk 3 tekstur ganda. Satu variasi rotasi memiliki total data pengenalan variasi

rotasi sebanyak 9 data. Untuk mendapat persentase tiap sudut variasi rotasi, jumlah

pengujian berhasil akan dibagi dengan total data pengenalan variasi sudut dan dikali dengan

0 20 60 120

Ganda 100% 100% 67% 67%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Per

sen

tase

(%

)

Sudut (°)

Pengaruh Variasi Rotasi Terhadap

Pengenalan Tekstur Ganda


57

100%. Grafik pengaruh variasi rotasi terhadap pengenalan ditunjukkan pada Gambar 4.17.

Pada grafik tersebut terlihat bahwa semakin besar variasi sudut rotasi akan semakin

mempengaruhi tingkat pengenalan. Hal ini dibuktikan dengan besarnya sudut rotasi 120°,

persentase pengenalan turun hingga 66,7%. Hal tersebut dikarenakan variasi rotasi membuat

citra masukan berbeda dengan citra yang telah disimpan dengan basis data. Nilai ekstraksi

ciri masukan dibandingkan dengan nilai ekstraksi ciri basis data menggunakan jarak Kosinus

dan didapat hasil pengenalan yang tidak sesuai dengan tekstur masukan. Dari data tersebut

dapat disimpulkan bahwa variasi rotasi cukup berpengaruh terhadap tingkat pengenalan baik

pada pengenalan tekstur tunggal.


piksel serta sudut putar 0° dan posisi tekstur tanpa pergeseran. Pada pengujian ini terdapat 3

variasi jarak antara kamera dengan tekstur, yaitu 20 cm, 25 cm, dan 30 cm. Data yang

diperoleh dapat diolah menjadi persentase tingkat pengenalan tekstur dengan menghitung

nilai pengenalan dari 3 kali pengulangan untuk 3 tekstur ganda. Satu variasi rotasi memiliki

total data pengenalan variasi sudut sebanyak 9 data. Untuk mendapat persentase tiap jarak

variasi skala, jumlah pengujian berhasil akan dibagi dengan total data pengenalan variasi

skala dan dikali dengan 100%. Grafik pengaruh variasi skala terhadap pengenalan

ditunjukkan pada Gambar 4.18.

Gambar 4.18. Grafik Pengaruh Variasi Skala Terhadap Pengenalan Tekstur Ganda

20 25 30

Ganda 100.0% 100.0% 100.0%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Per

sen

tase

(%

)

Jarak (cm)

Pengaruh Variasi Skala Terhadap Pengenalan

Tekstur Ganda


58

Pada grafik tersebut dapat dilihat bahwa tingkat pengenalan pada tiap variasi skala

mencapai 100%. Hal ini berarti variasi skala tidak mempengaruhi tingkat pengenalan. Hal

tersebut bisa terjadi karena tekstur gabah, jagung dan kacang pada tekstur ganda memiliki

perbedaan yang masih dapat ditoleransi dari variasi skala. Pada jarak 30 cm, ke-3 tekstur

ganda tersebut masih dapat dikenali dengan benar. Dari data tersebut, variasi skala tidak

mempengaruhi ke-3 tekstur ganda yang diuji.


piksel serta jarak 20 cm dan sudut putar 0°. Pada pengujian ini terdapat 5 variasi translasi,

yaitu posisi center, geser 1 cm ke atas (U) , geser 1 cm ke kiri (L), geser 1 cm ke bawah (D)

dan geser 1 cm ke kanan (R). Data yang diperoleh dapat diolah menjadi persentase tingkat

pengenalan tekstur dengan menghitung nilai pengenalan dari 3 kali pengulangan untuk 3

tekstur ganda. Satu variasi translasi memiliki total data pengenalan variasi sudut sebanyak 9

data. Untuk mendapat persentase tiap variasi translasi, jumlah pengujian berhasil akan dibagi

dengan total data pengenalan variasi translasi dan dikali dengan 100%. Grafik pengaruh

variasi translasi terhadap pengenalan ditunjukkan pada Gambar 4.19.

Gambar 4.19. Grafik Pengaruh Variasi Translasi Terhadap Pengenalan Tekstur Ganda

Center U 1 L 1 D 1 R 1

Ganda 100.0% 100.0% 77.8% 100.0% 100.0%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

PE

RS

EN

TA

SE

(%

)

Geser (cm)

Ket:

U 1 = Geser Atas 1 cm D 1 = Geser Bawah 1 cm

L 1 = Geser Kiri 1 cm R 1 = Geser Kanan 1 cm

Pengaruh Variasi Translasi Terhadap

Pengenalan Tekstur Ganda


59

Berdasarkan grafik, sama seperti pengaruh RST terhadap pengenalan tekstur tunggal,

variasi translasi mempengaruhi tingkat pengenalan tekstur. Beberapa pengujian variasi

translasi geser ke kiri 1 cm menurunkan tingkat pengenalan tekstur ganda. Tekstur ganda

yang diuji terpisah secara vertikal sehingga tidak mempengaruhi variasi translasi U1 dan D1.

Pada pengujian variasi translasi geser kiri 1 cm tekstur karung goni dan jagung, tekstur

jagung akan lebih banyak dibanding tekstur karung goni sehingga tekstur ganda tersebut

berbeda dengan basis data. Pada pengujian tekstur yang sama geser kanan 1 cm, tingkat

pengenalan mencapai 100% walaupun tekstur karung goni lebih banyak dibanding tekstur

jagung. Hal tersebut terjadi karena hasil ekstraksi ciri GLCM masukan berbeda dengan hasil

ekstraksi ciri GLCM basis data untuk tesktur ganda tertentu.

4.2. Beberapa Catatan

Pengujian pengenalan tekstur memiliki beberapa batasan penelitian yang

mempengaruhi tingkat pengenalan tekstur. Berikut adalah batasan penelitian ini.

1. Intensitas cahaya saat pengujian sangat berpengaruh terhadap tingkat pengenalan

tekstur. Oleh karena itu, penulis mengusahakan intensitas cahaya yang digunakan

untuk basis data sama dengan intensitas cahaya yang digunakan untuk pengujian

pengenalan tekstur dengan menambah 2 buah lampu LED.

2. Macam tekstur yang dikenali. Berdasarkan keteraturan polanya, tekstur dibagi menjadi

2 macam, yaitu tekstur teratur dan tekstur tidak teratur. Dengan menggunakan metode

GLCM, citra tekstur dihitung nilai statistik ketetanggaan pikselnya sehingga didapat

hasil ekstraksi ciri. Beberapa tekstur memiliki kemiripan setelah didapat hasil ekstraksi

cirinya. Hal tersebut mempengaruhi tingkat pengenalan tiap teksturnya.

3. Pengacakan tekstur. Tekstur yang tidak bersifat tetap, seperti tekstur gabah, jagung,

kacang, jerami, dan bebatuan memiliki kemungkinan pengacakan dalam pengujian.

Yang dimaksud pengacakan oleh penulis adalah merombak tekstur yang terdiri dari

bagian yang dapat diacak. Pengacakan ini tentu akan mempengaruhi hasil ekstraksi

ciri guna pengenalan tekstur.

4. Perbedaan warna dalam tekstur mempengaruhi tingkat pengenalan dalam pengujian

variasi RST. Hal tersebut dibuktikan pada tekstur kacang yang memiliki beberapa biji

kacang yang berwarna lebih gelap dibanding yang lain. Ketika pengujian pengenalan


60

dilakukan, biji kacang yang berwarna lebih gelap tersebut berada di tempat yang

berbeda dari yang telah disimpan dalam basis data. Dengan demikian, pengenalan

tekstur mengalami hambatan dalam mengenali tekstur.

5. Citra tektur yang ditangkap kamera ArduCAM selalu memiliki sisi gelap pada bagian

kanan citra. Penulis sudah berusaha menambah intensitas cahaya pada bagian gelap ke

sisi bagian kanan kamera. Walaupun demikian, citra yang diambil masih memiliki sisi

gelap. Sisi gelap ditunjukkan pada Gambar 4.20. untuk citra grayscale tekstur jagung

dan tekstur kacang. Hal tersebut bisa terjadi akibat keterbatasan dari perangkat kamera

ArduCAM dalam menangkap citra.

(a) (b)

Gambar 4.20. Citra Grayscale Tekstur Jagung (a) dan Citra Grayscale Tekstur Kacang (b)

6. Pada saat pengujian, alat seringkali mengalami error saat pengambilan video

streaming (timeout dan cannot connect to the camera). Solusi yang dilakukan adalah

menekan tombol reset pada NodeMCU dan mencabut sumber tegangan dan

mengulang proses pengambilan video streaming.

4.3. Hasil Perbandingan Penelitian

Hasil penelitian ini dibandingkan dengan hasil penelitian sebelumnya oleh Adnyana.

Hasil perbandingan penelitian dapat dilihat pada Tabel 4.3. Pada Tabel 4.3, penelitian

sebelumnya menggunakan 10 tekstur tunggal sedangkan penelitian ini menambahkan 3

tekstur ganda. Penelitian ini menggunakan modul nirkabel sebagai pengembangan. Metode

yang digunakan berbeda dengan penelitian sebelumnya. Pada penelitian sebelumnya,

Adnyana menggunakan metode Statistical Texture Descriptor yang menghasilkan 6 nilai

fitur tiap teksturnya. Penelitian ini menggunakan metode Gray Level Co-occurrence Matrix

yang menghasilkan 20 nilai fitur tiap teksturnya. Penelitian ini memperbaiki tingkat

pengenalan variasi rotasi dan variasi translasi. Untuk variasi skala, tingkat pengenalan

penelitian sebelumnya masih lebih baik dari tingkat pengenalan penelitian ini.


61

Tabel 4.3. Hasil Perbandingan Penelitian

Penelitian sebelumnya [3] Penelitian ini

Pengujian mengenali 10 tekstur tunggal Pengujian mengenali 10 tekstur tunggal

dan 3 tekstur ganda

Tidak menggunakan modul nirkabel Menggunakan modul nirkabel

Menggunakan metode Statistical

Texture Descriptor

Menggunakan metode Gray Level Co-

occurrence Matrix

Menghasilkan 6 nilai fitur tiap

teksturnya

Menghasilkan 20 nilai fitur tiap

teksturnya

Tingkat pengenalan variasi rotasi (0°,

20°, 60° dan 120°) : 78,36%

Tingkat pengenalan variasi rotasi (0°,

20°, 60° dan 120°) : 85,83%

Tingkat pengenalan variasi skala (jarak

kamera 25 cm, 30 cm, 35 cm) : 78%

Tingkat pengenalan variasi skala (jarak

kamera 20 cm, 25 cm, 30 cm) : 77,77%

Tingkat pengenalan variasi translasi (1

cm atas, bawah, kiri dan kanan) :

87,96%

Tingkat pengenalan variasi translasi (1

cm atas, bawah, kiri dan kanan) :

97,34%


62

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil percobaan dan pengujian sistem pengenalan tekstur menggunakan

metode Gray Level Co-occurrence Matrix dapat disimpulkan bahwa:

1. Berhasil menghasilkan suatu alat computer vision yang mampu mengenali 10 tekstur

tunggal menggunakan metode Gray Level Co-occurrence Matrix dengan tingkat

pengenalan tanpa pengaruh RST mencapai 100%. Basis data yang digunakan adalah

10 citra tekstur pada posisi awal (tanpa pengaruh RST).

2. Penelitian pengujian variasi RST memperbaiki tingkat pengenalan variasi rotasi dan

variasi translasi dari penelitian sebelumnya. Tingkat pengenalan variasi rotasi

mencapai 85,83%. Tingkat pengenalan variasi skala mencapai 77,77%. Tingkat

pengenalan variasi translasi mencapai 97,34%.

3. Modul nirkabel dapat diterapkan untuk pengembangan alat ini dengan jarak antara

perangkat pengirim (NodeMCU) dan perangkat penerima (laptop) mencapai 80 m.

5.2. Saran

Saran yang diberikan untuk pengembangan sistem pengenalan tekstur adalah:

1. Pengembangan dapat dilakukan dengan menambahkan basis data untuk beberapa

posisi tiap teksturnya sehingga hasil ekstraksi ciri yang disimpan akan lebih banyak

dan mampu meningkatkan tingkat pengenalan (recognition rate).

2. Pengembangan sistem pengenalan menggunakan metode ekstraksi ciri berbeda dengan

harapan tingkat pengenalan dapat mendekati 100% pada pengujian variasi RST.


63

DAFTAR PUSTAKA

[1] Bhosle, V.V., Pawar, V.P., 2013, Texture Segmentation: Different Methods,

International Journal of Soft Computing and Engineering (IJSCE), vol. 3, issue 5, hal

69-74.

[2] Szeliski, R., 2010, Computer Vision: Algorithms and Applications, 1st Edition,

Springer, -.

[3] Adnyana, W.P., 2018, Pengenalan Tekstur dengan Statistical Texture Descriptor,

Tugas Akhir, Jurusan Teknik Elektro, FST, Universitas Sanata Dharma, Yogyakarta.

[4] Haralick, R.M., 1979, Statistical and Structural Approaches to Texture, Proceedings

of the IEEE, vol. 67, no. 5, hal 786-804.

[5] Raheja, J.L., Kumar, S., Chaudhary, A., 2013, Fabric defect detection based on GLCM

and Gabor filter: A comparison, Optik, vol. 124, hal 6469-6474.

[6] Honeycutt, C.E., Plotnick, R., 2008, Image analysis techniques and gray-level co-

occurrence matrices (GLCM) for calculating bioturbation indices and characterizing

biogenic sedimentary structures, Computers & Geosciences, vol. 34, hal 1461-1472.

[7] Goodman, P., 2019, Wireless Network vs Wired Network: Advantages and

Disadvantages | TurboFuture, https://turbofuture.com/computers/Wireless-Network-

vs-Wired-Network-Advantages-and-Disadvantages, diakses 20 Maret 2019.

[8] Kadir, A., Susanto, A., 2013, Teori dan Aplikasi Pengolahan Citra, Penerbit Andi,

Yogyakarta.

[9] Martinez, J.C., 2009, Texture Measuring by Means of Perceptually-Based Fineness

Functions, Iberian Conference on Pattern Recognition and Image Analysis, LNCS

5524, hal 265-272.

[10] -----, 2015, ArduCAM-M-2MP Camera Shield 2MP SPI Camera User Guide Rev 1.1,

ArduCAM

[11] -----, -----, The Internet of Things with ESP8266, http://esp8266.net, diakses 6

Desember 2018.

[12] -----, -----, GitHub – NodeMCU/NodeMCU-devkit-v1.0,

https://github.com/NodeMCU/NodeMCU-devkit-v1.0 , diakses 15 Desember 2018.

[13] -----, 2018, ESP8266EX Datasheet, Espressif Systems

[14] -----, 2015, ESP-12E WiFi Module Version 1.0, AI-Thinker


https://turbofuture.com/computers/Wireless-Network-vs-Wired-Network-Advantages-and-Disadvantages

https://turbofuture.com/computers/Wireless-Network-vs-Wired-Network-Advantages-and-Disadvantages

http://esp8266.net/

https://github.com/nodemcu/nodemcu-devkit-v1.0

64

[15] Marques, O., 2011, Practical Image and Video Processing Using MATLAB, John

Wiley & Sons, New Jersey.

[16] Newsam, S.D., Kammath, C., 2004, Retrieval Using Texture Features in High

Resolution Multi-spectral Satellite Imagery, Proceedings of SPIE, vol. 5433, hal 21-

32

[17] Cha, Sung-Hyuk, 2007, Comprehensive Survey on Distance/Similarity Measures

between Probability Density Functions, International Journal of Mathematical Models

and Methods in Applied Sciences, vol. 1, issue 4, hal 300-307.


LAMPIRAN


L-1

LAMPIRAN 1

IMPLEMENTASI SISTEM PENGENALAN

A. Implementasi Perangkat Lunak

Implementasi perangkat lunak sistem pengenalan mengacu pada Gambar 3.11, yaitu

Diagram Alir Sistem Pengenalan Tekstur GUI. Tampilan GUI Pengenalan Tekstur pada

Gambar L-1 dibuat berdasarkan sketsa perancangan GUI pada Gambar 3.12 dengan

penyesuaian. Penambahan tombol dan tabel disesuaikan dengan permasalahan yang

ditemukan penulis mengenai program pengenalan tekstur.

Gambar L-1. Tampilan GUI Pengenalan Tekstur

Tombol S dan D digunakan untuk memilih jenis tekstur yang akan dikenali. Tombol

S untuk jenis tekstur tunggal dan tombol D untuk jenis tekstur ganda. Tombol CAMERA

ON digunakan untuk menyalakan kamera ArduCAM dan menampilkan video streaming

pada GUI. Tombol AMBIL CITRA digunakan untuk mengambil citra tekstur dari video

streaming. Setelah citra tekstur diambil, pada proses tombol yang sama, citra tersebut

dikonversi menjadi citra grayscale. Hasil ekstraksi ciri GLCM didapat dari citra grayscale

dan ditampilkan pada GUI dalam bentuk tabel. Fungsi jarak Kosinus digunakan untuk

menghitung jarak hasil ekstraksi ciri GLCM masukan dengan basis data dan ditampilkan

pada GUI dalam bentuk tabel. Hasil keluaran pengenalan berupa teks ditentukan dari nilai


L-2

jarak Kosinus yang paling minimal dan ditampilkan pada GUI. Tombol RESET digunakan

untuk menghapus data dan mengulang proses pengenalan tekstur dari awal.

B. Implementasi Perangkat Keras

Implementasi perangkat keras ditunjukkan pada Gambar L-2. Kondisi ini dibuat

berdasarkan perancangan hardware pada Gambar 3.13. Penyangga serta alas dibuat dengan

menyesuaikan variasi RST yang akan diuji. Pada penyangga terdapat tanda jarak yang

digunakan untuk variasi skala. Pada alas terdapat tanda posisi tekstur untuk variasi rotasi

dan translasi. Penambahan lampu penerangan pada sisi kanan dan kiri kamera dilakukan

untuk meminimalisasi pengaruh cahaya luar terhadap proses pengenalan.

Gambar L-2. Kondisi Pengambilan dan Pengenalan Tekstur

Laptop Powerbank

(Catu daya 5V)

Tekstur

Alas

Penyangga

ArduCAM+

NodeMCU Lampu

Penerangan

…


L-3

LAMPIRAN 2

ALUR PROSES PENGENALAN TEKSTUR DENGAN METODE

GLCM

Mulai

Masukan:

Citra RGB

(Tekstur Jagung) Preprocessing

Konversi citra RGB menjadi

citra grayscale

Ekstraksi ciri

Gray Level Co-occurrence

Matrix

Keluaran:

Citra grayscale

Keluaran:

Hasil Ekstraksi Ciri

GLCM

A


L-4

A

Proses Perhitungan Jarak

Kosinus

Keluaran:

Hasil Pengenalan

berupa Teks

Selesai


L-5

LAMPIRAN 3

LISTING PROGRAM

Listing Program GUI Pengenalan Tekstur (MATLAB)

function varargout = ipcamglcm(varargin) % IPCAMGLCM MATLAB code for ipcamglcm.fig % IPCAMGLCM, by itself, creates a new IPCAMGLCM or raises the

existing % singleton*. % % H = IPCAMGLCM returns the handle to a new IPCAMGLCM or the

handle to % the existing singleton*. % % IPCAMGLCM('CALLBACK',hObject,eventData,handles,...) calls

the local % function named CALLBACK in IPCAMGLCM.M with the given input

arguments. % % IPCAMGLCM('Property','Value',...) creates a new IPCAMGLCM

or raises the % existing singleton*. Starting from the left, property

value pairs are % applied to the GUI before ipcamglcm_OpeningFcn gets called.

An % unrecognized property name or invalid value makes property

application % stop. All inputs are passed to ipcamglcm_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 ipcamglcm

% Last Modified by GUIDE v2.5 31-May-2019 13:36:00 % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @ipcamglcm_OpeningFcn, ... 'gui_OutputFcn', @ipcamglcm_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []);


L-6

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 ipcamglcm is made visible. function ipcamglcm_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 ipcamglcm (see VARARGIN) global s y z jar jenis % Choose default command line output for ipcamglcm handles.output = hObject; axes(handles.axes1) plot(0) axes(handles.axes2) plot(0) s=[]; set(handles.tabel_glcm,'Data',s) y=''; set(handles.teks,'string',y); jar=[]; set(handles.tabel_jarak,'Data',jar) z=true; jenis=1; % Update handles structure guidata(hObject, handles);

% UIWAIT makes ipcamglcm wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = ipcamglcm_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;


L-7

% --- Executes on button press in single. function single_Callback(hObject, eventdata, handles) % hObject handle to single (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) global jenis jenis=1; % --- Executes on button press in double. function double_Callback(hObject, eventdata, handles) % hObject handle to double (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) global jenis jenis=2;

% --- Executes on button press in camera_on. function camera_on_Callback(hObject, eventdata, handles) % hObject handle to camera_on (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) global z ss gray jenis z=true; strm=ipcam('http://192.168.4.1/stream'); axes(handles.axes1); axis off; while z==true ss=snapshot(strm); imshow(ss); if z==false closePreview(strm); gray=rgb2gray(ss); gray=imadjust(gray); axes(handles.axes2); imshow(gray); axis off; %UITABLE [tc,k]=tciri(gray) set(handles.tabel_glcm,'Data',tc) load dbxicglcm if jenis==1 j1=double(dist(k,dbicglcm(:,1))); j2=double(dist(k,dbicglcm(:,2))); j3=double(dist(k,dbicglcm(:,3))); j4=double(dist(k,dbicglcm(:,4))); j5=double(dist(k,dbicglcm(:,5))); j6=double(dist(k,dbicglcm(:,6))); j7=double(dist(k,dbicglcm(:,7))); j8=double(dist(k,dbicglcm(:,8)));


L-8

j9=double(dist(k,dbicglcm(:,9))); j10=double(dist(k,dbicglcm(:,10))); jar=[j1 j2 j3 j4 j5 j6 j7 j8 j9 j10]; jart={j1 j2 j3 j4 j5 j6 j7 j8 j9 j10 '-' '-' '-'}; dbteks={'GABAH','JAGUNG','KACANG','ANYAMAN BAMBU',... 'KARUNG

GONI','KESET','JERAMI','HANDUK','RUMPUT',... 'BEBATUAN'}; elseif jenis == 2 j11=double(dist(k,dbicglcm(:,11))); j12=double(dist(k,dbicglcm(:,12))); j13=double(dist(k,dbicglcm(:,13))); jar=[j11 j12 j13]; jart={'-' '-' '-' '-' '-' '-' '-' '-' '-' '-' j11 j12

j13}; dbteks={'GONI+GABAH','GONI+JAGUNG','GONI+KACANG'}; end set(handles.tabel_jarak,'Data',jart) lokmin=find(jar==min(jar)); y=dbteks{lokmin}; set(handles.teks,'string',y); break; end end

% --- Executes on button press in ambil_citra. function ambil_citra_Callback(hObject, eventdata, handles) % hObject handle to ambil_citra (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) global z z=false;

% --- Executes on button press in 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) s=[]; set(handles.tabel_glcm,'Data',s) set(handles.tabel_jarak,'Data',s) y=''; set(handles.teks,'string',y)

function [y,k]=tciri(x) [G0,G45,G90,G135]=glcm256(x); t1=G0.asm;


L-9

t2=G0.kontras; t3=G0.idm; t4=G0.entropi; t5=G0.korelasi; t6=G45.asm; t7=G45.kontras; t8=G45.idm; t9=G45.entropi; t10=G45.korelasi; t11=G90.asm; t12=G90.kontras; t13=G90.idm; t14=G90.entropi; t15=G90.korelasi; t16=G135.asm; t17=G135.kontras; t18=G135.idm; t19=G135.entropi; t20=G135.korelasi; y=[t1 t2 t3 t4 t5; t6 t7 t8 t9 t10;... t11 t12 t13 t14 t15; t16 t17 t18 t19 t20]; k=[t1 t2 t3 t4 t5 t6 t7 t8 t9 t10... t11 t12 t13 t14 t15 t16 t17 t18 t19 t20]';

%======================= %Jarak Kosinus function z=dist(x,y) z=1-(sum(x.*y)/(sqrt(sum(x.^2))*sqrt(sum(y.^2)))); %=======================

% --- Executes during object creation, after setting all

properties. function tabel_glcm_CreateFcn(hObject, eventdata, handles) % hObject handle to tabel_glcm (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles empty - handles not created until after all

CreateFcns called

Listing Program GUI Basis Data (MATLAB)

function varargout = dbipcamglcm(varargin) % DBIPCAMGLCM MATLAB code for dbipcamglcm.fig % DBIPCAMGLCM, by itself, creates a new DBIPCAMGLCM or raises

the existing % singleton*. % % H = DBIPCAMGLCM returns the handle to a new DBIPCAMGLCM or

the handle to % the existing singleton*. %


L-10

% DBIPCAMGLCM('CALLBACK',hObject,eventData,handles,...) calls

the local % function named CALLBACK in DBIPCAMGLCM.M with the given

input arguments. % % DBIPCAMGLCM('Property','Value',...) creates a new

DBIPCAMGLCM or raises the % existing singleton*. Starting from the left, property

value pairs are % applied to the GUI before dbipcamglcm_OpeningFcn gets

called. An % unrecognized property name or invalid value makes property

application % stop. All inputs are passed to dbipcamglcm_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 dbipcamglcm

% Last Modified by GUIDE v2.5 27-May-2019 16:00:49

% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @dbipcamglcm_OpeningFcn, ... 'gui_OutputFcn', @dbipcamglcm_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 dbipcamglcm is made visible. function dbipcamglcm_OpeningFcn(hObject, eventdata, handles,

varargin) % This function has no output args, see OutputFcn. % hObject handle to figure


L-11

% 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 dbipcamglcm (see VARARGIN)

% Choose default command line output for dbipcamglcm handles.output = hObject;

% Update handles structure guidata(hObject, handles);

% UIWAIT makes dbipcamglcm wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = dbipcamglcm_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 camera_on. function camera_on_Callback(hObject, eventdata, handles) % hObject handle to camera_on (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) global z ss gray tk dbtk global tk1 tk2 tk3 tk4 tk5 tk6 tk7 tk8 tk9 tk10 tk11 tk12 tk13 global img1 img2 img3 img4 img5 img6 img7 img8 img9 img10 img11

img12 img13 z=true; tk=0; strm=ipcam('http://192.168.4.1/stream'); axes(handles.axes1) while z==true ss=snapshot(strm); imshow(ss); if z==false closePreview(strm); gray=rgb2gray(ss); gray=imadjust(gray); axes(handles.axes2) imshow(gray);


L-12

if tk == 1 img1=gray; tk1=tciri(gray) elseif tk== 2 img2=gray; tk2=tciri(gray) elseif tk==3; img3=gray; tk3=tciri(gray) elseif tk==4; img4=gray; tk4=tciri(gray) elseif tk==5; img5=gray; tk5=tciri(gray) elseif tk==6; img6=gray; tk6=tciri(gray) elseif tk==7; img7=gray; tk7=tciri(gray) elseif tk==8; img8=gray; tk8=tciri(gray) elseif tk==9; img9=gray; tk9=tciri(gray) elseif tk==10; img10=gray; tk10=tciri(gray) elseif tk==11; img11=gray; tk11=tciri(gray) elseif tk==12; img12=gray; tk12=tciri(gray) elseif tk==13; img13=gray; tk13=tciri(gray) end dbtk=[tk1 tk2 tk3 tk4 tk5 tk6 tk7 tk8 tk9 tk10 tk11 tk12

tk13]; break; end end

% --- Executes on button press in gabah_1. function gabah_1_Callback(hObject, eventdata, handles) % hObject handle to gabah_1 (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) global z tk img1 z=false;


L-13

tk=1; axes(handles.axes2) imshow(img1)

% --- Executes on button press in jagung_2. function jagung_2_Callback(hObject, eventdata, handles) % hObject handle to jagung_2 (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) global z tk img2 z=false; tk=2; axes(handles.axes2) imshow(img2)

% --- Executes on button press in kacang_3. function kacang_3_Callback(hObject, eventdata, handles) % hObject handle to kacang_3 (see GCBO) % eventdata reserved - to be defined in a future version of


% --- Executes on button press in anyaman_4. function anyaman_4_Callback(hObject, eventdata, handles) % hObject handle to anyaman_4 (see GCBO) % eventdata reserved - to be defined in a future version of


% --- Executes on button press in goni_5. function goni_5_Callback(hObject, eventdata, handles) % hObject handle to goni_5 (see GCBO) % eventdata reserved - to be defined in a future version of



L-14

% --- Executes on button press in keset_6. function keset_6_Callback(hObject, eventdata, handles) % hObject handle to keset_6 (see GCBO) % eventdata reserved - to be defined in a future version of


% --- Executes on button press in jerami_7. function jerami_7_Callback(hObject, eventdata, handles) % hObject handle to jerami_7 (see GCBO) % eventdata reserved - to be defined in a future version of


% --- Executes on button press in handuk_8. function handuk_8_Callback(hObject, eventdata, handles) % hObject handle to handuk_8 (see GCBO) % eventdata reserved - to be defined in a future version of


% --- Executes on button press in rumput_9. function rumput_9_Callback(hObject, eventdata, handles) % hObject handle to rumput_9 (see GCBO) % eventdata reserved - to be defined in a future version of


% --- Executes on button press in batu_10. function batu_10_Callback(hObject, eventdata, handles) % hObject handle to batu_10 (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB


L-15

% handles structure with handles and user data (see GUIDATA) global z tk img10 z=false; tk=10; axes(handles.axes2) imshow(img10)

% --- Executes on button press in goni_gabah_11. function goni_gabah_11_Callback(hObject, eventdata, handles) % hObject handle to goni_gabah_11 (see GCBO) % eventdata reserved - to be defined in a future version of


% --- Executes on button press in goni_jagung_12. function goni_jagung_12_Callback(hObject, eventdata, handles) % hObject handle to goni_jagung_12 (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) global z tk img12 z=false; tk=12; axes(handles.axes2) imshow(img12) % --- Executes on button press in goni_kacang_13. function goni_kacang_13_Callback(hObject, eventdata, handles) % hObject handle to goni_kacang_13 (see GCBO) % eventdata reserved - to be defined in a future version of


% --- Executes on button press in save_db. function save_db_Callback(hObject, eventdata, handles) % hObject handle to save_db (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) global dbtk dbicglcm=dbtk; save dbxicglcm dbicglcm


L-16

dbteks={'GABAH','JAGUNG','KACANG','ANYAMAN BAMBU','KARUNG

GONI',... 'KESET','JERAMI','HANDUK','RUMPUT','BEBATUAN','GONI+GABAH',... 'GONI+JAGUNG','GONI+KACANG'}; ciriteks={'asm0','kontras0','idm0','entropi0','korelasi0',... 'asm45','kontras45','idm45','entropi45','korelasi45',... 'asm90','kontras90','idm90','entropi90','korelasi90',... 'asm135','kontras135','idm135','entropi135','korelasi135'}; figure(1); uitable('Data',dbtk,'ColumnName',dbteks,'RowName',ciriteks,... 'Units','Normalized','Position',[0,0,1,1])

% --- 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) global ss gray dbtk tk1 tk2 tk3 tk4 tk5 tk6 tk7 tk8 tk9 tk10 tk11

tk12 tk13 global img1 img2 img3 img4 img5 img6 img7 img8 img9 img10 img11

img12 img13 ss=[]; gray=[]; axes(handles.axes1) plot(0); axes(handles.axes2) plot(0); tk1=[];tk2=[];tk3=[];tk4=[];tk5=[];tk6=[]; tk7=[];tk8=[];tk9=[];tk10=[];tk11=[];tk12=[];tk13=[]; tk1(20,1)=0;tk2(20,1)=0;tk3(20,1)=0;tk4(20,1)=0;tk5(20,1)=0; tk6(20,1)=0;tk7(20,1)=0;tk8(20,1)=0;tk9(20,1)=0;tk10(20,1)=0; tk11(20,1)=0;tk12(20,1)=0;tk13(20,1)=0; img1=[];img2=[];img3=[];img4=[];img5=[];img6=[]; img7=[];img8=[];img9=[];img10=[];img11=[];img12=[];img13=[]; dbtk=[tk1 tk2 tk3 tk4 tk5 tk6 tk7 tk8 tk9 tk10 tk11 tk12 tk13]

function y=tciri(x) [G0,G45,G90,G135]=glcm256(x); t1=G0.asm; t2=G0.kontras; t3=G0.idm; t4=G0.entropi; t5=G0.korelasi; t6=G45.asm; t7=G45.kontras; t8=G45.idm; t9=G45.entropi; t10=G45.korelasi; t11=G90.asm; t12=G90.kontras; t13=G90.idm; t14=G90.entropi; t15=G90.korelasi;


L-17

t16=G135.asm; t17=G135.kontras; t18=G135.idm; t19=G135.entropi; t20=G135.korelasi; y=[t1 t2 t3 t4 t5 t6 t7 t8 t9 t10... t11 t12 t13 t14 t15 t16 t17 t18 t19 t20]';

Listing Program Gray Level Co-occurrence Matrix (MATLAB)

function [g0, g45, g90, g135] = glcm256(F) [baris,kolom]=size(F); %--INISIALISASI MATRIX GLCM DAN TOTAL PIXEL glcm0=zeros(256,256); %4 berarti jumlah elemen: 0,1,2 dan 3 glcm45=zeros(256,256); %untuk grayscale jumlah elemen 256: 0-255 glcm90=zeros(256,256); glcm135=zeros(256,256); total_pixel0=0; total_pixel45=0; total_pixel90=0; total_pixel135=0; % -- Sudut 0 for y=1: baris for x=1: kolom-1 %kolom-1 utk sudut 0(relasi horizontal ke

kanan) a = F(y, x); b = F(y, x+1); glcm0(a+1, b+1) = glcm0(a+1, b+1) + 1; total_pixel0 = total_pixel0 + 1; end end % -- Sudut 45 for y=2: baris %mulai dari 2 utk sudut 45(relasi vertikal ke

atas) for x=1: kolom-1 %kolom-1 utk sudut 45(relasi horizontal ke

kanan) a = F(y, x); b = F(y-1, x+1); glcm45(a+1, b+1) = glcm45(a+1, b+1) + 1; total_pixel45 = total_pixel45 + 1; end end % -- Sudut 90 for y=2: baris %mulai dari 2 utk sudut 45(relasi vertikal ke

atas) for x=1: kolom %kolom-1 utk sudut 45(relasi horizontal ke

kanan) a = F(y, x); b = F(y-1, x); glcm90(a+1, b+1) = glcm90(a+1, b+1) + 1; total_pixel90 = total_pixel90 + 1; end end % -- Sudut 135


L-18

for y=2: baris %mulai dari 2 utk sudut 45(relasi vertikal ke

atas) for x=2: kolom %kolom-1 utk sudut 45(relasi horizontal ke

kanan) a = F(y, x); b = F(y-1, x-1); glcm135(a+1, b+1) = glcm135(a+1, b+1) + 1; total_pixel135 = total_pixel135 + 1; end end

%--------HITUNGAN BERDASARKAN RUMUS %====normalisasi antara 0 dan 1===== glcm0norm=glcm0+glcm0';%GLCM Normalisasi glcm45norm=glcm45+glcm45';%GLCM Normalisasi glcm90norm=glcm90+glcm90';%GLCM Normalisasi glcm135norm=glcm135+glcm135';%GLCM Normalisasi %=================================== glcm0norm=glcm0norm/(total_pixel0.*2); glcm45norm=glcm45norm/(total_pixel45.*2); glcm90norm=glcm90norm/(total_pixel90.*2); glcm135norm=glcm135norm/(total_pixel135.*2); %===================================

%___HITUNG ASM asm0 = 0.0; asm45 = 0.0; asm90 = 0.0; asm135 = 0.0; for a=0 : 255 for b=0 : 255 asm0 = asm0 + (glcm0norm(a+1, b+1).^2); asm45 = asm45 + (glcm45norm(a+1, b+1).^2); asm90 = asm90 + (glcm90norm(a+1, b+1).^2); asm135 = asm135 + (glcm135norm(a+1, b+1).^2); end end

%____HITUNG KONTRAS kontras0 = 0.0; kontras45 = 0.0; kontras90 = 0.0; kontras135 = 0.0; for a=0 : 255 for b=0 : 255 kontras0 = kontras0 + glcm0norm(a+1,b+1)*(a-b).^2; kontras45 = kontras45 + glcm45norm(a+1,b+1)*(a-b).^2; kontras90 = kontras90 + glcm90norm(a+1,b+1)*(a-b).^2; kontras135 = kontras135 + glcm135norm(a+1,b+1)*(a-b).^2; end end %____HITUNG IDM


L-19

idm0 = 0.0; idm45 = 0.0; idm90 = 0.0; idm135 = 0.0; for a = 0 : 255 for b = 0 : 255 idm0 = idm0 + (glcm0norm(a+1, b+1) / (1+(a-b).^2)); idm45 = idm45 + (glcm45norm(a+1, b+1) / (1+(a-b).^2)); idm90 = idm90 + (glcm90norm(a+1, b+1) / (1+(a-b).^2)); idm135 = idm135 + (glcm135norm(a+1, b+1) / (1+(a-b).^2)); end end

%_____HITUNG ENTROPI entropi0=0.0; entropi45=0.0; entropi90=0.0; entropi135=0.0; for a = 0 : 255 for b = 0 : 255 if(glcm0norm(a+1,b+1) ~= 0) entropi0 = entropi0 - (glcm0norm(a+1,b+1)) *

(log10(glcm0norm(a+1,b+1))); end if(glcm45norm(a+1,b+1) ~= 0) entropi45 = entropi45 - (glcm45norm(a+1,b+1)) *



(log10(glcm135norm(a+1,b+1))); end end end

%________HITUNG KOVARIANS korelasi0 = 0.0; px0 = 0; py0 = 0; stdevx0 = 0.0; stdevy0 = 0.0;

korelasi45 = 0.0; px45 = 0; py45 = 0; stdevx45 = 0.0; stdevy45 = 0.0; korelasi90 = 0.0;


L-20

px90 = 0; py90 = 0; stdevx90 = 0.0; stdevy90 = 0.0;

korelasi135 = 0.0; px135 = 0; py135 = 0; stdevx135 = 0.0; stdevy135 = 0.0; % Hitung kovarians for a=0 : 255 for b=0 : 255 px0 = px0 + (a+1) * glcm0norm (a+1, b+1); py0 = py0 + (b+1) * glcm0norm (a+1, b+1); px45 = px45 + (a+1) * glcm45norm (a+1, b+1); py45 = py45 + (b+1) * glcm45norm (a+1, b+1); px90 = px90 + (a+1) * glcm90norm (a+1, b+1); py90 = py90 + (b+1) * glcm90norm (a+1, b+1); px135 = px135 + (a+1) * glcm135norm (a+1, b+1); py135 = py135 + (b+1) * glcm135norm (a+1, b+1); end end % Hitung deviasi standar for a=0 : 255 for b=0 : 255 stdevx0 = stdevx0 + (a+1-px0).^2 * glcm0norm(a+1, b+1); stdevy0 = stdevy0 + (b+1-py0).^2 * glcm0norm(a+1, b+1); stdevx45 = stdevx45 + (a+1-px45).^2 * glcm45norm(a+1,

b+1); stdevy45 = stdevy45 + (b+1-py45).^2 * glcm45norm(a+1,

b+1); stdevx90 = stdevx90 + (a+1-px90).^2 * glcm90norm(a+1,


b+1); stdevx135 = stdevx135 + (a+1-px135).^2 * glcm135norm(a+1,


b+1); end end

% Hitung korelasi for a = 0 : 255 for b = 0 : 255 korelasi0 = korelasi0 + ((a+1-px0)*(b+1-py0)* ... glcm0norm (a+1, b+1)/(stdevx0*stdevy0)); korelasi45 = korelasi45 + ((a+1-px45)*(b+1-py45)* ... glcm45norm (a+1, b+1)/(stdevx45 * stdevy45)); korelasi90 = korelasi90 + ((a+1-px90)*(b+1-py90)* ... glcm90norm (a+1, b+1)/(stdevx90 * stdevy90)); korelasi135 = korelasi135 + ((a+1-px135)*(b+1-py135)* ... glcm135norm (a+1, b+1)/(stdevx135 * stdevy135));


L-21

end end g0.asm = asm0; g0.kontras = kontras0; g0.idm = idm0; g0.entropi = entropi0; g0.korelasi = korelasi0; g45.asm = asm45; g45.kontras = kontras45; g45.idm = idm45; g45.entropi = entropi45; g45.korelasi = korelasi45; g90.asm = asm90; g90.kontras = kontras90; g90.idm = idm90; g90.entropi = entropi90; g90.korelasi = korelasi90; g135.asm = asm135; g135.kontras = kontras135; g135.idm = idm135; g135.entropi = entropi135; g135.korelasi = korelasi135;

Listing Program Fungsi Jarak Kosinus (MATLAB)

function z=dist(x,y) z=1-(sum(x.*y)/(sqrt(sum(x.^2))*sqrt(sum(y.^2))));

Listing Program NodeMCU (Arduino IDE)

// The capture and streaming features can be reached directly via

the browser by using the format:

// http://IPaddress/stream - for streaming video

//

// Wiring diagram to connect ArduCAM to ESP8266-12E

// ArduCAM mini -> ESP8266-12E

// CS -> D0

// MOSI -> D7

// MISC -> D6

// SCK -> D5

// GND -> GND

// VCC -> 3V3

// SDA -> D2

// SCL -> D1

#include <ESP8266WiFi.h>

#include <WiFiClient.h>

#include <ESP8266WebServer.h>

#include <Wire.h>

#include <ArduCAM.h>


L-22

#include <SPI.h>

#include "memorysaver.h"

#if !(defined ESP8266 )

#error Please select the ArduCAM ESP8266 UNO board in the

Tools/Board

#endif

//This demo can only work on OV2640_MINI_2MP or ARDUCAM_SHIELD_V2

platform.

#if !(defined (OV2640_MINI_2MP)||(defined (ARDUCAM_SHIELD_V2) &&

defined (OV2640_CAM)))

#error Please select the hardware platform and camera module in

the ../libraries/ArduCAM/memorysaver.h file

#endif

// set GPIO16 as the slave select :

const int CS = 16;

// if the video is chopped or distored, try using a lower value

for the buffer

// lower values will have fewer frames per second while streaming

static const size_t bufferSize = 4096; // 4096; //2048; //1024;

static const int fileSpaceOffset = 700000;

//AP mode configuration

const char *AP_ssid = "NodeMCU";

const char *AP_password = "APpassword";

static IPAddress ip(192, 168, 1, 203); // static IP used for

browser access: http://IPaddress

static IPAddress gateway(192, 168, 1, 1);

static IPAddress subnet(255, 255, 255, 0);

int resolution = 0;

// resolutions:

// 0 = 160x120

// 1 = 176x144

// 2 = 320x240

// 3 = 352x288

// 4 = 640x480

// 5 = 800x600

// 6 = 1024x768

// 7 = 1280x1024

// 8 = 1600x1200

ESP8266WebServer server(80);

ArduCAM myCAM(OV2640, CS);

////////////////////////////////////


L-23

// capture initialization //

////////////////////////////////////

void start_capture() {

myCAM.clear_fifo_flag();

myCAM.start_capture();

}

String getDropDown()

{

String webString = "";

webString += "<select name=\"rez\">\n";

webString += " <option value=\"0\" ";

if (resolution == 0)

webString += " selected=\"seleted\" ";

webString += ">160x120</option>\n";






























L-24





webString += " </select>\n";

return webString;

}

/////////////////////////////////////////////

// capture still image and send to client //

/////////////////////////////////////////////

void camCapture(ArduCAM myCAM) {

WiFiClient client = server.client();

size_t len = myCAM.read_fifo_length();

if (len >= 0x07ffff) {

Serial.println("Over size.");

return;

} else if (len == 0 ) {

Serial.println("Size is 0.");

return;

}

myCAM.CS_LOW();

myCAM.set_fifo_burst();

#if !(defined (ARDUCAM_SHIELD_V2) && defined (OV2640_CAM))

SPI.transfer(0xFF);

#endif

if (!client.connected()) return;

/*

String response = "HTTP/1.1 200 OK\r\n";

response += "Content-Type: image/jpeg\r\n";

response += "Content-Length: " + String(len) + "\r\n\r\n";

server.sendContent(response);

*/

static uint8_t buffer[bufferSize] = {0xFF};

while (len) {

size_t will_copy = (len < bufferSize) ? len : bufferSize;

SPI.transferBytes(&buffer[0], &buffer[0], will_copy);

if (!client.connected()) break;

client.write(&buffer[0], will_copy);

len -= will_copy;

}


L-25

myCAM.CS_HIGH();

}

/////////////////////////////

// stream video to client //

/////////////////////////////

void serverStream() {

WiFiClient client = server.client();

String response = "HTTP/1.1 200 OK\r\n";

response += "Content-Type: multipart/x-mixed-replace;

boundary=frame\r\n\r\n";


while (client.connected()) {

start_capture();

while (!myCAM.get_bit(ARDUCHIP_TRIG, CAP_DONE_MASK));

size_t len = myCAM.read_fifo_length();

if (len >= 0x07ffff) {

Serial.println("Over size.");

continue;

} else if (len == 0 ) {

Serial.println("Size is 0.");

continue;

}

myCAM.CS_LOW();

myCAM.set_fifo_burst();

#if !(defined (ARDUCAM_SHIELD_V2) && defined (OV2640_CAM))

SPI.transfer(0xFF);

#endif


response = "--frame\r\n";

response += "Content-Type: image/jpeg\r\n\r\n";


static uint8_t buffer[bufferSize] = {0xFF};

while (len) {

size_t will_copy = (len < bufferSize) ? len : bufferSize;

SPI.transferBytes(&buffer[0], &buffer[0], will_copy);


client.write(&buffer[0], will_copy);

len -= will_copy;

}

myCAM.CS_HIGH();



L-26

}

}

//////////////////////////////////////////////////////////////////

/////////////////

// used when form is submitted and at setup to set the camera

resolution //

//////////////////////////////////////////////////////////////////

/////////////////

void setCamResolution(int reso)

{

switch (reso)

{

case 0:

myCAM.OV2640_set_JPEG_size(OV2640_160x120);

resolution = 0;

break;

case 1:


resolution = 1;

break;

case 2:


resolution = 2;

break;

case 3:


resolution = 3;

break;

case 4:


resolution = 4;

break;

case 5:


resolution = 5;

break;

case 6:


resolution = 6;

break;

case 7:


resolution = 7;


L-27

break;

case 8:


resolution = 8;

break;

}

}

////////////////////////////////

// main setup function //

////////////////////////////////

void setup() {

delay(10);

uint8_t vid, pid;

uint8_t temp;

#if defined(__SAM3X8E__)

Wire1.begin();

#else

Wire.begin();

#endif

Serial.begin(115200);

Serial.println("ArduCAM Start!");

// set the CS as an output:

pinMode(CS, OUTPUT);

// initialize SPI:

SPI.begin();

SPI.setFrequency(4000000); //4MHz

//Check if the ArduCAM SPI bus is OK

myCAM.write_reg(ARDUCHIP_TEST1, 0x55);

temp = myCAM.read_reg(ARDUCHIP_TEST1);

if (temp != 0x55) {

Serial.println("SPI1 interface Error!");

}

//Check if the camera module type is OV2640

myCAM.wrSensorReg8_8(0xff, 0x01);

myCAM.rdSensorReg8_8(OV2640_CHIPID_HIGH, &vid);

myCAM.rdSensorReg8_8(OV2640_CHIPID_LOW, &pid);

if ((vid != 0x26 ) && (( pid != 0x41 ) || ( pid != 0x42 )))

Serial.println("Can't find OV2640 module! pid: " +

String(pid));

else

Serial.println("OV2640 detected.");


L-28

//Change to JPEG capture mode and initialize the OV2640 module

myCAM.set_format(JPEG);

myCAM.InitCAM();

setCamResolution(resolution);

myCAM.clear_fifo_flag();

Serial.println();

Serial.println();

Serial.print("Share AP: ");

Serial.println(AP_ssid);

Serial.print("The password is: ");

Serial.println(AP_password);

WiFi.mode(WIFI_AP);

WiFi.softAP(AP_ssid, AP_password);

Serial.println("");

Serial.println("AP ip");

Serial.println(WiFi.softAPIP());

// setup handlers

server.on("/stream", HTTP_GET, serverStream);

server.begin();

Serial.println("Server started");

}

/////////////////////////////

// Main loop function //

/////////////////////////////

void loop() {

server.handleClient();

}


L-29

LAMPIRAN 4

DATA YANG DIPEROLEH

Tabel L1. Data hasil pengujian posisi awal (rotasi 0°, posisi tengah, jarak 20cm)

Ket : Angka 3 : Tekstur yang dikenali sebanyak 3 kali dalam 3 kali pengujian

Angka 2 : Tekstur yang dikenali sebanyak 2 kali dalam 3 kali pengujian


Tabel L2. Data hasil pengujian pengaruh variasi rotasi 20°




Out In

Gabah Jagung Kacang Anyaman Goni Keset Jerami Handuk Rumput Bebatuan Goni + Gabah

Goni + Jagung

Goni + Kacang

Gabah 3

Jagung 3

Kacang 0 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3

Bebatuan 3

Goni +

Gabah 3

Goni +

Jagung 3

Goni +

Kacang 3

Out In


Goni + Jagung

Goni + Kacang

Gabah 3

Jagung 3

Kacang 3

Anyaman 0 3

Goni 0 3

Keset 3

Jerami 0 3

Handuk 1 2

Rumput 3 0

Bebatuan 3

Goni +

Gabah 3

Goni +

Jagung 3

Goni +

Kacang 3


L-30









Out In


Goni + Jagung

Goni + Kacang

Gabah 3

Jagung 3

Kacang 3

Anyaman 0 3

Goni 0 1 2

Keset 3

Jerami 0 3

Handuk 3

Rumput 2 1 0

Bebatuan 3

Goni +

Gabah 0 3

Goni +

Jagung 3

Goni +

Kacang 3

Out

In Gabah Jagung Kacang Anyaman Goni Keset Jerami Handuk Rumput Bebatuan

Goni +

Gabah

Goni +

Jagung

Goni +

Kacang

Gabah 3

Jagung 3

Kacang 0 3

Anyaman 3 0

Goni 0 3

Keset 3

Jerami 3 0

Handuk 3

Rumput 3 0

Bebatuan 3 0

Goni +

Gabah 0 3

Goni + Jagung

3

Goni +

Kacang 3


L-31

Tabel L5. Data hasil pengujian variasi skala 100% (jarak 20 cm)








Out


Goni +

Gabah

Goni +

Jagung

Goni +

Kacang

Gabah 3

Jagung 3

Kacang 0 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3

Bebatuan 3

Goni +

Gabah 3

Goni + Jagung

3

Goni +

Kacang 3

Out In


Goni + Jagung

Goni + Kacang

Gabah 3

Jagung 3

Kacang 0 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3 0

Bebatuan 3

Goni + Gabah

3

Goni +

Jagung 3

Goni +

Kacang 3


L-32





Tabel L8. Data hasil pengujian variasi translasi center




Out


Goni +

Gabah

Goni +

Jagung

Goni +

Kacang

Gabah 0 3

Jagung 3

Kacang 0 3

Anyaman 0 3

Goni 0 3

Keset 2 1

Jerami 3

Handuk 3 0

Rumput 3 0

Bebatuan 3

Goni +

Gabah 3

Goni + Jagung

3

Goni +

Kacang 3

Out In


Goni + Jagung

Goni + Kacang

Gabah 3

Jagung 3

Kacang 0 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3

Bebatuan 3

Goni + Gabah

3

Goni +

Jagung 3

Goni +

Kacang 3


L-33

Tabel L9. Data hasil pengujian variasi translasi U 1 cm




Tabel L10. Data hasil pengujian variasi translasi L 1 cm




Out In


Goni + Jagung

Goni + Kacang

Gabah 0 3

Jagung 3

Kacang 1 2

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3 0

Bebatuan 3 0

Goni +

Gabah

3

Goni +

Jagung

3

Goni +

Kacang

3

Out In


Goni + Jagung

Goni + Kacang

Gabah 0 3

Jagung 3

Kacang 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3

Bebatuan 3 0

Goni + Gabah

3

Goni +

Jagung

2 1

Goni +

Kacang

3


L-34

Tabel L11. Data hasil pengujian variasi translasi D 1 cm




Tabel L12. Data hasil pengujian variasi translasi R 1 cm




Out


Goni +

Gabah

Goni +

Jagung

Goni +

Kacang

Gabah 0 3

Jagung 3

Kacang 0 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3 0

Bebatuan 3 0

Goni +

Gabah

3

Goni + Jagung

3

Goni +

Kacang

3

Out In


Goni + Jagung

Goni + Kacang

Gabah 0 3

Jagung 3

Kacang 0 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3 0

Bebatuan 3 0

Goni + Gabah

3

Goni +

Jagung

3

Goni +

Kacang

3


L-35

Tabel L13. Data hasil pengujian posisi awal dengan resolusi 320 x 240




Tabel L14. Data hasil pengujian pengaruh variasi rotasi 20° resolusi 320 x 240




Out


Goni +

Gabah

Goni +

Jagung

Goni +

Kacang

Gabah 3

Jagung 3

Kacang 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3

Bebatuan 3

Goni +

Gabah

3

Goni + Jagung

3

Goni +

Kacang

3

Out


Goni +

Gabah

Goni +

Jagung

Goni +

Kacang

Gabah 3

Jagung 3

Kacang 3

Anyaman 0 3

Goni 3 0

Keset 3

Jerami 3

Handuk 3

Rumput 3 0

Bebatuan 3

Goni +

Gabah 3

Goni + Jagung

3

Goni +

Kacang 3 0


L-36









Out


Goni +

Gabah

Goni +

Jagung

Goni +

Kacang

Gabah 0 3

Jagung 0 3

Kacang 3 0

Anyaman 0 3

Goni 0 3

Keset 3

Jerami 3 0

Handuk 3

Rumput 3 0

Bebatuan 3 0

Goni +

Gabah 0 3

Goni + Jagung

3

Goni +

Kacang 3 0

Out In


Goni + Jagung

Goni + Kacang

Gabah 0 3

Jagung 0 3

Kacang 3 0

Anyaman 0 3

Goni 3 0

Keset 3

Jerami 3 0

Handuk 3

Rumput 3 0

Bebatuan 3

Goni + Gabah

0 3

Goni +

Jagung 3

Goni +

Kacang 3 0


L-37

Tabel L17. Data hasil pengujian variasi skala 100% (jarak 20 cm) resolusi 320 x 240








Out


Goni +

Gabah

Goni +

Jagung

Goni +

Kacang

Gabah 3

Jagung 3

Kacang 0 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3 0

Bebatuan 3

Goni +

Gabah

3

Goni + Jagung

3

Goni +

Kacang

3

Out In


Goni + Jagung

Goni + Kacang

Gabah 3

Jagung 1 2

Kacang 0 3

Anyaman 0 3

Goni 0 3

Keset 3

Jerami 3

Handuk 3

Rumput 3 0

Bebatuan 3

Goni + Gabah

3

Goni +

Jagung 3

Goni +

Kacang 3


L-38





Tabel L20. Data hasil pengujian variasi translasi center resolusi 320 x 240




Out In


Goni + Jagung

Goni + Kacang

Gabah 0 3

Jagung 0 3

Kacang 0 3

Anyaman 0 3

Goni 0 3

Keset 3

Jerami 3

Handuk 3

Rumput 3 0

Bebatuan 3

Goni +

Gabah

2 1

Goni +

Jagung

3

Goni +

Kacang

3 0

Out In


Goni + Jagung

Goni + Kacang

Gabah 3

Jagung 3

Kacang 0 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3 0

Bebatuan 3

Goni + Gabah

3

Goni +

Jagung

3

Goni +

Kacang

3


L-39

Tabel L21. Data hasil pengujian variasi translasi U 1 cm resolusi 320 x 240




Tabel L22. Data hasil pengujian variasi translasi L 1 cm resolusi 320 x 240




Out


Goni +

Gabah

Goni +

Jagung

Goni +

Kacang

Gabah 3

Jagung 3

Kacang 0 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3 0

Bebatuan 3

Goni +

Gabah

3

Goni + Jagung

3

Goni +

Kacang

3

Out In


Goni + Jagung

Goni + Kacang

Gabah 3

Jagung 3

Kacang 0 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3

Bebatuan 3

Goni + Gabah

3

Goni +

Jagung

3

Goni +

Kacang

3


L-40

Tabel L23. Data hasil pengujian variasi translasi D 1 cm resolusi 320 x 240




Tabel L24. Data hasil pengujian variasi translasi R 1 cm resolusi 320 x 240




Out


Goni +

Gabah

Goni +

Jagung

Goni +

Kacang

Gabah 3

Jagung 3

Kacang 0 3

Anyaman 0 3

Goni 0 3

Keset 3

Jerami 3

Handuk 3

Rumput 3 0

Bebatuan 3

Goni +

Gabah

3

Goni + Jagung

3

Goni +

Kacang

3

Out In


Goni + Jagung

Goni + Kacang

Gabah 3

Jagung 3

Kacang 0 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3 0

Bebatuan 3

Goni + Gabah

3

Goni +

Jagung

3

Goni +

Kacang

3


L-41

Tabel L25. Data hasil pengujian posisi awal res320x240 & normalisasi GLCM




Tabel L26. Data hasil pengujian variasi rotasi 20° res320x240 & normalisasi GLCM




Out In


Goni + Jagung

Goni + Kacang

Gabah 3

Jagung 3

Kacang 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3

Bebatuan 3

Goni +

Gabah 3

Goni +

Jagung 3

Goni +

Kacang 3

Out


Goni +

Gabah

Goni +

Jagung

Goni +

Kacang

Gabah 3

Jagung 3

Kacang 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3

Bebatuan 3

Goni +

Gabah 3

Goni + Jagung

3

Goni +

Kacang 3


L-42









Out


Goni +

Gabah

Goni +

Jagung

Goni +

Kacang

Gabah 3

Jagung 3

Kacang 3

Anyaman 0 3

Goni 0 3

Keset 3

Jerami 3 0

Handuk 3

Rumput 3

Bebatuan 2 1

Goni +

Gabah 0 3

Goni + Jagung

3

Goni +

Kacang 3

Out In


Goni + Jagung

Goni + Kacang

Gabah 3

Jagung 3

Kacang 3

Anyaman 0 3

Goni 3

Keset 3

Jerami 3 0

Handuk 3

Rumput 3

Bebatuan 3

Goni + Gabah

0 3

Goni +

Jagung 3

Goni +

Kacang 3


L-43

Tabel L29. Data hasil pengujian skala 100% res320x240 & normalisasi GLCM








Out


Goni +

Gabah

Goni +

Jagung

Goni +

Kacang

Gabah 3

Jagung 3

Kacang 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3

Bebatuan 3

Goni +

Gabah 3

Goni + Jagung

3

Goni +

Kacang 3

Out In


Goni + Jagung

Goni + Kacang

Gabah 3

Jagung 0 3

Kacang 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3

Bebatuan 3

Goni + Gabah

3

Goni +

Jagung 3

Goni +

Kacang 3


L-44





Tabel L32. Data hasil pengujian center res320x240 & normalisasi GLCM




Out In


Goni + Jagung

Goni + Kacang

Gabah 0 3

Jagung 0 3

Kacang 3

Anyaman 3

Goni 3 0

Keset 0 3

Jerami 3

Handuk 3

Rumput 3

Bebatuan 3

Goni +

Gabah

0 3

Goni +

Jagung

3

Goni +

Kacang

3

Out In


Goni + Jagung

Goni + Kacang

Gabah 3

Jagung 3

Kacang 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3

Bebatuan 3

Goni + Gabah

3

Goni +

Jagung 3

Goni +

Kacang 3


L-45

Tabel L33. Data hasil pengujian variasi translasi U 1 cm res320x240 & normalisasi GLCM




Tabel L34. Data hasil pengujian variasi translasi L 1 cm res320x240 & normalisasi GLCM




Out


Goni +

Gabah

Goni +

Jagung

Goni +

Kacang

Gabah 3

Jagung 3

Kacang 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3

Bebatuan 3

Goni +

Gabah

3

Goni + Jagung

3

Goni +

Kacang

3

Out In


Goni + Jagung

Goni + Kacang

Gabah 3

Jagung 3

Kacang 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3

Bebatuan 3 0

Goni + Gabah

0 3

Goni +

Jagung

3

Goni +

Kacang

3


L-46

Tabel L35. Data hasil pengujian variasi translasi D 1 cm res320x240 & normalisasi GLCM




Tabel L36. Data hasil pengujian variasi translasi R 1 cm res320x240 & normalisasi GLCM




Out


Goni +

Gabah

Goni +

Jagung

Goni +

Kacang

Gabah 3

Jagung 3

Kacang 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3

Bebatuan 1 2

Goni +

Gabah 3

Goni + Jagung

3

Goni +

Kacang 3

Out In


Goni + Jagung

Goni + Kacang

Gabah 3

Jagung 3

Kacang 3

Anyaman 3

Goni 3

Keset 3

Jerami 3

Handuk 3

Rumput 3

Bebatuan 3

Goni + Gabah

3

Goni +

Jagung

3

Goni +

Kacang

3


L-47

LAMPIRAN 5

HASIL RERATA TINGKAT PENGENALAN TEKSTUR DENGAN

METODE GLCM

1. Hasil pengujian variasi RST terhadap pengenalan tekstur tunggal

a. Rerata pengaruh variasi Rotasi terhadap tingkat pengenalan

Rotasi 0° 20° 60° 120°

Tingkat Pengenalan 90% 56,7% 60% 40%

b. Rerata pengaruh variasi Skala terhadap tingkat pengenalan

Skala 100%

(jarak 20 cm)

125%

(jarak 25 cm)

175%

(jarak 30 cm)

Tingkat Pengenalan 90% 80% 36,7%

c. Rerata pengaruh variasi Translasi terhadap tingkat pengenalan

Translasi center U 1 cm L 1 cm D 1 cm R 1 cm

Tingkat Pengenalan 90% 63,3% 80% 60% 60%

d. Rerata pengaruh RST terhadap keseluruhan tingkat pengenalan tekstur

Variasi RST R S T

Tingkat Pengenalan Tekstur 61,68% 68,9% 70,66%

2. Hasil pengujian variasi RST terhadap pengenalan tekstur ganda


Rotasi 0° 20° 60° 120°

Tingkat Pengenalan 100% 100% 66,7% 66,7%


Skala 100%

(jarak 20 cm)

125%

(jarak 25 cm)

175%

(jarak 30 cm)

Tingkat Pengenalan 100% 100% 100%



Tingkat Pengenalan 100% 100% 77,8% 100% 100%


L-48


Variasi RST R S T

Tingkat Pengenalan Tekstur 83,35% 100% 95,56%

3. Hasil tingkat pengenalan tiap tekstur

Tekstur R S T Rata-rata

Gabah 100% 66,7% 20% 62,2%

Jagung 100% 100% 100% 100%

Kacang 50% 0% 26,7% 25,6%

Anyaman 25% 66,7% 100% 63,9%

Goni 25% 66,7% 100% 63,9%

Keset 100% 88,9% 100% 96,3%

Jerami 25% 100% 100% 75%

Handuk 91,7% 66,7% 100% 86,1%

Rumput 25% 33,3% 40% 32,8%

Bebatuan 75% 100% 20% 65%

Goni + Gabah 50% 100% 100% 83,3%

Goni + Jagung 100% 100% 86,7% 95,6%

Goni + Kacang 100% 100% 100% 100%

4. Hasil pengujian pengaruh wireless pada unjuk kerja pengenalan tekstur

Jarak 1 m 10 m 20 m 30 m 40 m 50 m 60 m 70 m 80 m

Kuat Sinyal

(Signal Strength)

( dalam dBm)

-45 -55 -62 -70 -72 -77 -71 -74 -

Tingkat

Pengenalan 100% 100% 100% 50% 100% 100% 100% 100% 100%

5. Hasil pengujian variasi RST terhadap pengenalan tekstur tunggal resolusi

320x240


Rotasi 0° 20° 60° 120°

Tingkat Pengenalan 100% 70% 20% 30%


Skala 100%

(jarak 20 cm)

125%

(jarak 25 cm)

175%

(jarak 30 cm)

Tingkat Pengenalan 80% 53,3% 40%


L-49



Tingkat Pengenalan 80% 80% 90% 60% 80%


Variasi RST R S T

Tingkat Pengenalan Tekstur 55% 57,77% 78%

6. Hasil pengujian variasi RST terhadap pengenalan tekstur tunggal resolusi

320x240 dan normalisasi nilai fitur GLCM


Rotasi 0° 20° 60° 120°

Tingkat Pengenalan 100% 100% 63,3% 80%


Skala 100%

(jarak 20 cm)

125%

(jarak 25 cm)

175%

(jarak 30 cm)

Tingkat Pengenalan 100% 73,3% 60%



Tingkat Pengenalan 100% 100% 90% 96,7% 100%


Variasi RST R S T

Tingkat Pengenalan Tekstur 85,83% 77,77% 97,34%


L-42

LAMPIRAN 6

TABEL EKSTRAKSI CIRI GLCM

Tabel L37. Tabel Ekstraksi Ciri GLCM Tekstur Jagung

Sudut

Ekstraksi Ciri

GLCM

Fitur

Ekstraksi

GLCM

Ekstraksi Ciri

Tekstur Jagung

Masukan (a) Basis Data (b)

0°

ASM 2,30 x 10-4 2,15 x 10-4

Kontras 951,9868 997,8833

IDM 0,0549 0,0513

Entropi 3,8286 3,83

Korelasi 2,82 x 10-4 2,71 x 10-4

45°

ASM 1,69 x 10-4 1,62 x 10-4

Kontras 1,63 x 103 1,66 x 103

IDM 0,0398 0,0394

Entropi 3,9163 3,9144

Korelasi 2,44 x 10-4 2,37 x 10-4

90°

ASM 2,34 x 10-4 2,32 x 10-4

Kontras 876,3491 855,3655

IDM 0,0571 0,0573

Entropi 3,8159 3,803

Korelasi 2,86 x 10-4 2,78 x 10-4

135°

ASM 1,66 x 10-4 1,62 x 10-4

Kontras 1,63 x 103 1,65 x 103

IDM 0,0421 0,0395

Entropi 3,9186 3,9176

Korelasi 2,44 x 10-4 2,37 x 10-4


L-43

Tabel L38. Tabel Ekstraksi Ciri GLCM Tekstur Kacang

Sudut

Ekstraksi Ciri

GLCM

Fitur

Ekstraksi

GLCM

Ekstraksi Ciri

Tekstur Kacang

Ekstraksi Ciri

Tekstur Bebatuan

Masukan (a) Basis Data (b) Basis Data (c)

0°

ASM 3,69 x 10-4 3,84 x 10-4 3,97 x 10-4

Kontras 566,0346 549,7759 576,3799

IDM 0,1108 0,104 0,1011

Entropi 3,6873 3,6437 3,6213

Korelasi 2,77 x 10-4 3,08 x 10-4 2,90 x 10-4

45°

ASM 2,78 x 10-4 2,89 x 10-4 3,03 x 10-4

Kontras 829,6979 865,5018 907,7506

IDM 0,0772 0,0736 0,0762

Entropi 3,773 3,7356 3,7108

Korelasi 2,66 x 10-4 2,90 x 10-4 2,73 x 10-4

90°

ASM 4,17 x 10-4 4,13 x 10-4 4,48 x 10-4

Kontras 366,4866 402,698 405,06

IDM 0,1154 0,1035 0,1118

Entropi 3,6359 3,6096 3,5716

Korelasi 2,88 x 10-4 3,17 x 10-4 2,98 x 10-4

135°

ASM 2,70 x 10-4 2,87e-04 3,07 x 10-4

Kontras 859,4348 835,4765 865,3539

IDM 0,079 0,0759 0,0792

Entropi 3,7838 3,7391 3,7072

Korelasi 2,65 x 10-4 2,92 x 10-4 2,76 x 10-4


pengenalan tekstur menggunakan metode glcm...

Documents