APLIKASI PENGOLAHAN CITRA UNTUK IDENTIFIKASI PRODUK BERDASARKAN LABEL KEMASANNYA

Transkripsi

1 APLIKASI PENGOLAHAN CITRA UNTUK IDENTIFIKASI PRODUK BERDASARKAN LABEL KEMASANNYA Di Wijayto *), Achmad Hidayatno, Imam Stoso Jurus Teknik Elektro, Universitas Diponegoro Semarg Jl. Prof. Sudharto, SH, Kampus UNDIP Tembalg, Semarg 50275, Indonesia *) Abstrak Seiring deng perkembg zam, pengolah citra sekarg ini berkembg deng sgat pesat. Berbagai aplikasi pengolah citra yg telah dikembgk saat ini seperti pengenal citra objek, perbaik citra objek, d lain-lain. Hal ini memungkink musia untuk membuat suatu sistem pengolah citra yg dapat menerima masuk berupa citra objek yg kemudi ak diproses, diidentifikasi, d diberik keluar berupa deskripsi objek dalam citra. Oleh karena itu, dilakuk peneliti untuk mercg sistem untuk mengidentifikasi produk kemas. Proses identifikasi produk kemas dilakuk deng proses ekstraksi fitur warna yg menggunak metode histogram hue d ekstraksi fitur bentuk yg menggunak deteksi tepi Cny. Lgkah awal dari pembuat sistem ini adalah pembuat basis data dari 15 produk kemas. Kemudi dilakuk deng pengambil gambar dari label kemas produk itu sendiri d untuk mengetahui identitas masing-masing produk dilakuk proses ekstraksi fitur. Berdasark hasil penguji produk yg termasuk dalam basis data diperoleh tingkat keberhasil terhadap produk deng intensitas cahaya yg stabil, posisi yg tetap d kondisi produk uji yg baik dapat dapat melakuk identifikasi deng tingkat keberhasil rata-rata 97.33%. Untuk posisi pengambil 45 dari basis data tingkat keberhasil ratarata setiap produk sebesar 96%, sedgk deng posisi pengambil sebesar 90 tingkat keberhasil rata-rata setiap produk sebesar 96%, d deng posisi pengambil sebesar 180 tingkat keberhasil rata-rata setiap produk sebesar 94.67%. Kata Kunci : identifikasi produk, histogram hue, deteksi tepi Cny Abstract Due to time progress, image processing now it develops rapidly. Various image processing application that has been developed today as the introduction of the image of the object improved image of the object d others. This has allowed hums to make image processing system that c receive input image of object which will then processed, identified d rendered exodus of description object in its image. Hence, performed research to design systems to identify products packs. The identification process of packing done with the process of extracting features a color using histogram hue methods d extraction features form using Cny edge detection method. An early step in making this system is making database product of 15 pack. Then performed with simulcast of labels packaging the product itself d to know the identity done each product features extraction process. Based on the testing products included in database to products obtained the success rate stable, with the intensity of light a fixed position d conditions c test products c do good identification with the success rate average %. For position of 45 from database the success rate average of 96 %, while with position of much as 90 the success rate average of 96 %, d with the position of 180 the success rate average of y product %. Keywords: product identified, hue histogram, Cny edge detection. 1. Pendahulu 1.1 Latar Belakg Masalah Seiring deng perkembg zam, pengolah citra sekarg ini berkembg deng sgat pesat. Berbagai aplikasi pengolah citra yg telah dikembgk saat ini seperti pengenal citra objek, perbaik citra objek, d lain-lain. Hal ini memungkink musia untuk membuat suatu sistem pengolah citra yg dapat menerima masuk berupa citra objek yg kemudi

2 TRANSIENT, VOL.1, NO. 3, SEPTEMBER 2012, ISSN: , 7 ak diproses, diidentifikasi, d diberik keluar berupa deskripsi objek dalam citra. Pada peneliti sebelumnya telah dilakuk identifikasi produk untuk mengetahui baik tidaknya kualitas suatu produk menggunak ciri warna deng histogram RGB (Roni, 2007), dima pada peneliti ini hya bisa mengidentifikasi jenis produk d mengukur kualitasnya berdasark warnya saja sehingga kendala yg dihadapi adalah ketika mengidentifikasi produk deng komposisi warna yg hampir sama (memiliki kemirip tinggi). Begitu halnya deng peneliti identifikasi produk susu kemas deng vektor kutisasi (Zainal, 2008), pada peneliti ini hya menggunak satu ciri saja, yaitu ciri bentuk deng skala vektor kutisasi 16 x 16. Berdasark permasalah di atas, pada peneliti ini dircg suatu sistem yg dapat mengenali suatu kemas produk berdasark ciri warna d ciri bentuk dari label kemasnya (printing labelnya) deng penggabung dua ciri ini diharapk label suatu produk dapat dikenali. 1.2 Tuju Peneliti Tuju dari Peneliti ini adalah melakuk identifikasi suatu produk kemas berdasark label kemas deng ciri warna yg menggunak histogram hue untuk mendapatk nilai huenya d ciri bentuk yg menggunak deteksi tepi Cny untuk mendapatk nilai me, stdar deviasi d nilai piksel putih. 1.3 Batas Masalah Untuk menyederhak pembahas Peneliti ini, masalah dibatasi sebagai berikut : 1. Objek yg digunak untuk proses identifikasi adalah produk kemas beberapa sampel produk saja yg diggap dapat mewakili data dalam peneliti Peneliti ini d memiliki kemas yg hampir sama (tingkat kemirip tinggi) misalnya produk pasta gigi Close Up, Pepsodent, Ritadent, sabun mdi Shinzui, Giv deng tuju mengetahui seberapa jauh sistem dapat mengidentifikasi suatu produk. 2. Jarak objek terhadap kamera adalah tetap. 3. Bagi objek (produk kemas) yg dideteksi adalah label kemasnya (sisi label kemas bagi dep). 2. Ldas Teori 2.1 Pengerti Citra d Pengolah Citra Digital Pengolah citra adalah pemroses citra, khususnya deng menggunak komputer, menjadi citra yg kualitasnya lebih baik. Tuju utama pengolah citra adalah agar citra yg mengalami gggu mudah diinterpretasi oleh musia maupun mesin (komputer). Teknik pengolah citra digital adalah mentrsformasik citra dua dimensi menjadi citra lain deng menggunak komputer. Proses ini mempunyai ciri data masuk d informasi keluar yg berbentuk citra. Jadi masuknya berupa citra d keluarnya juga berbentuk citra, deng kualitas yg lebih baik dari citra masuk. 2.2 Teori Statistika Statistika merupak sekumpul konsep d metode yg digunak untuk menginterpretasi data tentg kegiat bidg tertentu d mengambil kesimpul dalam situasi yg ma ada ketidakpasti d variasi. Operasi statistika yg sering dipakai dalam aplikasi yg melibatk gambar yaitu : 2.1 Rata-rata (μ) Di dalam gambar, rata-rata nilai kelabu piksel menyatak tingkat kecerah gambar tersebut (Gose, 1996). Jika terdapat suatu gambar deng ukur M x N piksel d nilai piksel g, maka rata-rata nilai piksel gambar tersebut dapat diketahui melalui rumus berikut ini : µ = deng: M = ukur lebar piksel N = ukur pjg piksel g(x, y) = nilai kelabu piksel μ = rata-rata nilai kelabu piksel 2.2 Simpg Baku (σ) Kontras suatu gambar dapat diketahui melalui besarnya variasi nilai kelabu piksel gambar tersebut (Gose, 1996). Salah satu cara untuk mengetahui besarnya variasi ini adalah deng menghitung akar dari jumlah kuadrat selisih nilai kelabu piksel yg bersgkut deng rataratya. Bilg ini biasa dikenal deng istilah simpg baku. σ = deng: M = ukur lebar piksel N = ukur pjg piksel g(x, y) = nilai kelabu piksel μ = rata-rata nilai kelabu piksel

3 TRANSIENT, VOL. 1, NO. 3, SEPTEMBER 2012, ISSN: , Euclide Distce Dalam salah satu proses pengenal ini menggunak metode Euclide distce. Yg ma digunak untuk perhitung jarak terdekat satu data terhadap sekelompok data. Metode ini sederha d cepat sehingga sering digunak dalam deteksi, identifikasi, verifikasi atau klasifikasi. Rumus mencari jarak Euclide distce ini adalah : = deng, : Jarak tara data set deng objek ke i yg dideteksi i N n : Indeks obyek i : Jumlah fitur yg digunak : Fitur yg n untuk data set : Fitur yg n untuk data obyek : Indeks fitur n 2.5 Thresholding Thresholding adalah suatu proses yg digunak untuk menghasilk citra biner yaitu citra deng hya dua warna, hitam d putih. Operator ini memilih piksel yg memiliki nilai tertentu atau lingkup tertentu. Proses ini dapat dilakuk apabila kita telah mengetahui brightness level (contrast) dari gambar tersebut. Bentuk teknik Thresholding ada 2 macam, yaitu: Uniform Thresholding d Adaptive Thresholding. Di dalam uniform thresholding metode yg digunak adalah deng menentuk suatu batas level, yg ntinya ak dipergunak untuk menentuk warna piksel. Piksel yg levelnya lebih dari threshold level ak diubah menjadi putih, d sebaliknya piksel yg levelnya ada di bawah dari threshold level ak diubah menjadi hitam. Seperti yg ditampilk pada gambar sebelah kiri berikut merupak gambar original d gambar sebelah k adalah hasil thresholding. 2.4 Histogram Hue Histogram hue adalah grafik yg menggambark penyebar nilai-nilai intensitas piksel dari suatu gambar atau bagi tertentu di dalam gambar berdasark format warna HSV/HSL/HSB. Dari sebuah histogram dapat diketahui frekuensi kemuncul nisbi (relative) dari intensitas pada gambar tersebut. Histogram hue memiliki perbeda deng histogram RGB yaitu pada histogram hue menggunak nilai hue sebagai gti dari nilai RGB yg ma nilai hue menyatak warna alami tpa memperhatik pencahaya. Nilai hue diperoleh dari proses konversi RGB ke HSV. Pengguna nilai hue disini dimaksudk untuk mendapatk warna asli dari gambar tpa adya pengaruh dari intensitas cahaya. Sehingga data fitur warna yg dihasilk ak lebih baik d lebih akurat jika dibdingk deng menggunak histogram RGB yg sgat peka terhadap pengaruh cahaya. Gambar 2.1 Histogram Hue menggunak OpenCV Gambar 2.2 Contoh Proses Thresholding menggunak Matlab 2.6 Deteksi Tepi Cny (Cny Edge detection) Operator Cny menggunak sebuah gambar grayscale untuk menghasilk sebuah gambar yg menampilk posisi dari intensitas d gambar akhir yg telah ditemuk. Ada beberapa kriteria pendeteksi paling optimum yg dapat dipenuhi oleh deteksi tepi Cny dibdingk deng deteksi tepi lainnya (Nixon d Aguado, 2002) : 1) Mendeteksi deng baik (kriteria deteksi) Kemampu untuk meletakk d mendai semua tepi yg ada sesuai deng pemilih parameterparameter konvolusi yg dilakuk. Sekaligus juga memberik fleksibilitas yg sgat tinggi dalam hal menentuk tingkat deteksi tepi sesuai yg diingink. 2) Melokalisasi deng baik (kriteria lokalisasi) Deng cny dihasilk deng jarak yg minimum tara tepi yg dideteksi deng tepi asli.

4 TRANSIENT, VOL.1, NO. 3, SEPTEMBER 2012, ISSN: , 9 3) Respon yg jelas (kriteria respon) Hya ada satu respon untuk tiap tepi. Sehingga mudah dideteksi d tidak menimbulk kercu dalam pengolah citra seljutnya. Pre d post processing yg dilakuk pada deteksi tepi Cny untuk mendapatk hasil deteksi tepi menjadi lebih baik (Nixon d Aguado, 2002) yaitu smoothing (preprocessing), non-maximum suppression (postprocessing), d hysteresis thresholding (post-processing) Hasil dari rgkai proses deteksi tepi Cny pada suatu citra biner yg terdiri dari piksel-piksel tepi tunggal Percg Pergkat Keras Berikut adalah gambar dari pergkat keras yg digunak dalam pembuat sistem ini yg ditujuk pada gambar 3.2 : (a) (b) (c) Keterg gambar : (a) Citra terfilter (b) Hasil non-maximum suppression (c) Hasil hysteresis thresholding Gambar 2.3 Contoh proses deteksi tepi Cny menggunak Matlab 3. Percg d Implementasi Sistem 3.1 Percg Sistem Gambar percg sistem secara umum ditujuk gambar 3.1: Gambar 3.2 Percg Pergkat Keras Percg pergkat keras ini bertuju untuk memperoleh gambar hasil capture deng kualitas yg lebih baik serta mendapatk jarak kamera terhadap objek yg tetap d pencahaya yg stabil Percg Pergkat Lunak Percg pergkat lunak disini meliputi pengambil data latih d pembuat program deng menggabungk proses ekstraksi fitur warna d ekstraksi fitur bentuk. Yg ma pembuat program deng ekstraksi fitur warna dilakuk deng menggunak metode histogram hue sedgk untuk fitur bentuk menggunak metode deteksi tepi Cny. Berikut adalah penjelas tentg percg pergkat lunak yg digunak dalam pembuat sistem identifikasi: Gambar 3.1 Gambar Umum Percg Sistem Secara garis besar, proses-proses percg sistem yaitu : 1. Objek berupa produk kemas dipersiapk untuk dilakuk proses pengidentifikasi. 2. Mengambil data gambar yg ak diolah oleh komputer atau notebook deng menggunak 3. Kemudi data gambar hasil capture dari kamera diproses oleh program yg telah dibuat hingga dihasilk sebuah keputus hasil identifikasi. 3.2 Pembuat Pergkat Keras d Pergkat Lunak Gambar 3.3 Blok Diagram Sistem

5 TRANSIENT, VOL. 1, NO. 3, SEPTEMBER 2012, ISSN: , Ekstraksi Fitur Warna Proses ekstraksi fitur warna dilakuk deng menggunak metode histogram hue. Untuk mendapatk nilai hue itu sendiri terlebih dahulu harus dilakuk proses konversi dari RGB ke HSL. Berikut adalah FlowChart (diagram alir) proses ekstraksi fitur warna : Gambar 3.5 Flowchart Proses Ekstraksi Fitur Bentuk 4. Penguji d Analisis Gambar 3.4 Flowchart Proses Ekstraksi Fitur Warna Ekstraksi Fitur Bentuk Proses ekstraksi fitur bentuk dilakuk deng menggunak metode deteksi tepi Cny. Yg ma merupak deteksi tepi yg paling akurat dibdingk deng deteksi tepi lainnya. Berikut adalah FlowChart (diagram alir) proses ekstraksi fitur bentuk : Dalam proses penguji ini dilakuk lima skenario yg berbeda untuk mengetahui tingkat pengenal program simulasi terhadap produk uji, lima skenario tersebut adalah : 1. Penguji terhadap produk yg termasuk dalam basis data. 2. Penguji terhadap produk yg termasuk dalam basis data deng variasi posisi produk uji 3. Penguji terhadap produk yg termasuk dalam basis data deng variasi intensitas cahaya pada produk uji. 4. Penguji terhadap produk yg termasuk dalam basis data deng variasi kondisi produk uji. 5. Penguji terhadap produk yg tidak termasuk basis data. Untuk penguji skenario 1 s/d 4 menggunak 15 produk kemas yg terdiri dari produk kemas pasta gigi, sabun mdi, mak ring d minum kemas. Pada 15 produk ini sudah disimp terlebih dahulu untuk mengambil nilai fitur acunya. Sedgk untuk skenario 5 menggunak 10 produk kemas yg belum disimp. Tabel 4.1 Nama yg ak diuji Nama Nama 1 Giv White Beauty Soap Papaya 80g 14 Gery Wafelatos Chocolate 20g

6 TRANSIENT, VOL.1, NO. 3, SEPTEMBER 2012, ISSN: , Giv Beauty Soap Rose Oil 80g Giv Beauty Soap Soya Be 80g Shinzu I Skin Lightening Soap 95g Lifebuoy Totalprotect 80g Holy Sabun Hijau 200gr Ciptadent Freshmint 120g Ciptadent Coolmint 120g Pepsodent Pencegah Gigi Berlubg 120g Pepsodent 120g Herbal Ritadent Freshmint 125g Buavita Mini Orge 125ml Clevo 125ml Stroberi 15 Oops Wafer Keju 24g 16 Purity Skin Lightening Soap 100g 17 Lux Magic Spell 85g 18 Bel Soap 65g Mimi Susu UHT Coklat 125ml Pepsodent Pencegah Gigi Berlubg 75g Ritadent 75g Ciptadent 120g Freshmint Icemint 23 Richeese Nabati 10g 24 Chocolatos Mini 27g Gery Bismart Cookies 20g keberhasil pengenal program terhadap produk yg di uji dapat dihitung deng persama berikut : P = x 100 % deng, P = keberhasil pengenal program terhadap citra uji A = Jumlah penguji yg dikenali secara benar B = Jumlah penguji secara keseluruh 4.1 Penguji Terhadap Yg Termasuk Dalam Basis Data (Skenario 1) Dalam penguji skenario 1, produk yg diuji adalah produk yg termasuk dalam basis data atau data latih. Proses penguji skenario 1 dilakuk sebyak 5 kali penguji terhadap masing-masing produk deng intensitas cahaya yg stabil, posisi yg tetap d kondisi produk uji yg baik. Hasil pengujinya adalah sebagai berikut : Tabel 4.2 Hasil penguji tingkat keberhasil 15 produk yg diuji deng produk yg termasuk basis data. Penguji % % % % % % % % % % % % % % % Berdasark tabel 4.2 dapat diketahui bahwa berdasark keberhasil yg cukup baik. Hal ini dapat membuktik gabung fitur warna d fitur bentuk dapat digunak sebagai ciri yg dapat membedak tara objek yg satu deng objek yg lain. Secara umum sistem ini mampu melakuk identifikasi terhadap produk kemas deng tingkat keberhasil rata-rata setiap produk sebesar 97,33%. Dari 5 kali penguji terhadap setiap produk yg total pengujinya berjumlah 75 hya terdapat 2 kali kesalah identifikasi. 4.2 Penguji Terhadap Yg Termasuk Dalam Basis Data Deng Variasi Posisi Uji ( Skenario 2 ) Dalam penguji skenario 2, produk yg diuji adalah produk yg termasuk dalam basis data. Proses penguji skenario 2 juga dilakuk sebyak 5 kali penguji terhadap masing-masing produk deng intensitas cahaya yg stabil, kondisi produk uji yg baik tetapi posisi yg bervariasi. Dalam penguji skenario 2 ini ada 3 penguji : a). Posisi produk uji 45 dari pada posisi pengambil dalam basis data. Tabel 4.3 Hasil penguji tingkat keberhasil 15 produk yg diuji deng produk yg termasuk basis data deng posisi pengambil sebesar 45 dari dalam basis data. Penguji % % % % % % % % % % % % % % %

7 TRANSIENT, VOL. 1, NO. 3, SEPTEMBER 2012, ISSN: , 12 Berdasark tabel 4.3 dapat diketahui bahwa berdasark keberhasil yg cukup baik. Hal ini dapat membuktik bahwa deng posisi pengambil sebesar 45 dapat membedak tara objek yg satu deng objek yg lain d juga membuktik variasi posisi tidak berpengaruh sama sekali dikarenak metode yg dipakai. Secara umum sistem ini mampu melakuk identifikasi terhadap produk kemas deng tingkat keberhasil rata-rata setiap produk sebesar 96%. Dari 5 kali penguji terhadap setiap produk yg total pengujinya berjumlah 75 terdapat 3 kali kesalah identifikasi. b). Posisi produk uji 90 dari pada posisi pengambil dalam basis data. Table 4.4 Hasil penguji terhadap produk yg termasuk basis data deng posisi pengambil sebesar 90 dari posisi pengambil dalam basis data. Penguji 1 80 % 2 80 % % % % % % % % % % % % % % Berdasark tabel 4.4 dapat diketahui bahwa berdasark keberhasil yg cukup baik. Hal ini dapat membuktik bahwa deng posisi pengambil sebesar 90 dari posisi pengambil dalam basis data dapat membedak tara objek yg satu deng objek yg lain d juga membuktik variasi posisi tidak berpengaruh sama sekali dikarenak metode yg dipakai. Secara umum sistem ini mampu melakuk identifikasi terhadap produk kemas deng tingkat keberhasil rata-rata setiap produk sebesar 96%, sama deng ratarata pada peguji variasi posisi 45. Dari 5 kali penguji terhadap setiap produk yg total pengujinya berjumlah 75 terdapat 3 kali kesalah c). Posisi produk uji 180 dari pada posisi pengambil dalam basis data. Table 4.5 Hasil penguji terhadap produk yg termasuk basis data deng posisi pengambil sebesar 180 dari posisi pengambil dalam basis data. Penguji % % % % % % % 8 80 % % % % % % % % Berdasark tabel 4.5 dapat diketahui bahwa berdasark keberhasil yg cukup baik. Hal ini dapat membuktik gabung fitur warna d fitur bentuk dapat digunak sebagai ciri yg dapat membedak tara objek yg satu deng objek yg lain. Secara umum sistem ini mampu melakuk identifikasi terhadap produk kemas deng tingkat keberhasil rata-rata setiap produk sebesar 94.67%. Dari 5 kali penguji terhadap setiap produk yg total pengujinya berjumlah 75 terdapat 4 kali kesalah identifikasi. 4.3 Penguji Terhadap Yg Termasuk Dalam Basis Data Deng Variasi Intensitas Cahaya Pada Uji (Skenario3) Dalam penguji skenario 3, produk yg diuji adalah produk yg termasuk dalam basis data. Proses penguji skenario 3 juga dilakuk sebyak 5 kali penguji terhadap masing-masing produk deng, posisi yg tetap, kondisi produk uji yg baik tetapi deng intensitas cahaya yg bervariasi. Dalam penguji skenario 2 ini ada 2 penguji : a). Intensitas cahaya yg lebih gelap dari pada ketika pengambil dalam basis data. Table 4.6 Hasil penguji terhadap produk yg termasuk basis data deng intensitas cahaya yg lebih gelap dari pada ketika pengambil dalam basis data Penguji 1 20 % 2 0 % 3 20 % 4 0 %

8 TRANSIENT, VOL.1, NO. 3, SEPTEMBER 2012, ISSN: , % 6 40 % 7 0 % 8 0 % 9 20 % 10 0 % % % 13 0 % 14 0% 15 0 % Berdasark tabel 4.6 dapat diketahui bahwa berdasark keberhasil yg cukup rendah. Pada hasil penguji beberapa produkpun proses pengenalnya hya 0% bahk melebihi setengah dari produk yg di uji. keberhasil paling tinggi hya terdapat pada produk 6 ( Holy Sabun Hijau 200gr ) yaitu 40%. Deng keberhasil rata-rata 10.67%. Hal ini dapat membuktik bahwa intensitas cahaya sgat berpengaruh terhadap keberhasil proses identifikasi. Deng intensitas cahaya yg lebih gelap atau bahk gelap proses pengenalnya dapat dikatak tidak berhasil. Secara umum sistem ini tidak mampu melakuk identifikasi terhadap produk kemas.dari 5 kali penguji terhadap setiap produk yg total pengujinya berjumlah 75 hya terdapat 8 kali proses pengenal yg mampu melakuk identifikasi produk kemas tersebut. b). Intensitas cahaya yg lebih terg dari pada ketika pengambil dalam basis data. Tabel 4.7 Hasil penguji terhadap produk yg termasuk basis data deng intensitas cahaya yg lebih terg dari pada ketika pengambil dalam basis data. Penguji 1 20 % 2 20 % 3 20 % 4 0 % 5 20 % 6 40 % 7 0 % 8 0 % 9 40 % 10 0 % % % % 14 0% 15 0 % Berdasark tabel 4.7 dapat diketahui bahwa berdasark keberhasil yg cukup rendah. Pada hasil penguji beberapa produkpun proses pengenalnya hya 0% tetapi lebih baik dibdingk deng penguji sebelumnya (intensitas cahaya lebih gelap). keberhasil paling tinggi terdapat pada produk 6, 9, 11, d 12 yaitu 40%. Deng keberhasil rata-rata 17.33%. Hal ini dapat membuktik bahwa intensitas cahaya sgat berpengaruh terhadap keberhasil proses identifikasi deng intensitas cahaya yg lebih terg lebih baik daripada lebih gelap tetapi deng proses pengenal produk yg tetap rendah. 4.4 Penguji Terhadap Yg Termasuk Dalam Basis Data Deng Variasi Kondisi Uji ( Skenario 4 ) Dalam penguji skenario 4, produk yg diuji adalah produk yg termasuk dalam basis data. Proses penguji skenario 4 juga dilakuk sebyak 5 kali penguji terhadap masing-masing produk deng, posisi yg tetap, intensitas cahaya tetap, tetapi deng kondisi rusak (sobek) dari pada ketika pengambil dalam basis data. Table 4.8 Hasil penguji terhadap produk yg termasuk basis data tetapi deng kondisi produk yg rusak (sobek). Penguji 1 20 % 2 0 % 3 20 % 4 0 % 5 0 % 6 0 % 7 0 % 8 0 % 9 0 % 10 0 % 11 0 % % 13 0 % 14 0% 15 0 % Berdasark tabel 4.8 dapat diketahui bahwa berdasark keberhasil yg cukup rendah. Pada hasil penguji beberapa produkpun proses pengenalnya hya 0% bahk melebihi setengah dari produk yg di uji. keberhasil paling tinggi hya 20%, deng 3 produk saja yaitu produk 1, 3, d 12. Deng keberhasil rata-rata hya 4%. Hal ini dapat membuktik bahwa produk yg rusak (sobek) tidak dapat melakuk proses pengenal d proses identifikasi. Sehingga kondisi produk kemas sgat berpengaruh terhadap proses keberhasil.

9 TRANSIENT, VOL. 1, NO. 3, SEPTEMBER 2012, ISSN: , Penguji Terhadap Yg Termasuk Dalam Basis Data (Skenario 5) Dalam penguji skenario 5, produk yg diuji adalah produk yg tidak termasuk dalam basis data atau data latih. di sini menguji 10 produk di luar basis data. Proses penguji skenario 5 juga dilakuk sebyak 5 kali penguji terhadap masing-masing produk deng, posisi yg tetap, intensitas cahaya tetap, d kondisi yg baik. Table 4.9 Hasil penguji terhadap produk yg tidak termasuk basis data No Nama Purity Skin Lightening Soap 100g Lux Magic Spell 85g Bel 65g Soap Mimi Susu UHT Coklat 125ml Pepsodent Pencegah Gigi Berlubg 75g Ritadent Freshmint 75g Ciptadent Icemint 120g Richeese Nabati 10g Chocolatos Mini 27g Gery Bismart Cookies 20g Hasil Identifikasi Kemirip Antar Jarak Euclide 84.28% % % % % % % % % % Berdasark tabel 4.9 penguji terhadap produk yg tidak termasuk dalam basis data, tidak satupun produk yg berhasil di identifikasi. Karena untuk melakuk proses identifikasi disini, data yg ak dikenali harus diambil nilai acunya terlebih dahulu untuk mendapatk nilai fitur produk basis data deng nilai fitur produk input. Penentu kemirip dihitung deng jarak tar nilai fitur produk input d nilai fitur produk basis data deng menggunak euclide distce. Untuk nilai yg memiliki jarak terkecil diggap sebagai hasil identifikasi. Untuk itulah penguji terhadap 10 produk yg tidak termasuk basis data tidak satupun yg benar atau tidak teridentifikasi dikarenak di dalam program diberik nilai max Euclide Sehingga hasil penguji ini menghasilk output tidak teridentifikasi jika nilainya di atas Penutup 5.1 Kesimpul Kesimpul yg dapat diambil dari hasil penguji d pembahas adalah sebagai berikut: 1. Berdasark hasil penguji produk yg termasuk dalam basis data diperoleh tingkat keberhasil terhadap produk deng intensitas cahaya yg stabil, posisi yg tetap d kondisi produk uji yg baik dapat dapat melakuk identifikasi deng tingkat keberhasil rata-rata 97.33%. 2. Berdasark hasil penguji produk yg termasuk dalam basis data dapat membuktik gabung fitur warna d fitur bentuk mampu membedak tara objek yg satu deng objek yg lain. 3. Berdasark hasil penguji produk yg tidak termasuk dalam basis data diperoleh tingkat keberhasil terhadap produk deng intensitas cahaya yg stabil, kondisi produk uji yg baik, d deng posisi pengambil sebesar 45 tingkat keberhasil rata-rata setiap produk sebesar 96%, deng posisi pengambil sebesar 90 tingkat keberhasil rata-rata setiap produk sebesar 96%, d deng posisi pengambil sebesar 90 tingkat keberhasil rata-rata setiap produk sebesar 94.67%. 4. Berdasark hasil penguji produk yg tidak termasuk dalam basis data diperoleh tingkat keberhasil terhadap produk deng posisi yg tetap, kondisi produk uji yg baik, d deng intensitas cahaya yg lebih gelap tingkat keberhasil rata-rata 10.67%, sedgk deng intensitas cahaya yg lebih terg sebesar 17.33%. 5. Berdasark hasil penguji produk yg tidak termasuk dalam basis data diperoleh tingkat keberhasil terhadap produk deng posisi yg tetap, deng intensitas cahaya yg stabil, d kondisi produk uji yg cacat tingkat keberhasil rata-rata hya 4%. 6. Untuk suatu produk yg harus dikenali terlebih dahulu dilakuk pengambil basis data guna mendapatk nilai fitur acu karena nilai yg memiliki jarak terkecil diggap sebagai hasil identifikasi, sehingga produk yg tidak ada dalam basis data tidak dapat diidentifikasi. 7. Variasi posisi pengambil produk untuk data uji tidak berpengaruh terhadap tingkat keberhasil

10 TRANSIENT, VOL.1, NO. 3, SEPTEMBER 2012, ISSN: , 15 penguji, tetapi variasi intensitas cahaya d kondisi produk mempengaruhi tingkat keberhasil penguji. 5.2 Sar 1. Sebaiknya menambahk metode lain dari metode deteksi tepi Cny d histogram hue yg sudah digunak d peningkat performce aplikasi untuk peningkat keakurat hasil identifikasi 2. Sebaiknya menambahk program database agar produk yg sudah di latih atau basis data tersimp secara otomatis ketika program ditutup, sehingga tidak perlu melatih terlebih dahulu setiap dibuka program tersebut.. Daftar Pustaka [1]. Roni Marta, Sistem pengukur Kualitas Berdasark Pola Warna Pada Gambar, Peneliti D-IV, PENS-ITS, Surabaya, [2]. Zainal, Moch., Identifikasi Susu Kemas Deng Vektor Kutisasai, Peneliti D-IV, PENS-ITS, Surabaya, [3]. Wiraw, S., Content Based Image Information Retrieaval, Peneliti S-1, Universitas Gunadharma, Depok, [4]. Gonzales, R.C., d Woods, R.E., Digital Image Processing Second Edition, Prentice Hall, New York, [5]. Munir, R., Pengolah Citra Digital deng Pendekat Algoritmik, Penerbit Informatika, Bdung, [6]. Awcock, G.W., d Thomas, R., Applied Image Procesing, Mc-Graw Hill International Edition, New York, [7]. Achmad, B., d Fardausy, K., Teknik Pengolah Citra Digital, Ardi Publishing, Yogyakarta, [8]. Duda, R.O., d Hart, P.E., Pattern Classification d Scene Analysis, john Willey & Son, Inc., New York, [9]. Sugiharto, H., Pemrogram GUI deng Matlab, Penerbit Andi, Yogyakarta, [10]. ---,HSL Color Space, November 2010.