PENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA

Transkripsi

1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA Suharto Jat Santoso *, Bud Setyono **, R. Rzal Isnanto ** Abstrak - Selama n pengenalan jens kan pada umumnya dlakukan secara manual menggunakan pengamatan mata. Ikan-kan dplh sesua jensnya dan dmasukkan ke wadah. Bagamanapun juga pemlhan kan-kan tersebut akan membutuhkan waktu yang lama, apalag dalam jumlah yang sangat banyak, sehngga dperlukan pengenalan kan secara automats. Pada kasus n komputer dapat mengatasnya dengan cara melakukan proses pengenalan kan yang dambl melalu foto dgtal, kemudan dproses melalu suatu perangkat lunak dan haslnya berupa ctra kan dan nama kan yang dkenal. Sudah banyak metode pengenalan ctra yang dkembangkan dan daplkaskan. Pada Tugas Akhr n dkembangkan teknk pengenalan ctra dengan menggunakan metode Analss Komponen Utama, dmana beberapa ctra akan dkenal jka ctra tersebut sama atau mrp sesua dengan ctra yang ada d dalam bass-data. Peneltan dmula dengan merancang sebuah program komputer dengan menggunakan bahasa pemrograman Matlab. Program hasl rancangan tersebut dgunakan untuk menguj metode PCA dengan menggunakan sejumlah ctra kan. Metode pengenalan yang dpaka menggunakan ketetanggaan terdekat (nearest neghbour). Dar peneltan yang dlakukan, dsmpulkan bahwa PCA cukup layak djadkan metode pengenalan kan. Pengujan dlakukan berdasarkan jumlah ctra lath. Data peneltan menunjukkan hasl pengenalan yang bak tanpa ada kesalahan pada 46 pengujan menggunakan empat ctra lath. Kata-kunc: ctra dgtal, analss komponen utama (PCA), ketetanggaan terdekat (nearest neghbour). I. PENDAHULUAN 1.1 Latar Belakang Apabla ngn mengambl ctra kan menggunakan kamera, kemudan ngn menympan hasl karyanya tu ke dalam komputer maka palng tdak harus memperhtungkan dua masalah. Pertama, bagamana caranya ctra kan tersebut dapat dsmpan ke dalam komputer. Jka masalah pertama sudah teratas msalnya menggunakan pemayar untuk mengkonvers ctra analog tersebut menjad ctra dgtal atau menggunakan kamera dgtal sehngga langsung dapat mentransfer hasl karyanya tu ke dalam komputer menggunakan kabel seral atau USB, maka masalah kedua akan muncul yatu bagamana ctra kan yang sudah dsmpan ke perangkat komputer dapat dkenal oleh perangkat komputer tu sendr. Masalah n akan sangat terasa pada saat ngn mengenal ctra kan yang berbeda jensnya dalam jumlah banyak, msalnya pada suatu tempat penyortran kan. Untuk membuat data pengenalan jens-jens kan dapat dproses secara cepat maka dlakukan suatu proses pengenalan ctra kan yang dambl melalu foto dgtal, kemudan dar foto tersebut akan dproses melalu suatu perangkat lunak dan haslnya berupa data nama jens kan yang akan dkenal. Pengenalan kan adalah cara mengdentfkaskan kan berdasarkan gambaran bentuk pola tubuh kan beserta crcrnya. Otak manusa memlk kemampuan yang handal dalam melakukan pengenalan kan tersebut. Dengan berkembangnya dan semakn meluasnya penggunaan komputer, dharapkan kemampuan pengenalan kan yang dmlk oleh manusa dapat dadops pada perangkat pntar tersebut. Analss Komponen Utama atau lebh dkenal dengan PCA (Prncpal Components Analyss) adalah suatu metode ekstraks cr atau pengkompresan data yang mampu mengdentfkaskan cr tertentu yang merupakan karakterstk suatu ctra (dalam hal n adalah kan). PCA bertujuan mentransformaskan sejumlah besar varabel yang berkorelas menjad beberapa varabel yang tdak berkorelas tanpa menghlangkan nformas pentng d dalamnya. Pengenalan jens-jens kan n dlakukan terutama bertujuan untuk memudahkan pengamblan data nama jens-jens kan dan dapat dproses secara cepat. Ada berbaga macam metode yang dapat dgunakan, namun yang dterapkan pada Tugas Akhr kal n adalah metode Analss Komponen Utama. 1.2 Tujuan Tujuan Tugas Akhr n adalah merancang suatu perangkat lunak untuk mengenal nama jens-jens kan menggunakan metode Analss Komponen Utama. 1.3 Batasan Masalah Pembatasan masalah Tugas Akhr adalah sebaga berkut : 1. Metode pengolahan ctra dgtal yang akan dgunakan adalah Analss Komponen Utama (Prncpal Components Analyss). 2. Ctra yang dgunakan dalam peneltan n adalah hasl pemotretan dengan menggunakan kamera dgtal, yang telah dubah ukuran menjad pksel. 3. Format ctra yang dgunakan sebaga masukan adalah JPEG (ekstens *.jpg). 4. Ctra masukan yang dgunakan beraras keabuan, tanpa membahas proses yang terlbat d dalamnya. 5. Program bantu yang dgunakan adalah MATLAB Jens kan yang dpaka yatu bandeng, bawal, guram, karper, lele, dan mujar dengan ukuran dan pengamblan poss ctra kan yang berbeda. II. DASAR TEORI 2.1 Ctra Dgtal Secara harfah, ctra adalah gambar pada bdang dua dmens. Dtnjau dar sudut pandang matemats, ctra merupakan fungs menerus dar ntenstas cahaya pada bdang dua dmens. Sumber cahaya menerang objek, objek memantulkan kembal sebagan berkas cahaya tersebut. Pantulan cahaya n dtangkap oleh alat-alat optk, msalnya mata manusa, kamera, pemnda (scanner), dan sebaganya, sehngga bayangan objek yang dsebut ctra tersebut terekam. Ctra yang dmaksudkan d dalam

2 keseluruhan Tugas Akhr n adalah ctra dam. Ctra dam adalah ctra tunggal yang tdak bergerak atau basa dsebut ctra saja. Sebuah ctra kaya nformas, namun serngkal ctra mengalam penurunan mutu (degradas), msalnya mengandung cacat atau derau (nose), warnanya terlalu kontras, kurang tajam, kabur (blurrng), dan sebaganya. Tentu saja ctra semacam n menjad lebh sult dnterpretas karena nformas yang dsampakan oleh ctra tersebut menjad kurang. Agar ctra yang mengalam gangguan mudah dnterpretas (bak oleh manusa maupun mesn), maka ctra tersebut perlu dmanpulas menjad ctra lan yang kualtasnya lebh bak. Bdang stud yang menyangkut hal n adalah pengolahan ctra (mage processng). Pada Tugas Akhr n kasus yang dambl adalah menyangkut pengenalan ctra (mage recognton). Pengenalan ctra tu sendr adalah pemrosesan ctra, khususnya dengan menggunakan komputer, sehngga hasl pemrosesan ctra tersebut dapat dkenal sesua bass data yang tersmpan d dalam komputer. Ctra dgtal dambl dengan cara melakukan pemotretan terhadap suatu objek. Pemotretan dapat dlakukan dengan kamera analog maupun kamera dgtal. Selanjutnya hasl pemotretan tersebut dubah menjad suatu data dgtal yang dsebut dengan ctra dgtal supaya dapat dolah oleh komputer. Jka menggunakan kamera analog, maka foto analog hasl cetak harus dpayar terlebh dahulu untuk mendapatkan data ctra dgtal. Jka menggunakan kamera dgtal, data hasl pemotretan yang dsmpan pada memor kamera sudah berbentuk dgtal dan dapat langsung dkrm ke komputer menggunakan kabel data seral, USB, atau nframerah, tergantung spesfkas kamera dgtal yang dgunakan. Untuk mendapatkan ctra dgtal selan dengan cara merekam langsung secara dgtal, dperlukan suatu proses konvers dar analog, yang bersfat kontnu ke dgtal. Konvers n melput proses pencuplkan (samplng), yang akan membuat sejumlah ks arah horsontal dan vertkal untuk menghaslkan gambar dalam bentuk lark dua dmens. Sejumlah elemen dar lark tersebut adalah elemen gambar yang dnyatakan dengan pksel. Ukuran dan jumlah pksel dalam menyajkan suatu ctra menentukan kualtas atau kehalusan suatu ctra dgtal. Semakn banyak jumlah pksel dan semakn kecl ukuran pksel, maka tngkat kehalusan suatu ctra yang dnyatakan dengan resolus, akan semakn tngg, dan kualtasnya akan semakn bagus. Proses selanjutnya adalah kuantsas, yatu proses untuk menyatakan tngkat keabuan atau warna suatu ctra dalam suatu nla nteger tertentu. Tngkat kecerahan atau kedalaman warna suatu ctra tergantung dar besar keclnya rentang nla nteger yang dgunakan. Semakn besar rentang nteger, yang dnyatakan dengan banyaknya bt untuk menympan nla nteger tertentu, maka semakn tngg tngkat kecerahan atau kedalaman warna suatu ctra. Msalkan dgunakan 8-bt, maka akan dperoleh 256 tngkat keabuan. 2.2 Tngkat Warna Ctra Berdasarkan tngkat pewarnaan, ctra dapat dbag menjad dua kelas, yatu ctra monokrom atau htam puth, yang merupakan ctra satu kanal, dan ctra mult-spektral atau multwarna. Ctra htam puth menyajkan warna dengan nla nteger pada pksel yang menyatakan tngkat keabuan dar htam ke puth. Jad msalkan pada ctra 8-bt dengan 256 tngkat keabuannya, maka nla 0 akan menyatakan warna htam, semakn nak nla warnanya akan semakn cerah, dan akhrnya pada batas nteger 255 warna yang dsajkan adalah puth. Sedangkan pada ctra mult-spektral, warna ctra dnyatakan oleh tga komponen warna, yatu merah, hjau, dan bru (RGB), sehngga penyajan warnanya adalah dalam bentuk fungs nla tngkat warna merah, hjau, dan f x, y, f x, y, f x y. Jens bru: merah hjau bru, pewarnaan pada ctra yang dgunakan pada Tugas Akhr n adalah kelas ctra yang dgunakan adalah ctra htam puth dengan 256 tngkat keabuan. Intenstas ctra beraras keabuan dsmpan sebaga nteger 8 bt sehngga memberkan 2 8 = 256 tngkat keabuan dar warna htam sampa warna puth. Dengan menggunakan pola 8 bt n ctra beraras keabuan membutuhkan ruang memor, dsk, dan waktu pengolahan yang lebh sedkt darpada ctra berwarna (RGB). Pada Gambar 2.1 dperlhatkan vsualsas 256 aras keabuan. Gambar 2.1 Vsualsas 256 aras keabuan Sedangkan Gambar 2.2 menunjukkan contoh perbedaan antara ctra berwarna menjad ctra beraras keabuan dengan menggunakan pola 8-bt. Gambar 2.2 Perbedaan ctra berwarna menjad ctra beraras keabuan 2.3 Analss Komponen Utama Sasaran utama dgunakannya teknk Analss Komponen Utama pada tugas akhr n adalah untuk mereduks dmens ctra sehngga menghaslkan varabel yang lebh sedkt. Analss Komponen Utama (Prncpal Component Analyss) atau PCA adalah suatu metode yang melbatkan prosedur matematka yang mengubah dan mentransformaskan sejumlah besar varabel yang berkorelas menjad sejumlah kecl varabel yang tdak berkorelas, tanpa menghlangkan nformas pentng d dalamnya. Sejumlah ctra dua dmens dar setap objek tga dmens yang akan dkenal, dkumpulkan untuk mewakl objek tersebut sebaga ctra acuan. Dar sekumpulan ctra acuan tersebut, kemudan akan dlakukan ekstraks cr

3 untuk memperoleh nformas karakterstk (cr) dar objek tersebut. Hasl ekstraks cr dgunakan untuk dalam proses pengenalan objek multorentas. Analss Komponen Utama banyak dgunakan untuk memproyekskan atau mengubah suatu kumpulan data berukuran besar menjad bentuk sajan data dengan ukuran yang lebh kecl. Transformas PCA terhadap sebuah ruang data yang besar akan menghaslkan sejumlah vektor bass ortonormal dalam bentuk kumpulan vektor egen dar suatu matrks kovaran tertentu yang dapat secara optmal menyajkan dstrbus data. Ortonormal berart bahwa vektor-vektor bass tersebut adalah salng ortogonal (tegak lurus) ternormalsas (merupakan hasl perkalan dengan suatu konstanta sehngga memlk nla yang telah bersesuaan, bersesuaan dalam hal n nla kuadratnya adalah 1). Dua vektor taknol adalah ortogonal jka dan hanya jka hasl kal ttknya (hasl kalnya skalar) adalah nol. Sasaran dar PCA adalah menangkap varas total dar ctra kan-kan yang ada d dalam bass data yang dlathkan. Untuk kemudan mereduksnya sehngga menjad varabel-varabel yang lebh sedkt. Dengan reduks n maka waktu komputas dapat dkurang dan kompleksttas dar kan yang tdak perlu dapat dhlangkan. Dengan mereduks sehngga dmensnya menjad lebh kecl, maka vektor mana yang harus dreduks dan mana yang tdak dreduks dapat dtentukan dengan mengurutkan nla egen terbesar ke nla egen terkecl dan vektor egennya durutkan sesua dengan nla egen yang bersangkutan. Vektor yang dreduks adalah vektor yang mempunya nla egen yang kecl, karena nla egen yang kecl menandakan nformas yang dbawa tdaklah seberapa pentng, sehngga dapat dreduks tanpa mempengaruh ruang ctra. Secara sngkat langkah-langkah dar proses pembentukan ruang egen menggunakan Analss Komponen Utama adalah sebaga berkut: 1. Msalnya, terdapat sejumlah n ctra. X x 1 x 2 x n (2.4) 2. Menghtung ctra rata-rata dar matrks X dengan persamaan sebaga berkut. 1 n x x (2.5) n 1 3. Mengurang matrks X dengan ctra rata-rata, sehngga ddapatkan matrks Y sebaga berkut. Y x 1 x x 2 x x n x (2.6) 4. Menentukan matrks kovarans C dengan dmens m m, yatu jumlah pksel jumlah pksel sebaga berkut. T C Y Y (2.7) 5. Mencar nla egen dan vektor egen dar C sehngga memenuh persamaan: C. b. b (2.8) dmana b adalah vektor egen dan adalah nla egen. e e e 6. Jka 1 2 M dan 1 2 M adalah Analss Komponen Utama atau vektor egen dan nla egen dar matrks kovarans C, maka harga e dapat dhtung dar hasl langkah 6. e Y 1 Y 2 Y M * (2.9) 7. Menentukan jumlah vektor egen e m berdasarkan nla ambang, yatu dengan mengambl sejumlah tertentu dar vektor egen e. 2.4 Ketetanggaan Terdekat Sebuah objek mempunya banyak varas pola yang dapat djadkan dasar nformas untuk mengenal objek tersebut. Msalnya, bentuk kan bsa mempunya banyak varas penampakan yang dperoleh dengan melakukan varas ekspres, varas sudut pandang, maupun varas pencahayaan yang dapat dgunakan sebaga pola atau cr dar bentuk kan tersebut. Proses pengenalan yang terjad pada suatu sstem pengenalan pola pada umumnya adalah dengan membandngkan suatu pola masukan dengan pola yang telah tersmpan pada sstem tersebut. Selanjutnya, sebaga bagan dar pengenalan pola, pengenalan kan dengan metode PCA pun bekerja dengan prnsp yang sama. Setelah melakukan proses pelathan, maka akan dhaslkan suatu pola lath yang pada metode n berupa vektor cr yang bers komponen utama dar sejumlah ctra lath (ctra yang dlathkan ke sstem). Sejumlah vektor cr tersebut dsmpan dalam suatu matrk, dan akan dkeluarkan pada saat proses pengenalan. Untuk proses pengenalan, suatu ctra uj (ctra yang dsajkan ke sstem untuk proses pengenalan) yang memlk dmens yang sama dengan ctra lath telah dsajkan ke sstem. Ctra uj tersebut kemudan dekstras cr dengan cara mengalkan dengan vektor egen ctra lath, dan akan menghaslkan vektor cr berskan komponen utama yang memlk dmens yang sama dengan vektor cr ctra lath. Setelah ddapatkan vektor cr dar ctra uj, maka proses selanjutnya adalah membandngkan vektor cr dar ctra uj dengan vektor cr ctra lath. Perbandngan tersebut dapat dlakukan dengan cara menghtung jarak eucldean (eucldean dstance), yang merupakan selsh nla pksel antara 2 vektor tersebut. Jarak eucldean adalah akar dar jumlah selsh kuadrat antara 2 vektor, dan secara matemats dapat drumuskan: Rumus untuk mencar jarak eucldean adalah. K 2 dsta, b a b (2.10) 1 dengan dst (a,b) adalah jarak eucldean antara vektor a dan vektor b ; a adalah komponen ke dar vektor a ; b adalah komponen ke dar vektor b ; K adalah jumlah komponen pada vektor a dan vektor b. Dar hasl perhtungan jarak eucldean tersebut dapat dtentukan suatu ctra wajah adalah mrp bla memlk jarak yang palng dekat.

4 III. PERANCANGAN PERANGKAT LUNAK Bab n membahas perencanaan smulas sstem pengenalan jens kan yang secara umum terdr atas dua proses pentng, yatu proses pelathan dan proses pengenalan. Proses pelathan mencakup proses penyajan sejumlah kan lath (berupa ctra berukuran m n pksel) pada sstem, yang kemudan akan dtransformaskan dengan metode Analss Komponen Utama menjad beberapa varabel yang berdmens lebh kecl untuk dsmpan dalam memor sstem. Proses pengenalan adalah proses penyajan kan (ctra) uj ke sstem yang telah terlath untuk kemudan dkenal dengan denttas yang sesua oleh sstem pengenalan kan. Secara gars besar dagram proses sstem pengenalan kan n dapat dlhat pada Gambar 3.1. T C Y Y Mula Menyapkan bass-data Pelathan Y em T X Pengenalan Selesa Gambar 3.1 Dagram proses sstem pengenalan kan Dagram pada Gambar 3.1 menunjukkan bahwa secara umum program pengenalan kan pada Tugas Akhr n terdr atas tga proses pentng. Ketga proses tersebut yang pertama adalah menyapkan bass-data yatu dperlukan sekumpulan ctra kan dengan ukuran pksel yang sama yang dsapkan untuk pelathan. Kedua adalah pelathan sstem yang merupakan proses ekstraks cr terhadap sejumlah ctra lath dengan menggunakan metode PCA sehngga menghaslkan sejumlah vektor cr ctra lath. Dalam rangka pelathan sstem, dperlukan sekumpulan ctra yang dsapkan untuk pelathan dengan ukuran pksel yang sama. Sebelum dsajkan ke bass-data, suatu ctra lath perlu dtamplkan terlebh dahulu untuk memastkan bahwa ctra yang akan dsajkan ke bass-data adalah sesua dengan nama atau ndvdu tertentu. Sebuah dagram alr pada Gambar 3.2 dberkan untuk menjelaskan proses tersebut. Ketga adalah proses pengenalan, yatu penyajan suatu ctra untuk dkenal dengan cara membandngkan vektor cr ctra tersebut dengan vektor cr ctra lath. Setelah dlathkan, maka sstem telah sap untuk melaksanakan tugas utamanya, yatu pengenalan kan. Dengan demkan, hal pertama yang akan dlakukan adalah menyajkan ctra uj ke sstem. Ctra uj tersebut cara untuk mengamblnya adalah sama sepert pada penyajan ctra lath ke bass-data, yatu dengan menggunakan suatu kotak dalog yang dapat melhat folder tempat berkas ctra uj tersebut berada. Gambar 3.2 Dagram proses sstem pelathan kan IV. HASIL PENELITIAN DAN PEMBAHASAN 4.1 Hasl Peneltan Hal yang dtelt dalam Tugas Akhr n adalah pengaruh jumlah ctra lath terhadap hasl pengenalan ctra uj. 4.2 Pembahasan Hasl Peneltan Delapan puluh dua ctra terdr atas 6 jens ctra kan, yang terdr atas 36 ctra untuk bass-data, dan 46 ctra untuk ctra uj, telah dkumpulkan dalam rangka persapan untuk peneltan n. Proses pengumpulan ctra menggunakan meda kamera dgtal dengan latar belakang ctra menggunakan warna puth dengan jarak pemotretan 46 cm. Seluruh ctra tersebut semuanya telah dubah dmens dan warnanya sehngga berukuran pksel, dan berada pada aras warna 256 tngkat keabuan. Dalam rangka pengujan n, sstem dlathkan menggunakan sampa dengan 4 ctra lath. Hasl dar pengujan n dapat dlhat secara lengkap pada Tabel 4.1 dan 4.2. TABEL 4.1 HASIL PENGUJIAN MENGGUNAKAN 1 CITRA LATIH No. Ctra uj Hasl pengenalan Kesmpulan Jarak Ctra terdekat pengenalan 1 bandeng mujar-1 Tdak sesua 2 bandeng mujar-1 Tdak sesua 3 bandeng mujar-1 Tdak sesua 4 bandeng mujar-1 Tdak sesua 5 bandeng bandeng-1 Sesua 6 bandeng mujar-1 Tdak sesua 7 bandeng mujar-1 Tdak sesua 8 bawal bawal-1 Sesua 9 bawal bawal-1 Sesua

5 10 bawal bawal-1 Sesua 11 bawal karper-1 Tdak sesua 12 guram bawal-1 Tdak sesua 13 guram bawal-1 Tdak sesua 14 guram bawal-1 Tdak sesua 15 guram bawal-1 Tdak sesua 16 guram bawal-1 Tdak sesua 17 guram bawal-1 Tdak sesua 18 karper karper-1 Sesua 19 karper mujar-1 Tdak sesua 20 karper karper-1 Sesua 21 karper mujar-1 Tdak sesua 22 karper mujar-1 Tdak sesua 23 karper karper-1 Sesua 24 karper mujar-1 Tdak sesua 25 karper mujar-1 Tdak sesua 26 lele karper-1 Tdak sesua 27 lele lele-1 Sesua 28 lele lele-1 Sesua 29 lele lele-1 Sesua 30 lele lele-1 Sesua 31 lele mujar-1 Tdak sesua 32 lele lele-1 Sesua 33 lele lele-1 Sesua 34 lele lele-1 Sesua 35 mujar mujar-1 Sesua 36 mujar mujar-1 Sesua 37 mujar mujar-1 Sesua 38 mujar mujar-1 Sesua 39 mujar mujar-1 Sesua 40 mujar mujar-1 Sesua 41 mujar mujar-1 Sesua 42 mujar mujar-1 Sesua 43 mujar mujar-1 Sesua 44 mujar mujar-1 Sesua 45 mujar mujar-1 Sesua 46 mujar mujar-1 Sesua sehngga dapat dperoleh prosentase kesalahan sebaga berkut: kesalahan Prosentase kesalahan = 100 % ctra uj 20 = 100 % 46 = 43, 47 % Jumlah kesalahan yang besar n dsebabkan belum adanya varas pada ctra lath yang dsajkan ke sstem, sehngga pada saat suatu kan dengan ekspres yang berbeda dar ctra lathnya dsajkan ke sstem untuk dkenal, ctra uj tersebut cenderung mengacu pada ctra lath kan lan yang bentuk ekspres kannya lebh mrp. Sedangkan untuk pengujan 2 dan 3 ctra lath dapat dperoleh prosentase kesalahan sebaga berkut: 9 Prosentase kesalahan 2 ctra lath = 100 % 46 = 19,56% 7 Prosentase kesalahan 3 ctra lath = 100 % 46 = 15,21% TABEL 4.2 HASIL PENGUJIAN MENGGUNAKAN 4 CITRA LATIH No. Ctra uj Hasl pengenalan Kesmpulan Jarak Ctra terdekat 1 bandeng bandeng-3 Sesua 2 bandeng bandeng-3 Sesua 3 bandeng bandeng-4 Sesua 4 bandeng bandeng-3 Sesua 5 bandeng bandeng-4 Sesua 6 bandeng bandeng-3 Sesua 7 bandeng bandeng-3 Sesua 8 bawal bawal-3 Sesua 9 bawal bawal-1 Sesua 10 bawal bawal-1 Sesua 11 bawal bawal-2 Sesua 12 guram guram-4 Sesua 13 guram guram-3 Sesua 14 guram guram-4 Sesua 15 guram guram-4 Sesua 16 guram guram-4 Sesua 17 guram guram-4 Sesua 18 karper karper-1 Sesua 19 karper karper-4 Sesua 20 karper karper-1 Sesua 21 karper karper-4 Sesua 22 karper karper-4 Sesua 23 karper karper-1 Sesua 24 karper karper-3 Sesua 25 karper karper-4 Sesua 26 lele lele-3 Sesua 27 lele lele-4 Sesua 28 lele lele-3 Sesua 29 lele lele-3 Sesua 30 lele lele-1 Sesua 31 lele lele-4 Sesua 32 lele lele-3 Sesua 33 lele lele-1 Sesua 34 lele lele-4 Sesua 35 mujar mujar-4 Sesua 36 mujar mujar-3 Sesua 37 mujar mujar-1 Sesua 38 mujar mujar-2 Sesua 39 mujar mujar-4 Sesua 40 mujar mujar-4 Sesua 41 mujar mujar-2 Sesua 42 mujar mujar-2 Sesua 43 mujar mujar-2 Sesua 44 mujar mujar-4 Sesua 45 mujar mujar-4 Sesua 46 mujar mujar-4 Sesua pengenalan Tngkat keberhaslan pengenalan pada pengujan menggunakan 4 ctra lath adalah cukup tngg, yatu 100%, dan mampu mengurang kesalahan pengenalan yang terjad pada pengujan dengan jumlah ctra lath yang lebh sedkt. Hal n kemungknan akbat varas ekspres kan dar ctra uj, yang membutuhkan sejumlah ctra lath dengan ekspres yang sesua untuk dapat dkenal dengan bak oleh sstem pengenalan kan. Oleh karenanya dapat dsmpulkan bahwa jumlah ctra lath berbandng lurus dengan knerja dar sstem pengenalan kan, dalam hal kemampuan melakukan pengenalan terhadap varas ekspres kan yang dsajkan ke sstem. Artnya, semakn banyak varas kan yang dlathkan, kemampuan sstem pengenalan kan juga akan semakn tngg.

6 V. PENUTUP 5.1 Kesmpulan Berdasarkan hasl peneltan dapat dambl beberapa kesmpulan sebaga berkut. 1. Pengamblan ctra kan menggunakan kamera dgtal dengan latar belakang ctra menggunakan warna puth dengan jarak pemotretan 46 cm. 2. Seluruh ctra kan yang dgunakan untuk pengujan menggunakan dmens berukuran , dan berada pada aras warna 256 tngkat keabuan. 3. Pada peneltan Tugas Akhr n, pengujan dlakukan berdasarkan jumlah ctra lath dengan pengujan pengenalan sebanyak 46 ctra uj. 4. Jumlah ctra lath yang dgunakan pada metode PCA berbandng lurus dengan knerja sstem pengenalan kan, artnya semakn banyak ctra lath yang dgunakan untuk pelathan, hasl pengenalan akan semakn bagus. 5. Faktor cr-cr kan juga berpengaruh pentng dalam sstem pengenalan, artnya setap jens kan semakn banyak cr-cr yang domnan, hasl pengenalan akan semakn akurat. 5.2 Saran Beberapa saran yang dapat dberkan untuk peneltan selanjutnya sebaga berkut. 1. Peneltan dapat dlanjutkan dengan menambahkan perangkat keras, yatu kamera bergerak untuk membuat sstem pengenalan kan dengan konds bergerak atau bersfat onlne. 2. Penggabungan dengan metode lan, msalnya menggunakan Jarngan Saraf Truan perlu dlakukan untuk memperoleh hasl pengenalan yang lebh bak. Suharto Jat Santoso (L2F000639) dlahrkan d Semarang, 8 Desember Menempuh penddkan d SDN Rejosar 1 Semarang lulus tahun 1994, kemudan melanjutkan ke SLTP Insttut Indonesa Semarang lulus tahun 1997, dlanjutkan lag d SMU Insttut Indonesa Semarang lulus tahun 2000, dan sampa saat n mash menyelesakan stud S1 d Jurusan Teknk Elektro Fakultas Teknk Unverstas Dponegoro Semarang Konsentras Elektronka Telekomunkas dan semoga dapat lulus tahun Pembmbng I, Bud Setyono, S.T., M.T. NIP Tanggal Pembmbng II, Menyetuju dan Mengesahkan, R. Rzal Isnanto, S.T., M.M., M.T. NIP Tanggal... DAFTAR PUSTAKA [1]. Jan, A. K., Fundamentals of Dgtal Image Processng, Prentce Hall, [2]. Murn, A., Pengantar Pengolahan Ctra, PT. Elex Meda Komputndo, Jakarta, [3]. Munr, R., Pengolahan Ctra Dgtal dengan Pendekatan Algortmk, Informatka, Bandung, [4]. Patrdge, Matthew., Fast Dmensonalty Reducton and Smple PCA, December [5]. Romdhan, S., Face Recognton Usng Prncpal Components Analyss, Jul [6]. Smth, Lndsay., A Tutoral on Prncpal Components Analyss, February [7]. Wbowo, B.B., Pengenalan Wajah Menggunakan Analss Komponen Utama, Mahasswa Teknk Elektro Unverstas Dponegoro, Semarang, [8]. ----, Image Processng Toolbox User s Gude MATLAB Help v. 6.5, The MathWorks, Inc., Natck, MA., [9]. ----, Prncpal Components Analyss, Jul 2004.

7