ARTIKEL SISTEM IDENTIFIKASI JENIS BOTOL MENGGUNAKAN DETEKSI TEPI METODE KIRSCH DAN PERHITUNGAN JARAK EUCLIDEAN

ARTIKEL SISTEM IDENTIFIKASI JENIS BOTOL MENGGUNAKAN DETEKSI TEPI METODE KIRSCH DAN PERHITUNGAN JARAK EUCLIDEAN Oleh: DANANG PERMADI 13.1.03.02.0042 Dibimbing oleh : 1. Irwan Setyowidodo, S.Pd., M.Si 2. Julian Sahertian, S.Pd., M.T TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS NUSANTARA PGRI KEDIRI 2017

Simki-Techsain Vol. 01 No. 07 Tahun 2017 ISSN : XXXX-XXXX

SISTEM IDENTIFIKASI JENIS BOTOL MENGGUNAKAN DETEKSI TEPI METODE KIRSCH DAN PERHITUNGAN JARAK EUCLIDEAN Danang Permadi 13.1.03.02.0042 draell4@gmail.com Irwan Setyowidodo, S. Pd., M. Si. dan Julian Sahertian, S.Pd., M.T. UNIVERSITAS NUSANTARA PGRI KEDIRI ABSTRAK Metode deteksi tepi Kirsch dan perhitungan jarak Euclidean dengan objek penelitian adalah citra botol. Citra botol diinputkan akan dilakukan proses mengubah citra RGB menjadi Grayscale, kemudian dilakukan proses deteksi tepi dengan metode Kirsch. Selanjutnya dihitung nilai jaraknya dengan data training menggunakan perhitungan jarak Euclidean. Proses terakhir yaitu mencari nilai jarak terkecil dijadikan acuan hasil identifikasi. Hasil penelitian ini adalah aplikasi dibangun dapat mengidentifikasi jenis bentuk botol. Metode Kirsch ini digunakan untuk mendeteksi tepi setiap citra botol didalam sistem aplikasi kemudian hasil deteksi tepi Kirsch akan dihitung jaraknya menggunakan metode Euclidean. Dari hasil uji coba menunjukkan tingkat akurasi dipengaruhi oleh jumlah data training dan jumlah data testing. Jika semakin banyak data training dan semakin sedikit data testing, maka akurasi semakin besar. Jika semakin sedikit data training dan semakin banyak data testing, maka akurasi menjadi kecil. Kata Kunci : Identifikasi, Metode, Kirsch, Perhitungan Jarak, Euclidean. I. LATAR BELAKANG membantu penataan produk-produk Dalam kehidupan sehari-hari, berjenis botol ada toko pengolahan citra digital memegang peranan cukup penting. Salah satu kegunaannya Bentuk botol adalah sebuah dapat bentuk pola. mengandung karakter khusus dan Pengenalan pola adalah tahapan bentuk-bentuk tambahan sering selanjutnya digunakan sabagai bukti verifikasi melakukan adalah atau supermarket. pengenalan atau analisis pengolahan citra. Pengenalan pola unik botol identitas botol (Aziz, 2016). bisa dikembangkan untuk membantu Beberapa model botol dapat di masyarakat mengetahui nama atau lihat memiliki keunikan tersendiri jenis produk bentuk botol dan bentuk, ukuran dan warna botol, 2

namun sebagian besar bentuk botol melakukan pendeteksian tepi 8 memiliki model bentuk tidak arah mata angina di setiap kelipatan bisa di lihat. Artinya bentuk sudut 4. Operator ini merupakan botol umunya identik namun tidak metode pendeteksian tepi non-linier sama bisa berbeda setiap bentuk dengan botol. maksimum dalam semua arah Pada kenyataannya, perubahan-perubahan bentuk tujuan terdeteksi menentukan tepi (Kadir, 2013). Secara botol tersebut dipengaruhi oleh waktu praktis, operator ini memberikan dan Meski hasil lebih baik operator-operator demikian, sebuah bentuk botol dapat sebelumnya. Namun sisi waktu ditangani citra eksekusi, operator ini menjadi jauh sehingga dapat dikenali menggunakn lebih lambat. Contoh operator Kirsch aplikasi sebagai berikut : keadaan tertentu. sebagai sebuah pengenalan pola pengolahan citra. II. METODE Citra gray-level (skala keabuan) merupakan pikselnya citra dimana nilai hanya diwakilkan oleh keabuan merepresentasikan nilai warna 3 3 [ 0 3 ] 3 3 K4(Barat Laut) K(Barat) [ 0 3] 3 K6(Barata Daya) 3 3 [ 3 0 3 3 ] K8(Tenggara) sebagai berikut : 𝐺1 = 𝐺1𝐾 𝐼, 𝐺 2 = 𝐺2𝐾 𝐼, 𝐺 3 = 𝐺3𝐾 𝐼, 𝐺 4 = 𝐺4𝐾 𝐼, 𝐺 = 𝐺𝐾 𝐼, 𝐺 6 = 𝐺6𝐾 𝐼, 𝐺 7 = 𝐺7𝐾 𝐼, 𝐺 8 = 𝐺8𝐾 𝐼 2 putih, 3 [ 0 3] K3(Utara) operator Kirsch di atas dapat dihitung Nilai 0 merepresentasikan warna dan K2(Timur Laut) [ 3 0 3] Gradien citra I setiap arah bervariasi 0 sampai 2 (28-1). hitam K1(Timur) K7(Selatan) dikodekan dalam 8 bit atau artinya skala 3 [ 3 0 ] [ 3 0 3] nilai luminance, umumnya memiliki 3 3 [ 3 0 ] 3 3 Keterangan : sedangkan nilai nilai diantaranya G = Gradien citra merepresentasikan warna keabuan K = Menyatakan sudut mata angin bervariasi hitam hingga I = Menyatakan intesitas nilai pixel cerah menuju putih (Madenda, 201). Metode Kirsch sering disebut juga operator kompas karena 3

Kemudian, perhitungan gradien akhir setiap titik (x,y) III. A. Hasil Presentasi hasil diperoleh merupakan nilai maksimum 8 penelitian ini meliputi hasil gradien rumus diatas : 𝐺(𝑥,𝑦) = max(𝐺1 (𝑥, 𝑦), (𝐺2 (𝑥, 𝑦), pengolahan awal data input (𝐺3 (𝑥, 𝑦), (𝐺4 (𝑥, 𝑦), (𝐺 (𝑥, 𝑦), (𝐺6 (𝑥, 𝑦), (𝐺7 (𝑥, 𝑦), (𝐺8 (𝑥, 𝑦)) Keterangan : digunakan, hasil aktivitas ekstraksi fitur dilakukan, serta hasil pengujian G = Gradien citra x = Menyatakan Ordinat pixel y = Menyatakan Absis pixel Jarak merupakan pendekatan umum data mendapatkan max = Mencari nilai maksismum HASIL DAN KESIMPULAN testing sebuah untuk evaluasi mengenai kemampuan sistem dalam hal mengenali tanda tangan seseorang. Tools digunakan dipakai untuk pencarian citra. RAD Studio Delphi XE. Untuk menentukan memudahkan dalam penggunaannya, kesamaan atau ketidaksamaan dua sistem dibuat dengan user interface fitur sederhana. mewujudkan Fungsinya adalah vektor. Tingkat kesamaan penelitian ini adalah Embarcadero dinyatakan dengan suatu skor atau tingkat rangking. Semakin kecil nilai rangking, semakin dekat kesamaan kedua fitur vektor tersebut. Jarak Euclidean didefinisikan sebagai berikut : j(𝑣1, 𝑣2 ) = 𝑁 𝑘=1(𝑣1(𝑘) 𝑣2(𝑘)) Gambar 1. Tampilan Interface Data citra digunakan Keterangan : penelitian j = Objek citra pengambilan gambar menggunakan v = Nilai vektor kamera N = Panjang vektor sebelumnya berjumlah 30 citra botol k = Menyatakan nilai pixel terdiri 3 jenis botol ini, diambil objek botol berbeda. Semua gambar mempunyai latar belakang sama dengan ukuran 100 x 200 pixel. Pada proses 4

pengenalan pola, terdapat dua proses Dari dikerjakan yaitu proses pelatihan pengujian (training) didapatkan hasil berbeda dan proses pengujian beberapa telah dilakukan, (testing). Oleh karena itu, jumlah data setiap citra ada dibagi menjadi dua, ditunjukkan Tabel 2. yaitu data pelatihan dan data pengujian. skenario skenarionya, seperti Tabel 2. Hasil Uji Coba Hasil deteksi Skenario Akurasi Benar Salah 1 16 2 88,9% 2 22 81,% 3 2 8 7,8% B. Kesimpulan Gambar 2. Proses Testing Proses pengujian dilakukan tiga kali dengan memperhatikan jumlah citra botol terdapat data training dan data testing. Pengunjian dilakukan dengan menggunakan citra uji botol data testing berbeda dengan data botol ada data training. Berikut adalah tabel skenario uji coba data training, seperti di tunjukkan Kesimpulan hasil uji coba menunjukkan tingkat akurasi dipengaruhi oleh jumlah data training dan jumlah data testing. Jika semakin banyak data training dan semakin sedikit data testing, maka akurasi semakin besar. Jika semakin sedikit data training dan semakin banyak data testing, maka akurasi semakin kecil. IV. DAFTAR PUSTAKA [1] Aziz, Irul. 2016. Pengertian dan Sejarah Botol. Tersedia : http://masirul.com/jual-botol/, diakses 8 Desember 2016. Tabel 1. : [2] Kadir, Abdul. 2013. Teori dan Aplikasi Tabel 1. Skenario Uji Coba Pengolahan Citra. Yogyakarta: Penerbit Andi Data Training Botol [3] Lusiana, Veronica. 2013. Deteksi Tepi Botol No Botol Jumlah Berleher Berleher Pendek Panjang 1. 10 10 10 30 2. 1 1 1 4 3. 20 20 20 60 Galon Citra Digital Menggunakan Kirsch dan Robinson Jurnal Teknologi Informasi DINAMIK Vol. 18, No. 2. [4] Madenda, Sarifudin. 201. Pengolahan Citra dan Video Digital. Yogyakarta : Penerbit Erlangga. [] Raharjo, Budi. 2009. Belajar Otodidiak Membuat Database Menggunakan Mysql. Bandung : Informatika.