Prediksi Jarak Bola pada Citra Kamera Katadioptrik menggunakan metode Artifical Neural Network

Abstract

ABSTRAKSaat ini, kecerdasan buatan memungkinkan untuk dikembangkan dalam dunia robotika, khususnya untuk pengaturan gerakan robot berdasarkan pengolahan citra. Penelitian ini mengembangkan sebuah mobile robot yang dilengkapi dengan kamera katadioptrik dengan sudut pandang 3600. Citra yang didapatkan, dikonversi dari RGB menjadi HSV. Selanjutnya disesuaikan dengan proses morfologi. Nilai jarak yang terbaca oleh kamera (piksel) dengan jarak sebenarnya (cm) dihitung menggunakan Euclidean Distance. Nilai ini sebagai ekstraksi ciri data jarak yang dilatihkan pada sistem. Sistem yang dibuat pada penelitian ini memiliki iterasi sebanyak 1.000.000, dengan tingkat kelinieran R2=0.9982 dan keakuratan prediksi sebesar 99,03%.Kata kunci: Robot, HSV, Euclidean Distance, Kamera katadioptrik, Artifical Neural NetworkABSTRACTRecently, artificial intelligence is possible to be developed in robotic, specifically for robot movements control based on image processing. This research develops a mobile robot with a 3600 perspective catadioptric camera is equipped. The camera captured images were converting from RGB to HSV. Furthermore, it adapted to the morphological process. The distance value read by the camera (pixels) to the actual distance (cm) is measured using Euclidean Distance. This value is a feature extraction of distance data that has training on the system. The system built in this study has 1,000,000 iterations, with a linearity level of R2 = 0.9982 and prediction accuracy of 99.03%.Keywords: Robot, HSV, Euclidean Distance, Catadioptric Camera, Artifical Neural Network

Klasifikasi Logo Mobil Menggunakan Jaringan Syaraf Tiruan Backpropagation dan Decision Tree

“…𝑛 . (9) Dimana rumus 9 parameter S melambangkan himpunan kasus. Nilai parameter A melambangkan keseluruhan, dan n adalah jumlah partisi keseluruhan dari A. Variabel Si adalah nilai dari masing-masing parameter untuk menentukan hasil keseluruhan.…”

“…Proses pengenalan citra logo tersebut menggunakan 4 jenis logo kendaraan dalam pengenalannya. Hasil dalam setiap pengujiannya menggunakan testing dan training menggunakan JST-Backpropagation [9] [10]. Dari hasil penelitian tersebut akurasi terbaik yang di peroleh 92,5%, sehingga GLCM dan JST -Backpropagation dapat mengenali citra logo kendaraan.…”

Klasifikasi Citra Burung Lovebird Menggunakan Decision Tree dengan Empat Jenis Evaluasi

“…Dalam penelitian ini, proses evaluasi dengan menggunakan 3 tingkat fitur, yaitu fitur tekstur, bentuk dan warna dengan parameter accuracy. Perbandingan tingkat accuracy yang diperoleh menggunakan Artificial Neural Network [13] [14] sebesar 88.88% untuk split ratio 60:40. Dalam hal ini pada saat proses pengujian citra gambar dari burung lovebird dilakukan pengambilan secara keseluruhan pixel dari gambar.…”