DETEKSI WARNA BOTOL KEMASAN DENGAN MENGGUNAKAN METODE HAAR CASCADE DAN HSV FEATURE
DOI:
https://doi.org/10.36815/semastek.v2i1.134Keywords:
Deteksi warna botol, Matlab,, Haar Cascade, HSV, Bank SampahAbstract
Pengenalan warna pada objek dalam aplikasi pengolahan gambar memiliki peran penting dalam industri, termasuk industri daur ulang dimana. Identifikasi warna botol minuman plastik merupakan tahap penting dalam proses pengolahan dan pemilahan. Dalam penelitian ini, peneliti mengusulkan metode untuk mengidentifikasi warna botol plastik menggunakan kombinasi dari metode Haar Cascade dan fitur warna HSV.Metode Haar Cascade digunakan untuk mendeteksi botol minuman plastik dalam gambar. Setelah deteksi botol minuman plastik dilakukan, fitur warna HSV digunakan untuk mengidentifikasi warna dari botol. Pertama gambar botol minuman plastik yang terdeteksi dikonversi ke dalam ruang warna HSV. Lalu, range warna HSV yang sesuai dengan warna botol minuman plastik yang diinginkan ditentukan. Setelah itu, nilai rata-rata dari komponen Hue dari (HSV) dihitung untuk memperoleh representasi warna botol. Kemudian, klasifikasi warna dilakukan dengan membandingkan representasi warna botol dengan range warna yang telah ditentukan. Untuk mengevaluasi kinerja aplikasi, peneliti menggunakan dataset gambar botol plastik yang beragam. Hasil eksperimen menunjukkan bahwa metode yang diusulkan berhasil mencapai tingkat deteksi sebesar 90% untuk identifikasi warna botol. Hal ini menunjukkan bahwa metode Haar Cascade dan HSV feature efektif dalam mengidentifikasi warna botol minuman plastik dengan tingkat akurasi yang memadai. Penelitian ini berpotensi untuk diimplementasikan dalam sistem otomatis seperti pemilahan botol plastik pada bank sampah.
References
T. A. M. Irfan Nugraha Pratama, Tatang Rohana, “Pengenalan Sampah Plastik Dengan Model Convolutional Neural Network,” Conf. Innov. Appl. Sci. Technol. (CIASTECH 2020), no. Ciastech, pp. 691–698, 2020.
R. Valentina, S. Rostianingsih, A. N. Tjondrowiguno, and J. S. Surabaya, “Pengenalan Gambar Botol Plastik dan Kaleng Minuman Menggunakan Metode Convolutional Neural Network,” J. Infra, vol. 8, no. 1, pp. 249–254, 2020.
R. H. Hutabarat, S. R. Sulistiyanti, E. Nasrullah, and A. M. Avr, “111-Article Text-144-1-10-20140704”.
M. F. Sitorus, R. Fatharani, N. Fadhillah, T. Informatika, F. Teknik, and U. Samudra, “Sistem Deteksi Multi Wajah Menggunakan Metode Haar Cascade Classifier,” vol. 01, no. 01, pp. 1–5, 2020.
Y. Asri, W. N. Suliyanti, D. Kuswardani, and M. Fajri, “Pelabelan Otomatis Lexicon Vader dan Klasifikasi Naive Bayes dalam menganalisis sentimen data ulasan PLN Mobile,” Petir, vol. 15, no. 2, pp. 264–275, 2022, doi: 10.33322/petir.v15i2.1733.
N. Heryana, Rini Mayasari, and Kiki Ahmad Baihaqi, “Penerapan Haar Cascade Classification Model Untuk Deteksi Wajah, Hidung, Mulut, dan Mata Menggunakan Algoritma Viola-Jones,” Techno Xplore J. Ilmu Komput. dan Teknol. Inf., vol. 5, no. 1, pp. 21–25, 2020, doi: 10.36805/technoxplore.v5i1.1064.
M. R. Pratama, Rizal, and S. Sumaryo, “Desain Sistem Deteksi Objek Real Time Dengan Metode Haar Cascade Classifier,” e-Proceeding Eng., vol. 7, no. 1, pp. 26–34, 2020.
K. Ayuningsh, Y. A. Sara, and P. P. Adakara, “Klasifikasi Citra Makanan Meggunakan HSV Color Moment dan LBP dengan Naïve Bayes Classifier,” J. Pengemb. Teknol. Informasii dan Ilmu Komputier Univ. Brawijaya, vol. 3, no. 4, pp. 3166–3173, 2019.
M. Latif and R. Herdiansyah, “Peramalan Persediaan Barang Menggunakan Metode Weighted Moving Average dan Metode Double Exponential Smoothing,” J. Inf. Syst. Res., vol. 3, no. 2, pp. 137–142, 2022, doi: 10.47065/josh.v3i2.1232.
W. Handoko, “Prediksi Jumlah Penerimaan Mahasiswa Baru Dengan Metode Single Exponential Smoothing (Studi Kasus: Amik Royal Kisaran),” JURTEKSI (Jurnal Teknol. dan Sist. Informasi), vol. 5, no. 2, pp. 125–132, 2019, doi: 10.33330/jurteksi.v5i2.356.
A. S. J. Pratama1*, A. Khamid2, and Y. D. Rosita3, “PENCARIAN RUTE OPTIMAL WISATA MOJOKERTO DALAM KASUS TRAVELING SALESMAN PROBLEM MENGGUNAKAN ALGORITMA GENETIK,” vol. 5, no. 2, pp. 283–288, 2023.
