Article Details

PENGEMBANGAN PERANGKAT LUNAK KORELASI CITRA DIGITAL DUA DIMENSI MENGGUNAKAN ALGORITMA SPEEDED UP ROBUST FEATURES (SURF)

Oleh   Wiweka Wiryanto [13118119]
Kontributor / Dosen Pembimbing : Prof. Dr. Ir. Tatacipta Dirgantara, M.T.;Satrio Wicaksono, S.T., M.Eng., Ph.D.;Ferryanto, S.T., M.T.;;;
Jenis Koleksi : S1-Tugas Akhir
Penerbit : FTMD - Teknik Mesin
Fakultas : Fakultas Teknik Mesin dan Dirgantara (FTMD)
Subjek :
Kata Kunci : deformasi, korelasi citra digital, pengukuran deformasi, korelasi, perangkat lunak
Sumber :
Staf Input/Edit : Irwan Sofiyan  
File : 1 file
Tanggal Input : 22 Jun 2022

Pengukuran deformasi dari suatu benda merupakan salah satu hal yang penting dalam dunia teknik mesin dewasa ini. Dengan mengetahui seberapa besar deformasi yang terjadi, seberapa dekat pembebanan dengan kondisi kritisnya dapat diketahui. Sayangnya metode pengukuran deformasi yang ada saat ini masih kurang praktis untuk melihat deformasi benda secara menyeluruh. Permasalahan tersebut dapat diatasi menggunakan metode pengukuran korelasi citra digital atau digital image correlation (DIC). DIC bekerja dengan cara melacak perpindahan titik-titik pada citra sebelum deformasi dan sesudah deformasi terjadi lalu melakukan pengukuran jarak perpindahan masing-masing titik. Dari perpindahan tiap-tiap titik tersebut, perangkat lunak DIC akan dapat menganalisisnya menjadi deformasi serta tegangan yang akibat pembebanan pada benda. Sebelumnya FTMD ITB telah berhasil mengembangkan perangkat lunak DIC untuk pengukuran deformasi kecil menggunakan parameter korelasi template matching seperti normalized cross correlation. Akan tetapi, metode korelasi ini kurang optimal apabila diterapkan pada deformasi-deformasi yang cenderung besar karena cenderung kurang akurat dan memakan daya komputasi yang besar. Oleh sebab itu, dalam tugas sarjana ini, permasalahan tersebut akan dicoba diselesaikan dengan menggunakan suatu algoritma feature matching yang bernama Speeded-Up Robust Features (SURF) yang dilengkapi dengan algoritma statistik Random Sampling Consensus (RANSAC) untuk membuang data outlier. Algoritma baru ini mendapatkan hasil pengujian yang cenderung lebih akurat hingga 97% dan lebih ringan hingga 89% dalam hal beban komputasi dibanding algoritma sebelumnya.