<![CDATA[Perkembangan teknologi dan industri elektronika, khususnya papan Arduino, telah mengalami kemajuan pesat, sehingga kebutuhan akan metode identifikasi yang efektif menjadi semakin penting. Permasalahan yang dihadapi adalah kesulitan dalam mengidentifikasi dan mengklasifikasikan berbagai jenis papan Arduino berdasarkan kondisi fisiknya. Tujuan dari penelitian ini adalah untuk membandingkan efektivitas metode analisis tekstur menggunakan Gray Level Co-occurrence Matrix (GLCM) dan metode structural matching menggunakan Scale-Invariant Feature Transform (SIFT) dalam mengidentifikasi produk papan Arduino. Metode yang digunakan meliputi pengumpulan citra digital dari 30 jenis papan Arduino, diikuti dengan penerapan kedua metode analisis untuk mengevaluasi akurasi, kecepatan pemrosesan, dan tingkat kesalahan identifikasi. Hasil penelitian menunjukkan bahwa baik GLCM maupun SIFT berhasil mencapai akurasi identifikasi 100% dan tingkat kesalahan identifikasi 0%, dengan GLCM lebih unggul dalam analisis tekstur dan SIFT lebih cepat dalam pemrosesan. Penelitian ini diharapkan dapat memberikan kontribusi pada pengembangan sistem pengenalan otomatis yang lebih efisien dan akurat untuk aplikasi industri dan teknologi.]]>
Copyrights © 2024
