Implementasi Algoritma Sift (Scale Invariant Feature Transform) Untuk Melakukan Klasifikasi Bahan Bakar Kendaraan Roda Empat Pada SPNU

Algoritma SIFT (Scale Invariant Feature Transform) merupakan salah satu algoritma yang berperan dalam pengenalan objek yang tahan dan efektif terhadap perubahan rotasi dan penskalaan. Penambahan metode scan and matching yang akan diuji seberapa efektif (error algoritma dan error sistem) kedua algoritma ini dapat mendeteksi dan melakukan objek berupa kendaraan roda empat sehingga secara tidak langsung dapat mengklasifikasikan bahan bakar pada SPBU.

Algoritma SIFT mempunyai tahapan dimana yansilnya berupa fitur yang kemudian dilakukan proses pencocokan data (scan and matching) untuk kemudian dilakukan klasifikasi. Proses algoritma SIFT meliputi scale space extrema detection, keypoint localization, orientation assignment dan keypoint descriptor, proses tersebut menghasilkan fitur berupa gambar dan nilai yang kemudian diolah menggunakan metode scan and matching menggunakan k-NN (k Nearest Neighbor) yang hasilnya dilihat dari jarak terdekat antara nilai objek dan nilai dabatase. Walaupun algoritma SIFT peka terhadap perubahan objek, namun untuk kasus ini, ukuran minimal pixels yang dapat dideteksi adalah 45 x 30 p, sedangkan untuk proses pengelompokan dengan k-Nearest Neighbor diperoleh hasil jika terdapat perubahan posisi dan perubahan skala pada objek yang sama, masih bisa melakukan pencocokan yang belum efektif dengan tingkat kesalahan 1.00, berdasarkan proses secara manual, sedangkan untuk proses secara sistem, masih dikatakan belum efektif karena terlalu banyaknya loss error (1.50-5.00)pada penelitian ini.

SIFT algorithm is algorithm one of many algorithm with play in object recognition and effective to change scaling and rotation. The addition of scan and matching method for test how effective (algorithm and system error) for second algorithm can recognize object and perform a four-wheeled vehicle that can indirectly classify fuel at the pump. SIFT algorithm has a stage where the result is a feature that can carried out data matching process (scan and matching) and then carried for classification. SIFT algorithm process are includes scale space extrema detection, keypoint localization, orientation assignment and keypoint descriptor, the process of generate an image feature and values that are then processed using the scan and matching method using kNN (nearest neighbor) algorithm that the result seen from the closest distance between object value and database value. Although SIFT algorithm is sensitive to change the object, but for in this case, the minimum size of pixels that can be recognized is 45 x30 p, while for the process of grouping with k-nearest neighbor obtained result if there is a change of position and change of scale with the same object, can�t be effective matching with an error rate 1.00, which is based on manually process, its still said not to be effective because too many loss error (1.50 � 5.00) in this research.