LABORATORIUM PSIKOLOGI LANJUT

LAPORAN PRAKTIKUM PSIKOLOGI KOGNITIF

FEATURE DETECTION

DISUSUN OLEH :

NAMA : MEISY SEPTYANINGSIH R.DJAMAL

NPM : 14516357
KELAS : 3PA01
TUTOR : Zulfa Ainiyah

FAKULTAS PSIKOLOGI
UNIVERSITAS GUNADARMA
2019
BAB I. TEORI FEATURE DETECTION

Menurut Hendee & Wells (1997), Feature detection adalah suatu

penyeleksian alami yang secara spesifik memilih suatu fitur dari
banyaknya informasi yang dideteksi oleh mata. Lebih lanjut, Friedenberg
& Silverman (2006) menjelaskan bahwa dengan menggunakan model
feature detection, gambar dari stimulus dipecah menjadi beberapa
komponen fitur. Fitur adalah bagian dari suatu objek. Idenya adalah
setiap kombinasi fitur berbeda dan unik pada objek yang berbeda. Huruf
tegak "A" dapat ditentukan oleh fakta bahwa ia memiliki garis horizontal
pendek sebagai salah satu fiturnya dan dua garis diagonal yang lebih
panjang sebagai fitur tambahan. Ini dapat dibedakan dari huruf tegak "B,"
yang memiliki garis vertikal panjang dan dua loop pendek sebagai fitur.
Sedangkan menurut McBride & Cutting (2015), Feature detection
dilakukan untuk mengidentifikasi sinyal yang disebabkan oleh stimulus
yang tepat untuk menghindari kesalahan positif.

Berdasarkan definisi di atas, dapat disimpulkan bahwa Feature

detection adalah suatu penyeleksian atau pemilihan suatu fitur yang
merupakan bagian dari objek dan mempunyai kombinasi yang berbeda
dengan fitur objek lainnya dan untuk menghindari kesalahan positif.

Menurut Selfridge dan norman (dalam Friedenberg & Silverman,

2006), model pendeteksian fitur yang paling terkenal disebut model
pandemonium. Sistem ini mengimajinasikan adanya serangkaian
Demmon (demon) yang berperan menganalisis pola-pola yang diindera.
Masing-masing demon memiliki tugas yang berbeda-beda, yaitu:

a. Image Demon (ID)

Jenis Demmon yang pertama, memiliki tugas yang paling
sederhana, yaitu mencatat gambaran atau citra (image) sinyal
eksternal.
 b. Feature Demon (FD)

Jenis Demmon yang kedua, bertugas menganalisa. Masing-

masing demon melihat ciri-ciri khusus pada pola, yaitu adanya garis-
garis tertentu (misalnya: sudut, garis vertikal, garis horizontal,
kurva).

c. Cognitive Demon (CD)

Jenis Demmon ketiga, yang bertugas mengamati respon-respon
dari feature demon (FD), bertanggung jawab mengenali pola. Setiap
cognitive demon digunakan untuk mengenali satu pola(misalnya :
satu CD mengenali A; satu CD mengenali B; dll). Bila suatu CD
menemukan tampang (feature) yang cocok, maka demon tersebut
berteriak. Bila demon lain menemukan kecocokan tampang (feature)
yang lain, maka teriakan-teriakan menjadi lebih keras.
d. Decision Demon (DD)

Jenis Demmon yang keempat, yaitu bertugas mendengarkan hasil

pandemonium dari cognitive demon (CD), lalu decision demon
(DD) memilih teriakan CD yang berteriak paling keras sebagai pola
yang paling besar kemungkinan terjadinya.

BAB II. TUJUAN

Tujuan dari praktikum ini adalah untuk mendeteksi keberadaan

fitur-fitur dari suatu objek yang ditentukan pada kumpulan objek-objek
lainnya yang telah disediakan

BAB III. POINT OF VIEW

Praktikum ini sangat penting untuk dilakukan karena melatih otak

dan mata kita untuk dapat terbiasa mendeteksi fitur-fitur dari suatu
objek yang telah ditentukan agar terhindar dari kesalahan-kesalahan
dalam memilih fitur yang lain.
BAB IV PELAKSANAAN

A. Langkah-langkah
1. Klik aplikasi Vmware yang tertera pada desktop
2. Klik tombol play yang berwarna hijau dan terletak di sebelah
kanan
3. Klik CP3
4. Klik Experiments → Choose Experiment → Feature Detection
5. Untuk memulai eksperimen Feature Detection pada program
CP3, klik Exsperiment → Start Experiment Setup
6. Untuk memulai percobaan, dapat kita lakukan dengan melakukan
kostum atau dengan cara mengaktifkan ketiga percobaan, yaitu
Part 1, 2, dan 3. Untuk mengaktifkan percobaan lakukan dengan
mengklik tombol ON yang ada dipojok kiri.
7. Sekarang kita hanya fokus di masing-masing part
Part 1:
1) Klik tombol OFF pada part 2 dan 3 sehingga tombol pada
kedua part tersebut berwarna merah
2) Terdapat target, distractor 1 dan distractor 2
3) Ganti target dengan huruf “p”, distractor 1 dengan huruf “q”,
dan distractor 2 dengan huruf “b”
4) Setelah semua langkah dilakukan, klik File → Start → With
Auto Logging
5) Klik File Name, masukan nama, kemudian klik ok
6) Masukan Subjeck identification yang diinginkan kemudian
klik ok.
7) Kemudian akan muncul sebuah instruksi (dalam bahasa
Inggris). Jika diartikan dalam bahasa Indonesia : dalam
pekerjaan ini anda diminta untuk mencari “p”, jika anda
menemukannya klik present jika tidak ditemukan klik absent
8) Setelah itu klik Start.
9) Catat waktu (dalam msec) yang muncul pada setiap
percobaan setelah berhasil menemukan atau tidak “p” yang
dimaksud
10) Setelah semua percobaan dilakukan, klik OFF pada saklar
part 1 sehingga berubah warna mejadi merah, beralih ke part
2

Part 2:
1) Nyalakan saklar part 2 sehingga berubah warna menjadi hijau
2) Untuk percobaan kali ini yang harus diganti adalah
Target : huruf “p” dengan warna merah muda
Distractor 1 : huruf “q” dengan warna cokelat
Distractor 2 : huruf “b” dengan warna orange
3) Setelah semua langkah dilakukan, klik File → Start →
Without Auto Logging
4) Klik File Name, masukan nama, kemudian klik ok
5) Masukan Subjeck identification yang diinginkan kemudian
klik ok.
6) Kemudian akan muncul sebuah instruksi (dalam bahasa
Inggris). Jika diartikan dalam bahasa Indonesia : dalam
pekerjaan ini anda diminta untuk mencari “p” dengan warna
yang telah ditentukan, jika anda menemukannya klik present
jika tidak ditemukan klik absent
7) Setelah itu klik Start.
8) Catat waktu (dalam msec) yang muncul pada setiap
percobaan setelah berhasil menemukan atau tidak “p” dengan
warna yang dimaksud
9) Setelah semua percobaan dilakukan, klik OFF pada saklar
part 2 sehingga berubah warna mejadi merah, beralih ke part
3
 Part 3
1) Nyalakan saklar part 3 sehingga berubah warna menjadi hijau
2) Untuk percobaan kali ini yang harus diganti adalah
Target : huruf “p” dengan warna merah muda, jenis
font: arial, font style: bold italic, dan size: 8
Distractor 1 : huruf “q” dengan warna cokelat, jenis font:
arial, font style: italic, dan size: 8
Distractor 2 : huruf “b” dengan warna orange, jenis font:
arial, font style: bold italic, dan size: 8
3) Setelah semua langkah dilakukan, klik File → Start →
Without Auto Logging
4) Klik File Name, masukan nama, kemudian klik ok
5) Masukan Subjeck identification yang diinginkan kemudian
klik ok.
6) Kemudian akan muncul sebuah instruksi (dalam bahasa
Inggris). Jika diartikan dalam bahasa Indonesia : dalam
pekerjaan ini anda diminta untuk mencari “p” dengan warna
dan tulisan yang telah ditentukan, jika anda menemukannya
klik present jika tidak ditemukan klik absent
7) Setelah itu klik Start.
8) Catat waktu (dalam msec) yang muncul pada setiap
percobaan setelah berhasil menemukan atau tidak “p” dengan
warna dan tulisan yang dimaksud
9) Setelah semua percobaan dilakukan, klik OFF pada saklar
part 3 sehingga berubah warna mejadi merah.

8. Jika semua percobaan telah selesai dikerjakan, berarti

eksperiment telah selesai
9. Setelah klik OK, maka akan muncul tampilan untuk menyimpan
hasil yang sudah dikerjakan, Lalu klik ok
 10. Jika sudah selesai menyelesaikan eksperiment, silahkan klik File
→ EXIT
11. Klik File lagi lalu EXIT
12. Klik close lalu power off

B. HASIL
Pada praktikum hari ini hasil dari percobaan yang telah dilakukan adalah
sebagai berikut:
Part 1 Part 2 Part 3
Correct 9883 msec Correct 2359 msec Correct 3211 msec

Correct 5938 msec Correct 992 msec Correct 4180 msec

Correct 2250 msec Correct 1930 msec Correct 551 msec

Correct 1480 msec Correct 1102 msec Correct 3680 msec

Correct 3398 msec Correct 1211 msec Correct 1043 msec

Correct 5277 msec Correct 1211 msec Correct 930 msec

Correct 551 msec Correct 1160 msec Correct 941 msec

Correct 3680 msec Correct 832 msec Correct 719 msec

BAB V. Jurnal Terkait

Feature Detection and Description in Remote Sensing Images using a
Hybrid Feature Detector
Feature detection memainkan peran penting dalam pendaftaran
gambar. Ada beberapa algoritma Feature detection dalam literatur
seperti BRISK, FAST, SURF dll. Masing-masing algoritma ini memiliki
kelebihan dan kekurangannya sendiri. BRISK adalah rotasi dan skala
invarian, tetapi harus mengambil langkah untuk mendeteksi titik awal.
Di sisi lain, FAST, seperti yang disarankan, tidak perlu mendeteksi titik-
titik utama, tetapi ini bukan skala invarian. Untuk mengatasi kekurangan
algoritme pendeteksian fitur BRISK dan FAST, penelitian ini
mengusulkan algoritma pendeteksian fitur hibrid, yang menghabiskan
lebih sedikit waktu untuk mendeteksi titik-titik kunci fitur dan juga
 variasi rotasi dan skala. penelitian ini telah mengambil lima poin utama
fitur di setiap gambar penginderaan jauh dan juga berurusan dengan
deteksi fitur menggunakan tiga algoritma di atas. Dapat diamati dari hasil
dan tabel bahwa dalam hal pendeteksi fitur hybrid, dibutuhkan waktu
lebih sedikit untuk mendeteksi lima titik fitur.
Gambar dalam percobaan adalah gambar satelit dari area yang
berbeda. Peneitian ini membahas 5 gambar seperti gambar satelit
Calcutta, sungai Krishna, pegunungan Himalaya, Iran dan daerah
Sambalpur. Untuk membedakan setiap algoritma, metode perbandingan
lebih disukai untuk mengevaluasi kinerja dalam rotasi dan invarian skala.
BRISK, FAST, dan pendekatan gabungan dipilih dalam perbandingan
setiap gambar dengan berbagai sudut rotasi dalam invarian rotasi dan
berbagai vektor penskalaan dalam penskalaan invarian. Fitur-fitur dari
algoritme hibrida yang ditampilkan dengan tanda “Plus”. Untuk
mengvisualisasikan titik karakteristik dari BRISK, FAST dan titik-titik
yang dipilih yang dipasangkan dengan cepat adalah perbedaan pada
setiap gambar yang memakan waktu lebih sedikit. Disimpulkan bahwa
untuk mendeteksi lima titik fitur dibutuhkan waktu lebih sedikit,
menggunakan algoritma hybrid.
Penelitian ini membahas algoritma pendeteksian fitur dan deskripsi
fitur menggunakan dua algoritma pendeteksian fitur yang terkenal, yaitu
BRISK dan FAST. Di sini, keterbatasan kedua algoritma ini telah diatasi.
Algoritma hybrid Flowrent telah diterapkan ke berbagai gambar
penginderaan jauh dan dari hasil yang diberikan dapat disimpulkan
bahwa algoritma yang diusulkan berkinerja baik sehubungan dengan
kompleksitas waktu. Konsep-konsep ini disajikan dalam bentuk tabel dan
diagram alur.

BAB VI. Kesimpulan

Dari praktikum ini dapat disimpulkan bahwa semakin banyak fitur
yang ada pada suatu objek yang ditentukan atau semakin terlihat ciri-ciri
yang dapat membedakan objek yang satu dengan yang lainnya maka
objek yang sedang dicari melalui fitur-fitur tersebut akan semakin cepat
dan mudah untuk menemukannya. Hal ini dapat dibuktikan dengan
pernyataan dari Hendee & Wells (1997), Feature detection adalah suatu
penyeleksian alami yang secara spesifik memilih suatu fitur dari
banyaknya informasi yang dideteksi oleh mata. Dimana mereka
menekankan kata secara spesifik yang berarti suatu fitur atau ciri-ciri
yang memang khusus dari objek tersebut dan membedakannya dengan
objek lain. Selain itu, pada pandemonium juga terdapat sebuah denom
yang bertugas untuk menganalisa masing-masing demon yang melihat
ciri-ciri khusus pada pola, yaitu adanya garis-garis tertentu (misalnya:
sudut, garis vertikal, garis horizontal, kurva), yaitu Feature Demon.
 Daftar Pustaka

Friedenberg, J. & Silverman, G. (2006). Cognitive science an introduction to the

study of mind. New Delhi: Sage Publications

Hendee, W.R. & Wells, P.N.T. (1997). The Perception of Visual Information
Second Edition. New York : Springer

Kumawat, A. & Panda, S. (2018). Feature Detection and Description in Remote

Sensing Images using a Hybrid Feature Detector. International Conference
on Computational Intelligence and Data Science, 1-10

McBride, D. M. & Cutting, J. C. (2015). Cognitive Psychology: Theory, Process,

and Methodology. NEW Delhi : Sage Publications