Implementasi Pencocokan Citra Menggunakan Metode ORB untuk Deteksi Logo Kemasan Produk

Abstrak

Penelitian ini mengevaluasi keandalan algoritma Oriented FAST and Rotated BRIEF (ORB) untuk pencocokan citra dan deteksi logo pada kemasan produk di lingkungan nyata yang dinamis. Dalam industri modern, deteksi objek sangat berkaitan dengan identifikasi pengenalan logo untuk otomatisasi. Pengujian dilakukan melalui serangkaian eksperimen sistematis yang mencakup variasi rotasi, perubahan skala drastis, serta gangguan tekstur latar belakang (background clutter). Pra-pemrosesan dilakukan dengan konversi citra menjadi grayscale, diikuti proses ekstraksi fitur menggunakan ORB, dan pencocokan menggunakan Brute-Force Matcher dengan metrik Hamming Distance. Untuk menyaring kecocokan fitur yang palsu, algoritma ini dioptimasi dengan K-Nearest Neighbor (KNN), Lowe's Ratio Test, dan filter geometri RANSAC. Hasil eksperimen membuktikan bahwa optimasi ORB dengan KNN dan RANSAC mampu menurunkan waktu komputasi secara drastis menjadi 0.2412 detik dan secara presisi menghasilkan 51 kecocokan valid (inliers). Meskipun terbukti sangat efisien untuk aplikasi waktu nyata, metode ORB tetap memiliki keterbatasan fundamental saat menghadapi perubahan skala yang ekstrem. Oleh karena itu, sistem ini direkomendasikan optimal hanya pada lingkungan terkontrol. Pendekatan alternatif menggunakan Deep Learning atau algoritma tahan skala (SIFT/SURF) lebih disarankan untuk implementasi lingkungan dinamis.