Integration Methode of Circle Hough Transform, 2DPCA and Artificial Neural Network for Recognition Model of Wheel Vehicle
INT
TEGRASII METOD
DE CIRCL
LE HOUG
GH TRAN
NSFORM,,
2DPCA
A DAN JA
ARINGAN
N SYARA
AF TIRUA
AN UNTU
UK MOD
DEL
PEN
NGENAL
LAN ROD
DA KEND
DARAAN
N
SRII DIANIN
NG ASRI
SEKOL
LAH PASC
CARJAN
NA
IN
NSTITUT
T PERTA
ANIAN BO
OGOR
BOGO
OR
2012
2
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI
Dengan ini saya menyatakan bahwa Integrasi Metode Circle Hough Transform,
2DPCA dan Jaringan Syaraf Tiruan untuk Model Pengenalan Roda Kendaraan
adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan
dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang
berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari
penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di
bagian akhir tesis ini.
Bogor, September 2012
Sri Dianing Asri
NIM G651100021
© Hak Cipta Milik IPB, tahun 2012
Hak Cipta dilindungi Undang-undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah dan pengutipan tersebut tidak merugikan kepentingan
yang wajar IPB.
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis
dalam bentuk apapun tanpa izin IPB.
INTEGRASI METODE CIRCLE HOUGH TRANSFORM,
2DPCA DAN JARINGAN SYARAF TIRUAN UNTUK MODEL
PENGENALAN RODA KENDARAAN
SRI DIANING ASRI
Tesis
Sebagai Salah Satu Syarat Untuk Memperoleh Gelar
Magister Komputer pada
Program Studi Ilmu Komputer
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2012
Penguji Luar Komisi pada Ujian Tesis: Boyke Nurhidayat, S.T, M.Kom
Judul Tesis
Nama Mahasiswa
Nomor pokok
: Integrasi Metode Circle Hough Transform, 2DPCA dan
Jaringan Syaraf Tiruan untuk Model Pengenalan Roda
Kendaraan
: Sri Dianing Asri
: G651100021
Disetujui,
Komisi Pembimbing
Dr. Ir. Agus Buono, M.Si, M.Kom
Ketua
Faozan, S.Si, M.Si
Anggota
Diketahui,
Ketua Program Studi
Ilmu Komputer
Dekan Sekolah Pascasarjana
Dr.Yani Nurhadryani S.Si, M.T
Dr. Ir. Dahrul Syah, M.Sc.Agr
Tanggal Ujian: 4 Agustus 2012
Tanggal Lulus:
ABSTRACT
SRI DIANING ASRI. Integration Methode of Circle Hough Transform, 2DPCA and Artificial
Neural Network for Recognition Model of Wheel Vehicle. Superviced by AGUS BUONO, and
FAOZAN.
Detection and recognition vehicles are important things in the transportation systems such as
analysis traffic control and fees policy. In order to recognize the vehicle, it needs some features
to recognize them such as shape, police number and wheel. This research using side view of
vehicle image to recognize the vehicle from its wheels. The purpose of research is to build
recognition model of wheel using Circle Hough Transform (CHT), 2DPCA and Artificial Neural
Network. The CHT used to detect the circle of wheel in the image, 2DPCA for feature
exctraction and Artificial Neural Network to recognize the wheels. The result of the research is
the accuracy level of success and the error for wheel recognition. The error consist of two parts
including the miss and the false alarm rate. In this research, the highest accuracy of success is
94,4% with 100 neuron in the hidden layer. Its also being tested data with noise and fake circle.
Keywords: wheel, detection, recognition, Circle Hough Transform, 2DPCA, Artificial Neural
Network
RINGKASAN
SRI DIANING ASRI. Integrasi metode Circle Hough Transform, 2DPCA dan Jaringan Syaraf
Tiruan untuk Model Pengenalan Roda Kendaraan. Dibimbing oleh AGUS BUONO, dan
FAOZAN.
Deteksi dan pengenalan kendaraan merupakan hal penting dalam sistem transportasi
seperti analisa arus lalu lintas dan kebijakan pentarifan. Ciri pengenal yang dapat diambil untuk
proses pengenalan kendaraan dari suatu citra digital berupa komponen kendaraan seperti, plat
nomor, bentuk kendaraan, ataupun roda.
Roda merupakan komponen yang selalu ada pada setiap kendaraan, baik kendaraan itu
berupa bus, mobil ataupun truk pasti memiliki roda dengan bentuk yang sama. Jika suatu roda
dapat dideteksi dan dikenali maka klasifikasi kendaraan dapat ditentukan.
Penelitian ini menggunakan citra roda kendaraan yang diambil dari samping. Citra diambil
dari perangkat kamera digital pada kondisi cerah pada waktu pagi dan siang hari. Deteksi citra
roda kendaraan menggunakan Circle Hough Transformation (CHT) sebagai pengenal pola
lingkaran. setelah pola lingkaran ditemukan dan dikelompokkan menjadi dua bagian yaitu roda
dan non roda, kemudian direduksi dengan metode 2DPCA. Untuk pengenalan roda kendaraan
dilakukan dengan menggunakan Jaringan Syaraf Tiruan Propagasi Balik.
Citra kendaraan yang digunakan dalam penelitian ini berjumlah 225 citra dibagi menjadi
dua yaitu untuk pelatihan (Data Latih) sebesar 80% atau 180 citra dan sisanya untuk pengujian
sebanyak 45 citra (Data Uji). Citra kendaraan melalui pemrosesan awal terlebih dahulu untuk
menyiapkan citra meliputi pengubahan citra asli dalam RGB ke citra keabuan, setelah itu
dipotong (cropping) secara horisontal pada bagian atas dan bagian bawah untuk mengurangi
waktu pemrosesan dan membuang bagian citra lain yang tidak dibutuhkan. Pengurangan noise
yang muncul pada citra, dilakukan dengan proses smoothing menggunakan filter average ukuran
5x5.
Arsitektur Jaringan Syaraf Tiruan (JST) Propagasi Balik menggunakan sebuah lapisan
masukan, sebuah hidden layer dan sebuah lapisan keluaran. Masukan berasal dari citra yang
telah melalui proses reduksi 2DPCA sedangkan keluaran memiliki satu target yaitu roda.
Pelatihan JST Propagasi Balik menggunakan Data Latih dengan memvariasikan neuron pada
hidden layer. Pengujian JST Propagasi Balik dilakukan dengan menggunakan Data Uji pada
neuron hidden layer terbaik yang diperoleh pada tahapan pelatihan. Penelitian ini juga
melakukan pengujian Data Uji yang diberi variasi Gaussian Noise dan Data Uji yang diberi
lingkaran palsu dibagian tengah roda.
Hasil pengujian meliputi prosentase keberhasilan deteksi lingkaran dengan CHT,
prosentase keberhasilan pengenalan JST, prosentase miss (roda tidak dikenali JST) dan
prosentase false alarm rate (objek bukan roda dikenali sebagai roda oleh JST).
Kata Kunci : roda, deteksi, pengenalan, Circle Hough Transform, 2DPCA, JST
Propagasi Balik.
PRAKATA
Bismillahirrohmaanirrohiim,
Alhamdulillahirobbil’alamin Segala Puji bagi Alloh SWT yang telah memberikan
rahmat dan hidayah serta kemudahan sehingga Penulis dapat menyelesaikan tesis
ini dengan baik. Sholawat dan salam semoga tercurahkan kepada junjungan Nabi
Besar Muhammad SAW beserta keluarga beliau, sahabat beliau dan para pengikut
beliau sampai akhir jaman.
Penulis berterima kasih yang sebesar-besarnya kepada Dr. Ir Agus Buono, M.Si,
M.Kom dan Faozan, S.Si, M.Si selaku Dosen Pembimbing yang telah
mengarahkan dan membimbing Penulis dalam menyelesaikan tesis ini. Ungkapan
terima kasih juga Penulis haturkan kepada para Dosen dan seluruh pegawai di
lingkungan Departemen Ilmu Komputer IPB.
Salam sayang tiada tara Penulis haturkan kepada Bapak, Mami, Mas Wawan,
Mbak Andri, Bunbun, Wiwi, dan Chaca tercinta atas bantuan dan dukungan serta
doanya.
Terakhir, special thank’s to : P Kodar, P Dedi, Teh Ana, Teh Kania, Ami, Prita,
Mbak Yudith, Mila, Gibtha, Mbak Vera, Sari, Husna, Yustin, Safar, P Komar, P
Ilyas, Asep, Mr. Ghani, Fikri, P Andy, P Irwan and Imam atas waktu, bantuan dan
motivasinya, bersama kalian Penulis banyak belajar arti persahabatan. Semoga
Alloh menjaga tali persaudaraan ini selamanya.
Penulis menyadari masih banyak kekurangan dalam tesis ini, oleh karena itu kritik
dan saran yang membangun sangat Penulis harapkan untuk memperbaiki tesis ini.
Atas perhatian Penulis ucapkan terima kasih.
Bogor, September 2012
Sri Dianing Asri
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta tanggal 15 Agustus 1974 dari pasangan
Winulyo dan Siti Dalilah sebagai anak kedua dari empat bersaudara.
Penulis mengikuti pendidikan sekolah dasar di SDN 13 Pagi Jakarta Timur
dan melanjutkan ke SDN 08 Dili Timor-Timur lulus tahun 1987. Pendidikan
sekolah menengah pertama di SMPN 1 Dili Timor-Timur lulus tahun 1990 dan
meneruskan ke SMAN 1 Dili lulus Tahun 1993. Gelar sarjana S1 Penulis peroleh
dari Universitas Gadjah Mada jurusan Teknik Elektro tahun 1999. Saat ini Penulis
adalah dosen pada STMIK Indonesia di Jakarta.
DAFTAR ISI
Halaman
DAFTAR TABEL ................................................................................................. xii
DAFTAR GAMBAR............................................................................................ xiii
DAFTAR LAMPIRAN ........................................................................................ xiv
PENDAHULUAN ................................................................................................... 1
Latar Belakang ............................................................................................... 1
Tujuan Penelitian ........................................................................................... 2
Ruang Lingkup Penelitian .............................................................................. 2
Manfaat Penelitian ......................................................................................... 2
TINJAUAN PUSTAKA .......................................................................................... 3
Citra Digital.................................................................................................... 3
Citra RGB dan Derajat Keabuan (Gray Scale) .............................................. 4
Smoothing....................................................................................................... 5
First Derivative Operator (Operator Derivatif Pertama) ............................... 6
Thresholding .................................................................................................. 6
Hough Transform ........................................................................................... 6
Circle Hough Transform (CHT) .................................................................... 7
Algoritma Titik Tengah .................................................................................. 8
Two Dimension Principal Component Analysis (2DPCA) ............................ 9
Jaringan Syaraf Tiruan ................................................................................. 11
Jaringan Syaraf Tiruan Propagasi Balik....................................................... 12
Fungsi Aktivasi ............................................................................................ 13
Algoritma Pelatihan ..................................................................................... 13
Kejadian Biner (Binary Events) ................................................................... 16
METODE PENELITIAN ...................................................................................... 18
Kerangka Penelitian ..................................................................................... 18
Pengumpulan Data Citra .............................................................................. 19
Pemrosesan Awal ......................................................................................... 19
Tahapan Pelatihan ........................................................................................ 19
Tahapan Pengujian ....................................................................................... 22
Evaluasi Hasil .............................................................................................. 23
HASIL DAN PEMBAHASAN ............................................................................. 24
Pemrosesan Awal ......................................................................................... 24
Deteksi Lingkaran dengan CHT .................................................................. 25
Normalisasi...................................................................................................28
Reduksi 2DPCA...........................................................................................29
Pengenalan dengan JST Propagasi Balik......................................................29
SIMPULAN DAN SARAN..................................................................................36
DAFTAR PUSTAKA............................................................................................37
LAMPIRAN..........................................................................................................39
DAFTAR TABEL
Halaman
1 Empat kemungkinan keluaran pada kejadian biner .................................. 16
2 Parameter-Parameter CHT ........................................................................ 20
3 Parameter-Parameter Jaringan Syaraf Tiruan Propagasi Balik ................ 21
4 Nilai optimum untuk parameter-parameter CHT ..................................... 28
DAFTAR GAMBAR
Halaman
1 Transformasi nilai piksel RGB ke citra keabuan ................................................. 4
2 Filter mask 3
3 Matriks 3
5 ................................................................................................ 5
5 dengan filter mask yang sesuai .................................................... 5
4 Lingkaran dan titik-titik tepi lingkaran ............................................................... 7
5 Pencarian titik tengah lingkaran .......................................................................... 8
6 Identifikasi objek................................................................................................. 9
7 Model matematis nonlinier dari neuron dengan bias ........................................ 11
8 Arsitektur Jaringan Syaraf Tiruan Propagasi Balik .......................................... 12
9 Fungsi aktivasi sigmoid biner dengan range (0,1) ............................................ 13
10 Sistem pengenalan roda kendaraan .................................................................. 18
11 Filter average ukuran 5x5............................................................................... 19
12 Arsitektur JST Propagasi Balik untuk pengenalan roda kendaraan ................. 21
13 Citra asli dimensi 640x480 piksel .................................................................... 24
14 Citra setelah pemrosesan awal ......................................................................... 24
15 Nilai optimum parameter Radius Filter LM. ................................................... 25
16 Nilai optimum parameter Gradient Threshold................................................. 26
16 Deteksi lingkaran dengan nilai parameter multirad berbeda. ......................... 26
18 Nilai optimum parameter Multirad dan nilai minimal Radrange .................... 27
19 Nilai maksimal untuk parameter Radrange ..................................................... 27
20 Hasil deteksi lingkaran CHT ............................................................................ 28
21 Citra roda dan bukan roda sebelum normalisasi .............................................. 29
22 Citra roda dan bukan roda setelah normalisasi ................................................ 29
23 Lingkaran berwarna merah tanda roda dikenali oleh JST ................................ 30
24 Lingkaran roda yang tidak dikenali JST. ......................................................... 30
25 Objek bukan roda dikenali sebagai roda .......................................................... 31
26 Hasil pengujian JST dengan Data Uji .............................................................. 31
27 Pengujian kendaraan tiga gandar ..................................................................... 32
28 Citra dengan berbagai varians Gaussian Noise ............................................... 32
29 Hasil pengujian Data Noise pada neuron hidden layer = 100.......................... 33
30 Citra dengan Varians Gaussian Noise = 0,5.................................................... 33
31 Hasil Pengenalan Data Uji dengan lingkaran palsu. ........................................ 34
32 Hasil pengujian Data Lingkaran Palsu ............................................................. 34
DAFTAR LAMPIRAN
Halaman
1 Hasil Deteksi Lingkaran CHT untuk Data Latih ................................................ 39
2 Akumulasi Prosentase Informasi 2DPCA .......................................................... 41
3 Pelatihan dan Pengujian JST untuk Data Latih ................................................. 42
4 Pengujian JST untuk Data Uji ........................................................................... 43
5 Hasil Pengujian Data Uji dengan Gaussian Noise ............................................ 44
1
PENDAHULUAN
Latar Belakang
Deteksi dan pengenalan kendaraan merupakan hal yang penting dalam
sistem transportasi seperti analisa arus lalu lintas dan kebijakan pentarifan.
Pengenalan kendaraan dapat dilakukan dengan memanfaatkan pengolahan citra
digital. Citra berasal dari seperangkat kamera digital ataupun kamera video. Ciri
pengenal yang dapat diambil untuk proses pengenalan kendaraan dari suatu citra
digital berupa komponen kendaraan seperti, plat nomor, bentuk kendaraan,
ataupun roda.
Roda merupakan komponen yang selalu ada pada setiap kendaraan, baik
kendaraan itu berupa bus, mobil ataupun truk pasti memiliki roda dengan bentuk
yang sama. Jika suatu roda dapat dideteksi dan dikenali maka pengenalan dan
klasifikasi kendaraan dapat ditentukan. Citra roda dapat diambil dari depan,
belakang ataupun samping (side view).
Pengolahan citra digital untuk pengenalan klasifikasi kendaraan yang sudah
ada, mendasarkan pada citra plat nomor kendaraan. Teknik ini sangat baik, akan
tetapi masih memiliki kekurangannya seperti standarisasi penomoran, plat kotor,
rusak, palsu, atau dilapisi plastik tertentu sehingga menyulitkan pembacaan.
Untuk itu penelitian mengenai pengenalan kendaraan melalui komponen
kendaraan lainnya seperti roda kendaraan banyak dilakukan.
Pemrosesan citra roda yang diambil dari samping telah dilakukan oleh Ofer
Achler & Mohan M. Trivedi, tahun 2003 mendeteksi roda kendaraan yang
diambil dari kamera rectilinier dengan menggunakan metode Gaussian
Filterbank, PCA dan Gaussian Mixture dengan tingkat keberhasilan 70%,
kemudian melanjutkan penelitiannya pada tahun 2004 mendeteksi roda dari
kendaraan bergerak yang diambil dari kamera omnidireksional dengan
menggunakan metode 2D Filterbanks dan Gaussian Mixture dengan tingkat
keberhasilan pengenalan sebesar 78%. Penelitian terkait berikutnya dilakukan
oleh Yu Fai Fung et al, 2006 mendeteksi jenis kendaraan dijalan tol melalui roda
menggunakan kamera video dengan jarak pengambilan gambar 0,5 meter. Metode
2
yang digunakan adalah Hough Transform, deteksi Canny, Sobel Filtering dan
Haar Wavelet, hasil yang dicapai berupa waktu deteksi roda kendaraan.
Penelitian ini menggunakan citra roda kendaraan yang diambil dari
samping. Citra diambil dari perangkat kamera digital pada kondisi cerah pada
waktu pagi dan siang hari. Citra roda kendaraan dideteksi menggunakan Circle
Hough Transformation (CHT). Transformasi ini mampu mengenali objeknya
berdasarkan batas-batasnya dan tahan terhadap noise, setelah pola lingkaran
ditemukan dan dikelompokkan menjadi dua bagian yaitu roda dan non roda,
kemudian direduksi dengan metode 2DPCA. Untuk pengenalan roda kendaraan
dilakukan dengan menggunakan Jaringan Syaraf Tiruan Propagasi Balik.
Tujuan Penelitian
Penelitian ini bertujuan untuk membangun sebuah model pengenalan roda
kendaraan menggunakan tiga metode yaitu, Circle Hough Transform, 2DPCA
dan Jaringan Syaraf Tiruan.
Ruang Lingkup Permasalahan
Ruang lingkup permasalahan dalam penelitian ini adalah mendeteksi dan
mengenali roda kendaraan menggunakan Cycle Hough Transform (CHT) sebagai
deteksi lingkaran roda, 2DPCA sebagai ekstrasi ciri dan Jaringan Syaraf Tiruan
Propagasi Balik sebagai pengenal pola. Citra kendaraan berasal dari kendaraan
yang diambil dari samping (side view) menggunakan kamera digital dengan
dimensi
cerah.
8 yang diambil pada waktu pagi dan siang hari pada kondisi
Manfaat Penelitian
Manfaat penelitian ini adalah memberikan hasil pengenalan roda kendaraan
yang dapat dikembangkan untuk sistem pengenalan kendaraan berdasarkan jarak
antar gandar (as roda) kendaraan.
3
TINJAUAN PUSTAKA
Dalam bab ini akan dibahas teori-teori yang mendasari penelitian ini.
Dimulai dari teori dan konsep citra digital, deteksi pola lingkaran dengan Circle
Hough Transform (CHT), ekstrasi ciri pola lingkaran menggunakan Two
Dimension Principle Component Analysis (2DPCA) serta proses pengenalan roda
kendaraan dengan Jaringan Syaraf Tiruan Propagasi Balik.
Citra Digital
Citra digital merupakan sebuah larik (array) berisi nilai-nilai riil maupun
kompleks yang dapat direpresentasikan dengan deretan bit tertentu, yang
didefinisikan sebagai fungsi dua dimensi f(x,y) berukuran matriks M kali N,
dimana M adalah baris dan N adalah kolom serta x dan y adalah pasangan
koordinat spasial (Gonzales, et al 2004).
Nilai f pada titik koordinat (x,y) disebut sebagai skala keabuan (gray level)
atau intensitas dari citra digital pada koordinat koordinat tersebut. Apabila nilai x,
y dan f secara keseluruhan berhingga dan bernilai diskrit maka citra tersebut
merupakan citra digital.
Citra digital direpresentasikan dalam bentuk matriks persegi yang
mewakili ukuran dari citra tersebut. Misalkan terdapat sebuah citra digital dengan
ukuran MxN, maka citra dapat direpresentasikan dalam sebuah matriks berukuran
MxN sebagai berikut:
,
,
,
,
,
,
,
..........................................(1)
Persamaan matriks diatas memperlihatkan irisan antara baris dan kolom
(pada posisi x dan y) dikenal dengan nama picture elemen (pixel). Pixel memiliki
intesitas yang dapat dinyatakan dengan bilangan dengan rentang tertentu, dari
nilai minimum sampai maksimum. Jangkauan yang digunakan berbeda-beda
tergantung dari jenis warnanya. Namun secara umum jangkauannya adalah 0 –
255.
4
Citra RGB dan Derajat Keabuan (Gray Scale)
Citra RGB dan derajat keabuan merupakan format warna pada citra
digital. Citra warna RGB memiliki kombinasi warna Red(R), Blue(B), dan
Green(G) disetiap pikselnya. Setiap komponen RGB memiliki intensitas dengan
nilai minimal 0 dan maksimal 255 (8 bit). Setiap piksel pada citra RGB
membutuhkan 3 Byte untuk media penyimpanan, sehingga kemungkinan jumlah
kombinasi citra RGB adalah lebih dari 16 juta warna.
Citra keabuan merupakan citra digital yang hanya memiliki sebuah kanal
pada setiap pixel, dengan kata lain bagian warna Red(R) sama dengan bagian
Green(G) sama dengan bagian Blue(B) (Gonzales et al, 2004). Derajat keabuan
merupakan warna abu dengan berbagai tingkatan dari warna hitam (minimum) ke
putih (maksimum). Jumlah maksimum warna terdiri atas 4 bit dan 8 bit. Citra
dengan derajat keabuan 4 bit memiliki 16 kemungkinan warna, yaitu 0 sampai 15.
Setiap pixel citra dengan nilai intensitas keabuan 8 bit sehingga terdapat 256
kombinasi nilai dimulai dari 0 sampai dengan 255. Persamaan berikut
memperlihatkan konversi citra RGB ke dalam citra keabuan (Qur’ania 2012) :
,
,
,
Persamaan (2) akan memetakan fungsi
RGB menjadi fungsi keluaran
,
,
,
.......................................(2)
yang merupakan nilai piksel citra
sebagai citra keabuan. Gambar 1
memperlihatkan perubahan nilai piksel RGB ke derajat keabuan.
,
R= 50
G= 60
B= 40
R= 55
R= 55
G= 70
B= 55
R= 55
R= 35
G= 50
B= 50
R= 45
G= 70
G= 65
G= 60
G= 30
B= 55
B= 45
B= 60
B= 45
R= 50
R= 50
R= 70
R= 70
G= 50
G= 60
G= 70
G= 45
B= 50
B= 40
B= 70
B= 50
Citra RGB
R= 70
G= 80
B= 60
R= 60
50
60
45
70
60
55
55
45
50
50
70
55
Citra keabuan
Gambar 1 Transformasi nilai piksel RGB ke citra keabuan.
5
Smoothing
Smoothing citra masukan dilakukan dengan maksud untuk mengurangi
respons sistem terhadap noise atau menyiapkan citra untuk proses segmentasi.
Banyak jenis algoritma smoothing dengan menggunakan linear filter ataupun nonlinear filter. Smoothing dengan menggunakan linear filter mengacu pada Low
Pass Filter (LPF).
Penapis rata-rata (average filter) merupakan salahsatu LPF yang
digunakan untuk mengurangi detil yang ‘irrelevant’ dalam suatu citra. Secara
umum average filter dapat diberi bobot tertentu dengan maksud untuk
mengurangi noise dalam proses smoothing. untuk menapis citra berukuran
dengan filter mask (selubung penapis) terbobot ukuran
diberikan dalam
persamaan berikut: (Gonzales, et al 2002)
,
dengan
, , ,….,
mask 3
∑
dan
dan
5 dan matriks 3
tersebut (Gambar 3).
∑
∑
∑
,
,
.....................................(3)
. persamaan diatas digunakan untuk
, , ,….,
. Gambar 2 memperlihatkan filter
5 dengan nilai piksel yang sesuai dengan filter mask
W(-1,-2)
W(-1,-1)
W(-1,0)
W(-1,1)
W(-1,2)
W(0,-2)
W(0,-1)
W(0,0)
W(0,1)
W(0,2)
W(1,-2)
W(1,-1)
W(1,0)
W(1,1)
W(1,2)
Gambar 2 Filter mask 3
5.
f(x-1,y-2)
f(x-1,y-1)
f(x-1,y)
f(x-1,y+1)
f(x-1,y+2)
f(x,y-2)
f(x,y-1)
f(x,y)
f(x,y+1)
f(x,y+2)
f(x+1,y-2)
f(x+1,y-1)
f(x+1,y)
Gambar 3 Matriks 3
f(x+1,y+1) f(x+1,y+2)
5 dengan filter mask yang sesuai.
,
6
First Derivative Operator (Operator Derivatif Pertama)
Dalam deteksi tepi, proses smoothing saja terkadang tidak cukup, untuk itu
diperlukan kombinasi antara teknik smoothing dengan algoritma derivatif, hal ini
dilakukan untuk meningkatkan akurasi serta mengurangi respons ganda terhadap
suatu tepi.
Derivatif pertama dalam pemrosesan citra menerapkan magnitudo gradien.
Untuk fungsi
,
gradien dari f pada koordinat (x,y) didefinisikan sebagai
vektor kolom dua dimensi sebagai berikut:
...........................................................(4)
Sedangkan untuk magnitudo dari vektor tersebut diberikan dalam
persamaan berikut:
/
⁄
..............................................(5)
Thresholding
Walaupun citra awal telah mengalami smoothing dan filtering pada tahap
awal, masih saja memungkinkan bagi keluaran tahapan sebelumnya mengalami
kesalahan disebabkan oleh noise. Untuk mengatasi hal tersebut, maka dilakukan
thresholding. Melalui penetapan nilai threshold (nilai ambang), maka nilai yang
berada dibawah nilai ambang akan diabaikan.
Hough Transform
Hough Transform (HT) merupakan suatu teknik ekstrasi fitur yang
dipergunakan untuk menentukan lokasi suatu bentuk dalam citra. HT
diperkenalkan oleh Paul Hough pada 1962. Rosenfeld (1969) menggunakannya
sebagai salah satu algoritma pemrosesan citra, kemudian tahun 1972 Duda, et al
menerapkan HT untuk mendeteksi garis dalam citra.
HT telah dikembangkan untuk mendeteksi bentuk-bentuk umum dalam
citra seperti lingkaran (circle), elips, dan parabola. Konsep dasar HT adalah
7
terdapat garis dan kurva potensial yang tak terhitung jumlahnya pada suatu citra
yang melalui titik mana saja pada berbagai ukuran dan orientasi. Tujuan
transformasi adalah untuk menemukan garis dan kurva yang melewati banyak
titik-titik (features) dalam citra, yaitu garis dan kurva terdekat yang paling sesuai
dengan data dalam citra. Kelebihan HT adalah tahan terhadap gangguan (noise
robust) dan kemampuannya untuk mengekstrasi garis maupun kurva bahkan
dalam suatu area dengan ketidakhadiran piksel (pixel gaps) (Argialas &
Mavrantza 2004).
Circle Hough Transform (CHT)
HT dapat didefinisikan menggunakan persamaan lingkaran. Persamaan
lingkaran tersebut dapat dilihat pada persamaan 6. Persamaan ini mendefinisikan
lingkaran sebagai semua titik
,
,
yang berada pada radius r terhadap titik pusat
. Persamaan lingkaran yang umum adalah:
.......................................(6)
Pada metode hough circle, setiap titik tepi mendefinisikan lingkaran dalam
ruang akumulator (accumulator space) dengan tiga buah parameter lingkaran
yaitu,
berikut:
,
, dan r. Setiap titik tepi
,
dapat dihitung menggunakan persamaan
cos ...........................................................(7)
sin
.....................................................(8)
Lingkaran ini diperoleh dari nilai kemungkinan radius dan lingkaran
dipusatkan pada koordinat dari setiap titik tepi seperti diperlihatkan pada Gambar
4 berikut:
Gambar 4 Lingkaran dan titik-titik tepi lingkaran.
8
Algoritma Titik Tengah
Tahapan-tahapan pencarian titik tengah dalam pencarian lingkaran dengan
CHT adalah sebagai berikut :
1. Pencarian lingkaran dimulai dengan suatu titik pada gambar yang bukan
background.
2. Diasumsikan titik tersebut terdapat pada tepi dari suatu lingkaran
3. Kemudian dilakukan proses pencarian titik tengah dari lingkaran tersebut,
yaitu dengan langkah-langkah (Gambar 5) sebagai berikut:
Gambar 5 Pencarian titik tengah lingkaran.
a. Telusuri gambar kebawah sampai menemukan tepi lingkaran sambil
menghitung jarak ketepi lingkaran tersebut. Jika ada, maka diperoleh
informasi mengenai titik tengah dari tinggi lingkaran, yaitu dari titik
awal pergerakan ditambah dengan jarak/2. Jika tidak maka objek
bukan lingkaran.
b. Titik tengah yang diperoleh pada langkah sebelumnya belum tentu
merupakan titik tengah dari lingkaran, tetapi hanya titik tengah dari
tinggi lingkaran. Jadi selanjutnya akan dicari titik tengah dari lebar
lingkaran.
c. Dari titik tengah yang diperoleh pada (b), telusuri gambar ke kanan
sampai menemukan tepi sambil menghitung jarak ke tepi lingkaran
tersebut. Jika ada, maka diperoleh informasi mengenai titik tengah dari
lebar lingkaran, yaitu dari titik awal pergerakan ditambah dengan
jarak/2. Jika tidak, maka objek bukan lingkaran.
9
d. Diperoleh informasi titik tengah dan radius dari objek tersebut.
4. Jika radius lebih besar dari threshold, maka dilakukan identifikasi objek.
5. Identifikasi objek dilakukan sebagai berikut (Gambar 6) :
Gambar 6 Identifikasi objek.
a. Lakukan rotasi 3600 berlawanan arah jarum jam, yaitu dengan
menggunakan loop.
b. Untuk setiap iterasi, hitung titik
,
, yaitu titik yang berjarak radius
r dari titik pusat dan memiliki sudut yang bersesuaian dengan ietarsi
yang dilakukan.
c. Pada titik tersebut dan pada n-tetangga disekitarnya (n adalah toleransi
ketetanggaan), dilakukan pemeriksaan. Nilai n ini bergantung pada
radius objek yaitu, semakin besar radius objek, maka semakin besar
nilai n, dan sebaliknya. Jika salah satu dari titik tersebut merupakan
titik tepi, maka iterasi dilanjutkan. Jika tidak satupun dari titik-titik
tersebut yang merupakan titik tepi, maka objek bukan lingkaran,
d. Jika iterasi berakhir dengan sukses, maka objek adalah lingkaran.
Two Dimension Principal Component Analysis (2DPCA)
Principal Component Analysis (PCA) merupakan salah satu metode
analisis peubah ganda yang mereduksi dimensi data tanpa harus kehilangan
informasi yang berarti (Buono & Irmansyah 2009). Peubah hasil transformasi
merupakan kombinasi linear dari peubah asli dan tidak terkorelasi antar
sesamanya, serta tersusun berdasar informasi yang dimilikinya. PCA merupakan
10
ekstrasi fitur yang digunakan secara luas dalam pengolahan sinyal dan pengenalan
pola.
Sirovich
dan
Kirby
pertama
kali
menggunakan
PCA
dalam
merepresentasikan citra wajah orang (Yang, et al 2004).
Menurut Yang, et al teknik 2DPCA memiliki kelebihan dibandingkan
dengan teknik PCA (eigenfaces), diantaranya yaitu 2DPCA didasarkan pada
matriks citra sehingga lebih sederhana dan straighforward untuk digunakan pada
ekstrasi fitur citra. Selain itu, 2DPCA lebih baik dari PCA dalam hal keakuratan
pengenalan pada semua eksperimen dan secara komputasional lebih efisien
daripada PCA dan dapat meningkatkan kecepatan ekstrasi fitur citra secara
signifikan.
Dalam teknik proyeksi citra dengan 2D-PCA, sebuah citra berdimensi
akan dibaca sebagai matriks A berdimensi
dan tidak diubah
menjadi bentuk vektor. matriks A ini ditransformasi menggunakan matriks
menjadi Y sebagai berikut, (Yang, et al 2004):
dengan
................................(9)
Permasalahannya adalah bagaimana menemukan matriks transformasi Q
yang memaksimalkan persebaran Y. Persebaran Y dapat dikarakterisasi oleh teras
matriks koragam, S yang dirumuskan sebagai:
...................................(10)
Dan teras matriks S adalah:
....................(11)
Dicari nilai:
.................................(12)
G dihitung dari sampel citra pelatihan. Anggap terdapat M citra pelatihan,
∑
..................................(13)
Oleh karena itu matrik Q yang dipilih adalah :
dengan
,
,
,
… .,
merupakan vektor ciri yang bersesuaian dengan akar ciri terbesar ke i
dari matriks G.
11
Jaringan Syaraf Tiruan (JST)
Menurut Alexander dan Morton dalam (Haykin S 1994), Jaringan Syaraf
Tiruan (JST) adalah prosesor tersebar paralel (paralel distributed processor) yang
sangat besar dan memiliki kecenderungan untuk menyimpan pengetahuan yang
bersifat pengalaman dan membuatnya siap untuk digunakan.
JST menyerupai otak manusia, khususnya dalam hal pengetahuan yang
diperoleh serta kekuatan hubungan antar sel syaraf (neuron) yang disebut bobotbobot sinapsis. Sel neuron merupakan dasar dari JST. Model neuron terdiri atas 3
elemen penting seperti dalam Haykin 1994, sebagai berikut :
1. Sekumpulan sinapsis atau jalur hubungan antar sel. Setiap sinapsis
memiliki bobot tertentu (wk1, wk2, ..., wkp).
2. Adder untuk menjumlahkan sinyal-sinyal input yang telah diberi bobot
sinapsis. Operasi penjumlahan mengikuti aturan linier combiner.
3. Fungsi aktivasi untuk membatasi amplitudo keluaran dari setiap neuron.
Gambar 7 Model matematis nonlinier dari neuron dengan bias.
Gambar 7 memperlihatkan model dari suatu neuron (Haykin 1994). Sinyal
masukan dinyatakan sebagai x1, x2, ..., x3; wk adalah bias untuk memperbesar nilai
masukan; vk merupakan keluaran dari linier combiner.
aktivasi dan yk adalah keluaran dari neuron.
(v) merupakan fungsi
12
Jaringan Syaraf Tiruan Propagasi balik
Salah satu arsitektur yang banyak digunakan adalah multilayer
feedforward network. Secara umum terdiri dari beberapa unit neuron yaitu lapisan
masukan, satu atau lebih lapisan tersembunyi (hidden layer) dan sebuah lapisan
keluaran. Sinyal masukan dipropagasikan ke arah depan (ke lapisan keluaran).
Jenis jaringan ini adalah hasil generalisasi dari arsitektur perceptron satu lapis,
dikenal sebagai multilayer perceptrons (MLPs). Jaringan multilayer disebut
sebagai jaringan propagasi balik (backpropagation), jika pada tahapan pelatihan
menggunakan metode propagasi balik.
Jaringan Propagasi Balik ditemukan pertama kali oleh Rumelhart, et al,
pada Tahun 1988 melalui beberapa penelitian indenpenden (Fauset 1994).
Propagasi balik merupakan algoritma pembelajaran yang terawasi (supervised
learning). Algoritma ini menggunakan error output untuk mengubah nilai bobotbobotnya dalam arah mundur (backward). Propagasi balik (ke lapisan masukan)
terjadi setelah jaringan menghasilkan keluaran yang mengandung error. Pada fase
ini seluruh bobot sinapsis (yang tidak memiliki aktivasi nol) dalam jaringan akan
disesuaikan untuk mengkoreksi error yang terjadi (error correction rule). Untuk
pelatihan jaringan, pasangan fase propagasi ke depan dan balik dilakukan secara
berulang untuk satu set data latihan, kemudian diulangi untuk sejumlah epoch
sampai didapatkan error terkecil atau nol.
v11
X!
W11
Z1
v12
v21
Y1
W12
v13
W13
X2
.
.
.
.
.
W21
v22
Z3
v23
Y2
W23
v31
W31
v32
X3 wn
Input
v33
W32
Z5
Hidden Layer
W33
Y3
Output
Gambar 8 Arsitektur Jaringan Syaraf Tiruan Propagasi Balik.
13
Gambar 8 memperlihatkan arsitektur propagasi balik dengan sebuah
lapisan tersembunyi (Fauset 1994). Bias pada lapisan keluaran dinyatakan sebagai
wok dan bias pada lapisan tersembunyi dinyatakan sebagai voj. Bias-bias ini
berfungsi seperti bobot, yang selalu bernilai +1. Pada lapisan keluaran, nilai bobot
dinyatakan sebagai wjk sedangkan nilai bobot lapisan masukan dinyatakan sebagai
vij.
Fungsi Aktivasi
Menurut Fauset, fungsi aktivasi yang digunakan sebaiknya memiliki nilai
kontinu, differentiable, dan tidak turun secara monotik (monotically nondecreasing). Fungsi aktivasi yang digunakan dalam JST dan dilatih dengan
propagasi balik berupa fungsi Sigmoid biner ataupun Sigmoid Bipolar. Pada
fungsi sigmoid biner memiliki cakupan nilai 0 sampai dengan 1. Oleh karena itu,
fungsi ini digunakan untuk jaringan syaraf yang membutuhkan nilai keluaran yang
terletak pada interval 0 sampai dengan 1. Namun dapat juga digunakan untuk
keluaran yang bernilai 0 atau 1. Persamaan 14 dan persamaan 15 merupakan
persamaan untuk fungsi sigmoid biner, (Fauset 1994) :
...............................................................(14)
........................................(15)
Gambar 9 memperlihatkan fungsi aktivasi sigmoid biner dengan range [0,1]
Gambar 9 Fungsi aktivasi sigmoid biner dengan range (0,1).
Algoritma Pelatihan
Dalam algoritma propagasi balik menggunakan dua tahapan yaitu: tahapan
perhitungan maju (feedforward) untuk menghitung error antara keluaran aktual
dengan keluaran yang menjadi target; dan tahapan perhitungan mundur
14
(backward) yang mempropagasikan balik error tersebut dan memperbaiki bobotbobot sinapsis pada semua neuron yang ada. Berikut adalah algoritma propagasi
balik, (Fauset 1994):
Langkah 0.
Inisialisasi bobot (bangkitkan nilai random yang cukup kecil).
Langkah 1.
Kerjakan langkah 2 – 9, selama kondisi berhenti bernilai
FALSE.
Langkah 2.
Kerjakan langkah 3 – 8, Untuk setiap pasangan elemen
pelatihan.
Perhitungan maju:
Langkah 3.
Setiap unit masukan (Xi, i = 1,2,3,.., n) menerima sinyal
masukan xi dan menyebarkan sinyal tersebut ke seluruh unit
pada lapisan tersembunyi.
Langkah 4.
-
Setiap unit tersembunyi (Zj, j = 1,2,..., p) menjumlahkan
setiap sinyal yang memiliki bobot berikut:
-
_
∑
........................................ (16)
Gunakan fungsi aktivasi untuk menghitung sinyal
keluaran:
,............................................................(17)
dan mengirimkan sinyal ini ke seluruh unit pada lapisan
keluaran.
Langkah 5.
-
Setiap unit keluaran (Yk, k = 1,....., m) menjumlahkan
sinyal-sinyal masukan terbobot, sebagai berikut:
∑
,
......................................(18)
dan fungsi aktivasi digunakan untuk menghitung sinyal
keluaran:
_
...........................................................(19)
Penghitungan error (propagasi balik)
Langkah 6.
-
Setiap unit keluaran (Yk, k = 1,....., m) menerima pola
target yang berhubungan dengan pola pelatihan pada
masukan, hitung informasi error sebagai berikut:
.............................................(20)
15
Dengan δk merupakan informasi error untuk bobot wjk
pada unit keluaran Yk . Sementara tk adalah vektor target
keluaran,
-
Kemudian
hitung
koreksi
bobot
(yang
nantinya
digunakan untuk memperbaiki wjk):
∆
Dengan α merupakan laju pembelajaran,
-
Kemudian hitung koreksi bias (yang nantinya digunakan
...........................................................(21)
untuk memperbaiki w0k):
∆
..............................................................(22)
dan mengirimkan δk ke neuron dilapisan bawahnya
(lapisan tersembunyi).
Langkah 7.
-
Setiap neuron pada lapisan tersembunyi (Zj, j = 1 ,..., p)
menjumlahkan masukan deltanya (dari neuron-neuron
yang berada pada lapisan diatasnya, lapisan keluaran):
∑
......................................................(23)
Kalikan nilai ini dengan fungsi aktivasinya untuk
menghitung informasi error:
_
......................................................(24)
δj adalah koreksi error untuk vij
∆
-
∆
Hitung koreksi bobot (digunakan untuk memperbaiki vij)
............................................................(25)
Hitung koreksi bias (digunakan untuk memperbaiki v0j)
................................................................(26)
Perbaiki semua bobot dan bias:
Langkah 8
-
Setiap unit keluaran (Yk, k = 1, ..., m) memperbaiki bias
dan bobotnya (j = 0,1,2,3, ..., p):
-
∆
..............................(27)
Setiap unit tersembunyi (Zj, j = 1 ,..., p) memperbaiki
bias dan bobotnya (i = 0,1,..., n):
∆
.................................(38)
16
Langkah 9
Uji kondisi berhenti
Satu epoch adalah satu putaran (cycle) untuk keseluruhan langkah pada
tahapan pelatihan. Pada dasarnya dibutuhkan banyak epoch untuk pelatihan
jaringan propagasi balik. Pelatihan dilakukan secara berulang-ulang hingga
jumlah siklus tertentu atau telah mencapai MSE (Mean Square Error) yang
diinginkan.
Kejadian Biner (Binary Events)
Pengukuran kinerja (performance measures) merupakan subset dari
pengukuran verifikasi yang fokus pada hubungan antara prediksi dan pengamatan.
Kejadian biner memiliki empat kemungkinan keluaran seperti diperlihatkan dalam
Tabel 1 (Mason 2003).
Tabel 1 Empat kemungkinan keluaran pada kejadian biner
Prediksi
Pengamatan
Ya
Tidak
Ya
Hit (a)
False Alarm (b)
Tidak
Miss (c)
Correct Rejection (d)
Tabel 1 menyajikan hubungan pengamatan dan prediksi dengan empat
kemungkinan keluaran. Hit merupakan nilai yang diperoleh dari hasil pengamatan
terhadap suatu objek benar dan prediksi yang ditentukan bernilai benar. False
Alarm diperoleh jika objek yang diamati bernilai salah namun prediksi bernilai
benar. Miss berkebalikan dengan false alarm, yaitu pengamatan bernilai benar
namun prediksi bernilai salah. Terakhir, correct rejection hasil pengamatan
bernilai salah dan nilai prediksinya juga salah, artinya objek yang salah diprediksi
salah (mengandung nilai kebenaran dan biasanya kebenaran ini tidak digunakan).
Penghitungan kejadian biner yang mempengaruhi prediksi adalah sebagai (Mason
2003) :
Hit rate (Nilai kebenaran prediksi) =
Miss =
...........................................(39)
...........................................................................................(40)
17
False Alarm Rate =
......................................................................(41)
Correct Rejection =
.......................................................................(42)
18
METODOLOGI PENELITIAN
Kerangka Penelitian
Sistem pengenalan roda kendaraan pada penelitian ini tampak pada
Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu,
tahapan pelatihan dan tahapan pengujian.
Gambar 10 Sistem pengenalan roda kendaraan.
19
Pengumpulan Data Citra
Citra kendaraan yang digunakan dalam penelitian ini berasal dari
kendaraan jenis sedan, SUV, pick up, truk sedang dan truk besar, diambil dari
samping (side view) menggunakan kamera digital dengan dimensi 640 x 480
piksel. Citra diambil pada waktu pagi dan siang hari pada kondisi cerah. Jumlah
citra yang digunakan dalam penelitian ini adalah 225 buah.
Pemrosesan Awal
Pemrosesan awal merupakan proses penyiapan citra kendaraan, citra
kendaraan asli dengan dimensi 640 x 480 piksel diubah ke dalam bentuk citra
abu-abu (gray scale) kemudian dipotong (cropping) pada bagian atas dan bawah
secara horisontal, sehingga citra berukuran lebih kecil dan hanya citra yang
terdapat roda saja yang akan diproses selanjutnya. Hal ini dilakukan untuk
mengurangi waktu pemrosesan dan membuang bagian citra lain yang tidak
dibutuhkan. Pengurangan noise yang muncul pada citra, dilakukan dengan proses
smoothing menggunakan filter average ukuran 5x5 (Gambar 11).
Gambar 11 Filter average ukuran 5x5.
Tahapan Pelatihan
Tahapan pelatihan adalah tahapan untuk melatih sistem menggunakan data latih.
1. Data Latih
Data latih yang digunakan sejumlah 80% dari total citra kendaraan atau
180 citra. Data latih merupakan citra keabuan dengan dimensi 640x200 piksel
karena telah dipotong pada sisi bagian atas dan bawah dan mengalami proses
smoothing dengan average filter.
2. Deteksi Lingkaran dengan CHT
Deteksi lingkaran menggunakan Cycle Hough Transform (CHT), hal ini
dilakukan untuk menentukan bagian dari citra yang berupa lingkaran.
20
Untuk memaksimalkan deteksi lingkaran dengan CHT, maka perlu
dilakukan penentuan parameter-parameter CHT. Tabel 2 memperlihatkan
parameter-parameter CHT yang diujicobakan dalam penelitian ini. Semua
parameter dalam tabel ditentukan dengan cara trial and error. Pemilihan nilai
parameter dilakukan seefektif mungkin, karena menentukan tingkat keberhasilan
dan waktu komputasi.
Tabel 2 Parameter-Parameter CHT
Karakteristik
Radrange
Gradient Threshold
Radius Filter LM
Multirad
Spesifikasi
Min = 25; 26; 27
Max = 50, 65, 80 dan
100
10; 11; 12; 13; 14; 15
10; 20; 30 dan 40
1; 0.99; 0.98
Keterangan
Menentukan waktu komputasi
Default = 10
Default = 8 dan minimum = 3
Default = 0,5
Radrange menyatakan radius minimum dan maksimum dari lingkaran
yang dicari satuan yang digunakan adalah unit piksel, semakin besar nilai
radrange maka semakin banyak penggunaan memori dan waktu komputasi juga
semakin lama. Gradient threshold digunakan untuk menghilangkan uniform
intensity, nilai-nilai dibawah gradient threshold akan diabaikan. Radius filter
digunakan untuk mencari lokal maksima dalam accumulator array. Multirad
digunakan dalam kasus lingkaran-lingkaran konsentrik, artinya radius multi
dengan satu posisi pusat lingkaran terdeteksi. Multirad memiliki range 0,1 – 1;
dengan 0,1 adalah toleransi tertinggi, artinya lebih banyak nilai radius terdeteksi,
sedangkan nilai 1 merupakan toleransi terendah, hanya radius yang paling
menentukan saja yang akan dipilih.
3. Normalisasi
Hasil dari CHT adalah citra lingkaran memiliki dimensi yang berbedabeda, terdiri atas lingkaran roda dan bukan roda yang diklasifikasikan secara
manual. Dimensi lingkaran roda dan bukan roda yang beragam mengharuskan
untuk dilakukannya normalisasi. Normalisasi bertujuan untuk menseragamkan
masukan ke 2DPCA. Dimensi citra lingkaran dalam normalisasi ditentukan
sebesar 80x80 piksel, ukuran ini diambil berdasarkan dimensi roda yang diamati.
21
4. Reduksi Fitur dengan 2DPCA
Reduksi fitur dilakukan dengan menggunakan metoda 2DPCA (Two
Dimension Principle Component Analysis). Bagian citra yang direduksi adalah
citra lingkaran yang ditemukan oleh CHT dan telah mengalami normalisasi
sehingga memiliki dimensi 80x80. Reduksi 2DPCA bertujuan mendapatkan set
matriks fitur yang nantinya akan digunakan untuk tahap pemodelan dan pengujian
dengan JST. Keragaman informasi citra lingkaran dalam 2DPCA adalah 99%.
5. Pemodelan dengan Jaringan Syaraf Tiruan
Gambar 12 menunjukkan arsitektur jaringan syaraf tiruan propagasi balik.
Masukan JST berasal dari citra lingkaran yang telah direduksi dengan 2DPCA,
sedangkan target keluaran adalah roda.
Gambar 12 Arsitektur JST Propagasi Balik untuk pengenalan roda kendaraan.
Tabel 3. memperlihatkan parameter-parameter JST propagasi balik yang
dirancang untuk penelitian ini :
Tabel 3. Parameter-Parameter Jaringan Syaraf Tiruan Propagasi Balik.
Karakteristik
Arsitektur
Jumlah neuron masukan
Jumlah neuron keluaran (target)
Jumlah neuron hidden
Fungsi aktivasi
Fungsi Pelatihan
Laju pembelajaran
Minimum toleransi kesalahan
Maksimal iterasi
Spesifikasi
1 hidden layer
Hasil reduksi 2 DPCA
1 target, yaitu roda
5, 10, 20, 30, 40, 50, 60, 70, 80, 90, 100
Sigmoid biner (logsig)
Trainrp
Default
0,000001
5000
22
Tahapan Pengujian
Tahapan pengujian merupakan tahapan untuk menguji jaringan JST yang
telah dilatih untuk mengenali roda kendaraan, terdiri atas:
1. Data Uji
Untuk pengujian digunakan citra sebanyak 20% dari total citra kendaraan
yang ada, yaitu sebanyak 45 citra uji, sehingga terdapat 90 citra roda yang akan
dikenali oleh JST propagasi balik. Citra uji juga telah mengalami pemrosesan
awal.
2. Deteksi Lingkaran dengan CHT
Proses ini sama dengan pada tahapan sebelumnya. Citra uji dideteksi
dengan CHT untuk mendapatkan lingkaran roda dan bukan roda. Parameter CHT
pada tahapan ini menggunakan nilai-nilai yang telah ditentukan pada tahapan
pelatihan. Lingkaran yang dihasilkan memiliki beragam dimensi. Setelah
lingkaran ditemukan, kemudian dijadikan input pada proses selanjutnya.
3. Normalisasi
Normalisasi citra lingkaran dilakukan untuk menyamakan ukuran
lingkaran yang berhasil dideteksi oleh CHT. Ukuran citra yang dinormalisasi
adalah 80x80, sesuai dengan normalisasi pada tahapan pelatihan.
4. Matriks Transformasi
Matriks Transformasi adalah matriks yang dihasilkan dari proses reduksi
2DPCA dan digunakan untuk mengubah citra lingkaran pada tahapan pengujian.
Matriks transformasi memiliki dimensi yang sama dengan citra tereduksi. Matriks
ini dikirimkan dari tahapan pelatihan sebagai acuan reduksi citra lingkaran pada
tahapan pengujian.
5. Pengujian model
Pada proses pengujian model, menggunakan data hasil pelatihan untuk
mendapatkan klasifikasi yang benar dari data uji. Masukan untuk jaringan syaraf
tiruan propagasi balik adalah citra lingkaran dari data uji yang dinormalisasi dan
telah diproses dengan matriks transformasi berasal dari proses reduksi 2DPCA
pada tahapan pelatihan. Target keluaran JST adalah roda. Tahapan pengujian ini
juga melakukan pengujian dengan data uji yang telah diberi noise dan lingkaran
palsu dibagian tengah roda.
23
Evaluasi Hasil
Setelah dilakukan proses pelatihan dan pengujian maka berikutnya akan
dievaluasi hasil meliputi tingkat keberhasilan deteksi lingkaran CHT, tingkat
keberhasilan pengenalan JST, dan tingkat kesalahan dalam pengenalan citra roda
kendaraan, meliputi kesalahan karena roda tidak dikenali (miss) dan kesalahan
objek bukan roda dikenali sebagai roda (false alarm). Penghitungan keberhasilan
pengenalan, miss dan false alarm rate adalah sebagai berikut (Mason 2003) :
%
%
%
24
HASIL DAN PEMBAHASAN
Sistem pengenalan roda kendaraan mengunakan citra kendaraan yang
diambil dari samping (side view) sehingga roda akan terlihat berbentuk lingkaran.
Citra kendaraan yang dikumpulkan terdiri atas kendaraan seperti mobil sedan,
SUV, pick-up, truk sedang dan truk besar.
Pemrosesan Awal
Citra kendaraan asli memiliki dimensi 640x480 piksel, dirubah ke gray
scale kemudian dipotong (crop) secara horisontal sehingga dim
TEGRASII METOD
DE CIRCL
LE HOUG
GH TRAN
NSFORM,,
2DPCA
A DAN JA
ARINGAN
N SYARA
AF TIRUA
AN UNTU
UK MOD
DEL
PEN
NGENAL
LAN ROD
DA KEND
DARAAN
N
SRII DIANIN
NG ASRI
SEKOL
LAH PASC
CARJAN
NA
IN
NSTITUT
T PERTA
ANIAN BO
OGOR
BOGO
OR
2012
2
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI
Dengan ini saya menyatakan bahwa Integrasi Metode Circle Hough Transform,
2DPCA dan Jaringan Syaraf Tiruan untuk Model Pengenalan Roda Kendaraan
adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan
dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang
berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari
penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di
bagian akhir tesis ini.
Bogor, September 2012
Sri Dianing Asri
NIM G651100021
© Hak Cipta Milik IPB, tahun 2012
Hak Cipta dilindungi Undang-undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah dan pengutipan tersebut tidak merugikan kepentingan
yang wajar IPB.
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis
dalam bentuk apapun tanpa izin IPB.
INTEGRASI METODE CIRCLE HOUGH TRANSFORM,
2DPCA DAN JARINGAN SYARAF TIRUAN UNTUK MODEL
PENGENALAN RODA KENDARAAN
SRI DIANING ASRI
Tesis
Sebagai Salah Satu Syarat Untuk Memperoleh Gelar
Magister Komputer pada
Program Studi Ilmu Komputer
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2012
Penguji Luar Komisi pada Ujian Tesis: Boyke Nurhidayat, S.T, M.Kom
Judul Tesis
Nama Mahasiswa
Nomor pokok
: Integrasi Metode Circle Hough Transform, 2DPCA dan
Jaringan Syaraf Tiruan untuk Model Pengenalan Roda
Kendaraan
: Sri Dianing Asri
: G651100021
Disetujui,
Komisi Pembimbing
Dr. Ir. Agus Buono, M.Si, M.Kom
Ketua
Faozan, S.Si, M.Si
Anggota
Diketahui,
Ketua Program Studi
Ilmu Komputer
Dekan Sekolah Pascasarjana
Dr.Yani Nurhadryani S.Si, M.T
Dr. Ir. Dahrul Syah, M.Sc.Agr
Tanggal Ujian: 4 Agustus 2012
Tanggal Lulus:
ABSTRACT
SRI DIANING ASRI. Integration Methode of Circle Hough Transform, 2DPCA and Artificial
Neural Network for Recognition Model of Wheel Vehicle. Superviced by AGUS BUONO, and
FAOZAN.
Detection and recognition vehicles are important things in the transportation systems such as
analysis traffic control and fees policy. In order to recognize the vehicle, it needs some features
to recognize them such as shape, police number and wheel. This research using side view of
vehicle image to recognize the vehicle from its wheels. The purpose of research is to build
recognition model of wheel using Circle Hough Transform (CHT), 2DPCA and Artificial Neural
Network. The CHT used to detect the circle of wheel in the image, 2DPCA for feature
exctraction and Artificial Neural Network to recognize the wheels. The result of the research is
the accuracy level of success and the error for wheel recognition. The error consist of two parts
including the miss and the false alarm rate. In this research, the highest accuracy of success is
94,4% with 100 neuron in the hidden layer. Its also being tested data with noise and fake circle.
Keywords: wheel, detection, recognition, Circle Hough Transform, 2DPCA, Artificial Neural
Network
RINGKASAN
SRI DIANING ASRI. Integrasi metode Circle Hough Transform, 2DPCA dan Jaringan Syaraf
Tiruan untuk Model Pengenalan Roda Kendaraan. Dibimbing oleh AGUS BUONO, dan
FAOZAN.
Deteksi dan pengenalan kendaraan merupakan hal penting dalam sistem transportasi
seperti analisa arus lalu lintas dan kebijakan pentarifan. Ciri pengenal yang dapat diambil untuk
proses pengenalan kendaraan dari suatu citra digital berupa komponen kendaraan seperti, plat
nomor, bentuk kendaraan, ataupun roda.
Roda merupakan komponen yang selalu ada pada setiap kendaraan, baik kendaraan itu
berupa bus, mobil ataupun truk pasti memiliki roda dengan bentuk yang sama. Jika suatu roda
dapat dideteksi dan dikenali maka klasifikasi kendaraan dapat ditentukan.
Penelitian ini menggunakan citra roda kendaraan yang diambil dari samping. Citra diambil
dari perangkat kamera digital pada kondisi cerah pada waktu pagi dan siang hari. Deteksi citra
roda kendaraan menggunakan Circle Hough Transformation (CHT) sebagai pengenal pola
lingkaran. setelah pola lingkaran ditemukan dan dikelompokkan menjadi dua bagian yaitu roda
dan non roda, kemudian direduksi dengan metode 2DPCA. Untuk pengenalan roda kendaraan
dilakukan dengan menggunakan Jaringan Syaraf Tiruan Propagasi Balik.
Citra kendaraan yang digunakan dalam penelitian ini berjumlah 225 citra dibagi menjadi
dua yaitu untuk pelatihan (Data Latih) sebesar 80% atau 180 citra dan sisanya untuk pengujian
sebanyak 45 citra (Data Uji). Citra kendaraan melalui pemrosesan awal terlebih dahulu untuk
menyiapkan citra meliputi pengubahan citra asli dalam RGB ke citra keabuan, setelah itu
dipotong (cropping) secara horisontal pada bagian atas dan bagian bawah untuk mengurangi
waktu pemrosesan dan membuang bagian citra lain yang tidak dibutuhkan. Pengurangan noise
yang muncul pada citra, dilakukan dengan proses smoothing menggunakan filter average ukuran
5x5.
Arsitektur Jaringan Syaraf Tiruan (JST) Propagasi Balik menggunakan sebuah lapisan
masukan, sebuah hidden layer dan sebuah lapisan keluaran. Masukan berasal dari citra yang
telah melalui proses reduksi 2DPCA sedangkan keluaran memiliki satu target yaitu roda.
Pelatihan JST Propagasi Balik menggunakan Data Latih dengan memvariasikan neuron pada
hidden layer. Pengujian JST Propagasi Balik dilakukan dengan menggunakan Data Uji pada
neuron hidden layer terbaik yang diperoleh pada tahapan pelatihan. Penelitian ini juga
melakukan pengujian Data Uji yang diberi variasi Gaussian Noise dan Data Uji yang diberi
lingkaran palsu dibagian tengah roda.
Hasil pengujian meliputi prosentase keberhasilan deteksi lingkaran dengan CHT,
prosentase keberhasilan pengenalan JST, prosentase miss (roda tidak dikenali JST) dan
prosentase false alarm rate (objek bukan roda dikenali sebagai roda oleh JST).
Kata Kunci : roda, deteksi, pengenalan, Circle Hough Transform, 2DPCA, JST
Propagasi Balik.
PRAKATA
Bismillahirrohmaanirrohiim,
Alhamdulillahirobbil’alamin Segala Puji bagi Alloh SWT yang telah memberikan
rahmat dan hidayah serta kemudahan sehingga Penulis dapat menyelesaikan tesis
ini dengan baik. Sholawat dan salam semoga tercurahkan kepada junjungan Nabi
Besar Muhammad SAW beserta keluarga beliau, sahabat beliau dan para pengikut
beliau sampai akhir jaman.
Penulis berterima kasih yang sebesar-besarnya kepada Dr. Ir Agus Buono, M.Si,
M.Kom dan Faozan, S.Si, M.Si selaku Dosen Pembimbing yang telah
mengarahkan dan membimbing Penulis dalam menyelesaikan tesis ini. Ungkapan
terima kasih juga Penulis haturkan kepada para Dosen dan seluruh pegawai di
lingkungan Departemen Ilmu Komputer IPB.
Salam sayang tiada tara Penulis haturkan kepada Bapak, Mami, Mas Wawan,
Mbak Andri, Bunbun, Wiwi, dan Chaca tercinta atas bantuan dan dukungan serta
doanya.
Terakhir, special thank’s to : P Kodar, P Dedi, Teh Ana, Teh Kania, Ami, Prita,
Mbak Yudith, Mila, Gibtha, Mbak Vera, Sari, Husna, Yustin, Safar, P Komar, P
Ilyas, Asep, Mr. Ghani, Fikri, P Andy, P Irwan and Imam atas waktu, bantuan dan
motivasinya, bersama kalian Penulis banyak belajar arti persahabatan. Semoga
Alloh menjaga tali persaudaraan ini selamanya.
Penulis menyadari masih banyak kekurangan dalam tesis ini, oleh karena itu kritik
dan saran yang membangun sangat Penulis harapkan untuk memperbaiki tesis ini.
Atas perhatian Penulis ucapkan terima kasih.
Bogor, September 2012
Sri Dianing Asri
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta tanggal 15 Agustus 1974 dari pasangan
Winulyo dan Siti Dalilah sebagai anak kedua dari empat bersaudara.
Penulis mengikuti pendidikan sekolah dasar di SDN 13 Pagi Jakarta Timur
dan melanjutkan ke SDN 08 Dili Timor-Timur lulus tahun 1987. Pendidikan
sekolah menengah pertama di SMPN 1 Dili Timor-Timur lulus tahun 1990 dan
meneruskan ke SMAN 1 Dili lulus Tahun 1993. Gelar sarjana S1 Penulis peroleh
dari Universitas Gadjah Mada jurusan Teknik Elektro tahun 1999. Saat ini Penulis
adalah dosen pada STMIK Indonesia di Jakarta.
DAFTAR ISI
Halaman
DAFTAR TABEL ................................................................................................. xii
DAFTAR GAMBAR............................................................................................ xiii
DAFTAR LAMPIRAN ........................................................................................ xiv
PENDAHULUAN ................................................................................................... 1
Latar Belakang ............................................................................................... 1
Tujuan Penelitian ........................................................................................... 2
Ruang Lingkup Penelitian .............................................................................. 2
Manfaat Penelitian ......................................................................................... 2
TINJAUAN PUSTAKA .......................................................................................... 3
Citra Digital.................................................................................................... 3
Citra RGB dan Derajat Keabuan (Gray Scale) .............................................. 4
Smoothing....................................................................................................... 5
First Derivative Operator (Operator Derivatif Pertama) ............................... 6
Thresholding .................................................................................................. 6
Hough Transform ........................................................................................... 6
Circle Hough Transform (CHT) .................................................................... 7
Algoritma Titik Tengah .................................................................................. 8
Two Dimension Principal Component Analysis (2DPCA) ............................ 9
Jaringan Syaraf Tiruan ................................................................................. 11
Jaringan Syaraf Tiruan Propagasi Balik....................................................... 12
Fungsi Aktivasi ............................................................................................ 13
Algoritma Pelatihan ..................................................................................... 13
Kejadian Biner (Binary Events) ................................................................... 16
METODE PENELITIAN ...................................................................................... 18
Kerangka Penelitian ..................................................................................... 18
Pengumpulan Data Citra .............................................................................. 19
Pemrosesan Awal ......................................................................................... 19
Tahapan Pelatihan ........................................................................................ 19
Tahapan Pengujian ....................................................................................... 22
Evaluasi Hasil .............................................................................................. 23
HASIL DAN PEMBAHASAN ............................................................................. 24
Pemrosesan Awal ......................................................................................... 24
Deteksi Lingkaran dengan CHT .................................................................. 25
Normalisasi...................................................................................................28
Reduksi 2DPCA...........................................................................................29
Pengenalan dengan JST Propagasi Balik......................................................29
SIMPULAN DAN SARAN..................................................................................36
DAFTAR PUSTAKA............................................................................................37
LAMPIRAN..........................................................................................................39
DAFTAR TABEL
Halaman
1 Empat kemungkinan keluaran pada kejadian biner .................................. 16
2 Parameter-Parameter CHT ........................................................................ 20
3 Parameter-Parameter Jaringan Syaraf Tiruan Propagasi Balik ................ 21
4 Nilai optimum untuk parameter-parameter CHT ..................................... 28
DAFTAR GAMBAR
Halaman
1 Transformasi nilai piksel RGB ke citra keabuan ................................................. 4
2 Filter mask 3
3 Matriks 3
5 ................................................................................................ 5
5 dengan filter mask yang sesuai .................................................... 5
4 Lingkaran dan titik-titik tepi lingkaran ............................................................... 7
5 Pencarian titik tengah lingkaran .......................................................................... 8
6 Identifikasi objek................................................................................................. 9
7 Model matematis nonlinier dari neuron dengan bias ........................................ 11
8 Arsitektur Jaringan Syaraf Tiruan Propagasi Balik .......................................... 12
9 Fungsi aktivasi sigmoid biner dengan range (0,1) ............................................ 13
10 Sistem pengenalan roda kendaraan .................................................................. 18
11 Filter average ukuran 5x5............................................................................... 19
12 Arsitektur JST Propagasi Balik untuk pengenalan roda kendaraan ................. 21
13 Citra asli dimensi 640x480 piksel .................................................................... 24
14 Citra setelah pemrosesan awal ......................................................................... 24
15 Nilai optimum parameter Radius Filter LM. ................................................... 25
16 Nilai optimum parameter Gradient Threshold................................................. 26
16 Deteksi lingkaran dengan nilai parameter multirad berbeda. ......................... 26
18 Nilai optimum parameter Multirad dan nilai minimal Radrange .................... 27
19 Nilai maksimal untuk parameter Radrange ..................................................... 27
20 Hasil deteksi lingkaran CHT ............................................................................ 28
21 Citra roda dan bukan roda sebelum normalisasi .............................................. 29
22 Citra roda dan bukan roda setelah normalisasi ................................................ 29
23 Lingkaran berwarna merah tanda roda dikenali oleh JST ................................ 30
24 Lingkaran roda yang tidak dikenali JST. ......................................................... 30
25 Objek bukan roda dikenali sebagai roda .......................................................... 31
26 Hasil pengujian JST dengan Data Uji .............................................................. 31
27 Pengujian kendaraan tiga gandar ..................................................................... 32
28 Citra dengan berbagai varians Gaussian Noise ............................................... 32
29 Hasil pengujian Data Noise pada neuron hidden layer = 100.......................... 33
30 Citra dengan Varians Gaussian Noise = 0,5.................................................... 33
31 Hasil Pengenalan Data Uji dengan lingkaran palsu. ........................................ 34
32 Hasil pengujian Data Lingkaran Palsu ............................................................. 34
DAFTAR LAMPIRAN
Halaman
1 Hasil Deteksi Lingkaran CHT untuk Data Latih ................................................ 39
2 Akumulasi Prosentase Informasi 2DPCA .......................................................... 41
3 Pelatihan dan Pengujian JST untuk Data Latih ................................................. 42
4 Pengujian JST untuk Data Uji ........................................................................... 43
5 Hasil Pengujian Data Uji dengan Gaussian Noise ............................................ 44
1
PENDAHULUAN
Latar Belakang
Deteksi dan pengenalan kendaraan merupakan hal yang penting dalam
sistem transportasi seperti analisa arus lalu lintas dan kebijakan pentarifan.
Pengenalan kendaraan dapat dilakukan dengan memanfaatkan pengolahan citra
digital. Citra berasal dari seperangkat kamera digital ataupun kamera video. Ciri
pengenal yang dapat diambil untuk proses pengenalan kendaraan dari suatu citra
digital berupa komponen kendaraan seperti, plat nomor, bentuk kendaraan,
ataupun roda.
Roda merupakan komponen yang selalu ada pada setiap kendaraan, baik
kendaraan itu berupa bus, mobil ataupun truk pasti memiliki roda dengan bentuk
yang sama. Jika suatu roda dapat dideteksi dan dikenali maka pengenalan dan
klasifikasi kendaraan dapat ditentukan. Citra roda dapat diambil dari depan,
belakang ataupun samping (side view).
Pengolahan citra digital untuk pengenalan klasifikasi kendaraan yang sudah
ada, mendasarkan pada citra plat nomor kendaraan. Teknik ini sangat baik, akan
tetapi masih memiliki kekurangannya seperti standarisasi penomoran, plat kotor,
rusak, palsu, atau dilapisi plastik tertentu sehingga menyulitkan pembacaan.
Untuk itu penelitian mengenai pengenalan kendaraan melalui komponen
kendaraan lainnya seperti roda kendaraan banyak dilakukan.
Pemrosesan citra roda yang diambil dari samping telah dilakukan oleh Ofer
Achler & Mohan M. Trivedi, tahun 2003 mendeteksi roda kendaraan yang
diambil dari kamera rectilinier dengan menggunakan metode Gaussian
Filterbank, PCA dan Gaussian Mixture dengan tingkat keberhasilan 70%,
kemudian melanjutkan penelitiannya pada tahun 2004 mendeteksi roda dari
kendaraan bergerak yang diambil dari kamera omnidireksional dengan
menggunakan metode 2D Filterbanks dan Gaussian Mixture dengan tingkat
keberhasilan pengenalan sebesar 78%. Penelitian terkait berikutnya dilakukan
oleh Yu Fai Fung et al, 2006 mendeteksi jenis kendaraan dijalan tol melalui roda
menggunakan kamera video dengan jarak pengambilan gambar 0,5 meter. Metode
2
yang digunakan adalah Hough Transform, deteksi Canny, Sobel Filtering dan
Haar Wavelet, hasil yang dicapai berupa waktu deteksi roda kendaraan.
Penelitian ini menggunakan citra roda kendaraan yang diambil dari
samping. Citra diambil dari perangkat kamera digital pada kondisi cerah pada
waktu pagi dan siang hari. Citra roda kendaraan dideteksi menggunakan Circle
Hough Transformation (CHT). Transformasi ini mampu mengenali objeknya
berdasarkan batas-batasnya dan tahan terhadap noise, setelah pola lingkaran
ditemukan dan dikelompokkan menjadi dua bagian yaitu roda dan non roda,
kemudian direduksi dengan metode 2DPCA. Untuk pengenalan roda kendaraan
dilakukan dengan menggunakan Jaringan Syaraf Tiruan Propagasi Balik.
Tujuan Penelitian
Penelitian ini bertujuan untuk membangun sebuah model pengenalan roda
kendaraan menggunakan tiga metode yaitu, Circle Hough Transform, 2DPCA
dan Jaringan Syaraf Tiruan.
Ruang Lingkup Permasalahan
Ruang lingkup permasalahan dalam penelitian ini adalah mendeteksi dan
mengenali roda kendaraan menggunakan Cycle Hough Transform (CHT) sebagai
deteksi lingkaran roda, 2DPCA sebagai ekstrasi ciri dan Jaringan Syaraf Tiruan
Propagasi Balik sebagai pengenal pola. Citra kendaraan berasal dari kendaraan
yang diambil dari samping (side view) menggunakan kamera digital dengan
dimensi
cerah.
8 yang diambil pada waktu pagi dan siang hari pada kondisi
Manfaat Penelitian
Manfaat penelitian ini adalah memberikan hasil pengenalan roda kendaraan
yang dapat dikembangkan untuk sistem pengenalan kendaraan berdasarkan jarak
antar gandar (as roda) kendaraan.
3
TINJAUAN PUSTAKA
Dalam bab ini akan dibahas teori-teori yang mendasari penelitian ini.
Dimulai dari teori dan konsep citra digital, deteksi pola lingkaran dengan Circle
Hough Transform (CHT), ekstrasi ciri pola lingkaran menggunakan Two
Dimension Principle Component Analysis (2DPCA) serta proses pengenalan roda
kendaraan dengan Jaringan Syaraf Tiruan Propagasi Balik.
Citra Digital
Citra digital merupakan sebuah larik (array) berisi nilai-nilai riil maupun
kompleks yang dapat direpresentasikan dengan deretan bit tertentu, yang
didefinisikan sebagai fungsi dua dimensi f(x,y) berukuran matriks M kali N,
dimana M adalah baris dan N adalah kolom serta x dan y adalah pasangan
koordinat spasial (Gonzales, et al 2004).
Nilai f pada titik koordinat (x,y) disebut sebagai skala keabuan (gray level)
atau intensitas dari citra digital pada koordinat koordinat tersebut. Apabila nilai x,
y dan f secara keseluruhan berhingga dan bernilai diskrit maka citra tersebut
merupakan citra digital.
Citra digital direpresentasikan dalam bentuk matriks persegi yang
mewakili ukuran dari citra tersebut. Misalkan terdapat sebuah citra digital dengan
ukuran MxN, maka citra dapat direpresentasikan dalam sebuah matriks berukuran
MxN sebagai berikut:
,
,
,
,
,
,
,
..........................................(1)
Persamaan matriks diatas memperlihatkan irisan antara baris dan kolom
(pada posisi x dan y) dikenal dengan nama picture elemen (pixel). Pixel memiliki
intesitas yang dapat dinyatakan dengan bilangan dengan rentang tertentu, dari
nilai minimum sampai maksimum. Jangkauan yang digunakan berbeda-beda
tergantung dari jenis warnanya. Namun secara umum jangkauannya adalah 0 –
255.
4
Citra RGB dan Derajat Keabuan (Gray Scale)
Citra RGB dan derajat keabuan merupakan format warna pada citra
digital. Citra warna RGB memiliki kombinasi warna Red(R), Blue(B), dan
Green(G) disetiap pikselnya. Setiap komponen RGB memiliki intensitas dengan
nilai minimal 0 dan maksimal 255 (8 bit). Setiap piksel pada citra RGB
membutuhkan 3 Byte untuk media penyimpanan, sehingga kemungkinan jumlah
kombinasi citra RGB adalah lebih dari 16 juta warna.
Citra keabuan merupakan citra digital yang hanya memiliki sebuah kanal
pada setiap pixel, dengan kata lain bagian warna Red(R) sama dengan bagian
Green(G) sama dengan bagian Blue(B) (Gonzales et al, 2004). Derajat keabuan
merupakan warna abu dengan berbagai tingkatan dari warna hitam (minimum) ke
putih (maksimum). Jumlah maksimum warna terdiri atas 4 bit dan 8 bit. Citra
dengan derajat keabuan 4 bit memiliki 16 kemungkinan warna, yaitu 0 sampai 15.
Setiap pixel citra dengan nilai intensitas keabuan 8 bit sehingga terdapat 256
kombinasi nilai dimulai dari 0 sampai dengan 255. Persamaan berikut
memperlihatkan konversi citra RGB ke dalam citra keabuan (Qur’ania 2012) :
,
,
,
Persamaan (2) akan memetakan fungsi
RGB menjadi fungsi keluaran
,
,
,
.......................................(2)
yang merupakan nilai piksel citra
sebagai citra keabuan. Gambar 1
memperlihatkan perubahan nilai piksel RGB ke derajat keabuan.
,
R= 50
G= 60
B= 40
R= 55
R= 55
G= 70
B= 55
R= 55
R= 35
G= 50
B= 50
R= 45
G= 70
G= 65
G= 60
G= 30
B= 55
B= 45
B= 60
B= 45
R= 50
R= 50
R= 70
R= 70
G= 50
G= 60
G= 70
G= 45
B= 50
B= 40
B= 70
B= 50
Citra RGB
R= 70
G= 80
B= 60
R= 60
50
60
45
70
60
55
55
45
50
50
70
55
Citra keabuan
Gambar 1 Transformasi nilai piksel RGB ke citra keabuan.
5
Smoothing
Smoothing citra masukan dilakukan dengan maksud untuk mengurangi
respons sistem terhadap noise atau menyiapkan citra untuk proses segmentasi.
Banyak jenis algoritma smoothing dengan menggunakan linear filter ataupun nonlinear filter. Smoothing dengan menggunakan linear filter mengacu pada Low
Pass Filter (LPF).
Penapis rata-rata (average filter) merupakan salahsatu LPF yang
digunakan untuk mengurangi detil yang ‘irrelevant’ dalam suatu citra. Secara
umum average filter dapat diberi bobot tertentu dengan maksud untuk
mengurangi noise dalam proses smoothing. untuk menapis citra berukuran
dengan filter mask (selubung penapis) terbobot ukuran
diberikan dalam
persamaan berikut: (Gonzales, et al 2002)
,
dengan
, , ,….,
mask 3
∑
dan
dan
5 dan matriks 3
tersebut (Gambar 3).
∑
∑
∑
,
,
.....................................(3)
. persamaan diatas digunakan untuk
, , ,….,
. Gambar 2 memperlihatkan filter
5 dengan nilai piksel yang sesuai dengan filter mask
W(-1,-2)
W(-1,-1)
W(-1,0)
W(-1,1)
W(-1,2)
W(0,-2)
W(0,-1)
W(0,0)
W(0,1)
W(0,2)
W(1,-2)
W(1,-1)
W(1,0)
W(1,1)
W(1,2)
Gambar 2 Filter mask 3
5.
f(x-1,y-2)
f(x-1,y-1)
f(x-1,y)
f(x-1,y+1)
f(x-1,y+2)
f(x,y-2)
f(x,y-1)
f(x,y)
f(x,y+1)
f(x,y+2)
f(x+1,y-2)
f(x+1,y-1)
f(x+1,y)
Gambar 3 Matriks 3
f(x+1,y+1) f(x+1,y+2)
5 dengan filter mask yang sesuai.
,
6
First Derivative Operator (Operator Derivatif Pertama)
Dalam deteksi tepi, proses smoothing saja terkadang tidak cukup, untuk itu
diperlukan kombinasi antara teknik smoothing dengan algoritma derivatif, hal ini
dilakukan untuk meningkatkan akurasi serta mengurangi respons ganda terhadap
suatu tepi.
Derivatif pertama dalam pemrosesan citra menerapkan magnitudo gradien.
Untuk fungsi
,
gradien dari f pada koordinat (x,y) didefinisikan sebagai
vektor kolom dua dimensi sebagai berikut:
...........................................................(4)
Sedangkan untuk magnitudo dari vektor tersebut diberikan dalam
persamaan berikut:
/
⁄
..............................................(5)
Thresholding
Walaupun citra awal telah mengalami smoothing dan filtering pada tahap
awal, masih saja memungkinkan bagi keluaran tahapan sebelumnya mengalami
kesalahan disebabkan oleh noise. Untuk mengatasi hal tersebut, maka dilakukan
thresholding. Melalui penetapan nilai threshold (nilai ambang), maka nilai yang
berada dibawah nilai ambang akan diabaikan.
Hough Transform
Hough Transform (HT) merupakan suatu teknik ekstrasi fitur yang
dipergunakan untuk menentukan lokasi suatu bentuk dalam citra. HT
diperkenalkan oleh Paul Hough pada 1962. Rosenfeld (1969) menggunakannya
sebagai salah satu algoritma pemrosesan citra, kemudian tahun 1972 Duda, et al
menerapkan HT untuk mendeteksi garis dalam citra.
HT telah dikembangkan untuk mendeteksi bentuk-bentuk umum dalam
citra seperti lingkaran (circle), elips, dan parabola. Konsep dasar HT adalah
7
terdapat garis dan kurva potensial yang tak terhitung jumlahnya pada suatu citra
yang melalui titik mana saja pada berbagai ukuran dan orientasi. Tujuan
transformasi adalah untuk menemukan garis dan kurva yang melewati banyak
titik-titik (features) dalam citra, yaitu garis dan kurva terdekat yang paling sesuai
dengan data dalam citra. Kelebihan HT adalah tahan terhadap gangguan (noise
robust) dan kemampuannya untuk mengekstrasi garis maupun kurva bahkan
dalam suatu area dengan ketidakhadiran piksel (pixel gaps) (Argialas &
Mavrantza 2004).
Circle Hough Transform (CHT)
HT dapat didefinisikan menggunakan persamaan lingkaran. Persamaan
lingkaran tersebut dapat dilihat pada persamaan 6. Persamaan ini mendefinisikan
lingkaran sebagai semua titik
,
,
yang berada pada radius r terhadap titik pusat
. Persamaan lingkaran yang umum adalah:
.......................................(6)
Pada metode hough circle, setiap titik tepi mendefinisikan lingkaran dalam
ruang akumulator (accumulator space) dengan tiga buah parameter lingkaran
yaitu,
berikut:
,
, dan r. Setiap titik tepi
,
dapat dihitung menggunakan persamaan
cos ...........................................................(7)
sin
.....................................................(8)
Lingkaran ini diperoleh dari nilai kemungkinan radius dan lingkaran
dipusatkan pada koordinat dari setiap titik tepi seperti diperlihatkan pada Gambar
4 berikut:
Gambar 4 Lingkaran dan titik-titik tepi lingkaran.
8
Algoritma Titik Tengah
Tahapan-tahapan pencarian titik tengah dalam pencarian lingkaran dengan
CHT adalah sebagai berikut :
1. Pencarian lingkaran dimulai dengan suatu titik pada gambar yang bukan
background.
2. Diasumsikan titik tersebut terdapat pada tepi dari suatu lingkaran
3. Kemudian dilakukan proses pencarian titik tengah dari lingkaran tersebut,
yaitu dengan langkah-langkah (Gambar 5) sebagai berikut:
Gambar 5 Pencarian titik tengah lingkaran.
a. Telusuri gambar kebawah sampai menemukan tepi lingkaran sambil
menghitung jarak ketepi lingkaran tersebut. Jika ada, maka diperoleh
informasi mengenai titik tengah dari tinggi lingkaran, yaitu dari titik
awal pergerakan ditambah dengan jarak/2. Jika tidak maka objek
bukan lingkaran.
b. Titik tengah yang diperoleh pada langkah sebelumnya belum tentu
merupakan titik tengah dari lingkaran, tetapi hanya titik tengah dari
tinggi lingkaran. Jadi selanjutnya akan dicari titik tengah dari lebar
lingkaran.
c. Dari titik tengah yang diperoleh pada (b), telusuri gambar ke kanan
sampai menemukan tepi sambil menghitung jarak ke tepi lingkaran
tersebut. Jika ada, maka diperoleh informasi mengenai titik tengah dari
lebar lingkaran, yaitu dari titik awal pergerakan ditambah dengan
jarak/2. Jika tidak, maka objek bukan lingkaran.
9
d. Diperoleh informasi titik tengah dan radius dari objek tersebut.
4. Jika radius lebih besar dari threshold, maka dilakukan identifikasi objek.
5. Identifikasi objek dilakukan sebagai berikut (Gambar 6) :
Gambar 6 Identifikasi objek.
a. Lakukan rotasi 3600 berlawanan arah jarum jam, yaitu dengan
menggunakan loop.
b. Untuk setiap iterasi, hitung titik
,
, yaitu titik yang berjarak radius
r dari titik pusat dan memiliki sudut yang bersesuaian dengan ietarsi
yang dilakukan.
c. Pada titik tersebut dan pada n-tetangga disekitarnya (n adalah toleransi
ketetanggaan), dilakukan pemeriksaan. Nilai n ini bergantung pada
radius objek yaitu, semakin besar radius objek, maka semakin besar
nilai n, dan sebaliknya. Jika salah satu dari titik tersebut merupakan
titik tepi, maka iterasi dilanjutkan. Jika tidak satupun dari titik-titik
tersebut yang merupakan titik tepi, maka objek bukan lingkaran,
d. Jika iterasi berakhir dengan sukses, maka objek adalah lingkaran.
Two Dimension Principal Component Analysis (2DPCA)
Principal Component Analysis (PCA) merupakan salah satu metode
analisis peubah ganda yang mereduksi dimensi data tanpa harus kehilangan
informasi yang berarti (Buono & Irmansyah 2009). Peubah hasil transformasi
merupakan kombinasi linear dari peubah asli dan tidak terkorelasi antar
sesamanya, serta tersusun berdasar informasi yang dimilikinya. PCA merupakan
10
ekstrasi fitur yang digunakan secara luas dalam pengolahan sinyal dan pengenalan
pola.
Sirovich
dan
Kirby
pertama
kali
menggunakan
PCA
dalam
merepresentasikan citra wajah orang (Yang, et al 2004).
Menurut Yang, et al teknik 2DPCA memiliki kelebihan dibandingkan
dengan teknik PCA (eigenfaces), diantaranya yaitu 2DPCA didasarkan pada
matriks citra sehingga lebih sederhana dan straighforward untuk digunakan pada
ekstrasi fitur citra. Selain itu, 2DPCA lebih baik dari PCA dalam hal keakuratan
pengenalan pada semua eksperimen dan secara komputasional lebih efisien
daripada PCA dan dapat meningkatkan kecepatan ekstrasi fitur citra secara
signifikan.
Dalam teknik proyeksi citra dengan 2D-PCA, sebuah citra berdimensi
akan dibaca sebagai matriks A berdimensi
dan tidak diubah
menjadi bentuk vektor. matriks A ini ditransformasi menggunakan matriks
menjadi Y sebagai berikut, (Yang, et al 2004):
dengan
................................(9)
Permasalahannya adalah bagaimana menemukan matriks transformasi Q
yang memaksimalkan persebaran Y. Persebaran Y dapat dikarakterisasi oleh teras
matriks koragam, S yang dirumuskan sebagai:
...................................(10)
Dan teras matriks S adalah:
....................(11)
Dicari nilai:
.................................(12)
G dihitung dari sampel citra pelatihan. Anggap terdapat M citra pelatihan,
∑
..................................(13)
Oleh karena itu matrik Q yang dipilih adalah :
dengan
,
,
,
… .,
merupakan vektor ciri yang bersesuaian dengan akar ciri terbesar ke i
dari matriks G.
11
Jaringan Syaraf Tiruan (JST)
Menurut Alexander dan Morton dalam (Haykin S 1994), Jaringan Syaraf
Tiruan (JST) adalah prosesor tersebar paralel (paralel distributed processor) yang
sangat besar dan memiliki kecenderungan untuk menyimpan pengetahuan yang
bersifat pengalaman dan membuatnya siap untuk digunakan.
JST menyerupai otak manusia, khususnya dalam hal pengetahuan yang
diperoleh serta kekuatan hubungan antar sel syaraf (neuron) yang disebut bobotbobot sinapsis. Sel neuron merupakan dasar dari JST. Model neuron terdiri atas 3
elemen penting seperti dalam Haykin 1994, sebagai berikut :
1. Sekumpulan sinapsis atau jalur hubungan antar sel. Setiap sinapsis
memiliki bobot tertentu (wk1, wk2, ..., wkp).
2. Adder untuk menjumlahkan sinyal-sinyal input yang telah diberi bobot
sinapsis. Operasi penjumlahan mengikuti aturan linier combiner.
3. Fungsi aktivasi untuk membatasi amplitudo keluaran dari setiap neuron.
Gambar 7 Model matematis nonlinier dari neuron dengan bias.
Gambar 7 memperlihatkan model dari suatu neuron (Haykin 1994). Sinyal
masukan dinyatakan sebagai x1, x2, ..., x3; wk adalah bias untuk memperbesar nilai
masukan; vk merupakan keluaran dari linier combiner.
aktivasi dan yk adalah keluaran dari neuron.
(v) merupakan fungsi
12
Jaringan Syaraf Tiruan Propagasi balik
Salah satu arsitektur yang banyak digunakan adalah multilayer
feedforward network. Secara umum terdiri dari beberapa unit neuron yaitu lapisan
masukan, satu atau lebih lapisan tersembunyi (hidden layer) dan sebuah lapisan
keluaran. Sinyal masukan dipropagasikan ke arah depan (ke lapisan keluaran).
Jenis jaringan ini adalah hasil generalisasi dari arsitektur perceptron satu lapis,
dikenal sebagai multilayer perceptrons (MLPs). Jaringan multilayer disebut
sebagai jaringan propagasi balik (backpropagation), jika pada tahapan pelatihan
menggunakan metode propagasi balik.
Jaringan Propagasi Balik ditemukan pertama kali oleh Rumelhart, et al,
pada Tahun 1988 melalui beberapa penelitian indenpenden (Fauset 1994).
Propagasi balik merupakan algoritma pembelajaran yang terawasi (supervised
learning). Algoritma ini menggunakan error output untuk mengubah nilai bobotbobotnya dalam arah mundur (backward). Propagasi balik (ke lapisan masukan)
terjadi setelah jaringan menghasilkan keluaran yang mengandung error. Pada fase
ini seluruh bobot sinapsis (yang tidak memiliki aktivasi nol) dalam jaringan akan
disesuaikan untuk mengkoreksi error yang terjadi (error correction rule). Untuk
pelatihan jaringan, pasangan fase propagasi ke depan dan balik dilakukan secara
berulang untuk satu set data latihan, kemudian diulangi untuk sejumlah epoch
sampai didapatkan error terkecil atau nol.
v11
X!
W11
Z1
v12
v21
Y1
W12
v13
W13
X2
.
.
.
.
.
W21
v22
Z3
v23
Y2
W23
v31
W31
v32
X3 wn
Input
v33
W32
Z5
Hidden Layer
W33
Y3
Output
Gambar 8 Arsitektur Jaringan Syaraf Tiruan Propagasi Balik.
13
Gambar 8 memperlihatkan arsitektur propagasi balik dengan sebuah
lapisan tersembunyi (Fauset 1994). Bias pada lapisan keluaran dinyatakan sebagai
wok dan bias pada lapisan tersembunyi dinyatakan sebagai voj. Bias-bias ini
berfungsi seperti bobot, yang selalu bernilai +1. Pada lapisan keluaran, nilai bobot
dinyatakan sebagai wjk sedangkan nilai bobot lapisan masukan dinyatakan sebagai
vij.
Fungsi Aktivasi
Menurut Fauset, fungsi aktivasi yang digunakan sebaiknya memiliki nilai
kontinu, differentiable, dan tidak turun secara monotik (monotically nondecreasing). Fungsi aktivasi yang digunakan dalam JST dan dilatih dengan
propagasi balik berupa fungsi Sigmoid biner ataupun Sigmoid Bipolar. Pada
fungsi sigmoid biner memiliki cakupan nilai 0 sampai dengan 1. Oleh karena itu,
fungsi ini digunakan untuk jaringan syaraf yang membutuhkan nilai keluaran yang
terletak pada interval 0 sampai dengan 1. Namun dapat juga digunakan untuk
keluaran yang bernilai 0 atau 1. Persamaan 14 dan persamaan 15 merupakan
persamaan untuk fungsi sigmoid biner, (Fauset 1994) :
...............................................................(14)
........................................(15)
Gambar 9 memperlihatkan fungsi aktivasi sigmoid biner dengan range [0,1]
Gambar 9 Fungsi aktivasi sigmoid biner dengan range (0,1).
Algoritma Pelatihan
Dalam algoritma propagasi balik menggunakan dua tahapan yaitu: tahapan
perhitungan maju (feedforward) untuk menghitung error antara keluaran aktual
dengan keluaran yang menjadi target; dan tahapan perhitungan mundur
14
(backward) yang mempropagasikan balik error tersebut dan memperbaiki bobotbobot sinapsis pada semua neuron yang ada. Berikut adalah algoritma propagasi
balik, (Fauset 1994):
Langkah 0.
Inisialisasi bobot (bangkitkan nilai random yang cukup kecil).
Langkah 1.
Kerjakan langkah 2 – 9, selama kondisi berhenti bernilai
FALSE.
Langkah 2.
Kerjakan langkah 3 – 8, Untuk setiap pasangan elemen
pelatihan.
Perhitungan maju:
Langkah 3.
Setiap unit masukan (Xi, i = 1,2,3,.., n) menerima sinyal
masukan xi dan menyebarkan sinyal tersebut ke seluruh unit
pada lapisan tersembunyi.
Langkah 4.
-
Setiap unit tersembunyi (Zj, j = 1,2,..., p) menjumlahkan
setiap sinyal yang memiliki bobot berikut:
-
_
∑
........................................ (16)
Gunakan fungsi aktivasi untuk menghitung sinyal
keluaran:
,............................................................(17)
dan mengirimkan sinyal ini ke seluruh unit pada lapisan
keluaran.
Langkah 5.
-
Setiap unit keluaran (Yk, k = 1,....., m) menjumlahkan
sinyal-sinyal masukan terbobot, sebagai berikut:
∑
,
......................................(18)
dan fungsi aktivasi digunakan untuk menghitung sinyal
keluaran:
_
...........................................................(19)
Penghitungan error (propagasi balik)
Langkah 6.
-
Setiap unit keluaran (Yk, k = 1,....., m) menerima pola
target yang berhubungan dengan pola pelatihan pada
masukan, hitung informasi error sebagai berikut:
.............................................(20)
15
Dengan δk merupakan informasi error untuk bobot wjk
pada unit keluaran Yk . Sementara tk adalah vektor target
keluaran,
-
Kemudian
hitung
koreksi
bobot
(yang
nantinya
digunakan untuk memperbaiki wjk):
∆
Dengan α merupakan laju pembelajaran,
-
Kemudian hitung koreksi bias (yang nantinya digunakan
...........................................................(21)
untuk memperbaiki w0k):
∆
..............................................................(22)
dan mengirimkan δk ke neuron dilapisan bawahnya
(lapisan tersembunyi).
Langkah 7.
-
Setiap neuron pada lapisan tersembunyi (Zj, j = 1 ,..., p)
menjumlahkan masukan deltanya (dari neuron-neuron
yang berada pada lapisan diatasnya, lapisan keluaran):
∑
......................................................(23)
Kalikan nilai ini dengan fungsi aktivasinya untuk
menghitung informasi error:
_
......................................................(24)
δj adalah koreksi error untuk vij
∆
-
∆
Hitung koreksi bobot (digunakan untuk memperbaiki vij)
............................................................(25)
Hitung koreksi bias (digunakan untuk memperbaiki v0j)
................................................................(26)
Perbaiki semua bobot dan bias:
Langkah 8
-
Setiap unit keluaran (Yk, k = 1, ..., m) memperbaiki bias
dan bobotnya (j = 0,1,2,3, ..., p):
-
∆
..............................(27)
Setiap unit tersembunyi (Zj, j = 1 ,..., p) memperbaiki
bias dan bobotnya (i = 0,1,..., n):
∆
.................................(38)
16
Langkah 9
Uji kondisi berhenti
Satu epoch adalah satu putaran (cycle) untuk keseluruhan langkah pada
tahapan pelatihan. Pada dasarnya dibutuhkan banyak epoch untuk pelatihan
jaringan propagasi balik. Pelatihan dilakukan secara berulang-ulang hingga
jumlah siklus tertentu atau telah mencapai MSE (Mean Square Error) yang
diinginkan.
Kejadian Biner (Binary Events)
Pengukuran kinerja (performance measures) merupakan subset dari
pengukuran verifikasi yang fokus pada hubungan antara prediksi dan pengamatan.
Kejadian biner memiliki empat kemungkinan keluaran seperti diperlihatkan dalam
Tabel 1 (Mason 2003).
Tabel 1 Empat kemungkinan keluaran pada kejadian biner
Prediksi
Pengamatan
Ya
Tidak
Ya
Hit (a)
False Alarm (b)
Tidak
Miss (c)
Correct Rejection (d)
Tabel 1 menyajikan hubungan pengamatan dan prediksi dengan empat
kemungkinan keluaran. Hit merupakan nilai yang diperoleh dari hasil pengamatan
terhadap suatu objek benar dan prediksi yang ditentukan bernilai benar. False
Alarm diperoleh jika objek yang diamati bernilai salah namun prediksi bernilai
benar. Miss berkebalikan dengan false alarm, yaitu pengamatan bernilai benar
namun prediksi bernilai salah. Terakhir, correct rejection hasil pengamatan
bernilai salah dan nilai prediksinya juga salah, artinya objek yang salah diprediksi
salah (mengandung nilai kebenaran dan biasanya kebenaran ini tidak digunakan).
Penghitungan kejadian biner yang mempengaruhi prediksi adalah sebagai (Mason
2003) :
Hit rate (Nilai kebenaran prediksi) =
Miss =
...........................................(39)
...........................................................................................(40)
17
False Alarm Rate =
......................................................................(41)
Correct Rejection =
.......................................................................(42)
18
METODOLOGI PENELITIAN
Kerangka Penelitian
Sistem pengenalan roda kendaraan pada penelitian ini tampak pada
Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu,
tahapan pelatihan dan tahapan pengujian.
Gambar 10 Sistem pengenalan roda kendaraan.
19
Pengumpulan Data Citra
Citra kendaraan yang digunakan dalam penelitian ini berasal dari
kendaraan jenis sedan, SUV, pick up, truk sedang dan truk besar, diambil dari
samping (side view) menggunakan kamera digital dengan dimensi 640 x 480
piksel. Citra diambil pada waktu pagi dan siang hari pada kondisi cerah. Jumlah
citra yang digunakan dalam penelitian ini adalah 225 buah.
Pemrosesan Awal
Pemrosesan awal merupakan proses penyiapan citra kendaraan, citra
kendaraan asli dengan dimensi 640 x 480 piksel diubah ke dalam bentuk citra
abu-abu (gray scale) kemudian dipotong (cropping) pada bagian atas dan bawah
secara horisontal, sehingga citra berukuran lebih kecil dan hanya citra yang
terdapat roda saja yang akan diproses selanjutnya. Hal ini dilakukan untuk
mengurangi waktu pemrosesan dan membuang bagian citra lain yang tidak
dibutuhkan. Pengurangan noise yang muncul pada citra, dilakukan dengan proses
smoothing menggunakan filter average ukuran 5x5 (Gambar 11).
Gambar 11 Filter average ukuran 5x5.
Tahapan Pelatihan
Tahapan pelatihan adalah tahapan untuk melatih sistem menggunakan data latih.
1. Data Latih
Data latih yang digunakan sejumlah 80% dari total citra kendaraan atau
180 citra. Data latih merupakan citra keabuan dengan dimensi 640x200 piksel
karena telah dipotong pada sisi bagian atas dan bawah dan mengalami proses
smoothing dengan average filter.
2. Deteksi Lingkaran dengan CHT
Deteksi lingkaran menggunakan Cycle Hough Transform (CHT), hal ini
dilakukan untuk menentukan bagian dari citra yang berupa lingkaran.
20
Untuk memaksimalkan deteksi lingkaran dengan CHT, maka perlu
dilakukan penentuan parameter-parameter CHT. Tabel 2 memperlihatkan
parameter-parameter CHT yang diujicobakan dalam penelitian ini. Semua
parameter dalam tabel ditentukan dengan cara trial and error. Pemilihan nilai
parameter dilakukan seefektif mungkin, karena menentukan tingkat keberhasilan
dan waktu komputasi.
Tabel 2 Parameter-Parameter CHT
Karakteristik
Radrange
Gradient Threshold
Radius Filter LM
Multirad
Spesifikasi
Min = 25; 26; 27
Max = 50, 65, 80 dan
100
10; 11; 12; 13; 14; 15
10; 20; 30 dan 40
1; 0.99; 0.98
Keterangan
Menentukan waktu komputasi
Default = 10
Default = 8 dan minimum = 3
Default = 0,5
Radrange menyatakan radius minimum dan maksimum dari lingkaran
yang dicari satuan yang digunakan adalah unit piksel, semakin besar nilai
radrange maka semakin banyak penggunaan memori dan waktu komputasi juga
semakin lama. Gradient threshold digunakan untuk menghilangkan uniform
intensity, nilai-nilai dibawah gradient threshold akan diabaikan. Radius filter
digunakan untuk mencari lokal maksima dalam accumulator array. Multirad
digunakan dalam kasus lingkaran-lingkaran konsentrik, artinya radius multi
dengan satu posisi pusat lingkaran terdeteksi. Multirad memiliki range 0,1 – 1;
dengan 0,1 adalah toleransi tertinggi, artinya lebih banyak nilai radius terdeteksi,
sedangkan nilai 1 merupakan toleransi terendah, hanya radius yang paling
menentukan saja yang akan dipilih.
3. Normalisasi
Hasil dari CHT adalah citra lingkaran memiliki dimensi yang berbedabeda, terdiri atas lingkaran roda dan bukan roda yang diklasifikasikan secara
manual. Dimensi lingkaran roda dan bukan roda yang beragam mengharuskan
untuk dilakukannya normalisasi. Normalisasi bertujuan untuk menseragamkan
masukan ke 2DPCA. Dimensi citra lingkaran dalam normalisasi ditentukan
sebesar 80x80 piksel, ukuran ini diambil berdasarkan dimensi roda yang diamati.
21
4. Reduksi Fitur dengan 2DPCA
Reduksi fitur dilakukan dengan menggunakan metoda 2DPCA (Two
Dimension Principle Component Analysis). Bagian citra yang direduksi adalah
citra lingkaran yang ditemukan oleh CHT dan telah mengalami normalisasi
sehingga memiliki dimensi 80x80. Reduksi 2DPCA bertujuan mendapatkan set
matriks fitur yang nantinya akan digunakan untuk tahap pemodelan dan pengujian
dengan JST. Keragaman informasi citra lingkaran dalam 2DPCA adalah 99%.
5. Pemodelan dengan Jaringan Syaraf Tiruan
Gambar 12 menunjukkan arsitektur jaringan syaraf tiruan propagasi balik.
Masukan JST berasal dari citra lingkaran yang telah direduksi dengan 2DPCA,
sedangkan target keluaran adalah roda.
Gambar 12 Arsitektur JST Propagasi Balik untuk pengenalan roda kendaraan.
Tabel 3. memperlihatkan parameter-parameter JST propagasi balik yang
dirancang untuk penelitian ini :
Tabel 3. Parameter-Parameter Jaringan Syaraf Tiruan Propagasi Balik.
Karakteristik
Arsitektur
Jumlah neuron masukan
Jumlah neuron keluaran (target)
Jumlah neuron hidden
Fungsi aktivasi
Fungsi Pelatihan
Laju pembelajaran
Minimum toleransi kesalahan
Maksimal iterasi
Spesifikasi
1 hidden layer
Hasil reduksi 2 DPCA
1 target, yaitu roda
5, 10, 20, 30, 40, 50, 60, 70, 80, 90, 100
Sigmoid biner (logsig)
Trainrp
Default
0,000001
5000
22
Tahapan Pengujian
Tahapan pengujian merupakan tahapan untuk menguji jaringan JST yang
telah dilatih untuk mengenali roda kendaraan, terdiri atas:
1. Data Uji
Untuk pengujian digunakan citra sebanyak 20% dari total citra kendaraan
yang ada, yaitu sebanyak 45 citra uji, sehingga terdapat 90 citra roda yang akan
dikenali oleh JST propagasi balik. Citra uji juga telah mengalami pemrosesan
awal.
2. Deteksi Lingkaran dengan CHT
Proses ini sama dengan pada tahapan sebelumnya. Citra uji dideteksi
dengan CHT untuk mendapatkan lingkaran roda dan bukan roda. Parameter CHT
pada tahapan ini menggunakan nilai-nilai yang telah ditentukan pada tahapan
pelatihan. Lingkaran yang dihasilkan memiliki beragam dimensi. Setelah
lingkaran ditemukan, kemudian dijadikan input pada proses selanjutnya.
3. Normalisasi
Normalisasi citra lingkaran dilakukan untuk menyamakan ukuran
lingkaran yang berhasil dideteksi oleh CHT. Ukuran citra yang dinormalisasi
adalah 80x80, sesuai dengan normalisasi pada tahapan pelatihan.
4. Matriks Transformasi
Matriks Transformasi adalah matriks yang dihasilkan dari proses reduksi
2DPCA dan digunakan untuk mengubah citra lingkaran pada tahapan pengujian.
Matriks transformasi memiliki dimensi yang sama dengan citra tereduksi. Matriks
ini dikirimkan dari tahapan pelatihan sebagai acuan reduksi citra lingkaran pada
tahapan pengujian.
5. Pengujian model
Pada proses pengujian model, menggunakan data hasil pelatihan untuk
mendapatkan klasifikasi yang benar dari data uji. Masukan untuk jaringan syaraf
tiruan propagasi balik adalah citra lingkaran dari data uji yang dinormalisasi dan
telah diproses dengan matriks transformasi berasal dari proses reduksi 2DPCA
pada tahapan pelatihan. Target keluaran JST adalah roda. Tahapan pengujian ini
juga melakukan pengujian dengan data uji yang telah diberi noise dan lingkaran
palsu dibagian tengah roda.
23
Evaluasi Hasil
Setelah dilakukan proses pelatihan dan pengujian maka berikutnya akan
dievaluasi hasil meliputi tingkat keberhasilan deteksi lingkaran CHT, tingkat
keberhasilan pengenalan JST, dan tingkat kesalahan dalam pengenalan citra roda
kendaraan, meliputi kesalahan karena roda tidak dikenali (miss) dan kesalahan
objek bukan roda dikenali sebagai roda (false alarm). Penghitungan keberhasilan
pengenalan, miss dan false alarm rate adalah sebagai berikut (Mason 2003) :
%
%
%
24
HASIL DAN PEMBAHASAN
Sistem pengenalan roda kendaraan mengunakan citra kendaraan yang
diambil dari samping (side view) sehingga roda akan terlihat berbentuk lingkaran.
Citra kendaraan yang dikumpulkan terdiri atas kendaraan seperti mobil sedan,
SUV, pick-up, truk sedang dan truk besar.
Pemrosesan Awal
Citra kendaraan asli memiliki dimensi 640x480 piksel, dirubah ke gray
scale kemudian dipotong (crop) secara horisontal sehingga dim