SNATIKA 2011 – Paper yang sudah diseminar nasionalkan – 11 Nop 2011

Implementasi Neural Network

Dalam Mengklasifikasi Hasil Ekstraksi Ciri Tepi

Objek Dua Dimensi

 

Budi Rahmani¹⁾, Hugo Aprilianto²⁾

¹⁾ Jurusan Teknik Informatika, STMIK Banjararu, Banjarbaru, email: budirahmani@gmail.com

²⁾ Jurusan Teknik Informatika, STMIK Banjararu, Banjarbaru, email:hugo.aprilianto@gmail.com

 

Abstrak – Pada penelitian ini telah dilakukan proses pengklasifikasian citra objek dua dimensi berupa citra bangun ruang a.l.: tabung, balok persegi panjang, bola, limas dan kerucut. Masing-masing kelas objek terdiri atas sepuluh citra variasi yang akan menjadi citra pelatihan dan pengujian. Variasi citra didapat dengan melakukan rotasi terhadap citra masing-masing kelas dengan sudut rotasi sebesar 10, 45, 70, 90, 110, 130, 170, 215 dan 280 derajat berlawanan jarum jam.

Proses pengklasifikasian dimulai dengan pengolahan citra a.l.: cropping, grayscaling, resizing into 30×30 pixel, edge detecting, reshaping into 1D vector. Dari hasil tersebut dilakukan proses pelatihan terhadap neural network yang dibentuk dengan 900 input node, 1 hidden layer, dan 3 output node. Untuk proses pelatihan dan pengujian dilakukan dengan 2 cara yaitu: pertama, pelatihan dan pengujian dengan menggunakan data yang sama, kedua, pelatihan menggunakan 60% citra dan pengujian dengan 40% citra yang ada.

Hasil penelitian menunjukkan bahwa hasil pengujian dengan menggunakan data yang sama antara data latih dan data uji adalah akurasi pengklasifikasian yang mencapai 84%. Sedangkan pengujian dengan menggunakan 60% citra sebagai data latih  dan 40% citra sebagai data uji yaitu akurasi pengklasifikasian mencapai 45%.

 

Kata kunci : objek 2D, neural network, ekstraksi, ciri tepi, klasifikasi

 

1. 1.     Pendahuluan

 

Mengenali dan membedakan beberapa objek yang berbeda bentuk oleh manusia pada dasarnya adalah sesuatu yang sederhana. Namun oleh sebuah sistem seperti komputer, hal ini tentu saja memerlukan pembelajaran yang relatif sulit dan memerlukan waktu yang relatif lama.

Salah satu faktor yang berpengaruh terhadap proses pengenalan objek guna proses pengklasifikasian adalah faktor bentuk dari objek itu sendiri. Pengenalan dan pemahaman atas suatu objek yang didasarkan pada bentuknya, merupakan topik yang berkembang dalam computer vision dan multimedia processing. Adapun isu sentralnya adalah terletak pada bagaimana proses mencari deskriptor bentuk objek yang baik [2].

Kemudian penelitian lain juga mengetengahkan suatu pendekatan baru dalam hal pendeteksian multi-view object class detection.[7]. Menurut penelitian ini bahwa penampilan dan geometri dari sebuah objek diperlakukan sebagai bagian pembelajaran yang terpisah dengan data pelatihan. Pendekatannya adalah menggunakan model bagian yang secara terpisah mempelajari pendeteksian objek berdasarkan tampilan piramida spasial dari database gambar yang nyata, dan mengkodekan geometri 3D kelas obyek dengan representasi generatif yang dibangun dari database model sintetik. Informasi geometrik terkait dengan data pelatihan 2D dan memungkinkan untuk melakukan estimasi 3D untuk kelas objek generik. Estimasi pose menyediakan metode yang efisien untuk mengevaluasi kemungkinan kelompok mendeteksi bagian 2D dengan baik untuk model 3D geometri penuh untuk menghindari disambiguate and
prune detection terhadapobjek 2D serta untuk menangani oklusi. [7]

Pendeteksian dan pengenalan objek ini salah satunya diterapkan pada aplikasi mobile robot. Di Indonesia, kontes robot cerdas dengan berbagai divisi yang ada merupakan ajang yang tepat untuk menerapkan hal tersebut. Selama ini rata-rata setiap tahunnya ada perkembangan yang mengharuskan setiap peserta tim dari perguruan tinggi se Indonesia untuk menambah kelincahan dan kemampuan robot yang dibuat untuk melakukan navigasi pada arena, mendeteksi keberadaan titik api atau lilin, mendeteksi objek yang harus diambil dan diletakkan di areal tertentu dalam arena. Ini tentu saja akan sulit dilakukan jika robot tidak bisa “melihat” objek yang dimaksud. Menurut Y.H. Putra [3], bahwa pada dasarnya robot menggunakan informasi dari lingkungan sekitarnya untuk melakukan aksi atau tindakan, dan informasi itu didapat salah satunya melalui sensor visual berupa sensor konvensional maupun kamera CCD atau Charge Couple Device. Pada mobile robot, sensor ini selain digunakan untuk informasi objek, juga digunakan untuk menentukan arah geraknya.

Citra objek 2D yang diproses pada penelitian sebelumnya adalah berukuran 320×240 piksel. Piksel sendiri adalah titik-titik pembentuk citra dengan nilai/tingkat keabuan tertentu (citra abu-abu) dan atau dengan tingkat gradasi warna RGB tertentu. Ukuran piksel yang cukup besar seperi itu tentu saja akan membuat waktu komputasi dalam melakukan pelatihan terhadap sistem akan menjadi lebih lama. Untuk itu pada penelitian ini ukuran piksel citra 2D guna pelatihan pada jaringan syaraf tiruan diperkecil ukurannya menjadi hanya 30×30 piksel dengan harapan waktu komputasi dalam pelatihan dapat menjadi lebih singkat.

Jaringan syaraf tiruan sebagai salah satu metode yang sering digunakan untuk mengenali suatu pola, baik itu tanda tangan, sidik jari, dan atau suara. Pada penelitiian kali ini, jaringan syaraf tiruan akan dicoba untuk digunakan sebagai metode untuk mengenali pola citra dari objek 2D yang awalnya di-capture,  dari sebuah objek 3D. Kemudian dengan proses pengolahan citra sebagai preprocessingnya, maka diharapkan dengan diberikannya pelatihan pola citra sejumlah tertentu akan mampu membuat sistem dapat mengenali secara realtime objek-objek yang nantinya diujikan kepadanya.

Dari uraian di atas dapat dirumuskan permasalahan yaitu bagaimana mendeteksi dan mengklasifikasi citra objek dua dimensi dengan menggunakan jaringan syarat tiruan?

2.         Tinjauan Pustaka

Jaringan Syaraf Tiruan dengan algoritma Backpropagation

Salah satu metode dalam JST terapan untuk mendeteksi objek 2 dimensi adalah metode backpropagation. Metode ini memiliki beberapa unit node yang ada dalam satu atau lebih layar tersembunyi (hidden layer). Pada gambar berikut ditunjukkan arsitektur dari backpropagation yang memiliki n buah masukan (input) ditambah sebuah bias, sebuah hidden layer yang terdiri dari p unit ditambah sebuah bias dan sejumlah m buah unit keluaran (output) [5] [6].

V_ji  merupakan bobot garis dari unit masukan x_i ke unit hidden layer z_i. Sedang v_j0  merupakan boot garis yang menghubungkan bias di unit masukan ke unit hidden layer z_j. Kemudian w_kj merupakan bobot dari unit hidden layer z_j ke unit keluaran y_k, sedang w_k0  adalah bobot dari bias pada hidden layer unit keluaran z_k.

Dalam backpropagation fungsi aktifasi yang dipakai harus memenuhi beberapa persyaratankontinyu, terdeferensial dengan mudah dan merupakan fungsi yang tidak turun. Dan salah satu fungsi yang memenuhi ketiga syarat itu adalah fungsi sigmoid biner yang memiliki range bilangan 0 dan 1.

Gambar  1. Arsitektur JST Backpropagation [5] [6]

Adapun fungsi sigmoid dirumuskan seperi berikut ini:

dengan turunan

…………… [5] [6]

Adapun fungsi lain yang dipakai untuk backpropagation ini adalah fungsi sigmoid bipolar dengan range antara -1  s.d. 1 (-1,1) yang mirip dengan fungsi sigmoid biner di atas yaitu:

dengan turunan

……………..  [5][6]

Grafik fungsi sigmoid biner adalah:

Gambar  2. Grafik fungsi sigmoid biner [5]

Sedangkan grafik fungsi sigmoid bipolar adalah:

Gambar  3. Grafik fungsi sigmoid bipolar [5]

3.     Pembahasan dan Hasil

Analisis

Penelitian ini berusaha mengenali dan mengklasifikasikan objek dari citra yang diujikan kepada sistem dengan hasil akhir berupa adanya klasifikasi terhadap objek berdasarkan lima kelas yang dilatih dan diujikan. Penjelasan akan menitik beratkan pada pembuatan jaringan syaraf tiruan menggunakan metode backpropagation dengan preprocessing ­pada citra objek antara lain: cropping, grayscaling, resizing into 30×30 pixel, edge detecting, reshaping into 1D vector. Sedangkan pelatihan JST yang dilakukan adalah: inisialisasi bobot acak (random), target output, feed forward, Backpropagation, write weight variabel memory . Untuk klasifikasi objek dilakukan dengan prosedur: membaca bobot variabel memory, thresholding output, dan klasifikasi (classification).

Secara umum penelitian ini dilakukan dengan beberapa langkah antara lain:

1. Penentuan kelas-kelas objek yang akan dideteksi oleh sistem, termasuk menentukan data-data yang akan digunakan sebagai data pelatihan oleh sistem dan data yang akan diujikan pada sistem yang dibuat.

Gambar  4. Citra Objek Penelitian

1. Pada langkah ini akan ditentukan lima buah objek (5 kelas) yang akan dilatihkan dan diujikan pada sistem antara lain: balok tabung, balok segitiga sama sisi, bola, balok persegi panjang dan tabung kerucut. Kemudian akan dilakukan pengambilan data citra objek dengan menggunakan kamera digital untuk berbagai posisi dari masing-masing kelas objek sebanyak 10 data citra. Jadi akan didapati 50 data citra, baik untuk data pelatihan maupun data pengujian. Masing-masing akan ada 60% data pelatihan dan 40% data pengujian. Dengan kata lain akan ada 30 data pelatihan dan 20 data pengujian.

Masing-masing variasi citra pada tiap kelas objek diputar (rotate) dengan sudut a.l.: 10, 45, 70, 90, 110, 130, 170, 215 dan 280 derajat berlawanan jarum jam.

Pemilihan sudut-sudut putar ini didasarkan bahwa nantinya beberapa posisi dari perputaran citra objek tersebut akan mewakili dari beberapa sudut putar kebalikan (searah jarum jam) dari citra objek tersebut.

1. Pengonversian citra RGB menjadi citra abu-abu (grayscale) dan hitam-putih (black & white). Pada langkah ini citra RGB diubah terlebih dahulu menjadi citra abu-abu dan kemudian diubah kembali menjadi citra hitam putih dan atau thresholding untuk mendapatkan citra yang hanya terdiri atas 2 kondisi warna hitam atau putih (0 atau 255).
2. Dan untuk alasan waktu dan efesiensi dalam komputasi, citra objek akan diubah ukurannya (resize) menjadi 30×30 pixel.
3. Selanjutnya objek akan dideteksi tepinya (edge detection), sehingga memudahkan dalam proses pelatihan nantinya pada JST.
4. Kemudian citra dikonversi menjadi ccitra vektor 1 dimensi.
5. Pendefinisian  jaringan syaraf tiruan dengan 900 input node, 1 hidden layer, dan 3 output node.

Pada langkah ini barulah data-data citra yang sudah didapat pada langkah sebelumnya dimasukkan ke neural network guna dilakukan pelatihan dan pengujian pada data yang ada. Selanjutnya akan dilakukan klasifikasi dari hasil pelatihan dan pengujian terhadap data yang ada. Nantinya akan ditentukan berapa persen keberhasilan sistem dalam mendeteksi objek-objek yang diujikan kepadanya.

Berikut adalah hasil pengujian dengan menggunakan dua cara. Cara pertama pengujian dilakukan terhadap data yang sama dengan data pelatihan (pengujian 1 s.d. 10). Cara kedua pengujian dilakukan terhadap 20 data citra (40%) dengan 60% data pelatihan dari keseluruhan data citra yang ada.

Gambar  5. Pengujian 1

Gambar  6. Pengujian 2

Gambar  7. Pengujian 3

Gambar  8. Pengujian 4

Gambar  9. Pengujian 5

Gambar  10. Pengujian 6

Gambar  11. Pengujian 7

Gambar  12. Pengujian 8

Gambar  13. Pengujian 9

Gambar  14. Pengujian 10

Pengujian berikutnya dengan 60% citra latih dan 40% citra uji

Gambar  15. Pengujian 11

Gambar  16. Pengujian 12

Gambar  17. Pengujian 13

Gambar  18. Pengujian 14

 

 

 

 

1. 4.       Kesimpulan

 

Penelitian ini telah melakukan pelatihan dan pengujian 5 kelas citra objek yang masing-masing divariasikan dengan melakukan rotasi sebesar 10, 45, 70, 90, 110, 130, 170, 215 dan 280 derajat berlawanan jarum jam. Berdasarkan hasil pengujian dengan menggunakan data yang sama antara data citra uji dengan data pelatihan (pengujian 1 s.d. 10) maka didapati rata-rata keberhasilan dalam mengklasifikan citra objek sebesar 84% atau 42 citra yang berhasil diklasifikasikan dari 50 yang diujikan. Sedangkan hasil pengujian yang dilakukan terhadap 20 data citra (40% dari data keseluruhan) dengan 60% data pelatihan dari keseluruhan data citra yang ada menunjukkan 45% rata-rata keberhasilan mengklasifikasikan citra objek atau 9 citra yang berhasil diklasifikasi dengan benar dari 20 citra objek yang seharusnya.

Daftar Referensi

 

[1]    Rizon, Mohamed, “Object Detection using Circular Hough Transform”,  American Journal of Applied Sciences 2 (12), 2005, p.1606-1609.

[2]  Xu, Chunjing et al.  “2D Shape Matching by Contour Flexibility”. IEEE Transaction On Pattern Analysis And Machine Intellegent. The IEEE Computer Society, 2009.

[3]    Y.H. Putra et all. “Sistem Pengenalan ObyekReal-time dengan Jaringan Syaraf Tiruan menggunakan Algoritma Backpropagation”,  Majalah Ilmiah Unikom, Vol 5, 2005, p. 3-14.

[4]    Wang, Liming et al.,  “Object Detection Combining Recognition and Segmentation”,  Proceedings of the 8th Asian Conference on Computer Vision, volume 4843 of Lecture Notes in Computer Science, 2007.

[5]    Siang, Jong Jek, Jaringan Syaraf Tiruan & Pemrogramannya menggunakan MATLAB, Penerbit Andi, Yogyakarta, 2009.

[6] Setiawan, Kuswara, Paradigma Sistem Cerdas. STTS Surabaya, 2005.

[7]  Schmid, Cordelia; Liebelt, Joerg, “Multi-View Object Class Detection with a 3D Geometric Model”, 2010

paper lengkap dapat diunduh disini