Oleh:

Angger Gusti Zamzany(1210100 073)

Dosen Pembimbing:

Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.

DAFTAR ISI

PENDAHULUANI

TINJAUAN PUSTAKAII

METODOLOGIIII

PERANCANGAN DAN IMPLEMENTASIIV

PENGUJIAN DAN PEMBAHASANV

PENUTUPVI

2

PENDAHULUAN

3

Rumusan Masalah

Latar Belakang

Manfaat

Tujuan

Batasan Masalah

LATAR BELAKANG

•Industri Pertahanan Indonesia mulai ber-kembang

•Untuk dapat mem-pertahankan konsumenharus memperhatikankualitas pruduknya

LVQ

???

•Identifikasi kecacatan produk dapat dilakukan secara manual dan otomatis

• Metode otomatislebih cepat dan efektif

• LVQ memiliki rata-rata waktu yang lebih baik dari metode backpropagation[Maharani,dkk. 2011]

Identifikasi KecacatanIndustri Pertahanan

???

4

LVQ

5

RUMUSAN MASALAH

1. Bagaimana mengidentifikasi cacat pada Peluru menggunakan metode pembelajaran Learning Vector Quantization(LVQ).

2. Bagaimana tingkat keberhasilan identifikasi kecacatan pada citra peluru dengan menggunakanmetode Learning Vector Quantization (LVQ).

6

BATASAN MASALAH

1. Tipe peluru yang akan di identifikasi adalah peluru kaliber 5.56 mm

2. Peluru yang akan diidentifikasi kecacatannya adalah bagian primer(bawah) peluru

3. Citra diambil dari sudut dan jarak yang sama4. Identifikasi cacat peluru diimplementasikan menjadi

sebuah program dengan bahasa pemrograman MATLAB

7

TUJUAN

Mengaplikasikan metode pembelajaran Learning Vector Quantization(LVQ) untuk identifikasi cacatpeluru

8

MANFAAT

1. Memberikan kontribusi bagi dunia penelitian dalam hal pengaplikasian matematika dikehidupan sehari-hari

2. Membantu Industri peluru dalam hal quality control

3. Meningkatkan kualitas produk peluru

9

TINJAUAN PUSTAKA

Pengolahan Citra

Peluru

Jaringan Syaraf Tiruan

Laplacian of

Gaussian

Filter Domain Spasial

LVQ

10

Peluru

Peluru umumnya terdiri dari beberapa bagian yaitu catridge , bullet, catridge case , smokeles gunpowder , primer.Dalam pembuatan peluru tidak jarang terdapat kecacatan.Kecacatan pada peluru secara umum adalah smeared, Defective Head, Nicked or Dent, Defective Crimp dan lain-lain

11

Pengolahan Citra

Gray Scalling Cropping Scalling Filtering Binerisasi

Secara umum tahap pengolahan citra pada Identifikasi Kecacatan Peluru adalah sebagai berikut:

12

Gray Scalling

Teknik yang digunakan untuk mengubah citra berwarna (RGB) menjadi citra yang memiliki nilai keabuan (dari hitam menuju putih)

dengan :

S = Nilai intensitas citra grayscale

r = Nilai intensitas warna merah dari citra asal

g = Nilai intensitas warna hijau dari citra asal

b = Nilai intensitas warna biru dari citra asal

13

Cropping

Cropping bertujuan untuk memotong citra sehingga citra yang diolah lebih kecil

14

Scalling bertujuan untuk mengubah ukuran pixel menjadi pixel ukuran M x N. Hal ini dilakukan karena setiap citra yang diolah belum tentu mempunyai ukuran yang sama.

Scalling

Citra scalling 50x50

15

Filtering

Laplacian of Gaussian terbentuk dari proses Gaussian yang diikuti operasi laplace. Fungsi Gaussian akan mengurangi derau sedangkan Laplacianakan menajamkan citra. Berikut adalah fungsi untuk mencari kernel dari Laplacian of Gaussian :

16

Binerisasi

Binerisasi citra merupakan prosesmerubah citra ke dalam bentuk biner (0 dan 1)

Dengan T adalah tresholding.

17

LEARNING VECTOR QUANTIZATION

Step 0 Inisialisasi vektor referensi dan learning rate (α)

Step 1 Selama stopping condition tidak terpenuhi, kerjakan Step 2-6

Step 2 Untuk setiap vektor x, kerjakan Step 3-4

Step 3 Temukan J sehingga ||x-wj|| minimum

Step 4 Update wj dengan mengikuti rumus:

Jika T = Cj maka wj = wj + α[x-wj]

Jika T ≠ Cj maka wj = wj - α[x-wj]

Step 5 Kurangi learning rate (α)

Step 6 Cek Stopping Condition

18

METODOLOGI

Tidak

Ya

Mulai

Studi Literatur

Analisis dan Perancangan Program

Implementasi Program

Pengujian dan Evaluasi Program

Penarikan Kesimpulan

Selesai

Sistem Jalan?

Training dan Skenarionya

1. Studi Literatur

2. Analisis dan Perancangan

Program

3. Implementasi Program

4. Training dan Skenarionya

5. Pengujian dan Evaluasi

Program

6. Penarikan Kesimpulan

19

PERANCANGAN DAN IMPLEMENTASI

GambaranUmum

Perancangan Data

ArsitektureLVQ

ImplementasiAntarmuka

20

PERANCANGAN DATA

Masukan

Data masukan

dalam sistem

identifikasi

kecacatan pada

peluru ini adalah

data primer

Proses

1.Citra Cropping

2.Area Scalling

3.Filter

LoG(Laplacian of

Gaussian)

4.Binerisasi

Luaran

Berupa keputusan

hasil pengenalan

oleh algoritma

Learning Vector

Quantization

(LVQ) apakah

peluru tersebut

baik atau cacat

21

GAMBARAN UMUM SISTEM (1)

Sistem Identifikasi Cacat Peluru initerdiri dari 3 tahap:

Tahap Akuisisi

Proses pengambilan citra oleh kamera

Tahap Pengolahan Citra

Tahap JST

• Cropping• Scalling• Filtering•Binerisasi

• Training

• Testing

22

GAMBARAN UMUM SISTEM (2)

Tahap Akuisisi

Tahap Preprocessing

Tahap JST

Proses Training Proses Testing

23

ARSITEKTUR LVQ

24

IMPLEMENTASI ANTARMUKA (1)

Menu Utama

25

IMPLEMENTASI ANTARMUKA (2)

Menu Pelatihan

26

IMPLEMENTASI ANTARMUKA (3)

Menu Pengujian

PENGUJIAN DAN PEMBAHASAN HASIL

27

Pengujian Tahap

Pengolahan Citra

Pengujian Tahap JST

PengujianTahap Akuisisi

Pembahasan Hasil

Pengujian

28

TAHAP AKUISISI

Tahap akuisisi : Memasukkan Citra hasil kamera ke program

29

TAHAP PENGOLAHAN CITRA

CROPPING

Pengujian proses cropping bertujuan untuk mempersempit atau memperkecil area citra sebelum memasuki tahap scalling

30

TAHAP PENGOLAHAN CITRA (2)

SCALLING

Pengujian proses cropping bertujuan untuk mempersempit atau memperkecil area citra sebelum memasuki tahap scalling

31

TAHAP PENGOLAHAN CITRA (3)

FILTERING

Pada tahap filtering citra akan difilter dengan operator Laplacian of Gaussian.

32

TAHAP PENGOLAHAN CITRA (4)

BINERISASI

Citra dalam bentuk biner(0 dan 1) ini akan di jadikan inputan pada proses LVQ

33

TAHAP JST

PENGARUH LEARNING RATE TERHADAP AKURASI

Peluru yang

ditestingLearning Rate Epoch Akurasi

Baik+Cacat 0.5 5 51%

Baik+Cacat 0.4 5 73%

Baik+Cacat 0.3 5 76%

Baik+Cacat 0.2 5 55%

Baik+Cacat 0.1 5 63%

34

TAHAP JST (2)

PENGARUH EPOCH TERHADAP AKURASI

Peluru yang

ditestingLearning Rate Epoch Akurasi

Baik+Cacat 0.1 5 63%

Baik+Cacat 0.1 10 59%

Baik+Cacat 0.1 15 67%

Baik+Cacat 0.1 25 64%

Baik+Cacat 0.1 40 78%

35

PEMBAHASAN HASIL PENGUJIAN

Penyebab utama rendahnya akurasi sistem identifikasi cacat peluru terletak pada kualitas citra yang diakuisisi tidak begitubaik. Hal ini mengakibatkan timbulnya banyak gangguan (noise)pada citra yang membuat proses pengolahan citra tidak optimal

peluru Tidak sempurna Peluru sempurna

36

PENUTUP

SaranKesimpulan

37

KESIMPULAN

1. Tugas Akhir ini telah berhasil melakukan identifikasi cacat peluru dengan menggunakan pengolahan citra digital dan Learning Vector Quantization dengan urutan proses cropping, proses scalling, proses filtering, dan proses binerisasi.

2. Metode Learning Vector Quantization pada Tugas Akhir ini dapat mengenali citra peluru dengan akurasi sebesar 78% pada learning rate 0.1 dan iterasi sebanyak 30.

38

SARAN

1. Proses menghilangkan gangguan (noise) sangat berpengaruh dalamhasil pengenalan, sehingga perlu proses filtering yang lebih baik untukmeningkatkan akurasi.

2. Data pelatihan ditambah sehingga didapatkan akurasi yang maksimal.3. Metode untuk mendapatkan ciri citra peluru masih dalam lingkup

spasial, kedepannya dapat dicoba dalam lingkup frekuensi.4. Karena metode ini memiliki tingkat akurasi rendah, sehingga untuk

kedepan deteksi kecacatan dapat menggunakan metode lain seperti Geometric Invariant Moment, Statistical Texture,dan lain-lain.

5. Dapat dikembangkan untuk langsung terhubung dengan kamera, sehingga dapat dideteksi secara realtime.

39

DAFTAR PUSTAKA[1]. Tabrizi P.R ,dkk. (2010). “Using PCA and LVQ Neural Network for Automatic Recognition ofFive

Types of White Blood Cells”. Argentina. 32nd Annual International Conference of the IEEE EMBS Buenos Aires

[2]. Rohwana. 2013. “PENGENALAN TULISAN TANGAN HURUF LATIN BERSAMBUNG SECARA REAL TIME MENGGUNAKAN ALGORITMA LEARNING VECTOR QUANTIZATION”. Institut Teknologi Sepuluh Nopember, Surabaya.

[3]. Difla, Rosmalinda.2010.” JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION UNTUK APLIKASI PENGENALAN TANDA TANGAN”. Universitas Islam Indonesia, Yogyakarta

[4]. Wuryandari, Maharani Dessy. (2011). “PERBANDINGAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION PADA PENGENALAN WAJAH”. Bandung. Universitas Komputer Indonesia.

[5]. Putra, D. 2009. ”Pengolahan Citra Digital ”. Yogyakarta : Penerbit Andi.[6]. Fausett, L. 1994. “Fundamentals of Neural Networks: Architectures, Algorithms, and

Applications”. Prentice Hall International.Inc.[7]. Sutoyo, T., Edy, M., Vincent, S., Oky D.N, & Wijanarto. 2009. “ Teori Pengolahan Citra Digital ”.

Yogyakarta: Penerbit Andi.[8]. Sejarah Jaringan Syaraf Tiruan, diambil juni 2014 dari

http://10508656.blog.unikom.ac.id/sejarah-jaringan.po[9]. Kusumadewi, S. 2003, “ Artificial Intelegence(Teknik dan Aplikasinya) “. Yogyakarta: Graha Ilmu