oleh: angger gusti zamzany(1210100 073) dosen pembimbing ... · 38. saran. 1. proses menghilangkan...
TRANSCRIPT
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