PENGKLASIFIKASIAN KUALITAS KERAMIK BERDASARKAN EKSTRAKSI FITUR TEKSTUR STATISTIK Yogi Febrianto
[email protected] Jurusan Teknik Informatika Fakultas Teknologi Industri Universitas Gunadarma Jl. Margonda Raya No. 100 Pondok Cina Depok 16424
ABSTRAKSI
Bidang perindustrian merupakan salah satu bidang yang banyak menggunakan kecanggihan teknologi, walaupun pada beberapa bagian, masih memanfaatkan penilaian manusia dalam melakukan pekerjaannya. Salah satu industri yang masih memanfaatkan penilaian manusia dalam melakukan pekerjaannya adalah industri keramik. Penilaian manusia digunakan untuk menentukan kualitas dari keramik yang dihasilkan. Pengklasifikasian kualitas keramik ini berdasarkan pada sedikit banyaknya cacat yang terdapat pada keramik tersebut. Proses pengklasifikasian seperti ini cenderung terdapat kesalahan dikarenakan keterbatasan penilaian manusia akibat perbedaan penglihatan mata dari masing-masing pekerja, kemudian kelelahan dikarenakan terus menerus mencari cacat pada keramik. Untuk itu dibutuhkan suatu mekanisme otomatis yang dapat mengklasifikasi kualitas keramik Penelitan ini difokuskan pada proses pengklasifikasian kualitas citra keramik yang memiliki permukaan rata yang didapatkan dari PT. Keramika Indonesia Asosiasi (KIA). Keramik yang digunakan adalah keramik lantai yang memiliki ukuran 25 cm x 20 cm sebanyak 250 keramik dan 100 keramik ukuran 40 cm x 40 cm dengan brand Impresso dan KIA. Kemudian cacat yang diidentifikasi hanya terbatas pada cacat yang terdapat di permukaan keramik. Proses-proses yang dilakukan untuk mendapatkan klasifikasi kualitas keramik dalam penelitian ini yaitu pembacaan citra, proses grayscale, perhitungan gradient magnitude, deteksi tepi, serta proses ekstraksi fitur statistik. Kata Kunci : Pengklasifikasian, Kualitas Keramik, Ekstraksi Fitur, Tekstur Statistik.
penilaian manusia akibat perbedaan
1. PENDAHULUAN Bidang perindustrian merupakan
penglihatan mata dari masing-masing
salah satu bidang yang juga banyak
pekerja,
kemudian
kelelahan
menggunakan kecanggihan teknologi,
dikarenakan terus menerus mencari
walaupun pada beberapa bagian, masih
cacat pada keramik. Hal ini tentu saja
memanfaatkan penilaian manusia dalam
akan mengakibatkan pekerjaan menjadi
melakukan pekerjaannya. Salah satu
kurang efektif dan efisien.
industri yang masih memanfaatkan
Berdasarkan
pandangan
penilaian manusia dalam melakukan
tersebut, penulis mencoba melakukan
pekerjaannya adalah industri keramik.
penelitian
Penilaian manusia digunakan untuk
kualitas
menentukan kualitas dari keramik yang
penelitian
dihasilkan dari proses produksi karena
pengklasifikasian
belum tentu hasil dari proses produksi
dapat dilakukan secara efektif dan juga
sesuai dengan standar yang diinginkan.
efisien sehingga dapat meminimalisir
Untuk itulah dibuat standar untuk
kesalahan yang terjadi.
menentukan kualitas keramik
untuk keramik. ini
mengklasifikasi Dengan
adanya
diharapkan
proses
kualitas
keramik
yang
dihasilkan. Pengklasifikasian kualitas
2. TINJAUAN PUSTAKA
keramik ini berdasarkan pada sedikit
Pengolahan
citra
merupakan
banyaknya cacat yang terdapat pada
proses pengolahan dan analisis citra
keramik
yang
yang melibatkan persepsi visual. Proses
memiliki permukaan tanpa cacat dapat
ini memiliki ciri baik data masukan
dikategorikan sebagai keramik kualitas
maupun
pertama, semakin ke bawah keramik
berbentuk citra. Istilah pengolahan citra
yang
digital
tersebut.
memiliki
Keramik
sedikit
cacat
informasi
secara
keluaran
umum
yang
didefinisikan
dikategorikan sebagai keramik kualitas
sebagai pemrosesan citra dua dimensi
kedua
Proses
dengan komputer. Dalam definisi yang
pengklasifikasian kualitas keramik yang
lebih luas, pengolahan citra digital juga
dilakukan secara manual memanfaatkan
mencakup semua data dua dimensi.
penilaian manusia, cenderung terdapat
Pada dasarnya ada tiga bidang yang
kesalahan
menangani pengolahan data berbentuk
dan
seterusnya.
dikarenakan
keterbatasan
citra,
yaitu:
grafika
komputer,
Ekstraksi ciri merupakan langkah
pengolahan citra, dan visi komputer.
awal dalam melakukan klasifikasi
Pada bidang grafika komputer banyak
dan interpretasi citra. Proses ini
dilakukan proses yang bersifat sintesis
berkaitan
yang mempunyai cirri data masukan
karakteristik
berbentuk deskriptif dengan keluaran
sekelompok nilai ciri yang sesuai.
hasil proses yang berbentuk citra.
dengan
kuantisasi
citra
ke
dalam
2. Segmentasi citra
Sedangkan proses di dalam bidang visi
Segmentasi citra merupakan proses
komputer merupakan kebalikan dari
yang bertujuan untuk memisahkan
proses
Terakhir,
suatu daerah pada citra dengan
bidang pengolahan citra merupakan
daerah lainnya. Berbeda dengan
proses pengolahan dan analisis citra
pada citra non-tekstural, segmentasi
dengan data masukan maupun data
citra
keluarannya berbentuk citra.
didasarkan pada intensitas piksel
Analisis Tekstur
per
grafika
komputer.
Tekstur merupakan karakteristik
tekstural
tidak
piksel,
tetapi
mempertimbangkan
intrinsik dari suatu citra yang terkait
pola
dengan tingkat kekasaran (roughness),
ketetanggaan lokal.
granularitas keteraturan
(granulation), (regularity)
dan
dalam
dapat
perlu
perulangan
suatu
wilayah
Ekstraksi Ciri Statistik
susunan
Analisis tekstur dimanfaatkan
struktural piksel. Aspek tekstural dari
sebagai
sebuah citra dapat dimanfaatkan sebagai
klasifikasi dan interpretasi citra. Proses
dasar
klasifikasi citra berbasis analisis tekstur
dari
maupun
segmentasi,
interpretasi
klasifikasi,
citra.
Tekstur
proses
umumnya
untuk
membutuhkan
didefinisikan sebagai fungsi dari variasi
ekstraksi ciri, antara lain:
spasial intensitas piksel (nilai keabuan).
1. Metode statistik
Analisis tekstur bekerja dengan
melakukan
Metode
statistik
tahapan
menggunakan
mengamati pola ketetanggaan antar
perhitungan
piksel dalam domain spasial. Dua
derajat keabuan (histogram) dengan
persoalan
mengukur
yang
berkaitan
analisis tekstur adalah: 1. Ekstraksi ciri
dengan
statistik
tingkat
distribusi
kekontrasan,
granularitas, dan kekasaran suatu
daerah dari hubungan ketetanggaan
menggunakan kamera
antar piksel di dalam citra.
Canon EOS 7D.
2. Metode spektral
Digital
Hasil dari citra yang didapat
Metode spektral berdasarkan pada
kemudian
fungsi autokorelasi suatu daerah
(cropping)
dengan
atau
menghilangkan
bagian
power
SLR
distribution
pada
dilakukan
tujuan background.
domain transformasi Fourier dalam
Kemudian
mendeteksi periodisitas tekstur.
bagian-bagian putih karena pantulan
3. Metode struktural Analisis
dengan
menggunakan
untuk
pemotongan
menghilangkan
cahaya pada saat pengambilan data, metode
deskripsi
ini
dilakukan
proses
warping.
Proses
primitif
warping adalah proses pelebaran atau
tekstur dan aturan sintaktik. Metode
penarikan bagian citra. Hal ini perlu
struktural banyak digunakan untuk
dilakukan, karena cahaya putih tersebut
pola-pola makrostruktur.
akan mempengaruhi proses identifikasi selanjutnya. Setelah
3. METODE PENELITIAN Pada penelitian ini, proses yang pertama
kali
dilakukan
pengumpulan
data.
adalah
Data
yang
pengambilan
data,
langkah selanjutnya adalah pemrosesan data.
Untuk
pemrosesan
membantu
data,
dalam
dibuatlah
suatu
digunakan adalah data citra keramik
program untuk mempermudah dalam
yang didapatkan pada saat melakukan
proses pengujian dan perhitungan data.
studi
Pada
lapangan
Indonesia
di
Asosiasi
PT.
Keramik
(KIA).
Citra
program
tersebut
dilakukan
beberapa proses yaitu input citra yang
keramik yang digunakan adalah citra
akan
dengan brand Impresso dan KIA yang
perhitungan
berukuran 25 cm x 20 xm dan 40 cm x
pendeteksian tepi kemudian proses
40
ekstraksi
cm.
Kualitas
keramik
yang
diuji,
proses
grayscale,
gradient
fitur
magnitude,
tekstur
statistik
digunakan meliputi KW-1, KW-2 dan
menggunakan mean, standar deviasi dan
KW3 untuk brand Impresso serta KW-1
entropy selanjutnya mencari selisih
dan
KIA.
jarak antara citra keramik cacat dengan
Pengambilan citra dilakukan dengan
citra keramik tanpa cacat menggunakan
KW-2
untuk
brand
Euclidian
Distance.
Proses-proses
tersebut
dapat
digambarkan
pada
Gambar 1
Hasil pengujian keramik ukuran 25cm x 20cm, jumlah citra yang diidentifikasi
Mulai
dengan
benar
sebanyak
147
dan
kesalahan sebanyak 103. Tabel 4.7 Masukkan Citra
menunjukkan
hasil
analisis
untuk
keramik berukuran 25cm x 20cm. Proses Grayscale
Tabel 1 Hasil Identifikasi Keramik Perhitungan Gradient Magnitude
Berukuran 25cm x 20cm Jumlah KW-1 menurut
Deteksi Tepi
Ekstraksi Fitur Tekstur Statistik
Perhitungan Euclidian Distance
114
pabrik Jumlah KW-2 menurut
28
pabrik Jumlah KW-3 menurut
108
pabrik Penentuan Kualitas
Jumlah yang diidentifikasi
147
dengan benar Selesai
Gambar 3.4 Diagram Alur Pemrosesan Data
Jumlah yang diidentifikasi
103
dengan salah
147/250
Persentase Tingkat
x100% =
Keberhasilan
58.9%
4. HASIL DAN PEMBAHASAN Pengujian dilakukan terhadap 350 citra yang terdiri dari 250 citra
Hasil pengujian keramik ukuran 40cm x
keramik berukuran 20cm x 25cm dan
40cm, jumlah citra yang diidentifikasi
100 citra keramik berukuran 40cm x
dengan
40cm. Keramik 25 cm x 20 cm terdiri
kesalahan sebanyak 24. Tabel 4.8
dari 114 KW-1, 28 KW-2 dan 108 KW-
menunjukkan
3. Keramik berukuran 40 cm x 40 cm
keramik berukuran 40cm x 40cm.
benar
sebanyak
hasil
76
analisis
dan
untuk
terdiri dari 46 KW-1, 28 KW-2, 23 KW-3 dan 3 untuk cacat yang tidak dapat ditolerir lagi (afkir).
Tabel 2 Hasil Identifikasi Keramik Berukuran 40cm x 40cm
Jumlah KW-1 menurut
46 5. KESIMPULAN DAN SARAN
pabrik Jumlah KW-2 menurut
Persentase tingkat keberhasilan
28
pada penelitian ini yaitu 58.9 % untuk
pabrik Jumlah KW-3 menurut
keramik ukuran 25cm x 20cm dan 76%
23
untuk keramik ukuran 40cm x 40cm.
pabrik Jumlah yang diidentifikasi
Hal ini dapat disebabkan karena pada
76
penelitian ini tidak semua jenis cacat
dengan benar Jumlah yang diidentifikasi
dapat teridentifikasi. Selain itu, proses
24
cropping
dengan salah Persentase Tingkat
dan
warping
sangat
76/100x
mempengaruhi hasil identifikasi, karena
100%=
bukan tidak mungkin pada bagian putih
76%
yang dibuang mengandung cacat. Selain
Keberhasilan
itu, beberapa cacat dengan ukuran Persentasi
tingkat
keberhasilan
sangat kecil tidak dapat teridentifikasi.
yang berada pada angka 58,9% dan
Persentase tingkat keberhasilan
76% dikarenakan adanya perbedaan
hanya sebesar 67.45 % untuk semua
range dari kualitas keramik. Untuk
data. Selain dipengaruhi oleh citra yang
mengambil range kualitas keramik,
digunakan, kegagalan dan keberhasilan
semua data dari pabrik dilakukan
penentuan kualitas sangat bergantung
pendataan untuk pencarian Euclidian
pada acuan yang digunakan. Faktor
Distance
yang
kemudian
setelah
itu
juga
mempengaruhi
hasil
ditentukanlah range untuk KW A dan
identifikasi adalah jenis motif keramik
KW B. Setelah dilakukan pengujian,
yang diidentifikasi. Jika warna cacat
ternyata ada keramik yang melebihi
hampir
range
ditentukan
keramik atau motif keramik berupa
berdasarkan data pabrik tadi. Sebagai
seperti bercak, bintik atau titik titik,
contoh dari table 4.6 data nomor 10,
maka bagian dari motif itu pun
berdasarkan
dianggap cacat.
tersebut
KW
yang
data
telah
pabrik,
keramik
merupakan KW 3,
menyerupai
Penelitian
tetapi
warna
ini
motif
masih
setelah diuji keramik tersebut masuk ke
membutuhkan
pengembangan
lebih
dalam KW A.
lanjut
meningkatkan
hasil
guna
penelitian yang didapat. Dari segi data
[4] Elbehiery, H, Elewa, M. 2005.
yang digunakan, penulis menyarankan
Surface
agar
Ceramics
lebih
dimaksimalkan
dalam
Defects Tiles
Using
for
Image
pengambilan data. Penggunaan kamera
Processing
digital secara professional tentu akan
Techniques, World Academy of
meningkatkan
Science,
kualitas
citra
yang
dihasilkan, tata letak pengambilan citra
and
Detection
Morphological
Engineering
and
Technology.
serta pencahayaan yang tepat akan
[5] Gonzalez, R.C. & Woods, R.E.,
menghasilkan data yang baik. Acuan
2002. Digital Image Processing
dalam penentuan kualitas disarankan
Second Edition, Prentice Hall, New
agar ditingkatkan jumlah faktor yang
Jersey.
menjadi
pertimbangan.
Penilaian
[6] Hariyanto, Bambang. 2005. Esensi-
terhadap dimensi keramik dan jenis
Esensi Bahasa Pemrograman Java,
cacat lain akan menjadikan penelitian
Informatika, Bandung.
ini lebih baik. Untuk program,
pengembangan
disarankan
memperhatikan
lebih
penggunaan
metode
dalam mendeteksi objek cacat.
[7] Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritma, Informatika, Bandung. [8] Rahaman, GM Atiqur & Md. Mobarak Hossain. 2009. Automatic Defect Detection and Classification
DAFTAR PUSTAKA [1] Agus,
Prijono,
Pengolahan
dkk.
Citra
Menggunakan
2007.
Tehnique From Image: A Special
Digital
Case Using Ceramic Tiles. Asian
MATLAB,
Informatika, Bandung.
University of Bangladesh. [9] Shi, Jianbo. 2008. Computer Vision
[2] Anonim. 2011. MATLAB Builder
CSE399b.
JA 2 User’s Guide, Mathworks,
[10] Sudarwati.
Inc. [3] Collins, Robert. Gradients and Edge Detection CSE486, Penn State.
2006.
Memilih,
Memasang, dan Merawat Keramik, Penebar
Swadaya,
Jakarta.
