ALAT PENGKLASIFIKASI BERDASARKAN KARAKTERISTIK PANTUL BENDA DENGAN BANTUAN JARINGAN SYARAF BUATAN Hanafiah Satriawan Hakim
UniversitasGunadarma Jl. MargondaRaya100,PondokCina- Depok E-mail :
[email protected] .tlbstrak Suatu cahaya bila disinarkan kesuatu benda maka sebagian dari cahaya tersebut alenn ,@ntulknn kembali. Intensitas pantulan cahaya dari setiap benda berbeda-beda tergantung dari warna dan jenis benda. Perbedaan intensitas pantulan cahaya ini dapat digunakan untuk -wak wtgHasifilrasikan benda-benda yang ada. Pantulan cahaya ini akan ditangkap oleh photodiode wbagai sensor cahaya. Jaringan Syaraf Buatan merupakan model yang meniru cara kerja neural biologis. Proses pembelajaran dari Jaringan Syaraf Buatan dapat membentuk -.rzringan watu pola dari data yang diberikan sehingga data yang semula tidak kelihatan memiliki pola Jstentu dapat didefinisikan menjadi suatu pola tertentu. Data yang dihasilkan oleh sensor akan iiolah oleh JSB. Hasil dari proses pembelajaran dari JSB ternyata dapat untuk mengklasifikasikan wtda berdasarkan sifat cahayapantulannya tersebut !'bta Kunci l"
: Cahaya, warna, pantulan, intensitas,Jaringan syaraf buatan .
Pendahuluan
Setiap sumber cahaya yang mengeluarkan cahaya,dia akan memberikan seberkas cahaya :srhadapbenda-bendadisekelilingnya. Intensitas cahayayang diberikan oleh suatu sumber cahaya :rhadap benda disekelilingnya berbeda-beda tergantung jaraknya benda tersebut dari sumber :ahaya yang diterimanya. Namun untuk titik yang sama, sumber cahaya yang sama dan kondisi ingkungan yang sama, maka intensitas cahaya yang diterima oleh suatu titik atau benda tersebut akansamakapanpun cahayatersebutdi berikan. Berkas cahaya yang diterima oleh suatu benda akan dipantulkan kembali oleh benda :ersebut.Pantulan cahaya dari setiap benda mempunyai intensitasyang berbeda-bedabergantung cari warna dan materi benda tersebut. Berkas cahaya pantul inilah yang akan diterirna mata nanusia sebagai data masukan bagi otak. Masukan ini akan direkam dan dipelajari oleh otak sabagaiproses pembelajaran. Mata manusia normal mampu untuk membedakan warna dari tiap renda. Berkasa cahaya yang masuk yang membawa warna yang berbeda diteruskan oleh mata nelalui jaringan syaraf ke otak. Otak akan mempelajari tiap berkas cahaya yang masuk sehingga akhimya otak dapat mengenali benda-benda yang ada. Proses seperti itulah yang dicoba pada perancangan alat uji ini untuk mengenali karakteristik suatu benda berdasarkanintensitas cahayapantulnya. 2.
Perancangan Alat
Perancangan alat ini bertujuan untuk memanfaatkan jaringan syaraf buatan untuk menyederhanakanrangkaian sensorada untuk prosespengklasifikasibenda. Perancangansystem ini dibagi dalam 4 bagian yaitu: Bagian sensor yaitu bagian yang berfungsi untuk menangkap cahayapantul. Bagian ini terdiri atasbeberapasumber cahaya(Infra Red dan LED) yang berfungsi.untuk memberikan sinar ke objek dan photodioda yang berfungsi untuk menangkap cahaya pantul dari objek dan mengkonversikedalam tegangan.
proceedings,Komputerdan SistemIntelijcn (KOMMIT 2002) AuditoriumUniversitasGunadarma,Jakarta,2l -22 Agushts2002
D ',
RangkaianADC yaitu bagianyang berfungsiuntuk mengkonversitegangan yang dihasilkan oleliphotodioda kedalambentuk data digital. ADC yang digunakandisini adalah IC ADC 0808. Rangkaianinterfaceyaitu rangkaianyang berfirngsiuntuk menghubungkanrangkaiansensor aan ROC kedalamsystemcomputer.Rangkaianinterfaceini menggunakanIC 8255A yang di setpadaaddress300 H. program Jaringan syaraf buatan yang bcrfungsi unhrk memprosesdata masukan untuk dipJajari sehinggapada akhimya diharapakansystem dapat bekerja sesuai dengan tujuan akhir. JSB ini memakaimodelBackpropagation.
Gambar I Blok Diagram AIat 3.
Pengujian Alat
pada proses pengujian alat dilakukan dengan cara menjalankan alat penelitian untuk pengambilan data Objek yang diteliti diletakan didepan sensorlalu disinari dengan sumber cahaya f.tipu infra merah dan LED warna kuning, hrjau dan merah secarabergantian. Setiap kali objek disinari maka sinar pantulnya akan diterima oleh photodiode dan dijadikan sebagaimasukan yang akan direkam oleh system. . pada p"ngujiun alat untuk mendapatkandata digunakan objek penelitian 8 buah yaitu 2 buah Pear warna kuning, 2 Apel warna merah, 2 Apel warna hijau dan 2 Jeruk warna oranga Masing - masing untuk ietiap jinis buah I buah diuji sebanyak5 kali dan 1 buah lagi diuji ZkaliDari hasil pengujian pada alat didapatkandata-datapengujian seperti yeng terlihat dalan table 1. Keterangantable sebagaiberikut : Sl menggunakansumbercahayainfra merah 52 menggunakansumbercahayaLED warna hijau 53 menggunakansumbercahayaLED warna merah 54 menggunakansumbercahayaLED warna kuning Kolom pertama untuk setiap sensoradalahnilai data dalam tegangan(Volt) sedangkanpada kolc kedua nilai data setelahdikonversi kedalam biner. Data ini dijadikan sebagai masukan untuk jaringan syaraf buatan untuk melakukan belajar. Pada pengujian data d"ngutt menggunakan program jaringan syaraf buatan dil sebanyakdua kali.
Alat Pengklasifikasi Berdasarkan Karakteristik Pantul Benda SvarafBuatan Dengan Bantuan
Tabel 1. Tabel Pengambilan Data PearShandons(Kunins) No I
2
s4 no 0.1l6 0.lM
3 4 5
0.103
6 7
0.125 0.135
8 9 l0
n t2 t3 L4
0.1l1 0.145
S4 0.095 0.12 0.112 0.11 0.1l1 0.102 0.065
s3(V)
l0l
Biner s2ry) 1 0 0 1 0 0.062 ll 0.367 10000 0.056 l0 0.327
101 l0t
0.367 0.412
Biner t0l
0.48
lll
il0 110
0.44 0.236
10010 0.064 ll 1 0 1 0 1 0.066 ll
4.373
Il0lllII
0.065 1 l
4.279
1r 0l10 10
0.051 l0 0.062 ll Ape Hiiau
1.405
l 1000
I 100
s2
S3
r0001
0.348
110 101
0.375 0.354 0.3 1 0.332
10000
0.065 0.06 0.066 0.059 0.6
0.393 0. 1 9
10100 1001
0.052 t0 0.053 t0
101
n
4.32
l0l l0
100 l0l l0l
Biner S I rv) 1011I100 3.69 3.651 l0 l I 1 0 1 0 3.752 l0 lI I lll
10011
10010 llll
l1 l1
n ll ll
S1 4.567 4.915 4.905 4.055 4.672
I 1 0 1I 1 0 0 1000111
I 1101000 l l l I1010 I I lll0 10
r l00lI l0 1 1 1 0 11 1 0
4.795 1.506
I 1r 10100 1001 1 00
1l
4.066 4.273 3.94 4.63 4.565
1 0 0 11 1 1 1 0 11 0 0 1 1001000 I 1 0 110 0 11101000
0.06 ll 0.045 l0
4.352 1.58
1 1 0 1 11 0 1 1010000
3.485 2.707
101 10001 10001 010 1 0 1 0 10 0 0 1 0 1 0 10 1 1
Apel Merah
S4
S3 0.446 0.4 1 3 0.422
l5 l6
0.112
t7
0.r15
101 l0l 101
18 19
0.t24 0.085
r10 r00
0.49s 0.495
S2 0.054 1010r 0.057 1 0 1 0 1 0.056 1 1 0 0 1 0.069 I1001 0.07
20 2l
0.09 0.114
100
0.462 0.236
10111 I 100
0.103
I0t
10110
SI
t0 l0
t0
u
Jeruk Mandarin
S4
S2
S3
22
0.08s
23
0.113
24 25 26
0.r12 0.r2
27
0.09
28
0 .1 3
0.102
SI
100 101 t0l 110 101
0.263
t 10t
0.05s 10
0.255 0.28 0.294
0.058 10 0.06 1 1 0.065 1 1
0.225
I l0 l 1110 1110 1011
0.045 10
3.305 3.365 2.625
100 110
0.285 0.202
l1 l0
0.046 10
3.462
10110000
r 0l0
0.07 1 1
1.065
t 1 0 1l 0
10000101
KomputerdanSistemIntelijen (KOMMIT 2002) Proceedings, Auditorium UnivcrsitasGunadarrq Jakart4 2l - 22 Aeustus2002
3.
Analisa Data
:
Data diatas dijadikan sebagaimasukanuntuk jaringan syaraf buatan untuk melakukan proses bclajar Pada pengujian data dengan menggunakanprogram jaringan syaraf buatan dilakul@l sebanyakdua kali. Pada pengujian pertama ini data yang dipakai sebagaiproses belajar adalah lima data pcrtama pada setrap sensor. Pengujian ini dilakukan dengan memberikan parameter kepada jaringan syarafbuatansebagaiberikut: LR:0.5 M :0 ,1 Epoctr/langkahpembelajaran- 10.000 Hasil dari proscs pembelajarandidapatkannilai kesalahannya(error ) sebesar 1,44 . Setelah prosesbelajar ini, seluruh data yang ada diberikankembali ke JSB untuk menguji apakahJSB i"p"t m"ngenali suatu data yang diberikan sesuaidenganprosespembelajarannya.Hasil yang didapatsebagaiberikut : Dari seluruhdatayang diuji sernuadaa dapatdikenali kecualidata: datadari Pear. Nomor 5 dikenali sebagaidatadari apel merahseharusnya datadari Pear. Nomor 6 dikenali sebagaidatadari Apel merahseharusnya Pear. dari data seharusnya data dari Jeruk Nomor 7 dikenali sebagai dari Apel Hijau. data Nomor 14 dikenali sebagaidatadari Jeruksehanrsnya Merah. Apel datadari Nomor 16dikenalisebagaidatadari Pearseharusnya datadariApel mgrah Nomor21 dikenalisebagaidatadari Jerukseharusnya Padapengujiankeduaini samadengancarapengujianpertamadenganparameteryant diberikansebagaiberikut: L R:0.4 M :0,2 = 10.000 pembelajaran Epoch/langkah Hasil dari prosespembelajarandidapatkan nilai kesalahannya(enor ) sebesar 1,35 . SetelahprtEta belajar ini, seluruh data yang ada diberikan kembali ke JSB untuk menguji ap4lah JSB dapl
Hasil.yang mengenalisuatudatayang diberikan sesuaidenganprosespembelajarannya. berikut: sebagai Dari seluruhdatayangdiuji semuadatadapatdikenalikecualidata: datadari Pear. Nomor 5 dikenali sebagaidatadari apel merahseharusnya datadari Pear. Apel merah seharusnya data dari Nomor 6 dikenali sebagai Pear. dari data Nomor 7 dikenali sebagaidatadari Jerukseharusnya datadad Apel Hijau. Nomor 14 dikenali sebagaidatadari Jeruksehanrsnya Apel Merah. Nomor 16dikenalisebagaidatadari Pearseharusnyadatzdari Apel merah Nomor21 dikenalisebagaidatadari Jerukseharusnyadatadari Dari dua hasil pengujian diatas didapatkan hasil yang tidak jauh berbeda. JSB secara keseluruhan proses belajarnya berhasil dimana nilai kesalahan ada yang (1,44 dan 1,35) . Padagambar 2 dapatdilihat grafik kesalahanpada prosesbelajar.
Alat Pengklasifikasi BerdasarkanKarakteristik Pantul Benda DenganBantuan Jaringan Syaraf Buatan
20 1B 16 14
z (} ,f
o
12 10 I
F)
6 4 2 0
Gambar 2. Grafik nilai kesalahan
Tabel 2. Hasil uji Keluruhan Data
No dafa I
Benar Benar Benar
n
-
FInqi T Iii R c nqr
')
4
Salah 5
S al ah
1
Salah
a
D ^- ^;
q 'T. c
o
Benar Benar
I
Benar
)
Renar
Benar
4
Salah R c nqr
6 CD
(D t
(D I 7
7 R q
)o
Salah Benar Benar Benar
Benar
).1 .,., )? )4 )5 )6 ?.7
Salah
28
Benar
R enar
Benar Benar Benar Benar Benar
Proceedings,Komputer dan Sistem Intelijen (KOMMIT Auditorium Universitas Gunadarmq Jakarta' 2l -2?4grsgo
2002) 3002
yang cukup Padaawal prosesbelajarpadamenunjukanJSB masih mempunyait*.l4ry yang ada data pola dari menemukan langkahke znoo JSB rnulai *"**.rki besar.K;k;;;r.i 0' kesalahan nilai ,"tinggu,nitaiiesalahannya mulai ti*u*o hinggaaktrirpry:es mcndckati yang sarnapada data Kesalahanyang ierjadi padaprossspengklasifikasikandata t€rjadi dari berasal Dari pengujiandatakeirbali untuk *utitr"t Eirk"tt JSB dapatmengidcntifikasikandata yang ;*" aii"iatkan adaanya6 d*ayang salahdiidentifikasikandimana2 dzta'berasaldari data p.*"tt dipelajari oeh JSg dan 4 daA berasaldari data baru yang belum pemah-dicobaoleh JSB' ini bias b"ri a.rukali pengujiandataini didapatkankesalahandatapadadatayang sanra.Kesalahan dari objek yaitu dimana Pcrg€seran jadi karenaprosespengarnbilanaaa Oihfcutansecaramaual, jarak ksensor objek satusensorke sensory"""g t"in ditala*an s€ara rnanualyang mengakibatkan bisajadi berubahdari satus€nsordenganscnsoryang lain' 4. l. Z. 3. 4. 56.
f,.
tll
tzl t3l t4l t5l t6l
KesimPulan
'..
cahala' Intensitaspantulandari suatubendasangatdipengaruhioleh jarak bendadari sumber sudutpantulan,wamadanjenis materibenda' pada perancanganalat ini sensoryang ada harusdalam kondisi lingkungan yang samapadl saatpingambilan data(sebisamungkintidak dipengaruhioleh cahayaluar). Benia-benda y*g *L*punyai iifat permukaan yang licin lebih besar daya pantulnla dibandingkanperrnukaanbendayang lebihkasarJaringaniyaraf buatanmampuuntuk melakukanprosesbelajarwalaupundatayang adakur4 menunjukaninformasiyangjelas. DatayangdiambilpadapengujianbelumcularpbanyaksehinggaJSB dalammelekukanproocs masihmelakukankesalahanpembelajaran -Suatu karakteristikpantul benda tersebut. bendadapatdiklasifikasikanberdasarkan
Daftar Pustaka Igor Aleksander dan Helen Morton, An
introduction to Neural Comput4
Cornwall:Champman Hall, I 990. Ramakant Gayakwad dan Leonard Sokoloff, Analog And Digital Control Systems, 1988. Jersey:Prentice-Hall, Martin T. Hagan, Howard B. Demuth., Neural Network Design, Boston:PV Company,1996. Irwan Arifin, Perangkat Pengklasfrkasi Sumber Bunyi Berbantuan Spectrurn'Analya Jaringan Syaraf Tiruan, Proceeding Seminar Ilmiah Nasional Komputer Dan Intelij en, Jakarta:Universitas Gunadarma,2000. Malcblm Plant, Stuart Jan.,Pengantar llmu TelcnikInstrumentasi, PT Gramedia, 1985. Sears Zemansky, Fisika untuk (Jniversitas 3 Optika & Fisika Modern, Ed B andung:Bi nacipta, 1994-
