APLIKASI MATLAB UNTUK IDENTIFIKASI CACAT LAS DI RADIOGRAFI DENGAN PCA DAN MLP. Zaenal Abidin, Atman Ismunindar, Muhtadan

APLIKASI MATLAB UNTUK IDENTIFIKASI CACAT LAS DI RADIOGRAFI DENGAN PCA DAN MLP Zaenal Abidin, Atman Ismunindar, Muhtadan∗

ABSTRAK APLIKASI MATLAB UNTUK IDENTIFIKASI CACAT LAS DI RADIOGRAFI DENGAN PCA DAN MLP. Telah dilakukan pengembangan perangkat lunak untuk identifikasi cacat lasan radiograf industri. Tujuan dari penelitian ini adalah untuk menghasilkan aplikasi untuk mengidentifikasi cacat lasan pada citra digital radiograph yang menerapkan proses pengolahan citra digital, ekstraksi ciri, dan pengenalan pola menggunakan jaringan syaraf tiruan. Proses pengolahan citra bertujuan untuk membuat kualitas citra yang lebih baik, meliputi teknik peredaman derau dengan filter median, peregangan kontras dan penajaman citra dengan filter laplacian. Ekstraksi ciri dalam penelitian ini menggunakan metode Principal Component Analysis, sedangkan untuk klasifikasi dan interpretasi dari cacat lasan radiograf menggunakan jaringan syaraf tiruan metode Multi Layer Perceptron. Hasil dari penelitian adalah sebuah aplikasi yang telah dilakukan pelatihan dengan jaringan MLP, yang mampu melakukan interpretasi dengan tingkat keberhasilan 90% dari 60 data simulasi. Kata kunci: Aplikasi Matlab, radiograph, pengolahan citra, ekstraksi ciri, Principal Component Analysis, jaringan syaraf tiruan, Multi Layer Perceptron.

ABSTRACT APPLICATIONS OF MATLAB FOR IDENTIFICATION OF WELDING DEFECT IN RADIOGRAPHS WITH PCA AND MLP. A software development for weld defect identification of industrial radiograhps has been constructed. The purpose of this study is to produce applications to identify welding defects in digital image of radiographs which apply digital image processing, feature extraction and pattern recognition using artificial neural network. The process of digital image processing is aimed to create a better image quality, including noise reduction techniques with median filter, contrast stretching and Laplacian filter for image sharpening. Feature extraction in this study uses the Principal Component Analysis method, while for the classification and interpretation weld defects of radiographs uses an artificial neural network method of Multi Layer Perceptron. The result of the study is an application that has already been done with the training of MLP network, which is able to interpret the success rate of 90% from 60 simulated data. Keywords: Applications, radiographs, image processing, feature extraction, Principal Component Analysis, artificial neural network, Multi Layer Perceptron.

∗

Sekolah Tinggi Teknologi Nuklir – BATAN Yogyakarta, e-mail :[email protected]

388

Lokakarya Komputasi dalam Sains dan Teknologi Nuklir, 10 Oktober 2012 (388-400)

PENDAHULUAN Matlab adalah kepanjangan dari Matrix Laboratory, sofware yang dibuat dengan menggunakan bahasa ini dibuat oleh The Mathworks.inc.[1]. Kemampuan matlab terletak pada: Kemudahan manipulasi struktur matriks, fasilitas grafik tiga dimensi, toolbox neural networks dan lainnya yang dapat digunakan untuk memperbaiki citra sehingga dapat digunakan untuk perbaikan citra radiografi. Citra radiografi adalah gambar radiografi. Kebutuhan manusia akan jaminan mutu untuk mendapatkan produk-produk yang bebas cacat, memiliki masa pakai tinggi, serta untuk menghindari kegagalan teknis telah mendorong lahirnya suatu konsep mengenai uji tak rusak. Salah satu metode dari uji tak rusak tersebut adalah uji dengan radiasi atau yang lebih dikenal dengan radiografi. Keterbatasan dari radiografi ini adalah hasil pengujian tidak dapat diketahui langsung, melainkan harus melalui beberapa proses mulai dari pencucian hingga pembacaan film. Cara pembacaan film radiogafi hingga saat ini masih bersifat konvensional, yang beresiko memunculkan faktor subjektifitas dan memicu perbedaan pendapat sesama interpreter. Munculnya faktor subjektifitas dalam melakukan interpretasi film radiografi ini yang melatar belakangi dilakukannya penelitian ini. Aplikasi ini diharapkan dapat mempermudah identifikasi cacat lasan, sehingga faktor subyektifitas dapat dikurangi. Identifikasi cacat lasan dilakukan dengan teknik pengolahan citra, ekstraksi ciri, serta klasifikasi pola.

DASAR TEORI Perbaikan citra digital Perbaikan kontras citra (image enhancement) adalah teknik peningkatan kontras warna dan cahaya dari suatu citra sehingga memudahkan untuk interpretasi dan analisis citra[2]. Operasi perbaikan citra dalam penelitian ini meliputi 3 proses, yaitu: pengurangan derau dengan filter median, pereganan kontras, dan penajaman citra dengan menggunakan filter Laplacian.

Principal Component Analysis Principal Component Analysis (PCA) adalah suatu teknik handal untuk mengekstraksi struktur dari suatu set data dengan dimensi yang cukup banyak[3]. Untuk mengenal suatu citra (image) diperlukan suatu vektor karakteristik yang disebut vektor eigen. Untuk memperoleh vektor eigen harus melalui proses-proses sehingga keakuratan pengenalan pola citra dapat optimal. Proses-proses ini kemudian dikembangkan menjadi metode PCA.

389

Aplikasi Matlab untuk Identifikasi Cacat Las di Radiografi … (Zaenal Abidin, Atman Ismunindar, Muhtadan)

PCA merupakan metode matematik linear untuk merepresentasikan sebuah objek, mengekstrak ciri-ciri dari sebuah objek dan mereduksi dimensi dari objek tersebut dengan cara mentransformasikan sejumlah variabel korelasi ke jumlah yang lebih sedikit [4]. Keuntungan penggunaan PCA dibandingkan metode lain adalah sebagai berikut [5]. 1. Dapat menghilangkan korelasi secara bersih (korelasi = 0) sehingga masalah multikolinearitas dapat benar-benar teratasi secara bersih. 2. Dapat digunakan untuk segala kondisi data penelitian. 3. Dapat dipergunakan tanpa mengurangi jumlah variabel asal.

Multi Layer Perceptron Jaringan syaraf tiruan Perceptron banyak digunakan dalam menyelesaikan proses pengklasifikasian dua pola yang berbeda. Kebanyakan jaringan syaraf tiruan Perceptron terdiri dari sebuah lapisan masukan yang terhubung oleh jalur-jalur dengan bobot-bobot tetap ke neuron-neuron atau simpul-simpul penghubung, dimana bobotbobot dalam jalur-jalur hubungan tersebut telah disesuaikan [6]. Jaringan syaraf tiruan Multi Layer Perceptron digunakan dalam penyelesaian masalah klasifikasi pola yang tidak dapat dipisahkan secara linier, memiliki satu atau lebih lapisan selain lapisan masukan (input layer) dan lapisan keluaran (output layer) yaitu lapisan tersembunyi (hidden layer). Meskipun jaringan syaraf ini terdiri dari banyak lapisan tetapi bentuk-bentuk hubungan yang ada antara lapisan yang satu dengan lapisan yang lain pada jaringan syaraf tiruan ini benar-benar terlokalisasi dengan baik sehingga hal ini akan mendukung proses pelatihan yang dilakukan dalam proses pengklasifikasian pola. Gambar 1 merupakan contoh arsitektur jaringan syaraf tiruan Multi LayerPerceptron.

Gambar 1. Arsitektur jaringan syaraf tiruan Multi LayerPerceptron [7]

390


Algoritma pembelajaran Algoritma pembelajaran atau pelatihan yang digunakan adalah algoritma pembelajaran atau pelatihan terbimbing, yang berarti bahwa setiap pola input yang dimasukkan memiliki pola keluaran yang diinginkan yang sudah ditentukan sebagai target keluaran. Pola masukan dan pola keluaran dimasukkan ke dalam jaringan yang telah dibangun kemudian dilakukan penghitungan dan dibandingkan dengan pola keluaran yang diinginkan atau targetnya. Perbedaan antara pola masukan dengan pola keluaran yang diinginkan digunakan untuk proses pembaruan matriks bobot yang akan digunakan untuk memperbaiki kesalahan yang ada atau perbedaan tersebut. Algoritma pembelajaran tersebut dapat digambarkan dalam gambar 2 berikut.

Gambar 2. Bagan algoritma pembelajaran terbimbing

TATA KERJA Penelitian menggunakan perangkat lunat Matlab versi 7.8.0 rilis 2009. Langkahlangkah yang dilakukan dalam penelitian ditunjukkan dalam gambar 3.

Gambar 3. Alur penelitian

391


HASIL DAN PEMBAHASAN Masukan citra digital radiograf Masukan dari program yang dihasilkan dari penelitian ini merupakan radiograf yang sudah berbentuk citra digital. Citra digital ini diperolah dari lembaga pelatihan radiografi di Pusdiklat BATAN, yang mana citra-citra tersebut memang dikhusukan untuk dijadikan sebagai bahan penelitian. Citra digital radiograf yang digunakan mempunyai format .bmp atau .jpg dengan tipe citra adalah truecolor atau format RGB dan terdiri dari 3 jenis, yaitu citra yang menunjukkan cacat lasan radiograf berupa crack, porosity, dan wormhole. Dalam penelitian ini akuisisi dari citra digital radiograf tersebut diabaikan.

Pemotongan citra digital Pemotongan dilakukan untuk mendapatkan dimensi citra yang lebih kecil, guna meringankan beban komputasi. Perintah untuk melakukan pemotongan citra digital yaitu img=imcrop(f,kotak), dimana f merupakan citra masukan, yang akan dipotong senilai variabel kotak, yang berisi nilai ukuran piksel citra keluaran yaitu berukuran 300 piksel horizontal dan 100 piksel vertikal, sedangkan img merupakan hasil pemotongan. Algoritma untuk melakukan pemotongan citra adalah sebagai berikut[8]: 1. Tentukan koordinat (x,y) dari piksel pada citra masukan (f) yang diduga terdapat cacat. 2. Cari koordinat awal untuk pemotongan dengan langkah: a. Xmin = x – 150 b. Ymin = y – 50 c. Jika Xmin< 1, maka Xmin = 1 d. Jika Ymin< 1, maka Ymin = 1 e. Jika Xmin> (lebar citra f – 300), maka Xmin = lebar citra f – 300 f. Jika Ymin< (lebar citra f – 100), maka Ymin = lebar citra f – 100 3. Memotong citra f menjadi citra img dengan a. Untuk i = 1 hingga 300, lakukan b b. Untuk j = 1 hingga 100 img(m,n) = f(i,j), untuk m = 1,2,3 ... 300, dan n = 1,2,3 ... 100

Perbaikan citra digital Proses perbaikan citra digital dalam penelitian ini meliputi 3 proses, yaitu peredaman derau dengan filter median, peregangan kontras, dan penajaman citra dengan filter Laplacian.

392


Perintah untuk operasi peredaman derau dengan filter median pada citra digital yaitu medlift. Filter median yang digunakan dalam penelitian ini mempunyai ukuran kernel 3x3, yang bertujuan untuk dapat memberikan hasil yang mampu mengurangi derau tanpa menghilangkan beberapa piksel yang terdapat dalam objek. Perintah untuk peregangan kontras yaitu strechlim. Melalu perintah ini, citra digital akan mengalami perlebaran kontras sehingga kontras dari citra digital akan semakin tajam dan kualitasnya semakin meningkat. Penajaman citra dilakukan dengan menggunakan filter Laplacian. Tujuannya adalah untuk memberikan citra yang lebih tajam, terutama pada tepi dari suatu objek, atau yang dimaksud dalam penelitian ini adalah tepi dari bagian-bagian yang dianggap sebagai cacat lasan pada radiograf. Penajaman ini juga bermaksud untuk menghilangkan efek kabur (blur) yang dihasilkan dari peredaman derau menggunakan filter median. Gambar 4 merupakan contoh hasil dari perbaikan untuk citra yang telah mengalami proses pemotongan, dimana gambar a adalah sebelum dan gambar b adalah setelah proses perbaikan citra.

Longitudinal Crack

setelah perbaikan

Distributed Porosity

setelah perbaikan

Wormhole

setelah perbaikan

Gambar 4. Hasil perbaikan citra

Ekstraksi ciri citra digital Ekstraksi ciri ini ditujukan agar program dapat mengelompokkan ciri-ciri dari jenis cacat lasan radiograf (vektor ciri) sehingga memudahkan untuk dikenali dan dapat digunakan sebagai masukan dalam jaringan syaraf tiruan Multi Layer Perceptron (MLP). Dalam penelitian ini digunakan metode ekstraksi ciri yang disebut dengan Principal Component Analysis (PCA). Melalui metoda PCA diambil vektor ciri berdasarkan prinsip yang paling utama dari suatu jenis kelompok data.

393


Hasil dari ekstraksi ciri dengan PCA adalah suatu vektor yang berisikan 10 elemen ciri dari tiap citra hasil pengolahan. Tabel 1 merupakan vektor ciri dari masing-masing jenis cacat lasan radiograf, hasil dari ekstraksi menggunakan PCA.

Pelatihan jaringan syaraf tiruan MLP Untuk dapat melakukan pelatihan dengan jaringan syaraf MLP, terlebih dulu harus dibuat arsitektur jaringan (network) dengan perintah net=mlp(nin, nhidden,nout,outfunc,alpha. Keluaran dari perintah tersebut dinyatakan dalam variabel net yang merupakan jaringan pelatihan MLP, dengan nin (jumlah masukan) sebanyak elemen ciri data masukan dan nout (jumlah keluaran) sebanyak 3, yaitu jumlah jenis cacat yang akan diinterpretasi. Variabel nhidden merupakan jumlah lapisan tersembunyi (hidden layer), outfunc merupakan fungsi aktivasi dari jaringan MLP sedangkan alpha merupakan laju pelatihan. Tabel 1. Vektor ciri dari masing-masing jenis cacat no. vektor ciri 1 2 3 4 5 6 7 8 9 10

crack 0,5260 0,2581 0,1638 0,1104 0,0792 0,0525 0,0434 0,0386 0,0316 0,0285

jenis cacat porosity Wormhole 3,1109 6,4861 0,1403 0,4123 0,1180 0,2537 0,0943 0,1902 0,0847 0,1772 0,0696 0,1606 0,0543 0,1504 0,0445 0,1213 0,0365 0,1045 0,0317 0,0876

Setelah arsitektur jaringan dibentuk, langkah selanjutnya adalah melakukan pelatihan. Perintah untuk melakukan pelatihan dengan jaringan MLP adalah nettrn = netopt(net,options,xtrain,target,'quasinew'). Jumlah masukan pelatihan adalah sebanyak elemen ciri yang didapatkan melalui ekstrasi dengan metode PCA, yaitu sebanyak 10 elemen. Pelatihan dilakukan dengan menggunakan 10 hidden layer, dan output sebanyak 3 kelas yang mewakili cacat crack, porosity, dan wormhole. gambar 5 merupakan gambar arsitektur jaringan MLP yang dibangun dalam penelitian ini.

394


Gambar 5. Arsitektur jaringan MLP dalam penelitian ini

Pengujian pelatihan dengan variasi hidden layer Pengujian pelatihan yang pertama adalah pengujian dengan variasi hidden layer (nhidden). Pada pengujian ini dilakukan variasi nhidden dari nilai 1 hingga 15 dengan menggunakan nilai iterasi sebayak 500. Tabel 2 merupakan hasil dari pengujian dengan variasi hidden layer, hasil mulai stabil setelah nhidden 6, untuk lebih amannya maka dipilih nhidden 10. Tabel 2. Hasil pengujian pelatihan dengan variasi nhidden nhidden

waktu (detik)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

0,202 0,308 0,598 0,901 1,065 1,248 1,360 1,429 1,589 1,807 2,068 2,291 2,488 2,662 3.093

crack 26,00 4,00 4,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00

kesalahan (%) porosity 68,00 18,00 10,00 4,00 4,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00

wormhole 14,00 10,00 2,00 2,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00

395


Pengujian pelatihan dengan variasi iterasi Pengujian selanjutnya adalah mengubah jumlah siklus dari pelatihan atau yang sering disebut dengan iterasi. Pengujian ini dilakukan dengan menggunakan jumlah nhidden tetap yaitu sebesar 10, dan jumlah iterasi diubah-ubah dari 100 hingga 1500 iterasi. Hasil dari pengujian dapat dilihat pada Tabel 3. Berdasarkan kedua pengujian tersebut, maka dalam penelitian ini digunakan pelatihan dengan jumlah hidden layer sebesar 10 dan jumlah iterasi sebanyak 1000. Hal ini dimaksudkan agar pelatihan dapat berjalan secara maksimal dengan waktu komputasi yang tidak terlalu lama.

Tabel 3. Hasil pengujian pelatihan dengan variasi iterasi iterasi

waktu (detik)

100 200 300 400 500 600 700 800 900 1000 1100 1200 1300 1400 1500

0,833 1,011 1,349 1,663 1,965 2,237 2,596 2,970 3,192 3,299 3,478 3,453 3,647 3.820 3.934

crack 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00

kesalahan (%) porosity wormhole 4,00 0,00 4,00 0,00 2,00 0,00 2,00 0,00 2,00 0,00 2,00 0,00 2,00 0,00 2,00 0,00 2,00 0,00 2,00 0,00 2,00 0,00 2,00 0,00 2,00 0,00 2,00 0,00 2,00 0,00

Pengembangan aplikasi dengan Graphical User Interface Hasil dari pengembangan aplikasi berbasis GUI ini ditunjukkan dalam gambar 6.

396


Gambar 6. Tampilan aplikasi dalam melakukan interpretasi cacat Penggunaan GUI bertujuan agar aplikasi yang dihasilkan menjadi user friendly serta mudah digunakan, karena aplikasi ini diharapkan menjadi pendukung keputusan bagi seorang petugas radiografi dalam menginterpretasi jenis cacat lasan pada suatu radiograf. Langkah pertama untuk memulai proses interpretasi dengan aplikasi ini adalah dengan menekan tombol Open Image. Tombol tersebut akan meminta pengguna untuk membuka citra radiograf yang akan diinterpretasi cacat pengelasannya. Setelah citra digital dipilih, maka akan tertampil pada panel Input Image, baru kemudian tombol Interprets akan menjadi aktif. Tombol ini digunakan untuk memulai proses interpretasi, dengan meminta pengguna untuk menentukan titik dalam citra digital radiograf yang diduga terdapat cacat pengelasan.Hasil dari proses pengolahan citra, yang meliputi pemotongan dan perbaikan citra, akan tertampil pada panel Output Image. Sementara itu hasil dari proses interpretasi akan tertampil pada panel Result, dimana akan tertulis jenis cacat “CRACK”, “POROSITY”, atau “WORMHOLE” sesuai dengan hasil klasifikasi.

Pembahasan Dari penelitian telah dihasilkan suatu aplikasi untuk identifikasi cacat radiograf industri. Pengembangan aplikasi dengan menggunakan jaringan syaraf tiruan dirancang sebagai pendukung keputusan bagi interpreter radiografi dalam melakukan interpretasi cacat pengelasan, khusunya jenis cacat crack, porosity, dan wormhole. Aplikasi ini tidak bisa untuk menginterpretasi cacat selain 3 jenis cacat tersebut, karena hal ini merupakan batasan masalah dari penelitian ini.

397


Untuk mengetahui unjuk kerja serta keandalan dari sistem, maka perlu dilakukan pengujian simulasi interpretasi.Simulasi menggunakan 2 film untuk masingmasing jenis cacat, dengan 10 titik pengujian pada tiap film. Jadi jumlah total dari data simulasi adalah 60 data. Gambar 7 merupakan hasil keseluruhan dari pengujian simulasi yang dilakukan. Dari gambar tersebut diperoleh informasi seperti berikut: untuk citra radiograf yang telah diketahui memiliki jenis cacat crack menunjukkan interpretasi yang salah sebesar 20%, sehingga tingkat keberhasilannya sebesar 80%. Untuk citra radiograf yang telah diketahui memiliki jenis cacat porosity menunjukkan interpretasi yang salah sebesar 5%, sehingga tingkat keberhasilannya sebesar 95%. Sedangkan untuk citra radiograf yang telah diketahui memiliki jenis cacat wormhole menunjukkan interpretasi yang salah sebesar 5%, sehingga tingkat keberhasilannya sebesar 95%. Hal ini berarti berdasarkan simulasi yang dilakukan sistem mempunyai tingkat keberhasilan rerata sebesar 90%.

Gambar 7. Hasil pengujian simulasi interpretasi cacat pengelasan radiograf

KESIMPULAN 1. Pengembangan aplikasi ini menghasilkan citra keluaran yang memiliki kualitas yang lebih baik dari citra digital radiograf masukan, yaitu citra yang mempunyai sedikit derau, kontras yang merata, dan lebih tajam. 2. Dari penelitian ini telah dihasilkan suatu program untuk mengekstraksi ciri cacat pengelasan menggunakan metode Principal Component Analysis (PCA). Prinsip dari metode PCA adalah mengelompokkan ciri berdasarkan prinsip yang paling utama dari suatu jenis kelompok data. Melalui PCA dihasilkan vektor-vektor ciri, yang kemudian dijadikan masukan dari pelatihan menggunakan jaringan syaraf tiruan Multi Layer Perceptron (MLP), yang juga telah dihasilkan dari penelitian 398


ini. Hasil dari pelatihan dapat digunakan sebagai model dalam klasifikasi dan interpretasi jenis cacat pengelasan. 3. Aplikasi yang dikembangkan dari penelitian ini berbentuk perangkat lunak berbasis Graphical User Interface (GUI) untuk interpretasi jenis cacat film, yang dapat digunakan sebagai pendukung keputusan interpreter radiografi dalam menginterpretasi jenis cacat pengelasan radiograf industri. 4. Dari hasil pengujian simulasi dengan 60 data diketahui bahwa sistem mempunyai tingkat keberhasilan interpretasi sebesar 90%

DAFTAR PUSTAKA 1.

SUKARMAN, “Pengolahan Sinyal Digital Menggunakan MatLab”, STTN, Yogyakarta, 2012.

2.

FAUSETT, L., “Fundamental of Neural Networks: Architecture, Alghorithms, and Applications”, Prentice Hall, New Jersey,1994.

3.

WIBOWO, P., “Identifikasi Perubahan Tutupan Lahan Pulaupanggang, Pulau Pramuka, dan Pulau Karyaantara Tahun 2004 dan Tahun 2008”,Tugas Akhir, Institut Teknologi Bandung, Bandung, 2010.

4.

KWANG, I. K., KEECHUL, J., Hang, J. K., “Face Recognition Using Kernel Principal Component Analysis”, Institute of Electrical and Electronics Engineers New York 9 (2) Feb (2002), 40-42.

5.

LAKSHIMINARAYANA, A., NEWMAN, T. S., “Principal Component Analysis of Lack of Cohesion in Methods (LCOM) metric”, Technical Report TR-UAH-CS-1999-01, Computer Science, Dept., Univ. Alabama in Huntsville, 1999.

6.

MUHTADAN, “ Pengembangan Aplikasi Untuk Interpretasi Film Radiografi Industi Menggunakan Jaringan Syaraf Tiruan”, Tesis,Universitas Gadjah Mada, Yogyakarta, 2009.

7.

PURNOMO, SIGIT WP., “Klasifikasi Pola yang Tak Dapat Dipisahkan Secara Linier (Non-Linearly Separable Pattern) Menggunakan Jaringan Syaraf Tiruan Perceptron Multi-Layer”, Jurnal Teknologi Industri V (3) Juli (2001) 177-184.

8.

SOEMARTINI, “Principal Component Analysis (PCA) Sebagai Salah Satu Metode Untuk Mengatasi Multikolinearitas”, Universitas Padjadjaran, Jatinangor, 2008.

399


DISKUSI

WINTER DEWAYATNA 1. Berapa banyak data pelatihan, pengujian, dan apakah berbeda? 2. Bagaimana kriteria fitness? ZAENAL ABIDIN 1. Data pelatihan 3 jenis cacat dengan 10 hidden layer variasi pengujian n hidden layer 1 hingga 15 dengan iterasi 500. Data sama tetapi penentuan lokasi sesuai operator. 2. Kriteria fitur laplacian dengan PCA dalam 10 ciri

IRWAN ARY DHARMAWAN Berapa jumlah hidden layer dan berapa jumlah masing-masing neuronnya?

ZAENAL ABIDIN Pada pelatihan hidden layer 10, iterasi sebanyak 500 dan pengujian hidden layer 10 iterasi 1000.

DAFTAR RIWAYAT HIDUP 1. 2. 3. 4. 5. 6. 7.

400

Nama : Zaenal Abidin Instansi / Unit Kerja : STTN BATAN Yogyakarta Pekerjaan / Jabatan : Dosen Lektor Kepala/Ketua Jurusan TFN Riwayat Pendidikan : S1 Teknik Nuklir, S2 K3 Pengalaman Kerja : Dosen radiografi dan Komputer Organisasi Profesional : AUTRI Publikasi Ilmiah yang pernah disajikan/diterbitkan : • Hubungan Tegangan dan Citra Radiografi Real Time Pada Pesawat Sinar X Rigaku Radioflex-250EGS3(Prosiding Seminar Nasional SDM Tek.Nuklir 2011, ISSN 1978-0176)

APLIKASI MATLAB UNTUK IDENTIFIKASI CACAT LAS DI RADIOGRAFI DENGAN PCA DAN MLP. Zaenal Abidin, Atman Ismunindar, Muhtadan

Recommend Documents