IDENTIFIKASI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN LEARNING VECTOR QUANTIZATION RULIAH Program Studi Sistem Informasi Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru Jl. A. Yani Km. 33,3 Loktabat Banjarbaru Email :
[email protected] BAB III METODELOGI PENELITIAN
Jenis Penelitian yang digunakan dalam penelitian ini adalah eksperimen. Penelitian eksperimen ini bertujuan menerapkan Learning Vector Quantization untuk melakukan identifikasi citra rambu-rambu lalu lintas yang diambil dengan menggunakan kamera. 3.1 Analisa Kebutuhan Pada penelitian sebelumnya Identifikasi objek rambu-rambu lalu lintas menggunakan JST algoritma Backpropagation secara Realtime sedangkan penelitian ini menerapkan algoritma yang berbeda yaitu algoritma Learning Vector Quantization sehingga penelitian yang diusulkan: 1. Pengambilan gambar data citra menggunakan data set yang telah disediakan dengan segmentasi resize citra sebesar (100 x 100) piksel. 2. Sample data yang digunakan 6 objek rambu-rambu lalu lintas yang terdiri dari petunjuk arah kekiri/lurus, petunjuk arah kekanan, dilarang masuk, petunjuk arah melingkar, dilarang stop, petunjuk banyak tikungan , tiap rambu di photo dengan 10 variasi citra sebagai sample data yang digunakan untuk data pelatihan maupun pengujian. Kemudian dihitung tingkat akurasinya agar dapat lebih optimal dan maksimal.
3.2 Teknik Pengumpulan Data Metode pengumupulan data yang digunakan pada penelitian ini yaitu metode kepustakaan, Metode ini digunakan untuk mengumpulkan data-data dan rumusrumus yang diperlukan dalam kaitannya untuk penerapan algoritma Learning Vector Quantization dan tentang image processing untuk mengolah data citra dan mengkonversinya untuk keperluan komputasi pada algoritma Learning Vector Quantization.
3.3 Sampel Data Penerapan pada algoritma alagoritma LVQ (Learning Vector Quantization ) pada Jaringan Syaraf Tiruan diperlukan 6 Kelas Objek, setiap 1 Objek ada 10 variasi citra , 6 variasi data citra digunakan untuk pelatihan dan 4 variasi data citra digunakan untuk pengujian, bidang gambar yang memiliki resolusi 100 x 100 piksel. Sehingga total data yang akan digunakan berjumlah 60 citra. Berikut ini adalah data rambu-rambu lalu lintas yang dijadikan objek penelitian, untuk data pelatihan digunakan data1_1 s/d data1_6, data2_1 s/d data2_6, data3_1 s/d data3_6, data4_1 s/d data4_6, data5_1 s/d data5_6, data6_1 s/d data6_6, jumlah semua data pelatihan = 36 citra, seperti yang terlihat pada gambar dibawah ini :
2
Gambar 3.1. Citra Data Pelatihan
Sedangkan untuk pengujian digunakan data1_7 s/d data1_10, data2_7 s/d data2_10, data3_7 s/d data3_10, data4_7 s/d data4_10, data5_7 s/d data5_10, data6_7 s/d data6_10, seperti yang terlihat pada gambar 5 berikut ini :
Gambar 3.2. Data Citra Pengujian
3.4 Perancangan Penelitian 3.4.1 Grafic User Interface Penerapan algoritma Learning Vector Quantization pada jaringan syaraf tiruan ini menggunakan software Matlab. Aplikasi yang dibangun ini berfungsi sebagai alat bantu untuk melatih jaringan syaraf tiruan yang dibangun dan untuk melihat image processing apa saja yang dilakukan sebelum data di proses dengan menggunakan algoritma Learning Vector Quantization pada jaringan syaraf tiruan. Kemudian desain antar muka software terdiri dari proses pelatihan dan proses pengujian, dapat digambarkan sebagai berikut.
Gambar 3.3. Desain antar muka
Aplikasi yang dibangun akan menampilkan citra yang diambil dan di proses dengan menggunakan image processing berupa RGB ke Grayscale, Grayscale ke biner dengan deteksi tepi, dan segmentasi citra resize 100 x 100 piksel. Setelah semua image processing tersebut dijalan barulah diproses dengan menggunakan algoritma Learning Vector Quantization untuk mengenali simbol rambu-rambu yang lalu lintas yang diujikan. Output pada JST ini berupa angka
4
yang kemudian diubah kedalam arti dari simbol rambu agar mudah dibaca dan dipahami pada saat pengujian.
3.4.2 Blok Diagram Sistem Penelitian. Secara umum, proses penelitian akan dilakukan dengan garis besar dapat dilihat pada blok diagram pada gambar berikut:
Gambar 3.4 Blok Diagram Penelitian
3.4.3
Diagram Konteks Pada diagram konteks digambarkan proses umum yang terjadi di dalam
sistem. Terdapat penerapan Algoritma LVQ (Learninng Vector Quantization) pada JST sebagai yang memasukkan input dan menerima output. Dari input citra sambol rambu-rambu lalu lintas yang diminta untuk selanjutnya di proses. Setelah melakukan proses, sistem akan menghasilkan output berupa hasil ccitra simbol rambu-rambu lalu lintas.
Penggun a
Penerapan Algoritma LVQ (Learninng Vector Quantization) Pada Proses Pengenalan
Input citra simbol rambu-rambu lalu lintas
Output arti citra simbol rambu-rambu lalu lintas Gambar 3.5 Diagram Konteks
3.4.4 UseCase Diagram uc ANNRambu Impelementation LVQ Algorithm of Artificial Neural Network
Image Processing
LVQ Algorithm
User
Result
Gambar 3.6 UseCase Diagram
Use case adalah konstruksi untuk mendeskripsikan bagaimana sistem terlihat di mata pengguna. Sasaran pemodelan use case diantaranya adalah mendefinisikan
kebutuhan
fungsional
dan
operasional
sistem
dengan
6
mendefinisikan skenario penggunaan yang disepakati antara pemakai dan pengembang (developer). Use case diagram untuk penerapan Algoritma LVQ (Learninng Vector Quantization). 3.4.5 Sequence Diagram sd ANNRambu
Arti simbol rambu-rambu lalu lintas
User
Data simbol rambu-rambu lalu lintas
Image Processing
Input data pelatihan()
Algoritma LVQ
Input Pelatihan()
Basis data jaringan saraf tiruan
Pencarian goal()
Simpan basis net()
Input citra simbol rambu-rambu lalu lintas untuk pengujian() Input pengujian()
Proses pengenalan citra dalam jst() Pencarian hasil()
Hasil pengenalan simbol rambu-rambu lalu lintas() Informasi arti dari simbol rambu-rambu lalu lintas()
(from Actors)
Gambar 3.7 Sequence Diagram
3.4.6 Activity Diagram act NNRambu
Pelatihan JST LVQ Image Processing (::)
Ambil data pelatihan rambu (::) Mulai pelatihan
Algoritma LVQ (::)
Data Pelatihan
Pencarian Goal
«simpan» data jst Pelatihan JST Selesai
Pengujian JST LVQ
Ambil Citra dari Data Set (::)
Algoritma LVQ (::)
Mulai Pengujian
Image Processing (::)
Hasil Pengenalan Rambu (::)
Pengujian JST Selesai
Gambar 3.8 Activity Diagram
8
3.5
Teknik Analisis Data Penerapan algoritma Learning Vector Quantization digunakan program
matlab dapat dilihat gambar 8 tentang pelatihan kemudian dilanjutkan dengan pencarian bobot terbaik seperti terlihat pada gambar 9:
Gambar 3.9 Pelatihan
Gambar 3.10. Pencarian Bobot Terbaik
Untuk mengetahui akurasi dari tingkat keberhasilan penerapan algoritma Learning Vector Quantization untuk pengenalan simbol rambu-rambu lalu lintas ini diperlukan pelatihan dan pengujian terhadap jaringan syaraf tiruan yang dibuat dengan menggunakan 6 kelas objek dan 10 variasi citra pada setiap kelasnya dengan data latih sebanyak 6 citra dan data uji sebanyak 4 citra. Sehingga untuk pelatihan sebanyak 36 data citra dan data citra uji ada sebanyak 24 citra. Dari data kebenaran dan kesalahan pengenalan citra simbol
rambu-rambu lalu lintas untuk meningkatkan hasil akurasi algoritma Learning Vector Quantization pada Jaringan Syaraf Tiruan menggunakan Matlab.
3.6
Jadwal Penelitian Tabel 3.1 Jadwal Penelitian Juni 2012
No.
Juli 2012
Agust 2012
Sept 2012
1
1
Okto 2012
Kegiatan 1 Pengumpulan
1 Data Analisa 2 Permasalahan Perancangan 3 Sistem Pembuatan 4 Aplikasi Pengujian & 5 Implementasi Pembuatan 6 Laporan
2
3
4
1
2
3
4
2
3
4
2
3
4
1
2
3
4
