Oleh: Angger Gusti Zamzany(1210100 073) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.
DAFTAR ISI I II
PENDAHULUAN TINJAUAN PUSTAKA
III
METODOLOGI
IV
PERANCANGAN DAN IMPLEMENTASI
V
PENGUJIAN DAN PEMBAHASAN
VI
PENUTUP
2
PENDAHULUAN Latar Belakang
Rumusan Masalah
Batasan Masalah Tujuan
Manfaat
3
LATAR BELAKANG Industri Pertahanan
??? •Industri Pertahanan Indonesia mulai berkembang
Identifikasi Kecacatan
LVQ
???
LVQ
•Identifikasi kecacatan produk dapat dilakukan secara manual dan otomatis
• LVQ memiliki ratarata waktu yang lebih baik dari metode backpropagation [Maharani,dkk. 2011]
•Untuk dapat mempertahankan konsumen • Metode otomatis harus memperhatikan lebih cepat dan efektif kualitas pruduknya
4
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 menggunakan metode Learning Vector Quantization (LVQ).
5
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 sama 4. Identifikasi cacat peluru diimplementasikan menjadi sebuah program dengan bahasa pemrograman MATLAB
6
TUJUAN Mengaplikasikan metode pembelajaran Learning Vector Quantization(LVQ) untuk identifikasi cacat peluru
7
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
8
TINJAUAN PUSTAKA Peluru Pengolahan Citra
LVQ
Jaringan Syaraf Tiruan
Filter Domain Spasial Laplacian of Gaussian 9
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
10
Pengolahan Citra Secara umum tahap pengolahan citra pada Identifikasi Kecacatan Peluru adalah sebagai berikut: Gray Scalling
Cropping
Scalling
Filtering
Binerisasi
11
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
12
Cropping Cropping bertujuan untuk memotong citra sehingga citra yang diolah lebih kecil
13
Scalling 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.
Citra scalling 50x50
14
Filtering Laplacian of Gaussian terbentuk dari proses Gaussian yang diikuti operasi laplace. Fungsi Gaussian akan mengurangi derau sedangkan Laplacian akan menajamkan citra. Berikut adalah fungsi untuk mencari kernel dari Laplacian of Gaussian :
15
Binerisasi Binerisasi citra merupakan proses merubah citra ke dalam bentuk biner (0 dan 1)
Dengan T adalah tresholding.
16
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
17
METODOLOGI 1. 2.
Mulai Studi Literatur
3. 4. 5.
Analisis dan Perancangan Program
Implementasi Program
6. Sistem Jalan?
Studi Literatur Analisis dan Perancangan Program Implementasi Program Training dan Skenarionya Pengujian dan Evaluasi Program Penarikan Kesimpulan
Tidak
Ya Training dan Skenarionya
Pengujian dan Evaluasi Program
Penarikan Kesimpulan
Selesai
18
PERANCANGAN DAN IMPLEMENTASI Perancangan Data
Implementasi Antarmuka
Gambaran Umum
Arsitekture LVQ
19
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
20
GAMBARAN UMUM SISTEM (1) Sistem Identifikasi Cacat Peluru ini terdiri dari 3 tahap:
Tahap Akuisisi
Tahap Pengolahan Citra
Proses pengambilan citra oleh kamera • Cropping • Scalling • Filtering •Binerisasi • Training
Tahap JST
• Testing
21
GAMBARAN UMUM SISTEM (2) Tahap Akuisisi
Tahap Preprocessing
Tahap JST
22 Proses Training
Proses Testing
ARSITEKTUR LVQ
23
IMPLEMENTASI ANTARMUKA (1)
Menu Utama
24
IMPLEMENTASI ANTARMUKA (2)
Menu Pelatihan
25
IMPLEMENTASI ANTARMUKA (3)
Menu Pengujian
26
PENGUJIAN DAN PEMBAHASAN HASIL
Pengujian Tahap JST
Pengujian Tahap Akuisisi
Pengujian Tahap Pengolahan Citra
Pembahasan Hasil Pengujian
27
TAHAP AKUISISI
Tahap akuisisi : Memasukkan Citra hasil kamera ke program
28
TAHAP PENGOLAHAN CITRA CROPPING
Pengujian proses cropping bertujuan untuk mempersempit atau memperkecil area citra sebelum memasuki tahap scalling 29
TAHAP PENGOLAHAN CITRA (2) SCALLING
Pengujian proses cropping bertujuan untuk mempersempit atau memperkecil area citra sebelum memasuki tahap scalling 30
TAHAP PENGOLAHAN CITRA (3) FILTERING
Pada tahap filtering citra akan difilter dengan operator Laplacian of Gaussian. 31
TAHAP PENGOLAHAN CITRA (4) BINERISASI
Citra dalam bentuk biner(0 dan 1) ini akan di jadikan inputan pada proses LVQ
32
TAHAP JST PENGARUH LEARNING RATE TERHADAP AKURASI
Peluru yang ditesting
Learning Rate
Epoch
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%
Akurasi
33
TAHAP JST (2) PENGARUH EPOCH TERHADAP AKURASI Peluru yang ditesting Baik+Cacat
Learning Rate
Epoch
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%
Akurasi
34
PEMBAHASAN HASIL PENGUJIAN
peluru Tidak sempurna
Peluru sempurna
Penyebab utama rendahnya akurasi sistem identifikasi cacat peluru terletak pada kualitas citra yang diakuisisi tidak begitu baik. Hal ini mengakibatkan timbulnya banyak gangguan (noise) pada citra yang membuat proses pengolahan citra tidak optimal
35
PENUTUP
Kesimpulan
Saran
36
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.
37
SARAN 1. Proses menghilangkan gangguan (noise) sangat berpengaruh dalam hasil pengenalan, sehingga perlu proses filtering yang lebih baik untuk meningkatkan 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.
38
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
39
