Oleh: Angger Gusti Zamzany( ) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.

Transkripsi

1 Oleh: Angger Gusti Zamzany( ) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.

2 DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI PENGUJIAN DAN PEMBAHASAN PENUTUP 2

3 PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Manfaat 3

4 LATAR BELAKANG Industri Pertahanan Identifikasi Kecacatan LVQ?????? LVQ Industri Pertahanan Indonesia mulai berkembang Untuk dapat mempertahankan konsumen harus memperhatikan kualitas pruduknya Identifikasi kecacatan produk dapat dilakukan secara manual dan otomatis Metode otomatis lebih cepat dan efektif LVQ memiliki ratarata waktu yang lebih baik dari metode backpropagation [Maharani,dkk. 2011] 4

5 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

6 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

7 TUJUAN Mengaplikasikan metode pembelajaran Learning Vector Quantization(LVQ) untuk identifikasi cacat peluru 7

8 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

9 TINJAUAN PUSTAKA Peluru LVQ Pengolahan Citra Jaringan Syaraf Tiruan Laplacian of Gaussian Filter Domain Spasial 9

10 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

11 Pengolahan Citra Secara umum tahap pengolahan citra pada Identifikasi Kecacatan Peluru adalah sebagai berikut: Gray Scalling Cropping Scalling Filtering Binerisasi 11

12 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

13 Cropping Cropping bertujuan untuk memotong citra sehingga citra yang diolah lebih kecil 13

14 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

15 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

16 Binerisasi Binerisasi citra merupakan proses merubah citra ke dalam bentuk biner (0 dan 1) Dengan T adalah tresholding. 16

17 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

18 METODOLOGI Mulai Studi Literatur Analisis dan Perancangan Program Implementasi Program 1. Studi Literatur 2. Analisis dan Perancangan Program 3. Implementasi Program 4. Training dan Skenarionya 5. Pengujian dan Evaluasi Program 6. Penarikan Kesimpulan Sistem Jalan? Tidak Ya Training dan Skenarionya Pengujian dan Evaluasi Program Penarikan Kesimpulan Selesai 18

19 PERANCANGAN DAN IMPLEMENTASI Perancangan Data Implementasi Antarmuka Gambaran Umum Arsitekture LVQ 19

20 PERANCANGAN DATA Masukan Proses Luaran Data masukan dalam sistem identifikasi kecacatan pada peluru ini adalah data primer 1.Citra Cropping 2.Area Scalling 3.Filter LoG(Laplacian of Gaussian) 4.Binerisasi Berupa keputusan hasil pengenalan oleh algoritma Learning Vector Quantization (LVQ) apakah peluru tersebut baik atau cacat 20

21 GAMBARAN UMUM SISTEM (1) Sistem Identifikasi Cacat Peluru ini terdiri dari 3 tahap: Tahap Akuisisi Tahap Pengolahan Citra Tahap JST Proses pengambilan citra oleh kamera Cropping Scalling Filtering Binerisasi Training Testing 21

22 GAMBARAN UMUM SISTEM (2) Tahap Akuisisi Tahap Preprocessing Tahap JST Proses Training Proses Testing 22

23 ARSITEKTUR LVQ 23

24 IMPLEMENTASI ANTARMUKA (1) Menu Utama 24

25 IMPLEMENTASI ANTARMUKA (2) Menu Pelatihan 25

26 IMPLEMENTASI ANTARMUKA (3) Menu Pengujian 26

27 PENGUJIAN DAN PEMBAHASAN HASIL Pengujian Tahap Akuisisi Pengujian Tahap JST Pengujian Tahap Pengolahan Citra Pembahasan Hasil Pengujian 27

28 TAHAP AKUISISI Tahap akuisisi : Memasukkan Citra hasil kamera ke program 28

29 TAHAP PENGOLAHAN CITRA CROPPING Pengujian proses cropping bertujuan untuk mempersempit atau memperkecil area citra sebelum memasuki tahap scalling 29

30 TAHAP PENGOLAHAN CITRA (2) SCALLING Pengujian proses cropping bertujuan untuk mempersempit atau memperkecil area citra sebelum memasuki tahap scalling 30

31 TAHAP PENGOLAHAN CITRA (3) FILTERING Pada tahap filtering citra akan difilter dengan operator Laplacian of Gaussian. 31

32 TAHAP PENGOLAHAN CITRA (4) BINERISASI Citra dalam bentuk biner(0 dan 1) ini akan di jadikan inputan pada proses LVQ 32

33 TAHAP JST PENGARUH LEARNING RATE TERHADAP AKURASI Peluru yang ditesting Learning Rate Epoch Akurasi Baik+Cacat % Baik+Cacat % Baik+Cacat % Baik+Cacat % Baik+Cacat % 33

34 TAHAP JST (2) PENGARUH EPOCH TERHADAP AKURASI Peluru yang ditesting Learning Rate Epoch Akurasi Baik+Cacat % Baik+Cacat % Baik+Cacat % Baik+Cacat % Baik+Cacat % 34

35 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

36 PENUTUP Kesimpulan Saran 36

37 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

38 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

39 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 PENGENALAN TULISAN TANGAN HURUF LATIN BERSAMBUNG SECARA REAL TIME MENGGUNAKAN ALGORITMA LEARNING VECTOR QUANTIZATION. Institut Teknologi Sepuluh Nopember, Surabaya. [3]. Difla, Rosmalinda 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 Pengolahan Citra Digital. Yogyakarta : Penerbit Andi. [6]. Fausett, L Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Prentice Hall International.Inc. [7]. Sutoyo, T., Edy, M., Vincent, S., Oky D.N, & Wijanarto Teori Pengolahan Citra Digital. Yogyakarta: Penerbit Andi. [8]. Sejarah Jaringan Syaraf Tiruan, diambil juni 2014 dari [9]. Kusumadewi, S. 2003, Artificial Intelegence(Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu 39

40