HASIL DAN PEMBAHASAN

Transkripsi

1 24 HASIL DAN PEMBAHASAN Sistem pengenalan roda kendaraan mengunakan citra kendaraan yang diambil dari samping (side view) sehingga roda akan terlihat berbentuk lingkaran. Citra kendaraan yang dikumpulkan terdiri atas kendaraan seperti mobil sedan, SUV, pick-up, truk sedang dan truk besar. Pemrosesan Awal Citra kendaraan asli memiliki dimensi 640x480 piksel, dirubah ke gray scale kemudian dipotong (crop) secara horisontal sehingga dimensinya menjadi piksel dan diperhalus dengan average filter untuk mengurangi noise. Berikut adalah citra asli (Gambar 13) dan citra yang telah mengalami praproses (Gambar 14). Gambar 13 Citra asli dimensi 640x480 piksel. Gambar 14 Citra setelah pemrosesan awal.

2 25 Deteksi Lingkaran dengan CHT Citra yang telah mengalami praproses akan melalui CHT untuk mendeteksi lingkaran roda. Kemampuan deteksi lingkaran CHT sangat menentukan keberhasilan pengenalan dengan JST. Penetapan nilai parameter dilakukan secara trial and error meliputi: gradient threshold, jangkauan radius (radrange) terdiri atas nilai minimal dan maksimal, radius filter untuk lokal maksima (radius to LM) dan radius jamak (multirad). Data latih yang digunakan dalam penelitian ini adalah sebanyak 180 citra dari kendaraan roda empat, sehingga CHT harus dapat mendeteksi lingkaran roda sebanyak citra. Penentuan nilai parameter CHT dalam penelitian ini berdasarkan citra yang diamati, dengan memperhatikan waktu komputasi dan ketepatan deteksi. Nilai radius filter untuk local maxima sebaiknya besar, parameter ini digunakan untuk mencari lokal maksima dalam accumulator array. Gambar 15 memperlihatkan nilai parameter Radius Filter LM terhadap jumlah lingkaran roda yang berhasil dideteksi. Jumlah Lingkaran Roda Radius Filter LM Gambar 15 Nilai optimum parameter Radius Filter LM. Jumlah lingkaran roda terbanyak terdapat pada nilai 30 yaitu sebanyak 358 lingkaran atau 99,4% dari target deteksi, oleh karena itu parameter Radius Filter LM pada nilai tersebut akan di eksplorasi lebih lanjut, sedangkan nilai-nilai yang lain tidak digunakan. Gambar 16 memperlihatkan nilai parameter Gradient Threshold. Jumlah lingkaran roda terbanyak terdapat pada nilai 16, yaitu sebanyak lingkaran atau seluruh lingkaran roda berhasil dideteksi.

3 26 Jumlah Lingkaran Roda Gradient Threshold Gambar 16 Nilai optimum parameter Gradient Threshold. Penggunaan nilai parameter multirad dengan toleransi terkecil, yaitu 1 (satu), meminimalkan lingkaran lingkaran kosentrik terdeteksi, artinya hanya lingkaran yang prinsipal dengan titik pusat saja yang akan dideteksi. Gambar 17 memperlihatkan deteksi lingkaran dengan nilai parameter multirad yang berbeda. Gambar 17 Deteksi lingkaran dengan nilai parameter multirad berbeda. Penggunaan nilai minimal (25, 26, 27) dan nilai maksimal (50, 65, 80, 100) pada parameter radrange yang semakin besar, menyebabkan waktu komputasi yang diperlukan semakin lama (Lampiran 1). Gambar 18 menunjukkan nilai minimal parameter Radrange pada beberapa nilai gradient threshold dan nilai parameter multirad.

4 27 Jumlah Lingkaran Roda Min RR = 25 Min RR = 26 Min RR = Jumlah Lingkaran Roda Min RR = 25 Min RR = 26 Min RR = Gradient Threshold Gradient Threshold Jumlah Lingkaran Roda Min RR = 25 Min RR = 26 Min RR = Gradient Threshold Gambar 18 Nilai optimum parameter Multirad dan nilai minimal Radrange. Jumlah roda terbanyak yang dapat dideteksi terjadi pada saat nilai minimal parameter Radius Range (Radrange) sebesar 27 dan parameter Multirad sebesar 0,98 serta gradient threshold adalah 14 seperti yang telah diperlihatkan pada gambar sebelumnya. Nilai maksimal parameter Radrange adalah 100 (Gambar 19). Jumlah Lingkaran Roda Nilai Maksimal Radrange Gambar 19 Nilai maksimal untuk parameter Radrange. Dalam penelitian ini dilakukan percobaan-percobaan pendahuluan untuk mendapatkan nilai-nilai parameter CHT yang optimum. Jika nilai parameter yang

5 28 ditentukan tidak dapat memberikan hasil yang diinginkan, maka untuk nilai tersebut tidak dieksplorasi lebih lanjut, seperti parameter Radius Filter LM yaitu nilai 10, 20 dan 40 (Gambar 15) serta nilai maksimal untuk parameter Radrange yaitu nilai 50, 65 dan 80 (Gambar 19) tidak digunakan lagi. Nilai optimum untuk setiap parameter-parameter CHT yang dipergunakan dalam penelitian ini disajikan dalam Tabel 4. Tabel 4 Nilai optimum untuk parameter-parameter CHT Parameter Nilai Radius Filter LM 30 Gradient Threshold 14 Radius Range Min = 27 dan Max = 100 Multirad 0,98 Gambar 20 memperlihatkan deteksi lingkaran dengan nilai-nilai parameter yang telah ditentukan diatas. Gambar 20 Hasil deteksi lingkaran CHT. Kedua lingkaran roda berhasil dideteksi, ditandai dengan lingkaran berwarna biru pada roda, selain itu juga terdapat lingkaran berwarna biru lainnya pada objek bukan roda. Seluruh lingkaran nantinya akan melalui proses selanjutnya yaitu, proses pengenalan dengan JST. Normalisasi Normalisasi dilakukan setelah lingkaran citra didapatkan, dalam hal ini ukuran citra lingkaran yang beragam, akan dirubah menjadi berukuran piksel, sebelumnya citra lingkaran dikelompokkan menjadi roda dan bukan roda secara manual untuk proses pengenalan dengan JST. Gambar 21 menunjukan citra roda dan bukan roda sebelum normalisasi. Gambar 22 citra roda dan bukan roda setelah melalui proses normalisasi.

6 29 Gambar 21 Citra roda dan bukan roda sebelum normalisasi. Gambar 22 Citra roda dan bukan roda setelah normalisasi. Reduksi 2DPCA Reduksi citra roda dan bukan roda dilakukan dengan 2DPCA yang memiliki kesamaan informasi sebesar 99%. Masukan untuk 2DPCA adalah citra roda dan bukan roda berdimensi piksel dari proses sebelumnya yaitu, proses normalisasi. Proses 2DPCA menghasilkan citra tereduksi dan matriks transformasi berdimensi 80 11, artinya dibutuhkan 11 akar ciri untuk mendapatkan kesamaan informasi 99%, sehingga masukan ke JST adalah sebesar 880 neuron (Lampiran 2). Pengenalan dengan JST Propagasi Balik Pengenalan roda kendaraan dilakukan dengan JST propagasi balik melalui tahapan pelatihan dan tahapan pengujian. Tahapan pelatihan merupakan tahapan perhitungan maju (feedforward) untuk melatih JST dalam mengenali citra roda.

7 30 Pelatihan JST Propagasi Balik dilakukan menggunakan Data Latih dengan memvariasikan jumlah neuron pada hidden layer yaitu, 5, 10, 20, 30, 40, 50, 60, 70, 80, 90, dan 100 (Lampiran 3). Tahapan pengujian juga mengalami beberapa proses yang sama dengan proses pada tahapan pelatihan yaitu, sebelum pengujian dengan JST terlebih dahulu data yang akan diujicobakan diproses dulu dengan CHT, kemudian lingkaran yang berhasil dideteksi dinormalisasi ke dalam citra berukuran 80x80 piksel, dan ditransformasikan dengan matriks transformasi yang didapatkan dari reduksi 2DPCA pada tahapan pelatihan. Penghitungan prosentasi keberhasilan dilakukan pada pengujian Data Uji. Data Uji yang digunakan adalah sebanyak 45 citra kendaraan roda empat, sehingga kinerja JST terbaik adalah mampu mengenali sebanyak 90 roda. Roda yang berhasil dikenali oleh JST, ditandai dengan lingkaran berwarna merah (Gambar 23), sedangkan untuk objek bukan roda ditandai dengan lingkaran berwarna biru. Gambar 23 Lingkaran berwarna merah tanda roda dikenali oleh JST. Hasil pengujian juga menunjukkan adanya kesalahan pengenalan. Gambar 24 memperlihatkan kesalahan JST dalam mengenali roda, citra roda pada gambar tersebut memiliki lingkaran yang berbeda warna, yaitu lingkaran berwarna merah dan lingkaran berwarna biru. Lingkaran berwarna merah menyatakan bahwa JST mengenali roda, sedangkan citra roda yang satu lagi tidak dikenali JST (lingkaran berwarna biru). Kesalahan seperti ini disebut dengan miss, yaitu JST luput dalam mengenali sebuah atau kedua lingkaran roda. Gambar 24 Lingkaran roda yang tidak dikenali JST.

8 31 Sistem pengenalan roda ini juga memiliki kesalahan pengenalan lainnya, yaitu objek bukan roda dikenali sebagai roda seperti ditunjukan dalam Gambar 25. Kesalahan seperti ini disebut dengan false alarm. Gambar 25 Objek bukan roda dikenali sebagai roda. Gambar diatas memperlihatkan lingkaran berwarna merah terdapat pada kedua roda, artinya JST mengenali keduanya sebagai roda. Lingkaran berwarna biru pada objek bukan roda, artinya JST mengenalinyaa sebagai objek bukan roda, sedangkann sebuah lingkaran berwarna merah pada objek bukan roda artinyaa JST mengenali objek bukan roda sebagai roda, atau JST telah melakukan kesalahan pengenalan (false alarm). Gambar 26 menyajikan hasil pengujian Data Uji dengan berbagai jumlah neuron hidden layer. Keberhasilan Pengenalan(% %) Kesalahan Pengenalan(%) False Alarm Rate( (%) Gambar 26 Hasil pengujian JST dengan Data Uji. Gambar 26 menunjukkan bahwa prosentasee keberhasilan pengenalan terbaik adalah sebesar 94,4%, yaitu pada hidden layer dengann jumlah neuron sebanyak 100. Jumlah kesalahan pengenalan (miss) pada hidden layer tersebut adalah 5,56% artinyaa citra roda yang luput dikenali oleh JST adalah berjumlah 5

9 32 citra dari 90 citra roda. Jumlah false alarm rate adalah 6% atau citra bukan roda yang dikenali sebagai roda oleh JST berjumlah 8 citra. Citra bukan roda yang dikenali sebagai bukan roda berjumlah 125 citra (Lampiran 4). Kemampuan JST dalam mengenali Data Uji sebenarnya sudah cukup baik (94,4%). Kesalahan pengenalan (miss) disebabkan karena kemampuan JST dalam generalisir masukan untuk Data Uji dengan Data Latih yang digunakan dalam proses pelatihan JST. Penelitian ini melakukan pengujian terhadap kendaraan yang memiliki lebih dari empat roda, seperti diperlihatkan dalam Gambar 27. Ketiga roda dapat dideteksi oleh CHT, namun hanya dua roda yang dikenali oleh JST. Gambar 27 Pengujian kendaraan tiga gandar. Pengujian dengan Data Uji yang diberi noise berupa gaussian noise dan citra yang diberi lingkaran palsu diantara roda. Pengujian dilakukan dengan jumlah neuron sebanyak 100 pada hidden layer. Gambar 28 menunjukkan citra yang diberi variasi gaussian noise. Gambar 28 Citra dengan berbagai varians Gaussian Noise.

10 33 Tanpa Filter Filter Keberhasilan Pengenalan (%) , ,05 0,08 0, 1 0,5 Gaussian Noise Gambar 29 Hasil pengujiann Data Noise pada neuron hidden layer = 100. Pengujian Data Uji yang diberi noise dengan tambahan gaussian filter 5x5 dan tanpaa filter diperlihatkan dalam Gambar 29. Hasil pengujian Data Noise menunjukkan bahwa apabila nilai gaussian noise semakin diperbesar maka terjadi penurunann prosentasee pengenalan. Prosentase pengenalan JST dipengaruhii oleh kemampuan deteksi CHT. Pemberian noise pada Dataa Uji memberikan pengaruh signifikann pada deteksi CHT. Kinerja deteksi CHT pada varians gaussian noise sebesar 0,,02 mengalami penurunan sebesar 7% (tanpa filter) dan sebesar 3,33% (dengan tambahan filter). Penggunaan gaussian filter mampu memperbaiki kinerja JST walaupun tidak terlalu besar. Pengujian data Noise dengan penambahan filter, masih terdapat kesalahan, hal ini karena gaussian filter yang digunakann tidak dapat sepenuhnya mengembalikan citra noise ke citra sebelumnya (citra tanpa noise). Pengujian Data Noise dengan varians gaussian noise sebesar 0,5 terlihat JST tidak dapat mengenali roda (0%) baik tanpa filter ataupun dengan tambahan filter (Lampiran 5). Hal ini disebabkan citra dengan noise seperti itu, sudah sulit dideteksi dan dikenali (Gambar 30). Gambar 30 Citra dengan Varians Gaussian Noise = 0,5.

11 34 Gambar 31 memperlihatkan hasil pengenalan JST pada Dataa Uji yang diberi lingkarann palsu. Gambar 31a) menunjukkan lingkaran palsu dikenali sebagai roda, hal ini karenaa bentuk lingkaran palsu dan background hampir sama dengan lingkaran roda, sehingga JST mengenalinya sebagai roda. Berbeda dengan gambar 31b) bentuk lingkaran hampir sama tetapi background berbeda sehingga JST mengenalinya sebagai objek bukan roda. a) Lingkaran palsu dikenali sebagai roda. b) Lingkaran palsu tidak dikenali sebagai roda. Gambar 31 Hasil Pengenalann Data Uji dengan lingkaran palsu. Gambar 32 menyajikan hasil pengujian data lingkaran palsu pada neuron hidden layer berjumlah Prosentase Lingkaran Palsu Terdeteksi (CHT) Prosentase Lingkaran Palsu Tidak Terdeteksi (CHT) Prosentase Dikenali sebagai Roda (JST) Prosentase Tidak Dikenali Sebagai Roda (JST) Gambar 32 Hasil pengujian Data Lingkaran Palsu.

12 35 Gambar 32 menunjukkan kemampuan CHT mendeteksi keberadaan lingkaran palsu dibagian tengah roda, yaitu mencapai 80%, sedangkan lingkaran palsu tidak terdeteksi oleh CHT mencapai 20%. Penurunan kemampuan deteksi CHT disebabkan karena lingkaran palsu yang digunakan merupakan lingkaran tambahan yang diberikan dengan memanfaatkan aplikasi photoshop, sehingga background citra dan lingkaran palsu tidak menyatu secara alami. Pengenalan lingkaran palsu sebagai roda oleh JST sebesar 51,1% adalah lebih tinggi dibandingkan lingkaran palsu dikenali sebagai bukan roda (28,8%), artinya jika lingkaran palsu memiliki bentuk yang sama serta background dalam lingkaran palsu seperti bentuk lingkaran roda asli, maka JST akan mengenalinya sebagai roda.