PENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION

Transkripsi

1 PENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Sutino 1, Helmie Arif Wibawa 2, Priyo Sidi Sasongo Jurusan Ilmu Komputer/Informatia, FSM, Universitas Diponegoro 1 ti@undip.ac.id, 2 helmie.arif@gmail.com, 3 priyoss@undip.ac.id ABSTRAK Negara Indonesia merupaan negara epulauan terbesar didunia dengan luas wilayah perairan dua ali lipat luas daratannya. Luas lautan Indonesia mencapai m 2 yang didalamnya terdapat berbagai jenis biota laut, termasu spesies iannya yang lebih dari spesies. Namun, selama ini besarnya potensi perianan tersebut belum dapat dinimati sepenuhnya oleh Indonesia arena beberapa fator, diantaranya banyanya ativitas illegal fishing di wilayah perairan Indonesia. Untu mengurangi erugian yang disebaban illegal fishing, TNI Angatan Udara melauan pantauan laut melalui pesawat yang dilengapi dengan foto udara untu membantu dalam pereaman egiatan illegal fishing diperairan. Dari hasil foto udara tersebut dilauan analisis visual secara manual oleh manusia, belum bisa melauan detesi secara otomatis. Pada penelitian ini telah dibuat apliasi pengenalan apal pada citra digital dengan menggunaan image processing dan algoritma jaringan syaraf tiruan bacpropagation yang nantinya bisa diembangan menjadi suatu sistem yang dapat mendetesi apal pada citra digtal. Dari hasil pengujian yang telah dilauan sistem mampu mengenali citra apal dengan prosentase 85% dengan jumlah data pengujian 40 data dengan rincian sistem mengenali 75% citra yang merupaan apal dan 95% citra buan apal. Kata Kunci: Pengenalan, Kapal, Illegal Fiishing, Pengolahan Citra, Jaringan Syaraf Tiruan, Bacpropagation 1. PENDAHULUAN Negara Indonesia merupaan negara epulauan terbesar di dunia dengan luas wilayah perairan dua ali lipat dari luas daratannya. Dari total luas Indonesia sebesar m2, luas lautan Indonesia mencapai m2, sedangan luas daratannya m2 [1]. Dengan luas lautan yang besar tersebut, terdapat berbagai jenis biota laut, termasu spesies iannya yang lebih dari spesies. Dengan ondisi tersebut, Indonesi memilii potensi perianan yang sangat besar. Namun, selama ini besarnya potensi perianan tersebut belum dapat dinimati sepenuhnya oleh Indonesia arena beberapa fator, diantaranya banyanya ativitas illegal fishing di wilayah perairan Indonesia. Banyanya jumlah apal asing yang masu wilayah Indonesia untu mencuri eayaan alam di wilayah perairan Indonesia lebih besar dari pada nilai yang didapat oleh nelayan Indonesia. Presiden Joo Widodo pernah mengataan bahwa erugian negara aibat ativitas illegal fishing mencapai Rp 300 triliun pertahun. Jumlah tersebut jauh lebih besar dari pendapatan yang diraup Indonesia yang hanya sebesar Rp 63 triliun [2]. Kegiatan illegal fishing yang dilauan oleh Kapal Perianan Asing (KIA) dan Kapal Perianan Indoneisa (KII) di Wilayah Pengelolaan Perianan Indonesia (WPP-NRI), secara nyata melanggar Undang-Undang (UU) No. 31 tahun 2004 tentang perianan sebagaimana diubah dengan UU No. 45 tahun 2009 dan peraturan perundang-undangan yang mengatur mengenai perianan tangap. Selain itu, illegal fishing oleh KII di wilayah perairan ompetensi Organisasi Pengelolaan Perianan Regional (Regional Fisheries Management Organizations/RFMOs) dan di laut lepas, juga menyalahi resolusiresolusi RFMOs, termasu etentuan mengenai Conservation and Management Measures (CMM) dan etentuan-etentuan internasional tentang perianan [3]. Untu mengurangi erugian yang disebaban illegal fishing, TNI Angatan Udara melauan pantauan laut melalui pesawat. Pesawat ini dilengapi dengan foto udara untu membantu dalam pereaman egiatan illegal fishing diperairan. Dari hasil foto udara tersebut dilauan analisis visual secara manual oleh manusia, belum bisa melauan detesi secara otomatis [4]. Sehingga dari analisis secara manual tersebut masih terdapat elemahan-elemahan diantaranya yaitu terdapat emunginan esalahan analisis dan masih terdapat citra gambar yang tida dapat di detesi arena ondisi foto (citra) yang menjangau laut yang luas. Pada penelitian ini telah dibuat apliasi pengenalan apal pada citra digital dengan menggunaan image processing dan algoritma jaringan syaraf tiruan bacpropagation yang nantinya bisa diembangan menjadi suatu sistem yang dapat mendetesi apal secara otomatis pada citra digital. 273

2 2. METODE 2.1. Metode Penelitian Metode yang digunaan dalam penelitian ini meliputi tahapan-tahapan seperti yang diilustrasian pada Gambar 1. Analisis Sistem Perancangan Sistem Pembuatan Sistem Pengujian Sistem Penyimpulan dan penulisan nasah Tinjauan tahap sebelumnya/modifiasi ulang Gambar 1. Metode pengembangan. a. Analisis sistem Pada tahap awal, melauan studi literatur untu mengetahui perembangan terahir dari metode yang aan diembangan emudian menganalisis ebutuhan sistem yang aan dibangun terait dengan arsitetur yang aan dibuat. b. Perancangan sistem Merancang strutur basis data dan antarmua (user interface). Selain itu dilauan perancangan proses, fungsi, algoritma pada tahap preprocessing, estrasi fitur, pelatihan, dan pengujian sistem. Pada tahap preprocessing digunaan teni image processing dan pada proses pelatihan dan pengujian dengan menggunaan algoritma jaringan syaraf tiruan bacpropagation. c. Pembuatan sistem Mengimplementasian hasil desain sistem dalam bentu program yaitu dengan menggunaan bahasa pemrograman Visual Basic. Pembuatan program ini melibatan 4 (empat) subprogram utama (modul), yaitu modul prepocessing, modul estrasi ciri, modul pelatihan data, modul pengujian data. d. Pengujian sistem Pada tahap ini menyiapan data yang aan dilatih dan di uji emudian melauan pelatihan dan pengujian. e. Penyimpulan Setelah melalui tahap pengujian sistem dan setelah sistem yang dihasilan mampu menghasilan inerja yang bai, maa dilauan penyimpulan dan diformulasian dari hasil yang telah dicapai untu pengembangan penelitian selanjutnya Pengolahan Citra Pengolahan citra adalah pemrosesan citra hususnya dengan menggunaan omputer agar mudah diinterpretasi oleh manusia atau mesin, dimana pengolahan citra diterapan biasanya untu perbaian atau modifiasi citra, penggabungan citra dengan citra lainnya, bisa juga digunaan jia suatu citra perlu dielompoan, ecocoan atau diuur dan masih banya lagi [5]. Sebuah warna pada citra didefinisian dengan jumlah dari intensitas etiga warna poo RGB yang diperluan untu membentu suatu warna. Keuatan intensitas tiap omponen warna dapat berisar antara 0% sampai 100% dan untu menampilan tingat euatan intensitas etiga warna tersebut maa digunaan satuan bit yang jumlah gabungannya menggambaran jumlah warna yang ditampilan pada layar monitor [5]. Derajat eabuan citra adalah representasi citra dengan hanya menggunaan satu warna grey (abu-abu) yang berbeda intensitasnya. Citra abu-abu dapat dihasilan dari citra warna RGB dengan mengalian etiga omponen warna poo merah, hijau dan biru dengan suatu oefisien yang jumlahnya satu [5]. Y a R b G c B (1) Citra dapat di representasian dalam bentu biner yang mempunyai dua intensitas warna pada tiap pixelnya yaitu 0 dan 1, dimana nilai 0 mewaili warna hitam dan nilai 1 mewaili warna putih. Citra biner merupaan tingat abu-abu terendah yang dicapai dalam pembentuan citra [5] Jaringan Syaraf Tiruan Jaringan syaraf tiruan adalah sistem pengolahan informasi yang mempunyai arateristi unju erja tertentu sebagaimana jaringan syaraf biologis. Jaringan syaraf tiruan didasaran pada beberapa asumsi [6]: a. Pengolahan informasi terjadi pada neuron. b. Sinyal-sinyal dilewatan antar neuron melalui rantai penghubung. 274

3 c. Masing-masing rantai penghubung aan mengalian sinyal yang ditransmisian. d. Masing-masing neuron menggunaan fungsi ativasi pada jaringan masuannya untu menentuan sinyal eluaran. Jaringan syaraf tiruan dicirian oleh hubungan pola antar neuron, metode untu menentuan bobot dan fungsi ativasinya. Sebuah jaringan syaraf terdiri dari banya elemen pengolah sederhana yang disebut neuron, unit, cell, atau node. Masing -masing neuron dihubungan e neuron yang lain oleh rantai omuniasi terarah dengan masing-masing bobot yang beraitan dengannya. Bobot merepresentasian informasi yang digunaan oleh jaringan untu memecahan sebuah masalah. Masing-masing neuron mempunyai state internal, disebut sebagai ativasi atau level pengatifan (activation or activity level) yang merupaan fungsi masuan. Biasanya, sebuah neuron mengirim ativasinya sebagai sebuah sinyal e beberapa neuron. Sebagai catatan bahwa neuron hanya dapat mengirim satu sinyal pada suatu watu, mesipun sinyal itu diirim e beberapa neuron yang lain. Gambar 2 menunjuan sebuah neuron Y yang menerima input dari neuron X 1, X 2, dan X 3. Bobot pada hubungan dari X 1, X 2, dan X 3 e neuron Y adalah w 1, w 2, dan w 3. Jaringan masuan, y_in, e neuron Y adalah jumlah dari sinyal terboboti (weighted signal) dari X 1, X 2, dan X 3, yaitu: y_in = w 1 X 1 +w 2 X 2 +w 3 X 3 (2) Gambar 2. Sebuah neuron. Ativasi y dari neuron Y diberian oleh suatu fungsi dari jaringan masuannya, y = f(y_in), sebagai contohnya adalah fungsi sigmoid logistic (sebuah urva berbentu S) yang memenuhi persamaan: atau fungsi ativasi yang lain, semisal fungsi linier serta fungsi threshold. (3) Dalam banya asus, digunaan fungsi ativasi non linier. Fungsi non linier digunaan pada jaringan multilayer arena hasil pengumpanan sinyal melalui dua atau lebih layer dengan menggunaan fungsi linier aan diperoleh hasil yang tida berbeda dengan apa yang diperoleh jia menggunaan single layer (lapis tunggal). Gambar 3 menunjuan fungsi ativasi sigmoid logistic. Gambar 3. Fungsi ativasi sigmoid biner Algoritma Pelatihan JST Bacpropagation Aturan pembelajaran bacpropagation diembangan dari delta rule dengan menambahan hidden layer. Melatih jaringan dengan menggunaan metode bacpropagation melibatan tiga tahapan: feedforward pola pelatihan masuan, bacpropagation terhadap error, serta penyesuain bobot [7]. Algoritma pelatihan bacpropagation adalah sebagai beriut. Langah 0 : Inisialisasi bobot (ambil bobot awal dengan nilai random yang cuup ecil) Langah 1 : etia ondisi berhenti salah, lauan langah 2-9. Langah 2 : untu masing-masing pasangan training, lauan langah 3-8. Feedforward: Langah 3 : Tiap-tiap unit input (X i, i=1,2,3, n) menerima sinyal x i dan menerusan sinyal tersebut e semua unit pada lapisan yang ada diatasnya (lapisan tersembunyi). Langah 4 : Tiap-tiap unit tersembunyi (Z i, j=1,2,3, p) menjumlahan sinyal-sinyal input terbobot: 275

4 z _ in j Vo j n X V i ij i 1 (4) gunaan fungsi ativasi untu menghitung sinyal output-nya: Z j = f(z_in j ) Hitung fungsi ativasi untu menghitung sinyal eluaran, Z j =f(z_in), lalu mengiriman sinyal ini esemua unit pada layer diatasnya (unit eluaran). Langah 5 Y _ in : Tiap-tiap unit output (Y,, K=1,2,3, m) menjumlahan sinyal-sinyal input terbobot. Wo p Z W i j i 1 (5) gunaan fungsi ativasi untu menghitung sinyal output-nya Y = f(y_in ) (6) Dan iriman sinyal tersebut e semua unit di lapisan atasnya (unit-unit output). Bacpropagation: Langah 6 : Tiap-tiap unit output (Y, K=1,2,3, m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya: =(t -y )f (y_in ) (7) emudian hitung oresi bobot (yang nantinya aan digunaan untu memperbaii nilai W j ): W z (8) j j hitung juga oresi bias (yang nantinya aan digunaan untu memperbaii nilai Wo ): W (9) o iriman ini Langah 7 e unit-unit yang ada dilapisan bawahnya. : Tiap-tiap unit tersembunyi (Z j, j=1,2,3, p) menjumlahan delta input-nya (dari unit-unit yang berada pada lapisan diatasnya): m _ in j W 1 j Kalian nilai ini dengan turunan dari fungsi ativasinya untu menghitung informasi error: j= _injf(z_inj) (11) Kemudian hitung oresi bobot (yang nantinya aan digunaan untu memperbaii nilai V 1j ): V j j X i (12) Hitung juga oresi bias (yang nantinya aan digunaan untu memperbaii nilai V 0j ): V 0 j j (13) Langah 8 : Tiap-tiap unit output (Y =1,2,3, m) memperbaii bias dan bobotnya (i=1,2,3, p): Wj(baru)=wj(lama)+ wij (14) Tiap-tiap unit tersembunyi (Z j, j=1,2,3, p) memperbaii bias dan bobotnya (i=0,1,2, n) : vj(baru)=vj(lama)+ vij (15) Langah 9 : Uji syarat berhenti 3. HASIL DAN PEMBAHASAN 3.1. Desripsi Sistem Pada penelitian ini, telah di buat suatu apoliasi pengenalan apal pada citra digital dengan menggunaan metode image processing dan algoritma cerdas jaringan syaraf tiruan bacpropagation. Apliasi pengenalan apal pada citra digital ini dibangun sesuai dengan Gambar 4. (10) 276

5 Gambar 4. Apliasi pengenalan apal pada citra digital. Secara umum apliasi ini terdiri dari tiga bagian yaitu input data latih dan data uji, pelatihan jaringan, serta pengujian sistem. a. Input data latih dan uji Data latih dan data uji digunaan untu proses pelatihan dan pengujian algoritma jaringan syaraf tiruan bacpropagation. Untu mempersiapan edua proses tersebut maa data latih dan data uji di inputan terlebih dahulu pada sistem ini untu disimpan dalam database. Sebelum data disimpan, pada bagian ini terdapat dua proses yaitu proses perubahan dari citra RGB (Red Green Blue) beruuran 20x20 pixel menjadi citra eabuan dan proses binerisasi. Pada proses perubahan e citra eabuan, citra hanya memilii satu warna grey (abu-abu) yang berbeda intensitasnya. sedangan pada proses perubahan e biner, citra di representasian hanya dua intensitas warna pada tiap pixelnya yaitu 0 dan 1. b. Proses pelatihan Setelah data latih dan data uji telah disimpan dalam database, maa data tersebut dilauan pelatihan dengan menggunaan jaringan syaraf tiruan bacpropagation. Tujuan dari proses pelatihan ini yaitu untu mencari arsitetur jaringan terbai. Hasil dari proses pelatihan berupa bobot-bobot jaringan yang emudian disimpan dalam database. c. Proses pengujian Proses pengujian dilauan pada citra beruuran 20x20 pixel, citra yang diuji berupa citra apal dan citra buan apal Implementasi Sistem Sesuai dengan perancangan proses dan perancangan antarmua, implementasi sistem ini terdiri dari 4 Implementasi, yaitu implementasi login, input data latih dan uji, Pelatihan dan Pengujian. 1) Implementasi login Pada implementasi login terdapat proses verifiasi pengguna. Jia pengguna terdapat dalam database maa pengguna aan diijinan, jia tida maa pengguna aan ditola. Antarmua login seperti pada Gambar 5. Gambar 5. Implementasi login. 277

6 2) Implementasi data latih dan uji Implementasi data latih dan data uji terdapat proses input data yang berupa citra beruuran 20x20 pixel yang emudian melalui proses perubahan e gray scale dan proses binerisasi baru emudian disimpam dalam database. Proses ini digunaan untu mempersiapan proses pelatihan dan proses pengujian. Antarmua input data latih dan uji seperti pada Gambar 6. Gambar 6. Implementasi input data latih dan uji. 3) Implementasi Pelatihan Implementasi pelatihan digunaan untu proses pelatihan jaringan syaraf tiruan bacpropagation. Input dari proses pelatihan ini yaitu citra pelatihan yang telah disimpan dalam database dan variabel input batas epoch, batas error dan nilai α (alfa). Sedangan outputnya berupa bobot-bobot jaringan. Bobot-bobot ini disimpan dalam database untu mempersiapan proses pengujian. Antarmua pelatihan jaringan seperti pada Gambar 7. Gambar 7. Implementasi pelatihan. 4) Implementasi Pengujian Pada implementasi pengujian ini terdapat proses pengujian dengan menggunaan algoritma jaringan syaraf bacpropagation pada fase feedforward, antarmuanya seperti pada Gambar 8. Input dari proses ini adalah citra yang aan diujian dan bobot-bobot jaringan yang telah di simpan dalam database, sedangan hasilnya adalah eputusan sistem apaah citra yang diuji merupaan citra apal atau buan. Gambar 8. Implementasi pengujian. 278

7 3.3. Pengujian sistem Pada pengujian penelitian ini, dilauan 2 pengujian yaitu pengujian pelatihan algoritma dan pengujian inerja algoritma. a. Pengujian Pelatihan algoritma Algoritma yang digunaan untu identifiasi citra apal pada penelitian ini dengan menggunaan algoritma jaringan syaraf tiruan bacpropagation. Pada algoritma ini terdapat proses pelatihan jaringan untu mendapatan bobot-bobot jaringan terbai pada jaringan. Arsitetur jaringan yang digunaan dalam pelatihan ini terdiri dari 400 neuron pada layer input, satu layer tersebunyi yang terdiri dari 40 neuron, dan 1 neuron pada layer output seperti pada Gambar 9. Input dari jaringan ini terdiri dari 400 input sesuai dengan jumlah neuron pada layer input yaitu nilai dari pixel citra beruuran 20x20 pixel, sedangan output dari jaringan ini terdiri dari 1 neuron yang terdapat 2 emunginan yaitu apaah citra merupaan citra apal atau citra buan apal. Gambar 9. Implementasi input data latih dan uji. Data yang digunaan dalam pelatihan ini berupa citra beruuran 20x20 pixel. Ada 128 data yang digunaan untu pelatihan yang terdiri dari 48 citra apal dan 80 data buan apal. Contoh citra yang digunaan untu pelatihan yaitu seperti pada Tabel 1. Variabel input yang digunaan dalam pelatihan ini yaitu dengan menggunaan epoch masimum , batas error 0, dan nilai laju pembelajaran (α) =0,2. Tabel 1. Contoh data yang aan dilatih. No Nama citra Citra 1 Kapal33 2 Kapal39 3 Kapal48 4 Kapal203 5 Kapal207 6 Nonapal2 7 Nonapal21 8 Nonapal24 9 Nonapal45 10 Nonapal88 Dengan variabel input dan 128 citra pelatihan diatas, setelah dilauan pelatihan didapatan bobot-bobot dan error 0, di capai pada epoch e b. Pengujian inerja sistem Pengujian inerja sistem bertujuan untu menguur inerja sistem hususnya algoritma yang digunaan. Algoritma yang digunaan yaitu algoritma jaringan syaraf tiruan bacpropagation fase feedforward. Input dari proses pengujian ini yaitu bobot-bobot jaringan yang dihasilan dari proses pelatihan sebelumnya dan data yang aan diuji yaitu citra beruuran 20x20 pixel. Hasil dari pengujian yaitu apaah citra yang diuji merupaan citra apal atau buan apal. Data yang diujian berjumlah 40 data yang terdiri dari 20 citra apal dan 20 citra buan apal, seperti pada Tabel 2. Dari hasil pengujian pada Tabel 2 terlihat bahwa dari 40 hasil pengujian, sistem mampu mengenali 34 pengujian dengan rincian mampu 279

8 mengenali 15 citra yang merupaan citra apal dan 19 citra buan apal. Dengan ata lain sistem mampu mengenali 85% atau sistem mengenali 75% citra yang merupaan apal dan 95% citra buan apal. Tabel 2. Hasil pengujian. NO Nama File Image Hasil 1 DataUjiKapal-1 Benar 2 DataUjiKapal-2 Salah 3 DataUjiKapal-3 Salah 4 DataUjiKapal-4 Benar 5 DataUjiKapal-5 Benar 6 DataUjiKapal-6 Benar 7 DataUjiKapal-7 Benar 8 DataUjiKapal-8 Benar 9 DataUjiKapal-9 Benar 10 DataUjiKapal-10 Salah 11 DataUjiKapal-11 Benar 12 DataUjiKapal-12 Benar 13 DataUjiKapal-13 Benar 14 DataUjiKapal-14 Benar 15 DataUjiKapal-15 Benar 16 DataUjiKapal-16 Salah 17 DataUjiKapal-17 Salah 18 DataUjiKapal-18 Benar 19 DataUjiKapal-19 Benar 20 DataUjiKapal-20 Benar 21 DataUjiNonKapal-1 Benar 22 DataUjiNonKapal-2 Benar 23 DataUjiNonKapal-3 Benar 24 DataUjiNonKapal-4 Benar 25 DataUjiNonKapal-5 Benar 26 DataUjiNonKapal-6 Benar 27 DataUjiNonKapal-7 Benar 28 DataUjiNonKapal-8 Benar 29 DataUjiNonKapal-9 Benar 30 DataUjiNonKapal-10 Benar 31 DataUjiNonKapal-11 Benar 32 DataUjiNonKapal-12 Benar 33 DataUjiNonKapal-13 Benar 34 DataUjiNonKapal-14 Benar 35 DataUjiNonKapal-15 Salah 36 DataUjiNonKapal-16 Benar 37 DataUjiNonKapal-17 Benar 38 DataUjiNonKapal-18 Benar 29 DataUjiNonKapal-19 Benar 40 DataUjiNonKapal-20 Benar 280

9 4. SIMPULAN Apliasi yang telah dibuat telah mampu melauan input data latih dan uji, proses pelatihan, proses pengujian dengan menggunaan algoritma jaringan syaraf tiruan. Proses pelatihan dengan jaringan bacpropagation untu mengenali citra apal dengan nilai α 0,2; sistem mampu mencapai error 0, pada epoch e Algoritma jaringan syaraf tiruan yang diterapan pada apliasi ini, mampu mengenali citra apal dengan prosentase 85% dengan jumlah data pengujian 40 data, dengan rincian sistem mengenali 75% citra yang merupaan apal dan 95% citra buan apal. 5. REFERENSI [1] Anonim Kelautan dan Perianan Dalam Anga Kementerian Kelautan dan Perianan, Jaarta. [2] Harahap, I Amanan Kedaulatan Laut Indonesia. ( 2014/12/04/amanan-edaulatan-laut-indonesia html, diases 22 maret 2015). [3] Anonim Jaga Kelestarian Sumber Daya Kelautan Dan Perianan, Kp Terus Berantas Illegal Fishing dan Destructive Fishing. ( KELESTARIAN SUMBER-DAYA-KELAUTAN-DAN-PERIKANAN-KKP-TERUS- BERANTAS-ILLEGAL-FISHING-DAN-DESTRUCTIVE-FISHING/?category_id=21, diases 22 Maret 2015) [4] Romadoni, A Pesawat TNI AU Detesi Ratusan Kapal Lauan Illegal Fishing. ( diases 22 Maret 2015) [5] Ahmad, U Pengolahan Citra Digital & Teni Pemrogramannya. Graha Ilmu, Yogyaarta. [6] Kristanto, A Jaringan Syaraf Tiruan (Konsep Dasar, Algoritma dan Apliasi). Gava Media, Yogyaarta. [7] Fausett, L Fundamentals of Neural Networs: Architecture, Algorithms, and Applications. Prentice Hall Inc. 281

10 282