ANALISA PERBANDINGAN METODA LEARN VECTOR QUANTIZATION (LVQ) DAN SELF ORGANIZING MAPS (SOM) PADA KLASIFIKASI GOLONGAN KENDARAAN Wahyu Adi Nuryono¹, Ir Bambang Hidayat Dea², Rita Magdalena³ ¹Teknik Telekomunikasi,, Universitas Telkom Abstrak Indonesia merupakan salah satu negara yang memiliki penduduk terpadat di dunia. Pertumbuhan penduduk meningkat tiap tahunnya dan umumnya terjadi di kota-kota besar. Seiring dengan meningkatnya jumlah penduduk di Indonesia, maka bertambah pula kebutuhan masyarakat akan kendaraan bermotor. Peningkatan jumlah kendaraan bermotor ini tidak diiringi oleh bertambahnya fasilitas jalan raya, sehingga kemacetan pun tidak dapat dihindari lagi. Pemerintah telah malakukan berbagai usaha untuk mengatasi kemacetan, salah satunya adalah dengan membangun jalan bebas hambatan yang biasa kita kenal dengan jalan tol. Jalan tol merupakan fasilitas negara yang dibuat untuk mengurangi tingkat kepadatan kendaraan pada jalur biasa. Jalan tol umumnya hanya boleh dilewati oleh jenis kendaraan tertentu. Golongan kendaraan yang di bahas dalam tugas akhir ini yaitu golongan I, golongan II, dan golongan III. Untuk mengenali jenis kendaraan itu, dilakukan pengenalan bentuk dasar menggunakan analisa pengolahan citra berupa ekstraksi ciri dengan metoda Edge Detection (Deteksi Tepi), dan tiap model tersebut dijadikan referensi. Proses pengklasifikasian digunakan metoda jaringan syaraf tiruan Learning Vector Quantization (LVQ) dan Self Organizing Maps (SOM). Yang kemudian kedua metode ini dibandingkan tingkat akurasinya. Hasil implementasi diuji dengan citra uji, melalui implementasi dan pengujian system mampu memberikan tingkat akurasi yang cukup baik. Dalam pengujian didapat tingkat akurasi dari Learn Vector Quantization (LVQ) sebesar 86,67%, sedangkan Self Organizing Maps (SOM) sebesar 90%. Ini menunjukkan bahwa SOM lebih kurat dibanding LVQ. Kata Kunci : Jaringan Syaraf Tiruan, LVQ, SOM, Deteksi tepi
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2011 Abstract Indonesia is one of the countries that have the densest population in the world. The growing of population increases every year and generally occur in large cities. Along with the increasing number of people in Indonesia, it also increased the public demand for vehicles. The increasing number of vehicles is not accompanied by increasing highway facilities, so the congestion can not be avoided any longer. The government has doing various efforts to overcome the congestion, one of which is to build a highway that we used to know the toll road. The toll road is a state facility designed to reduce the level of vehicle density on the normal channels. The toll road is generally only be passed by a certain type of vehicle. The class of vehicles that are discussed in this thesis is group I, group II and group III. To identify the type of vehicle, carried out the basic shape recognition using image processing analysis of feature extraction with the method of Edge Detection, and each of the model will serve as a reference. The process of classification used method of artificial neural networks Learning Vector Quantization (LVQ) and Self Organizing Maps (SOM). Then these two methods compare the level of accuracy. The result of the implementation is tested several times with the image of testing, through implementation and testing of the system can give a fairly good level of accuracy. In testing the accuracy obtained from Learn Vector Quantification (LVQ) by 86,67%, while the Self Organizing Maps (SOM) of 90%. This suggests that SOM is more accurate than LVQ. Keywords : Artificial Neural Network, LVQ, SOM, Edge Detection
BAB I PENDAHULUAN 1.1. Latar belakang Jalan tol adalah fasilitas negara yang merupakan pilihan utama bagi para pengguna kendaraan bermotor untuk menghindari kemacetan pada jalur normal. Setiap harinya, jalur bebas hambatan ini banyak dilewati oleh berbagai jenis kendaraan, di antaranya: truck, minibus, bus, sedan, serta jenis kendaraan yang lainnya. Berbagai jenis kendaraan tersebut dikelompokkan ke dalam golongannya masing-masing, untuk menentukan tarif masuk ke dalam tol. Tarif masuk dari berbagai jenis kendaraan tersebut berbeda-beda, sesuai dengan golongan dari tiap jenis kendaraan, akan tetapi, sering terjadinya kesalahan dalam menentukan golongan kendaraan menyebabkan kerugian dari segi tarif, baik bagi penyedia jasa tol maupun pengguna jasa tol, sehingga diperlukan suatu sistem yang dapat menentukan golongan kendaraan yang akan melewati jalan tol. Golongan tersebut dibagi atas: golongan I, II, III,IV dan V, namun pada tugas akhir ini hanya dibahas golongan I, II, dan III. Untuk mengenali jenis kendaraan yang masuk di pintu tol Buah Batu, diperlukan suatu sistem yang dapat mengklasifikasikan kendaraan menurut golongannya. Metode yang digunakan dalam pengklasifikasian ini adalah jaringan saraf tiruan Learning Vector Quatization (LVQ) dan Self Organizing Maps (SOM). 1.2. Perumusan masalah Dalam tugas akhir ini akan dibahas beberapa masalah, antara lain: 1. Bagaimana cara mengklasifikasikan golongan menggunakan JST dengan metoda Learning Vector Quantization dan Self Organizing Maps (SOM) 2. Bagaimana mengukur dan membandingkan tingkat akurasi dari kedua metode JST yang digunakan.
1.3. Pembatasan masalah Untuk menghindari meluasnya materi pembahasan tugas akhir ini, maka penulis membatasi permasalahan dalam tugas akhir ini hanya mencakup hal-hal berikut : 1. Sistem ini hanya menangani tentang klasifikasi golongan kendaraan yaitu golongan I, II, dan III 2. Gambar yang menjadi masukan, sebuah gambar kendaraan tampak samping (dimensi samping) dengan format JPEG yang di capture dengan menggunakan kamera digital pada saat cuaca cerah dan kecepatan kendaraan antara 0-40 km/jam. Selanjutnya gambar tersebut diolah untuk database sistem. 3. Pengambilan gambar dilakukan di pintu tol Buah Batu dan proses tidak bersifat realtime. 4. Pengklasifikasian menggunakan JST Learning Vector Quantization dan Self Organizing Maps 5. Topologi yang digunakan dalam Self Organizing Maps adalah Hextop dan defenisi jarak yang digunakan adalah Linkdist 1.4. Tujuan dan kegunaan penelitian Tujuan: 1. Mengekstraksi ciri jenis kendaraan bermotor dan mengklasifikasikan ciri menggunakan Jaringan Syaraf Tiruan 2. Menganalisa performansi program aplikasi klasifikasi kendaraan dengan parameter tingkat keakuratan identifikasi, sehingga output sistem, bisa menjadi input yang siap diolah dalam database. Kegunaan: 1. Mengetahui akurasi dari metoda yang digunakan 2. Mempermudah pengklasifikasian 3. Program yang dirancang dapat menjadi bahan pembelajaran
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2011 1.5. Hasil yang diharapkan Dari penelitian ini diharapkan akurasi dan sensitifitas dari kedua metoda yang digunakan dan dapat mengklasifikasikan kendaraan ke dalam golongangolongannya. 1.6. Metoda penelitian Penelitian dilakukan dengan metoda berikut: 1. Tahap studi literatur pustaka 2. Konsultasi dengan dosen pembimbing 3. Tahap pengambilan data 4. Tahap perancangan 5. Tahap analisis dan kesimpulan 1.7. Sistematika pembahasan BAB I : PENDAHULUAN Pada bab ini akan dibahas tentang latar belakang, tujuan, batasan masalah, dan metoda pelaksanaan penelitian serta sistematika pembahasan Bab II : DASAR TEORI Bab ini merupakan tinjauan pustaka dari proses identifikasi dengan metoda yang digunakan Bab III : PERANCANGAN MODEL DAN SISTEM Perancangan dimulai dari deskripsi masalah. Kemudian pengujian parameter untuk ekstraksi ciri jenis kendaraan bermotor. Bab IV : ANALISIS Evaluasi dari parameter untuk ekstraksi ciri dan melakukan klasifikasi berdasarkan ciri kendaraan bermotor serta mengukur akurasi dan sensitivitas untuk metode pengenalan ciri. Bab V : KESIMPULAN DAN SARAN Bab ini berisi simpulan dari implementasi yang dilakukan serta saran untuk pengembangan dengan metode-metode lain di masa mendatang.
BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Dari hasil analisis terhadap pengujian sistem klasifikasi golongan kendaraan dengan menggunakan metode Learning Vector Quantization (LVQ) dan Self Organizing Maps (SOM) dapat dirumuskan kesimpulan sebagai berikut : 1. Tingkat keberhasilan sistem dipengaruhi oleh faktor kemiripan pola antara data latih dan data uji. 2. Faktor lingkungan dan cuaca sangat mempengaruhi keakuratan masing-masing metoda dalam mengenali objek. 3. Pengujian sistem terhadap 90 data latih berhasil mencapai tingkat akurasi 100%. 4. Pengujian sistem terhadap 60 data uji random pada metoda LVQ secara keseluruhan mencapai tingkat akurasi 86,67%, sedangkan pada metoda SOM mencapai tingkat akurasi 90 %. Ini menunjukkan bahwa metoda SOM lebih akurat dibanding LVQ. 5. Error banyak terjadi dalam pengklasifikasian golongan II dan golongan III, hal ini disebabkan oleh kemiripan pola kendaraan dari kedua golongan, sehingga ciri yang didapat dalam golongan II hampir sama dengan golongan III. 6. Proses pengujian sistem dengan jaringan syaraf tiruan Learning Vector Quantization dan Self Organizing Maps dapat diimplementasikan secara realtime karena waktu komputasi yang dibutuhkan hanya berkisar pada 0.010038-0.029642 detik. 5.2 Saran Dari analisis performansi sistem pada penelitian tugas akhir ini, ada beberapa pengembangan yang bisa dilakukan untuk studi selanjutnya antara lain : 1. Pemilihan metoda dan sensor yang tepat didalam pengambilan citra input dengan memperhitungkan sudut pengambilan citra dan penambahan sistem basis data sebagai record masukan agar sistem ini bisa diaplikasikan secara realtime. 2. Penggunaan ektraksi ciri dengan metode lain yang menghasilkan pola ciri yang lebih spesifik antar data-data inputan yang lain.
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2011 3. Memperbanyak jumlah citra latih akan meningkatkan performansi 4. Pelatihan dengan jaringan syaraf tiruan unsupervised membutuhkan waktu yang lebih cepat dan bersifat realtime sebab tidak ada penentuan target pada proses pelatihan.