1

PROGRAM KREATIFITAS MAHASISWA

OPTIMASI KAMERA PEMINDAI BENTUK DAN UKURAN OBJEK BERBASIS JARINGAN SYARAF TIRUAN PADA

SISTEM MONITORING RUANG

BIDANG KEGIATAN :

PKMM-AI

Diusulkan Oleh :

1. Wahyu Eko Setiawan (E11.2007.00202)

2. Danis Putra Karuniawan (E11.2007.00200)

3. R. BG Puguh Setyanto (E11.2010.00387)

UNIVERSITAS DIAN NUSWANTOROSEMARANG

2011

2

HALAMAN PENGESAHAN

1. Judul Kegiatan : Optimasi Kamera Pemindai Bentuk Dan Ukuran Objek Berbasis Jaringan Syaraf Tiruan Pada Sistem Monitoring Ruang

2. Bidang Kegiatan : (√ ) PKM-AI ( ) PKM-GT3. Ketua Pelaksana Kegiatan

a. Nama Lengkap : Wahyu Eko Setiawanb. NIM : E11.2007.00202c. Jurusan : Teknik Elektro S1d. Universitas : Universitas Dian Nuswantoroe. Alamat Rumah dan No.HP : Jl. Lingnkar Trimulyo, Sukorejo Kendal /

085643974591f. Alamat email : setiawanw3.22@gmail.com

4. Anggota Pelaksana Kegiatan : 2 Orang5. Dosen Pendamping

a. Nama Lengkap dan Gelar : Sari Ayu Wulandari, STb. NPP : NPP. 0686.20.2010.381c. Alamat Rumah dan NoHP : Jl.Barongan II No:203B Kudus

No HP: 081325087720

Semarang, 24 Februari 2011Menyetujui Ketua PelaksanaKetua Program Studi Teknik Elektro Kegiatan

( Ir. Wisnu Adi Prasetyanto, M. Eng ) ( Wahyu Eko setiawan )NPP.0686.11.2000.201 NIM. E11.2007.00202

Wakil Rektor Bidang Kemahasiswaan Dosen Pendamping

(Ahmad Zainul Fanani, S.Si, M.Kom.) (Sari Ayu Wulandari, ST)NIP. 0686.11.1996.101 NPP. 0686.20.2010.381

3

LEMBAR PENGESAHAN SUMBER PENULISAN ILMIAH

1. Judul yang diajukan : Optimasi Kamera Pemindai Bentuk Dan Ukuran Objek Berbasis Jaringan Syaraf Tiruan Pada Sistem Monitoring Ruang

2. Sumber PenulisanPenelitian oleh komunitas Artificial Intelligence (Club AI) Fakultas Teknik Universitas Dian Nuswantoro Semarang.

Keterangan ini kami buat dengan sebenarnya

Mengetahui,Ketua Program Studi

Ir. Wisnu Adi Prasetyanto, M. Eng NPP.0686.11.2000.201

Semarang, 24 Februari 2011Ketua Kegiatan

Wahyu Eko SetiawanNIM : E11.2007.00202

4

OPTIMASI KAMERA PEMINDAI BENTUK DAN UKURAN OBJEK BERBASIS JARINGAN SYARAF TIRUAN PADA SISTEM

MONITORING RUANG

Wahyu Eko Setiawan (2007), Danis Putra K. (2007), R. BG Puguh S. (2010).Fakultas Teknik Jurusan Elektro Universitas Dian Nuswantoro Semarang

Jl. Nakula No.5-11 Semarang, Telp.(024) 3555628, Fax.(024) 3555628 Ext.18

Abstrak

Deteksi bentuk merupakan suatu cara untuk mengetahui bentuk dari suatu benda, yang dilakukan dengan cara mengoptimalisasikan pendeteksian pada tepi. Selama ini sudah sudah ada sistem pendeteksi bentuk, tetapi hanya menekankan pada pendeteksian bentuk objek, dan belum mendalam ke informasi tentang luas, keliling bahkan warna objek. Penelitian ini bertujuan untuk mengidentifikasi informasi secara detail dari objek, secara real time dengan waktu ekseskusi yang pendek. Metode yang digunakan berupa jaringan syaraf tiruan propagasi balik (backpropagation), yang menawarkan keakuratan pendeteksian, dengan melakukan optimasi pada momentum, untuk menambah kecepatan pengenalan pola. Dan dari metode tersebut dihasilkan rata-rata waktu yang dibutuhkan sistem ini untuk mendeteksi bentuk dan ukuran benda adalah 98,79%. Selain itu keakuratan pendeteksian pada objek yang dipelajari sebesar 71,84%. Hasil ini lebih besar dibandingkan dengan penelitian yang dilakukan oleh Hankyu Moon sebesar 62,36%.

Kata kunci: Deteksi Bentuk, Jaringan Saraf Tiruan Propagasi Balik, Akurat.

AbstractDetection of the form is a way to know the shape of an object, which is done by optimizing the detection of the edge. During this alresdy existing detection syste form, but only emphasize on the objects, and yet deeply into the information about area, circumference and even the color of the object. This study aims to identify the detailed information of the object, in real time with eksekusi a short time. The methode used in the form of backpropagation neural network that offer the accuracy of detection, by performing optimization o the momentum, to increase the speed of pattern recognition. And from that methode produced an average timerequired this system to detect the shape and size of the object is 98,79%. In addition, the detection accuracy on on the object being studied by 71,84%. This result is greather than the premise of research conducted by Hankyu Moon at 62,36%.

Keyword : Shape Detection, Backpropagation Neural Network, Accurate.

PENDAHULUANPenelitian tentang system kamera pemindai telah dimulai sejak

dilucurkannya sebuah alat bantu pindai CCTV yang digunakan untuk rekam jejak peristiwa. Pada umumnya, penelitian bertujuan untuk pendeteksian, pelacakan,

5

penajaman dan perhitungan objek pada suatu ruang. N. Moenne-Locoz (1), menggunakan jaringan recurrent bayesian, untuk memodelkan evolusi temporal dari karakteristik visual manusia dan akuransinya dalam skala waktu. Sedangkan Haritaoglu (2), mengembangkan teknik untuk analisis bentuk dan pelacakan lokasi manusia berdasarkan bentuk kepala. Zhao dan Nevatia (3), hanya menggunakan sebuah kamera untuk memodelkan postur berjalan dan berlari manusia. SM. Abdel geide (5), melakukan pengenalan pola kualitatif dengan menggunakan algoritma genetik. Sedangkan Hankyu Moon (6), melakukan penelitian yang mirip dengan penelitian ini, yaitu menggunakan deteksi bentuk yang berbasis optimalisasi deteksi tepi.

Beberapa sistem telah sukses melakukan penelitian dengan berbagai macam interpretasi kamera seperti deteksi, pelacakan sebuah objek yang samar dan peramalan objek yang tidak lengkap. Kamera memungkinkan penelusuran citra secara real time, efisien dan lebih tepat. Sistem yang sudah ada hanya menekankan pada pendeteksian bentuk objek, namun belum mendalam ke informasi tentang luas, keliling bahkan warna objek. Manusia mampu melacak dan mendeteksi nama objek dengan melakukan pelatihan dan membentuk jaringan perseptron pada otak manusia dari bentuk, ukuran, warna objek tersebut. Sistem komputerisasi juga mampu melakukan hal yang sama dengan manusia dengan melakukan pembelajaran, pengenalan pola dan penajaman informasi. Penajaman informasi dibutuhkan untuk melakukan pendeteksian yang lebih detail, misalnya untuk mencari satu objek dari beberapa objek yang mirip, jika diaplikasikan pada robot maka dapat digunakan sebagai pemindai ruang gerak robot, sehingga robot mampu mencari jalan yang sesuai dengan luasan kakinya. Berdasarkan analisis masalah diatas, dibutuhkan sebuah sistem yang mampu mengidentifikasi informasi dari sebuah bentuk yang terdeteksi, sehingga untuk menawarkan solusi tersebut, dilakukan sebuah penelitian mengenai pemindai bentuk dan ukuran objek berbasis jaringan syaraf tiruan pada sistem monitoring ruang.

TUJUANTujuan dari penelitian ini adalah merancang sistem pemindai bentuk yang

mampu mengidentifikasi informasi secara detail dari objek, secara real time dengan waktu ekseskusi yang pendek. Metode yang digunakan berupa jaringan syaraf propagasi balik yang menawarkan keakuratan pendeteksian, dengan melakukan optimasi pada momentum, untuk menambah kecepatan pengenalan pola.

METODEPenelitian ini dilakukan di komunitas Artificial Intelligence (Club AI

Fakultas Teknik Universitas Dian Nuswantoro). Komunitas ini melakukan penelitian rutin untuk belajar dan menemukan metode, topik dan pendekatan baru untuk menyelesaikan masalah yang berhubungan dengan pengolahan sinyal, seperti pengolahan citra dan suara, pendeteksi bau, rasa dan sentuhan, dengan metode jaringan syaraf tiruan. Penelitian dilakukan selama 6 bulan mulai dari

6

bulan Juni 2010 hingga November 2010. Bahan yang digunakan yaitu kertas yang bergambar bentuk benda 2D, yaitu lingkaran, segitiga dan segiempat, serta kertas berwarna yang diatasnya diberi objek lain seperti uang logam, donat, bola, kubus, tabung kerucut dan objek 3D lain, masing-masing dengan 50 sample dan masing-masing terdiri dari latar belakang gelap dan latar belakang terang.

Berikut ini adalah gambar pemetaan bahan citra pembelajaran dan citra uji, beserta gambar sample uji 2-Dimensi dan 3-Dimensi.

Gambar 1. Pemetaan Bahan Citra Pembelajaran dan Citra Uji

Gambar 2. Sample Uji 2D yang Sesuai dengan Pembelajaran dan Sample Uji 2D yang Tidak Sesuai dengan Pembelajaran

Gambar 3. Sample Uji Pejal dan Sample Uji 3D Rangka

Perekaman dilakukan dengan menggunakan webcam dengan waktu capture tiap 1 menit. Sumber data adalah buatan sendiri, dari program adobe photoshop yang kemudian diprint dan dijajar di papan uji, untuk kemudian dilakukan proses perekaman dan analisis.

Pengolahan data dilakukan 4 tahap, yaitu pre-processing, perekaman citra, pelatihan dan pengujian, lebih jauh dijelaskan pada subbab analisis permasalahan.

Analisis hasil dilakukan dengan melakukan percobaan terhadap citra yang sesuai dengan pembelajaran dan citra yang tidak sesuai dengan pembelajaran. Citra yang tidak sesuai dengan pembelajaran berupa citra 2D dengan bentuk lain ataupun citra 3D. Citra 3D disini adalah citra 3D pejal dan rangka.

7

Gambar 4. Pemetaan Analisa Hasil

Ukuran dan luas citra dibandingkan antara citra asli dengan hasil pada program. Lama hasil pengujian juga dianalisis sebagai bagian dari optimasi momentum. Pengujian juga dilakukan dengan melihat perbandingan antara lama pengujian dengan luasan objek, serta antara lama pengujian dengan warna latar belakang objek. Sebagaimana telah di tunjukkan pada gambar 4.

Analisis Permasalahan

Gambar 5. Diagram analisis permasalahan

Analisis Kebutuhan1 Implementasi perangkat lunak aplikasi menggunakan MATLAB Versi

R2006b, di mana memanfaatkan fungsi jaringan syaraf tiruan yang telah ada.2 Perekam menggunakan web cam, dengan waktu capture setiap 1 menit. 3 Gambar bentuk 2D dari adobe photoshop, serta objek 3D lain yang berbentuk

gambar ataupun objek asli, yang ditempatkan diatas kertas berwarna.4 Ekstraksi ciri dilakukan dengan menggunakan image morfology, pencitraan

biner dan pendeteksi tepi prewitt.5 Metode dan algoritma yang digunakan pada proses pengenalan dibangun

menggunakan jaringan propagasi balik dengan optimasi momentum.6 Pelatihan data bentuk objek menggunakan citra warna, berukuran 360x360

pixel.7 Citra yang dideteksi yaitu berupa citra 2D, baik yang sesuai dengan

pembelajaran ataupun yang tidak sesuai dengan pembelajaran, serta citra 3D baik objek utuh maupun rangka 3D.

8

Rancangan Penelitian

Gambar 6. Diagram Alir Perancangan

HASIL DAN PEMBAHASANPada tahap preprocessing, dilakukan penentuan konstanta target,

pembuatan mask, perekaman citra, normalisasi citra dan pembentukan target. Pada proses normalisasi, dilakukan penyusunan matrix, memperbaiki citra, melakukan penskalaan ulang dan ekstraksi ciri. Citra yang terbentuk pada proses ini akan mengalami proses ekstraksi ciri seperti ditunjukkan pada gambar 7 sebagai berikut: citra asli citra morfologi citra biner citra hasil deteksi tepi prewitt.

Gambar 7. Proses Ekstraksi Ciri

Program yang telah kami bangun sebagai alat bantu penelitian kami adalah sebagai berikut :

0 0.5 1 1.5 2 2.5 30

0.2

0.4

0.6

0.8

1

1.2

1.4Perbandingan Lama Hasil Pengujian den Warna Latar Belakang

Warna Latar Belakang

Lam

a H

asil

Pen

gujia

n

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 50

10

20

30

40

50

60

70

80Perbandingan Objek Uji dan Tingkat Keberhasilan

Objek Uji

Tin

gkat

Keb

erha

sila

n

0 0.5 1 1.5 2 2.5 30

10

20

30

40

50

60

70

80Perbandingan Hasil dengan Hasil Kajian Pustaka

Penguji

Has

il

78 78.5 79 79.5 80 80.5 810

0.5

1

1.5Perbandingan Antara Luas Permukaan Dengan Waktu Eksekusi

waktu eksekusi(detik)

luas

per

muk

aan(

mm

)

9

Gambar 8. Grafik User Interface dari Perangkat Lunak Pengenalan Pola

Dari program yang telah dibuat, kemudian dilakukan pengujian citra uji, sehingga mendapatkan nilai sebagai berikut :

Tabel 1. Sample Hasil Percobaan

NO GAMBARPERCOBAAN

KE-WAKTU

UKURAN

SISILUAS PEMBACAAN

1 Oval 1 1 0:00:00.75 Benda tidak diketahui

2 Jajarangenjang 1 0:00:00.82 Benda tidak diketahui

3 Segi Enam 1 0:00:00.81 1.03 0.84 Lingkaran

4 Bintang Enam 1 0:00:00.80 1.01 0.757 Lingkaran

5 Persegipanjang 1 0:00:00.81 Segiempat

6 Persegi miring 1 0:00:00.68 1.398 1.468 Lingkaran

7 Belahketupat 1 0:00:00.79 0.83 0.505 Lingkaran

8 Trapesium 1 0:00:00.80 Benda tidak diketahui9 Balok Pejal 1 Benda tidak diketahui

10 Balok Rangka 1 0:00:00.80 SegiempatSegitiga

Segiempat

(a) (b) (c) (d)

Gambar 9. Perbandingan Antara (a) Luas Permukaan dengan Waktu Eksekusi, (b) Hasil Pengujian dan Warna Latar Belakang, (c) Objek Uji Dan Tingkat Keberhasilan, (d) Hasil Dengan Hasil Kajian

Pustaka

10

Grafik di atas merupakan data dari hasil percobaan, menghasilkan tingkat pengenalan sebesar 98,79% dari total citra uji yaitu 200 citra. Analisis hasil percobaan, didasarkan pada luasan, waktu, warna dan kajian pustaka.

KESIMPULANBerdasarkan penelitian diatas, dapat ditarik kesimpulan bahwa semakin

besar luas permukaan objek maka semakin besar pula waktu eksekusi. Pola dengan latar belakang gelap lebih cepat waktu eksekusinya dibandingkan dengan latar belakang cerah. Sistem ini mampu melakukan pengenalan citra uji keseluruhan, dengan rata-rata tingkat deteksi ukuran dan luas objek sebesar 98,79%. Untuk sistem berupa citra uji 2D yang sesuai dengan citra pembelajaran, mempunyai tingkat pengenalan 71,84%, sedangkan untuk citra uji 2D yang tidak sesuai dengan citra pembelajaran mempunyai tingkat pengenalan 53,88%. Citra uji 3D untuk gambar pejal tidak dapat dikenali seluruhnya, sedangkan citra uji 3D untuk gambar rangka, mempunyai tingkat pengenalan 71,84%. Terdapat perbedaan hasil antara studi pustaka dengan penelitian ini. Pada penelitian Hankyu moon, dengan menggunakan optimalisasi deteksi tepi untuk pengenalan pola, untuk pengenalan citra uji 2D, tingkat pengenalan polanya hanya berkisar 62,36%. Sehingga pada tingkat pengenalan pola citra uji 2D, tingkat pengenalan pola penelitian dengan metode jaringan syaraf tiruan mempunyai selisih 10,48%, lebih besar dibandingkan dengan penelitian yang telah dilakukan oleh Hankyu moon.

DAFTAR PUSTAKA(1) Moon Hankyu, Rama Chellapa, and Azriel Posenfeld. Optimal Edge-

Based Shape Detection. Ieee Transactions On Image Processing, Vol. 11, No. 11, November 2002.

(2) Achtman L. Rebecca, Robert F. Hess, Yi-Zhong Wang. Sensitivity for global shape detection. Journal of Vision (2003) 3, 616-624.

(3) Tang Yandong, Axel von Freyberg, Horst Selzer, Gert Goch. Automatic Papilla Shape Detection In Stereo Retinal Images Based On Image Fusion For Computer Aided Glaucoma Diagnostics. Proceedings, XVII IMEKO World Congress, June 22 – 27, 2003, Dubrovnik, Croatia.

(4) Weinland Daniel. Kernel Based Learning of Distances for Shape Detection. Department of Mathematics and Computer Science, University of Mannheim. March 2004.

(5) Amit Yali, Donald Geman, And Xiaodong Fan. A Coarse-To-Fine Strategy For Multiclass Shape Detection. Ieee Transactions On Pattern Analysis And Machine Intelligence, Vol. 26, No. 12, December 2004.

(6) Kovacs Andrea, Tamas Sziranyi. Shape Detection Of Structural Changes In Long Time-Span Aerial Image Samples By New Saliency Methods. ISPRS Istanbul Workshop 2010 on Modeling of optical airborne and spaceborne Sensors, WG I/4, Oct. 11-13, IAPRS Vol. XXXVIII, part 1/W4.

11

NAMA DAN BIODATA

1. Dosen Pendamping

a. Nama Lengkap dan Gelar : Sari Ayu Wulandari, ST

b. Golongan Pangkat dan NIP : IIIB/0686.20.2010.381

c. Fakultas/Program Studi : Teknik / Teknik

Elektro

d. Universitas : Dian

Nuswantoro

2. Ketua Pelaksana Kegiatan

a. Nama Lengkap : Wahyu Eko Setiawan

b. NIM : E11.2007.00202

c. Fakultas/Program Studi : Teknik / Teknik Elektro

d. Universitas : Dian Nuswantoro

3. Anggota Pelaksana 1

a. Nama Lengkap : Danis Putra Kurniawan

b. NIM : E11.2007.00200

c. Fakultas/Program Studi : Teknik / Teknik Elektro

d. Universitas : Dian Nuswantoro

4. Anggota Pelaksana 2

a. Nama Lengkap : R. BG Puguh Setyanto

b. NIM : E11.2010.00387

c. Fakultas/Program Studi : Teknik / Teknik Elektro

d. Universitas : Dian Nuswantoro

(Wahyu Eko S. ) E11.2007.00202

(Danis Putra K. ) E11.2007.00200

(R. BG Puguh S. ) E11.2010.00387

(Sari Ayu W., ST) 0686.20.2010.381