Kerangka Pemikiran
Untuk membangun model, penelitian dilakukan menggunakan tahap penelitian sebagai mana terlihat pada Gambar 5.
Gambar 5 : Tahap Penelitian
Pemahaman permasalahan
Pengambilan data 165 citra ban ganda dan 315 non ban ganda
Klasifikasi menggunakan Kelompok A+B (368 citra ban
ganda dan 856 non ban ganda) sebagai citra latih
Kelompok C (184 citra ban ganda dan 428 non ban ganda) sebagai citra uji Cropping 552 citra ban ganda dan
1284 citra non ban banda
15 citra truk dengan ban ganda + 15 citra non ban ganda
Untuk uji detektor 150 citra truk dengan ban ganda +
300 citra non ban ganda untuk pelatihan dan pengujian model
Citra ban ganda(positif) dan non ban ganda (negatif) secara random dikelompokkan dalam tiga kelompok. (A, B dan C)
Analisis hasil dan Penyusunan
Laporan
Matriks transformasi Tahap 1 Citra diruban menjadi citra grayscale dan
dikenai proses histogram equalization
Citra diruban menjadi citra grayscale dan dikenai proses histogram equalization
Tahap Pemahaman Permasalahan
Tahap ini dimulai dengan mengeksplorasi ide-ide dengan membaca jurnal-jurnal penelitian. Dari eksplorasi ini kemudian diperoleh topik untuk memecahkan permasalahan penggolongan kendaraan dengan menggunakan computer vision.
Kriteria-kriteria penggolongan kendaraan di jalan tol kemudian ditentukan dari hasil diskusi dengan beberapa petugas gerbang jalan tol dan dokumen-dokumen terkait. Selanjutnya ditetapkan masalah-masalah yang harus dipecahkan secara lebih spesifik. Akhirnya diperoleh gambaran kasar mengenai tujuan penelitian yang akan dilakukan. Selain itu dilakukan juga studi litertur untuk mengetahui penelitian-penelitian sejenis yang pernah dilakukan sebelumnya, melakukan analisis terhadap kelebihan dan kekurangan serta kendala yang dihadapi.
Selanjutnya dikembangkan beberapa alternatif sistem yang diperkirakan dapat memberikan solusi terhadap permasalahan yang dihadapi. Dengan mengacu pada fakta-fakta yang ditemukan kemudian dibuat pembatasan permasalahan yang telah dirumuskan sebelumnya agar penelitian memiliki arah yang jelas serta dapat diselesaikan dengan biaya dan waktu yang tersedia.
Tahap Pengumpulan Data
Untuk kepentingan pelatihan dan pengujian model diambial 165 citra trukbergandar dua yang menggunakan ban ganda dan 315 citra non ban ganda.
Citra-citra tersebut diambil menggunakan kamera digital dengan resolusi 640 x 480 pixel. Kemara ditempatkan pada posisi sekitar 45O terhadap as roda belakang seperti pada Gambar 6.
Gambar 6: Posisi kamera untuk pengambilan citra/video
Ketinggian kamera dari tanah/jalan 0.5 meter (setinggi jari-jari roda). Gambar 7
45O kamera
memperlihatkan beberapa citra hasil pengambilan data.
Gambar 7 : Contoh citra positif hasil pengambilan data
Dari citra-citra yang diperoleh kemudian diambil 15 citra truk yang menggunakan ban ganda serta 15 citra non ban ganda untuk keperluan pengujian model tahap kedua. Selanjutnya 150 citra truk yang menggunakan ban ganda dan 300 citra non ban ganda yang tersisa dipakai untuk pembuatan basis data guna pelatihan model dan pengujian tahap pertama.
Tahap Pembuatan Basis Data
Basis data yang digunakan untuk pelatihan dan pengujian model tahap pertama terdiri dari 552 citra ban ganda (positif) dan 1284 citra non ban ganda (negatif) berukuran 150x150 pixel. Citra-citra ban ganda (positif) diperoleh dari pemotongan citra truk yang menggunakan ban ganda hasil pengambilan data.
Pemotongan dilakukan di sekitar ban ganda dengan ukuran 150x150 pixel. Proses pemotongan citra dapat dilihat pada Gambar 8.
Gambar 8 : Pemotongan bagian citra ban ganda
Gambar 9 memperlihatkan beberapa contoh citra ban ganda (positif) hasil pemotongan yang dipergunakan untuk proses pelatihan dan pengujian model
tahap pertama.
Gambar 9 : Contoh citra positif hasil pemotongan
Kelompok citra negatif yang terdiri dari 1284 citra bukan ban ganda berukuran 150 x 150 pixel merupakan potongan dari 300 buah citra yang tidak mengandung ban ganda baik kendaraan truk maupun non truk. Beberapa citra non ban ganda hasil pengambilan kamera dapat dilihat pada Gambar 10.
Gambar 10 : Contoh citra negatif hasil pengambilan dengan kamera
Pada Gambar 11 dapat dilihat beberapa contoh citra negatif berukuran 150x150 pixel hasil pemotongan yang dipergunakan untuk proses pelatihan dan pengujian model tahap pertama.
Gambar 11 : Contoh citra negatif hasil pemotongan
Selanjutnya masing-masing kelompok citra (positif dan negatif) dibagi ke dalam tiga bagian secara random, bagian A, B dan C. Bagian A dan B dipakai
sebagai citra pelatihan sedangkan bagian C dipakai sebagai citra uji. Dengan cara tersebut maka akan diperoleh 1224 citra pelatihan (368 citra latih positif dan 856 citra latih negatif) dan 612 citra uji (184 citra uji positif dan 428 citra uji negatif).
Semua citra tersebut kemudian dijadikan citra intensitas (grayscale) dan dikenai proses histogram equalization untuk mengurangi pengaruh perbedaan pencahayaan.
Tahap Ekstraksi Ciri
Sebelum data diklasifikasi menggunakan model SVM, terlebih dahulu data diproses menggunakan metode 2D-PCA. Langkah ini dimaksudkan untuk mereduksi dimensi dan mengambil komponen ciri dari data. Pengambilan ciri dengan 2D-PCA dilakukan dalam dua tahap. Pada PCA tahap pertama, 368 buah citra positif berukuran 150 x 150 pixel dan 856 buah citra negatif berukuran 150 x 150 pixel diproses menggunakan algoritma 2D PCA berikut :
Input : - p, jumlah citra pelatihan
- I, matriks citra berukuran m x n x p - k, jumlah vektor ciri yang dipakai, Output : - T, matriks transformasi
- PC, Principal Components Algoritma :
1. Hitung matriks citra rata-rata ( I )
I =1
p (I1 + I2 + … + Ip) 6. Hitung matriks covarian
Gt=1 p
∑
j=1 p
Ij−I TIj−I
7. Hitung dan susun nila ciri matriks covariance : λ1 > λ2 > λ3 > … > λp
8. Hitung vektor ciri yang bersesuaian dengan masing-masing nilai ciri : u1, u2, u3, … , up
9. Ekstraksi ciri
Ambil sejumlah k vektor ciri yang bersesuaian dengan k nilai ciri
terbesar. Buat matrix transformasi T yang merupakan gabungan dari k vektor ciri tersebut
T = [ u1, u2, u3, … , uk]
Kemudian hitung matriks ciri/Principal components (PCi) dari masing-masing citra Ii.
PCi = Ii.T
Script yang merupakan implementasi dari algoritma di atas dapat dilihat pada Lampiran 2 untuk fungsi pca2d.
Dimisalkan jumlah nilai ciri yang diambil untuk tahap pertama adalah a buah. Sehingga dari 2D PCA tahap pertama ini dihasilkan 368 matriks ciri berukuran 150 x a untuk kelas positif dan 856 matriks ciri berukuran 150 x a untuk kelas positif.
Selanjutnya setiap matriks ciri yang diperoleh dari PCA tahap pertama, untuk masing-masing kelas, ditranspose dan di masukan kembali pada algoritma 2D PCA. Dimisalkan untuk tahap kedua ini diambil b buah nilai ciri terbesar, maka hasil dari PCA tahap kedua ini adalah 368 matriks ciri berukuran a x b untuk kelas positif 856 matriks ciri berukuran a x b untuk kelas negatif.
Tahap Pelatihan Pengklasifikasi
Data latih tereduksi yang diperoleh dari proses ekstraksi ciri kemudian divektorkan dan digunakan untuk melatih pengklasifikasi SVM dengan menggunakan kernel linear, polinamial dan RBF. Untuk keperluan pelatihan pengklasifikasi SVM digunakan fungsi svmtrain dari Bioinformatics Toolbox Matlab R2009b.
Tahap Pengujian Model
Pada tahap ini setiap citra uji diekstraksi menggunakan matriks transformasi 2D-PCA dua tahap yang diperoleh dari proses pelatihan. Fitur yang diperoleh kemudian divektorkan dan diklasifikasi menggunakan model SVM yang diperoleh dari proses pelatihan, apakah termasuk kelas citra ban ganda ataukah bukan.
Akurasi masing-masing model kemudian dihitung berdasarkan jumlah citra yang terklasifikasi dengan baik. Pengukuran tingkat akurasi masing-masing model
dihitung menggunakan persamaan :
Akurasi= jumlah citra yang terklasifikasi dengan baik jumlah total citra yang diklasifikasi Selanjutnya hasil pengukuran yang diperoleh dicatat dan dianalisis.
Dari akurasi masing-masing model kemudian diambil beberapa model yang memiliki tingkat akurasi paling baik. Model-model terbaik yang diperoleh kemudian diuji pada uji tahap kedua untuk mendeteksi keberadaan ban ganda pada citra-citra truk menggunakan teknik sliding window.
Model yang Diujikan
Dalam tahap ekstarksi ciri menggunakan 2D-PCA dua tahap, variabel yang di rubah-rubah adalah presentase nilai ciri (eigen) yang diambil pada masing-masing tahap. Pada penelitian ini dicobakan variasi persentase nilai ciri yang diambil untuk masing-masing tahap adalah 95%, 90% dan 85%. Sementara untuk pengklasifikasi SVM diujikan memakai kernel linear, kuadratik, kubik dan RBF(sigma=1, 5, 8, 10, 20, 30). Dengan skenario tersebut maka akan diperoleh sebanyak 81 model yang akan diujikan sebagaimana terlihat pada tabel 1
Tabel 1. Model-model yang akan diujikan
No PCA 2D No PCA 2D No PCA 2D
Tahap 1 Tahap 2 Tahap 1 Tahap 2 Tahap 1 Tahap 2 1
Alat yang digunakan
Untuk pengambilan data citra digunakan kamera digital panasonic 8.1 mega pixel. Sedangkan untuk pengolahan data digunakan perangkat keras komputer dengan processor intel Pentium Dual Core 1.6 GHz, memori DDR2 2GB menjalankan sistem operasi Ubuntu 10.4. Perangakat lunak yang digunakan untuk pemodelan adalah Matlab R2009b dan untuk pengolahan citra menggunakan aplikasi GIMP 2.6.
Waktu dan tempat
Penelitian dilaksanakan dari bulan Desember 2011 sampai dengan Agustus 2012 bertempat di Laboratorium Computational Intelegence (CI) Pascasarjana Departemen Ilmu Komputer, Institut Pertanian Bogor. Data citra diambil di jalan tol Palikanci Cirebon dan beberapa lokasi penambangan pasir serta jalan raya di daerah Kuningan Jawa Barat.