METODOLOGI PENELITIAN

Kerangka Penelitian

Sistem pengenalan roda kendaraan pada penelitian ini tampak pada Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu, tahapan pelatihan dan tahapan pengujian.

Gambar 10 Sistem pengenalan roda kendaraan.

Pengumpulan Data Citra

Citra kendaraan yang digunakan dalam penelitian ini berasal dari kendaraan jenis sedan, SUV, pick up, truk sedang dan truk besar, diambil dari

samping (side view) menggunakan kamera digital dengan dimensi 640 x 480

piksel. Citra diambil pada waktu pagi dan siang hari pada kondisi cerah. Jumlah citra yang digunakan dalam penelitian ini adalah 225 buah.

Pemrosesan Awal

Pemrosesan awal merupakan proses penyiapan citra kendaraan, citra kendaraan asli dengan dimensi 640 x 480 piksel diubah ke dalam bentuk citra abu-abu (gray scale) kemudian dipotong (cropping) pada bagian atas dan bawah secara horisontal, sehingga citra berukuran lebih kecil dan hanya citra yang terdapat roda saja yang akan diproses selanjutnya. Hal ini dilakukan untuk mengurangi waktu pemrosesan dan membuang bagian citra lain yang tidak dibutuhkan. Pengurangan noise yang muncul pada citra, dilakukan dengan proses smoothing menggunakan filter average ukuran 5x5 (Gambar 11).

Gambar 11 Filter average ukuran 5x5.

Tahapan Pelatihan

Tahapan pelatihan adalah tahapan untuk melatih sistem menggunakan data latih.

1. Data Latih

Data latih yang digunakan sejumlah 80% dari total citra kendaraan atau 180 citra. Data latih merupakan citra keabuan dengan dimensi 640x200 piksel karena telah dipotong pada sisi bagian atas dan bawah dan mengalami proses smoothing dengan average filter.

2. Deteksi Lingkaran dengan CHT

Deteksi lingkaran menggunakan Cycle Hough Transform (CHT), hal ini

Untuk memaksimalkan deteksi lingkaran dengan CHT, maka perlu dilakukan penentuan parameter-parameter CHT. Tabel 2 memperlihatkan parameter-parameter CHT yang diujicobakan dalam penelitian ini. Semua parameter dalam tabel ditentukan dengan cara trial and error. Pemilihan nilai parameter dilakukan seefektif mungkin, karena menentukan tingkat keberhasilan dan waktu komputasi.

Tabel 2 Parameter-Parameter CHT

Karakteristik Spesifikasi Keterangan

Radrange Min = 25; 26; 27

Max = 50, 65, 80 dan 100

Menentukan waktu komputasi

Gradient Threshold 10; 11; 12; 13; 14; 15 Default = 10

Radius Filter LM 10; 20; 30 dan 40 Default = 8 dan minimum = 3

Multirad 1; 0.99; 0.98 Default = 0,5

Radrange menyatakan radius minimum dan maksimum dari lingkaran yang dicari satuan yang digunakan adalah unit piksel, semakin besar nilai radrange maka semakin banyak penggunaan memori dan waktu komputasi juga semakin lama. Gradient threshold digunakan untuk menghilangkan uniform intensity, nilai-nilai dibawah gradient threshold akan diabaikan. Radius filter

digunakan untuk mencari lokal maksima dalam accumulator array. Multirad

digunakan dalam kasus lingkaran-lingkaran konsentrik, artinya radius multi

dengan satu posisi pusat lingkaran terdeteksi. Multirad memiliki range 0,1 – 1;

dengan 0,1 adalah toleransi tertinggi, artinya lebih banyak nilai radius terdeteksi, sedangkan nilai 1 merupakan toleransi terendah, hanya radius yang paling menentukan saja yang akan dipilih.

3. Normalisasi

Hasil dari CHT adalah citra lingkaran memiliki dimensi yang berbeda-beda, terdiri atas lingkaran roda dan bukan roda yang diklasifikasikan secara manual. Dimensi lingkaran roda dan bukan roda yang beragam mengharuskan untuk dilakukannya normalisasi. Normalisasi bertujuan untuk menseragamkan masukan ke 2DPCA. Dimensi citra lingkaran dalam normalisasi ditentukan sebesar 80x80 piksel, ukuran ini diambil berdasarkan dimensi roda yang diamati.

4. Reduksi Fitur dengan 2DPCA

Reduksi fitur dilakukan dengan menggunakan metoda 2DPCA (Two Dimension Principle Component Analysis). Bagian citra yang direduksi adalah citra lingkaran yang ditemukan oleh CHT dan telah mengalami normalisasi sehingga memiliki dimensi 80x80. Reduksi 2DPCA bertujuan mendapatkan set matriks fitur yang nantinya akan digunakan untuk tahap pemodelan dan pengujian dengan JST. Keragaman informasi citra lingkaran dalam 2DPCA adalah 99%.

5. Pemodelan dengan Jaringan Syaraf Tiruan

Gambar 12 menunjukkan arsitektur jaringan syaraf tiruan propagasi balik. Masukan JST berasal dari citra lingkaran yang telah direduksi dengan 2DPCA, sedangkan target keluaran adalah roda.

Gambar 12 Arsitektur JST Propagasi Balik untuk pengenalan roda kendaraan.

Tabel 3. memperlihatkan parameter-parameter JST propagasi balik yang dirancang untuk penelitian ini :

Tabel 3. Parameter-Parameter Jaringan Syaraf Tiruan Propagasi Balik.

Karakteristik Spesifikasi

Arsitektur 1 hidden layer

Jumlah neuron masukan Hasil reduksi 2 DPCA

Jumlah neuron keluaran (target) 1 target, yaitu roda

Jumlah neuron hidden 5, 10, 20, 30, 40, 50, 60, 70, 80, 90, 100

Fungsi aktivasi Sigmoid biner (logsig)

Fungsi Pelatihan Trainrp

Laju pembelajaran Default

Minimum toleransi kesalahan 0,000001

Tahapan Pengujian

Tahapan pengujian merupakan tahapan untuk menguji jaringan JST yang telah dilatih untuk mengenali roda kendaraan, terdiri atas:

1. Data Uji

Untuk pengujian digunakan citra sebanyak 20% dari total citra kendaraan yang ada, yaitu sebanyak 45 citra uji, sehingga terdapat 90 citra roda yang akan dikenali oleh JST propagasi balik. Citra uji juga telah mengalami pemrosesan awal.

2. Deteksi Lingkaran dengan CHT

Proses ini sama dengan pada tahapan sebelumnya. Citra uji dideteksi dengan CHT untuk mendapatkan lingkaran roda dan bukan roda. Parameter CHT pada tahapan ini menggunakan nilai-nilai yang telah ditentukan pada tahapan pelatihan. Lingkaran yang dihasilkan memiliki beragam dimensi. Setelah lingkaran ditemukan, kemudian dijadikan input pada proses selanjutnya.

3. Normalisasi

Normalisasi citra lingkaran dilakukan untuk menyamakan ukuran lingkaran yang berhasil dideteksi oleh CHT. Ukuran citra yang dinormalisasi adalah 80x80, sesuai dengan normalisasi pada tahapan pelatihan.

4. Matriks Transformasi

Matriks Transformasi adalah matriks yang dihasilkan dari proses reduksi 2DPCA dan digunakan untuk mengubah citra lingkaran pada tahapan pengujian. Matriks transformasi memiliki dimensi yang sama dengan citra tereduksi. Matriks ini dikirimkan dari tahapan pelatihan sebagai acuan reduksi citra lingkaran pada tahapan pengujian.

5. Pengujian model

Pada proses pengujian model, menggunakan data hasil pelatihan untuk mendapatkan klasifikasi yang benar dari data uji. Masukan untuk jaringan syaraf tiruan propagasi balik adalah citra lingkaran dari data uji yang dinormalisasi dan telah diproses dengan matriks transformasi berasal dari proses reduksi 2DPCA pada tahapan pelatihan. Target keluaran JST adalah roda. Tahapan pengujian ini

juga melakukan pengujian dengan data uji yang telah diberi noise dan lingkaran

Evaluasi Hasil

Setelah dilakukan proses pelatihan dan pengujian maka berikutnya akan dievaluasi hasil meliputi tingkat keberhasilan deteksi lingkaran CHT, tingkat keberhasilan pengenalan JST, dan tingkat kesalahan dalam pengenalan citra roda kendaraan, meliputi kesalahan karena roda tidak dikenali (miss) dan kesalahan objek bukan roda dikenali sebagai roda (false alarm). Penghitungan keberhasilan pengenalan, miss dan false alarm rate adalah sebagai berikut (Mason 2003) :

Dalam dokumen Integration Methode of Circle Hough Transform, 2DPCA and Artificial Neural Network for Recognition Model of Wheel Vehicle (Halaman 37-43)