BAB 4 ANALISA DAN BAHASAN

(1)

51 4.1 Spesifikasi Sistem

Sistem pengenalan objek 3 dimensi terbagi atas perangkat keras dan perangkat lunak. Spesifikasi sistem baik perangkat keras maupun lunak pada proses perancangan sistem serta uji coba sistem adalah sama.

4.1.1 Spesifikasi Perangkat Keras

Perangkat keras yang digunakan dalam sistem ini adalah sebagai berikut:

1. Kamera

• Logitech Web Camera c170 series

• Resolusi gambar 640x480 pixel

• Hi-Speed USB 2.0

• Luas pandang diagonal 580

• Focal length 2.3mm

• Frame rate maksimum 640x480 @30

• Kamera berada pada ketinggian tetap yaitu 16.4 cm dari permukaan platform, dan jarak tetap yaitu 18 cm dari pusat platform.

2. Komputer a. Low-End

• ThinkPad z61m

• Processor Intel Core Duo 2.0GHz

• RAM 3GB

• 32-bit Operating System, x86-based processor

(2)

b. High-End

• VAIO SVS15126PGB

• Processor intel® Core™ i7-3632QM CPU @ 2.20GHz

• RAM 12.0 GB

• 64-bit Operating System, x64-based processor

• Windows 8 Pro Operating System 3. Rotating Platform

Gambar 4.1 Rotating Platform

Platform yang digunakan sebagai tempat untuk menaruh objek merupakan sebuah rotating platform atau platform berputar berbentuk lingkaran dengan kemampuan putar 360 derajat. Permukaan rotating platform berwarna putih dengan diameter 30 cm. Pada bagian keliling rotating platform dilengkapi dengan skala kelipatan 5 derajat untuk mempermudah pengukuran derajat rotasi platform.

4. Objek

Terdapat 4 buah objek 3 dimensi polihedral yang digunakan sebagai objek observasi pada sistem ini yaitu:

(3)

• Balok kayu biru gelap (3cm x 3cm x 4.1cm) – Objek A

Gambar 4.2 Objek A

• Balok kayu biru gelap (2cm x 3cm x 4.1cm ) – Objek B

Gambar 4.3 Objek B

• Prisma kayu biru gelap (3.1cm x 2.6cm x 3.8cm) – Objek C

(4)

• Tabung kayu biru gelap (diameter 2.2cm, tinggi 4cm) – Objek D

Gambar 4.5 Objek D

4.1.2 Spesifikasi Perangkat Lunak

Sistem dibuat dengan basis perangkat lunak MATLAB Version 7.10.0.499 (R2010a).Toolbox yang digunakan pada sistem ini adalah:

1. Image Acquisition Toolbox

Toolbox ini digunakan untuk melakukan akuisisi gambar dari kamera.Hasil dari akuisisi gambar akan langsung berupa variabel matriks dengan format gambar RGB.

2. Image Processing Toolbox

Toolbox ini digunakan untuk mendukung operasi-operasi minor yang diperlukan untuk membantu operasi-operasi mayor.Operasi-operasi minor yang digunakan adalah seperti rgb2gray dan bwmorph.

3. Neural Network Toolbox

Toolbox ini digunakan untuk membangun jaringan syaraf tiruan sebagai kecerdasan buatan pada sistem ini.

4.2Bahasan

Implementasi sistem dapat dibagi ke dalam dua tahapan besar yaitu tahapan pembelajaran dan tahapan uji coba. Tahapan pembelajaran memiliki fokus untuk melatih kecerdasan buatan agar menghasilkan model jaringan yang dapat mengenali objek observasi. Tahapan uji coba memiliki fokus

(5)

untuk menguji model jaringan yang telah dihasilkan pada tahapan pembelajaran dengan menggunakan objek yang orientasinya di luar dari orientasi yang dipelajari sistem.

4.2.1 Tahapan Pembelajaran

Tahapan pembelajaran merupakan tahapan di mana sistem mempelajari set gambar objek-objek yang representatif agar dapat dikenali pada tahapan uji coba. Dalam tahapan pembelajaran ini, jaringan syaraf tiruan akan memperoleh nilai bobot dan bias yang sesuai dengan kriteria yang diinginkan, yaitu dapat mengenali objek yang sesuai. Nilai bobot dan bias tersebut akan tersimpan dalam suatu variabel yang menjadi satu kesatuan dengan parameter-parameter lainnya dalam jaringan tersebut.

Dalam tahapan ini terdapat beberapa parameter-parameter yang perlu diatur nilainya sedemikian rupa agar hasil keluaran yang diperoleh sesuai dengan kriteria sistem. Parameter-parameter yang berpengaruh pada proses pembelajaran yang dilakukan oleh sistem pengenalan objek 3 dimensi adalah sebagai berikut:

1. Pencahayaan

Seluruh objek observasi yang digunakan pada tahap pembelajaran berada pada kondisi pencahayaan ±756 lux.

2. Kamera

Kamera mengambil gambar objek dengan resolusi 640x480 pixel tanpa menggunakan auto white balance.

3. Posisi Translasi Objek

Objek diletakkan pada poros platform sehingga tampak gambar objek berada kurang lebih pada tengah resolusi gambar.

4. Orientasi Objek

Gambar objek yang dijadikan bahan pembelajaran merupakan seluruh gambar objek yang diambil pada sudut berkelipatan 15 derajat, dimulai dari 0 derajat sampai dengan 165 derajat. Sudut 180 derajat tidak diambil gambar karena dianggap memiliki sudut pandang orientasi yang sama dengan 0 derajat. Sudut lebih besar

(6)

dari 180 derajat tidak diambil gambarnya karena dianggap set gambar yang diambil telah merepresentasikan kemungkinan orientasi yang ada.

5. Parameter Jaringan Syaraf Tiruan

Terdapat dua jaringan syaraf tiruan yang digunakan dalam sistem ini. Kedua jaringan syaraf tiruan tersebut menggunakan parameter yang sama, yaitu sebagai berikut:

• Learning Rate

Learning rate yang digunakan pada jaringan syaraf tiruan memiliki nilai awal 0.05. Learning rate akan berubah seiring dengan adanya iterasi karena menggunakan metode adaptive learning rate.

• Epochs

Iterasi maksimum yang diperbolehkan adalah 10000 kali biarpun sistem tidak mencapai hasil yang diinginkan.

• Goal

Iterasi akan berhenti sebelum iterasi maksimum tercapai apabila mean square error yang dihasilkan oleh jaringan syaraf tiruan telah mencapai nilai 10-5.

• Hidden Layer

Arsitektur jaringan syaraf tiruan memiliki 1 buah hidden layer.

• Node

Tahapan pembelajaran jaringan syaraf tiruan divariasikan dengan mengganti banyaknya node atau neuron pada hidden layer.Banyak node yang diubah pada tahap pembelajaran yaitu dimulai dari 1 node hingga 10 node.

4.2.2 Tahapan Uji Coba

Tahapan uji coba di sini bertujuan untuk melakukan pengetesan terhadap akurasi dan ketahanan jaringan syaraf tiruan yang diperoleh dari proses training sebelumnya. Hal ini dilakukan dengan menghitung kemampuan pengenalan jaringan syaraf tiruan yang diberikan input berupa gambar objek yang diambil dari sudut

(7)

pandang yang berbeda dengan gambar yang digunakansewaktu proses pelatihan.

4.3Implementasi

Setelah melalui beberapa tahap, antara lain mengadakan penelitian melalui studi pustaka, perancangan perangkat keras, perancangan perangkat lunak dan mengintegrasikan sistem, maka tahap selanjutnya adalah melakukan implementasi sistem secara menyeluruh. Implementasi sistem mencakup prosedur pengoperasian keseluruhan sistem.

4.3.1 ProsedurPengoperasian Perangkat Keras

Gambar 4.6 Pengambilan Gambar Objek

Perangkat keras digunakan sebagai sensor penangkap gambar objek observasi dalam orientasi yang bervariasi. Prosedur operasi perangkat keras system ini adalah sebagai berikut:

1. Objek yang ingin di observasi diletakkan pada poros platform. 2. Putar rotating platform untuk mengubah orientasi objek sesuai

(8)

4.3.2 Prosedur Pengoperasian Perangkat Lunak

Perangkat lunak digunakan sebagai fasilitator untuk menangkap gambar objek observasi dan kemudian melakukan proses pengolahan gambar dan kecerdasan buatan. Secara garis besar prosedur perangkat lunak terbagi atas dua yaitu pembelajaran dan uji coba.

Tahapan Pembelajaran

1. Jalankan “captureImage.m” untuk mengambil gambar dari objek observasi untuk setiap kelipatan sudut 5 derajat

2. Pastikan semua foto ada pada direktori matlab, lalu jalankan “trainingImages2gray.m"untuk mengubah semua gambar ke grayscale dan menyimpan hasilnya dalam bentuk .mat.

3. Muatkan matriks hasil grayscale pada workspace matlab, lalu jalankan "trainingGray2deskriptor.m". untukmembuatdeskriptor dan menyimpan hasilnya dalam bentuk .mat.

4. Muatkan matriks hasil deskriptor ke dalam workspace matlab lalu jalankan "trainingNetwork.m" untuk melakukan pembelajaran pada jaringan syaraf dan menyimpan jaringan yang telah dibuat dalam .mat.

Tahapan Uji Coba

Muatkan matriks jaringan syaraf ke dalam workspace matlab. Jalankan program "captureImageAndTest.m" untuk menjalankan keseluruhan proses pengenalan.

(9)

4.4EvaluasiHasil Percobaan 2 Nodes 3 Nodes 4 Nodes 5 Nodes 6 Nodes 7 Nodes 8 Nodes 9 Nodes 10 Nodes

Weight & Bias Test 1 3D Object Recognition Illumination Orientation LIGHT DIRECTION INTENSITY SHAPE ROTATION REFLECTANCE Train 1 Train 2 Train 3 Train 4 Train 5 Train 6 Train 7 Train 8 Train 9 RECOGNITION RATE 1 RECOGNITION RATE 2 RECOGNITION RATE 3 RECOGNITION RATE 4 RECOGNITION RATE 5 RECOGNITION RATE 6 RECOGNITION RATE 7 RECOGNITION RATE 8 RECOGNITION RATE 9 Train 10 RECOGNITION RATE 10 Object at 45 Train Image Set n Light Intensity 756 Lux Object at 60 Object at 75 Object at 0 Object at 15 Object at 30 Object at 135 Object at 150 Object at 165 Object at 90 Object at 105 Object at 120

Weight & Bias Test 2 Weight & Bias

Test 3 Weight & Bias

Test 9

Max Recognition

Rate n Weight & Bias

Test n

Gambar 4.7 Diagram Permasalahan dan Percobaan

Pokok permasalahan yang utama dalam pengenalan objek 3dimensi adalah orientasi benda dan kondisi iluminasi tempat benda tersebut berada.Permasalahan orientasi dapat dipecah ke dalam dua bagian yaitu bentuk dan rotasi.Sementara permasalahan iluminasi dapat dipecah ke dalam dua bagian yaitu intensitas dan arah pencahayaan. Intensitas dan arah pencahayaan akan mempengaruhi banyak cahaya yang dipantulkan suatu objek.

Konfigurasi percobaan dibuat sedemikian rupa agar dapat mengatasi setiap permasalahan tersebut. Pada mulanya gambar tiap-tiap objek akan diambil pada intensitas 756 Lux (kondisi ruangan).Kemudian gambarakandiambilpada sudut 0 sampai 175 derajat dengan kelipatan 5

(10)

derajat. Gambar yang diambil pada sudut yang berkelipatan 15 derajatakan digunakan sebagai training image sementara sisanya akan digunakan sebagai test image. Tahapan ini bertujuan untuk mengatasi permasalahan dalam hal rotasi.

Tahap selanjutnya dilakukan untuk menguji arsitektur jaringan, yang mana jumlah node pada hidden layerakan diubah dan dilihat pengaruhnya terhadap persentase pengenalan jaringan tersebut. Arsitektur suatu jaringan akan mempengaruhi kompleksitas permasalah yang dapat dipecahkan oleh jaringan tersebut. Oleh karena itu hal ini berkaitan dengan kompleksitas bentuk objek yang hendak dikenali jaringan.

Untuk setiap jumlah node akan dilakukan pelatihan jaringan sebanyak sepuluh kali. Hal ini bertujuan untuk mendapatkan jaringan dengan nilai weight dan bias yang terbaik menggunakan arsitektur jaringan tertentu, mengingat nilai weight dan bias yang didapat pada setiap akhir pelatihan bisa berbeda. Dari sepuluh kali pelatihan akandiambil jaringan yang persentase pengenalannya paling tinggi.

Berikut adalah grafik persentase pengenalan masing-masing objek menggunakan jaringan dengan jumlah node pada hidden layer yang berbeda-beda. Setiap data merepresentasikan persentase gambar yang dikenali dengan baik dari ke 24 test image yang dipaparkan. Percobaan dilakukan menggunakan laptop VAIO SVS15126PGB dengan spesifikasi: processor intel® Core™ i7-3632QM CPU @ 2.20GHz, RAM 12.0 GB, 64-bit Operating System, x64-based processor, dan Windows 8 Pro Operating System.

(11)

Gambar 4.8 Pengenalan Objek menggunakan Jaringan Syaraf Tiruan dengan jumlah Node 2

(12)

(13)

(14)

(15)

Toleransi terhadap perubahan input pada sistem pengenalan objek 3 dimensi ini berupa perubahan orientasi objek terhadap kamera. Pada saat melakukan tahap pembelajaran pada jaringan syaraf tiruan untuk mendapat bobot dan bias yang sesuai, input yang diberikan sebagai bahan pembelajaran adalah shape deskriptor dari masing-masing objek observasi yang tersedia dengan orientasi pada sudut kelipatan 15 derajat dari 0 derajat hingga 165 derajat. Toleransi yang dimaksud dapat terlihat pada saat dilakukan uji coba sistem pengenalan objek 3 dimensi untuk objek dengan orientasi pada sudut-sudut yang tidak dilatih ke jaringan syaraf tiruan sebelumnya, misalnya 5, 10, 20, dan 25 derajat. Dengan jumlah node yang sedikit, objek dengan orientasi pada sudut-sudut tersebut dapat dikategorikan dalam satu kategori yang sama. Maka dari itu dapat dikatakan bahwa jumlah node dapat mempengaruhi persentase keberhasilan pengenalan objek.

Untuk meningkatkan toleransi terhadap perubahan input bisa saja digunakan sesedikit mungkin node pada hidden layer. Namun pada sistem yang dirancang pada penelitian ini, jumlah node 1 tidak dapat diimplementasikan. Perancangan arsitektur jaringan mempertimbangkan 4 buah objek observasi yang menjadi kategori pada sistem ini yaitu objek A, B, C, dan D yang membutuhkan minimal 4 kombinasi biner untuk

(16)

merepresentasikan outputnya pada kedua jaringan. 4 kombinasi biner tersebut dapat direpresentasikan dengan 2 bit sehingga pada output layer dibutuhkan minimal 2 neuron untuk dapat merepresentasikan 4 kombinasi biner tersebut. Secara struktural, jumlah node 1 pada hidden layer menciptakan konektivitas yang tidak memungkinkan terhadap kedua neuron pada output layer. Bila kategori pada kriteria sistem sesuai dengan keadaan arsitektur jaringan, maka penggunaan jumlah node 1 pada hidden layer dapat dimungkinkan.

Untuk setiap variasi arsitektur jaringan syaraf tiruan yang diuji dilakukan pelatihan sebanyak 10 kali.Hal ini dilakukan karena nilai bobot dan bias awal masing-masing neuron ditentukan secara random. Oleh karena itu, nilai bobot dan bias yang didapatkan pada akhir setiap proses pelatihan bisa berbeda-beda. Dengan demikian, output dari semua jaringan syaraf tiruan yang dilatih belum tentu sama, walaupun input yang diberikan sama.Selain itu, semakin banyak node pada hidden layer, maka jumlah bobot dan bias jaringan syaraf tiruan juga akan semakin banyak. Akibatnya, kombinasi bobot dan bias yang mungkin didapatkan pada akhir proses pelatihan akan semakin banyak. Hal inilah yang menyebabkan grafik keberhasilan pengenalan jaringan syaraf tiruan dengan jumlah node pada hidden layeryang lebih sedikit relatif lebih konsisten dibandingkan dengan jaringan syaraf tiruan dengan jumlah node pada hidden layer yang lebih banyak.

Arsitektur jaringan syaraf tiruan dapat mempengaruhi persentase keberhasilan pengenalan objek. Tampak dari mean persentase keberhasilan pengenalan seluruh objek, jaringan syaraf tiruan dengan jumlah node yang sedikit menghasilkan mean persentase keberhasilan yang lebih baik dibandingkan dengan jaringan dengan jumlah node yang lebih banyak. Dari percobaan didapatkan bahwa jaringan dengan jumlah node 2 memiliki mean persentase keberhasilan terbaik. Jaringan syaraf tiruan sebagai kecerdasan buatan yang memiliki kemampuan untuk melakukan klasifikasi terhadap input yang diberikan dapat mendefinisikan input yang diberikan sehingga menjadi semakin general maupun semakin spesifik tergantung dari arsitekturnya. Jumlah node yang semakin sedikit akan membuat input terdefinisikan semakin general, sementara jumlah node yang semakin banyak akan membuat input terdefinisikan semakin spesifik.

(17)

Objek B memiliki persentase pengenalan yang paling rendah pada setiap percobaan dengan jumlah node yang berbeda sebanyak 10 kali. Objek B memiliki tingkat error false positive paling besar dibandingkan dengan objek observasi lainnya. Seringkali objek B dikenali sebagai objek C dan objek D, padahal objek B memiliki tingkat kemiripan bentuk paling tinggi dengan objek A secara persepsi visual manusia. Error ini disebabkan oleh karena nilai deskriptor objek B relatif sama dengan nilai deskriptor objek C dan objek D. Selain itu, arsitektur jaringan syaraf tiruan yang digunakan memiliki toleransi yang tinggi terhadap perubahan input, sehingga nilai deskriptor objek B yang mirip dengan nilai deskriptor objek C dan D dapat salah diklasifikasikan.

Pencahayaan merupakan salah satu faktor yang mempengaruhi ketahanan sistem pengenalan objek.Pada aplikasinya, ketahanan sistem terhadap kondisi pencahayaan merupakan salah satu hal yang penting karena kondisi pencahayaan di mana sistem melakukan observasi terhadap objek dapat bervariasi. Dengan sistem pengenalan objek yang telah didapatkan sebelumnya yang menggunakan training image yang diambil pada kondisi 756 lux, sistem kemudian diuji ketahanannya terhadap variasi pencahayaan dari 100 lux hingga 1000 lux dengan kelipatan 100 lux dan toleransi ±50 lux untuk setiap derajat putar objek seperti pada percobaan sebelumnya.

(18)

Gambar 4.18 Pengenalan Objek B dengan Variasi Kondisi Pencahayaan

Gambar 4.19 Pengenalan Objek C dengan Variasi Kondisi Pencahayaan

(19)

Dapat dilihat pada gambar 4.17 – 4.20 bahwa respon sistem terhadap variasi kondisi pencahayaan berbeda-beda untuk setiap objeknya.Seperti pada respon sistem untuk objek B dan D, tampak inkonsistensi kemampuan pengenalan terhadap variasi kondisi pencahayaan.Uji ketahanan terhadap variasi intensitas cahaya untuk setiap objeknya sebagian besar menghasilkan respon di bawah 50%.Ketidakpastian sistem yang cukup tinggi merupakan hal yang tidak baik karena artinya sistem tidak dapat membedakan objek dengan baik dan tujuan dari penelitian tidak tercapai.

Mempertimbangkan hasil uji coba sistem dengan kondisi pencahayaan yang invarian dan hasil uji coba sistem dengan kondisi pencahayaan varian, pengembangan sistem dengan melakukan beberapa modifikasi pada metode diuji coba dengan tujuan untuk mendapatkan persentase pengenalan yang lebih baik dari segi gangguan pencahayaan dan orientasi secara keseluruhan.

(20)

Gambar 4.21Diagram Permasalahan danPercobaan Setelah Pengembangan

Untuk menguji apakah algoritma dapat diaplikasikan pada komputer low-end, percobaan pada tahap pengembangan ini dilakukan menggunakan laptop ThinkPad z61m dengan spesifikasi: processor Intel Core Duo 2.0GHz,

(21)

RAM 3GB, 32-bit Operating System, x86-based processor, dan Windows XP Operating System.

Adapun pengembangan yang dilakukan berdasarkan uji coba terhadap variabel-variabel yang mungkin berpengaruh pada keberhasilan pengenalan objek, yaitu kondisi pencahayaan, jumlah node, dan orientasi objek. Pada uji coba di tahap pengembangan ini, training image akan diambil pada kondisi pencahayaan yang berbeda-beda yaitu dari 100 lux hingga 1000 lux (Light Intensity n) dan dilatih ke dalam 10 jaringan berbeda. Masing-masing jaringan tersebut hanya dilatih menggunakan satu kondisi pencahayaan yang spesifik sesuai dengan nilai lux training image tersebut.

Gambar 4.22 Pengkategorian Deskriptor Objek

Berdasarkan bentuk-bentuk yang dapat terlihat pada objek sewaktu pengambilan gambar, maka semua bentuk tersebut dapat diklasifikasikan kedalam 3 kategori seperti yang ditunjukkan pada gambar di atas. Bentuk yang diklasifikasikan kedalam kategori A merupakan bentuk dari tepi luar masing-masing objek. Sementara bentuk yang masuk ke dalam kategori B merupakan bentuk permukaan atas dari masing-masing objek.Kategori C mencakup bentuk sisi dari masing-masing objek. Masing-masing kategori akan digunakan untuk melatih satu network yang sama.

(22)

Hasil pengenalan objek didapatkan dari pertimbangan output ketiga network tersebut. Oleh karena itu, perlu dicari tahu kategori mana yang paling baik digunakan untuk membedakan objek-objek yang ada.Pengembangan jaringan sebelumnya dilakukan dengan mencari tahu kombinasi network mana yang memiliki persentase keberhasilan yang paling tinggi dalam mengenali objek. Oleh karena itu, pengujian terhadap ketahanan illuminasi dan pengaruh jumlah node akan dilakukan sebanyak 4 kali, yang mana output sistem akan ditentukan menggunakan kombinasi jaringan yang berbeda untuk setiap kalinya.

Gambar 4.23 Pengenalan Objek terhadap Faktor Pencahayaan, Kombinasi Deskriptor pada Jaringan Syaraf Tiruan dengan Jumlah

Node 2

Dengan mekanisme uji coba yang baru, didapatkan masih seperti uji coba sebelumnya bahwa jaringan dengan jumlah node 2 merupakan jaringan dengan keberhasilan pengenalan yang paling baik dibandingkan node lainnya. Dari seluruh data percobaan, jumlah node 2 pada 10 jaringan yang menggunakan training image dengan kondisi pencahayaan berbeda, seluruhnya menghasilkan keberhasilan pengenalan tertinggi. Dengan didapatkannya arsitektur jaringan kembali dengan jumlah node 2, dilihat kembali pengaruh kondisi pencahayaan dan kombinasi deskriptor yang dilatih terhadap keberhasilan pengenalan objek.

(23)

Kombinasi 1 dianggap sebagai kombinasi terbaik karena menghasilkan persentase pengenalan rata-rata terbaik dari keempat kombinasi jaringan yang mungkin.Jaringan dengan persentase pengenalan tertinggi didapatkan menggunakan kombinasi 1 pada kondisi pencahayaan 500 lux dengan persentase pengenalan mencapai 97.92%.Adapun hasil terbaik ini dipengaruhi oleh ketiga faktor yang telah disebutkan sebelumnya.Secara keseluruhan dapat dilihat peningkatan yang cukup signifikan pada persentase pengenalan apabila dibandingkan dengan percobaan sebelumnya yang menggunakan kombinasi 3 dengan training image yang diambil pada kondisi pencahayaan 756 lux (sebelum pengembangan).

Kombinasi 3 yang hanya memanfaatkan deskriptor bentuk B dan C seperti yang digunakan pada percobaan yang pertama kali dilakukan memiliki kemungkinan terjadinya false positive yang cukup besar akibat dari bentuk C yang terkadang tidak dapat terdeteksi dengan baik antara sisi yang seharusnya terpisah.Maka dari itu bentuk C yang merupakan penggabungan antara satu/dua bentuk (tergantung dari kemunculannya) sering dapat salah dikenali sebagai objek lainnya yang mempunyai masalah serupa, karena bentuk B tidak cukup kuat sebagai penentu tunggal dalam melakukan klasifikasi objek. Demikian juga terjadi pada kombinasi deskriptor lain yang mengikutsertakan deskriptor bentuk C.Maka dari itu untuk percobaan dengan kombinasi deskriptor tanpa menggunakan deskriptor bentuk C akan memungkinkan untuk mendapatkan persentase keberhasilan pengenalan yang lebih baik.

Namun, faktor kondisi pencahayaan yang dapat menghasilkan deskripsi training image yang baik juga mempengaruhi sistem ini.Adapun 10 jaringan yang representatif untuk setiap kondisi pencahayaan diuji dengan setiap kondisi pencahayaan yang ada. Sebagai ilustrasi singkat, jaringan yang dilatih dengan training image pada 100 lux akan diuji untuk mengenali objek yang berada pada kondisi pencahayaan 100 lux hingga 1000 lux, begitu pula untuk jaringan berikutnya.

Dengan persentase pengenalanyang relatif konsisten pada 100 lux hingga 1000 lux, jaringan yang dilatih menggunakan training image pada kondisi pencahayaan 800 lux cukup mampu merepresentasikan objek dengan baik dibandingkan dengan kondisi pencahayaan lainnya. Sehingga dapat

(24)

dikatakan bahwa sistem yang memiliki ketahanan paling baik terhadap perubahan orientasi dan kondisi pencahayaan yang bervariasi adalah jaringan dengan jumlah node 2, kombinasi deskriptor 1, training image 800 lux.

Gambar 4.24 Rata-rata Keberhasilan Pengenalan Objek dengan Menggunakan Sistem Terbaru (jaringan dengan training image 800 lux)

Dengan pengembangan yang dilakukan, rata-rata keberhasilan pengenalan yang diperoleh mengalami peningkatan cukup banyak untuk setiap variasi kondisi pencahayaan bila dibandingkan dengan percobaan pertama dengan tinjauan yang sama paling tinggi hanya mencapai 75% saja. Sistem yang dikembangkan ini dapat dikatakan sebagai sistem yang lebih baik karena memiliki ketahanan terhadap kondisi pencahayaan dan orientasi yang lebih baik dari pada sebelumnya di mana rata-rata persentasenya di atas 75%.

Kondisi pencahayaan yang semakin gelap menunjukkan adanya penurunan keberhasilan pengenalan yang diakibatkan oleh adanya bayangan yang menyebabkan adanya kesalahan pada saat pendeteksian tepi objek. Hal tersebut merupakan gangguan pada saat melakukan representasi bentuk objek karena bayangan tersebut dianggap sebagai bagian dari objek yang sedang ditinjau. Dampak langsungnya berimbas kepada vektor deskriptor yang digunakan. Bentuk deskriptor dapat berubah akibat adanya bayangan yang menyebabkan centroid dari bentuk bergeser.

(25)

Panjang vektor deskriptor yang digunakan dapat memiliki panjang yang berbeda-beda tergantung dari keliling bentuk objek yang sedang ditinjau. Maka dari itu pada saat proses pelatihan jaringan, seluruh deskriptor dipotong agar panjang seluruh deskriptor set gambar yang digunakan pada penelitian adalah sama, yaitu 250. Pemotongan panjang deskriptor turut serta memotong informasi objek yang mengakibatkan bisa terjadi salah deteksi bila objek yang digunakan memiliki beberapa persamaan ataupun adanya gangguan seperti bayangan. Dengan melakukan penambahan panjang deskriptor, keberhasilan pengenalan pada setiap variasi intensitas cahaya dapat ditingkatkan, namun di sisi lain juga akan meningkatkan beban komputasi.

Masing-masing set deskriptor akan dikonversikan ke dalam bentuk biner 8-bit, sehingga panjang descriptor akhir setelah dikonversi menjadi 2000.Hal ini dilakukan dengan pertimbanngan fungsi aktivasi jaringan yang digunakan yaitu logsig. Besar kenaikan output fungsi logsig akan semakin mengecil seiring bertambah besarnya nilai input.Dengan kata lain, kenaikan nilai input akan menjadi tidak signifikan apa bila nilai input sudah mencapai nilai tertentu (nilai input > 4 akan menghasilkan output ≈ 1).

Bila dilakukan peninjauan keberhasilan pengenalan objek terhadap intensitas cahaya per objeknya, dapat dilihat bahwa pola pada grafik yang dihasilkan pada setiap objeknya berbeda-beda dari objek A, B, C, hingga D.

(26)

Gambar 4.26Pengenalan Objek B Menggunakan Sistem Terbaru

Gambar 4.27Pengenalan Objek C Menggunakan Sistem Terbaru

(27)

Seperti pada pengenalan untuk objek A dan B, pola grafik menunjukkan bahwa pada kondisi dengan intensitas cahaya yang rendah, kemampuan pengenalan sistem juga berkurang. Namun keberhasilan pengenalan pada objek C dan D cenderung mempunyai pola grafik yang rata untuk setiap perubahan intensitas cahayanya, menghasilkan persentase pengenalan yang mendekati 100%.Hal ini disebabkan oleh bayangan yang tidak tercakup dalam deskriptor akibat pemotongan panjang deskriptor yang dilakukan.

Berdasarkan hasil yang didapatkan pada tahap pengembangan ini, dapat dikatakan bahwa algoritma yang digunakan dapat diaplikasikan pada komputer low-end. Waktu yang dibutuhkan untuk melatih jaringan memang cenderung menjadi lebih lama, namun hal ini tidaklah signifikan mengingat waktu pengenalanlah yang perlu diperhatikan. Waktu pengenalan yang dibutuhkan komputer low-end masih di bawah 1 detik, sehingga masih dianggap mungkin untuk diaplikasikan.