IDENTIFIKASI JENIS MOBIL BERDASARKAN BENTUK DENGAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL
NETWORK (CNN)
SKRIPSI
DESI FIOLITA 151402030
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2020
IDENTIFIKASI JENIS MOBIL BERDASARKAN BENTUK DENGAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL
NETWORK (CNN)
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
DESI FIOLITA 151402030
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2020
ii
PERNYATAAN
IDENTIFIKASI JENIS MOBIL BERDASARKAN BENTUK DENGAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL
NETWORK (CNN)
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing – masing telah disebutkan sumbernya.
Medan, 20 Januari 2020
Desi Fiolita 151402030
iv
UCAPAN TERIMA KASIH
Puji dan syukur kehadirat Tuhan yang Maha Esa, karena atas berkat dan izin-Nya penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada :
1. Bapak Prof. Runtung Sitepu, SH., M.Hum selaku Rektor Universitas Sumatera Utara.
2. Bapak Prof. Dr. Opim Salim Sitompul selaku Dekan Fasilkom-TI USU.
3. Bapak Romi Fadillah Rahmat B.Comp.Sc., M.Sc selaku Ketua Program Studi S1 Teknologi Informasi Universitas Sumatera Utara.
4. Bapak Ainul Hizriadi, S.Kom, M.Sc selaku Dosen Pembimbing I dan Bapak Seniman, S.Kom., M.Kom selaku Dosen Pembimbing II yang telah banyak meluangkan waktu dan pikiran beliau, membimbing, memberikan arahan, kritik dan saran kepada penulis.
5. Seluruh dosen, staff dan pegawai di Program Studi Teknologi Informasi serta Fakultas Ilmu Komputer dan Teknologi Informasi yang tidak dapat saya sebutkan satu-persatu.
6. Orangtua tersayang, Bapak Afrizal Tanjung dan Ibu Dahliarni Manday yang selalu berdoa, memberikan semangat dan nasehat.
7. Adik terkasih Nanda Aprillia dan juga keluarga serta orang terdekat yang selalu memberikan semangat dan dukungan.
8. Teman – teman seperjuangan angkatan 2015 terkhusus Trisna Ira Novasari yang selalu setia dari awal masuk kuliah sampai akhir menyelesaikan skripsi tak pernah lelah menemani ke sana kemari.
9. Teman saya Kiki Nuranini Ginting yang telah memberikan tempat tinggal sementara sampai terselesaikannya skripsi ini.
10. Teman saya Raska Almashura yang selalu memberikan semangat dan dukungan.
11. Teman saya Luqmanul Hakim yang telah membantu dalam hal mendapatkan data.
12. Semua pihak yang terlibat secara langsung ataupun tidak langsung yang tidak dapat
Semoga Tuhan yang Maha Esa melimpahkan berkah kepada semua pihak yang telah memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi ini.
Medan, 20 Januari 2020
Penulis
vi
ABSTRAK
Sistem pendeteksian benda yang akan dikembangkan saat ini berdasarkan jenis suatu objek. Data yang berupa gambar dapat memberikan beberapa informasi seperti jenis mobil. Mobil merupakan salah satu jenis kendaraan yang sangat banyak digunakan, oleh karena itu deteksi jenis mobil sangat dibutuhkan dilihat dari banyaknya kebutuhan pasar dan juga sasaran konsumen. Walaupun kelas mobil yang diciptakan adalah sama akan tetapi teknologi yang ditawarkan dan juga harga yang dipasarkan berbeda. Sehingga dibuatlah suatu sistem yang dapat mengidentifikasi jenis mobil berdasarkan bentuk dengan menggunakan metode Convolutional Neural Network (CNN). Tahapan- tahapan yang dilakukan sebelum identifikasi jenis mobil berdasarkan bentuk yaitu proses pengolahan citra, grayscale, dan thresholding. Bentuk mobil yang dimaksud diambil dari berbagai sisi, yaitu depan, samping, dan belakang sehingga dapat membedakan berbagai jenis mobil meskipun memiliki sejumlah kesamaan. Hasil deteksi mobil ini dapat mengidentifikasi beberapa jenis mobil, yaitu Sedan, MPV, dan SUV. Setelah dilakukan pengujian pada sistem ini, didapatkan kesimpulan bahwa metode yang diajukan memiliki kemampuan dalam mengidentifikasi jenis mobil berdasarkan bentuk dengan akurasi sebesar 94,44%.
Kata kunci : Jenis mobil, Bentuk mobil, Convolutional Neural Network, Image Processing
IDENTIFICATION OF CAR TYPE BASED ON SHAPE USING THE CONVOLUTIONAL NEURAL NETWORK (CNN) METHOD
ABSTRACT
The object detection system that will be developed now is based on the type of object.
Data in the form of images can provide some information such as the type of car. The car is one type of vehicle that is very widely used, therefore detection of the type of car is needed in view of the many needs of the market and target consumers. Although the class of car created is the same, the technology offered and also the marketed price is different. So it was made a system that can identify the type of car based on shape using the Convolutional Neural Network (CNN) method. The stages are carried out before identifying the type of car based on the form, namely image processing, grayscale, and thresholding. The shape of the car in question is taken from various sides, namely front, side and rear so that it can distinguish various types of cars even though it has a number of similarities. The detection results of this car can identify several types of cars, namely Sedans, MPVs, and SUVs. After testing this system, it was concluded that the proposed method has the ability to identify the type of car based on the shape with an accuracy of 94.44%.
Keywords: Car type, Car shape, Convolutional Neural Network, Image Processing.
viii
DAFTAR ISI
PERSETUJUAN ii
PERNYATAAN iii
UCAPAN TERIMA KASIH iv
ABSTRAK vi
ABSTRACT vii
DAFTAR ISI viii
DAFTAR GAMBAR xi
DAFTAR TABEL xiii
BAB 1 PENDAHULUAN
1.1. Latar Belakang 1
1.2. Rumusan Masalah 3
1.3. Tujuan Penelitian 3
1.4. Batasan Masalah 3
1.5. Manfaat Penelitian 4
1.6. Metodologi Penelitian 4
1.6. Sistematika Penelitian 5
BAB 2 LANDASAN TEORI
2.1. Computer Vision 7
2.2. Citra 8
2.2.1. Pengertian Citra 8
2.2.2. Citra Digital 9 2.2.3. Color Image atau RGB (Red, Green, Blue) 9
2.2.4. Pengolahan Citra Digital 10
2.3. Convolutional Neural Network 14
2.3.1. Convolutional Layer 15
2.3.2. Pooling Layer 16
2.3.3. Fully Connected Layer 17
2.4. Pengenalan Jenis Mobil 18
2.4.1. Jenis Mobil Sedan 18
2.4.2. Jenis Mobil MVP 19
2.4.3. Jenis Mobil SUV 20
2.5. Penelitian Terdahulu 21
BAB 3 ANALISIS DAN PERANCANGAN
3.1. Langkah Perancangan 25
3.2. Arsitektur Umum 26
3.3. Dataset 28
3.3.1. Pengenalan Jenis Mobil 29
3.3.2. Pengenalan Jenis Mobil 29
3.4. Pre Processing 30
3.4.1. Cropping 30
3.4.2. Resizing 30
3.4.3. Grayscale 31
3.4.4. Thresholding 32
3.5. Identification 34
3.5.1. Convolutional Layer 34
x
3.5.2. Max Pooling Layer 38
3.5.2.1. Flattening 39
3.5.3. Fully Connected Layer 39
3.5.3.1. Penentuan hidden layer 40
3.5.3.2. Penentuan epoch 40
3.5.3.3. Penentuan jumlah neuron 40
3.6. Perancangan Sistem 41
3.6.1. Perancangan Halaman Cover 41
3.6.2. Perancangan Pengujian Sistem 41
3.6.2.1. Perancangan Training Sistem 42 3.6.2.2. Perancangan Testing Sistem 43
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1. Implementasi Sistem 44
4.1.1. Spesifikasi perangkat keras dan perangkat lunak 44 4.1.2. Implementasi Perancangan Antarmuka 45
4.1.3. Implementasi Data 47
4.2. Prosedur Operasional 47
4.3. Pengujian Sistem 50
4.4. Analisis 53
BAB 5 KESIMPULAN DAN SARAN
5.1. Kesimpulan 56
5.2. Saran 56
DAFTAR PUSTAKA 57
DAFTAR GAMBAR
Gambar 2.1. Ilustrasi Penglihatan Computer 8
Gambar 2.2. Contoh Ilustrasi 10
Gambar 2.3. Contoh Perbedaan Resolusi Gambar 11
Gambar 2.4. Grayscale Image 12
Gambar 2.5. Convolutional neural network 14
Gambar 2.6. Operasi Konvulasi 15
Gambar 2.7. Operasi Max Polling 16
Gambar 2.8. Proses Fully Connected Layer 17
Gambar 2.9. Sample Training Jenis Sedan 19
Gambar 2.10. Sample Training Jenis MPV 20
Gambar 2.11. Sample Training Jenis SUV 21
Gambar 3.1. Diagram Sistem 25
Gambar 3.2. Arsitektur Umum 26
Gambar 3.3. Contoh Citra Mobil MPV, SUV, dan Sedan 29
Gambar 3.4. Cropping 30
Gambar 3.5. Contoh Perhitungan Grayscale 31
Gambar 3.6. Grayscale 32
Gambar 3.7. Contoh Perhitungan Thresholding 33
Gambar 3.8. Thresholding 33
Gambar 3.9. Contoh Citra Input 5 x 5 Piksel 34
Gambar 3.10. Perubahan Nilai Piksel Citra Input dan Feature Detector 34
Gambar 3.11. Feature Map 35
Gambar 3.12. Representasi Proses Konvolusi 36
xii
Gambar 3.13. Hasil feature map 38
Gambar 3.14. Proses Max Pooling 38
Gambar 3.15. Hasil Max Pooling 39
Gambar 3.16. Hasil flattening 39
Gambar 3.17. Pseudecode Proses Metode CNN 40
Gambar 3.18. Rancangan Tampilan Home 41
Gambar 3.19. Rancangan Training Sistem 42
Gambar 3.20. Rancangan Testing Sistem 43
Gambar 4.1. Tampilan Home Sistem 45
Gambar 4.2. Tampilan Training Sistem 46
Gambar 4.3. Tampilan Testing Sistem 46
Gambar 4.4. Citra Hasil Cropping 48
Gambar 4.5. Citra Hasil Grayscale 48
Gambar 4.6. Citra hasil Thresholding 49
Gambar 4.7. Hasil Identifikasi Convolutional Neural Network (CNN) 50
Gambar 4.8. Hasil Pengujian No 1 54
Gambar 4.9. Hasil Pengujian No 5 54
Gambar 4.10. Hasil Pengujian No 4 55
DAFTAR TABEL
Tabel 2.1. Penelitian Terdahulu 23
Tabel 3.1. Pembagian Data Latih dan Data Uji 28
Tabel 4.1. Nilai RGB Grayscale dan Threshold 49
Tabel 4.2. Hasil Pengujian Jenis Mobil SUV 50
Tabel 4.3. Hasil Pengujian Jenis Mobil MPV 51
Tabel 4.4. Hasil Pengujian Jenis Mobil Sedan 52
BAB 1 PENDAHULUAN
1.1. Latar Belakang
Kemajuan ilmu pengetahuan dan teknologi telah mendorong manusia untuk melakukan otomatisasi dan digitalisasi pada perangkat-perangkat manual.
Seiring dengan perkembangan instansi, organisasi, perusahaan dan tempat - tempat lainnya yang menggunakan rancangan untuk dapat mendeteksi suatu bentuk benda secara teliti dan akurat seperti otak manusia yang di peragakan pada suatu perangkat komputer, sehingga dengan adanya perkembangan teknologi maka pendeteksi bentuk benda manual ini bisa digantikan dengan sistem pendeteksi bentuk yang otomatis.
Sistem pendeteksian benda yang akan dikembangkan saat ini berdasarkan jenis suatu objek. Data yang berupa gambar dapat memberikan beberapa informasi seperti jenis mobil. Mobil merupakan salah satu jenis kendaraan yang sangat banyak digunakan, oleh karena itu deteksi jenis mobil sangat dibutuhkan dilihat dari banyaknya kebutuhan pasar dan juga sasaran konsumen. Walaupun kelas mobil yang diciptakan adalah sama akan tetapi teknologi yang ditawarkan dan juga harga yang dipasarkan berbeda. Gambar mobil yang akan diidentifikasikan pada penelitian ini diambil tepat dari sisi depan samping dan belakang, agar terlihat beberapa perbedaan dari masing-masing jenis mobil. Pada sistem parkir mobil terdahulu hanya bisa mendeteksi plat mobil saja, namun pada penelitian ini dapat mendeteksi jenis mobil berdasarkan bentuknya.
Latifah et al. (2011) melakukan penelitian tentang klasifikasi jenis mobil menggunakan metode Backpropagation dan deteksi tepi Canny. Sistem ini
menggunakan metode Backpropagation berdasarkan komposisi banyaknya piksel dalam satu objek terdeteksi dan menggunakan algoritma Canny sebagai deteksi tepi objek atau citra. Hasil deteksi mobil ini mendapatkan tingkat akurasi 78%.
Penelitian selanjutnya Kusnawan (2012) melakukan penelitiannya yang berjudul “Pengenalan jenis kendaraan menggunakan statistical algorithm dan support vector machine”. Pada penelitian ini diimplementasikan statistical algorithm dan Support Vector Machine untuk mengenali jenis kendaraan secara otomatis. Jenis kendaraan tersebut yaitu sedan/city car, SUV/MPV, bus, dan truk.
Berdasarkan percobaan yang telah dilakukan dalam beberapa variasi pencahayaan, tingkat akurasi dalam mengenali jenis kendaraan cukup baik.
Penelitian selanjutnya dilakukan oleh Plemakova (2018) dengan judul Vehicle Detection Based on Convolutional Neural Networks. Penelitian ini mendeteksi dan mengklasifikasi kendaraan berdasarkan kondisi cuaca, cahaya dan jenis kendaraan. Metode pengklasifikasian dan pendeteksi kendaraan menggunakan CNN dan feature extraction algorithm with support vector machine dari berbagai sudut. Dalam pemrosesan datanya digunakan Fast Fourier Transform. Gambar mobil yang akan digunakan berukuran 128 x 128.
Roecker, Costa, Almeida, & Matsushita (2018) melakukan penelitian tentang klasifikasi jenis kendaraan dengan menggunakan metode CNN.
Pengambilan gambar dilakukan di jalan raya dengan mengambil video beresolusi tinggi dari kendaraan yang bergerak. Kendaraan dibagi menjadi 6 kelas yakni bus, mikrobus, minivan, SUV dan truk dengan model mencapai akurasi 93,90%.
Penelitian lainnya Cahyanti et al. (2018) melakukan implementasikan algoritma K-Means untuk mengelompokkan data citra digital kendaraan mobil dan motor. Uji-coba aplikasi ini menggunakan 12 data citra (enam data citra mobil dan enam data citra motor) dengan latar belakang berwarna putih. Citra ini diambil berukuran 150 x 100 piksel.
Dari permasalahan yang ditemukan di atas, penulis mengidentifikasi jenis mobil yang diambil dari berbagai sisi berdasarkan bentuk. Sistem ini menggunakan metode identifikasi Convolutional Neural Network (CNN) yang
3
diharapkan dapat mengetahui tingkat akurasi dalam mengidentifikasi jenis mobil.
Berdasarkan uraian tersebut, penulis mengangkat judul “IDENTIFIKASI JENIS MOBIL BERDASARKAN BENTUK DENGAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)”
1.2. Rumusan Masalah
Mobil merupakan salah satu jenis kendaraan yang sangat banyak digunakan, oleh karena itu deteksi jenis mobil sangat dibutuhkan untuk dapat diaplikasikan diberbagai bidang salah satunya pada aplikasi jalan tol yaitu untuk mengurangi kemacetan khususnya diantrian gerbang tol dengan mendeteksi bentuk fisis dari mobil yang lewat. Sehingga dibuatlah suatu sistem yang dapat mengidentifikasi jenis mobil yang diambil dari berbagai sisi dengan berdasarkan bentuk dengan menggunakan metode Convolutional Neural Network (CNN).
1.3. Tujuan Penelitian
Mengidentifikasi jenis mobil berdasarkan bentuk dengan menggunakan metode Convolutional Neural Network (CNN).
1.4. Batasan Masalah
1. Hanya mendeteksi jenis mobil berdasarkan bentuk.
2. Jenis mobil yang dimaksud adalah mpv, sedan dan suv.
3. Hanya mendeteksi mobil standart tidak boleh dimodifikasi.
4. Gambar mobil diambil secara manual dari sisi depan, samping dan belakang.
1.5. Manfaat Penelitian
1. Untuk mengetahui identifikasi jenis mobil berdasarkan bentuk dengan menggunakan metode Convolutional Neural Network (CNN).
2. Menjadi referensi penelitian selanjutnya, khususnya implementasi yang berkaitan dengan Convolutional Neural Network (CNN).
1.6. Metodologi Penelitian
Tahapan-tahapan yang akan di lakukan dalam penelitian ini untuk mencapai tujuan penelitian meliputi :
1. Studi Literatur
Proses pembelajaran dan pemahaman konsep dan teori-teori yang digunakan melalui pengumpulan literatur-literatur berupa buku referensi, artikel-artikel, serta jurnal-jurnal untuk mendukung dasar teori yang kuat tentang identifikasi jenis mobil dan metode Convolutional Neural Network (CNN).
2. Perancangan Sistem
Tahap ini meliputi analisis kebutuhan untuk merancang perangkat lunak pengenalan jenis mobil berdasarkan bentuk dengan metode Convolutional Neural Network (CNN).
3. Implementasi Sistem
Tahap ini meliputi pembangunan sistem yang telah dirancang sebelumnya.
Pada tahap ini diimplementasikan perancangan sistem menggunakan software visual studio dengan bahasa pemograman C#.
4. Training dan Testing
Diawali dengan pengambilan gambar mobil, kemudian mengubah region grayscale lalu mengubahnya menjadi threshold. Setelah itu dilakukan proses perbaikan. Lalu gambar mobil tersebut diidentifikasi bentuknya dilakukan dengan menggunakan proses identifikasi dengan menggunakan metode Convolutional Neural Network (CNN). Dan pada tahap ini dilakukan pengujian terhadap sistem yang telah dibangun dan sekaligus melakukan analisis terhadap hasil sistem yang berupa akurasi.
5. Analisis Sistem
5
Analisis dilakukan setelah proses pembuatan sistem. Analisis dilakukan untuk membandingkan hasil testing menggunakan metode yang diteliti dengan hasil pandangan kasat mata manusia. Sehingga dari hal itu dapat dilihat tingkat persentasi keberhasilan computer vision.
6. Penyusunan Laporan
Pada tahap ini dilakukan penyusunan laporan hasil evaluasi dan analisis serta implementasi metode Convolutional Neural Network (CNN) dan membuat kesimpulan dari hasil penelitian ini.
1.7. Sistematika Penulisan
Sistematika dari penulisan tugas akhir ini adalah sebagai berikut :
BAB 1 : Pendahuluan
Pada bab ini dijelaskan mengenai latar belakang permasalahan, rumusan masalah, tujuan penelitian, batasan masalah, manfaat penelitian, dan sistematika penulisan. Teori yang dibahas berhubungan dengan citra, Convolutional Neural Network (CNN), dan penelitian terdahulu sebagai referensi teori dalam penelitian ini.
BAB 2 : Landasan Teori
Pada bab ini dijelaskan mengenai dasar-dasar teori, rujukan, dan metode yang digunakan sebagai dasar dan alat untuk menyelesaikan permasalahan.
BAB 3 : Analisis dan Perancangan Sistem
Pada bab ini dijelaskan tentang arsitektur umum dalam mengidentifikasi jenis mobil berdasarkan bentuk dengan menggunakan metode Convolutional Neural Netwok (CNN) .
BAB 4 : Implementasi dan Pengujian Sistem
Pada bab ini berisi pembahasan tentang implementasi dari yang telah dibahas dari bab 3. Bab ini juga berisi tentang hasil pengujian dari sistem yang telah dibangun.
BAB 5 : Kesimpulan dan Saran
Pada bab ini berisi tentang kesimpulan dari semua pembahasan yang ada dan memuat saran-saran yang diajukan bagi para pembaca atau pengembang.
BAB 2
LANDASAN TEORI
Bab ini menjelaskan tentang dasar teori yang digunakan dalam penyusunan tugas akhir ini. Dijelaskan pengertian tentang Computer Vision, citra, grayscale, tresholding, serta metode Convolutional Neural Network (CNN).
2.1. Computer Vision
Computer Vision adalah suatu proses transformasi atau perubahan dari data yang berasal dari kamera video maupun foto/gambar kedalam sebuah hasil keputusan ataupun sebuah presentasi yang baru, dimana hasil dari kegiatan transformasi tersebut memiliki kepentingan untuk mencapai suatu tujuan. Data yang dimasukan kedalam kegiatan transformasi tersebut memungkinkan untuk memiliki beberapa informasi yang terkonstektual seperti halnya sebuah foto/gambar yang didalamnya terdapat berbagai objek. Dengan demikian akan didapatkan keputusan-keputusan yang akan diambil pada gambar, misalnya berupa “adakah telapak tangan seseorang pada gambar tersebut?” atau “siapa sajakah orang yang terdapat pada foto tersebut?”. Adapun perubahan kedalam presentasi yang baru seperti perubahan gambar menjadi grayscale atau juga pemotongan objek pada gambar (Latifah et al. 2011).
Berbeda halnya dengan manusia yang memiliki pemikiran untuk meneliti, memahami, dan membandingkan informasi pada objek secara langsung dengan informasidari pengalaman-pengalaman yang didapatkan selama bertahun-tahun hidup didunia. Dalam sistem penglihatan mesin (machine vision) komputer hanya
mampu mendapatkan informasi berupa kumpulan angka-angka dari media input data seperti kamera atau disket seperti yang terlihat pada Gambar 2.1.
Gambar 2.1 Ilustrasi Penglihatan Computer (Docplayer Info, 2017)
2.2. Citra
2.2.1. Pengertian citra
Citra adalah representasi dua dimentasi untuk bentuk-bentuk fisik nyata tiga dimensi. Citra dalam perwujutan dapat bermacam-macam, mulai dari gambar putih pada sebuah foto (yang tidak bergerak) sampai pada gambar warna yang bergerak pada televisi (Putri, 2016).
Citra dikelompokkan menjadi citra tampak dan citra tak tampak. Citra tampak dalam kehidupan sehari-hari adalah foto keluarga, lukisan, apa yang tampak dilayar monitor. Sedangkan citra tak tampak misalnya gambar dalam file (citra digital), citra yang direpresentasikan dengan fungsi matematis. Agar dapat dilihat manusia, citra tak nampak ini harus dirubah dulu menjadi citra tampak, misalnya dengan menampilkannya dimonitor atau dicetak diatas kertas. Diantara citra-citra tersebut, hanya citra digital yang dapat diolah menggunakan komputer.
Jenis citra lain, jika hendak diolah dengan komputer, harus diubah terlebih dahulu menjadi citra digital.
9
2.2.2. Citra digital
Proses perubahan citra menjadi citra digital disebut digitalisasi. Digitalisasi dapat dilakukan dengan menggunakan alat atau sensor seperti kamera, webcam scanner dan sebagainya. Pada umumnya citra digital berbentuk empat persegi panjang, dengan dimensi ukurannya dinyatakan sebagai lebar x tinggi.
Citra digital memiliki koordinat spasial, dengan tingkat kecerahan atau intensitas cahaya (skala keabu-abuan) yang memiliki numerik yang diskrit direpresentasikan dalam bentuk fungsi matematis f(x,y) yang menyatakan intensitas cahaya pada titik (x,y). Citra digital disimpan didalam berkas (file) dengan format tertentu. Format citra yang baku di lingkungan sistem operasi Microsoft Windows adalah berkas bitmap (bmp). Format bmp mempunyai kelebihan dari segi kualitas gambar apabila citra ditampilkan pada layar monitor, karena citra dalam format BMP umumnya tidak dimampatkan, sehingga tidak ada informasi yang hilang, walaupun akibatnya ukuran berkasnya relatif besar (Wakhidah, 2012).
Citra dalam format bmp ada 3 macam yaitu citra biner, citra berwarna dan hitam putih (grayscale). Citra biner hanya memiliki dua nilai keabuan, 0 dan 1.
Oleh karena itu, 1 bit sudah cukup untuk merepresentasikan nilai piksel.
Sedangkan citra yang lebih umum adalah citra berwarna. Adapun warna yang terlihat pada gambar dengan format bmp merupakan kombinasi dari tiga warna dasar yaitu Red, Green, dan Blue (RGB). Setiap piksel pada layar monitor disusun oleh tiga komponen warna tersebut. Kombinasi dari ketiga warna tersebut menghasilkan warna yang khas untuk satu piksel bersangkutan.
2.2.3. Color image atau RGB (Red, Green, Blue)
Pada color image ini masing-masing pixel memiliki warna tertentu, warna tersebut adalah merah (Red), hijau (Green) dan biru (Blue). Jika masing-masing warna memiliki range 0-255, maka totalnya adalah 2553 = 16.581.375 (16 K)
variasi warna berbeda pada gambar, dimana variasi warna ini cukup untuk gambar apapun. Karena jumlah bit yang diperlukan untuk setiap pixel, gambar tersebut juga disebut gambar bit warna (Kusumanto dan Tompunu, 2011). Color image ini terdiri dari tiga matriks yang mewakili nilai-nilai merah, hijau dan biru untuk setiap pixelnya seperti pada Gambar 2.2.
Gambar 2.2 Contoh Ilustrasi (Kelas Desain, 2016)
2.2.4. Pengolahan citra digital
Pengolahan Citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer.
Dalam definisi yang lebih luas, pengolahan citra digital juga mencakup semua data dua dimensi. Meskipun sebuah citra kaya informasi, namun seringkali citra yang kita miliki mengalami penurunan intensitas mutu, misalnya mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur dan sebagainya tentu citra seperti ini akan sulit dipresentasikan sehingga informasi yang ada menjadi berkurang (R Munir, 2004).
Agar citra yang mengalami gangguan mudah dipresentasikan maka citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya lebih baik.
11
Pengolahan citra adalah pemrosesan citra khususnya dengan menggunakan komputer menjadi citra yang lebih baik.
Pengolahan Citra adalah suatu metode yang digunakan untuk mengolah citra (gambar/image) sehingga menghasilkan gambar lain yang sesuai dengan kebutuhan khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Citra digital adalah citra kontinyu yang diubah kedalam bentuk diskrit, baik koordinat ruang maupun nilai intensitas cahayanya. Dengan kata lain, citra digital dibuat dengan cara mencuplik suatu citra kontinyu dengan jarak seragam. Suatu titik terkecil pada citra digital sering disebut sebagai picture element atau pixel.
a. Pixel dan Resolusi Gambar
Pixel atau picture elements merupakan unsur gambar atau representasi sebuah titik terkecil dalam sebuah gambar grafis yang dihitung per inci. Semakin tinggi jumlah piksel dalam suatu citra, maka semakin tajam citra tersebut.
Selain piksel, terdapat pula resolusi gambar, yang menentukan kualitas suatu citra. Resolusi gambar mendeskripsikan tentang banyaknya detil gambar yang tersimpan, atau sering didefinisikan sebagai jumlah piksel dalam pencitraan gambar digital. Semakin besar nilai resolusi, maka semakin tajam gambar yang diperlihatkan seperti Gambar 2.3.
Gambar 2.3 Contoh Perbedaan Resolusi Gambar (Wikipedia, 2014)
b. Grayscale
Suatu citra grayscale adalah suatu citra yang hanya memiliki warna tingkat keabuan. Penggunaan citra grayscale dikarenakan membutuhkan sedikit
informasi yang diberikan pada tiap pixel dibandingkan dengan citra berwarna.
Warna abu-abu pada citra keabuan adalah warna R (Red), G (Green), B (Blue) yang memiliki intensitas yang sama. Sehingga dalam grayscale image hanya membutuhkan nilai intensitas tunggal dibandingkan dengan citra berwarna membutuhkan tiga intensitas untuk tiap pixelnya.
Pada umumnya citra grayscale memiliki penyimpanan 8 bit sehingga dapat menampung 256 tingkatan skala abu-abu dimana tiap pixel memiliki intensitas 0 hingga 255 dengan 0 menjadi hitam dan 255 menjadi putih. Contoh dari grayscale image dapat dilihat pada Gambar 2.4.
Gambar 2.4 Grayscale Image
Grayscale dilakukan dengan cara mengambil semua pixel pada gambar kemudian warna tiap pixel akan diambil informasi mengenai 3 warna dasar yaitu merah, hijau dan biru, ketiga warna dasar ini akan dijumlahkan kemudian dibagi tiga sehingga didapat nilai rata-rata. Nilai rata-rata inilah yang akan dipakai untuk memberikan warna pada pixel gambar sehingga warna menjadi grayscale seperti pada persamaan 2.1.
𝑠 =
𝑟+𝑔+𝑏3
(2.1)
13
Dimana : S = Citra grayscale
R = nilai red dari sebuah piksel G = nilai green dari sebuah piksel B = nilai blue dari sebuah piksel
c. Thresholding
Thresholding merupakan teknik binerisasi yang digunakan untuk mengubah citra keabuan menjadi citra biner. Thresholding dapat digunakan dalam proses segmentasi citra untuk mengidentifikasi objek yang diinginkan dari background berdasarkan distribusi tingkat keabuan atau tekstur citra. Proses thresholding menggunakan nilai batas (threshold) untuk mengubah nilai piksel pada grayscale image menjadi hitam atau putih.
Citra hasil berupa citra hitam dan putih, citra hitam (0) diperoleh apabila nilai piksel citra keabuan lebih kecil dari nilai threshold sebaliknya citra putih (1) diperoleh jika nilai piksel citra keabuan lebih besar dari nilai threshold. Pada proses thresholding citra dibagi kedalam beberapa bagian, masing-masing dari bagian tersebut memiliki ukuran yang sama besar dengan sebuah citra dibagi dengan derajat keabuan (Aruan, 2017). Persamaan yang digunakan terdapat pada persamaan 2.2.
g(x,y) {1 𝑖𝑓 (𝑥, 𝑦) > 𝑇
0 𝑖𝑓 𝐹 (𝑥, 𝑦) ≤} (2.2)
Dimana : g(x,y) = piksel citra hasil binerisasi f(x,y) = piksel citra asal
T = nilai threshold
d. Feature Extraction
Fitur merupakan karakteristik unik dari suatu objek. Fitur dibedakan menjadi dua yaitu fitur “alami” merupakan bagian dari gambar, misalnya kecerahan dan tepi objek. Sedangkan fitur “buatan” merupakan fitur yang diperoleh dengan operasi tertentu pada gambar, misalnya histogram tingkat keabuan. Sehingga ekstraksi fitur adalah proses untuk mendapatkan ciri-ciri pembeda yang membedakan suatu objek dari objek yang lain (Putra,2010).
2.3. Convolutional Neural Network
Convolutional Neural Network (CNN) adalah pengembangan dari Multilayer Perceptron (MLP) yang didesain untuk mengolah data dua dimensi yang terdiri dari lapisan input dan output, serta beberapa lapisan tersembunyi (Yao, 2019).
CNN menjadi sangat populer setelah memenangkan ImageNet Large Scale Recognition Challenge ILSVRC 2012. Dalam makalah tersebut, mereka menggunakan lebih dari 600.000 neuron dan 7 lapisan tersembunyi untuk memberikan model data yang baik untuk menghindari overfting (Krizhevsky, et al. 2012).
Pada CNN, setiap neuron direpresentasikan dalam bentuk dua dimensi, tidak seperti MLP yang setiap neuron hanya berukuran satu dimensi. CNN termasuk dalam Deep Neural Network karena kedalaman jaringan yang tinggi.
Convolutional Neural Network (CNN) merupakan salah satu jenis neural network yang berisi kombinasi beberapa layer yaitu convolutional layer, pooling layer dan fully connected layer (Hu, Huang, Wei, Zhang, & Li, 2015) seperti pada Gambar 2.5.
Gambar 2.5 Convolutional neural network (B & Hattori, 2017)
15
2.3.1. Convolutional Layer
Konvolusi merupakan suatu istilah matematis yang berarti mengaplikasikan sebuah fungsi pada output fungsi lain secara berulang (Vista Lab, 2013) seperti Gambar 2.6.
Gambar 2.6 Operasi Konvulasi (Vista LAB, 2013)
Convolutional Layer adalah sebuah inti utama dari CNN, dimana layer ini memiliki sebuah kumpulan filter yang dapat digunakan untuk mempelajari citra masukan. Melalui layer ini, fitur akan di ekstraksi dan kemudian di lanjutkan ke layer berikutnya dengan tujuan untuk mengekstraksi fitur yang lebih kompleks (Bui & Chang, 2017).
Convolutional Layer melakukan operasi konvolusi terhadap input ataupun output dari layer sebelumnya. Tujuan dilakukannya konvolusi pada data citra adalah untuk mengekstraksi fitur dari citra input. Konvolusi akan menghasilkan transformasi linear dari data input sesuai informasi spasial pada data. Bobot pada layer tersebut menspesifikasikan kernel konvolusi yang digunakan, sehingga kernel konvolusi dapat dilatih berdasarkan input pada CNN seperti pada persamaan rumus 2.3.
Ci,j = A x P1 + B x P2 + C x P3 + D x P4 + E x P5 (2.3) + F x P6 + G x P7+ H x P8 + I x P9
Keterangan :
Ci,j = Nilai feature map yang dihasilkan proses konvolusi A-I = Nilai matriks gambar input
P1-9 = Nilai matriks feature detector
2.3.2. Pooling Layer
Pooling Layer merupakan proses resizing yaitu proses untuk mengubah ukuran citra input yang berbeda,salah satunya dengan menggunakan operasi MAX. Hal ini bertujuan untuk membantu mengurangi jumlah parameter dan waktu perhitungan yang dibutuhkan saat melatih network (Bui & Chang, 2017).
Max pooling membagi output dari convolutional layer menjadi beberapa grid kecil lalu mengambil nilai maksimal dari setiap grid untuk menyusun matriks citra yang telah direduksi seperti yang ditunjukkan pada Gambar 2.7.
Grid yang berwarna merah, hijau, kuning dan biru merupakan kelompok grid yang akan dipilih nilai maksimumnya. Sehingga hasil dari proses tersebut dapat dilihat pada kumpulan grid disebelah kanannya. Proses tersebut memastikan fitur yang didapatkan akan sama meskipun objek citra mengalami translasi (pergeseran).
Gambar 2.7 Operasi Max Polling (Bui & Chang, 2017)
17
2.3.3. Fully Connected Layer
Dan layer ketiga pada CNN adalah Fully Connected Layer, dimana layer ini mengambil seluruh neuron pada layer sebelumnya (Convolutional Layer dan MAX Pooling Layer) dan menghubungkannya ke setiap single neuron yang ada (Devikar, 2016).
Fully connected layer adalah layer yang biasanya digunakan dalam penerapan MLP dan bertujuan untuk melakukan transformasi pada dimensi data agar data dapat diklasifikasikan secara linear (Suartika et al., 2016).
Setiap neuron pada convolution layer perlu ditransformasi menjadi data satu dimensi terlebih dahulu sebelum dapat dimasukkan kedalam sebuah fully connected layer. Karena hal tersebut menyebabkan data kehilangan informasi spesialnya dan tidak reversibel, fully connected layer hanya dapat diimplementasikan diakhir jaringan seperti pada Gambar 2.8.
Dalam sebuah jurnal oleh Lin et al. (2014), dijelaskan bahwa convolutional layer dengan ukuran kernel 1 x 1 melakukan fungsi yang sama dengan sebuah fully connected layer namun dengan tetap mempertahankan karakter spasial dari data. Hal tersebut membuat penggunaan fully connected layer pada CNN sekarang tidak banyak dipakai.
Gambar 2.8 Proses Fully Connected Layer (Bui & Chang, 2017)
2.4. Pengenalan Jenis Mobil 2.4.1. Jenis mobil Sedan
Berdasarkan Ballast (1992), bentuk merupakan raut (shape) dan konfigurasi dasar dari sebuah objek. Ballast (1992) menyatakan bahwa bentuk seringkali merupakan cara pertama kali seseorang membedakan sebuah objek dengan lainnya. Jenis mobil sedan atau sering juga disebut saloon. Jenis mobil sedan ini terbilang sangat familiar diseluruh dunia. Hampir seluruh orang mengenal jenis mobil sedan ini. Jenis mobil sedan adalah mobil yang memiliki 3 pilar utama untuk kabin penumpang (pilar A,B,C) serta dilengkapi dengan kompartemen mesin dibagian depan dan kompartemen bagasi dibagian belakang.
Pada dasarnya, mobil sedan mempunyai kapasitas 5 orang penumpang, 2 dibagian depan, dan 3 dibagian belakang. Selain itu, jumlah pintu yang dimiliki umumnya ada 5, 4 pintu khusus untuk akses keluar masuk penumpang, dan 1 pintu khusus untuk memasukkan barang ke bagasi.
Pada Gambar 2.9 merupakan jenis mobil sedan yang digunakan untuk sample training, mobil dipilih berdasarkan perbedaan bentuk mobil dari berbagai sisi yaitu depan, samping dan belakang.
19
Gambar 2.9 Sample Training Jenis Sedan
2.4.2. Jenis mobil MPV
Multi Purpose Vehicle (MPV) adalah sebuah mobil multi fungsi dengan dua kompartemen, satu kompartemen untuk mesin, satu untuk kabin penumpang dengan pintu bagasi yang menyatu dengan kaca belakang. Bagian untuk penumpang terdiri dari 3 baris tempat duduk dengan kapasitas 7 orang. Bahkan pada beberapa kelas MPV yang lebih mewah bisa mengangkut lebih dari itu.
Kegunaan utama adalah untuk mengangkut penumpang dan barang.
MVP yang cukup populer di Indonesia tersedia dalam berbagai ukuran.
MVP yang cukup besar (muat hingga 7 orang) misalnya Daihatsu Xenia, Mitsubishi Xpander, Toyota Avanza. Sedangkan MPV yang berukuran kecil seperti Datsun Go, Daihatsu Sigra dan Picanto. Pada Gambar 2.10 merupakan sample training citra yang dipilih untuk jenis mobil MPV.
Gambar 2.10 Sample Training Jenis MPV
2.4.3. Jenis mobil SUV
Jenis mobil Sport Utility Vehicle atau akrab disebut SUV ini merupakan mobil yang menggabungkan utilitas mobil jeep, pikap dengan mobil sedan yang elegan.
Prioritas utama dari jenis mobil SUV ini adalah kemampuannya yang bisa digunakan diberbagai medan berat namun dengan kenyamanan layaknya mobil sedan.
SUV adalah sebuah jenis mobil penumpang dengan dua kompartemen, satu kompartemen untuk mesin, satu untuk kabin penumpang yakni mobil penumpang yang dibangun diatas kerangka truk ringan. Rata-rata, SUV memiliki kapasitas bagasi sebesar 500 hingga 600 liter dengan kondisi kursi baris kedua tegak. Mobil yang mampu berjalan di “dua alam” ini mampu menampung 5-7 orang penumpang dan memiliki 2 baris kursi. Kegunaan utama adalah untuk mengangkut penumpang pada medan yang lebih berat dari jalan biasa. Pada Gambar 2.11 adalah contoh sample training mobil SUV.
21
Gambar 2.11 Sample Training Jenis SUV
2.5. Penelitian Terdahulu
Penelitian yang mengenai identifikasi jenis mobil sudah dilakukan sebelumnya dengan menggunakan metode yang beragam. Latifah et al. (2011) mengembangkan sistem yang dapat mengklasifikasikan ciri fisis mobil berdasarkan bentuk, rasio panjang dan lebar mobil. Sistem ini menggunakan metode Backpropagation berdasarkan komposisi banyaknya piksel dalam satu objek terdeteksi dan menggunakan algoritma Canny sebagai deteksi tepi objek atau citra. Hasil deteksi mobil ini dapat mengklasifikasikan beberapa jenis kendaraan yaitu bus, truk, niaga, dan sedan dengan tingkat akurasi 78% dan akurasi pengklasifikasian warna mobil adalah 48%.
Kusnawan (2012) melakukan penelitian yang berjudul “Pengenalan jenis kendaraan menggunakan statistical algorithm dan support vector machine”. Pada penelitian ini diimplementasikan statistical algorithm dan Support Vector Machine untuk mengenali jenis kendaraan secara otomatis. Jenis kendaraan yang dapat dikenali pada tugas akhir ini yaitu sedan/city car, SUV/MPV, bus, dan truk.
Pengenalan jenis kendaraan dilakukan berdasar pada panjang visual kendaraan.
Bila ternyata panjang visual kendaraan belum mampu mengenali jenis kendaraan,
terutama bus dan truk, maka akan ditambah filter gabor kemudian dimasukkan dalam classifier SVM. Sementara statistical algorithm digunakan dalam mengekstraksi background dari data video. Berdasarkan percobaan yang telah dilakukan dalam beberapa variasi pencahayaan, tingkat akurasi dalam mengenali jenis kendaraan adalah 82,44%.
Penelitian selanjutnya dilakukan oleh Plemakova (2018) dengan judul Vehicle Detection Based on Convolutional Neural Networks. Penelitian ini mendeteksi dan mengklasifikasi kendaraan berdasarkan kondisi cuaca, cahaya dan jenis kendaraan. Metode pengklasifikasian dan pendeteksi kendaraan menggunakan CNN dan feature extraction algorithm with support vector machine dari berbagai sudut. Dalam pemrosesan datanya digunakan Fast Fourier Transform. Gambar mobil yang akan digunakan berukuran 128 x 128.
Roecker, Costa, Almeida, & Matsushita (2018) melakukan penelitian tentang klasifikasi jenis kendaraan dengan menggunakan metode CNN.
Pengambilan gambar dilakukan di jalan raya dengan mengambil video beresolusi tinggi dari kendaraan yang bergerak. Kendaraan dibagi menjadi 6 kelas yakni bus, mikrobus, minivan, SUV dan truk dengan model mencapai akurasi 93,90%.
Penelitian selanjutnya yaitu pengelompokan citra kendaraan (motor dan mobil) berdasarkan bentuk menggunakan algoritma K-Means yang dikembangkan oleh Cahyanti et al. (2018). Penelitian ini mengimplementasikan algoritma K-Means untuk mengelompokkan data citra digital kendaraan mobil dan motor. Proses pengelompokkan terdiri dari tahapan citra input yang ditransformasi ke grayscale, hasil dari citra grayscale tersebut diambil nilai garis tepi menggunakan operator prewitt. Hasil nilai citra prewitt disimpan ke dalam basis data. Tahapan selanjutnya untuk mengelompokkan data citra tersebut menggunakan algoritma K-Means. Uji-coba aplikasi ini menggunakan 12 data citra (enam data citra mobil dan enam data citra motor) dengan latar belakang berwarna putih. Citra ini diambil berukuran 150 x 100 piksel.
Dari penelitian-penelitian yang telah dilakukan sebelumnya yaitu tentang identifikasi jenis mobil dengan menggunakan metode yang beragam tetapi tingkat akurasinya masih kurang, pada penelitian ini saya akan menggunakan
23
metode Convolutional Neural Network untuk mengidentifikasi jenis mobil berdasarkan bentuk yang diambil dari berbagai sisi yaitu depan, samping, dan belakang serta mengetahui tingkat akurasi sistem dalam identifikasi jenis mobil.
Tabel 2.1 Penelitian Terdahulu
No Peneliti Judul Tahun Ket
1. Latifah Klasifikasi Jenis Mobil Menggunakan Metode
Backpropagation dan Deteksi Tepi Canny.
2011 Mengembangkan sistem
yang dapat
mengklasifikasi ciri fisis mobil berdasarkan bentuk, rasio panjang, dan lebar mobil. Menggunakan metode backpropagation dan algoritma tepi canny sebagai deteksi tepi objek atau citra dengan akurasi 78%.
2. Ferry Kusnawan
Pengenalan Jenis Kendaraan Menggunakan Statistical Algorithm dan Support Vector Machine.
2012 Menggunakan statistical algorithm dan support vector machine untuk mengenali jenis kendaraan secara otomatis.
Berdasarkan pada panjang visual kendaraan dengan akurasi 82,44%.
3. Plemakova Vehicle Detection Based on
Convolutional Neural Networks.
2018 Mendeteksi dan
mengklasifikasi kendaraan berdasarkan kondisi cuaca, cahaya dan jenis kendaraan. Metode pengklasifikasian dan pendeteksi kendaraan menggunakan CNN dan feature extraction algorithm with support vector machine dari berbagai sudut.
4. Roecker, Costa, Almeida, &
Matsushita
Automatic Vehicle Type Classification With Convolutional Neural Networks.
2018 Klasifikasi jenis kendaraan dengan menggunakan
metode CNN.
Pengambilan gambar dilakukan di jalan raya dengan mengambil video beresolusi tinggi dari kendaraan yang bergerak.
Kendaraan dibagi menjadi 6 kelas yakni bus, mikrobus, minivan, SUV dan truk dengan akurasi 93,90%.
5. Margi Cahyanti
Identifikasi Jenis Mobil Menggunakan Pengolahan Citra Digital Dengan Metode Wavelet.
2018 menggunakan algoritma
K-means untuk
mengelompokkan data citra digital kendaraan mobil dan motor.
BAB 3
ANALISIS DAN PERANCANGAN
Bab ini menjelaskan tentang analisis dan perancangan sistem identifikasi jenis mobil. Pada permasalahan training mobil, agar tidak menimbulkan banyak error maka training akan dilakukan untuk 3 jenis mobil yang akan dikenali berdasarkan bentuk dasar, dan diklasifikasi menjadi Sedan, MPV, dan SUV.
3.1. Langkah Perancangan
Langkah yang dilakukan terdiri dari 3 tahap yaitu pre-processing, training process dan proses Identifikasi. Secara garis besar sistem akan dirancang seperti Gambar 3.1.
Input
Output
Gambar 3.1 Diagram Sistem
Tahap awal adalah user menginput sebuah gambar mobil kedalam program. Setelah gambar diinput, program akan membaca dan melakukan proses pre-processing yaitu proses pengolahan citra gambar dari bitmap menjadi array
Car Image
Pre Processing Training Data
terhadap image yang diinput. Setelah proses pre processing berhasil dijalankan maka masuk ke tahap training yaitu tahap pembelajaran sistem agar dapat
mengenali suatu objek (dalam hal ini berupa jenis mobil). Setelah semua proses berhasil dilakukan maka akan didapatkan hasilnya berupa pengenalan jenis mobil dari gambar yang telah dimasukkan sebelumnya.
3.2. Arsitektur Umum
Gambar 3.2 Arsitektur Umum Thresholding
Identifikasi CNN
Output:
Hasil berupa jenis mobil
Convolutional Layer Pooling Layer
Fully Connected Layer Training
Testing Output
Pre- processing Cropping
Resizing Grayscale
27
Pada Gambar 3.2 ada beberapa tahapan yang akan digunakan untuk identifikasi jenis mobil berdasarkan bentuk yaitu :
1. Input image
Input dari sistem ini adalah bentuk mobil yang diperoleh dari hasil capture citra mobil yang diambil dilokasi parkiran mobil, persimpangan lampu merah, dan jalan raya serta citra yang didownload dari internet. Citra mobil yang diambil sebanyak 600 citra. Data citra dibagi menjaadi dua jenis, yaitu data training dan data testing. Hasil training disimpan dalam reference NN. Jumlah data yang digunakan untuk pelatihan adalah 420 citra dan untuk data uji sebanyak 180 citra.
2. Pre-processing
Pada tahap ini akan dilakukan proses citra yaitu cropping untuk memotong citra, resizing yaitu untuk mengubah ukuran citra, grayscale yang bertujuan untuk mengkonversi citra berwarna menjadi citra skala keabuan yang digunakan untuk mengurangi beban pada citra ketika di proses selanjutnya. Metode thresholding yaitu memisahkan antara objek dengan background dalam suatu citra berdasarkan pada perbedaan tingkat kecerahan atau gelap terangnya.
3. Identification
Pada tahap ini, bentuk citra mobil yang telah diproses pada tahap sebelumnya akan di identifikasi. Untuk mengidentifikasi jenis mobil berdasarkan bentuk dari berbagai sisi dengan menggunakan metode Convolutional Neural Network (CNN).
4. Output
Output yang dihasilkan yaitu hasil identifikasi terhadap citra mobil berdasarkan bentuk dimana hasilnya kita bisa mengetahui jenis mobil itu sendiri.
3.3. Dataset
Data citra yang digunakan dalam penelitian ini adalah citra yang diambil secara langsung dilokasi parkiran mobil, persimpangan lampu merah, dan jalan raya serta citra mobil yang didownload dari internet. Citra tersebut digunakan untuk data latih dan data uji. Citra data uji yang digunakan ini diambil menggunakan kamera HP VIVO V3. Dengan resolusi gambar 720 x 1280 piksel dan dengan format jpg.
Data citra yang digunakan untuk data uji sebanyak 180 citra, dan data latih sebanyak 420 citra dengan kualitas gambar yang baik. Seluruh data berjumlah 600 citra dengan pembagian citra ditunjukkan pada Tabel 3.1.
Tabel 3.1 Pembagian data latih dan data uji
No Dataset Jumlah Data
1. Data Pelatihan 420
2. Data Pengujian 180
Adapun contoh data uji yang diambil langsung dari berbagai sisi yaitu depan,belakang dan samping dapat dilihat pada Gambar 3.3.
29
Gambar 3.3 Contoh Citra Mobil MPV, SUV dan Sedan
3.3.1. Training jenis mobil
Proses training akan dilakukan setelah citra melalui tahap pre-processing, berdasarkan luas area mobil tersebut. Dengan sejumlah training yang dilakukan, maka sistem akan mengenali jenis mobil berdasarkan input citra digital. Jumlah citra yang digunakan sample training sebanyak 420 sample yakni terdiri dari 140 Sedan, 140 MPV dan 140 SUV dari berbagai sisi seperti depan,samping dan belakang.
3.3.2. Pengenalan jenis mobil
Proses identifikasi merupakan proses akhir pengujian sistem. Data yang telah ditraining akan di load dan kemudian mengenali citra dari gambar input. Sebelum melakukan identifikasi, akan dilakukan pre-processing kembali seperti grayscale agar mempermudah pengenalan. Setelah melewati proses tersebut maka hasil identifikasi akan ditampilkan pada label output.
3.4. Pre-processing
Tahapan ini merupakan tahap pengolahan citra yang bertujuan untuk menghasilkan citra yang lebih baik untuk diproses ketahapan selanjutnya.
Tahapan pre-processing yaitu grayscale, dan thresholding.
3.4.1. Cropping
Cropping merupakan proses pemotongan citra pada koordinat tertentu pada area citra. Untuk memotong bagian dari citra digunakan dua koordinat, yaitu koordinat awal yang merupakan awal koordinat bagi citra hasil pemotongan dan koordinat akhir yang merupakan titik koordinat akhir dari citra hasil pemotongan.
Pada penelitian ini cropping dilakukan secara manual dengan memotong background dari gambar mobil tersebut. Aplikasi yang digunakan untuk memotong gambar adalah Microsoft Paint. Proses pemotongan dapat dilihat pada Gambar 3.4.
Gambar 3.4 Cropping 3.4.2. Resizing
Resizing merupakan proses mengubah ukuran citra, baik memperbesar ataupun memperkecil resolusi citra, dalam hal ini citra mobil diubah ukurannya menjadi 300 x 300 piksel.
31
3.4.3. Grayscale
Citra mobil yang diinput awal merupakan citra dengan format jpg. Kemudian dilakukan proses tahap awal yaitu grayscalling. Grayscale dilakukan dengan tujuan untuk mengkonversi citra berwarna menjadi citra skala keabuan.
Grayscale dilakukan untuk mengambil nilai dari threshold. Cara melakukan grayscale adalah dengan mengambil semua pixel pada gambar kemudian warna tiap pixel akan diambil informasi mengenai 3 warna dasar yaitu merah, hijau dan biru, ketiga warna dasar ini akan dijumlahkan kemudian dibagi tiga sehingga didapat nilai rata-rata. Nilai rata-rata inilah yang akan dipakai untuk memberikan warna pada pixel gambar sehingga warna menjadi grayscale, tiga warna dasar dari sebuah pixel akan diset menjadi nilai rata-rata. Seperti pada Gambar 3.5.
Gambar 3.5 Contoh Perhitungan Grayscale
Hasil dari proses grayscale dapat terlihat pada Gambar 3.6.
Gambar 3.6 Grayscale
3.4.4. Thresholding
Tahap selanjutnya yaitu mengidentifikasi gambar dengan latar belakang menggunakan binarization (thresholding). Dengan tujuan untuk menghasilkan citra hitam putih yang bersih dari tingkat keabuan (grayscale), atau dengan kata lain metode ini mengkonversi citra gray-level ke citra bilevel (binary image).Cara melakukan thresholding hampir sama dengan melakukan grayscale, bedanya warna rata-rata akan dikelompokkan menjadi dua, jika intensitas warna dimulai dari 0 sampai dengan 255 maka diambil nilai tengahnya atau ambang batas yaitu 128. Jika dibawah 128 maka warna akan cenderung hitam dan diatas 128 warna akan cenderung putih. Contoh perhitungan dari thresholding dapat dilihat pada Gambar 3.7.
33
Gambar 3.7 Contoh Perhitungan Thresholding Hasil dari proses thresholding dapat terlihat pada Gambar 3.8.
Gambar 3.8 Thresholding
3.5. Identification
Tahap selanjutnya yaitu identifikasi menggunakan metode Convolutional Neural Network (CNN) yang terdiri dari 3 layer yaitu Convolutional layer, Max pooling layer, dan Fully connected layer. Proses ini bertujuan untuk melakukan identifikasi terhadap objek.
3.5.1. Convolutional Layer
Convolutional Layer melakukan operasi konvolusi terhadap input atapun output dari layer sebelumnya. Tujuan dilakukannya konvolusi pada data citra adalah untuk mengekstraksi fitur dari citra input seperti pada Gambar 3.9.
Gambar 3.9 Contoh Citra Input 5 x 5 Piksel
Nilai intensitas citra yang lebih dari atau sama dengan nilai threshold akan diubah menjadi 1 (berwarna putih) sedangkan nilai intensitas citra yang kurang dari nilai threshold akan diubah menjadi 0 (berwarna hitam). Perubahan nilai piksel pada proses thresholding ditunjukkan pada Gambar 3.10.
Gambar 3.10 Perubahan Nilai Piksel Citra Input dan Feature Detector
0 0 0 0 0
255 255 255 0 0 255 255 255 0 0 255 255 0 0 0 255 255 0 0 0
0 0 0
1 1 1
1 1 1
35
Hasil dari jumlah perkalian matriks antara matriks feature detector dan matriks pada citra input akan menghasilkan feature map seperti pada Gambar 3.11 merupakan representasi feature map 3 x 3 piksel.
Gambar 3.11 Feature Map
Gambar 3.10 merupakan salah satu contoh citra input yang telah direpresentasikan ke dalam bentuk 5 x 5 piksel dengan perubahan nilai piksel pada proses threshold 3 x 3 sebagai feature detector proses konvolusi. Gambar 3.11 merupakan representasi feature map 3 x 3 piksel. Nilai stride yang digunakan dalam penelitian ini adalah 1 karena proses pengklasifikasian pada sistem ini juga berdasarkan bentuk. Feature detector bergerak dari sudut kiri atas dari gambar input dan bergeser ke kanan sebanyak 1 piksel hingga semua piksel dari baris pertama gambar input terlalui. Setelah semua baris pertama dari citra input dilalui, feature map akan turun ke baris selanjutnya hingga semua piksel yang dimiliki dilalui kemudian disimpan dalam matriks yang baru. Proses konvolusi dapat dilihat pada Gambar 3.12.
C1,1 C2,1 C3,1
C1,2 C2,2 C3,2
C1,3 C2,3 C3,3
0 0 0 0 0
255 255 255 0 0 255 255 255 0 0 255 255 0 0 0 255 255 0 0 0
0 0 0 0 0
255 255 255 0 0 255 255 255 0 0 255 255 0 0 0 255 255 0 0 0
0 0 0 0 0
255 255 255 0 0 255 255 255 0 0 255 255 0 0 0 255 255 0 0 0
0 0 0 0 0
255 255 255 0 0 255 255 255 0 0 255 255 0 0 0 255 255 0 0 0
Gambar 3.12 Representasi proses konvolusi
Untuk setiap piksel, kita menghitung jumlah elemen perkalian antara matriks feature detector dan matriks pada gambar input. Hasil dari jumlah perkalian matriks tersebut akan menghasilkan feature map. Nilai dari feature map dihitung melalui Persamaan 2.3.
Ci,j = A x P1 + B x P2 + C x P3 + D x P4 + E x P5 (2.3) + F x P6 + G x P7+ H x P8 + I x P9
Keterangan :
Ci,j = Nilai feature map yang dihasilkan proses konvolusi A-I = Nilai matriks gambar input
P1-9 = Nilai matriks feature detector
0 0 0 0 0
255 255 255 0 0 255 255 255 0 0 255 255 0 0 0 255 255 0 0 0
0 0 0 0 0
255 255 255 0 0 255 255 255 0 0 255 255 0 0 0 255 255 0 0 0
0 0 0 0 0
255 255 255 0 0 255 255 255 0 0 255 255 0 0 0 255 255 0 0 0
0 0 0 0 0
255 255 255 0 0 255 255 255 0 0 255 255 0 0 0 255 255 0 0 0
0 0 0 0 0
255 255 255 0 0 255 255 255 0 0 255 255 0 0 0 255 255 0 0 0
37
Berdasarkan Persamaan 2.3, perhitungan untuk menentukan nilai feature map adalah sebagai berikut :
C1,1 = (0 x 0) + (0 x 0) + (0 x 0) + (255 x 1) + (255 x 1) + (255 x 1) + (255 x 1) + (255 x 1) + (255 x 1) = 1530
C2,1 = (0 x 0) + (0 x 0) + (0 x 0) + (255 x 1) + (255 x 1) + (0 x 1) + (255 x 1) + (255 x 1) + (0 x 1) = 1020
C3,1 = (0 x 0) + (0 x 0) + (0 x 0) + (255 x 1) + (0 x 1) + (0 x 1) + (255 x 1) + (0 x 1) + (0 x 1) = 510
C1,2 = (255 x 0) + (255 x 0) + (255 x 0) + (255 x 1) + (255 x 1) + (255 x 1) + (255 x 1) + (255 x 1) + (0 x 1) = 1275
C2,2 = (255 x 0) + (255 x 0) + (0 x 0) + (255 x 1) + (255 x 1) + (0 x 1) + (255 x 1) + (0 x 1) + (0 x 1) = 765
C3,2 = (255 x 0) + (0 x 0) + (0 x 0) + (255 x 1) + (0 x 1) + (0 x 1) + (0 x 1) + (0 x 1) + (0 x 1) = 255
C1,3 = (255 x 0) + (255 x 0) + (255 x 0) + (255 x 1) + (255 x 1) + (0 x 1) + (255 x 1) + (255 x 1) + (0 x 1) = 1020
C2,3 = (255 x 0) + (255 x 0) + (0 x 0) + (255 x 1) + (0 x 1) + (0 x 1) + (255 x 1) + (0 x 1) + (0 x 1) = 510
C3,3 = (255 x 0) + (0 x 0) + (0 x 0) + (0 x 1) + (0 x 1) + (0 x 1) + (0 x 1) + (0 x 1) + (0 x 1) = 0
Hasil dari jumlah perkalian matriks antara matriks gambar input dan feature detector tersebut akan menghasilkan feature map. Nilai feature map yang didapatkan dapat dilihat pada Gambar 3.13.
1530 1020 510 1275 765 255 1020 510 0
Gambar 3.13 Hasil feature map
3.5.2. Max Pooling Layer
Hasil dari proses konvolusi tersebut selanjutnya masuk ke proses max pooling.
Tahap ini akan membagi feature map menjadi beberapa grid kecil, kemudian mengambil nilai maksimal dari setiap grid tersebut. Max pooling akan menghasilkan output yang lebih kecil dari feature map tetapi mengambil nilai maksimal dari matriks tersebut. Proses dari Max pooling berukuran 2 x 2 piksel direpresentasikan pada Gambar 3.14 dan hasil dari max pooling pada Gambar 3.15.
Gambar 3.14 Proses Max Pooling 1530 1020 510
1275 765 255 1020 510 0
1530 1020 510 1275 765 255 1020 510 0
1530 1020 510 1275 765 255 1020 510 0 1530 1020 510
1275 765 255 1020 510 0
39
Hasil nilai maksimum pada max pooling ditunjukkan pada Gambar 3.15.
Gambar 3.15 Hasil Max Pooling
Gambar 3.15 merupakan hasil dari Max Pooling layer dari Gambar 3.13.
Matriks yang digunakan untuk max pooling berukuran 2 x 2 piksel dan mencari nilai maksimum yang ada pada matriks tersebut. Matriks 2 x 2 bergerak dari sudut kiri atas pada feature map dan bergeser ke matriks 2 x 2 selanjutnya sampai melalui semua nilai yang terdapat pada feature map. Hasil dari proses max pooling kemudian dimasukkan kedalam proses flattening.
3.5.2.1. Flattening
Hasil dari proses max pooling kemudian dimasukkan kedalam proses flattening.
Pada proses ini setiap hasil dari max pooling layer harus ditransformasikan menjadi array satu dimensi sebelum dimasukkan ke proses fully connected layer.
Hasil dari proses flattening dapat dilihat pada Gambar 3.16.
Gambar 3.16 Hasil flattening
3.5.3. Fully Connected Layer
Pada tahap ini, dilakukan pembuatan model convolutional neural network antara lain menentukan jumlah hidden layer, epoch dan jumlah neuron.
1530 1020 1275 765
1530 1275 1020 765
3.5.3.1. Penentuan hidden layer
Pada penelitian ini, penentuan dari jumlah hideden layer yang optimal dilakukan dengan menggunakan cara identifikasi. Jumlah hidden layer yang digunakan pada penelitian ini adalah dari 50 hidden layer.
3.5.3.2. Penentuan epoch
Penentuan jumlah epoch yang optimal dilakukan dengan menggunakan cara identifikasi. epoch yang digunakan pada penelitian ini adalah dari 1000 epoch.
3.5.3.3. Penentuan jumlah neuron
Jumlah neuron pada hidden layer yang akan digunakan adalah 300 x 300 piksel yaitu 90.000 neuron. Pada penelitian ini, jumlah neuron yang digunakan pada fully connected layer adalah sebanyak 90.000 neuron.
Gambar 3.17 Pseudecode Proses Metode CNN
41
3.6. Perancangan Sistem
Pada tahapan perancangan sistem ini akan dijelaskan tentang perancangan antarmuka aplikasi jenis mobil. Perancangan ini bertujuan agar pengguna dapat mudah menjalankan aplikasi. Perancangan antarmuka terdiri atas rancangan tampilan home serta tampilan halaman pengujian yaitu, training dan testing.
3.6.1. Perancangan halaman cover
Pada halaman cover merupakan tampilan pertama kali ketika sistem dijalankan.
Rancangan tampilan cover dapat dilihat pada Gambar 3.18.
Gambar 3.18 Rancangan Tampilan Home
3.6.2. Perancangan pengujian sistem
Pada tampilan pengujian sistem terdapat halaman training dan testing sistem.
3.6.2.1. Perancangan training sistem
Pada training sistem ada beberapa fasilitas yang terdapat pada halaman ini yaitu input data SUV, input data MVP, input data Sedan, button train dan reset seperti pada Gambar 3.19.
Gambar 3.19 Rancangan training sistem Keterangan :
● Data SUV merupakan select button untuk memilih file citra jenis mobil SUV.
● Data MPV merupakan select button untuk memilih file citra jenis mobil MPV.
● Data Sedan merupakan select button untuk memilih file citra jenis mobil Sedan.
● Train merupakan button untuk melatih data file citra jenis mobil dari SUV, MPV, dan Sedan.
● Reset merupakan button untuk kembali ke pengaturan awal.
3.6.2.2. Perancangan testing sistem
Pada testing sistem ada beberapa fasilitas yang terdapat pada halaman ini yaitu button open image, button grayscale, button threshold, textfild, dan button identifikasi seperti pada Gambar 3.20.
43
Gambar 3.20 Rancangan Testing Sistem
Keterangan :
● Open image merupakan select button yang dapat diklik sehingga akan menampilkan kotak dialog untuk memilih file citra jenis mobil.
● Grayscale mengubah file citra awal menjadi keabuan.
● Threshold mengkonversi citra gray-level ke citra bilevel (binary image).
● Save merupakan button untuk menyimpan gambar dari citra hasil mobil
● Textfield yang merupakan tempat hasil url location file.
● Running Time merupakan penentuan cepat atau tidaknya waktu identifikasi
● Identifikasi merupakan tampilan jenis mobil yang diidentifikasi.
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab ini akan membahas hasil dari implementasi metode convolutional neural network (CNN) dalam identifikasi jenis mobil berdasarkan bentuk dan pengujian sistem sesuai dengan analisis data dan perancangan yang telah dibahas pada Bab 3.
4.1. Implementasi Sistem
Pada tahap implementasi sistem, proses untuk identifikasi citra mobil dimulai dari pre-processing yaitu grayscale, threshold dan terakhir yaitu identifikasi yang diimplementasikan kedalam bahasa pemrograman C# berdasarkan perancangan yang telah dilakukan.
4.1.1. Spesifikasi perangkat keras dan perangkat lunak
Spesifikasi perangkat keras yang digunakan untuk membangun sistem ini adalah sebagai berikut:
1. Processor Intel(R) Core (TM) i5-5200U CPU @ 2.20GHz 2.19 GHz.
2. Kapasitas hard disk 500 GB.
3. Memory (RAM) yang digunakan 4,00 GB.
4. Kamera HP VIVO V3
Spesifikasi perangkat lunak yang digunakan untuk membangun sistem ini adalah sebagai berikut:Sistem operasi yang digunakan Windows 10 Pro 64-bit.
1. Aplikasi Microsoft Visual Studio 4.6.1.
2. Browser Mozilla Firefox 3. Library NN
45
4.1.2. Implementasi perancangan antarmuka
Implementasi perancangan antarmuka sistem berdasarkan analisis dan perancangan pada bab 3, yaitu sebagai berikut.
1. Tampilan Home Sistem
Tampilan home sistem merupakan tampilan yang pertama kali muncul ketika aplikasi pertama kali dijalankan. Home sistem dapat dilihat pada Gambar 4.1.
Gambar 4.1 Tampilan Home Sistem
2. Tampilan Training Sistem
Tampilan training sistem pada Gambar 4.2 merupakan tampilan untuk melatih data file citra jenis mobil dari SUV, MPV, dan Sedan.
Gambar 4.2 Tampilan Training Sistem
3. Tampilan Testing Sistem
Tampilan training sistem pada Gambar 4.3 merupakan tampilan untuk menguji file citra yang bertujuan untuk mengidentifikasi jenis mobil tersebut dengan menggunakan metode Convolutional Neural Network (CNN).
Gambar 4.3 Tampilan Testing Sistem
