Abstrak—Deteksi cacat pada suatu hasil produksi merupakan proses yang sangat penting dalam bidang quality control. PT. Pindad yang merupakan perusahaan di Indonesia yang bergerak dibidang militer dimana salah satu hasil produksinya adalah peluru. Proses seleksi visual saat ini masih dilakukan secara manual yakni
menggunakan penglihatan manusia. Dalam tugas akhir ini penulis menggunakan pengolahan citra digital dan menerapkan Filter Gabor sebagai metode dalam proses ekstraksi fitur citra. Ukuran Filter Gabor yang diujikan yaitu 9x9, dan 17x17 dengan sudut orientasi , , dan . Pengujian program dilakukan dengan
menggunakan 36 sampel citra peluru yang terdiri dari 18 citra peluru baik dan 18 citra peluru cacat. Setiap citra uji dicocokkan terhadap citra referensi yang terdiri dari lima buah citra peluru berkategori baik. Proses pencocokan dilakukan dengan metode penghitungan Hamming Distance. Hasil pengujian terbaik menunjukkan tingkat keberhasilan mengidentifikasi cacat peluru mencapai 100% menggunakan citra dan Filter Gabor masing-masing berukuran 64x64 dan 17x17 dengan nilai treshold 0.09 dan 0.10.
Kata Kunci--- Gabor Filter, Peluru, Deteksi Cacat Peluru, Hamming distance.
I. PENDAHULUAN
Dalam penelitian sistem deteksi kecacatan peluru ini, metode yang digunakan dalam ekstraksi fitur adalah metode
Gabor filter. Metode ini telah banyak digunakan pada penelitian-penelitian sebelumnya untuk berbagai keperluan seperti dalam sistem pengenalan wajah maupun sidik jari. Hal ini membuktikan bahwa gabor filter sangat efektif untuk mendapatkan fitur vektor dari suatu citra digital termasuk citra peluru.
Sebuah citra dari peluru cacat akan memliki fitur vektor yang sangat berbeda dengan citra dari peluru baik. Bahkan antara 2 citra peluru baik juga akan memiliki perbedaan vektor fitur meskipun relatif kecil. Semakin jelas bentuk kecacatan sebuah peluru maka akan semakin besar perbedaan vektor fiturnya. Untuk mendapatkan selisih perbedaan antara dua vektor fitur dapat digunaka metode hamming distance.
Penelitian mengenai deteksi kecacatan pernah dilakukan oleh dilakukan oleh Agung Widodo (2001) yakni kecacatan
pada produksi botol berbahan glass. Dari hasil penelitian tersebut disimpulkan tingkat keberhasilan sistem mencapai 100%. Artinya sistem mampu mendeteksi dan mengklasifikasi dua jenis kecacatan yang telah ditentukan sebelumnya.
II. DASARTEORI
A. Peluru dan Jenis-Jenis Kecacatannya
Peluru merupakan salah satu salah satu alat perang yang sangat berperan penting dalam dunia militer. Gambar berikut ini menunjukkan bagian-bagian peluru secara umum:
Gambar 1. Bagian-bagian peluru.
Keterangan:
1.Peluru, yaitu bagian yang ditembakkan dengan kecepatan tinggi dan berpisah dari bagian lain.
2.Selongsong, bagian yang menjadi wadah proyektil peluru dan propelan.
3.Propelan, yaitu bahan peledak yang akan menjadi sumber energi misalnya mesiu atau cordite.
4.Rim, bagian bawah dari selongsong.
5.Primer, bagian yang akan menyulut mesiu dengan membuat percikan api guna meledakkan atau menembakkan proyektil.
Dalam pembuatan peluru tidak jarang terjadi kesalahan sehingga membuat hasil produksi menjadi kurang sempurna atau terdapat kecacatan. Kecacatan tersebut dapat mempengaruhi daya tahan peluru ataupun tingkat keamanan bagi pengguna. beberapa jenis kecacatan yang biasa terjadi pada proses produksi peluru antara lain corroded (berkarat),
smeared (kesalahan pengecatab), dent (lekukan), perforated
(berlubang), scally (bersisik), scratch (goresan) [4].
B. Pengolahan Citra Digital
Pengolahan citra digital adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang
Pendeteksi Cacat Pada Selongsong Peluru Berbasis
Citra Menggunakan Gabor Filter
M. Khairul Fahmi dan Dwi Ratna S
Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia
: dwiratna@matematika.its.ac.id
kualitasnya lebih baik. Pengolahan citra dilakukan untuk memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (dalam hal ini komputer). Beberapa operasi yang dilakukan pada tugas akhir ini antara lain
cropping, normalisasi, dan scalling . 1. Cropping
Cropping bertujuan untuk memotong citra peluru. Pemotongan tersebut dilakukan dengan cara mengambil citra green dari citra RGB. Kemudian diambil koordinat piksel-piksel yang memiliki nilai green lebih kecil dari treshold yang telah ditentukan. Dari semua koordinat-koordinat tersebut diambil koordinat minimum dan maksimum dalam arah vertikal dan horizontal. Maka didapat Piksel-piksel yang akan menjadi batas pemotongan yang diterapkan pada citra asli, sehingga didapat citra segiempat terkecil yang memuat citra peluru dan siap diproses lebih lanjut.
2. Normalisasi
Proses normalisasi bertujuan untuk mengurangi kesalahan akibat ketidak seragaman pencahayaan pada saat pengambilan citra. Metode normalisasi dapat dijelaskan pada persamaan (1) dan (2) [1]:
{ ( ) (1)
Dengan, √ * ( ) + (2)
dengan I dan I’ berturut-turut menyatakan citra grayscale dan hasil normalisasi, dan menyatakan nilai mean dan variance dari citra asli, sementara dan merupakan nilai mean dan variance yang diharapkan. Semua percobaan dalam penelitian ini menggunakan = 100 dan = 500. Nilai ini didapat setelah dilakukan beberapa percobaan. 3. Scalling Scalling bertujuan untuk menyeragamkan ukuran gambar sehingga ukuran yang diperoleh selalu sama. Pada penelitian ini semua citra, baik citra acuan dan citra input, di-scalling manjadi berukuran 64x64 piksel. Pada proses ini digunakan fungsi yang telah tersedia di matlab yaitu fungsi imresize. C. Ekstraksi fitur menggunakan gabor filter Bentuk umum filter Gabor 2D adalah pada Persamaan (3) [1]: ( ) * + * ( )+ (3)
Dengan, √ , u merupakan frekuensi dari gelombang sinusoidal, merupakan sudut pengendalian terhadap orientasi dari fungsi Gabor, adalah standar deviasi dari Gausian envelop, dan (x, y) menyatakan koordinat filter. Filter Gabor ternormalisasi terhadap ukuran filter dinyatakan pada persamaan [4]: ̃, - , - ∑ ∑ , -( ) (4)
dengan ( ) adalah ukuran filter Gabor yang pada umumnya berukuran ganjil, dan pada penelitian ini digunakan ukuran filter 9 x 9, 17 x 17. Setiap filter Gabor terdiri atas bagian real dan imajiner. Pemilihan nilai parameter dan ukuran filter akan mempengaruhi kerja dan efektifitas filter Gabor dalam menghasilkan vektor fitur. Vektor fitur merupakan sederetan kode biner yang diturunkan dari bagian real dan imajiner dengan rumus(5)-(8)[1]: = 1 jika Re( ̃, - )>0 (5) = 0 jika Re( ̃, - )<0 (6) = 1 jika Im( ̃, - )>0 (7) = 0 jika Im( ̃, - )<0 (8)
Dengan dan menyatakan bagian real dan imaginer dari hasil konvolusi, I menyatakan citra peluru ternormalisasi, operator * menyatakan proses konvolusi, Re[…] dan Im[…] menyatakan bagian real dan imajiner dari filter. D. Pencocokan Vektor Fitur peluru Salah satu metode yang biasa digunakan dalam pencocokan atau klasifikasi dua buah fitur adalah dengan menghitung hamming distance. hamming distance antara dua vektor fitur P dan Q dapat dihitung dengan rumus (9) [1]: ∑ ∑ ( ( ) ( ) ( ) ( )) (9) dan menyatakan bagian real dari fitur P dan Q, dan menyatakan bagian imaginer dari fitur P dan Q. Hasil operator boolean ( ) akan menghasilkan nol jika dan hanya jika bit ( )( ) ( )( ).
Nilai akan berada dalam jangkauan 0 sampai 1. Proses pencocokan yang sempurna, maka skor hamming distance
akan mendekati nol. Karena ketidak sempurnaan dalam akuisisi maupun praprocessing citra maka salah satu vektor fitur bisa ditranslasi beberapa piksel baik dalam arah vertikal maupun horizontal [1]. Dalam penelitian ini translasi maksimal dilakukan sebanyak 3 piksel dan skor terkecil yang akan dipilih.
Setiap vektor fitur dari citra peluru uji akan dihitung
hamming distance terhadap 5 vektor fitur dari citra acuan yang merupakan citra peluru yang berkategori baik sehingga akan menghasilkan 5 skor hamming distance. Dari 5 skor selisih hamming tersebut diambil skor terbesar yang merupakan skor akhir.
Untuk menetukan apakah citra uji merupakan citra peluru berkategori baik atau cacat, maka digunakan suatu nilai ambang (treshold value). Apabila skor akhir dari citra uji lebih kecil atau sama dengan nilai ambang, maka dapat disimpulkan peluru berkategori baik. Dan apabila skor akhir lebih besar dari nilai ambang maka peluru dikatakan cacat.
III. PERANCANGANSISTEM
Sistem ini terdiri dari 3 tahap, yaitu tahap praprocessing, tahap ekstraksi fitur, dan tahap pencocokan atau identifikasi. Berikut diagram alir sistem pendeteksi kecacatan peluru:
Gambar 2. Diagram alir sistem deteksi cacat peluru
Data input berupa citra peluru berwarna. Citra uji terlebih dahulu melalui beberapa tahap praprocessing antara lain
Grayscalling, cropping, normalisasi, dan scalling. Setelah itu, citra input akan melalui serangkaian tahap ekstraksi fitur. Output dari tahap konvolusi gabor yaitu berupa 4 buah citra bagian real dan 4 buah citra bagian imaginer dari hasil konvolusi gabor. Adapun pada tahap penggabungan, setiap piksel pada koordinat yang sama dari 4 buah citra bagian real akan dibandingkan dan dipilih piksel dengan nilai terbesar. Begitu pula pada bagian imaginer sehingga didapat hasil penggabungan yaitu berupa sebuah citra bagian real dan sebuah citra bagian imaginer. Setelah itu dilakukan
tresholding sesuai persamaan (5)-(8) sehingga dihasilkan
sebuah fitur vektor bagian real dan sebuah fitur vektor bagian imaginer. Dari fitur vektor real dan imaginer tersebut dihitung
hamming distance terhadap database yang berisi 5 buah fitur vektor real dan 5 buah fitur vektor imaginer dari 5 citra referensi sehingga didapat 5 buah skor hamming distance. dari kelima skor tersebut dipilih skor yang terbesar. Ketika skor terpilih tersebut lebih kecil dari nilai ambang yang telah ditentukan maka dapat disimpulkan peluru tergolong baik. Dan apabila sebaliknya maka peluru tergolong cacat.
IV. PENGUJIAN DAN HASIL
A. Pengujian Tahap Praprocessing
1. Pengujian Proses cropping dan Grayscalling
Pengujian proses cropping bertujuan untuk mengetahui bahwa sistem telah menemukan batas terluar masing-masing sisi citra peluru dan melakukan cropping
berdasarkan batas terluar tersebut.
Citra awal Hasil cropping Hasil Grayscalling
Gambar 3. Hasilcropping 2. Pengujian Proses normalisasi dan scalling
Pengujian proses normalisasi bertujuan untuk mengetahui bahwa sistem telah berhasil melakukan tahap normalisasi dan scalling citra yang telah tersegmentasi.
Citra grayscale Citra ternormalisasi Citra hasil scalling
Gambar 4. Contoh hasilnormalisasi dan scalling B. Pengujian tahap ekstraksi fitur
Berikut adalah nilai dari beberapa parameter pengujian.
Ukuran citra: 64x64 dan 128x128 piksel Ukuran filter: 9x9 dan 17x17
Sudut orientasi: , , dan
sedangkan nilai
dan
disesuaikan dengan ukuran filter, yaitu filter 9 x 9 dengan nilai
3
, =0.002
, filter 17 x 17 dengan =6
, =0.001.
(a1) (a2)
(b1) (b2)
Gambar 5. Hasil Vektor fitur peluru dari bebagai macam ukuran filter gabor. (a1) dan (a2) adalah bagian real dan Imaginer dengan ukura filter 9x9. (b1) dan (b2) merupakan bagian real dan Imaginer
dengan ukura filter 17x17.
(a) (b)
(c)
Gambar 6. hasil vektor filtur dengan filter berukuran 17x17 dengan berbagai macam sudut. (a) bagian real dengan sudut . (b) bagian
real dengan sudut . (c) bagian real dengan sudut .
C. Pengujian dan Hasil
Pengujian sistem dilakukan dengan menggunakan 36 data uji yang terdiri dari 18 citra peluru baik dan 18 citra peluru cacat (sembilan citra peluru cacat tidak terlihat dan sembilan peluru cacat terlihat). Sedangkan untuk referensi digunakan lima buah citra peluru kategori baik.
Pada Tabel 1, Tabel 2 dan Tabel 3 disajikan hasil dari perhitungan hamming distance masing-masing dari peluru baik peluru cacat tidak terlihat dan peluru cacat terlihat dengan di-scalling menjadi berukuran 64x64 dan 128x128 dengan ukuran filter gabor 9x9 dan 17x17. Sedangkan pada Tabel 4 disajikan persentase keberhasilan program dalam
mengidentifikasi peluru dengan nilai trehhold yang
berbad-beda. Persentase keberhasilan sistem dari tabel diatas diasajikan dalam bentuk grafik pada Gambar 7.
Kode Peluru 64x64 128x128 9x9 17x17 9x9 17x17 B_001.JPG 0.13542 0.080676 0.20672 0.14122 B_002.JPG 0.13597 0.088329 0.22278 0.14191 B_003.JPG 0.15472 0.084024 0.21342 0.15976 B_004.JPG 0.16014 0.085140 0.22021 0.16212 B_005.JPG 0.15472 0.082908 0.22021 0.15788 B_006JPG 0.14069 0.080995 0.21013 0.14316 B_007.JPG 0.15306 0.079879 0.20730 0.14615 B_008.JPG 0.14917 0.072864 0.20093 0.14826 B_009.JPG 0.13583 0.082270 0.20942 0.13392 B_010.JPG 0.14097 0.079879 0.21397 0.13889 B_011.JPG 0.12889 0.085300 0.20308 0.12958 B_012.JPG 0.14681 0.079560 0.21989 0.14774 B_013.JPG 0.14125 0.069675 0.20851 0.14632 B_014.JPG 0.15083 0.078922 0.21706 0.15014 B_015.JPG 0.14292 0.077966 0.21088 0.13872 B_016.JPG 0.15681 0.079719 0.21325 0.15424 B_017.JPG 0.14958 0.082111 0.22301 0.15667 B_018.JPG 0.16306 0.083705 0.22851 0.16139 Kode Peluru 64x64 128x128 9x9 17x17 9x9 17x17 CTT _001.JPG 0.17986 0.11496 0.22363 0.17917 CTT _002.JPG 0.15181 0.12707 0.21130 0.15434 CTT _003.JPG 0.15556 0.11448 0.22177 0.16208 CTT _004.JPG 0.16097 0.12325 0.23400 0.16184 CTT _005.JPG 0.20097 0.14509 0.27481 0.22288 CTT _006.JPG 0.15278 0.12197 0.20880 0.15722 CTT _007.JPG 0.17431 0.12181 0.22187 0.17486 CTT _008.JPG 0.15583 0.11655 0.21872 0.15931 CTT _009.JPG 0.17069 0.12229 0.23182 0.16701 Tabel 1. Hasil perhitungan hamming distance peluru baik
Tabel 2. Hasil perhitungan hamming distance peluru cacat sulit terlihat
Kode Peluru 64x64 128x128 9x9 17x17 9x9 17x17 CT_001.JP G 0.16681 0.11974 0.24834 0.17844 CT_002.JP G 0.21472 0.14700 0.26489 0.21604 CT _003.JPG 0.18417 0.11639 0.24974 0.16208 CT _004.JPG 0.15778 0.11814 0.22265 0.16111 CT _005.JPG 0.16819 0.11480 0.22382 0.16920 CT _006.JPG 0.18167 0.11272 0.23280 0.19340 CT _007.JPG 0.17181 0.12101 0.22415 0.17503 CT _008.JPG 0.17847 0.10443 0.24034 0.18698 CT _009.JPG 0.16556 0.10204 0.22769 0.17222 Nilai Treshold 64x64 128x128 9x9 17x17 9x9 17x17 0,05 50,00% 50,00% 50,00% 50,00% 0,06 50,00% 50,00% 50,00% 50,00% 0,07 50,00% 52,78% 50,00% 50,00% 0,08 50,00% 72,22% 50,00% 50,00% 0,09 50,00% 100,00% 50,00% 50,00% 0,10 50,00% 100,00% 50,00% 50,00% 0,11 50,00% 94,44% 50,00% 50,00% 0,12 50,00% 72,22% 50,00% 50,00% 0,13 52,78% 55,56% 50,00% 52,78% 0,14 61,11% 55,56% 50,00% 61,11% 0,15 80,56% 50,00% 50,00% 80,56% 0,16 80,56% 50,00% 50,00% 86,11% 0,17 72,22% 50,00% 50,00% 75,00% 0,18 63,89% 50,00% 50,00% 61,11% 0,19 55,56% 50,00% 50,00% 58,33% 0,20 55,56% 50,00% 50,00% 55,56% 0,21 50,00% 50,00% 63,89% 55,56% 0,22 50,00% 50,00% 77,78% 52,78% 0,23 50,00% 50,00% 72,22% 50,00% 0,24 50,00% 50,00% 63,89% 50,00% 0,25 50,00% 50,00% 55,56% 50,00% 0,26 50,00% 50,00% 55,56% 50,00% 0,27 50,00% 50,00% 52,78% 50,00% 0,28 50,00% 50,00% 50,00% 50,00% 0,29 50,00% 50,00% 50,00% 50,00% 0,30 50,00% 50,00% 50,00% 50,00%
Gambar 7. Grafik Persentase keberhasilan sistem berdasarkan beberapa nilai treshold dengan citra input berukuran 64x64 piksel
V. KESIMPULAN
Kesimpulan yang dapat diambil dari penelitian ini antara lain:
1. Program telah berhasil melakukan deteksi cacat pada selongsong peluru menggunakan metode filter Gabor dengan 3 tahapan utama antara lain preprocessing, ekstraksi fitur, dan pencocokan.
2. Berdasarkan hasil uji coba yang telah dilakukan dengan menggunakan 36 citra uji yang terdiri dari 18 citra peluru baik dan 18 citra peluru cacat (sembilan cacat telihat dan sembilan cacat tidak telihat) prosentase keberhasilan program mencapai 100%. Hasil ini dicapai dengan menggunakan ukan citra dan filter Gabor masing-masing 64x64 dan 17x17 dengan nilai treshold 0.09 dan 0.10
DAFTARPUSTAKA
[1] Darma Putra, I Ketut Gede, Bhuana, Wira, Erdiawan.2011. “Pembentukan Kode Telapak Tangan (Palm Code) Berbasis Metode Gabor 2d”. Universitas
Udayana, Badung. Tabel 4. Persentase keberhasilan program
Tabel 3. Hasil perhitungan hamming distance peluru cacat Terlihat
[2] Widodo, Agung. 2011. “Deteksi dan klasifikasi cacat glass menggunakan segmentasi teksture berbasis Gabor filter”. Surabaya: Institut Teknologi Sepuluh Nopember. [3] Department of Defense USA. 1958. “Visual Inpection
Standards for Small Arms Ammunition Through Caliber .50”. United States of America: Department of Defence.
[4] Kaur, Amanpreet, Jindal, Gagan. 2012. “Texture Based Image Segmentation Using Gabor Filters”. Chandigarh
Engineering Collage, India.
[5] Arisandi, Melly. Isnanto, R. Rizal, Zahra, Ajub Ajulian. 2011. “Sistem Pengenalan Berdasarkan Ciri Garis Telapak Tangan Menggunakan Metode Jaringan Saraf Tiruan Perambatan Balik “. Searang: Universitas Diponegoro
[6] Ahmad, Usman. 2005. “Pengolahan Citra Digital Dan Tehnik Pemrogramannya”. Yogyakarta: Graha Ilmu.
