EKSTRAKSI FITUR MENGGUNAKAN METODE LDA DAN PEMILIHAN EIGEN VALUE PADA CACAT KERTAS DUPLEK

(1)

142 EKSTRAKSI FITUR MENGGUNAKAN METODE LDA

DAN PEMILIHAN EIGEN VALUE PADA CACAT KERTAS

DUPLEK

Aeri Rachmad

Fakultas Teknik – Universitas Trunojoyo Madura aery_r@yahoo.com

ABSTRAK

Industri kertas masih menggunakan proses yang manual dengan menggunakan peralatan yang manual untuk mendeteksi cacat yang terdapat pada kertas.Dalam peneletian ini bertujuan untuk mereduksi cacat pada kertas dengan menggunakan LDA, berbeda dengan penelitian sebelumnya yang menggunakan metode PCA.

Linear Discriminant Analysis merupakan salah satu metode untuk melakukan reduksi dan ekstraksi cacat yang ada pada kertas. Metode ini akan mereduksi dimensi yang ada agar lebih kecil serta mencari nilai eigen yang terbesar untuk mempercepat proses pengujian. Dalam pengujian menggunakan euclidian distance terdapat error minimal sebesar 4% dan error maksimal sebesar 12%.

Kata kunci:

Linear DiscriminantAnalysis, nilai eigen, euclidian distance

ABSTRACT

The paper industry is still using manual processes and manual equipment to detect

defects contained in the paper. In this research aims to reduce defects in the paper by

using LDA, in contrast to previous studies that use PCA method.

Linear Discriminant Analysis is a methods to perform the reduction and extraction of

defects that exist on paper. This method will reduce the existing dimensions that are

smaller and look for the largest eigenvalues to accelerate the testing process. In testing

using the euclidian distance errors are minimum of 4% and maximum error of 12%.

Keywords: Linear Discriminant Analysis, eigenvalues, euclidian distance

(2)

143 PENDAHULUAN

Latar Belakang

Pendeteksian kecacatan pada kertas merupakan salah satu bidang penelitian yang penting bagi perusahaan kertas yang karena bias menurunkan tingkat kesalahan kertas sebelum distribusi ke konsumen atau pada distributor. Meskipun tidak banyak mendapatkan perhatian dari para peneliti, sistem pendeteksian kecacatan pada kertas dapat dipergunakan untuk aplikasi pendeteksian dini pada kertas sehingga komplain yang disebabkan karena kecacatan kertas bisa menurun atau bahkan tidak ada. Komputer Vision memegang peranan penting dalam Human Computer Interaction

Technology (HCI) yang meliputi deteksi

wajah, penjejakan wajah/badan, deteksi aksi (gesture), estimasi umur, etnik dan deteksi cacat pada kertas. Sistem deteksi dan identifikasi kertas dapat dipergunakan dalam banyak hal, seperti yang berhubungan dengan kecacatan kertas

Penelitian deteksi kecacatan kertas jarang sekali dilakukan apalagi warna yang dimiliki kertas hanya bewarna kertas adalah putih saja (Homogen). Penenilitian kali ini akan melihat seberapa jauh kemampuan komputer dan algoritma yang digunakan untuk mendeteksi kecacatan kertas serta mengklasifikasikan hasil cetakan kertas berdasarkan tingkat kecacatannya.

Sistem deteksi kecacatan pada kertas melalui beberapa tahapan proses, yaitu deteksi kecacatan kertas, ekstraksi ciri / fitur dan tahapan terakhir terakhir adalah pengenalan cacat kertas[1].

Tujuan

Tujuan dilakukan penelitian ini adalah mengembangkan dari penelitian sebelumnya sehingga pengenalan terhadap klasifikasi kecacatan kertas duplek menjadi lebih baik dari sebelumnya. untukmengetahui hasil dari pengenalan cacat dari sebuah kertas

berdasarkan tingkat kecacatan pada kertas dengan menggunakan metode LDA.

Permasalahan

Bagaimana mambandingkan penggunaan ekstraksi fitur LDA dan PCA dalam melakukan pengenalan cacatpada kertas Duplek.

Tinjauan Pustaka

Data Kertas Duplex

Data citra yang digunakan berasal dari dari data natural kertas dupleks hasil produksi pabrik kertas PT. Pakerin Prambon Mojokerto yang kemudian dipindai dengan parameter pemindai sbb:

1. Scan Mode: Color/Greyscale.

2. Image Quality: 300 dpi

Pemilihan Scan Mode menggunakan moda

Color/Greyscale adalah karena kedua

modetersebutmemberikankemungkinanwarn a yang lebihbanyakdaripadacitrabiner.Pada sistem ini, baik citra color ataupun greyscale

akan dikonversi menjadi greyscale.

Sedangkan pemilihan Image Quality

menggunakan 300 dpi supaya cacat-cacat

yang tidak nampak oleh mata, bisa „terlihat„

oleh program pendeteksi cacat. DenganImage Quality 300 dpi, output dari pemindaian kertas berukuran A4 adalah 2430x3483 piksel.

Linear Discriminant Analysis (LDA)

(3)

144

akan diproyeksikan ke sub ruang yang sama

dengan melakukan perkalian vektor eigen hasil training dengan vektor data uji.

LDA mengelompokkan vektor data dari kelas yang sama dan memisahkan kelas yang berbeda. Vektor data diproyeksi dari ruang N-dimensi (dimana N ada jumlah Kertas Duplex yang diproses) ke ruang C-1 dimensi (dimana C adalah jumlah kelas dalam vektor data).

Metode LDA memilih W dengan cara memaksimalkan rasio antara between-class scatter (SB) (1)dan within-class scatter sample, niadalah jumlah sample dalam kelas

ke-i,  (i)

adalah vektor rata-rata kelas ke-i,

xj(i)adalah sample ke-j pada kelas ke-i, dan l

adalah jumlah kelas.

Jika SW tidak singular, proyeksi optimal

Wopt dipilih sebagai matriks dengan kolom

yang orthonormal yang memaksimalkan rasio dari matriks between-class scatter ke matriks within-class scatter dari sample yang telah diproyeksikan, yaitu (3):

w

sekumpulan vektor eigen yang digeneralisasi dari SB dan SW yang bersesuaian dengan m

Metodologi penelitian yang digunakanuntukmendukungpenyelesaianper ancangandanpembuatansistemdeteksicacatke rtasadalah :

1. Deteksi dan segmentasi cacat kertas duplek

2. Normalisasi data cacat kertas duplek 3. Perbandingan metode ekstraksi fitur

PCA dan LDA

4. Pengenalan cacat kertas duplek menggunakan euclidian distance

HASIL DAN PEMBAHASAN

Deteksi dan Segmentasi Cacat

Dalam penelitian ini kami melakukan deteksi cacat kertas duplek pada selembar kertas dengan ukuran A4 dengan multi cacat yang terdapat pada kertas duplek tersebut. Proses deteksi cacat kertas duplex terdiri dari: proses greyscale, threshold, edge detection, menyambung pixel yang mempunyai jarak kurang dari sama dengan 6 pixel, mengkrop area cacat dengan ukuran 31 x 31 pixel. Algoritma deteksi cacat dan

cropping pada citra adalah sbb[1]:

Gambar 1. Proyeksi data 2 kelas

menggunakan metode LDA

(4)

145

1. Membaca gambar kertas duplek dengan ukuran yang ditentukan.

2. Melakukan threshold pada kertas duplek sesuai dengan intensitas dari kertas. 3. Mengubah image menjadi hitam dan

putih saja.

4. Melakukan edge detection.

5. Menyambung pixel yang mempunyai jarak kurang dari sama dengan 6 pixel. 6. Mengindex area yang mempunyai

kemungkinan merupakan cacat kertas Duplek yang berbentuk polygone dan polyline .

Pada Gambar 2 menunjukkan nilai sebaran data training dari 80 data masing – masing cacat yang sudah di pilih yang paling jelas cacatnya dan pada Gambar 4 menunjukkan sebaran 20 data testing masing – masing

cacat pada Gambar 3.

Gambar 2.Data Training yang Diplot dalam 2-Dimensi

Gambar 3.Data Testing yang Diplot dalam 2-Dimensi

Normalisasi Data Cacat Kertas

Normalisasi data cacat kertas tersebut bertujuan agar ukuran dari cacat kertas yang terdeteksi menjadi lebih standart. Ukuran yang telah ditentukan yaitu 31x31 pixel yang didalamnya terdapat hanya satu jenis cacat saja seperti tampak pada gambar 4. Algorithma untuk melakukan normalisasi cacat kertas[1]:

1. Membaca data cacat yang sudah terdeteksi sebelumnya.

2. Merubah data cacat menjadi hitam dan putih

3. Mendeteksi ukuran image 31 x 31 pixel 4. Melakukan threshold sesuai dengan

intensitas cacat kertas yang sudah terdeteksi

5. Mencari keliling dan luasan cacat kertas 6. Mencari cacat poliline dengan membagi

luas dibagi dengan keliling

210 215 220 225 230 235 240 245 250 255

215 220 225 230 235 240 245 250 255

Dimensi pertama

D

im

e

n

s

i

k

e

d

u

a

Polyline Polygon

246 247 248 249 250 251 252 253 254 255

230 235 240 245 250 255

Dimensi pertama

D

im

en

si

k

ed

ua

(5)

146

Gambar 4. Normalisasi Cacat Polyline dan

Polygone

Proses Linier Discriminat Analysis (LDA)

Vektor data hasil proses PCA merupakan data yang representasinya telah optimal karenapada proses PCA akan diambil data yang mempunyai varians dominan, namundemikian proses tersebut tidak bertujuan untuk diskriminan data. Untuk mendapatkan sebaran data yang tingkat diskriminannya optimal, maka dilakukan proses analisa diskriminan menggunakan metodeLinier Discriminant Analysis (LDA). Proses LDA akan meningkatkan rasio antara

between-class scatter (SB) danwithin-class

scatter (SW), jadi semakin besar jarak

sebaran data yang berlainan kelas dan semakin dekat jarak sebaran data yang sekelas maka tingkat diskriminan data akan semakin baik. Untuk meningkatkan diskriminan data dapat diproses berdasarkan algoritma LDA berikut:

ALGORITMA: LDA(X,Y)

1. Vektor data masukan:

berdasarkan rata-rata

keseluruhanobjekdarimasing-masingcacat.

3. Menghitung rata-rata vektor data (1,2,

…n) dari masing-masing objek.

4. Mengurangkan data masing-masing kelas dengan rata-ratanya.

5. Mengurangkan masing-masing rata-rata kelas dengan rata-rata keseluruhan.

6. Menghitungbetween-class scatter :

T

Persamaan diatas dapat dituliskan ulang menjadi:

Vektor eigen dan nilai eigen didapatkan dari matrik kovarian  dan pemilihan eigen vektor optimalnya berdasarkan dengan nilai eigen terbesar.

(6)

147

LDA.m

Pengujian dan Analisa Menggunakan

Metode LDA

Seperti yang telah dilakukan pada proses PCA mentraining 80 data cacat polyline dan 80 cacat polygon kemudian baru di olah dengan PCA dan LDA seperti yang ditunjukkan pada gambar 5 dan 40 data testing seperti pada gambar 6. Setelah data diolah dengan metode PCA maka dilakukan reduksi dimensidengan LDA menggunakan metode five-fold cross validation (CV).Yaitu data dibagi menjadi 5 kelompok, dengan 4/5 data pertama dijadikan data training dan 1/5

data terakhir untuk testing. 5 kelompok ini kemudian di rotasi tanpa terjadi overlapping sehingga semua kelompok pernah menjadi data testing. Dengan 5 kelompok, berarti 1 kelompok terdiri dari 40 data (20 cacat

polyline dan 20 polygone).

Untuk data uji, 1 kelompok terdiri dari 40 data (20 cacat polyline dan 20 polygone).

‘ErrPlgn’adalah errorcacat polygone, yaitu terdeteksinya cacat polygone pada kelompok 10 data cacat polyline. Sebaliknya,

‘ErrPln’ adalah errorpolyline, yaitu terdeteksinya cacat polyline pada kelompok 10 data cacat polygone. ‘ErrM’adalah nilai rata-rata dari ErrPlgn dan ErrPln. ErrPlgn,

Errpln dan ErrM ditampilkan dalam jumlah dan persen. Jika dalam persen, maka (misal

ErrP) nilai ErrP adalah

(ErrP/10)*Gambar5.HasilProyeksi

Data Training dengan LDA yang Diplotdalam 2-dimensi

(7)

148

Gambar 6.HasilProyeksi Data Testing dengan LDA yang Diplotdalam 2-dimensi

Pada gambar 7 dan 8 menunjukkan error pada euclidian distance dan city distance dimana rata-rata nilai terendah pada nilai 5% yang terjadi pada group 1 dan

SIMPULAN

Berdasarkan hasil pengujian dan analisa dari sistem yang telah dilakukan didapatkan beberapa kesimpulan dalam proses pengenalan cacat kertas menggunakan metode LDA yaitu:

1. Deteksi cacat kertas dapat dilakukan lebih baik di bandingkan dengan proses manual.

2. LDA dapat digunakan sebagai ekstraksi dan reduksi dimensi serta pengenalan cacat kertas dengan memilih eigen value yang mempunyai error yang kecil dibandingkan dengan metode PCA

Aeri Rachmad dkk,Ekstraksi Fitur...

Table 1Hasil error City distance dan error Euclidian distance dengan LDA

Error Euclidian Distance

Error City Distance

ErrorPolylin e

ErrorPolyg one

Gambar 7. Error Euclidian Distance tiap

Group

(8)

149

DAFTAR PUSTAKA

[1] Rachmad A, “Pengenalan kecacatan kertas Duplek menggunakan Ekstraksi fitur PCA”

[2] HaryantiRivai, MauridhiHery P, Supeno

Mardi S N, “ PengenalanCiri –

CiriTeksturKain Sutra menggunkanMetode

GMRF denganKlasifikasi

SOM-KOHONEN”,

InstitutTeknologiSepuluhNopermber Surabaya, 2005.

[3] Hua-Long Bu, Guo-Zheng Li, Xue-QiangZeng, “Reducing Error of Tumor

Classification by Using Dimension

Reduction with Feature Selection”, School of Computer Engineering and Science, ShanghaiUniversityShanghai 200072, China, 2007

[4]E.Ramaraj and M.Punithavalli,

“Taxonomically Clustering Organisms

Based on the Profiles of Gene Sequences

Using PCA” 1Department of Computer Science and Engineering, Alagappa University, TN, India,2006

[5] Viola, Paul; Jones, Michael J., “Fast

Multi-view Face Detection”, Demo at then

IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2003

[6] Meiching Fong, “Dimension Reduction

on Hyperspectral Images” , UCLA

Department of Mathematics, 2007.

[7] Zehang Sun, Xiaojing Yuan, and G.Bebis, Ronald Miller, ”Object detection