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
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)
144
akan diproyeksikan ke sub ruang yang samadengan 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
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
146
Gambar 4. Normalisasi Cacat Polyline danPolygone
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.
147
LDA.mPengujian 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
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
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