PENGENALAN RAMBU LALU LINTAS BENTUK LINGKARAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN METODE
BACKPROPAGATION
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana KomputerProgram Studi Informatika
Oleh:
Anindia Adyutawati Nugraheni 155314091
PROGRAM STUDI INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA
YOGYAKARTA
i
USING BAPROPRAGATION ARTIFICIAL NEURAL NETWORK
THESIS
Submitted in Partial Fullfillment of The Requirements For The Degree of Sarjana of Computer Science
In Informatics Study Program
By:
Anindia Adyutawati Nugraheni 155314091
INFORMATICS STUDY PROGRAM FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY YOGYAKARTA
ii
HALAMAN PERSETUJUAN
SKRIPSI
PENGENALAN RAMBU LALU LINTAS BENTUK LINGKARAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Oleh:
Anindia Adyutawati Nugraheni 155314091
Telah Disetujui Oleh :
Dosen Pembimbing I
Dr. Cyprianus Kuntoro Adi, S.J., M.A., M.Sc. Tanggal:
Dosen Pembimbing II
iii SKRIPSI
PENGENALAN RAMBU LALU LINTAS BENTUK LINGKARAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Dipersiapkan dan ditulis oleh: N I M : 155314091
Telah dipertahankan di depan Panitia Penguji Pada Tanggal ………
Dan dinyatakan memenuhi syarat
Susunan Panitia Penguji
Jabatan Nama Lengkap Tanda Tangan
Ketua : Eko Hari Parmadi, S.Si, M.Kom ………
Sekretaris : Eduardus Hardika Sandy Atmaja, S.Kom., M.Cs. ……… Anggota I : Dr. Cyprianus Kuntoro Adi, S.J. M.A., M.Sc ………
Anggota II : Dr. Anastasia Rita Widiarti ………
Yogyakarta, ……….2020 Fakultas Sains dan Teknologi
Universitas Sanata Dharma Dekan,
iv
HALAMAN PERSEMBAHAN
Sebagian orang bermimpi untuk sukses, sedangkan sebagian lainnya bangun di pagi hari dan mewujudkannya
vi ABSTRAK
Setiap kali melakukan suatu perjalanan kemanapun itu pasti akan bertemu dengan suatu tanda peringatan yang dipasang di setiap sudut jalan tersebut. Peringatan dalam berkendara yang terletak di jalan tersebut, biasa kita sebut Rambu Lalu Lintas atau Rambu Peringatan bagi pengendara yang melintasi jalan tersebut. Tujuan dari pemasangan rambu tersebut yakni, untuk mengingatkan kita betapa pentingnya mematuhi aturan dalam berkendara tersebut, namun dalam kenyataan yang ada masih banyak sekali pengendara yang tidak mematuhi peraturan tersebut. Banyak faktor-faktor yang mempengaruhinya, seperti adanya vandalisme, kurang terawatnya plang tersebut, dan tidak berfungsinya salah satu alat penguat dari rambu tersebut, maka sangat disayangkan sekali apabila dari masyarakat saja sudah tidak merawatnya dengan baik, padahal jika dilihat kembali aset pemerintah tersebut dibuat untuk keselamatan masyarakat.
Dalam penelitian ini telah di buatkan suatu sistem yang dapat membantu pihak terkait untuk mengelola setiap plang rambu yang perawatannya belum maksimal secara teknologi yang berada di tepi jalan tersebut. langkah pertama dilakukan, dengan cara memproses gambar tersebut menggunakan kamera handphone sebagai alat pemotretan gambar tersebut. Langkah selanjutnya, dari hasil pemtoretan gambar tersebut, nantinya akan dilakukan proses pengolahan gambar seperti preprocessing gambar dengan melakukan resize, untuk mengecilkan ukuran piksel perkeping pada setiap gambar dan Filtering yang menggunakan Median Filter, juga dilakukan untuk mengihilangkan noise pada setiap gambar, selanjutya dilakukan ekstraksi ciri dengan mengambil rata-rata tiap keping dari ciri warna Red, Green, dan Blue dari gambar tersebut. Selanjutnya dari hasil tersebut, nantinya dijadikan sebagai inputan dalam klasifikasi Jaringan Syaraf Tiruan . Setelah itu akan dilakukan proses pengenalan gambar untuk mengetahui kecocokan antar gambar yang satu dengan yang lainnya.
Percobaan klasifikasi dengan Backpropagation menghasilkan akurasi sebesar 67,70% Hasil tersebut dihasilkan dengan menggunakan data cross validation yakni dengan menggunakan 3-fold. Arsitektur yang digunakan yakni terdapat 3 inputan ciri dan dengan 1 layer tersembunyi dengan menggunakan 60 neuron. Hasil tersebut didapat dengan fungsi trainlm dan fungsi aktivasi logsig, dan tansig.
vii tiruan backpropagation.
viii ABSTRACT
Every time, if make a trip wherever it will surely meet road warning signs that are installed on each corner of the road. Warning in driving located on the road used as traffic signs or warning signs for drivers who cross the road. The purpose of installing these signs is to remind us how important it is to obey the rules in driving. Yet, in reality, there are still a lot of drivers who do not comply with these regulations. Many factors influence it, such as vandalism, lack of maintenance of the signpost, and the malfunction of the reinforcement signs. It is very unfortunate if the community itself does not take care of it properly. besides, it is the government assets which made for public safety.
In this research, a system will be developed which can help the relevant agencies to manage each signpost whose maintenance has not technologically optimal yet at the edge of the road. The first step, by processing the image using a mobile camera as shooting the image. The next step is from the results of shortening the image, image processing will be carried out such as preprocessing images by doing resize. To reduce the pixel size per piece on each image and filtering, it uses Median Filters. To eliminate noise in each image, extraction will be carried out by taking the average of each chip from the color characteristics of Red, Green, and Blue from the image. Then, the results will be used as input in the classification of Artificial Neural Networks. After that, the introduction process will be carried out to find out the compatibility between one image with another. Classification experiments with backpropagation produce an accuracy of 67,70%. These results are generated using cross-validation data using 3-fold. The architecture used is there are 3 input features and 1 hidden layer using 60 neurons. These results are obtained by the trainlm function and the logsig, and tansig activation function.
ix
Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma :
Nama : ANINDIA ADYUTAWATI NUGRAHENI
Nomor Mahasiswa : 155314091
Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul :
PENGENALAN RAMBU LALU LINTAS BENTUK LINGKARAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN METODE
BACKPROPAGATION
beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, me-ngalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara terbatas, dan mempublikasikannya di Internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai penulis.
Demikian pernyataan ini yang saya buat dengan sebenarnya. Dibuat di Yogyakarta
Pada tanggal : 30 Januari 2020
Yang menyatakan
( ANINDIA ADYUTAWATI N )
x
KATA PENGANTAR
Puji Syukur kepada Tuhan Yesus atas kurnianya yang diberikan, sehingga penulis dapat menyelesaikan Tugas Akhirnya yang berjudul “PENGENALAN RAMBU LALU LINTAS BENTUK LINGKARAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKRPOPAGATION “. Tugas Akhir ini merupakan salah satu persyaratan untuk memenuhi gelar Sarjana Komputer. Penulis menyadari bahwa tugas akhir ini mendapatkan banyak dukungan dan bantuan darai berbagai pihak sehingga pada kesempatan ini penulis akan menyampaikan ucapan terimakasih kepada:
1. Tuhan Yesus Kristus dan Bunda Maria untuk Berkat serta Karunia-Nya, atas pertolongan dalam pembuatan Tugas Akhir ini.
2. Bapak Drs. Johanes Eka Priyatma, MSc., Ph.D. selaku rektor Universitas Sanata Dharma.
3. Romo Dr. Cyprianus Kuntoro Adi, S.J., M.A., M.Sc. selaku dosen pembimbing I skripsi yang telah bersedia memberikan motivasi,masukan serta semangat selama penulis menyelesaikan skripsi.
4. Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen pembimbing II skripsi yang telah bersedia memberikan motivasi, masukan, serta penyemangat selama penulis menyelesaikan skripsi tersebut.
5. Bapak Sudi Mungkasi, S.Si., M.Math.,Ph.D. selaku Dekan Fakultas Sains dan Teknologi.
6. Bapak Robertus Adi Nugroho S.T.,M.Eng selaku Ketua Program Studi Teknik Informatika.
xi
Setyowati yang selalu mendoakan dan memberikan dukungan, serta semangat sehingga penulisan tugas akhir dapat terselesaikan dengan sempurna.
8. Mbah Uti Yustina Soetjiati, (Alm.) Mbah Uti Sugeng Ingsih, (Alm.) Mbah Kakung Suprihadi, (Alm.) Mbah Kakung Joannes Soeparno, yang telah mendoakan penulis selalu dalam pembuatan Skripsi ini.
9. Pakde, Bude, Om, Tante , Mbak Acintya W, Mas Dhanista Aryaditya, Mbak Arya Ratri K, Mas Agung Satrio Utomo, Mbak Duhita Dwaya Abhimata, Mbak Duhita Dwaya Abhirama, Mas Bima Adi, Mbak Fransisca Ayu Hapsari, Adik Alfonsus Christian Wibisono, Adik Anastasia Adelia Resky Agatha, Adik Angel Paskadila Saramonika, serta saudara sepupu yang lainnya, yang telah memberikan semangat penulis dalam penyelesaian skripsi ini.
10. Seluruh dosen Teknik Informatika Universitas Sanata Dharma yang telah mendidik dan memberikan ilmu serta pengalaman, sharing, selama proses perkuliahan
11. Seluruh Kakak Tingkat Teknik Informatika Universitas Sanata Dharma yang telah membantu dalam proses belajar di perkuliahan.
12. Seluruh Adik Tingkat Teknik Informatika Universitas Sanata Dharma yang telah membantu dalam proses belajar di perkuliahan.
13. Seluruh Teman-Teman Peminatan Komputasi 2015 Teknik Informatika yang telah membantu dalam berproses belajar baik dalam skripsi maupun perkuliahan.
14. Seluruh Teman-Teman Teknik Informatika kelas A,B,C 2015 yang telah membantu dalam berproses belajar baik dalam skripsi maupun perkuliahan.
xii
15. Esspicially for my best friend, Widia Ningrum yang selalu setia menjadi sahabat dari kecil hingga penyelesaian studi di Universitas Sanata Dharma.
16. Theresia Alvincia Erfrosina, Gabriella Selvy Athena, Aurelia Litani K, Anastasia Rosella, Diajeng Prameswari, Patricia Angel , Kak Bonaventura Shinta Permatasari, Kak Agatha Anggun Anggita Sonda, Kak Merry Kurniasari, Kak Rara Puang, Maria Novenia, Bang Andreas Fajar N, Frater Jonathan Christian Munthe, SCJ, Frater Visensius Ari Setiono, SCJ, Bang Maximilianus Leonardo Puang, Albertha Ivana, Maria Yaya, dan semua Teman-teman terkasih.
17. Semua pihak yang sudah membantu penulis dalam menyelesaikan tugas akhir.
Penulis menyadari bahwa dalam penulisan ini masih banyak kekurangan sehingga
penulis mengharapkan saran dan kritik yang bermanfaat dan bersifat membangun. Semoga Tugas Akhir ini dapat berguna dan bermanfaat bagi pembaca.
Yogyakarta, 28 Januari 2020 Penulis
xiii
HALAMAN SAMPUL ... i
HALAMAN SAMPUL ... i
HALAMAN PERSETUJUAN ... ii
HALAMAN PENGESAHAN ... iii
HALAMAN PERSEMBAHAN ... iv
ABSTRAK ... viii
LEMBAR PERNYATAAN PERSETUJUAN ... ix
PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ... ix
KATA PENGANTAR ... x
DAFTAR ISI ... xiii
DAFTAR GAMBAR ... xvi
DAFTAR TABEL... xviii
BAB I PENDAHULUAN ... 1 1.1 Latar Belakang ... 1 1.2 Rumusan Masalah ... 5 1.3 Tujuan ... 5 1.4 Batasan Masalah ... 5 1.5 Manfaat Penelitian ... 5 1.6 Metodologi Penelitian ... 5 1.7 Sistematika Penulisan ... 6
BAB II LANDASAN TEORI ... 8
2.1. Rambu Lalu Lintas ... 8
2.2. Jenis Rambu ... 8
2.3. Rambu Peringatan ... 8
2.3.1. Pengertian dan Fungsi ... 8
2.3.1.1. Pengelompokkan ... 9
2.3.1.2. Ciri-Ciri ... 9
2.3.1.3. Contoh Rambu ... 9
2.4. Pengolahan Citra ... 10
2.4.1. Jenis Citra Digital ... 11
2.4.1.1. Color Image atau RGB (Red, Green, Blue) ... 11
2.4.1.2. Preprocessing ... 12
2.4.1.3. Ekstraksi Ciri ... 14
xiv
2.6. Jaringan Syaraf Tiruan ... 15
2.7. Algoritma Backpropagation ... 17
2.7.1. Fungsi Aktivasi ... 17
2.7.2. Pelatihan Backpropagation ... 19
2.8. Algoritma Backpropagation ... 21
BAB III METODOLOGI PENELITIAN ... 24
3.1 Data dan Teknik Observasi ... 24
Gambaran umum sistem ... 24
3.1.1 Pelatihan Backpropagation ... 25 3.1.2 Teknik Observasi ... 26 3.2 Pengolahan Data ... 30 3.2.1. Cropping ... 30 3.2.2. Resizing ... 30 3.2.3. Median Filtering ... 31 3.2.4. Ekstraksi Ciri ... 32 3.2.5. Klasifikasi ... 32 3.3 Desain ... 39
BAB IV ANALISA DAN PERANCANGAN SISTEM ... 40
4.1 Preprocessing ... 40 4.1.1. Cropping ... 40 4.1.2. Resizing ... 40 4.1.3. Median Filtering ... 40 4.1.4. Ekstraksi Ciri ... 41 4.2.2 Klasifikasi ... 42 4.2.2.1 Pelabelan Data ... 42 4.3.2. Normalisasi ... 43 4.2.4 Hasil ... 43
4.2.4.1 Pengujian dengan Variasi Fold dan Arsitektur ... 43
4.2.4.2 Tiga Fold ... 43
4.2.4.3 Sepuluh Fold ... 52
4.2.4.4 Perbadingan Pengujian dengan normalisasi dan non normalisasi ... 57
4.2.4.5 Arsitektur Optimal ... 58
BAB V PENUTUP ... 60
5.1 Kesimpulan ... 60
5.2 Saran ... 60
xvi
DAFTAR GAMBAR
Gambar 2.1 Persamaan Citra Dalam Bentuk Matriks. ... 10
Gambar 2.2 Representasi citra digital dalam 2 dimensi... 11
Gambar 2.3 Color Image ... 12
Gambar 2.4 Proses Median Filtering, ... 13
Gambar 2.5 Struktur Sistem Pengenalan Pola, ... 15
Gambar 2.6 Arsitektur Jaringan Syaraf Tiruan ... 16
Gambar 2.7 Arsitektur Backpropagation ... 17
Gambar 2.8 Grafik Fungsi Sigmoid Biner,. ... 18
Gambar 2.9 Grafik Fungsi Sigmoid Bipolar,s ... 19
Gambar 2.10 Gambar 3-Fold Cross Validation... 22
Gambar 3.1 Diagram Blok Sistem Gambaran Umum ... 24
Gambar 3.2 Rambu Dilarang Parkir ... 25
Gambar 3.3 Rambu Batas Kecepatan 40 km. ... 26
Gambar 3.4 Rambu Lajur Kiri. ... 26
Gambar 3.5 Rambu Dilarang Stop ... 26
Gambar 3.6 Rambu 40 km. ... 27
Gambar 3.7 Rambu Lajur Kiri. ... 27
Gambar 3.8 Rambu 40 km. ... 27
Gambar 3.9 Rambu Lajur Kiri. ... 28
Gambar 3.10 Rambu Lajur Kiri. ... 28
Gambar 3.11 Rambu 40 km... 28
Gambar 3.12 Rambu 40 km... 28
Gambar 3.13 Rambu Dilarang Stop. ... 29
Gambar 3.14 Rambu Dilarang Stop. ... 29
Gambar 3.15 Rambu Dilarang Stop. ... 29
Gambar 3.16 Rambu Dilarang Parkir. ... 29
Gambar 3.17 Rambu Dilarang Stop. ... 30
Gambar 3.18 Masking 3 x 3. ... 31
Gambar 3.19 Masking 3 x 3 (sorting nilai pada masking) ... 32
xvii
Gambar 3.23 Gambar 3-Fold Cross Validation... 36
Gambar 3.24 Model 10-Fold ... 37
Gambar 4.5 Grafik Akurasi Fold-1 Single Layer. ... 44
Gambar 4.6 Grafik Akurasi untuk Fold-2 Single Layer. ... 45
Gambar 4.7 Grafik Akurasi pada Fold-3 Single Layer. ... 45
Gambar 4.8 Grafik Akurasi pada Normalisasi Min-Max Fold 1 ... 46
Gambar 4.8 Grafik Akurasi pada Normalisasi Z-Score Untuk Fold 1 ... 47
Gambar 4.10 Grafik Akurasi pada Normalisasi Min-Max untuk Fold-2 ... 47
Gambar 4.11 Grafik Akurasi pada Normalisasi Z-Score untuk Fold-2. ... 48
Gambar 4.12 Grafik Akurasi pada Normalisasi Min-Max untuk Fold-3. ... 49
Gambar 4.13 Grafik Akurasi pada Normalisasi Z-Score untuk Fold-3. ... 49
Gambar 4.14 Grafik Akurasi Multi-layer pada Fold-1. ... 50
Gambar 4.15 Grafik Akurasi Multi-layer pada Fold-2. ... 51
Gambar 4.16 Grafik Akurasi Multi-layer pada Fold-3. ... 51
Gambar 4.17 Grafik Akurasi pada Normalisasi Min-Max pada 10-Fold... 53
Gambar 4.18 Grafik Akurasi pada Normalisasi Z-Score pada 10-Fold. ... 54
Gambar 4.19 Grafik Akurasi pada 10-Fold... 54
Gambar 4.20 Grafik Akurasi pada 10-Fold Multi-Layer ... 55
Gambar 4.21 Grafik Akurasi Normalisasi... 56
Gambar 4.22 Grafik Akurasi Normalisasi pada 10-Fold Multi-Layer. ... 57
Gambar 4.23 Merupakan arsitektur normal dari neuron 35. ... 59
Gambar 4.24 Merupakan arsitektur normal dari neuron 45. ... 59
xviii
DAFTAR TABEL
Tabel 2.1 Confusion Matriks ... 22
Tabel 3.1 Target Luaran Jenis Rambu Lalu Lintas……….35
Tabel 3.2 Tabel Confusion Matriks………39
Tabel 4.1. Nilai rata -rata rgb rambu dilarang parkir……….41
Tabel 4.2. Nilai rata -rata rgb rambu dilarang stop………..41
Tabel 4.4. nilai rata -rata rgb rambu batas kecepatan 40 km………41
Tabel 4.5. Pelabelan Data………42
Tabel 4.6. Pembagian Data 3-Fold………...44
Tabel 4.7. Pembagian Data 10-Fold……….52
Tabel 4.8. Perbandingan Data menggunakan 1 Layer Tersembunyi………57
1 BAB I PENDAHULUAN
1.1 Latar Belakang
Negara Indonesia merupakan salah satu negara yang akan kaya penuh hukum dan aturan,. Namun di Indonesia sendiri, semua masyarakat pastinya harus turut ikut mematuhi segala peraturan yang ada dimanapun mereka tinggal, banyak sekali wisata dan budaya yang sangat bagus untuk dapat dikunjungi, namun tak ketinggalan pula pastinya, ketika akan melakukan suatu perjalanan pun ,selalu akan ada suatu aturan dalam berkendara, baik dalam membawa kelengkapan surat berkendara, mematuhi aturan Lalu Lintas dalam berkendara, seperti menggunakan seat belt, helm bermerk, dan lain sebagainya. Dalam berkendara pula, pastinya kita akan selalu harus mengetahui apa saja peraturan yang terdapat di setiap jalan yang ada, maka peraturan yang sering kita lihat dan kita dengar itu disebut dengan rambu lalu lintas.
Rambu lalu lintas sendiri itu merupakan bagian dari perlengkapan jalan yang memuat lambang, huruf, angka, kalimat dan/atau perpaduan di antaranya, yang digunakan untuk memberikan peringatan, larangan, perintah dan petunjuk bagi pemakai jalan. Rambu Lalu Lintas diatur menurut Peraturan Menteri Perhubungan Nomor 13 tahun 2014. Rambu Lalu Lintas dibuat dengan tujuan untuk melindungi dari segala bahaya yang sering terjadi dijalanan, seperti adanya bahaya kecelakaan, tabrak lari, dan lain sebagainya. Dalam kehidupan nyata, terkadang masih banyak sekali rambu-rambu lalu lintas khususnya pada yang berbentuk plang, yang dimana masih terdapat kurangnya perawatan, disisilain masih banyaknya coretan pada plang rambu tersebut yang disebabkan oleh perbuatan vandalisme yang tidak bertanggung jawab tersebut.
Butuhnya perhatian lebih dari pihak terkait akan masalah diatas tersebut, itulah yang akan menjadi tugas utama, agar dapat menjadi lebih baik lagi, dan di sisi lain, kita sebagai masyarakat yang baikpun juga dapat membantu instansi terkait itu dengan berbagai macam cara, baik dengan sisi teknologi, maupun dapat juga membantu merawatnya dengan dari sisi kemanusiaan seperti bergotong royong untuk membersihkan plang dan menggantikannya dengan bentuk plang yang lebih baik lagi,
2
tujuan utama dari hal di atas yakni agar masyarakat dapat terbantu dengan alat tersebut untuk dapat lebih mematuhi lagi aturan-aturan dalam berlalu lintas yang baik dan benar, dan juga dapat membantu pihak terkait dalam mengurangi angka kecelakaan yang terjadi saat masyarakat sedang melakukan berkendara di jalan raya.
Perkembangan teknologi saat ini sudah cukup sangat pesat, banyak sekali masyarakat dan pihak terkait yang menggunakan teknologi ini untuk suatu perbaikan atau pengembangan yang lebih baik lagi. Pada rambu lalu lintas inipun juga dapat diubah atau dapat di lakukan perawatannya dengan menggunakan teknologi tersebut, tujuan agar masyarakat lebih mudah mengenal rambu dengan sisi teknologi, disini hal yang dapat dilakukan yaitu dapat membuat suatu gambar dari rambu lalu lintas tersebut yang nantinya akan dilakukan proses digitalisasi dan untuk berikutnya dilakukan pengolahan-pengolahan tertentu guna untuk mengambil sebuah pengetahuan (knowledge) dari gambar tersebut. Metode yang dipaparkan diatas tersebut biasa kita kenal dengan metode pengolahan citra atau pengenalan pola. Salah satu penerapan dari pengolahan citra itu sendiri yakni, bagaimana nantinya masyarakat dapat mengenali proses rambu lalu lintas yang diolah tersebut menjadi sebuah nama rambu yang baik dan benar, maka dalam pengolahan citra itu sendiri pastinya juga akan dibantu oleh metode pengenalan pola dan image recognition, yang dimana kedua metode ini nantinya akan menjalankan tugasnya yakni untuk memproses citra rambu lalu lintas tersebut untuk dapat diklasifikasikan menurut warna dan jenisnya yang tersedia. Dalam melakukan klasifikasi itu juga, terhadap suatu obyek, diperlukannya beberapa tahapan yang akan menjadi acuan dalam proses tersebut, yakni seperti tahap Preprocessing, tahap Ekstraksi Ciri, dan tahap Klasifikasi.
Tahap Preprocessing tersebut adalah tahapan yang dilakukan untuk membuat data menjadi bentuk yang paling optimal dalam melakukan klasifikasi nantinya. Selanjutnya, pada tahap ekstraksi ciri ini merupakan tahapan yang dimana citra nantinya akan di ambil cirinya dari suatu obyek yang sudah dilakukan tahapan preprocessing sebelumnya. Bermacam-macam ciri yang diperoleh dari suatu obyek tersebut, sebagai contoh ciri bentuk, ciri warna, dan lain sebagainya. Dari sini kita
3
juga perlu memilah ciri tersebut, agar nantinya dapat digunakan pada tahap proses lainnya secara baik.
Selanjutnya pada tahap image recognition atau pengenalan pola itu sendiri merupakan suatu tahapan yang dimana citra nantinya akan diolah menjadi suatu inputan angka, yang bertujuan untuk dilakukannya suatu pengenalan pada rambu lalu lintas tersebut, atau pada obyek yang di olahnya tersebut. Tahap image recognition ini sendiri diambil dari hasil pengolahan ekstraksi ciri yang sudah di dapatkan, misalnya dalam melakukan klasifikasi, kita dapat mengambil jumlah dari rata- rata ekstraksi ciri warna red, green, dan blue, lalu dapat juga di ambil dari ciri bentuk yakni seperti hasil perhitungan keliling, luas, dan lain sebagainya pada obyek yang di olah tersebut, selanjutnya dari rata-rata itu juga nantinya dapat dimasukan sebagai inputan dalam melakukan klasifikasi yang digunakan tersebut.
Pada penelitian ini, akan dibangun sebuah system yang mampu membaca dan mengenali gambar rambu lalu lintas yang diperoleh dari hasil pemotretan yang dilakukan, yang nantinya akan di klasifikasikan menjadi sebuah pengenalan rambu dalam bentuk teknologi. Adapun penelitian ini akan menggunakan Pengolahan Citra sebagai cirinya dan Jaringan Syaraf Tiruan dengan metode Backpropagation sebagai klasifikasinya. Pengolahan Citra itu sendiri merupakan “pemrosesan gambar berdimensi-dua melalui komputer digital”, Prastowo (2019). Teknik yang dilakukan pun juga dengan berbagai cara, yakni seperti memanipulasi atau memodifikasikan citra tersebut dengan berbagai cara, sebagai contoh penerapan yang dilakukan yakni dengan foto, foto itu merupakan contoh gambar berdimensi dua yang bisa diolah dengan mudah, seperti contoh bila kita memotret Rambu Lalu Lintas tersebut dengan bidikan kamera yang dihasilkan terlihat agak gelap, citra dapat diolah agar menjadi lebih terang dan lain sebagainya. Tentu saja banyak hal lain yang lebih pelik yang dapat dilakukan melalui pengolahan citra digital.
Dalam penelitian ini pengolahan citra nantinya akan memproses foto Rambu Lalu lintas yang telah di ambil tersebut untuk dilakukan penghilangan noise dan selanjutnya akan di perkecil ukurannya agar mudah untuk mengolah ekstraksi ciri yang akan digunakan pada tahap berikutnya. Adapun pemilihan metode Jaringan Syaraf Tiruan Backpropagation sebagai metode Klasifikasi. Jaringan Syaraf Tiruan
4
itu sendiri merupakan sebuah jaringan syaraf tiruan merupakan simulasi dari otak biologis yang bertujuan untuk belajar mengenali pola data dan mensimulasikan proses belajar adaptif biologis, walau dalam skala yang sangat sederhana.
Pemilihan tersebut terjadi karena metode Jaringan Syaraf Tiruan tersebut memiliki keunggulan dalam melakukan pengolahan Image Recognition atau pengenalan gambar yang akan di olah nantinya, yang dimana inputan citra awal mulanya diolah pada ekstraksi ciri tersebut nantinya akan diubah menjadi inputan biner yang akan menjadi inputan dalam pengklasifikasian Jaringan Syaraf Tiruan tersebut. Penelitian yang sama juga sudah dilakukan oleh Octanty, (2015), (Universitas Brawijaya) tentang DETEKSI GAMBAR RAMBU LALU LINTAS DENGAN ALGORITMA JARINGAN SYARAF TIRUAN.
Dalam penelitian mereka tersebut, ciri yang digunakan yaitu dengan menggunakan pengolahan citra yakni pada awal mulanya citra akan di masukkan kedalam tahap preprocessing seperti grayscalling dan mengubahnya menjadi citra biner, selanjutnya di lakukan proses pengecilan ukuran pixel citra tersebut dengan menggunakan method fungsi resize. Tahap yang digunakan selanjutnya yakni dengan mengkonversikannya kedalam bentuk array, dan nantinya akan dilakukan proses pengenalan menggunakan algortima Jaringan Syaraf Tiruan tersebut.
Hasil yang di dapat dari proses yang mereka gunakan yakni membuahkan hasil prosentase keberhasilan sebesar 86,65%, dari kesimpulan yang di dapat yaitu untuk pengolahan data train yang digunakan yakni, dari empat data yang ada akan dilakukan pengolahan sebagai data pengujian, selanjutnya dari 15 data uji yang terdapat, ada 4 data yang tidak cocok dengan data pengujiannya tersebut, maka hasil kesimpulan selanjutnya yakni bahwasannya pengujian yang telah dilakukan terlihat bahwa penerapan mekanisme metode Jaringan Syaraf Tiruan, mampu melakukan deteksi citra rambu yang akurat nantinya.
5 1.2 Rumusan Masalah
Berapa besar prosentase keberhasilan yang diperoleh dalam proses pengenalan rambu lalu lintas bentuk lingkaran dengan menggunakan metode ciri pengolahan citra dan metode klasifikasi Jaringan Syaraf Tiruan Backpropagation?
1.3 Tujuan
Tujuan dari penelitian ini yaitu untuk mengetahui apakan permasalahan yang dihadapi pada rumusan masalah dapat diselesaikan atau tidak, dan disisi lain tujuan penelitian ini juga menjurus pada fokus hasil pengenalan yang diperoleh bila menggunakan metode kedua tersebut, yang dimana citra atau gambar yang di peroleh dengan cara di potret menggunakan kamera handphone.
1.4 Batasan Masalah
1. Rambu Lalu Lintas yang digunakan sebanyak 4 jenis yaitu : Rambu Dilarang Parkir, Rambu Dilarang Stop, Rambu Lajur Kiri, Rambu Batas Kecepatan 40km. 2. Data yang digunakan yakni hanya berbentuk lingkaran saja.
3. Data yang digunakan tidak semuanya baik, ada beberapa data plang rambu yang keadaanya kurang baik seperti contoh : rambu tersebut sudah di tempeli stiker, bentuk yang di dapat yakni sudah tidak bulat, lalu di sisi lain, banyaknya coretan dan warna yang terdapat pada rambu tersebut sudah pudar.
4. Pengambilan data atau foto di lakukan pada siang hari hingga sore hari. 1.5 Manfaat Penelitian
Manfaat yang di dapat dari penelitian ini, yaitu dengan adanya sistem yang dibuat, diharapakan dapat membantu masyarakat dan pihak terkait untuk membangun sebuah sistem pengenalan rambu lalu lintas yang dapat dikenali oleh masyarakat tersebut, sehingga masyarakat setempat dapat mempelajarinya secara saksama, dan di sisi lain dapat mengurangi angka kecelakaan yang ada bila masyarakat dapat mematuhi aturan rambu yang telah di sediakan oleh pihak terkait, lalu juga dapat untuk meringankat estimasi perawatan pada rambu lalu lintas yang sudah tidak layak pasang lagi. 1.6 Metodologi Penelitian
6 1. Studi Literatur
Dilakukan dengan pengumpulan beberapa refrensi untuk mendapatkan informasi terkait penelitian yang dilakukan, cara yang dapat digunakan yakni dengan membaca jurnal, membaca buku yang berkaitan dengan pengenalan rambu lalu lintas.
2. Pengambilan Data
Dilakukan dengan cara mengambil gambar dari Rambu Lalu Lintas yang berada di tepi jalan untuk dijadikan sebagai data yang digunakan untuk penelitian tersebut.
3. Perancangan Alat Uji
Dilakukan untuk merancang pengolahan yang di perlukan untuk membangun alat uji otomatis pengenalan rambu lalu lintas.
4. Implementasi
Implementasi alat uji dari yang sudah di rancang sebelumnya menggunakan data Rambu Lalu Lintas berbentuk lingkaran yang sudah di kumpulkan.
5. Pengujian
Dilakukan dengan tujuan untuk mengetahui seberapa tingkat akurasi keberhasilan yang dihasilkan, pengujian ini juga di lakukan berdasarkan kinerja dari alat uji pengenalan rambu lalu lintas yang sudah di buat.
6. Pembuatan Laporan
Pembuatan Laporan merupakan tahap akhir dari penelitian yang sudah di lakukan, di sertai dengan teori dan refrensi yang telah di gunakan.
1.7 Sistematika Penulisan
Sistematika penulisan dalam penelitian ini adalah: BAB I PENDAHULUAN
Pada bab ini akan memabahas tentang latar belakang, rumusan masalah, tujuan penelitian, Batasan masalah, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.
7 BAB II LANDASAN TEORI
Pada bab ini akan membahas tentang teori yang digunakan untuk membahas persoalan pengolahan pada pengenalan Rambu Lalu Lintas tersebut.
BAB III METODE PENELITIAN
Pada bab ini membahas tentang gambaran umum yang akan dilakukan untuk melakukan penelitian yang terdiri dari gambaran umum penelitian seperti data, preprocessing, ekstraksi ciri, backpropagation dan akurasi, disisi lain juga terdapat pula kebutuhan system dan perancangan antar muka.
BAB IV HASIL DAN ANALISIS
Pada bab ini menjelaskan implementasi dari rancangan yang sudah dilakukan, bagian ini akan memaparkan hasil dari implementasi beserta analisis terhadap langkah yang digunakan saat melakukan pengolahan pada penelitian ini.
BAB V PENUTUP
Bab V berisi tentang kesimpulan dari pengujian yang sudah dilakukan, dan pada bab ini berisi juga tentang saran dan kritik untuk pengembangan system dari penelitian pengenalan rambu lalu lintas tersebut.
8 BAB II
LANDASAN TEORI
2.1. Rambu Lalu Lintas
Rambu lalu lintas adalah perlengkapan jalan yang memuat lambang, huruf, angka, kalimat dan/atau perpaduan di antaranya, yang digunakan untuk memberikan peringatan, larangan, perintah dan petunjuk bagi pemakai jalan. Rambu lalu lintas diatur menurut Peraturan Menteri Perhubungan Nomor 13 tahun 2014. Agar rambu dapat terlihat baik siang ataupun malam atau pada waktu hujan maka bahan terbuat dari material retro-reflektif pada rambu konvensional.
2.2. Jenis Rambu
Menurut cara pemasangan dan sifat pesan yang akan disampaikan maka secara garis besar sistem perambuan dapat di kelompokkan atas:
1. Rambu tetap 2. Rambu sementara.
Yang dimaksud dengan rambu tetap adalah semua jenis rambu yang ditetapkan menurut Surat Keputusan Menteri Perhubungan yang dipasang secara tetap, sedangkan rambu sementara adalah rambu yang dipasang dan berlaku hanya beberapa waktu, dapat ditempatkan sewaktu-waktu dan dapat dipindah-pindahkan. 2.3. Rambu Peringatan
2.3.1. Pengertian dan Fungsi
Rambu peringatan digunakan untuk memberi peringatan kemungkinan ada bahaya di jalan atau tempat berbahaya pada jalan dan menginformasikan tentang sifat bahaya. Kemungkinan ada bahaya merupakan suatu kondisi atau keadaan yang membutuhkan suatu kewaspadaan dari pengguna jalan. Keadaan yang membutuhkan suatu kewaspadaan dari pengguna jalan antara lain:
a. kondisi prasarana jalan b. kondisi alam
9 e. lokasi rawan kecelakaan. 2.3.1.1. Pengelompokkan
Rambu peringatan memiliki: a. warna dasar kuning b. warna garis tepi hitam c. warna lambang hitam
d. warna huruf dan/atau angka hitam. 2.3.1.2. Ciri-Ciri
Rambu peringatan terdiri atas rambu:
a. peringatan perubahan kondisi alinyemen horizontal b. peringatan perubahan kondisi alinyemen vertical c. peringatan kondisi jalan yang berbahaya
d. peringatan pengaturan lalu lintas
e. peringatan lalu lintas kendaraan bermotor f. peringatan selain lalu lintas kendaraan bermotor g. peringatan kawasan rawan bencana
h. peringatan lainnya
i. peringatan dengan kata-kata
j. keterangan tambahan tentang jarak lokasi kritis k. peringatan pengarah gerakan lalu lintas.
2.3.1.3. Contoh Rambu
Berikut contoh Data gambar Rambu Lalu Lintas dengan bentuk
lingkaran yang akan digunakan pada penelitian ini:
A. B. C.
10 Penjelasan :
A. Rambu Dilarang Parkir B. Rambu Batas Kecepatan 40 km C. Rambu Lajur Kiri
2.4. Pengolahan Citra
Dalam kehidupan nyata, seorang Manusia pastinya di karuniai sebuah alat indra untuk melihat, hal ini dapat di sebut sebagai Mata, Mata Manusia ini dapat beradaptasi dan mengintrepresentasikan sebuah obyek untuk mendapat informasi, dimana dalam dunia nyata sebuah obyek dapat mengalami perubahan baik itu karena perbedaan siang dan malam; pengaruh cahaya dan bayangan.
Penjelasan diatas dapat kita pelajari dalam bentuk suatu hal, yakni berupa Citra. Citra itu sendiri merupakan sebuah fungsi dari dua variable misal: a(x,y) yang dimana a sendiri sebagai amplitude (misal: kecerahan) citra pada koordinat (x,y).
Secara matematis, citra merupakan fungsi kontinyu (continue) dengan intensitas cahaya pada bidang dua dimensi. Agar dapat diolah dengan komputer digital, maka suatu citra harus dipresentasikan secara numerik dengan nilai-nilai diskrit.
Repersentasi dari fungsi kontinyu menjadi nilai-nilai diskrit disebut digitalisasi citra. Sebuah citra digital dapat diwakili oleh sebuah matriks dua dimensi f(x,y) yang terdiri dari M kolom dan N baris, dimana perpotongan antara kolom dan baris disebut piksel (pixel = picture element) atau elemen terkecil dari sebuah citra.
11
Gambar 2.2 Representasi citra digital dalam 2 dimensi (Hidayatullah,2018) Obyek tertentu dapat dideteksi dengan menggunakan pengolahan citra digital ini. Salah satu metode yang digunakan adalah berdasarkan segmentasi warna. Normalisasi RGB adalah salah satu metode segmentasi warna yang memiliki kelebihan yaitu mudah, proses cepat dan efektif pada obyek trafiic sign, maupun aplikasi untuk face detection.
2.4.1. Jenis Citra Digital
2.4.1.1. Color Image atau RGB (Red, Green, Blue)
Pada color image ini masing-masing piksel 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.
Hal ini disebabkan jumlah bit yang diperlukan untuk setiap pixel, gambar tersebut juga disebut gambar-bit warna. Color image ini terdiri dari tiga matriks yang mewakili nilai-nilai merah, hijau dan biru untuk setiap pikselnya, seperti yang ditunjukkan gambar 2.9.
12
Gambar 2.3 Color Image (Hidayatullah,2018) 2.4.1.2. Preprocessing
a. Ukuran/Dimensi dan Resolusi Citra
Ukuran / Dimensi citra akan di definisikan dengan format lebar (width) x tinggi (height) dengan satuan piksel (px). Apabila lebar citra di kalikan dengan tinggi citra, maka hasil perkalian merupakan jumlah banyaknya piksel yang terdapat pada citra tersebut. Resolusi citra menunjukkan dimensi spasial citra di dunia nyata, contohnya pada dunia percetakan kita dapat menemukan satu resolusi dots per inch (dpi) atau lines per inch (lpi). Pada cira satelit kita menemukan satuan resolusi piksel per kilometre.
b. Resizing Citra
Merupakan mengubah ukuran besarnya citra kedalam pixel. Adakalanya ukurannya berubah menjadi lebih kecil dari file aslinya dan sebaliknya (Mabrur, 2011). Contoh pengubahan citra keluaran dengan ukuran 512 x 512 piksel dapat dituliskan dengan perintah Y = imresize( X, [512x512] ). Imresize merupakan fungsi yang disediakan oleh MATLAB.
13
Filter ini berfungsi sebagai penghilang derau (noise) pada suatu citra, konsep yang dimiliki dari filtering ini yaitu: Filter ini beroperasi dengan cara mengiterasikan sebuah jendela dengan ukuran tertentu dari pojok kiri atas sampai pojok kanan bawah citra. Pada setiap iterasi nilai piksel pada citra yang posisinya tepat di tengah jendela, akan diganti dengan nilai tengah (median) dari nilai piksel- piksel citra yang berada di dalam jendela tersebut. Ukuran jendela dapat menggunakan kernel 3x3, 5x5, 7x7 dan seterusnya dengan syarat berukuran ganjil.
Pada Median itu sendiri, dapat dicari dengan melakukan pengurutan terhadap nilai piksel dari mask yang sudah ditentukan, kemudian dicari nilai tengahnya. Cara kerjanya dapat di lihat dari gambar berikut:
Gambar 2.4 Proses Median Filtering, (Fadillah,2019).
Dari hasil di atas dapat di jelaskan bahwa dengan menggunakan citra diatas, diambil 3x3mask filtering. Nilai masing-masing piksel yang bertetanggaan setelah diurutkan adalah sebagai berikut: 115, 119, 120, 123, 124, 125, 126, 127, 150. Hasil pengurutan tersebut mendapatkan nilai median 124. Nilai median ini digunakan untuk menggantikan nilai pusat mask, sehingga nilai 150 akan diganti dengan 124.
14 2.4.1.3. Ekstraksi Ciri
Merupakan suatu proses atau tahapan-tahapan yang dilakukan untuk memperoleh ciri dari setiap obyek.
Metode – metode yang di gunakan dalam proses ekstraksi sebuah rambu lalu lintas tersebut yakni :
Ciri berwarna, merupakan citra yang memiliki 3 buah kanal warna di dalamnya, dan memiliki array berukuran MxNx3 yang dimana tiap piksel memiliki 3 warna komponen yakni (Red, Green, dan Blue). Ketiga citra pembentuk warna tersebut, masing -masing di sebut dengan citra komponen merah (Red), citra komponen biru (Blue) dan citra komponen hijau (Green). Adapun ekstraksi ciri tersebut dapat di gunakan rata-ratanya, seperti pada rumus di bawah berikut:
……… (2.1) Penjelasan :
µ = mean
MxN = ukuran citra P = piksel citra
Jika sudah mendapatkan nilai dari rata-rata tersebut, selanjutnya dapat di ekstrak juga ciri R,G,B.
……….(2.2)
2.5. Pengelola Pola
Pengenalan pola (bahasa Inggris: pattern recognition) merupakan bidang dalam pembelajaran mesin dan dapat diartikan sebagai "tindakan mengambil data mentah dan bertindak berdasarkan klasifikasi data”. Dengan demikian, ia merupakan himpunan kaidah bagi pembelajaran diselia (supervised
15 berikut :
Gambar 2.5 Struktur Sistem Pengenalan Pola,(Syafri 2011)
Penjelasan : 2.1.Sensor
Berfungsi untuk menangkap obyek dari dunia nyata yang kemudian akan diubah menjadi sinyal digital melalui proses digitalisasi.
2.2.Pra-Pengolahan
Berfungsi sebagai alat uji untuk mempersiapkan citra agar mendapatkan hasil ciri terbaik untuk dapat di jadikan inputan ke tahap selanjutnya. Pada tahap ini sinyal informasi ditonjolkan dan sinyal penganggu (derau) diminimalisasi. 2.3.Pencari dan Seleksi Fitur
Berfungsi menemukan karakteristik pembeda yang mewakili sifat utama sinyal sekaligus mengurangi dimensi sinyal menjadi sekumpulan bilangan yang lebih sedikit tetapi representative.
2.4.Algoritma Klasifikasi
Berfungsi untuk mengelompokkan fitur ke dalam kelas yang sesuai. 2.5.Algoritma Deskripsi
Berfungsi memberikan deskripsi pada sinyal.
2.6. Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Bahasa Inggris: Artificial Neural Network (ANN), atau juga disebut Simulated Neural Network (SNN), atau umumnya hanya disebut Neural Network (NN)), merupakan jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan system syaraf manusia. Jaringan Syaraf Tiruan
16
merupakan system adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut.
Oleh karena sifatnya yang adaptif, Jaringan Syaraf Tiruan juga sering disebut dengan jaringan adaptif. Disisi lain, JST terdiri dari 3 komponen utama antara lain: Arsitektur Jaringan Syaraf Tiruan, Training method/learning algorithm, dan Fungsi Aktivasi.Jaringan Syaraf Tiruan (JST) dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa:
1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron) 2. Sinyal dikirimkan diantara neuron-neuron melalui penghubung penghubung. 3. Penghubung antar neuron memilki bobot yang akan memperkuat atau
memperlemah sinyal.
4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjuntya dibandingkan dengan suatu batas ambang.
Jaringan syaraf dapat digolongkan menjadi berbagai jenis berdasarkan pada arsitekturnya, yaitu pola hubungan antara neuron-neuron, dan algoritma trainingnya, yaitu cara penentuan nilai bobot pada penghubung.
Gambar 2.6 Arsitektur Jaringan Syaraf Tiruan (Pakaja, 2012)
Penjelasan:
1. Input: Lapisan masukan merupakan lapisan yang terdiri dari beberapa neuronyang akan menerima sinyal dari luar dan kemudian meneruskan ke neuron-neuron lain dalam jaringan.
17
pada jaringan saraf bilogis. Lapisan tersembunyi berfungsi meningkatkan kemampuan jaringan dalam memecahkan masalah. Konsekuensi dari adanya lapisan ini adalah pelatihan menjadi makin sulit atau lama.
3. Output: Lapisan keluaran berfungsi menyalurkan sinyal-sinyal keluaran hasil pemrosesan jaringan. Lapisan ini juga terdiri dair sejumlah neuron. Lapisan keluaran merupakan tiruan dari sel saraf motor pada jaringan saraf biologis.
2.7. Algoritma Backpropagation
Pengertian Backpropagation Metode bacpropagation (propagasi balik) merupakan metode pembelajaran lanjut yang dikembangkan dari aturan perceptron hal yang ditiru dari perceptrona adalah tahapan dalam algoritma jaringan. Sebagian besar pelatihan untuk jaringan feedfoward.(umpan maju) menggunakan gradient dari fungsi aktivasi untuk menentukan bagaimana mengatur bobot-bobot dalam rangka meminimumkan kinerja. Gradient ini ditentukan dengan menggunakan suatu teknik yang disebut backpropagation. Pada dasarnya, algoritma pelatihan standar backpropagation akan menggerakkan bobot dengan arah gradient negatif.
Arsitektur dasar dari Algoritma Backpropagation:
Gambar 2.7 Arsitektur Backpropagation (Siang, 2009) 2.7.1. Fungsi Aktivasi
Fungsi aktivasi yang digunakan dalam backpropagation terdiri atas beberapa bagian, syarat utama yang harus dimiliki pada fungsi aktivasi
18
tersebut yakni: kontinu, terdeferensial dengan mudah dan merupakan fungsi yang tidak turun.
Berikut merupakan fungsi aktivasi sigmoid biner dan fungsi aktivasi sigmoid bipolar.
a. Fungsi sigmoid biner (logsig)
Merupakan fungsi yang memiliki kurva yang berbentuk seperti huruf s, dan fungsi ini merupakan fungsi aktivasi yang berguna. Fungsi ini memiliki jangkauan dari 0 ke 1 sering digunakan sebagai fungsi aktivasi dari jaringan syaraf, dimana nilai output yang diharapkan juga bernilai biner dan nilai tersebut. Grafik dari fungsi biner sigmoid ini dapat dilihat pada gambar 2.14.
Gambar 2.8 Grafik Fungsi Sigmoid Biner, (Julpan, 2015). b. Fungsi sigmoid bipolar (tansig)
Merupakan fungsi yang memiliki kurva yang berbentuk seperti huruf s, dan fungsi ini merupakan fungsi aktivasi yang berguna. Fungsi ini berhubungan erat dengan fungsi tangen hiperbolik yang sering juga digunakan sebagai fungsi aktivasi ketika jangkauan yang diharapkan dari nilai output diantara -1 dan 1.Grafik dari fungsi bipolar sigmoid ini dapat dilihat pada gambar 2.15.
19
Gambar 2.9 Grafik Fungsi Sigmoid Bipolar,(Julpan,2015) b. Fungsi identitas (purelin)
Fungsi identitas memiliki keluaran nilai itu sendiri. f(x)=x……….(2.1)
2.7.2. Pelatihan Backpropagation
Aturan pembelajaran Backpropagation dikembangkan dari delta rule dengan menambahkan hidden layer. Melatih jaringan dengan menggunakan metode Backpropagation melibatkan tiga tahapan: feedforward pola pelatihan masukan, Backpropagation terhadap error, serta penyesuain bobot .
Algoritma pelatihan Backpropagation untuk jaringan dengan satu layer tersembunyi menggunakan fungsi aktivasi sigmoid biner adalah sebagai berikut:
Langkah 0 : Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil)
Langkah 1: ketika kondisi berhenti salah, lakukan langkah 2-9.
Langkah 2: untuk masing-masing pasangan training, lakukan langkah 3-8. Feedforward:
Langkah 3: Tiap-tiap unit input (Xi, i=1,2,3,…n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada
20
Langkah 4: Tiap-tiap unit tersembunyi (Zi, j=1,2,3,…p) menjumlahkan sinyal-sinyal input terbobot:
𝑧_𝑖𝑛𝑗 = 𝑉𝑂𝑗 + ∑𝑛𝑖=1𝑋𝑖𝑉𝑖𝑗 ………...(2.2) Menggunakan fungsi aktivasi untuk menghitung sinyal outputnya:
𝑍𝑗 = f(Z_in𝑗)………...………..….……….(2.3) Hitung fungsi aktivasi untuk menghitung sinyal keluaran, Zj=f(z_in), lalu mengirimkan sinyal ini kesemua unit pada layer diatasnya (unit keluaran). Langkah 5: Tiap-tiap unit output (Yk,, K=1,2,3,…m) menjumlahkan sinyalsinyal input terbobot.
𝑌_𝑖𝑛𝑗 = 𝑊𝑂𝑘 + ∑ 𝑍𝑖𝑊𝑗𝑘
𝑝
𝑖=1 ………..………...(2.4) Menggunakan fungsi aktivasi untuk menghitung sinyal outputnya:
𝑌𝑗 = f(Z = Y_in𝑗) ...………...(2.5) Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). Backpropagation:
Langkah 6 : Tiap-tiap unit output (Yk, K=1, 2, 3, …m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung
informasi error-nya:
𝛿𝑘 = (𝑡𝑘− Y𝑘)f′(y_in𝑘) ………...…(2.6) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai Wjk):
∆𝑊𝑗𝑘 = 𝛼𝛿𝑘𝑍𝑗 …………...…(2.7) hitung juga koreksi bias (yang nantinya akan digunakan untuk
memperbaiki nilai Wok):
∆𝑊𝑜𝑘 = 𝛼𝛿𝑘………...…(2.8) kirimkan ini k ke unit-unit yang ada dilapisan bawahnya.
21
delta inputnya (dari unit-unit yang berada pada lapisan diatasnya):
𝛿_𝑖𝑛𝑗 = ∑𝑚𝑘=1𝛿𝑘𝑊𝑗𝑘 …...(2.9) Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk
menghitung informasi error:
𝛿𝑗 = δ_in𝑗f(z_inj) …...………...(2.10) Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai V1j):
∆𝑉 𝑗𝑘 = 𝛼𝛿𝑗𝑋𝑖 ……...(2.11) Perbaiki bobot untuk proses selanjutnya.
Langkah 8 : Setiap neuron keluaran (Yk, k=1…m) memperbaiki bobotnya (j=0…p)
𝑊 𝑗𝑘(𝑛𝑒𝑤) = 𝑤𝑗𝑘(𝑜𝑙𝑑) + ∆𝑤𝑗𝑘 ……...(2.12) Setiap neuron tersembunyi (Zj , j=1…p) memperbaiki bobotnya
𝑊 𝑖𝑗(𝑛𝑒𝑤) = 𝑉𝑖𝑗(𝑜𝑙𝑑) + ∆𝑣𝑖𝑗 …...(2.13) Langkah 9: Lakukan pengujian kondisi henti.
2.8. Algoritma Backpropagation
Evaluasi yang digunakan pada backpropagation ini, menggunakan Cross Validation yang berfungsi untuk menguji keberhasilan dari alat uji, salah satu bentuk crossValidation yakni :
A. 3-FOLD CROSS VALIDATION
Pada pengujian ini, 3-fold memiliki mekanisme kerja yakni seperti: membagi 3 data untuk menjadi 2/3 Data Training, dan 1/3 Data Testing, dengan pola pada gambar di bawah ini:
22
Gambar 2.10 Gambar 3-Fold Cross Validation
Penjelasan:
Dari gambar di atas dapat dilihat, kinerja 3-fold ini yaitu,
1. pada bagian pertama, terdapat pembagian sebanyak 3 data, data pertama dan data kedua akan menjadi data training, sehingga data ketiga akan menjadi data testing.
2. pada bagian kedua,dari pembagian 3 data tersebut dapat terlihat, bahwa data pertama dan data ketiga merupakan data training, sehingga data kedua akan menjadi data testing.
3. Pada bagian ketiga dari pembagian ketiga data tersebut, data kedua dan data ketiga menjadi data training, sehingga data pertama akan menjadi data testing. Untuk mengetahui hasil baik atau tidaknya dari kinerja evaluasi tersebut, maka perlu di hitung akurasi dari masing-masing fold, penghitungan ini di lakukan dengan menggunakan confusion matrix pada tabel 2.1 di bawah ini.
Tabel 2.1 Confusion Matriks KELAS PREDIKSI
Positif Negatif
Positif TP(True Positif) FN(False Negatif)
Negatif FP(False Postif) TN(True Negatif)
Nilai Akurasi dapat dihitung dengan persamaan berikut: 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃+𝑇𝑁
23
TP adalah True Positive, yaitu jumlah data positif yang terklasifikasi dengan benar oleh sistem.
TN adalah True Negative, yaitu jumlah data negatif yang terklasifikasi dengan benar oleh sistem.
FN adalah False Negative, yaitu jumlah data negatif namun terklasifikasi salah oleh sistem.
FP adalah False Positive, yaitu jumlah data positif namun terklasifikasi salah oleh system.
Setelah mendapatkan hasil dari confusion matriks tersebut, langkah selanjutnya yakni dengan mencari hasil rata-rata dari penjumlahan akurasi yang didapat dengan cara sebagai berikut:
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝐹𝑜𝑙𝑑 1+𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝐹𝑜𝑙𝑑 2+⋯+𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝐹𝑜𝑙𝑑 𝐾
24 BAB III
METODOLOGI PENELITIAN
3.1 Data dan Teknik Observasi Gambaran umum sistem
Berikut diagram blok sistem pada bab metode penelitian ini:
Gambar 3.1 Diagram Blok Sistem Gambaran Umum
Penelitian ini bertujuan untuk mengenali Rambu Lalu Lintas Bentuk Lingkaran dan mengetahui tingkat keberhasilannya. Gambar umum dari pengenalan rambu lalu lintas ini dapat di lihat dari gambar 3, berikut penjelasan dari diagram blok sistem:
a. Data = merupakan inputan dalam penelitian ini, yang bertujuan sebagai inputan yang akan di olah dalam proses pengenalan rambu lalu lintas ini.
b. Preprocessing = merupakan proses awal dalam penelitian ini, yang dimana proses ini, pertama kali akan di lakukan perbaikan pada citra atau gambar inputan yang di tentukan, setelah itu akan dilanjutkan dengan pencarian ekstraksi ciri dari gambar tersebut. c. Ekstraksi Ciri = merupakan proses lanjutan setelah preprocessing,
dalam proses ini, citra akan di cari nilai R G B atau red,green, dan blue yang akan digunakan sebagai inputan JST tersebut.
d. Backpropagation = merupakan proses selanjutnya yang bertujuan sebagai proses klasifikasi atau proses untuk menampilkan hasil pengenalan di dalam proses backpropagation ini, terdapat inputan yakni data training, data testing, label training, label testing, serta model.
e. Akurasi = merupakan hasil atau output dari proses yang telah dilakukan dalam penelitian ini, dari hasil ini nantinya akan terlihat hasil akhir yang dalam arti, apakah citra tersebut cocok atau tidak setelah di lakukan pengolahan tersebut.
25
Dalam penelitian ini data yang digunakan yaitu berupa foto dari Plang Rambu Lalu Lintas, yang berada di tepi jalan, bila di lihat secara keseluruhan, jumlah data Plang Rambu lalu lintas yakni terbagi atas 11 kelompok, dimana rambu tersebut terdiri dari:
f. peringatan perubahan kondisi alinyemen horizontal g. peringatan perubahan kondisi alinyemen vertical h. peringatan kondisi jalan yang berbahaya
i. peringatan pengaturan lalu lintas
j. peringatan lalu lintas kendaraan bermotor k. peringatan selain lalu lintas kendaraan bermotor l. peringatan kawasan rawan bencana
m. peringatan lainnya
n. peringatan dengan kata-kata
o. keterangan tambahan tentang jarak lokasi kritis p. peringatan pengarah gerakan lalu lintas
Dari 11 kelompok tersebut, nantinya akan di ambil 1 jenis bentuk plang rambu lalu lintas, yang dimana berbentuk lingkaran dengan 4 jenis rambu seperti:
26
Gambar 3.3 Rambu Batas Kecepatan 40 km.
Gambar 3.4 Rambu Lajur Kiri.
Gambar 3.5 Rambu Dilarang Stop 3.1.2 Teknik Observasi
Teknik Observasi yang digunakan yakni,
1. Dilakukan pengambilan gambar plang di tepi jalan tersebut, menggunakan kamera Handphone.
2. Jarak pengambilan yang dilakukan yakni sebesar 27-35 cm dari obyek plang yang akan di foto tersebut, dengan posisi tegak lurus.
27
– sore hari sekitar jam 15.00 – 17.00 WIB.
4. Tempat Pengambilan gambar yakni: A. Daerah Maguwoharjo, Yogyakarta
Gambar 3.6 Rambu 40 km.
B. Daerah UGM dan sekitarnya, Yogyakarta
Gambar 3.7 Rambu Lajur Kiri.
C. Daerah Jalan Kusuma Negara, Yogyakarta
Gambar 3.8 Rambu 40 km.
28
Gambar 3.9 Rambu Lajur Kiri. E. Daerah Ringroad Utara, Yogyakarta
Gambar 3.10 Rambu Lajur Kiri.
F. Daerah Gedong Kuning-Banguntapan, Yogyakarta
Gambar 3.11 Rambu 40 km.
G. Daerah Janti dan sekitarnya, Yogyakarta
29
Gambar 3.13 Rambu Dilarang Stop. I. Daerah Pasar Minggu, Jakarta Selatan
Gambar 3.14 Rambu Dilarang Stop.
J. Daerah Pejaten dan sekitarnya, Jakarta Selatan
Gambar 3.15 Rambu Dilarang Stop.
K. Daerah Cipinang Besar Utara dan sekitarnya, Jakarta Timur
30
L. Daerah Pondok Indah, Jakarta Selatan
Gambar 3.17 Rambu Dilarang Stop.
5. Teknik pengambilan gambar rambu plang yakni : dengan memilah-milah plang yang baik untuk di olah seperti, tidak terlalu banyak coretan atau kecacatan dari plang tersebut.
3.2 Pengolahan Data 3.2.1. Cropping
Pemotongan citra (cropping citra) merupakan cara pengambilan area tertentu yang akan diamati (area of interest) dalam citra, yang bertujuan untuk mempermudah penganalisaan citra dan memperkecil ukuran penyimpanan citra. Dalam proses pengolahan citra, biasanya tidak secara keseluruhan Scence dari citra yang kita gunakan. Untuk mendapatkan daerah yang kita inginkan kita dapat memotong (cropping) citra tersebut.
3.2.2. Resizing
Pertama kali setelah menginputkan data, hal yang akan di lakukan yakni dengan melakukan resizing atau pengecilan ukuran piksel pada tiap gambar plang tersebut, Teknik resizing yang digunakan yakni: Dengan mengubah ukuran besarnya citra kedalam piksel. Adakalanya ukurannya berubah menjadi lebih kecil dari file aslinya dan sebaliknya.
Contoh penerapan yakni, pada penelitian ini jumlah piksel yang di gunakan pada setiap foto sekitar ± 450 x 470, 1000 x 2000, dan 3000 x 2998. Dari besar piksel tersebut nantinya akan di resize atau di perkecil ukurannya
31 yakni:
Img = imresize ( Img, [ 200 200 ] ) ;
Yang dimana rumus imresize tersebut nantinya akan di simpan ke dalam suatu array dengan tujuan untuk menampung semua hasil resizean setiap foto yang akan di olah dengan fungsi sebagai berikut:
[baris,kolom,keping]=size(Img); R=zeros(200,200);
G=zeros(200,200); B=zeros(200,200);
Setelah di masukkan kedalam array, selanjutnya akan dimasukkan kedalam matriks dari keping warna Red, Green, dan Blue.
3.2.3. Median Filtering
Setelah di lakukan metode resizing untuk pengecilan ukuran piksel gambar, tahap selanjutnya adalah citra tersebut akan dilakukan Filtering gambar menggunakan Median Filter, yang dimana bertujuan untuk menghilangkan noise-noise antara obyek dengan background tersebut, menggunakan Metode Median.
Contoh penerapan pada median filtering ini dapat dilihat di gambar berikut:
Gambar 3.18 Masking 3 x 3.
Adapun langkah yang dapat diterapkan yakni: Dimisalkan ada inputan piksel citra sebesar gambar di atas, lalu langkah yang dapat digunakan selanjutnya yakni:
1. Melihat jumlah ketetanggaan yang digunakan, pada contoh di atas masking ketetanggaan yang digunakan yakni memakai ukuran 3x3. 2. Dari masking 3x3 tersebut, selanjutnya akan dilakukan untuk
32
3. Penggantian nilai 10 ini di lakukan dengan cara petama kali yaitu me-nyorting urutan nilai pada masking 3x3 tersebut dari nilai terkecil hingga nilai terbesar, yakni :
Gambar 3.19 Masking 3 x 3 (sorting nilai pada masking) 4. Urutan tersebut yakni: 1,5,5,5,6,6,9,10,10
5. Hasil urutan nilai pada masking 3x3 tersebut, di dapat nilai median yakni sebesar nilai 6. Maka hasil akhir yang di dapat yakni dari nilai median yang sudah di dapat yakni nilai 6, tersebut nantinya akan menjadi nilai tengah atau menggantikan nilai 10 pada masking 3x3 tersebut.
3.2.4. Ekstraksi Ciri
Ekstraksi ciri yang dilakukan yakni dengan mengambil nilai rata-rata dari keeping Red, Green, dan Blue. Tahapan yang dilakukan yakni seperti pada rumus (2.1) dan (2.2).
3.2.5. Klasifikasi
Klasifikasi yang digunakan untuk penelitian pengenalan rambu lalu lintas ini menggunakan Jaringan Syaraf Tiruan Backpropagation, yang dimana evaluasi di dalam klasifikasi tersebut menggunakan Cross Validation.
1. Jaringan Syaraf Tiruan
Menurut Nugroho (2013), secara umum, ada 3 jenis arsitektur pada jaringan syaraf tiruan tersebut, yakni:
a. Single-Layer Feedforward Networks
Di dalam Jaringan Saraf Tiruan dengan satu layer, neuron - neuron diorganisasi dalam bentuk layer - layer. Dalam bentuk paling sederhana dari Jaringan Saraf Tiruan dengan satu layer, kita mempunyai sebuah input layer dari node sumber di mana
33
bisa sebaliknya. Dengan kata lain, jaringan ini adalah tipe feedforward. Input layer dari node sumber tidak dihitung karena tidak ada perhitungan yang dilakukan.
Gambar 3.20 Arsitektur 1 Layer Tersembuyi Jaringan Syaraf Tiruan.
Dari gambar arsitektur di atas, 1 layer yang di pakai ini akan digunakan sebagai pelatihan pada pengenalan Rambu Lalu Lintas tersebut, fungsi aktivasi yang digunakan yakni fungsi logsing, tansig, dan purelin. Berikut penjelasan mengenai arsitektur tersebut:
A. Ciri 1, Ciri2, Dan Ciri3
Pada penelitian ini, lambang tersebut, merupakan inputan dari ciri keping Red, Green, dan Blue, yakni sejumlah 3 ciri, maka dapat di artikan sebagai, ciri 1, ciri 2, …, ciri N, dan ini merupakan lapisan masukan dalam inputan jaringan syaraf tiruan.
B. X1,X2,…..Xn
Pada penelitian ini, lambang tersebut, merupakan lapisan tersembunyi yang akan digunakan untuk mengolah nilai masukan. Dengan arsitektur ini akan dilakukan variasi pada jumlah neuron yang digunakan yaitu menggunakan kelipatan 5, seperti: 5,10,15,20,25,30,35,40,45,50,55,60.
34 C. Y1,Y2,Y3
Pada penelitian ini, lambang tersebut, merupakan lapisan luaran yang memiliki 2 neuron. Nilai luaran akan bernilai 0 atau 1. Berikut representasi luaran masing- masing rambu lalu lintas:
Tabel 3.3 Target Luaran Jenis Rambu Lalu Lintas
b. Multilayer Feedforward Network
Jenis kedua dari Jaringan Saraf Tiruan yang bersifat feedforward dibedakan dengan adanya keberadaan satu atau lebih hidden layer. Hidden disini berarti bagian dari Jaringan Saraf Tiruan ini secara langsung tidak terlihat dari input atau output dari jaringan tersebut. Fungsi dari hidden layer adalah untuk mengintervensi antara input eksternal dan output dari jaringan dalam cara yang berguna. Dengan menambah satu atau lebih hidden layer, jaringan dapat mengeluarkan statistik tingkat tinggi dari input. Sumber node di input layer dari jaringan menyediakan masing-masing elemen dari pola aktivasi (vectorinput), yang merupakan sinyal input yang diaplikasikan ke neuron-neuron di layer kedua (hiddenlayer pertama). Sinyal output dari layer kedua 14 digunakan sebagai input-input ke layer ketiga, dan seterusnya sampai ke sisa dari jaringan.
NAMA RAMBU NILAI TARGET OUPUT DILARANG PARKIR 0 0 DILARANG STOP 0 1 LAJUR KIRI 1 0 BATAS KECEPATAN 40 K M 1 1
35
Gambar 3.21 Arsitektur 2 Layer Tersembunyi Jaringan Syaraf Tiruan
Dari gambar arsitektur di atas, 1 layer yang di pakai ini akan digunakan sebagai pelatihan pada pengenalan Rambu Lalu Lintas tersebut, fungsi aktivasi yang digunakan yakni fungsi logsing, tansig, dan purelin. Berikut penjelasan mengenai arsitektur tersebut:
A. Ciri1,Ciri2,Ciri3
Pada penelitian ini, lambang tersebut, merupakan inputan dari ciri keping Red, Green, dan Blue, yakni sejumlah 3 ciri, maka dapat di artikan sebagai, ciri 1, ciri 2, …, ciri N, dan ini merupakan lapisan masukan dalam inputan jaringan syaraf tiruan.
B. X1,X2,…..Xn
Pada penelitian ini, lambang tersebut, merupakan lapisan ke-1 tersembunyi yang akan digunakan untuk mengolah nilai masukan. Dengan arsitektur ini akan dilakukan variasi pada jumlah neuron yang digunakan yaitu menggunakan kelipatan 5, seperti: 5,10,15,20,25,30,35,40,45,50,55,60. C. Y1,Y2,…….Yn
Pada penelitian ini, lambang tersebut, merupakan lapisan ke-2 tersembunyi yang akan digunakan untuk mengolah nilai masukan. Dengan arsitektur ini akan dilakukan variasi pada jumlah neuron yang digunakan yaitu menggunakan kelipatan 5, seperti: 5,10,15,20,25,30,35,40,45,50,55,60.
36 D. Z1,Z2,Z3
Pada penelitian ini, lambang tersebut, merupakan lapisan luaran yang memiliki 2 neuron. Nilai luaran akan bernilai 0 atau 1. Nilai Representasi dapat dilihat pada tabel 3, 2. Backpropagation
Algoritma Backpropagation untuk melakukan training terhadap suatu jaringan terdiri dari tiga tahap, yaitu feedforward dari pola input training, backpropagation dari error yang terkait, dan penyesuaian bobot.
3. Cross Validation
Cross Validation berfungsi untuk menguji keberhasilan dari alat uji, Evaluasi yang digunakan pada backpropagation ini, menggunakan Cross Validation yang berfungsi untuk menguji keberhasilan dari alat uji, salah satu bentuk crossValidation yakni :
A. 3-FOLD CROSS VALIDATION
Pada pengujian ini, 3-fold memiliki mekanisme kerja yakni seperti: membagi 3 data untuk menjadi 2/3 Data Training, dan 1/3 Data Testing, dengan pola pada gambar di bawah ini:
Gambar 3.22 Gambar 3-Fold Cross Validation.
Penjelasan:
Dari gambar di atas dapat dilihat, kinerja 3-fold ini yaitu,
1. pada bagian pertama, terdapat pembagian sebanyak 3 data, data pertama dan data kedua akan menjadi data training, sehingga data ketiga akan menjadi data testing. 1 TRAINING 2 TRAINING 3 TESTING 1 TRAINING 2 TESTING 3 TRAINING 1 TESTING 2 TRAINING 3 TRAINING
37
pertama dan data ketiga merupakan data training, sehingga data kedua akan menjadi data testing.
3. Pada bagian ketiga dari pembagian ketiga data tersebut, data kedua dan data ketiga menjadi data training, sehingga data pertama akan menjadi data testing.
B. 10-FOLD CROSS VALIDATION
Pada pengujian 10-fold ini, data dibagi menjadi 10 fold berukuran kira-kira sama, sehingga kita memiliki 10 subset data untuk mengevaluasi kinerja model atau algoritma maka mekanisme kerja dapat di paparkan pada gambar berikut ini:
Gambar 3.23 Model 10-Fold
Penjelasan:
Dari gambar kinerja di atas terlihat, untuk masing-masing dari 10 subset data tersebut, Cross Validation akan menggunakan 9 fold untuk pelatihan dan 1 fold untuk pengujian.
Setelah di lakukan klasifikasi tersebut, selanjutnya adalah dilakukannya penghitungan akurasi dari kedua jenis cross validation tersebut, penghitungan akurasi ini bertujuan untuk mengetahui tingkat keberhasilan atau yang sering di sebut dengan akurasi ini dapat dihitung secara otomatis dengan mencocokkan hasil klasifikasi dengan label data, kemudian data di hitung dengan menghitung total dari masing-masing prediksi dan hasil aktualnya.
38
Tabel 3.4 Tabel Confusion Matriks
Penghitungan akurasi dari gambar di atas dapat dijelaskan yakni bahwa pengihtungan dilakukan dengan menghitung jumlah benar dibagi seluruh data. Dengan mekanisme rumus seperti di bawah ini:
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇1+𝑇2+𝑇3+𝑇4
𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑡𝑒𝑠𝑡 𝑋 100% ……….……..(4.1)
Dari rumus di atas dapat diperoleh sebanyak jumlah K yang dipilih, maka pada penelitian ini rumus yang digunakan yaitu untuk 3-Fold dan 10-Fold. 1. 3-Fold
Pada penghitungan akurasi ini, awal mula mekanisme yang dilakukan yakni, dari 4 jenis rambu lalu lintas tersebut, 1 jenis rambu memiliki 24 data, dari data tersebut nantinya akan di bagi menjadi 3 bagian, sehingga diperoleh 8 data untuk setiap foldnya, maka alurnya yakni 16 Data akan menjadi data Training, lalu 8 Data akan menjadi data Testing, kemudian dilakukan 3 kali pengujian, dan dari 3 kali pengujian ini nantinya akan di temukan penghitungan akurasi sebagai berikut:
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝐹𝑜𝑙𝑑 1+𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝐹𝑜𝑙𝑑2+𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝐹𝑜𝑙𝑑3
3 𝑋 100% ….… (4 .2)
2. 10-Fold
Pada penghitungan akurasi ini, awal mula mekanisme yang dilakukan yakni, dari 4 jenis rambu lalu lintas tersebut, 1 jenis rambu memiliki 24 data, dari data tersebut nantinya akan di bagi menjadi 10 bagian, sehingga diperoleh 2 group perdata untuk setiap foldnya, maka alurnya yakni 18 Data akan menjadi data Training, lalu 2 Data akan menjadi data Testing, kemudian 4 Data sisanya nantinya akan dilakukan uji data tunggal sebanyak 4 kali pengujian, dan dari 10 kali pengujian ini nantinya akan di temukan penghitungan akurasi sebagai berikut: 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝐹𝑜𝑙𝑑 1+𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝐹𝑜𝑙𝑑2+⋯+𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝐹𝑜𝑙𝑑10 10 𝑋 100% …….… (4 .3) 0 0 0 1 1 0 1 1 0 0 T1 0 1 T2 1 0 T3 1 1 T4
