ekstraksi icir glcm

8/11/2019 Ekstraksi icir GLCM

1/15

EKSTRAKSI CIRI GRAY LEVEL CO-OCCURRENCE MATRIX

DAN PROBABILISTIC NEURAL NETWORK

UNTUK PENGENALAN CACAT PENGELASAN

Adhi Harmoko S* , Benyamin Kusumoputro**, Makmur Rangkuti***

ABSTRAK

EKSTRAKSI CIRI GRAY LEVEL CO-OCCURRENCE MATRIX DAN

PROBABILISTIC NEURAL NETWORK UNTUK PENGENALAN CACAT PENGELASAN .Telah dikembangkan Sistem Pengenalan Cacat pada Pengelasan Metal berbasis Ciri Tekstur Gray LevelCo-occurrence Matrix. Pada penelitian ini digunakan film Sinar-X standar IIW (International Institute ofWelding) hasil proses radiografi beberapa buah pengelasan metal. Tahap pertama adalah mendigitalisasifilm sinar-X, hal ini dilakukan dengan menggunakan kamera digital pada alat interpreter film sinar-X.Selanjutnya adalah ekstraksi ciri tekstur, yaitu dengan membentuk matriks co-occurrence, kemudian

dilakukan perhitungan empat buah ciri tekstur berupa nilai angular second moment, correlation, inversedifference momentdan entropypada satu jarak piksel dan empat arah piksel. Sebagai pengklasifikasi jeniscacat digunakan Probabilistic Neural Network. Keluaran sistem pengenalan akan dikelompokkanmenjadi 8 kelas, yaitu: kelas 1 (normal/tanpa cacat), kelas 2 (distributed porosity), kelas 3 (incompletepenetration), kelas 4 (burn through), kelas 5 (cluster porosity), kelas 6 (excessive cap), kelas 7 (excessivepenetration) dan kelas 8 ( incomplete fussion). Pada eksperimen ini telah dilakukan pula, pengujian sistempengenalan pada tiga metode pemilihan data pelatihan dan pengujian yaitu random, semi random danpilih. Hasil akurasi pengenalan rata-rata terbaik pada semua kelas untuk citra yang belum diketahui jeniscacatnya mencapai nilai maksimum 99,54 % untuk perbandingan data pelatihan dan data pengujian 1 : 1.

Kata Kunci : Cacat Pengelasan,Recognition,Neural Network, Texture Extraction

ABSTRACT

GRAY LEVEL CO-OCCURRENCE MATRIX FEATURE EXTRACTION AND

PROBABILISTIC NEURAL NETWORK FOR WELDING DEFECTS RECOGNITION. In thispaper, we have developed Defects Recognition Systems on Metal Welding based on Gray Level Co-occurrence Matrix Texture Feature. The X-ray films used in this research are IIW (International Instituteof Welding) standard of radiograph technique. The first step is X-ray film digitalized, using a digitalcamera on X-ray interpreter. The next step is feature extraction; in this step co-occurrence matrix isdeveloped. The value of angular second moment, correlation, inverse difference moment and entropy arecalculated as texture feature on one distance and four directions. Probabilistic Neural Network is used as a

defect classifier to classify the output of the systems. Recognition output is classified into 8 classes, thatis 1stclass (normal/without defect), 2ndclass (distributed porosity), 3rdclass (incomplete penetration), 4thclass (burn through), 5thclass (cluster porosity), 6thclass (excessive cap), 7thclass (excessive penetration)

*Departemen Fisika FMIPA, Universitas Indonesia, Depok 16424, email : [email protected]**Fakultas Ilmu Komputer, Universitas Indonesia, Depok 16424***PUSDIKLAT BATAN, Ps Jumat, Jakarta Selatan


2/15

and 8thclass (incomplete fusion). Three methods of training testing data sampling (random, semi randomand choosing) are compared in this research. Average of recognition on this system is 99,54 % usingtraining testing paradigm 1 : 1.

Key words: Welding defect, Recognition, Neural Network, Texture Extraction.

PENDAHULUAN

Radiografi adalah metode pengujian tak merusak yang menggunakan penestrasidan ionisasi untuk mendeteksi kerusakan internal dengan sensitivitas tinggi berupadiskontinuitas beberapa milimeter dari sebuah sambungan dengan prinsip kelurusansinar datang. Metode radiografi umumnya digunakan pada industri petrolium, petrokimia, nuklir dan pembangkit tenaga untuk menginspeksi kualitas sambunganpengelasan (welding) dan cetakan (casting). Penggunaan spesial metode ini juga padaindustri peralatan perang untuk menginspeksi alat peladak, alat perang dan rudal.Radiografi juga memainkan peranan penting dalam penjaminan kualitas (QualityAssurance) pada komponen yang memerlukan kesesuain dengan suatu standar,spesifikasi dan kode perancangan [1].

Salah satu aplikasi teknik radiografi adalah pengujian tak merusak pada welding(pengelasan) sambungan metal untuk mengetahui kualitas pengelasan tersebut.Terdapat beberapa jenis cacat pengelasan dengan penyebab yang berbeda-beda pula.Setiap negara mempunyai standar sendiri untuk menentukan jenis dan tingkatkeamanan cacat tersebut. Beberapa istila h cacat pengelasan diantaranya adalahdistributed porosity, cluster porosity, linear porosity, worm hole, continous undercut,linear slag, incomplete penetration, inclusion, cracks, lack of penetration, lack of

fusion, longitudinal crack, dan lain sebagainya. Pada penelitian ini digunakan standaruntuk negara Inggris yaitu IIW (International Institute of Welding). Pada standartersebut jenis cacat dikelompokkan berdasarkan 5 tingkat keamanan, tingkatkeamanan paling rendah (tidak ada cacat atau cacat masih aman digunakan) sampaicacat yang paling parah.

Proses interpreter sinar-X pada cacat pengelasan dengan menggunakanteknologi komputer merupakan tahapan untuk menuju proses otomatiasi pengenalancacat pengelasan. Kegunaan otomatisasi proses analisis radiografi digital adalah untukmereduksi waktu analisis dan mengeliminasi aspek subyektivitas dalam menganalisisyang dilakukan oleh seorang inspektor. Cara ini mampu meningkatkan reliabilitasdalam penginspeksian karena dilakukan oleh program komputer. Otomatisasi analisisradiografi terdiri atas beberapa tahapan, yaitu: digitalisasi film radiografi, pemrosesancitra digital, ekstraksi ciri dan pengenalan cacat dengan menggunakan alat pengenalanpola (pattern recognition) [2].


3/15

Pada Gambar 1 diperlihatkan contoh citra yang digunakan pada penelitian inidengan jenis cacat burn through, excessive cap dan excessice penetration. Citraberukuran piksel 360 180 menjadi input pada proses pengenalan cacat.

(a) (b) (c)

Gambar 1. Contoh gambar jenis cacat (a) burn through, (b) excessive cap dan (c)excessice penetration

SISTEM PENGENALAN CACAT PENGELASAN

Skema umum yang menggambarkan sistem pengenalan cacat pengelasan denganmenggunakan GLCM diperlihatkan pada Gambar 2. Sistem pengenalan tersebutdigunakan untuk dapat mengenali apakah terdapat cacat di dalam sambungan duabuah material metal yang disambung dengan proses pengelasan, apabila terdapatcacat, jenis cacat yang seperti apakah.

Gambar 2. Sistem pengenalan cacat pengelasan dengan menggunakan GLCM


4/15

Citra input yang digunakan merupakan citra bentuk digital yang didigitalisasidari film sinar-X dengan menggunakan kamera digital. Citra input merupakan citradengan ukuran piksel sama dengan 360 180. Jumlah citra input yang digunakansebanyak 432 buah. Sebagian citra ini akan digunakan sebagai data pelatihan dansisanya akan digunakan sebagai data pengujian.

Proses komputasi dimulai dengan melakukan kuantisasi derajat keabuan, hal ini

dilakukan karena citra input merupakan citra standar dari kamera digital denganformat jpg. Setelah itu dibentukan satu buah matrik co-occurrence dari satu buah citrainput. Dalam membentuk matrik ini derajat keabuan dapat dikurangi untukmempercepat proses selanjutnya, misalkan dikurangi dari 256 derajat keabuan menjadi8 derajat keabuan. Keluaran proses ini adalah sebuah matriks dengan ukuran 256256bila digunakan 256 derajat keabuan yang merepresentasikan citra masukan.Kemudian dilakukan proses perhitungan tekstur untuk mendapatkan ciri teksturdengan menggunakan persamaan Harralick [2]. Pada tahap ini akan didapatkansebuah set ciri awal.

Tahap selanjutnya adalah menurunkan/mengurangi set ciri multi resolusi yang

besar menjadi set baru yang lebih kecil dengan menggunakan principal componentanalysis. Hasil dari tahap ini adalah suatu set ciri baru dengan jumlah yang lebih kecildari semula.

Tahapan selanjutnya menggunakan Jaringan Neural Buatan untukmengklasifikasikan kedalam kelompok normal (tidak ada cacat) atau kedalamkelompok jenis cacat tertentu (distributed porosity, incomplete penetration, burnthrough, cluster porosity, excessive cap, excessive penetration, incomplete fussion ).Jaringan neural buatan yang digunakan di sini adalahProbabilistic Neural Network.

GRAY LEVEL CO-OCCURRENCE MATRIX

Gray Level Co-occurrence Matrix (GLCM) mempunyai sekumpulan informasitentang derajat keabuan (intensitas) suatu piksel dengan tetanggannya, pada jarak danorientasi yang tetap. Ide dasarnya adalah untuk men-scancitra untuk mencari jejakderajat keabuan setiap dua buah piksel yang dipisahkan dengan jarak d dan sudut yang tetap. Tetapi umumnya tidak hanya satu jarak dan sudut saja cukup untukmenggambarkan ciri tekstur citra tersebut. Sehingga harus digunakan lebih dari satujarak dan arah. Umumnya digunakan empat arah horizontal vertikal dan dua arah

diagonal. Kebanyakan peneliti menggunakan empat arah dan lima jarak [3].Setiap matriks berukuran 256 256 dengan asumsi citra mempunyai derajat

keabuan 256. Tetapi jika setiap matriks mempunyai ukuran 256 256, akanmembutuhkan memori yang besar untuk menyimpannya dan waktu yang diperlukanuntuk melakukan proses pembuatan matriks juga akan lama. Karena itu, perlu


5/15


6/15


7/15

PRINCIPAL COMPONENT ANALYSIS (PCA)

Dalam studi ini, digunakan metodePrincipal Component Analysis(PCA) untukmenemukan sebuah sub set dari sekumpulan ciri tekstur multi resolusi asli sehinggaciri yang mempunyai pengaruh besar dipilih sebagai input pengklasifikasi.

Principal Component Analysis sering digunakan secara luas pada aplikasiremote sensinguntuk mereduksi dimensi [5]. Penggunakan tradisional dari metode inimeliputi pencarian untuk mengganti kolom m dari baris ciri dengan kolom baru n.Untuk beberapa set data, penggabungan dua ciri dapat menghasilkan kekuatan baruuntuk membedakan dibandingkan dengan sebelumnya. Tetapi, ciri yang berlebihantidak dapat diidentifikasi oleh pemakaian ini karena ciri aslinya telah ditransformasimenjadi ciri baru. Metode ini didasarkan pada pencarian dan pembuangan ciri yangberhubungan dengan bobot terbesar dalam eigenvektor dari eigenvalue terkecil.

PCA adalah sebuah cara mengidentifikasi pola dalam data dan mengekspresikandata dengan cara memperhatikan kemiripan dan perbedaannya. Ketika pola dalam datamenjadi sulit untuk ditemukan dalam data dengan dimensi yang besar, PCA

merupakan alat yang tanggung untuk menganlisis data tersebut. Keuntungan utamaPCA adalah mampu menemukan pola dalam data dan meng-compressdata dengancara mereduksi jumlah dimensi tanpa harus kehilangan banyak informasi.

PROBABILI STIC NEURAL NETWORK

Jaringan neural probabilistik (Probabilistic Neural Network) dapat digunakanuntuk menyelesaikan masalah klasifikasi. Ketika diberikan input, lapisan pertamamenghitung jarak dari vektor input terhadap vektor input pelatihan, dan menghasilkanvektor yang elemen-elemennya menandakan seberapa dekat input terhadap inputpelatihan. Lapisan kedua menjumlahkan kontribusi ini untuk setiap input kelas untukmenghasilkan vektor output jaringan PNN. Akhirnya, fungsi transfer yang sempurnapada output lapisan kedua mengambil probabilitas maksimum dan menghasilkan 1untuk kelas yang sesuai dan menghasilkan 0 untuk kelas yang lain.

Jaringan neural probabilistik dibangun menggunakan ide dari teori probabilitasklasik, seperti pengklasifikasi Bayesian (Bayesian classification) dan pengestimasiklasik (classical estimator) untuk fungsi kerapatan probabilitas (probability densityfunction), untuk membentuk sebuah jaringan neural sebagai pengklasifikasi pola.

Jaringan neural probabilistik dipilih karena dikenal mempunyai waktu pelatihansangat singkat serta mempunyai tingkat generalisasi yang baik [6].


8/15

EKSPERIMEN

Citra yang digunakan disini adalah 432 citra welding dengan ukuran piksel 360 180. Citra tersebut dikelompokkan kedalam 8 kelas yaitu normal, distributedporosity, incomplete penetration, burn through, cluster porosity, excessive cap,excessive penetration, incomplete fussion. Dalam pemrosesannya, citra tersebut

dikuantisasi menjadi 256 derajat keabuan.Ekstraksi ciri diawali dengan mengkuantisasi citra input RGB menjadi citradalam 256 derajat keabuan. Langkah selanjutnya membentuk matriks co-occurrencedengan beberapa variasi window pada setiap citra. Dengan pemilihan empat jenisorientasi (0, 45, 90 dan 135) pada 14 pengukuran akan didapat sebuah set datayang terdiri atas 56 baris diekstraksi dari setiap citra. Set data ini digunakan sebagaiset data awal. Set data ini terdiri atas 56 ciri (Gambar 5).

Gambar 5. Pengukuran Ciri dengan menggunakan GLCM

Set data awal yang terdiri atas 56 ciri selanjutnya dilakukan pemilihan ciridengan menggunakan PCA. Karena itu diperlukan serangkaian eksperimen untukmenentukan jumlah ciri yang tepat untuk mewakili data cacat pengelasan tersebut agar

mampu menghasilkan pengenalan yang tinggi pada JNB. Jumlah ciri semakin kecilakan memperkecil jumlah neuron pada lapisan input. Hal tersebut tentunya akanmempercepat proses pelatihan dan proses pengenalan JNB. Namun di sisi lain, jumlahciri yang semakin kecil akan semakin mengurangi informasi penting bagi JNB.Karena itu perlu dicari sebuah nilai optimal antara jumlah ciri dan jumlah informasi,


9/15

sehingga diharapkan tidak akan mengurangi akurasi pengenalan JNB dengan jumlahciri yang kecil. Pada eksperimen ini digunakan nilai 2% untuk PCA.

Untuk mengetahui hasil pengenalan cacat pengelasan pada penelitian inidiperlukan persiapan data masukan untuk proses pembelajaran dan data masukanuntuk proses pengujian. Maka pada bagian ini akan dijelaskan bentuk metodepemilihan data masukan, variasi perbandingan data pembelajaran dan data pengujianserta hasil pengenalan cacat pengelasan oleh JNB.

Pemilihan data pembelajaran dan data pengujian merupakan salah satu penentukeberhasilan sistem pengenalan. Apabila dapat dipilih satu set data pembelajaran yangmampu mewakili keseluruhan keadaan sistem pengenalan maka akan diperoleh nilaipengenalan tinggi. Untuk mendapatkan set data yang mewakili keseluruhan keadaansistem pengenalan tentunya bukanlah merupakan hal mudah.

Pada penelitian ini digunakan tiga jenis pemilihan data, yaitu sebagai berikut: Random penuh

Sedangkan pada jenis pemilihan data ini, sebuah set indeks baru selaludibuat dengan cara random pada setiap kelas pada setiap awal eksperimen.

Sehingga akan dihasilkan suatu urutan data yang berbeda-beda pada setiappelatihan dan pengujian. Dari urutan yang baru tersebut akan dilakukanpemilihan data pelatihan dan data pengujian sesuai dengan perbandingantertentu.

Semi randomPada jenis pemilihan data ini, sebuah set indeks baru telah dibuat terlebihdahulu dengan cara random pada setiap kelas sebelum dilaksanakaneksperimen. Sehingga akan dihasilkan suatu urutan data yang tetap padasetiap pelatihan dan pengujian. Dari urutan yang baru tersebut akandilakukan pemilihan data pelatihan dan data pengujian sesuai denganperbandingan tertentu.

PilihPada jenis pemilihan data ini, sebuah set indeks baru telah dibuat terlebihdahulu dengan dipilih secara manual dengan memperhatikan pola cacatpengelasan pada setiap kelas sebelum dilaksanakan eksperimen. Sehinggaakan dihasilkan suatu urutan data yang tetap pada setiap pelatihan danpengujian. Pada metode ini, telah dipilih satu set data yang digunakanuntuk pelatihan dan satu set data yang digunakan pengujian.

Telah dilakukan beberapa variasi setting eksperimen dengan menggunakan 432citra dengan 8 kelas klasifikasi. Variasi setting eksperimen dilakukan untuk mencariparameter-parameter yang mampu menghasilkan nilai akurasi data maksimal. Varia sisetting eksperimen meliputi : matrik co-occurrence (berupa jarak piksel dan sudut),level derajat keabuan, persen PCA (jumlah ciri input jaringan saraf buatan), spread


10/15

(sebaran gaussian), metode pemilihan data pelatihan dan data pengujian danperbandingan antara data pelatihan dan pengujian.

Setelah didapatkan parameter-parameter yang dianggap dapat memberikan hasilpengenalan maksimal, parameter tersebut disimpan dan kemudian akan diambilsebagai input sistem untuk melakukan pembelajaran selanjutnya untuk melakukanpengujian.

Setelah dilakukan proses pembelajaran menggunakan vektor pelatihan makajaringan terlebih dahulu diuji untuk mendapatkan pengenalan terhadap vektorpelatihan, yaitu sebuah set data yang dipilih dari 432 citra untuk digunakan sebagaidata proses pembelajaran. Kemudian dilakukan pengujian terhadap jaringan denganmenggunakan vektor testing, yaitu sebuah set data yang merupakan sisa dari 432 citrayang tidak digunakan dalam proses pembelajaran. Persentase pengenalan atau akurasidinyatakan sebagai nilai perbandingan antara jumlah data citra yang berhasil dikenalioleh jaringan dengan jumlah total data pengujian (8 kelas) seperti pada persamaan 6.

%100TotalDataJumlah

BenarkasiTerklasifiDataJumlah

%Akurasi = (6)

Gambar 6 memperlihatkan perbandingan pengenalan sistem yang menggunakanPNN sebagai pengklasifikasi pada sistem pengenalan cacat pengelasan berbasisGLCM pada ketujuh variasi jarak piksel. Eksperimen ini menggunakan parametereksperimen sebagai berikut :

Spread= 0.03 Perbandingan Data Pelatihan dan Pengujian = 50 : 50 Persen PCA = 2%

Gambar 6. Hasil Pengenalan sistem berbasis GLCM pada variasi jarak piksel


11/15

Dari Gambar 6 terlihat pemilihan data semi random dan random menghasilkantingkat pengenalan yang hampir sama. Hal tersebut menunjukkan sistem kestabilansistem terhadap perubahan pemilihan data pembelajaran dan pengujian. Dengan katalain, sistem tidak terlalu tergantung dengan adanya perubahan data pembelajaran,sistem tetap mampu membentuk jaringan dengan tingkat pengenalan yang relatifsama. Sedangkan pemilihan data dengan metode pilih mempunyai tingkat pengenalanyang baik, hal ini wajar dan telah diprediksi sebelumnya, karena data pembelajarandipilih dengan menggunakan data yang dianggap paling mewakili. Tingkat pengenalansistem terbaik diberikan oleh jarak piksel 1 dan penambahan jarak piksel pada jendelamatriks co-occurrencemengurangi tingkat pengenalan sistem. Hal tersebut ditentukanoleh bentuk fisik tekstur pada citra input.

Pada Gambar 7 memperlihatkan perbandingan pengenalan sistem yangmenggunakan PNN sebagai pengklasifikasi pada sistem pengenalan cacat pengelasanberbasis GLCM pada variasi derajat keabuan. Pada penelitian ini telah diteliti limavariasi derajat keabuan yaitu 8, 16, 32, 64 dan 256.

Gambar 7. Hasil Pengenalan sistem berbasis GLCM pada derajat keabuan

Derajat keabuan 256 mampu menghasilkan tingkat pengenalan paling baikdibandingkan dengan derajat keabuan yang lain. Hal ini disebabkan karena padaderajat keabuan ini, informasi yang dimiliki oleh citra relatif lebih banyakdibandingkan dengan derajat keabuan yang lebih rendah. Namum derajat keabuan

yang besar membutuhkan waktu komputasi yang lebih lama dibandingkan denganderajat keabuan yang lebih rendah (lihat Tabel 1). Karena itu tidak perlumenggunakan derajat keabuan yang tinggi, ditambah apabila pengurangan derajatkeabuan tidak terlalu mengurangi tingkat pengenalan secara signifikan.


12/15

Tabel 1. Waktu komputasi pada variasi derajat keabuan

Derajat Keabuan GLCM(sekon)

8 0,17116 0,250

32 0,42264 1,250256 24,047

KESIMPULAN

Dalam tulisan ini, telah dilakukan penelitian sebuah metode untuk mendeteksicacat pengelasan berbasis Gray Level Co-occurrence matrix (GLCM). Film sinar-X

standar IIW telah dijadikan sebagai input sistem pengenalan. Film sinar-X telahdidigitalisasi terlebih dahulu dengan menggunakan kamera digital. Ciri teksturdiekstrak dengan menggunakan empat persamaan Harralick pada matrik co-occurrence. Probabilistic Neural Network telah digunakan sebagai pengklasifikasioutput pengenalan berupa delapan kelompok jenis cacat pengelasan. Tingkatpengenalan sistem terbaik mampu memcapai 99,54 % pada derajat keabuan 256 danjarak piksel 1. Penelitian ini membuat sebuah kontribusi dalam memecahkanpermasalahan dalam sistem pengenalan weld defect.

DAFTAR PUSTAKA

1. ANTONIO ALVES DE CARVALHO, RAPHAEL CARLOS DE S BRITOSUITA, ROMEU RICARDO DA SILVA, JOO MARCOS ALCOFORADOREBELLO, Evaluation of the Relevant Features of Welding Defects inRadiographic Inspection, Materials Research, 6(3) (2003) 427-432

2. MERY, D, Automatic detection of welding defects using textute feature

International Symposium on Computed Tomography and Image Processing forIndustrial Raidology, Berlin, 2003.

3. CELEBI, ERBUG, ADIL ALPKOCAK, Clustering of Texture Features forContent based Image Retrieval, Dokuz Eylul University, Department ofComputer Engineering, 35100 Bornova, Izmir, TURKEY, 2000.


13/15


14/15


15/15

ekstraksi icir glcm

Documents