identifikasi jenis mobil berdasarkan bentuk dengan

IDENTIFIKASI JENIS MOBIL BERDASARKAN BENTUK DENGAN

MENGGUNAKAN METODE CONVOLUTIONAL NEURAL

NETWORK (CNN)

SKRIPSI

DESI FIOLITA

151402030

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2020




NETWORK (CNN)

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah

Sarjana Teknologi Informasi

DESI FIOLITA

151402030

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI


MEDAN

2020


ii


iii

PERNYATAAN



NETWORK (CNN)

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa

kutipan dan ringkasan yang masing – masing telah disebutkan sumbernya.

Medan, 20 Januari 2020

Desi Fiolita

151402030


iv

UCAPAN TERIMA KASIH

Puji dan syukur kehadirat Tuhan yang Maha Esa, karena atas berkat dan izin-Nya penulis dapat

menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana

Komputer, pada Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan

Teknologi Informasi Universitas Sumatera Utara.

Ucapan terima kasih penulis sampaikan kepada :

1. Bapak Prof. Runtung Sitepu, SH., M.Hum selaku Rektor Universitas Sumatera Utara.

2. Bapak Prof. Dr. Opim Salim Sitompul selaku Dekan Fasilkom-TI USU.

3. Bapak Romi Fadillah Rahmat B.Comp.Sc., M.Sc selaku Ketua Program Studi S1

Teknologi Informasi Universitas Sumatera Utara.

4. Bapak Ainul Hizriadi, S.Kom, M.Sc selaku Dosen Pembimbing I dan Bapak Seniman,

S.Kom., M.Kom selaku Dosen Pembimbing II yang telah banyak meluangkan waktu dan

pikiran beliau, membimbing, memberikan arahan, kritik dan saran kepada penulis.

5. Seluruh dosen, staff dan pegawai di Program Studi Teknologi Informasi serta Fakultas

Ilmu Komputer dan Teknologi Informasi yang tidak dapat saya sebutkan satu-persatu.

6. Orangtua tersayang, Bapak Afrizal Tanjung dan Ibu Dahliarni Manday yang selalu

berdoa, memberikan semangat dan nasehat.

7. Adik terkasih Nanda Aprillia dan juga keluarga serta orang terdekat yang selalu

memberikan semangat dan dukungan.

8. Teman – teman seperjuangan angkatan 2015 terkhusus Trisna Ira Novasari yang selalu

setia dari awal masuk kuliah sampai akhir menyelesaikan skripsi tak pernah lelah

menemani ke sana kemari.

9. Teman saya Kiki Nuranini Ginting yang telah memberikan tempat tinggal sementara

sampai terselesaikannya skripsi ini.

10. Teman saya Raska Almashura yang selalu memberikan semangat dan dukungan.

11. Teman saya Luqmanul Hakim yang telah membantu dalam hal mendapatkan data.

12. Semua pihak yang terlibat secara langsung ataupun tidak langsung yang tidak dapat

penulis ucapkan satu persatu yang telah membantu dalam penyelesaian skripsi ini.


v

Semoga Tuhan yang Maha Esa melimpahkan berkah kepada semua pihak yang telah

memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi

ini.

Medan, 20 Januari 2020

Penulis


vi

ABSTRAK

Sistem pendeteksian benda yang akan dikembangkan saat ini berdasarkan jenis suatu

objek. Data yang berupa gambar dapat memberikan beberapa informasi seperti jenis

mobil. Mobil merupakan salah satu jenis kendaraan yang sangat banyak digunakan, oleh

karena itu deteksi jenis mobil sangat dibutuhkan dilihat dari banyaknya kebutuhan pasar

dan juga sasaran konsumen. Walaupun kelas mobil yang diciptakan adalah sama akan

tetapi teknologi yang ditawarkan dan juga harga yang dipasarkan berbeda. Sehingga

dibuatlah suatu sistem yang dapat mengidentifikasi jenis mobil berdasarkan bentuk

dengan menggunakan metode Convolutional Neural Network (CNN). Tahapan- tahapan

yang dilakukan sebelum identifikasi jenis mobil berdasarkan bentuk yaitu proses

pengolahan citra, grayscale, dan thresholding. Bentuk mobil yang dimaksud diambil

dari berbagai sisi, yaitu depan, samping, dan belakang sehingga dapat membedakan

berbagai jenis mobil meskipun memiliki sejumlah kesamaan. Hasil deteksi mobil ini

dapat mengidentifikasi beberapa jenis mobil, yaitu Sedan, MPV, dan SUV. Setelah

dilakukan pengujian pada sistem ini, didapatkan kesimpulan bahwa metode yang

diajukan memiliki kemampuan dalam mengidentifikasi jenis mobil berdasarkan bentuk

dengan akurasi sebesar 94,44%.

Kata kunci : Jenis mobil, Bentuk mobil, Convolutional Neural Network, Image

Processing


vii

IDENTIFICATION OF CAR TYPE BASED ON SHAPE USING THE

CONVOLUTIONAL NEURAL NETWORK (CNN) METHOD

ABSTRACT

The object detection system that will be developed now is based on the type of object.

Data in the form of images can provide some information such as the type of car. The

car is one type of vehicle that is very widely used, therefore detection of the type of car

is needed in view of the many needs of the market and target consumers. Although the

class of car created is the same, the technology offered and also the marketed price is

different. So it was made a system that can identify the type of car based on shape using

the Convolutional Neural Network (CNN) method. The stages are carried out before

identifying the type of car based on the form, namely image processing, grayscale, and

thresholding. The shape of the car in question is taken from various sides, namely front,

side and rear so that it can distinguish various types of cars even though it has a number

of similarities. The detection results of this car can identify several types of cars, namely

Sedans, MPVs, and SUVs. After testing this system, it was concluded that the proposed

method has the ability to identify the type of car based on the shape with an accuracy

of 94.44%.

Keywords: Car type, Car shape, Convolutional Neural Network, Image Processing.


viii

DAFTAR ISI

PERSETUJUAN ii

PERNYATAAN iii

UCAPAN TERIMA KASIH iv

ABSTRAK vi

ABSTRACT vii

DAFTAR ISI viii

DAFTAR GAMBAR xi

DAFTAR TABEL xiii

BAB 1 PENDAHULUAN

1.1. Latar Belakang 1

1.2. Rumusan Masalah 3

1.3. Tujuan Penelitian 3

1.4. Batasan Masalah 3

1.5. Manfaat Penelitian 4

1.6. Metodologi Penelitian 4

1.6. Sistematika Penelitian 5

BAB 2 LANDASAN TEORI

2.1. Computer Vision 7

2.2. Citra 8

2.2.1. Pengertian Citra 8


ix

2.2.2. Citra Digital 9

2.2.3. Color Image atau RGB (Red, Green, Blue) 9

2.2.4. Pengolahan Citra Digital 10

2.3. Convolutional Neural Network 14

2.3.1. Convolutional Layer 15

2.3.2. Pooling Layer 16

2.3.3. Fully Connected Layer 17

2.4. Pengenalan Jenis Mobil 18

2.4.1. Jenis Mobil Sedan 18

2.4.2. Jenis Mobil MVP 19

2.4.3. Jenis Mobil SUV 20

2.5. Penelitian Terdahulu 21

BAB 3 ANALISIS DAN PERANCANGAN

3.1. Langkah Perancangan 25

3.2. Arsitektur Umum 26

3.3. Dataset 28

3.3.1. Pengenalan Jenis Mobil 29

3.3.2. Pengenalan Jenis Mobil 29

3.4. Pre Processing 30

3.4.1. Cropping 30

3.4.2. Resizing 30

3.4.3. Grayscale 31

3.4.4. Thresholding 32

3.5. Identification 34

3.5.1. Convolutional Layer 34


x

3.5.2. Max Pooling Layer 38

3.5.2.1. Flattening 39

3.5.3. Fully Connected Layer 39

3.5.3.1. Penentuan hidden layer 40

3.5.3.2. Penentuan epoch 40

3.5.3.3. Penentuan jumlah neuron 40

3.6. Perancangan Sistem 41

3.6.1. Perancangan Halaman Cover 41

3.6.2. Perancangan Pengujian Sistem 41

3.6.2.1. Perancangan Training Sistem 42

3.6.2.2. Perancangan Testing Sistem 43

BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM

4.1. Implementasi Sistem 44

4.1.1. Spesifikasi perangkat keras dan perangkat lunak 44

4.1.2. Implementasi Perancangan Antarmuka 45

4.1.3. Implementasi Data 47

4.2. Prosedur Operasional 47

4.3. Pengujian Sistem 50

4.4. Analisis 53

BAB 5 KESIMPULAN DAN SARAN

5.1. Kesimpulan 56

5.2. Saran 56

DAFTAR PUSTAKA 57


xi

DAFTAR GAMBAR

Gambar 2.1. Ilustrasi Penglihatan Computer 8

Gambar 2.2. Contoh Ilustrasi 10

Gambar 2.3. Contoh Perbedaan Resolusi Gambar 11

Gambar 2.4. Grayscale Image 12

Gambar 2.5. Convolutional neural network 14

Gambar 2.6. Operasi Konvulasi 15

Gambar 2.7. Operasi Max Polling 16

Gambar 2.8. Proses Fully Connected Layer 17

Gambar 2.9. Sample Training Jenis Sedan 19

Gambar 2.10. Sample Training Jenis MPV 20

Gambar 2.11. Sample Training Jenis SUV 21

Gambar 3.1. Diagram Sistem 25

Gambar 3.2. Arsitektur Umum 26

Gambar 3.3. Contoh Citra Mobil MPV, SUV, dan Sedan 29

Gambar 3.4. Cropping 30

Gambar 3.5. Contoh Perhitungan Grayscale 31

Gambar 3.6. Grayscale 32

Gambar 3.7. Contoh Perhitungan Thresholding 33

Gambar 3.8. Thresholding 33

Gambar 3.9. Contoh Citra Input 5 x 5 Piksel 34

Gambar 3.10. Perubahan Nilai Piksel Citra Input dan Feature Detector 34

Gambar 3.11. Feature Map 35

Gambar 3.12. Representasi Proses Konvolusi 36


xii

Gambar 3.13. Hasil feature map 38

Gambar 3.14. Proses Max Pooling 38

Gambar 3.15. Hasil Max Pooling 39

Gambar 3.16. Hasil flattening 39

Gambar 3.17. Pseudecode Proses Metode CNN 40

Gambar 3.18. Rancangan Tampilan Home 41

Gambar 3.19. Rancangan Training Sistem 42

Gambar 3.20. Rancangan Testing Sistem 43

Gambar 4.1. Tampilan Home Sistem 45

Gambar 4.2. Tampilan Training Sistem 46

Gambar 4.3. Tampilan Testing Sistem 46

Gambar 4.4. Citra Hasil Cropping 48

Gambar 4.5. Citra Hasil Grayscale 48

Gambar 4.6. Citra hasil Thresholding 49

Gambar 4.7. Hasil Identifikasi Convolutional Neural Network (CNN) 50

Gambar 4.8. Hasil Pengujian No 1 54




xiii

DAFTAR TABEL

Tabel 2.1. Penelitian Terdahulu 23

Tabel 3.1. Pembagian Data Latih dan Data Uji 28

Tabel 4.1. Nilai RGB Grayscale dan Threshold 49

Tabel 4.2. Hasil Pengujian Jenis Mobil SUV 50

Tabel 4.3. Hasil Pengujian Jenis Mobil MPV 51

Tabel 4.4. Hasil Pengujian Jenis Mobil Sedan 52


BAB 1

PENDAHULUAN

1.1. Latar Belakang

Kemajuan ilmu pengetahuan dan teknologi telah mendorong manusia untuk

melakukan otomatisasi dan digitalisasi pada perangkat-perangkat manual.

Seiring dengan perkembangan instansi, organisasi, perusahaan dan tempat -

tempat lainnya yang menggunakan rancangan untuk dapat mendeteksi suatu

bentuk benda secara teliti dan akurat seperti otak manusia yang di peragakan pada

suatu perangkat komputer, sehingga dengan adanya perkembangan teknologi

maka pendeteksi bentuk benda manual ini bisa digantikan dengan sistem

pendeteksi bentuk yang otomatis.

Sistem pendeteksian benda yang akan dikembangkan saat ini berdasarkan

jenis suatu objek. Data yang berupa gambar dapat memberikan beberapa

informasi seperti jenis mobil. Mobil merupakan salah satu jenis kendaraan yang

sangat banyak digunakan, oleh karena itu deteksi jenis mobil sangat dibutuhkan

dilihat dari banyaknya kebutuhan pasar dan juga sasaran konsumen. Walaupun

kelas mobil yang diciptakan adalah sama akan tetapi teknologi yang ditawarkan

dan juga harga yang dipasarkan berbeda. Gambar mobil yang akan

diidentifikasikan pada penelitian ini diambil tepat dari sisi depan samping dan

belakang, agar terlihat beberapa perbedaan dari masing-masing jenis mobil. Pada

sistem parkir mobil terdahulu hanya bisa mendeteksi plat mobil saja, namun pada

penelitian ini dapat mendeteksi jenis mobil berdasarkan bentuknya.

Latifah et al. (2011) melakukan penelitian tentang klasifikasi jenis mobil

menggunakan metode Backpropagation dan deteksi tepi Canny. Sistem ini


2

menggunakan metode Backpropagation berdasarkan komposisi banyaknya

piksel dalam satu objek terdeteksi dan menggunakan algoritma Canny sebagai

deteksi tepi objek atau citra. Hasil deteksi mobil ini mendapatkan tingkat akurasi

78%.

Penelitian selanjutnya Kusnawan (2012) melakukan penelitiannya yang

berjudul “Pengenalan jenis kendaraan menggunakan statistical algorithm dan

support vector machine”. Pada penelitian ini diimplementasikan statistical

algorithm dan Support Vector Machine untuk mengenali jenis kendaraan secara

otomatis. Jenis kendaraan tersebut yaitu sedan/city car, SUV/MPV, bus, dan truk.

Berdasarkan percobaan yang telah dilakukan dalam beberapa variasi

pencahayaan, tingkat akurasi dalam mengenali jenis kendaraan cukup baik.

Penelitian selanjutnya dilakukan oleh Plemakova (2018) dengan judul

Vehicle Detection Based on Convolutional Neural Networks. Penelitian ini

mendeteksi dan mengklasifikasi kendaraan berdasarkan kondisi cuaca, cahaya

dan jenis kendaraan. Metode pengklasifikasian dan pendeteksi kendaraan

menggunakan CNN dan feature extraction algorithm with support vector

machine dari berbagai sudut. Dalam pemrosesan datanya digunakan Fast Fourier

Transform. Gambar mobil yang akan digunakan berukuran 128 x 128.

Roecker, Costa, Almeida, & Matsushita (2018) melakukan penelitian

tentang klasifikasi jenis kendaraan dengan menggunakan metode CNN.

Pengambilan gambar dilakukan di jalan raya dengan mengambil video beresolusi

tinggi dari kendaraan yang bergerak. Kendaraan dibagi menjadi 6 kelas yakni

bus, mikrobus, minivan, SUV dan truk dengan model mencapai akurasi 93,90%.

Penelitian lainnya Cahyanti et al. (2018) melakukan implementasikan

algoritma K-Means untuk mengelompokkan data citra digital kendaraan mobil

dan motor. Uji-coba aplikasi ini menggunakan 12 data citra (enam data citra

mobil dan enam data citra motor) dengan latar belakang berwarna putih. Citra ini

diambil berukuran 150 x 100 piksel.

Dari permasalahan yang ditemukan di atas, penulis mengidentifikasi jenis

mobil yang diambil dari berbagai sisi berdasarkan bentuk. Sistem ini

menggunakan metode identifikasi Convolutional Neural Network (CNN) yang


3

diharapkan dapat mengetahui tingkat akurasi dalam mengidentifikasi jenis mobil.

Berdasarkan uraian tersebut, penulis mengangkat judul “IDENTIFIKASI JENIS

MOBIL BERDASARKAN BENTUK DENGAN MENGGUNAKAN METODE

CONVOLUTIONAL NEURAL NETWORK (CNN)”

1.2. Rumusan Masalah

Mobil merupakan salah satu jenis kendaraan yang sangat banyak digunakan, oleh

karena itu deteksi jenis mobil sangat dibutuhkan untuk dapat diaplikasikan

diberbagai bidang salah satunya pada aplikasi jalan tol yaitu untuk mengurangi

kemacetan khususnya diantrian gerbang tol dengan mendeteksi bentuk fisis dari

mobil yang lewat. Sehingga dibuatlah suatu sistem yang dapat mengidentifikasi

jenis mobil yang diambil dari berbagai sisi dengan berdasarkan bentuk dengan

menggunakan metode Convolutional Neural Network (CNN).

1.3. Tujuan Penelitian

Mengidentifikasi jenis mobil berdasarkan bentuk dengan menggunakan metode

Convolutional Neural Network (CNN).

1.4. Batasan Masalah

1. Hanya mendeteksi jenis mobil berdasarkan bentuk.

2. Jenis mobil yang dimaksud adalah mpv, sedan dan suv.

3. Hanya mendeteksi mobil standart tidak boleh dimodifikasi.

4. Gambar mobil diambil secara manual dari sisi depan, samping dan belakang.

1.5. Manfaat Penelitian

1. Untuk mengetahui identifikasi jenis mobil berdasarkan bentuk dengan


2. Menjadi referensi penelitian selanjutnya, khususnya implementasi yang

berkaitan dengan Convolutional Neural Network (CNN).


4

1.6. Metodologi Penelitian

Tahapan-tahapan yang akan di lakukan dalam penelitian ini untuk mencapai

tujuan penelitian meliputi :

1. Studi Literatur

Proses pembelajaran dan pemahaman konsep dan teori-teori yang digunakan

melalui pengumpulan literatur-literatur berupa buku referensi, artikel-artikel,

serta jurnal-jurnal untuk mendukung dasar teori yang kuat tentang identifikasi

jenis mobil dan metode Convolutional Neural Network (CNN).

2. Perancangan Sistem

Tahap ini meliputi analisis kebutuhan untuk merancang perangkat lunak

pengenalan jenis mobil berdasarkan bentuk dengan metode Convolutional

Neural Network (CNN).

3. Implementasi Sistem

Tahap ini meliputi pembangunan sistem yang telah dirancang sebelumnya.

Pada tahap ini diimplementasikan perancangan sistem menggunakan software

visual studio dengan bahasa pemograman C#.

4. Training dan Testing

Diawali dengan pengambilan gambar mobil, kemudian mengubah region

grayscale lalu mengubahnya menjadi threshold. Setelah itu dilakukan proses

perbaikan. Lalu gambar mobil tersebut diidentifikasi bentuknya dilakukan

dengan menggunakan proses identifikasi dengan menggunakan metode

Convolutional Neural Network (CNN). Dan pada tahap ini dilakukan

pengujian terhadap sistem yang telah dibangun dan sekaligus melakukan

analisis terhadap hasil sistem yang berupa akurasi.

5. Analisis Sistem


5

Analisis dilakukan setelah proses pembuatan sistem. Analisis dilakukan untuk

membandingkan hasil testing menggunakan metode yang diteliti dengan hasil

pandangan kasat mata manusia. Sehingga dari hal itu dapat dilihat tingkat

persentasi keberhasilan computer vision.

6. Penyusunan Laporan

Pada tahap ini dilakukan penyusunan laporan hasil evaluasi dan analisis serta

implementasi metode Convolutional Neural Network (CNN) dan membuat

kesimpulan dari hasil penelitian ini.

1.7. Sistematika Penulisan

Sistematika dari penulisan tugas akhir ini adalah sebagai berikut :

BAB 1 : Pendahuluan

Pada bab ini dijelaskan mengenai latar belakang permasalahan, rumusan

masalah, tujuan penelitian, batasan masalah, manfaat penelitian, dan sistematika

penulisan. Teori yang dibahas berhubungan dengan citra, Convolutional Neural

Network (CNN), dan penelitian terdahulu sebagai referensi teori dalam penelitian

ini.

BAB 2 : Landasan Teori

Pada bab ini dijelaskan mengenai dasar-dasar teori, rujukan, dan metode yang

digunakan sebagai dasar dan alat untuk menyelesaikan permasalahan.

BAB 3 : Analisis dan Perancangan Sistem

Pada bab ini dijelaskan tentang arsitektur umum dalam mengidentifikasi jenis

mobil berdasarkan bentuk dengan menggunakan metode Convolutional Neural

Netwok (CNN) .


6

BAB 4 : Implementasi dan Pengujian Sistem

Pada bab ini berisi pembahasan tentang implementasi dari yang telah dibahas dari

bab 3. Bab ini juga berisi tentang hasil pengujian dari sistem yang telah dibangun.

BAB 5 : Kesimpulan dan Saran

Pada bab ini berisi tentang kesimpulan dari semua pembahasan yang ada dan

memuat saran-saran yang diajukan bagi para pembaca atau pengembang.


BAB 2

LANDASAN TEORI

Bab ini menjelaskan tentang dasar teori yang digunakan dalam penyusunan tugas

akhir ini. Dijelaskan pengertian tentang Computer Vision, citra, grayscale,

tresholding, serta metode Convolutional Neural Network (CNN).

2.1. Computer Vision

Computer Vision adalah suatu proses transformasi atau perubahan dari data yang

berasal dari kamera video maupun foto/gambar kedalam sebuah hasil keputusan

ataupun sebuah presentasi yang baru, dimana hasil dari kegiatan transformasi

tersebut memiliki kepentingan untuk mencapai suatu tujuan. Data yang

dimasukan kedalam kegiatan transformasi tersebut memungkinkan untuk

memiliki beberapa informasi yang terkonstektual seperti halnya sebuah

foto/gambar yang didalamnya terdapat berbagai objek. Dengan demikian akan

didapatkan keputusan-keputusan yang akan diambil pada gambar, misalnya

berupa “adakah telapak tangan seseorang pada gambar tersebut?” atau “siapa

sajakah orang yang terdapat pada foto tersebut?”. Adapun perubahan kedalam

presentasi yang baru seperti perubahan gambar menjadi grayscale atau juga

pemotongan objek pada gambar (Latifah et al. 2011).

Berbeda halnya dengan manusia yang memiliki pemikiran untuk meneliti,

memahami, dan membandingkan informasi pada objek secara langsung dengan

informasidari pengalaman-pengalaman yang didapatkan selama bertahun-tahun

hidup didunia. Dalam sistem penglihatan mesin (machine vision) komputer hanya


8

mampu mendapatkan informasi berupa kumpulan angka-angka dari media input

data seperti kamera atau disket seperti yang terlihat pada Gambar 2.1.

Gambar 2.1 Ilustrasi Penglihatan Computer (Docplayer Info, 2017)

2.2. Citra

2.2.1. Pengertian citra

Citra adalah representasi dua dimentasi untuk bentuk-bentuk fisik nyata tiga

dimensi. Citra dalam perwujutan dapat bermacam-macam, mulai dari gambar

putih pada sebuah foto (yang tidak bergerak) sampai pada gambar warna yang

bergerak pada televisi (Putri, 2016).

Citra dikelompokkan menjadi citra tampak dan citra tak tampak. Citra

tampak dalam kehidupan sehari-hari adalah foto keluarga, lukisan, apa yang

tampak dilayar monitor. Sedangkan citra tak tampak misalnya gambar dalam file

(citra digital), citra yang direpresentasikan dengan fungsi matematis. Agar dapat

dilihat manusia, citra tak nampak ini harus dirubah dulu menjadi citra tampak,

misalnya dengan menampilkannya dimonitor atau dicetak diatas kertas. Diantara

citra-citra tersebut, hanya citra digital yang dapat diolah menggunakan komputer.

Jenis citra lain, jika hendak diolah dengan komputer, harus diubah terlebih dahulu

menjadi citra digital.


https://docplayer.info/49561788-Bab-2-landasan-teori-2-1-computer-vision.html

9

2.2.2. Citra digital

Proses perubahan citra menjadi citra digital disebut digitalisasi. Digitalisasi dapat

dilakukan dengan menggunakan alat atau sensor seperti kamera, webcam scanner

dan sebagainya. Pada umumnya citra digital berbentuk empat persegi panjang,

dengan dimensi ukurannya dinyatakan sebagai lebar x tinggi.

Citra digital memiliki koordinat spasial, dengan tingkat kecerahan atau

intensitas cahaya (skala keabu-abuan) yang memiliki numerik yang diskrit

direpresentasikan dalam bentuk fungsi matematis f(x,y) yang menyatakan

intensitas cahaya pada titik (x,y). Citra digital disimpan didalam berkas (file)

dengan format tertentu. Format citra yang baku di lingkungan sistem operasi

Microsoft Windows adalah berkas bitmap (bmp). Format bmp mempunyai

kelebihan dari segi kualitas gambar apabila citra ditampilkan pada layar monitor,

karena citra dalam format BMP umumnya tidak dimampatkan, sehingga tidak

ada informasi yang hilang, walaupun akibatnya ukuran berkasnya relatif besar

(Wakhidah, 2012).

Citra dalam format bmp ada 3 macam yaitu citra biner, citra berwarna dan

hitam putih (grayscale). Citra biner hanya memiliki dua nilai keabuan, 0 dan 1.

Oleh karena itu, 1 bit sudah cukup untuk merepresentasikan nilai piksel.

Sedangkan citra yang lebih umum adalah citra berwarna. Adapun warna yang

terlihat pada gambar dengan format bmp merupakan kombinasi dari tiga warna

dasar yaitu Red, Green, dan Blue (RGB). Setiap piksel pada layar monitor disusun

oleh tiga komponen warna tersebut. Kombinasi dari ketiga warna tersebut

menghasilkan warna yang khas untuk satu piksel bersangkutan.

2.2.3. Color image atau RGB (Red, Green, Blue)

Pada color image ini masing-masing pixel 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)


10

variasi warna berbeda pada gambar, dimana variasi warna ini cukup untuk

gambar apapun. Karena jumlah bit yang diperlukan untuk setiap pixel, gambar

tersebut juga disebut gambar bit warna (Kusumanto dan Tompunu, 2011). Color

image ini terdiri dari tiga matriks yang mewakili nilai-nilai merah, hijau dan biru

untuk setiap pixelnya seperti pada Gambar 2.2.

Gambar 2.2 Contoh Ilustrasi (Kelas Desain, 2016)

2.2.4. Pengolahan citra digital

Pengolahan Citra merupakan proses pengolahan dan analisis citra yang banyak

melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan

informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital secara

umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer.

Dalam definisi yang lebih luas, pengolahan citra digital juga mencakup semua

data dua dimensi. Meskipun sebuah citra kaya informasi, namun seringkali citra

yang kita miliki mengalami penurunan intensitas mutu, misalnya mengandung

cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur dan

sebagainya tentu citra seperti ini akan sulit dipresentasikan sehingga informasi

yang ada menjadi berkurang (R Munir, 2004).

Agar citra yang mengalami gangguan mudah dipresentasikan maka citra

tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya lebih baik.


11

Pengolahan citra adalah pemrosesan citra khususnya dengan menggunakan

komputer menjadi citra yang lebih baik.

Pengolahan Citra adalah suatu metode yang digunakan untuk mengolah

citra (gambar/image) sehingga menghasilkan gambar lain yang sesuai dengan

kebutuhan khususnya dengan menggunakan komputer, menjadi citra yang

kualitasnya lebih baik. Citra digital adalah citra kontinyu yang diubah kedalam

bentuk diskrit, baik koordinat ruang maupun nilai intensitas cahayanya. Dengan

kata lain, citra digital dibuat dengan cara mencuplik suatu citra kontinyu dengan

jarak seragam. Suatu titik terkecil pada citra digital sering disebut sebagai picture

element atau pixel.

a. Pixel dan Resolusi Gambar

Pixel atau picture elements merupakan unsur gambar atau representasi sebuah

titik terkecil dalam sebuah gambar grafis yang dihitung per inci. Semakin tinggi

jumlah piksel dalam suatu citra, maka semakin tajam citra tersebut.

Selain piksel, terdapat pula resolusi gambar, yang menentukan kualitas

suatu citra. Resolusi gambar mendeskripsikan tentang banyaknya detil gambar

yang tersimpan, atau sering didefinisikan sebagai jumlah piksel dalam pencitraan

gambar digital. Semakin besar nilai resolusi, maka semakin tajam gambar yang

diperlihatkan seperti Gambar 2.3.

Gambar 2.3 Contoh Perbedaan Resolusi Gambar (Wikipedia, 2014)

b. Grayscale

Suatu citra grayscale adalah suatu citra yang hanya memiliki warna tingkat

keabuan. Penggunaan citra grayscale dikarenakan membutuhkan sedikit


https://id.wikipedia.org/wiki/Resolusi_gambar

12

informasi yang diberikan pada tiap pixel dibandingkan dengan citra berwarna.

Warna abu-abu pada citra keabuan adalah warna R (Red), G (Green), B (Blue)

yang memiliki intensitas yang sama. Sehingga dalam grayscale image hanya

membutuhkan nilai intensitas tunggal dibandingkan dengan citra berwarna

membutuhkan tiga intensitas untuk tiap pixelnya.

Pada umumnya citra grayscale memiliki penyimpanan 8 bit sehingga

dapat menampung 256 tingkatan skala abu-abu dimana tiap pixel memiliki

intensitas 0 hingga 255 dengan 0 menjadi hitam dan 255 menjadi putih. Contoh

dari grayscale image dapat dilihat pada Gambar 2.4.

Gambar 2.4 Grayscale Image

Grayscale dilakukan dengan cara mengambil semua pixel pada gambar

kemudian warna tiap pixel akan diambil informasi mengenai 3 warna dasar yaitu

merah, hijau dan biru, ketiga warna dasar ini akan dijumlahkan kemudian dibagi

tiga sehingga didapat nilai rata-rata. Nilai rata-rata inilah yang akan dipakai untuk

memberikan warna pada pixel gambar sehingga warna menjadi grayscale seperti

pada persamaan 2.1.

𝑠 =𝑟+𝑔+𝑏

3 (2.1)


13

Dimana : S = Citra grayscale

R = nilai red dari sebuah piksel

G = nilai green dari sebuah piksel

B = nilai blue dari sebuah piksel

c. Thresholding

Thresholding merupakan teknik binerisasi yang digunakan untuk mengubah citra

keabuan menjadi citra biner. Thresholding dapat digunakan dalam proses

segmentasi citra untuk mengidentifikasi objek yang diinginkan dari background

berdasarkan distribusi tingkat keabuan atau tekstur citra. Proses thresholding

menggunakan nilai batas (threshold) untuk mengubah nilai piksel pada grayscale

image menjadi hitam atau putih.

Citra hasil berupa citra hitam dan putih, citra hitam (0) diperoleh apabila

nilai piksel citra keabuan lebih kecil dari nilai threshold sebaliknya citra putih

(1) diperoleh jika nilai piksel citra keabuan lebih besar dari nilai threshold. Pada

proses thresholding citra dibagi kedalam beberapa bagian, masing-masing dari

bagian tersebut memiliki ukuran yang sama besar dengan sebuah citra dibagi

dengan derajat keabuan (Aruan, 2017). Persamaan yang digunakan terdapat pada

persamaan 2.2.

g(x,y) {1 𝑖𝑓 (𝑥, 𝑦) > 𝑇

0 𝑖𝑓 𝐹 (𝑥, 𝑦) ≤} (2.2)

Dimana : g(x,y) = piksel citra hasil binerisasi

f(x,y) = piksel citra asal

T = nilai threshold


14

d. Feature Extraction

Fitur merupakan karakteristik unik dari suatu objek. Fitur dibedakan menjadi dua

yaitu fitur “alami” merupakan bagian dari gambar, misalnya kecerahan dan tepi

objek. Sedangkan fitur “buatan” merupakan fitur yang diperoleh dengan operasi

tertentu pada gambar, misalnya histogram tingkat keabuan. Sehingga ekstraksi

fitur adalah proses untuk mendapatkan ciri-ciri pembeda yang membedakan

suatu objek dari objek yang lain (Putra,2010).

2.3. Convolutional Neural Network

Convolutional Neural Network (CNN) adalah pengembangan dari Multilayer

Perceptron (MLP) yang didesain untuk mengolah data dua dimensi yang terdiri

dari lapisan input dan output, serta beberapa lapisan tersembunyi (Yao, 2019).

CNN menjadi sangat populer setelah memenangkan ImageNet Large Scale

Recognition Challenge ILSVRC 2012. Dalam makalah tersebut, mereka

menggunakan lebih dari 600.000 neuron dan 7 lapisan tersembunyi untuk

memberikan model data yang baik untuk menghindari overfting (Krizhevsky, et

al. 2012).

Pada CNN, setiap neuron direpresentasikan dalam bentuk dua dimensi,

tidak seperti MLP yang setiap neuron hanya berukuran satu dimensi. CNN

termasuk dalam Deep Neural Network karena kedalaman jaringan yang tinggi.

Convolutional Neural Network (CNN) merupakan salah satu jenis neural network

yang berisi kombinasi beberapa layer yaitu convolutional layer, pooling layer

dan fully connected layer (Hu, Huang, Wei, Zhang, & Li, 2015) seperti pada

Gambar 2.5.

Gambar 2.5 Convolutional neural network (B & Hattori, 2017)


15

2.3.1. Convolutional Layer

Konvolusi merupakan suatu istilah matematis yang berarti mengaplikasikan

sebuah fungsi pada output fungsi lain secara berulang (Vista Lab, 2013) seperti

Gambar 2.6.

Gambar 2.6 Operasi Konvulasi (Vista LAB, 2013)

Convolutional Layer adalah sebuah inti utama dari CNN, dimana layer ini

memiliki sebuah kumpulan filter yang dapat digunakan untuk mempelajari citra

masukan. Melalui layer ini, fitur akan di ekstraksi dan kemudian di lanjutkan ke

layer berikutnya dengan tujuan untuk mengekstraksi fitur yang lebih kompleks

(Bui & Chang, 2017).

Convolutional Layer melakukan operasi konvolusi terhadap input

ataupun output dari layer sebelumnya. Tujuan dilakukannya konvolusi pada data

citra adalah untuk mengekstraksi fitur dari citra input. Konvolusi akan

menghasilkan transformasi linear dari data input sesuai informasi spasial pada

data. Bobot pada layer tersebut menspesifikasikan kernel konvolusi yang

digunakan, sehingga kernel konvolusi dapat dilatih berdasarkan input pada CNN

seperti pada persamaan rumus 2.3.

Ci,j = A x P1 + B x P2 + C x P3 + D x P4 + E x P5 (2.3)

+ F x P6 + G x P7+ H x P8 + I x P9


16

Keterangan :

Ci,j = Nilai feature map yang dihasilkan proses konvolusi

A-I = Nilai matriks gambar input

P1-9 = Nilai matriks feature detector

2.3.2. Pooling Layer

Pooling Layer merupakan proses resizing yaitu proses untuk mengubah ukuran

citra input yang berbeda,salah satunya dengan menggunakan operasi MAX. Hal

ini bertujuan untuk membantu mengurangi jumlah parameter dan waktu

perhitungan yang dibutuhkan saat melatih network (Bui & Chang, 2017).

Max pooling membagi output dari convolutional layer menjadi beberapa

grid kecil lalu mengambil nilai maksimal dari setiap grid untuk menyusun matriks

citra yang telah direduksi seperti yang ditunjukkan pada Gambar 2.7.

Grid yang berwarna merah, hijau, kuning dan biru merupakan kelompok

grid yang akan dipilih nilai maksimumnya. Sehingga hasil dari proses tersebut

dapat dilihat pada kumpulan grid disebelah kanannya. Proses tersebut

memastikan fitur yang didapatkan akan sama meskipun objek citra mengalami

translasi (pergeseran).

Gambar 2.7 Operasi Max Polling (Bui & Chang, 2017)


17

2.3.3. Fully Connected Layer

Dan layer ketiga pada CNN adalah Fully Connected Layer, dimana layer ini

mengambil seluruh neuron pada layer sebelumnya (Convolutional Layer dan

MAX Pooling Layer) dan menghubungkannya ke setiap single neuron yang ada

(Devikar, 2016).

Fully connected layer adalah layer yang biasanya digunakan dalam

penerapan MLP dan bertujuan untuk melakukan transformasi pada dimensi data

agar data dapat diklasifikasikan secara linear (Suartika et al., 2016).

Setiap neuron pada convolution layer perlu ditransformasi menjadi data

satu dimensi terlebih dahulu sebelum dapat dimasukkan kedalam sebuah fully

connected layer. Karena hal tersebut menyebabkan data kehilangan informasi

spesialnya dan tidak reversibel, fully connected layer hanya dapat

diimplementasikan diakhir jaringan seperti pada Gambar 2.8.

Dalam sebuah jurnal oleh Lin et al. (2014), dijelaskan bahwa

convolutional layer dengan ukuran kernel 1 x 1 melakukan fungsi yang sama

dengan sebuah fully connected layer namun dengan tetap mempertahankan

karakter spasial dari data. Hal tersebut membuat penggunaan fully connected

layer pada CNN sekarang tidak banyak dipakai.

Gambar 2.8 Proses Fully Connected Layer (Bui & Chang, 2017)


18

2.4. Pengenalan Jenis Mobil

2.4.1. Jenis mobil Sedan

Berdasarkan Ballast (1992), bentuk merupakan raut (shape) dan konfigurasi

dasar dari sebuah objek. Ballast (1992) menyatakan bahwa bentuk seringkali

merupakan cara pertama kali seseorang membedakan sebuah objek dengan

lainnya. Jenis mobil sedan atau sering juga disebut saloon. Jenis mobil sedan ini

terbilang sangat familiar diseluruh dunia. Hampir seluruh orang mengenal jenis

mobil sedan ini. Jenis mobil sedan adalah mobil yang memiliki 3 pilar utama

untuk kabin penumpang (pilar A,B,C) serta dilengkapi dengan kompartemen

mesin dibagian depan dan kompartemen bagasi dibagian belakang.

Pada dasarnya, mobil sedan mempunyai kapasitas 5 orang penumpang, 2

dibagian depan, dan 3 dibagian belakang. Selain itu, jumlah pintu yang dimiliki

umumnya ada 5, 4 pintu khusus untuk akses keluar masuk penumpang, dan 1

pintu khusus untuk memasukkan barang ke bagasi.

Pada Gambar 2.9 merupakan jenis mobil sedan yang digunakan untuk

sample training, mobil dipilih berdasarkan perbedaan bentuk mobil dari berbagai

sisi yaitu depan, samping dan belakang.


19

Gambar 2.9 Sample Training Jenis Sedan

2.4.2. Jenis mobil MPV

Multi Purpose Vehicle (MPV) adalah sebuah mobil multi fungsi dengan dua

kompartemen, satu kompartemen untuk mesin, satu untuk kabin penumpang

dengan pintu bagasi yang menyatu dengan kaca belakang. Bagian untuk

penumpang terdiri dari 3 baris tempat duduk dengan kapasitas 7 orang. Bahkan

pada beberapa kelas MPV yang lebih mewah bisa mengangkut lebih dari itu.

Kegunaan utama adalah untuk mengangkut penumpang dan barang.

MVP yang cukup populer di Indonesia tersedia dalam berbagai ukuran.

MVP yang cukup besar (muat hingga 7 orang) misalnya Daihatsu Xenia,

Mitsubishi Xpander, Toyota Avanza. Sedangkan MPV yang berukuran kecil

seperti Datsun Go, Daihatsu Sigra dan Picanto. Pada Gambar 2.10 merupakan

sample training citra yang dipilih untuk jenis mobil MPV.


20

Gambar 2.10 Sample Training Jenis MPV

2.4.3. Jenis mobil SUV

Jenis mobil Sport Utility Vehicle atau akrab disebut SUV ini merupakan mobil

yang menggabungkan utilitas mobil jeep, pikap dengan mobil sedan yang elegan.

Prioritas utama dari jenis mobil SUV ini adalah kemampuannya yang bisa

digunakan diberbagai medan berat namun dengan kenyamanan layaknya mobil

sedan.

SUV adalah sebuah jenis mobil penumpang dengan dua kompartemen,

satu kompartemen untuk mesin, satu untuk kabin penumpang yakni mobil

penumpang yang dibangun diatas kerangka truk ringan. Rata-rata, SUV

memiliki kapasitas bagasi sebesar 500 hingga 600 liter dengan kondisi kursi

baris kedua tegak. Mobil yang mampu berjalan di “dua alam” ini mampu

menampung 5-7 orang penumpang dan memiliki 2 baris kursi. Kegunaan

utama adalah untuk mengangkut penumpang pada medan yang lebih berat dari

jalan biasa. Pada Gambar 2.11 adalah contoh sample training mobil SUV.


21

Gambar 2.11 Sample Training Jenis SUV

2.5. Penelitian Terdahulu

Penelitian yang mengenai identifikasi jenis mobil sudah dilakukan sebelumnya

dengan menggunakan metode yang beragam. Latifah et al. (2011)

mengembangkan sistem yang dapat mengklasifikasikan ciri fisis mobil

berdasarkan bentuk, rasio panjang dan lebar mobil. Sistem ini menggunakan

metode Backpropagation berdasarkan komposisi banyaknya piksel dalam satu

objek terdeteksi dan menggunakan algoritma Canny sebagai deteksi tepi objek

atau citra. Hasil deteksi mobil ini dapat mengklasifikasikan beberapa jenis

kendaraan yaitu bus, truk, niaga, dan sedan dengan tingkat akurasi 78% dan

akurasi pengklasifikasian warna mobil adalah 48%.

Kusnawan (2012) melakukan penelitian yang berjudul “Pengenalan jenis

kendaraan menggunakan statistical algorithm dan support vector machine”. Pada

penelitian ini diimplementasikan statistical algorithm dan Support Vector

Machine untuk mengenali jenis kendaraan secara otomatis. Jenis kendaraan yang

dapat dikenali pada tugas akhir ini yaitu sedan/city car, SUV/MPV, bus, dan truk.

Pengenalan jenis kendaraan dilakukan berdasar pada panjang visual kendaraan.

Bila ternyata panjang visual kendaraan belum mampu mengenali jenis kendaraan,


22

terutama bus dan truk, maka akan ditambah filter gabor kemudian dimasukkan

dalam classifier SVM. Sementara statistical algorithm digunakan dalam

mengekstraksi background dari data video. Berdasarkan percobaan yang telah

dilakukan dalam beberapa variasi pencahayaan, tingkat akurasi dalam mengenali

jenis kendaraan adalah 82,44%.

Penelitian selanjutnya dilakukan oleh Plemakova (2018) dengan judul

Vehicle Detection Based on Convolutional Neural Networks. Penelitian ini

mendeteksi dan mengklasifikasi kendaraan berdasarkan kondisi cuaca, cahaya

dan jenis kendaraan. Metode pengklasifikasian dan pendeteksi kendaraan

menggunakan CNN dan feature extraction algorithm with support vector

machine dari berbagai sudut. Dalam pemrosesan datanya digunakan Fast Fourier

Transform. Gambar mobil yang akan digunakan berukuran 128 x 128.

Roecker, Costa, Almeida, & Matsushita (2018) melakukan penelitian

tentang klasifikasi jenis kendaraan dengan menggunakan metode CNN.

Pengambilan gambar dilakukan di jalan raya dengan mengambil video beresolusi

tinggi dari kendaraan yang bergerak. Kendaraan dibagi menjadi 6 kelas yakni

bus, mikrobus, minivan, SUV dan truk dengan model mencapai akurasi 93,90%.

Penelitian selanjutnya yaitu pengelompokan citra kendaraan (motor dan

mobil) berdasarkan bentuk menggunakan algoritma K-Means yang

dikembangkan oleh Cahyanti et al. (2018). Penelitian ini mengimplementasikan

algoritma K-Means untuk mengelompokkan data citra digital kendaraan mobil

dan motor. Proses pengelompokkan terdiri dari tahapan citra input yang

ditransformasi ke grayscale, hasil dari citra grayscale tersebut diambil nilai garis

tepi menggunakan operator prewitt. Hasil nilai citra prewitt disimpan ke dalam

basis data. Tahapan selanjutnya untuk mengelompokkan data citra tersebut

menggunakan algoritma K-Means. Uji-coba aplikasi ini menggunakan 12 data

citra (enam data citra mobil dan enam data citra motor) dengan latar belakang

berwarna putih. Citra ini diambil berukuran 150 x 100 piksel.

Dari penelitian-penelitian yang telah dilakukan sebelumnya yaitu tentang

identifikasi jenis mobil dengan menggunakan metode yang beragam tetapi

tingkat akurasinya masih kurang, pada penelitian ini saya akan menggunakan


23

metode Convolutional Neural Network untuk mengidentifikasi jenis mobil

berdasarkan bentuk yang diambil dari berbagai sisi yaitu depan, samping, dan

belakang serta mengetahui tingkat akurasi sistem dalam identifikasi jenis mobil.

Tabel 2.1 Penelitian Terdahulu

No Peneliti Judul Tahun Ket

1. Latifah

Klasifikasi Jenis

Mobil Menggunakan

Metode

Backpropagation dan

Deteksi Tepi Canny.

2011

Mengembangkan sistem

yang dapat

mengklasifikasi ciri fisis

mobil berdasarkan bentuk,

rasio panjang, dan lebar

mobil. Menggunakan

metode backpropagation

dan algoritma tepi canny

sebagai deteksi tepi objek

atau citra dengan akurasi

78%.

2. Ferry

Kusnawan

Pengenalan Jenis

Kendaraan

Menggunakan

Statistical Algorithm

dan Support Vector

Machine.

2012 Menggunakan statistical

algorithm dan support

vector machine untuk

mengenali jenis kendaraan

secara otomatis.

Berdasarkan pada panjang

visual kendaraan dengan

akurasi 82,44%.


24

3. Plemakova

Vehicle Detection

Based on

Convolutional

Neural Networks.

2018 Mendeteksi dan

mengklasifikasi kendaraan

berdasarkan kondisi cuaca,

cahaya dan jenis

kendaraan. Metode

pengklasifikasian dan

pendeteksi kendaraan

menggunakan CNN dan

feature extraction

algorithm with support

vector machine dari

berbagai sudut.

4. Roecker,

Costa,

Almeida, &

Matsushita

Automatic Vehicle

Type Classification

With Convolutional

Neural Networks.

2018 Klasifikasi jenis kendaraan

dengan menggunakan

metode CNN.

Pengambilan gambar

dilakukan di jalan raya

dengan mengambil video

beresolusi tinggi dari

kendaraan yang bergerak.

Kendaraan dibagi menjadi

6 kelas yakni bus,

mikrobus, minivan, SUV

dan truk dengan akurasi

93,90%.

5. Margi

Cahyanti

Identifikasi Jenis

Mobil Menggunakan

Pengolahan Citra

Digital Dengan

Metode Wavelet.

2018 menggunakan algoritma

K-means untuk

mengelompokkan data

citra digital kendaraan

mobil dan motor.

Tabel 2.1 Penelitian Terdahulu (Lanjutan)


BAB 3

ANALISIS DAN PERANCANGAN

Bab ini menjelaskan tentang analisis dan perancangan sistem identifikasi jenis

mobil. Pada permasalahan training mobil, agar tidak menimbulkan banyak error

maka training akan dilakukan untuk 3 jenis mobil yang akan dikenali berdasarkan

bentuk dasar, dan diklasifikasi menjadi Sedan, MPV, dan SUV.

3.1. Langkah Perancangan

Langkah yang dilakukan terdiri dari 3 tahap yaitu pre-processing, training

process dan proses Identifikasi. Secara garis besar sistem akan dirancang seperti

Gambar 3.1.

Input

Output

Gambar 3.1 Diagram Sistem

Tahap awal adalah user menginput sebuah gambar mobil kedalam

program. Setelah gambar diinput, program akan membaca dan melakukan proses

pre-processing yaitu proses pengolahan citra gambar dari bitmap menjadi array

Car Image

Pre Processing Training Data


26

terhadap image yang diinput. Setelah proses pre processing berhasil dijalankan

maka masuk ke tahap training yaitu tahap pembelajaran sistem agar dapat

mengenali suatu objek (dalam hal ini berupa jenis mobil). Setelah semua proses

berhasil dilakukan maka akan didapatkan hasilnya berupa pengenalan jenis mobil

dari gambar yang telah dimasukkan sebelumnya.

3.2. Arsitektur Umum

Gambar 3.2 Arsitektur Umum

Thresholding

Identifikasi

CNN

Output:

Hasil berupa

jenis mobil

Convolutional Layer

Pooling Layer

Fully Connected Layer

Training

Testing

Output

Pre- processing

Cropping

Resizing

Grayscale


27

Pada Gambar 3.2 ada beberapa tahapan yang akan digunakan untuk identifikasi

jenis mobil berdasarkan bentuk yaitu :

1. Input image

Input dari sistem ini adalah bentuk mobil yang diperoleh dari hasil capture citra

mobil yang diambil dilokasi parkiran mobil, persimpangan lampu merah, dan

jalan raya serta citra yang didownload dari internet. Citra mobil yang diambil

sebanyak 600 citra. Data citra dibagi menjaadi dua jenis, yaitu data training dan

data testing. Hasil training disimpan dalam reference NN. Jumlah data yang

digunakan untuk pelatihan adalah 420 citra dan untuk data uji sebanyak 180 citra.

2. Pre-processing

Pada tahap ini akan dilakukan proses citra yaitu cropping untuk memotong citra,

resizing yaitu untuk mengubah ukuran citra, grayscale yang bertujuan untuk

mengkonversi citra berwarna menjadi citra skala keabuan yang digunakan untuk

mengurangi beban pada citra ketika di proses selanjutnya. Metode thresholding

yaitu memisahkan antara objek dengan background dalam suatu citra

berdasarkan pada perbedaan tingkat kecerahan atau gelap terangnya.

3. Identification

Pada tahap ini, bentuk citra mobil yang telah diproses pada tahap sebelumnya

akan di identifikasi. Untuk mengidentifikasi jenis mobil berdasarkan bentuk dari

berbagai sisi dengan menggunakan metode Convolutional Neural Network

(CNN).

4. Output

Output yang dihasilkan yaitu hasil identifikasi terhadap citra mobil berdasarkan

bentuk dimana hasilnya kita bisa mengetahui jenis mobil itu sendiri.


28

3.3. Dataset

Data citra yang digunakan dalam penelitian ini adalah citra yang diambil secara

langsung dilokasi parkiran mobil, persimpangan lampu merah, dan jalan raya

serta citra mobil yang didownload dari internet. Citra tersebut digunakan untuk

data latih dan data uji. Citra data uji yang digunakan ini diambil menggunakan

kamera HP VIVO V3. Dengan resolusi gambar 720 x 1280 piksel dan dengan

format jpg.

Data citra yang digunakan untuk data uji sebanyak 180 citra, dan data latih

sebanyak 420 citra dengan kualitas gambar yang baik. Seluruh data berjumlah

600 citra dengan pembagian citra ditunjukkan pada Tabel 3.1.

Tabel 3.1 Pembagian data latih dan data uji

No Dataset Jumlah Data

1. Data Pelatihan 420

2. Data Pengujian 180

Adapun contoh data uji yang diambil langsung dari berbagai sisi yaitu

depan,belakang dan samping dapat dilihat pada Gambar 3.3.


29

Gambar 3.3 Contoh Citra Mobil MPV, SUV dan Sedan

3.3.1. Training jenis mobil

Proses training akan dilakukan setelah citra melalui tahap pre-processing,

berdasarkan luas area mobil tersebut. Dengan sejumlah training yang dilakukan,

maka sistem akan mengenali jenis mobil berdasarkan input citra digital. Jumlah

citra yang digunakan sample training sebanyak 420 sample yakni terdiri dari 140

Sedan, 140 MPV dan 140 SUV dari berbagai sisi seperti depan,samping dan

belakang.

3.3.2. Pengenalan jenis mobil

Proses identifikasi merupakan proses akhir pengujian sistem. Data yang telah

ditraining akan di load dan kemudian mengenali citra dari gambar input. Sebelum

melakukan identifikasi, akan dilakukan pre-processing kembali seperti grayscale

agar mempermudah pengenalan. Setelah melewati proses tersebut maka hasil

identifikasi akan ditampilkan pada label output.


30

3.4. Pre-processing

Tahapan ini merupakan tahap pengolahan citra yang bertujuan untuk

menghasilkan citra yang lebih baik untuk diproses ketahapan selanjutnya.

Tahapan pre-processing yaitu grayscale, dan thresholding.

3.4.1. Cropping

Cropping merupakan proses pemotongan citra pada koordinat tertentu pada area

citra. Untuk memotong bagian dari citra digunakan dua koordinat, yaitu

koordinat awal yang merupakan awal koordinat bagi citra hasil pemotongan dan

koordinat akhir yang merupakan titik koordinat akhir dari citra hasil pemotongan.

Pada penelitian ini cropping dilakukan secara manual dengan memotong

background dari gambar mobil tersebut. Aplikasi yang digunakan untuk

memotong gambar adalah Microsoft Paint. Proses pemotongan dapat dilihat pada

Gambar 3.4.

Gambar 3.4 Cropping

3.4.2. Resizing

Resizing merupakan proses mengubah ukuran citra, baik memperbesar ataupun

memperkecil resolusi citra, dalam hal ini citra mobil diubah ukurannya menjadi

300 x 300 piksel.


31

3.4.3. Grayscale

Citra mobil yang diinput awal merupakan citra dengan format jpg. Kemudian

dilakukan proses tahap awal yaitu grayscalling. Grayscale dilakukan dengan

tujuan untuk mengkonversi citra berwarna menjadi citra skala keabuan.

Grayscale dilakukan untuk mengambil nilai dari threshold. Cara melakukan

grayscale adalah dengan mengambil semua pixel pada gambar kemudian warna

tiap pixel akan diambil informasi mengenai 3 warna dasar yaitu merah, hijau dan

biru, ketiga warna dasar ini akan dijumlahkan kemudian dibagi tiga sehingga

didapat nilai rata-rata. Nilai rata-rata inilah yang akan dipakai untuk memberikan

warna pada pixel gambar sehingga warna menjadi grayscale, tiga warna dasar

dari sebuah pixel akan diset menjadi nilai rata-rata. Seperti pada Gambar 3.5.

Gambar 3.5 Contoh Perhitungan Grayscale


32

Hasil dari proses grayscale dapat terlihat pada Gambar 3.6.

Gambar 3.6 Grayscale

3.4.4. Thresholding

Tahap selanjutnya yaitu mengidentifikasi gambar dengan latar belakang

menggunakan binarization (thresholding). Dengan tujuan untuk menghasilkan

citra hitam putih yang bersih dari tingkat keabuan (grayscale), atau dengan kata

lain metode ini mengkonversi citra gray-level ke citra bilevel (binary image).Cara

melakukan thresholding hampir sama dengan melakukan grayscale, bedanya

warna rata-rata akan dikelompokkan menjadi dua, jika intensitas warna dimulai

dari 0 sampai dengan 255 maka diambil nilai tengahnya atau ambang batas yaitu

128. Jika dibawah 128 maka warna akan cenderung hitam dan diatas 128 warna

akan cenderung putih. Contoh perhitungan dari thresholding dapat dilihat pada

Gambar 3.7.


33

Gambar 3.7 Contoh Perhitungan Thresholding

Hasil dari proses thresholding dapat terlihat pada Gambar 3.8.

Gambar 3.8 Thresholding


34

3.5. Identification

Tahap selanjutnya yaitu identifikasi menggunakan metode Convolutional Neural

Network (CNN) yang terdiri dari 3 layer yaitu Convolutional layer, Max pooling

layer, dan Fully connected layer. Proses ini bertujuan untuk melakukan

identifikasi terhadap objek.

3.5.1. Convolutional Layer

Convolutional Layer melakukan operasi konvolusi terhadap input atapun output

dari layer sebelumnya. Tujuan dilakukannya konvolusi pada data citra adalah

untuk mengekstraksi fitur dari citra input seperti pada Gambar 3.9.

Gambar 3.9 Contoh Citra Input 5 x 5 Piksel

Nilai intensitas citra yang lebih dari atau sama dengan nilai threshold akan

diubah menjadi 1 (berwarna putih) sedangkan nilai intensitas citra yang kurang

dari nilai threshold akan diubah menjadi 0 (berwarna hitam). Perubahan nilai

piksel pada proses thresholding ditunjukkan pada Gambar 3.10.

Gambar 3.10 Perubahan Nilai Piksel Citra Input dan Feature Detector

0 0 0 0 0

255 255 255 0 0

255 255 255 0 0

255 255 0 0 0

255 255 0 0 0

0 0 0

1 1 1

1 1 1


35

Hasil dari jumlah perkalian matriks antara matriks feature detector dan

matriks pada citra input akan menghasilkan feature map seperti pada Gambar

3.11 merupakan representasi feature map 3 x 3 piksel.

Gambar 3.11 Feature Map

Gambar 3.10 merupakan salah satu contoh citra input yang telah

direpresentasikan ke dalam bentuk 5 x 5 piksel dengan perubahan nilai piksel

pada proses threshold 3 x 3 sebagai feature detector proses konvolusi. Gambar

3.11 merupakan representasi feature map 3 x 3 piksel. Nilai stride yang

digunakan dalam penelitian ini adalah 1 karena proses pengklasifikasian pada

sistem ini juga berdasarkan bentuk. Feature detector bergerak dari sudut kiri atas

dari gambar input dan bergeser ke kanan sebanyak 1 piksel hingga semua piksel

dari baris pertama gambar input terlalui. Setelah semua baris pertama dari citra

input dilalui, feature map akan turun ke baris selanjutnya hingga semua piksel

yang dimiliki dilalui kemudian disimpan dalam matriks yang baru. Proses

konvolusi dapat dilihat pada Gambar 3.12.

C1,1 C2,1 C3,1

C1,2 C2,2 C3,2

C1,3 C2,3 C3,3

0 0 0 0 0

255 255 255 0 0

255 255 255 0 0

255 255 0 0 0

255 255 0 0 0

0 0 0 0 0

255 255 255 0 0

255 255 255 0 0

255 255 0 0 0

255 255 0 0 0

0 0 0 0 0

255 255 255 0 0

255 255 255 0 0

255 255 0 0 0

255 255 0 0 0

0 0 0 0 0

255 255 255 0 0

255 255 255 0 0

255 255 0 0 0

255 255 0 0 0


36

Gambar 3.12 Representasi proses konvolusi

Untuk setiap piksel, kita menghitung jumlah elemen perkalian antara

matriks feature detector dan matriks pada gambar input. Hasil dari jumlah

perkalian matriks tersebut akan menghasilkan feature map. Nilai dari feature map

dihitung melalui Persamaan 2.3.

Ci,j = A x P1 + B x P2 + C x P3 + D x P4 + E x P5 (2.3)

+ F x P6 + G x P7+ H x P8 + I x P9

Keterangan :

Ci,j = Nilai feature map yang dihasilkan proses konvolusi

A-I = Nilai matriks gambar input

P1-9 = Nilai matriks feature detector

0 0 0 0 0

255 255 255 0 0

255 255 255 0 0

255 255 0 0 0

255 255 0 0 0

0 0 0 0 0

255 255 255 0 0

255 255 255 0 0

255 255 0 0 0

255 255 0 0 0

0 0 0 0 0

255 255 255 0 0

255 255 255 0 0

255 255 0 0 0

255 255 0 0 0

0 0 0 0 0

255 255 255 0 0

255 255 255 0 0

255 255 0 0 0

255 255 0 0 0

0 0 0 0 0

255 255 255 0 0

255 255 255 0 0

255 255 0 0 0

255 255 0 0 0


37

Berdasarkan Persamaan 2.3, perhitungan untuk menentukan nilai feature

map adalah sebagai berikut :

C1,1 = (0 x 0) + (0 x 0) + (0 x 0) + (255 x 1) + (255 x 1) + (255 x 1) + (255 x 1) +

(255 x 1) + (255 x 1) = 1530

C2,1 = (0 x 0) + (0 x 0) + (0 x 0) + (255 x 1) + (255 x 1) + (0 x 1) + (255 x 1) +

(255 x 1) + (0 x 1) = 1020

C3,1 = (0 x 0) + (0 x 0) + (0 x 0) + (255 x 1) + (0 x 1) + (0 x 1) + (255 x 1) + (0 x

1) + (0 x 1) = 510

C1,2 = (255 x 0) + (255 x 0) + (255 x 0) + (255 x 1) + (255 x 1) + (255 x 1) + (255

x 1) + (255 x 1) + (0 x 1) = 1275

C2,2 = (255 x 0) + (255 x 0) + (0 x 0) + (255 x 1) + (255 x 1) + (0 x 1) + (255 x 1)

+ (0 x 1) + (0 x 1) = 765

C3,2 = (255 x 0) + (0 x 0) + (0 x 0) + (255 x 1) + (0 x 1) + (0 x 1) + (0 x 1) + (0 x

1) + (0 x 1) = 255

C1,3 = (255 x 0) + (255 x 0) + (255 x 0) + (255 x 1) + (255 x 1) + (0 x 1) + (255

x 1) + (255 x 1) + (0 x 1) = 1020

C2,3 = (255 x 0) + (255 x 0) + (0 x 0) + (255 x 1) + (0 x 1) + (0 x 1) + (255 x 1) +

(0 x 1) + (0 x 1) = 510

C3,3 = (255 x 0) + (0 x 0) + (0 x 0) + (0 x 1) + (0 x 1) + (0 x 1) + (0 x 1) + (0 x 1)

+ (0 x 1) = 0

Hasil dari jumlah perkalian matriks antara matriks gambar input dan

feature detector tersebut akan menghasilkan feature map. Nilai feature map yang

didapatkan dapat dilihat pada Gambar 3.13.


38

1530 1020 510

1275 765 255

1020 510 0

Gambar 3.13 Hasil feature map

3.5.2. Max Pooling Layer

Hasil dari proses konvolusi tersebut selanjutnya masuk ke proses max pooling.

Tahap ini akan membagi feature map menjadi beberapa grid kecil, kemudian

mengambil nilai maksimal dari setiap grid tersebut. Max pooling akan

menghasilkan output yang lebih kecil dari feature map tetapi mengambil nilai

maksimal dari matriks tersebut. Proses dari Max pooling berukuran 2 x 2 piksel

direpresentasikan pada Gambar 3.14 dan hasil dari max pooling pada Gambar

3.15.

Gambar 3.14 Proses Max Pooling

1530 1020 510

1275 765 255

1020 510 0

1530 1020 510

1275 765 255

1020 510 0

1530 1020 510

1275 765 255

1020 510 0

1530 1020 510

1275 765 255

1020 510 0


39

Hasil nilai maksimum pada max pooling ditunjukkan pada Gambar 3.15.

Gambar 3.15 Hasil Max Pooling

Gambar 3.15 merupakan hasil dari Max Pooling layer dari Gambar 3.13.

Matriks yang digunakan untuk max pooling berukuran 2 x 2 piksel dan mencari

nilai maksimum yang ada pada matriks tersebut. Matriks 2 x 2 bergerak dari sudut

kiri atas pada feature map dan bergeser ke matriks 2 x 2 selanjutnya sampai

melalui semua nilai yang terdapat pada feature map. Hasil dari proses max

pooling kemudian dimasukkan kedalam proses flattening.

3.5.2.1. Flattening

Hasil dari proses max pooling kemudian dimasukkan kedalam proses flattening.

Pada proses ini setiap hasil dari max pooling layer harus ditransformasikan

menjadi array satu dimensi sebelum dimasukkan ke proses fully connected layer.

Hasil dari proses flattening dapat dilihat pada Gambar 3.16.

Gambar 3.16 Hasil flattening

3.5.3. Fully Connected Layer

Pada tahap ini, dilakukan pembuatan model convolutional neural network antara

lain menentukan jumlah hidden layer, epoch dan jumlah neuron.

1530 1020

1275 765

1530

1275

1020

765


40

3.5.3.1. Penentuan hidden layer

Pada penelitian ini, penentuan dari jumlah hideden layer yang optimal dilakukan

dengan menggunakan cara identifikasi. Jumlah hidden layer yang digunakan

pada penelitian ini adalah dari 50 hidden layer.

3.5.3.2. Penentuan epoch

Penentuan jumlah epoch yang optimal dilakukan dengan menggunakan cara

identifikasi. epoch yang digunakan pada penelitian ini adalah dari 1000 epoch.

3.5.3.3. Penentuan jumlah neuron

Jumlah neuron pada hidden layer yang akan digunakan adalah 300 x 300 piksel

yaitu 90.000 neuron. Pada penelitian ini, jumlah neuron yang digunakan pada

fully connected layer adalah sebanyak 90.000 neuron.

Gambar 3.17 Pseudecode Proses Metode CNN


41

3.6. Perancangan Sistem

Pada tahapan perancangan sistem ini akan dijelaskan tentang perancangan

antarmuka aplikasi jenis mobil. Perancangan ini bertujuan agar pengguna dapat

mudah menjalankan aplikasi. Perancangan antarmuka terdiri atas rancangan

tampilan home serta tampilan halaman pengujian yaitu, training dan testing.

3.6.1. Perancangan halaman cover

Pada halaman cover merupakan tampilan pertama kali ketika sistem dijalankan.

Rancangan tampilan cover dapat dilihat pada Gambar 3.18.

Gambar 3.18 Rancangan Tampilan Home

3.6.2. Perancangan pengujian sistem

Pada tampilan pengujian sistem terdapat halaman training dan testing sistem.


42

3.6.2.1. Perancangan training sistem

Pada training sistem ada beberapa fasilitas yang terdapat pada halaman ini yaitu

input data SUV, input data MVP, input data Sedan, button train dan reset seperti

pada Gambar 3.19.

Gambar 3.19 Rancangan training sistem

Keterangan :

● Data SUV merupakan select button untuk memilih file citra jenis mobil SUV.

● Data MPV merupakan select button untuk memilih file citra jenis mobil MPV.

● Data Sedan merupakan select button untuk memilih file citra jenis mobil Sedan.

● Train merupakan button untuk melatih data file citra jenis mobil dari SUV,

MPV, dan Sedan.

● Reset merupakan button untuk kembali ke pengaturan awal.

3.6.2.2. Perancangan testing sistem

Pada testing sistem ada beberapa fasilitas yang terdapat pada halaman ini yaitu

button open image, button grayscale, button threshold, textfild, dan button

identifikasi seperti pada Gambar 3.20.


43

Gambar 3.20 Rancangan Testing Sistem

Keterangan :

● Open image merupakan select button yang dapat diklik sehingga akan

menampilkan kotak dialog untuk memilih file citra jenis mobil.

● Grayscale mengubah file citra awal menjadi keabuan.

● Threshold mengkonversi citra gray-level ke citra bilevel (binary image).

● Save merupakan button untuk menyimpan gambar dari citra hasil mobil

● Textfield yang merupakan tempat hasil url location file.

● Running Time merupakan penentuan cepat atau tidaknya waktu identifikasi

● Identifikasi merupakan tampilan jenis mobil yang diidentifikasi.


BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

Bab ini akan membahas hasil dari implementasi metode convolutional neural

network (CNN) dalam identifikasi jenis mobil berdasarkan bentuk dan pengujian

sistem sesuai dengan analisis data dan perancangan yang telah dibahas pada Bab

3.

4.1. Implementasi Sistem

Pada tahap implementasi sistem, proses untuk identifikasi citra mobil dimulai

dari pre-processing yaitu grayscale, threshold dan terakhir yaitu identifikasi yang

diimplementasikan kedalam bahasa pemrograman C# berdasarkan perancangan

yang telah dilakukan.

4.1.1. Spesifikasi perangkat keras dan perangkat lunak

Spesifikasi perangkat keras yang digunakan untuk membangun sistem ini adalah

sebagai berikut:

1. Processor Intel(R) Core (TM) i5-5200U CPU @ 2.20GHz 2.19 GHz.

2. Kapasitas hard disk 500 GB.

3. Memory (RAM) yang digunakan 4,00 GB.

4. Kamera HP VIVO V3

Spesifikasi perangkat lunak yang digunakan untuk membangun sistem ini adalah

sebagai berikut:Sistem operasi yang digunakan Windows 10 Pro 64-bit.

1. Aplikasi Microsoft Visual Studio 4.6.1.

2. Browser Mozilla Firefox

3. Library NN


45

4.1.2. Implementasi perancangan antarmuka

Implementasi perancangan antarmuka sistem berdasarkan analisis dan

perancangan pada bab 3, yaitu sebagai berikut.

1. Tampilan Home Sistem

Tampilan home sistem merupakan tampilan yang pertama kali muncul ketika

aplikasi pertama kali dijalankan. Home sistem dapat dilihat pada Gambar 4.1.

Gambar 4.1 Tampilan Home Sistem

2. Tampilan Training Sistem

Tampilan training sistem pada Gambar 4.2 merupakan tampilan untuk melatih

data file citra jenis mobil dari SUV, MPV, dan Sedan.


46

Gambar 4.2 Tampilan Training Sistem

3. Tampilan Testing Sistem

Tampilan training sistem pada Gambar 4.3 merupakan tampilan untuk menguji file

citra yang bertujuan untuk mengidentifikasi jenis mobil tersebut dengan


Gambar 4.3 Tampilan Testing Sistem


47

4.1.3. Implementasi data

Data yang dimasukkan kedalam sistem adalah citra jenis mobil yang diambil

secara langsung dilokasi parkiran mobil, persimpangan lampu merah, dan jalan

raya serta citra yang didownload dari internet. Gambar mobil yang diambil

merupakan citra mobil yang asli dan data terbaca dengan jelas. Data citra yang

digunakan untuk data uji sebanyak 420 dan data latih sebanyak 180.

Citra yang telah dikumpulkan kemudian dibagi menjadi dua, yakni :

training dataset atau dataset pelatihan yang akan digunakan sebagai pembanding

dalam identifikasi dan testing dataset atau dataset pengujian yang digunakan

untuk mengetahui akurasi dari proses identifikasi. Dataset pelatihan berjumlah

70% dari data keseluruhan dan dataset pengujian berjumlah 30% dari data

keseluruhan.

4.2. Prosedur Operasional

Tampilan awal aplikasi ada beberapa menu yaitu, menu cover, training, dan

testing. Didalam menu cover terlihat seperti tampilan awal ketika membuka

aplikasi seperti yang ditunjukkan pada Gambar 4.1. Selanjutnya, pada menu

training terdapat tiga select button untuk memilih file citra jenis mobil SUV,

MPV, dan Sedan. Kemudian ada juga button train untuk melatih data file citra

jenis mobil dari SUV, MPV, dan Sedan. Lalu button Reset merupakan button

untuk kembali ke pengaturan awal. Tampilan training sistem ditunjukkan pada

Gambar 4.2. Selanjutnya, setelah data citra di train lalu data citra di testing seperti

yang ditunjukkan pada Gambar 4.3. di dalam menu testing ada open image yang

merupakan select button yang dapat diklik sehingga akan menampilkan kotak

dialog untuk memilih file citra jenis mobil. Kemudian ada button grayscale untuk

mengubah file citra awal menjadi keabuan, button threshold untuk mengkonversi

citra gray-level ke citra bilevel (binary image), textfield yang merupakan tempat

hasil url location file, dan button identifikasi untuk mengidentifikasi tampilan

jenis mobil dengan menggunakan metode Convolutional Neural Network (CNN).


48

Proses identifikasi citra melalui tahap sebagai berikut :

1. Cropping merupakan proses pemotongan citra pada koordinat tertentu pada

area citra. Hasil dari proses cropping dapat dilihat pada Gambar 4.4.

Gambar 4.4 Citra Hasil Cropping

2. Resizing merupakan proses mengubah ukuran citra, baik memperbesar

ataupun memperkecil resolusi citra, dalam hal ini citra mobil diubah

ukurannya menjadi 300 x 300 piksel.

3. Grayscale merupakan proses untuk mengkonversi citra berwarna menjadi

citra skala keabuan. Hasil dari proses grayscale dapat dilihat pada Gambar

4.5.

Gambar 4.5 Citra Hasil Grayscale


49

4. Thresholding merupakan proses untuk mengkonversi citra graylevel ke citra

bilevel (binary image). Hasil dari proses ini dapat dilihat pada Gambar 4.6.

Gambar 4.6 Citra hasil Thresholding

Hasil nilai RGB dari grayscale dan threshold dapat dilihat pada Tabel 4.1.

Tabel 4.1 Nilai RGB Grayscale dan Threshold

Red Green Blue Grayscale Threshold

Red 0,299x255 0,587x0 0,114x0 76,245 0

Green 0,299x0 0,587x255 149,685 149,685 255

Blue 0,299x0 0,587x0 0,114x255 29,07 0

5. Identifikasi menggunakan Convolutional Neural Network (CNN) merupakan

proses identifikasi terhadap jenis mobil berdasarkan bentuk. Setelah dilakukan

proses training, maka selanjutnya dapat dilakukan pengujian sistem. Pada

halaman testing dilakukan proses preprocessing yaitu grayscale dan threshold.

Setelah citra berubah, kemudian sistem yang menggunakan algoritma

Convolutional Neural Network (CNN) akan melakukan fungsinya dengan

mengidentifikasi citra berdasarkan data pembelajaran dimana posisi dan

pengmbilan gambar yang tepat serta cahaya yang mendukung pada citra

tersebut. Maka didapatkanlah hasil dari proses identifikasi tersebut. Hasil dari

identifikasi dapat dilihat pada Gambar 4.7.


50

Gambar 4.7 Hasil Identifikasi Convolutional Neural Network (CNN)

4.3. Pengujian Sistem

Pada tahap ini akan dilakukan pengujian terhadap data dan sistem. Pengujian data

dilakukan terhadap 180 citra mobil dengan menggunakan data training sebanyak

420 citra. Pengujian dilakukan dengan jenis mobil yang bervariasi. Hasil

pengujian aplikasi ini dilakukan dengan berbagai contoh variasi jenis mobil.

Hasil dari pengujian dapat dilihat pada Tabel 4.2, Tabel 4.3, dan Tabel 4.4.

Tabel 4.2 Tabel Pengujian Jenis Mobil SUV

No. Citra Awal Grayscale Threshold Hasil

CNN

1.

SUV


51

2.

SUV

3.

SUV

4.

SUV

5.

SEDAN

Tabel 4.3 Tabel Pengujian Jenis Mobil MPV


CNN

1.

MPV

2.

MPV

Tabel 4.2 Tabel Pengujian Jenis Mobil SUV (Lanjutan)


52

3.

MPV

4.

MPV

5.

MPV

Tabel 4.4 Tabel Pengujian Jenis Mobil Sedan


CNN

1.

SEDAN

2.

SEDAN

3.

SEDAN

Tabel 4.3 Tabel Pengujian Jenis Mobil MPV (Lanjutan)


53

4.

MPV

5.

SEDAN

Berdasarkan data hasil uji yang telah dilakukan pada sistem identifikasi

jenis mobil berdasarkan bentuk dengan menggunakan metode Convolutional

Neural Network (CNN), dapat diperoleh nilai akurasi dengan rata-rata 94,44 %.

Persentase akurasi = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑐𝑖𝑡𝑟𝑎 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑏𝑒𝑛𝑎𝑟

𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑐𝑖𝑡𝑟𝑎 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 x 100%

Akurasi = 170

180 x 100%

= 94,44 %

Dari perhitungan diatas dapat diketahui bahwa tingkat akurasi dari metode

Convolutinal Neural Network (CNN) dalam identifikasi jenis mobil berdasarkan

bentuk mencapai 94,44 %.

4.4. Analisis

Berdasarkan pengujian dengan data yang bervariasi, penyebab dari rendahnya

tingkat akurasi pada sistem adalah sebagai berikut :

Tabel 4.3 Tabel Pengujian Jenis Mobil Sedan (Lanjutan)


54

1. Akurasi yang benar didapatkan dari No 1 pada Tabel 4.2. pada jenis mobil

SUV dikarenakan hasil citra dari mobil masih terlihat jelas maka proses

identifikasinya berjalan dengan baik. Hasil pengujian tersebut dapat dilihat

pada Gambar 4.8.

Gambar 4.8 Hasil Pengujian No 1

2. Pada No 5 di Tabel 4.2. tidak benar dikarenakan citra mobil yang diambil

posisinya kurang tepat, sehingga terdapat cahaya yang mengganggu

pendeteksian. Yang seharusnya jenis mobil SUV namun sistem membaca jenis

mobil tersebut Sedan. Hasil pengujian tersebut dapat dilihat pada Gambar 4.9.



55

3. Pada No 4 di Tabel 4.4. dari pengujian citra jenis mobil Sedan, namun sistem

membaca jenis mobil MPV, hal tersebut dikarenakan citra mobil tidak sesuai

dengan bentuk mobil yang diambil sehingga hasilnya sedikit ngeblur dan

mengganggu identifikasi. Hasil pengujian tersebut dapat dilihat pada Gambar

4.10.



BAB 5

KESIMPULAN DAN SARAN

Bab ini berisikan kesimpulan dari metode yang digunakan untuk

mengidentifikasi jenis mobil berdasarkan bentuk serta saran yang diperlukan

untuk pengembangan penelitian berikutnya.

5.1. Kesimpulan

Kesimpulan yang dapat diambil berdasarkan pengujian terhadap identifikasi jenis

mobil berdasarkan bentuk dengan menggunakan metode Convolutional Neural

Network (CNN) adalah sebagai berikut :

1. Penggunaan metode Convolutional Neural Network (CNN) dapat

mengidentifikasi jenis mobil berdasarkan bentuk dengan nilai akurasi

mencapai 94,44 %.

2. Berdasarkan pengujian sistem, akurasi identifikasi jenis mobil dipengaruhi

oleh kondisi citra saat diuji. Akurasi terbaik adalah citra mobil dalam

keadaan terang dan posisi mobil yang tepat, sedangkan terendah adalah

dalam keadaan gelap dan posisi tidak tepat.

5.2. Saran

Saran yang dapat penulis berikan untuk penelitian berikutnya adalah sebagai

berikut :

1. Pengujian penelitian dengan data pelatihan yang lebih banyak untuk

membandingkan nilai akurasi metode Convolutional Neural Network

(CNN) berdasarkan jumlah data pelatihan.

2. Mencoba menggunakan metode identifikasi jenis mobil lainnya untuk

dibandingkan dengan metode Convolutional Neural Network (CNN).


57

DAFTAR PUSTAKA

B, T. N. & Hattori, M. 2017. Alpine Plants Recognition with Deep Convolutional

Neural Network. Advances in Neural Networks - ISNN 2017, 572–577.

Bui, V. & Chang, L. 2017. Deep Learning Architectures for Hard Character

Classification. ISBN: 1-60132-438-3, CSREA Press,108–114.

Cahyanti, M., Septian, M.R.D., Swedia, E.R. & Salim, R.A. 2015.

Pengelompokan Citra Kendaraan (Motor dan Mobil) Berdasarkan Bentuk

Menggunakan Algoritma K-Means. SEBATIK 1410-3737,153–160.

Devikar, P. 2016. Transfer Learning for Image Classification of various dog

breeds. IJARCET ISSN: 2278 – 1323 5(12): 2707-2715.

Ekatamto, T., Hidayatno, A. & Chrityono, Y. 2016. Identifikasi Jenis Mobil

Menggunakan Pengolahan Citra Digital Dengan Metode Wavelet, Transient:

Jurnal Ilmiah Teknik Elektro 4(4): 987-990.

Goodfellow, I., Bengio, Y. & Courville, A. 2016. Deep Learning (Adaptive

Computation and Machine Learning series). The MIT Press:Cambridge.

Hu, W., Huang, Y., Wei, L., Zhang, F. & Li, H. 2015. Deep Convolutional Neural

Networks for Hyperspectral Image Classification. Journal of Sensors (2): 1-12.

Krizhevsky, A., Sutskever, I. & Hinton, G.E. 2012. ImageNet Classification with

Deep Convolutional Neural Networks. Advances in Neural Information

Processing Systems (NIPS) 12(25): 1097-1105.

Kumar, T. & Verma, K. 2010. A Theory Based on Conversion of RGB image to

Gray image. International Journal of Computer Applications 7(2): 8–11.

Kusnawan, F. 2012. Pengenalan Jenis Kendaraan Menggunakan Statistical

Algorithm Dan Support Vector Machine. Skripsi. Universitas Telkom.

Kusumanto, R.D., Tompunu, A.N. & Pambudi, W.S. 2011. Klasifikasi Warna

Menggunakan Pengolahan Model Warna HSV. Jurnal Ilmiah Elite Elektro 2(2):


https://link.springer.com/book/10.1007/978-3-319-59072-1

https://www.researchgate.net/journal/1687-725X_Journal_of_Sensors

https://www.researchgate.net/journal/0975-8887_International_Journal_of_Computer_Applications

58

83-87.

Latifah, D.A., Hidayat, B. & Wibowo, T.A. 2011. Klasifikasi Jenis Mobil

Menggunakan Metode Backpropagation Dan Deteksi Tepi Canny. Skripsi.

Universitas Telkom.

Lin, M., Chen, Q. & Yan, S. 2014. Network in network. International Conference

on Learning Representations, 2014.

Masood, S.Z., Guang, S., Afshin, D., Enrique, G.O. 2017. Lincense Plate

Detection and Recognition Using Deeply Learned Convolutional Neural

Networks. Winter Park,FL. Computer Vision Lab, Sightbound Inc.

Munir, R. 2004. Pengolahan Citra Digital Dengan Pendekatan Algoritmik.

Bandung. Informatika Bandung.

Plemakova, V. 2018. Vehicle Detection Based on Convolutional Neural

Networks. Thesis. University of Tartu.

Putra, D. 2010. Pengolahan Citra Digital. Yogyakarta : Andi.

Putri, A.R. 2016. Pengolahan Citra Dengan Menggunakan Web Cam Pada

Kendaraan Bergerak Di Jalan Raya. JIPI (Jurnal Ilmiah Penelitian Dan

Pembelajaran Informatika) 1(01): 1–6.

Rachmadi, R.F. & Purnama, I.K.E. 2015. Vehicle Color Recognition using

Convolutional Neural Network. ResearchGate.

Roecker, M., Costa, Y., Almeida, J. & Matsushita, G. (2018). Automatic vehicle

type classification with convolutional neural networks. IEEE.

Rohimah, W. 2012. Pengenalan Plat Nomor Kendaraan Indonesia Menggunakan

Principal Component Analysis Dan Metode K-Nearest Neighbor. Skripsi.

Universitas Sumatera Utara.

Suartika, I.W., Arya, Y.W. & Rully S. 2016. Klasifikasi Citra Menggunakan

Convolutional Neural Network (CNN) pada Caltech 101. Jurnal Teknik ITS 5(1):

65-69.


59

Syahputra, I. 2018. Pendeteksian Ketersedian Slot Parkir Sebagai Smart Parking

Sytem dengan Metode Extreme Learning Machine. Skripsi. Universitas Sumatera

Utara.

Vista Lab. 2013. An Introduction to Convolutional Neural Network (Online)

http://scarlet.stanford.edu/teach/index.php/An_Introduction_to_Convolutional_

Neural_Networks (11 Maret 2017).

Wakhidah, N. 2012. Deteksi Plat Nomor Kendaraan Bermotor Berdasarkan Area

Pada Image Segmentation. Skripsi. Universitas Sumatera Utara.

Yao, X. (2019). Vehicle Detection in Deep Learning . Thesis. Virginia

Polytechnic Institute and State University.


identifikasi jenis mobil berdasarkan bentuk dengan

Documents