SISTEM IDENTIFIKASI MERK PRODUK BERBASIS IMAGE PROCESSING MENGGUNAKAN TRANSFORMASI WAVELET DAN

JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION

Ika Prawesty Wulandari, ST

ABSTRAKInformasi Merk produk merupakan simbol pengejawantahan seluruh informasi yang berkaitan dengan

produk atau jasa. Merk biasanya terdiri dari nama, logo dan seluruh elemen visual lainnya seperti gambar, tipografi, warna, dan simbol. Dalam aplikasi transaksi penjualan pada toko, supermarket, maupun swalayan keberadaan suatu sistem identifikasi merk produk sangat diperlukan baik untuk database toko maupun kelancaran pada saat customer melakukan pembelian barang. Sistem scanning barcode selama ini dirasa cukup efektif dalam hal tersebut. Akan tetapi, tidak ada salahnya jika kita meneliti alternatif lain untuk meng-identifikasi produk dengan cara mengenali produk dari bentuk dan warna logo merk produk. Sistem yang dimaksud akan diuji coba berbasiskan pengetahuan tentang Image Processing dan Transformasi Wavelet.

Dalam tulisan ini, dirancang suatu sistem identifikasi merk produk berdasarkan pengenalan bentuk dan warna logo merk produk tersebut. Proses yang dipakai antara lain Transformasi Wavelet, adapun penggunaan Transformasi Wavelet ini dimotivasi oleh adanya hasil penelitian tentang Transformasi Wavelet yang mempunyai kemampuan memunculkan (feature) khusus pada citra yang diteliti. Sedangkan pengenalan dan klasifikasi diterapkan dengan Jaringan Syaraf Tiruan metode BackPropagation. Sebagai basis masukan jaringan syaraf, digunakan citra merk produk ukuran 320 x 240 yang telah diambil dari webcam.

Hasil implementasi diuji beberapa kali dengan citra uji dan citra latih, melalui implementasi dan pengujian sistem mampu memberikan tingkat akurasi hingga 98%.

.

Kata Kunci: Image processing, Jaringan Syaraf Tiruan Backpropagation, Transformasi Wavelet

ABSTRACTProduct label symbolizes many kinds of information that related to service and goods. Actually, a label

consists of name, sign, and other visual elements such as image, typography, and symbol. In sales transaction application such as at the shop and many selfservice shops, the existence of a product label identification is very needed not only for the seller database but also for making easy a buyer transaction process. In this time, barcode scanning system is considered as an effective system in the case of that. However, there is nothing wrong if we do an experience to identify product by recognizing the form and the colour of a product label. The target of the system will be implied based on Image Processing and Wavelet Transform.

In this final paper, it is designed a product identification system based on the form and the colour of a label. The applied process that is used such as, Wavelet Transform. As for the reason of this transform using, is being supported by many researches which imply the ability of wavelet transform to perform many special features of an image. While recognizing and classification process is applied by BackPropagation Neural Network. The Input of neural network is an image of a product label , 240x320 of its size, and captured from a webcam.

The result of implementation is tested many times by training image and testing image. Through the implementation and testing, this system can perform up to 98% accuration.

Keywords : Image Processing, Neural Network Backpropagation, Wavelet Transform

1. PENDAHULUANSuatu aplikasi sistem identifikasi merk produk

telah lama dikenal pengaplikasiaannya. Sebagai contoh yang sering kita jumpai adalah deteksi merk menggunakan barcode pada transaksi pembelian di berbagai tempat perbelanjaan. Namun, aplikasi barcode hanya merupakan salah satu aplikasi yang sering kita lihat umumnya, untuk pengembangan lebih lanjut dapat diteliti dan dikembangkan aplikasi lain yang dapat dijadikan sebagai suatu alternatif

sistem identifikasi merk produk. Sistem yang dimaksud menggunakan identifikasi produk dengan cara mengenali produk dari bentuk dan warna logo merk produk yang ada di pasaran. Sedangkan pengambilan citra merk produk dapat dilakukan menggunakan webcam. Selanjutnya citra diolah menggunakan Transformasi Wavelet dan pengenalan serta klasifikasinya diterapkan melalui Jaringan Syaraf Tiruan metode BackPropagation. Diharapkan sistem identifikasi ini nantinya terbukti akurat dan mudah untuk dipakai dalam aplikasi

1

transaksi pembelian bila dibanding dengan sistem lainnya.

Teori Dasar Citra DigitalCitra dapat dinyatakan sebagai fungsi kontinu dari

intensitas cahaya dalam 2 dimensi, f(x,y) dimana x dan y merupakan koordinat ruang dan nilai f menyatakan kecerahan dan informasi warna citra pada titik koordinat x dan y. Secara matematis persamaan untuk fungsi intensitas, f(x,y) adalah:

(2.1)Citra digital adalah sajian citra dalam bentuk

diskret, baik pada koordinat ruang maupun nilai intensitas cahayanya. Dengan demikian citra digital dapat disajikan sebagai matriks berdimensi , dengan M menyatakan tinggi dan N menyatakan lebar dari citra. Matriks tesebut terdiri dari kumpulan elemen dengan nilai tertentu yang menyatakan intensitas cahaya citra. Elemen itu biasa disebut pixel. Matriks tersebut ditunjukkan dalam persamaan 2.3

(2.3)

Pengolahan Citra DigitalPengolahan citra digital merupakan proses yang

bertujuan untuk memanipulasi dan menganalisis citra dengan bantuan komputer. Pengolahan citra digital pada umumnya dapat dikelompokkan dalam dua jenis kegiatan,yaitu:

a. Memperbaiki kualitas suatu gambar sehingga dapat lebih mudah diinterprestasi oleh mata manusia.

b. Mengolah informasi yang terdapat pada suatu gambar untuk keperluan pengenalan objek secara otomatis.

Citra GrayscaleCitra Grayscale atau citra beraras keabuan adalah

citra yang hanya menggunakan warna pada tingkatan warna abu-abu. Warna abu-abu adalah satu-satunya warna pada ruang RGB dengan komponen merah, hijau, dan biru mempunyai intensitas yang sama. Pada citra beraras keabuan hanya perlu menyatakan nilai intensitas untuk tiap piksel sebagai nilai tunggal, sedangkan pada citra berwarna perlu tiga nilai intensitas untuk tiap pikselnya.

Deteksi Tepi (Edge Detection)Edge atau tepi merupakan batas antara dua daerah

dengan nilai gray-level yang relatif berbeda. Tepi citra dapat pula didefinisikan sebagai piksel-piksel yang mengalami perubahan tajam pada level keabuan. Tepi objek umumnya terlihat sebagai frekuensi tinggi pada

spektrum citra sehingga ekstraksi tepi dapat dilakukan dengan menggunakan tapis pelewat–tinggi (highpass filter-HPF). Dengan tapis pelewat-tinggi, spektrum yang lebih tinggi dari frekuensi potong (cut-off) akan dikuatkan, sedangkan frekuensi di bawahnya akan diredam.

Ektraksi Ciri Ektraksi ciri merupakan cara yang dilakukan

untuk mendapatkan ciri dari sebuah citra. Untuk pengambilan ciri dari sebuah image diperlukan pengolahan image terlebih dahulu yaitu citra diubah ke level grayscale. Proses ini merubah level RGB menjadi citra yang hanya terdiri dari warna hitam dan putih sehingga memudahkan dalam proses klasifikasi.

Jaringan Syaraf TiruanJaringan syaraf tiruan (JST) atau Artificial

Neural Network (ANN) diinspirasikan oleh struktur jaringan sel-sel syaraf di dalam otak. JST merupakan suatu model komputasi yang meniru cara kerja sistem otak manusia. JST merupakan sebuah model komputasi dari otak manusia yang mampu melakukan perhitungan, pengenalan, pengamatan, serta pengambilan keputusan.

Berdasarkan algoritma pelatihannya, maka JST terbagi menjadi dua yaitu:1. Belajar dengan pengawasan (Supervised

Learning)Jaringan belajar dari sekumpulan pola masukan dan keluaran. Sehingga pada saat pelatihan diperlukan pasangan pola yang terdiri dari vektor masukan dan vektor target yang diinginkan. Contoh jaringan yang belajar dengan pengawasan adalah Backpropagation.

2. Belajar Tanpa Pengawasan (Unsupervised)Pada pelatihan tanpa pengawasan tidak ada vektor target. Vektor masukan dimasukkan ke dalam Jaringan dan sistem akan mengatur dirinya sendiri sedemikian rupa sehingga dihasilkan keluaran yang konsisten bilamana pola yang menyerupai vektor masukan tersebut diberikan.Contoh jaringan yang belajar tanpa pengawasan adalah Adaptive Resonance Theory.

Jaringan Saraf Tiruan Backpropagation (JST-BP)

Jaringan syaraf tiruan back propagation (JST-BP) merupakan jaringan syaraf yang sangat populer digunakan untuk memecahkan masalah. Jaringan syaraf tiruan back propagation menggunakan algoritma belajar supervised learning. Propagasi balik merupakan salah satu proses belajar jaringan syaraf tiruan di mana dalam proses belajar tersebut pengubahan nilai berlangsung pada arah mundur, yaitu mulai dari lapisan keluaran dan berakhir di lapisan masukan.

2

pW1

b1

+

a1W2

b2

+ n1

a2

n2

Masukan Lapisan Tersembunyi Lapisan Keluaran

Gambar 2.2 Arsitektur jaringan syaraf tiruan back propagation dengan 1 lapisan tersembunyi

Arsitektur standar jaringan syaraf tiruan back propagation ditunjukkan pada gambar 2.3.

Pola pelatihan jaringan back propagation melibatkan tiga hal, yaitu pelatihan maju, perhitungan balik sebagai respon terhadap error, dan pengaturan bobot. Error (δ) merupakan selisih antara nilai keluaran yang diinginkan (t) dengan keluaran yang sesungguhnya (a2). Error dinyatakan oleh persamaan 2.5 sebagai berikut :

δ= t – a2 (2.5)Sum Square Error (SSE) yang dinyatakan oleh persamaan 2.6 berikut ini:

(2.6)

Inisialisasi Bobot dan Bias

Pemilihan bobot dan bias awal akan menentukan kecepatan jaringan mencapai konvergensi ke suatu harga error. Secara garis besar inisialisasi bobot dan bias dibagi menjadi dua, yaitu : inisialisasi random dan inisialisasi Nguyen Widrow.

Inisialisasi Random

Prosedur standar dalam pemilihan bobot adalah memilih secara acak suatu harga dalam selang –0,5 sampai 0,5 (atau suatu selang lain).

Inisialisasi Nguyen-Widrow

Inisialisasi Nguyen Widrow merupakan pengembangan dari inisialisasi random dan hanya bisa digunakan untuk fungsi aktifasi sigmoid. Inisialisasi ini membuat bobot yang terletak diantara neuron masukan dan neuron tersembunyi meningkatkan kemampuan belajar pada neuron tersembunyi. Hal ini dilakukan dengan cara mendistribusikan bobot dan bias awal dalam suatu selang, sehingga untuk tiap masukan pelatihan neuron tersembunyi akan belajar dengan cepat. Definisi yang digunakan sebagai berikut:

(2.7)

dimana : N = jumlah neuron masukan

= jumlah neuron tersembunyi

= faktor skala

Fungsi Aktivasi

Ada tiga macam fungsi aktivasi, yaitu : 1. Fungsi aktivasi Hard limit .

(2.9)

2. Fungsi aktivasi Linear

f(x) = x untuk semua x (2.10)

3. Fungsi aktivasi Sigmoid

(2.11)

(2.12)

(2.13BAHAN DAN METODA

RANCANGAN SISTEMSecara umum sistem untuk identifikasi

merk produk yang dirancang dapat dilihat pada gambar 3.1 di bawah ini:

(a) (b)

Gambar 3.1. Proses identifikasi merk produk(a) Diagram Alir Proses Belajar (b) Diagram

Alir Proses Uji

Pada gambar 3.1 dapat dilihat bahwa pada sistem yang dirancang akan dilakukan proses belajar dan proses uji. Dan klasifikasi kondisi terdiri dari 10 jenis klasifikasi. Contoh jenis klasifikasi dapat dilihat pada gambar 3.2 (a), 3.2 (b), dan 3.2 (c).

3

Mulai

Pemrosesan Awal

Ekstraksi CiriDengan Dekomposisi

wavelet

Pelatihan denganJST

Citra Latih

Hasil Pelatihan

dan klasifikas

i

Mulai

Pemrosesan Awal

Ekstraksi CiriDengan

Filter Dekomposisi Wavelet

Pengenalan

Klasifikasi

Citra

Uji

Nama merk

CitraLatih

(a) (b) (c)Gambar 3.2 Klasifikasi jenis merk

(a) Merk NR (b) Merk Torabika Sachet (c) Merk Vitazone

METODA Pengolahan Citra Pada Citra Latih

Pemrosesan AwalPemrosesan awal (preprocessing) bertujuan

untuk mendapatkan karakteristik atau ciri dari citra. Pada proses ini diharapkan noise pada citra dapat dihilangkan semaksimal mungkin.

Pembuatan Citra Gray ScaleCitra latih dalam format JPG dengan ukuran

320x240 piksel yang akan diproses, setelah melalui proses cropping untuk pengambilan logo merk kemudian diakusisi menjadi citra level keabuan dalam format JPG dengan ukuran 320x240 piksel. Proses grayscale ini ditambahkan dalam sistem agar input proses selanjutnya berupa citra grayscale. Hal ini bertujuan untuk mempermudah dalam proses berikutnya.

Deteksi Tepian Citra Dalam citra grayscale, tiap piksel pada citra

masih dikodekan dengan bilangan antara 0 sampai 256. Hal ini bisa menyebabkan pengambilan cirinya tidak fokus pada daerah yang diinginkan, akibat dari pengambilan citra yang kurang sempurna. Agar pada saat proses pengambilan ciri dilakukan hanya fokus pada objek yang diinginkan saja, maka dilakukan deteksi tepian citra untuk lokalisasi citra. Deteksi tepi ini, memanfaatkan perubahan warna yang sangat tajam. Hasil dari deteksi tepi berupa citra yang hanya memiliki bit 0 (untuk warna hitam) dan bit 1 (warna putih). Sifat dari hasil deteksi tepi ini, yang mempermudah pemrosesan citra berikutnya.

Pendeteksian tepian yang optimal memiliki 3 kriteria:

1. Kriteria deteksi, dapat mendeteksi semua tepian (tidak boleh ada yang hilang).

2. Kriteria Lokalisasi, jarak antar tepian hasil deteksi dengan sebenarnya harus minimal.

3. Kriteria response, hanya satu response untuk satu tepian.

Pada penelitian ini digunakan deteksi tepi Canny karena deteksi tepi Canny secara teoritis mampu mendeteksi tepi-tepi lemah maupun tepi-tepi tajam. Dan berdasarkan karakteristik sistem penglihatan manusia, deteksi tepi Canny juga memiliki kinerja yang cukup baik dalam mendeteksi

tepi citra. Threshold yang digunakan dalam mendeteksi tepian dari suatu gambar akan menyebabkan banyak tepian yang hilang jika nilainya diambil terlalu tinggi. Tetapi jika terlalu rendah, banyak batas-batas yang tidak penting atau bahkan derau pada citra akan menyebabkan deteksi tepian tidak bagus.

Daerah yang direpresentasikan dengan bit 0 (hitam), yang berada dalam sebuah area yang dibatasi oleh bit 1, diganti dengan bit 1. Sehingga menjadi suatu daerah putih.

Gambar 3.3 Citra hasil deteksi tepi

Ekstraksi ciriEkstraksi ciri dilakukan setelah citra melalui

proses deteksi tepi. Proses ekstraksi ciri bertujuan untuk mendapatkan informasi-informasi penting pada sebuah citra yang membedakan citra yang satu dengan citra yang lain. Informasi-informasi ini yang akan diidentifikasi oleh Jaringan Syaraf Tiruan (JST). Dalam Tugas akhir ini digunakan metode ekstraksi ciri dekomposisi wavelet, dengan menggunakan 4 jenis mother wavelet yang berbeda yaitu: coiflet 1, daubechies 2, daubechies 6, dan haar.

Dekomposisi Paket WaveletPada matrik citra merk produk dijadikan ke

dalam domain frekuensi. Sehingga pada proses ekstraksi metode ini, hanya range frekuensi dengan energi maksimum yang diambil cirinya.

Proses perubahan matrik citra karakter dilakukan melalui Fast Fourier Transform(FFT) 2D. Hal ini bisa diartikan, dilakukan transformasi fourier 2 kali terhadap input, sesuai dengan persamaan berikut:

Hasil dari transformasi ini menghasilkan ciri numerik yang mengandung bagian real dan imajiner. Dalam proses selanjutnya hanya diambil bagian realnya, karena bagian imajinernya besarnya mendekati nilai nol.

Bagian real ini kemudian didekomposisi menggunakan paket wavelet 2 dimensi. Matrik citra

4

karakter didekomposisi menjadi 1 buah komponen Aproksimasi (yang mengandung frekuensi rendah) dan 3 buah komponen detail (yang mengandung frekuensi tinggi). Komponen detail terdiri dari komponen detail horisontal, detail vertikal , dan detail diagonal. Kemudian tiap komponen didekomposisi lagi menjadi 1 komponen Aproksimasi dan 3 komponen detail.

Gambar 3.4 Dekomposisi Wavelet 2 Dimensi

Proses dekomposisi dilakukan terus-menerus sampai pada level yang diinginkan. Pada penelitian ini, dilakukan proses dekomposisi sampai dengan level 3, menggunakan jenis filter coiflet. Untuk setiap level dekomposisi menghasilkan 4n sub band, dengan n=tingkat level. Dekomposisi pada level 3 menghasilkan 43=64 sub band.

Gambar 3.5 Dekomposisi Paket Wavelet 2 Level

Keterangan: A = Komponen AproksimasiDh = Komponen Detail HorisontalDv = Komponen Detail VertikalDd = Komponen Detail Diagonal

Penghitungan Energi Tiap Subband Dekomposisi

Setiap subband hasil dekomposisi paket wavelet dihitung energinya. Perhitungan energi untuk setiap subband, sesuai dengan persamaan berikut[10]:

(3.2)

dimana: E = Energi tiap subbandCs = Koefisien wavelet satu subband n = Junlah koefisien wavelet tiap subbandCT = Koefisien wavelet seluruh subbandm = Junlah koefisien wavelet seluruh subband

Energi dari tiap subband inilah yang menjadi vektor ciri untuk setiap citra karakter. Karena jumlah subband pada level 3 berjumlah 64 subband, maka vektor ciri citra karakter juga 64 ciri, sehingga didapat matriks vektor ciri 1x64.

Klasifikasi dengan Jaringan Syaraf TiruanProses klasifikasi dengan Jaringan Syaraf

Tiruan (JST) pada tugas akhir ini menggunakan algoritma Backpropagation (BP). Jaringan Backpropagation dirancang dan dilatih untuk mengklasifikasi merk produk ke dalam 10 kelas yang berbeda dengan masing-masing kelas klasifikasi terdapat 10 merk produk. Nilai-nilai parameter untuk pembelajaran Backpropagation yang harus di set, yaitu :a. P, titik pada masukan (node). Parameter ini perlu di-set karena banyak dari ekstraksi ciri menentukan jumlah node masukan yang digunakan, jika hal ini tidak sinkron maka pembelajaran akan sulit mencapai target yang ingin dicapai.b. Target (t), target pencapaian yang ingin dicapai dari setiap hasil pelatihan. Berfungsi untuk penetapan target yang ingin dicapai. User dapat mengganti nilai target yang sesuai yang diinginkan contoh t = [0 0 0 0 0 0 0 0 0 1] untuk klasifikasi citra merk Air Minum Indomaret, t = [0 0 0 0 0 0 0 0 1 0] untuk klasifikasi citra merk Good Day, t = [0 0 0 0 0 0 0 1 0 0] untuk klasifikasi citra merk HiLo, t = [0 0 0 0 0 0 1 0 0 0] untuk klasifikasi citra merk Hit Kapur, t = [0 0 0 0 0 1 0 0 0 0] untuk klasifikasi citra merk NR Hair Reactive, t = [0 0 0 0 1 0 0 0 0 0] untuk klasifikasi citra merk Sunsilk, t = [0 0 0 1 0 0 0 0 0 0] untuk klasifikasi citra merk Sariwangi Kotak, t = [0 0 1 0 0 0 0 0 0 0] untuk klasifikasi citra merk Torabika Sachet, t = [0 1 0 0 0 0 0 0 0 0] untuk klasifikasi citra merk Visine, dan t = [1 0 0 0 0 0 0 0 0 0] untuk klasifikasi citra merk Vitazone Hijau. c. Learning rate (lr). Berkisar antara 0 hingga 1. Semakin besar nilai learning rate akan berimplikasi pada semakin besarnya langkah pembelajaran. Jika learning rate diset terlalu besar, maka algoritma akan menjadi tidak stabil. Sebaliknya, jika learning

5

rate diset terlalu kecil, maka algoritma akan konvergen dalam jangka waktu yang lama.d. Maksimum Epoh (MaxEpochs). Maksimum epoh merupakan jumlah epoh maksimum yang boleh dilakukan selama proses pelatihan. Iterasi akan dihentikan apabila nilai fungsi kinerja kurang dari atau sama dengan kinerja tujuan. Dalam program aplikasi nilai Maksimum Epoh = 20000.e. Goal (Nilai Error Target). Dipakai untuk menentukan batas nilai MSE agar iterasi dihentikan. Iterasi akan berhenti jika MSE < batas yang ditentukan. Error target yang diinginkan di-set pada 10e-3. f. Titik pada hidden layer (node). Parameter ini perlu di-set karena suatu jaringan saraf tiruan harus dilakukan pembelajaran beberapa kali dengan parameter ini diubah-ubah agar mendapatkan hasil pembelajaran yang paling baik yang telah dicapai. Jumlah node untuk penelitian pertama sebanyak 100 (hidden 1), 100 (hidden 2), dan 100 (hidden 3). Serta untuk penelitian kedua sebanyak 75 (hidden 1), 50 (hidden 2), dan 25 (hidden 3).g. Momentum (mc), nilai berkisar antara 0 sampai 1, namun untuk aplikasi ini nilainya ditetapkan 0.9. Dengan momentum, perubahan bobot tidak hanya didasarkan atas error yang terjadi pada epoh waktu itu. Perubahan bobot saat ini dilakukan dengan memperhitungkan juga perubahan bobot pada epoh sebelumnya. Dengan demikian kemungkinan terperangkap ke titik minimum local dapat dihindari.h. Gradient minimum. Gradien minimum adalah akar dari jumlah kuadrat semua gradient (bobot input, bobot lapisan, bobot bias) terkecil yang diperbolehkan. Iterasi akan dihentikan apabila nilai akar dari jumlah kuadrat semua gradient ini kurang dari minimum. Pada kali ini gradient minimum menggunakan default dari Matlab yaitu 1e-0006.

Proses Pembelajaran (Learning)

Algoritma jaringan BP digunakan untuk dua proses yang berbeda. Pertama adalah proses belajar (learning) JST untuk mengklasifikasi citra latih. Tidak ada petunjuk yang baku mengenai penentuan jumlah citra latih. Citra latih yang digunakan dalam penelitian ini berjumlah 20 untuk masing-masing kelas klasifikasi merk produk, sehingga jumlah total adalah 200 citra latih. Vektor masukan untuk proses belajar berukuran 200x64 yang merupakan vektor ciri hasil dari ekstraksi ciri yang berukuran 1x64 dari 200 citra latih.

Arsitektur BP untuk proses pelatihan sistem menggunakan 4 hidden layer dengan jumlah node = 100 untuk masing-masing hidden layer. Serta dilakukan pula pengujian dengan 3 hidden layer menggunakan jumlah node yang berbeda 75 (Hidden 1), 50 (Hidden 2), 25 (Hidden 3) dan 20 (Hidden 4). Algoritma pelatihan yang digunakan adalah traingdx (gradient descent dengan momentum dan adaptive learning rate). Fungsi ini akan memperbaiki bobot-

bobot berdasarkan gradient descent dengan learning rate yang bersifat adaptive dan juga menggunakan momentum. Pada kenyataannya, niali learning rate yang optimal akan terus berubah selama proses pelatihan berlangsung seiring dengan berubahnya nilai fungsi kinerja (MSE). Pada gradient descent dengan adaptive learning rate dan momentum, nilai learning rate akan diubah untuk menjaga agar algoritma ini senantiasa stabil selama proses pelatihan. Pelatihan akan sukses jika target tercapai, jika target tidak tercapai dan epoh = epoh max maka pelatihan dihentikan.

Proses pengujian (classification)

Kedua adalah proses pengidentifikasian untuk mengklasifikasikan citra uji yang dimasukkan. Citra uji yang digunakan berjumlah total 50 yang terdiri atas 5 sampel untuk masing-masing kelas (jumlah kelas = 10) klasifikasi merk produk. Vektor masukan untuk proses pengenalan berukuran 1x64 hasil ekstraksi ciri masing-masing citra uji. Parameter-parameter jaringan yang digunakan dalam proses pengenalan diperoleh dari proses belajar yang dilakukan sebelumnya.

Perbedaan dari kedua proses pelatihan dan pengujian adalah adanya algoritma yang ditambahkan pada proses pengenalan yaitu algoritma untuk pengambilan keputusan identifikas pada proses pengujian.

Prosentase Keberhasilan SistemUntuk pengujian sistem digunakan parameter

akurasi. Akurasi adalah ukuran ketepatan sistem dalam mengenali input yang diberikan sehingga menghasilkan keluaran yang benar. Secara sistematis dapat dituliskan sebagai berikut:

3. HASIL DAN PEMBAHASANCitra latih yang digunakan terdiri dari 200 citra

merk produk. Citra uji terdiri dari 50 citra merk produk yang nantinya akan diujikan kedalam jaringan hasil pelatihan citra latih. Apabila hasil pengenalan mendekati citra latih maka akan dikenali sebagai citra latih tersebut.

Pengujian Jumlah Epoch, Neuron Tersembunyi dan Laju Pembelajaran

Pengujian Jumlah EpochPenentuan penggunaan jumlah epoch

dilakukan melalui pengujian terhadap nilai mse (mean square error) yang dihasilkan berdasarkan jumlah epoch. Tabel 4.1 menunjukkan pengaruh dari penggunaan jumlah epoch yang diujikan terhadap mse.

Tabel 4.1 Pengaruh Besarnya Jumlah Epoch

6

Keterangan : MW = maksimal waktu pelatihanMSE = nilai errorHP =keberhasilan pengenalan

Dari tabel 4.1 di atas terlihat jumlah 3 hidden layer memakan waktu komputasi pelatihan yang paling lama dan MSE yang tercapai pada jumlah 3 hidden layer paling kecil jika dibandingkan dengan jumlah 1 dan 2 hidden layer. Penambahan jumlah hidden neuron menjadi 100 neuron, tidak terlalu berpengaruh, karena nilai desired MSE sudah tercapai ketika menggunakan neuron yang lebih kecil.

Pemilihan Nilai Laju Belajar (Learning Rate)Tabel 4.2 memperlihatkan pengaruh besarnya

nilai laju belajar terhadap jumlah epoch. Parameter yang digunakan untuk percobaan adalah:- Fungsi aktivasi = lap.1 : tansig lap.2 : logsig- Jumlah Hidden Neurons = @ 100 (3 hidden layer)- Target Error = 0.001- Epoch Maksimum = 20000

Tabel 4.2 Pemilihan Nilai Learning Berdasarkan Tabel 4.2 didapat jumlah epoh

paling sedikit untuk pencapaian desired MSE, diperoleh pada percobaan inputan dari hasil mother wavelet haar, jumlah 2 hidden layer (banyaknya node 100 pada tiap hidden), serta

learning rate yang diterapkan adalah 0.5 yaitu memberikan epoh sebanyak 92.

Tabel 4.3 Pemilihan Nilai Learning

Jenis Mother Learning Waktu Training (dalam

Detik)

Wavelet Rate

1 Hidden Layer

2 Hidden layer

3 Hidden Layer

Coiflet 1 (Coif1) 0.01 2.0569 3.0215 6.5683  0.05 1.8231 2.5539 6.1691  0.1 2.4163 2.3765 6.389  0.5 4.6996 3.3813 7.621  1 5.0418 3.1084 9.6965Daubechies 6 (Db6) 0.01 1.9385 2.9492 3.6424  0.05 1.6591 3.1688 2.9529  0.1 1.6925 3.6099 4.0666  0.5 2.0217 2.0265 3.7799  1 4.6936 3.8526 5.4203Daubechies 2 (Db2) 0.01 10.4038 20.7578 39.9495  0.05 28.5059 20.4538 49.5969  0.1 28.9019 27.3736 37.9082  0.5 70.7839 39.9911 43.8351  1 167.2202 91.4358 314.403Haar 0.01 2.0569 2.9486 3.6731  0.05 1.7715 2.536 3.1773  0.1 1.6712 2.533 2.9339  0.5 1.9801 2.2155 2.4349  1 4.7791 2.154 2.2353

Berdasarkan Tabel 4.3 pada learning rate paling besar yaitu yang bernilai 1, memakan waktu pelatihan paling lama bahkan untuk kasus keluaran mother wavelet Daubechies 2, desired MSE tidak tercapai (kolom yang ditandai dengan blok warna merah).

Pengujian Pengenalan Citra Latih dan Citra UjiPada Tabel 4.4 akan ditampilkan hasil

identifikasi semua citra merk produk, yang memiliki makna bahwa proses identifikasi merk produk yang dilakukan oleh sistem telah sesuai atau dengan kata lain hasil pengujian memiliki akurasi tinggi hingga 98%.

Tabel 4.4 Keberhasilan Hasil Identifikasi Citra Merk Produk

Jenis MotherWavelet

Learning Epoch Pencapaian Target Error

Rate1 Hidden

Layer2 Hidden

layer3 Hidden

Layer

Coiflet 1 (Coif1) 0.01 166 167 165  0.05 221 231 138  0.1 418 129 123  0.5 414 204 276  1 798 950 835Daubechies 6 (Db6) 0.01 247 158 161  0.05 166 127 130  0.1 134 121 111  0.5 505 92 159  1 440 505 320Daubechies 2 (Db2) 0.01 971 829 982  0.05 2057 1147 1225  0.1 3097 1244 1262  0.5 3766 1949 1797  1 20000 20000 20000Haar 0.01 166 166 167  0.05 132 137 144  0.1 120 121 126  0.5 310 242 271  1 779 593 412

HL HN LR MSE MW(s) Akurasi Data Uji

Epoh Tercapa

i1 100 0.01 0.000966212 2.572 90% 1662 100, 100 0.01 0.000967597 4.3763 90% 1673 100, 100,

1000.01 0.000950757 5.9167 88% 165

1 75 0.01 0.000991844 2.0569 82% 1662 75, 50 0.01 0.000986585 3.0215 84% 1743 75, 50, 25 0.01 0.00097507 6.5683 94% 375

Klasifikasi Citra Merk Produk

Jmlh Citra Latih

Jmlh Citra Uji

Keberhasilan Citra Latih

Keberhasilan Citra Uji

Jmlh Citra Uji yang Dikenali

Salah

Air Minum Indomaret 20 5 20 5 0GoodDay 20 5 20 5 0HiLo 20 5 20 5 0Hit Kapur 20 5 20 5 0NR Hair Reactive 20 5 20 5 0Sunsilk 20 5 20 5 0Sariwangi Kotak 20 5 20 5 0Torabika Sachet 20 5 20 5 0Visine 20 5 20 5 0Vitazone Hijau 20 5 20 4 1Jumlah Total 200 50 200 49 1

Performansi 98% 2%

7

Dengan performansi seperti ini, dapat disimpulkan bahwa sistem dapat melakukan pengidentifikasian merk produk secara baik.

Kesimpulan dan SaranKesimpulan

Kesimpulan yang dapat diambil dari tahapan perancangan hingga pengujian yang dilakukan pada sistem pengolahan citra untuk identifikasi merk produk adalah:1. Pada dasarnya tingkat keberhasilan sistem

dipengaruhi oleh faktor kemiripan pola antara data latih dan data uji.

2. Pengujian sistem terhadap 200 citra latih berhasil mencapai tingkat akurasi 100% dan pengujian sistem terhadap 50 citra uji yang paling optimum mencapai tingkat akurasi 98%.

3. Dengan penentuan kombinasi parameter-parameter jaringan yang sesuai, jaringan syaraf tiruan BackPropagation dapat memberikan hasil klasifikasi yang optimal, sehingga dapat digunakan untuk identifikasi.

4. Pada umumnya, pelatihan jaringan syaraf tiruan BackPropagation akan lebih lama jika semakin banyak jumlah hidden layer yang terdapat di dalamnya.

5. Penambahan jumlah neuron dan jumlah hidden layer belum tentu berpengaruh terhadap akurasi pengenalan pola yang diujikan.

Saran1. Jumlah citra latih sebaiknya diperbanyak

sehingga jaringan dapat memberikan akurasi yang lebih baik dalam pengujian citra uji merk produk, namun waktu yang diperlukan untuk pelatihan tentunya akan lebih lama.

2. Untuk pengembangan selanjutnya, dapat diteliti sistem identifikasi citra merk produk dengan ukuran produk yang lebih bervariasi, serta berbagai kondisi misal kemasan miring atau terbalik.

3. Sebaiknya intensitas cahaya dalam ruangan pada saat akuisisi citra uji dan citra latih tidak berbeda, untuk menghindari hasil gambar yang terlalu kontras.

4. Percobaan menggunakan ektraksi ciri dengan mother wavelet lain dengan orde yang berbeda-beda memungkinkan hasil pola ciri yang lebih spesifik antar citra inputan.

5. Penggunaan jaringan syaraf tiruan jenis supervised learning yang lain ataupun jenis unsupervised learning untuk diterapkan dalam sistem identifikasi ini, agar bisa mendapatkan tingkat keakuratan yang tinggi.

Daftar Pustaka

[1] Ripley, B. D., 2007, Pattern Recognition and Neural Networks, Cambridge University Press, United Kingdom.

[2] Gurney, K., 1997, An Introduction to Neural Network, UCL Press, London.

[3] Mallat, S. G., 2009, A Wavelet Tour Of Signal Processing, Third Edition : The Sparse Way, Elsevier Inc, Burlington.

[4] Addison, P. S., 2002, The Illustrated Wavelet Transform Handbook, Institute Of Physics Publishing Bristol and Philadelphia, USA.

[5] Samarasinghe, S., 2007, Neural Network for Applied Sciences and Engineering : From Fundamentals to Complex Pattern Recognition, Taylor & Francis Group, USA.

[6] Munir, Rinaldi., 2004, Pengolahan Citra Digital Dengan Pendekatan Algoritmik, Penerbit Informatika, Bandung.

[7] Puspitaningrum, D., 2006, Pengantar Jaringan Syaraf Tiruan. ANDI Yogyakarta, Yogyakarta.

[8] Sari, Marlindia Ike, 2006, Identifikasi Plat Nomor Kendaraan Berbasis Pengolahan Citra Menggunakan Jaringan Syaraf Tiruan Adaptive Resonance Theory 2 (ART2), Tugas Akhir STT Telkom Bandung.

[9] Siang, JJ., 2005, Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab. ANDI Yogyakarta.

[10] Tryandini, Enggar, 2007, Pengenalan Wajah Menggunakan Filter Gabor 2D dan Jaringan Syaraf Tiruan Back Propagation. Tugas Akhir STT Telkom, Bandung.

8