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
UNIVERSITAS SUMATERA UTARA
IDENTIFIKASI JENIS MOBIL BERDASARKAN BENTUK DENGAN
MENGGUNAKAN METODE CONVOLUTIONAL NEURAL
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
UNIVERSITAS SUMATERA UTARA
MEDAN
2020
UNIVERSITAS SUMATERA UTARA
ii
UNIVERSITAS SUMATERA UTARA
iii
PERNYATAAN
IDENTIFIKASI JENIS MOBIL BERDASARKAN BENTUK DENGAN
MENGGUNAKAN METODE CONVOLUTIONAL NEURAL
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
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
Gambar 4.9. Hasil Pengujian No 5 54
Gambar 4.10. Hasil Pengujian No 4 55
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
menggunakan metode Convolutional Neural Network (CNN).
2. Menjadi referensi penelitian selanjutnya, khususnya implementasi yang
berkaitan dengan Convolutional Neural Network (CNN).
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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) .
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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)
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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)
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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)
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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)
UNIVERSITAS SUMATERA UTARA
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)
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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,
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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%.
UNIVERSITAS SUMATERA UTARA
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)
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
33
Gambar 3.7 Contoh Perhitungan Thresholding
Hasil dari proses thresholding dapat terlihat pada Gambar 3.8.
Gambar 3.8 Thresholding
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
menggunakan metode Convolutional Neural Network (CNN).
Gambar 4.3 Tampilan Testing Sistem
UNIVERSITAS SUMATERA UTARA
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).
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
51
2.
SUV
3.
SUV
4.
SUV
5.
SEDAN
Tabel 4.3 Tabel Pengujian Jenis Mobil MPV
No. Citra Awal Grayscale Threshold Hasil
CNN
1.
MPV
2.
MPV
Tabel 4.2 Tabel Pengujian Jenis Mobil SUV (Lanjutan)
UNIVERSITAS SUMATERA UTARA
52
3.
MPV
4.
MPV
5.
MPV
Tabel 4.4 Tabel Pengujian Jenis Mobil Sedan
No. Citra Awal Grayscale Threshold Hasil
CNN
1.
SEDAN
2.
SEDAN
3.
SEDAN
Tabel 4.3 Tabel Pengujian Jenis Mobil MPV (Lanjutan)
UNIVERSITAS SUMATERA UTARA
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)
UNIVERSITAS SUMATERA UTARA
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.
Gambar 4.9 Hasil Pengujian No 5
UNIVERSITAS SUMATERA UTARA
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.
Gambar 4.10 Hasil Pengujian No 4
UNIVERSITAS SUMATERA UTARA
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).
UNIVERSITAS SUMATERA UTARA
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):
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
Top Related