Desain Sistem Pendeteksi untuk Citra Base Sub-assembly dengan Algoritma Backpropagation

Kasdianto Kasdianto, Siti Aisyah
2017 Jurnal Rekayasa Elektrika  
I. Pendahuluan Pengolahan citra adalah teknik mengolah citra yang mentransformasikan citra masukan menjadi citra lain agar keluaran memiliki kualitas yang lebih baik dibandingkan kualitas citra masukan [1] . Pengolahan citra pada saat ini telah banyak digunakan di berbagai bidang, diantaranya dalam bidang medis [2, 3, 4] , bidang keamanan [3, 5] , bidang sistem multimedia [3,6,7] dan bidang lainnya. Di dalam pengolahan citra, terdapat beberapa metode yang biasa digunakan di dalam sebuah
more » ... , yaitu image enhancement yang merupakan metode untuk membuat sebuah gambar menjadi lebih baik dan mengurangi noise pada gambar tersebut [2, 3, 7, 8] , image segmentation merupakan metode untuk menyederhanakan gambar yang sudah melewati proses enhancement agar lebih mudah untuk dianalisis [4, 9] , dan features extraction merupakan metode yang digunakan untuk mendeteksi bentuk di dalam sebuah objek, dan metode ini juga berfungsi untuk mendeteksi adanya keanehan di dalam sebuah gambar [2] . Dan dengan perkembangan teknologi saat ini, pengolahan citra dengan metode di atas dapat digabungkan dengan sebuah sistem yang dikenal dengan neural network, dimana gabungan sistem ini akan lebih mudah dan akurat di dalam mendeteksi sebuah objek yang selalu dipengaruhi oleh faktor luar, seperti cahaya, posisi dan umur [10, 11, 12, 13, 14] . Neural network atau jaringan syaraf tiruan adalah sebuah paradigma komputasi untuk memproses suatu informasi yang terinspirasi oleh sistem sel syaraf biologi [14] . Adapun pelatihan jaringan syaraf tiruan dapat dikelompokkan menjadi 3, yaitu supervised learning yang merupakan metode pelatihan dengan setiap pola yang diberikan ke dalam jaringan syaraf tiruan telah diketahui outputnya. Contoh dari metode ini adalah Hebbian, Perceptron, Boltzman, Hopfield, dan Backpropagation. Metode kedua yaitu metode unsupervised learning yang merupakan pelatihan yang tidak memerlukan target output, contoh dari metode ini adalah Kohonen, LVQ (Learning Vector Quantization), dan Neocognitron. Dan metode Abstrak-Teknik identifikasi objek menggunakan mesin berbasis vision telah banyak diimplementasikan pada industri manufaktur elektronika. Teknik ini kebanyakan digunakan untuk tujuan deteksi reject (produk yang tidak sesuai standar) atau deteksi defect (cacat). Penelitian ini bertujuan membuat alat deteksi kondisi reject subassembly base yang dibedakan menjadi dua kondisi yaitu missing screw dan wrong position screw, menggunakan metode jaringan syaraf tiruan backpropagation. Citra yang diambil menggunakan kamera akan diubah ke dalam grayscale terlebih dahulu sebelum diimplementasikan dengan metode backpropagation untuk menghasilkan nilai bobot. Hasil pengujian menunjukkan bahwa arsitektur jaringan backpropagation dengan 2 layer memiliki tingkat akurasi paling baik. Dengan learning rate 0.5, target error 0.015%, jumlah node 1 sebesar 100 dan node 2 sebesar 50, tingkat keberhasilan deteksi objek Sub-assembly kondisi benar mencapai 99.02% dengan tidak ada error pada proses deteksi sub-assembly kondisi salah (missing screw dan wrong position screw). Kata kunci: pengolahan citra, machine vision, jaringan syaraf tiruan, backpropagation Abstract-Object identification technique using machine vision has been implemented in industrial of electronic manufactures for years. This technique is commonly used for reject detection (for disqualified product based on existing standard) or defect detection. This research aims to build a reject detector of sub-assembly condition which is differed by two conditions that is missing screw and wrong position screw using neural network backpropagation. The image taken using camera will be converted into grayscale before it is processed in backpropagation methods to generate a weight value. The experiment result shows that the network architecture with 2 layers has the most excellent accuracy level. Using learning rate of 0.5, target error 0.015%, and the number of node 1 of 100 and node 2 of 50, the successive rate for sub-assembly detection in right condition reached 99.02% while no error occurs in detecting wrong condition of Sub-assembly (missing screw and wrong position screw).
doi:10.17529/jre.v13i1.4368 fatcat:73bzpgmvp5cezjkmmdyecx7wi4