Implementasi Neural Network Dalam Mengklasifikasi Hasil Ekstraksi Ciri Tepi Objek Dua Dimensi Budi Rahmani 1) , Hugo Aprilianto 2) 1) Jurusan Teknik Informatika, STMIK Banjararu, Banjarbaru, email: budirahmani@gmail.com 2) Jurusan Teknik Informatika, STMIK Banjararu, Banjarbaru, email: hugo.aprilianto@gmail.com Abstrak - Pada penelitian ini telah dilakukan proses pengklasifikasian citra objek dua dimensi berupa citra bangun ruang a.l.: tabung, balok persegi panjang, bola, limas dan kerucut. Masing-masing kelas objek terdiri atas sepuluh citra variasi yang akan menjadi citra pelatihan dan pengujian. Variasi citra didapat dengan melakukan rotasi terhadap citra masing-masing kelas dengan sudut rotasi sebesar 10, 45, 70, 90, 110, 130, 170, 215 dan 280 derajat berlawanan jarum jam. Proses pengklasifikasian dimulai dengan pengolahan citra a.l.: cropping, grayscaling, resizing into 30x30 pixel, edge detecting, reshaping into 1D vector. Dari hasil tersebut dilakukan proses pelatihan terhadap neural network yang dibentuk dengan 900 input node, 1 hidden layer, dan 3 output node. Untuk proses pelatihan dan pengujian dilakukan dengan 2 cara yaitu: pertama, pelatihan dan pengujian dengan menggunakan data yang sama, kedua, pelatihan menggunakan 60% citra dan pengujian dengan 40% citra yang ada. Hasil penelitian menunjukkan bahwa hasil pengujian dengan menggunakan data yang sama antara data latih dan data uji adalah akurasi pengklasifikasian yang mencapai 84%. Sedangkan pengujian dengan menggunakan 60% citra sebagai data latih dan 40% citra sebagai data uji yaitu akurasi pengklasifikasian mencapai 45%. Kata kunci : objek 2D, neural network, ekstraksi, ciri tepi, klasifikasi 1. PENDAHULUAN Mengenali dan membedakan beberapa objek yang berbeda bentuk oleh manusia pada dasarnya adalah sesuatu yang sederhana. Namun oleh sebuah sistem seperti komputer, hal ini tentu saja memerlukan pembelajaran yang relatif sulit dan memerlukan waktu yang relatif lama. Salah satu faktor yang berpengaruh terhadap proses pengenalan objek guna proses pengklasifikasian adalah faktor bentuk dari objek itu sendiri. Pengenalan dan pemahaman atas suatu objek yang didasarkan pada bentuknya, merupakan topik yang berkembang dalam computer vision dan multimedia processing. Adapun isu sentralnya adalah terletak pada bagaimana proses mencari deskriptor bentuk objek yang baik [2]. Kemudian penelitian lain juga mengetengahkan suatu pendekatan baru dalam hal pendeteksian multi- view object class detection.[7]. Menurut penelitian ini bahwa penampilan dan geometri dari sebuah objek diperlakukan sebagai bagian pembelajaran yang terpisah dengan data pelatihan. Pendekatannya adalah menggunakan model bagian yang secara terpisah mempelajari pendeteksian objek berdasarkan tampilan piramida spasial dari database gambar yang nyata, dan mengkodekan geometri 3D kelas obyek dengan representasi generatif yang dibangun dari database model sintetik. Informasi geometrik terkait dengan data pelatihan 2D dan memungkinkan untuk melakukan estimasi 3D untuk kelas objek generik. Estimasi pose menyediakan metode yang efisien untuk mengevaluasi kemungkinan kelompok mendeteksi bagian 2D dengan baik untuk model 3D geometri penuh untuk menghindari disambiguate and prune detection terhadapobjek 2D serta untuk menangani oklusi. [7] Pendeteksian dan pengenalan objek ini salah satunya diterapkan pada aplikasi mobile robot. Di Indonesia, kontes robot cerdas dengan berbagai divisi yang ada merupakan ajang yang tepat untuk menerapkan hal tersebut. Selama ini rata-rata setiap tahunnya ada perkembangan yang mengharuskan setiap peserta tim dari perguruan tinggi se Indonesia untuk menambah kelincahan dan kemampuan robot yang dibuat untuk melakukan navigasi pada arena, mendeteksi keberadaan titik api atau lilin, mendeteksi objek yang harus diambil dan diletakkan di areal tertentu dalam arena. Ini tentu saja akan sulit dilakukan jika robot tidak bisa “melihat” objek yang dimaksud. Menurut Y.H. Putra [3], bahwa pada dasarnya robot menggunakan informasi dari lingkungan sekitarnya untuk melakukan aksi atau tindakan, dan informasi itu didapat salah satunya melalui sensor visual berupa sensor konvensional maupun kamera CCD atau Charge Couple Device. Pada mobile robot, sensor ini selain digunakan untuk informasi objek, juga digunakan untuk menentukan arah geraknya. Citra objek 2D yang diproses pada penelitian sebelumnya adalah berukuran 320x240 piksel. Piksel sendiri adalah titik-titik pembentuk citra dengan