Sistem Klasifikasi Kualitas Kayu Cedar Menggunakan Algoritma Convolutional Neural Network

Tahapan penggabungan desain perangkat keras dan desain perangkat lunak yang digunakan pada sistem klasifikasi kayu cedar berbasis Algoritma Convolutional Neural Network terbagi kedalam tiga proses yakni proses akuisisi citra, proses training & classification serta proses indikasi sistem yang di ilustrasikan pada gambar berikut:

Proses pertama memiliki tugas untuk melakukan auto-capture dengan bantuan sensor ultrasonik yang akan mendeteksi keberadaan kayu pada lintasan konveyor dan menjadikannya sebagai sinyal input sistem. Sinyal tersebut dikirimkan kepada server melalui arduino dengan metode komunikasi serial, kemudian server akan meneruskan perintah kepada webcam Logitech brio 4k untuk melakukan capturing sebagai feed terhadap training & classification system. Proses kedua memiliki tugas untuk melakukan pembelajaran terhadap mesin dan mengklasifikasikan gambar yang telah di capture dengan proses ekstraksi fitur secara otomatis melalui layer konvolusi, aktivasi dan max pooling. Hasil dari pembelajaran yang dilakukan pada proses kedua kemudian di tampilkan pada sistem indikator yang terdiri dari lima lampu LED dengan indikasi warna berbeda yang menyimbolkan masing-masing kelas kayu.

      Semua proses pengiriman perintah antara device kontroler dengan server dilakukan menggunakan metode komunikasi serial dengan ukuran kecepatan data sebesar 8 bit per second. Kode deteksi maupun kode prediksi yang telah diproses oleh sistem harus dikonversikan terlebih dahulu kedalam bentuk biner supaya dapat dengan mudah dilakukan proses pentransmisian data secara seri.

1. Proses Akusisi Citra

      Kayu cedar yang melaju pada lintasan konveyor akan secara otomatis di-capture oleh Logitech brio 4K atas intruksi dari server yang telah menerima sinyal dari HC-SR04 yang difungsikan sebagai proximity sensors dan diintegrasikan dengan arduino sebagai kontroler guna mendeteksi keberadaan objek. Capturing image dilakukan di dalam box akuisisi yang memeiliki dimensi 27,6 cm x 23,6 cm x 30 cm dengan warna hitam doff yang dilengkapi pencahayaan oleh LED strip pada bagian langit-langit dengan intensitas cahaya sebesar 723 lux. Gambar yang di hasilkan memiliki resolusi sebesar 640 x 480 pixel dengan karakteristik kayu sebagai berikut:

Tabel 3.1 Karakteristik citra kayu.

Kelas	Gambar	Keterangan
A		Serat sangat banyak dan lurus, jarak serat sangat rapat hampir tidak terlihat
B		Serat banyak, lurus dan agak tebal serta terlihat jarak antar serat
C		Serat terlihat dengan jelas, jarak antar serat jauh, serta beberapa serat melintang
D		Serat terlihat jelas, jarak antar serat berjauhan dan pola melintang
E		Serat terlihat sangat jelas, pola serat acak cenderung tidak lurus

        Gambar diatas menunjukan hasil capture citra kayu cedar tiap kualitas dengan background hitam, brightness sebesar 26, kontras sebsar 24 dan fokus kamera sebesar 14 dengan persentase zoom in sebesar 130%.

2. Proses Training & Classification 

       Pada step ini, citra hasil akuisisi akan digunakan sebagai feed untuk layer pertama pada arsitektur CNN, tapi sebelumnya perlu dilakukan pre-processing terlebih dahulu supaya didapatkan kecocokan dimensi antara citra dan layer. Parameter kecocokan pada algoritma CNN arsitektur VGG-16 yang di gunakan pada sistem klasifikasi kayu kali ini adalah citra berbentuk persegi dengan dimensi berukuran 224x224x3 pixel. Berikut merupakan ilustrasi perhitungan sederhana dari operasi  resizing image.

P(q,r)	P(q+1,r)	P(q+2,r)
P(q,r+1)	P(q+1,r+1)	P(q+2,r+1)
P(q,r+2)	P(q+1,r+2)	P(q+2,r+2)

     Gambar 3.17 mengilustrasikan sebuah citra dua dimensi dengan ukuran 3x3 pixel yang memiliki variasi indeks berbeda. Pada proses ini diambil sampel yaitu 4 pixel diantaranya P(q,r); P(q+1,r); P(q,r+1) dan P(q+1,r+1). Asumsi Nilai yang akan diubah yaitu P(q,r), penetapan nilai tersebut ditentukan berdasarkan rata-rata dari semua nilai pada 4 pixel terkait dengan rumus seperti berikut:

       Berdasar rumus diatas, citra akan di ubah ukurannya menjadi lebih kecil seperti pada gambar 3.18. Akan tetapi supaya gambar asli yang berbentuk persegi panjang bisa di-resize menjadi gambar baru berbentuk persegi, maka perlu dilakukan proses tambahan dengan cara memperbaiki aspek rasio pada gambar atau menambahkan padding pada gambar yang baru yang akan di-resize. Untuk penambahan padding nya sendiri dapat dilakukan dengan tiga cara yakni menyisipkan zero value pada tepi dimensi, max value pada tepi dimensi ataupun menyisipkan nilai yang sama dengan gambar pada tepi dimensi yang baru.

       Setelah citra input cocok dengan layer pertama CNN, selanjutnya dilakukanlah proses ekstraksi fitur yang bertujuan untuk mengumpulkan ciri pada setiap kelas kayu.

2.1. Proses Ekstraksi Ciri

Tahap ini proses pengumpulkan informasi dari masing-masing objek citra kayu terjadi. Dalam algoritma convolutional neural network proses ekstraksi ciri dilakukan secara otomatis pada tiga layer utama pembentuknya yakni konvolusional layer, aktivasi layer dan pooling layer.

A.  Konvolusional Layer

      Sebuah citra input yang telah dilakukan normalisasi akan memiliki dimensi 224x224x3 pixel yang dikonvolusikan dengan sebuah vertikal filter berbentuk persegi dengan ukuran 3x3 dengan total ebanyak 64 filter yang digunakan dan menghasilkan sebuah citra baru yang mengandung salah satu ciri tertentu dari citra aslinya dengan ukuran volume citra dapat dihitung melalui rumus berikut:

Berdasarkan rumus diatas, citra baru hasil konvolusi dapat divisualisasikan sebagai berikut:

        Gambar 3.19 merupakan representasi visual satu kanal warna dari operasi konvolusi 2D yang dilakukan terhadap salah satu filter/karnel berukuran 3x3 pixel pada layer konvolusi. Berdasarkan hasil riset didapat total feature maps pada layer konvolusi pertama dengan dimensi input 224x224x3 berjumlah 64 fitur. Kemudian step kedua dalam proses ekstraksi fitur adalah dengan melakukan aktivasi terhadap output dari konvolusional layer.

B. Aktivasi Layer

     

     Dengan menggunakan ReLu sebagai fungsi aktivasinya, maka output negatif pixel akan dengan otomatis digantikan dengan nilai nol dan nilai pixel sebenarnya akan dibiarkan. Secara matematis dapat dituliskan sebagai berikut:

ReLu = max (y,0)                                            (3.3)

       Dengan mengimplementasikan rumus diatas kedalam output dari konvolutional layer, maka citra baru akan terbentuk.

C. Pooling Layer 

     Untuk memperjelas fitur, maka diperlukan operasi pooling pada citra yang telah diproses oleh layer aktivasi. Caranya yakni melakukan down-sampling dari setiap pixel pada citra dengan mengimplementasikan rumus:

Pooling = max (y,0)                                        (3.4)

        Dengan menerapkan rumus 4 pada citra output aktivasi layer, maka akan diperoleh citra baru yang telah dilakukan down sampling seperti gambar 3.21.

       Gambar 3.21 merupakan visualisasi dari proses down sampling, yang dapat memperjelas fitur. menyebabkan penyusutan pixel dan mempercepat proses komputasi pada proses klasifikasi.

3. Proses Training

       Setelah ciri pada semua kelas objek diekstraksi dan dikumpulkan selanjutnya dilakukanlah proses training supaya sistem menjadi pintar dan dapat membedakan setiap kelas kayu yang dipindainya. Caranya yakni dengan melakukan updating weight secara terus menerus sampai losses bernilai nol dengan acuan perhitungan sebagai berikut:

       Berdasarkan rumus 3.6 jika Y dan  bernilai sama, maka loss function akan bernilai nol, sehingga ketika dikalikan dengan berapapun nilai learning rate-nya akan membuat weight baru bernilai samadengan weight lama. Sehingga dapat diketahui bahwa performasi suatu sistem klasifikasi kayu detentukan dengan memperhatikan parameter training CNN yang meliputi learning rate, batch size, epoch dan optimizer.

3.1. Proses Klasifikasi

       Dalam melakukan prediksi dalam proses klasifikasi multiclass system, dibutuhkan fungsi softmax classifier untuk dapat mengkategorikan setiap kelas kayu yang ada. Fungsi tersebut digunakan pada MLP dengan range predict antara 0 dan 1 dengan total probabilitas adalah sama dengan 1. Hal tersebut tentu sangat penting dalam melakukan evaluasi prediksi kelas pada suatu model pembelajaran mesin. Berikut merupakan formulasi yang digunakan agar setiap probabilitas multiclasses memiliki jumlah sama dengan 1:

       Notasi fj menunjukkan hasil fungsi untuk setiap elemen ke-j pada vektor keluaran kelas. Argumen y adalah hipotesis yang diberikan oleh model pelatihan agar dapat diklasifikasi oleh fungsi Softmax.

4. Sistem Indikator

        Indikator yang digunakan berupa lampu LED yang akan menyala berdasarkan sinyal dari server. Sinyal predict akan dikirimkan menuju arduino yang telah di integrasikan dengan relay dan lampu LED menggunakan komunikasi serial.

      Sinyal yang dikirimkan berupa kode abjad berdasarkan kelas masing-masing kayu dengan ketetapan : Kode “A” untuk lampu merah, Kode “B” untuk lampu kuning, kode “C” untuk lampu putih, kode “D” untuk lampu hijau dan kode “E” untuk lampu biru.

Share this post