IMPLEMENTASI PENGENALAN KODE PETI KEMAS SECARA...

06 Februari 2012 Presentasi Tugas Akhir - CI 1599 1

IMPLEMENTASI PENGENALAN KODE PETI KEMAS SECARA OTOMATIS MENGGUNAKAN FITUR EIGEN

(kata kunci : pengenalan kode, local thresholding, fitur geometri, model fitur eigen, pricipal component analysis)

PRESENTASI TUGAS AKHIR – CI 1599

Penyusun Tugas Akhir :Mujiono

(NRP : 5108 100 090)

Dosen Pembimbing :Dr. Eng. Nanik Suciati, S.Kom., M.Kom.

Arya Yudhi Wijaya, S.Kom., M.Kom.


POIN-POIN PRESENTASIA G E N D A P R E S E N T A S I

PENDAHULUAN

TINJAUAN PUSTAKA

DESAIN & IMPLEMENTASI

- Latar Belakang Tugas Akhir- Tujuan yang akan dicapai- Permasalahan Tugas Akhir- Batasan Permasalahan

- Konsep Peti Kemas- Konsep Computer Vision- Konsep Konstruksi Model- Konsep Pengenalan Kode

- Alur Proses Pengenalan Kode Peti Kemas- Diagram hubungan Fungsi Implementasi- Implementasi MATLAB GUI

- Hasil Konstruksi Model Citra Peti Kemas- Akurasi Pengenalan Kode pada Citra Peti Kemas

per Karakter- Uji Coba Aplikasi MATLAB GUI

UJI COBA & ANALISA

- Kesimpulan dan Saran tugas akhirKESIMPULAN


PENDAHULUAN

PENDAHULUAN

TINJAUAN PUSTAKA


UJI COBA & ANALISA

KESIMPULAN


LATAR BELAKANGP E N D A H U L U A N

Dewasa ini, proses pengenalan kode peti kemas masih dilakukandengan pengecekan secara manual.

Pengecekan secara manual ini berpotensi menghasilkan kesalahandalam pengenalan kode dan membutuhkan waktu yang lama.

Tugas Akhir ini mengimplementasikan perangkat lunak yang mampumengenali kode peti kemas secara otomatis dengan akurasi yang tinggidan waktu pengenalan yang singkat.


TUJUANP E N D A H U L U A N

Mengimplementasikan perangkat lunak berbasis visikomputer yang dapat melakukan pengenalan kode petikemas secara otomatis. Diharapkan perangkat lunak inidapat meningkatkan efisiensi terminal peti kemas danmembantu manajemen aliran peti kemas.


PERUMUSAN PERMASALAHANP E N D A H U L U A N

Bagaimana melakukan Konstruksi Model Citra Peti Kemas, melalui:- Proses Local Thresholding- Proses Ekstraksi Karakter berdasarkan Fitur-fitur Geometri- Penyusunan Model Fitur Eigen dari Citra Training

Bagaimana melakukan Pengenalan Kode Peti Kemas, melalui:- Proses Pemisahan Baris Kode Karakter- Proses Pengenalan Kode dengan menemukan PCA Reconstruction Error

Terkecil

1.

2.


BATASAN PERMASALAHANP E N D A H U L U A N

Citra acuan adalah citra peti kemas berjumlah 55 buah dengan tipe RGBdengan resolusi 640 x 480 x 3 piksel yang berukuran sekitar 67Kbytes.

Implementasi perangkat lunak pengenalan kode peti kemas dilakukan dengan menggunakan MATLAB 7.6 (R2008a).

1.

2.


TINJAUAN PUSTAKA

PENDAHULUAN

TINJAUAN PUSTAKA


UJI COBA & ANALISA

KESIMPULAN


Peti KemasT I N J A U A N P U S T A K A

Peti kemas (container) merupakan peti atau kotak yangmemenuhi persyaratan teknis sesuai dengan InternationalOrganization for Standardization (ISO) sebagai alat atauperangkat pengangkut barang yang bisa digunakan diberbagaimoda, mulai dari moda jalan dengan truk peti kemas, keretaapi, sampai moda laut dengan kapal peti kemas.


Peti KemasT I N J A U A N P U S T A K A

Kode peti kemas merupakan barisan karakter baik itu hurufmapun angka yang memiliki arti.

Baris Pertama

Kode Karakter Arti Tipe KarakterTiga karakter pertama (YML) Id Pemilik HurufKarakter keempat (U) Kategori HurufKarakter terakhir (0) Cek Digit AngkaKarakter yang lain (471645) Nomer Seri Angka

Baris KeduaKode Karakter Arti Tipe KarakterDua karakter pertama (42) Kode Ukuran AngkaKarakter ketiga (G) Kode Tipe HurufKarakter terakhir (1) Kode Tipe Angka


Computer VisionT I N J A U A N P U S T A K A

Computer Vision merupakan bidang ilmu yang meliputimetode untuk memperoleh, memproses, menganalisa, danmemahami citra untuk menghasilkan informasi numerikmaupun tekstual.


T I N J A U A N P U S T A K AKonstruksi Model

Konstruksi model bertujuan untuk memperoleh area kode petikemas dan menyusun model fitur eigen berdasarkan citratraining.Langkah I :

Segmentasi Local Thresholding

Local Thresholding(w dan c)Citra Peti Kemas Citra Biner Peti Kemas


Konstruksi ModelT I N J A U A N P U S T A K A

Langkah II :Ekstraksi Karakter berdasarkan Fitur-fitur Geometri

Citra Biner Peti Kemas

Filter area piksel dengan kriteria:- Luas antara 67-720 piksel- Lebar antara 5-30 piksel- Tinggi antara 21-37 piksel

Grouping area pikselhasil filter. (EuclideanDistance ≤ 25 piksel)

Ambil area hasil groupingdengan lebar terbesar sebagaiarea kode

( ) ( )[ ]2122),( tysxqpDe −+−=

Euclidean Distance


T I N J A U A N P U S T A K AKonstruksi Model

Langkah III :Penyusunan Fitur Eigen

24x42 piksel

} X = (x1, x2, ... , xi, xm-1, xm)

x = (x1, x2, ..., xj, ..., xn-1, xn)T

huruf

angka

= 141 buah

= 120 buah

Matriks Kovarian

eigenvalues (v1, v2, ... , vi, ... , vn-1, vn )

eigenvectors (u1, u2, ... , ui, ... , un-1, un)

= (x1/n , x2, ..., xm-1/n, xm/n)xFitur Eigen


T I N J A U A N P U S T A K APengenalan Kode

Pengenalan kode bertujuan untuk membaca karakter pada area kode peti kemas.Langkah I :

Pemisahan Baris Kode Karakter





a



Langkah II :Pengenalan Kode dengan menemukan PCA Reconstruction Error Terkecil (1)

1. Input unknown character Cunknown dan fitur eigen.2. Pilih Eigen-feature dan proyeksikan vektor karakter Cunknown

3. Rekonstruksi karakter melalui proses proyeksi

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15



Langkah II :Pengenalan Kode dengan menemukan PCA Reconstruction Error Terkecil

4. Hitung reconstruction error5. Simpan nilai error dan kembali ke step 2 sampai semua karakter yang tidak diketahuidibandingkan dengan semua template training berdasarkan fitur eigen.6. Pilih karakter dengan reconstruction error terkecil sebagai hasil pengenalan Cunknown

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15


DESAIN DAN IMPLEMENTASI

PENDAHULUAN

TINJAUAN PUSTAKA


UJI COBA & ANALISA

KESIMPULAN


Alur Proses Pengenalan Kode Peti KemasDESAIN DAN IMPLEMENTASI


Diagram Hubungan Fungsi ImplementasiDESAIN DAN IMPLEMENTASI


Aplikasi MATLAB GUI:Tampilan Antar Muka

Implementasi MATLAB GUIDESAIN DAN IMPLEMENTASI

1

2

3

4

5

6

7

8


UJI COBA DAN ANALISA

PENDAHULUAN

TINJAUAN PUSTAKA


UJI COBA & ANALISA

KESIMPULAN


SkenarioUji coba dilakukan pada 55 buah citra peti kemas. Pada proses local thresholding dipengaruhi oleh dua parameter utama, yaitu: ukuran filter (w) dan besarnya konstanta (c), masing-masing sebesar width/30 dan 0.08. Nilai kedua parameter tersebut berlaku untuk keseluruhan citra peti kemas.

Uji Coba Konstruksi Model Citra Peti KemasUJI COBA DAN ANALISA


UJI COBA DAN ANALISAUji Coba Konstruksi Model Citra Peti Kemas

Citra Peti Kemas Hasil KonstruksiModel

Citra Peti Kemas Hasil KonstruksiModel


AnalisaSecara kualitatif dapat diukur tingkat keberhasilan perangkat lunak dalam memperoleharea kode peti kemasHasil uji coba yang ditampilkan adalah enam citra peti kemas dan hasil konstruksimodelnya. Untuk empat puluh delapan citra peti kemas dan hasil konstruksi modelnyadapat dilihat pada Lampiran 1.Dari hasil uji coba konstruksi model terhadap data uji, secara kualitatif dapat digolongkanpada hasil yang bagus. Hal ini dikarenakan, dari seluruh uji coba semuanya menghasilkanarea yang berupa karakter kode peti kemas

Uji Coba Konstruksi Model Citra Peti KemasUJI COBA DAN ANALISA


SkenarioUji coba dilakukan pada 55 buah area kode citra peti kemas. Uji coba diukur dengan Recognition Success Rate (RSR) per karakter. RSR merupakan prosentase keberhasilan pengenalan kode peti kemas per karakter darikarakter huruf A-Z dan angka 0-9.

Uji Coba Pengenalan KodeUJI COBA DAN ANALISA



KarakterJumlah

Jumlah yang Berhasil RSRKemunculan Dikenali

A 5 5 100 %

B 3 3 100 %

C 10 10 100 %

D 0 0 -

E 1 1 100 %

F 2 2 100 %

G 59 58 98.31 %

H 3 3 100 %

I 3 3 100 %

J 0 0 -

K 10 10 100 %

L 26 26 100 %

M 24 24 100 %

N 1 1 100 %

O 35 35 100 %

P 0 0 -

Q 0 0 -

R 2 2 100 %

S 15 15 100 %

T 4 4 100 %

U 56 56 100 %

V 0 0 -

W 2 2 100 %

X 0 0 -

Y 9 9 100 %

Z 5 5 100 %

0 40 40 100 %

1 103 103 100 %

2 121 121 100 %

3 39 39 100 %

4 68 68 100 %

5 42 42 100 %

6 27 27 100 %

7 42 42 100 %

8 36 36 100 %

9 32 31 96.88 %

Rata-rata RSR 99.78 %

KarakterJumlah

Jumlah yang Berhasil RSRKemunculan Dikenali

Recognition Success Rate (RSR) per Karakter


AnalisaDari hasil uji coba, secara kuantitatif dapat diukur tingkat keberhasilan perangkat lunakdalam mengenali karakter kode petiData RSR menujukkan nilai rata-rata RSR 99.78 %. Data tersebut berarti perangkat lunakmemiliki akurasi yang sangat tinggi dalam mengenali karakter kode peti kemas.Kesalahan pengenalan terjadi pada pengenalan karakter huruf ‘G’ yang dikenali sebagaikarakter ‘C’, dan karakter angka ‘9’ yang dikenali sebagai karakter ‘8’.Kesalahan pengenalan ini hanya terjadi satu kali dari 59 kali kemunculan karakter huruf‘G’, dan satu kali dari 32 kali kemunculan karakter angka ‘9’.



KESIMPULAN

PENDAHULUAN

TINJAUAN PUSTAKA


UJI COBA & ANALISA

KESIMPULAN


Proses konstruksi model dipengaruhi oleh hasil segmentasi citra, dan nilai-nilai dari fitur geometri yang dimiliki karakter kode pada peti kemas. Semakin baik hasil segmentasi dan semakin spesifik fitur geometri yang diterapkan, maka area kode peti kemas yang diperoleh semakin bagus.Pengenalan kode peti kemas menggunakan model fitur eigen memilikiakurasi yang baik (99.78%).

KESIMPULAN


Beberapa saran yang hendak disampaikan terkait dengan pengembangantugas akhir ini di masa yang akan datang adalah :Untuk meningkatkan akurasi, dibutuhkan jumlah karakter training yang semakin beragam untuk setiap karakter huruf dan angka.Penerapan proses pengenalan kode atau karakter dari sebuah citra dapatlebih dikembangkan, baik dari sisi citra yang semakin beraneka ragammaupun fungsi pengenalan kode atau karakter yang semakin luas.

SARAN


- Terima Kasih -

IMPLEMENTASI PENGENALAN KODE PETI KEMAS SECARA...

Documents

Transcript of IMPLEMENTASI PENGENALAN KODE PETI KEMAS SECARA...