1

SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN

LEARNING VECTOR QUANTIZATION

Nama Mahasiswa : Gigih Prasetyo Cahyono

NRP : 1206 100 067

Jurusan : Matematika FMIPA-ITS

Dosen Pembimbing : Prof. DR. M. Isa Irawan, MT.

Abstrak

Salah satu cara yang digunakan manusia dalam menyandikan sejumlah data secara unik

adalah dengan barcode. Data yang disandikan biasanya data yang berhubungan dengan informasi

suatu barang. Suatu barang yang diberi label barcode akan memudahkan dalam proses

pemeriksaan. Perangkat input yang digunakan untuk membaca barcode membutuhkan posisi

sudut barcode yang tepat agar dapat dibaca dan sering juga kita jumpai bahwa kode barcode

tersebut mengalami goresan atau noise yang mengakibatkan alat pembaca barcode yang biasa

tidak dapat mengenali barcode tersebut. Dari uji coba yang dilakukan metode klasifikasi JST-

LVQ mamiliki tingkat akurasi pengenalan terhadap barcode yang sangat baik, dimana dari 100

macam barcode yang telah diujikan 96% barcode normal bisa dikenali dan 92% barcode dengan

noise kurang dari 20% bisa dikenali.

Kata kunci : barcode, perangkat input, noise, metode learning vector quantization.

1. PENDAHULUAN

Pada saat ini perkembangan teknologi

sangat pesat sekali, seiring dengan kemajuan

jaman dan perkembangan ilmu pengetahuan.

Teknologi yang canggih memberikan kemudahan

bagi pekerjaan manusia yang sifatnya

memberatkan, sehingga pekerjaan yang dahulu

masih didominasi oleh tenaga manusia maka

sekarang bisa dialihkan dengan tenaga mesin.

Salah satu hasil cipta teknologi yang memberikan

kemudahan bagi pekerjaan manusia adalah

komputer, dimana sekarang ini aplikasi dari

komputer sudah banyak diterapkan dalam

berbagai bidang kehidupan, misalnya bidang

militer, kedokteran, industri, perdagangan, dan

lain sebagainya, sehingga komputer menjadi alat

bantu yang handal bagi manusia. Dalam bidang

perdagangan, komputer memberikan peran yang

cukup besar yaitu dalam kalkulasi harga barang

secara cepat, database, juga dalam pembacaan

pola citra barcode. „Barcode‟ adalah garis-garis

hitam yang dibuat menurut kode tertentu,

umumnya digunakan sebagai identifikasi terhadap

suatu objek atau barang.

Data yang biasa disandikan adalah nama

barang, jenis barang, jumlah, harga, periode suatu

barang, dan lain sebagainya. Semua informasi

yang dibutuhkan untuk keperluan tertentu

mengenai suatu barang akan dijadikan suatu kode

yang mempunyai bentuk batang dengan warna

hitam/gelap. Aplikasi dari barcode selain untuk

penyandian suatu barang juga dapat digunakan

untuk penyandian sistem keamanan, seperti

doorlock system. Aplikasi barcode yang biasa

dijumpai yaitu pada supermarket, dimana kode

barcode yang tertera pada barang mengandung

kode jenis barang dan kode produsen.

Salah satu metoda yang dapat digunakan

untuk identifikasi pola citra adalah Jaringan

Syaraf Tiruan. Jaringan syaraf tiruan merupakan

sebuah sistem pemroses informasi yang

mempunyai karakteristik sama dengan jaringan

syaraf biologis manusia. Secara umum jaringan

syaraf tiruan dikembangkan pada model-model

matematis dari cara berfikir manusia dan jaringan

syaraf tiruan mampu melakukan generalisasi

terhadap data-data yang dijadikan sebagai bahan

belajar dengan cara menyimpan data hasil

pelatihan dalam bobot koneksi antar unit,

sehingga jaringan syaraf tiruan mampu mengenali

objek yang dinamis ataupun objek yang statis,

serta mampu mengenali pola citra yang berbeda-

beda. Kemampuan inilah yang dapat digunakan

2

dalam mengidentifikasi pola citra barcode, sebab

citra barcode yang tertera dalam setiap barang

mempunyai pola yang berbeda-beda maka pola

inilah yang dapat digunakan untuk mencirikan

satu barang dengan barang yang lain.

Dalam tugas akhir ini digunakan metode

JST-LVQ untuk melakukan tugas pengenalannya.

Untuk mendapatkan input data yang lebih baik

maka digunakan tehnik pengolahan citra untuk

pra-pengolahan data barcode.

Tujuan dari tugas akhir ini adalah

mengimplementasikan sebuah program yang

dapat mengenali barcode dalam kondisi normal

maupun kondisi rusak.

2. Tinjauan Pustaka

2.1 Studi Penelitian

Sistem pengenalan barcode adalah

suatu sistem yang mampu mengenali code

barcode dimana code ini digunakan untuk

menyandikan suatu barang atau buku. Sistem

ini banyak digunakan untuk penyandian

sistem keamanan, seperti doorlock system dan

aplikasi perkembangan sistem barcode ini

sering dijumpai yaitu pada supermarket.

Pada tahun 1994, Yuan Liao, Jen Liu

dan Rong Tyan melakukan penelitian

mengenai sistem pengenalan barcode dengan

menggunakan jaringan syaraf tiruan

backpropagation. Pada penelitian ini masih

terdapat kekurangan pada saat akuisisi citra

barcode dan masih kesulitan ketika

mengenali barcode ketika dalam keadaan

melengkung misalnya pada code barcode

pada botol.

Pada penelitian ini, akan

dikembangkan perangkat lunak pengenalan

barcode secara offline dengan menggunakan

metode LVQ untuk klasifikasi. Dari

perangkat lunak yang dihasilkan akan dilihat

kemampuan metode LVQ dari segi akurasi

terhadap pengenalan barcode dan waktu yang

diperlukan untuk pelatihan pola barcode

tersebut. Proses pra-pengolahan citra barcode

menggunakan beberapa metode yang ada

pada pengolahan citra digital.

2.2 Barcode dan Aturan Pembacaannya

„Barcode‟ adalah garis-garis hitam

yang dibuat menurut kode tertentu, umumnya

digunakan sebagai identifikasi terhadap suatu

objek atau barang. Dalam masyarakat

modern, barcode yang banyak digunakan

pada sebagian besar komoditas. Barcode

konvensional terdiri dari dua bagian yaitu

pertama adalah kelompok garis dan yang lain

terdiri dari angka-angka di bawah garis-garis

tersebut. Ada dua jenis barcode yaitu pertama

barcode satu dimensi, barcode ini terdiri dari

garis-garis yang berwarna putih dan hitam,

warna putih untuk nilai 0 dan warna hitam

untuk nilai 1. Yang kedua yaitu barcode dua

dimensi, barcode ini sudah tidak berupa

garis-garis lagi, akan tetapi seperti gambar

sehingga informasi yang tersimpan di

dalamnya akan lebih besar.

Dalam tugas akhir ini menggunakan contoh

barcode satu dimensi dengan tipe EAN 13

(Europe Article Number) tipe ini sering kita

jumpai untuk kode suatu barang di

supermarket. Tipe EAN 13 dipakai untuk

pengkodean barang-barang atau produk yang

dikomersialkan, tipe ini sendiri terdiri dari 13

digit dan masing-masing digit memiliki arti.

Untuk dua digit pertama melambangkan

“kode negara”, lima digit berikutnya

melambangkan “kode produsen yang

memproduksi barang” dan lima digit

berikutnya melambangkan “kode barang yang

diberikan produsen” serta satu digit terakhir

berfungsi sebagai digit pemeriksaan yang

artinya digit ini dipergunakan untuk

memeriksa kebenaran sistem dalam

pembacaan barcode dengan barang yang

memuat kode tersebut (Yuan, 1994). Aturan

pembacaan barcode secara manual dapat

dilihat pada gambar 2.1 berikut :

Gambar 2.1 Contoh Aturan Pembacaan

Barcode

3

2.3 Pengolahan Citra Digital

Proses pengolahan citra digital

bermacam-macam tergantung pada kebutuhan

dan keluaran yang diinginkan, diantaranya

deteksi tepi (edge detection), grayscaling,

thresholding.

a Deteksi Tepi (Edge Detection) Deteksi Tepi (Edge Detection) adalah

suatu proses yang menghasilkan tepi-tepi dari

objek-objek gambar. Suatu titik (x,y)

dikatakan suatu tepi (edge) dari suatu citra

bila titik tersebut mempunyai perbedaan yang

tinggi dengan tetangga. Macam-macam

metode untuk proses deteksi tepi, antara lain

sebagai berikut :

1. Metode Robert

Metode Robert adalah nama lain dari

teknik differensial, yaitu differensial

pada arah horizontal dan differensial

kearah vertikal, dengan ditambahkan

proses konversi biner setelah

dilakukan differensial. Kernel filter

yang digunakan dalam metode Robert

adalah sebagai berikut :

2. Metode Prewitt

Metode Prewitt merupakan

pengembangan metode robert dengan

menggunakan filter High Pash Filter

(HPF) yang diberi satu angka nol

penyangga. Metode ini mengambil

prinsip dari fungsi laplacian yang

dikenal sebagai fungsi untuk

membangkitkan HPF. Kernel filter

yang digunakan adalah sebagai berikut

:

3. Metode Sobel

Metode Sobel merupakan

pengembangan metode robert dengan

menggunakan filter HPF yang diberi

satu angka nol penyangga. Metode ini

mengambil prinsip dari fungsi

laplacian dan gaussian yang dikenal

sebagai fungsi untuk membangkitkan

HPF. Kelebihan dari metode ini

adalah kemampuan untuk mengurangi

noise sebelum melakukan perhitungan

deteksi tepi. Kernel filter yang

digunakan adalah sebagai berikut :

Dalam penelitian ini menggunakan

metode sobel. Proses Edge Detection citra

barcode seperti tampak pada Gambar 2.10

Gambar 2.10 Proses Edge Detection

Pada Citra Barcode

b Grayscalling Grayscaling adalah teknik yang

digunakan untuk mengubah citra berwana

menjadi bentuk grayscale atau tingkat

keabuan (dari hitam - putih). Pengubahan dari

citra berwarna ke bentuk grayscale mengikuti

aturan sebagai berikut :

),(,,),(,, yxIyxyxfyx

3

),(),(),(),(

jiBjiGjiRjiI

Keterangan :

f(x,y) = nilai intensitas yang lama

I(x,y) = nilai intensitas yang baru

c Thresholding Thresholding digunakan untuk

mengubah intensitas piksel menjadi salah satu

dari dua nilai, a1 atau a2. Hasil dari proses

4

thresholding ditentukan oleh suatu parameter

yang disebut nilai threshold.

Proses thresholding menggunakan fungsi

sebagai berikut :

),(,,),(,, yxgyxyxfyx

Tyxfa

Tyxfayxg

),(,

),(,),(

2

1

Keterangan :

f(x,y) = nilai intensitas yang lama

g(x,y) = nilai intensitas yang baru

T = nilai threshold

nilai threshold didapat dengan cara

menghitung nilai rata-rata derajat keabuan

citra atau dengan persamaan :

1 1

1( , )

n m

i j

T f i jmxn

Keterangan :

m = panjang citra

n = lebar citra

( , )f i j = nilai intensitas pada koordinat ( , )i j

Jika a1 = 0 dan a2 = 1, maka proses

thresholding mengubah citra grayscale

menjadi citra biner.

2.4 Metode JST-LVQ

Motivasi untuk sebuah algoritma yang

diterapkan pada jaringan syaraf LVQ adalah

untuk menemukan unit output yang terdekat

dengan vektor input. Hal tersebut akan

berakhir, jika x dan w berada pada kelas

yang sama, maka bobot dipindahkan ke

vektor input yang baru dan jika x dan w

berada pada kelas yang berbeda, maka bobot

akan dipindahkan dari vektor input. Ada

beberapa notasi yang akan digunakan, yaitu :

x vektor pelatihan 1( ,..., ,..., )i nx x x

T kategori atau kelas yang benar untuk

vektor pelatihan

jw vektor bobot untuk unit output j

1( ,..., ,..., )j ij njw w w

jc kategori atau kelas yang

direpresentasikan oleh unit output j

jx w jarak Euclidean antara vektor input

(vektor bobot) dan unit output j

Adapun algoritma dari LVQ adalah:

Langkah 1. Inisialisasikan vektor referensi

dan learning rate, (0)

Langkah 2. Selama kondisi berhenti

bernilai salah, kerjakan

1. Untuk masing-masing pelatihan

vektor input x

2. Temukan j sehingga jx w

bernilai minimum

3. Perbaiki jw dengan :

1. jika T=jc maka

( ) ( ) ( )j j jw baru w lama x w lama

jika Tjc maka

( ) ( ) ( )j j jw baru w lama x w lama

4. Kurangi learning rate

5. Tes kondisi berhenti

3. Metodologi Penelitian

Proses pengerjaan tugas akhir ini terbagi

menjadi dua bagian besar, yaitu proses

pengolahan citra digital dan pengenalan citra

barcode dengan menggunakan jaringan syaraf

tiruan.

3.1 Pengolahan Citra Digital

Alur proses pengolahan citra digital

yang dikerjakan dapat digambarkan sebagai

berikut :

Gambar 3.1 Alur Proses Pengolahan

Citra Digital

5

3.1.1 Tahap Preprocessing

Citra yang diperoleh pada saat

akuisisi data seringkali tidak sesuai untuk

digunakan sebagai data input klasifikasi.

Bentuk citra yang digunakan berupa citra

biner sehingga pada data input harus

dilakukan proses edge detection, grayscalling

dan thresholding. Untuk mendapatkan input

yang cocok untuk jaringan syaraf tiruan.

Gambar 3.2 Diagram Alir Pencarian

Nilai Threshold

Pada proses pencarian nilai

threshold, data input berupa citra untuk

selanjutnya dilakukan proses edge detection

untuk memperjelas tepi-tepi citra barcode

serta memberikan efek smoothing, sehingga

citra yang dihasilkan bersih dari noise,

kemudian dicari total derajat keabuaan dari

citra tersebut. Nilai threshold didapat dengan

cara membagi total derajat keabuaan dengan

ukuran citra input.

3.1.2 Ekstraksi Ciri

Pada tahap ini citra barcode yang

akan dimasukkan ke dalam jaringan akan

diproses lebih lanjut, yaitu diambil nilai

perpikselnya yang selanjutnya akan diubah ke

bentuk numerik 0 dan 1 atau disebut juga

dengan proses normalisasi. Tidak seluruh

piksel citra barcode diambil nilainya, tetapi

hanya niali piksel citra secara horizontal.

Letak pengambilan secara horizontal ini bisa

dilakukan pada bagian atas, tengah atau

bawah. Pengambilan ini tidak dilakukan

secara keseluruhan sebab ciri khusus dari

barcode adalah sama untuk setiap baris.

3.2 Jaringan Syaraf Tiruan

Jaringan syaraf tiruan dirancang

untuk mengenali pola citra barcode yang

telah di ekstraksi kebentuk numerik. Dari data

tersebut selanjutnya akan diklasifikasi ke

dalam kelas-kelas yang telah ditentukan

sebelumnya dengan menggunakan metode

jaringan syaraf tiruan LVQ.

Gambar 3.3 Digram Alir Training LVQ

Pada tahap training LVQ, input

berupa data array hasil dari ekstraksi ciri.

Setelah proses training memenuhi kondisi

berhenti maka dihasilkan output berupa bobot

akhir yang digunakan untuk proses testing.

6

Gambar 2.4 Diagram Alir Testing

LVQ

3.3 Proses Pengujian Data Citra Barcode

Dalam proses pengujian barcode ini,

data citra barcode yang akan diuji meliputi

citra normal dan citra yang memiliki noise.

Maka diperlukan beberapa langkah-langkah

khusus untuk melakukan proses

pengujiannya.

a. Langkah-Langkah Dalam Pengujian

Citra Barcode yang Normal

1. Citra barcode diambil dari data yang

telah tersedia.

2. Kemudian data citra tersebut langsung

diuji di dalam sistem.

3. Sehingga akan didapatkan sebuah

output yang terdiri dari nama barang,

jenis barang dan harga barang dari

citra barcode yang telah diuji.

b. Langkah-Langkah Dalam Pengujian

Citra Barcode yang Memiliki Noise

1. citra barcode diambil dari data citra

barcode normal yang telah disediakan.

2. Citra barcode tersebut kemudian akan

diberi noise dahulu sebelum diuji di

dalam sistem. Proses pemberian noise

ini misalnya bisa dilakukan dengan

menggunakan aplikasi pada “Paint”.

3. Setelah proses pemberian noise telah

dilakukan, kemudian citra barcode

dengan noise tersebut bisa diuji di

dalam sistem.

4. Sehingga akan didapatkan sebuah

output yang terdiri dari nama barang,

jenis barang dan harga barang dari

citra barcode yang telah diuji

4. Uji Coba dan Pembahasan

4.1 Pengujian Masing-Masing Proses dari

Sistem

Dalam melakukan uji coba perangkat

lunak, digunakan sebuah notebook dengan

spesifikasi Processor Intel Pentium Core 2

Duo 2.00 GHz, Memory DDR2 2 GB,

Hardisk 250 GB dan VGA Card 128 Mb.

Sedangkan untuk perangkat lunak yang

digunakan adalah sistem oprasi Windows

Vista Home Basic, Adobe Photoshop CS 4

dan Java Netbeans 6.8 sebagai tool untuk

membuat perangkat lunak.

Proses dalam sistem pengenalan

barcode ini dibagi menjadi beberapa proses

besar, yaitu proses pengolahan citra, proses

training dan testing dengan jaringan syaraf

tiruan. Berikut ini adalah penjelasan

pengujian dari proses yang terdapat dalam

sistem :

4.1.1 Pengujian Proses Pengolahan Citra

a. Pengujian Deteksi Tepi (Edge

Detection)

Pada proses deteksi tepi ini citra

barcode yang akan menjadi inputan diolah

sehingga tepi citra barcode tampak lebih jelas

serta memberikan efek smoothing sehingga

citra bersih dari noise. Seperti tampak pada

Gambar 4.1 berikut ini :

Gambar 4.1 Barcode Hasil Proses

Deteksi Tepi

b. Pengujian Grayscalling dan

Thresholding

Setelah citra barcode mengalami

proses deteksi tepi lalu citra mengalami

7

proses grayscalling, nilai dari hasil

grayscalling digunakan untuk proses

thresholding untuk mengubah nilai piksel

menjadi 2 macam yaitu 0 dan 1. Seperti

tampak pada Gambar 4.2 berikut ini :

Gambar 4.2 Barcode Hasil Proses

Grayscalling dan Thresholding

c. Pengujian Ekstraksi Ciri

Nilai-nilai piksel dari proses

grayscalling dan thresholding yang masih

berukuran besar tidak diambil secara

keseluruhan tetapi diambil hanya nilai piksel

pada bagian tengah citra secara horizontal.

Setiap citra diambil nilai piksel dengan

ukuran 1 x 250 piksel sudah dalam bentuk

array. Seperti tampak pada Gambar 4.3

berikut :

Gambar 5.3 Piksel Hasil Ekstraksi Ciri

4.2 Pengujian Jaringan Syaraf Tiruan

a. Pengaruh Learning Rates

Untuk mengetahui pengaruh learning

rates terhadap akurasi maka akan dilakukan

percobaan dengan mengambil nilai learning

rates : 0.05, 0.1, 0.5, 1. Dengan menggunakan

metode JST-LVQ diperoleh hasil uji coba

sebagai berikut :

Tabel 5.1 Pengaruh Learning Rate

terhadap Akurasi

Pada Tabel 5.1 dapat disimpulkan

bahwa dengan mengambil nilai learning rates

semakin besar maka persentase akurasi

semakin kecil. Nilai learning rates terbaik

dengan persentase akurasi paling tinggi

adalah 0,05.

b. Uji Coba Jaringan Syaraf Tiruan LVQ

Proses trainning menggunakan data

citra barcode berjumlah 500 data citra. Dari

data tersebut diubah menjadi data array biner

(0 dan 1), selanjutnya di gunakan untuk input

JST. Dengan memberikan nilai learning rate

0.05 dan maksimum iterasi 100. Dari data

citra barcode yang telah dilatihkan dan

dilakukan pengujian untuk 100 data citra

barcode normal maupun citra dengan noise

< 20 % diperoleh hasil seperti terlihat pada

tabel 5.2 :

Tabel 5.2 Hasil Uji Coba JST-LVQ dalam

Pengenalan Barcode.

8

Berdasarkan hasil percobaan di atas,

dengan menggunakan rumus :

persentase_akurasi=

maka persentase akurasi pengenalan

barcode menggunakan jaringan syaraf tiruan

LVQ adalah untuk citra barcode yang

normal memiliki tingkat akurasi sebesar

96%, sedangkan untuk citra barcode dengan

noise kurang dari 20 % memiliki tingkat akurasi 92%.

5. Penutup

5.1 Kesimpulan

Dari hasil uji coba yang telah dilakukan

dapat diambil beberapa kesimpulan sebagai

berikut :

1. Penggunaan Jaringan Syaraf Tiruan LVQ

untuk proses klasifikasi barcode dalam

kondisi normal maupun dalam kondisi

rusak memberikan hasil yang sangat

baik. Yaitu untuk barcode yang normal

memiliki akurasi pengenalan mencapai

96% sedangkan untuk barcode yang

rusak dengan tingkat kerusakan kurang

dari 20% memiliki akurasi pengenalan

mencapai 92%.

2. Rancangan algoritma pengolahan dan

ekstraksi ciri data citra barcode berhasil

diimplementasikan dalam sebuah sistem.

3. Algoritma klasifikasi jaringan syaraf

tiruan LVQ berhasil diimplementasikan

dalam sebuah sistem yang mampu

melakukan pengenalan data barcode.

9

6.1 Saran

Dari hasil yang telah dicapai dalam

penelitian tugas akhir ini, terdapat beberapa

hal yang perlu dipertimbangkan untuk

melakukan pengembangan pada penelitian

ini, diantaranya sebagai berikut :

1. Proses pengenalan barcode ini dilakukan

secara offline. Untuk pengembangan

selanjutnya akan lebih baik jika

pengenalan dilakukan secara real time.

2. Diharapkan penelitian selanjutnya akan

lebih baik menggunakan metode jaringan

syaraf tiruan yang lain.

DAFTAR PUSTAKA

1. Ahmad, Usman.,(2005), Pengolahan

Citra Digital dan Teknik

Pemrogramannya.Yogyakarta :

Graha Ilmu.

2. Budi R, Imam H dan Arif H.,(2007),

Mudah Belajar Java. Bandung :

Informatika Bandung.

3. Fausett, L.,(1994), Fundamental of

Neural Networks, Architecture,

Algorithms dan Aplication,

Prentice Hall.

4. “Java Tutorial”,

http://www.java2s.com/Tutorial/Java/C

atalogJava.htm

5. Kristanto, Andri.,(2004), Jaringan

Syaraf Tiruan. Yogyakarta : Gava

Media.

6. "Mengenal dan Mempelajari

Barcode",

http://www.activebarcode.com

7. Siang, JJ.,(2005), Jaringan Syaraf

Tiruan dan Pemrogramannya

Menggunakan Matlab. Yogyakarta :

Andi Offset.

8. Sigit, R. , Basuki, A. , Ramadijanti, N.

(2005). Step by Step Pengolahan

Citra Digital. Yogyakarta : CV.

Andi Offset.

9. Yuan L, Jen L and Rong T., (1994), A

Bar-Code Recognation System Using

Backpropagation Neural Networks,

pp. 81-90, 1995.