1

Abstraksi- Pada penelitian ini dilakukan sebuah proses simulasi dalam mendeteksi bentuk objek di bawah permukaan tanah. Pendeteksian objek dilakukan dengan metoda Ground Penetrating Radar di atas permukaan tanah (Surface). Proses pendeteksian akan menghasilkan sebuah pola grafik sinyal pantul Ez. Ampllituda yang bervariasi menandakan perbedaan ukuran objek. Sedangkan pada hasil proses B-Scan akan didapat sebuah grafik yang menandakan letak kedalaman objek di bawah tanah. Untuk penelitian digunakan sebuah software GPRMAX 2D. Software ini akan mensimulasikan sebuah keadaan lingkungan homogen dengan karakteristik objek yang diinginkan. Bahan objek dan karakteristik lingkungan sekitar objek bisa diatur sedemikian rupa. Dari data-data yang disimulasikan, akan digunakan sebagai data sampel untuk pengklasifikasian data-data baru dari objek yang belum dikenal. Data sampel akan dibandingkan dengan data baru untuk mengidentifikasi objek yang menghasilkan data baru tersebut. Proses perbandingan ke depannya akan digunakan sebagai sebuah metoda pengklasifikasian. Data-data yang dijadikan pembanding/database adalah data dari model objek berbentuk persegi, lingkaran, dan segitiga dengan masing-masing terdapat sebelas ukuran yang berbeda. Data percobaan merupakan objek dengan bentuk yang sama tapi ukurannya yang berbeda. Ukuran untuk data percobaan adalah ukuran di luar data pembanding. Untuk proses klasifikasi digunakan sebuah decision tree. Decision tree ini mencakup seluruh database yang telah disimulasikan. Dengan program C4.5 decision tree dibentuk dengan beberapa node leaf (keputusan akhir) yang menentukan klasifikasi objek. Pada penelitian ini dicoba untuk beberapa karakteristik lingkungan yang berbeda pula. Kata kunci: Pendeteksian Objek, Surface GPR, Decision Tree, C4.5

I. PENDAHULUAN Metoda Ground Penetrating Radar (GPR) pada beberapa tahun terakhir berkembang dengan pesat. Berbagai bidang pendukung sudah banyak dikembangkan oleh berbagai macam institusi di dunia. Pengembangan image processing untuk proses identifikasi menjadi sasaran utama pengembangan. Image processing digunakan untuk pengenalan benda yang merupakan objek penelitian dengan GPR. Proses identifikasi objek saat ini masih kurang dikembangkan. Penelitian mengenai image recognition untuk mengetahui bentuk benda

yang terdeteksi oleh GPR yang dilaporkan dalam tulisan ini. Satu hal yang menjadi masalah untuk proses recognition adalah hasil pendeteksian GPR yang dihasilkan masih terbatas pada grafik hiperbolis. Grafik ini belum bisa digunakan untuk melakukan proses klasifikasi. Menyikapi masalah tersebut, penulis ingin mengembangkan image recognition hasil deteksi GPR untuk dapat mengetahui bentuk benda di dalam tanah pada kondisi tertentu. Kondisi objek meliputi tiga bentuk dasar yang umum: persegi, lingkaran, dan segitiga segitiga. Setiap objek yang diteliti memiliki masing-masing empat ukuran yang berbeda pada posisi yang sama. Diharapkan dengan penelitian ini, pemrosesan sinyal GPR tidak memerlukan perhitungan matematis yang kompleks dan panjang. Pada umumnya, metoda GPR dibagi ke dalam dua bagian, metoda Surface GPR, dan Borehole GPR. Pada surface, alat cukup berada di atas permukaan tanah saat pengambilan data. Sedangkan pada Borehole, alat ditanamkan di antara objek yang ada. Penulis melakukan penelitian dengan melakukan metoda yang paling umum digunakan yaitu metoda Surface GPR. Metoda Surface GPR adalah sebuah metoda geofisika popular yang pada umumnya digunakan untuk menggambarkan image dengan resolusi tinggi berupa lapisan-lapisan di bawah permukaan tanah, tanpa harus merusak tanah yang diteliti. Metoda ini mirip dengan metoda pengukuran kedalaman air laut dari kapal dengan menggunakan infrasonik. Yang membedakan antara GPR dan Infrasonik adalah GPR menggunakan transmisi pulsa radar gelombang elektromagnetik berfrekuensi rendah ke dalam lapisan bumi, untuk kemudian diukur interval waktu antara transmisi, pemantulan gelombang terhadap benda, dan penerimaan kembali gelombang elektromagnetik ke antenna penerima[1]. Jika dibandingkan dengan Borehole GPR, Surface GPR memiliki keunggulan. Surface GPR dapat mengetahui lapisan di bawah permukaan secara cepat, tepat, akurat, dan murah, tanpa merusak struktur fisik tanah di bawah permukaan. Surface GPR memiliki kelemahan untuk pendeteksian objek di bawah permukaan dengan kedalaman yang tinggi. Semakin dalam objek sasaran, pancaran sinyal dari alat akan semakin melemah. Pada penelitian ini, penulis mensimulasikan teknik Surface GPR untuk mendeteksi benda-benda dengan bentuk dan ukuran yang berbeda. Kemudian hasil dari simulasi akan dibandingkan antara objek yang satu dengan yang lain. Penulis menggunakan program algoritma Decision Tree C4.5 untuk mengklasifikasikan bentuk objek yang dideteksi dari GPR. Penulis menggunakan database training berupa tiga objek berbeda dengan masing-masing sepuluh ukuran yang berbeda.

PENGKLASIFIKASIAN BENTUK OBJEK DALAM TANAH MENGGUNAKAN GROUND PENETRATING RADAR DAN DECISION

TREE

Arie Wibowo1, Ir. Nana Rachmana S, M.Eng2, Affiliation 1: Bandung Institute of Technology, ariewibowo165@gmail.com, +628562247146 Affiliation 2: Bandung Institute of Technology, nana@telecom.ee.itb.ac.id, +628156040359

2

Database training ini akan menjadi acuan dalam pengklasifikasian data baru yang didapat. Ringkasan Tugas Akhir ini disusun sebagai berikut. Bab I akan menjelaskan secara umum penelitian yang dilakukan. Bab II akan menampilkan Simulasi Aplikasi Surface GPR. Bab III membahas Implementasi Aplikasi Program C4.5 sebagai proses Image Recognition Surface GPR. dan Bab IV akan menyimpulkan keseluruhan Tugas Akhir ini. Hal-hal lain berupa pengembangan dan penyempurnaan dari penelitian yang sudah dibuat dituliskan pada bab IV.

II. SIMULASI APLIKASI SURFACE GPR Data-data parameter dihasilkan dengan menggunakan GPRMAX 2D. Progam GPRMAX 2D digunakan untuk simulasi sebuah model berupa bak pasir dengan objek didalamnya. Pasir untuk bak memiliki karakteristik permitivitas relatif 3.0, konduktivitas medium 10-2

Siemens/meter, dan permeabilitas relatif medium pasir dianggap 1. Dengan objek berupa konduktor sempurna. Bak model memiliki ukuran panjang selebar 3m dan ketinggian 2m. pasir memenuhi setengah tinggi bak pasir (1m). Model objek yang dijadikan parameter berupa persegi, lingkaran, dan segitiga. Ketiga bentuk tersebut dimodelkan dengan sebelas ukuran yang berbeda. Total data parameter berjumlah 33 buah. Setiap objek diletakkan pada kedalaman 50cm di bawa permukaan tanah. Output yang didapat dari simulasi menggunakan program GPRMAX 2D dapat berupa output biner dan ASCII. Output data biner digunakan untuk menggambarkan grafik sinyal pantul Ez, Hx, dan Hy serta penggambaran B-Scan masing-masing objek. Penggambaran grafik sinyal dan B-Scan digunakan untuk pembedaan karakteristik pola grafik dan analisis letak kedalaman objek di dalam bak pasir. Sedangkan output data berupa ASCII akan memberikan nilai apmlituda pantul yang bervariasi untuk benda yang tertanam. Perbedaan nilai amplituda pada range waktu tertentu akan memberikan delta dengan nilai yang cukup signifikan antar bentuk objek. Dari hal tersebut dapat disimpulkan bahwa objek tertanam dapat dibedakan dari karakteristik amplituda gelombang pantul, khususnya pada nilai Ez.

Penulis menggunakan sebuah model bak pasir dengan ukuran panjang: 3meter dan tinggi: 2meter. Ketinggian pasir yang diisikan pada bak pasir sebesar: 1 meter. Sehingga udara berketebalan : 1 meter. Pada simulasi ini digunakan model bak pasir dengan pasir berkarakteristik r = 3, =0.01, dan r =1.

Sedangkan untuk keperluan transmisi dan penerimaan sinyal digunakan antena yang terletak pada ketinggian 20 cm di atas permukaan pasir. Antena yang disimulasikan berjumlah dua buah, antena pemancar dan antena penerima. Kedua antena ini berjarak 10 cm konstan. Antena pemancar akan memancarkan sinyal dengan frekuensi 1 GHz. Proses simulasi meliputi beberapa langkah berikut: (1)Antena pemancar memancarkan sinyal ke dalam tanah. Sinyal yang terpantulkan oleh objek kemudian akan diterima oleh antena penerima. Secara logika, sinyal yang dipantulkan akan memiliki besar amplituda yang berbeda-beda (bergantung terhadap waktu penerimaan dan letak antena pengirim-penerima); (2) Antena pemancar dan antena penerima akan melakukan pemancaran dan penerimaan ke arah sumbu-x positif. Proses tersebut akan dilakukan setiap

jarak 5 cm. lamanya waktu pemancaran sinyal dibatasi selama 12 ns. Sehingga pada simulasi akan didapat jumlah trace sebanyak 20 kali. Objek yang dijadikan target adalah model objek dengan tiga bentuk berbeda yang memiliki karakteristik sebagai konduktor sempurna. Semua hasil simulasi ketiga benda tersebut akan dijadikan bahan training atau database utama untuk tujuan klasifikasi dan rekognisi. Database tersebut akan dijadikan tolak ukur dalam penentuan bentuk objek. Objek baru yang didapat dicontohkan sebagai tiga buah bentuk benda dengan setiap objek divariasikan besar ukurannya. Ukuran yang digunakan tidak sama dengan ukuran pada database. Karakteristik objek dan lingkungan sekitar objek (pasir) sama dengan database. Untuk simulasi ini, penulis menggunakan objek yang akan dideteksi posisinya dengan dua macam bahan yaitu pipa dengan bahan konduktor sempurna sebagai data training pada program C4.5, dan objek dengan bentuk yang sama dengan ukuran berbeda. Bentuk model simulasi ini adalah sebagai berikut:

Gambar 2.1 Bentuk Model Simulasi Surface GPR pipa lingkaran

r=17cm pada kedalaman 50cm

Simulasi Model Objek Persegi Berbahan Konduktor

Sebuah objek berbentuk persegi dengan karakteristik : nilai konduktivitas sebesar 1030 Siemens/m dan permeabilitas = 1.

Gambar 2.2 Hasil Simulasi GPRMAX berupa citra B-scan gelombang Ez

objek berbentuk persegi dengan sisi=26cm

Untuk hasil plotting grafik sinyal pantul Ez pada persegi dengan sisi 26 cm. didapat hasil grafik sebagai berikut:

3

Gambar 2.3 Hasil Simulasi GPRMAX berupa Gelombang Pantul

Ez pipa persegi s=26cm

Pada grafik di atas, terlihat bahwa ada variasi amplituda pada setiap waktu. Pola di atas bisa kita sebut dengan pola sinyal pantul. Pada detik-detik awal 0-2.5 nanosecond, terlihat bahwa grafik memiliki nilai amplitude besar. Besarnya amplitude ini disebabkan pada waktu tersebut, sinyal pancaran menembus medium pasir dari medium udara. Dengan zoom pada selang waktu 0.7 ns sampai sekitar 0.9 ns terlihat adanya pola grafik yang unik. Berikut hasil perbesaran dari pola grafik pantul tersebut:

Gambar 2.4 Hasil Zoom pada detik 7ns – 10ns Gelombang Pantul Ez pipa

persegi s=26cm

Dari pola tersebut terlihat dengan jelas bahwa pada rentang waktu tertentu terjadi simpangan amplitude yang variatif. Pola mirip terdeteksi pada rentang waktu 7-9,5 ns. dengan rumus pada bab 1, kita bisa mendapatkan nilai kedalaman objek:

2r

r

tecd = meter [2]

(3.1) Sehingga kedalamannya

msssmd 498,02

)10.5,210.25,8(3

/10.3 998

=−

=−−

.

Perbedaan antara objek simulasi dengan kondisi yang diinginkan hanya berbeda 0,002 m. dari perbedaan tersebut data hasil simulasi bisa dianggap valid. Simulasi Model Objek Lingkaran Berbahan Konduktor

Objek yang disimulasikan berbentuk smemiliki karakteristik : nilai konduktivitas sebesar 1030 Siemens/m sedangkan dan permeabilitas = 1. Dari hasil simulasi dan ploting grafik sinyal pantulan, akan didapat bentuk image sebagai berikut:

Gambar 2.5 Hasil Simulasi GPRMAX berupa citra B-scan gelombang Ez pipa

lingkaran r=13cm

Untuk hasil plotting grafik sinyal pantul Ez pada lingkaran dengan sisi 26 cm. didapat hasil grafik sebagai berikut:

Gambar 2.6 Hasil Simulasi GPRMAX berupa Gelombang Pantul Ez pipa

lingkaran r=13cm

Pada grafik di atas, terlihat bahwa ada variasi amplituda pada setiap waktu. Pola di atas bisa kita sebut dengan pola sinyal pantul. Pada detik-detik awal 0-2.5 nanosecond, terlihat bahwa grafik memiliki nilai amplituda besar. Besarnya amplituda ini disebabkan pada waktu tersebut, sinyal pancaran melalui dua medium yang berbeda, medium pasir dan medium udara.

Gambar 2.7 Hasil Zoom pada detik 7ns – 10ns Gelombang Pantul Ez pipa

lingkaran r=13cm

Mirip dengan kondisi saat dilakukan proses simulasi model berbentuk persegi dari pola tersebut terlihat dengan jelas bahwa pada rentang waktu tertentu terjadi simpangan amplitude yang variatif. Pola mirip terdeteksi pada rentang waktu 7-9,5 ns. Simulasi Model Objek Segitiga Berbahan Konduktor

Untuk simulasi model objek berbentuk segitiga ditentukan karakteristik model sebagai berikut nilai konduktivitas sebesar 1030 Siemens/m sedangkan dan permeabilitas = 1. Dari hasil

4

simulasi dan ploting grafik sinyal pantulan, akan didapat bentuk image sebagai berikut:

Gambar 2.8 Hasil Simulasi GPRMAX berupa citra B-scan gelombang Ez objek berbentuk segitiga dengan sisi=26cm

Untuk hasil plotting grafik sinyal pantul Ez pada segitiga dengan sisi 26 cm. didapat hasil grafik sebagai berikut:

Gambar 2.9 Hasil Simulasi GPRMAX berupa Gelombang Pantul Ez pipa segitiga s=26cm

Gambar 2.1 Zoom pada detik 7ns – 10ns Gelombang Pantul Ez segitiga

s=26cm Pada simulasi dilakukan dua puluh kali pengambilan data. Karena perbedaan letak dan sudut pantul antara antena pemancar dan antena penerima. Untuk dua puluh posisi pengambilan yang berbeda amplitude Ez akan memiliki nilai berbeda pula. Dari hasil pengamatan ketiga grafik dari model objek yang berbeda didapatkan beberapa pola karakteristik unik. Secara kasat mata bisa terlihat adanya perbedaaan grafik untuk proses klasifikasi.

Bentuk pola grafik pantul gelombang Ez ketiga objek tersebut dapat dikatakan konsisten untuk setiap perubahan dimensi panjang sisi dan untuk perubahan setiap besar dimensi diameter Nilai kisaran amplituda gelombang pantul Ez pada masing-masing pipa tersebut pun tidak jauh berbeda pada setiap perbedaan dimensi panjang dari panjang sisi/diameter sebesar 20cm, 22cm, 24cm, 26cm, 28cm, 30cm dan seterusnya hingga panjang sisi dan diameter 40cm. Dengan diketahui perbedaan karakteristik pola grafik yang berbeda signifikan, diharapkan dari hasil pengolahan data didapat hasil klasifikasi final dari ketiga bentuk pipa tersebut sebagai objek pembanding. Untuk melakukan perbandingan dengan ukuran objek yang sama, penulis melakukan beberapa simulasi untuk beberapa kondisi keadaan objek yang berbeda. Data-data simulasi dari tiga bentuk benda tersebut dapat digunakan sebagai parameter selanjutnya pada program C4.5 dalam pembentukan Decision Tree untuk mendeteksi bentuk pipa sebenarnya. Berikut flowchart dari hasil simulasi dan pengolahan serta penggunaan parameter pada program C4.5 sebagai proses image recognition untuk mendeteksi bentuk. Diagram blok proses pengklasifikasian adalah sebagai berikut: Implementasi Aplikasi Program C4.5 pada Image Recognition Surface GPR

Berikut adalah Diagram Alir dari simulasi program C4.5

dalam Image Recognition benda utilitas pada Surface GPR:

Gambar 2.11 Diagram Alir Simulasi Program C4.5 dalam Image Recognition

benda utilitas pada Surface GPR

Decision tree ini akan dibuat sebagai acuan dalam proses klasifikasi. Perbedaan yang mencolok dari data training akan menentukan node-node leaf. Node-node leaf merupakan final dari proses klasifikasi. Proses pembangunan memerlukan beberapa file dengan ekstension data dan names. Untuk mendapatkan file ber-ekstensi tersebut diperlukan program: Aplikasi Image Recognition pada Surface GPR dengan C4.5 merupakan aplikasi berbasis C. C4.5 membutuhkan proses built tree sebelum program tersebut dapat memprediksi suatu keputusan. Pada proses built tree tersebut dibutuhkan file-file dasar dari C4.5 yang akan diolah seperti *.data dan *.names dengan catatan nama file harus konsisten. Untuk mengakomodasi hal ini dibuatlah program perangkat lunak berbasis java di bawah ini dalam pembuatan file *.data dan *.names tersebut. DataCreator.java

Hasil simulasi GPRMAX (Ez, Hx, Hy)

Konversi Format agar kompatibel dengan program C4.5

PROGRAM C4.5

DataCreator.java (fix.data) NamesCreator.java (fix.names)

TstCreator.java AhCreator.java (fix.ah)

Data ASCII Ez database Data ASCII Ez objek test

Built Tree data training C4.5 Data Testing C4.5

ResultShower.jar (untuk memberikan output Image Recognition)

FileHandler.c, FileHandler.h dan TA.exe (untuk

otomatisasi input C4.5)

5

Program ini akan mengkonversi format data-data hasil simulasi GPRMAX menjadi sebuah kumpulan data training. Hasil dari data training ini disimpan ke dalam directory training. Program ini akan memproses file dengan format *.out menjadi file data dengan format *.data; Sebelum melakukan proses klasifikasi telah dilakukan proses simulasi dengan menggunakan program GPRMAX 2 Dimensi. Format yang dihasilkan tidak bisa langsung dioperasikan ke dalam program C4.5; format hasil dari program GPRMAX adalah sebagai berikut:

Gambar 2.12 Contoh format dan isi dari data hasil simulasi

GPRMAX pipa persegi 24cm

Pada output tersebut yang digunakan pada proses klasifikasi hanya nilai Ez dengan jumlah 20 kali pengambilan. Dua puluh kali pengambilan disesuaikan dengan dua puluh letak pada proses simulasi. Melalui proses iterasi Tx, data-data yang diperoleh sebanyak 509 data. Agar kompatibel dengan program C4.5, dibangun sebuah program DataCreator.java. program ini akan membuat file bernama fix.data; fix.data merupakan file dengan data-data simulasi hasil GPRMAX. Dari ukuran-ukuran yang berbeda, akan didapat sejumlah file *.output berjumlah tiga puluh tiga. fix.data didapat melalui proses proses dimana masing-masing data simulasi GPRMAX dari sebelas ukuran pipa lingkaran, sebelas ukuran pipa persegi dan sebelas ukuran segitiga segitiga yang berbeda dengan nama file format masing-masing sesuai dengan bentuk pipanya (persegi*.out atau lingkaran*.out atau segitiga*.out). dari data output tersebut diambil hanya nilai data dari baris kedua (nilai Ez) dari empat baris pada hasil simulasi tiap file tersebut. Ez tersebut diambil sebagai string sehingga harus diubah menjadi sebuah nilai double dengan faktor pengali dari nilai masing-masing eksponennya. Dengan nilai double dari 10180, nilai tersebut akan di-sort pada satu baris dibatasi dengan koma dan diakhiri oleh class target yang akan diambil dari nama file awal masing-masing. Selain itu juga dilakukan pemberian nilai-nilai random sebanyak ¼ dari 10180 data per barisnya. Pemberian nilai random bertujuan untuk memberikan kesan bahwa data training tersebut adalah data dari pengambilan data asli observasi. Dari proses tersebut didapat tiga puluh tiga baris dengan banyak value 10180 nilai dari atribut dengan masing-masing 11 class target Persegi, 11 class target Lingkaran dan 11 class target segitiga.

Gambar 2.13 Hasil dari program DataCreator.java dalam konversi

22data *.out dari simulasi GPRMAX menjadi 1 file fix.data

NamesCreator.java

Telah didapat attribut dan class target dari program sebelumnya, untuk pendefinisian value tersebut diperlukan sebuah fila *.names. File ini akan digunakan untuk menghitung nilai informasi Gain, Entropi, dan Grain Ratio untuk masing-masing attribut. Program khusus untuk pembentukan file tersebut adalah NamesCreator.Java. Dengan program tersebut akan didapatkan fix.names yang berisikan pendefinisian hal-hal tersebut di atas. Definisi tersebut didapat dari class target Persegi, Lingkaran, dan segitiga. Definisi tersebut merupakan hasil akhir dari keputusan Decision Tree. Dengan definisi yang ada akan dilakukan prediksi nilai output yang akan muncul dari attribute terproses. Attribut berjumlah 20 jumlah Tx dengan setiap Tx memiliki time sebanyak 509 buah. Dari sinilah didapat nilai value yang kontinyu sebanyak 10180 atribut.

Gambar 2.14 Bentuk format dari fix.names yang dibuat oleh program

NamesCreator.java

Proses Built Tree C4.5 dalam Image Recognition Proses pembangunan tree dapat dilakukan setelah didaptkan fix.data dan fix.names. Dengan program C4.5 akan dilakukan training tiga puluh tiga data sampel dengan masing-masing data sampel memiliki attribute sebanyak 10180 dari fix.data; dari fix.data didapat sebelas decision untuk Persegi, sebelas decision Lingkaran, dan sebelas Decision segitiga. Proses pembangunan tree C4.5 adalah sebagai berikut:

6

Gambar 2.15 Proses Built Tree dari fix.data dan fix.names dengan program C4.5

terdapat attribut yang paling berpengaruh Tx6time273 dan Tx3time 294. Dari Tx6Time273 didapat pembagian klasifikasi apakah data masuk ke dalam node persegi atau node segitiga/lingkaran. Kemudian pada node Tx3time294 akan didapat keputusan akhir data apakah termasuk segitiga atau lingkaran. Secara statistik dan probabilitas dari data sampel yang ada didapat dari perhitungan Entropi, Gain dan Gain Ratio, jika kita memiliki nilai > 0.824401, Decision Tree akan memberikan keputusan output akhir bahwa terdeteksi bentuk Persegi. Jika nilainya kurang sama dengan dari 0.824401, Decision Tree akan memproses lebih lanjut. Pemrosesan akan melibatkan nilai Tx3time294. Jika pada kondisi Tx tersebut didapat nilai <=0.760802, kita akan mendapatkan deteksi bentuk berupa segitiga. Sedangkan jika nilai lebih dari 0.760802 akan didapat hasil final deteksi berupa Lingkaran. Perlu diingat bahwa decision tree tersebut digunakan untuk karakteristik model yang sama di mana objek berada pada kedalaman 50 cm, permitivitas relatif 3.0 dan konduktivitas medium 10-2 Siemens/meter serta permeabilitas relatif medium pasir dianggap 1. TstCreator.java

Program ini akan mengkonversi nilai format dari data hasil simulasi GPRMAX. Hasil konversi disimpan pada folder test. Data yang tersimpan dalam format file *.out dikonversi menjadi file *.tst. Perbedaan dari TstCreator.java dan DataCreator.java terletak pada tidak diakhirinya baris data dengan class target, dengan demikian dianggap data testing tersebut tidak diketahui bentuk benda utilitasnya yang terdeteksi oleh Surface GPR. Pada simulasi ini dilakukan percobaan dengan data fie *.out sebanyak beberapa ukuran dengan empat kondisi yang berbeda. DataCreator.java, format dari hasil simulasi GPRMAX harus disortir terlebih dahulu sehingga hanya diambil data Ez saja yang berjumlah 20 letak Tx dimana masing-masing Tx memiliki iterasi nilai waktu (Time) sebanyak 509 data, sehingga didapat satu deret baris value sebanyak 10180 nilai pada data testing dengan format *.tst. FileHandler.c dan FileHandler.h

Ternyata pada saat menjalankan testing C4.5 proses memasukkan input harus dilakukan secara manual. Untuk setiap attribute kita perlu memasukkan satu persatu nilai gain dari yang tertinggi hingga gain terendah. Untuk jumlah attribute 10180 buah proses input secara manual akan memakan waktu yang tidak sedikit. Dengan program tambahan[4] berbasis C++ dengan fungsi menjawab attribute-attribute yang ditanyakan oleh program C4.5 secara otomatis. Dengan program FileHandler.c dan FileHandler.h yang akan memasukkan input sebanyak 10180 attribute tersebut secara otomatis. Dibutuhkan file fix.ah untuk mengakomodasi fungsi otomatisasi input tersebut. AhCreator.java

Untuk otomatisasi input tersebut dibutuhkan file fix.ah sebagai file yang berisi satu baris berisikan attribute. Dengan fix.ah program C4.5 akan menginput value dari attribute secara otomatis, bergantung nilai value pada attribute yang diminta. Dengan bantuan program AhCreator.java dapat dibuat file dengan format *.ah. File ini kemudian akan dilibatkan oleh program FileHandler.c saat melakukan penginputan data. Program AhCreator.java akan menghasilkan file fix.ah untuk keperluan otomatisasi input pada data testing program C4.5

terdapat 10180 attribute secara berurutan dari Tx0Time0 hingga Tx19Time508 dalam satu baris seperti berikut: “Tx0Time0, Tx0Time1, Tx0Time2, ..., Tx0Time507, Tx0Time508, Tx1Time0, Tx1Time1, .., Tx19Time506, Tx19Time507, Tx19Time508”..

Gambar 2.16 Bentuk format dari fix.ah yang dibuat oleh program

AhCreator.java

Proses Data Testing Setelah fix.ah terbentuk sehingga program FileHandler.c dapat menginput nilai value yang diminta oleh program C4.5 secara otomatis, data dengan format *.tst dapat dilakukan proses data testing dengan menjalankan perintah tertentu. Berikut contoh testing dari sebuah data:

Decision Tree yang dihasilkan c4.5: C:\FINAL PROGRAM GPR - C4.5>c4.5.exe -f out C4.5 [release 8] decision tree generator Mon May 19 10:17:59 2008 ---------------------------------------- Options: File stem <out> Read 33 cases (10180 attributes) from out.data Decision Tree: Tx6Time273 > 0.824401 : Kubus (11.0) Tx6Time273 <= 0.824401 : | Tx3Time294 <= 0.760802 : Segitiga (11.0) | Tx3Time294 > 0.760802 : Silinder (11.0) Tree saved Evaluation on training data (33 items): Before Pruning After Pruning ---------------- --------------------------- Size Errors Size Errors Estimate 5 0( 0.0%) 5 0( 0.0%) (11.8%) <<

C:\FINAL PROGRAM GPR - C4.5>TA.exe -f out out.ah kubus71.tst C4.5 [release 8] decision tree interpreter Mon May 26 22:02:35 2008 ------------------------------------------ Tx6Time273: inserting 0.824402 Decision: Kubus CF = 1.00 [ 0.88 - 1.00 ]

7

Dari hasil testing di atas, proses klasifikasi berjalan sempurna dengan keakuratan berkisar dari 88-100%. Keakuratan didapatkan dari proses perbandingan antara data objek testing dengan data training yang digunakan untuk membangun decision tree. ResultShower.jar

Setelah didapat hasil yang akurat dalam klasifikasi bentuk objek dari proses data testing, dibutuhkan sebuah tampilan output untuk hasil akhir dari program C4.5. untuk mengeluarkan sebuah image output, digunakan sebuah program ResultShower.jar. Program ini akan memanggil hasil decision dari C4.5 untuk mencocokkan hasil keputusan dengan gambar. Gambar yang dijadikan output program ini adalah gambar dummy sebagai output dari Image Recognition yang menunjukkan letak, kedalaman 50cm dan bentuk dari pipa tersebut.

Gambar 2.17 Hasil Output pipa persegi dari program Image Recognition for

Surface GPR with C4.5

Hasil yang didapat dari C4.5 menyebutkan pipa yang terdeteksi adalah pipa lingkaran sehingga dengan perintah “show” akan muncul tampilan output seperti contoh di atas dengan letak tertentu dan kedalaman 50cm di dalam pasir berupa pipa lingkaran. Sehingga dari hasil yang didapat dari lima data testing di atas didapat output hasil dari “Image Recognition for Surface GPR using C4.5” dengan akurat.

Gambar 2.18 Hasil Output pipa lingkaran dari program Image Recognition for

Surface GPR with C4.5

Gambar 2.19 Hasil Output Segitiga dari program Image Recognition for

Surface GPR with C4.5

III. KESIMPULAN Berdasarkan beberapa proses penelitian meliputi simulasi, analisis letak, kedalaman objek, dan proses klasifikasi dengan menggunakan decision tree pada program C4.5 untuk kepentingan kaslifikasi bentuk objek di bawah tanah, dapat diambil kesimpulan: (1) Dari grafik gelombang Ez untuk tiga puluh tiga hasil simulasi model (persegi, lingkaran, dan segitiga terdapat beberapa pola unik untuk setiap bentuk objek. Pola ini akan terus sama untuk variansi dimensi yang berbeda. Dari keunikan tersebut bisa digunakan untuk mengklasifikasian bentuk objek; (2) Grafik gelombang Ez untuk setiap objek dengan ukuran berbeda-beda akan memiliki nilai amplituda yang berbeda-beda. Semakin besar amplituda maka didapatkan ukuran objek yang lebih besar pula. (3) Dengan proses B-Scan dari hasil simulasi objek, kita bisa melihat secara kasat mata, posisi dari objek pada model bak pasir; (4) Dengan menggunakan data mining proses decision tree, setiap objek dengan bentuk yang sama dengan database akan bisa terdeteksi dengan akurat. Dengan catatan bahwa objek yang baru memiliki ukuran yang berbeda; (5) Proses klasifikasi hanya bisa dilakukan untuk sebuah model dengan kondisi karateristik yang sama. Lokasi kedalaman, permitivitas dan permeablitas antara objek dengan pasir harus sama. Untuk kondisi yang berbeda, proses klasifikasi belum bisa akurat sepenuhnya; (6) Proses klasifikasi dengan decision tree belum bisa digunakan untuk melakukan pattern recognition. Walaupun secara kasat mata tedapat beberapa perbedaan pola dari bentuk grafik masing-masing model, decision tree belum bisa melakukan klasifikasi bentuk objek sesuai yang diinginkan. Dari hasil implementasi dan percobaan aplikasi proses klasifikasi, beberapa saran yang bisa dijadikan bahan pertimbangan untuk penelitian yang lebih lanjut, antara lain: (1) Pengembangan proses pendeteksian ukuran objek pada aplikasi Surface GPR; (2) Perlu dilakukan penambahan aplikasi pattern recognition untuk kemudahan proses identifikasi objek dengan kondisi lingkungan yang berbeda; (3) Penambahan database model objek untuk proses klasifikasi bentuk objek yang lebih luas.

8

REFERENCES [1] Lawrence B. Conyers and Dean Goodman, “Ground

Penetrating Radar An Introduction For Archaeologists”, Altamira Press, Advision of Rowman and Little Field Publishers, 1997, pp. 22-23

[2] Giannopoulos, Antonis. “Modelling Ground Penetrating Radar Using Gprmax”. University of Edinburgh: Scotland, UK

[3] D.J. Daniels, “Surface-penetrating RADAR”, 1996, The Institution of Electrical Engineering

[4] P. Toft, The inverse radon Transform and PET. The Radon Transform Theory and Implementation Part II. Denmark 1996

[5] Tom M.Mitchell, “Machine Learning”. 1st edition. 1997 [6] Quinlan,J.R. , “C4.5: Programs for Machine Learning

Morgan Kauffman”. 1993 [7] Giannopoulos Antonis, “GprMax2D/3D, User’s Guide”.

2003, Available: http://www.gprmax.org. [8] Kurniadi, Luthfi. “IMAGE RECOGNITION BENDA FASILITAS

PADA SURFACE GROUND PENETRATING RADAR MENGGUNAKAN PROGRAM C4.5”, 2008.

[9] M.Nuramzan Iftari, “Perancangan dan Implementasi Antena Monopole 1 GHz untuk Aplikasi GPR”. Institut Teknologi Bandung 2007

[10] http://www.cis.temple.edu/~ingargio/cis587/readings/id3-c45.html

[11] James Irving, and Rosemary Knight, “Numerical modeling of ground-penetrating radar in 2-D using MATLAB”. Geophysics Department, Stanford University:USA

[12] http://www.cs.washington.edu/dm/vfml/appendixes/c45.htm

[13] http://www2.cs.uregina.ca/~dbd/cs831/notes/ml/dtrees/c4.5/c4.5.html

[14] http://www.intel.com/technology/itj/2005/volume09issue04/art07_advfaultisolation/p03_analysistools.htm