PENDETEKSI CACAT PADA

SELONGSONG PELURU BERBASIS

CITRA MENGGUNAKAN GABOR FILTER BULLET CASE DEFECT DETECTOR BASED ON

IMAGE USING GABOR FILTER

Seminar Proposal Tugas Akhir

Matematika FMIPA ITS 2013

Oleh :

M. Khairul Fahmi

1210 100 702

Dosen Pembimbing:

Dr. Dwi Ratna Sulistyaningrum S.Si, MT

I. Pendahuluan

Sebuah citra dari peluru cacat akan

memliki fitur vektor yang sangat berbeda

dengan citra dari peluru baik.

Semakin jelas bentuk kecacatan sebuah

peluru maka akan semakin besar

perbedaan vektor fiturnya.

Semakin jelas bentuk kecacatan sebuah

peluru maka akan semakin besar

perbedaan vektor fiturnya.

Rumusan Masalah

Bagaimana menerapkan metode Gabor

filter untuk mendeteksi kecacatan produk

pada peluru?

Bagaimana tingkat akurasisistem dalam

mendeteksi kecacatan peluru?

Batasan Masalah

Input berupa citra gambar peluru.

Dalam satu buah citra, baik sebagai input ataupun acuan hanya terdapat satu buah peluru.

Kecacatan yang dideteksi hanya pada bagian cartridge atau selongsong peluru saja.

Kecacatan yang dideteksi hanya pada bagian yang tampak pada citra.

Citra input memiliki ukuran yang sama.

Latar belakang (background) citra berwarna hijau.

Tujuan

Tujuan yang ingin dicapai dalam tugas akhir

ini adalah menerapkan metode Gabor filter

dalam mengekstraksi fitur sebagai bagian

penting dalam proses deteksi kecacatan

peluru, khususnya pada bagian

cartridge/selongsong peluru.

Manfaat

Membantu perusahaan senjata dalam

mendeteksi kecacatan peluru.

Dapat digunakan sebagai referensi dalam

penelitian sistem deteksi kecacatan

produksi peluru ataupun produksi yang

lain selanjutnya yang lebih sempurna.

Dasar Teori

Peluru 1. Peluru, yaitu bagian yang

ditembakkan dengan kecepatan tinggi dan berpisah dari bagian lain.

2. Selongsong, bagian yang menjadi wadah proyektil peluru dan propelan.

3. Propelan, yaitu bahan peledak yang akan menjadi sumber energi misalnya mesiu atau cordite.

4. Rim, bagian bawah dari selongsong.

5. Primer, bagian yang akan menyulut mesiu dengan membuat percikan api gunak meledakkan atau menembakkan proyektil.

Jenis-Jenis Kecacatan Peluru (1)

No. Jenis Kecacatan Gambar Ilustrasi

1. Corroded (Berkarat)

2. Smeared

Jenis-Jenis Kecacatan Peluru (II)

No. Jenis Kecacatan Gambar Ilustrasi

3. Dent (lekukan)

4. Perforated (Berlubang)

Jenis-Jenis Kecacatan Peluru (III)

No. Jenis Kecacatan Gambar Ilustrasi

5. Scaly (Bersisik)

6. Scratch (Goresan)

Citra Digital (1)

Citra digital terdiri dari kumpulan piksel-piksel yang disusun dalam sebuah matriks dua dimensi.

Piksel adalah bagian terkecil dari suatu citra.

Setiap piksel diwakili oleh sebuah nilai yang mendefinisikan suatu ukuran intensitas cahaya pada titik tersebut.

setiap piksel memiliki indeks baris dan kolom.

Citra Digital (1I)

Macam-macam citra digital:

Citra berwarna : 8 bit, 16 bit, 24 bit.

Citra Digital (1I)

Citra grayscale

Citra Digital (1I)

Citra biner

1. Cropping

Pemotongan dilakukan dengan mengambil

citra green dari citra RGB.

Diambil koordinat piksel-piksel yang memiliki

nilai green lebih kecil dari treshold.

Ambil koordinat minimum dan maksimum

dalam arah vertikal dan horizontal.

Lakukan pemotongan berdasarkan korrdinat-

koordinat terpilih yang diterapkan pada citra

asli, sehingga didapat citra segiempat terkecil

yang memuat citra peluru.

2. Normalisasi

Proses normalisasi bertujuan untuk

mengurangi kesalahan akibat ketidak

seragaman pencahayaan pada saat

pengambilan citra. Berikut ini rumus yang

digunakan:

𝐼′ = ∅𝑑 + 𝜆 𝑖𝑓 𝐼 𝑥, 𝑦 > ∅∅𝑑 − 𝜆 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒

Dengan,

𝜆 =𝜌𝑑*𝐼 𝑥,𝑦 −∅+2

𝜌

I dan I’ berturut-turut menyatakan citra

grayscale dan hasil normalisasi, ∅ dan 𝜌

menyatakan nilai mean dan variance dari

citra asli, ∅𝑑 dan 𝜌𝑑 merupakan nilai mean

dan variance yang diharapkan. Semua

percobaan dalam penelitian ini

menggunakan ∅𝑑 = 100 dan 𝜌𝑑 = 500.

Nilai ini didapat setelah dilakukan beberapa

percobaan.

3. Scalling

Scalling bertujuan untuk menyeragamkan

ukuran gambar sehingga ukuran yang

diperoleh selalu sama. Pada penelitian ini

semua citra, baik citra acuan dan citra input,

di-scalling manjadi berukuran 64x64 piksel.

Pada proses ini digunakan fungsi yang telah

tersedia di matlab yaitu fungsi imresize.

4. Ekstraksi fitur

Bentuk umum filter Gabor 2D:

𝐺 𝑥, 𝑦, 𝜃, 𝑢, 𝜍 =1

2. 𝜋. 𝜍2 exp*−𝑥2 + 𝑦2

2. 𝜍2 +exp*2. 𝜋. 𝑖. 𝑢(𝑥. cos 𝜃 + 𝑦. sin 𝜃)+

Dengan, 𝑖 = −1 , u merupakan frekuensi dari gelombang sinusoidal, 𝜃 merupakan sudut pengendalian terhadap orientasi dari fungsi Gabor, 𝜍 adalah standar deviasi dari Gausian envelop, dan (x, y) menyatakan koordinat filter.

Filter Gabor ternormalisasi terhadap

ukuran filter dinyatakan pada persamaan

[4]:

𝐺 𝑥, 𝑦, 𝜃, 𝑢, 𝜍 = 𝐺 𝑥, 𝑦, 𝜃, 𝑢, 𝜍 − 𝐺,𝑖, 𝑗, 𝜃, 𝑢, 𝜍-𝑛

𝑗=−𝑛𝑛𝑖=−𝑛

(2𝑛 + 1)2

dengan (2𝑛 + 1)2 adalah ukuran filter

Gabor yang pada umumnya berukuran

ganjil

Vektor fitur merupakan sederetan kode

biner yang diturunkan dari bagian real dan

imajiner dengan rumus :

𝐼𝑟 = 1 jika Re(𝐺 𝑥, 𝑦, 𝜃, 𝑢, 𝜍 ∗ 𝐼)>0

𝐼𝑟 = 0 jika Re(𝐺 𝑥, 𝑦, 𝜃, 𝑢, 𝜍 ∗ 𝐼)<0

𝐼𝑖 = 1 jika Im(𝐺 𝑥, 𝑦, 𝜃, 𝑢, 𝜍 ∗ 𝐼)>0

𝐼𝑖 = 0 jika Im(𝐺 𝑥, 𝑦, 𝜃, 𝑢, 𝜍 ∗ 𝐼)<0

5. Pencocokan Vektor Fitur

hamming distance antara dua vektor fitur P

dan Q dapat dihitung dengan rumus:

𝐷𝑜 = (𝑃𝑅 𝑖,𝑗 ⊗𝑄𝑅 𝑖,𝑗 +𝑃𝐼 𝑖,𝑗 ⊗𝑄𝐼 𝑖,𝑗 )𝑁

𝑗=1𝑁𝑖=1

2𝑁2

𝑃𝑅 dan 𝑄𝑅 menyatakan bagian real dari fitur P dan Q, 𝑃𝐼

dan 𝑄𝐼 menyatakan bagian imaginer dari fitur P dan Q.

Hasil operator boolean (⊗) akan menghasilkan nol jika

dan hanya jika bit 𝑃𝑅 𝐼 𝑖, 𝑗 = 𝑄𝑅 𝐼 (𝑖, 𝑗).

Untuk mengatasi ketidak sempurnaan

dalam akuisisi maupun praprocessing citra

maka dalam preoses penghitungan hamming

distance salah satu vektor fitur bisa

ditranslasi beberapa piksel baik dalam arah

vertikal maupun horizontal

Perancangan Sistem

Diagram Alir

Sistem ini terdiri dari 3 tahap, yaitu tahap preprocessing, tahap ekstraksi fitur, dan tahap pencocokan atau identifikasi.

Berikut diagram alir sistem pendeteksi kecacatan peluru:

Pengujian dan Hasil

Data yang digunakan dalam menguji sistem deteksi cacat peluru ini terdiri 3 jenis peluru:

Peluru tipe I: peluru dengan kategori baik.

Peluru tipe II: peluru dengan kategori cacat namun sulit terlihat secara kasat mata.

Peluru tipe III: peluru dengan kategori cacat yang terlihat secara kasat mata

Data Yang Digunakan

A. Pengujian Tahap Praprocessing

Citra Asli Hasil Cropping

1. Pengujian Proses cropping

2. Pengujian Proses normalisasi

dan scalling

Citra Grayscale Scalling Normalisasi

1. Pengujian Proses Konvolusi

Gabor

Ektraksi Fitur dengan ukuran Citra 64x64, filter 9x9, dan

𝜃 = 0

Bagian Real Bagian Imaginer

B. Pengujian Ektraksi Fitur

2. Pengujian Proses Penggabungan

Hasil penggabungan fitur dengan ukuran Citra 64x64, dan

ukuan filter 9x9 dari sudut 0𝑜, 45𝑜, 90𝑜 dan 135𝑜

Bagian Real Bagian Imaginer

3. Pengujian Proses Tresholding

Hasil penggabungan fitur dengan ukuran Citra 64x64, dan

ukuan filter 9x9 dari sudut 0𝑜, 45𝑜, 90𝑜 dan 135𝑜

Bagian Real Bagian Imaginer

1. Hamming Distance

A. Hasil perhitungan hamming distance peluru Tipe I

2. Pengujian Proses Penggabungan

Kode

Peluru

64x64 128x128

9x9 17x17 9x9 17x17 B_001.JPG 0.13542 0.080676 0.20672 0.14122 B_002.JPG 0.13597 0.088329 0.22278 0.14191 B_003.JPG 0.15472 0.084024 0.21342 0.15976 B_004.JPG 0.16014 0.085140 0.22021 0.16212 B_005.JPG 0.15472 0.082908 0.22021 0.15788 B_006JPG 0.14069 0.080995 0.21013 0.14316 B_007.JPG 0.15306 0.079879 0.20730 0.14615 B_008.JPG 0.14917 0.072864 0.20093 0.14826 B_009.JPG 0.13583 0.082270 0.20942 0.13392 B_010.JPG 0.14097 0.079879 0.21397 0.13889 B_011.JPG 0.12889 0.085300 0.20308 0.12958 B_012.JPG 0.14681 0.079560 0.21989 0.14774 B_013.JPG 0.14125 0.069675 0.20851 0.14632 B_014.JPG 0.15083 0.078922 0.21706 0.15014 B_015.JPG 0.14292 0.077966 0.21088 0.13872 B_016.JPG 0.15681 0.079719 0.21325 0.15424 B_017.JPG 0.14958 0.082111 0.22301 0.15667 B_018.JPG 0.16306 0.083705 0.22851 0.16139

B. Hasil perhitungan hamming distance peluru tipe II

Kode

Peluru

64x64 128x128

9x9 17x17 9x9 17x17 CTT

_001.JPG 0.17986 0.11496 0.22363 0.17917

CTT

_002.JPG 0.15181 0.12707 0.21130 0.15434

CTT

_003.JPG 0.15556 0.11448 0.22177 0.16208

CTT

_004.JPG 0.16097 0.12325 0.23400 0.16184

CTT

_005.JPG 0.20097 0.14509 0.27481 0.22288

CTT

_006.JPG 0.15278 0.12197 0.20880 0.15722

CTT

_007.JPG 0.17431 0.12181 0.22187 0.17486

CTT

_008.JPG 0.15583 0.11655 0.21872 0.15931

CTT

_009.JPG 0.17069 0.12229 0.23182 0.16701

C. Hasil perhitungan hamming distance peluru tipe III

Kode

Peluru

64x64 128x128

9x9 17x17 9x9 17x17 CT_001.J

PG 0.16681 0.11974 0.24834 0.17844

CT_002.J

PG 0.21472 0.14700 0.26489 0.21604

CT

_003.JPG 0.18417 0.11639 0.24974 0.16208

CT

_004.JPG 0.15778 0.11814 0.22265 0.16111

CT

_005.JPG 0.16819 0.11480 0.22382 0.16920

CT

_006.JPG 0.18167 0.11272 0.23280 0.19340

CT

_007.JPG 0.17181 0.12101 0.22415 0.17503

CT

_008.JPG 0.17847 0.10443 0.24034 0.18698

CT

_009.JPG 0.16556 0.10204 0.22769 0.17222

Berdasarkan penghitungan Hamming Distance maka persentase

keberhasilan Sistem dalam mengidentifikasi peluru berdasarkan 5

buah treshold disajikan dalam tabel berikut:

Nilai

Treshold

64x64 128x128

9x9 17x17 9x9 17x17 0,05 50,00% 50,00% 50,00% 50,00% 0,06 50,00% 50,00% 50,00% 50,00% 0,07 50,00% 52,78% 50,00% 50,00% 0,08 50,00% 72,22% 50,00% 50,00% 0,09 50,00% 100,00% 50,00% 50,00% 0,10 50,00% 100,00% 50,00% 50,00% 0,11 50,00% 94,44% 50,00% 50,00% 0,12 50,00% 72,22% 50,00% 50,00% 0,13 52,78% 55,56% 50,00% 52,78% 0,14 61,11% 55,56% 50,00% 61,11% 0,15 80,56% 50,00% 50,00% 80,56% 0,16 80,56% 50,00% 50,00% 86,11% 0,17 72,22% 50,00% 50,00% 75,00% 0,18 63,89% 50,00% 50,00% 61,11% 0,19 55,56% 50,00% 50,00% 58,33% 0,20 55,56% 50,00% 50,00% 55,56% 0,21 50,00% 50,00% 63,89% 55,56% 0,22 50,00% 50,00% 77,78% 52,78% 0,23 50,00% 50,00% 72,22% 50,00% 0,24 50,00% 50,00% 63,89% 50,00% 0,25 50,00% 50,00% 55,56% 50,00% 0,26 50,00% 50,00% 55,56% 50,00% 0,27 50,00% 50,00% 52,78% 50,00% 0,28 50,00% 50,00% 50,00% 50,00% 0,29 50,00% 50,00% 50,00% 50,00% 0,30 50,00% 50,00% 50,00% 50,00%

Keberhasilan Sistem dalam mengidentifikasi peluru

berukuran 64x64 berdasarkan 5 buah treshold disajikan

dalam bentuk grafik sebagai berikut:

Kesimpulan

Program telah berhasil melakukan deteksi cacat pada

selongsong peluru menggunakan metode filter Gabor

dengan 3 tahapan utama antara lain preprocessing,

ekstraksi fitur, dan pencocokan.

Berdasarkan hasil uji coba yang telah dilakukan dengan

menggunakan 36 citra uji yang terdiri dari 18 citra

peluru baik dan 18 citra peluru cacat (sembilan cacat

telihat dan sembilan cacat tidak telihat) prosentase

keberhasilan program mencapai 100%. Hasil ini dicapai

dengan menggunakan ukan citra dan filter Gabor

masing-masing 64x64 dan 17x17 dengan nilai treshold

0.09 dan 0.10

Daftar Pustaka [1] Ahmad, Usman. 2005. “Pengolahan Citra Digital Dan Tehnik Pemrogramannya”.

Yogyakarta: Graha Ilmu.

[2] Andrianto,Titus. 2011. “Pendeteksi Cacat Produksi Pada Produk Botol Berbahan Gelas

Menggunakan Metode Gabor Filter”. Surabaya : Institut Teknologi Sepuluh Nopember.

[3] Putra, Darma. 2010. “Pengolahan Citra Digital”. Yogyakarta: ANDI OFFSET.

[4] Arisandi, Melly. Isnanto, R. Rizal, Zahra, Ajub Ajulian. 2011. “Sistem Pengenalan

Berdasarkan Ciri Garis Telapak Tangan Menggunakan Metode Jaringan Saraf Tiruan

Perambatan Balik “. Searang: Universitas Diponegoro

[5] Arhani, Muhammad, Desiani, Anita. 2005. “Pemrograman Matlab”. Yogyakarta: Andi.

[6] Department of Defense USA. 1958. “Visual Inpection Standards for Small Arms

Ammunition Through Caliber .50”. United States of America: Department of Defence.

[7] Widodo, Agung. 2011. “Deteksi dan klasifikasi cacat glass menggunakan segmentasi

teksture berbasis gabor filter”. Surabaya: Institut Teknologi Sepuluh Nopember.

Sekian

dan

Terima Kasih