SISTEM IDENTIFIKASI MERK PRODUK BERBASIS IMAGE PROCESSING MENGGUNAKAN

TRANSFORMASI WAVELET DAN

JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION

Ika Prawesty Wulandari, ST

ABSTRAK
Informasi Merk produk merupakan simbol pengejawantahan seluruh informasi yang berkaitan dengan
produk atau jasa. Merk biasanya terdiri dari nama, logo dan seluruh elemen visual lainnya seperti gambar,
tipografi, warna, dan simbol. Dalam aplikasi transaksi penjualan pada toko, supermarket, maupun swalayan
keberadaan suatu sistem identifikasi merk produk sangat diperlukan baik untuk database toko maupun
kelancaran pada saat customer melakukan pembelian barang. Sistem scanning barcode selama ini dirasa cukup
efektif dalam hal tersebut. Akan tetapi, tidak ada salahnya jika kita meneliti alternatif lain untuk meng-
identifikasi produk dengan cara mengenali produk dari bentuk dan warna logo merk produk. Sistem yang
dimaksud akan diuji coba berbasiskan pengetahuan tentang Image Processing dan Transformasi Wavelet.
Dalam tulisan ini, dirancang suatu sistem identifikasi merk produk berdasarkan pengenalan bentuk dan
warna logo merk produk tersebut. Proses yang dipakai antara lain Transformasi Wavelet, adapun penggunaan
Transformasi Wavelet ini dimotivasi oleh adanya hasil penelitian tentang Transformasi Wavelet yang
mempunyai kemampuan memunculkan (feature) khusus pada citra yang diteliti. Sedangkan pengenalan dan
klasifikasi diterapkan dengan Jaringan Syaraf Tiruan metode BackPropagation. Sebagai basis masukan jaringan
syaraf, digunakan citra merk produk ukuran 320 x 240 yang telah diambil dari webcam.
Hasil implementasi diuji beberapa kali dengan citra uji dan citra latih, melalui implementasi dan
pengujian sistem mampu memberikan tingkat akurasi hingga 98%.
.

Kata Kunci: Image processing, Jaringan Syaraf Tiruan Backpropagation, Transformasi Wavelet

ABSTRACT
Product label symbolizes many kinds of information that related to service and goods. Actually, a label
consists of name, sign, and other visual elements such as image, typography, and symbol. In sales transaction
application such as at the shop and many selfservice shops, the existence of a product label identification is very
needed not only for the seller database but also for making easy a buyer transaction process. In this time,
barcode scanning system is considered as an effective system in the case of that. However, there is nothing
wrong if we do an experience to identify product by recognizing the form and the colour of a product label. The
target of the system will be implied based on Image Processing and Wavelet Transform.
In this final paper, it is designed a product identification system based on the form and the colour of a
label. The applied process that is used such as, Wavelet Transform. As for the reason of this transform using, is
being supported by many researches which imply the ability of wavelet transform to perform many special
features of an image. While recognizing and classification process is applied by BackPropagation Neural
Network. The Input of neural network is an image of a product label , 240x320 of its size, and captured from a
webcam.
The result of implementation is tested many times by training image and testing image. Through the
implementation and testing, this system can perform up to 98% accuration.

Keywords : Image Processing, Neural Network Backpropagation, Wavelet Transform

sistem identifikasi merk produk. Sistem yang

1. PENDAHULUAN
Suatu aplikasi sistem identifikasi merk produk
telah lama dikenal pengaplikasiaannya. Sebagai
contoh yang sering kita jumpai adalah deteksi merk
menggunakan barcode pada transaksi pembelian di
berbagai tempat perbelanjaan. Namun, aplikasi
barcode hanya merupakan salah satu aplikasi yang
sering kita lihat umumnya, untuk pengembangan
lebih lanjut dapat diteliti dan dikembangkan aplikasi
lain yang dapat dijadikan sebagai suatu alternatif
dimaksud menggunakan identifikasi produk dengan
cara mengenali produk dari bentuk dan warna logo
merk produk yang ada di pasaran. Sedangkan
pengambilan citra merk produk dapat dilakukan
menggunakan webcam. Selanjutnya citra diolah
menggunakan Transformasi Wavelet dan
pengenalan serta klasifikasinya diterapkan melalui
Jaringan Syaraf Tiruan metode BackPropagation.
Diharapkan sistem identifikasi ini nantinya terbukti
akurat dan mudah untuk dipakai dalam aplikasi

1
transaksi pembelian bila dibanding dengan sistem
lainnya.
Teori Dasar Citra Digital
Citra dapat dinyatakan sebagai fungsi kontinu dari
intensitas cahaya dalam 2 dimensi, f(x,y) dimana x
dan y merupakan koordinat ruang dan nilai f
menyatakan kecerahan dan informasi warna citra
pada titik koordinat x dan y. Secara matematis
persamaan untuk fungsi intensitas, f(x,y) adalah:
0  f  x, y    (2.1)
Citra digital adalah sajian citra dalam bentuk
diskret, baik pada koordinat ruang maupun nilai
intensitas cahayanya. Dengan demikian citra digital
dapat disajikan sebagai matriks berdimensi M  N ,
dengan M menyatakan tinggi dan N menyatakan lebar
dari citra. Matriks tesebut terdiri dari kumpulan
elemen dengan nilai tertentu yang menyatakan
intensitas cahaya citra. Elemen itu biasa disebut pixel.
Matriks tersebut ditunjukkan dalam persamaan 2.3
f (0,0) f (0,1) ... f (0, M  1)merupakan suatu model komputasi yang meniru
f (1,0) f (1,1) ... f (1, M  1)cara kerja sistem otak manusia. JST merupakan
f ( x, y ) 
...
f ( N ,0 ) f ( N ,1) ... f ( N  1, M pengamatan,
(2.3)
Pengolahan Citra Digital
Pengolahan citra digital merupakan proses yang
bertujuan untuk memanipulasi dan menganalisis citra
dengan bantuan komputer. Pengolahan citra digital
pada umumnya dapat dikelompokkan dalam dua jenis
kegiatan,yaitu:
a. Memperbaiki kualitas suatu gambar sehingga
dapat lebih mudah diinterprestasi oleh mata
manusia.
b. Mengolah informasi yang terdapat pada suatu
gambar untuk keperluan pengenalan objek secara
otomatis.
Citra Grayscale
Citra Grayscale atau citra beraras keabuan adalah
citra yang hanya menggunakan warna pada tingkatan
warna abu-abu. Warna abu-abu adalah satu-satunya
warna pada ruang RGB dengan komponen merah,
hijau, dan biru mempunyai intensitas yang sama.
Pada citra beraras keabuan hanya perlu menyatakan
nilai intensitas untuk tiap piksel sebagai nilai tunggal,
sedangkan pada citra berwarna perlu tiga nilai
intensitas untuk tiap pikselnya.
Deteksi Tepi (Edge Detection)
Edge atau tepi merupakan batas antara dua daerah
dengan nilai gray-level yang relatif berbeda. Tepi citra
dapat pula didefinisikan sebagai piksel-piksel yang
mengalami perubahan tajam pada level keabuan. Tepi
objek umumnya terlihat sebagai frekuensi tinggi pada
spektrum citra sehingga ekstraksi tepi dapat
dilakukan dengan menggunakan tapis pelewat–
tinggi (highpass filter-HPF). Dengan tapis pelewat-
tinggi, spektrum yang lebih tinggi dari frekuensi
potong (cut-off) akan dikuatkan, sedangkan
frekuensi di bawahnya akan diredam.
Ektraksi Ciri
Ektraksi ciri merupakan cara yang dilakukan
untuk mendapatkan ciri dari sebuah citra. Untuk
pengambilan ciri dari sebuah image diperlukan
pengolahan image terlebih dahulu yaitu citra diubah
ke level grayscale. Proses ini merubah level RGB
menjadi citra yang hanya terdiri dari warna hitam
dan putih sehingga memudahkan dalam proses
klasifikasi.
Jaringan Syaraf Tiruan
Jaringan syaraf tiruan (JST) atau Artificial
Neural Network (ANN) diinspirasikan oleh struktur
jaringan sel-sel syaraf di dalam otak. JST
sebuah model komputasi dari otak manusia yang
mampu melakukan perhitungan, pengenalan,
1) serta pengambilan keputusan.
Berdasarkan algoritma pelatihannya,
maka JST terbagi menjadi dua yaitu:
1. Belajar dengan pengawasan (Supervised
Learning)
Jaringan belajar dari sekumpulan pola masukan
dan keluaran. Sehingga pada saat pelatihan
diperlukan pasangan pola yang terdiri dari vektor
masukan dan vektor target yang diinginkan.
Contoh jaringan yang belajar dengan pengawasan
adalah Backpropagation.
2. Belajar Tanpa Pengawasan (Unsupervised)
Pada pelatihan tanpa pengawasan tidak ada
vektor target. Vektor masukan dimasukkan ke
dalam Jaringan dan sistem akan mengatur dirinya
sendiri sedemikian rupa sehingga dihasilkan
keluaran yang konsisten bilamana pola yang
menyerupai vektor masukan tersebut diberikan.
Contoh jaringan yang belajar tanpa pengawasan
adalah Adaptive Resonance Theory.
Jaringan Saraf Tiruan Backpropagation (JST-
BP)
Jaringan syaraf tiruan back propagation (JST-
BP) merupakan jaringan syaraf yang sangat populer
digunakan untuk memecahkan masalah. Jaringan
syaraf tiruan back propagation menggunakan
algoritma belajar supervised learning. Propagasi
balik merupakan salah satu proses belajar jaringan
syaraf tiruan di mana dalam proses belajar tersebut
pengubahan nilai berlangsung pada arah mundur,
yaitu mulai dari lapisan keluaran dan berakhir di
lapisan masukan.
2
 p a1 a2
W1 W2
n1 n2  1 jika x  0
+  +  f ( x)  
0 jika x  0
b1 b2
(2.9)
2. Fungsi aktivasi Linear
Masukan Lapisan Tersembunyi Lapisan Keluaran

Gambar 2.2 Arsitektur jaringan syaraf tiruan back f(x) = x untuk semua x (2.10)
propagation dengan 1 lapisan tersembunyi
3. Fungsi aktivasi Sigmoid
Arsitektur standar jaringan syaraf tiruan back 1
propagation ditunjukkan pada gambar 2.3. f ( x) 
1  exp(  x )
Pola pelatihan jaringan back propagation
melibatkan tiga hal, yaitu pelatihan maju, perhitungan (2.11)
balik sebagai respon terhadap error, dan pengaturan e x  ex
bobot. Error (δ) merupakan selisih antara nilai tanh( x )  (2.12)
keluaran yang diinginkan (t) dengan keluaran yang e x  e x
sesungguhnya (a2). Error dinyatakan oleh persamaan
2.5 sebagai berikut :
BAHAN DAN METODA
δ= t – a2 (2.5)
Sum Square Error (SSE) yang dinyatakan oleh
RANCANGAN SISTEM
persamaan 2.6 berikut ini:
Secara umum sistem untuk identifikasi
SSE    2 merk produk yang dirancang dapat dilihat pada
(2.6) gambar 3.1 di bawah ini:

Inisialisasi Bobot dan Bias

Mulai
Pemilihan bobot dan bias awal akan menentukan
kecepatan jaringan mencapai konvergensi ke suatu Mulai
harga error. Secara garis besar inisialisasi bobot dan
Citra
bias dibagi menjadi dua, yaitu : inisialisasi random Latih
dan inisialisasi Nguyen Widrow. Citr
a
Inisialisasi Random Pemrosesan Awal Uji
Prosedur standar dalam pemilihan bobot
Pemrosesan
adalah memilih secara acak suatu harga dalam selang Awal
–0,5 sampai 0,5 (atau suatu selang lain).
Ekstraksi Ciri
Dengan Dekomposisi
Inisialisasi Nguyen-Widrow wavelet Ekstraksi Ciri
Dengan
Inisialisasi Nguyen Widrow merupakan Filter Dekomposisi
pengembangan dari inisialisasi random dan hanya Wavelet
Citra
bisa digunakan untuk fungsi aktifasi sigmoid. Pelatihan dengan Latih

Inisialisasi ini membuat bobot yang terletak diantara JST

neuron masukan dan neuron tersembunyi Pengenalan Nama
merk
meningkatkan kemampuan belajar pada neuron Klasifikas
tersembunyi. Hal ini dilakukan dengan cara Hasil i
mendistribusikan bobot dan bias awal dalam suatu Pelatihan
dan
selang, sehingga untuk tiap masukan pelatihan (a)
klasifikas (b)
neuron tersembunyi akan belajar dengan cepat. i
Definisi yang digunakan sebagai berikut: Gambar 3.1. Proses identifikasi merk produk
(a) Diagram Alir Proses Belajar (b) Diagram
  0,7 N
R (2.7) Alir Proses Uji
dimana : N = jumlah neuron masukan
Pada gambar 3.1 dapat dilihat bahwa pada
R = jumlah neuron tersembunyi sistem yang dirancang akan dilakukan proses
belajar dan proses uji. Dan klasifikasi kondisi
 = faktor skala
terdiri dari 10 jenis klasifikasi. Contoh jenis
klasifikasi dapat dilihat pada gambar 3.2 (a), 3.2
Fungsi Aktivasi (b), dan 3.2 (c).
Ada tiga macam fungsi aktivasi, yaitu :
1. Fungsi aktivasi Hard limit .

3

(a) (b) (c)
Gambar 3.2 Klasifikasi jenis merk
(a) Merk NR (b) Merk Torabika Sachet (c)
Merk Vitazone
METODA
Pengolahan Citra Pada Citra Latih
Pemrosesan Awal
Pemrosesan awal (preprocessing) bertujuan
untuk mendapatkan karakteristik atau ciri dari citra.
Pada proses ini diharapkan noise pada citra dapat
dihilangkan semaksimal mungkin.
Pembuatan Citra Gray Scale
Citra latih dalam format JPG dengan ukuran
320x240 piksel yang akan diproses, setelah melalui
proses cropping untuk pengambilan logo merk
kemudian diakusisi menjadi citra level keabuan
dalam format JPG dengan ukuran 320x240 piksel.
Proses grayscale ini ditambahkan dalam sistem agar
input proses selanjutnya berupa citra grayscale. Hal
ini bertujuan untuk mempermudah dalam proses
berikutnya.
Deteksi Tepian Citra
Dalam citra grayscale, tiap piksel pada citra
masih dikodekan dengan bilangan antara 0 sampai
256. Hal ini bisa menyebabkan pengambilan cirinya
tidak fokus pada daerah yang diinginkan, akibat dari
pengambilan citra yang kurang sempurna. Agar pada
saat proses pengambilan ciri dilakukan hanya fokus
pada objek yang diinginkan saja, maka dilakukan
deteksi tepian citra untuk lokalisasi citra. Deteksi tepi
ini, memanfaatkan perubahan warna yang sangat
tajam. Hasil dari deteksi tepi berupa citra yang hanya
memiliki bit 0 (untuk warna hitam) dan bit 1 (warna
putih). Sifat dari hasil deteksi tepi ini, yang
mempermudah pemrosesan citra berikutnya.
Pendeteksian tepian yang optimal memiliki 3
kriteria:
1. Kriteria deteksi, dapat mendeteksi semua tepian
(tidak boleh ada yang hilang).
2. Kriteria Lokalisasi, jarak antar tepian hasil
deteksi dengan sebenarnya harus minimal.
3. Kriteria response, hanya satu response untuk satu
tepian.
Pada penelitian ini digunakan deteksi tepi
Canny karena deteksi tepi Canny secara teoritis
mampu mendeteksi tepi-tepi lemah maupun tepi-tepi
tajam. Dan berdasarkan karakteristik sistem
penglihatan manusia, deteksi tepi Canny juga
memiliki kinerja yang cukup baik dalam
mendeteksi tepi citra. Threshold yang digunakan
dalam mendeteksi tepian dari suatu gambar akan
menyebabkan banyak tepian yang hilang jika
nilainya diambil terlalu tinggi. Tetapi jika terlalu
rendah, banyak batas-batas yang tidak penting atau
bahkan derau pada citra akan menyebabkan deteksi
tepian tidak bagus.
Daerah yang direpresentasikan dengan bit 0
(hitam), yang berada dalam sebuah area yang
dibatasi oleh bit 1, diganti dengan bit 1. Sehingga
menjadi suatu daerah putih.
Gambar 3.3 Citra hasil deteksi tepi
Ekstraksi ciri
Ekstraksi ciri dilakukan setelah citra melalui
proses deteksi tepi. Proses ekstraksi ciri bertujuan
untuk mendapatkan informasi-informasi penting
pada sebuah citra yang membedakan citra yang satu
dengan citra yang lain. Informasi-informasi ini
yang akan diidentifikasi oleh Jaringan Syaraf
Tiruan (JST). Dalam Tugas akhir ini digunakan
metode ekstraksi ciri dekomposisi wavelet, dengan
menggunakan 4 jenis mother wavelet yang berbeda
yaitu: coiflet 1, daubechies 2, daubechies 6, dan
haar.
Dekomposisi Paket Wavelet
Pada matrik citra merk produk dijadikan ke
dalam domain frekuensi. Sehingga pada proses
ekstraksi metode ini, hanya range frekuensi dengan
energi maksimum yang diambil cirinya.
Proses perubahan matrik citra karakter
dilakukan melalui Fast Fourier Transform(FFT)
2D. Hal ini bisa diartikan, dilakukan transformasi
fourier 2 kali terhadap input, sesuai dengan
persamaan berikut:
Hasil dari transformasi ini menghasilkan ciri
numerik yang mengandung bagian real dan
imajiner. Dalam proses selanjutnya hanya diambil
bagian realnya, karena bagian imajinernya besarnya
mendekati nilai nol.
4
 Bagian real ini kemudian didekomposisi
menggunakan paket wavelet 2 dimensi. Matrik citra
karakter didekomposisi menjadi 1 buah komponen
Aproksimasi (yang mengandung frekuensi rendah)
dan 3 buah komponen detail (yang mengandung
frekuensi tinggi). Komponen detail terdiri dari
komponen detail horisontal, detail vertikal , dan detail
diagonal. Kemudian tiap komponen didekomposisi
lagi menjadi 1 komponen Aproksimasi dan 3
komponen detail.
Gambar 3.4 Dekomposisi Wavelet 2 Dimensi
Proses dekomposisi dilakukan terus-
menerus sampai pada level yang diinginkan. Pada
penelitian ini, dilakukan proses dekomposisi sampai
dengan level 3, menggunakan jenis filter coiflet.
Untuk setiap level dekomposisi menghasilkan 4 n sub
band, dengan n=tingkat level. Dekomposisi pada
level 3 menghasilkan 43=64 sub band.
Input Asli
Dh1
A1 Dv1
AA1 ADh1 ADv1 ADd1
Gambar 3.5 Dekomposisi Paket Wavelet 2 Level
Keterangan:
A = Komponen Aproksimasi
Dh = Komponen Detail Horisontal
Dv = Komponen Detail Vertikal
Dd = Komponen Detail Diagonal
Penghitungan Energi Tiap Subband Dekomposisi
Setiap subband hasil dekomposisi paket
wavelet dihitung energinya. Perhitungan energi untuk
setiap subband, sesuai dengan persamaan berikut[10]:
n
100 C s (i ) 2
E m
i 1
C
i 1
T (i ) 2
(3.2)
dimana:
E = Energi tiap subband
Cs = Koefisien wavelet satu subband
n = Junlah koefisien wavelet tiap subband
CT = Koefisien wavelet seluruh subband
m = Junlah koefisien wavelet seluruh subband
Energi dari tiap subband inilah yang menjadi
vektor ciri untuk setiap citra karakter. Karena
jumlah subband pada level 3 berjumlah 64 subband,
maka vektor ciri citra karakter juga 64 ciri,
sehingga didapat matriks vektor ciri 1x64.
Klasifikasi dengan Jaringan Syaraf Tiruan
Proses klasifikasi dengan Jaringan Syaraf
Tiruan (JST) pada tugas akhir ini menggunakan
algoritma Backpropagation (BP). Jaringan
Backpropagation dirancang dan dilatih untuk
mengklasifikasi merk produk ke dalam 10 kelas
yang berbeda dengan masing-masing kelas
klasifikasi terdapat 10 merk produk. Nilai-nilai
parameter untuk pembelajaran Backpropagation
yang harus di set, yaitu :
a. P, titik pada masukan (node). Parameter ini
perlu di-set karena banyak dari ekstraksi ciri
menentukan jumlah node masukan yang digunakan,
jika hal ini tidak sinkron maka pembelajaran akan
sulit mencapai target yang ingin dicapai.
b. Target (t), target pencapaian yang ingin
dicapai dari setiap hasil pelatihan. Berfungsi untuk
D d1
penetapan target yang ingin dicapai. User dapat
mengganti nilai target yang sesuai yang diinginkan
contoh t = [0 0 0 0 0 0 0 0 0 1] untuk klasifikasi
citra merk Air Minum Indomaret, t = [0 0 0 0 0 0 0
0 1 0] untuk klasifikasi citra merk Good Day, t = [0
0 0 0 0 0 0 1 0 0] untuk klasifikasi citra merk HiLo,
t = [0 0 0 0 0 0 1 0 0 0] untuk klasifikasi citra merk
Hit Kapur, t = [0 0 0 0 0 1 0 0 0 0] untuk klasifikasi
citra merk NR Hair Reactive, t = [0 0 0 0 1 0 0 0 0
0] untuk klasifikasi citra merk Sunsilk, t = [0 0 0 1
0 0 0 0 0 0] untuk klasifikasi citra merk Sariwangi
Kotak, t = [0 0 1 0 0 0 0 0 0 0] untuk klasifikasi
citra merk Torabika Sachet, t = [0 1 0 0 0 0 0 0 0 0]
untuk klasifikasi citra merk Visine, dan t = [1 0 0 0
0 0 0 0 0 0] untuk klasifikasi citra merk Vitazone
Hijau.
c. Learning rate (lr). Berkisar antara 0 hingga 1.
Semakin besar nilai learning rate akan berimplikasi
pada semakin besarnya langkah pembelajaran. Jika
learning rate diset terlalu besar, maka algoritma
akan menjadi tidak stabil. Sebaliknya, jika learning
5
rate diset terlalu kecil, maka algoritma akan
konvergen dalam jangka waktu yang lama.
d. Maksimum Epoh (MaxEpochs). Maksimum
epoh merupakan jumlah epoh maksimum yang boleh
dilakukan selama proses pelatihan. Iterasi akan
dihentikan apabila nilai fungsi kinerja kurang dari
atau sama dengan kinerja tujuan. Dalam program
aplikasi nilai Maksimum Epoh = 20000.
e. Goal (Nilai Error Target). Dipakai untuk
menentukan batas nilai MSE agar iterasi dihentikan.
Iterasi akan berhenti jika MSE < batas yang
ditentukan. Error target yang diinginkan di-set pada
10e-3.
f. Titik pada hidden layer (node). Parameter ini
perlu di-set karena suatu jaringan saraf tiruan harus
dilakukan pembelajaran beberapa kali dengan
parameter ini diubah-ubah agar mendapatkan hasil
pembelajaran yang paling baik yang telah dicapai.
Jumlah node untuk penelitian pertama sebanyak 100
(hidden 1), 100 (hidden 2), dan 100 (hidden 3). Serta
untuk penelitian kedua sebanyak 75 (hidden 1), 50
(hidden 2), dan 25 (hidden 3).
g. Momentum (mc), nilai berkisar antara 0 sampai
1, namun untuk aplikasi ini nilainya ditetapkan 0.9.
Dengan momentum, perubahan bobot tidak hanya
didasarkan atas error yang terjadi pada epoh waktu
itu. Perubahan bobot saat ini dilakukan dengan
memperhitungkan juga perubahan bobot pada epoh
sebelumnya. Dengan demikian kemungkinan
terperangkap ke titik minimum local dapat dihindari.
h. Gradient minimum. Gradien minimum adalah
akar dari jumlah kuadrat semua gradient (bobot input,
bobot lapisan, bobot bias) terkecil yang
diperbolehkan. Iterasi akan dihentikan apabila nilai
akar dari jumlah kuadrat semua gradient ini kurang
dari minimum. Pada kali ini gradient minimum
menggunakan default dari Matlab yaitu 1e-0006.
Proses Pembelajaran (Learning)
Algoritma jaringan BP digunakan untuk
dua proses yang berbeda. Pertama adalah proses
belajar (learning) JST untuk mengklasifikasi citra
latih. Tidak ada petunjuk yang baku mengenai
penentuan jumlah citra latih. Citra latih yang
digunakan dalam penelitian ini berjumlah 20 untuk
masing-masing kelas klasifikasi merk produk,
sehingga jumlah total adalah 200 citra latih. Vektor
masukan untuk proses belajar berukuran 200x64 yang
merupakan vektor ciri hasil dari ekstraksi ciri yang
berukuran 1x64 dari 200 citra latih.
Arsitektur BP untuk proses pelatihan sistem
menggunakan 4 hidden layer dengan jumlah node =
100 untuk masing-masing hidden layer. Serta
dilakukan pula pengujian dengan 3 hidden layer
menggunakan jumlah node yang berbeda 75 (Hidden
1), 50 (Hidden 2), 25 (Hidden 3) dan 20 (Hidden 4).
Algoritma pelatihan yang digunakan adalah traingdx
(gradient descent dengan momentum dan adaptive
learning rate). Fungsi ini akan memperbaiki bobot-
bobot berdasarkan gradient descent dengan
learning rate yang bersifat adaptive dan juga
menggunakan momentum. Pada kenyataannya,
niali learning rate yang optimal akan terus berubah
selama proses pelatihan berlangsung seiring dengan
berubahnya nilai fungsi kinerja (MSE). Pada
gradient descent dengan adaptive learning rate dan
momentum, nilai learning rate akan diubah untuk
menjaga agar algoritma ini senantiasa stabil selama
proses pelatihan. Pelatihan akan sukses jika target
tercapai, jika target tidak tercapai dan epoh = epoh
max maka pelatihan dihentikan.
Proses pengujian (classification)
Kedua adalah proses pengidentifikasian untuk
mengklasifikasikan citra uji yang dimasukkan.
Citra uji yang digunakan berjumlah total 50 yang
terdiri atas 5 sampel untuk masing-masing kelas
(jumlah kelas = 10) klasifikasi merk produk. Vektor
masukan untuk proses pengenalan berukuran 1x64
hasil ekstraksi ciri masing-masing citra uji.
Parameter-parameter jaringan yang digunakan
dalam proses pengenalan diperoleh dari proses
belajar yang dilakukan sebelumnya.
Perbedaan dari kedua proses pelatihan dan
pengujian adalah adanya algoritma yang
ditambahkan pada proses pengenalan yaitu
algoritma untuk pengambilan keputusan identifikas
pada proses pengujian.
Prosentase Keberhasilan Sistem
Untuk pengujian sistem digunakan parameter
akurasi. Akurasi adalah ukuran ketepatan sistem
dalam mengenali input yang diberikan sehingga
menghasilkan keluaran yang benar. Secara
sistematis dapat dituliskan sebagai berikut:
jumlah _ data _ benar
Akurasi  x100%
jumlah _ data _ keseluruhan
3. HASIL DAN PEMBAHASAN
Citra latih yang digunakan terdiri dari 200 citra
merk produk. Citra uji terdiri dari 50 citra merk
produk yang nantinya akan diujikan kedalam
jaringan hasil pelatihan citra latih. Apabila hasil
pengenalan mendekati citra latih maka akan
dikenali sebagai citra latih tersebut.
Pengujian Jumlah Epoch, Neuron Tersembunyi
dan Laju Pembelajaran
Pengujian Jumlah Epoch
Penentuan penggunaan jumlah epoch
dilakukan melalui pengujian terhadap nilai mse
(mean square error) yang dihasilkan berdasarkan
jumlah epoch. Tabel 4.1 menunjukkan pengaruh
dari penggunaan jumlah epoch yang diujikan
terhadap mse.
Tabel 4.1 Pengaruh Besarnya Jumlah Epoch
6
 (banyaknya node 100 pada tiap hidden), serta
Jenis Mother Learning Epoch Pencapaian Target Error learning rate yang diterapkan adalah 0.5 yaitu
Wavelet 1 2 memberikan epoh sebanyak 92.
Hidden Hidden 3 Hidden
Rate Layer layer Layer
Coiflet 1 (Coif1) 0.01 166 167 165 Tabel 4.3 Pemilihan Nilai Learning
  0.05 221 231 138 Waktu Training (dalam
  0.1 418 129 123 Jenis Mother Learning Detik)
  0.5 414 204 276 1 2 3
  1 798 950 835 Hidden Hidden Hidden
Daubechies 6 Wavelet Rate Layer layer Layer
(Db6) 0.01 247 158 161 Coiflet 1 (Coif1) 0.01 2.0569 3.0215 6.5683
  0.05 166 127 130   0.05 1.8231 2.5539 6.1691
  0.1 134 121 111   0.1 2.4163 2.3765 6.389
  0.5 505 92 159   0.5 4.6996 3.3813 7.621
  1 440 505 320   1 5.0418 3.1084 9.6965
Daubechies 2 Daubechies 6
(Db2) 0.01 971 829 982 (Db6) 0.01 1.9385 2.9492 3.6424
  0.05 2057 1147 1225   0.05 1.6591 3.1688 2.9529
  0.1 3097 1244 1262   0.1 1.6925 3.6099 4.0666
  0.5 3766 1949 1797   0.5 2.0217 2.0265 3.7799
  1 20000 20000 20000   1 4.6936 3.8526 5.4203
Haar 0.01 166 166 167 Daubechies 2
  0.05 132 137 144 (Db2) 0.01 10.4038 20.7578 39.9495
  0.1 120 121 126   0.05 28.5059 20.4538 49.5969
  0.5 310 242 271   0.1 28.9019 27.3736 37.9082
  1 779 593 412   0.5 70.7839 39.9911 43.8351
  1 167.2202 91.4358 314.403
Haar 0.01 2.0569 2.9486 3.6731
Keterangan : MW = maksimal waktu   0.05 1.7715 2.536 3.1773
pelatihan   0.1 1.6712 2.533 2.9339
MSE = nilai error   0.5 1.9801 2.2155 2.4349
HP =keberhasilan pengenalan   1 4.7791 2.154 2.2353
Berdasarkan Tabel 4.3 pada learning rate
Dari tabel 4.1 di atas terlihat jumlah 3 hidden paling besar yaitu yang bernilai 1, memakan waktu
layer memakan waktu komputasi pelatihan yang pelatihan paling lama bahkan untuk kasus keluaran
paling lama dan MSE yang tercapai pada jumlah 3 mother wavelet Daubechies 2, desired MSE tidak
hidden layer paling kecil jika dibandingkan dengan tercapai (kolom yang ditandai dengan blok warna
jumlah 1 dan 2 hidden layer. Penambahan jumlah merah).
hidden neuron menjadi 100 neuron, tidak terlalu
berpengaruh, karena nilai desired MSE sudah tercapai Pengujian Pengenalan Citra Latih dan Citra Uji
ketika menggunakan neuron yang lebih kecil. Pada Tabel 4.4 akan ditampilkan hasil
identifikasi semua citra merk produk, yang
Pemilihan Nilai Laju Belajar (Learning Rate) memiliki makna bahwa proses identifikasi merk
Tabel 4.2 memperlihatkan pengaruh besarnya produk yang dilakukan oleh sistem telah sesuai atau
nilai laju belajar terhadap jumlah epoch. Parameter dengan kata lain hasil pengujian memiliki akurasi
yang digunakan untuk percobaan adalah: tinggi hingga 98%.
- Fungsi aktivasi = lap.1 : tansig lap.2 : logsig Jmlh Citra
Keber Keber Uji yang
- Jumlah Hidden Neurons = @ 100 (3 hidden layer) Klasifikasi Citra
Jmlh Jmlh
hasilan hasilan
Citra Citra Dikenali
- Target Error = 0.001 Merk Produk Citra Citra Salah
Latih Uji
Latih Uji
HL HN LR MSE MW(s) Akurasi Epoh
Data Uji Tercapa Air Minum Indomaret 20 5 20 5 0
i
GoodDay 20 5 20 5 0
1 100 0.01 0.000966212 2.572 90% 166
2 100, 100 0.01 0.000967597 4.3763 90% 167 HiLo 20 5 20 5 0
3 100, 100, 0.01 0.000950757 5.9167 88% 165 Hit Kapur 20 5 20 5 0
100 NR Hair Reactive 20 5 20 5 0
1 75 0.01 0.000991844 2.0569 82% 166 Sunsilk 20 5 20 5 0
2 75, 50 0.01 0.000986585 3.0215 84% 174 Sariwangi Kotak 20 5 20 5 0
3 75, 50, 25 0.01 0.00097507 6.5683 94% 375 Torabika Sachet 20 5 20 5 0
- Epoch Maksimum = 20000 Visine 20 5 20 5 0
Vitazone Hijau 20 5 20 4 1
Tabel 4.2 Pemilihan Nilai Learning Jumlah Total 200 50 200 49 1
Berdasarkan Tabel 4.2 didapat jumlah epoh Performansi 98% 2%
paling sedikit untuk pencapaian desired MSE,
diperoleh pada percobaan inputan dari hasil Tabel 4.4 Keberhasilan Hasil Identifikasi Citra
mother wavelet haar, jumlah 2 hidden layer Merk Produk

7

Dengan performansi seperti ini, dapat
disimpulkan bahwa sistem dapat melakukan
pengidentifikasian merk produk secara baik.
Kesimpulan dan Saran
Kesimpulan
Kesimpulan yang dapat diambil dari tahapan
perancangan hingga pengujian yang dilakukan pada
sistem pengolahan citra untuk identifikasi merk
produk adalah:
1. Pada dasarnya tingkat keberhasilan sistem
dipengaruhi oleh faktor kemiripan pola antara
data latih dan data uji.
2. Pengujian sistem terhadap 200 citra latih berhasil
mencapai tingkat akurasi 100% dan pengujian
sistem terhadap 50 citra uji yang paling optimum
mencapai tingkat akurasi 98%.
3. Dengan penentuan kombinasi parameter-
parameter jaringan yang sesuai, jaringan syaraf
tiruan BackPropagation dapat memberikan hasil
klasifikasi yang optimal, sehingga dapat
digunakan untuk identifikasi.
4. Pada umumnya, pelatihan jaringan syaraf tiruan
BackPropagation akan lebih lama jika semakin
banyak jumlah hidden layer yang terdapat di
dalamnya.
5. Penambahan jumlah neuron dan jumlah hidden
layer belum tentu berpengaruh terhadap akurasi
pengenalan pola yang diujikan.
Saran
1. Jumlah citra latih sebaiknya diperbanyak
sehingga jaringan dapat memberikan akurasi
yang lebih baik dalam pengujian citra uji merk
produk, namun waktu yang diperlukan untuk
pelatihan tentunya akan lebih lama.
2. Untuk pengembangan selanjutnya, dapat diteliti
sistem identifikasi citra merk produk dengan
ukuran produk yang lebih bervariasi, serta
berbagai kondisi misal kemasan miring atau
terbalik.
3. Sebaiknya intensitas cahaya dalam ruangan pada
saat akuisisi citra uji dan citra latih tidak berbeda,
untuk menghindari hasil gambar yang terlalu
kontras.
4. Percobaan menggunakan ektraksi ciri dengan
mother wavelet lain dengan orde yang berbeda-
beda memungkinkan hasil pola ciri yang lebih
spesifik antar citra inputan.
5. Penggunaan jaringan syaraf tiruan jenis
supervised learning yang lain ataupun jenis
unsupervised learning untuk diterapkan dalam
sistem identifikasi ini, agar bisa mendapatkan
tingkat keakuratan yang tinggi.
Daftar Pustaka
[1] Ripley, B. D., 2007, Pattern Recognition
and Neural Networks, Cambridge University
Press, United Kingdom.
[2] Gurney, K., 1997, An Introduction to Neural
Network, UCL Press, London.
[3] Mallat, S. G., 2009, A Wavelet Tour Of
Signal Processing, Third Edition : The
Sparse Way, Elsevier Inc, Burlington.
[4] Addison, P. S., 2002, The Illustrated
Wavelet Transform Handbook, Institute Of
Physics Publishing Bristol and Philadelphia,
USA.
[5] Samarasinghe, S., 2007, Neural Network for
Applied Sciences and Engineering : From
Fundamentals to Complex Pattern
Recognition, Taylor & Francis Group, USA.
[6] Munir, Rinaldi., 2004, Pengolahan Citra
Digital Dengan Pendekatan Algoritmik,
Penerbit Informatika, Bandung.
[7] Puspitaningrum, D., 2006, Pengantar
Jaringan Syaraf Tiruan. ANDI Yogyakarta,
Yogyakarta.
[8] Sari, Marlindia Ike, 2006, Identifikasi Plat
Nomor Kendaraan Berbasis Pengolahan
Citra Menggunakan Jaringan Syaraf Tiruan
Adaptive Resonance Theory 2 (ART2), Tugas
Akhir STT Telkom Bandung.
[9] Siang, JJ., 2005, Jaringan Syaraf Tiruan &
Pemrogramannya Menggunakan Matlab.
ANDI Yogyakarta.
[10] Tryandini, Enggar, 2007, Pengenalan Wajah
Menggunakan Filter Gabor 2D dan
Jaringan Syaraf Tiruan Back Propagation.
Tugas Akhir STT Telkom, Bandung.