SHIP CLASSIFICATION AT INDONESIA AREA USING K-NEAREST NEIGHBOUR METHOD

Publish in

Documents

98 views

Please download to get full document.

View again

of 9
All materials on our website are shared by users. If you have any questions about copyright issues, please report us to resolve them. We are always happy to assist you.
Share
Description
ISSN : 2355-9365 e-Proceeding of Engineering : Vol.3, No.1 April 2016 | Page 461 KLASIFIKASI KAPAL PADA PERAIRAN INDONESIA DENGAN MENGGUNAKAN METODE K-NEAREST NEIGHBOUR SHIP CLASSIFICATION AT INDONESIA AREA USING K-NEAREST NEIGHBOUR METHOD Nizhar Arya Hamitha1, Jangkung Raharjo, Ir., M.T.2, Inung Wijayanto, S.T., M.T.3
Transcript
  KLASIFIKASI KAPAL PADA PERAIRAN INDONESIA DENGAN MENGGUNAKAN METODE K-NEAREST NEIGHBOUR     SHIP CLASSIFICATION AT INDONESIA AREA USING K-NEAREST NEIGHBOUR  METHOD   Nizhar Arya Hamitha 1 , Jangkung Raharjo, Ir., M.T. 2 , Inung Wijayanto, S.T., M.T. 3  1,2,3 Prodi S1 Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom   1 nizhararya@students.telkomuniversity.ac.id 2  jkr_btp@yahoo.com 3 iwijayanto@telkomuniversity.ac.id   Abstrak    Negara Kesatuan Republik Indonesia merupakan negara kepulauan yang memiliki daerah laut yang sangat luas. Laut yang luas ini bisa dimanfaatkan sumber daya alamnya dan juga merupakan jalur perdagangan global. Karena potensi yang sangat besar ini, perairan Indonesia merupakan salah satu daerah perairan dengan jumlah kapal yang banyak. Dengan jumlah kapal yang banyak ini, tentunya harus dapat dipantau untuk mengetahui jalur maupun kegiatannya. Untuk saat ini, kapal-kapal di perairan Indonesia dapat dipantau menggunakan perangkat  Automatic Identification System (AIS). Untuk menambah variasi dan pengembangan cara identifikasi kapal inilah maka dilakukan simulasi klasifikasi kapal dengan berbasis image menggunakan metode ekstraksi ciri filter Gabor dan metode klasifikasi K-Nearest Neighbour  . Pada sistem ini, akan dilakukan klafisikasi kapal ke 3 kelas, yaitu kapal Bulk, Crude, dan LCT menggunakan image dari kapal tersebut. Image tersebut kemudian akan dibandingkan dengan database yang dibuat sebelumnya untuk proses klasifikasinya. Simulasi dilakukan menggunakan  software MATLAB dengan 60 data latih dan 30 data uji. Dari hasil simulasi ini didapatkan tingkat keakuratan sebesar 93.3%, waktu komputasi minimum 0,55 detik dan waktu komputasi maksimum 3,6 detik.   Kata kunci : Klasifikasi Kapal, Filter Gabor, K-Nearest Neighbour    Abstract    Republic of Indonesia is an archipelago with very large sea area. This wide sea has so much natural resources that can be exploited, beside that indonesi  a’   s sea area is also a global trade lanes. Because of that, there are so many ship that sail at indonesi  a’   s sea área. With that many ship, the ships sail path and activities must be monitored. For now, the ships in Indonesi  a’   s sea area can be monitored using a system called  Automatic Identification System (AIS). To develop the identification system of ship, then a classification of  ship based on image using K-Nearest Neighbour Method will be made. This system will classify the ships based on the ship ’   s image with Gabor Filter as the feature extraction method alongside K-Nearest Neighbour as classification method. The ship will classified into 3 classes, Bulk, Crude, and LCT. The image will be classified using the data in system database made earlier. The software used by the simulation is Matlab. The result of the system have a good classification accuration and a fast computational time. Accuration at 99.3%, minimum computational time at 0.55 second and maximum computational time at 3.6 second.   Keywords :  Ship Classification, Gabor Filter, K-Nearest Neighbour    1. Pendahuluan   1.1 Latar Belakang  Laut merupakan salah satu faktor penting dan dominan dalam mengantar kemajuan suatu negara. Begitu  banyak kekayaan yang tersimpan di laut. Laut sendiri luasnya mencapai 70 persen dari luas bumi sehingga merupakan sumber daya yang sangat besar. Indonesia secara geografis merupakan sebuah negara kepulauan dengan dua pertiga luas lautan lebih besar daripada daratan. Hal ini bisa terlihat dengan adanya garis pantai di hampir setiap pulau di Indonesia (± 81.000 km) yang menjadikan Indonesia menempati urutan kedua setelah Kanada sebagai negara yang memiliki garis pantai terpanjang di dunia. Kekuatan inilah yang merupakan potensi  besar untuk memajukan perekonomian Indonesia. Data  Food and Agriculture Organization di 2012, Indonesia  pada saat ini menempati peringkat ketiga terbesar dunia dalam produksi perikanan di bawah China dan India. Selain itu, perairan Indonesia menyimpan 70 persen potensi minyak karena terdapat kurang lebih 40 cekungan minyak yang berada di perairan Indonesia. Hal ini menunjukkan potensi laut Indonesia sangat besar. Selain itu, laut Indonesia juga menjadi salah satu jalur perdagangan yang penting karena lokasinya yang strategis. Tercatat dari 9 choke points atau titik perdagangan utama yang ada didunia, 4 berada di Indonesia sebagai jalur pelayaran internasional, yaitu Selat Malaka, Selat Makassar, Selat Sunda dan Selat Lombok. ISSN : 2355-9365e-Proceeding of Engineering : Vol.3, No.1 April 2016 | Page 461  Dari informasi mengenai perairan Indonesia tersebut dapat dipastikan bahwa di perairan Indonesia banyak kapal yang berlayar. Kapal-kapal tersebut tentunya harus diawasi oleh pemerintah Indonesia. Untuk saat ini,  pemantauan dilakukan menggunakan perangkat bernama  Automatic Identification System (AIS) dengan cara mengirim data elektronik dari kapal ke pemantau untuk mendapatkan informasi tersebut. Semakin lengkap informasi mengenai kapal maka akan semakin berkualitas juga pengawasan kapal tersebut. Oleh karena itu, dilakukanlah klasifikasi kapal menggunakan metode  K-Nearest Neighbour..   2. Dasar Teori   2.1 Citra  Citra atau yang lebih sering kita dengar dengan sebutan gambar merupakan sebagai fungsi intensitas cahaya  dua dimensi. Pada digital, citra digambarkan dengan matriks dua dimensi f(x,y) yang berisi nilai-nilai warna yang menyusun sebuah citra. Nilai terkecil yang mengandung nilai warna dari citra tersebut disebut piksel 2.2 Kapal  Di negara Indonesia yang merupakan negara dengan wilayah laut yang sangat luas tentu saja memiliki   banyak jenis kapal di perairannya. Kapal-kapal ini bermacam-macam ukurannya dari yang paling kecil seperti  perahu hingga yang sangat besar seperti kapal tanker. Beberapa jenis kapal yang tergolong kapal besar adalah sebagai berikut: 1. Kapal Muatan Curah (Bulk Carrier)  Kapal ini memiliki spesifikasi mengangkut muatan curah. Dikatakan curah karena cara meletakkan muatan dengan cara mencurahkan atau menuangkan butiran biji-bijian. Berdasarkan spesifikasinya yang khusus, kapal bulk carrier memiliki karakteristik umum yang menonjol. Beberapa ciri kapal bulk carrier adalah sebagai  berikut :   Memiliki  single deck. Kapal muatan curah tidak memerlukan deck tambahan di ruang muat karena muatannya ditimbun begitu di atas pelat alas dalam kapal hingga pada batas tertentu. Untuk itu konstruksi alas pada kapal bulk carrier harus lebih diperkuat.   Posisi kamar mesin di belakang kapal.   Memiliki top side tank dan hopper side tank  . Dipakai untuk mengurangi pergeseran muatan.   Orientasi perencanaan kapal adalah kapasitas muatan sebesar-besarnya. Namun ukuran kapal dibatasi kedalaman pelabuhan. 2. Kapal LCT Kapal LCT (Landing Craft Tank) adalah sebuah jenis kapal laut yang pada mulanya dirancang untuk keperluan militer. Kini kapal LCT dipergunakan untuk mengangkut kargo,alat-alat berat dan bahan-bahan konstruksi. Dengan LCT, alat-alat dan bahan bahan itu dapat diangkut hingga ke daerah-daerah terpencil yang sulit dicapai kapal pengangkut biasa. Kapal jenis ini memiliki deck yang luas dan rata sehingga cocok untuk mengangkut tank, prajurit atau bahan logistik. 3. Kapal Crude Kapal Crude atau Crude Oil merupakan jenis kapal tanker yang digunakan untuk mengangkut minyak mentah, terdapat pipa-pipa di bagian tengah palka kapal. Sedangkan, beberapa ukuran utama kapal (Irwan, 2015) yang diketahui adalah sebagai berikut: 1.  Length Overall  : panjang keseluruhan dari kapal yang diukur dari ujung haluan hingga buritan 2.  Length Perpendicular  : panjang antara kedua garis tegak burutan dan garis tegak haluan yang diukur pada garis air muat 3.  Breadth : Lebar Kapal 4.  Height  : Tinggi Kapal 5.  Draft  : sarat kapal yang diukur dari garis dasar sampai garis air muat 6.  Deadweigth Tonnage : Jumlah bobot yang dapat ditampung oleh kapal untuk kapal terbenam sampai batas yang diperbolehkan 7. Gross Tonnage : perhitungan volume semua ruang yang ada di kapal baik yang berada di bawah geladak, di atas geladak, maupun ruangan tertutup lainnya 2.3 Filter Gabor   Gabor Wavelet atau Filter Gabor adalah metode ekstraksi ciri yang menggunakan  filter sebagai media ekstraksi cirinya. Tujuan digunakannya Gabor Wavelet adalah untuk memunculkan ciri-ciri khusus dari citra yang telah dikonvolusi terhadap kernel . Sebagai  filter digunakan Gabor Wavelet kernel 2D yang diperoleh dengan memodulasi gelombang  sinus 2D pada frekuensi dan orientasi tertentu dengan Gaussian envelope . Jika semua Gabor filter dengan variasi frekuensi (  f  ) dan orientasi ( θ)  diterapkan pada satu titik tertentu (x,y) , maka didapatkan banyak respon  filter untuk titik tersebut, misal: digunakan lima frekuensi (  f = 3, 5, 7,8, 10) dan delapan orientasi ( θ ), maka akan dihasilkan 40 respon  filter untuk tiap titik citra yang dikonvolusikan dengan ISSN : 2355-9365e-Proceeding of Engineering : Vol.3, No.1 April 2016 | Page 462   filter tersebut. Citra database dan citra yang akan dikenali dikonvolusi lebih dahulu dengan Gabor Filter  . Konvolusi tersebut akan menghasilkan titik-titik dengan nilai tertentu yang disebut sebagai  gabor jet response . Titik-titik  gabor jet response dari citra database dan citra yang akan dikenali dibandingkan dengan menerapkan  prosedur  K-Nearest Neighbour  pada citra yang akan dikenali, yaitu dengan memaksimalkan kemiripan magnitude Gabor antara citra latih yang sudah ditransformasi dengan representasi dari citra yang akan dikenali tersebut. 2.4 K-Nearest Neighbour  Algoritma  K-Nearest Neighbour (k-NN atau KNN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut.  K-Nearest  Neighbour  berdasarkan konsep ‘  learning by analogy ’  . Data learning dideskripsikan dengan atribut numerik n- dimensi. Tiap data learning merepresentasikan sebuah titik, yang ditandai dengan c, dalam ruang n-dimensi. Jika sebuah data query yang labelnya tidak diketahui diinputkan, maka  K-Nearest Neighbour akan mencari k buah data learning yang jaraknya paling dekat dengan data query dalam ruang n-dimensi. Jarak antara data query dengan data learning dihitung dengan cara mengukur jarak antara titik yang merepresentasikan data query dengan semua titik yang merepresentasikan data learning dengan rumus  Euclidean Distance . Diberikan 2 buah titik P dan Q dalam sebuah ruang vektor n-dimensi dengan P(p1, p2 ,…,  pn) dan Q(q1, q2 ,…, qn), maka jarak antara P dan Q dapat diukur dengan menggunakan persamaan  Euclidean Distance sebagai  berikut: �� ( � , � ) = √  ∑    ( � ᵢ   −   � ᵢ )² (1) �� − 1   dimana P dan Q adalah titik pada ruang vektor n dimensi sedangkan  p i dan q i adalah besaran skalar untuk dimensi ke i dalam ruang vektor n dimensi. 2.5 Regresi Linear  Regresi Linear Sederhana adalah metode statistik yang berfungsi untuk menguji sejauh mana hubungan sebab akibat antara variabel faktor penyebab (X) terhadap variabel akibatnya. Faktor penyebab pada umumnya dilambangkan dengan X atau disebut juga dengan  Predictor sedangkan variabel akibat dilambangkan dengan Y atau disebut juga dengan  Response . Regresi Linear Sederhana atau sering disingkat dengan SLR ( Simple Linear  Regression ) juga merupakan salah satu metode statistik yang dipergunakan dalam produksi untuk melakukan  peramalan ataupun prediksi tentang karakteristik kualitas maupun kuantitas. Model Persamaan Regresi Linear Sederhana adalah seperti berikut ini : � = �� + �   (2) Dimana : y= Variabel  Response atau Variabel Akibat (  Dependent  ) x= Variabel  Predictor atau Variabel Faktor Penyebab (  Independent  ) � =   konstanta   b = koefisien regresi (kemiringan); besaran  Response yang ditimbulkan oleh  Predictor  .  Nilai-nilai a dan b dapat dihitung dengan menggunakan Rumus dibawah ini :  (  � ) ( �� � 2   ) − (  � )(  � )  � = �� ( �� � 2   ) − (  � )² (3) � =   ( �� �� ) −  (  � ) (  � )  �� ( �� � 2   ) − (  � )²  (4)   2.6 Perancangan Sistem  Secara garis besar, sistem klasifikasi kapal ini dibagi menjadi 4 tahap utama, yaitu akuisisi atau  pengambilan gambar, pembuatan database menggunakan data latih, klasifikasi kapal menggunakan data uji, dan menghitung perkiraan spesifikasi kapal menggunakan persamaan hasil regresi linear  . Diagram blok dari sistem klasifikasi ini bisa dilihat pada gambar 1 ISSN : 2355-9365e-Proceeding of Engineering : Vol.3, No.1 April 2016 | Page 463    Akuisisi Data Pembuatan   Database  Klasifikasi Jenis Kapal  Perhitungan Spesifikasi Kapal   Gambar 1 - Diagram Blok Sistem  Tahap pertama adalah mengambil gambar kapal yang kemudian akan dijadikan sebagai data latih maupun data uji. Gambar kapal ini diambil menggunakan Google Earth dengan bantuan  print screen atau  snipping tool  . Kemudian setelah mendapatkan data latih dan data uji, maka tahap kedua adalah membuat database sebagai dasar sistem klasifikasi kapal menggunakan data latih yang diperoleh.  Flowchart database bisa dilihat pada gambar 2, sedangkan  flowchart klasifikasi dapat dilihat pada gambar 3 Gambar 2 - Flowchart Pembuatan Database Gambar 1 - Flowchart Klasifikasi  Dari  flowchart database dapat dilihat bahwa pembuatan database melewati tahap  preprocessing  . Pada tahap  preprocessing ini gambar akan diperhalus menggunakan median filter dan diubah ke format warna yang lebih sederhana yaitu  grayscale dan black white. Setelah itu dilakukan rotasi menggunakan bantuan hough transform . Ekstraksi ciri dilakukan menggunakan filter Gabor yang nantinya akan menghasilkan ciri berupa 1x40 magnitude gambar. Kemudian cirinya dikelompokkan sesuai dengan jenis kapalnya dalam database .  Database yang dibuat inilah yang akan menjadi dasar dalam proses klasifikasi kapal ini. Tahap yang berikutnya adalah tahap klasifikasi. Pada tahap ini akan ditentukan jenis kapal dari data uji.  Flowchart dari proses klasifikasi jenis kapal ini dapat dilihat pada gambar Dari  flowchart klasifikasi dapat dilihat bahwa proses klasifikasi jenis kapal melewati tahap  preprocessing dan ekstraksi ciri sama seperti saat membuat database . Klasifikasi menggunakan metode  K-Nearest Neighbour dengan k=1 untuk mencari data dengan nilai ciri paling dekat dengan data uji dengan menggunakan informasi ciri dari database yang telah dibuat, baru kemudian mendapatkan informasi berupa jenis kapal dari data uji yang digunakan. Tahap terakhir adalah proses perhitungan perkiraan spesifikasi kapal dengan menggunakan persamaan yang didapatkan dengan mencari hubungan antar variabel dengan metode regresi linear  . 3. Pengujian Sistem   4.1 Analisis Banyaknya Data Uji yang Dapat Diklasifikasi ISSN : 2355-9365e-Proceeding of Engineering : Vol.3, No.1 April 2016 | Page 464
Related Search
We Need Your Support
Thank you for visiting our website and your interest in our free products and services. We are nonprofit website to share and download documents. To the running of this website, we need your help to support us.

Thanks to everyone for your continued support.

No, Thanks