ABSTRAKSI: Perkembangan teknologi informasi yang pesat memotivasi manusia untuk menciptakan suatu inovasi baru yang mengacu pada optimasi sistem. Optimasi sistem ini bertumpu pada artificial intellegence yang diharapkan sistem mampu mengidentifikasi obyek secara otomatis. Pada tugas akhir ini yang menjadi obyek penelitian adalah citra kendaraan. Melalui pengolahan citra, citra kendaraan sebagai citra input diproses awal menggunakan transformasi wavelet yang digunakan sebagai metode ekstraksi feature. Transformasi wavelet menghasilkan representasi multi resolusi dari citra aslinya. Hasil dari pengolahan citra menggunakan transformasi wavelet diwujudkan dalam bentuk kode-kode biner, dan kode-kode ini akan menjadi inputan jaringan saraf tiruan yang berfungsi untuk mengambil keputusan dengan tujuan mengenali dan mengklasifikasi citra tersebut.
Pada penelitian ini suatu kendaraan akan diidentifikasi dan dikelompokkan ke dalam jenis kendaraan tertentu. Terdapat pendekatan dalam klasifikasi untuk menyempurnakan hasil analisis, dimana titik tolak pengklasifikasian tersebut didasarkan pada teori jaringan syaraf tiruan. Pengklasifikasian jaringan syaraf tiruan adalah suatu algoritma yang meniru kemampuan komputasi dari otak manusia. Neuron buatan adalah emulasi sederhana dari neuron biologi, dimana mereka mengambil informasi dari sensor atau neuron buatan yang lain, melaksanakan operasi sederhana pada data tersebut, dan meneruskan hasilnya ke neuron buatan yang lain. Penelitian ini mencoba untuk mendesain dan mengimplementasikan metode jaringan syaraf tiruan backpropagation untuk menghasilkan sebuah sistem kalsifikasi kendaraan. Pendekatan klasifikasi jaringan syaraf backpropagation terdiri dari tiga fase dalam tahap pelatihan yang berguna untuk melatih komputer mengenal data spektral dari setiap piksel yaitu; forward propagation, backward propagation, dan perubahan bobot.
Dari sini dihasilkan suatu sistem pengklasifikasian kendaraan yang memberikan tingkat akurasi mencapai 100% terhadap pengujian sistem dengan citra latih dan 85% terhadap pengujian sistem dengan citra uji random. Selain itu, proses pengujian membutuhkan waktu yang relatif cepat yaitu antara 0.129758 – 0.214593 detik. Sehingga sistem ini dianggap mampu untuk bekerja real time.
Kata Kunci : Transformasi Wavelet, Jaringan Saraf Tiruan, BackpropagationABSTRACT: The growth of information technology is motivates to produce a new inovation that follow into optimization system. This optimization based on artificial intellegence in order to make a system work automatically in identifying an object. In this reasearch, vehicle image is used for an input system. Pass through of image processing, the vehicle image from database is firstly processed into wavelet transform that used for feature extraction of image input. Wavelet transform is produced a representation multi resolution of original image. Then, vehicle image can be identified and classified into specific category of vehicle. The results of preprocessing image using wavelet transform will be inputs for artificial neural network in order to make a decision on identifies that image.
There is approach for classify in order to obtain result analysis perfectly which is based on artificial neural network theory. Classification in neural network is an algorithm that adapts from capability human brain in computation. Artificial neural is simply emulation from biology neural that its takes the information from sensor or other artificial neural, doing simply operation on the data, and forward results into the other neural. In this research is trying to design and implementation of backpropagation neural network method for system classification of vehicle. Backpropagation neural network contains three phases in learning the system to recognize spectral data model of image in every pixel; forward propagation, backward propagation, and weight adjustment.
This research produces system classification of vehicle that gives level accuracy until 100% toward process testing using image learning and 85% using image testing. Beside of that, process testing need elapsed time between 0.129758 – 0.214593 seconds. It means, this system can be implemented on real time.
Keyword: Wavelet Transform, Artificial Neural Network, Backpropagation