BAB II

KAJIAN KEPUSTAKAAN

2.1 PENGENALAN

Bab ini membincangkan hasil kajian kepustakaan penyelidikan terdahulu yang

berkaitan dengan teknologi sistem pengasingan botol plastik dan perkembangan

teknologi penglihatan komputer yang berasaskan kaedah pemprosesan imej dan

kepintaran buatan untuk mengenal pasti objek dan mengelaskannya. Kemajuan pesat

dalam sains dan teknologi telah mendorong ramai penyelidik untuk cuba

mengautomasikan kerja-kerja yang dilakukan secara manual dan hasilnya pelbagai

teknologi pengasingan khususnya untuk bahan plastik telah dihasilkan.

Dengan berkembangnya teknologi komputer, sistem automasi berasaskan

penglihatan mesin juga turut berkembang dengan pesatnya. Jika sebelum ini, aktiviti

dilakukan secara manual menggunakan penglihatan mata manusia, tetapi hasil kajian

intensif para penyelidik telah berupaya menghasilkan sistem yang diautomasikan

sepenuhnya dengan bantuan teknologi mesin penglihatan. Justeru, bab ini

didedikasikan khusus untuk tujuan pembentangan hasil kajian kepustakaan yang telah

dilakukan.

2.2 TEKNOLOGI PENGASINGAN PLASTIK BERASASKAN SINARAN

Pembangunan sistem pengasingan plastik kegunaan pengguna sudah bermula sejak

tahun 1989 lagi. Dua tahun kemudian, sistem komersial pertama yang boleh

memisahkan antara plastik jenis PVC dengan PET menggunakan teknologi X-RAY

10

telah diperkenalkan oleh Phillips (2001). Sejak itu, pelbagai usaha pembangunan dan

penyelidikan dalam bidang ini semakin bertambah seiring dengan peningkatan

kesedaran ke atas isu-isu kitar hayat kejuruteraan seperti kitar semula, guna semula,

perkilangan semula dan sebagainya. Walaupun sistem pengasingan automatik semasa

mampu mengasingkan plastik dengan cekap, namun ia melibatkan pelaburan yang

tinggi kerana memerlukan teknologi dan peralatan khusus. Teknologi Sinar-X

transmisi, Sinar X floresen dan Infra Merah adalah di antara beberapa jenis teknologi

yang telah digunakan oleh para penyelidik untuk mengasingkan plastik secara

automatik. Bahagian seterusnya memperihalkan secara lengkap tentang teknologi

sistem pengasingan sedia ada.

2.2.1 Teknologi Sinar X Transmisi (XRT)

Teknologi XRT menggunakan pancaran sinar XRT yang dipancarkan menerusi botol

dan dikesan oleh pengesan pada hujung yang berikutnya. Disebabkan sinar XRT

dipancarkan menembusi botol, ia mengabaikan butir seperti label dan kotoran yang

melekat pada permukaan botol yang boleh membawa kepada bacaan yang salah pada

sistem pengesan. Namun begitu, kelebihan utama sistem ini adalah ia boleh mengesan

kandungan kimia dalam botol meskipun botol-botol tersebut bertindih atau melekat di

antara satu sama lain. Keadaan botol yang sedemikian adalah perkara biasa lebih-lebih

lagi untuk sisa buangan plastik yang diperolehi dari tempat perlupusan sampah besar-

besaran apabila botol-botol plastik kebanyakan terpadat dan melekat dengan rapat

antara satu sama lain.

Sebagai contoh, apabila botol PVC bertindih dengan botol PET, sistem sinar

XRT akan mengesannya sebagai botol PV dan kedua-dua botol tersebut akan di

asingkan sebagai bahan plastik jenis PV. Kelemahan utama sistem ini adalah bentuk

botol yang tidak sempurna iaitu samada telah terleper atau separa terleper yang boleh

menyebabkan gangguan pada penyebaran sinar yang akhirnya boleh menyebabkan

kegagalan pada bahagian pengesan di hujung untuk mengesan isyarat tersebut. Hal ini

boleh membawa masalah kerana sistem XRT telah diprogramkan untuk mengeluarkan

botol yang tidak dapat dikesan oleh sensor. Cara terbaik untuk mengurangkan

11

kehilangan bahan PET adalah dengan mengasingkan dulu antara kedua-dua botol

tersebut sebelum melalukan bahan sisa plastik pada sensor XRT.

2.2.2 Teknologi Sinar X-Floresen (XRF)

Pada sistem XRF pula, sinar XRF yang dipantulkan kembali pada sensor dikesan oleh

pengesan pada hujung yang sama untuk menentukan jenis botol tersebut. Halangan

pada pengesanan permukaan ini adalah ia tidak dapat mengesan botol PVC yang

terlindung disebalik botol lain serta menghalang sinar tersebut. Akibatnya, sistem ini

tidak dapat mengesan botol PVC yang terlindung di sebalik botol PET apabila kedua-

duanya melalui permukaan sensor. Tambahan pula hasil pengesanan permukaan botol

plastik juga mungkin dipengaruhi oleh kotoran, label dan penutup botol yang boleh

menyebabkan botol PET disalah cam dan dibuang keluar. Apabila menggunakan XRF

atau jenis-jenis pengesan permukaan yang lain adalah penting bagi sistem tersebut

direka agar ia mempunyai satu laluan yang boleh melalukan satu botol bagi satu masa

untuk mengelakkan pertindihan antara botol-botol yang menyebabkan masalah bagi

pengesan untuk mengesan maklumat bagi jenis botol tersebut. Ini berkemungkinan

mengurangkan kesan halangan (shielding effect) yang boleh menyebabkan botol PVC

tersembunyi di sebalik botol PVC.

Sesetengah botol PET dan PVC dikilangkan dengan tambahan bahan kimia

untuk menyerap sebahagian sinar X dan sinar matahari sekitaran agar dapat

melindungi kandungan produk di dalamnya. Selain itu, disebabkan sinar X adalah

suatu bentuk radiasi maka langkah berjaga-jaga mestilah diambil kira dengan teliti

agar tidak membahayakan dan mendedahkan pekerja-pekerja kepada sinar radiasi.

Sistem perisai yang bagus mestilah digunakan oleh setiap pekerja agar tidak ada

masalah pencemaran radiasi ke atas diri mereka. Penangkis pencemaran radiasi

memerlukan sumber kewangan yang banyak dan perlu sesuai digunakan dalam apa

jua industri yang menggunakan teknologi berpenglihatan mesin. Ini kerana

pencemarannya boleh mendatangkan risiko penyakit kanser kulit dan katarak pada

mata di kalangan pekerja.

12

2.2.3 Teknologi Sistem Pengasingan Infra Merah (Near Infra Red - NIR)

Infra merah adalah sebahagian daripada spektrum cahaya yang tidak dapat dikesan

oleh mata manusia. Apabila botol plastik didedahkan kepada NIR setiap resin botol

plastik akan menyerap cahaya tersebut dalam caranya yang tersendiri dan unik yang

mampu dikesan oleh pengesan. Oleh yang demikian NIR mempunyai kuasa untuk

mengasingkan pelbagai jenis resin botol plastik. Seperti XRT, sinar NIR menembusi

sepenuhnya botol plastik dan boleh mengesan botol yang terlindung disebalik botol

yang lain. Kelebihan utama NIR adalah kemampuannya untuk mengesan bekas

komposit dan lapisan yang banyak. Sebahagian bekas ini boleh membawa pencemaran

kepada proses kitar semula botol PET dan amat sukar dikesan secara visual.

Kebolehan NIR mengasingkan bekas-bekas sebegini adalah menjadi semakin penting

dalam pemprosesan botol PET.

Walaubagaimanapun, sinar NIR juga masih mempunyai kelemahan. Seperti

XRT, sinar NIR juga boleh mencapah dengan mudah apabila melalui botol atau bekas

yang kemek atau separa kemek yang menghalang isyarat daripada dikesan oleh

pengesan yang menyebabkan bekas tersebut dibuang keluar. Kelebihan utama sistem

NIR berbanding X-ray adalah tiada masalah yang melibatkan radiasi yang boleh

membahayakan keselamatan pekerja dan alam semulajadi seperti yang dihasilkan oleh

sistem X-ray.

Beberapa kajian lepas (Bruno 2000; Clean Washinton Centre 2006) telah

membuktikan bahawa sistem NIR spektroskopi boleh memenuhi kehendak sistem

pengasingan plastik seperti sifat yang disebutkan di atas. Antaranya adalah kajian

yang dilakukan oleh SIRIUS yang membangunkan sistem pengecaman untuk

mengasingkan plastik daripada bukan plastik berasaskan teknologi penglihatan

spektroskopi, (Stchur et al. 2002). Dua kriteria utama yang menjadi objektif sistem ini

ialah mengenalpasti sampel bahan buangan plastik sekurang-kurangnya 80% daripada

bahan buangan tersebut adalah plastik dan selebihnya adalah bukan plastik.

13

Seterusnya sistem ini boleh membezakan antara campuran plastik tulen dengan

yang bukan plastik. Ini kerana sampel bahan buangan terdiri dari campuran plastik

dan bukan plastik.

Pelbagai teknik untuk mengenalpasti jenis bahan kimia plastik seperti kaedah

kimia oleh Hall & Dunsmore (2005), kaedah mekanikal berasaskan ketumpatan

seperti pengelasan udara dan air (Biddle et al. 1999; Hammaad 2005; Hurd 1997;

Bruno 2000) atau kaedah elektromagnetik iaitu mengukur tahap penyerapan spekrum

elektromagnetik. Teknologi elektromagnetik merupakan teknologi pengecaman

plastik dari plastik yang banyak digunakan dalam industri kitar semula plastik. Ia

menggunakan teknologi NIR bagi mengenalpasti jenis plastik. Kebaikan

menggunakan NIR spektroskopi adalah kelajuan mengenalpasti jenis plastik,

(GLIfRM 1998). Kebaikan lainnya adalah warna tidak menjejaskan pengenalpastian

bahan kimia plastik kecuali botol plastik yang berwarna hitam. (Kowol et al. 1998).

Walau bagaimanapun pengasingan botol plastik kepada tujuh komponen kimia yang

berbeza boleh meningkatkan kos komponen perkakasan berbanding nilai tambah ke

atas botol plastik oleh sistem pengasingan (Hurd 1997).

2.3 SISTEM PENGASINGAN BERASASKAN TEKNOLOGI PENGLIHATAN MESIN

Bahagian ini mempersembahkan ulasan mengenai hasil tinjauan kepustakaan yang

dilakukan terhadap sistem pengasingan automatik yang telah dibangunkan

menggunakan teknologi sistem penglihatan mesin yang mengaplikasikan serta

memanfaatkan kemajuan teknologi dalam bidang komputeran pintar dan pemprosesan

imej. Kaedah berasaskan sistem penglihatan komputer telah diaplikasikan dalam

pelbagai bidang antaranya untuk pertanian oleh Aouache (2006); Ang (2008); Zhao-

yan et al. (2005) & Kamarul (2009) manakala dalam bidang pembuatan/pengredan

makanan/industri makanan seperti yang dilaporkan oleh Heleno et al. (2002),

Leemans & Destain (2004); Riyadi et al. (2007); Abbasgolipour et al. (2010) &

Dehrouyeh et al. (2010). Keseluruhan kajian menunjukkan teknik pemprosesan imej

mampu mengecam objek sasaran juga boleh mengelaskan objek tersebut kepada

kelas-kelas yang telah ditentukan.

14

Menerusi bidang pembuatan atau penggredan makanan pula, Riyadi et al.

(2007) telah melaksanakan satu kajian menggunakan teknik pemprosesan imej untuk

pengredan buah betik. Analisa profil imej digital betik telah digunakan bagi

mengelaskan buah betik mengikut gred saiz masing-masing. Perlakuran sifat antara

mean-jumlah diameter, mean-nilai maksimum diameter dan jumlah-nilai max

diameter. Kesemua sifat ini dikelaskan menggunakan pengelas rangkaian neural dan

ketepatan pengelasan adalah 95%.

Sifat warna adalah parameter penting dalam pengelasan dan pengasingan

kismis oleh Abbasgolipour et al. (2010). Bagi menyari sifat berguna daripada imej

yang dikumpul oleh sistem mesin penglihatan, algoritma yang cekap dibangunkan dan

diimplementasi menggunakan persekitaran Visual Basic 6.0. Algoritma ini

mengandungi modul segmentasi latarbelakang, pemilihan kismis dan sarian sifat.

Pengasingan kismis dilakukan berasaskan kepada sifat warna HSI iaitu, hue saturasi

dan keamatan. Gabungan nilai panjang dan nilai warna HIS, kismis akan dikelaskan

kepada dua kelas. Kedudukan titik tengan graviti juga ditentukan untuk pengelasan

kismis yang baik dan kismis yang rosak. Ketepatan hasil kajian menunjukkan sistem

yang dicadangkan mampu mengelas kan kismis sehingga 96% pengelasan benar.

Sistem penglihatan mesin yang memanfaatkan teknik pemprosesan imej

dilaksanakan oleh Dehrouyeh et al. (2010) menerusi algoritma berasaskan

pemprosesan imej bagi mengesan tompokan darah dalam telur ayam serta kotoran

pada cengkerang telur yang diambil pada iluminasi berbeza. Bagi menyari sifat vektor

terbaik, untuk imej telur ini, algorima dalam ruang warna HIS telah dibangunkan.

Histogram hue digunakan untuk mengesan tompokan darah dalam telur manakala nilai

maksimum bagi histogram yang dipilih akan digunakan untuk mengesan kerosakan

pada cengkerang telur. Kaedah lain untuk mengesan kotoran pada kulit telur adalah

dengan menggunakan teknik mengesan kawasan berhubungan. Keputusan dari ujikaji

menunkjukkan purata 91% kecekapan pengesanan telur yang mempunyai tompokan

darah dalam telur manakala purata 85.66% ketepatan algoritma mampu mengesan

telur rosak berdasarkan kekotoran pada cengkerang telur.

15

2.4 SISTEM PENGASINGAN SISA PEPEJAL DAN BOTOL PLASTIK

Menurut Hearn & Ballard (2005), terdapat pelbagai teknik telah dibangunkan bagi

membolehkan bahan sisa domestik dikenal pasti dan diasingkan mengikut kumpulan

bahan sebelum proses kitar semula. Bahan sisa tersebut boleh diasingkan berdasarkan

saiz dan bentuk sama ada dari jenis kadbod, kayu atau kertas. Semua ini boleh

dilakukan dengan menggunakan tahap cas elektrostatik terkawal dan membandingkan

santaian cas menggunakan meter lapangan elektrik tak bersentuhan. Sisa domestik

seperti botol, tab dan dulang makanan plastik akan dialir ke dalam kumpulan polimer

masing-masing menggunakan siri kuar tribo-elektrik. Kuar yang mempunyai kepala

gelendong berputar serta mampu menghasilkan cas elektrostatik akan bersentuhan

dengan bahan sisa untuk proses pengenal pastian.

Bagi sistem pengecaman botol plastik pula, Ong (2005) telah membangunkan

sistem pengecaman botol plastik secara automatik untuk mengklasifikasikan jenis

bentuk botol kepada lima jenis iaitu botol syampu, botol mineral, botol pembersih, tin

biskut dan botol minuman ringan. Ong juga menekankan penganalisaan dan

pengkelasan botol plastik menggunakan rangkaian neural. Antara algoritma

pemprosesan imej yang digunakan adalah penuras untuk penukaran ke skala kelabu

dan pengesanan sisi imej. Keputusan keupayaan pengelasan jenis-jenis botol tersebut

yang diperolehi adalah di antara 83% ke 100%. Ong mengelaskan botol plastik kepada

jenis botol plastik itu sendiri menggunakan kaedah padanan templat.

FarahYasmin (2005) pula dalam tesisnya telah membangunkan algoritma

pengelasan botol menggunakan kod rantaian Freeman. Kaedah sentroid bintang dan

tetingkap bergerak bersaiz 10x10 digunakan untuk menjana kod rantaian Freeman.

Rangkaian neural juga digunakan untuk mengelaskan botol kepada PET dan BUKAN-

PET. Keputusan pengelasan antara 98% dan 99.6% menunjukkan kaedah yang

digunakan mampu mengecam botol plastik serta mengelaskannya kepada kelas botol

masing-masing.

Dzuraidah et al. (2006), telah membina perkakasan yang mempunyai struktur

mekanikal seperti yang digambarkan dalam Rajah 2.1. Secara asasnya algoritma

16

sarian sifat pengecaman imej botol yang dibina dalam kajian tesis ini akan

digabungkan dengan struktur mekanikal sedia ada ini bagi menghasilkan sebuah

sistem penglihatan mesin yang cekap lagi tegar.

Rajah 2.1 Gambaran struktur sebuah sistem pengasingan botol plastik secara automatik

Bagi tujuan sistem prototaip semua botol kitar semula akan jatuh ke dalam

bekas pengumpul dalam keadaan posisi menegak serta sebiji demi sebiji seakan sama

ia melalui konveyor. Tetapan ini adalah sama seperti sistem automasi menggunakan

NIR sebagai pengesan di mana botol kitar semula harus sampai ke alat pengesan sebiji

demi sebiji pada satu-satu masa bagi memaksimakan ketepatan dan kualiti. Sistem

prototaip ini seharusnya mampu mengendali, mengesan dan mengisih botol kitar

semula dalam pelbagai saiz seperti botol bersaiz kecil vitagen sehinggalah ke botol

minyak masak yang bersaiz besar. Namun untuk kajian ini, Dzuraidah et al. (2006)

menghadkan kepada bahan PET dan BUKAN-PET sahaja.

Tachwali et al. (2007) telah membangunkan sebuah sistem pengasingan botol

secara automatik yang mengaplikasikan kaedah pemprosesan imej-imej botol dengan

teknik kecerdikan buatan untuk mengesan vektor sifat yang dikenalpasti iaitu vektor

sifat warna dan komposisi kimia botol. Namun, sifat yang digunakan tidak

Sistem Pengesan

Pengumpul

Pengesan

Pelenting

Sistem Pengendali Bahan

Tali Sawat Penyampai

Bekas Botol

BUKAN-PET

Bekas Botol PET

17

memberikan hasil yang unik bagi jenis-jenis botol di mana peratus pengelasan yang

diperolehi adalah sederhana iaitu hanya 83.4%. Sememangnya, adalah amat sukar

untuk melakukan pengasingan botol dengan hanya berdasarkan kepada warna

manakala pengesanan komposisi kimia menggunakan panjang gelombang tidak dapat

memberikan perwakilan botol yang tepat. Kajian ini mengelaskan botol plastik kepada

kelas lutsinar atau legap.

Edgar et al. (2009) dalam kajiannya untuk mengenalpasti botol plastik untuk kitar

semula telah melaksanakan algoritma berasaskan bentuk dan dimensi objek. Empat

kaedah sarian sifat iaitu sifat geometri, perimeter cartesan, perimeter polar dan profil

polar. Pengenalpastian tercapai dengan membandingkan set sifat yang diukur dengan

yang terdapat di pangkalan data disamping mengintergrasikan dengan teknik

pengecaman seperti jarak minimum dalam ruang sifat, peta tersusun sendiri dan

rangkaian neural. Sistem pengecaman ini diuji pada 50 biji botol berbeza dan

ketepatan pengenalpastian adalah 97%. Kajian ini turut mengelaskan botol plastik

kepada kelas PET dan BUKAN-PET.

2.5 KAJIAN BERKAITAN KEPINTARAN BUATAN

Kajian ini melibatkan penggunaan alat pengelas untuk menguji dan mengesahkan

vektor sifat yang disari benar-benar unik dan jitu sebagai perwakilan kepada imej

botol plastik. Dua jenis alat pengelas yang digunakan adalah pengelas pendiskriminan

lelurus dan pengelas rangkaian neural. Latihan dan pengujian untuk kedua-dua alat

pengelas dilaksanakan secara pengesahan bersilang.

2.5.1 Pengelas Pendiskriminan Lelurus

Pengelas pendiskriminan lelurus mempunyai sempadan keputusan yang lelurus.

Sebagai contoh masalah dua kelas seperti di bawah:

Sempadan keputusan antara dua kelas adalah hiper satah atau garisan

pancangan dalam ruang vektor sifat.

Garis pancangan dalam keadaan ruang masukan dimensi p adalah set seperti

berikut:

18

f

:.

p1

p2

p3

p4

pR

:.

n a

b

w1,1

w1,R

1

Masukan p Masukan vektor w neuron

0:1

0

jj

p

j

xx (2.1)

Dua kawasan dipisahkan oleh garis pancangan seperti berikut:

0:1

0

jj

p

j

xx dan 0:1

0

jj

p

j

xx (2.2)

Pengelas pendiskriminan lelurus sesuai untuk tujuan pengelasan botol kerana:

Masalah pengelasannya melibatkan masalah pengelasan binari iaitu untuk

mengasingkan botol plastik kepada dua kategori iaitu samada botol plastik

PET atau BUKAN-PET.

2.5.2 Pengelas Rangkaian Neural Buatan

Rangkaian neural tiruan adalah entiti matematik yang dibina berdasarkan daripada

model neuron yang terdapat dalam otak manusia (Haykin 2009). Kesemua model

matematik adalah berdasarkan kepada blok asas yang dikenali sebagai neuron buatan.

Contoh neuron ditunjukkan pada Rajah 2.2.

Rajah 2.2 Contoh model neuron

Elemen masukan adalah p1, p2, p3...pr dan didarabkan dengan pemberat w1,1, w1,2 ...

w1R dan nilai pemberat tersebut di masukkan ke cabang pencampuran. Keluaran a

boleh ditulis sebagai

(2.3)

Model asas RNT mengandungi lapisan neuron yang mempunyai R bilangan vektor

masukan, manakala f adalah rangkap pindah yang mempunyai masukan n (Fausett

1990).

)( bwfa p

19

(2.4)

Rangkap pindah yang biasa digunakan dalam operasi rangkaian neural antaranya

adalah seperti yang ditunjukkan pada Rajah 3.8. Vektor masukan yang digunakan

dalam kajian ini adalah dua vektor mewakili satu imej masukan. Rangkap pindah yang

digunakan adalah rangkap pindah lelurus (linear transfer function).

Rajah 2.3 Contoh model neuron dengan rangkaian satu aras

Dalam kajian ini, kotak alatan Matlab RNT digunakan untuk tugas pengelasan.

Setelah rangkaian menerima latihan yang sempurna, ia digunakan bagi mengelas imej

botol plastik kepada jenis PET atau BUKAN-PET.

2.5.3 Pengesahan Bersilang

Pengesahan bersilang melibatkan pendiskriminan lelurus diperolehi pada set 1

pangkalan data imej dan pengujian dilakukan pada 4 set pangkalan data imej yang

lain. Seterusnya pangkalan data ditukar dengan mendapatkan pendiskriminan lelurus

pada set 2 pangkalan data dan pengujian dilakukan pada 4 set pangkalan data yang

lain. Proses ini berterusan sehingga kesemua 5 set data telah digunakan untuk

mendapatkan pendiskriminan lelurus atau rangkaian neural dan seterusnya mengukur

kecekapan di peringkat pengelasan.

Dalam statistik, kaedah pengesahan bersilang adalah amalan pembahagian

sampel data kepada beberapa sub-sampel (Richard 1987). Analisis dilakukan pada

satu sub-sampel sementara sub-sampel yang lain seolah-olah dihilangkan untuk tujuan

pengesahan analisa tersebut. Menerusi kaedah pengesahan bersilang k lipatan, data

bpwpwpwn RR ,122,111,1 ...

20

Set latihan

5 model pengesahan bersilang yang dibina

Latihan

Ujian

Model 1

Latihan

Latihan

Ujian

Model 2

Latihan

Ujian

Model 5

Model terbaik

Set ujian

++

++

__

Data imej

Vektor Fitur

dibahagikan kepada k subset pada saiz yang sama. Rangkaian dilatih sebanyak k kali,

dengan setiap kali latihan meninggalkan set-set yang lain untuk diuji. Sekiranya k

bersamaan dengan saiz sampel, ia dipanggil pengesahan bersilang ‘leave-one-out’.

Rajah 3.9 mempamerkan rajah skematik teknik pengesahan bersilang yang

diterangkan,

Rajah 2.4 Rajah skematik latihan pengesahan bersilang 5 set lipatan

2.6 RUMUSAN HASIL KAJIAN KEPUSTAKAAN

Berdasarkan hasil tinjauan, didapati kaedah pengasingan automatik berasaskan

teknologi penglihatan mesin adalah wajar dan amat sesuai digunakan dalam usaha

membangunkan sebuah sistem pengasingan bahan buangan sisa pepejal jenis plastik.

Sebagaimana yang dibentangkan teknologi perkomputeran masakini yang serba

canggih dan berkemampuan tinggi serta perkembangan pesat teknologi bidang

pemprosesan imej dan kepintaran buatan telah membuktikan bahawa adalah tidak

mustahil untuk membangunkan sistem pengasingan botol plastik secara lebih efektif

dan cekap. Dengan itu, perlaksanaan kajian ini yang juga berasaskan teknologi

pemprosesan imej wajar di teruskan. Keadaan ini dikukuhkan lagi dengan Jadual 2.1

berikut yang merupakan ringkasan kajian pengecaman bentuk botol plastik yang telah

dijalankan oleh penyelidik lepas. Perbandingan adalah berdasarkan pada peratus

ketepatan pengelasan yang dilakukan.

21

Jadual 2.1 Perbandingan kajian pengecaman botol plastik

Penulis Vektor Ciri

Pendekatan Saiz Pangkalan

Data

Pengelas %ketepatan pengelasan

Jenis Pengelas

-an

Ong(2005)

Bentuk Set 30 biji botol berbeza

Rangkaian Neural Perambata-n Belakang

92% Padanan templat

FarahYasmin(2005)

Tetingkap dan FCC

Bentuk Set 8 biji botol berbeza

Rangkaian Neural Tiruan

99.60% PET atauNON-PET

Tachwali(2007)

Warna 83.40% ClearKomposisi kimia Set 100 biji

botol berbeza

Rangkaian Neural Tiruan

Opaque

Edgar(2009)

Profil polar

Bentuk Set 50 biji botol berbeza

Minimum distance in feature space

97% PET atau NON-PET

Ciri geometri

Bentuk Self organizing map

90% PET atau NON-PET

22

BAB II 9KAJIAN KEPUSTAKAAN 9

PENGENALAN 92.1 9

2.2 TEKNOLOGI PENGASINGAN PLASTIK BERASASKAN SINARAN 92.3 SISTEM PENGASINGAN BERASASKAN TEKNOLOGI PENGLIHATAN MESIN 132.4 SISTEM PENGASINGAN SISA PEPEJAL DAN BOTOL PLASTIK 152.5 KAJIAN BERKAITAN KEPINTARAN BUATAN 17

23

2.5.1 Pengelas Pendiskriminan Lelurus 172.5.2 Pengelas Rangkaian Neural Buatan 182.5.3 Pengesahan Bersilang 19

2.6 RUMUSAN HASIL KAJIAN KEPUSTAKAAN 20

24

Rajah 2.1 Gambaran struktur sebuah sistem pengasingan botol plastik secara automatik 16Rajah 2.2 Contoh model neuron 18Rajah 2.3 Contoh model neuron dengan rangkaian satu aras 19Rajah 2.4 Rajah skematik latihan pengesahan bersilang 5 lipatan 20

Jadual 2.2 Perbandingan kajian pengecaman botol plastik......................................... 21

Merah- tiada dlm ref, ada dlm teksPurple: tdlm ref, tiada dlm teks

Penulis Vektor Sifat

Pendekatan

Saiz Pangkala

n Data

Pengelas %ketepatan

pengelasan

Ong(2005) Bentuk Set 30 biji botol berbeza Rangkaian

neural perambatan belakang

92%

Farah Yasmin(2005)

Tetingkap dan FCC

Bentuk Set 8 biji botol berbeza

Rangkaian Neural Tiruan

99.60%

Tachwali(2007)

Warna 83.40%Komposisi kimia

Set 100 biji botol berbeza

Rangkaian Neural Tiruan

Edgar(2009) Profil polar

Bentuk

Set 50 biji botol berbeza

Minimum distance in feature space

97%

Sifatgeometri

Bentuk Rangkaian Neural

90%

Self organizing map