ANALISIS DAN PERANCANGAN
3.2 Analisis Sistem
Proses klasifikasi citra daging sapi dan daging babi dilakukan dalam beberapa langkah.
Langkah – langkah tersebut adalah image acquisition, image preprocessing, feature extraction dan klasifikasi menggunakan Counterpropagation Neural Network. Setiap langkah yang dilakukan akan dijelaskan lebih terperinci pada bagian – bagian selanjutnya. Adapun arsitektur umum yang menggambarkan metodologi pada penelitian ini dapat ditunjukkan pada Gambar 3.1.
Image Acquisition
Selanjutnya, daging dipotong menjadi bentuk kubus dengan ukuran ±3×3×3 cm.
Proses image acquisition dilakukan dengan memanfaatkan mikroskop digital dengan perbesaran 150× dan disimpan dalam JPG (Joint Photographic Experts Assemble).
Contoh citra daging sapi dan daging babi yang diperoleh dapat dilihat pada Gambar 3.2 dan Gambar 3.3.
Gambar 3.2 Citra daging sapi
Gambar 3.3 Citra daging babi
3.2.2 Image Preprocessing
Tahap preprocessing merupakan tahap pengolahan citra agar dapat menghasilkan citra yang lebih baik untuk diproses di tahap selanjutnya. Tahap preprocessing ini terdiri dari resizing dan contrast enhancement.
3.2.2.1 Resizing
Tahapan pertama dari preprocessing adalah dengan melakukan resizing. Resizing diperlukan untuk mengubah citra yang ukuran awalnya 640 × 480 piksel menjadi 300
penelitian ini, proses resizing dilakukan dengan menggunakan library yang disediakan oleh MATLAB. Citra daging sapi dan daging babi setelah proses resizing dapat dilihat pada Gambar 3.4 dan Gambar 3.5.
Gambar 3.4 Citra daging sapi setelah proses resizing
Gambar 3.5 Citra daging babi setelah proses resizing
3.2.2.2 Contrast Enhancement
Setelah proses resizing, data training dan testing akan melalui proses contrast enhancement. Pada penelitian ini, contrast enhancement bertujuan untuk meningkatkan nilai kontras yang ada pada citra sehingga citra tampak lebih jelas dan mengurangi noise yang ada pada citra. Proses contrast enhancement dilakukan dengan memanfaatkan library yang disediakan oleh MATLAB. Citra daging sapi dan daging babi setalah proses contrast enhancement dapat dilihat pada Gambar 3.6 dan Gambar 3.7.
Gambar 3.6 Citra daging sapi setelah proses contrast enhancement
Gambar 3.7 Citra daging babi setelah proses contrast enhancement
3.2.3 Feature Extraction
Setelah melalui proses image preprocessing, data training dan testing akan melalui proses feature extraction. Pada penelitian ini, fitur yang akan diekstraksi adalah fitur warna dengan cara mengkonversi model warna citra dari RGB (Red, Green, Blue) menjadi HSV (Hue, Saturation, Value). Proses konversi citra menjadi HSV memanfaatkan library yang disediakan oleh MATLAB. Ekstraksi fitur HSV pada citra daging sapi dan daging babi yang terlihat berbeda secara signifikan terdapat pada nilai hue dan value. Maka dari itu, nilai hue dan value akan dihitung nilai rata-ratanya.
Nilai tersebut kemudian akan digunakan sebagai input dari proses training dalam penelitian ini. Nilai piksel citra sebelum proses ekstraksi fitur serta nilai hue dan value dari setiap piksel citra setelah proses ekstraksi fitur dapat dilihat pada Tabel 3.1, Tabel 3.2, dan Tabel 3.3.
Tabel 3.1 Nilai piksel citra sebelum proses ekstraksi fitur
Tabel 3.2 Nilai hue dari piksel citra setelah proses ekstraksi fitur
1 2 3 4 5 ... 298 299 300
Setelah mendapatkan nilai hue dari setiap piksel citra dalam proses ekstraksi fitur, langkah selanjutnya adalah untuk menentukan mean dari hue setiap piksel citra dengan perhitungan sebagai berikut:
𝑴𝒆𝒂𝒏 =0.1125 + 0.1264 + 0.1288 + 0.1299 + ⋯ + 0.1161 + 0.1133 + 0.1189 300 × 300
𝑴𝒆𝒂𝒏 = 0.1125 + 0.1264 + 0.1288 + 0.1299 + ⋯ + 0.1161 + 0.113 + 0.1189 90000
𝑴𝒆𝒂𝒏 = 0.1208
Tabel 3.3 Nilai value dari piksel citra setelah proses ekstraksi fitur
1 2 3 4 5 ... 298 299 300
Setelah mendapatkan nilai value dari setiap piksel citra dalam proses ekstraksi fitur, langkah selanjutnya adalah untuk menentukan mean dari value setiap piksel citra dengan perhitungan sebagai berikut:
𝑴𝒆𝒂𝒏 =0.8471 + 0.7412 + 0.7020 + 0.7490 + ⋯ + 0.8784 + 0.9255 + 0.6118 300 × 300
𝑴𝒆𝒂𝒏 = 0.8471 + 0.7412 + 0.7020 + 0.7490 + ⋯ + 0.8784 + 0.9255 + 0.6118 90000
𝑴𝒆𝒂𝒏 = 0.7295
3.2.4 Counterpropagation Neural Network (CPNN)
Tahap berikutnya setelah proses ekstraksi fitur adalah melakukan klasifikasi pada citra daging sapi dan daging babi. Pada penelitian ini, metode yang digunakan untuk proses identifikasi adalah metode Counterpropagation Neural Network. Pelatihan ini dilakukan untuk mencari nilai bobot yang akan digunakan pada proses testing data.
3.2.4.1 Pembuatan Model
Pada tahap ini, dilakukan pembuatan model Counterpropagation Neural Network.
Pada tahap pembuatan model ini, terdapat beberapa parameter yang diperlukan yaitu antara lain jumlah neuron, epochs, initialisation of weights, learning rate dan final learning rate.
3.2.4.2 Penentuan jumlah neuron
Pada penelitian ini, penentuan jumlah neuron tidak menggunakan perhitungan khusus.
Jumlah neuron ditentukan dengan teknik trial and error untuk mendapatkan hasil yang maksimal. Jumlah neuron yang digunakan pada penelitian ini adalah sebanyak 10,20,40,60, dan 90 neuron.
3.2.4.3 Penentuan epochs
Epochs adalah berapa kali setiap sampel dikenalkan pada jaringan. Jumlah epochs yang semakin tinggi akan semakin bagus sehingga mempengaruhi hasil identifikasi.
Jumlah epochs yang digunakan pada penelitian ini adalah 100.
3.2.4.4 Penentuan initialisation of weights
Initialisation of weights mendefinisikan inisialisasi bobot. Bobot dalam penelitian ini dapat diinisialisasi secara acak antara 0,1 dan 0,9 atau berdasarkan vektor eigen yang disesuaikan dengan dua komponen utama data input. Pada penelitian ini, inisialisasi bobot ditetapkan secara default yaitu random.
3.2.4.5 Penentuan learning rate
Learning rate merupakan nilai yang berupa angka positif antara nilai 0,1 dan 0,9. Pada penelitian ini, nilai learning rate yang dipakai adalah 0,2.
3.2.4.6 Penentuan final learning rate
Final learning rate merupakan angka positif yang bernilai di antara 0 sampai dengan nilai learning rate. Pada penelitian ini, nilai dari final learning rate ditentukan secara default yaitu 0,01.
3.2.4.7 Training
Proses training dilakukan setelah semua pemrosesan citra dan proses ekstraksi fitur selesai dilakukan. Nilai input dalam metode counterpropagation merupakan hasil dari ekstraksi fitur citra dalam bentuk matrix.
Tahap pertama dari perhitungan metode counterpropagation adalah dengan menginisialisasi bobot dan learning rate serta memasukkan dan menetapkan input X dan Y sebagai aktivasi output X dan Y. Kemudian, unit pemenang diperoleh dengan melakukan perhitungan dengan menggunakan Persamaan 2.5.
Setelah memperoleh unit pemenang, bobot unit pemenang yang masuk ke input layer akan diperbarui dengan menggunakan Persamaan 2.6 dan Persamaan 2.7.
Kemudian langkah selanjutnya adalah mengulangi perhitungan unit pemenang menggunakan bobot yang telah diperbarui dan mengulangi perhitungan pembaruan bobot unit pemenang yang masuk ke input layer menggunakan unit pemenang yang diperoleh pada perulangan kedua. Langkah-langkah fase pelatihan adalah sebagai berikut :
Langkah 1 : Menginisialisasi bobot dan learning rate.
𝑣 = [0.1 0.2
0.4 0.6] , 𝑤 = [0.2 0.4 0.7 0.8] α = β = 0.2
Langkah 2 : Mulai fase pelatihan pertama.
Langkah 3 : Pasangan vektor input x dan y.
x = (1,0) dan y = (1,1)
Langkah 4 : Tetapkan aktivasi input dan output x dan y.
Langkah 5 : Menghitung unit pemenang dengan Persamaan 2.5.
𝑍𝑗 = ∑(𝑋𝑖− 𝑉𝑖𝑗)2 + ∑(𝑌𝑘− 𝑊𝑘𝑗)2
𝑧1 = (1 − 0.1)2+ (0 − 0.4)2+ (1 − 0.2)2 + (1 − 0.7)2 𝑧1 = 0.81 + 0.36 + 0.64 + 0.09
𝑧1 = 1.9
𝑧2 = (1 − 0.2)2+ (0 − 0.6)2+ (1 − 0.4)2+ (1 − 0.8)2 𝑧2 = 0.64 + 0.16 + 0.36 + 0.04
𝑧2 = 1.2
𝑧2 < 𝑧1 maka unit pemenang adalah 𝑧2 , 𝐽 = 2
Langkah 6 : Memperbarui bobot unit pemenang dengan Persamaan 2.6 dan 2.7.
𝑉𝑖𝑗 𝑏𝑎𝑟𝑢= (1 − 𝛼) 𝑉𝑖𝑗 𝑙𝑎𝑚𝑎+ 𝛼 𝑋𝑖 𝑖 = 1 … 2
Pada iterasi pertama, bobot yang diperbarui adalah sebagai berikut : 𝑣 = [0.1 0.36
0.4 0.48] , 𝑤 = [0.2 0.52 0.7 0.84] Langkah 7 : Mulai fase pelatihan dengan iterasi kedua.
Langkah 8 : Menghitung unit pemenang dengan Persamaan 2.5.
𝑧1 = (1 − 0.1)2+ (0 − 0.4)2+ (1 − 0.2)2 + (1 − 0.7)2 𝑧1 = 1.9
𝑧 = (1 − 0.36)2+ (0 − 0.48)2+ (1 − 0.52)2+ (1 − 0.84)2
𝑧2 = 0.4096 + 0.2304 + 0.2304 + 0.0256 𝑧2 = 0.896
𝑧2 < 𝑧1 maka unit pemenang adalah 𝑧2
Langkah 9 : Memperbarui bobot yang masuk ke 𝑧𝑗 dengan Persamaan 2.6 dan 2.7.
𝑉12 𝑏𝑎𝑟𝑢 = (1 − 0.2)0.36 + (0.2)1 Persamaan 2.8 dan 2.9 dengan inisialisasi bobot awal sebagai berikut :
𝑡 = [0.1 0.5
𝑈12 𝑏𝑎𝑟𝑢= (1 − 0.2)0.3 + (0.2)1 𝑈12 𝑏𝑎𝑟𝑢 = 0.44
𝑈22 𝑏𝑎𝑟𝑢= (1 − 0.2)0.7 + (0.2)1 𝑈22 𝑏𝑎𝑟𝑢= 0.76
Sehingga bobot akhir menuju output layer adalah : 𝑡 = [0.1 0.6
0.3 0.32] , 𝑢 = [0.1 0.44 0.5 0.76]
Hasil dari proses ini merupakan structure yang merepresentasikan parameter yang digunakan untuk membentuk model, bobot Kohonen, bobot output, true class vector, calculated class vector dan output weights yang kemudian akan dimasukkan dalam tahap pengujian.
3.2.4.8 Testing
Testing merupakan tahap pengujian dari model yang telah dibentuk pada proses training sebelumnya. Tahap ini dilakukan untuk mengetahui seberapa efektif metode Counterpropagation Neural Network diterapkan pada sistem klasifikasi citra daging sapi dan daging babi.
3.2.4.9 Output
Hasil akhir atau output pada penelitian ini akan berupa informasi non error rate dan error rate serta accuracy pada proses training dan hasil klasifikasi citra daging sapi dan daging babi pada proses testing.