BAB 5 HASIL DAN PEMBAHASAN

(1)

BAB 5 HASIL DAN PEMBAHASAN

Ada tiga tahap utama yang dilakukan pada percobaan ini yaitu ektraksi ciri, pelatihan dan pengujian JST. Percobaan dilakukan dengan mengkombinasikan data hasil ekstraksi ciri yaitu: warna dan tekstur, warna dan bentuk, tekstur dan bentuk dan kombinasi gabungan ketiganya warna, tekstur dan bentuk. Dari percobaan ini akan dilihat ciri mana yang lebih dominan dan signifikan dalam mengidentifikasi citra. Total citra yang digunakan berjumlah 75 dan jumlah karang yang diidentifikasi terdiri dari 5 genus. Citra dibagi dalam dua bagian dimana 50 citra digunakan untuk data pelatihan dan 25 citra untuk pengujian.

4.6 Ekstraksi Ciri

Citra yang digunakan direduksi dimensinya untuk mengurangi waktu komputasi pada sistem. Dimensi citra yang digunakan adalah 220 x 300 pixel untuk citra potrait dan 300 x 220 pixel untuk citra landscape. Setiap citra dirotasi 0º, 45º, 60º, 90º, 135º,180º, 200º, 225º, 270º dan 315º agar sistem dapat mengenali obyek citra karang dari sudut manapun. Untuk memenuhi kriteria tersebut maka citra diolah secara manual dengan perangkat lunak manipulasi citra.

Pada bagian ekstraksi ciri, citra yang digunakan adalah citra RGB untuk warna dan citra grayscale untuk tekstur dan bentuk. Untuk mendapatkan gambaran yang jelas mengenai tahapan ektraksi ciri berikut ini disajikan 5 citra karang dari masing-masing genus (Gambar 24).

(2)

(d) seriatopora (e) stylophora Gambar 24 Citra warna karang.

Dari citra diatas dihitung nilai warna merah, hijau dan biru (RGB) dan nilai warna hue, saturation dan value (HSV). Nilai warna yang dihasilkan dari dari 5 citra warna (Gambar 24) dapat dilihat pada Tabel 6 dibawah ini.

Tabel 6 Nilai warna RGB dan HSV dari citra karang

madracis palauastrea pocillopora seriatopora stylophora

R 105.02 137.35 95.372 131.05 144.46 G 86.489 125.45 98.018 88.027 151.86 B 98.422 127.95 79.167 89.589 173.33 H 0.66335 0.47735 0.30629 0.48825 0.62461 S 0.2417 0.18704 0.2538 0.50606 0.19152 V 0.43028 0.55904 0.39971 0.52061 0.67971

Setelah nilai warna selesai dihitung, tahap selanjutnya adalah menghitung nilai tekstur dan bentuk citra karang. Untuk itu maka citra karang yang berwarna (Gambar 24) dikonversi kedalam bentuk citra grayscale (Gambar 25).

(3)

(d) seriatopora (e) stylophora Gambar 25 Citra grayscale karang.

Ada tiga metode analisa tekstur yang digunakan yaitu statistical moment, GLCM dan LBP8riu1. Pada metode statistical moment nilai yang dihitung adalah mean, standard deviation, smoothness, third moment, uniformity dan entropy yang merupakan momen statistik intensitas histogram citra. Nilai tekstur yang dihasilkan dari dari 5 citra (Gambar 25) dapat dilihat pada Tabel 7 dibawah ini.

Tabel 7 Nilai tekstur citra karang dengan metode statistical moment

Mean 93.397 129.3 95.078 101.08 152.11 Std Deviation 50.981 56.999 47.338 69.083 69.409 Smoothness 0.038434 0.047586 0.033314 0.068377 0.068979 Third moment 1.2986 -0.20412 0.48993 2.5255 0.40465 Uniformity 0.005926 0.0051936 0.0059329 0.0046922 0.084749 Entropy 7.5699 7.7083 7.5343 7.8562 6.1682

Pada metode GLCM nilai yang dihitung adalah level, standar deviasi, energy, contrast, homogeneity dan entropy dari matrik co-occurrence. Nilai yang dihasilkan oleh metode ini dapat dilihat pada Tabel 8.

Tabel 8 Nilai tekstur citra karang dengan metode GLCM

Level 0.40392 0.53333 0.38431 0.4549 0.64706 Std Deviation 50.981 56.999 47.338 69.084 69.41 Contrast 0.39304 0.43106 0.76772 0.56158 0.44532 Homogeneity 0.111 0.096836 0.082039 0.081831 0.1324 Energy 0.84091 0.83849 0.75029 0.81443 0.83409 Entropy 7.5699 7.7083 7.5343 7.8562 6.1682

(4)

Selanjutnya pada metode LBP8riu1 nilai yang dihasilkan adalah sepuluh vektor kolom yang berisi informasi tekstur citra karang (Tabel 9).

Tabel 9 Nilai tekstur citra karang dengan metode LBP8riu1

1 3694 5101 5960 1611 5917 2 4736 4944 6719 2382 5882 3 4990 3533 6774 2544 2818 4 8467 6532 10514 7027 3146 5 10780 10768 9933 12896 4116 6 8339 11054 8078 7190 3698 7 5532 5965 6520 3269 3576 8 5180 6161 7770 2574 5934 9 5218 6838 7461 2401 24715 10 8028 9518 12221 3738 11122

Untuk menghasilkan nilai ciri bentuk dilakukan dengan menghitung tujuh vektor momen invarian (Tabel 10).

Tabel 10 Nilai bentuk citra karang dengan metode momen invarian

1 ϕ 1.966 x 10-3 1.331 x 10-3 1.734 x 10-3 1.626 x 10-3 1.338 x 10-3 2 ϕ 5.993 x 10-7 2.57 x 10-7 3.508 x 10-8 3.427 x 10-7 6.036 x 10-8 3 ϕ 1.464 x 10-10 4.113 x 10-13 3.056 x 10-11 1.137 x 10-10 1.767 x 10-12 4 ϕ 1.609 x 10-10 8.921 x 10-12 3.893 x 10-11 1.671 x 10-11 4.449 x 10-12 5 ϕ 1.929 x 10-20 -5.529 x 10-26 -1.336 x 10-21 -2.834 x 10-22 -1.247 x 10-23 6 ϕ 1.197 x 10-13 -4.281 x 10-15 -3.758 x 10-15 -9.724 x 10-15 5.74 x 10-16 7 ϕ 1.539 x 10-20 -1.709 x 10-23 -1.327 x 10-22 -6.711 x 10-22 -3.627 x 10-25

4.7 Waktu Komputasi (Elapsed time) Ekstraksi Ciri A. Warna

Ekstraksi ciri tiap satu citra pada bagian ini menghasilkan koefisien sebanyak 6 elemen, dimana 3 elemen pertama merupakan representasi dari nilai RGB dan 3 elemen berikutnya adalah nilai HSV dengan . Elapsed time (waktu komputasi) yang dibutuhkan untuk proses ekstraksi ciri terhadap 75 citra adalah 4.636 detik.

(5)

B. Tekstur

Pada bagian ini koefisien ciri tekstur dengan metode statistical moment adalah 6 elemen dengan elapsed time 0.521 detik. Pada metode GLCM koofisien yang dihasilkan sebnyak 6 elemen dengan elapsed time 6.851 detik dan pada metode LBP8riu1 menghasilkan 10 elemen koofisien dengan elapsed time 5.898 detik. Hasil koofisisen ini sesuai dengan persamaan dari masing-masing metode analisa tekstur yang digunakan.

C. Bentuk

Untuk ciri bentuk koefisien yang dihasilkan adalah 7 elemen. Hal ini dikarenakan metode momen invarian yang digunakan menghasilkan 7 vektor ciri sesuai dengan persamaan yang dimilikinya dan elapsed time yang diperlukan untuk proses ini adalah 6.004 detik.

Data elapsed time keseluruhan proses ektraksi ciri ini dapat dilihat di Tabel 11 dan hasil ekstraksi ciri yang digunakan sebagai data pelatihan dan data pengujian dapat dilihat di Lampiran 2 s/d 11 .

Tabel 11 Waktu proses ektraksi ciri

Ektraksi Ciri Metode Jumlah

Koofisien Jumlah Citra

Elapsed Time

(detik)

RGB 3 Warna

HSV 3 75 6.027

Tekstur Analisa tekstur 6 75 0.521

Tekstur GLCM 6 75 6.851

Tekstur LBP8riu1 10 75 5.898

Bentuk Momen invarian 7 75 6.004

4.8 Pelatihan dan Pengujian

Pada proses pelatihan, JST dilatih untuk menyesuaikan tiap bobot yang ada untuk mencapai konvergensi, sehingga akan terbentuk model referensi bagi pola lainnya. Waktu yang dibutuhkan untuk pelatihan tergantung pada jumlah input JST, semakin besar jumlah input semakin lama waktu yang diperlukan jaringan untuk konvergen.

(6)

Dengan dimensi yang tereduksi pada proses sebelumnya, diharapkan waktu yang dibutuhkan JST untuk pelatihan akan semakin singkat. Pada penelitian ini, akan dilihat perilaku JST dalam mencapai konvergensi dengan mengubah-ubah parameter yang berpengaruh terhadap hal tersebut seperti toleransi galat dan pengaruh jumlah hidden neuron terhadap konvergensi dan generalisasi. Hal lain yang diperhatikan dalam pelatihan JST adalah jumlah epoch untuk mencapai kekonvergenan, waktu yang dibutuhkan untuk mencapai jumlah epoch tersebut dan nilai generalisasi yang didapat dari pelatihan yang telah dilakukan.

Pelatihan dan pengujian pada masing-masing kombinasi ciri dilakukan dalam sepuluh kali percobaan pada masing-masing hidden neuron dan toleransi galat. Dari sepuluh kali percobaan tersebut diamati dan diambil tingkat pengenalan tertinggi yang dihasilkan. Selanjutnya setiap nilai tertinggi tersebut dibandingkan sehingga diperoleh tingkat pengenalan terbaik yang dihasilkan oleh kombinasi ciri yang digunakan. Parameter JST yang digunakan adalah toleransi galat 10-3 dan 10-4, laju pembelajaran 0.1, epoch maksimum 3000 dan jumlah hidden neuron 5, 10, 15 dan 20.

A. Warna dan Tekstur (WT)

Percobaan pertama dilakukan terhadap dua kombinasi ciri yaitu ciri warna dan tekstur, terlihat pelatihan konvergen pada epoch ke-2591 dengan waktu pelatihan 16.899 detik dan waktu pengujian 0.032, seperti diperlihatkan pada Tabel 12.

Tabel 12 Pelatihan dan pengujian pada ciri warna dan tekstur

Pelatihan Pengujian Hidden

neuron galat epoch

Waktu (dtk) Dikenal Generalisasi (%) Waktu (dtk) 10-3 477 3.311 19/24 76 0.047 5 10-4 3000 22.148 17/25 68 0.031 10-3_{3000 20.312 21/25} ₈₄ _0.032 10 10-4 2591 16.899 22/25 88 0.032 10-3_{2254 15.722 21/25} ₈₄ _0.031 15 10-4 1331 9.253 21/25 84 0.046 10-3 971 7.139 21/25 84 0.046 20 10-4 1719 12.606 21/25 84 0.015

(7)

Generalisasi yang dihasilkan terhadap data uji sebesar 88% (22 citra dari 25 data citra dikenali). Secara keseluruhan, terlihat bahwa toleransi galat 10-3 dan 10-4 memberikan tingkat generalisasi yang hampir sama. Dengan metode trial and error dalam menentukan besarnya hidden neuron, maka diperoleh hasil terbaik pada hidden neuron 10.

B. Warna dan Bentuk (WB)

Percobaan kedua dilakukan pada ciri warna dan bentuk, mencapai kekonvergenan pada epoch ke-2612 dengan waktu pelatihan 17.65 detik dan waktu pegujian 0.033, seperti diperlihatkan pada Tabel 13.

Tabel 13 Pelatihan dan pengujian pada ciri warna dan bentuk

Waktu (dtk) Dikenal Generalisasi (%) Waktu (dtk) 10-3 1917 12.30 20/25 80 0.033 5 10-4 1102 7.434 18/25 72 0.035 10-3 976 6.621 20/25 80 0.032 10 10-4 489 3.602 18/25 72 0.034 10-3 2612 17.65 23/25 92 0.033 15 10-4 2611 18.916 21/25 84 0.034 10-3 3000 21.321 22/25 88 0.042 20 10-4 3000 21.786 20/25 80 0.033

Generalisasi yang dihasilkan terhadap data testing sebesar 92% (23 citra dari 25 data citra dikenali). Disini terlihat bahwa secara keseluruhan toleransi galat 10 -3

memiliki tingkat generalisasi lebih baik daripada 10-4 dan jumlah hidden neuron terbaik diperoleh pada hidden neuron 15.

C. Tekstur dan Bentuk (TB)

Percobaan ketiga dilakukan pada ciri tekstur dan bentuk, mencapai kekonvergenan pada epoch ke-2913 dengan waktu pelatihan 20.56 detik dan waktu pengujian 0.033, seperti diperlihatkan pada Tabel 14.

(8)

Tabel 14 Pelatihan dan pengujian pada ciri tekstur dan bentuk

Generalisasi yang dihasilkan terhadap data testing sebesar 96% (24 citra dari 25 data citra dikenali). Disini terlihat bahwa toleransi galat 10-4 memiliki tingkat generalisasi lebih baik daripada 10-3 dan jumlah hidden neuron terbaik diperoleh pada hidden neuron 15.

D. Warna, Tekstur (Statistical Moment) dan Bentuk (WTB)

Setelah dilakukan percobaan dengan dua kombinasi ciri, maka selanjutnya pada percobaan keempat dilakukan terhadap tiga kombinasi ciri yaitu ciri warna, tekstur dan bentuk, terlihat pelatihan konvergen pada epoch ke-1652 dengan waktu pelatihan 10.94 detik dan waktu pengujian 0.035 (Tabel 15).

Tabel 15 Pelatihan dan pengujian pada ciri warna, tekstur dan bentuk

(9)

Generalisasi yang dihasilkan terhadap data testing sebesar 96% (24 citra dari 25 data citra dikenali). Disini terlihat bahwa hampir pada semua hidden neuron mencapai tingkat generalisasi yang sama dengan hidden neuron terbaik diperoleh pada hidden neuron 15, perbedaannya terdapat pada waktu pelatihan toleransi galat 10-3 yang lebih cepat dibandingkan 10-4.

Pada percobaan keempat ini terlihat bahwa kombinasi dari tiga ciri memiliki generalisasi yang lebih baik dari dua kombinasi ciri. Berdasarkan hal tersebut untuk percobaan selanjutnya dilakukan dengan tiga kombinasi ciri sekaligus melakukan perbandingan antara metode analisa tekstur yang lain.

E. Warna, Tekstur (GLCM) dan Bentuk (WGB)

Percobaan kelima dilakukan pada ciri warna, tekstur dengan metode GLCM dan bentuk. Kekonvergenan tercapai pada epoch ke-3000 dengan waktu pelatihan 20.849 detik dan waktu pengujian 0.033, seperti diperlihatkan pada Tabel 16.

Tabel 16 Pelatihan dan pengujian pada ciri warna, tekstur (GLCM) dan bentuk

Generalisasi yang dihasilkan terhadap data testing sebesar 96% (24 citra dari 25 data citra dikenali). Disini terlihat secara keseluruhan toleransi galat 10-3 dan 10-4 mencapai tingkat generalisasi yang bervariasi dan hampir sama, perbedaan terdapat pencapaian generalisasi pada hidden neuron yang digunakan, dimana toleransi galat 10-3 menghasilkan generalisasi terbaik pada hidden neuron ke-15,

(10)

ke-15, sementara itu toleransi galat 10-4 menghasilkan generalisasi terbaik pada hidden neuron ke-20.

F. Warna, Tekstur (LBP8riu1) dan Bentuk (WLB)

Percobaan keenam dilakukan pada ciri warna, tekstur dengan metode LBP8riu1 dan bentuk. Disini telihat bahwa jaringan telah lebih cepat konvergen dibandingkan kombinasi ciri yang lain namun generalisasi tertinggi yang dihasilkan adalah 68% pada hidden neuron ke-15 di toleransi galat 10-4, seperti diperlihatkan pada Tabel 17.

Tabel 17 Pelatihan dan pengujian pada ciri warna, tekstur (LBP8riu1) dan bentuk

Dari semua hasil percobaan dengan kombinasi ciri yang diubah-ubah, terlihat bahwa setiap dilakukan pengulangan terhadap pelatihan, nilai yang selalu berubah adalah waktu. Hal ini disebabkan karena nilai inisialisasi bobot yang digunakan pada jaringan adalah nilai random sehingga diperlukan waktu komputasi yang berbeda pada setiap hidden neuron dan toleransi galat.

(11)

Hubungan antara hidden neuron terhadap konvergensi pada toleransi galat pelatihan ditunjukkan pada Gambar 26 dan Gambar 27. Dari grafik terlihat bahwa semakin besar hidden neuron maka epoch yang dihasilkan oleh masing-masing kombinasi ciri juga relatif semakin besar.

0 500 1000 1500 2000 2500 3000 3500 5 10 15 20 Hidden Neuron Ep o ch WT WB TB WTB WGB WLB

Gambar 26 Grafik hidden neuron terhadap konvergensi pada toleransi galat 10-3.

0 500 1000 1500 2000 2500 3000 3500 5 10 15 20 Hidden Neuron Ep o ch WT WB TB WTB WGB WLB

(12)

Hubungan antara hidden neuron terhadap generalisasi pada toleransi galat pelatihan ditunjukkan pada Gambar 28 dan Gambar 29. Dari grafik terlihat bahwa rata-rata nilai generalisasi terbaik yang dihasilkan diperoleh pada hidden neuron ke-15. 0 10 20 30 40 50 60 70 80 90 100 5 10 15 20 Hidden Neuron G e n e ra li sa si ( % ) WT WB TB WTB WGB WLB

Gambar 28 Grafik hidden neuron terhadap generalisasi pada toleransi galat 10-3.

0 10 20 30 40 50 60 70 80 90 100 5 10 15 20 Hidden Neuron G e n e ra li sa si ( % ) WT WB TB WTB WGB WLB