Pengelompokkan citra warna menggunakan jaringan syaraf tiruan dengan software matlab

LEMBAR

PER}TYATAAhI

Yang bertanda tangan dibawah

ini

:

Nama

: Nurhayati

NIM

: 10206081

Menyatakan

bahwa

Tugas

Allfiir

ini

adalah

hasil karya sendiri dan

bukan merupakan duplikasi sebagian atau seluruhnya dari hasil karya orang

lain

yang pernah dipublikasikan atau yang sudah pemah dipakai untuk mendapatkan gelar

di

Univepitas

laiq kecuali pada bagian dimana

sumber informasi

dengan cara referensi yang

semestinya

t

Pemyataan

ini di buat dengan sebenar-benarnya seaara sadar

dan bertanggung jawab dan saya bersedia menerima sanksi berupa pembatalan Tugas

Akhir

saya

apabila terbukti melakukan duplikasi terhadap Tugas

Akhir

yang sudatr ada.

LEMBAR PENGESAIIAN

PENGELOMPOKKAI\ CITRA WARNA MENGGT]NAKAN

JARINGAN

SYARAF

TIRUAN DENGAN SOFTWARE

MATLAB

Oleh

I\T]RIIAYATI

10206081

Telah disetujui dan disahkan di Bandung sebagai Tugas Skripsi padatanggal :

Bandung,22 Agustus 2013

Menyetujui,

Pembirnbing

II,

NIP: 4127.70.05.007

Sri Supatni.S.Kom. NIP: 4127.74.05.023

Mengetahui,

Teknik dan

Ilmu

DAFTAR RIWAYAT HIDUP PENULIS

Nama lengkap

: Nurhayati

Tempat/Tanggal lahir : Garut, 23 Juli 1987

Alamat : Jl. Hegarmanah Cikendi Gg. Bpk Enjoh 1 Rt 06 Rw 09 Cidadap

Bandung

Agama

: Islam

Fakultas

: Teknik dan Ilmu Komputer

Program Studi

: Sistem Komputer (Strata 1)

Perguruan tinggi

: Universitas Komputer Indonesia

E-Mail

: Nuril24@Yahoo.com

Pendidikan Formal :

1993-1999

: SDN Ciumbuleuit III Bandung

1999-2002

: MTs ANNUR I Malangbong Garut

2003-2005

: MAU ANNUR I Malangbong Garut

2006-2013

: Universitas Komputer Indonesia

Pengalaman Kerja:

PENGELOMPOKKAN CITRA WARNA MENGGUNAKAN JARINGAN

SYARAF TIRUAN DENGAN SOFTWARE MATLAB

TUGAS AKHIR

Disusun untuk memenuhi syarat kelulusan pada

Program Studi Sistem Komputer Strata Satu di Jurusan Teknik Komputer

Disusun oleh :

Nurhayati

10206081

Pembimbing :

John Adler, M.Si.

Sri Supatmi, S.Kom.

JURUSAN TEKNIK KOMPUTER

FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS KOMPUTER INDONESIA

BANDUNG

v

KATA PENGANTAR

Puji dan syukur penulis panjatkan kehadirat Allah SWT yang telah

memberikan rahmat, taufik dan hidayah-Nya akhirnya penulis dapat

menyelesaikan Tugas Akhir ini, meskipun proses belajar sesungguhnya tidak akan

pernah berhenti.

Adapun Judul Tugas Akhir ini adalah

“

Pengelompokkan Citra Warna

Menggunakan Jaringan Syaraf Tiruan Dengan Software Matlab

”

.

Dalam pembuatan Tugas Akhir ini banyak pihak yang telah membantu.

Oleh karena itu penulis ucapkan terima kasih yang sebesar-besarnya atas segala

perhatian, bimbingan, bantuan serta motivasi dan kerjasama yang telah diberikan

kepada :

1.

Ibu, Bapak, kakak-adik serta kepada Keluarga Besarku tercinta yang

senantiasa memberikan kasih sayang, do’a dan dorongan moril maupun

materil selama penyusun menempuh pendidikan.

2.

Bapak Prof, Dr. H. Denny Kurniadie, Ir, M.Sc selaku Dekan Fakultas Teknik

dan Ilmu Komputer Universitas Komputer Indonesia

3.

Bapak Wendi Zarman, M.Si., selaku Ketua Jurusan Teknik Komputer di

Universitas Komputer Indonesia.

4.

Bapak John Adler, M.Si. dan Ibu Sri Supatmi, S.Kom., selaku pembimbing I

dan pembimbing II yang telah banyak memberikan arahan, saran serta

bimbingan.

5.

Bapak John Adler, M.Si., selaku dosen wali yang telah memberikan

bimbingan dan bantuan dalam proses belajar dari awal kuliah.

6.

Bapak dan Ibu dosen di Jurusan Teknik Komputer Universitas komputer

Indonesia, yang telah banyak memberikan ilmu, wawasan motivasi serta

bimbingannya, baik secara akademik maupun non akademik.

7.

Seluruh staff administrasi di Jurusan Teknik Komputer, terima kasih atas

vi

8.

Teman-teman seperjuangan di Jurusan Teknik Komputer, khususnya kelas 06

TK 02 terima kasih atas kebersamaannya, semoga dapat menjaga tali

silaturahmi yang telah terjalin ini.

9.

Teman-teman di Lab. Sistem Digital terima kasih atas segala bantuan dan

kebersamaanya selama mengerjakan Tugas Akhir ini.

10.

Semua orang yang telah membantu penulis dalam mengerjakan Tugas Akhir

ini yang tidak bisa disebutkan satu persatu.

Akhir kata penulis berharap semoga penelitian ini menjadi sumbangsih

yang bermanfaat bagi dunia sains dan teknologi di Indonesia, khususnya disiplin

keilmunan yang penulis dalami.

Bandung, 22 Agustus 2013

DAFTAR PUSTAKA

[1].

Gonzalez RC, Wood RE. “

Digital Image Processing”

, Second

Edition.Prentice Hall, Inc., NewJersey, 2002

[2].

J. J.Siang,”

Jaringan Syaraf Tiruan dan Pemogramannya Menggunakan

MATLAB”,

Penerbit Andi. Yogyakarta, 2004.

[3].

Kusumadewi,

Sri, “

Membangun Jaringan Syaraf Tiruan Menggunakan

Matlab dan Excel Link”

. Yogyakarta : Graha ilmu, 2004.]Wijaya, Marvin

Ch

dan Prijono. A.”

Pengolahan Citra Digital menggunakan MATLAB

Image Processing Toolbox”,

Penerbit

Informatika.

Bandung, 2007

[4].

Wij

aya, Marvin Ch dan Prijono. A.”

Pengolahan Citra Digital

menggunakan MATLAB

Image Processing Toolbox”,

Penerbit

Informatika.

Bandung, 2007

[5]. (pengolahancitra) diakses tanggal 24 juli 2012

[6]. (buku pengolahan citra, 2013) diakses tanggal 28 april 2013

[7]. (histogram) diakses tanggal 6 mei 2013

[8]. (jaringan syaraf tiruan) diakses tanggal 17 juli 2013.

[9]. (multimedia) diakses tanggal 30 juli 2013.

[10]. (analisis tekstur dan ekstrasi ciri) diakses tanggal 23 maret 2013.

BAB I

PENDAHULUAN

1.1

Latar Belakang

Dalam era globalisasi dan teknologi dewasa ini, penggunaan komputer

sebagai salah satu alat teknologi informasi (

Information of Tecnology,

IT) sangat

dibutuhkan keberadaannya hampir disetiap aspek kehidupan. Komputerisasi

inilah yang merupakan alat untuk menunjang semua pekerjaan yang berhubungan

dengan informasi, komunikasi, citra digital, maupun bidang perdagangan.

Citra digital merupakan proses yang bertujuan untuk memanipulasi dan

menganalisis citra warna yang banyak melibatkan persepsi visual dengan bantuan

komputer. Pengolahan citra bertujuan untuk melihat detail kualitas gambar agar

mudah diinterpretasi oleh manusia atau mesin. Selain itu, Pengolahan data yang

berupa citra

image

(gambar) telah berkembang, aplikasi ini telah digunakan pada

beberapa bidang. Bidang yang dapat digunakan adalah bidang

geofisika

(fisika

bumi), dimana dalam bidang

geofisika

itu sendiri dapat diimplementasikan yang

bertujuan untuk mengetahui letak dan lokasi kandugan mineral bumi dalam tanah.

Batuan yang terbentuk oleh kumpulan sebuah mineral akan mengalami

proses pemadatan. Seperti mineral batuan karbonat dan batuan gamping

merupakan batuan yang memiliki kandungan gas dan minyak lebih dari 50%

reservior. Batuan ini merupakan batuan untuk bahan hidrokarbon yang memiliki

kandungan gas dan minyak. Selain itu, batuan ini memiliki pori-pori yang

terbentuk pada kondisi suhu dimana hidrokarbon terpelihara didalamnya.

Dalam batuan tersebut terdapat sebuah kandungan mineral yang dapat

implementasikan sebagai bahan penelitian industri pertambangan. Warna batuan

yang dapat dikelompokkan hanya tiga unsur warna yang dikenali sebagai

komponen pembentuk suatu batuan yaitu merah dan putih sebagai warna mineral

1.2

Maksud dan Tujuan

Maksud yang ingin dicapai dari tugas akhir ini adalah mempermudah

penguna mengenali dan mengelompokan warna-warna mineral yang dominan

dalam sampel suatu batuan. Tujuannya adalah untuk mengidentifikasi warna atau

tekstur batuan dengan tiga unsur warna komponen yang dikenali merah, putih dan

biru.

1.3

Batasan Masalah

Batasan masalah yang digunakan dalam pembuatan Tugas Akhir ini adalah

sebagai berikut :

1. Jenis Jaringan Syaraf Tiruan yang digunakan adalah

Multilayer Perceptron

dengan menggunakan metode Propagasi Balik (

Backpropagation).

2. Model algoritma yang digunakan adalah

Levenberg-Marquadt.

3.

Software

yang digunakan berupa Matlab versi 2010b (R2010b) sebagai

pengolahan data dan pemograman Jaringan Syaraf Tiruan.

4. Warna yang akan dikenali hanya tiga warna yang merupakan komponen

pembentuk suatu batuan, yaitu : merah, putih dan biru.

1.4

Metodologi Penelitian

Metodologi yang digunakan dalam penulisan Tugas Akhir ini adalah

sebagai berikut :

1. Tinjauan pustaka

Mempelajari buku, artikel, dan situs yang terkait dengan materi dari

sistematik yang akan dibuat seperti :

image processing

(pengolahan citra)

,

Jaringan Syaraf Tiruan dan bahasa pemograman Matlab.

2. Eksperimen program

Mengaplikasikan ke dalam program kemudian menguji parameter-parameter

yang digunakan serta keberhasilan program.

3. Pengujian sistem

Pengujian sistem dilakukan sesudah sistem ini dirancang dan direalisasikan.

Hal ini bertujuan untuk melihat dan mengetahui kinerja sistem tersebut

4.

Analisa

Proses analisa dilakukan untuk mengetahui apakah sistem yang dirancang

berfungsi dengan baik atau tidak.

1.5

Sistematik Penulisan

BAB 1 : PENDAHULUAN

Bab ini berisi pendahuluan yang menjelaskan tentang gambaran umum

Tugas Akhir ini. Dalam bab 1 dibahas tentang latar belakang, maksud

dan tujuan,

batasan masalah, metodologi penelitian serta sistematika

pembahasan.

BAB 2 : LANDASAN TEORI

Bab ini menjelaskan tentang teori-teori yang berhubungan dengan

pemecahan masalah, seperti : pengolahan citra, pengelompokan warna

serta Jaringan Syaraf Tiruan dengan menggunakan algoritma

backpropagation.

BAB 3 : PERANCANGAN SISTEM

Bab ini berisi tentang perancangan keseluruhan sistem pengelompokan

warna menggunakan Jaringan Syaraf Tiruan algoritma

backpropagation

.

BAB 4 : PENGUJIAN DAN ANALISA SISTEM

Bab ini membahas implementasi dari perancangan program, menguji

keberhasilan

program

dalam

mencari

solusi

pada

masalah

pengelompokan warna dan analisa terhadap parameter-parameter yang

berperan penting dalam pengelompokan warna dengan Jaringan Syaraf

Tiruan algoritma

backpropagation.

BAB 5 : KESIMPULAN DAN SARAN

Bab ini berisi tentang kesimpulan analisa masalah serta saran yang dapat

digunakan

untuk

meningkatan

dan

mengembangkan

metoda

pengelompokan yang lebih optimal untuk mencari solusi pada

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

1.

Apabila gambar tidak dikenali pada saat pengelompokkan warna kemungkinan

ukuran resolusi gambar terlalu kecil atau besar tergantung pada saat

pengompresian.

2.

Hasil akurasi warna yang dikenali terhadap 22 sampel batuan sayatan tipis

batuan sebelum dikompresi dan setelah dikompresi 80% berturut-turut untuk

warna merah ∆ = 33%, warna putih ∆ =

41%, dan warna biru

∆

= 23%.

5.2 Saran

1.

Pada aplikasi yang sudah dibuat diharapkan dapat dikembangkan dengan

metode yang lebih baik, seperti

visual basic

, C++ dan yang lainnya.

2.

Aplikasi yang telah dibuat diharapkan dapat digunakan untuk pengenalan pada

batuan mineral pada pertambangan, contoh seperti batuan gamping dan batuan

1

PENGELOMPOKKAN CITRA WARNA MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN SOFTWARE MATLAB

Nurhayati1, John Adler2, Sri Supatmi 3

1,2,3

Teknik Komputer, Universitas Komputer Indonesia (UNIKOM)

1

nuril24@yahoo.com, 2johnadler2zz@yahoo.com,3srisupatmi@yahoo.com

ABSTRAK

Pengolahan citra adalah salah satu teknik yang digunakan untuk mengimplementasikan perbaikan kualitas suatu citra dan mengolah informasi yang terdapat pada suatu gambar. Tujuan pada Tugas Akhir ini adalah untuk mengelompokkkan warna-warna kandungan mineral dari suatu batuan. Warna yang dikenali hanya tiga komponen pembentuk suatu batuan adalah yang bernilai 1 merupakan merah, yang bernilai 2 merupakan putih dan yang bernilai 3 merupakan biru. Pengambilan data diambil dari gambar yang sudah dikompresi menggunakan software microsoft paint kemudian digunakan sebagai data masukan yang akan diolah oleh Jaringan Syaraf Tiruan menggunakan software Matlab. Data masukan pada pelatihan sebelumnya dilakukan cropping sebanyak satu kali pada area yang terdapat warna merah, warna putih dan warna biru. Setelah itu dilakukan proses pembelajaran backpropagation dengan menggunakan fungsi aktivasi sigmoid biner. Dengan tingkat keakurasian pada pengelompokkan warna yang dikenali warna merah,

putih, dan biru, berturut—turut 73%, 73%, dan 82%.

Kata Kunci : Pengolahan Citra, Jaringan Syaraf Tiruan, Cropping, Sigmoid Biner.

1. PENDAHULUAN

Citra digital merupakan proses yang bertujuan untuk memanipulasi dan menganalisis citra warna yang banyak melibatkan persepsi visual dengan bantuan komputer. Pengolahan citra bertujuan untuk melihat detail kualitas image agar mudah diinterpretasi oleh manusia atau mesin.[4] Pengolahan citra juga dapat diimplementasikan dalam bidang geofisika (fisika bumi) yang bertujuan untuk mengetahui letak dan lokasi kandugan mineral bumi dalam tanah. Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistem sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Karena memiliki kemampuan mengolah informasi menjadi sebuah citra atau gambar untuk mengetahui letak kandungan mineral dalam tanah. Jenis Jaringan Syaraf Tiruan yang digunakan adalah Multilayer Perceptron dengan menggunakan metode Propagasi Balik

(Backpropagation) dengan algoritma adalah

Levenberg-Marquadt. Pengolahan data dan

pemograman Jaringan Syaraf Tiruan menggunakan software Matlab versi 2010b.

Warna yang akan dikenali hanya tiga warna yang merupakan komponen pembentuk suatu batuan, yaitu : merah, putih, dan biru.

2. LANDASAN TEORI Pengolahan Citra Digital

Citra digital dapat didefinisikan sebagai fungsi dua variabel, f(x,y), dimana x dan y adalah koordinat spasial dan nilai f(x,y) adalah intensitas citra pada koordinat tersebut. Warna dasar untuk menciptakan dan menampilkan warna pada citra digital berdasarkan pada penelitian bahwa sebuah warna merupakan kombinasi dari tiga warna dasar, yaitu merah, hijau dan biru (Red,

Green, Blue - RGB).[4]

Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan (Artifical Neural

Network) merupakan suatu model yang

Nurhayati, John Adler, Sri Supatmi

2 algortitma pelatihannya(training). Arsitektur yang digunakan pada jaringan syaraf ini adalah Multilayer Net, dimana jaringan dengan banyak lapisan memiliki satau atau lebih lapisan yang terletak diantara lapisan masukan dan lapisan keluaran (memiliki satu atau lebih lapisan tersembunyi). Fungsi aktivasi yang digunakan dalam

backpropagation, yaitu sigmoid biner. Fungsi

sigmoid biner memiliki nilai range 0 dan

1.[2] Fungsi sigmoid biner dirumuskan sebagai berikut :

 

_x

e

x

f

_





1

1

(1) Backpropagation

Algoritma backpropagation menggunakan

error keluaran untuk mengubah nilai

bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu.

Y₃ Y 2 Y₁ V 11 W11 V32 V31 V 22 V 21 V12 W23 W 22 W 21 W 13 W 12 Z₁ Z 2 X₁ X 2 X₃

Gambar 1. Arsitektur Jaringan Backpropagation

Fungsi Kinerja

Fungsi kinerja yang sering digunakan untuk backpropagation adalah Mean Square

Error (MSE). Fungsi ini akan mengambil

rata-rata kuadrat error yang terjadi antara keluaran jaringan dan target. Fungsi lain yang dapat digunakan adalah Sum Square Error (SSE). Fungsi ini akan mengambil dan menjumlahkan seluruh kuadrat error yang terjadi antara keluaran jaringan dan target.

MSE = n ei n i



1 2 (2)

 



  K i i e SSE 1 2 (3) Levenberg-Marquadt

Algoritma Levenberg-Marquadt pengembangan dari algoritma

backpropagation. Algortima ini dibangun

untuk mengatasi beberpa kekurangan yang ada pada algoritma backpropagation dengan memanfaatkan teknik optimisasi numerik standar yaitu menggunakan pendekatan matriks Jacobian. Tujuan dari

Levenberg-Marquadt adalah meminimalkan total error.

Histogram

Histogram citra merupakan sebuah grafik yang menunjukkan distribusi intensitas warna pada sebuah citra berindeks atau citra intensitas. Fungsi image histogram diwakili dengan perintah imhist yang akan menciptakan sebuah grafik yang terbentuk dari garis-garis yang masing-masing garis ini mewakili range dari intensitas warna, kemudian akan menjumlahkan jumlah piksel didalam tiap range. [4]

Sumbu X (absis) yang menunjukkan tingkat derajat keabuan. Sumbu Y (ordinat) yang menunjukkan frekuensi kemunculan derajat keabuan. Kegunaan dari histogram adalah :

Penentuan parameter digitasi

Pemilihan batas ambang

Pengenalan / pencocokan citra

Secara matematis histogram disimbolkan dengan f(x,y), dimana:

(x,y) : koordinat pada bidang dwi warna. f(x,y) : intensitas cahaya pada titik (x,y). Berikut karakteristik histogram terhadap citra atau gambar yang memilki kriteria tertentu, seperti :

Gambar gelap : histogram cenderung ke sebelah kiri.

Gambar terang: histogram cenderung ke sebelah kanan.

Gambar low contrast : histogram mengumpul di suatu tempat.

Gambar high contrast : histogram merata di semua tempat.

3. PERANCANGAN SISTEM

PENGELOMPOKKAN CITRA WARNA MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN SOFTWARE MATLAB

3

Mulai

Pengambilan data citra berupa gambar (*jpg)

Histogram Pengelompokkan warna menggunakan

segmentasi RBG ke L*a*b* Pengkompresian gambar

menggunakan MS.paint

Selesai

Gambar 2. Diagram

Pengelompokkan

Warna

Proses Jaringan Syaraf Tiruan sendiri membutuhkan proses pelatihan (training) agar keluaran yang dihasilkan benar dan akurat.

Secara garis besar dapat dikatakan alur aplikasi ini dimulai dari masukan sebuah gambar. Dimana gambar tersebut akan melalui serangkaian manipulasi citra dalam proses yang akan mengubah gambar tersebut menjadi serangkaian nilai-nilai yang berguna untuk proses utama, yaitu: proses pelatihan (training) dan proses pengujian (recognition process). Proses Input Output Mulai Pengambilan data citra berupa gambar

(*jpg)

Ekstrasi ciri citra gambar Kompresi menggunakan MS.paint Inisialisasi parameter Jaringan Syaraf Tiruan Pelatihan Jaringan Syaraf Tiruan Pengujian Jaringan Syaraf Tiruan Analisa hasil Selesai

Gambar 3 . Diagram Perancangan JST

Segmentasi Konversi Ruang Warna RGB ke L*a*b*

Segmentasi adalah proses memisahkan area pengamatan (region) pada tiap karakter yang dideteksi. Segmentasi citra akan membagi-bagi suatu citra menjadi daerah-daerah atau objek-objek yang dimilikinya. Segmentasi

warna merupakan proses segmentasi dengan pendekatan daerah yang bekerja dengan menganalisa nilai warna dari tiap piksel pada citra dan membagi citra tersebut dengan fitur yang diinginkan. Salah satu ruang warna adalah ruang warna L*a*b* atau yang dikenal dengan CIELAB. Ruang warna ini mampu menggambarkan semua warna yang dapat dilihat dengan mata manusia dan sering digunakan sebagai referensi ruang warna.

Inisialisasi Parameter

Parameter yang diset untuk pembelajaran adalah trainlm. Trainlm adalah metode yang paling tepat digunakan untuk merancang Jaringan Syaraf Tiruan. Terdapat pula beberapa nilai parameter yang harus diset untuk pelatihan. [3] Parameter tersebut, yaitu: a. Maksimum epoch

Instruksi :net.trainParam.epochs = MaxEpoch Nilai standar untuk maksimum epoch adalah 25.

b. Kinerja tujuan

Instruksi : net.trainParam.goal = TargetError Nilai standar untuk kinerja tujuan adalah 0. c. Learning rate

Instruksi : net.trainParam.lr = Learning rate Nilai standar untuk learning rate adalah 0.01. d. Momentum

Instruksi : net.trainParam.mc = momentum Nilai standar untuk momentum adalah 0 dan 1.

e. Jumlah epoch yang akan ditunjukkan kemajuannya.

Instruksi : net.trainParam.show = Epochshow Nilai standar untuk jumlah epoch yang akan ditunjukkan adalah 10.

Metode Pelatihan Jaringan

Sebelum dilakukan pelatihan data maukan maupun target terlebih dahulu dilakukan normalisasi dengan rata-rata (mean) dan simpangan baku (standar deviasi). Untuk melakukan proses tersebut digunakan fungsi

prestd sehingga data normal dengan mean =

0 dan standar deviasi = 1. Fungsi prestd menggunakan sintaks :

[pn,meanp,stdp,tn,meant,stdt]=prestd(p,t) Kemudian jaringan saraf tiruan dibangun dengan metode levenberg marquadt (trainlm) dengan sintaks:

net=newff(PR,[S1

Nurhayati, John Adler, Sri Supatmi

4 Setelah jaringan saraf tiruan dibangun dengan metode levenberg marquadt kemudian akan dilakukan identifikasi bobot dan bias dengan fungsi net yang memiliki persamaan sebagaiberikut :

[W1,b1,W2,b2] = net (IW,b,LW) Tahap selanjutnya adalah pelatihan jaringan. Pelatihan jaringan dilakukan dengan menggunakan fungsi net dengan persamaan sebagai berikut :

net = train(net,pn,tn)

Ekstraksi Ciri

Analisis tekstur lazim dimanfaatkan sebagai proses untuk melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra berbasis analisis pada umumnya membutuhkan ekstraksi ciri. Ekstraksi ciri statistik orde kedua dilakukan dengan matriks kookurensi, yaitu suatu matriks antara yang merepresentasikan hubungan ketetanggaan antar piksel dalam citra pada berbagai arah orientasi dan jarak spasial.

Gambar 4. Ilustrasi Ekstraksi Ciri Statistik

Salah satu teknik untuk memperoleh ciri statistik orde dua adalah dengan menghitung probabikitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu. Pendekatan ini bakerja dengan membentuk sebuah matriks kookurensi dari data citra, dilanjutkan dengan menentukan ciri sebagai fungsi dari matriks tersebut. Kookurensi berarti kejadian bersama, yaitu jumlah kejadian satu level nilai piksel tertetangga dengan satu level nilai piksel bertetangga dengan satu level nilai piksel lain dalam jarak (d) dan orientasi sudut (θ) tertentu. Jarak dinyatakan dalam derajat. Orientasi dibentuk dalam empat arah sudut dengan interval sudut, yaitu 00, 450, 900,

1350. Sedangkan jarak antara piksel biasanya ditetapkan sebesar 1 piksel.

Gambar 5. Ilustrasi Pembuatan Matriks Kookurensi

(a)Citra Masukan, (b)Nilai Intensitas Citra Masukan, (c)Hasil Matriks Kookurensi 00,(d)

Hasil Matriks Kookurensi 450, (e) Hasil

Matriks Kookurensi 900, (f) Hasil Matriks

Kookurensi 1350

Matriks kookurensi merupakan matriks bujursangkar dengan jumlah elemen sebanyak kuadrat jumlah level intensitas piksel pada citra. Setiap titik (p,q) pada

matriks kookurensi θ berisi peluang kejadian

piksel benilai p bertetangga dengan piksel bernilai q pada jarak d serta orientasi θ dengan (180-θ). Dalam modul ini dicontohkan perhitungan enam ciri statistik orde dua, yaitu Angular Second Moment, Contrast, Correlation, Variance, Inverse

Difference Moment, dan Entropy.

- Angular Second Moment

Menunjukan ukuran sifat hegemony citra, dimana p(i,j) menyatakan nilai pada baris i dan kolom j pada matriks kookurensi

ASM = ∑ ∑ (4)

- Contrast

Menunjukan ukuran penyebaran (momen inersia) elemen-elemen Matriks citra. Jika letaknya jau dari diagoal utama, nilai kekontrasan besar. Secara visual, nilai kekontrasan adalah ukuran variasi antara derajat keabuan suatu citra.

CON = ∑ [∑ ∑ ] (5)

-Correlation

Menunjukan ukuran ketergantungan derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra

PENGELOMPOKKAN CITRA WARNA MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN SOFTWARE MATLAB

5

-Variance

Menujukan variasi elemen -elemen matriks kookurensi. Citra dengan transisi derajat keabuan kecil akan memiliki variansi yang kecil pula.

VAR = ∑ ∑ ( ) (7)

- Inverse Difference Moment

Menunjukan kehomogenan citra yang berderajat keabuan sejenis. Citra Homogen akan memiliki harga IDM yang besar

IDM = ∑ ∑

(8)

- Entropy

Menunjukan ukuran ketidakteraturan bentuk. Harga ENT besar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur (bervariasi)

ENT2 = ∑ ∑ (9)

Perancangan Flowchart Program JST

Flowchart merupakan alat bantu

pemograman yang biasanya digunakan. Diagram alir (flowchart) membantu programmer dalam mengorganisasikan pemikiran dalam pemograman.

Start

Selesai Input image

Jaringan syarf tiruan (Backpropgation) Inisialisasi bobot Hasil = target? true false

Gambar 6. Flowchart Program JST

Perancangan Antarmuka Menggunakan GUI

Pembuatan GUI ini merupakan tahap penting, karena GUI yang nanti akan mempermudah pengguna mengoperasikan program simulasi tersebut.Untuk membuat GUI baru setelah Matlab dibuka maka pilih GIUDE (GUI builder). Yang kemudian pada

layar akan muncul GUIDE Quick Start, ada dua pilihan yaitu create new GUI dan Open

Existing GUI. Seperti yang dapat dilihat pada

gambar dibawah ini.

Gambar 7. GUIDE Quick Start

Perancangan antarmuka merupakan rancangan pengelolaan informasi pada sistem. Perancangan ini dibuat sebagai gambaran dari suatu program atau aplikasi yang akan dibangun. Rancangan antarnuka yang dibangun sebagai berikut:

Gambar 8. Interface GUI

Pengujian

Untuk penguji sistem digunakan parameter akurasi dan error.

a. Akurasi adalah ukuran ketepatan sistem dalam mengenali masukan yang diberikan sehingga menghasilkan keluaran yang benar. Secara sistematis dapat dituliskan sebagai berikut :

x100 % (14)

b. Error adalah tingkat kesalahan sistem

dalam mengenali masukan yang diberikan terhadap jumlah data secara keseluruhan. Secara sistematis dapat dituliskan sebagai berikut :

Nurhayati, John Adler, Sri Supatmi

6 4.Hasil dan pembahasan

Jaringan yang telah dibangun memiliki parameter seperti pada gambar dibawah ini : a) Jumlah epoch = 25; jumlah hidden layer

= 5; performance = 0,260.

b) Garis grafik performace jaringan terjadi pada epoch ke-5.

c) Nilai gradien = 0,000147582, Mu = 0,0001, nilai cek validasi = 5 pada epoch ke-5.

d) Nilai regresi untuk training = 0,50843; validation = 0; test = 0,99012.

Tampilan hasil pelatihan Jaringan Syaraf Tiruan sebanyak empat kali

cropping adalah sebagai berikut :

(a) (b)

(c) (d)

Gambar 10. (a) Jaringan Neural Network, (b) Grafik Mean Square Error (MSE) sampai epoch ke-25, (c) Grafik Gradient, Mu dan Validasi, (d) Grafik Regresi Training, Validasi dan Test.

Nilai standar maksimum epoch adalah 25.

Epoch adalah perulangan atau iterasi dari

proses yang dilakukan untuk mencapai target yang telah ditentukan. maksimum epoch adalah jumlah epoch maksimum yang boleh dilakukan selama proses pelatihan. Iterasi akan berhenti apabila nilai epoch melebihi maksimum epoch.

Performance adalah fungsi kinerja dimana

target kinerja tujuan pada iterasi akan dihentikan apabila nilai fungsi kinerja kurang dari atau sama dengan kinerja tujuan.

Mean Squared Error (MSE) adalah nilai

yang diharapkan dari kuadrat error. Error yang ada menunjukkan seberapa besar perbedaan hasil estimasi dengan nilai yang akan diestimasi.

Gradient adalah akar dari jumlah kuadrat

gradien (bobot input, bobot lapisan, bobot bias).

Mu adalah momentum dimana perubahan bobot yang didasarkan atas arah gradien pola terakhir dan pola sebelumnya.

Validasi checks adalah nilai kegagalan

validasi.

Hasil keakurasian warna yang dikenali setelah dikompresi adalah sebagai berikut : Warna merah =

x 100 % = 73 % Warna putih =

x 100 % = 73% Warna biru =

x 100 % = 82 %

5. Kesimpulan

1.

Apabila gambar tidak dikenali pada

saat

pengelompokkan

warna

kemungkinan ukuran resolusi gambar

terlalu kecil atau besar tergantung

pada saat pengompresian.

2. Hasil akurasi warna yang dikenali terhadap 22 sampel batuan sayatan tipis batuan sebelum dikompresi dan setelah dikompresi 80% berturut-turut untuk

warna merah ∆ = 33%, warna putih ∆ = 41%, dan warna biru ∆ = 23%.

6. Daftar pustaka

[1].Gonzalez RC, Wood RE. “Digital Image

Processing”, Second Edition.Prentice Hall, Inc., NewJersey, 2002

[2].J. J.Siang,” Jaringan Syaraf Tiruan dan

Pemogramannya Menggunakan

MATLAB”, Penerbit Andi. Yogyakarta, 2004

[3].Kusumadewi, Sri, “Membangun Jaringan Syaraf Tiruan Menggunakan

Matlab dan Excel Link”. Yogyakarta : Graha ilmu, 2004.

[4].Wijaya, Marvin Ch dan Prijono. A.” Pengolahan Citra Digital menggunkan

MATLAB Image Processing Toolbox”,