LEMBAR
PER}TYATAAhI
Yang bertanda tangan dibawah
ini
:Nama
: NurhayatiNIM
: 10206081Menyatakan
bahwa
TugasAllfiir
ini
adalahhasil karya sendiri dan
bukan merupakan duplikasi sebagian atau seluruhnya dari hasil karya oranglain
yang pernah dipublikasikan atau yang sudah pemah dipakai untuk mendapatkan gelardi
Univepitas
laiq kecuali pada bagian dimana
sumber informasidengan cara referensi yang
semestinya
t
Pemyataanini di buat dengan sebenar-benarnya seaara sadar
dan bertanggung jawab dan saya bersedia menerima sanksi berupa pembatalan TugasAkhir
sayaapabila 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
: 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 :
xe
x
f
1
1
(1) BackpropagationAlgoritma 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-MarquadtAlgoritma 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”,