Nilai ambang batas yang diperoleh kemudian menjadi acuan untuk memisahkan piksel putih dan hitam menggunakan Persamaan 2.12 berikut (Suryapradipta, 2018). Sederhananya, operasi dilasi adalah proses penebalan objek pada suatu gambar sehingga objek tersebut mengembang. Hasil dilatasi tersebut kemudian menjadi acuan untuk memotong gambar dan memperkecil latar belakang yang tidak diperlukan sistem.
Pada penelitian ini matriks vertikal bertujuan untuk mempertebal huruf-huruf yang mewakili suatu gambar untuk mewakili posisi setiap huruf pada gambar. Hasil dilatasi dengan matriks vertikal menjadi acuan pemotongan huruf pada gambar. Proses contour plotting bertujuan untuk menentukan koordinat objek pada gambar (Kumaseh, Latumakulita, & Nainggolan, 2013).
Untuk menghitung arah gradien pada piksel (a,b) dirumuskan seperti Persamaan 2.15 di bawah ini (Aggarwal, Singh, & Singh, 2015). Nilai-nilai tersebut menjadi ciri khas dari setiap piksel yang jika digabungkan menjadi ciri-ciri objek, yang mana dalam penelitian ini nilai-nilai tersebut menjadi ciri-ciri huruf-huruf penyusun teks pada gambar.
Genetic Modified K-Nearest Neighbor (GMKNN)
Selanjutnya dilakukan perhitungan kemiripan berdasarkan Persamaan 2.17 yang berguna untuk proses perhitungan validitas dalam menentukan nilai kesesuaian. Kemudian menghitung nilai fitness yang digunakan sebagai fungsi optimasi untuk menentukan nilai K yang paling optimal. Menghitung Fitness Keturunan dan Evaluasi Model Keturunan yang telah dihasilkan melalui proses persilangan dan mutasi kemudian dihitung nilai fitnessnya seperti pada perhitungan sebelumnya.
Menghitung jarak Euclidean data latih dan data uji dengan Menghitung jarak Euclidean data latih dan data uji menggunakan Persamaan 2.16. Menghitung nilai bobot voting Perhitungan bobot voting dilakukan untuk mencari bobot data uji relatif terhadap data latih. Dengan menggunakan K optimal yang diperoleh, dicari tetangga terdekat untuk setiap data uji.
Setelah Euclidean distance pada masing-masing data pengujian diketahui, maka dihitung bobot voting dari data pengujian tersebut dengan menggunakan persamaan 2.20. Pada saat melakukan voting terhadap data uji untuk menentukan kelas prediksi, maka nilai bobot voting yang diperoleh dari data uji divoting berdasarkan besar kecilnya bobot voting tergantung kelas dari data latih tersebut dengan menggunakan Persamaan 2.21.
Pengujian Kinerja Sistem
Dalam perhitungan voting, fungsi dari voting adalah untuk menentukan kelas mana yang lebih mungkin dimiliki oleh data pengujian. Voting sangat berguna ketika suatu data pengujian mempunyai kecenderungan lebih dari satu kelas. Setelah dilakukan perhitungan, maka suara diurutkan dari nilai terbesar ke nilai terkecil dan suara dengan nilai terbesar menjadi kelas terpilih (Mutrophin, Izzah, Kurniawardhani, & Masrur, 2015).
Studi Kasus
Studi Kasus Grayscale
Proses perhitungan dilakukan hingga seluruh piksel pada gambar (Tabel 2.2) telah dihitung menggunakan persamaan 2.1 untuk menghasilkan suatu gambar.
Studi Kasus Low Pass Filetring
Pada tahap low-pass filtering, konvolusi dilakukan menggunakan kernel low-pass dengan cara sebagai berikut. Tempatkan kernel di pojok kiri atas gambar, lalu kalikan piksel gambar dengan piksel di kernel yang menyentuh gambar, tambahkan nilai yang dihasilkan dan simpan pada gambar terlampir dengan koordinat (0,0). Sebagai contoh perhitungan dengan nilai piksel gambar yang tidak bernilai 0, pada gambar 2.12 dibawah ini anda dapat melihat contoh perhitungan piksel (2.5).
Langkah-langkah ini berlanjut hingga inti menyentuh sudut kanan bawah gambar, seperti terlihat pada Gambar 2.13. Institut Teknologi Nasional | 31 Pada setiap sisi paling kanan, bawah, kiri dan atas gambar terdapat baris dan kolom yang tidak tersentuh kernel. Ada beberapa solusi untuk mengatasi hal tersebut, antara lain mengabaikannya, memberikan nilai yang sama dengan piksel tetangganya, dan melakukan upscaling pada citra menggunakan nilai yang konstan atau berbeda sehingga dapat dilakukan konvolusi pada tepi citra (Gazali, Haryono, & Ohliati, 2012).
Pada penelitian ini nilai pada bagian tepi gambar yang tidak diolah secara konvolusi diberi nilai 0, karena pada tahap selanjutnya gambar tersebut menjadi nilai 0 dan 1 sehingga bagian tepi gambar tersebut menjadi latar belakang. foto. .
Studi Kasus Sharpening (High Pass Filtering)
Nilai piksel yang lebih besar dari 50 bernilai 0 (hitam), sedangkan nilai piksel yang kurang dari 50 bernilai 1 (putih), sehingga menghasilkan matriks citra biner seperti pada Gambar 2.23. Pada penelitian ini, citra masukan untuk segmentasi menggunakan morfologi matematis adalah citra yang di-threshold seperti pada Gambar 2.22. Misalnya citra hasil batas dengan ukuran matriks 10x15 piksel seperti pada Gambar 2.24 menjadi masukan untuk tahap segmentasi.
Misalnya pada studi kasus ini, dilasi dilakukan dengan menggunakan kernel 1x3 pada piksel dengan nilai 255, seperti terlihat pada Gambar 2.25. Gambar 2.25 menunjukkan kernel untuk melakukan proses morfologi dilasi pada matriks gambar yang diwakili oleh Gambar 2.26. Pada Gambar 2.26, nilai piksel pada titik panas (koordinat 0,1) sama dengan 0, sehingga piksel tetangga pada jendela 1x3 tidak mengalami proses dilatasi morfologi.
Sama seperti tahap sebelumnya pada Gambar 2.20, nilai piksel pada hotspot adalah 0 sehingga piksel tetangga pada jendela 1x3 tidak terkonversi. Misalnya tahapan morfologi dilatasi tidak bernilai 0, maka tahapan dilatasi dilakukan pada koordinat hotspot (1,4) seperti pada Gambar 2.28. Pada Gambar 2.28, nilai piksel pada hotspot adalah 255 tetapi piksel tetangga di sebelah kiri hotspot adalah 0, sehingga dilakukan tahap ini.
Institut Teknologi Nasional | Proses konversi 42 piksel pada piksel yang berdekatan di sebelah kiri hot spot menjadi 255, sehingga menghasilkan susunan piksel seperti pada Gambar 2.29. Misalnya tahap morfologi dilatasi mempunyai kedua tetangga dengan nilai 255, maka tahap dilatasi dilakukan pada koordinat hotspot (2,4), seperti terlihat pada Gambar 2.30. Hasil akhir proses konvolusi dari koordinat hotspot (0,1) hingga (14,8) pada tahap low-pass filtering ditunjukkan pada Gambar 2.32.
Nah pada tahap ini terbentuklah sebuah border yang diwakili oleh garis merah pada gambar 2.30 yang berbentuk persegi panjang. Institut Teknologi Nasional | 46 Sedangkan jika dilihat secara kasat mata, gambar hasil konvolusi horizontal inti terlihat seperti pada Gambar 2.37. Selain kernel horizontal, gambar yang berisi piksel pada Gambar 2.6 diinterpolasi dengan kernel sobel vertikal dan menghasilkan piksel seperti yang ditunjukkan pada Gambar 2.38.
Studi Kasus Genetic Modified K-Nearest Neighbor (GMKNN)
Membuat matriks jarak Euclidean antara data latih dan matriks kemiripan, perhitungan jarak Euclidean antar data latih dilakukan untuk menentukan jarak terdekat dengan data berdasarkan nilai k yang diperoleh dari kromosom menggunakan Persamaan 2.16. Nilai K optimal diperoleh dengan syarat berhenti jika nilai fitness mencapai 0,9 dan dengan generasi maksimal 5. Mutasi dilakukan dengan cara memilih secara acak individu-individu dalam populasi yang akan dimutasi, dapat dilihat pada Tabel 2.12.
Kemudian dilakukan evaluasi model dengan menggabungkan individu keturunan hasil persilangan dan mutasi serta populasi awal menjadi satu tabel yang menjadi populasi total, kemudian dihitung nilai kebugarannya yang dapat dilihat pada Tabel 2.13. Pada tahap seleksi ini dilakukan pemilihan populasi popsize sehingga dari keseluruhan populasi hanya dipilih kromosom yang memiliki nilai fitness tertinggi, seperti terlihat pada Tabel 2.14. Setelah proses algoritma genetika dihentikan maka diperoleh populasi baru yang mempunyai nilai fitness tertinggi.
Dengan menggunakan K optimal yaitu 2, kita mencari tetangga terdekat untuk setiap data uji, dan jarak terdekat adalah data latih 6. dan 5. Setelah diketahui jarak Euclidean terhadap data uji, maka dilakukan perhitungan bobot tuning pada data latih tersebut. data uji. menggunakan persamaan 2.20. Tabel nilai perhitungan jarak Euclidean untuk data latih dan data uji didasarkan pada nilai k pada Tabel 2.17.
Karena I optimal, K = 2, maka terdapat dua nilai bobot suara untuk setiap kelas, dan kelas dengan nilai suara tertinggi menjadi kelas data uji.
