Berdasarkan daerah
region-based
Teknik ini merepresentasikan bentuk wilayah dengan karakteristik internal.
b. Ekstraksi fitur tekstur
Tekstur adalah salah satu bagian penting dari citra. Tekstur adalah descriptor wilayah yang dapat membantu dalam proses pengambilan informasi. Tekstur
tidak memiliki kemampuan untuk menemukan kesamaan citra namun dapat digunakan untuk mengklasifikasikan citra bertekstur dari non-tekstur dan
kemudian dapat dikombinasikan dengan fitur lainnya seperti warna untuk mendapatkan pengambilan informasi yang lebih efektif.
Tekstur menjadi karakteristik penting yang dapat digunakan dalam pengklasifikasikan dan mengenal objek dan memiliki kemampuan menemukan
persamaan antara citra-citra pada database multimedia. Pada dasarnya, metode representasi tekstur dapat diklasifikasikan menjadi dua kategori yaitu struktural
dan statistik. Beberapa metode statistik antara lain
Fourier power spectra
,
co- occurrence matrices
,
shift-invariant principal component analysis
SPCA,
Tamura features
,
Gabor and wavelet transform
.
c. Ekstraksi fitur warna
Pada ciri pembeda pada ekstraksi fitur adalah warna. Ekstraksi fitur warna merupakan fitur visual yang sering digunakan pada proses pengambilan informasi
citra. Fitur warna dalam mengklasifikasikan citra memiliki keuntungan yaitu : ketahanan, efektif, implementasi yang sederhana, komputasi yang sederhana dan
kemampuan penyimpanan yang kecil. Beberapa model warna yang sering digunakan antara lain : RGB
Red, Green, Blue
, HSV
Hue, Saturation, Value
dan Y, C
b
, C
r
Luminance and Chrominance
.
2.4 Metode
Zoning
Metode
Zoning
merupakan salah satu metode dalam ekstraksi fitur. Metode
Zoning
dalam proses ekstraksi fitur menghasilkan hasil yang baik dan efisien dalam proses klasifikasi dan pengenalan Rajashekararadhya Ranjan, 2009. Setiap citra dibagi
Universitas Sumatera Utara
menjadi M x N zona dan dari setiap zona dilakukan perhitungan nilai fitur sehingga didapatkan nilai fitur dan zona M x N. Adapun proses pada metode
Zoning
antara lain:
Hitung jumlah piksel hitam dari setiap zona dari Z
1
sampai Z
n.
Tentukan nilai zona yang memiliki nilai piksel hitam paling tinggi. Hitung nilai fitur pada setiap zona dari Z
1
sampai Z
n
dengan persamaan 2.3.
2.5 Learning Vektor Quantization
Learning
Vektor
Quantization
LVQ pertama kali diperkenalkan oleh Tuevo Kohonen yang memperkenalkan
Self-Organizing Feature Map
juga. LVQ merupakan jaringan
hybrid
yang menggunakan
supervised
dan
unsupervised learning
. Metode LVQ telah digunakan oleh banyak peneliti dalam memecahkan masalah klasifikasi.
LVQ merupakan sebuah metode klasifikasi berdasarkan model kohonen yang dikenal sebagai
Self-Organizing Map Network
SOM. Namun LVQ merupakan berbeda dengan SOM yang bersifat pembelajaran tidak terawasi, LVQ merupakan
algoritma pembelajaran terawasi versi model Kohonen dengan arsitektur algoritma yang sederhana sehingga hanya terdiri dari satu lapisan
input
dan lapisan
output
Azara et al, 2012.
Learning
Vektor
Quantization
LVQ merupakan metode pola klasifikasi pada setiap unit
output
mewakili sebuah kelaskategori tertentu. Vektor bobot dari sebuah unit
output
digunakan sebagai vektor referensi untuk sebuah unit yang diwakili oleh sebuah kelas Wahyono Ernastuti, 2009.
Arsitektur LVQ terdiri dari lapisan
input input
layer
, lapisan kompetitif dan lapisan
output output
layer
. Sebuah bobot akan menghubungkan lapisan
input
dengan lapisan kompetitif. Pada lapisan kompetitif, proses pembelajaran dilakukan secara terawasi. Hasil lapisan kompetitif berupa kelas yang dihubungkan dengan
lapisan
output
oleh fungsi aktivasi. Arsitektur Jaringan LVQ dapat dilihat pada Gambar 2.2
2.3
Universitas Sumatera Utara
Keterangan :
X1, X2, ..., Xn : Nilai
input
||X-W1||, ||X-Wn||: Jarak bobot H1, H2
: Lapisan
output
D1, D2 : Nilai
output
N : Jumlah data
W1,Wn : Nilai Data Inisialisasi
Pada Gambar 2.2 dapat dijelaskan bahwa nilai X1 sampai nilai Xn merupakan nilai yang akan digunakan sebagai nilai
input
. Dengan nilai W1 sampai Wn sebagai nilai bobot. Nilai
input
akan dilakukan perhitungan dengan nilai bobot untuk mendapatkan jarak bobot terkecil. H1 dan H2 akan bertindak sebagai lapisan
output
dimana Lapisan ini akan mewakili satu kelas. Maka pada Gambar 2.2 dapat dilihat bahwa arsitektur memiliki 2 kelas. D1 dan D2 akan bertindak sebagai nilai
output
pada lapisan
output
yang akan digunakan sebagai bobot pada proses pengujian.
Adapun kelebihan dari LVQ adalah : 1
Nilai error yang dihasilkan lebih kecil dibandingkan dengan jaringan syaraf tiruan
Backpropagation
2 Data set yang besar dapat diringkas menjadi vektor kecil pada tahap klasifikasi
3 Tidak ada pembatasan pada dimensi
codebook
4 Model yang dihasilkan dapat dilakukan perbaharuan secara bertahap
X
1
X
2
X
3
Xn ||X-W
1
||
||X-W
2
||
H1
H2
D1
D2
Gambar 2. Arsitektur jaringan LVQ
Gambar 2.2 Arsitektur Jaringan LVQ
W1
Wn
Universitas Sumatera Utara
Sedangkan Kekurangan dari LVQ antara lain : 1
Diperlukan perhitungan yang akurat terhadap jarak untuk seluruh atribut 2
Akurasi model LVQ bergantung kepada inisialisasi dan parameter yang digunakan dalam perhitungan
3 Distribusi kelas pada data
training
mempengaruhi nilai akurasi 4
Sulitnya jumlah vektor yang ditentukan pada masalah yang diberikan.
Parameter-parameter yang diperlukan dalam algoritma LVQ antara lain : 1.
Learning rate
α merupakan nilai tingkat pelatihan. Jika α terlalu besar maka algoritma menjadi tidak stabil dan terlalu kecil maka waktu proses yang
diperlukan semakin lama. Nilai α berada pada rentang 0 α 1. 2.
Penurunan
Learning rate
Dec α yaitu penurunan tingkat pelatihan.
Penurunan
Learning rate
dilakukan setelah selesai dilakukan iterasi pada setiap data dan akan dilakukan pada iterasi yang selanjutnya.
3. Minimimum
Learning rate
Min α yaitu tingkat pelatihan yang masih
diperbolehkan 4.
Maksimum
Epoch
Max
Epoch
yaitu jumlah iterasi maksimum yang boleh dilakukan selama proses pelatihan. Selama iterasi yang telah dilakukan telah
mencapai iterasi maksimum, maka iterasi akan dihentikan.
Metode LVQ dilakukan dengan proses pengenalan terlebih dahulu terhadap pola
input
kedalam bentuk vektor untuk memudahkan proses pencarian kelas. Setiap
output
menyatakan kelas tertentu maka pola
input
dapat dikenali kelasnya berdasarkan
output
yang diperoleh. LVQ mengenali pola
input
dengan kedekatan jarak antara vektor
input
dan vektor bobot. Pada LVQ terdapat dua proses yaitu :
a. Proses