36
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Bab ini secara garis besar membahas analisis metode Harris Corner Detection HCD dan Backpropagation BP pada sistem serta tahap-tahap yang akan dilakukan dalam
perancangan sistem yang akan dibangun.
3.1. Identifikasi Masalah
Industri pariwisata adalah salah satu bidang yang banyak menggunakan media multimedia, baik berupa citra, animasi, video dan suara dalam memberikan suguhan
berupa panaroma alam, objek wisata dan bentuk-bentuk kebudayaan yang biasa digunakan dalam menarik minat para wisatawan. Penggunaan media citra banyak
digunakan sebagai salah satu objek dalam memperkenalkan wilayah tersebut. Ada begitu banyak aplikasi yang digunakan dalam mengenali citra sehingga
dapat menyuguhkan seluruh informasi dari sebuah. Hanya saja ada begitu banyak informasi yang terdapat dalam sebuah citra, yang berupa warna, panjang piksel,
shape, tekstur dan lainnya. Pada penelitian ini, Penulis akan mencoba menggunakan metode Harris Corner Detection dan Backpropagation dalam melakukan pengenalan
citra pada objek dan memberikan informasi yang dibutuhkan pengguna.
3.2. Data yang Digunakan
Citra yang digunakan dalam penelitian ini adalah citra berukukan 200x200 piksel dengan format JPEG, dimana masing-masing citra memiliki perbedaan antara citra
yang satu dengan citra lainnya. Spesifikasi citra dapat ditentukan dalam beberapa kategori sebagai berikut:
Universitas Sumatera Utara
37 1.
Citra yang digunakan adalah citra yang diambil dari tampak depan sebuah objek.
2. Citra uji berupa citra yang akan dibandingkan compare dengan citra belajar
dan sudah diuji sebelumnya. 3.
Citra uji dapat berupa citra dengan objek yang sama tapi memiliki jarak dan posisi pengambilan yang berbeda
4. Objek yang digunakan pada penelitian ini ada 4 empat.
3.3. Analisis Sistem
Penelitian ini menggunakan metode HCD dan BP yang akan memberikan hasil berupa persentase keakuratan pengenalan citra uji berdasarkan sumber citra yang sudah
dipelajari oleh sistem sesuai dengan citra yang diinginkan. Pertama-tama, sudah disediakan terlebih dahulu objek-objek yang akan diuji beserta dengan banyaknya
citra pembelajaran pada masing-masing objek. Sistem akan menerima masukan berupa citra. Kemudian, citra tersebut akan
diproses menggunakan metode HCD untuk menemukan setiap corner yang terdapat dalam citra. Hasil citra corner yang didapatkan akan disimpan dalam database dan
diolah kembali dan disebut sebagi citra HCD. Citra HCD yang didapatkan akan diubah kembali ke dalam bentuk matriks dan selanjutnya diproses menggunakan BP.
BP akan mempelajari seluruh citra yang yang sudah dimasukkan oleh pengguna sebelumnya sebagai data awal.
Sistem akan berjalan ketika pengguna mencari citra lain menggunakan citra berbeda. Sistem akan mengubah citra tersebut ke dalam bentuk citra HCD. Citra yang
sudah diubah tersebut akan diolah kembali menggunakan BP. BP akan mencari bentuk objek yang mirip sesuai dengan pola citra yang sudah dipelajari oleh sistem lalu
memberikan hasil dan informasi yang didapatkan dari data yang tersimpan serta besar persentase nilai eror kemiripan citra.
Adapun gambaran algoritma metode sistem pengenalan objek citra menggunakan metode HCD dan BP dapat dilihat pada Gambar 3.1 berikut.
Universitas Sumatera Utara
38
Gambar 3.1 Algoritma pengenalan pola citra menggunakan HCD dan BP pada Sistem
Universitas Sumatera Utara
39 Cara kerja sistem pengenalan pola citra yang akan dibangun, dirancang untuk untuk
penelitian ini beroperasi sebagai berikut: 1.
Memasukkan nama objek dan detail objek. 2.
Memasukkan citra pembelajaran pada masing-masing objek. 3.
Melakukan pendeteksian titik pada citra menggunakan corner detection. a.
Dalam skripsi ini menggunakan operator Harris Corner Detection dengan persamaan 2.2. Dengan nilai turunan yang terdapat pada persamaan 2.5
pada citra input dan uji coba. b.
Menghiitung nilai perkalian produk piksel pada citra menggunakan persamaan 2.6, 2.7 dan 2.8.
c. Menentukan nilai window Wx,y, yang bernilai 1 apabila berada dalam
window dan bernilai 0 jika berada diluar window. Dapat pula menggunakan fungsi Gaussian, bila berada di luar window menggunakan persamaan 2.10.
Hasil citra dapat dilihat dalam bentuk kurva pada Gambar 3.2. Dalam penelitian ini, penulis menggunakan Gaussian.
1. b
Gambar 3.2. Fungsi window klasik a dan Gaussian b
d. Menghitung nilai perubahan window atau eigenvalues dengan persamaan
2.15, dimana nilai trace terdapat pada persamaan 2.14, dengan syarat sebagai berikut:
Universitas Sumatera Utara
40 i.
Bila nilai eigenvalues = 0, maka window “flat” i.
Bila nilai eignvalues 0, maka window berupa “edge” ii.
Bila nilai eigenvalues 0, maka window berupa “corner” e.
Menentukan banyaknya nilai corner menggunakan persamaan 2.17 sesuai dengan banyaknya nilai threshold yang dimasukkan oleh pengguna.
f. Membuat nilai corner dengan persamaan 2.18 untuk menampung seluruh
corner yang telah diseleksi. Lalu hapus seluruh corner yang tidak dibutuhkan. g.
Simpan hasil corner menjadi citra baru dalam bentuk matriks biner. 4.
Menentukan nilai banyak unit input, hidden layer, nilai keluaran, angka pembelajaran, epoh maksimal, dan nilai toleransi eror.
5. Menentukan nilai bobot dan bias menggunakan insialisasi faktor skala Nguyen-
Widrow β dengan definisi persamaan berikut:
= 0.7
3.1 dimana:
n = banyaknya unit input p = banyaknya unit tersembunyi
β = faktor skala
Prosedur penginisialisasian bias dan bobot, baik dari unit masukan ke unit tersembunyi, maupun dari unit tersembunyi ke unit keluaran berada dalam interval
- β dan β yang dilakukan secara acak.
6. Melakukan pelatihan data yang telah dimasukkan dengan nilai epoh lebih kecil
dari nilai epoh maksimum dan nilai eror lebih besar dari nilai eror toleransi. a.
Tahap pertama yang harus dilakukan adalah mencari nilai lajur yang maju untuk menjumlahkan nilai masukan pada masing-masing layer.
Universitas Sumatera Utara
41 i.
Menerima nilai masukan untuk lapisan tersembunyi dengan menjumlahkan nilai masukan terbobot menggunakan persamaan 2.31.
i. Menghitung nilai fungsi aktivasi hitung persamaan 2.32 untuk dikirim ke
unit keluaran. ii.
Menghitung nilai jumlah masukan nilai terbobot pada tiap unit keluaran menggunakan persamaan 2.33.
iii. Menghitung nilai fungsi aktivasi persamaan 2.34 untuk dikirm ke BP
eror. b.
Setelah lajur maju selesai, selanjutnya dilakukan tahap laju mundur menggunakan backpropagation eror untuk mengecek eror tiap layer dan
mengubah nilai parameter masukan pada layer pertama. i.
Menghitung nilai eror yang masuk ke dalam unit keluaran menggunakan persamaan 2.35.
i. Memperbaiki nilai bobot dan bias menggunakan koreksi bobot persamaan
2.36 untuk di kirim ke lapisan tersembunyi. ii.
Menjumlahkan delta input unit tersembunyi dari lapisan yang ada di atasnya menggunakan persamaan 2.37, yang akan dikalikan dengan
fungsi aktivasi untuk mendapatkan nilai eror 2.38 iii.
Memperbaiki nilai bias menggunakan 2.39 dan koreksi bias menggunakan koreksi eror 2.26.
c. Memperbaharui nilai bobot dan bias menggunakan persamaan 2.40 dan
2.41 pada tiap-tiap unit lapisan. d.
Melakukan penambahan nilai epoh.
Universitas Sumatera Utara
42 e.
Jika nilai epoh lebih kecil dari nilai maksimal epoh dan nilai eror lebih besar dari nilai batas kesalahan, maka menuju langkah 6.a.
7. Memberikan hasil citra yang telah diuji pada pengguna beserta dengan persentase
eror yang telah didapatkan.
3.4. Perancangan Sistem