matriks ini disebut GLCM Gray -level co-occurrence matrix . Jika objek berupa citra biner, maka akan terbentuk matriks GLCM 2 levels 2 x 2.
Sedangkan jika objek berupa citra intensitas, maka akan terbentuk matriks GLCM 8 levels 8 x 8 Mathwork, 1999.
1. Energi Digunakan untuk mengukur konsentrasi pasangan gray level. Nilai
ini didapat dengan memangkatkan setiap elemen dalam GLCM, kemudian dijumlahkan Mathwork, 1999.
2. Kontras Menyatakan sebaran terang lightness dan gelap darkness di
dalam sebuah gambar. Berfungsi untuk mengukur perbedaan lokal dalam citra Mathwork, 1999.
3. Homogenitas Berfungsi untuk mengukur kehomogenan variasi gray level lokal
dalam citra Mathwork, 1999. 4. Entropy
Berfungsi untuk mengukur keteracakan dari distribusi perbedaan lokal dalam citra Mathwork, 1999.
5. Derajat keabuan Merupakan nilai ambang global dari grayscale 250 x 250
Mathwork, 1999. 6. Standar deviasi
Merupakan nilai standar deviasi dari citra grayscale 250 x 250 Mathwork, 1999.
Komponen 1 – 4 digunakan dalam pengukuran tektur Haralic, 1973.
2.6 Jaringan Syaraf Otak Manusia
Otak manusia memiliki neuron-neuron yang berkerja berdasarkan sinyal yang dite rima melalui sinapsis. Sinyal ini diteruskan pada neuron lainnya.
Diperkirakan manusia memiliki 10
1 2
neuron dan 6.10
18
sinapsis. Dengan
angka yang demikian itu, otak mampu mengenali objek, melakukan perhitungan, mengontrol gerakan tubuh dan lain-lain.
Neuron memiliki tiga komponen, yaitu dendrite , soma dan axon. Dendrite berutugas menerima sinyal dari neuron lain. Soma menjumlahkan semua sinyal
yang masuk. Sedangkan axon bertugas meneruskan sinyal ke neuron lain jika diperlukan. Contoh bentuk jaringan syaraf dapat dilihat pada Gambar 3.
Gambar 3 Neuron berkerja berdasarkan sinyal yang diterima melalui sinapsis Kusumadewi, 2003.
2.7 Jaringan Syaraf Tiruan
Jaringan neural artificial adalah pemrosesan informasi yang mempunyai karakteristik kinerja tertentu seperti jaringan neural biologis. yang berbasis pada
asumsi sebagai berikut Widodo, 2005 : 1. Pemrosesan informasi terjadi pada banyak elemen sederhana yang
disebut neur on. 2. Sinyal diberikan antara neur on lewat jalinan koneksi.
3. Setiap jalinan koneksi mempunyai bobot yang mengalikan sinyal yang ditransmisikan.
4. Setiap neuron menerapkan fungsi aktivasi yang biasanya non linear terhadap jumlah sinyal masukan terbobot untuk menentukan sinyal
keluarannya. Menurut Fauset 1994, jaringan syaraf tiruan dicirikan oleh :
1. Pola hubungan antara neuron-neuronnya, disebut arsitektur. 2. Metode penentuan bobot weight pada hubungan, disebut pelatihan
training, pembelajaran learning, atau algoritma. 3. Fungsi aktivasinya.
Struktur jaringan neural terdiri atas sejumlah besar komponen yang disebut neuron. Setiap neuron terhubung dengan neuron lainya dengan jalinan koneksi
yang berkaitan dengan bobot. Bobot mewakili informasi yang diterima jaringan dan dijadikan sebagai nilai untuk menyelesaikan masalah.
Fungsi aktifasi merupakan keadaan internal suatu neuron, dengan fungsi aktifasi ini neuron dapat mengambil keputusan dari pengolahan bobot-bobot yang
ada. Hasil dari fungsi aktifasi ini juga digunakan sebagai sinyal untuk neuron berikutnya. Contoh bentuk jaringan syaraf tiruan dapat dilihat pada Gambar 4.
Gambar 4 Neuron tiruan sederhana Kusumadewi, 2003. Pada Gambar 4,
neuron Y menerima masukan dari neuron X
1
, X
2
, dan X
3
dengan aktivasinya sinyal keluaran yaitu x
1
, x
2
, x
3
dan bobotnya w
1
, w
2
, w
3
. Masukan jaringan y_in ke neuron Y adalah penjumlahan dari perkalian masing-
masing sinyal dengan bobotnya seperti berikut : y_in = x
1
w
1
+ x
2
w
2
+ x
3
w
3
5 X1
X2 X3
Y
W1 W2
W3
2.8 Arsitektur Jaringan