Pseudocode proses pemotongan citra :
citra latih1..20 axes1..20
for a 1 : 20
citra latih tipis getimagecitra latiha
[b, k] findcitra latih tipis
citra latih dipotong citra latih tipis
minb::maxb:, mink:: maxk: citra latih dipotong
imresizecitra latih dipotong, [115 115]
axescitra latiha imshowcitra latih dipotong end
3.3.4 Flowchart Ekstraksi Fitur
Pada gambar 3.13 ditampilkan diagram alur proses ekstraksi fitur.
Pseudocode proses ekstraksi fitur :
citra latih1..20 axes1..20
for a 1 : 20
citra latih dipotong getimagecitra latiha
[C, S] wavedec2citra latih dipotong, 3, sym4
citra latih aproksimasi appcoef2C, S, sym4, 3
axescitra latiha imshowcitra latih citra latih aproksimasi
reshapecitra latih aproksimasi, 1, 400
simpan citra latih aproksimasi end
Universitas Sumatera Utara
mulai
a = 1
a = 20 citra latih
a = 20
citra latih dipotong a
citra latih aproksimasi dari hasil transformasi wavelet
2D
selesai ya
citra latih dipotong diekstraksi dengan
transformasi wavelet 2D
matriks citra latih hasil transformasi 20 x 20
diubah menjadi 1 x 400 citra latih
aproksimasi tampil citra
latih aproksimasi
tidak
a = a + 1
Gambar 3.13 Flowchart ekstraksi fitur
Universitas Sumatera Utara
3.3.5 Flowchart Pelatihan Jaringan Saraf Tiruan JST
Alur proses pelatihan jaringan saraf tiruan dimulai dengan masukan citra hasil prapengolahan dan ekstraksi fitur, pengisian laju pemahaman jaringan Kohonen,
parameter vigilance ART1 dan iterasi maksimum. Proses pelatihan dilakukan dan menampilkan waktu pelatihan jaringan saraf tiruan Kohonen dan ART1.
Jaringan Kohonen dibentuk dengan menggunakan perintah newsom pada Matlab. Berikut ini adalah perintah newsom dengan keterangannya :
net = newsom PR, [D1,D2,..., Di], TFCN, DFCN, OLR, OSTEPS, TLR, TNS
dengan PR : matriks Rx2 yang berisi nilai minimum dan maksimum R buah elemen
masukan. Di : ukuran topologi layar default = [5 8]
TFCN : fungsi topologi default
= ‘hextop’ DFCN
: fungsi jarak default = ‘linkdist’
OLR : laju pemahaman fase pengaturan default = 0.9
OSTEPS : jumlah iterasi langkah pengaturan default = 1000 TLR
: laju pemahaman fase penyempurnaan default = 0.02 TND
: jarak sekitar neuron pemenang pada fase penyempurnaan default = 1
Universitas Sumatera Utara
mulai bobot masukan
awal, laju pemahaman,
iterasi maksimum
iterasi = iterasi maksimum ?
i = 1
i = 20
dj = sumbobot masukanbarisj
– pola
masukanbarisi2 j = 20
ya
ya
B B
bobot masukan = bobot masukan + laju
pemahamanpola masukanbarisi
– bobot masukanbarisj
laju pemahaman = laju pemahaman
0.5
bobot masukan
baru [m j] = mind
j = 1
ya iterasi = iterasi + 1
selesai i = i + 1
j = j + 1 tidak
tidak tidak
Gambar 3.14 Flowchart pelatihan kohonen
Universitas Sumatera Utara
mulai
iterasi = iterasi maksimum ?
i = 1
i = 20
s = pola masukan
barisi
standars
x = s
j = 1
C ya
ya C
yj ~= -1
yj = sumbobot masukan barisj
x ya
[m, j] = maxy
j = minj
yj == -1 p = 0.5 p
x = s bobot kelompok
barisj
standarx iterasi maksimum,
bobot masukan awal, bobot kelompok
awal, parameter vigilance, pola
masukan, L
ya tidak
j = 20 ya
j = j + 1
yj = 0 1
tidak
tidak 2
4 tidak
3
5 tidak
Universitas Sumatera Utara
5
standarx standars p
yj = -1
p = 0.5 p bobot masukan barisj
= L x L - 1 + standarx
bobot kelompok barisj = x
tidak ya
iterasi = iterasi + 1
bobot masukan
baru, bobot kelompok
baru
selesai i = i + 1
1 2
3
4
Gambar 3.15 Flowchart pelatihan ART1
Pseudocode proses pelatihan JST : Pelatihan Kohonen :
laju_pemahaman str2doublegetlaju_pemahaman,String
Universitas Sumatera Utara
net newsomminmaxpola_masukan, [5 5], ‘randtop,
dist, laju_pemahaman, 1000, 0.5, 0 net.trainFcn
trainr net.trainParam.epochs
iterasi maksimum net
trainnet, pola_masukan bobot
net.IW{1, 1} nilai
simnet, pola_masukan keluaran
vec2indnilai for c
1 : 20 bariskelompok
keluaranc bobotbaru
bobotbariskelompok, : simpan bobotbaru
end
Pelatihan ART1 :
iterasi = 0; while iterasi = iterasi maks
for i 1 : 20
s pola masukani, :
standars sums
x s
for j 1 : 20
yj 0
if yj ~= -1 yj
sumbj, : . x end
end
[m, j] maxy
j = minj if yj == -1
Universitas Sumatera Utara
p 0.5 p
else x
s . tj, : standarx
sumx if standarx standars p
yj -1
p 0.5 p
elseif standarx standars = p bj, :
L x L - 1 + standarx
tj, : x
end end
end iterasi
iterasi + 1 end
3.3.6 Flowchart Pengujian Jaringan Saraf Tiruan JST