Identifikasi pola warna citra google maps menggunakan jaringan syaraf tiruan metode levenberg-marquardt dengna matlba versi 7.8

DATA PRIBADI

Nama : Tulus Bangkit Pratama

Jenis kelamin : Laki-laki

Tempat, tanggal lahir : Serang, 26 Oktober 1990 Kewarganegaraana : Indonesia

Status perkawinan : Belum Menikah Tinggi, berat badan : 172 cm, 70 kg

Agama : Islam

Alamat lengkap : Link. Jombang Cemara Rt.01 Rw.06 Kel. Jombang Wetan Kec. Jombang.

Telepon, HP : 087821928622

E-mail : bangkitpratama@rocketmail.com

RIWAYAT ORANG TUA

Nama Ayah : Ayi Budiman

Alamat Lengkap : Link. Jombang Cemara Rt.01 Rw.06 Kel. Jombang Wetan Kec. Jombang.

Telepon, HP : 081806102165

Pekerjaan : Karyawan Swasta

LATAR BELAKANG PENDIDIKAN

- Formal

 TK PGRI CILEGON,1995

 SD NEGERI 5 CILEGON ,2002

 SMP NEGERI 2 CILEGON ,2005

 SMA NEGERI 2 KRAKATAU STELL CILEGON (IPA), 2008

 UNIKOM (TEKNIK KOMPUTER)

KEMAMPUAN

 Kemampuan Teknik Komputer dan Informatika (Image Processing MATLAB, Networking, MS office, corel application, adobe application, web programming & design, programmer aplication)

 Kemampuan internet (e-commers, Bisnis Online)

PENGALAMAN KERJA

 Kerja praktek di PT. Krakatau Information Technology selama 1 bulan pada tahun 2011, Management Otorisasi System (Web Design)

PENGALAMAN ORGANISASI

 Menjabat sebagai Wakil Ketua OSIS SMA Negeri 2 Cilegon tahun ajaran 2006-2007.  Pengurus RISMA Al-Muhsinin SMA Negeri 2 Cilegon dari tahun 2005-2008.

 Ketua Pelaksana Acara Perpisahan Siswa SMA Negeri 2 Cilegon Angkatan 2007.

Bandung, 27 Agustus 2013 Hormat saya,

MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE

LEVENBERG – MARQUARDT DENGAN MATLAB VERSI 7.8

TUGAS AKHIR

Disusun untuk memenuhi syarat kelulusan

Pada Program Studi Sistem Komputer Strata Satu di Jurusan Teknik Komputer

Oleh

TULUS BANGKIT PRATAMA 10208089

Pembimbing: John Adler, M.Si

JURUSAN TEKNIK KOMPUTER

FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS KOMPUTER INDONESIA

v

KATA PENGANTAR

Assalamualaikum Wr, Wb.

Puji syukur kehadirat Allah SWT, pencipta semesta alam. Shalawat serta salam semoga tercurahkan kepada Baginda Rosul Muhammad SAW, kepada keluarganya, para Tabiin dan para pengikutnya yang selalu setia hingga akhir masa.

Alhamdulillah, berkat rahmat Allah SWT, penulis dapat menyelesaikan tugas akhir ini dengan judul : “Identifikasi Pola Warna Citra Google Maps Menggunakan Jaringan Syaraf Tiruan Metode Levenberg – Marquardt

Dengan Matlab Versi 7.8”. Tugas akhir ini disusun untuk memenuhi syarat dalam meraih gelar sarjana pada Jurusan Teknik Komputer, Fakultas Teknik dan Ilmu Komputer di Universitas Komputer Indonesia. Dengan segala kekurangan didalamnya karena penulis hanyalah manusia biasa yang memiliki banyak kesalahan, walaupun begitu penulis berusaha untuk menyelesaikan tugas akhir ini dengan baik dan dapat memberi tambahan ilmu bagi yang membacanya.

Selama proses penelitian, penulis banyak sekali dibantu oleh orang-orang terdekat penulis terutama para pembimbing yang selalu sabar untuk memberi masukan dan nasehat bagi penulis, tanpa beliau penulis tidak akan mungkin menyelesaikan tugas akhir ini. Keluarga penulis pun selalu memotivasi agar tetap semangat dan sabar dalam menyelesaikan tugas akhir ini. oleh karena itu perkenankan penulis mengucapkan terima kasih dan penghargaan yang sebesar-besarnya kepada:

1. Wendi Zarman, M.Si. Selaku Ketua Jurusan Teknik Komputer.

2. John Adler, M.Si. Selaku Dosen Pembimbing sekaligus Dosen Wali kelas 08 TK-3 yang telah meluangkan waktu dan sabar dalam memberi bimbingan kepada penulis dalam menyelesaikan tugas akhir ini.

3. Ayahanda Ayi Budiman dan Ibunda Tuti Alawiyah. Yang telah mencintai, menyayangi, mendidik penulis, serta memberikan doa kepada penulis dengan penuh kesabaran dan ikhlas.

4. Seluruh Bapak dan Ibu Dosen Jurusan Teknik Komputer. 5. Jajaran Staf Jurusan Teknik Komputer.

vi

menjadi inspirasi penulis untuk tetap sabar dan semangat dalam menyelesaikan tugas akhir ini.

7. Eti Muzdalifah, S.Pd. Yang selalu mensuport, memberi nasehat, cinta, kasih sayang dan doa kepada penulis dalam menyelesaikan tugas akhir ini.

8. Teman-teman 08 TK-3 yang tidak bisa disebutkan satu persatu yang telah memberikan semangat kepada penulis.

9. Semua pihak yang tidak bisa disebutkan satu persatu. Terima kasih sebanyak-banyaknya.

Penulis menyadari bahwa tugas akhir ini masih banyak sekali kekurangan oleh karena itu penulis mengharapkan saran dan kritik yang bersifat membangun dan semoga tugas akhir ini bermanfaat, khususnya bagi penulis dan umumnya bagi pembaca.

Kebenaran datangnya dari Allah SWT, dan kesalahan datangnya dari penulis pribadi. Karena penulis hanyalah manusia biasa yang tak luput dari salah dan dosa.

Wassalamualaikum Wr, Wb.

Bandung, Agustus 2013

vii

DAFTAR ISI

LEMBAR PERNYATAAN ... ii

ABSTRAK ... iii

ABSTRACT ... iv

KATA PENGANTAR ... v

DAFTAR ISI ... vii

DAFTAR TABEL ... ix

DAFTAR GAMBAR ... x

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Maksud dan Tujuan ... 3

1.3 Batasan Masalah ... 3

1.4 Metode Penelitian ... 4

1.5 Sistematika Penulisan ... 4

BAB II DASAR TEORI ... 6

2.1 Google Maps ... 6

2.2 Citra Digital ... 6

2.2.1 Citra RGB ... 7

2.2.2 Citra Grayscale ... 7

2.2.3 Citra Biner ... 7

2.3 Algoritma Levenberg Marquardt ... 8

2.4 Pengolahan Citra ... 9

2.5 Segmentasi Citra ... 11

2.6 Ekstraksi Ciri Orde Dua... 12

2.7 Jaringan Syaraf Tiruan ... 14

2.7.1 Model Neuron ... 16

2.7.2 Bobot ... 17

2.7.3 Fungsi Aktivasi ... 18

2.7.4 Konsep Dasar Jaringan Syaraf Tiruan ... 19

2.7.5 Arsitektur Jaringan ... 20

2.8 Perangkat lunak ... 20

2.8.1 Software Matlab ... 20

viii

3.1 Diagram Blok Sistem ... 23

3.2 Proses Pengambilan Image ... 24

3.3 Sistem Pengolahan Citra ... 24

3.3.1 Cropping Citra ... 24

3.3.2 Konversi Citra Grayscale ... 25

3.3.3 Teknik Segmentasi Citra ... 26

3.3.4 Ekstraksi Ciri ... 27

3.4 Arsitektur Jaringan Syaraf Tiruan ... 27

3.5 Proses Training Levenberg-Marquardt ... 28

3.6 Perancangan Perangkat Lunak ... 30

3.6.1 Flowchart Perancangan Aplikasi ... 30

3.6.2 Perancangan Antarmuka Sistem ... 30

3.6.3 Software Antarmuka Sistem ... 33

BAB IV PENGUJIAN DAN ANALISA ... 35

4.1 Pengujian ... 35

4.1.1 Proses Running Program Aplikasi Pengolahan Citra ... 37

4.1.2 Training Citra Biner Menggunakan Jaringan Syaraf Tiruan Levenberg-Marquardt ... 44

4.2 Analisa ... 48

4.2.1 Analisa Proses Segmentasi ... 48

4.2.2 Analisa Hasil Training Jaringan Syaraf Tiruan Levenberg-Marquard ………..50

BAB V SIMPULAN DAN SARAN ... 54

5.1 Simpulan ... 54

5.2 Saran ... 55

56

DAFTAR PUSTAKA

[1] H. Demuth, M. Beale, Neural Network Tool, Edisi 6, 2000.

[2] Adler, J. Pengaruh Matriks dan Porositas Batuan Karbonat Formasi Parigi.

Majalah Ilmiah Unikom Vol.9, hal 51-60, Maret 2011.

[3] Prasetyo,E. Pengolahan Citra Digital dan Aplikasinnya Menggunakan Matlab, Andi, Yogyakarta, 2011.

[4] Rahmat. dkk. Pengenalan Pola Sinyal EKG menggunakan JST dengan Algoritma Levenberg–Marquardt. Seminar Nasional Pasca Sarjana V ITS Surabaya, 2005.

[5] Gonzales, R.C., and Woods, R.E, Digital Image Processing Second edition. New Jersey: Prentice Hall. 2002.

[6] Gunawan, T. Fakta dan Konsep Geografi untuk SMA/MA kelas XII, Inter Plus, Jakarta, 2007.

[7] Artikel non-personal, 9 Februari 2013, Buta Warna, Wikipedia Bahasa Indonesia, http://id.wikipedia.org/wiki/Buta_warna, diakses 28 februari 2013.

1

PENDAHULUAN

1.1 Latar Belakang

Riset-riset mengenai Jaringan Syaraf Tiruan telah banyak dimplementasikan dalam segala bidang ilmu, kuhususnya dalam bidang Ilmu Pengetahuan Alam atau Sains. Jaringan Syaraf Tiruan (JST) merupakan mesin yang didesain untuk memodelkan cara yang digunakan otak untuk mengerjakan suatu fungsi tertentu.

Dalam gambar peta dunia terdapat simbol warna untuk kenampakan geografis dan pada setiap warna memiliki makna tertentu. Kenampakan geografis dibagi menjadi beberapa macam yaitu kenampakan hipsografi, kenampakan hidrografi, kenampakan vegetasi, kenampakan hasil budaya dan kenampakan es. Kenampakan hipsografi atau relief muka bumi, untuk pegunungan menggunakan warna dasar coklat muda dan coklat tua. Kenampakan hidrografi atau wilayah perairan, menggunakan warna dasar biru muda dan biru tua. Kenampakan vegetasi atau wilayah hutan dan perkebunan menggunakan warna dasar hijau. Kenampakan hasil budaya manusia, menggunakan warna merah dan hitam, misalnya jalan raya dan kota dengan simbol warna merah, jalan kereta api, batas wilayah dan pemukiman dengan simbol warna hitam. Warna putih pada peta juga digunakan untuk menggambarkan kenampakan es di permukaan bumi, misalnya es di kutub utara dan selatan pada peta dunia [6].

Bagi penderita buta warna yang memiliki keterbatasan untuk membedakan warna, akan kesulitan dalam mengenali objek yang ada pada gambar peta dengan banyak warna. Buta warna merupakan suatu kelainan yang disebabkan ketidakmampuan sel-sel kerucut mata untuk menangkap suatu spektrum warna tertentu yang disebabkan oleh faktor genetis [7]. Secara tidak langsung penderita buta warna memang berbadan sehat dan hidup normal seperti

2

masyarakat pada umumnya, kelainan tersebut akan tampak ketika melihat benda yang berwarna-warni.

Berdasarkan latar belakang yang diuraikan diatas, maka penulis tertarik untuk mengimplementasikan Jaringan Syaraf Tiruan dalam membuat aplikasi pengolahan citra mengenai identifikasi pola warna untuk mengetahui area daratan dan bukan daratan pada peta Gogle Maps. Google Maps merupakan sebuah jasa peta globe virtual gratis dan online yang disediakan oleh Google

yang dapat diakses di http://maps.google.com. Pada dasarnya Jaringan Syaraf Tiruan (JST) mencoba memudahkan para penggunanya sehingga pekerjaan yang dilakukan akan lebih efisien. Jaringan Syaraf Tiruan ini dibangun untuk mengenali pola input yang diberikan oleh pengguna sehingga memudahkan dalam pengolahan data. Untuk itu diperlukan suatu metode Jaringan Syaraf Tiruan yang dapat meminimalisir masalah yang mungkin timbul pada sistem Jaringan Syaraf Tiruan yang dibuat, metoda yang akan digunakan untuk membuat aplikasi ini yaitu Algoritma Levenberg –Marquardt.

Aplikasi Jaringan Syaraf Tiruan yang dibuat menggunakan pemrograman Matlab karena Matlab telah menyediakan tools untuk pembuatan Jaringan Syaraf Tiruan, dalam hal pengolahan citra pemprograman Matlab sangat cocok penggunaannya dan juga sering digunakan oleh kalangan teknik, yang lebih membedakannya dengan pemrograman lain yaitu Matlab sudah menyediakan berbagai macam toolbox dan element pengolahan untuk berbagai bidang sains termasuk untuk pengolahan citra yang memudahkan programmer dalam memprogram aplikasi.

Dalam penggunaannya diharapkan aplikasi yang dibuat dapat memberikan informasi yang sesuai dengan tujuan atau kepentingan pengolahan citra dan dapat membantu penderita buta warna untuk mengenali objek-objek yang ada di permukaan bumi melalui gambar peta.

1.2 Maksud dan Tujuan

Tujuan dari penelitian ini adalah merancang dan membuat aplikasi pengolahan citra untuk pengenalan pola warna citra peta pada Google Maps

dan mencari informasi mengenai objek yang ada pada gambar peta diantaranya dalam pengenalan area daratan dan bukan daratan, aplikasi yang dibuat diharapkan dapat membantu penderita buta warna untuk mencari informasi mengenai objek yang ada di permukaan bumi melalui gambar peta.

Selain itu dalam penelitian ini, pada proses training citra diimplementasi Jaringan Syaraf Tiruan dengan menggunakan algoritma Levenberg – Marquardt, diharapkan dari implementasi Jaringan Syaraf Tiruan tersebut dapat mengindentifikasi pola warna citra dengan baik agar data yang dihasilkan dari proses pengolahan citra sesuai dengan yang diharapkan.

1.3 Batasan Masalah

Berikut beberapa batasan masalah identifikasi pola warna citra Google Maps :

1. Objek citra berasal dari gambar peta satelit pada Google Maps 2012. 2. Ukuran image asli menggunakan 50 x 512 sampai 384 x 512 dengan

format image .jpg.

3. Aplikasi yang dibuat dilakukan secara offline.

4. Citra output dengan format binary image.

5. Menggunakan metode training Levenberg–Marquardt yang merupakan pengembangan algoritma backpropagation standar.

6. Karakteristik citra yang dicari adalah area daratan dan bukan daratan. 7. List program untuk mengolah gambar menggunakan Software Matlab

4

1.4 Metode Penelitian

Dalam perancangan sistem ini ada beberapa tahapan dalam proses perancangannya:

1. Studi pustaka

Mengumpulkan materi pendukung dalam proses perancangan sistem ini. Seperti materi mengenai algoritma Levenberg–Marquardt untuk identifikasi pola warna citra.

2. Observasi

Mengumpulkan bahan-bahan dan komponen yang akan digunakan dalam pembuatan sistem ini.

3. Proses perancangan

Perancangan sistem ini meliputi perancangan Software. 4. Pengujian

Tahap pengujian ini dilakukan agar hasil dari alat yang telah dibuat dapat sesuai dengan apa yang telah direncanakan.

5. Analisis

Menganalisis hasil dari pengujian sistem yang telah dibuat.

1.5 Sistematika Penulisan

Sistematika penulisan laporan tugas akhir ini sebagai berikut: BAB I : PENDAHULUAN

Bab ini berisi tentang latar belakang masalah, maksud dan tujuan, batasan masalah, metodologi penelitian dan sistematika penulisan.

BAB II : LANDASAN TEORI

Bab ini berisi teori-teori yang berhubungan dengan judul tugas akhir yang dikerjakan seperti Algoritma Levenberg – Marquardt dan lain sebagainya.

Bab ini berisi tentang perancangan sistem yang dibuat, meliputi diagram blok sistem, perancangan perangkat lunak dan alur kerja aplikasi.

BAB IV : PENGUJIAN DAN ANALISA SISTEM

Bab ini berisi pengujian yang dilakukan terhadap aplikasi yang sudah dibuat serta berisikan analisis terhadap sistem yang akan dibangun, meliputi spesifikasi sistem aplikasi dan fungsi sistem yang dibuat.

BAB V : SIMPULAN DAN SARAN

Bab ini berisi kesimpulan dari penelitian yang telah dan dalam bab ini juga berisi saran-saran pada penelitian yang dilakukan.

6

BAB II

DASAR TEORI

2.1 Google Maps

Google maps adalah sebuah jasa peta globe virtual gratis dan online disediakan oleh Google yang dapat diakses di http://maps.google.com. Google Maps memberikan informasi mengenai peta dan pemetaan suatu daerah, selain itu

Google Maps juga mampu memberikan informasi mengenai kepadatan lalu lintas suatu wilayah, bahkan memberikan pencitraan melalui darat ataupun udara.

2.2 Citra Digital

Citra adalah gambar pada bidang dua dimensi. Dalam tinjauan matematis, citra merupakan fungsi kontinu dari intensitas cahaya pada bidang dua dimensi. Ketika sumber cahaya menerangi objek, objek memantulkan kembali sebagian cahaya tersebut. Pantulan ini ditangkap oleh alat-alat pengindera optik, misalnya mata manusia, kamera, scanner dan sebagainya. Bayangan objek tersebut akan terekam sesuai intensitas pantulan cahaya. Ketika alat optik yang merekam pantulan cahaya itu merupakan mesin digital, misalnya kamera digital, maka citra yang dihasilkan merupakan citra digital. Pada citra digital, kontinuitas intensitas cahaya dikuantisasi sesuai resolusi alat perekam.

Di dalam komputer, citra digital disimpan sebagai suatu file dengan format tertentu. Format citra tersebut menunjukan cara sebuah citra digital disimpan, misalnya apakah dengan suatu kompresi atau tidak. Contoh format citra digital adalah .bmp, .jpg, .png, .tif dan sebagainya. Ukuran citra digital dinyatakan dalam

pixel (picture element). Umumnya, nilai setiap pixel merupakan kuantisasi harga intensitas cahaya. Dengan demikian, suatu citra digital dapat dipandang sebagai sebuah matriks yang elemen-elemennya menunjukkan intensitas cahaya terkuantisasi. Bedanya terletak pada urutan penyebutan angka ukuran tersebut. Citra digital dengan ukuran 92x112 pixel sebenarnya merupakan sebuah matriks

dengan ukuran 112x92, dimana 112 merupakan banyaknya baris dan 92 merupakan banyaknya kolom.

2.2.1 Citra RGB

Citra RGB adalah citra warna yang setiap pixelnya mewakili warna yang merupakan kombinasi tiga warna dasar, yaitu merah, hijau, dan biru (RGB = Red, Green, Blue). Setiap warna dasar menggunakan penyimpanan 8 bit = 1 byte (nilai maksimum 255 warna).

2.2.2 Citra Grayscale

Dalam komputasi, suatu citra digital grayscale atau greyscale adalah suatu citra dimana nilai dari setiap pixel merupakan sample tunggal. Citra yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu, bervariasi pada warna hitam pada bagian yang intensitas terlemah dan warna putih pada intensitas terkuat. Citra grayscale berbeda dengan citra hitam-putih, dimana pada konteks komputer, citra hitam putih hanya terdiri atas 2 warna saja yaitu hitam dan putih saja.

Pada citra grayscale warna bervariasi antara hitam dan putih, tetapi variasi warna diantaranya sangat banyak. Citra grayscale seringkali merupakan perhitungan dari intensitas cahaya pada setiap pixel pada spektrum elektromagnetik single band.

Citra grayscale disimpan dalam format 8 bit untuk setiap sample pixel, yang memungkinkan sebanyak 256 intensitas. Format ini sangat membantu dalam pemrograman karena manipulasi bit yang tidak terlalu banyak. Pada aplikasi lain seperti pada aplikasi medical imaging dan remote sensing biasa juga digunakan format 10 bit, 12 bit dan 16 bit.

2.2.3 Citra Biner

Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai derajat keabuan yaitu hitam dan putih, 0 dan 1 dimana 0 menyatakan warna latar belakang (background) dengan warna hitam dan 1 menyatakan objek dengan

8

warna putih. Meskipun saat ini citra berwarna lebih disukai karena memberi kesan yang lebih kaya daripada citra biner, walau begitu citra biner masih tetap dibutuhkan. Misalnya pemanfaatan citra biner untuk penderita buta warna total atau Akromatisme dalam mengenali objek pada gambar berwarna, dimana penderita tidak dapat mengenali warna merah, hijau dan biru, penderita buta warna ini hanya dapat mengenali warna hitam dan putih saja.

2.3 Algoritma Levenberg Marquardt

Algoritma Levenberg-marquardt merupakan pengembangan algoritma

backpropagation standar. Pada algoritma backpropagation, proses update bobot dan bias menggunakan Negative Gradient Descent secara langsung sedangkan, algoritma Levenberg-Marquardt menggunakan pendekatan matrik Hesian (H) yang dapat dihitung dengan :

H = ………...(2.1) dimana adalah sebuah tranpose dari matrik jacobian dan J merupakan sebuah matrik jacobian yang berisikan turunan pertama dari error jaringan terhadap bobot dan bias jaringan.

J =

...(2.2)

= turunan pertama error jaringan. = turunanpertama bobot jaringan.

Sedangkan gradient (g) dapat dihitung dengan :

g = ………...(2.3)

dimana e adalah vektor yang menyatakan semua error pada output jaringan. Perubahan pembobot (∆X) dapat dihitung dengan :

∆X = [ + µI ……….(2.4)

sehingga dapat dihitung fungsi bobot-bobot jaringan dan bias (X) untuk perbaikan pembobot dengan :

X = X + ∆X ………...(2.5a)

X = X + [ + µI ……...………..(2.5b)

2.4 Pengolahan Citra

Pengolahan citra merupakan kegiatan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (komputer). Masukannya adalah citra dan keluarannya juga citra tapi dengan kualitas lebih baik daripada citra masukan. Misal citra warnanya kurang tajam, kabur (blurring), mengandung noise

(misal bintik-bintik putih) sehingga perlu ada pemrosesan untuk memperbaiki citra karena citra tersebut menjadi sulit diinterpretasikan karena informasi yang disampaikan menjadi berkurang.

Pengolahan citra merupakan sebuah bentuk pemrosesan sebuah citra atau gambar dengan cara memproses numerik dari gambar tersebut, dalam hal ini yang diproses adalah masing-masing pixel dari gambar tersebut.

Citra menurut kamus Webster adalah suatu representasi, kemiripan dan imitasi dari suatu objek atau benda. Contohnya foto sinar-X thorax mewakili keadaan bagian dalam tubuh seseorang. Citra dari sudut pandang matematis, merupakan fungsi kontinu dari intensitas cahaya pada bidang dua dimensi.

Citra yang terlihat merupakan cahaya yang direfleksikan dari sebuah objek. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut dan pantulan cahaya ditangkap oleh alat-alat optik, misal mata manusia, kamera, scanner, sensor satelit dan sebagainya.

Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat: 1. Optik berupa foto

2. Analog berupa sinyal spektrum seperti gambar pada monitor televisi 3. Digital yang dapat langsung disimpan pada media penyimpanan magnetik

10

Citra juga dapat dikelompokan menjadi dua yaitu citra tampak dan citra tidak tampak.

1. Citra tampak berupa gambar, apa yang tampak di layar monitor atau televisi.

2. Citra tidak tampak berupa data gambar dalam bentuk file, citra yang dipresentasikan dalam fungsi matematis.

Citra atau gambar bisa diibaratkan sebagai matriks dua dimensi. Gambar digital merupakan suatu fungsi dengan nilai yang berupa intensitas cahaya pada tiap titik pada bidang yang telah dikuantisasi. Titik dimana suatu gambar

di-sampling disebut picture element atau disingkat pixel. Nilai intensitas warna pada suatu pixel disebut level grayscale.

Ada beberapa level grayscale berdasarkan banyaknya bit:  Binary-valued image: 1 bit, hanya bernilai 0 atau 1.  Gray level : 8 bit, nilainya antara 0 – 255.

 High color : 16 bit, rentang nilainya 216  True color : 32 bit.

Jika suatu gambar disimpan maka yang disimpan adalah array 2 dimensi, dimana masing-masing merepresentasikan data yang berhubungan dengan pixel

tersebut.

Pengolahan citra sering diidentikkan dengan image filtering. Pengolahan citra sendiri dapat didefinisikan sebagai proses filtering sebuah gambar pixel demi

pixel. Tujuan utama dari pengolahan citra adalah untuk meningkatkan kualitas gambar yang diperoleh. Beberapa contoh filtering yang biasa dilakukan:

1. Grayscale Filter

Grayscale filter mengubah sebuah gambar berwarna menjadi gambar hitam putih dengan cara mengubah efek warna dari masing-masing pixel

Gambar 2. 1 Foto dengan format grayscale.

2. Low pass filter

Low pass filter digunakan untuk menghilangkan ruang derau berfrekuensi tinggi dari sebuah gambar digital. Istilah derau atau noise digunakan sebagai efek samping dari proses konversi pola dan energi cahaya menjadi energi listrik selama proses konversi gambar dari bentuk analog menjadi bentuk digital. Noise merupakan variasi yang tidak diinginkan terjadi dalam sebuah pixel. Hasil dari low pass filter ini membuat gambar menjadi lebih kabur daripada aslinya.

Gambar 2. 2Contoh hasil foto low pass filter

2.5 Segmentasi Citra

Segmentasi merupakan proses partisi gambar digital ke beberapa daerah dengan tujuan untuk menyederhanakan ataupun merubah representasi gambar menjadi sesuatu yang lebih bermakna dan mudah dianalisa. Ada beberapa metoda yang sering digunakan dalam segmentasi citra antara lain: metode thresholding, metode shapebased, metode region growing, dan metode statistik atau juga disebut metode clustering. Masing-masing metoda memiliki kelebihan dan

12

kelemahan tergantung pada karakteristik dari citra yang akan diproses. Berikut beberapa metode yang umum digunakan dalam segmentasi citra.

a. Thresholding

Metode thresholding didasarkan pada pemisahan pixel ke dalam kelas yang berbeda tergantung pada tingkat keabuan masing-masing pixel. Intensitas citra medis seperti tumor dan jaringan pada otak biasanya sangat rumit dan memiliki tingkat keabuan yang sangat dekat sehingga menyebabkan kesulitan penentuan ambang batas (threshold). Metode thresholding tidak bisa diterapkan untuk citra dengan tingkat keabuan yang berdekatan sehingga biasanya dikombinasikan dengan metode lain.

b. Growing Region

Metode growing region seperti menggabungan thresholding dengan kondisi konektivitas atau kriteria daerah homogenitas. Keberhasilan dari metode tersebut bergantung pada kepresisian informasi anatomi untuk meletakkan baik satu mapun beberapa pixel untuk masing-masing daerah homogen. Kelemahan lain dari metode growingregion adalah metode tersebut hanya dapat bekerja dengan baik pada daerah yang homogen dan membutuhkan operator untuk menentukan daerah yang akan disegmentasi.

c. Shapebase

Metode shapebased juga memberikan pendekatan yang cukup sederhana dalam segmentasi citra namun sangat sulit dalam penentuan kontur awal sehingga ketidaktepatan dalam penentuan kontur awal dapat menyebabkan hasil segmentasi yang kurang memuaskan.

2.6 Ekstraksi Ciri Orde Dua

Salah satu teknik untuk memperoleh ciri statistik orde dua adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua pixel pada jarak dan orientasi sudut tertentu. Pendekatan ini bekerja dengan membentuk sebuah matriks kookurensi dari data citra, dilanjutkan dengan menentukan ciri sebagai fungsi dari matriks tersebut.

Kookurensi berarti kejadian bersama, yaitu jumlah kejadian satu level nilai

pixel bertetangga dengan satu level nilai pixel lain dalam jarak (d) dan orientasi sudut (θ) tertentu. Jarak dinyatakan dalam pixel dan orientasi dinyatakan dalam derajat. Orientasi dibentuk dalam empat arah sudut dengan interval sudut 45°, yaitu 0°, 45°, 90°, dan 135°. Sedangkan jarak antar pixel biasanya ditetapkan sebesar 1 pixel.

Matriks kookurensi merupakan matriks bujursangkar dengan jumlah elemen sebanyak kuadrat jumlah level intensitas pixel pada citra. Setiap titik (p,q) pada matriks kookurensi berorientasi θ berisi peluang kejadian pixel bernilai p

bertetangga dengan pixel bernilai q pada jarak d serta orientasi θ dan (180−θ).

Setelah memperoleh matriks kookurensi tersebut, kita dapat menghitung ciri statistik orde dua yang merepresentasikan citra yang diamati. Terdapat enam ciri tekstural yang dapat diekstraksi dari matriks kookurensi yaitu Angular Second Moment, Contrast, Correlation, Variance, Inverse Difference Moment, dan

Entropy.

a. Angular Second Moment (ASM)

Menunjukkan ukuran sifat homogenitas citra.

……….(2.6) dimana p(i,j) menyatakan nilai pada baris i dan kolom j pada matriks kookurensi.

b. Contrast (CON)

Menunjukkan ukuran penyebaran atau momen inersia (k) elemen-elemen matriks citra. Jika letaknya jauh dari diagonal utama, nilai kekontrasan besar. Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra.

14

c. Correlation (COR)

Menunjukkan ukuran ketergantungan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra.

……….(2.8) d. Variance (VAR)

Menunjukkan variasi elemen-elemen matriks kookurensi. Citra dengan transisi derajat keabuan kecil akan memiliki variansi yang kecil pula.

………..……….(2.9) e. Inverse Different Moment (IDM)

Menunjukkan kehomogenan citra yang berderajat keabuan sejenis. Citra homogen akan memiliki harga IDM yang besar.

……….(2.10) f. Entropy (ENT)

Menunjukkan ukuran ketidakteraturan bentuk. Harga ENT besar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur (bervariasi).

……….(2.11) 2.7 Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan adalah suatu teknologi komputasi yang berbasis hanya pada model syaraf biologis dan mencoba mensimulasikan tingkah laku dan kerja model syaraf terhadap berbagai macam masukan. Sebagai suatu teknologi komputasi, Jaringan Syaraf Tiruan merupakan satu teknik pemrosesan informasi yang menggunakan model kuantitatif. Syaraf biologis mengilhami terciptanya

suatu proses komputasi yang identik dengan kerja neuron dalam sistem syaraf manusia. Seperti halnya jaringan syaraf biologis, model matematik Jaringan Syaraf Tiruan menghubungkan sejumlah masukan dan keluaran suatu sistem secara adaptif yang diorganisasikan dalam lapisan elemen pemroses seperti layaknya hubungan antar neuron syaraf biologis.

Jaringan Syaraf Tiruan terdiri atas elemen pemroses bernama neuron, yang dihubungkan dengan elemen pemroses lain oleh suatu aturan dan bobot. Umumnya, Jaringan Syaraf Tiruan merupakan suatu kumpulan pemroses sinyal analog yang dihubungkan melalui link yang disebut interkoneksi sederhana. Secara skematis, Jaringan Syaraf Tiruan digambarkan dalam bentuk grafik yang mempunyai arah menuju suatu simpul dari elemen pemroses. Arah panah menunjukkan arah normal suatu aliran sinyal. Pemrosesan sinyal di dalam jaringan dilakukan melalui proses komputasi. Dengan demikian, Jaringan Syaraf Tiruan merupakan suatu teknik komputasi pada software yang mengemulasikan

neuron biologis dalam melakukan operasi pengambilan informasi.

Teknologi Jaringan Syaraf Tiruan yang berkembang pesat merupakan solusi persoalan komputasi yang tidak dapat diselesaikan oleh komputer konvensional. Kemudian, Jaringan Syaraf Tiruan belajar dari contoh yang disebut set pelatihan. Karena belajar dari contoh, Jaringan Syaraf Tiruan mempunyai potensi membangun sistem komputasi sebagai hasil pemetaan hubungan masukan dan keluaran yang ada dalam sistem. Set pelatihan dikenal sebagai pola pelatihan berupa suatu vektor dan didapatkan dari sumber seperti citra, sinyal suara, data dari sensor, data keuangan, dan informasi.

Secara garis besar, proses belajar Jaringan Syaraf Tiruan dapat dibagi menjadi dua:

1. Jaringan Syaraf Tiruan yang menggunakan paket pelatihan sebagai proses belajar dan dikenal sebagai proses belajar dengan pengawasan.

2. Jaringan Syaraf Tiruan tanpa paket pelatihan pada proses belajar dan umumnya disebut proses belajar tanpa pengawasan.

Kemampuan dan proses komputasi pada Jaringan Syaraf Tiruan memberikan keuntungan sebagai berikut :

16

1. Jaringan Syaraf Tiruan bersifat adaptif terhadap perubahan parameter yang mempengaruhi karakteristik sistem, sehingga pada proses belajar Jaringan Syaraf Tiruan mampu belajar secara adaptif dan melaksanakan tugas berbasis pada data yang diberikan saat pelatihan.

2. Jaringan Syaraf Tiruan memiliki kekebalan atau toleran terhadap kesalahan. Artinya, Jaringan Syaraf Tiruan tetap berfungsi walaupun ada ketidak-lengkapan data yang dimasukkan. Jaringan Syaraf Tiruan mempunyai kemampuan mengisi bagian masukan yang kurang lengkap sedemikian rupa sehingga tetap diperoleh keluaran dibutuhkan.

3. Jaringan Syaraf Tiruan dapat dilatih memberikan keputusan dengan memberikan set pelatihan sebelumnya untuk mencapai target tertentu, sehingga Jaringan Syaraf Tiruan mampu membangun dan memberikan jawaban sesuai dengan informasi yang diterima pada proses pelatihan. 4. Jaringan Syaraf Tiruan mempunyai struktur paralel dan terdistribusi.

Artinya, komputasi dapat dilakukan oleh lebih dari satu elemen pemroses yang bekerja secara simultan.

5. Jaringan Syaraf Tiruan mampu mengklasifikasi pola masukan dan pola keluaran. Melalui proses penyesuaian, pola keluaran dihubungkan dengan masukan yang diberikan oleh Jaringan Syaraf Tiruan.

6. Jaringan Syaraf Tiruan mengurangi derau, sehingga dihasilkan keluaran yang lebih bersih.

7. Jaringan Syaraf Tiruan dapat dimanfaatkan pada proses optimisasi penyelesaian suatu masalah.

8. Jaringan Syaraf Tiruan dapat digunakan pada proses pengendalian sistem agar masukan memperoleh tanggapan yang diinginkan.

2.7.1 Model Neuron

Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan sebagai berikut : menerima sinyal input (X), baik dari data yang dimasukkan atau dari output sel syaraf pada jaringan syaraf. Setiap sinyal input datang melalui suatu koneksi atau hubungan yang mempunyai sebuah bobot (synaptic weight). Setiap sel syaraf mempunyai sebuah nilai ambang. Jumlah

bobot dari input dan dikurangi dengan nilai ambang kemudian akan mendapatkan suatu aktivasi dari sel syaraf (post synaptic potential, PSP, dari sel syaraf). Signal aktivasi kemudian menjadi fungsi aktivasi atau fungsi transfer untuk menghasilkan output dari sel syaraf.

Satu sel syaraf terdiri dari tiga bagian, yaitu: fungsi penjumlah (summing function), fungsi aktivasi (activation function), dan keluaran (output).

Gambar 2. 3 Model Neuron

Jika kita lihat, neoron buatan diatas mirip dengan sel biologis. Informasi (input) akan dikirim ke neuron dengan bobot tertentu. Input ini akan diproses oleh suatu fungsi yang akan menjumlahkan nilai-nilai bobot yang ada. Hasil penjumlahan kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktifasi setiap neuron. Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan, jika tidak, maka neuron tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, maka

neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya.

2.7.2 Bobot

Bobot merupakan suatu nilai yang mendefinisikan tingkat atau kepentingan hubungan antara suatu node dengan node yang lain. Semakin besar bobot suatu hubungan menandakan semakin pentingnya hubungan kedua node tersebut.

Bobot merupakan suatu hubungan berupa bilangan real maupun integer, tergantung dari jenis permasalahan dan model yang digunakan. Bobot-bobot

18

tersebut bisa ditentukan untuk berada didalam interval tertentu. selama proses pelatihan, bobot tersebut dapat menyesuaikan dengan pola-pola input.

Jaringan dengan sendirinya akan memperbaiki diri terus-menerus karena adanya kemampuan untuk belajar. Setiap ada suatu masalah baru, jaringan dapat belajar dari masalah baru tersebut, yaitu dengan mengatur kembali nilai bobot untuk menyesuaikan karakter nilai.

2.7.3 Fungsi Aktivasi

Pada setiap layer pada jaringan syaraf tiruan terdapat fungsi aktivasi. fungsi ini adalah fungsi umum yang akan digunakan untuk membawa input menuju output yang diinginkan. Fungsi aktivasi inilah yang akan menentukan besarnya bobot. Penggunaan fungsi aktivasi tergantung pada kebutuhan dan desired output. Contoh dari fungsi aktivasi ini antara lain:

1. Linier atau Pureline

Fungsi linier akan membawa input ke output yang sebanding. fungsi ini digambarkan sebagai berikut:

Gambar 2.4 Linear Transfer Function

2. Tansig

Tansig adalah fungsi sigmoid tangen yang digunakan sebagai fungsi aktivasi. Fungsi ini akan membawa nilai input pada output dengan menggunakan rumus

hyperbolic tangen sigmoid. Nilai maksimal output dari fungsi ini adalah 1 dan minimal -1.

Gambar 2.5 Tan-Sigmoid Transfer Function

2.7.4 Konsep Dasar Jaringan Syaraf Tiruan

Setiap pola-pola informasi input dan output yang diberikan kedalam Jaringan Syaraf Tiruan diproses dalam neuron. Neuron-neuron tersebut terkumpul di dalam lapisan-lapisan penyusun Jaringan Syaraf Tiruan tersebut dapat dibagi menjadi tiga, yaitu:

1. Lapisan Input

Unit-unit di dalam lapisan input disebut unit-unit input. Unit-unit input tersebut menerima pola inputan data dari luar yang menggambarkan suatu permasalahan. 2. Lapisan Tersembunyi

Unit-unit di dalam lapisan tersembunyi disebut unit-unit tesembunyi. Dimana

outputnya tidak dapat secara langsung diamati. 3. Lapisan output

Unit-unit di dalam lapisan output disebut unit-unit output. Output dari lapisan ini merupakan solusi Jaringan Syaraf Tiruan terhadap suatu permasalahan.

20

2.7.5 Arsitektur Jaringan

Jaringan Syaraf Tiruan memiliki beberapa arsitektur jaringan yang sering digunakan dalam berbagai aplikasi. Arsitektur Jaringan Syaraf Tiruan tersebut, antara lain:

1. Jaringan Layer Tunggal (Single Layer Network)

Jaringan dengan lapisan tunggal terdiri dari 1 layer input dan 1 layer output. Setiap neuron/unit yang terdapat di dalam lapisan/layer input selalu terhubung dengan setiap neuron yang terdapat pada layer output. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output

tanpa harus melalui lapisan tersembunyi. 2. Jaringan Layer Jamak (multi layer network)

Jaringan dengan lapisan jamak memiliki ciri khas tertentu yaitu memiliki tiga jenis layer yakni layer input, layer output dan layer tersembunyi (Hidden layer). Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih kompleks dibandingkan jaringan dengan lapisan tunggal. Namun, proses pelatihan sering mebutuhkan waktu yang cenderung lama.

3. Jaringan Layer Kompetitif

Pada jaringan ini sekumpulan neuron bersaing untuk menjadi aktif. Algoritma yang menggunakan metode ini adalah Learning Vector Quantization (LVQ)

2.8 Perangkat lunak

2.8.1 Software Matlab

Matlab adalah sebuah bahasa (pemrograman) dengan kinerja yang tinggi (high-performance) untuk komputasi teknis, yang mengintegrasikan komputasi, visualisasi dan pemrograman di dalam lingkungan yang mudah penggunaannya dalam memecahkan persoalan dengan solusinya yang dinyataka dengan notasi matematik. Penggunaan matlab, yaitu:

 Matematik dan Komputasi  Pengembangan Algoritma

 Grafik untuk Sains dan Teknik

 Pengembangan aplikasi, termasuk pembuatan antarmuka grafis untuk pengguna (Graphical User Interface).

Matlab adalah sistem interaktif yang menggunakan elemen data dasarnya adalah array yang tidak membutuhkan dimensi. Hal ini mempermudah untuk menyelesaikan masalah komputasi terutama menyangkut matriks dan vector.

Nama Matlab merupakan singkatan dari matrix laboratory. Pada awalnya Matlab dibuat untuk mempermudah pengembangan perangkat lunak berbasis matriks oleh proyek LINPACK dan EISPACK.

Matlab memiliki beberapa keunggulan dan kemudahan dalam desain dan analisis sistem kendali dan sistem linear. Fungsi-fungsi pendukung terangkum dalam Control System Toolbox dan Signal Proccesing Toolbox. Kebanyakan operasi dalam sistem kendali dan sistem linear berhubungan dengan operasi matriks, aritmatika kompleks, menghitung akar, model konversi, dan penggambaran fungsi-fungsi yang kompleks. Seperti telah kita ketahui sebelumnya, Matlab telah didesain untuk memudahkan pengerjaan operasi-operasi tersebut diatas, dan analisa fungsi. Pelatihan ini lebih ditekankan pada pemrograman dan menggunakan fungsi-fungsi dasar dalam bahasa Matlab sehinga teori mengenai ilmu sistem itu sendiri hanya akan disinggung sedikit pada topik-topik yang relevan.

2.8.2 Sistem Matlab

Sebagai sebuah sistem Matlab tersusun dari lima bagian utama, yaitu :

1. Development Environment. Merupakan sekumpulan perangkat dan fasilitas yang membantu anda untuk menggunakan fungsi-fungsi dan file-file Matlab. Beberapa perangkat ini merupakan sebuah Graphical User Interfaces (GUI). Termasuk didalamnya adalah Matlab desktop, Command window, Command history, sebuah editor, debugger, dan browsers untuk melihat help, workspace, files, dan search path.

22

2. Matlab Mathematical Function Library. Merupakan sekumpulan algoritma komputasi mulai dari fungsi-fungsi dasar sepertri: sum, sin, cos, dan

complex arithmetic, sampai dengan fungsi-fungsi yang lebih komplek seperti matrix inverse, matrix eigenvalues, Bessel functions, dan fast Fourier transforms.

3. Matlab Language. Merupakan suatu high level matrix atau array language

dengan control flow statements, functions, data structures, input atau

output, dan fitur-fitur object oriented programming. Ini memungkinkan bagi kita untuk melakukan kedua hal baik pemrograman dalam lingkup sederhana untuk mendapatkan hasil yang cepat dan pemrograman dalam lingkup yang lebih besar untuk memperoleh hasil-hasil dan aplikasi yang komplek.

4. Graphics. Matlab memiliki fasilitas untuk menampilkan vektor dan matriks sebagai suatu grafik. Di dalamnya melibatkan high level functions

(fungsi-fungsi level tinggi) untuk visualisasi data dua dikensi dan data tiga dimensi, image processing, animation, dan presentation graphics. Ini juga melibatkan fungsi level rendah yang memungkinkan bagi anda untuk membiasakan diri untuk memunculkan grafik mulai dari bentuk yang sederhana sampai dengan tingkatan graphical user interfaces pada aplikasi Matlab.

Matlab Application Program Interface (API). Merupakan suatu library yang memungkinkan program yang telah anda tulis dalam bahasa C dan Fortran mampu berinterakasi dengan Matlab. Ini melibatkan fasilitas untuk pemanggilan routines

dari Matlab (dynamic linking), pemanggilan Matlab sebagai sebuah computational engine, dan untuk membaca dan menuliskan Mat-files.

54

BAB V

SIMPULAN DAN SARAN

Pada bab ini, akan diuraikan beberapa hal yang dapat disimpulkan dari bab sebelumnya serta saran yang dapat digunakan sebagai acuan untuk pengembangan selanjutnya.

5.1 Simpulan

Dari perancangan, pengerjaan, dan analisa yang dilakukan selama pembuatan tugas akhir ini, dapat diambil beberapa kesimpulan sebagai berikut:

1. Identifikasi pola warna citra pada peta Google Maps menggunakan Aplikasi Jaringan Syaraf Tiruan Levenberg Marquardt telah berhasil membuat pola citra baru yang diidentifikasikan sebagai daerah daratan dan bukan daratan. 2. Pada proses training diperoleh nilai epoch sebanyak 17 iterations dari batas

maximum 100 epoch., waktu yang digunakan selama proses training

sebanyak 6 detik, nilai performance = 2.06e+07, nilai gradient = 8.49e+05, Mu = 1.00+04 dan validation check =6. (Gambar 4.29)

3. Dalam proses training menggunakan Jaringan Syaraf Tiruan diperoleh nilai regresi (R) mendekati 1 sebesar 0.95889 dan 0.91483. Hal tersebut menunjukan bahwa kinerja Jaringan Syaraf Tiruan yang dibuat telah bekerja secara optimal karena ada kecocokan antara nilai output dari hasil training

dengan target. Proses training harus dilakukan berulang – ulang sampai nilai regresi (R) mendekati 1. (Gambar 4.30)

4. Aplikasi pengolahan citra menghasilkan citra biner dari proses segmentasi pola warna citra peta Google Maps.

5. Ukuran citra dengan pixel tinggi membutuhkan waktu lebih lama untuk diidentifikasi dibandingkan dengan ukuran citra dengan pixel yang rendah. 6. Secara keseluruhan, aplikasi yang dibuat berhasil memenuhi fungsi yang

55

5.2 Saran

1. Pada aplikasi yang sudah dibuat, kedepannya diharapkan ada pengembangan aplikasi ini, misalnya untuk identifikasi daerah laut dangkal dan dalam. 2. Untuk pengembangan aplikasi pengolahan citra banyak metode pengolahan

citra untuk pengenalan pola citra misalnya dengan metode watershed.

3. Aplikasi yang telah dibuat diharapkan dapat digunakan oleh para penderita buta warna.

1

Tulus Bangkit Pratama1, John Adler2

1,2

Jurusan Sistem Komputer Unikom, Bandung

1

bangkitpratama@rocketmail.com, 2johnadler2zz@yahoo.com

ABSTRAK

Riset-riset mengenai Jaringan Syaraf Tiruan telah banyak diimplementasikan dalam segala bidang ilmu, kuhususnya dalam bidang ilmu pengetahuan alam atau Sains. Jaringan Syaraf Tiruan (JST) merupakan mesin yang didesain untuk memodelkan cara yang digunakan otak untuk mengerjakan suatu fungsi tertentu. Melihat perkembangan mengenai Jaringan Syaraf Tiruan muncul ide untuk mengaplikasikan Jaringan Syaraf Tiruan ke dalam bidang ilmu Geografi mengenai identifikasi pola warna citra peta untuk membedakan kenampakan geografis pada peta, pengaplikasiannya diterapkan pada peta Google Maps, sebuah jasa peta globe virtual gratis dan online yang disediakan oleh Google yang dapat diakses di http://maps.google.com.

Dalam identifikasi pola warna citra dilakukan proses pengolahan citra,yaitu kegiatan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (komputer). Teknik pengolahan citra yang digunakan adalah teknik Segmentasi. Metode training yang digunakan pada penelitian ini menggunakan algoritma Levenberg-Marquardt.

Dari hasil penelitian pada proses training diperoleh nilai epoch sebanyak 17 iterations dari batas maximum 100 iterations. Sedangkan waktu yang digunakan selama proses training sebanyak 6 detik, nilai performance = 2,06. , nilai gradient = 8,49. , Mu = 1,00. , validation check = 6 dan nilai regresi (R) untuk proses training sebesar 0.95889 dan nilai regresi (R) dari seluruh proses secara berturut-turut adalah 0.91483, nilai regresi tersebut menunjukan adanya hubungan kelinieran antara output jaringan dengan target. Identifikasi pola warna citra pada peta Google Maps menggunakan aplikasi Jaringan Syaraf Tiruan Levenberg Marqurdt telah berhasil membuat pola citra baru yang diidentifikasikan sebagai daerah daratan dan bukan daratan. Secara keseluruhan, aplikasi yang dibuat berhasil memenuhi fungsi yang diinginkan, yaitu untuk membantu penderita buta warna.

Kata kunci: Jaringan Syaraf Tiruan, Pengolahan Citra, Teknik Segmentasi, Levenberg-Marquardt.

1. PENDAHULUAN

Pada peta dunia terdapat simbol warna untuk kenampakan geografis dan pada setiap warna memiliki makna tertentu. Misalnya kenampakan hipsografi atau relief muka bumi, menggunakan warna dasar coklat, dari coklat muda sampai coklat tua, kenampakan hidrografi atau wilayah perairan (sungai, danau, laut), menggunakan warna dasar biru, dari biru muda (hampir putih) sampai biru tua (kehitaman) dan Kenampakan vegetasi (hutan, perkebunan), menggunakan warna dasar hijau. Warna hijau juga digunakan untuk menggambarkan wilayah dataran rendah.Berdasarkan permasalahan yang diuraikan di atas, maka penulis tertarik untuk mengimplementasikan Jaringan Syaraf Tiruan dengan metode training

Lavenberg-Marquardt dalam mengidentifikasi pola

warna citra Google Maps dan membuat aplikasi pengolahan citra untuk mengetahui

area daratan dan bukan daratan pada peta

Google Maps. Dalam penggunaannya

diharapkan aplikasi yang dibuat dapat memberikan informasi yang sesuai dengan tujuan atau kepentingan pengolahan citra dan dapat membantu penderita buta warna untuk mengenali objek-objek yang ada di permukaan bumi melalui gambar peta.

2. TEORI PENUNJANG

Google Maps

Google maps adalah sebuah jasa peta globe virtual gratis dan online disediakan oleh Google yang dapat diakses di http://maps.google.com. Google Maps memberikan informasi mengenai peta dan pemetaan suatu daerah, selain itu

Google Maps juga mampu memberikan

informasi mengenai kepadatan lalu lintas suatu wilayah, bahkan memberikan pencitraan melalui darat ataupun udara.

Tulus Bangkit Pratama dan John Adler

2

Algoritma Levenberg Marquardt

Algoritma Levenberg-marquardt merupakan pengembangan algoritma backpropagation standar. Pada algoritma backpropagation, proses update bobot dan bias menggunakan Negative Gradient Descent

secara langsung sedangkan, algoritma Levenberg-Marquardt menggunakan pendekatan matrik Hesian

(H) yang dapat dihitung dengan :

H = ………...(1) dimana adalah sebuah tranpose dari matrik

jacobian dan J merupakan sebuah matrik jacobian

yang berisikan turunan pertama dari error jaringan terhadap bobot dan bias jaringan.

J =

... (2)

= turunan pertama error jaringan.

= turunanpertama bobot jaringan.

Sedangkan gradient (g) dapat dihitung dengan : g = ……….………...(3) dimana e adalah vektor yang menyatakan semua

error pada output jaringan.

Perubahan pembobot (∆X) dapat dihitung dengan : ∆X = [ + µI ……...(4)

dimana μ adalah konstanta learning dan I adalah sebuah matrik identitas.

sehingga dapat dihitung fungsi bobot-bobot jaringan dan bias (X) untuk perbaikan pembobot dengan :

X = X + ∆X ………...(5a)

X = X + [ + µI ………...(5b) Pengolahan Citra

Pengolahan citra merupakan kegiatan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (komputer). Masukannya adalah citra dan keluarannya juga citra tapi dengan kualitas lebih baik daripada citra masukan. Misal citra warnanya kurang tajam, kabur (blurring), mengandung noise (misal bintik-bintik putih) sehingga perlu ada pemrosesan untuk memperbaiki citra karena citra tersebut menjadi sulit diinterpretasikan karena informasi yang disampaikan menjadi berkurang.

Segmentasi

Segmentasi merupakan proses partisi gambar digital ke beberapa daerah dengan tujuan untuk menyederhanakan ataupun merubah representasi

gambar menjadi sesuatu yang lebih bermakna dan mudah dianalisa. Ada beberapa metoda yang sering digunakan dalam segmentasi citra antara lain : metode thresholding, metode shapebased, metode region growing, dan metode statistik atau juga disebut metode clustering.

Citra Biner

Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai derajat keabuan yaitu hitam dan putih, 0 dan 1 dimana 0 menyatakan warna latar belakang (background) dan 1 menyatakan warna tinta atau objek atau dalam bentuk angka 0 untuk hitam dan angka 1 untuk warna putih. Meskipun saat ini citra berwarna lebih disukai karena memberi kesan yang lebih kaya daripada citra biner, namun pada beberapa aplikasi citra biner masih tetap dibutuhkan, misalnya pada proses analisis citra medis yang menggunakan gambar sinar-x.

Ekstraksi Ciri Orde Dua

Salah satu teknik untuk memperoleh ciri statistik orde dua adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu. Pendekatan ini bekerja dengan membentuk sebuah matriks kookurensi dari data citra, Terdapat berbagai jenis 6 ciri tekstural yang dapat diekstraksi dari matriks kookurensi yaitu Angular Second

Moment, Contrast, Correlation, Variance,

Inverse Difference Moment, dan Entropy.

Jaringan Syaraf Tiruan (JST)

JST adalah suatu teknologi komputasi yang berbasis hanya pada model syaraf biologis dan mencoba mensimulasikan tingkah laku dan kerja model syaraf terhadap berbagai macam masukan. Sebagai suatu teknologi komputasi, JST merupakan satu teknik pemrosesan informasi yang menggunakan model kuantitatif. Syaraf biologis mengilhami terciptanya suatu proses komputasi yang identik dengan kerja neuron dalam sistem syaraf manusia. Seperti halnya jaringan syaraf biologis, model matematik JST menghubungkan sejumlah masukan dan keluaran suatu sistem secara adaptif yang diorganisasikan dalam lapisan elemen pemroses seperti layaknya hubungan antar neuron syaraf biologis.

3

Secara garis besar, proses belajar JST dapat dibagi menjadi 2:

1. JST yang menggunakan paket pelatihan sebagai proses belajar dan dikenal sebagai proses belajar dengan pengawasan.

2. JST tanpa paket pelatihan pada proses belajar dan umumnya disebut proses belajar tanpa pengawasan.

3. PERANCANGAN SISTEM Diagram Blok Sistem

Berikut merupakan gambar diagram blok sistem yang dibuat (Gambar.1):

Gambar.1 Diagram Blok Sistem

Proses pengambilan citra

Pengambilan image input dilakukan dengan cara

cropping langsung pada Google Maps yang

dapat diakses melalui situs

https://maps.google.co.id. Berikut adalah citra asli dari hasil cropping pada Google maps :

Gambar.2 Citra Asli Google Maps

Pada (Gambar.2)Ukuran image input yang akan diolah yaitu image yang berukuran 50x512 sampai 384x512 dengan format image .jpg.

Sistem Pengolahan Citra

a. Konversi Citra Grayscale

Pada perancangan sistem pengolahan citra dibutuhkan citra grayscale, karena citra warna asal merupakan citra RGB sehingga

dibutuhkan teknik filter untuk mengubah nilai masing-masing pixel menjadi derajat keabuan dengan teknik Grayscale filter yaitu mengubah sebuah gambar berwarna menjadi gambar hitam putih dengan cara mengubah efek warna dari masing-masing pixel menjadi derajat keabuan.

b. Segmentasi Citra

Beberapa teknik dan fungsi segmentasi citra yang digunakan pada aplikasi matlab adalah teknik thresholding, fungsi entropy dan fungsi strel. Fungsi entropy adalah nilai statistik yang dapat digunakan untuk mengkarakterisasi tekstur citra input, karena sifatnya yang diskrit (nilai piksel tidak dalam bentuk pecahan) fungsi ini sesuai untuk

mencari citra biner yang memiliki nilai „0‟ dan „1‟. Selanjutnya teknik thresholding,

thresholding merupakan proses pemisahan

piksel-piksel berdasarkan derajat keabuan yang dimilikinya. Piksel yang memiliki derajat keabuan lebih kecil dari nilai batas yang ditentukan akan diberikan nilai 0, sementara piksel yang memiliki derajat keabuan yang lebih besar dari batas akan diubah menjadi bernilai 1. Setelah teknik

thresholding selanjutnya menjalankan fungsi

strel, proses ini biasanya digunakan untuk kehalusan, pengisian atau menghapus objek dalam suatu citra grayscale atau biner.

c. Ekstraksi Ciri Orde Dua

Salah satu teknik untuk memperoleh ciri statistik orde dua adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu. Pendekatan ini bekerja dengan membentuk sebuah matriks kookurensi dari data citra, dilanjutkan dengan menentukan ciri sebagai fungsi dari matriks tersebut. d. Arsitektur Jaringan Syaraf Tiruan

Secara garis besar jalannya proses pembuatan arsitektur Jaringan Syaraf Tiruan dari sistem. Arsitektur jaringan syaraf tiruan dari sistem menggunakan arsitektur multilayer network atau jaringan multilapis. Terdapat 3 lapis layer , yaitu :

Tulus Bangkit Pratama dan John Adler

4  Input layer sebanyak 1 neuron

 Hidden layer sebanyak 20 neuron

 Output layer sebanyak 6 neuron

Metode training yang digunakan sistem adalah Levenberg Marquardt learning. Sistem melakukan pembelajaran terhadap input dengan target yang sudah ditentukan untuk memperoleh nilai-nilai bobot dan bias yang optimum pada tiap unit neuron hidden layer dan outputlayer.

Proses Training Levenberg-Marquardt

Dalam rangka mengimplementasikan algoritma

Levenberg-Marquardt untuk pelatihan jaringan syaraf tiruan, ada satu masalah harus dipecahkan yaitu bagaimana seseorang mengatur pelatihan proses iteratif untuk memperbarui bobot. Pada bagian ini, pelaksanaan proses training dengan algoritma Levenberg-Marquardt akan disusun sebagai berikut :

a. Menentukan input dan target training.

Nilai input diperoleh dari proses sebelumnya yaitu nilai dari enam ciri statistik orde dua diantaranya Angular Second Moment (CiriASM), Contrast (CiriCON), Correlation (CiriCOR), Variance (CiriVAR), Inverse Difference Moment (CiriIDM), dan Entropy (CiriENT).

b. Pengambilan sampel sebanyak enam kali. Dilakukan dengan cara cropping dari image

hasil pengolahan citra. Kriteria sampel yang diambil adalah dua kali cropping daerah yang bernilai „0‟(warna hitam), dua kali

cropping daerah yang bernilai „1‟ (warna putih) dan dua kali cropping daerah yang

bernilai „0‟ dan „1‟ (warna hitam dan putih).

Proses ini bertujuan untuk menentukan enam nilai ciri statistik orde dua dari citra yang akan di training melalui perhitungan ciri orde dua.

c. Training citra.

Dengan menggunakan jaringan syaraf tiruan yang telah dibuat, sampel di training

menggunakan jaringan syaraf tiruan

Levenberg-Marquardt (trainlm). d. Klasifikasi pola warna citra.

Deteksi tekstur pada citra dengan cara mensortir keseluruh bagian pixel citra.

Flowchart Perancanngan Aplikasi

Dengan flow chart, proses dari alur program yang dibuat digambarkan dengan sederhana menggunakan simbol yang mudah untuk dimengerti, berikut flowchart dari perancangan aplikasi :

Gambar.3 Flowchart Perancangan Aplikasi

Software Antarmuka Sistem

Berikut merupakan tampilan dari Software

antarmuka sistem Identifikasi Pola Warna Citra Google Maps Menggunakan Jaringan Syaraf Tiruan Levenberg-Marquadt Dengan Matlab Versi 7.8.

Gambar.4 Antarmuka Sistem

Berikut penjelasan dari tiap komponen pada sistem yang dibuat : (Gambar.4)

5

1. Picture Box, untuk menampilkan image.

2. Pushbutton Browse Image, untuk

mengambil File image yang sudah disimpan.

3. Pushbutton Cropping, untuk cropping

image.

4. Panel Identifikasi, didalamnya terdapat menu-menu proses pengoahan citra diantaranya :

a. Pushbutton Convert to Grayscale

b. Pushbutton Entropy BW1

c. Pushbutton BW2

d. Pushbutton Segmentation

e. Pushbutton Fitur

f. Pushbutton Atur Contrast

g. Pushbutton Reset

5. Panel Fitur, menampilkan nilai ciri orde dua yang merupakan output dari

pushbutton Fitur.

6. Tombol Histogram, untuk menampilkan histogram dari image yang diolah.

a. Pushbutton Histogram1: Histogram

dari citra hasil cropping.

b. Pushbutton Histogram2: Histogram

dari citra grayscale.

c. Pushbutton Histogram3: Histogram

dari citra entropy.

d. Pushbutton Histogram4: Histogram

dari citra BW1.

e. Pushbutton Histogram5: Histogram

dari citra BW2.

f. Pushbutton Histogram6: Histogram

dari citrahasil segmentasi.

4. Hasil Pengujian

Langkah-langkah pengujian yang dilakukan yaitu setelah program Matlab dijalankan,

Pengujian Program Aplikasi Pengolahan Citra

Berikut adalah langkah-langkah pengujian program aplikasi pengolahan citra yang telah dibuat, yaitu :

1. Open File, tekan pushbotton Browse Image

untuk menampilkan citra asli. Citra asli adalah citra yang sebelumnya sudah di capture dari Google Maps dan dsimpan ke dalam folder file.

2. Lakukan Cropping pada citra asli pilihlah daerah mana yang akan dicari karakteristiknya sebagai sampel citra yang akan diolah,lakukan dengan menekan

pushbutton Cropping. Tekan pushbutton Histogram1 jika ingin melihat histogram dari hasil cropping.

Gambar 5. Cropping citra

3. Tekan pushbutton Convert to Grayscale

untuk konversi citra RGB menjadi citra

Grayscale. Tekan pushbutton Histogram2 jika ingin melihat histogram dari citra grayscale.

4. Tekan pushbutton Entropy untuk mengkarakterisasi tekstur citra grayscale. Tekan pushbutton Histogram3 jika ingin melihat histogram dari citra hasil entropy.. 5. Tekan pushbutton BW1, pada proses ini

digunakan teknik thresholding untuk mendapatkan citra biner. Tekan pushbutton Histogram4 jika ingin melihat histogram dari citra BW1.

6. Selanjutnya, tekan pushbutton BW2 untuk menentukan mana daerah daratan dinyatakan

oleh nilai „0‟ dan mana daerah bukan daratan dinyatakan dengan nilai „1‟. 2 merupakan nega i dari 1 ( 1). ekan pushbutton Histogram5 jika ingin melihat histogram dari citra BW2.

7. Tekan pushbutton Segmentation untuk penghalusan citra biner. Tekan pushbutton Histogram6 jika ingin melihat histogram dari citra hasil segmentasi.

8. Tekan pushbutton Fitur untuk menampilkan nilai ciri orde dua.

Dari langkah-langkah pengujian diperoleh keluaran, diperlihatkan pada Gambar.6. , semua

pushbutton telah berfungsi dengan baik.

Pengujian dilakukan dengan mengambil sampel citra dari salah satu bagian citra asli yang dilakukan melalui proses cropping kemudian sampel citra di olah melalui proses pengolahan citra sehingga didapatkan citra biner sebagai

Tulus Bangkit Pratama dan John Adler

6

output dari proses pengolahan citra tersebut. Dari citra output yang didapat. Langkah selanjutnya adalah proses training citra output hasil dari pengolahan citra.

Gambar 6. Antarmuka Hasil running Aplikasi Pengolahan Citra

Training citra biner menggunakan jaringan syaraf tiruan levenberg-marquardt

Caranya running list program trainLM.m

pada menu editor matlab. List program

trainLM.m _{sebelumnya sudah dibuat dan di}

simpan pada file folder. Lalu ambilah sampel sebanyak enam kali dengan ketentuan kriteria sampel yang diambil adalah dua kali cropping daerah yang bernilai „0‟(warna hitam), dua kali

cropping daerah yang bernilai „1‟ (warna putih) dan dua kali cropping daerah yang bernilai „0‟

dan „1‟ (warna hitam dan putih). Setelah itu muncul window nntraintool.

Gambar 7. Window nntraintool

Pada gambar 7. terlihat pada panel progress hasil dari training citra diatas, diperoleh nilai epoch

sebanyak 17 iterations dari batas maximum 100

iterations., waktu yang digunakan selama proses

training sebanyak 6 detik, nilai performance = 2,06. , nilai gradient = 8,49. , Mu = 1,00. dan validation check =6. Langkah pengujian selanjutnya mengklasifikasi pola warna citra, dilakukan untuk mengidentifikasi karakteristik pola warna citra dengan cara mensortir keseluruh bagian pixel citra untuk mendeteksi adanya tekstur pada citra.

Gambar 8 Citra hasil training (a). Sebelum dinormalisasi (b). Sudah dinormalisasi

Pada gambar diatas, proses identifikasi membutuhkan waktu 3 menit 10 detik untuk menyapu ke semua daerah citra dengan ukuran citra 92 x 102 pixel. Dengan demikian bentuk pola yang diperoleh dapat diklasifikasikan dimana daerah daratan berada di dalam garis dan yang berada diluar garis bukan daerah daratan.

Analisa

Secara desain dan hasil, jaringan syaraf tiruan yang dirancang memang belum mencapai hasil yang terbaik. Pada Gambar.7 terlihat pada panel

progress hasil dari training citra diperoleh nilai

epoch sebanyak 17 iterations dari batas maximum 100

iterations., waktu yang digunakan selama proses

training sebanyak 6 detik, nilai performance = 2,06. , nilai gradient = 8,49. , Mu = 1,00. dan validation check =6.

Dari batas maximum 100 epoch didapat 17 kali iterasi maksudnya pada proses training terjadi 17 siklus yang melibatkan seluruh pola data

training, sebenarnya dalam proses training

memerlukan banyak iterasi sampai mencapai batas maximum epoch. sehingga jumlah epoch yang telah ditentukan belum cukup mendapat hasil performance jaringan syaraf tiruan yang optimal.

Selanjutnya dalam hasil training Jaringan Syaraf Tiruan diperoleh plot regresi, yang menunjukkan hubungan antara output jaringan

Secara garis besar, proses belajar JST dapat dibagi menjadi 2:

1. JST yang menggunakan paket pelatihan sebagai proses belajar dan dikenal sebagai proses belajar dengan pengawasan.

2. JST tanpa paket pelatihan pada proses belajar dan umumnya disebut proses belajar tanpa pengawasan.

3. PERANCANGAN SISTEM

Diagram Blok Sistem

Berikut merupakan gambar diagram blok sistem yang dibuat (Gambar.1):

Gambar.1 Diagram Blok Sistem Proses pengambilan citra

Pengambilan image input dilakukan dengan cara cropping langsung pada Google Maps yang

dapat diakses melalui situs

https://maps.google.co.id. Berikut adalah citra asli dari hasil cropping pada Google maps :

Gambar.2 Citra Asli Google Maps Pada (Gambar.2)Ukuran image input yang akan diolah yaitu image yang berukuran 50x512 sampai 384x512 dengan format image .jpg. Sistem Pengolahan Citra

a. Konversi Citra Grayscale

Pada perancangan sistem pengolahan citra dibutuhkan citra grayscale, karena citra warna asal merupakan citra RGB sehingga

dibutuhkan teknik filter untuk mengubah nilai masing-masing pixel menjadi derajat keabuan dengan teknik Grayscale filter yaitu mengubah sebuah gambar berwarna menjadi gambar hitam putih dengan cara mengubah efek warna dari masing-masing pixel menjadi derajat keabuan.

b. Segmentasi Citra

Beberapa teknik dan fungsi segmentasi citra yang digunakan pada aplikasi matlab adalah teknik thresholding, fungsi entropy dan fungsi strel. Fungsi entropy adalah nilai statistik yang dapat digunakan untuk mengkarakterisasi tekstur citra input, karena sifatnya yang diskrit (nilai piksel tidak dalam bentuk pecahan) fungsi ini sesuai untuk mencari citra biner yang memiliki nilai „0‟ dan „1‟. Selanjutnya teknik thresholding, thresholding merupakan proses pemisahan piksel-piksel berdasarkan derajat keabuan yang dimilikinya. Piksel yang memiliki derajat keabuan lebih kecil dari nilai batas yang ditentukan akan diberikan nilai 0, sementara piksel yang memiliki derajat keabuan yang lebih besar dari batas akan diubah menjadi bernilai 1. Setelah teknik thresholding selanjutnya menjalankan fungsi strel, proses ini biasanya digunakan untuk kehalusan, pengisian atau menghapus objek dalam suatu citra grayscale atau biner. c. Ekstraksi Ciri Orde Dua

Salah satu teknik untuk memperoleh ciri statistik orde dua adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu. Pendekatan ini bekerja dengan membentuk sebuah matriks kookurensi dari data citra, dilanjutkan dengan menentukan ciri sebagai fungsi dari matriks tersebut. d. Arsitektur Jaringan Syaraf Tiruan

Secara garis besar jalannya proses pembuatan arsitektur Jaringan Syaraf Tiruan dari sistem. Arsitektur jaringan syaraf tiruan dari sistem menggunakan arsitektur multilayer network atau jaringan multilapis. Terdapat 3 lapis layer , yaitu :

4

 Input layer sebanyak 1 neuron

 Hidden layer sebanyak 20 neuron

 Output layer sebanyak 6 neuron

Metode training yang digunakan sistem adalah Levenberg Marquardt learning. Sistem melakukan pembelajaran terhadap input dengan target yang sudah ditentukan untuk memperoleh nilai-nilai bobot dan bias yang optimum pada tiap unit neuron hidden layer dan outputlayer.

Proses Training Levenberg-Marquardt

Dalam rangka mengimplementasikan algoritma Levenberg-Marquardt untuk pelatihan jaringan syaraf tiruan, ada satu masalah harus dipecahkan yaitu bagaimana seseorang mengatur pelatihan proses iteratif untuk memperbarui bobot. Pada bagian ini, pelaksanaan proses training dengan algoritma Levenberg-Marquardt akan disusun sebagai berikut :

a. Menentukan input dan target training.

Nilai input diperoleh dari proses sebelumnya yaitu nilai dari enam ciri statistik orde dua diantaranya Angular Second Moment (CiriASM), Contrast (CiriCON), Correlation (CiriCOR), Variance (CiriVAR), Inverse Difference Moment (CiriIDM), dan Entropy (CiriENT).

b. Pengambilan sampel sebanyak enam kali. Dilakukan dengan cara cropping dari image hasil pengolahan citra. Kriteria sampel yang diambil adalah dua kali cropping daerah yang bernilai „0‟(warna hitam), dua kali cropping daerah yang bernilai „1‟ (warna putih) dan dua kali cropping daerah yang bernilai „0‟ dan „1‟ (warna hitam dan putih). Proses ini bertujuan untuk menentukan enam nilai ciri statistik orde dua dari citra yang akan di training melalui perhitungan ciri orde dua.

c. Training citra.

Dengan menggunakan jaringan syaraf tiruan yang telah dibuat, sampel di training menggunakan jaringan syaraf tiruan Levenberg-Marquardt (trainlm).

d. Klasifikasi pola warna citra.

Deteksi tekstur pada citra dengan cara mensortir keseluruh bagian pixel citra.

Flowchart Perancanngan Aplikasi

Dengan flow chart, proses dari alur program yang dibuat digambarkan dengan sederhana menggunakan simbol yang mudah untuk dimengerti, berikut flowchart dari perancangan aplikasi :

Gambar.3 Flowchart Perancangan Aplikasi Software Antarmuka Sistem

Berikut merupakan tampilan dari Software antarmuka sistem Identifikasi Pola Warna Citra Google Maps Menggunakan Jaringan Syaraf Tiruan Levenberg-Marquadt Dengan Matlab Versi 7.8.

Gambar.4 Antarmuka Sistem

Berikut penjelasan dari tiap komponen pada sistem yang dibuat : (Gambar.4)

1. Picture Box, untuk menampilkan image. 2. Pushbutton Browse Image, untuk mengambil File image yang sudah disimpan.

3. Pushbutton Cropping, untuk cropping image.

4. Panel Identifikasi, didalamnya terdapat menu-menu proses pengoahan citra diantaranya :

a. Pushbutton Convert to Grayscale b. Pushbutton Entropy BW1 c. Pushbutton BW2

d. Pushbutton Segmentation e. Pushbutton Fitur

f. Pushbutton Atur Contrast g. Pushbutton Reset

5. Panel Fitur, menampilkan nilai ciri orde dua yang merupakan output dari pushbutton Fitur.

6. Tombol Histogram, untuk menampilkan histogram dari image yang diolah. a. Pushbutton Histogram1: Histogram

dari citra hasil cropping.

b. Pushbutton Histogram2: Histogram dari citra grayscale.

c. Pushbutton Histogram3: Histogram dari citra entropy.

d. Pushbutton Histogram4: Histogram dari citra BW1.

e. Pushbutton Histogram5: Histogram dari citra BW2.

f. Pushbutton Histogram6: Histogram dari citrahasil segmentasi.

4. Hasil Pengujian

Langkah-langkah pengujian yang dilakukan yaitu setelah program Matlab dijalankan,

Pengujian Program Aplikasi Pengolahan Citra

Berikut adalah langkah-langkah pengujian program aplikasi pengolahan citra yang telah dibuat, yaitu :

1. Open File, tekan pushbotton Browse Image untuk menampilkan citra asli. Citra asli adalah citra yang sebelumnya sudah di capture dari Google Maps dan dsimpan ke dalam folder file.

2. Lakukan Cropping pada citra asli pilihlah

daerah mana yang akan dicari

karakteristiknya sebagai sampel citra yang akan diolah,lakukan dengan menekan

pushbutton Cropping. Tekan pushbutton Histogram1 jika ingin melihat histogram dari hasil cropping.

Gambar 5. Cropping citra

3. Tekan pushbutton Convert to Grayscale untuk konversi citra RGB menjadi citra Grayscale. Tekan pushbutton Histogram2 jika ingin melihat histogram dari citra grayscale.

4. Tekan pushbutton Entropy untuk

mengkarakterisasi tekstur citra grayscale. Tekan pushbutton Histogram3 jika ingin melihat histogram dari citra hasil entropy.. 5. Tekan pushbutton BW1, pada proses ini

digunakan teknik thresholding untuk mendapatkan citra biner. Tekan pushbutton Histogram4 jika ingin melihat histogram dari citra BW1.

6. Selanjutnya, tekan pushbutton BW2 untuk menentukan mana daerah daratan dinyatakan oleh nilai „0‟ dan mana daerah bukan daratan dinyatakan dengan nilai „1‟. 2 merupakan nega i dari 1 ( 1). ekan pushbutton Histogram5 jika ingin melihat histogram dari citra BW2.

7. Tekan pushbutton Segmentation untuk penghalusan citra biner. Tekan pushbutton Histogram6 jika ingin melihat histogram dari citra hasil segmentasi.

8. Tekan pushbutton Fitur untuk menampilkan nilai ciri orde dua.

Dari langkah-langkah pengujian diperoleh keluaran, diperlihatkan pada Gambar.6. , semua pushbutton telah berfungsi dengan baik. Pengujian dilakukan dengan mengambil sampel citra dari salah satu bagian citra asli yang dilakukan melalui proses cropping kemudian sampel citra di olah melalui proses pengolahan citra sehingga didapatkan citra biner sebagai

6

output dari proses pengolahan citra tersebut. Dari citra output yang didapat. Langkah selanjutnya adalah proses training citra output hasil dari pengolahan citra.

Gambar 6. Antarmuka Hasil running Aplikasi Pengolahan Citra

Training citra biner menggunakan jaringan syaraf tiruan levenberg-marquardt

Caranya running list program trainLM.m pada menu editor matlab. List program trainLM.m _{sebelumnya sudah dibuat dan di} simpan pada file folder. Lalu ambilah sampel sebanyak enam kali dengan ketentuan kriteria sampel yang diambil adalah dua kali cropping daerah yang bernilai „0‟(warna hitam), dua kali cropping daerah yang bernilai „1‟ (warna putih) dan dua kali cropping daerah yang bernilai „0‟ dan „1‟ (warna hitam dan putih). Setelah itu muncul window nntraintool.

Gambar 7. Window nntraintool

Pada gambar 7. terlihat pada panel progress hasil dari training citra diatas, diperoleh nilai epoch

sebanyak 17 iterations dari batas maximum 100 iterations., waktu yang digunakan selama proses training sebanyak 6 detik, nilai performance = 2,06. , nilai gradient = 8,49. , Mu = 1,00. dan validation check =6. Langkah pengujian selanjutnya mengklasifikasi pola warna citra, dilakukan untuk mengidentifikasi karakteristik pola warna citra dengan cara mensortir keseluruh bagian pixel citra untuk mendeteksi adanya tekstur pada citra.

Gambar 8 Citra hasil training (a). Sebelum dinormalisasi (b). Sudah dinormalisasi Pada gambar diatas, proses identifikasi membutuhkan waktu 3 menit 10 detik untuk menyapu ke semua daerah citra dengan ukuran citra 92 x 102 pixel. Dengan demikian bentuk pola yang diperoleh dapat diklasifikasikan dimana daerah daratan berada di dalam garis dan yang berada diluar garis bukan daerah daratan. Analisa

Secara desain dan hasil, jaringan syaraf tiruan yang dirancang memang belum mencapai hasil yang terbaik. Pada Gambar.7 terlihat pada panel progress hasil dari training citra diperoleh nilai epoch sebanyak 17 iterations dari batas maximum 100 iterations., waktu yang digunakan selama proses training sebanyak 6 detik, nilai performance = 2,06. , nilai gradient = 8,49. , Mu = 1,00. dan validation check =6.

Dari batas maximum 100 epoch didapat 17 kali iterasi maksudnya pada proses training terjadi 17 siklus yang melibatkan seluruh pola data training, sebenarnya dalam proses training memerlukan banyak iterasi sampai mencapai batas maximum epoch. sehingga jumlah epoch yang telah ditentukan belum cukup mendapat hasil performance jaringan syaraf tiruan yang optimal.

Selanjutnya dalam hasil training Jaringan Syaraf Tiruan diperoleh plot regresi, yang menunjukkan hubungan antara output jaringan

dan target. Jika pelatihan yang sempurna, output jaringan dan target akan persis sama, tetapi hubungan tersebut sangat sulit untuk disesuaikan dan harus berulang – ulang dalam proses training sampai nilai output mendekati nilai target.

Hasilnya ditunjukkan pada Gambar 9. Nilai R merupakan indikasi hubungan antara output dan target. Jika R = 1, menunjukkan bahwa adanya hubungan linear yang tepat antara output dan target. Jika R mendekati nol, maka tidak ada hubungan linear antara output dan target. Dalam pengujian kali ini, data pelatihan menunjukkan kecocokan. Dalam pengujian kali ini, data pelatihan menunjukkan kecocokan, karena nilai R pada proses training mendekati “1” terlihat pada (Gambar. 9) Nilai R training = 0.95889 dan nilai R dari seluruh proses berturut-turut = 0.91483.

Gambar 9. Plot Regression

Proses selanjutnya adalah proses mengklasifikasi pola citra dengan cara mensortir keseluruh bagian pixel citra untuk mendeteksi adanya tekstur pada citra, di dapatkan pola citra seperti pada (Gambar.8).

Terlihat pada (Gambar.8), citra hasil training membentuk pola yang dapat diklasifikasikan dimana daerah yang berada didalam garis merupakan daerah daratan dan yang berada diluar garis merupakan daerah yang bukan daratan. Berdasarkan pengujian hasil ini belum cukup maksimal karena hanya garis tepi saja yang terdeteksi.

Selain itu dalam pengujian proses menyapu ke semua daerah citra dibutuhkan waktu 3 menit 15 detik dengan ukuran citra 92 x 102. Hal tersebut menjadi pertimbangan akan kinerja dari sistem program yang telah dibuat, karena prosesnya masih memakan waktu yang cukup lama, telah dilakukan pengujian sebanyak 5 kali untuk mengetahui pengaruh apa saja yang menyebabkan membutuhkan waktu yang cukup lama . Berikut data hasil percobaan.

Tabel 1. Data Klasifikasi Citra Percobaan

ke-

Ukuran Citra

(pixel) Waktu yang _dibutuhkan

1 92 x 102 3 min 15 sec

2 77 x 93 2 min 45 sec

3 58 x 67 1 min 20sec

4 89 x 98 3 min 35 sec

5 126 x 145 11 min 56 sec

Pada tabel 1 hasil percobaan yang telah dilakukan memperlihatkan bahwa ukuran citra input mempengaruhi lamanya waktu proses klasifikasi, semakin kecil ukuran citra input maka semakin sedikit waktu yang dibutuhkan, sebaliknya jika ukuran citra input semakin besar maka semakin banyak waktu yang dibutuhkan.

8

5. SIMPULAN DAN SARAN

Kesimpulan

Dari perancangan, pengerjaan, dan analisa yang dilakukan selama pembuatan tugas akhir ini, dapat diambil beberapa kesimpulan sebagai berikut:

1. Identifikasi pola warna citra pada peta Google Maps menggunakan Aplikasi Jaringan Syaraf Tiruan levenberg Marqurdt telah berhasil membuat pola citra baru yang diidentifikasikan sebagai area daratan dan bukan daratan.

2. Dalam proses training menggunakan Jaringan Syaraf Tiruan harus dilakukan berulang – ulang sampai nilai output mendekati nilai target. Hasil tersebut menunjukan bahwa ada kecocokan antara output dari hasil training dengan nilai target. 3. Untuk teknik pengolahan citra Matlab, sebagai pilihan akhir digunakan teknik segmentasi citra.

4. Aplikasi pengolahan citra menghasilkan citra biner dari proses segmentasi pola warna citra peta Google Maps.

5. Ukuran citra dengan pixel tinggi membutuhkan waktu lebih lama untuk diidentifikasi dibandingkan dengan ukuran citra dengan pixel yang rendah.

6. Secara keseluruhan, aplikasi yang dibuat berhasil memenuhi fungsi yang diinginkan. Saran

1. Pada aplikasi yang sudah dibuat, kedepannya diharapkan ada pengembangan aplikasi ini, misalnya untuk identifikasi daerah laut dalam dan rendah.

2. Untuk pengembangan aplikasi pengolahan citra banyak metode pengolahan citra untuk pengenalan pola citra misalnya dengan metode watershed .

7. DAFTAR PUSTAKA

[1] H. Demuth, M. Beale, Neural Network Tool, Edisi 6, 2000.

[2] Adler, J. Pengaruh Matriks dan Porositas Batuan Karbonat Formasi Parigi. Majalah Ilmiah Unikom Vol.9, hal 51-60, Maret 2011.

[3] Prasetyo,E. Pengolahan Citra Digital dan Aplikasinnya Menggunakan Matlab, Andi, Yogyakarta, 2011.

[4] Rahmat. dkk. Pengenalan Pola Sinyal

EKG menggunakan JST dengan

Algoritma Levenberg – Marquardt. Seminar Nasional Pasca Sarjana V ITS Surabaya. 2005.

[5] Gonzales, R.C., and Woods, R.E, Digital Image Processing Second edition. New Jersey: Prentice Hall. 2002.

[6] Gunawan, T. Fakta dan Konsep Geografi untuk SMA/MA kelas XII, Inter plus, Jakarta, 2007.

[7] Artikel non-personal, 9 Februari 2013, Buta Warna, Wikipedia Bahasa Indonesia,

http://id.wikipedia.org/wiki/Buta_warna, diakses 28 februari 2013.