22
BAB III METODOLOGI PENELITIAN
Bab ini
merangkummetodologi penelitianyang
membentukprogram penelitiankeseluruhan, membahas dan menganalisis pemecahan masalahyang
dihasilkan.
3.1. Spesifikasi Perangkat Keras dan Perangkat Lunak yang Digunakan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membuat sistem adalah sebagai berikut:
1. Prosesor Pentium Intel Core i5 2. Kapasitas Hard Disk 500 GB
3. Memory RAM yang digunakan 4 GB 4. Sistem Operasi Microsoft Windows 7
5. Tools Microsoft Visual Basic 6. Scanner Canon MP 258
3.2. Data yang Digunakan
Data dan sampel yang akan digunakan adalah citra digital yang berbentuk huruf dan angka tipe Arial, di kertas putih dengan tinta berwarna hitam. Setelah pengambilan
data, data tersebut di-scan dan hasil scanning disimpan dalam format jpeg. Untuk melakukan pengenalan citra berbentuk huruf dan angka menggunakan
jaringan syaraf tiruan harus melalui tahapan tententu sehingga dapat menjadi masukan yang baik bagi jaringan syaraf tiruan. Jumlah data yang digunakan sebanyak 26 pola
huruf alfabet dan 10 angka bertipe Arial dengan berbagai kondisi tertentu, dimana untuk data pelatihan digunakan 3 kondisi sedangkan untuk data pengujian sebanyak 2
kondisi.
Universitas Sumatera Utara
23
Universitas Sumatera Utara
24
Berikut diagram proses secara keseluruhan :
3.3. Pra-Pengolahan Citra
Sebelum ke tahap jaringan syaraf tiruan, data yang telah diambil terlebih dahulu dilakukan proses prapengolahan citra. Pada sistem ini prapengolahan yang dilakukan
adalah normalisasi, binerisasi, thinning dan feature extraction.
Gambar 3.2. Tahapan pra-pengolahan citra 3.3.1 Normalisasi Scaling
Ukuran citra yang telah di-crop berbeda-beda sehingga belum bisa digunakan sebagai masukan standar untuk diekstraksi. Citra tersebut haruslah dinormalisasi terlebih
dahulu yaitu dengan menggunakan ukuran citra yang sesuai untuk diekstrakkan yaitu 100x100 pixel. Contoh citra hasil pemotongan yang dinormalisasi dapat dilihat pada
Gambar 3.3.
Input Citra Pra-Pengolahan Citra
Training NN
Output Simpan Hasil
Input Citra
Recognition NN
Output Tampilkan Hasil
Gambar 3.1. Diagram garis besar sistem; a Pelatihan, b Pengujian
a b
Pra-Pengolahan Citra
Normalisasi Binerisasi
Thinning Feature
Universitas Sumatera Utara
25
Gambar 3.3. Citra hasil normalisasi; a citra asal, b citra hasil normalisasi 3.3.2 Pembentukan Matriks Biner Binarization
Matriks biner citra ini menghasilkan citra hitam putih yang bersih dari tingkat keabuan grayscale. Pada tahap ini setiap nilai pixel RGB akan diambil nilai rata-ratanya
untuk kemudian dicek, jika nilai yang dihasilkan kurang dari nilai threshold yang ditentukan maka nilai pixel tersebut diubah menjadi warna hitam, sebaliknya jika
lebih besar dari nilai konstan maka akan diubah menjadi warna putih. Sutoyo, 2009
Gambar 3.4. Citra hasil binerisasi Jika citra dari nilai pixel pada koordinat x,y berwarna hitam maka nilai
matriks biner pada baris i dan kolom j adalah 1, jika sebaliknya 0. Adapun diagram alir proses dari matriks biner ini dapat dilihat pada gambar 3.5:
a b
Universitas Sumatera Utara
26
Gambar 3.5. Diagram Pembentukan Matriks Biner 3.3.3 Pembentukan Matriks Tulang Thinning
Tahapan selnajutnya adalah menggunakan proses thinning. Proses thinning dilakukan supaya mendapatkan kerangka dari objek karakter pada citra. Proses thinning ini
bertujuan membentuk matriks dari citra tulisan tangan menjadi hanya 1 pixel. Algoritma yang dipakai dalam proses thinning ini adalah algoritma Zhang-Suen yang
belum dimodifikasi Zhang dan Suen, 1984. Algoritma Zhang Suen ini menggunakan metode paralel yang mana nilai baru
bagi setiap pixel dihasilkan dari nilai pixel pada iterasi sebelumnya. Berikut adalah algoritma thinning dengan Zhang dan Suen :
a. Beri tanda semua pixel 8-tetangga yang memenuhi kondisi 1 sampai dengan 4 b. Hapus piksel tengahnya
c. Beri tanda semua piksel 4-tetangga yang memenuhi kondisi 5 sampai dengan 8 d. Hapus kembali piksel tangahnya
e. Lakukan langkah a sampai d berulang kali, sampai tidak ada perubahan.
Universitas Sumatera Utara
27
Dengan kondisi sebagi berikut : 1. 2
≤ Np
1
≤ 6 2. Sp
1
= 1 3. p
2
. p
4
. p
6
= 0 4. p
4
. p
6
. p
8
= 0 5. 2
≤ Np
1
≤ 6 6. Sp
1
= 1 7. p
2
. p
4
. p
6
= 0 8. p
4
. p
6
. p
8
= 0 Dimana :
Np
1
= jumlah dari tetangga p1 yang tidak nol Sp
1
= jumlah transisi 0-1 dalam urutan p
2
, p
3
, … Penamaan piksel :
p9 p2
p3 p8
p1 p4
p7 p6
p5
Adapun hasil penulangan thinning dapat dilihat pada gambar 3.6 :
Gambar 3.6. Pembentukan matriks tulang; a citra biner, b citra hasil thinning
a b
Universitas Sumatera Utara
28
3.3.4 Ekstraksi Fitur Feature Extraction Pada tahap ekstraksi fitur dilakukan agar nilai yang telah dinormalisasikan dapat
membentuk sebuah nilai fitur agar mendapatkan nilai-nilai unik dari citra yang telah mengalami proses prapengolahan citra sebelumnya. Setiap data hasil ekstraksi fitur
harus benar-benar dapat mewakili karakteristik atau keunikan dari data tersebut. Oleh karena itu diperlukan suatu cara bagaimana agar mendapatkan nilai-nilai unik dari
data tersebut sebab data yang akan dianalisis oleh jaringan syaraf tiruan harus direpresentasikan dengan baik ke dalam bentuk numerik ataupun biner.
Pada tahap ini, citra yang berukuran 100x100 pixel dibagi menjadi 10 baris dan 10 kolom dengan masing-masing kolom terdapat 10 piksel, seperti berikut :
Gambar 3.7. Citra hasil ekstraksi fitur Diagram proses ekstraksi fitur :
Gambar 3.8. Diagram ekstraksi fitur
Universitas Sumatera Utara
29
Hasil dari ekstraksi fitur di atas adalah : 1 1 1 1 1 1 1 1 1 1
1 1 1 1 0 0 1 1 1 1 1 1 1 0 0 0 0 1 1 1
1 1 1 0 0 0 0 1 1 1 1 1 1 0 0 1 0 0 1 1
1 1 0 0 1 1 0 0 1 1 1 1 0 0 0 0 0 0 1 1
1 0 0 0 0 0 0 0 0 1 1 0 0 1 1 1 1 0 0 1
1 0 0 1 1 1 1 0 0 0
3.4. Pelatihan Jaringan Menggunakan Nguyen Widrow dan Adaptive Learning
Kategori