BAB 3 METODOLOGI PENELITIAN
3.1 Kerangka Pemikiran
Penelitian ini dilakukan berdasarkan sebuah kerangka pemikiran. Seperti tercantum pada Gambar 9.
Gambar 9 Diagram kerangka pemikiran.
Pengertian citra dijital, Metode pengolahan citra dijital,
Jaringan sya raf tiruan, Matlab, identifikasi kayu
Mulai
Selesai Studi pustaka
Akuisisi data: Identifikasi Masalah
Pra-proses : - Ukuran citra
- RBG dan skala keabuan
Pengujian Verifikasi
Pelatihan Identifikasi
JST Propagasi Balik
Dokumentasi Alat pinda i
scanner Potongan
kayu
1. Identifikasi masalah.
Identifikasi masalah merupakan tahap awal dari penyusunan penelitian ini. Masalah yang diidentifikasi bersumber dari penelitian sebelumnya yang
dilakukan oleh Florensa 2005 dengan data masukan berupa angka-angka hasil ektraksi kayu secara mikroskopis.
2. Studi pustaka.
Studi pustaka dilakukan untuk melengkapi pengetahuan dasar yang dimiliki peneliti, sehingga dengan adanya hal ini peneliti dapat menyelesaikan
penelitian ini. 3.
Akuisisi data . Akuisisi data berfungsi untuk pengambilan data sebagai bahan baku
penelitian. Ini dilakukan dengan cara mengambil cira mikroskopis kayu. 4.
Pra-proses. Pra-proses merupakan tindak lanjut dari akuisisi data, dimana citra yang
sudah diambil diolah lagi menggunakan perangkat lunak pengolahan citra. Kemudian dengan menggunakan Matlab, dari citra tersebut diambil 9
komponen citra. ke -sembilan komponen tersebut, 3 dari citra RGB yaitu warna merah R, warna hijau G, dan warna biru B. 6 dari citra
grayscale, yaitu Standar deviasi, Energi, Kontras , Homogenitas, Entropy, dan Derajat keabuan. Komponen-komponen inilah yang akan mejadi data
masukan bagi jaringan syaraf tiruan. 5.
Pelatihan dan pengujian Setelah melalui tahap pra-proses, data tersebut di bagi menjadi dua bagian.
Bagian pertama digunakan sebagai data pelatihan, dan data kedua digunakan sebagai data uji.
6. JST Propagasi Balik.
Pada proses pelatihan dan pengujian klasifikasi digunakan jaringan syaraf tiruan dengan algorima propagasi balik.
3.2 Teknik Praproses
Sebelum menggunakan teknik dari Haralic, ada beberapa teknik praproses yang digunakan dalam penelitian ini. Adapun teknik praproses yang telah
digunakan tersebut adalah : a Tanpa praproses
Pada teknik ini, citra yang telah dipotong RGB langsung menjadi masukan bagi jaringan syaraf tiruan. Teknik ini membutuhkan waktu
pelatihan yang sangat lama 18 jam, karena yang menjadi data masuka n untuk pelatihan adalah citra yang berukuran 250 x 250 pixel 62.500 pixel
dan 125 x 125 pixel. Dan teknik praproses ini hanya menghasilkan tingkat pengenalan 4 sampai dengan 7. Sehingga teknik ini tidak layak untuk
digunakan pada sistem pengenalan jenis kayu berbasis citra pori kayu. b Gelombang singkat wavelet
Pada dasarnya wavelet digunakan untuk pengolahan citra, namun pada penelitian ini wavelet digunakan untuk 1 mengecilkan ukuran citra dari
ukuran yang sebenarnya 250 x 250 pixel tanpa menghilangkan unsur penting dari citra tersebut. 2 mengambil koefisien citra. Dengan kedua
fungsi wavelet yang digunakan tersebut, ternyata hanya mampu mengenal 40 sampai dengan 45. Oleh karenanya teknik praproses ini tidak layak
untuk pengenalan jenis kayu berbasis citra pori kayu, meskipun teknik ini mampu mengurangi data masukan bagi jaringan syaraf tiruan yang
digunakan sebagai pelatihan dan pengujian. Jika jumlah hidden layer ditingkatkan menjadi 5 lapis, maka teknik ini mampu mengenal hingga
60. c Deteksi tepi edge detection
Deteksi tepi yang sudah dilakukan adalah sobel dan prewit. Teknik ini tidak mengurangi jumlah masukan bagi JST. Karena yang dilakukan hanya
mengubah citra RGB menjadi hitam putih BW dengan memunculkan pori-pori kayu dan selain por i diabaikan. Sehingga waktu yang digunakan
untuk pelatihan tidak berbeda dengan teknik praproses. Begitu juga dengan kemampuan untuk mengenal jenis kayu. Teknik inipun tidak cocok
untuk pengenalan jenis kayu berbasis citra pori kayu.
Teknik praproses di atas belum mencapai tingkat pengenalan generalisasi yang diinginkan, yaitu diatas 95. Sehingga perlu adanya teknik yang mampu
memenuhi generalisasi hingga diatas 95, teknik tersebut adalah teknik analisa tektur.
Teknik analisa tekstur yang dikemukan Haralic terdiri dari energi, kontras, homogenitas, dan entropy. Namun setelah dilakukan percobaan, ternyata empat
komponen ini tidak cukup untuk mencapai tingkat generalisasi diatas 95. Sehingga dibutuhkan beberapa komponen tambahan sebagai pelengkap untuk
mencapai tingkat generalisasi yang diinginkan. Komponen tambahan tersebut yaitu tiga unsur dari citra warna RGB adalah warna merah R, warna hijau G
dan warna biru B dan dua unsur dari citra grayscale adalah derajat keabuan dan standar deviasi.
Selain kecilnya jumlah data masukan bagi JST, arsitektur jaringan pun sederhana, yaitu hanya memiliki satu lapisan tersembunyi. Pada penelitian ini
jumlah masukan pada lapisan tersembunyi yang dicoba adalah 9, 18, 24 dan 36 neuron. Angka ini merujuk pada penelitian-penelitian yang menggunakan
algoritma propagasi balik, bahwa jumlah masukan pada lapisan tersembunyi mendekati jumlah masukan pada lapisan awal. Angka berikutnya 18 dan 36
diambil dari kelipatan 9. Terkecuali angka 24 yang diambil secara acak.
3.3 Tahap Tatalaksana Pelatihan