Kerangka Pemikiran Teknik Praproses

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