titik yang pikselnya bernilai 1, dan memiliki paling sedikit 1 piksel dari 8-tetangganya yang bernilai 0.
2.4. Ekstraksi Fitur
Ekstraksi fitur adalah proses pengukuran terhadap data yang telah dinormalisasi untuk membentuk sebuah nilai fitur. Nilai fitur digunakan oleh pengklasifikasi untuk
mengenali unit masukan dengan unit target keluaran dan memudahkan pengklasifikasian karena nilai ini mudah untuk dibedakan Pradeep et. al, 2011.
Secara luas, fitur adalah semua hasil pengukuran yang bisa diperoleh. Fitur juga bisa menggambarkan karakteristik objek yang dipantau Putra, 2009. Contoh
dari fitur level rendah adalah intensitas sinyal. Fitur bisa berupa simbol, numerik atau keduanya. Contoh dari fitur simbol adalah warna. Contoh dari fitur numerik adalah
berat. Fitur bisa diperoleh dengan mengaplikasikan algoritma pencari fitur pada data masukan.Fitur dapat dinyatakan dengan variabel kontinu, diskret atau diskret-biner.
Fitur biner dapat digunakan untuk menyatakan ada tidaknya suatu fitur tertentu. Fitur yang baik memiliki syarat berikut, yaitu mudah dalam komputasi,
memiliki tingkat keberhasilan yang tinggi dan besarnya data dapat diperkecil tanpa
menghilangkan informasi penting Putra, 2009. Ekstraksi fitur dapat dilakukan pada berbagai representasi citra seperti pada tabel 2.2.
Tabel 2.2. Ekstraksi Fitur Pada Representasi Citra Yang Berbeda Jain Dan Taxt, 1996
Grayscale subimage Binary
Vector Skeleton Solid character
Outer countour Template matching
Template matching -
Template matching
Deformable templates -
- Deformable templates
Unitary transforms Unitary transforms
- Graph decription
-
Projection histograms Countour Profile
Discrete features
Zoning Zoning
Zoning Zoning
Geometric moments Geometric moments
Spline curve -
Zernike moments Zernike moments
Fourier decriptors Fourier decriptors
Universitas Sumatera Utara
2.4.1. Zoning Zoning adalah salah satu ekstraksi fitur yang paling popular dan sederhana untuk
diimplementasikan Sharma et. al, 2012. Sistem optical character recognition OCR komersil yang dikembangkan oleh CALERA menggunakan metode zoning pada citra
biner Bosker, 1992. Setiap citra dibagi menjadi NxM zona dan dari setiap zona tersebut dihitung
nilai fitur sehingga didapatkan fitur dengan panjang NxM. Salah satu cara menghitung nilai fitur setiap zona adalah dengan menghitung jumlah piksel hitam setiap zona dan
membaginya dengan jumlah piksel hitam terbanyak pada yang terdapat pada salah satu zona. Contoh pembagian zona pada citra biner dapat dilihat pada gambar 2.4.
Gambar 2.4 Pembagian Zona Pada Citra Biner
2.4.2. Diagonal Based Feature Extraction Pradeep et. al2011 menggunakan diagonal based feature extraction untuk
mendapatkan input untuk pengenalan karakter tulisan tangan. Cara kerja ekstraksi fitur tersebut adalah sebagai berikut :
1. Setiap karakter image dengan ukuran 90x60 piksel Gambar 2.5 dibagi menjadi
54 zona, setiap zona berukuran 10x10 piksel Gambar 2.6. 2.
Untuk setiap zona: a.
Hitung histogram secara diagonal untuk mendapatkan 19 subfitur Gambar 2.7.
b. Hitung rata-rata dari 19 subfitur tersebut dan nilai tersebut digunakan untuk
mewakili setiap zona. 3.
Dari nilai setiap zona, hitung rata-rata masing-masing baris dan masing-masing kolom. Sehingga didapatkan 9 nilai baris dan 6 nilai kolom.
4. 54 fitur + 15 fitur menjadi nilai masukan untuk jaringan saraf tiruan.
Universitas Sumatera Utara
Gambar 2.5 Karakter Ukuran 60x90 Piksel Pradeep Et. Al, 2011
Gambar 2.6 Pembagian Zona Ekstraksi Fitur Pradeep Et. Al, 2011
Gambar 2.7 Diagonal Histogram Setiap Zona Pradeep Et. Al, 2011
2.5. Jaringan Saraf Tiruan
Kategori