Ekstraksi fitur ANALISIS DAN PERANCANGAN

a b Gambar 3.9 Proses citra thresholding, a citra grayscale b citra thresholding

3.5 Ekstraksi fitur

Setelah dilakukan proses preprocessing, maka akan dilakukan proses ekstraksi ciri yang membentuk nilai fitur yang bersifat unik untuk mendapatkan ciri dari citra. Nilai fitur yang didapat akan mewakili karakteristik dari citra yang akan diklasifikasikan menggunakan Learning Vektor Quantizatin LVQ. Pada penelitian ini, ekstraksi fitur yang digunakan menggunakan metode zoning. 3.5.1 Zoning Pada penelitian ini, citra akan dibagi dalam beberapa zona, dimana setiap zona akan menghasilkan nilai fitur dengan menghitung jumlah piksel hitam tertinggi. Pada tahap ini, citra yang berukuran 1024 x 1024 piksel akan dibagi menjadi 11 kolom dan 11 baris sehingga didapatkan 121 zona yang mewakili 121 fitur . Dalam satu zona terdapat 100 piksel. Contoh pembagian zona yang akan dibagi dalam citra dapat dilihat pada Gambar 3.10 Universitas Sumatera Utara Gambar 3.10 Hasil Zoning Citra Adapun proses metode zoning dalam proses ekstraksi fitur pada citra karet RSS antara lain : 1. Hitung jumlah piksel hitam setiap zona dari zona Z1 – Z121 2. Tentukan zona yang memiliki jumlah piksel hitam paling tinggi 3. Hitung nilai fitur setiap zona dari Z1-Z121 dengan persamaan Dengan 1≤ n ≤ 121 Contoh Perhitungan Zoning antara lain: 1. Jumlah Piksel hitam setiap zona antara lain Z1=20, Z10=80, Z20=40, Z50=50 2. Zona yang memiliki jumlah piksel hitam paling tinggi adalah Z10 = 80 3. Nilai fitur setiap zona antara lain : Z1 = 2080 = 0.25 Z10 = 8080 = 1 Z20 = 4080 = 0.5 Z50 = 5080 = 0.625 Universitas Sumatera Utara Namun dalam penelitian ini, penulis melakukan pembulatan pada nilai fitur setiap zona dengan ketentuan jika : Pembulatan ini dilakukan agar nilai fitur yang dihasilkan akan berbentuk nilai biner yang akan digunakan sebagai nilai input pada proses klasifikasi pada tahap selanjutnya. Sehingga dari perhitungan zona didapat nilai fitur berupa Z1= 0, Z10=1, Z20 = 1, Z50= 1. Dari perhitungan zoning pada tahap ekstraksi fitur akan menghasilkan 121 fitur yang akan digunakan sebagai nilai input pada proses klasifikasi menggunakan LVQ yang sesuai dengan gambar 3.11 Gambar 3.11 Nilai ekstraksi fitur menggunakan Zoning 3.6 Klasifikasi Setelah didapat nilai fitur pada proses ekstraksi fitur menggunakan Zoning, tahapan berikutnya yaitu proses klasifikasi citra menggunakan metode learning vektor quantization LVQ. Tahapan ini memiliki dua proses yaitu proses pelatihan dan proses pengujian. Proses pelatihan menggunakan nilai fitur yang didapat dari data latih yang telah diekstraksi fitur. Pada proses pengujian dilakukan nilai pendekatan dengan menggunakan nilai fitur yang didapat pada data uji. 3.6.1 Learning Vektor Quantization Dalam penelitian ini, Learning Vektor Quantization digunakan untuk melakukan klasifikasi pola ke dalam beberapa kelas dengan mencari bobot akhir untuk proses klasifikasi dengan menghitung jarak antar data dan bobot akhir. Arsitektur LVQ terdiri atas dua lapisan yaitu lapisan input dan lapisan output. Lapisan input pada penelitian ini diperoleh dari proses ekstraksi fitur berupa 121 nilai fitur dan lapisan output merupakan kelas dari proses klasifikasi yaitu kelas Zn 0.5 maka Zn = 0 Zn 0.5 maka Zn = 1 Universitas Sumatera Utara RSS1 dan kelas RSS3. Adapun arsitektur umum Learning Vektor Quantization LVQ dapat dilihat pada Gambar 3.12 Gambar 3.12 Arsitektur Learning Vektor Quantization LVQ Keterangan :  X 1 , X 2 , X 3 ,…, X 121 = Nilai input dari hasil ekstraksi fitur  ||X-W 1 ||, ||X-W 2 || = Jarak bobot  H1, H2 = Lapisan Output  D1, D2 = Nilai Output yang akan digunakan dalam proses uji  W1, W2.. W121 = Nilai data inisialisasi 3.6.2 Proses Pelatihan Pada tahap pelatihan, algoritma LVQ akan memproses input dengan menerima vektor masukan sebanyak 121 fitur dengan keterangan kelas fitur tersebut. Kemudian vektor akan menghitung jarak semua vektor pewakil untuk kelas yang ada dengan menggunakan Euclidean distance. Proses penerapan Algoritma Learning Vektor Quantization LVQ pada pelatihan digambarkan pada gambar 3.13 dibawah ini : Universitas Sumatera Utara Gambar 3.13 Pseudocode Penerapan Algoritma LVQ pada Citra RSS Adapun penjelasan dari Gambar 3.13 adalah sebagai berikut :  Tahap awal pada algoritma LVQ adalah tahap inisialisasi untuk penentuan awal bobot, maksimal iterasi, minimum error dan learning rate untuk mendapatkan hasil akhir yang akurat pada citra.  Tahap selanjutnya yaitu tahap inisialisasi nilai input dan target dari input. Nilai input didapat dari hasil ekstraksi fitur. Pada tahap ini, setiap nilai input citra telah ditentukan target kelas citranya RSS1 atau RSS3.  Tahap berikutnya yaitu inisialisai kondisi awal yaitu epoch = 0 dan error = 1. Perhitungan bobot dimulai dari kondisi awal epoch sampai epoch maksimum yang telah ditentukan  Selama epoch lebih kecil dari Maksimal epoch atau α Eps maka hitung setiap bobot pada suatu input kemudian tetapkan bobot dengan nilai terkecil sebagai jarak terpendek pada bobot Universitas Sumatera Utara  Tahap selanjutnya yaitu bandingkan target kelas dengan bobot. Jika Target kelas dan bobot sama maka perbaharui nilai bobot dengan persamaan berikut : w jbaru = w jlama + α [x-w jlama ]  Tetapi jika target kelas dan bobot berbeda maka perbaharui nilai dengan dengan persamaan berikut: w jbaru = w jlama + α [x-w jlama ]  Lakukan perhitungan yang sama seperti input awal pada setiap input dengan menggunakan bobot yang telah diperbaharui.  Setelah setiap input selesai dilakukan perhitungan, maka kurangi nilai α dan lakukan iterasi epoch sampai epoch mencapai maksimal epoch atau α mendekati nilai Eps  Pada tahap terakhir yaitu jika iterasi epoch berakhir maka tetapkan bobot baru pada epoch terakhir sebagai bobot akhir yang akan digunakan sebagai nilai bobot pada proses data latih. Pada tahap pelatihan, penulis akan memaparkan proses perhitungan LVQ dalam mendapatkan nilai bobot yang akan disimpan sebagai bobot akhir yang akan digunakan dalam tahap pengujian. Namun penulis hanya mengilustrasikan input hanya dalam beberapa vektor. Adapun data yang akan digunakan sebagai proses perhitungan LVQ pada proses pelatihan dapat dilihat pada tabel 3.1 Tabel 3.1 Data Vektor Input No Nama Karet X1 X2 X3 X4 X5 X6 Vektor Kelas 1 Karet1 1 1 000011 RSS1 2 Karet2 1 1 1 001101 RSS3 3 Karet3 1 1 1 1 011011 RSS1 4 Karet4 1 1 001100 RSS3 5 Karet5 1 1 1 010011 RSS1 6 Karet6 1 1 1 1 111001 RSS3 Universitas Sumatera Utara Dari keenam data yang akan dilakukan proses pelatihan, empat data akan diambil sebagai nilai input. Nilai input dapat dilihat pada tabel 3.2. Tabel 3.2 Tabel Nilai Input Pelatihan No Nama Karet X1 X2 X3 X4 X5 X6 Vektor Kelas 1 Karet3 1 1 1 1 011011 RSS1 2 Karet4 1 1 001100 RSS3 3 Karet5 1 1 1 010011 RSS1 4 Karet6 1 1 1 1 111001 RSS3 Dan dua data dengan kelas berbeda yakni RSS1 dan RSS akan diambil sebagai nilai bobot untuk proses pelatihan. Nilai bobot pelatihan dapat dilihat pada tabel 3.3 Tabel 3.3. Nilai Bobot Pelatihan No Nama Karet X1 X2 X3 X4 X5 X6 Vektor Kelas 1 Karet1 1 1 000011 RSS1 2 Karet2 1 1 1 1 011101 RSS3 Parameter-parameter yang digunakan pada penelitian ini adalah sebagai berikut : 1. Learning rate α = 0.05 2. Penurunan Learning rate, Dec α = 0.1 3. Minimum Learning rate, Min α = 0.0001 4. Maksimum Epoch, MaxEpoch = 5 Proses Perhitungan Epoch ke-1 Data Ke-1 : 0, 1, 1, 0, 1, 1 Bobot Ke-1 : 0, 0, 0, 0, 1, 1 Jarak pada bobot ke-1 Wj = = 1.414214 Universitas Sumatera Utara Bobot Ke-2 : 0, 0, 1, 1, 0, 0 Jarak pada bobot ke-2 Wj Wj= = 1,732051 Jarak terpendek pada Bobot ke-1 Kelas data ke-1 RSS1 = Target Bobot ke-1 RSS1 Bobot ke-1 baru : W 1 = W 1 + α X 1 – W 1 = 0 + 0.05 0-0 = 0 W 2 = W 2 + α X 2 – W 2 = 0 + 0.05 1-0 = 0.05 W 3 = W 3 + α X 3 – W 3 = 0 + 0.05 1-0 = 0.05 W 4 = W 4 + α X 4 – W 4 = 0 + 0.05 0-0 = 0 W 5 = W 5 + α X 5 – W 5 = 1 + 0.05 1-1 = 1 W 6 = W 6 + α X 6 – W 6 = 1 + 0.05 1-1 = 1 Wi baru = 0, 0.05, 0.05, 0, 1, 1 Setelah didapatkan nilai bobot kesatu yang baru, maka lakukan update pada bobot yang lama dan ganti dengan bobot kesatu yang baru. Nilai bobot yang baru akan digunakan pada perhitungan data selanjutnya. Bobot baru pertama dapat dilihat pada tabel 3.4 Tabel 3.4 Nilai Bobot Pertama Baru No Nama Karet X1 X2 X3 X4 X5 X6 Kelas 1 Karet1 0.05 0.05 1 1 RSS1 2 Karet2 1 1 1 RSS3 Data Ke-2 : 0, 0, 1, 1, 0, 0 Bobot Ke-1 : 0, 0.05, 0.05, 0, 1, 1 Jarak pada bobot ke-1 Wi = = 1.976107 Universitas Sumatera Utara Bobot Ke-2 : 0,0, 1, 1, 0, 1 Jarak pada bobot ke-2 Wj = = 1 Jarak terpendek pada Bobot ke-2 Kelas data ke-2 RSS3 = Target Bobot ke-2 RSS3 Bobot ke-2 baru : W 1 = W 1 + α X 1 – W 1 = 0 + 0.05 0-0 = 0 W 2 = W 2 + α X 2 – W 2 = 0 + 0.05 0-0 = 0 W 3 = W 3 + α X 3 – W 3 = 1 + 0.05 1-1 = 1 W 4 = W 4 + α X 4 – W 4 = 1 + 0.05 1-1 = 1 W 5 = W 5 + α X 5 – W 5 = 0 + 0.05 0-0 = 0 W 6 = W 6 + α X 6 – W 6 = 1 + 0.05 0-1 = 0.95 Wj baru = 0, 0, 1, 1, 0, 0.95 Setelah didapatkan nilai bobot kedua yang baru, maka lakukan update pada bobot yang lama dan ganti dengan bobot kedua yang baru. Nilai bobot yang baru akan digunakan pada perhitungan data selanjutnya. Bobot baru kedua dapat dilihat pada tabel 3.5 Tabel 3.5 Nilai Bobot Kedua Baru No Nama Karet X1 X2 X3 X4 X5 X6 Kelas 1 Karet1 0.05 0.05 1 1 RSS1 2 Karet2 1 1 0.95 RSS3 Proses ini diteruskan sampai data terakhir. Setelah itu proses dilanjutkan ke iterasi epoch ke-2 sampai epoch yang ditentukan . Namun sebelum dilakukan epoch selanjutnya, lakukan update learning rate α dengan Dec α. Learning rate harus di-update terlebih dahulu setiap kali akan memasuki epoch selanjutnya. Hasil perhitungan data setiap epoch dapat dilihat pada tabel 3.5. Universitas Sumatera Utara Tabel 3.6 Hasil Perhitungan Data Latih Epoch Nama Input Vektor Bobot Ke-1 Bobot Ke-2 Jarak terdekat Bobot Ke 1 Baru Bobot Ke-2 Baru 1 α=0.05 Karet3 011011 1.41 1.73 Bobot 1 0.05 0.05 1 1 1 1 1 Karet4 001100 1.97 1 Bobot 2 0.05 0.05 1 1 1 1 0.95 Karet5 010011 0.905 2 Bobot 1 0.097 0.047 1 1 1 1 0.95 Karet6 111001 1.929 1.73 Bobot 2 0.097 0.047 1 1 0.05 0.05 1 0.95 0.95 2 α=0.005 Karet3 011011 1.31 1.67 Bobot 1 0.1 0.05 1 1 0.05 0.05 1 0.95 0.95 Karet4 001100 1.97 0.95 Bobot 2 0.1 0.05 1 1 0.05 0.05 1 0.95 0.95 Karet5 010011 0.90 1.95 Bobot 1 0.1 0.05 1 1 0.05 0.05 1 0.95 0.95 Karet6 111001 1.92 1.64 Bobot 2 0.1 0.05 1 1 0.05 0.055 1 0.95 0.005 0.95 3 α=0.0005 Karet3 011011 1.31 1.67 Bobot 1 0.1 0.05 1 1 0.05 0.055 1 0.95 0.005 0.95 Karet4 001100 1.99 0.95 Bobot 2 0.1 0.05 1 1 0.05 0.055 1 0.95 0.005 0.95 Karet5 010011 0.905 1.94 Bobot 1 0.1 0.05 1 1 0.05 0.055 1 0.95 0.005 0.95 Karet6 111001 1.92 1.64 Bobot 2 0.1 0.05 1 1 0.05 0.055 1 0.95 0.005 0.95 Universitas Sumatera Utara 3.6.3 Proses pengujian Dari Tabel 3.5, hasil perhitungan data latih tidak lagi mengalami perubahan di epoch ke- 3 dengan α = 0.0005. Sehingga bobot yang dihasilkan pada epoch terakhir pada data terakhir akan dijadikan nilai bobot pada data uji dalam proses klasifikasi. Adapun hasil bobot akhir yang akan digunakan pada data uji dapat dilihat pada tabel 3.6 Tabel 3.7 Nilai Bobot Data Uji No Jenis Bobot X1 X2 X3 X4 X5 X6 Kelas 1 Bobot Ke 1 0.1 0.05 1 1 RSS1 2 Bobot ke -2 0.05 0.055 1 0.95 0.005 0.95 RSS3 Pada tahap pengujian, data input diklasifikasikan dengan cara yang sama dengan tahap pelatihan yaitu dengan menghitung nilai setiap bobot pada input dan memilih jarak terkecil pada kedua bobot. Nilai pada jarak bobot terkecil akan mewakili kelas pada citra masukan. Adapun alur flowchart pada proses pengujian dapat dilihat pada gambar 3.14 Gambar 3.14 Flowchart Proses Pengujian Universitas Sumatera Utara

3.7 Rancangan Tampilan Antarmuka