13
dan biru mempunyai intensitas yang sama. Pada citra beraras keabuan hanya perlu menyatakan nilai intensitas untuk tiap piksel sebagai nilai tunggal, sedangkan pada
citra berwarna perlu tiga nilai intensitas untuk setiap pikselnya. Berbeda dengan citra biner, citra grayscale disebut juga dengan citra 8-bit karena memiliki 28256
kemungkinan nilai pada masing-masing pikselnya. Nilai tersebut dimulai dari nol untuk warna hitam dan 255 untuk warna putih.
Dalam melakukan konversi citra dengan mengubah nilai piksel yang semula mempunyai 3 nilai yaitu R, G, B menjadi satu nilai keabuan atau biner.
Untuk operasi konversi citra dengan menggunakan rumus Darma Putra, 2010: =
+ + 3
Bisa juga dengan memberi bobot w pada RGB dikarenakan mata manusia lebih sensitif pada warna hijau, merah dan biru. Operasi tersebut dengan
rumus Darma Putra, 2010: =
+ +
2.3.3 Ekstraksi Ciri
Ekstraksi ciri merupakan langkah pemilihan ciri yang ingin diidentifikasi dari citra angka yang menghasilkan ciri-ciri baru dari data mentah dengan
menerapkan satu atau lebih transformasi. Pemilihan leature yang baik sulit untuk dilakukan karena sebuah leature yang buruk tidak akan merefleksikan keadaan
sebenarnya dari data pemilihan leature yang baik. Darma Putra, 2010
2.1
2.2
14
Dalam penelitiana ini menggunakan beberapa metode untuk ekstraksi leature dalam pengolahan citra yaitu :
1. Black and White Dengan mengubah represantasi nilai RGB Red, Green, Blue,
sebuah gambar berwarna dapat diubah menjadi gambar yang terdiri dari warna hitam dan putih yang sering disebut BWBlack and White
2. Segmentasi
Segmentasi merupakan salah satu tahapan pre-processing yang digunakan untuk memotong suatu teks pada gambar yang diproses menjadi
beberapa karakter. Teknik ini untuk membagi suatu citra menjadi beberapa daerahregion dimana setiap daerah memiliki kemiripan atribut. Tujuan dari
segmentasi adalah untuk menyederhanakan atau mengubah penyajian dari suatu gambar menjadi sesuatu yang lebih bermakna dan lebih mudah untuk
menganalisanya. Terdapat tiga jenis segmentasi pada suatu objek yakni : Line Segmentation,Word Segmentation, Character Segmentation, dan
Scaling. Line Segmentation merupakan suatu pemotongan per baris pada
teks dengan menggunakan histogram horizontal dimana local minimal dianggap sebagai garis pembatas antara baris teks. Word segmentation
digunakan untuk mensegmentasi per kata pada baris teks menggunakan histogram vertical dimana jarak spasi dianggap sebagai pemisah kata.
Character segmentation digunakan untuk mensegmentasi per kata dengan
15
menggunakan histogram vertical yang dimodifikasi untuk setiap kata. Sedangkan scaling adalah proses menskala gambar karakter tulisan tangan
menjadi beberapa piksel pada bagian inti karakter. Dalam hal ini, cara kerjanya dari segmentasi terdapat 2 jenis teknik,
yaitu Tria Adhi Wijaya, 2010 : a. Segmentasi berdasarkan intensitas warna derajat keabuan. Berasumsi
bahwa objek-objek yang akan dipisahkan cenderung memiliki intensitas warna yang berbeda-beda dan masing-masing objek memiliki warna
yang hampir seragam. Salah satu teknik segmentasi berdasarkan intensitas warna adalah mean clustering. Pada mean clustering
dilakukan pembagian citra denga membagi histogram citra. Kelemahan segmentasi berdasarkan intensitas warna derajat keabuan antara lain
adalah harus tahu dengan tepat berapa jumlah objek yang ada pada citra serta citra hasil kurang bagus jika pada citra terdapat beberapa
objek dengan warna pada masing-masing objeknya bervariasi atau pada setiap objek memiliki warna yang sama.
b. Segmentasi berdasarkan karakteristik. Yaitu mengelompokkan bagian- bagian citra yang memiliki karakteristik yang sama berupa perubahan
warna antara titik yang berdekatan, nilai rata-rata dari bagian citra tersebut. Untuk menghitung atau menentukan karakteristik digunakan
perhitungan statistik, misalnya varian, standard deviasi, teori probabililitas, transformasi lourier. Salah satu teknik segmentasi
16
berdasarkan karakteristik adalah split and merge. Proses tersebut dilakukan secara rekursif karena pada setiap saat dilakukan proses yang
sama tetapi dengan data yang selalu berubah 3. Principal Component Analysis PCA
Principal Component Analysis PCA atau sering disebut teknik pereduksi. Teknik pereduksi ini digunakan untuk memecahkan suatu dimensi
menjadi leature yang lebih sedikit dari sebuah citra. Feature yang baru tersebut akan dibentuk melalui kombinasi bobot linear dalam ruang eigen.
Citra akan dilatih dengan menggunakan variable yang lebih sedikit , dan ini akan lebih mudah untuk ditangani. Ketika menggunakan metode berdasarkan
kenampakan, citra berukuran nxm piksel digambarkan sebagai sebuah vector dalam ruang yang berdimensi nxm R
nxm
. Dalam prakteknya, ruang dimensi nxm ini kadang tidak sesuai dengan piksel yang sudah ditetapkan dalam
penelitian ini. Dengan PCA diharapkan mampu dalam memproyeksikan data yang berdimensi tinggi ke dalam subruang yang berdimensi yang lebih
rendah. Alla Krisnadhi, 2003. Problem dalam PCA dimana menemukan eigenvalue dan eigen
vektor. PCA adalah transformasi orthogonal tegak lurus dari sistem koordinat dimana dapat mendeskripsikan data. Koodinat dipilih dimana
variansi dari data mencapai maksimum yang sering kali sudah cukup menjelaskan struktur dari data aslinya. Jika data dalam dimensi asli sulit
untuk dipersentasikan melalui grafik, maka data tersebutkan disederhanakan
17
menggunakan data set yang dipersentasikan melalui rumus. Misalkan mempunyai data set yang sudah dicentering
∈ , = 1, . . , , ∑
=
dengan kovarian = ∑
′
Maka PCA menyelesaikan problem eigenvalue sebagai berikut : =
atau, −
= 0 Persamaan di atas bisa diselesaikan untuk mencari nilai A dengan
menyelesaikan det − = 0
Untuk eigenvalue ≥ 0 dan eigenvector ∈ {0}, dengan solusi
adalah eigenvector dan ≠ 0 adalah eigenvalue yang terletak dalam span , …
.
Budi Santoso, 2007.
2.4 Jaringan Syaraf 2.4.1 Jaringan Syaraf Biologi
