Pengolahan Citra CALL FOR PAPER 2010 MUNAS APTIKOM.

Seminar dan Call For Paper Munas Aptikom Politeknik Telkom Bandung, 9 Oktober 2010 275 Pengolahan citra adalah suatu metode yang digunakan untuk mengolah gambar sehingga menghasilkan gambar lain yang kualitasnya lebih baik [4]. Operasi-operasi yang dilakukan di dalam pengolahan citra diantaranya adalah sebagai berikut[4] : 1. Grayscale digunakan untuk mengkonversi citra berwarna menjadi citra hitam putih untuk memudahkan proses pengolahan citra pada tahap selanjutnya yaitu pengambangan. Citra berwarna mempunyai tiga kombinasi warna yaitu red r, green g, dan blue b, untuk mendapat citra grayscale maka ke tiga kombinasi warna tersebut dirata-rata. 2. Thresholding atau Pengambangan, Citra yang diproses dengan menggunakan operasi pengambangan dikelompokkan berdasarkan nilai derajat keabuan setiap pixel ke dalam 2 kelas, yaitu hitam dan putih. Citra yang dihasilkan melalui operasi pengambangan inilah yang disebut sebagai citra biner, pengambangan bertujuan untuk menghasilkan sejumlah data numerik yang bernilai 0 dan 1 yang akan diproses oleh BPNN. 3. Cropping atau Pemotongan, Pemotongan merupakan operasi yang dilakukan dengan menghilangkan bagian-bagian citra yang tidak diperlukan, sehingga citra yang dihasilkan mempunyai jumlah pixel yang lebih kecil daripada citra sebelumnya. 4. Resize atau Perubahan ukuran, Sedangkan operasi perubahan ukuran menjadikan jumlah pixel pada citra berubah sesuai dengan nilai masukan yang diinginkan. Nilai masukan dapat berupa nilai penskalaan ataupun jumlah pixel sesuai yang diinginkan.

1.2 Iridologi

Iridologi adalah ilmu pengetahuan dan praktik yang dapat mengungkapkan adanya peradangan inflamsi, penimbunan toksin dalam jaringan, bendungan kelenjar congestion, letak lokasinya, dan tingkat keparahan kondisinya akut, sub-akut, kronis dan degeneratif. Dengan mengamati iris mata, melalui kondisi tubuh seseorang dapat diketahui, misalnya statusnya lemah atau kuat, tingkat kesehatan serta peralihan menuju keparahan atau proses penyembuhan[3]. Secara khusus, organ mata lebih tepatnya bagian iris lebih sering disebut selaput pelangi mata memiliki kelebihan spesifik, yaitu dapat merekam semua kondisi organ, serta kondisi psikologis. Jejak rekaman yang berkaitan dengan tingkat-tingkat intensitas perubahan atau penyimpangan organ-organ tubuh yang disebabkan gangguan penyakit terdata secara sistematis serta terpola pada iris mata dan sekitarnya. Hal ini dapat dijadikan pedoman praktis untuk melakukan deteksi terhadap berbagai penyakit, khususnya yang bersifat latentersembunyi, atau yang bersifat akumulatif, sehingga penyakit seperti ini biasanya tidak menunjukkan gejala yang spesifik seperti adanya lingkaran putih, bahkan pada stadium- stadium awal tidak disertai gejala klinik yang dirasakan pasien secara nyata. Beberapa jenis iris mata seperti yang ditunjukan tabel referensi iris mata pada Tabel 1: Tabel 1. Tabel iris mata dalam iridology Iris Mata Jenis Mata Normal tidak terdapat lingkaran putih Gejala Kolesterol terdapat lingkaran putih tipis Kolesterol Sub-akut terdapat lingkaran putih yang mulai menebal Kolesterol Akut terdapat lingkaran putih yang sudah menebal

1.3 Back Propagation Neural Network BPNN

BPNN adalah salah satu metode dalam jaringan syaraf tiruan JST. JST merupakan sebuah sistem pembelajaran terhadap penerimaan informasi yang 276 Seminar dan Call For Paper Munas Aptikom Politeknik Telkom Bandung, 9 Oktober 2010 memilii kinerja layaknya sebuah jaringan syaraf manusia dan dapat diimplementasikan dengan menggunakan program komputer sehingga mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran[6]. BPNN dapat diaplikasikan untuk pengenalan pola iris mata, pada algoritma proses pelatihan BPNNuntuk pengubahan nilai dimulai dari lapisan output dan berakhir pada lapisan input. BPNN melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa tapi tidak sama dengan pola yang dipakai selama pelatihan. BPNN memiliki beberapa unit neuron yang ada dalam satu atau lebih lapisan tersembunyi. Gambar 1 adalah arsitektur Back Propagation dengan n buah masukan ditambah sebuah bias pada lapisan input, sebuah lapisan tersembunyi yang terdiri dari p unit ditambah sebuah bias, serta m buah unit keluaran pada lapisan output, untuk alur secara umum misalnya untuk V 22 merupakan bobot garis dari unit masukan X 2 ke unit lapisan tersembunyi Z 2 V 20 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit lapisan tersembunyi Z 2 . W 22 merupakan bobot dari unit lapisan tersembunyi Z 2 ke unit keluaran Y 2 W 20 merupakan bobot dari bias di lapisan tersembunyi ke unit keluaran Y 2 . Gambar 1. Arsitektur Back Propagation Neural Network Terdapat 3 tiga fase dalam pelatihan BPNN[6], yaitu : 1. Fase Maju atau Fase Feed Forward, 2. Fase Mundur atau Back Propagation, dan 3. Fase Modifikasi Bobot. Dalam fase Feed Forward, pola masukan dihitung maju dimulai dari lapisan input hingga lapisan output menggunakan fungsi aktivasi yang ditentukan. Sedangkan dalam fase Back Propagation, tiap - tiap unit output menerima target pola yang berhubungan dengan pola input untuk dihitung nilai kesalahannya. Fase selanjutnya adalah modifikasi bobot yang bertujuan untuk menurunkan kesalahan yang terjadi.

1.4 Algoritma Pelatihan BPNN

Berdasarkan gambar 2.1, standar algoritma pelatihan Back PropagationNeural Network yang digunakan adalah sebagai berikut : a. Inisialisasi bobot dengan mengambil nilai bobot berdasarkan nilai random yang cukup kecil. b. Menetapkan Maksimum Epoch, laju pemahaman α, target error c. Inisialisasi Epoch = 0, dan menetapkan Mean Square Error MSE atau Sum Square Error SSE. d. Kerjakan langkah - langkah berikut selama Epoch Maksimum Epoch dan MSE Target Error : • Epoch = Epoch + 1. • Untuk tiap - tiap pasangan elemen yang akan dilakukan pelatihan, kerjakan langkah 1 - 6 : Feed Forward 1. Tiap - tiap unit input X i i=1,2,…,n menerima sinyal X i dan meneruskan sinyal tersebut ke semua unit pada lapisan yang terletak diatasnya lapisan tersembunyi. 2. Tiap - tiap unit tersembunyi Z j j=1,2,…,p menjumlahkan sinyal - sinyal input terbobot : Z_in j =V j0 + X i V ji n i=1 Z j = ƒ Z_in j Fungsi ƒZ_in j merupakan fungsi aktivasi yang digunakan untuk menghitung sinyal outputnya. Setelah sinyal output dihasilkan, sinyal tersebut dikirimkan ke semua unit diatasnya lapisan output. 3. Tiap - tiap unit output Y k k=1,2,…,m menjumlahkan sinyal - sinyal input terbobot : Y_in k =W k0 + Z j W kj p j=1 Y k = ƒ Y_in k Fungsi ƒY_in k merupakan fungsi aktivasi yang digunakan untuk menghitung sinyal outputnya. Setelah sinyal output dihasilkan, kirimkan sinyal tersebut ke semua unit diatasnya lapisan output. Back Propagation