Penerapan Jaringan Saraf Tiruan Radial Basis Function Pada Tools Klasifikasi Tanaman
BAB 2
LANDASAN TEORI
2.1. Klasifikasi
Klasifikasi adalah sebuah proses untuk menemukan sebuah model yang menjelaskan
dan membedakan konsep atau kelas data dengan tujuan memperkirakan kelas dari
suatu objek yang kelasnya tidak diketahui (Tan et al., 2004). Dalam klasifikasi,
diberikan sejumlah record yang dinamakan data latih, yang terdiri dari beberapa
atribut yang dapat berupa kontinu ataupun kategoris, salah satu atribut menunjukkan
kelas untuk record, dimana pemetaannya dapat dilihat pada Gambar 2.1.
Gambar 2.1. Pemetaan atribut (x) ke dalam label kelas (y)
2.1.1.
Tujuan Klasifikasi
Tujuan dari klasifikasi adalah untuk :
1.
Menemukan model dari data latih yang membedakan record kedalam kategori
atau
kelas
yang
sesuai,
model
tersebut
kemudian
digunakan
untuk
mengklasifikasikan record yang kelasnya belum diketahui sebelumnya pada
testing set.
2.
Mengambil keputusan dengan memprediksi suatu kasus, berdasarkan hasil
klasifikasi yang diperoleh.
Universitas Sumatera Utara
7
2.1.2.
Konsep Pembuatan Model dalam Klasifikasi
Untuk mendapatkan model, harus dilakukan analisis terhadap data latih, Sedangkan
data uji digunakan untuk mengetahui tingkat akurasi dari model yang telah dihasilkan.
Klasifikasi dapat digunakan untuk memprediksi nama atau nilai kelas dari suatu objek
data. Proses klasifikasi data dapat dibedakan dalam dua tahap, yaitu :
1.
Pembangunan Model
Tiap-tiap record yang digunakan dalam pembangunan model dianalisis
berdasarkan nilai-nilai atributnya dengan menggunakan suatu algoritma
klasifikasi untuk mendapatkan model.
2.
Klasifikasi
Pada tahap ini, data diuji untuk mengetahui tingkat akurasi dari model yang
dihasilkan. Jika tingkat akurasi yang diperoleh sesuai dengan nilai yang
ditentukan, maka model tersebut dapat digunakan untuk mengklasifikasikan
record data baru yang belum pernah dilatihkan atau diujikan sebelumnya.
Pembuatan model menguraikan sebuah set dari penentuan kelas-kelas sebagai :
1.
Setiap record diasumsikan sudah mempunyai kelas yang dikenal
seperti ditentukan oleh label kelas atribut.
2.
Kumpulan record yang digunakan untuk membuat model disebut
data pelatihan.
3.
Model direpresentasikan sebagai pola dalam penentuan klasifikasi.
Penggunaan model menguraikan pengklasifikasian data yang akan diuji ataupun
objek yang belum diketahui. Adapun parameter keberhasilan dari model yang terdiri
dari:
1.
Label yang telah diketahui dari data latih dibandingkan dengan hasil
klasifikasi dari model.
2.
Nilai akurasi adalah persentase dari kumpulan data uji yang
diklasifikasikan secara tepat oleh model.
3.
Data uji tidak sama dengan data latih.
4.
Jika sesuai, gunakan model untuk mengklasifikasi data record yang
label kelasnya belum diketahui.
Universitas Sumatera Utara
8
2.2.Citra
Citra adalah suatu komponen multimedia yang berperan penting untuk memberikan
informasi yang bersifat visual dan memiliki karektiristik yang tidak dimiliki oleh teks
maupun audio (Hermawati, 2013). Citra didefinisikan sebagai fungsi dua dimensi
f(x,y), dimana x dan y merupakan koordinat spasial dengan nilai f pada koordinat
tersebut yang diberi nama intensitas (intensity) atau gray level (Gonzales et al., 2002).
2.2.1. Citra Warna
Citra warna atau citra RGB merupakan jenis citra yang menyediakan warna dalam
bentuk red (R), green (G), dan blue (B). Setiap komponen warna menggunakan 8 bit,
nilainya berada diantara 0 sampai 255. Warna yang disediakan yaitu 255 x 255 x 255.
Warna ini disebut juga dengan true color karena memiliki jumlah warna yang cukup
besar.
2.2.2. Citra Keabuan
Citra keabuan menggunakan warna hitam sebagai warna minimum, warna putih
sebagai warna maksimum, dan warna abu-abu yaitu warna diantara warna dimana
komponen merah, hijau, dan biru memiliki intensitas yang sama. Jumlah bit yang
dibutuhkan untuk tiap piksel menentukan jumlah tingkat keabuan yang tersedia.
Misalnya untuk citra keabuan 8 bit yang tersedia adalah
atau 256.
2.3. Pengolahan Citra
Pengolahan citra atau image processing adalah ilmu yang mempelajari tentang
manipulasi dan modifikasi citra, seperti perbaikan kualitas citra, pemilihan ciri citra
atau feature images yang bertujuan untuk analisis, dan transformasi citra dengan
menggunakan komputer untuk mendapatkan hasil yang lebih baik (Kadir et al., 2013).
2.3.1. Grayscaling
Grayscaling merupakan proses mengubah citra warna (RGB) menjadi citra keabuan.
Grayscaling digunakan untuk menyederhanakan model citra RGB yang memiliki 3
layer matriks, yaitu layer matriks red, green, dan blue menjadi 1 layer matriks
keabuan. Grayscaling dilakukan dengan cara nilai rata-rata dari total nilai red, green,
Universitas Sumatera Utara
9
dan blue dengan konstanta yang jumlahnya 1, ditunjukkan pada persamaan 2.1 (Kadir
& Susanto, 2012).
I = a x R + b x G + c x B,
a+ b+ c = 1
(2.1)
Dimana:
I
= nilai intensitas keabuan sebuah piksel citra hasil grayscaling
R
= nilai komponen merah pada sebuah piksel
G
= nilai komponen hijau sebuah piksel
B
= nilai komponen biru sebuah piksel
2.3.2. Gaussian
Gaussian filtering didapat dari hasil operasi konvolusi. Operasi perkalian yang
dilakukan ialah perkalian antara matriks kernel dengan matriks gambar asli.
Perhitungan matriks kernel gauss didapat dari fungsi komputasi dari distribusi
Gaussian berdasarkan teori gaussian function (Weisstein, 2002), seperti pada
persamaan 2.2.
� ,
Dimana:
=
−
��
−
+ −
�
(2.2)
� = konstanta
G (i, j) = elemen matriks kernel gauss pada posisi (i, j)
(u, v)
= indeks tengah dari matriks kernel gauss
Contoh matriks kernel gauss 5 x 5 dengan � = 1.0 ditunjukkan pada Tabel 2.1.
Tabel 2.1. Contoh matriks kernel gaussian 5 x 5 dengan � = 1.0
1
4
7
4
1
4
16
26
16
4
7
26
41
26
7
4
16
26
16
4
1
4
7
4
1
Universitas Sumatera Utara
10
Perkalian antara bobot matriks gambar asli dengan bobot matriks kernel gauss
ditunjukkan pada persamaan 2.3.
�
Dimana:
,
= .∑
−
=
(∑
−
=
�
,
.�
+
−
−
Piksel A
= gambar A (Gambar Asli)
Piksel B(i,j)
= bobot hasil perkalian pada posisi (i,j)
N
= jumlah kolom matriks kernel
M
= jumlah baris matriks kernel
K
= jumlah semua bobot di G
G(p,q)
= elemen matriks kernel gauss pada posisi (p,q)
, +
−
−
)
(2.3)
2.3.3. Thresholding
Cara untuk mengubah citra keabuan menjadi citra biner adalah thresholding. Proses
thresholding menggunakan nilai batas (threshold) untuk mengubah nilai piksel pada
citra keabuan menjadi hitam atau putih. Jika nilai piksel pada citra keabuan lebih besar
dari threshold, maka nilai piksel akan diganti dengan 1 (putih), sebaliknya jika nilai
piksel citra keabuan lebih kecil dari threshold maka nilai piksel akan diganti dengan 0
(hitam).
Thresholding sering disebut dengan proses binerisasi. Thresholding dapat
digunakan dalam proses segmentasi citra untuk mengidentifikasi dan memisahkan
objek yang diinginkan dari background berdasarkan distribusi tingkat keabuan atau
tekstur citra (Liao et.al., 2001). Proses thresholding ditunjukkan pada persamaan 2.4.
Dimana:
,
{
,
,
>�
}
≤�
(2.4)
g (x,y) = piksel citra hasil binerisasi
f (x,y) = piksel citra asal
T
= nilai threshold
Universitas Sumatera Utara
11
2.4. Invariant moment
Invariant moment sering digunakan sebagai fitur dalam pemrosesan citra, pengenalan
bentuk maupun klasifikasi. Moment dapat memberikan karakteristik suatu objek yang
merepresentasikan bentuknya secara unik. Pengenalan bentuk invariant dilakukan
dengan mengklasifikasi ruang fitur invariant moment multi-dimensi. Beberapa teknik
telah dikembangkan untuk penurunan fitur invariant dari moment objek untuk
representasi dan pengenalan objek. Teknik ini dibedakan oleh definisi momentnya,
seperti jenis data yang dieksploitasi dan metode untuk menurunkan nilai invariant dari
moment citra. (Hu, 1962) melakukan penghimpunan dasar matematika untuk moment
invariant dua dimensi dan menunjukkan aplikasinya dalam pengenalan bentuk untuk
pertama kali. Nilai moment invariant ini adalah invariant terhadap translasi, skala dan
rotasi bentuk salah satu metode untuk ektraksi ciri bentuk yang ada pada pengolahan
citra.
2.4.1. Konsep Invariant Moment
Invariant moment terdiri dari 7 nilai descriptor bentuk yang dihitung dari moment
pusat melalui tiga derajat yang bebas terhadap translasi, skala dan arah objek.
Invariant translasi dicapai dengan menghitung moment yang dinormalisasi dengan
pusat grafitasi sehingga pusat dari masa distribusi berada pada moment pusat. Moment
invariant ukuran diturunkan dari invariant aljabar tapi moment ini dapat diperlihatkan
dari hasil penyederhanaan momen ukuran. Dari nilai order dua dan tiga moment pusat
yang ternormalisasi, 7 moment invariant dapat dihitung yang juga bebas rotasi.
Secara tradisional, moment invariant dihitung berdasarkan informasi yang
diberikan oleh boundary bentuk dan daerah interiornya (Prokop & Reeves, 1992).
Moment digunakan untuk membentuk moment invariant yang didefinisikan secara
kontinu namun untuk implementasi praktis, moment dihitung secara diskrit.
Perhitungan invariant moment diambil dan diringkas dari (Hu, 1962) sebagai berikut.
Diberikan sebuah fungsi f(x,y) moment didefinisikan oleh :
�− �−
=∑ ∑
=
=
,
(2.5)
Universitas Sumatera Utara
12
Mpq merupakan moment dua dimensi dari fungsi f(x,y). Order moment adalah (p +
q) dimana p dan q adalah bilangan asli. Untuk implementasi di dalam bentuk digital
dinyatakan pada persamaan 2.6.
�− �−
=
(2.6)
,
=∑∑
=
Dimana m merupakan moment yang akan dicari, p dan q merupakan integer yaitu
0,1,2,…, H merupakan tinggi citra, W merupakan lebar citra, x merupakan baris, y
merupakan kolom, dan f(x,y) merupakan nilai intensitas citra. Selanjutnya moment
pusat untuk suatu citra dinyatakan pada persamaan 2.7.
�
�−
= ∑�−
= ∑ −
− ̅
,
−̅
(2.7)
Dimana nilai moment pusat ̅ merupakan hasil pembagian dari nilai moment pusat
m10 dan m00 sedangkan nilai moment pusat ̅ diperoleh dari hasil pembagian dari nilai
moment pusat m01 dan m00 yang dinyatakan pada persamaan 2.8.
̅=
dan ̅ =
(2.8)
Setelah mendapatkan nilai � , � , � , � , � , � , dan �
untuk setiap objek,
maka masuk ke tahap menormalisasikan nilai moment pusat dengan menggunakan
persamaan 2.9.
�
�
=�
(2.9)
�
Dimana � 00 merupakan nilai moment dimensi m00 dan ɣ diperoleh dari hasil
penjumlahan p dan q dibagi dengan 2 dan ditambah 1 yang dinotasikan pada
persamaan berikut:
�=
+
(2.10)
+1
Maka akan didapatkan nilai normalisasi moment pusat dari setiap objek � , � ,
� , � , � , � , dan � . Setelah itu masuk ke dalam persamaan 2.10 untuk
mendapatkan tujuh nilai invariant moment untuk setiap objek.
� = �
+�
� = � −�
+ �
(2.11)
Universitas Sumatera Utara
13
� = �
− �
� = �
+�
� = �
� = �
� =
− �
�
−�
+
−�
+
+ �
�
+ �
+�
+�
�
−�
�
+�
[ �
− �
�
+�
− �
[ �
�
+�
+�
− �
[ �
�
[ �
+�
+�
+�
−
−
[ �
�
+�
]+ �
�
+�
+�
]
− �
�
+�
+�
]
− �
+�
�
+�
]
+�
]
2.5. Jaringan Saraf Tiruan
Jaringan saraf tiruan merupakan suatu artificial intelligent yang mengolah informasi
dengan cara meniru kinerja jaringan saraf biologis yaitu otak manusia yang terjadi
pada jaringan sel syaraf (neuron). Konsep dari jaringan saraf tiruan ini adalah
menerima rangsangan lalu mengolah rangsangan tersebut dan keputusan diambil
berdasarkan pola yang telah dipelajari.
Tujuan melatih jaringan saraf tiruan adalah untuk mencapai keseimbangan
antara kemampuan memorisasi dan generalisasi. Kemampuan memorisasi merupakan
kemampuan untuk memanggil kembali sebuah pola yang telah dipelajari secara
sempurna sedangkan kemampuan generalisasi merupakan kemampuan untuk
menghasilkan respon yang dapat diterima terhadap pola-pola input yang serupa (tidak
identik) dengan pola – pola yang sebelumnya telah dipelajari (Bishop, 1995)
Komponen utama pada jaringan saraf tiruan yaitu :
1. Neuron
Neuron merupakan elemen pengolahan jaringan saraf tiruan. Pada setiap
neuron menerima input, memproses input (melakukan sejumlah perkalian
dengan melibatkan summation function dan fungsi aktivasi) dan
mengirimkan hasilnya berupa output (Puspitaninggrum, 2006).
2. Bobot
Bobot atau weight merupakan nilai yang mempresentasikan koneksi, yang
mentransfer data dari satu lapisan ke lapisan yang lain. Pada setiap
penghubung dilakukan operasi perkalian bobot dengan sinyal yang
melewati penghubung tersebut (Purnamasari, 2013).
Universitas Sumatera Utara
14
3. Summation Function
Summation function merupakan suatu fungsi yang digunakn untuk merata -
rata bobot dari semua elemen input dengan mengalikan setiap nilai input
dengan bobot dan menjumlahkan bobotnya
4. Fungsi Aktivasi
Fungsi aktivasi merupakan fungsi yang menentukan output dari suatu neuron
berdasarkan sinyal masukan yang diterima.
5. Layer
Layer merupakan lapisan pada jaringan saraf tiruan. Asritekur jaringan saraf
tiruan terbagi menjadi 3 yaitu jaringan lapisan tunggal dan lapisan
multilayer . Jaringan layer tunggal terdiri dari lapisan input dan output saja.
Sedangkan jaringan multilayer
terdiri dari lapisan input, lapisan
tersembunyi yang terletak diantara lapisan input dan lapisan output serta
lapisan output.
Pengelompokkan jaringan saraf tiruan terbagi menjadi 2 yaitu jaringan saraf tiruan
umpan maju dan jaringan saraf tiruan umpan balik
1. Jaringan saraf tiruan umpan maju (feed-forward networks)
Jaringan saraf tiruan umpan maju (feed-forward networks) merupakan sebuah
jaringan sederhana dimana signal bergerak dari input menuju lapisan
tersembunyi dan akhirnya mencapai unit output. Tipe jaringan umpan maju
mempunyai sel saraf yang tersusun dari beberapa lapisan. Lapisan ini
hanya mengenalkan suatu nilai dari suatu variabel. Lapisan tersembunyi
dan lapisan output sel syaraf terhubung satu sama lain dengan lapisan
sebelumnya. Contoh jaringan saraf tiruan umpan maju adalah single layer
perceptron, multi layer perceptron, Radial Basis Function (Argadinata,
2013).
2. Jaringan saraf tiruan umpan balik (feedback networks)
Jaringan saraf tiruan umpan balik (feedback networks) merupakan graf yang
mempunyai loop koneksi balik. Contoh jaringan saraf tiruan umpan balik
adalah Competitive networks, kohonen SOM, hopfield network, ART model.
Universitas Sumatera Utara
15
2.6. Radial Basis Function (RBF)
Radial Basis Function merupakan salah satu model jaringan saraf tiruan berbentuk
multilayer perceptron yang memperbaiki nilai-nilai bobot, nilai tengah, dan jarak
antar data untuk memecahkan suatu permasalahan (Buhmann, 2003). RBF terdiri dari
3 lapisan yaitu lapisan masukan (input layer), lapisan tersembunyi (hidden layer), dan
lapisan keluaran (output layer). Jaringan saraf tiruan RBF dapat digambarkan seperti
pada Gambar 2.2.
Gambar 2.2. Arsitektur umum Radial Basis Function
Neuron pada lapisan tersembunyi pada RBF melakukan transformasi nonlinear dan memetakan masukan pada neuron lapisan masukan ke neuron lapisan
tersembunyi tanpa parameter yang diubah-ubah. Selanjutnya neuron pada lapisan
keluaran melakukan kombinasi linear terhadap neuron lapisan tersembunyi dengan
parameter yang diubah-ubah yakni bobot hubungan antara neuron di lapisan
tersembunyi dengan neuron pada lapisan keluaran.
Pada jaringan RBF, hidden layer menggunakan fungsi gaussian sebagai fungsi
aktivasi Radial Basis Function (Bors, n.d.). Fungsi gaussian dinyatakan dengan:
� =
−
‖�− � ‖
�
(2.12)
Universitas Sumatera Utara
16
Dimana:
cj = nilai center Gaussian ke-j
σj = standar deviasi Gaussian ke-j
x = masukan fungsi basis
ϕj = fungsi Gaussian
Fungsi σ dinyatakan dengan persamaan 2.13.
Dimana
�=
���
√�
(2.13)
merupakan nilai distance atau jarak terbesar dari hiddenj dan Cj
merupakan nilai centroid pada hidden j.
2.6.1. Algoritma K-Means
Jaringan RBF mempunyai karakteristik dalam perhitungan fungsi aktivasi. RBF
membutuhkan sebuah metode untuk mendapatkan nilai centroid dan standar deviasi
pada jaringan hidden layer . Data input dikelompokkan menjadi beberapa kelompok
atau cluster sehingga nilai centroid dan standar deviasi lebih mudah untuk dihitung.
Salah satu cara untuk mendapatkan nilai centroid dan standar deviasi adalah
menggunakan metode K-Means. Flowchart algoritma K-Means dapat dilihat pada
Gambar 2.3 (Wu, 2012).
Universitas Sumatera Utara
17
Gambar 2.3. Flowchart algoritma K-Means Clustering (Wu, 2012)
Tahapan algoritma K-Means (Wu, 2012) dapat dijabarkan sebagai berikut:
1. Menentukan jumlah cluster atau kelompok pada jaringan Radial Basis
Function. Cluster merupakan jumlah hidden yang digunakan
2. Menentukan nilai centroid secara acak dari data dari sumber yang
ditentukan.
3. Menghitung jarak data ke centroid menggunakan Euclidean Distance
dengan persamaan 2.14
Dimana
( ,
)= √∑
=
−
²
adalah nilai vector input dari i dan
(2.14)
adalah nilai vektor dari
centroid hidden ke j.
Universitas Sumatera Utara
18
4. Kemudian memperbaharui nilai centroid dengan cara mencari nilai mean
dari anggota kelompok yang dapat dinyatakan pada persamaan sebagai
berikut.
∑ =
=
(2.15)
5. Pengelompokan data sesuai dengan kelompok atau cluster , yaitu data yang
memiliki jarak terpendek misalnya d( ,
kedalam kelompok 1.
< d( ,
maka
masuk
6. Ulangi langkah pertama sampai kelima hingga nilai centroid tidak berubah.
Setelah proses pencarian nilai centroid dari data input menggunakan algoritma
K-Means dilakukan, tahap selanjutnya dilakukan perhitungan nilai gaussian dengan
menggunakan persamaan 2.12. Nilai input hasil pencarian centroid digunakan pada
hidden layer . Sebelum menghitung nilai gaussian, nilai standar deviasi ditentukan
terlebih dahulu menggunakan persamaan 2.13.
Setelah nilai gaussian diketahui, maka proses selanjutnya adalah mencari nilai
deviasi adalah menghitung bobot baru (W) dengan mengalikan pseudoinverse dari
matriks G (gaussian) dengan vector target(d) dengan persamaan 2.15
= �+
= ���
−
(2.16)
��
Setelah nilai weight diketahui maka tahap selanjutnya adalah menyimpan
hasil nilai centroid dan nilai standar deviasi untuk dapat digunakan kembali pada saat
proses pengujian.
tahap selanjutnya adalah menghitung nilai output jaringan Y(n) ditambah
dengan bobot bias (b) dengan persamaan 2.16
= ∑
=
� ‖ − ‖+
)
(2.17)
2.7. Penelitian Terdahulu
Pada bagian ini akan dijabarkan beberapa penelitian terdahulu. Penelitian tentang
klasifikasi tanaman sudah dilakukan oleh peneliti terdahulu dengan menggunakan
berbagai metode. Penelitian untuk mengidentifikasi jenis tanaman dengan
menggunakan citra daun dilakukan oleh Sharma & Gupta (2015). Penelitian ini
Universitas Sumatera Utara
19
menggunakan metode Multilayer Feed Forward Neural Network untuk metode
klasifikasi. Hasil percobaan menunjukkan tingkat akurasi sebesar 91%.
Penelitian lain dilakukan oleh Agustin & Prasetyo (2011) mengenai klasifikasi
jenis pohon mangga gadung dan curut berdasarkan tekstur citra daun. Klasifikasi
dilakukan menggunakan metode K-Nearest Neighbor (KNN) dan Backpropagation.
Penelitian ini menggunakan 30 citra daun untuk setiap mangga dan memiliki tingkat
akurasi 65.19%.
Bowo et al. (2011) melakukan penelitian deteksi tepi untuk mengidentifikasi
pola daun dengan membandingkan tiga metode yaitu, Sobel, Prewitt dan Roberts.
Penelitian ini menggunan 5 jenis daun yang berbeda untuk mengetahui performansi
terbaik diantara ketiga metode dalam mengidentifikasi daun. Hasil pengujian
menunjukkan bahwa Prewitt dan Roberts mempunyai tingkat keberhasilan pengenalan
paling tinggi sebesar 75% sedangkan Sobel sebesar 74%.
Klasifikasi dan penggunaan Radial Basis Function juga telah dilakukan pada
penelitian terdahulu, Chairunnisaq (2016) melakukan penelitian pada padi dengan
mengklasifikasi warna tanaman padi untuk menentukan jumlah pupuk yang tepat
untuk tanaman tersebut menggunakan Radial Basis Function. Penelitian ini
menggunakan HSV model sebagai metode feature extraction dan memiliki tingkat
akurasi sebesar 90% dengan menggunakan 90 citra tanaman padi, dimana 60 citra
digunakan dalam proses training dan 30 citra lainnya digunakan dalam pengujian
sistem.
Penelitian lain yaitu mengenai pengenalan genre musik yang dilakukan oleh
Gradhianta & Fuad (2013). Musik ditransformasi menjadi bentuk digital. Kemudian
dilakukan proses ekstraksi fitur menggunakan Mel-Frequency Cepstrum Coefficients
(MFCC) dan Radial Basis Function sebagai metode klasifikasi. Hasil penelitian ini
dapat mengidentifikasi musik berdurasi 2 detik, 5 detik dan 10 detik dengan tingkat
akurasi 54.17% , 70.83% dan 75% secara berurutan.
Penelitian terdahulu yang telah dipaparkan akan diuraikan secara singkat pada
Tabel 2.2.
Universitas Sumatera Utara
20
Tabel 2.2. Penelitian terdahulu
No
Peneliti
Tahun
1.
Sapna Sharma & Chitvan
2015
Gupta
Metode
Multilayer Feed
Subchan Ajie Ari Bowo,
Akurasi sebesar 91%
Akurasi pengujian
Forward
NeuralNetwork
2.
Keterangan
2011
Achmad Hidayatno & R.
Sobel
Prewitt
deteksi tepi daun
Roberts
Rizal Isnanto
sebesar 74% untuk
sobel, 75% untuk
3.
4.
Chairunnisaq
Tangguh Gradhianta &
2016
2013
Yusuf Fuad
HSV
RBF
Prewitt dan Roberts
Akurasi pengujian
90% dengan 8% error
MFCC
RBF
ratio
Akurasi identifikasi
music berdurasi 2, 5
dan 10 detik sebesar
54.17%, 70.83% dan
5.
Soffiana Agustin & Eko
Prasetyo
2011
KNN
Backpropagation
75%
Akurasi sebesar
65.19%
Universitas Sumatera Utara
LANDASAN TEORI
2.1. Klasifikasi
Klasifikasi adalah sebuah proses untuk menemukan sebuah model yang menjelaskan
dan membedakan konsep atau kelas data dengan tujuan memperkirakan kelas dari
suatu objek yang kelasnya tidak diketahui (Tan et al., 2004). Dalam klasifikasi,
diberikan sejumlah record yang dinamakan data latih, yang terdiri dari beberapa
atribut yang dapat berupa kontinu ataupun kategoris, salah satu atribut menunjukkan
kelas untuk record, dimana pemetaannya dapat dilihat pada Gambar 2.1.
Gambar 2.1. Pemetaan atribut (x) ke dalam label kelas (y)
2.1.1.
Tujuan Klasifikasi
Tujuan dari klasifikasi adalah untuk :
1.
Menemukan model dari data latih yang membedakan record kedalam kategori
atau
kelas
yang
sesuai,
model
tersebut
kemudian
digunakan
untuk
mengklasifikasikan record yang kelasnya belum diketahui sebelumnya pada
testing set.
2.
Mengambil keputusan dengan memprediksi suatu kasus, berdasarkan hasil
klasifikasi yang diperoleh.
Universitas Sumatera Utara
7
2.1.2.
Konsep Pembuatan Model dalam Klasifikasi
Untuk mendapatkan model, harus dilakukan analisis terhadap data latih, Sedangkan
data uji digunakan untuk mengetahui tingkat akurasi dari model yang telah dihasilkan.
Klasifikasi dapat digunakan untuk memprediksi nama atau nilai kelas dari suatu objek
data. Proses klasifikasi data dapat dibedakan dalam dua tahap, yaitu :
1.
Pembangunan Model
Tiap-tiap record yang digunakan dalam pembangunan model dianalisis
berdasarkan nilai-nilai atributnya dengan menggunakan suatu algoritma
klasifikasi untuk mendapatkan model.
2.
Klasifikasi
Pada tahap ini, data diuji untuk mengetahui tingkat akurasi dari model yang
dihasilkan. Jika tingkat akurasi yang diperoleh sesuai dengan nilai yang
ditentukan, maka model tersebut dapat digunakan untuk mengklasifikasikan
record data baru yang belum pernah dilatihkan atau diujikan sebelumnya.
Pembuatan model menguraikan sebuah set dari penentuan kelas-kelas sebagai :
1.
Setiap record diasumsikan sudah mempunyai kelas yang dikenal
seperti ditentukan oleh label kelas atribut.
2.
Kumpulan record yang digunakan untuk membuat model disebut
data pelatihan.
3.
Model direpresentasikan sebagai pola dalam penentuan klasifikasi.
Penggunaan model menguraikan pengklasifikasian data yang akan diuji ataupun
objek yang belum diketahui. Adapun parameter keberhasilan dari model yang terdiri
dari:
1.
Label yang telah diketahui dari data latih dibandingkan dengan hasil
klasifikasi dari model.
2.
Nilai akurasi adalah persentase dari kumpulan data uji yang
diklasifikasikan secara tepat oleh model.
3.
Data uji tidak sama dengan data latih.
4.
Jika sesuai, gunakan model untuk mengklasifikasi data record yang
label kelasnya belum diketahui.
Universitas Sumatera Utara
8
2.2.Citra
Citra adalah suatu komponen multimedia yang berperan penting untuk memberikan
informasi yang bersifat visual dan memiliki karektiristik yang tidak dimiliki oleh teks
maupun audio (Hermawati, 2013). Citra didefinisikan sebagai fungsi dua dimensi
f(x,y), dimana x dan y merupakan koordinat spasial dengan nilai f pada koordinat
tersebut yang diberi nama intensitas (intensity) atau gray level (Gonzales et al., 2002).
2.2.1. Citra Warna
Citra warna atau citra RGB merupakan jenis citra yang menyediakan warna dalam
bentuk red (R), green (G), dan blue (B). Setiap komponen warna menggunakan 8 bit,
nilainya berada diantara 0 sampai 255. Warna yang disediakan yaitu 255 x 255 x 255.
Warna ini disebut juga dengan true color karena memiliki jumlah warna yang cukup
besar.
2.2.2. Citra Keabuan
Citra keabuan menggunakan warna hitam sebagai warna minimum, warna putih
sebagai warna maksimum, dan warna abu-abu yaitu warna diantara warna dimana
komponen merah, hijau, dan biru memiliki intensitas yang sama. Jumlah bit yang
dibutuhkan untuk tiap piksel menentukan jumlah tingkat keabuan yang tersedia.
Misalnya untuk citra keabuan 8 bit yang tersedia adalah
atau 256.
2.3. Pengolahan Citra
Pengolahan citra atau image processing adalah ilmu yang mempelajari tentang
manipulasi dan modifikasi citra, seperti perbaikan kualitas citra, pemilihan ciri citra
atau feature images yang bertujuan untuk analisis, dan transformasi citra dengan
menggunakan komputer untuk mendapatkan hasil yang lebih baik (Kadir et al., 2013).
2.3.1. Grayscaling
Grayscaling merupakan proses mengubah citra warna (RGB) menjadi citra keabuan.
Grayscaling digunakan untuk menyederhanakan model citra RGB yang memiliki 3
layer matriks, yaitu layer matriks red, green, dan blue menjadi 1 layer matriks
keabuan. Grayscaling dilakukan dengan cara nilai rata-rata dari total nilai red, green,
Universitas Sumatera Utara
9
dan blue dengan konstanta yang jumlahnya 1, ditunjukkan pada persamaan 2.1 (Kadir
& Susanto, 2012).
I = a x R + b x G + c x B,
a+ b+ c = 1
(2.1)
Dimana:
I
= nilai intensitas keabuan sebuah piksel citra hasil grayscaling
R
= nilai komponen merah pada sebuah piksel
G
= nilai komponen hijau sebuah piksel
B
= nilai komponen biru sebuah piksel
2.3.2. Gaussian
Gaussian filtering didapat dari hasil operasi konvolusi. Operasi perkalian yang
dilakukan ialah perkalian antara matriks kernel dengan matriks gambar asli.
Perhitungan matriks kernel gauss didapat dari fungsi komputasi dari distribusi
Gaussian berdasarkan teori gaussian function (Weisstein, 2002), seperti pada
persamaan 2.2.
� ,
Dimana:
=
−
��
−
+ −
�
(2.2)
� = konstanta
G (i, j) = elemen matriks kernel gauss pada posisi (i, j)
(u, v)
= indeks tengah dari matriks kernel gauss
Contoh matriks kernel gauss 5 x 5 dengan � = 1.0 ditunjukkan pada Tabel 2.1.
Tabel 2.1. Contoh matriks kernel gaussian 5 x 5 dengan � = 1.0
1
4
7
4
1
4
16
26
16
4
7
26
41
26
7
4
16
26
16
4
1
4
7
4
1
Universitas Sumatera Utara
10
Perkalian antara bobot matriks gambar asli dengan bobot matriks kernel gauss
ditunjukkan pada persamaan 2.3.
�
Dimana:
,
= .∑
−
=
(∑
−
=
�
,
.�
+
−
−
Piksel A
= gambar A (Gambar Asli)
Piksel B(i,j)
= bobot hasil perkalian pada posisi (i,j)
N
= jumlah kolom matriks kernel
M
= jumlah baris matriks kernel
K
= jumlah semua bobot di G
G(p,q)
= elemen matriks kernel gauss pada posisi (p,q)
, +
−
−
)
(2.3)
2.3.3. Thresholding
Cara untuk mengubah citra keabuan menjadi citra biner adalah thresholding. Proses
thresholding menggunakan nilai batas (threshold) untuk mengubah nilai piksel pada
citra keabuan menjadi hitam atau putih. Jika nilai piksel pada citra keabuan lebih besar
dari threshold, maka nilai piksel akan diganti dengan 1 (putih), sebaliknya jika nilai
piksel citra keabuan lebih kecil dari threshold maka nilai piksel akan diganti dengan 0
(hitam).
Thresholding sering disebut dengan proses binerisasi. Thresholding dapat
digunakan dalam proses segmentasi citra untuk mengidentifikasi dan memisahkan
objek yang diinginkan dari background berdasarkan distribusi tingkat keabuan atau
tekstur citra (Liao et.al., 2001). Proses thresholding ditunjukkan pada persamaan 2.4.
Dimana:
,
{
,
,
>�
}
≤�
(2.4)
g (x,y) = piksel citra hasil binerisasi
f (x,y) = piksel citra asal
T
= nilai threshold
Universitas Sumatera Utara
11
2.4. Invariant moment
Invariant moment sering digunakan sebagai fitur dalam pemrosesan citra, pengenalan
bentuk maupun klasifikasi. Moment dapat memberikan karakteristik suatu objek yang
merepresentasikan bentuknya secara unik. Pengenalan bentuk invariant dilakukan
dengan mengklasifikasi ruang fitur invariant moment multi-dimensi. Beberapa teknik
telah dikembangkan untuk penurunan fitur invariant dari moment objek untuk
representasi dan pengenalan objek. Teknik ini dibedakan oleh definisi momentnya,
seperti jenis data yang dieksploitasi dan metode untuk menurunkan nilai invariant dari
moment citra. (Hu, 1962) melakukan penghimpunan dasar matematika untuk moment
invariant dua dimensi dan menunjukkan aplikasinya dalam pengenalan bentuk untuk
pertama kali. Nilai moment invariant ini adalah invariant terhadap translasi, skala dan
rotasi bentuk salah satu metode untuk ektraksi ciri bentuk yang ada pada pengolahan
citra.
2.4.1. Konsep Invariant Moment
Invariant moment terdiri dari 7 nilai descriptor bentuk yang dihitung dari moment
pusat melalui tiga derajat yang bebas terhadap translasi, skala dan arah objek.
Invariant translasi dicapai dengan menghitung moment yang dinormalisasi dengan
pusat grafitasi sehingga pusat dari masa distribusi berada pada moment pusat. Moment
invariant ukuran diturunkan dari invariant aljabar tapi moment ini dapat diperlihatkan
dari hasil penyederhanaan momen ukuran. Dari nilai order dua dan tiga moment pusat
yang ternormalisasi, 7 moment invariant dapat dihitung yang juga bebas rotasi.
Secara tradisional, moment invariant dihitung berdasarkan informasi yang
diberikan oleh boundary bentuk dan daerah interiornya (Prokop & Reeves, 1992).
Moment digunakan untuk membentuk moment invariant yang didefinisikan secara
kontinu namun untuk implementasi praktis, moment dihitung secara diskrit.
Perhitungan invariant moment diambil dan diringkas dari (Hu, 1962) sebagai berikut.
Diberikan sebuah fungsi f(x,y) moment didefinisikan oleh :
�− �−
=∑ ∑
=
=
,
(2.5)
Universitas Sumatera Utara
12
Mpq merupakan moment dua dimensi dari fungsi f(x,y). Order moment adalah (p +
q) dimana p dan q adalah bilangan asli. Untuk implementasi di dalam bentuk digital
dinyatakan pada persamaan 2.6.
�− �−
=
(2.6)
,
=∑∑
=
Dimana m merupakan moment yang akan dicari, p dan q merupakan integer yaitu
0,1,2,…, H merupakan tinggi citra, W merupakan lebar citra, x merupakan baris, y
merupakan kolom, dan f(x,y) merupakan nilai intensitas citra. Selanjutnya moment
pusat untuk suatu citra dinyatakan pada persamaan 2.7.
�
�−
= ∑�−
= ∑ −
− ̅
,
−̅
(2.7)
Dimana nilai moment pusat ̅ merupakan hasil pembagian dari nilai moment pusat
m10 dan m00 sedangkan nilai moment pusat ̅ diperoleh dari hasil pembagian dari nilai
moment pusat m01 dan m00 yang dinyatakan pada persamaan 2.8.
̅=
dan ̅ =
(2.8)
Setelah mendapatkan nilai � , � , � , � , � , � , dan �
untuk setiap objek,
maka masuk ke tahap menormalisasikan nilai moment pusat dengan menggunakan
persamaan 2.9.
�
�
=�
(2.9)
�
Dimana � 00 merupakan nilai moment dimensi m00 dan ɣ diperoleh dari hasil
penjumlahan p dan q dibagi dengan 2 dan ditambah 1 yang dinotasikan pada
persamaan berikut:
�=
+
(2.10)
+1
Maka akan didapatkan nilai normalisasi moment pusat dari setiap objek � , � ,
� , � , � , � , dan � . Setelah itu masuk ke dalam persamaan 2.10 untuk
mendapatkan tujuh nilai invariant moment untuk setiap objek.
� = �
+�
� = � −�
+ �
(2.11)
Universitas Sumatera Utara
13
� = �
− �
� = �
+�
� = �
� = �
� =
− �
�
−�
+
−�
+
+ �
�
+ �
+�
+�
�
−�
�
+�
[ �
− �
�
+�
− �
[ �
�
+�
+�
− �
[ �
�
[ �
+�
+�
+�
−
−
[ �
�
+�
]+ �
�
+�
+�
]
− �
�
+�
+�
]
− �
+�
�
+�
]
+�
]
2.5. Jaringan Saraf Tiruan
Jaringan saraf tiruan merupakan suatu artificial intelligent yang mengolah informasi
dengan cara meniru kinerja jaringan saraf biologis yaitu otak manusia yang terjadi
pada jaringan sel syaraf (neuron). Konsep dari jaringan saraf tiruan ini adalah
menerima rangsangan lalu mengolah rangsangan tersebut dan keputusan diambil
berdasarkan pola yang telah dipelajari.
Tujuan melatih jaringan saraf tiruan adalah untuk mencapai keseimbangan
antara kemampuan memorisasi dan generalisasi. Kemampuan memorisasi merupakan
kemampuan untuk memanggil kembali sebuah pola yang telah dipelajari secara
sempurna sedangkan kemampuan generalisasi merupakan kemampuan untuk
menghasilkan respon yang dapat diterima terhadap pola-pola input yang serupa (tidak
identik) dengan pola – pola yang sebelumnya telah dipelajari (Bishop, 1995)
Komponen utama pada jaringan saraf tiruan yaitu :
1. Neuron
Neuron merupakan elemen pengolahan jaringan saraf tiruan. Pada setiap
neuron menerima input, memproses input (melakukan sejumlah perkalian
dengan melibatkan summation function dan fungsi aktivasi) dan
mengirimkan hasilnya berupa output (Puspitaninggrum, 2006).
2. Bobot
Bobot atau weight merupakan nilai yang mempresentasikan koneksi, yang
mentransfer data dari satu lapisan ke lapisan yang lain. Pada setiap
penghubung dilakukan operasi perkalian bobot dengan sinyal yang
melewati penghubung tersebut (Purnamasari, 2013).
Universitas Sumatera Utara
14
3. Summation Function
Summation function merupakan suatu fungsi yang digunakn untuk merata -
rata bobot dari semua elemen input dengan mengalikan setiap nilai input
dengan bobot dan menjumlahkan bobotnya
4. Fungsi Aktivasi
Fungsi aktivasi merupakan fungsi yang menentukan output dari suatu neuron
berdasarkan sinyal masukan yang diterima.
5. Layer
Layer merupakan lapisan pada jaringan saraf tiruan. Asritekur jaringan saraf
tiruan terbagi menjadi 3 yaitu jaringan lapisan tunggal dan lapisan
multilayer . Jaringan layer tunggal terdiri dari lapisan input dan output saja.
Sedangkan jaringan multilayer
terdiri dari lapisan input, lapisan
tersembunyi yang terletak diantara lapisan input dan lapisan output serta
lapisan output.
Pengelompokkan jaringan saraf tiruan terbagi menjadi 2 yaitu jaringan saraf tiruan
umpan maju dan jaringan saraf tiruan umpan balik
1. Jaringan saraf tiruan umpan maju (feed-forward networks)
Jaringan saraf tiruan umpan maju (feed-forward networks) merupakan sebuah
jaringan sederhana dimana signal bergerak dari input menuju lapisan
tersembunyi dan akhirnya mencapai unit output. Tipe jaringan umpan maju
mempunyai sel saraf yang tersusun dari beberapa lapisan. Lapisan ini
hanya mengenalkan suatu nilai dari suatu variabel. Lapisan tersembunyi
dan lapisan output sel syaraf terhubung satu sama lain dengan lapisan
sebelumnya. Contoh jaringan saraf tiruan umpan maju adalah single layer
perceptron, multi layer perceptron, Radial Basis Function (Argadinata,
2013).
2. Jaringan saraf tiruan umpan balik (feedback networks)
Jaringan saraf tiruan umpan balik (feedback networks) merupakan graf yang
mempunyai loop koneksi balik. Contoh jaringan saraf tiruan umpan balik
adalah Competitive networks, kohonen SOM, hopfield network, ART model.
Universitas Sumatera Utara
15
2.6. Radial Basis Function (RBF)
Radial Basis Function merupakan salah satu model jaringan saraf tiruan berbentuk
multilayer perceptron yang memperbaiki nilai-nilai bobot, nilai tengah, dan jarak
antar data untuk memecahkan suatu permasalahan (Buhmann, 2003). RBF terdiri dari
3 lapisan yaitu lapisan masukan (input layer), lapisan tersembunyi (hidden layer), dan
lapisan keluaran (output layer). Jaringan saraf tiruan RBF dapat digambarkan seperti
pada Gambar 2.2.
Gambar 2.2. Arsitektur umum Radial Basis Function
Neuron pada lapisan tersembunyi pada RBF melakukan transformasi nonlinear dan memetakan masukan pada neuron lapisan masukan ke neuron lapisan
tersembunyi tanpa parameter yang diubah-ubah. Selanjutnya neuron pada lapisan
keluaran melakukan kombinasi linear terhadap neuron lapisan tersembunyi dengan
parameter yang diubah-ubah yakni bobot hubungan antara neuron di lapisan
tersembunyi dengan neuron pada lapisan keluaran.
Pada jaringan RBF, hidden layer menggunakan fungsi gaussian sebagai fungsi
aktivasi Radial Basis Function (Bors, n.d.). Fungsi gaussian dinyatakan dengan:
� =
−
‖�− � ‖
�
(2.12)
Universitas Sumatera Utara
16
Dimana:
cj = nilai center Gaussian ke-j
σj = standar deviasi Gaussian ke-j
x = masukan fungsi basis
ϕj = fungsi Gaussian
Fungsi σ dinyatakan dengan persamaan 2.13.
Dimana
�=
���
√�
(2.13)
merupakan nilai distance atau jarak terbesar dari hiddenj dan Cj
merupakan nilai centroid pada hidden j.
2.6.1. Algoritma K-Means
Jaringan RBF mempunyai karakteristik dalam perhitungan fungsi aktivasi. RBF
membutuhkan sebuah metode untuk mendapatkan nilai centroid dan standar deviasi
pada jaringan hidden layer . Data input dikelompokkan menjadi beberapa kelompok
atau cluster sehingga nilai centroid dan standar deviasi lebih mudah untuk dihitung.
Salah satu cara untuk mendapatkan nilai centroid dan standar deviasi adalah
menggunakan metode K-Means. Flowchart algoritma K-Means dapat dilihat pada
Gambar 2.3 (Wu, 2012).
Universitas Sumatera Utara
17
Gambar 2.3. Flowchart algoritma K-Means Clustering (Wu, 2012)
Tahapan algoritma K-Means (Wu, 2012) dapat dijabarkan sebagai berikut:
1. Menentukan jumlah cluster atau kelompok pada jaringan Radial Basis
Function. Cluster merupakan jumlah hidden yang digunakan
2. Menentukan nilai centroid secara acak dari data dari sumber yang
ditentukan.
3. Menghitung jarak data ke centroid menggunakan Euclidean Distance
dengan persamaan 2.14
Dimana
( ,
)= √∑
=
−
²
adalah nilai vector input dari i dan
(2.14)
adalah nilai vektor dari
centroid hidden ke j.
Universitas Sumatera Utara
18
4. Kemudian memperbaharui nilai centroid dengan cara mencari nilai mean
dari anggota kelompok yang dapat dinyatakan pada persamaan sebagai
berikut.
∑ =
=
(2.15)
5. Pengelompokan data sesuai dengan kelompok atau cluster , yaitu data yang
memiliki jarak terpendek misalnya d( ,
kedalam kelompok 1.
< d( ,
maka
masuk
6. Ulangi langkah pertama sampai kelima hingga nilai centroid tidak berubah.
Setelah proses pencarian nilai centroid dari data input menggunakan algoritma
K-Means dilakukan, tahap selanjutnya dilakukan perhitungan nilai gaussian dengan
menggunakan persamaan 2.12. Nilai input hasil pencarian centroid digunakan pada
hidden layer . Sebelum menghitung nilai gaussian, nilai standar deviasi ditentukan
terlebih dahulu menggunakan persamaan 2.13.
Setelah nilai gaussian diketahui, maka proses selanjutnya adalah mencari nilai
deviasi adalah menghitung bobot baru (W) dengan mengalikan pseudoinverse dari
matriks G (gaussian) dengan vector target(d) dengan persamaan 2.15
= �+
= ���
−
(2.16)
��
Setelah nilai weight diketahui maka tahap selanjutnya adalah menyimpan
hasil nilai centroid dan nilai standar deviasi untuk dapat digunakan kembali pada saat
proses pengujian.
tahap selanjutnya adalah menghitung nilai output jaringan Y(n) ditambah
dengan bobot bias (b) dengan persamaan 2.16
= ∑
=
� ‖ − ‖+
)
(2.17)
2.7. Penelitian Terdahulu
Pada bagian ini akan dijabarkan beberapa penelitian terdahulu. Penelitian tentang
klasifikasi tanaman sudah dilakukan oleh peneliti terdahulu dengan menggunakan
berbagai metode. Penelitian untuk mengidentifikasi jenis tanaman dengan
menggunakan citra daun dilakukan oleh Sharma & Gupta (2015). Penelitian ini
Universitas Sumatera Utara
19
menggunakan metode Multilayer Feed Forward Neural Network untuk metode
klasifikasi. Hasil percobaan menunjukkan tingkat akurasi sebesar 91%.
Penelitian lain dilakukan oleh Agustin & Prasetyo (2011) mengenai klasifikasi
jenis pohon mangga gadung dan curut berdasarkan tekstur citra daun. Klasifikasi
dilakukan menggunakan metode K-Nearest Neighbor (KNN) dan Backpropagation.
Penelitian ini menggunakan 30 citra daun untuk setiap mangga dan memiliki tingkat
akurasi 65.19%.
Bowo et al. (2011) melakukan penelitian deteksi tepi untuk mengidentifikasi
pola daun dengan membandingkan tiga metode yaitu, Sobel, Prewitt dan Roberts.
Penelitian ini menggunan 5 jenis daun yang berbeda untuk mengetahui performansi
terbaik diantara ketiga metode dalam mengidentifikasi daun. Hasil pengujian
menunjukkan bahwa Prewitt dan Roberts mempunyai tingkat keberhasilan pengenalan
paling tinggi sebesar 75% sedangkan Sobel sebesar 74%.
Klasifikasi dan penggunaan Radial Basis Function juga telah dilakukan pada
penelitian terdahulu, Chairunnisaq (2016) melakukan penelitian pada padi dengan
mengklasifikasi warna tanaman padi untuk menentukan jumlah pupuk yang tepat
untuk tanaman tersebut menggunakan Radial Basis Function. Penelitian ini
menggunakan HSV model sebagai metode feature extraction dan memiliki tingkat
akurasi sebesar 90% dengan menggunakan 90 citra tanaman padi, dimana 60 citra
digunakan dalam proses training dan 30 citra lainnya digunakan dalam pengujian
sistem.
Penelitian lain yaitu mengenai pengenalan genre musik yang dilakukan oleh
Gradhianta & Fuad (2013). Musik ditransformasi menjadi bentuk digital. Kemudian
dilakukan proses ekstraksi fitur menggunakan Mel-Frequency Cepstrum Coefficients
(MFCC) dan Radial Basis Function sebagai metode klasifikasi. Hasil penelitian ini
dapat mengidentifikasi musik berdurasi 2 detik, 5 detik dan 10 detik dengan tingkat
akurasi 54.17% , 70.83% dan 75% secara berurutan.
Penelitian terdahulu yang telah dipaparkan akan diuraikan secara singkat pada
Tabel 2.2.
Universitas Sumatera Utara
20
Tabel 2.2. Penelitian terdahulu
No
Peneliti
Tahun
1.
Sapna Sharma & Chitvan
2015
Gupta
Metode
Multilayer Feed
Subchan Ajie Ari Bowo,
Akurasi sebesar 91%
Akurasi pengujian
Forward
NeuralNetwork
2.
Keterangan
2011
Achmad Hidayatno & R.
Sobel
Prewitt
deteksi tepi daun
Roberts
Rizal Isnanto
sebesar 74% untuk
sobel, 75% untuk
3.
4.
Chairunnisaq
Tangguh Gradhianta &
2016
2013
Yusuf Fuad
HSV
RBF
Prewitt dan Roberts
Akurasi pengujian
90% dengan 8% error
MFCC
RBF
ratio
Akurasi identifikasi
music berdurasi 2, 5
dan 10 detik sebesar
54.17%, 70.83% dan
5.
Soffiana Agustin & Eko
Prasetyo
2011
KNN
Backpropagation
75%
Akurasi sebesar
65.19%
Universitas Sumatera Utara