Bab III Pencit
Bab III Pencit
1.
2.
3.
4.
5.
6.
Fuzzy system (sistem kabur) didasari atas konsep himpunan kabur yang
memetakan domain input kedalam domain output. Perbedaan mendasar himpunan
tegas dengan himpunan kabur adalah nilai keluarannya. Himpunan tegas hanya
memiliki dua nilai output yaitu nol atau satu, sedangkan himpunan kabur memiliki
banyak nilai keluaran yang dikenal dengan nilai derajat keanggotaannya. Logika fuzzy
adalah peningkatan dari logika Boolean yang berhadapan dengan konsep kebenaran
sebagian. Dimana logika klasik (crisp) menyatakan bahwa segala hal dapat
diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak). Logika
fuzzy menggantikan kebenaran Boolean dengan tingkat kebenaran. Logika fuzzy
memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan
putih, dan dalam bentuk linguistic, konsep tidak pasti seperti sedikit, lumayan,
dan sangat. Logika ini diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas
California, Barkeley pada tahun 1965. Logika fuzzy telah digunakan pada bidangbidang seperti taksonomi, topologi, linguistik, teori automata, teori pengendalian,
psikologi, pattern recognition, pengobatan, hukum, decision analysis, system theory
and information retrieval. Pendekatan fuzzy memiliki kelebihan pada hasil yang
terkait dengan sifat kognitif manusia, khususnya pada situasi yang melibatkan
pembentukan konsep, pengenalan pola, dan pengambilan keputusan dalam lingkungan
yang tidak pasti atau tidak jelas.
Ada beberapa alasan mengapa orang menggunakan logika fuzzy (Kusumadewi
S, Purnomo H, 2010) antara lain:
Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy
sangat sederhana dan mudah dimengerti.
Logika fuzzy sangat fleksibel
Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.
Logika fuzzy dapat membangun dan mengaplikasikan pengalaman pengalaman para pakar
secara langsung tanpa harus melalui proses pelatihan.
Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
2. Himpunan Fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau
keadaan tertentu dalam suatu variabel fuzzy.
Contoh:
a. Variable mahasiswa, terbagi menjadi 5 himpunan fuzzy, yaitu: kurang
sekali, kurang, cukup, baik dan baik sekali.
b. Variabel dosen, terbagi menjadi 3 himpunan fuzzy, yaitu: cukup, baik,
dan baik sekali. Seperti terlihat pada gambar 3.1
Kedua, merupakan kebalikan dari yang pertama. Garis lurus dimulai dari nilai
domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak
menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah. Seperti
terlihat pada gambar 3.3.
3.2.4.7 Defuzzyfikasi
Defuzzyfikasi adalah proses memetakan besaran dari himpunan fuzzy ke
dalam bentuk nilai crisp. Strategi yang umum dipakai dalam defuzzifikasi adalah
menentukan bentuk kompromi terbaik.
Metode-metode untuk strategi defuzzyfikasi adalah:
1. Metode keanggotaan maximum (maxmembership)
2. Metode pusat luas (Center of Area, CoA).
3. Metode keanggotaan maksimum rata-rata ( Meanmax Membership )
1. Metode keanggotaan maximum (max-membership) atau largest
maximum (LOM)
Metode ini dikenal juga dengan metode tinggi. Solusi crisp diperoleh dengan
mengambil derajat keanggotaan tertinggi dari semua hasil agregasi. Misalkan Z
adalah himpunan fuzzi.
maka (z*) (z) untuk setiap z Z
3.3.1 Implementasi Metode Logika Samar pada Deteksi Tepi Citra Digital
Deteksi tepi citra digital adalah salah satu dari sekian jenis pengolahan citra, dalam
mendeteksi suatu tepi citra digital sering kali digunakan berbagai metode klasik seperti
metode Sobel dan Metode Prewit. Selain deteksi dengan menggunakan metode klasik,
terdapat metode cerdas, yaitu deteksi tepi dengan menggunakan metode logika samar atau
fuzzy logic, dengan menggunakan logika fuzzy kita dapat mengatasi ambiguitas dan
ketidakjelasan gambar dengan benar, seperti perbedaan membatasi tingkat kecerahan gambar.
Fuzzy logic dianggap mampu menangani proses deteksi tepi.
Secara umum pendeteksian tepi suatu citra digital dapat diartikan sebagai suatu proses
yang menghasilkan tepi-tepi dari obyek-obyek yang terdapat dalam citra digital tersebut.
Pendeteksian tepi merupakan proses awal dari pengenalan pola yang dalam kehidupan seharihari diterapkan di berbagai pola yang dalam kehidupan sehari-hari diterapkan di berbagai hal,
antara lain pengenalan wajah, identifikasi sidik jari dan rekam medis dimana batas-batas
wilayah tertentu diperlukan untuk analisis citra lebih lanjut, tujuan utama dari deteksi tepi
adalah untuk menentukan piksel2 yang sesuai dengan objek terlihat.
Langkah Kerja
Untuk lebih memperjelas penggunaan logika samar pada pendeteksian tepi citra
digital digunakan DFD (Data Flow Diagram) yaitu suatu bentuk diagram alur yang dibagibagi per level dimana tiap level memiliki karakteristik tertentu, dimulai dari level 0 hingga
level yang kita inginkan sesuai dengan pembagian penjelasan kita. dimana level 0
memberikan gambaran data yang mengalir antara sistem dengan lingungan yang
Level1
Pada
1.
2.
3.
4.
5.
DFD level 2
sebagai
berikut
DFD level 2 proses 1 (proses Fuzzy) terdapat tiga buah proses, yaitu :
Proses Fuzzyfikasi (1.1), yaitu proses modifikasi variabel citra akan dirubah dari nilai level
keabu-abuan menjadi nilai keanggotaan fuzzy
proses modifikasi nilai keanggotaan (1.2), pada tahapan ini hasil dari image fuzzification
yang berupa fuzzy sets yang dikelompokkan berupa beberapa variabel yaitu black, white dan
edge
Proses Defuzzifikasi(1.3) yaitu proses pencarian nilai crisp dari output proses sebelumnya.
output dari proses defuzzyfikasi ini berupa tingkat keabu-abuan
Proses Treesholding adalah proses mengubah citra biner atau hitam putih sehingga dapat
diketahui daerah mana yang termasuk obyek dan background dari citra secara jeals.
Proses Tampil Citra, yaitu proses menampilkan citra hasil kepada user
Secara umum Proses mendeteksi tepi citra digital dapat dilihat melalui flowchart
berikut ini :
Perbedaan Deteksi Tepi Citra Digital dengan Metode klasik dan Metode Logika samar
Metode logika samar merupakan metode cerdas dalam melakukan pengolahan citra
terutama pada pendeteksian tepi citra digital, perbedaan ini dapat dilihat pada gambar hasil
tes berikut, dimana metode logika samar memberikan gambar yang lebih jelas.
Dapat diketaui bahwa dengan menggunakan logika samar kita juga bisa mendeteksi
tepi citra digital dan mendapatkan hasil yang lebih baik dibandingkan dengan metode klasik
Proses pengenalan wajah dilakukan dengan mengubah nilai pixel warna RGB
(Red Green Blue) citra wajah domain spasial kedalam domain frekuensi enggunakan
persamaan 2D-DCT sampai didapat invers 2D-DCT dari citra wajah referensi maupun
citra wajah data base. Kemudian hasil terkecil perbandingan invers 2D-DCT dari citra
wajah referensi dan citra wajah data base merupakan hasil dari proses pengenalan.
Berikut algoritma face recognition:
C.
Flowchart
Wajah
Pengambilan
data
Dilihat dari flowchart di atas, mulai dari pengambilan wajah dari interface
kamera, kita telah mendapatkan variable-variabel dari wajah yang tampak depan dan
saming dari wajah dosen. Setelah itu dimasukkan dalam database. Dan dari face
detection dan face recognition, warna kulit dari wajah yang warna dasarnya RGB itu
diubah menjadi warna Grayscale untuk lebih mudah diidentifikasi dengan
menggunakan metode fuzzy untuk mendapatkan citra yang lebih baik
Face detection (%) adalah perkiraan nilai menurut penglihatan user. Dengan
asusmsi penilaian adalah bahwa untuk nilai maksimum face yang terdeteksi adalah
bagian wajah saja tanpa telinga, tanpa leher, tanpa background dan tidak ada bagian
wajah tidak terpotong. Proses face recognition dilakukan menggunakan background
warna putih dengan tidak melakukan pengukuran intensitas cahaya dengan nilai
eigentface kurang dari 0,1. Pada penelitian ini belum sampai tahap pembangunan
database dosen mengajar danhasil citra wajah hasil proses face recognition belum
digunakan sebagai key untuk mengambil data dosen dalam database yang menentukan
ruang dosen mengajar dan matakuliah yang diajarkan. Penelitian ini baru sampai pada
tahap face recognition yang dilakukan secara real time.
2 Tahapan-Tahapan
Pengolahan citra dan pengenalan pola menjadi bagian dari proses pengenalan citra. Kedua
aplikasi ini akan saling melengkapi untuk mendapatkan ciri khas dari suatu citra yang hendak
dikenali. Secara umum tahapan pengolahan citra digital meliputi :
1. Akuisisi Citra (Pengambilan Data Retina/Retina Scanning)
Pengambilan data dapat dilakukan dengan menggunakan berbagai media seperti
kamera analog, handycam, scanner, optical reader dan sebagainya. Citra yang dihasilkan
belum tentu data digital, sehingga perlu didigitalisasi
2. Peningkatan Kualitas Citra
Pada tahap ini dikenal dengan pre-processing dimana dalam meningkatkan kualitas
citra dapat meningkatkan kemungkinan dalam keberhasilan pada tahap pengolahan citra
digital berikutnya
3. Segmentasi Citra (Dengan Logika Neuro-Fuzzy)
Segmentasi bertujuan untuk memilih dan mengisolasikan (misahkan) suatu objek dari
keseluruhan citra. Tahap downsampling merupakan proses untuk menurunkan jumlah pixel
dan menghilangkan sebagian informasi dari citra dengan resolusi citra yang tetap.
Downsampling menghasilkan ukuran citra yang lebih kecil
4. Representasi dan Uraian
Representasi mengacu pada data konversi dari hasil segmentasi ke bentuk yang lebih
sesuai untuk proses pengolahan pada computer. Keputusan pertama yang harus sudah
dihasilkan pada tahap ini adalah data yang akan diproses dalam batasan-batasan atau daerah
yang lengkap
5. Pengenalan dan Interpretasi
Pengenalan (recognition) pola tidak hanya bertujuan untuk mendapatkan citra dengan suatu
kualitas tertentu, tetapi juga untuk mengklasifikasikan bermacam-macam citra. Dari sejumlah
citra diolah sehingga citra dengan ciri yang sama akan dikelompokkan pada suatu kelompok
tertentu. Interpretasi meliputi penekanan dalam menggantikan objek yang dikenali
3 Flowchart
Seperti terlihat pada Gambar, program ini diawali dengan pembacaan data retina
masukan yang telah tersedia, yang kemudian di olah pada tahapan ROI Block untuk
mendapatkan region of interest dari retina. Selanjutnya pada tahapan Image Block, citra
retina hasil dari ROI, kemudian dibagi menjadi blok blok citra berukuran 4 x 4. Kemudian
dilakukan konversi warna citra retina dari RGB (Red Green Blue) ke HSV (Hue Saturation
Value). Tahapan berikutnya adalah Color Feature Extraction, citra yang telah melewati proses
pembentukan Image Block diproses melalui ekstraksi fitur warna, untuk mendapatkan ciri
citra dalam suatu nilai Hue, Saturation dan Value. Nilai HSV ini selanjutnya digunakan
sebagai parameter karakteristik bagi Adaptive Neuro Fuzzy Inference System (ANFIS).
Dimana pada program ini, tipe membership function yang digunakan adalah fungsi
keanggotaan Trapesium dan fungsi keanggotaan Gaussian.
Proses Crop ROI Block
Program ini diawali dengan melakukan pemisahan ROI retina dari suatu citra retina.
Pemisahan ini dilakukan untuk memisahkan bagian retina mata yang penting atau yang
diinginkan untuk diuji yang hasilnya akan dimasukkan kedalam database utama retina dan
dilatih dengan logika fuzzy . Dimana bagian dari retina tersebut terdiri dari syaraf-syaraf
pusat retina.
Dari seluruh sampel retina yang ada, masingmasing sampel diperlakukan sama
dengan pengambilan ROI sebanyak 4 kali. Pengambilan ROI pertama, diambil bagian paling
tengah retina berupa pusat syaraf optik seperti ditunjukkan pada Gambar
Pengambilan kedua, dilakukan agak sedikit melebar keluar dari pengambilan pertama seperti
ditunjukkan pada Gambar
Dan pada pengambilan keempat, dilakukan pengambilan hampir seluruh bagian dari citra
retina yang dianggap cukup mewakili bagian retina keseluruhan dari suatu sampel seperti
ditunjukkan pada Gambar
ROI secara manual didapat dengan melakukan proses pemotongan dimana proses ini
menghasilkan citra dalam bentuk kotak. Dimana user dapat menentukan kotak crop dengan
memilihnya menggunakan mouse. Dimana cropping terhadap citra retina dapat dilakukan
dengan posisi pengambilan yang berbeda-beda. Fungsi ini dipilih untuk mempermudah
pengambilan citra retina yang ada tanpa harus memetakan lokasi cropping pada suatu
koordinat citra retina. Ketika Cropping dilakukan, fungsi imcrop membentuk kotak sepanjang
area yang dipilih. Dan ketika mouse dilepas, akan tampil citra keluaran dari area yang dipilih
dan hasil cropping kemudian akan ditampilkan pada program. Sedangkan pemilihan ROI
dengan cropping tetap diambil bagian retina dengan kondisi seperti ditunjukkan pada Gambar
Untuk setiap citra retina ditentukan dahulu koordinat bagi masing-masing retina agar
didapatkan hasil atau ROI yang diinginkan .
Pada program ini, matriks citra terbagi oleh blok berukuran 4 x 4. Kemudian setelah
citra terbagi dalam blok-blok 4 x 4 dibuatlah suatu fungsi f, yang memiliki persamaan untuk
menghitung nilai ratarata dari blok. Lalu mengalikan hasilnya dengan matriks satu sehingga
blok keluaran berukuran sama dengan blok masukan. Hasil citra keluaran akan berukuran
sama dengan citra masukan. Lalu dihitung pula nilai rata-rata dari elemen matriks citra
tersebut. Selanjutnya, setiap blok-blok yang terbagi-bagi dalam ukuran 4 x 4, kemudian akan
dijalin kembali menjadi satu bagian.
Color Feature Exctraction
Pada tahapan ekstraksi fitur warna dari citra retina ini, citra hasil imageblock akan
diolah kembali untuk menghasilkan parameter-parameter hue, saturation dan value. Dimana
langkah pertama citra hasil image block di konversi warnanya dari RGB ke HSV.
Pengkonversian ini dilakukan karena daerah warna HSV sering digunakan untuk
pengambilan warna dari sebuah pallete warna agar lebih mudah bereksperimen warna dengan
HSV daripada menggunakan daerah warna RGB. Model warna HSV ini dipilih juga karena
kemudahannya mentransformasi model warna RGB ke HSV atau sebaliknya. Selain itu jarak
warna HSV adalah murni dan konsepnya yang hampir seragam makaproses kuantisasi pada
HSV dapat dihasilkan dari mengumpulan warna yang padat dan lengkap. Nilai hue antara 0
sampai 1 berarti warna antara merah melewati kuning, hijau, cyan, biru dan magenta dan
kembali menjadi merah. Nilai saturation antara 0 sampai 1 berati dari tidak tersaturasi
(keabuan) sampai tersaturasi penuh (tidak putih). Nilai value atau brightness antara 0 sampai
1 berarti warna semakin cerah seperti ditunjukkan pada Gambar
Proses Matching
Tahap ini adalah tahap yang paling menentukan untuk program yang akan dibuat
karena proses ini akan mengenali citra retina masukkan. Tingkat keakuratan hasil pengenalan
program ini akan ditentukan oleh baik atau tidaknya proses pembentukan sistem inferensi
neuro fuzzy adaptif yang ada pada tahapan ini. Perancangan sistem inferensi neuro fuzzy
adaptif pada tugas akhir ini menggunakan ANFIS Pengujian dan Pelatihan yang ada pada
Perangkat Lunak Analisa Matematis Pada program ini digunakan fuzzy inference system tipe
Sugeno, dimana output sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau
persamaan linier. Fuzzy inference system merupakan proses pemetaan dari suatu input ke
output dengan menggunakan logika fuzzy yang dapat menyediakan dasar pengambilan
keputusan atau pola yang diperoleh. Dimana fuzzy inference system melibatkan beberapa
proses yaitu Membership function, Fuzzy Logic Operator dan If then Rules. Adapun
perancangan sistem fuzzy terdiri dari beberapa tahapan yaitu :
a) Identifikasi karakteristik model secara fungsional dan operasional.
Pada tahap ini memperhatikan karakteristik apa saja yang dimiliki oleh sistem yang
ada serta merumuskan karakteristik operasi-operasi yang akan digunakan dalam model fuzzy.
Pada sistem identiftikasi retina ini terdapat 5 input mf dan 1 mf output, input diperoleh dari
nilai rata-rata hue, nilai rata-rata saturation dan nilai rata-rata value sedangkan output yang
didapat dari sistem fuzzy adalah retina mata hasil identifikasi.
b) Membentuk membership function.
Fuzzifikasi merupakan proses membuat suatu nilai crisp menjadi bersifat fuzzy. Hal
ini dengan menganggap kuantitas yg selama ini crisp dan deterministic sebenarnya bersifat
ambigu, impresisi dan mengandung ketidak pastian. Representasi data yang bersifat ambigu
sebagai himpinan fuzzy dilakukan dengan menetapkan fungsi keanggotaan dapat dilakukan
dengan beberapa cara. Pada penulisan ini digunakan untuk membangun nilai keanggotaan
dari variabel fuzzy adalah inductive reasoning.
Pembentukan Database untuk menentukan Membership Function
Pembentukan membership function dalam jaringan adaptif fuzzy interferen sistem
adalah dengan membentuk file .dat dengan memasukkan nilai dari rata-rata hue, rata-rata
saturation, dan rata-rata value, serta nilai dari bobot atau weight dari citra retina yang
disimpan dalam database seperti ditunjukkan pada Gambar
3.4 Kesimpulan
3.4.1 Lampiran
Hasil Diskusi
Sesi 1
Penanya : Isnaeni
Pertanyaan : apa yg membedakan metode fuzzy dgn yang lain ?
Jawaban: kami belum mengetahui secara spesifik karena kami juga belum membaca
mengenai metode lainnya mungkin pertanyaan ini akan terjawab sendirinya ketika semua
kelompok telah melakukan presentasi akan tetapi ketika dilihat dari karakteristik dari fuzzy
logic sendiri maka dengan menggunakan metode ini terdapat kondisi-kondisi tertentu yang
dapat menguntungkan kita untuk memanfaatkannya dimana fuzzy logic ini sendiri
memungkinkan untuk menciptakan banyak keadaan misalnya pada pewarnaan, dengan
menggunakan fuzzy logic maka tidak hanya ada dua warna yaitu hitam dan putih tetapi
diantara kedua warna tersebut terdapat abu-abu dimana keadaan ini dapat kita manfaatkan
untuk keperluan tertentu dalam pengolahan citra
Penanya: Ahwan Azhari Tahir
q: bagaimana cara meminimalisir kekurangan dari fuzzy logic ? dan bagaimana parameterparameter logika samar ?
Jawaban : sebagaimana kita ketahui dalam pengembangannya fuzzy logic tidak terdapat
metode baku atau metode yang disepakati secara universal sehingga pengembangannya
susah, salah satu cara untuk mengatasi ini menurut kami yaitu memberikan suatu standarisasi
dalam proses pengembangan dari fuzzy logic ini.
Mengenai parameter yang digunakan dalam fuzzy logic ini terdapat banyak hal, misalkan
pada implementasinya penggunaan air conditioner dalam mengatur tinggi rendahnya suhu,
parameternya disini tentu sinyal listrik karena dari situ kita dapat mengontrol ac tersebut,
contoh lainnya pada pemanfaatan fuzzy logic pada pendeteksian tepi citra digital, yang
menjadi parameter disini adalah rentang nilai keabuan
Penanya : Saqiraz Nurbaitil Atik Cahyati
Pertanyaan : Bagaimana sistem kerja persentasi ipk mahasiswa yang mengimplementasika
logika fuzzy ?
Jawaban : Dengan menggunakan metode RFID (Radio Frequency Identification) yang
berbasis jarak dengan menyamakan frekuensi antara tag Receiver (penerima) dan tag signal
diatur pada bagian RSSI(Received Signal Strength) dengan dideteksi dengan Teknologi
Indoor positioning system pada ruangan yang telah ditentukan, dan sudah diputuskan oleh
SPK (Sistem Pendukung Keputusan) dengan logika fuzzy namun pertanyaan ini tidak
memiliki hubungan dengan penggunaan fuzzy logic dalam pengolahan citra
sesi 2
Penanya : Arya Hudaya
Pertanyaan : Sudah ada aturan yang dilakukan pada metode kerja fuzzy logic tapi kenapa
anda bilang tidak baku ?
Jawaban : Sepertinya disini ada sedikit kesalah pahaman yang kami maksud disini adalah
tidak adanya metode baku dalam tahap pengembangan fuzzy logic ini sehingga orang-orang
susah mengembangkannya, sudah terdapat metode yang baku tetapi dalam konsep penerapan
fuzzy logic ini
Penanya : Erlangga
Pertanyaan : Bagaimana caranya fuzzy logic mengetahui itu wajah atau bukan ?
Jawaban : suatu wajah memiliki pola-pola tertentu dan sedemikian rupa dimana dimiliki oleh
semua wajah, nah fuzzy logic dapat mendeteksi pola-pola tersebut dan dengan instruksi atau
algoritma yang sedemikian rupa maka fuzzy logic dapat membedakan ketika menginput suatu
gambar wajah atau bukan
Penanya : Pak Syafaruddin
Pertanyaan : Bagaimana Fuzzy Logic mendeteksi warna ?
Jawaban : Pertama harus dilakukan yaitu menginput suatu citra digital kemudian
mengubahnya menjadi grayscale atau menjadi hitam putih, kemudian dari tingkat RGBnya
dapat dilihat dimana semakin tinggi maka akan mendekati warna putih jadi otomatis warna
akan terang sedangkan apabila derajat RGBnya rendah maka warna akan menjadi gelap