Oleh :
ACHMAD FAUZI ARIEF
1203 109 007
Dosen Pembimbing :
Drs. Nurul Hidayat, M.Kom
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2009
LATAR BELAKANG (1)
Pengguna komputer yang cukup diuntungkan adalah kantor-
kantor dengan segala kegiatannya antara lain kegiatan
administrasi, marketing, publikasi dan lain sebagainya. Dari
ilustrasi tersebut menggambarkan bagaimana mudahnya
pekejaan manusia dengan segala fasilitas. Namun kadang pula
muncul kesulitan terutama dalam menghadapi data-data yang
menumpuk dan tidak dapat mengolahnya dikarenakan suatu
hal antara lain data tersebut berupa file gambar (misal
berekstensi bitmap) dan secara terpaksa harus diolah dengan
mode gambar pula.
Citra Hitam-Putih
Citra hitam-putih mempunyai nilai kuantisasi derajat keabuan
sampai tingkatan ke-256 artinya mempunyai skala abu dari 0
sampai 255 atau selang [0, 255] dan citra ini membutuhkan 1
byte (8 bit) untuk representasi setiap pikselnya (256 = 28 ).
DASAR TEORI (4)
Citra Biner
Citra biner adalah citra yang hanya mempunyai dua nilai derajat
keabuan: hitam dan putih. Piksel-piksel objek bernilai satu (1) dan
piksel-piksel latar belakang bernilai nol (0).
Pada waktu menampilkan representasi biner pada citra, nilai nol (0)
adalah putih dan nilai satu (1) adalah hitam.
Aras Titik
Operasi pada aras titik hanya dilakukan pada piksel tunggal di dalam
citra.
Operasi pada aras titik dinyatakan sebagai:
f B ( x, y ) = Otitik { f A ( x, y )}
yang dalam hal ini fA dan fB masing-masing adalah citra masukan dan
.
citra keluaran, Otitik dapat berupa operasi linear atau nonlinear
DASAR TEORI (5)
Grayscaling
Dengan menggunakan mengubah representasi nilai-nilai
intensitas komponen RGB pada koordinat piksel sebuah
citra dapat diubah menjadi citra yang terdiri dari putih
dan hitam yang biasanya disebut citra grayscale.
dirumuskan sebagai berikut:
R+G + B
Grayscale =
3
DASAR TEORI (6)
Thresholding
Konversi dari citra hitam-putih menjadi citra biner dilakukan
dengan operasi pengambangan (thresholding).
Fungsi Thresholding:
f B ( i, j ) = {1,0,........gf (i, j )≤T
.......lainnya....
dalam hal ini, fg(i,j) adalah citra hitam-putih, fB(i,j) adalah citra
biner dan T adalah nilai ambang yang dispesifikasikan. Objek
dibuat berwarna gelap (1 atau hitam) sedangkan latar
belakang terang (0 atau putih).
Segmentasi Citra
Segmentasi citra merupakan suatu proses yang membagi citra
ke dalam beberapa bagian yaitu bagian yang diperlukan dan
bagian yang tidak diperlukan.
DASAR TEORI (7)
Cropping
Cropping pada pengolahan citra berarti memotong satu
bagian dari citra sehingga diperoleh citra yang
diharapkan. Ukuran Cropping citra dapat dirumuskan
sebagai berikut:
w ' = ( X R − X L ) +1 h ' = (YB − YT ) + 1
Normalisasi
Normalisasi pada pengolahan citra berarti
mentransformasikan citra ke bentuk citra normal yang
sesuai dengan kebutuhan. Sistem ini menggunakan
penskalaan dari citra semula ke bentuk citra normalisasi.
x ' = S x .x y' = S y .y
DASAR TEORI (8)
Ekstraksi Ciri
Ekstraksi ciri pada pengolahan citra berarti
mengubah nilai-nilai intensitas koordinat piksel
yang terdapat dalam citra menjadi susunan
kode-kode nilai pada setiap piksel.
Nilai setiap titik koordinat piksel huruf diberi
kode satu (1) untuk warna hitam dan kode
minus satu (-1) untuk warna putih sesuai
dengan fungsi aktivasi pada jaringan syaraf
tiruan.
Di-fungsi-kan sebagai berikut:
f ( i, j ) = { −1,1,........ ff ((ii,, jj))=..lainnya
0..........
DASAR TEORI (9)
Jaringan Syaraf Tiruan
Arsitektur
Jaringan syaraf tiruan menggunakan tipe multi-layer yaitu menggunakan layer-
layer antara lain: input layer (Xi), hidden layer (Zj) dan output layer (Yk), bias
pada unit output ke-m (wpm) dan bias pada unit hidden ke-p (vnp).
DASAR TEORI (10)
Fungsi Aktivasi
Fungsi aktivasi untuk jaringan backpropagation memiliki
beberapa karakteristik yang penting. Salah satu tipe
fungsi aktivasi yang paling banyak digunakan adalah
fungsi sigmoid biner, yang mempunyai interval (-1,1)
dan didefinisikan sebagai berikut:
f 2 (x ) =
2
−1
1 + exp(− x )
dan dengan
f 2 ' (x ) =
1
[1 + f 2 ( x)][1 − f 2 (x )]
2
DASAR TEORI (11)
Algoritma Training
Step 0. Inisialisasi nilai bobot dengan nilai acak yang kecil.
Step 1. Selama kondisi berhenti belum terpenuhi, lakukan step 2-9.
Step 2. Untuk setiap pasangan training, lakukan step 3-8.
Feedforward (umpan maju):
Step 3. Untuk setiap unit input (Xi, i = 1,…,n) menerima sinyal input xi dan menyebarkan
sinyal itu keseluruh unit pada layer atasnya (hidden layer).
Step 4. Untuk setiap unit hidden (Zj, j = 1,…,p) jumlahkan nilai input dengan menggunakan
nilai bobotnya, n
z _ in j = v0 j + ∑ xi vij
i =1
Kemudian dihitung nilai output dengan menggunakan fungsi aktivasi,
z j = f ( z _ in j )
Dan hasil fungsi tersebut dikirim ke semua unit pada layer di atasnya (unit output).
DASAR TEORI (12)
Step 5. Untuk Setiap unit output (Yk, k = 1,...,m) jumlahkan nilai input dengan menggunakan
nilai bobot-nya.
p
y _ ink = w0 k + ∑ z j w jk
j =1
Kemudian dihitung nilai output dengan menggunakan fungsi aktivasi,
yk = f ( y _ ink )
Kesalahan backpropagation (error):
Step 6. Untuk setiap unit output (Yk, k = 1,...,m) menerima pola target yang bersesuain
dengan pola input dan kemudian dihitung informasi kesalahan,
δ k = (tk − yk ) f '( y _ ink )
Hitung koreksi nilai bobot yang kemudian akan digunakan untuk memperbaharui nilai bobot
wjk,
∆w jk = αδ k z j
Hitung koreksi nilai bias yang kemudian akan digunakan untuk memperbaharui nilai w0k,
∆w0k = αδ k
Kalikan dengan nilai turunan dari fungsi aktivasi untuk menghitung informasi kesalahan,
δ j = δ _ in j f '( z _ in j )
Hitung koreksi nilai bobot, kemudian akan digunakan untuk memperbaharui nilai bobot vij,
∆vij = αδ j xi
Hitung koreksi nilai bias, kemudian akan digunakan untuk memperbaharui nilai v0j,
∆v0 j = αδ j
Memperbaharui bobot dan bias (Update):
Step 8. Setiap unit output (Yk, k = 1,...,m) membaharui bobot dan biasnya (j = 0,...,p):
w jk (baru ) = w jk (lama ) + ∆w jk
Setiap unit hidden (Zj, j = 1,…,p) membaharui bobot dan biasnya (i = 0,...,n):