Anda di halaman 1dari 6

PENGENALAN POLA

Dosen pengampu: Luh Arida Ayu Rahning Putri, S.Kom., M.Cs

Oleh :

Geby Noverita Br Sebayang

(1408605047)

PROGRAM STUDI TEKNIK INFORMATIKA


JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
2016

1. Jelaskan proses ekstraksi ciri pada citra menggunakan Grey Level CoOccurrence Matrix (GLCM), tuliaskan sumber yang anda gunakan!
Jawab:
Metode GLCM menurut Xie dkk (2010) merupakan suatu metode yang
melakukan analisis terhadap suatu piksel pada citra dan mengetahui tingkat
keabuan yang sering terjadi. Metode ini juga untuk tabulasi tentang frekuensi
kombinasi nilai piksel yang muncul pada suatu citra. Untuk melakukan analisis
citra berdasarkan distribusi statistik dari intensitas pikselnya, dapat dilakukan
dengan mengekstrak fitur teksturnya. GLCM merupakan suatu metode untuk
melakukan ekstraksi ciri berbasis statistikal, perolehan ciri diperoleh dari nilai
piksel matrik, yang mempunyai nilai tertentu dan membentuk suatu sudut.
Metode statistik terdiri dari ekstraksi ciri orde pertama dan ekstraksi ciri orde
kedua.
Ekstraksi ciri orde pertama dilakukan melalui histogram citra sedangkan
ekstraksi ciri statistik orde kedua dilakukan dengan matriks kookurensi, yaitu suatu
matriks antara yang merepresentasikan hubungan ketetanggaan antar piksel dalam
citra pada berbagai arah orientasi dan jarak spasial. Untuk sudut yang dibentuk dari
nilai piksel citra menggunakan GLCM adalah (00 , 450 , 900 , 135 ), untuk sudut
yang terbentuk terlihat pada gambar di bawah:

Gambar 1. Ilustrasi ekstraksi ciri statistik

Dari piksel-piksel tersebut terbentuk matrik kookurensi dengan pasangan


pikselnya. Matriks kookurensi merupakan matriks bujursangkar dengan jumlah
elemen sebanyak kuadrat jumlah level intensitas piksel pada citra. Setiap titik (i,j)
pada

matriks

kookurensi

berorientasi

berisi

peluang

kejadian

piksel

bernilai i bertetangga dengan piksel bernilai j pada jarak d serta orientasi dan
(180). Sebagai contoh matriks 44 memiliki matriks GLCM dengan ukuran
yang sama. Matriks kookurensi akan dihitung dengan nilai d=1 dan =0o. Jumlah
frekuensi munculnya pasangan (i,j) dihitung untuk keseluruhan matriks. Jumlah
kookurensi diisikan pada matriks GLCM pada posisi sel yang bersesuaian sehingga
didapatkan matris simetris. Matriks yang telah simetris selanjutnya harus
dinormalisasi, elemen-elemennya dinyatakan dengan probabilitas. Nilai elemen
untuk masing-masing sel dibagi dengan jumlah seluruh elemen spasial.
Langkah-langkah untuk membuat GLCM simetris ternormalisasi secara
berurutan adalah sebagai berikut:
1. Membuat area kerja matriks.
2. Menentukan hubungan spasial antara piksel referensi dengan piksel tetangga,
berapa nilai sudut dan jarak d.
3. Menghitung jumlah kookurensi dan mengisikannya pada area kerja.
4. Menjumlahkan matriks kookurensi dengan transposenya untuk menjadikannya
simetris.
5. Normalisasi matriks untuk mengubahnya ke bentuk probabilitas.
Adapun perhitungan 7 fitur utama dalam proses ekstraksi ciri pada citra
menggunakan Grey Level Co-Occurrence Matrix (GLCM) ialah sebagai berikut:
1. Angular second moment/uniformity/energy
Mengukur tentang keseragaman atau sering disebut angular second moment.
Energy akan bernilai tinggi ketika nilai pixel mirip satu sama lain sebaliknya akan
bernilai kecil menandakan nilai dari GLCM normalisasi adalah heterogen. Nilai
maksimum dari energy adalah 1 yang artinya distribusi pixel dalam kondisi konstan
atau bentuk nya yang berperiodik (tidak acak).

2. Entropy
Mengukur kompleksitas(keacakan) citra. Entropy akan bernilai tinggi ketika citra
tidak seragam.
3. Dissimilarity
Mengukur ketidakmiripan suatu tekstur, yang akan bernilai besar bila acak dan
sebaliknya akan bernilai kecil bila seragam.
4. Contrast/inertia
Mengukur frekuensi spasial dari citra dan perbedaan moment GLCM. Perbedaan
yang dimaksudkan adalah perbedaan tinggi dan rendah nya pixel. Contrast akan
bernilai 0 jika pixel ketetanggaan mempunyai nilai yang sama.
5. Correlation
Mengukur linearitas (the joint probability) dari sejumlah pasangan pixel (pairs).
6.

Homogeneity/inverse difference moment

Mengukur homogenitas. Nilai ini sangat sensitif terhadap nilai disekitar diagonal
utama. Bernilai tinggi ketika semua pixel mempunyai nilai yang sama / seragam.
Kebalikan dari contrast yaitu akan bernilai besar jika mempunyai nilai pixel yang
sama pada saat energy bernilai tetap.
7. Autocorrelation
Mengukur correlation diantara garis diagonal utama.

Sumber:
Putra, D., 2009, Pengolahan Citra Digital, Yogyakarta: Penerbit Andi.
R. Munir, 2002, Pengolahan Citra Digital, Bandung: Penerbit Informatika Bandung.
Kurniati, Florentina. 2015, Pengembangan Printer Forensik Untuk Identifikasi Data
Dokumen Cetak. Yogyakarta: Universitas Atma Jaya Yokyakarta.
Softscients, 2015, Analisis Tekstur Citra Dengan GLMC,
<URL:http://www.softscients.web.id/2015/01/glcm-analisis-tekstur-citradigital.html>

2. Cari dan jelaskan sebuah artikel ilmiah (jurnal/prosiding) yang menggunakan


fitur GLMC tersebut (fokus hanya pada proses ekstraksi ciri)!
Judul: Klasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level
Cooccurence Matrix (GLCM)

Penjelasan:
Tujuan penelitian ini untuk mengklasifikasi citra mammogram ke dalam 3
kelas citra yaitu kelas citra normal, citra tumor jinak dan citra tumor ganas. Setiap
citra akan diekstraksi menggunakan metode Gray Level Cooccurrence Matrix
(GLCM) dimana akan dibandingkan 4 jenis GLCM yaitu GLCM 4 arah
(00 , 450 , 900 , 135 ) jarak 1 piksel tetangga (d=1), GLCM jarak 2 piksel tetangga
(d=2), GLCM 8 arah dan GLCM 16 arah. Ciri statistik (fitur) GLCM yang
digunakan sebanyak 5 fitur yaitu korelasi, homogenitas, entropi, kontras dan energi.
Pada GLCM 4 arah d=1 dan d=2 akan diambil ciri statistiknya pada masing-masing
arah yaitu dan sedangkan untuk GLCM 8 arah dan GLCM 16 arah akan diambil
rata-rata ciri statistiknya. Nilai ciri statistik tersebut akan dijadikan input pada tahap
klasifikasi. Adapun tahapan pembentukan GLMC pada penelitian ini adalah:
A. GLMC 4 arah
1.

Tentukan koordinat arah (x,y).

2.

Bentuk matriks kookurensi dengan cara menghitung frekuensi kemunculan


pasangan nilai keabuan piksel refrensi dan piksel tetangga pada jarak dan
arah yang sudah ditentukan.

3.

Jumlahkan semua elemen untuk menghitung probabilitas setiap elemen


dengan cara membagi setiap elemen GLMC dengan total semua elemen.

4.

Hitung ciri statistik GLCM yaitu kontras, energy, entropi,korelasi dan


homogenitas. Pada kasus ini, hanya dihitung 5 dari 7 ciri utama.

B. GLMC 8 arah dan 16 arah


1. Tentukan radius (r), sehingga jumlah arah akan terbentuk. Untuk radius (r)
= 1 maka jumlah arah yang akan dihitung sebanyak 8 arah sedangkan untuk
radius (r) = 2 maka jumlah arah yang akan dihitung sebanyak 16 arah.

2. Bentuk GLMC dengan caraa menghitung frekuensi kemunculan pasangan


nilai keabuan piksel refrensi dan piksel tetangga pada jarak dan arahyang
ditentukan.
3. Jumlahkan semua elemen untuk menghitung probabilitas setiap elemen
dengan cara membagi setiap elemen GLCM dengan total jumlah semua
elemen.
4. Hitung ciri statistik GLCM yaitu kontras, energi, entropi, korelasi dan
homogenitas untuk setiap arah yang terbentuk kemudian langkah terakhir
menghitung rata-rata ciri statistik pada semua arah yang terbentuk.
Ciri statistik yang diperoleh dari ekstraksi ciri menggunakan GLCM
selanjutnya digunakan sebagai input pada pelatihan JST-BP. Dari beberapa
pengujian yang telah dilakukan dapat disimpulkan bahwa jaringan mampu
mengklasifikasi citra sesuai dengan kelasnya. Untuk melihat kemampuan jaringan,
dilakukan pengujian sensitivitas dan spesifisitas.

Berdasarkan Tabel 1, citra d=1 dengan arah memiliki sensitivitas,


spesivisitas dan akurasi sebesar 100%. Hal ini menunjukkan jaringan mampu
mengenali semua kelas citra. Sedangkan pada citra d=2 dengan arah 90 memiliki
sensitivitas, spesivisitas dan akurasi masing-masing sebesar 60%, 86,9% dan
75,61%, artinya jaringan masih melakukan kesalahan dalam mengenali kelas
normal sebagai kelas sebenarnya dan kelas abnormal (tumor ganas dan tumor jinak)
sebagai kelas sebenarnya. Dari penjelasan diatas dan untuk penelitian ini maka
dapat disimpulkan bahwa klasifikasi dengan menggunakan metode ekstraksi ciri
GLCM dengan jarak d=1 arah dimana menggunakan 2 layer tersembunyi dan
jumlah node sebanyak 19 node pada layer tersembunyi, learning rate=0,001 lebih
baik dibandingkan dengan GLCM 8 arah d=1, dan jarak d=2.

Anda mungkin juga menyukai