TUGAS

UJIAN AKHIR SEMESTER

Makalah ini disususun untuk memenuhi Tugas Akhir

Mata Kuliah Pengolahan Citra Digital
Dosen Bambang Tri Wahjo Utomo, M.Kom

Oleh :

Dewi Arum Widodo/15202003

Moh Hasan Akbar/15202123

Sistem Komputer 2015

Institut Teknologi dan Desain ASIA MALANG
Januari 2018
 KATA PENGANTAR

Puji syukur saya panjatkan kehadirat tuhan yang maha esa, yang atas rahmat-

Nyamaka saya dapat menyelesaikan penyusunan makalah yang berjudul “Jaringan Syaraf

Tiruan Untuk Identifikasi Jenis Bunga”. Penulisan makalah adalah merupakan salah satu

tugas dari mata kuliah Pemrograman Java yang digunakan sebagai tugas UAS.

Dalam Penulisan makalah ini saya merasa masih banyak kekurangan – kekurangan

baik pada teknis penulisan maupun materi, mengingat akan kemampuan yang dimiliki kami.

Untuk itu kritik dan saran dari semua pihak sangat saya harapkan demi penyempurnaan

pembuatan makalah ini.

Dalam penulisan makalah ini saya menyampaikan ucapan terima kasih yang tak

terhingga kepada pihak – pihak yang membantu dalam menyelesaikan penulisan makalah ini,

khususnya kepada orang tua, keluarga, teman, sahabat, dan semua pihak yang tidak dapat

disebutkan satu persatu, yang telah memberikan bantuan dalam penulisan makalah ini.

Akhirnya saya berharap semoga Allah memberikan imbalan yang setimpal

padamereka yang telah memberikan bantuan, dan dapat menjadikan semua bantuan ini

ibadah, Amiin Yaa Robbal ‘Alamin

Malang, 14 Januari 2018

 DAFTAR ISI
Kata
Pengantar...................................................................................................................................................
.1
Daftar
Isi................................................................................................................................................................
.1
Bab I
Pendahuluan
1.1. Latar Belakang………………………………………………………………………...................................… 1
Bab II
Pembahasan
2.2. Radial Basis Function ……………………………………………………………..................................…. 2
2.3 Implementasi Identifikasi Jenis Bunga ……………………………………..................................…… 5
Bab III
Penutup ………………………………………………………………………………….................................………. 16

Daftar Pustaka ………………………………………………………………….................................……………... 16

 BAB I
PENDAHULUAN

1.1. Latar Belakang

Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network (ANN), atau juga disebut
simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)), adalah
jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan sistem saraf manusia.
JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah
berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Oleh
karena sifatnya yang adaptif, JST juga sering disebut dengan jaringan adaptif.

Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat
digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk
menemukan pola-pola pada data. Menurut suatu teorema yang disebut "teorema penaksiran
universal", JST dengan minimal sebuah lapis tersembunyi dengan fungsi aktivasi non-linear dapat
memodelkan seluruh fungsi terukur Boreal apapun dari suatu dimensi ke dimensi lainnya.

Model pada JST pada dasarnya merupakan fungsi model matematika yang mendefinisikan fungsi.
Istilah "jaringan" pada JST merujuk pada interkoneksi dari beberapa neuron yang diletakkan pada
lapisan yang berbeda. Secara umum, lapisan pada JST dibagi menjadi tiga bagian:

 Lapis masukan (input layer) terdiri dari neuron yang menerima data masukan dari variabel X.
Semua neuron pada lapis ini dapat terhubung ke neuron pada lapisan tersembunyi atau langsung
ke lapisan luaran jika jaringan tidak menggunakan lapisan tersembunyi.
 Lapisan tersembunyi (hidden layer) terdiri dari neuron yang menerima data dari lapisan
masukan.
 Lapisan luaran (output layer) terdiri dari neuron yang menerima data dari lapisan
tersembunyi atau langsung dari lapisan masukan yang nilai luarannya melambangkan hasil
kalkulasi dari X menjadi nilai Y.

Dalam JST terdapat banyak jenis jaringan syaraf tiruan, di antaranya

adalah backpropagation, perceptron, probablistik neural network, radial basis network, dll.
Berikut ini merupakan pemrograman matlab (menggunakan matlab r2015b) untuk
mengidentifikasi jenis bunga menggunakan algoritma jaringan syaraf tiruan radial basis
function (rbfnn).
 BAB II
PEMBAHASAN

2.1. Radial Basis Function(rfnn)

RBF ( φ ) merupakan fungsi dimana keluarannya simetris terhadap center c tertentu atau
dinyatakan sebagai φϲ = φ ǁ x-c ǁ, dimana ǁ . ǁ merupakan vektor normal. Jaringan syaraf yang
dibentuk dengan menggunakan fungsi basis berupa fungsi basis radial dinamakan jaringan syaraf
RBF.
Jaringan RBF terdiri atas 3 layer yaitu layer input, hidden layer / kernel layer (unit
tersembunyi) dan layer output. Masing- masing unit tersembunyi merupakan fungsi aktifasi yang
berupa fungsi basis radial. Fungsi basis radial ini diasosiasikan oleh lebar dan posisi center dari
fungsi basis tersebut.
Fungsi basis pada jaringan RBF identik dengan fungsi gaussian yang diformulasikan sebagai
berikut:

Dimana :
cj = Center fungsi gausiaan ke - j
j = Lebar fungsi gausiaan ke – j
x = Masukan fungsi basis
Φj = Keluaran fungsi basis ke – j oleh masukan x representasi
Jaringan RBF digunakan dalam tahap memodelkan komponen nonlinier,
Langkah-langkah analisa RBF adalah:

(a) Input data untuk proses training: Data yang akan digunakan dalam proses pelatihan
adalah sebarang n jumlah data yang diinputkan oleh user. Data diatur sedemikian sehingga
membentuk matriks.
(b) Menentukan jumlah hidden neuron.
(c) Proses training dimulai dengan melakukan normalisasi data sedemikian sehingga data akan
berada pada [0,1]

d) Langkah proses training selanjutnya adalah melakukan perhitungan bobot (w) antara
lapisan input ke lapisan tersembunyi menggunakan algoritma unsupervised learning yaitu
algoritma SOM.
(e) Mencari besarnya nilai spread yang akan digunakan.
f) Perhitungan nilai aktivasi dengan fungsi Gaussian

g) Membentuk matriks Gaussian dari hasil perhitungan pada langkah f.

h) Menghitung pseudo invers dari matriks Gaussian. Perhitungan bobot dari lapisan
tersembunyi ke lapisan output menggunakan sistem persamaan linear pseudo invers matriks,
dimana bobot baru (w) dihitung dengan mengalikan pseudo invers dari matriks G, dengan
vektor target (d) dari data training.GT adalah transpose dari matriks G dimana setiap kolom
dari matriks G menjadi baris pada GT. Sedangkan (GT∙G) - 1 adalah invers dari GT∙G
sehingga (GT∙G). (GT∙G) -1 = I, dengan I adalah matriks identitas.

(i) Training data dilakukan dengan trial and error sedemikian sehingga didapat nilai MAPE
(Mean Absolute Percentage Error) dan RMSE (Root Mean Square Error) terkecil dengan
jaringan yang telah mencapai optimal.
(j) Dilakukan proses testing dengan memasukkan bobot pelatihan, data pelatihan, data
real.
Selanjutnya output dari proses testing adalah bobot baru, hasil peramalan RBF, serta RMSE
dan
MAPE.
(k) Model optimal didapatkan dari perhitungan error terkecil dan tampilan grafik dimana
titiktitik plot dari hasil prediksi mendekati data aktual

Berikut langkah-langkah algoritma SOM sebagai berikut.

1. Inisialisasi bobot secara random, learning rate yang digunakan, dan parameter topologi
tetangga.
2. Selama kondisi berhenti masih salah, lakukan langkah 2-8.
3. Untuk setiap vektor masukan x, lakukan langkah 3-5.
4. Untuk setiap j, hitung jarak Euclidean dengan rumus: dengan wij adalah bobot dari input
i ke hidden

j dan xi adalah vektor input.

5. Menemukan indeks J sehingga D(J) minimum.
6. Untuk setiap unit j yang termasuk di dalam tetangga dari j, dan untuk setiap i. Rumus
yang digunakan:

dengan wij (t+1) adalah bobot baru, wij (t) adalah bobot saat ini, (t) adalah laju pembelajaran.
7. Memperbaiki nilai laju pembelajaran .
8. Mengurangi radius tetangga topologis pada waktu yang sudah ditentukan.

2.2 Implementasi Identifikasi Jenis Bunga

Pada proses pelatihan jaringan digunakan 100 citra latih yang terdiri dari 50 citra

bunga dengan jenis kansas state flower dan 50 citra bunga berjenis marguerite

daisy.Sedangkan pada proses pengujian digunakan 60 citra uji yang terdiri dari 30 citra
bunga kansas state flower dan 50 citra bunga marguerite daisy.
Contoh citra bunga yang digunakan ditunjukkan pada gambar berikut.

Ciri yang digunakan untuk membedakan kedua jenis bunga tersebut adalah ciri warna RGB
berdasarkan nilai rata-rata R, G, dan B, dan ciri tekstur filter gabor berdasarkan nilai mean (rata- rata),
entropy, dan varians dari citra magnitude.

Langkah-langkah pemrogramannya adalah:

1. Mempersiapkan data latih dan data uji
Data latih

Data uji

2. Melakukan ekstraksi ciri warna RGB dan ekstraksi ciri tekstur filter gabor
sehingga diperoleh data ciri proses pelatihan seperti ditunjukkan pada gambar berikut

3. Melakukan pelatihan jaringan menggunakan data ciri tersebut

sehingga diperoleh tampilan proses pelatihan

Pada hasil pelatihan diperoleh informasi bahwa dari 100 data latih terdapat 18 data yang
diidentifikasi secara salah sehingga akurasi yang dihasilkan pada proses pelatihan adalah sebesar
92%. Jaringan yang telah dihasilkan kemudian disimpan agar dapat digunakan untuk proses
pengujian.

4. Langkah berikutnya adalah melakukan pengujian jaringan menggunakan data uji. Sama seperti
pada proses pelatihan, pada pengujian juga dilakukan ekstraksi ciri yang sama yaitu ekstraksi ciri
warna dan ekstraksi ciri tekstur.
Data ciri proses pengujian yang diperoleh yaitu:

5. Melakukan pengujian jaringan menggunakan data ciri pengujian tersebut. Pengujian

dilakukan terhadap jaringan telah dibentuk sebelumnya pada proses pelatihan.
Dari hasil proses pengujian diperoleh informasi bahwa dari 60 data citra uji terdapat 16 data
yang diidentifikasi secara salah sehingga akurasi yang dihasilkan pada proses pengujian adalah
sebesar 73%.
Nilai akurasi pelatihan dan pengujian yang cukup tinggi menunjukkan bahwa jaringan syaraf
tiruan radial basis yang dirancang mampu untuk mengidentifikasi jenis bunga dengan cukup
baik.

6. Membuat tampilan GUI agar proses identifikasi jenis bunga dapat lebih interaktif. Tampilan
awal GUI
ditunjukkan pada gambar di bawah ini.

7. Membuka salah satu citra bunga berjenis Kansas state flower

8. Melakukan ekstraksi ciri warna dan ciri tektur

9. Melakukan identifikasi jenis bunga

10. Membuka salah satu citra bunga berjenis Marguerite daisy

11. Melakukan ekstraksi ciri warna dan ciri tektur

12. Melakukan identifikasi jenis bunga
 BAB III
PENUTUP

Makalah yang berjudul Identifikasi Jenis Bunga ini memberi reverensi tentang
Jaringan Syaraf Tiruan dengan benar, Semoga makalah ini dapat dijadikan salah satu bahan
kajian dalam bidang keahlian grafika. Dengan disusunnya makalah ini semoga dapat
menambah nilai kami. Banyak hal yang belum terdokumen dalam makalah ini, kritik dan
saran buat kelengkapan makalah ini, sangat kami harapkan.
Tak lupa kami mohon maaf atas kekurangan-kekurangan yang harus dilengkapi dan
dikoreksi dalam makalah ini.
Kami mengucapkan terima kasih yang sebesar-besarnya kepada Bapak dosen atas

kesempatan yang diberikan kepada kami untuk menyusun makalah ini.

Semoga Tuhan Yang Maha Kuasa memberkati kita semua. Amin.

DAFTAR PUSTAKA
https://id.wikipedia.org/wiki/Jaringan_saraf_tiruan
https://pemrogramanmatlab.com/2017/06/05/jaringan-syaraf-tiruan-untuk-identifikasi-
jenis-bunga/
http://seminar.ilkom.unsri.ac.id/index.php/ars/article/view/820