See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/351356846

LITERATUR REVIEW SISTEM CERDAS IMAGE PROCESSING DAN KLASIFIKASI

CITRA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN)

Article · May 2021

CITATIONS READS

0 1,180

5 authors, including:

I Made Dwijaya Maleh Jeki Pransisko

Universitas Palangka Raya Universitas Palangka Raya
4 PUBLICATIONS   0 CITATIONS    3 PUBLICATIONS   0 CITATIONS   

SEE PROFILE SEE PROFILE

Robert Ardeanto Angga Ramandani

Universitas Palangka Raya Universitas Palangka Raya
7 PUBLICATIONS   0 CITATIONS    7 PUBLICATIONS   0 CITATIONS   

SEE PROFILE SEE PROFILE

All content following this page was uploaded by Robert Ardeanto on 06 May 2021.

The user has requested enhancement of the downloaded file.

 LITERATUR REVIEW
SISTEM CERDAS IMAGE PROCESSING DAN KLASIFIKASI CITRA
MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN)

DOSEN PENGAMPU :

VIKTOR HANDRIANUS P., ST .,MT

NIP. 19791009 200801 2 016

DISUSUN OLEH :

I MADE DWIJAYA MALEH DBC118020

JEKI PRANSISKO DBC118045
ROBERT ARDEANTO DBC118054
ANGGA RAMANDANI DBC118064
IMMANUEL MAHARDHIKA DBC118034

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS PALANGKA RAYA
2021
 ABSTRAK

Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua
dimensi yang kontinus menjadi gambar diskrit melalui proses sampling. Pada citra
terdapat pengolahan citra atau image processing yang mana mengolah citra
menggunakan komputer menjadi sebuah citra yang memiliki kualitas yang lebih
baik. Penggunaan CNN digunakan sebagai metode untuk mengklasifikasikan objek
citra secara umum karen CNN terbukti berhasil mengungguli metode lainnya pada
kasus klasifikasi objek pada citra. Tujuan dari penelitian ini adalah agar dapat
mengklasifikasikan objek citra secara umum menggunakan CNN sehingga dapat
mengenali objek citra layaknya manusia.
Keyword: Citra, Image Processing, Convolution Neural Network.
1. PENDAHULUAN
Salah satu permasalahan dalam visi komputer yang telah lama dicari
solusinya adalah kasifikasi objek pada citra. Bagaimana computer
menduplikasikan kemampuan manusia dalam memahami citra, agar dapat
memahami dan mengenali objek pada citra selayaknya manusia. Proses
klasifikasi objek pada citra yang digunakan umumnya terbatas, dimana hanya
dapat berlaku pada dataset tertentu tanpa kemampuan generalisasi pada jenis
citra apapun. Hal ini disebabkan karena berbagai perbedaan antar citra seperti
perbedaan ukuran objek, perbedaan kondisi pencahayaan, perubahan objek yang
terlalu jauh dan lain sebagainya. Oleh karena itu image processing menjadi
bagian penting dalam klasifikasi objek pada citra.
Image Processing adalah suatu metode untuk mengolah gambar (Image)
ke dalam bentuk digital untuk tujuan tertentu. Pada awalnya pengolahan citra ini
berfungsi untuk memperbaiki dan meningkatkan kualitas suatu gambar, namun
dengan perkembangan zaman dan munculnya ilmu-ilmu komputasi hal itu
memungkinkan manusia dapat mengambil suatu informasi yang ada dalam suatu
gambar. Inputnya adalah citra (gambar) dan keluaranya adalah citra yang sudah
diperbagus kualitasnya. Misalnya, sebuah gambar yang kurang tajam warnanya,
kabur (blurring) dan terdapat noise (mis bintik putih) memerlukan proses untuk
memperbaiki kualitas gambar sehingga mendapatkan informasi yang lebih baik.
Convolutional Neural Network (CNN) digunakan sebagai metode untuk
mengklasifikasi citra secara umum. CNN merupakan salah satu kelas deep feed-
forward artificial neural network yang banyak diaplikasikan pada analisis citra.
Kemampuan CNN di klaim sebagai model terbaik untuk memecahkan
permasalahan object detection dan object recognition. Pada tahun 2012,
Penelitian tentang CNN dapat melakukan pengenalan citra digital 5 dengan
akurasi yang menyaingi manusia pada dataset tertentu. (A. Coates, H.Lee, A.Y.
Ng, 2011). Maka, berdasarkan uraian diatas dibuatlah sebuah penelitian tentang
sistem cerdas image processing dan klasifikasi citra menggunakan CNN. Yang
mana diharapkan dapat mengklasifikasikan objek citra secara umum agar dapat
mengenali objek citra layaknya manusia.
2. LITERATURE REVIEW
2.1. Citra
Citra / gambar (image) merupakan hal yang vital dan menjadi bagian
integral dari kehidupan sehari-hari. Pada kepentingan tertentu, citra
(gambar) digunakan sebagai alat untuk mengungkapkan pertimbangan
(reason), interpretasi, ilustrasi, penggambaran (represent), ingatan
(memorise), pendidikan, komunikasi, evaluasi, navigasi, survai, hiburan,
dan lain sebagainya. Tetapi kemudian konsep citra dan pengolahannya
dihubungkan dengan pengubahan dan perbaikan citra (gambar) yang
bertujuan untuk memperbaiki kesalahan data sinyal gambar akibat
transmisi dan selama akuisisi sinyal serta meningkatkan penampakan
gambar sehingga dapat diterima oleh sistem penglihatan manusia.
Umumnya pengolahan citra melibatkan alat bantu komputer, sehingga
muncul istilah Computer Vision yang selanjutnya dihubungkan dengan
konsep komputasi dan elektronik dari dunia mesin sejalan dengan atribut
penglihatan manusia. Aspek komputer adalah sebuah sistem yang
berhubungan dengan elemen-elemen perangkat keras seperti sensor optik,
arsitektur pengolahan paralel pada komputer, grafika komputer dan alat
penampil (display) serta elemen-elemen perangkat lunak seperti
manipulasi data dan perhitungan data gambar. Sedangkan aspek
penglihatan (vision) adalah bayangan dari sistem penglihatan manusia dan
melingkupi aspek fungsional dari mata, saraf optik dan otak. Secara ideal,
mesin diharapkan mempunyai kemampuan yang sama dengan
kemampuan penglihatan manusia. Sehingga suatu pertimbangan
(misalnya untuk membedakan obyek berdasarkan permukaan, warna,
cahaya dan lain-lain) dibuat berdasarkan karakteristik sistem penglihatan
manusia. Dalam kenyataannya, sistem penglihatan manusia sangat
kompleks, yaitu dengan banyaknya tingkatan pengolahan pada mata dan
jaringan saraf penglihatan di otak
2.2. Image Processing
Image Processing adalah suatu bentuk pengolahan atau pemrosesan
sinyal dengan input berupa gambar (image) dan ditransformasikan
menjadi gambar lain sebagai keluarannya dengan teknik tertentu. Image
processing dilakukan untuk memperbaiki kesalahan data sinyal gambar
yang terjadi akibat transmisi dan selama akuisisi sinyal, serta untuk
meningkatkan kualitas penampakan gambar agar lebih mudah
diinterpretasi oleh sistem penglihatan manusia baik dengan melakukan
manipulasi dan juga penganalisisan terhadap gambar. Operasi Image
Processing terbagi menjadi 4 bagian yaitu :
2.2.1. Image Enhancement (peningkatan kualitas gambar)
Tahap ini seringkali dikenal dengan pre-processing. Operasi
peningkatan kualitas gambar berfungsi untuk meningkatkan fitur
tertentu pada citra sehingga tingkat keberhasilan dalam pengolahan
gambar berikutnya menjadi tinggi. Operasi ini lebih banyak
berhubungan dengan penajaman dari fitur tertentu pada gambar.
Peningkatan kualitas gambar ini dapat dilakukan “secara manual”,
dengan menggunakan program lukis atau dengan pertolongan rutin
software. Metode untuk memperluas gambar grafis antara lain
memperbaiki kontras diantara bidang-bidang yang terang dan yang
gelap; menambahkan warna, menyaring ketidak seragaman sinyal
kiriman yang membawa gambar, menghaluskan garis-garis yang
bergerigi sehingga tampak lebih bersih; mempertajam sudut-sudut
yang kabur dan mengkoreksi distorsi yang disebabkan alat optis
atau tampilan.

2.2.2. Image Restoration (pemulihan gambar)

Operasi pemulihan gambar bertujuan untuk mengembalikan
kondisi gambar yang telah rusak atau cacat (merekonstruksi
gambar) yang sebelumnya telah diketahui menjadi gambar seperti
pada kondisi awal, karena adanya gangguan yang menyebabkan
 penurunan kualitas gambar, misalnya mengalami suatu degradasi.
Degradasi dalam hal ini maksudnya, gambar menjadi agak kabur
(blur) sehingga menurunkan kualitas gambar. Blur dapat terjadi
karena banyak factor. Bisa karena misalnya pergerakan selama
pengambilan gambar oleh alat optik seperti kamera, penggunaan
alat optik yang tidak fokus, pengguanaan lensa dengan sudut yang
lebar, gangguan atmosfir, pencahayaan yang singkat sehingga
mengurangi jumlah foton yang ditangkap oleh alat optik, dan
sebagainya. Citra yang tertangkap oleh alat-alat optik seperti mata,
kamera, dan sebagainya sebenarnya merupakan citra yang sudah
mengalami degradasi.

2.2.3. Image Compression (kompresi gambar)

Kompresi gambar bertujuan untuk meminimalkan jumlah bit
yang diperlukan untuk merepresentasikan citra. Hal ini sangat
berguna apabila anda ingin mengirimkan gambar berukuran besar.
Gambar yang berukuran besar akan berpengaruh pada lamanya
waktu pengiriman. Maka dari itu kompresi gambar akan
memadatkan ukuran gambar menjadi lebih kecil dari ukuran asli
sehingga waktu yang diperlukan untuk transfer data juga akan lebih
cepat. Ada dua tipe utama kompresi data, yaitu kompresi tipe
lossless dan kompresi tipe lossy. Kompresi tipe lossy adalah
kompresi dimana terdapat data yang hilang selama proses
kompresi. Akibatnya kualitas data yang dihasilkan jauh lebih
rendah daripada kualitas data asli. Sementara itu, kompresi tipe
lossless tidak menghilangkan informasi setelah proses kompresi
terjadi, akibatnya kualitas citra hasil kompresi juga tidak
berkurang.
 2.2.4. Image Refresention & Modelling (representasi dan permodelan
gambar)
Representasi mengacu pada data konversi dari hasil
segmentasi ke bentuk yang lebih sesuai untuk proses pengolahan
pada komputer. Keputusan pertama yang harus sudah dihasilkan
pada tahap ini adalah data yang akan diproses dalam batasan-
batasan atau daerah yang lengkap. Batas representasi digunakan
ketika penekanannya pada karakteristik bentuk luar, dan area
representasi digunakan ketika penekanannya pada karakteristik
dalam, sebagai contoh tekstur. Setelah data telah direpresentasikan
ke bentuk tipe yang lebih sesuai, tahap selanjutnya adalah
menguraikan data.

2.3. CNN
Convolutional Neural Network (CNN) adalah salah satu jenis neural
network yang biasa digunakan pada data image untuk menentukan aspek
atau obyek apa saja dalam sebuah gambar yang bisa digunakan mesin
untuk belajar mengenali gambar, dan membedakan antara satu gambar
dengan yang lainnya.Arsitektur CNN terbilang mirip dengan pola koneksi
neuron atau sel saraf dalam otak manusia. CNN terinspirasi dari Visual
Cortex, yaitu bagian pada otak yang bertugas untuk memroses informasi
dalam bentuk visual. Dengan arsitektur seperti itu, CNN dapat dilatih
untuk memahami detail sebuah gambar dengan lebih baik. Dengan begitu,
CNN dapat menangkap dependensi Spasial dan Temporal dalam sebuah
gambar setelah memberikan filter yang relevan. CNN bisa digunakan
untuk mendeteksi dan mengenali object pada sebuah image. CNN adalah
sebuah teknik yang terinspirasi dari cara mamalia manusia, menghasilkan
persepsi visual seperti contoh diatas. Secara garis besar Convolutional
Neural Network (CNN) tidak jauh beda dengan neural network biasanya.
CNN terdiri dari neuron yang memiliki weight, bias dan activation
function. Convolutional layer juga terdiri dari neuron yang tersusun
sedemikian rupa sehingga membentuk sebuah filter dengan panjang dan
 tinggi (pixels). Secara garis besarnya, CNN memanfaatkan proses
konvolusi dengan menggerakan sebuah kernel konvolusi (filter) berukuran
tertentu ke sebuah gambar, komputer mendapatkan informasi representatif
baru dari hasil perkalian bagian gambar tersebut dengan filter yang
digunakan.

2.4. KUESIONER

1. Apa itu Neural Network?

Neural Networks mereplikasi cara manusia belajar, yang
terinspirasi oleh bagaimana neuron di otak kita bekerja, hanya dengan
lebih sederhana. Jaringan Neural yang paling umum terdiri dari tiga
lapisan jaringan :
a) An input layer
b) A hidden layer tersembunyi (ini adalah lapisan terpenting tempat
ekstraksi fitur dilakukan, dan penyesuaian dilakukan untuk melatih
lebih cepat dan berfungsi lebih baik)
c) An output layer
Setiap lembar berisi neuron yang disebut "node", melakukan berbagai
operasi. Jaringan Neural digunakan dalam algoritma pembelajaran
mendalam seperti CNN, RNN, GAN, dll.
2. Apa itu Multi-layer Perceptron (MLP)?
Seperti di Jaringan Neural, MLP memiliki lapisan masukan,
lapisan tersembunyi, dan lapisan keluaran. Ini memiliki struktur yang
sama sebagai perceptron lapisan tunggal dengan satu atau lebih lapisan
tersembunyi. Satu lapisan perceptron hanya dapat mengklasifikasikan
kelas-kelas yang dapat dipisahkan linier dengan keluaran biner (0,1),
tetapi MLP dapat mengklasifikasikan kelas-kelas nonlinier. Kecuali
untuk lapisan masukan, setiap node di lapisan lainnya menggunakan
fungsi aktivasi nonlinier. Ini berarti lapisan masukan, data yang masuk,
dan fungsi aktivasi didasarkan pada semua node dan bobot yang
ditambahkan bersama-sama, menghasilkan keluaran. MLP
menggunakan metode pembelajaran yang diawasi yang disebut
 "propagasi mundur". Dalam propagasi mundur, jaringan saraf
menghitung kesalahan dengan bantuan fungsi biaya. Ini menyebarkan
kesalahan ini ke belakang dari tempat asalnya (menyesuaikan bobot
untuk melatih model dengan lebih akurat).
3. Apa Itu Normalisasi Data, dan Mengapa Kita Membutuhkannya?
Proses standarisasi dan reformasi data disebut "Normalisasi Data".
Ini adalah langkah pra-pemrosesan untuk menghilangkan redundansi
data. Seringkali, data masuk, dan Anda mendapatkan informasi yang
sama dalam format yang berbeda. Dalam kasus ini, Anda harus
mengubah skala nilai agar sesuai dengan rentang tertentu, mencapai
konvergensi yang lebih baik.
4. Apa Peran Fungsi Aktivasi dalam Neural Network?
Pada tingkat paling dasar, fungsi aktivasi memutuskan apakah
neuron harus ditembakkan atau tidak. Ini menerima jumlah bobot
masukan dan bias sebagai masukan untuk fungsi aktivasi apa pun. Fungsi
langkah, Sigmoid, ULT, Tanh, dan Softmax adalah contoh fungsi
aktivasi.
5. Apa Yang Akan Terjadi Jika Kecepatan Pembelajaran Diatur
Terlalu Rendah atau Terlalu Tinggi?
Jika kecepatan pembelajaran terlalu rendah, pelatihan model akan
berjalan sangat lambat karena kami melakukan sedikit pembaruan pada
bobot. Ini akan membutuhkan banyak pembaruan sebelum mencapai titik
minimum. Jika kecepatan pemelajaran disetel terlalu tinggi, hal ini
menyebabkan perilaku divergen yang tidak diinginkan ke fungsi
kerugian karena pembaruan bobot yang drastis. Ini mungkin gagal untuk
konvergen (model dapat memberikan output yang baik) atau bahkan
divergen (data terlalu kacau untuk dilatih jaringan).
6. Apa Perbedaan Layers di CNN?
Ada empat lapisan di CNN:
a) Convolutional Layer - lapisan yang melakukan operasi
konvolusional, membuat beberapa jendela gambar yang lebih kecil
untuk melihat data.
 b) ReLU Layer - ini membawa non-linearitas ke jaringan dan
mengubah semua piksel negatif menjadi nol. Keluarannya adalah
peta fitur yang diperbaiki.
c) Pooling Layer - pooling adalah operasi pengambilan sampel yang
mengurangi dimensi peta fitur.
d) Fully Connected Layer - lapisan ini mengenali dan
mengklasifikasikan objek dalam gambar.
7. Apa itu Pooling on CNN, dan Bagaimana Cara Kerjanya?
Pooling digunakan untuk mengurangi dimensi spasial CNN. Ini
melakukan operasi pengambilan sampel untuk mengurangi dimensi dan
membuat peta fitur gabungan dengan menggeser matriks filter di atas
matriks masukan.

3. HASIL PENELITIAN
Berdasarkan literatur review, ada beberapa pembahasan penelitian yang
berhubungan dengan image processing dan CNN adalah sebagai berikut:
a. Sistem Pendeteksian Keserian Warna Kulit dan Busana Secara Otomatis
Untuk Jenis Kelamn Perempuan Berbasis Image Processing, Meza Silvana,
Rahmadi Kurnia, (2014).
Pada penelitian ini berfokus tentang mengembangkan sistem
pendeteksian kesesuaian warna kulit dengan warna busana secara otomatis
yang berbasis pada image processing. Disimpulkan juga Pengelompokan
range jenis kulit sangat mempengaruhi keserasian warna pakaian, karena
kesalahan dalam menetapakan range jenis warna kulit dapat menyebabkan
kesalahan sistem dalam mengelompokkan warna pakaian, dimana rentang
output akan berada di luar jangkauan output yang ditetapkan.
b. Klasifikasi Citra Buah Menggunakan Convolutional Neural Network,
Febian Fitra Maulana, Naim Rochmawati, (2019).
Penelitian ini membahas tentang kalsifikasi jenis buah menggunakan
convolutional neural network. Pada penelitian ini dapat mengklasifikasikan
citra buah yang diambil menggunakan kamera smartphone. Pada penelitian
ini model CNN yang menggunakan perpaduan 3 covolutional layer dan 2
 hidden layer mampu mengklasifikasi citra buah-buahan dengan akurasi
yang baik. Akurasi yang didapatkan dari proses testing yang menggunakan
345 citra uji menunjukkan angka 97,97%.
c. Rancang Bangun Sistem Navigasi Kapal Laut Berbasis Pada Image
Processing Dengan Metode Color Detection, Elvin Nur Afian, Satryo Budi
Utomo, Widyono Hadi, (2014).
Pada penelitian ini proses pengolahan gambar objek telah berhasil
dideteksi dengan baik dengan batas image processing koordinat nilai x dan
y adalah 0 sampai dengan 9 sesuai data yang ditunjukkan pada tabel 4.
Untuk pengaturan nilai HSV untuk nilai warna merah adalah untuk hue = 0,
saturation = 65 – 116, dan value = 80-207. Penelitian ini juga didapatkan
tingkat keberhasilan kapal dalam mencapai tujuan tanpa gangguan adalah
91%, sedangkan tingkat keberhasilan kapal dalam mencapai tujuan dengan
gangguan adalah 75%.
d. Sign Language Recognation Using Neural Network, Sabaheta Dogic,
Gunay Karli, (2014).
Pada penelitian ini tahap pemrosesan citra pengenalan tanda
mengharuskan banyak estimasi, yang disajikan kelembaman dalam aliran
video Ketepatan file kerangka kerja juga dapat diperluas jika lebih
perhitungan identifikasi tepi yang kuat digunakan. Oleh menggabungkan
bentuk tangan untuk mendesain vektor fitur itu telah digunakan secara
efektif untuk menyiapkan jaringan saraf sistem, tingkat klasifikasi sistem
telah ditingkatkan dengan menjanjikan.
e. Sisted Deteksi Kondisi Cuaca berdasarkan Pencitraan Awan Berbasis
Pengolahan Citra Digital Menggunakan Algoritma k-Nearest Neighbor (k-
NN), Arif Handhoko, Muhammad Ihsan Zul, Yuli Fitrisia, (2015).
Pada penelitian ini Perancangan sistem deteksi dan klasifikasi kondisi
cuaca berdasarkan pencitraan langit dengan Digital Image Processing
menggunakan algoritma k-nearest neighbor terbukti mampu memproses
dengan mencapai akurasi sistem rata – rata sebesar 84.21% dengan
pembagian 5 kondisi yaitu cerah berawan, berawan, hujan, malam cerah,dan
malam hujan. Sistem yang dirancang juga berjalan secara real-time. Dapat
 memberikan informasi kondisi cuaca per-waktu. Sistem juga dapat
mendeteksi kondisi cuaca dalam keadaan malam hari dengan 2 kondisi yaitu
malam cerah dan malam cerah. Pada nilai thresholding menyebabkan
akurasi sistem dapat mempengaruhi proses deteksi dan klasifikasi.
f. Pendeteksian Penyakit pada Daun Cabai dengan Menggunakan Metode
Deep Learning, Rosalina, Ardi Wijaya, (2020).
Penelitian ini berhasil mengimplementasikan Deep
Learninguntuk melakukan pemrosesan gambar daun cabai untuk
mengetahui bahwa daun cabai tersebut sehat atau terdeteksi penyakit,
dengan menggunakan gambar daun cabai yang berasal dari gambar
koleksi pribadi.Telah dilakukan pengujian dan berdasarkan hasil
pengujian tersebut diketahui bahwa 100% Fungsi Utama (Penerangan
yang cukup dan jarak< 1 meter)sistem dapat dengan baik mengenali
daun cabai dan dapat mendeteksi apakah daun cabai tersebut teinfeksi
penyakit atau tidak, namun dengan fungsi Utamadimana penerangan yang
kurang danjarak >= 1 meter, akurasi sistem hanya sebesar 68,8%..
g. Deteksi diameter tumor pada kulit menggunakan segmentasi citra
berdasarkan karakteristik ABCDE, Wuwanjie Septian, Dwiza Riana,
Maulana Jodi Prayogo, (2016).
Kesimpulan dari penelitian ini bahwa dengan operasi kanal warna
HSI dengan dilakukan konversi menjadi citra biner, dilakukan segmentasi
citra berupa filter median, konstruksi morfologi dan pada tahap akhir deteksi
tepi dengan operator sobel serta dilakukan penggabungan citra untuk
menambah presisi perhitungan luas diameter. Hasil menunjukkan citra
nevus dapat diidentifikasi sebagi nevus normal dan melanoma berdasarkan
kalkulasi diameter. Penelitian ini merupakan studi awal untuk melakukan
analisa karakteristik ABCD pada sel nevus. Setelah dilakukan deteksi
diameter tumor jinak, alur proses kerja dapat dikembangkan lebih lanjut
agar akurasi area tumor jinak menjadi lebih baik. Teknik pengolahan citra
juga dapat dikembangkan serta digabungkan dengan metode karakteristik
yang lain yang belum dilakukan yaitu karakteristik ABCE pengembangan
 metode dilakukan untuk memperkuat analisa terkait apakah tumor jinak
kulit tersebut normal atau tumor tersebut.
h. Image spam detection using machine learning and natural language
processing, Yaseen Khather Yaseen, Alaa Khudhair Abbas, Ahmed M.
Sana, (2020).
Dalam Penelitian ini, model untuk mendeteksi gambar spam telah
dibuat. Model dibuat agar lebih akurat dibandingkan model lainnya. Dataset
model terlatih mendekati 10.000 gambar ham dan spam. Pendekatan ini
menggunakan tiga bagian utama: teknologi pembelajaran mendalam, dan
bekerja dengan ekstraksi fitur gambar menggunakan algoritma NLP dan
OCR untuk mendukung prediksi dan meningkatkan hasil. Hasilnya
menunjukkan akurasi 98% menggunakan DL yang dikombinasikan dengan
FE dan OCR pada dataset yang diuji, menunjukkan peningkatan yang lebih
baik dibandingkan dengan studi relatif lainnya dalam mendeteksi dan
memprediksi spam pada gambar. Modelnya rumit dengan teks besar dan
kata-kata dengan spasi jauh, dan juga dengan bahasa yang berbeda pada
gambar karena beberapa bahasa tidak didukung. Dengan semua itu, prediksi
dan akurasi bisa turun, dan itu akan menjadi penelitian kami di masa depan:
bekerja dan meningkatkan model untuk menangani kasus-kasus tertentu.
i. Thermal Imaging Untuk Identifikasi Telur, Sunardi, Anton Yudhana,
Shoffan Saifullah, (2019).
Berdasarkan pengolahan citra telur berbasis thermal imaging yang
telah dilakukan, maka dapat disimpulkan bahwa proses pengolahan citra
dapat dilakukan dan mendapatkan hasil dapat mengetahui jumlah telur
yang di-capture dengan thermal imager camera flir. Penggunaan metode
morfologi dan threshold otsu dapat dilakukan untuk memperbaiki citra
telur ayam dengan operasi dilasi. Penentuan centroid melalui proses
complement dari citra BW dan penentuan jumlah obyek dan luas
berdasarkan pada centroid dalam citra digital dan proses bounding
box pada obyek yang dihitung. Dari pengujian yang telah dilakukan
didapatkan hasil 100% dalam proses penentuan telur ayam dan luas area
yang diinginkan.
j. Effective Human Activity RecognitionApproachusing Machine Learning,
Abdul Lateef Haroon P.S., Premachand D.R. (2021).
Fitur gabungan dari atribut geometri dan visual dapat menyediakan
platform tersinkronisasi untuk menyediakan teknologi untuk interaksi
manusia ke mesin (HMI). Keterlibatan aktif manusia pada awalnya banyak
mengembangkan aplikasi berbasis HMI ke dalam sistem, namun di masa
depan, banyak visi masa depan aplikasi yang cerdas, cerdas dan ada dimana-
mana memerlukan konteks tertentu dari manusia seperti kegiatan kritisnya
sebagai masukan. Proses menemukan sekumpulan fitur koordinat yang
cepat dan akurat adalah tugas yang sangat menantang untuk akurasi
pengenalan aktivitas. Pengakuan Aktivitas Manusia (RHA) adalah masalah
penelitian terbuka karena ada proses yang berkembang baik dalam teknik
pencitraan dan teknologi kamera. . Masalah RHA digambarkan sebagai
“Masalah kategorisasi tiga tingkat,” yaitu 1) Tindakan primitif, 2) Tindakan
/ kegiatan dan 3) Interaksi. Studi penelitian melibatkan pemahaman tentang
berbagai pendekatan representasi citra dan klasifikasi untuk pengenalan
aktivitas berbasis visi atau perilaku manusia.
k. Implementasi Deep Learning Untuk Image Classification Menggunakan
Algoritma Convolutional Neural Network (CNN) Pada Citra Wayang
Golek, Triano Nurhikmat, (2018).
Model CNN pada penelitian ini menggunakan input shape berukuran
64x64, nilai learning rate 0.001, ukuran filter 3x3, Jumlah Epoch 20, Data
training 240, dan data testing 60. Menghasilkan tingkat akurasi training dan
testing dalam melakukan klasifikasi gambar wayang golek sebesar 95 %
training dan 90 % testing. Penelitian ini menggunakan data testing baru
sebanyak 60 untuk diujikan kedalam model yang telah dibuat. Hasil testing
menghasilkan tingkat akurasi baru dalam melakukan klasifikasi gambar
wayang golek sebesar 93 %. Dari beberapa trial and error pada beberapa
parameter penjelasannya adalah skenario penggunaan nilai epoch
didapatkan tingkat akurasi terbaik menggunakan nilai epoch sebesar 100,
dengan akurasi 97 %. Skenario penggunaan layer konvolusi didapatkan
tingkat akurasi terbaik menggunakan 3 layer konvolusi, dengan akurasi 96
 %. Skenario penggunaan pooling layer didapatkan tingkat akurasi terbaik
menggunakan metode max-pooling, dengan akurasi 95 %. Skenario
penggunaan input shape image 64x64 dan 150x150, menghasilkan tingkat
akurasi yang sama yaitu 97 %. Skenario penggunaan jumlah data training
didapatkan akurasi terbaik menggunakan jumlah data 300, dengan akurasi
95 %. Skenario penggunaan perbandingan jumlah data training dan testing
didapatkan tingkat akurasi terbaik menggunakan 90 % :10 % atau 270:10
data training dan testing, dengan akurasi 100 %. Skenario penggunaan
ukuran kernel didapatkan didapatkan tingkat akurasi terbaik menggunakan
ukuran kernel 3x3, dengan akurasi 97 %. Skenario penggunaan nilai
learning rate didapatkan didapatkan tingkat akurasi terbaik menggunakan
nilai learning rate 0.001, dengan akurasi 97 %.
l. Identifikasi Huruf Braille Berbasis Image Processing Secara Real Time,
Dewi Permata Sari, Sabilal Rasyad, Evelina, (2017)
Dari pengujan yang dilakukan, dapat diambil suatu kesimpulan sebagai
berikut : Identifikasi huruf Braille yang sangat baik menggunakan kamera
Logitech pada jarak 30 cm sampai dengan 60 cm. Pengujian huruf Braille
menggunakan waktu 3 menit sampai dengan 5 menit didapat tingkat akurasi
92,3 % dan error = 7,7 %. Konversi dari hurup ke desimal/ biner tingkat
akurasi 100 % dan error = 0 %.Dari pengujian yang dilakukan pada
penelitian ini disaran untuk menggunakan filter untuk memanipulasi sebuah
citra yang akan menghasikan citra baru.

m. Penelitian Deteksi Pelat Nomor Kendaraan: Kajian Pustaka, Dimas

Setyawan Ramadhansyah, Arrie Kurniawardhani, (2021)
Berdasarkan kajian yang telah dilakukan, kebutuhan akan sistem
transportasi cerdas meningkat seiring dengan peningkatan kendaraan yang
bertambah dari tahun ke tahun. Penelitian yang telah dilakukan sejak tahun
1976 oleh kantor pengembangan ilmiah kepolisian Inggris hingga sekarang
ini sudah mengembangkan berbagai teknik dan metode. Berdasarkan
literatur yang telah dikaji, metode image processing dan deep learning
menjadi metode yang digunakan untuk penelitian deteksi pelat nomor
 kendaraan. Penelitian menggunakan image processing dan deep learning
terus dilakukan untuk mencapai akurasi yang tinggi. Penggunaan image
processing kalah unggul dibandingkan dengan deep learning. Berdasarkan
kajian yang dilakukan dapat disimpulkan bahwa image processing belum
seluruhnya bisa untuk melakukan penelitian secara real time. Beberapa
metode image processing, yaitu Connected Component, SVM, Connected
Component Labelling dan Transformasi Hough dan Transformasi Hit or
Miss. Untuk akurasinya belum mencapai nilai 90%.
n. Klasifikasi Penyakit Paru Berdasarkan Citra Rontgen dengan Metoda
Segmentasi Sobel, Reni Rahmadewi, Rahmadi Kurnia, (2016)
Sampel citra rontgen yang diinputkan kemudian citra asli diperbaiki,
citra rontgen hasil segmentasi dan hasil citra rontgen setelah dilakukan
deteksi tepi. Proses pengolahan citra pada citra rontgen. Citra rontgen
menunjukkan penyakit pleuritis, dimana persentase citra rontgen ini bernilai
1,43% dan berada dalam interval persentase (1,43% hingga 1,59%). Dan
terbukti benar/sesuai dengan hasil pada simulasi yaitu menunjukkan
penyakit pleuritis. Pada pengujian 41 (empat puluh satu) sampel citra
rontgen yang diujikan didapatkan hasil kebenaran 100%, dimana nilai ini
sesuai dengan sampel uji terhadap interval yang didapatkan.
o. Identifikasi Bakteri pada Citra Dahak Penderita Tubercolusis (TBC)
Menggunakan Metode Watershed, Dirvi Eko Juliando Sudirman, Asih
Setiarini, (2017)
Berdasarkan kepada hasil percobaan dan analisa yang telah dilakukan
untuk melakukan segmentasi bakteri pada dahak penderita TBC paru
menggunakan metode watershed, maka dapat ditarik beberapa hal yaitu
penelitian ini dilakukan berdasarkan kepada metode yang dinamakan
sebagai Watershed, yaitu dengan penggunaan celah dari lembah, dimana
mirip dengan aliran sungai. Didapatkan hasil segmentasi bakteri pada citra
walaupun posisinya tersebar secara acak. Selain itu juga berhasil
mengekstrak bakteri yang berada dekat dengan noise. Nilai parameter
segmentasi attribute seperti area bergantung kepada keadaan citra
mikroskopis dahak itu sendiri, sehingga proses image enhancement dengan
 menggunakan metode operasi morfologi seperti opening dan closing masih
perlu dilakukan.
p. PEMANTAUAN PERILAKU TUMBUHAN MIMOSA PUDICA
TERHADAP EFEK GERHANA MATAHARI TOTAL BERBASIS
WIRELESS SMART SENSOR Rony Teguh, Fengky F. Adjie, Salampak
Dohong(2016)
penelitian ini melakukan analisis gambar yang berbasis itensitas dari
ketiga warna utama merah (R), Hijau (G) dan Biru (B) alternatif
meprediksi konten dari krorofil daun. Model RGB yang digunakan
dalam penelitian untuk mendapatkan data krolofil pada
permukaan daun Mimosa pudica dengan mengekstrak setiap data gambar
dari awal daun terbuka daun tertutup setelah tidak adanya cahaya akibat
gerhana matahari. serta terjadinya rangsangan dari suhu udara dan itensitas
cahaya pada permukaan daun.
q. PEATLANDRE PHOTO GEOTAGGING USING SMARTPHONES AS A
FIN INVESTIGATIVE TOOL Rony Teguh, Ariesta Lestari, Benone J
Louhenapessy, Hiroshi Hayasaka, Rizal Endar Wibowo (2021)
penelitian ini mengembangkan aplikasi seluler dan web untuk
memantau dan memverifikasi pelaporan kebakaran gambut. Dengan cara,
Foto dan deskripsi yang diberi geotag dikumpulkan dari smart phone
kemudian dikirim melalui sistem komunikasi global. sehingga Petugas
pemadam kebakaran menggunakan koordinat dan foto TKP sebagai bukti
permulaan dalam penyidikan peristiwa kebakaran lahan gambut. Layanan
Google Maps di aplikasi seluler digunakan untuk melacak lokasi kebakaran
dan temukan sumber air serta rute terdekat. Aplikasi ini menyediakan
pengukuran waktu respons dan durasi untuk menghentikan api. Catatan data
kejahatan termasuk lokasi kejadian kebakaran.
r. SISTEM CERDAS PENGHITUNG SEL KULIT MATI MANUSIA
DENGAN METODE IMPROVED COUNTING MORPHOLOGY Ahmad
Fahrudi Setiawan, Wijono dan Sunaryo (2013)
Penelitian ini melakukan Perhitungan sel kulit mati pada bedah estetik
secara komputerisasi dengan langkah proses yaitu gambar citra sel kulit
 dilakukan grayscale, sekaligus dibinerisasi, selanjutnya dierosi dan
improved counting morphology. hasil perhitungan didapatkan nilai tingkat
ketelitian pada sistem perhitungan manual sebesar 87%. Sedangkan hasil
perhitungan didapatkan nilai tingkat ketelitian pada sistem perhitungan
software sebesar 98%. Perbedaan ini menjelaskan bahwa perhitungan
software lebih teliti dibandingkan dengan perhitungan secara manual.
s. IMAGE PROCESSING WARNA UNTUK PROSES INTERUPSI LED
PADA LAMPU LALU LINTAS BERBASIS OPEN CV Prihatin
Oktivasari, Erwin Ardiansyah (2017)
penelitian ini melakukan perancangan sistem cerdas pengaturan lampu
lalu lintas untuk kendaraan darurat dengan menggunakan image processing
berbasis Open CV dan phyton programming. Dan hasil dari penilitian
adalah kondisi maksimum citra warna yang dapat ditangkap oleh kamera
dan sistem berjalan optimal yaitu pada jarak maksimum 90 cm, intensitas
cahaya 9600 lumen dengan delay untuk proses interupsi LED berubah
warna hijau adalah 0 detik.
t. DETEKSI LOKASI TITIK API PADA KEBAKARAN HUTAN
MENGGUNAKAN COLOUR IMAGE PROSESSING Feriadi Feriadi,
Andri Andri, Setyawan Widyarto (2012)
penelitian ini melakukan pengolahan citra digital menggunakan
pendekatan pengolahan warna gambar yang dapat memberikan lokasi titik
api, sehingga analisis dan tindakan dapat dilakukan dengan cepat dan
akurat. Penelitian ini menyimpulkan untuk keperluan segmentasi gambar
satelit kebakaran hutan dengan metode Watershed, pre-processing terbaik
yang dapat digunakan adalah opening, erosion, sobel, dilation, dan closing.
4. PEMBAHASAN
Image processing atau pengolahan citra adalah proses pengolahan suatu
gambar menggunakan computer menjadi suatu citra yang memiliki kualitas yang
lebih baik. Image processing bertujuan memperbaiki kualitas suatu citra
sehingga dapat ditafsirkan dengan mudah oleh manusia atau sebuah computer.
Pemanfaaran image processing diberbagai bidang sangat membantu manusia
seperti meningkatkan kualitas gambar agar dapat diinterprestasikan dan
diklasifikasikan oleh manusia dan Komputer.
Pengklasifikasikan objek pada citra secara umum sangat membantu karena
komputer dapat mengklasifikan objek secara umum seperti manusia. Oleh sebab
itu diperlukannya sebuah metode atau algoritma seperti CNN karena CNN
terbukti berhasil mengungguli metode lainnya pada kasus klasifikasi objek pada
citra. Convolutional Neural Network (CNN) merupakan pengembangan dari
multilayer perceptron (MLP) yang didesain untuk mengolah data dua dimensi
dalam bentuk citra. CNN ini termasuk kedalam jenis Deep Neural Network
karena kedalaman jaringan yang tinggi dan banyak diaplikasikan pada data citra.
Pada dasarnya klasifikasi citra dapat digunakan dengan MLP, akan tetapi dengan
metode MLP kurang sesuai untuk digunakan karena tidak menyimpan informasi
spasial dari data cita dan menganggap setiap piksel adalah fitur yang independen
sehingga menghasilkan hasil yang kurang baik.
5. KESIMPULAN
Citra (image) adalah kombinasi antara titik, garis, bidang, dan warna untuk
menciptakan suatu imitasi dari suatu objek yang kemudian menggunakan
metode Image Processing untuk memperbaiki dan meningkatkan kualitas suatu
gambar sehingga gambar (image) dapat diolah ke dalam bentuk digital untuk
tujuan tertentu. Convolutional Neural Network (CNN) digunakan sebagai
metode untuk mengklasifikasi citra secara umum. CNN merupakan salah satu
kelas deep feed-forward artificial neural network yang banyak diaplikasikan
pada analisis citra.
 DAFTAR PUSTAKA

Silvana, Meza. Kurnia, Rahmadi. (2014). Sistem Pendeteksian Keserian Warna

Kulit dan Busana Secara Otomatis Untuk Jenis Kelamn Perempuan Berbasis
Image Processing. Jurnal Nasional Teknik Elektro. Vol. 3, No. 1
Maulana, Febian Fitra. Rochmawati, Naim. (2019). Klasifikasi Citra Buah
Menggunakan Convolutional Neural Network. Journal of Informatics and
Computer Science. Vol. 1, No. 2.
Afian, Elvin Nur. Utomo, Satryo Budi. Hadi, Widyono. (2014). Rancang Bangun
Sistem Navigasi Kapal Laut Berbasis Pada Image Processing Dengan
Metode Color Detection. Jember: Universitas Jember.
Handhoko, Arif. Zul, Muhammda Ihsan. Fitrisia, Yuli. (2015). Sisted Deteksi
Kondisi Cuaca berdasarkan Pencitraan Awan Berbasis Pengolahan Citra
Digital Menggunakan Algoritma k-Nearest Neighbor (k-NN). Pekanbaru:
Politeknik Caltex Riau.
Dogic, Sabahete. Karli, Gunay. (2014). Sign Language Recognition using Neural
Networks.
Learning, Rosalina, Ardi Wijaya, (2020). Pendeteksian Penyakit pada Daun Cabai
dengan Menggunakan Metode Deep
Wuwanjie Septian, Dwiza Riana, Maulana Jodi Prayogo, (2016) Deteksi diameter
tumor pada kulit menggunakan segmentasi citra berdasarkan karakteristik
ABCDE.
Yaseen Khather Yaseen, Alaa Khudhair Abbas, Ahmed M. Sana, (2020) Image spam
detection using machine learning and natural language processing,.
Sunardi, Anton Yudhana, Shoffan Saifullah, (2019) Thermal Imaging Untuk
Identifikasi Telur.
Abdul Lateef Haroon P.S., Premachand D.R. (2021) Effective Human Activity
RecognitionApproachusing Machine Learning,
Nurhikmat, Triano. (2018). Implementasi Deep Learning Untuk Image
Classification Menggunakan Algoritma Convolutional Neural Network
(CNN) Pada Citra Wayang Golek. Yogyakarta : Universitas Islam
Indonesia.
Sari, Dewi Permata, Rasyad Sabilal, Evelina (2017). Identifikasi Huruf Braille
Berbasis Image Processing Secara Real Time. Palembang : Politeknik
Negeri Sriwijaya.
Ramadhansyah, Dimas Setyawan, Kurniawardhani, Arrie. (2021). Penelitian
Deteksi Pelat Nomor Kendaraan: Kajian Pustaka. Yogyakarta : Universitas
Islam Indonesia.
Rahmadewi, Reni, Kurnia, Rahmadi. (2016). Klasifikasi Penyakit Paru Berdasarkan
Citra Rontgen dengan Metoda Segmentasi Sobel. Palembang : Universitas
Andalas.
Sudirman, Dirvi Eko Juliando, Setiarini, Asih. (2017) . Identifikasi Bakteri pada
Citra Dahak Penderita Tubercolusis (TBC) Menggunakan Metode
Watershed. Madiun: Politeknik Negeri Madiun.
Teguh, Rony. Adji, F. F. Dohong, Salampak. (2016). Pemantauan Perilaku
Tumbuhan Mimosa Pudica Terhadap Efek Gerhana Matahari Total Bebasis
Wireless Smart Sensor. Jurnal Teknologi Informasi. Vol. 10, No. 2.
Teguh, Rony. Lestari, Ariesta. Louhenapessy, Benone J. Hayasaka, Hiroshi.
Wibowo, Rizal Endar. (2021). Peatland Fire Geotagging Photo For
Investigation Tool Using Smartphone.

Setiawan, Ahmad Fahrudi. Wijono. Sunaryo. (2013). Sistem Cerdas Penghitung Sel
Kulit Mati Manusia dengan Metode Improved Counting Morphology.
Jurnal EECCIS. Vol. 7, No. 1.

Oktivasari, Prihatin. Ardiansyah, Erwin. (2017). Image Processing Warna Untuk

Proses Interupsi Led Pada Lampu Lalu Lintas Berbasis Open Cv. Jurnal
Komunika.

Feriadi. Andri. Widyarto, Setiawan. (2012). Deteksi Lokasi Titik Api Pada
Kebakaran Hutan Menggunakan Colour Image Prosessing. Seminar
Nasional Informatika. Vol. 1, No. 1.

Prijono, Agus. (1997). Sekilas tentang Pengolahan Citra / Gambar (Image

Processing) dan Aplikasinya. Fakultas Teknik Elektro UKM. Vol. 5 No. 4.
 Ade. 2009. Image Processing. https://ndoware.com/image-processing.html.
(Diakses 5 Mei 2021)

Arfiend, Prahariezka. 2019. Materi Pendamping Memahami Convolutional Neural

Networks Dengan Tensorflow. https://algorit.ma/blog/convolutional-
neural-networks-tensorfflow/. (Diakses 5 Mei 2021)

Lina, Qolbiyatul. 2019. Apa itu Convolutional Neural Network?.

https://medium.com/@16611110/apa-itu-convolutional-neural-network-
836f70b193a4. (Diakses 5 Mei 2021)

View publication stats