asep_nana_h@yahoo.com[1], san.jang10@gmail.com[1]
ABSTRAK
Pengenalan pola rumah adat adalah suatu cara yang digunakan untuk membedakan antara
satu pola rumah adat dengan pola rumah adat lainnya. Dalam penerapannya digunakan 2
algoritma yaitu algoritma Canny dan Backpropagation. Algoritma Canny digunakan untuk
proses pengolahan citra dimana citra rgb akan diubah menjadi citra biner. Sedangkan
backpropagation adalah algoritma pembelajaran terawasi yang terdiri dari beberapa layer
(multilayer). Citra yang dikenali terlebih dahulu diproses menjadi citra biner, kemudian
disimpan dalam bentuk matriks yang digunakan sebagai masukan untuk pelatihan. Hasil
pelatihan diuji untuk mengenali pola objek diluar pelatihan. Tingkat keberhasilan pengujian
terhadap 125 citra latih sebesar 97.6 %, sedangkan untuk pengujian terhadap 75 citra uji
sebesar 50.67 %. Dengan demikian semakin banyak citra latih maka semakin tinggi tingkat
keberhasilan dikenali.
ABSTRACT
(a) (b)
Gambar 2. Citra asli(a), citra
hasil Canny(b)
Start
Citra hasil
preprocessing
G(1,1) = 0.0585
Gaussian Filter Contoh hasil proses penghalusan
dari citra rumah adat Toraja menggunakan
Sobel x (Gx),
Gaussian Filter diperlihatkan pada Gambar
Sobel y (Gy)
7.
Non-maximum
suppression
Hysteresis
(a) (b)
Hasil Tepi
citra
Gambar 7. (a) Citra
grayscale, (b) citra hasil
End
penghalusan
Citra yang telah dihaluskan
Gambar 6. Tahap proses selanjutnya dilakukan pencarian gradient
algoritma Canny terhadap arah horizontal (Gx) dan vertikal
Pada canny citra pertama akan (Gy) menggunakan operator Sobel. Hasil
dihaluskan dengan metode Gaussian filter. dari operasi sobel ditunjukkan pada
Dalam proses penghalusan terlebih dahulu Gambar 8. Contoh dari gambar rumah adat
kernel dirancang berdasarkan pada ordo Toraja yang diproses Sobel menggunakan
matriks m x n dan nilai standar deviasi persamaan (3) berikut.
menggunakan persamaan (2) kemudian Gx = (182)(-1) + (182)(-2) + (183)(-1) +
dikonvolusi dengan matriks citra. Contoh (182)(1) + (182)(2) + (183)(1) = 0
pembuatan kernel sebagai berikut. Gy = (182)(1) + (182)(2) + (182)(1) +
(183)(-1) + (183)(-2) + (183)(-1) = - 4
Diketahui = 1, = 2.718281828459
= |0|+|-4| = 4
(a) (b) (a) (b)
(a) (b) Gambar 9. (a) Strong edge,
(b) Weak edge
4 5 6 4 5
10 12 14 10 13
4 4 3 5 5
Gambar 10. Hasil Canny
Arah gradien
Keterangan : Backpropagation
6 = magnitudo (i1,j1)
14 = magnitude (i,j) a. Pembelajaran Jaringan
3 = magnitude (i2,j2) Proses akan dimulai dengan
Untuk setiap piksel (x,y) do: menentukan arsitektur jaringan yaitu
Jika magnitude(i,j) < magnitude(i1,j1) atau menentukan parameter awal seperti
magnitude(i,j) < magnitude(i2,j2) learning rate, epoch, max error, dan
Maka Gn(i,j) = 0 jumlah lapisan yaitu lapisan input, lapisan
Else Gn(i,j) = magnitude(i,j) tersembunyi serta lapisan output.
14 > 4 or 3 jadi 14 merupakan tepi asli. Kemudian bobot dan bias awal
akan diset secara acak. Biasanya bobot
Terakhir menggunakan Hysteresis awal diinisialisasi dengan nilai antara -0.5
by double thresholding untuk memisahkan sampai 0.5. Setelah itu, hasil deteksi tepi
tepian yang tidak terhubung dengan tepian yang berupa nilai biner dimasukkan
kuat. Tepi piksel lebih lemah dari low sebagai pola latih.
threshold akan ditekan dan tepi piksel Hitung nilai output dan nilai error.
antara high threshold dan low threshold Jika nilai error belum mencapai target
ditandai sebagai piksel lemah. maka proses pelatihan dengan mengubah
Misalkan diatur nilai high bobot akan terus dilakukan , namun jika
threshold (H) = 80 dan low threshold (L) = telah terpenuhi, maka proses pelatihan
20 sehingga menghasilkan tepian seperti akan berhenti.
pada Gambar 9.
Start Implementasi Canny
Hitung output
dan error
Ya
Lakukan
pelatihan dengan
pola lain
Error dapat
diterima?
Tidak
Ya
Gambar 13. Tampilan Deteksi Tepi
Uji performa
jaringan Canny
Diantaranya yaitu nilai high dan
End
low threshold, nilai standar deviasi
(sigma), dan ukuran kernel Gaussian
Gambar 9. Tahap pelatihan jaringan (blok).
Rumah
No. Citra latih Sudut rotasi Jumlah
Adat
Sasak1
70, 80, 90,
Sasak2
100, 110,
1. NTB Sasak3 225, 315, 50
237, 270,
Sasak4
293
Sasak5
Padang1
70, 80, 90,
Padang2
100, 110,
2. Padang Padang3 225, 315, 50
237, 270,
Padang4
293
Gambar 14. Tampilan Proses Padang5
Training
Papua1
b. Implementasi Pengenalan (Pengujian) 70, 80, 90,
Papua2
100, 110,
Interface untuk pengenalan terhadap 3. Papua Papua3 225, 315, 50
citra uji diperlihatkan pada Gambar 237, 270,
Papua4
15. 293
Papua5
Minahasa1
70, 80, 90,
Minahasa2
100, 110,
Sulawesi
4. Minahasa3 225, 315, 50
Utara
237, 270,
Minahasa4
293
Minahasa5
Toraja1
Toraja2
70, 80, 90,
Gambar 15. Tampilan Proses 100, 110,
Pengujian Toraja3
5. Toraja 225, 315, 50
237, 270,
Karena citra latih dideteksi tepi sebelum Toraja4
293
dilatih maka citra uji pun harus di deteksi
Toraja5
tepiannya juga. Hasil dari pengenalan
sangat dipengaruhi oleh nilai standar
deviasi dan kernel Gaussian. Keluaran
dari proses pengenalan adalah teks yang Pengujian Terhadap Citra Latih
menyebutkan nama rumah adat yang Data yang telah dikumpulkan
dikenali. dilatih secara bertahap berdasarkan
penambahan jumlah citra latih untuk
mendapatkan jaringan terbaik. Pada tahap
Data Citra Latih pertama digunakan citra latih sebanyak
Data yang diambil untuk pelatihan terdiri 125 citra, tahap kedua digunakan citra latih
dari 5 macam rumah adat yaitu rumah adat sebanyak 175, dan tahap ketiga digunakan
NTB, rumah adat Padang, rumah adat citra latih sebanyak 250 citra. Pada proses
Sulawesi Utara, dan rumah adat Toraja. pelatihan ada 2 parameter yang digunakan
Total seluruh citra latih yaitu sebanyak 250 sebagai acuan pelatihan yaitu learning
rate, dan MSE seperti yang terlihat pada persentase keberhasilan tertinggi
Tabel 3. sebesar 93.7% dengan nilai MSE
0.0243. Dari pelatihan terhadap 250
citra latih, dihasilkan persentase
Tabel 3. Pengujian Citra latih
keberhasilan tertinggi sebesar 82.4%
Jumlah % dengan nilai MSE 0.0547.
Jumlah Learning 2. Pengujian terhadap 125 citra latih
citra MSE berhasil
dikenali rate dengan learning rate 0.03, MSE 0.01
latih
125 116 0.01 0.0285 92.8 % menghasilkan persentase keberhasilan
125 110 0.02 0.0249 88 % dikenali 97.6%. Pengujian terhadap
125 122 0.03 0.01 97.6 % 175 citra latih dengan learning rate
175 152 0.01 0.0374 86.9 % 0.02, MSE 0.0243 menghasilkan
175 164 0.02 0.0243 93.7 % persentase keberhasilan dikenali
175 154 0.03 0.0271 88 % 93.7%. Pengujian terhadap 250 citra
250 193 0.01 0.0568 77.2 % latih dengan learning rate 0.02, MSE
250 206 0.02 0.0547 82.4 % 0.0547 menghasilkan persentase
250 198 0.03 0.0558 79.2 % keberhasilan dikenali 82.4%.
3. Pengujian terhadap 75 citra uji dengan
citra latih sebanyak 125 menghasilkan
Pengujian Terhadap Citra Uji persentase keberhasilan dikenali 40%,
Setelah citra dilatih dan didapat pengujian terhadap 75 citra uji dengan
jaringan terbaik pada setiap perubahan citra latih sebanyak 175 menghasilkan
jumlah citra latih, maka selanjutnya persentase keberhasilan dikenali
menguji citra uji. 41.33%, pengujian terhadap 75 citra uji
dengan citra latih sebanyak 250
Tabel 4. Perbandingan persentase
keberhasilan
menghasilkan persentase keberhasilan
dikenali 50.67% seperti yang
Jumlah Jumlah Jumlah %
ditunjukkan pada Tabel 4.
citra latih citra uji dikenali berhasil
125 75 30 40 % DAFTAR PUSTAKA
175 75 31 41.33 % [1] Darma Putra. “Pengolahan Citra
250 75 38 50.67 % Digital”. 2010. Penertbit ANDI.
[2] Hanif Al Fatta (2007). Konversi Format
Citra uji yang digunakan adalah Citra RGB ke Format Grayscale
citra latih yang dirotasi dengan sudut yang menggunakan Visual Basic. STIMIK
berbeda seperti pada Tabel 4. AMIKON Yogyakarta. Diakses pada
tanggal 17 Oktober 2014 pada pukul
20.23.
Kesimpulan
[3] Batra Yudha Pratama. Pendeteksian
Kesimpulan yang diperoleh setelah Tepi Pengolahan Citra Digital. 2007
melalui penelitian dan pengujian adalah [4] T.Sutojo, S.Si, M.Kom, dkk (2010).
sebagai berikut : Kecerdasan Buatan. ANDI, Yogyakarta.
1. Persentase keberhasilan dalam [5] Muhammad Tonovan (2007).
pengenalan pola rumah adat terhadap Pengenalan pola Geometri Wajah
citra latih sangat dipengaruhi oleh nilai Menggunakan Jaringan Syaraf Tiruan
MSE. Dari pelatihan terhadap 125 citra Backpropagation. Universitas Islam
latih, dihasilkan persentase Indonesia, Yogyakarta.
keberhasilan tertinggi sebesar 97.6%
dengan nilai MSE 0.01. Dari pelatihan
terhadap 175 citra latih, dihasilkan