TEKNIK KONVOLUSI PADA DEEP LEARNING

UNTUK IMAGE PROCESSING

SKRIPSI

Disusun Oleh :

DINA DWI AFFIFAH

NPM : 10060218047

PROGRAM STUDI MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS ISLAM BANDUNG

2022
 TEKNIK KONVOLUSI PADA DEEP LEARNING

UNTUK IMAGE PROCESSING

SKRIPSI

Skripsi ini Diajukan sebagai Salah Satu Syarat untuk

Menyelesaikan Studi Program Strata Satu (S1) pada

Program Studi Matematika FMIPA UNISBA

Oleh :

DINA DWI AFFIFAH

NPM : 10060218047

BANDUNG

2022 M / 1443 H
 LEMBAR PENGESAHAN

JUDUL SKRIPSI : “TEKNIK KONVOLUSI PADA DEEP

LEARNING UNTUK IMAGE PROCESSING”

NAMA MAHASISWA : Dina Dwi Affifah

NPM : 10060218047

Setelah membaca skripsi ini dengan seksama,

menurut pertimbangan kami telah memenuhi

persyaratan ilmiah sebagai suatu skripsi.

Menyetujui,

Ketua Pembimbing Anggota Pembimbing

Yurika Permanasari., S.Si., M.Kom. Respitawulan., S.Si.,M.Si.

NIK. D.95.0.220 NIK. D.14.0.616

i
ii
 ABSTRAK

Dina Dwi Affifah NPM : 10060218047 TEKNIK KONVOLUSI PADA

DEEP LEARNING UNTUK IMAGE PROCESSING dibawah bimbingan Yurika

Permanasari., S.Si., M.Kom.

Teknik konvolusi adalah salah satu teknik yang dapat digunakan dalam

perbaikan kualitas citra untuk pelembutan citra. Konvolusi merupakan penjumlahan

dari perkalian setiap kernel dengan setiap titik pada fungsi masukan. Pengolahan

citra merupakan sebuah bentuk pemrosesan sebuah citra dengan proses numerik dari

gambar tersebut, dalam hal ini yang diproses adalah masing-masing piksel atau titik

dari gambar tersebut. Proses awal untuk konvolusi pada citra adalah mengubah nya

menjadi matriks citra dengan derajat keabuan (0 – 255) yang setiap titiknya memiliki

nilai lalu dikalikan dengan matriks kernel. Kernel itu merupakan matriks angka yang

digunakan dalam konvolusi gambar. Setelah adanya matriks kernel dilakukan nya

stride yaitu parameter yang menentukan berapa jumlah pergeseran filter. Setelah

proses stride, dilakukan proses padding yaitu penambahan ukuran piksel dengan nilai

tertentu. Hasil atau output dari konvolusi merupakan feature map, proses konvolusi

merupakan proses perkalian matriks citra dengan matriks kernel. Pada penelitian ini

akan diuji proses konvolusi dengan matriks kernel 3 ×3 dan 2 ×2 dengan stride

sebanyak 1 dan 2. Hasil yang didapat adalah bahwa matriks dengan ukuran kernel

3 ×3 stride 2 lebih baik, karena hasil matriks konvolusi yang berukuran 2 ×2

membuat citra lebih tajam.

iii
Kata Kunci : Konvolusi, Citra, Kernel, Stride

KATA PENGANTAR

‫بِس ِْم هّللا ِ الرَّحْ َم ِن ال َّر ِح ْي‬

Puji dan syukur penulis panjatkan kehadirat Allah SWT karena atas rahmat,

hidayah, dan ridho-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul

“TEKNIK KONVOLUSI PADA DEEP LEARNING UNTUK IMAGE

PROCESSING” tepat pada waktunya. Sholawat serta salam semoga tetap tercurah

kepada junjungan kita Nabi Muhammad SAW, kepada keluarganya, sahabat, serta

umatnya hingga akhir zaman.

Penulis menyadari bahwa skripsi ini masih jauh dari sempurna dan masih

banyak kekurangan. Namun, penulis berusaha sebaik-baiknya agar skripsi ini

menghasilkan pengetahuan yang dapat bermanfaat. Penulis mengharapkan kritik dan

saran yang bersifat membangun untuk perbaikan kedepannya.

Dalam penyusunan skripsi ini, penulis banyak mendapatkan bantuan, doa, dan

dukungan dari berbagai pihak baik secara langsung maupun tidak langsung. Oleh

karena itu, pada kesempatan ini penulis mengucapkan terimakasih kepada :

1. Kedua orang tua dan kakak yang sangat penulis cintai dan sayangi, Ibu Nevi

Hartati, Bapak Rukinta, dan Teh Diniyatul Fitri. Yang senantiasa mendoakan,

memberi motivasi, serta bantuan yang luar biasa.

2. Bapak Abdul Kudus, M.Si., Ph.D. Selaku Dekan Fakultas MIPA.

iv
3. Bapak Dr. Didi Suhaedi, S.Si., M.Kom. Selaku Ketua Program Studi

Matematika.

4. Ibu Yurika Permanasari, S.Si., M.Kom. Selaku dosen pembimbing yang telah

meluangkan waktu, tenaga, dan pikirannya untuk memberikan petunjuk,

pengetahuan, dan pengarahan selama menyelesaikan skripsi.

5. Ibu Respitawulan, S.Si., M.Si Selaku wali dosen yang telah memberikan

pengarahan dan nasihat kepada penulis selama menjalankan perkuliahan dan selaku

dosen pembimbing yang telah meluangkan waktu, tenaga, dan pikirannya untuk

memberikan petunjuk, pengetahuan, dan pengarahan selama menyelesaikan skripsi.

6. Seluruh dosen Program Studi Matematika Universitas Islam Bandung atas

dedikasinya dalam memberikan ilmu yang bermanfaat bagi penulis.

7. Staf Administrasi dan karyawan FMIPA yang sangat membantu segala

keperluan selama proses perkuliahan.

8. Keluarga Matematika khususnya angkatan 2018 yang telah berjuang bersama

penulis selama proses perkuliahan.

9. Seluruh sahabat yang telah menemani, mendoakan, menghibur, dan

menyemangati penulis.

10. Semua pihak yang tidak dapat disebutkan satu persatu, terimakasih atas doa,

dukungan, dan motivasi yang diberikan kepada penulis.

Penulis berharap skripsi ini dapat bermanfaat bagi semua pihak karena sebaik –

baiknya manusia adalah mereka yang bermanfaat bagi orang lain. Semoga Allah

SWT membalas segala kebaikan yang telah diberikan kepada penulis, Aaamiiin.

v
 Bandung, Juli 2022

Dina Dwi Affifah

vi
 DAFTAR ISI

LEMBAR PENGESAHAN............................................................................................i

ABSTRAK...................................................................................................................iii

KATA PENGANTAR..................................................................................................iv

DAFTAR ISI...............................................................................................................vii

DAFTAR GAMBAR....................................................................................................ix

BAB I PENDAHULUAN.............................................................................................1

1.1. Latar Belakang...............................................................................................1

1.2. Identifikasi Masalah......................................................................................2

1.3. Tujuan Penelitian...........................................................................................2

1.4. Batasan Masalah............................................................................................3

1.5. Sistematika Penulisan....................................................................................3

BAB II LANDASAN TEORI........................................................................................5

2.1. Transformasi Linear......................................................................................5

2.2. Deep Learning...............................................................................................5

2.3. Pengolahan Citra Digital...............................................................................6

2.4. Konvolusi pada Deep Learning....................................................................7

2.4.1 Derajat Keabuan..............................................................................11

vii
 2.4.2 Kernel..............................................................................................11

2.4.3 Stride................................................................................................12

2.4.4 Padding............................................................................................12

2.4.5 Feature Map....................................................................................13

2.5. Pengolahan Citra Digital.............................................................................13

BAB III PEMBAHASAN...........................................................................................15

3.1. Matriks Citra Digital...................................................................................15

3.2. Flowchart....................................................................................................16

3.3. Proses Konvolusi.........................................................................................17

3.4. Proses Konvolusi Pada Citra Digital...........................................................18

3.4.1. Proses Konvolusi dengan Kernel 3 ×3 dan Stride 1.....................18

3.4.2. Proses Konvolusi dengan Kernel 3 ×3 dan Stride 2.....................23

3.4.3. Proses Konvolusi dengan Kernel 2 ×2 dan Stride 1.....................26

3.4.4. Proses Konvolusi dengan Kernel 2 ×2 dan Stride 2.....................32

3.5 Pengaruh Kernel dan Nilai Stride...............................................................37

BAB IV KESIMPULAN.............................................................................................38

DAFTAR PUSTAKA..................................................................................................39

viii
 DAFTAR GAMBAR

Gambar 2. 1 Pebedaan Machine Learning dengan Deep Learning........................6

Gambar 2. 2 Operasi dot antara Matriks Digital dan Matriks Kernel..................7

Gambar 2. 3 Matriks Convolutional Neural Network.............................................8

Gambar 2. 4 Konvolusi pada Deep Learning............................................................9

Gambar 2. 5 Sistem Koordinat yang dipergunakan untuk mewakili Citra........14

Gambar 2. 6 Matriks Citra Digital..........................................................................14

Gambar 3. 1 Flowchart Proses Konvolusi

Gambar 3. 2 Proses Lapisan Konvolusi

Gambar 3. 3 Matriks Hasil Konvolusi

Gambar 3. 4 Proses Padding

Gambar 3. 5 Piksel – piksel pinggir (yang tidak diarsir tidak di konvolusi)

Gambar 3. 6 Hasil Konvolusi

Gambar 3. 7 Piksel-piksel pinggir (yang tidak diarsir tidak di konvolusi)

Gambar 3. 8 Hasil Konvolusi

Gambar 3. 9 Piksel – piksel pinggir (yang tidak diarsir tidak di konvolusi)

Gambar 3. 10 Hasil Konvolusi

Gambar 3. 11 Proses Padding

Gambar 3. 12 Piksel – piksel pinggir (yang tidak diarsir tidak di konvolusi)

ix
 BAB I

PENDAHULUAN

3.4.1. Latar Belakang

Deep Learning merupakan area baru di bidang ilmu machine learning.

Perubahan yang dibawa dari kemunculan deep learning menimbulkan dampak yang

besar untuk bidang kecerdasan buatan [1]. Deep Learning merupakan metode

learning yang memanfaatkan jaringan saraf tiruan yang berlapis-lapis. Jaringan saraf

tiruan ini dibuat mirip otak manusia, neuron-neuron terkoneksi satu sama lain

sehingga membentuk sebuah jaringan yang sangat rumit. Deep Learning merupakan

metode learning yang memanfaatkan beberapa transformasi non-linear.

Salah satu bagian dari Deep Learning adalah Convolutional Neural Network

(CNN) adalah pengembangan dari Multilayer Perceptron (MLP) yang termasuk

dalam neural network bertipe feed forward (bukan berulang) [1]. Convolutional

Neural Network adalah neural network yang didesain untuk mengolah data dua

dimensi. CNN termasuk dalam jenis Deep Neural Network karena kedalaman

jaringan yang tinggi dan banyak di aplikasikan pada data citra. CNN juga digunakan

untuk menganalisis gambar visual, mendeteksi dan mengenali objek pada citra yang

terdiri dari neuron yang memiliki bobot, bias dan fungsi aktivasi [2].

Beberapa penelitian terdahulu sebagai kajian bagi penulis untuk mengetahui

hubungan antara penelitian yang dilakukan sebelumnya dengan penelitian yang penulis

lakukan saat ini. Penelitian sebelumnya telah dilakukan oleh Yelly N. Nabuasa (2019) yang

membahas pengolahan citra dengan perbandingan metode histogram equalization dan

specification pada citra abu-abu. Penelitian mengenai CNN sebelumnya juga telah
 2

dilakukan oleh I Wayan Suartika Eka Putra (2016) yang membahas klasifikasi citra

menggunakan convolutional neural network (CNN) pada Caltech 101. Lalu oleh Pulung

Adi Nugroho dkk (2020) mengenai implementasi deep learning menggunakan

convolutional neural network (CNN) pada ekspresi manusia. Dari beberapa penelitian

terdahulu tersebut terlihat bawah menggunakan CNN untuk metode nya, penilitan ini juga

menggunakan metode CNN dengan teori konvolusi untuk melihat bagimana citra digital

diolah oleh teknik konvolusi pada deep learning.

Teknik konvolusi sebagai bagian dari CNN menggunakan perhitungan matriks

kernel sebagai pengali dan stride sebagai jarak pergeseran. Kernel berupa matriks

persegi dengan ukuran yang berbeda-beda dan stride memiliki nilai yang berbeda-

beda pula. Tidak ada patokan khusus dalam pemilihan ukuran kernel dan nilai stride,

karenanya perlu diselidiki bagaimana pengaruh ukuran kernel dan stride terhadap

matriks hasil konvolusi.

3.4.2. Identifikasi Masalah

Berdasarkan latar belakang maka, permasalahan yang dapat di identifikasi

adalah :

1. Bagaimana proses konvolusi sebagai bagian dari image processing bekerja

pada data citra.

2. Bagaimana ukuran kernel dan nilai stride mempengaruhi hasil konvolusi ?

3.4.3. Tujuan Penelitian

Tujuan penelitian dari skripsi ini untuk :

1. Mengetahui proses konvolusi pada deep learning.

 3

2. Mengetahui pengaruh ukuran kernel dan nilai stride pada hasil konvolusi.

3.4.4. Batasan Masalah

Pembahasan skripsi ini dibatasi pada materi-materi yang berkaitan langsung dengan

proses konvolusi pada deep learning. Meskipun contoh aplikasi adalah matriks

citra, skripsi ini tidak akan membahas proses pengolahan citra secara keseluruhan.

Tahapan-tahapan proses yang akan dibahas berlaku umum pada sebarang citra.

3.4.5. Sistematika Penulisan

Agar penulisan tugas akhir ini tersusun secara sistematis maka penulis

memberikan sistematika penulisan sebagai berikut :

BAB I PENDAHULUAN

Pada Bab I membahas mengenai isi keseluruhan penulisan skripsi yang terdiri

dari Latar Belakang, Identifikasi Masalah membahas apa saja yang akan dimunculkan

dalam pembahasan. Selanjutnya ada Tujuan Penulisan yaitu menjelaskan manfaat

yang akan dicapai oleh peniliti, lalu ada Basatan Masalah yaitu untuk membatasi

masalah dalam skripsi ini, dan yang terakhir ada Sistematika Penulisan yaitu

menjelaskan mengenai apa saja yang akan dibahas pada masing-masing Bab.

BAB II LANDASAN TEORI

Bab ini membahas mengenai teori Transformasi Linier, Deep Learning,

Pengolahan Citra Digital, dan Konvolusi pada Deep Learning yang berhubungan

dengan penulisan skripsi sesuai dengan konsep.

 4

BAB III PEMBAHASAN

Bab ini menjelaskan mengenai penyelesaian teknik konvolusi pada deep

learning untuk image processing dengan menggunakan matriks citra digital dan

melakukan proses konvolusi.

BAB IV KESIMPULAN

Bab ini merupakan bab terakhir yang berisikan mengenai kesimpulan dari

pembahasan.
 BAB II

LANDASAN TEORI

3.4.6. Transformasi Linear

Transformasi linear merupakan dasar dalam aljabar linear yang berbentuk

fungsi. Transformasi linear yang dimaksud adalah perpindahan dari satu ruang yang

biasa dinamakan dengan domain ke ruang lain yang dinamakan kodomain. Salah satu

pembahasan dalam perkuliahan aljabar adalah mengenai transformasi linear yaitu

suatu fungsi yang dapat memetakan suatu ruang vektor ke ruang vektor yang lain,

sehingga operasi standar pada ruang vektor (penjumlahan dan perkalian dengan

skalar) tetap berlaku [3].

3.4.7. Deep Learning

Deep Learning merupakan salah satu metode implementasi dari machine

learning yang bertujuan untuk meniru cara kerja otak manusia dengan

menggunakan jaringan saraf tiruan atau jaringan nalar buatan. Deep learning

menggunakan sejumlah algoritma sebagai ‘neuron’ untuk bekerja sama dalam

menentukan dan mencerna karakteristik tertentu di suatu rangkaian data. Deep

learning biasanya diprogram dengan kapabilitas lebih kompleks untuk mempelajari,

mencerna, dan mengklasifikasikan data. Deep Learning merupakan teknik dalam

machine learning yang memiliki arsitektur yang lebih “deep” dibanding dengan

teknik machine learning lainnya dalam menyelesaikan masalah prediksi, maupun

klasifikasi [4]. Perbedaan machine learning dengan deep learning :

 6

Gambar 2. 1 Pebedaan Machine Learning dengan Deep Learning

Pada Gambar 2.1 perbedaan antara machine learning dengan deep learning

terletak pada ekstraksi fitur. Pada machine learning dilakukan secara terpisah dengan

proses klasifikasinya, namun pada deep learning proses tersebut dapat digabungkan.

3.4.8. Pengolahan Citra Digital

Image Processing adalah suatu bentuk pengolahan atau pemrosesan sinyal

dengan input berupa gambar dan ditransformasikan menjadi gambar lain sebagai

output nya. Image Processing dilakukan untuk memperbaiki kesalahan data sinyal

gambar yang terjadi akibat transmisi dan akuisisi sinyal, serta untuk meningkatkan

kualitas gambar agar lebih mudah diinterpretasi oleh sistem penglihatan manusia [5].

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 memerlukan proses
 7

untuk memperbaiki kualitas gambar sehingga mendapatkan informasi yang lebih baik

[4]. Berikut merupakan gambar operasi dot matriks citra :

Gambar 2. 2 Operasi dot antara Matriks Digital dan Matriks Kernel

3.4.9. Konvolusi pada Deep Learning

Konvolusi adalah salah satu teknik yang dapat digunakan dalam perbaikan

kualitas citra untuk pelembutan citra. Pada pengolahan citra digital, konvolusi

dilakukan secara dua dimensi. Hasil proses penyaringan dengan teknik konvolusi

yang dilakukan pada citra yang mengandung keburaman mampu mengurangi buram

yang melekat pada citra.

Dalam teknik konvolusi terdapat Convolutional Layer yang jika seluruh data

nya menyentuh lapisan konvolusi akan mengalami proses konvolusi. Lapisan akan

mengkonversi setiap penyaringan ke seluruh bagian data masukan dan menghasikan

sebuah feature map. Penyaringan yang terdapat pada Convolutional Layer memiliki

panjang, tinggi, dan tebal sesuai dengan saluran data masukan. Setiap penyaringan

akan mengalami pergeseran dan operasi dot antara data masukan dan nilai [6].

Lapisan konvolusi secara signifikan mengalami kompleksitas model melalui

 8

optimalisasi outputnya. Berikut merupakan contoh gambar proses konvolusi matriks

citra digital dan matriks kernel :

Gambar 2. 3 Matriks Convolutional Neural Network

f ( i , j )= Ap1 +Bp2 +Cp 3 + Dp 4 + Ep5 + Fp6 +Gp 7 + Hp 8 + Ip9 (1)

f (i, j)=¿ merupakan hasil citra yang sudah di konvolusi

A−I = merupakan matriks kernel

P1−P9 =¿ merupakan matriks citra

Persamaan 5 merupakan proses untuk transformasi linier yang sebelumnya

adalah matriks citra m× n menjadi vektor n2 dan dilakukan kali titik terhadap kedua

vektor tersebut.

Proses konvolusi dapat dijelaskan sebagai berikut. Kernel diletakkan pada

setiap pixel dari citra input dan menghasilkan pixel baru. Nilai pixel baru dihitung

dengan mengalikan setiap nilai pixel tetangga dengan bobot yang berhubungan pada

kernel dan kemudian menjumlah hasil perkalian tersebut [7].

Konvolusi merupakan penjumlahan dari perkalian setiap kernel atau kuboid

yang bersifat kubus memiliki panjang ×lebar × tinggi dengan setiap titik pada fungsi
 9

matriks citra digital [6]. Kernel atau kuboid dioperasikan secara bergeser pada fungsi

f (x) . Jumlah perkalian setiap titik pada kedua fungsi tersebut merupakan hasil

konvolusi yang dinyatakan dengan h(x ). Berikut merupakan contoh gambar matriks

citra dan hasil yang telah dikonvolusi :

Gambar 2. 4 Konvolusi pada Deep Learning

Ada beberapa bentuk fungsi dalam perkalian konvolusi, secara matematis

suatu perkalian konvolusi untuk fungsi diskrit satu dimensi, dapat dinyatakan dalam

persamaan berikut :

(2)

h(x )=¿ hasil kali konvolusi

f (x)=¿ fungsi masukkan (matriks citra digital)

g( x )=¿ fungsi kernel

Fungsi g( x ) adalah filter atau kernel konvolusi yang dioperasikan dengan cara

menggeser pada sinyal masukan f ( x). Konvolusi memiliki dua buah fungsi f (x) dan

g( x ) yang didefinisikan sebagai berikut :

 10

(3)

h(x )=¿ hasil kali konvolusi

f (x)=¿ fungsi masukkan (matriks citra digital)

g( x )=¿ fungsi kernel

Persamaan 2 yang di kenal sebagai fungsi analitik bentuk integral satu dimensi, yang

dalam hal ini, tanda * menyatakan operator konvolusi dan peubah a adalah peubah

bantu.

Untuk fungsi dengan dua dimensi, operasi konvolusi didefinisikan sebagai berikut

[8]:

Untuk fungsi analitik :

(4)

h(x , y)=¿ hasil kali konvolusi

f (x)=¿ fungsi masukkan (matriks citra digital)

g( x , y)=¿ fungsi kernel

Untuk fungsi diskrit :

(5)

h(x , y)=¿ hasil kali konvolusi

f (x)=¿ fungsi masukkan (matriks citra digital)

g( x , y)=¿ fungsi kernel

Karena dalam penilitian ini digunakan persamaan 5 untuk konvolusi

 11

pengolahan citra, operasi yang dilakukan adalah diskrit karena nilai koordinat piksel

merupakan nilai yang diskrit dan berbentuk matriks. Selanjutnya kernel yang

digunakan pada pengolahan citra biasanya berukuran terbatas, dalam artian bobot

atau pengaruh dari titik-titik yang cukup jauh sudah tidak signifikan, sehingga dapat

diabaikan (dianggap nol).

2.4.1 Derajat Keabuan

Sebuah citra greyscale merupakan citra yang hanya memiliki satu skala warna

yaitu abu-abu. Adapun tujuan untuk melakukan differensiasi terhadap citra berwarna

untuk mendapatkan citra grayscale adalah untuk mengurangi informasi yang

dibutuhkan untuk memproses setiap elemen citra. Hal ini dikarenakan warna abu-abu

adalah satu warna dalam komponen warna merah, hijau dan biru yang memiliki

intensitas yang sama, sehingga hanya perlu menentukan satu nilai intensitas untuk

setiap elemen citra yang dibutuhkan untuk menentukan setiap elemen citra dalam

sebuah citra berwarna [9].

2.4.2 Kernel

Kernel adalah matriks angka yang biasanya kecil yang digunakan dalam

konvolusi gambar. Kernel berukuran berbeda yang berisi pola angka yang berbeda

menghasilkan hasil yang berbeda di bawah konvolusi. Pada umumnya kernel

berukuran m× n, namun kernel yang sering digunakan berukuran 3 ×3 . Untuk matriks

[ ]
0 −1 0
kernel 3 ×3 yang digunakan adalah sharpening dengan nilai −1 5 −1 . Istilah
0 −1 0

kernel dalam penilitian ini berbeda dengan transformasi di aljabar linear elementer.
 12

Pada citra digital ini menerapkan serangkaian kernel 2 dimensi ke gambar, dan

menulis setiap hasil sebagai gambar baru. Beberapa gambar mungkin terlalu buram

untuk memulai dan melihat hasil filter blur dengan ukuran kernel 2 ×2 dengan nilai

[ 11 10]. Untuk meningkatkan besaran koefisien matriks kernel dan mendapatkan efek
yang lebih besar, sehingga ada entri tengah untuk memberikan simetri tentang setiap

piksel [10].

2.4.3 Stride

Stride adalah parameter yang menentukan berapa jumlah pergeseran filter.

Jika nilai stride adalah 1, maka convolutional filter akan bergeser sebanyak 1 piksel

secara horizontal lalu vertikal. Semakin kecil stride maka akan semakin detail

informasi yang di dapatkan dari sebuah input, tetapi membutuhkan juga komputasi

yang lebih jika dibandingkan dengan stride yang besar. Namun perlu diperhatikan

bahwa dengan menggunakan stride yang tidak selalu mendapatkan hasil yang baik

[11].

2.4.4 Padding

Padding adalah penambahan ukuran piksel dengan nilai tertentu disekitar data

input agar hasil dari bidang reseptif tidak terlalu kecil sehingga tidak banyak

informasi yang hilang. Nilai ini biasanya nol sehingga disebut dengan zero padding.

Hasil dari bidang reseptif berupa data tunggal. Output dari proses konvolusi ini

dijadikan sebagai input untuk lapisan konvolusi selanjutnya. Jika hasil konvolusi

menghasilkan nilai piksel negatif, nilai tersebut dijadikan 0. Sebaliknya jika hasil
 13

konvolusi menghasilkan nilai piksel lebih besar dari nilai keabuan maksimum (255),

nilai tersebut dijadikan ke nilai keabuan maksimum [12].

2.4.5 Feature Map

Feature Map merupakan output dari proses konvolusi. Proses konvolusi

merupakan proses perkalian antara nilai input dengan filter. Melalui feature map,

dapat dianalisis klasifikasi berdasarkan wilayah dari berbagai aspek. Tujuan dari

memvisualisasikan feature map adalah untuk memahami apa saja fitur dari input yang

terdeteksi atau yang di pertahankan oleh model. Umumnya, semakin dalam layer

maka semakin umum fitur yang akan diambil [13].

3.4.10. Pengolahan Citra Digital

Citra adalah gambar pada bidang dua dimensi. Citra adalah suatu representasi

(gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu

sistem perekaman data dapat bersifat optik berupa foto, bersifat analog berupa sinyal-

sinyal video seperti gambar pada monitor televisi atau bersifat digital yang dapat

langsung disimpan pada suatu media penyimpanan [14]. Citra ada dua macam, yaitu

citra kontinu dan citra diskrit. Citra kontinu dihasilkan dari sistem optik yang

menerima sinyal analog, misalnya mata manusia dan kamera analog. Citra diskrit

dihasilkan melalui proses digitalisasi terhadap citra kontinu. Beberapa sistem optik

dilengkapi dengan fungsi digitalisasi sehingga ia mampu menghasilkan citra diskrit,

misalnya kamera digital dan scanner. Citra diskrit disebut juga citra digital. Komputer

digital yang umum dipakai saat ini hanya dapat mengolah citra digital. Citra yang

akan diolah dalam penelitian ini adalah citra digital. Sebuah gambar dapat diolah oleh

komputer, gambar tersebut harus diubah ke dalam bentuk digital (matriks) [15].
 14

Sebuah citra digital diwakili oleh matriks yang terdiri dari M baris dan N

kolom, perpotongan antara baris dan kolom disebut piksel. Piksel mempunyai dua

parameter, yaitu koordinat dan intensitas atau warna. Nilai yang terdapat pada

koordinat (x,y) adalah f(x,y), yaitu besar intensitas atau warna dari piksel dititik itu.

Berikut merupakan gambar sistem koordinat matriks citra digital :

Gambar 2. 5 Sistem Koordinat yang dipergunakan untuk mewakili Citra

Artinya, sebuah citra digital dapat ditulis dalam bentuk matriks berikut :

Gambar 2. 6 Matriks Citra Digital

Berdasarkan gambar di atas, maka secara matematis citra digital dapat

dituliskan sebagai fungsi intensitas f(x,y), harga x (baris) dan y (kolom) merupakan

koordinat posisi dan f(x,y) adalah nilai fungsi pada setiap titik (x,y) yang menyatakan

besar intensitas citra atau tingkat keabuan atau warna dari piksel dititik tersebut [16].
 15

BAB III

PEMBAHASAN

3.4.11. Matriks Citra Digital

Agar dapat diolah dengan menggunakan komputer digital, maka suatu citra

harus direpresentasikan secara numerik dengan nilai-nilai diskrit. Proses representasi

citra kontinu menjadi nilai-nilai diskrit disebut digitalisasi dan citra digital merupakan

hasil proses digitalisasi. Konvolusi citra adalah teknik untuk menghaluskan suatu

citra atau memperjelas citra dengan menggantikan nilai piksel dengan sejumlah nilai

piksel yang sesuai atau berdekatan dengan piksel aslinya. Tetapi dengan adanya

konvolusi, ukuran dari citra tetap sama, tidak berubah. Telah diketahui bahwa hasil

sampling dan kuantisasi dari sebuah citra adalah bilangan real yang membentuk

sebuah matriks m baris dan n kolom, ini berarti ukuran citra adalah m× n. Ukuran

matriks yang digunakan pada penelitian ini adalah matriks citra berukuran 5 ×5 dan

[ ]
0 −1 0
kernel yang digunakan berukuran 2 ×2 dengan nilai [ ]
1 1
1 0
dan 3 ×3 −1 5 −1
0 −1 0

dengan stride 1 dan 2.

 16

3.4.12. Flowchart

Gambar 3. 1 Flowchart Proses Konvolusi

 17

3.4.13. Proses Konvolusi

Konvolusi didefinisikan sebagai sebagai proses untuk memperoleh suatu

piksel didasarkan pada nilai piksel itu sendiri dengan melibatkan suatu matriks yang

disebut kernel yang merepresentasikan pembobotan [17]. Operasi ini menerapkan

fungsi output sebagai feature map dari masukkan citra. Masukkan dan keluaran ini

dapat dilihat sebagai dua argumentasi bernilai rill. Lapisan konvolusi adalah blok

bangunan inti dari metode CNN, dan merupakan bagian utama dari beban komputasi

jaringan. Lapisan ini berkorelasi langsung dengan peta fitur dan ukuran kernel. Pada

lapisan ini dilakukan perkalian titik antara dua matriks, dimana satu matriks adalah

himpunan parameter yang dapat dipelajari, yang dikenal dengan kernel. Cara

mengubah citra menjadi matriks citra adalah dengan derajat keabuan (0 – 255) yang

memiliki nilai setiap titiknya [18]. Berikut merupakan gambar proses konvolusi :

Gambar 3. 2 Proses Lapisan Konvolusi

Jadi, konvolusi dapat dipandang sebagai kombinasi linier dari vektor piksel dan

vektor kernel. Jika jumlah nilai di dalam kernel > 1, maka f(I,j) dibagi dengan jumlah

tersebut. Jika jumlah nilai nya nol, maka f(I,j) dibagi dengan 1.
 18

Persamaan yang dapat digunakan untuk melakukan proses konvolusi :

∞ ∞
h( x , y)=f (x , y) g( x , y)= ∑
¿
∑ f (a ,b) g( x−a , y −b)
a=−∞ b=−∞

h(x , y)=¿ hasil kali konvolusi

f (x , y )=¿ fungsi masukkan (matriks citra digital)

g( x , y)=¿ fungsi kernel

(a , b)=¿ a,b adalah peubah bantu

Dalam ranah diskrit kernel konvolusi dinyatakan dalam bentuk matriks (umumnya

3 ×3 , ada juga 2 ×2).

3.4.14. Proses Konvolusi Pada Citra Digital

Operasi konvolusi dilakukan dengan menggeser konvolusi kernel piksel per

piksel dan hasil konvolusi disimpan didalam matriks baru.

3.4.15. Proses Konvolusi dengan Kernel 3 ×3 dan Stride 1

Citra f ( x , y ) yang berukuran 5 ×5 dan sebuah kernel atau matriks yang

berukuran 3 ×3 dengan stride sebanyak 1 masing-masing adalah :

[ ]
3 3 4 6 3

[ ]
5 5 6 6 2 0 −1 0
f (x , y )= 6 5 5 5 2 dan g(x , y)= −1 5 −1
5 7 6 6 4 0 −1 0
2 4 2 3 3

Operasi konvolusi antara citra f (x , y ) dengan kernel g( x , y), yaitu f (x , y )∗g(x , y)

dapat diilustrasikan sebagai berikut :

(1) Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai piksel pada posisi

(0,0) dari kernel.

 19

3 3 4 6 3
5 5 6 6 2 6
6 5 5 5 2
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(0 ×3)+(−1× 3)+(0 × 4)+(−1× 5)+(5 ×5)+(−1 ×6)+(0 ×6)+(−1× 5)+(0 ×5)=6

(2) Geser kernel satu piksel ke kanan, kemudian hitung nilai piksel pada posisi (0,0)

dari kernel.

3 3 4 6 3
5 5 6 6 2 6 10
6 5 5 5 2
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(0 ×3)+(−1× 4)+(0 ×6)+(−1× 5)+(5 ×6)+(−1× 6)+(0 × 5)+(−1× 5)+(0 ×5)=10

(3) Geser kernel satu piksel ke kanan, kemudian hitung nilai piksel pada posisi (0,0)

dari kernel.

3 3 4 6 3
5 5 6 6 2 6 10 11
6 5 5 5 2
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(0 × 4)+(−1× 6)+(0 ×3)+(−1× 6)+(5 × 6)+(−1 ×2)+(0 ×5)+(−1× 5)+(0 ×2)=11

Selanjutnya, geser kernel satu piksel ke bawah, lalu mulai lagi melakukan konvolusi

dari sisi kiri citra. Setiap kali konvolusi, geser kernel satu piksel ke kanan :
 20

3 3 4 6 3
5 5 6 6 2 6 10 11
6 5 5 5 2 2
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(0 ×5)+(−1× 5)+(0 ×6)+(−1× 6)+(5 ×5)+(−1× 5)+(0 ×5)+(−1× 7)+(0 ×6)=2

3 3 4 6 3
5 5 6 6 2 6 10 11
6 5 5 5 2 2 3
6 7 6 6 4
2 4 2 3 3

Hasil konvolusi = 3. Nilai ini dihitung dengan cara berikut :

(0 ×5)+(−1× 6)+(0 × 6)+(−1 ×5)+(5 ×5)+(−1× 5)+(0 ×7)+(−1× 6)+(0 × 6)=3

3 3 4 6 3
5 5 6 6 2 6 10 11
6 5 5 5 2 2 3 6
6 7 6 6 4
2 4 2 3 3

Hasil konvolusi = 6. Nilai ini dihitung dengan cara berikut :

(0 × 6)+(−1 ×6)+(0× 2)+(−1 ×5)+(5 ×5)+(−1× 2)+(0 ×6)+(−1× 6)+(0 × 4)=6

(4) Geser kernel satu piksel kebawah, lalu konvolusi dari sisi kiri citra. Setiap

konvolusi, geser kernel satu piksel ke kanan :

3 3 4 6 3
5 5 6 6 2 6 10 11
6 5 5 5 2 2 3 6
6 7 6 6 4 14
2 4 2 3 3

Hasil konvolusi = 14. Nilai ini dihitung dengan cara berikut :

(0 × 6)+(−1 ×5)+(0 × 5)+(−1× 6)+(5 ×7)+(−1 ×6)+(0× 2)+(−1 ×4 )+(0 ×2)=14

 21

3 3 4 6 3
5 5 6 6 2 6 10 11
6 5 5 5 2 2 3 6
6 7 6 6 4 14 10
2 4 2 3 3

Hasil konvolusi = 10. Nilai ini dihitung dengan cara berikut :

(0 ×5)+(−1× 5)+(0 ×5)+(−1× 7)+(5 ×6)+(−1× 6)+(0 × 4)+(−1× 2)+(0 ×3)=10

3 3 4 6 3
5 5 6 6 2 6 10 11
6 5 5 5 2 2 3 6
6 7 6 6 4 14 10 12
2 4 2 3 3

Hasil konvolusi = 12. Nilai ini dihitung dengan cara berikut :

(0 ×5)+(−1× 5)+(0 ×2)+(−1× 6)+(5 ×6)+(−1× 4)+(0 ×2)+(−1 ×3)+( 0× 3)=12

Dengan cara yang sama, piksel – piksel pada baris ketiga di konvolusi sehingga

menghasilkan :

6 10 11

2 3 6

14 10 12

Gambar 3. 3 Matriks Hasil Konvolusi

 22

Jika hasil konvolusi menghasilkan nilai piksel negatif, nilai tersebut dijadikan

0. Sebaliknya jika hasil konvolusi menghasilkan nilai piksel lebih besar dari nilai

keabuan maksimum (255), nilai tersebut dijadikan ke nilai keabuan maksimum.

Masalah timbul bila piksel yang dikonvolusi adalah piksel pinggir, karena beberapa

koefisien konvolusi tidak dapat diposisikan pada piksel-piksel citra, seperti contoh

dibawah ini :

3 3 4 6 3 ?

5 5 6 6 2 ?

6 5 5 5 2 ?

5 7 6 6 4

2 4 2 3 3

Gambar 3. 4 Proses Padding

Solusi untuk masalah ini adalah: (1) piksel-piksel pinggir diabaikan, tidak

dikonvolusi, jadi nilai piksel pinggir sama dengan nilai pada citra semula; (2)

duplikasi elemen citra, misalnya elemen kolom pertama disalin ke kolom M+1 dst;

(3) elemen bertanda “?” diasumsikan bernilai 0 atau konstanta lain sehingga

konvolusi pinggir-pinggir dapat dilakukan.

Solusi dengan ketiga pendekatan di atas mengasumsikan bagian pinggir citra

lebarnya sangat kecil (hanya satu piksel) relatif dibandingkan dengan ukuran citra,

sehingga piksel-piksel pinggir tidak memperlihatkan efek yang kasat mata. Berikut

merupakan hasil yang telah dikonvolusi :

3 3 4 6 3
 23

5 6 10 11 2

6 2 3 6 2

5 14 10 12 4

2 4 2 3 3

Gambar 3. 5 Piksel – piksel pinggir (yang tidak diarsir tidak di konvolusi)

3.4.16. Proses Konvolusi dengan Kernel 3 ×3 dan Stride 2

Citra f ( x , y ) yang berukuran 5 ×5 dan sebuah kernel atau matriks yang

berukuran 3 ×3 dengan stride sebanyak 2 masing – masing adalah :

[ ]
3 3 4 6 3

[ ]
5 5 6 6 2 0 −1 0
f (x , y )= 6 5 5 5 2 dan g(x , y)= −1 5 −1
5 7 6 6 4 0 −1 0
2 4 2 3 3

Operasi konvolusi antara citra f (x , y ) dengan kernel g( x , y), yaitu f (x , y )∗g(x , y)

dapat diilustrasikan sebagai berikut :

(1) Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai piksel pada posisi

(0,0) dari kernel.

3 3 4 6 3
5 5 6 6 2 6
6 5 5 5 2
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(0 ×3)+(−1× 3)+(0 × 4)+(−1× 5)+(5 ×5)+(−1 ×6)+(0 ×6)+(−1× 5)+(0 ×5)=6

 24

(2) Geser kernel dua piksel ke kanan, kemudian hitung nilai piksel pada posisi (0,0)

dari kernel.

3 3 4 6 3
5 5 6 6 2 6 11
6 5 5 5 2
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(0 × 4)+(−1× 6)+(0 ×3)+(−1× 6)+(5 × 6)+(−1 ×2)+(0 ×5)+(−1× 5)+(0 ×2)=11

(3) Geser kernel dua piksel ke bawah, kemudian hitung nilai piksel pada posisi (0,0)

dari kernel.

3 3 4 6 3
5 5 6 6 2 6 11
6 5 5 5 2 15
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(0 × 6)+(−1 ×5)+(0 × 5)+(−1× 5)+(5 ×7)+(−1× 6)+(0 × 2)+(−1× 4)+(0 ×2)=15

(4) Selanjutnya, geser kernel dua piksel ke kanan, lalu mulai lagi melakukan

konvolusi dari sisi kiri citra. Setiap kali konvolusi, geser kernel dua piksel ke kanan:

3 3 4 6 3
5 5 6 6 2 6 11
6 5 5 5 2 15 12
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(0 ×5)+(−1× 5)+(0 ×2)+(−1× 6)+(5 ×6)+(−1× 4)+(0 ×2)+(−1 ×3)+( 0× 3)=12

Dengan cara yang sama, piksel-piksel pada baris ketiga dikonvolusi sehingga

menghasilkan :
 25

6 11
15 12

Gambar 3. 6 Hasil Konvolusi

Berikut merupakan hasil dari matriks yang telah dikonvolusi :

3 3 4 6 3

5 6 11 6 2

6 15 12 5 2

5 7 6 6 4

2 4 2 3 3

Gambar 3. 7 Piksel-piksel pinggir (yang tidak diarsir tidak di konvolusi)

3.4.17. Proses Konvolusi dengan Kernel 2 ×2 dan Stride 1

Citra f ( x , y ) yang berukuran 5 ×5 dan sebuah kernel atau matriks yang

berukuran 2 ×2 dengan stride sebanyak 1 masing – masing adalah :

[ ]
3 3 4 6 3
5 5 6 6 2
f (x , y )= 6
5
5
7
5
6
5
6
2
4
dan g( x , y)= [ 11 10]
2 4 2 3 3

Operasi konvolusi antara f (x , y ) dengan kernel g( x , y), yaitu f ( x , y )∗g(x , y) dapat

diilustrasikan sebagai berikut :

 26

(1) Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai piksel pada posisi

(0,0) dari kernel.

3 3 4 6 3 11
5 5 6 6 2
6 5 5 5 2
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×3)+(1 ×3)+(1 ×5)+(0 ×5)=11

(2) Geser kernel satu piksel ke kanan, kemudian hitung nilai piksel pada posisi (0,0)

dari kernel.

3 3 4 6 3 11 12
5 5 6 6 2
6 5 5 5 2
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×3)+(1 × 4)+(1 ×5)+(0× 6)=12

Geser kernel satu piksel ke kanan, kemudian hitung nilai piksel pada posisi (0,0) dari

kernel.

3 3 4 6 3 11 12 16
5 5 6 6 2
6 5 5 5 2
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×4 )+(1 ×6)+(1× 6)+(0 ×6)=16

Selanjutnya, geser kernel satu piksel ke kanan, lalu mulai lagi melakukan konvolusi

dari sisi kiri citra. Setiap kali konvolusi, geser kernel satu piksel ke kanan :
 27

3 3 4 6 3 11 12 16 15
5 5 6 6 2
6 5 5 5 2
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×6)+( 1×3)+(1× 6)+(0 × 2)=15

Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai piksel pada posisi (0,0)

dari kernel.

3 3 4 6 3 11 12 16 15
5 5 6 6 2 16
6 5 5 5 2
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×5)+(1 ×5)+(1 ×6)+(0 ×5)=16

Geser kernel satu piksel ke kanan, kemudian hitung nilai piksel pada posisi (0,0) dari

kernel.

3 3 4 6 3 11 12 16 15
5 5 6 6 2 16 16
6 5 5 5 2
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×5)+(1 ×6)+(1× 5)+(0 ×5)=16

(3) Geser kernel satu piksel ke kanan, kemudian hitung nilai piksel pada posisi (0,0)

dari kernel.
 28

3 3 4 6 3 11 12 16 15
5 5 6 6 2 16 16 17
6 5 5 5 2
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×6)+( 1× 6)+(1× 5)+(0 ×5)=17

(4) Selanjutnya, geser kernel satu piksel ke kanan, lalu mulai lagi melakukan

konvolusi dari sisi kiri citra. Setiap kali konvolusi, geser kernel satu piksel ke kanan :

3 3 4 6 3 11 12 16 15
5 5 6 6 2 16 16 17 13
6 5 5 5 2
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×6)+( 1× 2)+(1×5)+(0 ×2)=13

(5) Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai piksel pada posisi

(0,0) dari kernel.

3 3 4 6 3 11 12 16 15
5 5 6 6 2 16 16 17 13
6 5 5 5 2 16
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×6)+( 1×5)+(1× 5)+(0 ×7)=16

Geser kernel satu piksel ke kanan, kemudian hitung nilai piksel pada posisi (0,0) dari

kernel.
 29

3 3 4 6 3 11 12 16 15
5 5 6 6 2 16 16 17 13
6 5 5 5 2 16 17
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×5)+(1 ×5)+(1 ×7)+(0 ×6)=17

Geser kernel satu piksel ke kanan, kemudian hitung nilai piksel pada posisi (0,0) dari

kernel.

3 3 4 6 3 11 12 16 15
5 5 6 6 2 16 16 17 13
6 5 5 5 2 16 17 16
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×5)+(1 ×5)+(1 ×6)+(0 ×6)=16

(6) Selanjutnya, geser kernel satu piksel ke kanan, lalu mulai lagi melakukan

konvolusi dari sisi kiri citra. Setiap kali konvolusi, geser kernel satu piksel ke kanan :

3 3 4 6 3 11 12 16 15
5 5 6 6 2 16 16 17 13
6 5 5 5 2 16 17 16 13
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×5)+(1 ×2)+(1 ×6)+(0 ×4 )=13

(7) Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai piksel pada posisi

(0,0) dari kernel.

 30

3 3 4 6 3 11 12 16 15
5 5 6 6 2 16 16 17 13
6 5 5 5 2 16 17 16 13
5 7 6 6 4 14
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×5)+(1 ×7)+( 1× 2)+( 0 ×4 )=14

(8) Geser kernel satu piksel ke kanan, kemudian hitung nilai piksel pada posisi (0,0)

dari kernel.

3 3 4 6 3 11 12 16 15
5 5 6 6 2 16 16 17 13
6 5 5 5 2 16 17 16 13
5 7 6 6 4 14 17
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×7)+(1 ×6)+(1× 4)+(0 ×2)=17

(9) Geser kernel satu piksel ke kanan, kemudian hitung nilai piksel pada posisi (0,0)

dari kernel.

3 3 4 6 3 11 12 16 15
5 5 6 6 2 16 16 17 13
6 5 5 5 2 16 17 16 13
5 7 6 6 4 14 17 14
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×6)+( 1× 6)+(1× 2)+(0 ×3)=14

(10) Selanjutnya, geser kernel satu piksel ke kanan, lalu mulai lagi melakukan

konvolusi dari sisi kiri citra. Setiap kali konvolusi, geser kernel satu piksel ke kanan :
 31

3 3 4 6 3 11 12 16 15
5 5 6 6 2 16 16 17 13
6 5 5 5 2 16 17 16 13
5 7 6 6 4 14 17 14 13
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×6)+( 1× 4)+(1×3)+(0 ×3)=13

Dengan cara yang sama, piksel-piksel pada baris ketiga di konvolusi sehingga

menghasilkan

11 12 16 15

16 16 17 13

16 17 16 13

14 17 14 13

Gambar 3. 8 Hasil Konvolusi

Berikut merupakan hasil matriks yang telah dikonvolusi :

11 12 16 15 3

16 16 17 13 2

16 17 16 13 2

14 17 14 13 4

2 4 2 3 3

Gambar 3. 9 Piksel – piksel pinggir (yang tidak diarsir tidak di konvolusi)

 32

3.4.18. Proses Konvolusi dengan Kernel 2 ×2 dan Stride 2

Citra f ( x , y ) yang berukuran 5 ×5 dan sebuah kernel atau matriks yang

berukuran 2 ×2 dengan stride sebanyak 2 masing – masing adalah :

[ ]
3 3 4 6 3
5 5 6 6 2
f (x , y )= 6
5
5
7
5
6
5
6
2
4
dan g( x , y)= [ 11 10]
2 4 2 3 3

Operasi konvolusi antara citra f (x , y ) dengan kernel g( x , y), yaitu f (x , y )∗g(x , y)

dapat diilustrasikan sebagai berikut :

(1) Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai piksel pada posisi

(0,0) dari kernel.

3 3 4 6 3
5 5 6 6 2 11
6 5 5 5 2
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×3)+(1 ×3)+(1 ×5)+(0 ×5)=11

Geser kernel dua piksel ke kanan, kemudian hitung nilai piksel pada posisi (0,0) dari

kernel.

3 3 4 6 3
5 5 6 6 2 11 16
6 5 5 5 2
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×4 )+(1 ×6)+(1× 6)+(0 ×6)=16

 33

Geser kernel dua piksel ke kanan, kemudian hitung nilai piksel pada posisi (0,0) dari

kernel dan lakukan padding dengan menambahkan 0 diujung kanan.

3 3 4 6 3
5 5 6 6 2 11 16 5
6 5 5 5 2
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×3)+(1 ×0)+(1× 2)+(0 ×2)=5

(2) Selanjutnya, geser kernel dua piksel ke bawah, lalu mulai lagi melakukan

konvolusi dari sisi kiri citra. Setiap kali konvolusi, geser kernel dua piksel ke kanan :

3 3 4 6 3
5 5 6 6 2 11 16 5
6 5 5 5 2 16
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×6)+( 1×5)+(1× 5)+(0 ×7)=16

(3) Tempatkan kerne, kemudian hitung nilai piksel pada posisi (0,0) dari kernel.

3 3 4 6 3
5 5 6 6 2 11 16 5
6 5 5 5 2 16 16
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×5)+(1 ×5)+( 0× 6)+(1 ×6)=16

Geser kernel dua piksel ke kanan, kemudian hitung nilai piksel pada posisi (0,0) dari

kernel dan lakukan padding dengan menambahkan 0 di ujung kanan.

 34

3 3 4 6 3
5 5 6 6 2 11 16 5
6 5 5 5 2 16 16 6
5 7 6 6 4
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×2)+(1 ×0)+(1 × 4)+(0× 0)=6

(4) Geser kernel dua piksel ke bawah, kemudian hitung nilai piksel pada posisi (0,0)

dari kernel dan lakukan padding di bawah dengan menambah kan 0.

3 3 4 6 3
5 5 6 6 2 11 16 5
6 5 5 5 2 16 16 6
5 7 6 6 4 6
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×2)+(1 × 4)+(1 ×0)+(0× 0)=6

(5) Selanjutnya, geser kernel dua piksel ke kanan, lalu mulai lagi melakukan

konvolusi dari sisi kiri citra. Setiap kali konvolusi, geser kernel dua piksel ke kanan :

3 3 4 6 3
5 5 6 6 2 11 16 5
6 5 5 5 2 16 16 6
5 7 6 6 4 6 5
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×2)+(1 ×3)+(1 ×0)+(0 ×0)=5

(6) Tempatkan kernel pada sudut kanan bawah, kemudian hitung nilai piksel pada

posisi (0,0) dari kernel.

 35

3 3 4 6 3
5 5 6 6 2 11 16 5
6 5 5 5 2 16 16 6
5 7 6 6 4 6 5 6
2 4 2 3 3

Nilai ini dihitung dengan cara berikut :

(1 ×3)+(1 ×3)+(1 × 0)+(0 ×0)=6

Dengan cara yang sama, piksel – piksel pada baris ketiga di konvolusi sehingga

menghasilkan :

11 16 5

16 16 6

6 5 6

Gambar 3. 10 Hasil Konvolusi

Masalah timbul bila piksel yang dikonvolusi adalah piksel pinggir, karena beberapa

koefisien konvolusi tidak dapat diposisikan pada piksel – piksel citra, seperti contoh

dibawah ini :

3 3 4 6 3 ?

5 5 6 6 2 ?

5 7 6 6 4

2 4 2 3 3

Gambar 3. 11 Proses Padding

 36

Solusi untuk masalah ini adalah: (1) piksel-piksel pinggir diabaikan, tidak

dikonvolusi, jadi nilai piksel pinggir sama dengan nilai pada citra semula; (2)

duplikasi elemen citra, misalnya elemen kolom pertama disalin ke kolom M+1 dst;

(3) elemen bertanda “?” diasumsikan bernilai 0 atau konstanta lain sehingga

konvolusi pinggir-pinggir dapat dilakukan.

Solusi dengan ketiga pendekatan di atas mengasumsikan bagian pinggir citra

lebarnya sangat kecil (hanya satu piksel) relatif dibandingkan dengan ukuran citra,

sehingga piksel-piksel pinggir tidak memperlihatkan efek yang kasat mata. Berikut

merupakan gambar piksel-piksel yang telah dikonvolusi :

3 3 4 6 3

5 11 16 5 2

6 16 16 6 2

5 6 5 6 4

2 4 2 3 3

Gambar 3. 12 Piksel – piksel pinggir (yang tidak diarsir tidak di konvolusi)

3.4 Pengaruh Kernel dan Nilai Stride

Perbandingan hasil kernel 3 ×3 dengan stride 1 dan 2 akan terlihat dari matriks

hasil konvolusinya bahwa dengan stride 2 akan lebih baik, karena matriks yang

dihasilkan berukuran 2 ×2 dengan nilai yang sedikit inilah yang membuat matriks

citra digital lebih baik. Untuk perbandingan hasil kernel 2 ×2 dengan stride 1 dan 2,

terlihat bahwa dengan stride 2 akan lebih baik. Hasil yang diperlihatkan merupakan

matriks citra digital berukuran 3 ×3 , dibandingkan dengan stride 1 hasil yang terlihat
 37

adalah matriks citra digital berukuran 4 × 4 yang berarti hasilnya masih banyak dan

tidak lebih baik.

 BAB IV

KESIMPULAN

Konvolusi kernel yang digunakan berupa matriks 3 ×3 dan 2 ×2, maka

pengolahan citra yang dilakukan memberikan efek kecil namun masih terlihat

perbedaan antara citra asli dengan citra yang sudah diolah. Terbukti menggunakan

konvolusi mampu menghasilkan kualitas citra yang lebih baik. Proses awal untuk

konvolusi pada citra adalah mengubahnya menjadi matriks citra dengan derajat

keabuan (0 – 255) yang setiap titiknya memiliki nilai lalu dikalikan dengan matriks

kernel. Setelah adanya matriks kernel dilakukan stride untuk pergeseran filter, proses

stride sudah selesai lanjut proses padding yaitu penambahan ukuran piksel dengan

nilai tertentu. Hasil atau output dari konvolusi merupakan feature map. Hasil yang

terlihat juga pada perbedaan ukuran matriks kernel membuktikan bahwa jika ukuran

matriks kernel 3 ×3 dengan stride 2 lebih baik. Besarnya stride akan menghasilkan

matriks citra digital yang sedikit dan akan menghasilkan kualitas yang lebih baik.

Berbeda dengan ukuran matriks kernel 2 ×2 dengan stride 1, menghasilkan matriks

citra digital yang banyak dan menyebabkabkan kualitas citra mengalami perubahan

yang sangat tidak signifikan.

 DAFTAR PUSTAKA

[1] S. Faza, "Peningkatan Kinerja Dalam Pengklasifikasian Menggunakan Deep

Learning," Thesis, pp. 1-6, 2018.

[2] W. S. E. Putra, "Klasifikasi Citra Menggunakan Convolutional Neural Network

(CNN) Pada Caltech 101," Institut Teknologi Sepuluh Nopember, pp. 101-102,

2016.

[3] Ade, "Image Processing," Referensi Teknologi dan Elektronika Indonesia, 2012.

[4] Imersa, "Apa Itu Image Processing," Imersa Lab, 2018.

[5] P. Kar and H. Karnick, "Random Feature Maps for Dot Product Kernels,"

purushot, hk India, pp. 584-585, 2012.

[6] W. S. E. Putra, "Klasifikasi Citra Menggunakan Convolutional Neural Network

(CNN) Pada Caltech 101," Jurnal Teknik ITS, pp. A67-A68, 2016.

[7] Y. N. Nabuasa, "Pengolahan Citra Digital Perbandingan Metode Histogram

Equalization dan Spesification pada Citra Abu-Abu," J-Icon, pp. 87-95, 2019.

[8] Geof, "Kernel Filter 2D," GitHub, 2022.

[9] C. Gerarldy and C. Lubis, "Pendeteksian dan Pengenalan Jenis Mobil

Menggunakan Algoritma You Only Look Once dan Convolutional Neural

Network," Jurnal Ilmu Komputer dan Sistem Informasi, p. 198, 2018.

[10] P. A. Nugroho, I. Fenriana and R. Arijanto, "Implementasi Deep Learning

Menggunakan Convolutional Neural Network (CNN) Pada Ekspresi Manusia,"

 Jurnal Algor, pp. 13-15, 2020.

[11] A. Salim, "Feature Map Pada Convolutional Neural Network (CNN)," BISA.AI,

p. 6, 2020.

[12] Tugiono, Hafizah and A. H. Nasyuha, "Implementasi Pengolahan Citra Dengan

Menggunakan Teknik Konvolusi Untuk Pelembutan Citra (Image Smoothing)

Dalam Operasi Reduksi Noise," Jurnal Ilmiah Saintikom, pp. 151-153, 2017.

[13] S. Faza, "Peningkatan Kinerja Dalam Pengklasifikasian Menggunakan Deep

Learning," Universitas Sumatera Utara, pp. 1-6, 2018.

[14] P. N. Andono, T. Sutojo and Muljono, Pengolahan Citra Digital, Yogyakarta:

Penerbit Andi, 2017, pp. 3-4.

[15] H. Rahman and Sukemi, "Noise Removal Pada Citra Digital Menggunakan

Metode Gaussian Filter," Annual Research Seminar, p. 3, 2019.

[16] W. Gazali, H. Soeparno and J. Ohliati, "Penerapan Metode Konvolusi Dalam

Pengolahan Citra Digital," Binus University, pp. 5-6, 2012.

[17] R. Gulton, "Konvolusi dan Transformasi Fourier," Sites Google (Matematika

dan Statistika untuk Komputasi), p. 1, 2021.

[18] S. Ilahiyah and A. Nilogiri, "Implementasi Deep Learning Pada Identifikasi

Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Convolutional Neural

Network," Universitas Muhammadiyah Jember, p. 50, 2018.