SKRIPSI
Disusun Oleh :
NPM : 10060218047
2022
TEKNIK KONVOLUSI PADA DEEP LEARNING
SKRIPSI
Oleh :
NPM : 10060218047
BANDUNG
2022 M / 1443 H
LEMBAR PENGESAHAN
NPM : 10060218047
Menyetujui,
i
ii
ABSTRAK
Teknik konvolusi adalah salah satu teknik yang dapat digunakan dalam
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
iii
Kata Kunci : Konvolusi, Citra, Kernel, Stride
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Allah SWT karena atas rahmat,
hidayah, dan ridho-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul
PROCESSING” tepat pada waktunya. Sholawat serta salam semoga tetap tercurah
kepada junjungan kita Nabi Muhammad SAW, kepada keluarganya, sahabat, serta
Penulis menyadari bahwa skripsi ini masih jauh dari sempurna dan masih
Dalam penyusunan skripsi ini, penulis banyak mendapatkan bantuan, doa, dan
dukungan dari berbagai pihak baik secara langsung maupun tidak langsung. Oleh
1. Kedua orang tua dan kakak yang sangat penulis cintai dan sayangi, Ibu Nevi
Hartati, Bapak Rukinta, dan Teh Diniyatul Fitri. Yang senantiasa mendoakan,
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
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
menyemangati penulis.
10. Semua pihak yang tidak dapat disebutkan satu persatu, terimakasih atas doa,
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
vi
DAFTAR ISI
LEMBAR PENGESAHAN............................................................................................i
ABSTRAK...................................................................................................................iii
KATA PENGANTAR..................................................................................................iv
DAFTAR ISI...............................................................................................................vii
DAFTAR GAMBAR....................................................................................................ix
BAB I PENDAHULUAN.............................................................................................1
vii
2.4.2 Kernel..............................................................................................11
2.4.3 Stride................................................................................................12
2.4.4 Padding............................................................................................12
3.2. Flowchart....................................................................................................16
BAB IV KESIMPULAN.............................................................................................38
DAFTAR PUSTAKA..................................................................................................39
viii
DAFTAR GAMBAR
ix
BAB I
PENDAHULUAN
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
Salah satu bagian dari Deep Learning adalah Convolutional Neural Network
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].
hubungan antara penelitian yang dilakukan sebelumnya dengan penelitian yang penulis
lakukan saat ini. Penelitian sebelumnya telah dilakukan oleh Yelly N. Nabuasa (2019) yang
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
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
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
adalah :
2. Mengetahui pengaruh ukuran kernel dan nilai stride pada hasil konvolusi.
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.
Agar penulisan tugas akhir ini tersusun secara sistematis maka penulis
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
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.
Pengolahan Citra Digital, dan Konvolusi pada Deep Learning yang berhubungan
learning untuk image processing dengan menggunakan matriks citra digital dan
BAB IV KESIMPULAN
Bab ini merupakan bab terakhir yang berisikan mengenai kesimpulan dari
pembahasan.
BAB II
LANDASAN TEORI
fungsi. Transformasi linear yang dimaksud adalah perpindahan dari satu ruang yang
biasa dinamakan dengan domain ke ruang lain yang dinamakan kodomain. Salah satu
suatu fungsi yang dapat memetakan suatu ruang vektor ke ruang vektor yang lain,
sehingga operasi standar pada ruang vektor (penjumlahan dan perkalian dengan
learning yang bertujuan untuk meniru cara kerja otak manusia dengan
menggunakan jaringan saraf tiruan atau jaringan nalar buatan. Deep learning
machine learning yang memiliki arsitektur yang lebih “deep” dibanding dengan
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.
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].
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
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
Dalam teknik konvolusi terdapat Convolutional Layer yang jika seluruh data
nya menyentuh lapisan konvolusi akan mengalami proses konvolusi. Lapisan akan
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].
adalah matriks citra m× n menjadi vektor n2 dan dilakukan kali titik terhadap kedua
vektor tersebut.
setiap pixel dari citra input dan menghasilkan pixel baru. Nilai pixel baru dihitung
dengan mengalikan setiap nilai pixel tetangga dengan bobot yang berhubungan pada
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
suatu perkalian konvolusi untuk fungsi diskrit satu dimensi, dapat dinyatakan dalam
persamaan berikut :
(2)
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
(3)
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]:
(4)
(5)
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
Sebuah citra greyscale merupakan citra yang hanya memiliki satu skala warna
yaitu abu-abu. Adapun tujuan untuk melakukan differensiasi terhadap citra berwarna
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
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
[ ]
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
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),
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
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
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.
Artinya, sebuah citra digital dapat ditulis dalam bentuk matriks berikut :
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
Agar dapat diolah dengan menggunakan komputer digital, maka suatu citra
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
3.4.12. Flowchart
piksel didasarkan pada nilai piksel itu sendiri dengan melibatkan suatu matriks yang
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 :
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
Dalam ranah diskrit kernel konvolusi dinyatakan dalam bentuk matriks (umumnya
[ ]
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
(1) Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai piksel pada posisi
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
(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
(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
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
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
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
(4) Geser kernel satu piksel kebawah, lalu konvolusi dari sisi kiri citra. Setiap
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
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
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
Dengan cara yang sama, piksel – piksel pada baris ketiga di konvolusi sehingga
menghasilkan :
6 10 11
2 3 6
14 10 12
Jika hasil konvolusi menghasilkan nilai piksel negatif, nilai tersebut dijadikan
0. Sebaliknya jika hasil konvolusi menghasilkan nilai piksel lebih besar dari nilai
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
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
lebarnya sangat kecil (hanya satu piksel) relatif dibandingkan dengan ukuran citra,
sehingga piksel-piksel pinggir tidak memperlihatkan efek yang kasat mata. Berikut
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
[ ]
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
(1) Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai piksel pada posisi
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
(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
(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
(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
Dengan cara yang sama, piksel-piksel pada baris ketiga dikonvolusi sehingga
menghasilkan :
25
6 11
15 12
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
[ ]
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
(1) Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai piksel pada posisi
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
(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
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
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
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
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
(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
(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
(5) Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai piksel pada posisi
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
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
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
(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
(7) Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai piksel pada posisi
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
(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
(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
(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
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
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
[ ]
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
(1) Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai piksel pada posisi
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
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
Geser kernel dua piksel ke kanan, kemudian hitung nilai piksel pada posisi (0,0) dari
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
(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
(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
Geser kernel dua piksel ke kanan, kemudian hitung nilai piksel pada posisi (0,0) dari
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
(4) Geser kernel dua piksel ke bawah, kemudian hitung nilai piksel pada posisi (0,0)
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
(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
(6) Tempatkan kernel pada sudut kanan bawah, kemudian hitung nilai piksel pada
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
Dengan cara yang sama, piksel – piksel pada baris ketiga di konvolusi sehingga
menghasilkan :
11 16 5
16 16 6
6 5 6
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
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
lebarnya sangat kecil (hanya satu piksel) relatif dibandingkan dengan ukuran citra,
sehingga piksel-piksel pinggir tidak memperlihatkan efek yang kasat mata. Berikut
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
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
KESIMPULAN
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.
citra digital yang banyak dan menyebabkabkan kualitas citra mengalami perubahan
(CNN) Pada Caltech 101," Institut Teknologi Sepuluh Nopember, pp. 101-102,
2016.
[3] Ade, "Image Processing," Referensi Teknologi dan Elektronika Indonesia, 2012.
[5] P. Kar and H. Karnick, "Random Feature Maps for Dot Product Kernels,"
(CNN) Pada Caltech 101," Jurnal Teknik ITS, pp. A67-A68, 2016.
Equalization dan Spesification pada Citra Abu-Abu," J-Icon, pp. 87-95, 2019.
[11] A. Salim, "Feature Map Pada Convolutional Neural Network (CNN)," BISA.AI,
p. 6, 2020.
Dalam Operasi Reduksi Noise," Jurnal Ilmiah Saintikom, pp. 151-153, 2017.
[15] H. Rahman and Sukemi, "Noise Removal Pada Citra Digital Menggunakan