EKSTRAKSI DATA DIGITAL MENGGUNAKAN TEKNIK POOLING

UNTUK MEMILIH OBJEK YANG MENARIK

DRAF SKRIPSI

Oleh:
PUSPA MELIUWATI SOPIAN
NPM: 10060218042

PROGRAM STUDI MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS ISLAM BANDUNG

2022
EKSTRAKSI DATA DIGITAL MENGGUNAKAN TEKNIK POOLING
UNTUK MEMILIH OBJEK YANG MENARIK

DRAF SKRIPSI

Skripsi ini diajukan sebagai salah satu syarat untuk

menyelesaikan studi program Strata Satu (S1)
pada Program Studi Matematika FMIPA UNISBA

Oleh:
PUSPA MELIUWATI SOPIAN
NPM : 10060218042

BANDUNG
2022 M / 1443 H
 LEMBAR PENGESAHAN

JUDUL SKRIPSI : EKSTRAKSI DATA DIGITAL

MENGGUNAKAN TEKNIK POOLING
UNTUK MEMILIH OBJEK YANG
MENARIK

NAMA MAHASISWA : Puspa Meliuwati

NPM : 10060218042

Setelah membaca skripsi ini dengan seksama,

menurut pertimbangan kami telah memenuhi
persyaratan ilmiah sebagai suatu skripsi

Bandung,……… 2022

Menyetujui,

Pembimbing I, Pembimbing II,

Yurika Permanasari, S.Si., M.Kom. Eti Kurniati, Dra., M.Si.

NIK : D950220 NIK : D910125

i
 ABSTRAK

Puspa Meliuwati Sopian, NPM: 10060218042. EKSTRAKSI DATA

DIGITAL EMNGGUNAKAN TEKNIK POOLING UNTUK MEMILIH
OBJEK YANG MENARIK. Di bawah bimbingan Yurika Permanasari, S.Si.,
M.Kom. sebagai ketua dan Eti Kurniati, Dra., M.Si. sebagai anggota.

Dengan perkembangan teknologi yang semakin pesat, komputer dapat belajar

sendiri seperti manusia. Metode Deep Learning, yang saat ini memiliki hasil
paling signifikan dalam pengenalan citra  adalah Convolutional Neural Network
(CNN) . CNN dirancang khusus untuk pengenalan dan klasifikasi gambar. CNN
memiliki beberapa laspisan (lapisan) yang mengekstrak informasi dari gambar dan
menentukan klasifikasi dari gambar berupa skor klasifikasi salah satunya lapisan
Pooling. Pooling adalah proses melakukan seleksi atau mengurangi resolusi
feature maps yang tidak terpakai. Setiap peta fitur yang dikumpulkan sesuai
dengan satu peta fitur dari lapisan sebelumnya. Pooling ini memiliki kelebihan
untuk mengekstraksi fitur dominan sehingga proses pelatihan model lebih efektif
tetapi tetap menjaga informasi yang penting.

Kata kunci: Deep Learning, CNN, Teknik Pooling

ii
 KATA PENGANTAR

Assalamu’alaikum Warahmatullahi Wabarakatuh

Segala puji Syukur kehadirat Allah SWT karena atas limpahan Rahmat dan
KaruniaNya penulis dapat menyelesaikan tugas akhir dengan judul
“EKSTRAKSI DATA DIGITAL MENGGUNAKNA TEKNIK POOLING
UNTUK MEMILIH OBJEK YANG MENARIK” yang merupakan salah satu
syarat dalam menyelesaikan Strata Satu (S1) pada Jurusan Matematika, Fakultas
Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Bandung.

Penulis menyadari bahwa dalam penyusunan tugas akhir ini tidak terlepas dari
berbagai hambatan dan kendala yang dihadapi. Dalam pengerjaan tugas akhir ini,
penulis ingin mengucapkan terima kasih sebesar-besarnya yang senantiasa terlibat
secara langsung memberikan doa, bantuan, dukungan, serta nasihat kepada:

1. Orang tua penulis, Bapak Tatang Supian dan Ibu Maryati serta anggota
keluarga yang lain, Virgiawan Meigiyadi atas segala doa, dukungan, dan
motivasi yang sangat luar biasa sehingga penulis tetap bersemangat hingga
akhir penyelesaian tugas akhir ini.
2. Ibu Yurika Permanasari, S.Si., M.kom. dan Ibu Eti Kurniati, Dra., M.Si.
selaku dosen pembimbing yang telah memberikan ilmu, motivasi,
wawasan, teladan, dan nasihat yang sangat luar biasa berharga bagi penulis
serta kesabaran dan sikapnya yang bijak dalam membimbing penulis
menyelesaikan tugas akhir ini.
3. Bapak Abdul Kudus, M.Si., Ph.D selaku Dekan Fakultas Matematika dan
Ilmu Pengetahuan Alam, Universitas Islam Bandung.
4. Bapak Dr. Didi Suhaedi, S.Si., M.Kom selaku Ketua Program Studi
Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Universitas Islam Bandung.
5. Ibu Respitawulan, S.Si., M.Si selaku dosen wali yang telah memberikan
pengarahan, nasihat, dan membimbing penulis sejak awal masuk kuliah
hingga penulis telah menyelesaikan studinya di jenjang S1 ini.

iii
 6. Segenap dosen pengajar Program Studi Matematika, Fakultas Matematika
dan Ilmu Pengetahuan Alam, Universitas Islam Bandung yang selalu
memberikan ilmu baik dalam bidang akademik maupun non-akademik.
7. Teman-teman Matematika 2018, Teman-teman SMK yang sudah banyak
memberikan semangat dan dukungan selama penulisan tugas akhir ini.
8. Serta pihak-pihak lain yang sangat berjasa dalam kelancaran proses
penyelesaian tugas akhir ini yang tidak dapat disebutkan satu persatu.

Penulis menyadari bahwa skripsi ini jauh dari sempurna sehingga penulis
membutuhkan kritik dan saran yang bersifat membangun untuk kedepannya.
Penulis juga berharap semoga kelak skripsi ini dapat bermanfaat bagi para
pembaca dan dapat menjadi informasi yang bermanfaat bagi pihak-pihak yang
berkaitan.

Wassalamualaikum Warahmatullahi Wabarakatuh

Bandung, ….. 2022

Penulis

iv
 DAFTAR ISI

LEMBAR PENGESAHAN......................................................................................i
ABSTRAK...............................................................................................................ii
KATA PENGANTAR............................................................................................iii
DAFTAR ISI............................................................................................................v
DAFTAR TABEL...................................................................................................vi
DAFTAR GAMBAR.............................................................................................vii
BAB I PENDAHULUAN........................................................................................1
1.1. Latar Belakang..........................................................................................1
1.2. Rumusan Masalah.....................................................................................3
1.3. Tujuan Penelitian.......................................................................................3
1.4. Sistematika Penulisan................................................................................3
BAB II TINJAUAN PUSTAKA..............................................................................5
2.1. Deep Learning............................................................................................5
2.2. Neural Network..........................................................................................7
2.3. Ekstraksi Ciri.............................................................................................8
2.4. Matriks.......................................................................................................8
BAB III PEMBAHASAN......................................................................................12
3.1. Pengolahan Citra Digtal...........................................................................12
3.2. Feature Map.............................................................................................12
3.3. Pooling.....................................................................................................13
3.4. Eksperimen Dan Hasil.............................................................................17
BAB IV KESIMPULAN.......................................................................................21
DAFTAR PUSTAKA............................................................................................22

v
 DAFTAR TABEL

Tabel 1. Contoh Stride....................................................................................14

Tabel 2. Contoh Padding.................................................................................14
Tabel 3. Ilustrasi Max pooling........................................................................16
Tabel 4. Contoh Max Pooling 10x10..............................................................17
Tabel 5. Contoh Max Pooling 5x5..................................................................18
Tabel 6. Contoh average Pooling 10x10........................................................18
Tabel 7. Contoh Avarage Pooling 5x5...........................................................19

vi
 DAFTAR GAMBAR

Gambar 1. Deep Learning..................................................................................6

Gambar 2. Matriks Citra Digital.........................................................................9
Gambar 3. Flowchart........................................................................................13
Gambar 4. Citra................................................................................................19
Gambar 5. Feature map atau Input...................................................................19
Gambar 6. Proses Pooling................................................................................20
Gambar 7. Hasil Max Pooling..........................................................................20
Gambar 8. Hasil Avarage Pooling....................................................................20
Gambar 9. Output Pooling...............................................................................20

vii
 BAB I
PENDAHULUAN

Tabel 1. Latar Belakang

Salah satu problem dalam visi komputer yang telah lama dicari solusinya

adalah klasifikasi objek secara umum. Problem ini adalah bagaimana

menduplikasi kemampuan manusia dalam memahami informasi data digital, agar

komputer dapat mengenali objek pada data digital selayaknya manusia. Proses

pengenalan objek yang digunakan pada umumnya sangat terbatas dimana hanya

dapat berlaku pada dataset tertentu saja tanpa kemampuan generalisasi pada jenis

data digital apapun[1]. Hal tersebut dikarenakan berbagai perbedaan objek data

digital antara lain perbedaan sudut pandang, perbedaan skala, perbedaan kondisi

pencahayaan, deformasi objek, dan sebagainya.

Suatu bidang keilmuan yang membuat komputer menirukan kebiasaan

manusia biasa disebut juga dengan Artificial Intelligence (AI). Dapat diartikan

pula sebagai bagian dari ilmu komputer yang berfokus pada mesin dengan

kemampuan kecerdasan yang dapat berinteraksi atau bekerja seperti manusia[2].

Proses pembelajaran pada AI disebut juga dengan machine learning. Proses

pembelajaran yang spesifik atau rinci pada cabang AI, dikenal dengan istilah

Deep Learning.

Deep learning akan menyiapkan parameter dasar terkait data dan melatih

komputer agar bisa belajar sendiri dengan mengenali pola menggunakan banyak

lapisan (layer) pemrosesan [1]. Algoritma deep learning dapat meningkatkan

kemampuan tools untuk mengklasifikasikan, mengenali, mendeteksi, memahami,

1
 2

dan mendeskripsikan data. Deep learning bersifat dinamis, yang memiliki arti

bahwa algoritma ini memiliki kemampuan untuk terus meningkatkan kinerjanya

dan mudah beradaptasi dengan perubahan dalam pola.

Cara kerja algoritma deep learning salah satunya menggunakan neural

network yaitu kumpulan dari lapisan node seperti otak manusia yang terdiri dari

neuron. Node dalam tiap lapisan terhubung dengan node lain yang saling

berdekatan. Semakin banyak lapisan, maka neural network tersebut akan semakin

dalam.

Algoritma deep learning membutuhkan hardware yang powerful karena

memproses data dalam jumlah besar dan menggunakan beberapa perhitungan

matematis yang kompleks. Algoritma deep learning menggunakan data dalam

jumlah besar untuk menghasilkan hasil yang akurat, akan tetapi jika jumlah

atribut terus bertambah, sedangkan jumlah sampel data terbatas, maka akurasi

klasifikasi ini pada titik tertentu akan menurun. Fenomena inilah yang disebut

“Curse of dimensionality” [2]. Permasalahan yang timbul adalah data digital

memiliki ukuran yang sangat besar, oleh karena itu dibutuhkan suatu proses yang

dapat mengekstraksi jumlah parameter yang perlu diperhitungkan, salah satunya

menggunakan proses pooling.

Pooling adalah proses melakukan seleksi atau mengurangi resolusi feature

maps yang tidak terpakai. Setiap peta fitur yang dikumpulkan sesuai dengan satu

peta fitur dari lapisan sebelumnya. Pooling ini memiliki kelebihan untuk

mengekstraksi fitur dominan sehingga proses pelatihan model lebih efektif tetapi

tetap menjaga informasi yang penting. Terdapat dua metode dalam pooling, yaitu

max pooling dan average pooling. Metode bekerja dengan membagi output dari
 3

layer penggandaan fitur menjadi beberapa grid kecil lalu mengambil nilai

maksimal atau nilai rata-rata dari setiap grid untuk menyusun matriks data digital

yang telah direduksi.

Tabel 2. Rumusan Masalah

Berdasarkan uraian latar belakang diatas, maka rumusan masalah yang

muncul yaitu bagaimana cara mengekstraksi data digital menggunakan Teknik

pooling untuk mengurangi jumlah data fitur secara optimal.

Tabel 3. Tujuan Penelitian

Berdasarkan masalah yang ada, maka tujuan dari penelitian ini adalah

untuk mengetahui bagaimana teknik Pooling dapat mengekstraksi data digital

sehingga diperoleh ciri-ciri yang menarik yang dianggap mewakili objek tersebut.

Tabel 4. Sistematika Penulisan

Agar penulisan tugas akhir ini tersusun secara sistematis maka penulis

memberikan sistematika penulisan sebagai berikut:

Bab I: Pendahuluan

Pada Bab I ini membahas tentang isi keseluruhan penulisan skripsi yang

terdiri dari Latar Belakang, Rumusan Masalah merupakan membahas apa saja

yang ini dimunculkan dalam pembahasan, selanjutnya ada Tujuan Penulisan yaitu

memaparkan manfaat yang ingin dicapai oleh peneliti, yang terakhir ada

sistematika penulisan yaitu memaparkan tentang apa saja yang akan dibahas pada

masing-masing Bab.

Bab II: Tinjauan Pustaka

 4

Bab ini membahas tentang teori-teori yang berhubungan dengan penulisan

skripsi ini sesuai dengan konsep.

Bab III: Pembahasan

Bab ini membahas tentang metode atau cara dalam penelitian yang akan

dilakukan oleh penulis dan memaparkan tentang penyelesaian ekstraksi data

digital menggunakan Teknik Pooling untuk memilih objek yang menarik

Bab IV: Penutup

Bab ini merupakan bab terakhir yang berisikan tentang kesimpulan dari

pembahasan dan saran-saran.

 BAB II

TINJAUAN PUSTAKA

Tabel 5. Deep Learning

Deep Learning merupakan salah satu bidang dari Machine Learning yang

memanfaatkan jaringan syaraf tiruan untuk implementasi permasalahan dengan

dataset yang besar. Teknik Deep Learning memberikan arsitektur yang sangat

kuat untuk pembelajaran, dengan menambahkan lebih banyak lapisan maka model

pembelajaran tersebut bisa mewakili data berlabel dengan lebih baik.

Deep learning merupakan sebuah algoritma neural network yang

menggunakan metadata sebagai input dan mengolah input tersebut menggunakan

sekumpulan fungsi transformasi non-linier yang ditata berlapis-lapis dan

mendalam [3]. Algoritma deep learning dirancang untuk menganalisis data

dengan struktur logika yang mirip dengan bagaimana manusia mengambil

keputusan. Algoritma ini memiliki kemampuan menangkap fitur atau ciri yang

relevan dari suatu data untuk keperluan pemecahan suatu masalah.

Pada deep learning terdapat hidden layer (lapisan tersembunyi) yang

bertugas untuk melatih serangkaian fitur unik berdasarkan output dari jaringan

sebelumnya [4]. Algoritma ini menjadi semakin kompleks dan bersifat abstrak

ketika jumlah hidden layer semakin bertambah banyak. Neural network yang

dimiliki deep learning terbentuk dari hirarki sederhana dengan beberapa lapisan

tingkat tinggi atau banyak lapisan (multilayer). Berikut adalah ilustrasi perbedaan

antara neural network sederhana yang hanya menggunakan satu atau dua hidden

layer dengan deep learning yang menggunakan banyak hidden layer.

5
 6

Tabel 6. Deep Learning

Seperti yang tampak pada pada Gambar diatas, neural network sederhana

yang menggunakan jaringan feed forward hanya mempunyai satu atau dua hidden

layer. Sedangkan pada deep learning neural network terdapat hidden layer yang

jumlahnya diatas dua layer keatas yang bahkan bisa sampai ratusan layer.

Penggunaan hidden layer yang banyak inilah yang memungkinkan deep learning

mampu menganalisis data dari berbagai dimensi, sehingga dapat menarik

kesimpulan dari suatu permasalahan dengan lebih akurat dan detail.

Sama seperti neural network pada umumnya, layer pada deep learning

neural network terbagi atas tiga layer utama yakni input layer, hidden layer, dan

output layer. Ketiga layer tersebut memiliki perannya masing-masing. Input layer

berfungsi untuk menampung data mentah seperti suara, teks, atau gambar. Hidden

layer bertugas untuk meneliti dan mengklasifikasikan data tersebut berdasarkan

referensi yang sudah ada. Output layer berfungsi untuk menyajikan hasil

penelitian dan klasifikasi dari suatu data.

 7

Tabel 7. Neural Network

Perkembangan ilmu Neural Network sudah ada sejak tahun 1943 ketika

Warren McCulloch dan Walter Pitts memperkenalkan perhitungan model Neural

Network yang pertama kalinya. Mereka sama sama melakukan kombinasi

beberapa processing unit sederhana bersama-sama yang mampu memberikan

peningkatan secara keseluruhan pada kekuatan komputasi[5].

Neural Network merupakan kategori ilmu Soft Computing. Neural

Network sebenarnya mengadopsi dari kemampuan otak manusia yang mampu

memberikan stimulasi atau rangsangan, melakukan proses, dan memberikan

output. Output diperoleh dari variasi stimulasi dan proses yang terjadi di dalam

otak manusia. Kemampuan manusia dalam memproses informasi merupakan hasil

kompleksitas proses di dalam otak. Misalnya yang terjadi pada anak-anak, mereka

mampu belajar untuk melakukan pengenalan meskipurn mereka tidak mengetahui

algoritma apa yang akan digunakan. Kekuatan komputasi yang luar biasa dari otak

manusia ini merupakan keunggulan di dalam kajian ilmu pengetahuan.

Dari struktur neuron pada otak manusia, maka konsep dasar pembangunan

neural network buatan terbentuk. Ide dasar dari pembangunan neural network

buatan ini adalah mengadopsi mekanisme berpikir sebuah system atau aplikasi

yang menyerupai otak manusia,baik untuk pemrosesan berbagai sinyal elemen

yang diterima, toleransi terhadap kesalahan atau error dan juga parallel

processing.

Neural Network dibangun dari banyak node atau unit yang dihubungkan

dengan link secara langsung. Link dari unit yang lainnya digunakan untuk

melakukan propagasi aktivitas dari unit pertama ke unit selanjutnya. Setiap link
 8

memiliki bobot numerik. Bobot ini menentukan kekuatan serta penanda dari

sebuah konektivitas.

Tabel 8. Ekstraksi Ciri

Ekstraksi ciri merupakan proses pengindeksan suatu database data input.

Secara matematik, setiap ekstraksi ciri merupakan encode dari vektor n dimensi

yang disebut dengan vektor ciri. Komponen vektor ciri dihitung dengan

pemrosesan data dan teknik analisis serta digunakan untuk membandingkan data

input yang satu dengan data input yang lain. Ekstraksi ciri diklasifikasikan ke

dalam 3 jenis yaitu low-level, middle-level, dan high-level. Low-level merupakan

ekstraksi ciri berdasarkan isi visual, middle-level merupakan ekstraksi berdasarkan

wilayah data yang ditentukan dengan segmentasi, sedangkan high-level

merupakan ekstraksi ciri berdasarkan informasi semantic yang terkandung dalam

data input.

Tabel 9. Matriks
Pada sebuah komputer, citra digital dipetakan menjadi elemen pixel

berbetuk matriks dua dimensi dan bentuk grid. Setiap pixel memiliki angka yang

menunjukan channel warna. Angka pada setiap pixel disimpan secara berurutan

oleh sebuah komputes serta sering dikurang untuk keperluan kompresi maupun 11

pengolahan tertentu. Pada citra digital dapat diwakili oleh sebuah matriks yang

terdiri dari N baris dan M kolom, dimana perpotongan anatar baris dan kolom

disebut dengan pixel[6]. Pixel kependekan dari picture element yaitu elemen

terkecil dari citra. Pixel memiliki dua parameter yaitu koordinat dan intensitas

atau warna dari pixel pada titik itu. Oleh karena itu, citra dapat dituliskan kedalam

sebuah matriks:
 9

Tabel 10. Matriks Citra Digital

Berdasarkan rumuas diatas, suatu citra f(x,y) dapat dituliskan kedalam

fungsi matematis seperti dibawah ini :

0 ≤ x ≤ M −1

0 ≤ x ≤ N−1

0 ≤ f ( x , y ) ≤G−1

Dimana:

M = Jumlah baris pada citra

N = Jumlah kolom pada citra

G = Nilai skala keabuan.

Sebuah matriks adalah susunan segi emat siku-siku dari bilngan-bilangan.

Nilangan-bilangan dalam susuanan tersebut dinamakan entri dalam matriks. Jika

matriks A mempunyai baris sebanyak m dan kolom sebanyak n, maka matriks A

dikatakan mempunyai ukuran atau ordo m× n . Matirks A dapat dinyatakan secara

lebih rinci dengan mendata entri-entri sebagai berikut

A=aij

Indeks i menyatakan baris ke i;

Indeks j menyatakan kolom ke j dari entri tersebut.

a. Operasi Matriks

1) Kesamaan dua matriks

Dua matriks disebuut sama jika ordonya sama dan entri-entri yang

bersesuaian (seletak) dalam kedua matriks tersebut sama.

 10

2) Jumlah dua matriks

Jika A=[ aij ] dan B=[ b ij ] dau buah matriks yang masing-masing berukuran

m× n, maka A+ B= [ aij + bij ] hasil jumlah dua matriks yang berukuran m× n adalah

matriks berukuran m× n dengan entri-entrinya merupakan penjumlahan entri-entri

matriks A dan B yang bersesuaian. Jadi dua buah matriks dapat dijumlahakan jika

dan hanya jika ukurannya sama.

Misalkan A, B, dan C adalah matriks-matriks yang berukuran sama, maka

berlaku :

a) A+ B=B+ A (komutatif penjumalahan)

b) A+ ( B+C )+ ( A +B )+ C ( Asosiatif penjumlahan)

c) 0+ A+ A +¿+ A (0 adalah matriks identitas terhadap penjumlahan)

3) Hasil kali matriks dengan skalar

Jika A=[ aij ] berukuran m× n, dan k adalah suatu skalar, maka kA= [ kaij ].

Jadi hasil dari kali matriks A dengan skalar k adalah matriks yang ordonya sama

dengan ordo matriks A sedangkan entri-entrinya sama dengan k . Misalkan A , dan

B adalah matriks-matriksa yang berukuran sama dengan k dan h adalah suatu

skalar maka berlaku :

a) k ( A+ BB ) +kA +kB

b) (k + h) A=kA +hA

c) k ( hA )=( kh ) A

d) 1 A= A
 11

Jika B adalah sebarang matriks, maka −B akan menyatakan hasil kali

(−1 ) B . Jika A dan B adalah sebuah matriks yang ukurannya sama, maka A−B

didefinisikan sebagai jumlah A+ (−B ) =A + (−1 ) B .

4) Hasil kali 2 matriks

Jika A=[ aij ]adalah sebuah matriks m× r dan B=[ b ij ] dalah matriks r ×n

maka hasil kali A dan B adalah matriks berukuran m× n berikut :

AB=[ c ij ]

Dimana
n
c ij =∑ a ik bik
k=1

Jadi c ij merupakan jumlah dari hasil kali entri-entri yang bersesuaian

dengan baris ke-i matriks A dan kolom ke- j matriks B. Dua buah matriks dapat

dikalikan jika banyak kolom matriks pertama sama dengan banyaknya kolom

matriks kedua.

Misalkan A , B , C adalah matriks-matriks yang memenuhi syarat

sedemikian sehingga berlaku oprasi-oprasi penjumlahan dan perkalian, maka

berlaku:

a) A ( BC )=( AB ) C

b) A ( B +C ) =AB+ AC

c) ( A+ B ) C=AC + BC

5) Transpose matriks

Jika A suatu matriks m× n maka transpose matriks A ditulis At

didefinisikan sebagai matriks n × m dengan kolom ke-i diperoleh dari baris ke-i

dalam A , untuk i=1,2 , … , m. Jadi jika A=[ aij ] maka A =[ a ji ].

t
 12

BAB III
PEMBAHASAN

Tabel 11. Pengolahan Citra Digtal

Pengolahan citra digital merupakan sebuah teknologi visual yang

digunakan untuk mengamati dan menganalisis suatu objek tanpa berhubungan

langsung dengan objek yang diamati tersebut. Teknologi ini dapat digunakan

untuk mengevaluasi mutu suatu produk tanpa merusak produk itu sendiri.

Proses pengolahan citra digital dan analisanya, banyak menggunakan

persepsi visual. Data masukan dan keluaran yang dihsilkan oleh proses ini adalah

dalam bentuk citra. Citra yang digunakan adalah citra digital, karena citra jenis ini

dapat diproses oleh komputer digital. Citra digital diperoleh secara otomatis dari

sistem penangkapan citra digital dan membentuk suatu matriks

Tabel 12. Feature Map

Feature Map atau Activation Map merupakan output dari proses konvolusi.

Proses konvolusi merupakan proses perkalian antara nilai input dengan filter.

Feature map ini bisa menganalisis klasifikasi berdasarkan wilayah dari berbagia

aspek, yang orthogonal terhadap investigasi fitur[7]. Tujuan dari menvisualisasikan

Feature Map adalah agar dapat memahami apa saja fitur dari input yang terdeteksi

atau yang dipertahankan oleh model. Umumnya, semakin dalam layer maka

semakin umum fitur yang akan diambil. Jadi, pada layer pertama setelah input,

fitur yang diambil akan sangat detail.

 13

Tabel 13. Pooling

Proses Pooling pada suatu algoritma deep learning dilakukan pada

Pooling layer. Pooling layer adalah lapisan yang berfungsi untuk mengekstraksi

ukuran spasial dari fitur konvolusi sehingga dapat mengurangi sumber daya

komputasi yang dibutuhkan untuk memproses data melalui pengurangan dimensi

dari feature map sehingga mempercepat komputasi karena parameter yang

diperbarui semakin sedikit[8].

Pooling layer bertujuan untuk menyeleksi informasi yang penting dari

feature map. Seleksi tersebut dilakukan dengan mengeliminasi nilai yang kurang

maksimal untuk mengurangi proses komputasi. Selain itu pooling juga dilakukan

untuk menyediakan bentuk translasi invarian. Pooling juga mengatasi masalah

yang ditimbulkan dari perbedaan panjang feature map sehingga didapatkan

dimensi yang sama.

a. Flowchart

Tabel 14. Flowchart

 14

b. Stride

Stride adalah parameter yang menentukan berapa jumlah pergeseran filter.

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

pixels secara horizontal lalu vertical. Semakin kecil stride maka akan semakin

detail informasi yang dapatkan dari sebuah input, namun membutuhkan komputasi

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

bahwa dengan menggunakan stride yang kecil kita tidak selalu akan mendapatkan

performa yang bagus[9].

Tabel 15. Contoh Stride

24 19 54 55 24 19 54 55
66 86 5 76 6 86 5 76
85 56 45 6 85 56 45 6
56 75 35 64 56 75 35 64
c. Padding

Sedangkan Padding atau Zero Padding adalah parameter yang menentukan

jumlah pixels (berisi nilai 0) yang akan ditambahkan di setiap sisi dari input. Hal

ini digunakan dengan tujuan untuk memanipulasi dimensi output dari

convolutional layer (Feature Map).

Tabel 16. Contoh Padding

21 32 55 34 21 32 55 34 ?

76 125 234 99 76 125 234 99 ?

46 68 56 75 46 68 56 75 ?

Untuk menghitung dimensi dari feature map bisa gunakan rumus seperti

dibawah ini:

W −N +2 P
output = +1
S
 15

Keterangan :

W = Panjang/Tinggi input

N = Panjang/Tinggi filter

P = Zero Padding

S = Stride

Tujuan dari penggunaan padding adalah :

 Dimensi output dari convolutional layer selalu lebih kecil dari inputnya (kecuali

penggunaan 1x1 filter dengan stride 1). Output ini akan digunakan kembali

sebagai input dari convolutional layer selanjutnya, sehingga makin banyak

informasi yang terbuang.

 Dengan menggunakan padding, kita dapat mengatur dimensi output agar tetap

sama seperti dimensi input atau setidaknya tidak berkurang secara drastis.

Sehingga kita bisa menggunakan convolutional layer yang lebih dalam/deep

sehingga lebih banyak features yang berhasil di-extract.

 Meningkatkan performa dari model karena convolutional filter akan fokus pada

informasi yang sebenarnya yaitu yang berada diantara zero padding tersebut.

d. Operasi Pooling

Operasi pooling dilakukan setelah didapatkan feature map. Feature map

yang telah didapat dari convolution layer akan diproses di pooling layer. Inti dari

lapisan ini adalah pengambilan nilai-nilai penting dari setiap feature map dengan

mengambil nilai yang maksimum. Terdapat beberapa metode untuk proses

pooling, dalam beberapa literatur operasi pooling yang sering digunakan adalah

Max Pooling dan Average Pooling.

 16

Sebagai contoh jika kita menggunakan Max Pooling 2x2 dengan stride 2,

maka pada setiap pergeseran filter, nilai maximum pada area 2x2 pixel tersebut

yang akan dipilih, sedangkan Average Pooling akan memilih nilai rata-ratanya.

Tabel 17. Ilustrasi Max pooling

12 20 30 0
8 12 2 0 20 30
34 70 37 4 112 37
112 100 25 12
Pada kotak sebelah kiri nilai matriks dengan 4x4 yang akan di lakukan

operasi max pooling dengan filter 2x2 yang ada pada kotak sebelah kanan, pada

kotak berwarna merah terdapat nilai [12, 20, 8, 12] lakukan dengan operasi max

pooling dengan filter 2x2 ambil nilai matriks yang paling terbesar dari kotak

matriks merah tersebut dan hasilnya mendapatkan nilai 20. Selanjutnya padakotak

berwarna kuning terdapat nilai [30, 0, 2, 0] lakukan dengan operasi max pooling

dengan filter 2x2 ambil nilai matriks yang paling terbesar dari kotak matriks

kuning tersebut dan hasilnya mendapatkan nilai 30. Selanjutnya pada kotak

berwarna biru terdapat nilai [34, 70, 112, 100] lakukan dengan operasi max

pooling dengan filter 2x2 ambil nilai matriks yang paling terbesar dari kotak

matriks biru tersebut dan hasilnya mendapatkan nilai 112. Selanjutnya pada kotak

berwarna hijau terdapat nilai [37, 4, 25, 12] lakukan dengan operasi max pooling

dengan filter 2x2 ambil nilai matriks yang paling terbesar dari kotak matriks hijau

tersebut dan hasilnya mendapatkan nilai 37. Hasil akhir dari max pooling dengan

nilai matriks [20, 30, 112, 37]. Max pooling operasi yang mengambil nilai

maksimal dari nilai keseluruhan matriks[10].

 17

Tabel 18. Eksperimen Dan Hasil

Pada proses pooling ini terdapat 2 metode yaitu max pooling dan avarege

pooling. Dalam eksperimen kali ini terdapat matriks 10 x 10 yang akan di

ekstraksi menjadi matriks 5 x 5.

a. Max Pooling

Pada Max Pooling ini, nilai yang diambil adalah nilai terbesar dari setiap

filter. Fiter yang digunakan 2x2 dengan stride 2.

Tabel 19. Contoh Max Pooling 10x10

62 195 179 179 179 179 179 179 166 109

127 133 92 91 91 90 89 89 79 0

97 82 60 55 49 44 38 33 76 14

83 64 115 111 97 83 81 45 75 84

126 87 111 85 27 3.5 7.1 13 43 84

119 143 76 10 0 11 8.9 70 119 63

117 59 38 0 24 23 13 74 127 28

120 53 17 63 46 35 33 110 162 28

124 108 90 138 117 131 131 115 187 74

204 126 127 128 129 130 126 114 143 63

 18

Tabel 20. Contoh Max Pooling 5x5

195 179 179 179 166

97 115 97 81 84

143 111 27 70 119

120 63 46 110 162

204 138 130 131 143

b. Average Pooling

Pada Avarage Pooling ini, nilai yang diambil adalah nilai rata-rata dari

setiap filter. Fiter yang digunakan 2x2 dengan stride 2.

Tabel 21. Contoh average Pooling 10x10

62 195 179 179 179 179 179 179 166 109

127 133 92 91 91 90 89 89 79 0

97 82 60 55 49 44 38 33 76 14

83 64 115 111 97 83 81 45 75 84

126 87 111 85 27 3.5 7.1 13 43 84

119 143 76 10 0 11 8.9 70 119 63

117 59 38 0 24 23 13 74 127 28

120 53 17 63 46 35 33 110 162 28

124 108 90 138 117 131 131 115 187 74

204 126 127 128 129 130 126 114 143 63

 19

Tabel 22. Contoh Avarage Pooling 5x5

129 135 135 134 89

81 85 68 49 62

119 71 10 23 77

87 29 32 57 86

140 120 126 121 116

c. Contoh Hasil Pooling

Tabel 23. Citra

Tabel 24. Feature map atau Input

 20

Tabel 25. Proses Pooling

Tabel 26. Hasil Max Pooling

Tabel 27. Hasil Avarage Pooling

Tabel 28. Output Pooling

Dapat dilihat bahwa hasil Output tidak jauh berbeda dengan hasil input.
Hanya saja ukuran pixel dan dimensinya menjadi lebih kecil.
21
 BAB IV
KESIMPULAN

Pooling layer merupakan lapisan yang mengguankan fungsi feature map

sebagai masukan dan mengerjakannya dengan beraneka macam operasi statistic
berdasarkan nilai pixel paling dekat. Pooling layer digunakan untuk mengambil
nilai maksimal (max pooling) atau nilai rata-rata (average pooling) dari bagian
pixel pada citra. Proses awal untuk pooling dengan menggunakan hasil dari
feature map dimana feature map ini merupakan hasil output dari konvolusi.
Seletah itu dilakukan filter, setelah adanya filter dilakukannya stride dimana
stride ini yang menentukan jumlah pergeseran filter. Jika stride nya sebanyak 1,
maka filter akan bergeser sebanyak 1 pixel secara horizontal maupun vertikal.
Setelah proses stride selesai maka selanjutnya adalah padding yaitu pendambahan
ukuran pixel dengan nilai tertentu biasanya ini dilakukan karena matriks tidak
sesuai karena jika ingin di konvolusi maka ordo matriks harus sama. Hasil dari
pooling ini merupakan gambaran yang lebih kecil pixelnya.

22
 DAFTAR PUSTAKA
[1] S. R. Suartika E. P, I Wayan, Wijaya Arya Yudhi, “Klasifikasi Citra

Menggunakan Convolutional Neural Network (Cnn) Pada Caltech 101,” J.

Tek. ITS, vol. 5, no. 1, p. 76, 2016, [Online]. Available:

http://repository.its.ac.id/48842/

[2] F. F. Maulana and N. Rochmawati, “Klasifikasi Citra Buah Menggunakan

Convolutional Neural Network,” J. Informatics Comput. Sci., vol. 1, no. 02,

pp. 104–108, 2020, doi: 10.26740/jinacs.v1n02.p104-108.

[3] S. Ilahiyah and A. Nilogiri, “Implementasi Deep Learning Pada Identifikasi

Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Convolutional

Neural Network,” JUSTINDO (Jurnal Sist. dan Teknol. Inf. Indones., vol.

3, no. 2, pp. 49–56, 2018.

[4] K. P. Danukusumo, “Convolutional neural network untuk mendeteksi

bangunan,” pp. 10–22, 2017, [Online]. Available: http://e-

journal.uajy.ac.id/12425/

[5] D. G/Tsadik et al., “Rancangan Bangun Sistem Klasifikasi Mineral dan

Batuan Menggunakan Tensorflow.js,” 2020. [Online]. Available:

http://etd.eprints.ums.ac.id/14871/%0Ahttps://doi.org/10.1016/j.cell.2017.1

2.025%0Ahttp://www.depkes.go.id/resources/download/info-terkini/hasil-

riskesdas-2018.pdf%0Ahttp://www.who.int/about/licensing/%0Ahttp://

jukeunila.com/wp-content/uploads/2016/12/Dea

[6] C. Kebun Dan Sawah and M. Isyatan Mardiyah, “Implementasi Deep

23
 24

Learning Untuk Image Classification Menggunakan Algoritma

Convolutional Neural Network (Cnn) Pada Tugas Akhir,” 2020.

[7] S. Ren, “Object Detection Networks on Convolutional Feature Maps,”

2017.

[8] M. R. Alwanda, R. P. K. Ramadhan, and D. Alamsyah, “Implementasi

Metode Convolutional Neural Network Menggunakan Arsitektur LeNet-5

untuk Pengenalan Doodle,” J. Algoritm., vol. 1, no. 1, pp. 45–56, 2020, doi:

10.35957/algoritme.v1i1.434.

[9] C. Geraldy and C. Lubis, “Pendeteksian Dan Pengenalan Jenis Mobil

Menggunakan Algoritma You Only Look Once Dan Convolutional Neural

Network,” pp. 197–199, 2020, [Online]. Available:

https://journal.untar.ac.id/index.php/jiksi/article/view/11495

[10] M. H. R. Arifin, “Institut teknologi nasional,” pp. 5–26, 2021.