DRAF SKRIPSI
Oleh:
PUSPA MELIUWATI SOPIAN
NPM: 10060218042
2022
EKSTRAKSI DATA DIGITAL MENGGUNAKAN TEKNIK POOLING
UNTUK MEMILIH OBJEK YANG MENARIK
DRAF SKRIPSI
Oleh:
PUSPA MELIUWATI SOPIAN
NPM : 10060218042
BANDUNG
2022 M / 1443 H
LEMBAR PENGESAHAN
NPM : 10060218042
Bandung,……… 2022
Menyetujui,
i
ABSTRAK
ii
KATA PENGANTAR
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.
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
vi
DAFTAR GAMBAR
vii
BAB I
PENDAHULUAN
Salah satu problem dalam visi komputer yang telah lama dicari solusinya
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
manusia biasa disebut juga dengan Artificial Intelligence (AI). Dapat diartikan
pula sebagai bagian dari ilmu komputer yang berfokus pada mesin dengan
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
1
2
dan mendeskripsikan data. Deep learning bersifat dinamis, yang memiliki arti
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.
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
memiliki ukuran yang sangat besar, oleh karena itu dibutuhkan suatu proses yang
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
Berdasarkan masalah yang ada, maka tujuan dari penelitian ini adalah
sehingga diperoleh ciri-ciri yang menarik yang dianggap mewakili objek tersebut.
Agar penulisan tugas akhir ini tersusun secara sistematis maka penulis
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 ini membahas tentang metode atau cara dalam penelitian yang akan
Bab ini merupakan bab terakhir yang berisikan tentang kesimpulan dari
TINJAUAN PUSTAKA
dataset yang besar. Teknik Deep Learning memberikan arsitektur yang sangat
kuat untuk pembelajaran, dengan menambahkan lebih banyak lapisan maka model
keputusan. Algoritma ini memiliki kemampuan menangkap fitur atau ciri 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
5
6
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
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
referensi yang sudah ada. Output layer berfungsi untuk menyajikan hasil
output. Output diperoleh dari variasi stimulasi dan proses yang terjadi di dalam
kompleksitas proses di dalam otak. Misalnya yang terjadi pada anak-anak, mereka
algoritma apa yang akan digunakan. Kekuatan komputasi yang luar biasa dari otak
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 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.
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
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
0 ≤ x ≤ M −1
0 ≤ x ≤ N−1
0 ≤ f ( x , y ) ≤G−1
Dimana:
A=aij
a. Operasi Matriks
Dua matriks disebuut sama jika ordonya sama dan entri-entri yang
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 A dan B yang bersesuaian. Jadi dua buah matriks dapat dijumlahakan jika
berlaku :
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
a) k ( A+ BB ) +kA +kB
b) (k + h) A=kA +hA
c) k ( hA )=( kh ) A
d) 1 A= A
11
(−1 ) B . Jika A dan B adalah sebuah matriks yang ukurannya sama, maka A−B
Jika A=[ aij ]adalah sebuah matriks m× r dan B=[ b ij ] dalah matriks r ×n
AB=[ c ij ]
Dimana
n
c ij =∑ a ik bik
k=1
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.
berlaku:
a) A ( BC )=( AB ) C
b) A ( B +C ) =AB+ AC
c) ( A+ B ) C=AC + BC
5) Transpose matriks
didefinisikan sebagai matriks n × m dengan kolom ke-i diperoleh dari baris ke-i
BAB III
PEMBAHASAN
langsung dengan objek yang diamati tersebut. Teknologi ini dapat digunakan
untuk mengevaluasi mutu suatu produk tanpa merusak produk itu sendiri.
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
Feature map ini bisa menganalisis klasifikasi berdasarkan wilayah dari berbagia
Feature Map adalah agar dapat memahami apa saja fitur dari input yang terdeteksi
Pooling layer. Pooling layer adalah lapisan yang berfungsi untuk mengekstraksi
ukuran spasial dari fitur konvolusi sehingga dapat mengurangi sumber daya
feature map. Seleksi tersebut dilakukan dengan mengeliminasi nilai yang kurang
maksimal untuk mengurangi proses komputasi. Selain itu pooling juga dilakukan
a. Flowchart
b. Stride
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
jumlah pixels (berisi nilai 0) yang akan ditambahkan di setiap sisi dari input. Hal
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
Dimensi output dari convolutional layer selalu lebih kecil dari inputnya (kecuali
penggunaan 1x1 filter dengan stride 1). Output ini akan digunakan kembali
Dengan menggunakan padding, kita dapat mengatur dimensi output agar tetap
sama seperti dimensi input atau setidaknya tidak berkurang secara drastis.
Meningkatkan performa dari model karena convolutional filter akan fokus pada
informasi yang sebenarnya yaitu yang berada diantara zero padding tersebut.
d. Operasi Pooling
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
pooling, dalam beberapa literatur operasi pooling yang sering digunakan adalah
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.
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
a. Max Pooling
Pada Max Pooling ini, nilai yang diambil adalah nilai terbesar dari setiap
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
117 59 38 0 24 23 13 74 127 28
97 115 97 81 84
b. Average Pooling
Pada Avarage Pooling ini, nilai yang diambil adalah nilai rata-rata dari
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
117 59 38 0 24 23 13 74 127 28
81 85 68 49 62
119 71 10 23 77
87 29 32 57 86
22
DAFTAR PUSTAKA
[1] S. R. Suartika E. P, I Wayan, Wijaya Arya Yudhi, “Klasifikasi Citra
http://repository.its.ac.id/48842/
Neural Network,” JUSTINDO (Jurnal Sist. dan Teknol. Inf. Indones., vol.
journal.uajy.ac.id/12425/
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
23
24
2017.
untuk Pengenalan Doodle,” J. Algoritm., vol. 1, no. 1, pp. 45–56, 2020, doi:
10.35957/algoritme.v1i1.434.
https://journal.untar.ac.id/index.php/jiksi/article/view/11495