bab ii tinjauan pustakaeprints.mercubuana-yogya.ac.id/2519/3/bab ii.pdf · alihragam wavelet untuk...
TRANSCRIPT
BAB II
TINJAUAN PUSTAKA
2.1 Tinjauan Pustaka
Penelitian yang dilakukan oleh Sutarno, 2010. IDENTIFIKASI
EKSPRESI WAJAH MENGGUNAKAN ALIHRAGAM GELOMBANG
SINGKAT (WAVELET) DAN JARINGAN SYARAF TIRUAN LEARNING
VEKTOR QUANTIZATONS (LVQ)”, Jurusan Sistem Komputer Universitas
Sriwijaya Indralaya. Untuk mengidentifikasi ekspresi wajah, citra wajah untuk
pengujian diambil langsung peneliti di lapangan menggunakan kamera digital.
Selanjutnya proses prapengolahan citra untuk mempersiapkan citra atau
memanipulasi citra menjadi citra yang memiliki sebaran informasi warna yang
lebih baik, deraunya berkurang dan lebih tajam batas tepi objeknya. Ekstraksi ciri
atau proses untuk memunculkan ciri citra yang dapat dipercaya untuk mencirikan
citra tersebut. Tahapan ekstraksi ciri pada penelitian ini terdiri atas prapengolahan,
alihragam wavelet untuk mereduksi dimensi citra dan memunculkan ciri citra.
Pada penelitian ini klasifikasi pola citra menggunakan jaringan syaraf tiruan
dengan metode pembelajaran Learning Vector Quantization. Jenis pembelajaran
pada sistem merupakan proses pembelajaran terawasi (supervised learning) pada
lapisan kompetitifnya. Parameter-parameter yang digunakan pada pelatihan dan
pengujian jaringan syaraf tiruan LVQ adalah: 1) sample citra atau data (n) = 150
citra wajah; 2) variabel input (m) = 256 neuron; 3) kelas atau cluster (K) = 6
kelas; 4) variasi laju pelatihan (E) = 0,01; 5) pengurangan laju pelatihan (DecE) =
0,01 hingga 1; 6) minimum laju pelatihan (MinE) = 0,00001, dan 7) maksimum
iterasi (MakIterasi) = 1000. Hasil yang diperoleh dari pelatihan ini adalah nilai
bobot akhir jaringan. Sedangkan tahap pengujian dilakukan menggunakan nilai
input yang digunakan pada proses pelatihan sebelumnya.
Penelitian yang dilakukan oleh Maryana, Sufiatul. 2012
“PEMANFAATAN K-NEAREST NEIGHBOR (KNN) PADA
PENGENALAN WAJAH DENGAN PRAPROSES TRANSFORMASI
WAVELET” Program Studi Manajemen Informatika Fakultas MIPA – UNPAK.
5
Data yang digunakan berupa gambar atau citra yang diperoleh dari beberapa
objek. Pada percobaan ini terdapat 80 citra dari 10 objek. Sebanyak 64 citra
digunakan sebagai database pelatihan dan 16 digunakan untuk uji pengenalan
pola. Sedangkan alat yang digunakan pada penelitian ini adalah software Matlab
versi 7.7.0.471 (R2008) dan Microsoft Excel 2010. Tujuan dari penelitian ini
adalah K-Nearest Neighbor KNN pada pengenalan wajah dengan praproses
transformasi wavelet. Data yang digunakan berupa gambar atau citra yang
diperoleh dari beberapa objek. Pada percobaan ini terdapat 80 citra dari 10 objek.
Sebanyak 64 citra digunakan sebagai database pelatihan dan 16 digunakan untuk
uji pengenalan pola. Metode yang digunakan adalah transformasi wavelet untuk
ekstraksi fitur dan KNN untuk identifikasi. Hasil pemilihan k terbaik adalah 5
dengan jumlah citra pada setiap kelas dalam kelompok pengujian sebanyak 8
buah.
Penelitian yang dilakukan oleh Damayanti, Fitri. 2010 “PENGENALAN
CITRA WAJAH MENGGUNAKAN METODE TWO-DIMENSIONAL
LINEAR DISCRIMINANT ANALYSIS DAN SUPPORT VEKTOR
MACHINE” Program Magister Teknik Informatika, ITS. Ekstraksi fitur pada
proses pelatihan dilakukan dengan menggunakan metode TDLDA. Tahap ini
bertujuan untuk mendapatkan fitur-fitur yang terpilih dari masukan data-data
pelatihan. Fitur-fitur yang terpilih nantinya digunakan untuk proses klasifikasi
pelatihan dan digunakan untuk ekstraksi fitur data pengujian. Ekstraksi fitur pada
proses pengujian dilakukan dengan cara mengambil hasil ekstraksi fitur pada
proses pelatihan untuk diterapkan pada data pengujian. Hasil ekstraksi fitur pada
data pengujian ini nantinya digunakan sebagai masukan pada proses klasifikasi
pengujian. Penelitian ini mengembangkan aplikasi pengenalan wajah yang
dintegrasikan dengan metode TDLDA dan SVM untuk pengenalan wajah. Dengan
kombinasi kedua metode tersebut terbukti dapat memberikan hasil yang optimal
dengan tingkat akurasi pengenalan antara 84,18% sampai 100% dengan uji coba
menggunakan basis data ORL, YALE dan BERN.
6
Penelitian yang dilakukan oleh Wasista, Sigit. 2011. “SISTEM
PENGENALAN WAJAH PADA MESIN ABSENSI MAHASISWA
MENGGUNAKAN METODE PCA DAN DTW” Program Studi Teknik
Komputer, Politeknik Elektronika Negeri Surabaya. Proses pengujian yang
dilakukan pada system ini adalah dengan menggunakan 2 cara, yaitu offline
dengan online. untuk pengujian secara offline dilakukan dengan cara melakukan
pencocokkan dengan menggunakan data uji. Sedangkan pengujian online
dilakukan dengan mengambil gambar yang ditangkap oleh webcam secara
realtime. Parameter yang digunakan adalah jarak terhadap pendeteksian wajah
Untuk pengujian jarak terhadap hasil wajah yang dideteksi, peneliti
mengguanakan 10 orang dalam 1 citra. Kemudian dilakukan pendeteksian wajah
dengan jarak yang berbeda-beda. Beberapa metode yang digunakan dalam
penelitian disini adalah ekstraksi fitur akan menggunakan metode PCA atau
Eigenface. Sedangkan untuk pengambilan keputusan, digunakan metode Dynamic
Times Wrapping (DTW) dan Euclidean Distance. Pengujian menggunakan 90
data training dan 45 data uji. Kontribusi yang digunakan mulai dari 2 hingga 10
kontribusi PCA. Dari hasil pengujian, tingkat keberhasilan pengenalan
menggunakan DTW sebesar 20% dan 40% hingga 82% untuk euclidean distance.
Pada sistem ini, digunakan parameter jarak untuk mengukur tingkat
keakurasiannya. Jarak yang digunakan adalah 50cm, 100cm, dan 150cm. Adapun
Hasil pengenalan yang diperoleh dari masing-masing jarak tersebut adalah 40%,
10% dan 10%. Sedangkan apabila menggunakan metode pengenalan euclidean
distance, didapakan hasil dari masing-masing tersebut adalah 80%, 70%, dan
40%.
Penelitian yang dilakukan oleh Muhammad Rizki Muliawan, 2015.
“IMPLEMENTASI PENGENALAN WAJAH DENGAN METODE
EIGENFACE PADA SISTEM ABSENSI” Jurusan Sistem Komputer, Fakultas
MIPA Universitas Tanjungpura. Algoritma pengenalan wajah dilakukan melalui
beberapa tahapan, tahap pertama yaitu menyiapkan data dengan membuat suatu
himpunan matriks yang ada di database, ambil nilai tengah atau mean, cari selisih
antara training image dengan nilai tengah, hitung nilai matriks kovarian,
7
menghitung eigenvalue dan eigen vektor, tentukan nilai eigenface, dan terakhir
adalah identifikasi. Proses pembuatan aplikasi absensi dengan pengenalan wajah
ini menggunakan algoritma Eigenface yang terdapat pada OpenCv. Secara umum
proses absensi menggunakan pengenalan wajah ini dilakukan dengan
memasukkan data wajah terlebih dahulu beserta password dari masing-masing
orang, setelah itu dilakukan proses pemindaian untuk proses absensi. Metode
eigenface dari opencv ini mencari data wajah yang mendekati dengan data wajah
yang ada di database. Pada pengujian penelitian ini hasil yang didapat berbeda-
beda antara wajah satu dengan wajah yang lainnya, pada saat database berisi 10
data wajah, hasil rata-rata persentase kecocokan mencapai 88%, sedangkan pada
saat database berjumlah 20 data wajah, hasil rata-rata persentase kecocokan
mencapai 52%. Penyebab dari perbedaan hasil tersebut adalah karena faktor
pencahayaan, jarak, bentuk wajah, serta jumlah data yang tersedia.
2.2 Landasan Teori
2.2.1 Ekspresi Wajah
Menurut Paul Ekman dan Wallace V. Friesen, para ilmuwan psikologi
menggolongkan ekspresi wajah secara universal dalam enam bentuk ekspresi
utama wajah, yakni : Terkejut, Takut, Jijik, Marah, Bahagia dan sedih.
Titik-titik tersebut seperti terlihat pada Gambar 2.1. berikut ini.
1 Alis
2 Mata
Sudut mulut3
Gambar 2.1. Enam Unsur Corak Utama Wajah
Teknologi antarmuka manusia dan komputer telah diteliti sejak lama.
Belakangan ini peneliti memberikan perhatian lebih pada pengenalan informasi
nonverbal, khususnya pada pemrosesan ekspresi (Danisman, 2008). Berbagai
8
jenis ciri fisik yang biasa digunakan dalam pemrosesan ekspresi antara lain
intonasi suara, ekspresi wajah, sikap badan, gerakan tubuh dan detak jantung,
tekanan darah. Para peneliti juga yakin bahwa teknologi ekspresi akan menjadi
bagian yang penting dalam kecerdasan buatan, khususnya pada komunikasi antara
manusia dengan komputer. Meskipun interaksi manusia dan komputer berbeda
dengan interaksi antar manusia, beberapa teori menunjukkan bahwa interaksi
manusia dan komputer memiliki karakteristik dasar yang hampir sama dengan
interaksi antar manusia (Reeves, 1996).
Dalam penelitian ini akan dihasilkan ekspresi wajah dengan cara melakukan
paramerisasi ekspresi ekspresi pada model wajah tiga dimensi. Tujuan dari proses
parameterisasi adalah menentukan nilai pada bagian-bagian wajah yang
mempengaruhi ekspresi. Disamping itu, obyek wajah yang telah terparameterisasi
akan lebih mudah untuk digunakan dalam pemrosesan ekspresi lebih lanjut seperti
penggabungan ekspresi.
Penelitian tentang ekspresi telah dilakukan sejak lama. Namun demikian
tidak ada model ekspresi yang tetap bertahan. Bagaimanapun juga ekspresi
merupakan proses yang dinamis yang melibatkan berbagai faktor antar lain
ekspresi, kodisi psikologis, dan perasaan pribadi (Esau, 2005). Di bawah ini
adalah tabel tentang jenis ekspresi dasar menurut beberapa ahli.
Tabel 2.1. Tabel Jenis Ekspresi Dasar
Nama Ekspresi Dasar
Plutchik Penerimaan, marah, antisipasi, jijik,senang,
takut, sedih, terkejut.
Ekman, Friesen,
Ellsworth Marah, jijik, takut, senang, sedih, terkejut.
Frijda Keinginan, senang, tertarik, terkejut, kagum,
sedih
Izard Marah, penghinaan, jijik, sedih, takut,
bersalah, tertarik, senang, malu, terkejut.
James Takut, sedih, cinta, marah
Mowrer Sakit, bahagia
Oatley dan
Johnson-Laird Marah, jijik, gelisah, senang, sedih.
Dari pendapat beberapa ahli di atas bisa diketahui ada beberapa jenis
ekspresi dasar yang diakui oleh lebih dari satu ahli yaitu senang, marah, takut,
9
sedih dan jijik. Dalam penelitian ini akan digunakan 6 (enam) jenis ekspresi yaitu
senang sedih, marah, takut, terkejut dan jijik.
Dalam penelitian ini ekspresi yang dihasilkan adalah ekspresi wajah, dengan
demikian harus didefinisikan deskripsi yang jelas tentang bentuk wajah yang
mengandung ekspresi tertentu. Pada (M. Tekalp, 1999) didefinisikan deskripsi
tekstual dari beberapa jenis ekspresi dasar yaitu senang, sedih, marah, takut,
terkejut dan jijik.
Deskripsi selengkapnya dapat dilihat pada Tabel 2.2. berikut ini :
Tabel 2.2. Deskripsi Tekstual Ekspresi
Jenis Ekspresi Deskripsi
Senang Posisi alis mata rileks.
Posisi mulut terbuka dan ujung mulut tertarik ke arah telinga.
Sedih Posisi alis mata bagian dalam terangkat ke atas.
Mata agak terpejam dan Bentuk mulut rileks.
Marah
Posisi alis mata bagian dalam tertarik ke bawah secara bersamaan.
Mata terbuka lebar.
Bibir atas dan bawah saling menekan atau terbuka lebar untuk
memperlihatkan gigi.
Takut
Posisi alis mata terangkat ke atas dan bersama-sama, dimana bagian
dalam alis cenderung lebih ke atas.
Mata tegang dan perhatian.
Jijik Posisi alis mata dan kelopak mata rileks.
Mulut bagian atas terangkat dan melengkung.
Terkejut
Posisi alis mata terangkat.
Kelopak mata atas terbuka lebar, kelopak mata bawah dalam posisi
rileks dan rahang terbuka.
Deskripsi yang telah dijelaskan nantinya akan digunakan untuk
mendefinisikan ekspresi wajah pada model tiga dimensi untuk setiap jenis
ekspresi.
Untuk menampilkan ekspresi ekspresi digunakan model wajah tiga dimensi
yang memiliki bagian pembentuk ekspresi. Model tiga dimensi yang digunakan
adalah Ludwig (Pierce, 2006). Ludwig merupakan model karakter yang sudah full
rigged. Karakter Ludwig dibuat oleh Jason Pierce untuk tujuan non-komersial dan
untuk mempromosikan perangkat lunak tiga dimensi yaitu Blender.
10
1. Model Wajah Tiga Dimensi
Gambar 2.2. Karakter Ludwig (Pierce, 2006)
Walaupun karakter Ludwig mempunyai anggota badan yang lengkap.
Dalam penelitian ini hanya digunakan bagian kepala saja karena topik yang
dibahas adalah ekspresi wajah.
Ludwig memiliki bagian-bagian pembentuk wajah yang nilainya bisa
diubah-ubah. Nilai inilah yang akan diolah sehingga menghasilkan berbagai
ekspresi wajah. Berikut ini adalah model ekspresi wajah dari Ludwig :
Gambar 2.3. Wajah Ludwig (Pierce, 2006)
Definisi wajah untuk jenis ekspresi senang menurut (M. Tekalp, 1999)
setelah diimplementasikan ke dalam model wajah Ludwig dapat dilihat pada
Gambar 2.4. berikut ini :
Senang Sedih Marah Takut Jijik Terkejut
Gambar 2.4. Ekspresi Wajah (Pierce, 2006)
11
2.2.2 Citra
Sebuah citra mengandung informasi tentang obyek yang direpresentasikan,
merupakan suatu representasi, kemiripan atau imitasi dari suatu obyek atau benda,
(Kamus Webster, 1913).
Citra dapat dikelompokkan menjadi citra tampak dan citra tak tampak.
Untuk dapat dilihat mata manusia, citra tak tampak harus dirubah menjadi citra
tampak, misalnya dengan menampilkannya di monitor, dicetak di kertas dan
sebagainya. Salah satu contoh citra tak tampak adalah citra digital.
Citra dapat juga didefinisikan sebagai gambar dua dimensi yang dihasilkan
dari gambar analog dua dimensi yang kontinu menjadi gambar diskrit melalui
proses sampling. Gambar analog dibagi menjadi N baris dan M kolom sehingga
menjadi gambar diskrit. Persilangan antara baris dan kolom tertentu disebut
dengan piksel. Contohnya adalah gambar/titik diskrit pada baris n dan kolom m
disebut dengan piksel [n,m].
Citra merupakan dimensi spasial yang berisi informasi warna dan tidak
bergantung pada waktu. Citra merupakan sekumpulan titik-titik dari gambar, yang
disebut piksel (picture element).
2.2.3 Pengolahan Citra
Pengolahan citra adalah ilmu yang mengolah sinyal yang berupa citra atau
gambar secara spesifik. Dalam artian yang sebenarnya, citra merupakan gambar
yang dipetakan dalam dua dimensi. Dan dalam arti matematis citra itu fungsi
kontinyu dari intesistas cahaya pada bidang dua dimensi (Permadi, 2015).
Manfaat dari pengolah citra adalah untuk memperbaiki bentuk citra, menganalisis
dan sebagai pendeteksian citra. Terdapat jenis-jenis citra diukur dari nilai suatu
piksel dalam rentang tertentu, antara rentang 0-255 (Indra, 2016).
Pengolahan citra adalah salah satu cabang dari ilmu informatika.
Pengolahan citra berkutat pada usaha untuk melakukan transformasi suatu citra
atau gambar menjadi citra lain dengan menggunakan teknik tertentu dimana input
berupa gambar seperti foto atau video, sedangkan output dari pengolahan gambar
dapat berupa gambar atau sejumlah karakteristik atau parameter yang berkaitan
dengan gambar.
12
Kebanyakan gambar-teknik pemrosesan melibatkan atau memperlakukan
foto sebagai dimensi dua sinyal dan menerapkan standar-teknik pemrosesan sinyal
untuk itu, biasanya hal tersebut mengacu pada pengolahan gambar digital, tetapi
dapat juga digunakan untuk optik dan pengolahan gambar analog. Akuisisi
gambar atau yang menghasilkan gambar input di tempat pertama disebut sebagai
pencitraan.
Pengolahan citra merupakan proses pengolahan dan analisis citra yang
banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan
informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital secara
umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer.
Dalam definisi yang lebih luas, pengolahan citra digital juga mencakup semua
data dua dimensi. Citra digital adalah barisan bilangan nyata maupun kompleks
yang diwakili oleh bit-bit tertentu.
Langkah awal dalam melakukan pengolahan citra adalah dengan data
acquisition. Pada langkah ini merupakan proses untuk menetukan metode
pengambilan citra serta data yang ingin diolah. Langkah selanjutnya image
segmentation, ini bertujuan untuk menandai citra pada setiap bagiannya.
Kemudian feature extraction and selection, pada langkah ini bertujuan untuk
mendapatkan data informative pada citra
Pengolahan citra merupakan rangkaian pemrosesan citra, khususnya
dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik.
Umumnya, operasi-operasi pada pengolahan citra diterapkan pada citra bila:
1. Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan
kualitas penampakan atau untuk menonjolkan beberapa aspek informasi
yang terkandung di dalam citra.
2. Elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur.
3. Sebagian citra perlu digabung dengan bagian citra yang lain.
2.2.4 Ekstraksi Ciri
Ciri merupakan suatu tanda yang khas, yang membedakan antara satu
dengan yang lain. Tidak berbeda dengan sebuah gambar yang lain. Masing-
masing ciri gambar didapatkan dari proses ekstraksi ciri.
13
Proses yang dapat digunakan untuk menentukan ciri bentuk adalah deteksi
tepi, threshold, segmentasi dan perhitungan moment seperti mean, median dan
standart deviasi dari setiap lokal gambar.
1. Ekstraksi Ciri Ukuran
Untuk membedakan ukuran objek satu dengan objek lainnya dapat
menggunakan parameter luas dan keliling. Luas merupakan banyaknya piksel
yang menyusun suatu objek. Sedangkan keliling merupakan banyaknya piksel
yang mengelilingi suatu objek.
2. Ekstraksi Ciri Geometri
Ciri geometri merupakan ciri yang didasarkan pada hubungan antara dua
buah titik, garis, atau bidang dalam citra digital. Ciri geometri di antaranya adalah
jarak dan sudut. Jarak antara dua buah titik (dengan satuan piksel) dapat
ditentukan menggunakan persamaan euclidean, minkowski, manhattan, dll. Jarak
dengan satuan piksel tersebut dapat dikonversi menjadi satuan panjang seperti
milimeter, centimeter, meter dll dengan cara membaginya dengan resolusi spasial
(materi mengenai perhitungan jarak dapat dilihat pada laman berikut ini : Cara
mengukur jarak antara dua objek dalam citra). Sedangkan sudut antara dua buah
garis dapat ditentukan dengan perhitungan trigonometri maupun dengan analisis
vektor.
3. Tekstur
Ciri tekstur dari suatu gambar dapat ditentukan dengan menggunakan Filter
Gabor. Ciri tekstur ini sangat handal dalam menentukan informasi suatu gambar
bila digabungkan dengan ciri warna gambar.
2.2.5 Analisis Tekstur
Secara umum tekstur mengacu pada pengulangan elemen-elemen tekstur
dasar yang sering disebut primitif atau teksel (texel). Suatu teksel terdiri dari
beberapa (pixel) dengan aturan posisi bersifat periodik, kuasiperiodik, atau acak.
Selain itu ada istilah (tone) dan struktur yang menunjang deskripsi tekstur
(Nevatia, 1982). (Tone) menunjukkan sifat-sifat intensitas piksel yang berkaitan
dengan jumlah dan tipe teksel, sedangkan struktur menunjukkan hubungan
(spatial) antar-teksel.
14
Syarat-syarat terbentuknya tekstur setidaknyaada dua, yaitu:
1. Adanya pola-pola primitif yang terdiri dari satu atau lebih piksel. Bentuk-
bentuk pola primitif ini dapat berupa titik, garis lurus, garis lengkung,
luasan dan lain-lain yang merupakan elemen dasar dari sebuah bentuk
2. Pola-pola primitif tadi muncul berulang-ulang dengan interval jarak dan
arah tertentu sehingga dapat diprediksi atau ditemukan karakteristik
pengulangannya.
2.2.6 Wavelet
Alih ragam gelombang singkat (wavelet) merupakan alih ragam yang
membawa citra (signal) ke versi pergeseran (shifted) dan peskalaan (scaled) dari
gelombang singkat yang asli (mother wavelet). Alih ragam gelombang singkat
diskrit dapat dilakukan dengan suatu pentapisan bertingkat (cascading filter),
yang diikuti dengan pencuplikan (subsampling) dengan pembagian 2. (Putra
Darma, 2009).
Untuk melihat gambar bagan alih ragam gelombang singkat diskrit bisa
ditunjukan pada Gambar 2.5. berikut ini :
ja L
H
2
2
L
H
2
2
L
H
2
2
LL
1ja
LH
1jd
HL
1jd
HH
1jd
Gambar 2.5. Alihragam Wavelet Diskrit Pada Citra 2 Dimensi
H dan L berturut-turut menyatakan tapis yang meneruskan frekuensi tinggi
(high-pass filter) dan tapis yang meneruskan frekuensi rendah (low-pass filter). 2
menyatakan pencuplikan dengan pembagian 2. Keluaran dari tapis diberikan
melalui persamaan sebagai berikut :
n
j1j na2pnla ..................................................................................... (2.1)
n
j1j na2pnhd .................................................................................... (2.2)
15
Elemen aj yang digunakan untuk tahap berikutnya disebut dengan elemen
penskalaan dan elemen dj disebut dengan koefisien gelombang singkat, yang
merupakan hasil alih ragam. Jumlah elemen pada skala j+1 adalah setengah dari
jumlah elemen a dan d pada skala j. Hal ini mengakibatkan alih ragam gelombang
diskrit hanya bisa dilakukan sampai tersisa dua elemen aj.
Wavelet sangat berguna untuk kompresi data image, karena transformasi
wavelet mempunyai property yang ada dalam beberapa cara transformasi Fourier
konvensional.
Untuk melakukan transformasi terhadap citra, suatu citra dapat dianggap
sebagai suatu matriks dua dimensi. Kita dapat melakukan transformasi terhadap
baris-baris pada citra, dan dilanjutkan dengan transformasi terhadap kolom-kolom
pada citra. Untuk melihat gambar transformasi wavelet bisa ditunjukan pada
Gambar 2.6. berikut ini :
Lowpass terhadap baris Lowpass terhadap kolom
Citra Highpass terhadap kolom
Highpass terhadap baris Lowpass terhadap kolom
Highpass terhadap kolom
Gambar 2.6. Transformasi Wavelet
Untuk melihat Alih ragam wavelet diskrit pada citra 2 dimensi bisa dilihat
pada Gambar 2.7. berikut ini :
LL LH
LL : hasil lowpass terhadap baris dan kolom
LH : hasil lowpass terhadap baris diteruskan dengan highpass
terhadap kolom
HL HH
HL : hasil highpass terhadap baris diteruskan dengan lowpass
terhadap kolom
HH : hasil highpass terhadap baris dan kolom
LL2 LH2
LH1
LH1, HL1, dan HH1 merupakan hasil
dekomposisi level 1.
LL2 tidak diperlihatkan pada gambar karena
langsung didekomposisi lagi menjadi LL2, LH2,
HL2 dan HH2
HL2 HH2
HL1
HH1
Gambar 2.7. Alih ragam Wavelet diskrit pada citra 2 dimensi
16
2.2.6.1 Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (JST) adalah prosesor tersebar paralel yang sangat
besar (massively paralel distributed processor) yang memiliki kecenderungan
untuk menyimpan pengetahuan yang bersifat pengalaman dan membuatnya siap
untuk digunakan (Aleksander & Morton 1990).
JST menyerupai otak manusia dalam dua hal, yaitu :
1. Pengetahuan diperoleh jaringan melalui proses belajar.
2. Kekuatan hubungan antar sel syaraf (neuron) yang dikenal sebagai bobot-
bobot sinaptik digunakan untuk menyimpan pengetahuan.
Ada beberapa tipe jaringan syaraf, namun demikian, hampir semuanya
memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan
syaraf juga terdiri dari beberapa neuron, dan ada hubungan antar neuron-neuron
tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang
diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada
jaringan syaraf, hubungan ini dikenal dengan nama bobot. Informasi tesebut
disimpan pada suatu nilai tertentu pada bobot tersebut.
Informasi (input) akan dikirim ke neuron dengan bobot kedatangan tertentu.
Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan
nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan
dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi
aktivasi setiap neuron. Apabila input tersebut melewati nilai ambang tertentu,
maka neuron tersebut akan diaktifkan, tapi jika tidak, maka neuron tersebut tidak
akan diaktifkan.
Apabila neuron tersebut diaktifkan maka neuron tersebut akan mengirimkan
output melalui bobot-bobot output-nya ke semua neuron yang berhubungan
dengan demikian seterusnya. Pada jaringan syaraf, neuron-neuron akan dalam
lapisan-lapisan (layer) yang disebut dengan lapisan neuron (neuron layers).
Biasanya neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-
lapisan sebelum dan sesudahnya (kecuali lapisan input dan lapisan output).
Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke
lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan yang
17
lainnya, yang sering dikenal dengan lapisan tersembunyi (hidden layer).
Tergantung pada algoritma pembelajarannya, bisa jadi informasi tersebut akan
dirambatkan secara mundur pada jaringan.
2.2.6.2 Model Sel Syaraf (Neuron)
Satu sel syaraf terdiri dari tiga bagian, yaitu: fungsi penjumlah (summing
function), fungsi aktivasi (activation function), dan keluaran (output). Secara
matematis kita bisa menggambarkan sebuah neuron k dengan menuliskan
pasangan persamaan sebagai berikut :
P
1j
jkjk xwμ .................................................................................................. (2.3)
kkk θμy ................................................................................................ (2.4)
Dimana x1, x2, …, xp adalah sinyal input; wk1, wk2, …, wkp adalah bobot-
bobot sinaptik dari neuron k; uk adalah linear combiner output; k adalah
threshold; (.) adalah fungsi aktivasi; dan yk adalah sinyal output dari neuron.
Penggunaan threshold memberikan pengaruh adanya affine transformation
terhadap output uk dari linear combiner pada model Gambar 2.8. sebagai berikut:
Vk = Uk - k ....................................................................................................... (2.5)
(.)......
2
1
2
1
xp
x
x
p w
w
w
x
x
x
Synaptic
weights Threshold
UkInput
signal
Output
yk
Summing
function
Activation
function
Gambar 2.8. Model Matematis Nonlinier Dari Suatu Neuron
(Simon Haykin, 1999)
2.2.6.3 Fungsi Aktivasi
Terdapat berbagai macam fungsi aktivasi yang dapat digunakan tergantung
karakteristik masalah yang akan diselesaikan. Tiga diantara fungsi aktivasi adalah
sebagai berikut:
18
1. Threshold Function
00
01)(
ifV
ifVv . .......................................................................... (2.6)
2. Piecewise-Linear Function
2
10
2
1
2
12
11
)(
v
vv
v
v .......................................................... (2.7)
3. Sigmoid Function
)exp(1
1)(
avv
................................................................................ (2.8)
2.2.6.4 Arsitektur Jaringan
Pola dimana neuron-neuron pada JST disusun berhubungan erat dengan
algoritma belajar yang digunakan untuk melatih jaringan.
1. Single-Layer Feedforward Networks
Gambar 2.9. Feedforward Network dengan satu lapisan Neuron tunggal (Simon Haykin, 1999)
Input Layer of
Source Node
Output Layer
of Neuron
19
2. Multi-Layer Feedforward Networks
Gambar 2.10. Fully Connected Feedforward Network dengan satu Hiddelayer (Simon Haykin, 1999)
3. Ecurrent Networks
Gambar 2.11. Recurrent Network tanpa Selffeedback Loop dan tanpa Hidden
Neurons (Simon Haykin, 1999)
Input Layer of
Source Node
Output Layer
of Neuron
Layer of
Output Neuron
Z1
Z-1
Z1
Z-1 Unit-Delay
Operators
20
2.2.6.5 Proses Belajar
Belajar merupakan suatu proses dimana parameter-parameter bebas JST
diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungan
dimana jaringan berada.
Definisi proses belajar ini menyebabkan urutan kejadian sebagai berikut:
1. JST dirangsang oleh lingkungan.
2. JST mengubah dirinya sebagai hasil rangsangan ini.
3. JST memberikan respon dengan cara yang baru kepada lingkungan,
disebabkan perubahan yang terjadi dalam struktur internalnya sendiri.
Untuk melihat gambar Taksonomi Proses Belajar bisa ditunjukan pada
Gambar 2.12. berikut ini :
Learning Process
Learning algorithm (rule) Learning paradigms
Error
connection
learning
Bolzman
learningThorndike’s
Law of effect
Hebbian
learning
Competitive
learning
Supervised
learning
Reinforcement
learning
Self-organized
(unsupervised)
learning
Gambar 2.12. Taksonomi Proses Belajar (Glena Sugiarto, 2015)
2.2.6.6 Supervised Learning
Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang
diharapkan telah diketahui sebelumnya. Pada proses pembelajaran, satu pola input
akan diberikan ke suatu neuron pada lapisan input. Pola ini akan dirambatkan di
jaringan syaraf hingga sampai ke neuron pada lapisan output.
Lapisan output ini akan membangkitkan pola output yang nantinya akan
dicocokan dengan pola output targetnya. Apabila terjadi perbedaan antara pola
output hasil pembelajaran dengan pola target, maka disini akan muncul error.
Apabila nilai error ini masih cukup besar, mengidentifikasikan bahwa masih perlu
dilakukan lebih banyak pembelajaran lagi.
21
2.2.6.7 Unsupervised Learning
Pada metode pembelajaran yang tak terawasi ini tidak memerlukan target
output. Pada metode ini, tidak dapat ditentukan hasil yang seperti apakah yang
diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot
disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan.
Tujuan pembelajaran ini adalah megelompokkan unit-unit yang hampir sama
dalam suatu area tertentu.
2.2.6.8 Mekanisme Kerja Multilayer Perceptron Neural Network
Sesuai dengan karakteristik Neural Network, pada dasarnya Multilayer
Perceptron memiliki kecenderungan yang sama dengan jenis Neural Network
lainnya, namun setiap jenis memiliki karakteristik masing-masing, seperti halnya
Single layer Neural Network, biasanya hanya digunakan untuk memberikan solusi
yang sifatnya hanya sederhana saja. Multilaye Perceptron Neura Network adalah
jenis Neural Network yang memiliki kemampuan untuk mendeteksi atau
melakukan analisa untuk permasalahan yang sifatnya cukup atau bahkan sangat
kompleks, seperti pada masalah Pemrosesan Bahasa, Pengenalan suatu Pola serta
Pemrosesan suatu Image atau gambar. Adapun Proses yang terjadi Pada
Multilayer Perceptron Neural Network, adalah sebagai berikut :
Gambar 2.13. Proses Multilayer Perceptron Neural Network (Prihasto, 2008)
2.2.6.9 Masukan Sistem Pembelajaran
Proses ini merupakan bagian dari sistem kerja secara keseluruhan, karena
proses masukan digunakan untuk menunjang pada proses pembelajaran serta
Proses
Pembelajaran
Proses
Pengujian
Masukan
Proses Back Propagation
K
e
l
u
a
r
a
n
22
proses pengujian. Pada proses ini, masukan diklasifikasikan berdasarkan
keinginan dari pembuat, dimana bentuk masukan dapat berupa nilai logic atau
bilangan biner (1 atau 0), atau juga bisa berupa nilai angka atau bilangan real (0.3
atau 0.7) bahkan dapat melakukan proses dengan menggunakan bilangan negatif.
2.2.6.10 Proses Pembelajaran
Pada bagian ini merupakan sisi kelebihan dari metode Neural Network,
dimana setiap permasalahan yang akan dihadapi dapat dipecahkan dengan melalui
tahapan pembelajaran, seperti halnya otak manusia yang secara sifat biologis,
memiliki kemampuan untuk mempelajari hal-hal yang baru. Memang pada
dasarnya, Neural Network ini dibuat untuk dapat mempelajari sesuatu hal yang
baru sehingga mampu melakukan penganalisaan tanpa menggunakan suatu
rumusan yang baku. Proses pembelajaran ini sangat mempengaruhi sensitifitas
kemampuan dalam melakukan penganalisaan, semakin banyak bahan atau
masukan sebagai pembelajaran maka akan semakin mudah dan sensitif dalam
melakukan analisa. Biasanya untuk membahas hal-hal yang cukup kompleks,
Multilayer Perceptron Neural Network memiliki Hidden Neuron yang digunakan
untuk mengimbangi setiap permasalahan yang akan dihadapi.
2.2.6.11 Proses Perhitungan Saat Pembelajaran
Proses ini melibatkan dua faktor penting, yaitu masukan dan keluaran yang
ditentukan. Keluaran tersebut merupakan bagian dari sistem atau metode
pembelajaran yang dinamakan “Supervised Learning”, dengan demikian setiap
masukan memiliki keluaran yang nantinya akan dijadikan sebagai acuan
pembelajaran. Hal inilah yang membuat Neural Network melakukan
penganalisaan, selain banyaknya masukan yang diberikan, proses pembelajaran
yang dilakukan secara berulang pun akan menunjang kemampuan Neural Network
saat menganalisa.
2.2.6.12 Keluaran
Bagian ini merupakan proses yang digunakan untuk mengetahui seberapa
besar pengaruh pembelajaran terhadap keluaran yang diinginkan, jika hasil yang
diinginkan kurang sesuai maka kemungkinan yang terjadi adalah :
1. Variabel masukan (informasi yang diberikan) kurang penunjang
23
2. Kurangnya layer pada rancangan keseluruhan
3. Jumlah neuron yang terlalu sedikit
Namun tidak menutup kemungkinan karena ketidaksesuaian penerapan saat
proses pembelajaran dilakukan juga dapat mempengaruhi proses pembelajaran.
2.2.7 Learning Vector Quantization (LVQ)
Learning Vector Quantization merupakan metode klasifikasi dengan setiap
unit output mempresentasikan sebuah kelas. LVQ digunakan untuk
pengelompokkan dengan target/kelas sudah ditentukan sebelumnya.
LVQ salah satu jaringan syaraf tiruan yang merupakan algoritma
pembelajaran kompetitif terawasi versi dari algoritma Kohonen Self-Organizing
Map (SOM). Tujuan dari algoritma ini adalah untuk mendekati distribusi kelas
vektor untuk meminimalkan kesalahan dalam pengklasifikasian. Algoritma
diusulkan oleh Kohonen pada tahun 1986 sebagai perbaikan dari Vektor
Quantization. Model pembelajaran LVQ dilatih secara signifikan agar lebih cepat
dibandingkan algoritma lain seperti Back Propagation Neural Network. Hal ini
dapat meringkas atau mengurangi dataset besar untuk sejumlah kecil vektor. LVQ
melakukan pembelajaran pada lapisan kompetitif yang terawasi. Lapisan
kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor
input. Kelas-kelas yang didapat sebagai hasil dari lapisan kompetitif ini hanya
tergantung pada jarak antara vektor-vektor input. Jika vektor input mendekati
sama maka lapisan kompetitif akan mengklasifikasikan kedua vektor input
tersebut kedalam kelas yang sama. (Santoso, 2012)
2.2.8 Algortima Learning Vector Quantizations (LVQ)
Algoritma pelatihan LVQ untuk memperoleh unit keluaran yang paling
dekat dengan vektor masukan. Bila x dan W berasal dari kelas yang sama, maka
vektor bobot didekatkan ke vektor masukan ini. Tetapi bila x dan W memiliki
kelas yang berbeda, maka vektor bobot dijauhkan dari vektor masukan ini.
Nomenklatur :
x : vektor pelatihan (X1,…,Xi,…,Xn)
T : kelas atau kategori vektor pelatihan
Wj : vektor bobot untuk unit keluaran ke j; (W1j,…,Wij,…,Wnj)
24
Cj : kategori atau kelas yang diberikan oleh unit keluaran j
||W-Wj|| : jarak Euclidean Antara vektor masukan dan vektor bobot unit
keluaran ke j.
Langkah 0 inisialisasi vektor referensi inisilisasi laju pelatihan α (0)
Langkah 1 Selama syarat berhenti: salah, kerjakan Langkah 2-6
Langkah 2 Untuk setiap vektor masukan pelatihan x, kerjakan Langkah 3-4
Langkah 3 Carilah J sehingga minimum ||x-Wj||
Langkah 4 Perbarui Wj sebagai berikut:
Bila T = Cj maka Wj (baru) = Wj (lama) + α[x-Wj (lama)]
Bila T ≠ Cj maka Wj (baru) = Wj (lama) - α[x-Wj (lama)]
Langkah 5 Kurangi laju pelatihan
Langkah 6 Uji syarat berhenti (dapat spesifikasi dengan cacah iterasi atau laju
pelatihan apakah sudah mencapai nilai yang cukup kecil).