APLIKASI SEGMENTASI OBJEK MENGGUNAKAN CELLULAR NEURAL NETWORK (CNN)

Jurnal Ilmiah NERO Vol. 1 No. 3

2015

APLIKASI SEGMENTASI OBJEK MENGGUNAKAN CELLULAR NEURAL NETWORK (CNN) Devie Rosa Anamisa Jurusan D3 Teknik Multimedia Dan Jaringan-Fakultas Teknik Universitas Trunojoyo Madura Indonesia 60111 Email:[email protected]

Abstrak Perkembangan dan kemajuan dibidang teknologi dan informasi memberikan pengaruh yang cukup besar dalam dunia analisis objek. Saat ini, proses manipulasi objek menjadi semakin mudah dilakukan, Cukup banyak teknik untuk melakukan segmentasi objek dua dimensi baik berwarna maupun gray-level, salah satunya dengan metode thresholding. Namun pada penelitian sebelumnya, metode tersebut menghasilkan estimasi fungsi yang sangat tidak mulus (under smooth). Oleh karena itu pada penelitian ini menggunakan cellular neural network (CNN) untuk menghasilkan segmentasi objek dua dimensi untuk menghasilkan estimasi fungsi yang mulus (smooth) dengan menentukan kontur dan memastikan kebenaran segmentasi secara efektif. CNN melakukan segmentasi dengan dua teknik, yaitu teknik model-based dan teknik regionbased. Model-based bergantung pada model RGB (Red, Green, Blue). Sedangkan region-based berdasarkan objek dengan wilayah latar belakang. Ujicoba dilakukan dengan menggunakan MATLAB. Hasil ujicoba menunjukkan metode CNN mampu mengelompokkan objek secara terstruktur kedalam RGB (Red, Green, Blue) menjadi gambar biner yang hanya mempunyai 2 derajat keabuan berdasarkan objek dengan wilayah latar belakang. Kata Kunci :

Segmentasi, Objek, Metode, Celluler Neural Network, Kontur. Abstract

Development and progress in the scope of technology and information has a considerable influence and this influence for the analysis of the object. Currently, the process of manipulating objects becomes easier to do. Many engineering segment between the two-dimensional object either colored or gray-level objects. One of these techniques is the thresholding method. However, in previous research, this method has produced a very smooth estimation function (under smooth). Therefore in this research using cellular neural network (CNN) to segment or menklaster two-dimensional object so that it can produce estimates smooth function (smooth) with to determine the countour and ensure the veracity of segemntation effectively. CNN is segmented by two techniques, techniques such as model-based and region-based techniques. Model-based have relied on models RGB (Red, Green, Blue). While region-based has been based on the object with the background region. Experiments carried out by using MATLAB. The trial results show the method CNN capable of classifying objects are structured into RGB (Red, Green, Blue) into a binary image having only two degrees of gray based on the object with the background region. 157


2015

Kata Kunci : Segmentation, Object, Method, Celluler Neural Network, Matric MxN. 1. Pendahuluan Perkembangan sistem komputer vision saat ini telah banyak dimanfaatkan dalam membantu manusia dalam segmentasi objek. Segemnetasi objek 2 dimensi merupakan suatu proses yang cukup kompleks untuk dilakukan sehingga dalam proses tersebut disarankan untuk mengimplementasikan teknologi computer vision guna mengambil peranan untuk memisahkan objek dalam suatu gambar 2 dimensi [1]. Segmentasi objek merupakan salah satu faktor yang sangat penting dalam pengolahan objek tersebut, karena hasil segmentasi sangat berpengaruh terhadap proses kelanjutan dari pengolahan objek tersebut, misalnya representasi beserta deskripsi dari jumlah fitur, klasifikasi obyek, pengenalan, dan masih banyak lagi. Oleh karena itu diperlukan suatu pendekatan dengan komputer vision sehingga mudah dibedakan antara yang satu dengan yang lain, dengan hal ini proses pengelolaan gambar akan menjadi lebih mudah. Segmentasi membagi suatu objek menjadi bagian-bagian atau segmen yang lebih sederhana dan bermakna sehingga dapat dianalisis lebih lanjut. Begitu banyak metode segmentasi objek yang telah dikembangkan saat ini dengan berbagai kelebihan dan kekurangannya masing-masing. Pada penelitian ini telah menerapkan Celluler Neural Network (CNN). Penerapan jaringan saraf selular (CNN) telah memeberikan dampak yang besar dalam pengolahan citra. CNN diterapkan untuk mengelompokkan setiap tingkat abu-abu objek terlepas dari pembatas sehingga CNN mampu menganalisis latar belakang yang rumit. Prinsip-prinsip CNN diperkenalkan secara singkat baik fungsi ekstraksi objek yang dipilih maupun ekstraksi kontur. CNN adalah penggabungan setiap ruang sel (locally-coupled cells), di mana setiap sel adalah sistem dinamik nonlinear yang memiliki input, output dan ruang yang sama. CNN banyak digunakan pada gambar dan sinyal video processing, robotic dan biologis [2-6]. CNN melakukan segmentasi dengan dua teknik, yaitu teknik model-based dan teknik region-based. Teknik dalam CNN terdapat dua lingkup model-based mempunyai ketergantungan yang besar kepada model awal yang dibuat. Kesalahan pembuatan model menyebabkan hasil segmentasi menjadi tidak bisa diprediksi. Pada model-based, CNN terbuat dari pixel matrik MxN yang saling terhubung dengan mempertimbangan jumlah baris M dan kolom N. Setiap sel menghubungkan ke lingkungan rxr terdekat dan output dari setiap sel adalah terhubung dengan masukan dari sel-sel di model yang sama. Sedangkan region-based berdasarkan objek dengan wilayah latar belakang dengan mengadopsi virtual template. CNN memiliki keuntungan seperti perhitungan paralel pada hardware; kecepatan perhitungan tinggi (hampir real-time) dan menjadi independen dari ukuran gambar [8]. 2.

Tinjauan pustaka Dalam penelitian ini teori penunjang diambil berdasarkan konsep yang ekivalen dengan pembuatan sistem ini. 2.1. Pengertian Segmentasi Objek Segmentasi merupakan tahapan pada proses analisis objek yang bertujuan untuk memperoleh informasi yang ada dalam objek tersebut dengan membagi ke dalam daerah daerah terpisah dimana setiap daerah adalah homogen dan mengacu pada sebuah kriteria keseragaman yang jelas dan harus tepat agar informasi yang terkandung didalamnya dapat diterjemahkan dengan baik. Segmentasi harus diberhentikan apabila masing-masing obyek telah terisolasi atau terlihat dengan jelas. Tingkat keakurasiannya tergantung pada tingkat keberhasilan prosedur analisis yang dilakukan dan diharapkan 158


2015

proses segmentasi memiliki tingkat keakuratan yang tinggi [7]. Objek adalah gambar pada bidang dua dimensi yang dihasilkan dari gambar analog dua dimensi dan kontinus menjadi gambar diskrit, melalui proses sampling gambar analog dibagi menjadi M baris dan N kolom sehingga menjadi gambar diskrit, yang ditunjukkan pada Gambar 1, koordinat objek digital terhadap sumbu (x,y) suatu bidang dua dimensi [8].

Gambar 1. Koordinat Citra Digital Segmentasi objek dapat dilakukan melalui beberapa pendekatan, terdapat tiga pendekatan, diantaranya pendekatan batas (boundary approach), pendekatan ini dilakukan untuk mendapatkan batas yang ada antar daerah. Yang kedua pendekatan tepi dilakukan untuk mengidentifikasi pixel tepi dan menghubungkan pixel-pixel tersebut menjadi suatu batas yang diinginkan. Kemudian pendekatan daerah bertujuan untuk membagi objek dalam daerah-daerah sehingga didapatkan suatu daerah sesuai kriteria yang diinginkan. Proses segmentasi digunakan dalam berbagai penerapan, meskipun metode yang digunakan sangat bervariasi, semuanya memiliki tujuan sama, mendapatkan representasi sederhana yang berguna dari suatu objek. Cukup sulit untuk menentukan metode yang komprehensif, oleh karena itu pemilihan metode bergantung pada pendekatan yang akan digunakan dan fitur yang ingin diperoleh dari objek. 2.2. Dekomposisi Template Cellular Neural Network CNN digambarkan dengan sekumpulan sel yang memiliki matrik MxN dan saling berhubungan, dimana baris M dan N kolom. Setiap sel dimodelkan dalam sirkuit listrik, dimana sebuah sel ditentukan sebagai pixel yang berjarak 1 dari pixel asal. Persamaan sel (1-4) sebagai berikut [9]: , ..(1)

................................(2)

.................................................(3)

..........................................(4) dimana u, x dan y adalah masukan, state dan keluaran. Matrik A dan B adalah sebgai feedback dan kontrol template. Realisasi CNN dapat Realisasi CNN dapat menggunakan 3 ketetanggaan sehingga template aplikasi memiliki nilai value pixel matrik 3x3 [9,10]. Jumlah langkah pengolahan tergantung pada template dekomposisi 159


2015

dan strategi pergeseran [10]. Perhitungan CNN berdasarkan pada pengolahan objek yaitu pemetaan objek, pengumpulan informasi objek serta filter objek berdasarkan ukuran. Proses pemetaan akan menelusuri setiap sel pada sebuah pixel sehingga dapat diketahui sel pembentuk pada objek. Proses pengumpulan informasi akan mengolah tiap sel dalam matrik 3x3 sehingga diketahui luas area, tingkat kepenuhan dan titik pusat. Sedangkan proses filter akan menyeleksi setiap selnya yang akan diproses berdasarkan 3 baris dan 3 kolom, seperti pada Gambar 2. Linier operator adalah salah satu proses filtering image yang sering dilakukan pada proses pengolahan gambar. Pada MATLAB terdapat banyak sekali cara yang dapat dilakukan untuk melakukan proses linierisasi. Proses linier dilakukan dengan menggunakan matriks yaitu matriks yang berjalan sepanjang proses dan digunakan untuk menghitung nilai representasi lokal dari beberapa piksel pada objek.

Gambar 2. CNN dengan 3x3 neighbourhood [12] Setiap pola pada CNN diambil 3 pixel. Tingkat keabuan dari setiap pixel dapat dikomputasi kedalam 3 template CNN dengan matriks 3x3. Dengan catatan pola dapat digunakan kembali dengan sudut pandang yang berbeda. Setiap langkah pengolahan disesuaikan dengan konvolusi linear dari objek dengan template B (menggunakan A = 0) dihitung dengan menggunakan template: B

=

Untuk setiap template, evolusi waktu berhenti ketika waktu mencapai konstan. Skala template menunjukkan daerah linier untuk setiap sel dan di setiap langkah pengolahan. 3.

Metode dan Implementasi

Penelitian ini menggunakan data sekunder berupa objek dua dimensi. Teknik pengolahan data menggunakan program aplikasi MATLAB R2010a dengan template CNN pada matriks 3 x 3, dimana 3 Baris dan 3 Kolom. Penelitian ini mengikuti diagram alir penelitian seperti ditunjukkan pada Gambar 3.

160


2015

Gambar 3. Diagram CNN untuk Segmentasi Objek 2D Sebuah input berupa nueron dengan ukuran matrik 3x3 yang saling berhubungan. Sedangkan keluaran adalah sel input yang saling berhubungan antar neuron r x r ketetanggaan. Unit rangkaian dasar dari CNN disebut sel. sel terdapat dua elemen, diantaranya linear dan nonlinear, yang biasanya bertindak seperti linear kapasitor, resistor linear, linear dan nonlinear kontrol. Ciri utama darisetiap sel CNN adalah input eksternal konstan u, dan output y. Matriks A Dan B Dikenal sebagai kloning template. Matrik A Bertindak pada output dari sel tetangga dan disebut sebagai operator umpan balik. Matrik B Pada gilirannya mempengaruhi kontrol masukan dan disebut sebagai operator control. Hasil gambar visual ditunjukkan pada Gambar 4(a) - 4(c). Gambar 4(a) merupakan gambar original. Setelah dilakukan dengan menggunakan euclidean color filtering, state selanjutnya adalah mengubah nilai warna objek RGB kedalam ruang warna grayscale, seperti pada Gambar 4(b). Gambar 4(c) merupakan hasil segmentasi dengan CNN. Implementasi segmentasi objek dengan CNN ditunjukkan pada Gambar 5.

(a)

161

(b) Gambar 4. Hasil Visual dari Segmentasi

(c)


2015

Gambar 5. Implementasi Segmentasi Objek dengan CNN 4.

Hasil dan Kesimpulan

Segmentasi objek dengan CNN merupakan proses segmentasi terkontrol dan sangat dipengaruhi oleh sampel warna dan nilai neuron pada matrik MxN yang menjadi acuan proses segmentasi. Pencahayaan, letak, tekstur dan kontur benda atau latar belakang objek akan sangat mempengaruhi hasil segmentasi objek. Dari hasil pengujian pada aplikasi segmentasi objek dengan CNN didapatkan bahwa warna pada objek jika gelap (0-200) maka tersegmen pada warna hitam dan jika terang (200-255) maka tersegmen pada warna putih sehingga metode CNN mampu mengelompokkan objek secara terstruktur ke dalam RGB (Red, Green, Blue) menjadi gambar biner yang hanya mempunyai dua derajat keabuan berdasarkan objek dengan wilayah latar belakang. V. Daftar Pustaka [1]. [2].

[3].

[4].

[5].

162

Noor,S.C. “Mengubah Citra Berwarna Menjadi Grayscale Dan Citra Biner”. Jurnal Teknologi Informasi Dinamik.Vol.16, No.1. 2011. N.A.Fernández,D.L.Vilariño,V.M.Brea,and D.Cabello, "On the emulation of large neighborhood templates with binary CNN-basedar-chitectures". in Proc. 9th Int. Workshop Cell. Neural Networks Appl., Hsin-Chu, Taiwan, R.O.C., 2005, pp.274–277. G.Costantini, D.Casali,and R.Perfetti."Cellular neural network template for rotation of grey-scale images". Electron. Lett., vol.39, no.25. pp.1803–1805, Dec.2003. Alper Basturk, Enis Gunay."Efficient edge detection in Digital images using a cellular neural network optimized by differential evolution algorithm". Expert Systems with applications, 36, pp. 2645-2650. 2009. Huaqing Li, Xiaofeng Liao, Chuandong Li, Hongyu Huang, Chaojie Li, “Edge detection of noisy images based on cellular neural networks”. Commun Nonlinear Sci Numer Simulat 16 Journal, 2011.


[6].

[7].

[8].

[9].

[10].

163

2015

I. Aizenberg,N. Aizenberg,J. Hiltner,dkk. "Cellular neural networks and computational intelligence in medical image processing". Image and Vision Computing. Elsevier Science B.V. 2001, pp 177-183. Pham Hong Long, Pham Thoung Cat."Real Time Image Processing by Cellular Neural Network Using Reaction-Diffusion Model". International Conference on Knowledge and Systems Engineering, pp 93-99, 2009. Antonio Cerasaa et al. "A Cellular Neural Network Methodology for the automated segmentation of multiple selerosis lessions". Journal of Neuroscience Methods, 203, pp 193-199. 2012. Fu, J. C., Chen, C. C., Wong S.T.C. & Li, I.C. "Image segmentation by EMbased adaptive pulse coupled neural networks in brain magnetic resonance imaging". Computerized Medical Imaging and Graphics 34(4), pp 308-320. 2010. Gacsadi, A. & Szolgay, P."Variational computing based segmentation methods for 12th international Workshop on Cellular Neural medical imaging by using CNN". Networks and Their Applicaiton (CNNA). 1:6. 2010.

APLIKASI SEGMENTASI OBJEK MENGGUNAKAN CELLULAR NEURAL NETWORK (CNN)

Recommend Documents