BAB 2 LANDASAN TEORI

18

BAB 2

LANDASAN TEORI

Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Recurrent Neural Network untuk mengidentifikasi jenis tulisan Jepang huruf Katakana. 2.1 Citra Citra secara harfiah, adalah gambar pada bidang dua dimensi dan disusun oleh banyak piksel yang merupakan bagian terkecil dari citra. Pada umumnya, citra dibentuk dari kotak-kotak persegi empat yang teratur sehingga jarak horizontal dan vertikal antara piksel adalah sama pada seluruh bagian citra (Ldya, et al. 2010). Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat : 1. optik berupa foto, 2. analog berupa sinyal video seperti gambar pada monitor televisi, 3. digital yang dapat langsung disimpan pada suatu pita magnetik. Citra digital adalah representasi visual dari suatu objek setelah mengalami bebagai transformasi data dari berbagai bentuk rangkaian numeric (Putra, 2012). Citra digital dapat dikategorikan dalam beberapa jenis, yaitu :

Universitas Sumatera Utara

19

1. Citra Biner Citra biner adalah citra yang hanya mempunyai dua nilai derajat keabuan yaitu hitam dan putih. Piksel-piksel objek bernilai 1 dan piksel-piksel latar belakang bernilai 0. Piksel bernilai 0 ada pada warna putih dan piksel bernilai 1 ada pada warna hitam pada saat menampilkan citra. 2. Citra Keabuan Citra keabuan adalah citra yang disetiap piksel nya mengandung satu layer dimana nilai instensitasnya berada pada nilai 0 (hitam) – 255 (putih). Untuk menghitung citra keabuan digunakan rumus : I (x,y) = α . R + β . G + y . B dengan I(x,y) adalah level keabuan pada suatu koordinat yang diperoleh dengan mengatur warna R (merah), G (hijau), B (biru) yang ditunjukkan oleh nilai parameter α, β dan γ. Secara umum nilai α, β dan γ adalah 0.33. Nilai yang lain juga dapat diberikan untuk ketiga parameter tersbut asalkan total keseluruhannya adalah 1 (Putra, 2009). 3. Citra warna Citra warna adalah citra digital yang memiliki informasi warna pada setiap pikselnya. Sistem pewarnaan citra warna ada beberapa macam seperti RGB, CMYK, HSV, dll.

2.2

Image Processing

Image Processing atau pengolahan citra adalah suatu pemrosesan citra, khususnya menggunakan komputer dengan tujuan menghasilkan citra dengan kualitas lebih baik. Tiga bidang studi yang berkaitan dengan Pengolahan Data Citra, yaitu:


20

a. Grafika Komputer (computer graphics). Grafika komputer bertujuan untuk menghasilkan citra dengan primitif-primitif geometri seperti garis, lingkaran, dan sebagainya. Primitif-primitif geometri tersebut memerlukan data deskriptif untuk melukis elemen-elemen gambar. b.

Pengenalan Pola (pattern recognition/image interpretation). Pengenalan pola adalah proses pengelompokan data numerik dan simbolik secara otomatis oleh mesin. Tujuan dari pengelompokan ini adalah untuk mengenali suatu objek didalam citra. Manusia bisa mengenali objek-objek disekitarnya karena otak manusia belajar mengklasifikasi objek-objek di alam sehingga mampu membedakan suatu objek dengan objek lainnya. Kemampuan sistem visual manusia inilah yang akan ditiru oleh mesin. Komputer menerima masukan berupa citra objek yang akan diidentifikasi, memproses citra tersebut, dan memberikan keluaran berupa deskripsi objek didalam citra.

c. Pengolahan Citra (image processing). Pengolahan Citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia / mesin (computer). Teknik - teknik pengolahan citra mentransformasikan citra menjadi citra dengan kualitas yang lebih baik. Pengenalan pola mengelompokkan data numerik dan simbolik (termasuk citra) secara otomatis oleh mesin (komputer). Pengelompokan ini untuk mengenali suatu objek di dalam citra. Komputer menerima masukan berupa citra objek yang diidentifikasi, memproses citra, dan memberi keluaran berupa deskripsi objek di dalam citra (Ldya, et al. 2010). Beberapa teknik yang termasuk dalam Image Processing yaitu grascale, resizing, normalisasi, thinning.


21

a. Grayscale Grayscale adalah teknik yang digunakan untuk mengubah citra berwarna menjadi bentuk grayscale atau tingkat keabuan (dari hitam - putih). Pembentukan citra keabuan menggunakan metode luminance yakni nilai RGB dikalikan dengan nilai yang telah ditentukan yang kecocokan nya sesuai dengan sensitivitas mata terhadap warna. Hijau adalah warna paling dominan, diikuti merah dan terakhir biru (Lennie et al. 1993). Hasil akhir proses ini adalah nilai keabuan (8 bit) dengan rentang hitam (0) dan putih (255). Pada pengubahan sebuah gambar menjadi grayscale dapat dilakukan dengan cara mengambil semua pixel pada gambar kemudian warna tiap pixel akan diambil informasi mengenai 3 warna dasar yaitu merah, biru dan hijau (melalui fungsi warnatoRGB), ketiga warna dasar ini akan dijumlahkan kemudian dibagi tiga sehingga didapat nilai ratarata. Nilai rata-rata inilah yang akan dipakai untuk memberikan warna pada pixel gambar sehingga warna menjadi grayscale, tiga warna dasar dari sebuah pixel akan diset menjadi nilai rata-rata (melalui fungsi RGBtowarna). Contoh citra yang sudah mengalami grayscalling dapat dilihat pada gambar 2.1

Gambar 2.1 Proses Grayscalling (Santi, 2011) b. Resizing Resizing merupakan proses mengubah dan menyamakan citra masukan, dengan mengubah resolusi horizontal dan vertikal citra masukan tersebut. Kinerja sistem akan melambat apabila terdapat keanekaragaman ukuran citra masukan. Resizing dilakukan agar citra dapat direpresentasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting yang harus diperhatikan dalam resizing adalah


22

citra yang telah resize harus tetap mempunyai kualitas citra yang bagus. Contoh citra yang sudah mengalami resizing dapat dilihat pada gambar 2.2. Citra sebelah kiri (a) adalah citra kapal yang berukuran 258 KB. Citra sebelah kanan (b) merupakan hasil resizing sehingga ukuran citra menjadi 49 KB .

Gambar 2.2 Proses Resizing (Wijaya et al , 2010) c. Normalisasi Normalisasi adalah proses mengubah nilai daripada intensitas piksel menjadi satu keseragaman dalam satu intensitas yang lebih mendekati kenormalan daripada kemampuan melihat suatu gambar. Normalisasi terkadang disebut juga pelebaran kontras dan pelebaran histogram (Gonzalez & Woods, 2007). Normalisasi dalam image processing adalah proses yang ditujukan untuk membuat citra lebih mudah dimunculkan fitur-fiturnya. Dengan cara mengubah rentang nilai intensitas piksel dan juga meningkatkan akurasi pengenalan. Contoh citra yang sudah mengalami normalisasi dapat dilihat pada gambar 2.3

Gambar 2.3 Proses Normalisasi (Prastyo, 2010)


23

d. Thinning Thinning merupakan proses yang bertujuan untuk mengurangi ukuran dari suatu citra (imagesize) dengan tetap mempertahankan informasi dan karakteristik penting dari citra tersebut. Hal ini diimplementasikan dengan mengubah citra awal dengan pola binary menjadi representasi kerangka (skeletal representation) image tersebut. Objek seperti huruf atau silhouettes dapat lebih mudah dikenali dengan melihat kepada kerangkanya saja (Phillips, 2000). Thinning hanya digunakan pada citra biner dan menghasilkan citra biner lain sebagai outputnya . Thinning merupakan bentuk "pre-processing" yang digunakan dalam banyak teknik analisa citra. Output dari proses ini disebut sebagai "skeleton" , oleh karena itu thinning bisa juga disebut sebagai "skeletonisasi" . Thinning bertujuan untuk mengurangi bagian yang tidak perlu (redudant) sehingga hanya dihasilkan informasi yang essensial saja. Pola hasil penipisan harus tetap menyerupai bentuk pola asal . Sebagai contoh pada gambar 2.3 adalah huruf "R" dan hasil polanya menjadi rangka "R"

Gambar 2.4 Proses Thinning (Fitri, 2013) Algoritma penipisan yang umum adalah memeriksa pixel-pixel di dalam jendela yang berukuran 3 X 3 pixel dan mengelupas satu pixel pada pinggiran (batas) objek pada setiap lelaran, sampai objek berkurang menjadi garis tipis. Notasi pixel di dalam jendela 3 X 3 diperlihatkan pada gambar 2.5 (c). Algoritma bekerja secara iteratif, pada setiap lelaran dilakukan premrosesan pada jendela yang berukuran 3 X 3 pixel.


24

Algoritmanya adalah sebagai berikut: 1. Mula-mula diperiksa jumlah pixel objek (yang bernilai 1), N, di dalam jendela 3 X 3 pixel. 2. Jika N kurang atau sama dengan 2, tidak ada aksi yang dilakukan karena di dalam jendela terdapat ujung lengan objek. 3. Jika N lebih besar dari 7, tidak ada aksi yang dilakukan karena dapat menyebabkan pengikisan (erosion) objek.

Gambar 2. 5 (a) Penghapusan pixel pinggir menyebabkan ketidakterhubungan, (b) penghapusan pixel pinggir memperpendek lengan objek, (c) notasi pixel yang digunakan untuk memeriksa keterhubungan. 4. Jika N lebih besar dari 2, periksa apakah penghilangan pixel tengah menyebabkan objek tidak terhubung. Ini dilakukan dengan membentuk barisan p1p2p3…p8p1. Jika jumlah peralihan 0 ® 1 di dalam barisan tersebut sama dengan 1, berarti hanya terdapat satu komponen terhubung di dalam jendela 3 X 3. Pada kasus ini, dibolehkan menghapus pixel tengah yang bernilai 1 karena penghapusan tersebut tidak mempengaruhi keterhubungan. 2.3

Ekstraksi Fitur

Ekstraksi fitur adalah proses pengukuran terhadap data yang telah dinormalisasi untuk membentuk sebuah nilai fitur. Nilai fitur digunakan oleh pengklasifikasi untuk mengenali unit masukan dengan unit target keluaran dan memudahkan pengklasifikasian karena nilai


25

ini mudah untuk dibedakan (Pradeep et. al, 2011). Secara luas, fitur adalah semua hasil pengukuran yang bisa diperoleh. Fitur juga bisa menggambarkan karakteristik objek yang dipantau (Putra, 2009). Contoh dari fitur level rendah adalah intensitas sinyal. Fitur bisa berupa simbol, numerik atau keduanya. Contoh dari fitur simbol adalah warna. Contoh dari fitur numerik adalah berat. Fitur bisa diperoleh dengan mengaplikasikan algoritma pencari fitur pada data masukan. Fitur dapat dinyatakan dengan variabel kontinu, diskret atau diskret-biner. Fitur biner dapat digunakan untuk menyatakan ada tidaknya suatu fitur tertentu. Fitur yang baik memiliki syarat berikut, yaitu mudah dalam komputasi, memiliki tingkat keberhasilan yang tinggi dan besarnya data dapat diperkecil tanpa menghilangkan informasi penting (Putra, 2009). 2.4

Diagonal Based Featured Extraction

Diagonal Based Feature Extraction adalah proses untuk mengenali karakter tulisan dengan metode offline di dalam pengerjaannya (Pradeep, et.al, 2011). Setiap citra karakter berukuran 90 x 60 piksel kemudian dibagi menjadi 54 zona yang sama, dan masing – masing zona berukuran 10 x 10 piksel. Fitur yang akan di ekstraksi dari setiap zona piksel dengan bergerak secara diagonal dari tiap zona yang masing – masing berukuran 10 x 10 piksel. Setiap zona memiliki 19 garis diagonal dan foreground pixel yang ada disetiap baris diagonal dan dijumlahkan untuk mendapatkan sub-fitur tunggal. Kemudian, nilai dari 19 sub-fitur ini dibagi rata untuk mendapatkan satu nilai fitur dan ditempatkan di zona yang sesuai. Prosedur ini dilakukan berulang secara berurutan di semua zona. Apabila ada suatu zona yang garis diagonal nya bernilai kosong, maka nilai fitur yang sesuai dengan zona tersebut adalah 0. Untuk lebih jelas dapat dilihat seperti pada gambar 2.6.


26

Gambar 2.6 Diagonal Based Featured Extraction (Pradeep et al.2011) Algoritma diagonal based feature extraction (Pradeep et al. 2011) : 1. Hitung histogram diagonal setiap zona. Histogram diagonal adalah banyaknya piksel hitam setiap diagonal pada satu zona. Setiap zona memiliki 19 nilai histogram diagonal yang disebut Histds, dimana 1 ≤ d ≤ 19. Secara jelas dapat dilihat pada gambar 2.7.

Gambar 2.7 Histogram Diagonal Zona (Pradeep et al. 2011) 2. Hitung nilai fitur setiap zona, yaitu rata-rata histogram setiap zona, disebut Zn dimana 1 ≤ n ≤ 54.


27

Zn = 19 3. Hitung rata-rata zona setiap baris, disebut Bi, dimana 1 ≤ i ≤ 9. Bi = 6 Baris 1 = (Z1+Z2+Z3+Z4+Z5+Z6) /6 Baris 2 = (Z7+Z8+Z9+Z10+Z11+Z12) /6 Baris 3 = (Z13+Z14+Z15+Z16+Z17+Z18) /6 Baris 4 = (Z19+Z20+Z21+Z22+Z23+Z24) /6 Baris 5 = (Z25+Z26+Z27+Z28+Z29+Z30) /6 Baris 6 = (Z31+Z32+Z33+Z34+Z35+Z36) /6 Baris 7 = (Z37+Z38+Z39+Z40+Z41+Z42) /6 Baris 8 = (Z43+Z44+Z45+Z46+Z47+Z48) /6 Baris 9 = (Z49+Z50+Z51+Z52+Z53+Z56) /6 4. Hitung rata-rata zona setiap kolom, disebut Kj, dimana 1 ≤ j ≤ 6 Kj = 9 Kolom 1 = (Z1+Z7+Z13+Z19+Z25+Z31+Z37+Z43+Z49) /9 Kolom 2 = (Z2+Z8+Z14+Z20+Z26+Z32+Z38+Z44+Z50) /9 Kolom 3 = (Z3+Z9+Z15+Z21+Z27+Z33+Z39+Z45+Z51) /9 Kolom 4 = (Z4+Z10+Z16+Z22+Z28+Z34+Z40+Z46+Z52) /9 Kolom 5 = (Z5+Z11+Z17+Z23+Z29+Z35+Z41+Z47+Z53) /9 Kolom 6 = (Z6+Z12+Z18+Z24+Z30+Z36+Z42+Z48+Z54) /9

2.5

Jaringan Syaraf Tiruan

Jaringan saraf tiruan adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia. Elemen kunci dari


28

paradigma ini adalah struktur dari sistem pengolahan informasi yang terdiri dari sejumlah besar elemen pemrosesan yang saling berhubungan (neuron), bekerja serentak untuk menyelesaikan masalah tertentu. Cara kerja jaringan saraf tiruan adalah seperti cara kerja manusia, yaitu belajar pola atau klasifikasi data, melalui proses pembelajaran (Sutojo et al. 2010). Jaringan saraf tiruan disusun dengan asumsi yang sama seperti jaringan saraf biologi (Puspitaningrum, 2006): 1. Pengolahan informasi terjadi pada elemen-elemen pemrosesan (neuron). 2. Sinyal antara dua buah neuron diteruskan melalui link-link koneksi. 3. Setiap link koneksi memiliki bobot terasosiasi. 4. Setiap neuron menerapkan sebuah fungsi aktivasi terhadap input jaringan (jumlah sinyal input berbobot). Tujuannya adalah untuk menentukan sinyal output.

Pembagian arsitektur jaringan saraf tiruan bisa dilihat dari kerangka kerja dan skema antar interkoneksi. Kerangka kerja jaringan saraf tiruan bisa dilihat dari jumlah lapisan (layer) dan jumlah node pada setiap lapisan (Puspitaningrum, 2006). Lapisan – lapisan penyusun jaringan saraf tiruan dapat dibagi menjadi tiga : 1. Lapisan input Node-node di dalam lapisan input disebut unit-unit input. Unit-unit input menerima input dari dunia luar. Input yang dimasukkan merupakan penggambaran dari suatu masalah. 2. Lapisan tersembunyi Node-node di dalam lapisan tersembunyi disebut unit-unit tersembunyi. Output dari lapisan ini tidak secara langsung dapat diamati. 3. Lapisan output Node-node pada lapisan output disebut unit-unit output. Keluaran atau output dari lapisan ini merupakan output jaringan saraf tiruan terhadap suatu permasalahan.


29

Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan dijelaskan yaitu menerima input atau masukan (baik dari data yang dimasukkan atau dari output sel syaraf pada jaringan syaraf. Setiap input datang melalui suatu koneksi atau hubungan yang mempunyai sebuah bobot (weight). Setiap sel syaraf mempunyai sebuah nilai ambang. Jumlah bobot dari input dan dikurangi dengan nilai ambang kemudian akan mendapatkan suatu aktivasi dari sel syaraf (post synaptic potential, PSP, dari sel syaraf). Signal aktivasi kemudian menjadi fungsi aktivasi / fungsi transfer untuk menghasilkan output dari sel syaraf. Jika tahapan fungsi aktivasi digunakan ( output sel syaraf = 0 jika input <0 dan 1 jika input >= 0) maka tindakan sel syaraf sama dengan sel syaraf biologi yang dijelaskan diatas (pengurangan nilai ambang dari jumlah bobot dan membandingkan dengan 0 adalah sama dengan membandingkan jumlah bobot dengan nilai ambang). Biasany tahapan fungsi jarang digunakan dalam jaringan syaraf tiruan. 2.6

Recurrent Neural Network

Recurrent Neural Network ( RNN ) adalah neural network dengan fasilitas umpan balik menuju neuron itu sendiri maupun neuron yang lain, sehingga aliran informasi dari masukan mempunyai arah jamak (Aribowo, 2010) . Recurrent Neural Network adalah jaringan yang mempunyai minimal satu feedback loop. RNN memiliki kemampuan penggambaran yang sangat bagus dan dapat mengatasi kelemahan feedfoward (Soelaiman & Rifa’i, 2010) . Keluaran RNN tidak hanya bergantung pada masukan saat itu saja, tetapi juga tergantung pada kondisi masukan neural network untuk waktu lampau. Kondisi ini dimaksudkan untuk menampung kejadian lampau diikutkan pada proses komputasi. Hal ini penting untuk masalah yang cukup rumit, dan tanggapan keluaran neural network berkaitan dengan variasi waktu ( time-varying ), sehingga neural network memiliki kepekaan terhadap waktu dengan memori kondisi lampau. Struktur Recurrent Neural Network dapat dilihat pada gambar 2.8


30

Gambar 2.8 Struktur Recurrent Neural Network (Aribowo, 2011) Keluaran Recurrent Neural Network dapat dihitung dengan persamaan sebagai berikut :

dimana : •

xˆ(k) ∈ℜ n adalah internal state vector

•

A∈ℜ nxn adalah matrik tetap

•

x(k) ∈ℜ n adalah state vector

•

u(k) ∈ℜ m adalah vektor masukan, Nilai u(k) dan x(k) diketahui

•

mxnk k W W ∈ℜ 1, 2, , adalah bobot pada lapisan hidden

•

nxm k k V V ∈ℜ 1, 2, , adalah bobot pada lapisan output

•

xˆ(k +1) adalah nilai dari state vektor hasil perkiraan pada iterasi ke k +1

Fungsi aktifasi yang digunakan pada jaringan adalah T m [ ... ] 1 σ = σ σ , σ ∈ℜ m dan φ ∈ℜ mxm


31

Nilai σ dan φ dihitung dengan menggunakan fungsi sigmoid (Soelaiman & Rifa’i, 2010). Adapun arsitektur umum Recurrent Neural Network yang dapat dilihat pada gambar 2.9

Gambar 2.9 Arsitektur umum Recurent Neural Network (Soelaiman & Rifa’i, 2010).

2.7

Huruf Katakana

Bahasa Jepang memiliki aturan gramatikal, cara baca dan cara menulis huruf bahasa Jepang. Bahasa Jepang memiliki 3 (tiga) huruf, yaitu huruf hiragana, huruf katakana, dan huruf kanji. Katakana jauh lebih sulit dikuasai dibanding Hiragana karena hanya digunakan untuk kata-kata tertentu, sehingga kesempatan untuk berlatih membacanya lebih jarang. Sebagaimana telah disebutkan sebelumnya, katakana digunakan terutama untuk kata yang diimpor dari bahasa asing. Kata-kata impor tersebut banyak yang berasal dari bahasa Inggris. Katakana juga bisa digunakan untuk menekankan kata-kata tertentu sebagaimana penggunaan huruf tebal.


32

Katakana melambangkan suara-suara yang sama dengan Hiragana, namun tentu saja semua hurufnya berbeda (Handoyono & Susanto, 2010). Untuk lebih jelas dapat dilihat seperti pada gambar 2.10.

Gambar 2.10 Tabel huruf Katakana ( Handoyono ,2011 )

2.8 Penelitian Terdahulu

Di bagian ini akan dijabarkan beberapa penelitian terdahulu. Saat ini sudah banyak penelitian teknologi informasi yang bergerak dibidang kedokteran bagian kardiologi. Untuk lebih jelasnya, pada tabel 2.1 berikut akan dijelaskan penelitian – penelitian yang telah dibuat sebelumnya. Tabel 2.1 Penelitian terdahulu No 1

Judul Penerapan Jaringan Syaraf Tiruan Metode Propagasi Balik dalam

Penulis dan Tahun Handoyono, Susanto. 2012

Metode yang digunakan Metode Propagasi Balik

Keterangan Pengujian jaringan syaraf tiruan propagasi balik


33

Tabel 2.1 Penelitian terdahulu (lanjutan) No

Judul

Penulis dan Tahun

Metode yang digunakan

Pengenalan Tulisan Tangan Huruf Jepang Jenis Hiragana dan Katakana

Keterangan dengan menggunakan gambar pelatihan yang bertujuan untuk menguji ingatan jaringan dengan cara menggeneralisasikan kasus yang dihadapi dan kemudian menarik kesimpulan yang cenderung ke output tertentu .

2

Diagonal Feature Extraction Based Handwritten Character System Using Neural Network.

J.Pradeep, et.al Diagonal 2011 Based feature extraction dan menggunakan Neural Network

Menggunakan ekstraksi fitur Diagonal Based untuk mengenali karakter tulisan dan menggunakan Neural Network dalam mengambil keputusan dan kesimpulan dari karakter tulisan.

3

Identifikasi Nonlinier dengan Menggunakan Metode Recurrent Neural Network dan Algoritma Dead-Zone Kalman Filter

Soelaiman dan Rifa’i. 2010

Algoritma diimplementasikan pada state space RNN untuk mengidentifikasi system nonlinier dengan mengupdate bobot pada lapisan tersembunyi dan lapisan keluaran dari jaringan syaraf tiruan berdasarkan identifikasi error antara target dengan estimasi state .

Metode Recurrent Neural Network (RNN) dan algoritma Dead-Zone Kalman Filter


34

Tabel 2.1 Penelitian terdahulu (lanjutan) No

Judul

Penulis dan Tahun

Metode yang digunakan

Keterangan Pembuktian hasil identifikasi menggunakan DeadZone Kalman Filter.

4

Implementasi Recurrent Neural Network dengan metode pembelajaran Gradient Descent Adaptive Learning Rate untuk pendugaan curah hujan.

Salman. 2011

Recurrent Neural Network (RNN)dan metode Gradient Descent Adaptive Learning Rate

RNN dapat dilatih untuk mempelajari dan menganalisa pola data masa lalu dan berusaha mencari suatu formula atau fungsi yang menghubungkan pola data masa lalu dengan keluaran yang diinginkan pada saat ini berdasarkan koefisien determinasi dan Root Mean Square Error.


BAB 2 LANDASAN TEORI

Recommend Documents