45
BAB 5 HASIL DAN PEMBAHASAN Ada tiga tahap utama yang dilakukan pada percobaan ini yaitu ektraksi ciri, pelatihan dan pengujian JST. Percobaan dilakukan dengan mengkombinasikan data hasil ekstraksi ciri yaitu: warna dan tekstur, warna dan bentuk, tekstur dan bentuk dan kombinasi gabungan ketiganya warna, tekstur dan bentuk. Dari percobaan ini akan dilihat ciri mana yang lebih dominan dan signifikan dalam mengidentifikasi citra. Total citra yang digunakan berjumlah 75 dan jumlah karang yang diidentifikasi terdiri dari 5 genus. Citra dibagi dalam dua bagian dimana 50 citra digunakan untuk data pelatihan dan 25 citra untuk pengujian.
4.6
Ekstraksi Ciri Citra yang digunakan direduksi dimensinya untuk mengurangi waktu
komputasi pada sistem. Dimensi citra yang digunakan adalah 220 x 300 pixel untuk citra potrait dan 300 x 220 pixel untuk citra landscape. Setiap citra dirotasi 0º, 45º, 60º, 90º, 135º,180º, 200º, 225º, 270º dan 315º agar sistem dapat mengenali obyek citra karang dari sudut manapun. Untuk memenuhi kriteria tersebut maka citra diolah secara manual dengan perangkat lunak manipulasi citra. Pada bagian ekstraksi ciri, citra yang digunakan adalah citra RGB untuk warna dan citra grayscale untuk tekstur dan bentuk. Untuk mendapatkan gambaran yang jelas mengenai tahapan ektraksi ciri berikut ini disajikan 5 citra karang dari masing-masing genus (Gambar 24).
(a) madracis
(b) palauastrea
(c) pocillopora
46
(d) seriatopora
(e) stylophora
Gambar 24 Citra warna karang. Dari citra diatas dihitung nilai warna merah, hijau dan biru (RGB) dan nilai warna hue, saturation dan value (HSV). Nilai warna yang dihasilkan dari dari 5 citra warna (Gambar 24) dapat dilihat pada Tabel 6 dibawah ini. Tabel 6 Nilai warna RGB dan HSV dari citra karang madracis
palauastrea
pocillopora
seriatopora
stylophora
R
105.02
137.35
95.372
131.05
144.46
G
86.489
125.45
98.018
88.027
151.86
B
98.422
127.95
79.167
89.589
173.33
H
0.66335
0.47735
0.30629
0.48825
0.62461
S
0.2417
0.18704
0.2538
0.50606
0.19152
V
0.43028
0.55904
0.39971
0.52061
0.67971
Setelah nilai warna selesai dihitung, tahap selanjutnya adalah menghitung nilai tekstur dan bentuk citra karang. Untuk itu maka citra karang yang berwarna (Gambar 24) dikonversi kedalam bentuk citra grayscale (Gambar 25).
(a) madracis
(b) palauastrea
(c) pocillopora
47
(d) seriatopora
(e) stylophora
Gambar 25 Citra grayscale karang. Ada tiga metode analisa tekstur yang digunakan yaitu statistical moment, GLCM dan LBP8riu1. Pada metode statistical moment nilai yang dihitung adalah mean, standard deviation, smoothness, third moment, uniformity dan entropy yang merupakan momen statistik intensitas histogram citra. Nilai tekstur yang dihasilkan dari dari 5 citra (Gambar 25) dapat dilihat pada Tabel 7 dibawah ini. Tabel 7 Nilai tekstur citra karang dengan metode statistical moment madracis
palauastrea
pocillopora
seriatopora
stylophora
Mean
93.397
129.3
95.078
101.08
152.11
Std Deviation
50.981
56.999
47.338
69.083
69.409
0.038434
0.047586
0.033314
0.068377
0.068979
1.2986
-0.20412
0.48993
2.5255
0.40465
0.005926
0.0051936
0.0059329
0.0046922
0.084749
7.5699
7.7083
7.5343
7.8562
6.1682
Smoothness Third moment Uniformity Entropy
Pada metode GLCM nilai yang dihitung adalah level, standar deviasi, energy, contrast, homogeneity dan entropy dari matrik co-occurrence. Nilai yang dihasilkan oleh metode ini dapat dilihat pada Tabel 8. Tabel 8 Nilai tekstur citra karang dengan metode GLCM madracis
palauastrea
pocillopora
seriatopora
stylophora
0.40392
0.53333
0.38431
0.4549
0.64706
50.981
56.999
47.338
69.084
69.41
0.39304
0.43106
0.76772
0.56158
0.44532
0.111
0.096836
0.082039
0.081831
0.1324
Energy
0.84091
0.83849
0.75029
0.81443
0.83409
Entropy
7.5699
7.7083
7.5343
7.8562
6.1682
Level Std Deviation Contrast Homogeneity
48
Selanjutnya pada metode LBP8riu1 nilai yang dihasilkan adalah sepuluh vektor kolom yang berisi informasi tekstur citra karang (Tabel 9). Tabel 9 Nilai tekstur citra karang dengan metode LBP8riu1 madracis
palauastrea
pocillopora
seriatopora
stylophora
1
3694
5101
5960
1611
5917
2
4736
4944
6719
2382
5882
3
4990
3533
6774
2544
2818
4
8467
6532
10514
7027
3146
5
10780
10768
9933
12896
4116
6
8339
11054
8078
7190
3698
7
5532
5965
6520
3269
3576
8
5180
6161
7770
2574
5934
9
5218
6838
7461
2401
24715
10
8028
9518
12221
3738
11122
Untuk menghasilkan nilai ciri bentuk dilakukan dengan menghitung tujuh vektor momen invarian (Tabel 10). Tabel 10 Nilai bentuk citra karang dengan metode momen invarian madracis
ϕ1 ϕ2 ϕ3 ϕ4 ϕ5 ϕ6 ϕ7 4.7
1.966 x 10
palauastrea -3
1.331 x 10
pocillopora -3
1.734 x 10
seriatopora -3
1.626 x 10
stylophora -3
1.338 x 10-3
5.993 x 10-7
2.57 x 10-7
3.508 x 10-8
3.427 x 10-7
6.036 x 10-8
1.464 x 10-10
4.113 x 10-13
3.056 x 10-11
1.137 x 10-10
1.767 x 10-12
1.609 x 10-10
8.921 x 10-12
3.893 x 10-11
1.671 x 10-11
4.449 x 10-12
1.929 x 10-20
-5.529 x 10-26
-1.336 x 10-21
-2.834 x 10-22
-1.247 x 10-23
1.197 x 10-13
-4.281 x 10-15
-3.758 x 10-15
-9.724 x 10-15
5.74 x 10-16
1.539 x 10-20
-1.709 x 10-23
-1.327 x 10-22
-6.711 x 10-22
-3.627 x 10-25
Waktu Komputasi (Elapsed time) Ekstraksi Ciri
A. Warna Ekstraksi ciri tiap satu citra pada bagian ini menghasilkan koefisien sebanyak 6 elemen, dimana 3 elemen pertama merupakan representasi dari nilai RGB dan 3 elemen berikutnya adalah nilai HSV dengan . Elapsed time (waktu komputasi) yang dibutuhkan untuk proses ekstraksi ciri terhadap 75 citra adalah 4.636 detik.
49
B. Tekstur Pada bagian ini koefisien ciri tekstur dengan metode statistical moment adalah 6 elemen dengan elapsed time 0.521 detik. Pada metode GLCM koofisien yang dihasilkan sebnyak 6 elemen dengan elapsed time 6.851 detik dan pada metode LBP8riu1 menghasilkan 10 elemen koofisien dengan elapsed time 5.898 detik. Hasil koofisisen ini sesuai dengan persamaan dari masing-masing metode analisa tekstur yang digunakan.
C. Bentuk Untuk ciri bentuk koefisien yang dihasilkan adalah 7 elemen. Hal ini dikarenakan metode momen invarian yang digunakan menghasilkan 7 vektor ciri sesuai dengan persamaan yang dimilikinya dan elapsed time yang diperlukan untuk proses ini adalah 6.004 detik. Data elapsed time keseluruhan proses ektraksi ciri ini dapat dilihat di Tabel 11 dan hasil ekstraksi ciri yang digunakan sebagai data pelatihan dan data pengujian dapat dilihat di Lampiran 2 s/d 11 . Tabel 11 Waktu proses ektraksi ciri Ektraksi Ciri
Metode
Jumlah Koofisien
RGB
3
HSV
3
Tekstur
Analisa tekstur
Tekstur
Warna
Jumlah Citra
Elapsed Time (detik)
75
6.027
6
75
0.521
GLCM
6
75
6.851
Tekstur
LBP8riu1
10
75
5.898
Bentuk
Momen invarian
7
75
6.004
4.8
Pelatihan dan Pengujian Pada proses pelatihan, JST dilatih untuk menyesuaikan tiap bobot yang ada
untuk mencapai konvergensi, sehingga akan terbentuk model referensi bagi pola lainnya. Waktu yang dibutuhkan untuk pelatihan tergantung pada jumlah input JST, semakin besar jumlah input semakin lama waktu yang diperlukan jaringan untuk konvergen.
50
Dengan dimensi yang tereduksi pada proses sebelumnya, diharapkan waktu yang dibutuhkan JST untuk pelatihan akan semakin singkat. Pada penelitian ini, akan dilihat perilaku JST dalam mencapai konvergensi dengan mengubah-ubah parameter yang berpengaruh terhadap hal tersebut seperti toleransi galat dan pengaruh jumlah hidden neuron terhadap konvergensi dan generalisasi. Hal lain yang diperhatikan dalam pelatihan JST adalah jumlah epoch untuk mencapai kekonvergenan, waktu yang dibutuhkan untuk mencapai jumlah epoch tersebut dan nilai generalisasi yang didapat dari pelatihan yang telah dilakukan. Pelatihan dan pengujian pada masing-masing kombinasi ciri dilakukan dalam sepuluh kali percobaan pada masing-masing hidden neuron dan toleransi galat. Dari sepuluh kali percobaan tersebut diamati dan diambil tingkat pengenalan tertinggi yang dihasilkan. Selanjutnya setiap nilai tertinggi tersebut dibandingkan sehingga diperoleh tingkat pengenalan terbaik yang dihasilkan oleh kombinasi ciri yang digunakan. Parameter JST yang digunakan adalah toleransi galat 10-3 dan 10-4, laju pembelajaran 0.1, epoch maksimum 3000 dan jumlah hidden neuron 5, 10, 15 dan 20.
A. Warna dan Tekstur (WT) Percobaan pertama dilakukan terhadap dua kombinasi ciri yaitu ciri warna dan tekstur, terlihat pelatihan konvergen pada epoch ke-2591 dengan waktu pelatihan 16.899 detik dan waktu pengujian 0.032, seperti diperlihatkan pada Tabel 12. Tabel 12 Pelatihan dan pengujian pada ciri warna dan tekstur Pelatihan Hidden neuron 5
10
15
20
galat
epoch
Pengujian Waktu (dtk)
Dikenal
Generalisasi
Waktu
(%)
(dtk)
10
-3
477
3.311
19/24
76
0.047
10
-4
3000
22.148
17/25
68
0.031
10
-3
3000
20.312
21/25
84
0.032
10
-4
2591
16.899
22/25
88
0.032
10
-3
2254
15.722
21/25
84
0.031
10
-4
1331
9.253
21/25
84
0.046
10
-3
971
7.139
21/25
84
0.046
10
-4
1719
12.606
21/25
84
0.015
51
Generalisasi yang dihasilkan terhadap data uji sebesar 88% (22 citra dari 25 data citra dikenali). Secara keseluruhan, terlihat bahwa toleransi galat 10-3 dan 10-4 memberikan tingkat generalisasi yang hampir sama. Dengan metode trial and error dalam menentukan besarnya hidden neuron, maka diperoleh hasil terbaik pada hidden neuron 10.
B. Warna dan Bentuk (WB) Percobaan kedua dilakukan pada ciri warna dan bentuk, mencapai kekonvergenan pada epoch ke-2612 dengan waktu pelatihan 17.65 detik dan waktu pegujian 0.033, seperti diperlihatkan pada Tabel 13. Tabel 13 Pelatihan dan pengujian pada ciri warna dan bentuk Pelatihan Hidden neuron 5
10
15
20
Pengujian Waktu
Generalisasi
Waktu
(%)
(dtk)
20/25
80
0.033
7.434
18/25
72
0.035
976
6.621
20/25
80
0.032
489
3.602
18/25
72
0.034
2612
17.65
23/25
92
0.033
2611
18.916
21/25
84
0.034
10-3
3000
21.321
22/25
88
0.042
-4
3000
21.786
20/25
80
0.033
galat
epoch
10-3
1917
12.30
10
-4
1102
10
-3
10
-4
10
-3
10
-4
10
(dtk)
Dikenal
Generalisasi yang dihasilkan terhadap data testing sebesar 92% (23 citra dari 25 data citra dikenali). Disini terlihat bahwa secara keseluruhan toleransi galat 103
memiliki tingkat generalisasi lebih baik daripada 10-4 dan jumlah hidden neuron
terbaik diperoleh pada hidden neuron 15.
C. Tekstur dan Bentuk (TB) Percobaan ketiga dilakukan pada ciri tekstur dan bentuk, mencapai kekonvergenan pada epoch ke-2913 dengan waktu pelatihan 20.56 detik dan waktu pengujian 0.033, seperti diperlihatkan pada Tabel 14.
52
Tabel 14 Pelatihan dan pengujian pada ciri tekstur dan bentuk Pelatihan Hidden neuron 5
10
15
20
galat
Pengujian
epoch
Waktu (dtk)
Dikenal
Generalisasi
Waktu
(%)
(dtk)
10
-3
736
4.978
14/25
56
0.033
10
-4
319
2.196
16/25
64
0.032
10
-3
2536
17.093
22/25
88
0.033
10-4
2346
16.147
20/25
80
0.034
10
-3
3000
21.857
22/25
88
0.034
10
-4
2913
20.56
24/25
96
0.033
10
-3
3000
21.419
22/25
88
0.031
10
-4
3000
21.54
22/25
88
0.035
Generalisasi yang dihasilkan terhadap data testing sebesar 96% (24 citra dari 25 data citra dikenali). Disini terlihat bahwa toleransi galat 10-4 memiliki tingkat generalisasi lebih baik daripada 10-3 dan jumlah hidden neuron terbaik diperoleh pada hidden neuron 15.
D. Warna, Tekstur (Statistical Moment) dan Bentuk (WTB) Setelah dilakukan percobaan dengan dua kombinasi ciri, maka selanjutnya pada percobaan keempat dilakukan terhadap tiga kombinasi ciri yaitu ciri warna, tekstur dan bentuk, terlihat pelatihan konvergen pada epoch ke-1652 dengan waktu pelatihan 10.94 detik dan waktu pengujian 0.035 (Tabel 15). Tabel 15 Pelatihan dan pengujian pada ciri warna, tekstur dan bentuk Pelatihan Hidden neuron 5
10
15
20
galat
Pengujian
epoch
Waktu (dtk)
Dikenal
Generalisasi
Waktu
(%)
(dtk)
-3
4
0.111
23/25
92
0.032
10-4
10
4
0.159
23/25
92
0.034
10
-3
515
3.36
23/25
92
0.031
10
-4
515
3.466
23/25
92
0.035
10
-3
1652
10.94
24/25
96
0.035
10
-4
2478
42.52
24/25
96
0.033
10
-3
2524
17.89
24/25
96
0.033
10-4
3000
21.352
24/25
96
0.033
53
Generalisasi yang dihasilkan terhadap data testing sebesar 96% (24 citra dari 25 data citra dikenali). Disini terlihat bahwa hampir pada semua hidden neuron mencapai tingkat generalisasi yang sama dengan hidden neuron terbaik diperoleh pada hidden neuron 15, perbedaannya terdapat pada waktu pelatihan toleransi galat 10-3 yang lebih cepat dibandingkan 10-4. Pada percobaan keempat ini terlihat bahwa kombinasi dari tiga ciri memiliki generalisasi yang lebih baik dari dua kombinasi ciri. Berdasarkan hal tersebut untuk percobaan selanjutnya dilakukan dengan tiga kombinasi ciri sekaligus melakukan perbandingan antara metode analisa tekstur yang lain.
E. Warna, Tekstur (GLCM) dan Bentuk (WGB) Percobaan kelima dilakukan pada ciri warna, tekstur dengan metode GLCM dan bentuk. Kekonvergenan tercapai pada epoch ke-3000 dengan waktu pelatihan 20.849 detik dan waktu pengujian 0.033, seperti diperlihatkan pada Tabel 16.
Tabel 16 Pelatihan dan pengujian pada ciri warna, tekstur (GLCM) dan bentuk Pelatihan Hidden neuron 5
10
15
20
galat
epoch
Pengujian Waktu (dtk)
Dikenal
Generalisasi
Waktu
(%)
(dtk)
10
-3
1042
7.127
19/25
76
0.033
10
-4
908
5.926
21/25
84
0.033
10
-3
1021
7.234
21/25
84
0.034
10-4
2043
13.594
23/25
92
0.034
10
-3
3000
20.849
24/25
96
0.033
10
-4
1414
10.223
20/25
80
0.037
10
-3
3000
23.649
22/25
88
0.037
10
-4
3000
22.347
24/25
96
0.034
Generalisasi yang dihasilkan terhadap data testing sebesar 96% (24 citra dari 25 data citra dikenali). Disini terlihat secara keseluruhan toleransi galat 10-3 dan 10-4 mencapai tingkat generalisasi yang bervariasi dan hampir sama, perbedaan terdapat pencapaian generalisasi pada hidden neuron yang digunakan, dimana toleransi galat 10-3 menghasilkan generalisasi terbaik pada hidden neuron ke-15,
54
ke-15, sementara itu toleransi galat 10-4 menghasilkan generalisasi terbaik pada hidden neuron ke-20.
F. Warna, Tekstur (LBP8riu1) dan Bentuk (WLB) Percobaan keenam dilakukan pada ciri warna, tekstur dengan metode LBP8riu1 dan bentuk. Disini telihat bahwa jaringan telah lebih cepat konvergen dibandingkan kombinasi ciri yang lain namun generalisasi tertinggi yang dihasilkan adalah 68% pada hidden neuron ke-15 di toleransi galat 10-4, seperti diperlihatkan pada Tabel 17.
Tabel 17 Pelatihan dan pengujian pada ciri warna, tekstur (LBP8riu1) dan bentuk Pelatihan Hidden neuron 5
10
15
20
galat
Pengujian
epoch
Waktu (dtk)
Dikenal
Generalisasi
Waktu
(%)
(dtk)
10
-3
127
1.063
8/25
32
0.036
10
-4
25
0.149
5/25
20
0.035
10
-3
9
0.184
9/25
36
0.037
10
-4
25
0.253
5/25
20
0.033
10
-3
14
0.219
10/25
40
0.035
10-4
43
0.465
17/25
68
0.035
10
-3
8
0.193
9/25
36
0.035
10
-4
5
0.162
10/25
40
0.038
Dari semua hasil percobaan dengan kombinasi ciri yang diubah-ubah, terlihat bahwa setiap dilakukan pengulangan terhadap pelatihan, nilai yang selalu berubah adalah waktu. Hal ini disebabkan karena nilai inisialisasi bobot yang digunakan pada jaringan adalah nilai random sehingga diperlukan waktu komputasi yang berbeda pada setiap hidden neuron dan toleransi galat.
55
Hubungan antara hidden neuron terhadap konvergensi pada toleransi galat pelatihan ditunjukkan pada Gambar 26 dan Gambar 27. Dari grafik terlihat bahwa semakin besar hidden neuron maka epoch yang dihasilkan oleh masing-masing kombinasi ciri juga relatif semakin besar.
3500 3000
WT
Epoch
2500 2000
WB TB
1500
WTB
1000
WGB WLB
500 0 5
10
15
20
Hidden Neuron
Gambar 26 Grafik hidden neuron terhadap konvergensi pada toleransi galat 10-3. 3500 3000 WT WB TB WTB
Epoch
2500 2000 1500
WGB WLB
1000 500 0 5
10
15
20
Hidden Neuron
Gambar 27 Grafik hidden neuron terhadap konvergensi pada toleransi galat 10-4.
56
Hubungan antara hidden neuron terhadap generalisasi pada toleransi galat pelatihan ditunjukkan pada Gambar 28 dan Gambar 29. Dari grafik terlihat bahwa rata-rata nilai generalisasi terbaik yang dihasilkan diperoleh pada hidden neuron
Generalisasi (%)
ke-15. 100 90 80 70 60 50 40 30 20 10 0
WT WB TB WTB WGB WLB 5
10
15
20
Hidden Neuron
Generalisasi (%)
Gambar 28 Grafik hidden neuron terhadap generalisasi pada toleransi galat 10-3. 100 90 80 70 60 50 40 30 20 10 0
WT WB TB WTB WGB WLB 5
10
15
20
Hidden Neuron
Gambar 29 Grafik hidden neuron terhadap generalisasi pada toleransi galat 10-4.
