UNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 IMPLEMENTASI METODE BACKPROPAGATION

Transkripsi

1 UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 IMPLEMENTASI METODE BACKPROPAGATION DALAM KLASTERISASI OBJEK Betsy Susanti Willy Anderson Kanisius Wongso Abstrak Tujuan penelitian adalah untuk membuktikan bahwa metode backpropagation bisa diterapkan dalam pengenalan citra ketika hendak melakukan klasifikasi objek. Metode penelitian yang dilakukan secara bertahap adalah melakukan studi pustaka dengan membaca dan mencari informasi dari sumber yang ada, kemudian melakukan tahap analisis terhadap data yang didapat, dan terakhir melakukan perancangan aplikasi dari hasil analisis. Dari hasil evaluasi yang dilakukan didapatkan tingkat akurasi dan kecepatan yang cukup tinggi (akurasi di atas 95 %). Setelah menganalisis hasil evaluasi, dapat disimpulkan bahwa metode backpropagation bisa diterapkan dalam klasterisasi objek. Kata kunci : objek, klasifikasi, backpropagation, neural network iv

2 KATA PENGANTAR Segala puji syukur bagi Tuhan Yang Maha Esa, oleh karenanya penulis bisa menyelesaikan skripsi yang berjudul Pengenalan Obyek Dalam Neural Network dengan Menggunakan Metode Backpropagation. Skripsi ini disusun duntuk memenuhi salah satu persyaratan dalam menyelesaikan program pendidikan Strata satu (S1) di Universitas Bina Nusantara, Jakarta. Skripsi ini disusun atas bantuan dan dukungan baik secara langsung maupun tidak langsung dari berbagai pihak. Oleh sebab itu, penulis ingin menggunakan kesempatan ini untuk menyampaikan ucapan terima kasih yang sebesar-besarnya kepada: 1. Bapak Profesor Dr. Gerardus Polla, M.App.Sc, selaku Rektor Universitas Bina Nusantara yang telah memberikan kepercayaan dan kesempatan kepada penulis untuk meyelesaikan skripsi ini. 2. Bapak Diaz D. Santika, selaku dosen pemimbing yang telah meluangkan waktu dengan sabar dan memberikan banyak ide, saran, dorongan dan bimbingan kepada penulis dalam menyelesaikan skripsi ini. 3. Segenap keluarga penulis yang telah memberikan perhatian, dukungan serta doa sehingga penulis dapat menyelesaikan skripsi ini. 4. Semua teman dan pihak-pihak lain yang tidak dapat penulis sebutkan satu persatu, yang telah memberikan nasehat, bantuan dan dukungan dalam menyelesaikan skripsi ini. Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan. Oleh karena itu, saran dan kritik yang membangun dari rekan-rekan membaca sangatlah dibutuhkan, guna menjadikan skripsi ini lebih baik lagi. Akhirnya penulis sangat bersyukur apabila skripsi ini dapat berguna bagi kepentingan orang banyak. Semoga karya tulis ini dapat bermanfaat dan dapat menambah pengetahuan baru bagi rekan-rekan pembaca. Jakarta, 06 Januari 2007 Penulis. v

3 DAFTAR ISI Cover Luar Cover Dalam Halaman persetujuan hardcover Halaman Abstrak Kata Pengantar Daftar Isi Daftar Tabel Daftar Gambar i ii iii iv v vi ix x BAB 1 Pendahuluan Latar Belakang Rumusan Masalah Penelitian Ruang Lingkup Tujuan dan Manfaat Tujuan Penelitian Manfaat Penelitian Metodologi Sistematika Penulisan 5 BAB 2. Landasan Teori Teori Pengenalan Obyek Pengenalan Computer Vision Citra Pengertian Citra Pada Computer Vision Representasi Citra Pengolahan Citra Grayscale (tingkat keabuan) Binarisasi (Thresholding) Filtering / Noise Removal 18 vi

4 2.5 Edge Detection Pengenal Pola Artificial Neural Network (Jaringan Saraf Tiruan) Arsitektur Jaringan Saraf Tiruan Backpropagation (Propagasi Balik) Arsitektur Backpropagation Metode kerja Backpropagation Tahapan Pelatihan Backpropagation Algoritma pelatihan backpropagation 38 BAB 3 Analisis Dan Perancangan Sistem Analisis Dan Pemrosesan Awal Gambaran Umum Sistem Pengenal Obyek Tahap Pengambilan Input Pemrosesan Citra (Preprocessing) Pengubahan dari citra warna ke citra abu-abu (algoritma grayscale) Algoritma Binerisasi (Thresholding) Algoritma Filtering (Noise Removal) Ekstraksi Fitur- Fitur dan Validasi Jaringan Saraf Tiruan Pelatihan Jaringan Saraf Tiruan Back-propagation Inisialisasi Backpropagation Feedforward Backpropagation Error Tahap peng-update weight Storing Recognition Rancangan Tampilan Layar 65 vii

5 BAB 4 E valuasi Hasil Penelitian Spesifikasi Sistem Spesifikasi Perangkat Keras Spesifikasi Perangkat Lunak Pengoperasian Aplikasi Proses Pelatihan (Training) Proses Pengenalan (Recognition) Pengujian Pada Proses pelatihan Pengujian Pada Proses Pengenalan (Recognition) 80 BAB 5 Simpulan dan Saran Simpulan Saran 95 Daftar Pustaka 96 Daftar Riwayat Hidup 98 Lampiran Listing coding L1 viii

6 DAFTAR TABEL Tabel 4.1 Tabel pengujian dengan data 1.jpg 76 Tabel 4.2 Tabel pengujian dengan data 2.jpg 77 Tabel 4.3 Tabel pengujian dengan data 3.jpg 78 Tabel 4.4 Tabel pengujian dengan data 4.jpg 78 Tabel 4.5 Tabel pengujian dengan data 5.jpg 79 Tabel 4.6 Tabel pengujian dengan data 6.jpg 80 Tabel 4.7 Tabel hasil pengenalan Weight awal 84 Tabel 4.8 Tabel hasil pengenalan Weight Training pertama 88 Tabel 4.9 Tabel hasil pengenalan Weight Training kedua 93 ix

7 DAFTAR GAMBAR Gambar 2.1 Nilai tingkat keabuan pada Adobe Photoshop 16 Gambar 2.2 Model jendela 3x3 20 Gambar 2.3 Statistical pattern recognizer 23 Gambar 2.4 Conceptual representation of a pattern recognition problem 24 Gambar 2.5 Kerangka umum sistem pengenalan pola 25 Gambar 2.6 Struktur sebuah Neuron 30 Gambar 2.7 Lapisan Neural Network 32 Gambar 2.8 Fungsi Sigmoid Bipolar 34 Gambar 2.9 Fungsi Sigmoid biner 35 Gambar 2.10 Model fungsi sigmoid biner 35 Gambar 3.1a gambar proses image processing 42 Gambar 3.1b Bagan Alir cara kerja program 43 Gambar 3.2 Citra masukkan yang benar 45 Gambar 3.3 Citra masukkan yang salah 45 Gambar 3.4 Diagram alir perhitungan tingkat keabuan (gray level) 47 Gambar 3.5 Diagram alir proses Thresholding 48 Gambar 3.6 Diagram alir proses filtering 49 Gambar 3.7 Diagram alir proses ekstraksi Fitur (bersambung) 51 Gambar 3.8 Diagram alir proses ekstraksi Fitur (sambungan) 52 Gambar 3.9 Jaringan saraf tiruan yang digunakan 55 Gambar 3.10 Diagram alir back propagation 57 Gambar 3.11 Diagram alir proses Forward 60 Gambar 3.12 Diagram alir proses training 65 Gambar 3.13 STD Developer Aplication 66 Gambar 3.14 Layar utama sistem 67 Gambar 4.1 Tampilan awal aplikasi 70 Gambar 4.2 Gambar aplikasi setelah load weight 71 Gambar 4.3 Gambar aplikasi proses training 72 x

8 Gambar 4.4 Gambar load image pada aplikasi 73 Gambar 4.5 Gambar aplikasi load image 74 Gambar 4.6 Gambar aplikasi setelah image dikenali 75 Gambar 4.7 Gambar 1.jpg 76 Gambar 4.8 Gambar 2.jpg 76 Gambar 4.9 Gambar 3.jpg 77 Gambar 4.10 Gambar 4.jpg 78 Gambar 4.11 Gambar 5.jpg 79 Gambar 4.12 Gambar 6.jpg 79 xi