BAB 5 HASIL DAN PEMBAHASAN

Transkripsi

1 4 BAB 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 7 dan jumlah karang yang diidentifikasi terdiri dari genus. Citra dibagi dalam dua bagian dimana 0 citra digunakan untuk data pelatihan dan 2 citra untuk pengujian. 4.6 Ekstraksi Ciri Citra yang digunakan direduksi dimensinya untuk mengurangi waktu komputasi pada sistem. Dimensi citra yang digunakan adalah 2 x 300 pixel untuk citra potrait dan 300 x 2 pixel untuk citra landscape. Setiap citra dirotasi 0º, 4º, 60º, 90º, 13º,180º, 0º, 22º, 270º dan 31º 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 citra karang dari masing-masing genus (Gambar 24). (a) madracis (b) palauastrea (c) pocillopora

2 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 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 G B H S V 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 2). (a) madracis (b) palauastrea (c) pocillopora

3 47 (d) seriatopora (e) stylophora Gambar 2 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 citra (Gambar 2) dapat dilihat pada Tabel 7 dibawah ini. Tabel 7 Nilai tekstur citra karang dengan metode statistical moment madracis palauastrea pocillopora seriatopora stylophora Mean Std Deviation 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 Level Std Deviation Contrast Homogeneity Energy Entropy

4 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 Untuk menghasilkan nilai ciri bentuk dilakukan dengan menghitung tujuh vektor momen invarian (Tabel ). Tabel Nilai bentuk citra karang dengan metode momen invarian madracis palauastrea pocillopora seriatopora stylophora ϕ x x x x x -3 ϕ.993 x x x x x -8 2 ϕ x x x x x ϕ x x x x x ϕ x x x x x -23 ϕ x x x x x ϕ 1.39 x x x x x 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 7 citra adalah detik.

5 49 B. Tekstur Pada bagian ini koefisien ciri tekstur dengan metode statistical moment adalah 6 elemen dengan elapsed time 0.21 detik. Pada metode GLCM koofisien yang dihasilkan sebnyak 6 elemen dengan elapsed time 6.81 detik dan pada metode LBP8riu1 menghasilkan elemen koofisien dengan elapsed time.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 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 Elapsed Time Jumlah Citra Koofisien (detik) Warna RGB 3 HSV Tekstur Analisa tekstur Tekstur GLCM Tekstur LBP8riu Bentuk Momen invarian 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.

6 0 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 -3 dan -4, laju pembelajaran 0.1, epoch maksimum 3000 dan jumlah hidden neuron,, 1 dan. A. Warna dan Tekstur (WT) Percobaan pertama dilakukan terhadap dua kombinasi ciri yaitu ciri warna dan tekstur, terlihat pelatihan konvergen pada epoch ke-291 dengan waktu pelatihan detik dan waktu pengujian 0.032, seperti diperlihatkan pada Tabel 12. Tabel 12 Pelatihan dan pengujian pada ciri warna dan tekstur Pelatihan Pengujian Hidden Waktu Generalisasi Waktu galat epoch Dikenal neuron (%) / / / / / / / /

7 1 Generalisasi yang dihasilkan terhadap data uji sebesar 88% (22 citra dari 2 data citra dikenali). Secara keseluruhan, terlihat bahwa toleransi galat -3 dan -4 memberikan tingkat generalisasi yang hampir sama. Dengan metode trial and error dalam menentukan besarnya hidden neuron, maka diperoleh hasil terbaik pada hidden neuron. B. Warna dan Bentuk (WB) Percobaan kedua dilakukan pada ciri warna dan bentuk, mencapai kekonvergenan pada epoch ke-2612 dengan waktu pelatihan 17.6 detik dan waktu pegujian 0.033, seperti diperlihatkan pada Tabel 13. Tabel 13 Pelatihan dan pengujian pada ciri warna dan bentuk Pelatihan Pengujian Hidden Waktu Generalisasi Waktu galat epoch Dikenal neuron (%) / / / / / / / / Generalisasi yang dihasilkan terhadap data testing sebesar 92% (23 citra dari 2 data citra dikenali). Disini terlihat bahwa secara keseluruhan toleransi galat - 3 memiliki tingkat generalisasi lebih baik daripada -4 dan jumlah hidden neuron terbaik diperoleh pada hidden neuron 1. C. Tekstur dan Bentuk (TB) Percobaan ketiga dilakukan pada ciri tekstur dan bentuk, mencapai kekonvergenan pada epoch ke-2913 dengan waktu pelatihan.6 detik dan waktu pengujian 0.033, seperti diperlihatkan pada Tabel 14.

8 2 Tabel 14 Pelatihan dan pengujian pada ciri tekstur dan bentuk Hidden neuron 1 Pelatihan Pengujian galat epoch Waktu Generalisasi Waktu Dikenal (%) / / / / / / / / Generalisasi yang dihasilkan terhadap data testing sebesar 96% (24 citra dari 2 data citra dikenali). Disini terlihat bahwa toleransi galat -4 memiliki tingkat generalisasi lebih baik daripada -3 dan jumlah hidden neuron terbaik diperoleh pada hidden neuron 1. 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-162 dengan waktu pelatihan.94 detik dan waktu pengujian 0.03 (Tabel 1). Tabel 1 Pelatihan dan pengujian pada ciri warna, tekstur dan bentuk Pelatihan Pengujian Hidden Waktu Generalisasi Waktu galat epoch Dikenal neuron (%) / / / / / / / /

9 3 Generalisasi yang dihasilkan terhadap data testing sebesar 96% (24 citra dari 2 data citra dikenali). Disini terlihat bahwa hampir pada semua hidden neuron mencapai tingkat generalisasi yang sama dengan hidden neuron terbaik diperoleh pada hidden neuron 1, perbedaannya terdapat pada waktu pelatihan toleransi galat -3 yang lebih cepat dibandingkan -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.849 detik dan waktu pengujian 0.033, seperti diperlihatkan pada Tabel 16. Tabel 16 Pelatihan dan pengujian pada ciri warna, tekstur (GLCM) dan bentuk Hidden neuron 1 Pelatihan Pengujian galat epoch Waktu Generalisasi Waktu Dikenal (%) / / / / / / / / Generalisasi yang dihasilkan terhadap data testing sebesar 96% (24 citra dari 2 data citra dikenali). Disini terlihat secara keseluruhan toleransi galat -3 dan -4 mencapai tingkat generalisasi yang bervariasi dan hampir sama, perbedaan terdapat pencapaian generalisasi pada hidden neuron yang digunakan, dimana toleransi galat -3 menghasilkan generalisasi terbaik pada hidden neuron ke-1,

10 4 ke-1, sementara itu toleransi galat -4 menghasilkan generalisasi terbaik pada hidden neuron ke-. 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-1 di toleransi galat -4, seperti diperlihatkan pada Tabel 17. Tabel 17 Pelatihan dan pengujian pada ciri warna, tekstur (LBP8riu1) dan bentuk Hidden neuron 1 Pelatihan Pengujian galat epoch Waktu Generalisasi Waktu Dikenal (%) / / / / / / / / 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.

11 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. 300 Epoch WT WB TB WTB WGB WLB 0 1 Hidden Neuron Gambar 26 Grafik hidden neuron terhadap konvergensi pada toleransi galat Epoch WT WB TB WTB WGB WLB 0 1 Hidden Neuron Gambar 27 Grafik hidden neuron terhadap konvergensi pada toleransi galat -4.

12 6 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 ke-1. Generalisasi (%) Hidden Neuron WT WB TB WTB WGB WLB Gambar 28 Grafik hidden neuron terhadap generalisasi pada toleransi galat -3. Generalisasi (%) Hidden Neuron WT WB TB WTB WGB WLB Gambar 29 Grafik hidden neuron terhadap generalisasi pada toleransi galat -4.