Iwan Suhardi, Studi Pengklasifikasian Citra Berdasarkan Ciri Citra dengan Jaringan Syaraf Tiruan

Transkripsi

1 1

2 MEDIA ELEKTRIK, Volume 3 Nomor 1, Juni 2008 STUDI PENGKLASIFIKASIAN CITRA BERDASARKAN CIRI CITRA DENGAN JARINGAN SYARAF TIRUAN Iwan Suhardi Jurusan Pendidikan Teknik Elektro Fakultas Teknik Universitas Negeri Makassar Abstrak Penelitian ini menerapkan jaringan syaraf tiruan perambatan-balik untuk pengenalan citra berdasarkan ciri citranya. Sebelum diumpankan ke jaringan syaraf tiruan terlebih dahulu dilakukan praproses yaitu normalisasi ukuran citra. Pola yang akan dikenali yaitu meliputi citra dengan ciri manusia, binatang, dan tumbuhan. Citra sampel diperoleh dari file-file pada CD, proses pemayaran, dan dari kamera digital. Akan dianalisis sejauh mana jaringan syaraf tiruan dapat mengenali bentuk-bentuk pola berdasarkan ciri citranya tersebut. Dari hasil penelitian didapatkan bahwa jaringan syaraf tiruan mampu mengenali citra berdasarkan ciri citranya dengan unjuk kerja sebesar 63,3 %. Kata kunci : Pengenalan citra, normalisasi, jaringan syaraf tiruan Latar belakang dan ide penelitian ini bermula saat penulis berkeinginan untuk mencari suatu file citra (gambar, image) pada suatu komputer, namun penulis tidak tahu nama dan letak file yang dimaksud. Misalkan penulis bermaksud mencari suatu file citra yang bergambar/berpola orang, maka akan mengalami kesulitan jika penulis tidak mengetahui nama-nama file yang bergambarkan orang yang dimaksud tersebut. Walaupun dalam sistem operasi suatu komputer terdapat fasilitas untuk mencari (search) yang dapat mencari filefile tertentu (salah satunya file berformat citra) dalam suatu komputer, namun basis pencariannya tetap berdasarkan pada nama file dan bukan berdasarkan ciri atau makna citra itu sendiri. Jaringan syaraf tiruan merupakan sistem pemrosesan informasi yang mempunyai karakteristik kinerja tertentu menyerupai jaringan syaraf biologis. Jaringan ini dapat menyelesaikan persoalan kompleks yang sulit atau bahkan tidak mungkin jika diselesaikan dengan menggunakan komputasi secara konvensional. Jaringan syaraf tiruan sendiri diilhami oleh jaringan syaraf manusia yang dapat belajar dari pengalaman, melakukan generalisasi berdasarkan contoh yang diperolehnya dan mengabstraksi karakteristik esensial dari masukan yang mengandung informasi yang mungkin tidak relevan. Saat ini jaringan syaraf tiruan berkembang dengan pesat dan telah diupayakan untuk berbagai bentuk aplikasi, salah satu aplikasinya yaitu pengenalan pola. Jaringan syaraf tiruan dapat mengatur dirinya untuk menghasilkan suatu respons yang konsisten dengan serangkaian masukan. Algoritma perambatan-balik (backpropagation) telah dikembangkan untuk melatih jaringan syaraf tiruan yang sampai pada suatu tingkat tertentu dapat melakukan generalisasi. Kemampuannya untuk mengabaikan derau dan distorsi merupakan hal yang sangat penting dalam pengenalan pola. KONSEP DASAR PENGENALAN POLA Sesuai dengan sifat dari pola yang dikenali, proses pengenalan dapat dibedakan menjadi 2 macam, yaitu pengenalan hal-hal yang nyata dan pengenalan hal-hal yang tidak nyata (pengenalan konseptual). Proses pengenalan untuk hal-hal yang nyata meliputi identifikasi dan klasifikasi temporal (mewaktu) dan spasial (meruang) dari pola-pola. Contoh untuk pola-pola temporal yaitu bentuk gelombang suara, elektrokardiogram, dan runtun waktu (time series), sedangkan untuk pola-pola spasial adalah pengenalan karakter, sidik jari, gambar-gambar, dan citra-citra nyata. PENGENALAN POLA BERDASAR PENDEKATAN JARINGAN SYARAF TIRUAN Jaringan syaraf tiruan dikembangkan berdasarkan inspirasi dari pengetahuan neurobiologi, matematika dan fisika. Jaringan 2

3 syaraf tiruan terdiri atas sejumlah elemen-elemen pemroses sederhana yang disebut neuron. Masingmasing neuron dihubungkan dengan neuronneuron yang lain dalam arti adanya mata rantai komunikasi lagsung dari masing-masing neuron dengan sekumpulan bobot. Bobot-bobot tersebut menyatakan informasi yang digunakan oleh jaringan untuk menyelesaikan masalah. Jaringan syaraf tiruan memungkinkan untuk digunakan dalam berbagai persoalan yang luas, seperti mengklasifikasi pola-pola, membentuk pemetaan yang umum atas pola-pola keluaran, mengelompokkan pola-pola yang serupa atau membuat penyelesaian untuk masalah-masalah optimasi. JARINGAN SYARAF TIRUAN Jaringan syaraf lapis-jamak (multilayer) sudah terbukti handal dipakai untuk aplikasi umum (Fauzett, L.,1994), jadi dipilih metode ini untuk aplikasi pengenalan pola bentuk citra pada penelitian ini. Yang termasuk jaringan lapisjamak dengan pelatihan terbimbing (supervised) antara lain jaringan perambatan-balik (backpropagation). 1. Perambatan-Balik (Back-Propagation) Metode pelatihan perambatan-balik secara sederhana adalah metode gradient descent (penurunan gradien) untuk meminimalkan total galat kuadrat keluaran. Aplikasi jaringan ini melibatkan pemetaan sekumpulan masukan terhadap sekumpulan target keluaran, jadi termasuk kategori jaringan dengan pelatihan terbimbing. Tujuan pelatihan jaringan ini adalah mendapatkan keseimbangan antara kemampuan tanggapan yang benar terhadap pola masukan yang dipakai untuk pelatihan jaringan (memorization) dan kemampuan memberikan tanggapan yang layak untuk masukan yang sejenis namun tidak identis dengan yang dipakai pada pelatihan (generalization). Pelatihan jaringan perambatan balik melibatkan tiga tahap yaitu umpan-maju pelatihan pola masukan, komputasi dan perambatan-balik galat, serta perubahan bobot. Setelah pelatihan, aplikasi jaringan hanya melibatkan tahap komputasi umpan-maju. Walaupun proses pelatihan jaringan berlangsung relatif lambat, namun jaringan yang telah dilatih dapat menghasilkan keluaran dengan sangat cepat. Beragam variasi perambatan-balik telah dikembangkan untuk meningkatkan kecepatan proses pelatihan. 2. Arsitektur Jaringan syaraf lapis-jamak dengan satu lapisan tersembunyi (unit Z) diperlihatkan pada Gambar 2.1. Unit keluaran (unit Y) dan unit-unit tersembunyi serta bias diperlihatkan. Bias pada unit keluaran Y k dilambangkan dengan w 0k, bias pada unit tersembunyi Z j dilambangkan dengan v 0j. Istilah bias-bias ini berlaku sebagai bobot pada hubungan unit-unit dengan keluaran selalu satu. Selama fase pelatihan perambatan-balik, sinyal dikirim pada arah yang berlawanan. Seperti telah disebutkan sebelumnya, pelatihan jaringan perambatan balik melibatkan tiga tahap: umpan-maju pola-pola masukan untuk pelatihan, perambatan-balik galat, dan perubahan bobot-bobot. Selama umpan-maju, tiap unit masukan (X i ) menerima sinyal masukan dan mengirimkannya ke tiap unit-unit tersembunyi Z 1,, Z p. Tiap unit tersembunyi menghitung aktivasinya dan mengirim sinyal tersebut (z j ) ke tiap unit keluaran. Tiap unit keluaran (Y k ) menghitung aktivasinya (y k ) untuk membuat tanggapan jaringan untuk pola masukan yang diberikan. Pada proses pelatihan, tiap unit keluaran diperbandingkan nilai aktivasi y k dengan nilai target t k untuk menentukan galat. Berdasar pada galat ini, faktor d k (k = 1,, m) dihitung. Kemudian d k dipakai untuk mendistribusikan galat pada unit keluaran Y k ke semua unit pada lapisan tersembunyi yang berhubungan dengan Y k. Juga akan dipakai untuk merubah bobot antara unit keluaran dan unit lapisan tersembunyi. Dengan cara yang sama, faktor d j (j = 1,,p) dihitung untuk tiap unit tersembunyi Z j. Namun tidak perlu mengembalikan galat ke lapisan masukan, d j dipakai untuk mengubah bobot antara lapisan tersembunyi dan lapisan masukan. Setelah semua faktor d didapatkan, bobotbobot pada semua lapisan diubah secara simultan. Perubahan bobot w jk (dari unit tersembunyi Z j ke unit keluaran Y k ) berdasar faktor d k dan aktivasi z j pada unit tersembunyi Z j. Perubahan bobot v ij (dari unit masukan X i ke unit tersembunyi Z j ) berdasar faktor d j dan aktivasi x i pada unit masukan. 3. Fungsi Aktivasi Karakteristik yang harus dimiliki oleh fungsi aktivasi jaringan perambatan-balik antara lain harus kontinyu, terdiferensialkan, dan tidak 3

4 MEDIA ELEKTRIK, Volume 3 Nomor 1, Juni 2008 menurun secara monotonis (monotonically nondecreasing). Lebih lanjut, untuk efisiensi komputasi, turunan fungsi tersebut mudah didapatkan dan nilai turunannya dapat dinyatakan dengan fungsi aktivasi itu sendiri. Pada masukan tersebut dicoba dikenali kelas pola bentuk citra yang telah dilatih dengan menggunakan jaringan syaraf tiruan algoritma perambatan-balik. Praproses Data Klasifikasi Ciri Masukan Citra.jpeg 1. Manusia 2. Binatang 3. Tumbuhtumbuhan Normalisasi ukuran citra Pengenalan Pola Jaringan Syaraf Tiruan Keluaran Gambar 2. Diagram blok pengenalan citra Langkah praproses pengenalan pola bentuk di sini melibatkan proses normalisasi ukuran. Normalisasi ukuran dilakukan karena tidak samanya ukuran citra yang satu dengan lainnya. Normalisasi ini mutlak diperlukan karena jaringan syaraf tiruan mempunyai ukuran dimensi yang tetap sehingga diperlukan masukan dengan ukuran yang sama. Gambar 1. Jaringan syaraf perambatan-balik dengan satu lapisan tersembunyi Fungsi aktivasi pertama adalah sigmoid biner atau sigmoid logistic, didefinisikan sebagai: dengan, f ( x) 1 = 1+ exp (-sx) [ ] ( x) = s f ( x) 1 f ( x) ' f - Fungsi aktivasi kedua adalah sigmoid bipolar, memiliki jangkauan nilai (-1,1) dan didefinisikan sebagai: 2 f ( x) = exp -sx ( ) dengan, ' s f ( x) = [ 1+ f( x) ][ 1- f( x) ] 2 4. Pemodelan Sistem Pengenalan Pola Sistem yang akan dicoba diperlihatkan pada Gambar 2.4. Sebagai masukan jaringan syaraf tiruan adalah vektor dengan komponen bipolar yang dihasilkan dari pengolahan citra asli. HASIL DAN PEMBAHASAN 1. Pengolahan Data Masukan Sampel-sampel citra yang berisi pola manusia, binatang, dan tumbuhan diperoleh dari CD CD yang dijual di pasaran, dari pemayar atau kamera digital. Selanjutnya dipilah-pilah dan dikelompokkan berdasarkan 3 jenis kelasnya, yaitu citra berciri manusia, binatang, dan tumbuhan. Normalisasi ukuran karakter dilakukan, karena tidak samanya ukuran pola bentuk yang satu dengan lainnya. Pada penelitian ini semua pola dinormalisasi 40x40 piksel. 2. Evaluasi Pelatihan dan Pengujian Jaringan Syaraf Tiruan Dari hasil pengenalan dan pengujian pola citra dengan jaringan syaraf tiruan pada penelitian ini didapatkan hasil seperti pada tabel 1. Dari hasil pengujian jaringan syaraf tiruan didapatkan unjukkerja pengenalan yang tinggi yaitu 100 %. Hal ini berarti bahwa jaringan syaraf tiruan telah mampu mengenali semua pola yang dilatihnya. Namun pada gilirannya dalam mengenali pola-pola baru yang berbeda dengan pola-pola yang telah dilatihnya, jaringan syaraf tiruan yang dirancang belum menunjukkan hasil yang sangat optimistik. Hal itu dapat diketahui dari unjukkerja pengenalannya yang baru 4

5 Ciri Manusia Contoh Citra Benda Binatang Tumbuhan Gambar 3. Contoh citra dari masing-masing ciri Tabel Unjukkerja pengenalan dan pengujian pola citra Gambar 4. Contoh hasil pengolahan citra mencapai 63,3 % yang diperoleh pada arsitektur jaringan Secara probabilitas, hal ini dapat diartikan untuk mengenali atau membedakan citra-citra berpola manusia, binatang, dan tumbuhan, jaringan syaraf tiruan dapat membedakan citra dengan benar sebanyak 63,3 citra dari 100 pola citra yang dikenalinya. Hasil unjukkerja pengujian jaringan syaraf tiruan ini bagi Peneliti belum menjadi sesuatu prestasi/hasil yang memuaskan. Belum tingginya unjukkerja yang dihasilkan bukan dikarenakan jaringan yang dirancang tidak mempunyai unjukkerja yang tinggi, namun lebih dikarenakan begitu banyaknya kemungkinan macam citra yang bercirikan manusia, binatang, dan tumbuhan. Dengan kata lain, permasalahan yang dihadapi pada penelitian ini sangat kompleks. Untuk lebih meningkatkan unjukkerja pengenalan jaringan syaraf tiruan untuk pengenalan pola sejenis pada penelitian lanjutan Arsitektur Jaringan Jumlah Pola Proses Pelatihan Siklus iterasi Galat Unjuk kerja Proses Pengujian Jumlah pola Unjuk kerja Satu Lapisan Tersembunyi , % 30 53,3 % , % 30 46,7 % , % % , % 30 46,7 % , % % Dua Lapisan Tersembunyi , % 30 53,3 % , % 30 46,7 % , % 30 50% , % 30 53,3 % , % 30 46,7 % , % 30 46,7 % , % 30 63,3 % h , % 30 46,7 % , % % , % % , % 30 53,3 % , % % , % 30 33,3 % , % 30 36,7 % , % 30 56,7 % , % 30 56,7 % , % 30 46,7 % , % 30 43,3 % , % 30 53,3 % , % 30 43,3 % , % 30 43,3% , % 30 56,7 % , % % , % 30 36,7 % , % % disarankan untuk lebih dalam lagi dalam hal menganalisis proses ekstraksi cirinya. Proses ekstraksi ciri yang ideal diharapkan dapat lebih mengeksploitasi dan mempertajam perbedaan 5

6 MEDIA ELEKTRIK, Volume 3 Nomor 1, Juni 2008 pola karakter antara ciri citra manusia, binatang, dan tumbuhan dengan ukuran dimensi yang sekecil mungkin. Ukuran dimensi yang sekecil mungkin ini sangat membantu untuk mempesingkat waktu komputasi pada proses pelatihan. SIMPULAN DAN SARAN Kesimpulan hasil penelitian yang telah dilakukan yaitu: 1. Klasifikasi pola citra berdasarkan ciri citra dengan dengan jaringan syaraf untuk mengenali citra bercirikan manusia, binatang, dan tumbuhan terbukti mampu memberikan unjukkerja pengenalan yang cukup baik yaitu 63,3 %. 2. Unjukkerja pengenalan terbaik tersebut dicapai jaringan syaraf tiruan pada arsitektur dengan : lapisan masukan = 1600 neuron lapisan tersembunyi = 2 lapis, dengan neuron 30 dan 30 lapisan keluaran = 3 neuron fungsi aktivasi yang digunakan = fungsi aktivasi sigmoid bipolar, parameter kemiringan = 0,8 Berdasarkan simpulan di atas, disarankan : 1. Bagi yang ingin menganalisis pengenalan pola dengan menggunakan metode jaringan syaraf tiruan, disarankan supaya proses pelatihan dapat berjalan dengan baik. Disarankan untuk dapat mencapai toleransi galat sekurangkurangnya : Unjukkerja pengenalan jaringan syaraf tiruanyang diperoleh pada penelitian ini masih belum cukup tinggi (di bawah 70 %). Salah satu penyebab yang mungkin terjadi antara lain belum efektifnya proses ekstrakasi ciri untuk dapat lebih mengeksploitasi dan mempertajam perbedaan ciri citra agar dapat dibedakan antara ciri citra yang satu dengan yang lainnya tanpa harus mengabaikan besaran dimensinya. Pada umumnya ekstraksi ciri ini bersifat unik, dalam arti masing-masing berbeda untuk pengenalan dan klasifikasi polanya. Oleh karena itu perlu adanya suatu penelitian lain yang dapat menganalisis bagaimana ekstraksi ciri yang paling cocok dengan pengenalan pola seperti dalam penelitian ini, serta seberapa besar pengaruhnya pada pengenalan dengan menggunakan jaringan syaraf tiruan. 3. Algoritma jaringan syaraf tiruan yang digunakan pada penelitian ini yaitu algoritma perambatan balik standar. Melihat lamanya waktu yang digunakan untuk pelatihan, penelitian lanjut dapat diteruskan dengan mengembangkan algoritma perambatanbalik modifikasi agar proses pelatihan menjadi lebih singkat namun dapat meningkatkan unjukkerja pengenalannya. DAFTAR PUSTAKA De Leone, R., Capparuccia, R., & Merelli, E., 1998, A Succsessive Overrelaxation Backpropagation Algorithm for Neural- Network Training, IEEE Transactions on Neural Networks, vol. 9, Demuth, H., & Beale, M., 2009, Neural Network Toolbox, User Guide Version 4.0, The Math Work. Inc., New York. Fausett, L., 1994, Fundamentals of Neural Networks : Architectures, Algorithms, and Applications, Prentice Hall, New Jersey. Hendrawan, 2000, OCR and Word Recognition for Document Understanding : Present Status and Development, Telematics Laboratory, Dept. of Electrical Engineering, Institut Teknologi Bandung, Bandung. Jain, A.K., 1995, Fundamentals of Digital Image Processing, Prentice Hall, New Delhi. Kadir, Abdul, 1998, Pemampatan Data Citra Menggunakan Alih Ragam Gelombang Singkat, Tesis Teknik Elektro, Program Pascasarjana, Universitas Gadjah Mada. Kröse, Ben, and Van der Smagt, Patrick, 1996, Introduction to Neural Networks, ed. 9, University of Amsterdam. Mudjirahardjo, P., 2003, Penerapan Jaringan Perambatan-balik untuk Deteksi Kesalahan pada Pengenalan Kode Pos Tulisan Tangan, Proceedings SNTE 2003, Jurusan Teknik Elektro UGM, G-20.1 G-20. Misiti, M., Oppenheim, G., & Poggi, J., 2000, Wavelet Toolbox, User Guide Version 4.0, The Math Work. Inc., New York. Mohamed, M.A., & Gader, P.D., 2000, Generalized Hidden Markov Models- Part I: Application to Handwritten 6

7 Word Recognition, IEEE Transactions on Fuzzy Systems, vol. 8, no.1, Mohamed, M.A., & Gader, P.D., 2000, Generalized Hidden Markov Models- Part II: Application to Handwritten Word Recognition, IEEE Transactions on Fuzzy Systems, vol. 8, no.1, Mori, S.C.Y., & Yamamoto, K., 1992, Historical Review of OCR Research and Development, Proceedings of the IEEE, vol. 80, Rao, B. V., & Rao, V. H., 1993, C ++ Neural Networks and Fuzzy Logic, Management Information Source, Inc., New York. Verma, Brijesh, 1997, Fast Training of Multilayer Perseptrons, IEEE Transactions on Neural Networks, vol. 8, Tou, J. T., & Gonzalez, R. C., 1974, Pattern Recognition Principles, Addison Wesley Publishing Company, Inc., USA 7