BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui dan memahami permasalahan dari suatu sistem yang akan dibuat. Dalam implementasi persamaan Pulse Coupled Neural Networks ini, sistem akan dibagi menjadi 4 tahapan, tahapan pertama yaitu pengambilan atau pemilihan citra asli yang ada di komputer. Tahapan kedua citra diubah ke citra greyscale. Tahapan ketiga yaitu menentukan ukuran jendela pengamatan yang akan digunakan, disini penulis menggunakan jendela pengamatan berukuran 3 x 3. Tahapan terakhir yaitu proses penghitungan linking dan feeding menggunakan 5 persamaan PCNN tersebut sehingga dapat menggeser posisi jendela pengamatan menjadi bidang neuron berupa citra biner bernilai 1 dan 0 dan dapat membedakan tingkat terang dan gelapnya citra yang diamati. Berikut merupakan citra yang akan diproses menggunakan 5 persamaan PCNN dalam aplikasi yang penulis rancang. 3.1(a) 3.1(b) Keterangan : 16
3.1(a) Citra moon.bmp berukuran 522 x 623 3.1(b) Citra cameraman.tif berukuran 256 x 256 3.1.1 Analisis Permasalahan Penggunaan PCNN untuk segmentasi dan klasifikasi pada citra SAR pita C dengan teknik polarisasi Vertikal Horizontal (VH)1 dan pita L dengan teknik polarisasi Vertikal Horizontal (VH), dan membandingkan hasil klasifikasi dua citra dari dua pita tersebut. Untuk menyelesaikan masalah maka digunakan metoda ekstraksi ciri citra SAR berdasarkan pendekatan statistik tingkat 2 yaitu Grey Level Cooccurrence Matrix sebagai proses pendahuluan dan diikuti klasifikasi berdasarkan pendekatan jaringan syaraf tiruan. Dan penelitian tersebut menyatakan hasil klasifikasi menunjukkan bahwa segmentasi pada pita L lebih baik dibandingkan pita C. Pada penelitian tersebut dipilih PCNN karena merupakan arsitektur jaringan syaraf generasi ke tiga tidak memerlukan pembelajaran sehingga bekerja relative cepat dibandingkan arsitektur lainnya. Pada aplikasi perancangan ini, penulis berusaha membedakan tingkat gelap dan terang citra keluaran yang dihasilkan. Oleh karena itu, berikut usaha penulis yang perlu dilakukan untuk menanggapi kebutuhan untuk membuat aplikasi perancangan persamaan PCNN tersebut : 1. Apa saja data yang diperlukan dalam proses pembuatan aplikasi perancangan persamaan PCNN dengan parameternya dan jumlah iterasi n sehingga bisa menghasilkan citra keluaran yang diinginkan? 2. Bagaimanakah penyelesaian proses penghitungan persamaan PCNN menggunakan optimalisasi parameternya? 3. Bagaimanakah cara pengujian yang dilakukan untuk membandingkan citra keluaran sesuai jumlah n yang diinputkan? 17
3.1.2 Analisis Kebutuhan dan Algoritma Iterasi Persamaan PCNN Perangkat keras yang digunakan penulis untuk pembuatan aplikasi ini yaitu satu set Notebook Toshiba dengan spesifikasi : 1. Processor : Genuine Intel CPU @1.83GHz 2. Memory : 1048 MB RAM, Harddisk : 100 GB 3. Mouse : Logitech Sedangkan perangkat lunak yang digunakan dalam pembuatan aplikasi ini adalah : 1. Windows 7 Ultimate 32-Bit sebagai sistem operasi 2. Matlab sebagai aplikasi pemrograman Algoritma iterasi persamaan PCNN yang digunakan sebagai berikut : 1. Tentukan ukuran dan posisi awal jendela pengamatan dan semua variable tetap. 2. Tentukan nilai iterasi n. 3. Hitung Linking Li,j[n] dan Feeding Fi,j[n]. 4. Hitung aktivitas internal Ui,j[n]. 5. Jika Ui,j[n] > Θi,j[n] maka Yi,j[n]=1, selain itu Yi,j[n]=0. 6. Kembali ke 2 sampai n tercapai. 7. Geser posisi jendela, jika belum semua kembali ke 3 dan jika sudah, berhenti. 3.2 Perancangan Sistem Perancangan sistem bertujuan untuk memberikan gambaran keseluruhan mengenai sistem yang akan dibuat, mulai dari masukan citra, pemrosesan hingga mampu menyelesaikan permasalahan, melihat flowchart dari sistem mengenai aplikasi yang akan dibuat dan diimplementasikan pada bab berikutnya. 18
3.2.1 Flowchart Secara Umum Berikut merupakan diagram alur dari proses aplikasi secara umum. Start 1 Masukkan Citra Baca Citra Menampilkan Citra Asli Konversi citra asli ke greyscale Input variabel : W=M=[0.707 1 0.707;1 0 1 ;0.707 1 0.707] Alpha_F=0.1;Alpha_L=0.3; Alpha_Θ=0.2; V_F=0.5; V_L=0.2;V_Θ=20 F=S; L=S; β=2 n 2 or n 10 i=0, j=0, g[ ][ ]; a = input image Fij [n] = exp(-alpha_f* Fij [n-1] + Sij + V_F*SUM ijklykl [n-1] Lij [n] =exp(-alpha_l* Lij [n-1] + Sij + V_L*SUM ijklykl [n-1] Cetak nilai feeding (Fij) Cetak nilai Linking (Lij) New g [getheight(a)][getwidth(a)] R, G, B, Gr Uij [n] = Fij [n](1 + β Lij [n]) Θij [n] = exp(-alpha_θ* Θij [n-1] + V_Θ*Yij [n-1] Cetak nilai Uij Gr = (R+G+B)/3 No Yij [n] = {1, if Uij [n] > Θij [n] & 0, otherwise Yes g[i][j] = Gr Yes 1 Geser posisi jendela berukuran 3 x 3 Tampilkan Citra Hasil End Gambar 3.2 Flowchart Persamaan PCNN secara umum 19
Keterangan Gambar 3.2 : Flowchart persamaan Pulse Coupled Neural Network tersebut menjelaskan bahwa tahap pertama adalah menginputkan sebuah citra yang akan di uji coba. Tahap kedua adalah membaca citra. Tahap ketiga adalah menampilkan citra asli. Tahap selanjutnya adalah mengkonversi citra asli ke grayscale agar memudahkan peneliti dalam memproses citra yang diuji coba dalam program PCNN tersebut. Tahapan selanjutnya adalah memberikan nilai pada variable tetap yang digunakan pada persamaaan PCNN tersebut. Variable tetap yang dimaksud adalah parameter yang digunakan pada persamaan PCNN. Parameter dalam persamaan tersebut adalah Alpha (α), Beta (β), Θ (threshold), V (kecepatan), U (aktivitas internal), w dan m. Jumlah iterasi (n) yang digunakan peneliti pada pengujian program persamaan PCNN ini adalah 2 n 10 (artinya nilai iterasi n lebih besar dari 2 atau sama dengan 2 dan nilai ierasi n lebih kecil dari 10 atau sama dengan 10). Setelah jumlah iterasi n dimasukkan dan nilai parameter yang ada di proses kedalam persamaan 1 akan menghasilkan nilai feeding Fij [n]. Selanjutnya diproses kedalam persamaan 2 akan menghasilkan nilai linking Lij [n] dan selanjutnya diproses kedalam persamaan 3 akan menghasilkan nilai aktivitas internal Uij [n]. Apabila jumlah iterasi n yang diinputkan tidak sesuai dengan kondisi yang ada, maka proses perhitungan akan kembali ke tahap ketiga pada algoritma iterasi PCNN yaitu menghitung nilai feeding Fij [n] dan nilai linking Lij [n]. Selanjutnya akan diproses pada tahap ke-4 yaitu menghitung nilai aktivitas internal Uij [n] dan jika Ui,j[n] > Θi,j[n] maka Yi,j[n]=1, selain itu Yi,j[n]=0 dan kembali ke tahap kedua sampai n tercapai. Apabila jumlah iterasi n yang diinputkan memenuhi kondisi yang ada, maka setelah diproses melalui persamaan PCNN dapat menggeser jendela pengamatan 3x3 dan dapat menampilkan citra keluaran yang diharapkan berupa citra biner yang tersusun atas nilai piksel berwarna hitam (0) dan nilai piksel berwarna putih (1). 20
3.2.2 Flowchart Baca Pixel Gambar 3.3 Flowchart Baca Pixel 21
Keterangan Gambar 3.3 : Flowchart baca pixel tersebut menjelaskan bahwa tahap pertama adalah menginputkan sebuah citra yang akan di uji coba dalam persamaan PCNN. Tahap kedua adalah membaca citra berdasarkan nilai piksel menjadi F[i,j]. Setelah membaca nilai pixel citra inputan. Dimana i++ tersebut diatas menunjukaan nilai pixel berdasarkan baris yang ada pada inputan citra dan j++ tersebut diatas menunjukaan nilai pixel berdasarkan kolom yang ada pada inputan citra. 3.2.3 Flowchart Konversi ke Grayscale Gambar 3.4 Flowchart Konversi ke Grayscale 22
Keterangan Gambar 3.4 : Sistem yang akan dibuat nantinya digunakan untuk sub proses merubah citra menjadi grayscale. Alur dari proses yang ada pada flowchart sub proses merubah citra menjadi grayscale adalah sebagai berikut : 1. Melakukan inisialisasi untuk i = 0 dan j = 0 2. Menentukan panjang image dan tinggi image 3. Mengambil nilai Red [i,j], Green [i,j], Blue [i,j] pada image 4. Melakukan konversi gambar menjadi grayscale dengan menggunakan rumus grayscale = (Red [i,j] + Green [i,j] + Blue [i,j] ) / 3 5. Melakukan perubahan warna pada pixel [x,y] dengan RGB (grayscale, grayscale, grayscale) 23