Proses segmentasi dengan melakukan binarisasi citra untuk memisahkan objek yang akan dikenali pada visi komputer sangat diperlukan untuk menentukan piksel yang akan dijadikan hitam sebagai objek atau dijadikan putih sebagai latar belakang. Proses ini diperlukan untuk memisahkan antara obyek citra dengan latar belakangnya. Seringkali pemisahan obyek dengan melakukan tressholding terhadap citra grayscale akan menghasilkan bercak besar yang sangat mengganggu proses pengenalan dalam visi komputer. Pada proses kali ini, ketiga channel RGB pada model RGB dapat divariasi menjadi enam variasi yaitu R, G, B, RG, RB, GB dan RGB. Jika masing-masing variasi channel RGB tersebut dilakukan tresshold, maka setiap channel akan menghasilkan citra binernya sendiri-sendiri.Pemanfataan perbandingan channel RGB dilakukan dengan memberikan bobot kepada masing-masing variasi channel RGB sehingga setiap variasi channel akan berkontribusi menentukan suatu piksel akan dijadikan hitam atau putih. Dengan memberikan bobot kepada masing-masing variasi channel RGB tersebut akan digunakan untuk menentukan kontribusi masing-masing variasi channel RGB tersebut. Pencarian bobot dilakukan dengan menggunakan algoritma pembelejaran perceptron. Sehingga dapat menghasilkan bobot yang sesuai untuk berbagai kondisi obyek pada citra dan berbagai kondisi pencahayaan. Pemanfaatan perbandingan channel RGB dapat memisahkan objek citra dengan latar belakangnya sesuai dengan kebutuhan objek yang akan dikenali oleh visi komputer. Proses ini mampu mengakomodasi kondisi warna obyek dan kondisi penyinaran obyek yang ditangkap oleh kamera.
SEGMENTASI CITRA DENGAN VARIASI RGB DAN ALGORITMA PERCEPTRON
1. Seminar Nasional Riset Terapan 2015 | SENASSET 2015 ISBN: 978-602-73672-0-3
Serang, 12 Desember 2015
132
SEGMENTASI CITRA DENGAN VARIASI RGB DAN ALGORITMA
PERCEPTRON
Teady Matius Surya Mulyana1
1)
Program Studi Teknik Informatika, Fakultas Teknologi Dan Desain, Universitas Bunda Mulia
Jl. Lodan Raya No. 2 Jakarta Utara
E-mail: tmulyana@bundamulia.ac.id1)
ABSTRAKS
Proses segmentasi dengan melakukan binarisasi citra untuk memisahkan objek yang akan dikenali pada visi
komputer sangat diperlukan untuk menentukan piksel yang akan dijadikan hitam sebagai objek atau dijadikan
putih sebagai latar belakang. Proses ini diperlukan untuk memisahkan antara obyek citra dengan latar
belakangnya. Seringkali pemisahan obyek dengan melakukan tressholding terhadap citra grayscale akan
menghasilkan bercak besar yang sangat mengganggu proses pengenalan dalam visi komputer. Pada proses kali
ini, ketiga channel RGB pada model RGB dapat divariasi menjadi enam variasi yaitu R, G, B, RG, RB, GB dan
RGB. Jika masing-masing variasi channel RGB tersebut dilakukan tresshold, maka setiap channel akan
menghasilkan citra binernya sendiri-sendiri.Pemanfataan perbandingan channel RGB dilakukan dengan
memberikan bobot kepada masing-masing variasi channel RGB sehingga setiap variasi channel akan
berkontribusi menentukan suatu piksel akan dijadikan hitam atau putih. Dengan memberikan bobot kepada
masing-masing variasi channel RGB tersebut akan digunakan untuk menentukan kontribusi masing-masing
variasi channel RGB tersebut. Pencarian bobot dilakukan dengan menggunakan algoritma pembelejaran
perceptron. Sehingga dapat menghasilkan bobot yang sesuai untuk berbagai kondisi obyek pada citra dan
berbagai kondisi pencahayaan. Pemanfaatan perbandingan channel RGB dapat memisahkan objek citra dengan
latar belakangnya sesuai dengan kebutuhan objek yang akan dikenali oleh visi komputer. Proses ini mampu
mengakomodasi kondisi warna obyek dan kondisi penyinaran obyek yang ditangkap oleh kamera.
Kata Kunci: segmentasi citra,variasi channel RGB, perceptron
1. PENDAHULUAN
1.1 Segmentasi Citra
Model warna sangat umum digunakan pada
pengolahan citra digital adalah model warna RGB.
Sutoyo (Sutoyo, 2009) menjelaskan setiap piksel
pada citra warna mewakili warna dasar yang
merupakan kombinasi dari tiga warna dasar merah
(Red), hijau (Green) dan biru (Blue), dimana setiap
warna mempunyai gradasi sebanyak 256 warna
dengan variasi intensitas cahaya antara 0 sampai
255. Model ini disebut model warna RGB. Variasi
dari gabungan ketiga intensitas cahaya inilah yang
akan menghasilkan variasi warna-warna yang
berbeda-beda.
Gonzales (Gonzales, 2002) menjelaskan bahwa
segmentasi citra adalah proses yang sangat penting
pada visi komputer. Proses ini memisahkan obyek
pada citra dengan latar belakangnya. Sehingga
setelah dipisahkan, obyek dapat dianalisa untuk
dikenali pada visi komputer.
Rotem (Rotem, 2011:14) dan Mulyana
(Mulyana, 2013) menjelaskan citra biner adalah
suatu citra yang terdiri dari dua warna saja, biasanya
warna obyek adalah warna hitam yang
dilambangkan dengan 0, dan warna latar belakang
adalah warna putih yang dilambangkan dengan 1.
Warna hitam pada model RGB dihasilkan dengan
memberi nilai 0 kepada semua channel RGB.
Sedangkan warna putih pada citra biner dinotasikan
dengan nilai 1 dan untuk menghasilkannya pada
semua channel RGB diberi nilai 255.
Mukherjee (Mukherjee, 2010:15-19) menuliskan
bahwa tressholding adalah metode segmentasi citra
yang cukup sederhana. Tressholding merupakan
teknik yang sering dipakai pada segmentasi citra,
perbaikan citra dan deteksi obyek. Output dari
tressholding ada citra biner yang dalam nilai skala
keabuan bernilai 0 (black) yang mengindikasikan
sebagai piksel yang berisi obyek atau target. Tingkat
keabuan dengan nilai 255 atau dalam citra biner
bernilai 1 diindikasikan sebagai latar belakang.
Ridler (Ridler, 1978:630-632) menjelaskan
algoritma binarisasi ditujukan untuk menghasilkan
nilai tresshold yang optimal untuk setiap piksel.
1.2 Perbandingan Channel RGB
Mulyana (Mulyana-2, 2013), dalam penelitian
mengenai visible watermarking menggunakan nilai
grayscale menjelaskan citra digital terbentuk dari
piksel-piksel yang mempunyai intensitas warna
merah, hijau dan biru yang dikomposisikan dengan
berbagai variasi komposisi intensitas ketiganya,
sehingga menghasilkan warna-warna tertentu pada
posisi piksel tertentu, dan terkumpul pada posisi
tertentu sehingga terbentuk menjadi sebuah citra.
Jika pada ketiga channel RGB intensitas warna
tersebut dinaikkan serentak ketiga-tiga nya dengan
nilai yang sama, maka akan menghasilkan piksel
yang lebih cerah dengan warna yang sama dengan
2. Seminar Nasional Riset Terapan 2015 | SENASSET 2015 ISBN: 978-602-73672-0-3
Serang, 12 Desember 2015
133
piksel sebelumnya. Demikian juga Jika ketiga
channel RGB intensitas warna tersebut diturunkan
serentak ketiga-tiga nya dengan nilai yang sama,
maka akan menghasilkan piksel yang lebih gelap
dengan warna yang sama dengan piksel sebelumnya.
Pada penelitiannya yang lain, Pengenalan
Gerakan Tangan secara optis, Mulyana (Mulyana-3,
2013) menjelaskan adanya variasi R/G/B untuk
memisahkan antara obyek dengan latar belakang
menjadi citra biner. Channel yang terpilih nantinya
akan ditresshold untuk menentukan nilai-nilai yang
akan dianggap 0 dan nilai-nilai yang dijadikan 255
atau dalam citra biner dianggap sebagai 1.
Dengan variasi channel R/G/B akan didapatkan
kombinasi pilihan channel yang terdiri dari salah
satu channel saja, yaitu channel R saja, channel G
saja dan channel B saja. Kemudian kombinasi dua
channel yang terdiri dari kombinasi channel R dan
G, kombinasi channel R dan B, kombinasi channel
G dan B. Serta kombinasi ketiga channel R, G dan
B. Dengan demikian ketiga channel tersebut jika
dikombinasikan akan menghasilkan tujuh variasi
channel RGB yaitu R, G, B, RG, RB, GB dan RGB.
Penghitungan nilai kombinasi dari skala keabuan
untuk jumlah channel yang dipilih akan disesuaikan
dengan jumlah channel. Dengan berdasarkan pada
proses konversi ke skala keabuan pada ketiga
channel R, G dan B seperti yang dijelaskan oleh
Low, (Low, 1991), yang dapat dilihat pada
persamaan (1). Persamaan ini juga digunakan oleh
peneliti lain seperti Nobuyuki (Nobuyuki 1979),
Chan (Chan, 2005) dan Sauvolla (Sauvolla, 1999)
3
),(),(),(
),(
yxByxGyxR
yxf
(1)
Keterangan:
f(x,y) : piksel abu-abu pada sel(x,y)
R(x,y) : intensitas channel Red pada sel(x,y)
G(x,y) : intensitas channel Green pada sel(x,y)
B(x,y) : intensitas channel Blue pada sel(x,y)
Karena pada pilihan channel ini dapat dipilih
beberapa kemungkinan satu channel saja, kombinasi
dua channel ataupun kombinasi tiga channel, secara
umum persamaan tersebut dapat disusun dengan
persamaan (2)
n
yx
yxf
n
i
iC
1
),(
),( (2)
Keterangan:
f(x,y) : piksel abu-abu pada sel(x, y)
n : jumlah channel yang dipilih
Ci(x,y) : Pilihan channel ke i pada sel(x,y)
Proses berikutnya adalah mendapatkan nilai
biner dari piksel tersebut. Dengan ketentuan
tresshold hasil dari penskala-keabun dari persamaan
(2) dilakukan pemilahan, untuk nilai skala keabuan
yang dibawah nilai tresshold dijadikan 0 atau hitam,
sedangkan nilai skala keabuan yang diatas nilai
tresshold dijadikan 255 atau 1 dalam nilai biner atau
putih.
1.3 Jaringan Syaraf Tiruan
Hermawan (Hermawan, 2006) menjelaskan
bahwa jaringan syaraf tiruan adalah sistem
komputasi yang arsitekturnya diilhami dari cara
kerja sel syaraf biologis otak manusia.
Gambar 1. Arsitektur Jaringan Syaraf Tiruan
Dengan Lapisan Tunggal
Arsitektur jaringan syaraf tiruan dengan lapisan
tunggal terdiri dari input matriks bobot, dan output.
Seperti yang diperagakan pada gambar 1. Matriks
bobot adalah suatu lapisan penentu output
berdasarkan input yang ada. Untuk mendapatkan
matriks bobot didapat dari inisialisasi bobot yang
kemudian dilakukan pembelajaran sampai dihasilkan
nilai bobot yang sesuai dan akan menghasilkan
obyek sesuai dengan kriteria yang diharapkan.
Santosa (Santosa, 2007), menjelaskan ada beberapa
algoritma pembelajaran pada jaringan syaraf tiruan,
beberapa diantaranya adalah Hebb Rule, Perceptron,
Adaline-Madaline dan Back propagation..
Hermawan (Hermawan, 2006) menjelaskan,
secara umum, rumus dari output Jaringan Saraf
Tiruan adalah seperti yang ditunjukkan pada
persamaan (3). Setiap set input i sampai n pada data
ke j dikalikan dengan bobotnya hasilnya
dijumlahkan sehingga menghasilkan sebuah output S
dari kumpulan data j.
n
oi
jiij waS (3)
3. Seminar Nasional Riset Terapan 2015 | SENASSET 2015 ISBN: 978-602-73672-0-3
Serang, 12 Desember 2015
134
Keterangan:
Sj adalah output dari sekumpulan data ke j
ai adalah input data set ke i
wji adalah bobot j dari data set j
n adalah jumlah input
Nilai output Xj berkisar antara -1, 0 dan 1.
Dihasilkan berdasarkan nilai Sj yang didapat. Jika Sj
> 0 maka output Xj akan bernilai 1. Jika Sj = 0 maka
output Xj akan bernilai 0. Jika Sj < 0 maka output Xj
akan bernilai -1. Output Xj dapat juga dipolarkan
menjadi -1 dan 1. Dengan menyesuaikan nilai S.
1.4 Algoritma Pembelajaran Perceptron
Desiani (Desiani, 2006), menjelaskan Perceptron
merupakan algoritma training yang akan melakukan
perbaikan nilai bobot sedemikian rupa sehingga
didapat pengelompokan yang terpisah secara linear.
Atau dengan kata lain terpisah dengan nilai yang
berlawanan.
Pada setiap set input, semua input pada set
tersebut akan dihitung output nya dengan persamaan
(4). Persamaan tersebut hampir sama dengan
persamaan (3) yang membedakan adalah adanya
nilai bias.
biaswaS
n
oi
jiij
(4)
Keterangan:
Sj adalah output dari sekumpulan data ke j
ai adalah input data set ke i
wji adalah bobot j dari data set j
n adalah jumlah input
bias adalah nilai input bias.
Jika output X sesuai dengan kondisi contoh
belajar, maka pembelajaran diteruskan pada contoh
berikutnya. Sedangkan jika tidak sama maka akan
dilakukan penghitungna bobot sampai didapatkan
output yang sesuai dengan contoh. Perbaikan bobot
dilakukan berdasarkan bobot yang sebelumnya
ditambhkan dengan kecepatan belajar dikalikan
dengan selisih output dengan sampel, dan dikalikan
dengan input. Seperti yang tercantum pada
persamaan (5).
ijjjiji axtCww )( (5)
Keterangan:
wji : bobot ke i dari set data j
C : kecepatan belajar
tj : output yang diharapkan dari set data j
xj : output aktual dari set data j
ai : input ke i
Sedangkan bias juga akan diperbaiki dengna bias
baru berdasarkan bias sebelumya dengan persamaan
(6).
)( jjjj xtCbiasbias (6)
Keterangan:
biasj : bias dari set data j
C : kecepatan belajar
tj : output yang diharapkan dari set data j
xj : output aktual dari set data j
2. PEMBAHASAN
2.1 Tujuan Penelitian
Tujuan dari penelitian untuk segmentasi citra ini
adalah merancang proses dan yang dapat membantu
dalam pemisahan obyek citra menggunakan ketujuh
variasi susunan channel RGB. Penggunaan jaringan
saraf tiruan dengan algoritma belajar perceptron
ditujukan untuk mempermudah proses dalam
pencarian bobot untuk ketjuh susunan variasi
channel RGB.
Segmentasi obyek citra pada penerapan
penelitian ini adalah pemisahan obyek pada suatu
citra dari latar belakang nya. Seperti sudah
dijelaskan sebelumnya, umumnya obyek citra diberi
nilai 0 atau dijadikan warna hitam, sedangan latar
belakang diberi nilai 1 untuk suatu nilai biner atau
255 dalam skala keabuan 8 bit, sehingga
menghasilkan warna putih. Contoh segmentasi dapat
dilitah pada gambar 2, gambar sebelah kiri
merupakan contoh citra dengan hasil binarisasi nya
pada citra di sebelah kanannya.
Gambar 2. Contoh Hasil Segmentasi
2.2 Pemilihan Input
Input yang akan dipergunakan untuk
menghasilkan citra biner adalah input dari intensitas
R, G, B, RG, RB dan RGB. Alasan pemilihan input
ini berdasarkan model RGB yang umum dijumpai
pada pengolahan citra. Untuk setiap piksel akan
memiliki ketiga channel R, G dan B.
Setiap channel memiliki skala keabuan yang
bervariasi untuk semua piksel pada suatu citra.
Gambar 3. merupakan citra skala keabuan
berdasarkan channel Red. Gambar 4. merupakan
citra skala keabuan berdasarkan channel Green,
sedangkan pada Gambar 5. merupakan citra skala
4. Seminar Nasional Riset Terapan 2015 | SENASSET 2015 ISBN: 978-602-73672-0-3
Serang, 12 Desember 2015
135
keabuan berdasarkan channel Blue. Jika skala
keabuan pada masing-masing citra tersebut di
pisahkan menjadi putih dan hitam dengan ambang
tertentu, maka akan menghasilkan citra biner.
Seperti yang sudah dilakukan pada penelitian
sebelumnya yang bertajuk “Deteksi Gerakan
Tangan”. Tetapi karena setiap kondisi tangan akan
dipengaruhi pencahayaan, maka akan timbul warna
hitam yang dapat berupa bercak ataupun bak hitam
ataupun putih pada bidang dari latar belakang yang
mengganggu komputer dalam mendeteksi obyek.
Ataupun bercak putih pada obyek, sehingga merusak
bentuk obyek. Contoh dari gangguan ini dapat
dilihat pada gambar 13 dan gambar 14. Pada bagian
akhir dari artikel ini.
Gambar 3. Skala Keabuan Berdasarkan
Intensitas Channel Red
Gambar 4. Skala Keabuan Berdasarkan
Intensitas Channel Green
Gambar 5. Skala Keabuan Berdasarkan
Intensitas Channel Blue
Gambar 6. Skala Keabuan Berdasarkan
Intensitas Citra Abu-abu
Proses binarisasi ini akan sangat menyulitkan
jika hanya mengandalkan nilai skala keabuan yang
didapatkan dari ketiga channel R, G dan B. karena
dapat timbul bagian dari objek yang yang lebih
terang atau sama dengan latar belakang, seperti yang
diperagakan pada gambar 6.
Penggunaan input lain berupa variasi RG, RB
dan GB dapat mengurangi bercak yang ditimbulkan
dari variasi channel-channel tersebut. Sehingga citra
biner yang dihasilkan mempunyai bercak yang
seminim mungkin.
Gambar 7 memperlihatkan algoritma yang
menerapkan proses ini, dimana warna dari suatu
piksel diambil kemudian dipisahkan warna R, G dan
B menjadi input iR, iG dan iB. Berikutnya untuk
mendapatkan item input ke 4 maka iR dijumlahkan
dengan iB dan dibagi. Untuk mendapatkan item
input ke 5, iR di jumlahkan dengan iG dan di bagi 2.
untuk mendapatkan item input ke 6, iG dan iB di
jumlahkan serta di bagi 2. sedangkan untuk
mendapatkan item input ke 7, iR, iG, dan iB
dijumlahkan dan dibagi 3.
Gambar 7. Algoritma Menentukan Intensitas
Input
2.3 Proses Binarisasi
Dengan menirukan proses penghitungan output
berdasarkan bobot dari jaringan saraf tiruan seperti
yang tercantum pada rumus (3), dilakukan proses
binarisasi dengan bobot-bobot sebagai perbandingan
kontribusi ketujuh variasi channel RGB.
Proses binarisasi tiap citra dilakukan piksel per
piksel. Setiap piksel akan di ambil nilai R, G dan B.
Kemudian dari channel-channel tersebut akan
dihitung skala keabuan yang merupakan variasi dari
RG, RB, GB dan RGB.
Karena pada variasi channel ini dapat memiliki
beberapa kemungkinan satu channel saja, kombinasi
dua channel ataupun kombinasi tiga channel, secara
umum persamaan tersebut dapat disusun dengan
persamaan seperti yang dilakukan pada rumus (3).
Proses ini adalah sama dengan proses yang
5. Seminar Nasional Riset Terapan 2015 | SENASSET 2015 ISBN: 978-602-73672-0-3
Serang, 12 Desember 2015
136
dilakukan pada penelitian sebelumnya yang
berjudul “Deteksi Gerakan Tangan secara Optis”
yang dilakukan oleh Mulyana, (Mulyana, 2013).
Mulai
Ambil Citra
Untuk tiap-tiap piksel(x,y)
pisahkan Channel Warna
R, G, B
Grayscalling berdasarkan 7 variasi RGB
iR = R; iG = G; iB = B;
iRG = (R + G) / 2; iRB = (R + B) / 2;
iGB = (G + B) / 2; iRGB = (R + G + B) / 3
Soutput = iR X wR + iG X wG + iB X wB + iRG X wGB
+ iRB X wRB + iGB X wGB + iRGB X wRGB
Data bobot
wB, wG, wR,
wRG, wRB,
wGB, wRGB
Ambil Data
Bobot
Output Citra
Hasil
Segmentasi
Soutput > 0
?
Piksel(x,y) = 1Piksel(x,y) = 0
Piksel
Terakhir?
T
Y
T Y
Selesai
Gambar 8. Flowchart Penentuan Ouput
Flowchart proses penentuan output dapat dilihat
pada gambar 8.
Karena nantinya proses akan dilakukan
berdasarkan algoritma perceptron pada jaringan
saraf tiruan, maka persamaan (3) yang merupakan
penghitungan output berdasarkan bobot di adopsi
untuk menentukan nilai S. Sehingga nilai S akan
mempunyai variasi -1, 0 dan 1. Karena pada proses
ini hanya diperlukan dua kondisi yaitu hitam dan
putih, maka untuk -1 dan 0 akan diperlakukan sama,
sehingga keterpisahan linear akan terpolarisasi
menjadi dua nilai yaitu kurang dari sama dengan 0
(S<=0) yang akan menghasilkan output x = 0 dan
lebih dari 0 (S>0) yang menghasilkan output x = 1.
Persamaan (3) tersebut diadopsi dengan ketentuan:
input a1 = intensitas R
input a2 = intensitas G
input a3 = intensitas B
input a4 = intensitas RG
input a5 = intensitas RB
input a6 = intensitas GB
input a7 = intensitas RGB
Dengan demikian persamaan tersebut akan
diterapkan pada program yang dapat kita lihat pada
gambar 9.
Gambar 9. Penerapan Input dan Bobot Pada
Program
Keterangan:
wR : bobot untuk input R
wG : bobot untuk input G
wB : bobot untuk input B
wRG : bobot untuk input RG
wRB : bobot untuk input RB
wGB : bobot untuk input GB
wRGB : bobot untuk input RGB
iR : input intensitas R
iG : input intensitas G
iB : input intensitas B
iRG : input intensitas RG
iRB : input intensitas RB
iBG : input intensitas BG
iRGB : input intensitas RGB
Gambar 10. Menentukan Output Sampel
Proses ini diterapkan Pada setiap obyek yang
ditangkap kamera akan menghasilkan lebih dari satu
citra dengan posisi obyek yang berbeda-beda.
Dengan perbedaan posisi tersebut tentu akan
mengakibatkan warna citra yang dihasilkan akan
berbeda-beda. Karenanya diperlukan suatu metode
pembelajaran untuk mendapatkan bobot yang
6. Seminar Nasional Riset Terapan 2015 | SENASSET 2015 ISBN: 978-602-73672-0-3
Serang, 12 Desember 2015
137
mampu mengakomodasi proses. Proses ini
diperlukan agar dengan beberapa contoh citra yang
ditangkap, akan mampu menghasilkan bobot yang
dapat digunakan untuk memproses semua citra
dengan obyek yang sama.
Pada gambar 10, diperlihatkan algoritma
pencarian output berdasarkan bobot yang tersimpan.
Hasil disimpan pada variable SOutput yang
mewakili output x. Pada proses ini juga dilakukan
pemberian warna hitam atau putih pada citra sesuai
dengan posisi piksel yang sedang dianalisa.
mulai
File Citra
Asli
File Citra
Segmenta
si
Inisialisasi bobot wR, wG,
wB, wRG, wRB, wGB,
wRGB
Hitung Soutput
Dari Citra Asli
pada piksel (x,y)
Ambil SLearn dari
citra hasil
segmentasi pada
piksel (x,y)
SLearn =
Soutput ?
Hitung Bobot dan
Bias Baru
T
Piksel terakhir
?
Sampel Citra
Terakhir?
Selesai
Y
Y
Y
T
T
Ambil Citra
Ambil Citra Hasil Segmentasi
sesuail Citra Asli
Gambar 11. Flowchart Pembelajaran
2.4 Proses Pembelajaran
Citra biner yang dihasilkan memiliki
keterpisahan secara linear, dimana hanya ada dua
nilai yaitu hitam (0) dan putih (1) atau
direpresentasikan dengan nilai 255 pada skala
keabuan. Umumnya objek citra akan disegmentasi
akan memberikan nilai 0 untuk obyek citra, dan nilai
1 untuk latar belakang. Dengan keterpisahan secara
linear tersebut, maka algoritma training perceptron
dapat diterapkan untuk mencari bobot. Flowchart
Pembelajran diperagakan pada Gambar 11.
Proses penghitungan output pembelajaran
diterapkan dari persamaan (4) yang disesuai dengan
input dan bobot yang sudah dirancang pada
pembahasan di atas. Penerapan proses menghitung
nilai output dapat dilihat pada gambar 12. Dengan
ketentuan output yang sama, yaitu menjadi dua nilai
yaitu kurang dari sama dengan 0 (S<=0) yang akan
menghasilkan output x = 0 dan lebih dari 0 (S>0)
yang menghasilkan output x = 1.
Gambar 12. Menentukan Output Pembelajaran
Output hasil belajar disimpan pada variable
SLearn. Variabel SLearn ini akan dipergunakan
untuk membandingkan dengan SOutput. Gambar 13
menunjukkan proses pembandingan SLearn dengan
SOutput. Jika SOuput tidak sama dengan SLearn
maka akan dihitung bobot baru sesuai dengan rumus
dari persamaan (5) serta bias baru sesuai dengan
rumus pada persamaan (6). Inilah penerapan proses
belajar dengan menggunakan algoritma perceptron.
Jika sudah cocok, maka proses pencarian bobot
dihentikan untuk mencari bobot baru berdasarkan
piksel dan sampel tersimpannya.
Gambar 13. Menghitung Bobot dan Bias Baru
7. Seminar Nasional Riset Terapan 2015 | SENASSET 2015 ISBN: 978-602-73672-0-3
Serang, 12 Desember 2015
138
Untuk memastikan agar proses looping berhenti
maka dibuatlah sebuah variable sebagai flag atau
penanda bernama ‘cocok’ yang bertipe Boolean.
Variable flag ini akan diset dengan nilai FALSE,
yang menandakan bahwa piksel yang sedang diuji
belum cocok dengan output yang diharapkan. Jika
SOuput bernilai sama dengan SLearn, maka variable
flag ini akan bernilai TRUE. Yang akan membuat
loop berhenti dan dilanjutkan dengan pengambilan
piksel atau sampel lain.
Gambar 14. Citra Dengan Kondisi Obyek Dan
Pencahayaan Yang Berbeda-Beda
2.5 Hasil Pengujian
Pengujian teknik ini dilakukan dengan
mempergunakan perangkat lunak yang sudah dibuat.
Contoh citra yang dipergunakan untuk melakukan
percobaan dengan kondisi obyek dan pencahayaan
yang berbeda-beda dapat dilihat pada gambar 14.
Dimana pengujian dilakukan dengan beberapa citra.
Ada beberapa macam kondisi citra yang diuji yaitu:
Citra dengan objek berwarna terang dengan
pencahayaan cukup
Citra dengan objek berwarna terang dengan
pencahayaan kurang
Citra dengan objek agak gelap dengan
pencahayaan kurang
Hasil pengujian dibagi menjadi dua kategori,
berhasil/sukses dan gagal. Pengujian dengan
kategori gagal adalah citra hasil segmentasi yang
obyeknya rusak, seperti yang ditunjukkan pada
gambar 15, ataupun citra dengan obyek yang
terganggun noise yang sangat banyak seperti pada
gambar 16.
Pada gambar 15 diperlihatkan obyek tangan pada
bagian jari diberi warna putih dan garis yang
membatasai tangan dengan latar belakang menjadi
tidak terlihat.
Pada gambar 16 diperlihatkan obyek tangan
terganggu oleh bercak yang besar dan solid,
sehingga jika dipergunakan untuk visi komputer,
maka obyek tidak dapat dikenali.
Gambar 15. Hasil Segmentasi Dengan Obyek
Yang Rusak
Gambar 16. Hasil Segementasi Yang Terlalu
Banyak Bercak
Gambar 17. Hasil Binerisasi Yang Berhasil Pada
Obyek Dengan Pencahayaan Kurang
Kategori pengujian sukses adalah citra hasil
segmentasi yang bersih. Jika ada bercak masih dapat
diterima jika tidak mengganggu obyek atau bercak
8. Seminar Nasional Riset Terapan 2015 | SENASSET 2015 ISBN: 978-602-73672-0-3
Serang, 12 Desember 2015
139
hanya sedikit. Seperti yang diperagakan pada
gambar 17.
Setiap objek mempunyai lebih dari 40 citra
dengan posisi yang berbeda-beda. Citra-citra
tersebut meskipun menangkap objek yang sama,
tetapi karena adanya posisi cahaya dan jarak dengan
kamera berpengaruh terhadap warna dari objek citra
tersebut. Ada bagian yang semakin terang ada
bagian yang semakin gelap. Karena nya setelah
didapat beberapa model binarisasi dari beberapa
citra pada masing-masing ketegori, citra hasil
binarisasi berikut komposisi bobot-bobot nya
disimpan. Untuk nantinya dilakukan training
sehingga menghasilkan variasi bobot-bobot yang
dapat mewakili semua citra tersebut. Contoh data
hasil pembuatan sampel dapat dilihat pada Tabel 1.
Tabel 1. Contoh Data sampel hasil binarisasi
secara manual
No.
NamaFile
wR
wG
wB
wRG
wRB
wGB
wRGB
1 Capture0
9.jpg
-11 -1 11 -5 -2 27 -11
2 Capture1
4.jpg
-7 1 22 -19 -4 31 -11
3 Capture1
5.jpg
-11 -1 11 -5 -2 27 -11
4 Capture1
8.jpg
-11 -1 11 -8 -2 27 -11
5 Capture2
3.jpg
-14 -4 11 -3 -2 27 -11
Data bobot dari hasil dari pembuatan sampel
dilakukan pencarian bobot dengan algoritma
perceptron, sehingga didapat bobot-bobot yang
dapat mewakili semua sampel yang ada. Dengan
bobot-bobot tersebut dilakukan percobaan
segementasi citra. Percobaan pembuatan bobot tidak
hanya dilakukan dengan citra dengan kondisi yang
sama, tapi juga dengan citra dengan berbagai kondisi
yang berbeda. Uji coba segmentasi citra dengan
menggunakan bobot-bobot tersebut terhadap citra
yang sudah digunakan sampel bobotnya pengujian
ini menghasilkan 100% sukses. Hal ini wajar
mengingat citra tersebut yang digunakan untuk
melakukan pencarian bobot dengan perceptron.
Sedangkan pengujian menggunakan citra yang
tidak digunakan untuk membuat bobot juga
dilakukan untuk menguji keberhasilan metode ini.
Pengujian ini menggunakan citra dengan obyek-
obyek yang sama tapi tidak pernah digunakan untuk
membuat sampel. Sehingga perbedaan kondisi
pencahayaannya adalah kondisi yang tidak
digunakan untuk pembuatan sampel. Beberapa data
hasil pengujian dapat dilihat pada tabel 2.
Pada Tabel 2 diperlihatkan catatan keberhasilan
segementasi 100%. Keberhasilan 100% ini perlu
diuji coba lagi dimungkinkan karena terlalu
sedikitnya citra yang diuji. Idealnya harus ada
kegagalan meskipun hanya sekitar 1% sampai 5%.
Karena menurut asumsi penulis, ada banyak faktor
pencahayaan dan kondisi obyek yang dapat
mempengaruhi keberhasilan binerisasi citra ini.
Tabel 2. Beberapa Data Hasil Pengujian Dengan
Citra Yang Bukan Sampel
N
o.
Path Nama
File
Hasil
1 C:UsersDocumentsKomputer
GrafikPenelitianKulitCoklat
Captur
e02.jpg
Sukses
2 C:UsersDocumentsKomputer
GrafikPenelitianKulitCoklat
Captur
e04.jpg
Sukses
3 C:UsersDocumentsKomputer
GrafikPenelitianKulitCoklat
Captur
e05.jpg
Sukses
4 C:UsersDocumentsKomputer
GrafikPenelitianKulitCoklat
Captur
e06.jpg
Sukses
5 C:UsersDocumentsKomputer
GrafikPenelitianKulitCoklat
Captur
e09.jpg
Sukses
6 C:UsersDocumentsKomputer
GrafikPenelitianKulitKuning(
kurang cahaya)
Captur
e03.jpg
Sukses
7 C:UsersDocumentsKomputer
GrafikPenelitianKulitKuning(
kurang cahaya)
Captur
e05.jpg
Sukses
8 C:UsersDocumentsKomputer
GrafikPenelitianKulitKuning(
kurang cahaya)
Captur
e06.jpg
Sukses
9 C:UsersDocumentsKomputer
GrafikPenelitianKulitPutih
Captur
e03.jpg
Sukses
10 C:UsersDocumentsKomputer
GrafikPenelitianKulitPutih
Captur
e07.jpg
Sukses
11 C:UsersDocumentsKomputer
GrafikPenelitianKulitPutih
Captur
e08.jpg
Sukses
12 C:UsersDocumentsKomputer
GrafikPenelitianKulitPutih
Captur
e09.jpg
Sukses
13 C:UsersDocumentsKomputer
GrafikPenelitianKulitKuning
Captur
e02.jpg
Sukses
14 C:UsersDocumentsKomputer
GrafikPenelitianKulitKuning
Captur
e08.jpg
Sukses
15 C:UsersDocumentsKomputer
GrafikPenelitianKulitKuning
Captur
e10.jpg
Sukses
16 C:UsersDocumentsKomputer
GrafikPenelitianKulitHitam
Captur
e02.jpg
Sukses
17 C:UsersDocumentsKomputer
GrafikPenelitianKulitHitam
Captur
e04.jpg
Sukses
18 C:UsersDocumentsKomputer
GrafikPenelitianKulitHitam
Captur
e06.jpg
Sukses
19 C:UsersDocumentsKomputer
GrafikPenelitianKulitHitam
Captur
e07.jpg
Sukses
20 C:UsersDocumentsKomputer
GrafikPenelitianKulitHitam
Captur
e08.jpg
Sukses
21 C:UsersDocumentsKomputer
GrafikPenelitianKulitHitam
Captur
e09.jpg
Sukses
3. KESIMPULAN
Berdasarkan penelitian segementasi obyek citra
dengan menggunakan perbandingan channel RGB
disimpulkan:
9. Seminar Nasional Riset Terapan 2015 | SENASSET 2015 ISBN: 978-602-73672-0-3
Serang, 12 Desember 2015
140
1. Perbandingan nilai channel-channel R, G dan B
kurang cukup memadai untuk melakukan
binerisasi, masih harus ditambahkan dengan
variasi nilai intensitas RG, RB, GB dan RGB.
2. Jaringan Saraf Tiruan dengan metode
pembelajaran Perceptron dapat membantu
mencari ketujuh bobot yang diperlukan.
PUSTAKA
Aroop Mukherjee, Soumen Kanrar, 15 November
2010, Enhancement of Image Resolution by
Binarization, International Journal of Computer
Applications (ISSN: 0975–8887) Volume 10 –
No.10, hlm 15-19
Aviv, Rotem., 2011, Algorithms for testing
connectivity - Implementation on binary images,
Tel-Aviv University, Tel-Aviv. Hlm 14
Che-Yen Wen, Chun-Ming Chou., 2004, Color
Image Models and its Applications to Document
Examination, Forensic Science Journal Vol.
3(1). hlm 23-32.
Desiani, Anita., Arhami, Muhammad., 2006, Konsep
Kecedasan Buatan, Andi Offset, Yogyakarta.
Gonzalez and Woods, 2002, Digital image
processing, 2nd Edition, prentice hall.
Hermawan, Arif., 2006, Jaringan Saraf Tiruan,
Andi Offset, Yogyakarta.
Low, Adrian., 1991, Introductory Computer Vision
and Image Processing, McGraw-Hill, Berkshire,
UK.
Mulyana, Teady.M.S., Suherman, Anggie., 2013,
Laporan Penelitian - Segmentasi Objek Citra
Berdasarkan Perbandingan Channel RGB,
Bunda Mulia University, Jakarta. (not published)
Mulyana, Teady M.S., 18 Mei 2013, Penggunaan
Nilai Skala Keabuan dari Citra Watermark
sebagai Cetak Biru Dari Visible Watermarking,
Procedding Seminar Nasional Informatika, ,
UPN Yogyakarta.
Nobuyuki. Otsu, 1979, A threshold selection method
from gray level histograms, IEEE Trans.
Systems, Man and Cybernetics, vol. 9, hlm 62–
66.
Noor A. Ibraheem, Mokhtar M. Hasan, Rafiqul Z.
Khan, Pramod K. Mishra., April 2012,
Understanding Color Models: A Review, ARPN
Journal of Science and Technology VOL. 2, NO.
3, hlm 265-275
Ridler T, Calvard. S, Aug. 1978, Picture
thresholding using an iterative selection method,
IEEE Transactions on Systems, Man and
Cybernetics, vol. 8, no. 8, hlm 630–632.
Sauvola. J., PietikaKinen. M., 1999, Adaptive
document image binarization, Pattern
Recognition Vol 33, Pattern Recognition Society.
Elsevier Science Ltd, hlm 225-236.
Sutoyo, T., Mulyanto, E., Suhartono V., Nurhayanti
OD., Wijanarto. , 2009, Teori Pengolahan
Digital, Andi Offset, Yogyakarta.
Tony F. Chan, Selim Esedo¯glu and Mila Nikolova,
2005, Finding The Global Minimum For Binary
Image Restoration, IEEE, hlm I21-I24.