CITRA DIGITAL

SISTEM PENGENALAN SPESIES PRIMATA

MENGGUNAKAN PENGOLAHAN CITRA DAN JARINGAN

SYARAF TIRUAN BERBASIS ANDROID

Disusun Oleh:

SYAHIRUL ALIM MUHAMMAD

Nim.M0508125

JURUSAN INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SEBELAS MARET

2012

1. Topik

SISTEM PENGENALAN SPESIES PRIMATA MENGGUNAKAN

PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN BERBASIS

ANDROID

2. Pendahuluan

2.1. Latar Belakang Penelitian

Indonesia adalah Negara kepulauan dengan lebih kurang 17.000 pulau

yang tersebar disepanjang khatulistiwa. Telah diketahui bahwa sekitar 10%

(kira-kira 25.000 jenis) tumbuhan berbunga dunia ditemukan di Indonesia dan

lebih dari 10.000 jenis diantaranya dijumpai di pulau-pulau yang di huni

primata Indonesia.

Primata merupakan salah satu satwa penghuni hutan yang memiliki arti

penting dalam kehidupan di alam. Sebagian besar primata memakan buah dan

biji sehingga mereka berperan penting dalam penyebaran biji-bijian.

Selain itu juga primata dapat dijadikan mascot dalam pengembangan

ekoturisme. Ekoturisme gorilla di Rwanda menjadi sumber devisa ketiga

negara itu. Ekoturisme merupakan industri di negara-negara Afrika Timur dan

berkembang pesat di Amerika dan Asia.

Dari sekitar 195 jenis primata yang ada, 40 jenis ditemukan di Indonesia

dan 24 jenis diantaranya merupakan satwa endemik yang hanya hidup di negeri

ini. Dalam klasifikasinya ke 40 jenis itu dikelompokkan ke dalam 5 suku dan 9

marga.

Dalam berbagai bidang seperti hiburan, perdagangan, pendidikan, dan

kepolisian, data gambar dari berbagai bidang tersebut semakin bertambah

dengan cepat, dimana hal ini didasarkan pada kebutuhan manusia yang

cenderung semakin hari semakin meningkat. Sedangkan sistem penyimpanan

dari berbagai macam informasi digital tersebut semakin meningkat sehingga

membuat masalah dalam pencarian dan pengolahannya. Content Based Image

Retrieval System bertujuan untuk mempermudah dan mempercepat pencarian

dari gambar-gambar mirip dengan kriteria gambar tertentu yang diinginkan

dari sekumpulan gambar yang ada. Dimana karakteristik atau kriteria dari

gambar yang dihasilkan ini seperti bentuk, warna, dan tekstur dan lain-lain

yang sesuai dengan gambar yang diinginkan. Hubungan antar gambar-gambar

yang diinginkan dengan gambar hasil dikelompokkan berdasarkan kemiripan

karakteristik secara komputasi. (Bagus, 2007)

Sistem biometrik adalah sistem untuk melakukan identifikasi dengan

cara menggunakan ciri-ciri fisik atau anggota badan manusia, seperti sidik

jari, retina mata, suara. Teknologi biometrik ini memiliki beberapa kelebihan

seperti tidak mudah hilang, tidak dapat lupa, tidak mudah dipalsukan, dan

memiliki keunikan yang berbeda antara manusia satu dengan yang lain.

(Nugroho & Harjoko, 2005)

Salah satu cara yang digunakan dalam sistem biometrik adalah

pengenalan wajah. Sistem pengenalan wajah bertujuan untuk mengidentifikasi

wajah seseorang dengan cara membandingkan wajah tersebut dengan database

wajah yang sudah ada. Dalam sistem pengenalan wajah, pendeteksian posisi

wajah merupakan salah satu tahap yang penting karena di dunia nyata wajah

dapat muncul di dalam citra dengan berbagai ukuran dan posisi, dan dengan

latar belakang yang bervariasi. (Nugroho & Harjoko, 2005)

Menggunakan gambar sebagai media masukan merupakan pendekatan

baru dalam pencarain informasi dalam web. Pencarian informasi berbasis

gambar lebih dari sekedar mencocokkan gambar saja. Dalam penelitian ini

penulis mengembangkan sebuah system baru dimana menggunakan gambar

untuk mencari informasi pada web. (Tollmar, Moller, & Nilsved, 2008)

Sekarang ini perkembangan teknologi terjadi begitu pesat, terlebih lagi

mobilitas merupakan hal yang penting dalam kehidupan sekarang. Hal ini

dapat terlihat dalam beberapa tahun belakangan ini dengan munculnya

berbagai teknologi baru, salah satu diantaranya adalah teknologi smart phone

berbasis android. Teknologi ini memposisikan telepon genggam dengan fitur

tambahan seperti layaknya komputer pribadi.

Dengan uraian diatas, dalam penelitian ini akan diterapkan pengenalan

spesies primata melalui media foto yang diambil menggunakan smart phone.

Proses pengenalan primata ini menggunakan pengolahan citra digital dan

jaringan syaraf tiruan yang diterapkan pada android.

2.2. Rumusan Masalah

Berdasar latar belakang yang telah dijabarkan diatas, yang menjadi

lingkup permasalahan pada penelitian ini adalah:

“Bagaimana mengaplikasikan sistem deteksi bentuk pada citra primata

dan pencocokan hasil pendeteksian bentuk tersebut dengan data bentuk

wajah primata yang ada menggunakan jaringan syaraf tiruan berbasis

android.”

2.3. Batasan Masalah

Dalam penelitian ini permasalahan akan dibatasi:

1. Pengaplikasian pengenalan bentuk akan diterapkan pada spesies

primata yang terdapat di Indonesia.

2. Citra masukan diambil dari kamera yang terdapat pada smart phone.

3. Proses pengenalan jenis primata dilakukan dengan sistem pendeteksi

bentuk.

4. Dari citra masukan yang diperoleh akan dikenali ciri-ciri dari spesies

primata tersebut terutama ciri bentuk.

5. Sistem dinyatakan berhasil jika system dapat mengenali bentuk dari

spesies primata dan menghasilkan keluaran selanjutnya berupa data-

data cirri khusus dari spesies primate tersebut.

2.4. Tujuan Penelitian

Dalam penelitian ini, penulis akan merancang dan mengimplementasikan

sistem pendeteksi wajah yang diterapkan pada pengenalan jenis primata yang

dapat memberikan output berupa rincian dari jenis primata yang berhasil

dikenali tersebut.

2.5. Manfaat Penelitian

Manfaat yang diperoleh dari penelitian ini diharapkan sistem deteksi

pengenalan jenis primata ini dapat membantu penggunanya untuk lebih

mengetahui spesies-spesies primata apa saja yang terdapat di Indonesia.

3. Penelitian Terkait

Penelitian ini mengacu pada beberapa penelitian maupun studi sejenis

yang telah dilakukan sebelumnya. Berikut uraian singkat dari penelitian

maupun studi tersebut.

3.1. Image Database Menggunakan Sistem Content Based Image Retrieval

Dengan Ekstraksi Fitur Terstruktur (Bagus, 2007)

Pada penelitian ini bertujuan untuk menggunakan Shape (bentuk) sebagai

ekstraksi fitur dari gambar baik gambar query maupun gambar yang ada pada

sekumpulan gambar. Kemudian untuk proses matching antara gambar query

dengan gambar target yang ada pada sekumpulan gambar dilakukan

perhitungan jarak (Euclidean distance) dari gambar query dengan gambar

target pada sekumpulan gambar. Nilai jarak yang paling minimal merupakan

gambar yang memiliki kemiripan dengan gambar query. CBIR dengan metode

shape ini lebih cocok digunakan pada gambar-gambar yang memiliki

background atau latar belakang yang polos yang komplek serta ukuran gambar

yang tidak terlalu jauh.

3.2. Pengenalan Wajah Dengan Jaringan Saraf Tiruan Back Propagation

(Nugroho F. H., 2005)

Pada penelitian ini digunakan perpaduan antara teknik pengolahan citra

dan jaringan syaraf tiruan. Pertama kali citra diolah melalui proses deteksi tepi

(edge detection) operator Prewitt, selanjutnya dilakukan proses segmentasi 2

tahap. Setelah itu hasil dari segmentasi tersebut dilakukan proses training Back

Propagation untuk pencocokan pola wajah.

3.3. Penerapan Jaringan Syaraf Tiruan Untuk Mendeteksi Posisi Wajah

Manusia Pada Citra Digital (Nugroho & Harjoko, 2005)

Dalam penelitian ini penulis merancang dan mengimplementasikan

sistem pendeteksi posisi wajah dengan menggunakan jaringan syaraf tiruan.

Sistem ini dilatih dengan menggunakan contoh-contoh wajah yang diberikan.

Algoritma Quickprop dan metode active learning digunakan untuk

mempercepat proses pelatihan sistem. Dari hasil eksperimen dengan

menggunakan 23 file citra berisi 149 wajah, sistem pendeteksi wajah ini

memberikan hasil detection rate 71,14% dan false positive 62.

3.4. A Picture is Worth a Thousand Keywords: Exploring Mobile Image-

Based Web Searching (Tollmar, Moller, & Nilsved, 2008)

Menggunakan gambar sebagai media masukan merupakan pendekatan

baru dalam pencarain informasi dalam web. Pencarian informasi berbasis

gambar lebih dari sekedar mencocokkan gambar saja. Dalam penelitian ini

penulis mengembangkan sebuah system baru dimana menggunakan gambar

untuk mencari informasi pada web.

3.5. Deteksi Wajah Manusia Pada Citra Berwarna Menggunakan Fuzzy

(Humaira, 2009)

Deteksi wajah merupakan proses dasar lebih dari beragam aplikasi

selanjutnya. Pada penelitian ini digunakan teori fuzzy untuk mendeteksi wajah

dalam citra berwarna. Sebuah model warna kulit yang merepresentasikan

warna kulit manusia dibuat untuk membedakan daerah kulit dan daerah bukan

kulit pada citra berwarna. Proses ini juga menyediakan kandidat area wajah

lalu membandingkannya dengan model bentuk kepala menggunakan teori

fuzzy.

3.6. Labeled Faces in The Wild: A Database for Studying Face

Recognition in Unconstrained Environments (Huang, Mattar, Berg, &

Miller, 2008)

Kebanyakan database wajah dibuat dalam kondisi yang ditentukan

sebagai fasilitas dalam pembelajaran parameter khusu pengenalan wajah. Yang

termasuk dalam parameter ini seperti posisi, pose, cahaya, latar belakang,

kualitas kamera, dan jenis kelamin. Tetapi, dalam kenyataannya tidak semua

parameter tersebut dapat dipenuhi untuk prose pengenalan wajah. Database ini,

“Labeled Faces in The Wild” disediakan sebagai penolong dalam pembelajaran

pengenalan wajah selanjutnya. Database ini terdiri dari foto-foto natural yang

dapat ditemukan dalam kehidupan sehari-hari. Sebagai tambahan untuk

penjelasan dari database, peneliti menyediakan beberapa paradigm percobaan.

Hal ini dilakukan dalam rangka membuat penelitian yang dilakukan dengan

database secara konsisten dan setara mungkin. Kami memberikan hasil awal,

termasuk hasil dari keadaan sistem seni pengenalan wajah dikombinasikan

dengan sistem penyelarasan wajah.

4. Dasar Teori

4.1. Pengolahan Citra Digital

Proses pengolahan citra digital dengan menggunakan komputer digital

adalah terlebih dahulu mentransformasikan gambar ke dalam bentuk besaran-

besaran diskrit dari nilai tingkat keabuan pada titik-titik elemen gambar.

Bentuk gambar ini disebut gambar digital. Elemen-elemen gambar digital

apabila ditampilkan dalam layar monitor akan menempati sebuah ruang yang

disebut dengan piksel (picture element/pixel).

Pada proses transformasi yang menghasilkan gambar dari bentuk tiga

dimensi ke bentuk dua dimensi akan dipengaruhi oleh bermacam-macam faktor

yang mengakibatkan penampilan gambar suatu benda tidak identik dengan

bentuk fisik nyatanya. Faktor-faktor tersebut merupakan efek degradasi atau

penurunan kualitas yang dapat berupa rentang kontras benda yang terlalu

sempit atau terlalu lebar, distorsi geometri (geometric distortion), kekaburan

(blur), kekaburan akibat obyek gambar yang bergerak (motion blur), noise atau

gangguan yang disebabkan oleh interferensi peralatan pembuat gambar.

Teknik dan proses untuk mengurangi atau menghilangkan efek degradasi

pada gambar digital meliputi perbaikan citra (image enhancement), restorasi

citra (image restoration), dan transformasi spasial (spatial transformation).

Subyek lain dari pengolahan gambar digital diantaranya adalah pengkodean

gambar (image coding), segmentasi gambar (image segmentation), representasi

dan deskripsi gambar (image representation and description).

Pengolahan citra digital memiliki banyak aplikasi seperti pada bidang

penginderaan jarak jauh, robotik, pemetaan, biomedis, dan sebagainya.

Perlengkapan pengolahan gambar digital minimal terdiri atas alat pemasukan

data gambar berupa digitizer atau scanner, komputer digital, alat penyimpanan

data dengan kapasitas yang besar.

4.2. Mode Warna

Gambar yang tidak berwarna atau hitam putih dikenal juga sebagai

gambar dengan derajat keabuan (gambar gray level). Derajat keabuan yang

dimiliki ini bisa beragam mulai dari 2 derajat keabuan (yaitu 0 dan 1) yang

dikenal juga sebagai gambar monochrome, 16 derajat keabuan dan 256 derajat

keabuan. Semakin besar jumlah derajat keabuan yang dimiliki maka semakin

halus citra tersebut.

Dalam sebuah gambar monochrome, sebuah piksel diwakili oleh 1 bit

data yang berisikan data tentang derajat keabuan yang dimiliki piksel tersebut.

Data akan berisi 1 bila piksel tersebut berwarna putih dan data akan berisi nilai

0 bila piksel tersebut berwarna hitam Untuk gambar berwarna, jumlah warna

bisa beragam mulai dari 16, 256, 65536 atau 16 juta warna, yang masing-

masing direpresentasikan oleh 4, 8, 16, atau 24 bit data untuk setiap pikselnya.

Warna yang ada terdiri dari 3 komponen utama yaitu nilai merah (red),

nilai hijau (green), dan nilai biru (blue). Paduan ketiga komponen utama

pembentuk warna ini dikenal sebagai RGB color. Representasi warna yang

banyak digunakan dalam gambar adalah RGB color space. Dari dua komponen

RGB color space hanya nilai chrominance sebuah citra berwarna yang diambil,

karena nilai luminance tidak penting dalam pemisahan skin region dan non skin

region (Henry&Ulises,2000)

RGB dalam citra berwarna tidak sesuai jika digunakan untuk melakukan

karakterisasi warna kulit. Dalam ruang RGB, terdapat tiga buah komponen

(merah-hijau-biru) yang tidak hanya menyajikan warna saja, tetapi juga

luminansi atau kecerahan. Luminansi antara wajah tiap orang berbeda-beda

karena perbedaan kondisi pencahayaan dan ini tidak sesuai jika digunakan

untuk memisahkan daerah kulit dari daerah yang bukan kulit. Luminansi dapat

dihilangkan dari tampilan warna di dalam ruang warna kromatik. Warna

kromatik dikenal juga dengan sebagai warna asli tanpa adanya luminansi, yang

dapat dilakukan dengan proses normalisasi berikut ini:

r = R/(R+G+B)

b = B/(R+G+B)

dengan

R=komponen warna merah dari citra berwarna

G = komponen warna hijau dari citra berwarna

B = komponen warna hijau dari citra berwarna

r = warna merah setelah normalisasi

b = warna biru setelah normalisasi

Adapun untuk warna hijau setelah normalisasi (g) merupakan redundan

karena proses normalisasinya adalah r+g+b=1.

Penyebaran warna kulit tersebut dapat ditampilkan dengan model

Gaussian, N(m,C), sebagai:

Rerata: m=E ( x ) dengan x=(r b )T

Kovarians: C=E {( x−m) ( x−m )T }Dengan menerapkan distribusi Gaussian pada model warna kulit, akan

diperoleh kemungkinan kulit untuk sembarang piksel dari suatu citra

Gambar 4. 1 RGB Color

4.3. Piksel

Piksel merupakan salah satu komponen dari citra yang menentukan

resolusi dari gambar tersebut, misal, sebuah gambar dikatakan resolusinya

sebesar 400 x 500 maka artinya yaitu panjang pikseel horizontalnya 400 dan

panjang piksel vertikalnya 500 dan jumlah total keseluruhan pixel dari gambar

tersebut yaitu 480000 atau dapat dikatakan bahwa dalam gambar tersebut

terdiri dari 20000 pixel.

Dalam pengolahannya, piksel memiliki hubungan antara yang satu

dengan yang lainnya. Sebuah piksel p pada koordinat (x,y) mempunyai

tetangga horisontal dan vertikal yang koordinatnya sebagai berikut :

N4(p): 4 tetangga dari p (x+1, y), (x-1, y), (x, y+1), (x, y-1)

x

x p x

x

Kumpulan dari piksel-piksel diatas yang disebut 4-neighbours of p dapat

dinyatakan sebagai N4(p), kecuali jika p(x,y) posisinya terletak pada garis batas

gambar, sehingga jumlah piksel tetangga tidak terdiri dari tetangga. Selain 4

tetangga diatas, p juga memiliki 4 tetangga diagonal, yaitu:

ND(p): 4 diagonal tetangga dari p (x+1, y+1), (x+1, y-1), (x-1, y+1), (x-1,

y-1)

x x

p

x x

Gabungan dari N4(p) dan ND(p) didefinisikan sebagai 8-neighbours of p

dan dinyatakan sebagai N8(p).

N8(p): 8 tetangga dari p

x x x

x p x

x x x

4.4. GrayScale

Variabel gambar gray scale adalah matrik yang dinyatakan:

A=[a ( i , j ) ]n× n

Untuk gambar yang berwarna, nilai A terdiri dari 3 matrik layer yaitu: 1

matrik untuk layer warna RED, 1 matrik untuk layer warna GREEN dan 1

matrik untuk layer warna BLUE.

4.5. Segmentasi

Tujuan dari sementasi gambar adalah untuk menentukan daerah atau

bagian yang merepresentasikan objek dengan kata lain memisahkan objek

dengan latar belakangnya. Tetapi ini salah satu kesulitan dalam pemrosesan

citra digital.

Algoritma segmentasi berdasarkan pada satu atau dua sifat nilai intensitas

yaitu diskontinu dan similaritas. Kategori pertama membagi sebuah gambar

berdasarkan perubahan yang tiba-tiba dari intensitas, misal tepi dari sebuah

gambar. Kategori kedua berdasarkan pembagian gambar kedalam daerah-

daerah yang mirip menurut kriteria yang sudah didefinisikan sebelumnya.

Pendekatan Histogram Thresholding berada pada kategori ini.

Dasar-dasar Thresholding:

Anggaplah histogram dari gambar grayscale f(x,y), tersusun atas

obyek gelap didalam latar belakang yang terang, dengan cara ini

piksel-piksel untuk objek dan latar belakangnya mempunyai

kelompok gray level yang dibagi dalam dua mode. Salah satu untuk

dilihat untuk mengekstraksi objek dari latar belakangnya adalah

memilih sebuah threshold 'T' yang akan memisahkan 2 mode ini.

Kemudian semua piksel (x,y) yang nilai f(x,y) > T disebut sebagai

piksel dari objek, selain itu, disebut sebagai piksel latar belakang.

Jika ada dua mode yang dominan dari karakteristik histogram,

disebut sebagai bimodal histogram. Hanya satu threhold sudah cukup

untuk membagi gambar.

Jika contoh gambar dibangun dengan dua tipe obyek obyek terang

pada latar belakang gelap, tiga atau lebih mode karakteristik

histogram yang dominan.

4.6. Deteksi Tepi (Edge Detection)

Deteksi tepi merupakan salah satu proses penting di dalam image

processing. Tepi suatu gambar dapat dijadikan salah satu ciri atau fitur yang

dapat digunakan dalam proses pengenalan (identifikasi dan recognition),

klasifikasi dan penjabaran informasi dari suatu gambar. Mengingat pentingnya

informasi tepi ini, diperlukan suatu proses deteksi tepi yang benar-benar handal

dalam menyajikan informasi tepi.

Permasalahan di dalam proses deteksi tepi adalah bagaimana

menghasilkan informasi tepi yang benar-benar tepi dan menghilangkan noise.

Proses deteksi tepi pada dasarnya adalah proses filter pada frekuensi tinggi

dimana pada frekuensi ini sukar dibedakan mana informasi tepi dan mana yang

noise.

Beberapa deteksi tepi yang mencoba mengurangi noise mempunyai efek

samping hilangnya beberapa informasi tepi, seperti pada Robert dan sobel.

Metode deteksi Prewitt menghasilkan banyak informasi tepi tetapi noise yang

dihasilkan juga banyak. Untuk itu muncul pemikiran bagaimana menghasilkan

matrik filter kernel deteksi tepi yang dapat mengurangi noise sebanyak-

banyaknya tanpa kehilangan informasi tepi.

Tepi suatu obyek gambar dinyatakan sebagai titik yang intensitasnya

berubah dengan jelas, dengan demikian proses deteksi tepi dilakukan dengan

memperhatikan perubahan nilai intensitas setiap titik dengan delapan titik

tetangganya. Sehingga matrik filter kernel yang dikembangkan merupakan

nilai differensial dari suatu titik dengan titik-titik tetangganya.

Perhitungan konvolusi antara matrik kernel H dan matrik gambar X,

hasilnya Y adalah informasi tepi.

4.6.1. Filter Kernel Prewitt Horisontal dan Vertikal

Deteksi Tepi Prewitt merupakan pengembangan dari deteksi tepi

Robert dengan memanfaatkan nilai tetangga dari dua arah yang berbeda.

Beberapa matrik kernel dari metode deteksi tepi Prewitt adalah sebagai

berikut

H=[1 0 −11 0 −11 0 −1]H=[ 1 1 1

0 0 0−1 −1 −1]

4.6.2. Filter Kernel Sobel Horisontal dan Vertikal

Deteksi Tepi Sobel merupakan pengembangan dari deteksi tepi

Prewitt dengan menambahkan unsur gaussian di dalam matrik filter kernel

yang menyatakan arah dari proses konvolusi.

H=[−1 −2 −10 0 01 2 1 ]H=[−1 0 1

−2 0 2−1 0 1]

4.6.3. Filtet Kernel Laplacian

H=[ 0 −1 0−1 4 −10 −1 0 ]atau H =[−1 −1 −1

−1 8 −1−1 −1 −1]

4.7. Content Based Image Retrieval System (CBIR)

Content Based Image Retrieval System (CBIR) merupakan suatu teknik

pencarian kembali gambar yang mempunyai kemiripan karakteristik atau

konten dari sebuah sekumpulan gambar. Proses secara umum dari CBIR adalah

gambar yang menjadi query dilakukan proses ekstraksi fitur, begitu halnya

dengan gambar yang ada pada sekumpulan gambar juga dilakukan proses

seperti pada gambar query. Parameter fitur gambar yang dapat digunakan

untuk retrieval pada system ini seperti histogram, susunan warna, teksture, dan

bentuk, tipe spesifik dari obyek, tipe event tertentu, nama individu, lokasi,

emosi.

Gambar query yang digunakan mempunyai beberapa level, yaitu:

Level 1: retrieval dengan primitive feature, seperti color, shape,

teksture,

Level 2: retrieval dengan logical feature, seperti tipe obyek, individu

obyek atau orang,

Level 3: retrieval dengan abstrak feature, seperti nama even, tipe

aktifitas, emotional, religious

Penelitian dan pembangunan dalam CBIR mencakup keseluruhan topik.

Beberapa pokok persoalan yang terjadi dalam pembangunan CBIR dapat

diuraikan sebagai berikut:

Pemahaman gambar yang dibutuhkan oleh user dan pencarian

informasi.

Pengidentifikasian cara yang sesuai dalam penggambaran content

atau karakteristik dari gambar.

Proses ekstraksi feature dari gambar. Ekstrasi feature merupakan

proses penting pada sistem CBIR. Karena hasil dari proses ini,

perbedaan pada setiap gambar dapat diketahui berdasarkan cirinya

seperti ciri bentuk, ciri warna, ciri tekstur dan lain – lain. Beberapa

teknik yang dapat digunakan untuk ekstrasi feature antara lain :

teknik analisis komponen utama, besaran statistik , histogram warna,

wavelet transform dan lain–lain.

Penyediaan tempat penyimpanan untuk sekumpulan gambar.

Proses matching antara gambar query dan gambar yang ada pada

sekumpulan gambar. Proses matching merupakan proses pencocokan

gambar untuk memperoleh gambar yang mempunyai kemiripan

dengan gambar query. Proses matching dilakukan dengan

menghitung jarak antara dua gambar yaitu gambar query dan gambar

target pada sekumpulan gambar. Parameter yang digunakan dalam

perhitungan jarak berdasarkan pada hasil ekstrasi ciri.

Penyediaan human interface dari CBIR system.

4.8. Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan (artificial neural networks) atau disingkat JST

adalah system komputasi dimana arsitektur dan operasi diilhami dari

pengetahuan tentang sel syaraf biologi di dalam otak. JST dapat digambarkan

sebagai model matematis dan komputasi untuk fungsi aproksimasi nonlinear,

klasifikasi data, cluster, dan regresi non parametric atau sebagai sebuah

simulasi dari koleksi model syaraf biologi. (Kristanto, 2004)

Model syaraf ditunjukkan dengan kemampuannya dalam emulasi,

analisa, prediksi, dan asosiasi. Berdasarkan kemampuan yang dimiliki, JST

dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari

beberapa contoh, untuk menghasilkan output yang sempurna dari contoh atau

input yang dimasukkan dan membuat prediksi tentang kemungkinan output

yang akan muncul atau menyimpan karakteristik dari input yang disimpan

kepadanya. (Kristanto, 2004)

Jaringan syaraf dapat digolongkan menjadi berbagai jenis berdasarkan

pada arsitekturnya, yaitu pola hubungan antara neuron-neuron, dan algoritma

trainingnya, yaitu cara penentuan nilai bobot pada penghubung:

4.8.1. Multi-Layer Perceptron

Multi-Layer Perceptron adalah jaringan syaraf tiruan feed-

forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-

bobot penghubung. Neuron-neuron tersebut disusun dalam lapisan-lapisan

yang terdiri dari satu lapisan input (input layer), satu atau lebih

lapisan tersembunyi (hidden layer), dan satu lapisan output (output

layer). Lapisan input menerima sinyal dari luar, kemudian

melewatkannya ke lapisan tersembunyi pertama, yang akan diteruskan

sehingga akhirnya mencapai lapisan output [Riedmiller, 1994].

Setiap neuron i di dalam jaringan adalah sebuah unit pemrosesan

sederhana yang menghitung nilai aktivasinya yaitu si terhadap input

eksitasi yang juga disebut net input neti.

net i= ∑j∈ pred (i )

s jw ij−θi

Dimana pred(i) melambangkan himpunan predesor dari unit i, wij

melambangkan bobot koneksi dari unit j ke unit i, dan θi adalah nilai bias

dari unit i. Untuk membuat representasi menjadi lebih mudah, seringkali

bias digantikan dengan suatu bobot yang terhubung dengan unit bernilai 1.

Dengan demikian bias dapat diperlakukan secara sama dengan bobot

koneksi.

4.8.2. Supervised Learning

Tujuan pada pembelajaran supervised learning adalah untuk

menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan

dapat melakukan pemetaan (mapping) dari input ke output sesuai dengan

yang diinginkan. Pemetaan ini ditentukan melalui satu set pola contoh atau

data pelatihan (training data set).

Setiap pasangan pola p terdiri dari vektor input xp dan vektor target

tp. Setelah selesai pelatihan, jika diberikan masukan xp seharusnya jaringan

menghasilkan nilai ouput tp. Besarnya perbedaan antara nilai vector target

dengan output actual diukur nilai error yang disebut juga dengan cost

function:

E=12 ∑

p∈ P∑

n( t n

p−snp )2

Dimana n adalah banyaknya unit pada ouptput layer. Tujuan dari

pelatihan ini pada dasarnya sama dengan mencari suatu nilai minimum

global dari E.

4.8.3. Algoritma Back Propagation

Salah satu algoritma pelatihan jaringan syaraf tiruan yang banyak

dimanfaatkan dalam bidang pengenalan pola adalah backpropagation.

Algoritma ini umumnya digunakan pada jaringan syaraf tiruan yang

berjenis multi-layer feed-forward, yang tersusun dari beberapa lapisan

dan sinyal dialirkan secara searah dari input menuju output.

Algoritma pelatihan backpropagation pada dasarnya terdiri dari

tiga tahapan [Fausett, 1994], yaitu:

a) Input nilai data pelatihan sehingga diperoleh nilai output

b) Propagasi balik dari nilai error yang diperoleh

c) Penyesuaian bobot koneksi untuk meminimalkan nilai error.

Ketiga tahapan tersebut diulangi terus-menerus sampai

mendapatkan nilai error yang diinginkan. Setelah training selesai

dilakukan, hanya tahap pertama yang diperlukan untuk memanfaatkan

jaringan syaraf tiruan tersebut.

4.8.4. Algoritma QuickProp

Pada algoritma Quickprop dilakukan pendekatan dengan asumsi

bahwa kurva fungsi error terhadap masing-masing bobot penghubung

berbentuk parabola yang terbuka ke atas, dan gradien dari kurva error

untuk suatu bobot tidak terpengaruh oleh bobot-bobot yang lain [Fahlman,

1988]. Dengan demikian perhitungan perubahan bobot hanya

menggunakan informasi lokal pada masing-masing bobot. Perubahan

bobot pada algoritma Quickprop dirumuskan sebagai berikut:

∆ w ( t )=−ε∂ E∂ w

(t )+

∂ E∂ w

(t )

∂ E∂ w

( t−1 )−∂ E∂ w

(t )× ∆ w ( t−1 )

Dimana:

∆ w ( t )=perubahan bobot

∆ w ( t−1 )=perubahanbobot pada epoch sebelumnyaε=learningrate

∂ E∂ w

( t )=derivatif error∂ E∂ w

( t−1 )=derivatif error pada epoch sebelumnya

4.9. Android

Android adalah sebuah system operasi untuk perangkat mobile berbasis

linux yang mencakup system operasi, middleware, dan aplikasi. Android

menyediakan platform yang terbuka bagi para pengembang untuk menciptakan

aplikasi mereka.

Android dipuji sebagai “platform mobile” pertama yang Lengkap,

Terbuka, dan Bebas:

Lengkap (Complete Paltform): Para desainer dapat melakukan

pendekatan yang komprhensif ketika mereka sedang

mengembangkan platform Android. Android merupakan system

operasi yang aman dan banyak menyediakan tools dalam

membangun software dan memungkinkan untuk peluang

pengembangan aplikasi.

Terbuka (Open Source Platform): Platform Android disediakan

melalui lisensi open source. Pengembang dapat dengan bebas

untuk mengembangkan aplikasi. Android sendiri menggunakan

Linux Kernel 2.6.

Bebas (Free Platform): Android adalah platform/aplikasi yang

bebas untuk dikembangkan. Tidak ada lisensi atau biaya royalty

untuk dikembangkan pada platform Android. Android dapat

didistribusikan dan diperdagangkan dalam bentuk apapun.

Arsitektur Android

Secara garis besar Arsitektur Android dapat dijelaskan dan digambarkan

sebagai berikut:

Gambar 4. 2 Arsitektur Android

a) Applications and Widgets

Applications and Widgets ini adalah layer di mana kita berhungan

dengan aplikasi saja, di mana biasanya kita download aplikasi

kemudian kita lakukan instalasi dan jalankan aplikasi tersebut.

b) Application Framework

Application Framework ini adalah layer di mana para pembuat

aplikasi melakukan pengembangan/pembuatan aplikasi yang akan

dijalankan di system operasi Android, karena pada layer inilah

aplikasi dapat dirancang dan dibuat.

c) Libraries

Libraries ini adalah layar dimana feature-feature android berada,

biasanya para pembuat aplikasi kebanyakan mengakses libraries

untuk menjalankan aplikasinya. Layer ini berjalan diatas kernel dan

meliputi berbagai library C/C++ inti seperti Libc dan SSL, serta:

libraries media untuk pemutaran media audio dan video

libraries untuk manajemen tampilan

libraries Graphics mencakup SGL dan OpenGL untuk grafis

2D dan 3D

libraries SQLite untuk dukungan database.

libraries SSL dan WebKit terintegrasi dengan web browser

dan security

d) Android Runtime

Layer yang membuat aplikasi Android ketika dijalankan dimana

dalam prosesnya menggunakan Implementasi Linux. Dalvik

Virtual Machine (DVM) merupakan mesin yang membentuk dasar

kerangka aplikasi Android. Didalam Android Run Time dibagi

menjadi dua bagian yaitu:

Core Libraries : Android aplikasi dibangun dalam bahasa

java, sementara Dalvik sebagai virtual mesinya bukan

Virtual Machine Java, sehingga diperlukan sebuah libraries

yang berfungsi untuk menterjemahkan bahasa java/c yang

dihandle oleh core libraries.

Dalvik Virtual Machine : Virtual mesin yang berbasis

register yang dioptimalkan untuk menjalankan fungsi-

fungsi secara efisien, dimana merupakan pengembangan

yang mampu membuat linux kernel untuk thereading dan

manajemen tingkat rendah.

e) Linux Kernel

Linux kernel adalah layer dimana inti dari operating sistem dari

Android itu sendiri, umumnya berisi file-file system yang mengatur

sistem processing, memory, resource, drivers, dan sistem-sistem

operating sistem android lainnya.

5. Metode Penelitian

Metodologi penelitian yang dilakukan dalam penelitian ini adalah studi

kasus dengan menggunakan dataset untuk penerapan system pengenalan wajah

pada spesies primata. Adapun langkah-langkah yang ditempuh sebagai berikut:

Gambar 4. 3 Langkah-langkah Penelitian

A. Pengumpulan Data

Tahap pengumpulan data dilakukan dengan studi literatur. Studi literatur

dilakukan untuk mempelajari masalah tentang aplikasi pengenalan wajah

menggunakan pengolahan citra digital, dan ciri-ciri khusus dari setiap spesies

primata di Indonesia dari buku, jurnal penelitian, dan literature lain yang

berkaitan.

B. Analisis dan Perancangan Sistem

Tahap analisis dan perancangan system dilakukan sebagai berikut:

Studi literatur

P e n g u m p u l a n d a t a

Analisis masalahAnalisis dataMembuat pemodelan sistem dan perancangan database

A n a l i s i s d a n P e r a n c a n g a n S i s t e m

Pembuatan databaseMembuat pemodelan fungsi kedalam code

I m p l e m e n t a s i S i s t e m

Menguji fungsionalitas sistem

P e n g u j i a n

Menulis laporan, mulai dari pendahuluan, pembahasan, dan penarikan kesimpulan

P e n u l i s a n L a p o r a n P e n e l i t i a n

1. Menganalisis masalah, permasalahan yang dibahas

dalam penelitian ini adalah system pengenalan wajah pada

spesies primate dengan menggunakan jaringan syaraf tiruan.

2. Menganalisis data, data yang digunakan sebagai data

training yang akan digunakan sebagai rule atau aturan

dalam pengambilan keputusan berdasarkan pada teori

pengolahan citra segmentasi dan deteksi tepi.

3. Mencari solusi dari permasalahan dengan menerapkan

metode pada jaringan syaraf tiruan dari data yang

diinputkan dengan probabilitas yang dihasilkan dari data

training yang diberikan.

Gambar 4. 4 Flow Chart Perancangan Sistem

4. Membuat pemodelan sistem dan merancang database

sistem.

C. Implementasi Sistem

Implementasi sistem dilakukan dengan membuat database

yang dibuat pada tahap analisis dan perancangan sistem dengan

menggunakan SQLite untuk menyimpan data yang akan

digunakan pada sistem. Setelah itu, dilakukan penulisan kode

program dengan menggunakan bahasa pemrograman Java dan

XML pada android sehingga menghasilkan prototype sistem.

D. Pengujian

Pada tahap pengujian sistem, dilakukan pengujian terhadap

sistem dengan tujuan memastikan fungsionalitas sistem dapat

berjalan dengan baik. Kemungkinan pengujian akan dilakukan

pada Kebun Binatang terdekat yang mempunyai koleksi spesies

primate Indonesia.

E. Penulisan Laporan Penelitian

Output Ranked Images

Details of Primate Species in the image

Penulisan laporan penelitian merupakan tahap akhir proses penelitian.

Laporan penelitian ditulis berdasarkan hasil implementasi penelitian yang telah

dilakukan. Laporan penelitian mencakup beberapa bagian, yaitu: pendahuluan,

tinjauan pustaka, analisis dan perancangan, hasil dan pembahasan serta

kesimpulan dan saran.

6. Jadwal Penelitian

Aktivitas

Waktu

Juni JuliAgust

us

Septe

mber

Oktob

er

Nove

mber

Mingg

u ke-

Mingg

u ke-

Mingg

u ke-

Mingg

u ke-

Mingg

u ke-

Mingg

u ke-

1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

Penyusunan

Proposal

Bimbingan/

konsultasi

Seminar Proposal

Analisis dan

Perancangan

Implementasi

Seminar Hasil

Penyusunan

Dokumentasi

Sidang TA

7. Daftar Pustaka

Bagus, B. (2007). Image Database Menggunakan Sistem Content Based Image Retrieval Dengan Ekstraksi Fitur Tersruktur. Surabaya: Politeknik Elektronika Negeri Surabaya.

H, N. S. (2011). Pemrograman Aplikasi Mobile Smartphone dan Tablet PC Berbasis Android. Bandung: INFORMATIKA.

Huang, G. B., Mattar, M., Berg, T., & Miller, E. L. (2008). Labeled Faces in the Wild: A Database for Studying Face Recognition in Unconstrained Environments. Dans Workshop on Faces in 'Real-Life' Images: Detection, Alignment, and Recognition .

Humaira. (2009). Deteksi Wajah Manusia Pada Citra Berwarna Menggunakan Fuzzy. POLI REKAYASA Volume 5, Nomer 1 .

Kristanto, A. (2004). Jaringan Syaraf Tiruan (Konsep Dasar, Algoritma, dan Aplikasi). Klaten: Gava Media.

Nugroho, F. H. (2005). Pengenalan Wajah Dengan Jaringan Syaraf Tiruan Back Propagation. Seminar Nasional Aplikasi Teknologi Informasi .

Nugroho, S., & Harjoko, A. (2005). Penerapan Jaringan Syaraf Tiruan Untuk Mendeteksi Posisi Wajah Manusia Pada Citra Digital. Seminar Nasional Aplikasi Teknologi Informasi .

Tollmar, K., Moller, T., & Nilsved, B. (2008). A Picture is Worth a Thousand Keywords: Exploring Mobile Image-Based Web Searching. Advances in Human Computer Interaction .