pengenalan pola warna image dengan jaringan

Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2013) ISBN 978-602-19837-2-0

Artificial Intellegence 3-45

Pengenalan Pola Warna Image dengan JaringanSyaraf Tiruan pada MATLAB

John AdlerTeknik Komputer, Universitas Komputer Indonesia (UNIKOM)

AbstrakJaringan Syaraf Tiruan (JST) dalam puluhan tahunterakhir mengalami perkembangan yang pesat danmenjanjikan dalam pemecahan masalah yangbersifat sangat kompleks. Sehingga permasalahandalam semua bidang keilmuan dapat diselesaikandengan sangat baik dan memuaskan. Salah satunyabidang ilmu geofisika. Dimana seismik yangmerupakan sub ilmu dari geofisika adalah salahsatu cabang ilmu dalam eksplorasi pertambangandan perminyakan. Dalam industry oil dan gas,dibutuhkan karakterisasi batuan sebelum melakukaneksplorasi dan eksploitasi. Batuan gamping, salahsatu batuan sedimen yang penting untuk ditelitikarena selain banyak ditemui di Indonesia, jugasifat kompleksnya yang sangat tinggi hanya bisadiselesaikan dengan bantuan komputerberkecepatan tinggi. JST sebagai studi awal dalamkarakterisasi ini dibutuhkan sebagai inputan petakecepatan gelombang elastik pada thin slice batuankarbonat. Thin slice (sayatan tipis)menghasilkansuatu image (*.jpg) dengan variasi warna yangbeagam. Untuk itu dirancanglah JST menggunakanbanyak lapisan, fungsi sigmoid biner dilatih denganBackpropagation, pembelajaran terawasi(supervised learning) dimana output dalampengenalan warna berupa matriks dari softwareMATLAB bernilai 1(warna biru, pori-pori batuantempat tersimpannya hidrokarbon berupa oil dangas), 2 (merah, mineral dolomite) dan 3 (putih,mineral calcite). Hasil terbaik setelah pelatihan 40xadalah pelatihan yang ke-2 karena menghasilkannilai regresi yang mendekati sempurna, berturut-turut untuk training, validasi, uji, dan keseluruhanadalah 0,97836;0,97219; 0,97709; dan 0,97689.Progress performance belajar pada epoch ke-25bernilai 0,578, waktu pelatihan 7 menit, nilaigradien=0,0054199; dan nilai Mu=0,1. Jadivariabel-variabel dari hasil pelatihan ke-2 dapatdigunakan sebagai studi lanjut berikutnya.

1. PendahuluanPerkembangan penelitian Jaringan Syaraf Tiruan,JST (Artificial Neural Network, ANN), telah dimulaipada tahun 1940-an. Setelah itu penelitian JaringanSyaraf Tiruan berkembang sangat pesat dan

merambah ke semua bidang kelimuan. Salah satunyailmu kebumian (geofisika). Dalam ilmu geofisika,Jaringan Syaraf Tiruan ini sangat diperlukan sebagaidasar eksplorasi pencarian sumber minyak baru,dengan meneliti karakteristik sebuah batuangamping dimana hidrokarbon berupa oil dan gastersimpan di dalam pori-pori batuan tersebut [2].

Batuan jenis ini banyak sekali ditemukan diIndonesia. Di daerah Padalarang, bahkan menjadilaboratorium dunia bagi peneliti-peneliti asingkarena keanekaragaman bentuk batuan di seluruhdunia ada di sini. Batuan jenis ini menjadi sangatpenting karena lebih dari 50% reservoar minyak dangas adalah reservoar gamping dan juga memilikipori-pori yang lebih banyak daripada batuan igneousdan metamorphic, terlebih lagi pori-pori tersebutterbentuk pada kondisi suhu dimana hidrokabonterpelihara di dalamnya. Itulah mengapa reservoargamping berperan penting dalam produksi gas danminyak.

Secara umum, penelitian mengenai batuankarbonat dapat dibagi menjadi beberapa aspek yaitudeskripsi core teriris, petrografi thin slices,mineralogy, core plugs, analisis core khusus, analisisgeomekanis, seismic atau logs. Petrografi thin slices,salah satu ilmu geologi memiliki peranan yangsangat penting dalam mengkaji suatu batuan.Melalui petrografi dapat diketahui jenis, bentuk,tekstur dan komposisi suatu batuan. Secarakuantitatif melalui cathodiluminescene, SEM, Epi-fluorescene, XRD, Fluid inclusion geothermometry,dan electron microprobe analysis dan secarakualitatif dilakukan melalui pewarnaan (staining)karena merupakan teknik yang paling mudah dansedehana. Dimana mineral dolomite jika diberipewarnaan dengan zat pewarna Alizarin Red Sberubah menjadi merah dan mineral calcite tetap.Sedangkan jika diberi zat pewarna Blue-dye,menghasilkan warna biru yang merupakan pori-poribatuan [4].

Tiga mineral penyusunnya adalah calcite(CaCO3), dolomite Ca.Mg(CO3)2, dan aragonite(CaCO3). Calcite dan dolomite memiliki strukturKristal rhomobohedral sedangkan aragonitememiliki struktur kistal yang berbeda, yaituorthorombic.


Artificial Intellegence3-46

Tabel 1. Teknik pewarnaan mineral karbonatSumber : [4])

Untuk mengkarakterisasi reservoar inidigunakan metoda thin slices (sayatan tipis) berupasampel preparat yang akan diamati denganmikroskop electron. Hasilnya berupa image (ukuran1000 meter). Komponen penting dari suatu batuanselain dua mineral yang dominan adalah pori-poribatuan, yang setelah ditaburi zat blue-dye berubahjadi warna biru. Untuk itu dalam makalah ini akandirancang suatu jaringan syaraf tiruan untukmengenali tiga warna yaitu merah, putih dan biru.

2. Jaringan Syaraf TiruanBackpropagation dan Digital ImageProcessing

Jaringan Syaraf Tiruan merupakan cabang dariArtificial Intelligence yang bertujuan untukmembuat unit pemroses atau mesin yangmengadaptasi kemampuan manusia melaluiduplikasi sistem syaraf pada manusia. Duplikasidisini digunakan karena mesin berupa komputermampu menyelesaikan sejumlah perhitungan selamaproses pembelajaran. Aplikasi ini sangat luasdiantaranya adalah pengenalan pola, pemrosesansinyal, dan bahkan peramalan. Penelitian dalambidang ini mulai berkembang pada tahun 1940-an,kemudian tahun 1974 algoritma backpropagationuntuk melatih perceptron dengan banyak lapisanmulai diperkenalkan oleh Werbos. Kemudianberkembang pesat dengan teknologi komputer yangsemakin mutakhir [5].

Image atau citra merupakan representasiintensitas yang berasal dari sumber cahaya dalamdua dimensi, dan juga fungsi dari energi gelombangcahaya. Berikut skala keabuan dimodelkan sebagaiperkalian fungsi iluminasi sumber cahaya i (x, y)dan fungsi jumlah cahaya yang terpantul r(x, y):

f (x, y) = i(x, y). r(x, y)dimana nilai i dari 0 sampai tak berhingga, dan nilair dari nol sampai satu. Elemen-elemen dasar imagediantaranya: kekontrasan dan kecerahan, akuitas,kontur, warna, bentuk, tekstur, waktu danpergerakan, dan deteksi serta pengenalan.

Untuk merepresentasikan suatu citra sebagaiimage digital, maka citra tersebut harus digitalisasiterhadap ruang (kordinat (x, y)) maupun terhadapskala keabuannya f(x, y). Jadi image digitaldirepresentasikan dalam bentuk matriks N N,dengan nilai setiap elemen menyatakan derajatkeabuan image, sedangkan posisi elemen (dalambaris dan kolom) menyatakan koordinat titik (x, y)dari image.

Image RGB mengandung informasi warnadasar yaitu Red, Green, dan Blue. Warna suatuimage merupakan kombinasi dari tiga wana tersebutdalam berbagai persentase tertentu. Image RGBdisimpan dalam bentuk array tiga dimensi dengantiap elemen masing masing menunjukkan nilaikomponen merah, hijau, dan biru. Setiap pikselimage dalam lokasi (x,y) tertentu memiliki arraydengan nilai yang sesuai dengan warna pada posisitersebut. Misalkan pixel pada koordinat ruang (x, y)= (2, 5) memiliki nilai RGB [35, 150, 12], artinyapada lokasi tersebut nilai komponen Red[2][5] = 35,Green [2][5] = 150, dan Blue [2][5] = 12. Terdapatbanyak operasi pada suatu image (operasi dasarnyamatriks). Misalnya: rotasi, interpolasi, resize, filter,cropping, dan sebagainya. Cropping misalnya,merupakan proses mengekstraksi elemen matriks didalam poligon yang dipilih pada image. Informasidalam poligon cropping merupakan informasi yangsama dengan matriks image awal [6].

Terdapat tiga bagian pokok dalam JaringanSyaraf Tiruan, yaitu1. Arsitektur jaringan, menggunakan jaringan layar

banyak (multi layer network) merupakanperluasan dari jaringan layar tunggal. Dalamjaringan ini terdapat layar tersembunyi (hiddenlayer) selain input dan output. Dengan adanyalapisan tersembunyi akan membuat jaringanlebih kompleks, maka jaringan ini dapatmenyelesaikan masalah yang lebih kompleks.Namun, semakin kompleks jaringannya, semakinlama waktu trainingnya.

Gambar 1. Jaringan Layar Jamak dengan l lapisan(Sumber: Krose & Smagt, 1996)



2. Metode pelatihan (training) dengan dibimbing(supervisioned), jika output yang diharapkantelah diketahui sebelumnya. Bobot akandimodifikasi berdasarkan error, yaitu selisihantara output jaringan dengan output target. Saaterror yang dicapai konvergen menuju nol, makadikatakan bahwa bobot jaringan telah sesuai.Algoritma yang dipilih adalah backpropagationkarena memiliki keunggulan dalam hal akurasitraining, kemudahan komputasi, serta efisiensiwaktu komputasi. Tujuan utama dari trainingbackpropagation adalah meminimalkan nilaierror hingga mencapai konvergensi pada suatunilai paling kecil. Aproksimasinya menggunakanmetode Levenberg-Marquadt yang merupakanpenyederhanaan metode Newton dengan matriksJacobian, yaitu turunan pertama.

3. Fungsi aktivasi yang digunakan adalah fungsiSigmoid biner, dimana fungsi ini digunakanuntuk jaringan syaraf yang dilatih denganmenggunakan metoda backpropagation.

( ) ( )1( ) 1

i i

x

f network f x wf x e

Ilustrasi perubahan gradien jaringan terhadapbobot disajikan sebagai berikut

Gambar 2. Perubahan error terhadap bobotPada gambar di atas tampak nilai error yang

fluktuatif dengan beberapa nilai maksimum danminimum. Pada maksimum dan minimum fungsi initerdapat kemungkinan dicapainya gradien terkecil

0Ew . Namun hal ini tergantung pada toleransierror terkecil yang diterapkan (MSE). Meskipungradient mencapai nol pada maksimum atauminimum, namun jika parameter ini belum dicapaimaka nilai minimum global yang optimal belumtercapai.

Gambar 3. Jaringan MLP untuk Backpropagation

Pada gambar di atas, terdapat dua pasang datatraining yaitu (x1, y1), dan (x2, y2). Data pelatihan iniakan dipetakan menjadi 0( )y x . Jaringan padagambar di atas memiliki 2 input x1 dan x2 sertamemiliki 6 neuron f1, f2, f3, ..., f6. neuron-neuron initersusun dalam tiga lapis, yaitu 2 lapis tersembunyi(hidden layer), dan 1 lapis keluaran (output).Jaringan di atas bekerja dengan proses yangdiuraikan sebagai berikut :1. Output y diperoleh dengan pertama kali

membobotkan nilai input x1 dan x2 secara acakdan menghasilkan fungsi jaringan. Dengan nilaibobot yang acak ini maka setiap neuron padasetiap lapis akan menghasilkan fungsi jaringandan fungsi aktivasi, oleh karenanya akan terdapatenam buah ui dan enam f(ui), di mana i = 1, 2, ...,6.

2. Output y = f(u6) yang dihasilkan jaringan akandiselisihkan dengan target yang diinginkan. Jikaselisih antara output dan target ini masih cukupbesar maka jaringan akan mempropagasikanselisih (error) ini ke setiap neuron, dalam arahberlawanan, yaitu melalui neuron 6, 5, ..., 1.Error ini akan diproses layaknya input danmenjadi parameter untuk mengoreksi bobotneuron. Parameter koreksi ini merupakan turunanfungsi error terhadap bobot yang disebut sebagaigradien. Pada intinya jaringan akan terusmerambatkan error ini hingga ditemukan bobotpaling tepat, yaitu bobot yang menghasilkanoutput yang sesuai dengan target. Ini dicapaiketika gradient menunjukkan penurunan danmenunjukkan konvergensi. Jika hal ini tercapaimaka jaringan dikatakan telah belajar denganbaik. Namun sebaliknya, apabila gradien malahsemakin membesar atau menunjukkan divergensimaka jaringan tidak belajar dengan baik. Erroryang ideal adalah nol. Namun untuk mencapainol seringkali membutuhkan waktu komputasiyang lama. Untuk itu, nilai error terkecil yangbukan nol dapat didefinisikan terlebih dahulu.Jaringan dapat digunakan untuk menguji datayang lain apabila konvergensi tercapai. Jaringanini akan dilatih hingga mencapai' 0 '( ) 0y x . Fungsi error yang digunakan

adalah

dengan;M : jumlah dataom : output ke-mym : target ke-m yang diinginkanVektor input dinyatakan sebagai xp = ( xp1, xp2, ..., xp2)t



3. Metode PenelitianData yang digunakan adalah image RGB (matriks 2-dimensi dan tiga lapis) dari thin slice karbonat yangtelah distain menggunakan zat alizarin red-s danbluedye sehingga mineral calcite dan dolomite sertaporipori batuan tampak dalam warna yang berbeda.Output berupa matriks 2-dimensi dengan nilai targetyang diberikan.

Gambar 4. Diagram alir penelitianKeterangan gambar di atas.(1) Sampel batuan diambil di daerah Padalarang,

Kabupaten Bandung.(2) Bongkahan batuan dipotong kecil ukuran 60

cm x 3 cm x 3 mm.(3) Tempel permukaan sampel yang telah halus

pada kaca preparat ukuran 2,5 cm x 7,5 cmdengan epoksi dan sudah mengalamipemisahan mineral secara visual (staining)menggunakan larutan Alizarin red-s dan blue-dye.

(4) Pilih image yang ada unsur tiga warna untukdilatih dan dikenali dengan bantuan mikroskop.

(5) Karena dalam image hasil foto dari thin sliceberformat (*.jpg) ada warna putih untuk skaladalam mikrometer, maka image harusdieditterlebih dahulu dengan mspaint denganmelakukan proses crop (pemotongan).Tujuannya agar warna putih pada skala gambartidak diidentifikasi sebagai mineral batuan.Juga karena ukuran image terlalu besar1536x2048 piksel serta kapasitas file yangterlalu besar 400 Kb sampai dengan 1071 Kb,tidak dapat diproses oleh software MATLAB

7.11 (2010b), maka image dikompress 50%sehingga berukuran maksimal yang bisadikenali MATLAB (326x512 piksel, 326 barisdan 512 kolom dan kapasitas file menjadi 40Kb sampai 89 Kb). Sumbu horizontal memilikipanjang 4 mm. Skala pada image adalah 1:7,6m (1 piksel image merepresentasikan panjang7,6 mikrometer).

(6) Pada Thin slices di atas terdapat beberapawarna dominan, yaitu merah, putih, biru, danhitam. Warna merah diketahui disusun olehmineral dolomite, warna putih disusun olehmineral calcite, warna biru merupakan pori,sedangkan warna hitam merupakanhidrokarbon yang terdapat di dalam pori danbercampur dengan air pengisi pori. Prosespelatihan dilakukan dengan melakukancropping pada masing-masing area. Pola imageyang di crop oleh jaringan dijadikan sebagaiinput pelatihan. Poligon menunjukkancropping pada area yang merepresentasikanbagian image yang merupakan mineraldolomite, mineral calcite, ataupun Pori.Masing-masing di crop sebanyak 5 kali.

Gambar 5. Matriks nilai 1 untuk pori-pori batuan, nilai 2 untukmineral dolomite (warna merah), nilai 3 untuk mineral calcite

(warna putih)

Gambar 6. Hasil plotting mesh dengan skala 1-3 pada MATLAB



Gambar 7. Pemisahan warna yang dominan

4. Hasil Pengujian JaringanJaringan yang telah dibangun memiliki parameterseperti gambar di bawah ini:(a) Progress dengan jumlah epoch = 25; jumlah

hidden layer = 6; waktu pelatihan selama 7menit; performance 0,578; Gradient = 10-10;nilai Mu = 10+10;

(b) Plot performansi belajar jaringan terjadi padaepoch ke-25 (train garis warna biru, validasiwarna hijau, uji warna merah, dan yang terbaikdiwakili garis putus-putus).

(c) Nilai gradient = 0,0054199; nilai Mu = 0,1;nilai cek tingkat kevalidannya = nol terjadipada epoch = 25.

(d) Nilai regresi berturut-turut untuk training,validasi, uji, dan keseluruhan adalah 0,97836;0,97219; 0,97709; serta 0,97689. (Range nilaidari 0 sampai 1. Nilai 1 adalah nilai terbaikdalam pelatihan)Hasil pelatihan seperti gambar berikut

Gambar 8. (a) Jaringan neural (b) Grafik penurunan Mean SquareError (MSE) sampai epoch ke-25 (c) Grafik penurunan gradien,mu dan validasi (d) Grafik Regresi Training, Test, dan Validasi

Jaringan dilatih untuk mengenali bahwawarna biru dan hitam merupakan pori dan bernilai 1,warna merah merupakan dolomite dan bernilai 2,serta warna putih merupakan calcite dan bernilai 3.Tampak dari hasil pengujian bahwa jaringan sudahbelajar dengan baik. Hal ini terlihat bahwa jaringanmemberikan nilai sesuai dengan rentang target yangdiberikan, nilai minimum adalah 1 dan maksimum 3.Jaringan tidak mengidentifikasi nilai di luar rentangtersebut. Secara umum jaringan sudah dapat denganbaik mengenali bagian dolomite, calcite, ataupunpori.Tabel 2. Pengambilan data dilakukan sebanyak 40x

untuk dilihat hasil pelatihan dengan nilai yangtertinggi dan mendekati angka satu.



5. Kesimpulana. Telah berhasil dibuat jaringan syaraf tiruan

backpropagation dengan metode belajarlavenbergmarquadt yang mampu mengenalimineral dolomite, mineral calcite, dan pori padabatuan karbonat berdasarkan warna. Jaringanyang dibuat dapat belajar dengan baik denganmenunjukkan konvergensi pada epoch ke-25.Output pengujian jaringan berupa matrik326x512 dengan nilai 1 untuk pori, 2 untukdolomite, dan 3 untuk calcite.

b. Jaringan syaraf tiruan menggunakan 6 neurondalam tiga lapis yaitu dua lapis tersembunyi, dansatu lapisan keluaran.

c. Diperoleh nilai terbaik dari regresi linier yangmendekati nilai satu pada pelatihan ke-2 yaituuntuk semua nilai paling tinggi diantara 40xpelatihan dari 4 aspek penilaian yaitu training(0,97836), validasi (0,97219), uji (0,97709), dankeseluruhan (0,97689).

d. Progress performance belajar pada epoch ke-25bernilai 0,578, waktu pelatihan 7 menit, nilaigradien=0,0054199; dan nilai Mu=0,1.

Daaftar Pustaka[1] Ardjmandpour, N., Pain, C., Singer, J., Saunders, J.,

Aristodemou, E., Carter, J., Artificial neuralnetwork forward modeling and inversion ofelectrokinetic logging data, Geophysicalprospecting, 2011, 59, 721-748.

[2] Baan M. V. d., Jutten, C., Neural network ingeophysical applications, Geophysics, 2000, 65,1032-1047.

[3] Dhaneswara, G., Moertini, V. S., Jaringan SyarafTiruan Propagasi Balik untuk klasifikasi data,Integral, November 2003, No. 3, Volume 9.

[4] Scholle, A. P., Ulmer-scholle, D. S., a Colourguide to the petrography of carbonate rocks : grain,texture, porosity, diagenesis, American Associationof Petroleum Geologist, Tulsa-Oklahoma, 2003.

[5] Siang, J. J., Jaringan syaraf tiruan danpemrogramannya menggunakan Matlab, PenerbitAndi, Yogyakarta, 2005.

[6] Wijaya, M. C., dan Prijono, A., Pengolahan citradigital menggunakan Matlab image processingtoolbox, Penerbit Informatika, Bandung, 2007.

nomor 8.pdfnomor 8.pdf

pengenalan pola warna image dengan jaringan

Documents