Segmentasi Gambar Berwarna menggunakan Kohonen Self-Organizing Map (SOM)
PROPOSAL SKRIPSI
untuk memenuhi persyaratan melakukan penelitian dalam rangka penyusunan skripsi
Oleh Alfianah NIM J1A113005
Dosen Pembimbing 1 : Oni Soesanto, S.Si, M.Si Dosen Pembimbing 2 : jjjjjjjjjjjjjjjjjjjjjjjjjj : jjjjjjjjjjjjjjjjjjjjjjjjjjjjjjj jjjjj
PROGRAM STUDI MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS LAMBUNG MANGKURAT BANJARBARU SEPTEMBER 2017
BAB I PENDAHULUAN 1.1 Latar Belakang
Dalam visi komputer, Segmentasi adalah proses mempartisi citra digital menjadi beberapa segmen (set piksel, juga dikenal sebagai superpixels). Tujuan dari segmentasi adalah untuk menyederhanakan atau mengubah penyajian gambar ke sesuatu untuk menganalisis.
Gambar
yang lebih bermakna dan lebih mudah segmentasi
biasanya
digunakan
untuk menemukan obyek dan batas-batas (garis, kurva, dll) dalam gambar. Lebih tepatnya, segmentasi citra adalah proses untuk menempatkan label untuk setiap pixel dalam sebuah gambar sehingga piksel dengan pangsa label yang sama karakteristik visual tertentu. Banyak teknik segmentasi gambar telah dikembangkan, seperti teknik berbasis piksel, teknik berbasis wilayah, dan teknik berbasis batas. Clustering adalah salah satu teknik segmentasi gambar berbasis pixel. Setiap piksel diklasifikasikan dalam kelas tertentu berdasarkan kriteria kesamaan tertentu. Banyak metode pengelompokan telah digunakan dalam aplikasi segmentasi gambar. Salah satu yang paling umum digunakan adalah metode clustering K-means. Salah satu metode pengelompokan berdasarkan jaringan syaraf tiruan yang paling umum digunakan adalah Self Organizing Map (SOM). SOM mempelajari setiap komponen input dan kemudian mengklasifikasikan input ke dalam kelas yang sesuai. SOM telah diterapkan dalam pemrosesan gambar, misalnya untuk kompresi gambar, dan kuantisasi warna. SOM juga banyak digunakan dalam aplikasi segmentasi gambar. Pada gambar berwarna, SOM digunakan untuk melakukan reduksi warna, kemudian dilanjutkan dengan Simulated Annealing (SA) untuk mendapatkan hasil segmentasi. SOM juga digunakan untuk segmentasi gambar sonar dengan mengambil tindakan terhadap kebisingan yang ada. Jarak euclidean umumnya digunakan untuk mengukur jarak antara vektor input dan vektor bobot pada metode SOM. Jarak Mahalonobis juga telah dimanfaatkan dalam pengukuran jarak ke metode SOM. Dalam penelitian ini, penentuan bobot pemenang untuk setiap input,
dilakukan dengan menghitung jarak menggunakan Normalized Euclidean Distance. Penentuan jumlah cluster yang optimal dalam proses clustering juga merupakan tantangan. Ada banyak indeks untuk menentukan validitas cluster seperti Indeks Dunn, Silhouette Index, dan lain-lain. Validity Measure telah banyak diterapkan sebagai pengukuran validitas cluster pada aplikasi segmentasi gambar. Dalam penelitian ini, pengukuran validitas cluster akan dilakukan dengan 2 cara, yaitu Validity Measure (VM) dan Davies-Bouldin Index (DBI). Pengukuran validitas dilakukan dengan membentuk 2 cluster sampai 10 cluster, kemudian menghitung validitas masing-masing cluster. Cluster dengan nilai minimum DBI atau VM mengindikasikan cluster dipisahkan dengan baik, artinya jumlah cluster adalah cluster yang paling optimal. Pada penelitian ini, penulis menggunakan metode Kohonen SelfOrganizing Map (SOM). Kohonen Self-Organizing Map itu sendiri berasal dari seorang pria bernama Teuvo Kohonen, yang diketahuinya sebuah metode untuk mewakili data multidimensional di ruang dimensi yang jauh lebih rendah, biasanya bisa satu atau dua ukuran. Perkembangan ini, yang mengurangi dimensi vektor, terutama teknik kompresi data dikenal sebagai kuantisasi vektor. Selain itu, strategi Kohonen membuat sistem yang menyimpan informasi dengan cara bahwa setiap koneksi topologi dalam rangkaian pelatihan dipertahankan. Sistem yang diusulkan dalam penelitian ini adalah metode segmentasi gambar dengan menggunakan SOM. Pengukuran jarak yang digunakan dalam penelitian ini adalah Normalized Euclidean Distance. Penentuan jumlah cluster yang optimal menggunakan Validity Measure (VM) dan DaviesBouldin Index (DBI). Hasil dari kedua teknik ini akan dibandingkan, dan mendapatkan cara terbaik dalam menentukan jumlah cluster yang optimal. Proses itu sangat penting, karena merupakan langkah penting untuk mendapatkan hasil segmentasi akhir. Pada tahap terakhir, post-processing di diterapkan untuk memperbaiki hasil segmentasi. 1.2 Perumusan Masalah
Berdasarkan hal-hal di atas dapat dirumuskan beberapa masalah sebagai berikut: 1. Bagaimana kajian tentang Kohonen Self-Organizing Map (SOM) dalam segmentasi gambar berwarna? 2. Bagaimana implementasi Kohonen Self-Organizing Map (SOM) pada segmentasi gambar berwarna? 1.3 Tujuan Penelitian
Tujuan yang ingin dicapai dari penelitian ini adalah : 1. Mengkaji
metode
Kohonen
Self-Organizing
Map
(SOM)
dalam
segmentasi gambar berwarna. 2. Mengimplementasikan metode Kohonen Self-Organizing Map (SOM) pada segmentasi gambar berwarna. 3. Membuat laporan Tugas Akhir dalam menyelesaikan kuliah program sarjana. 1.4 Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan manfaat antara lain : 1. Menambah wawasan tentang metode Kohonen Self-Organizing Map (SOM) pada segmentasi gambar berwarna. 2. Mengembangkan pengetahuan tentang implementasi metode Kohonen Self-Organizing Map (SOM) pada segmentasi gambar berwarna.
