Professional Documents
Culture Documents
Tugas Besar Metodologi Penelitian Literature Review
Tugas Besar Metodologi Penelitian Literature Review
net/publication/351356846
CITATIONS READS
0 1,180
5 authors, including:
All content following this page was uploaded by Robert Ardeanto on 06 May 2021.
DOSEN PENGAMPU :
DISUSUN OLEH :
Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua
dimensi yang kontinus menjadi gambar diskrit melalui proses sampling. Pada citra
terdapat pengolahan citra atau image processing yang mana mengolah citra
menggunakan komputer menjadi sebuah citra yang memiliki kualitas yang lebih
baik. Penggunaan CNN digunakan sebagai metode untuk mengklasifikasikan objek
citra secara umum karen CNN terbukti berhasil mengungguli metode lainnya pada
kasus klasifikasi objek pada citra. Tujuan dari penelitian ini adalah agar dapat
mengklasifikasikan objek citra secara umum menggunakan CNN sehingga dapat
mengenali objek citra layaknya manusia.
Keyword: Citra, Image Processing, Convolution Neural Network.
1. PENDAHULUAN
Salah satu permasalahan dalam visi komputer yang telah lama dicari
solusinya adalah kasifikasi objek pada citra. Bagaimana computer
menduplikasikan kemampuan manusia dalam memahami citra, agar dapat
memahami dan mengenali objek pada citra selayaknya manusia. Proses
klasifikasi objek pada citra yang digunakan umumnya terbatas, dimana hanya
dapat berlaku pada dataset tertentu tanpa kemampuan generalisasi pada jenis
citra apapun. Hal ini disebabkan karena berbagai perbedaan antar citra seperti
perbedaan ukuran objek, perbedaan kondisi pencahayaan, perubahan objek yang
terlalu jauh dan lain sebagainya. Oleh karena itu image processing menjadi
bagian penting dalam klasifikasi objek pada citra.
Image Processing adalah suatu metode untuk mengolah gambar (Image)
ke dalam bentuk digital untuk tujuan tertentu. Pada awalnya pengolahan citra ini
berfungsi untuk memperbaiki dan meningkatkan kualitas suatu gambar, namun
dengan perkembangan zaman dan munculnya ilmu-ilmu komputasi hal itu
memungkinkan manusia dapat mengambil suatu informasi yang ada dalam suatu
gambar. Inputnya adalah citra (gambar) dan keluaranya adalah citra yang sudah
diperbagus kualitasnya. Misalnya, sebuah gambar yang kurang tajam warnanya,
kabur (blurring) dan terdapat noise (mis bintik putih) memerlukan proses untuk
memperbaiki kualitas gambar sehingga mendapatkan informasi yang lebih baik.
Convolutional Neural Network (CNN) digunakan sebagai metode untuk
mengklasifikasi citra secara umum. CNN merupakan salah satu kelas deep feed-
forward artificial neural network yang banyak diaplikasikan pada analisis citra.
Kemampuan CNN di klaim sebagai model terbaik untuk memecahkan
permasalahan object detection dan object recognition. Pada tahun 2012,
Penelitian tentang CNN dapat melakukan pengenalan citra digital 5 dengan
akurasi yang menyaingi manusia pada dataset tertentu. (A. Coates, H.Lee, A.Y.
Ng, 2011). Maka, berdasarkan uraian diatas dibuatlah sebuah penelitian tentang
sistem cerdas image processing dan klasifikasi citra menggunakan CNN. Yang
mana diharapkan dapat mengklasifikasikan objek citra secara umum agar dapat
mengenali objek citra layaknya manusia.
2. LITERATURE REVIEW
2.1. Citra
Citra / gambar (image) merupakan hal yang vital dan menjadi bagian
integral dari kehidupan sehari-hari. Pada kepentingan tertentu, citra
(gambar) digunakan sebagai alat untuk mengungkapkan pertimbangan
(reason), interpretasi, ilustrasi, penggambaran (represent), ingatan
(memorise), pendidikan, komunikasi, evaluasi, navigasi, survai, hiburan,
dan lain sebagainya. Tetapi kemudian konsep citra dan pengolahannya
dihubungkan dengan pengubahan dan perbaikan citra (gambar) yang
bertujuan untuk memperbaiki kesalahan data sinyal gambar akibat
transmisi dan selama akuisisi sinyal serta meningkatkan penampakan
gambar sehingga dapat diterima oleh sistem penglihatan manusia.
Umumnya pengolahan citra melibatkan alat bantu komputer, sehingga
muncul istilah Computer Vision yang selanjutnya dihubungkan dengan
konsep komputasi dan elektronik dari dunia mesin sejalan dengan atribut
penglihatan manusia. Aspek komputer adalah sebuah sistem yang
berhubungan dengan elemen-elemen perangkat keras seperti sensor optik,
arsitektur pengolahan paralel pada komputer, grafika komputer dan alat
penampil (display) serta elemen-elemen perangkat lunak seperti
manipulasi data dan perhitungan data gambar. Sedangkan aspek
penglihatan (vision) adalah bayangan dari sistem penglihatan manusia dan
melingkupi aspek fungsional dari mata, saraf optik dan otak. Secara ideal,
mesin diharapkan mempunyai kemampuan yang sama dengan
kemampuan penglihatan manusia. Sehingga suatu pertimbangan
(misalnya untuk membedakan obyek berdasarkan permukaan, warna,
cahaya dan lain-lain) dibuat berdasarkan karakteristik sistem penglihatan
manusia. Dalam kenyataannya, sistem penglihatan manusia sangat
kompleks, yaitu dengan banyaknya tingkatan pengolahan pada mata dan
jaringan saraf penglihatan di otak
2.2. Image Processing
Image Processing adalah suatu bentuk pengolahan atau pemrosesan
sinyal dengan input berupa gambar (image) dan ditransformasikan
menjadi gambar lain sebagai keluarannya dengan teknik tertentu. Image
processing dilakukan untuk memperbaiki kesalahan data sinyal gambar
yang terjadi akibat transmisi dan selama akuisisi sinyal, serta untuk
meningkatkan kualitas penampakan gambar agar lebih mudah
diinterpretasi oleh sistem penglihatan manusia baik dengan melakukan
manipulasi dan juga penganalisisan terhadap gambar. Operasi Image
Processing terbagi menjadi 4 bagian yaitu :
2.2.1. Image Enhancement (peningkatan kualitas gambar)
Tahap ini seringkali dikenal dengan pre-processing. Operasi
peningkatan kualitas gambar berfungsi untuk meningkatkan fitur
tertentu pada citra sehingga tingkat keberhasilan dalam pengolahan
gambar berikutnya menjadi tinggi. Operasi ini lebih banyak
berhubungan dengan penajaman dari fitur tertentu pada gambar.
Peningkatan kualitas gambar ini dapat dilakukan “secara manual”,
dengan menggunakan program lukis atau dengan pertolongan rutin
software. Metode untuk memperluas gambar grafis antara lain
memperbaiki kontras diantara bidang-bidang yang terang dan yang
gelap; menambahkan warna, menyaring ketidak seragaman sinyal
kiriman yang membawa gambar, menghaluskan garis-garis yang
bergerigi sehingga tampak lebih bersih; mempertajam sudut-sudut
yang kabur dan mengkoreksi distorsi yang disebabkan alat optis
atau tampilan.
2.3. CNN
Convolutional Neural Network (CNN) adalah salah satu jenis neural
network yang biasa digunakan pada data image untuk menentukan aspek
atau obyek apa saja dalam sebuah gambar yang bisa digunakan mesin
untuk belajar mengenali gambar, dan membedakan antara satu gambar
dengan yang lainnya.Arsitektur CNN terbilang mirip dengan pola koneksi
neuron atau sel saraf dalam otak manusia. CNN terinspirasi dari Visual
Cortex, yaitu bagian pada otak yang bertugas untuk memroses informasi
dalam bentuk visual. Dengan arsitektur seperti itu, CNN dapat dilatih
untuk memahami detail sebuah gambar dengan lebih baik. Dengan begitu,
CNN dapat menangkap dependensi Spasial dan Temporal dalam sebuah
gambar setelah memberikan filter yang relevan. CNN bisa digunakan
untuk mendeteksi dan mengenali object pada sebuah image. CNN adalah
sebuah teknik yang terinspirasi dari cara mamalia manusia, menghasilkan
persepsi visual seperti contoh diatas. Secara garis besar Convolutional
Neural Network (CNN) tidak jauh beda dengan neural network biasanya.
CNN terdiri dari neuron yang memiliki weight, bias dan activation
function. Convolutional layer juga terdiri dari neuron yang tersusun
sedemikian rupa sehingga membentuk sebuah filter dengan panjang dan
tinggi (pixels). Secara garis besarnya, CNN memanfaatkan proses
konvolusi dengan menggerakan sebuah kernel konvolusi (filter) berukuran
tertentu ke sebuah gambar, komputer mendapatkan informasi representatif
baru dari hasil perkalian bagian gambar tersebut dengan filter yang
digunakan.
2.4. KUESIONER
3. HASIL PENELITIAN
Berdasarkan literatur review, ada beberapa pembahasan penelitian yang
berhubungan dengan image processing dan CNN adalah sebagai berikut:
a. Sistem Pendeteksian Keserian Warna Kulit dan Busana Secara Otomatis
Untuk Jenis Kelamn Perempuan Berbasis Image Processing, Meza Silvana,
Rahmadi Kurnia, (2014).
Pada penelitian ini berfokus tentang mengembangkan sistem
pendeteksian kesesuaian warna kulit dengan warna busana secara otomatis
yang berbasis pada image processing. Disimpulkan juga Pengelompokan
range jenis kulit sangat mempengaruhi keserasian warna pakaian, karena
kesalahan dalam menetapakan range jenis warna kulit dapat menyebabkan
kesalahan sistem dalam mengelompokkan warna pakaian, dimana rentang
output akan berada di luar jangkauan output yang ditetapkan.
b. Klasifikasi Citra Buah Menggunakan Convolutional Neural Network,
Febian Fitra Maulana, Naim Rochmawati, (2019).
Penelitian ini membahas tentang kalsifikasi jenis buah menggunakan
convolutional neural network. Pada penelitian ini dapat mengklasifikasikan
citra buah yang diambil menggunakan kamera smartphone. Pada penelitian
ini model CNN yang menggunakan perpaduan 3 covolutional layer dan 2
hidden layer mampu mengklasifikasi citra buah-buahan dengan akurasi
yang baik. Akurasi yang didapatkan dari proses testing yang menggunakan
345 citra uji menunjukkan angka 97,97%.
c. Rancang Bangun Sistem Navigasi Kapal Laut Berbasis Pada Image
Processing Dengan Metode Color Detection, Elvin Nur Afian, Satryo Budi
Utomo, Widyono Hadi, (2014).
Pada penelitian ini proses pengolahan gambar objek telah berhasil
dideteksi dengan baik dengan batas image processing koordinat nilai x dan
y adalah 0 sampai dengan 9 sesuai data yang ditunjukkan pada tabel 4.
Untuk pengaturan nilai HSV untuk nilai warna merah adalah untuk hue = 0,
saturation = 65 – 116, dan value = 80-207. Penelitian ini juga didapatkan
tingkat keberhasilan kapal dalam mencapai tujuan tanpa gangguan adalah
91%, sedangkan tingkat keberhasilan kapal dalam mencapai tujuan dengan
gangguan adalah 75%.
d. Sign Language Recognation Using Neural Network, Sabaheta Dogic,
Gunay Karli, (2014).
Pada penelitian ini tahap pemrosesan citra pengenalan tanda
mengharuskan banyak estimasi, yang disajikan kelembaman dalam aliran
video Ketepatan file kerangka kerja juga dapat diperluas jika lebih
perhitungan identifikasi tepi yang kuat digunakan. Oleh menggabungkan
bentuk tangan untuk mendesain vektor fitur itu telah digunakan secara
efektif untuk menyiapkan jaringan saraf sistem, tingkat klasifikasi sistem
telah ditingkatkan dengan menjanjikan.
e. Sisted Deteksi Kondisi Cuaca berdasarkan Pencitraan Awan Berbasis
Pengolahan Citra Digital Menggunakan Algoritma k-Nearest Neighbor (k-
NN), Arif Handhoko, Muhammad Ihsan Zul, Yuli Fitrisia, (2015).
Pada penelitian ini Perancangan sistem deteksi dan klasifikasi kondisi
cuaca berdasarkan pencitraan langit dengan Digital Image Processing
menggunakan algoritma k-nearest neighbor terbukti mampu memproses
dengan mencapai akurasi sistem rata – rata sebesar 84.21% dengan
pembagian 5 kondisi yaitu cerah berawan, berawan, hujan, malam cerah,dan
malam hujan. Sistem yang dirancang juga berjalan secara real-time. Dapat
memberikan informasi kondisi cuaca per-waktu. Sistem juga dapat
mendeteksi kondisi cuaca dalam keadaan malam hari dengan 2 kondisi yaitu
malam cerah dan malam cerah. Pada nilai thresholding menyebabkan
akurasi sistem dapat mempengaruhi proses deteksi dan klasifikasi.
f. Pendeteksian Penyakit pada Daun Cabai dengan Menggunakan Metode
Deep Learning, Rosalina, Ardi Wijaya, (2020).
Penelitian ini berhasil mengimplementasikan Deep
Learninguntuk melakukan pemrosesan gambar daun cabai untuk
mengetahui bahwa daun cabai tersebut sehat atau terdeteksi penyakit,
dengan menggunakan gambar daun cabai yang berasal dari gambar
koleksi pribadi.Telah dilakukan pengujian dan berdasarkan hasil
pengujian tersebut diketahui bahwa 100% Fungsi Utama (Penerangan
yang cukup dan jarak< 1 meter)sistem dapat dengan baik mengenali
daun cabai dan dapat mendeteksi apakah daun cabai tersebut teinfeksi
penyakit atau tidak, namun dengan fungsi Utamadimana penerangan yang
kurang danjarak >= 1 meter, akurasi sistem hanya sebesar 68,8%..
g. Deteksi diameter tumor pada kulit menggunakan segmentasi citra
berdasarkan karakteristik ABCDE, Wuwanjie Septian, Dwiza Riana,
Maulana Jodi Prayogo, (2016).
Kesimpulan dari penelitian ini bahwa dengan operasi kanal warna
HSI dengan dilakukan konversi menjadi citra biner, dilakukan segmentasi
citra berupa filter median, konstruksi morfologi dan pada tahap akhir deteksi
tepi dengan operator sobel serta dilakukan penggabungan citra untuk
menambah presisi perhitungan luas diameter. Hasil menunjukkan citra
nevus dapat diidentifikasi sebagi nevus normal dan melanoma berdasarkan
kalkulasi diameter. Penelitian ini merupakan studi awal untuk melakukan
analisa karakteristik ABCD pada sel nevus. Setelah dilakukan deteksi
diameter tumor jinak, alur proses kerja dapat dikembangkan lebih lanjut
agar akurasi area tumor jinak menjadi lebih baik. Teknik pengolahan citra
juga dapat dikembangkan serta digabungkan dengan metode karakteristik
yang lain yang belum dilakukan yaitu karakteristik ABCE pengembangan
metode dilakukan untuk memperkuat analisa terkait apakah tumor jinak
kulit tersebut normal atau tumor tersebut.
h. Image spam detection using machine learning and natural language
processing, Yaseen Khather Yaseen, Alaa Khudhair Abbas, Ahmed M.
Sana, (2020).
Dalam Penelitian ini, model untuk mendeteksi gambar spam telah
dibuat. Model dibuat agar lebih akurat dibandingkan model lainnya. Dataset
model terlatih mendekati 10.000 gambar ham dan spam. Pendekatan ini
menggunakan tiga bagian utama: teknologi pembelajaran mendalam, dan
bekerja dengan ekstraksi fitur gambar menggunakan algoritma NLP dan
OCR untuk mendukung prediksi dan meningkatkan hasil. Hasilnya
menunjukkan akurasi 98% menggunakan DL yang dikombinasikan dengan
FE dan OCR pada dataset yang diuji, menunjukkan peningkatan yang lebih
baik dibandingkan dengan studi relatif lainnya dalam mendeteksi dan
memprediksi spam pada gambar. Modelnya rumit dengan teks besar dan
kata-kata dengan spasi jauh, dan juga dengan bahasa yang berbeda pada
gambar karena beberapa bahasa tidak didukung. Dengan semua itu, prediksi
dan akurasi bisa turun, dan itu akan menjadi penelitian kami di masa depan:
bekerja dan meningkatkan model untuk menangani kasus-kasus tertentu.
i. Thermal Imaging Untuk Identifikasi Telur, Sunardi, Anton Yudhana,
Shoffan Saifullah, (2019).
Berdasarkan pengolahan citra telur berbasis thermal imaging yang
telah dilakukan, maka dapat disimpulkan bahwa proses pengolahan citra
dapat dilakukan dan mendapatkan hasil dapat mengetahui jumlah telur
yang di-capture dengan thermal imager camera flir. Penggunaan metode
morfologi dan threshold otsu dapat dilakukan untuk memperbaiki citra
telur ayam dengan operasi dilasi. Penentuan centroid melalui proses
complement dari citra BW dan penentuan jumlah obyek dan luas
berdasarkan pada centroid dalam citra digital dan proses bounding
box pada obyek yang dihitung. Dari pengujian yang telah dilakukan
didapatkan hasil 100% dalam proses penentuan telur ayam dan luas area
yang diinginkan.
j. Effective Human Activity RecognitionApproachusing Machine Learning,
Abdul Lateef Haroon P.S., Premachand D.R. (2021).
Fitur gabungan dari atribut geometri dan visual dapat menyediakan
platform tersinkronisasi untuk menyediakan teknologi untuk interaksi
manusia ke mesin (HMI). Keterlibatan aktif manusia pada awalnya banyak
mengembangkan aplikasi berbasis HMI ke dalam sistem, namun di masa
depan, banyak visi masa depan aplikasi yang cerdas, cerdas dan ada dimana-
mana memerlukan konteks tertentu dari manusia seperti kegiatan kritisnya
sebagai masukan. Proses menemukan sekumpulan fitur koordinat yang
cepat dan akurat adalah tugas yang sangat menantang untuk akurasi
pengenalan aktivitas. Pengakuan Aktivitas Manusia (RHA) adalah masalah
penelitian terbuka karena ada proses yang berkembang baik dalam teknik
pencitraan dan teknologi kamera. . Masalah RHA digambarkan sebagai
“Masalah kategorisasi tiga tingkat,” yaitu 1) Tindakan primitif, 2) Tindakan
/ kegiatan dan 3) Interaksi. Studi penelitian melibatkan pemahaman tentang
berbagai pendekatan representasi citra dan klasifikasi untuk pengenalan
aktivitas berbasis visi atau perilaku manusia.
k. Implementasi Deep Learning Untuk Image Classification Menggunakan
Algoritma Convolutional Neural Network (CNN) Pada Citra Wayang
Golek, Triano Nurhikmat, (2018).
Model CNN pada penelitian ini menggunakan input shape berukuran
64x64, nilai learning rate 0.001, ukuran filter 3x3, Jumlah Epoch 20, Data
training 240, dan data testing 60. Menghasilkan tingkat akurasi training dan
testing dalam melakukan klasifikasi gambar wayang golek sebesar 95 %
training dan 90 % testing. Penelitian ini menggunakan data testing baru
sebanyak 60 untuk diujikan kedalam model yang telah dibuat. Hasil testing
menghasilkan tingkat akurasi baru dalam melakukan klasifikasi gambar
wayang golek sebesar 93 %. Dari beberapa trial and error pada beberapa
parameter penjelasannya adalah skenario penggunaan nilai epoch
didapatkan tingkat akurasi terbaik menggunakan nilai epoch sebesar 100,
dengan akurasi 97 %. Skenario penggunaan layer konvolusi didapatkan
tingkat akurasi terbaik menggunakan 3 layer konvolusi, dengan akurasi 96
%. Skenario penggunaan pooling layer didapatkan tingkat akurasi terbaik
menggunakan metode max-pooling, dengan akurasi 95 %. Skenario
penggunaan input shape image 64x64 dan 150x150, menghasilkan tingkat
akurasi yang sama yaitu 97 %. Skenario penggunaan jumlah data training
didapatkan akurasi terbaik menggunakan jumlah data 300, dengan akurasi
95 %. Skenario penggunaan perbandingan jumlah data training dan testing
didapatkan tingkat akurasi terbaik menggunakan 90 % :10 % atau 270:10
data training dan testing, dengan akurasi 100 %. Skenario penggunaan
ukuran kernel didapatkan didapatkan tingkat akurasi terbaik menggunakan
ukuran kernel 3x3, dengan akurasi 97 %. Skenario penggunaan nilai
learning rate didapatkan didapatkan tingkat akurasi terbaik menggunakan
nilai learning rate 0.001, dengan akurasi 97 %.
l. Identifikasi Huruf Braille Berbasis Image Processing Secara Real Time,
Dewi Permata Sari, Sabilal Rasyad, Evelina, (2017)
Dari pengujan yang dilakukan, dapat diambil suatu kesimpulan sebagai
berikut : Identifikasi huruf Braille yang sangat baik menggunakan kamera
Logitech pada jarak 30 cm sampai dengan 60 cm. Pengujian huruf Braille
menggunakan waktu 3 menit sampai dengan 5 menit didapat tingkat akurasi
92,3 % dan error = 7,7 %. Konversi dari hurup ke desimal/ biner tingkat
akurasi 100 % dan error = 0 %.Dari pengujian yang dilakukan pada
penelitian ini disaran untuk menggunakan filter untuk memanipulasi sebuah
citra yang akan menghasikan citra baru.
Setiawan, Ahmad Fahrudi. Wijono. Sunaryo. (2013). Sistem Cerdas Penghitung Sel
Kulit Mati Manusia dengan Metode Improved Counting Morphology.
Jurnal EECCIS. Vol. 7, No. 1.
Feriadi. Andri. Widyarto, Setiawan. (2012). Deteksi Lokasi Titik Api Pada
Kebakaran Hutan Menggunakan Colour Image Prosessing. Seminar
Nasional Informatika. Vol. 1, No. 1.