UTS (Identifikasi Jenis Bunga)

Aplikasi Jaringan Saraf Tiruan untuk Identifikasi Jenis Bunga

1. Tujuan [Kembali]
1. Untuk memenuhi tugas UTS matakuliah jaringan saraf tiruan
2. Untuk merancang aplikasi identifikasi jenis bunga

2. Komponen [Kembali]

Laptop
Matlap min 2015
Data jenis bunga

3. Dasar Teori [kembali]

jaringan syaraf tiruan dapat didefinisikan sebagai salah satu bentuk penyederhanaan dari jaringan syaraf biologis yang dinyatakan dalam formulasi matematika jaringan simbol. Komponen penyusun jaringan saraf tiruan ini terdiri dari beberapa neuron, di mana neuron-neuron tersebut memiliki hubungan antara satu dengan lainnya.
Pemodelan Sel Syaraf /Neuron Neuron-neuron akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan saraf, hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut.

Jaringan syaraf tiruan (neural network) merupakan algoritma yang mampu melakukan identifikasi suatu kelas berdasarkan ciri masukan yang diberikan. Algoritma ini akan melatihkan ciri masukan yang diberikan pada masing-masing kelas sehingga diperoleh suatu arsitektur jaringan dan bobot-bobot awal yang mampu memetakan ciri masukan ke dalam kelas keluaran.
Terdapat banyak jenis jaringan syaraf tiruan, di antaranya adalah backpropagation, perceptron, probablistik neural network, radial basis network, dll.
Berikut ini merupakan contoh aplikasi pemrograman matlab (menggunakan matlab r2015b) untuk mengidentifikasi jenis bunga menggunakan algoritma jaringan syaraf tiruan radial basis function (rbfnn). Pada proses pelatihan jaringan digunakan 100 citra latih yang terdiri dari 50 citra bunga dengan jenis kansas state flower dan 50 citra bunga berjenis marguerite daisy. Sedangkan pada proses pengujian digunakan 60 citra uji yang terdiri dari 30 citra bunga kansas state flower dan 50 citra bunga marguerite daisy.

Citra bunga yang digunakan dalam pemrograman ini diunduh dari halaman website http://www.robots.ox.ac.uk/~vgg/data/flowers/17/.

Gambar 1. Contoh citra bunga yang digunakan

Ciri yang digunakan untuk membedakan kedua jenis bunga tersebut adalah ciri warna RGB berdasarkan nilai rata-rata R, G, dan B, dan ciri tekstur filter gabor berdasarkan nilai mean (rata-rata), entropy, dan varians dari citra magnitude.

4. Langkah Program [kembali]
Langkah-langkah pemrogramannya adalah:
1. Mempersiapkan data latih dan data uji

Gambar 2. Data latih

Gambar 3. Data Uji

2. Melakukan ekstraksi ciri warna RGB dan ekstraksi ciri tekstur filter gabor

clc; clear; close all; warning off all;

image_folder = 'data latih';

filenames = dir(fullfile(image_folder, '*.jpg'));

total_images = numel(filenames);

data_latih = zeros(6,total_images);

for n = 1:total_images

    full_name= fullfile(image_folder, filenames(n).name);

    Img = imread(full_name);

    Img = im2double(Img);

    % Ekstraksi Ciri Warna RGB

    R = Img(:,:,1);

    G = Img(:,:,2);

    B = Img(:,:,3);

    CiriR = mean2(R);

    CiriG = mean2(G);

    CiriB = mean2(B);

    % Ekstraksi Ciri Tekstur Filter Gabor

    I = (rgb2gray(Img));

    wavelength = 4;

    orientation = 90;

    [mag,phase] = imgaborfilt(I,wavelength,orientation);

    H = imhist(mag)';

    H = H/sum(H);

    I = [0:255]/255;

    CiriMEAN = mean2(mag);

    CiriENT = -H*log2(H+eps)';

    CiriVAR = (I-CiriMEAN).^2*H';

    % Pembentukan data latih

    data_latih(1,n) = CiriR;

    data_latih(2,n) = CiriG;

    data_latih(3,n) = CiriB;

    data_latih(4,n) = CiriMEAN;

    data_latih(5,n) = CiriENT;

    data_latih(6,n) = CiriVAR;

end

Gambar 4.data ciri proses pelatihan

3. Melakukan pelatihan jaringan menggunakan data ciri tersebut

% Pembentukan target latih

target_latih = ones(1,total_images);

target_latih(1:total_images/2) = 0;

% performance goal (MSE)

error_goal = 1e-6;

% choose a spread constant

spread = 1;

% choose max number of neurons

K = 5;

% number of neurons to add between displays

Ki = 20;

% create a neural network

net = newrb(data_latih,target_latih,error_goal,spread,K,Ki);

% Proses training

net.trainFcn = 'traingdx';

[net_keluaran,tr,~,E] = train(net,data_latih,target_latih);

save net_keluaran net_keluaran

% Hasil identifikasi

hasil_latih = round(sim(net_keluaran,data_latih));

[m,n] = find(hasil_latih==target_latih);

akurasi = sum(m)/total_images*100

sehingga diperoleh tampilan proses pelatihan

Pada hasil pelatihan diperoleh informasi bahwa dari 100 data latih terdapat 18 data yang diidentifikasi secara salah sehingga akurasi yang dihasilkan pada proses pelatihan adalah sebesar 92%. Jaringan yang telah dihasilkan kemudian disimpan agar dapat digunakan untuk proses pengujian.

4. Langkah berikutnya adalah melakukan pengujian jaringan menggunakan data uji. Sama seperti pada proses pelatihan, pada pengujian juga dilakukan ekstraksi ciri yang sama yaitu ekstraksi ciri warna dan ekstraksi ciri tekstur.Data ciri proses pengujian yang diperoleh yaitu:

5. Melakukan pengujian jaringan menggunakan data ciri pengujian tersebut. Pengujian dilakukan terhadap jaringan telah dibentuk sebelumnya pada proses pelatihan.

clc; clear; close all;

image_folder = 'data uji';

filenames = dir(fullfile(image_folder, '*.jpg'));

total_images = numel(filenames);

data_uji = zeros(6,total_images);

for n = 1:total_images

full_name= fullfile(image_folder, filenames(n).name);

Img = imread(full_name);

Img = im2double(Img);

% Ekstraksi Ciri Warna RGB

R = Img(:,:,1);

G = Img(:,:,2);

B = Img(:,:,3);

CiriR = mean2(R);

CiriG = mean2(G);
CiriB = mean2(B);

% Ekstraksi Ciri Tekstur Filter Gabor

I = (rgb2gray(Img));

wavelength = 4;

orientation = 90;

[mag,phase] = imgaborfilt(I,wavelength,orientation);

H = imhist(mag)';

H = H/sum(H);

I = [0:255]/255;

CiriMEAN = mean2(mag);

CiriENT = -H*log2(H+eps)';

CiriVAR = (I-CiriMEAN).^2*H';

% Pembentukan data uji

data_uji(1,n) = CiriR;

data_uji(2,n) = CiriG;

data_uji(3,n) = CiriB;

data_uji(4,n) = CiriMEAN;

data_uji(5,n) = CiriENT;

data_uji(6,n) = CiriVAR;

end

% Pembentukan target uji

target_uji = ones(1,total_images);

target_uji(1:total_images/2) = 0;

load net_keluaran
hasil_uji = round(sim(net_keluaran,data_uji));

[m,n] = find(hasil_uji==target_uji);
akurasi = sum(m)/total_images*100

Dari hasil proses pengujian diperoleh informasi bahwa dari 60 data citra uji terdapat 16 data yang diidentifikasi secara salah sehingga akurasi yang dihasilkan pada proses pengujian adalah sebesar 73%.

Nilai akurasi pelatihan dan pengujian yang cukup tinggi menunjukkan bahwa jaringan syaraf tiruan radial basis yang dirancang mampu untuk mengidentifikasi jenis bunga dengan cukup baik.

6. Membuat tampilan GUI agar proses identifikasi jenis bunga dapat lebih interaktif. Tampilan awal GUI ditunjukkan pada gambar di bawah ini.