Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika Universitas Islam Lamongan email: nafik_unisla26@yahoo.co.id Abstrak Pada pengolahan citra terdapat enam jenis operasi pengolahan, yaitu peningkatan kualitas citra, restorasi citra, kompresi citra, segmentasi citra, analisis citra, dan rekonstruksi citra. Pada umumnya informasi yang ada dalam suatu citra terletak pada strukturnya. Agar mudah memahami suatu citra dapat dilakukan dengan menyederhanakan struktur citra tersebut. Salah satu metode untuk menyederhanakan struktur citra adalah dengan melakukan proses segmentasi citra (image segmentation). Proses segmentasi citra merupakan proses dasar dan penting di dalam komputer visi. Segmentasi yang dilakukan pada citra harus tepat agar informasi yang terkandung di dalamnya dapat diterjemahkan dengan baik. Terdapat banyak metode dalam melakukan segmentasi pada citra. Beberapa teknik segmentasi citra: Thresholding (global thresholding dan lokal adaptif thresholding), Connected Component Labelling, dan Segmentasi Berbasis Clustering (Iterasi, K-means, fuzzy C-means, SOM). Penelitian ini akan mengubah citra berwarna menjadi citra biner (hitam dan putih). Proses mengubah citra menggunakan algoritma Kohonen. Dengan algoritma Kohonen citra dapat diubah dengan tepat. Key Words: citra, kohonen. Pendahuluan Pengolahan citra pada masa sekarang merupakan suatu aplikasi yang sangat luas dalam berbagai bidang kehidupan antara lain bidang arkeologi, astronomi, biomedis, bidang industri dan penginderaan jauh yang menggunakan teknologi citra satelit. Segmentasi ini akan mengubah suatu citra masukan yang kompleks menjadi citra yang lebih sederhana, berdasarkan peninjauan terhadap komponen citra. Dengan demikian akan memudahkan pengamat citra untuk melakukan analisis. Pada dasarnya ada tiga bidang yang menangani pengolahan data berbentuk citra, yaitu: grafika komputer, pengolahan citra dan visi komputer. Pada bidang grafika komputer banyak dilakukan proses yang bersifat sintesis yang mempunyai ciri data masukan berbentuk deskriptif dengan keluaran hasil proses yang berbentuk citra. Sedangkan proses di bidang visi komputer merupakan kebalikan dari proses grafika komputer. Terakhir, bidang pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual, yakni data masukan maupun data keluarannya berbentuk citra. Pada pengolahan citra terdapat enam jenis operasi pengolahan, yaitu peningkatan kualitas citra, restorasi citra, kompresi citra, segmentasi citra, analisis citra, dan rekonstruksi citra. Pada umumnya informasi yang ada dalam suatu citra terletak pada strukturnya. Agar mudah memahami suatu citra dapat dilakukan dengan menyederhanakan struktur citra tersebut. Salah satu metode untuk menyederhanakan struktur citra adalah dengan melakukan proses segmentasi citra (image segmentation). Segmentasi merupakan proses mempartisi citra menjadi beberapa daerah atau objek, berdasarkan sifat-sifat tertentu dari citra. Segmentasi citra (image segmentation) adalah suatu tahap pada proses analisis citra yang bertujuan untuk memperoleh informasi yang ada dalam citra tersebut dengan membagi citra ke dalam daerah-daerah terpisah di mana setiap daerah adalah homogen dan mengacu pada sebuah kriteria keseragaman yang jelas. Proses segmentasi citra merupakan proses dasar dan penting di dalam komputer visi. Segmentasi yang dilakukan pada citra harus tepat agar informasi yang terkandung di dalamnya dapat diterjemahkan dengan baik. Terdapat banyak metode dalam melakukan segmentasi pada citra. Beberapa teknik segmentasi citra: Thresholding (global thresholding dan lokal adaptif thresholding), Connected Component Labelling, dan Segmentasi Berbasis Clustering (Iterasi, Kmeans, fuzzy C-means, SOM). Tujuan dari penelitian ini adalah mengubah citra berwarna menjadi citra hitam putih. 1. Citra Digital Secara umum, pengolahan citra digital menunjuk pada pemrosesan gambar 2 dimensi menggunakan komputer. Dalam konteks yang lebih luas, pengolahan citra digital mengacu pada pemrosesan setiap data 2 dimensi. Citra digital adalah sebuah larik (array) yang berisi nilai-nilai real maupun kompleks yang direpresentasikan dengan deretan bit tertentu. Suatu citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitudo f di titik koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila nilai x, y, dan nilai amplitudo f secara keseluruhan berhingga (finite) dan bernilai diskrit maka dapat dikatakan bahwa citra tersebut citra digital. Gambar 1 menunjukkan posisi koordinat citra digital. Gambar 1 Koordinat Citra Digital Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi, atau bersifat digital yang dapat langsung disimpan pada suatu pita magnetik. Menurut presisi yang digunakan untuk menyatakan titik-titik koordinat pada domain spasial atau bidang dan untuk menyatakan nilai keabuan atau warna suatu citra, maka secara teoritis citra dapat dikelompokkan menjadi empat kelas citra, yaitu citra kontinu-kontinu, kontinu-diskrit, diskrit-kontinu, dan diskrit-diskrit. Di mana label pertama menyatakan presisi dari titiktitik koordinat pada bidang citra sedangkan label kedua menyatakan presisi nilai keabuan atau warna. Kontinu dinyatakan dengan presisi angka tidak berhingga, sedangkan diskrit dinyatakan dengan presisi angka berhingga. Komputer digital bekerja dengan angka-angka presisi terhingga, dengan demikian hanya citra dari kelas diskritdiskrit yang dapat diolah dengan komputer; citra dari kelas tersebut lebih dikenal sebagai citra digital. Citra digital merupakan suatu array dua dimensi atau suatu matriks yang elemen-elemennya menyatakan tingkat keabuan dari elemen gambar; jadi informasi yang terkandung bersifat diskrit. Citra digital tidak selalu merupakan hasil langsung data rekaman suatu sistem. Kadang-kadang hasil rekaman data bersifat kontinu seperti gambar pada monitor televisi, foto sinar-X, dan lain sebagainya. Dengan demikian untuk mendapatkan suatu citra digital diperlukan suatu proses konversi, sehingga citra tersebut selanjutnya dapat diproses dengan komputer. Citra digital dapat ditulis dalam bentuk matriks sebagai berikut:  f (0,0)  f (1,0) f ( x)       f ( M  1,0) f (0,1) ... f (1,1) ...   f ( M  1,1) ... Nilai pada suatu irisan antara baris dan kolom (pada posisi x,y) disebut dengan picture elements, image elements, pels, pixels. Istilah terakhir (pixels) paling sering digunakan pada citra digital. Citra digital dibentuk oleh kumpulan titik yang dinamakan piksel. Setiap piksel digambarkan sebagai satu kotak kecil. Setiap piksel mempunyai koordinat posisi. Sistem koordinat yang dipakai untuk menyatakan citra digital ditunjukkan di Gambar 2. Gambar 2 Sistem Koordinat Citra Berukuran M x N (M Baris, N Kolom) Dengan sistem koordinat yang mengikuti asas pemindaian pada layar TV standar itu, sebuah piksel mempunyai koordinat berupa (x,y). Dalam hal ini, x menyatakan posisi kolom, dan y menyatakan posisi baris. Piksel pojok kiriatas mempunyai koordinat (0,0) dan piksel pada pojok kanan-bawah mempunyai koordinat (M-1,N-1). 2. Jenis Citra Ada tiga jenis citra yang umum digunakan dalam pemrosesan citra. Ketiga jenis citra tersebut yaitu, citra berwarna, citra berskala keabuan, dan citra biner. f (0, N  1) f (1, N  1)  f ( M  1, N  1) a) Citra Berwarna Citra berwarna, atau biasa dinamakan citra RGB, merupakan jenis citra yang menyajikan warna dalam bentuk komponen R (merah), G (hijau), dan B (biru). Setiap komponen warna menggunakan delapan bit (nilainya berkisar antara 0 sampai dengan 255). Dengan demikian, kemungkinan warna yang dapat disajikan mencapai 255 x 255 x 255 atau 16.581.375 warna. Tabel 2.1 menunjukkan contoh warna dan nilai R, G, dan B. Contoh citra berwarna seperti Gambar 3. b) Citra Berskala Keabuan Sesuai dengan nama yang melekat, citra jenis ini menangani gradasi warna hitam dan putih, yang tentu saja menghasilkan efek warna abu-abu. Pada jenis gambar ini, warna dinyatakan dengan intensitas. Dalam hal ini, intensitas berkisar antara 0 sampai dengan 255. Nilai 0 menyatakan hitam dan nilai 255 menyatakan putih. Contoh citra berskala keabuan seperti Gambar 4. Tabel 1 Warna dan Nilai Penyusun Warna Warna R G B Merah 255 0 0 Hijau 0 255 0 Biru 0 0 255 Hitam 0 0 0 Putih 255 255 255 Kuning 0 255 255 Gambar 3 Citra Berwarna Gambar 4 Citra Keabuan Istilah lain citra keabuan adalah citra grayscale yaitu citra yang nilai pixelnya merepresentasikan derajat keabuan atau instensitas warna putih. Nilai instensitas paling rendah merepresentasikan warna hitam dan nilai intensitas paling tinggi merepresentasikan warna putih. Pada umumnya citra grayscale memiliki kedalaman pixel 8 bit (256 derajat keabuan), tetapi ada juga citra grayscale yang kedalaman pixelnya bukan 8 bit, misalnya 16 bit untuk penggunaan yang memerlukan ketelitian tinggi. c) Citra Biner Citra biner adalah citra dengan setiap piksel hanya dinyatakan dengan sebuah nilai dari dua kemungkinan (yaitu nilai 0 dan 1). Nilai 0 menyatakan warna hitam dan nilai 1 menyatakan warna putih. Citra jenis ini banyak dipakai dalam pemrosesan citra, misalnya untuk kepentingan memperoleh tepi bentuk suatu objek. Gambar 5 menyatakan citra biner. Gambar 5 Citra Biner 3. Segmentasi Citra dengan Kohonen Segmentasi citra adalah pemisahan objek yang satu dengan objek yang lain dalam suatu citra atau antara objek dengan latar yang terdapat dalam sebuah citra. Dengan proses segmentasi tersebut, masing-masing objek pada citra dapat diambil secara individu sehingga dapat digunakan sebagai input di proses lainnya. Segmentasi citra adalah proses pengolahan citra yang bertujuan memisahkan wilayah (region) objek dengan wilayah latar belakang agar objek mudah dianalisis dalam rangka mengenali objek yang banyak melibatkan persepsi visual. Segementasi citra merupakan proses yang ditujukan untuk mendapatkan objekobjek yang terkandung di dalam citra atau membagi citra ke dalam beberapa daerah dengan setiap objek atau daerah memiliki kemiripan atribut. Pada citra yang mengandung hanya satu objek, objek dibedakan dari latar belakangnya. Segmentasi juga biasa dilakukan sebagai langkah awal untuk melaksanakan klasifikasi objek. Setelah segmentasi citra dilaksanakan, fitur yang terdapat pada objek diambil. Sebagai contoh, fitur objek dapat berupa perbandingan lebar dan panjang objek, warna rata-rata objek, atau bahkan tekstur pada objek. Selanjutnya, melalui klasifikasi, jenis objek dapat ditentukan. Pemetaan Organisasi Kohonen (Kohonen Self Organizing Maps, SOM), merupakan model pemetaan dari jaringan syaraf tiruan di mana suatu lapisan yang berisi neuron-neuron akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan istilah cluster. Selama proses penyusunan diri, cluster yang memiliki vector bobot paling cocok dengan pola input (memiliki jarak yang paling dekat) akan terpilih sebagai pemenang. Selanjutnya, neuron yang menjadi pemenang beserta dengan neuronneuron tetangganya akan memperbaiki bobot-bobotnya masing-masing. Arsitektur jaringan Kohonen SOM seperti Gambar 6. Gambar 6 Arsitektur Jaringan Kohonen SOM Seperti yang diperlihatkan dalam gambar di atas dimisalkan bahwa terdapat 2 unit input ( P1 dan P2), yang akan dibentuk ke dalam 3 cluster neuron lapisan output (Y1, Y2, dan Y3). Selanjutnya neuronneuron tersebut akan memperbaiki bobotnya masing-masing, sebagai bobot W ij. Dalam hal ini, bobot W ij mengandung pengertian bobot yang menghubungkan neuron ke-j pada lapisan input menuju neuron ke-i pada lapisan output. Prof. Teuvo Kohonen adalah orang pertama yang memperkenalkan jaringan kohonen pada 1982. Pada jaringan ini, neuron-neuron pada suatu lapisan akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu cluster. Dalam proses penyusunan ini, cluster yang dipilih sebagai pemenang adalah cluster yang mempunyai vektor bobot paling cocok dengan pola input (memiliki jarak yang paling dekat) (Sutojo, 2011, hal. 392). Algoritma Kohonen: 1) Inisialisasi bobot: wij Set parameter-parameter tetangga Set parameter learning rate 2) Kerjakan selama kondisi berhenti bernilai False a. Untuk setiap vektor input x, kerjakan: - D( J )   ( wij  xi ) 2 Untuk setiap j, hitung: i Tentukan J, sampai D(J) minimum - Untuk setiap unit j dengan spesifikasi tetangga tertentu dan untuk setiap i: wij(baru) = wij(lama) + α (xi-wij(lama)) b. Perbaiki learning rate. c. Kurangi radius ke-tetangga-an pada waktu-waktu tertentu. d. Tes kondidi berhenti. Hubungan metode kohonen dalam segmentasi citra yaitu dalam membedakan antara objek satu dengan objek lainnya menggunakan algoritma kohonen. Dalam penelitian ini segmentasi terhadap citra yaitu membuat citra menjadi citra biner, yaitu bernilai 0 dan 1. Nilai 0 menunjukkan warna hitam dan warna 1 menunjukkan warna putih. Cara kerja kohonen di sini, yaitu citra yang diinputkan dilakukan training untuk mendapatkan bobot-bobot terbaru. Bobotbobot tersebut digunakan untuk mengubah citra dari grayscale menjadi citra biner. - Metode Penelitian Adapun penelitian ini mengenai segmentasi citra dalam mengubah warna citra dari berwarna menjadi citra biner seperti dalam Gambar 7. Citra Masukan GrayScale Citra Gray Level Training SOM Citra GrayScale Hasil Transformasi Transformasi Citra ke GrayScale Proses Segmentasi dengan Clustering SOM Citra Biner Hasil Segmentasi Clustering SOM Hasil Citra Segmentasi (Citra Biner) Gambar 7 Alur Segmentasi Penelitian Pada segmentasi citra digital terdiri dari beberapa langkah yang dapat digambarkan menjadi blok diagram dengan model seperti Gambar 8. Adapun langkah tiap proses dapat dilihat dalam flowchart seperti Gambar 9 dan 10. Akuisisi Citra Transformasi Citra Segmentasi Citra Gambar 8 Blok Diagram Segmentasi Citra Fungsi masing-masing bagian dalam diagram blok di atas sebagai berikut: 1. Akuisisi Citra yaitu proses menginputkan citra atau loading citra. 2. Melakukan proses perubahan terhadap citra jika citra inputan dalam bentuk citra RGB atau graylevel menjadi grayscale. 3. Citra inputan diproses atau dirubah ke bentuk grayscale selanjutnya disegmentasi menggunakan clustering SOM menjadi citra biner. Start inisialiasi bobot, epoch maksimum, jumlah cluster, epoch=0 Input Citra Masukkan Nilai tiap pixel sebagai inputan jaringan SOM menghitung Jarak Start tidak Input Citra jarakMinimum ya Konversi ke GrayScale epoch=epoch+1 Modifikasi Bobot ya vektor bobot akhir epoch<Makepoc h Segmentasi Citra dengan Clustering SOM tidak Hasil Clustering Hasil Segmentasi Citra Citra Segmentasi End Simpan Hasil Segmentasi End Gambar 9 Flowchart Segmentasi Citra Hasil dan Pembahasan Dalam sistem ini menggunakan tool Matlab, dan sistem ini tidak menggunakan database. Sistem menggunakan inputan citra RGB dan grayscale. Langkah awal yaitu citra inputan (citra berwarna/RGB) dirubah ukurannya, yaitu diperkecil menggunakan tool Photoshop. Selanjutnya dari citra inputan RGB atau citra berwarna kemudian dikonversi menjadi citra grayscale menggunakan sintak pada Segmen 1. Hasil dari konversi, yaitu citra keabu-abuan. Segmen 1 Sintak Grayscale 1: function [A]=konversigray(citra) 2: ctr=citra; 3: red=ctr(:,:,1); 4: green=ctr(:,:,2); 5: blue=ctr(:,:,3); 6: A=(0.3*red)+(0.3*green)+(0.4*blue); 7: imshow(A); Gambar 10 Alur Segmentasi Citra dengan Clustering SOM Hasil akhir dari sistem ini, yaitu citra biner. Citra yang hanya berwarna hitam dan putih. Dari citra grayscale diproses dengan algoritma SOM menghasilkan citra biner. Hasil dari setiap proses seperti dalam Tabel 2. Tabel 2 Hasil Citra Segmentasi Citra RGB Citra Citra Biner Grayscale Kesimpulan Dari pembahasan di atas, maka peneliti menyimpulkan bahwa algoritma SOM dapat mencluster citra menjadi biner. Yaitu mampu mengelompokkan citra yang hitam dan putih. Sistem dibangun menggunakan tool Matlab dan tidak menggunakan database. Citra inputan berupa citra RGB atau berwarna selanjutnya diproses menjadi citra grayscale atau keabuan. Hasil citra grayscale disimpan di dalam folder citra gray. Selanjutnya algoritma SOM mengsegmentasi menjadi citra biner. Hasil segmentasi citra biner disimpan di folder citra biner. Daftar Pustaka Basuki, Achmad. 2005. Pengolahan Citra Menggunakan Visual Basic. Graha Ilmu: Yogyakarta. Hermawan, Arief. 2006. Jaringan Syaraf Tiruan Teori dan Aplikasi. Andi: Yogyakarta. Irawan, Feriza A. 2012. Buku Pintar Pemrograman Matlab. Mediakom: Yogyakarta. Kadir, Abdul. 2013. Teori dan Aplikasi Pengolahan Citra. Andi: Yogyakarta. Paulus, Erick. 2007. Cepat Mahit GUI Matlab. Andi: Yogyakarta. Prasetyo, Eko. 2011. Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab. Andi: Yogyakarta. Putra, Darma. 2010. Pengolahan Citra Digital. Andi: Yogyakarta. Siang, Jong Jek. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Andi: Yogyakarta. Sutojo, T. 2011. Kecerdasan Buatan. Andi: Yogyakarta.