Algoritma GLCM Tutorial Lengkap (Advanced Image Processing)

Halo, selamat datang di blog serdaduGG. Kali ini kita akan membahas mengenai salah satu teknologi kecerdasan buatan atau biasa dikenal Artificial Intellegence (A.I). Di postingan kali ini, aku bakalan menjabarkan sintaks dari algoritma GLCM tentunya dalam bahasa pemrograman MATLAB. Pertama-tama aku ingin menekankan kepada kalian, kalau postingan ini dibuat untuk membantu kalian para mahasiswa atau bahkan para peneliti untuk dapat memahami algoritma GLCM melalui bahasa pemrograman Matlab. Program yang digunakan penulis dalam penjelasan algoritma GLCM ini adalah Matlab 2017a, atau jika kalian punya versi yang lebih tinggi itu lebih baik contohnya Matlab 2018a. Namun, bagi kalian yang mempunyai versi Matlab yang lebih rendah, aku sarankan untuk meningkatkan versi Matlab yang kalian punya di komputer masing-masing.

Tahap 1 : Pemahaman GLCM

GLCM (Gray Level Co-ocurrence Matrix) merupakan salah satu ekstraksi ciri tekstur dan warna yang dikemukakan oleh Haralick. Pada dasarnya GLCM bekerja dengan membandingkan nilai ciri dari suatu piksel dengan piksel tetangganya. Bagaimana caranya? Algoritma GLCM bekerja dengan sudut dan jarak tertentu yang kita tentukan sebelumnya, untuk mengekstraksi ciri sebuah citra. Penggunaan sudut dan jarak tertentu akan memiliki nilai ciri yang berbeda satu sama lain, sehingga hal ini perlu menjadi perhatian serius karena akan mempengaruhi sebuah hasil klasifikasi.

Tahap 2 : Pemahaman Sistem

Simulasi kali ini kita akan melakukan proses ekstraksi ciri menggunakan algoritma GLCM dengan sistem kerja sebagai berikut. Pertama-tama, sistem akan mencoba untuk membaca sejumlah gambar di dalam sebuah folder yang sudah ditentukan sebelumnya akan berisi data latih berupa citra sebuah bunga. Misal, gambar 1 s/d 50 merupakan gambar Bunga Tulip, gambar 51 s/d 100 merupakan gambar Bunga Anggrek dan gambar 101 s/d 150 merupakan gambar Bunga Melati. Terlihat, bahwa terdapat 150 citra latih dengan 3 kelas disitu yakni Bunga Tulip, Bunga Anggrek dan Bunga Melati. Folder yang berisi citra latih ini akan di load satu persatu di Matlab untuk dibaca dan dilakukan tahap sistem selanjutnya.

Kedua, setiap citra latih yang berhasil di baca akan dilakukan proses pre-processing. Kita asumsikan citra latih pada folder tersebut memiliki ukuran piksel yang berbeda-beda, sehingga kita perlu melakukan proses resize terhadap masing-masing citra latih supaya ukuran sama persis satu sama lain. Selain itu, kita juga bisa memfokuskan ruang warna yang akan di pakai misalnya bentuk asli ruang warna citra latih adalah RGB namun kita ingin sistem bekerja di ruang warna Grayscale. Kita bisa merubah ruang warna RGB ke Grayscale pada setiap citra latih, selain itu kita juga bisa memfokuskan pada layer ruang warna tertentu di ruang warna tertentu misal pada ruang warna RGB kita ingin fokus ke layer Red.

Ketiga, pada tahapan ini kita akan menentukan dulu jarak dan sudut yang akan di pakai untuk ekstraksi ciri fitur GLCM. Mari asumsikan kita akan menggunakan jarak sebesar 2 dengan sudut kerja 0 derajat lalu melakukan proses GLCM dengan mengekstraksi ciri sebesar 14 fiturnya *jika kalian tidak tahu, haralick melalui jurnalnya menjabarkan bahwa GLCM memiliki 14 fitur yang bisa di ekstraksi*. Proses ekstraksi ciri sebesar 14 fitur GLCM ini akan dilakukan pada masing-masing citra latih sejumlah 150 citra dengan parameter sudut 0 derajat dan jarak 2 piksel.

Keempat, memberikan tag kelas pada masing-masing citra latih yang dibaca pada sistem, misal citra 1 s/d 50 merupakan kelas Bunga Tulip dan seterusnya seperti yang sudah di tentukan sebelumnya. Pemberiaan tag kelas pada masing-masing citra latih ini dilakukan dengan otomatis, dengan menggunakan perulangan pada Matlab.

Terakhir, ciri fitur yang berhasil di ekstraksi pada setiap citra latih akan di simpan di sebuah array dan diurutkan. Setelah semua citra latih berhasil di ekstraksi ciri GLCM dan array akan menyimpan sementara nilai fitur latihnya. Oleh karena itu, kita perlu menyimpan fitur latih dari array ini secara permanen dengan mengkonversinya ke bentuk Microsoft Excel (.xls).

Tahap 3 : Sintaks / Coding

Coding GLCM Haralick

Pemahaman sistem pada umumnya lebih penting untuk perlu kamu ketahui terlebih dahulu, sebelum mulai melakukan pemrograman di Matlab. Untuk mendapatkan sintaks algoritma GLCM secara lengkap, kamu bisa mendapatkannya disini. Baca deskripsi dan ikuti tata cara pemesanannya. Amankah? Tentu saja aman, karena menggunakan rekening bersama. Sintaks lengkap sekali dengan keterangan-keterangannya, bahkan kalian juga bisa mengkombinasikan 14 fitur tadi ke 3, 4 dan 5 fitur kombinasi. Kenapa harus kombinasi fitur? Sebagai upaya pengetesan, apakah fitur kombinasi tertentu akan mempengaruhi hasil akurasi? Berdasarkan pengalamanku, penggunaan fitur kombinasi tertentu akan berpengaruh dan memiliki akurasi tertinggi pada fitur kombinasi tertentu. Sehingga hal tersebut akan bisa kamu tambahkan pada bagian analisis sebagai upaya analisis yang mendetail pada penelitian kamu. Tak luput juga kamu bisa melihat pengaruh penggunaan ruang warna dan layer tertentu pada akurasi klasifikasi.

Catatan :
1. Perhatikan lokasi citra latih disimpan di komputer pada tahap load citra latih di sistem.
2. Perhatikan resize, ruang warna dan layer pada tahap pre-processing.
3. Perhatikan penggunaan sudut dan jarak pada tahap ekstraksi ciri GLCM.
4. Perhatikan tag kelas pada tahap tag kelas citra latih sesuai urutan citra di folder.

Tahap 4 : Ekstraksi Ciri GLCM

Pada bagian ini, akan dijelaskan mengenai hasil ekstraksi ciri GLCM. Jika program kalian jalankan dengan lancar, maka kalian mendapatkan sebuah file bernama "dataLatih.xlsx". Data itu merupakan data latih hasil ekstraksi ciri algoritma GLCM kalian, dengan kata lain bahwa data tersebut termasuk data penting komputer untuk mengenai pola warna, tekstur dan bentuk dari citra latih yang sudah di proses.

Hasil Ekstraksi Ciri GLCM 14 Fitur Haralick di Microsoft Excel

Dari excel, kita bisa melakukan berbagai macam hal seperti melihat hasil nilai fiturnya sampai membuat grafik ekstraksi ciri sesuai kelasnya. Dari situ kita bisa melakukan analisis lagi mengenai pengaruh pada masing-masing ruang warna, layer dan sudut jarak yang digunakan pada ekstraksi ciri GLCM.

Tahap 5 : Kombinasi Fitur GLCM

Pada tahap ini sebenarnya hanyalah tambahan sistem lanjutan yang lebih lanjut dalam upaya mengetahui pengaruh kombinasi fitur 3,4 dan 5 terhadap akurasi sistem. Dengan ini, kalian bisa menganalisis lebih dalam pengaruh kombinasi fitur tertentu terhadap akurasi sistem. Tentu tahapan ini akan berfungsi jika kalian sudah menyelesaikan algoritma klasifikasi kalian masing-masing. Pada masing-masing kombinasi 3, 4 dan 5 fitur GLCM, terdapat 100 kombinasi yang menyertainya. Misal, pada kombinasi fitur 3, terdapat 100 kombinasi fitur seperti x1,x2,x3; x1,x2,x4; x1,x2,x5 dan seterusnya sejumlah 100. Fitur x1,x2,...x14 merupakan singkatan dari fitur sebenarnya dari 14 fitur GLCM Haralick.

Kesimpulan, kalian bisa menggunakan algoritma ini untuk proyek skripsi, penelitian maupun proyek pribadi masing-masing seperti perancangan sistem pengenalan wajah, perancangan sistem pengenalan buah-buahan/sayur-sayuran dan lain sebagainya. Tentu hasil ekstraksi ciri sangat di pengaruhi oleh kualitas citra latih, jadi gunakan citra latih yang memiliki gambar yang jelas dan detail. Jika ada pertanyaan? Silahkan komentar aja di kolom komentar di bawah ya! Semoga tugas atau proyek kalian berjalan lancar dan sukses. Amin