proposal ta.docx
TRANSCRIPT
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 1/39
1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Dewasa ini kepedulian masyarakat Indonesia akan budaya-budaya lokal semakin
memudar. Kebanyakan lebih memilih mengikuti tren perkembangan yang lebih mewah dan
modern. Dan anehnya, tren yang dipilih oleh masyarakat kebanyakan berasal dari luar negeri.
Inilah yang menjadi suatu anomali yang terjadi di Indonesia, dimana negara-negara asing sangat
tertarik dan kagum serta ingin mempelajari budaya-budaya yang beragam serta unik di setiap
daerah di Indonesia, disaat itu pula masyarakat Indonesia semakin melupakan dan mengabaikan
warisan budaya yang sangat dibanggakan dan dicintai masyarakat pada zaman dulu.
Saat ini, kita telah mengenal berbagai macam teknologi canggih yang diciptakan
seharusnya untuk memfasilitasi segala kebutuhan masyarakat. Akan tetapi banyak juga yang
digunakan untuk suatu hal yang tidak berguna, tidak bermoral, dan tidak mendidik. Padahal, jika
teknologi digunakan dengan sebaik-baiknya maka masyarakat akan lebih maju dan berkembang.
Contoh teknologi canggih saat ini seperti tv, radio, internet, telepon, komputer, dll. Bayangkan
jika media tersebut digunakan untuk menyebarkan, melestarikan, dan mendidik masyarakat
tentang keunikan, keindahan, keanekaragaman budaya yang dimiliki oleh bangsa Indonesia serta
mengajarkan bagaimana budaya tersebut patut dipertahankan dan dilestarikan di zaman ini dan
zaman yang akan datang.
Rumah adat merupakan salah satu kebudayaan dari setiap daerah di Indonesia. Setiap
rumah adat ini memiliki keunikan dan keindahan tersendiri. Sehingga sangat disayangkan
apabila kebudayaan ini dilupakan oleh masyarakat di Indonesia. Terbukti di beberapa daerah di
Indonesia dimana rumah adat ini sudah sangat sedikit yang terlihat. Padahal, rumah adat ini bukan hanya sebagai identitas bagi suatu daerah tertentu, akan tetapi masing-masing rumah adat
ini juga memiliki kegunaan untuk masyarakatnya sendiri.
Melihat permasalahan tersebut, penulis ingin turut serta memberi kontribusi untuk
menjaga kelestarian budaya dengan cara mengembangkan sebuah aplikasi yang dapat mengenali
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 2/39
2
rumah adat di Indonesia. Ide dasar dari pembangunan aplikasi ini adalah untuk mengenalkan
kembali rumah adat dalam bentuk digital. Tema penelitian yang diambil yaitu mendeteksi rumah
adat di Indonesia.
1.2
Rumusan Masalah
Berdasarkan latar belakang yang telah di jelaskan sebelumnya, maka di dapat beberapa
hal yang perlu dirumuskan dalam pembuatan aplikasi deteksi rumah adat, antara lain :
1. Bagaimana membangun aplikasi deteksi rumah adat yang mampu mengenali
karakteristik masing-masing rumah adat.
2. Bagaimana memanfaatkan deteksi tepi agar dapat mengolah dan mengenali tepi suatu
objek.
3. Bagaimana menerapkan metode backpropagation dalam menentukan pola suatu
objek.
4. Bagaimana menentukan nilai input saat proses pembelajaran.
1.3 Batasan Masalah
Batasan masalah yang dipakai dalam pembuatan aplikasi deteksi rumah adat adalah
sebagai berikut :
1. Rumah adat yang dideteksi adalah bagian tampak depan.
2. Rumah adat yang dideteksi adalah rumah adat di Indonesia.
3. Sampel dibatasi pada 5 rumah adat.
4. Aplikasi yang digunakan berbasis desktop.
5. Algoritma deteksi tepi yang digunakan yaitu algoritma canny.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 3/39
3
1.4 Tujuan Penelitian
Ada beberapa tujuan dari penelitian pembuatan aplikasi deteksi rumah adat adalah
sebagai berikut :
1. Mengetahui cara mengimplementasikan algoritma deteksi tepi pada gambar rumah
adat.
2. Menemukan keunikan dan karateristik dengan mendeteksi tepi gambar dari masing-
masing rumah adat.
1.5 Metode Penelitian
Untuk mendapatkan data data yang berkaitan dengan penelitian, ada beberapa metode
yang dapat digunakan, yaitu :
1. Studi Pustaka / Literatur
Metode ini dilakukan dengan cara mengumpulkan data data dan informasi yang
berkaitan dengan penelitian baik itu dari buku buku perpustakaan, referensi di internet
dan juga buku buku hasil TA kakak tingkat sebelumnya.
2. Sampling
Metode ini dilakukan dengan cara membandingkan hasil ringkasan sistem dengan
ringkasan beberapa orang yang dijadikan sample.
3. Metode pengembangan perangkat lunak ( prototype )
- Analisis kebutuhan
Pengumpulan data dalam tahap ini bisa melakukan sebuah penelitian,
wawancara atau studi literatur. Tahapan ini akan menghasilkan dokumen user
requirment atau bisa dikatakan sebagai data yang berhubungan dengan
keinginan user dalam pembuatan sistem.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 4/39
4
- Desain sistem
Tahapan dimana dilakukan penuangan pikiran dan perancangan sistem
terhadap solusi dari permasalahan yang ada dengan menggunakan perangkat
pemodelan sistem seperti diagram alir data (data flow diagram), diagram
hubungan entitas (entity relationship diagram) serta struktur dan bahasan data.
- Pengkodean
Penulisan kode program atau coding merupakan
penerjemahan design dalam bahasa yang bisa dikenali oleh komputer. Dilakukan
oleh programmer yang akan meterjemahkan transaksi yang sesuai dengan
analisis kebutuhan dan desain sistem. Tahapan ini lah yang merupakan tahapan
secara nyata dalam mengerjakan suatu sistem.
- Pengujian
Tahapan akhir dimana sistem yang baru diuji kemampuan dan
keefektifannya sehingga didapatkan kekurangan dan kelemahan sistem pendeteksi
rumah adat yang kemudian dilakukan pengkajian ulang dan perbaikan terhadap
aplikasi menjadi lebih baik dan sempurna.
1.6 Tinjauan Pustaka
Berikut ini dilakukan tinjauan pustaka terhadap aplikasi deteksi rumah adat dengan
berbagai metode, antara lain :
Anggi Rizky Windra Putri ( 2013 ) Jurusan Teknik Informatika Universitas Islam
Negeri Sunan Kalijaga Yogyakarta dalam tugas akhirnya yang berjudul “ Aplikasi
Jaringan Syaraf Tiruan Dengan Menggunakan Metode Backpropagation Dalam
Kasus Pengenalan Pola Huruf Hijaiyah” mengungkapkan bahwa Pengenalan huruf
berdasarkan pola yang dibentuk bilangan biner. Semakin baik pola huruf dibentuk
bilangan biner maka akan semakin mudah untuk dikenali hurufnya. Pola huruf hijaiyah
dikelompokkan sebanyak tiga puluh pola huruf yang mampu dikenali.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 5/39
5
Dompak Petrus Sinambela ( 2013 ) Sekolah Tinggi Manajemen Informatika
Komunikasi dalam tugas akhirnya yang berjudul “Pengenalan Karakter Tulisan
Tangan Latin pada Jaringan Syaraf Tiruan Metode Backpropogation dengan Input
Citra Kamera Digital “ mengungkapkan bahwa tingkat keakurasian program yaitu
sebesar 87,2% dari pengenalan karakter tulisan tangan 5 orang. Penentuan nilai learning
rate sangat mempengaruhi pergeseran nilai pada bobot saat proses pelatihan jaringan
syaraf tiruan, dimana data bobot v dan bias ke hidden layer yang baru mengalami
pergeseran yang sangat kecil. Sedangkan data bobot w dan bias ke output layer yang baru
mengalami pergeseran nilai yang cukup besar. Nilai input dan epoh pada saat proses
pelatihan jaringan syaraf tiruan mempengaruhi pendekatan nilai ke target output jaringan
syaraf tiruan dengan menggunakan algoritma backpropagation untuk dapat mengenali
tulisan tangan yang ditulis di formulir pengajuan kredit.
Akbar Ramadhan ( 2012 ) Teknik Informatika Institut Teknologi Nasional
Bandung dalam tugas akhirnya yang berjudul “ Implementasi Backpropagation dalam
mengenali Pola Gambar Untuk Mendiagnose Penyakit Kulit“ menyatakan bahwa
Jaringan syaraf tiruan tidak dapat menyelesaikan proses pengujian dari citra baru yang berbeda
untuk memprediksi penyakit kulit dengan baik. Dengan persentase fungsi yang gagal mencapai
16,67% maka sistem tidak menghubungkan antara aplikasi system pakar dan jaringan syaraf
tiruan sehingga menjadi 2 aplikasi yang berbeda.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 6/39
6
1.7 Batasan Masalah
Bab I Pendahuluan, berisi latar belakang masalah, rumusan masalah, tujuan penelitian,
manfaat penelitian dan sistematika penulisan.
Bab II Landasan Teori, berisi telaah teori yang berhubungan dan menjadi acuan dalam
penulisan tugas akhir.
Bab III Metode Penelitian, berisi Disain Penelitian, Populasi dan Sampling Penelitian,
Variabel Penelitian dan Definisi Operasional Variabel, Lokasi dan Waktu Penelitian, Prosedur
Pengumpulan Data dan Teknik Analisis yang digunakan dalam penelitian ini.
Bab IV Hasil Penelitian dan Pembahasan, berisi data penelitian, hasil penelitian serta
pembahasan atas hasil penelitian data tersebut.
Bab V Kesimpulan dan Saran, berisi kesimpulan dan saran terhadap penelitian yang telah
dibuat dan kepada penulis sendiri.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 7/39
7
1.8 Tabel Perbandingan
JUDUL Aplikasi Jaringan Syaraf Tiruan
Dengan Menggunakan Metode
Backpropagation Dalam Kasus
Pengenalan Pola Huruf Hijaiyah
Pengenalan Karakter Tulisan
Tangan Latin pada Jaringan
Syaraf Tiruan Metode
Backpropogation dengan Input
Citra Kamera Digital
Implementasi Backpropagation
dalam mengenali Pola Gambar Untuk
Mendiagnose Penyakit Kulit
Aplikasi Pengenalan Rumah
Adat daerah di Indonesia
menggunakan algoritma canny
dan metode Backpropagation
TAHUN 2013 2013 2012 2014
PENELITI Anggi Rizky Windra Putri Dompak Petrus Sinambela Akbar RamadhanMeikel Sandy Juerman, Asep Nana
Hermana
PENDEKATAN Algoritma Bacpropagation Algoritma Bacpropagation Algoritma Bacpropagation Algoritma Bacpropagation
BENTUK
PENELITIAN
Pengenalan huruf berdasarkan pola
yang dibentuk bilangan biner.
Semakin baik pola huruf dibentuk
bilangan biner maka akan semakin
mudah untuk dikenali hurufnya.
Pola huruf hijaiyah dikelompokkan
sebanyak tiga puluh pola huruf
yang mampu dikenali.
Penentuan nilai learning rate untuk
mengetahui nilai pada bobot saat
proses pelatihan jaringan syaraf
tiruan, Penentuan nilai input dan
epoh pada saat proses pelatihan
jaringan syaraf tiruan algoritma
backpropagation untuk dapat
mengenali tulisan tangan yang
ditulis di formulir pengajuan
kredit.
Menggabungkan antara aplikasi system
pakar dan aplikasi jaringan syaraf ti ruan
untuk mendiagnosa penyakit kulit.
Bagaimanan cara menggabungkan
algoritma canny dan
backpropagation sehingga input
gambar dapat diubah secara utuh ke
bentuk matrik.
HASIL
PENELITIAN
Pengenalan huruf berdasarkan pola
yang dibentuk bilangan biner.
Semakin baik pola huruf dibentuk
bilangan biner maka akan semakin
mudah untuk dikenali hurufnya.
Keakurasian program yaitu sebesar
87,2% dari pengenalan karakter
tulisan tangan 5 orang.
Jaringan syaraf tiruan tidak dapat
menyelesaikan proses pengujian dari
citra baru yang berbeda untuk
memprediksi penyakit kulit dengan
baik. Dengan persentase fungsi yang
-
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 9/39
9
1.9 Alur Kerja Sistem
Perambanan maju
Grayscale Gaussian filter
Operator sobelThreshold
Non-maximum
suppression
Hasil
Pengenalan
pola
Hysteresis
Input PraprocessingDeteksi Tepi
(canny)Pengenalan Pola
(Bacpropagation)
Citra
rumah
adat (.jpg)
Citra
biner
Hasil
deteksi
tepi citra
Perambanan
mundur
Simpan hasil
pelatihan
Proses Pelatihan
Pengujian citra baruterhadap hasil
pelatihan
Gambar 1.1 alur kerja system
Pada aplikasi ini, input merupakan citra atau gambar rumah adat yang ada di Indonesia.
Citra rumah adat yang menjadi input akan diproses terlebih dahulu menjadi citra biner sebelum
dideteksi tepi menggunakan grayscale dan threshold . Kemudian output yang berupa citra biner
akan diproses oleh algoritma canny untuk mendapatkan tepi dari objek. Output dari proses canny
akan diproses lagi oleh algoritma backpropagation untuk mengenali pola atau fitur dari suatu
objek dengan melakukan pelatihan bobot dan bias kemudian melakukan pengujian terhadap hasil
pelatihan.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 10/39
9
BAB II
Landasan Teori
Untuk dapat mencapai tujuan dari penelitian ini yaitu membuat aplikasi pengenalan
rumah adat menggunakan metode bacpropagation maka dibutuhkan beberapa disiplin ilmu
sebagai pedoman pembangunannya. Agar dapat memahami isi program-program dan metode-
metode yang ada dalam system ini, maka harus mempelajari fungsi-fungsi dasar dari disiplin
ilmu yang digunakan dalam system ini.
2.1
Citra
Citra (image) adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari
sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas
cahaya pada bidang dwimatra. Sumber cahaya menerangi objek, objek memantulkan
kembali sebagian dari berkas cahaya tersebut. Pemantulan cahaya ini ditangkap oleh alat-
alat optic, misalnya mata pada manusia, kamera, pemindai ( scanner ), sehingga bayangan
objek yang disebut citra tersebut terekam.
2.1.1. Citra Digital
Citra digital adalah citra f ( x,y) yang telah dilakukan digitalisasi baik koordinat
area maupun brightness level. Nilai f di koordinat ( x,y) menunjukkan brightness atau
grayness level dari citra pada titik tersebut.
Citra digital diwakili oleh sebuah matrik yang terdiri dari M kolom dan N baris dimana
perpotongan antara kolom dan baris disebut piksel (pixel = picture element), yaitu elemen
terkecil dari sebuah citra. Piksel mempunyai 2 parameter, yaitu koordinat dan intensitas
atau warna. Nilai yang terdapat pada koordinat (x,y) adalah f ( x,y), yaitu besar intensitas
atau warna dari piksel di titik tersebut. Oleh sebab itu, sebuah citra digital dapat ditulis
dalam bentuk matrik pada gambar 2.2.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 12/39
12
Dimana nilai m,n dan k adalah bilangan bulat positif. Interval (0, G) disebut skala
keabuan. Besar G tergantung pada proses digitalisasi, Biasanya keabuan 0 (nol)
menyatakan intensitas hitan dan 1 (satu) menyatakan intensitas putih. Untuk citra 8 bit,
nilai G sama dengan 28 = 256 warna (derajat keabuan). (RD. Kusumanto : 2011).
Gambar 2.3 Representasi citra digiltal dalam 2 dimensi
2.1.2.
Pengolahan Citra Digital
Pengolahan citra digital merupakan proses yang bertujuan untuk memanipulasi
dana menganalisis citra dengan bantuan computer. Atau dapat juga diartikan sebagai
proses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer.
Masukan dari pengolahan citra adalah berupa data gambar dan keluarannya berupa
gambar juga. Tujuannya adalah memperbaiki informasi pada gambar (masukan) sehingga
menghasilkan gambar (keluaran) yang mudah terbaca atau hanya sekedar untuk
memperbaiki kualitas dari gambar itu sendiri.
Pengolahan citra digital dapat dikelompokkan dalam dua kenis kegiatan :
a. Memperbaiki kualitas gambar sehingga dapat lebih mudah diinterpretasikan oleh
mata manusia.
b. Mengolah informasi yang terdapat pada suatu gambar untuk keperluan pengenalan
objek secara otomatis.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 13/39
13
2.1.2.1.Operasi PraProcessing Citra Digital
Operasi-operasi yang dilakukan dalam praprocessing citra yaitu :
a. Grayscale
Grayscale merupakan proses pengolahan citra dengan mengubah nilai-nilai piksel
awal citra menjadi sebuah citra keabuan. Citra keabuan adalah citra yang setiap
pikselnya mengandung satu layer dimana nilai intensitasnya berada pada interval 0-
255, sehingga nilai-nilai piksel pada citra keabuan tersebut dapat direpresentasikan
dalam sebuah matriks yang dapat memudahkan proses perhitungan pada operasi
berikutnya. Rumus menghitung grayscale :
…………………..(4)
(a) (b)
Gambar 2.4 (a) citra asli, (b) citra hasil grayscale
b. Threshold
Threshold merupakan operasi pemetaan suatu nilai piksel berdasarkan syarat nilai
ambang menjadi nilai baru yang dikehendaki. Pada prinsipnya threshold mengubah
citra grayscale menjadi citra biner. Citra biner adalah citra yang terdiri dari dua
derajat keabuan. Tujuan dari operasi threshold yaitu untuk mengidentifikasi
keberadaan objek yang direpresentasikan sebagai daerah (region) di dalam citra.
Misalnya kita ingin memisahkan objek dari latar belakangnya. Piksel objekdinyatakan dengan nilai 1 sedangkan piksel lain dengan nilai 0. Rumus threshold :
⁄ ……………………………..(5)
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 14/39
14
Dimana :
b = nilai derajat keabuan sebelum thresholding
x = nilai derajat keabuan setelah thresholding
b didapat dari :
⁄ …………………………….(6)
(a) (b)
Gambar 2.5 (a) Citra grayscale, (b) citra hasil threshold
2.1.2.2.Deteksi Tepi (edge detection )
Tepi adalah perubahan nilai intensitas derajat keabuan yang mendadak (besar)
dalam jarak yang singkat. Deteksi tepi pada suatu citra adalah suatu proses yang
menghasilkan tepi-tepi dari objek-objek citra, tujuannya adalah :
1. Untuk menandai bagian yang menjadi detail citra
2. Untuk memperbaiki detail dari citra yang kabur, yang terjadi karena error atau
adanya efek dari proses akuisisi.
Suatu titik (x,y) dikatakan sebagai tepi dari suatu citra bila titik tersebut
mempunyai perbedaan yang tinggi dengan tetangganya. Gambar 2.6 berikut ini
menggambarkan proses deteksi tepi.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 15/39
15
Gambar 2.6 Proses deteksi tepi citra
Berdasarkan prinsip-prinsip filter pada citra maka tepi suatu citra dapat diperolehmenggunakan High Pass Filter (HPF), yang mempunyai karakteristik :
∑ ∑ ……………………………..(7)
Contoh :
Diketahui fungsi citra f(x,y) sebagai berikut :
1 1 1 1 1
1 1 1 1 0
1 1 1 0 0
1 1 0 0 0
1 0 0 0 0
Dengan menggunakan filter : H ( x,y) = [-1 1]
Maka hasil filter adalah :
0 0 0 0 1
0 0 0 1 0
0 0 1 0 0
0 1 0 0 0
1 0 0 0 0
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 16/39
16
Terdapat tiga macam tepi di dalam citra digital yaitu :
a. Tepi Curam
Tepi curam adalah tepi dengan perubahan intensitas yang tajam. Arah tepi
berkisar 900. Gambar 2.7 menunjukkan deteksi tepi tipe tepi curam.
Gambar 2.7 Tepi curam
b.
Tepi Landai
Tepi landau yaitu tepi dengan sudut arah yang kecil. Tepi landau dapat dianggap
terdiri dari sejumlah tepi-tepi lokal yang lokasinya berdekatan. Gambar 2.8
menunjukkan deteksi tepi tipe tepi landai.
Gambar 2.8 Tepi landai
c. Tepi mengandung derau
Umumnya tepi yang terdapat pada aplikasi visi computer mengandung derau.
Operasi peningkatan kualitas citra dapat dilakukan terlebih dahulu sebelum
pendeteksian tepi. Gambar 2.9 menunjukkan deteksi tepi tipe tepi derau.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 17/39
17
Gambar 2.9 Tepi derau.
Berikut ini contoh hasil deteksi tepi :
(a) (b)
Gambar 2.10 Citra kamera (a), citra hasil deteksi tepi (b)
Deteksi tepi memiliki berbagai macam operator dalam mendeteksi tepi suatu citra,
salah satu yaitu operator Canny.
2.1.2.3.Operator Canny
Salah satu operator deteksi tepi modern adalah deteksi tepi dengan operator
Canny. Deteksi tepi canny ditemukan oleh Marr dan Hildreth yang meneliti pemodelan
persepsi visual manusia. Ada beberapa kriteria pendeteksi tepian paling optimum yang
dapat dipenuhi oleh operator canny :
a. Mendeteksi dengan baik (kriteria deteksi)
Kemampuan untuk meletakkan dan menandai semua tepi yang ada sesuai dengan
pemilihan parameter-parameter konvolusi yang dilakukan. Sekaligus juga
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 18/39
18
memberikan fleksibilitas yang sangat tinggi dalam hal menentukan tingkat deteksi
ketebalan tepi sesuai yang diinginkan.
b. Melokalisasi dengan baik (kriteria lokalisasi)
Dengan Canny dimungkinkan dihasilkan jarak yang minimum antara tepi yang
dideteksi dengan tepi yang asli.
c. Respon yang jelas (kriteria respon)
Hanya ada satu respon untuk tiap tepi, sehingga mudah dideteksi dan tidak
menimbulkan kerancuan pada pengolahan citra selanjutnya. Pemilihan parameter
deteksi tepi Canny sangat mempengaruhi hasil dari tepian yang dihasilkan. Beberapa
parameter tersebut adalah :
1. Nilai Standart Deviasi Gaussian
2.
Nilai Ambang
Pendekatan algoritma Canny dilakukan dengan konvolusi fungsi gambar dengan
operator Gaussian dan turunan-turunannya. Turunan pertama dari fungsi citra yang
dikonvolusikan dengan fungsi Gaussian yaitu :
g(x,y) = D[gauss(x,y)*(f(x,y)] ……………………………. (5)
ekivalen dengan fungsi citra yang dikonvolusi dengan turunan pertama dari fungsi
Gaussian :
g(x,y) = D[gauss(x,y)] *(f(x,y) ……………………………. (6)
Oleh karena itu, memungkinkan untuk mengkombinasikan tingkat kehalusan dan
pendeteksian tepi ke dalam suatu konvolusi dalam satu dimensi dengan dua arah yang
berbeda (vertical dan horizontal).
Algoritma Canny berjalan dalam 5 langkah yang terpisah yaitu :
1. Smoothing
Smoothing merupakan proses mengaburkan gambar untuk menghilangkan
noise. Pada tahap ini digunakan Gaussian filter dengan standar deviasi = n.
2. Finding gradient : Tepian harus ditandai pada gambar yang memiliki
gradient yang besar.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 19/39
19
3. Non-maksimum-suppresion : Hanya maxima local yang harus ditandai sebagai
edge
4. Double thresholding : Tepian yang berpotensi ditentukan oleh
thresholding.
5. Edge Tracking by hysteresis : Tepian final ditentukan dengan menekan semua
sisi yang tidak terhubung dengan tepian yang sangat kuat.
(a) (b)
Gambar 2.11 Gambar (a) citra asli, (b) citra hasil deteksi
canny
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 20/39
20
Start
Citra hasil
praprocessing
Gaussian Filter
Sobel x (Gx),
Sobel y (Gy)
Non-maximum
suppression
Hysteresis
Hasil Tepicitra
End
Alur kerja algoritma canny :
√
Gambar 2.12 alur kerja algoritma canny
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 21/39
21
2.2 Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan dibuat pertama kali pada tahun 1943 oleh
neurophysiologist Waren McCulloch dan logician Walter Pits, namun teknologi yang
tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh.
Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yang
terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu
informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari
sistim pemrosesan informasi. Jaringan Syaraf Tiruan, seperti manusia, belajar dari suatu
contoh. Jaringan Syaraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu
seperti pengenalan pola atau klasifikasi karena proses pembelajaran. Jaringan Syaraf
Tiruan berkembang secara pesat pada beberapa tahun terakhir. Jaringan Syaraf Tiruan
telah dikembangkan sebelum adanya suatu computer konvensional yang canggih dan
terus berkembang walaupun pernah mengalami masa vakum selama beberapa tahun.
Jaringan Syaraf Tiruan keluar dari penelitian kecerdasan buatan, terutama
percobaan untuk menirukan fault-tolerence dan kemampuan untuk belajar dari sistem
syaraf biologi dengan model struktur low-level dari otak. Otak terdiri dari sekitar
(10.000.000.000) sel syaraf yang saling berhubungan. Sel syaraf mempunyai cabang
struktur input (dendrites), sebuah inti sel dan percabangan struktur output (axon). Axon
dari sebuah sel terhubung dengan dendrites yang lain melalui sebuah synapse. Ketika
sebuah sel syaraf aktif, kemudian menimbulkan suatu signal electrochemical pada axon.
Signal ini melewati synapses menuju ke sel syaraf yang lain. Sebuah sel syaraf lain akan
mendapatkan signal jika memenuhi batasan tertentu yang sering disebut dengan nilai
ambang atau (threshold).
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 22/39
22
Gambar 2.13 Susunan syaraf manusia
Jaringan Syaraf Tiruan memiliki pendekatan yang berbeda untuk memecahkan
masalah bila dibandingkan dengan sebuah komputer konvensional. Umumnya komputer
konvensional menggunakan pendekatan algoritma (komputer konvensional menjalankan
sekumpulan perintah untuk memecahkan masalah). Jika suatu perintah tidak diketahui
oleh komputer konvensional maka komputer konvensional tidak dapat memecahkan
masalah yang ada. Sangat penting mengetahui bagaimana memecahkan suatu masalah
pada komputer konvensional dimana komputer konvensional akan sangat bermanfaat jika
dapat melakukan sesuatu dimana pengguna belum mengatahui bagaimana melakukannya.
Jaringan Syaraf Tiruan (Neural Network) dan suatu algoritma komputer
konvensional tidak saling bersaing namun saling melengkapi satu sama lain. Pada suatu
kegiatan yang besar, sistim yang diperlukan biasanya menggunakan kombinasi antara
keduanya (biasanya sebuah komputer konvensional digunakan untuk mengontrol
Jaringan Syaraf Tiruan (Neural Network) untuk menghasilkan efisiensi yang maksimal.
Jaringan Syaraf Tiruan (Neural Network) tidak memberikan suatu keajiban tetapi jika
digunakan secara tepat akan menghasilkan sasuatu hasil yang luar biasa.
Keuntungan penggunaan Jaringan syaraf tiruan :
a.
Perangkat yang mampu untuk mengenali suatu objek secara non-linier.
b. Mempermudah pemetaan input menjadi suatu hasil tanpa mengetahui proses
sebenarnya.
c. Mampu melakukan pengadaptasian terhadap pengenalan suatu objek
d. Perangkat yang memiliki toleransi terhadap suatu kesalahan dalam pengenalan objek.
e. Jaringan syaraf tiruan mampu diimplementasikan pada suatu Hardware.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 23/39
23
f. Perangkat yang mampu diimplementasikan secara parallel.
Jaringan syaraf tiruan ditentukan oleh 3 hal :
1. Pola hubungan antar neuron ( disebut arsitektur jaringan )
2. Metode untuk menentukan bobot penghubung (disebut metode learning/training)
3. Fungsi aktivasi.
2.2.1 Arsitektur Jaringan Syaraf Tiruan
Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan
antara lain :
1.
Jaringan Lapisan Tunggal ( single layer network )
Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung dengan
sekumpulan outputnya. Dalam beberapa model (misalnya perseptron), hanya ada
sebuah unit neuron output. Jaringan dengan lapisan tunggal hanya memiliki satu
lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian
secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan
tersembunyi. Pada gambar 4 menunjukan jaringan syaraf dengan lapisan input
memiliki 3 neuron, yaitu X1, X2, dan X3. Sedangkan pada lapisan output memiliki 2
neuron yaitu Y1 dan Y2. Neuron-neuron pada kedua lapisan saling berhubugan, besar
hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 24/39
24
Gambar 2.14 Jaringan Lapisan Tunggal
2. Jaringan Lapisan Jamak (multi layer network )
Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak
diantara lapisan input dan lapisan output sering disebut lapisan tersembunyi/ hidden
layer ). Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang
lebih sulit dari pada lapisan dengan lapisan tunggal, tentunya dengan pembelajaran
yang lebih rumit.Jaringan ini merupakan perluasan dari lapisan tunggal. Dalam
jaringan ini, selain unit input dan output, ada unit-unit lain (sering disebut lapisan
tersembunyi/hidden layer ). Dimungkinkan pula ada beberapa lapisan tersembunyi.
Sama seperti pada unit input dan output, unit-unit dalam satu lapisan tidak saling
berhubungan.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 25/39
25
Gambar 2.15 Jaringan Lapisan Banyak
3. Jaringan Lapisan Kompetitif
Model jaringan kompetitif mirip dengan lapisan tunggal ataupun ganda. Hanya saja,
ada neuron output yang memberikan sinyal pada unit input (sering disebut feedbackloop).
Gambar 2.16 Jaringan Lapisan Kompetitif
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 26/39
26
2.2.2 Paradigma Pembelajaran dalam JST
Berdasarkan cara memodifikasi bobotnya, ada 2 macam pelatihan yang dikenal
yaitu dengan supervisi dan tanpa supervisi Dalam pelatihan dengan supervisi, terdapat
sejumlah pasangan data (masukan - target keluaran) yang dipakai untuk melatih jaringan
hingga diperoleh bobot yang diinginkan. Pasangan data tersebut berfungsi sebagai "guru"
untuk melatih jaringan hingga diperoleh bentuk yang terbaik. "Guru" akan memberikan
informasi yang jelas tentang bagaimana sistem harus mengubah dirinya untuk
meningkatkan unjuk kerjanya. Pada setiap kali pelatihan, suatu input diberikan ke
jaringan. Jaringan akan memproses dan mengeluarkan keluaran. Selisih antara keluaran
jaringan dengan target (keluaran yang diinginkan) merupakan kesalahan yang terjadi.
Jaringan akan memodifikasi bobot sesuai dengan kesalahan tersebut. Jaringan
perceptron, Adaline dan backpropagation merupakan model-model yang menggunakan
pelatihan dengan supervisi. Sebaliknya, dalam pelatihan tanpa supervisi tidak ada "guru"
yang akan mengarahkan proses pelatihan. Dalam pelatihannya, perubahan bobot jaringan
dilakukan berdasarkan parameter tertentu dan jaringan dimodifikasi menurut ukuran
parameter tersebut.
Sebagai contoh, dalam model jaringan kompetitif, jaringan terdiri dari 2 layar,
yaitu layar input dan layar kompetisi. Layar input menerima data eksternal. Layar
kompetitif berisi neuron-neuron yang saling berkompetisi agar memperoleh kesempatan
untuk merespon sifat-sifat yang ada dalam data masukan. Neuron yang memenangkan
kompetisi akan memperoleh sinyal yang berikutnya ia teruskan. Bobot neuron pemenang
akan dimodifikasi sehingga lebih menyerupai data masukan.
Sebagai ilustrasi, pelatihan dengan supervisi dapat diandaikan sebagai skripsi
yang dibimbing oleh seorang dosen. Pada setiap kali pengumpulan berkas skripsi, dosen
akan mengkritik, mengarahkan dan meminta perbaikan agar kualitas skripsi meningkat.
Sebaliknya, Dalam pelatihan tanpa supervisi dapat dibayangkan sebagai skripsi tanpadosen pembimbing. Mahasiswa mengerjakan skripsi sebaik-baiknya berdasarkan ukuran
tertentu (misal dibandingkan dengan skripsi yang sudah ada sebelumnya atau
dibandingkan dengan hasil skripsi temannya). Berdasarkan hasil yang pernah dilaporkan,
model pelatihan dengan supervisi lebih banyak digunakan dan terbukti cocok dipakai
dalam berbagai aplikasi. Akan tetapi kelemahan utama pelatihan dengan supervisi adalah
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 27/39
27
dalam hal pertumbuhan waktu komputasinya yang berorde eksponensial. Ini berarti untuk
data pelatihan yang cukup banyak, prosesnya menjadi sangat lambat.
1. Pelatihan dengan Supervisi
Jaringan memberikan tanggapan dengan mendapatkan target tertentu. Sebelum
jaringan mengubah sendiri bobotnya untuk mencapai target, bobot interkoneksi
diinisialisasi. Proses belajar JST dengan pengawasan adalah proses belajar dengan
memberikan latihan untuk mencapai suatu target keluaran yang ditentukan. JST
mendapatkan latihan untuk mengenal pola-pola tertentu. Dengan memberikan target
keluaran, perubahan masukan akan diadaptasi oleh keluaran dengan mengubah bobot
interkoneksinya mengikuti algoritma belajar yang ditentukan. Set pelatihan dipilih
dari fungsi keluaran maksimum setiap keadaan parameter yang diubah. Dengan
menginisialisasi bobot tiap sel, JST akan mencari error terkecil, sehingga bentuk
fungsi keluaran mendekati target yang diinginkan. Berdasarkan proses belajar yang
dilakukan.
Beberapa hal yang perlu diperhatikan dalam menyusun set pelatihan, yaitu :
a. Pemberian urutan pola yang akan diajarkan.
b. Kriteria perhitungan error
c. Kriteria proses belajar
d. Jumlah iterasi yang harus dilalui
e. Inisialisasi bobot dan parameter awal.
Pelatihan dilakukan dengan memberikan pasangan pola-pola masukan dan
keluaran. Untuk keperluan pengendalian, pasangan pola tidak mengikuti rumusan
tertentu. JST harus dapat mengadaptasi masukan yang acak supaya keluaran tetap
mengikuti target. Lebih lanjut, proses pelatihan dilakukan dengan memberikan pola
yang menggunakan masukan acak dan bobot interkoneksi yang besar. Dengan
pemberian bobot yang besar, perbedaan target dan keluaran berkurang lebih cepat,
sehingga proses adaptasi akan lebih cepat pula. Salah satu proses belajar dengan
pengawasan adalah proses belajar menggunakan algoritma propagasi balik. Proses
belajar jaringan umpan balik dituliskan dalam bentuk algoritma propagasi balik yang
dikenal sebagai JPB. Jaringan Propagasi Balik (JPB) kadang-kadang dikenal sebagai
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 28/39
28
Multilayer Perceptron (MLP). Anda dapat menggunakan algoritma propagasi balik
untuk melatih jaringan lapis banyak.
2. Pelatihan Tanpa Supervisi
Pada pelatihan tanpa supervisi jaringan tidak mendapatkan target, sehingga JST
mengatur bobot interkoneksi sendiri. Belajar tanpa pengawasan kadang-kadang diacu
sebagai self-organizing learning , yakni belajar mengklasifikasikan tanpa dilatih. Pada
proses belajar tanpa pengawasan, JST akan mengklasifikasikan contoh pola-pola
masukan yang tersedia ke dalam kelompok yang berbeda-beda.
2.2.3 Fungsi Aktivasi
Fungsi aktivasi merupakan fungsi yang digunakan pada jaringan syaraf untuk
mengaktifkan atau tidak mengaktifkan neuron. Seperti terlihat pad gambar 3 sebuah
neuron akan mengolah N input (x1, x2, ..,xN) yang masing-masing memiliki bobot w1,
w2, w3, ..,wN) dan bobot bias b, dengan persamaan (5) :
() i wi ……………………………..(7)
Kemudian fungsi aktivasi F akan mengaktivasi a menjadi output jaringan y.
Gambar 2.17 Fungsi aktivasi
Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan,
yaitu :
1. Fungsi bipolar
Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja
output yang dihasilkan berupa 1 atau -1. Pada matlab fungsi ini lebih dikenal dengan
nama hardlims, dengan syntax: Y = hardlim(a).
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 29/39
29
{ ………………………………(8)
2.
Fungsi sigmoid biner (logsis)Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan
metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1.
Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan
nilai output yang terletak pada interval 0 sampai 1, namun fungsi ini juga dapat
digunakan oleh jaringan syaraf yang nilai outputnya 0 atau 1. Syntax yang digunakan
pada matlab adalah: Y = logsig(a).
……………………………..(9)
3. Fungsi sigmoid bipolar (tansig )
Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja
output dari fungsi ini memiliki range antara 1 sampai – 1. Syntax yang digunakan
pada matlab adalah: Y = tansig(a).
……………………………...(10)
2.2.4 Metode Backpropagation
Perambatan galat mundur ( Backpropagation) adalah sebuah metode sistematik
untuk pelatihan multiplayer jaringan saraf tiruan. Metode ini memiliki dasar matematis
yang kuat, obyektif dan algoritma ini mendapatkan bentuk persamaan dan nilai koefisien
dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model yang
dikembangkan (training set ). Langkah-langkah proses backpropagation :
1.
Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen pemroses
melalui lapisan luar.
2. Hitung kesalahan pada lapisan luar yang merupakan selisih antara data aktual dan
target.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 31/39
31
Keterangan gambar 2.14 :
X = masukan (input)
J = 1 s/d n (n=10)
V = bobot pada lapisan tersembunyi
W = bobot pada lapisan keluaran
n = jumlah unit pengolah pada lapisan tersembunyi
b = bias pada lapisan tersembunyi dan lapisan keluaran
k = jumlah unit pengolah pada lapisan keluaran
Y = keluaran hasil.
Tujuan dari perubahan bobot untuk setiap lapisan, bukan merupakan hal
yang sangat penting. Perhitungan kesalahan merupakan pengukuran bagaimana jaringan
dapat belajar dengan baik. Kesalahan pada keluaran dari jaringan merupakan selisih
antara keluaran aktual (current output ) dan keluaran target (desired output ).
Langkah berikutnya adalah menghitung nilai SSE (Sum Square Error) yang
merupakan hasil penjumlahan nilai kuadrat error neuron1 dan neuron2 pada lapisan
output tiap data, dimana hasil penjumlahan keseluruhan nilai SSE akan digunakan untuk
menghitung nilai RMSE (Root Mean Square Error) tiap iterasi.
Sum Square Error (SSE). SEE dihitung sebagai berikut :
1. Hitung lapisan prediksi atau keluaran model untuk masukan pertama.
2. Hitung selisih antara nilai luar prediksi dan nilai target atau sinyal latihan untuk setiap
keluaran.
3. Kuadratkan setiap keluaran kemudian hitung seluruhnya. Ini merupakan kuadrat
kesalahan untuk contoh lain.
( ) ……………………………..(11)
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 32/39
32
Root Mean Square Error (RMS Error). Dihitung sebagai berikut :
1. Hitung SSE.
2. Hasil dibagi dengan perkalian antara banyaknya data pada latihan dan banyaknya
keluaran, kemudian diakarkan.
√ ………………………………(12)
Ket :
RMSE = Root Mean Square Error
SSE = Sum Square Error
N = banyaknya data pada latihan
K = banyaknya keluaran.
2.2.4.2 Algoritma Pelatihan
Pelatihan suatu jaringan dengan algoritma backpropagation meliputi dua tahap :
perambatan maju dan perambatan mundur.
Selama perambatan maju, tiap unit masukan ( xi) menerima sebuah masukan sinyal
ini ke tiap-tiap lapisan tersembunyi z1
,…..,z p
. Tiap unit tersembunyi ini kemudianmenghitung aktivasinya dan mengirimkan sinyalnya ( z j) ke tiap unit keluaran. Tiap unit
keluaran ( yk ) menghitung aktivasinya ( yk ) untuk membentuk respon pada jaringan untuk
memberikan pola masukan.
Selama pelatihan, tiap unit keluaran membandingkan perhitungan aktivasinya yk
dengan nilai targetnya t k untuk menentukan kesalahan pola tersebut dengan unit itu.
Berdasark an kesalahan ini, faktor δk (k = 1,..,m) dihitung. δk digunakan untu menyebarkan
kesalahan pada unit keluaran yk kembali ke semua unit pada lapisan sebelumnya (unit-
unit tersembunyi yang dihubungkan ke yk ). Juga digunakan (nantinya) untuk mengupdate
bobot-bobot antara keluaran dan lapisan tersembunyi. Dengan cara yang sama, faktor ( j =
1,…,p) dihitung untuk tiap unit tersembunyi z j. Tidak perlu untuk menyebarkan kesalahan
kembali ke lapisan masukan, tetapi δ j digunakan untuk mengupdate bobot-bobot antara
lapisan tersembunyi dan lapisan masukan.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 33/39
33
Setelah seluruh faktor δ ditentukan, bobot untuk semua lapisan diatur secara
serentak. Pengaturan bobot w jk (dari unit tersembunyi z j ke unit keluaran yk ) didasarkan
pada faktor δk dan aktivasi z j dari unit tersembunyi z j. didasarkan pada faktor δ j dan dan
aktivasi xi unit masukan.
a. Prosedur Pelatihan
Langkah 0 : Inisialisasi bobot. (sebaiknya diatur pada nilai acak yang kecil),
Langkah 1 : Jika kondisi tidak tercapai, lakukan langkah 2-9,
Langkah 2 : Untuk setiap pasangan pelatihan, lakukan langkah 3-8,
Perambatan Maju :
Langkah 3 : Tiap unit masukan ( xi , i = 1,…, n) menerima sinyal xi dan menghantarkan
sinyal ini ke semua unit lapisan di atasnya (unit tersembunyi),
Langkah 4 : Setiap unit tersembunyi ( xi , i = 1,…, p) jumlahkan bobot sinyal
masukannya,
……………………………..(13)
voj = bias pada unit tersembunyi j aplikasikan fungsi aktivasinya untuk
menghitung sinyal keluarannya, z j = f ( z_in j), dan kirimkan sinyal ini
keseluruh unit pada lapisan diatasnya (unit keluaran).
Langkah 5 : Tiap unit keluaran ( yk , k = 1,…, m) jumlahkan bobot sinyal masukannya,
………………………..……(14)
wok = bias pada unit keluaran k dan aplikasikan fungsi aktivasinya untuk
menghitung sinyal keluarannya, yk = f ( y_ink ).
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 34/39
34
Perambatan Mundur :
Langkah 6 : Tiap unit keluaran ( yk , k = 1,…, m) menerima pola target yang saling
berhubungan pada masukan pola pelatihan, hitung kesalahan
informasinya,
………………………….(15)
hitung koreksi bobotnya (digunakan untuk memperbaharui wjk nantinya),
…………………………….(16)
hitung koreksi biasnya (digunakan untuk memperbaharui wok nantinya),
dan kirimkan δk ke unit-unit pada lapisan dibawahnya,
Langkah 7 : Setiap unit lapisan tersembunyi ( z j , j = 1,…, p) jumlahkan hasil
perubahan masukannya (dari unit-unit lapisan diatasnya),
……………………………(17)
kalikan dengan turunan fungsi aktivasinya untuk menghitung informasi
kesalahannya,
…………………………(18)
hitung koreksi bobotnya (digunakan untuk memperbaharui voj nanti),
Langkah 8 : Tiap unit keluaran ( yk , k =1,…,m) update bias dan bobotnya ( j = 0,…,p) :
……………………………(19)
Tiap unit lapisan tersembunyi ( z j , j = 1,…, p) update bias dan bobotnya ( I
= 0,…,n) :
…………………………(20)
Langkah 9 : Test kondisi berhenti.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 35/39
35
b. Prosedur Pengujian
Setelah pelatihan, jaringan saraf backpropagation diaplikasikan dengan hanya
menggunakan tahap perambatan maju dari algoritma pelatihan. Prosedur aplikasinya
adalah sebagai berikut :
Langkah 0 : Inisialisasi bobot (dari algoritma pelatihan).
Langkah 1 : Untuk tiap vektor masukan, lakukan langkah 2-4.
Langkah 2 : for i = 1,…, n : atur aktivasi unit masukan xi .
Langkah 3 : for j = 1,…, p :
∑ ……………………………(21)
……………………………(22)
Langkah 4 : for k = 1,…, m :
∑ ……………………………(23)
……………………………(24)
Langkah 5 : Jika yk ≥ 0,5 maka yk = 1, else yk = 0.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 37/39
37
2.3 Rumah Adat
Indonesia sungguh kaya baik alamnya maupun budayanya. Di Indonesia terdapat
ribuan suku bangsa yang mendiami sepanjang wilayah kepulauan negara ini. Setiap suku
bangsa memiliki unsur kebudayaan mulai dari bahasa, upacara adat, tari tradisional,
makanan, rumah adat, dan unsur lain yang berbeda dengan suku lainnya. Bentuk kearifan
lokal ini merupakan harta yang sangat berharga bagi Indonesia.
2.3.1 Pengertian Rumah Adat
Budihardjo (1994:57) rumah adalah aktualisasi diri yang diejawantahkan dalam
bentuk kreativitas dan pemberian makna bagi kehidupan penghuninya. Selain itu rumah
adalah cerminan diri, yang disebut Pedro Arrupe sebagai ”Status Conferring Function”,
kesuksesan seseorang tercermin dari rumah dan lingkungan tempat huniannya.
Rumah Adat adalah bangunan yang memiliki ciri khas, digunakan untuk tempat
hunian oleh suatu suku bangsa tertentu.Rumah adat merupakan salah satu representasi
kebudayaan yang paling tinggi dalam sebuah komunitas suku/masyarakat. Keberadaan
rumah adat di Indonesia sangat beragam dan mempunyai arti yang penting dalam
perspektif sejarah, warisan, dan kemajuan masyarakat dalam sebuah peradaban.
Rumah-rumah adat di indonesia memiliki bentuk dan arsitektur masing-masing
daerah sesuai dengan budaya adat lokal. Rumah adat pada umumnya dihiasi ukiran-
ukiran indah, pada jaman dulu, rumah adat yang tampak paling indah biasa dimiliki para
keluarga kerajaan atau ketua adat setempat menggunakan kayu-kayu pilihan dan
pengerjaannya dilakukan secara tradisional melibatkan tenaga ahli dibidangnya, Banyak
rumah-rumah adat yang saat ini masih berdiri kokoh dan sengaja dipertahankan dan
dilestarikan sebagai simbol budaya Indonesia.
7/21/2019 Proposal TA.docx
http://slidepdf.com/reader/full/proposal-tadocx 38/39
38
2.3.2 Fungsi Rumah Adat
Rumah adat ini mempunyai fungsi sosial dan budaya yang bertingkat-tingkat di
masyarakat. Awalnya merupakan pusat pemerintahan, kekuasaan adat, sekaligus
perkembangan kehidupan sosial budaya masyarakat. Contoh : Tongkonan yang
merupakan rumah adat suku Toraja, yang secara umum digunakan sebagai rumah tinggal,
kegiatan social, upacara adat, serta membina kekeluargaan. Bagian dalam dari
Tongkonan terbagi 3 yaitu ruang bagian utara atau depan yang berfungsi sebagai ruang
tamu, tempat anak-anak tidur, dan tempat meletakkan sesaji. Ruang bagian tengah yang
berfungsi sebagai ruang makan, tempat pertemuan keluarga, dapur, serta tempat
meletakkan mayat. Ruang bagian selatan berfungsi sebagai ruang kepala keluarga.
Gambar 2.20 Tongkonan (rumah adat suku Toraja)
2.3.3 Ciri Rumah Adat
Rumah adat di Indonesia sangat beranekaragam dengan ciri khas dan keunikan
masing-masing, baik dari bentuk, warna, dan kegunaan. Hal tersebut merupakan
kekayaan negeri ini yang tak ternilai. Walaupun tiap daerah memiliki perbedaan termasuk
rumah adatnya, kita tetap Indonesia yang berjiwa “Bhinneka Tunggal Ika”. Contoh : Ciri
khas Tongkonan yaitu bangunannya dibuat menghadap ke utara. Hal ini bermakna