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.

Contoh citra bunga yang digunakan ditunjukkan pada gambar berikut.

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.

Langkah-langkah pemrogramannya adalah:
1. Mempersiapkan data latih dan data uji
Data latih

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);

% Ekstraksi Ciri Warna RGB
R = Img(:,:,1);
G = Img(:,:,2);
B = Img(:,:,3);

CiriR = mean(R);
CiriG = mean(G);
CiriB = mean(B);

% Ekstraksi Ciri Tekstur Filter Gabor
I = rgb2gray(Img);
wavelength = 4;
orientation = 90;
[mag,phase] = gaborfilt(I,wavelength,orientation);

H = imhist(mag)';
H = H/sum(H);
I = [0:255]/255;

CiriMEAN = mean(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

sehingga diperoleh data ciri proses pelatihan seperti ditunjukkan pada gambar berikut

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

save net_keluaran net_keluaran

% Hasil identifikasi
hasil_latih = 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);

% Ekstraksi Ciri Warna RGB
R = Img(:,:,1);
G = Img(:,:,2);
B = Img(:,:,3);

CiriR = mean(R);
CiriG = mean(G);
CiriB = mean(B);

% Ekstraksi Ciri Tekstur Filter Gabor
I = rgb2gray(Img);
wavelength = 4;
orientation = 90;
[mag,phase] = gaborfilt(I,wavelength,orientation);

H = imhist(mag)';
H = H/sum(H);
I = [0:255]/255;

CiriMEAN = mean(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 = 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.

7. Membuka salah satu citra bunga berjenis Kansas state flower

8. Melakukan ekstraksi ciri warna dan ciri tektur

9. Melakukan identifikasi jenis bunga

10. Membuka salah satu citra bunga berjenis Marguerite daisy

11. Melakukan ekstraksi ciri warna dan ciri tektur

12. Melakukan identifikasi jenis bunga

Tampilan source code GUI nya adalah sebagai berikut:

function varargout = identifikasi_bunga(varargin)
% IDENTIFIKASI_BUNGA MATLAB code for identifikasi_bunga.fig
%      IDENTIFIKASI_BUNGA, by itself, creates a new IDENTIFIKASI_BUNGA or raises the existing
%      singleton*.
%
%      H = IDENTIFIKASI_BUNGA returns the handle to a new IDENTIFIKASI_BUNGA or the handle to
%      the existing singleton*.
%
%      IDENTIFIKASI_BUNGA('CALLBACK',hObject,eventData,handles,...) calls the local
%      function named CALLBACK in IDENTIFIKASI_BUNGA.M with the given input arguments.
%
%      IDENTIFIKASI_BUNGA('Property','Value',...) creates a new IDENTIFIKASI_BUNGA or raises the
%      existing singleton*.  Starting from the left, property value pairs are
%      applied to the GUI before identifikasi_bunga_OpeningFcn gets called.  An
%      unrecognized property name or invalid value makes property application
%      stop.  All inputs are passed to identifikasi_bunga_OpeningFcn via varargin.
%
%      *See GUI Options on GUIDE's Tools menu.  Choose "GUI allows only one
%      instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help identifikasi_bunga

% Last Modified by GUIDE v2.5 05-Jun-2017 01:28:31

% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct('gui_Name',       mfilename, ...
'gui_Singleton',  gui_Singleton, ...
'gui_OpeningFcn', @identifikasi_bunga_OpeningFcn, ...
'gui_OutputFcn',  @identifikasi_bunga_OutputFcn, ...
'gui_LayoutFcn',  [] , ...
'gui_Callback',   []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT

% --- Executes just before identifikasi_bunga is made visible.
function identifikasi_bunga_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject    handle to figure
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
% varargin   command line arguments to identifikasi_bunga (see VARARGIN)

% Choose default command line output for identifikasi_bunga
handles.output = hObject;

% Update handles structure
guidata(hObject, handles);
movegui(hObject,'center');

% UIWAIT makes identifikasi_bunga wait for user response (see UIRESUME)
% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.
function varargout = identifikasi_bunga_OutputFcn(hObject, eventdata, handles)
% varargout  cell array for returning output args (see VARARGOUT);
% hObject    handle to figure
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure
varargout{1} = handles.output;

% --- Executes on button press in pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)
% hObject    handle to pushbutton1 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
try
[nama_file,nama_path] = uigetfile({'*.*'});

if ~isequal(nama_file,0)
Img = imread(fullfile(nama_path,nama_file));
axes(handles.axes1)
imshow(Img)
handles.Img = Img;
guidata(hObject,handles)

axes(handles.axes2)
cla reset
set(gca,'XTick',[])
set(gca,'YTick',[])

axes(handles.axes3)
cla reset
set(gca,'XTick',[])
set(gca,'YTick',[])

axes(handles.axes4)
cla reset
set(gca,'XTick',[])
set(gca,'YTick',[])

axes(handles.axes5)
cla reset
set(gca,'XTick',[])
set(gca,'YTick',[])

set(handles.uitable1,'Data',[])
set(handles.edit1,'String','')
else
return
end
catch
end

% --- Executes on button press in pushbutton2.
function pushbutton2_Callback(hObject, eventdata, handles)
% hObject    handle to pushbutton2 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
try
Img = handles.Img;

% Ekstraksi Ciri Warna RGB
R = Img(:,:,1);
G = Img(:,:,2);
B = Img(:,:,3);

Red = cat(3,R,G*0,B*0);
Green = cat(3,R*0,G,B*0);
Blue = cat(3,R*0,G*0,B);

axes(handles.axes2)
imshow(Red)
title('Red')

axes(handles.axes3)
imshow(Green)
title('Green')

axes(handles.axes4)
imshow(Blue)
title('Blue')

CiriR = mean(R);
CiriG = mean(G);
CiriB = mean(B);

% Ekstraksi Ciri Tekstur Filter Gabor
I = rgb2gray(Img);
wavelength = 4;
orientation = 90;
[mag,~] = gaborfilt(I,wavelength,orientation);

axes(handles.axes5)
imshow(mag,[])
title('Magnitude')

H = imhist(mag)';
H = H/sum(H);
I = [0:255]/255;

CiriMEAN = mean(mag);
CiriENT = -H*log2(H+eps)';
CiriVAR = (I-CiriMEAN).^2*H';

data2 = cell(6,2);
data2{1,1} = 'Red';
data2{2,1} = 'Green';
data2{3,1} = 'Blue';
data2{4,1} = 'Mean';
data2{5,1} = 'Entropy';
data2{6,1} = 'Varians';
data2{1,2} = CiriR;
data2{2,2} = CiriG;
data2{3,2} = CiriB;
data2{4,2} = CiriMEAN;
data2{5,2} = CiriENT;
data2{6,2} = CiriVAR;

set(handles.uitable1,'Data',data2,'ForegroundColor',[0 0 0])

ciri_bunga = [CiriR; CiriG; CiriB; CiriMEAN; CiriENT; CiriVAR];

handles.ciri_bunga = ciri_bunga;
guidata(hObject, handles)

set(handles.edit1,'String','')
catch
end

% --- Executes on button press in pushbutton3.
function pushbutton3_Callback(hObject, eventdata, handles)
% hObject    handle to pushbutton3 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
try
ciri_bunga = handles.ciri_bunga;
load net_keluaran

hasil_uji = sim(net_keluaran,ciri_bunga);

if hasil_uji == 0
kelas = 'Kansas state flower';
elseif hasil_uji == 1
kelas = 'Marguerite daisy';
else
kelas = 'Unknown';
end

set(handles.edit1,'String',kelas);
catch
end

% --- Executes on button press in pushbutton4.
function pushbutton4_Callback(hObject, eventdata, handles)
% hObject    handle to pushbutton4 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
axes(handles.axes1)
cla reset
set(gca,'XTick',[])
set(gca,'YTick',[])

axes(handles.axes2)
cla reset
set(gca,'XTick',[])
set(gca,'YTick',[])

axes(handles.axes3)
cla reset
set(gca,'XTick',[])
set(gca,'YTick',[])

axes(handles.axes4)
cla reset
set(gca,'XTick',[])
set(gca,'YTick',[])

axes(handles.axes5)
cla reset
set(gca,'XTick',[])
set(gca,'YTick',[])

set(handles.uitable1,'Data',[])
set(handles.edit1,'String','')

function edit1_Callback(hObject, eventdata, handles)
% hObject    handle to edit1 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of edit1 as text
%        str2double(get(hObject,'String')) returns contents of edit1 as a double

% --- Executes during object creation, after setting all properties.
function edit1_CreateFcn(hObject, eventdata, handles)
% hObject    handle to edit1 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    empty - handles not created until after all CreateFcns called

% Hint: edit controls usually have a white background on Windows.
%       See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end

File source code lengkap beserta citra pada pemrograman di atas dapat diperoleh melalui halaman berikut ini: Source Code