Perancangan Sistem ANALISIS DAN PERANCANGAN

52

3.8. Perancangan Sistem

3.8.1. Perancangan database Perancangan database pada sistem ini dilakukan untuk menyimpan hasil pemrosesan data. Adapun tabel yang digunakan pada sistem ini adalah sebagai berikut: 1. Tabel jenis_kayu, adalah tabel yang digunakan untuk menyimpan nama jenis kayu yang digunakan pada penelitian. 2. Tabel data_latih, adalah tabel yang digunakan untuk menyimpan hal yang terkait dengan citra seperti jenis kayu dan nama file citra. 3. Tabel fitur, adalah tabel yang digunakan untuk menyimpan nilai hasil ekstraksi fitur. 4. Tabel normalisasi, adalah tabel yang digunakan untuk menyimpan nilai pembagi setiap atribut tabel fitur. 5. Tabel parameter_backpropagation, adalah tabel yang digunakan untuk menyimpan nilai parameter yang akan digunakan pada proses pelatihan dan pengujian citra. Adapun rancangan database relationship yang akan digunakan pada identifikasi jenis kayu tropis ditunjukkan pada Gambar 3.17. Gambar 3.17. Database Relationship Universitas Sumatera Utara 53 3.8.2. Data Flow Diagram DFD dan Context Diagram CD Data Flow Diagram DFD adalah diagram yang menunjukkan proses aliran data pada suatu sistem. DFD memberi gambaran tentang masukan-proses-keluaran dari sistem. Sedangkan Context Diagram CD merupakan DFD dengan level tertinggi pada proses suatu sistem. Context Diagram Context diagram menunjukkan keadaan sistem secara umum. Context diagram yang akan digunakan dapat dilihat pada Gambar 3.18. Gambar 3.18 menunjukkan masukan dan keluaran pada sistem. Masukan sistem berupa citra RGB, maks_epoch, min_error, jumlah hidden node, learning rate dan momentum, sedangkan keluaran sistem berupa hasil ekstraksi fitur, hasil pelatihan dan hasil pengujian. Gambar 3.18. Context Diagram DFD Level 0 DFD level 0 menunjukkan proses-proses umum yang terjadi pada sistem. Pada sistem ini, DFD level 0 yang akan digunakan dapat dilihat pada Gambar 3.19. Gambar 3.19 menunjukkan bahwa terdapat tiga proses pada DFD level 0 yaitu “Tambah Data Citra”, “Pelatihan Citra” dan “Pengujian Citra”. Universitas Sumatera Utara 54 Gambar 3.19. DFD level 0 “Tambah Data Citra” adalah proses menambah data citra dengan mengambil file citra RGB kemudian memproses citra RGB sehingga didapatkan hasil ekstraksi fitur yang akan disimpan di database “tabel fitur”, dimana data hasil ekstraksi fitur tersebut akan digunakan pada proses “Pelatihan Citra”. “Pelatihan Citra” adalah proses untuk melatih setiap hasil ekstraksi fitur citra yang telah dinormalisasi menggunakan backpropagation dengan memasukkan parameter maks_epoch, min_error, jumlah hidden node dan learning rate sehingga akan dihasilkan bobot akhir yang akan disimpan di file “bobot”. “Pengujian Citra” adalah proses pengujian citra uji dengan menggunakan bobot akhir hasil pelatihan yang disimpan di database “tabel bobot”. DFD Level 1 DFD level 1 menunjukkan proses pada DFD level 0 dengan lebih rinci. Tiga proses yang ada pada DFD Level 0 akan ditunjukkan secara lebih terperinci pada DFD level 1. Universitas Sumatera Utara 55 Pada sistem ini, DFD Level 1 Proses 1 dapat dilihat pada Gambar 3.20, DFD Level 1 Proses 2 dapat dilihat pada Gambar 3.21 dan DFD Level 1 Proses 3 dapat dilihat pada Gambar 3.22. Gambar 3.20. DFD level 1 Proses 1 DFD Level 1 Proses 1 yang dapat dilihat pada Gambar 3.20 menunjukkan setiap tahapan yang dilakukan pada proses “Tambah Data Citra” dimulai dari scaling, grayscaling, dan ekstraksi fitur. Hasil ekstraksi fitur akan ditampilkan ke user dan disimpan ke dalam database pada “tabel fitur”. Data hasil ekstraksi fitur akan digunakan pada proses pelatihan. Gambar 3.21. DFD level 1 Proses 2 Universitas Sumatera Utara 56 DFD Level 1 Proses 2 yang dapat dilihat pada Gambar 3.21 menunjukkan setiap tahapan yang dilakukan pada proses “Pelatihan Citra”. Tahap awal adalah proses input parameter backpropagation ke dalam database “tabel parameter_backpropagation”. Parameter yang disimpan akan diperlukan pada proses pengujian. Kemudian proses selanjutnya adalah “Normalisasi Fitur”. Tahap awal adalah mengambil seluruh data fitur pada “tabel fitur”. Tabel fitur memiliki 20 atribut yang dapat dilihat pada Gambar 3.17. Kemudian normalisasi fitur dilakukan dimana setiap nilai fitur pada setiap atribut akan dibagi dengan nilai pembaginya, sehingga nilai pada atribut yang baru akan berada pada rentang 0 sampai 1 . “Nilai pembagi fitur” pada masing-masing atribut akan ditentukan dengan menggunakan persamaan 2.13 dimana nilai tersebut selanjutnya akan disimpan ke dalam database “tabel normalisasi”. Penyimpanan “nilai pembagi fitur” dilakukan karena “nilai pembagi fitur” tersebut akan diperlukan bagi proses pengujian. Proses selanjutnya adalah proses pelatihan backpropagation terhadap data fitur yang telah dinormalisasi dengan menggunakan parameter yang tersimpan di dalam database “tabel parameter_backpropagation”. Kemudian hasil pelatihan berupa bobot akhir akan disimpan ke file “Bobot”. Lalu hasil pelatihan dapat dilihat oleh user. Gambar 3.22. DFD level 1 Proses 3 Universitas Sumatera Utara 57 DFD Level 1 Proses 3 yang dapat dilihat pada Gambar 3.22 menunjukkan setiap tahapan yang dilakukan pada proses “Pengujian Citra”. Tahap awal adalah memasukkan citra uji, kemudian dilakukan proses scaling, grayscaling dan ekstraksi fitur. Kemudian hasil ekstraksi dari citra yang diuji akan dinormalisasi dengan mengambil nilai pembagi fitur pada “tabel normalisasi”. Kemudian fitur yang telah dinormalisasi akan diuji menggunakan jaringan saraf tiruan, dimana bobot akhir yang disimpan pada file “bobot” akan digunakan pada proses ini. Sedangkan hidden node yang digunakan diambil dari database “tabel parameter_backpropagation”. Hasil pengujian adalah hasil identifikasi jenis kayu. 3.8.3. Perancangan tampilan antarmuka sistem Perancangan tampilan antarmuka pada sistem bertujuan untuk memberikan gambaran tampilan sistem yang akan dibangun. Rancangan halaman awal sistem Rancangan halaman awal sistem menampilkan nama sistem pada bagian atas, logo pada bagian tengah, serta dua tombol pada bagian bawah yaitu tombol “Pelatihan Citra”dan tombol “Pengujian Citra”. Rancangan tampilan awal sistem akan ditunjukkan pada Gambar 3.23. Pelatihan Citra Pengujian Citra Logo Identifikasi Jenis Kayu Tropis Gambar 3.23. Rancangan halaman awal sistem Universitas Sumatera Utara 58 Rancangan halaman pelatihan data citra Rancangan halaman pelatihan data citra menampilkan dua bagian utama yaitu “Menu” pada sisi sebelah kiri dan “Konten” pada sisi sebelah kanan. Pada “Menu” terdapat tiga sub menu yaitu “Tambah Data Citra”, “Lainnya” dan “Pelatihan Backpropagation”. Pada “Konten” terdapat empat panel yaitu “File Citra”, “Tampil Citra”, “Hasil Ekstraksi F itur” dan “Pelatihan Backpropagation”. Rancangan tampilan halaman pelatihan data citra akan ditunjukkan pada Gambar 3.24. Pilih Citra Lokasi File: Pilih Jenis Kayu File Citra Hasil Ekstraksi Fitur Tabel hasil ekstrasi fitur Tampil Citra Citra Asli Citra Grayscale Citra asli Citra grayscale a b Tambah Data Citra Grayscaling Ekstraksi Fitur Simpan Reset Lainnya Data Hasil Ekstraksi Fitur Data Normalisasi Hasil Fitur Parameter Backpropagation Mulai Latih Jaringan Simpan Bobot Akhir Pelatihan Backpropagation Data Kayu Pelatihan Backpropagation Jumlah Hidden Neuron : Learning Rate : Momentum : Maksimum Epoch : Minimum Error : Menampilkan nilai error per epoch c d e f g h i j k l Gambar 3.24. Rancangan halaman pelatihan data citra Keterangan: a. Tombol “Pilih Citra” memungkinkan pengguna dapat memilih citra kayu sebagai penambahan data latih untuk disimpan ke dalam database. Citra kayu yang dipilih Universitas Sumatera Utara 59 akan ditampilkan pada panel “Tampil Citra” bagian “Citra Asli” dan lokasi file citra akan ditampilkan pada panel “File Citra”. b. Menu dropdown “Pilih Jenis Kayu” memungkinkan pengguna untuk memilih nama jenis kayu berdasarkan citra kayu yang telah dipilih. c. Tombol “Grayscaling” memungkinkan citra kayu yang telah dipilih oleh pengguna akan diubah ke dalam bentuk citra grayscale yang kemudian akan ditampilkan pada panel “Tampil Citra” bagian “Citra Grayscale”. d. Tombol “Ekstraksi fitur” memungkinkan citra grayscale akan diekstraksi kemudian nilai fitur akan ditampilkan pada panel “Hasil Ekstraksi Fitur” dalam bentuk tabel. e. Tombol “Simpan” memungkinkan sistem menyimpan hasil ekstraksi fitur citra, jenis kayu citra dan file citra yang dipilih ke dalam database. Jenis kayu merepresentasikan target keluaran pada tahap pelatihan. f. Tombol “Reset” memungkinkan sistem untuk mengkosongkan nilai pada kotak, tabel maupun panel citra. g. Tombol “Data Hasil Ekstraksi Fitur” memungkinkan pengguna untuk dapat melihat data hasil ekstraksi fitur citra yang sudah disimpan di database. h. Tombol “Data Normalisasi Hasil Fitur” memungkinkan pengguna untuk dapat melihat seluruh data fitur yang telah dinormalisasi. i. Tombol “Data Kayu” memungkinkan pengguna untuk melihat jenis kayu yang digunakan beserta nilai targetnya. j. Tombol “Parameter Backpropagation” memungkinkan sistem akan mengaktifkan fungsi- fungsi parameter pada panel “Pelatihan Backpropagation” k. Tombol “Mulai Latih Jaringan” memungkinkan sistem akan melakukan proses pelatihan backpropagation dengan menggunakan nilai parameter yang telah ditentukan pada panel “Pelatihan Backpropagation”. Selama proses pelatihan, nilai error per epoch akan ditampilkan pada kotak “error per epoch”. l. Tombol “Simpan Bobot Akhir” memungkinkan sistem untuk menyimpan bobot akhir hasil pelatihan. Universitas Sumatera Utara 60 Rancangan halaman pengujian data citra Rancangan tampilan pada halaman pengujian data citra terdiri dari tiga panel yaitu “Tampil Citra”, “Hasil Ekstraksi Fitur” dan “Hasil Identifikasi Jenis Kayu”. Rancangan tampilan halaman pengujian data citra ditunjukkan pada Gambar 3.25. Pilih Citra Hasil Ekstraksi Fitur Tabel hasil ekstrasi fitur Tampil Citra Citra Asli Citra Grayscale Citra asli Pengujian Citra Hasil Identifikasi Jenis Kayu Identifikasi Reset Citra grayscale a c b Lokasi File: Gambar 3.25. Rancangan halaman pengujian data citra Keterangan: a. Tombol “Pilih Citra” memungkinkan pengguna dapat memilih citra kayu untuk dapat dikenali jenisnya. Setelah tombol “Pilih Citra” dipilih, sistem akan menampilkan citra yang dipilih beserta citra yang sudah diubah menjadi citra grayscale pada panel “Tampil Citra”, kemudian sistem akan menampilkan hasil ekstraksi fitur pada tabel panel “Hasil Ekstraksi Fitur”. b. Tombol “Identifikasi” memungkinkan sistem untuk dapat mengidentifikasi citra kayu yang telah dipilih. Setelah tombol “Identifikasi” dipilih, hasil identifikasi jenis kayu akan ditampilkan pada panel “Hasil Identifikasi Jenis Kayu”. c. Tombol “Reset” memungkinkan sistem untuk mengkosongkan nilai pada kotak, tabel maupun panel citra. Universitas Sumatera Utara

BAB 4 IMPLEMENTASI DAN PENGUJIAN

Bab ini berisi implementasi aplikasi identifikasi jenis kayu tropis ke dalam bentuk pemrograman sesuai dengan rancangan sistem yang yang telah tertera pada Bab 3 serta membahas pengujian terhadap metode jaringan saraf tiruan backpropagation dalam melakukan klasifikasi lima jenis kayu.

4.1. Implementasi Sistem

Pada tahap implementasi sistem, proses identifikasi jenis kayu tropis yang dimulai dari tahap pra pengolahan, tahap ekstraksi fitur hingga tahap klasifikasi akan diimplementasikan ke dalam bahasa pemrograman berbasis Java. 4.1.1. Spesifikasi perangkat keras dan perangkat lunak Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membuat program identifikasi jenis kayu tropis adalah sebagai berikut. 1. Processor Intel® CoreTM2 Duo CPU T8100 2.10GHz 2. Memory RAM 2.00 GB 3. Sistem Operasi Windows 7 Home Premium 32-bit 4. Kapasitas Hardisk 200 GB. 5. Netbeans IDE 7.1.2 6. XAMPP versi 1.7.2 4.1.2. Implementasi perancangan antarmuka sistem Adapun implementasi perancangan sistem yang telah dibangun adalah sebagai berikut. Universitas Sumatera Utara