Tabel 3.1. Lanjutan Keterangan tampilan utama program
3.5. Perancangan Diagram Alir
Program pengenalan motif batik Yogyakarta akan dieksekusi saat user mulai menjalankan program ini. Setelah tampilan utama terlihat, proses pengujian sudah dapat
dilakukan. User pertama kali harus menekan tombol yang digunakan dalam pengujian pada “Pencarian” untuk memilih motif batik Yogyakarta. User dapat memasukkan motif batik
Yogyakarta dari jendela file selector yang akan tampil ketika menekan tombol “Pencarian”. Setelah memasukkan citra motif batik Yogyakarta dengan memilih salah satu
citra di dalam file selector, selanjutnya program akan melakukan proses pengenalan motif batik Yogyakarta dengan menekan tombol “Proses”. Proses pengenalan akan berhenti
ketika kolom penentuan citra sudah tampak hasilnya serta keluaran suara sudah berbunyi dan user menekan tombol “Selesai” dan bila ingin memulai proses pengenalan yang baru
dapat menekan tombol “Reset”. Proses pembuatan database motif batik Yogyakarta harus melalui proses dari
masukan citra motif batik Yogyakarta, preprocessing yang terdiri dari grayscale dan resizing. Ukuran resizing citra akan menyesuaikan dengan ukuran resizing yang
digunakan. Setelah citra motif batik Yogyakarta diproses melalui preprocessing, selanjutnya citra motif batik Yogyakarta hasil preprocessing masuk ke dalam proses
ekstraksi ciri Discrete Cosine Transform Two Dimension DCT 2-D untuk diambil data matriknya, dapat dilihat pada gambar 3.4.
Tombol Reset Digunakan bila ingin memulai proses pengenalan citra
yang baru Tombol Selesai
Digunakan Untuk mengakhiri proses dan keluar aplikasi
Panel Keluaran Untuk menampilkan hasil keluaran nama citra dalam
bentuk teks dan suara. Ketika ada proses keluaran akan ditampilkan teks keluaran dan simbol suara tanpa tanda
silang. Ketika tidak ada proses keluaran akan terlihat simbol suara dengan tanda silang
Gambar 3.4. Diagram Alir Pembuatan Database Alur program keseluruhan pengenalan citra motif batik Yogyakarta diperlihatkan
pada gambar 3.5. program ini menjalankan 2 macam proses yaitu pemasukan dan pemilihan citra motif batik Yogyakarta, setelah melakukan proses pemilihan citra yang
akan diteliti kemudian citra akan divariasikan rotasi dan skalanya. Selanjutnya akan diproses melalui pemprosesan citra preprocessing setelah itu kemudian diekstraksi ciri
menggunakan ekstraksi ciri Discrete Cosine Transform DCT. Kemudian citra uji tersebut akan dibandingkan dengan citra database menggunakan fungsi jarak Dice maka akan
didapatkan hasil perhitungan jarak yang dimasukkan ke dalam k-Nearest Neighbor k-NN untuk diproses kemudian nilai yang paling banyak muncul atau paling minimum dari tiap
sampel database kemudian akan ditampilkan dalam text box keluaran berupa suara motif yang dikenali.
Masukan: Motif batik
Yogyakarta
Pemasukan dan Pemilihan citra motif
batik Yogyakarta Pemrosesan citra
Preprocessing
Ekstraksi Ciri DCT 2-D
Database: Matrik citra
database
Stop Start
Gambar 3.5. Diagram Alir Program Keseluruhan Alur program pemasukan dan pemilihan citra motif batik Yogyakarta dapat dilihat
pada gambar 3.6. Proses pengenalan citra motif batik Yogyakarta bermula dari laptop menjalankan fungsi untuk pengenalan. Pada saat user menekan tombol “Pencarian” maka
akan keluar gambar citra dari motif batik Yogyakarta di dalam file selector. Setelah semua citra motif batik Yogyakarta keluar tampilannya, user harus memilih salah satu dari motif
batik yang akan dikenali serta user harus memilih salah satu ukuran variasi motif batik Yogyakarta dengan variasi yang dimasukkan ke dalam database dengan rotasi -10
°
, -5
°
,
°
, 5
°
, 10
°
dan skala 90, 95, 100, 105, 110. Kinerja sistem juga diuji dengan variasi rotasi -2,5
°
, -7,5
°
, -12,5
°
, 2,5
°
, 7,5
°
, 12,5
°
dan variasi skala 92,5, 97,5, 102,5,
Start Masukan:
Motif batik Yogyakarta
Pemasukan dan Pemilihan citra motif batik
Yogyakarta
Stop Keluaran:
Teks dan Suara Penentuan Keluaran Citra
Perhitungan jarak Dice terhadap database
Ekstraksi Ciri DCT 2-D
Pemrosesan citra Preprocessing
107,5, 112,5, variasi ini tidak dimasukkan ke database. Semua variasi tersebut untuk
mengetahui kinerja sistem terhadap pengaruh rotasi dan skala pada citra masukan.
Gambar 3.6. Diagram Alir Pemasukan dan Pemilihan Citra Setelah user melakukan proses pemilihan dari salah satu citra motif batik
Yogyakarta dan memilih variasi dan rotasi, kemudian citra motif batik Yogyakarta tersebut memasuki tahap pemprosesan citra preprocessing. Preprocessing yang dilakukan terdiri
dari proses grayscale, dan resizing yang bervariasi dengan ukuran 200×200, 128×128, 64×64, 32×32, dan 16×16 piksel. User harus memilih salah satu dari ukuran terbaik dari
resizing tersebut. Alur program pemprosesan citra dapat dilihat pada gambar 3.7.
Gambar 3.7.Diagram Alir Pemprosesan Preprocessing
Masukan: Citra Motif batik Yogyakarta
Grayscale Resizing
Keluaran: Citra hasil preprocessing
Start
Stop Masukan:
Motif batik Yogyakarta Pemilihan:
Satu Motif Batik Yogyakarta Keluaran:
Citra motif batik Yogyakarta Stop
Start
Setelah proses pemprosesan citra preprocessing selesai, proses selanjutnya adalah proses ekstraksi ciri Discrete Cosine Transform Two Dimension DCT 2-D. Tujuan dari
DCT 2-D untuk membagi citra dengan ukuran resizing yang bervariasi dan ukuran resizing yang dipilih oleh user dimasukkan ke dalam beberapa blok-blok kecil dengan ukuran tetap
yang kemudian dikonversikan dari domain spasial ke domain DCT dan membentuk ukuran window. Untuk mengetahui nilai dari ukuran window tersebut, maka proses yang dilakukan
adalah window esktraksi ciri dengan cara melakukan evaluasi dari tiap ukuran window dengan koefisien DCT dari 16, 25, 36, 49, 64, 81, dan 100. Hasil dari nilai koefisien yang
terbaik adalah nilai ekstraksi ciri yang diperoleh. Alur program ekstraksi ciri dapat dilihat pada gambar 3.8.
Gambar 3.8. Diagram Alir Ekstraksi Ciri Diagram alir perhitungan jarak dapat dilihat pada gambar 3.9. Pada proses
perhitungan jarak, masukannya adalah hasil perhitungan ekstraksi ciri berupa matriks. Nilai ekstraksi ciri yang diperoleh dari citra masukan dibandingkan dengan nilai ekstraksi
ciri pada database dengan dengan menggunakan rumus pada persamaan 2.12. Kemudian akan menampilkan hasil perhitungan jarak.
Start
Masukan: Citra Preprocessing
DCT 2-D Hitung nilai
absolute DCT 2-D Window ekstraksi
ciri Keluaran:
Hasil ekstraksi ciri
Stop
Gambar 3.9. Diagram alir perhitungan jarak Selanjutnya hasil perhitungan jarak yang diperoleh dari data citra masukan dengan
database kemudian dimasukkan ke dalam k-Nearest Neighbor k-NN.
k-Nearest Neighbor k-NN digunakan untuk penentuan keluaran, dimana k-Nearest Neighbor k-NN akan
mengurutkan hasil perhitungan jarak dari nilai yang paling kecil sampai yang besar. Hasil nilai yang paling terkecil atau paling minimum akan diambil sesuai dengan banyaknya k
seperti 1, 3, 5, dan 7. Hasil dari pemilihan k tersebut akan mengeluarkan urutan sampel yang sesuai dengan urutan dari database. Setelah keluarnya hasil urutan sampel dari
database akan keluar urutan motif batik Yogyakarta sesuai dengan urutannya seperti pada gambar 2.1. Dari nilai pengurutan motif batik Yogyakarta tersebut maka akan diambil nilai
yang sama sesuai dengan urutannya. Nilai kelas yang paling banyak muncul akan menjadi penentuan keluaran motif batik Yogyakarta yang dikenal.
Setelah memperoleh nilai kelas yang paling banyak muncul, subproses yang terakhir dari proses pengenalan citra adalah proses penentuan keluaran. Pada proses
penentuan keluaran ini hasil pengenalan citra ditentukan berdasarkan kelas yang paling banyak muncul dengan menggunakan metode k-Nearest Neighbor k-NN. Proses k-
Nearest Neighbor k-NN tersebut dapat dilihat pada gambar 3.10.
Masukan: Hasil Ekstraksi ciri citra masukan,
hasil ekstraksi ciri database Start
Penghitungan jarak: ekstraksi ciri data masukan dengan
ekstraksi ciri database
Keluaran: Hasil perhitungan
jarak
Stop
Gambar 3.10. Diagram alir Proses k-Nearest Neighbor k-NN Kemudian hasil dari nilai kelas yang paling banyak muncul tersebut akan
ditampilkan berupa keluaran teks dan suara dari 20 nama motif batik Yogyakarta seperti Ceplok_Dempel, Ceplok_Kece, Kawung_Galar, Kawung_Kembang_Cempoko_Hitam,
Kawung_Picis, Lereng_Kusuma, Nitik_Cengkeh, Parang_Barong, Parang_Curigo, Parang_Kawung_Picis, Parang_Kembang_Sawut_Cecek, Parang_Keris, Parang_Klitik,
Parang_Kunci, Parang_Kusumo_Ukel,
Parang_Pancing, Parang_Tuding,
Parisewuli_Seling_Pamor, Tambal, dan Truntum. Hasil keluaran adalah nama citra dalam bentuk teks dan suara. Ketika ada proses keluaran akan ditampilkan teks keluaran dan
Diambil sejumlah k jarak terkecil
Masukan: Hasil Perhitungan
Jarak Start
Pemilihan nilai k=1, 3, 5, dan 7
Sortir jarak dari yang paling kecil ke yang
paling besar
Mencari Modus = Kelas yang paling
sering muncul
Keluaran: Hasil
k-Nearest Neighbor
k-NN
Stop
simbol suara tanpa tanda silang. Ketika tidak ada proses keluaran akan terlihat simbol suara dengan tanda silang.
Proses penentuan keluaran tersebut dapat dilihat pada gambar 3.11.
Gambar 3.11. Diagram alir Penentuan Keluaran
Masukan: Hasil
k-Nearest Neighbor
k-NN Keluarkan teks dan
suara sesuai hasil keluaran k-NN
Keluaran: Teks dan Suara
Stop Start
28
BAB IV HASIL DAN PEMBAHASAN
Kategori