Berfungsi untuk mengambil citra batik yang akan diuji. 10. Button Deteksi Tepi
Berfungsi untuk melakukan deteksi tepi pada axes 1 dan simpan matriks vektor 11. Pop-up Menu
Berfungi untuk menentukan nilai K yang akan mempengaruhi batas jarak ketetanggaan dalam klasifikasi
12. Button Kenali Berfungsi untuk melakukan klasifikasi dan mengenali citra batik yang diuji sesuai
metode K-NN. 13. Text 1
Berfungsi untuk menampilkan nama klasifikasi citra batik. 14. Text 2
Berfungsi untuk menampilkan kecepatan waktu pemrosesan pengujian dari citra batik yang diuji.
15. Button Hapus Berfungsi untuk menghapus informasi dalam axes dan text
3.2.2.5 Perancangan Antarmuka Keluar
Halaman keluar merupakan halaman yang digunakan user untuk keluar dari sistem. Pada tampilan rancangan halaman Keluar seperti pada gambar 3.14
Beranda Bantuan
Pelatihan Pengujian
Keluar 1
2 3
4 5
Text Keluar
Ya Tidak
8 9
Axes 1 6
7
Gambar 3.14 Tampilan Rancangan Antarmuka Keluar
Universitas Sumatera Utara
Keterangan: 1. Menu Beranda
Berisi menu pada Beranda yang dibuat.
2. Menu Bantuan Berisi mengenai langkah-langkah dalam menggunakan sistem bagi user.
3. Menu Pelatihan Berisi menu pada Pelatihan yang dibuat.
4. Menu Pengujian Berisi menu pada Pengujian yang dibuat.
5. Menu Keluar Berisi menu keluar dari sistem seluruhnya.
Universitas Sumatera Utara
6. Axes 1 Berisi logo question mark.
7. Text Berisi informasi pilihan pada menu Keluar.
8. Button “Ya”
Memberi konfimasi user kepada sistem untuk menutup aplikasi. 9. Button
“Tidak” Memberi konfimasi user kepada sistem untuk tidak menutup aplikasi.
Universitas Sumatera Utara
BAB IV IMPLEMENTASI DAN PENGUJIAN
4.1 Implementasi Sistem
Implementasi sistem untuk mengkasifikasikan motif batik Besurek Bengkulu ini menggunakan algoritma K-Nearest Neighbor dan ekstraksi ciri menggunakan threshold
serta deteksi tepi Robert. Sistem ini dibangun mengunakan bahasa pemrograman Matlab
R2009a dan Microsoft Excel 2010 sebagai tempat penyimpanan data yang sudah diolah. 4.1.1
Tampilan Antarmuka Sistem
Pada sistem ini diimplementasikan ke dalam beberapa tampilan yang terdiri dari antarmuka Beranda, Bantuan, Pelatihan, Pengujian, dan Keluar.
4.1.1.1 Tampilan Antarmuka Beranda
Beranda merupakan halaman yang akan muncul pertama kali saat program dijalankan. Terdapat lima menu pada halaman Beranda, yaitu menu Beranda, menu Bantuan, menu
Pelatihan, menu Pengujian, dan menu Keluar. Tampilan Beranda dapat dilihat pada gambar 4.1
Gambar 4.1 Tampilan Antarmuka Beranda
4.1.1.2 Tampilan Antarmuka Bantuan
Universitas Sumatera Utara
Bantuan merupakan halaman yang akan membantu user dalam menggunakan sistem. Di dalam menu Bantuan terdapat langkah-langkah penggunaan Pelatihan dan Pengujian.
Tampilan Bantuan dapat dilihat pada gambar 4.2
Gambar 4.2 Tampilan Antarmuka Bantuan 4.1.1.3
Tampilan Antarmuka Pelatihan
Antarmuka Pelatihan merupakan tempat motif batik Besurek Bengkulu yang akan dilatih yaitu terdiri dari 3 sampel citra untuk masing-masing motif sehingga dengan 4 jenis motif
maka total citra latih sebanyak 12 sampel citra. Pop-up menu jika diklik akan menampilkan pilihan 4 jenis motif, lalu jika button Load diklik menampilkan 3 citra batik sesuai dengan
jenis motif yang sudah dipilih sebelumnya. Pada antarmuka pelatihan juga terdapat menu lain untuk dapat menghubungkan antarmuka pelatihan dengan antarmuka yang lain seperti menu
Universitas Sumatera Utara
beranda, menu bantuan, menu pengujian,dan menu keluar. Tampilan antarmuka pelatihan ditunjukkan pada gambar 4.3
Gambar 4.3 Tampilan Antarmuka Pelatihan
Tampilan antarmuka pelatihan pada saat salah satu jenis motif dipilih dan button Load diklik ditunjukkan pada gambar 4.4
Gambar 4.4 Tampilan Antarmuka Pelatihan setelah button Load diklik
Universitas Sumatera Utara
Pada antarmuka Pelatihan terdapat panel ekstraksi ciri yang terdiri dari slider threshold untuk masing-masing citra dan button deteksi tepi Robert. Untuk ekstraksi ciri digunakan
secara berurutan dimulai dari tentukan nilai threshold menggunakan slider threshold untuk melakukan threshold tiap citra kemudian button deteksi tepi Robert. Slider
threshold berfungsi untuk mengubah citra batik besurek Bengkulu RGB menjadi grayscale lalu diubah ke citra biner. Tampilan antarmuka untuk hasil slider Threshold
ditunjukkan pada gambar 4.5
Gambar 4.5 Tampilan Antarmuka Pelatihan setelah Slider Threshold diklik
Selanjutnya citra batik yang sudah di threshold akan di deteksi tepi menggunakan deteksi tepi Robert dan citra batik besurek yang sudah siap diolah akan disimpan datanya berupa
matriks vektor ke dalam database Data.xlxs. Setelah matriks vektor disimpan, maka diberi informasi seperti yang ditunjukkan pada gambar 4.6
Gambar 4.6 Tampilan Antarmuka Pelatihan saat deteksi tepi Robert
Universitas Sumatera Utara
Message Box Berhasil “Data disimpan” merupakan tanda dimana data telah disimpan ke
dalam tempat penyimpanan yaitu Data.xlxs yang berada pada Microsoft Office Excel 2010. Tampilan antarmuka penyimpanan matriks vektor tersebut dapat ditunjukkan
seperti tampilan gambar 4.7
Gambar 4.7 Tampilan Penyimpanan Matriks Vektor
Pada antarmuka Pelatihan terdapat satu button Reset yang fungsinya untuk menghapus citra batik besurek yang terdapat di axes 1 sampai axes 3 dan axes 6 sampai axes 8
seperti yang ditunjukkan pada gambar 4.8
Gambar 4.8 Tampilan Antarmuka Pelatihan setelah button Reset diklik
Universitas Sumatera Utara
4.1.1.4 Tampilan Antarmuka Pengujian
Antarmuka pengujian adalah tampilan dimana dilakukannya pengujian terhadap citra batik besurek Bengkulu untuk menentukan termasuk klasifikasi motifnya. Dalam
tampilan antarmuka pengujian terdapat juga menu yang dapat menghubungkan antarmuka pengujian dengan tampilan antarmuka yang lain seperti menu
beranda,bantuan,pelatihan, dan keluar. Tampilan antarmuka pengujian ditunjukkan pada gambar 4.9
Gambar 4.9 Tampilan Antarmuka Pengujian
Untuk melakukan pengujian terhadap citra batik besurek, klik buttontombol Buka, maka akan muncul tampilan Buka File Motif Batik seperti yang ditunjukkan pada gambar 4.10
Gambar 4.10 Tampilan Buka File Motif Batik
Universitas Sumatera Utara
Kemudian dari beberapa pilihan jenis motif, setelah gambar dipilih maka citra batik besurek akan ditampilkan pada axes 1 seperti yang ditunjukkan pada gambar 4.11
Gambar 4.11 Tampilan Antarmuka Pengujian setelah dimasukkan citra
Selanjutnya citra yang sudah dimasukkan terlebih dahulu harus di threshold lalu di deteksi tepi sehingga hasilnya berupa matriks vektor disimpan dan data tersebut akan
digunakan dalam pengujian seperti yang ditunjukkan pada gambar 4.12
Gambar 4.12 Tampilan Antarmuka Pengujian setelah Threshold dan
Deteksi Tepi Robert
Universitas Sumatera Utara
Setelah data disimpan, pilih nilai K dimana nilai ini berfungsi untuk menentukan jarak tetangga terdekat data uji ke semua data latih dan menentukan klasifikasi dengan jumlah
kelas terbanyak. Pada contoh ini nilai K yang dipilih adalah 1 seperti yang ditunjukkan pada gambar 4.13
Gambar 4.13 Tampilan Antarmuka Pengujian untuk memilih nilai K
Selanjutnya setelah dipilih nilai K=1, klik buttontombol Kenali maka pengujian akan ditampilkan nama klasifikasi dan kecepatan waktu pemrosesan seperti yang ditunjukkan
pada gambar 4.14
Gambar 4.14 Tampilan Antarmuka Pengujian dengan nilai K=1
Universitas Sumatera Utara
Berikutnya pengujian dengan citra uji yang sama namun nilai K = 3, klik buttontombol Kenali maka hasil pengujian seperti yang ditunjukkan pada gambar 4.15
Gambar 4.15 Tampilan Antarmuka Pengujian dengan nilai K=3
Kemudian pengujian dengan citra uji yang sama namun nilai K = 5, klik buttontombol Kenali maka hasil pengujian seperti yang ditunjukkan pada gambar 4.16
Gambar 4.16 Tampilan Antarmuka Pengujian dengan nilai K=5
Universitas Sumatera Utara
Selanjutnya pengujian dengan citra uji yang sama namun nilai K = 7, klik buttontombol Kenali maka hasil pengujian seperti yang ditunjukkan pada gambar 4.17
Gambar 4.17 Tampilan Antarmuka Pengujian dengan nilai K=7 4.1.1.5
Tampilan Antarmuka Keluar
Antarmuka keluar merupakan tampilan antarmuka untuk konfirmasi keluar dari aplikasi atau tidak. Jika ingin keluar dari aplikasi maka klik button
“Ya” , jika masih tetap ingin menggunakan aplikasi klik button
“Tidak”. Tampilan antarmuka keluar ditunjukkan pada gambar 4.18
Gambar 4.18 Tampilan Antarmuka Keluar
Universitas Sumatera Utara
4.2 Pengujian Sistem
Pengujian sistem yang dilakukan bertujuan untuk menguji keberhasilan dalam mengklasifikasikan motif batik besurek Bengkulu dengan berdasarkan nilai threshold,
metode deteksi tepi Robert dan K-Nearest Neighbor dengan menggunakan citra batik besurek Bengkulu sebesar 100x100 piksel. Pengujian ini untuk mengenali citra motif
batik besurek yang sudah dilatih dan citra yang belum dilatih menggunakan nilai rata- rata threshold dari setiap citra. Berikut ini data motif citra batik besurek Bengkulu baik
citra yang dilatih dan citra diluar citra latih beserta nilai rata-rata threshold untuk setiap citra yang ditunjukkan pada tabel 4.1 dan tabel 4.2
Tabel 4.1 Data Citra Latih Motif
Citra Range Threshold
Rata-rata Threshold
Relung Paku 1
83-122 102
Relung Paku 2 88-110
99
Relung Paku 3
115-156 135
Bunga Rafflesia 1 130-172
150
Bunga Rafflesia 2 153-173
163
Universitas Sumatera Utara
Bunga Rafflesia 3 140-157
148
Burung Kuau 1
65-145 105
Burung Kuau 2 46-92
69
Burung Kuau 3 90-107
99
Rembulan 1
95-184 140
Rembulan 2 84-130
107
Rembulan 3
115-186 150
Universitas Sumatera Utara
Tabel 4.2 Data Citra diluar Citra Latih Motif
Citra Range Threshold
Rata-rata Threshold
Relung Paku 4
79-120 99
Relung Paku 5 67-163
115
Bunga Rafflesia 4 69-157
112
Bunga Rafflesia 5 156-179
168
Bunga Rafflesia 6 169-184
176
Bunga Rafflesia 7
140-161 150
Burung Kuau 4 74-130
102
Universitas Sumatera Utara
Burung Kuau 5 92-144
117
Rembulan 4 101-125
112
Rembulan 5 41-143
92
Pada dasarnya metode K-Nearest Neighbor adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data latih yang jaraknya paling dekat dengan
objek tersebut dan kelas klasifikasi dengan data terbanyak. Nilai K menentukan berapa data terdekat dari data uji. Berdasarkan gambar sebelumnya yaitu pada gambar 4.14,
gambar 4.15, gambar 4.16 dan gambar 4.17 berikut ini adalah cara bagaimana mengetahui dan menentukan hasil klasifikasi berdasarkan nilai K yang berbeda. Hasil
ekstraksi ciri berupa matriks vektor baik untuk data latih dan data uji yang ditunjukkan pada gambar 4.19
Gambar 4.19 Tampilan Matriks Vektor Ekstraksi Ciri Data Latih dan Data Uji
Universitas Sumatera Utara
Setelah mendapatkan hasil matriks vektor, kemudian menghitung nilai Euclidean Distance antara nilai setiap matriks vektor data latih dengan nilai matriks vektor data uji.
Setelah masing-masing nilai Euclidean Distance sudah didapat kemudian nilai tersebut diurutkan secara ascending dari nilai terkecil sampai terbesar beserta dengan kelasnya
seperti yang ditunjukkan pada gambar 4.20
Gambar 4.20 Tampilan Hasil Ascending Euclidean Distance
Untuk nilai K=1 hasilnya adalah kelas Bunga Rafflesia dimana nilai jarak terdekat yaitu Bunga Rafflesia = 0. Nilai yang didapat adalah nol karena citra yang diujikan adalah
citra yang sudah dilatih sebelumnya. Sama halnya dengan nilai K=3 hasilnya adalah kelas Bunga Rafflesia karena dari jarak tiga data terdekat hasil Ascending Euclidean
Distance yaitu Bunga Rafflesia = 0, Relung Paku = 2647, dan Bunga Rafflesia = 3113. Dalam kasus ini terdapat dua buah kelas Bunga Rafflesia maka kelas Bunga Rafflesia
adalah kelas dengan anggota terbanyak pada nilai K=3.
Berbeda halnya jika K = 5 dimana terdiri dari Bunga Rafflesia = 0, Relung Paku = 2647, Bunga Rafflesia = 3113, Relung Paku = 3299, dan Burung Kuau = 3354. Terlihat bahwa
kelas Bunga Rafflesia dan Relung Paku memiliki jumlah anggota kelas terbanyak yang sama maka dicari nilai jarak rata-rata dari kedua kelas tersebut. Untuk kelas Bunga
Rafflesia jarak rata-ratanya adalah 1556 dan kelas Relung Paku jarak rata-ratanya adalah 2973. Maka diambil jarak rata-rata terkecil untuk nilai K=5 yaitu klasifikasi Bunga
Rafflesia.
Universitas Sumatera Utara
Begitu juga dengan nilai K = 7 yang terdiri dari Bunga Rafflesia=0, Relung Paku=2647, Bunga Raffelesia=3113, Relung Paku=3299, Burung Kuau= 3354, Bunga Rafflesia =
3415 dan Burung Kuau = 3443. Jumlah anggota kelas terbanyak yaitu kelas Bunga Rafflesia sebanyak 3 anggota maka hasilnya adalah kelas Bunga Rafflesia.
4.2.1 Pengujian K-NN terhadap Citra Latih
