Analisis Permasalahan Pengujian K-NN terhadap Citra Latih

BAB III ANALISIS DAN PERANCANGAN SISTEM

3.1 Analisis Sistem

Analisis sistem adalah penguraian dari suatu sistem informasi yang utuh ke dalam bagian- bagian komponennya dengan maksud untuk mengidentifikasikan dan mengevaluasi permasalahan-permasalahan, kesempatan-kesempatan, hambatan-hambatann yang terjadi dan kebutuhan-kebutuhan yang diharapkan sehingga dapat diusulkan perbaikan- perbaikan. Analisis sistem terdiri dari tiga tahapan yaitu analisis permasalahan, analisis kebutuhan dan analisis proses.

3.1.1 Analisis Permasalahan

Batik adalah salah satu unsur kebudayaan yang dimiliki oleh Indonesia. Batik memiliki berbagai macam motif dan coraknya dimana setiap daerah memiliki motif yang berbeda- beda. Bahkan dalam satu daerah mempunyai banyak motif yang dalam pembuatan motif itu sendiri memiliki asal usul dan arti tersendiri bagi daerah tersebut. Maka dibutuhkan suatu sistem yang bisa mengenali pola ciri khas motif batik suatu daerah dan penulis membahas mengenai motif batik dari daerah Bengkulu. Permasalahan yang dianalisis dalam sistem ini adalah bagaimana mengklasifikasikan motif batik besurek Bengkulu. Diagram Ishikawa berikut akan menjelaskan sebab dan akibat dalam permasalahan tersebut yang diperlihatkan pada gambar 3.1 Belum ada pengklasifikasian motif Batik Besurek Bengkulu secara komputerisasi People Method MachineTools Material kemampuan mengenali motif batik Besurek Bengkulu kurang baik buku Sistem tradisional Belum ada aplikasi Motif kurang jelas Gambar 3.1 Diagram Ishikawa Analisis Permasalahan Universitas Sumatera Utara

3.1.2 Analisis Kebutuhan

Analisis kebutuhan sistem meliputi analisis kebutuhan fungsional dan analisis kebutuhan non-fungsional sistem

3.1.2.1 Analisis Kebutuhan Fungsional Sistem

Kebutuhan fungsional yang harus dimiliki oleh sistem klasifikasi motif Batik Besurek Bengkulu antara lain sebagai berikut: 1. Sistem dapat membaca pilihan motif dan menampilkan gambar motif dalam bentuk format .jpg atau .jpeg yang akan dilatih. 2. Sistem dapat melakukan pelatihan dengan pemrosesan threshold dan deteksi tepi Robert serta menyimpan pola ekstraksi ciri dalam bentuk file .xls atau .xlxs. 3. Sistem dapat melakukan klasifikasi motif batik dengan metode K-Nearest Neighbor dalam pengujian berdasarkan data pelatihan. 4. Sistem dapat menampilkan hasil pengenalan pola yaitu nama klasifikasi motif dan waktu pengujian yang dilakukan

3.1.2.2 Analisis Kebutuhan Non-Fungsional Sistem

Adapun kebutuhan non-fungsional sistem adalah persyaratan yang harus dilakukan sistem. Dalam sistem Klasifikasi Motif Batik Besurek Bengkulu dengan algoritma K- Nearest Neighbor untuk kebutuhan non-fungsional yang harus dipenuhi adalah sebagai berikut: 1. Performa Sistem yang akan dibangun harus dapat menunjukkan hasil proses klasifikasi motif Batik Besurek Bengkulu yang sesuai. Universitas Sumatera Utara 2. Mudah dipelajari dan digunakan Sistem yang dibangun harus menarik dan mudah dimengerti oleh pengguna. 3. Dokumentasi Sistem yang dibangun dapat menyimpan data hasil pelatihan dan menampilkan hasil pengujian berupa klasifikasi dan waktu pemrosesan untuk motif Batik Besurek Bengkulu. 4. Kontrol Sistem yang dibangun memiliki beberapa kontrol untuk melakukan suatu fungsi misalnya user harus terlebih dahulu menginputkan citra threshold sehungga button deteksi tepi Robert dari embed menjadi enable, pesan “berhasil” jika data masukan berupa matriks vektor sudah disimpan. 5. Hemat Biaya Sistem yang dibangun tidak memerlukan perangkat tambahan dalam proses eksekusinya.

3.1.3 Analisis Proses

Pada penelitian sistem Implementasi Algoritma K-Nearest Neighbor untuk mengklasifikasikan motif batik besurek Bengkulu ini analisis proses yang digunakan adalah use case diagram, activity diagram, dan sequence diagram.

3.1.3.1 Use case Diagram

Use case diagram adalah diagram yang menggambarkan interaksi antara sistem dengan sistem eksternal dan pengguna. Aktor adalah segala sesuatu yang perlu berinteraksi dengan sistem untuk pertukaran informasi [13]. Dalam pemodelan ini terdapat aktor yaitu user. User dapat melakukan pelatihan dan pengujian dilihat pada Gambar 3.2 Universitas Sumatera Utara Sistem Implementasi Algoritma K-NN untuk Mengklasifikasikan Motif Batik Besurek Bengkulu User Pelatihan Pengujian Gambar 3.2 Use Case Diagram

3.1.3.1.1 Use Case Pelatihan Sistem

Use Case pelatihan sistem ini menjelaskan spesifikasi dari pelatihan yang akan dibangun seperti pada Tabel 3.1 Tabel 3.1 Spesifikasi Use Case Pelatihan Nama Use Case Pelatihan Motif Batik Besurek Bengkulu Aktor User Deskripsi Melakukan proses pelatihan motif batik besurek Bengkulu Pra-Kondisi Berada pada interface menu Pelatihan Alur Dasar Kegiatan Pengguna Respon Sistem 1. Pengguna memilih tombol menu pelatihan 1. Sistem merespon dengan menampilkan menu yang dipilih pengguna 2. Pengguna memilih jenis motif batik yang ingin dilatih 2. Sistem menampilkan 4 jenis motif batik pilihan dalam bentuk pop-up menu 3. Pengguna memilih 3. Sistem menampilkan Universitas Sumatera Utara tombol Load gambar batik sesuai jenis motif yang sudah dipilih ke dalam axes 1 sampai axes 3 4. Pengguna menentukan nilai threshold 4. Sistem mengubah citra batik ke citra grayscale dan mengubah ke citra biner sesuai nilai threshold yang dipilih dalam axes 6 sampai 8 5. Pengguna memilih tombol deteksi tepi Robert 5. Sistem melakukan deteksi tepi dari hasil citra threshold yang kemudian ditampilkan ke axes 6 sampai axes 8 kembali dan sistem menyimpan hasil matriks vektor pelatihan ke database Alur Alternatif Pengguna memilih tombol Reset Sistem menghapus citra dari axes 1-3 dan axes 6-8 Post-Kondisi Sistem telah menyimpan vektor ekstraksi ciri hasil dari pelatihan

3.1.3.1.2 Use Case Pengujian Sistem

Use Case pengujian sistem ini menjelaskan spesifikasi dari pengujian yang akan dibangun sepert pada Tabel 3.2 Tabel 3.2 Spesifikasi Use Case Pengujian Universitas Sumatera Utara Nama Use Case Pengujian Motif Batik Besurek Bengkulu Aktor User Deskripsi Melakukan proses pengujian motif batik besurek Bengkulu Pra-Kondisi Berada pada interface menu pengujian Alur Dasar Kegiatan Pengguna Respon Sistem 1. Pengguna memilih tombol pengujian 1. Sistem merespon dengan menampilkan menu yang dipilih pengguna 2. Pengguna memilih tombol Buka 2. Sistem menampilkan antarmuka pemilihan citra motif batik besurek Bengkulu yang akan diuji dan ditampilkan di axes 1 3. Pengguna menentukan nilai threshold dan tombol deteksi tepi 3. Sistem melakukan proses threshold dan deteksi tepi Robert terhadap citra di axes 1 lalu hasil matriks vektor disimpan 4. Pengguna memilih nilai K 4. Sistem melakukan proses sesuai nilai K yang dipilih. 5. Pengguna memilih tombol Kenali 5. Sistem melakukan proses pengenalan yaitu klasifikasi berdasarkan nilai K dan metode K-NN terhadap citra di axes 1 Alur Alternatif Pengguna memilih tombol Reset Sistem menghapus semua hasil yang ditampilkan Universitas Sumatera Utara Post-Kondisi Sistem menampilkan hasil pengujian yaitu klasifikasi dan waktu pengujian

3.1.3.2 Activity Diagram

Activity Diagram menggambarkan berbagai alir aktivitas dalam sistem yang sedang dirancang, bagaimana masing-masing alir berawal, decision yang mungkin terjadi dan bagaimana berakhir. Activity Diagram juga dapat menggambarkan proses paralel yang mungkin terjadi pada beberapa eksekusi. Berikut activity diagram pelatihan dan pengujian yang ditunjukkan pada gambar 3.3 dan gambar 3.4

3.1.3.2.1 Activity Diagram Pelatihan

SISTEM AKTOR Pilih Motif Relung Paku Bunga Rafflesia Burung Kuau Rembulan Yes Yes Yes No No No Load Menampilkan citra motif yang dipilih ke axes 1-3 Tentukan nilai threshold Melakukan threshold pada citra dan ditampilkan ke axes 6-8 Pilih deteksi tepi Robert Melakukan deteksi tepi pada citra threshold Dan ditampilkan ke axes6-8 Simpan hasil matriks vektor deteksi tepi ke dalam database.xlxs Gambar 3.3 Activity Diagram Pelatihan

3.1.3.2.2 Activity Diagram Pengujian

Universitas Sumatera Utara SISTEM AKTOR Pilih Buka Menampilkan pilihan citra motif batik Dan dimasukan ke axes1 Tentukan nilai threshlod Melakukan threshold pada citra dan ditampilkan di axes1 Pilih deteksi tepi Melakukan deteksi tepi pada citra hasil threshold dan disimpan ke database Pilih nilai K Melakukan pengujian terhadap citra Menampilkan hasil pengujian yaitu klasifikasi dan kecepatan waktu proses pengujian Membaca nilai K yang dipilih Pilih Kenali Gambar 3.4 Activity Diagram Pengujian

3.1.3.3 Sequence Diagram

Universitas Sumatera Utara Sequence Diagram diagram urutan adalah suatu diagram yang memperlihatkan atau menampilkan interaksi-interaksi antar objek di dalam sistem yang disusun pada sebuah urutan atau rangkaian waktu [13]. Interaksi antar objek tersebut termasuk pengguna, display, dan sebagainya berupa pesanmessage. Berikut sequence diagram pelatihan dan pengujian yang ditunjukkan pada gambar 3.5 dan gambar 3.6

3.1.3.3.1 Sequence Diagram Pelatihan

User Load Threshold Pilih jenis motif batik tampilkan citra batik Proses grayscale dan threshold citra tampilkan citra threshold proses deteksi tepi Deteksi Tepi Robert tampilkan citra deteksi tepi Penyimpanan simpan matriks vektor Gambar 3.5 Sequence Diagram Pelatihan

3.1.3.3.2 Sequence Diagram Pengujian

Universitas Sumatera Utara User Input Citra Threshold pilih citra batik tampilkan citra batik Proses grayscale dan threshold citra tampilkan citra threshold proses deteksi tepi Deteksi Tepi Robert tampilkan citra deteksi tepi Metode K-NN Klasifikasi K-NN Nilai K Tampilkan hasil klasifikasi dan waktu pemrosesan citra uji Gambar 3.6 Sequence Diagram Pengujian

3.2 Perancangan Sistem

3.2.1 Flowchart Sistem

Flowchart merupakan diagram alir dari bagan-bagan tertentu yang memiliki arus penggambaran mengenai langkah-langkah penyelesaian suatu permasalahan. Pada sistem yang dibangun ini terdapat beberapa proses yang akan direpresentasikan dengan flowchart, seperti proses pelatihan, ekstraksi ciri dan pengujian.

3.2.1.1 Flowchart Proses Pelatihan

Pelatihan adalah proses untuk memperoleh hasil ekstraksi ciri guna membentuk kelas klasifikasi. Proses pelatihan dapat dilihat pada Gambar 3.7 Universitas Sumatera Utara Mulai Citra Latih Ekstraksi Ciri Matriks Vektor Ekstraksi Ciri Selesai Gambar 3.7 Flowchart Proses Pelatihan

3.2.1.2 Flowchart Subproses Ekstraksi Ciri

Proses dimana citra yang telah di inputkan akan di ekstraksi cirinya sehingga menghasilkan nilai vektor matriks yang disimpan sebagai kelas klasifikasi ke database dalam bentuk file .xlx atau .xlxs dan nantinya data tersebut dalam pengujian digunakan untuk mencari klasifikasi tetangga terdekat. Diagram alir untuk subproses ekstraksi ciri dapat dilihat pada Gambar 3.8 Ekstraksi Ciri Tentukan nilai Threshold Deteksi Tepi Robert Selesai Gambar 3.8 Flowchart Subproses Ekstraksi Ciri Universitas Sumatera Utara

3.2.1.3 Flowchart Proses Pengujian

Pengujian adalah proses dimana sistem melakukan klasifikasi motif batik berdasarkan hasil pelatihan terhadap citra latih. Citra yang akan diuji adalah citra latih dan citra diluar dari citra dilatih. Hal ini dilakukan untuk menentukan kecepatan dan ketepatan dari masing-masing nilai K sehingga dapat diperoleh nilai K yang terbaik dengan menggunakan metode K-Nearest Neighbor dan dalam menentukan jarak ketetanggaan digunakan rumus Euclidean Distance. Proses pengujian dapat dilihat pada Gambar 3.9 Mulai Citra Uji Citra Latih Citra diluar Citra Latih Ekstraksi Ciri Selesai Nilai K Hitung Euclidean Distance Menentukan citra terdekat sesuai nilai K dualebih jumlah anggota kelas sama? Menghitung jarak rata-rata setiap kelas yang sama Menentukan kelas dengan jarak rata- rata terkecil No Yes Yes No Matriks Vektor Ekstraksi Ciri Gambar 3.9 Flowchart Proses Pengujian

3.2.2 Perancangan Antarmuka

Universitas Sumatera Utara Perancangan antarmuka pemakai interface bertujuan untuk memberikan tampilan- tampilan halaman pada sistem yang digunakan oleh pengguna. Terdapat beberapa halaman yang dimiliki oleh sistem, diantaranya Beranda, Bantuan, Pelatihan, Pengujian, dan Keluar.

3.2.2.1 Perancangan Antarmuka Beranda

Halaman Beranda adalah halaman utama yang terbuka pertama kali dalam sistem seperti yang terlihat pada gambar 3.10 Beranda Bantuan Pelatihan Pengujian Keluar 1 2 3 4 5 Text Axes 1 Text 7 6 6 Axes 2 Axes 3 8 8 Gambar 3.10 Tampilan Rancangan Antarmuka Beranda 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. Text Berisi tentang text informasi mengenai sistem. 7. Axes 1 Berisi gambar logo Fakultas Ilmu Komputer dan Teknologi Informasi USU. 8. Axes 2 dan axes 3 Berisi gambar batik Besurek Bengkulu.

3.2.2.2 Perancangan Antarmuka Bantuan

Halaman Bantuan berisi mengenai langkah-langkah bagi pengguna dalam menggunakan sistem seperti yang terlihat pada gambar 3.11 Beranda Bantuan Pelatihan Pengujian Keluar 1 2 3 4 5 List Box 6 Gambar 3.11 Tampilan Rancangan Antarmuka Bantuan Keterangan: 1. Menu Beranda Berisi menu pada Beranda yang dibuat. 2. Menu Bantuan Universitas Sumatera Utara 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. 6. List Box Berisi text informasi mengenai langkah-langkah menggunakan sistem.

3.2.2.3 Perancangan Antarmuka Pelatihan

Halaman Pelatihan ini untuk memproses citra batik yang akan dilatih dan menyimpan hasil ekstraksi ciri citra tersebut. Tampilan rancangan halaman Pelatihan seperti pada gambar 3.12 Beranda Bantuan Pelatihan Pengujian Keluar 1 2 3 4 5 Pop-Up Menu pilih motif batik Load Axes1 Axes2 Axes3 Deteksi Tepi Robert Axes6 Reset 11 10 9 8 8 8 7 6 13 12 11 11 S L I D E R Axes7 Axes8 S L I D E R S L I D E R Text1 Text2 Text3 9 9 10 10 Gambar 3.12 Tampilan Rancangan Antarmuka Pelatihan Keterangan: 1. Menu Beranda Berisi menu pada Beranda yang dibuat. 2. Menu Bantuan Universitas Sumatera Utara 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. 6. Pop-up Menu Berisi menu yang menampilkan jenis motif batik. 7. Button Load Untuk memanggil citra batik yang sudah dipilih berdasarkan jenisnya. 8. Axes 1 sampai axes 3 Untuk menampilkan citra batik RGB sesuai dengan jenis motifnya. 9. Axes 6 sampai axes 8 Untuk menampilkan citra batik baik citra threshold dan citra deteksi tepi. 10. Slider Berfungsi untuk mengatur nilai threshold 11. Text Berisi informasi text yaitu nilai threshold 12. Button Deteksi Tepi Robert Untuk mendeteksi tepi citra hasil threshold dengan deteksi tepi Robert kemudian ditampilkan kembali ke axes 6 sampai axes 8 kemudian hasil ekstraksi ciri berupa matriks vektor disimpan ke database dalam format .xls 13. Button Reset Untuk menghapus kembali semua gambar di Axes.

3.2.2.4 Perancangan Antarmuka Pengujian

Halaman Pengujian ini merupakan halaman yang digunakan user untuk melakukan pengujian terhadap motif batik Besurek Bengkulu. Tampilan rancangan halaman Pengujian seperti pada gambar 3.13 Universitas Sumatera Utara Beranda Bantuan Pelatihan Pengujian Keluar 1 2 3 4 5 Axes 1 Buka Deteksi Tepi Hapus Pop-up Menu pilih nilai K Kenali Klasifikasi : Text1 Waktu : Text2 6 7 8 11 12 13 14 15 S L I D E R Text3 9 10 Gambar 3.13 Tampilan Rancangan Antarmuka Pengujian 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. 6. Axes 1 Berfungsi untuk menampilkan citra batik. 7. Slider Berfungsi untuk mengatur nilai threshold 8. Text3 Berisi informasi text yaitu nilai threshold 9. Button Buka Universitas Sumatera Utara 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

Pada pengujian ini menggunakan data hasil pelatihan dari citra latih sebanyak 12 citra motif batik besurek Bengkulu dan untuk citra uji menggunakan kembali citra latih. Hasil pengujian sistem ditunjukkan pada tabel 4.3 dimana menampilkan hasil klasifikasi K-NN pada setiap nilai K Tabel 4.3 Hasil Pengujian K-NN terhadap Citra Latih Nama Citra Klasifikasi K-NN pada setiap nilai K K=1 K=3 K=5 K=7 Kelas Waktu Pengujian Kelas Waktu Pengujian Kelas Waktu Pengujian Kelas Waktu Pengujian RelungPaku1 Relung Paku 32,16 Bunga Rafflesia 31,90 Bunga Rafflesia 31,95 Bunga Rafflesia 32,15 RelungPaku2 Relung Paku 32,11 Relung Paku 32,33 Bunga Rafflesia 31,89 Bunga Rafflesia 32,12 RelungPaku3 Relung Paku 32,06 Relung Paku 32,17 Bunga Rafflesia 32,40 Relung Paku 31,85 B.Rafflesia1 Bunga Rafflesia 32,29 Bunga Rafflesia 32,36 Bunga Rafflesia 32,18 Bunga Rafflesia 31,98 B.Rafflesia2 Bunga Rafflesia 32,37 Bunga Rafflesia 32,32 Bunga Rafflesia 31,99 Bunga Rafflesia 32,06 B.Rafflesia3 Bunga Rafflesia 32,39 Bunga Rafflesia 31,91 Bunga Rafflesia 32,11 Bunga Rafflesia 32,28 BurungKuau1 Burung Kuau 32,19 Burung Kuau 32,40 Bunga Rafflesia 32,33 Bunga Rafflesia 33,70 BurungKuau2 Burung Kuau 33,32 Burung Kuau 33,22 Bunga Rafflesia 33,44 Bunga Rafflesia 33,19 Universitas Sumatera Utara BurungKuau3 Burung Kuau 33,39 Burung Kuau 33,48 Bunga Rafflesia 33,09 Bunga Rafflesia 33,32 Rembulan1 Rembulan 33,36 Rembulan 33,67 Relung Paku 33,36 Bunga Rafflesia 33,45 Rembulan2 Rembulan 33,54 Rembulan 33,34 Relung Paku 33,72 Bunga Rafflesia 33,38 Rembulan3 Rembulan 33,22 Rembulan 33,27 Relung Paku 33,37 Bunga Rafflesia 33,25 Total Waktu 325,64 325,76 324,74 326,1 Keterangan: Yang dicetak merah adalah hasil klasifikasi yang tidak sesuai Berdasarkan hasil pada tabel 4.3 maka akan dihitung nilai tingkat akurasi pengenalan citra uji yaitu citra latih dan rata-rata waktu pengujian untuk setiap nilai K. Tingkat akurasi pengenalan tersebut dihitung berdasarkan perbandingan jumlah klasifikasi kelas yang benar terhadap seluruh sampel citra yang diujikan sehingga menghasilkan persamaan sebagai berikut: Tingkat Akurasi Pengenalan = x 100 .............. 5 Rumus untuk menghitung nilai rata-rata waktu pengujian adalah: Rata-rata Waktu Pengujian = ................ 6 Hasil tingkat akurasi pengenalan dan rata-rata waktu pengujian untuk setiap nilai K berdasarkan hasil pengujian K-NN citra uji dari citra latih ditunjukkan pada tabel 4.4 dan tabel 4.5 Tabel 4.4 Tingkat Akurasi Pengenalan terhadap Citra Latih Nilai K K = 1 K = 3 K = 5 K = 7 Tingkat Akurasi Pengenalan 100 91 25 33 Universitas Sumatera Utara Tabel 4.5 Rata-rata Waktu Pengujian terhadap Citra Latih Nilai K K = 1 K = 3 K = 5 K = 7 Rata-rata Waktu Pengujian detik 27,13 27,14 27,06 27,17

4.2.2 Pengujian K-NN terhadap Citra diluar Citra Latih