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