28
BAB IV HASIL DAN PEMBAHASAN
4.1. Pendahuluan
Pada bab ini akan dibahas mengenai pengujian program software yang sudah dirancang, pengujian yang dilakukan pada penulisan ini menggunakan 20 motif batik
Yogyakarta. Kemudian akan membahas hasil implementasi interface software, pembahasan ini disertai juga dengan penjelasan penggunaan tombol untuk setiap proses.
Selanjutnya hasil pengujian software berupa data-data dari pengujian software yang dapat memperlihatkan bahwa sistem yang telah dirancang dapat bekerja dengan baik, dan yang
terakhir pembahasan tentang hasil software untuk setiap percobaan yang dilakukan.
4.2. Pengujian Program Software
Pengujian program bertujuan untuk memastikan apakah program yang telah dibuat dapat bekerja dan sesuai dengan yang telah dirancang pada bab sebelumnya. Pengujian
program menggunakan laptop dengan spesifikasi: Processor
: Intel® Core™ i3 CPU M330 2.13GHz RAM
: 2.00 GB Program pengenalan dapat dijalankan dengan langkah-langkah di bawah ini:
1. Mengarahkan kursor dan menekan sebanyak dua kali pada icon Matlab seperti
gambar 4.1. 7.0.4 merupakan versi dan tahun keluaran dari Matlab:
Gambar 4.1. Icon matlab pada desktop 2.
Setelah icon Matlab ditekan sebanyak dua kali maka akan keluar tampilan awal Matlab seperti gambar 4.2:
Gambar 4.2. Tampilan utama Matlab 3.
Kemudian ganti current directory sesuai dengan directory dimana program tersebut disimpan seperti yang ditunjukkan tanda panah pada gambar 4.2. Setelah itu ketik
guide ta pada command window, maka akan keluar tampilan interface GUI seperti gambar 4.3 Kemudian klik run untuk menjalankan program serta interface GUI.
Gambar 4.3. Tampilan Interface GUI yang dibuat
Run Current
directory
4. Setelah menekan tombol run, maka akan muncul tampilan Interface GUI seperti
pada gambar 4.4.
Gambar 4.4. Tampilan interface GUI setelah di-run 5.
User dapat memulai pengenalan dengan menekan tombol “Pencarian” yang berfungsi untuk membaca dan memasukkan motif batik Yogyakarta. Sejumlah 20
Motif batik beserta citra variasinya akan keluar di jendela file selector seperti pada gambar 4.5. User dapat memasukkan citra motif batik Yogyakarta yang dipilih,
melalui file selector yang muncul ketika tombol “Pencarian” ditekan.
Gambar 4.5. Jendela file selector untuk memasukkan motif batik Yogyakarta Berikut perintah program tombol “Pencarian” yang digunakan untuk memanggil
file selector, citra yang dipilih dari file selector nama batiknya akan ditampilkan di
“edit 3” dan citra batik ditampilkan di “axes 1”. Pada proses ini sesuai dengan yang telah dirancang seperti pada gambar 3.6 diagram alir pemasukan dan pemilihan
citra. Apabila citra motif Yogyakarta sudah ditampilkan di “axes 1” simbol suara dengan tanda silang, yang artinya tidak ada suara yang keluar akan ditampilkan di
“axes 6”. untuk menjalankan program sebagai berikut:
Citra yang telah dipilih akan diinisialisasi dengan menggunakan perintah handles dan akan ditampilkan pada “axes 1”. Handles adalah sebuah inisialisasi yang
digunakan agar dapat dipanggil dalam file figure maupun file.m 6.
Selanjutnya salah satu motif batik Yogyakarta yang dipilih oleh user akan muncul di “axes 1” seperti pada gambar 4.6a. Nama dari citra yang dipilih dari file selector
akan tampil di “edit3” seperti pada gambar 4.6b dan simbol tidak bersuara akan ditampilkan di “axes 6” seperti gambar 4.6e.
Gambar 4.6. Proses-proses pada interface GUI a Motif batik yang dipilih b Nama batik yang dipilih c Ukuran variasi resizing d Ukuran variasi jendela
ekstraksi ciri e Simbol suara
[filename, pathname] = uigetfile{.bmp}, File Selector; charfilename = charfilename
sethandles.edit3,string,charfilename; axeshandles.axes6;
img5=imread speaker volume mute copy.jpg;
imshowimg5 axeshandles.axes1;
img0=imread charfilename; imshowimg0
axis on handles.img0=img0;
guidatahObject,handles;
A C
B
D E
7. Kemudian user harus memilih ukuran variasi resizing “Popupmenu1” digunakan
untuk mengubah besar atau kecilnya ukuran citra dalam piksel dengan ukuran yang bervariasi seperti 200
×
200 ukuran asli, 128
×
128, 64
×
64, 32
×
32, dan 16
×
16 piksel.
Selanjutnya user memilih ukuran variasi dari jendela ekstraksi ciri “Popupmenu2” digunakan untuk pengambilan hasil ekstraksi ciri Discrete Cosine
Transform Two Dimension DCT 2-D, pengambilan dengan jendela ekstraksi ciri atau window terdapat di sisi kiri atas dengan ukuran yang bervariasi seperti 4
×
4, 5×5, 6×6, 7×7, 8×8, 9×9, dan 10×10 piksel. Variasi ukuran dari resizing dan
jendela ekstraksi ciri digunakan untuk pengenalan motif batik Yogyakarta yang akan dikenali, seperti pada gambar 4.6c dan gambar 4.6d.
Perintah program untuk indeks ukuran variasi resizing yang akan digunakan adalah sebagai berikut:
Selanjutnya perintah program untuk indeks ukuran variasi jendela ekstraksi ciri yang akan digunakan adalah sebagai berikut:
indeks=gethandles.popupmenu1,Value; switch indeks
case 2 resizing=200;
case 3 resizing=128;
case 4 resizing=64;
case 5 resizing=32;
case 6 resizing=16;
end handles.resizing=resizing;
guidatahObject,handles;
indeks=gethandles.popupmenu2,Value; switch indeks
case 2 jendela=4;
case 3 jendela=5;
case 4 jendela=6;
case 5 jendela=7;
case 6 jendela=8;
case 7 jendela=9;
case 8 jendela=10;
end handles.jendela=jendela;
guidatahObject,handles;
8. Setelah memilih ukuran variasi dari resizing dan jendela ekstraksi ciri maka user
harus menekan tombol “Proses” yang digunakan untuk melihat hasil keluaran dari grayscale, resizing, Discrete Discrete Cosine Transform Two Dimension DCT 2-
D, jendela ekstraksi ciri dan keluaran teks serta suara dengan simbol suara tanpa tanda silang yang artinya adanya keluaran suara dari motif yang dikenal seperti
pada gambar 4.7. User dapat menekan tombol “Reset” bila ingin memulai pengenalan citra yang baru ataupun sama dan dapat menekan tombol ”Selesai” bila
ingin mengakhiri pengenalan. Untuk gambar 4.7 ini berkaitan dengan yang sudah dibahas pada bab sebelumnya pada gambar 3.5 yaitu dari diagram alir secara
keseluruhan. Dari penjelasan di bab tersebut sudah sesuai dengan yang sudah dibuat pada GUI dan perancangan dari proses awal masukan sampai keluaran.
Gambar 4.7. Pengenalan saat tombol “Proses” ditekan Tabel 4.1. menampilkan hasil pengenalan yang telah dilakukan ketika tombol
“Proses” ditekan. Dari hasil gambar 4.7 terlihat bahwa program sudah dapat berjalan dengan baik ketika dilakukan pengujian pada program interface. Dari gambar 4.7 tertampil
contoh hasil dari motif yang akan dikenali, citra yang akan dikenali melewati proses grayscale untuk mempermudah proses kemudian masuk ke proses resizing dengan ukuran
variasi 200
×
200 piksel. Selanjutnya citra resizing akan di transformasikan ke Discrete Cosine Transform Two Dimension DCT 2-D yang ukurannya akan menyesuaikan dengan
ukuran resizing. Sesudah resizing melewati tahap proses ekstraksi ciri Discrete Cosine Transform Two Dimension DCT 2-D, hasil dari ekstraksi ciri Discrete Cosine Transform
Two Dimension DCT 2-D akan diambil sisi kiri atasnya dengan metode jendela ekstraksi ciri seperti gambar 4.7 digunakan variasi 4
×
4 piksel dan kolom tempat hasil keluaran akhir berupa tulisan dan suara “Kawung_Picis” sesuai dengan masukan citra yang dipilih dengan
nama “Kawung_Picis.bmp”. Berikut program dari tombol “Proses” yang di dalamnya terdapat beberapa program
seperti proses grayscale, resizing, Discrete Cosine Transform Two Dimension DCT 2-D, jendela ekstraksi ciri, jarak Dice serta k-Nearest Neighbor k-NN dan hasilnya akan
ditampilkan pada GUI. Tombol proses dapat dilakukan setelah memilih variasi dari resizing dan jendela ekstraksi ciri yang diinginkan.
Tabel 4.1. Hasil Pengenalan Citra Motif Batik Yogyakarta
No. Masukan Citra
Citra Yang Dikenali
1. Ceplok_Dempel.bmp
Ceplok_Dempel 2.
Ceplok_Kece.bmp Ceplok_Kece
3. Kawung_Galar.bmp
Kawung_Galar 4.
Kawung_Kembang_Cempoko_Hitam.bmp Kawung_Kembang_Cempoko_Hitam 5.
Kawung_Picis.bmp Kawung_Picis
6. Lereng_Kusuma.bmp
Lereng_Kusuma 7.
Nitik_Cengkeh.bmp Nitik_Cengkeh
8. Nitik_Cengkeh.bmp
Nitik_Cengkeh 9.
Parang_Curigo.bmp Parang_Curigo
10. Parang_Kawung_Picis.bmp
Parang_Kawung_Picis 11.
Parang_Kembang_Sawut_Cecek.bmp Parang_Kembang_Sawut_Cecek
12. Parang_Keris.bmp
Parang_Keris 13.
Parang_Klitik.bmp Parang_Klitik
14. Parang_Kunci.bmp
Parang_Kunci 15.
Parang_Kusumo_Ukel.bmp Parang_Kusumo_Ukel
16. Parang_Pancing.bmp
Parang_Pancing 17.
Parang_Tuding.bmp Parang_Tuding
18. Parisewuli_Seling_Pamor.bmp
Parisewuli_Seling_Pamor 19.
Tambal.bmp Tambal
20. Truntum.bmp
Truntum
Perintah program grayscale atau bahasa program rgb2gray adalah proses untuk menyederhanakan model citra dari citra berwarna menjadi keabu-abuan, agar proses
selanjutnya lebih mudah diproses. Program grayscale adalah sebagai berikut:
Perintah program resizing atau bahasa program imresize adalah proses untuk mengubah ukuran dari citra, baik itu untuk memperbesar ataupun memperkecil ukuran
citra. Program resizing adalah sebagai berikut:
Proses grayscale dan resizing ini berkaitan dengan perancangan pada gambar 3.7 diagram alir pemprosesan yang bertujuan untuk mempersiapkan citra yang akan diekstraksi
ciri agar dapat dilanjutkan ke proses selanjutnya. Grayscale dan resizing merupakan proses preprocessing.
Perintah program Discrete Cosine Transform Two Dimension DCT 2-D atau bahasa pemrograman dct2 adalah DCT 2-D yang digunakan untuk membagi citra dengan
ukuran resizing yang bervariasi, yang dipilih oleh user yang akan dimasukkan ke dalam beberapa blok-blok kecil. Program di bawah adalah perintah untuk menjalankan proses
Discrete Cosine Transform Two Dimension DCT 2-D:
Program di atas adalah perintah untuk menjalankan proses Discrete Cosine Transform Two Dimension DCT 2-D. Citra masukan sebelum ekstraksi ciri yaitu
=======================Proses Grayscale============================ img0=handles.img0;
img1=rgb2grayimg0; axeshandles.axes2;
imshowimg1 axis on
===============================Proses Resizing=========================== resizing=handles.resizing;
if resizing==200 img2=imresizeimg1,[200 200];
elseif resizing==128 img2=imresizeimg1,[128 128];
elseif resizing==64 img2=imresizeimg1,[64 64];
elseif resizing==32 img2=imresizeimg1,[32 32];
elseif resizing==16 img2=imresizeimg1,[16 16];
end axeshandles.axes3;
imshowimg2 axis on
================================Proses DCT============================ img2=doubleimg2255;
img3=absdct2img2; axeshandles.axes4;
imshowimg3 axis on
preprocessing dari hasil resizing terlebih dahulu dibagi dengan 255. Tujuan dari dibagi dengan 255 adalah untuk normalisasi, digunakan untuk mendapatkan hasil yang lebih baik.
Ukuran dari variasi resizing tersebut akan membuat ukuran Discrete Cosine Transform Two Dimension DCT 2-D berubah dan menyesuaikan ukurannya dengan variasi resizing
yang dipilih atau digunakan oleh user. Kemudian bagian kiri atas dari hasil Discrete Cosine Transform Two Dimension
DCT 2-D akan diambil sebagai ekstraksi ciri. Pengambilan bagian kiri atas ini menggunakan metode jendela ekstraksi ciri atau window. Hasil dari pengambilan bagian
kiri atas Discrete Cosine Transform Two Dimension DCT 2-D akan menyesuaikan dengan variasi ukuran jendela ekstraksi ciri yang dipilih oleh user. Hasil dari salah satu
pemilihan dari ukuran variasi jendela ekstraksi ciri tersebut akan diambil sebagai hasil ekstraksi ciri. Proses ini berkaitan dengan gambar 3.8 diagram alir ekstraksi ciri yang
sudah dirancang terdiri dari Discrete Cosine Transform Two Dimension DCT 2-D dan jendela ekstraksi ciri yang bervariasi. Berikut perintah program dari proses jendela
ekstraksi ciri:
Perintah program di bawah adalah untuk pemilihan atau mengeluarkan database yang akan dibandingkan dengan salah satu citra masukan motif batik Yogyakarta
menggunakan perhitungan jarak. Pengeluaran database pembanding akan menyesuaikan dengan pemilihan variasi dari popupmenu seperti variasi resizing dan jendela ekstraksi ciri
yang telah dipilih oleh user. Untuk pembuatan database harus benar agar tidak ada error di dalam pengenalan. Pembuatan database harus melalui proses dari masukan citra,
preprocessing, dan ekstraksi ciri Discrete Cosine Transform Two Dimension DCT 2-D untuk diambil data matriknya dan disimpan dalam format .mat. Proses ini seperti yang
sudah dirancang pada gambar 3.4 diagram alir pembuatan database. Berikut perintah program pemilihan atau mengeluarkan database:
=============================Proses Window============================= jendela=handles.jendela;
img4=img31:jendela,1:jendela; axeshandles.axes5;
imshowimg4 axis on
==============================Pemilihan database========================= resizing=handles.resizing;
jendela=handles.jendela; if resizing==200 jendela==4
load x200ciri16;
elseif resizing==200 jendela==5 load x200ciri25;
elseif resizing==200 jendela==6 load x200ciri36;
elseif resizing==200 jendela==7 load x200ciri49;
elseif resizing==200 jendela==8 load x200ciri64;
elseif resizing==200 jendela==9 load x200ciri81;
elseif resizing==200 jendela==10 load x200ciri100;
elseif resizing==128 jendela==4 load x128ciri16;
elseif resizing==128 jendela==5 load x128ciri25;
elseif resizing==128 jendela==6 load x128ciri36;
elseif resizing==128 jendela==7 load x128ciri49;
elseif resizing==128 jendela==8 load x128ciri64;
elseif resizing==128 jendela==9 load x128ciri81;
elseif resizing==128 jendela==10 load x128ciri100;
elseif resizing==64 jendela==4 load x64ciri16;
elseif resizing==64 jendela==5 load x64ciri25;
elseif resizing==64 jendela==6 load x64ciri36;
elseif resizing==64 jendela==7 load x64ciri49;
elseif resizing==64 jendela==8 load x64ciri64;
elseif resizing==64 jendela==9 load x64ciri81;
elseif resizing==64 jendela==10 load x64ciri100;
elseif resizing==32 jendela==4 load x32ciri16;
elseif resizing==32 jendela==5 load x32ciri25;
elseif resizing==32 jendela==6 load x32ciri36;
elseif resizing==32 jendela==7 load x32ciri49;
elseif resizing==32 jendela==8 load x32ciri64;
elseif resizing==32 jendela==9 load x32ciri81;
elseif resizing==32 jendela==10 load x32ciri100;
elseif resizing==16 jendela==4 load x16ciri16;
elseif resizing==16 jendela==5 load x16ciri25;
Proses yang dilakukan selanjutnya adalah membandingkan database dengan citra masukan motif batik Yogyakarta yang telah dipilih dari salah satunya menggunakan
perhitungan jarak. Dari hasil perhitungan jarak tersebut akan didapatkan nilai jarak dari semua 20 citra motif batik Yogyakarta. Untuk perhitungan jarak sesuai dengan
perancangan yang telah dibuat pada gambar 3.9. Nilai perhitungan jarak tersebut dimasukkan ke dalam metode penentuan keluaran
yaitu k-Nearest Neighbor k-NN, dimana k-Nearest Neighbor k-NN akan mengurutkan dari kecil sampai besar nilai dari hasil perhitungan jarak. Setelah mendapatkan nilai yang
paling minimum dari pengurutan nilai hasil penghitungan jarak akan diambil nilai minimum sebanyak k pada k-Nearest Neighbor k-NN, sesuai dengan urutan sampel dari
database. Kemudian dari urutan sampel database tersebut, akan keluar urutan motif batik sesuai dengan tabel 4.1. Dari nilai pengurutan motif batik tersebut maka akan diambil nilai
yang sama sesuai dengan urutan citra motif batik Yogyakarta. Nilai kelas yang paling banyak muncul akan menjadi penentuan keluaran motif batik yang dikenal. Perintah
program perhitungan jarak sebagai berikut:
Kelas yang digunakan k-Nearest Neighbor k-NN adalah bilangan ganjil seperti 1, 3, 5, dan 7. Kelas k=1 sama dengan tidak menggunakan k-Nearest Neighbor k-NN
karena nilai minimumnya hanya mencari satu nilai sampel dari database dan juga kelasnya hanya ada satu. k=1 tidak bisa mencari nilai yang paling minimum dari citra lain,
sedangkan kelas k=3, 5, 7 menggunakan k-Nearest Neighbor k-NN karena mencari nilai minimum dari sampel database disetiap variasi motif batik Yogyakarta sesuai dengan nilai
k nya. k-Nearest Neighbor k-NN yang diambil sebagai keluaran adalah kelas yang paling banyak. Perhitungan pengurutan nilai minimum ini menggunakan jarak dice yang
digunakan sebagai perhitungan nilai jarak minimum yang didapatkan dari perbandingan
=========================== Perhitungan Jarak ============================ y=img4:;
for n=1:180 rn=fjaraky,z:,n;
end elseif resizing==16 jendela==6
load x16ciri36; elseif resizing==16 jendela==7
load x16ciri49; elseif resizing==16 jendela==8
load x16ciri64; elseif resizing==16 jendela==9
load x16ciri81; elseif resizing==16 jendela==10
load x16ciri100; end
citra masukan dengan database. Karena keterbatasan Matlab 7.0.4 perintah program ditambah modus yang digunakan untuk mencari nilai yang paling sering muncul, di dalam
modus terdapat sampel sesuai dengan variasi citra asli, rotasi, dan skala dari database. Berikut perintah program k-Nearest Neighbor k-NN:
Perintah program di bawah adalah penamaan keluaran teks dari 20 motif batik Yogyakarta. Variabel y1 adalah inisialisasi 20 motif batik Yogyakarta. Nilai kelas yang
paling banyak muncul akan dipanggil sebagai keluaran sesuai dengan nama yang telah diinisialisasi sebagai berikut:
Perintah program di bawah adalah mencari nilai kelas yang paling banyak muncul akan menjadi penentuan keluar motif batik yang akan dikenal dan diinisialisi dari 20 motif
batik Yogyakarta. Kemudian nilai yang paling banyak muncul akan ditampilkan ke dalam file figure dengan menggunakan perintah set. Berikut perintah program mencari nilai yang
paling banyak muncul:
Perintah di bawah untuk mengeluarkan suara dari nama pengenalan motif batik Yogyakarta dari nilai yang paling banyak muncul. Suara tersebut akan bersamaan keluar
dengan keluaran teks dari 20 motif batik Yogyakarta. Untuk keluaran suara dari pengenalan motif batik Yogyakarta ini menggunakan suara penulis dengan format rekaman
suara wav. Setiap citra batik Yogyakarta akan ada keluaran suaranya masing-masing, sesuai dengan nama batiknya. Untuk sampling suara menggunakan 8000Hz, karena
sampling menggunakan 8000Hz suara keluaran menjadi normal suaranya dan sama seperti suara yang direkam oleh penulis. Perintahnya sebagai berikut:
===========================Pembagian kelas KNN========================== k=1;
k pada knn= 1, 3, 5, dan 7 m=9;
Jumlah sampel per kelas [s1,s2]=sortr,ascend;
s urut naik fungsi jarak kn=s21:k
Pilih k nearest neighbour hk=ceilknm
Penentuan kelas-kelas yang terpilih x1=modushk
Pilih kelas yang paling sering muncul
=========================Deskripsi string inisialisasi========================= y1={Ceplok_Dempel;Ceplok_Kece;Kawung_Galar;Kawung_Kembang_Cempoko_Hitam;Kawung_Pic
is;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;Truntum};
=========================Penentuan keluaran minimum====================== b1=y1x1;
sethandles.edit1,string,b1;
=====================Penentuan Keluaran Suara============================ if x1==1;
y=wavreadCeplok_Dempel1.wav; soundy,8000
Untuk keluaran suara dari motif batik Yogyakarta akan digunakan simbol suara, simbolnya seperti keluaran bersuara dan tidak bersuara. Ketika ada proses keluaran, akan
ditampilkan teks keluaran dan simbol suara tanpa tanda silang. Ketika tidak ada proses
elseif x1==2; y=wavreadCeplok_Kece1.wav;
soundy,8000 elseif x1==3;
y=wavreadKawung_Galar1.wav; soundy,8000
elseif x1==4; y=wavreadKawung_Kembang_Cempoko_Hitam1.wav;
soundy,8000 elseif x1==5;
y=wavreadKawung_Picis1.wav; soundy,8000
elseif x1==6; y=wavreadLereng_Kusuma1.wav;
soundy,8000 elseif x1==7;
y=wavreadNitik_Cengkeh1.wav; soundy,8000
elseif x1==8; y=wavreadParang_Barong1.wav;
soundy,8000 elseif x1==9;
y=wavreadParang_Curigo1.wav; soundy,8000
elseif x1==10; y=wavreadParang_Kawung_Picis1.wav;
soundy,8000 elseif x1==11;
y=wavreadParang_Kembang_Sawut_Cecek1.wav; soundy,8000
elseif x1==12; y=wavreadParang_Keris1.wav;
soundy,8000 elseif x1==13;
y=wavreadParang_Klitik1.wav; soundy,8000
elseif x1==14; y=wavreadParang_Kunci1.wav;
soundy,8000 elseif x1==15;
y=wavreadParang_Kusumo_Ukel1.wav; soundy,8000
elseif x1==16; y=wavreadParang_Pancing1.wav;
soundy,8000 elseif x1==17;
y=wavreadParang_Tuding1.wav; soundy,8000
elseif x1==18; y=wavreadParisewuli_Seling_Pamor1.wav;
soundy,8000 elseif x1==19;
y=wavreadTambal1.wav; soundy,8000
elseif x1==20; y=wavreadTruntum1.wav;
soundy,8000 end
keluaran, akan terlihat simbol suara dengan tanda silang. Berikut perintah program dan simbol yang digunakan:
Proses penentuan suara ini sudah sesuai dengan perancangan pada gambar 3.11 diagram alir penentuan keluaran yang dibuat, dari masukan hasil perhitungan jarak, proses
k-Nearest Neighbor k-NN, inisialisasi dari 20 citra motif batik Yogyakarta dan keluaran teks serta suara.
9. Tombol “Reset” digunakan apabila user ingin mengulangi pengenalan citra motif
batik Yogyakarta menggunakan citra yang baru atau yang sama. Tombol reset akan mengembalikan kembali tampilan program atau GUI seperti awal mula user
membuka program pengenalan. Perintah program pada tombol reset sebagai berikut:
10. Tombol “Selesai” digunakan apabila user ingin mengakhiri dan keluar dari
program atau tampilan GUI pengenalan citra motif batik Yogyakarta. Perintah program tombol “Selesai” sebagai berikut:
Kesimpulan yang dapat diambil dari hasil pengujian adalah tombol yang terdapat pada tampilan program pengenalan motif batik Yogyakarta telah dapat berjalan dengan
baik dan alur program secara keseluruhan telah sesuai dengan perancangan yang dibuat pada bab sebelumnya.
4.3. Hasil Pengujian Program Pengenalan Citra Terhadap Tingkat Pengenalan Citra Motif Batik Yogyakarta
Pengujian program pengenalan citra motif batik Yogyakarta, dilakukan melalui 1 tahapan pengujian. Tahapan pengujian programnya yaitu pengujian parameter pengaturan
pengenalan motif batik Yogyakarta yang terdiri dari beberapa ukuran resizing dan jendela ekstraksi ciri yang bervariasi digunakan untuk proses pengenalan. Tujuan dari pengujian
parameter pengaturan pengenalan dilakukan untuk mencari nilai dari setiap parameter yang menghasilkan tingkat pengenalan yang paling terbaik. Setiap hasil pengujian dari 20 motif
===========================Tombol Reset================================ deletefigureTA;
figureTA;
==============================Tombol Selesai=========================== deletefigureTA;
==============================Keluaran Gambar Suara======================= axeshandles.axes6;
img0=imread speaker-volume copy.jpg; simbol bila ada suara imshowimg0
batik Yogyakarta akan mempunyai nilai akurasi pada masing-masing motif batik. Hasil dari tiap pengujian motif batik adalah data nilai dari akurasi terbaik di setiap motif batik
Yogyakarta.
4.3.1. Pengujian Parameter Pengaturan Pengenalan Motif Batik Yogyakarta
Pada penulisan ini dilakukan untuk melihat seberapa besar tingkat pengenalan citra motif batik Yogyakarta dapat dikenali secara tepat dari setiap parameter pengenalan yang
digunakan. Untuk menentukan nilai parameter yang akan digunakan dilakukan dengan melakukan percobaan dengan jumlah variasi Resizing yang berbeda-beda, yaitu 200
×
200, 128
×
128, 64
×
64, 32
×
32, dan 16
×
16 piksel. Disertakan juga dengan variasi Jendela ekstraksi ciri yang bervariasi seperti 4
×
4, 5
×
5, 6
×
6, 7
×
7, 8
×
8, 9
×
9, dan 10
×
10 piksel. Kedua variasi tersebut dicoba terhadap 20 citra motif batik Yogyakarta sesuai perancangan
yang sudah dibuat. Untuk masukkan citra dibuat bervariasi yang berfungsi untuk pengujian seberapa akurat sistem mengenali citra yang bervariasi, pengujiannya ada citra yang
dimasukkan kedalam database dan yang tidak dimasukkan ke dalam database. Untuk pengujian seberapa akurat sistem mengenali citra akan dibuat variasi yang
dimasukkan kedalam database, masukkan citranya seperti variasi rotasi -10
°
, -5
°
, 0
°
, 5
°
, 10
°
dan variasi skala 90, 95, 100, 105, 110. Untuk pengujian citra yang tidak dimasukkan kedalam database citranya bervariasi seperti variasi rotasi -2,5
°
, -7,5
°
, -12,5
°
, 2,5
°
, 7,5
°
, 12,5
°
dan variasi skala 92,5, 97,5, 102,5, 107,5, 112,5. Dari semua variasi tersebut seperti variasi resizing, jendela ekstraksi ciri, pengujian rotasi dan skala,
akan digunakan nilai parameter yang mempunyai tingkat pengenalan citra sebesar 100 yang berarti variasi pengenalan yang paling terbaik.
4.4. Pengujian Citra Uji Tanpa Menggunakan Database
Pada alat tugas akhir yang dibuat ini akan dicoba masukan bervariasi dengan citra tidak dimasukkan ke dalam database, pengujian ini di uji dengan variasi rotasi -2,5
°
, -7,5
°
, -12,5
°
, 2,5
°
, 7,5
°
, 12,5
°
dan variasi skala 92,5, 97,5, 102,5, 107,5, 112,5. Variasi ini tidak dimasukkan kedalam database, karena digunakan untuk pengujian seberapa
akurat sistem mengenali motif batik Yogyakarta yang dimasukkan. Untuk yang menggunakan database pada sebelumnya menggunakan variasi rotasi -10
°
, -5
°
, 0
°
, 5
°
, 10
°
dan penskalaan 90, 95, 100, 105, 110. Nilai variasi rotasi dan skala yang menggunakan database tidak jauh atau setengah dengan nilai variasi citra yang tidak
dimasukkan database. Dari data k=1 yang berarti tidak menggunakan k-Nearest Neighbor k-NN
pengenalannya ada yang dikenali secara salah, tidak seperti k=1 yang menggunakan database. Untuk yang menggunakan database pengenalannya sebesar 100. Untuk bagian
rotasi dari kelas k=1 tidak menggunakan k-Nearest Neighbor k-NN banyak citra rotasi yang dikenali secara salah dan skala cukup banyak yang dikenali secara benar.
4.4.1 Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri
dan Variasi Masukan Rotasi Serta Skala Tanpa Menggunakan Nilai k-Nearest Neighbor k=1
a. Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri Tanpa k-NN
k=1
Untuk kelas k-Nearest Neighbor k-NN k=1 jendela ekstraksi cirinya dapat dilihat di tabel lampiran 20, 21 dan 22 dibagian hasil tidak dimasukkan ke database,
semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan banyak yang dikenali secara
salah. Dari tabel juga memperlihatkan bahwa sistem belum dapat mengenali 100 yang dikenali hanya 99,09 pada variasi resizing 200
×
200 piksel dengan jendela ekstraksi ciri 9
×
9, 10
×
10 piksel dan variasi 128
×
128 piksel dengan jendela ekstraksi ciri 7
×
7, 8
×
8, 9
×
9, 10
×
10 piksel. Tabel 4.2. Tingkat Pengenalan Pengaruh untuk k-NN k=1 terhadap Jendela Ekstraksi
Ciri Resizing
Piksel Jendela Ekstraksi Ciri Piksel
4
×
4 5
×
5 6
×
6 7
×
7 8
×
8 9
×
9 10
×
10 200
×
200 85,45
96,36 97,27
97,73 97,73
99,09 99,09
128
×
128 86,82
95,00 97,27
99,09 99,09
99,09 99,09
64
×
64 79,55
91,82 94,55
96,36 96,82
98,64 98,64
32
×
32 76,82
89,55 91,82
92,73 94,09
96,36 96,82
16
×
16 64,09
74,09 76,36
77,27 80,91
82,73 84,55
Dari tabel 4.2 dapat digambarkan grafik variasi Resizing dan Jendela Ekstraksi Ciri dengan tingkat pengenalan seperti pada gambar 4.8 Grafik pada gambar tersebut
menunjukkan bahwa, semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra
semakin terlihat tidak berbentuk citra masukan, sehingga tingkat pengenalannya juga akan semakin rendah. Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin
tinggi. Dari tingkat pengenalan jendela ekstraksi ciri, semakin besar ukuran dari variasi jendela ekstraksi ciri maka tingkat pengenalannya semakin tinggi. Hal ini disebabkan
pengambilan sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension DCT 2-D yang semakin besar bila jendela ekstraksi ciri nilai variasinya besar. Variasi jendela
ekstraksi ciri yang kecil, akan sedikit mengambil sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension DCT 2-D dan itulah yang menyebabkan variasi jendela
ekstraksi ciri yang nilainya kecil tingkat pengenalannya lebih rendah dari variasi yang ukuran variasi jendela ekstraksi cirinya besar.
Gambar 4.8. Grafik tingkat pengenalan kelas k=1 terhadap Jendela Ekstraksi Ciri
b. Pengujian Nilai Variasi Resizing Terhadap Variasi Masukan Rotasi Tanpa k-
Kategori