BAB III ANALISIS DAN PERANCANGAN SISTEM
3.1 Analisis Permasalahan
Pengenalan identitas seseorang masih banyak digunakan sistem tradisional, dimana mengenali dengan pin, password, kata sandi yang banyak menimbulkan permasalahan yaitu
lupa dengan kata sandi, hilang, dicuri dan dibajak. Sehingga, solusi yang digunakan dengan menggunakan sistem biometrika. Dalam sistem biometrika, pola biometrik yang ada dalam
tubuh manusia sendiri dapat digunakan untuk mengenali identitas seseorang dengan tingkat keamanan yang lebih baik dibandingkan dengan sistem tradisional.
Gambar 3.1 Diagram Ishikawa Analisis Permasalahan 3.2 Analisis Kebutuhan Sistem
Analisis kebutuhan sistem meliputi analisis kebutuhan fungsional dan analisis kebutuhan non-fungsional sistem.
3.2.1 Analisis Kebutuhan Fungsional Sistem
Kebutuhan fungsional yang harus dimiliki oleh sistem Identifikasi telapak tangan manusia dengan Jaringan Syaraf Tiruan metode Bidirectional Associative Memory adalah:
1. Sistem dapat menerima inputan citra telapak tangan kanan dengan format JPEG.
2. Sistem dapat melakukan pemrosesan gambar sebelum dilatih.
3. Sistem dapat mengubah citra menjadi citra bipolar.
4. Sistem dapat mengenali identitas seseorang dengan citra telapak tangan kanan yang
sudah dilatih . 5.
Sistem dapat menyimpan pola dalam bentuk .xls.
Pengidentifikasian seseorang kurang akurat
People
Machine tools Methods
Materials kemampuan kurang
baik Mengenali identitas
Sistim tradisional
tidak ada tanda duplikasi
pin kartu
kunci password
Dapat diduplikasi Hilangtercecer
Universitas Sumatera Utara
3.2.2 Analisis Kebutuhan Non-Fungsional Sistem
Kebutuhan non-fungsional yang harus dimiliki oleh sistem Identifikasi telapak tangan manusia dengan Jaringan Syaraf Tiruan metode Bidirectional Associative Memory adalah:
1. Tampilan antarmuka sistem yang menarik dan mudah dimengerti oleh pengguna
sistem.
2. Waktu pemrosesan dan pelatihan pola tangan yang lebih cepat.
3.3 Pemodelan Sistem
Pada penelitian ini digunakan UMLUnified Modelling Language sebagai bahasa pemodelan untuk mendesain dan merancang sistem Implementasi Jaringan Syaraf Tiruan
Bidirectional Associative memory untuk pengidentifikasian telapak tangan manusia. Model UML yang digunakan adalah use case diagram, activity diagram, dan sequence diagram.
3.3.1 Pemodelan dengan Menggunakan Use Case Diagram
Use Case adalah diagram yang menunjukkan fungsionalitas suatu sistem atau kelas dan bagaimana sistem tersebut berinteraksi dengan dunia luar dan menjelaskan sistem secara
fungsional yang terlihat user. Dalam pemodelan ini terdapat aktor yaitu user dan programmer. Programmer dapat
melakukan pelatihan dan pengujian jaringan syaraf tiruan dengan metode bidirectional associative memory untuk mengidentifikasi pola telapak tangan, sedangkan user dapat
melakukan pengujian seperti yang digambarkan dalam gambar 3.2
Universitas Sumatera Utara
Sistem Implementasi Jaringan Syaraf Tiruan untuk pengidentifikasian telapak tangan manusia
Pelatihan BAM
Pengujian BAM Programmer
Metode BAM User
include
include
Gambar 3.2 Use Case Diagram Sistem Identifikasi Telapak Tangan 3.3.1.1 Use case Pelatihan Jaringan Syaraf Tiruan JST
Use case Pelatihan JST ini menjelaskan dokumentasi naratif dari pelatihan JST sistem yang akan dibangun seperti pada Tabel 3.1.
Tabel 3.1 Dokumentasi Naratif Use Case Pelatihan Jaringan Syaraf Tiruan
Nama Use Case Pelatihan Jaringan Syaraf Tiruan Aktor
Programmer dan user Deskripsi
Use Case ini mendeskripsikan proses pelatihan Jaringan Syaraf Tiruan Prakondisi
Berada pada interface menu Train Alur Dasar
Kegiatan User Respon System
1. Tekan Button load
1. Menampilkan semua citra
yang akan dilatih pada axes yang tersedia di interface
2. Tekan button Train
2. Melakukan proses Pelatihan
JST pada citra yang disimpan dimana, sebelumnya citra
sudah diproses yaitu mengubah ukuran citra pada
tiap axes sebesar 200 x 300 pixel, diubah Grayscale,
diproses dengan Sharpening dan mendeteksi tepi citra
dengan metode Canny
Universitas Sumatera Utara
Alur Alternatif Tidak ada
Post-Kondisi Sistem telah menyimpan bobot hasil proses pelatihan Jaringan Syaraf
Tiruan
3.3.1.2 Use case Pengujian Jaringan Syaraf Tiruan JST
Use case pengujian JST ini menjelaskan dokumentasi naratif dari pengujian JST
sistem yang akan dibangun seperti pada Tabel 3.2. Tabel 3.2 Dokumentasi Naratif Use Case Pengujian Jaringan Syaraf Tiruan
Nama UseCase Pengujian Jaringan Syaraf Tiruan Aktor
Programmer dan user Deskripsi
Use Case ini mendeskripsikan proses pengujian Jaringan Syaraf Tiruan Prakondisi
Berada pada interface menu Test Alur Dasar
Kegiatan User Respon System
1. Tekan tombol Buka File
Gambar 1.
Menampilkan antarmuka pemilihan citra telapak tangan
yang akan dikenali
2. Pilih citra yang akan dikenali
2. Menampilkan citra telapak tangan
yang akan dikenali pada axes 3.
Tekan tombol Test 3.
Proses Identifikasi Pengenalan pola telapak tangan dan
informasi pemilik pola telapak tangan
Alur Alternatif 1.
Tekan tombol Reset 1.
Sistem membersihkan axes dan static text pada antarmuka Test
Post-Kondisi Sistem menampilkan hasil proses identifikasi telapak tangan, nama, dan
nim si pemilik citra telapak tangan
3.3.2 Pemodelan dengan Menggunakan Activity Diagram
Activity diagram menggambarkan berbagai alir aktivitas dalam sistem yang sedang dirancang, bagaimana masing-masing alir berawal, decision yang mungkin terjadi dan
bagaimana mereka berakhir.
Activity diagram pada proses pelatihan jaringan syaraf tiruan seperti gambar 3.2
Universitas Sumatera Utara
Pelatihan
B A M =latih
=latih
Pengujian
Simpan bobot hasil pelatihan
Browse Citra
Pilih Citra
Tekan tombol kenali
Informasi hasil identifikasi Load citra yang akan dilatih
Tekan tombol Latih
Gambar 3.3 Activity Diagram Proses Pelatihan dan Pengenalan JST BAM 3.3.3
Pemodelan dengan Menggunakan Sequence Diagram
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. Interaksi antar objek tersebut termasuk pengguna, display, dan sebagainya berupa pesanmessage.
Universitas Sumatera Utara
3.3.3.1 Sequence Diagram proses pelatihan Jaringan Syaraf Tiruan
Pada sistem, akan dilakukan proses pelatihan, dimana terjadi interaksi pada objek kontrol pelatihan citra. Citra telapak tangan akan dijadikan pola dan diproses sebelum
dilatih. Ukuran citra telapak tangan yang merupakan jenis citra RGB akan diubah menjadi ukuran 200 x 300 pixel, diproses menjadi citra grayscale dan di-sharpening filter.
Selanjutnya dilakukan deteksi tepi dengan metode Canny untuk mendapatkan tepi citra sekaligus mengubahnya ke dalam bentuk citra biner. Citra biner kemudian akan diubah
kedalam citra bipolar untuk mendapatkan elemen matriks citra bernilai 1 dan -1. Kemudian, pola akan dilatih dengan metode BAM untuk mendapatkan bobot dari pola
yang sudah dilatih sebelumnya seperti pada gambar 3.4.
Kontrol Pelatihan Resize
Imreadcitra telapak tangan Grayscale
Sharpen Filtering Deteksi Tepi Canny
BAM
Resizecitra telapak GrayscaleMatriks
ImfilterMatriks
Edge DetectionMatriks
Pelatihan
Simpanbobot
Gambar 3.4 Sequence Diagram Proses Pelatihan JST BAM
Universitas Sumatera Utara
3.3.3.2 Diagram sequence proses Pengujian Jaringan Syaraf Tiruan
Pada sistem, akan dilakukan proses pengujian terhadap citra telapak tangan yang sudah dilatih dan citra telapak tangan baru yang belum dilatih seperti pada sequence
diagram pada gambar 3.5.
Kontrol Pengujian Metode BAM
Imread citra telapak tangan
pengujian
Set String data identitas pemilik Telapak tangan
Gambar 3.5 Sequence Diagram Proses Pengujian JST BAM
Universitas Sumatera Utara
3.4 Flowchart Gambaran umum Sistem
Flowchart merupakan gambaran- gambaran umum aliran sistem. Gambaran umum sistem ini dapat dilihat pada flowchart gambar 3.12 .
Gambar 3.6 Flowchart Gambaran Umum Aplikasi
Universitas Sumatera Utara
Pengenalan pola telapak tangan diawali dengan memanggil citra pola telapak tangan kanan yang akan dilatih dengan menggunakan metode bidirectional associative memory
yang merupakan citra RGB sebanyak 20 sampel citra. Citra RGB yang dipanggil akan diubah ukurannya. Agar setiap citra memiliki ukuran yang sama yaitu 200 x 300. Kemudian citra
yang sudah di-resize yang masih merupakan citra RGB di ubah menjadi citra Grayscale dan untuk memperkuat garis tepi dari citra telapak tangan maka akan dilakukan sharpening filter
agar informasi dari garis telapak tangan semakin jelas dan kemudian citra akan dideteksi tepinya dengan menggunakan deteksi tepi canny. Pendeteksian tepi ini dilakukan untuk
mendapatkan garis-garis utama dari citra telapak tangan dan mengubah citra menjadi citra biner. Pola citra biner diubah menjadi citra bipolar. Selanjutnya, pola-pola akan dilakukan
pelatihan dengan menggunakan metode BAM. Dengan melakukan proses encoding, bobot dari pola akan dihitung dan disimpan. Selanjutnya, pada proses pengujian citra akan yang
diuji dipanggil kemudian diuji apakah mengenali atau tidak. Jika dikenali maka akan dihasilkan output identitas pemilik citra telapak tangan, jika tidak dikenali maka akan didapat
informasi bahwasanya pemilik citra tidak dikenali.
3.5 Perancangan Arsitektur Jaringan