Analisis Permasalahan Flowchart Gambaran umum Sistem

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