BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab ini akan membahas tentang hasil yang diperoleh dari implementasi metode yang digunakan untuk mengidentifikasi citra biji catur cina dan pengujian sistem sesuai
dengan analisis dan perancangan sistem yang telah dibahas pada Bab 3.
4.1. Implementasi Sistem
Dalam penelitian ini, seluruh metode yang digunakan akan diimplementasikan ke dalam sistem dengan menggunakan bahasa pemograman Visual C.Net sesuai dengan
perancangan yang telah dilakukan. 4.1.1. Spesifikasi perangkat keras dan perangkat lunak yang digunakan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun sistem ini adalah sebagai berikut :
1. Processor Intel ® Core
TM
i3-3217U CPU 1.80GHz 2.
Kapasitas harddisk 500GB 3.
Memory RAM yang digunakan 2GB DDR3 4.
Sistem operasi yang digunakan adalah Microsoft Windows 7 Home 5.
Kamera webcam 15 MP dengan resolusi HD 6.
Library yang digunakan EmguCV 2.4.0.1717
4.1.2. Implementasi perancangan antarmuka Adapun implementasi perancangan antarmuka yang telah dilakukan pada Bab 3
adalah sebagai berikut : 1.
Tampilan Halaman Utama
Universitas Sumatera Utara
Halaman utama merupakan halaman yang menampung seluruh proses utama dari sistem pengenalan pola tulisan citra biji catur cina. Halaman ini menampilkan menu
utama yaitu File, Image processing, About. Tampilan halaman utama yang dibangun pada sistem dapat dilihat pada gambar 4.1.
Gambar 4.1 Tampilan Halaman Utama
2. Tampilan Halaman input character
Halaman input character merupakan halaman yang digunakan untuk menginput field- field berupa nama, warna dan jumlah dari setiap biji catur cina. Tampilan halaman
input character yang dibangun pada sistem dapat dilihat pada gambar 4.2.
Gambar 4.2 Tampilan Halaman Input Character
3. Tampilan Halaman input set
Universitas Sumatera Utara
Halaman input set merupakan halaman yang digunakan untuk menginput parameter yang digunakan pada tahap pre-processing image. Parameter dari setiap set biji catur
cina yang dimaksud adalah Total, MaxRadius, MinRadius, ThresholdRed, ThresholdBlack, Dilate Loop. Parameter Total menyimpan jumlah biji catur cina pada
setiap set catur. MaxRadius dan MinRadius menyimpan nilai maksimum dan minimum dari cincin biji catur. ThresholdRed dan ThresholdBlack menyimpan nilai
threshold pada biji catur merah dan biji catur hitam. Dilate Loop menyimpan nilai iterasi dari operator dilasi pada citra yang bertujuan untuk memperbaiki citra Image
Enhancement. Tampilan halaman input set yang dibangun pada sistem dapat dilihat pada gambar 4.3.
Gambar 4.3 Tampilan Halaman Input Set
4. Tampilan Halaman capture chess image
Halaman capture chess image merupakan halaman yang digunakan untuk melakukan proses penangkapan citra, proses konversi citra berwarna menjadi citra keabuaan,
proses pendeteksian dan penghapusan cincin pada biji catur cina dan proses menyimpan citra asli yang sesuai dengan set, warna dan nama catur yang akan
dilakukan proses pre-processing. Halaman ini juga menyertakan nilai threshold yang digunakan pada setiap biji catur berdasarkan set dan warna. Tampilan halaman capture
chess image dibangun pada sistem dapat dilihat pada gambar 4.4.
Universitas Sumatera Utara
Gambar 4.4 Tampilan Halaman capture chess image
5. Tampilan Halaman binerization300x300
Halaman binerization300x300 merupakan halaman yang digunakan untuk melakukan proses membinerisasikan citra keabuan. Pada halaman binerization300x300 dilakukan
penyimpanan data biner berupa matriks dengan ukuran 300x300. Tampilan halaman binerization300x300 dibangun pada sistem dapat dilihat pada gambar 4.5.
Gambar 4.5 Tampilan Halaman binerization300x300
6. Tampilan Halaman normalization300to24
Halaman normalization300to24 merupakan halaman yang digunakan untuk melakukan proses normalisasi ukuran citra. Pada halaman normalization300x24
ukuran citra 300x300 pixel akan diubah menjadi ukuran citra 24x24 pixel. Pada proses penormalisasian citra mengalami proses cropping dan proses resizing. Tampilan
halaman normalization300to24 dibangun pada sistem dapat dilihat pada gambar 4.6.
Universitas Sumatera Utara
Gambar 4.6 Tampilan Halaman normalization300to24
7. Tampilan Halaman Pixelization24x24
Halaman pixelization24x24 merupakan halaman yang digunakan untuk melakukan proses perubahan kontras pada pixel. Halaman ini berfungsi untuk mengubah citra asli
hasil resized dari normalisasi menjadi citra yang memiliki nilai pixel yang lebih kontras antara foreground dengan background. Tampilan halaman pixelization 24x24
dibangun pada sistem dapat dilihat pada gambar 4.7.
Gambar 4.7 Tampilan Halaman pixelization24x24
8. Tampilan Halaman Thinning 24x24
Halaman Thinning 24x24 merupakan halaman yang digunakan untuk melakukan proses penipisan citra dari output pada halaman pixelization24x24. Halaman ini
berfungsi untuk menipiskan citra sehingga citra output dari halaman ini memiliki
Universitas Sumatera Utara
ketebalan sebesar satu pixel. Tampilan halaman thinning 24x24 dibangun pada sistem dapat dilihat pada gambar 4.8.
Gambar 4.8 Tampilan Halaman thinning 24x24
9. Tampilan Halaman Binerization24x24
Halaman Binerization 24x24 merupakan halaman yang digunakan untuk melakukan proses pengkorvesian dari citra menjadi matriks biner kembali dengan ukuran 24x24.
Tampilan halaman binerization24x24 dibangun pada sistem dapat dilihat pada gambar 4.9.
Gambar 4.9 Tampilan Halaman binerization24x24
10. Tampilan Halaman Direction Feature Extraction
Halaman Direction Feature Extraction merupakan halaman yang digunakan untuk melakukan proses ekstraksi fitur pada output matriks 24x24 yang berasal dari halaman
Universitas Sumatera Utara
binerization24x24. Tampilan halaman direction feature extraction dibangun pada sistem dapat dilihat pada gambar 4.10.
Gambar 4.10 Tampilan Halaman Direction Feature Extraction
11. Tampilan Halaman Training using Backpropagation
Halaman Training using Backpropagation merupakan halaman yang digunakan untuk melakukan proses pelatihan pada jaringan saraf tiruan pada input yang berasal dari
output dari halaman direction feature extraction. Pada halaman ini data training dan data testing dapat dimuat dan dilatih menggunakan jaringan saraf tiruan
Backpropagation. Hasil pelatihan ditunjukkan melalui hasil klasifikasi pada data training dan testing di dalam monitor view yang ada pada halaman ini Tampilan
halaman training using backpropagation dibangun pada sistem dapat dilihat pada gambar 4.11.
Universitas Sumatera Utara
Gambar 4.11 Tampilan Halaman Training using Backpropagation
12. Tampilan Halaman Implementation
Halaman Implementation
merupakan halaman
yang digunakan
untuk mengimplementasikan proses dari awal yaitu pre-processing citra dan ekstrasi fitur
sampai kalsifikasi pada data dari citra asing pada akhirnya. Halaman ini akan menunjukkan hasil klasifikasi pada setiap citra biji catur yang ditangkap. Halaman ini
bertujuan untuk mencatat dan menghitung jumlah biji catur merah dan hitam yang telah terklasifikasi. Tampilan halaman implementation dibangun pada sistem dapat
dilihat pada gambar 4.12.
Gambar 4.12 Tampilan Halaman Implentation
Universitas Sumatera Utara
4.2. Pengujian Sistem
