BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1 Implementasi Sistem
Tahap implementasi dilakukan setelah tahap perancangan. Implementasi yang dilakukan menggunakan Matlab R2007b.
4.1.1 Implementasi form beranda Form beranda merupakan form awal sistem ini. Pada form beranda, terdapat beberapa
menu pilihan yakni menu Pelatihan, Pengujian, Help dan Exit. Menu Help berisi petunjuk untuk membantu user dalam menggunakan aplikasi ini. Sedangkan menu
Exit berfungsi untuk keluar dari aplikasi. Form beranda dapat dilihat seperti pada Gambar 4.1
Gambar 4.1 Form beranda
Universitas Sumatera Utara
4.1.2 Implementasi form pelatihan Gambar 4.2 menunjukkan form Pelatihan. Dalam form inilah dilakukan pelatihan
terhadap citra. User harus mengisikan nilai learning rate untuk memulai proses pelatihan. Tombol Load Citra berfungsi untuk menampilkan citra yang akan dilatih
dan selanjutnya yang perlu dilakukan adalah menekan tombol yang aktif secara berurut.
Gambar 4.2 Form pelatihan 4.1.3 Implementasi form pengujian
Sebagai kelanjutan dari pelatihan pada form pelatihan, pada form pengujian akan diuji citra yang telah dilatih maupun yang belum dilatih. User dapat memilih citra yang
akan diuji atau diidentifikasi dengan menekan tombol Pilih Gambar dan melanjutkan dengan proses identifikasi. Gambar 4.3 mmerupakan tampilan form pelatihan.
Universitas Sumatera Utara
Gambar 4.3 Form pengujian 4.1.4 Implementasi form help
Form Help berfungsi untuk memberikan informasi atau bantuan dalam menggunakan aplikasi ini. Gambar 4.4 merupakan tampilan dari form help.
Gambar 4.4 Form help
Universitas Sumatera Utara
4.2 Pengujian
Pentingnya pengujian perangkat lunak dan implikasinya mengacu pada kualitas perangkat lunak.
Spesifikasi perangkat keras yang digunakan untuk proses pengujian sistem ini adalah: 1.
IntelR coreTM i5 CPU M460 2,53GHz 4CPUs,~2.5 Ghz 2.
Memory RAM 2 GB 3.
Resolusi display monitor 1366 x 768 32bit Sedangkan spesifikasi perangkat lunak yang digunakan adalah:
1. Sistem Operasi Windows 7 Ultimate 32 Bit
2. Matlab R2007b
3. Microsoft Excel 2007
Setelah berada pada form pelatihan maka, user menginputkan nilai learning rate dan menekan tombol Load Citra sehingga akan tampak seperti pada Gambar 4.5.
Gambar 4.5 Pelatihan load citra Gambar yang akan dilatih merupakan gambar telapak kaki 10 bayi berbeda dan 20
gambar lainnya merupakan gambar yang telah diberi noise dengan persenan noise yang berbeda. Setelah gambar berhasil di tampilkan, maka tombol Resize akan aktif
Universitas Sumatera Utara
dan user dapat menekan tombol Resize untuk mengubah citra menjadi berukuran 100 x 50 piksel. Gambar 4.6 merupakan tampilan ketika citra sudah di resize.
Gambar 4.6 Tampilan citra setelah di resize Tombol Grayscale akan otomatis aktif setelah semua citra selesai di ubah ukurannya.
Selanjutnya adalah proses mengubah citra menjadi citra grayscale dengan menekan tombol grayscale seperti yang terlihat pada Gambar 4.7 berikut:
Gambar 4.7 Proses grayscale pada citra
Universitas Sumatera Utara
Setelah citra selesai diubah menjadi citra grayscale, maka tombol sharpening akan aktif secara otomatis. Untuk mempertajam citra, maka pengguna dapat menekan
tombol ini sekali atau lebih. Sewaktu proses pengujian ini, penulis menekan tombol Sharpening sebanyak 2 kali. Tampilan setelah citra di sharpening dapat dilihat pada
Gambar 4.8
Gambar 4.8 Proses filter citra dengan high-pass filter
Setelah selesai di filter, maka tombol Deteksi Tepi akan aktif secara otomatis dan pengguna dapat menekan tombol tersebut untuk mendapatkan citra hasil deteksi tepi.
Gambar 4.9 merupakan tampilan form Pelatihan setelah melakukan proses deteksi tepi pada citra.
Universitas Sumatera Utara
Gambar 4.9 Citra latih hasil deteksi tepi Apabila proses deteksi tepi telah selasai maka, tombol Train akan aktif sehingga user
dapat memulai proses pelatihan. Dalam fungsi pelatihan ini, sistem akan mengelompokkan 30 citra tersebut ke dalam 10 kelompok, dimana tiap kelompok
merupakan gambar dari 1 telapak kaki bayi yang sama. Setelah pelatihan dengan metode Kohonen dilakukan, maka akan menghasilkan bobot baru yang disimpan
dalam Ms Excel untuk dipakai dalam proses pengujian. Selain itu, sistem juga akan menampilkan lama waktu proses pelatihan yang dibutuhkan seperti terlihat pada
Gambar 4.10.
Universitas Sumatera Utara
Gambar 4.10 Tampilan pelatihan telah selesai Setelah proses pelatihan selesai , maka akan dilanjutkan pada proses pengujian.Untuk
menguji citra telapak kaki bayi, maka user harus masuk ke form pengujian dengan memilih menu Pengujian.
Pada form pengujian, user akan menginputkan gambar yang akan diuji. Setelah itu, user menekan tombol identifikasi dan sistem akan mengidentifikasi file citra yang
dipilih. Outputnya berupa pemilik citra telapak kaki bayi. Berikut tampilan form pengujian setelah dijalankan:
Universitas Sumatera Utara
Gambar 4.11 Form Pengujian setelah dijalankan 4.2.1 Pengujian terhadap citra yang telah dilatih
Adapun proses pengujian yang dilakukan terdiri dari 2 bagian yaitu pengujian terhadap citra yang telah dilatih dan pengujian terhadap citra yang belum dilatih.
Tabel 4.1 adalah tabel hasil pengujian terhadap citra yang telah dilatih. Tabel 4.1 Hasil Pengujian Terhadap Citra yang Telah Dilatih
NO Citra Uji
Teridentifikasi Keterangan
1 Bayi 1
Benar
2 Bayi 2
Benar
Universitas Sumatera Utara
3 Bayi 3
Benar
4 Bayi 4
Benar
5 Bayi 5
Benar
6 Bayi 6
Benar
7 Bayi 7
Benar
8 Bayi 8
Benar
9 Bayi 9
Benar
10 Bayi 2
Salah
Universitas Sumatera Utara
11 Bayi 1
Benar
12 Bayi 2
Benar
13 Bayi 3
Benar
14 Bayi 4
Benar
15 Bayi 5
Benar
16 Bayi 6
Benar
17 Bayi7
Benar
Universitas Sumatera Utara
18 Bayi 8
Benar
19 Bayi 9
Benar
20 Bayi 2
Salah
21 Bayi 1
Benar
22 Bayi 2
Benar
23 Bayi 3
Benar
24 Bayi 4
Benar
Universitas Sumatera Utara
25 Bayi 5
Benar
26 Bayi 6
Benar
27 Bayi7
Benar
28 Bayi 8
Benar
29 Bayi 9
Benar
30 Bayi 2
Salah
Dari hasil pengujian terhadap 30 citra yang telah dilatih maka perhitungan akurasi yang didapat diperoleh dari rumus persentase adalah
:
Universitas Sumatera Utara
Dapat disimpulkan bahwa untuk ke 30 citra dimana 20 citra diantaranya adalah citra bernoise dengan persentase 50 dan 60 , dengan menggunakan metode Kohonen
dapat mengelompokkan dan mengenali citra telapak kaki bayi hingga .
4.2.2 Pengujian terhadap citra yang tidak dilatih Selanjutnya adalah proses pengujian citra yang tidak dilatih. Dalam pengujian ini
digunakan citra dengan tingkat noise 80, 90 dan 100 Tabel 4.2 Pengujian Terhadap Citra yang Tidak Dilatih
No Citra telapak
kaki Persentase Noise
80 90
100 1
Bayi 1 Benar
Benar Salah
2 Bayi 2
Benar Benar
Salah 3
Bayi 3 Benar
Benar Salah
4 Bayi 4
Benar Benar
Salah 5
Bayi 5 Benar
Benar Benar
6 Bayi 6
Benar Benar
Salah 7
Bayi 7 Benar
Benar Salah
8 Bayi 8
Benar Benar
Benar 9
Bayi 9 Benar
Benar Salah
10 Bayi 10
Salah Salah
Salah Dari hasil pengujian terhadap citra yang tidak dilatih, maka persentase akurasi yang
diperoleh adalah
Universitas Sumatera Utara
BAB 5 KESIMPULAN DAN SARAN
Kategori