BAB 4 IMPLEMENTASI DAN PENGUJIAN
Bab ini membahas tentang hasil pre-processing, pelatihan training dan pengujian testing yang diperoleh dari implementasi metode Deep Neural Network DNN untuk
mengenali gerakan tangan manusia dalam interaksi manusia-komputer dan implementasi DNN yang telah dilatih dalam sistem sesuai dengan analisis dan
perancangan yang telah dibahas pada Bab 3.
4.1. Spesifikasi Perangkat Keras dan Perangkat Lunak
Spesifikasi perangkat keras yang digunakan dalam penelitian ini adalah sebagai berikut:
1. Prosesor Intel® Core™ i7-2640M CPU 2.80 GHz.
2. Kapasitas harddisk 500 GB.
3. Memori RAM yang digunakan 4 GB DDR3.
4. Kamera web internal 1 MP dengan resolusi 1280 x 720 native HD.
Spesifikasi perangkat lunak yang digunakan dalam penelitian ini adalah sebagai berikut:
1. Sistem operasi yang digunakan adalah Windows 7 Home Premium 64-bit 6.1,
Build 7601.
2. Aplikasi pengolah presentasi yang digunakan adalah Microsoft Office
PowerPoint 2010.
3. Aplikasi PDF Reader yang digunakan adalah Acrobat Reader DC versi
2015.016.20045. 4.
Aplikasi pemutar musik yang digunakan adalah Windows Media Player versi 12.0.7601.17514
Universitas Sumatera Utara
36
5. Aplikasi pemutar video yang digunakan adalah VLC media player versi 2.2.4
Weatherwax .
6. Eclipse IDE Mars.2 Release 4.5.2.
7. Library yang digunakan adalah OpenCV 3.1.0, Encog 3.3.0, JavaCV 1.1, dan
OjAlgo 35.0.
4.2. Hasil Pre-processing
Bagian ini dijabarkan hasil yang diperoleh dari pre-processing yang terdiri dari pemisahan video gerakan tangan menjadi beberapa frame gambar, nearest neighbor,
grayscaling , frame differencing, dan Principal Component Analysis PCA. Hasil dari
pemisahan video gerakan tangan menjadi beberapa frame gambar dapat dilihat pada Gambar 4.1. Dapat dilihat bahwa dari sebuah video yang dipisahkan, setiap frame
gambar telah di simpan sebagai gambar dengan nama “frame_” diikuti nomor frame.
Setiap frame gambar disimpan dengan ekstensi .png.
Gambar 4.1. Hasil Pemisahan Video Gerakan Tangan Menjadi Beberapa Frame Gambar
Kemudian hasil dari setiap frame gambar yang dikecilkan ukurannya menggunakan nearest neighbor dapat dilihat pada Gambar 4.2. Dapat dilihat bahwa
Universitas Sumatera Utara
37
dari setiap frame gambar yang dikecilkan ukurannya, setiap frame gambar telah di
simpan sebagai gambar dengan nama “frame_” diikuti nomor frame dan penanda “_min” yang menunjukkan frame gambar telah dikecilkan. Setiap frame gambar juga
disimpan dengan ekstensi .png.
Gambar 4.2. Hasil Proses Nearest Neighbor
Hasil proses grayscaling dari setiap frame gambar yang telah dikecilkan ukurannya dapat dilihat pada Gambar 4.3. Setelah melalui proses grayscaling, setiap
frame gambar disimpan sebagai gambar dengan nama “frame_” diikuti nomor frame
dan penanda “_gray” yang menunjukkan frame gambar telah melalui proses grayscaling.
Setiap frame gambar juga disimpan dengan ekstensi .png.
Gambar 4.3. Hasil Proses Grayscaling
Universitas Sumatera Utara
38
Hasil proses frame differencing dari setiap frame gambar yang telah melalui proses grayscaling dengan frame gambar pertama sebagai pembeda dapat dilihat pada
Gambar 4.4. Setiap frame gambar yang telah melalui proses frame differencing disimpan
sebagai gambar dengan nama “frame_” diikuti nomor frame dan penanda “_framediffer” yang menunjukkan frame gambar telah melalui proses frame
differencing. Setiap frame gambar juga disimpan dengan ekstensi .png.
Gambar 4.4. Hasil Proses Frame Differencing
Empat frame gambar yang dipilih setelah melalui proses frame differencing dapat dilihat pada Gambar 4.5. Empat gambar yang dipilih ditandai dengan kotak berwarna
hijau. Kemudian nilai piksel dari empat gambar yang telah dipilih dimasukkan ke dalam file
teks dengan nama “TrainingDataset.txt” untuk dataset pelatihan dan “TestingDataset.txt” untuk dataset pengujian. File “TrainingDataset.txt” dan
“TestingDataset.txt” kemudian diproses menggunakan PCA untuk menghasilkan file teks dengan nama “TrainingDatasetPCA.txt” dan “TestingDatasetPCA.txt” yang
merupakan dataset dengan jumlah parameter yang dikurangi. Contoh dari isi file “TrainingDatasetPCA.txt” dapat dilihat pada Gambar 4.6. Contoh dari isi file
“TestingDatasetPCA.txt” dapat dilihat pada Gambar 4.7.
Universitas Sumatera Utara
39
Gambar 4.5. Empat Gambar yang Dipilih Setelah Proses Frame Differencing
Gambar 4.6. Contoh Isi File “TrainingDatasetPCA.txt”
Gambar 4.7. Contoh Isi File “TestingDatasetPCA.txt”
4.3. Hasil Pelatihan Deep Neural Network DNN