BAB 4 IMPLEMENTASI PERANGKAT LUNAK

Transkripsi

1 BAB 4 IMPLEMENTASI PERANGKAT LUNAK Setelah tahap perancangan, tahap selanjutnya adalah tahap pembuatan sistem. Tahap tahap implementasi perangkat lunak mencakup lingkungan implementasi, serta program dalam bentuk script matlab, yang akan dijelaskan pada subbab berikut ini. 4.1 Lingkungan Implementasi Perangkat lunak diimplementasikan pada lingkungn sebagai berikut: Perangkat Keras Perangkat lunak ini diimplementasikan pada sebuah notebook, dengan spesfikasi prosesor Intel Core 2 Duo 2,20 GHz dan memori 0,99 GB. Perangkat Lunak Perangkat lunak ini dikembangkan pada sistem operasi Microsoft Windows XP Home Service Pack 2 dengan menggunakan Matlab Implementasi Subclass Discriminant Analysis (SDA) Pada metode Subclass Discriminant Analysis (SDA), langkah yang dilakukan setelah membentuk matriks data citra pelatihan adalah dengan membagi data di tiap kelas menjadi beberapa subkelas. Pada tugas akhir ini, pembagian tersebut menggunakan metode yang berdasarkan dengan aturan algoritma Nearest-Neighbor. 45

2 Implementasi Pembagian Data per Kelas Menjadi Beberapa Subkelas dengan Algoritma NN-Clustering Proses awal pada implementasi NN class clustering adalah mengurutkan data pelatihan terlebih dahulu. Yaitu, dengan mendapatkan dua sampel untuk tiap kelas yang memiliki jarak paling jauh. Kode program ditampilkan pada Gambar [n,p]=size(trainingdata); 2 3 %element1: menyimpan kolom ke-i pd datatraining yg memiliki jarak paling besar pada tiap kelas 4 element1=zeros(c,1); 5 6 %element2 : menyimpan index dari kolom ke-i pd datatraining yg memiliki jarak paling besar 7 element2=zeros(c,1); 8 9 dist=0; %menyimpan jarak %larg_dist:menyimpan jarak terbesar untuk tiap kelas 12 larg_dist=zeros(1,c); start=0; 15 for k=1:c 16 %k 17 X = trainingdata(:, start+1:start+nc(k)); 18 for i=1:nc(k)-1 19 Y = X; 20 Y(:, 1:i)=[]; 21 dist = sum((repmat(x(:,i),1,nc(k)-i)-y).^2); 22 [dist,ind] = sort(dist); if (dist(end) > larg_dist(k)) 25 larg_dist(k)=dist(end); 26 element1(k)=i+start; 27 element2(k)=ind(end)+start+i; 28 end 29 end 30 start=sum(nc(1:k)); 31 end Gambar 4.1 Kode Program NN Class Clustering (1) Kemudian meletakkan dua sampel yang memiliki jarak terjauh tersebut pada elemen pertama dan elemen paling akhir. Langkah selanjutnya adalah mengurutkan semua sampel pada tiap

3 47 kelas. Dengan cara, mencari tiap sampel yang berjarak paling dekat dengan elemen pertama dan elemen terkahir secara bersamaan. Kode program ditampilkan pada Gambar start=0; 33 sortedtrain=zeros(n,p); 34 for k=1:c 35 %k 36 key1=trainingdata(:, element1(k)); 37 key2=trainingdata(:, element2(k)); sortedtrain(:, start+1)= key1; 40 sortedtrain(:, start+nc(k)) = key2; num1=element1(k)-start; 43 num2=element2(k)-start; temp = trainingdata(:, start+1:start+nc(k)); 46 temp(:, num2)=[]; 47 temp(:, num1)=[]; count=nc(k)-2; for i=1:fix((nc(k)-2)/2) 52 dist = sum((repmat(key1,1,count) - temp).^2); 53 [c,i]=min(dist); 54 sortedtrain(:,start+1+i)=temp(:,i); 55 temp(:,i)=[]; 56 count=count-1; 57 clear dist dist = sum((repmat(key2,1,count) - temp).^2); 60 [c,i]=min(dist); 61 sortedtrain(:,start+nc(k)-i)=temp(:,i); 62 temp(:,i)=[]; 63 count=count-1; 64 clear dist 65 end 66 if (mod(nc(k),2)~=0) 67 sortedtrain(:,start+fix(nc(k)/2)+1)=temp; 68 end 69 start = sum(nc(1:k)); 70 end Gambar 4.2 Kode Program NN Class Clustering (2) Setelah mengurutkan data pelatihan, langkah selanjutnya adalah membagi data di tiap kelas menjadi beberapa subkelas.

4 48 Proses ini menentukan jumlah sampel untuk tiap subkelas. Jumlah sampel untuk tiap subkelas diusahakan sama. Kode program ditampilkan pada Gambar NH=[]; 72 for i=1:category 73 tempnh=[]; 74 if (mod(nc(i),h(i)) == 0) 75 nh = nc(i)/h(i); 76 for j=1:h(i) 77 tempnh = [tempnh, nh]; 78 end 79 else 80 nh = fix(nc(i)/h(i)); 81 if (mod(h(i),2)~=0) % H(i) ganjil 82 for j=1:(h(i)-1)/2 83 tempnh = [nh,tempnh,nh]; 84 end 85 tempnh = [tempnh(1:j),nc(i)- nh*2*j,tempnh(j+1:end)]; 86 else 87 for j=1:(h(i)-2)/2 %H(i) genap 88 tempnh = [nh,tempnh,nh]; 89 end 90 if (H(i)==2) j=0; end; 91 tempnh=[tempnh(1:j),nh,nc(i)- nh*(2*j+1),tempnh(j+1:end)]; 92 end 93 end 94 NH=[NH,tempNH]; 95 end Gambar 4.3 Kode Program Get Jumlah Sample Implementasi Perhitungan Matriks Scatter-Between Subclass (Σ B ) Langkah awal implementasi perhitungan matriks scatterbetween subclass adalah dengan menghitung rata-rata sampel di tiap subkelas pada matriks data pelatihan. Σ B mengukur perbedaan mean subkelas antar subkelas di kelas yang berbeda. Matriks scatter-between subclass dihitung menggunakan persamaan (2.14). Kode program ditampilkan pada Gambar 4.4.

5 49 96 n = size(x,1); 97 p = size(x,2); HH = sum(h); 100 start = 0; %=================== menghitung SigmaB =================== 103 meanx = mean(x,2); %rata-rata per kolom 104 for i=1: HH 105 %mengambil matriks tiap kelas(per kolom) 106 temp = X(:,start+1:start+nh(i)); %mean subclass 109 slicemean(:,i)=mean(temp,2); %melabeli subclass termasuk class yg mana 112 for class = 1:C 113 if (i <= sum(h(1:class))) 114 sub_label(i) = class; 115 break; 116 end 117 end 118 start = sum(nh(1:i)); 119 end 120 clear temp; %menghitung matriks kovarian dari mean subkelas di kelas yg berbeda 123 SigmaB = zeros(n,n); 124 for i=1:hh for j=i+1:hh 126 if (sub_label(i) ~= sub_label(j)) 127 %Menghitung matriks scatter antar subkelas per5 128 SigmaB = SigmaB + (nh(i)/p)*(nh(j)/p)* 129 (slicemean(:,i)-slicemean(:,j))* 130 (slicemean(:,i)-slicemean(:,j))'; 131 end 132 end 133 end 134 %========================================================== Gambar 4.4 Kode Program Perhitungan Matriks Scatter-Between Subclass (Σ B )

6 Implementasi Perhitungan Matriks Scatter-Within Subclass (Σ X ) Kode program perhitungan Matriks Scatter-Within Subclass (Σ X ) ditampilkan pada Gambar temp=x-repmat(meanx,1,p); 136 SigmaX=temp*temp'/p; %matriks kovarian Gambar 4.5 Kode Program Perhitungan Matriks Scatter-Within Subclass (Σ X ) Implementasi Penentuan Jumlah Subkelas yang Optimal (H 0 ) Pada tahap penentuan jumlah subkelas yang optimal (H 0 ), langkah awal yang dilakukan adalah menghitung vektor eigen dari matriks Scatter-Within Subclass (Σ X ) dan Scatter-Between Subclass (Σ B ). Kemudian menghitung nilai K H seperti persamaan (2.17). Langkah terakhir adalah mencari nilai K H yang paling kecil, untuk menentukan jumlah subkelas yang optimal (H 0 ). Kode program ditampilkan pada Gambar 4.6-a dan 4.6-b. 137 opts.disp=0; 138 rankb=rank(sigmab); 139 [vb,db]=eigs(sigmab,rankb,'lm',opts); 140 %vb : eigenvector ke-i dari SigmaB 141 %db : eigenvalue dari SigmaB 142 db = diag(db)'; [vx,dx]=eig(sigmax); 145 %vx : eigenvector ke-j dari SigmaX 146 %dx : eigenvalue dari SigmaX 147 dx = diag(dx)'; [dx,ind]=sort(dx); 150 dx=fliplr(dx); %flip left to right 151 ind=fliplr(ind); 152 vx=vx(:,ind); %mengurutkan egienvector sesuai index 153 Gambar 4.6-a Kode Program Penentuan Jumlah Subkelas yang Optimal (H 0 )

7 %menghapus eigenvector yg eigenvalue nya kurang dari vx(:,dx < (sum(dx)/thr))=[]; 156 %menghapus eigenvalue yg eigenvalue nya kurang dari dx(dx < (sum(dx)/thr))=[]; L = length(dx); %K. nilai selisih -> nilai yg terkecil yg terbaik 162 K=0; 163 m=max(1,ceil(rankb/2)); %m < rank(b) 164 %Menghitung persamaan for i=1:m 166 K=K+sum((vb(:,i)'*vx(:,1:min(i,L))).^2); 167 end 168 K=K/m; Gambar 4.6-b Kode Program Penentuan Jumlah Subkelas yang Optimal (H 0 ) Implementasi Pembentukan Matriks Fitur Ekstraksi Implementasi pembentukan matriks fitur ekstraksi dilakukan dengan menggunakan persamaan 1 X B V = VΛ. X Kode program ditampilkan pada Gambar % reconstruct (inv(sigmax)*sigmab using selected eigens) 170 rat1 = db'*(1./dx); 171 rat2 = vb'*vx; 172 rat = rat1.*rat2; new_mtx=zeros(n,n); for i=1:rankb 177 tmpvx = vx*rat(i,:)'; 178 new_mtx = new_mtx + tmpvx*vb(:,i)'; 179 end [v,d]=eigs(new_mtx,min(rankb,l),'lm',opts); Gambar 4.7 Kode Program Pembentukan Matriks Fitur Ekstraksi Implementasi Pengenalan Citra Pada proses pengenalan, citra input terlebih dahulu diubah menjadi vektor kolom. Kemudian menghitung matriks fitur ekstraksi citra input. Dan, menghitung jarak antara matriks

8 52 fitur ekstraksi citra input dengan matriks fitur ekstraksi data pelatihan. Kode program ditampilkan pada Gambar %membaca tiap citra 183 ReadObjRGB = imread(objname); %menjadikan dalam bentuk grayscale 186 ReadObj = rgb2gray(readobjrgb); [baris kolom] = size(readobj); 189 inputobjvector = zeros(jumdim, 1); 190 inputobjvector(1:jumdim,1)= reshape(readobj,jumdim,1); % Penghitungan fitur ekstraksi dari matriks inputan 193 recog_wt = v'*inputobjvector; % Penghitungan jarak antar fitur ekstraksi data training dengan fitur ekstraksi input sebagai bagian dari proses recognition 196 for j=1:jmltot, 197 for i=1:klm, 198 eudis(i,j)=sqrt((train_wt(i,j)-recog_wt(i,:)).^2); 199 end 200 end Gambar 4.8 Kode Program Perhitungan Jarak Fitur Ekstraksi Data Pelatihan dengan Fitur Ekstraksi Citra Input Langkah selanjutnya adalah mencari jarak terdekat antara matriks fitur ekstraksi data pelatihan dengan matriks fitur ekstraksi citra input. Kode program ditampilkan pada Gambar 4.9-a dan 4.9-b. 201 % penghitungan/pencarian jarak terdekat 202 temp =[]; 203 for i=1:jmltot, 204 jum_mag = 0; 205 mag(i) = norm(eudis(:,i),2); 206 jum_mag = [jum_mag + mag(i)]; 207 temp = [temp jum_mag]; 208 if i == 1, 209 mindistance = jum_mag; 210 index = 1; 211 else Gambar 4.9-a Kode Program Pencarian Jarak Terdekat

9 if mindistance > jum_mag, 213 mindistance = jum_mag; 214 index = i; 215 end 216 end 217 End Gambar 4.9-b Kode Program Pencarian Jarak Terdekat