BAB 4 IMPLEMENTASI DAN EVALUASI

Transkripsi

1 57 BAB 4 IMPLEMENTASI DAN EVALUASI Di dalam bab ini disajikan hasil dari perancangan program aplikasi yang telah dirancang pada bab sebelumnya. Pada bab ini juga ditampilkan hasil percobaan dengan menggunakan data-data yang dijadikan sample. 4.1 Spesifikasi Sistem Sistem-sistem pendukung yang dibutuhkan untuk menjalankan aplikasi yang telah dibuat ini terbagi menjadi dua kelompok besar, yaitu kelompok perangkat keras dan kelompok perangkat lunak. Kedua kelompok tersebut akan dijabarkan di bawah ini Spesifikasi Perangkat Keras Spesifikasi perangkat keras minimum yang diperlukan untuk menjalankan program aplikasi ini tidak jauh berbeda dengan software aplikasi yang biasa digunakan oleh user pada jaman sekarang. Untuk kebutuhan interaktif dengan user, maka dibutuhkan perangkat-perangkat keras seperti Mouse, Keyboard, dan Monitor SVGA. Namun untuk kebutuhkan pemrosesan data yang lebih cepat, terutama untuk proses training data yang dapat memakan waktu cukup lama, dibutuhkan prosesor berkecepatan tinggi yang memiliki kapasitas memori cukup besar seperti Pentium IV 1000 MHz.

2 Spesifikasi Perangkat Lunak Selain spesifikasi perangkat keras, juga dibutuhkan perangkat lunak tertentu agar user dapat menjalankan program aplikasi ini. Hal ini terutama disebabkan karena program aplikasi dibuat dalam high level language yang diharapkan dapat lebih interaktif dan user friendly. Spesifikasi perangkat lunak minimum yang dibutuhkan antara lain adalah Operating System mulai dari Windows XP ke atas, kemudian Microsoft.Net Framework minimal versi 2.0 karena program aplikasi dibuat berbasiskan.net Framework, dan tentu saja aplikasi ImageRecognition itu sendiri. 4.2 Mekanisme Kerja Sistem About Pada saat ImageRecognition.exe dijalankan, maka akan tampil Form About seperti tampak pada gambar 4.1. Modul ini berfungsi untuk menampilkan keterangan singkat dari aplikasi seperti judul, mahasiswa yang membuat, dosen pembimbing, dan sebagainya. Gambar 4.1 Modul About

3 Perhitungan Parameter Fourier Descriptors Tahap awal berfungsi untuk menghitung parameter Fourier Descriptors yang akan digunakan sebagai input bagi Neural Network. Proses pencarian parameter Fourier Descriptors akan dilakukan setelah user menekan button ParameterFD. Gambar 4.2 Pencarian parameter Fourier Descriptors Pada tahap ini, dihasilkan parameter Fourier Descriptors yang kemudian akan digunakan sebagai input-an training bagi Neural Network. Waktu yang dibutuhkan dalam proses perhitungan parameter Fourier Descriptors ini adalah 4 menit Setting Neural Network Selanjutnya user dapat men-setting Neural Network Back Propagation dengan memilih tab Setting serta mengisi parameter-parameter yang dibutuhkan. Untuk selanjutnya, aplikasi secara otomatis akan mengambil ketentuan yang telah ada sebelumnya dan user dapat melakukan perubahan terhadap ketentuan-ketentuan tersebut. Dalam hal ini penulis menggunakan tiga layer, yaitu :

4 60 Input layer = 56 Hidden layer = 10 Output layer = 7 Network yang dibangun disimpan dalam file train.net. Gambar 4.3 Setting Neural Network Setelah melalui proses training sebanyak epochs selama lebih kurang 30 menit, find galat-nya mencapai 1,076 dan setelah itu tidak banyak mengalami perubahan, maka proses training dihentikan. Selanjutnya train.net telah siap untuk diuji coba apakah dapat mengenali baik citra yang sudah di-training maupun citra yang belum di-training.

5 Pengenalan Citra Dengan menekan tab View, maka akan tampil Form seperti tampak pada gambar 4.4. Modul ini berfungsi untuk menampilkan image yang akan diuji pada PictureBoxImage dan hasil pengenalan citra pada bagian Result. Gambar 4.4 Modul Form View Proses Pengujian Proses pengujian atau dapat juga disebut sebagai proses penentuan pengenalan citra. Tahap ini bertujuan untuk mengolah keluaran dari JST atau mengenali pola-pola yang dihasilkan oleh modul pengujian untuk menghasilkan pola gambar, dengan mengacu pada hasil belajar yang dilakukan pada saat proses training. Untuk mulai menguji, user dapat menekan button Browse yang aktif segera setelah parameter Fourier Descriptors didapatkan. Kemudian akan muncul Open Dialog Box dan user diminta untuk memasukkan citra yang akan diuji seperti tampak pada gambar 4.5.

6 62 Gambar 4.5 Form Open pada Tahap Pengujian Setelah dipilih button Open maka file citra akan tampil pada PictureBoxImage. Selanjutnya user dapat memilih untuk melakukan training network sesuai parameter pada tab Setting dengan memilih button Train Network atau menggunakan network yang telah disimpan sebelumnya memilih button Load Network. Setelah proses training atau loading network berhasil, maka button Recognize akan aktif dan siap untuk memroses citra yang ingin diuji. Hasil pengenalan citra akan ditampilkan pada bagian Result beserta persentase kemiripannya. Gambar 4.6 Hasil Pengujian Citra

7 63 Citra-citra baru yang belum ditraining dan digunakan untuk pengujian program aplikasi ImageRecognition ini adalah sebagai berikut. Gambar 4.7 Citra baru yang digunakan untuk pengujian Proses pengujian terhadap citra-citra lainnya, baik yang sudah pernah di-training maupun yang belum di-training, dilakukan dengan mengikuti langkah-langkah seperti yang sudah dijelaskan pada bagian Proses Pengujian.

8 Hasil Penelitian Proses training berlangsung selama lebih kurang 30 menit dengan tingkat galat mencapai dalam epoch. Jaringan dengan hasil training ini disimpan dengan nama train.net. Kemudian dilakukan pengujian Pengujian Terhadap Citra yang Telah Di-training Setelah proses training data atas 56 citra berhasil dilakukan, kemudian ke-56 citra tadi diujicobakan lagi pada software aplikasi ImageRecognition melalui mekanisme kerja sistem seperti yang telah dijelaskan pada subbab sebelumnya untuk mengetahui apakah program dapat berfungsi sesuai tujuan dan berapa tingkat keakuratannya. Tabel 4.1 Tabel Hasil Pengenalan Terhadap Citra yang Telah Di-training Citra 01.bmp 02.bmp 03.bmp 04.bmp 05.bmp 06.bmp 07.bmp 08.bmp 01.bmp 02.bmp 03.bmp 04.bmp 05.bmp 06.bmp Dikenal Sebagai

9 65 07.bmp 08.bmp 01.bmp 02.bmp 03.bmp 04.bmp 05.bmp 06.bmp 07.bmp 08.bmp 01.bmp 02.bmp 03.bmp 04.bmp 05.bmp 06.bmp 07.bmp 08.bmp 01.bmp 02.bmp 03.bmp 04.bmp 05.bmp 06.bmp 07.bmp 08.bmp 01.bmp 02.bmp 03.bmp 04.bmp 05.bmp 06.bmp

10 66 07.bmp 08.bmp 01.bmp 02.bmp 03.bmp 04.bmp 05.bmp 06.bmp 07.bmp 08.bmp Dari tabel di atas, dapat dilihat bahwa keakuratan dalam pengenalan citra wajah untuk citra yang sudah pernah di-training adalah sebesar 96,43 %. Dari 56 citra yang diuji, ada 2 citra yang salah kenal Pengujian Terhadap Citra yang Belum Di-training Selain melakukan uji coba pada citra-citra yang telah di-training, dilakukan juga pengujian terhadap 14 citra baru yang belum di-training melalui mekanisme kerja sistem yang sama seperti yang telah dijelaskan pada subbab sebelumnya untuk mengetahui seberapa efektifnya software aplikasi ImageRecognition ini dalam mengenali citra terutama untuk citra baru yang belum pernah di-training. Tabel 4.2 Tabel Hasil Pengenalan Terhadap Citra yang Belum Di-training Citra 01uji_.bmp 02uji_.bmp 03uji_.bmp 04uji_.bmp Dikenal Sebagai Hati Hati Stroberi Kodok

11 67 05uji_lumba.bmp 06uji_lumba.bmp 07uji_.bmp 08uji_.bmp 09uji_.bmp 10uji_.bmp 11uji_.bmp 12uji_.bmp 13uji_.bmp 14uji_.bmp Stroberi Lumba-lumba Panda Paus Semangka Semangka Stroberi Stroberi Paus Stroberi Dari tabel di atas, dapat dilihat bahwa keakuratan dalam pengenalan citra wajah untuk citra yang belum pernah di-training adalah sebesar 71,43 %. Dari 14 citra yang diuji, ada 4 citra yang salah kenal. Persentase total keakuratan untuk semua citra adalah : % pengenalan citra = jumlah citra yang berhasil dikenali 100 % jumlah citra yang diuji maka akan didapat persentase pengenalan citra sebagai berikut : 64 % pengenalan citra = 100 % = 91,43 % 70

12 Perbandingan Keakuratan Tingkat Pengenalan Terhadap Jumlah Citra yang Di-training Untuk mendapat perbandingan mengenai tingkat keakuratan pengenalan citra, maka penulis melakukan pengujian kedua dengan jumlah citra di-training sebanyak 70 citra. Setelah proses training data atas 70 citra berhasil dilakukan, kemudian ke-70 citra tersebut diujicobakan pada software aplikasi ImageRecognition melalui mekanisme kerja sistem seperti yang telah dijelaskan pada subbab sebelumnya untuk mengetahui perbandingan tingkat keakuratannya. Tabel 4.3 Tabel Hasil Pengenalan Terhadap Citra yang Telah Di-training dengan jumlah training data sebanyak 70 citra Citra 01.bmp 02.bmp 03.bmp 04.bmp 05.bmp 06.bmp 07.bmp 08.bmp 01.bmp 02.bmp 03.bmp 04.bmp 05.bmp 06.bmp 07.bmp 08.bmp Dikenal Sebagai

13 69 01.bmp 02.bmp 03.bmp 04.bmp 05.bmp 06.bmp 07.bmp 08.bmp 01.bmp 02.bmp 03.bmp 04.bmp 05.bmp 06.bmp 07.bmp 08.bmp 01.bmp 02.bmp 03.bmp 04.bmp 05.bmp 06.bmp 07.bmp 08.bmp 01.bmp 02.bmp 03.bmp 04.bmp 05.bmp 06.bmp 07.bmp 08.bmp

14 70 01.bmp 02.bmp 03.bmp 04.bmp 05.bmp 06.bmp 07.bmp 08.bmp Dari tabel di atas, dapat dilihat bahwa keakuratan dalam pengenalan citra wajah dalam pengujian kedua adalah sebesar 98,57 %. Dari 70 citra yang diuji, hanya 1 citra yang salah kenal. Hal ini membuktikan bahwa semakin banyak citra yang di-training per objek, maka akan semakin akurat tingkat pengenalannya. Dalam penelitian ini, sepuluh citra per objek (pengujian kedua) akan menghasilkan tingkat pengenalan yang lebih akurat dibandingkan dengan delapan citra per objek (pengujian pertama) Perbandingan Efisiensi Waktu Terhadap Jumlah Citra yang Di-training Proses training pada pengujian kedua dengan jumlah citra di-training sebanyak 70 citra berlangsung selama lebih kurang 47 menit dengan tingkat galat mencapai dalam epoch. Hal ini membuktikan bahwa semakin sedikit citra yang di-training, maka akan semakin efisien waktu yang digunakan dalam proses training tersebut. Begitu pula sebaliknya, semakin banyak citra yang di-training, maka akan semakin banyak waktu yang digunakan untuk melakukan proses training. Dengan kata lain, proses training 56

15 71 citra (pada pengujian pertama) akan memakan waktu lebih cepat dari pada proses training 70 citra (pada pengujian kedua) untuk keseluruhan citra.