BAB 3 ANALISIS DAN PERANCANGAN SISTEM PROGRAM APLIKASI HANDS RECOGNIZER

Transkripsi

1 BAB 3 ANALISIS DAN PERANCANGAN SISTEM PROGRAM APLIKASI HANDS RECOGNIZER Dalam analisis dan perancangan sistem program aplikasi ini, disajikan mengenai analisis kebutuhan sistem yang digunakan, diagram aliran data (sequence diagram dan flowchart), serta rancangan sistem pengenalan dan modul yang digunakan dalam program aplikasi ini Analisis Kebutuhan Sistem Berikut ini merupakan gambaran umum sistem di mana terdapat tahaptahap analisis sistem yang dilakukan: Pemrosesan Gambar Training Pengenalan Gambar 3.1 Global Flowchart Analisis Kebutuhan Sistem

2 27 Analisis dilakukan dalam subsistem tersebut untuk menghasilkan sebuah sistem program aplikasi Hands Recognizer yang merupakan tujuan dibuatnya skripsi ini Analisis Sistem Pengenalan Tangan Untuk dapat memasuki proses training, gambar tangan yang menunjukkan angka-angka tersebut harus diproses terlebih dahulu menggunakan image processing. Adapun langkah-langkah dalam tahap analisis pemrosesan tangan terbagi lagi menjadi: 1) Mengambil gambar tangan dari video yang dihasilkan oleh Webcam Dari video yang dihasilkan oleh webcam, diambil gambar setiap satu detik untuk diproses. Webcam yang digunakan dalam skripsi ini menghasilkan gambar 24 bit per-pixel berukuran 320x200 pixel. Dalam skripsi ini tangan yang mau dikenali haruslah tangan kanan, dan harus diletakkan di suatu posisi sedemikian rupa sehingga terletak di dalam kotak yang telah ditandakan dari video yang dihasilkan webcam tersebut. Seperti yang dapat dilihat pada gambar.

3 28 Gambar 3.2 Tampilan dari Video yang Dihasilkan oleh Webcam Jadi gambar yang akan diproses kemudian adalah gambar yang berada di dalam kotak merah tersebut. Hal tersebut dilakukan supaya gambar yang dihasilkan jelas dan tidak terlalu banyak noise. 2) Image Processing Kemudian setelah gambar tersebut diambil dan dipotong sesuai kotak (100x100 pixel), gambar tangan tersebut diubah ke dalam bentuk grayscale, menghilangkan warna-warna, kemudian dengan menggunakan threshold mengubah gambar tersebut menjadi hitam dan putih.

4 29 Gambar 3.3 Tangan Setelah Diubah Menjadi Grayscale. Gambar 3.4 Tangan Setelah Noise Dihilangkan dengan Threshold. Nilai threshold yang digunakan adalah 128, biasanya digunakan nilai 128 karena berada pas di tengah, sehingga pixel yang bernilai kurang dari 128 diubah menjadi warna putih, dan bernilai sama atau lebih menjadi warna hitam, teknik ini digunakan terutama untuk menghilangkan noise yang ada di gambar tersebut. 3) Pengolahan gambar menjadi input menggunakan histogram Setelah gambar menjadi hitam-putih, maka gambar tersebut dipotong sebelah kiri, kanan, dan atas untuk menghilangkan bagian yang hanya berwarna putih, membentuk sebuah gambar kotak yang penuh dengan tangan user,

5 30 dengan ukuran yang lebih kecil. Hal ini berguna agar nanti ketika dibuat perbandingan warna putih dengan hitam, besar dan jarak tangan dari kamera tidak akan mempengaruhi dalam pemrosesan menjadi input. Gambar 3.5 Tangan yang Masih Memiliki Bagian Putih di Atas dan di Kanan. Gambar 3.6 Tangan yang sudah dipotong bagian putihnya membentuk kotak.

6 31 Kemudian gambar tangan yang sudah dipotong tersebut akan dihitung perbandingan hitam dengan bagian putih dengan menggunakan teknik histogram untuk mendapatkan nilai yang dapat dimasukkan ke dalam program sebagai input. Seperti yang ditunjukkan oleh gambar berikut: Gambar 3.7 Tampilan Perbandingan Hitam dan Putih Dalam 10 Bagian. Cara pemrosesan gambar dari tangan hitam putih menjadi gambar di atas adalah dengan menghitung nilai hitam untuk setiap baris vertikal gambar tersebut, sehingga seakan-akan gambar tangan tersebut ditarik ke bawah (perbedaan yang mencolok terdapat pada bagian jempol dan kelingking). Setelah itu gambar tersebut dibagi menjadi 10, dan persentase hitam terhadap gambar di satu bagian itulah yang menjadi sebuah input yang akan dimasukkan ke dalam Neural Network. Sehingga total input yang dapat dimasukkan kedalam proses training adalah 10 input. Pada contoh di atas, persentase hitam yang ada adalah 17%, 39%, 54%, 92%, 79%, 79%, 76%, 39%, 19%, dan 12%.

7 32 Gambar 3.8 Tampilan Bagian ke-10 dari Percobaan di Atas dengan 12% Hitam. Demikianlah analisis sistem pengenalan tangan yang dilakukan dari sebuah gambar tangan, dan diproses sedemikian rupa sehingga menjadi inputinput yang akan menjadi bagian dari proses training Sistem Training Pada tahap training ini Neural Network akan dilatih menggunakan Backpropagation sebagai alat training Neural Network dengan menggunakan input layer yang berjumlah 10 node, hidden layer 7 node dan output layer 3 node. Jumlah node tersebut ditentukan karena setelah dilakukan beberapa kali percobaan dan didapat bahwa nilai tersebut mampu menghasilkan Neural Network dengan akurasi yang lebih tepat dengan waktu training yang tidak terlalu lama.

8 33 Sebelum di-training, data gambar diproses seperti yang telah dilakukan pada analisis sistem pemrosesan gambar untuk mendapatkan gambar yang menjadi data untuk di-training. Tahap training ini memerlukan waktu yang cukup lama bila data yang ditraining cukup besar dan banyak Sistem Pengenalan Tahap pengenalan inilah yang merupakan inti dari program aplikasi ini. Apabila proses training sudah selesai dilakukan, maka neural network yang merupakan hasil dari proses training dapat digunakan untuk mengenali gambar yang diberikan oleh pengguna program aplikasi. Sebelum dikenali, data gambar diproses seperti yang telah dilakukan pada analisis sistem pemrosesan untuk mendapatkan gambar yang akan dikenali pola kemiripannya oleh algoritma Backpropagation pada saat gambar yang baru ingin dikenali. Dalam tahap pengenalan ini dilakukan proses feedforward pada Backpropagation untuk mendapatkan gambar-gambar yang telah direkam dalam bentuk angka. Hasil dari feedforward merupakan tiga digit bilangan biner yang akan dikonversi menjadi satu bilangan desimal. Hasil pengenalan yang berupa serangkaian kata-kata berurutan akan ditampilkan sebagai output program. Contoh dalam training ini akan menghasilkan 3 nilai output yang berupa

9 34 konversi nilai 1-5 ke dalam bilangan biner. 001, 010, 011, 100, 101. Output yang dihasilkan oleh network ini dibuat demikian karena telah dicoba menghasilkan training yang lebih cepat dan lebih akurat daripada hanya mengeluarkan satu nilai output saja yang langsung bernilai bilangan bulat. 3.2 Perancangan Sistem Berikut ini merupakan detil rancangan sistem yang akan dibuat pada program aplikasi ini yang meliputi 2 bagian utama dan satu bagian tambahan, yaitu form simulation, form training, dan form Load Activation Network Perancangan Program Pada bagian rancangan program ini digunakan Use Case, State Transition Diagram, flowchart dan sequence diagram untuk menunjukkan alur kontrol dan jalannya program. Berikut ini adalah diagram - diagram yang menunjukkan alur kontrol pada setiap modul.

10 Use Case Diagram Sistem Gambar 3.9 Use Case Diagram State Transition Diagram Gambar 3.10 State Transition Diagram

11 Flowchart dan Sequence Diagram Form Simulation Pada form simulation alur kontrol jalannya program adalah sebagai berikut, yaitu pengguna aplikasi masuk pada form Simulation, memilih webcam yang mau digunakan, dan melihat hasilnya. Program dapat mengambil gambar yang ditunjuk dengan menekan tombol capture, yang nantinya dapat diproses pada saat training. Flowchart jalannya program pada form simulation dapat dilihat pada gambar berikut ini. Gambar 3.11 Flowchart Simulasi

12 37 Gambar berikut ini menggambarkan urutan kejadian interaksi pengguna aplikasi dengan GUI perekaman gambar yang telah disediakan. Gambar 3.12 Sequence Diagram Simulasi Flowchart dan Sequence Diagram Form Data Training Pada form data training alur kontrol jalannya program adalah sebagai berikut, yaitu pengguna aplikasi masuk pada form data training, yang dibagi menjadi 3 bagian, mengatur data sebagai input, men-training, dan mengetes hasil training. Pada bagian mengatur data sebagai input, di sini pengguna program dapat memilih menekan tombol browse, untuk memilih gambar yang mau dimasukkan sebagai input, memasukkan output yang diharapkan dari gambar yang sebelumnya dipilih, menekan tombol add untuk memasukkannya ke dalam dataset training. Pengguna juga dapat menekan tombol clear untuk

13 38 membersihkan data input, dan tombol add folder untuk memasukkan gambar di dalam satu folder yang mau digunakan sebagai input. Pada form bagian kedua, tempat mengatur training, pengguna dapat memasukkan nilai epochs yaitu berapa kali training akan dilakukan, tombol train untuk memulai training, yang hasilnya dapat dilihat di label output, tombol reset untuk me-reset nilai network, tombol save dan load, yang dapat digunakan untuk menyimpan dan membuka kembali data network hasil training. Pada bagian ketiga, yaitu bagian test pengguna dapat mengetes network yang sudah dihasilkan selama training, dengan data baru maupun lama, di sini user dapat memilih tombol browse yang dapat digunakan untuk memilih gambar, dan tombol test untuk melihat hasil yang diberikan oleh network terhadap gambar yang dipilih, yang hasilnya akan ditampilkan di dalam label output. Flowchart jalannya program pada form data training dapat dilihat pada gambar berikut ini.

14 Gambar 3.13 Flowchart Training Data 39

15 40 Gambar berikut ini menggambarkan urutan kejadian interaksi pengguna aplikasi dengan interface yang telah disediakan. Gambar 3.14 Sequence Diagram Training Data

16 Flowchart dan Sequence Diagram Form Load Activation Network Pada form Load AN ini alur kontrol jalannya program adalah sebagai berikut, yaitu pengguna aplikasi masuk pada form Load AN, pilih file yang pernah disimpan pada saat training dan setelah itu secara otomatis Activation Network yang aktif di dalam program adalah Activation Network tersebut. Flowchart jalannya program pada form Load AN dapat dilihat pada gambar berikut. Gambar 3.15 Flowchart Load AN

17 42 Gambar berikut ini menunjukkan urutan kejadian interaksi pengguna aplikasi dengan interface yang telah disediakan. Gambar 3.16 Sequence Diagram Load AN Di sini dapat dilihat bahwa pengguna dapat memilih file AN yang akan diambil dari Window Load AN.

18 Perancangan Layar Sebelum tahap pembuatan program aplikasi, berikut ini dibuat rancangan layar sebagai gambaran untuk dilanjutkan pada pembuatan GUI. Berikut ini adalah rancangan layar form-form yang ada pada program aplikasi: Perancangan Layar Form Simulation Form ini dibuat untuk menampilkan simulasi jalannya program dari video sampai gambar siap untuk diubah menjadi sebuah input, juga berguna untuk menguji hasil training. Juga di form ini dapat diambil gambar yang bisa diambil untuk dimasukkan sebagai percobaan input ke dalam training. Di dalam form ini pula bisa diatur besarnya threshold yang mau digunakan. Jadi form ini mempunyai satu Camera Window untuk menampung gambar video, 2 Picture Box untuk memperlihatkan tahap-tahap pemrosesan gambar, satu track bar untuk mengatur nilai threshold, satu button untuk mengambil gambar, dan satu label untuk menampilkan output dari gambar yang dikenali. Rancangan layar form simulation dapat dilihat pada gambar berikut ini.

19 44 Hand Motion Recognizer Camera Window Hand Picture Box Capture Picture Box Histogram Track Bar Threshold Output Gambar 3.17 Rancangan Form Simulation Perancangan Layar Form Data Training Form ini dibuat untuk melakukan training data gambar, form data training terbagi menjadi 3 bagian, bagian untuk mengatur data training, bagian untuk training, dan terakhir bagian untuk menguji hasil training tersebut. Pada bagian untuk mengatur data training, pengguna dapat menekan tombol browse untuk memilih gambar yang akan di-training kemudian memasukkan nilai output yang diharapkan di bagian value, dan menekan tombol add untuk memasukkan ke dalam dataset training, pengguna juga dapat menekan tombol clear apabila ingin menghapus dataset training, dan menekan

20 45 tombol add folder apabila ingin memasukkan sekaligus banyak gambar untuk dimasukkan ke dalam dataset training. Yang harus diingat adalah nama file yang ingin dimasukkan harus mengikuti format NAMA_A_X.PNG, di mana A adalah nilai output yang diharapkan, dan X adalah nomor gambar yang berguna untuk membedakan gambar yang satu dengan yang lainnya dengan nilai output yang sama. Terakhir ada sebuah kotak gambar di bagian ini yang akan menunjukkan gambar yang sedang dipilih. Pada bagian kedua, bagian untuk mengatur jalannya training, terdapat textbox epochs, yang dapat diisi dengan berapa kali pengguna menginginkan training tersebut dijalankan, tombol train yang bila ditekan akan menjalankan training, tombol reset, dimana bila ditekan akan me-reset nilai dari network dengan nilai random, tombol save yang berguna untuk menyimpan hasil training, dan terakhir tombol load yang berguna untuk mengeluarkan kembali nilai hasil training, dengan menunjukkan file yang pernah disimpan sebelumnya. Terakhir ada sebuah label error yang berguna untuk memberi tahu pengguna error rate dari jalannya training tersebut. Error rate tersebut sebaiknya dapat bernilai kurang dari 1 x 10-2 apabila ingin mendapatkan hasil training yang bagus. Pada bagian terakhir, yaitu bagian ketiga yang berguna untuk mencoba data yang pernah di-training sebelumnya, dapat ditekan tombol browse untuk memilih gambar yang mau dicoba, setelah itu tinggal ditekan tombol test dan hasilnya akan segera terlihat di label output. Di bagian ini juga terdapat sebuah kotak gambar yang berguna untuk memperlihatkan gambar yang telah dipilih.

21 46 Pada bagian untuk mengatur data training, dan bagian untuk mencoba hasil training juga diberikan 10 buah textbox yang berisi dengan input yang mau dimasukkan ke dalam training, textbox ini akan otomatis dihitung dan terisi ketika user memilih gambar dengan menggunakan tombol browse. Rancangan layar form Data Training dapat dilihat pada gambar berikut ini.

22 47 Form Data Training Atur Data Training Nama File Browse Value Add Gambar 3.16 Gambar Form Training Data Data Training Message Clear Add folder Picture Box Epochs Train Reset Training Save Load Error Rate Test Hasil Training Nama File Browse Test Output value Kotak Gambar Gambar 3.18 Rancangan Form Training.

23 Perancangan Layar Form About Form ini dibuat sebagai informasi tentang pembuat program aplikasi dan informasi-informasi lainnya. Rancangan layar form about dapat dilihat pada gambar berikut ini. Form About Program Aplikasi Hands Recognizer Created by Andra Basuki. ( ) Close Gambar 3.19 Rancangan Form Hands Recognizer Perancangan Struktur Menu Struktur menu pada rancangan ini yang dapat dilihat pada Gambar 3.16 memperlihatkan susunan dari menu rancangan yang ada, di mana pengguna dapat memilih menu yang ingin digunakan saat menggunakan program aplikasi ini.

24 49 Menu Window - Program - Exit - Training - Recognizer - Load AN - Simulation - About Gambar 3.20 Rancangan Susunan Menu Perancangan Modul Modul yang digunakan pada program ini terdiri atas empat modul, yaitu sebagai berikut: 1) Modul Motion Detector Modul ini adalah modul yang berguna untuk memproses gambar yang diberikan oleh kamera, ada 7 tahap yang dilakukan oleh modul ini, yaitu : a) Mengambil area gambar yang sudah ditentukan (100x100 pixel) untuk dikenali oleh komputer.

25 50 b) Lalu dipotong 3 sisinya, bagian kiri, kanan dan atas untuk menghilangkan area putih, yang berguna untuk menjaga skala dari pengenalan tangan nantinya. c) Kemudian mengubah gambar yang sudah diambil itu menjadi grayscale. d) Dan menggunakan threshold untuk mengubah gambar grayscale tersebut ke dalam bentuk hitam dan putih. e) Setelah gambar menjadi hitam dan putih, kemudian bagian hitam pergaris vertikal pixel akan ditarik kebawah. f) Setelah itu semua, gambar tersebut akan dibagi menjadi 10 bagian sama rata secara vertikal. g) Dan setiap bagian dari 10 bagian tersebut akan dihitung perbandingan warna hitam dengan keseluruhan bagian yang berguna untuk menjadi input dalam training nantinya. Sehingga dari semua langkah tersebut akan dihasilkan 10 input dari setiap gambar yang diambil. 2) Modul Training Data Modul ini berguna untuk melakukan training backpropagation yang nantinya dapat berguna dalam proses pengenalan pola tangan yang sama secara berulang-ulang yang digunakan di dalam program Hands Recognizer ini. Modul ini akan mengambil input sejumlah 15 buah yang dihasilkan oleh modul motion detector dan dimasukkan ke dalam training. Pengguna dapat memilih untuk melakukan pelatihan ulang pada neural network ataupun

26 51 melanjutkan pelatihan untuk memperoleh hasil yang lebih akurat. Pada modul ini pengguna dapat memilih folder yang sudah berisi data pelatihan untuk di-training ke dalam neural network. 3) Modul Camera Video Modul ini merupakan modul berguna untuk mengakses webcam yang ada terkoneksi ke komputer, dan memberikan gambar yang dihasilkan ke modul motion detector setiap satu detik untuk dikenali. 4) Modul Simulasi Modul simulasi ini menggabungkan semua modul diatas, simulasi akan memberikan hasil, apabila 3 kali berturut-turut output yang dikeluarkan oleh network yang digunakan mengeluarkan hasil yang sama. Jadi, pada analisis dan perancangan program aplikasi ini, telah dibahas mengenai langkah-langkah proses pengenalan yang dilakukan oleh sistem. Sehingga pada tahap ini, program aplikasi telah siap untuk diuji. Untuk implementasi dan evaluasi dari hasil program aplikasi ini, dapat dilihat pada bab selanjutnya.