BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI

BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang akan dirancang dan rancangan sistem sehingga pengembangan program berjalan sesuai dengan tujuan yang diharapkan. 3.1 Analisis Program Aplikasi Program aplikasi pengenalan karakter mandarin ini dibuat dengan menggunakan perangkat lunak Microsoft Visual Studio 2010 dengan bahasa pemrograman C#. Untuk dapat melakukan proses training dengan neural network digunakan AForge.NET yang berisi kumpulan library untuk computer vision dan artificial intelligence yang meliputi pengolahan citra, jaringan syaraf tiruan, algoritma genetika, fuzzy logic, machine learning dan robotika. AForge.NET menggunakan bahasa pemograman C# dan bersifat open source. Proses perancangan menggunakan model Waterfall yang dapat dijelaskan sebagai berikut. a. Sebelum mulai merancang program aplikasi, dilakukan proses pencarian kebutuhan dari keseluruhan sistem yang akan diaplikasikan ke dalam program aplikasi. 41

42 b. Merancang program aplikasi berdasarkan kebutuhan sistem yang dapat dipresentasikan ke dalam sebuah diagram alir/flow chart sebelum dilakukan pengkodean. c. Mengubah desain dari flow chart menjadi bentuk yang dapat dimengerti oleh komputer, yaitu ke dalam bahasa pemograman melalui proses pengkodean. d. Melakukan pengujian terhadap program yang sudah dibuat dan memastikan hasilnya sesuai kebutuhan yang sudah didefinisikan sebelumnya. e. Melakukan pemeliharaan program aplikasi untuk pengembangan lebih lanjut. Pemeliharaan juga dapat memperbaiki kesalahan (error) kecil yang tidak ditemukan sebelumnya. dan ada penambahan fitur-fitur yang belum ada pada program tersebut. 3.1.1 Gambaran Umum Program Aplikasi Program aplikasi pengenalan karakter mandarin, secara umum terbagi menjadi 3 proses utama yaitu pengolahan citra, proses pelatihan dan proses pengenalan. Sebelum citra karakter mandarin dapat dikenali, harus diproses terlebih dahulu yang bertujuan agar citra memenuhi syarat untuk dapat dilakukan proses pengenalan. Proses pengolahan citra terdiri dari pre-processing dan ekstraksi. Proses pelatihan dan pengenalan pola citra yang telah diolah menggunakan metode counterpropagation neural network. Secara umum, flow chart untuk program aplikasi pengenalan karakter mandarin yang akan dibuat seperti pada gambar 3.1.

Gambar 3.1 Flow Chart Program Aplikasi 43

44 3.1.2 Pre-Processing Proses awal dalam pembuatan program aplikasi pengenalan karakter mandarin adalah melakukan segmentasi berdasarkan intensitas warna terhadap citra karakter. Proses segmentasi adalah proses pemisahan antara background dengan pola karakter. Tujuan utama dari proses ini adalah mendapatkan dua obyek citra yaitu background yang berwarna putih dan pola karakter yang berwarna hitam. Proses ini juga bertujuan untuk menghilangkan titik-titik noise akibat dari proses pemindaian yang sebenarnya bukan merupakan bagian dari citra. Proses segmentasi dilakukan dengan menggunakan metode mean clustering dengan memanfaatkan citra histogram. Dilakukan scanning pada setiap piksel untuk mendapatkan kode warnanya. Derajat keabuan dari sebuah citra dapat diperoleh dengan rumus sebagai berikut. di mana: : nilai dari derajat keabuan sebuah piksel : nilai dari warna merah, hijau, biru Obyek citra menggunakan mode grayscale (derajat keabuan) dengan kode warna nol untuk warna paling gelap (hitam), kode warna 255 untuk warna paling terang (putih) dan jika kodenya diantara 0 hingga 255 maka akan menghasilkan warna abu-abu sesuai dengan tingkat gradasinya. Setiap kode warna dikelompokkan sesuai dengan intensitas warnanya sehingga diperoleh frekuensi dari masing-masing warna. Kemudian dicari harga rata-rata dari frekuensi masing-masing warna tersebut. Harga rata-rata ini

45 kemudian dinamakan nilai threshold. Jika nilai derajat keabuan dari suatu piksel lebih rendah daripada nilai threshold, maka piksel tersebut akan dihitamkan. Sebaliknya, jika nilai dari piksel tersebut lebih tinggi dari nilai threshold maka piksel tersebut akan diputihkan. Nilai threshold dapat ditentukan dengan menggunakan dua cara, yaitu secara manual dan dengan menggunakan metode mean value threshold. Jika user memilih untuk menentukan nilai threshold secara manual, maka ia dapat menginput nilai threshold dari 0 sampai 255. Proses penentuan nilai threshold dengan metode mean value threshold, bertujuan untuk menentukan nilai ambang berdasarkan rata-rata piksel dari suatu citra. Pseudocode dari proses penentuan nilai ambang dengan metode mean value threshold adalah sebagai berikut. Awal modul luas = panjang_gambar * lebar_gambar; dari nilai y yang ke-0 hingga (lebar_gambar) 1 mulai dari nilai x yang ke-0 hingga (panjang_gambar) 1 mulai salin nilai piksel gambar ke dalam array_penampung selesai selesai dari i yang ke-0 hingga luas 1 mulai nilai = nilai + array_penampung(i) selesai nilai_ambang = nilai / luas Akhir modul Selain itu, pseudocode untuk proses thresholding secara keseluruhan adalah sebagai berikut. Awal modul dari nilai y yang ke-0 hingga (lebar_gambar) 1

46 mulai dari nilai x yang ke-0 hingga (panjang_gambar) 1 mulai jika nilai piksel citra(x,y) lebih kecil dari nilai_ambang maka ubah nilai piksel citra(x,y) menjadi 0 selain itu ubah nilai piksel citra(x,y) menjadi 255 selesai selesai Akhir modul Proses ini akan membantu untuk mereduksi noise yang dimiliki oleh suatu citra. Nilai piksel yang lebih tinggi dari nilai ambang akan secara otomatis diputihkan, sehingga sebagian noise akan terhapus. Setelah proses segmentasi dan thresholding dilakukan, selanjutnya adalah proses penapisan atau filtering. Proses penapisan atau filtering adalah sebuah proses untuk menentukan nilai dari suatu piksel dengan cara melakukan perhitungan dari nilai intensitas piksel-piksel di sekeliling piksel tersebut. Pada penulisan skripsi ini, digunakan dua jenis penapisan sebagai berikut. a. Tapis Lolos Rendah (Low Pass Filter) Filter ini mempunyai tujuan untuk mempertegas bagian dengan frekuensi rendah pada suatu citra. Ia akan melakukan pemerataan tingkat keabuan, sehingga membuat citra terlihat agar kabur kontrasnya. Namun demikian tapis lolos rendah dapat mengurangi sebagian efek noise yang ada pada sebuah citra. Ia akan mengurangi berbagai gangguan yang berbentuk garis tajam. Filter ini umumnya berbentuk matriks mask, di mana umumnya bernilai tiga atau lima.

47 Tabel 3.1 Mask Low Pass Filter P1 * K P2 * K P3 * K P4 * K P5 * K = C * K P6 * K P7 * K P8 * K P9 * K Tabel 3.2 Mask Low Pass Filter P1 * K P2 * K P3 * K P4 * K P5 * K P6 * K P7 * K P8 * K P9 * K P10 * K P11 * K P12 * K P13 * K = C * K P14 * K P15 * K P16 * K P17 * K P18 * K P19 * K P20 * K P21 * K P22 * K P23 * K P24 * K P25 * K P adalah piksel pada citra yang akan di-filter, C adalah titik tengah dari mask, yang akan diganti niainya dan K adalah konstanta. Nilai dari konstanta adalah. Jadi untuk mask ukuran, nilai konstantanya adalah. Pseudocode dari mask adalah sebagai berikut. Awal modul luas = panjang_gambar * lebar_gambar; dari nilai y yang ke-0 hingga (lebar_gambar) 1 mulai dari nilai x yang ke-0 hingga (panjang_gambar) 1 mulai nilai_piksel(x,y) = nilai_piksel(x-1,y-1)*1/9 + nilai_piksel(x,y-1)*1/9 + nilai_piksel(x+1,y-1)*1/9 + nilai_piksel(x-1,y)*1/9 + nilai_piksel(x,y)*1/9 + nilai_piksel(x+1,y)*1/9+nilai_piksel(x-1,y+1)*1/9 + nilai_piksel(x,y+1)*1/9 + nilai_piksel(x+1,y+1)*1/9 selesai

48 selesai Akhir modul b. Tapis Lolos Tinggi (High Pass Filter) Filter ini mempunyai karakter yang berlawan dengan Low Pass Filter. Ia bersifat memperkuat piksel-piksel dengan frekuensi yang tinggi. Penggunaan filter ini akan membuat garis batas antar obyek menjadi lebih tajam. Untuk menerapkan filter ini pada suatu citra, dibutuhkan sebuah mask yang sama seperti pada bagian tapis lolos rendah, yaitu matriks mask. Perbedaannya hanya terletak pada nilai koefisiennya, yaitu. Pseudocode dari high pass filter adalah sebagai berikut. Awal modul Akhir modul luas = panjang_gambar * lebar_gambar; dari nilai y yang ke-0 hingga (lebar_gambar) 1 mulai dari nilai x yang ke-0 hingga (panjang_gambar) 1 mulai nilai_piksel(x,y) = nilai_piksel(x-1,y-1)*(-1/4) + nilai_piksel(x,y-1)*(-1/4) + nilai_piksel(x+1,y-1)*(-1/4) + nilai_piksel(x-1,y)*(-1/4) + nilai_piksel(x,y)*(-1/4) + nilai_piksel(x+1,y)*(-1/4)+nilai_piksel(x-1,y+1)*(-1/4) + nilai_piksel(x,y+1)*(-1/4) + nilai_piksel(x+1,y+1)*(-1/4) selesai selesai 3.1.3 Ekstraksi Ciri Tahap ekstraksi bertujuan untuk melakukan ekstraksi ciri dengan metode dekomposisi Wavelet Haar. Setelah suatu citra melewati tahap pengolahan citra, maka citra tersebut siap untuk diekstrak cirinya. Pada skripsi ini, input pertama pada tahap ekstraksi ciri berukuran piksel. Perlu dihitung level maksimum dari

49 dekomposisi Wavelet yang mungkin dilakukan dengan menggunakan rumusan yang telah diuraikan pada bagian sebelumnya. Pada skripsi ini, panjang datanya adalah 128, panjang filternya adalah dua, sehingga level maksimum dari dekomposisi Wavelet setelah dihitung dengan menggunakan rumusan adalah tujuh. Skripsi ini menggunakan level dekomposisi lima. Pada dekomposisi level pertama, citra dengan ukuran pada ukuran yang lebih rendah yaitu piksel menjadi citra dengan empat sub bidang piksel. Keempat sub bidang ini akan membawa informasi yang berbeda, yaitu informasi aproksimasi, vertikal, horizontal dan diagonal. Dekomposisi level kedua menghasilkan citra dengan ukuran dekomposisi level ketiga menghasilkan citra dengan ukuran dekomposisi level keempat menghasilkan citra dengan ukuran piksel, piksel, piksel dan dekomposisi level kelima menghasilkan citra dengan ukuran piksel. Hasil dari dekomposisi inilah yang akan digunakan sebagai citra masukan pada jaringan saraf tiruan, pada tahap selanjutnya. Adapun algoritma dari dekomposisi Wavelet ini adalah sebagai berikut. a. Tahap 1: Input citra diubah menjadi empat bagian citra baru dengan ukuran. b. Tahap 2: Tes kondisi berhenti, jika ukuran dari citra aproksimasi adalah piksel atau telah mencapai level dekomposisi yang diinginkan, maka proses berhenti. Jika tidak, ulangi tahap pertama dengan menggunakan citra aproksimasi sebagai input citra.

50 Tiap langkah dalam transformasi Wavelet Haar memperhitungkan koefisienkoefisien Wavelet dan kumpulan rata-rata. Jika suatu kumpulan data berisi unsur-unsur N, akan terdapat rata-rata dan nilai koefisien. Rata-rata menjadi input untuk langkah selanjutnya dalam perhitungan Wavelet, dimana untuk iterasi. Iterasi-iterasi berlanjut sampai rata-rata tunggal dan koefisien tunggal dihitung. Persamaan Wavelet Haar untuk menghitung suatu rata-rata dan koefisienkoefisien Wavelet dari suatu kumpulan data ditunjukkan sebagai berikut. persamaan (i) persamaan (ii) Cara kerja dari Wavelet Haar adalah dengan melakukan perhitungan rata-rata dari input sinyal yang diperolehnya. Misalkan terdapat suatu citra berukuran piksel, dengan nilai piksel, maka hasil dari proses perhitungan nilai rata-rata menggunakan persamaan(i), diperoleh nilai. Hasil tersebut kembali dihitung nilai rata-ratanya sehingga diperoleh nilai Nilai ini akan menjadi nilai indeks pertama. Nilai indeks kedua dihitung dengan persamaan (ii) dari data sehingga diperoleh nilai. Nilai indeks ketiga dan keempat diperoleh dari dan dengan menggunakan persamaan(ii) diperoleh nilai dan. Dari contoh ini, citra digital dengan piksel, akan ditransformasikan dengan koefisien yang diperoleh dari perhitungan sebelumnya yaitu:.

51 Nilai asli citra digital dapat diperoleh dengan mengalikan koefisien Haar yang diperoleh dengan empat basis Haar. Empat basis Haar berupa matriks adalah sebagai berikut. Maka, pada contoh sebelumnya akan diperoleh: Perhitungan Transformasi Wavelet pada citra dua dimensi memiliki prinsip yang sama dengan perhitungan pada citra satu dimensi. Proses perhitungan dilakukan secara horizontal terlebih dahulu, kemudian dilakukan secara vertikal. Pada skripsi ini, hasil dari proses ekstraksi ciri pada citra berukuran piksel ini adalah citra aproksimasi dengan ukuran piksel. Kemudian setiap piksel ini akan diambil nilainya dan dijadikan input layer dari jaringan saraf tiruan. Total input yang dihasilkan adalah 16 sel. 3.1.4 Proses Pelatihan dan Pengenalan Karakter Proses pelatihan dilakukan dengan metode Counterpropagation Neural Network. Counterpropagation merupakan algoritma pembelajaran terawasi dan biasanya menggunakan jaringan multi layer untuk mengubah bobot-bobot yang menghubungkan

52 antar layer. Algoritma counterpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dengan arah mundur (backward). Untuk mendapatkan error tersebut, tahap perambatan maju (forward propagation) harus dilakukan terlebih dahulu. Pada saat forward propagation, node-node diaktifkan dengan fungsi aktivasi. Flow chart proses pelatihan/training dari perancangan program aplikasi pengenalan karakter mandarin dapat dilihat pada gambar 3.2 dan flow chart proses pengenalan karakter mandarin dilihat pada gambar 3.3.

Gambar 3.2 Flow Chart Pelatihan Neural Network 53

Gambar 3.3 Flow Chart Proses Pengenalan 54

55 3.2 Analisis Kebutuhan Dari analisis metode counterpropagation dapat menganalisis kebutuhan apa saja yang diperlukan untuk perangkat lunak yang akan dibuat. Analisis kebutuhan dibagi menjadi tiga bagian, yaitu: kebutuhan data, kebutuhan proses dan kebutuhan antar muka (interface). 3.2.1 Kebutuhan Data Analisis pada kebutuhan data meliputi data-data yang akan digunakan sebagai berikut. a. Data pemrosesan gambar mulai dari proses gambar asli sampai gambar akhir yang siap diambil informasinya. b. Data citra karakter, dari data ini diperoleh data lainnya, yaitu: 1) Nilai dimensi, yang dapat diketahui dari jumlah piksel 2) Nilai vektor dari suatu citra yang diperoleh dari proses ekstraksi. Pada proses ekstraksi untuk mempermudah perhitungan digunakan nilai warna grayscale. c. Jumlah seluruh data dapat diketahui dari jumlah data citra yang ada. d. Nilai-nilai pembentuk struktur jaringan counterpropagation yang meliputi nilai learning rate, jumlah hidden node dan nilai bobot. 3.2.2 Kebutuhan Proses Berikut ini akan dibahas mengenai analisis pada proses-proses yang akan digunakan pada perancangan program aplikasi ini.

56 a. Sistem membutuhkan suatu proses untuk menyamakan ukuran data citra yang akan digunakan untuk pembentukan struktur jaringan saraf tiruan sesuai dengan ketentuan yang telah ditetapkan. b. Sistem membutuhkan suatu proses untuk mengubah gambar menjadi biner. c. Sistem membutuhkan suatu proses untuk mengurangi noise pada citra. d. Sistem membutuhkan suatu proses ekstraksi. e. Sistem membutuhkan suatu proses untuk membentuk struktur jaringan saraf tiruan counterpropagation yang terdiri dari dua fase pelatihan, yaitu fase kohonen learning dan grossberg learning. f. Sistem membutuhkan suatu proses untuk menguji struktur jaringan saraf yang telah terbentuk sehingga dapat diketahui kebenaran pengenalan polanya. 3.2.3 Kebutuhan Antar Muka Pada kebutuhan antar muka, analisis yang diperoleh melalui analisis pada masing-masing form yang tersedia sebagai berikut. a. Form dari menu-menu program aplikasi b. Form untuk memproses citra karakter sebelum diambil datanya untuk kebutuhan pembentuk jaringan counterpropagation. c. Form untuk pengidentifikasian data citra sebagai unsur pembentuk jaringan counterpropagation. Semua hasil dari form ini akan disimpan ke dalam database. d. Form untuk tempat pelatihan jaringan saraf tiruan dengan menggunakan metode counterpropagation yang terdiri dari dua fase pelatihan.

57 e. Form untuk menguji kebenaran pengenalan pola karakter setelah proses pelatihan yang dilakukan sebelumnya. f. Form laporan untuk mengetahui karakter yang sudah dimasukkan ke dalam database. 3.3 Perancangan Program Aplikasi Perancangan program aplikasi karakter mandarin meliputi perancangan database dan perancangan user interface. 3.3.1 Perancangan Desain Data Pada bagian ini, akan menjelaskan mengenai rancangan database untuk menyimpan data yang diperlukan dan rancangan struktur dari data input dalam metode counterpropagation. Data untuk pembentukan JST counterpropagation antara lain: a. Data citra input berupa file bitmap (*.bmp) yang diperoleh dari hasil scan. Citra ini yang akan melalui proses preprocessing dan proses ekstraksi. b. Nilai learning rate jumlah hidden node dan nilai bobot. Untuk nilai learning rate disarankan menggunakan angka sekitar 0,1 0,9. Untuk jumlah hidden node dapat diisi sembarang, namun jika semakin banyak jumlah hidden node maka semakin bagus hasilnya karena semakin banyak pilihan yang dapat diambil. Sedangkan untuk nilai bobot pertama kalinya akan dirandom oleh komputer. Selanjutnya akan mengikuti update dari jaringan.

58 3.3.2 Perancangan User Interface Gambar 3.4 merupakan tampilan layar utama ketika pengguna pertama kali menjalankan aplikasi. Pada layar ini terdapat menu File dan Help. Menu File dapat di-click sehingga pengguna dapat memilih sub menu, yaitu Load Network dan Save Network. Menu Help juga mempunyai sub menu, yaitu User Manual dan About. Tombol Click Here to Start harus di-click pengguna untuk mulai menggunakan aplikasi. Gambar 3.4 Rancangan Layar Utama

59 Pada gambar 3.5 terdapat tiga tab menu yang dapat dipilih oleh pengguna yaitu: Training Network, Image Processing dan Recognition. Menu Training Network yang merupakan proses yang digunakan untuk melatih jaringan saraf tiruan counterpropagation supaya dapat mengenali karakter yang ditampilkan. Gambar 3.5 Rancangan Layar Menu Training Network Keterangan: a. Tombol Add Folder Image merupakan tombol untuk menambahkan semua image dari satu folder untuk di-training. b. Tombol Preprocessing Folder merupakan tombol untuk untuk melakukan tahap preprocessing dan extracting pada semua file yang terdapat pada list bar. Output yang dihasilkan merupakan input untuk pelatihan jaringan saraf tiruan.

60 c. LR Alpha yang diinput oleh pengguna merupakan angka learning rate untuk fase kohonen learning. d. LR Beta yang diinput oleh pengguna merupakan angka learning rate untuk fase kohonen learning. e. Value of a yang diinput oleh pengguna merupakan angka learning rate A untuk fase grossberg learning. f. Value of b yang diinput oleh pengguna merupakan angka learning rate B untuk fase grossberg learning. g. Total of Hidden Node yang diinput oleh pengguna merupakan jumlah node yang tersembunyi yang digunakan dalam pelatihan. h. Epochs yang diinput oleh pengguna merupakan jumlah perulangan yang dilakukan dalam melatih jaringan. i. Errors akan berisi nilai kesalahan setelah tombol Start Training di klik. j. Tombol Start Training digunakan untuk memulai proses pelatihan. k. Tombol Reset berfungsi untuk mengacak kembali nilai bobot awal pada jaringan. Pada gambar 3.6 terdapat menu Image Processing merupakan menu yang berisi proses-proses untuk mengolah image dari karakter yang akan di-training. Proses-proses tersebut antara lain: Preprocessing, Extract Template dan Recognition.

61 Gambar 3.6 Rancangan Layar Menu Image Processing Keterangan: a. Source Image merupakan tempat untuk menampilkan image dari karakter yang akan diproses. b. Destination Image adalah tempat untuk menampilkan hasil dari image karakter yang sudah diproses. c. Load adalah tombol untuk membuka file image dari karakter yang akan diproses. d. Clear adalah tombol untuk membersihkan layar pada Source Image. e. Preprocessing adalah tombol untuk memulai proses pengolahan gambar yaitu mengubah image berwarna menjadi grayscale.

62 f. Extract Template adalah tombol untuk melakukan proses ekstraksi fitur pada image yang sudah berwarna grayscale. g. Recognition adalah tombol untuk berpindah ke tab Recognition dan melakukan pengenalan terhadap karakter yang sudah diproses. h. File Path menunjukkan alamat fisik tempat menyimpan image dari karakter yang diproses. i. Output Field adalah tempat yang menampikan secara tulisan proses-proses yang sedang berlangsung. j. Clear Output Field adalah tombol untuk membersihkan layar pada Output Field. Pada gambar 3.7 terdapat menu Recognition yang merupakan proses yang digunakan untuk mengenali karakter yang ditampilkan. Gambar 3.7 Rancangan Layar Menu Recognition

63 Keterangan: a. Character Image merupakan tempat untuk menampilkan image dari karakter yang akan dikenali. b. Result Image merupakan tempat untuk menampilkan image dari karakter yang sudah berhasil dikenali. c. File Path menunjukkan alamat fisik tempat menyimpan image dari karakter yang dikenali. d. Recognition Result merupakan tempat untuk menampilkan hasil dari proses pengenalan. Hasil berupa pin yin dan arti dari karakter yang dikenali. e. Tombol Clear All untuk membersihkan apa yang ada di layar Result Pada gambar 3.8 terdapat rancangan layar About yang berisi nama penulis dan tujuan dari pembuatan program aplikasi ini. Gambar 3.8 Rancangan Layar About