BAB II LANDASAN TEORI
2.5 Konversi Citra RGB ke Grayscale
Citra grayscale merupakan citra digital yang hanya memiliki satu nilai kanal, dengan kata lain, nilai piksel RED = nilai piksel GREEN = nilai piksel BLUE.
Nilai tersebut digunakan untuk menunjukkan tingkatan dari hitam hingga mendekati putih. Untuk mengubah citra RGB ke citra grayscale digunakan Persamaan (2.4).
( ) = (2.4) dengan ( ) adalah level/intensitas keabuan pada satu koordinat piksel yang diperoleh dengan mengatur komposisi warna R (red), G (green), B (blue) yang ditunjukkan oleh nilai parameter dan . Secara umum nilai = = dan = . Nilai yang lain juga dapat diberikan untuk ketiga parameter tersebut asalkan total keseluruhan nilainya adalah 1 (Putra, 2010).
Adapun contoh gambar hasil konversi RGB ke grayscale dapat dilihat pada Gambar 2.2.
Gambar 2.2 Konversi Citra RGB ke Citra Grayscale 2.6 Median Filter
Metode median filter merupakan filter non-linear yang dikembangkan Tukey, yang berfungsi untuk menghaluskan dan mengurangi noise atau gangguan pada citra. Dikatakan nonlinear karena cara kerja penapis ini tidak termasuk ke dalam kategori operasi konvolusi. Operasi nonlinear dihitung dengan
Citra RGB Citra Grayscale
mengurutkan nilai intensitas sekelompok pixel, kemudian menggantikan nilai pixel yang diproses dengan nilai tertentu.
Pada median filter suatu window atau penapis yang memuat sejumlah pixel ganjil digeser titik per titik pada seluruh daerah citra. Nilai-nilai yang berada pada window diurutkan secara ascending untuk kemudian dihitung nilai mediannya.
Nilai tersebut akan menggantikan nilai yang berada pada pusat bidang window.
Jika suatu window ditempatkan pada suatu bidang citra, maka nilai pixel pada pusat bidang window dapat dihitung dengan mencari nilai median dari nilai intensitas sekelompok pixel yang telah diurutkan. Secara matematis dapat ditulis Persamaannya sebagai berikut.
( ) = ( ) ( ) (2.5) Dengan f(x,y) merupakan citra hasil median filter, g(s,t) adalah sub-image Sxy dan Sxy merupakan window daerah yang diliputi oleh filter (Okada, 2015).
Gambar 2.3 Ilustrasi Proses Median Filter
2.7 Ekstraksi Fitur
Ekstraksi fitur merupakan suatu pengambilan ciri/feature dari suatu bentuk yang nantinya nilai yang didapatkan akan dianalisis untuk proses selanjutnya.
Ekstraksi fitur dilakukan dengan menghitung titik atau piksel yang ditemui dalam setiap pengecekan, di mana pengecekan dilakukan dalam berbagai arah tracing pengecekan pada koordinat kartesian dari citra digital yang dianalisis, yaitu vertikal, horizontal, diagonal kanan, dan diagonal kiri.
Fitur merupakan karakteristik unik dari suatu objek. Fitur dibedakan menjadi dua yaitu fitur alami dan fitur buatan. Fitur alami merupakan bagian dari gambar, contoh kecerahan dan tepi objek. Sedangkan fitur buatan merupakan fitur yang diperoleh dengan operasi tertentu pada gambar, misalnya histogram
ekualisasi (Gualtieri, dkk., 1995). Sehingga ekstraksi fitur adalah proses untuk mendapatkan ciri–ciri pembeda yang membedakan suatu objek dari objek yang lain.
Salah satu teknik dalam ekstraksi fitur yaitu ekstraksi fitur berdasarkan tekstur citra. Fitur yang digunakan yaitu tekstur yang terdapat pada citra yang menjadi pembeda antara satu citra dengan citra lainnya. Local Binary Pattern (LBP) merupakan metode ekstraksi fitur tekstur yang memiliki hasil yang baik sehingga sering digunakan di berbagai penelitian tentang citra utamanya yang mengutamakan tekstur sebagai fitur pengenalannya (Putra, 2010).
2.8 Metode Local Binary Patterns (LBP)
Operator LBP adalah salah satu deskriptor tekstur terbaik dan telah banyak digunakan dalam berbagai aplikasi. LBP telah terbukti sangat diskriminatif dan keuntungan utamanya yaitu variasi untuk perubahan tingkat abu-abu monoton dan efisiensi komputasi, membuatnya cocok dalam pengolahan gambar untuk keperluan analisis. Local Binary Pattern (LBP) didefinisikan sebagai ukuran tekstur grayscale invarian, berasal dari definisi umum tekstur di daerah sekitar.
Operator LBP dapat dilihat sebagai pendekatan kesatuan dengan model statistik dan struktur tradisional berbeda dari analisis tekstur. Secara sederhana, LBP adalah sebuah kode biner yang menggambarkan pola tekstur lokal. Hal ini dibangun dengan lingkungan batas dengan nilai abu-abu dari pusatnya (Ahonen, dkk., 2006).
Kelebihan lainnya adalah LBP ampuh untuk mendeskripsikan suatu tekstur, mempunyai daya pembeda yang akurat, dan juga mempunyai toleransi terhadap perubahan grayscale yang monotonic. Istilah biner dari LBP dimaksudkan sebagai representasi dari intensitas piksel tetangga terhadap piksel yang sedang diproses.
Sederhananya, LBP adalah sebuah kode biner yang mempresentasikan pola tekstur lokal. Kalkulasi dari LBP itu sendiri adalah membandingkan nilai intensitas piksel tengah dengan intensitas piksel sekelilingnya (piksel tetangga).
LBP pertama kali diperkenalkan oleh Timo Ojala. Operator LBP merupakan deskriptor tekstur yang menggunakan perbandingan nilai keabuan dari
piksel-piksel ketetanggaan. Operator dasar LBP berukuran 3x3 menggunakan 8 piksel-piksel ketetanggan in dari sebuah piksel tengah ic. Piksel ketetanggaan ke-n tersebut di-threshold menggunakan nilai keabuan dari piksel tengah seperti yang ditunjukkan pada Persamaan (2.6) dan fungsi thresholding s(x) seperti yang ditunjukkan pada Persamaan (2.7). Kode binary hasil operator LBP piksel ketetanggaan akan digunakan untuk merepresentasikan fitur dari piksel tengah ic (Nainggolan, 2012).
( ) = ∑ ( )
( )
( ) = {
( ) Gambar 2.4 merupakan ilustrasi dari proses LBP. Proses pertama adalah piksel ketetanggaan di-threshold menggunakan nilai keabuan dari piksel tengah dengan menggunakan Persamaan (2.7) sebagai fungsi thresholding jika hasilnya lebih besar atau sama dengan 0 maka diberi nilai 1 dan jika hasilnya kurang dari 0 maka diberi 0. Setelah itu, nilai biner piksel ketetanggaan akan disusun berlawanan arah jarum jam dan 8 bit biner tersebut dikonversi ke dalam nilai desimal untuk menggantikan nilai piksel tengah ic.
Gambar 2.4 Ilustrasi LBP
Kelebihan lain dari LBP adalah mudah diimplementasikan dan tingkat komputasinya lebih rendah sehingga tidak membutuhkan waktu yang lama dalam ekstraksi fitur.
2.9 Fuzzy k-Nearest Neighbour (Fuzzy k-NN)
Untuk mencocokkan fitur dorsal vein dari citra uji dan citra pada database digunakan metode Fuzzy k-NN. Konsep dasar dari metode ini adalah memberikan derajat keanggotaan sebagai representasi dari jarak k-Nearest Neighbour fitur citra dan keanggotaannya pada beberapa kemungkinan kelas (Keller dkk, 1985).
µ(x,yi) adalah nilai keanggotaan data x ke kelas yi, variabel k merupakan jumlah tetangga terdekat yang digunakan. Maka µ(xj,yi) merupakan nilai keanggotaan data tetangga dalam k tetangga pada kelas yi dimana nilainya 1 jika data latih xj memiliki kelas yi, untuk d(x,xj) adalah jarak dari data x ke data xj
dalam k tetangga terdekat, m merupakan scalling factor untuk nilai keanggotaan µ(x,yi). Untuk menghitung µ(x,yi), digunakan Persamaan (2.8) (Keller dkk, 1985).
( ) =∑ ∑( ) ( ) ( )
( ) ( ) (2.8)
Karena menggunakan metode fuzzy k-NN, setiap elemen dari data uji x akan diklasifikasikan ke dalam lebih dari satu kelas dengan nilai keanggotaan μ(x,yi).
Namun yang akan diambil sebagai kelas dari elemen x adalah kelas yi dengan nilai keanggotaan μ(x,yi) tertinggi.
2.10 Perhitungan Akurasi
Perhitungan akurasi digunakan untuk mengetahui sejauh mana sistem dapat mengenali citra dorsal hand dan menguji apakah metode yang digunakan sudah cukup baik. Perhitungan akurasi pada sistem Pengenalan Dorsal Hand Vein Menggunakan Local Binary Patterns (LBP) menggunakan rumus pada Persamaan (2.9).
=
(2.9)
2.11 Matlab (Matrix Laboratory)
MATLAB (Matrix Laboratory) adalah sebuah program untuk analisis dan komputasi numerik yang merupakan suatu bahasa pemrograman matematika
lanjutan yang dibentuk dengan dasar pemikiran menggunakan sifat dan bentuk matriks. Pada awalnya, program ini merupakan interface untuk koleksi rutin-numerik dari proyek LINPACK dan EISPACK, dan dikembangkan menggunakan bahasa FORTRAN namun sekarang merupakan produk komersial dari perusahaan Mathworks, Inc. yang dalam perkembangan selanjutnya dikembangkan menggunakan bahasa C++ dan assembler (utamanya untuk fungsi-fungsi dasar MATLAB).
MATLAB berisi toolbox yang berisi fungsi-fungsi tambahan untuk aplikasi khusus. MATLAB bersifat extensible, dalam arti bahwa seorang pengguna dapat menulis fungsi baru untuk ditambahkan pada library ketika fungsi-fungsi built-in yang tersedia tidak dapat melakukan tugas tertentu. Berikut ini beberapa fungsi pada MATLAB yang digunakan pada penelitian ini.
2.11.1 Imcrop
Imcrop merupakan fungsi pada MATLAB untuk melakukan cropping.
Cropping adalah memotong bagian tertentu dari citra sehingga diperoleh area citra yang akan diproses. Operasi ini pada dasarnya adalah operasi translasi, yaitu menggeser koordinat titik citra. Persamaan yang digunakan untuk operasi cropping adalah sebagai berikut:
(2.10) (xL, yT) dan (xR, yB), masing-masing adalah koordinat titik pojok kiri atas dan pojok kanan bawah bagian citra yang hendak di-crop. Adapun ilustrasi proses cropping dapat dilihat pada Gambar 2.5.
Gambar 2.5 Ilustrasi Proses Cropping x’=x-xLuntuk x=xL sampai xR
y’=y-yruntuk y=yT sampai yB
2.11.2 Imresize
Imresize merupakan suatu fungsi scaling atau penskalaan citra yang memberikan efek memperbesar atau memperkecil ukuran citra input sesuai dengan variabel penskalaan citranya. Ukuran baru hasil penskalaan didapat melalui perkalian antara ukuran citra input dengan variabel penskalaan (Putra, 2010). Rumus yang digunakan untuk proses scaling ditunjukkan pada Persamaan (2.11) dan Persamaan (2.12).
= (2.11)
= (2.12)
Dengan ( ) adalah ukuran citra input, ( ) adalah ukuran citra output dan ( ) adalah variabel penskalaan yang diinginkan. Jika variabel penskalaan bernilai lebih besar dari 1 maka hasil penskalaannya akan memperbesar ukuran citra, sebaliknya apabila variabel penskalaannya lebih kecil dari 1 maka hasilnya akan memperkecil ukuran citra. Gambar 2.6 merupakan ilustrasi proses resize.
Gambar 2.6 Ilustrasi Proses Resize
2.11.3 Adapthisteq
Adaptive Histogram Equalization (AHE) merupakan teknik perbaikan kekontrasan citra dengan meningkatkan kontras lokal citra. Lokal citra ini didapat dengan membentuk grid-grid simetris pada citra yang disebut dengan region size.
Struktur regional citra yang ditunjukkan pada Gambar 2.7 dibagi menjadi tiga, yaitu bagian yang berada di sudut citra ditandai dengan corner region (CR), bagian tepi kecuali CR ditandai dengan border region (BR) dan bagian lainnya yang berada di tengah ditandai dengan inner region (IR) .
Alasan dibedakannya struktur region size karena antara CR, BR dan IR memiliki karakteristik ketetanggaan yang berbeda. Cara mendapatkan nilai grey level baru untuk tiap region size dilakukan dengan menggunakan fungsi distributif kumulatif.
Gambar 2.7 Ilustrasi Struktur Region Size
Adapthisteq merupakan fungsi yang digunakan untuk meningkatkan kualitas citra yang memiliki kontras yang kurang baik atau range warna yang terbatas. Histogram hasil proses ekualisasi tidak akan seragam atau sama untuk seluruh intensitas. Teknik ini hanya melakukan distribusi ulang terhadap distribusi intensitas dari histogram awal.
Distribusi ulang terhadap histogram awal dilakukan dengan memetakan setiap nilai piksel pada histogram awal menjadi nilai piksel dengan menggunakan Persamaan (2.13).
( ) = ( *( ) ( )+ ) (2.13) Dengan n(g) adalah nilai piksel baru, N menyatakan banyaknya piksel pada citra, g menyatakan gray level awal yang nilainya 1, 2, …, L-1 (L menyatakan nilai gray level maksimum). Sedangkan c(g) menyatakan banyaknya piksel yang memiliki nilai sama dengan g atau kurang yang secara matematis dapat dilihat pada Persamaan (2.14) (Putra, 2010).
( ) = ∑ ( ) = (2.14)
2.11.4 Anisodiff2d
Anisodiff2d merupakan fungsi yang digunakan untuk melakukan smoothing khususnya pada bagian tepi citra tanpa mengurangi informasi penting dari bagian tepi citra. Gambar 2.8 menunjukkan citra hasil smoothing menggunakan anisotropic diffusion filter.
Gambar 2.8 Ilustrasi Proses Anisotropic Diffusion Filter (Perona dan Malik, 1990)
2.11.5 Imclose
Imclose merupakan fungsi operasi morfologi closing pada MATLAB.
Operasi morfologi closing merupakan kombinasi dimana suatu citra dikenai operasi dilasi dilanjutkan dengan erosi. Dilasi merupakan proses penggabungan titik latar menjadi bagian dari titik objek berdasarkan structuring element yang digunakan. Sedangkan erosi merupakan proses penggabungan titik objek menjadi bagian dari titik latar berdasarkan structuring element yang digunakan. Operasi closing juga cenderung akan memperhalus objek pada citra, namun dengan cara menyambung pecahan-pecahan (fuses narrow breaks and thin gulf) dan menghilangkan lubang-lubang kecil pada objek (Pontoh, 2016).
2.11.6 Imsubtract
Merupakan fungsi pengurangan yang digunakan untuk memperoleh objek citra yang diinginkan dengan cara mengurangkan citra hasil anisotropic diffusion filter dengan citra hasil operasi closing (Pontoh, 2016). Gambar 2.9 menunjukkan citra hasil subtract.
Gambar 2.9 Ilustrasi Proses Subtract
2.11.7 Imadjust
Imadjust merupakan fungsi normalisasi yang digunakan untuk memetakan nilai citra sehingga diperoleh citra dengan nilai intensitas yang baik. Dari hasil imadjust, dapat terlihat secara visual daerah objek dan background dari citra (Pontoh, 2016). Gambar 2.10 menunjukkan citra hasil normalisasi.
Gambar 2.10 Ilustrasi Proses Normalisasi 2.12 Flowchart
Flowchart adalah simbol-simbol pekerjaan yang menunjukkan bagian aliran proses yang terhubung. Jadi, setiap simbol flowchart melambangkan perkejaan dan instruksinya. Simbol-simbol flowchart adalah standar yang digunakan oleh American National Standard Institute Inc (eWolf Community, 2012).
Tabel 2.1 Simbol-simbol pada Flowchart masukan dan keluaran proses.
Simbol untuk
memutuskan
lanjutan dari kondisi tertentu
Simbol yang
menyatakan bagian dari program (sub-program)
Simbol database Simbol untuk
menghubungkan antar proses atau antar simbol
2.13 Pemodelan UML (Unified Modeling Language)
Unified Modeling Language (UML) adalah keluarga notasi grafis yang didukung oleh meta-model tunggal, yang membantu pendeskripsian dan desain sistem perangkat lunak, khususnya sistem yang dibangun menggunakan pemrograman berorientasi objek (Object Oriented).
Definisi ini merupakan definisi yang sederhana. Pada kenyataannya, pendapat orang–orang tentang UML berbeda satu sama lain. Hal ini dikarenakan oleh sejarahnya sendiri dan oleh perbedaan persepsi tentang apa yang membuat sebuah proses rancang–bangun perangkat lunak efektif (Fowler dan Martin, 2004).
2.13.1 Use Case Diagram
Use case atau use case diagram merupakan pemodelan untuk kelakuan sistem yang akan dibuat. Use case mendeskripsikan sebuah interaksi antara satu atau lebih aktor dengan sistem yang akan dibuat. Simbol-simbol yang ada pada use case diagram diberikan pada Tabel 2.2 (Sukamto dan Shalahuddin, 2013):
Tabel 2.2 Simbol-simbol pada Use Case Diagram Nama
Komponen Deskripsi Simbol
Use Case Fungsionalitas yang disediakan sistem sebagai unit-unit yang saling bertukar pesan antar unit atau actor Actor Orang, proses, atau sistem lain
yang berinteraksi dengan sistem yang akan dibuat di luar dari sistem itu sendiri.
Association Komunikasi antar actor dan use case yang berpartisipasi pada use case atau use case memiliki interaksi dengan actor.
Generalization Hubungan generalisasi dan spesialisasi (umum - khusus) antara dua buah use case dengan fungsi untuk menjalankan fungsinya atau sebagai syarat dijalankan use case ini.
Actor
<< include >>
2.13.2 Activity Diagram
Diagram aktivitas atau activity diagram menggambarkan workflow (aliran kerja) atau aktivitas dari sebuah sistem atau proses bisnis atau menu yang ada pada perangkat lunak. Diagram aktivitas sistem tidak menggambarkan aktivitas yang dilakukan aktor, namun menggambarkan aktivitas yang dapat dilakukan sistem.
Simbol-simbol yang ada pada activity diagram diberikan pada Tabel 2.3 (Sukamto dan Shalahuddin, 2013):
Tabel 2.3 Simbol-simbol pada Activity Diagram Nama
Komponen Deskripsi Simbol
Status Awal Status awal aktivitas sistem, sebuah diagram aktivitas memiliki sebuah status awal.
Aktivitas Aktivitas yang dilakukan sistem, aktivitas biasanya diawali dengan kata kerja.
Decision Asosiasi percabangan, jika terdapat lebih dari satu pilihan aktivitas.
Join Asosiasi penggabungan, lebih dari satu aktivitas digabungkan menjadi satu.
Status Akhir Status akhir yang dilakukan sistem, sebuah diagram aktivitas memiliki sebuah satus akhir.
2.13.3 Sequence Diagram
Sequence Diagram menggambarkan kelakuan objek pada use case dengan mendeskripsikan waktu hidup objek dan message yang dikirimkan dan diterima antar objek. Oleh karena itu, untuk menggambar diagram sekuen maka harus
aktivitas
diketahui objek-objek yang terlibat dalam sebuah use case beserta metode-metode yang dimiliki kelas yang diinstansiasi menjadi objek itu.
Simbol-simbol yang ada pada sequence diagram diberikan pada Tabel 2.4 (Sukamto dan Shalahuddin, 2013):
Tabel 2.4 Simbol-simbol pada Sequence Diagram Nama
Komponen Deskripsi Simbol
Aktor
Orang, proses atau sistem lain yang berinteraksi dengan sistem yang akan dibuat.
Garis hidup/
lifeline
Menyatakan kehidupan suatu objek.
Waktu Aktif
Menyatakan objek dalam keadaan aktif dan berinteraksi.
Pesan tipe call
Menyatakan objek yang memanggil operasi/metode yang ada pada objek lain atau pada objek itu sendiri.
Pesan tipe send
Menyatakan bahwa suatu objek mengirimkan data/masukan/
informasi ke objek lainnya.
Pesan tipe return
Menyatakan bahwa suatu objek telah menjalankan suatu operasi.
2.14 Metodologi Pengembangan Sistem
RUP (Rational Unified Process) adalah pendekatan pengembangan perangkat lunak yang dilakukan berulang-ulang (iterative), fokus pada arsitektur (architecture-centric), serta lebih diarahkan berdasarkan penggunaan kasus (use case driven). RUP merupakan proses rekayasa perangkat lunak dengan
nama aktor
1: nama_metode ()
1: masukan
1: keluaran
pendefinisian yang baik (well defined) dan penstrukturan yang baik (well structured). Adapun 4 tahapan kerja dari RUP sebagai berikut (Sukamto dan Shalahuddin, 2013):
1. Fase Inception (Permulaan)
Pada tahap ini dilakukan pemodelan proses bisnis yang dibutuhkan (business modeling) dan pendefinisian kebutuhan sistem yang akan dibuat (requirements).
2. Fase Elaboration (Perluasan/Perencanaan)
Pada tahap ini dilakukan pengecekan terhadap arsitektur sistem yang diinginkan, dan terhadap kemungkinan resiko yang terjadi dari arsitektur yang dibuat. Tahap ini lebih memfokuskan pada analisis dan desain sistem serta implementasi sistem yang masih berupa prototype.
3. Fase Construction (Konstruksi)
Tahap ini difokuskan pada pengembangan komponen dan fitur-fitur sistem.
Pada tahap ini lebih memfokuskan pada implementasi dan pengujian sistem yang berupa implementasi perangkat lunak pada kode program.
4. Fase Transition (Transisi)
Tahap ini lebih difokuskan pada deployment atau instalasi sistem agar dapat dimengerti oleh user. Aktivitas pada tahap ini meliputi pelatihan user, pemeliharaan sistem serta pengujian sistem untuk mengetahui jika sistem telah sesuai dengan harapan user.
2.15 PNG (Portable Network Graphics)
PNG memiliki sifat transparansi yang baik dan juga kualitas citra yang dihasilkan cukup detail dan tidak pecah-pecah. PNG mampu mengkompresi citra dari proses fotografi tanpa banyak mengurangi kualitas citra.
PNG mendukung 24-bit RGB, CMYK dan 8-bit grayscale. File PNG cocok digunakan untuk :
1. Gambar yang memiliki banyak warna, misalnya foto wajah dan pemandangan.
2. Gambar yang memiliki gradien, misalnya perubahan warna yang perlahan-lahan dari merah ke biru.
Format gambar PNG cocok digunakan pada penelitian pengenalan dorsal hand vein (pembuluh darah pada punggung tangan) dengan menerapkan metode Local Binary Patterns (LBP) karena format PNG memiliki kualitas gambar yang baik dengan ukuran yang cukup kecil sehingga sangat mempengaruhi kecepatan pemrosesan.
27 BAB III
METODE PENELITIAN
3.1 Prosedur dan Pengumpulan Data
Studi kepustakaan digunakan untuk mengumpulkan data. Kegiatan dilakukan dengan mengumpulkan bahan-bahan yang berkaitan dengan penelitian yang berasal dari jurnal-jurnal ilmiah, literatur-literatur serta publikasi-publikasi lain yang layak dijadikan sumber.
Untuk kebutuhan penelitian ini, digunakan sampel citra dorsal hand vein yang berasal dari hasil akuisisi dorsal hand dari 50 orang dengan masing-masing orang 3 citra sampel menggunakan kamera webcam inframerah. Citra dorsal hand tersebut merupakan citra punggung tangan kanan karena umumnya tangan kanan lebih sering digunakan dibandingkan dengan tangan kiri, sehingga pembuluh darah pada tangan kanan nampak lebih jelas.
3.2 Metode Pengembangan Perangkat Lunak
Metode pengembangan perangkat lunak untuk penelitian ini menggunakan metode Rational Unified Process (RUP) yaitu:
1. Inception (Permulaan)
Pada tahap ini dilakukan proses pengidentifikasian aplikasi, dilakukan dengan analisis kebutuhan akan aplikasi, melakukan kajian terhadap penelitian yang meliputi teknik akuisisi citra, pengenalan pola pembuluh darah, metode Local Binary Patterns (LBP) dan perhitungan jarak Euclidean Distance.
2. Elaboration (Perluasan/Perencanaan)
Pada tahap Elaboration dilakukan proses analisis yaitu tahap ditentukan Unified Modeling Language (UML) yang terdiri dari diagram use case, diagram activity dan analisis metode yang digunakan yaitu Local Binary Patterns (LBP).
Pada tahap ini dilakukan juga desain arsitektur aplikasi.
3. Construction (Konstruksi)
Pada tahap ini dilakukan membangun perangkat lunak secara utuh, mulai dari interface aplikasi dan coding yang dimulai dari akuisisi citra, cropping, konversi citra ke grayscale, resize, median filter, ekstraksi fitur, buat database hingga pengenalan pola dorsal hand vein dengan menggunakan MATLAB.
4. Transition (Transisi)
Fase transition difokuskan untuk melakukan proses penerapan, untuk memastikan sistem sudah bekerja dengan baik di lingkungan pengguna. Dalam penenlitian ini, sistem dipakai untuk melakukan pengujian terhadap aplikasi serta memperbaiki segala masalah yang muncul selama pengujian.
3.3 Waktu Penelitian
Adapun waktu penelitian diuraikan pada Tabel 3.1.
Tabel 3.1 Waktu Penelitian
No Judul Kegiatan Waktu (2016-2017)
Nov Des Jan Feb Mar
1 Inception 2 Elaboration 3 Construction 4 Transition
29
BAB IV
ANALISIS DAN PERANCANGAN
4.1 Perancangan Unified Modeling Language (UML) 4.1.1 Use Case Diagram
Adapun tampilan diagram use case dari sistem Pengenalan Dorsal Hand Vein Menggunakan Local Binary Patterns (LBP) ditunjukkan pada Gambar 4.1.
Gambar 4.1 Use Case Diagram Sistem Pengenalan Dorsal Hand Vein Menggunakan Local Binary Patterns (LBP)
Berdasarkan Gambar 4.1 sistem pada penelitian ini menyediakan 9 menu utama yaitu menu Aktifkan Webcam, Ambil Citra, Simpan Citra, Masukkan Citra, Crop Citra, Preprocessing, Ekstraksi Fitur, Buat Database dan Pengenalan. Menu
Aktifkan Webcam digunakan untuk mengaktifkan webcam yang akan digunakan untuk mengambil citra, menu Ambil Citra digunakan untuk mengakuisisi citra, menu Simpan Citra digunakan untuk menyimpan citra hasil akuisisi ke dalam folder, menu Masukkan Citra digunakan untuk memasukkan citra dari folder citra ke dalam aplikasi, menu Crop Citra digunakan untuk memotong citra sesuai dengan area yang akan diproses, menu Preprocessing digunakan untuk mengolah citra yang telah dimasukkan ke dalam aplikasi sebelum dilakukan ekstraksi fitur, menu Ekstraksi Fitur menggunakan metode Local Binary Patterns (LBP) untuk memperoleh nilai fitur dari citra, menu Buat Database digunakan untuk menyimpan nilai fitur citra ke dalam database, menu Pengenalan digunakan untuk melakukan pengenalan citra dengan database yang telah dibuat sebelumnya.
4.1.2 Activity Diagram
4.1.2.1 Activity Diagram Aktifkan Webcam
Gambar 4.2 merupakan aktivitas untuk menampilkan visualisasi yang ditangkap oleh webcam. Untuk menampilkan visualisasi yang ditangkap oleh webcam, user harus memilih menu Aktifkan Webcam kemudian sistem akan menampilkan hasil visualisasi yang ditangkap oleh kamera webcam.
Gambar 4.2 Activity Diagram Aktifkan Webcam
4.1.2.2 Activity Diagram Ambil Citra
Gambar 4.3 merupakan aktivitas untuk melakukan akuisisi citra dari webcam. Untuk melakukan akuisisi citra, sebelumnya user memilih menu Ambil Citra kemudian sistem akan mengakuisisi citra yang ditangkap oleh kamera
Gambar 4.3 merupakan aktivitas untuk melakukan akuisisi citra dari webcam. Untuk melakukan akuisisi citra, sebelumnya user memilih menu Ambil Citra kemudian sistem akan mengakuisisi citra yang ditangkap oleh kamera