BAB 3 ANALISIS DAN DESAIN PENELITIAN
F. Pengujian (Testing)
3.5. Penjelasan Proses
3.5.1. Baca Data
Proses baca data merupakan proses awal pada kedua proses utama. Proses baca data yang terdapat pada proses pengujian merupakan proses membaca data dari 105 data citra uang yang sudah disiapkan pada suatu folder. Data citra yang dibaca merupakan data citra dengan dimensi 2560piksel x 1920piksel. Proses baca data pada proses identifikasi merupakan proses baca untuk satu data citra yang dipilih oleh user yang akan dijadikan data yang ingin diidentifikasi nilai nominalnya.
Proses baca data dilakukan menggunakan fungsi imread() yang terdapat pada program matlab. Proses baca data akan membaca data gambar dengan format joint photographic experts group (.jpg/.jpeg) dan mengubahnya menjadi data matriks berskala 8 bit pada matlab. Data matriks yang dihasilkan masih berupa data citra berwarna yang memiliki 3 layer, yaitu layer Red, Green dan Blue.
3.5.2. Pre-processing
Setelah dilakukan proses baca data, maka langkah selanjutnya adalah melakukan Pre-processing pada setiap data. Terdapat 2 proses pada tahap pre-processing yaitu proses resize dan proses grayscaling. Hasil dari pre-processing adalah citra baru yang memiliki skala keabuan dan dimensi matrik berjumlah baris 192 dan kolom 256. Jumlah dimensi matrik berjumlah baris 192 dan kolom 256 dipilih supaya untuk mempercepat proses komputasi dan tidak merubah perbandingan dimensi baris dan kolom pada citra asli. Jumlah baris 192 dan kolom 256 ditentukan berdasarkan 10% dari jumlah baris dan kolom pada citra asli.
Pada penelitian ini terdapat 2 kali percobaan pada proses resize dalam tahap pengujian, yaitu resize dengan menggunakan dimensi matriks baris 65 dengan kolom 160 dan dimensi matriks baris 192 dan kolom 256. Percobaan ini dilakukan untuk mengetahui apakah proses pre-processing tahap resize berpengaruh pada akurasi dalam proses pengujian. Berikut merupakan ilustrasi perubahan dari proses pre-processing :
Berdasarkan gambar 3.12. dijelaskan bahwa proses pre-processing yang dilakukan pada tahap grayscaling dilakukan dengan menggunakan fungsi rgb2gray() pada matlab, Sedangkan pada tahap Resize menggunakan fungsi resize() pada matlab. Setelah dilakukan proses baca data, proses selanjutnya yang akan dilakukan adalah mengenakan setiap data dengan proses ekstraksi ciri Local Binary Pattern.
Citra Asli Citra Grayscale Citra Hasi Resize Resize
Grayscaling
3.5.3. Ekstraksi Ciri Local Binary Pattern (LBP)
Setelah data siap untuk diproses, maka langkah selanjutnya adalah melakukan proses ekstraksi ciri. Ekstraksi ciri yang digunakan adalah ekstraksi ciri Local Binary Pattern. Proses Ekstraksi ciri ini menghasilkan matriks citra baru dengan satu layer atau berskala keabuan. Pada penelitian ini warna pada layar tidak mempengaruhi hasil ekstraksi ciri local binary pattern, hal ini disebabkan ekstraksi ciri yang digunakan merupakan ekstraksi ciri dalam bentuk tekstur pada skala keabuan.
Berikut adalah pseudocode untuk menjelaskan algoritma local binary pattern : 1. Mulai
2. Baca data citra (citra berskala keabuan) 3. k=kolom,b=baris
4. i=2, Selama i < j lakukan langkah 5 sampai 15 5. j=2, Selama j < k lakukan langkah 6 sampai 6. val=0;
7. Jika gambar pada piksel baris i-1 dan kolom j-1 lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+1
8. Jika gambar pada piksel baris i-1 dan kolom j lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+2
9. Jika gambar pada piksel baris i-1 dan kolom j+1 lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+4
10. Jika gambar pada piksel baris i dan kolom j+1 lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+8
11. Jika gambar pada piksel baris i+1 dan kolom j+1 lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+16
12. Jika gambar pada piksel baris i+1 dan kolom j lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+32
13. Jika gambar pada piksel baris i+1 dan kolom j-1 lebih dari sama dengan gambar pada piksel baris i dan kolom j, maka val=val+64
gambar pada piksel baris i dan kolom j, maka val=val+128 15. Gambarbaru pada piksel baris i dan kolom j adalah val. 16. j=j+1
17. i=i+1; 18. Selesai
Setelah dilakukan ekstraksi ciri dengan algoritma di atas, didapatlah hasil citra baru hasil ekstraksi ciri local binary pattern. Pada Gambar 3.13 merupakan ilustrasi perubahan dari proses local binary pattern.
3.5.4. Pembuatan Histogram
Setelah didapatkan citra baru hasil ekstraksi ciri local binary pattern, selanjutnya dilakukan pembuatan histogram pada citra baru yang akan dijadikan ciri dari citra tersebut. Histogram pada penelitian ini adalah jumlah data pada suatu intensitas cahaya pada tiap piksel citra hasil ekstraksi ciri local binary pattern yang bernilai dari 0 hingga 255. Pada Gambar 3.14. merupakan contoh representasi histogram hasil ekstraksi ciri local binary pattern :
Ekstraksi ciri LBP
Citra Grayscale Hasil Ekstraksi ciri
Gambar 3.13. Ilustrasi Hasil Proses Ekstraksi ciri LBP
Pada Gambar 3.14. sumbu x menerangkan intensitas cahaya dari 0 hingga 255, sedangkan sumbu y menerangkan banyaknya jumlah intensitas cahaya pada suatu objek citra. Pembuatan histogram menggunakan fungsi imhist() pada matlab. Berdasarkan gambar histogram pada Gambar 3.14, dapat dihasilkan vector berupa histogram hasil ekstraksi ciri citra. Pada Gambar 3.15. merupakan gambar vector untuk ciri histogram Gambar 3.14.
Gambar 3.15. Data Ciri Vektor Citra
Pada Gambar 3.15. Vektor ciri pada citra uang pada Gambar 3.14. hanya ditampilkan pada intensitas 0 – 22 dari yang sebenarnya terdapat ciri pada intensitas 0 – 255.
3.5.5. 3 fold Crossvalidation
Pengujian dilakukan untuk mengetahui seberapa baik kinerja alat uji. Pada penelitian ini digunakan metode pengujian 3 fold cross validation. Pengujian dilakukan untuk semua data citra uang kertas. 3 fold cross validation melakukan pembagian 105 data uang menjadi 3 bagian yaitu firstfold, secondfold dan thirdfold yang masing-masing memiliki 35 data. Kelompok data yang sudah dibagi menjadi 3 label selanjutnya dijadikan sebagai data training dan data testing. Bersumber dari data tersebut 2 kelompok data yang berjumlah 70 data untuk data training dan 1 kelompok yang berjuamlah 35 data untuk data testing. Setelah itu dilakukan iterasi sebanyak 3 kali. Pada setiap iterasi dilakukan pertukaran antara data training dan data testing. Iterasi pertama firstfold menjadi datatesting sementara itu secondfold dan thirdfold menjadi datatraining, Iterasi kedua secondfold menjadi datatesting sementara itu firstfold dan thirdfold menjadi datatraining, Iterasi ketiga thirdfold menjadi datatesting sementara itu firstfold dan secondfold menjadi datatraining. Proses crossvalidation ini menghasilkan 3 kelompok hasil pengujian nilai nominal uang dengan masing-masing nilai akurasi yang dihasilkan.
3.5.6. Hitung Jarak
Proses perhitungan jarak dilakukan untuk mengetahui jarak atau kemiripan suatu ciri uang pada datatesting dengan ciri uang pada datatraining. Perhitungan jarak dilakukan dengan metode Eulidean Distance. Ciri yang digunakan untuk setiap citra merupakan data histogram ekstraksi ciri Local Binary Pattern.
3.5.7. Klasifikasi dengan Metode k-NN
Proses klasifikasi dilakukan dengan tujuan menentukan kelas dari suatu objek yaitu gambar uang. Terdapat 7 pembagian kelas dalam penelitian ini yaitu kelas 1000, 2000, 5000, 10000, 20000, 50000, dan 100000. Klasifikasi menggunakan metode
(3.16.) k-Nearest Neighbor, dengan nilai k yang merupakan masukan (input) oleh user. Berikut adalah pseudocode untuk menjelaskan algoritma k-nearest neighbor :
1. Mulai
2. Masukan berupa kumpulan jarak kemiripan uang 3. Urutkan jarak dari yang terdekat sampai terjauh 4. Ambil k nilai jarak terdekat
5. Hitung jumlah dari setiap hasil klasifikasi
6. Pilih hasil klasifikasi terbanyak sebagai hasil dari k-nn 7. Selesai
3.5.8. Menghitung Akurasi Testing
Terdapat 3 kali pengujian pada penelitian ini karena menggunakan metode pengujian 3 fold cross validation. Akurasi dari setiap pengujian dapat dihitung dari jumlah klasifikasi terhadap nilai nominal uang pada setiap datatesting yang bernilai benar. Untuk menghitung akurasi dapat menggunakan rumus matematis pada rumus 3.16.
Akurasi=Ʃ Jumlah klasifikasi benar X100% Ʃ Jumlah citra uang
3.5.9. Penentuan Model untuk Identifikasi
Pada tahap pengujian akan dilakukan dengan metode pengujian 3 fold cross validation. Pengujian ini akan menghasilkan 3 kelompok hasil pengujian nilai nominal uang dengan masing-masing nilai akurasi yang dihasilkan. Model untuk identifikasi dipilih berdasarkan datatraining yang memiliki nilai akurasi tertinggi pada 3 kali tahap pengujian 3 fold cross validation.
3.5.10. Menghitung Rata-Rata Akurasi
Proses pengujian pada penelitian ini menghasilkan 3 nilai akurasi dari 3 kelompok pengujian. Nilai akurasi tersebut dihitung rata-ratanya lalu dijadikan nilai akurasi untuk pengujian Identifikasi Nilai Nominal Uang Kertas dengan ciri Metode Local Binary Pattern (LBP). Rata-rata akurasi dihitung dengan rumus pada rumus 3.17.
3.5.11. Menghitung Waktu Pengujian
Setiap proses pada penelitian ini menghabiskan sejumlah waktu tertentu. Waktu yang dibutuhkan dalam melakukan proses pengujian dihitung mulai dari proses membaca data dan berakhir pada saat proses menghitung rata-rata akurasi. Perhitungan waktu ini dilakukan menggunakan fungsi tic dan toc yang terdapat pada matlab.
3.5.12. Load Model untuk Identifikasi
Pada tahap pengujian telah didapatkan datatrain terbaik. Datatrain tersebut akan dijadikan model sebagai landasan untuk melakukan identifikasi uang pada proses Identifikasi.
3.5.13. Load Suara Hasil Identifikasi
Setelah didapat hasil identifikasi uang yang dilakukan pada proses klasifikasi dengan metode k-NN, maka tahap selanjutnya adalah memutar suara berdasarkan hasil identifikasi tersebut. Proses load hasil suara menggunakan fungsi audioread pada matlab.
Akurasi 1 + Akurasi 2 + Akurasi 3 3
3.5.14. Menghitung Waktu Identifikasi
Setiap proses pada penelitian ini menghabiskan sejumlah waktu tertentu. Waktu yang dibutuhkan dalam melakukan proses identifikasi dihitung mulai dari proses membaca data dan berakhir pada saat proses Load Suara Hasil Identifikasi. Perhitungan waktu ini dilakukan menggunakan fungsi tic dan toc yang terdapat pada matlab.