IMPLEMENTASI DAN PENGUJIAN
3 Halaman Data Uj
4.4. Prosedur Operasional
4.4.1. Prosedur operasional pada halaman pelatihan citra
Hal pertama yang dilakukan pengguna sebelum menjalankan proses training data adalah peng-input-an data informasi mengenai tanaman dari citra daun yang akan dilatih. User harus meng-klik tombol “Add” untuk mengisi informasi mengenai tanaman dari daun yang akan dilatih ditunjukkan pada gambar 4.4.
Gambar 4.4. Tombol “Add” pada halaman training data
Kotak dialog untuk meng-input data akan muncul ketika tombol “Add” telah di klik seperti yang ditunjukkan pada gambar 4.5.
'
“Delete” akan aktif untuk memungkinkan user memperbaharui maupun menghapus informasi tanaman yang telah di input. Setelah itu, user harus memasukkan gambar tanaman dari citra daun yang akan dilatih dengan meng-klik tombol “Get Image”. Ketika gambar telah di input, maka tombol “Get Image” akan terkunci dan tombol “Preview” serta “Delete” menjadi aktif sehingga memungkinkan user untuk melihat dan menghapus gambar tanaman yang telah di input. Selanjutnya, user harus memilih file citra daun citra daun yang akan dilatih dengan meng-klik tombol “Get Images”. Kotak dialog untuk memilih file citra akan ditampilkan ketika user meng-klik tombol “Get Images” dan tombol “Preview” serta “Delete” akan aktif ketika file telah dipilih yang memungkinkan user untuk melihat dan menghapus daftar citra daun yang telah di input. Tampilan halaman training data dengan data yang telah di input ditunjukkan pada Gambar 4.6.
Gambar 4.6. Halaman data training setelah pengisian data
Kotak dialog untuk memilih gambar tanaman dan citra daun ditunjukkan pada Gambar 4.7.
53
Gambar 4.7. Kotak dialog yang muncul setelah tombol “Browse” di klik
Jendela baru setelah tombol “Preview” di klik pada panel Tree Image dapat dilihat pada Gambar 4.8.
Gambar 4.8. Jendela baru yang muncul setelah tombol “Preview” pada panel tree image di klik
Jendela baru setelah tombol “Preview” di klik pada panel Tree Image dan Leaf Image Training dapat dilihat pada Gambar 4.9.
Gambar 4.9. Jendela baru yang muncul setelah tombol “Preview” pada panel leaf image training di klik
4.4.2. Prosedur operasional pada halaman pengujian citra
Hal pertama yang dilakukan pengguna sebelum menjalankan proses testing data adalah peng-input-an data citra yang akan diuji. Oleh karena itu, user harus memilih file citra dengan meng-klik tombol “Browse”. Kotak dialog untk memilih file citra akan ditampilkan ketika user meng-klik tombol “Browse” yang ditunjukkan pada Gambar 4.10. User dapat menghapus citra yang telah dipilih dengan meng-klik tombol “Reset”.
55
Tombol “Classify” memiliki fungsi untuk memproses citra daun yang dipilih dimulai dari proses grayscaling, Gaussian, thresholding, ekstraksi fitur, hingga identifikasi menggunakan radial basis function (RBF). Tampilan halaman pengujian citra setelah tombol “Classify” diklik dapat dilihat pada Gambar 4.11.
Gambar 4.11. Tampilan halaman pengujian setelah tombol ”Classify” di klik Hasil dari proses grayscaling, Gaussian dan thresholding akan ditampilkan ketika user meng-klik label masing-masing proses pada panel bagian kanan yang ditunjukkan pada gambar 4.12.
bawah bagian “Ekstraksi Fitur”. Hasil pengujian citra ditampilkan pada panel kanan bawah bagian “Result”. Jendela baru berisikan output dan informasi mengenai output tersebut akan ditampilkan ketika panel Result di klik yang ditunjukkan pada Gambar 4.13.
Gambar 4.13. Tampilan jendela baru setelah panel “Result” diklik 4.5. Pengujian Citra
Pada proses pengujian aplikasi, data yang akan digunakan sebagai input berjumlah 25 citra daun yang terdiri atas 5 citra daun tanaman Horse Chestnut, 5 citra daun tanaman Pubescent Bamboo, 5 citra daun tanaman True Indigo, 5 citra daun tanaman Ginkgo dan 5 citra daun tanaman Japanese Cheesewood.
Proses pengujian dimulai dengan pemilihan citra daun dan dilanjutkan dengan proses pre-processing, yaitu proses pembetukan citra keabuan (grayscaling), penghalusan citra (gaussian) dan segmentasi citra (thresholding) saat tombol “Classify” di klik. Nilai thresholding akan digunakan sebagai nilai input awal proses ekstrasi fitur menggunakan invariant moment dimana akan menghasilkan 7 nilai deskriptor bentuk yang bebas dari translasi, rotasi dan skala objek. Setelah nilai invariant moment didapatkan, akan dilakukan proses klasifikasi menggunakan jaringan saraf tiruan Radial Basis Function yang diawali dengan penentuan nilai awal centroid secara acak dan dilanjutkan dengan penghitungan jarak data menggunakan metode Euclidean Distance lalu nilai centroid
57
akan diperbaharui dengan mencari nilai mean dari setiap kelompok. Tahap selanjutnya yaitu pengelompokan data sesuai cluster yaitu data yang memiliki jarak terpendek d( , < d( , maka masuk kedalam kelompok 1. Proses ini akan dilakukan secara berulang hingga nilai centroid tidak mengalami perubahan.
Setelah proses pencarian nilai centroid terbaik selesai, proses dilanjutkan dengan melakukan pencarian nilai matriks gaussian. Kemudian dilakukan proses penghitungan nilai output jaringan sesuai dengan vektor target yang telah ditentukan. Tabel target ouput dapat dilihat pada tabel 4.4.
Tabel 4.4. Target output
Target Output 1 0 0 0 0 Horse Chestnut 0 1 0 0 0 Pubescent Bamboo 0 0 1 0 0 True Indigo 0 0 0 1 0 Ginkgo 0 0 0 0 1 Japanese Cheesewood
Waktu yang dibutuhkan sistem untuk melakukan proses identifikasi sebuah citra pada penelitian ini selama kurang dari 10 detik setelah tombol “Classify” di klik. Hasil pengujian citra daun dapat dilihat pada tabel 4.5.
Tabel 4.5. Hasil pengujian
No Nama Daun Hasil Aplikasi Manual Status
1 1062.jpg Pubescent
Bamboo
Horse Chestnut Gagal 2 1075.jpg Horse Chestnut Horse Chestnut Berhasil 3 1087.jpg Horse Chestnut Horse Chestnut Berhasil 4 1097.jpg Horse Chestnut Horse Chestnut Berhasil
5 1099.jpg Pubescent
Bamboo
Horse Chestnut Gagal 6 1006.jpg Pubescent Bamboo Pubescent Bamboo Berhasil 7 1014.jpg Pubescent Bamboo Pubescent Bamboo Berhasil
No Nama Daun Hasil Aplikasi Manual Status 8 1018.jpg Pubescent Bamboo Pubescent
Bamboo
Berhasil 9 1024.jpg Pubescent Bamboo Pubescent
Bamboo
Berhasil 10 1031.jpg Pubescent Bamboo Pubescent
Bamboo
Berhasil 11 1200.jpg True Indigo True Indigo Berhasil
12 1213.jpg Japanese
Cheesewood
True Indigo Gagal 13 1219.jpg True Indigo True Indigo Berhasil 14 1223.jpg True Indigo True Indigo Berhasil 15 1233.jpg True Indigo True Indigo Berhasil
16 2430.jpg Ginkgo Ginkgo Berhasil
17 2443.jpg Ginkgo Ginkgo Berhasil
18 2454.jpg Ginkgo Ginkgo Berhasil
19 2458.jpg Ginkgo Ginkgo Berhasil
20 2470.jpg Ginkgo Ginkgo Berhasil
21 2068.jpg Japanese Cheesewood Japanese Cheesewood Berhasil 22 2084.jpg Japanese Cheesewood Japanese Cheesewood Berhasil 23 2095.jpg Japanese Cheesewood Japanese Cheesewood Berhasil 24 2105.jpg Japanese Cheesewood Japanese Cheesewood Berhasil 25 2109.jpg Japanese Cheesewood Japanese Cheesewood Berhasil
Pada penelitian ini, hasil uji data pada tools klasifikasi tanaman menggunakan metode Radial Basis Function (RBF) menggunakan citra daun didapatkan persentase akurasi dalam proses pengklasifikasian tanaman sebesar 88% . Hasil dari nilai persentase akurasi klasifikasi citra dapat dilihat pada persamaan 4.1.
59
� = ℎ ℎ � ℎ %
= % = %
Dari hasil pengujian, error terjadi karena beberapa faktor seperti, bentuk daun yang mirip dan citra tulang daun yang kurang jelas. Jumlah data training dan hidden layer juga menjadi salah satu faktor yang mempengaruhi akurasi sistem.
BAB 5