PENGEMBANGAN DAN IMPLEMENTASI LEARNING VECTOR QUANTIZATION (LVQ) PADA APLIKASI PENGENALAN JENIS
RICIKAN KERIS JAWA BERBASIS SMARTPHONE
Skripsi
Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer
Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif Hidayatullah Jakarta
Oleh : Firliza Razuna
109091000090
PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA
ii | P a g e PENGEMBANGAN DAN IMPLEMENTASI LEARNING VECTOR QUANTIZATION (LVQ) PADA APLIKASI PENGENALAN JENIS
RICIKAN KERIS JAWA BERBASIS SMARTPHONE
Skripsi
Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer
Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif Hidayatullah Jakarta
Oleh : Firliza Razuna
109091000090
PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA
v | P a g e
PERNYATAAN
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-BENAR
HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKANSEBAGAI SKRIPSI
ATAU KARYA ILMIAH PADA PERGURUAN TINGGI ATAU LEMBAGA
MANAPUN.
Jakarta, April 2014
vi | P a g e ABSTRAK
Firliza Razuna, Pengembangan dan Implementasi Learning Vector Quantization (LVQ) pada Aplikasi Pengenalan Ricikan Keris Jawa berbasis Smartphone, dibimbing oleh A. Hanifa Setyaningrum, M.Si dan Victor Amrizal, M.Kom.
Keris merupakan salah satu bukti sejarah yang menggambarkan budaya Indonesia dan memiliki unsur seni yang tinggi. Sedikitnya pengetahuan pemuda Indonesia sekarang ini akan sebuah Keris dapat menjadi salah satu penyebab yang dapat mengakibatkan hilangnya budaya Keris dari Indonesia bahkan akan terjadi hak kepemilikan Keris oleh bangsa lain. Ricikan menjadi suatu bagian dari keris dimana banyak masyarakat banyak yang tidak mengetahui jenisnya. Jenis Ricikan dapat dikenali dan diidentifikasi dengan salah satu metode pengenalan pola yaitu Learning Vector Quantization (LVQ). Sebelum proses pengenalan pola, gambar dari Ricikan akan diolah dengan menggunakan library OpenCV. Dari masalah diatas, penulis akan mengembangkan sebuah aplikasi berbasis smartphone yang dapat mengenalkan Keris Jawa kepada masyarakat dan mengenali serta mengidentifikasi jenis Ricikan dari Keris Jawa itu sendiri.
Kata Kunci : LVQ, Learning Vector Quantization,Jaringan Syaraf Tiruan, Ricikan, Keris Jawa, OpenCV dan Smartphone Daftar Pustaka : 22 (Tahun 2002 - Tahun 2013)
vii | P a g e
KATA PENGANTAR
Bismillaahirrahmaanirrahiim,
Segala puji dan syukur penulis panjatkan kehadirat Allah SWT atas segala karunia, rahmat dan kekuatan, juga segala petunjuk dan kemudahan sehingga penulis dapat menyelesaikan penulisan skripsi ini dengan sebaik-baiknya. Shalawat serta salam tak lupa penulis haturkan kepada junjungan kita Nabi besar Muhammad SAW, para sahabat, keluarga serta muslimin dan muslimat, semoga kita mendapatkan syafa’at-Nya di akhirat kelak. Aamiin.
Skripsi ini berjudul “Pengembangan dan Implementasi Learning Vector Quantization (LVQ) pada Aplikasi Pengenalan Jenis Ricikan Keris Jawa berbasis Smartphone”, yang disusun untuk memenuhi salah satu syarat dalam menyelesaikan program S1 pada Program Studi Teknik Informatika di Universitas Islam Negeri Syarif Hidayatullah Jakarta.
Penulis menyadari bahwa Skripsi ini tidak dapat terselesaikan tanpa bantuan dari pihak lain. Oleh karena itu, izinkanlah penulis mengucapkan “terima
kasih” kepada semua pihak yang telah membantu dalam penulisan Skripsi ini,
terutama kepada:
1. Kedua Orang Tua Penulis yang tidak henti-hentinya selalu memberikan semangat dan dukungan baik dalam bentuk do’a, materi
serta kasih sayang yang melimpah.
viii | P a g e 3. Ibu Nurhayati P.hD, selaku Ketua Program Studi Teknik Informatika
Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta.
4. Ibu A.Hanifa Setyaningrum, M.Si dan Bapak Victor Amrizal, M.Kom., selaku dosen pembimbing yang senantiasa sabar dan selalu memberikan semangat, arahan dan bimbingan yang bermanfaat dalam proses penyusunan skripsi ini.
5. Sahabat Teknik Informatika 2009 terutama TIB 2009. Terima kasih untuk kebersamaan dan kerjasama yang terjalin selama menimba ilmu di Universitas Islam Negeri Syarif Hidayatullah Jakarta.
6. Lukmanul Hakim, S.Kom. Terima kasih untuk waktu yang habis untuk penulis, ilmu yang udah banyak disalurin ke penulis dan perhatian yang mungkin sedikit tapi berarti banyak untuk penulis. 7. Semua pihak yang terlibat secara langsung maupun tidak langsung
membantu penulis dalam menyelesaikan Skripsi ini.
Akhir kata penulis mengharapkan mudah-musahan Skripsi ini dapat dipahami dan bermanfaat bagi mahasiswa/i Fakultas Sains dan Teknologi di Universitas Islam Negeri Syarif Hidayatullah Jakarta dan semua pihak serta dapat menambah wacana pembaca.
Wallahulmuafiq Illa Aqwamith Thariq Qassalamu’alaikum Wr. Wb.
Jakarta, 22 April 2014
ix | P a g e PERSEMBAHAN
Syukur Alhamdulillahirabbil’Alamiin, segala puja dan puji bagi Allah SWT atas segala nikmat serta limpahan rahmat dan hidayah-Nya, sehingga Skripsi ini dapat terselesaikan. Sholawat dan salam semoga tetap terlimpahkan kepada Nabi Muhammad SAW, beserta keluarga dan para sahabatnya.
Dengan terselesaikannya Skripsi ini, penulis persembahkan untuk kedua orang tua penulis, Mama dan Ayah, Hj. Nur Andayani dan Drs. H. Tarmizi yang selalu ikhlas mendo’akan, mengorbankan tenaga, pikiran, memberi dukungan dan nasihat pada penulis demi kesuksesan penulis.
Penulis persembahkan pula untuk adik-adik tersayang, Raihan Sururi dan Muhamad Rafif semoga kelak menjadi orang yang berguna di dunia dan akhirat, dan teruslah merasa haus dalam menuntut ilmu.
Tidak lupa pula penulis persembahkan untuk semua sahabat TIB 2009 yang telah menemani, memberikan saran dan semangat kepada penulis dalam menyelesaikan kuliah S1 di Universitas Islam Negeri (UIN) Syarif Hidayatullah Jakarta. Terima kasih untuk semua kenangan terindah yang kalian berikan. Terima kasih untuk waktu yang selalu kalian luangkan untuk berkumpul, bercerita dan berbagi suka maupun duka. Terima kasih atas segalanya dan semoga silaturrahmi kita selalu terjaga. You always be my best and my lovely friends ever, thank you so
x | P a g e DAFTAR ISI
Halaman
HALAMAN JUDUL ... ... ii
LEMBAR PERSETUJUAN PEMBIMBING ... iii
LEMBAR PENGESAHAN SKRIPSI ... iv
LEMBAR PERNYATAAN ... v
ABSTRAK ... vi
KATA PENGANTAR ... vii
LEMBAR PERSEMBAHAN ... ix
DAFTAR ISI ... x
DAFTAR TABEL ... xiv
DAFTAR GAMBAR ... xvi
DAFTAR LAMPIRAN ... xxi
BAB I PENDAHULUAN ... 1
1.1. Latar Belakang ... 1
1.2. Rumusan Masalah ... 3
1.3. Batasan Masalah ... 4
1.4. Tujuan Penelitian ... 5
1.5. Manfaat Penelitian ... 5
1.6. Metodologi Penelitian ... 6
xi | P a g e
BAB II LANDASAN TEORI ... 9
2.1 Keris ... ... 9
2.1.1. Ricikan ... 9
2.1.2. Luk ... ... 13
2.1.3. Tangguh ... 14
2.1.4. Dhapur ... 16
2.1.5. Pamor ... 26
2.2. Artificial Intelegence ... 27
2.3. Computer Vision ... 29
2.4. Image Processing ... 29
2.4.1. Membaca Citra ... 30
2.4.2. Operasi Geometrik ... 30
2.4.3. Segmentasi Citra ... 31
2.4.4. Konversi Citra Berskala Keabuan ... 32
2.4.5. Ekstraksi Fitur ... 33
2.4.6. Deteksi Tepi Canny ... 35
2.4.7. Mengetahui Ukuran Citra ... 40
2.4.8. Konversi Citra Biner ... 41
2.5. Pengenalan Pola ... 41
2.5.1 Struktur dari Sistem Pengenalan Pola ... 42
2.5.2 ANN (Artificial Neural Network) ... 43
2.5.3 LVQ (Learning Vector Quantization) ... 44
xii | P a g e
2.7. Smartphone………… ... 47
2.1.1. The Dalvik Virtual Machine (DVM) ... 48
2.1.2. Android SDK (Software Development Kit) ... 48
2.1.3. ADT (Android Development Tools) ... 49
2.8. Penelitian Kualitatif ... 50
2.9. Model Pengembangan Sistem RAD (Rapid Application Development) ... ... 51
2.10. Tools Pengembangan Sistem ... 52
2.11. Penelitian Sejenis ... 57
BAB III METODOLOGI PENELITIAN ... 59
3.1. Metode Pengumpulan Data ... 59
3.1.1. Data Primer .. ... 59
3.1.2. Data Sekunder.. ... 62
3.2. Metode Pengembangan Sistem ... 62
3.2.1. Fase Perencanaan Syarat-Syarat ... 63
3.2.2. Fase Perancangan ... 64
3.2.3. Fase Kontruksi ... 65
3.2.4. Fase Pelaksanaan ... 66
3.3. Kerangka Pemikiran ... 67
BAB IV PEMBAHASAN DAN HASIL ... 68
4.1. Metode Pengumpulan Data ... 68
4.1.1. Data Primer... 68
xiii | P a g e
4.2. Metode Pengembangan Sistem ... 73
4.2.1. Fase Perencanaan Syarat-Syarat ... 74
4.2.1.1 Analisis Masalah ... 74
4.2.1.2 Solusi Permasalahan ... 74
4.2.1.3 Identifikasi Kebutuhan Sistem ... 75
4.2.2. Fase Perancangan ... 75
4.2.2.1 .Perancangan Alur Proses ... 75
4.2.2.2 .Perancangan Pemodelan Object ... 83
4.2.2.3 .Perancangan Database... 104
4.2.2.4 .Perancangan User Interface ... 105
4.2.3. Fase Kontruksi ... 111
4.2.3.1. Kontruksi Image Processing ... 111
4.2.3.2. Kontruksi Learning Vector Quantization (LVQ) ... 115
4.2.3.3. Kontruksi User Interface ... 117
4.2.4. Fase Pelaksanaan ... 124
4.2.4.1. . Pengujian Mandiri ... 125
4.2.4.2. . Pengujian Lapangan ... 143
BAB V PENUTUP ... 144
5.1. Kesimpulan ... 144
5.2. Saran ... 145
xiv | P a g e DAFTAR TABEL
Halaman
Tabel 2.1 Daftar Ricikan Keris ... 10
Tabel 2.2 Daftar Luk Keris ... ... 14
Tabel 2.3 Daftar Tangguh Keris ………. ... 15
Tabel 2.4 Daftar Dhapur Keris ………. ... 16
Tabel 2.5 Daftar Pamor Keris ... 26
Tabel 2.6 Perbandingan NN dengan ANN ……….. ... 44
Tabel 2.7 Penelitian Sejenis ... 58
Tabel 3.1 Pertanyaan Wawancara ... 60
Tabel 4.1 Pekerjaan Responden ... 69
Tabel 4.2 Daftar Pertanyaan Quisioner ... 70
Tabel 4.3 Hasil Quisioner Pengguna Smartphone ... 71
Tabel 4.4 Hasil Quisioner Pengetahuan Keris ... 72
Tabel 4.5 Hasil Quisioner Aplikasi Keris ... 72
Tabel 4.6 Identifikasi Aktor ... 83
Tabel 4.7 Identifikasi Use Case ... 84
Tabel 4.8 Narasi Use Case Login... 87
Tabel 4.9 Narasi Use Case Pelatihan Ricikan ... 88
Tabel 4.10 Narasi Use Case Informasi Keris Jawa ... 89
Tabel 4.11 Narasi Use Case Cek Ricikan ... 90
xv | P a g e
Tabel 4.13 Tabel Bobot ... 104
Tabel 4.14 Skenario Pengujian ... 125
Tabel 4.15 Pengujian Login ... 126
Tabel 4.16 Pengujian Pelatihan Ricikan ... 126
Tabel 4.17 Pengujian Informasi Keris Jawa ... 127
Tabel 4.18 Pengujian Cek Ricikan ... 128
Tabel 4.19 Pengujian Logout ... 129
Tabel 4.20 Tabel Gambar Bobot Awal ... 129
Tabel 4.21 Tabel Gambar Sample... 130
Tabel 4.22 Perhitungan Jarak Antar Gambar ... 130
Tabel 4.23 Hasil Persentasi Input ... 131
xvi | P a g e DAFTAR GAMBAR
Halaman
Gambar 2.1 Ricikan Keris ... 13
Gambar 2.2 Pamor Mrambut ... ... 26
Gambar 2.3 Pamor Gajih………. ... 27
Gambar 2.4 Pamor Sanak ... ………. ... 27
Gambar 2.5 Pamor Pejetan... 27
Gambar 2.6 Segmentasi sebagai langkah awal sistem klasifikasi ... 31
Gambar 2.7 Matriks piksel berukuran 5x5 ... 37
Gambar 2.8 Area untuk mengonversi arah tepi ke dalam kategori salah satu dari arah 0o, 45o, 90o, dan 135o ... 37
Gambar 2.9 Penghilangan non-maksimum ... 39
Gambar 2.10 Pengujian untuk mengubah nilai 128 menjadi 255 ... 40
Gambar 2.11 Sistem koordinat citra berukuran M x N (M baris dan N kolom) . 40 Gambar 2.12 Struktur Sistem Pengenalan Pola……….. ... 42
Gambar 2.13 Ilustrasi Model ANN……….. ... 44
Gambar 2.14 Jaringan LVQ……….. ... 46
Gambar 2.15 Ilustrasi Model Rapid Application Development……….. ... 51
Gambar 2.16 Contoh Diagram Model Use Case……….. ... 54
Gambar 2.17 Contoh Model Class Diagram……….. ... 55
Gambar 2.18 Contoh Model Activity Diagram ... 56
xvii | P a g e
Gambar 3.1. Kerangka Pemikiran ... 67
Gambar 4.1 Alur Proses Aplikasi Pengenalan Jenis Ricikan Keris Jawa berbasis Smartphone ... 77
Gambar 4.2 Alur Proses Aplikasi Pengenalan Jenis Ricikan Keris Jawa berbasis Smartphone Lanjutan ... 78
Gambar 4.3 Alur Proses Pengolahan Citra ... 79
Gambar 4.4 Alur Proses Algoritma Pelatihan LVQ ... 81
Gambar 4.5 Alur Proses Algoritma Pelatihan LVQ Lanjutan ... 82
Gambar 4.6. Use Case Diagram Admin ... 85
Gambar 4.7 Use Case Diagram User ... 86
Gambar 4.8 Activity Diagram Login ... 92
Gambar 4.9 Activity Diagram Pelatihan Ricikan ... 93
Gambar 4.10 Activity Diagram Informasi Keris Jawa ... 94
Gambar 4.11 Activity Diagram Cek Ricikan ... 95
Gambar 4.12 Activity Diagram Logout ... 96
Gambar 4.13 Sequence Diagram Login ... 97
Gambar 4.14 Sequence Diagram Pelatihan Ricikan ... 98
Gambar 4.15 Sequence Diagram Informasi Keris Jawa ... 99
Gambar 4.16 Sequence Diagram Cek Ricikan... 100
Gambar 4.17 Sequence Diagram Logout ... 101
Gambar 4.18 Class Diagram Aplikasi ... 102
Gambar 4.19 Tampilan Awal Menu Login ... 105
Gambar 4.20 Tampilan Awal Menu Admin ... 105
xviii | P a g e
Gambar 4.22 Tampilan Awal Submenu Pelatihan Ricikan ... 105
Gambar 4.23 Tampilan Awal Hasil Perhitungan Proses LVQ ... 106
Gambar 4.24 Pop Out Awal Simpan Bobot Baru ... 106
Gambar 4.25 Tampilan Awal Video Intro ... 106
Gambar 4.26 Tampilan Awal Submenu Informasi Keris Jawa ... 106
Gambar 4.27 Pop Out Awal Komponen Keris Jawa ... 107
Gambar 4.28 Tampilan Awal Informasi Luk ... 107
Gambar 4.29 Tampilan Awal Informasi Animasi Luk ... 107
Gambar 4.30 Tampilan Awal Informasi Ricikan ... 107
Gambar 4.31 Tampilan Awal Informasi Gambar Ricikan ... 108
Gambar 4.32 Tampilan Awal Informasi Dhapur ... 108
Gambar 4.33 Tampilan Awal Informasi Daftar Dhapur ... 108
Gambar 4.34 Tampilan Awal Informasi Pamor ... 108
Gambar 4.35 Tampilan Awal Informasi Jenis Pamor ... 109
Gambar 4.36 Tampilan Awal Informasi Tangguh ... 109
Gambar 4.37 Tampilan Awal Informasi Jenis Tangguh ... 109
Gambar 4.38 Tampilan Awal Submenu Cek Ricikan ... 109
Gambar 4.39 Pop Out Awal Bobot Diperbaharui ... 110
Gambar 4.40 Tampilan Awal Capture Ricikan Yang Ingin Dikenali ... 110
Gambar 4.41 Tampilan Awal Save Picture ... 110
Gambar 4.42 Pop Out Awal Pilih Aplikasi Galeri ... 110
Gambar 4.43 Tampilan Awal Galeri ... 111
Gambar 4.44 Tampilan Awal Hasil Presentasi ... 111
xix | P a g e
Gambar 4.46 Fungsi createScaledBitmap() ... 112
Gambar 4.47 Fungsi bitmapToMat() ... 113
Gambar 4.48 Fungsi CvtColor() ... 113
Gambar 4.49 Fungsi Canny() ... 113
Gambar 4.50 Fungsi matToBitmap() ... 114
Gambar 4.51 Fungsi getWidth() dan getHeight() ... 114
Gambar 4.52 Fungsi Konversi Citra Biner ... 115
Gambar 4.53 Fungsi lvq() ... 115
Gambar 4.54 Fungsi pejetan() ... 116
Gambar 4.55 Tampilan Awal Menu Home ... 117
Gambar 4.56 Tampilan Menu Login... 117
Gambar 4.57 Tampilan Awal Menu Admin ... 117
Gambar 4.58 Tampilan Awal Menu User ... 117
Gambar 4.59 Tampilan Awal Sub Menu Pelatihan Ricikan (Nilai) ... 118
Gambar 4.60 Tampilan Sub Menu Pelatihan Ricikan (Bobot Awal) ... 118
Gambar 4.61 Tampilan Awal Sub Menu Pelatihan Ricikan (Sample) ... 118
Gambar 4.62 Tampilan Awal Hasil Perhitungan Proses LVQ ... 118
Gambar 4.63 Tampilan Pop Out Simpan Bobot Baru ... 119
Gambar 4.64 Tampilan Awal Video Intro ... 119
Gambar 4.65 Tampilan Awal Submenu Informasi Keris Jawa ... 119
Gambar 4.66 Pop Out Awal Komponen Keris Jawa ... 119
Gambar 4.67 Tampilan Awal Informasi Luk ... 120
Gambar 4.68 Tampilan Awal Informasi Animasi Luk ... 120
xx | P a g e
Gambar 4.70 Tampilan Awal Informasi Gambar Ricikan ... 120
Gambar 4.71 Tampilan Awal Informasi Dhapur ... 121
Gambar 4.72 Tampilan Awal Informasi Daftar Dhapur ... 121
Gambar 4.73 Tampilan Awal Informasi Pamor ... 121
Gambar 4.74 Tampilan Awal Informasi Jenis Pamor ... 121
Gambar 4.75 Tampilan Awal Informasi Tangguh ... 122
Gambar 4.76 Tampilan Awal Informasi Jenis Tangguh ... 122
Gambar 4.77 Tampilan Awal Submenu Cek Ricikan ... 122
Gambar 4.78 Pop Out Awal Bobot Diperbaharui ... 122
Gambar 4.79 Tampilan Awal Capture Ricikan Yang Ingin Dikenali ... 123
Gambar 4.80 Tampilan Awal Save Picture ... 123
Gambar 4.81 Pop Out Awal Pilih Aplikasi Galeri ... 123
Gambar 4.82 Tampilan Pilih Gambar Input ... 123
Gambar 4.83 Tampilan Awal Hasil Presentasi ... 124
Gambar 4.84 Tampilan Pop Out Logout ... 124
xxi | P a g e DAFTAR LAMPIRAN
Lampiran A. Surat Keterangan Bimbingan Skripsi Lampiran B. Hasil Wawancara
1 | P a g e BAB I
PENDAHULUAN
1.1 Latar Belakang
AI (Artificial Intellegence) merupakan salah satu bentuk perkembangan teknologi yang banyak digunakan saat ini. Salah satu cabang dari AI adalah Jaringan Syaraf Tiruan yang merupakan sistem pemrosesan informasi yang didesain dengan karakteristik yang mirip dengan cara kerja otak manusia (Kusumadewi : 2003). Learning Vector Quantization (LVQ) merupakan salah satu contoh dari Jaringan Syaraf Tiruan yang biasa digunakan untuk mengenali sebuah pola seperti pola tanda tangan ataupun huruf aksara Jawa.
“Bangsa yang besar adalah bangsa yang menghargai sejarahnya” salah
satu tagline dari suatu program acara di salah satu stasiun televisi nasional yang mengajak bangsa Indonesia untuk menghargai sejarah Indonesia yang sangat beragam. Dan Keris merupakan salah satu bukti sejarah yang menggambarkan budaya Indonesia dan memiliki unsur seni yang tinggi.
2 | P a g e Menurut Sumar Purnomo, seorang ahli Keris, beliau sering mengalami kesulitan dalam penentuan Dhapur sebuah Keris yang berdasarkan dari banyaknya jenis Ricikan pada sebuah Keris. Terlalu banyak jenis Dhapur yang ada serta berbagai ragam bentuk dari Ricikan Keris menjadi salah satu alasan sulitnya menentukan jenis Ricikan serta Dhapur Keris itu sendiri.
Dan menurut hasil quisioner yang telah penulis sebar, terlihat bahwa sedikitnya pengetahuan masyarakat Indonesia sekarang ini akan sebuah Keris. Hanya 4% responden yang mengetahui pengetahuan akan sebuah Keris. Hal tersebut dapat menjadi salah satu penyebab yang dapat mengakibatkan hilangnya budaya Keris dari Indonesia bahkan akan terjadi hak kepemilikan Keris oleh bangsa lain.
Smartphone menjadi salah satu bentuk bukti bahwa begitu pesatnya perkembangan teknologi dalam era globalisasi seperti saat ini. Dari quisioner yang penulis telah sebar sebelumnya, terlihat bahwa 79% responden memiliki smartphone dan 61% dari responden lebih sering menggunakan smartphone jika dibandingkan dengan laptop atau desktop PC. Dari hasil tersebut, maka penulis akan membuat sebuah aplikasi berbasis smartphone.
Pada penelitian sebelumnya yang dilakukan oleh Kasmui (Mahasiswa UIN Syarif Hidayatullah) pada tahun 2011 dengan judul “Sistem Pakar Identifikasi Bentuk Keris Jawa dengan Metode CF (Certainty Factor)” telah dikembangkan
3 | P a g e Peneliti akan mengembangkan penelitian diatas dengan menggunakan cara yang lebih mudah dan memanfaatkan teknologi smartphone yang saat ini sedang berkembang. Aplikasi ini dapat digunakan untuk mengenalkan Keris Jawa kepada bangsa Indonesia bahkan bangsa asing yang mencinta budaya bangsa Indonesia.
Pengguna yang tidak mengerti akan jenis ricikan keris, dapat mengetahuinya dengan mengenali pola yang ada. Metode LVQ digunakan untuk mengenali dan mengidentifikasi jenis ricikan keris. Input berupa gambar ricikan keris yang akan diproses untuk dapat mengenali pola pada gambar. Kamera pada smartphone juga dapat digunakan untuk memudahkan pengambilan gambar ricikan pada sebuah keris.
Oleh karena masalah diatas, dalam penyusunan Tugas Akhir ini penulis akan mengambil judul “Pengembangan dan Implementasi Learning Vector Quantization (LVQ) pada Aplikasi Pengenalan Jenis Ricikan Keris Jawa berbasis Smartphone”.
1.2 Rumusan Masalah
Berdasarkan latar belakang masalah tersebut dapat dirumuskan bahwa permasalahan yang ada adalah sebagai berikut:
1. Bagaimana user dapat mengetahui informasi mengenai Keris Jawa? 2. Bagaimana user mengidentifikasi dan mengenali jenis ricikan Keris
4 | P a g e 3. Bagaimana admin dapat memperbaharui nilai bobot yang akan menjadi
acuan untuk mengenali pola ricikan sebuah keris dengan menggunakan metode LVQ (Learning Vector Quantization)?
1.3 Batasan Masalah
Batasan masalah dalam pembuatan aplikasi ini adalah sebagai berikut : 1. Penulis hanya mengenali 4 pola ricikan dari kurang lebih 20 jenis
ricikan yang ada pada bilah keris.
2. Metode pengenalan pola yang digunakan yaitu LVQ (Learning Vector Quantization).
3. Pengolahan citra hanya digunakan untuk pendeteksian tepi dengan menggunakan library pada OpenCV.
4. Antarmuka pada aplikasi ini dirancang menggunakan smartphone. 5. Tidak terdapat perbaikan kualitas citra terlebih dahulu sebelum
dilakukan sebuah pelatihan dan pengecekan ricikan Keris Jawa.
6. User yang akan menggunakan aplikasi ini, diharuskan menginstal plugin OpenCV Manager terlebih dahulu.
7. Admin akan melakukan login terlebih dahulu sebelum dapat mengakses menu Admin, sedangkan user hanya akan mengklik tombol menu user untuk dapat mengakses menu user tersebut.
8. Admin yang akan menggunakan menu “Pelatihan Ricikan” dan User yang akan menggunakan menu “Cek Ricikan” harus terhubung dengan
5 | P a g e 1.4 Tujuan Penelitian
Tujuan yang ingin dicapai pada penelitian ini terbagi menjadi tujuan umum dan tujuan khusus. Tujuan umum penelitian ini yaitu untuk mengembangkan sebuah aplikasi berbasis smartphone yang dapat mengenali ricikan Keris Jawa. Sedangkan tujuan khusus dari penelitian ini adalah sebagai berikut :
1. Mendapatkan informasi mengenai Keris Jawa. 2. Mengenali jenis ricikan Keris Jawa.
3. Admin dapat melatih data gambar ricikan Keris Jawa.
1.5 Manfaat Penelitian
Manfaat yang didapatkan dalam penelitian ini adalah : A. Bagi mahasiswa :
1. Menerapkan ilmu-ilmu yang diperoleh selama kuliah.
2. Mengerti akan konsep Image Processing dan Jaringan Syaraf Tiruan dengan metode Learning Vector Quantization sebagai salah satu bidang dari ilmu kecerdasan buatan (Artificial Intelegence). 3. Memberikan pemahaman menyeluruh mengenai pembuatan
aplikasi berbasis Smartphone. B. Bagi Universitas :
6 | P a g e 2. Mengetahui kemampuan mahasiswa dalam menerapkan ilmunya
dan sebagai bahan evaluasi.
3. Memberikan gambaran tentang kesiapan mahasiswa dalam menghadapi dunia kerja yang sebenarnya.
1.6 Metodologi Penelitian
Dalam melaksanakan penelitian ini, penulis menggunakan metode yang terbagi menjadi dua bagian, yaitu :
1.6.1 Metode Pengumpulan Data
Pada metode pengumpulan data, penulis akan mengklasifikasikan data yang diperoleh berdasarkan dari jenis data yang diperlukan. Penelitian yang penulis akan kerjakan merupakan sebuah penelitian kualitatif, maka dari itu diperlukan data dalam bentuk bukan angka. Data tersebut terbagi menjadi 2 bagian yaitu :
1.6.1.1 Data Primer a. Wawancara (Interview)
7 | P a g e b. Quisioner
Penulis akan menyebarkan quisioner untuk mengetahui manfaat dari aplikasi ini dan seberapa besarnya keinginan bangsa Indonesia dalam mengenal jenis keris.
1.6.1.2 Data Sekunder
a. Studi Literatur (Library Research)
Pengumpulan data juga dilakukan dengan melakukan studi pustaka maupun kajian terhadap penelitian-penelitian sebelumnya dengan menggunakan buku, jurnal, dan paper yang berhubungan dengan permasalahan yang akan dibahas dalam penulisan laporan tugas akhir ini. Selain itu peneliti juga menggunakan sarana internet untuk mendapatkan informasi mengenai topik tugas akhir seperti artikel yang berhubungan dengan topik.
1.6.2 Metode Pengembangan Sistem
Metode pengembangan sistem yang penulis gunakan adalah Model RAD (Rapid Application Development), dan pemodelan objek dengan menggunakan tools UML. Tahapan dalam Model RAD adalah sebagai berikut (Kendall & Kendall: 2002):
1. Fase Perencanaan Syarat-Syarat 2. Fase Perancangan
8 | P a g e 1.7 Sistematika Penulisan
Dalam penelitian ini pembahasan terbagi dalam lima bab yang secara singkat akan diuraikan sebagai berikut:
BAB 1 PENDAHULUAN
Dalam bab ini membahas mengenai latar belakang penulisan skripsi, batasan masalah, tujuan dan manfaat, metode penelitian dan sistematika penulisan yang merupakan gambaran menyeluruh dari penulisan skripsi ini.
BAB 2 LANDASAN TEORI
Dalam bab ini membahas mengenai berbagai teori yang mendasari analisis permasalahan dan berhubungan dengan topik yang dibahas.
BAB 3 METODE PENELITIAN
Bab ini membahas mengenai metode penelitian yang digunakan dalam mengembangkan aplikasi.
BAB 4 PERANCANGAN DAN IMPLEMENTASI
Pada Bab ini membahas mengenai hasil dari analisa, perancangan, impelementasi sesuai dengan metode yang dilakukan pada sistem yang dibuat.
BAB 5 PENUTUP
9 | P a g e BAB II
LANDASAN TEORI
2.1 Keris
Keris adalah ilmu dan dipandang sebagai sebuah manifestasi Jiwa Jawi. Jawa berasal dari kata Javana yang bearti kearif-bijaksanaan. Kata keris berasal dari -mangker karana aris- artinya mundur dengan bijaksana maksudnya mundur dari dunia ini dengan bijaksana. Oleh karena itu menggeluti dunia keris seharusnya bergulat dengan membaca alam, membaca diri, dan membaca kehendak Sang Pencipta. Keris terdiri dari bermacam-macam komposisi yang terdapat didalamnya seperti :
2.1.1 Ricikan
10 | P a g e Tabel 2.1 Daftar Ricikan Keris
No Ricikan Definisi
1. Pesi Yang dinamakan pesi adalah berwujud besi panjang bundar yang terletak di pangkal wilahan.
2. Sirah Cecak
Sirah cecak adalah perwujudan yang ditetapkan menjadi ketentuan arah kiblat depan, umumnya bentuknya
3. Waduk
Waduk atau Gendok, gendokan atau wetengan adalah nama bagian yang paling tengah di sebuah ganja. Bentuknya cembung menggembung bagai perut kenyang. Dibagian tengah terdapat leng-lengan yaitu tempat masuknya bagian pesi.
4. Buntut Perwujudan yang ditetapkan menjadi ketentuan arah kiblat belakang, umumnya berbentuk runcing
5. Ganja
Perwujudan bentuk yang terpisah dengan wilahan. Namun ada juga ganja yang dibuat langsung menyatu.
6. Lambe Gajah Letaknya menempel di gandik, yang dibentuk sepeti bibir gajah yang bawah.
7. Greneng Tempatnya dibawah ujung Ganja, dan migkin bisa dibikin rangkap sehingga terletak diujung wilahan. 8. Wadidang Letaknya dibelakang, mulai ujung awak-awak
belakang hingga sampai sejajar dengan sor-soran. 9. Bungkul Terdepat di tengah-tengah dan menempel di ganja,
bentuknya membendul seperti tumpeng.
10. Pejetan Letaknya dibelakang Gandik, merupakan tekanan yang membentuk melodok ke dalam.
11. Gandik
11 | P a g e 12. Kembang
Kacang
Tempatnya dibawah gandik dan dibawah lambe gajah pun jalen. Bentuknya seperti lung-lungan. 13. Jalen Bentuknya runcing dan memenpel pada gandik di
pangkal bawah.
14. Tikel Alis Berada dibawah pejetan, mengalir ke bawah dan kalau dilihat seperti gambar alis yang besar depan. 15. Sogokan Ngarep Seperti tanggul yang membelah antara pejetan dan
tikelalis, terletak didepan.
16. Sogokan Mburi Seperti tanggul yang membelah antara pejetan dan tikelalis, terletak dibelakang.
17. Sor-soran Sor-soran atau bongkot merupakan bagian paling bawah dari bilah keris, diatas bagian ganja.
18. Gulamilir Seolah merupakan kruwingan yang dimulai dari sor-soran dan berhenti ditengah bilah.
19. Kruwingan Tempatnya di muka dan di belakang Ada-ada, dan berada didalam garis gusen.
20. Gusen Ngarep Tempatnya mulai dari sor-soran sampai pucuk. 21. Gusen Buri Tempatnya mulai dari sor-soran sampai pucuk,
terletak di sisi belakang.
22. Ada-ada Tempatnya tepat di tengah-tengah awak-awak, yaitu mulai dari arah sor-soran sampai pucuk. 23. Kudup Ujung yang runcing
24. Sraweyan
Disebut juga sarawehan , sarawehan nama bagian keris yang bentuknya merupakan permukaan melandai cekung, dibelakang bagian sogokan belakang sampai ke dekat greneng.
25. Ripandan
12 | P a g e 26. Thingil
Terletak persis dibagian ekor ganja, dibagian atas. Thingil ini berupa tonjolan kecil tidak runcingujungnya.
27. Jenggot
Jenggot atau janggut adalah salah satu ricikan atau bagian keris yang bentuknya tonjolan runcing yang terletak di dahi kembang kacang. tonjolannya mirip dengan bentuk rondan dan ripandan.
28. Ganja Sebitrotan
Bentuk seperti rotan yang dibelah dua.
29. Ganja Cecak Ganja yang betuknya seperti cecak.
30. Ganja Tekek Ganja yang bentuknya seperti tekek atau tokek. 31. Ganja
Hucengmati
Bentuknya seperti uceng (anak ikan) yang sudah mati. yaitu badan bulat kecil dan kepala runcing. 32. Ganja Cangkem
Kodok
Bentuknya mrip mulut kodok. Kepalanya besar tetapi mulut kecil.
33. Ganja Dungkul Badannya menebal ke atas di tengah-tengah menancapnya pesi.
34. Ganja Wilud Ganja yang bentuk kepala dan ekornya melengkung ke bawah.
35. Ganja Kelap Lintah
Bentuknya mulai dari kepala mengombak, seperti lintah mengambang di air.
36. Ganja Sepang
13 | P a g e Gambar 2.1. Ricikan Keris
2.1.2 Luk
Istilah ini digunakan untuk bilah keris yang tidak lurus, tetapi berkelok atau berlekuk. Luk pada keris selalu gasal, tidak pernah genap. Hitungannya mulai dari luk tiga, sampai luk tigabelas. Itu keris yang normal. Jika luknya lebih dari 13, dianggap sebagai keris yang tidak normal dan disebut keris kalawijan atau palawijan.
14 | P a g e kemba atau samar. Kedua, luk yang sedeng atau sedang. Dan ketiga, luk yang rengkol yakni yang irama luknya tegas. Daftar luk keris dapat dilihat pada tabel 2.2.
Tabel 2.2 Daftar Luk Keris
No Luk Definisi
1. Lurus Bentuk Luk lurus atau tidak berkelok 2. Luk 3 (Tiga) Luk 3 (Tiga) Bentuk keris berkelok tiga 3. Luk 5 (Lima) Bentuk keris berkelok lima
4. Luk 7 (Tujuh) Bentuk keris berkelok tujuh 5. Luk 9 (Sembilan) Bentuk keris berkelok sembilan 6. Luk 11 (Sebelas) Bentuk keris berkelok sebelas 7. Luk 13 (Tiga Belas) Bentuk keris berkelok tiga belas 8. Luk 15 (Lima Belas) Bentuk keris berkelok lima belas 9. Luk 17 (Tujuh Belas) Bentuk keris berkelok tujuh belas 10. Luk 19 (Sembilan Belas) Bentuk keris berkelok sembilan belas 11. Luk 21 (Dua puluh satu) Bentuk keris berkelok dua puluh satu 12. Luk 25 (Dua puluh lima) Bentuk keris berkelok dua puluh lima 13. Luk 27 (Dua puluh tujuh) Bentuk keris berkelok dua puluh tujuh 14. Luk 29 (Dua puluh
sembilan)
Bentuk keris berkelok dua puluh sembilan
2.1.3 Tangguh
15 | P a g e padahal sebenarnya tangguh Majapahit, orang akan memaklumi kekeliruan tersebut, karena bentuk keris dari kedua tangguh itu memang mirip. Tetapi jika sebuah keris buatan baru di-tangguh keris Jenggala, maka jelas ia bukan seorang ahli tangguh yang baik. Daftar tangguh keris dapat dilihat pada tabel 2.3.
Tabel 2.3 Daftar Tangguh Keris
No Tangguh Definisi
1. Pajajaran
Panjang kira kira dua kilan atau kurang sedikit. Pengetrapan ganja atau bentuknya ambatok mengkurep. Sirah cecaknya panjang, gandiknya miring panjang, sogokan tidak terlalu panjang,keluar pamor seakan-akan tidak teratur, tetapi padat sebagian besar memakai dasar gambar pamor gajih.
2. Majapahit
Ganja sebit rotan, sirah cecaknya pendek tetapi halus luwes, gandiknya pendek sedikit miring, sogokan pendek luwes, kebanyakan pengetrapan pamor selalu terang mabyor dan dibuat ngrambut atau bisa dikatakan berserat -serat panjang.
3. Blambangan
Besinya selalu kelihatan basah tetapi sedikit bersinar putih. Karena campuran besi sedikit,kebanyakan besi penawangnya. Dasar pembuatan gambar pamor masih banyak mengambil dasar gambar pamor gajih, tapi banyak juga yang diseling dengan cara mrambut.
4. Sedayu
16 | P a g e pengetrapannya kurang memadat.
5. Tuban
Sirah cecak besar pendek, yang dibuat lengkok, kelihatan lengkoknya merenggang dan ujugnya runcing. Besi kelihatan kering terlalu banyak besi bajanya. Pengetrapan pamor mubyar padat. Jika diraba terasa halus.
2.1.4 Dhapur
Dhapur adalah istilah yang digunakan untuk menyebut nama bentuk atau type bilah keris. Dengan menyebut nama dhapur keris, orang yang telah paham akan langsung tahu, bentuk keris yang seperti apa yang dimaksud. Misalnya, seseorang mengatakan: "Keris itu ber-dhapur Tilam Upih", maka yang mendengar langsung tahu, bahwa keris yang dimaksud adalah keris lurus, bukan keris yang memakai luk. Lain lagi kalau disebut dhapur-nya Sabuk Inten, maka itu pasti keris yang ber-luk sebelas. Daftar dhapur keris dapat dilihat pada tabel 2.4.
Tabel 2.4 Daftar Dhapur Keris
No Dapur Ricikan Luk
1. Panjianom tikel alis, sogokan, sraweyan dan greneng
Lurus
2. Jakatuwa sogokan, tikelalis Lurus 3. Bethok gandik panjang, tikelalis
pendek
Lurus
4. Karnatinanding gandik rangkap, kembankacang rangkap, pejetan rangkap, sogokan,
17 | P a g e ripan dan greneng
5. Semar Bethak gandik bertatah lung-lungan, dibawah gandik berlobang
Lurus
6. Regol gandik rangkap dua, thingil dimuka dan belakang, Pejetan
Lurus kembang kacang, sraweyan, greneng
Lurus
12. Pasopati lambe gajah, kembang kacang pugut, sogokan, ripandan, gusen
Lurus
13. Tilamupih pejetan, tikelalis Lurus 14. Condongcampur lambe gajah, kembang
kacang, sogokan Ppanjang sampai pucuk, greneng, gusen
Lurus
15. JalakDinding pejetan, thingil, gusen Lurus 16. Jalak Ngore pejetan sraweyan, greneng Lurus 17. Jalak Sangu
Tumpeng
sogokan, sraweyan, thingil Lurus
18. Mendarang lambe gajah, kembang kacang, sogokan, sraweyan, greneng
Lurus
18 | P a g e kembang kacang, sogokan depan
Lurus
22. Sujen Empel lambe gajah, kembang kacang, Jenggot rangkap dua, ripandan rangkap dua sedikit membungkuk (tanpa ricikan)
Lurus
26. Brojol Pejetan Lurus
27. Laler Mengeng Gandik panjang dan berlobang, kembang kacang pugut
Lurus
28. Puthut gandik memanjang, ada tatahan yang bergambar pendeta
Lurus
29. Jalaksumelang Gandring
sogokan hanya depan, thingil, sraweyan
Lurus
30. Mangkurat Sogokan, Heripandan depan, Gusen
19 | P a g e 31. Mayat Miring Sogokan depan, Gusen Lurus
32. Kalam Munyeng Sraweyan, Heripandan, Sogokan Hanya depan 35. Jalak Tilamsari Kruwingan, Thingil, Gusen Lurus 36. Tilamsari Kruwingan, Gusen Lurus 37. Jakaloka Sogokan depan, Greneng Lurus 38. Wora-Wari Gusen rangkap Lurus 39. Sinom Lambe Gajah, Kembang
kacang, Tikelalis, Sogokan, Sraweyan, ripandan
Lurus
40. Kala Misani Lambe Gajah, Kembang Kacang, Tikelalis, Sogokan, Greneng, Kruwingan, Gusen
Lurus
41. Jangkung Pacar Lambe Gajah, Kembang Kacang, Jenggot, Sogokan Panjang
Luk 3 (Tiga)
42. Mahesasuka Lambe Gajah Lamba, Kembang Kacang, Sogokan Panjang, Jenggot
46. Jangkung Kembang Kacang, Gulamilir, Sogokan, ripandan
Luk 3 (Tiga)
20 | P a g e 48. Bangodolog Lambe Gajah rangkap dua,
Kembang Kacang
Luk 3 (Tiga)
49. Larmotha Gandik Ngajajah, Larpaksi, Pethit Naga, Ripandan sungsun
Luk 3 (Tiga)
50. Campurbawur Kembang Kacang, Jenggot, Sogokan
Luk 3 (Tiga)
51. Sagara Winotan Kembang Kacang, Jenggot, Sogokan dua yang satu sampai ujung
Luk 3 (Tiga)
52. Sinarasah Kembang Kacang, Ripandan, Adapun yang menonjol yaitu ditengah Ada-ada dan dipinggir Gusen sehingga sampai ujung dilapisi Mas
Luk 5 (Lima)
53. Pudaksategal Kembang Kacang, Ripandan, Sogokan, Sraweyan, Sor-soran
Luk 5 (Lima)
54. Pulanggeni Sraweyan, Greneng Luk 5 (Lima) 55. Pandawa Kembang Kacang, Sraweyan,
Sogokan, Ripandan
Luk 5 (Lima)
56. Anoman Kembang Kacang, Lembe Gajah Lamba, Ripandan, Sogokan sampai ujung
Luk 5 (Lima)
57. Kebodengen Ganja Kelaplintah, Gandik panjang, Lambe Gajah Lamba, Kembang Kacang
Luk 5 (Lima)
21 | P a g e Sraweyan, Heripandan
59. Pandawa Lare Lambe Gajah Lamba, Kembang Kacang, Ripandan
Luk 5 (Lima)
60. Urap-Urap Kembang Kacang, Sogokan, Gusen, Lis-lisan
Luk 5 (Lima)
61. Nagasasira Hanya gandik Luk 5 (Lima) 62. Kebobendeng Sogokan Luk 5 (Lima) 63. Pandawa Cinarita Lambe Gajah rangkap dua,
Kembang kacang, Pejetan, Tikelalis, Sogokan,
67. Jaranguyung Pejetan, Thingil Luk 7 (Tujuh) 68. Nagakeras Kembang Kacang, Greneng,
Sor-soran
Luk 7 (Tujuh)
22 | P a g e Kacang, Tikelalis, Sogokan,
Sraweyan, Greneng, Gusen, Kruwingan
Ripandan, Greneng Luk 9 (Sembilan)
78. Sempana lambe gajah, Kembang kacang, sogokan, sraweyan, greneng
84. Jaruman sogokan, sraweyan Luk 9 (Sembilan) 85. Panjisekar kembang kacang, sogokan,
sraweyan, ripandan
Greneng, Kruwingan, Lambe Gajah, Ripandan
Luk 9 (Sembilan)
23 | P a g e 89. CaritaBungkem keris kebang kacang Luk 11 (Sebelas) 90. Waluring kebang kacang, sogokan Luk 11 (Sebelas) 91. JakaWuru pejetan, ripandan Luk 11 (Sebelas) 92. Sabuktali Sogokan hanya satu didepan,
Sraweyan
Luk 11 (Sebelas)
93. Caritagandu Kembang Kacang, Jenggot, Sraweyan, Ripanda
Luk 11 (Sebelas)
94. Carita Prasaja Lambe gajah Luk 11 (Sebelas)
95. Carita Kaprabon Lambe Gajah rangkap dua, kembang kacang, Tikelalis, Sogokan, Greneng, Sraweyan, Gusen, Kruwingan
Luk 11 (Sebelas)
96. Carita Daleman Lambe Gajah Lamba, Kembang Kacang, Jenggot, Tikelalis, Sogokan, Sraweyan, Greneng, Gusen, Kruwingan
Luk 11 (Sebelas)
97. Carita Genengan Lambe Gajah Lamba, Kembang Kacang, Jenggot, Tikelalis, Sogokan, Sraweyan, Greneng, Gusen, Kruwingan
Luk 11 (Sebelas)
98. Sabuk Inten Lambe Gajah, Kembang Kacang, Sogokan, Sraweyan, Rapindan
Luk 11 (Sebelas)
99. Naga Kiki Lambe Gajah Lamba, Pejetan Luk 11 (Sebelas) 100. Naga Ngikik Lambe Gajah Luk 11 (Sebelas) 101. Kantar Lambe Gajah, Kembang
Kacang, Sogokan ngarep,
24 | P a g e Sraweyan
102. Parung Sari Lambe Gajah rangkap dua, Kembang Kacang, Jenggot, Pejetan, Tikelalis, Sogokan, Sraweyan, Ripandan,
Gulamilir, Sogokan, Greneng Luk 13 (Tiga Belas) 104. Caluring Sraweyan, Ripandan Luk 13 (Tiga
Belas)
105. Lunggandu Lambe Gajah Lamba, Kembang Kacang, Jenggot, Sraweyan Ripandan
Luk 13 (Tiga Belas)
106. Sepokal Sraweyan Luk 13 (Tiga
Belas) 107. Karawelang Lambe Gajah, Kembang
Kacang Pugut, Sogokan, Ripandan
Luk 13 (Tiga Belas)
108. Bhimakurda Kembang Kacang, Jenggot, Sogokan, Sraweyan,
Kacang, Jenggot, Pejetan, Tikelalis, Sogokan, Sraweyan, Ripandan, Greneng
Luk 13 (Tiga Belas)
25 | P a g e Kacang, Sogokan, Ripandan Belas)
113. Raga Pasung Tikelalis, Greneng Luk 15 (Lima Belas) 114. Carita Buntala Kembang kacang, Jenggot,
Sraweyan, Ripandan
Luk 15 (Lima Belas) 115. Carang Buntala Lambe Gajah, Kembnag
Kacang, Sraweyan, Ripandan 118. Ngamperbuta Lambe Gajah, Kembang
Kacang
Luk 17 (Tujuh Belas)
119. Cancingan Kembang Kacang, Sor-soran Luk 17 (Tujuh Belas)
120. Trimurda Tikelalis Luk 19 (Sembilan Belas)
121. Kala Tinantang Lambe Gajah, Kembang Kacang, Sogokan, Greneng
123. Trisirah Lambe Gajah, Tikelalis, Sogokan
125 AnggaWirun Lambe Gajah, Kembang Kacang, Sogokan, Ripandan
Luk 27 (Dua puluh tujuh)
126. KalaBendu Kembang Kacang, Lambe Gajah, Sogokan, Ripandan
26 | P a g e 2.1.5 Pamor
Pamor adalah perwujudan putih keperak-perakan yang memancarkan sinar yang mengkilap, berada di tengah-tengah atau di seluruh bagian keris, bahkan ada yang sampai pesinya. Daftar pamor keris dapat dilihat pada tabel 2.5.
Tabel 2.5 Daftar Pamor Keris
No Pamor Definisi
1. Pamor Mrambut
Pamor yang menempelnya di badan keris terlihat miring ke arah luar. Keluarnya pamor berserat seperti rambut
2. Pamor Gajih
Menempelnya di badan keris kelihatan membendul dan putus-putus seperti melelehnya lemah yang menetes. Jika diraba terasa ketebalannya.
3. Pamor Sanak
Cahaya tidak begitu terang. Bila di raba tidak terasa membendul keluar, seolah olah keris tidak di tambahi penempelan apa-apa.
4. Pamor Pejetan
Pamor yang menempelnya di badan keris berupa seperti cap ibu jari yang di sejajarkan dengan dekat dan jika di raba gambaran tersebut seperti membelok ke dalam.
27 | P a g e Gambar 2.3 Pamor Gajih
Gambar 2.4 Pamor Sanak
Gambar 2.5 Pamor Pejetan
2.2 Artificial Intelegence
Artificial Intelegence (Kecerdasan Buatan) didefinisikan sebagai kecerdasan yang ditunjukkan oleh suatu intensitas buatan (Ricky, 2009). Kecerdasan buatan dikenalkan pada tahun 1956 oleh ilmuwan computer Amerika John McCarthy (Challoner, 2002). Sistem seperti ini umumnya dianggap seperti kecerdasan pada computer.
28 | P a g e bidang sains yang mengkaji tentang bagaimana melengkapi sebuah computer dengan kemampuan atau kepintaran seperti manusia.
Secara garis besar, kecerdasan buatan terbagi ke dalam 2 paham pemikiran (Ricky, 2009) yaitu kecerdasan buatan konvensional dan kecerdasan komputasional. Kecerdasan buatan konvensional melibatkan metode-metode yang sekarang diklasifikasikan sebagai pembelajaran mesin, yang ditandai dengan formalism dan analisis statistic. Kecerdasan komputasional melibatkan pengembangan atau pembelajaran iteratif, misalnya penalaran parameter dalam sistem koneksionis. Pembelajaran yang berdasarkan pada data empiris dan diasosiasikan dengan kecerdasan buatan non-simbolis, kecerdasan buatan yang tidak teratur.
Metode-metode dalam kecerdasan buatan konvensional meliputi: 1. Sistem Pakar
2. Pertimbangan berdasarkan kasus 3. Jaringan Bayesian
4. Kecerdasan buatan berdasarkan tingkah laku
Metode-metode dalam kecerdasan buatan komputasional meliputi : 1. Jaringan Syaraf Tiruan : sistem dengan kemampuan pengenalan pola
yang sangat kuat 2. Sistem Fuzzy
29 | P a g e 2.3 Computer Vision
Computer Vision merupakan salah satu disiplin ilmu dari kecerdasan buatan yang berfokus pada informasi-informasi yang dimiliki oleh data gambar (Ricky, 2009). Data gambar memiliki banyak bentuk, seperti video (gambar yang berjalan), gambar dari kamera, atau data multi-dimensional, scanner media. Computer Vision merupakan kombinasi dari pencitraan, pengolahan citra, pengenalan pola serta proses pengambilan keputusan. Tujuan utama dari Computer Vision adalah untuk mengkomputerisasi penglihatan manusia atau dengan kata lain membuat citra digital dari citra sebenarnya (sesuai dengan penglihatan manusia) (Putra, 2010).
2.4 Image Processing
Image Processing atau pengolahan citra adalah bidang tersendiri yang sudah cukup berkembang sejak orang mengerti bahwa computer tidak hanya dapat menangani data teks, tetapi juga citra (Ahmad, 2005). Teknik-teknik pengolahan citra biasanya digunakan untuk melakukan transformasi dari suatu citra kepada citra yang lain, sementara tugas perbaikan informasi terletak pada manusia melalui penyusunan algoritmanya.
30 | P a g e akan diproses oleh pengklasifikasi pola. Sebagai contoh, sebuah objek buah bisa dikenali sebagai jeruk, apel, atau pepaya. Pada penginderaan jarak jauh, tekstur atau warna pada citra dapat dipakai untuk mengidentifikasi objek-objek yang terdapat di dalam citra. Pada machine vision (sistem yang dapat “melihat” dan “memahami” yang dilihatnya), pengolahan citra berperan
dalam mengenali bentuk-bentuk khusus yang dilihat oleh mesin. Penggunaan kamera pemantau ruangan merupakan contoh bagian aplikasi pemrosesan citra. Perubahan gerakan yang ditangkap melalui citra dapat menjadi dasar untuk melakukan pelaporan situasi yang terekam. Beberapa teknik pengolahan citra adalah sebagai berikut (Kadir, 2013) :
2.4.1. Membaca Citra
Untuk kepentingan memudahkan dalam memahami hasil proses
pengolahan citra, Anda perlu mengenal perintah yang berguna untuk
membaca citra yang tersimpan dalam bentuk file. Proses ini diperlukan
untuk dapat membaca citra agar dapat dilakukan proses selanjutnya.
2.4.2. Operasi Geometrik
31 | P a g e 2.4.3. Segmentasi Citra
Segmentasi citra merupakan proses yang ditujukan untuk mendapatkan objek-objek yang terkandung di dalam citra atau membagi citra ke dalam beberapa daerah dengan setiap objek atau daerah memiliki kemiripan atribut. Pada citra yang mengandung hanya satu objek, objek dibedakan dari latar belakangnya. Segmentasi juga biasa dilakukan sebagai langkah awal untuk melaksanakan klasifikasi objek.
Teknik segmentasi citra didasarkan pada dua properti dasar nilai aras keabuan: ketidaksinambungan dan kesamaan antarpiksel. Pada bentuk yang pertama, pemisahan citra didasarkan pada perubahan mendadak pada aras keabuan. Contoh yang menggunakan pendekatan seperti itu adalah detektor garis dan detektor tepi pada citra.
Segmentasi Citra
Ekstraksi Fitur
Pengklasifikasi
Citra masukan
Objek daun Fitur-fitur pada daun
Jenis tanaman
32 | P a g e 2.4.4. Konversi Citra Berskala Keabuan
Dalam praktik, seringkali diperlukan utuk mengonversi citra berwarna ke dalam bentuk citra berskala keabuan mengingat banyak pemrosesan citra yang bekerja pada skala keabuan. Namun, terkadang citra berskala keabuan pun perlu dikonversikan ke citra biner, mengingat beberapa operasi dalam pemrosesan citra berjalan pada citra biner. Secara umum citra berwarna dapat dikonversikan ke citra berskala keabuan melalui rumus:
I=a x R+b x G+c x B, a+b+c=1 (2.1)
dengan R menyatakan nilai komponen merah, G menyatakan nilai komponen hijau, dan B menyatakan nilai komponen biru. Misalnya, sebuah piksel mempunyai komponen R, G, B sebagai berikut:
R = 50 G = 70 B = 61
Jika a, b, dan c pada Persamaan 2.1 dibuat sama, akan diperoleh hasil seperti berikut:
I = (50 + 70 + 60) / 3 = 60
Salah satu contoh rumus yang biasa dipakai untuk mengubah ke skala keabuan yaitu:
33 | P a g e 2.4.5. Ekstraksi Fitur
Sebelum membahas fitur-fitur tersebut, dua pengertian dasar akan dibahas, yaitu bentuk, deskriptor dan fitur. Definisi bentuk menurut D.G. Kendall (Stegmann dan Gomez, 2002) adalah infomasi geometris yang tetap ketika efek lokasi, skala, pemutaran dilakukan terhadap sebuah objek. Deskriptor adalah seperangkat parameter yang mewakili karakteristik tertentu objek, yang dapat digunakan untuk menyatakan fitur objek. Adapun fitur dinyatakan dengan susunan bilangan yang dapat dipakai untuk mengidentifikasi objek.
Fitur-fitur suatu objek mempunyai peran yang penting untuk berbagai aplikasi berikut.
Pencarian citra: Fitur dipakai untuk mencari objek-objek tertentu yang berada di dalam database.
Penyederhanaan dan hampiran bentuk: Bentuk objek dapat dinyatakan dengan representasi yang lebih ringkas.
Pengenalan dan klasifikasi: Sejumlah fitur dipakai untuk menentukan jenis objek. Sebagai contoh, fitur citra daun digunakan untuk menentukan nama tanaman.
34 | P a g e Teridentifikasi: Fitur berupa nilai yang dapat digunakan untuk
membedakan antara suatu objek dengan objek lain. Jika kedua fitur tersebut didampingkan, dapat ditemukan perbedaan yang hakiki. Hal ini sama seperti kalau dilakukan oleh manusia secara visual.
Tidak dipengaruhi oleh translasi, rotasi, dan penyekalaan: Dua objek yang sama tetapi berbeda dalam lokasi, arah pemutaran, dan ukuran tetap dideteksi sama.
Tidak bergantung pada affine: Idealnya, efek affine tidak mempengaruhi fitur.
Tahan terhadap derau: Fitur mempunyai sifat yang andal terhadap derau atau cacat data. Sebagai contoh, daun yang sama tetapi salah satu sedikit robek tetap dikenali sebagai objek yang sama.
Tidak bergantung pada tumpang-tindih: Apabila objek sedikit tertutupi oleh objek lain, fitur bernilai sama dengan kalau objek itu terpisah.
Tidak bergantung secara statistis: Dua fitur harus tidak bergantung satu dengan yang lain secara statistik.
35 | P a g e terletak pada batas dua area” (Gonzalez & Woods, 2002). Perlu
diketahui, tepi sesungguhnya mengandung informasi yang sangat penting. Informasi yang diperoleh dapat berupa bentuk maupun ukuran objek.
Umumnya, deteksi tepi menggunakan dua macam detektor, yaitu detektor baris (Hy) dan detektor kolom (Hx). Beberapa contoh yang tergolong jenis ini adalaah operator Roberts, Prewitt, Sobel, dan Frei-Chen.
Deteksi tepi dapat dibagi menjadi dua golongan. Golongan pertama disebut deteksi tepi orde pertama, yang bekerja dengan menggunakan turunan atau diferensial orde pertama. Termasuk kelompok ini adalah operator Roberts, Prewitt, dan Sobel. Golongan kedua dinamakan deteksi tepi orde kedua, yang menggunakan turunan orde kedua. Contoh yang termasuk kelompok ini adalah Laplacian of Gaussian (LoG).
2.4.6. Deteksi Tepi Canny
36 | P a g e Terdapat enam langkah yang dilakukan untuk mengimplementasikan deteksi tepi Canny (Green, 2002). Keenam langkah tersebut dijabarkan berikut ini.
Langkah 1:
Pertama-tama dilakukan penapisan terhadap citra dengan tujuan untuk menghilangkan derau.
Langkah 2:
Setelah penghalusan gambar terhadap derau dilakukan, dilakukan proses untuk mendapatkan kekuatan tepi (edge strength). Hal ini dilakukan dengan menggunakan operator Gaussian.
Selanjutnya, gradien citra dapat dihitung melalui rumus:
G Gx Gy (2.2)
Langkah 3:
Langkah ketiga berupa penghitungan arah tepi. Rumus yang digunakan untuk keperluan ini:
theta = tan-1(Gy, Gx) (2.3) Langkah 4:
37 | P a g e
Gambar 2.7 Matriks piksel berukuran 5x5
Selanjutnya, arah tepi yang diperoleh akan dimasukkan ke dalam salah satu kategori dari keempat arah tadi berdasarkan area yang tertera pada Gambar 2.8. Berikut adalah aturan konversi yang berlaku:
38 | P a g e Semua arah tepi yang berkisar antara 0 dan 22,5 serta 157,5 dan 180 derajat (warna biru) diubah menjadi 0 derajat. Semua arah tepi yang berkisar antara 22,5 dan 67,5 derajat (warna kuning) diubah menjadi 45 derajat. Semua arah tepi yang berkisar antara 67,5 dan 112,5 derajat (warna merah) diubah menjadi 90 derajat. Semua arah tepi yang berkisar antara 112,5 dan 157,5 derajat (warna hijau) diubah menjadi 135 derajat.
Langkah 5:
Setelah arah tepi diperoleh, penghilangan non-maksimum dilaksanakan. Penghilangan non-maksimum dilakukan di sepanjang tepi pada arah tepi dan menghilangkan piksel-piksel (piksel diatur menjadi 0) yang tidak dianggap sebagai tepi. Dengan cara seperti itu, diperoleh tepi yang tipis.
Langkah 6:
Langkah keenam berupa proses yang disebut hysteresis. Proses ini menghilangkan garis-garis yang seperti terputus-putus pada tepi objek. Caranya adalah dengan menggunakan dua ambang T1 dan T2. Lalu, semua piksel citra yang bernilai lebih besar daripada T1 dianggap sebagai piksel tepi. Selanjutnya, semua piksel yang terhubung dengan piksel tersebut dan memiliki nilai lebih besar dari T2 juga dianggap sebagai piksel tepi.
Bagian penting yang perlu dijelaskan adalah penghilangan non
-maksimum dan peng-ambangan histeresis. Penghilangan non
-maksimum dilakukan dengan mula-mula menyalin isi larik Grad
(yang berisi besaran gradien) ke Non_max. Selanjutnya, penghilangan
non-maksimum dilaksanakan dengan memperhatikan dua titik tetangga
yang terletak pada arah tepi (yang tersimpan dalam Theta). Misalnya,
39 | P a g e kecil daripada nilai salah satu atau kedua gradien tetangga, nilainya akan diabaikan (diubah menjadi nol). Seluruh kemungkinan proses seperti itu dijabarkan dalam Gambar 2.9.
Arah tepi 135o:
if (Grad(i,j) <= Grad(i+1,j+1)) || ... (Grad(i,j) <= Grad(i-1,j-1)) Non_max(i,j) = 0;
end
Arah tepi 45o:
if (Grad(i,j) <= Grad(i-1,j+1)) || ... (Grad(i,j) <= Grad(i+1,j-1)) (Grad(i,j)<= Grad(i,j-1))
Non_max(i,j) = 0; end
i, j-1 i, j i, j+1
Gambar 2.9 Penghilangan non-maksimum
Peng-ambangan histeresis dilakukan dengan melibatkan dua ambang T1 (ambang bawah) dan ambang T2 (ambang atas). Nilai yang kurang dari T1 akan diubah menjadi hitam (nilai 0) dan nilai yang lebih dari T2 diubah menjadi putih (nilai 255). Lalu, bagaimana nilai yang lebih dari atau sama dengan T1 tetapi kurang dari T2? Oleh karena itu, untuk sementara nilai pada posisi seperti itu diberi nilai 128, yang menyatakan nilai abu-abu atau belum jelas, akan dijadikan 0 atau 255.
40 | P a g e
255 255
255 128
255
255
255 255 255
255 255
255 255
255
255
255 255 255
j-1 j j+1
i-1
i
i+1
Gambar 2.10Pengujian untuk mengubah nilai 128 menjadi 255 2.4.7. Mengetahui Ukuran Citra
Citra digital dibentuk oleh kumpulan titik yang dinamakan piksel (pixel atau “picture element”). Setiap piksel digambarkan sebagai satu kotak
kecil. Setiap piksel mempunyai koordinat posisi. Sistem koordinat yang dipakai untuk menyatakan citra digital ditunjukkan pada Gambar 2.11.
0 N-1
M-1 0
x
y
Posisi sebuah piksel
41 | P a g e Dengan sistem koordinat yang mengikuti asas pemindaian pada layar TV standar itu, sebuah piksel mempunyai koordinat berupa
(x, y) Dalam hal ini,
x menyatakan posisi kolom; y menyatakan posisi baris;
piksel pojok kiri-atas mempunyai koordinat (0, 0) dan piksel pada pojok kanan-bawah mempunyai koordinat (N-1, M-1). 2.4.8. Konversi Citra Biner
Strategi yang dipakai yaitu dengan menerapkan suatu nilai yang dikenal sebagai nilai ambang (threshold). Nilai tersebut dipakai untuk menentukan suatu intensitas akan dikonversikan menjadi 0 atau menjadi 1. Secara matematis, konversi dinyatakan dengan rumus:
� = { , � ≥, � < (2.5)
2.5 Pengenalan Pola
Pengenalan pola adalah suatu proses atau rangkaian pekerjaan yang bertujuan mengklasifikasikan data numeric dan symbol. Banyak teknik statistic dan sintaksis yang telah dikembangkan untuk keperluan klasifikasi pola dan teknik-teknik ini dapat memainkan peran penting dalam sistem visual untuk pengenalan obyek yang biasanya memerlukan banyak teknik.
42 | P a g e sehingga penggolongan obyek yang bersangkutan dapat dilakukan dengan lebih mudah. Pola sendiri adalah suatu entitas yang terdefinisi dan dapat diidentifikasikan serta diberi nama. Pola bisa merupakan kumpulan hasil pengukuran atau pemantauan dan bisa dinyatakan dalam notasi vector atau matriks.
2.5.1 Struktur dari Sistem Pengenalan Pola
Sistem terdiri atas sensor (misalnya kamera), suatu algoritma atau mekanisme pencari fitur, dan algoritma untuk klasifikasi atau pengenalan (bergantung pada pendekatan yang dilakukan). Sebagai tambahan, biasanya beberapa data yang sudah diklasifikasikan diasumsikan telah tersedia untuk melatih sistem.
Gambar 2.12 Struktur Sistem Pengenalan Pola
Sensor berfungsi untuk menangkap objek dari dunia nyata dan selanjutnya diubah menjadi sinyal digital (sinyal yang terdiri atas sekumpulan bilangan) melalu proses digitalisasi.
43 | P a g e Pencari dan seleksi fitur berfungsi menemukan karakteristik pembeda yang mewakili sifat utama sinyal dan sekaligus mengurangi dimensi sinyal menjadi sekumpulan bilangan yang lebih sedikit tetapi represantif.
Algoritma klasifikasi berfungsi untuk mengelompokan fitur ke dalan kelas yang sesuai. Algoritma deskripsi berfungsi memberikan deskripsi pada sinyal.
2.5.2 ANN (Artificial Neural Network)
Jaringan Saraf Tiruan atau Artificial Neural Network yang disingkat dengan ANN merupakan model jaringan neural yang meniru prinsip kerja dari neuron otak manusia (neuron biologis). ANN pertama kali muncul setelah model sederhana dari neuron buatan diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. Model sederhana tersebut dibuat berdasarkan fungsi neuron biologis yang merupakan dasar unit pensinyalan dari sistem saraf.
Jaringan saraf tiruan memiliki beberapa kemampuan seperti yang dimiliki otak manusia, yaitu :
1. Kemampuan untuk belajar dari pengalaman
2. Kemampuan melakukan perumpamaan (generalization) terhadap input baru dari pengalaman yang dimilikinya
44 | P a g e Gambar 2.13 Ilustrasi Model ANN
Pemodelan ANN merupakan pemodelan dengan menggunakan pendekatan pemodelan black box. Prinsip kerja ANN didasari pada mekanisme kerja penyaluran informasi sistem NN. Namun demikian karena keterbatasan yang dimiliki oleh struktur ANN maka hanya sebagian kecil saja dari kemampuan sistem saraf manusia dapat ditiru.
Tabel 2.6 Perbandingan NN dengan ANN
NN ANN
Soma (Sel Tubuh) Node Dendrites Sinyal Input Sinyal pada Akson Sinyal Output
Synapsis Bobot
Memiliki Kecepatan Rendah
Memiliki Kecepatan Tinggi
Memiliki Neuron sekitar 100 Miliar
Hanya Memiliki
sekitar Ratusan Neuron
2.5.3 LVQ (Learning Vector Quantization)
45 | P a g e langsung dengan setiap neuron pada lapisan keluaran. Koneksi antar neuron tersebut dihubungkan dengan bobot / weight. Neuron-neuron keluaran pada LVQ menyatakan suatu kelas atau kategori tertentu (Kusumadewi, 2003).
Proses pembelajaran pada LVQ dilakukan melalui beberapa epoh (jangkauan waktu) sampai batas epoh maksimal terlewati. LVQ melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input. Jika 2 vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut ke dalam kelas yang sama. Metode pembelajaran LVQ dikerjakan dengan algoritma berikut (Kusumadewi,2003) :
1 : Inisialisasi vector bobot wj dan set parameter learning rate α 2 : Selama epoh < maxEpoh kerjakan 2 -6
3 : Untuk setiap vector masukan x dengan kelas T, kerjakan 3-4
4 : Temukan j sedemikian hingga d(x,wj) minimum, dan tandai j sebagai cj. 5 : Update vector bobot wj dengan cara :
Jika T = cj, maka
wj(baru) = wj(lama) + α(x-wj(lama)) …(1)
46 | P a g e Gambar 2.14 Jaringan LVQ
2.6 OpenCV (Open Computer Vision)
OpenCV adalah sebuah library yang berisi fungsi-fungsi pemrograman untuk teknologi computer vision real time. OpenCV bersifat open source, bebas digunakan untuk hal-hal yang bersifat akademis dan komersial. Dan untuk saat ini library OpenCV sudah dapat digunakan dalam perangkat smartphone. Terdapat lebih dari 2500 algoritma yang terdapat dalam library OpenCV, digunakan di seluruh dunia, telah lebih dari 2.5 juta kali diunduh, dan digunakan lebih dari 40.000 orang. Penggunaannya antara lain pada seni interaktif, inspeksi ambang, menampilkan peta di web melalui teknologi robot.
47 | P a g e 2.7 Smartphone
Android adalah sebuah sistem operasi untuk perangkat mobile berbasis linux yang mencakup sistem operasi, middleware dan aplikasi. Android menyediakan platform terbuka bagi para pengembang untuk menciptakan aplikasi mereka. Pada masa saat ini sebagian besar vendor-vendor smartphone sudah memproduksi smartphone berbasis Android. Hal ini dikarenakan android merupakan sistem operasi yang open source sehingga bebas didistribusikan dan dipakai oleh vendor manapun.
48 | P a g e 2.7.1 The Dalvik Virtual Machine (DVM)
Salah satu elemen kunci dari Android adalah Dalvik Virtual Machine (DVM). Android berjalan di dalam DVM bukan di (Java Virtual Machine) JVM. Android menggunanakan Virtual Machine sendiri yang dikustomisasi dan dirsncang untuk memastikan bahwa beberapa feature berjalan lebih efisien pada perangkat mobile.
DVM mengeksekusi executable file, sebuah format yang dioptimalkan untuk memastikan memori yang digunakan sangat kecil. The executable file diciptakan dengan mengubah kelas bahasa java dan dikompilasi menggunakan tools yang disediakan dalam SDK Android.
2.7.2 Android SDK (Software Development Kit)
Android SDK adalah tools API (Application Programming Interface) yang diperlukan untuk mulai mengembangkan aplikasi pada platform Android menggunakan bahasa pemrograman Java. Android merupakan subset perangkat lunak untuk ponsel yang meliputi sistem operasi, middleware dan aplikasi kunci yang direlease oleh Google. Saat ini disediakan Android SDK sebagai alat bantu dan API untuk memulai mengembangkan aplikasi pada platform Android menggunakan bahasa Java.
Beberapa fitur-fitur Android yang paling penting adalah :
Framework Aplikasi yang mendukung penggantian komponen dan reusable
49 | P a g e Grafis yang dioptimalkan dan didukung oleh libraries grafis 2D, grafis
3D berdasarkan spesifikasi opengl ES 1.0 (Opsional akselerasi hardware)
SQLite untuk penyimpanan data
Media support yang mendukung audio, video dan gambar (MPEG4, H.264, MP3, AAC, AMR, JPG, PNG, GIF), GSM Telephony (tergantung hardware)
Bluetooth, EDGE, 3G dan WiFi (tergantung hardware)
Kamera, GPS, kompas dan accelerometer (tergantung hardware)
Lingkungan development yang lengkap dan kaya termasuk perangkat emulator, tools untuk debugging, profil dan kinerja memori dan plugin untuk IDE Eclipse
2.7.3 ADT (Android Development Tools)
50 | P a g e 2.8 Penelitian Kualitatif
Penelitian kualitatif didefinisikan sebagai suatu proses yang mencoba untuk mendapatkan pemahaman yang lebih baik mengenai kompleksitas yang ada dalam interaksi manusia (Catherine Marshal: 1995). Desain penelitian kualitatif bersifat fleksibel dan berubah-ubah sesuai dengan kondisi lapangan tidak seperti desain riset penelitian kuantitatif yang bersifat tetap, baku dan tidak berubah-ubah. Tujuan penelitian kualitatif biasanya berkaitan dengan hal-hal yang bersifat praktis.
Data dalam penelitian kualitatif bersifat deskriptif bukan angka. Data dapat berupa gejala-gejala, kejadian dan peristiwa yang kemudian dianalisis dalam bentuk kategori-kategori. Jika dilihat dari jenisnya, maka data kualitatif dapat dibedakan menjadi sebagai berikut:
1. Data Primer
Data yang diperoleh dari sumber pertama, biasanya disebut dengan responden. Data diperoleh melalui pertanyaan tertulis dengan menggunakan kuisioner atau lisan dengan menggunakan metode wawancara.
2. Data Sekunder
51 | P a g e 2.9 Model Pengembangan Sistem RAD (Rapid Application Development)
Dalam penyusunan Skripsi ini, metode pengembangan sistem yang digunakan adalah Model Pengembangan RAD (Rapid Application Development) dan pemodelan objek dengan menggunakan tools UML. RAD adalah model proses pengembangan perangkat lunak yang bersifat incremental terutama untuk waktu pengerjaan yang pendek. Karena hal tersebut, penulis menggunakan model ini untuk pembuatan aplikasi pengenalan jenis ricikan Keris Jawa. Skema model pengembangan RAD (Rapid Application Development) dapat dilihat pada gambar 2.9 (Kendall & Kendall: 2002) :
Gambar 2.15 Ilustrasi Model Rapid Application Development Fase dalam Model RAD (Kendall & Kendall, 2002) adalah sebagai berikut:
a. Fase Perencanaan Syarat-Syarat
