51
51
BAB IV
IMPLEMENTASI DAN PENGUJIAN
4.1. Tampilan Hasil
4.1.1. Implementasi Pembuatan Model CNN 1. Data Citra
Sebelum memulai membuat model CNN, maka perlu dideklarasikan terlebih dahulu directory yang digunakan sebagai tempat menyimpan data citra tulisan aksara sunda. Pada tahapan ini dideklarasikan dua directory yang digunakan yaitu train_dir sebagai directory untuk data training, sedangkan test_dir digunakan sebagai directory untuk data testing.
2. Membangun Model CNN
Tahapan selanjutnya adalah membangun model CNN menggunakan fungsi sequential(). Pada tahapan ini dilakukan 3 proses konvolusi menggunakan fungsi Conv2D() dengan jumlah filter sebanyak 32, 64, dan 128 serta ukuran kernel sebesar 3x3. Pada masing-masing proses konvolusi ditambahkan aktivasi fungsi ReLU, aktivasi ini berfungsi untuk mengubah nilai negatif pada matriks hasil proses konvolusi.
Setelah proses konvolusi dijalankan, maka dilakukan proses pooling menggunakan fungsi MaxPooling2D() dengan ukuran kernel sebesar 2x2 untuk mengurangi ukuran dimensi dari matriks dengan cara mengambil nilai yang terbesar.
Selanjutnya masuk pada proses flattening untuk mengubah nilai output dari proses pooling menjadi array satu dimensi dengan menggunakan fungsi Flatten(), kemudian ditambahkan hidden layer menggunakan fungsi dense() dengan jumlah
52
1024. Untuk mempercepat proses learning dan menghindari terjadinya overfitting maka
ditambahkan nilai dropout sebesar 0.2, sedangkan untuk mendapatkan output dari proses klasifikasi aksara sunda, maka digunakan aktivasi softmax.
3. Compile Model
Setelah selesai membangun model CNN selanjutnya dilanjutkan pada tahapan compile model dengan menggunakan fungsi compile(). Pada tahapan ini terdapat beberapa parameter yang digunakan diantaranya loss_function dengan nilai
‘categorical crossentropy’ yang berfungsi untuk menghitung nilai error pada model yang menggunakan banyak kelas, parameter optimizer dengan nilai ‘adam’ yang berfungsi untuk menjalankan proses perubahan bobot yang ada di dalam model.
Kemudian parameter metrics dengan nilai ‘accuracy’ yang berfungsi untuk melihat kinerja dari model saat proses latih dan uji.
4. Augmentasi Data
Sebelum melakukan fitting model, maka diperlukan tahapan augmentasi data yang bertujuan untuk mendapatkan performa yang optimal dalam proses learning serta untuk menghindari terjadinya overfitting dan menambah data. Dalam melakukan augmentasi data digunakan fungsi ImageGenerator(), Pada tahapan ini dilakukan beberapa teknik diantaranya:
a. rescale 1./255 digunakan untuk menormalisasi citra.
b. rotation_range= 20 digunakan untuk memutar gambar dengan sudut 20 derajat secara acak.
c. zoom_range= 20 digunakan untuk memperbesar citra dengan perbesaran sebesar 20%.
d. width_shift_range= 20 digunakan untuk mengeser objek kearah kanan atau kiri secara acak sebesar 20%, sedangkan height_shift_range= 20 digunakan untuk mengeser objek kearah atas atau bawah secara acak sebesar 20%.
e. horizontal_flip=True digunakan untuk membalik gambar secara horizontal sebesar 180 derajat.
Gambar IV.1
Ilustrasi Proses Data Augmentasi
5. Proses Fitting Model
Dalam melakukan tahapan fitting model digunakan fungsi fit_generator() yang berguna untuk mengaplikasikan model pada data training dan melakukan validasi hasilnya pada data validation. Terdapat beberapa parameter yang digunakan pada tahapan ini yakni epoch diisi dengan nilai 100, artinya akan dilakukan proses training sebanyak 100 kali, steps_per_epoch diisi dengan nilai dari jumlah total gambar pada data training dibagi dengan banyaknya nilai batch_size yakni 16, selanjutnya validation_steps diisi dengan nilai jumlah total gambar dari data validation dibagi dengan banyaknya nilai batch_size yakni 16.
Gambar IV.2 Hasil Proses Fitting Model
. . . . . . . . . . . . Epoch 100/100
10/10 [==============================] - 2s 233ms/step - loss: 0.1450 - accuracy:
0.9381 - val_loss: 0.0755 - val_accuracy: 0.9750
Berdasarkan gambar IV.2, dari hasil proses fitting model maka akan dihasilkan beberapa nilai diantaranya nilai loss menyatakan nilai loss function dari data training, nilai accuracy menyatakan nilai akurasi dari data training, nilai val_loss menyatakan nilai loss function dari data validation dan val_accuracy menyatakan nilai accuracy dari data validation.
4.1.2. Konversi Model CNN
Tensorflow lite (tflite) adalah model machine learning yang dioptimalkan untuk dapat berjalan di perangkat seluler. Agar model yang telah dibuat dapat digunakan untuk melakukan klasifikasi aksara sunda pada perangkat mobile, maka model yang telah dibuat perlu dikonversi terlebih dahulu menjadi model tensorflow lite (.tflite).
Pada gambar dibawah ini menunjukan proses konversi model menggunakan perintah tf.lite.TFLiteConverter.from_keras_model
Gambar IV.3 Proses Konversi Model
4.1.3. Implementasi Perancangan Aplikasi 1. Halaman SplashScreen
Halaman SplashScreen merupakan halaman yang pertama kali ditampilkan ketika pengguna menjalankan aplikasi. Tampilan halaman SplashScreen ditunjukan gambar IV.4
from datetime import date
converter = tf.lite.TFLiteConverter.from_keras_model(model) tflite_model = converter.convert()
tflite_model_file_name = "aksarasunda_"+tf.__version__+"_"+
str(date.today())+".tflite"
open(tflite_model_file_name, "wb").write(tflite_model)
Gambar IV.4
Tampilan Halaman SplashScreen
2. Halaman Menu
Halaman menu merupakan yang ditampilkan setelah halaman splashscreen.
Pada halaman ini terdapat tiga menu yang dapat pengguna gunakan yaitu menu petunjuk, menu deteksi aksara, dan menu tentang aplikasi. Tampilan halaman menu ditunjukan pada gambar IV.5
Gambar IV.5 Tampilan Halaman Menu
Setiap menu pada halaman ini, memiliki fungsinya masing-masing. Berikut ini fungsi dari masing-masing menu yang ditunjukan pada Tabel IV.1
Tabel IV.1
Penjelasan Fungsi Menu Pada Halaman Menu
No Nama Menu Keterangan
1. Petunjuk Berisikan informasi mengenai petunjuk penggunaan dalam melakukan klasifikasi.
2. Deteksi Aksara Menu yang berfungsi untuk melakukan proses klasifikasi aksara sunda.
3. Tentang Aplikasi Berisikan informasi mengenai penjelasan singkat mengenai aplikasi.
3. Halaman Petunjuk
Halaman petunjuk merupakan halaman yang berfungsi memberikan informasi kepada pengguna mengenai tata cara melakukan deteksi aksara sunda. Tampilan halaman petunjuk ditunjukan pada gambar IV.6
Gambar IV.6
Tampilan Halaman Petunjuk
4. Halaman Deteksi
Halaman deteksi merupakan halaman yang berfungsi untuk melakukan deteksi atau klasifikasi citra aksara sunda. Pada halaman ini pengguna menginput data berupa gambar atau citra yang berasal dari kamera atau galeri, selanjutnya data input akan dicocokan polanya dengan model yang telah dibuat. Tampilan halaman deteksi ditunjukan gambar IV.7
Gambar IV.7 Tampilan Halaman Deteksi
5. Halaman Tentang Aplikasi
Halaman tentang aplikasi merupakan halaman yang berfungsi memberikan informasi kepada pengguna terkait penjelasan singkat mengenai aplikasi. Tampilan halaman tentang aplikasi ditunjukan pada gambar IV.8
Gambar IV.8
Tampilan Halaman Tentang Aplikasi
4.2. Cara Kerja Aplikasi
Dalam melakukan proses klasifikasi citra tulisan tangan aksara sunda menggunakan aplikasi, maka diawali dengan pengguna mengambil data input berupa gambar tulisan tulisan tangan aksara sunda. Ketika gambar berhasil diambil, pengguna selanjutnya menekan tombol deteksi. Selanjutnya akan dilanjutkan pada proses klasifikasi dengan cara mencocokan pola atau ciri antara data input dengan model yang telah dibuat. Output dari proses klasifikasi akan ditampilkan berupa label atau kelas dari aksara sunda yang terdeteksi. Cara kerja aplikasi pengenalan akasara sunda dapat dilihat pada gambar IV.9.
Gambar IV.9
Cara Kerja Aplikasi Pengenalan Aksara Sunda
4.3. Hasil Pengujian
Pengujian dilakukan terhadap model convolution neural network (CNN) dan aplikasi, hal tersebut bertujuan untuk dijadikan acuan mengenai kemampuan sistem yang telah dibuat. Dalam melakukan ujicoba pada model CNN digunakan data input yang berasal dari data testing dengan total 40 data citra yang terdiri dari 10 kelas dengan masing – masing kelas terdiri dari 4 data citra, untuk mendapatkan nilai akurasi maka dapat menggunakan persamaan IV.1.
(IV.1)
Sedangkan ujicoba menggunakan aplikasi digunakan data input yang berasal dari tulisan tangan yang kemudian diambil menggunakan kamera ponsel, dengan tujuan untuk mengetahui hasil deteksi yang ditampilkan oleh aplikasi, ujicoba ini dilakukan terhadap 10 kelas aksara sunda.
4.3.1. Pengujian Model CNN
Pengujian pada model CNN dilakukan terhadap 10 kelas aksara sunda yang berasal dari data testing berjumlah 40 data citra. Tujuan dari pengujian ini untuk melihat seberapa besar akurasi yang didapat dari model CNN yang telah dibuat.
Tabel IV.2
Hasil Pengujian Model CNN
Matriks Prediction Class
4 8 Ja Ka Na O Qa Sa Sya Ya
Actual Class
4 4 0 0 0 0 0 0 0 0 0
8 0 4 0 0 0 0 0 0 0 0
Ja 0 0 4 0 0 0 0 0 0 0
Ka 0 0 0 3 0 0 1 0 0 0
Na 0 0 0 0 4 0 0 0 0 0
O 0 0 0 0 0 4 0 0 0 0
Qa 0 0 0 0 0 0 4 0 0 0
Sa 0 0 0 0 0 0 0 4 0 0
Sya 0 0 0 0 0 0 0 0 4 0
Ya 0 0 0 0 0 0 0 0 0 4
Berdasarkan tabel IV.2, hasil klasifikasi dari model terhadap data testing menunjukan hasil yang baik. Dari total 40 data citra sebanyak 39 data berhasil diklasifikasi dengan benar dan terdapat kesalahan mendeteksi dari input kelas Ka yang diklasifikasikan sebagai Qa sebanyak 1 data. Berdasarkan persamaan IV.1 maka perhitungan akurasi dari keseluruhan matriks diatas adalah sebagai berikut:
Jadi akurasi yang dihasilkan oleh model didapatkan nilai sebesar 97,5%.
4.3.2. Pengujian Menggunakan Aplikasi
Pada tahapan ini, dilakukan pengujian model menggunakan aplikasi untuk mengetahui seberapa besar akurasi yang dihasilkan. Data citra yang digunakan pada
pengujian ini berasal dari tulisan tangan aksara sunda yang ditulis diatas kertas HVS berjumlah 50 aksara yang terbagi kedalam 10 kelas, dimana tiap kelas terdapat 5 aksara. Hasil uji pengujian disajikan dalam tabel IV.3.
Tabel IV.3
Hasil Pengujian Menggunakan Aplikasi
Aksara Sunda
Jumlah Data Uji
Jumlah Data Benar
Tampilan Hasil Pengujian
4 5 5
8 5 5
Ja 5 5
Ka 5 5
Na 5 5
O 5 5
Qa 5 5
Sa 5 4
Sya 5 5
Ya 5 5
Total 50 49
Berdasarkan tabel IV.3, hasil klasifikasi dari model menggunakan aplikasi menunjukan hasil yang baik. Dari total 50 data citra, sebanyak 49 data berhasil diklasifikasi dengan benar dan terdapat kesalahan mendeteksi dari data citra kelas SA. Berdasarkan persamaan IV.1 maka perhitungan akurasi dari pengujian diatas adalah sebagai berikut:
Jadi, akurasi yang dihasilkan oleh aplikasi didapatkan nilai sebesar 98.
