Nama : Iwan Setiawan Jenis Kelamin : Laki-Laki
Tempat, Tanggal Lahir : Bandung, 21 April 1987 Kewarganegaraan : Indonesia
Status Perkawinan : Menikah
Agama : Islam
Alamat Lengkap : Jl. Trs. Suryani Gg. Abadi Dlm. No 1 RT. 03 RW. 02 Bandung
Telepon, HP : 081313167569
Email : iwanacew@gmail.com
2. Riwayat Pendidikan
1993 - 1999 : SDN Babakan III Bandung 1999 - 2002 : SMP Pasundan 4 Bandung 2002 - 2005 : SMKN 6 Bandung
2011 - 2016 : Program Strata Satu (S1) Program Studi Teknik Informatika, Universitas Komputer Indonesia
Demikian riwayat hidup ini saya buat dengan sebenar-benarnya dalam keadaan sadar dan tanpa paksaan.
Bandung, Agustus 2016
CHAMFER MATCHING (DI PERUSAHAAN SUI
WAREHOUSE PRODUCTION)
SKRIPSI
Diajukan untuk Menempuh Ujian Akhir Sarjana
Oleh :
Iwan Setiawan 10111205
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS KOMPUTER INDONESIA
iii
Asalamualaikum Wr.Wb
Dengan menyebut nama Allah SWT yang Maha Pengasih lagi Maha Panyayang, puji dan syukur penulis panjatkan kehadirat Allah S.W.T karena dengan rahmat dan karunia-nya sehingga penulis dapat menyelesaikan penyusunan skripsi yang berjudul “PEMBANGUNAN APLIKASI PENGENALAN OBJEK PADA T-SHIRT MENGGUNAKAN METODE CANNY DAN CHAMFER MATCHING (DI PERUSAHAAN SUI WAREHOUSE PRODUCTION)” sebagai syarat untuk menyelesaikan studi jenjang strata satu (S1) di Program Studi Teknik Informatika, Universitas Komputer Indonesia.
Penulisan skripsi ini tidak lepas dari bantuan dan dukungan seluruh pihak, untuk itu penulis ingin mengucapkan banyak terima kasih kepada :
1. Kedua orang tua dan segenap keluarga, Bapak H. Lili Somantri dan Ibu HJ. Oon, Istri tercinta Siti Solihat, kakak-kakak Agus Ramdhon dan Rudi Hidayat, Serta adik-adik Soni Mansyur, Sandi Nugraha dan Sri Yanti yang telah memberikan motivasi dan dukungan moral sehingga penulis dapat menyelesaikan penulisan skripsi ini.
2. Bapak Irfan Maliki, S.T., M.T., selaku dosen pembimbing yang telah memberikan bimbingan dan pengarahan kepada penulis selama penulisan skripsi ini.
3. Ibu Nelly Indriani W, S.Si., M.T., selaku dosen reviewer dan penguji yang telah memberikan masukan dan saran kepada penulis.
4. Seluruh dosen di Universitas Komputer Indonesia khususnya pada Program Studi Teknik Informatika yang telah memberikan ilmu pengetahuan.
iv
7. Keluarga besar JABAR TRAIL ADVENTURE yang selalu memberi motivasi dan dukungan sehingga penulis bisa menyelesaikan penulisan skripsi ini. 8. Keluarga besar Sui Warehouse Production yang telah memberikan arahan dan
masukan sehingga penulis bisa menyelesaikan penulisan skripsi ini.
Akhir kata penulis mengharapkan semoga skripsi ini dapat bermanfaat serta menambah wawasan pengetahuan baik bagi penulis dan umumnya dapat bermanfaat bagi para pembaca.
Wassalamualaikum Wr.Wb.
Bandung, Agustus 2016
v
DAFTAR ISI
ABSTRAK ... i
ABSTRACT ... ii
KATA PENGANTAR ... iii
DAFTAR ISI ... v
DAFTAR GAMBAR ... ix
DAFTAR TABEL ... x
DAFTAR SIMBOL ... xii
DAFTAR LAMPIRAN ... xvi
BAB 1 PENDAHULUAN ... 1
1.1 Latar Belakang Masalah ... 1
1.2 Rumusan Masalah ... 2
1.3 Maksud dan Tujuan ... 2
1.4 Batasan Masalah... 3
1.5 Metodologi Penelitian ... 3
1.6 Sistematika Penulisan... 7
BAB 2 LANDASAN TEORI ... 9
2.1 Pengolahan Citra (Image Processing) ... 9
2.2 Citra Digital ... 9
2.2.1. Karakteristik Citra Digital ... 10
2.2.2. Tipe Citra Digital ... 11
2.2.1 2.2.3. Format File Citra Digital ... 12
2.3 Citra Grayscale ... 13
vi
2.4.1. Canny ... 15
2.4.2. Normalisasi ... 18
2.5 Proses Pencocokkan (Matching Process) ... 19
2.5.1 Chamfer Matching ... 20
2.6 Unified Modelling Language (UML)... 20
2.6.1 Diagram Use Case ... 20
2.6.2 Diagram Sequence ... 21
2.6.3 Diagram Activity ... 21
2.6.4 Class Diagram ... 21
BAB 3 ANALISIS DAN PERANCANGAN SISTEM ... 23
3.1 Proses Bisnis ... 23
3.2 Analisis Sistem ... 24
3.3 Analisis Masalah ... 24
3.4 Gambaran Sistem ... 24
3.5 Arsitektur Sistem ... 25
3.6 Analisis Metode ... 25
3.7 Tahapan Metode ... 26
3.7.1 Citra Uji Dan Citra Latih ... 26
3.7.2 Matriks RGB ... 27
3.7.3 Matriks Grayscale ... 28
3.7.4 Analisis Deteksi Tepi Canny ... 30
3.8 Analisis Proses Pencocokan ... 36
3.9 Analisis Kebutuhan Sistem ... 42
3.9.1 Analisis Kebutuhan Non – Fungsional ... 42
vii
3.9.3 Analisis Kebutuhan Perangkat Lunak ... 44
3.10 Diagram Use Case ... 45
3.11 Use Case Identification ... 45
3.12 Use Case Scenario ... 46
3.13 Activity Diagram ... 48
3.14 Sequence Diagram ... 50
3.15 Class Diagram ... 51
3.16 Perancangan Antarmuka ... 52
3.17 Jaringan Semantik ... 53
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM ... 55
4.1 Peran Implementasi Sistem ... 55
4.1.1 Perangkat Keras ... 55
4.1.2 Perangkat Lunak ... 56
4.1.3 Implementasi Antarmuka ... 56
4.2 Pengujian Sistem ... 57
4.2.1 Pengujian Alpha ... 57
4.2.2 Skenario Pengujian Alpha ... 57
4.2.3 Pengujian Black Box ... 59
4.2.3.1 Pengujian Mengatur Data Barang ... 59
4.2.4 Pengujian White Box ... 63
4.2.4.1 Pengujian Ambil Gambar ... 64
4.2.4.2 Pengujian Deteksi Gambar ... 67
4.2.4.3 Pengujian Tambah Gambar ... 71
4.2.4.4 Pengujian Ubah Gambar ... 82
viii
4.2.5 Pengujian Deteksi Citra Uji Pada Citra Latih... 90
4.2.6 Perhitungan Akurasi ... 98
4.2.7 Daftar Pertanyaan Wawancara dan Kusioner ... 99
4.2.8 Hasil Pertanyaan Wawancara dan Kuisioner ... 99
BAB 5 KESIMPULAN DAN SARAN... 101
5.1 Kesimpulan ... 101
5.2 Saran ... 101
103
[1] suyatmo. 2013. Pengertian, Cara Kerja dan Masa depan Information Retrieval, http://suyatmobng.blogspot.com/2013/03/pengertian-cara-kerja-dan-masa-depan.html, ( Diakses 25 Marc 2015).
[2] M. Nazir, (2005). Metodologi Penelitian. Bogor: Ghalia Indonesia,
[3] D. Putra, (2010). Pengolahan Citra Digital. Yogyakarta: Andy,
[4] R. Munir, (2004). Pengolahan Citra Digital. Bandung: Informatika,
[5] H. A. Fatta, 2007. “KONVERSI FORMAT CITRA RGB KE FORMAT
GRAYSCALE”, Seminar Nasional Teknologi 2007.
[6] d. Merlyn Indira, 2008. “Perbandingan Metode Pendeteksi Tepi Studi Kasus : Citra USG Janin.”, Seminar Ilmiah Nasional Komputer dan Sistem Inteligen (KOMMIT 2008).
[7]
[8]
H. Prabowo Pudjo Widodo, (2011). Menggunakan UML. Bandung: informatika,
CannyEdgeDetector.HighThreshold Property
. 2013.
1 1.1 Latar Belakang Masalah
SUI Warehouse Production adalah perusahaan yang bergerak dibidang konveksi (pakaian jadi), yang beralamat di Jalan Terusan Suryani Gang Abadi Bandung, yang sudah berdiri sejak tahun 2011. Perusahaan ini memproduksi
t-shirt, kemeja, jaket, sweaters, dan lain-lain. Perusahaan ini bekerja sama dengan beberapa distro di kota Bandung seperti Airplane Systm, Plug N Play, Airborne, Under age. Saat ini telah berdiri begitu banyak distro dalam berbagai produksi
t-shirt dan identitas t-shirt masing-masing. Identitas dari hasil produksi t-shirt
distro ini biasanya dilambangkan dengan sebuah screen printing yang terdapat pada sebuah t-shirt dari distro tersebut, agar dapat membuat t-shirt tersebut lebih mudah diingat.
Screen printing merupakan suatu bentuk gambar atau sekedar sketsa, dan mewakili dari sebuah artikel t-shirt, nama distro, quantity (qty), harga dan lainnya. Screen printing lebih lazim dan dikenal oleh penglihatan atau visual dengan tanda warna dan bentuk. Screen printing ini sangat penting bagi perusahaan untuk membedakan nama t-shirt yang satu dengan yang lainnya, terutama dalam produksi, pengiriman dan pengembalian barang, karena ketika perusahaan memproduksi, mengirim atau pun pengembalian t-shirt dari salah satu distro, biasanya perusahaan disaat ingin mengetahui produk atau t-shirt tersebut berasal dari distro mana, serta informasi yang lainnya, ketika melihat citra screen printing t-shirt perusahaan bisa langsung mendapatkan informasi dari sebuah
t-shirt tersebut. Dengan begitu banyaknya hampir ratusan t-shirt yang diproduksi saat ini, perusahaan kebingungan bahkan tidak tahu tentang beberapa t-shirt yang sudah diproduksinya.
dan untuk memperbaiki detail citra yang kabur terjadi karena error atau efek dari prosses akuisisi citra, salah satu contoh edge detection adalah metode canny.
Matching Process digunakan untuk menghitung jarak antar tepi (Edge) .Dimana menentukan tingkat kemiripan dari tepi citra uji dan tepi citra latih. Semakin kecil jaraknya maka citra tersebut semakin mirip dengan citra uji.
Chamfer matching adalah metode yang dilakukan untuk mencari jarak terdekat titik tepi dari citra.
Penerapan metode canny dan chamfer matching dalam pencarian citra/gambar pada suatu aplikasi diharapkan akan sangat membantu meningkatkan ketepatan dan kecocokan gambar yang akan di proses. Dalam penelitian kali ini metode tersebut akan dipadukan dalam melakukan pencocokan citra/gambar. Berdasarkan uraian yang sudah dijelaskan diatas, maka penelitian ini akan diberi judul “Pembangunan Aplikasi Pengenalan Objek Pada T-Shirt Menggunakan Metode Canny dan Chamfer Matching Diperusahaan Sui Warehouse
Production”.
1.2 Rumusan Masalah
Berdasarkan uraian pada latar belakang masalah yang dikemukakan, maka terdapat masalah bagaimana membangun aplikasi untuk mengetahui informasi sebuah t-shirt berdasarkan dari screen printingnya untuk membantu dalam mencari tahu informasi tentang sebuah artikel t-shirt.
1.3 Maksud dan Tujuan
Maksud dari penelitian ini adalah untuk membangun aplikasi pencarian berdasarkan screen printing t-shirt berbasis citra dengan menggunakan metode
canny dan chamfer matching.
1.4 Batasan Masalah
Batasan-batasan masalah dalam pembangunan aplikasi ini adalah sebagai berikut :
1. Data yang akan di analisis hanya data t-shirt yang dikembalikandi SUI Warehouse Production.
2. Data yang digunakan untuk proses inputan berupa citra screen printing t-shirt tampak depan.
3. Citra yang dimasukan 640x480.
4. Sistem yang akan dibangun menggunakan bahasa pemograman C#. 1.5 Metodologi Penelitian
Pengumpulan Data
Perumusan Masalah
Maksud dan Tujuan Penelitian
Pengumpulan dan Pengkajian Teori-teori yang berhubungan dengan masalah
Analisis Masalah
Analisis Sistem yang Sedang Berjalan
Analisis Aturan Bisnis
Analisis Arsitektur
Perancangan dan Design Pencarian Informasi Dari Sebuah T-shirt
Pengujian Sistem
Pencarian Informasi Dari Sebuah T-shirt
Penarikan Kesimpulan Dan Saran
Observasi Wawancara
Berdasarkan gambar di atas, tahapan penelitian yang dilakukan adalah : 1. Pengumpulan data
Pada tahap awal, pengumpulan data yang dimaksud adalah melakukan survey kelapangan serta mengumpulkan data-data yang ada pada instansi.
2. Perumusan masalah
Pada tahap ketiga, perumusan masalah yang dimasud adalah melakukan identifikasi permasalahan dan meneliti permasalahan yang terjadi di SUI Warehouse Production.
3. Perumusan maksud dan tujuan penelitian
pada tahap keempat, peneliti melakukan perumusan maksud dan tujuan penelitian sesuai dengan hasil rumusan masalah. Tujuan ini dijadikan sebagai acuan dalam penelitian yang dilakukan.
4. Pengumpulan data yang berkaitan dengan masalah
Pada tahap kelima, pengumpulan data yang berkaitan dengan masalah dilakukan secara langsung mengunjungi SUI Warehouse Production yang meliputi :
a. Wawancara
Wawancara adalah salah satu cara pengumpulan data dengan cara sesi tanya jawab secara langsung dengan pihak SUI Warehouse Production.
b. Observasi
Observasi adalah pengumpulan data dengan cara melakukan pengamatan secara langsung terhadap proses pencarian informasi t-shirt di SUI Warehouse Production yang berkaitan dengan penelitian.
5. Pengumpulan dan pengkajian teori-teori yang berkaitan dengan masalah. Ada tahap keenam, peneliti mengumpulkan teori-teori yang berhubungan dengan masalah pencarian informasi dari sebuah t-shirt yang dibahas dalam penelitian. Teori ini yang nantinya akan dijadikan sebagai acuan dalam penelitian. 6. Analisis Sistem
Pada tahap ketujuh, dilakukan analisis sistem dimana pada tahap ini meliputi beberapa hal sebagai berikut :
Tahap ini merupakan sebuah asumsi dari masalah yang akan diuraikan dari hasil sebuah penelitian.
b. Analisis sistem yang sedang berjalan
Analisis yang dimaksud merupakan proses analisis yang berhubungan dengan penacarian informasi t-shirt yang sedang berjalan saat ini. Prosedur tersebut diantaranya prosedur pemesanan t-shirt, prosedur Pengiriman t-shirt, prosedur pengembalian t-shirt.
c. Analisis aturan bisnis
Analisis aturan bisnis yang dimaksud merupakan aturan bisnis yang sedang berjalan SUI Warehouse Production seperti pencarian informasi dari sebuah t-shirt.
d. Analisis Arsitektur informasi dari sebuah t-shirt
Analisis arsitektur pencarian informasi dari sebuah t-shirt dimana pada tahap ini meliputi tahap-tahap yang digunakan dalam aplikasi yang akan dibangun dengan menggunakan framework of Dynamic information retrieval dengan mengacu kepada hasil analisis Value Chain yang telah dilakukan. e. Analisis pencarian informasi sebuah t-shirt
Pada analisis pencarian informasi dari sebuah t-shirt yang dilakukan menggunakan information retrieval dengan beberapa tahap yaitu mengubah sebuah citra menjadi rgb, mengubah citra menjadi grayscale, pendeteksian tepi citra dan pencocokan.
7. Perancangan dan design sistem pencarian informasi dari sebuah t-shirt
Data tahap perancangan dan design sistem informasi dari sebuah t-shirt yang akan dibangun, terdapat beberapa tahapan yang harus dilakukan yaitu dari sebuah citra dirubah menjadi matrik RGB, grayscale, deteksi tepi, perhitungan chamfer dan menampilkan hasil pencarian dengan informasinya, perancangan antarmuka, perancangan pesan, perancangan jaringan semantik. 8. Implementasi Sistem informasi dari sebuah t-shirt
Implementasi sistem yang telah dirancang dibagi menjadi beberapa tahapan, yaitu :
b. Implementasi perangkat keras c. Implementasi antarmuka
9. Pengujian Sistem informasi dari sebuah t-shirt
Pengujian sistem yang dilakukan untuk mengetahui keberhasilan sistem yang telah dibangun mengiakan pengujian Black Box.
10. Penarikan Kesimpulan
Tahapan ini merupakan pengambilan kesimpulan dan saran untuk pengembangan sistem kedepannya.
1.6 Sistematika Penulisan
Sistematika penulisan ini disusun untuk memberikan gambaran secara umum tentang penelitian yang dijalankan. Sistematika penulisan tugas akhir ini adalah sebagai berikut :
BAB 1 PENDAHULIAN
Bab ini akan membahas latar belakang masalah, perumusan masalah, maksud dan tujuan, batasan masalah, metodologi penelitian yang digunakan, serta sistematika penulisan.
BAB 2 LANDASAN TEORI
Pada bab ini akan menjelaskan mengenai objek dari penelitian, dan teori – teori yang berkaitan dengan topik penelitian yang dilakukan dan hal-hal yang berguna dalam proses analisis permasalahan. Membahas tentang pengolahan citra (Image Processing), citra digital, Edge Matching, Canny, Chamfer Matching,
Unified Modelling Language (uml), c#. Yang berkaitan dengan topik penelitian dan yang melandasi pembangunan aplikasi pencarian informasi berdasarkan
screen printing t-shirt.
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
keseluruhan berdasarkan hasil dari analisis, perancangan ini mencakup perancangan basis data, perancangan menu, dan perancangan interface atau antar muka sistem yang akan dibangun. Adapun analisis sistem meliputi pemodelan sistem yang dibuat, seperti Use Case diagram, Activity diagram, dan Sequence diagram.
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab ini berisi mengenai implementasi dan analisis dari perancangan sistem yang sudah telah dikerjakan, yang terdiri dari menerapkan rencana implementasi, melakukan kegiatan implementasi, dan tindak lanjut implementasi. Selain itu juga berisi pengujian aplikasi yang diterapkan.
BAB 5 KESIMPULAN DAN SARAN
9
2
BAB 2
LANDASAN TEORI
2.1 Pengolahan Citra (Image Processing)
Pengolahan citra merupakan proses pengolahan suatu citra (gambar) yang dilakukan secara komputerisasi, untuk menghasilkan suatu citra lain. Pengolahan suatu citra mempunyai dua tujuan utama, diantaranya :
1. Memperbaiki kualitas citra agar mudah diinterprestasi oleh manusia atau komputer, dimana citra yang dihasilkan menampilkan informasi yang jelas. Dan manusia berperan sebagai pengolah informasi.
2. Mengektraksi informasi ciri yang menonjol pada suatu citra yang akan menghasilkan informasi dari citra itu sendiri berupa numerik atau dengan kata lain komputer (mesin) melalui besaran-besaran data yang dapat dibedakan secara jelas.
Image Processing dan Computer Vision merupakan perkembangan komputer yang digunakan sebagai pengganti mata manusia dengan perangkat input Image capture seperti kamera dan scanner sebagai mata dan komputer berperan sebagai otak yang mengolah informasi. Oleh sebab itu muncul berupa pecahan bidang dalam Computer Vision antara lain :
1. Pattern recognition (pengenalan pola).
2. Biometric (pengenalan identifikasi berdasarkan ciri biologis pada manusia). 3. Content based Image and video retrieval.
4. Video editing dan lain lain. 2.2 Citra Digital
kompleks yang direpresentasikan dengan deretan bit tertentu.
Citra secara harafiah, adalah gambar pada bidang dua dimensi (dwimatra). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dwimatra. Sedangkan citra digital adalah citra yang dapat diolah oleh Computer[3].
Suatu citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitude f di titik koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila nilai x,y, dan nilai amplitudo f secara keseluruhan berhingga (finite) dan bernilai diskrit maka dapat dikatan bahwa citra tersebut citra digital. Sebuah citra dapat dibentuk dalam bentuk persamaan 2.1.
[
]
…….(2.1)
Nilai pada suatu irisan antara baris dan kolom (pada posisi x,y) disebut dengan picture elements, Image elements, pels, atau pixel. Istilah terakhir (pixel) paling sering digunakan pada citra digital.
2.2.1. Karakteristik Citra Digital
Setiap citra digital memiliki beberapa karakteristik, antara lain yaitu : 1. Ukuran citra digital
Ukuran citra (Image size) menyatakan ukuran banyaknya pixel penyusun citra raster yang dinyatakan dalam matrik 2 dimensi, yaitu (X × Y) Pixel, dimana X menyatakan ukuran banyaknya pixel perbaris pada arah horizontal sedangkan Y menyatakan ukuran banyaknya pixel perkolom pada arah vertikal. Sebagai contoh, Citra digital berukuran 800 × 600 pixel, terdiri dari 800 × 600 pixel = 480.000
pixel, dengan susunan 800 pixel setiap baris pada arah horizontal dan 600 pixel
2. Resolusi
Atribut citra digital yang tidak kalah pentingnya adalah resolusi (resolution), yang didefinisikan sebagai banyaknya pixel dalam setiap satuan panjang. Umumnya, resolusi dinyatakan dalam satuan dpi (dot per inch). Sebagai contoh, citra digital yang memiliki resolusi 75 dpi, berarti terdiri dari 75 dot (titik) pada setiap inchi. Semakin tinggi resolusi suatu citra digital, maka kualitasnya akan semakin baik.
2.2.2. Tipe Citra Digital
Berdasarkan format penyimpanan nilai warnanya citra digital terbagi dalam tiga tipe yaitu :
1. Citra Biner
Citra yang hanya memiliki dua nilai yaitu 1 dan 0. Dinyatakan dalam persamaan 2.2
f(x,y) Σ {0,1}... (2.2) 2. Citra Gray-scale
Citra yang terdiri dari satu layer warna dengan derajat keabuan tertentu. Untuk kebanyakan citra digital 8 bit, maka sistem Gray-scale diukur berdasarkan skala intensitas kecerahan, yang bernilai 0 – 255, dimana yang hitam pekat adalah 0 dan yang terputih adalah 255. Dinyatakan dalam persamaan 2.3 :
f(x,y) Σ [0...255] ... (2.3) 3. Citra Berwarna
(RedGreenBlue). Untuk citra digital dengan 8 bit per pixel mempunyai 256 warna sedangkan pada citra dengan 24 bit per pixel mempunyai 16 juta warna, tiap pixel dinyatakan dengan :
Bit ke-0 sampai ke-7 untuk warna merah Bit ke-8 sampai ke-15 untuk warna hijau Bit ke-16 sampai ke-23 untuk warna biru
Sehingga kombinasi warnanya adalah 2563 + 2562 + 2561 = 16.843.008. Warna-warna ini merupakan warna dasar penyusun setiap pixel pada citra digital. Representasi dalam citra digital dinyatakan dalam persamaan 2.4, 2.5,dan 2.6:
fR(x,y) Σ [0...255]... (2.4) fG(x,y) Σ [0...255]... (2.5) fB(x,y) Σ [0...255]... (2.6)
2.2.1 2.2.3. Format File Citra Digital
Beberapa contoh format umum, pada citra digital yaitu Bitmap (BMP),
Joint Photographic Group Experts (JPEG), Graphics Interchange Format (GIF), dan Purchase orderrtable Network Graphics (PNG).
1. Bitmap
Bitmap merupakan format baku citra pada sistem operasi windows dan IBM OS/2. Citra berformat BMP merupakan citra yang tidak terkompresi, sehingga pada umumnya citra berformat BMP mempunyai ukuran yang relatif lebih besar dibandingkan dengan forman citra lainnya. Intensitas pixel dari citra berformat BMP dipetakan ke sejumlah bit tertentu. Panjang setiap pixel pada bitmap yaitu 4 bit, 8 bit, sampai 24 bit yang merepresentasikan nilai intensitas
2. Joint Photographic Group Experts (JPEG)
Joint Photographic Group Experts (JPEG) merupakan standar kompresi file yang dikembangkan oleh Group Joint Photographic Experts menggunakan kombinasi DCT dan pengkodean Huffman untuk mengkompresikan citra. Citra JPEG merupakan citra terkompresi yang bersifat lossy, artinya citra tidak bisa dikembalikan ke bentuk aslinya.Citra ini memiliki ukuran yang relatif lebih kecil dibandingkan dengan citraberformat BMP karena telah terkompresi.
3. Graphics Interchange Format (GIF)
Graphics Interchange Format (GIF) merupakan format citra terkompresi. Ukuran dari citra berformat GIF merupakan yang terkecil dari semua format citra digital. Kombinasi warna yg tersedia sebanyak 256 warna. Citra jenis ini banyak dugunakan untuk keperluan website, untuk membuat sebuah icon, gambar dan keperluan lainnya yang mengharuskan menggunakan citra dengan ukuran yang kecil. Citra jenis ini juga dapat dibuat animasi.
4. Portable Network Graphics (PNG)
Portable Network Graphics (PNG) adalah salah satu format penyimpanan citra yang menggunakan metode kompresi yang tidak menghilangkan bagian dari citra tersebut (lossless compression). Citra berformat PNG merupakan salah satu format yang baik untuk digunakan pengolahan citra, karena format ini selain tidak menghilangkan bagian dari citra yang sedang diolah.
2.3 Citra Grayscale
Citra digital Grayscale atau greyscale adalah suatu citra dimana nilai dari setiap pixel merupakan sample tunggal [5]. Citra yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu, bervariasi pada warna hitam pada bagian yang intensitas terlemah dan warna putih pada intensitas terkuat. Citra Grayscale
berbeda dengan citra ”hitam-putih”, dimana pada konteks komputer, citra hitam putih hanya terdiri atas 2 warna saja yaitu ”hitam” dan ”putih” saja. Pada citra
dari intensitas cahaya pada setiap pixel pada spektrum elektromagnetik single band.
Citra Grayscale disimpan dalam format 8 bit untuk setiap sample pixel, yang memungkinkan sebanyak 256 intensitas. Format ini sangat membantu dalam pemrograman karena manupulasi bit yang tidak terlalu banyak. Pada aplikasi lain seperti pada aplikasi medical imaging dan remote sensing biasa juga digunakan format 10,12 maupun 16 bit.
Untuk mendapatkan nilai Grayscale dari sebuah citra, dapat dilakukan dengan persamaan 2.7 seperti berikut :
... (2.7) Dengan :
R = nilai pixel matriks R. G = nilai pixel matrik G. B = nilai pixel matrik B.
Misal terdapat suatu pixel dengan nilai R=100, G = 100 dan B = 100. Untuk mendapatkan nilai Grayscale pada pixel ini menggunakan rumus (2.7) maka caranya adalah sebagai berikut.
= 100
.Nilai ini dipakai sebagai nilai Grayscale pada lokasi pixel tertentu. 2.4 Deteksi Tepi (Edge Detection)
Definisi tepi dibagi menjadi dua, yaitu :
1. Citra kontinu adalah perubahan intensitas yang tajam antara titik yang bertetanggaan.
2. Citra diskrit adalah lokasi titik (pixel) dimana terjadi perubahan gray level secara mendadak, misalnya suatu titik hitam dikatakan tepi bila atau paling tidak mempunyai tetangga putih dan sebaliknya.
Edge Detection adalah penelusuran gambar, dalam hal ini adalah pixel
secara vertikal dan horisontal, sambil melihat terjadinya perubahan warna yang mendadak yang melebihi harga sensitifitas antara dua titik pixel yang berdekatan.Tujuan Edge Detection adalah untuk mengidentifikasi suatu daerah pada citra digital dimana terdapat perubahan yang besar dalam intensitas. Dengan deteksi tepi pada suatu sistem pemrosesan citra (berbasis komputer) akan menemukan tanda-tanda permukaan atau garis bentuk yang timbul dari suatu objek.
2.4.1. Canny
Edge detection canny merupakan algoritma yang digunakan untuk menganalisis suatu citra tepi. Pengembang algoritma Edge detection canny adalah John F. Canny pada tahun 1986 dan menggunakan algoritma multi-tahap untuk mendeteksi berbagai tepi pada gambar.
Algoritma Canny berjalan dalam 5 langkah yang terpisah yaitu : Tabel 2-1 Step Canny
a) Smoothing Menggabungkan gambar untuk menghilangkan noise.
b) Finding gradien Tepian harus ditandai pada gambar memiliki gradien
yang besar.
c)
Non-maksimum-suppresion
Hanya maxima lokal yang harus ditandai egde
d) Double thresholding Tepian yang berpotensi ditentukan oleh thresholding.
hysteresis yang tidak terhubung dengan tepian yang sangat kuat
Tidak dapat dipungkiri bahwa semua gambar yang diambil akan berisi sejumlah noise. Untuk mencegah noise salah dideteksi sebagai tepian, maka noise
harus dikurangi. Oleh karena itu pada langkah pertama gambar harus diperhalus dengan menggunakan Gaussian filter. Inti dari Gaussian filter adalah standar deviasi dengan σ = 1,4 ditentukan pada persamaan (2.8) di bawah ini.
[
]
x Grayscale... (2.8)
Pada persamaan diatas merupakan matriks Gaussian filter yang digunakan untuk menghilangkan untuk menghilangkan noise.
Algoritma Canny pada dasarnya menemukan titik tepi pada gambar
grayscale dengan perubahan nilai intensitas yang paling besar, daerah ini ditemukan dengan menentukan gradien gambar. Gradien pada setiap piksel gambar yang telah diperhalus ditentukan dengan menerapkan operator Sobel. Langkah Kedua adalah memperkirakan gradien pada arah x dan y. Hal tersebut ditunjukkan dalam Persamaan (2.9).
[
] [ ]
... (2.9)
√ √ .... (2.10)
| | ... (2.11)
dimana: Gx dan Gy adalah gradien pada masing-masing arah x dan y. Hal ini tampak jelas bahwa gambar dengan gradien yang besar sering menunjukkan tepian yang cukup jelas. Namun, tepian biasanya luas dan dengan demikian tidak dapat menunjukkan persis di mana tepian yang sebenarnya. Untuk menentukan tepian yang sebenarnya ini, arah tepian harus ditentukan dan disimpan seperti ditunjukkan dalam Persamaan (2.12).
( | |)... (2.12)
Pada langkah ketiga bertujuan untuk mengkorversikan tepian yang masih
blurred pada gambar hasil magnitude gradien hingga menghasilkan tepian yang tajam. Pada dasarnya hal ini dilakukan dengan mempertahankan semua maxima lokal dalam gambar gradien dan menghapus segala sesuatu yang lain. Algoritma adalah untuk setiap piksel pada gambar gradien adalah sebagai berikut:
1. Putar arah gradien ke arah 45 terdekat, kemudian hubungkan dengan 8 titik tetangga yang terhubung dengannya.
2. Bandingkan nilai piksel tepian saat ini dengan nilai piksel tepian dalam arah positif dan negatif gradien. Jika arah gradien adalah utara ( = 90◦), bandingkan dengan piksel ke utara dan selatan. 3. Jika nilai piksel tepian saat ini adalah yang terbesar, maka simpan
nilai tepian tersebut, namun jika bukan, hapus nilai tersebut.
Gambar 2.1 Illustrasi Penghapusan Non Maksimum
Piksel tepian yang tersisa setelah dilakukan penghapusan non maksimum ditandai dengan nilai piksel per piksel yang kuat. Kebanyakan dari titik ini adalah tapian yang nyata pada gambar, akan tetapi beberapa kemungkinan disebabkan oleh noise atau variasi wana karena permukaan yang kasar. Cara paling sederhana untuk membedakannya adalah menggunakan nilai threshold (ambang batas) sehingga hanya tepian dengan nilai yang kuar yang akan dipertahankan. Disini pada algoritma Canny menggunakan sistem thresholding ganda yang dimana
thresholding tersebut akan dibandingkan dengan thresolding yang memiliki nilai yang lebih besar, apabila nilai lebih besar maka nilai thresolding tersebut akan digunakan sebagai acuan menentukan tepian dan nilai thresolding yang kecil akan dihilangkan.
2.4.2. Normalisasi
Normalisasi merupakan proses merubah dimensi region tiap karakter. Pada proses ini menggunakan proses Thresholding, merupakan salah satu operasi yang termasuk ke dalam operasi titik dalam pengolahan citra digital. Operasi ini digunakan untuk mengubah citra dengan format skala keabuan yang dimiliki kemungkinan nilai lebih dari 2 ke citra biner yang memiliki 2 buah nilai (0 dan 1). Thresholding terdiri dari dua jenis, yaitu:
a. Thresholding Tunggal
Gambar 2.2 Fungsi Thresholding Tunggal b. Thresholding Ganda
Memiliki ambang batas atas dan batas bawah. Dilakukan untuk menampilkan titik-titik yang memiliki rentang nilai skala keabuan tertentu.
Gambar 2.3 Fungsi Thresholding Ganda 2.5 Proses Pencocokkan (Matching Process)
Matching Process digunakan untuk menghitung jarak antar tepi (Edge) .Dimana dalam tahapan ini menentukan tingkat kemiripan dari tepi citra uji dan tepi citra latih.Semakin kecil jaraknya maka citra tersebut semakin mirip dengan citra uji. Pada penelitian ini, proses pencocokkan menggunakan perhitungan tepi. Perhitungan ini diimplementasikan dengan persamaan euclidean sebagai berikut (2.13)
√ ...(2.13) Dengan :
=Jarak dari dua citra Grayscale dengan perhitungan Chamfer. = data koordinat ke- 1 pada tepi (Edge) citra uji.
= data koordinat ke- 2 pada tepi (Edge) citra yang ada di latih. 2.5.1 Chamfer Matching
|”ChamferMatching adalah metode yang dilakukan untuk mencari jarak terdekat dari titik tepi dari citra”[6]. Perhitungan ini diimplementasikan dengan persamaan sebagai berikut (2.14) :
∑ =1
min(|| , ||,|| , ||, || , ||) (2.14)
Dengan :
= titik yang ada pada citra uji.
= titik yang ada pada citra latih.
2.6 Unified Modelling Language (UML)
Unified Modelling Language (UML) adalah sebuah bahasa pemodelan standar yang memiliki sintaks dan semantic.Pemodelan ini sangat cocok digunakan untuk merancang dan memodelkan sistem berorientasi objek [6].Diagram pada UML dibagi menjadi dua bagian yaitu structural diagram dan behavior diagram.Structural diagram digunakan untuk mendeskripsikan relasi antar kelas.Tools yang digunakan pada bagian ini yaitu Class diagram. Sedangkan behavior diagram digunakan untuk mendeskripsikan interaksi antara aktor dan sebuah Use Case (bagaimana seorang aktor menggunakan sistem). Tools yang digunakan pada bagian ini yaitu Use Case diagram, Sequence diagram, dan
Activity diagram.
2.6.1 Diagram Use Case
antara aktor dan sistem dalam suatu bentuk naratif, yang terdiri dari input user dan respurchase ordern-respurchase ordern sistem.
Setiap Use Case menggambarkan perilaku sejumlah aspek sistem, tanpa mengurangi struktur internalnya. Selama pembuatan model Use Case secara pararel juga harus ditetapkan obyek-obyek yang terlibat dalam setiap Use Case. 2.6.2 Diagram Sequence
Diagram Sequence menggambarkan interaksi antar objek di dalam dan di sekitar sistem yang menekankan pada pengiriman pesan dalam suatu waktu tertentu [7].Sequence diagram biasa digunakan untuk menggambarkan skenario atau rangkaian langkah-langkah yang dilakukan sebagai respurchase orderns dari sebuah event untuk menghasilkan output tertentu. Diawali dari apa yang men-trigger aktivitas tersebut, proses dan perubahan apa saja yang terjadi secara internal dan output apa yang dihasilkan.
2.6.3 Diagram Activity
Diagram Activity menggambarkan berbagai alur aktivitas dalam sistem yang sedang dirancang, bagaimana masing-masing alir berawal, decision yang mungkin terjadi, dan bagaimana mereka berakhir [7]. Activity diagram merupakan
state diagram khusus, di mana sebagian besar state adalah action dan sebagian besar transisi di-trigger oleh selesainya state sebelumnya (internal Processing). Oleh karena itu Activity diagram tidak menggambarkan behaviour internal sebuah sistem (dan interaksi antar subsistem) secara eksak, tetapi lebih menggambarkan proses-proses dan jalur-jalur aktivitas dari level atas secara umum.
2.6.4 Class Diagram
Diagram Class digunakan untuk menggambarkan keadaan suatu sistem dengan menjelaskan keterhubungan antara suatu Class dengan Class yang lain yang terdapat pada system[7]. Sebuah Class terdiri dari nama, atribut dan method. Atribut dan method dari sebuah kelas mempunyai visibility, Ada tiga jenis
visibility yang digunakan yaitu private, public, dan protected. Setiap Class pada
hubungan Class, yaitu dependency, asosiasi, agregasi, kompurchase ordersisi dan generalisasi.
1. Dependency, Dependency merupakan hubungan terlemah antar Class. Dependency bermakna satu Class menggunakan atau memiliki pengetahuan terhadap Class lain, namun hubungannya hanya sementara dan tidak ada batas waktu yang jelas.
2. Asosiasi, Asosiasi mempunyai hubungan yang lebih kuat dari hubungan dependency, dimana suatu Class tetap berhubungan dengan Class lain seterusnya. Hubungan asosiasi dibagi menjadi dua jenis yaitu directional dan bidirectional.
3. Agregasi, Agregasi merupakan bentuk hubungan yang mengimplikasikan kepemilikan suatu Class. Agregasi juga merupakan bentuk yang lebih kuat dari asosiasi. Hubungan agregasi dinyatakan dengan simbol diamond pada pemilik kelas dan garis utuh berpanah kekelas yang dimiliki.
4. Kompurchase ordersisi, Kompurchase ordersisi merupakan bentuk hubungan antar Class yang paling kuat. Kompurchase ordersisi digunakan untuk mengambil seluruh bagian dari Class yang berhubungan. Aturan dari kompurchase ordersisi yaitu hanya boleh ada satu kompurchase ordersisi dalam satu waktu.
23 3.1 Proses Bisnis
Proses bisnis yang sedang berjalan pada SUI Warehouse Production memiliki satu proses bisnis yang utama. Proses bisnis tersebut pemesanan pembuatan produk dari konsumen, alur dari proses bisnis dari proses bisnis ini dapat dilihat pada gambar 3.1
Start
Mengirim Pesanan
Sesuai ?
Tidak
Pesanan Diterima Ya Data Pemesanan
Data Pemesanan
End
3.2 Analisis Sistem
Analisis sistem merupakan suatu proses penguraian konsep kedalam bagian-bagian yang lebih sederhana dengan maksud untuk mengetahui, mengidentifikasi, dan mengevaluasi masalah-masalah yang ada, hambatan-hambatan, kemungkinan-kemungkinan dari setiap solusi dan kebutuhan dari sistem atau aplikasi yang akan dibuat. Analisis sistem terdiri dari beberapa tahapan, diantaranya analisis masalah, analisis metode, analisis kebutuhan non-fungsional, dan analisis kebutuhan fungsional.
3.3 Analisis Masalah
Perusahaan ini memproduksi t-shirt hampir ratusan lebih dari beberapa distro. Pada saat aktifitas seperti pengiriman, atau pun pengembalian barang perusahaan ini sangat kebingungan mencari informasi dari sebuah t-shirt dikarenakan banyaknya t-shirt yang diproduksi.
Berdasarkan hasil wawancara yang telah dilakukan dengan pihak SUI Warehouse didapatkan hasil sebagai berikut :
perusahaan ini memproduksi t-shirt dalam jumlah ratusan dari beberapa distro. Untuk membuat t-shirt yang akan dipesan oleh distro, distro diharuskan untuk memberikan gambar kepada perusahaan.
1. Gambar yang diberikan oleh pihak distro akan dijadikan acuan untuk mendapatkan informasi seperti nama artikel shirt, harga shirt, qty t-shirt.
2. Untuk mencari informasi dalam pengiriman dan pengembalian t-shirt pihak perusahaan mencari gambar dan informasinya secara manual.
3. Jumlah gambar yang dihasilkan sangat banyak, maka perusahaan kesulitan untuk mendapatkan informasi dari sebuah t-shirt, dan membutuhkan waktu yang lama untuk mendapatkan informasi dari gambar yang dimaksud. 4. Perusahaan memerlukan informasi yang cepat dari sebuah t-shirt tersebut. 3.4 Gambaran Sistem
dalam penelitian ini. Adapun arsitektur sistemnya dapat dilihat pada gambar 3.1. 3.5 Arsitektur Sistem
1. Pada tahap awal, citra yang akan dicari informasinya di-input-kan kedalam sistem.
2. Selanjutnya sistem akan melakukan proses dan mencari citra yang menyerupai yang ada didalam database kemudian mengambil informasi yang menyangkut dengan citra tersebut.
3. Kemudian sistem akan mengambil citra dan informasi yang telah didapatkan.
4. Selanjutnya sistem akan menampilkan output citra yang menyerupai dan informasi t-shirt mengenai citra tersebut.
3.6 Analisis Metode
3.7 Tahapan Metode
Pada bagian ini akan dijelaskan tahapan-tahapan yang akan dilakukan dalam melakukan proses pengidentifikasian citra oleh aplikasi yang dibangun. Tahapan metode aplikasi ini dapat dilihat pada gambar 3.3
Mulai
Image
Matrix RGB
Grayscale
Deteksi Tepi
Perhitungan Chemfer
Output Citra Sampel dan Deskripsi
selesai
Gambar 3.3 Tahapan Metode Aplikasi 3.7.1 Citra Uji Dan Citra Latih
Citra yang dimasukan disebut dengan citra uji dan citra latih, dimisalkan adalah gambar dengan ukuran 5 x 5 berikut
Gambar 3.4 Gambar Uji
Gambar 3.5 adalah beberapa citra latihnya :
Citra latih 1 Citra latih 2 Citra latih 3 Gambar 3.5 Citra Latih
3.7.2 Matriks RGB
Citra masukan kemudian diubah menjadi sebuah matriks yang memiliki 3 matriks warna, yaitu Red, Green dan Blue.Untuk mengubah kedalam matrik RGB menggunakan Aplikasi Matlab, dengan mengetikan perintah :
>>c=imread(„C:/uji.jpg‟);
asci (;,;,3) menunjukan bahwa matriks yang ditampilkan adalah komponen matriks dari warna yaitu merah (Red), hijau (Green), biru (Blue).
Matrik RGB citra uji :
Gambar 3.6 Matriks R, G, B Citra Uji Matrik RGB citra latih 1 :
Gambar 3.7 Matriks R, G, B Citra Latih 1 Matrik RGB citra latih 2 :
Gambar 3.8 Matriks R, G, B Citra Latih 2 Matrik RGB citra latih 3 :
Gambar 3.9 Matriks R, G, B Citra Latih 3 3.7.3 Matriks Grayscale
Kemudian analisis yang dilakukan yaitu membuat matriks grayscale
menggunakan rumus (2.7). Contoh perhitungan baris 1 kolom 1:
Tabel 3-1 Hasil Grayscale Citra Uji 79 74 51 105 108 55 171 157 194 115 67 169 115 161 165 57 141 132 187 124 41 130 161 172 113
Tabel 3-2 Hasil Grayscale Citra Latih 1 79 74 51 105 108 55 171 157 194 115 67 169 115 161 165 57 141 132 187 124 41 130 161 172 113
Tabel 3-3 Hasil Grayscale Citra Latih 2 75 76 56 110 106 49 142 131 144 135 65 103 79 123 143 51 103 127 141 118 27 67 92 98 80
253 157 160 178 254 255 172 181 164 254
Gambar 3.10 Citra Grayscale 3.7.4 Analisis Deteksi Tepi Canny
Langkah pertama pada deteksi tepi canny adalah mengkonvolusikan hasil matriks grayscale dengan tapis Gaussian, seperti pada metode Gaussian (2.8). menghasilkan Tabel 3.5.
Algoritma deteksi tepi menggunakan canny
Langkah pertama pada deteksi tepi canny adalah mengkonvolusikan hasil matriks grayscale dengan tapis Gaussian, dengan persamaan tapis gausian (3.5).
[
]
x
Kemudian dihitung seperti perhitungan matrik seperti biasanya, sebagai salah satu contoh perhitungan konvolusi gaussian sebagai berikut :
= (2x79) + (4x55) + (5x67) + (4x57) + (2x41) / 115 = 8,895
Tabel 3-5 Hasil Gaussian Citra Uji 9 22 19 25 19 20 49 42 56 43 26 63 54 73 56 20 49 42 56 43 9 22 19 25 19
Kemudian pencarian dilakukan secara horizontal ( ) dan secara vertical ( ) yaitu mengkonvolusikan dengan kernel arah horizontal (Gx) dan vertical(Gy). Sehingga pada proses ini citra grayscale ditentukan sesuai dengan baris dan kolom yang disoroti untuk dikalikan dengan kernel gaussian x dan y. Dalam perhitungan gaussian didapatkan dari proses sebelumnya :
GaussianX =
Sehingga dapat dijabarkan perhitungan konvolusi tersebut seperti berikut : Perhitungan Sobel Gx :
Sobel Gx(3,3) = [
Cara menghitung gaussianX tersebut dapat dijelaskan pada contoh
GaussianX[1,1] dimana hasil dari perhitungan tersebut berikut :
GaussianX [1,1] = 9*(-1) + 19*1 + 20*(-2) + 42*2 + 26*(-1) + 54*1
GaussianX [1,1] = 83
Setelah dihitung semua baris dan kolom, maka dihasilkan nilai seperti dilihat pada matriks berikut :
Tabel 3-6 Hasil Perhitungan GaussianX Citra Uji 0 0 0 0 0
0 83 27 5 0 0 102 34 6 0 0 83 27 5 0 0 0 0 0 0
Dari hasil perhitungan konvolusi tersebut, ada beberapa kondisi yang harus dipenuhi yaitu :
Jika nilai piksel (-), maka nilai tersebut dijadikan 0, jika nilai maksimal
grayscale level yaitu dalam studi ini bernilai 252 maka dilakukan clipping.
Untuk piksel pinggir diabaikan atau tidak dikonvolusi, diasumsikan bernilai 0 atau konstanta yang lain.
Konvolusi piksel pinggir tidak memperlihatkan efek yang kasat mata. Sehingga dari ketentuan tersebut, didapatkan hasil dari GaussianX sebagai berikut:
Adapun perhitungan untuk Sobel Gy yaitu : Contoh perhitungan baris 1 kolom 1 :
Sobel Gy (1,1) = 9*1 + 22*2 + 19*1 + 26*(-1) + 63*(-2) + 54*(-1) Sobel Gy (1,1) = -136
Tabel 3-8 Hasil Perhitungan GaussianY Citra Uji
0 0 0 0 0
0 -136 -161 -168 0
0 0 0 0 0
0 136 161 168 0
0 0 0 0 0
Kemudian dicheck kembali seperti pada ketentuan Gx, menjadi : Tabel 3-9 Hasil GaussianY Citra Uji
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
0 136 161 168 0
Setelah diketahui semua hasil dari Gx dan Gy, maka bisa dihitung langkah berikutnya yaitu menjumlahkannya menggunakan rumus 2.11 sebagai berikut :
| | =
Kemudian menemukan nilai tepi sobel, maka langkah selanjutnya adalah menentukan arah tepi dengan menggunakan rumus
, pada
contoh perhitungan berikut menggunakan GaussianX[1,1] dan GaussianY[1,1] sebagai berikut :
( )
Akhirnya dapat dilakukan Thresholding, yang merupakan proses pemisahan pikse-piksel berdasrkan derajat kebuan lebih kecil dari nilai batas yang dimilikinya. Pada perhitungan penelitian ini menggunakan piksel dengan ketentuan 20 sampai 80 sebagai batas penentuan matriks menjadi 1, selain range
tersebut matriks diubah menjadi 0. [8]
Metode ini digunakan untuk mengkonversi data image menjadi data biner dengan tujuan agar proses selanjutnya menjadi lebih mudah. Maka proses awal
Tabel 3-10 Hasil Thresholding Citra Uji 0 0 0 0 0
0 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
Tabel 3-11 Hasil Thresholding Latih 1 0 0 0 0 0
0 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
Tabel 3-12 Hasil Thresholding Latih 2
0 0 0 0 0
0 1 1 1 0
0 1 1 1 0
0 0 0 0 0
0 0 0 0 0
Tabel 3-13 Hasil Thresholding Latih 3
0 0 0 0 0
0 0 1 0 0
0 0 1 0 0
0 0 0 0 0
0 0 0 0 0
Hasil citra dari deteksi tepi canny dapat dilihat pada gambar berikut :
3.8 Analisis Proses Pencocokan
Matching Process digunakan untuk menghitung jarak antar tepi(edge). Dimana dalam tahapan ini menentukan tingkat kemiripan dari tepi citra uji dan tepi citra latih. Semakin kecil jaraknya maka citra tersebut semakin mirip dengan citra uji. Pada penelitian ini, proses pencocokkan menggunakan perhitungan tepi. Perhitungan ini diimplementasikan dengan persamaan euclidean sebagai berikut (2.13)
√ ...(2.13) Dengan :
= Jarak dari dua citra Grayscale dengan perhitungan Chamfer. = data koordinat ke- 1 pada tepi (Edge) citra uji.
= data koordinat ke- 2 pada tepi (Edge) citra yang ada di latih. = data koordinat ke- 1 pada tepi (Edge) citra uji.
= data koordinat ke- 2 pada tepi (Edge) citra yang ada di latih.
Pengenalan diperoleh dengan menghitung jarak terdekat, yaitu nilai jarak yang paling kecil. Pada tiap nilai edge (i, j) yang dideteksi pada piksel citra uji maupun citra latih dilakukan pengurangan dan dikuadratkan, setelah itu hasil dari masing-masing nilai i dan j akan dilakukan penambahan, kemudian dilakukan penjumlahan dari hasil tiap-tiap nilai. Perhitungan terpusat pada citra uji dari awal koordinat, jadi jika pada citra latih tidak ditemukan nilai yang sama maka akan diganti dengan nilai yang terdekat.
Cara untuk mencocokkan titik edge dari citra uji dan citra latih adalah sebagai berikut, diketahui nilai dari citra biner dari citra latih yaitu :
Citra Biner Dari Citra Uji
[
Citra biner dari citra uji yang sudah dihitung masukan ke dalam table diubah menjadi data sequance. Dan diketahui bahwa citra uji yang masukan adalah lebih dari satu, karena digunakan untuk membandingkan dengan citra uji yang digunakan. Citra uji hanya 1, jadi alurnya adalah ketika sudah terdapat tabel
sequance dari citra latih. Kemudian lakukan pengujian memasukan 1 citra latih, proses yang digunakan adalah sama yaitu grayscaling sampai ke deteksi tepi.
Setelah citra uji terbentuk menjadi angka binary, kemudian dijadikan data
sequance juga karena akan dicocokan dengan data sequance citra latih yang lainnya. Dan dalam analisis metode ini akan ditunjukan pencocokan salah satu citra uji terhadap citra latih yang sudah dijelaskan pada sub bab sebelumnya. Berikut merupakan contoh matriks sampai pada tahapan deteksi tepi yang akan diuji untuk menentukan kecocokan citra dengan citra latih :
Biner Citra Latih 1 Biner Citra Latih 2 Biner Citra Latih 3
Pemilihan data matching adalah sebagai berikut :
Tabel 3-14 Perhitungan Euclidean Distance Citra Uji dengan Citra Latih 1
Titik j1 (Sequence Citra Uji) j1 (Sequence Citra Latih 1)
Titik j1 (Sequence Citra Uji) j1 (Sequence Citra Latih 1)
9 0 0 0
10 0 0 0
11 0 0 0
12 0 0 0
13 1 1 0
14 0 0 0
15 0 0 0
16 0 0 0
17 0 0 0
18 0 0 0
19 0 0 0
20 0 0 0
21 0 0 0
22 0 0 0
23 0 0 0
24 0 0 0
25 0 0 0
Total 0
Nilai Euclidean distance
0
Tabel 3-15 Perhitungan Euclidean Citra Uji dengan Citra Latih 2
Titik j1 (Sequence Citra Uji) j1 (Sequence Citra Latih 2)
Titik j1 (Sequence Citra Uji) j1 (Sequence Citra Latih 2)
2 0 0 0
3 0 0 0
4 0 0 0
5 0 0 0
6 0 0 0
7 1 1 0
8 1 1 0
9 0 1 1
10 0 0 0
11 0 0 0
12 0 1 1
13 1 1 0
14 0 1 1
15 0 0 0
16 0 0 0
17 0 0 0
18 0 0 0
19 0 0 0
20 0 0 0
21 0 0 0
22 0 0 0
23 0 0 0
24 0 0 0
Titik j1 (Sequence Citra Uji) j1 (Sequence Citra Latih 2)
Total 3
Nilai Euclidean distance
1,27
Tabel 3-16 Perhitungan Euclidean Citra Uji dengan Citra Latih 3
Titik j1 (Sequence Citra Uji) j1 (Sequence Citra Latih 3)
1 0 0 0
2 0 0 0
3 0 0 0
4 0 0 0
5 0 0 0
6 0 0 0
7 1 0 1
8 1 1 0
9 0 0 0
10 0 0 0
11 0 0 0
12 0 0 0
13 1 1 0
14 0 0 0
15 0 0 0
16 0 0 0
17 0 0 0
Titik j1 (Sequence Citra Uji) j1 (Sequence Citra Latih 3)
19 0 0 0
20 0 0 0
21 0 0 0
22 0 0 0
23 0 0 0
24 0 0 0
25 0 0 0
Total 1
Nilai Euclidean distance
1
Tabel 3-17 Hasil Perhitungan Euclidean Distance Citra Uji dengan Citra Latih Citra Latih Nilai Euclidean Distance
1 0
2 1,27
3 1
Setelah diketahui nilai euclidean dari perbandingan Citra uji dengan citra latih, langkah berikutnya mencari citra yang menyerupai dengan cara metode chamfer matching dimana nilai yang paling terkecil merupakan citra yang menyerupai. Perhitungan ini diimplementasikan dengan persamaan sebagai berikut :
� ∑ =1
min(|| , ||,|| , ||,⋯|| , ||) (2.14)
Dengan :
= titik yang ada pada citra uji.
� ∑ =1
min(|| ||,|| ||,|| ||) = 0
Dari data yang diperoleh, dapat dilihat bahwa citra latih 1 memiliki jarak euclidean distance yang paling kecil yaitu 0. Dengan demikian disimpulkan bahwa citra latih 1 adalah citra yang menyerupai citra uji.
3.9 Analisis Kebutuhan Sistem
Kebutuhan sistem yang diperlukan dan yang digunakan dalam pembuatan sistem ini terdiri dari beberapa bagian, yaitu: kebutuhan fungsional (Tabel 3.12) dan kebutuhan non fungsional (Tabel 3.13).
Tabel 3-18 Kebutuhan Fungsional
Nomor Keterangan
SKPL-F-01 Sistem dapat menganalisa citra yang di-input-kan
SKPL-F-02 Sistem dapat memberikan informasi tentang citra yang Dianalisis
Tabel 3-19 Kebutuhan Non-Fungsionals
Nomor Keterangan
SKPL-NF-01 Sistem dibangun dalam bentuk aplikasi desktop.
SKPL-NF-02
Sistem dapat dijalankan pada perangkat komputer dengan sistem operasi minimal windows 7.
3.9.1 Analisis Kebutuhan Non – Fungsional
pembangun aplikasi menganalisis sumber daya yang dibutuhkan untuk menggunakan aplikasi yang akan dibangun. Analisis kebutuhan non-fungsional yang dilakukan dibagi dalam dua tahap, yaitu analisis kebutuhan perangkat keras dan analisis kebutuhan perangkat lunak.
3.9.2 Analisis Kebutuhan Perangkat Keras
Analisis perangkat keras dimaksudkan untuk mengetahui spesifikasi perangkat keras yang digunakan oleh aplikasi ini. Spesifikasi perangkat keras yang digunakan dalam pembangunan aplikasi ini dapat dilihat pada Tabel 3-20.
Tabel 3-20 Spesifikasi Perangkat Keras Yang Digunakan Dalam Pembangunan Aplikasi
No Nama Perangkat Spesifikasi
1 Prosessor Intel Core 2 duo 2.00 GHz
2 Monitor Monitor 14 inch (1366x768)
3 Memori RAM 3 GB DDR2
4 Harddisk 256 GB SATA 7200rpm
Sedangkan spesifikasi kebutuhan perangkat keras yang dibutuhkan untuk menjalankan aplikasi yang dibangun, yang harus dipenuhi dapat dilihat pada Tabel berikut :
Tabel 3-21 Spesifikasi Kebutuhan Perangkat Keras Yang Dibutuhkan Untuk Menjalankan Aplikasi
No Nama Perangkat Spesifikasi
1 Prosessor Intel Core 2 duo 2.00 GHz
2 Monitor Monitor 14 inch (1366x768)
4 Harddisk 80 GB SATA 7200rpm
3.9.3 Analisis Kebutuhan Perangkat Lunak
Adapun spesifikasi perangkat lunak yang digunakan dalam pembangunan aplikasi information retrieval berbasis citra berdasarkan screen printing
perusahaan dengan menggunakan metode Edge Matching ini dapat dilihat pada tabel berikut :
Tabel 3-22 Spesifikasi Perangkat Lunak Yang Digunakan Dalam Pembangunan Aplikasi
No Nama Perangkat Spesifikasi
1 Sistem Operasi Windows 7 Professional
2 Visual Studio Visual Studio 2012
Sedangkan spesifikasi kebutuhan perangkat lunak yang dibutuhkan untuk menjalankan aplikasi yang dibangun, yang harus dipenuhi dapat dilihat pada Tabel berikut :
Tabel 3-23 Spesifikasi Kebutuhan Perangkat Lunak Yang Dibutuhkan Untuk Menjalankan Aplikasi
No Nama Perangkat Spesifikasi
1 Sistem Operasi Windows 7
3.10 Diagram Use Case
Use case adalah konstruksi untuk mendeskripsikan bagaimana sistem terlihat di mata pengguna. Sasaran pemodelan use case diantaranya adalah mendefinisikan kebutuhan fungsional dan operasional sistem dengan mendefinisikan skenario penggunaan.
Gambar 3.12 Gambar Usecase
3.11 Use Case Identification
Berikut table indentifikasi use case yang terdapat dalam aplikasi : Tabel 3-24 Identifikasi Use Case
Use Case Indetification
No Use case Deskripsi
UC-01 Mengelola Pencarian Fungsional untuk pengolahan citra yang dicari dalam aplikasi
UC-02 Mengelola Data
Barang
Use Case Indetification
No Use case Deskripsi
kaos dan
identifikasinya
UC-03 Training Fungsionalitas untuk
melakukan pelatihan terhadap citra masukan
UC-04 Testing Fungsionalitas untuk
melakukan pengujian terhadap citra hasil training.
UC-05 Menampilkan Data
Pencarian
Proses mencari dan menampilkan
pencarian yang dimaksud
UC-06 Mengambil Foto Fitur yang digunakan untuk mengupload UC-07 Menambah Data Proses menambah data
kaos
UC-08 Mengedit Data Proses mengedit data yang sudah ada. UC-09 Menghapus Data Proses menghapus data
yang ingin dihapus
3.12 Use Case Scenario
Skenario Use Case berfungsi untuk menjelaskan lebih detail mengenai modul-modul yang terdapat dalam aplikasi. Adapun penjelasan mengenai keterangan tabel skenario Use Case sebagai berikut :
Tabel 3-25 Skenario Use Case Mengelola Pencarian Nama Use Case Melakukan Pencarian
Deskripsi Untuk proses pengolahan citra
Aktor Pengguna
Skenario Utama
Aksi Aktor Reaksi Sistem
1. Mengambil foto dengan cara upload 2. Pengguna mengklik “ambil foto”
3. Aplikasi
menampilkan citra hasil upload
4. Memproses citra RGB menjadi greyscale
5. Mengubah citra
greyscale menjadi canny
deteksi tepi
6. Memproses citra hasil canny ke dalam
chamfer matching dan melakukan pencocokan
Tabel 3-26 Skenario Use Case Mengelola Data Barang Nama Use Case Mengelola Data Barang
Deskripsi Untuk proses pengolahan barang
Aktor User
Kondisi Awal Citra Inputan Webcam
Kondisi Akhir Aplikasi menyimpan data ke dalam database
Skenario Utama
Aksi Aktor Reaksi Sistem
4. Melakukan penyimpanan 5. Melakukan proses edit
data, memilih data yang akan diedit
6. Menampilkan data yang diedit
7. Memproses editing data 8. Melakukan proses
hapus data, memilih data yang akan dihapus
9. Menampilkan data yang akan dihapus
10.Memproses
penghapusan data yang dimaksud
3.13 Activity Diagram
Diagram aktifitas menggambarkan berbagai alir aktivitas dalam sistem yang dirancang, bagaimana masing-masing alir berawal, decision yang mungkin terjadi dan bagaimana mereka berakhir. Penggambaran activity diagram memodelkan
Gambar 3.14 Diagram Aktifitas Mengelola Data
3.14 Sequence Diagram
Sebuah diagram yang menggambarkan interaksi antar objek di dalam sebuah system. Interaksi tersebut berupa pesan yang digambarkan terhadap waktu.
Sequence diagram terdiri dari dimensi horizontal (objek-objek) dan dimensi vertikal (waktu). Dimensi vertikal adalah poros waktu, dimana waktu berjalan ke arah bawah, sedangkan dimensi horizontal merepresentasikan objek-objek individual. Tiap objek (termasuk aktor) tersebut mempunya waktu aktif yang direpresentasikan dengan kolom vertikalyang disebut dengan lifeline. Adapun
Gambar 3.15 Sequence Diagram
3.15 Class Diagram
Class diagram digunakan untuk memberi gambaran suatu aplikasi. Dapat dilihat dari kelas-kelas yang ada dan cara kerja relasinya. Class diagram yang dibuat dapat dilihat pada gambar sebagai berikut :
3.16 Perancangan Antarmuka
Perancangan antarmuka merupakan sebuah penggambaran, perancagnan, dan pembuatan sketsa atau pengaturan dari beberapa elemen yang terpisah ke dalam suatu kesatuan yang utuh dan berfungsi. Pada perancangan antarmuka penelitian ini menggunakan aplikasi “pencil”, dengan desain antar muka yang menyerupai tampilan real. Adapun perancagan antarmuka dari aplikasi yang akan dibangun terdiri dua menu yaitu tampilan menu utama pencarian dan menu mengelola data, seperti terlihat dalam gambar berikut :
Gambar 3.18 Antarmuka T02
3.17 Jaringan Semantik
Jaringan semantik aplikasi yang akan dibangun dapat dilihat pada gambar dibawah ini :
T01
Pencarian Gambar
T02
Pengolahan Data
55
4
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
Pada bab ini akan dilakukan implemetasi dan pengujian terhadap sistem yang telah dibuat. Tahap implementasi dilakukan setelah tahap perancangan terhadap sistem selesai dilakukan, tahap ini bertujuan untuk mempersiapkan sistem agar dapat dioperasikan.
4.1 Peran Implementasi Sistem
Implementasi sistem adalah proses pembangunan perangkat lunak, tahap kelanjutan dari kegiatan perancangan sistem yang bertujuan untuk mengkonfirmasi perancangan sistem yang telah dibuat pada bab sebelumnya, sehingga pengguna dapat memberi masukan untuk pembangunan sistem yang sedang dibangun.
4.1.1 Perangkat Keras
Perangkat keras minimum yang diperlukan dalam perangkat dijelaskan pada tabel 4.1.
Tabel 4-1 Perangkat Keras
No Perangkat Keras Spesifikasi
1 Prosesor Intel Core i3 1.80 GHz
2 VGA 226 MB
3 Memory RAM 2GB DDR3
4 Harddisk 250 GB
5 Monitor LCD 16 inchi
6 Keyboard Standard Port USB / PS2
7 Mouse Standard Port USB / PS2
4.1.2 Perangkat Lunak
Kebutuhan minimum perangkat lunak yang digunakan untuk mengimplementasikan sistem adalah sebagai berikut :
Tabel 4-2 Perangkat Lunak
No Perangkat Lunak Spesifikasi
1 Sistem Operasi Windows 7 Pro
2 Web Server Pembangun Wamp Server
4 Bahasa Pemrograman C#
5 Code Editor Visual Studio 2012
Implementasi antarmuka dilakukan untuk mengetahui setiap tampilan yang dibangun dan pengkodeannya dalam bentuk file program. Implementasi antarmuka dijelaskan pada tabel 4.3 :
4.1.3 Implementasi Antarmuka
Implementasi antarmuka dilakukan untuk mengetahui setiap tampilan yang dibangun dan pengkodeannya dalam bentuk file program. Implementasi antarmuka dijelaskan pada gambar 4.1.
Tabel 4-3 Implementasi Antarmuka
4.2 Pengujian Sistem
Pengujian sistem merupakan tahapan yang memiliki tujuan untuk menemukan kesalahan-kesalahan dan kekurangan-kekurangan pada perangkat lunak yang diuji. Pengujian bermaksud untuk mengetahui perangkat lunak yang dibuat sudah memenuhi kriteria yang sesuai dengan tujuan perancangan. Pengujian perangkat lunak ini menggunakan pengujian black box. Pengujian black box berfokus pada persyaratan fungsional perangkat lunak.
4.2.1 Pengujian Alpha
Pengujian alpha dilakukan menggunakan metode black box dan pengujian
white box. Untuk menentukan pengujian alpha yang dilakukan ini terbagi menjadi dua scenario. Seperti yang terlihat dibawah ini.
4.2.2 Skenario Pengujian Alpha
Berikut ini adalah scenario pengujian alpha seperti terlihat pada tabel 4.4 dibawah ini :
Tabel 4-4 Skenario Pengujian Alpha
No Menu Deskripsi
1 Perancangan halaman deteksi Halaman digunakan untuk
melakukan pencocokan gambar
2 Perancangan halaman Data Barang Digunakan untuk mengolah data
barang (data gambar)
Kelas Uji Butir Uji Jenis
Pengujian
Keterangan
Deteksi Ambil Gambar Blackbox Pengambilan gambar ini
memasukan gambar
dari folder yang
terdapat di komputer
untuk dimasukan
yang telah diinputkan pada tahapan ambil
gambar. Untuk
melakukan tahapan ini
klik tombol deteksi cara untuk memasukan data barang :
4.2.3 Pengujian Black Box
Berdasarkan rencana pengujian yang telah tersusun pada skenario pengujian, maka dapat dilakukan pengujian Black Box seperti yang tercantum dibawah ini :
4.2.3.1 Pengujian Mengatur Data Barang
Pengujian mengatur data barang digunakan untuk mengatur data barang yang akan digunakan sebagai data masukan. Pengujian ini dibagi menjadi bebrapa butir pengujian yaitu menambahkan data barang data barang dan mengubah data barang. Menambahkan data barang yang benar dapat dilihat pada tabel 4.5. pada pengujian menambahkan data barang, user memilih gambar tertentu. Pengujian untuk melaukan ubah
menambahkan data barang diuji dari para meter masukan seperti Nama pemesan, Artikel, QTY, Harga.
Tabel 4-5 Pengujian Ambil Gambar Dengan Data Yang Benar Kasus dan Hasil Uji
Data masukan
Aktifitas yang
diharapkan Pengamatan Kesimpulan
File : anti
Tabel 4-6 Pengujian Ambil Gambar Data yang Salah Kasus dan Hasil Uji
Data masukan
Aktifitas yang
diharapkan Pengamatan Kesimpulan
File : Kosong Menampilkan Pesan
Silahkan Pilih Gambar
Sistem menampilkan pesan silahkan pilih gambar
[√ ] Diterima [ ] Ditolak
Tabel 4-7 Pengujian Deteksi Gambar Dengan Data yang Benar Kasus dan Hasil Uji
Data masukan
Aktifitas yang
diharapkan Pengamatan Kesimpulan
anti systm w gambar dan informasi file yang sesuai dengan gambar yang diinputkan
Tabel 4-8 Pengujian Deteksi Gambar Dengan Data yang Salah Kasus dan Hasil Uji
Data masukan
Aktifitas yang
diharapkan Pengamatan Kesimpulan
Gambar
Tabel 4-9 Pengujian Data yang Benar Pada Penambahan Data Barang Kasus dan Hasil Uji
Data masukan Aktifitas yang
Tabel 4-10 Pengujian Data yang Salah Pada Penambahan Data Barang Kasus dan Hasil Uji
Data masukan Aktifitas yang
diharapkan Pengamatan
Tabel 4-11 Pengujian Data yang Benar Pada Ubah Data Barang Kasus dan Hasil Uji
Data masukan Aktifitas yang
