BAB IV ANALISIS DAN PERANCANGAN

IV-1

BAB IV

ANALISIS DAN PERANCANGAN

Bab ini berisi analisis permasalahan pengenalan tulisan tangan karakter Jepang Katakana dengan menggunakan Induct/RDR dan teknik pengenalan tulisan tangan yang dipilih dari penjelasan pada sub-bab sebelumnya.

IV.1 Analisis Sistem

Pada sub-bab analisis sistem akan dibahas mengenai deskripsi umum sistem yang diikuti penjelasan mengenai fitur sistem pengenal tulisan tangan, karakteristik pengguna sistem, dan batasan-batasan yang dimiliki sistem.

IV.1.1 Deskripsi Umum

Sistem yang akan dibangun adalah sistem pengenal tulisan tangan huruf Jepang yang ditulis tangan. Secara umum, sistem dideskripsikan sebagai suatu sistem yang:

1. menerima masukan berupa data titik koordinat penulisan huruf Jepang dan mengambil huruf Katakana untuk diproses

2. melakukan pemrosesan data titik koordinat huruf Katakana menjadi data struktur huruf

3. melakukan proses pembangunan pengetahuan berdasarkan data struktur huruf. Pengetahuan yang berhasil dibangun akan melakukan pengklasifikasian berdasarkan komponen struktural huruf ke dalam nama huruf Katakana yang sesuai.

Deskripsi tersebut akan dilakukan oleh dua komponen sistem, yaitu sub-sistem praproses dan sub-sistem Induct/RDR. Sub-sistem praproses akan melakukan pemrosesan terhadap data titik koordinat menjadi data struktural huruf. Sub-sistem Induct/RDR melakukan proses pembangunan pengetahuan dan pengklasifikasian.

Sistem yang dibangun diberi nama KaRe. Untuk selanjutnya, sistem akan disebut menggunakan kata KaRe atau sistem.

IV.1.2 Arsitektur

Berdasarkan deskripsi umum, KaRe memiliki fungsi sebagai berikut:

1. Melakukan praproses terhadap data penulisan huruf Jepang yang terdiri atas tiga macam huruf, yaitu Katakana, Hiragana, dan Kanji. Praproses akan menyaring data

huruf Katakana dan menghasilkan deskripsi huruf Katakana berdasarkan struktur komponen penyusunnya.

2. Membangun pengetahuan berdasarkan informasi struktural menggunakan metode Induct/RDR dan menyimpan pengetahuan yang berhasil dibangun.

3. Menguji performansi struktur pengetahuan yang telah dibangun untuk mendapatkan akurasi sistem.

IV.1.2.1 Karakteristik Pengguna

Tidak ada kategorisasi bagi pengguna sistem. Pengguna KaRe tidak harus memiliki latar belakang pengetahuan mengenai karakter Jepang Katakana. Peran yang dapat dilakukan pengguna KaRe adalah sebagai berikut:

1. Pengguna mengisikan data titik koordinat dari file yang tersedia ke dalam sistem, untuk memicu terjadinya pemrosesan awal data.

2. Pengguna memicu terjadinya pembangunan pengetahuan. 3. Pengguna memicu terjadinya pengujian pengetahuan. IV.1.2.2 Batasan Sistem

Batasan sistem adalah sebagai berikut:

1. Sistem tidak melakukan pengenalan secara on-line. Sistem hanya menerima masukan berupa data titik koordinat hasil penulisan on-line karakter Jepang.

2. Data titik koordinat penulisan huruf Katakana diasumsikan memiliki urutan goresan yang benar. Responden dari pengumpulan data ini sendiri adalah orang Jepang sehingga diasumsikan responden cukup mengetahui tata cara penulisan huruf Katakana.

IV.1.3 Analisis Kebutuhan Perangkat Lunak

Pada sub-bab analisis kebutuhan perangkat lunak akan dijelaskan mengenai kebutuhan dari perangkat lunak yang dibangun, termasuk data dan proses-proses yaitu praproses, proses pelatihan, dan pengklasifikasian.

IV.1.3.1 Analisis Data

Data yang digunakan adalah data on-line handwriting database HANDS_kuchibue_d-97-06-10 dari Nakagawa Laboratory, Tokyo University of Agriculture and Technology [NAK97] yang selanjutnya akan disebut sebagai Kuchibue_d. Data terdiri atas sepuluh file teks yang disimpan dengan pengkodean Shift-JIS. Nama setiap file teks adalah MDB00YY.txt dengan

YY adalah suatu angka bernilai di antara 01 sampai dengan 10. Setiap file teks merupakan hasil penulisan artikel dari surat kabar Jepang yang ditulis oleh seorang responden. Semua responden menuliskan artikel yang sama.

Setiap file teks terdiri atas dua bagian, yaitu bagian header dan bagian data. Bagian header merupakan informasi penulisan dan perangkat yang digunakan. Bagian data merupakan informasi berupa sebuah blok yang terdiri atas jenis huruf dan titik-titik koordinat yang merupakan lintasan penulisan huruf tersebut di bidang penulisan. Gambar IV-1 adalah contoh potongan data.

MDB0001.IPD

"writer" char 31 : '中川正樹'

"input text" char 13 : 'asahi93.txt' "frame start" word 2 : 20 40

"tablet maker" char 25 : 'mutoh' … [ハ] 2 112 276 0 112 280 0 111 288 4 110 298 … [ー] 2 175 284 0 174 284 0 175 284 4 199 284 …

Gambar IV-1 Contoh data HANDS_kuchibue_d-97-06-10 [NAK97]

Pen-down, pen-movement, dan pen-up adalah kondisi alat penulisan (stylus) pada bidang penulisan. Pen-up menyatakan stylus menekan bidang penulisan, pen-down menyatakan stylus bergerak pada bidang penulisan, dan pen-up menyatakan bahwa stylus terangkat dari bidang penulisan. Blok data yang terdiri atas baris pen-down, pen-movement, sampai dengan pen-up menyatakan satu stroke (guratan).

Huruf-huruf Jepang tersebut dituliskan dalam bidang penulisan yang dibagi menjadi 36 (tiga puluh enam) frame, tersusun dalam empat baris dan sembilan kolom. Setiap frame berukuran 60 piksel x 60 piksel. Titik koordinat (x,y) permulaan frame dinyatakan sebagai FRAME_START, terdiri atas FRAME_START_X untuk titik absis (koordinat x) dan FRAME_START_Y untuk titik ordinat (koordinat y). Penulisan data Kuchibue_d menggunakan titik (20, 40) sebagai FRAME_START. Jarak antara permulaan sebuah frame

pen-down pen-up koordinat x koordinat y jenis huruf header pen movement

dengan permulaan frame berikutnya dinyatakan dengan FRAME_STEP, yang terdiri dari FRAME_STEP_X untuk sumbu X dan FRAME_STEP_Y untuk sumbu Y.

Gambar IV-2 Bidang Penulisan untuk Pengambilan Data [NAK97]

IV.1.3.2 Analisis Proses Pengenalan

Pada subbab ini akan dijelaskan mengenai proses pengenalan yang diperlukan sistem, yaitu praproses dan pembangunan pengetahuan. Berikut adalah penjelasan rinci mengenai setiap proses.

IV.1.3.2.1 Praproses

Praproses merupakan proses awal yang melakukan pengolahan terhadap data Kuchibue_d untuk menghasilkan feature yang diperlukan untuk membangun pengetahuan dengan metode Induct/RDR. Praproses meliputi sub-proses normalisasi posisi, normalisasi ukuran, dan ekstraksi feature. Kemudian diikuti dengan penjelasan rinci mengenai setiap subproses. 1. Normalisasi Posisi

Normalisasi posisi ditujukan untuk mennggeser posisi setiap frame huruf ke posisi standar (dengan pangkal koordinat (0,0) sebagai pusat penulisan). Dengan mempertimbangkan mekanisme penulisan, yaitu pada bidang penulisan yang terbagi menjadi 9 (sembilan) baris dan 4 (empat) kolom, maka untuk memperoleh posisi normal penulisan sebuah huruf, perhitungan melibatkan posisi baris (row) dan kolom (column) tempat huruf Katakana berada. Penulisan diasumsikan dilakukan per baris, yaitu dari baris pertama kolom pertama ke kolom kesembilan (ke arah kanan), dilanjutkan ke baris

kedua, ketiga, dan keempat dengan arah yang sama [NAK03]. Perhitungan juga melibatkan variabel yang mendeskripsikan frame yang dijelaskan pada subbab IV.1.3.1. Jika titik koordinat awal sebelum normalisasi adalah P(x,y) dan titik koordinat setelah normalisasi adalah P’(x’,y’), maka digunakan perhitungan berikut untuk melakukan normalisasi posisi. offset_X dan offset_Y adalah variabel yang menampung nilai normalisasi, yaitu variabel pergeseran frame.

Normalisasi posisi pada sumbu X:

offset_X = FRAME_START_X + ((column – 1) * FRAME_STEP_X) x’ = x – offset_X

Normalisasi posisi pada sumbu Y:

offset_Y = FRAME_START_Y + ((row – 1) * FRAME_STEP_Y) y’ = y –offset_Y

2. Normalisasi Ukuran

Normalisasi ukuran dilakukan terhadap huruf yang telah mengalami normalisasi posisi untuk menyeragamkan ukuran huruf. Ukuran normalisasi adalah 64 piksel x 64 piksel, artinya bahwa image huruf hasil normalisasi mempunyai ukuran tinggi 64 (enampuluh empat) piksel dan lebar 64 (enampuluh empat) piksel.

Langkah pertama untuk mendapatkan ukuran ternormalisasi, adalah mendefinisikan bounding-box dari setiap sampel image huruf.. Bounding-box ini digunakan untuk menentukan region of interest, yaitu area yang akan digunakan sebagai objek pemrosesan. Penentuan bounding-box dilakukan dengan mencari nilai absis dan ordinat minimum dan maksimum dari penulisan sebuah huruf. Dengan demikian, diperoleh titik-titik terluar dari sebuah huruf.

Dari titik-titik terluar tersebut, diperoleh ukuran tinggi (h) dan lebar (w) huruf.Dari nilai tinggi dan lebar tersebut, dapat diperoleh besarnya rasio normalisasi. Penting diingat bahwa rasio yang digunakan harus dapat menjamin bahwa aspek horizontal dan aspek vertical tetap berada dalam rasio yang tepat dan sebanding dengan kondisi aslinya. Rasio untuk normalisasi ke ukuran 64 x 64 diperhitungkan sebagai berikut:

c = min(N/h, N/w) Persamaan IV-1

Dengan nilai N = 64, yaitu ukuran normalisasi. Nilai rasio adalah pembulatan bilangan bulat yang kurang dari atau sama dengan rasio yang dihasilkan dari perhitungan.

Kemudian, setiap titik koordinat dari penulisan huruf Katakana akan dinormalisasi dengan perhitungan:

(x’, y’) = c(x, y) Persamaan IV-2

Dengan (x’, y’) adalah titik koordinat baru hasil normalisasi. Dengan demikian, maka setiap huruf akan mempunyai lebar maksimal 64 dan tinggi maksimal 64.

Berikut adalah contoh praproses pada potongan data image huruf ハ (Ha) yang mempunyai posisi awal penulisan di frame pada baris satu dan kolom empat. Posisi setelah normalisasi tidak diperhitungkan, karena setiap image dipandang sebagai unit yang mandiri, tidak lagi berada dalam barisan penulisan. Frame image setelah normalisasi selalu berada di pangkal koordinat (0,0).

2 232 62 0 233 61 0 233 62 0 233 63 0 232 67 0 231 71 0 230 76 0 229 82 0 228 86 0 227 90 0 228 91 4 229 91 2 242 71 0 244 70 0 246 71 0 248 74 0 251 77 0 253 81 0 255 84 4 258 86

Perhitungan normalisasi posisi terhadap sebuah titik koordinat dari data huruf Ha dapat dilihat pada Tabel IV-1

Tabel IV-1 Perhitungan normalisasi posisi

Posisi awal Perhitungan Offset Posisi setelah normalisasi posisi

x = 232 offset_x = 20 + (4 - 1) * 65  offset_y = 215 x’ = 232 – 215  x’ = 17 y = 62 offset_y = 40 + (1 -1 ) * 105  offset_y = 40 y’ = 62 – 40  y’ = 22

Normalisasi posisi tersebut dilakukan terhadap seluruh titik koordinat dari data huruf Ha. Kemudian, dari semua titik koordinat hasil normalisasi posisi tersebut dilakukan normalisasi ukuran dengan contoh perhitungan pada beberapa titik dapat dilihat pada Tabel IV-2

Tabel IV-2 Perhitungan normalisasi ukuran

Data setelah normalisasi posisi Parameter normalisasi ukuran Rasio Data setelah normalisasi ukuran (17, 22) (18, 21) (12, 50) (13, 51) (38, 41) (43, 46) Titik-titik terluar: X min = 12 X max = 43 Y min = 21 Y max = 51 H = y max – y min  51 – 21 = 30 w = x max – x min  43 – 12 = 21 Min(64/30, 64/21)  round(64/30) = 2 (34, 44) (36, 42) (24, 100) (26, 102) (76, 82) (86, 92) 3. Feature Extraction

Ekstraksi fitur bertujuan untuk memperoleh feature yang diperlukan untuk proses pembangunan pengetahuan. Feature yang dihasilkan akan merepresentasikan sebuah huruf Katakana. Feature adalah komponen struktural huruf. Feature yang sudah berhasil didefinisikan adalah jenis segmen, posisi relatif antar segmen yang berturutan, dan kondisi perpotongan segmen. Segmentasi dilakukan terhadap titik-titik koordinat yang telah mengalami proses normalisasi. Berikut adalah penjelasan setiap fitur yang digunakan.

a. Sebuah segmen didefinisikan sebagai sebuah segmen garis dalam huruf yang mempunyai sudut inklinasi (θ) tertentu. Segmen diperoleh dengan memutus-mutus garis pembentuk huruf pada segmentation point/ break point. Segmentation point adalah titik koordinat tempat terjadinya perubahan sudut yang melewati batas toleransi (∆θ).

Untuk memperoleh sebuah segmen, dilakukan penelusuran pada titik-titik koordinat sebuah huruf. Dua buah titik koordinat yang berurutan dipilih sebagai sub-segmen, dan diukur sudut inklinasinya. Pada awal penelusuran, dua titik koordinat pertama dan sudut inklinasinya dijadikan sebagai tumpuan untuk mencari sub-segmen berikutnya yang mempunyai sudut inklinasi dalam batas toleransi. Penelusuran dilanjutkan pada titik-titik berikutnya. Jika dijumpai sub-segmen dengan sudut inklinasi yang menyimpang dari batas toleransi sudut yang didefinisikan, maka penelusuran untuk segmen sebelumnya dihentikan. Sub-segmen sebelum sub-segmen dengan penyimpangan sudut inklinasi merupakan akhir dari segmen sebelumnya. Kemudian sub-segmen yang menyimpang merupakan awal dari segmen selanjutnya dari huruf ini. Demikian dilakukan pada seluruh titik koordinat dalam huruf.

Segmen yang telah diperoleh kemudian dikategorikan berdasarkan tabel. Untuk menyesuaikan dengan data, maka dilakukan penyesuaian terhadap kategori segmen. Kategori segmen yang digunakan pada pengembangan sistem berdasarkan pada pengkategorian garis ke delapan arah mata angin. Penyesuaian ini dipengaruhi oleh keadaan bahwa pengambilan data dilakukan dengan menggunakan Tablet-PC dengan pangkal koordinat berada pada posisi kiri atas. Penyesuaian kategori segmen dan peluangnya terdapat pada tabel.

Tabel IV-3 Perancangan kategori segmen untuk KaRe

Kategori Segmen Gambar Probabilitas

lurus vertikal ke arah atas (Up Vertical, U-VER)

Lurus vertical ke arah bawah (Down Vertical, D-VER)

Kategori Segmen Gambar Probabilitas lurus horisontal ke arah kanan

(Right Horizontal, R-HOR) Lurus horisontal ke arah kiri (Left Horizontal, L-HOR)

Backslash ke arah kiri aras (Up Backslash, U-BACK)

Backslash ke arah kanan bawah (Down Backslash, D-BACK) Slash ke arah kanan atas (Up Slash, U-SLASH)

Slash ke arah kiri bawah (Down Slash, D-SLASH)

b. Posisi relatif antar segmen

Posisi relatif antar segmen didefinisikan dengan delapan arah mata angin. Posisi relatif ini hanya didefinisikan antara dua segmen yang berturutan, misalnya segmen pertama dengan segmen kedua, segmen kedua dengan segmen ketiga, dan seterusnya. Berikut adalah kategori dan kriteria untuk pengelompokan segmen berdasarkan delapan arah mata angin.

Gambar IV-3 Delapan Arah Mata Angin untuk Posisi Relatif Antar Segmen

Tabel IV-4 adalah kriteria yang digunakan untuk menentukan posisi relatif antara dua segmen, yaitu antara segmenke-n (segn) dengan segmen ke-(n-1) (seg(n-1)) dengan n

adalah urutan segmen. Jika posisi relatif adalah side, maka kriteria di bawah digunakan untuk menyatakan bahwa segn berada di side seg(n-1).

Tabel IV-4 Kriteria penentuan kategori posisi relatif antar segmen Kategori posisi

relatif (side) Kriteria Utara

(North, N) Ord titik maks Segn ≤ ord titik min seg n-1 Selatan

(South, S) Ord titik min seg-n ≥ Ord titik maks seg-(n-1) Timur

(East, E) Abs titik min seg-n ≥ abs titik maks seg-(n-1) Barat

(West, W) Abs titik maks seg-n ≤ abs titik min seg-(n-1) Barat daya

(Nortwest, NW)

Abs titik maks seg-n ≤ abs titik min seg-(n-1) Ord titik maks seg-n ≤ ord titik min seg-(n-1)  kriteria WEST + kriteria NORTH Timur laut

(Northeast, NE)

Abs titik min seg-n ≥ abs titik maks seg-(n-1) Ord titik maks seg-n ≤ ord titik min seg-(n-1)  kriteria EAST + kriteria NORTH

Tenggara (Southeast, SE)

Abs titik min seg-n ≥ abs titik maks seg-(n-1) Ord titik maks seg-(n-1) ≤ ord titik min seg-n  kriteria EAST + SOUTH

Barat laut (Southwest, SW)

Abs titik maks seg-n ≤ abs titik min seg-(n-1) Ord titik maks seg-(n-1) ≤ ord titik min seg-n  kriteria WEST + kriteria SOUTH

Center otherwise

c. Perpotongan antar segmen

Perpotongan antar segmen dinyatakan dengan dua nilai, yaitu CROSS dan SUCCESSIVE.

CROSS adalah perpotongan umum antara dua segmen, baik melintang maupun menyentuh. SUCCESSIVE adalah perpotongan khusus antara dua segmen, dengan titik akhir sebuah segmen adalah titik awal segmen selanjutnya.

Hasil ekstraksi fitur untuk 46 (empatpuluh enam) huruf Katakana dapat dilihat pada Lampiran A dan Lampiran B.

IV.1.3.2.2 Pembangunan Pengetahuan

Pembangunan pengetahuan dilakukan dengan menggunakan kelas dari WEKA[WEK07] yang mengimplementasi metode Induct/RDR yaitu Ridor. Untuk membangun pengetahuan menggunakan Ridor, maka perlu pemetaan dari feature yang dihasilkan dengan penempatannya sebagai atribut pada dataset. Pemetaan feature ke atribut dapat dilihat pada Tabel IV-5.

Tabel IV-5 Pemetaan feature ke atribut untuk Ridor

Feature Atribut Keterangan atribut

Jenis dan urutan segmen Segn , n = 0, 1, …, m Segn adalah jenis segmen

urutan ke-n Posisi relatif antar segmen Side_segn-segn+1 dengan n = 0,

1, …, m

Side_segn-segn+1 adalah

posisi segn+1 terhadap segn

Perpotongan antar segmen isect_ segn-segn+1 dengan n = 0,

1, …, m

isect_ segn-segn+1 adalah

perpotongan segn terhadap

segn+1

Untuk memenuhi keperluan WEKA, maka jumlah atribut untuk setiap data dalam satu dataset harus sama. Untuk setiap dataset yang dibangkitkan, jumlah atribut disesuaikan dengan kondisi data. Dalam hal ini, nilai m bersifat fleksibel. Untuk data dengan jumlah feature yang dihasilkan kurang dari jumlah atribut, maka nilai atribut yang kosong adalah NONE.

IV.1.3.3 Analisis Rinci Sistem

Pada subbab ini akan dijelaskan mengenai analisis rinci sistem meliputi analisis use case dan analisis kelas.

IV.1.3.3.1 Analisis Use Case

Berdasarkan fungsi-fungsi sistem pengenal tulisan tangan dan karakteristik pengguna yang telah dijelaskan pada sub-bab IV.1.2, analisis use case antara sistem dan pengguna yang dihasilkan adalah sebagai berikut:

1. Use case persiapan data

Proses ini menerima masukan berupa file data titik koordinat penulisan huruf Jepang yang dipilih oleh pengguna. Sistem kemudian melakukan pembacaan terhadap seluruh file untuk mengambil data huruf Katakana, menyimpan hasil pembacaan dalam struktur data, dan kemudian melakukan proses normalisasi dan segmentasi untuk menghasilkan feature bagi proses pembangunan pengetahuan dengan Induct/RDR.

2. Use case pembangunan pengetahuan

Proses ini menggunakan masukan berupa file berisi daftar feature segmen yang mendeskripsikan huruf hasil dari praproses. Proses pembangunan pengetahuan dilakukan menggunakan kelas dalam WEKA yang mengimplementasikan Induct/RDR.

3. Use case pengujian pengetahuan

Proses ini ditujukan supaya pengguna dapat mengetahui dan mengukur akurasi pengetahuan yang berhasil dibangun oleh sistem. Pada Tgas Akhir ini, pengguna dapat memilih di antara dua jenis pengujian yang disediakan, yaitu:

a. Pengujian dengan menggunakan seluruh data sebagai training set

b. Pengujian dengan menggunakan cross-validation dengan nilai fold ditentukan oleh pengguna. Nilai fold adalah bilangan bulat positif.

Gambar IV-4 adalah gambar diagram use-case untuk KaRe.

Gambar IV-4 Diagram Use Case KaRe IV.1.3.3.2 Analisis Kelas

Pada sub-bab ini dibahas mengenai hasil analisis kelas dari KaRe. Interaksi antar kelas digambarkan dengan sequence diagram.

1. Kelas-kelas yang menyimpan struktur data

Jenis kelas ini hanya menyimpan struktur data dan beberapa operasi dasar untuk mengakses properti dalam struktur data. Kelas-kelas berikut ini merupakan kelas penyimpan data yang didefinisikan secara hirarkis, dengan level hirarki terurut mengecil ke bawah:

a. kelas KatakanaLetter untuk menyimpan struktur data huruf b. kelas ImageData menyimpan struktur data image (sampel huruf) c. kelas ImageStroke menyimpan struktur data stroke

d. kelas ImageSegment menyimpan struktur data segmen

Kelas-kelas yang termasuk dalam jenis ini akan dikelompokkan dalam package datastruct.

2. Kelas-kelas yang melakukan praproses

Jenis kelas ini akan melakukan praproses untuk mengubah data titik koordinat menjadi data feature/segmen. Operasi-operasi yang dimiliki adalah operasi yang melakukan normalisasi posisi, normalisasi ukuran, pengkestraksian segmen. Kelas-kelas yang termasuk dalam jenis kelas ini adalah:

a. kelas Parser, membaca file masukan daftar titik-titik koordinat b. kelas Normalizer, melakukan proses normalisasi posisi dan ukuran

c. kelas SegmentExtractor, melakukan proses ekstraksi segmen dari data huruf ternormalisasi

Kelas-kelas yang termasuk dalam jenis ini akan dikelompokkan ke dalam package preprocessor.

3. Kelas-kelas yang proses pembangunan pengetahuan

Jenis kelas ini adalah kelas yang menjadi antarmuka antara kelas-kelas yang sudah didefinisikan sebelumnya, dengan kelas-kelas dalam library WEKA yang akan digunakan untuk proses pembangunan pengetahuan. Termasuk di dalamnya adalah:

a. kelas KatakanaDataset, membentuk dataset dari hasil praproses, yaitu menerjemahkan feature ke atribut yang sesuai

b. kelas ARFFGenerator, melakukan pembangkitan file dengan format arff, yaitu format yang diterima oleh WEKA

Kelas-kelas yang termasuk dalam jenis ini akan dikelompokkan ke dalam package irdr.

4. Kelas-kelas antar muka

Jenis kelas ini adalah kelas yang untuk tampilan sistem yang memfasilitasi interaksi antara pengguna dengan KaRe. Kelas-kelas yang termasuk dalam jenis kelas ini adalah: a. kelas MainUI, jendela utama sistem yang menampung komponen antarmuka

b. kelas Controller, kelas yang menangani aksi-aksi yang dilakukan oleh pengguna dengan memberi respon yang sesuai dengan instruksi

c. kelas-kelas Panel, kelas untuk mengorganisasi tata letak komponen antarmuka Kelas-kelas yang termasuk dalam jenis ini akan dikelompokkan ke dalam package ui.

IV.2 Perancangan

Pada sub-bab ini akan dijelaskan mengenai perancangan sistem meliputi perancangan antarmuka dan lain-lain.

IV.2.1 Perancangan Alur Program

Berikut ini alur program yang mungkin dilakukan oleh pengguna. 1. Membuka file data titik koordinat

Pengguna harus membuka file data titik koordinat untuk dapat melakukan pembangunan pengetahuan dengan Induct/RDR. Membuka file data dilakukan dengan menekan tombol “Open New” untuk membuka sebuah file data atau tombol “Add More” untuk menambahkan file data masukan. Kemudian pengguna dapat memilih file data yang akan dibuka.

2. Melakukan praproses

Langkah ini diperlukan untuk mengubah data mentah menjadi data feature. Aktifitas ini dilakukan bersamaan dengan proses membuka file data, yaitu ketika pengguna mengklik tombol “Open” pada dialog box untuk memilih file.

3. Membangun pengetahuan

Aktifitas ini dilakukan dengan menekan tombol “Build Tree”. Induct/RDR akan dijalankan sesuai dengan parameter pengujian yang dipilih oleh pengguna. Sistem akan memberikan peringatan jika pengguna belum melakukan praproses terhadap file data masukan, atau pengguna belum membuka file data titik koordinat. Bila proses pembangunan pengetahuan berhasil, maka sistem akan menampilkan hasil

pengetahuan yang dibentuk terhadap data, dan rangkuman akurasi performansi terhadap data.

4. Melakukan pengujian pengetahuan

Aktifitasi ini dilakukan dengan memilih salah satu dari pilihan pengujian yang disediakan, yaitu “Use Training Set” atau “Cross Validation” dengan mengisi jumlah fold sesuai dengan jumlah fold yang diinginkan untuk pengujian.

IV.2.2 Perancangan Kelas

Tabel IV-6 menunjukkan daftar kelas yang dihasilkan dari proses analisis beserta package yang membungkusnya.

Tabel IV-6 Daftar Kelas Perancangan

Nama Package Deskripsi Daftar Kelas

datastruct Berisi kelas-kelas penyimpan

hirarki huruf KatakanaLetter.java _{ImageData.java} ImageStroke.java ImageSegment.java prepocessor Berisi kelas-kelas yang

menjalankan praproses Parser.java _{Normalizer.java} SegmentExtractor.java

irdr Berisi kelas-kelas yang

melakukan proses konversi feature menjadi data masukan WEKA

ARFFGenerator.java EvaluationSummary.java KatakanaDataset.java

ui Berisi kelas-kelas antarmuka

untuk interaksi pengguna dengan sistem MainUI.java Controller.java ControlPanel.java InputPanel.java ResultPanel.java

weka Berisi kelas-kelas WEKA yang

digunakan pada proses pembangunan pengetahuan

Kelas-kelas dalam library WEKA

Diagram kelas hasil perancangan dapat dilihat pada Lampiran C.

IV.2.3 Perancangan Antarmuka

Berikut adalah rancangan antarmuka yang akan digunakan dalam sistem.

1. Antarmuka KaRe terdiri atas sebuah jendela untuk menangani seluruh aktifitas pengguna dalam berinteraksi dengan sistem. Aktifitas membuka file data koordinat,

membangun pengetahuan, dan menampilkan hasil pengetahuan yang dibangun dapat dilakukan di jendela utama ini.

2. Tombol “Open New” akan memunculkan komponen dialog box untuk memilih file data koordinat masukan. Nama file dan lokasi file yang dipilih kemudian tampil pada komponen text field di samping tombol “Open New”. Tekan tombol “Add More” untuk menambahkan file. Pemilihan parameter untuk pengujian dilakukan dengan memilih salah satu dari dua buah radio button dalam box Test Options. Pengguna kemudian menekan tombol “Build Tree” untuk menjalankan proses pembangunan pengetahuan. Hasil dari proses ini ditampilkan pada komponen text area “IRDR Output” yaitu struktur RDR yang dihasilkan, dan hasil pengujian terhadap performansi Hasil dari pembangunan pengetahuan yang akan ditampilkan akan memiliki bagian-bagian sebagai berikut:

a. Struktur pengetahuan yang berhasil dibangun dalam representasi tekstual. b. Informasi hasil pengujian berdasarkan skema pengujian yang dipilih

pengguna. Informasi ini menampilkan jumlah data yang diklasifikasikan dengan benar, jumlah data yang salah diklasifikasikan, dan persentase akurasi sistem.